【技術實現步驟摘要】
本申請涉及人工智能領域，尤其涉及一種鏈接預測方法、模型訓練方法、裝置以及設備。
技術介紹
1、鏈接預測(link?prediction)，即通過已知的網絡結構等信息，預測網絡中兩個表征實體對象的結點之間的存在鏈接可能性；例如，在信息推薦等應用場景中，可以預測兩個用戶之間是否存在關聯關系。
2、現有技術中，基于啟發式算法，通過各個結點在網絡中的拓撲特性信息，構造啟發式打分函數，以用于衡量結點間的相似度，進而反映出鏈接存在的可能性高低。
3、但是上述方式中，僅通過啟發式算法對各個結點的拓撲特性信息進行處理，以進行鏈接預測，這樣的方式由于所獲取到的信息不足，導致鏈接預測精度降低。
技術實現思路
1、本申請實施例提供一種鏈接預測方法、模型訓練方法、裝置以及設備，用以解決由于啟發式算法中所獲取到的信息不足，導致鏈接預測精度降低的技術問題。
2、第一方面，本申請實施例提供一種鏈接預測方法，包括：
3、獲取目標原始圖，所述目標原始圖中包括至少一個表征實體對象的結點，所述實體對象為用戶；并根據所述目標原始圖，確定所述結點的嵌入表示；其中，所述嵌入表示表征結點的內容特征；
4、根據各所述結點中各個目標結點對的嵌入表示，生成各所述目標結點對的內容成對特征；其中，所述目標結點對中包括兩個待預測鏈接關系的結點；所述內容成對特征表征目標結點對中兩個結點之間對應的內容特征；
5、確定所述目標結點對的至少一個共同鄰居結點，并對各所述共同鄰居
6、根據所述目標結點對的內容成對特征和鄰居成對特征，生成所述目標結點對的鏈接預測信息；其中，所述鏈接預測信息表征預測的目標結點對中兩個結點之間的鏈接關系存在情況。
7、在一種可能的實施方式中，對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居成對特征，包括：
8、基于注意力機制，對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居嵌入表示；其中，所述鄰居嵌入表示表征目標結點對中兩個結點之間對應的初始的拓撲結構特征；
9、基于預設的多層感知器模塊，對所述鄰居嵌入表示進行處理，得到所述目標結點對的鄰居成對特征。
10、在一種可能的實施方式中，基于注意力機制，對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居嵌入表示，包括：
11、根據所述共同鄰居結點的嵌入表示，確定所述共同鄰居結點對應的注意力分數；
12、基于所述注意力機制，根據各所述注意力分數，對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居嵌入表示。
13、在一種可能的實施方式中，根據所述目標結點對的內容成對特征和鄰居成對特征，生成所述目標結點對的鏈接預測信息，包括：
14、對所述內容成對特征和鄰居成對特征進行拼接處理，得到所述目標結點對的拼接成對特征；
15、對所述拼接成對特征進行計算處理，得到所述目標結點對的鏈接預測信息。
16、在一種可能的實施方式中，根據所述目標原始圖，確定所述結點的嵌入表示，包括：
17、根據所述目標原始圖，確定所述結點的初始表示；其中，所述初始表示表征結點的初始內容特征；
18、對所述初始表示進行降維處理，得到所述結點的稠密表示；
19、基于預設的圖神經網絡，對所述目標原始圖和各所述稠密表示進行圖卷積處理，得到各所述結點的嵌入表示。
20、在一種可能的實施方式中，根據所述目標原始圖，確定所述結點的初始表示，包括：
21、根據所述目標原始圖，對所述結點進行隨機游走處理，得到所述結點的初始表示。
22、在一種可能的實施方式中，對所述初始表示進行降維處理，得到所述結點的稠密表示，包括：
23、對所述初始表示進行線性變換處理，得到變換后的初始表示；
24、對所述變換后的初始表示進行批標準化處理，得到處理后的初始表示；
25、對所述處理后的初始表示進行非線性激活處理，得到所述稠密表示。
26、在一種可能的實施方式中，所述預設的圖神經網絡中包括至少一個圖卷積層；基于預設的圖神經網絡，對所述目標原始圖和各所述稠密表示進行圖卷積處理，得到各所述結點的嵌入表示，包括：
27、對所述目標原始圖進行路徑隨機失活處理，得到處理后的目標原始圖；
28、基于所述圖卷積層，對所述處理后的目標原始圖、以及各所述稠密表示進行圖卷積處理，得到各所述結點的隱含表示；其中，所述隱含表示表征結點所攜帶的語義數據；
29、對各所述隱含表示進行批標準化處理，得到各所述結點的處理后的隱含表示；
30、對各所述處理后的隱含表示進行非線性激活處理，得到各所述結點的嵌入表示。
31、第二方面，本申請實施例提供一種應用于鏈接預測的模型訓練方法，包括：
32、獲取待訓練圖，所述待訓練圖中包括至少一個表征實體對象的待訓練結點，所述實體對象為待訓練用戶；并根據所述待訓練圖，確定所述待訓練結點的嵌入表示；其中，所述嵌入表示表征待訓練結點的內容特征；
33、根據各所述待訓練結點中各個目標結點對的嵌入表示，生成各所述目標結點對的內容成對特征；其中，所述目標結點對中包括兩個待預測鏈接關系的待訓練結點；所述內容成對特征表征目標結點對中兩個待訓練結點之間對應的內容特征；
34、確定所述目標結點對的至少一個共同鄰居結點，并對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居成對特征；其中，所述鄰居成對特征表征目標結點對中兩個待訓練結點之間對應的拓撲結構特征；
35、根據所述目標結點對的內容成對特征和鄰居成對特征，對初始的圖神經網絡進行訓練處理，得到預設的圖神經網絡；其中，所述預設的圖神經網絡用于對第一方面的目標原始圖進行處理，以生成鏈接預測信息；所述鏈接預測信息表征預測的兩個結點之間的鏈接關系存在情況。
36、在一種可能的實施方式中，對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居成對特征，包括：
37、基于注意力機制，對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居嵌入表示；其中，所述鄰居嵌入表示表征目標結點對中兩個待訓練結點之間對應的初始的拓撲結構特征；
38、基于預設的多層感知器模塊，對所述鄰居嵌入表示進行處理，得到所述目標結點對的鄰居成對特征。
39、在一種可能的實施方式中，基于注意力機制，對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居嵌入表示，包括：
40、根據所述共同鄰居結點的嵌入表示，確定所述共同鄰居結點對應的注意力分數；<本文檔來自技高網...
【技術保護點】
1.一種鏈接預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居成對特征，包括：
3.根據權利要求2所述的方法，其特征在于，基于注意力機制，對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居嵌入表示，包括：
4.根據權利要求1所述的方法，其特征在于，根據所述目標結點對的內容成對特征和鄰居成對特征，生成所述目標結點對的鏈接預測信息，包括：
5.根據權利要求1-4中任一項所述的方法，其特征在于，根據所述目標原始圖，確定所述結點的嵌入表示，包括：
6.根據權利要求5所述的方法，其特征在于，根據所述目標原始圖，確定所述結點的初始表示，包括：
7.根據權利要求5所述的方法，其特征在于，對所述初始表示進行降維處理，得到所述結點的稠密表示，包括：
8.根據權利要求5所述的方法，其特征在于，所述預設的圖神經網絡中包括至少一個圖卷積層；基于預設的圖神經網絡，對所述目標原始圖和各所述稠密表示進行圖卷積處理，得到各
9.一種應用于鏈接預測的模型訓練方法，其特征在于，包括：
10.根據權利要求9所述的方法，其特征在于，對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居成對特征，包括：
11.根據權利要求10所述的方法，其特征在于，基于注意力機制，對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居嵌入表示，包括：
12.根據權利要求9所述的方法，其特征在于，根據所述目標結點對的內容成對特征和鄰居成對特征，對初始的圖神經網絡進行訓練處理，得到預設的圖神經網絡，包括：
13.根據權利要求12所述的方法，其特征在于，根據所述目標結點對的內容成對特征和鄰居成對特征，生成所述目標結點對的鏈接預測信息，包括：
14.根據權利要求9-13中任一項所述的方法，其特征在于，根據所述待訓練圖，確定所述待訓練結點的嵌入表示，包括：
15.根據權利要求14所述的方法，其特征在于，根據所述待訓練圖，確定所述待訓練結點的初始表示，包括：
16.根據權利要求14所述的方法，其特征在于，對所述初始表示進行降維處理，得到所述待訓練結點的稠密表示，包括：
17.根據權利要求14所述的方法，其特征在于，所述初始的圖神經網絡中包括至少一個圖卷積層；基于所述初始的圖神經網絡，對所述待訓練圖和各所述稠密表示進行圖卷積處理，得到各所述待訓練結點的嵌入表示，包括：
18.一種鏈接預測裝置，其特征在于，包括：
19.一種應用于鏈接預測的模型訓練裝置，其特征在于，包括：
20.一種計算設備，其特征在于，包括：存儲器，處理器；
21.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質中存儲有計算機執行指令，所述計算機執行指令被處理器執行時用于實現如權利要求1-8中任一項所述的方法或者如權利要求9-17中任一項所述的方法。
22.一種計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現如權利要求1-8中任一項所述的方法或者如權利要求9-17中任一項所述的方法。
...【技術特征摘要】
1.一種鏈接預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居成對特征，包括：
3.根據權利要求2所述的方法，其特征在于，基于注意力機制，對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居嵌入表示，包括：
4.根據權利要求1所述的方法，其特征在于，根據所述目標結點對的內容成對特征和鄰居成對特征，生成所述目標結點對的鏈接預測信息，包括：
5.根據權利要求1-4中任一項所述的方法，其特征在于，根據所述目標原始圖，確定所述結點的嵌入表示，包括：
6.根據權利要求5所述的方法，其特征在于，根據所述目標原始圖，確定所述結點的初始表示，包括：
7.根據權利要求5所述的方法，其特征在于，對所述初始表示進行降維處理，得到所述結點的稠密表示，包括：
8.根據權利要求5所述的方法，其特征在于，所述預設的圖神經網絡中包括至少一個圖卷積層；基于預設的圖神經網絡，對所述目標原始圖和各所述稠密表示進行圖卷積處理，得到各所述結點的嵌入表示，包括：
9.一種應用于鏈接預測的模型訓練方法，其特征在于，包括：
10.根據權利要求9所述的方法，其特征在于，對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居成對特征，包括：
11.根據權利要求10所述的方法，其特征在于，基于注意力機制，對各所述共同鄰居結點的嵌入表示進行聚合處理，得到所述目標結點對的鄰居嵌入表示，包括：
12.根據權利要求9所述...
【專利技術屬性】
技術研發人員：劉礪志，佟志臣，蔣海儉，閔青，
申請(專利權)人：中國銀聯股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。