CN111325340B - 信息网络关系预测方法及*** - Google Patents
信息网络关系预测方法及*** Download PDFInfo
- Publication number
- CN111325340B CN111325340B CN202010096863.9A CN202010096863A CN111325340B CN 111325340 B CN111325340 B CN 111325340B CN 202010096863 A CN202010096863 A CN 202010096863A CN 111325340 B CN111325340 B CN 111325340B
- Authority
- CN
- China
- Prior art keywords
- information
- node
- edge
- prediction
- relation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010586 diagram Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 24
- 238000012512 characterization method Methods 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了信息网络关系预测方法及***。涉及数据挖掘领域,其中,方法根据群体用户样本集合建立信息网络关系图,并将信息网络关系图转化成信息数据结构,信息网络关系图的结构包含多个节点,节点之间通过边连接,信息数据结构包含每一条边的源节点、目标节点和时序信息,然后利用预先训练好的信息网络关系预测模型输入信息数据结构进行关系预测,得到信息网络关系图的结构中节点的关系信息预测结果,其中,信息网络关系预测模型为图神经网络模型。通过将动态信息网络中边的时序信息与图神经网络模型相结合进行关系预测,可有效提高图神经网络方法对动态信息网络关系预测的准确度。
Description
技术领域
本发明涉及数据挖掘领域,尤其是涉及一种信息网络关系预测方法及***。
背景技术
现实生活中普遍存在信息网络,如社交网络、生物网络、犯罪关系网络等。这些信息网络中包含着大量的节点之间的交互信息、结构信息、语义信息,并且信息网络随着时间不断演化,如两个节点之间增加或减少了关系等,分析信息网络中节点之间关系变化对社会发展有较大意义。而随着信息网络中节点和边规模的增大,人为地从这些网络中挖掘信息需要耗费大量的人力和时间成本。
随着神经网络的发展,利用图神经网络方法可以自动地学习信息网络中节点和边的特征,从而对网络中的信息进行挖掘。然而现有的基于图神经网络的信息网络挖掘方法没有考虑到网络的时序演化过程,从而无法有效地处理动态信息网络中节点之间关系的预测问题。而实际上,大量的信息网络都是随着时间演化的,因此需要提出一种结合信息网络的时序演化特征,进行信息网络中节点之间关系预测的方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种信息网络关系预测方法,能够结合信息网络的时序演化特征进行信息网络中节点之间关系预测。
第一方面,本发明的一个实施例提供了:一种信息网络关系预测方法,其特征在于,包括:
根据群体用户样本集合建立信息网络关系图,并将所述信息网络关系图转化成信息数据结构,所述信息网络关系图的结构包含多个节点,节点之间通过边连接,所述信息数据结构包含每一条边的源节点、目标节点和时序信息;
利用预先训练好的信息网络关系预测模型输入所述信息数据结构进行关系预测,得到所述信息网络关系图的结构中节点的关系信息预测结果,所述信息网络关系预测模型为图神经网络模型。
进一步地,所述利用预先训练好的信息网络关系预测模型输入所述信息数据结构进行关系预测具体包括:
根据所述信息数据结构的时序信息计算每一条边的边权重;
根据所述边权重得到节点的向量表征;
根据节点的向量表征计算得到对应边的向量表征;
利用所述边的向量表征进行关系预测得到关系信息预测结果。
进一步地,所述根据所述信息数据结构的时序信息计算每一条边的边权重,具体包括:
确定所述信息数据结构中每一个节点的邻居节点集合;
根据节点和对应的邻居节点集合计算所述节点与每一个邻居节点的边权重。
进一步地,所述根据所述边权重得到节点的向量表征具体包括:
设定所述图神经网络模型层数、节点的向量表征维度和激活函数;
初始化每个节点每个维度的向量表征值和每一层网络的模型权重;
利用前向传播计算每一个节点的向量表征。
进一步地,所述根据节点的向量表征计算得到对应边的向量表征具体包括:
生成边聚合矩阵;
利用所述边聚合矩阵,根据每一条边两端的节点的向量表征计算边的向量表征。
进一步地,训练所述图神经网络模型时,利用损失函数计算损失值反向传播训练并更新所述图神经网络模型中模型权重。
进一步地,所述利用所述边的向量表征进行关系预测得到关系信息预测结果具体包括:利用softmax函数计算边的预测值作为关系信息预测结果。
本发明实施例至少具有如下有益效果:通过将动态信息网络中边的时序信息与图神经网络模型相结合进行关系预测,可有效提高图神经网络方法对动态信息网络关系预测的准确度。
第二方面,本发明的一个实施例提供了:一种信息网络关系预测***,包括:
获取单元:用于根据群体用户样本集合建立信息网络关系图,并将所述信息网络关系图转化成信息数据结构,所述信息网络关系图的结构包含多个节点,节点之间通过边连接,所述信息数据结构包含每一条边的源节点、目标节点和时序信息;
预测单元:用于利用预先训练好的信息网络关系预测模型输入所述信息数据结构进行关系预测,得到所述信息网络关系图的结构中节点的预测关系信息,所述信息网络关系预测模型为图神经网络模型。
第三方面,本发明的一个实施例提供了:一种信息网络关系预测设备,包括:
至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如第一方面任一项所述的方法。
第四方面,本发明的一个实施例提供了:一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如第一方面任一项所述的方法。
本发明实施例的有益效果是:
本发明实施例根据群体用户样本集合建立信息网络关系图,并将信息网络关系图转化成信息数据结构,信息网络关系图的结构包含多个节点,节点之间通过边连接,信息数据结构包含每一条边的源节点、目标节点和时序信息,然后利用预先训练好的信息网络关系预测模型输入信息数据结构进行关系预测,得到信息网络关系图的结构中节点的关系信息预测结果,其中,信息网络关系预测模型为图神经网络模型。通过将动态信息网络中边的时序信息与图神经网络模型相结合进行关系预测,可有效提高图神经网络方法对动态信息网络关系预测的准确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明实施例中信息网络关系预测方法的一具体实施例流程示意图;
图2是本发明实施例中信息网络关系预测方法的一具体实施例一种场景示意图;
图3是本发明实施例中信息网络关系预测***的一具体实施例结构框图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
实施例一:
目前,现有的基于图神经网络的信息网络挖掘方法没有考虑到网络的时序演化过程,从而无法有效地处理动态信息网络中节点之间关系的预测问题,鉴于相关技术中存在的问题,本实施例提供一种信息网络关系预测方法。
图1示出了本发明实施例提供的信息网络关系预测方法的流程示意图,如图1所示,该方法包括以下步骤:
S1:获取待预测的信息数据结构:具体包括:
根据群体用户样本集合建立信息网络关系图,并将信息网络关系图转化成信息数据结构,其中,信息网络关系图的结构包含多个节点,节点之间通过边连接,信息数据结构包含每一条边的源节点、目标节点和时序信息。
其中,在本公开的一个实施例中,信息网络关系图的结构是节点和边的集合,其包含多个节点和连接节点的边,其中节点表示信息网络关系图的结构中的个体,边表示个体之间的连接关系。信息网络关系图的结构中的每一条边的两端均包含两个节点,由于边具有有向性,设定方向起始点为源节点,方向终止点为目标节点,每一个节点都可以作为目标节点或者源节点。
例如,可以从群体用户样本中各个用户之间的关联信息建立信息网络关系图的结构,用户即节点,用户之间的关系为连接边,边的方向可以根据实际需求进行设定,对信息网络关系图的结构进行特征提取组成信息数据结构。
在本公开的一个实施例中,信息数据结构例如:第一列为边的源节点,第二列为边的目标节点,第三列为边的时序信息,便于进行后续运算。
S2:进行关系信息预测:具体包括:
利用预先训练好的信息网络关系预测模型输入信息数据结构进行关系预测,得到信息网络关系图的结构中节点的关系信息预测结果,信息网络关系预测模型为图神经网络模型。
在本公开的一个实施例中,可根据预测领域和预测需求通过下载公开数据集或者实际采集的方式,获取大量相关的动态信息网络数据集,建立如上述示例的信息数据结构作为训练数据集训练信息网络关系预测模型。可以理解的是,如果预测领域发生变化,可以重新选择并建立训练数据集调整信息网络关系预测模型的权值参数,使得该模型能够更好的得到预测结果。
在本公开的一个实施例中,步骤S2中利用预先训练好的信息网络关系预测模型输入信息数据结构进行关系预测具体包括:
S21:根据信息数据结构的时序信息计算每一条边的边权重。
例如首先确定信息数据结构中每一个节点的邻居节点集合,根据节点和对应的邻居节点集合计算节点与每一个邻居节点连接的边的边权重,具体是利用Softmax函数根据网络中边的时序信息计算边的权值,公式表示为:
其中,pu,v表示节点v和节点u连接形成的边的边权重,节点u表示节点v的邻居节点,有ui∈N(v),N(v)是节点v的邻居节点集合,tv,u表示根据时序信息得到的节点v和其邻居节点u的时间差值。
S22:根据边权重得到节点的向量表征。
例如,首先根据构建图神经网络模型的方式设定图神经网络模型层数,以及节点的向量表征维度和激活函数,然后初始化每个节点每个维度的向量表征值和每一层网络的模型权重,再利用前向传播计算每一个节点的向量表征。
在本公开的一个实施例中,通过随机初始化每个节点每个维度的向量表征值和每一层网络的模型权重,例如每个维度的向量表征值初始化取值范围为(0,1),每一层网络的模型权重初始化取值范围为(0,1)。
另外,选定的激活函数例如非线性激活函数,例如常用的非线性激活函数有:Sigmoid 激活函数、Tanh激活函数、ReLU激活函数等,可以理解的是,本实施例中可用的激活函数不止示例的几种,凡是能够实现非线性激活函数功能的函数均属于本实施例的保护范围。
例如设定图神经网络模型的层数为k,将网络中的节点v的向量表征记为hv∈Rd,其中d为节点表征维度,因此节点v的向量表征hv表示为:
其中,N(v)是节点v的邻居节点集合,节点u表示节点v的邻居节点,pu,v表示节点v和节点u连接形成的边的边权重,表示节点v的某一个邻居节点u的向量表征,wk表示图神经网络模型在第k层的模型权重,σ表示非线性激活函数。
S23:根据节点的向量表征计算得到对应边的向量表征。
在本公开的一个实施例中,随机生成边聚合矩阵,利用边聚合矩阵,根据每一条边两端的节点的向量表征计算边的向量表征。
例如,随机生成的边聚合矩阵表示为C∈R1×d,其中d是向量表征维度,边聚合矩阵的目的是将连接边的两个节点的向量表征转换为边的向量表征,因此对于节点v和其邻居节点 u形成的边eu,v,其边的向量表征记为hu,v,公式表示为:
hu,v=σ(C[hv,hu]) (3)
其中,σ表示非线性激活函数。
S24:利用边的向量表征进行关系预测得到关系信息预测结果。
在本公开的一个实施例中,利用softmax函数计算边的预测值作为关系信息预测结果,表示为:y=softmax(hu,v),softmax函数用于多分类过程中,它将多个神经元的输出,映射到(0,1)区间内,即本实施例中根据输出值判断预测关系的概率大小,根据概率大小判断关系信息预测结果,例如当概率对于某一个设定阈值时,预测两个节点之间存在关系,因此其关系信息预测结果为即将有关系。
另外,为了优化本实施例中图神经网络模型中模型权重,在本公开的一个实施例中,训练图神经网络模型时,利用损失函数计算损失值反向传播训练并更新图神经网络模型中模型权重。
例如,损失函数值的计算表示为:
其中,L表示损失函数值,M表示训练时训练数据集中训练样本的格式,yi表示样本i 边的预测值,oi表示样本i边的真实值。
图2示出了本发明实施例提供的信息网络关系预测方法的一种场景示意图,如图2所示,首先从群体用户样本集合中的原始信息网络建立信息网络关系图,例如需要预测节点A与节点B之间的关系,因此信息网络关系图中,与节点A连接的节点为:节点C、节点I、节点 H,与节点B连接的节点为:节点C、节点D、节点F,当需要预测节点A和节点B的关系时,通过本实施例上述得到边的向量表征的方式得到AB之间边的向量表征,进而进行关系预测得到关系信息预测结果。假如该网络是一个社交网络,基于朋友推荐来进行犯罪关系链预测,则通过预测节点A,B之间在下一时刻是否会产生联系,即产生一条新的边来进行犯罪网络中的犯罪关系链预测。
需要说明的是,本公开实施例所提供的信息网络关系预测方法一般由服务器执行,相应地,信息网络关系预测装置一般设置于服务器中。但是,在本公开的其它实施例中,也可以由终端设备执行本公开实施例所提供的信息网络关系预测方案。
实施例二:
本实施例提供一种信息网络关系预测***,如图3所示,为本实施例的信息网络关系预测***结果框图,包括:
获取单元100:用于根据群体用户样本集合建立信息网络关系图,并将信息网络关系图转化成信息数据结构,信息网络关系图的结构包含多个节点,节点之间通过边连接,信息数据结构包含每一条边的源节点、目标节点和时序信息;
预测单元200:用于利用预先训练好的信息网络关系预测模型输入信息数据结构进行关系预测,得到信息网络关系图的结构中节点的预测关系信息,信息网络关系预测模型为图神经网络模型。
上述中信息网络关系预测***个单元的具体细节已经在实施例一对应的信息网络关系预测方法中进行了详细的描述,因此此处不再赘述。
另外,本发明一实施例还提供信息网络关系预测设备,包括:
至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如实施例一所述的方法。计算机程序即程序代码,当程序代码在信息网络关系预测设备上运行时,程序代码用于使信息网络关系预测设备执行本说明书上述实施例一部分描述的信息网络关系预测方法中的步骤。
另外,本发明一实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,其中计算机可执行指令用于使计算机执行如实施例一所述的方法。
不失一般性,所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、 EPROM、EEPROM、闪存或其他固态存储其技术,CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知所述计算机存储介质不局限于上述几种。
本发明实施例根据群体用户样本集合建立信息网络关系图,并将信息网络关系图转化成信息数据结构,信息网络关系图的结构包含多个节点,节点之间通过边连接,信息数据结构包含每一条边的源节点、目标节点和时序信息,然后利用预先训练好的信息网络关系预测模型输入信息数据结构进行关系预测,得到信息网络关系图的结构中节点的关系信息预测结果,其中,信息网络关系预测模型为图神经网络模型。通过将动态信息网络中边的时序信息与图神经网络模型相结合进行关系预测,可有效提高图神经网络方法对动态信息网络关系预测的准确度。
以上各实施例仅用以说明本发明的技术方案,而非对其限制,尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (8)
1.一种信息网络关系预测方法,其特征在于,包括:
根据群体用户样本集合建立信息网络关系图,并将所述信息网络关系图转化成信息数据结构,所述信息网络关系图的结构包含多个节点,节点之间通过边连接,所述信息数据结构包含每一条边的源节点、目标节点和时序信息;
利用预先训练好的信息网络关系预测模型输入所述信息数据结构进行关系预测,得到所述信息网络关系图的结构中节点的关系信息预测结果,所述信息网络关系预测模型为图神经网络模型;
所述利用预先训练好的信息网络关系预测模型输入所述信息数据结构进行关系预测具体包括:
根据所述信息数据结构的时序信息计算每一条边的边权重;
根据所述边权重得到节点的向量表征;
根据节点的向量表征计算得到对应边的向量表征;
利用所述边的向量表征进行关系预测得到关系信息预测结果;
所述根据所述信息数据结构的时序信息计算每一条边的边权重,具体包括:
确定所述信息数据结构中每一个节点的邻居节点集合;
根据节点和对应的邻居节点集合计算所述节点与每一个邻居节点的边权重,所述边权重表示为:
2.根据权利要求1所述的一种信息网络关系预测方法,其特征在于,所述根据所述边权重得到节点的向量表征具体包括:
设定所述图神经网络模型层数、节点的向量表征维度和激活函数;
初始化每个节点每个维度的向量表征值和每一层网络的模型权重;
利用前向传播计算每一个节点的向量表征。
3.根据权利要求1所述的一种信息网络关系预测方法,其特征在于,所述根据节点的向量表征计算得到对应边的向量表征具体包括:
生成边聚合矩阵;
利用所述边聚合矩阵,根据每一条边两端的节点的向量表征计算边的向量表征。
4.根据权利要求1所述的一种信息网络关系预测方法,其特征在于,训练所述图神经网络模型时,利用损失函数计算损失值反向传播训练并更新所述图神经网络模型中模型权重。
5.根据权利要求1至4任一项所述的一种信息网络关系预测方法,其特征在于,所述利用所述边的向量表征进行关系预测得到关系信息预测结果具体包括:利用softmax函数计算边的预测值作为关系信息预测结果。
6.一种信息网络关系预测***,其特征在于,包括:
获取单元:用于根据群体用户样本集合建立信息网络关系图,并将所述信息网络关系图转化成信息数据结构,所述信息网络关系图的结构包含多个节点,节点之间通过边连接,所述信息数据结构包含每一条边的源节点、目标节点和时序信息;
预测单元:用于利用预先训练好的信息网络关系预测模型输入所述信息数据结构进行关系预测,得到所述信息网络关系图的结构中节点的预测关系信息,所述信息网络关系预测模型为图神经网络模型;
所述利用预先训练好的信息网络关系预测模型输入所述信息数据结构进行关系预测具体包括:
根据所述信息数据结构的时序信息计算每一条边的边权重;
根据所述边权重得到节点的向量表征;
根据节点的向量表征计算得到对应边的向量表征;
利用所述边的向量表征进行关系预测得到关系信息预测结果;
所述根据所述信息数据结构的时序信息计算每一条边的边权重,具体包括:
确定所述信息数据结构中每一个节点的邻居节点集合;
根据节点和对应的邻居节点集合计算所述节点与每一个邻居节点的边权重,所述边权重表示为:
7.一种信息网络关系预测设备,其特征在于,包括:
至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;
其中,所述处理器通过调用所述存储器中存储的计算机程序,用于执行如权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010096863.9A CN111325340B (zh) | 2020-02-17 | 2020-02-17 | 信息网络关系预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010096863.9A CN111325340B (zh) | 2020-02-17 | 2020-02-17 | 信息网络关系预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325340A CN111325340A (zh) | 2020-06-23 |
CN111325340B true CN111325340B (zh) | 2023-06-02 |
Family
ID=71172755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010096863.9A Active CN111325340B (zh) | 2020-02-17 | 2020-02-17 | 信息网络关系预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325340B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784455B (zh) * | 2020-06-30 | 2023-11-07 | 腾讯科技(深圳)有限公司 | 一种物品推荐方法及推荐设备 |
CN113298221B (zh) * | 2021-04-26 | 2023-08-22 | 上海淇玥信息技术有限公司 | 基于逻辑回归和图神经网络的用户风险预测方法及装置 |
CN113095592A (zh) * | 2021-04-30 | 2021-07-09 | 第四范式(北京)技术有限公司 | 基于gnn执行预测的方法和***以及训练方法和*** |
CN113114541B (zh) * | 2021-06-15 | 2021-09-14 | 上海兴容信息技术有限公司 | 一种判断网络节点之间能否建立网络连接的方法和*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108833382A (zh) * | 2018-05-31 | 2018-11-16 | 腾讯科技(深圳)有限公司 | 网络信息检测方法、装置、存储介质和计算机设备 |
CN108875960A (zh) * | 2018-06-11 | 2018-11-23 | 深圳大学 | 一种基于梯度下降的时序模糊认知图的学习方法及*** |
CN109087329A (zh) * | 2018-07-27 | 2018-12-25 | 中山大学 | 基于深度网络的人体三维关节点估计框架及其定位方法 |
CN109597844A (zh) * | 2019-01-31 | 2019-04-09 | 中科人工智能创新技术研究院(青岛)有限公司 | 基于深度神经网络与图网络的核心用户挖掘方法及*** |
CN109948000A (zh) * | 2019-01-09 | 2019-06-28 | 南方科技大学 | 异质网络的异常目标检测方法、装置、设备及存储介质 |
CN110263280A (zh) * | 2019-06-11 | 2019-09-20 | 浙江工业大学 | 一种基于多视图的动态链路预测深度模型及应用 |
CN110348573A (zh) * | 2019-07-16 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 训练图神经网络的方法、图神经网络设备、装置、介质 |
CN110706095A (zh) * | 2019-09-30 | 2020-01-17 | 四川新网银行股份有限公司 | 一种基于关联网络的目标节点关键信息填补方法及*** |
-
2020
- 2020-02-17 CN CN202010096863.9A patent/CN111325340B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108833382A (zh) * | 2018-05-31 | 2018-11-16 | 腾讯科技(深圳)有限公司 | 网络信息检测方法、装置、存储介质和计算机设备 |
CN108875960A (zh) * | 2018-06-11 | 2018-11-23 | 深圳大学 | 一种基于梯度下降的时序模糊认知图的学习方法及*** |
CN109087329A (zh) * | 2018-07-27 | 2018-12-25 | 中山大学 | 基于深度网络的人体三维关节点估计框架及其定位方法 |
CN109948000A (zh) * | 2019-01-09 | 2019-06-28 | 南方科技大学 | 异质网络的异常目标检测方法、装置、设备及存储介质 |
CN109597844A (zh) * | 2019-01-31 | 2019-04-09 | 中科人工智能创新技术研究院(青岛)有限公司 | 基于深度神经网络与图网络的核心用户挖掘方法及*** |
CN110263280A (zh) * | 2019-06-11 | 2019-09-20 | 浙江工业大学 | 一种基于多视图的动态链路预测深度模型及应用 |
CN110348573A (zh) * | 2019-07-16 | 2019-10-18 | 腾讯科技(深圳)有限公司 | 训练图神经网络的方法、图神经网络设备、装置、介质 |
CN110706095A (zh) * | 2019-09-30 | 2020-01-17 | 四川新网银行股份有限公司 | 一种基于关联网络的目标节点关键信息填补方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111325340A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325340B (zh) | 信息网络关系预测方法及*** | |
CN109829057B (zh) | 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法 | |
CN110263280B (zh) | 一种基于多视图的动态链路预测深度模型及应用 | |
CN110866190A (zh) | 训练用于表征知识图谱的图神经网络模型的方法及装置 | |
CN113988464B (zh) | 基于图神经网络的网络链路属性关系预测方法及设备 | |
CN107291803A (zh) | 一种融合多类型信息的网络表示方法 | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
US20220383127A1 (en) | Methods and systems for training a graph neural network using supervised contrastive learning | |
CN113011529B (zh) | 文本分类模型的训练方法、装置、设备及可读存储介质 | |
CN112634992A (zh) | 分子性质预测方法及其模型的训练方法及相关装置、设备 | |
CN113516501A (zh) | 一种基于图神经网络的用户通信行为预测方法和装置 | |
CN114613437A (zh) | 一种基于异构图的miRNA与疾病关联预测方法及*** | |
CN109754135B (zh) | 信用行为数据处理方法、装置、存储介质和计算机设备 | |
CN116362294B (zh) | 一种神经网络搜索方法、装置和可读存储介质 | |
CN111079175B (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
CN117035013A (zh) | 一种采用脉冲神经网络预测动态网络链路的方法 | |
CN109697511B (zh) | 数据推理方法、装置及计算机设备 | |
CN113283243B (zh) | 一种实体与关系联合抽取的方法 | |
CN112347369B (zh) | 基于网络表征的集成学习动态社会网络链路预测方法 | |
CN115631057A (zh) | 一种基于图神经网络的社交用户分类方法及*** | |
CN114648679A (zh) | 神经网络训练、目标检测的方法及装置、设备及存储介质 | |
CN113283394B (zh) | 一种融合上下文信息的行人重识别方法及*** | |
CN116192650B (zh) | 一种基于子图特征的链路预测方法 | |
CN116155755B (zh) | 一种基于线性优化封闭子图编码的链路符号预测方法 | |
CN117875361A (zh) | 图神经网络解释方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |