CN113408297A - 生成节点表示的方法、装置、电子设备和可读存储介质 - Google Patents
生成节点表示的方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN113408297A CN113408297A CN202110732838.XA CN202110732838A CN113408297A CN 113408297 A CN113408297 A CN 113408297A CN 202110732838 A CN202110732838 A CN 202110732838A CN 113408297 A CN113408297 A CN 113408297A
- Authority
- CN
- China
- Prior art keywords
- node
- representation
- initial
- path
- processed
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 48
- 238000005070 sampling Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims description 29
- 238000003062 neural network model Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本公开提供了一种生成节点表示的方法、装置、电子设备和可读存储介质,涉及深度学习技术领域。其中,生成节点表示的方法包括:获取待处理异构图;根据第一元路径,在所述待处理异构图中采样得到至少一条第一游走路径;根据所述至少一条第一游走路径,得到所述待处理异构图中每个节点的初始节点表示;根据每个节点的初始节点表示与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示。本公开能够提升所生成的节点表示的准确性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及深度学习技术领域。提供了一种生成节点表示的方法、装置、电子设备和可读存储介质。
背景技术
目前,图网络表示可以用于多种下游任务,包括节点分类、链路预测、社区检测等。现实世界中,存在大量的异构图,异构图中包含多种节点类型和边的类型。为了学习出不同类型节点的语义信息,现有技术通常采用的方法为:通过所定义的元路径采样得到不同的游走路径,通过word2vec等训练方法对游走路径进行训练,最终得到异构图中节点的表示结果。这种节点表示学习方法,仅考虑一个元路径,会丢失其他元路径的信息,且会因为噪声(节点之间错误连接的边)而影响节点表示的准确性。
发明内容
根据本公开的第一方面,提供了一种生成节点表示的方法,包括:获取待处理异构图;根据第一元路径,在所述待处理异构图中采样得到至少一条第一游走路径;根据所述至少一条第一游走路径,得到所述待处理异构图中每个节点的初始节点表示;根据每个节点的初始节点表示与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示。
根据本公开的第二方面,提供了一种生成节点表示的装置,包括:获取单元,用于获取待处理异构图;采样单元,用于根据第一元路径,在所述待处理异构图中采样得到至少一条第一游走路径;处理单元,用于根据所述至少一条第一游走路径,得到所述待处理异构图中每个节点的初始节点表示;生成单元,用于根据每个节点的初始节点表示与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示。
根据本公开的第三方面,提供了一种电子设备,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,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的方法。
根据本公开的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本公开的第五方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如上所述的方法。
由以上技术方案可以看出,本实施例在待处理异构图中根据第一预设元路径采样得到至少一条第一游走路径之后,首先根据采样得到的至少一条第一游走路径,得到待处理异构图中每个节点的初始节点表示,然后再根据每个节点与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示,使得每个节点的最终节点表示能够融合邻居节点的信息,提升了所生成的最终节点表示的准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是用来实现本公开实施例的生成节点表示的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和机构的描述。
图1是根据本公开第一实施例的示意图。如图1所示,本实施例的生成节点表示的方法,具体可以包括如下步骤:
S101、获取待处理异构图;
S102、根据第一预设元路径,在所述待处理异构图中采样得到至少一条第一游走路径;
S103、根据所述至少一条第一游走路径,得到所述待处理异构图中每个节点的初始节点表示;
S104、根据每个节点的初始节点表示与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示。
本实施例的生成节点表示的方法,在待处理异构图中根据第一预设元路径采样得到至少一条第一游走路径之后,首先根据采样得到的至少一条第一游走路径,得到待处理异构图中每个节点的初始节点表示,然后再根据每个节点与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示,使得每个节点的最终节点表示能够融合邻居节点的信息,提升了所生成的最终节点表示的准确性。
本实施例在执行S101获取待处理异构图时,可以根据不同的下游任务来选取,所获取的待处理异构图中包含不同类型的节点与节点之间的边,节点之间的边表示两个节点之间的连接关系。
举例来说,若下游任务为新闻推荐任务,则本实施例执行S101获取的待处理异构图可以是由新闻节点、用户节点与兴趣节点这三种类型的节点组成的图网络。
本实施例在执行S101获取待处理异构图之后,执行S102根据第一元路径,在所获取的待处理异构图中采样得到至少一条第一游走路径。
本实施例中的第一元路径(meta path),可以根据待处理异构图的结构与待处理异构图所用于的下游任务而预先设置的,第一元路径中包含所指定的节点类型与节点之间的连接关系。
举例来说,若待处理异构图中包含B(新闻)、U(用户)与A(兴趣)这三种类型的节点;本实施例执行S102所使用的第一元路径1可以为U-B-U(用户-新闻-用户),用于描述一个新闻被两个用户点击的关系;所使用的第一元路径2可以为U-A-U,用于描述两个用户具有相同兴趣的关系。可见,根据不同的第一元路径在待处理异构图中进行采样时,所得到的对应不同第一元路径的第一游走路径具有不同的语义信息。
可以理解的是,本实施例在执行S102时,可以根据一条第一元路径采样得到至少一条第一游走路径,也可以根据多条第一元路径采样得到多条第一游走路径。
本实施例在执行S102根据第一元路径,在待处理异构图中采样得到至少一条第一游走路径时,可以采用的可选实现方式为:针对每条第一元路径,在待处理异构图中按照该第一元路径指定的节点类型与节点之间的连接关系,采样得到与该第一元路径对应的至少一条第一游走路径。
其中,本实施例在执行S102时,可以基于随机游走策略在待处理异构图中进行采样,从而得到对应每条第一元路径的第一游走路径。
举例来说,若待处理异构图中包含的节点为U1、U2、U3,B1、B2、B3、B4与A1、A2、A3、A4;若第一元路径1为U-B-U,在待处理异构图中根据第一元路径1采样得到的第一游走路径可以为U1-B2-U2-B4-U3,第一游走路径还可以为U2-B3-U3-B2-U1;若第一元路径2为U-A-U,在待处理异构图中根据第一元路径2采样得到的第一游走路径可以为U1-A2-U2-A4-U3。
本实施例在执行S102得到至少一条第一游走路径之后,执行S103根据所得到的至少一条第一游走路径,得到待处理异构图中每个节点的初始节点表示。
本实施例在执行S103根据至少一条第一游走路径得到待处理异构图中每个节点的初始节点表示时,可以直接将所得到的每条第一游走路径输入预先训练得到的神经网络模型,由该神经网络模型根据所输入的第一游走路径中各类型的节点与节点之间的边,得到待处理异构图中每个节点的初始节点表示。
本实施例在执行S103得到待处理异构图中每个节点的初始节点表示之后,执行S104根据每个节点的初始节点表示与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示。
本实施例在执行S104根据每个节点的初始节点表示与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示之前,还可以包含以下内容:针对每个节点,将待处理异构图中与该节点之间的距离为预设距离的节点,作为该节点的邻居节点,若预设距离为1,则本实施例将距离当前节点1个距离的节点作为当前节点的邻居节点。
本实施例在执行S104时,可以直接对每个节点的初始节点表示与每个节点的邻居节点的初始节点表示进行加权求和,从而将所得到的加权求和结果作为每个节点的最终节点表示。
具体地,本实施例在执行S104根据每个节点的初始节点表示与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示时,可以采用的可选实现方式为:对每个节点的初始节点表示与每个节点的邻居节点的初始节点表示进行加权求和,将所得到的加权求和结果作为每个节点的更新节点表示;将每个节点的初始节点表示替换为更新节点表示之后,转至执行对每个节点的初始节点表示与每个节点的邻居节点的初始节点表示进行加权求和的步骤,直至达到预设次数;将达到预设次数时,每个节点的更新节点表示作为每个节点的最终节点表示。
本实施例在执行S104对每个节点的初始节点表示与每个节点的邻居节点的初始节点表示进行加权求和时,可以使用以下计算公式:
在公式中:H(k+1)表示当前节点在第(k+1)次时的更新节点表示;α为权值系数,在0~1之间取值;表示邻接矩阵;hk表示当前节点的邻居节点在第k次时的更新节点表示;Hk表示当前节点在第k次时的更新节点表示。
也就是说,本实施例通过将待处理异构图中各节点与对应各节点的邻居节点进行聚合,对每个节点的初始节点表示进行多次更新,从而使得所得到的每个节点的最终节点表示中会包含邻居节点的信息,进一步提升多得到的最终节点表示的准确性。
图2是根据本公开第二实施例的示意图。如图2所示,本实施例在执行S103“根据所述至少一条第一游走路径,得到所述待处理异构图中每个节点的初始节点表示”时,具体可以包括如下步骤:
S201、将每条第一游走路径中的每个节点作为第一节点;
S202、根据每个第一节点所在的第一游走路径,构建每个第一节点的节点对,所述节点对中包含第一节点与该第一节点的一个邻居节点;
S203、将每个第一节点的节点对输入节点表示模型,将由所述节点表示模型针对每个节点对输出的输出结果,作为每个节点的初始节点表示。
本实施例在执行S103根据第一游走路径得到每个节点的初始节点表示时,在构建对应每个节点的节点对之后,再使用预先训练得到的节点表示模型对每个节点对进行处理,从而得到每个节点的初始节点表示。
本实施例在执行S202根据每个第一节点所在的第一游走路径,构建每个第一节点的节点对时,可以采用的可选实现方式为:针对每个第一节点,在该第一节点所在的第一游走路径中,确定该第一节点的至少一个邻居节点,例如将位于当前节点之前和/或之后预设距离处的节点作为当前节点的邻居节点;根据该第一节点与该第一节点的一个邻居节点,得到该第一节点的节点对。
本实施例执行S203所使用的节点表示模型是预先训练得到的,该节点表示模型能够根据所输入的对应每个节点的节点对,来输出该节点的初始节点表示。
图3是根据本公开第三实施例的示意图。如图3所示,本实施例在执行S203时所使用的节点表示模型,是采用如下方式预先训练得到的:
S301、获取训练数据,所述训练数据中包含样本异构图与样本异构图中每个节点的标注节点表示;
S302、根据第二元路径,在所述样本异构图中采样得到至少一条第二游走路径;
S303、将每条第二游走路径中的每个节点作为第二节点,构建每个第二节点的节点对,所述节点对中包含第二节点与该第二节点的一个邻居节点;
S304、使用第二节点的节点对与第二节点的标注节点表示训练神经网络模型,直至所述神经网络模型收敛,得到节点表示模型。
其中,本实施例执行S302所使用的第二元路径可以与第一元路径相同,也可以与第一元路径不同。
本实施例执行S302采样得到至少一条第二游走路径的过程与上述实施例执行S102采样得到至少一条第一游走路径的过程类似,在此不进行赘述。
本实施例执行S303构建第二节点的节点对的过程与上述实施例执行S202构建第一节点的节点对的过程类似,在此不进行赘述。
本实施例执行S304使用第二节点的节点对与第二节点的标注节点表示训练神经网络模型,直至神经网络模型收敛时,可以采用的可选实现方式为:将第二节点的节点对输入神经网络模型,得到神经网络模型针对节点对输出的输出结果,本实施例所使用的神经网络模型可以为游走类图学习模型;根据所得到的输出结果与第二节点的标注节点表示计算得到的损失函数值,更新神经网络模型中的参数,直至神经网络模型说收敛。
利用本实施例训练得到的节点表示模型,能够根据所输入的节点的节点对,来输出该节点的节点表示。
图4是根据本公开第四实施例的示意图。如图4所示,本实施例的生成节点表示的装置400,包括:
获取单元401、用于获取待处理异构图;
采样单元402、用于根据第一预设元路径,在所述待处理异构图中采样得到至少一条第一游走路径;
处理单元403、用于根据所述至少一条第一游走路径,得到所述待处理异构图中每个节点的初始节点表示;
生成单元404、用于根据每个节点的初始节点表示与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示。
获取单元401在获取待处理异构图时,可以根据不同的下游任务来选取,所获取的待处理异构图中包含不同类型的节点与节点之间的边,节点之间的边表示两个节点之间的连接关系。
本实施例在由获取单元401获取待处理异构图之后,由采样单元402根据第一元路径,在所获取的待处理异构图中采样得到至少一条第一游走路径。
可以理解的是,采样单元402可以根据一条第一元路径采样得到至少一条第一游走路径,也可以根据多条第一元路径采样得到多条第一游走路径。
采样单元402在根据第一元路径,在待处理异构图中采样得到至少一条第一游走路径时,可以采用的可选实现方式为:针对每条第一元路径,在待处理异构图中按照该第一元路径指定的节点类型与节点之间的连接关系,采样得到与该第一元路径对应的至少一条第一游走路径。
其中,采样单元402可以基于随机游走策略在待处理异构图中进行采样,从而得到对应每条第一元路径的第一游走路径。
本实施例在由采样单元402得到至少一条第一游走路径之后,由处理单元403根据所得到的至少一条第一游走路径,得到待处理异构图中每个节点的初始节点表示。
处理单元403在根据至少一条第一游走路径得到待处理异构图中每个节点的初始节点表示时,可以直接将所得到的每条第一游走路径输入预先训练得到的神经网络模型,由该神经网络模型根据所输入的第一游走路径中各类型的节点与节点之间的边,得到待处理异构图中每个节点的初始节点表示。
处理单元403在根据所述至少一条第一游走路径,得到所述待处理异构图中每个节点的初始节点表示时,可以采用的可选实现方式为:将每条第一游走路径中的每个节点作为第一节点;根据每个第一节点所在的第一游走路径,构建每个第一节点的节点对,所述节点对中包含第一节点与该第一节点的一个邻居节点;将每个第一节点的节点对输入节点表示模型,将由所述节点表示模型针对每个节点对输出的输出结果,作为每个节点的初始节点表示。
处理单元403在根据每个第一节点所在的第一游走路径,构建每个第一节点的节点对时,可以采用的可选实现方式为:针对每个第一节点,在该第一节点所在的第一游走路径中,确定该第一节点的至少一个邻居节点;根据该第一节点与该第一节点的一个邻居节点,得到该第一节点的节点对。
处理单元403所使用的节点表示模型是由训练单元405预先训练得到的,该节点表示模型能够根据所输入的对应每个节点的节点对,来输出该节点的初始节点表示。
本实施例中的生成节点表示的装置400中还可以包含训练单元405,用于采用如下方式预先训练得到节点生成模型:获取训练数据,所获取的训练数据中包含样本异构图与样本异构图中每个节点的标注节点表示;根据第二元路径,在所获取的样本异构图中采样得到至少一条第二游走路径;将每条第二游走路径中的每个节点作为第二节点,构建每个第二节点的节点对,所构建的节点对中包含第二节点与该第二节点的一个邻居节点;使用第二节点的节点对与第二节点的标注节点表示训练神经网络模型,直至神经网络模型收敛,得到节点表示模型。
其中,训练单元405所使用的第二元路径可以与采样单元402所使用的第一元路径相同,也可以与第一元路径不同。
训练单元405在采样得到至少一条第二游走路径的过程与采样单元402采样得到至少一条第一游走路径的过程类似,在此不进行赘述。
训练单元405在构建第二节点的节点对的过程与处理单元403构建第一节点的节点对的过程类似,在此不进行赘述。
训练单元405在使用第二节点的节点对与第二节点的标注节点表示训练神经网络模型,直至神经网络模型收敛时,可以采用的可选实现方式为:将第二节点的节点对输入神经网络模型,得到神经网络模型针对节点对输出的输出结果,本实施例所使用的神经网络模型可以为游走类图学习模型;根据所得到的输出结果与第二节点的标注节点表示计算得到的损失函数值,更新神经网络模型中的参数,直至神经网络模型说收敛。
本实施例在由处理单元403得到待处理异构图中每个节点的初始节点表示之后,由生成单元404根据每个节点的初始节点表示与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示。
生成单元404在根据每个节点的初始节点表示与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示之前,还可以包含以下内容:针对每个节点,将待处理异构图中与该节点之间的距离为预设距离的节点,作为该节点的邻居节点。
生成单元404可以直接对每个节点的初始节点表示与每个节点的邻居节点的初始节点表示进行加权求和,从而将所得到的加权求和结果作为每个节点的最终节点表示。
具体地,生成单元404在根据每个节点的初始节点表示与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示时,可以采用的可选实现方式为:对每个节点的初始节点表示与每个节点的邻居节点的初始节点表示进行加权求和,将所得到的加权求和结果作为每个节点的更新节点表示;将每个节点的初始节点表示替换为更新节点表示之后,转至执行对每个节点的初始节点表示与每个节点的邻居节点的初始节点表示进行加权求和的步骤,直至达到预设次数;将达到预设次数时,每个节点的更新节点表示作为每个节点的最终节点表示。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
如图5所示,是根据本公开实施例的生成节点表示的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如生成节点表示的方法。例如,在一些实施例中,生成节点表示的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。
在一些实施例中,计算机程序的部分或者全部可以经由ROM502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的生成节点表示的方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行生成节点表示的方法。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (13)
1.一种生成节点表示的方法,包括:
获取待处理异构图;
根据第一元路径,在所述待处理异构图中采样得到至少一条第一游走路径;
根据所述至少一条第一游走路径,得到所述待处理异构图中每个节点的初始节点表示;
根据每个节点的初始节点表示与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示。
2.根据权利要求1所述的方法,其中,所述根据第一元路径,在所述待处理异构图中采样得到至少一条第一游走路径包括:
针对每条第一元路径,在所述待处理异构图中按照该第一元路径指定的节点类型与节点之间的连接关系,采样得到与该第一元路径对应的至少一条第一游走路径。
3.根据权利要求1所述的方法,其中,所述根据所述至少一条第一游走路径,得到所述待处理异构图中每个节点的初始节点表示包括:
将每条第一游走路径中的每个节点作为第一节点;
根据每个第一节点所在的第一游走路径,构建每个第一节点的节点对,所述节点对中包含第一节点与该第一节点的一个邻居节点;
将每个第一节点的节点对输入节点表示模型,将由所述节点表示模型针对每个节点对输出的输出结果,作为所述每个节点的初始节点表示。
4.根据权利要求3所述的方法,还包括,采用以下方式预先训练得到所述节点表示模型:
获取训练数据,所述训练数据中包含样本异构图与样本异构图中每个节点的标注节点表示;
根据第二元路径,在所述样本异构图中采样得到至少一条第二游走路径;
将每条第二游走路径中的每个节点作为第二节点,构建每个第二节点的节点对,所述节点对中包含第二节点与该第二节点的一个邻居节点;
使用第二节点的节点对与第二节点的标注节点表示训练神经网络模型,直至所述神经网络模型收敛,得到所述节点表示模型。
5.根据权利要求1所述的方法,其中,所述根据每个节点的初始节点表示与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示包括:
对每个节点的初始节点表示与每个节点的邻居节点的初始节点表示进行加权求和,将所得到的加权求和结果作为每个节点的更新节点表示;
将每个节点的初始节点表示替换为更新节点表示之后,转至执行所述对每个节点的初始节点表示与每个节点的邻居节点的初始节点表示进行加权求和的步骤,直至达到预设次数;
将达到预设次数时,每个节点的更新节点表示作为每个节点的最终节点表示。
6.一种生成节点表示的装置,包括:
获取单元,用于获取待处理异构图;
采样单元,用于根据第一元路径,在所述待处理异构图中采样得到至少一条第一游走路径;
处理单元,用于根据所述至少一条第一游走路径,得到所述待处理异构图中每个节点的初始节点表示;
生成单元,用于根据每个节点的初始节点表示与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示。
7.根据权利要求6所述的装置,其中,所述采样单元在根据第一元路径,在所述待处理异构图中采样得到至少一条第一游走路径时,具体执行:
针对每条第一元路径,在所述待处理异构图中按照该第一元路径指定的节点类型与节点之间的连接关系,采样得到与该第一元路径对应的至少一条第一游走路径。
8.根据权利要求6所述的装置,其中,所述处理单元在根据所述至少一条第一游走路径,得到所述待处理异构图中每个节点的初始节点表示时,具体执行:
将每条第一游走路径中的每个节点作为第一节点;
根据每个第一节点所在的第一游走路径,构建每个第一节点的节点对,所述节点对中包含第一节点与该第一节点的一个邻居节点;
将每个第一节点的节点对输入节点表示模型,将由所述节点表示模型针对每个节点对输出的输出结果,作为所述每个节点的初始节点表示。
9.根据权利要求8所述的装置,还包括训练单元,用于采用以下方式预先训练得到所述节点表示模型:
获取训练数据,所述训练数据中包含样本异构图与样本异构图中每个节点的标注节点表示;
根据第二元路径,在所述样本异构图中采样得到至少一条第二游走路径;
将每条第二游走路径中的每个节点作为第二节点,构建每个第二节点的节点对,所述节点对中包含第二节点与该第二节点的一个邻居节点;
使用第二节点的节点对与第二节点的标注节点表示训练神经网络模型,直至所述神经网络模型收敛,得到所述节点表示模型。
10.根据权利要求6所述的装置,其中,所述生成单元在根据每个节点的初始节点表示与每个节点的邻居节点的初始节点表示,生成每个节点的最终节点表示时,具体执行:
对每个节点的初始节点表示与每个节点的邻居节点的初始节点表示进行加权求和,将所得到的加权求和结果作为每个节点的更新节点表示;
将每个节点的初始节点表示替换为更新节点表示之后,转至执行所述对每个节点的初始节点表示与每个节点的邻居节点的初始节点表示进行加权求和的步骤,直至达到预设次数;
将达到预设次数时,每个节点的更新节点表示作为每个节点的最终节点表示。
11.一种电子设备,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,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
13.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110732838.XA CN113408297B (zh) | 2021-06-30 | 2021-06-30 | 生成节点表示的方法、装置、电子设备和可读存储介质 |
US17/578,683 US20230004774A1 (en) | 2021-06-30 | 2022-01-19 | Method and apparatus for generating node representation, electronic device and readable storage medium |
JP2022038492A JP7379793B2 (ja) | 2021-06-30 | 2022-03-11 | ノード表現生成方法、装置、電子デバイス及び可読記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110732838.XA CN113408297B (zh) | 2021-06-30 | 2021-06-30 | 生成节点表示的方法、装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408297A true CN113408297A (zh) | 2021-09-17 |
CN113408297B CN113408297B (zh) | 2023-08-18 |
Family
ID=77680346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110732838.XA Active CN113408297B (zh) | 2021-06-30 | 2021-06-30 | 生成节点表示的方法、装置、电子设备和可读存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230004774A1 (zh) |
JP (1) | JP7379793B2 (zh) |
CN (1) | CN113408297B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997474A (zh) * | 2016-12-29 | 2017-08-01 | 南京邮电大学 | 一种基于深度学习的图节点多标签分类方法 |
CN110489563A (zh) * | 2019-07-22 | 2019-11-22 | 北京百度网讯科技有限公司 | 图结构的表示方法、装置、设备及计算机可读存储介质 |
CN111144577A (zh) * | 2019-12-26 | 2020-05-12 | 北京百度网讯科技有限公司 | 异构图之中节点表示的生成方法、装置和电子设备 |
CN111708922A (zh) * | 2020-06-19 | 2020-09-25 | 北京百度网讯科技有限公司 | 用于表示异构图节点的模型生成方法及装置 |
CN112328835A (zh) * | 2020-10-15 | 2021-02-05 | 北京三快在线科技有限公司 | 对象的向量表示的生成方法、装置、电子设备及存储介质 |
CN112508115A (zh) * | 2020-12-15 | 2021-03-16 | 北京百度网讯科技有限公司 | 建立节点表示模型的方法、装置、设备和计算机存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110209825B (zh) | 2019-06-17 | 2021-02-12 | 大连海事大学 | 一种基于宽度学习***的快速网络表征学习方法 |
KR102214422B1 (ko) | 2019-08-08 | 2021-02-09 | 네이버 주식회사 | 개인화 컨텐츠 추천을 위한 실시간 그래프기반 임베딩 구축 방법 및 시스템 |
-
2021
- 2021-06-30 CN CN202110732838.XA patent/CN113408297B/zh active Active
-
2022
- 2022-01-19 US US17/578,683 patent/US20230004774A1/en active Pending
- 2022-03-11 JP JP2022038492A patent/JP7379793B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997474A (zh) * | 2016-12-29 | 2017-08-01 | 南京邮电大学 | 一种基于深度学习的图节点多标签分类方法 |
CN110489563A (zh) * | 2019-07-22 | 2019-11-22 | 北京百度网讯科技有限公司 | 图结构的表示方法、装置、设备及计算机可读存储介质 |
CN111144577A (zh) * | 2019-12-26 | 2020-05-12 | 北京百度网讯科技有限公司 | 异构图之中节点表示的生成方法、装置和电子设备 |
CN111708922A (zh) * | 2020-06-19 | 2020-09-25 | 北京百度网讯科技有限公司 | 用于表示异构图节点的模型生成方法及装置 |
CN112328835A (zh) * | 2020-10-15 | 2021-02-05 | 北京三快在线科技有限公司 | 对象的向量表示的生成方法、装置、电子设备及存储介质 |
CN112508115A (zh) * | 2020-12-15 | 2021-03-16 | 北京百度网讯科技有限公司 | 建立节点表示模型的方法、装置、设备和计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
JP2023007379A (ja) | 2023-01-18 |
CN113408297B (zh) | 2023-08-18 |
US20230004774A1 (en) | 2023-01-05 |
JP7379793B2 (ja) | 2023-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343803A (zh) | 模型训练方法、装置、设备和存储介质 | |
CN113361578A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN111339437B (zh) | 一种团伙成员角色的确定方法、装置及电子设备 | |
CN112508115B (zh) | 建立节点表示模型的方法、装置、设备和计算机存储介质 | |
CN114187459A (zh) | 目标检测模型的训练方法、装置、电子设备以及存储介质 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN113641829A (zh) | 图神经网络的训练与知识图谱的补全方法、装置 | |
CN114936323B (zh) | 图表示模型的训练方法、装置及电子设备 | |
CN114218931A (zh) | 信息抽取方法、装置、电子设备和可读存储介质 | |
CN115456167A (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
CN114861059A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
CN114511756A (zh) | 基于遗传算法的攻击方法、装置及计算机程序产品 | |
CN113191261B (zh) | 图像类别的识别方法、装置和电子设备 | |
CN114564971A (zh) | 深度学习模型的训练方法、文本数据处理方法和装置 | |
CN113468857A (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
CN115719433A (zh) | 图像分类模型的训练方法、装置及电子设备 | |
CN115454261A (zh) | 输入法候选词生成方法、装置、电子设备及可读存储介质 | |
CN115577310A (zh) | 异常对象的识别方法、装置、电子设备及存储介质 | |
CN112560481B (zh) | 语句处理方法、设备和存储介质 | |
CN113408297B (zh) | 生成节点表示的方法、装置、电子设备和可读存储介质 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN114219694A (zh) | 目标全连接子图的采样方法、装置及电子设备 | |
CN113961797A (zh) | 资源推荐方法、装置、电子设备和可读存储介质 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 |
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 |