[發明專利]用于分析關系網絡圖的神經網絡系統和方法

有效

• 申請號: 201811497595.0
• 申請日: 2018-12-07
• 公開（公告）號: CN110009093B
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 常曉夫;宋樂
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06F16/28
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 陳霽;周良玉

本說明書實施例提供一種通過計算機執行的、用于分析關系網絡圖的神經網絡系統和方法，該神經網絡系統包括：特征提取層，用于提取關系網絡圖中的節點的特征向量；深度神經網絡，用于對上述特征向量進行第一處理，得到第一輸出；圖神經網絡，用于結合關系網絡圖的鄰接信息，對上述特征向量進行第二處理，得到第二輸出；其中鄰接信息用于表示關系網絡圖所包含的各個節點之間的連接關系；以及融合層，用于對第一輸出和第二輸出進行融合，基于融合結果輸出針對所述節點的預測結果。

技術領域

本說明書一個或多個實施例涉及通過計算機執行的神經網絡系統，尤其涉及用于分析關系網絡圖的神經網絡系統和方法。

背景技術

圖是建模關系數據的有力工具，因此，目前往往是將存在關聯關系的數據用圖的形式表達和建模。另一方面，提出了基于圖的運用深度學習方法的神經網絡，圖神經網絡(Graph Neural Network，Graph NN或GNN)，用于對圖信息進行學習。圖神經網絡GNN可以有效地利用圖上的信息傳遞以及融合節點或邊的特征信息，來完成圖上節點或邊的分類或者回歸等機器學習任務。

然而，在真實的業務場景中，尤其是在業務的初始階段，例如邀請新用戶階段，關系數據不完整。從圖的角度來看，即存在很多的孤立節點。在這樣的情況下，圖神經網絡GNN并不能達到預期的分析效果。

因此，希望能有改進的方案，更加有效地對關系網絡圖進行學習、分析和預測。

發明內容

本說明書一個或多個實施例描述了通過計算機執行的、用于分析關系網絡圖的神經網絡系統和方法，可以更加有效地對關系網絡圖進行學習、分析和預測。

根據第一方面，提供了一種通過計算機執行的、用于分析關系網絡圖的神經網絡系統，包括：

特征提取層，用于提取關系網絡圖中的節點的特征向量；

深度神經網絡，用于對所述特征向量進行第一處理，得到第一輸出；

圖神經網絡，用于結合所述關系網絡圖的鄰接信息，對所述特征向量進行第二處理，得到第二輸出；其中所述鄰接信息用于表示所述關系網絡圖所包含的各個節點之間的連接關系；

融合層，用于對所述第一輸出和所述第二輸出進行融合，基于融合結果輸出針對所述節點的預測結果。

在一個實施例中，關系網絡圖所包含的各個節點對應于各個用戶，所述各個節點之間的連接關系包括以下中的一種或多種：用戶之間的社交關系、媒介關系和資金關系。

根據一種可能的實現方式，關系網絡圖為有向圖，相應地，所述鄰接信息包括，所述有向圖對應的鄰接表或十字鏈表。

根據一種實施方式，鄰接信息包括所述關系網絡圖的鄰接矩陣。

根據一個實施例，所述圖神經網絡為圖卷積網絡，所述圖卷積網絡包含多個網絡層以進行所述第二處理，所述第二處理至少包括，使用所述鄰接矩陣中的元素為權重因子，對所述節點及其鄰居節點的特征向量進行加權求和操作。

根據一種實施方式，上述融合層具體用于，對所述第一輸出和所述第二輸出進行加權求和，其中所述第一輸出對應第一權重因子，所述第二輸出對應第二權重因子。

進一步的，在一個實施例中，第一權重因子是第一輸出的函數，第二權重因子是第二輸出的函數。

在另一實施例中，第一權重因子與第二權重因子和為1，并且：

所述第一權重因子是所述第一輸出的函數；或者，

所述第二權重因子是所述第二輸出的函數。

在又一實施例中，第一權重因子與第二權重因子和為1，并且：

所述第一權重因子是所述第一輸出和第二輸出的函數；或者，