[發明專利]更新關系網絡的方法及裝置

有效

• 申請號: 202010108787.9
• 申請日: 2020-02-21
• 公開（公告）號: CN111291138B
• 公開（公告）日: 2023-07-18
• 發明（設計）人: 王岱鑫
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06F16/28
• 分類號: G06F16/28;G06F16/23;G06N3/042;G06N3/082;G06Q50/00
• 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更新關系網絡的方法和裝置，可以基于當前節點與其一階鄰居節點之間的連接邊的權重，通過采樣方式選擇節點，并以遞進方式一階一階向當前節點的高階鄰居節點進行采樣，從而采樣出可信的與當前節點相關聯的高階鄰居節點，并將它們確定為當前節點的一階鄰居節點，以更新當前關系網絡。如此，可以使得在通過圖神經網絡等機器學習方式處理關系網絡時，充分利用節點之間的高階關系，提升關系網絡針對當前節點的表達能力，獲取更有效的處理結果。

技術領域

本說明書一個或多個實施例涉及計算機技術領域，尤其涉及通過計算機更新關系網絡的方法和裝置。

背景技術

關系網絡是用來描述真實世界中存在的各種實體和概念，以及他們之間的關聯關系的一種圖結構，具有很強的數據描述能力。其初衷是為了提高搜索引擎的能力，改善用戶的搜索質量以及搜索體驗。隨著人工智能的技術發展和應用，關系網絡可以作為關鍵技術之一，被廣泛應用于智能搜索、智能問答、個性化推薦、內容分發等領域。特別是，與機器學習模型相結合，增強模型的預測能力。例如，在客服機器人問答系統中，可以通過引入與產品服務的問題和答案語義相關的關系網絡，幫助意圖識別模型對用戶使用自然語言提出的問題進行語義分析和意圖識別，之后在關系網絡中查詢答案推送給用戶。

目前基于針對關系網絡的處理，通常采用圖神經網絡算法一類的機器學習算法，它通常是一個具有預定層數(如2-3層)的圖神經網絡結構，每個節點的下一層表征是由該節點的上一層表征和該節點的鄰居節點的上一層表征共同聚合而成，模型的最后一層會根據具體的任務對節點的向量表征進行約束來定義損失函數，從而實現一個端到端的圖模型的搭建。在每一層表征的學習中，如何定義鄰居是個比較重要的問題。常規的方法往往要將節點的預定階數內的節點，如一階鄰居節點、二階鄰居節點定義為該節點的鄰居，在機器學習模型處理過程中予以考慮，一些方式還在鄰居中做一定的采樣。這種方式通過預定階數進行切斷，然而，節點的高階關系也是刻畫網絡結構十分重要的一個方面，如何使得圖神經網絡可以對節點的高階關系進行建模，以進一步提高圖神經網絡的準確度，是一個重要的問題。

發明內容

本說明書一個或多個實施例描述了一種更新關系網絡的方法及裝置，挖掘關系網絡中的高階實體關系，從而使得圖神經網絡在處理關系網絡時，充分利用原關系網絡中的高階關系，得到更有效的處理結果。

根據第一方面，提供了一種更新關系網絡的方法，所述關系網絡包括多個節點，并通過連接邊描述節點之間的關聯關系，各個節點分別對應各個實體，各個連接邊分別對應有各個連接邊權重，所述方法包括：針對當前關系網絡中的第一節點，確定若干個一階鄰居節點，所述第一節點的一階鄰居節點與所述第一節點通過連接邊連接；基于所述第一節點的若干個一階鄰居節點分別對應的各個連接邊權重，確定各個一階鄰居節點分別對應的各個采樣概率；按照各個采樣概率對所述第一節點的一階鄰居節點進行采樣，得到第二節點；從所述第二節點的一階鄰居節點中采樣得到第三節點，從所述第三節點的一階鄰居節點中采樣得到第四節點，直至從第k節點的一階鄰居節點中采樣得到第k+1節點，k為預先設定的自然數；在所述第一節點與以下節點之間分別添加連接邊，從而更新所述當前關系網絡：所述第三節點、所述第四節點，直至所述第k+1節點。

在一個實施例中，所述第一節點的一階鄰居節點包括節點i，節點i對應的采樣概率通過以下的一種方式確定：節點i對應的連接邊權重與所述第一節點的各個一階鄰居節點分別對應的連接邊權重之和的比值；節點i對應的連接邊權重與所述第一節點的一階鄰居節點數量之比；節點i對應的連接邊權重與所述第一節點所指向的一階鄰居節點數量之比。

在一個實施例中，所述按照各個采樣概率對所述若干個一階鄰居節點進行采樣，得到第二節點包括：生成預定區間內的隨機數，其中，所述預定區間包括分別對應于所述第一節點的各個一階鄰居節點的子區間，各個子區間的長度分別與相應采樣概率正相關；將所述隨機數所在的子區間對應的一階鄰居節點采樣為所述第二節點。