[發明專利]一種可解釋的圖神經網絡預測方法、系統和裝置

在審

• 申請號: 202010885538.0
• 申請日: 2020-08-28
• 公開（公告）號: CN112016620A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 李厚意;何昌華
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都七星天知識產權代理有限公司 51253
• 代理人: 楊永梅

本說明書提供一種可解釋的圖神經網絡預測方法、系統和裝置，所述方法包括：將圖神經網絡中的多個節點通過訓練好的決策樹模型映射為多個N維的獨熱編碼，每個獨熱編碼對應決策樹的一個葉子節點；將節點的獨熱編碼和至少一個鄰居節點的獨熱編碼輸入訓練好的預測模型，所述預測模型包括傳播層、融合層、拼接層和回歸層，其中：傳播層基于訓練好的傳播模型，獲取至少一個N維的傳播向量；融合層基于至少一個N維的傳播向量，獲取N維的融合向量；拼接層將節點N維的獨熱編碼和N維的融合向量拼接，得到節點的2N維的表示向量；回歸層基于節點的表示向量得到預測結果；基于決策樹以及節點的2N維的表示向量，獲取節點的預測結果的解釋。

技術領域

本申請涉及圖神經網絡可解釋性領域，特別涉及一種可解釋的圖神經網絡預測方法、系統和裝置。

背景技術

圖神經網絡(Graph Neural Network，GNN)是一種用于表示實體對象之間復雜關系的數據，通常包含多個表示實體對象的節點以及連接多個節點之間的邊。圖神經網絡模型可以基于節點以及節點之間的邊，對實體對象(例如用戶)進行預測。在實際應用中，需要對圖神經網絡模型的預測結果進行解釋，然而，圖神經網絡模型中包含的大量參數，導致難以對預測結果進行解釋。

因此，希望提供一種可解釋的圖神經網絡預測方法。

發明內容

本說明書的一個方面提供一種可解釋的圖神經網絡預測方法，所述方法包括：將圖神經網絡中的多個節點通過訓練好的決策樹模型映射為多個N維的獨熱編碼，每個獨熱編碼對應決策樹的一個葉子節點；將節點的獨熱編碼和至少一個鄰居節點的獨熱編碼輸入訓練好的預測模型，所述預測模型包括傳播層、融合層、拼接層和回歸層，其中：傳播層基于訓練好的傳播模型，獲取至少一個N維的傳播向量；融合層基于至少一個N維的傳播向量，獲取N維的融合向量；拼接層將節點N維的獨熱編碼和N維的融合向量拼接，得到節點的2N維的表示向量；回歸層基于節點的表示向量得到預測結果；基于決策樹以及節點的2N維的表示向量，獲取節點的預測結果的解釋。

本說明書的另一個方面提供一種可解釋的圖神經網絡預測系統，所述系統包括：編碼模塊，用于將圖神經網絡中的多個節點通過訓練好的決策樹模型映射為多個N維的獨熱編碼，每個獨熱編碼對應決策樹的一個葉子節點；預測模塊，用于將節點的獨熱編碼和至少一個鄰居節點的獨熱編碼輸入訓練好的預測模型，所述預測模型包括傳播層、融合層、拼接層和回歸層，其中：傳播層基于訓練好的傳播模型，獲取至少一個N維的傳播向量；融合層基于至少一個N維的傳播向量，獲取N維的融合向量；拼接層將節點N維的獨熱編碼和N維的融合向量拼接，得到節點的2N維的表示向量；回歸層基于節點的表示向量得到預測結果；解釋模塊，用于基于決策樹以及節點的2N維的表示向量，獲取節點的預測結果的解釋。

本說明書的另一個方面提供一種可解釋的圖神經網絡預測裝置，包括處理器，所述處理器用于執行可解釋的圖神經網絡預測方法。

附圖說明

本說明書將以示例性實施例的方式進一步描述，這些示例性實施例將通過附圖進行詳細描述。這些實施例并非限制性的，在這些實施例中，相同的編號表示相同的結構，其中：

圖1是根據本說明書的一些實施例所示的可解釋的圖神經網絡預測系統的應用場景示意圖；

圖2是根據本說明書的一些實施例所示的可解釋的圖神經網絡預測方法的示例性流程圖；

圖3是根據本說明書的一些實施例所示的決策樹模型的示意圖；

圖4是根據本說明書的一些實施例所示的預測模型的示意圖；

圖5是根據本說明書的一些實施例所示的訓練決策樹模型的示意圖。

具體實施方式