[發明專利]用于預測競爭和合作關系的圖模型處理方法、裝置

在審

• 申請號: 202011089208.7
• 申請日: 2020-10-13
• 公開（公告）號: CN114358452A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 陳墾
• 申請（專利權）人: 順豐科技有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 華進聯合專利商標代理有限公司 44224
• 代理人: 毛丹

本申請涉及一種用于預測競爭和合作關系的圖模型處理方法、裝置。所述方法包括：獲取基于物流數據的供應鏈圖網絡；供應鏈圖網絡中的邊代表公司之間的收寄件關系，每個節點代表公司的收寄件賬號，每個節點的屬性信息包括公司所屬行業信息和公司經營范圍數據；對供應鏈圖網絡中每個節點的結構編碼信息和屬性編碼信息進行向量化處理，得到供應鏈圖網絡中每個節點的嵌入向量矩陣；根據三角結構網絡的第一損失函數和橋梁結構網絡的第二損失函數，確定圖模型的目標損失函數；基于目標損失函數，根據各節點的嵌入向量矩陣訓練用于預測物流供應鏈中競爭和合作關系的圖模型，得到訓練好的目標圖模型。采用本方法能夠提高供應鏈中競爭和合作關系的準確性。

技術領域

本申請涉及神經網絡技術領域，特別是涉及一種預測競爭和合作關系的圖模型處理方法和裝置。

背景技術

供應鏈場景中各個公司之間存在上下游關系，同時每個公司都帶有自己的屬性(包括行業、經營范圍等)，而且不同公司之間可能是競爭或者合作關系。因此，整個供應鏈場景轉化成供應鏈圖網絡，供應鏈圖網絡中一個節點表示一位公司，節點通過關系連接起來從而形成一個規模巨大的網絡，每個節點帶有屬性，邊帶有正負符號的有向圖結構，符號的正負代表公司之間是競爭關系或合作關系。同時，由于每個節點攜帶的屬性不同，不同節點直接的交互產生的信息也應該是不同的。

然而目前基于傳統機器學習模型的競爭和合作關系預測，是建立在結構化數據上的，分類的效果很大程度上取決于特征工程的質量，同時結構化的數據不能很好地捕捉圖結構的信息，導致預測的準確性低。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠提高供應鏈中預測競爭和合作關系準確性的用于預測競爭和合作關系的圖模型處理方法和裝置。

一種用于預測競爭和合作關系的圖模型處理方法，所述方法包括：

獲取基于物流數據的供應鏈圖網絡；所述供應鏈圖網絡中的每個節點代表公司的收寄件賬號，供應鏈圖網絡中的邊代表公司之間的收寄件關系，每個節點的屬性信息包括公司所屬行業信息和公司經營范圍數據；

獲取所述供應鏈圖網絡每個節點的結構編碼信息和屬性編碼信息；

對各所述節點的結構編碼信息和屬性編碼信息進行向量化處理，得到所述供應鏈圖網絡中每個節點的嵌入向量矩陣；

確定圖模型中三角結構網絡的第一損失函數和橋梁結構網絡的第二損失函數，得到目標損失函數；

以所述目標損失函數為約束，根據各所述節點的嵌入向量矩陣訓練用于預測物流供應鏈中競爭和合作關系的圖模型，得到訓練好的目標圖模型。

在其中一個實施例中，所述獲取所述供應鏈圖網絡中每個節點的結構編碼信息和供應鏈圖網絡屬性編碼信息，包括：

根據各節點之間的收寄件關系確定所述供應鏈圖網絡中節點之間的相似度信息，對所述相似度信息進行編碼，得到所述供應鏈圖網絡的結構編碼信息；

基于注意力機制和卷積神經網絡對每個節點的屬性信息進行編碼，得到所述供應鏈圖網絡的屬性編碼信息。

在其中一個實施例中，所述根據各節點之間的收寄件關系確定所述供應鏈圖網絡中節點之間的相似度信息，對所述相似度信息進行編碼，得到所述供應鏈圖網絡的結構編碼信息，包括：

根據各節點之間的收寄件關系確定所述供應鏈圖網絡中節點之間的一階相似度信息和二階相似度信息；

對所述一階相似度信息和二階相似度信息進行編碼，得到所述供應鏈圖網絡的結構編碼信息。

在其中一個實施例中，所述基于注意力機制和卷積神經網絡對每個節點的屬性信息進行編碼，得到所述供應鏈圖網絡的屬性編碼信息，包括：

基于卷積神經網絡對每個節點的屬性信息中的行業信息和公司經營范圍數據進行編碼；以及