[發(fā)明專利]一種基于圖神經(jīng)網(wǎng)絡(luò)的聚合特征提取方法及裝置

在審

• 申請?zhí)枺?/td>: 202110207171.1
• 申請日: 2021-02-25
• 公開（公告）號: CN112559695A
• 公開（公告）日: 2021-03-26
• 發(fā)明（設(shè)計）人: 郭豪;蔡準(zhǔn);孫悅;郭曉鵬
• 申請（專利權(quán)）人: 北京芯盾時代科技有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/35;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京樂知新創(chuàng)知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11734
• 代理人: 周偉

1.一種基于圖神經(jīng)網(wǎng)絡(luò)的聚合特征提取方法，其特征在于，所述方法包括：

對多個訓(xùn)練樣本進行特征提取，獲得與每一個訓(xùn)練樣本對應(yīng)的訓(xùn)練特征集，所述訓(xùn)練特征集包含至少一個訓(xùn)練特征；

根據(jù)所述訓(xùn)練特征確定節(jié)點特征，根據(jù)所述訓(xùn)練特征集和所述節(jié)點特征生成邊特征，所述邊特征用于與同一訓(xùn)練特征集對應(yīng)的節(jié)點特征形成全連接網(wǎng)絡(luò)；

根據(jù)所述邊特征和所述節(jié)點特征確定與所述訓(xùn)練特征對應(yīng)的第一聚合特征；

根據(jù)所述第一聚合特征和所述訓(xùn)練特征對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，獲得聚合特征提取模型；

通過所述聚合特征提取模型對指定特征進行聚合，獲得與所述指定特征對應(yīng)的指定聚合特征。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述根據(jù)所述邊特征和所述節(jié)點特征確定與所述訓(xùn)練特征對應(yīng)的第一聚合特征，包括：

確定與其中一節(jié)點特征連接的連接邊特征和連接節(jié)點特征；

根據(jù)所述連接邊特征的數(shù)量確定權(quán)值；

根據(jù)所述連接節(jié)點特征確定對應(yīng)的交互訓(xùn)練特征；

根據(jù)所述權(quán)值和所述交互訓(xùn)練特征確定所述第一聚合特征。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述根據(jù)所述權(quán)值和所述交互訓(xùn)練特征確定所述第一聚合特征，包括：

根據(jù)所述權(quán)值和所述交互訓(xùn)練特征確定聚合函數(shù)，根據(jù)所述聚合函數(shù)確定所述第一聚合特征。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述根據(jù)所述第一聚合特征和所述訓(xùn)練特征對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，獲得聚合特征提取模型，包括：

根據(jù)所述全連接網(wǎng)絡(luò)確定圖神經(jīng)網(wǎng)絡(luò)模型；

根據(jù)所述聚合函數(shù)確定與所述圖神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的模型參數(shù)；

確定與所述第一聚合特征和所述訓(xùn)練特征對應(yīng)的損失函數(shù)；

根據(jù)所述損失函數(shù)對所述圖神經(jīng)網(wǎng)絡(luò)模型進行梯度下降訓(xùn)練，獲得所述聚合特征提取模型。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

獲得與指定對象對應(yīng)的待預(yù)測特征；

對所述待預(yù)測特征進行特征分類，獲得第一離散特征和連續(xù)特征；

對所述連續(xù)特征進行離散化處理，獲得第二離散特征；

根據(jù)所述第一離散特征和第二離散特征確定指定特征。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

通過所述聚合特征提取模型對所述訓(xùn)練特征進行聚合，獲得第二聚合特征；

根據(jù)所述第二聚合特征對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，獲得概率預(yù)測模型。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述方法還包括：

對所述指定聚合特征進行特征拼接，獲得拼接特征；

通過概率預(yù)測模型對所述拼接特征進行概率預(yù)測，獲得與所述指定對象對應(yīng)的指定概率。

8.一種基于圖神經(jīng)網(wǎng)絡(luò)的聚合特征提取裝置，其特征在于，所述裝置包括：

提取模塊，用于對多個訓(xùn)練樣本進行特征提取，獲得與每一個訓(xùn)練樣本對應(yīng)的訓(xùn)練特征集，所述訓(xùn)練特征集包含至少一個訓(xùn)練特征；

確定模塊，用于根據(jù)所述訓(xùn)練特征確定節(jié)點特征，根據(jù)所述訓(xùn)練特征集和所述節(jié)點特征生成邊特征，所述邊特征用于與同一訓(xùn)練特征集對應(yīng)的節(jié)點特征形成全連接網(wǎng)絡(luò)；

所述確定模塊，還用于根據(jù)所述邊特征和所述節(jié)點特征確定與所述訓(xùn)練特征對應(yīng)的第一聚合特征；

訓(xùn)練模塊，用于根據(jù)所述第一聚合特征和所述訓(xùn)練特征對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，獲得聚合特征提取模型；

通過所述聚合特征提取模型對指定特征進行聚合，獲得與所述指定特征對應(yīng)的指定聚合特征。

9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述確定模塊，包括：確定與其中一節(jié)點特征連接的連接邊特征和連接節(jié)點特征；根據(jù)所述連接邊特征的數(shù)量確定權(quán)值；根據(jù)所述連接節(jié)點特征確定對應(yīng)的交互訓(xùn)練特征；根據(jù)所述權(quán)值和所述交互訓(xùn)練特征確定所述第一聚合特征。

10.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述確定模塊，還包括：根據(jù)所述權(quán)值和所述交互訓(xùn)練特征確定聚合函數(shù)，根據(jù)所述聚合函數(shù)確定所述第一聚合特征。