[發明專利]基于異質圖的關聯度確定方法、裝置、電子設備及存儲介質

在審

• 申請號: 202111363792.5
• 申請日: 2021-11-17
• 公開（公告）號: CN114154564A
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 石雅潔
• 申請（專利權）人: 深圳集智數字科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F16/901;G06N3/04;G06N3/08
• 代理公司: 北京嘉科知識產權代理事務所(特殊普通合伙) 11687
• 代理人: 司彥斌

1.一種基于異質圖的關聯度確定方法，其特征在于，包括：

獲取基于節點產生的基礎數據信息，并根據所述節點和基礎數據信息創建異質圖，其中，所述異質圖中包含至少兩類節點，所述至少兩類節點之間的邊用于表示順序關系；

利用編碼器對所述異質圖中的節點進行編碼，得到所述節點的第一特征向量，將第一特征向量集作為圖卷積網絡模型的輸入，并利用所述圖卷積網絡模型對所述節點的局部特征向量和全局特征向量進行整合，得到所述節點的第二特征向量；

將第二特征向量集輸出到預先訓練好的鑒別器網絡中，以使所述鑒別器網絡利用所述第二特征向量集中的所述第二特征向量進行預測，得到所述節點的第三特征向量；

基于所述第三特征向量，利用預設的相似度計算模型，計算目標節點之間的相似度，將所述相似度作為確定所述目標節點之間關聯關系的指標。

2.根據權利要求1所述的方法，其特征在于，所述獲取基于節點產生的基礎數據信息，并根據所述節點和基礎數據信息創建異質圖，包括：

確定用于創建異質圖的節點，獲取所述節點產生的基礎數據信息，所述節點包括第一節點和第二節點，將所述第一節點與所述第二節點之間的順序關系作為邊，利用所述第一節點、第二節點以及邊創建異質圖；其中，所述節點中包含類別特征信息和文本特征信息。

3.根據權利要求1所述的方法，其特征在于，所述利用編碼器對所述異質圖中的節點進行編碼，得到所述節點的第一特征向量，包括：

確定所述異質圖中的元路徑以及每個所述元路徑對應的鄰接矩陣，基于所述元路徑以及所述元路徑的鄰接矩陣，對所述元路徑中所述節點對應的特征矩陣進行構造，根據所述特征矩陣以及鄰接矩陣，利用所述編碼器計算每個所述節點對應的第一特征向量；其中，所述鄰接矩陣用于表示所述節點基于所述元路徑的連接關系。

4.根據權利要求1所述的方法，其特征在于，所述將第一特征向量集作為圖卷積網絡模型的輸入，并利用所述圖卷積網絡模型對所述節點的局部特征向量和全局特征向量進行整合，得到所述節點的第二特征向量，包括：

獲取所述元路徑中每個所述節點對應的第一特征向量，基于同一所述元路徑中所述節點對應的第一特征向量生成所述元路徑的第一特征向量集，將所述第一特征向量集輸入到所述圖卷積網絡模型中進行訓練；

利用所述圖卷積網絡模型對所述節點的局部特征向量進行局部信息整合，得到局部信息整合后的特征向量；

基于所述圖卷積網絡模型中的池編碼器函數對所述局部信息整合后的特征向量進行全局信息整合，并基于全局信息整合后的特征向量生成所述第二特征向量。

5.根據權利要求4所述的方法，其特征在于，所述圖卷積網絡模型采用GCN網絡模型，所述利用所述圖卷積網絡模型對所述節點的局部特征向量進行局部信息整合，得到局部信息整合后的特征向量，包括：

基于所述第一特征向量集確定每個所述元路徑中節點的第一特征向量，利用所述GCN網絡模型中語義層次的注意機制分別對每個所述元路徑中節點的第一特征向量進行聚合，得到所述局部信息整合后的特征向量。

6.根據權利要求1所述的方法，其特征在于，所述鑒別器網絡為采用以下訓練方式進行訓練得到的網絡模型，所述訓練方式包括：

將歷史數據節點對應的第二特征向量集作為正樣本，并獲取由負樣本生成器生成的負樣本，利用所述正樣本及所述負樣本對所述鑒別器網絡進行訓練，得到訓練后的鑒別器網絡。

7.根據權利要求1所述的方法，其特征在于，所述基于所述第三特征向量，利用預設的相似度計算模型，計算目標節點之間的相似度，包括：

將所述節點中用于計算相似度的節點作為目標節點，將所述目標節點的第三特征向量作為參數，利用余弦相似度計算模型計算所述目標節點之間的相似度，并將所述相似度按照由大到小的順序進行排列。