[发明专利]用于分析关系网络图的神经网络系统和方法

说明书

本说明书实施例提供一种通过计算机执行的、用于分析关系网络图的神经网络系统和方法，该神经网络系统包括：特征提取层，用于提取关系网络图中的节点的特征向量；深度神经网络，用于对上述特征向量进行第一处理，得到第一输出；图神经网络，用于结合关系网络图的邻接信息，对上述特征向量进行第二处理，得到第二输出；其中邻接信息用于表示关系网络图所包含的各个节点之间的连接关系；以及融合层，用于对第一输出和第二输出进行融合，基于融合结果输出针对所述节点的预测结果。

技术领域

本说明书一个或多个实施例涉及通过计算机执行的神经网络系统，尤其涉及用于分析关系网络图的神经网络系统和方法。

背景技术

图是建模关系数据的有力工具，因此，目前往往是将存在关联关系的数据用图的形式表达和建模。另一方面，提出了基于图的运用深度学习方法的神经网络，图神经网络(Graph Neural Network，Graph NN或GNN)，用于对图信息进行学习。图神经网络GNN可以有效地利用图上的信息传递以及融合节点或边的特征信息，来完成图上节点或边的分类或者回归等机器学习任务。

然而，在真实的业务场景中，尤其是在业务的初始阶段，例如邀请新用户阶段，关系数据不完整。从图的角度来看，即存在很多的孤立节点。在这样的情况下，图神经网络GNN并不能达到预期的分析效果。

因此，希望能有改进的方案，更加有效地对关系网络图进行学习、分析和预测。

发明内容

本说明书一个或多个实施例描述了通过计算机执行的、用于分析关系网络图的神经网络系统和方法，可以更加有效地对关系网络图进行学习、分析和预测。

根据第一方面，提供了一种通过计算机执行的、用于分析关系网络图的神经网络系统，包括：

特征提取层，用于提取关系网络图中的节点的特征向量；

深度神经网络，用于对所述特征向量进行第一处理，得到第一输出；

图神经网络，用于结合所述关系网络图的邻接信息，对所述特征向量进行第二处理，得到第二输出；其中所述邻接信息用于表示所述关系网络图所包含的各个节点之间的连接关系；

融合层，用于对所述第一输出和所述第二输出进行融合，基于融合结果输出针对所述节点的预测结果。

在一个实施例中，关系网络图所包含的各个节点对应于各个用户，所述各个节点之间的连接关系包括以下中的一种或多种：用户之间的社交关系、媒介关系和资金关系。

根据一种可能的实现方式，关系网络图为有向图，相应地，所述邻接信息包括，所述有向图对应的邻接表或十字链表。

根据一种实施方式，邻接信息包括所述关系网络图的邻接矩阵。

根据一个实施例，所述图神经网络为图卷积网络，所述图卷积网络包含多个网络层以进行所述第二处理，所述第二处理至少包括，使用所述邻接矩阵中的元素为权重因子，对所述节点及其邻居节点的特征向量进行加权求和操作。

根据一种实施方式，上述融合层具体用于，对所述第一输出和所述第二输出进行加权求和，其中所述第一输出对应第一权重因子，所述第二输出对应第二权重因子。

进一步的，在一个实施例中，第一权重因子是第一输出的函数，第二权重因子是第二输出的函数。

在另一实施例中，第一权重因子与第二权重因子和为1，并且：

所述第一权重因子是所述第一输出的函数；或者，

所述第二权重因子是所述第二输出的函数。

在又一实施例中，第一权重因子与第二权重因子和为1，并且：

所述第一权重因子是所述第一输出和第二输出的函数；或者，