[发明专利]基于图神经网络模型的节点表示方法和装置

说明书

本说明书实施例提供一种基于图神经网络模型的节点表示方法和装置，方法包括：获取动态变化的关系网络图在多个时间切片中对应的多个图结构，以及基于所述多个图结构分别训练的多个图神经网络模型；从所述多个图结构中，分别提取目标节点对应于所述多个时间切片的多个子图；将所述多个子图对应输入到所述多个图神经网络模型，得到所述目标节点对应于所述多个时间切片的多个节点嵌入向量；通过基于时序的神经网络模型，融合所述多个节点嵌入向量，得到所述目标节点的融合向量。能够提升基于图神经网络模型的节点表示的准确性。

技术领域

本说明书一个或多个实施例涉及计算机领域，尤其涉及基于图神经网络模型的节点表示方法和装置。

背景技术

当前，图神经网络模型在生产、生活的各个领域都得到了广泛的应用。其中，图神经网络模型是一种在图结构数据上聚合信息并生成节点表示的深度模型，图神经网络模型在经过表示学习后，可以将关系网络图中的节点映射为低维向量。

现有技术的基于图神经网络模型的节点表示方法中，由于关系网络图中可能存在信息缺失，以及误差的因素，生成的节点表示往往无法准确表征该节点，相应影响根据该节点表示的后续应用。

因此，希望能有改进的方案，能够提升基于图神经网络模型的节点表示的准确性。

发明内容

本说明书一个或多个实施例描述了一种基于图神经网络模型的节点表示方法和装置，能够提升基于图神经网络模型的节点表示的准确性。

第一方面，提供了一种基于图神经网络模型的节点表示方法，方法包括：

获取动态变化的关系网络图在多个时间切片中对应的多个图结构，以及基于所述多个图结构分别训练的多个图神经网络模型；

从所述多个图结构中，分别提取目标节点对应于所述多个时间切片的多个子图；

将所述多个子图对应输入到所述多个图神经网络模型，得到所述目标节点对应于所述多个时间切片的多个节点嵌入向量；

通过基于时序的神经网络模型，融合所述多个节点嵌入向量，得到所述目标节点的融合向量。

在一种可能的实施方式中，所述得到所述目标节点的融合向量之后，所述方法还包括：

根据所述目标节点的融合向量，确定所述目标节点的类别。

在一种可能的实施方式中，所述关系网络图包括第一节点，在所述多个图结构中，所述第一节点具有不同的节点特征，和/或，所述第一节点具有不同的邻居节点。

在一种可能的实施方式中，所述从所述多个图结构中，分别提取目标节点对应于所述多个时间切片的多个子图，包括：

从所述多个图结构中，按照与所述目标节点具有连接关系，且满足经过的连接边的数目不超过预设阈值提取所述目标节点的各关联节点；

提取所述目标节点、所述各关联节点，以及所述图结构中连接所述目标节点与所述各关联节点的各连接边，得到所述目标节点对应于所述多个时间切片的多个子图。

在一种可能的实施方式中，所述通过基于时序的神经网络模型，融合所述多个节点嵌入向量，得到所述目标节点的融合向量，包括：

针对所述多个时间切片中的任意两个相邻时间切片，确定所述任意两个相邻时间切片对应的子图的差异向量；

对于所述多个时间切片中的每个时间切片，将所述目标节点对应于该时间切片的节点嵌入向量，以及该时间切片与上一个时间切片对应的子图的差异向量构成向量组，将多个时间切片对应的向量组按照时间切片的顺序依次输入基于时序的第一神经网络，将第一神经网络处理各个向量组后得到的隐向量作为对应时间切片的初始融合向量；