[发明专利]基于人工智能的信息预测方法、装置、设备及介质

权利要求书

1.一种基于人工智能的信息预测方法，其特征在于，所述基于人工智能的信息预测方法包括：

当接收到信息预测指令时，获取样本；

确定所述样本间的关系；

以所述样本中的每个子样本为节点，根据所述样本间的关系建立目标关系网络，其中，所述目标关系网络包括每个样本内的子样本间的层级内关系网络及样本间的层级间关系网络；

确定待训练模型，并基于所述目标关系网络对所述待训练模型进行半监督学习，得到目标模型；

获取待预测数据，将所述待预测数据输入至所述目标模型，并获取所述目标模型的输出作为信息预测结果。

2.如权利要求1所述的基于人工智能的信息预测方法，其特征在于，所述根据所述样本间的关系建立目标关系网络包括：

从所述样本间的关系中确定每个样本内各个子样本间的联系；

根据每个样本内各个子样本间的联系连接每个样本内的各个子样本，得到每个样本内的子样本间的层级内关系网络；

从所述样本间的关系中确定不同样本的各个子样本间的联系；

根据所述不同样本的各个子样本间的联系连接不同样本间的各个子样本，得到所述样本间的层级间关系网络；

对每个样本内的子样本间的层级内关系网络及所述样本间的层级间关系网络进行初始化处理，得到所述目标关系网络。

3.如权利要求2所述的基于人工智能的信息预测方法，其特征在于，所述对每个样本内的子样本间的层级内关系网络及所述样本间的层级间关系网络进行初始化处理包括：

对于每个样本内的子样本间的层级内关系网络中的第一任意节点，确定所述第一任意节点的第一嵌入向量，及确定在所述第一任意节点所处的层级中与所述第一任意节点连接的上一节点的第二嵌入向量；

采用图卷积网络对所述第一嵌入向量及所述第二嵌入向量进行聚合，得到第三嵌入向量；

拼接所述第三嵌入向量与所述第一嵌入向量，得到所述第一任意节点初始化后的特征表示。

4.如权利要求2所述的基于人工智能的信息预测方法，其特征在于，所述对每个样本内的子样本间的层级内关系网络及所述样本间的层级间关系网络进行初始化处理还包括：

对于所述样本间的层级间关系网络中的任意节点，确定所述第二任意节点的第四嵌入向量，及确定在所述第二任意节点的上一层级中与所述第二任意节点连接的节点的第五嵌入向量；

采用图卷积网络对所述第四嵌入向量及所述第五嵌入向量进行聚合，得到第六嵌入向量；

拼接所述第六嵌入向量与所述第四嵌入向量，得到所述第二任意节点初始化后的特征表示。

5.如权利要求1所述的基于人工智能的信息预测方法，其特征在于，所述确定待训练模型包括：

确定初始模型，及确定当前任务类型；

当所述当前任务类型为节点分类任务时，添加全连接层至所述初始模型，得到所述待训练模型，所述待训练模型以softmax函数作为激活函数；或者

当所述当前任务类型为链接预测任务时，添加sigmoid层至所述初始模型，得到所述待训练模型，所述待训练模型以链接两端节点间的内积作为对应链接的预测概率。

6.如权利要求1所述的基于人工智能的信息预测方法，其特征在于，所述基于所述目标关系网络对所述待训练模型进行半监督学习，得到目标模型包括：

从所述目标关系网络中获取目标可观测样本；

以所述目标可观测样本构造损失函数；

基于所述损失函数，以所述目标关系网络为训练数据训练所述待训练模型；

当所述损失函数达到收敛时，停止训练，得到所述目标模型。

7.如权利要求1所述的基于人工智能的信息预测方法，其特征在于，所述目标模型包括图卷积网络，所述方法还包括：

将所述目标关系网络的每个节点输入至所述目标模型，并获取所述图卷积网络的输出作为每个节点更新后的特征表示。