[发明专利]用于预测竞争和合作关系的图模型处理方法、装置

说明书

本申请涉及一种用于预测竞争和合作关系的图模型处理方法、装置。所述方法包括：获取基于物流数据的供应链图网络；供应链图网络中的边代表公司之间的收寄件关系，每个节点代表公司的收寄件账号，每个节点的属性信息包括公司所属行业信息和公司经营范围数据；对供应链图网络中每个节点的结构编码信息和属性编码信息进行向量化处理，得到供应链图网络中每个节点的嵌入向量矩阵；根据三角结构网络的第一损失函数和桥梁结构网络的第二损失函数，确定图模型的目标损失函数；基于目标损失函数，根据各节点的嵌入向量矩阵训练用于预测物流供应链中竞争和合作关系的图模型，得到训练好的目标图模型。采用本方法能够提高供应链中竞争和合作关系的准确性。

技术领域

本申请涉及神经网络技术领域，特别是涉及一种预测竞争和合作关系的图模型处理方法和装置。

背景技术

供应链场景中各个公司之间存在上下游关系，同时每个公司都带有自己的属性(包括行业、经营范围等)，而且不同公司之间可能是竞争或者合作关系。因此，整个供应链场景转化成供应链图网络，供应链图网络中一个节点表示一位公司，节点通过关系连接起来从而形成一个规模巨大的网络，每个节点带有属性，边带有正负符号的有向图结构，符号的正负代表公司之间是竞争关系或合作关系。同时，由于每个节点携带的属性不同，不同节点直接的交互产生的信息也应该是不同的。

然而目前基于传统机器学习模型的竞争和合作关系预测，是建立在结构化数据上的，分类的效果很大程度上取决于特征工程的质量，同时结构化的数据不能很好地捕捉图结构的信息，导致预测的准确性低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高供应链中预测竞争和合作关系准确性的用于预测竞争和合作关系的图模型处理方法和装置。

一种用于预测竞争和合作关系的图模型处理方法，所述方法包括：

获取基于物流数据的供应链图网络；所述供应链图网络中的每个节点代表公司的收寄件账号，供应链图网络中的边代表公司之间的收寄件关系，每个节点的属性信息包括公司所属行业信息和公司经营范围数据；

获取所述供应链图网络每个节点的结构编码信息和属性编码信息；

对各所述节点的结构编码信息和属性编码信息进行向量化处理，得到所述供应链图网络中每个节点的嵌入向量矩阵；

确定图模型中三角结构网络的第一损失函数和桥梁结构网络的第二损失函数，得到目标损失函数；

以所述目标损失函数为约束，根据各所述节点的嵌入向量矩阵训练用于预测物流供应链中竞争和合作关系的图模型，得到训练好的目标图模型。

在其中一个实施例中，所述获取所述供应链图网络中每个节点的结构编码信息和供应链图网络属性编码信息，包括：

根据各节点之间的收寄件关系确定所述供应链图网络中节点之间的相似度信息，对所述相似度信息进行编码，得到所述供应链图网络的结构编码信息；

基于注意力机制和卷积神经网络对每个节点的属性信息进行编码，得到所述供应链图网络的属性编码信息。

在其中一个实施例中，所述根据各节点之间的收寄件关系确定所述供应链图网络中节点之间的相似度信息，对所述相似度信息进行编码，得到所述供应链图网络的结构编码信息，包括：

根据各节点之间的收寄件关系确定所述供应链图网络中节点之间的一阶相似度信息和二阶相似度信息；

对所述一阶相似度信息和二阶相似度信息进行编码，得到所述供应链图网络的结构编码信息。

在其中一个实施例中，所述基于注意力机制和卷积神经网络对每个节点的属性信息进行编码，得到所述供应链图网络的属性编码信息，包括：

基于卷积神经网络对每个节点的属性信息中的行业信息和公司经营范围数据进行编码；以及