[发明专利]动态图数据的处理方法、装置、电子设备及存储介质

权利要求书

1.一种动态图数据的处理方法，其特征在于，所述方法包括：

获取动态图数据中时间连续的M个子图数据，所述M个子图数据中前M-1个子图数据的节点的预测结果已知，所述M为大于或等于2的正整数；

通过神经网络处理所述M个子图数据，得到M个第一输出结果，所述M个第一输出结果用于表征所述M个子图数据的结构特征和时序特征；

根据所述M个第一输出结果确定M个第二输出结果，所述M个第二输出结果用于表征所述M个第一输出结果的时序特征；

根据所述M个第二输出结果确定所述M个子图数据中第M个子图数据的预测结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述M个第一输出结果确定M个第二输出结果，包括：

确定所述M个第一输出结果对应的M个权重，所述M个权重的值与所述M个子图数据的有效信息量正相关；

根据所述M个第一输出结果和所述M个权重确定所述M个第二输出结果。

3.根据权利要求2所述的方法，其特征在于，所述确定所述M个第一输出结果对应的M个权重，包括：

将所述M个第一输出结果输入权重计算网络，得到所述M个权重。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述神经网络包括第一循环神经网络和图卷积神经网络，所述M个子图数据包括第一子图数据和第二子图数据，所述第一子图数据和所述第二子图数据为任意两个时序相邻的子图数据，所述第一子图数据的时序位于所述第二子图数据的时序之前；

所述通过神经网络处理所述M个子图数据，得到M个第一输出结果，包括：

通过所述第一循环神经网络处理第一参数矩阵，得到第二参数矩阵，所述第一参数矩阵为所述图卷积神经网络处理所述第一子图数据时的参数矩阵；

基于所述第二参数矩阵、所述第二子图数据和所述图卷积神经网络获得第二隐变量，所述第二隐变量为所述M个第一输出结果中的一个。

5.根据权利要求4所述的方法，其特征在于，所述第一循环神经网络包括一层循环神经网络和二层循环神经网络，所述图卷积神经网络包括一层图卷积神经网络和二层图卷积神经网络；

所述通过所述第一循环神经网络处理第一参数矩阵，得到第二参数矩阵，包括：

将第一参数矩阵输入所述一层循环神经网络，得到第二参数矩阵，所述第一参数矩阵为所述一层图卷积神经网络处理所述第一子图数据时的参数矩阵；

将所述第二参数矩阵输入所述二层循环神经网络，得到第四参数矩阵；

所述基于所述第二参数矩阵、所述第二子图数据和所述图卷积神经网络获得第二隐变量，包括：

将所述第二参数矩阵和所述第二子图数据输入所述一层图卷积神经网络，得到第四隐变量；

将所述第二子图数据中的邻接矩阵、所述第四参数矩阵和所述第四隐变量输入所述二层图卷积神经网络，得到第二隐变量，所述第二隐变量为所述M个第一输出结果中的一个。

6.根据权利要求1至3中任一项所述的方法，其特征在于，所述M个第一输出结果包括第一隐变量和第二隐变量，所述第一隐变量和所述第二隐变量为任意两个时序相邻的第一输出结果，所述第一隐变量的时序位于所述第二隐变量的时序之前；

所述根据所述M个第一输出结果确定M个第二输出结果，包括：

将所述第一隐变量和所述第二隐变量输入第二循环神经网络，得到第六隐变量，所述第六隐变量为所述M个第二输出结果中的一个。

7.根据权利要求6所述的方法，其特征在于，所述将所述第一隐变量和所述第二隐变量输入第二循环神经网络，得到第六隐变量，包括：

将所述第一隐变量输入第二循环神经网络，得到第五隐变量；

将所述第五隐变量和所述第二隐变量输入所述第二循环神经网络，得到第六隐变量。

8.根据权利要求1至3中任一项所述的方法，其特征在于，所述M个子图数据中包括节点和边，所述节点用于表征交易，所述边用于表征交易之间具有关联关系；或者，所述节点用于表征用户和商品，所述边用于表征所述用户的消费行为。