[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

说明书

本申请提供一种动态图数据的处理方法、装置、电子设备及存储介质，动态图数据的处理方法包括：获取动态图数据中时间连续的M个子图数据；通过神经网络处理M个子图数据，得到M个第一输出结果，M个第一输出结果用于表征M个子图数据的结构特征和时序特征；根据M个第一输出结果确定M个第二输出结果，M个第二输出结果用于表征M个第一输出结果的时序特征；根据M个第二输出结果确定M个子图数据中第M个子图数据的预测结果。不仅针对神经网络中图卷积神经网络的参数进行演化，还针对卷积神经网络的输出结果进行演化，能够准地提取动态图数据中的动态序列信息，进而提高动态图数据预测的准确性。

技术领域

本申请涉及计算机技术领域，尤其涉及一种动态图数据的处理方法、装置、电子设备及存储介质。

背景技术

随着人工神经网络研究的不断深入，图神经网络(Graph Neural Networks，GNN)已经被广泛应用于图结构数据的建模、学习以及表征。鉴于现实生活中存在着大量的动态场景，在很多情况下，正是这些动态场景中的动态行为能够表达出一些重要信息。在动态场景中，存在着随着时间的变化，其结构和性质不断变化的动态图数据，而处理这种动态图数据的网络就是动态图神经网络(Dynamic Graph Neural Networks，DGNN)。

一般来说，动态图神经网络DGNN就是将图神经网络GNN与循环神经网络(Recurrent Neural Network，RNN)进行组合，通过图神经网络GNN捕获动态图数据中各子图数据的结构特征，通过循环神经网络RNN捕获动态图数据的时序特征。这样，就实现了动态图神经网络DGNN对于动态图数据的处理。例如：现有的EvolveGCN，就是利用循环神经网络RNN演化图卷积神经网络(Graph Convolutional Network，GCN)中的参数，进而捕获动态图数据中图序列的动态信息。

但是，EvolveGCN的学习能力有限，在特征提取方面，EvolveGCN无法精准地提取动态图数据中的动态序列信息，进而降低动态图数据预测的准确性。

发明内容

本申请实施例的目的是提供一种动态图数据的处理方法、装置、电子设备及存储介质，以使精准地提取动态图数据中的动态序列信息，进而提升动态图数据预测的准确性。

为解决上述技术问题，本申请实施例提供如下技术方案：

本申请第一方面提供一种动态图数据的处理方法，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。

本申请第二方面提供一种动态图数据的处理装置，所述装置包括：接收模块，用于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；第一处理模块，用于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；第二处理模块，用于根据所述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；预测模块，用于根据所述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。

本申请第三方面提供一种电子设备，包括：处理器、存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行第一方面中的方法。

本申请第四方面提供一种计算机可读存储介质，包括：存储的程序；其中，在所述程序运行时控制所述存储介质所在设备执行第一方面中的方法。