[发明专利]针对动态图训练图模型的方法及装置

说明书

本说明书实施例提供一种针对动态图训练图模型的方法及装置，首先获取第一实体对应第一时间点的第一表达向量和第二时间点的第二表达向量，然后通过第一时间表征模型确定第一时间差对应的第一时间表征向量，接着，基于第一时间表征向量确定第一表达向量和第二表达向量之间的f‑信息，进一步以f‑信息最大化为目标确定模型损失，并向着模型损失减小的方向调整图模型及第一时间表征模型中的各个待定参数。这种方式可以提高模型的灵活性和有效性。

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及针对动态图训练图模型的方法及装置。

背景技术

图数据是一种描述各种实体之间关联关系的数据形式。图数据通常可以包括多个节点，各个节点分别对应各个业务实体。在业务实体具有预先定义关联属性的情况下，图数据的相应节点之间可以基于关联属性具有相应的关联关系。例如若干三元组表示的图数据中，三元组(a，r，b)表示节点a和节点b之间具有关联关系r。在形象化的图数据中，节点a和节点b通过点表示，节点a和节点b之间对应的关联关系r可以通过连接边表示。图数据通常可以通过图网络进行处理。

随着计算机技术的发展，图数据的应用越来越广泛。图表示学习(GraphRepresentation Learning)也取得了重要的突破。在实际场景中，图数据还可以描述随时间变化的实体状态，这使得动态图(Dynamic Graph)成为一类重要的图数据。用于处理动态图上的图数据的网络架构通常为时域感知(Time-aware)的图网络架构。虽然图表示学习的架构选择丰富，然而常规技术中的图表示学习往往仍然需要大量有标签的样本数据，给大规模图模型的学习带来挑战。

发明内容

本说明书一个或多个实施例描述了一种针对动态图训练图模型的方法及装置，用以解决背景技术提到的一个或多个问题。

根据第一方面，提供一种针对动态图训练图模型的方法，所述动态图是包含与时间相关的实体状态变化信息的图数据，所述方法包括：获取第一实体对应第一时间点的第一表达向量和对应第二时间点第二表达向量，所述第一时间点和所述第二时间点之间的第一时间差小于预定阈值，所述第一表达向量及所述第二表达向量基于所述图模型分别针对所述动态图在第一时间点的第一子图、在第二时间点的第二子图进行的处理确定；通过第一时间表征模型确定所述第一时间差对应的第一时间表征向量；基于所述第一时间表征向量确定所述第一表达向量和所述第二表达向量之间的f-信息；以所述互信息最大化为目标确定模型损失，并向着模型损失减小的方向调整所述图模型及所述第一时间表征模型中的各个待定参数。

在一个实施例中，所述第一子图/所述第二子图按照如下方式从所述动态图中抽取：基于所述第一时间点/所述第二时间点按照时间倒序追溯所述第一实体的k个状态变化；结合所述k个状态变化所涉及的其他实体，抽取所述第一子图/所述第二子图。

在一个实施例中，所述结合所述k个状态变化所涉及的其他实体，抽取所述第一子图/所述第二子图包括：利用所涉及的其他实体确定所述第一子图/所述第二子图中对应于所述第一实体的第一节点的至少一个一阶邻居节点；根据所述至少一个一阶邻居节点各自按照时间倒序的n个状态变化，为所述第一节点从所述动态图抽取所述第一节点至多n+1阶的邻居节点，得到所述第一子图/所述第二子图，n小于或等于k。

在一个实施例中，在第一子图/第二子图中，各个实体对应各个节点，具有直接和/或间接连接关系的节点互为邻居节点，所述第一实体对应第一节点，各个节点分别对应各个当前表达向量；针对第一子图/第二子图，所述图模型通过以下方式处理第一子图/第二子图得到所述第一表达向量/所述第二表达向量：针对所述第一节点的各个邻居节点，分别确定相应的基于时间的当前融合向量，单个邻居节点的当前融合向量经由其当前表达向量与相应的单个时间表征向量融合得到，所述单个时间表达向量经由第二时间表征模型处理相应的实体状态变化信息对应的时间点与所述第一时间点/所述第二时间点之间的时间间隔确定；基于对所述第一节点的各个邻居节点的当前融合向量的融合，得到所述第一表达向量/所述第二表达向量。