[发明专利]基于图卷积网络的先序关系挖掘方法、装置及存储介质

说明书

本文应用于人工智能技术领域，提供了基于图卷积网络的先序关系挖掘方法、装置及存储介质，方法包括：获取根据若干文本确定得到的图网络输入数据；根据所述邻接矩阵和所述特征矩阵确定所述图网络输入数据的均值和方差；根据所述均值和所述方差，确定所述图网络输入数据的表示向量集；根据预设的权重矩阵、所述表示向量集和所述表示向量集的转置向量集，确定重构矩阵；根据先序关系的单向特征、所述邻接矩阵与所述重构矩阵的契合度，以及所述表示向量与正态分布的差异对所述重构矩阵进行调整，得到所述图网络输入数据中各个主题之间的先序关系，实现了令用户得到较为符合客观事实的先序关系，进而提升用户的学习效率。

技术领域

本发明涉及人工智能技术领域，尤其是一种基于图卷积网络的先序关系挖掘方法、装置及存储介质。

背景技术

知识的学习是循序渐进的过程，对新知识主题的学习可能需要学习者先掌握其它先序知识主题作为基础知识，此类学习依赖顺序称为先序关系。

然而当前关于金融理财知识的文本种类繁多，且每一个文本中都有独立的若干个学习主题，用户无法在这些种类繁多的文本中寻找到关于学习主题的先序关系，因此用户的学习效率不高。

发明内容

本文的目的在于，提供一种基于图卷积网络的先序关系挖掘方法、装置及存储介质，以解决现有技术中用户无法在这些种类繁多的文本中寻找到关于学习主题的先序关系，因此用户的学习效率不高的问题。

为了解决上述技术问题，本文的具体技术方案如下：

一方面，本文提供一种基于图卷积网络的先序关系挖掘方法，包括：

获取根据若干文本确定得到的图网络输入数据，其中，所述图网络输入数据包括邻接矩阵以及特征矩阵，所述邻接矩阵根据文本间的关联关系以及文本与主题间的关联关系确定得到，所述特征矩阵根据文本及主题确定得到；

根据所述邻接矩阵和所述特征矩阵确定所述图网络输入数据的均值和方差；

根据所述均值和所述方差，确定所述图网络输入数据的表示向量集；

根据预设的权重矩阵、所述表示向量集和所述表示向量集的转置向量集，确定重构矩阵；

根据先序关系的单向特征、所述邻接矩阵与所述重构矩阵的契合度，以及所述表示向量与正态分布的差异对所述重构矩阵进行调整，得到所述图网络输入数据中各个主题之间的先序关系。

作为本文的一个实施例，所述根据先序关系的单向特征、所述邻接矩阵与所述重构矩阵的契合度，以及所述表示向量与正态分布的差异对所述重构矩阵进行调整，得到所述图网络输入数据中各个主题之间的先序关系，进一步包括：

根据任意一对主题与主题之间的单向特征，确定第一损失函数；

根据所述邻接矩阵与所述重构矩阵中每一个向量的差异，确定所述邻接矩阵与所述重构矩阵的契合度；

根据所述契合度确定第二损失函数；

根据所述表示向量与正态分布的差异，确定第三损失函数；

根据所述第一损失函数、所述第二损失函数和所述第三损失函数，生成综合损失函数；

根据所述综合损失函数对所述重构矩阵进行调整，得到所述图网络输入数据中各个主题之间的先序关系。

作为本文的一个实施例，所述第一损失函数为：

其中，(°)为哈达玛积，min(·)为所述重构矩阵与所述重构矩阵的转置矩阵对应位置元素的最小值，为所述重构矩阵，为所述重构矩阵的转置矩阵，n为主题数量，dn为文本数量。

作为本文的一个实施例，所述第二损失函数为：