【技术实现步骤摘要】
一种基于异构图神经网络模型进行预测的方法和系统
本说明书一个或多个实施例涉及数据处理领域，特别涉及一种基于异构图神经网络模型进行预测的方法和系统。
技术介绍
异构图，又称作异质信息网络，是一种特殊的图结构，其通常包含不同类型的节点以及不同类型的路径，可以用于表示一些复杂的社交网络关系数据。异构图中的节点可以用于表示实体对象例如个人用户，通常可以将包含实体对象数据的异构图输入图神经网络来对异构图中的节点进行预测，例如对用户进行预测预测以判断其类别、风险等级或者偏好习惯。而异构图由于其节点类型以及路径类型的不同，体现出较高的复杂性，因此，如何基于异构图对其中的实体对象数据进行预测至关重要。基于此，本说明书提出一种基于异构图神经网络模型进行预测的方法和系统。
技术实现思路
本说明书实施例之一提供一种通过实体对象数据判断实体对象类别的方法。所述通过实体对象数据判断实体对象类别的方法包括：获取与预测内容相关的异构图数据，所述异构图数据包括待预测节点、所述待预测节点的邻居节点、以及连接所述待预测节点与所述邻居...
【技术保护点】
1.一种基于异构图神经网络模型进行预测的方法，所述方法包括：/n获取与预测内容相关的异构图数据，所述异构图数据包括待预测节点、所述待预测节点的邻居节点、以及连接所述待预测节点与所述邻居节点之间的路径，所述路径包括至少一种类型；/n基于所述路径的类型，对所述邻居节点进行分组，以使得同一组的所述邻居节点的路径的类型相同；/n将所述待预测节点、分组后的所述邻居节点以及节点之间的路径输入训练好的异构图神经网络模型，得到待预测节点的表示向量后输入训练好的预测模型进行预测。/n
【技术特征摘要】
1.一种基于异构图神经网络模型进行预测的方法，所述方法包括：
获取与预测内容相关的异构图数据，所述异构图数据包括待预测节点、所述待预测节点的邻居节点、以及连接所述待预测节点与所述邻居节点之间的路径，所述路径包括至少一种类型；
基于所述路径的类型，对所述邻居节点进行分组，以使得同一组的所述邻居节点的路径的类型相同；
将所述待预测节点、分组后的所述邻居节点以及节点之间的路径输入训练好的异构图神经网络模型，得到待预测节点的表示向量后输入训练好的预测模型进行预测。
2.如权利要求1所述的基于异构图神经网络模型进行预测的方法，所述将所述待预测节点、分组后的所述邻居节点以及节点之间的路径输入训练好的异构图神经网络模型，得到待预测节点的表示向量还包括：
融合节点注意力权重和/或路径注意力权重后得到所述待预测节点的表示向量。
3.如权利要求1所述的基于异构图神经网络模型进行预测的方法，所述将所述待预测节点、分组后的所述邻居节点以及节点之间的路径输入训练好的异构图神经网络模型，得到待预测节点的表示向量包括：
基于路径的重要程度确定路径的注意力权重；
基于所述分组融合的待预测节点信息和所述路径的注意力权重确定所述待预测节点的表示向量。
4.如权利要求3所述的基于异构图神经网络模型进行预测的方法，所述将所述待预测节点、分组后的所述邻居节点以及节点之间的路径输入训练好的异构图神经网络模型，得到待预测节点的表示向量还包括：
基于邻居节点的重要程度确定节点的注意力权重，基于所述分组融合的待预测节点信息、所述节点的注意力权重和所述路径的注意力权重确定所述待预测节点的表示向量。
5.如权利要求1所述的基于异构图神经网络模型进行预测的方法，所述预测内容包括预测目标对象的类别、风险等级或者偏好习惯。
6.如权利要求1所述的基于异构图神经网络模型进行预测的方法，所述训练好的异构图神经网络模型和训练好的预测模型采用如下端到端训练获得：
基于预测模型的损失函数迭代更新预测模型以及异构图神经网络模型的模型参数，直到满足迭代截止条件。
7.如权利要求6所述的方法，所述端到端训练还包括：
将若干个异构图数据作为训练数据，将对应于该异构图数据的节点正确结果作为该训练数据的标签数据，所述预测模型的参数和异构图神经网络模型的参数利用所述训练数据和所述标签数据通过训练迭代更新。
8.如权利要求1所述的基于异构图神经网络模型进行预测的方法，所述将所述待预测节点、分组后的所述邻居节点以及节点之间的路径输入训练好的异构图神经网络模型，得到待预测节点的表示向量包括：
根据同一组的所述邻居节点的特征信息，逐一得到对应于该组的组聚合向量；
针对每一所述组聚合向量，将该待预测节点特征信息融合，得到分组融合的待预测节点信息。
9.一种基于异构图神经网络模...
【专利技术属性】
技术研发人员：胡斌斌，张志强，周俊，杨双红，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。