一种基于图网络的信息推送方法及装置制造方法及图纸

本申请涉及计算机技术领域，尤其涉及一种基于图网络的信息推送方法及装置，获取待处理节点；确定在图网络中以所述待处理节点为中心节点的子图结构，其中，子图结构中包括与待处理节点相连的节点和连接关系；将子图结构输入节点特征提取模型，得到节点特征提取模型输出待处理节点对应的聚合特征向量；基于图网络中各节点的聚合特征向量，筛选与所述待处理节点匹配的节点作为信息推送节点；将所述信息推送节点对应的业务信息进行推送，这样，训练时在聚合特征向量基础上加入图结构特征向量，即加入了图结构信息进行约束，提高了训练的收敛速度和准确性，进而在应用时可以将子图结构为输入，提高图网络中节点表示准确性，以及信息推送准确性。

【技术实现步骤摘要】
一种基于图网络的信息推送方法及装置
本申请涉及计算机
，尤其涉及一种基于图网络的信息推送方法及装置。
技术介绍
图网络(GraphNetwork，GN)是用于描述社区关系链最直接的工具，例如在金融、物联等业务场景等，图网络由节点与边构成，是一种基于图结构的广义人工神经网络，图嵌入算法即是将一种图数据映射为低维稠密向量的过程，对节点进行编码，从而使其能方便地应用于下游的具体任务，例如应用于信息推送等，相关技术中，可以采用无监督图嵌入算法对图网络进行训练，例如，GraphSAGE算法，对于一个节点，对该节点的局部邻居进行采样并聚合成特征，再结合该节点本身特征进行学习，从而可以学到图网络的部分图结构信息，但是这种方式，无法对指定的图结构进行学习和训练，并且一般只通过连接关系构成正负样本对，容易导致正负样本合理性低，只考虑节点之间的邻接关系，也缺乏节点之间的图结构描述，降低了训练准确性和收敛速度，进而降低了节点向量表示准确性，以及信息推送准确性。
技术实现思路
本申请实施例提供一种基于图网络的信息推送方法及装置，以提高信息推送准确性。本申请实施例提供的具体技术方案如下：本申请一个实施例提供了一种基于图网络的信息推送方法，包括：获取待处理节点；确定在图网络中以所述待处理节点为中心节点的子图结构，其中，所述子图结构中包括与所述待处理节点相连的节点和连接关系；将所述子图结构输入节点特征提取模型，得到所述节点特征提取模型输出所述待处理节点对应的聚合特征向量；所述聚合特征向量表征所述图网络中的所述待处理节点；基于所述图网络中各节点的聚合特征向量，筛选与所述待处理节点匹配的节点作为信息推送节点；将所述信息推送节点对应的业务信息进行推送。本申请另一个实施例提供了一种图网络训练方法，包括：针对图网络中的目标节点，在所述图网络中确定所述目标节点的正样本节点和负样本节点，其中，目标节点与正样本节点的关联度大于目标节点与负样本节点的关联度；分别提取所述目标节点，以及关联的正样本节点和负样本节点的聚合特征向量和图结构特征向量，其中，所述图结构特征向量表征包含预设阶数的子图结构的特征；根据所述目标节点，以及关联的正样本节点和负样本节点的聚合特征向量和图结构特征向量，训练得到节点特征提取模型，所述节点特征提取模型用于提取所述图网络中节点的聚合特征向量。本申请另一个实施例提供了一种图网络训练装置，包括：第一确定模块，用于针对图网络中的目标节点，在所述图网络中确定所述目标节点的正样本节点和负样本节点，其中，目标节点与正样本节点的关联度大于目标节点与负样本节点的关联度；第二确定模块，用于分别提取所述目标节点，以及关联的正样本节点和负样本节点的聚合特征向量和图结构特征向量，其中，所述图结构特征向量表征包含预设阶数的子图结构的特征；训练模块，用于根据所述目标节点，以及关联的正样本节点和负样本节点的聚合特征向量和图结构特征向量，训练得到节点特征提取模型，所述节点特征提取模型用于提取所述图网络中节点的聚合特征向量。本申请另一个实施例提供了一种基于图网络的信息推送装置，包括：获取模块，用于获取待处理节点；确定模块，用于确定在图网络中以所述待处理节点为中心节点的子图结构，其中，所述子图结构中包括与所述待处理节点相连的节点和连接关系；提取模块，用于将所述子图结构输入节点特征提取模型，得到所述节点特征提取模型输出所述待处理节点对应的聚合特征向量；所述聚合特征向量表征所述图网络中的所述待处理节点；筛选模块，用于基于所述图网络中各节点的聚合特征向量，筛选与所述待处理节点匹配的节点作为信息推送节点；推送模块，用于将所述信息推送节点对应的业务信息进行推送。本申请另一个实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一种图网络训练、或基于图网络的信息推送方法的步骤。本申请另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种图网络训练、或基于图网络的信息推送方法的步骤。本申请实施例中，获取待处理节点；确定在图网络中以所述待处理节点为中心节点的子图结构，并将所述子图结构输入节点特征提取模型，得到所述节点特征提取模型输出所述待处理节点对应的聚合特征向量；进而基于所述图网络中各节点的聚合特征向量，筛选与所述待处理节点匹配的节点作为信息推送节点；将所述信息推送节点对应的业务信息进行推送，这样，由于在训练时，在聚合特征向量基础上加入图结构特征向量，即加入了图结构信息进行约束，可以减少正负样本的不合理性，加快训练收敛速度，还可以对指定motif结构进行学习和召回，可以泛化到新节点，减少图结构特征向量的重复计算，并且弥补了对图网络拓扑结构信息的描述，从而提高了训练的准确性，进而训练后获得的节点特征提取模型，以待处理节点的子图结构为输入，可以获得待处理节点的聚合特征向量表示，也可以提高图网络中节点表示的准确性，进而应用到具体应用场景中，可以基于获得的聚合特征向量表示，提高信息推送的准确性。附图说明图1为本申请实施例中提供的一种应用架构示意图；图2为本申请实施例中图网络训练方法流程图；图3为本申请实施例中一种图网络结构示例图；图4为本申请实施例中确定聚合特征向量的原理示意图；图5为本申请实施例中一种子图结构形态示意图；图6为本申请实施例中不同图结构的节点示例图；图7为本申请实施例中图网络训练方法原理示意图；图8为本申请实施例中图网络中节点表示方法流程图；图9为本申请实施例中基于图网络的信息推送方法流程图；图10为本申请实施例中一种图网络训练装置结构示意图；图11为本申请实施例中一种基于图网络的信息推送装置结构示意图；图12为本申请实施例中电子设备的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。为便于对本申请实施例的理解，下面先对几个概念进行简单介绍：图网络：图网络是用于描述社区关系链最直接的工具，由节点与边构成，节点代表关系链对象，节点间的连接被称为边，边代表两个对象之间的联系紧密程度，图网络中节点和边的性质与图结构相同，可以分为有向图(directedgraph)和无向图(undirectedgraph)，其中，有向图例如包括递归神经网络(RecursiveNeuralNetwork)和循环神经网络(RecurrentNeuralNetwork)等，无向图例如包括浩斯菲尔德网络(Hopfield)、马尔可夫网络(MarkovNetwork本文档来自技高网...

【技术保护点】
1.一种基于图网络的信息推送方法，其特征在于，包括：/n获取待处理节点；/n确定在图网络中以所述待处理节点为中心节点的子图结构，其中，所述子图结构中包括与所述待处理节点相连的节点和连接关系；/n将所述子图结构输入节点特征提取模型，得到所述节点特征提取模型输出所述待处理节点对应的聚合特征向量；所述聚合特征向量表征所述图网络中的所述待处理节点；/n基于所述图网络中各节点的聚合特征向量，筛选与所述待处理节点匹配的节点作为信息推送节点；/n将所述信息推送节点对应的业务信息进行推送。/n

【技术特征摘要】
1.一种基于图网络的信息推送方法，其特征在于，包括：
获取待处理节点；
确定在图网络中以所述待处理节点为中心节点的子图结构，其中，所述子图结构中包括与所述待处理节点相连的节点和连接关系；
将所述子图结构输入节点特征提取模型，得到所述节点特征提取模型输出所述待处理节点对应的聚合特征向量；所述聚合特征向量表征所述图网络中的所述待处理节点；
基于所述图网络中各节点的聚合特征向量，筛选与所述待处理节点匹配的节点作为信息推送节点；
将所述信息推送节点对应的业务信息进行推送。


2.如权利要求1所述的方法，其特征在于，所述节点特征提取模型的训练方式为：
针对图网络中的目标节点，在所述图网络中确定所述目标节点的正样本节点和负样本节点，其中，目标节点与正样本节点的关联度大于目标节点与负样本节点的关联度；
分别提取所述目标节点，以及关联的正样本节点和负样本节点的聚合特征向量和图结构特征向量，其中，所述图结构特征向量表征包含预设阶数的子图结构的特征；
根据所述目标节点，以及关联的正样本节点和负样本节点的聚合特征向量和图结构特征向量，训练得到节点特征提取模型，所述节点特征提取模型用于提取所述图网络中节点的聚合特征向量。


3.如权利要求2所述的方法，其特征在于，在所述图网络中确定所述目标节点的正样本节点和负样本节点，具体包括：
采用随机游走方式，以所述目标节点为起点，确定所述图网络中各节点与所述目标节点的关联度；
将关联度大于等于关联阈值的节点，作为所述目标节点的正样本节点，将关联度小于关联阈值的节点，作为所述目标节点的负样本节点。


4.如权利要求2所述的方法，其特征在于，分别提取所述目标节点，以及关联的正样本节点和负样本节点的聚合特征向量，包括：
针对所述目标节点，或关联的正样本节点和负样本节点均采用以下方式确定聚合特征向量：
采用随机采样方式，获取第一待处理节点的邻居节点，其中，所述第一待处理节点为以下任意一种：所述目标节点、正样本节点、负样本节点；
根据所述第一待处理节点和获取到的邻居节点的属性信息，分别确定所述第一待处理节点和所述获取到的邻居节点的初始特征向量；
将所述获取到的邻居节点的初始特征向量进行聚合；
将聚合后的邻居节点的初始特征向量和所述第一待处理节点的初始特征向量进行拼接，获得所述第一待处理节点的聚合特征向量。


5.如权利要求2-4任一项所述的方法，其特征在于，分别提取所述目标节点，以及关联的正样本节点和负样本节点的图结构特征向量，包括：
针对所述目标节点，或关联的正样本节点和负样本节点均采用以下方式确定图结构特征向量：
确定以第二待处理节点为中心节点的预设阶数的子图结构，其中，所述第二待处理节点为以下任意一种：所述目标节点、正样本节点、负样本节点；
基于各预设子图结构，分别统计所述各预设子图结构在所述第二待处理节点对应确定出的子...

【专利技术属性】
技术研发人员：陈思宏，肖万鹏，鞠奇，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44