训练交互预测模型、预测交互事件的方法及装置制造方法及图纸

本说明书实施例提供一种交互预测模型的训练和使用方法及装置。在该方法中，首先基于交互事件序列构建动态交互图，从中确定出包含第一节点和第二节点的样本节点对，其对应于样本交互事件。从第一生成网络和第一判别网络分别获取，对应于两个节点各自的生成向量和判别向量。利用第二生成网络，基于两个生成向量预测样本交互事件的发生时间。接着，基于两个生成向量和该预测时间形成第一输入，基于两个判别向量和真实时间形成第二输入，通过第二判别网络，判别第一输入和第二输入各自为真实事件的概率。基于此对抗训练第二生成网络和第二判别网络。训练后的第一生成网络和第二生成网络作为用于预测交互事件的交互预测模型。

【技术实现步骤摘要】
训练交互预测模型、预测交互事件的方法及装置
本说明书一个或多个实施例涉及机器学习领域，尤其涉及训练交互预测模型，以及利用训练的交互预测模型来预测交互事件的方法和装置。
技术介绍
在许多场景下，需要对用户交互事件进行分析和处理。交互事件是互联网事件的基本组成元素之一，例如，用户浏览页面时的点击行为，可以视为用户与页面内容区块之间的交互事件，电商中的购买行为可以视为用户与商品之间的交互事件，账户间转账行为则是用户与用户之间的交互事件。用户的一系列交互事件中蕴含了用户的细粒度习惯偏好等特点，以及交互对象的特点，是机器学习模型的重要特征来源。因此，在许多场景下，希望根据交互事件对交互参与方进行特征表达和建模，进而对交互对象和事件进行分析，特别是对交互事件的安全性进行分析，从而保障交互平台的安全性。然而，交互事件涉及交互双方，并且各个参与方本身的状态可以是动态变化的，因此，综合考虑交互参与方的多方面特点对其进行准确的特征表达非常困难。由此，希望能有改进的方案，更为有效地对交互对象和交互事件进行分析处理。
技术实现思路
本说明书一个或多个实施例描述了一种交互预测模型的训练方法和装置，其中基于动态交互图，利用两级级联的生成对抗网络，以对抗训练方式，训练得到交互预测模型，从而可以更准确地针对目标对象预测其接下来的交互对象以及交互时间。根据第一方面，提供了一种训练交互预测模型的方法，所述方法包括：获取动态交互图，其中包括多个节点对，每个节点对对应于一个交互事件，其中的两个节点分别表示参与该交互事件的两个对象，任意节点通过连接边指向该节点所代表的对象参与的上一交互事件对应的两个节点；从所述动态交互图中选择样本节点对，所述样本节点对包括第一节点和第二节点，并标注有该样本节点对对应的样本交互事件的真实发生时间；从第一生成网络获取，对应于第一节点的第一生成向量，和对应于第二节点的第二生成向量；从第一判别网络获取，对应于第一节点的第一判别向量，和对应于第二节点的第二判别向量；所述第一生成网络和第一判别网络通过第一对抗训练过程而训练；将所述第一生成向量，第二生成向量和噪声向量，输入第二生成网络，得到针对所述样本交互事件的预测发生时间；基于所述第一生成向量，第二生成向量和所述预测发生时间形成第一输入，通过第二判别网络，得到所述第一输入对应于真实事件的第一概率；基于所述第一判别向量，第二判别向量和所述真实发生时间形成第二输入，通过所述第二判别网络，得到所述第二输入对应于真实事件的第二概率；执行第二对抗训练过程，其中包括，以增大第二概率，减小第一概率为目标，训练所述第二判别网络；以增大第一概率为目标，训练所述第二生成网络；训练后的第一生成网络和第二生成网络构成所述交互预测模型。在一个实施例中，所述第一生成网络和所述第一判别网络为结构相同，参数独立的两个神经网络。根据一种实施方式，从第一生成网络获取，对应于第一节点的第一生成向量，包括：以所述第一节点为根节点，在所述动态交互图中确定出从根节点出发，经由连接边到达的预定范围的节点所形成的第一子图；将所述第一子图输入所述第一生成网络，所述第一生成网络根据第一子图中各个节点的节点属性特征以及节点之间的连接关系，输出根节点的隐向量作为所述第一生成向量。进一步的，在一个实施例中，第一生成网络包括LSTM层，所述LSTM层将输入子图中从叶节点到根节点的各个节点分别作为当前节点，依次迭代处理各个节点，所述迭代处理包括，至少根据当前节点的节点属性特征，以及当前节点通过连接边指向的两个节点的隐向量，确定该当前节点的隐向量。根据一种实施方式，在将所述第一生成向量，第二生成向量和噪声向量输入第二生成网络时，可以将所述第一生成向量和第二生成向量进行拼接，作为先验条件向量；从高斯分布中进行采样，得到所述噪声向量；将所述先验条件向量和所述噪声向量拼接后，输入所述第二生成网络。在一个实施例中，第一输入通过以下方式形成：对所述第一生成向量，第二生成向量进行融合操作，得到第一融合向量；将所述第一融合向量和所述预测发生时间进行拼接组合，将组合结果作为所述第一输入。根据一种实施方式，所述第一对抗训练过程包括：从所述动态交互图中确定出对应于所述第一节点的多个备选节点，其中包括所述第二节点；利用所述第一生成网络，生成所述第一生成向量，以及所述多个备选节点分别对应的多个备选生成向量；利用所述第一判别网络，生成所述第一判别向量，以及所述多个备选节点分别对应的多个备选判别向量；根据所述第一生成向量和所述多个备选生成向量，确定各个备选节点与所述第一节点交互的概率分布，并根据所述概率分布确定与所述第一节点交互的预测节点；根据所述多个备选判别向量和所述概率分布，拟合所述预测节点的判别向量；基于所述第一判别向量和所述预测节点的判别向量，确定所述预测节点为真实交互节点的第三概率；并基于所述第一判别向量和所述第二判别向量，确定所述第二节点为真实交互节点的第四概率；以增大所述第四概率，减小所述第三概率为目标，训练所述第一判别网络；以增大所述第三概率为目标，训练所述第一生成网络。在一个实施例中，动态交互图中每个节点对中的两个节点分别表示参与该交互事件的第一类对象和第二类对象；并且，在所述第一节点属于第一类对象的情况下，所述多个备选节点均属于第二类对象。根据一个实施例，可以利用Gumbel-softmax函数，拟合得到各个备选节点与所述第一节点交互的概率分布。根据一种实施方式，第一对抗训练过程在所述第二对抗训练过程之前完成。根据另一种实施方式，第一对抗训练过程与所述第二对抗训练过程交替进行。根据第二方面，提供了一种预测交互事件的方法，所述方法包括：获取根据第一方面的方法训练得到的交互预测模型，其中包括第一生成网络，和第二生成网络；获取动态交互图，其中包括多个节点对，每个节点对对应于一个交互事件，其中的两个节点分别表示参与该交互事件的两个对象，任意节点通过连接边指向该节点所代表的对象参与的上一交互事件对应的两个节点；获取有待分析的第一目标对象，并在所述动态交互图中构建与所述第一目标对象对应的第一目标节点；通过第一生成网络获取，对应于所述第一目标节点的第一目标向量，和对应于第二目标节点的第二目标向量；其中，所述第二目标节点为第一生成网络预测的将与所述第一目标对象发生预测交互事件的对象所对应的节点；将所述第一目标向量，第二目标向量和噪声向量，输入第二生成网络，得到针对所述预测交互事件的预测发生时间。根据第三方面，提供了一种预测交互事件的方法，所述方法包括：获取根据第一方面的方法训练得到的交互预测模型，其中包括第一生成网络，和第二生成网络；获取动态交互图，其中包括多个节点对，每个节点对对应于一个交互事件，其中的两个节点分别表示参与该交互事件的两个对象，任意节点通过连接边指向该节点所代表的对象参与的上一交互事件对应的两个节点本文档来自技高网...

【技术保护点】
1.一种训练交互预测模型的方法，所述方法包括：/n获取动态交互图，其中包括多个节点对，每个节点对对应于一个交互事件，其中的两个节点分别表示参与该交互事件的两个对象，任意节点通过连接边指向该节点所代表的对象参与的上一交互事件对应的两个节点；/n从所述动态交互图中选择样本节点对，所述样本节点对包括第一节点和第二节点，并标注有该样本节点对对应的样本交互事件的真实发生时间；/n从第一生成网络获取，对应于第一节点的第一生成向量，和对应于第二节点的第二生成向量；从第一判别网络获取，对应于第一节点的第一判别向量，和对应于第二节点的第二判别向量；所述第一生成网络和第一判别网络通过第一对抗训练过程而训练；/n将所述第一生成向量，第二生成向量和噪声向量，输入第二生成网络，得到针对所述样本交互事件的预测发生时间；/n基于所述第一生成向量，第二生成向量和所述预测发生时间形成第一输入，通过第二判别网络，得到所述第一输入对应于真实事件的第一概率；/n基于所述第一判别向量，第二判别向量和所述真实发生时间形成第二输入，通过所述第二判别网络，得到所述第二输入对应于真实事件的第二概率；/n执行第二对抗训练过程，其中，以增大第二概率，减小第一概率为目标，训练所述第二判别网络；以增大第一概率为目标，训练所述第二生成网络；训练后的第一生成网络和第二生成网络构成所述交互预测模型。/n...

【技术特征摘要】
1.一种训练交互预测模型的方法，所述方法包括：
获取动态交互图，其中包括多个节点对，每个节点对对应于一个交互事件，其中的两个节点分别表示参与该交互事件的两个对象，任意节点通过连接边指向该节点所代表的对象参与的上一交互事件对应的两个节点；
从所述动态交互图中选择样本节点对，所述样本节点对包括第一节点和第二节点，并标注有该样本节点对对应的样本交互事件的真实发生时间；
从第一生成网络获取，对应于第一节点的第一生成向量，和对应于第二节点的第二生成向量；从第一判别网络获取，对应于第一节点的第一判别向量，和对应于第二节点的第二判别向量；所述第一生成网络和第一判别网络通过第一对抗训练过程而训练；
将所述第一生成向量，第二生成向量和噪声向量，输入第二生成网络，得到针对所述样本交互事件的预测发生时间；
基于所述第一生成向量，第二生成向量和所述预测发生时间形成第一输入，通过第二判别网络，得到所述第一输入对应于真实事件的第一概率；
基于所述第一判别向量，第二判别向量和所述真实发生时间形成第二输入，通过所述第二判别网络，得到所述第二输入对应于真实事件的第二概率；
执行第二对抗训练过程，其中，以增大第二概率，减小第一概率为目标，训练所述第二判别网络；以增大第一概率为目标，训练所述第二生成网络；训练后的第一生成网络和第二生成网络构成所述交互预测模型。


2.根据权利要求1所述的方法，其中，所述第一生成网络和所述第一判别网络为结构相同，参数独立的两个神经网络。


3.根据权利要求1所述的方法，其中，从第一生成网络获取，对应于第一节点的第一生成向量，包括：
以所述第一节点为根节点，在所述动态交互图中确定出从根节点出发，经由连接边到达的预定范围的节点所形成的第一子图；
将所述第一子图输入所述第一生成网络，所述第一生成网络根据第一子图中各个节点的节点属性特征以及节点之间的连接关系，输出根节点的隐向量作为所述第一生成向量。


4.根据权利要求3所述的方法，其中，所述第一生成网络包括LSTM层，所述LSTM层将输入子图中从叶节点到根节点的各个节点分别作为当前节点，依次迭代处理各个节点，所述迭代处理包括，至少根据当前节点的节点属性特征，以及当前节点通过连接边指向的两个节点的隐向量，确定该当前节点的隐向量。


5.根据权利要求1所述的方法，其中，将所述第一生成向量，第二生成向量和噪声向量，输入第二生成网络，包括：
将所述第一生成向量和第二生成向量进行拼接，作为先验条件向量；
从高斯分布中进行采样，得到所述噪声向量；
将所述先验条件向量和所述噪声向量拼接后，输入所述第二生成网络。


6.根据权利要求1所述的方法，其中，基于所述第一生成向量，第二生成向量和所述预测发生时间形成第一输入，包括：
对所述第一生成向量，第二生成向量进行融合操作，得到第一融合向量；
将所述第一融合向量和所述预测发生时间进行拼接组合，将组合结果作为所述第一输入。


7.根据权利要求1-6中任一项所述的方法，其中，所述第一对抗训练过程包括：
从所述动态交互图中确定出对应于所述第一节点的多个备选节点，其中包括所述第二节点；
利用所述第一生成网络，生成所述第一生成向量，以及所述多个备选节点分别对应的多个备选生成向量；利用所述第一判别网络，生成所述第一判别向量，以及所述多个备选节点分别对应的多个备选判别向量；
根据所述第一生成向量和所述多个备选生成向量，确定各个备选节点与所述第一节点交互的概率分布，并根据所述概率分布确定与所述第一节点交互的预测节点；
根据所述多个备选判别向量和所述概率分布，拟合所述预测节点的判别向量；
基于所述第一判别向量和所述预测节点的判别向量，确定所述预测节点为真实交互节点的第三概率；并基于所述第一判别向量和所述第二判别向量，确定所述第二节点为真实交互节点的第四概率；
以增大所述第四概率，减小所述第三概率为目标，训练所述第一判别网络；以增大所述第三概率为目标，训练所述第一生成网络。


8.根据权利要求7所述的方法，其中，所述动态交互图中每个节点对中的两个节点分别表示参与该交互事件的第一类对象和第二类对象；
所述第一节点属于第一类对象，所述多个备选节点均属于第二类对象。


9.根据权利要求7所述的方法，其中，确定各个备选节点与所述第一节点交互的概率分布，包括：利用Gumbel-softmax函数，拟合得到所述概率分布。


10.根据权利要求7所述的方法，其中，所述第一对抗训练过程在所述第二对抗训练过程之前完成。


11.根据权利要求7所述的方法，其中，所述第一对抗训练过程与所述第二对抗训练过程交替进行。


12.一种预测交互事件的方法，所述方法包括：
获取根据权利要求1的方法训练得到的交互预测模型，其中包括第一生成网络，和第二生成网络；
获取动态交互图，其中包括多个节点对，每个节点对对应于一个交互事件，其中的两个节点分别表示参与该交互事件的两个对象，任意节点通过连接边指向该节点所代表的对象参与的上一交互事件对应的两个节点；
获取有待分析的第一目标对象，并在所述动态交互图中构建与所述第一目标对象对应的第一目标节点；
通过第一生成网络获取，对应于所述第一目标节点的第一目标向量，和对应于第二目标节点的第二目标向量；其中，所述第二目...

【专利技术属性】
技术研发人员：文剑烽，常晓夫，宋乐，刘旭钦，
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