【技术实现步骤摘要】
一种链接预测模型的联合训练方法和装置
本说明书涉及人工智能领域，特别涉及一种链接预测模型的联合训练方法和装置。
技术介绍
相关技术中，在构建知识图谱时，可以基于实体的属性信息，利用链接预测模型来对知识图谱中的实体或者实体之间的关系进行预测。如何训练得到性能更好的链接预测模型，成为业内关注的重点。
技术实现思路
有鉴于此，本说明书提供一种链接预测模型的联合训练方法和装置。根据本说明书的第一方面，提供了一种链接预测模型的联合训练方法，包括：针对本方知识图谱中的目标实体，基于本方持有的所述目标实体的本方属性，采用多方安全计算技术联合其他数据持有方持有的所述目标实体的他方属性，确定所述目标实体的全局属性；基于所述全局属性确定所述目标实体的实体特征；基于所述实体特征和本方持有的所述目标实体的连边对本方初始链接预测模型进行训练。根据本说明书的第二方面，提供一种业务处理的方法，包括：接收到业务请求，所述业务请求中携带参与业务的第一业务实体和第二业务实体；针对每一业...
【技术保护点】
1.一种链接预测模型的联合训练方法，所述链接预测模型由多个数据持有方联合训练，各个数据持有方均配置有初始链接预测模型，且均构造有本方知识图谱，所述方法应用于任一数据持有方，包括：/n针对本方知识图谱中的目标实体，基于本方持有的所述目标实体的本方属性，采用多方安全计算技术联合其他数据持有方持有的所述目标实体的他方属性，确定所述目标实体的全局属性；/n基于所述全局属性确定所述目标实体的实体特征；/n基于所述实体特征和本方持有的所述目标实体的连边对本方初始链接预测模型进行训练。/n
【技术特征摘要】
1.一种链接预测模型的联合训练方法，所述链接预测模型由多个数据持有方联合训练，各个数据持有方均配置有初始链接预测模型，且均构造有本方知识图谱，所述方法应用于任一数据持有方，包括：
针对本方知识图谱中的目标实体，基于本方持有的所述目标实体的本方属性，采用多方安全计算技术联合其他数据持有方持有的所述目标实体的他方属性，确定所述目标实体的全局属性；
基于所述全局属性确定所述目标实体的实体特征；
基于所述实体特征和本方持有的所述目标实体的连边对本方初始链接预测模型进行训练。
2.根据权利要求1所述方法，所述针对本方知识图谱中的目标实体，基于本方持有的所述目标实体的本方属性，采用多方安全计算技术联合其他数据持有方持有的所述目标实体的他方属性，确定所述目标实体的全局属性，包括：
对本方持有的所述目标实体的实体属性进行秘密分享，以使各数据持有方得到所述目标实体的本方属性分片；
接收其他数据持有方秘密分享的所述目标实体的他方属性分片；
基于本方持有的所述目标实体的本方属性分片和他方属性分片联合其他数据持有方进行多方安全计算，得到所述目标实体的全局属性。
3.根据权利要求2所述方法，所述基于本方持有的所述目标实体的本方属性分片和他方属性分片联合其他数据持有方进行多方安全计算，得到所述目标实体的全局属性，包括：
获取权重分片、第一随机数分片、第二随机数分片、以及第一随机数与第二随机数的乘积分片；
基于所述第一随机数分片为本方持有的所述目标实体的本方属性分片和他方属性分片确定本方中间属性；
基于所述第二随机数分片和所述权重分片确定本方中间权重；
基于本方持有的所述目标实体的本方属性分片和他方属性分片、第一随机数分片、第二随机数分片、乘积分片、权重分片确定所述目标实体的本方局部特征；
联合各数据持有方的中间属性、中间权重和局部特征确定所述目标实体的全局属性。
4.根据权利要求1所述方法，所述基于所述全局属性确定所述目标实体的实体特征，包括：
基于所述全局属性确定所述目标实体的初级特征；
对所述初级特征进行迭代，得到所述目标实体的实体特征。
5.根据权利要求4所述的方法，所述对所述初级特征进行迭代，得到所述目标实体的实体特征，包括：
对初级特征进行如下迭代直至满足预设的迭代要求：
对上一次迭代得到的所述目标实体的初级特征和其邻居实体的初级特征进行聚合，得到本次迭代的聚合特征，所述邻居实体基于本方持有的知识图谱确定；
基于上一次迭代得到的所述目标实体的初级特征、以及本次迭代的聚合特征，确定本次迭代的所述目标实体的实体特征。
6.根据权利要求1所述的方法，所述链接预测模型用于基于知识图谱中的两个实体预测所述两个实体之间的连边类型，所述基于所述实体特征和本方持有的所述目标实体的连边对本方初始链接预测模型进行训练，包括：
根据本方持有的知识图谱确定与所述目标实体之间存在连边的关联实体；
将所述目标实体的实体特征和所述关联实体的实体特征作为样本特征，将基于本方知识图谱得到的所述目标实体和所述关联实体之间连边的类型作为样本标签，对本方初始链接预测模型进行训练。
7.根据权利要求1所述的方法，所述链接预测模型用于基于知识图谱中的目标实体和目标实体的连边预测该目标实体连接的关联实体，所述基于所述实体特征和本方持有的所述目标实体的连边对本方初始链接预测模型进行训练，包括：
根据本方持有的知识图谱确定与所述目标实体之间存在连边的关联实体；
将所述目标实体的实体特征和所述连边的连边特征作为样本特征，将所述关联实体作为样本标签，对本方初始链接预测模型进行训练。
8.根据权利要求1所述的方法，所述基于所述实体特征和本方持有的所述目标实体的连边对本方初始链接预测模型进行训练，包括：
对所述链接预测模型进行如下迭代直至满足预设的模型迭代要求：
基于本方持有的所述目标实体的实体特征、所述连边和所述链接预测模型上一次迭代的模型参数确定本次迭代的局部梯度；
基于本方确定出的局部梯度，联合其他数据持进行多方安全计算，得到本次迭代的全局梯度；
基于所述全局梯度和所述链接预测模型上一次迭代的模型参数，确定所述链接预测模型本次迭代的模型参数。
9.根据权利要求8所述的方法，所述基于本方确定出的局部梯度，联合其他数据持进行多方安全计算，得到本次迭代的全局梯度，包括：
对本方持有的局部梯度进行秘密分享，以使得各数据持有方得到所述局部梯度的本方梯度分片；
接收其他数据持有方对其持有的局部梯度进行秘密分享的他方梯度分片；
基于本方持有的本方梯度分片和他方梯度分片确定本方子梯度；
联合各个数据持有方的子梯度确定本次迭代的全局梯度。
10.一种业务处理的方法，应用于任一数据持有方，包括：
接收到业务请求，所述业务请求中携带参与业务的第一业务实体和第二业务实体；
针对每一业务实体，获取所述业务实体的实体特征，所述实体特征为本数据持有方基于本方持有的所述业务实体的本方属性，基于多方安全计算技术联合其他数据持有方持有的所述业务实体的他方属性确定；
将所述第一业务实体的实体特征和所述第二业务实体的实体特征输入已训练的链接预测模型，得到所述第一业务实体与所述第二业务实体之间的关系预测结果；
基于所述关系预测结果处理所述业务请求。
11.一种链接预测模型的联合训练装置，由多个数据持有方联合训练，各个数据持有方均配置有初始链接预测模型，且均构造有本方知识图谱，所述装置应用于任一数据持有方，包括：
全局属性确定单元，针对本方知识图谱中的目标实体，基于本方持有的所述目标实体的本方属性，采用多方安全计算技术联合其他数据持有方持有的所述目标实体的他方属性，确定所述目标实体的全局属性；
实体特征确定单元，基于所述全局属性确定所述目标实体的实体特征；
训练单元，基于所述实体特征和本方持有的所述目标实体的连边对本方初始链接预测模型进行训练。
...
【专利技术属性】
技术研发人员：尹红军，崔锦铭，周俊，王力，林懿伦，
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。