业务处理方法、装置和电子设备制造方法及图纸

本说明书实施例提出了一种业务处理方法、装置和电子设备，其中，上述业务处理方法中，获取数据和图神经网络模型中当前待计算的算子，获取上述算子对应的激活点集，根据上述激活点集，确定上述数据中当前需要进行计算的点，然后，根据上述算子，对当前需要进行计算的点进行计算。从而可以通过激活点集确定当前需要进行计算的点，消除冗余计算，提升图神经网络模型的处理速度。型的处理速度。型的处理速度。

【技术实现步骤摘要】
业务处理方法、装置和电子设备


[0001]本说明书实施例涉及互联网
，尤其涉及一种业务处理方法、装置和电子设备。

技术介绍

[0002]图神经网络(graph neraul network，GNN)是一种神经网络。GNN不仅使用了样本自身的特征信息，还使用了样本与样本之间的关系，GNN面向的是复杂且具有一般意义的图数据结构。图神经网络的训练和预测由图神经网络系统支持，图神经网络系统是一个分布式的图计算引擎，训练的策略包含：全批次(full
‑
batch)训练和/或小批次(mini
‑
batch)训练等。在应用这些训练策略的时候，由于具体模型的区别(例如：有的模型只需要访问点的一度邻居，有的需要访问多度)，或者训练样本中点的类型区别(例如：训练图中只有部分是含有标签的点，其他则是提供数据的点)，或者其他原因，导致每次训练，发生在每个点或者边上的计算量是不同的。举例如：针对某3层模型，带标签的点需要进行完整的3层计算；标签点的一度邻居需要进行2层计算，而标签点的二度邻居只需要提供原始特征，不需要进行任何计算。
[0003]对于这种情况，现有相关技术中并没有什么手段能进行快速而有效的区分，而是每个点都进行全量计算，或者采用一些其他影响性能的方法来判断计算量。这会对模型的训练速度造成较大的影响。

技术实现思路

[0004]本说明书实施例提供了一种业务处理方法、装置和电子设备，以实现通过激活点集确定当前需要进行计算的点，消除冗余计算，提升图神经网络模型的处理速度。
[0005]第一方面，本说明书实施例提供一种业务处理方法，包括：获取数据和图神经网络模型中当前待计算的算子；其中，所述数据包括标签点、所述标签点的邻居节点，以及所述标签点和所述邻居节点之间的连接关系；获取所述算子对应的激活点集；根据所述激活点集，确定所述数据中当前需要进行计算的点；根据所述算子，对当前需要进行计算的点进行计算；根据计算结果对业务进行处理。
[0006]上述业务处理方法中，获取数据和图神经网络模型中当前待计算的算子，获取上述算子对应的激活点集，根据上述激活点集，确定上述数据中当前需要进行计算的点，然后，根据上述算子，对当前需要进行计算的点进行计算。从而可以通过激活点集确定当前需要进行计算的点，消除冗余计算，提升图神经网络模型的处理速度。
[0007]其中一种可能的实现方式中，所述获取所述算子对应的激活点集包括：根据所述算子的名称进行索引，获取所述算子对应的激活点集；或者，根据所述算子所在的层级进行索引，获取所述算子对应的激活点集。
[0008]其中一种可能的实现方式中，所述激活点集的数据结构为比特集，所述比特集中的每个比特位对应数据中的一个点；所述根据所述激活点集，确定所述数据中当前需要进
行计算的点包括：获取所述比特集中的每个比特位的值；当所述比特位的值为预定值时，确定所述比特位对应的点为当前需要进行计算的点。
[0009]其中一种可能的实现方式中，所述获取所述算子对应的激活点集之前，还包括：获取图神经网络模型的网络结构和数据；根据所述网络结构，获得所述图神经网络模型的各算子之间的数据依赖关系；根据所述数据依赖关系，生成数据流动图；根据所述数据和所述数据流动图，分别生成与所述图神经网络模型的每个层级或每个算子对应的激活点集。
[0010]第二方面，本说明书实施例提供一种业务处理装置，包括：获取模块，用于获取数据和图神经网络模型中当前待计算的算子；其中，所述数据包括标签点、所述标签点的邻居节点，以及所述标签点和所述邻居节点之间的连接关系；以及获取所述算子对应的激活点集；构图模块，用于根据所述激活点集，确定所述数据中当前需要进行计算的点；计算模块，用于根据所述算子，对当前需要进行计算的点进行计算；处理模块，用于根据计算结果对业务进行处理。
[0011]其中一种可能的实现方式中，所述获取模块，具体用于根据所述算子的名称进行索引，获取所述算子对应的激活点集；或者，根据所述算子所在的层级进行索引，获取所述算子对应的激活点集。
[0012]其中一种可能的实现方式中，所述激活点集的数据结构为比特集，所述比特集中的每个比特位对应数据中的一个点；所述构图模块，具体用于获取所述比特集中的每个比特位的值，当所述比特位的值为预定值时，确定所述比特位对应的点为当前需要进行计算的点。
[0013]其中一种可能的实现方式中，所述装置还包括：生成模块；所述获取模块，还用于在获取所述算子对应的激活点集之前，获取图神经网络模型的网络结构和数据；以及根据所述网络结构，获得所述图神经网络模型的各算子之间的数据依赖关系；所述生成模块，用于根据所述数据依赖关系，生成数据流动图；以及根据所述数据和所述数据流动图，分别生成与所述图神经网络模型的每个层级或每个算子对应的激活点集。
[0014]第三方面，本说明书实施例提供一种电子设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面提供的方法。
[0015]第四方面，本说明书实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的方法。
[0016]应当理解的是，本说明书实施例的第二～四方面与本说明书实施例的第一方面的技术方案一致，各方面及对应的可行实施方式所取得的有益效果相似，不再赘述。
【附图说明】
[0017]为了更清楚地说明本说明书实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0018]图1为本说明书一个实施例提供的图拓扑示意图；
[0019]图2为本说明书一个实施例提供的数据流动图；
[0020]图3为本说明书一个实施例提供的多层激活点集的示意图；
[0021]图4为本说明书一个实施例提供的业务处理方法的流程图；
[0022]图5为本说明书另一个实施例提供的业务处理方法的流程图；
[0023]图6为本说明书再一个实施例提供的业务处理方法的流程图；
[0024]图7为本说明书一个实施例提供的业务处理装置的结构示意图；
[0025]图8为本说明书另一个实施例提供的业务处理装置的结构示意图；
[0026]图9为本说明书一个实施例提供的电子设备的结构示意图。
【具体实施方式】
[0027]为了更好的理解本说明书的技术方案，下面结合附图对本说明书实施例进行详细描述。
[0028]应当明确，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种业务处理方法，包括：获取数据和图神经网络模型中当前待计算的算子；其中，所述数据包括标签点、所述标签点的邻居节点，以及所述标签点和所述邻居节点之间的连接关系；获取所述算子对应的激活点集；根据所述激活点集，确定所述数据中当前需要进行计算的点；根据所述算子，对当前需要进行计算的点进行计算；根据计算结果对业务进行处理。2.根据权利要求1所述的方法，其中，所述获取所述算子对应的激活点集包括：根据所述算子的名称进行索引，获取所述算子对应的激活点集；或者，根据所述算子所在的层级进行索引，获取所述算子对应的激活点集。3.根据权利要求1所述的方法，其中，所述激活点集的数据结构为比特集，所述比特集中的每个比特位对应数据中的一个点；所述根据所述激活点集，确定所述数据中当前需要进行计算的点包括：获取所述比特集中的每个比特位的值；当所述比特位的值为预定值时，确定所述比特位对应的点为当前需要进行计算的点。4.根据权利要求1
‑
3任意一项所述的方法，其中，所述获取所述算子对应的激活点集之前，还包括：获取图神经网络模型的网络结构和数据；根据所述网络结构，获得所述图神经网络模型的各算子之间的数据依赖关系；根据所述数据依赖关系，生成数据流动图；根据所述数据和所述数据流动图，分别生成与所述图神经网络模型的每个层级或每个算子对应的激活点集。5.一种业务处理装置，包括：获取模块，用于获取数据和图神经网络模型中当前待计算的算子；其中，所述数据包括标签点、所述标签点的邻居节点，以及所述标签点和所述邻居节点之间的连接关系；以及获取所述算子对应的激活点集；构图...

【专利技术属性】
技术研发人员：张国威，刘永超，何昌华，
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：