图学习方法、框架、计算机系统及可读存储介质技术方案

本公开提供了一种图学习方法、框架、计算机系统及可读存储介质，包括利用包括点和/或边属性索引参数的预设接口对样本图进行采样，得到采样数据，预设接口使用TensorFlow和PyTorch分别实现，利用TensorFlow和PyTorch共同提供的Dataset和Transform处理采样数据，得到处理后的采样数据，将处理后的采样数据输入给学习模型，以使学习模型学习样本图。以使学习模型学习样本图。以使学习模型学习样本图。

【技术实现步骤摘要】
图学习方法、框架、计算机系统及可读存储介质


[0001]本公开涉及计算机
，更具体地，涉及一种图学习方法、框架、计算机系统及可读存储介质。

技术介绍

[0002]图(Graph)是一种基于实体及其关系构成的网络，现实世界中有很多复杂系统都可以使用图的相关特性进行描述和分析，比如社交网络，电子商务，文献引用网络，蛋白质交互网络，城市交通网络，知识图谱等。相比于欧几里得空间中的数据，比如图像，视频，语音和自然语言等，图能够表达实体之间更复杂的关系。
[0003]近几年出现了许多基于现有深度学习框架的图深度学习框架。基于TensorFlow的图深度学习框架有Euler，Spektral，NeuGraph等。基于PyTorch的图深度学习框架有PyG，DGL，PyTorch
‑
BigGraph，Geo2DR。其中PyTorch
‑
BigGraph只适合图嵌入算法，不能应用基于属性图的GNN相关算法。AliGraph和NeuGraph由于未开源，具体实现未知。

技术实现思路
r/>[0004]有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图学习方法，包括：利用包括点和/或边属性索引参数的预设接口对样本图进行采样，得到采样数据，所述预设接口使用TensorFlow和PyTorch分别实现；利用TensorFlow和PyTorch共同提供的Dataset和Transform处理所述采样数据，得到处理后的采样数据；将所述处理后的采样数据输入给学习模型，以使所述学习模型学习所述样本图。2.根据权利要求1所述的方法，其中，所述属性索引的类型包括Hash索引和Range索引；所述Hash索引支持点和/或边属性值相等或不等的过滤条件；所述Range索引支持点和/或边属性值存在、不存在、大于、小于、大于等于、小于等于中任一项的过滤条件；其中，所述过滤条件用于过滤所述样本图的点和/或边。3.根据权利要求1所述的方法，其中，所述预设接口包括点边采样接口、邻居采样接口、随机游走接口和子图采样接口中的至少一类；所述利用包括点和/或边属性索引参数的预设接口对样本图进行采样，得到采样数据包括：根据预设采样类型，获取与所述预设采样类型对应的预设接口；分别使用TensorFlow和PyTorch实现所述预设接口，对所述样本图进行采样，得到采样数据。其中，当所述预设采样类型包括点边采样时，获取所述点边采样接口；当所述预设采样类型包括邻居采样时，获取所述邻居采样接口；当所述预设采样类型包括随机采样时，获取所述随机采样接口；当所述预设采样类型包括子图采样时，获取所述子图采样接口。4.根据权利要求3所述的方法，其中，在所述样本图中筛选出符合预设点和/或边的类型的点和/或边；获取所述样本图中筛选出来的点和/或边的属性值，以及，预先设定的属性索引的类型和所述属性索引的类型所支持的过滤条件；在所述样本图中筛选出符合所述预先设定的属性索引的类型和所述过滤条件的点和/或边；对所述点和/或边进行预设采样类型的采样，得到所述采样数据。5.根据权利要求4所述的方法，其中，所述预设接口还包括属性查询接口，所述方法包括：利用所述属性查询接口，获取指定点和/或边的待查询属性，以及，所述待查询属性的维度，所述待查询属性包括稀疏值、稠密值和字符串值中的至少一种；按照所述待查询属性的维度，截取所述待查询属性。6.根据权利要求3所述的方法，其中，当所述预设采样类型包括点边采样时，获取所述点边采样接口之后，还包括：获取所述筛选出来的点和/或边的权重；根据所述筛选出来的点和/...

【专利技术属性】
技术研发人员：刘倩欣，包勇军，朱小坤，刘健，陈晓宇，李杰，张维，牛文杰，杜华，
申请(专利权)人：北京京东世纪贸易有限公司，
类型：发明
国别省市：