【技术实现步骤摘要】
数据处理方法和系统、数据推送方法及商品推荐方法
[0001]本申请涉及互联网领域，具体而言，涉及一种数据处理方法和系统、数据推送方法及商品推荐方法。
技术介绍
[0002]图神经网络(Graph Neural Network，GNN)广泛应用于推荐系统、社交网络分析、三维点云处理、电路设计自动化等领域中。但是，随着图数据规模的增加，图神经网络深度的增加，图神经网络模型的结构复杂度增大，导致图神经网络占用资源较大，而且数据处理的时间较长，在某些资源受限的平台上无法达到实时处理的目的。
[0003]针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
[0004]本申请实施例提供了一种数据处理方法和系统、数据推送方法及商品推荐方法，以至少解决相关技术中图神经网络的规模较大，导致占用资源较大，实时性较差的技术问题。
[0005]根据本申请实施例的一个方面，提供了一种数据处理方法，包括：获取图数据，其中，图数据包括：节点的第一特征向量和边的特征向量，边用于表征相连的两个节点的关联关系；利用图神经...
【技术保护点】
【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：获取图数据，其中，所述图数据包括：节点的第一特征向量和边的特征向量，所述边用于表征相连的两个节点的关联关系；利用图神经网络对所述图数据进行特征提取，得到所述节点的第二特征向量，其中，所述图神经网络的权重矩阵由多个分块矩阵构成，每个分块矩阵内每一行元素是对第一行元素进行循环置换后得到的元素。2.根据权利要求1所述的方法，其特征在于，利用图神经网络对所述图数据进行特征提取，得到所述节点的第二特征向量包括：对所述图数据中与所述节点连接的其他节点进行采样，得到采样后的节点；获取所述权重矩阵和所述采样后的节点的第一特征向量的乘积，得到所述节点的聚合结果，其中，所述聚合结果用于表征对所述采样后的节点的第一特征向量进行聚合后得到的特征向量；基于所述节点的聚合结果对所述节点的第一特征向量进行更新，得到所述节点的第二特征向量。3.根据权利要求2所述的方法，其特征在于，所述权重矩阵为通过快速傅里叶变换得到的矩阵，其中，获取所述权重矩阵和所述采样后的节点的第一特征向量的乘积，得到所述节点的聚合结果包括：对所述采样后的节点的第一特征向量进行分块处理，得到每个分块矩阵对应的分块向量；对所述每个分块矩阵对应的分块向量进行快速傅里叶变换，得到所述每个分块矩阵对应的频域向量；对所述每个分块矩阵的第一行和所述每个分块矩阵对应的频域向量进行点乘运算，得到所述每个分块矩阵的点乘结果；获取所述权重矩阵中位于同一行的分块矩阵的点乘结果之和，得到所述节点的频域结果；对所述节点的频域结果进行快速傅里叶逆变换，得到所述节点的聚合结果。4.根据权利要求3所述的方法，其特征在于，通过多个傅里叶变换单元对所述每个分块矩阵对应的分块向量进行快速傅里叶变换。5.根据权利要求3所述的方法，其特征在于，通过脉动阵列结构获取所述权重矩阵和所述采样后的节点的第一特征向量的乘积，其中，所述脉动阵列结构包括多个处理单元，每个处理单元用于对所述每个分块矩阵和所述每个分块矩阵对应的频域向量进行点乘运算，以及获取所述权重矩阵中位于同一行的分块矩阵的点乘结果之和。6.根据权利要求3所述的方法，其特征在于，通过多个傅里叶逆变换单元对所述节点的频域结果进行快速傅里叶逆变换。7.根据权利要求2所述的方法，其特征在于，通过预取单元对所述图数据中与所述节点连接的其他节点进行采样。8.根据权利要求2所述的方法，其特征在于，通过处理核心获取所述权重矩阵和所述采样后的节点的第一特征向量的乘积。9.一种数据处理系统，其特征在于，包括：
存储器，用于存储图数据，其中，所述图数据包括：节点的第一特征向量和边的特征向量，所述边用于表征相连的两个节点的关联关系；处理器，与所述存储器连接，用于利用图神经网络对所述图数据进行特征提取，得到所述节点的第二特征向量，其中，所述图神经网络的权重矩阵由多个分块矩阵构成，每个分块矩阵内每一行是所述每个分块矩阵对应的网络参数的循环置换结果。10.根据权利要求9所述的系统，其特征在于，所述处理器包括：预取单元，用于对所述图数据中与所述节点连接的其他节点进行采样，得到采样后的节点；处理核心，与所述预取单元连接，用于获取所述权重矩阵和所述采样后的节点的第一特征向量的乘积，得到所述节点的聚合结果，其中，所述聚合结果用于表征对所述采样后的节点的第一特征向量进行聚合后得到的特征向量；向量计算单元，与所述预取单元和所述处理核心连接，用于基于所述节点的聚合结果对所述节点的第一特征向量进行更新，得到所...
【专利技术属性】
技术研发人员：周哲，张喆，关义金，牛迪民，郑宏忠，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：
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。