实体关系预测方法、关系预测模型的训练方法及相关设备技术

本申请公开了一种实体关系预测方法、关系预测模型的训练方法及相关设备。所述实体关系预测方法包括：基于目标业务的实体关系异构图中的元路径，将实体关系异构图转化为多个实体关系同构图；通过目标关系预测模型的编码模块基于实体关系异构图表示的也有业务关系对目标节点进行嵌入表示，得到目标节点的第一表示向量，以及基于多个实体关系同构图各自表示的已有业务关系对目标节点进行嵌入表示，得到目标节点的第二表示向量；通过编码模块对目标节点的第一表示向量及第二表示向量进行融合，得到目标节点的融合表示向量；通过目标关系预测模型的解码模块基于多类实体对应的节点各自的融合表示向量，预测多类实体对应的节点之间的隐含业务关系。的隐含业务关系。的隐含业务关系。

【技术实现步骤摘要】
实体关系预测方法、关系预测模型的训练方法及相关设备


[0001]本申请涉及计算机
，尤其涉及一种实体关系预测方法、关系预测模型的训练方法及相关设备。

技术介绍

[0002]风控、信息推荐、智能应答等应用场景中有着对实体关系进行预测的需求，比如在风控场景中识别用户隐藏的身份，在信息推荐场景中预测用户对某类产品的兴趣度，在智能应答场景中预测符合用户语句的真实需求的应答语句，等等。这种需求在图数据中要求能够对实体对应的节点之间的关联关系进行预测。
[0003]相关技术中，通常利用图神经网络对图数据中的节点进行嵌入表示之后，利用距离函数对任意两个节点的表示向量之间的距离，通过预先设置阈值，判断这两个节点是否存在关联关系。但是，上述方法仅适用于同构图，对于异构图却表现不佳，经常在上述应用场景中的实体关系预测结果不准确。

技术实现思路

[0004]本申请实施例的目的提供一种实体关系预测方法、关系预测模型的训练方法及相关设备，用于实现对各类应用场景中的实体关系的准确识别。
[0005]为了实现上述目的，本申请实施例采用下述技术方案：
[0006]第一方面，本申请实施例提供一种实体关系预测方法，包括：
[0007]基于目标业务的实体关系异构图中的元路径，将所述实体关系异构图转化为多个实体关系同构图，其中，所述实体关系异构图用于表示所述目标业务涉及的多类实体对应的节点之间的多种已有业务关系，所述元路径用于表示所述实体关系异构图中不同类实体对应的节点之间的一种已有业务关系，每个实体关系同构图用于表示所述实体关系异构图中同类实体对应的节点之间的至少一种已有业务关系；
[0008]通过目标关系预测模型的编码模块基于所述实体关系异构图表示的已有业务关系对目标节点进行嵌入表示，得到所述目标节点的第一表示向量，以及基于所述多个实体关系同构图各自表示的已有业务关系对所述目标节点进行嵌入表示，得到所述目标节点的第二表示向量，其中，所述目标节点为所述实体关系异构图中的任一个节点；
[0009]通过所述编码模块对所述目标节点的第一表示向量及第二表示向量进行融合，得到所述目标节点的融合表示向量；
[0010]通过所述目标关系预测模型的解码模块基于所述多类实体对应的节点各自的融合表示向量，预测所述多类实体对应的节点之间的隐含业务关系。
[0011]通过本申请实施例提供的实体关系预测方法，利用目标业务的实体关系异构图中的元路径，将实体关系异构图转化为多个实体关系同构图；考虑到具有业务关系的实体的业务特征在一定程度上也具有一定的关联性，因而每个实体的业务特征能够通过其关联的其他实体的业务特征得到增强，并且，同一实体对应的节点在实体关系异构图和实体关系
同构图中与其他实体对应的节点之间的业务关系有所差异，基于此，通过目标关系预测模型的编码模块分别基于实体关系异构图表示的已有业务关系和实体关系同构图表示的已有业务关系这两个维度，对同一节点进行嵌入表示，得到同一节点的两种表示向量，以及对同一节点的两种表示向量进行融合得到同一节点的融合表示向量，使得同一节点对应的实体分别在实体关系异构图及实体关系同构图中的业务特征能够有效地结合在该节点的融合表示向量中，进而每个节点的融合表示向量能够增强该节点的嵌入表示而包含更丰富的业务特征；进一步，通过目标关系预测模型的解码模块基于实体关系异构图中多类实体对应的节点各自的融合表示向量，预测多类实体对应的节点之间的隐含业务关系，有利于从目标业务的实体关系异构图中准确挖掘出目标业务涉及的多类实体之间的隐含业务关系。
[0012]第二方面，本申请实施例提供一种关系预测模型的训练方法，包括：
[0013]基于目标业务对应的样本实体关系异构图中的元路径，将所述样本实体关系异构图转化为多个样本实体关系同构图，其中，所述样本实体关系异构图用于表示所述目标业务涉及的多类实体对应的节点之间的多种已有业务关系，所述元路径用于表示所述样本实体关系异构图中不同类实体对应的节点之间的一种已有业务关系，每个样本实体关系同构图用于表示所述样本实体关系异构图中同类实体对应的节点之间的至少一种已有业务关系；
[0014]通过待训练的关系预测模型的编码模块基于所述样本实体关系异构图表示的已有业务关系对目标节点进行嵌入表示，得到所述目标节点的第一表示向量，以及基于所述多个样本实体关系同构图各自表示的已有业务关系对所述目标节点进行嵌入表示，得到所述目标节点的第二表示向量，其中，所述目标节点为所述样本实体关系异构图中的任一个节点；
[0015]通过所述编码模块对所述目标节点的第一表示向量及第二表示向量进行融合，得到所述目标节点的融合表示向量；
[0016]通过所述关系预测模型的解码模块基于所述多类实体对应的节点各自的融合表示向量，预测所述多类实体对应的节点之间的多种预测业务关系；
[0017]至少基于所述多类实体对应的节点之间的多种已有业务关系及多种预测业务关系，对所述关系预测模型进行迭代训练，以得到目标关系预测模型。
[0018]通过本申请实施例提供的关系预测模型的训练方法，利用目标业务的样本实体关系异构图中的元路径，将样本实体关系异构图转化为多个样本实体关系同构图；考虑到具有业务关系的实体的业务特征在一定程度上也具有一定的关联性，因而每个实体的业务特征能够通过其关联的其他实体的业务特征得到增强，并且，同一实体对应的节点在样本实体关系异构图和样本实体关系同构图中与其他实体对应的节点之间的业务关系有所差异，基于此，通过待训练的关系预测模型的编码模块分别基于样本实体关系异构图表示的已有业务关系和样本实体关系同构图表示的已有业务关系这两个维度，对同一节点进行嵌入表示，得到同一节点的两种表示向量，以及对同一节点的两种表示向量进行融合得到同一节点的融合表示向量，使得编码模块能够充分学习同一节点分别在样本实体关系异构图及样本实体关系同构图中的表示向量并进行融合，进而能够将同一节点对应的实体分别在样本实体关系异构图及样本实体关系同构图中的业务特征能够有效地结合在该节点的融合表示向量中，使得每个节点的融合表示向量能够增强该节点的嵌入表示而包含更丰富的业务
特征；进一步，至少基于多类实体对应的节点之间的多种已有业务关系及多种预测业务关系，对关系预测模型进行迭代训练，使得关系预测模型能够从样本实体关系异构图中每个节点对应的实体的丰富业务特征中学习和理解样本实体关系异构图中多类实体对应的节点之间的业务关系，进而得到能够准确预测多类实体对应的节点之间业务关系的目标关系预测模型，该目标关系预测模型可用于本申请实施例提供的实体关系预测方法中，以实现从目标业务的实体关系异构图中准确挖掘出目标业务涉及的多类实体之间的隐含业务关系。
[0019]第三方面，本申请实施例提供一种实体关系预测装置，包括：
[0020]第一转化单元，用于基于目标业务的实体关系异构图中的元路径，将所述实体关系异构图转化为多个实体关系同构图，其中，所述实体关系异构图用于表示所述目标业务涉及的多类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种实体关系预测方法，其特征在于，包括：基于目标业务的实体关系异构图中的元路径，将所述实体关系异构图转化为多个实体关系同构图，其中，所述实体关系异构图用于表示所述目标业务涉及的多类实体对应的节点之间的多种已有业务关系，所述元路径用于表示所述实体关系异构图中不同类实体对应的节点之间的一种已有业务关系，每个实体关系同构图用于表示所述实体关系异构图中同类实体对应的节点之间的至少一种已有业务关系；通过目标关系预测模型的编码模块基于所述实体关系异构图表示的已有业务关系对目标节点进行嵌入表示，得到所述目标节点的第一表示向量，以及基于所述多个实体关系同构图各自表示的已有业务关系对所述目标节点进行嵌入表示，得到所述目标节点的第二表示向量，其中，所述目标节点为所述实体关系异构图中的任一个节点；通过所述编码模块对所述目标节点的第一表示向量及第二表示向量进行融合，得到所述目标节点的融合表示向量；通过所述目标关系预测模型的解码模块基于所述多类实体对应的节点各自的融合表示向量，预测所述多类实体对应的节点之间的隐含业务关系。2.根据权利要求1所述的方法，其特征在于，所述编码模块包括异构图神经网络和多个同构图神经网络，所述多个同构图神经网络与所述多个同构图一一对应，一个同构图神经网络与一个同构图对应；所述通过目标关系预测模型的编码模块基于所述实体关系异构图表示的已有业务关系对目标节点进行嵌入表示，得到所述目标节点的第一表示向量，以及基于所述多个实体关系同构图各自表示的已有业务关系对所述目标节点进行嵌入表示，得到所述目标节点的第二表示向量，包括：基于所述实体关系异构图表示的已有业务关系，确定所述目标节点的第一邻居节点，其中，所述第一邻居节点为所述实体关系异构图中与所述目标节点相连的节点；通过所述异构图神经网络对所述目标节点对应的实体的业务特征和所述第一邻居节点对应的实体的业务特征进行聚合处理，得到所述目标节点的第一聚合特征，并对所述第一聚合特征进行嵌入表示，得到所述目标节点的第一表示向量；基于目标实体关系同构图表示的已有业务关系，确定所述目标节点的第二邻居节点，其中，所述目标实体关系同构图为所述多个实体关系同构图中包含所述目标节点的任一个实体关系同构图，所述第二邻居节点为所述目标实体关系同构图中与所述目标节点相连的节点；通过所述目标实体关系同构图对应的同构图神经网络对所述目标节点的业务特征和所述第二邻居节点的业务特征进行聚合处理，得到所述目标节点的第二聚合特征，并对所述第二聚合特征进行嵌入表示，得到所述目标节点的第二表示向量。3.根据权利要求2所述的方法，其特征在于，所述编码模块还包括拼接网络和图注意力网络；所述通过所述编码模块对所述目标节点的第一表示向量及第二表示向量进行融合，得到所述目标节点的融合表示向量，包括：通过所述拼接网络对所述目标节点的第一表示向量及第二表示向量进行拼接，得到所述目标节点的候选表示向量；
通过所述图注意力网络基于注意力机制对所述目标节点的候选表示向量和所述第一邻居节点的候选表示向量进行聚合处理，得到所述目标节点的融合表示向量。4.根据权利要求1所述的方法，其特征在于，所述通过所述目标关系预测模型的解码模块基于所述多类实体对应的节点各自的融合表示向量，预测所述多类实体对应的节点之间的隐含业务关系，包括：通过所述解码模块基于所述多类实体对应的节点各自的融合表示向量，预测所述多类实体对应的节点之间的预测业务关系；对所述预测业务关系中包含的所述实体关系异构图表示的已有业务关系进行过滤处理，得到所述多类实体对应的节点之间的隐含业务关系。5.根据权利要求4所述的方法，其特征在于，所述对所述预测业务关系中包含的所述实体关系异构图表示的已有业务关系进行过滤处理，得到所述多类实体对应的节点之间的隐含业务关系，包括：分别获取所述实体关系异构图的邻接矩阵和用于表示所述预测业务关系的预测关系矩阵，所述邻接矩阵用于表示所述实体关系异构图所表示的已有业务关系；对所述邻接矩阵进行掩码处理，得到掩码矩阵；对所述预测关系矩阵和所述掩码矩阵进行运算，得到用于表示所述多类实体对应的节点之间的隐含业务关系的目标关系矩阵；基于所述目标关系矩阵，确定所述多类实体对应的节点之间的隐含业务关系。6.根据权利要求5所述的方法，其特征在于，所述解码模块包括内积层；所述通过所述解码模块基于所述多类实体对应的节点各自的融合表示向量，预测所述多类实体对应的节点之间的预测业务关系，包括：基于所述多类实体对应的节点各自的融合表示向量，获取所述实体关系异构图对应的融合表示向量矩阵，其中，所述融合表示向量矩阵的每个行向量表示所述实体关系异构图中一个节点的融合表示向量；对所述融合表示向量...

【专利技术属性】
技术研发人员：汪自立，刘振国，蒋宁，马超，肖冰，夏粉，吴海英，
申请(专利权)人：马上消费金融股份有限公司，
类型：发明
国别省市：