时序增强预测方法与系统技术方案

本公开提供了一种时序增强预测方法，包括：接收包括目标节点以及该目标节点的关联节点、关联边和相关时序信息的图数据；利用相关时序信息聚合关联节点以进行节点表征更新；利用相关时序信息聚合关联边以进行边表征更新；基于所更新的节点表征和所更新的边表征获取目标节点的表征向量；以及基于目标节点的表征向量进行预测。向量进行预测。向量进行预测。

【技术实现步骤摘要】
时序增强预测方法与系统


[0001]本公开主要涉及智能预测，尤其涉及基于图表征学习的预测。

技术介绍

[0002]网络世界中很多问题都可以用图来刻画，例如社交网络、搜索、广告、风险识别等。图表征学习在学术界和工业界都取得了蓬勃的发展。
[0003]在过去的一些方法中，边特征主要作为节点的附属特征，仅用于更新节点表征，边特征利用并不充分。另一方面，时序关系也没有被纳入图表征学习。而在很多实际应用场景上，时序关系是很重要的判断依据，如推荐、风险识别，基本上都是近期事件对预测更为重要。
[0004]因此，本领域需要高效的智能预测方案。

技术实现思路

[0005]为解决上述技术问题，本公开提供了一种时序增强预测方案，其通过针对业务图纳入边表征更新、同时在节点表征更新和边表征更新中引入时序信息来进行多维度刻画，从而达成高性能的智能预测，其中的边表征能力提升是通过点边互换使点边表征不断迭代更新来实现的。
[0006]在本公开一实施例中，提供了一种时序增强预测方法，包括：接收包括目标节点以及目标节点的关联节点、关联边和相关时序信息的图数据；利用相关时序信息聚合关联节点以进行节点表征更新；利用相关时序信息聚合关联边以进行边表征更新；基于所更新的节点表征和所更新的边表征获取目标节点的表征向量；以及基于目标节点的表征向量进行预测。
[0007]在本公开另一实施例中，利用相关时序信息聚合关联边以进行边表征更新进一步包括：将关联节点和关联边进行互换以进行边表征更新。
[0008]在本公开又一实施例中，将关联节点和关联边进行互换以进行边表征更新进一步包括：将关联节点和关联边进行互换，以构造超图；以及基于超图聚合关联边。
[0009]在本公开另一实施例中，基于超图聚合关联边进一步包括：根据超图的连边抽取局部子图。
[0010]在本公开又一实施例中，基于超图聚合关联边进一步包括：根据所抽取的局部子图将连边涉及的边上特征纳入边表征更新。
[0011]在本公开另一实施例中，基于超图聚合关联边进一步包括：根据所抽取的局部子图将连边涉及的相关时序信息纳入边表征更新。
[0012]在本公开又一实施例中，根据所抽取的局部子图将连边涉及的边上特征纳入边表征更新采用注意力机制。
[0013]在本公开另一实施例中，根据所抽取的局部子图将连边涉及的边上特征纳入边表征更新包括将噪音边上特征滤除。
[0014]在本公开又一实施例中，利用相关时序信息聚合关联节点以进行节点表征更新包括采用注意力机制来利用相关时序信息。
[0015]在本公开另一实施例中，利用相关时序信息聚合关联边以进行边表征更新包括采用注意力机制来利用相关时序信息。
[0016]在本公开一实施例中，提供了一种时序增强预测系统，包括：接收模块，接收包括目标节点以及目标节点的关联节点、关联边和相关时序信息的图数据；节点表征模块，利用相关时序信息聚合关联节点以进行节点表征更新；边表征模块，利用相关时序信息聚合关联边以进行边表征更新；表征获取模块，基于所更新的节点表征和所更新的边表征获取目标节点的表征向量；以及预测模块，基于目标节点的表征向量进行预测。
[0017]在本公开一实施例中，提供了一种存储有指令的计算机可读存储介质，当这些指令被执行时使得机器执行如前的方法。
[0018]提供本概述以便以简化的形式介绍以下在详细描述中进一步描述的一些概念。本概述并不旨在标识所要求保护主题的关键特征或必要特征，也不旨在用于限制所要求保护主题的范围。
附图说明
[0019]本公开的以上
技术实现思路
以及下面的具体实施方式在结合附图阅读时会得到更好的理解。需要说明的是，附图仅作为所请求保护的专利技术的示例。在附图中，相同的附图标记代表相同或类似的元素。
[0020]图1是示出根据本公开一实施例的时序增强预测方法的流程图；
[0021]图2是示出根据本公开一实施例的点边互换过程的示意图；
[0022]图3是示出根据本公开一实施例的时序增强的图表征学习框架的示意图；
[0023]图4是示出根据本公开一实施例的时序增强预测网络架构的示意图；
[0024]图5是示出根据本公开一实施例的时序增强预测系统的框图。
具体实施方式
[0025]为使得本公开的上述目的、特征和优点能更加明显易懂，以下结合附图对本公开的具体实施方式作详细说明。
[0026]在下面的描述中阐述了很多具体细节以便于充分理解本公开，但是本公开还可以采用其它不同于在此描述的其它方式来实施，因此本公开不受下文公开的具体实施例的限制。
[0027]图是一种常见的数据结构，现实中很多问题都可以用图来刻画，如社交网络、搜索、广告推荐、风险识别等。图表征学习在学术界和工业界都取得了蓬勃的发展。而过去的一些方法中，边特征主要作为节点的附属特征，仅用于更新节点表征，边特征利用并不充分，尤其业务图上边特征很丰富的场景(例如风控交易事件图)。
[0028]另一方面，图表征学习通常也不考虑边特征聚合的时序关系。然而在很多实际应用场景上，时序关系是很重要的判断依据。举例而言，推荐、风险识别基本上都是近期事件对预测更为重要。由此，需要更好地学习边表征，以提升下游预测能力。
[0029]因此，本领域需要一种能够融合节点特征学习、边特征学习和时序关系学习以实
现高效的智能预测的方案。
[0030]本公开提供了一种时序增强预测方案，其通过针对业务图纳入边表征更新、同时在节点表征更新和边表征更新中引入时序信息来进行多维度刻画，从而达成高性能的智能预测，其中的边表征能力提升是通过点边互换使点边表征不断迭代更新来实现的。
[0031]如前所述，图被广泛应用于连接数据的网络结构表示。图数据可以在社交系统、生态系统、生物网络、知识图谱、信息系统等应用领域中广泛地获取。随着人工智能技术的不断渗透，图学习在许多任务上是有效的，例如分类、预测和匹配。
[0032]本领域技术人员可以理解，本公开的时序增强预测方案实质上基于时序增强的图表征学习框架，不仅仅适用于预测。在本公开的以下内容中，将以预测为应用场景进行本方案的具体描述。
[0033]图1是示出根据本公开一实施例的时序增强预测方法100的流程图。
[0034]图(Graph)也被称为网络，可以从现实世界各种丰富的实体关系中提取出来。一些常见的图已被广泛应用进而形成不同的关系，例如社会网络、生物网络、专利网络、交通网络、引文网络和通信网络等等。图通常由两个集合定义，即顶点集和边集。顶点代表图中的实体，而边代表这些实体之间的关系。由于图学习在现实世界中的广泛应用，例如数据挖掘和知识发现，它已经引起了相当大的关注。由于图利用了顶点之间的基本和相关关系，图学习方法在捕捉复杂关系方面越来越受欢迎。例如，在微博网络中，可以通过检测信息级联来追踪谣言的传播轨迹；在生物网络中，通过推断蛋白质的相互作用，可以发现疑难病的新疗法；在交通网络中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时序增强预测方法，包括：接收包括目标节点以及所述目标节点的关联节点、关联边和相关时序信息的图数据；利用所述相关时序信息聚合所述关联节点以进行节点表征更新；利用所述相关时序信息聚合所述关联边以进行边表征更新；基于所更新的节点表征和所更新的边表征获取所述目标节点的表征向量；以及基于所述目标节点的表征向量进行预测。2.如权利要求1所述的方法，利用所述相关时序信息聚合所述关联边以进行边表征更新进一步包括：将所述关联节点和所述关联边进行互换以进行边表征更新。3.如权利要求2所述的方法，将所述关联节点和所述关联边进行互换以进行边表征更新进一步包括：将所述关联节点和所述关联边进行互换，以构造超图；以及基于所述超图聚合所述关联边。4.如权利要求3所述的方法，基于所述超图聚合所述关联边进一步包括：根据所述超图的连边抽取局部子图。5.如权利要求4所述的方法，基于所述超图聚合所述关联边进一步包括：根据所抽取的局部子图将所述连边涉及的边上特征纳入边表征更新。6.如权利要求4所述的方法，基于所述超图聚合关联边进一步包括：根据所抽取的局部子图将所述连边涉及的相关时序信息纳入边表征更新。7....

【专利技术属性】
技术研发人员：毛琼，
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：