具有更新向量的基于图学习的系统技术方案

本发明专利技术提供了一种方法，所述方法包括由分析计算机提取数据集，所述数据集包括针对多个用户节点中的每一者和针对多个资源提供商节点中的每一者的初始向量表示。然后，当新交互数据随着时间的推移到达时，所述分析计算机可生成更新向量表示，并且使用它们来执行对未来交互的预测。交互的预测。交互的预测。

【技术实现步骤摘要】
【国外来华专利技术】具有更新向量的基于图学习的系统
相关申请的交叉引用本申请要求2020年9月22日提交的美国临时申请号63/081,804的权益，该临时申请出于所有目的全文以引用方式并入本文。

技术介绍

特定交互发生在两种不同类型的实体—资源提供商与用户之间。可用许多参数来描述交互，这些参数可称为维度。维度的示例包括用户设备的类型、资源提供商位置、交互渠道(例如，面对面、线上、通过电话等)。交互由资源提供商或用户发起。资源提供商发起的交易的示例是经常性订阅服务交互。用户发起的交易的示例是用户将用户设备物理地呈现给资源提供商终端或者在网站输入用户设备信息。通常，当资源提供商发起的交互被否决时，资源提供商可重试该交互，直到它被批准。这消极地使用了处理能力，招致了资源提供商的处理成本，并且降低了资源提供商的交互的总体批准率。此外，传统的交互预测系统可能是资源密集型的，因为当获得新数据时，它们可能涉及整个现有预测模型的重新创建或重新格式化。这可需要大量的计算资源，尤其是在可存在数百万或数十亿个交互(每个交互包括多个特征)的情况下。本专利技术的实施方案单独地和共同地解决这些问题和其他问题。

技术实现思路

一个实施方案涉及一种方法，包括：由分析计算机接收图，所述图包括针对多个用户的多个用户节点、针对多个资源提供商的多个资源提供商节点以及所述多个用户节点与所述多个资源提供商节点之间的多条交互边，所述交互边表示所述多个用户与所述多个资源提供商之间的多个交互；由所述分析计算机提取数据集，所述数据集包括针对所述多个用户节点中的每一者和针对所述多个资源提供商节点中的每一者的初始向量表示；由所述分析计算机响应于涉及所述第一用户节点的新交互而使用第一递归神经网络和针对来自所述多个用户节点的第一用户节点的初始向量表示来生成针对所述第一用户节点的更新向量表示；由所述分析计算机基于针对所述第一用户节点的所述更新向量表示来执行对未来交互的第一预测；以及由所述分析计算机基于所述未来交互来执行动作。另一实施方案涉及一种分析计算机，包括：处理器；和耦合到所述处理器的计算机可读介质，所述计算机可读介质包括代码，所述代码能够由所述处理器执行以用于实现上述方法。有关本专利技术的实施方案的更多详细信息可见于具体实施方式和附图。
附图说明
图1示出了根据一些实施方案的系统的框图。
图2示出了根据一些实施方案的分析计算机的框图。图3示出了根据一些实施方案的被建模为二分图的交互数据的示例的图。图4示出了根据一些实施方案的互连递归神经网络方程的图示。图5示出了根据一些实施方案的示出相邻节点关系的二分图。图6示出了根据一些实施方案的具有由结果分隔的交互数据的二分图。图7示出了根据一些实施方案的具有另外输入变量的互连递归神经网络方程的图示。图8示出了根据一些实施方案的示出动态图表示过程的流程图。
具体实施方式
在描述本公开的实施方案之前，可详细地描述一些术语。“机器学习模型”可包括为系统提供自动学习和根据经验进行改进的能力而无需被明确编程的人工智能的应用。机器学习模型可以包括一组软件例程和参数，它们可以基于“特征向量”或其它输入数据预测过程的输出(例如，计算机网络攻击者的标识、计算机的认证、基于用户搜索查询的合适推荐等)。可在训练过程中确定软件例程的结构(例如，子例程的数量和它们之间的关系)和/或参数的值，这可使用正在建模的过程的实际结果，例如，不同类别的输入数据的标识。机器学习模型的示例包括支持向量机(SVM)，通过在不同分类的输入之间建立间隙或边界来对数据进行分类的模型，以及神经网络，神经网络是通过响应于输入而激活来执行功能的人工“神经元”的集合。在一些实施方案中，神经网络可包括卷积神经网络、递归神经网络等。“模型数据库”可包括可存储机器学习模型的数据库。机器学习模型可以各种形式存储在模型数据库中，诸如限定机器学习模型的参数或其他值的集合。模型数据库中的模型可与传达模型的某些方面的关键词相关联地存储。例如，用于评估新闻文章的模型可与关键词“新闻”、“宣传”和“信息”相关联地存储在模型数据库中。分析计算机可访问模型数据库，并从模型数据库中检索模型、修改模型数据库中的模型、从模型数据库中删除模型，或将新模型添加到模型数据库中。“特征向量”可包括表示某个对象或实体的一组可测量特性(或“特征”)。特征向量可以包括以数组或向量结构形式用数字表示的数据的集合。特征向量还可以包括可以被表示为数学向量的数据的集合，可以对所述数学向量执行例如标量积的向量运算。可以从输入数据确定或生成特征向量。特征向量可以用作机器学习模型的输入，使得机器学习模型产生某种输出或分类。基于输入数据的性质，可以各种方式实现特征向量的构造。例如，对于将单词分类为正确拼写或错误拼写的机器学习分类器，对应于例如“LOVE”的单词的特征向量可以被表示为向量(12，15，22，5)，它对应于输入数据字中的每个字母的字顺索引。对于更复杂的“输入”，例如人类实体，示例性特征向量可以包括例如人的年龄、身高、体重、相对幸福的数值表示等的特征。可以在特征存储区中以电子方式表示和存储特征向量。此外，可以将特征向量归一化，即，使特征向量具有单位量值。例如，对应于“LOVE”的特征向量(12，15，22，5)可被归一化为大约(0.40，0.51，0.74，0.17)。“交互”可包括相互的作用或影响。“交互”可以包括各方、各装置和/或各实体之间的通信、联系或交换。示例交互包括两方之间的交易和两个装置之间的数据交换。在一些实
施例中，交互可以包括用户请求访问安全数据、安全网页、安全位置等。在其他实施方案中，交互可包括支付交易，在所述支付交易中，两个设备可交互以促进支付。“拓扑图”可包括在由边连接的不同顶点的平面中的图的表示。拓扑图中的不同顶点可以被称为“节点”。每个节点可以表示事件的特定信息，或者可以表示实体或对象的简档的特定信息。这些节点可通过一组边E彼此相关。例如，“边”可被描述为由作为图G＝(V，E)的子集的两个节点组成的无序对，其中G是包括由一组边E连接的一组顶点(节点)V的图。例如，拓扑图可表示交易网络，其中表示交易的节点可通过边连接到与交易相关的一个或多个节点，诸如表示设备、用户、交易类型等的信息的节点。边可与称为“权重”的数值相关联，该权重可被分配给两个节点之间的成对连接。边权重可被标识为两个节点之间的连接强度和/或可与成本或距离相关，因为它通常表示从一个节点移动到下一个节点所需的量。在一些实施方案中，图可以是动态图，其可随着时间的推移而变化。例如，可向图中添加和/或从图中移除节点和/或边。拓扑图可以是具有两种不同类型类别的节点的“二分图”。例如，二分图可包括针对用户的用户节点和针对资源提供商的资源提供商节点。更具体地，用户可以是消费者，并且资源提供商可以是商家。“子图”可包括由更大图的元素的子集形成的图。元素可包括顶点和连接边，并且子集可以是从更大图的整个一组节点和边中选择的一组节点和边。例如，多个子图可以通过对图形数据随机采样来形成，其中每个随机样本都可以是子图。每个子图可与由同一更大图形成的另一子图重叠。“社区”可以包括图中的在组内密本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：由分析计算机接收图，所述图包括针对多个用户的多个用户节点、针对多个资源提供商的多个资源提供商节点以及所述多个用户节点与所述多个资源提供商节点之间的多条交互边，所述交互边表示所述多个用户与所述多个资源提供商之间的多个交互；由所述分析计算机提取数据集，所述数据集包括针对所述多个用户节点中的每一者和针对所述多个资源提供商节点中的每一者的初始向量表示；响应于涉及所述第一用户节点的新交互，由所述分析计算机使用第一递归神经网络和针对来自所述多个用户节点的第一用户节点的初始向量表示来生成针对所述第一用户节点的更新向量表示；由所述分析计算机基于针对所述第一用户节点的所述更新向量表示来执行对未来交互的第一预测；以及由所述分析计算机基于所述未来交互来执行动作。2.如权利要求1所述的方法，其中生成针对所述第一用户节点的所述更新向量表示基于所述第一递归神经网络的输入，其中所述第一递归神经网络的所述输入包括针对所述第一用户节点的所述初始向量表示、针对与所述新交互相关联的资源提供商节点的向量表示，和所述新交互的特征。3.如权利要求2所述的方法，其中所述第一递归神经网络的所述输入还包括对应于所述第一用户节点的一个或多个邻居节点的一个或多个向量表示。4.如权利要求3所述的方法，其中所述第一用户节点的所述一个或多个邻居节点包括一跳邻居或两跳邻居。5.如权利要求1所述的方法，其中执行对所述未来交互的所述第一预测包括：使用第三递归神经网络来确定基于自涉及所述第一用户节点的最近交互以来经过的时间量和当前时间的、针对所述第一用户节点的时间更新的向量表示，其中基于针对所述第一用户节点的所述时间更新的向量表示来预测所述未来交互。6.如权利要求5所述的方法，其中预测所述未来交互包括：使用第四递归神经网络和针对所述第一用户节点的所述时间更新的向量表示来预测向量；以及从所述多个资源提供商节点中确定具有最接近所预测向量的向量表示的资源提供商节点，其中所述未来交互被预测为包括所述第一用户节点和所确定的资源提供商节点。7.如权利要求6所述的方法，还包括：由所述分析计算机执行对针对所述未来交互的特征的第二预测，其中使用第五递归神经网络和所述第五递归神经网络的输入来执行所述第二预测，所述第五递归神经网络的输入包括针对所述第一用户节点的所述更新向量表示和所确定的资源提供商节点的所述向量表示。8.如权利要求7所述的方法，还包括：由所述分析计算机执行对针对所述未来交互的结果的第三预测，使用第六递归神经网络和所述第六递归神经网络的输入来执行所述第三预测，所述第六递归神经网络的输入包括针对所述未来交互的所预测特征。9.如权利要求8所述的方法，其中针对所述未来交互的所预测结果是批准概率。
10.如权利要求9所述的方法，其中执行所述动作包括向与所确定的资源提供商节点相关联的资源提供商通知...

【专利技术属性】
技术研发人员：吴宇航，M，
申请(专利权)人：维萨国际服务协会，
类型：发明
国别省市：