本申请公开了基于超图学习的任务执行方法、装置、电子设备及可读存储介质，应用于图神经网络技术领域，所述基于超图学习的任务执行方法包括：获取待执行任务对应的任务节点的节点特征，其中，所述任务节点为初始超图中的任一超节点；将所述节点特征输入至所述初始超图对应的预设超图学习模型，得到节点嵌入特征，其中，所述预设超图学习模型由超节点集、超边集、边依赖节点权重集和超边权重集共同确定的概率转移矩阵构建得到；根据所述节点嵌入特征和所述待执行任务对应的任务嵌入特征之间的特征相似度，执行所述待执行任务。本申请解决了当前实际应用场景下相关任务的执行效果差的技术问题。的技术问题。的技术问题。
【技术实现步骤摘要】
基于超图学习的任务执行方法、装置、设备及存储介质
[0001]本申请涉及图神经网络
，尤其涉及一种基于超图学习的任务执行方法、装置、电子设备及可读存储介质。
技术介绍
[0002]随着神经网络的不断发展，在对数据样本非线性高阶关联的刻画和挖掘能力有着高需求的任务中，需要利用图或者超图结构来组织数据，进而衍生出图神经网络，图神经网络(Graph Neural Network，GNN)是一种作用于图结构上的神经网络，与此同时，基于神经网络的超图学习方法也得到了广泛应用。
[0003]目前，常用的基于神经网络的超图学习方法主要分为谱方法和消息传递方法，其中，前者试图从物理层面的角度解释超边内部节点的交互方式，以获得更多的交互信息，后者则从深度学习的角度出发增加超图模型的学习能力和泛化能力。但是，当前的图神经网络中，仍然是从将超图简化成普通图的角度，实现超边内部节点间的信息交互，所以，超图内部节点之间的交互信息表达的准确性低，进而使得当前实际应用场景下相关任务的执行效果差。
技术实现思路
[0004]本申请的主要目的在于提供一种基于超图学习的任务执行方法、装置、电子设备及可读存储介质，旨在解决现有技术中当前实际应用场景下相关任务的执行效果差的技术问题。
[0005]为实现上述目的，本申请提供一种基于超图学习的任务执行方法，所述基于超图学习的任务执行方法包括：
[0006]获取待执行任务对应的任务节点的节点特征，其中，所述任务节点为初始超图中的任一超节点；
[0007]将所述节点特征输入至所述初始超图对应的预设超图学习模型，得到节点嵌入特征，其中，所述预设超图学习模型由超节点集、超边集、边依赖节点权重集和超边权重集共同确定的概率转移矩阵构建得到；
[0008]根据所述节点嵌入特征和所述待执行任务对应的任务嵌入特征之间的特征相似度，执行所述待执行任务。
[0009]可选地，所述根据所述节点嵌入特征和所述待执行任务对应的任务嵌入特征之间的特征相似度，执行所述待执行任务的步骤包括：
[0010]根据所述特征相似度，为所述待执行任务匹配任务执行标签；
[0011]根据所述任务执行标签，执行所述待执行任务。
[0012]可选地，在所述获取待执行任务对应的任务节点的节点特征的步骤之前，所述基于超图学习的任务执行方法还包括：
[0013]根据至少一个任务基础数据之间的数据属性，构建初始超图，其中，所述初始超图
包括超节点集、超边集、超节点的超边依赖节点权重集和超边权重集；
[0014]根据所述初始超图上随机游走的概率转移矩阵，确定所述初始超图的拉普拉斯矩阵；
[0015]基于所述初始超图的拉普拉斯矩阵，构建预设超图学习模型。
[0016]可选地，所述基于所述初始超图的拉普拉斯矩阵，构建预设超图学习模型的步骤包括：
[0017]通过超图卷积所述初始超图的拉普拉斯矩阵，提取所述初始超图的节点特征矩阵；
[0018]根据所述初始超图的超图参数矩阵，确定超图滤波器；
[0019]根据所述初始超图滤波器，对节点特征矩阵对应的矩阵信号进行迭代滤波，直至得到拉普拉斯平滑矩阵；
[0020]基于所述拉普拉斯平滑矩阵，构建所述预设超图学习模型。
[0021]可选地，所述随机游走的规则定义如下：
[0022]以超边权重概率从多个包含所述任务节点的超边中选取目标超边；
[0023]以超节点权重概率从所述目标超边中选取目标超节点；
[0024]在预设时间段内将所述任务节点移动至所述目标超节点。
[0025]可选地，在所述根据所述初始超图上随机游走的概率转移矩阵，确定所述初始超图的拉普拉斯矩阵的步骤之前，所述基于超图学习的任务执行方法还包括：
[0026]获取所述任务节点的节点随机概率；
[0027]根据所述节点随机概率的完全随机矩阵和基础概率转移矩阵，确定所述初始超图上随机游走的概率转移矩阵。
[0028]可选地，所述初始超图的拉普拉斯矩阵定义如下：
[0029][0030]其中，L为所述初始超图的拉普拉斯矩阵，I为稳态分布，Φ为节点间对角矩阵，P为所述初始超图上随机游走的概率转移矩阵，其中，所述初始超图上随机游走的概率转移矩阵定义如下：
[0031][0032]其中，P0为所述基础概率转移矩阵，为所述节点随机概率，N为超节点数，E为所述完全随机矩阵，E
T
为所述完全随机矩阵的转置矩阵。
[0033]为实现上述目的，本申请还提供一种基于超图学习的任务执行方法装置，所述基于超图学习的任务执行方法装置包括：
[0034]获取模块，用于获取待执行任务对应的任务节点的节点特征，其中，所述任务节点为初始超图中的任一超节点；
[0035]输入模块，用于将所述节点特征输入至所述初始超图对应的预设超图学习模型，得到节点嵌入特征，其中，所述预设超图学习模型由超节点集、超边集、边依赖节点权重集和超边权重集共同确定的概率转移矩阵构建得到；
[0036]执行模块，用于根据所述节点嵌入特征和所述待执行任务对应的任务嵌入特征之
间的特征相似度，执行所述待执行任务。
[0037]可选地，所述执行模块还用于：
[0038]根据所述特征相似度，为所述待执行任务匹配任务执行标签；
[0039]根据所述任务执行标签，执行所述待执行任务。
[0040]可选地，所述基于超图学习的任务执行装置还用于：
[0041]根据至少一个任务基础数据之间的数据属性，构建初始超图，其中，所述初始超图包括超节点集、超边集、超节点的超边依赖节点权重集和超边权重集；
[0042]根据所述初始超图上随机游走的概率转移矩阵，确定所述初始超图的拉普拉斯矩阵；
[0043]基于所述初始超图的拉普拉斯矩阵，构建预设超图学习模型。
[0044]可选地，所述基于超图学习的任务执行装置还用于：
[0045]通过超图卷积所述初始超图的拉普拉斯矩阵，提取所述初始超图的节点特征矩阵；
[0046]根据所述初始超图的超图参数矩阵，确定超图滤波器；
[0047]根据所述初始超图滤波器，对节点特征矩阵对应的矩阵信号进行迭代滤波，直至得到拉普拉斯平滑矩阵；
[0048]基于所述拉普拉斯平滑矩阵，构建所述预设超图学习模型。
[0049]可选地，所述随机游走的规则定义如下：
[0050]以超边权重概率从多个包含所述任务节点的超边中选取目标超边；
[0051]以超节点权重概率从所述目标超边中选取目标超节点；
[0052]在预设时间段内将所述任务节点移动至所述目标超节点。
[0053]可选地，所述基于超图学习的任务执行装置还用于：
[0054]获取所述任务节点的节点随机概率；
[0055]根据所述节点随机概率的完全随机矩阵和基础概率转移矩阵，确定所本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于超图学习的任务执行方法，其特征在于，所述基于超图学习的任务执行方法包括：获取待执行任务对应的任务节点的节点特征，其中，所述任务节点为初始超图中的任一超节点；将所述节点特征输入至所述初始超图对应的预设超图学习模型，得到节点嵌入特征，其中，所述预设超图学习模型由超节点集、超边集、边依赖节点权重集和超边权重集共同确定的概率转移矩阵构建得到；根据所述节点嵌入特征和所述待执行任务对应的任务嵌入特征之间的特征相似度，执行所述待执行任务。2.如权利要求1所述基于超图学习的任务执行方法，其特征在于，所述根据所述节点嵌入特征和所述待执行任务对应的任务嵌入特征之间的特征相似度，执行所述待执行任务的步骤包括：根据所述特征相似度，为所述待执行任务匹配任务执行标签；根据所述任务执行标签，执行所述待执行任务。3.如权利要求1所述基于超图学习的任务执行方法，其特征在于，在所述获取待执行任务对应的任务节点的节点特征的步骤之前，所述基于超图学习的任务执行方法还包括：根据至少一个任务基础数据之间的数据属性，构建初始超图，其中，所述初始超图包括超节点集、超边集、超节点的超边依赖节点权重集和超边权重集；根据所述初始超图上随机游走的概率转移矩阵，确定所述初始超图的拉普拉斯矩阵；基于所述初始超图的拉普拉斯矩阵，构建预设超图学习模型。4.如权利要求3所述基于超图学习的任务执行方法，其特征在于，所述基于所述初始超图的拉普拉斯矩阵，构建预设超图学习模型的步骤包括：通过超图卷积所述初始超图的拉普拉斯矩阵，提取所述初始超图的节点特征矩阵；根据所述初始超图的超图参数矩阵，确定超图滤波器；根据所述初始超图滤波器，对节点特征矩阵对应的矩阵信号进行迭代滤波，直至得到拉普拉斯平滑矩阵；基于所述拉普拉斯平滑矩阵，构建所述预设超图学习模型。5.如权利要求3所述基于超图学习的任务执行方法，其特征在于，所述随机游走的规则定义如下：以超边权重概率从多个包含所述任务节点的超边中选取目标超边；以超节点权重概率从所述目标超边中选取目标超节点；在预设时间段内将所述任务节点移动至所述目标超节点。6.如...
【专利技术属性】
技术研发人员：曲博，王蔚然，李聪，李翔，韩伟红，贾焰，方滨兴，
申请(专利权)人：鹏城实验室，
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。