一种更新供应链网络图中实体向量表示的方法及装置制造方法及图纸

本说明书实施例提供一种更新供应链网络图中实体向量表示的方法，根据最小化相似节点在高维空间的向量表示间的距离，且最大化非相似节点在高维空间的向量表示间的距离这一优化策略，对初始供应链网络图进行向量化表示。当初始供应链网络图中有新节点加入时，通过层序遍历各阶邻居节点，并基于节点间的关系权重计算对应的影响概率，以查找受新节点加入所影响的节点集合。之后，在基于节点集合中的各影响节点所形成的子图中进行随机游走采样，并根据采样结果训练基于注意力机制的神经网络模型，得到各影响节点的更新向量表示。由此，缩小了采样和更新的范围，降低了计算成本和时间成本。本。本。

【技术实现步骤摘要】
一种更新供应链网络图中实体向量表示的方法及装置


[0001]本说明书一个或多个实施例涉及计算机
，尤其涉及一种更新供应链网络图中实体向量表示的方法及装置。

技术介绍

[0002]供应链网络图是一种特殊的有向图结构，由节点和连接边组成。节点代表企业实体，如：供应商、制造商、分销商、销售商等；连接边代表企业实体之间的关系。例如，在起点为供应商、终点为销售商的情况下，该关系可以为供销关系。在供应链业务场景下，生产商、供应商、客户、银行、仓库、物流及保险等众多供应链环节业务流程信息互通，供应链网络图中的节点和连接边信息处于实时更新的状态，是一种动态的图结构。因此，如何将动态更新的供应链网络图进行向量化表示，对于提升供应链运营效率和管理水平具有重要价值。
[0003]现有的图向量化表示技术多为静态图的向量化表示，采用静态图上随机游走形成的语料库，通过node2vec的方法获得静态图的向量化表示。在供应链业务场景下，图的结构将发生改变，如插入新的节点，或删除已有的连接边等，需要在整个图上重复上述过程，计算成本和时间成本高昂，不能实现对供应链网络图向量表示的实时更新。而且，图结构改变前后全图的向量表示将产生较大的变化，将会影响供应链业务中以图向量化表示作为输入的机器学习模型的表现。

技术实现思路

[0004]本说明书一个或多个实施例描述了一种更新供应链网络图中实体向量表示的方法，在供应链网络图发生动态变化时，可以快速高效地更新供应链网络图中的实体向量表示。
[0005]第一方面，提供了一种更新供应链网络图中实体向量表示的方法，包括：
[0006]获取在初始供应链网络图中新增节点及其连接边后的目标网络图，其中包括对应于多个企业实体的多个节点，以及代表企业实体之间关系的有向连接边，所述有向连接边对应有关系权重；所述多个企业实体包括，供应商、制造商、分销商以及销售商；所述关系包括，供销关系、生产关系或者制造关系；
[0007]基于所述目标网络图中的新增节点及其连接边，确定节点对；
[0008]对于该节点对中的起点v,根据其预定阶数内的各邻居节点及其有向连接边的关系权重，计算所述各邻居节点受起点v影响的目标概率，并按照该目标概率，确定起点v的影响节点集合；
[0009]获取对应于所述初始供应链网络图的初始神经网络模型的初始参数矩阵，其中的各矩阵行分别为所述初始供应链网络图中各个节点的初始向量表示；
[0010]对所述影响节点集合中的各个节点的初始向量表示求平均，并将求平均结果作为对应于所述新增节点的矩阵行添加到所述初始参数矩阵中，得到初始的更新参数矩阵；
[0011]在基于所述影响节点集合确定的影响子图中通过随机游走，采集若干第一节点序
列；
[0012]根据预定义的步长，将第一宽度的滑动窗口在各第一节点序列上滑动，并根据滑动过程中所述滑动窗口内的子序列，构建多组第一节点对；其中各组第一节点对包括不同的第一特征节点和相同的第一标签节点；
[0013]至少根据所述多组第一节点对，训练所述初始神经网络模型，以调整所述更新参数矩阵中对应于所述影响子图中各个节点的各矩阵行，得到所述影响子图中各个节点的更新向量表示。
[0014]第二方面，提供了一种更新供应链网络图中实体向量表示的装置，包括：
[0015]获取单元，用于获取在初始供应链网络图中新增节点及其连接边后的目标网络图，其中包括对应于多个企业实体的多个节点，以及代表企业实体之间关系的有向连接边，所述有向连接边对应有关系权重；所述多个企业实体包括，供应商、制造商、分销商以及销售商；所述关系包括，供销关系、生产关系或者制造关系；
[0016]确定单元，用于基于所述目标网络图中的新增节点及其连接边，确定节点对；
[0017]计算单元，用于对于该节点对中的起点v,根据其预定阶数内的各邻居节点及其有向连接边的关系权重，计算所述各邻居节点受起点v影响的目标概率，并按照该目标概率，确定起点v的影响节点集合；
[0018]所述获取单元，还用于获取对应于所述初始供应链网络图的初始神经网络模型的初始参数矩阵，其中的各矩阵行分别为所述初始供应链网络图中各个节点的初始向量表示；
[0019]所述计算单元，还用于对所述影响节点集合中的各个节点的初始向量表示求平均，并将求平均结果作为对应于所述新增节点的矩阵行添加到所述初始参数矩阵中，得到初始的更新参数矩阵；
[0020]采集单元，用于在基于所述影响节点集合确定的影响子图中通过随机游走，采集若干第一节点序列；
[0021]构建单元，用于根据预定义的步长，将第一宽度的滑动窗口在各第一节点序列上滑动，并根据滑动过程中所述滑动窗口内的子序列，构建多组第一节点对；其中各组第一节点对包括不同的第一特征节点和相同的第一标签节点；
[0022]训练单元，用于至少根据所述多组第一节点对，训练所述初始神经网络模型，以调整所述更新参数矩阵中对应于所述影响子图中各个节点的各矩阵行，得到所述影响子图中各个节点的更新向量表示。
[0023]本说明书一个或多个实施例提供的更新供应链网络图中实体向量表示的方法，在供应链网络图中新增节点及其连接边后，先基于该新增节点及其连接边确定节点对。之后，针对节点对中的起点，根据其邻居节点的关系权重，确定对应的影响节点集合，并通过对其中的各个节点的向量表示求平均，得到该起点的初始向量表示，以及将该初始向量表示添加到用于表征供应链网络图的神经网络模型的参数矩阵中。接着，通过在基于影响节点集合确定的影响子图中采集节点对，并利用采集的节点对来训练神经网络模型，确定新增节点及其连接边后的受影响子图中各个节点的更新向量表示。需要说明，本方案中，在供应链网络图发生动态变化时，确定受此次动态变化影响的子图，并更新该子图中节点的向量表示，大大缩小了供应链网络图向量表示的更新范围，由此降低了计算成本和时间成本。
附图说明
[0024]为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0025]图1示出在一个例子中确定供应链网络图中实体向量表示的方法流程图；
[0026]图2a示出在一个例子中的初始供应链网络图；
[0027]图2b示出初始供应链网络图在二维平面的投影；
[0028]图3示出根据一个实施例的一种更新供应链网络图中实体向量表示的方法流程图；
[0029]图4a示出在一个例子中的目标网络图；
[0030]图4b示出目标网络图在二维平面的投影；
[0031]图5示出根据一个实施例的一种更新供应链网络图中实体向量表示的装置示意图。
具体实施方式
[0032]下面结合附图，对本说明书提供的方案进行描述。
[0033]图1示出在一个例子中确定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种更新供应链网络图中实体向量表示的方法，包括：获取在初始供应链网络图中新增节点及其连接边后的目标网络图，其中包括对应于多个企业实体的多个节点，以及代表企业实体之间关系的有向连接边，所述有向连接边对应有关系权重；所述多个企业实体包括，供应商、制造商、分销商以及销售商；所述关系包括，供销关系、生产关系或者制造关系；基于所述目标网络图中的新增节点及其连接边，确定节点对；对于该节点对中的起点v,根据其预定阶数内的各邻居节点及其有向连接边的关系权重，计算所述各邻居节点受起点v影响的目标概率，并按照该目标概率，确定起点v的影响节点集合；获取对应于所述初始供应链网络图的初始神经网络模型的初始参数矩阵，其中的各矩阵行分别为所述初始供应链网络图中各个节点的初始向量表示；对所述影响节点集合中的各个节点的初始向量表示求平均，并将求平均结果作为对应于所述新增节点的矩阵行添加到所述初始参数矩阵中，得到初始的更新参数矩阵；在基于所述影响节点集合确定的影响子图中通过随机游走，采集若干第一节点序列；根据预定义的步长，将第一宽度的滑动窗口在各第一节点序列上滑动，并根据滑动过程中所述滑动窗口内的子序列，构建多组第一节点对；其中各组第一节点对包括不同的第一特征节点和相同的第一标签节点；至少根据所述多组第一节点对，训练所述初始神经网络模型，以调整所述更新参数矩阵中对应于所述影响子图中各个节点的各矩阵行，得到所述影响子图中各个节点的更新向量表示。2.根据权利要求1所述的方法，其中，所述初始参数矩阵通过以下步骤获得：在所述初始供应链网络图中通过随机游走，采集若干第二节点序列；根据预定义的步长，将第二宽度的滑动窗口在各第二节点序列上滑动，并根据滑动过程中所述滑动窗口内的子序列，构建多组第二节点对；其中各组第二节点对包括不同的第二特征节点和相同的第二标签节点；至少根据所述多组第二节点对，训练用于表征所述初始供应链网络图的单层神经网络模型，得到所述初始参数矩阵。3.根据权利要求1所述的方法，其中，所述训练所述初始神经网络模型，包括：基于所述各第一节点序列中各个节点的采样概率，进行节点采样，得到若干第一采样节点；基于所述若干第一采样节点和所述第一标签节点，形成多组采样节点对；将所述多组第一节点对作为正样本，将所述多组采样节点对作为负样本，并基于所述正样本和所述负样本，训练所述初始神经网络模型。4.根据权利要求3所述的方法，其中，所述基于所述正样本和所述负样本，训练所述初始神经网络模型，包括：将所述正样本中的各第一特征节点输入所述初始神经网络模型，得到对应的各第一预测节点，以及将所述负样本中的各第一采样节点输入所述初始神经网络模型，得到对应的各采样预测节点；以最小化所述各第一预测节点与所述第一标签节点的向量表示间的距离，最大化所述
各采样预测节点与所述第一标签节点的向量表示间的距离为目标，调整所述更新参数矩阵中对应于所述影响子图中各个节点的各矩阵行。5.根据权利要求4所述的方法，其中，所述将所述正样本中的各第一特...

【专利技术属性】
技术研发人员：何州，刘勤献，朱海洋，黄彦成，林高雄，罗国建，何利力，
申请(专利权)人：杭州州力数据科技有限公司，
类型：发明
国别省市：