【技术实现步骤摘要】
链接的预测方法、链接预测模型的训练方法和装置
[0001]本公开涉及人工智能领域,具体涉及图神经网络和深度学习
,可应用于智慧城市和智能交通等场景下
。
技术介绍
[0002]随着计算机技术和网络技术的发展,深度学习技术在众多领域得到了广泛应用
。
例如,可以采用图结构来对多个对象及其彼此之间的关联关系进行表示,并采用深度学习技术来基于该图结构对关联关系进行预测
。
技术实现思路
[0003]本公开提供了一种链接的预测方法
、
链接预测模型的训练方法
、
装置
、
电子设备
、
存储介质,旨在实现动态图中顶点之间链接关系的预测,并因此实现动态图的重构
。
[0004]根据本公开的一个方面,提供了一种链接的预测方法,包括:根据历史时刻下针对目标对象的完整图的第一图信息,确定针对历史时刻的隐式信息;隐式信息表征针对目标对象的完整图的时间依赖信息;根据隐式信息和当前时刻下针对目标对象的参考图的第二图信息,确定当前时刻下属于目标对象的多个第一对象的第一嵌入信息的后验分布信息;以及根据后验分布信息和第二图信息,确定多个第一对象彼此之间的第一完整链接信息
。
[0005]根据本公开的另一个方面,提供了一种链接预测模型的训练方法,其中,链接预测模型包括编码器和解码器;编码器包括门控循环单元和第一生成网络;训练方法包括:采用门控循环单元对历史时刻下针对目标对象的完整图的第一图信息进行处 ...
【技术保护点】
【技术特征摘要】
1.
一种链接的预测方法,包括:根据历史时刻下针对目标对象的完整图的第一图信息,确定针对所述历史时刻的隐式信息;所述隐式信息表征针对所述目标对象的完整图的时间依赖信息;根据所述隐式信息和当前时刻下针对所述目标对象的参考图的第二图信息,确定所述当前时刻下属于所述目标对象的多个第一对象的第一嵌入信息的后验分布信息;以及根据所述后验分布信息和所述第二图信息,确定所述多个第一对象彼此之间的第一完整链接信息
。2.
根据权利要求1所述的方法,其中:所述第二图信息包括所述当前时刻下:所述多个第一对象各自的第一属性信息及所述多个第一对象彼此之间的参考链接信息;所述第一图信息包括至少一个历史时刻中的每个历史时刻下:属于所述目标对象的多个第二对象各自的第二属性信息
、
所述多个第二对象彼此之间的第二完整链接信息和所述多个第二对象各自的第二嵌入信息
。3.
根据权利要求2所述的方法,其中,所述根据历史时刻下针对目标对象的完整图的第一图信息,确定针对所述历史时刻的隐式信息包括:采用扩散卷积门控循环单元对所述第一图信息进行处理,得到针对所述历史时刻中最后时刻的隐式信息
。4.
根据权利要求3所述的方法,其中,所述采用扩散卷积门控循环单元对所述第一图信息进行处理,得到针对所述历史时刻中最后时刻的隐式信息包括:采用映射函数分别对所述第二属性信息和所述第二嵌入信息进行处理,得到处理后属性信息和处理后嵌入信息;拼接所述处理后属性信息和所述处理后嵌入信息,得到第一拼接信息;以及将所述第一拼接信息
、
所述第二完整链接信息和隐式信息的预定初始值输入所述扩散卷积门控循环单元,得到针对所述历史时刻中最后时刻的隐式信息
。5.
根据权利要求2所述的方法,其中,所述根据所述隐式信息和当前时刻下针对所述目标对象的参考图的第二图信息,确定所述当前时刻下属于所述目标对象的多个第一对象的第一嵌入信息的后验分布信息包括:拼接所述第一属性信息和所述隐式信息,得到第二拼接信息;以及根据所述第二拼接信息和所述参考链接信息,采用生成网络生成所述后验分布信息的数学期望和标准差
。6.
根据权利要求5所述的方法,其中,所述根据所述第二拼接信息和所述参考链接信息,采用生成网络生成所述后验分布信息的数学期望和标准差包括:根据所述参考链接信息,确定针对所述多个第一对象的入度信息和出度信息;将所述第二拼接信息
、
所述参考链接信息
、
所述入度信息和所述出度信息输入所述生成网络包括的第一生成子网络,生成所述后验分布信息的数学期望;以及将所述第二拼接信息
、
所述参考链接信息
、
所述入度信息和所述出度信息输入所述生成网络包括的第二生成子网络,生成所述后验分布信息的标准差
。7.
根据权利要求2所述的方法,其中,所述根据所述后验分布信息和所述第二图信息,确定所述多个第一对象彼此之间的第一完整链接信息包括:
根据所述后验分布信息,确定所述多个第一对象各自的嵌入信息,得到多个第一嵌入信息;以及根据多个所述第一嵌入信息,确定所述多个第一对象彼此之间的第一完整链接信息
。8.
根据权利要求7所述的方法,其中,所述根据多个所述第一嵌入信息,确定所述多个第一对象彼此之间的第一完整链接信息包括:采用全连接层对多个所述第一嵌入信息分别进行处理,得到多个处理后嵌入信息;以及根据所述多个处理后嵌入信息彼此之间的相似关系,确定所述多个第一对象彼此之间的第一完整链接信息
。9.
一种链接预测模型的训练方法,其中,所述链接预测模型包括编码器和解码器;所述编码器包括门控循环单元和第一生成网络;所述方法包括:采用所述门控循环单元对历史时刻下针对目标对象的完整图的第一图信息进行处理,得到针对所述历史时刻的隐式信息;所述隐式信息表征针对所述目标对象的完整图的时间依赖信息;采用所述第一生成网络对所述隐式信息和当前时刻下针对所述目标对象的参考图的第二图信息进行处理,生成所述当前时刻下属于所述目标对象的多个对象的嵌入信息的后验分布信息;采用所述解码器对所述后验分布信息和所述第二图信息进行处理,得到所述多个对象彼此之间的链接概率信息;根据所述链接概率信息确定所述链接预测模型的第一损失;以及根据所述第一损失对所述链接预测模型进行训练
。10.
根据权利要求9所述的方法,还包括:针对多个时刻,确定所述多个时刻中每个时刻为所述当前时刻,所述每个时刻的在前时刻为所述历史时刻;其中,所述链接概率信息为针对所述当前时刻的概率信息;所述根据所述链接概率信息确定所述链接预测模型的第一损失包括:根据针对所述多个时刻的多个链接概率信息的和,确定所述第一损失
。11.
根据权利要求9所述的方法,其中,所述编码器还包括第二生成网络;所述方法还包括:采用所述第二生成网络对所述隐式信息进行处理,得到所述当前时刻下所述嵌入信息的先验分布信息;根据所述先验分布信息和所述后验分布信息之间的差异,确定所述链接预测模型的第二损失;以及根据所述第二损失对所述链接预测模型进行训练
。12.
根据权利要求
11
所述的方法,还包括:针对多个时刻,确定所述多个时刻中的每个时刻为所述当前时刻,所述每个时刻的在前时刻为所述历史时刻;其中,所述根据所述先验分布信息和所述后验分布信息之间的差异,确定所述链接预测模型的第二损失包括:
针对所述多个时刻中的每个时刻,确定所述每个时刻下所述嵌入信息的所述先验分布信息与所述后验分布信息之间的差异,作为针对所述每个时刻的差异;以及根据针对所述多个时刻的多个差异的和,确定所述链接预测模型的第二损失
。13.
一种链接的预测装置,包括:隐式信息确定模块,用于根据历史时刻下针对目标对象的完整图的第一图信息,确定针对所述历史时刻的隐式信息;所述隐式信息表征针对所述目标对象的完整图的时间依赖信息;后验分布确定模块,用于根据所述隐式信息和当前时刻下针对所述目标对象的参考图的第二图信息,确定所述当前时刻下属于所述目标对象的多个第一对象的第一嵌入信息的后验分布信息;以及链接信息确定模块,用于根据所述后验分布信息和所述第二图信息,确定所述多个第一对象彼此之间的第一完整链接信息
。14.
根据权...
【专利技术属性】
技术研发人员:路新江,周强,顾晶晶,窦德景,
申请(专利权)人:百度在线网络技术,
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。