【技术实现步骤摘要】
本专利技术涉及图神经网络和深度学习领域，尤其涉及一种待测对象与群体关联度的推理方法、装置、设备及介质。
技术介绍
1、随着医疗技术的提高，人们对传染病的重视也越来越高，各种传染病的传播途径各不相同，传染病可通过呼吸道传染、消化道传染、接触转播、血液体液传播及垂直传播等，对待测目标对象进行分析时，一般情况，通过自身的描述或进行大量人工数据采集并通过人工对数据进行处理，才能得到待测目标对象与预设样本群体的关联度数据，但会浪费大量的人力资源，人工处理不仅效率低，同时准确性也欠佳，可能会为后续的判断提供错误的导向。
2、传统神经网络主要应用于处理向量和矩阵等结构化数据，而图神经网络能够有效地处理非结构化的图结构数据。它可以捕捉节点和边之间的复杂关系，提取图中的信息，并保留图的结构特征，从而更准确地对数据进行分析和预测。因此，如何利用神经网络进行推理待测对象与预设样本群体的关联度，是目前亟需解决的技术问题。
技术实现思路
1、鉴于以上所述现有技术的缺点，本专利技术提供一种待测对象与群体关联度的推理方法、装置、设备及介质，以解决上述技术问题。
2、为实现上述目的及其它相关目的，本申请所提供的技术方案如下。
3、本专利技术提供一种待测对象与群体关联度的推理方法，包括：
4、获取样本静态数据、样本动态数据及全局权重矩阵，所述样本静态数据用于表征样本身份信息，所述样本动态数据用于表征样本的行动轨迹；
5、根据所述样本静态数据和所述全局权重矩
6、基于所述样本动态数据构建知识图谱，通过图神经网络对所述知识图谱进行特征计算，得到动态融合数据；
7、基于所述静态融合数据和所述动态融合数据进行模型训练，得到关联度模型，以根据所述关联度模型确定待测目标对象与预设样本群体的关联度。
8、在本申请的实施例所提供的技术方案中，根据所述样本静态数据和所述全局权重矩阵确定静态融合数据的步骤，包括：根据所述样本静态数据确定静态特征向量；将多个所述静态特征向量聚合后与所述全局权重矩阵进行相乘，得到静态融合数据。
9、在本申请的实施例所提供的技术方案中，在获取所述样本动态数据之后，还包括对所述样本动态数据进行预处理，所述预处理步骤包括：基于预设时间段对所述行动轨迹进行划分，得到分段轨迹数据；对所述分段轨迹数据进行归一化处理，得到归一化轨迹数据。
10、在本申请的实施例所提供的技术方案中，基于所述样本动态数据构建知识图谱的步骤，包括：将所述样本作为节点；根据所述归一化轨迹数据确定所述节点之间的轨迹交叉点；根据所述轨迹交叉点确定所述样本在各个预设时间段上的坐标位置；根据所述坐标位置之间的距离确定对应节点之间的节点关系，得到所述知识图谱。
11、在本申请的实施例所提供的技术方案中，通过图神经网络对所述知识图谱进行特征计算，得到动态融合数据；包括：通过所述图神经网络对权矩阵参数和所述知识图谱中的节点进行注意力计算，得到所述节点之间的注意权重；根据所述注意权重和所述节点关系确定节点特征；对多个所述节点特征进行聚合，得到所述动态融合数据。
12、在本申请的实施例所提供的技术方案中，所述注意权重的确定表达式如下所示：
13、
14、其中，eij表示节点的特征对节点的注意权重，a表示注意力，w表示权矩阵参数，表示第i个样本在预设时间段t上的坐标位置，表示第j个样本在预设时间段t上的坐标位置。
15、在本申请的实施例所提供的技术方案中，基于所述静态融合数据和所述动态融合数据进行模型训练，得到关联度模型，包括：根据所述静态融合数据和所述动态融合数据确定所述样本之间的预测关联度；基于所述预测关联度与真实关联度构建损失函数；根据所述损失函数的损失值对预设神经网络进行更新，直至所述损失值在预设损失阈值范围内，得到所述关联度模型。
16、根据本申请实施例的另一个方面，提供待测对象与群体关联度的推理装置，包括：采集模块，用于获取样本静态数据、样本动态数据及全局权重矩阵，所述样本静态数据用于表征样本身份信息，所述样本动态数据用于表征样本的行动轨迹；静态数据处理模块，用于根据所述样本静态数据和所述全局权重矩阵确定静态融合数据；动态数据处理模块，用于基于所述样本动态数据构建知识图谱，通过图神经网络对所述知识图谱进行特征计算，得到动态融合数据；关联模块，用于基于所述静态融合数据和所述动态融合数据进行模型训练，得到关联度模型，以根据所述关联度模型确定待测目标对象与预设样本群体的关联度。
17、根据本申请实施例的另一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述电子设备实现如前所述的待测对象与群体关联度的推理方法。
18、根据本申请实施例的另一个方面，提供一种计算机可读存储的介质，其上存储有计算机可读指令，当所述计算机可读指令被计算机的处理器执行时，使计算机执行如前所述的待测对象与群体关联度的推理方法。
19、本申请提供一种待测对象与群体关联度的推理方法、装置、设备及介质，该方法包括：获取样本静态数据、样本动态数据和全局权重矩阵；通过样本静态数据和全局权重矩阵确定静态融合数据，通过样本动态数据构建知识图谱，基于图神经网络对知识图谱进行特征处理，得到样本动态数据，通过静态融合数据和动态融合数据训练模型，得到关联度模型，以基于关联度模型确定待测目标对象与预设样本群体的关联度。本申请对样本静态数据进行处理得到静态融合数据，并基于图神经网络模型对样本动态数据构建的知识图谱进行特征处理，得到动态融合数据，结合静态融合数据和动态融合数据训练模型，可直接根据关联度模型输出待测目标对象与预设样本群体的关联度，无需再通过人工进行多次重复收集数据，提高了待测目标对象与预设样本群体的疾病关联度的准确性和效率，也为后续相关人员提供有力的参考。
本文档来自技高网...【技术保护点】
1.一种待测对象与群体关联度的推理方法，其特征在于，包括:
2.根据权利要求1所述的待测对象与群体关联度的推理方法，其特征在于，根据所述样本静态数据和所述全局权重矩阵确定静态融合数据的步骤，包括：
3.根据权利要求2所述的待测对象与群体关联度的推理方法，其特征在于，在获取所述样本动态数据之后，还包括对所述样本动态数据进行预处理，所述预处理步骤包括：
4.根据权利要求3所述的待测对象与群体关联度的推理方法，其特征在于，基于所述样本动态数据构建知识图谱的步骤，包括：
5.根据权利要求4所述的待测对象与群体关联度的推理方法，其特征在于，通过图神经网络对所述知识图谱进行特征计算，得到动态融合数据；包括：
6.根据权利要求5所述的待测对象与群体关联度的推理方法，其特征在于，所述注意权重的确定表达式如下所示：
7.根据权利要求5所述的待测对象与群体关联度的推理方法，其特征在于，基于所述静态融合数据和所述动态融合数据进行模型训练，得到关联度模型，包括：
8.一种待测对象与群体关联度的推理装置，其特征在于，包括：
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序被计算机的处理器执行时，使计算机执行权利要求1至7中任一项所述的待测对象与群体关联度的推理方法。
...【技术特征摘要】
1.一种待测对象与群体关联度的推理方法，其特征在于，包括:
2.根据权利要求1所述的待测对象与群体关联度的推理方法，其特征在于，根据所述样本静态数据和所述全局权重矩阵确定静态融合数据的步骤，包括：
3.根据权利要求2所述的待测对象与群体关联度的推理方法，其特征在于，在获取所述样本动态数据之后，还包括对所述样本动态数据进行预处理，所述预处理步骤包括：
4.根据权利要求3所述的待测对象与群体关联度的推理方法，其特征在于，基于所述样本动态数据构建知识图谱的步骤，包括：
5.根据权利要求4所述的待测对象与群体关联度的推理方法，其特征在于，通过图神经网络对所述知识图谱进行特征计算...
【专利技术属性】
技术研发人员：薛丽霞，杨娟，汪荣贵，段亚林，陈红，李硕，何炜鹏，
申请(专利权)人：合肥工业大学，
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。