System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本说明书涉及计算机,尤其涉及一种图特征提取方法、装置、存储介质及电子设备。
技术介绍
1、如今,图是一种十分常见的数据结构,基于图结构生成的图数据在各领域内都有着广泛的应用。例如,通过用户个人信息构建图数据进行风控预测等。通常情况下,在对图数据进行应用时需要提取图数据的特征,也就是图特征。在这一过程中,提取出的图特征的质量好坏往往会直接影响后续任务的实现效果。因此,提取出质量较好的图特征是至关重要的环节。
2、现有方法在提取图数据的图特征时,通常会在模型构建后,通过模型根据图数据中包含的点和边的信息,提取出图特征。但目前,通过上述方法所提取出的图特征的中包含的信息量较少,在采用图特征执行后续任务时达到的效果也往往不尽人意。
3、因此,如何在图数据中提取到包含更多信息的图特征是一个亟待解决的问题。
技术实现思路
1、本说明书提供一种图特征提取方法、装置、存储介质及电子设备,以至少部分地解决现有技术存在的上述问题。
2、本说明书采用下述技术方案:
3、本说明书提供了一种图特征提取方法,包括:
4、获取目标图;
5、将所述目标图输入预先训练的特征提取模型中,所述特征提取模型至少包括对比子网、输出子网;
6、通过所述对比子网,针对所述特征提取模型中存储的每个隐藏图,确定该隐藏图与所述目标图之间的相似度,其中,所述隐藏图是通过对所述特征提取模型进行训练得到的;
7、通过所述输出子网,根据所述目标图
8、可选地,确定该隐藏图与所述目标图之间的相似度,具体包括:
9、通过随机游走核函数,确定该隐藏图与所述目标图之间的公共游走数量;
10、根据所述公共游走数量确定该隐藏图与所述目标图之间的相似度。
11、可选地,获取目标图,具体包括:
12、根据用户的业务信息,确定包含所述用户的用户画像的目标图;
13、所述方法还包括:
14、将所述图特征输入预先训练的风控模型,得到所述风控模型输出的预测结果;
15、根据所述预测结果确定所述用户存在的风险类型。
16、可选地,预先训练特征提取模型,具体包括:
17、获取样本图,并确定所述样本图的图极限;
18、对所述图极限进行采样,得到所述图极限的子图,作为所述样本图的标注图;
19、确定所述标注图的标注特征;
20、将所述样本图输入待训练的特征提取模型;
21、通过所述对比子网,针对每个预设的待优化隐藏图,确定该待优化隐藏图与所述样本图之间的待优化相似度;
22、通过所述输出子网,根据所述样本图与各待优化隐藏图之间的待优化相似度输出所述样本图的待优化图特征;
23、以所述待优化图特征与所述标注特征之间的差异最小,对所述特征提取模型进行训练。
24、可选地,确定所述样本图的图极限,具体包括:
25、确定所述样本图的邻接矩阵,作为原始矩阵;
26、对所述原始矩阵进行矩阵扩散,得到所述样本图的扩散矩阵;
27、对所述扩散矩阵进行奇异值分解,并根据所述分解结果,确定所述样本图的图极限。
28、可选地,对所述扩散矩阵进行奇异值分解,并根据所述分解结果,确定所述样本图的图极限,具体包括:
29、对所述扩散矩阵进行奇异值分解,得到所述扩散矩阵的左奇异矩阵、右奇异矩阵、奇异值;
30、采用预设的指定权重调整所述奇异值,得到加权奇异值;
31、对所述左奇异矩阵、所述奇异值、所述右奇异矩阵进行矩阵乘法,得到极限矩阵;
32、将所述极限矩阵对应的图确定为所述样本图的图极限。
33、本说明书提供了一种图特征提取装置,包括:
34、获取模块,用于获取目标图;
35、输入模块,用于将所述目标图输入预先训练的特征提取模型中,所述特征提取模型至少包括对比子网、输出子网;
36、对比模块,用于通过所述对比子网,针对所述特征提取模型中存储的每个隐藏图,确定该隐藏图与所述目标图之间的相似度,其中,所述隐藏图是通过对所述特征提取模型进行训练得到的;
37、输出模块,用于通过所述输出子网,根据所述目标图与各隐藏图之间的相似度输出所述目标图的图特征。
38、可选地,所述对比模块,具体用于通过随机游走核函数,确定该隐藏图与所述目标图之间的公共游走数量;根据所述公共游走数量确定该隐藏图与所述目标图之间的相似度。
39、可选地,所述获取模块,具体用于根据用户的业务信息,确定包含所述用户的用户画像的目标图;
40、所述装置还包括风控模块,具体用于将所述图特征输入预先训练的风控模型,得到所述风控模型输出的预测结果;根据所述预测结果确定所述用户存在的风险类型。
41、可选地,所述装置还包括训练模块,具体用于获取样本图,并确定所述样本图的图极限;对所述图极限进行采样,得到所述图极限的子图,作为所述样本图的标注图;确定所述标注图的标注特征;将所述样本图输入待训练的特征提取模型;通过所述对比子网,针对每个预设的待优化隐藏图,确定该待优化隐藏图与所述样本图之间的待优化相似度;通过所述输出子网,根据所述样本图与各待优化隐藏图之间的待优化相似度输出所述样本图的待优化图特征;以所述待优化图特征与所述标注特征之间的差异最小,对所述特征提取模型进行训练。
42、可选地,所述训练模块,具体用于确定所述样本图的邻接矩阵,作为原始矩阵;对所述原始矩阵进行矩阵扩散,得到所述样本图的扩散矩阵;对所述扩散矩阵进行奇异值分解,并根据所述分解结果,确定所述样本图的图极限。
43、可选地,所述训练模块,具体用于对所述扩散矩阵进行奇异值分解,得到所述扩散矩阵的左奇异矩阵、右奇异矩阵、奇异值;采用预设的指定权重调整所述奇异值,得到加权奇异值;对所述左奇异矩阵、所述奇异值、所述右奇异矩阵进行矩阵乘法,得到极限矩阵;将所述极限矩阵对应的图确定为所述样本图的图极限。
44、本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述图特征提取方法。
45、本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述图特征提取方法。
46、本说明书采用的上述至少一个技术方案能够达到以下有益效果:
47、在本说明书提供的图特征提取方法中,获取目标图;将所述目标图输入预先训练的特征提取模型中,所述特征提取模型至少包括对比子网、输出子网;通过所述对比子网,针对所述特征提取模型中存储的每个隐藏图,确定该隐藏图与所述目标图之间的相似度,其中,所述隐藏图是通过对所述特征提取模型进行训本文档来自技高网...
【技术保护点】
1.一种图特征提取方法,包括:
2.如权利要求1所述的方法,确定该隐藏图与所述目标图之间的相似度,具体包括:
3.如权利要求1所述的方法,获取目标图,具体包括:
4.如权利要求1所述的方法,预先训练特征提取模型,具体包括:
5.如权利要求4所述的方法,确定所述样本图的图极限,具体包括:
6.如权利要求5所述的方法,对所述扩散矩阵进行奇异值分解,并根据所述分解结果,确定所述样本图的图极限,具体包括:
7.一种图特征提取装置,包括:
8.如权利要求7所述的装置,所述对比模块,具体用于通过随机游走核函数,确定该隐藏图与所述目标图之间的公共游走数量;根据所述公共游走数量确定该隐藏图与所述目标图之间的相似度。
9.如权利要求8所述的装置,所述获取模块,具体用于根据用户的业务信息,确定包含所述用户的用户画像的目标图;
10.如权利要求7所述的装置,所述装置还包括训练模块,具体用于获取样本图,并确定所述样本图的图极限;对所述图极限进行采样,得到所述图极限的子图,作为所述样本图的标注图;确
11.如权利要求10所述的装置,所述训练模块,具体用于确定所述样本图的邻接矩阵,作为原始矩阵;对所述原始矩阵进行矩阵扩散,得到所述样本图的扩散矩阵;对所述扩散矩阵进行奇异值分解,并根据所述分解结果,确定所述样本图的图极限。
12.如权利要求11所述的装置,所述训练模块,具体用于对所述扩散矩阵进行奇异值分解,得到所述扩散矩阵的左奇异矩阵、右奇异矩阵、奇异值;采用预设的指定权重调整所述奇异值,得到加权奇异值;对所述左奇异矩阵、所述奇异值、所述右奇异矩阵进行矩阵乘法,得到极限矩阵;将所述极限矩阵对应的图确定为所述样本图的图极限。
13.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~6任一项所述的方法。
14.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1~6任一项所述的方法。
...【技术特征摘要】
1.一种图特征提取方法,包括:
2.如权利要求1所述的方法,确定该隐藏图与所述目标图之间的相似度,具体包括:
3.如权利要求1所述的方法,获取目标图,具体包括:
4.如权利要求1所述的方法,预先训练特征提取模型,具体包括:
5.如权利要求4所述的方法,确定所述样本图的图极限,具体包括:
6.如权利要求5所述的方法,对所述扩散矩阵进行奇异值分解,并根据所述分解结果,确定所述样本图的图极限,具体包括:
7.一种图特征提取装置,包括:
8.如权利要求7所述的装置,所述对比模块,具体用于通过随机游走核函数,确定该隐藏图与所述目标图之间的公共游走数量;根据所述公共游走数量确定该隐藏图与所述目标图之间的相似度。
9.如权利要求8所述的装置,所述获取模块,具体用于根据用户的业务信息,确定包含所述用户的用户画像的目标图;
10.如权利要求7所述的装置,所述装置还包括训练模块,具体用于获取样本图,并确定所述样本图的图极限;对所述图极限进行采样,得到所述图极限的子图,作为所述样本图的标注图;确定所述标注图的标注特征;将所述样本图输入待训练的特征提取模型;通过所述对比子网,针对每个预设的待优...
【专利技术属性】
技术研发人员:但家旺,吴若凡,刘云鹏,田胜,王宝坤,孟昌华,周璟,
申请(专利权)人:支付宝杭州信息技术有限公司,
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。