本发明专利技术提供了一种分配语义图至多个硬件处理单元处理的方法，包括步骤：A1、获取多个语义图，确定多个语义图中每两个语义图之间的相似度；A2、构建超图，将步骤A1计算的相似度作为对应的两个顶点间边的权值；A3、根据删除边的权值之和局部或者全局最小化的方式，将超图划分为M个超图子图；A4、为每个超图子图增加两个虚拟点作为起点和终点，并在起点与每个顶点间以及终点与每个顶点间分别增加相同权值的边，得到经调整的超图子图；A5、针对每个经调整的超图子图，在经过每个顶点且每个顶点仅经过一次的条件下，确定对应超图子图中各语义图的处理顺序信息；A6、将每个超图子图所含所有顶点对应的各语义图及对应的处理顺序信息分配给硬件处理单元。
【技术实现步骤摘要】
本专利技术涉及计算机领域，具体来说涉及计算机的数据分配处理优化领域，更具体地说，涉及一种分配语义图至多个硬件处理单元处理的方法。
技术介绍
1、同构图(homogeneous graph)数据中只存在一种节点和边，因此，在构建图神经网络时所有节点共享同样的模型参数并且拥有同样维度的特征空间。而异构图(heterogeneous graph)中可以存在不只一种节点和边，因此允许不同类型的节点拥有不同维度的特征或属性。异构图神经网络(heterogeneous graph neural network，简称hgnn)是一种用来提取并处理异构图上的结构信息以及语义信息的神经网络。
2、异构图神经网络广泛用于知识图谱、推荐系统以及药物分析等领域。异构图神经网络接收有着不同类型的节点的图数据作为输入，经过语义图构建、特征映射、邻居聚合和语义聚合四个阶段后，输出每个节点的向量表示，用于下游任务。正由于其复杂的执行流程，异构图神经网络的执行过程中存在着大量的数据复用。
3、当前针对hgnn的数据复用性挖掘的研究方案主要包含两方面：
4、1、语义图内部的数据复用性挖掘；
5、2、语义图之间的数据复用性挖掘。
6、针对语义图内部的数据复用性挖掘，由于hgnn可以视作多个gnn(同构图神经网络)的组合，因此针对gnn提出的节点属性复用以及中间结果复用在hgnn中依然有效。然而，对于针对语义图之间的数据复用性挖掘，目前相关研究仍是一片空白。
技术实现思路</p>1、因此，本专利技术的目的在于克服上述现有技术的缺陷，提供一种分配语义图至多个硬件处理单元处理的方法。
2、本专利技术的目的是通过以下技术方案实现的：
3、根据本专利技术的第一方面，提供一种分配语义图至多个硬件处理单元处理的方法，包括步骤：a1、获取多个语义图，确定所述多个语义图中每两个语义图之间的相似度，其中，所述语义图是从预设的知识图谱中提取的图谱子图；a2、构建超图，所述超图中将所述每个所述语义图作为一个顶点，并将步骤a1计算的所述相似度作为对应的两个所述顶点间边的权值；a3、获取当前用于计算的硬件处理单元的数量m，根据删除边的权值之和局部或者全局最小化的方式，将所述超图划分为m个超图子图构成的互斥集合；a4、为每个所述超图子图增加两个虚拟点作为起点和终点，并在所述起点与每个所述顶点间以及所述终点与每个所述顶点间分别增加相同权值的边，得到经调整的超图子图；a5、针对每个经调整的超图子图，在经过每个顶点且每个顶点仅经过一次的条件下，确定从其起点到终点的最长路径，根据所述最长路径得到对应超图子图中各语义图的处理顺序信息；a6、将每个超图子图所含所有顶点对应的各语义图及对应的处理顺序信息分配给一个用于计算的硬件处理单元。
4、可选的，所述步骤a3包括：根据所述硬件处理单元的数量m，确定多种不同的分割方案，每种分割方案中均删除所述超图中的一条或者多条边以得到m个超图子图，所述超图中的每个顶点仅能被分割到一个超图子图中；计算每种分割方案中被删除的所有边的权值之和，将所述权值之和最小的分割方案得到的m个超图子图作为所述互斥集合。
5、可选的，所述两个语义图之间的相似度根据所述两个语义图中共有节点的数量与两个语义图中所含节点的总数之比得到。
6、可选的，所述步骤a5中，根据所述经调整的超图子图中的顶点和边的权值，利用最长哈密顿算法确定其中各顶点对应的语义图的处理顺序信息。
7、可选的，将所述m个超图子图中第m个超图子图所含所有顶点对应的语义图及其处理顺序信息分配给第m个硬件处理单元，并将对应的所述处理顺序信息发送给第m个硬件处理单元以指示语义图间的先后处理顺序，其中，所述m∈[1,m]。
8、根据本专利技术的第二方面，提供一种商品推荐方法，所述方法包括：获取预设的知识图谱，所述预设的知识图谱中包括多个节点和边，多个所述节点包括多个用户节点以及多个商品节点，其中，用户节点之间基于社交关系设有连接的边，至少部分用户节点与其感兴趣的商品节点间设有连接的边；获取目标用户节点，从所述预设的知识图谱中获取目标用户节点的一跳邻居节点构成的语义图以及所述一跳邻居节点中的每个用户节点及其感兴趣的商品节点构成的语义图，得到多个语义图；利用预设的异构图神经网络模型根据所述多个语义图，确定为目标用户节点推荐的商品，其中，所述多个语义图按照权利要求1-5之一所述的方法分配至m个硬件处理单元且由每个硬件处理单元对获得的各语义图分别按获得的处理顺序信息进行处理。
9、可选的，所述利用预设的异构图神经网络模型根据所述多个语义图，确定为目标用户节点推荐的商品包括：获取预设的异构图神经网络模型，其包括特征映射层、邻居聚合层、语义聚合层和预测层；由每个处理硬件单元，利用特征映射层按所述处理顺序信息指示的顺序读取语义图并根据语义图的节点的原始特征进行特征投影，得到节点的投影后的特征；由每个处理硬件单元，利用所述邻居聚合层按所述处理顺序信息指示的顺序对语义图中每个节点及其邻居节点的投影后的特征进行聚合，得到每个节点的含邻居信息的特征；利用语义聚合层对不同硬件处理单元得到的同一节点的含邻居信息的特征进行聚合，得到各个节点的特征向量；利用预测层根据目标用户节点的特征向量，确定为目标用户节点推荐的商品。
10、可选的，所述邻居聚合层是利用图卷积网络对语义图中每个节点及其邻居节点的投影后的特征进行图卷积，得到每个节点的含邻居信息的特征。
11、根据本专利技术的第三方面，提供一种电子设备，包括：一个或多个处理器；以及存储器，其中存储器用于存储可执行指令；所述一个或多个处理器被配置为经由执行所述可执行指令以实现第一方面或者第二方面所述方法的步骤。
本文档来自技高网...
【技术保护点】
1.一种分配语义图至多个硬件处理单元处理的方法，其特征在于，包括步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤A3包括：
3.根据权利要求2所述的方法，其特征在于，所述两个语义图之间的相似度根据所述两个语义图中共有节点的数量与两个语义图中所含节点的总数之比得到。
4.根据权利要求1所述的方法，其特征在于，所述步骤A5中，根据所述经调整的超图子图中的顶点和边的权值，利用最长哈密顿算法确定其中各顶点对应的语义图的处理顺序信息。
5.根据权利要求1-4之一所述的方法，其特征在于，将所述M个超图子图中第m个超图子图所含所有顶点对应的语义图及其处理顺序信息分配给第m个硬件处理单元，并将对应的所述处理顺序信息发送给第m个硬件处理单元以指示语义图间的先后处理顺序，其中，所述m∈[1,M]。
6.一种商品推荐方法，其特征在于，所述方法包括：
7.根据权利要求6所述的方法，其特征在于，所述利用预设的异构图神经网络模型根据所述多个语义图，确定为目标用户节点推荐的商品包括：
8.根据权利要求7所述的方法，其特征在于，所述邻居聚合层是利用图卷积网络对语义图中每个节点及其邻居节点的投影后的特征进行图卷积，得到每个节点的含邻居信息的特征。
9.一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，所述计算机程序可被处理器执行以实现权利要求1至8中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
...
【技术特征摘要】
1.一种分配语义图至多个硬件处理单元处理的方法，其特征在于，包括步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤a3包括：
3.根据权利要求2所述的方法，其特征在于，所述两个语义图之间的相似度根据所述两个语义图中共有节点的数量与两个语义图中所含节点的总数之比得到。
4.根据权利要求1所述的方法，其特征在于，所述步骤a5中，根据所述经调整的超图子图中的顶点和边的权值，利用最长哈密顿算法确定其中各顶点对应的语义图的处理顺序信息。
5.根据权利要求1-4之一所述的方法，其特征在于，将所述m个超图子图中第m个超图子图所含所有顶点对应的语义图及其处理顺序信息分配给第m个硬件处理单元，并将对应的所述处理顺序信...
【专利技术属性】
技术研发人员：薛润桢，严明玉，韩登科，
申请(专利权)人：中国科学院计算技术研究所，
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。