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<
...【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
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。