[发明专利]用于对图进行学习的系统

说明书

本发明公开了用于对图进行学习的系统，该系统包括：计算节点和存储节点；存储节点，用于存储子图并向计算节点提供查询服务，所述子图是预先对一张图进行切分得到的，一张图进行切分得到的子图的个数大于等于2；计算节点，用于按照预设的图学习任务，向存储节点发送查询请求，将查询请求得到的图相关数据作为预设的图学习任务的输入之一，执行图学习任务；其中，存储节点的个数可配置为两个及以上，所述计算节点的个数可配置为一个及以上。该系统与现有技术相比，提升了图学习的效率。

技术领域

本发明涉及计算机技术领域，特别涉及用于对图进行学习的系统。

背景技术

随着移动终端及应用软件的普及，在社交、电商、物流、出行、外卖、营销等领域的服务提供商沉淀了海量业务数据，基于海量业务数据，挖掘不同业务实体(实体)之间的关系成为数据挖掘领域一个重要的技术研究方向。而随着机器处理能力的提升，越来越多技术人员开始研究如何通过机器学习技术进行挖掘。

本发明的发明人发现：

目前，通过机器学习技术，对海量业务数据进行学习，得到用于表达实体及实体之间关系的图(Graph)，即，对海量业务数据进行图学习，成为一个优选的技术方向。简单理解，图由节点和边构成，如图1所示，每个序号代表一个节点，一个节点用于表示一个实体，节点与节点之间的边用于表示节点之间的关系。一张图一般会包括两个以上的节点和一条以上的边，因此，图也可以理解为由节点的集合和边的集合组成，通常表示为：G(V，E)，其中，G表示图，V表示图G中节点的集合，E是图G中边的集合。图可以分为同构图和异构图，其中，异构图指的是一张图中的节点的类型不同(边的类型可以相同或者不同)，或者一张图中边的类型不同(节点的类型可以相同或者不同)，图1所示则为一张异构图，同样类型的边用同样的线形表示，同样类型的点用同样的几何图形表示。

现有技术是用单台机器进行图学习，单台机器既要存储图还要基于训练数据对图进行学习，当图中的节点和边的数量很大和/或训练数据很大时，单台机器会出现存储压力大和/或图学习时间过长的问题。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的用于对图进行学习的系统。

本发明实施例提供的用于对图进行学习的系统，至少包括：计算节点和存储节点；

存储节点，用于存储子图并向计算节点提供查询服务，所述子图是预先对一张图进行切分得到的，一张图进行切分得到的子图的个数大于等于2；

计算节点，用于按照预设的图学习任务，向存储节点发送查询请求，将查询请求得到的图相关数据作为预设的图学习任务的输入之一，执行图学习任务；

其中，存储节点的个数可配置为两个及以上，所述计算节点的个数可配置为一个及以上。

本发明实施例提供的上述技术方案的有益效果至少包括：

本发明提供的系统，与现有技术用单台机器进行图存储和图学习相比，本发明通过设置计算节点和存储节点，实现了图学习任务执行和图查询存储服务的分离，同时，该系统支持存储节点的个数配置，实现了对一张图的分布式存储，解决了单台机器存储一张很大的图所面临的存储压力大的技术问题，另外，本系统支持配置计算节点的个数，计算节点的个数配置一般与图学习总时长相关，图学习总时长越大配置的计算节点的个数可以越多，因此，与单台机器执行图学习任务相比，通过配置计算节点的个数可以提高图学习效率，节省图学习时间，解决了现有技术图学习效率低和学习时间长的问题。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明