[发明专利]一种图谱特征的提取方法和装置

说明书

本发明的实施例提供一种图谱特征的提取方法和装置，涉及计算机软件技术领域，能够根据邻近节点提取图谱特征，提高图谱特征提取的精确度。该方法包括：提取图谱中节点的特征，生成特征集；获取图谱中目标节点的邻近节点，生成目标近邻图；根据目标近邻图查询特征集中目标节点的邻近节点的特征，生成邻近节点的特征矩阵；提取目标节点与邻近节点的边特征集；归一化边特征集，生成邻近节点的注意力系数；利用邻近节点的注意力系数对邻近节点的特征矩阵进行加权求和，计算目标节点的特征编码。本申请的实施例应用于提取节点的图谱特征。

技术领域

本发明的实施例涉及计算机软件技术领域，尤其涉及一种图谱特征的提取方法和装置。

背景技术

传统的关系型数据暴露出了建模缺陷、水平伸缩等问题，于是具有更强大表达能力的图(graph)数据受到业界极大的重视。图是一种重要的数据结构，它由节点(vertex)与边(edge)构成，一般将图表示为G(V，E)，其中，节点也可以称为顶点，代表个体；边代表个体之间的联系。图中每个节点连接都不尽相同，有的节点有三个连接，有的节点有两个连接，是不规则的数据结构。

现实生活中有很多数据可以用图数据结构进行表示，例如，社交关系、电子交易关系、分子结构等抽象出的图谱。例如，在网页搜索中，可以把web网页作为节点，页面之间的超链接关系作为边；在社交网络中，可以把用户作为节点，用户之间建立的关系作为边，例如，微信的社交网络，将个人、公众号作为节点，关注、点赞作为边构成图谱；对应电商来说，商城的交易网络是由节点(个人、商品)和边(购买、收藏)构成的图谱。

EdgeConv是一种被广泛应用于图谱特征提取的图卷积网络，图谱特征的提取步骤主要包括先提取每条边的特征，再对边的特征累加求和获取节点的特征编码，得到节点的图谱特征。提取的图谱特征可用于推荐或者反欺诈。首先，通过EdgeConv提取图谱特征的方式忽略了邻近节点自身特征对节点的影响；其次，由于不同类别的邻近节点距离较远，相同类别的邻近节点距离较近，会导致各邻近节点对中心节点的影响程度也不尽相同，因此，这种只考虑了边特征的方法，提取的图谱特征不够精确，进一步在应用图谱特征进行推荐时会造成推荐的内容和被推荐的对象匹配度较低的情况，在应用图谱特征进行反欺诈时会造成风险评估不够准确的现象。

发明内容

本发明的实施例提供一种图谱特征的提取方法和装置，能够根据邻近节点提取图谱特征，提高图谱特征提取的精确度。

第一方面，提供一种图谱特征的提取方法，包括如下步骤：提取图谱中节点的特征，生成特征集，其中，图谱包括至少两个节点；图谱中的节点包括电商交易过程中的信息，图谱还包括连接两个节点的边，边用于表示边的两端的节点之间的关系；获取图谱中目标节点的邻近节点，生成目标近邻图；根据目标近邻图查询特征集中目标节点的邻近节点的特征，生成邻近节点的特征矩阵；提取目标节点与邻近节点的边特征集；归一化边特征集，生成邻近节点的注意力系数；利用邻近节点的注意力系数对邻近节点的特征矩阵进行加权求和，计算目标节点的特征编码。

上述方案中，提取图谱中节点的特征，生成特征集，其中，图谱包括至少两个节点；图谱中的节点包括电商交易过程中的信息，图谱还包括连接两个节点的边，边用于表示边的两端的节点之间的关系；获取图谱中目标节点的邻近节点，生成目标近邻图；根据目标近邻图查询特征集中目标节点的邻近节点的特征，生成邻近节点的特征矩阵；提取目标节点与邻近节点的边特征集；归一化边特征集，生成邻近节点的注意力系数；利用邻近节点的注意力系数对邻近节点的特征矩阵进行加权求和，计算目标节点的特征编码。因此，本申请中先获取目标节点的邻近节点的特征；再计算各邻近节点的注意力系数，最后利用目标节点的邻近节点的注意力系数与邻近节点的特征共同计算目标节点的特征编码，避免了直接用目标节点与邻近节点的边特征累加求和计算目标节点的特征编码时，未考虑邻近节点对目标节点的影响，提高了图谱特征提取的精确度，进一步在应用图谱特征进行推荐时会提高推荐的内容和被推荐的对象之间的匹配度，在应用图谱特征进行反欺诈时能够提高进行风险评估的准确度。