[发明专利]更新关系网络的方法及装置

说明书

本说明书实施例提供一种更新关系网络的方法和装置，可以基于当前节点与其一阶邻居节点之间的连接边的权重，通过采样方式选择节点，并以递进方式一阶一阶向当前节点的高阶邻居节点进行采样，从而采样出可信的与当前节点相关联的高阶邻居节点，并将它们确定为当前节点的一阶邻居节点，以更新当前关系网络。如此，可以使得在通过图神经网络等机器学习方式处理关系网络时，充分利用节点之间的高阶关系，提升关系网络针对当前节点的表达能力，获取更有效的处理结果。

技术领域

本说明书一个或多个实施例涉及计算机技术领域，尤其涉及通过计算机更新关系网络的方法和装置。

背景技术

关系网络是用来描述真实世界中存在的各种实体和概念，以及他们之间的关联关系的一种图结构，具有很强的数据描述能力。其初衷是为了提高搜索引擎的能力，改善用户的搜索质量以及搜索体验。随着人工智能的技术发展和应用，关系网络可以作为关键技术之一，被广泛应用于智能搜索、智能问答、个性化推荐、内容分发等领域。特别是，与机器学习模型相结合，增强模型的预测能力。例如，在客服机器人问答系统中，可以通过引入与产品服务的问题和答案语义相关的关系网络，帮助意图识别模型对用户使用自然语言提出的问题进行语义分析和意图识别，之后在关系网络中查询答案推送给用户。

目前基于针对关系网络的处理，通常采用图神经网络算法一类的机器学习算法，它通常是一个具有预定层数(如2-3层)的图神经网络结构，每个节点的下一层表征是由该节点的上一层表征和该节点的邻居节点的上一层表征共同聚合而成，模型的最后一层会根据具体的任务对节点的向量表征进行约束来定义损失函数，从而实现一个端到端的图模型的搭建。在每一层表征的学习中，如何定义邻居是个比较重要的问题。常规的方法往往要将节点的预定阶数内的节点，如一阶邻居节点、二阶邻居节点定义为该节点的邻居，在机器学习模型处理过程中予以考虑，一些方式还在邻居中做一定的采样。这种方式通过预定阶数进行切断，然而，节点的高阶关系也是刻画网络结构十分重要的一个方面，如何使得图神经网络可以对节点的高阶关系进行建模，以进一步提高图神经网络的准确度，是一个重要的问题。

发明内容

本说明书一个或多个实施例描述了一种更新关系网络的方法及装置，挖掘关系网络中的高阶实体关系，从而使得图神经网络在处理关系网络时，充分利用原关系网络中的高阶关系，得到更有效的处理结果。

根据第一方面，提供了一种更新关系网络的方法，所述关系网络包括多个节点，并通过连接边描述节点之间的关联关系，各个节点分别对应各个实体，各个连接边分别对应有各个连接边权重，所述方法包括：针对当前关系网络中的第一节点，确定若干个一阶邻居节点，所述第一节点的一阶邻居节点与所述第一节点通过连接边连接；基于所述第一节点的若干个一阶邻居节点分别对应的各个连接边权重，确定各个一阶邻居节点分别对应的各个采样概率；按照各个采样概率对所述第一节点的一阶邻居节点进行采样，得到第二节点；从所述第二节点的一阶邻居节点中采样得到第三节点，从所述第三节点的一阶邻居节点中采样得到第四节点，直至从第k节点的一阶邻居节点中采样得到第k+1节点，k为预先设定的自然数；在所述第一节点与以下节点之间分别添加连接边，从而更新所述当前关系网络：所述第三节点、所述第四节点，直至所述第k+1节点。

在一个实施例中，所述第一节点的一阶邻居节点包括节点i，节点i对应的采样概率通过以下的一种方式确定：节点i对应的连接边权重与所述第一节点的各个一阶邻居节点分别对应的连接边权重之和的比值；节点i对应的连接边权重与所述第一节点的一阶邻居节点数量之比；节点i对应的连接边权重与所述第一节点所指向的一阶邻居节点数量之比。

在一个实施例中，所述按照各个采样概率对所述若干个一阶邻居节点进行采样，得到第二节点包括：生成预定区间内的随机数，其中，所述预定区间包括分别对应于所述第一节点的各个一阶邻居节点的子区间，各个子区间的长度分别与相应采样概率正相关；将所述随机数所在的子区间对应的一阶邻居节点采样为所述第二节点。