[发明专利]一种基于异质图神经网络的节点处理方法、装置及设备

权利要求书

1.一种基于异质图神经网络的节点处理方法，其特征在于，包括：

确定待处理的目标节点，以及为所述目标节点给定的多个元路径；

确定所述目标节点的特征矩阵，以及针对每一元路径，确定所述目标节点在该元路径下的多个关联节点对应的组合矩阵，所述目标节点在该元路径下的关联节点为该元路径下除所述目标节点外的节点，所述目标节点在该元路径下的多个关联节点对应的组合矩阵为：由所述多个关联节点对应的特征矩阵，组合成的矩阵；

针对每一元路径，将所述目标节点的特征矩阵，以及所述目标节点在该元路径下的多个关联节点对应的组合矩阵，输入至预设的语义聚合模型中，得到所述目标节点在该元路径下的表示矩阵；其中，所述目标节点在该元路径下的表示矩阵为所述目标节点的特征矩阵，与所述目标节点在该元路径下的邻居节点的特征矩阵，进行加权聚合后得到的矩阵，所述目标节点在该元路径下的邻居节点的特征矩阵基于所述目标节点在该元路径下的多个关联节点对应的组合矩阵所确定，并且，在加权聚合时，对所述目标节点的特征矩阵采用的权重，大于对该元路径下的邻居节点的特征矩阵采用的权重；所述语义聚合模型是基于样本节点的特征矩阵、所述样本节点在各样本元路径下的多个样本关联节点对应的组合矩阵，以及所述样本节点的标签信息训练得到的模型，所述样本元路径是为样本节点给定的元路径，所述样本节点的标签信息为：由样本节点的特征信息所对应的预设标识所构成的矩阵；

利用预设的融合公式，对所述目标节点在每一元路径下的表示矩阵进行融合，得到所述目标节点在多个元路径下的综合表示矩阵。

2.根据权利要求1所述的方法，其特征在于，所述语义聚合模型包括：

Z^Φ，k＝g_Φ(Z^Φ，k-1)＝(1-γ)·M^Φ·Z^Φ，k-1+γ·H^Φ

其中，Z^Φ，k为待计算节点在元路径Φ下的表示矩阵，g_Φ为语义聚合函数，k为元路径Φ的层数，Z^Φ，k-1为所述待计算节点在元路径Φ下的多个关联节点对应的组合矩阵，M^Φ为用于表征所述待计算节点在元路径Φ下的邻接关系的邻接矩阵，且M^Φ·Z^Φ，k-1为待计算节点在元路径Φ下的邻居节点的特征矩阵，H^Φ为所述待计算节点在元路径Φ下的特征矩阵，γ是作为加权权重的聚合系数，其中，γ为需要进行训练的参数。

3.根据权利要求1或2所述的方法，其特征在于，利用预设的融合公式，对所述目标节点在每一元路径下的表示矩阵进行融合之前，得到所述目标节点在该元路径下的表示矩阵之后，所述方法还包括：

针对每一元路径，确定该元路径下的每一相关节点的特征矩阵，以及每一相关节点在该元路径下的多个关联节点对应的组合矩阵；针对每一相关节点，将该相关节点的特征矩阵，以及该相关节点在该元路径下的多个关联节点的组合矩阵，输入至所述语义聚合模型中，得到该相关节点在该元路径下的表示矩阵；所述相关节点为该元路径下除所述目标节点以外的节点；

针对每一元路径，将所述目标节点在该元路径下的表示矩阵，以及该元路径下的每一相关节点在该元路径下的表示矩阵，输入预设的权重计算公式，得到该元路径对应的第一权重；

所述利用预设的融合公式，对所述目标节点在每一元路径下的表示矩阵进行融合，包括：

利用预设的融合公式以及每一元路径对应的第一权重，对所述目标节点在每一元路径下的表示矩阵进行加权融合处理，得到所述目标节点在多个元路径下的综合表示矩阵。

4.根据权利要求3所述的方法，其特征在于，所述利用预设的融合公式以及每一元路径对应的第一权重，对所述目标节点在每一元路径下的表示矩阵进行加权融合处理，得到所述目标节点在多个元路径下的综合表示矩阵，包括：

利用预设的归一化公式，将每一元路径对应的第一权重，进行归一化处理，得到所述目标节点的每一元路径对应的第二权重；

利用预设的融合公式和每一元路径对应的第二权重，对所述目标节点在每一元路径下的表示矩阵，进行加权融合处理，得到所述目标节点在多个元路径下的综合表示矩阵。