[发明专利]一种基于图神经网络进行预测的方法、系统和装置

权利要求书

1.一种基于图神经网络进行预测的方法，所述方法包括：

将多个节点的特征向量输入转换模型，获得所述多个节点的转换向量，所述多个节点包括待预测节点和所述待预测节点的至少一个邻居节点；

针对每一个所述邻居节点，将所述待预测节点的转换向量、所述邻居节点的转换向量，以及连接所述待预测节点和所述邻居节点的边的特征向量拼接，并将拼接得到的第一拼接向量输入传播模型，获取所述邻居节点的传播向量；

基于所述至少一个邻居节点的所述传播向量以及所述待预测节点的转换向量，聚合获取所述待预测节点的表示向量；

用所述待预测节点的表示向量替代所述待预测节点的转换向量，迭代传播和聚合，得到所述待预测节点的新的表示向量；

将所述待预测节点的新的表示向量输入预测模型，获取所述待预测节点的预测结果。

2.如权利要求1所述的方法，所述基于至少一个邻居节点的传播向量以及待预测节点的转换向量，聚合获取待预测节点的表示向量包括：

聚合模型基于所述至少一个邻居节点的传播向量，获得所述待预测节点的融合向量；

拼接所述待预测节点的所述融合向量和所述转换向量，获取第二拼接向量；

基于所述第二拼接向量，得到所述待预测节点的所述表示向量。

3.如权利要求1所述的方法，所述用待预测节点的表示向量替代待预测节点的转换向量，迭代传播和聚合，得到待预测节点的新的表示向量，包括：

用所述待预测节点第k-1次的所述表示向量替代第k次的所述转换向量，其中，k是大于等于2的整数；

迭代传播和聚合，直至满足预设条件，得到所述待预测节点的新的表示向量。

4.如权利要求1所述的方法，所述转换模型为多层感知器，所述多层感知器包括至少一个权重矩阵，所述至少一个权重矩阵的元素为与所述特征向量对应的重要度。

5.如权利要求4所述的方法，所述转换模型、所述传播模型、所述聚合模型和所述预测模型基于训练样本联合训练，同步更新参数。

6.如权利要求5所述的方法，所述基于训练样本联合训练包括：

获取训练样本，所述训练样本包括图神经网络数据和所述图神经网络数据中样本节点的标签，所述图神经网络数据包括所述样本节点的特征向量、连接所述样本节点之间的边的特征向量和所述图神经网络结构，所述样本节点的标签为所述样本节点的类别；

将所述训练样本输入初始转换模型，基于初始预测模型输出的结果同步更新所述初始转换模型、初始传播模型、初始聚合模型和所述初始预测模型的参数，得到训练好的转换模型、训练好的传播模型、训练好的聚合模型和训练好的预测模型。

7.如权利要求1所述的基于图神经网络进行预测的方法，所述方法包括，当所述预测结果无需进行解释时，执行所述预测方法；当所述预测结果需要进行解释时，无需执行所述预测方法，所述预测结果通过以下方式得到，具体为：

将所述图神经网络中的多个节点的特征向量通过训练好的决策树模型映射为多个N维的独热编码，每个独热编码对应所述决策树的一个叶子节点；

所述传播模型基于所述待预测节点的所述独热编码、至少一个邻居节点的所述独热编码以及连接所述待预测节点和所述邻居节点的边的特征向量，获取至少一个N维的传播向量；

基于所述至少一个N维的传播向量，获取所述待预测节点N维的融合向量，并将所述待预测节点N维的独热编码和所述N维的融合向量拼接，得到所述待预测节点的2N维的表示向量；

所述预测模型基于所述待预测节点的表示向量得到预测结果；

基于所述决策树以及所述节点的2N维的表示向量，获取所述节点的预测结果的解释，所述节点的2N维的表示向量基于所述预测模型的参数获取。