[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

说明书

本说明书提供一种基于图神经网络进行预测的方法、系统和装置，所述方法包括：将多个节点的特征向量输入转换模型，获得多个节点的转换向量；针对每一个邻居节点，将待预测节点的转换向量、邻居节点的转换向量，以及连接待预测节点和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，获取邻居节点的传播向量；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；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；将待预测节点的新的表示向量输入预测模型，获取待预测节点的预测结果。

技术领域

本申请涉及图神经网络领域，特别涉及一种基于图神经网络进行预测的方法、系统和装置。

背景技术

图神经网络(Graph Neural Network，GNN)是一种用于表示实体对象之间复杂关系的神经网络，通常包含多个表示实体对象的节点以及连接多个节点之间的边。图神经网络模型可以基于交换信息之后的节点，对实体对象(例如用户)进行预测。然而，节点之间的边包含的信息，也会影响预测结果。

因此，希望提供一种更为准确的基于图神经网络进行预测的方法。

发明内容

本说明书的一个方面提供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，获得多个节点的转换向量，所述多个节点包括待预测节点和待预测节点的至少一个邻居节点；针对每一个邻居节点，将待预测节点的转换向量、邻居节点的转换向量，以及连接待预测节点和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，获取邻居节点的传播向量；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；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；将待预测节点的新的表示向量输入预测模型，获取待预测节点的预测结果。

本说明书的另一个方面提供一种基于图神经网络进行预测的系统，所述系统包括：转换模块，用于将多个节点的特征向量输入转换模型，获得多个节点的转换向量，所述多个节点包括待预测节点和待预测节点的至少一个邻居节点；传播模块，用于针对每一个邻居节点，将待预测节点的转换向量、邻居节点的转换向量，以及连接待预测节点和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，获取邻居节点的传播向量；聚合模块，用于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；迭代模块，用于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；预测模块，用于将待预测节点的新的表示向量输入预测模型，获取待预测节点的预测结果。

本说明书的另一个方面提供一种基于图神经网络进行预测的装置，包括处理器，所述处理器用于执行基于图神经网络进行预测的方法。

附图说明

本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书的一些实施例所示的基于图神经网络进行预测的系统的应用场景示意图；

图2是根据本说明书的一些实施例所示的基于图神经网络进行预测的方法的示例性流程图；

图3是根据本说明书的一些实施例所示的联合训练转换模型、传播模型、聚合模型和预测模型的示例性流程图；

图4是根据本说明书的一些实施例所示的预测结果需要进行解释时基于图神经网络进行预测的方法的示例性流程图；

图5是根据本说明书的一些实施例所示的基于图神经网络进行预测的方法的示意图；

图6是本说明书的一些实施例所示的决策树模型的示意图。

具体实施方式