[发明专利]一种词向量表示的获取方法、装置、设备及可读介质

说明书

本发明涉及一种词向量表示的获取方法、装置、设备及可读介质，所述获取方法包括：构建语料库对应的词语依赖图谱；将所述词语依赖图谱的文本特征输入适用于有向图的图神经网络模型中进行训练，得到词向量图结构模型；其中，所述适用于有向图的图神经网络模型中是对图神经网络模型的目标节点的出入链的嵌入表示、出链邻居节点的特征向量表示和入链邻居节点的特征向量表示进行构建得到的；利用所述词向量图结构模型对所述词语依赖图谱进行图嵌入处理，确定所述词语依赖图谱中的每个词的词向量表示。本发明不仅可以将词向量图结构模型应用于无向图得到无向图的词向量表示，还可以应用于有向图以得到有向图的词向量表示。

技术领域

本申请涉及数据处理技术领域，尤其涉及一种词向量表示的获取方法、装置、设备及可读介质。

背景技术

随着互联网时代的飞速发展，数据存储更加便利快捷，图算法也得到了进一步的发展，图结构本身具备关联性，其中，定义数据结构的链接，即表示链接实体之间的关系。

然而，现有技术中的一些图算法的适用范围具有一定的局限性，比如现有技术中的graphsage模型是针对各向同性的网络结构，只适用于无向图节点的嵌入表示，无法应用于有向图节点的嵌入表示；

而对于GCN(Graph Convolutional Network)模型，当有新节点进入图中，需要重新计算全图所有的节点，这样就导致需要对全量词进行计算造成计算速度慢。

发明内容

为了克服背景技术所提出的至少技术问题，本申请提供了一种词向量表示的获取方法及装置。

第一方面，本申请提供了一种词向量表示的获取方法，所述获取方法包括：

构建语料库对应的词语依赖图谱；

将所述词语依赖图谱的文本特征输入适用于有向图的图神经网络模型中进行训练，得到词向量图结构模型；其中，所述适用于有向图的图神经网络模型中是对图神经网络模型的目标节点的出入链的嵌入表示、出链邻居节点的特征向量表示和入链邻居节点的特征向量表示进行构建得到的；

利用所述词向量图结构模型对所述词语依赖图谱进行图嵌入处理，确定所述词语依赖图谱中的每个词的词向量表示。

可选的，所述将所述词语依赖图谱的文本特征输入适用于有向图的图神经网络模型中进行训练，得到词向量图结构模型包括：

提取所述词语依赖图谱的实体特征和各实体间的边特征；

将所述词语依赖图谱实体特征和各实体间的边特征输入所述适用于有向图的图神经网络模型中进行训练，得到所述词向量图结构模型。

可选的，所述对图神经网络模型的目标节点的出入链的嵌入表示、出链邻居节点的特征向量表示和入链邻居节点的特征向量表示进行构建之前，所述获取方法还包括：

对图神经网络模型的目标节点进行初始化，得到目标节点的出入链的嵌入表示；

获取目标节点的邻居节点；

对目标节点的邻居节点的出链邻居节点执行向量聚合操作，得到出链邻居节点的特征向量表示；

对目标节点的邻居节点的入链邻居节点执行向量聚合操作，得到入链邻居节点的特征向量表示。

可选的，所述对目标节点的邻居节点的出链邻居节点执行向量聚合操作，得到出链邻居节点的特征向量表示；对目标节点的邻居节点的入链邻居节点执行向量聚合操作，得到入链邻居节点的特征向量表示之前，所述获取方法还包括：

根据图神经网络中的出链节点与入链节点的比例确定抽样比例；

按照所述抽样比例对所述目标节点的邻居节点进行抽样，得到出链邻居节点和入链邻居节点。