[发明专利]对象的向量表示的生成方法、装置、电子设备及存储介质

说明书

本申请提供了一种对象的向量表示的生成方法、装置、电子设备及存储介质。该方法包括：根据多种类型的对象各自对应的节点之间的关联关系，确定以目标对象对应的目标节点为终点的目标路径；确定目标路径上的各个节点的遍历顺序；根据遍历顺序，遍历目标路径上的各个节点，针对遍历到的每个节点，聚合该节点的各个邻居节点的向量表示，生成该节点的向量表示，直至遍历到目标节点，聚合目标节点的各个邻居节点的向量表示，生成该目标节点的向量表示。该方法对元路径中不同位置上的节点之间的语义进行了区分，通过在元路径上的每个节点位置聚合邻居的信息，能使得每个节点的向量表示更为准确。

技术领域

本申请实施例涉及数据处理技术领域，尤其涉及一种对象的向量表示的生成方法、装置、电子设备及存储介质。

背景技术

传统同构图(Homogeneous Graph)数据中只存在一种节点和边，因此在构建图神经网络时所有节点共享同样的模型参数并且拥有同样维度的特征空间。而异构图(Heterogeneous Graph)数据中可以存在不只一种节点和边，因此允许不同类型的节点拥有不同维度的特征或属性，使得异构图的应用十分广泛。

在异构图网络中，节点可以通过各种类型的关系(例如元路径)连接。给定一个元路径，每个节点都有很多基于元路径的邻居。如何区分邻居之间的细微差别，并选择一些信息丰富的邻居是必需的。对于每个节点，学习其基于元路径的邻居的重要性，并为其分配不同的注意力值，进而获得该节点的向量表示也是必需的。

然而，在相关技术中，在获得异构图网络中的某个节点的向量表示时，直接通过异构图网络上的注意力模型使用一个神经网络得到当前节点的所有邻居节点的权重，然后再根据这些邻居节点的权重获得当前节点的向量表示，并未区分元路径上不同位置上的节点之间的语义差别。由于每个节点都有很多基于元路径的邻居，在不同元路径下的向量表示是不同的，在未区分节点之间的语义差别的情况下，无法准确地获得节点的向量表示。

发明内容

本申请实施例提供一种对象的向量表示的生成方法、装置、电子设备及存储介质，通过区分元路径中不同位置上的节点之间的语义差别，能准确地获得节点的向量表示。

本申请实施例第一方面提供了一种对象的向量表示的生成方法，所述方法包括：

根据多种类型的对象各自对应的节点之间的关联关系，确定以目标对象对应的目标节点为终点的目标路径；

确定所述目标路径上的各个节点的遍历顺序；

根据所述遍历顺序，遍历所述目标路径上的各个节点，针对遍历到的每个节点，聚合该节点的各个邻居节点的向量表示，生成该节点的向量表示，直至遍历到所述目标节点，聚合所述目标节点的各个邻居节点的向量表示，生成该目标节点的向量表示。

可选地，针对遍历到的每个节点，聚合该节点的各个邻居节点的向量表示，生成该节点的向量表示，直至遍历到所述目标节点，聚合所述目标节点的各个邻居节点的向量表示，生成该目标节点的向量表示，包括：

针对遍历到的每个节点，基于注意力机制网络，确定该节点的所有邻居节点各自对应的权重，对该节点的所有邻居节点各自的向量表示进行加权，生成该节点的向量表示，直至遍历到所述目标节点，基于注意力机制网络，确定所述目标节点的所有邻居节点各自对应的权重，对所述目标节点的所有邻居节点各自的向量表示进行加权，生成该目标节点的向量表示。

可选地，所述目标路径的数量是多个；所述方法还包括：

生成所述目标节点对应于每个目标路径的向量表示；

对所述目标节点对应于多个目标路径的向量表示进行融合，得到所述目标节点的最终向量表示。

可选地，在生成该目标节点的向量表示之后，所述方法还包括：