[发明专利]基于GNN执行预测的方法和系统以及训练方法和系统

权利要求书

1.一种基于图神经网络GNN执行预测的方法，包括：

获取包含待预测样本的表数据；

基于表数据创建图，其中，图中的每个节点表示表数据中的一个样本，并且图中的边表示两个样本之间的相关性；

基于创建的图利用GNN学习图中与所述待预测样本对应的目标节点的特征表示；

基于学习的目标节点的特征表示执行预测来获得关于目标节点的预测结果。

2.如权利要求1所述的方法，其中，所述图是能够反映表数据中样本之间在多个方面的相关性的多重图，

其中，所述基于创建的图利用GNN学习图中与所述待预测样本对应的目标节点的特征表示，包括：

通过将多重图中与目标节点有关的邻居节点和相关性分别抽取出来，获得与目标节点有关的多个子图，其中，每个子图反映样本之间在一方面的相关性；

基于每个子图利用与每个子图对应的GNN分别学习目标节点的子特征表示；

将目标节点的子特征表示进行聚合来获得目标节点的特征表示。

3.如权利要求1或2所述的方法，其中，所述基于学习的目标节点的特征表示执行预测来获得关于目标节点的预测结果，包括：

仅基于利用GNN学习的目标节点的特征表示执行预测来获得关于目标节点的预测结果；或者

将利用GNN学习的目标节点的特征表示与目标节点的原始特征表示或通过不同于GNN的其他方式学习的目标节点的特征表示进行拼接，并基于拼接后的特征表示执行预测来获得关于目标节点的预测结果。

4.如权利要求1所述的方法，其中，所述基于表数据创建图，包括：

根据表数据中的样本的特征选取能够构建样本之间的相关性的特征；

基于选取的特征选择相关联的样本来创建图。

5.一种训练基于图神经网络GNN的机器学习模型的方法，包括：

获取训练表数据；

基于训练表数据创建图，其中，图中的每个节点表示训练表数据中的一个训练样本，并且图中的边表示两个训练样本之间的相关性；

基于创建的图利用GNN学习图中目标节点的特征表示；

基于学习的目标节点的特征表示执行预测来获得关于目标节点的预测结果；

通过将关于目标节点的预测结果和关于目标节点的真实标记进行比较来调整所述机器学习模型的参数。

6.如权利要求5所述的方法，其中，所述图是能够反映训练表数据中训练样本之间在多个方面的相关性的多重图，

其中，所述基于创建的图利用GNN学习图中目标节点的特征表示，包括：

通过将多重图中与目标节点有关的邻居节点和相关性分别抽取出来，获得与目标节点有关的多个子图，其中，每个子图反映样本之间在一方面的相关性；

基于每个子图利用与每个子图对应的GNN分别学习目标节点的子特征表示；

将目标节点的子特征表示进行聚合来获得目标节点的特征表示。

7.一种基于图神经网络GNN执行预测的系统，包括：

数据获取装置，被配置为获取包含待预测样本的表数据；

图创建装置，被配置为基于表数据创建图，其中，图中的每个节点表示表数据中的一个样本，并且图中的边表示两个样本之间的相关性；

预测装置，被配置为：基于创建的图利用GNN学习图中与所述待预测样本对应的目标节点的特征表示；并且基于学习的目标节点的特征表示执行预测来获得关于目标节点的预测结果。

8.一种训练基于图神经网络GNN的机器学习模型的系统，包括：

数据获取装置，被配置为获取训练表数据；

图创建装置，被配置为基于训练表数据创建图，其中，图中的每个节点表示训练表数据中的一个训练样本，并且图中的边表示两个训练样本之间的相关性；

训练装置，被配置为：基于创建的图利用GNN学习图中目标节点的特征表示；基于学习的目标节点的特征表示执行预测来获得关于目标节点的预测结果；并且通过将关于目标节点的预测结果和关于目标节点的真实标记进行比较来调整所述机器学习模型的参数。