[发明专利]图表示学习方法、装置及设备

说明书

本公开的实施例提供了图表示学习方法、装置及设备，涉及人工智能(AI)领域。在本公开的图表示学习方法中，确定待学习的图指示的目标对象和邻居对象各自在与双曲空间相关的切线空间中的第一中间特征表示。对第一中间特征表示的多个维度中的部分维度的值执行第一变换，得到目标对象和邻居对象各自在切线空间中的第一变换特征表示。确定目标对象和邻居对象各自的第一变换特征表示在双曲空间中对应的第二中间特征表示。通过将目标对象和邻居对象各自的第二中间特征表示进行聚合来确定目标对象的聚合特征表示，并基于目标对象的聚合特征表示来确定目标对象在双曲空间中的目标特征表示。通过该方案，能够获得图在双曲空间中更准确的特征表示。

技术领域

本公开的实施例主要涉及人工智能(AI)领域，更具体地，涉及图表示学习方法、装置及设备。

背景技术

表示学习是人工智能领域一直在探讨的话题，旨在于用数字(诸如，向量、矩阵等)来表达实际数据。数据的表示也称为数据的特征表示，其包括一定维度的值。在确定表示学习过程中，期望数据的特征表示能够最准确反映数据特性。这体现在数据的特征表示能够在下游任务中获得高准确度。例如，在确定文本的特征表示时，如果该特征表示要被用于文本分类任务，那么期望学习到的特征表示能够实现对该文本的准确分类。

目前大多数表示学习都是在欧式空间中进行，但事实上除了简单的欧式空间，还存在很多其他的非欧式空间，诸如双曲空间，可以用于构建表示学习的模型。对于具有无标度或层次结构的数据，例如图数据，其几何空间本质上是非欧的(双曲的)，基于欧氏空间的方法会造成特征表示的失真和变形。因此，期望能够在双曲空间中执行图表示学习。

发明内容

本公开的实施例提供了一种用于学习图的特征表示的方案。

在本公开的第一方面，提供了图表示学习方法。该方法包括：确定待学习的图指示的目标对象和邻居对象各自在与双曲空间相关的切线空间中的第一中间特征表示，邻居对象与目标对象具有关联关系，每个第一中间特征表示包括多个维度的值；对第一中间特征表示的多个维度中的部分维度的值执行第一变换，得到目标对象和邻居对象各自在切线空间中的第一变换特征表示；确定目标对象和邻居对象各自的第一变换特征表示在双曲空间中对应的第二中间特征表示；通过将目标对象和邻居对象各自的第二中间特征表示进行聚合，来确定目标对象的聚合特征表示；以及基于目标对象的聚合特征表示来确定目标对象在双曲空间中的目标特征表示。

在本公开中，通过在双曲空间相关的切线空间中对目标对象和邻居对象的中间特征表示的部分维度执行特征变换，并且在双曲空间中执行邻居聚合，使得可以在图表示学习过程中遵守双曲空间操作，保留了图在双曲空间中的几何特性。与常规方案中转换到切线空间执行邻居聚合相比，降低了图表示学习过程中对图的扭曲和失真。由此，能够获得图在双曲空间中更准确的特征表示。

在第一方面的一种实现方式中，多个维度中的部分维度包括多个维度中除第一个维度之外的其他维度。目标对象和邻居对象各自的第一中间特征表示的第一个维度的值被设置为零。这样，可以满足双曲空间的洛伦兹标量积的约束，从而能够最大可能保留双曲空间中的几何特性。

在第一方面的又一种实现方式中，第一变换包括线性变换。通过由于仅对部分维度而不是全部维度的值执行线性变换，并且线性变换前后双曲空间的几何特性不变，这样的变换可以被认为是在双曲空间中的线性变换。

在第一方面的又一种实现方式中，将目标对象和邻居对象各自的第二中间特征表示进行聚合包括：确定邻居对象的聚合权重，聚合权重指示邻居对象对目标对象的重要程度；基于聚合权重来对邻居对象的第二中间特征表示进行加权，得到邻居对象的加权中间特征表示；以及通过将邻居对象的加权中间特征表示和目标对象的第二中间特征表示合并，来确定目标对象的聚合特征表示。在这样的聚合方式中，通过聚合权重的使用，使得更重要的邻居对象的特征表示可以被更多地聚合到目标对象的特征表示中。