[发明专利]公卫黑天鹅事件预测方法、装置、设备及介质

权利要求书

1.一种公卫黑天鹅事件预测方法，其特征在于，包括：

获取多个单模态数据库；

使用预先训练好的预测网络模型的编码层对所述多个单模态数据库中的三元组信息进行编码，根据编码结果生成对应每个单模态数据库的单模态数据网络图；

使用所述预测网络模型的二分图层对多个所述单模态数据网络图进行二分图转换，得到多模态数据网络图；

使用所述预测网络模型的解码层确定所述多模态数据网络图中满足预设条件的目标图节点，并将所述目标图节点的节点信息作为公卫黑天鹅事件。

2.根据权利要求1所述的方法，其特征在于，所述使用预先训练好的预测网络模型的编码层对所述多个单模态数据库中的三元组信息进行编码，根据编码结果生成对应每个单模态数据库的单模态数据网络图，具体包括：

对所述多个单模态数据库中的所述三元组信息进行图嵌入处理，得到对应每个三元组信息的同构图节点；

根据每个单模态数据库中对应每个三元组信息的同构图节点，构建对应每个单模态数据库的单模态数据网络图；

其中，所述同构图节点是指每个所述单模态数据网络图内部的图节点。

3.根据权利要求1所述的方法，其特征在于，所述使用所述预测网络模型的二分图层对多个所述单模态数据网络图进行二分图转换，得到多模态数据网络图，具体包括：

分别更新每个单模态数据网络图中同构图节点的属性特征和同构图节点之间的关系特征，得到对应每个单模态数据网络图的单模态数据二分图；

分别融合每两个单模态数据网络图之间异构图节点的属性特征和异构图节点之间的关系特征，得到多模态数据网络图；

其中，所述异构图节点是指，单模态数据网络图中同构图节点在学习到其他单模态数据网络图中同构图节点的属性特征，和/或学习到与其他单模态数据网络图中同构图节点之间的关系特征后，将所述同构图节点设定为异构图节点。

4.根据权利要求1或3所述的方法，其特征在于，所述使用所述预测网络模型的二分图层对多个所述单模态数据网络图进行二分图转换，得到多模态数据网络图，具体包括：

根据单模态数据网络图的数量确定用于二分图转换的自更新二分图层数量，利用针对每个单模态数据网络图设定的自更新二分图层，更新每个单模态数据网络图中同构图节点的属性特征和同构图节点之间的关系特征；

根据每两个单模态数据网络图的组合数量确定用于二分图转换的融合二分图层数量，利用针对每两个单模态数据网络图设定的融合二分图层，融合每两个单模态数据网络图之间异构图节点的属性特征和异构图节点之间的关系特征。

5.根据权利要求3所述的方法，其特征在于，所述分别融合每两个单模态数据网络图中异构图节点的属性特征和异构图节点之间的关系特征，得到多模态数据网络图的步骤之前，还包括：

按照单模态数据网络图的数量，将多个单模态数据网络图划分为第一单模态数据网络图和第二单模态数据网络图；

所述分别融合每两个单模态数据网络图中异构图节点的属性特征和异构图节点之间的关系特征，得到多模态数据网络图，具体包括：

分别融合第一单模态数据网络图中异构图节点的属性特征和异构图节点之间的关系特征，得到对应第一单模态数据网络图的多个第一多模态数据二分图；

根据所述多个第一多模态数据二分图，分别融合第二单模态数据网络图中异构图节点的属性特征和异构图节点之间的关系特征，得到对应第二单模态数据网络图的多个第二多模态数据二分图，并作为多模态数据网络图。

6.根据权利要求1所述的方法，其特征在于，所述解码层为多层感知器，所述使用所述预测网络模型的解码层确定所述多模态数据网络图中满足预设条件的目标图节点，并将所述目标图节点的节点信息作为公卫黑天鹅事件，具体包括：

利用多层感知器对所述多模态数据网络图中异构图节点的属性特征和异构图节点之间的关系特征进行解码，得到异构图节点之间的关系向量；

根据异构图节点之间的关系向量中满足预设条件的目标关系向量，确定所述目标关系向量中包含的目标图节点，并将确定的所述目标图节点的节点信息作为公卫黑天鹅事件。