[发明专利]一种用于分布式图模型的图学习方法及设备

说明书

本公开涉及用于分布式图模型的图学习方法，包括：针对所述一条或更多条邻边中的每条邻边，响应于其连接的镜像节点和邻居节点的当前层的节点特征值均被更新，根据当前邻边的上一层的边特征值、镜像节点的当前层的节点特征值、以及当前邻居节点的当前层的节点特征值，计算当前邻边的当前层的边特征值，并根据当前邻边的当前层的边特征值和当前邻居节点的当前层的节点特征值，计算当前邻边在镜像节点处的聚合值；以及响应于所述一条或更多条邻边在镜像节点处的聚合值均被计算，计算镜像节点的本地聚合值，并将镜像节点的本地聚合值传输给用于分布式图学习的第二设备，所述第二设备与所述图模型的第二部分相关联，所述第二部分包括镜像节点的主节点。

技术领域

本公开实施例属于计算机技术领域，尤其涉及一种用于分布式图模型的图学习方法及设备。

背景技术

随着信息科学的飞速发展，大量的数据每天都在许多领域被收集和存储。传统的简单统计方法在处理这些数据时显得无能为力，它们很难发现这种数据间的深层关联，也无法对不同领域的数据进行有针对性地处理。机器学习作为一个以数据为研究对象、以发现规律和关联为目标的工具由此而生。图论(graph theory)作为一个数学分支，其在机器学习中的研究与应用近年来得到了快速的发展。基于图论的机器学习算法就是把机器学习的问题归结为图论的问题，然后利用图论理论进行分析和求解的一类学习算法。

基于图论进行分析和求解的数据可以被称为图数据。可以基于图数据来建立图模型。图模型是描述事物间两两关系的数学模型，其包含若干个节点(vertex)及连接两个节点的边(edge)。因此，可以用G(V, E)代表一个图模型，其中V为节点的集合，E为边的集合。

实践中，图模型中的各个节点可以分别对应于与具体业务场景相关联的各个实体。例如，在具体业务场景是社区发现、用户分群之类与用户相关的情况下，图模型中的各个节点对应的各个业务实体例如可以是用户等。再例如，在论文分类、社交平台文章分类等的具体场景下，图模型中的各个节点对应的各个业务实体例如可以是文章等。在其他具体业务场景下，图模型对应的业务实体还可以是任意其他合理的实体，本文不作限定。一个图模型中的节点可以对应一种或多种实体。

图模型中，单个节点对应的实体可以具有与业务相关的各种属性。例如：在用于用户消费信息推送的图模型中，对应于用户的业务实体，可以对应有年龄、收入、停留位置、消费习惯之类的属性；对应于文章的业务实体，可以对应有关键词、所属领域、文章篇幅之类的属性。可选地，具有关联关系的节点之间还可以具有关联属性，该关联属性也可以作为相应连接边的边属性。例如，通过社交行为关联的用户之间可以具有社交属性（如聊天频率、转账行为、发红包行为等），该社交属性即相应两个节点之间的关联属性，其可以作为相应两个节点之间的连接边的边属性。通过属性，可以提取出相应的特征数据，来表征相应的节点。

发明内容

本公开的目的在于提供一种用于分布式图模型的图学习方法及设备。

根据本公开的第一方面，提供了一种用于分布式图模型的图学习方法，所述方法由第一设备执行，所述第一设备与所述图模型的第一部分相关联，所述第一部分包括镜像节点、镜像节点的一个或更多个邻居节点、以及连接镜像节点和所述一个或更多个邻居节点的一条或更多条邻边，其中，所述方法包括：针对所述一条或更多条邻边中的每条邻边，响应于其连接的镜像节点和邻居节点的当前层的节点特征值均被更新，根据当前邻边的上一层的边特征值、镜像节点的当前层的节点特征值、以及当前邻居节点的当前层的节点特征值，计算当前邻边的当前层的边特征值，并根据当前邻边的当前层的边特征值和当前邻居节点的当前层的节点特征值，计算当前邻边在镜像节点处的聚合值；以及响应于所述一条或更多条邻边在镜像节点处的聚合值均被计算，计算镜像节点的本地聚合值，并将镜像节点的本地聚合值传输给用于分布式图学习的第二设备，所述第二设备与所述图模型的第二部分相关联，所述第二部分包括镜像节点的主节点。