分布式计算方法及分布式计算系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111275176A(43)申请公布日2020.06.12(21)申请号202010123789.5(22)申请日2020.02.27(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人黄鑫宋宪政王琳(74)专利代理机构北京市一法律师事务所11654代理人刘荣娟(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)G06F9/50(2006.01)权利要求书2页说明书12页附图3页(54)发明名称分布式计算方法及分布式计算系统(57)摘要本说明书提供了一种用于运行分析图结构的深度学习模型的分布式计算方法和系统。所述分布式计算系统中的至少一个计算设备反复迭代执行所述图结构的图嵌入向量更新操作，包括：获取所述图结构中目标节点的目标图嵌入向量；从所述分布式计算系统中的至少一个关联计算设备接收相邻目标图嵌入向量；基于所述目标图嵌入向量和相邻目标图嵌入向量，生成迭代后的目标图嵌入向量；以及将所述迭代后的目标图嵌入向量发送给所述关联计算设备。CN111275176ACN111275176A权利要求书1/2页1.一种分布式计算方法，用于运行分析图结构的深度学习模型，包括：通过分布式计算系统中的至少一个计算设备执行所述图结构的图嵌入向量更新操作，其中所述图嵌入向量更新操作包括：获取所述图结构中目标节点的目标图嵌入向量，其中所述图结构包括多个节点，每个节点同至少一个相邻节点通过边相连，所述目标节点为所述多个节点中的一个节点；从所述分布式计算系统中的至少一个关联计算设备接收相邻目标图嵌入向量，所述相邻目标图嵌入向量为所述目标节点的至少一个相邻节点的目标图嵌入向量，所述关联计算设备为所述分布式计算系统中对所述目标相邻节点执行操作的计算设备；基于所述目标图嵌入向量和相邻目标图嵌入向量，通过运行所述深度学习模型中的运算模块来生成迭代后的目标图嵌入向量，所述深度学习模型为基于所述图结构的目标指标评估模型，所述运算模块为所述深度学习模型中决定所述目标节点的目标图嵌入向量值的部分；以及将所述迭代后的目标图嵌入向量发送给所述关联计算设备。2.如权利要求1中所述的方法，其中，所述运算模块至少包括：图神经网络模型中的至少一层；图卷积神经网络模型中的至少一层；和/或图注意网络模型中的至少一层。3.如权利要求1中所述的方法，其中，所述目标图嵌入向量包括预设维度的浮点数向量。4.如权利要求1中所述的方法，其中，所述获取图结构中目标节点的目标图嵌入向量包括，通过所述分布式计算系统中的至少一个计算设备：获取所述目标节点的初始节点图嵌入向量；获取所述目标节点对应的边的初始边图嵌入向量；基于所述初始节点图嵌入向量和所述初始边图嵌入向量，通过运行所述初始化模块来生成所述目标节点的初始目标图嵌入向量；以及将所述初始目标图嵌入向量当做所述目标图嵌入向量。5.如权利要求4中所述的方法，其中：所述获取所述目标节点的初始图嵌入向量包括：获取所述目标节点的特征数据，以及基于所述目标节点的特征数据生成所述目标节点的所述初始图嵌入向量；以及所述获取所述目标节点对应的边的初始边图嵌入向量包括：获取所述目标节点对应的边特征数据，以及基于所述边特征数据生成所述初始边图嵌入向量。6.如权利要求1中所述的方法，还包括通过所述分布式计算系统中的所述至少一个计算设备：执行预设次数的图嵌入向量更新操作，生成目标节点的最终图嵌入向量。7.如权利要求1中所述的方法，其中，所述深度学习模型还包括评估模块，被配置为将所述目标图嵌入向量转化成所述图结构中的相应节点的所述目标指标的评分；以及所述方法还包括：基于所述最终图嵌入向量运行所述评估模块，生成相应于所述最终图嵌入向量的目标指标评分；以及2CN111275176A权利要求书2/2页输出所述目标指标评分。8.如权利要求1中所述的方法，其中，所述平布模块包括至少一个神经网络的全连接层。9.一种分布式计算系统，用于通过分布式计算评估深度学习模型的目标指标，包括：至少一个存储介质存储至少一组指令集，用于运行分析图结构的深度学习模型；多个计算设备，所述多个计算设备中的每个计算设备在运行时都同至少一个其他计算设备通讯连接并且同所述至少一个存储介质通讯，其中当所述分布式计算系统运行时，所述多个计算设备中的至少一个计算设备运行所述至少一组指令集并根据所述至少一组指令集执行权利要求1-7中任一项所述的方法。10.如权利要求9中所述的分布式计算系统，其中，所述分布式系统包括GAS和Pregel系统中的至少一个。3CN111275176A说明书1/12页分布式计算方法及分布式计算系统技术领域[0001]本