对象的关联关系预测方法、装置、终端设备以及存储介质.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CN113886688A(43)申请公布日2022.01.04(21)申请号202111139757.5(22)申请日2021.09.27(71)申请人鹏城实验室地址518000广东省深圳市南山区兴科一街2号(72)发明人曲博李聪石敏王海燕(74)专利代理机构深圳市世纪恒程知识产权代理事务所44287代理人付海萍(51)Int.Cl.G06F16/9535(2019.01)G06F16/9536(2019.01)G06K9/62(2006.01)G06N20/00(2019.01)权利要求书2页说明书9页附图2页(54)发明名称对象的关联关系预测方法、装置、终端设备以及存储介质(57)摘要本发明公开一种对象的关联关系预测方法，包括：基于多个目标对象和多个所述目标对象之间的关联关系，获得目标异构信息图；利用所述目标异构信息图，生成重构输入矩阵；将所述重构输入矩阵输入预设相似度模型进行运算，获得所述目标异构信息图对应的高阶相似度、二阶相似度和一阶相似度；基于所述高阶相似度、所述二阶相似度和所述一阶相似度，获得多个所述目标对象的预测关联关系。本发明还公开一种对象的关联关系预测装置、终端设备以及计算机可读存储介质。利用本发明的方法，获得的预测关联关系考虑到了高阶相似度、二阶相似度和一阶相似度，从而使得预测关联关系的准确度较高。CN113886688ACN113886688A权利要求书1/2页1.一种对象的关联关系预测方法，其特征在于，所述方法包括以下步骤：基于多个目标对象和多个所述目标对象之间的关联关系，获得目标异构信息图；利用所述目标异构信息图，生成重构输入矩阵；将所述重构输入矩阵输入预设相似度模型进行运算，获得所述目标异构信息图对应的高阶相似度、二阶相似度和一阶相似度；基于所述高阶相似度、所述二阶相似度和所述一阶相似度，获得多个所述目标对象的预测关联关系。2.如权利要求1所述的方法，其特征在于，所述目标异构信息图包括属性矩阵和邻接矩阵；所述利用所述目标异构信息图，生成重构输入矩阵的步骤，包括：利用所述属性矩阵，生成属性相似度矩阵；在所述目标异构信息图中获取社团信息；基于所述社团信息，获得社团相似度矩阵；利用所述邻接矩阵、所述属性相似度矩阵和所述社团相似度矩阵，生成重构输入矩阵。3.如权利要求2所述的方法，其特征在于，所述将所述重构输入矩阵输入预设相似度模型进行运算，获得所述目标异构信息图对应的高阶相似度、二阶相似度和一阶相似度的步骤，包括：将所述重构输入矩阵输入所述预设相似度模型的编码器，获得表示向量；将所述表示向量输入所述预设相似度模型的解码器，获得输出向量；基于所述重构输入矩阵和所述输出向量，获得所述高阶相似度；将所述表示向量输入所述预设相似度模型的二阶相似度模块，获得所述二阶相似度；将所述表示向量输入所述预设相似度模型的一阶相似度模块，获得所述一阶相似度。4.如权利要求3所述的方法，其特征在于，所述将所述重构输入矩阵输入昕述预设相似度模型的编码器，获得表示向量的步骤，包括：将所述重构输入矩阵输入所述预设相似度模型的编码器，以使所述编码器利用公式一，对所述重构输入矩阵进行运算，获得所述表示向量；所述公式一为：其中，yi为所述表示向量的第i行数据，Ri为所述重构输入矩阵的第i行数据，W和b为模型参数，k为层数，δ为预设非线性激活函数，K为预设层数。5.如权利要求4所述的方法，其特征在于，所述基于所述重构输入矩阵和所述输出向量，获得所述高阶相似度的步骤，包括：基于所述重构输入矩阵和所述输出向量，利用公式二，获得所述高阶相似度；所述公式二为：2CN113886688A权利要求书2/2页其中，Lae为所述高阶相似度，为输出向量的第i行数据，Ri为所述重构输入矩阵的第i行数据。6.如权利要求5所述的方法，其特征在于，所述将所述表示向量输入所述预设相似度模型的二阶相似度模块，获得所述二阶相似度的步骤，包括：将所述表示向量输入所述预设相似度模型的二阶相似度模块，以使所述二阶相似度模块利用公式三，对所述表示向量进行运算，获得所述二阶相似度；所述公式三为：其中，Lsg为所述二阶相似度，b为预设窗口的大小，c∈C表示从所述目标异构信息图中取节点进行计算，h′i为预设权重矩阵H的第i行，其中，预设权重矩阵基于所述表示向量和所述输出向量获得。7.如权利要求6所述的方法，其特征在于，所述将所述表示向量输入所述预设相似度模型的一阶相似度模块，获得所述一阶相似度的步骤，包括：将所述表示向量输入所述预设相似度模型的一阶相似度模块，以使所述一阶相似度模块利用公式四，对所述表示向量进行运算，获得所述一阶相似度；其中，ωij为联合概率，LFoP为所述一阶相似度。8.一种对象的关联关系预测装置