[发明专利]预测目标实体状态的方法和系统

说明书

提供了一种预测目标实体状态的方法和系统。所述方法包括：根据实体以及实体之间的关系建立关系图谱，其中，所述关系图谱包括节点和连接在节点之间的有向边，所述节点代表实体，所述有向边代表实体之间的至少一种关系；基于所述关系图谱，计算节点的特征编码向量，其中，所述特征编码向量表示节点的隐语义表达；根据预设方式来改变关系图谱的结构；针对改变后的关系图谱重新计算节点的特征编码向量；以及至少基于节点之中的目标节点的特征编码向量在重新计算之后的变化来预测所述目标节点所代表的目标实体的状态。所述方法至少能够有效改善目标实体状态的预测效果。

技术领域

本申请总体上涉及数据处理领域，更具体地讲，涉及一种预测目标实体状态的方法和系统。

背景技术

世间的一切事物(也可称为实体)随着时间的流逝而不断地变化和发展，这是由于该事物与其他事物之间的关系以及其他事物的状态的变化而引起的。在现有技术中，通常根据当前获得的实体的历史状态数据、历史变化数据等来大致预测事物未来的状态或变化规律。

然而，现有的预测方案仅考虑到实体自身的历史，而忽视了实体未来变化的多种可能性以及实体所处关系网络的多种变化，因此导致预测结果与后来发生的事实往往偏差较大。

因此，需要开发一种能够有效改善实体状态的预测效果的方案。

发明内容

本发明在于至少解决现有的实体状态预测方式中存在的以上问题，以便有效改善实体状态的预测效果。

根据本申请的示例性实施例，提供一种预测目标实体状态的方法，所述方法包括：根据实体以及实体之间的关系建立关系图谱，其中，所述关系图谱包括节点和连接在节点之间的有向边，所述节点代表实体，所述有向边代表实体之间的至少一种关系；基于所述关系图谱，计算节点的特征编码向量，其中，所述特征编码向量表示节点的隐语义表达；根据预设方式来改变关系图谱的结构；针对改变后的关系图谱重新计算节点的特征编码向量；以及至少基于节点之中的目标节点的特征编码向量在重新计算之后的变化来预测所述目标节点所代表的目标实体的状态。

可选地，基于所述关系图谱，计算节点的特征编码向量的步骤包括：基于所述关系图谱，利用嵌入向量算法、标签传播算法、随机游走算法和网页排名算法之中的至少一种来计算节点的特征编码向量。

可选地，根据预设方式来改变关系图谱的结构包括：根据预设方式来执行以下操作中的至少一种：改变有向边的权重、删除一条或多条有向边、增加一条或多条有向边、删除一个或多个节点、增加一个或多个节点。

可选地，所述预设方式包括以下方式中的至少一种：随机改变、根据专家经验来改变、根据事先训练出的机器学习模型的预测结果来改变，其中，所述机器学习模型用于预测节点和/或有向边的变化。

可选地，所述机器学习模型至少以节点的属性作为样本特征，并以节点的属性变化作为预测目标；或者，所述机器学习模型至少以有向边的属性作为样本特征，并以有向边的属性变化作为预测目标。

可选地，根据预设方式来改变关系图谱的结构包括：根据预设方式，在目标节点的预设范围内改变关系图谱的结构，其中，所述预设范围包括与目标节点经由不超过预设数量的节点而连接的节点。

可选地，根据预设方式来改变关系图谱的结构包括：根据预设方式来一次或多次改变关系图谱的结构。

可选地，至少基于节点之中的目标节点的特征编码向量在重新计算之后的变化来预测所述目标节点所代表的目标实体的状态包括：基于节点之中的目标节点的特征编码向量在一次重新计算之后的变化幅度来预测所述目标节点所代表的目标实体的状态；或者，基于节点之中的目标节点的特征编码向量在多次重新计算之后的变化趋势来预测所述目标节点所代表的目标实体的状态。

可选地，所述变化趋势包括多次重新计算之后的特征编码向量的方差、n阶矩和/或向量分布密度。