[发明专利]图数据的边预测方法、装置及终端设备

权利要求书

1.一种图数据的边预测方法，其特征在于，包括：

获取图数据的节点特征矩阵及邻接矩阵；

将所述节点特征矩阵及所述邻接矩阵输入已训练的目标神经网络，得到所述图数据的节点融合特征矩阵、节点生成度向量及节点流行度向量，其中，所述节点融合特征矩阵指融合所述节点特征矩阵和所述邻接矩阵的特征矩阵，所述节点生成度向量包括所述图数据中每个节点对应的生成度，所述生成度指节点存在指向其他节点的边的概率，所述节点流行度向量包括所述图数据中每个节点对应的流行度，所述流行度指节点存在被其他节点所指向的边的概率；

根据所述节点融合特征矩阵、所述节点生成度向量及所述节点流行度向量，得到每个节点对应的边生成概率向量；

根据每个节点对应的边生成概率向量确定预测生成的边。

2.如权利要求1所述的图数据的边预测方法，其特征在于，所述目标神经网络包括第一图卷积层、第二图卷积层、节点流行度特征网络层及节点生成度特征网络层，所述将所述节点特征矩阵及所述邻接矩阵输入已训练的目标神经网络，得到所述图数据的节点融合特征矩阵、节点生成度向量及节点流行度向量，包括：

将所述节点特征矩阵及所述邻接矩阵输入所述第一图卷积层进行处理，得到第一矩阵；

将所述第一矩阵输入所述第二图卷积层进行处理，得到节点融合特征矩阵；

将所述第一矩阵输入所述节点生成度特征网络层进行处理，得到节点生成度向量；

将所述第一矩阵输入所述节点流行度特征网络层进行处理，得到节点流行度向量。

3.如权利要求1所述的图数据的边预测方法，其特征在于，所述根据每个节点对应的边生成概率向量确定预测生成的边，包括：

将所述边生成概率向量中的每一个边生成概率从大到小进行排序，并确定前K个边生成概率对应的边为预测生成的边，其中K为提前设定的正整数。

4.如权利要求1所述的图数据的边预测方法，其特征在于，所述根据每个节点对应的边生成概率向量确定预测生成的边，包括：

根据每个节点对应的边生成概率向量及第一预设概率值，确定预测生成的边。

5.如权利要求1所述的图数据的边预测方法，其特征在于，所述根据每个节点对应的边生成概率向量确定预测生成的边，包括：

将每个节点的边生成概率向量进行归一化处理，得到每个节点的归一化概率向量；

将每个节点的所述归一化概率向量中的每一个归一化概率从大到小进行排序；

根据第二预设概率值，确定每个节点的前L个归一化概率对应的边为预测生成的边，其中L为根据第二预设概率值及归一化概率向量确定的正整数。

6.如权利要求1所述的图数据的边预测方法，其特征在于，所述目标神经网络为基于图数据的联合概率分布训练得到的生成模型，在所述获取图数据的节点特征矩阵及邻接矩阵之前，还包括：

获取样本图数据的样本节点特征矩阵及样本邻接矩阵；

将所述样本节点特征矩阵及所述样本邻接矩阵输入目标神经网络进行训练，学习样本图数据的联合概率分布，直至目标损失值最小，得到已训练的目标神经网络。

7.如权利要求1至6任意一项所述的图数据的边预测方法，其特征在于，所述图数据具体为与社交网络对应的社交网络图，在所述获取图数据的节点特征矩阵及邻接矩阵之前，还包括：

基于所述社交网络中每个用户节点的个人信息生成所述社交网络图的节点特征矩阵；

基于所述社交网络中用户节点之间的关注关系建立所述社交网络图的邻接矩阵。