[发明专利]训练交互预测模型、预测交互对象的方法及装置

权利要求书

1.一种训练交互预测模型的方法，所述方法包括：

获取动态交互图，其中包括多个节点对，每个节点对对应于一个交互事件，其中的两个节点分别表示参与该交互事件的两个对象，任意节点通过连接边指向该节点所代表的对象参与的上一交互事件对应的两个节点；

从所述动态交互图中选择对应于第一交互事件的第一节点对，所述第一节点对包括第一节点和第二节点，所述第一交互事件发生于第一时刻；所述第一节点通过连接边指向对应于第二交互事件的第二节点对，所述第二节点对包括第三节点和第四节点，所述第二交互事件发生于第二时刻；

利用图编码网络，基于所述动态交互图，获取所述第三节点对应的第三编码向量，所述第四节点对应的第四编码向量；

将所述第三编码向量，第四编码向量，第一时刻，第二时刻输入第一预测表征网络，得到所述第一节点在第一时刻的第一表征向量；

将所述第二节点对应的对象的属性特征输入第一属性编码网络，得到所述第二节点对应的第二属性向量；

根据所述第一表征向量和第二属性向量，得到第一节点与第二节点交互的第一概率，至少根据所述第一概率确定第一预测损失，所述第一预测损失与所述第一概率负相关；

以减小所述第一预测损失为目标，更新所述图编码网络，所述第一预测表征网络和所述第一属性编码网络，以训练所述交互预测模型。

2.根据权利要求1所述的方法，其中，利用图编码网络，基于所述动态交互图，获取所述第三节点对应的第三编码向量，包括：

以所述第三节点为根节点，在所述动态交互图中确定出从根节点出发，经由连接边到达的预定范围的节点所形成的子图；

将所述子图输入所述图编码网络，所述图编码网络根据所述子图中各个节点的节点属性特征以及节点之间的连接关系，输出根节点的隐向量作为所述第三编码向量。

3.根据权利要求2所述的方法，其中，所述图编码网络包括LSTM层，所述LSTM层将所述子图中从叶节点到根节点的各个节点分别作为当前节点，依次迭代处理各个节点，所述迭代处理包括，至少根据当前节点的节点属性特征，以及当前节点通过连接边指向的两个节点的隐向量，确定该当前节点的隐向量。

4.根据权利要求2所述的方法，其中，所述图编码网络用于，根据所述子图中各个节点之间的连接关系，确定各个节点相对于所述第三节点的注意力权重；

根据所述注意力权重，对所述各个节点的节点属性特征进行聚合，得到所述第三编码向量。

5.根据权利要求1所述的方法，其中，所述得到所述第一节点在第一时刻的第一表征向量，包括：

计算所述第一时刻和第二时刻之间的时间差值；

将所述第三编码向量，第四编码向量和所述时间差值拼接，得到拼接向量；

在所述第一预测表征网络中，利用第一参数矩阵处理所述拼接向量，并对处理结果施加非线性函数，得到所述第一表征向量。

6.根据权利要求1所述的方法，其中，根据所述第一表征向量和第二属性向量，得到第一节点与第二节点交互的第一概率，包括：

计算所述第一表征向量和第二属性向量之间的相似度，根据所述相似度得到所述第一概率，所述第一概率正相关于所述相似度；或者，

计算所述第一表征向量和第二属性向量之间的距离，根据所述距离得到所述第一概率，所述第一概率负相关于所述距离。

7.根据权利要求1所述的方法，还包括，从所述动态交互图中采样多个第一负样本节点，所述第一负样本节点为所述第二节点之外的其他节点；

将各个第一负样本节点对应的对象的属性特征分别输入所述第一属性编码网络，得到各个第一负样本节点分别对应的各个第一负样本向量；

根据所述第一表征向量和各个第一负样本向量，得到各个第三概率；

所述至少根据所述第一概率确定第一预测损失的步骤，包括：

根据所述第一概率和各个第三概率，确定第一预测损失，所述第一预测损失与各个第三概率之和正相关。