[发明专利]一种基于图神经网络的聚合特征提取方法及装置

说明书

本发明公开了一种基于图神经网络的聚合特征提取方法及装置，方法包括：对多个训练样本进行特征提取，获得与每一个训练样本对应的训练特征集，训练特征集包含至少一个训练特征；根据训练特征确定节点特征，根据训练特征集和节点特征生成边特征，边特征用于与同一训练特征集对应的节点特征形成全连接网络；根据边特征和节点特征确定与训练特征对应的第一聚合特征；根据第一聚合特征和训练特征对神经网络进行训练，获得聚合特征提取模型；其中，聚合特征提取模型用于对指定特征进行聚合，获得与指定特征对应的指定聚合特征，应用本方法获得的聚合特征提取模型，能够聚合获得具有全局的特征交互表征视野的聚合特征。

技术领域

本发明涉及神经网络技术领域，尤其涉及一种基于图神经网络的聚合特征提取方法及装置。

背景技术

近年来，神经网络被大量应用在概率预测领域，通常，为了提升概率预测的准确性，除了利用到特征原始空间域的信息之外，还要高效地挖掘这些特征之间的交互信息。对于挖掘特征交互信息这一操作部分，目前通常依赖于专家规则的经验，即人为的挑出有意义的特征交互；但是这种方法依赖大量的人力工作，由于当面对复杂场景的时候，这种方法的效率往往是非常低的。如果将全部特征之间进行两两交叉以挖掘这些特征之间的交互信息，这种穷举了特征之间的交互组合方式，虽然不依赖人力，但并不是所有特征之间的交互都是有意义的，会给模型引入大量的噪声，影响模型预测结果的准确性。

发明内容

本发明实施例提供了一种基于图神经网络的聚合特征提取方法及装置，能够获得具有全局交互表征视野的聚合特征。

本发明实施例一方面提供一种基于图神经网络的聚合特征提取方法，所述方法包括：对多个训练样本进行特征提取，获得与每一个训练样本对应的训练特征集，所述训练特征集包含至少一个训练特征；根据所述训练特征确定节点特征，根据所述训练特征集和所述节点特征生成边特征，所述边特征用于与同一训练特征集对应的节点特征形成全连接网络；根据所述边特征和所述节点特征确定与所述训练特征对应的第一聚合特征；根据所述第一聚合特征和所述训练特征对神经网络进行训练，获得聚合特征提取模型；通过所述聚合特征提取模型对指定特征进行聚合，获得与所述指定特征对应的指定聚合特征。

在一可实施方式中，所述根据所述边特征和所述节点特征确定与所述训练特征对应的第一聚合特征，包括：确定与其中一节点特征连接的连接边特征和连接节点特征；根据所述连接边特征的数量确定权值；根据所述连接节点特征确定对应的交互训练特征；根据所述权值和所述交互训练特征确定所述第一聚合特征。

在一可实施方式中，所述根据所述权值和所述交互训练特征确定所述第一聚合特征，包括：根据所述权值和所述交互训练特征确定聚合函数，根据所述聚合函数确定所述第一聚合特征。

在一可实施方式中，所述根据所述第一聚合特征和所述训练特征对神经网络进行训练，获得聚合特征提取模型，包括：根据所述全连接网络确定图神经网络模型；根据所述聚合函数确定与所述图神经网络模型对应的模型参数；确定与所述第一聚合特征和所述训练特征对应的损失函数；根据所述损失函数对所述图神经网络模型进行梯度下降训练，获得所述聚合特征提取模型。

在一可实施方式中，所述方法还包括：获得与指定对象对应的待预测特征；对所述待预测特征进行特征分类，获得第一离散特征和连续特征；对所述连续特征进行离散化处理，获得第二离散特征；根据所述第一离散特征和第二离散特征确定指定特征。

在一可实施方式中，所述方法还包括：通过所述聚合特征提取模型对所述训练特征进行聚合，获得第二聚合特征；根据所述第二聚合特征对神经网络进行训练，获得概率预测模型。

在一可实施方式中，所述方法还包括：对所述指定聚合特征进行特征拼接，获得拼接特征；通过概率预测模型对所述拼接特征进行概率预测，获得与所述指定对象对应的指定概率。