[发明专利]一种基于图神经网络的电力作业与人员匹配的方法

权利要求书

1.一种基于图神经网络的电力作业与人员匹配的方法，其特征在于，包括以下步骤：

S1获取作业和人员的基础特征表达；

S2获取作业和人员的关系；

S3构建图神经网络模型；

S4对构建的图神经网络模型进行模型训练；

S5利用训练好的模型进行作业和人员匹配。

2.根据权利要求1所述的一种基于图神经网络的电力作业与人员匹配的方法，其特征在于，所述步骤S1具体包括，利用作业和人员的基础属性，采用自相似原则，获取作业和人员的基础特征表达，WE和PE。

3.根据权利要求1所述的一种基于图神经网络的电力作业与人员匹配的方法，其特征在于，所述步骤S2具体包括：

S2.1从作业历史数据中提取不同人员与其历史作业的关系；

S2.2将提取的关系表示为WID(作业ID)，PID(人员ID)和RID(角色ID即关系类型)的三元组。

4.根据权利要求1或2所述的一种基于图神经网络的电力作业与人员匹配的方法，其特征在于，所述步骤S3具体包括：

S3.1构建异构图节点，将作业和人员分别作为图节点，并赋予各自的基础特征表达WE和PE；

S3.2构建多关系的边，利用WRP(项目-角色-人员)三元组关系，构建相应的边；

S3.3进行节点特征的聚合，将构建的图G的每类节点在W和P的特征通过边的关系把邻居的特征聚合起来；

S3.4获取每个作业和人员节点的关系，通过每个作业和人员的聚合后的表达，把有关系的Wae和Pae进行拼接再经过一个线性层，得到一个混合向量作为关系的表达Re。

5.根据权利要求4所述的一种基于图神经网络的电力作业与人员匹配的方法，其特征在于，所述步骤S3.3最终的表征Wae、Pae包括两个部分，分别是基础特征即WE，PE和邻居特征U_i，其计算方式公式如下：

其中i表示当前节点编号，j表示邻居节点编号，r表示某种关系，k表示第k层的邻居特征(1＝k＝K)，aggregator function为mean aggregator或者max-pooling aggregator，取K把各层的特征拼起来记为Ui：

U_i＝contact(u_i,1,u_i,2,…,u_i,m)

m表示边类型的数量，最终的节点表达Wae、Pae为基础特征和邻居特征的聚合。

6.根据权利要求4所述的一种基于图神经网络的电力作业与人员匹配的方法，其特征在于，所述步骤S4具体包括：模型的训练目标是利用已知的关系类型作为便签，利用上述获取的节点表达和节点表达之间的混合向量和标签之间的损失最小化，

loss＝softmax(flaten(linear(contact(Wae,Pae))))。

7.根据权利要求1或4或5所述的一种基于图神经网络的电力作业与人员匹配的方法，其特征在于，所述步骤S5具体包括，如果有新的作业，首先通过模型获取新节点表达，再利用该表达找出最相似的作业，流程如下：

NewWe＝Model(newf)

利用新作业特征newf，通过模型获得新作业的表达NewWe。

TopkWe＝Similarity(We,NewWe)

利用新作业表达NewWe，对已有作业求相似度，取前K个作业。

TopkP＝Relation(G,TopWe)

利用这K个项目和图模型，找出最合适的人选。