[发明专利]一种社区搜索方法、模型训练方法及相关装置

权利要求书

1.一种社区搜索方法，其特征在于，所述方法包括：

获取图数据的标注数据；所述图数据包括多个基础节点，所述标注数据中包括所述图数据中的标注节点对象及其标注结果，所述标注结果包括与所述标注节点对象所属于同一社区的基础节点；

根据所述图数据中各个基础节点与所述标注节点对象之间的关系、以及所述各个基础节点的基本特征，确定所述图数据的上下文表示矩阵；所述基础节点与所述标注节点对象之间的关系是根据所述标注结果确定的，所述上下文表示矩阵包括所述图数据中各个基础节点的上下文表示特征；

根据所述上下文表示矩阵，确定所述图数据中的查询节点对象的上下文表示特征；

根据所述查询节点对象的上下文表示特征、以及所述图数据中除所述查询节点对象之外的其它基础节点的上下文表示特征，确定所述查询节点对象的社区搜索结果；所述社区搜索结果包括所述图数据中与所述查询节点对象所属于同一社区的基础节点。

2.根据权利要求1所述的方法，其特征在于，所述标注数据中包括多个标注节点对象及其各自的标注结果；所述根据所述图数据中各个基础节点与所述标注节点对象之间的关系、以及所述各个基础节点的基本特征，确定所述图数据的上下文表示矩阵，包括：

针对每个所述标注节点对象，通过图神经网络的编码器，根据所述图数据中各个基础节点与所述标注节点对象之间的关系、以及所述各个基础节点的基本特征，确定所述各个基础节点在所述标注节点对象的标注体系下的上下文表示特征；根据所述各个基础节点在所述标注节点对象的标注体系下的上下文表示特征，确定所述标注节点对象的上下文表示矩阵；

对所述多个标注节点对象各自的上下文表示矩阵进行聚合处理，得到所述图数据的上下文表示矩阵。

3.根据权利要求2所述的方法，其特征在于，所述标注节点对象为包括多个标注节点的标注节点组合；所述通过图神经网络的编码器，根据所述图数据中各个基础节点与所述标注节点对象之间的关系、以及所述各个基础节点的基本特征，确定所述各个基础节点在所述标注节点对象的标注体系下的上下文表示特征，包括：

针对所述标注节点组合中的每个所述标注节点，通过所述图神经网络的编码器，根据所述图数据中各个基础节点与所述标注节点对象之间的关系、以及所述各个基础节点的基本特征，确定所述各个基础节点分别在所述多个标注节点的标注体系下的上下文表示特征；

针对所述图数据中的每个所述基础节点，对所述基础节点在所述多个标注节点的标注体系下的上下文表示特征进行聚合处理，得到所述基础节点在所述标注节点对象的标注体系下的上下文表示特征。

4.根据权利要求2所述的方法，其特征在于，所述通过图神经网络的编码器，根据所述图数据中各个基础节点与所述标注节点对象之间的关系、以及所述各个基础节点的基本特征，确定所述各个基础节点在所述标注节点对象的标注体系下的上下文表示特征，包括：

通过所述编码器的第k层，对所述图数据中目标节点的各个邻居节点的第k-1级编码特征进行聚合处理，得到所述目标节点的第k级参考特征；根据所述目标节点的第k-1级编码特征和所述第k级参考特征，确定所述目标节点的第k级编码特征；

其中，所述目标节点为所述图数据中的任一基础节点；所述编码器包括K层，K为正整数，k为小于或等于K的正整数；当k等于1时，所述目标节点的第k-1级编码特征为关系特征和所述目标节点的基本特征的拼接特征，所述关系特征用于表征所述目标节点与所述标注节点对象之间的关系；当k等于K时，所述目标节点的第k级编码特征用于确定所述目标节点在所述标注节点对象的标注体系下的上下文表示特征。

5.根据权利要求1所述的方法，其特征在于，所述根据所述查询节点对象的上下文表示特征、以及所述图数据中除所述查询节点对象之外的其它基础的上下文表示特征，确定所述查询节点对象的社区搜索结果，包括：

通过图神经网络的解码器，根据所述查询节点对象的上下文表示特征和候选节点的上下文表示特征，确定所述候选节点对应的预测概率；所述候选节点为所述图数据中除所述查询节点对象外的任一基础节点，所述预测概率用于表征所述候选节点与所述查询节点对象所属于同一社区的概率；

确定所对应的预测概率满足预设条件的各候选节点，组成所述社区搜索结果。