[发明专利]时序超图序列预测方法及装置

说明书

本申请涉及超图学习技术领域，特别涉及一种时序超图序列预测方法及装置，其中，方法包括：对时序序列中的每一个超图，使用预设超图神经网络提取每个结点的空间特征，生成空间特征序列；针对空间特征序列，使用预设循环神经网络提取每个结点的时间特征；使用交叉熵函数与参数正则项作为模型的损失函数，对模型进行训练，得到用于时序超图序列预测的最终模型。由此，解决了相关技术中通过超图学习刻画样本之间的复杂关联，无法高效的挖掘数据背后的复杂关联，降低了处理时序序列的效率，并且降低特征表示的准确性和鲁棒性等问题。

技术领域

本申请涉及超图学习技术领域，特别涉及一种时序超图序列预测方法及装置。

背景技术

相关技术中，由于超图每一条超边可以连接多个结点，更适合刻画样本之间的复杂关联，因此，可以通过超图学习挖掘数据背后的复杂关联，以适应网络数据的复杂性。

然而，相关技术中通过超图学习刻画样本之间的复杂关联，无法高效的挖掘数据背后的复杂关联，降低了处理时序序列的效率，并且降低特征表示的准确性和鲁棒性，亟待解决。

发明内容

本申请提供一种时序超图序列预测方法及装置，以解决相关技术中通过超图学习刻画样本之间的复杂关联，无法高效的挖掘数据背后的复杂关联，降低了处理时序序列的效率，并且降低特征表示的准确性和鲁棒性等问题。

本申请第一方面实施例提供一种时序超图序列预测方法，包括以下步骤：对时序序列中的每一个超图，使用预设超图神经网络提取每个结点的空间特征，生成空间特征序列；针对所述空间特征序列，使用预设循环神经网络提取所述每个结点的时间特征；使用交叉熵函数与参数正则项作为模型的损失函数，对模型进行训练，得到用于时序超图序列预测的最终模型。

可选地，在本申请的一个实施例中，所述对时序序列中的每一个超图，使用预设超图神经网络提取每个结点的空间特征，生成空间特征序列，包括：根据超图关联矩阵、结点度矩阵、超边度矩阵、超边权重矩阵计算超图拉普拉斯矩阵；基于所述超图拉普拉斯矩阵对所述每一个超图的结点特征进行卷积运算，得到所述每个结点的空间特征。

可选地，在本申请的一个实施例中，所述超图拉普拉斯矩阵的计算公式为：

Δ＝D_V^-1/2HWD_E^-1H^T D_V^-1/2，

其中，D_V为结点度矩阵，H为超图关联矩阵，W为超边权重矩阵，D_E为超边度矩阵。可选地，在本申请的一个实施例中，所述空间特征的表达式为：

f(X,H)＝σ((I-Δ)ReLU((I-Δ)XΘ₁)Θ₂)，

其中，X为输入的结点特征，σ为非线性激活函数sigmoid，I为单位矩阵，ReLU为线性整流函数，Θ1和Θ2为网络的可学习参数。

本申请第二方面实施例提供一种时序超图序列预测装置，包括：第一提取模块，用于对时序序列中的每一个超图，使用预设超图神经网络提取每个结点的空间特征，生成空间特征序列；第二提取模块，用于针对所述空间特征序列，使用预设循环神经网络提取所述每个结点的时间特征；训练模块，用于使用交叉熵函数与参数正则项作为模型的损失函数，对模型进行训练，得到用于时序超图序列预测的最终模型。

可选地，在本申请的一个实施例中，所述第一提取模块包括：计算单元，用于根据超图关联矩阵、结点度矩阵、超边度矩阵、超边权重矩阵计算超图拉普拉斯矩阵；生成单元，用于基于所述超图拉普拉斯矩阵对所述每一个超图的结点特征进行卷积运算，得到所述每个结点的空间特征。

可选地，在本申请的一个实施例中，所述超图拉普拉斯矩阵的计算公式为：