(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210042804.2 (22)申请日 2022.01.14 (71)申请人 马上消费金融股份有限公司 地址 404100 重庆市渝北区黄山大道中段 52号渝兴广场B2栋4至8楼 (72)发明人 赵宏宇　赵国庆　蒋宁　王洪斌　 吴海英　 (74)专利代理 机构 北京银龙知识产权代理有限 公司 11243 代理人 黄灿 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06V 10/82(2022.01)G06V 10/764(2022.01) G06V 10/44(2022.01) (54)发明名称 信息处理方法、 图卷积神经网络训练方法及 电子设备 (57)摘要 本申请提供一种信息处理方法、 网络训练方 法及电子设备， 该信息处理方法包括： 获取目标 异构图； 获取N个节点中每个节点的初始特征向 量以及目标异构图的邻接矩阵， 输入目标图卷积 神经网络进行特征提取得到N个节 点中每个节点 的目标特征向量； 采样层利用N个节点的邻居节 点的类型对所述N个节点的邻居节点进行采样， 得到N个邻居节点集合； 目标图卷积层基于N个初 始特征向量、 邻接矩阵以及N个邻居节点集合进 行特征提取得到N个目标特征向量。 即采样考虑 了节点的不同类型的邻居节点， 依此进行特征提 取， 可提高特征提取的准确性， 进而利用目标特 征向量进行关联确定， 可提高关联确定的准确 性。 权利要求书4页 说明书19页 附图9页 CN 114399028 A 2022.04.26 CN 114399028 A 1.一种信息处 理方法， 其特 征在于， 由具有数据处 理功能的设备 执行， 所述方法包括： 获取目标异构图， 所述目标异构图中包括N个节点， 且所述N个节点包括至少两种类型 的节点， 其中， 不同类型的节点用于表示 不同信息， N 为大于1的整数； 获取所述N个节点中每 个节点的初始特 征向量以及所述目标异构图的邻接矩阵； 将N个初始特征向量以及所述邻接矩阵输入目标图卷积神经网络进行特征提取， 得到 所述N个节点中每 个节点的目标 特征向量； 基于所述N个节点中无邻接且不同类型的两个节点的目标特征向量， 确定所述两个节 点之间的关联； 其中， 所述目标图卷积神经网络中的采样层用于基于预设总采样数量以及所述N个节 点的邻居节点的类型对所述N个节点的邻居节点进 行采样， 得到所述N个节点中每个节点的 邻居节点集合， 所述N个节点中任一节点的邻居节点集合中的节点数量为所述预设总采样 数量； 所述目标卷积神经网络中的目标图卷积层用于基于所述N个初始特征向量、 所述邻接 矩阵以及N个邻居节点 集合进行特征提取， 得到N个目标 特征向量。 2.根据权利要求1所述的方法， 其特 征在于， 所述至少两种类型包括： 用户类型和待推荐对象类型， 所述用户类型的任一节点用于表示一个用户， 所述待推 荐对象类型的任一节点用于表示 一个对象。 3.根据权利要求1所述的方法， 其特征在于， 目标邻居节点集合中节点的类型包括M种 类型， 其中， 所述目标邻居节点集合为目标节点的邻居节点集合， 所述 目标节点为所述N个 节点中包括所述M种类型的邻居节点的节点， M为大于1的整数。 4.根据权利要求1所述的方法， 其特征在于， 所述基于所述N个节点中无邻接且不同类 型的两个节点的目标 特征向量， 确定所述两个节点之间的关联， 包括： 将所述两个节点的目标特征向量输入目标分类模型， 得到所述两个节点的目标特征向 量之间的关联。 5.根据权利要求1所述的方法， 其特征在于， 所述基于预设总采样数量以及所述N个节 点的邻居节点的类型对所述N个节点的邻居节点进 行采样， 得到所述N个节点中每个节点的 邻居节点 集合， 包括： 根据参考节点的初始特征向量以及所述参考节点的邻居节点的初始特征向量， 计算所 述参考节点与所述参考节点的邻居节点之间的相似度， 所述参考节点为所述N个节点中的 任一节点； 基于目标采样规则、 所述预设总采样数量、 所述参考节点与所述参考节点的邻居节点 之间的相似度以及所述参考节点的邻居节点的类型进 行采样， 得到所述参考节点的邻居节 点集合。 6.根据权利要求5所述的方法， 其特 征在于， 所述目标采样规则包括以下任一项： 在所述参考节点的邻居节点的类型包括M种类型， 且预设总采样数量为M的正整数倍的 情况下， 所述参考节点的M种类型的邻居节点的采样数量相同； 在所述参考节点的邻居节点的类型包括M种类型， 且所述预设总 采样数量不为M的正整 数倍的情况下， 所述参考节点的M ‑1种类型的邻居节 点的采样数量相同， 所述参考节点的目 标类型的邻居节点的采样数量为所述预设总采样数量与所述M ‑1种类型的邻居节点的采样 数量总数之间的差， 其中， 所述目标类型为所述M种类型中除所述M ‑1种类型之外的一种类权　利　要　求　书 1/4 页 2 CN 114399028 A 2型。 7.根据权利要求1所述的方法， 其特征在于， 所述目标图卷积神经网络还包括目标嵌入 层， 所述目标嵌入层用于对所述N个节点中每个节点的初始特征向量进 行特征映射， 得到所 述N个节点中每 个节点的映射特 征向量； 所述目标卷积神经网络中的目标图卷积层用于基于所述N个初始特征向量、 所述邻接 矩阵以及N个邻居节点集合进行特征提取， 得到所述N个节点中每个节点的目标特征向量， 包括： 所述目标图卷积层用于基于N个映射特征向量、 所述邻 接矩阵以及所述N个邻居节点集 合进行特征提取， 得到所述 N个节点中每 个节点的目标 特征向量。 8.根据权利要求7所述的方法， 其特征在于， 所述目标图卷积层包括L层子目标图卷积 层， L为大于1的整数； 其中， 所述L层子目标图卷积层中第1层子目标图卷积层对所述N个映射特征向量进行 特征提取， 得到所述N个节点中每个节点的第1层特征向量， 所述L层子目标图卷积层中的第 i层子目标图卷积层对第i ‑1层子目标图卷积层得到的N个第i ‑1层特征向量进 行特征提取， 得到所述N个节点中每个节点的第i层特征向量， i为整数， 且2≤i≤L， 所述N个目标特征向 量为第L层子目标图卷积层得到的N个第L层特 征向量。 9.根据权利要求1所述的方法， 其特 征在于， 所述至少两种类型包括以下任一项： 疾病类型和微小核糖核酸类型， 所述疾病类型的任一节点用于表示一种疾病， 所述微 小核糖核酸类型的任一节点用于表示 一种微小 核糖核酸； 或者， 疾病类型、 长链非编码核糖核酸类型和微小核糖核酸类型， 所述长链非编码核糖 核酸类型的任一节点用于表示 一种长链非编码核糖核酸。 10.一种图卷积神经网络训练方法， 其特征在于， 由具有数据处理功能的设备执行， 所 述方法包括： 获取训练异构图， 所述训练异构图中包括P个节点， 所述P个节点的类型包括至少两种 类型， P为大于1的整数； 获取所述P个节点中每 个节点的初始特 征向量以及所述训练异构图的邻接矩阵； 基于P个初始特征向量以及所述训练异构图的邻接矩阵， 对初始图卷积神经网络进行 迭代训练， 得到目标图卷积神经网络 。 11.根据权利要求10所述的方法， 其特征在于， 所述基于P个初始特征向量以及所述训 练异构图的邻接矩阵， 对初始图卷积神经网络进 行迭代训练， 得到目标图卷积神经网络， 包 括： 所述初始图卷积神经网络中的采样层基于所述P个节点的邻居节点的类型对所述P个 节点的邻居节点进行采样， 得到所述P个节点中每 个节点的邻居节点 集合； 所述初始卷积神经网络中的图卷积层基于P个初始特征向量、 所述训练异构图的邻接 矩阵以及P个邻居节点 集合进行特征提取， 得到所述P个节点中每 个节点的训练特 征向量； 所述初始卷积神经网络 中的解码层基于P个训练特征向量进行解码得到重构的邻 接矩 阵； 根据所述训练异构图的邻接矩阵以及所述重构的邻接矩阵， 确定目标损失函数； 采用所述目标损失函数对所述初始图卷积神经网络进行训练， 得到所述目标图卷积神权　利　要　求　书 2/4 页 3 CN 114399028 A 3