(19)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 202210485497.5 (22)申请日 2022.05.06 (71)申请人 支付宝 （杭州） 信息技 术有限公司 地址 310000 浙江省杭州市西湖区西溪路 556号8层B段801-1 1 (72)发明人 张丽娟　王维强　 (74)专利代理 机构 济南信达专利事务所有限公 司 37100 专利代理师 李世喆 (51)Int.Cl. G06F 16/901(2019.01) G06F 16/906(2019.01) G06K 9/62(2022.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01)G06Q 40/00(2012.01) G06F 21/62(2013.01) (54)发明名称 图网络中节点属性的预测方法和装置 (57)摘要 本说明书实施例描述了图网络中节点属性 的预测方法和装置。 根据实施例的方法， 首先根 据图网络中所包含的节点类型确定出多个子网 络， 然后确定每个子网络的时序表征， 并通过将 各个子网络对应的时序表征进行融合得到能够 对第一节点的属性进行预测的融合表征。 进而， 利用该融合表征即可实现对第一节点的属性进 行预测。 由于不同子网络中第二节 点的类型是不 同的， 如此通过将各子网络中不同类型的数据进 行融合来用于对第一节点的属性进行判断， 增加 了进行属性判断的信息量， 从而能够提高对第一 节点的属性进行判断的准确性。 权利要求书3页 说明书15页 附图3页 CN 114925243 A 2022.08.19 CN 114925243 A 1.图网络中节点属性的预测方法， 包括： 根据所述图网络， 确定至少两个子网络； 其中， 每一个子网络 中均包括待进行属性预测 的第一节点， 以及与作为该第一节点邻居的第二节点， 且任意两个子网络中的第二节点的 类型不同； 针对每个子网络， 根据 该子网络 中第二节点与第 一节点的关联性确定该子网络的时序 表征； 将各个子网络所 得到的时序表征进行融合， 得到所述第一节点的融合表征； 利用所述第一节点的融合表征， 对所述图网络中第一节点的属性进行 预测。 2.根据权利要求1所述的方法， 其中， 所述 根据所述图网络确定 至少两个子网络， 包括： 根据所述图网络 中节点类型的差异， 将所述图网络拆分成至少两个第 一网络； 其中， 任 意一个第一网络中均包 含第一节点， 且所包 含的节点的类型不大于2种； 针对每一个所述第一网络， 确定该第一网络中与第一节点的属性相关联的第二节点， 并利用该第一网络中的第一节点和第二节点 生成对应该第一网络的子网络 。 3.根据权利要求2所述的方法， 其中， 所述确定该第 一网络中与第一节点的属性相关联 的第二节点， 包括： 计算所述第一节点与第一网络中每个第三节点的模块度； 其中， 所述第三节点用于表 征除所述第一节点之外的节点， 所述模块度用于表征所述第一节点与所述第三节点的聚集 程度； 将所述模块度大于预设阈值的各个第三节点确定为与所述第一节点的属性相关联的 第二节点。 4.根据权利要求3所述的方法， 其中， 当所述第 三节点与 所述第一节点的节点类型均相 同时， 所述计算所述第一节点与第一网络中每 个第三节点的模块度， 包括： 利用如下计算式， 计算所述模块度： 其中， Qi用于表征第一节点与第i个第三节点的模 块度， m用于表征第一节点与各个第三 节点之间连接的总边 数， Ai用于表征第一节点和第i个第三节点之间的邻接矩阵， k和ki分别 用于表征第一节点的入度和第i个第三节点的出度， δ(Ci)用于表征第一节点和第三节点之 间是否有连边， δ(C)的值在有连边时为1， 没有连边时为0 。 5.根据权利要求3所述的方法， 其中， 当所述第 三节点包括与 所述第一节点的节点类型 不相同的节点时， 所述计算所述第一节点与第一网络中每 个第三节点的模块度， 包括： 利用如下计算式， 计算所述模块度： 其中， Qj用于表征第一节点与第j个第三节点的模 块度， F用于表征第一节点及与该第一 节点类型不相同的第三节点之间连接的总边数， Bj用于表征第一节点及与该第一节点类型 不相同的第j个第三节点之间的邻接矩阵， q用于表征第一节点的入度， qj用于表征与所述 第一节点类型不相同的第j个第三节点的出度， δ(Cj)用于表征与第一节点类型不相同的第 j个第三节点与该第一节点之间是否有连边， δ(Cj)的值在有连边时为1， 没有连边时为0 。权　利　要　求　书 1/3 页 2 CN 114925243 A 26.根据权利要求1所述的方法， 其中， 所述根据该子网络中第 二节点与第 一节点的关联 性确定该子网络的网络表征， 包括： 获取所述第 一节点的第 一时序表征， 以及作为该第 一节点邻居的第 二节点的第 二时序 表征； 其中， 所述第一时序表征和所述第二时序表征均为能够对所述第一节点的属 性产生 影响的特 征； 将所述第二节点的第 二时序表征聚合到所述第 一节点的第 一时序表征中， 得到所述融 合表征。 7.根据权利要求6所述的方法， 其中， 所述将所述第 二节点的第 二时序表征聚合到所述 第一节点的第一时序表征中得到所述融合表征， 包括： 利用如下计算式， 计算得到所述网络表征： f(Hl)＝ δ(E·Hl‑1·Wl‑1) 其中， f(Hl)用于表征经过l层迭代后得到的所述网络表征， E用于表征所述第二时序表 征， Hl‑1用于表征第l ‑1层的隐藏层的状态矩阵， 且H0为所述第一时序表征， W用于表征第l ‑1 层的隐藏层的权 重参数， δ 为激活函数。 8.根据权利要求1所述的方法， 其中， 所述将各个子网络所得到的时序表征进行融合得 到所述第一节点的融合表征， 包括： 针对每一个子网络， 均执 行： 利用当前子网络的时序表征， 确定该当前子网络所对应的注意力机制中的权 重矩阵； 根据所述当前子网络所对应的注意力 机制中的权重矩阵， 确定该当前子网络对所述第 一节点的属性进行 预测时的贡献表征； 根据所述当前子网络的贡献表征， 确定该当前子网络对所述第 一节点的属性进行预测 时的贡献量； 根据各子网络对应的权 重矩阵和贡献量， 确定所述融合表征。 9.根据权利要求8所述的方法， 其中， 所述权 重矩阵包括 Q、 K、 V权重矩阵； 所述利用当前子网络的时序表征确定该当前子网络所对应的注意力机制中的权重矩 阵， 包括： 利用如下计算式组计算所述权 重矩阵： 其中， Q、 K、 V分别用于表征当前子网络对应的注意力机制中 的Q、 K、 V权重矩阵， L1、 L2、 L3 分别用于表征计算当前子网络对应的Q、 K、 V权重矩阵时的卷积核对应的矩阵， D用于表征所 述当前子网络的时序表征。 10.根据权利要求8所述的方法， 其中， 所述根据所述当前子网络所对应的注意力机制 中的权重矩阵确定该当前子网络对所述第一节点的属性进行 预测时的贡献表征， 包括： 利用如下计算式， 计算所述当前子网络的贡献表征： g(Q,K)＝ QTK 其中， g(Q,K)用于表征所述当前子网络的贡献表征， QT用于表征所述权重矩阵中的Q权权　利　要　求　书 2/3 页 3 CN 114925243 A 3