(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 202211210585.0 (22)申请日 2022.09.30 (71)申请人 中国银行股份有限公司 地址 100818 北京市西城区复兴门内大街1 号 (72)发明人 麻珂欣　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 贾磊 (51)Int.Cl. G06F 16/36(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 40/216(2020.01) G06F 40/284(2020.01) (54)发明名称 基于图卷积网络的先序关系挖掘方法、 装置 及存储介质 (57)摘要 本文应用于人工智能技术领域， 提供了基于 图卷积网络的先序关系挖掘方法、 装置及存储介 质， 方法包括： 获取根据若干文本确定得到的图 网络输入数据； 根据所述邻接矩阵和所述特征矩 阵确定所述图网络输入数据的均值和方差； 根据 所述均值和所述方差， 确定所述图网络输入数据 的表示向量集； 根据预设的权重矩阵、 所述表示 向量集和所述表示向量集的转置向量集， 确定重 构矩阵； 根据先序关系的单向特征、 所述邻接矩 阵与所述重构矩阵的契合度， 以及所述表示向量 与正态分布的差异对所述重构矩阵进行调整， 得 到所述图网络输入数据中各个主题之间的先序 关系， 实现了令用户得到较为符合客观事实的先 序关系， 进 而提升用户的学习效率。 权利要求书4页 说明书15页 附图4页 CN 115495592 A 2022.12.20 CN 115495592 A 1.一种基于图卷积网络的先序关系挖掘方法， 其特 征在于， 包括： 获取根据若干文本确定得到的图网络输入数据， 其中， 所述图网络输入数据包括邻接 矩阵以及特征矩阵， 所述邻接矩阵根据文本间的关联关系以及文本与主题间的关联关系确 定得到， 所述特 征矩阵根据文本及主题确定得到； 根据所述邻接矩阵和所述特 征矩阵确定所述图网络 输入数据的均值和方差； 根据所述均值和所述方差， 确定所述图网络 输入数据的表示向量 集； 根据预设的权重矩阵、 所述表示向量集和所述表示向量集的转置向量集， 确定重构矩 阵； 根据先序关系的单向特征、 所述邻接矩阵与所述重构矩阵的契合度， 以及所述表示向 量与正态分布的差异对所述重构矩阵进行调整， 得到所述图网络输入数据中各个主题之间 的先序关系。 2.根据权利要求1所述的基于图卷积网络的先序关系挖掘方法， 其特征在于， 所述根据 先序关系的单向特征、 所述邻接矩阵与所述重构矩阵的契合度， 以及所述表示向量与正态 分布的差异对所述重构矩阵进 行调整， 得到所述图网络输入数据中各个主题之 间的先序关 系， 进一步包括： 根据任意 一对主题与主题之间的单向特 征， 确定第一损失函数； 根据所述邻 接矩阵与 所述重构矩阵中每一个向量的差异， 确定所述邻 接矩阵与所述重 构矩阵的契合度； 根据所述契合度确定第二损失函数； 根据所述表示向量与正态分布的差异， 确定第三损失函数； 根据所述第一损失函数、 所述第二损失函数和所述第三损失函数， 生成 综合损失函数； 根据所述综合损失函数对所述重构矩阵进行调 整， 得到所述图网络输入数据中各个主 题之间的先序关系。 3.根据权利要求2所述的基于图卷积网络的先序关系挖掘方法， 其特征在于， 所述第 一 损失函数为： 其中， (°)为哈达玛积， min( ·)为所述重构矩阵与所述重构矩阵的转置矩阵对应位置 元素的最小值， 为所述重构矩阵， 为所述重构矩阵的转置矩阵， n为主题数量， dn为文本 数量。 4.根据权利要求2所述的基于图卷积网络的先序关系挖掘方法， 其特征在于， 所述第 二 损失函数为： 其中， n为主题数量， dn为文本数量， i为重构矩阵中的行数， j为重构矩阵中的列数， Aij 为所述邻接矩阵中第i行第j列的一个元 素， 为所述重构矩阵中第i行第j列的一个元 素。 5.根据权利要求2所述的基于图卷积网络的先序关系挖掘方法， 其特征在于， 所述第 三权　利　要　求　书 1/4 页 2 CN 115495592 A 2损失函数为： 其中， n为主题数量， dn为文本数量， μi为所述表示向量中的一个均值， σi为所述表示向 量中的一个方差， KL[ ·]为KL散度函数。 6.根据权利要求2所述的基于图卷积网络的先序关系挖掘方法， 其特征在于， 所述根据 所述第一损失函数、 所述第二损失函数和所述第三损失函数， 生成综合损失函数， 进一步包 括： 根据公式： L＝Lasy+Lcross+LKL 得到所述综合损失函数， 其中Lasy为所述第一损失函数， Lcross为所述第二损失函数， LKL 为所述第三损失函数。 7.根据权利要求1所述的基于图卷积网络的先序关系挖掘方法， 其特征在于， 所述特征 矩阵根据文本和主题确定得到， 进一 步包括： 获取每个文本中若干主题； 根据所述主题中包含的每个单独词的词向量， 以及主题中包含的每个由单独词组成的 句向量的点乘结果作为该主题的特 征向量； 根据所述文本 中包含的每个单独词的词向量， 以及文本中包含的每个由单独词组成的 句向量的点乘结果作为该文本的特 征向量； 将所述主题的特 征向量和所述文本的特 征向量进行矩阵排列， 得到所述特 征矩阵。 8.根据权利要求7所述的基于图卷积网络的先序关系挖掘方法， 其特征在于， 所述邻 接 矩阵根据文本间的关联关系以及文本与主题间的关联关系确定得到， 进一 步包括： 确定主题在所述文本中的重要程度， 并根据 所述重要程度确定所述文本与 所述主题间 的关联关系； 根据相同主题在不同所述文本中的重要程度的差值， 确定文本间的关联关系。 9.根据权利要求8所述的基于图卷积网络的先序关系挖掘方法， 其特征在于， 所述确定 主题在所述文本中的重要程度， 并根据所述重要程度确定所述文本与所述主题间的关联关 系， 进一步包括： 将所述文本与所述主题导入至TFC公式： 其中， n为主题 数量， numi， j为主题i在文本Dj中出现的次数， numj为文本Dj中的总词数， |D|为文本总数量， |k： ti∈Dj|为包含主题ti的文本数量； 根据TFCi， j确定若干不同主题在不同文本中的重要程度； 将中的重要程度靠前的若干个主题与所述文本建立关联关系。 10.根据权利要求9所述的基于图卷积网络的先序关系挖掘方法， 其特征在于， 所述根权　利　要　求　书 2/4 页 3 CN 115495592 A 3