一种分布式图推理计算方法、装置、终端及存储介质与流程

技术特征：
1.一种分布式图推理计算方法，其特征在于，所述分布式图推理计算方法包括：获取图数据，对所述图数据进行预处理，得到所述图数据所构造的全图，并更新所述全图上的基础信息；对所述全图中所有点的hop值进行初始化处理，并根据初始化后的hop值分别获取预设点、一度邻居以及二度邻居所对应的特征，得到二度子图特征；将所获取的二度子图特征输入至已训练的gnn编码器模型中，并通过所述已训练的gnn编码器模型输出得到对应的嵌入向量；根据输出的嵌入向量生成对应边的邮件信息，并通过邮件传递机制将所述邮件信息发送至对应边的目的点；通过已训练的gnn解码器模型对所述全图特征进行解码，根据各边目的点上的邮件信息输出所述全图特征的逻辑推理结果。2.根据权利要求1所述的分布式图推理计算方法，其特征在于，所述基础信息包括边、点以及时间戳；所述对图数据进行预处理，得到所述图数据所构造的全图，并更新所述全图上的基础信息，包括：从所述图数据中获得新产生的图事件e；将所述图事件e关联的点和边分别加入对应的分布式弹性数据集中；采用预设分区策略对所述图事件e关联的边进行分区；根据所述分布式弹性数据集构建得到所述全图；确定所述全图中的重复边，对所述重复边进行合并，并更新合并后边所对应的端点的时间戳。3.根据权利要求2所述的分布式图推理计算方法，其特征在于，所述采用预设分区策略对所述图事件e关联的边进行分区，包括：判断所述图事件e关联的边中两条边的起始点和目的点是否均相同；若所述两条边的起始点和目的点均相同，则将所述两条边放入同一分区中。4.根据权利要求2所述的分布式图推理计算方法，其特征在于，所述确定全图中的重复边，对所述重复边进行合并，并更新合并后边所对应的端点的时间戳，包括：确定所述全图中重复边；其中，所述重复边为起始点与目的点均相同的边；根据时间戳的大小对所述重复边进行合并，保留时间戳最大的边；更新合并边涉及的两个端点的时间戳，以将所述两个端点的时间戳更新为时间戳最大边所对应的时间戳。5.根据权利要求1所述的分布式图推理计算方法，其特征在于，所述对全图中所有点的hop值进行初始化处理，并根据初始化后的hop值分别获取预设点、一度邻居以及二度邻居所对应的特征，得到二度子图特征，包括：将所述全图中所有点的hop值初始化为2；分别将起始点和目的点的hop值减1后发送至对应的一度邻居，并更新对应一度邻居的hop值；其中，所述一度邻居更新后的hop值为1；将各一度邻居的hop值减1后发送至对应的二度邻居，并更新对应二度邻居的hop值；其中，所述二度邻居更新后的hop值为0；
将二度邻居、一度邻居以及目标点对应的特征进行合并，发送至起始点；通过所述起始点将所有收到的特征进行整合，作为图事件e的二度子图特征。6.根据权利要求1所述的分布式图推理计算方法，其特征在于，所述将所获取的二度子图特征输入至已训练的gnn编码器模型中，并通过所述已训练的gnn编码器模型输出得到对应的嵌入向量，包括：获取所述已训练的gnn编码器模型；将所述已训练的gnn编码器模型的模型文件分布式存储在集群环境中；在各起始点上调用对应的机器上的编码器模型，并将各起始点上存储的二度子图特征作为对应编码器模型的输入；获得各起始点对应编码器模型输出的嵌入向量。7.根据权利要求6所述的分布式图推理计算方法，其特征在于，所述获得各起始点对应编码器模型输出的嵌入向量，之后包括：将所述嵌入向量以消息的形式发送给所述二度子图中的其余所有点；根据所述消息中的特征数值更新所述二度子图中其余所有点的属性信息。8.根据权利要求1所述的分布式图推理计算方法，其特征在于，所述根据输出的嵌入向量生成对应边的邮件信息，并通过邮件传递机制将所述邮件信息发送至对应边的目的点，包括：沿着所述二度子图中的每一条边生成对应的邮件信息；将所有生成的邮件信息沿着所属边发送至其目的点；在收到邮件信息的点上，对所有的邮件信息进行求均值的操作；将得到的均值加入至收到邮件信息的点的自身邮箱中。9.根据权利要求1所述的分布式图推理计算方法，其特征在于，所述通过已训练的gnn解码器模型对所述全图特征进行解码，根据各边目的点上的邮件信息输出所述全图特征的逻辑推理结果，包括：获取已训练的gnn解码器模型；将所述已训练的gnn解码器模型的模型文件分布式存储在集群环境中；通过所述已训练的gnn解码器模型对所述全图特征进行解码，动态调用对应机器上的模型副本；将所述全图特征作为所述训练的gnn解码器模型的输入；根据输入的解码任务，执行对应的解码过程；根据各边目的点上的邮件信息输出所述全图特征的逻辑推理结果。10.根据权利要求9所述的分布式图推理计算方法，其特征在于，所述根据各边目的点上的邮件信息输出所述全图特征的逻辑推理结果，之后包括：将所述逻辑推理结果与图数据已有的标签进行对比，得到多任务下推理计算的准确率结果。11.一种分布式图推理计算装置，其特征在于，包括：构造模块，用于获取图数据，对所述图数据进行预处理，得到所述图数据所构造的全图，并更新所述全图上的基础信息；二度子图特征模块，用于对所述全图中所有点的hop值进行初始化处理，并根据初始化
后的hop值分别获取预设点、一度邻居以及二度邻居所对应的特征，得到二度子图特征；gnn编码器模块，用于将所获取的二度子图特征输入至已训练的gnn编码器模型中，并通过所述已训练的gnn编码器模型输出得到对应的嵌入向量；邮箱模块，用于根据输出的嵌入向量生成对应边的邮件信息，并通过邮件传递机制将所述邮件信息发送至对应边的目的点；gnn解码器模块，用于通过已训练的gnn解码器模型对所述全图特征进行解码，根据各边目的点上的邮件信息输出所述全图特征的逻辑推理结果。12.一种终端，其特征在于，包括：处理器以及存储器，所述存储器存储有分布式图推理计算程序，所述分布式图推理计算程序被所述处理器执行时用于实现如权利要求1-10中任意一项所述的分布式图推理计算方法。13.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质存储有分布式图推理计算程序，所述分布式图推理计算程序被处理器执行时用于实现如权利要求1-10中任意一项所述的分布式图推理计算方法。

技术总结
本发明公开了一种分布式图推理计算方法、装置、终端及存储介质，方法包括：对图数据进行预处理，得到图数据所构造的全图，并更新全图上的基础信息；对全图中所有点的hop值进行初始化处理，分别获取预设点、一度邻居以及二度邻居所对应的特征，得到二度子图特征；将所获取的二度子图特征输入至已训练的GNN编码器模型中，并输出得到对应的嵌入向量；根据输出的嵌入向量生成对应边的邮件信息，并通过邮件传递机制将邮件信息发送至对应边的目的点；通过已训练的GNN解码器模型对全图特征进行解码，根据各边目的点上的邮件信息输出全图特征的逻辑推理结果。本发明解决了现有的图神经网络模型无法适应实时性要求高的场景的技术问题。模型无法适应实时性要求高的场景的技术问题。模型无法适应实时性要求高的场景的技术问题。


技术研发人员：余跃 徐春香 潘泽婷 刘敏 闫超 邹安平 李革 杨建坤
受保护的技术使用者：鹏城实验室
技术研发日：2022.08.02
技术公布日：2022/11/29