一种图神经网络动态更新方法、装置、设备及介质与流程

1.本发明涉及计算机软件技术领域，具体涉及一种图神经网络动态更新方法、装置、设备及介质。


背景技术：

2.图神经网络提出通过递归聚合邻居的信息来学习节点表示，并且已经在各种任务上取得了巨大成功，例如链接预测，节点分类，图同构，子图计数等任务。不同于静态图，动态图会随各种图变化事件而演变，例如节点属性变化和图结构变化。例如，在网络平台上，用户可以随时修改自己的个人资料，并与其他用户建立联系或删除连接。为了更好地促进下游任务，我们应该更新动态图中的节点表示以捕获图的变化，实现图神经网络的动态更新。
3.现有的图神经网络更新方式为，获取图变化事件的信息，对整个最新图全部更新所有节点。但现有方法全部目标节点过于耗时，无法匹配现实中图事件的频繁性和下游任务的实时性要求。


技术实现要素：

4.为了解决上述问题，本发明提出一种图神经网络动态更新方法、装置、设备及介质，在不更新所有节点的情况下保持节点表示的质量，能够满足现实中图事件的频繁性和下游任务的实时性要求。
5.本发明实施例提供一种图神经网络动态更新方法，所述方法包括：
6.采用贪心算法、预建的局部影响分数模型和预建的全局影响分数模型，选取图变化事件对图神经网络中影响分数高的预设数量的节点作为目标节点；
7.将所述目标节点划分为不同的邻居社团，并根据不同邻居社团的节点数量确定不同邻居社团采样比重，进行邻居采样；
8.将邻居采样后的节点作为更新节点进行更新表示。
9.优选的，所述采用贪心算法、预建的局部影响分数模型和预建的全局影响分数模型，选取图变化事件对图神经网络中影响分数高的预设数量的节点作为目标节点，具体包括：
10.初始化空的候选集合，并根据所述局部影响分数模型和所述全局影响分数模型确定候选集合的影响总分模型；
11.根据贪心算法和所述影响总分模型来逐一选取让候选集合的影响总分变大的节点添加到候选集合中，直到候选集合中节点数量达到所述预设数量为止；
12.将选取的候选集合中的所有节点作为所述目标节点。
13.作为一种优选方案，所述图变化事件包括图节点特征变化事件ea＝(u,t,xu(t))和图结构变化事件es＝(u1,u2,t,τ)；
14.其中，ea＝(u,t,xu(t))表示节点u在t时刻将其节点特征更新为特征xu(t)，es＝
(u1,u2,t,τ)中动作标识τ＝1时，表示在时刻t节点u1和节点u2之间新加了一条连接边，动作标识τ＝0表示在时刻t节点u1和节点u2之间删除了一条边。
15.优选地，所述影响总分模型为is(vs,t)＝ls(vs,t)+gs(vs,t)；
16.其中，is(vs,t)表示候选集合vs在t时刻的影响总分，候选集合vs在t时刻的局部影响分数总和节点v受到所述图变化事件e影响的局部影响分数ls(v,t)＝∑
u∈erl
(t)[v][u]，r
l
(t)[v][u]表示在时刻t节点v在l步内随机漫步到u的概率；候选集合vs在t时刻的全局影响分数总和在t时刻的全局影响分数总和nv(t)表示节点v在t时刻的邻居，表示在t时刻候选集合vs的邻居并集的节点数量，|v
t
|表示在t时刻所述图神经网络中的节点数量。
[0017]
优选地，所述图神经网络为g
t
(v
t
,a
t
,x
t
)；
[0018]
其中，v
t
表示在t时刻图中的节点集合，a
t
表示t时刻节点的邻接矩阵，x
t
表示t时刻的节点特征。
[0019]
作为一种优选方案，所述将所述目标节点划分为不同的邻居社团，并根据不同邻居社团的节点数量确定不同邻居社团采样比重，进行邻居采样，具体包括：
[0020]
将所述目标节点作为邻居采样第1跳的母节点进行邻居采样，将上一跳得到的邻居节点作为本次邻居采样的母节点，在所述图神经网络中进行l次的邻居采样，l为所述图神经网络的层数，l为正整数；
[0021]
对于第l跳，l＝1，
…
，l，采用kmeans算法根据节点特征将第l跳的n
l
个母节点所要采集的个节点划分为nc个邻居社团对于每一邻居社团，随机从邻居社团中选取个节点，并对选取的每一节点选取一个邻居，所有社团选取的所有邻居作为第l跳的邻居节点；其中，|i|为第i个邻居社团的节点数量；
[0022]
将第1跳到第l跳的选取的所有邻居节点作为邻居采样后的节点。
[0023]
本发明实施例还提供一种图神经网络动态更新装置，所述装置包括：
[0024]
节点选取模块，用于采用贪心算法、预建的局部影响分数模型和预建的全局影响分数模型，选取图变化事件对图神经网络中影响分数高的预设数量的节点作为目标节点；
[0025]
邻居采样模块，用于将所述目标节点划分为不同的邻居社团，并根据不同邻居社团的节点数量确定不同邻居社团采样比重，进行邻居采样；
[0026]
更新模块，用于将邻居采样后的节点作为更新节点进行更新表示。
[0027]
作为一种优选方案，所述节点选取模块具体用于：
[0028]
初始化空的候选集合，并根据所述局部影响分数模型和所述全局影响分数模型确定候选集合的影响总分模型；
[0029]
根据贪心算法和所述影响总分模型来逐一选取让候选集合的影响总分变大的节点添加到候选集合中，直到候选集合中节点数量达到所述预设数量为止；
[0030]
将选取的候选集合中的所有节点作为所述目标节点；
[0031]
所述邻居采样模块具体用于：
[0032]
将所述目标节点作为邻居采样第1跳的母节点进行邻居采样，将上一跳得到的邻
居节点作为本次邻居采样的母节点，在所述图神经网络中进行l次的邻居采样，l为所述图神经网络的层数，l为正整数；
[0033]
对于第l跳，l＝1，
…
，l，采用kmeans算法根据节点特征将第l跳的n
l
个母节点所要采集的个节点划分为nc个邻居社团对于每一邻居社团，随机从邻居社团中选取个节点，并对选取的每一节点选取一个邻居，所有社团选取的所有邻居作为第l跳的邻居节点；其中，|ci|为第i个邻居社团的节点数量；
[0034]
将第1跳到第l跳的选取的所有邻居节点作为邻居采样后的节点。
[0035]
优选地，所述图变化事件包括图节点特征变化事件ea＝(u,t,xu(t))和图结构变化事件es＝(u1,u2,t,τ)；
[0036]
其中，ea＝(u,t,xu(t))表示节点u在t时刻将其节点特征更新为特征xu(t)，es＝(u1,u2,t,τ)中动作标识τ＝1时，表示在时刻t节点u1和节点u2之间新加了一条连接边，动作标识τ＝0表示在时刻t节点u1和节点u2之间删除了一条边。
[0037]
优选地，所述影响总分模型为is(vs,t)＝ls(vs,t)+gs(vs,t)；
[0038]
其中，is(vs,t)表示候选集合vs在t时刻的影响总分，候选集合vs在t时刻的局部影响分数总和节点v受到所述图变化事件e影响的局部影响分数ls(v,t)＝∑
u∈erl
(t)[v][u]，r
l
(t)[v][u]表示在时刻t节点v在l步内随机漫步到u的概率；候选集合vs在t时刻的全局影响分数总和在t时刻的全局影响分数总和nv(t)表示节点v在t时刻的邻居，表示在t时刻候选集合vs的邻居并集的节点数量，|v
t
|表示在t时刻所述图神经网络中的节点数量。
[0039]
作为一种优选方案，所述图神经网络为g
t
(v
t
,a
t
,x
t
)；
[0040]
其中，v
t
表示在t时刻图中的节点集合，a
t
表示t时刻节点的邻接矩阵，x
t
表示t时刻的节点特征。
[0041]
本发明实施例还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项实施例所述的一种图神经网络动态更新方法。
[0042]
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一项实施例所述的一种图神经网络动态更新方法。
[0043]
本发明提供一种图神经网络动态更新方法、装置、设备及介质，通过采用贪心算法、预建的局部影响分数模型和预建的全局影响分数模型，选取图变化事件对图神经网络中影响分数高的预设数量的节点作为目标节点；将所述目标节点划分为不同的邻居社团，并根据不同邻居社团的节点数量确定不同邻居社团采样比重，进行邻居采样；将邻居采样后的节点作为更新节点进行更新表示。在不更新所有节点的情况下保持节点表示的质量，能够满足现实中图事件的频繁性和下游任务的实时性要求。
附图说明
[0044]
图1是本发明实施例提供的一种图神经网络动态更新方法的流程示意图；
[0045]
图2是本发明实施例提供的图神经网络发生图变化事件的变化流程示意图；
[0046]
图3是本发明另一实施例提供的一种图神经网络动态更新方法的流程示意图；
[0047]
图4是本发明实施例提供的一种图神经网络动态更新装置的结构示意图；
[0048]
图5是本发明实施例提供的一种终端设备的结构示意图。
具体实施方式
[0049]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050]
参见图1，是本发明实施例提供的一种图神经网络动态更新方法的流程示意图，所述方法包括步骤s1～s3；
[0051]
s1，采用贪心算法、预建的局部影响分数模型和预建的全局影响分数模型，选取图变化事件对图神经网络中影响分数高的预设数量的节点作为目标节点；
[0052]
s2，将所述目标节点划分为不同的邻居社团，并根据不同邻居社团的节点数量确定不同邻居社团采样比重，进行邻居采样；
[0053]
s3，将邻居采样后的节点作为更新节点进行更新表示。
[0054]
在本实施例具体实施时，提出两个度量判断图变化时间对图神经网络中节点影响指标，即预建局部影响分数模型和预建全局影响分数模型，分别用来评估图变化事件对图神经网络中节点的影响分数；
[0055]
根据局部影响分数模型和全局影响分数模型，一个影响总分模型，根据贪心算法来逐一确定影响总分大的节点，确定影响总分大的k个节点；给定连续的图事件，我们首先确定受这些事件影响的最有价值的k个节点，可以在不更新所有节点的情况下保持节点表示的质量；
[0056]
将所述目标节点划分为不同的邻居社团，并根据不同邻居社团的节点数量确定不同邻居社团采样比重，进行邻居采样；提出了一种多样化采样算法来对邻居进行不同的采样，保证邻居采样的多样性，所以更能模仿全部邻居的分布，解决了邻居冗余问题。
[0057]
基于多样化的邻居学习更可靠的节点表示。这些更新后的表示将存储在数据库中，以进一步促进下游任务。
[0058]
通过影响分数模型能够选出影响分数高节点，保证节点选取的质量，并通过邻居采样改善更新的效率，解决了邻居冗余问题；在不更新所有节点的情况下保持节点表示的质量，能够满足现实中图事件的频繁性和下游任务的实时性要求。
[0059]
在本发明提供的又一实施例中，所述步骤s1，具体包括：
[0060]
初始化空的候选集合，并根据所述局部影响分数模型和所述全局影响分数模型确定候选集合的影响总分模型；
[0061]
根据贪心算法和所述影响总分模型来逐一选取让候选集合的影响总分变大的节点添加到候选集合中，直到候选集合中节点数量达到所述预设数量为止；
[0062]
将选取的候选集合中的所有节点作为所述目标节点。
[0063]
在本实施例实施时，在图变化时间发生时，需要通过局部影响分数模型分析对每一节点的局部影响，但该图变化事件还会对图神经网络整体产生影响，因此还需要根据全局影响分数模型分析对整体的全局影响；
[0064]
有影响力的节点往往在下游任务中频繁使用。例如，在推荐系统中，流行电影将比不受欢迎的电影更频繁地被推荐给用户。这表明在下游任务中将频繁使用影响节点的表示。因此，有影响力的节点应该比不受欢迎的节点更新得更频繁。此外，我们预计更新后的影响节点是多样的，更适合于下游任务。例如，推荐系统不仅推荐喜剧电影，还向用户推荐有趣的浪漫电影。
[0065]
根据所述局部影响分数模型和所述全局影响分数模型确定所述候选集合的影响总分模型；
[0066]
初始化一个空的候选集合，根据贪心算法来逐一选取让候选集合的影响总分大的点添加到候选集合中，直到候选集合中的节点数量，重复贪心算法选取节点的过程，直至候选集合中节点数量达到k个为止；将选取的候选集合中的所有节点作为所述目标节点。
[0067]
根据局部影响分数模型和全局影响分数模型构建对节点影响大小的影响总分模型，对图变化事件影响分数进行判断，选取图神经网络中影响总分最大的候选集合作为目标节点进行更新，在不更新所有节点的情况下保持节点表示的质量，从而解决了质量缺陷问题。
[0068]
在本发明提供的又一实施例中，所述图变化事件包括图节点特征变化事件ea＝(u,t,xu(t))和图结构变化事件es＝(u1,u2,t,τ)；
[0069]
其中，ea＝(u,t,xu(t))表示节点u在t时刻将其节点特征更新为特征xu(t)，es＝(u1,u2,t,τ)中动作标识τ＝1时，表示在时刻t节点u1和节点u2之间新加了一条连接边，动作标识τ＝0表示在时刻t节点u1和节点u2之间删除了一条边。
[0070]
在本实施例具体实施时，参见图2，是本发明实施例提供的图神经网络发生图变化事件的变化流程示意图；
[0071]
图变化事件e包括图节点特征变化事件ea＝(u,t,xu(t))，ea表示节点u在t时刻将其节点特征更新为特征xu(t)，图节点特征变化事件仅仅是节点的特征发生变化，对图神经网络中节点的关系，图神经网络架构无影响，参见图2中的t0时刻，图神经网络中节点特征发生变化，图结构无变化；
[0072]
图变化事件e还包括图结构变化事件es＝(u1,u2,t,τ)，其中，动作标识τ＝1时，表示在时刻t节点u1和节点u2之间新加了一条连接边，动作标识τ＝0表示在时刻t节点u1和节点u2之间删除了一条边；
[0073]
参见图2，在t1时刻和t2时刻连续发生了新增边的图结构变化事件，分别出现了一条新加的边，在t3时刻发生了删除边的图结构变化事件，出现了一条删除边；
[0074]
通过对图变化事件进行分类，并通过不同的模型表征图变化事件，便于分析图变化事件的影响。
[0075]
在本发明提供的又一实施例中，所述影响总分模型为is(vs,t)＝ls(vs,t)+gs(vs,t)；
[0076]
其中，is(vs,t)表示候选集合vs在t时刻的影响总分，候选集合vs在t时刻的局部影
响分数总和节点v受到所述图变化事件e影响的局部影响分数ls(v,t)＝∑
u∈erl
(t)[v][u]，r
l
(t)[v][u]表示在时刻t节点v在l步内随机漫步到u的概率；候选集合vs在t时刻的全局影响分数总和在t时刻的全局影响分数总和nv(t)表示节点v在t时刻的邻居，表示在t时刻候选集合vs的邻居并集的节点数量，|v
t
|表示在t时刻所述图神经网络中的节点数量。
[0077]
在本实施例具体实施时，对于一个图变化事件e，节点v的表示受到的局部影响分数ls(v,t)定义为ls(v,t)＝∑
u∈erl
(t)[v][u]；
[0078]
其中，u∈e表示直接涉及事件e的节点，r
l
(t)[v][u]表示节点v在l步内能随机漫步到节点u的概率。
[0079]
候选集合vs的局部影响分数模型ls(vs,t)是里面所有节点局部分数的和，即为
[0080]
候选集合vs的全局影响分数模型为
[0081]
其中，nv(t)是节点v在t时刻的邻居，表示在t时刻vs的邻居并集的节点数量。
[0082]
根据局部影响分数模型和全局影响分数模型，确定候选集合vs的影响总分模型is(vs,t)＝ls(vs,t)+gs(vs,t)；
[0083]
根据确定的影响总分模型确定最有价值的k个节点进行更新解决了质量缺陷问题。
[0084]
在本发明提供的又一实施例中，所述图神经网络为g
t
(v
t
,a
t
,x
t
)；
[0085]
其中，v
t
表示在t时刻图中的节点集合，a
t
表示t时刻节点的邻接矩阵，x
t
表示t时刻的节点特征。
[0086]
在本实施例具体实施时，时刻t的图神经网络表示为g
t
(v
t
,a
t
,x
t
),其中v
t
表示t时刻图神经网络中的节点集合，a
t
表示t时刻节点的邻接矩阵，x
t
表示t时刻的节点特征，其中选出的候选集合
[0087]
在本发明提供的又一实施例中，所述步骤s2具体包括：
[0088]
将所述目标节点作为邻居采样第1跳的母节点进行邻居采样，将上一跳得到的邻居节点作为本次邻居采样的母节点，在所述图神经网络中进行l次的邻居采样，l为所述图神经网络的层数，l为正整数；
[0089]
对于第l跳，l＝1，
…
，l，采用kmeans算法根据节点特征将第l跳的n
l
个母节点所要采集的个节点划分为nc个邻居社团对于每一邻居社团，随机从邻居社团中选取个节点，并对选取的每一节点选取一个邻居，所有社团选取的所有邻居作为第l跳的邻居节点；其中，|i|为第i个邻居社团的节点数量；
[0090]
将第1跳到第l跳的选取的所有邻居节点作为邻居采样后的节点。
[0091]
在本实施例具体实施时，参见图3，是本发明另一实施例提供的一种图神经网络动态更新方法的流程示意图；
[0092]
当发生图变化事件时，例如产生新加的边这种图变化事件时，首先要进行节点选取，即采用贪心算法、预建的局部影响分数模型和预建的全局影响分数模型，选取图变化事件对图神经网络中影响分数高的预设数量的节点作为目标节点；
[0093]
而后进行邻居采样，给定l层的图神经网络和其表示需要更新的目标节点vs，为这些节点选取多样的第1跳到第l跳的邻居。将所述目标节点作为邻居采样第1跳的母节点进行邻居采样，将上一跳得到的邻居节点作为本次邻居采样的母节点，在所述图神经网络中进行l次的邻居采样，l为所述图神经网络的层数，l为正整数；
[0094]
对于第l-1跳邻居采样确定的n
l
个节点作为第l跳采样的母节点；对于第l跳的母节点v
l
需要邻居采样的邻居节点首先根据节点的特征用流行的kmeans算法将邻居分为nc个邻居社团根据每个邻居社团的节点的数量进行邻居采样。具体的来说，对于每一个邻居社团ci∈nc，随机的从ci中选取个节点，并对选取的每一节点选取一个邻居，所有邻居社团选取的所有邻居作为第l跳的邻居节点；|i|为第i个邻居社团的节点数量；对所有邻居社团进行随机选取后，可以得到n
l
个节点，即是目标节点vs的l+1跳的母节点。这种方式保证邻居采样的多样性，所以更能模仿全部邻居的分布。
[0095]
将第1跳到第l跳的选取的所有邻居节点作为邻居采样后的节点，通过采样的邻居可以学到更可靠节点的表示，并进行数据库存储。
[0096]
对于给定连续的图变化事件，首先确定通过局部影响分数模型和全局影响分数模型确定图变化事件影响的最有价值的k个节点。可以在不更新所有节点的情况下保持节点表示的质量，从而解决了质量缺陷问题。其次，提出对这些选择的节点进行多样化的邻居采样，解决了邻居冗余问题。基于这些多样化的邻居学习更可靠的节点表示。然后，这些更新后的表示将存储在数据库中，以进一步促进下游任务。
[0097]
在本发明提供的又一实施例中，参见图4，是本发明实施例提供的一种图神经网络动态更新装置的结构示意图，所述装置包括：
[0098]
节点选取模块，用于采用贪心算法、预建的局部影响分数模型和预建的全局影响分数模型，选取图变化事件对图神经网络中影响分数高的预设数量的节点作为目标节点；
[0099]
邻居采样模块，用于将所述目标节点划分为不同的邻居社团，并根据不同邻居社团的节点数量确定不同邻居社团采样比重，进行邻居采样；
[0100]
更新模块，用于将邻居采样后的节点作为更新节点进行更新表示。
[0101]
在本发明提供的又一实施例中，所述节点选取模块具体用于：
[0102]
初始化空的候选集合，并根据所述局部影响分数模型和所述全局影响分数模型确定候选集合的影响总分模型；
[0103]
根据贪心算法和所述影响总分模型来逐一选取让候选集合的影响总分变大的节点添加到候选集合中，直到候选集合中节点数量达到所述预设数量为止；
[0104]
将选取的候选集合中的所有节点作为所述目标节点；
[0105]
所述邻居采样模块具体用于：
[0106]
将所述目标节点作为邻居采样第1跳的母节点进行邻居采样，将上一跳得到的邻居节点作为本次邻居采样的母节点，在所述图神经网络中进行l次的邻居采样，l为所述图神经网络的层数，l为正整数；
[0107]
对于第l跳，l＝1，
…
，l，采用kmeans算法根据节点特征将第l跳的n
l
个母节点所要采集的个节点划分为nc个邻居社团对于每一邻居社团，随机从邻居社团中选取个节点，并对选取的每一节点选取一个邻居，所有社团选取的所有邻居作为第l跳的邻居节点；其中，|i|为第i个邻居社团的节点数量；
[0108]
将第1跳到第l跳的选取的所有邻居节点作为邻居采样后的节点。
[0109]
本实施例提供的图神经网络动态更新装置，能够执行上述任一实施例提供的图神经网络动态更新方法的所有步骤与功能，在此对该装置的具体功能不作赘述。
[0110]
参见图5，是本发明实施例提供的一种终端设备的结构示意图。所述终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如一种图神经网络动态更新程序。所述处理器执行所述计算机程序时实现上述各个一种图神经网络动态更新方法实施例中的步骤，例如图1所示的步骤s1～s3。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能。
[0111]
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述一种图神经网络动态更新装置中的执行过程。例如，所述计算机程序可以被分割成各个模块，各模块具体功能在上述任一实施例提供的一种图神经网络动态更新方法中已作详细说明，在此对该装置的具体功能不作赘述。
[0112]
所述一种图神经网络动态更新装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种图神经网络动态更新装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是一种图神经网络动态更新装置的示例，并不构成对一种图神经网络动态更新装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种图神经网络动态更新装置还可以包括输入输出设备、网络接入设备、总线等。
[0113]
所称处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种图神经网络动态更新装置的控制中心，利用各种接口和线路连接整个一种图神经网络动态更新装置的各个部分。
[0114]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种图神经网络动态更新装置的各种功能。所述存储器可主要包括存储程序区和存储数据
区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0115]
其中，所述一种图神经网络动态更新装置集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。
[0116]
应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。