技术特征：
1.一种图神经网络动态更新方法，其特征在于，所述方法包括：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。2.根据权利要求1所述的图神经网络动态更新方法，其特征在于，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：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；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；将选取的候选集合中的所有节点作为所述目标节点。3.根据权利要求1所述的图神经网络动态更新方法，其特征在于，所述图变化事件包括图节点特征变化事件e
a
＝(u,t,x
u
(t))和图结构变化事件e
s
＝(u1,u2,t,τ)；其中，e
a
＝(u,t,x
u
(t))表示节点u在t时刻将其节点特征更新为特征x
u
(t)，e
s
＝(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。4.根据权利要求2所述的图神经网络动态更新方法，其特征在于，所述影响总分模型为is(v
s
,t)＝ls(v
s
,t)+gs(v
s
,t)；其中，is(v
s
,t)表示候选集合v
s
在t时刻的影响总分，候选集合v
s
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∈e
r
l
(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v
s
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n
v
(t)表示节点v在t时刻的邻居，表示在t时刻候选集合v
s
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。5.根据权利要求1所述的图神经网络动态更新方法，其特征在于，所述图神经网络为g
t
(v
t
，a
t
，x
t
)；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。6.根据权利要求1所述的图神经网络动态更新方法，其特征在于，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：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；
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n
c
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，|c
i
|为第i个邻居社团的节点数量；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。7.一种图神经网络动态更新装置，其特征在于，所述装置包括：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；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；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。8.根据权利要求7所述的图神经网络动态更新装置，其特征在于，所述节点选取模块具体用于：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；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；将选取的候选集合中的所有节点作为所述目标节点；所述邻居采样模块具体用于：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；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n
c
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；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。9.一种终端设备，其特征在于，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权利要求1至6中任意一项所述的图神经网络动态更新方法。10.一种计算机可读存储介质，其特征在于，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权利要求1至6中任意一项所述的图神经网络动态更新方法。
技术总结
本发明公开了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。下游任务的实时性要求。下游任务的实时性要求。
技术研发人员：李昊洋 陈雷
受保护的技术使用者：广州市香港科大霍英东研究院
技术研发日：2022.12.02
技术公布日：2023/3/28