政策关联影响分析方法、装置、电子设备及存储介质

1.本发明涉及自然语言处理技术领域，具体地涉及一种政策关联影响分析方法、装置、电子设备及存储介质。


背景技术：

2.政策关联影响分析是指当新政策发布时，挖掘其可能关联影响的相关政策，从而辅助有关部门及时地了解政策发布反馈、执行效率等评估因素，辅助决策。企业特点、行业领域等政策背景，政策内容、发布者等政策主体，以及实施对象和政策相关方等政策客体，政策数据中的政策背景、政策主体和政策客体共同构成政策环境。其中，各政策环境要素既包含文化、属性等复杂静态关联，又包含政策主客体间点赞、回复、转发等动态交互。各政策环境要素间的关联多样性及政策内容的复杂性为政策关联影响分析提出了更高的要求。传统的政策网络分为五种类型：政策社群、专业网络、府际网络、生产网络、议题网络，以分析得到政策运行后果。但是传统的政策分析网络在利用政策各要素间的关联关系时往往仅从单一视角出发，忽略了各要素间的复杂关联，从而导致关联信息利用不充分；另一方面，政策内容提供了丰富的描述信息，传统的政策分析网络无法捕获政策要素中包含的深层语义。传统的政策分析网络对政策信息的利用不充分，使得政策信息分析结果准确度较低。


技术实现要素：

3.本发明的目的在于提供一种信息利用充分、分析结果准确度高的政策关联影响分析方法、装置、电子设备及存储介质。
4.为解决上述技术问题，本发明采用的一个技术方案是：提供一种政策关联影响分析方法，所述方法包括：
5.构建目标异质信息网络，构建预训练语言模型以及构建目标向量运算模型；
6.获取待测政策数据，所述待测政策数据包括政策要素以及政策要素之间的关联关系，所述政策要素包括政策内容和政策背景；
7.将所述待测政策数据映射至所述目标异质信息网络中，得到包含关联关系的政策要素的节点学习结果；
8.将所述待测政策数据映射至所述预训练语言模型中，得到包含政策背景的政策内容的训练学习结果；
9.将所述节点学习结果和训练学习结果映射至所述目标向量运算模型中，得到政策关联影响分析结果。
10.为解决上述技术问题，本发明采用的另一个技术方案是：提供一种政策关联影响分析装置，包括用于执行如上所述的政策关联影响分析方法的单元。
11.为解决上述技术问题，本发明采用的另一个技术方案是：提供一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口和存储器之间通过通信总线完成相互间的通信。
12.存储器，用于存放计算机程序。
13.处理器，用于执行存储器上所存放的程序时，实现如上所述的政策关联影响分析方法的步骤。
14.为解决上述技术问题，本发明采用的另一个技术方案是：一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理执行时实现如上所述的政策关联影响分析方法的步骤。
15.本发明公开的政策关联影响分析方法、装置、电子设备及存储介质，该方法包括：构建目标异质信息网络，构建预训练语言模型以及构建目标向量运算模型；获取待测政策数据，待测政策数据包括政策要素以及政策要素之间的关联关系，政策要素包括政策内容和政策背景；将待测政策数据映射至目标异质信息网络中，得到包含关联关系的政策要素的节点学习结果；将待测政策数据映射至预训练语言模型中，得到包含政策背景的政策内容的训练学习结果；将节点学习结果和训练学习结果映射至目标向量运算模型中，得到政策关联影响分析结果。本发明利用异质信息网络不仅可以学习网络中节点的表示，还能学习网络中边的表示，可以充分捕获待测政策数据包含的丰富信息的特点，使得得到的节点学习结果包含更多有用信息，更贴合实际应用场景。另外，本发明还利用预训练语言模型充分挖掘待测政策数据所包含的信息的深层语义，并通过学习得到训练学习结果。然后结合信息丰富的节点学习结果和语义清楚清晰的训练学习结果，通过目标向量运算模型运算得出政策关联影响分析结果，实现对节点学习结果和训练学习结果进行数据量化计算，使得政策关联影响分析结果为量化的计算结果，具有可解释性，有效地提高了分析准确度。
附图说明
16.为了更清楚地说明本发明的技术方案，下面将对发明中所需要使用的附图作简单的介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
17.图1是本发明一实施例的政策关联影响分析方法的流程示意图。
18.图2是本发明一实施例的政策关联影响分析方法的子流程示意图。
19.图3是本发明一实施例的政策关联影响分析方法的子流程示意图。
20.图4是本发明一实施例的政策关联影响分析方法的子流程示意图。
21.图5是本发明一实施例的政策关联影响分析方法的子流程示意图。
22.图6是本发明一实施例的政策关联影响分析方法的子流程示意图。
23.图7是本发明一实施例的政策关联影响分析方法的子流程示意图。
24.图8是本发明一实施例的电子设备的模块结构示意图。
25.图9是本发明一实施例的政策关联影响分析装置的模块结构示意图。
具体实施方式
26.下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，附图中类似的组件标号代表类似的组件。显然，以下将描述的实施例仅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作出
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。
27.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
28.还应当理解，在此本发明实施例说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明实施例。如在本发明实施例说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
29.异质信息网络是一种信息网络，包含了节点和边，并且该节点和边具有一种或多种类型，异质信息网络包含了更丰富的语义信息。hin2vec是一种基于异质信息网络的表示学习框架、方法，不仅能够学习网络中节点的表示，同时还可学习关系(元路径)的表示。bert是一种预训练语言表示模型，可以显著提高许多自然语言处理任务的效果，现有的两种方法可以将预训练好的语言模型表示应用到下游任务中：基于特征的方法和微调方法。其中，微调方法，如生成预训练模型，然后引入最小的特定于任务的参数，并通过简单地微调预训练模型的参数对下游任务进行训练。
30.请参考图1，图1是本发明一实施例的政策关联影响分析方法的流程示意图。
31.本发明提供了一种政策关联影响分析方法，所述方法包括：
32.s101：构建目标异质信息网络，构建预训练语言模型以及构建目标向量运算模型。
33.可理解地，目标异质信息网络是针对政策数据所构建的异质信息网络，对政策数据具有良好的表示学习能力。预训练语言模型为一种神经网络语言模型，它可以使用大规模无标注文本语料进行训练，并且可用于各类下游任务。目标向量运算模型用于对目标异质信息网络和预训练语言模型的学习结果进行量化运算，即对政策数据进行量化计算。
34.s102：获取待测政策数据，所述待测政策数据包括政策要素以及政策要素之间的关联关系，所述政策要素包括政策内容和政策背景。
35.可理解地，待测政策数据是用来进行分析的政策数据，可通过上传、下载等方式进行获取，或者提前获取保存在本地，当需要使用时提取出来。政策要素包括企业特点和行业领域等政策背景，还包括了政策内容和发布者等政策主体、实施对象和政策相关方等政策客体。而政策要素之间的关联关系包括文化、属性等复杂的静态关联关系，还包括政策主客体间点赞、回复、转发等动态交互关联关系。
36.s103：将所述待测政策数据映射至所述目标异质信息网络中，得到包含关联关系的政策要素的节点学习结果。
37.可理解地，利用构建好的目标异质信息网络对待测政策数据进行处理，得到节点学习结果，节点学习结果为包含关联关系的政策要素的向量表示。
38.s104：将所述待测政策数据映射至所述预训练语言模型中，得到包含政策背景的政策内容的训练学习结果。
39.可理解地，利用构建好的预训练语言模型对待测政策数据进行处理，得到训练学习结果，训练学习结果为包含政策背景的政策内容的向量表示。
40.s105：将所述节点学习结果和训练学习结果映射至所述目标向量运算模型中，得到政策关联影响分析结果。
41.可理解地，目标向量运算模型用于将目标异质信息网络和预训练语言模型得到的结果进行统一运算，政策关联影响分析结果是将两个向量表示进行统一运算得出的结果。
42.本发明利用目标异质信息网络不仅可以学习网络中节点的表示，还能学习网络中边的表示，可以充分捕获待测政策数据包含的丰富信息的特点，使得得到的节点学习结果包含更多有用信息，更贴合实际应用场景。另外，本发明还利用预训练语言模型充分挖掘待测政策数据所包含的信息的深层语义，并通过学习得到训练学习结果。然后结合信息丰富的节点学习结果和语义清楚清晰的训练学习结果，通过目标向量运算模型运算得出政策关联影响分析结果，实现对节点学习结果和训练学习结果进行数据量化计算，使得政策关联影响分析结果为量化的计算结果，具有可解释性，有效地提高了分析准确度。
43.请参考图2，图2是本发明一实施例的政策关联影响分析方法的子流程示意图。
44.进一步地，本发明的所述构建异质信息网络包括：
45.s201：获取历史政策数据，其中，提取所述历史政策数据包括的政策数据中的政策要素、政策要素之间的关联关系。
46.可理解地，历史政策数据为用于构建异质信息网络的政策数据，所述历史政策数据包括政策要素以及政策要素之间的关联关系，所述历史政策数据的政策要素包括企业特点和行业领域等政策背景，还包括了政策内容和发布者等政策主体、实施对象和政策相关方等政策客体。而历史政策数据的政策要素之间的关联关系包括文化、属性等复杂的静态关联关系，还包括政策主客体间点赞、回复、转发等动态交互关联关系。
47.在另一实施例中，历史政策数据包括政策要素以及政策要素之间的关联关系，所述历史政策数据的政策要素包括政府机构、政策、企业和地点，历史政策数据的关联关系包括发布、事实、从属、协作和支撑。
48.s202：将所述历史政策数据的政策要素作为节点、关联关系作为边构建异质信息网络。
49.具体地，将历史政策数据统一表示为包含各类政策要素和关联关系的异质信息网络g＝(v，e，φ，ψ)，其中，v代表政策要素集合，e代表政策要素的关联关系集合，函数φ：v
→
a表示将政策要素映射为节点类型，函数ψ：e
→
r表示将关联关系映射为边类型。
50.s203：应用hin2vec表示学习方法对异质信息网络中的节点和边进行学习，得到包含关联关系的政策要素的节点特征向量表示。
51.可理解地，应用异质信息网络的hin2vec表示学习方法对政策要素进行向量表示学习。为了充分利用不同的关联类型，hin2vec包含节点类型序列a1，a2，λan和边类型序列r1，r2，λrn的元路径π表示为首先，hin2vec算法生成《x，y，r，l(x，y，r)》的数据形式，其中l(x，y，r)为二值，表示节点x和节点v之间是否存在关联关系r。正样本将通过随机游走采样得到，对于一个正样本《x，y，r》，将随机替换x，y，r三值中之一为x
′
，y
′
或r
′
以产生负样本。在表示学习阶段，算法将x、y作为输入预测是否在节点x和节点y间存在关联关系r。具体地，首先将x、y和r分别通过w
x
，wy，wr连接层映射至向量空间中，其中wrr需经过函数f0正则化。进一步，使用逐元素相乘方式对三个向量进行聚合，获得最终的特征表示。最终，使用sigmoid函数预测概率p(r|x，y)：
52.53.hin2vec算法的目标函数为：
54.l＝l(x，y，r)log(p(r|x，y))+(1-l(x，y，r))log(1-l(x，y，r))。
55.s204：将可获得所述节点特征向量表示的异质信息网络作为所述目标异质信息网络。
56.请参考图3，图3是本发明一实施例的政策关联影响分析方法的子流程示意图。
57.进一步地，本发明的所述构建预训练语言模型包括：
58.s301：构建语言模型。
59.s302：获取历史政策数据，提取所述历史政策数据包括的政策数据中的政策内容和政策背景。
60.s303：将所述历史政策数据的政策内容和政策背景作为训练数据。
61.s304：基于所述语言模型应用bert微调方法对所述训练数据进行训练微调，得到包含政策背景的政策内容的训练特征向量表示。
62.s305：将可获得所述训练特征向量表示的语言模型作为所述预训练语言模型。
63.具体地，为了使预训练语言模型更加适应政策领域，本方案中使用再训练策略，即将原生语言模型在政策内容语料上进行微调。语言模型的输入序列x由两个随机抽取的政策内容文本段x1和x2组成，序列开头为[cls]，文本段之间用[sep]分割。接着x通过嵌入层e获得序列嵌入e
x
。在表示学习阶段，bert将嵌入层与多个双向transformer层串行连接，为每个单词计算上下文相关的向量表示。每个transformer层由一个多头自注意力模块与一个前馈神经网络模块组成，这两个模块分别由一个残差连接包裹，并对其输出进行层归一化。
[0064]
多头自注意力模块采用自注意力机制进行计算。自注意力机制包含查询q、键k与值v三部分要素，其中查询q为一个向量，键k与值v为n个向量，q，k与v的取值来自同一个集合。自注意力机制首先由查询q与键k为每个值v计算一个权重，再用该权重对值v加权求和。bert中使用缩放点积注意力，其计算方式如下：
[0065][0066]
其中dk为键k的维度。
[0067]
多头自注意力机制通过多个不同的线性变换将q，k，v映射到多个不同的向量空间中，并在每个向量空间中分别计算，每个向量空间中的计算结果称为多头自注意力的一个“头”。每个“头”进行拼接后送入一个全连接层得到多头自注意力机制的输出：
[0068][0069]
multihead(q，k，v)＝concat(headi，...，headi，...，headh)w
[0070]
在政策语料上继续训练语言模型，共分为两个训练任务，一是mlm(masked language modeling)，在输入的政策文本序列中随机掩盖一些词得到然后对其掩盖部分进行预测，令语言模型具备同时捕获上文与下文信息的能力，其训练目标为：
[0071][0072]
其中m
t
为指示掩码位置的标志，当x
t
被掩盖时为1，否则为0。
[0073]
二是nsp(next sentence prediction)，即判断两个句子之间是否是上下句关系，令bert学习到政策语句之间的关系：
[0074][0075]
其中l为表示两段政策文本是否连续的标签，是经过随机掩码后的输入序列。
[0076]
模型的损失函数由两个任务的训练损失之和组成：
[0077]
l＝l
mlm
+l
nsp
。
[0078]
请参考图4，图4是本发明一实施例的政策关联影响分析方法的子流程示意图。
[0079]
进一步地，所述构建目标向量运算模型包括：
[0080]
s401：构建向量运算模型。
[0081]
s402：获取所述节点特征向量表示和训练特征向量表示，将所述节点特征向量表示和训练特征向量表示作为运算数据映射至所述向量运算模型中。
[0082]
s403：在所述向量运算模型中对运算数据进行统一向量运算，得到统一向量表示。
[0083]
s404：将得到的统一向量表示进行相似度计算，得到相似度特征表示。
[0084]
s405：将相似度特征表示按照设定要求进行排序得到相似度序列；
[0085]
s406：利用所述向量运算模型对得到相似度序列的过程进行学习，并将学习后的向量运算模型作为所述目标向量运算模型。
[0086]
具体地，统一向量运算的公式为：
[0087]
vec
input
＝α*vec
p
+β*vecc[0088]
其中，其中，α、β为预设的权重系数，α+β＝1，α≥0，β≥0；α、β分别用于表征节点特征向量表示和训练特征向量表示之间的重要程度，vec
input
表示统一向量表示，vec
p
表示节点特征向量表示，vecc表示训练特征向量表示；
[0089]
相似度的计算公式为：
[0090][0091]
其中，表示与vec
input
不同的统一向量表示，表示相似度特征表示，w
vec
表示随机初始化的参数矩阵。
[0092]
请参考图5，图5是本发明一实施例的政策关联影响分析方法的子流程示意图。
[0093]
进一步地，本发明的所述将所述待测政策数据映射至所述目标异质信息网络中，得到包含关联关系的政策要素的节点学习结果包括：
[0094]
s501：提取所述待测政策数据包括的政策数据中的政策要素、政策要素之间的关联关系，并映射至所述目标异质信息网络中。
[0095]
s502：利用所述目标异质信息网络得到待测节点特征向量表示，将所述待测节点特征向量表示作为所述节点学习结果。
[0096]
可理解地，基于节点特征向量表示，利用目标异质信息网络可学习待测政策数据相应的表示，得到待测节点特征向量表示，并可将待测节点特征向量表示作为节点学习结果用于下一任务。
[0097]
请参考图6，图6是本发明一实施例的政策关联影响分析方法的子流程示意图。
[0098]
进一步地，本发明的所述将所述待测政策数据映射至所述预训练语言模型中，得到包含政策背景的政策内容的训练学习结果包括：
[0099]
s601：提取所述待测政策数据包括的政策数据中的政策内容和政策背景，并映射至所述预训练语言模型中；
[0100]
s602：利用所述预训练语言模型得到待测训练特征向量表示，将所述待测训练特征向量表示作为所述训练学习结果。
[0101]
可理解地，基于训练特征向量表示，利用预训练语言模型可学习待测政策数据相应的表示，得到待测训练特征向量表示，并将待测训练特征向量表示作为训练学习结果用于下一任务。
[0102]
请参考图7，图7是本发明一实施例的政策关联影响分析方法的子流程示意图。
[0103]
进一步地，本发明的所述获取所述节点学习结果和训练学习结果，将所述节点学习结果和训练学习结果映射至所述目标向量运算模型中，得到政策关联影响分析结果包括；
[0104]
s701：获取所述待测节点特征向量表示和待测训练特征向量表示。
[0105]
可理解地，待测节点特征向量表示和待测训练特征向量表示由待测政策数据得到，为用户需要进行分析的政策数据。
[0106]
s702：将所述待测节点特征向量表示和待测训练特征向量表示作为运算数据映射至所述目标向量运算模型中，得到待测统一向量表示。
[0107]
具体地，通过上述统一向量运算的公式可知，得到待测统一向量表示的公式为：
[0108]
veci＝α*vec
′
+β*vec〃
[0109]
其中，veci表示待测统一向量表示，vec
′
表示待测节点特征向量表示，vec〃表示待测训练特征向量表示。
[0110]
s703：获取历史节点特征向量表示和历史训练特征向量表示。
[0111]
可理解地，历史节点特征向量表示和历史训练特征向量表示由目标异质信息网络和预训练语言模型，在进行构建时用作学习和训练的大量历史政策数据得到。
[0112]
s704：将所述历史节点特征向量表示和历史训练特征向量表示作为运算数据映射至所述向量运算模型中，得到历史统一向量表示。
[0113][0114]
其中，表示历史统一向量表示，g(vi)表示历史节点特征向量表示，表示历史训练特征向量表示。
[0115]
s705：在所述目标向量运算模型中对所述预设统一向量表示和历史统一向量表示进行相似度计算，得到第一相似度特征表示：
[0116]
具体地，通过上述相似度的计算公式可知，对待测统一向量表示和历史统一向量表示的相似度计算公式为：
[0117][0118]
其中，vecn表示第一相似度特征表示。
[0119]
s706：将得到的第一相似度特征表示按照设定要求进行排序得到第一相似度序列，将所述第一相似度序列作为所述政策关联影响分析结果。
[0120]
可理解地，第一相似度特征表示的大小表示历史统一向量表示和待测统一向量表示之间的关联性大小，通过第一相似度序列即可判断待测统一向量表示与历史统一向量表示之间的关联性，即可判断待测政策数据与历史政策数据之间的关联性，从而实现了数据
量化计算，得到的政策关联影响分析结果便于进行分析。
[0121]
本发明同时考虑了政策数据的政策主体多样性、异质要素影响变化、以及政策实体间的动态交互，将文化、经济等政策背景及政策实体的动态交互映射至异质信息网络，应用异质网络表示学习算法，学习得到融合关联关系的政策要素；同步基于政策内容运用bert微调方法对预训练语言模型进行训练微调，学习得到政策内容的深层次语义表示，将二者融合实现未来政策的前瞻性感知，辅助有关部门更好地做出决策。
[0122]
请参考图8，图8是本发明一实施例的电子设备的模块结构示意图。
[0123]
本发明还提供了一种电子设备，包括处理器801、通信接口802、存储器803和通信总线804，其中，处理器801、通信接口802和存储器803之间通过通信总线804完成相互间的通信。
[0124]
存储器803，用于存放计算机程序。
[0125]
处理器801，用于执行存储器上所存放的程序时，实现如上所述的政策关联影响分析方法的步骤。
[0126]
请参考图9，图9是本发明一实施例的政策关联影响分析装的模块结构示意图。
[0127]
本发明还提供了一种政策关联影响分析装置900，包括用于执行如上所述的政策关联影响分析方法的单元，包括：
[0128]
构建单元901，用于构建目标异质信息网络，构建预训练语言模型以及构建目标向量运算模型。
[0129]
获取单元902，用于获取待测政策数据，所述待测政策数据包括政策要素以及政策要素之间的关联关系，所述政策要素包括政策内容和政策背景。
[0130]
第一映射单元903，用于将所述待测政策数据映射至所述目标异质信息网络中，得到包含关联关系的政策要素的节点学习结果。
[0131]
第二映射单元904，用于将所述待测政策数据映射至所述预训练语言模型中，得到包含政策背景的政策内容的训练学习结果。
[0132]
第三映射单元905，用于将所述节点学习结果和训练学习结果映射至所述目标向量运算模型中，得到政策关联影响分析结果。
[0133]
在一实施例中，所述构建目标异质信息网络包括：
[0134]
获取历史政策数据，提取所述历史政策数据包括的政策要素以及政策要素之间的关联关系；
[0135]
将所述历史政策数据的政策要素作为节点、关联关系作为边构建异质信息网络；
[0136]
应用hin2vec表示学习方法对异质信息网络中的节点和边进行学习，得到包含关联关系的政策要素的节点特征向量表示；
[0137]
将可获得所述节点特征向量表示的异质信息网络作为所述目标异质信息网络。
[0138]
在一实施例中，所述构建预训练语言模型包括：
[0139]
构建语言模型；
[0140]
获取历史政策数据，提取所述历史政策数据包括的政策内容和政策背景；
[0141]
将所述历史政策数据的政策内容和政策背景作为训练数据；
[0142]
基于所述语言模型应用bert微调方法对所述训练数据进行训练微调，得到包含政策背景的政策内容的训练特征向量表示；
[0143]
将可获得所述训练特征向量表示的语言模型作为所述预训练语言模型。
[0144]
在一实施例中，所述构建目标向量运算模型包括：
[0145]
构建向量运算模型；
[0146]
获取所述节点特征向量表示和训练特征向量表示，将所述节点特征向量表示和训练特征向量表示作为运算数据映射至所述向量运算模型中；
[0147]
在所述向量运算模型中对运算数据进行统一向量运算，得到统一向量表示；
[0148]
将得到的统一向量表示进行相似度计算，得到相似度特征表示：
[0149]
将相似度特征表示按照设定要求进行排序得到相似度序列；
[0150]
利用所述向量运算模型对得到相似度序列的过程进行学习，并将学习后的向量运算模型作为所述目标向量运算模型。
[0151]
在一实施例中，所述将所述待测政策数据映射至所述目标异质信息网络中，得到包含关联关系的政策要素的节点学习结果包括：
[0152]
提取所述待测政策数据包括的政策要素以及政策要素之间的关联关系；
[0153]
将所述待测政策数据的政策要素以及政策要素之间的关联关系映射至所述目标异质信息网络中；
[0154]
利用所述目标异质信息网络得到待测节点特征向量表示，将所述待测节点特征向量表示作为所述节点学习结果。
[0155]
在一实施例中，所述将所述待测政策数据映射至所述预训练语言模型中，得到包含政策背景的政策内容的训练学习结果包括：
[0156]
提取所述待测政策数据包括的政策内容和政策背景；
[0157]
将所述待测政策数据包括的政策内容和政策背景映射至所述预训练语言模型中；
[0158]
利用所述预训练语言模型得到待测训练特征向量表示，将所述待测训练特征向量表示作为所述训练学习结果。
[0159]
在一实施例中，所述将所述节点学习结果和训练学习结果映射至所述目标向量运算模型中，得到政策关联影响分析结果包括；
[0160]
获取待测节点特征向量表示和待测训练特征向量表示；
[0161]
将所述待测节点特征向量表示和待测训练特征向量表示作为待测运算数据映射至所述目标向量运算模型中，得到待测统一向量表示；
[0162]
获取历史节点特征向量表示和历史训练特征向量表示；
[0163]
将所述历史节点特征向量表示和历史训练特征向量表示作为历史运算数据映射至所述向量运算模型中，得到历史统一向量表示；
[0164]
在所述目标向量运算模型中对所述待测统一向量表示和历史统一向量表示进行相似度计算，得到第一相似度特征表示：
[0165]
将得到的第一相似度特征表示按照设定要求进行排序得到第一相似度序列，将所述第一相似度序列作为所述政策关联影响分析结果。
[0166]
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理执行时实现如上所述的政策关联影响分析方法的步骤。
[0167]
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之
间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0168]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。