动态图重构方法、装置、设备、可读存储介质及程序产品与流程

1.本公开涉及数据处理技术领域，具体涉及深度学习、动态图重构、变分推断等人工智能技术领域，尤其涉及一种动态图重构方法、装置、电子设备、计算机可读存储介质及计算机程序产品。


背景技术：

2.动态图是普遍存在的一种图结构，它是指图的结构(包括节点和边)随着时间而演变，例如交通网络、社交网络、金融交易网络等。对未来时刻的图结构进行推断或预测是一个具有实际意义的任务，该任务可被称之为动态图的重构问题。
3.如何解决在动态图重构任务中普遍存在的数据稀疏问题，是本领域技术人员的重点研究对象。


技术实现要素：

4.本公开实施例提出了一种动态图重构方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
5.第一方面，本公开实施例提出了一种动态图重构方法，包括：获取目标模态的目标动态图，并根据构成目标动态图的各时刻快照确定各节点的第一隐式表征；获取不同于目标模态的其它模态的辅助动态图，并根据构成辅助动态图的各时刻快照确定各节点的第二隐式表征；拼接相同节点的第一隐式表征和第二隐式表征，得到各节点的拼接特征；对各节点的拼接特征进行非线性处理，并基于处理得到的非线性特征重构得到新动态图。
6.第二方面，本公开实施例提出了一种动态图重构装置，包括：第一隐式表征确定单元，被配置成获取目标模态的目标动态图，并根据构成目标动态图的各时刻快照确定各节点的第一隐式表征；第二隐式表征确定单元，被配置成获取不同于目标模态的其它模态的辅助动态图，并根据构成辅助动态图的各时刻快照确定各节点的第二隐式表征；隐式表征拼接单元，被配置成拼接相同节点的第一隐式表征和第二隐式表征，得到各节点的拼接特征；新动态图重构单元，被配置成对各节点的拼接特征进行非线性处理，并基于处理得到的非线性特征重构得到新动态图。
7.第三方面，本公开实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的动态图重构方法。
8.第四方面，本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的动态图重构方法。
9.第五方面，本公开实施例提供了一种包括计算机程序的计算机程序产品，该计算机程序在被处理器执行时能够实现如第一方面中任一实现方式描述的动态图重构方法的
步骤。
10.本公开提供的动态图重构方案，通过在目标模态的目标动态图基础上，还结合了其它模态的辅助动态图，以期结合其它信息来源的不同模态动态图来辅助改善数据稀疏问题，同时通过拼接相同节点的第一隐式表征和第二隐式表征得到综合不同模态动态图中的相关节点信息，且通过非线性处理后能够得到更符合实际情况的新动态图，进而实现对数据稀疏问题的切实改善。
11.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
12.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
13.图1是本公开可以应用于其中的示例性系统架构；
14.图2为本公开实施例提供的一种动态图重构方法的流程图；
15.图3为本公开实施例提供的另一种动态图重构方法的流程图；
16.图4为本公开实施例提供的在一应用场景下的动态图重构方法的流程示意图；
17.图5为本公开实施例提供的一种动态图重构装置的结构框图；
18.图6为本公开实施例提供的一种适用于执行动态图重构方法的电子设备的结构示意图。
具体实施方式
19.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
20.本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
21.图1示出了可以应用本公开的动态图重构方法、装置、电子设备及计算机可读存储介质的实施例的示例性系统架构100。
22.如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
23.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103和服务器105上可以安装有各种用于实现两者之间进行信息通讯的应用，例如有向图分析类应用、动态图重构类应用、即时通讯类应用等。
24.终端设备101、102、103和服务器105可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等；当终端设备101、102、103为软件时，可以安装在上述
所列举的电子设备中，其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器；服务器为软件时，可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块，在此不做具体限定。
25.服务器105通过内置的各种应用可以提供各种服务，以可以解决有向图数据稀疏问题的动态图重构类应用为例，服务器105在运行该动态图重构类应用时可实现如下效果：除获取目标模态的目标动态图之外，还结合区别于目标模态的其它模态的辅助动态图，来综合不同模态的动态图中记录的相关信息，重构得到比目标动态图数据更加稠密的新动态图。
26.需要指出的是，不同模态的目标动态图和辅助动态图除可以从终端设备101、102、103通过网络104获取到之外，也可以通过各种方式预先存储在服务器105本地。因此，当服务器105检测到本地已经存储有这些数据时(例如开始处理之前留存的待处理任务)，可选择直接从本地获取这些数据，在此种情况下，示例性系统架构100也可以不包括终端设备101、102、103和网络104。
27.由于动态图重构需要占用较多的运算资源和较强的运算能力，因此本公开后续各实施例所提供的动态图重构方法一般由拥有较强运算能力、较多运算资源的服务器105来执行，相应地，动态图重构装置一般也设置于服务器105中。但同时也需要指出的是，在终端设备101、102、103也具有满足要求的运算能力和运算资源时，终端设备101、102、103也可以通过其上安装的动态图重构类应用完成上述本交由服务器105做的各项运算，进而输出与服务器105同样的结果。尤其是在同时存在多种具有不同运算能力的终端设备的情况下，但动态图重构类应用判断所在的终端设备拥有较强的运算能力和剩余较多的运算资源时，可以让终端设备来执行上述运算，从而适当减轻服务器105的运算压力，相应的，动态图重构装置也可以设置于终端设备101、102、103中。在此种情况下，示例性系统架构100也可以不包括服务器105和网络104。
28.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
29.请参考图2，图2为本公开实施例提供的一种动态图重构方法的流程图，其中流程200包括以下步骤：
30.步骤201：获取目标模态的目标动态图，并根据构成目标动态图的各时刻快照确定各节点的第一隐式表征；
31.本步骤旨在由动态图重构方法的执行主体(例如图1所示的服务器105)获取目标模态的目标动态图，并根据构成目标动态图的各时刻快照确定各节点的第一隐式表征。
32.通常情况下，一个动态图至少由两个时刻的快照构成，假定该目标动态图由时刻1到时刻t的t张快照构成，这多张快照中存在数据稀疏问题或者至少一张快照中存在部分节点缺失以待补全，这些存在问题的快照可被称为目标快照。针对数据稀疏问题，目标快照可以是每张快照；针对部分节点信息缺失，目标快照则通常是除不存在信息机缺失的首张快照之外的其它时刻快照，大概率是为最后一张的t时刻快照，以充分利用前面的多个时刻快照中记录的信息来对t时刻快照中缺失的部分节点信息进行补全。
33.隐式表征出自隐式神经表示法(implicit neural representations)，是一种将
各种信号参数化的新方法。传统的信号表示通常是离散的，例如图像是像素的离散网格，音频信号是振幅的离散样本，三维形状通常被参数化为体素、点云或网格的网格；相反，隐式神经表示将信号参数化为连续函数，该函数将信号域(即，坐标，如图像的像素坐标)映射到该坐标处的任何位置(对于图像，为r、g、b颜色)。当然，这些函数通常上是不可处理的，即不可能“写下”将自然图像参数化为数学公式的函数。因此，隐式神经表示通过神经网络去靠近该“自然表示”函数，基于此构建出的尽可能接近实际情况的表征即为隐式表征。
34.即本步骤分别生成第一隐式表征，则是期望通过隐藏在各快照中的各节点特性利用隐式神经表示法更好的呈现出来。
35.根据目标动态图所属领域的不同，节点用于指代不同对象，以用于记录交通流量信息的动态图为例，由于交通流量信息描述的是出现在目标区域内的各个交通对象之间的流量信息，交通对象可以为红绿灯、车辆、站牌、路口、建筑物等等，即每个交通对象都将作为一个独立的节点，以节点之间的轨迹信息描绘交通流量；以用于记录社交交互信息的动态图为例，其描述的各个用户之间的社交信息，因此每个节点都指代一个用户。其它领域下也将适应性的存在其它含义，此处不再一一列举。
36.步骤202：获取不同于目标模态的其它模态的辅助动态图，并根据构成辅助动态图的各时刻快照确定各节点的第二隐式表征；
37.本步骤旨在由上述执行主体首先获取到不同于目标动态图所属的目标模态的其它模态的辅助动态图，然后根据构成辅助动态图的各时刻快照确定各节点的第二隐式表征。
38.区别于步骤201，本步骤旨在从其它信息来源、获取到同样能够记录相关信息、以其它图表现形式的其它模态的辅助动态图，也可以称为辅助模态动态图，并进而根据构成辅助动态图的各时刻快照确定各节点的第二隐式表征，以区别与目标动态图对应的第一隐式表征。
39.即目标动态图与辅助动态图的模态不同，即两个动态图的获取渠道、信息的表现形式不同，但均记录有相同领域下的部分相同信息(例如均记录有相同的交通流量信息、社交网络信息)，也可以简单的理解为动态图的不同表现形式，以期通过不同的图表现形式、不同的信息获取渠道，来从另一模态中包含的信息从另一角度对缺失的部分节点进行补全、对稀疏的数据进行增加，以提升数据密度。
40.需要说明的是，辅助动态图的数量可以为多个，即可以同时结合多个不同模态的辅助动态图，以提升最终的重构效果。
41.步骤203：拼接相同节点的第一隐式表征和第二隐式表征，得到各节点的拼接特征；
42.在步骤201和步骤202的基础上，本步骤旨在由上述执行主体拼接相同节点的第一隐式表征和第二隐式表征，以通过拼接的方式融合分别来自不同模态的相同节点的隐式表征，进而得到每个节点的拼接特征。
43.步骤204：对各节点的拼接特征进行非线性处理，并基于处理得到的非线性特征重构得到新动态图。
44.在步骤203的基础上，本步骤旨在由上述执行主体对各节点的拼接特征进行非线性处理，并基于处理得到的非线性特征重构得到新动态图。
45.其中，之所以对拼接特征进行非线性处理，是考虑到实际情况下的节点间交互特性不太适合使用“线性”方式进行拟合，更适合使用“非线性”的方式进行拟合，从而使得处理得到的非线性特征能够更加贴近实际情况。
46.即真实世界下由存在主观意识的对象参与的活动，其交互特性往往不再严格遵循线性规律，即无法用一个简单的线性规律来描绘其运动趋势，因此针对这些情况采用非线性的方式来拟合其交互特性，是更加合适的。
47.本公开实施例提供的动态图重构方法，通过在目标模态的目标动态图基础上，还结合了其它模态的辅助动态图，以期结合其它信息来源的不同模态动态图来辅助改善数据稀疏问题，同时通过拼接相同节点的第一隐式表征和第二隐式表征得到综合不同模态动态图中的相关节点信息，且通过非线性处理后能够得到更符合实际情况的新动态图，进而实现对数据稀疏问题的切实改善。
48.请参考图3，图3为本公开实施例提供的另一种动态图重构方法的流程图，其中流程300包括以下步骤：
49.步骤301：获取目标模态的目标动态图，并根据构成目标动态图的各时刻快照确定各节点的第一隐式表征；
50.步骤302：获取不同于目标模态的其它模态的辅助动态图，并将构成辅助动态图的各时刻快照通过贝叶斯图表征学习方法，确定各节点的第二隐式表征；
51.在流程200的步骤202的基础上，本步骤旨在进一步的明确使用贝叶斯图表征学习的方式来根据构成辅助动态图的各时刻快照确定各节点的第二隐式表征。
52.贝叶斯图表征学习方法，是贝叶斯学习方法下对图形式数据的一种具体学习方法，旨在将贝叶斯学习的思想应用至图形式数据方面。当然，除使用贝叶斯图表征学习方式外，也可以换用其它可实现类似效果的学习方式，此处不再一一列举。
53.步骤303：拼接相同节点作为吸引对象时的第一吸引流量隐式表征和第二吸引流量隐式表征，得到拼接吸引流量特征；
54.步骤304：拼接相同节点作为发出对象时的第一发出流量隐式表征和第二发出流量隐式表征，得到拼接发出流量特征；
55.针对流程200中的步骤203，本实施例通过步骤303-步骤304提供了一种具体的实现方式，即将每个节点分别作为吸引对象和发出对象时的流量隐式表征进行同类拼接，以进一步的细化隐式表征的拼接准确性。
56.其中，节点吸引流量的隐式表征是该节点作为吸引其它节点到来的吸引对象时所呈现出的流量的隐式表征；反之，节点发出流量的隐式表征是该节点作为向其它节点进发的发出对象时所呈现的流量的隐式表征。简单来说，吸引流量和发出流量对应“到来”和“离开”两个动作所分别呈现出的流量。
57.具体的，若结合具体的交通流量场景，吸引流量和发出流量对应“驶入”和“驶出”两个动作所分别呈现出的流量，其它场景下的吸引流量和发出流量也将因场景下的实际情况出现含义上的微调。
58.步骤305：利用第一非线性层处理拼接吸引流量特征，得到第一非线性特征；
59.步骤306：利用第二非线性层处理拼接发出流量特征，得到第二非线性特征；
60.对应步骤303-步骤304，步骤305-步骤306旨在通过不同的非线性处理层分别处理
拼接得到的吸引流量特征和发出流量特征，进而得到对应的非线性特征，以避免在进行非线性处理过程中不同类型的流量特征相互掺杂导致影响特征的纯粹性。
61.步骤307：利用预设的解码器处理第一非线性特征和第二非线性特征，得到作为处理结果的模态为目标模态的新动态图。
62.在步骤305和步骤306的基础上，本步骤旨在由上述执行主体利用预设的解码器处理第一非线性特征和第二非线性特征，得到作为处理结果的模态为目标模态的新动态图。
63.即解码器与步骤301和步骤302中生成隐式表征的“编码器”相对应，旨在将包含各节点的非线性特征重新还原至目标模态的动态图的表现形式，呈现重构后得到的新动态图。
64.在上述任意实施例的基础上，针对步骤203如何拼接得到拼接特征的部分，本实施例还具体提供了另一种实现方式：
65.将变分推断原理下的证据下界方式作为目标函数；
66.利用目标函数指导拼接相同节点的第一隐式表征和第二隐式表征，得到各节点的拼接特征。
67.其中，变分推断(variational inference,vi)是贝叶斯近似推断方法中的一大类方法，将后验推断问题巧妙地转化为优化问题进行求解。在概率模型的应用中，一个中心任务是在给定观测(可见)数据变量x的条件下，计算潜在变量z的后验概率分布，以及计算关于这个概率分布的期望。对于实际应用中的许多模型来说，计算后验概率分布或者计算关于这个后验概率分布的期望是不可行的。这可能是由于潜在空间的维度太高，以至于无法直接计算，或者由于后验概率分布的形式特别复杂，从而期望无法得到解析解。
68.对于普通的函数f(x)，可以认为f是一个关于x的一个实数算子，其作用是将实数x映射到实数f(x)。那么类比这种模式，假设存在函数算子f，它是关于f(x)的函数算子，可以将f(x)映射成实数f(f(x))。对于f(x)可通过改变x来求出f(x)的极值，而在变分中这个x会被替换成一个函数y(x)，即通过改变x来改变y(x),最后使得f(y(x))求得极值。
69.变分:指的是泛函的变分，它最终寻求的是极值函数，它们使得泛函取得极大或极小值。比如，从a点到b点有无数条路径，每一条路径都是一个函数，这无数条路径，每一条函数(路径)的长度都是一个数，那你从这无数个路径当中选一个路径最短或者最长的，这就是求泛函的极值问题。
70.在此基础上，变分推断就可以理解为；寻找一个简单的分布来近似推断问题中无法求解的后验概率密度。用数学语言表示就是想最小化，但因为kl散度(kullback-leibler divergence)中的后验概率密度也是无法求解的，因此借助em(expectation-maximization，期望最大化)的推导思路，将问题由最小化kl散度转化为最大化证据下界(evidence lower bound，elbo，这里的证据指数据或可观测变量的概率密度)。
71.即本实施例将证据下界方式作为目标函数来指导进行特征的拼接，也是旨在利用其所具有的特性，来得到更好的拼接特征，使得最终重构出的新动态图能够尽可能的消除数据稀疏问题或补全所缺失的部分节点信息。
72.进一步的，考虑到与辅助动态图对应的隐式表征可以服从任意先验分布，而为了减少跨模态之间的差异，还可以对齐第一隐式表征和第二隐式表征的先验分布。
73.更进一步的，为了防止与目标动态图不同模态的辅助动态图中的信息对来自目标
动态图的隐式表征的先验分布进行干扰，还可以在训练的反向传播过程中，丢弃该第二隐式表征的梯度信息。
74.为加深理解，本公开还结合一个具体应用场景，给出了一种具体的实现方案，请参见如图4所示的流程示意图：
75.1、给定一个目标模态的动态图其中在t时刻的快照，记为记为和ε
(t)
表示g
(t)
的节点集合和有向边集合。此外，g
(t)
的节点属性记为邻接矩阵记为同时，辅助模态的动态图记为的邻接矩阵记为
76.2、利用形如vgae(variational graph auto-encoder，vgae)的编码器处理构成动态图的各时刻快照，进而得到目标模态的有向图{g
(1)
，g
(2)
，
…
，g
(t)
}的隐式空间表征(记为{z
(1)
，
…
，z
(t)
}，并通过变分推断的方式进行学习。其中，z
(t)
的先验分布和后验分布分别表示为：p(z
(t)
|a
(＜t)
，x
(＜t)
)和q(z
(t)
|a
(t)
，x
(t)
，h
(t-1)
)，其中h
(t-1
)表示t-1时刻的时间依赖的隐式状态变量；
77.3、类似地，通过贝叶斯图表征学习，得到辅助模态图的隐式表征
78.4、假设条件依赖于且服从高斯分布，则的后验分布表示为：
[0079][0080]
5、由于的先验分布可以是任意分布，因此为了减少跨模态之间的差异，将的先验分布与z
(t)
的先验分布进行对齐：的先验分布进行对齐：
[0081]
6、通过变分推断原理，计算elbo作为目标函数进行优化，从而使得辅助模态的信息与目标模态的信息进行了融合。
[0082]
7、为了防止辅助模态的信息对目标模态的先验分布进行干扰，在训练过程中的反向传播过程中，丢弃掉的梯度信息。
[0083]
8、最后，将辅助模态和目标模态的隐式表征进行拼接，分别输入到两个非线性层：和并进一步地输入到解码器实现目标模态图的重构。
[0084]
本实施例所提供的方案，通过模态适配减小不同模态之间的迁移成本，并利用补充模态的知识弥补目标模态的动态图数据缺失或解决数据稀疏问题，从而增强了动态图的重构性能。另一方面，该方案也提供了一个端到端的深度学习框架，减少了对数据预处理的依赖。
[0085]
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种动态图重构装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0086]
如图5所示，本实施例的动态图重构装置500可以包括：第一隐式表征确定单元501、第二隐式表征确定单元502、隐式表征拼接单元503、新动态图重构单元504。其中，第一隐式表征确定单元501，被配置成获取目标模态的目标动态图，并根据构成目标动态图的各时刻快照确定各节点的第一隐式表征；第二隐式表征确定单元502，被配置成获取不同于目
标模态的其它模态的辅助动态图，并根据构成辅助动态图的各时刻快照确定各节点的第二隐式表征；隐式表征拼接单元503，被配置成拼接相同节点的第一隐式表征和第二隐式表征，得到各节点的拼接特征；新动态图重构单元504，被配置成对各节点的拼接特征进行非线性处理，并基于处理得到的非线性特征重构得到新动态图。
[0087]
在本实施例中，动态图重构装置500中：第一隐式表征确定单元501、第二隐式表征确定单元502、隐式表征拼接单元503、新动态图重构单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-204的相关说明，在此不再赘述。
[0088]
在本实施例的一些可选的实现方式中，第二隐式表征确定单元502可以包括被配置成根据构成辅助动态图的各时刻快照确定各节点的第二隐式表征的第二隐式表征确定子单元，该第二隐式表征确定子单元可以被进一步配置成：
[0089]
将构成辅助动态图的各时刻快照通过贝叶斯图表征学习方法，确定各节点的第二隐式表征。
[0090]
在本实施例的一些可选的实现方式中，隐式表征拼接单元503可以被进一步配置成：
[0091]
拼接相同节点作为吸引对象时的第一吸引流量隐式表征和第二吸引流量隐式表征，得到拼接吸引流量特征；
[0092]
拼接相同节点作为发出对象时的第一发出流量隐式表征和第二发出流量隐式表征，得到拼接发出流量特征。
[0093]
在本实施例的一些可选的实现方式中，新动态图重构单元504可以被进一步配置成：
[0094]
利用第一非线性层处理拼接吸引流量特征，得到第一非线性特征；
[0095]
利用第二非线性层处理拼接发出流量特征，得到第二非线性特征；
[0096]
利用预设的解码器处理第一非线性特征和第二非线性特征，得到作为处理结果的模态为目标模态的新动态图。
[0097]
在本实施例的一些可选的实现方式中，隐式表征拼接单元503可以被进一步配置成：
[0098]
将变分推断原理下的证据下界方式作为目标函数；
[0099]
利用目标函数指导拼接相同节点的第一隐式表征和第二隐式表征，得到各节点的拼接特征。
[0100]
在本实施例的一些可选的实现方式中，动态图重构装置500中还可以包括：
[0101]
先验分布对齐单元，被配置成在拼接相同节点的第一隐式表征和第二隐式表征，得到各节点的拼接特征之前，对齐第一隐式表征和第二隐式表征的先验分布。
[0102]
在本实施例的一些可选的实现方式中，动态图重构装置500中还可以包括：
[0103]
梯度信息丢弃单元，被配置成在反向传播过程中，丢弃第二隐式表征的梯度信息。
[0104]
本实施例作为对应于上述方法实施例的装置实施例存在，本实施例提供的动态图重构装置，通过在目标模态的目标动态图基础上，还结合了其它模态的辅助动态图，以期结合其它信息来源的不同模态动态图来辅助改善数据稀疏问题，同时通过拼接相同节点的第一隐式表征和第二隐式表征得到综合不同模态动态图中的相关节点信息，且通过非线性处理后能够得到更符合实际情况的新动态图，进而实现对数据稀疏问题的切实改善。
[0105]
根据本公开的实施例，本公开还提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，该指令被至少一个处理器执行，以使至少一个处理器执行时能够实现上述任意实施例所描述的动态图重构方法。
[0106]
根据本公开的实施例，本公开还提供了一种可读存储介质，该可读存储介质存储有计算机指令，该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的动态图重构方法。
[0107]
根据本公开的实施例，本公开还提供了一种计算机程序产品，该计算机程序在被处理器执行时能够实现上述任意实施例所描述的动态图重构方法。
[0108]
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0109]
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0110]
设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0111]
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如动态图重构方法。例如，在一些实施例中，动态图重构方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的动态图重构方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行动态图重构方法。
[0112]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器
可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0113]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0114]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0115]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0116]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0117]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大，业务扩展性弱的缺陷。
[0118]
根据本公开实施例的技术方案，通过在目标模态的目标动态图基础上，还结合了其它模态的辅助动态图，以期结合其它信息来源的不同模态动态图来辅助改善数据稀疏问题，同时通过拼接相同节点的第一隐式表征和第二隐式表征得到综合不同模态动态图中的相关节点信息，且通过非线性处理后能够得到更符合实际情况的新动态图，进而实现对数据稀疏问题的切实改善。
[0119]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0120]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。