(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211123061.8 (22)申请日 2022.09.15 (71)申请人 浙江网商银行股份有限公司 地址 310012 浙江省杭州市西湖区古 荡街 道西溪路556号阿里中心D幢9层、 E幢 3-8层 (72)发明人 李有儒　陈林勋　杨彬　吴亚熙　 (74)专利代理 机构 北京智信禾专利代理有限公 司 11637 专利代理师 刘晓楠 (51)Int.Cl. G06F 16/36(2019.01) G06F 17/14(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 10/04(2012.01) (54)发明名称 关系预测方法及装置 (57)摘要 本说明书实施例提供一种关系预测方法及 装置， 该方法包括获取第一对象以及第二对象 的 对象属性信息， 并获取对象属性信息的初始对象 向量； 根据对象知识图谱分别确定第一对象以及 第二对象对应的目标路径， 并获取目标路径的初 始路径向量； 对初始对象向量以及初始路径向量 进行处理， 获得目标对象向量以及目标路径向 量； 通过预设注意力机制对目标对象向量以及目 标路径向量进行融合， 获得融合向量， 并根据融 合向量预测第一对象与第二对象的关系。 将企业 基础信息、 中小企业的目标路径， 采用预设注意 力机制进行融合， 实现了对企业基础信息与目标 路径之间的关联关系中隐含信息的充分挖掘， 解 决了数据稀 疏场景下， 对企业的供应链预测结果 的准确性的影响。 权利要求书3页 说明书15页 附图5页 CN 115510238 A 2022.12.23 CN 115510238 A 1.一种关系预测方法， 包括： 获取第一对象以及第 二对象的对象属性信 息， 并获取所述对象属性信 息的初始对象向 量； 根据对象知识图谱分别确定所述第 一对象以及所述第 二对象对应的目标路径， 并获取 所述目标路径的初始路径向量； 对所述初始对象向量以及所述初始路径向量进行处理， 获得目标对象向量以及目标路 径向量； 通过预设注意力 机制对所述目标对象向量以及所述目标路径向量进行融合， 获得融合 向量， 并根据所述融合向量预测所述第一对象与所述第二对象的关系。 2.根据权利要求1所述的关系预测方法， 所述对所述初始对象向量以及所述初始路径 向量进行处 理， 获得目标对象向量以及目标路径向量， 包括： 将所述初始对象向量以及所述初始路径向量进行拼接， 并将拼接后的向量输入多头注 意力网络中进行处 理， 获得所述拼接后的向量对应的目标向量， 其中， 所述目标向量包括与所述初始对象向量对应的目标对象向量、 以及与所述初始 路径向量对应的目标路径向量。 3.根据权利要求2所述的关系预测方法， 所述将拼接后的向量输入多头注意力网络中 进行处理， 获得所述拼接后的向量对应的目标向量， 包括： 将拼接后的向量输入采用预设约束方法的多头注意力网络， 在所述多头注意力网络中 通过多头注意力机制进行处 理， 获得所述拼接后的向量对应的目标向量。 4.根据权利要求1所述的关系预测方法， 所述通过预设注意力机制对所述目标对象向 量以及所述目标路径向量进行融合， 获得融合向量， 包括： 通过键值对注意力机制， 以所述目标对象向量为查询向量、 所述目标路径向量为键向 量进行相似度计算； 根据所述相似度对所述目标对象向量以及所述目标路径向量进行融合， 获得融合向 量。 5.根据权利要求1所述的关系预测方法， 所述根据所述融合向量预测所述第一对象与 所述第二对象的关系， 包括： 将所述融合向量输入分类模型， 通过所述分类模型预测所述第 一对象与所述第 二对象 的关系。 6.根据权利要求1 ‑5任意一项所述的关系预测方法， 所述获取第一对象以及第二对象 的对象属性信息， 并获取 所述对象属性信息的初始对象向量， 包括： 获取第一对象的第一对象属性信息、 以及第二对象的第二对象属性信息； 对所述第一对象属性信 息以及所述第 二对象属性信 息进行编码， 并通过深度神经网络 对编码后的第一对象属性信息以及第二对象属性信息进行向量表征学习， 获取所述第一对 象属性信息以及所述第二对象属性信息的初始对象向量。 7.根据权利要求1 ‑5任意一项所述的关系预测方法， 所述根据对象知识图谱分别确定 所述第一对 象以及所述第二对 象对应的目标路径， 并获取所述 目标路径的初始路径向量， 包括： 根据对象知识图谱确定所述第 一对象对应的第 一目标路径、 以及所述第 二对象对应的权　利　要　求　书 1/3 页 2 CN 115510238 A 2第二目标路径； 将所述第一目标路径以及所述第 二目标路径 处理为自然语言文本， 并通过词向量处理 模型对所述自然语言文本进行向量表征学习， 获取所述第一目标路径以及所述第二目标路 径的初始路径向量。 8.根据权利要求4所述的关系预测方法， 所述根据所述融合向量预测所述第一对象与 所述第二对象的关系之后， 还 包括： 根据所述相似度确定所述目标路径的权重， 并根据所述目标路径的权重， 从所述目标 路径中确定待 展示目标路径。 9.根据权利要求8所述的关系预测方法， 所述从所述目标路径中确定待展示目标路径 之后， 还包括： 展示所述第 一对象与 所述第二对象的关系、 所述待展示目标路径以及所述待展示目标 路径对应的权 重。 10.根据权利要求1所述的关系预测方法， 所述第一对象为第一企业， 所述第二对象为 与所述第一企业 不同的第二企业； 相应地， 所述 根据所述融合向量预测所述第一对象与所述第二对象的关系， 包括： 根据所述融合向量预测所述第一企业与所述第二企业是否存在供应链关系。 11.一种关系预测装置， 包括： 对象向量获取模块， 被配置为获取第一对象以及第二对象的对象属性信息， 并获取所 述对象属性信息的初始对象向量； 路径向量获取模块， 被配置为根据对象知识图谱分别确定所述第 一对象以及所述第 二 对象对应的目标路径， 并获取 所述目标路径的初始路径向量； 向量处理模块， 被配置为对所述初始对象向量以及所述初始路径向量进行处理， 获得 目标对象向量以及目标路径向量； 关系预测模块， 被配置为通过预设注意力 机制对所述目标对象向量以及所述目标路径 向量进行融合， 获得融合向量， 并根据所述融合向量预测所述第一对 象与所述第二对 象的 关系。 12.一种关系预测模型， 包括对象向量获取网络层、 路径向量获取网络层、 向量处理网 络层以及关系预测网络层， 其中， 所述对象向量获取网络层， 用于确定第一对象以及第二对象的对象属性信息， 以及获 取所述对象属性信息的初始对象向量； 所述路径向量获取网络层， 用于根据对象知识图谱分别确定所述第一对象、 以及所述 第二对象对应的目标路径的路径信息， 以及获取 所述路径信息的初始路径向量； 所述向量处理网络层， 用于对所述初始对象向量以及所述初始路径向量进行处理， 获 得目标对象向量以及目标路径向量； 所述关系预测网络层， 用于通过预设注意力 机制对所述目标对象向量以及所述目标路 径向量进行融合， 获得融合向量， 根据所述融合向量预测所述第一对 象与所述第二对 象的 关系。 13.一种计算设备， 包括： 存储器和处 理器；权　利　要　求　书 2/3 页 3 CN 115510238 A 3