本技术涉及图结构，特别是涉及一种图结构预测方法、装置及电子设备。
背景技术：
1、当前，新一代人工智能技术迅速发展，深刻改变人类社会生活，改变世界。基于图结构的预测作为一个重大技术趋势，已经被广泛应用于各领域，如学术网络预测、社交网络预测，分子性质预测等。以学术网络预测的场景为例，以论文，作者，机构为节点，他们之间的从属关联关系为边构建图结构，并使用基于图结构的预测方法对该图结构进行预测，以得到该图结构中论文的预测结果，如预测论文的引用数量、预测论文的论文质量等。
2、因此，如何基于图结构准确地进行预测成为亟待解决的技术问题。
技术实现思路
1、本技术实施例的目的在于提供一种图结构预测方法、装置及电子设备，以提供一种准确预测目标节点对应的预测结果的图结构预测方法。具体技术方案如下：
2、根据本技术的第一方面，提供了一种图结构预测方法，所述方法包括：
3、获取待预测图结构中目标邻居节点的属性特征和相关特征，所述目标邻居节点为目标节点的邻居节点，所述相关特征包括：节点类型特征，边类型特征以及节点标签特征中的至少一种；
4、根据所述待预测图结构的拓扑结构，将各所述目标邻居节点的所述属性特征和所述相关特征传递至所述目标节点处；
5、将所述目标节点处的特征进行聚合，得到所述待预测图结构中所述目标节点的聚合特征；
6、根据所述待预测图结构中的所述目标节点的所述聚合特征，预测得到所述目标节点对应的预测结果。
7、在一种可能的实施例中，所述根据所述待预测图结构的拓扑结构，将各所述目标邻居节点的所述属性特征和所述相关特征传递至所述目标节点处，包括：
8、将各所述目标邻居节点的相关特征进行onehot独热编码和/或mlp多层感知机处理，得到各所述目标邻居节点的集中节点特征；
9、根据所述预测图结构的拓扑结构，将各所述目标邻居节点的所述属性特征和所述集中节点特征传递至目标节点处。
10、在一种可能的实施例中，所述将各所述目标邻居节点的相关特征进行onehot独热编码和/或mlp多层感知机处理，得到各所述目标邻居节点的集中节点特征，包括：
11、将各所述目标邻居节点的相关特征进行onehot独热编码和/或mlp多层感知机处理，得到处理结果；
12、将所述处理结果进行图卷积处理，得到集中节点特征；
13、所述根据所述预测图结构的拓扑结构，将各所述目标邻居节点的所述属性特征和所述集中节点特征传递至目标节点，包括：
14、将所述目标邻居节点的所述属性特征进行图卷积处理，得到属性卷积结果；
15、将所述属性卷积结果和所述集中节点特征传递至所述目标节点。
16、在一种可能的实施例中，所述根据所述待预测图结构的拓扑结构，将各所述目标邻居节点的所述属性特征和所述相关特征传递至所述目标节点处，包括：
17、将各所述目标邻居节点的所述属性特征和所述相关特征输入至目标图神经网络中的消息传递子网络，以使得所述消息传递子网络根据所述待预测图结构的拓扑结构，将各所述目标邻居节点的所述属性特征和所述相关特征传递至目标节点处；
18、所述根据所述待预测图结构中的所述目标节点的所述聚合特征，预测得到所述目标节点的预测结果，包括：
19、将所述待预测图结构中的目标节点的所述聚合特征输入至所述目标图神经网络中的预测子网络，以使得所述预测子网络根据所述待预测图结构中的目标节点的所述聚合特征，预测得到所述目标节点的预测结果。
20、在一种可能的实施例中，所述目标图神经网络是通过以下方式训练得到的：
21、将样本图结构输入至原始图神经网络，得到所述原始图神经网络输出的样本节点的预测结果；
22、确定所述样本节点的预测结果和所述样本节点标注的真值信息的差异；
23、根据所述差异调节所述原始图神经网络得到目标图神经网络。
24、在一种可能的实施例中，所述将样本图结构输入至原始图神经网络，包括：
25、对样本图结构中样本节点的真值信息进行掩膜处理，得到掩膜图结构；
26、将所述掩膜图结构输入至原始图神经网络。
27、根据本技术的第二方面，提供了一种图结果预测装置，所述装置包括：
28、特征获取模块，用于获取待预测图结构中目标邻居节点的属性特征和相关特征，所述目标邻居节点为目标节点的邻居节点，所述相关特征包括：节点类型特征，边类型特征以及节点标签特征中的至少一种；
29、特征传递模块，用于根据所述待预测图结构的拓扑结构，将各所述目标邻居节点的所述属性特征和所述相关特征传递至所述目标节点处；
30、特征聚合模块，用于将所述目标节点处的特征进行聚合，得到所述待预测图结构中所述目标节点的聚合特征；
31、结果预测模块，用于根据所述待预测图结构中的所述目标节点的所述聚合特征，预测得到所述目标节点对应的预测结果。
32、在一种可能的实施例中，所述特征传递模块，包括：
33、特征处理子模块，用于将各所述目标邻居节点的相关特征进行onehot独热编码和/或mlp多层感知机处理，得到各所述目标邻居节点的集中节点特征；
34、特征传递子模块，用于根据所述预测图结构的拓扑结构，将各所述目标邻居节点的所述属性特征和所述集中节点特征传递至目标节点处。
35、在一种可能的实施例中，所述特征处理子模块，包括：
36、特征处理单元，用于将各所述目标邻居节点的相关特征进行onehot独热编码和/或mlp多层感知机处理，得到处理结果；
37、集中特征单元，将所述处理结果进行图卷积处理，得到集中节点特征；
38、所述特征传递子模块，包括：
39、卷积处理单元，用于将所述目标邻居节点的所述属性特征进行图卷积处理，得到属性卷积结果；
40、特征传递单元，用于将所述属性卷积结果和所述集中节点特征传递至所述目标节点。
41、在一种可能的实施例中，所述特征传递模块，具体用于将各所述目标邻居节点的所述属性特征和所述相关特征输入至目标图神经网络中的消息传递子网络，以使得所述消息传递子网络根据所述待预测图结构的拓扑结构，将各所述目标邻居节点的所述属性特征和所述相关特征传递至目标节点处；
42、所述结果预测模块，具体用于将所述待预测图结构中的目标节点的所述聚合特征输入至所述目标图神经网络中的预测子网络，以使得所述预测子网络根据所述待预测图结构中的目标节点的所述聚合特征，预测得到所述目标节点的预测结果。
43、在一种可能的实施例中，所述装置还包括：训练模块，所述训练模块用于通过以下方式训练得到所述目标图神经网络：
44、将样本图结构输入至原始图神经网络，得到所述原始图神经网络输出的样本节点的预测结果；
45、确定所述样本节点的预测结果和所述样本节点标注的真值信息的差异；
46、根据所述差异调节所述原始图神经网络得到目标图神经网络。
47、在一种可能的实施例中，所述训练模块，包括：
48、掩膜单元，用于对样本图结构中样本节点的真值信息进行掩膜处理，得到掩膜图结构；
49、输入单元，用于将所述掩膜图结构输入至原始图神经网络。
50、根据本技术的第三方面，提供了一种电子设备，包括：
51、存储器，用于存放计算机程序；
52、处理器，用于执行存储器上所存放的程序时，实现第一方面任一所述的方法。
53、根据本技术的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一所述的方法。
54、本技术实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面任一所述的方法。
55、本技术实施例有益效果：
56、本技术实施例在消息传递过程中，不仅传递了目标邻居节点的属性特征，还传递目标邻域节点的相关特征，如节点类型特征、边类型特征、节点标签特征等。从而更为全面地传递了目标节点相关的特征，有效得丰富了聚合特征，使得生成的聚合特征能够更好的表征目标节点，进而根据该聚合特征能够预测得到准确的预测结果，提供了一种准确预测目标节点对应的预测结果的图结构预测方法。
57、当然，实施本技术的任一产品或方法并不一定需要同时达到以上所述的所有优点。
1.一种图结构预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述待预测图结构的拓扑结构，将所述目标邻居节点的所述属性特征和所述相关特征传递至所述目标节点处，包括：
3.根据权利要求2所述的方法，其特征在于，所述将各所述目标邻居节点的相关特征进行onehot独热编码和/或mlp多层感知机处理，得到各所述目标邻居节点的集中节点特征，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述待预测图结构的拓扑结构，将各所述目标邻居节点的所述属性特征和所述相关特征传递至所述目标节点处，包括：
5.根据权利要求4所述的方法，其特征在于，所述目标图神经网络是通过以下方式训练得到的：
6.根据权利要求5所述的方法，其特征在于，所述将样本图结构输入至原始图神经网络，包括：
7.一种图结果预测装置，其特征在于，所述装置包括：
8.根据权利要求7所述的装置，其特征在于，所述特征传递模块，包括：
9.一种电子设备，其特征在于，包括：
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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一所述的方法。
