(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 202211507953.8 (22)申请日 2022.11.29 (71)申请人 支付宝 （杭州） 信息技 术有限公司 地址 310000 浙江省杭州市西湖区西溪路 556号8层B段801-1 1 (72)发明人 赵闻飙　朱亮　田胜　但家旺　 (74)专利代理 机构 北京亿腾知识产权代理事务 所(普通合伙) 11309 专利代理师 陈霁　周良玉 (51)Int.Cl. G06N 3/08(2006.01) G06N 3/04(2006.01) G06Q 20/40(2012.01) (54)发明名称 训练图生 成网络、 训练图神经网络的方法及 装置 (57)摘要 本说明书实施例提供一种训练图生成网络、 训练图神经网络的方法及装置， 该方法包括： 获 取从原始关系图中提取的第一子图， 其中各样本 节点对应各样本用户， 样本用户包括至少一个风 险用户， 边表示各样本用户之间的关联关系； 获 取扰动节 点集， 其中包括由正常用户构成的目标 节点， 及目标节点的邻居节点； 利用图生成 网络， 处理第一子图和扰动节点集， 生成第一子图中至 少一个样 本节点和目标节点之间的预测边， 通过 在第一子图上添加扰动节点集， 并用预测边连接 至少一个样本节点和目标节点， 构成第二子图； 利用图判别网络， 预测第二子图为原始子图的第 一概率； 以最大化第一概率为目标， 训练图生成 网络。 权利要求书2页 说明书12页 附图4页 CN 115545189 A 2022.12.30 CN 115545189 A 1.一种训练图生成网络的方法， 包括： 获取从原始关系图中提取的第一子 图， 其中各样本节点对应各样本用户， 所述样本用 户包括至少一个风险用户， 边表示各样本用户之间的关联关系； 获取扰动节点 集， 其中包括由正常用户构成的目标节点， 以及目标节点的邻居节点； 利用图生成网络， 处理所述第一子 图和所述扰动节点集， 生成所述第一子 图中至少一 个样本节点和所述 目标节点之间的预测 边， 通过在所述第一子图上添加所述扰动节点集， 并用所述预测边连接所述至少一个样本节点和所述目标节点， 构成第二子图； 利用图判别网络， 预测所述第二子图为原 始子图的第一 概率； 以最大化所述第一 概率为目标， 训练所述图生成网络 。 2.如权利要求1所述的方法， 还 包括： 利用所述图判别网络， 预测所述第一子图为原 始子图的第二 概率； 以最小化所述第一 概率， 最大化所述第二 概率为目标， 训练所述图判别网络 。 3.如权利要求1所述的方法， 其中， 所述关联关系包括如下关系之一： 交易关系、 社交关 系、 转账关系。 4.如权利要求1所述的方法， 其中， 所述获取扰动节点 集， 包括： 从预设的白名单库中， 随机选取正常用户， 构 成所述目标节点， 所述白名单库用于记录 经过确认的正常用户； 在所述原 始关系图中， 确定出 所述目标节点对应的邻居节点。 5.如权利要求1所述的方法， 其中， 所述图生成网络包括第一聚合层和边预测层； 所述生成所述第一子图中至少一个样本节点和所述目标节点之间的预测边， 包括： 利用所述第一聚合层， 对所述第一子 图中各样本节点进行表征聚合， 得到各个样本节 点的第一聚合表征， 根据所述邻居节点对所述目标节点进行表征聚合， 得到第二聚合表征； 利用所述边预测层， 基于各第一聚合表征和所述第二聚合表征， 确定各个样本节点分 别与所述目标节点进行 连接的连接概 率； 基于各连接概率， 生成至少一个样本节点和所述目标节点之间的预测边。 6.如权利要求5所述的方法， 其中， 所述基于各连接概率， 生成至少一个样本节点和所 述目标节点之间的预测边， 包括： 若连接概率大于预设概率阈值， 针对该连接概率对应的样本节点和所述目标节点， 生 成预测边。 7.如权利要求5所述的方法， 所述图生成网络还 包括边表征生成层； 所述方法还 包括： 针对所述至少一个样本节点中的各样本节点， 利用所述边表征生成层， 根据该样本节 点的第一聚合表征和所述第二聚合表征， 确定该样本节点与所述目标节点之间的预测边的 边预测表征。 8.如权利要求1所述的方法， 其中， 所述图判别网络包括第二聚合层和分类层； 所述预测所述第二子图为原 始子图的第一 概率， 包括： 利用所述第二聚合层， 对所述第二子 图中各节点进行表征聚合， 得到各节点的第三聚 合表征； 利用各节点的第三聚合表征， 确定所述第二子图的综合表征； 利用所述分类层处 理所述综合表征， 确定所述第一 概率。 9.如权利要求8所述的方法， 其中， 所述确定所述第二子图的综合表征， 包括：权　利　要　求　书 1/2 页 2 CN 115545189 A 2从所述各节点中确定出中心节点， 将所述中心节点的第三聚合表征， 确定为所述综合 表征； 或 对各节点的第三聚合表征进行聚合， 得到所述综合表征。 10.如权利要求9所述的方法， 其中， 所述对各节点的第三聚合表征进行聚合， 包括： 对各节点的第三聚合表征以及所述第二子图中各边的边表征进行聚合。 11.一种训练图神经网络的方法， 包括： 获取从原始关系图中提取的原始子 图， 其中各样本节点对应各样本用户， 所述样本用 户包括至少一个风险用户， 边表示各样本用户之间的关联关系； 获取扰动节点 集， 其中包括由正常用户构成的目标节点， 以及目标节点的邻居节点； 利用训练好的图生成网络， 处理所述原始子 图和所述扰动节点集， 生成所述原始子 图 中至少一个样本节点和所述目标节点之 间的预测边， 通过在所述原始子图上添加所述扰动 节点集， 并用所述预测边连接所述至少一个样本节点和所述目标节点， 构成扰动子图； 利用所述扰动子 图和所述原始子 图的标签， 训练目标图神经网络， 其用于识别输入子 图中指定节点对应的用户是否为 风险用户。 12.一种训练图生成网络的装置， 包括： 第一获取模块， 配置为获取从原始关系图中提取的第一子 图， 其中各样本节点对应各 样本用户， 所述样本用户包括至少一个风险用户， 边表示各样本用户之间的关联关系； 第二获取模块， 配置为获取扰动节点集， 其中包括由正常用户构 成的目标节点， 以及目 标节点的邻居节点； 第一处理生成模块， 配置为利用图生成网络， 处理所述第 一子图和所述扰动节点集， 生 成所述第一子图中至少一个样本节点和所述目标节点之 间的预测边， 通过在所述第一子图 上添加所述扰动节点集， 并用所述预测 边连接所述至少一个样本节点和所述 目标节点， 构 成第二子图； 第一预测模块， 配置为利用图判别网络， 预测所述第二子图为原 始子图的第一 概率； 第一训练模块， 配置为以最大化所述第一 概率为目标， 训练所述图生成网络 。 13.一种训练图神经网络的装置， 包括： 第三获取模块， 配置为获取从原始关系图中提取的原始子 图， 其中各样本节点对应各 样本用户， 所述样本用户包括至少一个风险用户， 边表示各样本用户之间的关联关系； 第四获取模块， 配置为获取扰动节点集， 其中包括由正常用户构 成的目标节点， 以及目 标节点的邻居节点； 第二处理生成模块， 配置为利用训练好的图生成网络， 处理所述原始子 图和所述扰动 节点集， 生成所述原始子图中至少一个样本节点和所述 目标节点之间的预测 边， 通过在所 述原始子图上添加所述扰动节点集， 并用所述预测边连接所述至少一个样本节点和所述目 标节点， 构成扰动子图； 第二训练模块， 配置为利用所述扰动子 图和所述原始子 图的标签， 训练目标图神经网 络， 其用于识别输入子图中指定节点对应的用户是否为 风险用户。 14.一种计算设备， 包括存储器和处理器， 其中， 所述存储器中存储有可执行代码， 所述 处理器执行所述可执行代码时， 实现权利要求1 ‑11中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115545189 A 3