(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 202210573996.X (22)申请日 2022.05.25 (71)申请人 清华大学 地址 100084 北京市海淀区清华园1号 (72)发明人 段一平　陶晓明　李明哲　赵梓淇　 (74)专利代理 机构 北京润泽恒知识产权代理有 限公司 1 1319 专利代理师 苟冬梅 (51)Int.Cl. G06F 40/30(2020.01) G06N 3/08(2006.01) (54)发明名称 基于目标-属性-关系的对抗场景语义分析 方法以及装置 (57)摘要 本申请提供一种基于目标 ‑属性‑关系的对 抗场景语义 分析方法以及装置， 属于数据处理的 领域。 所述方法包括： 对获取得到的待分析的对 抗场景的初始数据进行预处理， 得到标注在图数 据结构中的三元组数据， 将三元 组数据输入预先 训练好的分析模 型中， 以确定待分析的对抗场景 的语义信息分析结果； 分析模型包括设置有执行 优先级的多个算符网络， 多个算符网络分别用于 分析不同类型的关系； 任一算符网络的处理结果 包括： 在该算符网络对应的关系类型中， 所有节 点对各自的真实关系， 以及真实关系的置信度与 描述值； 根据所有算符网络的处理结果更新后的 图数据结构表征待分析的对抗场景的语义信息 分析结果。 本申请旨在旨在提高对抗场景分析结 果的准确性。 权利要求书3页 说明书14页 附图2页 CN 114818734 A 2022.07.29 CN 114818734 A 1.一种基于目标 ‑属性‑关系的对抗场景语义分析 方法， 其特 征在于， 所述方法包括： 对获取得到的待分析的对抗场景的初始数据进行预处理， 得到标注在图数据 结构中的 三元组数据， 所述三元组数据包括： 多个目标节 点、 各个目标节点各自的属性以及目标节 点 之间的预测关系； 将所述三元组数据输入预先训练好的分析模型中， 以确定所述待分析的对抗场景的语 义信息分析 结果； 所述分析模型包括设置有执行优先级的多个算符网络， 所述多个算符网络分别用于分 析不同类型的关系； 任一算符网络的处理过程包括： 根据自身处理的关系类型， 从所述多个目标节点中选 出符合该关系类型 的所有节点对， 确定所有节点对各自的处理数据； 对所有节点对的处理 数据进行处理， 并根据处理得到的处理结果对所述图数据结构中的标注进 行更新； 其中， 优 先级在后的算符网络对应的节点对的处理数据中包括优先级在前的算符网络的处理结果， 任一算符网络的所述处理结果包括： 在该算符网络对应的关系类型中， 所有节点对各自的 真实关系， 以及所述真实关系的置信度与描述 值； 根据所有算符网络的处理结果更新后的所述图数据结构表征待分析的对抗场景的语 义信息分析 结果。 2.根据权利要求1所述的方法， 其特征在于， 所述各个目标节点各自的属性包括静态属 性与动态属性， 部分算符网络的所述处 理结果还 包括目标节点的动态属性； 根据处理得到的处 理结果对所述图数据结构中的标注进行 更新， 包括： 将部分算符网络处理得到的目标节点的动态属性发送给所述待分析的对抗场景中的 多个目标节点， 并更新所述多个目标节点各自的动态属性。 3.根据权利要求1所述的方法， 其特 征在于， 所述分析模型的训练过程包括以下步骤： 获取模拟 样本， 对单个算符网络进行 预训练； 获取真实标注 的样本， 对所有经过预训练的单个算符网络进行联合训练， 得到所述分 析模型。 4.根据权利要求3所述的方法， 其特征在于， 获取模拟样本， 对单个算符网络进行预训 练， 包括： 对获取得到的表述同一类型关系的模拟样本进行预处理， 得到标注在图数据 结构中的 样本三元组数据， 所述样本三元组数据包括： 多个目标样 本节点、 多个目标样本节点各自对 应的属性、 目标样本节点之间的真实关系； 单个算符网络包括数据整理模块与数据处 理模块， 其中： 所述数据整理模块， 确定所述多个目标样本节点中任意一组头尾节点对的处理数据， 包括样本头节点的属性、 样 本尾节点的属性、 样本头节点的邻居关系、 样本尾节点的邻居关 系、 样本头节点‑样本尾节点的关系 、 样本尾节点 ‑样本头节点的关系； 所述数据处 理模块， 包括： 特征提取网络， 提取头尾节点特征、 头节点邻居特征集合、 尾节点邻居特征集合、 头节 点指向尾节点关系的特 征集合、 尾节点指向头节点关系的特 征集合； 特征变换网络， 根据所述头尾节点特征分别对所述头节点邻居特征集合、 所述尾节点 邻居特征集合、 所述头节点指向尾节点关系的特征集合、 所述尾节点指向头节点关系的特权　利　要　求　书 1/3 页 2 CN 114818734 A 2征集合进行变换； 特征综合网络， 对所述特 征变换网络的输出进行平均 与延展处 理； 结果输出网络， 根据所述特征综合网络的输出， 确定单个算符网络的输出结果并标注 在图数据结构中， 所述输出 结果包括： 该关系类型的置信度、 描述 值以及动态属性； 基于结果输出网络的输出 结果， 进行 单个算符网络的参数的更新。 5.根据权利要求4所述的方法， 其特征在于， 获取真实标注的样本， 对所有经过预训练 的单个算符网络进行 联合训练， 得到所述分析模型， 包括： 对所有经 过预训练的单个算符网络划分执 行优先级； 获取标注有多种类型关系的真实样本并进行预处理， 得到标注在图数据 结构中的真实 三元组数据， 所述真实三元组数据包括多个目标真实样本节点、 多个目标真实样本节点各 自对应的属性、 目标真实样本节点之间的真实关系； 优先级在前的算符网络， 对自身对应的所有节点对各自的处理数据进行处理， 得到输 出结果并标注在图数据结构中； 优先级在后的算符网络， 根据自身所处理 的关系类型以及基于所有优先级在先的算符 网络的输出结果， 确定所有符合该关系类型 的节点对各自的处理数据进行处理， 得到输出 结果并标注在图数据结构中； 基于最后优先级的单个算符网络的输出 结果进行模型参数的更新。 6.根据权利要求4所述的方法， 其特征在于， 对单个算符网络进行训练时， 采用联合优 化的方式： 所述结果输出网络包括置信度输出网络和描述值输出网络， 所述置信度输出网络的损 失为LBCE， conf， 所述描述 值输出网络的损失为 LMSE， edge， 所述单个算符网络的损失函数为： Lall＝ λ1LBCE， conf+λ2LMSE， edge 基于结果输出网络的输出 结果， 进行 单个算符网络的参数的更新， 包括： 基于所述单个算符网络的损失函数的值， 进行 单个算符网络的参数的更新。 7.根据权利要求4或5所述的方法， 其特征在于， 对于任一算符网络， 得到输出结果并标 注在图数据结构， 包括： 对任一算符网络得到的输出 结果中的置信度一 一进行判断； 保留置信度大于预设阈值的关系， 并将该关系的置信度与关系 描述值标注在图数据 结 构中； 删除置信度小于等于预设阈值的关系。 8.根据权利要求5所述的方法， 其特征在于， 在联合训练中， 得到输出结果并标注在图 数据结构中， 包括： 优先级在先的算符网络的所述结果输出网络输出各个样本头尾节点关系的置信度后， 将该置信度作为该关系存在的概 率值； 在优先级在后的算符网络执行过程中， 进行n次采样， 对于优先级在后的算符A， 第i次 得到的confi， A， 真实值α， 其中， 当该关系真实存在时， α ＝1， 否则α ＝0； 记该次采样中所使用 到的关系r的示性函数为I(r)， 若关系r真实存在I(r)＝1， 否则 I(r)＝0； 关系r的半监督的 置信度值co nfr的计算公式如下：权　利　要　求　书 2/3 页 3 CN 114818734 A 3