本技术涉及大数据处理，具体而言，涉及一种基于多层次图变分推断的服务网络感知学习方法。
背景技术：
1、随着现代服务产业的发展，服务产业愈发复杂多样化，与第一产业（例如，农业、渔业等）和第二产业（例如，采矿业、制造业等）不再是简单的单向依赖关系，呈现复杂且耦合的相互作用关系，因此各种服务产业（例如，货物运输业、旅游业等）的服务网络开始逐步呈现全要素复杂化连接趋势，并且具有非欧几里得拓扑结构。其中，一个广义复杂服务网络可以包括服务站点、资源、供应站、用户、制造商、派送中心等节点元素，并通过众多节点要素之间的各种连接形式，共同构建了包含属性信息的服务网络拓扑结构。
2、在现今的数字化、复杂化的发展背景下，各种服务产业均存在大量多源、异构、冗余、稀疏的通用服务数据，大量数据的出现使传统模型驱动方法难以满足当今服务网络在感知、决策、规划、控制等环节处的数据处理需求。其中，信息感知任务属于服务网络执行各种下游任务（例如，智能决策任务、智能控制等）的基础前提，信息感知任务的感知质量好坏决定了各种下游任务的执行质量。
3、同时，因服务产业与第一产业和第二产业高度关联且信息耦合，对应服务网络实质存在服务实体节点的多样性、系统内部动力学的可变性以及各类大数据之间的多维关联性等固有系统特性，导致服务网络中各个网络节点之间具有非常复杂的相互作用特性，而技术进步、人类决策和政治社会政策变化等影响因素会进一步加剧相互作用特性的复杂衍变，不同影响因素可以单一作用，也可以相互耦合，造成了整个服务网络系统的复杂属性。因此，对当今服务网络来说，很难量化每种影响因素所导致的网络节点相互作用状况，难以对服务网络中各个网络节点之间的耦合相互作用关系进行有效感知，严重影响对应服务网络的下游任务执行质量。
技术实现思路
1、有鉴于此，本技术的目的在于提供一种基于多层次图变分推断的服务网络感知学习方法，能够对目标服务网络内部耦合的节点相互作用关系进行解耦和表征，以实现对目标服务网络内部复杂节点相互作用关系的精准感知，便于提升目标服务网络的下游任务执行质量。
2、为了实现上述目的，本技术实施例采用的技术方案如下：
3、第一方面，本技术提供一种基于多层次图变分推断的服务网络感知学习方法，所述方法包括：
4、获取目标服务网络的实际图结构数据；
5、调用与所述目标服务网络匹配的目标分层次图变分推断网络模型，基于所述实际图结构数据构建所述目标服务网络的实际分层隐空间图结构，并对所述实际分层隐空间图结构进行分层次相互作用学习，得到隐空间分层相互作用变量在所述实际分层隐空间图结构处的实际高斯分布参数，其中所述隐空间分层相互作用变量用于表示对应服务网络中各个网络节点之间的相互作用关系；
6、调用所述目标分层次图变分推断网络模型基于所述实际高斯分布参数进行重参数化处理，得到所述目标服务网络的与所述实际图结构数据匹配的实际隐空间分层相互作用变量数据。
7、在可选的实施方式中，所述方法还包括：
8、获取任意一种服务网络类型的图结构样本数据，并初始化待训练分层次图变分推断网络模型；
9、调用所述待训练分层次图变分推断网络模型基于所述图结构样本数据构建对应的样本分层隐空间图结构，并对所述样本分层隐空间图结构进行分层次相互作用学习，得到隐空间分层相互作用变量在所述样本分层隐空间图结构处的预估高斯分布参数；
10、调用所述待训练分层次图变分推断网络模型基于所述实际高斯分布参数进行重参数化处理，得到隐空间分层相互作用变量预估数据，并根据所述隐空间分层相互作用变量预估数据和所述预估高斯分布参数，计算所述待训练分层次图变分推断网络模型的实际损失函数值；
11、根据所述隐空间分层相互作用变量预估数据和所述实际损失函数值，以最小化目标损失函数为目的，对所述待训练分层次图变分推断网络模型进行反向传播训练，得到与该服务网络类型匹配的目标分层次图变分推断网络模型，其中所述目标损失函数为所述待训练分层次图变分推断网络模型的损失函数。
12、在可选的实施方式中，所述目标损失函数采用如下方程式进行表示：
13、；
14、其中，用于表示所述待训练分层次图变分推断网络模型在参数状态下的目标损失函数，用于表示所述待训练分层次图变分推断网络模型针对所述隐空间分层相互作用变量的变分下限，用于表示参数状态下的所述待训练分层次图变分推断网络模型，用于表示所述隐空间分层相互作用变量预估数据，用于表示关于所述隐空间分层相互作用变量预估数据的数学期望函数，用于表示所述图结构样本数据，用于表示所述图结构样本数据所包括的样本邻接矩阵，用于表示由所述隐空间分层相互作用变量预估数据对所述样本邻接矩阵的前向推断结果，用于表示相对熵求解函数，用于表示均值为0且标准差为1的高斯噪声，用于表示所述隐空间分层相互作用变量在所述预估高斯分布参数处的变量均值，用于表示所述隐空间分层相互作用变量在所述预估高斯分布参数处的变量标准差。
15、在可选的实施方式中，所述目标损失函数中的在模型训练过程中的自监督学习损失函数采用如下方程式进行表示：
16、；
17、其中，用于表示所述自监督学习损失函数，用于表示与所述图结构样本数据对应的服务网络处的网络节点总数目，用于表示对应服务网络中第个网络节点与第个网络节点在所述样本邻接矩阵中的节点连接关系，用于表示对应服务网络中第个网络节点与第个网络节点拓扑链接的链接预测概率，用于表示对应服务网络中第个网络节点在所述隐空间分层相互作用变量预估数据中的隐空间分层次相互作用特征，用于表示对应服务网络中第个网络节点在所述隐空间分层相互作用变量预估数据中的隐空间分层次相互作用特征，用于表示节点链接关系预测函数。
18、在可选的实施方式中，针对任意一个分层隐空间图结构，该分层隐空间图结构包括多层隐空间图结构，则对该分层隐空间图结构进行分层次相互作用学习，得到隐空间分层相互作用变量在该分层隐空间图结构处的高斯分布参数的步骤，包括：
19、针对所述隐空间分层相互作用变量在服从高斯分布时的变量均值和变量标准差中的每种参数类型，计算对应服务网络中每个网络节点及其邻居节点在各层隐空间图结构中与该参数类型匹配的层内相互作用注意力权重系数；
20、针对每层隐空间图结构，根据每个网络节点及其邻居节点在该隐空间图结构中与该参数类型匹配的层内相互作用注意力权重系数，和对应邻居节点在该隐空间图结构中的特征向量，计算每个网络节点在该隐空间图结构中与该参数类型匹配的跨层注意学习权值；
21、对所有网络节点在该隐空间图结构中与该参数类型匹配的跨层注意学习权值进行指数归一化处理，得到对应服务网络在该隐空间图结构处与该参数类型匹配的层次相互作用注意力权重矩阵；
22、根据对应服务网络在各层隐空间图结构处与该参数类型匹配的层次相互作用注意力权重矩阵，对各层隐空间图结构的特征矩阵进行加权求和运算，得到所述隐空间分层相互作用变量在所述分层隐空间图结构处与该参数类型匹配的参数统计量。
23、在可选的实施方式中，针对变量均值和变量标准差中的每种参数类型，对应服务网络中第个网络节点及其邻居节点在第层隐空间图结构中与该参数类型匹配的层内相互作用注意力权重系数采用如下式子进行计算：
24、；
25、其中，用于表示对应服务网络中第个网络节点与第个网络节点在第层隐空间图结构中与该参数类型匹配的层内相互作用注意力权重系数，用于表示由对应服务网络中第个网络节点的所有邻居节点构成的节点集合，用于表示指数函数，用于表示对应分层次图变分推断网络模型的与该参数类型匹配的第一模型权重矩阵，用于表示对应分层次图变分推断网络模型的与该参数类型匹配的第二模型权重矩阵，用于表示对应服务网络中第个网络节点在第层隐空间图结构处的特征向量，用于表示对应服务网络中第个网络节点在第层隐空间图结构处的特征向量。
26、在可选的实施方式中，针对变量均值和变量标准差中的每种参数类型，对应服务网络中第个网络节点在第层隐空间图结构中与该参数类型匹配的跨层注意学习权值采用如下式子进行计算：
27、；
28、其中，用于表示对应服务网络中第个网络节点在第层隐空间图结构中与该参数类型匹配的跨层注意学习权值，用于表示对应服务网络中第个网络节点与第个网络节点在第层隐空间图结构中与该参数类型匹配的层内相互作用注意力权重系数，用于表示第层隐空间图结构的注意力学习向量，用于表示双曲正切激活函数，用于表示由对应服务网络中第个网络节点的所有邻居节点构成的节点集合，用于表示对应分层次图变分推断网络模型的与该参数类型匹配的第三模型权重矩阵，用于表示对应服务网络中第个网络节点在第层隐空间图结构处的特征向量。
29、在可选的实施方式中，针对变量均值和变量标准差中的每种参数类型，对应服务网络在第层隐空间图结构处与该参数类型匹配的层次相互作用注意力权重矩阵采用如下方程计算得到：
30、；
31、其中，用于表示对应服务网络在第层隐空间图结构处与该参数类型匹配的层次相互作用注意力权重矩阵，用于表示对应服务网络的网络节点总数目，用于表示对应服务网络的第个网络节点在第层隐空间图结构的与该参数类型匹配的层次相互作用注意力权重矩阵中的层次相互作用注意力权重值，用于表示对应服务网络中第个网络节点在第层隐空间图结构中与该参数类型匹配的跨层注意学习权值，用于表示指数函数。
32、在可选的实施方式中，基于所述隐空间分层相互作用变量的高斯分布参数的重参数化操作采用如下式子进行表示：
33、；
34、其中，用于表示所述隐空间分层相互作用变量的重参数化结果，用于表示所述隐空间分层相互作用变量在服从高斯分布时的变量均值，用于表示所述隐空间分层相互作用变量在服从高斯分布时的变量标准差，用于表示随机高斯噪声。
35、在可选的实施方式中，任一分层次图变分推断网络模型由一个特征学习编码器、一个分层次相互作用学习模块和一个生成解码器组成；
36、所述特征学习编码器用于实现分层隐空间图结构创建功能；
37、所述分层次相互作用学习模块用于对所述特征学习编码器构建出的分层隐空间图结构进行分层次相互作用学习，其中所述分层次相互作用学习模块包括与层内相互作用注意学习操作对应的层内注意学习单元，以及与跨层相互作用注意学习操作对应的跨层注意学习单元；
38、所述生成解码器用于对所述分层次相互作用学习模块得到的关于隐空间分层相互作用变量的高斯分布参数进行重参数化处理。
39、在此情况下，本技术实施例的有益效果可以包括以下内容：
40、本技术调用与目标服务网络匹配的目标分层次图变分推断网络模型，基于该目标服务网络的实际图结构数据构建适配的实际分层隐空间图结构，并对该实际分层隐空间图结构进行分层次相互作用学习，得到隐空间分层相互作用变量在该实际分层隐空间图结构处的实际高斯分布参数，而后基于实际高斯分布参数进行重参数化处理，得到目标服务网络的与实际图结构数据匹配的实际隐空间分层相互作用变量数据，以便通过实际隐空间分层相互作用变量数据有效表征目标服务网络中每个网络节点与其他网络节点的实际相互作用关系状况，从而完成对目标服务网络内部耦合的节点相互作用关系的有效解耦和表征，实现对目标服务网络内部复杂节点相互作用关系的精准感知，便于提升目标服务网络的下游任务执行质量。
41、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
1.一种基于多层次图变分推断的服务网络感知学习方法，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，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述目标损失函数采用如下方程式进行表示：
4.根据权利要求3所述的方法，其特征在于，所述目标损失函数中的在模型训练过程中的自监督学习损失函数采用如下方程式进行表示：
5.根据权利要求1-4中任意一项所述的方法，其特征在于，针对任意一个分层隐空间图结构，该分层隐空间图结构包括多层隐空间图结构，则对该分层隐空间图结构进行分层次相互作用学习，得到隐空间分层相互作用变量在该分层隐空间图结构处的高斯分布参数的步骤，包括：
6.根据权利要求5所述的方法，其特征在于，针对变量均值和变量标准差中的每种参数类型，对应服务网络中第个网络节点及其邻居节点在第层隐空间图结构中与该参数类型匹配的层内相互作用注意力权重系数采用如下式子进行计算：
7.根据权利要求5所述的方法，其特征在于，针对变量均值和变量标准差中的每种参数类型，对应服务网络中第个网络节点在第层隐空间图结构中与该参数类型匹配的跨层注意学习权值采用如下式子进行计算：
8.根据权利要求5所述的方法，其特征在于，针对变量均值和变量标准差中的每种参数类型，对应服务网络在第层隐空间图结构处与该参数类型匹配的层次相互作用注意力权重矩阵采用如下方程计算得到：
9.根据权利要求1-4中任意一项所述的方法，其特征在于，基于所述隐空间分层相互作用变量的高斯分布参数的重参数化操作采用如下式子进行表示：
10.根据权利要求1-4中任意一项所述的方法，其特征在于，任一分层次图变分推断网络模型由一个特征学习编码器、一个分层次相互作用学习模块和一个生成解码器组成；
