基于图神经网络的搜索关键词语义扩展方法与流程

本发明涉及图神经网络及多语言语义处理，尤其是基于图神经网络的搜索关键词语义扩展方法。

背景技术：

1、随着数字化搜索需求与全球信息流通的高速发展，跨语言与多语言语境下的关键词语义扩展成为信息检索、智能搜索和自然语言处理领域的关键技术难题。目前，基于图神经网络（gnn）的语义建模方法已经成为主流，其通过图结构对关键词、实体及其关联关系进行建模，并利用节点间的消息传递机制实现语义信息的聚合与扩展。这类方法可充分捕捉语义网络中的结构化信息，被广泛应用于知识图谱补全、多语言信息检索和语义相似度计算等典型场景。

2、现有的图神经网络多以静态图结构为基础，对各语言中的关键词、实体及关系进行统一建模，并通过多轮消息传递实现语义特征的增强和传播。例如，主流的gcn（graphconvolutionalnetwork）、gat（graphattentionnetwork）以及r-gcn（relationalgcn）均采用固定的图拓扑，节点特征或关系权重随模型训练而逐步优化。这些方法普遍假设语义关系网络在模型训练或服务周期内保持相对稳定，且对多语言语义的演变仅通过特征层面的批量更新加以处理。部分已知方法尝试将多语言信息通过迁移学习方式引入单一语义空间，实现跨语言语义对齐，但大多依赖静态的跨语言映射表、平行语料或实体链接，无法有效捕捉多语言场景下随时间、上下文变化而出现的细粒度语义漂移现象。

3、在实际应用中，尤其是面向多语言搜索场景，存在如下技术不足和挑战：首先，静态图结构的设计对于动态变化的语义关系缺乏适应性，当某一语言环境中的关键词语义随社会热点、流行用法、专业知识更新而发生剧烈漂移、或不同语言间的语义链接强度经时序演变后趋于不稳定时，现有gnn模型的扩展能力和语义对齐效果明显下降。其次，单纯通过重复更新节点特征或周期性重构图结构将引入高计算开销、服务延迟和在线应用的不确定性，难以满足实时搜索场景下的低延迟和高并发要求。另外，主流技术较少区分不同语言子图内部的实时语义动荡与跨语言间语义的稳定映射，在高动态性语境下易造成主导语言信号的过度干扰，导致非主流语言的扩展能力不足，多语言结果不均衡甚至偏离真实用户意图。此外，现有方案对动态语义变化的追踪和调控过程缺乏可解释支持，无法对每轮语义传播中各语言的具体影响来源与时间窗口进行有效溯源，影响模型的可信度和可控性。

4、上述现象表明，当前基于静态图结构的图神经网络多语言语义扩展方法在面对动态变化的语义关系与多语言环境时，难以实现高效、准确且公平的语义传播调控，存在语义扩展灵活性不足、主导语言干扰严重、动态适应能力差及结果可解释性弱等突出技术短板。行业亟需一种能够结合时序动态特征、按语言与时间维度精细化调控语义传播路径的新型方法，在不引入高昂计算开销及不改动底层图拓扑结构的前提下，实现多语言语义关系的动态建模与细粒度调控，从而提升搜索关键词扩展的多语言适应性、扩展平衡性和结果可信性，为智能搜索与知识服务系统提供坚实的技术支撑。

技术实现思路

1、本技术提供基于图神经网络的搜索关键词语义扩展方法，旨在解决上述背景技术中提到的现有技术存在的问题或问题之一。

2、本技术提供的基于图神经网络的搜索关键词语义扩展方法，具体包括：

3、获取多语言搜索请求中的关键词标识及当前语言类型，提取历史语义向量序列及时间戳，生成节点状态集合。

4、基于所述节点状态集合，利用滑动窗口量化各语言语料中的语义漂移幅度，结合跨语言平行语料库统计共现稳定性得分，生成评估信号组。

5、根据所述评估信号组及当前语言类型，执行时序感知门控构建，生成门控系数矩阵。

6、将所述门控系数矩阵输入至图神经网络，对邻域节点消息进行加权聚合，依据稀疏门控系数调整各语言子图节点间的传播权重，生成节点语义向量。

7、针对所述节点语义向量，启动双通道验证机制，利用经多语言链接验证的强关联边在辅助通道执行延迟传播计算，校准主通道中非主导语言节点的更新步长，生成校准后节点语义向量。

8、基于所述校准后节点语义向量，存入环形缓存并施加时间衰减因子，生成更新后语义状态库。

9、对各语言子图进行一致性评估，若某子图节点语义向量变化率低于阈值且与主语言子图语义距离持续扩大，则触发局部重传播指令。

10、响应所述重传播指令，仅对该子图内跳距小于等于预设值的节点重新注入上下文语义锚点并执行二次消息聚合，输出关键词结果集。

11、本技术提供的基于图神经网络的搜索关键词语义扩展方法，具有以下有益效果：

12、（1）针对现有跨语言语义传播方法中普遍存在的语义漂移不可控、多语言响应不均衡以及动态适应能力弱的问题，本方案通过引入语言门控评估单元与稀疏门控机制，在不改变图结构的前提下实现了对消息传递过程的精细化调控。该机制基于搜索请求语言标识、关键词语义漂移幅度及跨语言共现稳定性等多维信号，动态生成边级传播权重系数，有效抑制了在低资源或语义不稳定语言路径上的噪声扩散，显著提升了关键语义信息在主导语言与非主导语言间的传播准确性与一致性。相较于传统均匀传播或静态加权策略，本方法能够自适应地聚焦于语义可靠且上下文相关的语言通道，大幅降低因语言异质性导致的推荐偏差，尤其在处理新兴表达、多义词跨语言映射等复杂场景时表现出更强的鲁棒性与判别力。

13、（2）为进一步增强语义演化过程的时间敏感性与历史依赖建模能力，本方案设计了语言演化记忆缓存机制与双通道传播验证架构，构建了一个兼具时效感知与误差校正功能的闭环传播体系。环形缓存结合时间衰减因子，使节点语义更新能优先参考近期高置信度状态，避免陈旧语义干扰当前查询意图的理解；而主辅双通道协同机制则通过延迟传播与跨语言强关联锚定，为非主导语言节点提供外部校准信号，有效缓解了因训练数据稀疏导致的表征退化问题。在此基础上，一致性评估与局部重传播机制进一步保障了各语言子图在迭代收敛过程中语义演化的协调性，防止局部过早收敛造成的信息丢失。整套机制在无需引入额外图学习参数或构建动态图模型的情况下，实现了对多语言语义空间的高效、稳定、可解释优化，计算开销控制在单次传播耗时8%以内，满足大规模搜索引擎对低延迟响应与高服务可用性的严苛要求。

14、（3）本方案所有新增组件均以轻量级插件形式嵌入现有图神经网络传播层，兼容gcn、gat、r-gcn等多种主流架构，具备良好的系统集成性与技术延展性。门控决策过程全程可追溯至具体的语言类型与时间窗口数据，为多语言结果排序提供了清晰的归因路径，显著增强了推荐系统的透明度与公平性。特别在校园足球等强调资源多样性和文化包容性的应用场景中，该方法可有效支撑校内外多语言体育教育资源的精准匹配与高效对接，克服传统模型在冷启动、兴趣窄化与语言偏见方面的局限，实现相关性、多样性与多语言公平性的协同提升。整体技术路径兼顾性能增益与工程可行性，形成了一套适用于在线搜索服务的可持续演进的多语言语义理解框架。

15、综上所述，本发明通过融合语言感知门控、时序记忆缓存与双通道验证机制，构建了面向多语言环境的高精度、低延迟、强可解释语义传播体系，在提升跨语言检索质量的同时，切实解决了现有技术中语义漂移严重、非主导语言响应不足、动态适应能力差等核心痛点，具有显著的技术进步性与广泛的应用推广价值。