【技术实现步骤摘要】
模型训练方法、调用方法、装置、计算机设备和存储介质
本申请涉及人工智能领域，尤其涉及一种模型训练方法、调用方法、装置、计算机设备和存储介质。
技术介绍
图结构数据是一种包含节点和边的数据，图神经网络是深度学习在图结构数据上的一个分支。现在许多学习任务在处理图结构数据，需要通过图神经网络模型学习和提取图结构数据的特征信息。现有的一般是通过有监督的机器学习方法对图神经网络模型进行学习和训练，需要使用大量人工添加标签的图结构数据。但是在大多数情况下，很难获得大量携带标签的图结构数据，导致有监督的机器学习方法很难体现出强大的学习能力，从而降低了图神经网络模型的训练效率。因此如何提高图神经网络模型的训练效率成为亟需解决的问题。
技术实现思路
本申请提供了一种模型训练方法、调用方法、装置、计算机设备和存储介质，通过自动对目标图结构数据和对照图结构数据添加标签并输入图神经网络模型进行预训练，提高了图神经网络模型的训练效率，并使得训练后的图神经网络模型具有较高的泛化性。第一方面，本申请提供了一种模...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：/n获取第一数据集，其中，所述第一数据集包括目标图结构数据对应的第一节点信息和第一属性标签；/n确定所述目标图结构数据对应的对照图结构数据；/n根据所述对照图结构数据确定第二数据集，其中，所述第二数据集包括所述对照图结构数据对应的第二节点信息和第二属性标签；/n加载待训练的图神经网络模型，根据所述第一数据集与所述第二数据集对所述图神经网络模型进行迭代训练，直至所述图神经网络模型收敛。/n
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
获取第一数据集，其中，所述第一数据集包括目标图结构数据对应的第一节点信息和第一属性标签；
确定所述目标图结构数据对应的对照图结构数据；
根据所述对照图结构数据确定第二数据集，其中，所述第二数据集包括所述对照图结构数据对应的第二节点信息和第二属性标签；
加载待训练的图神经网络模型，根据所述第一数据集与所述第二数据集对所述图神经网络模型进行迭代训练，直至所述图神经网络模型收敛。
2.根据权利要求1所述的模型训练方法，其特征在于，所述目标图结构数据包括多个节点；所述确定所述目标图结构数据对应的对照图结构数据，包括：
基于预设的删除比例值，对所述目标图结构数据中的多个节点进行删除，得到所述目标图结构数据对应的所述对照图结构数据。
3.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述对照图结构数据确定第二数据集，包括：
对所述对照图结构数据进行向量化，得到所述对照图结构数据对应的节点特征向量；
将所述节点特征向量与所述对照图结构数据的邻接矩阵，确定为所述第二节点信息，其中，所述邻接矩阵用于表示所述对照图结构数据中的各节点之间的连接关系；
获取根据所述对照图结构数据的属性类型生成的所述第二属性标签；
根据所述第二节点信息与所述第二属性标签，确定所述第二数据集。
4.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述第一数据集与所述第二数据集对所述图神经网络模型进行迭代训练之前，还包括：
根据所述第一数据集或所述第二数据集确定一个锚点数据；
从所述锚点数据所在的所述第一数据集/所述第二数据集选取一个正样本数据，以及从所述锚点数据不在的所述第二数据集/所述第一数据集选取至少一个负样本数据；
根据所述正样本数据与所述至少一个负样本数据，确定每一轮训练的训练样本数据；
所述根据所述第一数据集与所述第二数据集对所述图神经网络模型进行迭代训练，直至所述图神经网络模型收敛，包括：
将当前轮训练样本数据输入所述图神经网络中进行节点信息更新，得到所述当前轮训练样本数据对应的多个图特征向量；
根据所述当前轮训练样本数据对应的多个图特征向量与所述锚点数据对应的特征向量，确定损失函数值；
若所述损失函数值大于预设的损失值阈值，则调整所述图神经网络模型的参数，并进行下一轮训练，直至得到的损失函数值小于或等于所述损失值阈值，结束训练，得到训练后的所述图神经网络模型，其中，训练后的所述图神经网络模型存储在区块链中。
5.根据权利要求4所述的模型训练方法，其特征在于，所述图特征向量包括所述正样本数据对应的第一图特征向量和多个所述负样本数据对应的第二图特征...
【专利技术属性】
技术研发人员：王俊，李朋勇，高鹏，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。