一种分类模型的训练方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例提供的一种分类模型的训练方法、装置、电子设备及存储介质，应用于信息技术领域，通过根据样本异质图生成样本异质图提取语义图并生成关系子图，根据关系子图得到待分类目标的分类结果，并计算当前损失，根据当前损失对待训练的异质图结构学习网络和待训练的图神经网络的参数同时进行调整，从而可以提高模型训练的效率。

【技术实现步骤摘要】
一种分类模型的训练方法、装置、电子设备及存储介质
本申请涉及信息
，特别是涉及一种分类模型的训练方法、装置、电子设备及存储介质。
技术介绍
异质图是指含有多种不同类型节点和关系的图，在现实中通过异质图往往更能体现待分类目标之间的关系。例如，在对电影和演员进行分类时，同一演员可能参演多部电影，同一电影也可能包括多个演员。然而，当前在对待分类目标的异质图的分类模型进行训练时，通过直接对异质图进行识别和待分类目标进行分类，由于异质图中各节点之间的关系往往比较复杂，而观测到的异质图结构常常不能很好地反映此种复杂关系，使得识别得到的待分类目标之间的特征往往有限，导致异质图分类模型在训练过程中，训练效率不高。
技术实现思路
本申请实施例的目的在于提供一种分类模型的训练方法、装置、电子设备及存储介质，用以解决异质图分类模型训练效率不高的问题。具体技术方案如下：本申请实施例的第一方面，首先提供了一种分类模型的训练方法，应用于待训练的分类模型，待训练的分类模型包括待训练的异质图结构学习网络和待训练的图神经网络，上述方法包本文档来自技高网...

【技术保护点】
1.一种分类模型的训练方法，其特征在于，应用于待训练的分类模型，所述待训练的分类模型包括待训练的异质图结构学习网络和待训练的图神经网络，所述方法包括：/n获取样本异质图中各节点的特征和各元路径的特征，其中，所述样本异质图为用于表征待分类目标之间关系的图；/n通过待训练的异质图结构学习网络，根据所述所述各节点的特征和所述各元路径的特征，生成所述样本异质图的特征相似度图和特征传播图，并进行聚合得到特征图；/n通过待训练的异质图结构学习网络，根据所述各元路径的特征，生成所述样本异质图的语义图；/n将所述特征图、所述语义图和所述样本异质图进行融合，得到关系子图；/n将所述关系子图输入待训练的图神经网络...

【技术特征摘要】
1.一种分类模型的训练方法，其特征在于，应用于待训练的分类模型，所述待训练的分类模型包括待训练的异质图结构学习网络和待训练的图神经网络，所述方法包括：
获取样本异质图中各节点的特征和各元路径的特征，其中，所述样本异质图为用于表征待分类目标之间关系的图；
通过待训练的异质图结构学习网络，根据所述所述各节点的特征和所述各元路径的特征，生成所述样本异质图的特征相似度图和特征传播图，并进行聚合得到特征图；
通过待训练的异质图结构学习网络，根据所述各元路径的特征，生成所述样本异质图的语义图；
将所述特征图、所述语义图和所述样本异质图进行融合，得到关系子图；
将所述关系子图输入待训练的图神经网络中，得到所述待分类目标的分类结果，并通过预设损失函数，计算当前损失；
根据所述当前损失对所述待训练的异质图结构学习网络和所述待训练的图神经网络的参数进行调整；
返回所述通过待训练的异质图结构学习网络，根据所述所述各节点的特征和所述各元路径的特征，生成所述样本异质图的特征相似度图和特征传播图，并进行聚合得到特征图的步骤继续执行，直至满足预设条件，得到训练好的异质图结构学习网络和图神经网络。


2.根据权利要求1所述的方法，其特征在于，所述通过待训练的异质图结构学习网络，根据所述所述各节点的特征和所述各元路径的特征，生成所述样本异质图的特征相似度图和特征传播图，并进行聚合得到特征图，包括：
通过待训练的异质图结构学习网络，对所述各节点的特征和所述各元路径的特征，进行异质特征提取和度量学习生成特征相似度图；
根据所述各节点的特征和所述各元路径的特征，通过拓扑结构传播特征相似度矩阵生成特征传播图；
对所述特征相似度图和所述特征传播图进行聚合得到特征图。


3.根据权利要求1所述的方法，其特征在于，所述通过待训练的异质图结构学习网络，根据所述各元路径的特征，生成所述样本异质图的语义图，包括：
通过待训练的异质图结构学习网络，根据所述各元路径的特征，生成对应各元路径的语义子图邻接矩阵；
对各所述语义子图邻接矩阵进行聚合得到语义图。


4.根据权利要求2所述的方法，其特征在于，所述将所述关系子图输入待训练的图神经网络中，得到所述待分类目标的分类结果，并通过预设损失函数，计算当前损失，包括：
将所述关系子图输入待训练的图神经网络中，得到所述待分类目标的分类结果；
根据所述分类结果并通过第一预设损失函数，计算所述待训练的异质图结构学习网络的损失；
根据所述分类结果并通过第二预设损失函数，计算所述待训练的图神经网络的损失；
对所述待训练的异质图结构学习网络的损失和所述待训练的图神经网络的损失进行求和，得到所述当前损失。


5.一种分类模型的训练装置，其特征在于，应用于待训练的分类模型，所述待训练的分类模型包括待训练的异质图结构学习网络和待训练的图神经网络，所述装置包括：
特征获取模块，用于获取样本异质图中各节点的特征和各元路径的特征，其中，所述样本异质图为用...

【专利技术属性】
技术研发人员：王啸，石川，赵健安，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11