【技术实现步骤摘要】
图神经网络训练方法、系统、计算机设备及存储介质
本专利技术涉及人工智能
,尤其涉及一种图神经网络训练方法、系统、计算机设备及存储介质。
技术介绍
近年来,在推荐系统中图神经网络技术的应用日益广泛。基于图神经网络对推荐系统进行建模方法一般是将用户和推荐项目均作为节点嵌入图中,用户和其感兴趣的项目之间连接。图结构中的每个节点的特征由一特征向量描述,在图神经网络的训练过程中该特征向量被不断优化直至收敛。然而传统的图神经网络在训练时需要完整的图结构信息,在推荐系统中则需要训练方会收集各用户端的用户偏好信息作为训练样本,而这些信息中包含了用户的个人隐私,容易出现用户隐私泄露的安全性问题。
技术实现思路
本专利技术实施例提供一种图神经网络训练方法、系统、计算机设备及存储介质,以解决现有图神经网络训练流程中,无法保证用户个人隐私的安全性问题。一种图神经网络训练方法,应用在图神经网络训练系统中;所述图神经网络训练系统包括多个用户端以及一个训练端;所述图神经网络训练方法包括如下步骤:通过所述训练端初始化图神经网络的网络参数;其中,所述网络参数包括用户节点对应的第一特征、全局推荐项目对应的第二特征以及所述用户节点与对应的目标推荐项目之间的连接权值;所述目标推荐项目为所述全局推荐项目中与所述用户节点具有连接关系的推荐项目;所述第二特征包括目标推荐项目对应的目标特征以及非目标推荐项目对应的非目标特征;通过所述训练端将所述网络参数发送至与所述用户节点对应的用户端,以使所述用户端根据所述 ...
【技术保护点】
1.一种图神经网络训练方法,其特征在于,应用在图神经网络训练系统中,所述图神经网络训练系统包括多个用户端以及一个训练端;所述图神经网络训练方法包括:/n通过所述训练端初始化图神经网络的网络参数;其中,所述网络参数包括用户节点对应的第一特征、全局推荐项目对应的第二特征以及所述用户节点与对应的目标推荐项目之间的连接权值;所述目标推荐项目为所述全局推荐项目中与所述用户节点具有连接关系的推荐项目;所述第二特征包括目标推荐项目对应的目标特征以及非目标推荐项目对应的非目标特征;/n通过所述训练端将所述网络参数发送至与所述用户节点对应的用户端,以使所述用户端根据所述网络参数和预先构建的本地子图训练本地的图神经网络,得到真实梯度;其中,所述真实梯度包括所述第一特征、所述目标特征以及所述连接权值对应的真实梯度;/n通过所述用户端生成所述非目标特征的随机伪梯度,并将所述随机伪梯度与所述真实梯度作为所述用户端对应的局部梯度发送至所述训练端;/n通过所述训练端对接收到的各用户端发送的所述局部梯度进行梯度聚合,得到所述网络参数对应的聚合梯度,并将所述聚合梯度返回至对应的用户端,以使用户端根据所述聚合梯度更新本地 ...
【技术特征摘要】
1.一种图神经网络训练方法,其特征在于,应用在图神经网络训练系统中,所述图神经网络训练系统包括多个用户端以及一个训练端;所述图神经网络训练方法包括:
通过所述训练端初始化图神经网络的网络参数;其中,所述网络参数包括用户节点对应的第一特征、全局推荐项目对应的第二特征以及所述用户节点与对应的目标推荐项目之间的连接权值;所述目标推荐项目为所述全局推荐项目中与所述用户节点具有连接关系的推荐项目;所述第二特征包括目标推荐项目对应的目标特征以及非目标推荐项目对应的非目标特征;
通过所述训练端将所述网络参数发送至与所述用户节点对应的用户端,以使所述用户端根据所述网络参数和预先构建的本地子图训练本地的图神经网络,得到真实梯度;其中,所述真实梯度包括所述第一特征、所述目标特征以及所述连接权值对应的真实梯度;
通过所述用户端生成所述非目标特征的随机伪梯度,并将所述随机伪梯度与所述真实梯度作为所述用户端对应的局部梯度发送至所述训练端;
通过所述训练端对接收到的各用户端发送的所述局部梯度进行梯度聚合,得到所述网络参数对应的聚合梯度,并将所述聚合梯度返回至对应的用户端,以使用户端根据所述聚合梯度更新本地的图神经网络。
2.如权利要求1所述图神经网络训练方法,其特征在于,所述目标推荐项对应一真实标注值;所述通过所述用户端根据所述网络参数和预先构建的本地子图训练本地的图神经网络,得到真实梯度,包括:
基于所述网络参数初始化所述图神经网络;
将所述本地子图输入至所述图神经网络进行预测,得到所述图神经网络输出的预测结果;
根据所述预测结果以及所述真实标注值,计算网络损失;
根据所述网络损失,计算所述真实梯度。
3.如权利要求2所述图神经网络训练方法,其特征在于,所述根据所述预测结果以及所述真实标注值,计算网络损失,包括:
若所述图神经网络的预测任务为分类任务,则调用交叉熵损失函数,根据所述预测结果以及所述真实标注值,计算网络损失;
若所述图神经网络的预测任务为回归任务,则调用均方误差损失函数,根据所述预测结果以及所述真实标注值,计算网络损失。
4.如权利要求3所述图神经网络训练方法,其特征在于,所述根据所述网络损失,计算所述真实梯度,包括:
根据所述网络损失以及所述第一特征,计算所述第一特征对应的真实梯度;
根据所述网络损失以及所述连接权值,计算所述连接权值对应的真实梯度;
根据所述网络损失以及所述目标特征,计算所述目标特征对应的真实梯度。
5.如权利要求4所述图神经网络训练方法,其特征在于,所述通过所述用户端生成所述非目标特征的随机伪梯度,包括:
根据所述随机函数,生...
【专利技术属性】
技术研发人员:李登昊,王健宗,黄章成,
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。