一种基于事件的图神经网络训练方法及装置制造方法及图纸

本说明书一个或多个实施例提供一种基于事件的图神经网络训练方法及装置。方法包括：确定目标时段内发生的目标事件，针对每个目标事件，确定所述目标事件的事发时间以及参与所述目标事件的涉事对象；针对参与所述目标事件的每个涉事对象，基于所述目标时段内发生在所述事发时间之前的目标事件，生成所述涉事对象在所述事发时间的事件图；基于涉事对象、事发时间以及所述涉事对象在所述事发时间的事件图，确定所述目标事件下所述涉事对象的事件三元组，得到各个目标事件下涉事对象的事件三元组；采用各个目标事件下涉事对象的事件三元组训练图神经网络。训练图神经网络。训练图神经网络。

【技术实现步骤摘要】
一种基于事件的图神经网络训练方法及装置


[0001]本说明书一个或多个实施例涉及人工智能
，尤其涉及一种基于事件的图神经网络训练方法及装置。

技术介绍

[0002]图能够对多个对象彼此间的关联关系加以描述，可以广泛地表征社会生活中多种场景下人或事物间的关系结构，具有很高的应用价值。
[0003]不过，目前，相关技术中只是采用静态图去表征一些具有稳定关联关系的对象结构，没有考虑到真实场景下人或事物间的关系结构实际具有动态变化的特点。因为缺乏对时序特性的考量，基于静态图的训练方法适用性不够广泛，学习结果也不够准确。

技术实现思路

[0004]有鉴于此，本说明书一个或多个实施例提供一种基于事件的图神经网络训练方法及装置。
[0005]为实现上述目的，本说明书一个或多个实施例提供的技术方案如下：
[0006]根据本说明书一个或多个实施例的第一方面，提出了一种基于事件的图神经网络训练方法，所述方法包括：
[0007]确定目标时段内发生的目标事件，针对每个目标事件，确定所述目标事件的事发时间以及参与所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于事件的图神经网络训练方法，所述方法包括：确定目标时段内发生的目标事件，针对每个目标事件，确定所述目标事件的事发时间以及参与所述目标事件的涉事对象；针对参与所述目标事件的每个涉事对象，基于所述目标时段内发生在所述事发时间之前的目标事件，生成所述涉事对象在所述事发时间的事件图；基于涉事对象、事发时间以及所述涉事对象在所述事发时间的事件图，确定所述目标事件下所述涉事对象的事件三元组，得到各个目标事件下涉事对象的事件三元组；采用各个目标事件下涉事对象的事件三元组训练图神经网络。2.根据权利要求1所述的方法，所述生成所述涉事对象在所述事发时间的事件图，包括：针对待生成事件图的所述涉事对象，基于所述目标时段内发生在所述事发时间之前的目标事件，确定所述涉事对象的邻居对象；所述邻居对象与所述涉事对象之间的连接路径的阶数不超出预设的阶数阈值；基于所述涉事对象、所述涉事对象的邻居对象以及所述涉事对象与所述邻居对象之间的连接路径，生成所述涉事对象在所述事发时间的事件图。3.根据权利要求1所述的方法，所述采用各个目标事件下涉事对象的事件三元组训练图神经网络，包括：针对每个事件三元组，生成所述事件三元组的正样本和负样本；基于所述正样本和所述负样本，采用对比学习的方式对所述图神经网络进行训练。4.根据权利要求3所述的方法，所述生成所述事件三元组的正样本，包括：基于所述事件三元组中的事发时间，确定正样本时间；所述正样本时间在所述事发时间之前；基于所述目标时段内发生在所述正样本时间之前的目标事件，生成所述涉事对象在所述正样本时间的正样本事件图；基于涉事对象、正样本时间以及所述涉事对象在所述正样本时间的正样本事件图，确定所述事件三元组的正样本。5.根据权利要求3所述的方法，所述采用对比学习的方式对所述图神经网络进行训练，包括：选取本轮迭代的锚点事件三元组，并基于上一轮迭代调整得到的图神经网络获取所述锚点事件三元组的特征向量；确定所述锚点事件三元组的正样本的特征向量、以及所述锚点事件三元组的负样本的特征向量；基于所述锚点事件三元组的特征向量、以及所述正样本的特征向量和所述负样本的特征向量，确定本次迭代中所述图神经网络的损失函数是否收敛；所述损失函数以锚点事件三元组与正样本的特征向量相似度最大化，与负样本的特征向量相似度最小化为收敛目标构建；若不收敛，则对所述图神经网络的模型参数进行调整并进入本轮迭代的下一次迭代；若收敛，则结束...

【专利技术属性】
技术研发人员：田胜，吴若凡，石磊磊，朱亮，熊涛，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：