模型训练方法、异常商品识别方法、电子设备及存储介质技术

本申请实施例提供一种模型训练方法、异常商品识别方法、电子设备及存储介质。在本申请实施例中，基于反映样本商品之间的风险关联关系的风险图和反映样本商品之间的属性关联关系的属性图进行图神经网络模型训练，由于在模型训练过程中充分考虑样本商品之间的风险关联关系和样本商品之间的属性关联关系，这样训练得到的目标图神经网络模型能够有效地度量商品之间的风险相关性，进而准确识别异常商品。品。品。

【技术实现步骤摘要】
模型训练方法、异常商品识别方法、电子设备及存储介质


[0001]本申请涉及互联网
，尤其涉及一种模型训练方法、异常商品识别方法、电子设备及存储介质。

技术介绍

[0002]随着互联网、大数据等技术的不断发展，涌现出越来越多的提供交易服务的电商平台，例如，商家对商家(Business to Business，B2B)电商平台、商家对消费者(Business to Consumer，B2C)电商平台或者消费者对消费者(Consumer to Consumer，C2C)电商平台。
[0003]在各大电商平台的日常运营中，需要准确识别并删除电商平台上的各种异常商品。目前，通常采用传统的机器学习或深度学习方法，基于商品的属性特征来识别商品是否为异常商品。然而，异常商品的属性特征容易被篡改得和合法商品非常相似，致使难以准确地识别异常商品。

技术实现思路

[0004]本申请的多个方面提供一种模型训练方法、异常商品识别方法、电子设备及存储介质，用以准确地识别异常商品。
[0005]本申请实施例提供一种模型训练方法，包括：获取多个样本商品，多个样本商品中至少包括具有真实标签的样本标签商品和具有异常标签的样本异常商品，真实标签为异常标签或正常标签；根据多个样本商品的相关信息，构建反映样本商品之间的风险关联关系的风险图，以及根据多个样本商品的属性特征，构建反映样本商品之间的属性关联关系的属性图；根据风险图和属性图训练初始图神经网络模型，得到能够用于异常商品识别的目标图神经网络模型。
[0006]本申请实施例还提供一种异常商品识别方法，包括：获取多个商品，多个商品中至少包括待识别商品以及具有异常标签的异常商品；根据多个商品的风险信息，构建反映商品之间的风险关联关系的目标风险图，以及根据多个商品的属性特征，构建反映商品之间的属性关联关系的目标属性图；将目标风险图和目标属性图输入至目标图神经网络模型中进行异常商品识别，以得到待识别商品的识别结果；目标图神经网络模型是根据上述模型训练方法训练得到的。
[0007]本申请实施例还提供一种电子设备，包括：存储器和处理器；存储器，用于存储计算机程序；处理器耦合至存储器，用于执行计算机程序以用于执行模型训练方法中的步骤，或者，执行异常商品识别方法中的步骤。
[0008]本申请实施例还提供一种存储有计算机程序的计算机存储介质，当计算机程序被处理器执行时，致使处理器能够实现模型训练方法中的步骤，或者，能够实现异常商品识别方法中的步骤。
[0009]在本申请实施例中，基于反映样本商品之间的风险关联关系的风险图和反映样本商品之间的属性关联关系的属性图进行图神经网络模型训练，由于在模型训练过程中充分
考虑样本商品之间的风险关联关系和样本商品之间的属性关联关系，这样训练得到的目标图神经网络模型能够有效地度量商品之间的风险相关性，进而准确识别异常商品。
附图说明
[0010]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0011]图1为本申请实施例提供的一种异常商品识别方法所适用的一种应用场景示意图；
[0012]图2为本申请实施例提供的一种模型训练方法的流程图；
[0013]图3为本申请实施例提供的一种模型训练方法所适用的一种应用场景示意图；
[0014]图4为本申请实施例提供的一种异常商品识别方法的流程图；
[0015]图5为本申请实施例提供的一种模型训练装置的结构示意图；
[0016]图6为本申请实施例提供的一种异常商品识别装置的结构示意图；
[0017]图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0018]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0019]另外，为了便于清楚描述本申请实施例的技术方案，在本申请的实施例中，采用了“第一”、“第二”等对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等并不对数量和执行次序进行限定，并且“第一”、“第二”等也并不限定一定不同。
[0020]首先，对本申请实施例涉及的名词进行介绍；
[0021]图(Graph)：是一种由若干个节点(Node)及连接两个节点的边(Edge)所构成的图形，用于刻画不同节点之间的关联关系。在本申请实施例中，风险图是以商品为节点，反映商品之间风险关联关系的一种图；属性图是以商品为节点，反映商品之间属性关联关系的一种图。
[0022]同质图：一种单一类型节点和单一类型边的图。
[0023]异质图：包括多种类型节点或多种类型边的图。
[0024]图神经网络(Graph Neural Networks，GNN)模型：是一种直接作用于图结构上的神经网络。图神经网络模型有以下特点：1、忽略节点的输入顺序；2、在计算过程中，节点的表示受其周围邻居节点的影响，而图本身连接不变；3、图结构的表示，使得可以进行基于图的推理。其中，将图神经网络模型分为五大类别，分别是：图卷积网络(Graph Convolution Networks，GCN)模型、图注意力网络(Graph Attention Networks，GAN)模型、图自编码器(Graph Autoencoders)模型、图生成网络(Graph Generative Networks，GGN)模型和图时空网络(Graph Spatial
‑
temporal Networks)模型。
[0025]目前，通常采用传统的机器学习或深度学习方法，基于商品的属性特征来识别商
品是否为异常商品。然而，异常商品的属性特征容易被篡改得和合法商品非常相似，致使难以准确地识别异常商品。为此，本申请实施例提供一种模型训练方法、异常商品识别方法、电子设备及存储介质。在本申请实施例中，基于反映样本商品之间的风险关联关系的风险图和反映样本商品之间的属性关联关系的属性图进行图神经网络模型训练，由于在模型训练过程中充分考虑样本商品之间的风险关联关系和样本商品之间的属性关联关系，这样训练得到的目标图神经网络模型能够有效地度量商品之间的风险相关性，进而准确识别异常商品。
[0026]图1为本申请实施例提供的一种异常商品识别方法所适用的一种应用场景示意图。请参照图1，终端设备10或终端设备20可以通过有线网络、或者无线网络与电商平台的服务器30进行交互。例如，有线网络可以包括同轴电缆、双绞线和光纤等，无线网络可以是2G网络、3G网络、4G网络或者5G网络、无线保真(Wireless Fidelity，简称W本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取多个样本商品，所述多个样本商品中至少包括具有真实标签的样本标签商品和具有异常标签的样本异常商品，所述真实标签为异常标签或正常标签；根据所述多个样本商品的相关信息，构建反映样本商品之间的风险关联关系的风险图，以及根据所述多个样本商品的属性特征，构建反映样本商品之间的属性关联关系的属性图；根据所述风险图和所述属性图训练初始图神经网络模型，得到能够用于异常商品识别的目标图神经网络模型。2.根据权利要求1所述的方法，其特征在于，根据所述多个样本商品的相关信息，构建反映样本商品之间的风险关联关系的风险图，包括：将所述样本商品抽象为所述风险图中的节点；基于所述多个样本商品的相关信息确定存在风险关联关系的每两个样本商品，并为存在风险关联关系的每两个样本商品在所述风险图中创建连接对应两个节点的连边，其中，每种风险关联关系创建一条连边。3.根据权利要求1所述的方法，其特征在于，根据所述多个样本商品的属性特征，构建反映样本商品之间的属性关联关系的属性图，包括：将所述样本商品抽象为所述属性图中的节点；针对任意两个样本商品，根据两个样本商品各自的属性特征计算两个样本商品之间的第一属性相似度；确定第一属性相似度大于第一相似度阈值的两个样本商品之间存在属性关联关系，并为存在属性关联关系的两个样本商品在所述属性图中创建连接对应两个节点的连边。4.根据权利要求1所述的方法，其特征在于，根据所述风险图和所述属性图训练初始图神经网络模型，得到能够用于异常商品识别的目标图神经网络模型，包括：将所述风险图和所述属性图输入所述初始图神经网络模型中进行图结构学习，以得到所述样本标签商品的第一商品特征表示以及所述样本异常商品的第二商品特征表示；根据所述第一商品特征表示、所述第二商品特征表示以及所述真实标签，更新所述初始图神经网络模型的模型参数，以得到所述目标图神经网络模型。5.根据权利要求4所述的方法，其特征在于，根据所述第一商品特征表示、所述第二商品特征表示以及所述真实标签，更新所述初始图神经网络模型的模型参数，以得到所述目标图神经网络模型包括：将所述第一商品特征表示以及所述第二商品特征表示输入所述初始图神经网络模型中的多层感知机层进行度量学习，以预测所述样本标签商品的标签为异常标签的概率；根据所述样本标签商品的真实标签及其预测标签结果，更新所述初始图神经网络模型的模型参数，以得到所述目标图神经网络模型。6.根据权利要求5所述的方法，其特征在于，根据所述样本标签商品的真实标签及其预测标签结果，更新所述初始图神经网络模型的模型参数，以得到所述目标图神经网络模型，包括：根据所述样本标签商品的真实标签及其预测标签结果创建初始损失函数；根据所述初始图神经网络模型的当前模型参数生成正则化项，以及根据所述初始损失
函数和所述正则化项生成目标损失函数；根据目标损失函数，更新所述初始图神经网络模型的当前模型参数，以得到所述目标图神经网络模型。7.根据权利要求4所述的方法，其特征在于，将所述风险图和所述属性图输入所述初始图神经网络模型中进行图结构学习，以得到所述样本标签商品的第一商品特征表示以及所述样本异常商品的第二商品特征表示，包括：针对多个样本商品中任一第一样本商品，从所述风险图和所述属性图中确定所述第一样本商品对应的至少一个第一连边，每条第一连边连接所述第一样本商品对应的节点和所述第一样本商品的一个邻居商品对应的节点；根据至少一个第一连边的边权重和对应的至少一个邻居商品的属性特征的向量化表示，生成待拼接的向量化表示；将所述第一样本商品的属性特征的向量化表示和所述...

【专利技术属性】
技术研发人员：吉余岗，李傲，向婷妍，李东，
申请(专利权)人：阿里巴巴中国有限公司，
类型：发明
国别省市：