图神经网络的训练方法、推荐方法及电子设备技术

本申请公开一种图神经网络的训练方法、推荐方法及电子设备，该方法包括：将社交节点数据的异质图拆分为多个异质子图，基于节点在每个异质子图上的多层邻居图卷积信息，构建社交异质增强特征，其中，社交节点数据为具有社交关系的用户数据的集合，节点表示用户社交相关对象，节点之间的边表示不同社交相关对象之间的关联关系；融合社交异质增强特征和社交节点数据的预设社交节点特征，对预设社交图神经网络模型进行训练，得到目标社交图神经网络模型；在向目标社交图神经网络模型输入待处理社交数据后，模型的输出结果用于确定针对待处理社交数据相应用户的推荐数据。本申请旨在提升图神经网络模型的构建效率与性能。图神经网络模型的构建效率与性能。图神经网络模型的构建效率与性能。

【技术实现步骤摘要】
图神经网络的训练方法、推荐方法及电子设备


[0001]本申请涉及通信计算机
，尤其涉及一种图神经网络的训练方法、推荐方法及电子设备。

技术介绍

[0002]在社交网络、金融等领域，图谱(图数据结构)具备很好的表达能力，进而，基于图谱构建的图神经网络模型，在推荐(社交网络关联)场景，风控场景(金融关联)被广泛使用。
[0003]目前，图神经网络模型的构建和应用局限在同构图(图结构中节点和边的类型只有一种)上，而在许多应用场景中，图结构中节点和边的类型是多样的，尽管可以通过将原有面向同构图的神经网络模型迁移到面向异质图(图结构中节点和边的类型多样)，然而，迁移过程编码工作量过多，效率低，且基于同构图模型在异构图上算法性能低，导致图神经网络模型在推荐场景和风控场景受限。

技术实现思路

[0004]有鉴于此，本申请实施例提供一种图神经网络的训练方法、推荐方法及电子设备，旨在提升面向异质图的图神经网络模型的构建效率与性能，解决现有面向异质图的图神经网络模型构建效率低，应用场景受限的技术问题。
[0005]本申请实施例提供了一种图神经网络的训练方法，所述方法包括：
[0006]将社交节点数据的异质图拆分为多个异质子图，基于所述社交节点数据中节点在每个异质子图上的多层邻居图卷积信息，构建所述社交节点数据的社交异质增强特征，其中，所述社交节点数据为具有社交关系的用户数据的集合，社交节点数据的节点表示用户社交相关对象，节点之间的边表示不同社交相关对象之间的关联关系；
[0007]融合所述社交异质增强特征和所述社交节点数据的预设社交节点特征，对预设社交图神经网络模型进行训练，得到目标社交图神经网络模型；其中，在向所述目标社交图神经网络模型输入待处理社交数据后，所述模型的输出结果用于确定针对所述待处理社交数据相应用户的推荐数据。
[0008]在本申请的一种可能的实施方式中，所述融合所述社交异质增强特征和所述社交节点数据的预设社交节点特征，对预设社交图神经网络模型进行训练，得到目标社交图神经网络模型的步骤，包括：
[0009]拼接所述社交异质增强特征和所述预设社交节点特征，得到第一节点新特征；
[0010]将所述第一节点新特征作为所述预设社交图神经网络模型输入层的输入，对所述社交预设图神经网络模型进行迭代训练，得到所述目标社交图神经网络模型。
[0011]在本申请的一种可能的实施方式中，所述融合所述社交异质增强特征和所述社交节点数据的预设社交节点特征，对预设社交图神经网络模型进行训练，得到目标社交图神经网络模型的步骤，包括：
[0012]将所述预设社交节点特征输入至所述预设社交图神经网络模型中，并进行迭代，
输出所述预设社交节点特征的节点图表征；
[0013]拼接所述节点图表征和所述社交异质增强特征，得到第二节点新特征；
[0014]判断根据所述第二节点新特征计算的模型损失是否收敛，若所述模型损失未收敛，则依据所述模型损失，对预设社交图神经网络模型进行更新，并返回执行步骤：将所述预设社交节点特征输入至所述预设社交图神经网络模型中，直至所述模型损失收敛，以得到目标社交图神经网络模型。
[0015]在本申请的一种可能的实施方式中，所述基于所述社交节点数据中节点在每个异质子图上的多层邻居图卷积信息，构建所述社交节点数据的社交异质增强特征的步骤，包括：
[0016]在所述预设社交图神经网络模型为多层时，确定所述社交节点数据中节点在每个异质子图上的多层邻居图卷积信息，拼接所有异质子图在相同层数上的邻居图卷积信息，形成汇聚信息，拼接所述汇聚信息，得到所述社交节点数据的社交异质增强特征；
[0017]在所述预设社交图神经网络模型为一层时，拼接所有异质子图的邻居图卷积信息，形成所述社交节点数据的社交异质增强特征。
[0018]在本申请的一种可能的实施方式中，所述预设社交图神经网络模型包括预设同构图社交神经网络模型或者预设异质图社交神经网络模型。
[0019]在本申请的一种可能的实施方式中，所述对预设社交图神经网络模型进行训练，得到目标社交图神经网络模型的步骤之后，所述方法包括：
[0020]基于所述目标社交图神经网络模型，对待处理社交数据进行预测处理，得到所述待处理社交数据的推荐数据；
[0021]将所述推荐数据推送给所述待处理社交数据对应的用户。
[0022]本申请还提供一种图神经网络的训练方法，所述方法包括：
[0023]将节点数据的异质图拆分为多个异质子图，基于所述节点数据中节点在每个异质子图上的多层邻居图卷积信息，构建所述节点数据的异质增强特征，其中，所述节点数据为具有关联关系的不同对象的数据的集合，节点数据的节点表示用户相关对象，节点之间的边表示不同相关对象之间的关联关系；
[0024]融合所述异质增强特征和所述节点数据的预设节点特征，对预设图神经网络模型进行训练，得到目标图神经网络模型；其中，在向所述目标图神经网络模型输入待处理数据后，所述模型的输出结果用于确定针对所述待处理数据相应用户的推荐数据。
[0025]本申请还提供一种基于图神经网络的推荐方法，所述方法包括：
[0026]获取待处理社交数据，所述社交数据为具有社交关系的用户数据的集合；
[0027]将所述待处理社交数据输入至预设社交图神经网络模型中，基于所述预设社交图神经网络模型对所述待处理社交数据进行预测处理，得到社交推荐数据；
[0028]其中，所述预设社交图神经网络模型是将待训练社交节点数据所形成的异质图拆分为多个异质子图后，融合基于所述节点数据中节点在每个异质子图上的多层邻居图卷积信息所构建的异质增强特征，以及所述待训练社交节点数据的预设节点特征，对预设社交图神经网络模型进行训练所得到的，其中，所述社交节点数据为具有社交关系的用户数据的集合，社交节点数据的节点表示用户社交相关对象，节点之间的边表示不同社交相关对象之间的关联关系。
[0029]本申请还提供一种图神经网络的训练装置，所述装置包括：
[0030]社交异质增强特征确定模块，用于将社交节点数据的异质图拆分为多个异质子图，基于所述社交节点数据中节点在每个异质子图上的多层邻居图卷积信息，构建所述社交节点数据的社交异质增强特征，其中，所述社交节点数据为具有社交关系的用户数据的集合，社交节点数据的节点表示用户社交相关对象，节点之间的边表示不同社交相关对象之间的关联关系；
[0031]训练模块，用于融合所述社交异质增强特征和所述社交节点数据的预设社交节点特征，对预设社交图神经网络模型进行训练，得到目标社交图神经网络模型；其中，在向所述目标社交图神经网络模型输入待处理社交数据后，所述模型的输出结果用于确定针对所述待处理社交数据相应用户的推荐数据。
[0032]在本申请的一种可能的实施方式中，所述训练模块包括：
[0033]第一拼接单元，用于拼接所述社交异质增强特征和所述预设社交节点特征，得到第一节点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图神经网络的训练方法，其特征在于，所述方法包括：将社交节点数据的异质图拆分为多个异质子图，基于所述社交节点数据中节点在每个异质子图上的多层邻居图卷积信息，构建所述社交节点数据的社交异质增强特征，其中，所述社交节点数据为具有社交关系的用户数据的集合，社交节点数据的节点表示用户社交相关对象，节点之间的边表示不同社交相关对象之间的关联关系；融合所述社交异质增强特征和所述社交节点数据的预设社交节点特征，对预设社交图神经网络模型进行训练，得到目标社交图神经网络模型；其中，在向所述目标社交图神经网络模型输入待处理社交数据后，所述模型的输出结果用于确定针对所述待处理社交数据相应用户的推荐数据。2.如权利要求1所述的图神经网络的训练方法，其特征在于，所述融合所述社交异质增强特征和所述社交节点数据的预设社交节点特征，对预设社交图神经网络模型进行训练，得到目标社交图神经网络模型的步骤，包括：拼接所述社交异质增强特征和所述预设社交节点特征，得到第一节点新特征；将所述第一节点新特征作为所述预设社交图神经网络模型输入层的输入，对所述社交预设图神经网络模型进行迭代训练，得到所述目标社交图神经网络模型。3.如权利要求1所述的图神经网络的训练方法，其特征在于，所述融合所述社交异质增强特征和所述社交节点数据的预设社交节点特征，对预设社交图神经网络模型进行训练，得到目标社交图神经网络模型的步骤，包括：将所述预设社交节点特征输入至所述预设社交图神经网络模型中，并进行迭代，输出所述预设社交节点特征的节点图表征；拼接所述节点图表征和所述社交异质增强特征，得到第二节点新特征；判断根据所述第二节点新特征计算的模型损失是否收敛，若所述模型损失未收敛，则依据所述模型损失，对预设社交图神经网络模型进行更新，并返回执行步骤：将所述预设社交节点特征输入至所述预设社交图神经网络模型中，直至所述模型损失收敛，以得到目标社交图神经网络模型。4.如权利要求1所述的图神经网络的训练方法，其特征在于，所述基于所述社交节点数据中节点在每个异质子图上的多层邻居图卷积信息，构建所述社交节点数据的社交异质增强特征的步骤，包括：在所述预设社交图神经网络模型为多层时，确定所述社交节点数据中节点在每个异质子图上的多层邻居图卷积信息，拼接所有异质子图在相同层数上的邻居图卷积信息，形成汇聚信息，拼接所述汇聚信息，得到所述社交节点数据的社交异质增强特征；在所述预设社交图神经网络模型为一层时，拼接所有异质子图的邻居图卷积信息，形成所述社交节点数据的社交异质增强特征。5.如权利要求1所述的图神经网络的训练方法，其特征在于，所述预设社交图神经网络模型包括预设同构图社交神经网络模型或者预设异质图社交神经网络模型。6.如权利要求1所述的图神经网络的训练方法，其特征在于，所述对预设社交图神经网络模型进行训练，得到目标社交图神经网络模型的步骤之后，所述方法包括：基于所述目标社交图神经网络模型，对待处理社交数据进行预测处理，得到所述待处理社交数据的推荐数据；
将所述推荐数据推送给所述待处理社交数据对应的用户。7.一种图神经网络的训练方法，其特征在于，所述方法包括：将节点数据的异质图拆分为多个异质子图，基于所述节点数据中节点在每个异质子图上的多层邻居图卷积信息，构建所述节点数据的异质增强特征，其中，所述节点数据为具有关联关系的不同对象的数据的集合，节点数据的节点表示用户相关对象，节点之间的边表示不同相关对象之间的关联关系；融合所述异质增强特征和所述节点数据的预设节点特征，对预设图神经网络模型进行训练，得到目标图神经网络模型；其中，在向所述目标图神经网络模型输入待处理数据后，所述模型的输出结果用于确定针对所述待处理数据相应用户的推荐数据。8.一种基于图神经网络的推荐方法，其特征在于，所述方法包括：获取待处理社交数据，所述社交数据为具有社交关系的用户数据的集合；将所述待处理社交数据输入至预设社交图神经网络模型中，基于所述预设社...

【专利技术属性】
技术研发人员：方超，俞颖晔，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：