图神经网络训练、任务处理方法、装置、电子设备及存储介质制造方法及图纸

本公开关于一种图神经网络训练、任务处理方法、装置、电子设备及存储介质，该图神经网络训练方法包括获取样本对象的对象信息和样本对象的正样本数据，正样本数据为样本对象在多个预设时间段内执行过预设操作的多媒体资源的资源信息；对正样本数据进行去噪处理，得到目标样本数据；基于目标样本数据和目标样本数据对应样本对象的目标对象信息对预设图神经网络进行重构训练，得到目标图神经网络。利用本公开实施例可以大大提升对多媒体资源的表征精准性，进而提升推荐精准性。进而提升推荐精准性。进而提升推荐精准性。

【技术实现步骤摘要】
图神经网络训练、任务处理方法、装置、电子设备及存储介质


[0001]本公开涉及人工智能
，尤其涉及一种图神经网络训练、任务处理方法、装置、电子设备及存储介质。

技术介绍

[0002]随着互联网技术的发展，大量信息推荐平台也在不断的升级，涌现出大批以多媒体资源生产+推荐为核心业务的产品。众所周知，个性化推荐产品，对多媒体资源的精准表征是最核心的技术之一。
[0003]相关技术中，常常会结合平台内容的多媒体资源构建一张图，图中的节点表征多媒体资源，并结合用户对多媒体资源的行为操作，构建节点之间的边(如被同一个用户连续观看的两个视频之间存在一条边)，生成图数据；接着，基于图数据对图神经网络进行训练，以进行多媒体资源的向量表征(embedding)学习；但上述相关技术中，由于用户行为的不确定性，用于学习的多媒体资源的图数据存在很多噪声，噪声随着图结构进行传播，导致图神经网络往往无法准确学习到节点的特征表征，造成多媒体资源的表征精准性以及后续推荐精准性均较差的问题。

技术实现思路

[0004]本公开提供一种图神经网络训练、任务处理方法、装置、电子设备及存储介质，以至少解决相关技术中多媒体资源的表征精准性以及后续推荐精准性均较差的问题。本公开的技术方案如下：
[0005]根据本公开实施例的第一方面，提供一种图神经网络训练方法，包括：
[0006]获取样本对象的对象信息和所述样本对象的正样本数据，所述正样本数据为所述样本对象在多个预设时间段内执行过预设操作的多媒体资源的资源信息；/>[0007]对所述正样本数据进行去噪处理，得到目标样本数据；
[0008]基于所述目标样本数据和所述目标样本数据对应样本对象的目标对象信息对所述预设图神经网络进行重构训练，得到目标图神经网络。
[0009]可选的，所述对所述正样本数据进行去噪处理，得到目标样本数据包括：
[0010]基于数据去噪网络对所述正样本数据进行去噪处理，得到目标样本数据。
[0011]可选的，所述方法还包括：
[0012]获取所述样本对象的正样本数据对应多媒体资源的第一样本资源信息、负样本数据对应多媒体资源的第二样本资源信息和初始图数据，所述初始图数据包括基于所述正样本数据对应多媒体资源间的关联关系连接的节点，所述节点为所述正样本数据；
[0013]将所述初始图数据输入预设图神经网络进行特征提取，得到所述初始图数据中节点对应的初始节点信息；
[0014]基于所述初始节点信息、所述第一样本资源信息、所述第二样本资源信息和所述对象信息对预设数据去噪网络进行数据去噪训练，得到所述数据去噪网络。
[0015]可选的，所述基于所述目标样本数据和所述目标样本数据对应样本对象的目标对象信息对所述预设图神经网络进行重构训练，得到目标图神经网络包括：
[0016]基于所述目标样本数据对应多媒体资源间的关联关系，生成第一目标图数据；
[0017]将所述第一目标图数据输入所述预设图神经网络进行特征提取，得到所述第一目标图数据中节点对应的第一目标节点信息；
[0018]将所述目标样本数据对应样本对象的对象信息和所述第一目标节点信息输入预设生成网络进行样本重构处理，得到第一重构样本数据；
[0019]根据所述第一重构样本数据和所述目标样本数据，确定第一损失信息；
[0020]基于所述第一损失信息对所述预设图神经网络进行重构训练，得到所述目标图神经网络。
[0021]可选的，所述基于所述第一损失信息对所述预设图神经网络进行重构训练，得到所述目标图神经网络包括：
[0022]在所述第一损失信息未满足第一预设条件的情况下，基于所述第一损失信息调整所述预设生成网络和所述预设图神经网络的网络参数；
[0023]基于调整网络参数后的预设生成网络更新所述初始节点信息；
[0024]基于更新后的初始节点信息重复所述基于所述初始节点信息、所述第一样本资源信息、所述第二样本资源信息和所述对象信息对预设数据去噪网络进行数据去噪训练，得到数据去噪网络至所述根据所述第一重构样本数据和所述第一目标样本数据，确定第一损失信息的步骤；
[0025]在所述第一损失信息满足所述第一预设条件的情况下，将满足所述第一预设条件时对应的预设图神经网络作为所述目标图神经网络。
[0026]可选的，所述基于数据去噪网络对所述正样本数据进行去噪处理，得到目标样本数据包括：
[0027]将所述正样本数据对应的样本对象的对象信息、对应的初始节点信息和所述第一样本资源信息输入所述数据去噪网络进行置信识别处理，得到目标置信数据，所述目标置信数据表征所述样本对象会对所述正样本数据对应的多媒体资源执行预设操作的概率；
[0028]基于所述目标置信数据对所述正样本数据进行重采样，得到所述目标样本数据。
[0029]可选的，所述资源信息包括资源标识信息，所述初始图数据包括采用下述方式获取：
[0030]对所述资源标识信息进行共现分析，确定两两资源标识信息间的共现关系，所述共现关系表征在同一预设时间段内被同一对象执行过所述预设操作的两两多媒体资源对应的资源标识信息对，在所述正样本数据中的占比信息；
[0031]基于所述共现关系确定所述正样本数据对应多媒体资源间的关联关系；
[0032]以所述正样本数据对应多媒体资源的资源标识信息为节点，基于所述关联关系，对所述节点进行连接，得到所述初始图数据。
[0033]可选的，所述基于所述初始节点信息、所述第一样本资源信息、所述第二样本资源信息和所述对象信息对预设数据去噪网络进行数据去噪训练，得到数据去噪网络包括：
[0034]将所述初始节点信息、所述第一样本资源信息、所述第二样本资源信息和所述对象信息输入所述预设数据去噪网络进行置信识别处理，得到预测置信数据，所述预设置信
数据表征所述样本对象会对所述样本资源数据对应的多媒体资源执行预设操作的概率；
[0035]根据所述预测置信数据和对应的预设置信数据，确定第二损失信息；
[0036]基于所述第二损失信息对所述预设数据去噪网络进行训练，得到所述数据去噪网络。
[0037]可选的，所述对所述正样本数据进行去噪处理，得到目标样本数据包括：
[0038]获取所述样本对象对所述正样本数据对应多媒体资源的行为时长信息；
[0039]基于所述行为时长信息生成所述正样本数据对应的采样概率；
[0040]基于所述采样概率对所述正样本数据进行重采样，得到所述目标样本数据。
[0041]可选的，所述基于所述目标样本数据和所述目标样本数据对应样本对象的目标对象信息对所述预设图神经网络进行重构训练，得到目标图神经网络包括：
[0042]基于所述目标样本数据对应多媒体资源间的关联关系，生成第二目标图数据；
[0043]将所述第二目标图数据输入所述预设图神经网络进行特征提取，得到所述第二目标图数据中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图神经网络训练方法，其特征在于，包括：获取样本对象的对象信息和所述样本对象的正样本数据，所述正样本数据为所述样本对象在多个预设时间段内执行过预设操作的多媒体资源的资源信息；对所述正样本数据进行去噪处理，得到目标样本数据；基于所述目标样本数据和所述目标样本数据对应样本对象的目标对象信息对所述预设图神经网络进行重构训练，得到目标图神经网络。2.根据权利要求1所述的图神经网络训练方法，其特征在于，所述对所述正样本数据进行去噪处理，得到目标样本数据包括：基于数据去噪网络对所述正样本数据进行去噪处理，得到目标样本数据。3.根据权利要求2所述的图神经网络训练方法，其特征在于，所述方法还包括：获取所述样本对象的正样本数据对应多媒体资源的第一样本资源信息、负样本数据对应多媒体资源的第二样本资源信息和初始图数据，所述初始图数据包括基于所述正样本数据对应多媒体资源间的关联关系连接的节点，所述节点为所述正样本数据；将所述初始图数据输入预设图神经网络进行特征提取，得到所述初始图数据中节点对应的初始节点信息；基于所述初始节点信息、所述第一样本资源信息、所述第二样本资源信息和所述对象信息对预设数据去噪网络进行数据去噪训练，得到所述数据去噪网络。4.根据权利要求3所述的图神经网络训练方法，其特征在于，所述基于所述目标样本数据和所述目标样本数据对应样本对象的目标对象信息对所述预设图神经网络进行重构训练，得到目标图神经网络包括：基于所述目标样本数据对应多媒体资源间的关联关系，生成第一目标图数据；将所述第一目标图数据输入所述预设图神经网络进行特征提取，得到所述第一目标图数据中节点对应的第一目标节点信息；将所述目标样本数据对应样本对象的对象信息和所述第一目标节点信息输入预设生成网络进行样本重构处理，得到第一重构样本数据；根据所述第一重构样本数据和所述目标样本数据，确定第一损失信息；基于所述第一损失信息对所述预设图神经网络进行重构训练，得到所述目标图神经网络。5.一种任务处理方法，其特征在...

【专利技术属性】
技术研发人员：崔鹏，何玥，董彦成，王晓伟，焦宇航，康永杰，杨森，刘霁，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：