本申请涉及一种图表征学习模型的优化方法、装置和计算机设备。所述方法包括：将第一增强图和第二增强图输入图表征学习模型，得到第一增强图中多个第一节点各自的节点向量和第二增强图中多个第二节点各自的节点向量；基于各节点向量，构建第一节点各自的第一损失函数；对各第一节点各自的节点向量进行社群检测，得到多个社群中心向量，以确定第一节点各自的社群正样本与社群负样本；针对每一第一节点，根据第一节点的节点向量、社群正样本以及社群负样本，构建每一第一节点各自的第二损失函数；融合第一损失函数和第二损失函数构建目标损失函数，以对图表征学习模型进行迭代优化，获得优化的图表征学习模型。采用本方法能够提高图表征学习效果。够提高图表征学习效果。够提高图表征学习效果。
【技术实现步骤摘要】
图表征学习模型的优化方法、装置和计算机设备
[0001]本申请涉及计算机
，特别是涉及一种图表征学习模型的优化方法、装置和计算机设备。
技术介绍
[0002]随着神经网络技术的发展，图卷积神经网络被广泛应用于图表征学习。图卷积神经网络可以对图中的各节点进行编码，将各节点转换为节点向量的形式，以获得各节点的节点表征，再基于节点表征进行图表征学习。但在基于节点表征进行图表征学习的过程中，存在节点标签获取困难的问题。
[0003]现有技术中，当节点标签获取困难时，可以通过将对节点标签无依赖的对比学习引入图表征学习领域，使得不同节点表征相互远离，即不同的节点表征尽可能地不相似，以实现图表征学习。
[0004]然而，现有技术中所引入的对比学习，仅考虑了节点与节点之间的关系，导致图表征学习的效果不佳。
技术实现思路
[0005]基于此，有必要针对上述技术问题，提供一种能够提高图表征学习效果的图表征学习模型优化方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0006]第一方面，本申请提供了一种图表征学习模型的优化方法。所述方法包括：
[0007]将第一增强图和第二增强图分别输入图表征学习模型，得到第一增强图中多个第一节点各自的节点向量和第二增强图中多个第二节点各自的节点向量，第一增强图和第二增强图为对初始图进行数据增强得到的；
[0008]基于各节点向量，构建每一第一节点各自对应的第一损失函数；
[0009]对各第一节点各自的节点向量进行社群检测，得到多个社群中心向量，基于各社群中心向量，确定每一第一节点各自对应的社群正样本与社群负样本；
[0010]针对每一第一节点，根据第一节点的节点向量、社群正样本以及社群负样本，构建每一第一节点各自对应的第二损失函数；
[0011]融合第一损失函数和第二损失函数构建目标损失函数，基于目标损失函数对图表征学习模型进行迭代优化，获得优化的图表征学习模型。
[0012]在其中一个实施例中，基于各节点向量，构建每一第一节点各自对应的第一损失函数包括：
[0013]针对每一第一节点，将第一节点与各第二节点分别进行匹配，获得与第一节点匹配成功的第二节点；
[0014]将匹配成功的第二节点的节点向量，作为第一节点的节点正样本，并将各第二节点各自的节点向量中，除节点正样本以外的其他节点向量作为第一节点的节点负样本；
[0015]通过节点对比学习，基于每一第一节点的节点向量、节点正样本以及节点负样本，
构建每一第一节点各自对应的第一损失函数。
[0016]在其中一个实施例中，通过节点对比学习，基于每一第一节点的节点向量、节点正样本以及节点负样本，构建每一第一节点各自对应的第一损失函数包括：
[0017]针对每一第一节点，获取第一节点的节点向量与节点正样本之间的节点正相似性度量值、第一节点的节点向量与节点负样本之间的节点负相似性度量值；
[0018]通过节点对比学习，基于节点正相似性度量值与节点负相似性度量值，构建每一第一节点各自对应的第一损失函数。
[0019]在其中一个实施例中，对各第一节点各自的节点向量进行社群检测，得到多个社群中心向量，基于各社群中心向量，确定每一第一节点各自对应的社群正样本与社群负样本包括：
[0020]基于聚类算法，对各第一节点各自的节点向量进行社群检测，获得多个节点社群与各节点社群各自对应的社群中心向量，每一第一节点均有各自对应的节点社群；
[0021]针对每一第一节点，将第一节点所对应节点社群的社群中心向量作为第一节点的社群正样本，将除社群正样本以外的其他社群中心向量作为第一节点的社群负样本。
[0022]在其中一个实施例中，针对每一第一节点，根据第一节点的节点向量、社群正样本以及社群负样本，构建每一第一节点各自对应的第二损失函数包括：
[0023]针对每一第一节点，获取第一节点的节点向量与社群正样本之间的社群正相似性度量值、第一节点的节点向量与社群负样本之间的社群负相似性度量值；
[0024]通过社群对比学习，基于社群正相似性度量值与社群负相似性度量值，构建每一第一节点各自对应的第二损失函数。
[0025]在其中一个实施例中，融合第一损失函数和第二损失函数构建目标损失函数，基于目标损失函数对图表征学习模型进行迭代优化，获得优化的图表征学习模型包括：
[0026]将对应于同一第一节点的第一损失函数的损失项与第二损失函数的损失项进行相加，构建每一第一节点各自对应的目标损失函数；
[0027]基于各目标损失函数，对图表征学习模型中的模型参数进行迭代更新，以对图表征学习模型进行迭代优化；
[0028]当各目标损失函数均满足收敛条件时，获得优化的图表征学习模型。
[0029]第二方面，本申请还提供了一种图表征学习模型的优化装置。所述装置包括：
[0030]节点向量获得模块，用于将第一增强图和第二增强图分别输入图表征学习模型，得到第一增强图中多个第一节点各自的节点向量和第二增强图中多个第二节点各自的节点向量；第一增强图和第二增强图为对初始图进行数据增强得到的；
[0031]第一损失函数构建模块，用于基于各节点向量，构建每一第一节点各自对应的第一损失函数；
[0032]社群样本确定模块，用于对各第一节点各自的节点向量进行社群检测，得到多个社群中心向量，基于各社群中心向量，确定每一第一节点各自对应的社群正样本与社群负样本；
[0033]第二损失函数构建模块，用于针对每一第一节点，根据第一节点的节点向量、社群正样本以及社群负样本，构建每一第一节点各自对应的第二损失函数；
[0034]模型迭代优化模块，用于融合第一损失函数和第二损失函数构建目标损失函数，
基于目标损失函数对图表征学习模型进行迭代优化，获得优化的图表征学习模型。
[0035]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0036]将第一增强图和第二增强图分别输入图表征学习模型，得到第一增强图中多个第一节点各自的节点向量和第二增强图中多个第二节点各自的节点向量；第一增强图和第二增强图为对初始图进行数据增强得到的；
[0037]基于各节点向量，构建每一第一节点各自对应的第一损失函数；
[0038]对各第一节点各自的节点向量进行社群检测，得到多个社群中心向量，基于各社群中心向量，确定每一第一节点各自对应的社群正样本与社群负样本；
[0039]针对每一第一节点，根据第一节点的节点向量、社群正样本以及社群负样本，构建每一第一节点各自对应的第二损失函数；
[0040]融合第一损失函数和第二损失函数构建目标损失函数，基于目标损失函数对图表征学习模型进行迭代优化，获得优化的图表征学习模型。
[0041]第四方面，本申请还提供了本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图表征学习模型的优化方法，其特征在于，所述方法包括：将第一增强图和第二增强图分别输入图表征学习模型，得到所述第一增强图中多个第一节点各自的节点向量和所述第二增强图中多个第二节点各自的节点向量；所述第一增强图和所述第二增强图为对初始图进行数据增强得到的；基于各所述节点向量，构建每一所述第一节点各自对应的第一损失函数；对各所述第一节点各自的节点向量进行社群检测，得到多个社群中心向量，基于各所述社群中心向量，确定每一所述第一节点各自对应的社群正样本与社群负样本；针对每一所述第一节点，根据所述第一节点的节点向量、所述社群正样本以及所述社群负样本，构建每一所述第一节点各自对应的第二损失函数；融合所述第一损失函数和所述第二损失函数构建目标损失函数，基于所述目标损失函数对所述图表征学习模型进行迭代优化，获得优化的图表征学习模型。2.根据权利要求1所述的方法，其特征在于，所述基于各所述节点向量，构建每一所述第一节点各自对应的第一损失函数包括：针对每一所述第一节点，将所述第一节点与各所述第二节点分别进行匹配，获得与所述第一节点匹配成功的第二节点；将所述匹配成功的第二节点的节点向量，作为所述第一节点的节点正样本，并将各所述第二节点各自的节点向量中，除所述节点正样本以外的其他节点向量作为所述第一节点的节点负样本；通过节点对比学习，基于每一所述第一节点的节点向量、所述节点正样本以及所述节点负样本，构建每一所述第一节点各自对应的第一损失函数。3.根据权利要求1所述的方法，其特征在于，所述通过节点对比学习，基于每一所述第一节点的节点向量、所述节点正样本以及所述节点负样本，构建每一所述第一节点各自对应的第一损失函数包括：针对每一所述第一节点，获取所述第一节点的节点向量与所述节点正样本之间的节点正相似性度量值、所述第一节点的节点向量与所述节点负样本之间的节点负相似性度量值；通过所述节点对比学习，基于所述节点正相似性度量值与所述节点负相似性度量值，构建每一所述第一节点各自对应的第一损失函数。4.根据权利要求1所述的方法，其特征在于，所述对各所述第一节点各自的节点向量进行社群检测，得到多个社群中心向量，基于各所述社群中心向量，确定每一所述第一节点各自对应的社群正样本与社群负样本包括：基于聚类算法，对各所述第一节点各自的节点向量进行社群检测，获得多个节点社群与各所述节点社群各自对应的社群中心向量，每一所述第一节点均有各自对应的节点社群；针对每一所述第一节点，将所述第一节点所对应节点社群的社群中心向量作为所述第一节点的社群正样本，将除所述社群正样本以外的其他社群中心向量作为所述第一节点的社群负样本。5....
【专利技术属性】
技术研发人员：陈川，李绎昊，林昊，郑子彬，王耀南，张文锋，
申请(专利权)人：中山大学，
类型：发明
国别省市：
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。