图节点分类模型训练方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术揭示了一种图节点分类模型训练方法、装置、电子设备及存储介质，本发明专利技术涉及模型训练领域，该方法包括：获取样本数据；基于样本数据构建图节点特征和图结构特征；依次利用图结构特征以及图节点特征交替迭代训练初始图节点分类网络，以确定目标图节点分类模型。上述方法，通过依次利用图结构特征以及图节点特征交替迭代训练初始图节点分类网络，使得目标图节点分类模型训练过程中既充分学习了图节点特征也充分学习了图结构特征，提高了目标图节点分类模型的精准度。使得上述方法中的目标图节点分类模型不仅可以完成图的节点分类，还可以保证分类结果的准确性。可以保证分类结果的准确性。可以保证分类结果的准确性。

【技术实现步骤摘要】
图节点分类模型训练方法、装置、电子设备及存储介质


[0001]本专利技术涉及模型训练领域，具体涉及一种图节点分类模型训练方法、装置、电子设备及存储介质。

技术介绍

[0002]图节点分类问题是很多机器学习任务的基础问题。比如，在社交网络中，要识别异常的人员；在采集视频构成的摄像头网络中，要识别异常的摄像头；在商场场景中，根据采集的客流和轨迹等数据，对不同的消费者进行分类。这些问题中，都可以把研究对象形成图节点，并建立图关系，最终在图中进行节点分类。在将数据转化为图节点分类模型过程中，往往得到两种类型的特征：一种是图结构特征，另一种是图节点特征。如何结合两类类型的特征进行图节点分类是一个重要的问题。
[0003]在传统的算法中，有的是只考虑图结构特征，有的是只考虑图节点特征，显而易见，单独只考虑图结构特征或者图节点特征，算法模型的精准度会被削弱。

技术实现思路

[0004]有鉴于此，本专利技术实施例提供了一种图节点分类模型训练方法、装置、电子设备及存储介质，旨在解决单独只考虑图结构特征或者图节点特征，算法模型的精准度会被削本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图节点分类模型训练方法，其特征在于，所述方法包括：获取样本数据；基于所述样本数据构建图节点特征和图结构特征；依次利用所述图结构特征以及所述图节点特征交替迭代训练初始图节点分类网络，以确定目标图节点分类模型。2.根据权利要求1所述的方法，其特征在于，所述依次利用所述图结构特征以及所述图节点特征交替迭代训练初始图节点分类网络，以确定目标图节点分类模型，包括：获取所述样本数据中的初始训练集和初始测试集；所述初始训练集带有标签；将所述初始训练集以及所述初始测试集输入至图结构对应的第一网络，根据所述初始训练集的标签对所述第一网络进行训练，得到第一候选模型；基于所述第一候选模型对所述初始测试集进行预测，得到第一预测集；基于所述第一预测集以及所述初始训练集对图节点对应的第二网络进行训练，得到第二候选模型；根据所述第一候选模型和所述第二候选模型，生成所述目标图节点分类模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一候选模型和所述第二候选模型，生成所述目标图节点分类模型，包括：获取验证集；基于所述验证集验证所述第二候选模型的第一误差率，以确定所述第二候选模型是否训练完成；当所述第二候选模型训练完成时，将所述第一候选模型和所述第二候选模型进行组合，生成所述目标图节点分类模型。4.根据权利要求3所述的方法，其特征在于，所述基于所述验证集验证所述第二候选模型的第一误差率，以确定所述第二候选模型是否训练完成，包括：将所述验证集输入所述第二候选模型，确定所述第一误差率；获取所述第一误差率之前的预设数量的第一历史误差率，以及各所述第一历史误差率对应的第一历史平均值；计算所述第一误差率与各所述第一历史误差率对应的平均值；当计算出的平均值与各所述第一历史平均值相同时，确定所述第二候选模型训练完成。5.根据权利要求4所述的方法，其特征在于，所述基于所述验证集验证所述第二候选模型的第一误差率，以确定所述第二候选模型是否训练完成，还包括：当计算出的平均值与各所述第一历史平均值不同时，获取所述第二候选模型对所述初始测试集进行预测得到的第二预测集；根据所述第二预测集和所述初始训练集，对所述第一候选模型进行训练，得到第一目标模型；获取所述第一目标模型对所述初始测试集进行预...

【专利技术属性】
技术研发人员：余晓填，王孝宇，
申请(专利权)人：深圳云天励飞技术股份有限公司，
类型：发明
国别省市：