【技术实现步骤摘要】
本公开涉及人工智能，特别是涉及一种实体推荐模型的训练方法、装置及电子设备。
技术介绍
1、动态图广泛存在于现实世界的应用中，如事件预测、实体推荐等领域。已经有相当多的研究关注动态图神经网络(dygnns)来建模包括结构和特征在时间上演化的复杂图动态信息。一些研究采用图神经网络(gnn)来聚合每个图快照的邻居信息，然后利用序列模块来建模时间信息。另一些研究则利用时间编码技术将时间链接编码为时间感知的嵌入，并采用gnn或内存模块来处理结构信息。还有一些研究利用谱图神经网络、全局图框架卷积和图小波等技术来获得更好的动态图表示。然而，在动态图神经网络文献中，分布偏移问题仍然很少被探讨。
技术实现思路
1、鉴于上述问题，本公开实施例提供了一种实体推荐模型的训练方法、装置及电子设备，以便克服上述问题或者至少部分地解决上述问题。
2、本公开实施例的第一方面，提供了一种实体推荐模型的训练方法，
3、获取动态图；其中，所述动态图的节点表征实体，所述动态图的边表征所述实体之间的注意力，...
【技术保护点】
1.一种实体推荐模型的训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述将所述频谱域的动态图输入初始实体推荐模型，得到所述频谱域的动态图的不变模式和变化模式，包括：
3.根据权利要求1所述的方法，其特征在于，所述根据所述动态图在每个时间步的快照，获取每个所述实体的自我中心图轨迹信号，包括：
4.根据权利要求1所述的方法，其特征在于，所述对每个所述实体的自我中心图轨迹信号进行傅里叶变换，得到频谱域的动态图，包括：
5.根据权利要求1所述的方法，其特征在于，所述获取动态图，包括：
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。