【技术实现步骤摘要】
本说明书实施例通常涉及人工智能领域，尤其涉及用于对象关系图中的对象链接关系预测的模型训练方法、对象链接关系预测方法及装置。
技术介绍
1、随着图神经网络技术的发展，图神经网络被越来越多地应用来处理各种应用场景中的处理任务，比如，个性化推荐场景下的推荐任务、供应链挖掘场景下的企业间的供应链关系识别任务等。在这些应用场景中，所涉及的对象被建模为关系图结构中的对象节点(例如，用户和推荐对象，企业等)，并且处理任务被转化为关系图结构中的对象节点间链接关系预测。如何高效地训练出对象链接关系预测模型成为亟待解决的问题。
技术实现思路
1、本说明书实施例提供用于对象关系图中的对象链接关系预测的模型训练方法、对象链接关系预测方法及装置。利用该模型训练方案，通过使用与待训练的第一对象链接关系预测模型具有相同模型结构且在模型训练过程中保持模型参数不变的第二对象链接关系预测模型来从训练样本集中筛选出难分训练样本集，并使用难分训练样本集来训练第一对象链接关系预测模型，可以有效地解决模型训练过程中的样本迁移问题。
2、根据本说明书的实施例的一个方面，提供一种用于训练对象链接关系预测模型的方法，包括：基于对象关系图构建待训练的第一对象链接关系预测模型的训练样本集，所述训练样本集中的训练样本包括对象节点对的对象特征和链接关系标签；经由第二对象链接关系预测模型，基于链接关系预测结果从所述训练样本集中确定出难分训练样本集；以及使用所述难分训练样本集来训练所述第一对象链接关系预测模型，其中，所述第二对象链
3、可选地，在上述方面的一个示例中，所述方法还可以包括：从所述训练样本集中筛选出无偏样本来构建元数据集。相应地，使用所述难分训练样本集来训练所述第一对象链接关系预测模型可以包括：使用所述难分训练样本集在所述元数据集和元学习模型的指导下训练所述第一对象链接关系预测模型，所述元学习模型用于确定难分训练样本的样本权重。
4、可选地，在上述方面的一个示例中，使用所述难分训练样本集在所述元数据集和元学习模型的指导下训练所述第一对象链接关系预测模型可以包括：使用所述元数据集来在所述难分训练样本集和当前第一对象链接关系预测模型的指导下更新当前元学习模型的模型参数；以及使用所述难分训练样本集来在更新后的元学习模型的指导下更新所述当前第一对象链接关系预测模型的模型参数。
5、可选地，在上述方面的一个示例中，使用所述元数据集来在所述难分训练样本集和当前第一对象链接关系预测模型的指导下更新当前元学习模型的模型参数可以包括：使用所述难分训练样本集来在所述当前元学习模型的指导下更新所述当前第一对象链接关系预测模型的模型参数；以及基于在所述当前元学习模型的指导下更新后的第一对象链接关系预测模型，使用所述元数据集来更新所述元学习模型的模型参数。
6、可选地，在上述方面的一个示例中，使用所述难分训练样本集来在所述当前元学习模型的指导下更新所述当前第一对象链接关系预测模型的模型参数可以包括：使用所述当前元学习模型对所述难分训练样本集中的难分训练样本进行第一次样本加权；以及使用经过所述第一次样本加权后的难分训练样本集来更新所述当前第一对象链接关系预测模型的模型参数。
7、可选地，在上述方面的一个示例中，基于在所述当前元学习模型的指导下更新后的第一对象链接关系预测模型，使用所述元数据集来更新所述元学习模型的模型参数可以包括：确定各个元数据在基于所述当前元学习模型的指导下更新后的第一对象链接关系预测模型下的损失函数值；以及根据所确定的损失函数值更新所述第二梯度信息更新所述当前元学习模型的模型参数。
8、可选地，在上述方面的一个示例中，使用所述难分训练样本集来在更新后的元学习模型的指导下更新所述当前第一对象链接关系预测模型的模型参数可以包括：使用所述更新后的元学习模型对所述难分训练样本集中的难分训练样本进行第二次样本加权；以及使用经过所述第二次样本加权后的难分训练样本集更新所述当前第一对象链接关系预测模型的模型参数。
9、可选地，在上述方面的一个示例中，从所述训练样本集中筛选出无偏样本来生成元数据集可以包括：对所述训练样本集进行不确定性估计，以从所述训练样本集中筛选出无偏样本来构建元数据集。
10、可选地，在上述方面的一个示例中，所述方法还可以包括：使用所述训练样本集训练出所述第二对象链接关系预测模型。
11、可选地，在上述方面的一个示例中，基于对象关系图构建待训练的第一对象链接关系预测模型的训练样本集可以包括：从所述对象关系图中采样具有单跳邻居关系的对象节点对来构建所述训练样本集中的正样本集；以及从所述对象关系图中采样不具有单跳邻居关系的对象节点对来构建所述训练样本集中的负样本集。
12、可选地，在上述方面的一个示例中，从所述对象关系图中采样不具有单跳邻居关系的对象节点对来构建所述训练样本集中的负样本集可以包括：按照基于非图结构先验信息的样本采样方式，从所述对象关系图中采样不具有单跳邻居关系的对象节点对来构建所述训练样本集中的第一负样本集；按照基于图结构先验信息的样本采样方式，从所述对象关系图中采样不具有单跳邻居关系的对象节点对来构建所述训练样本集中的第二负样本集；以及将所述第一负样本集和所述第二负样本集组合为所述训练样本集中的负样本集。
13、根据本说明书的实施例的另一方面，提供一种用于预测对象关系图中的节点链接关系的方法，包括：从对象关系图中获取待预测节点链接关系的目标对象节点对的对象特征；以及将所述目标对象节点对的对象特征提供给对象链接关系预测模型来预测所述目标对象节点对之间的节点链接关系，所述对象链接关系预测模型按照如上所述的方法训练出。
14、根据本说明书的实施例的另一方面，提供一种用于训练对象链接关系预测模型的装置，包括：训练样本构建单元，基于对象关系图构建待训练的第一对象链接关系预测模型的训练样本集，所述训练样本集中的训练样本包括对象节点对的对象特征和链接关系标签；难分训练样本确定单元，经由第二对象链接关系预测模型，基于链接关系预测结果来从所述训练样本集中确定出难分训练样本集；以及模型训练单元，使用所述难分训练样本集来训练所述第一对象链接关系预测模型，其中，所述第二对象链接关系预测模型具有与所述第一对象链接关系模型相同的模型结构，并且在模型训练过程中模型参数保持不变。
15、可选地，在上述方面的一个示例中，所述装置还可以包括：元数据构建单元，从所述训练样本集中筛选出无偏样本来构建元数据集。相应地，所述模型训练单元使用所述难分训练样本集在所述元数据集和元学习模型的指导下训练所述第一对象链接关系预测模型，所述元学习模型用于确定难分训练样本的样本权重。
16、可选地，在上述方面的一个示例中，所述模型训练单元可以包括：元学习模型训练模块，使用所述元数据集在所述难分训练样本集和当前第一对象链接关系预测模型本文档来自技高网...
【技术保护点】
1.一种用于训练对象链接关系预测模型的方法，包括：
2.如权利要求1所述的方法，还包括：
3.如权利要求2所述的方法，其中，使用所述难分训练样本集在所述元数据集和元学习模型的指导下训练所述第一对象链接关系预测模型包括：
4.如权利要求3所述的方法，其中，使用所述元数据集来在所述难分训练样本集和当前第一对象链接关系预测模型的指导下更新当前元学习模型的模型参数包括：
5.如权利要求4所述的方法，其中，使用所述难分训练样本集来在所述当前元学习模型的指导下更新所述当前第一对象链接关系预测模型的模型参数包括：
6.如权利要求4所述的方法，其中，基于在所述当前元学习模型的指导下更新后的第一对象链接关系预测模型，使用所述元数据集来更新所述元学习模型的模型参数包括：
7.如权利要求3所述的方法，其中，使用所述难分训练样本集来在更新后的元学习模型的指导下更新所述当前第一对象链接关系预测模型的模型参数包括：
8.如权利要求2所述的方法，其中，从所述训练样本集中筛选出无偏样本来构建元数据集包括：
9.如权利
10.如权利要求1所述的方法，其中，基于对象关系图构建待训练的第一对象链接关系预测模型的训练样本集包括：
11.如权利要求10所述的方法，其中，从所述对象关系图中采样不具有单跳邻居关系的对象节点对来构建所述训练样本集中的负样本集包括：
12.一种用于预测对象关系图中的节点链接关系的方法，包括：
13.一种用于训练对象链接关系预测模型的装置，包括：
14.如权利要求13所述的装置，还包括：
15.如权利要求13所述的装置，其中，所述模型训练单元包括：
16.如权利要求14所述的装置，其中，所述元数据构建单元对所述训练样本集进行不确定性估计，以从所述训练样本集中筛选出无偏样本来构建元数据集。
17.一种用于预测对象关系图中的对象链接关系的装置，包括：
18.一种用于训练对象链接关系预测模型的装置，包括：
19.一种用于预测对象关系图中的对象链接关系的装置，包括：
...【技术特征摘要】
1.一种用于训练对象链接关系预测模型的方法，包括：
2.如权利要求1所述的方法，还包括：
3.如权利要求2所述的方法，其中，使用所述难分训练样本集在所述元数据集和元学习模型的指导下训练所述第一对象链接关系预测模型包括：
4.如权利要求3所述的方法，其中，使用所述元数据集来在所述难分训练样本集和当前第一对象链接关系预测模型的指导下更新当前元学习模型的模型参数包括：
5.如权利要求4所述的方法，其中，使用所述难分训练样本集来在所述当前元学习模型的指导下更新所述当前第一对象链接关系预测模型的模型参数包括：
6.如权利要求4所述的方法，其中，基于在所述当前元学习模型的指导下更新后的第一对象链接关系预测模型，使用所述元数据集来更新所述元学习模型的模型参数包括：
7.如权利要求3所述的方法，其中，使用所述难分训练样本集来在更新后的元学习模型的指导下更新所述当前第一对象链接关系预测模型的模型参数包括：
8.如权利要求2所述的方法，其中，从所述训练样本集中筛选出无偏样本来构建...
【专利技术属性】
技术研发人员：王亚昆，胡斌斌，杨硕，张志强，周俊，
申请(专利权)人：支付宝杭州信息技术有限公司，
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。