【技术实现步骤摘要】
本说明书一个或多个实施例涉及机器学习领域，特别涉及一种图数据处理以及模型训练的方法及装置。
技术介绍
1、图数据是一种以节点和边表示实体和实体之间关系的数据结构，适用于表示实体之间的复杂联系和互动。因此，图数据广泛应用于社交网络、知识图谱、通信网络和生物信息学等诸多领域。而图神经网络(graph neural network，简称gnn)是针对图数据结构设计的深度学习模型，图神经网络能够对图数据进行分析与处理，从而为各种与图数据相关的任务提供强大的数据分析能力。
2、在相关技术中，无论在图神经网络的训练阶段，还是在图神经网络的应用阶段，在对节点表征向量存储的过程中，会占用巨大的存储资源，并且在使用节点表征向量的过程中，会消耗巨大的计算资源，从而造成资源的极大浪费。目前来说，需要一种节省资源的图数据处理方案以及模型训练方案。
技术实现思路
1、本说明书一个或多个实施例提供一种图数据处理以及模型训练的方法及装置。
2、根据第一方面，提供一种图数据处理模型的训练方法，所述方法包括多轮迭代操作，每轮迭代操作包括：
3、获取多个样本图数据；所述样本图数据中包括多个用户节点以及各个用户节点各自对应的特征数据；任一用户节点对应的特征数据包括该用户节点表示的用户的用户特征；
4、生成每个所述样本图数据各自对应的样本序列；每个所述样本序列包括目标数目个序列元素，所述序列元素包括所述多个用户节点的部分特征数据；
5、将所述样本序列输入至待更新
6、基于所述多个脉冲数据，更新所述图神经网络和所述脉冲神经网络。
7、根据第二方面，提供一种图数据处理方法，所述方法包括：
8、获取目标图数据；所述目标图数据中包括多个用户节点和各个用户节点各自对应的特征数据；任一用户节点对应的特征数据包括该用户节点表示的用户的用户特征；
9、生成所述目标图数据对应的目标序列；所述目标序列包括目标数目个序列元素，所述序列元素包括所述多个节点的部分特征数据；
10、将所述目标序列输入至目标图神经网络，利用目标脉冲神经网络对所述目标图神经网络输出的结果进行二值化处理，得到目标脉冲数据。
11、根据第三方面，提供一种图数据处理模型的训练装置，所述装置包括获取模块，生成模块，计算模块和更新模块；所述装置执行多轮迭代操作，在每轮迭代操作中：
12、获取模块，用于获取多个样本图数据；所述样本图数据中包括多个用户节点以及各个用户节点各自对应的特征数据；任一用户节点对应的特征数据包括该用户节点表示的用户的用户特征；
13、生成模块，用于生成每个所述样本图数据各自对应的样本序列；每个所述样本序列包括目标数目个序列元素，所述序列元素包括所述多个用户节点的部分特征数据；
14、计算模块，用于将所述样本序列输入至待更新的图神经网络，利用待更新的脉冲神经网络对所述图神经网络输出的结果进行二值化处理，得到多个脉冲数据；
15、更新模块，用于基于所述多个脉冲数据，更新所述图神经网络和所述脉冲神经网络。
16、根据第四方面，提供一种图数据处理装置，所述装置包括：
17、获取模块，用于获取目标图数据；所述目标图数据中包括多个用户节点和各个用户节点各自对应的特征数据；任一用户节点对应的特征数据包括该用户节点表示的用户的用户特征；
18、生成模块，用于生成所述目标图数据对应的目标序列；所述目标序列包括目标数目个序列元素，所述序列元素包括所述多个节点的部分特征数据；
19、输出模块，用于将所述目标序列输入至目标图神经网络，利用目标脉冲神经网络对所述目标图神经网络输出的结果进行二值化处理，得到目标脉冲数据。
20、根据第五方面，提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面或第二方面中任一项所述的方法。
21、根据第六方面，提供一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面或第二方面中任一项所述的方法。
22、本说明书的实施例提供的技术方案可以包括以下有益效果：
23、本说明书的实施例提供的图数据的处理方法和装置，通过基于目标图数据，生成包括多个序列元素的目标序列，每个序列元素包括多个用户节点的部分特征数据。然后，将目标序列输入至目标图神经网络，利用目标脉冲神经网络对目标图神经网络输出的结果进行二值化处理，得到二值化的目标脉冲数据，作为目标图数据对应的用户表征。从而在后续进行存储与计算的过程中，节省了大量的存储资源与计算资源。
24、本说明书的实施例提供的图数据处理模型的训练方法，通过基于样本图数据，生成包括多个序列元素的样本序列，每个序列元素包括多个用户节点的部分特征数据。然后，将样本序列输入至待更新的图神经网络，利用待更新的脉冲神经网络对图神经网络输出的结果进行二值化处理，得到二值化的脉冲数据，基于脉冲数据，更新图神经网络和脉冲神经网络。从而在模型训练的过程中，节省了大量的计算资源，提高了训练效率。
25、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
本文档来自技高网...【技术保护点】
1.一种图数据处理模型的训练方法，所述方法包括多轮迭代操作，每轮迭代操作包括：
2.根据权利要求1所述的方法，其中，所述多个样本图数据中包括正样本图数据和该正样本图数据对应的负样本图数据；其中，所述获取多个样本图数据，包括获取正样本图数据；基于所述正样本图数据，生成所述正样本图数据对应的负样本图数据。
3.根据权利要求2所述的方法，其中，所述基于所述正样本图数据，生成所述正样本图数据对应的负样本图数据，包括：
4.根据权利要求1所述的方法，其中，针对任一样本图数据，通过如下方式生成该样本图数据对应的样本序列：
5.根据权利要求2所述的方法，其中，所述多个脉冲数据包括所述正样本图数据对应的第一脉冲数据和所述负样本图数据对应的第二脉冲数据；其中，所述基于所述多个脉冲数据，更新所述图神经网络和所述脉冲神经网络，包括：
6.根据权利要求5所述的方法，其中，所述第一连续值特征包括所述目标数目个具有序号的第一特征单元；所述第二连续值特征包括所述目标数目个具有序号的第二特征单元；
7.根据权利要求6所述的方法，其中，所述基
8.根据权利要求1所述的方法，其中，所述脉冲神经网络采用跃阶函数进行二值化处理；其中，通过如下方式更新所述脉冲神经网络：
9.一种图数据处理方法，所述方法包括：
10.根据权利要求9所述的方法，所述生成所述目标图数据对应的目标序列，包括：
11.一种图数据处理模型的训练装置，所述装置包括获取模块，生成模块，计算模块和更新模块；所述装置执行多轮迭代操作，在每轮迭代操作中：
12.一种图数据处理装置，所述装置包括：
13.根据权利要求12所述的方法，所述生成模块被配置用于：
14.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令所述计算机执行权利要求1-10中任一项所述的方法。
15.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-10中任一项所述的方法。
...【技术特征摘要】
1.一种图数据处理模型的训练方法，所述方法包括多轮迭代操作，每轮迭代操作包括：
2.根据权利要求1所述的方法，其中，所述多个样本图数据中包括正样本图数据和该正样本图数据对应的负样本图数据；其中，所述获取多个样本图数据，包括获取正样本图数据；基于所述正样本图数据，生成所述正样本图数据对应的负样本图数据。
3.根据权利要求2所述的方法，其中，所述基于所述正样本图数据，生成所述正样本图数据对应的负样本图数据，包括：
4.根据权利要求1所述的方法，其中，针对任一样本图数据，通过如下方式生成该样本图数据对应的样本序列：
5.根据权利要求2所述的方法，其中，所述多个脉冲数据包括所述正样本图数据对应的第一脉冲数据和所述负样本图数据对应的第二脉冲数据；其中，所述基于所述多个脉冲数据，更新所述图神经网络和所述脉冲神经网络，包括：
6.根据权利要求5所述的方法，其中，所述第一连续值特征包括所述目标数目个具有序号的第一特征单元；所述第二连续值特征包括所述目标数目个具有序号的第二特征单元；
7....
【专利技术属性】
技术研发人员：田胜，李金膛，王宝坤，但家旺，刘云飞，周璟，孟昌华，吴若凡，
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。