【技术实现步骤摘要】
本申请涉及图数据领域，尤其涉及一种节点分类模型的训练方法、装置、电子设备及存储介质。
技术介绍
1、随着电子技术的发展，图神经网络的应用越来越广泛，在网络分析、推荐系统、生物化学、交通预测、计算机视觉、自然语言处理等各个领域，图神经网络都起到了非常重要的作用。现实生活中存在大量的图数据，其结构复杂，蕴含着丰富的信息，利用图神经网络技术处理图数据是常见的图数据处理方法之一，比如利用图神经网络对图数据进行节点分类。
2、然而，在多关系图的场景中，输入图神经网络的待处理的图数据包括多个图像，其中可能仅有一部分图像包含的信息对图神经网络的预测有益，另一部分图像包含的信息对图神经网络来说是冗余数据。因此，在此种场景下，为了确保节点分类的准确性，需要根据多关系图对节点分类模型进行训练，得到适合多关系图的节点分类模型。
技术实现思路
1、本申请实施例提供了一种节点分类模型的训练方法、装置、电子设备及存储介质，以在多关系图的场景下提高训练后的节点分类模型的图数据处理效率。
2、第一方面，本申请实施例提供了一种节点分类模型的训练方法，包括：
3、在当前训练轮次中，将n个同构图输入图卷积网络进行特征提取处理，得到n个节点特征信息，并根据所述n个节点特征信息确定m个候选网络；n和m均为大于1的整数；m大于n；一个同构图对应一个节点特征信息；
4、针对每个候选网络，根据候选网络在当前训练轮次中的待训练参数，计算候选网络被选择用于生成节点分类模型的选择概率，并
5、根据所述节点分类预测结果、所述当前训练轮次中m个候选网络的待训练参数以及节点真实标签确定预测损失函数，并基于所述预测损失函数确定模型损失函数；
6、如果根据所述模型损失函数确定当前训练轮次满足训练结束条件，则选取所述m个候选网络中选择概率满足概率阈值的目标候选网络，并基于所述目标候选网络生成节点分类模型。
7、第二方面，本申请实施例提供了一种节点分类模型的训练装置，包括：
8、确定单元，用于在当前训练轮次中，将n个同构图输入图卷积网络进行特征提取处理，得到n个节点特征信息，并根据所述n个节点特征信息确定m个候选网络；n和m均为大于1的整数；m大于n；一个同构图对应一个节点特征信息；
9、生成单元，用于针对每个候选网络，根据候选网络在当前训练轮次中的待训练参数，计算候选网络被选择用于生成节点分类模型的选择概率，并基于m个候选网络的选择概率和n个节点特征信息生成节点分类预测结果；
10、所述确定单元，还用于根据所述节点分类预测结果、所述当前训练轮次中m个候选网络的待训练参数以及节点真实标签确定预测损失函数，并基于所述预测损失函数确定模型损失函数；
11、所述生成单元，还用于如果根据所述模型损失函数确定当前训练轮次满足训练结束条件，则选取所述m个候选网络中选择概率满足概率阈值的目标候选网络，并基于所述目标候选网络生成节点分类模型。
12、第三方面，本申请实施例提供了一种电子设备，包括：处理器；以及，被配置为存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行如第一方面所述的节点分类模型的训练方法。
13、第四方面，本申请实施例提供了一种计算机可读存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现如第一方面所述的节点分类模型的训练方法。
14、可以看出，在本申请实施例中，首先，在当前训练轮次中，将n个同构图输入图卷积网络进行特征提取处理，得到n个节点特征信息，并根据n个节点特征信息确定m个候选网络；n和m均为大于1的整数；m大于n；一个同构图对应一个节点特征信息；然后，针对每个候选网络，根据候选网络在当前训练轮次中的待训练参数，计算候选网络被选择用于生成节点分类模型的选择概率，并基于m个候选网络的选择概率和n个节点特征信息生成节点分类预测结果；接着，根据节点分类预测结果、当前训练轮次中m个候选网络的待训练参数以及节点真实标签确定预测损失函数，并基于预测损失函数确定模型损失函数；最后，如果根据模型损失函数确定当前训练轮次满足训练结束条件，则选取m个候选网络中选择概率满足概率阈值的目标候选网络，并基于目标候选网络生成节点分类模型。以此，节点特征信息的数量可以反映输出对应的节点特征信息的图卷积网络的数量，进而可以基于节点特征信息的数量对图卷积网络排列组合得到m个候选网络，每个候选网络对应的选择概率可以用于表征这个候选网络最终能够被保留或者被选择用于生成节点分类模型的可能性，概率越大，可能性越大，也就是说可能性越大，这个候选网络在节点分类时做出的贡献越大，进一步的，利用m个候选网络的选择概率和n个节点特征信息生成节点分类预测结果，基于分类预测结果和各个候选网络的待训练参数生成模型损失函数，如果模型损失函数满足了训练结束条件，说明可以结束训练了，此时将m个候选网络中选择概率阈值满足目标候选网络用于生成节点分类模型。如此一来，实现了在模型训练过程中，对最优网络结构的筛选，通过此方法生成的节点分类模型更适合该n个同构图，以便于后续对n同构图进行节点分类预测时，更加准确。
15、并且，该目标候选网络可以用于确定前述m个候选网络中冗余的图卷积网络，在生成节点分类模型时，不考虑这些冗余的图卷积网络，只基于目标候选网络生成节点分类模型，可以简化模型结构，缩小模型体积，减少冗余的图数据处理，节省计算资源，在多关系图的场景下提高图数据的处理效率。
本文档来自技高网...【技术保护点】
1.一种节点分类模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述针对每个候选网络，根据候选网络在当前训练轮次中的待训练参数，计算候选网络被选择用于生成节点分类模型的选择概率，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述预测损失函数确定模型损失函数，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述N个节点特征信息确定M个候选网络，包括：
5.根据权利要求4所述的方法，其特征在于，所述基于M个候选网络的选择概率和N个节点特征信息生成节点分类预测结果，包括：
6.根据权利要求1所述的方法，其特征在于，所述图卷积网络的数量为N个，且所述图卷积网络部署在初始模型中；不同同构图的节点特征信息是通过不同图卷积网络提取得到的；一个候选网络与至少一个图卷积网络对应；所述选取所述M个候选网络中选择概率满足概率阈值的目标候选网络，并基于所述目标候选网络生成节点分类模型，包括：
7.根据权利要求1-6任一项所述的方法，其特征在于，所述基于所述目标候选网络生成分类节点模
8.一种节点分类模型的训练装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机可执行指令，所述计算机可执行指令在被处理器执行时实现如权利要求1至7中任一项所述的节点分类模型的训练方法。
...【技术特征摘要】
1.一种节点分类模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述针对每个候选网络，根据候选网络在当前训练轮次中的待训练参数，计算候选网络被选择用于生成节点分类模型的选择概率，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述预测损失函数确定模型损失函数，包括：
4.根据权利要求1所述的方法，其特征在于，所述根据所述n个节点特征信息确定m个候选网络，包括：
5.根据权利要求4所述的方法，其特征在于，所述基于m个候选网络的选择概率和n个节点特征信息生成节点分类预测结果，包括：
6.根据权利要求1所述的方法，其特征在于，所述图卷积网络的数量为n个，且所述图卷积...
【专利技术属性】
技术研发人员：赵宏宇，高砚，
申请(专利权)人：马上消费金融股份有限公司，
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。