节点分类模型的训练方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例提供了节点分类模型的训练方法、装置、电子设备及存储介质，该方法包括：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个节点特征信息并据此确定M个候选网络；根据每个候选网络的待训练参数，计算每个候选网络被选择用于生成节点分类模型的选择概率，并基于每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；根据节点分类预测结果、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；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，可提高图数据处理效率。

【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：p>

6.根据权...

【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：