[發明專利]圖結構估計模型的訓練方法、裝置、設備及存儲介質

在審

• 申請號: 202011574363.8
• 申請日: 2020-12-25
• 公開（公告）號: CN113515519A
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 王嘯;王睿嘉;牟帥;石川;肖萬鵬;鞠奇
• 申請（專利權）人: 騰訊科技（深圳）有限公司;北京郵電大學
• 主分類號: G06F16/22
• 分類號: G06F16/22;G06F16/28;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 熊永強;杜維

本發明實施例公開了一種圖結構估計模型的訓練方法、裝置、設備及存儲介質，其中方法包括：獲取初始圖以及初始圖對應的標簽信息；初始圖包含多個節點，標簽信息用于指示初始圖中目標節點所屬類別，目標節點為初始圖的多個節點中任意一個或多個；調用圖結構估計模型包括的圖預測模型對初始圖進行預測處理，得到初始圖對應的觀測信息；調用圖結構估計模型包括的圖估計器基于標簽信息和觀測信息進行估計處理得到估計圖；并調用圖預測模型對估計圖進行預測處理，得到估計圖對應的預測信息；基于估計圖對應的預測信息和標簽信息對圖預測模型進行優化。采用本發明實施例可提供圖結構估計模型的準確度。

技術領域

本申請涉及圖處理領域，尤其涉及一種圖結構估計模型的訓練方法、裝置、設備及存儲介質。

背景技術

從化學和生物信息學研究到圖像和社交網絡分析，圖無處不在。所謂圖，是用于描述社區關系鏈最直接的工具，由節點和邊組成，節點代表社區中的對象，邊代表兩個對象之間的聯系緊密程度。由于圖的普遍性，學習圖的有效表示并將其應用于下游任務尤其重要。最近，用于圖表示學習的圖處理模型引起了廣泛關注，比如圖神經網絡(Graph NeuralNetworks)GNN模型、圖卷積網絡(Graph Convolutional Network)GCN模型等；以圖神經網絡GNN模型為例，該模型大致遵循遞歸消息傳遞機制，即鄰域信息被聚合并傳遞給鄰居。

目前使用的圖處理模型通常是基于圖訓練樣本進行訓練得到的，在訓練時一般假設圖訓練樣本的圖結構是正確，并且符合圖處理模型的模型性質。但是圖訓練樣本一般是抽取自實際應用中復雜的交互系統，由于實際應用的交互系統中存在一些錯誤可能導致圖訓練樣本存在一些缺失、無意義、甚至錯誤的邊，這導致圖訓練樣本與GNN的性質不匹配，從而影響GNN模型的準確度。因此，在圖處理領域，如何對用于對圖處理的模型進行訓練以提高模型的準確度成為研究的熱點問題。

發明內容

本發明實施例提供了一種圖結構估計模型的訓練方法、裝置、設備及存儲介質，可提高圖結構估計模型的準確性。

一方面，本發明實施例提供了一種圖結構估計模型的訓練方法，包括：

獲取初始圖以及所述初始圖對應的標簽信息；所述初始圖包含多個節點，所述標簽信息用于指示所述初始圖中目標節點所屬類別，所述目標節點為所述初始圖的多個節點中任意一個或多個；

調用圖結構估計模型包括的圖預測模型對所述初始圖進行預測處理，得到所述初始圖對應的觀測信息；

調用所述圖結構估計模型包括的圖估計器基于所述標簽信息和所述觀測信息進行估計處理得到估計圖；并調用所述圖預測模型對所述估計圖進行預測處理，得到所述估計圖對應的預測信息，所述估計圖對應的預測信息用于指示所述估計圖中各個節點所屬類別；

基于所述估計圖對應的預測信息和所述標簽信息對所述圖預測模型進行優化。

一方面，本發明實施例還提供了一種圖結構估計模型的訓練裝置，包括：

獲取單元，用于獲取初始圖以及所述初始圖對應的標簽信息；所述初始圖包含多個節點，所述標簽信息用于指示所述初始圖中目標節點所屬類別，所述目標節點為所述初始圖的多個節點中任意一個或多個；

處理單元，用于調用圖結構估計模型包括的圖預測模型對所述初始圖進行預測處理，得到所述初始圖對應的觀測信息；

所述處理單元，還用于調用所述圖結構估計模型包括的圖估計器基于所述標簽信息和所述觀測信息進行估計處理得到估計圖；并調用所述圖預測模型對所述估計圖進行預測處理，得到所述估計圖對應的預測信息，所述估計圖對應的預測信息用于指示所述估計圖中各個節點所屬類別；

所述處理單元，還用于基于所述估計圖對應的預測信息和所述標簽信息對所述圖預測模型進行優化。