[發明專利]圖神經網絡模型的訓練方法及裝置

有效

• 申請號: 202110291393.6
• 申請日: 2021-03-18
• 公開（公告）號: CN113139654B
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 楊玉基;張夢迪;張富崢
• 申請（專利權）人: 北京三快在線科技有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/042;G06F18/22
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 任亞娟

1.一種用于搜索推薦的圖神經網絡模型的訓練方法，其特征在于，包括：

根據網絡節點和所述網絡節點對應的歷史交互數據，構建節點交互圖；所述節點交互圖中以所述網絡節點和所述網絡節點對應的用戶作為圖節點；其中，所述網絡節點包括商品或者商家，所述歷史交互數據為用戶點擊網絡節點形成的數據，或用戶購買網絡節點形成的數據；

根據所述圖節點之間的連接邊權重，計算所述節點交互圖中任意兩個所述網絡節點之間的節點相似度；所述連接邊權重為用戶與所述網絡節點的交互頻次；

根據所述節點相似度和所述網絡節點，構建得到訓練樣本圖；

對所述訓練樣本圖進行采樣處理，得到多個以所述網絡節點為主節點的樣本子圖；

獲取所述樣本子圖對應的負樣本節點和多階鄰居節點；

根據所述樣本子圖、所述負樣本節點和所述多階鄰居節點對初始圖神經網絡模型進行訓練，得到所述初始圖神經網絡模型的損失值；

在所述損失值處于預設范圍內的情況下，將訓練后的初始圖神經網絡模型作為目標圖神經網絡模型；

在所述損失值不處于預設范圍內的情況下，根據所述損失值調整所述初始圖神經網絡模型的模型參數，并迭代執行所述獲取所述樣本子圖對應的負樣本節點和多階鄰居節點，至所述根據所述樣本子圖、所述負樣本節點和所述多階鄰居節點對初始圖神經網絡模型進行訓練，得到所述初始圖神經網絡模型的損失值的步驟，直至得到目標圖神經網絡模型；

其中，所述根據所述樣本子圖、所述負樣本節點和所述多階鄰居節點對初始圖神經網絡模型進行訓練，得到所述初始圖神經網絡模型的損失值，包括：

根據所述樣本子圖上每個圖節點對應的鄰居節點之間的連接權重，確定所述每個圖節點對應的第一余弦相似度；

根據所述第一余弦相似度、所述每個圖節點與所述鄰居節點的連接權重，確定所述每個圖節點對應的第一損失值；

獲取所述樣本子圖上每個圖節點和所述負樣本節點對應的第二余弦相似度；

根據所述第二余弦相似度和所述第一余弦相似度，確定所述每個圖節點對應的第二損失值；

根據所述第一損失值和所述第二損失值，計算得到所述初始圖神經網絡模型的損失值。

2.根據權利要求1所述的方法，其特征在于，所述根據所述圖節點之間的連接邊權重，計算所述節點交互圖中任意兩個所述網絡節點之間的節點相似度，包括：

以所述用戶和所述網絡節點之間的交互頻次作為所述用戶和所述網絡節點之間的連接邊權重；

根據所述連接邊權重、所述用戶和所述網絡節點，計算得到所述節點相似度。

3.根據權利要求2所述的方法，其特征在于，所述任意兩個網絡節點包括第一網絡節點和第二網絡節點，

所述根據所述連接邊權重、所述用戶和所述網絡節點，計算得到所述節點相似度，包括：

根據所述第一網絡節點與所述用戶之間的連接邊權重，確定所述第一網絡節點和所述用戶對應的第一節點權重；

根據所述用戶與所述第二網絡節點之間的連接邊權重，確定所述用戶和所述第二網絡節點對應的第二節點權重；

根據所述第一節點權重和所述第二節點權重，確定所述第一網絡節點和所述第二網絡節點的節點相似度。

4.根據權利要求1所述的方法，其特征在于，所述根據所述節點相似度和所述網絡節點，構建得到訓練樣本圖，包括：

將任意兩個網絡節點相連接，并以所述任意兩個網絡節點的節點相似度作為連接權重，構建得到所述訓練樣本圖。

5.根據權利要求1所述的方法，其特征在于，所述對所述訓練樣本圖進行采樣處理，得到多個以所述網絡節點為主節點的樣本子圖，包括：

以所述網絡節點為主節點，獲取所述訓練樣本圖上與所述網絡節點構成鄰居節點的鄰居網絡節點；

根據所述網絡節點和所述鄰居網絡節點，確定所述網絡節點對應的樣本子圖。