CN112700002A - 图神经网络的训练方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本公开提供了一种图神经网络的训练方法、装置、电子设备及可读存储介质。所述方法包括：根据初始对象所处的网络节点，获取网络节点对应的节点名称、节点类型、及网络节点为初始对象分配的对象类型；根据初始对象、节点名称、节点类型和对象类型，生成初始对象对应的图结构样本；初始对象对应于一个初始对象标签；将图结构样本输入至初始图神经网络，并获取由初始图神经网络输出的初始对象对应的预测对象标签；基于初始对象标签和预测对象标签，计算初始图神经网络的损失值；在损失值处于预设范围内的情况下，将训练后的初始图神经网络作为目标图神经网络。本公开可以提高识别对象标签识别的准确率。

Description

图神经网络的训练方法、装置、电子设备及可读存储介质

技术领域

本公开的实施例涉及互联网技术领域，尤其涉及一种图神经网络的训练方法、装置、电子设备及可读存储介质。

背景技术

标签分类或类目分类模型是一种多分类模型，可以为商品分配一个类目，标签分类或类目分类模型在标签挖掘领域具有广泛的应用。标签挖掘为搜索引擎和推荐系统提供基础的数据支撑，可极大提升搜索引擎和推荐系统的效果。

在现有技术中，通常是以商品名作为输入，以获取商品的类目，而此种方式可能会出现分类不准确的问题，例如，商品“五花肉”，在烧烤类商家的标签是‘烧烤’标签，而在韩式商家的标签应该是“烤肉”标签；而或者，商品“大闸蟹”，在海鲜类商家应该是“菜品”标签，而在烧烤类商家应该是“烧烤”标签。

发明内容

本公开的实施例提供一种图神经网络的训练方法、装置、电子设备及可读存储介质，用以提高标签分类的准确性。

根据本公开的实施例的第一方面，提供了一种图神经网络的训练方法，包括：

根据初始对象所处的网络节点，获取所述网络节点对应的节点名称、节点类型、及所述网络节点为所述初始对象分配的对象类型；

根据所述初始对象、所述节点名称、所述节点类型和所述对象类型，生成所述初始对象对应的图结构样本；所述初始对象对应于一个初始对象标签；

将所述图结构样本输入至初始图神经网络，并获取由所述初始图神经网络输出的所述初始对象对应的预测对象标签；

基于所述初始对象标签和所述预测对象标签，计算所述初始图神经网络的损失值；

在所述损失值处于预设范围内的情况下，将训练后的初始图神经网络作为目标图神经网络。

可选地，所述根据所述初始对象、所述节点名称、所述节点类型和所述对象类型，生成所述初始对象对应的图结构样本，包括：

以所述初始对象、所述节点名称、所述节点类型和所述对象类型作为图节点；

将具有关联关系的图节点相连接，生成所述初始对象对应的图结构样本。

可选地，在所述将训练后的初始图神经网络作为目标图神经网络之后，还包括：

获取待识别的目标对象；

根据所述目标对象所处的目标网络节点，获取所述目标网络节点对应的目标节点名称、目标节点类型、及所述目标网络节点为所述目标对象分配的目标对象类型；

根据所述目标对象、所述目标节点名称、所述目标节点类型和所述目标对象类型，生成目标结构图；

将所述目标结构图输入至所述目标图神经网络，并获取由所述目标图神经网络输出的所述目标对象的目标对象标签。

可选地，所述根据所述目标对象、所述目标节点名称、所述目标节点类型和所述目标对象类型，生成目标结构图，包括：

以所述目标对象、所述目标节点名称、所述目标节点类型和所述目标对象类型作为目标图节点；

将所述目标对象分别与所述所述目标节点名称、所述目标节点类型和所述目标对象类型相连接，生成所述目标结构图。

根据本公开的实施例的第二方面，提供了一种图神经网络的训练装置，包括：

节点名称类型获取模块，用于根据初始对象所处的网络节点，获取所述网络节点对应的节点名称、节点类型、及所述网络节点为所述初始对象分配的对象类型；

图结构样本生成模块，用于根据所述初始对象、所述节点名称、所述节点类型和所述对象类型，生成所述初始对象对应的图结构样本；所述初始对象对应于一个初始对象标签；

预测对象标签获取模块，用于将所述图结构样本输入至初始图神经网络，并获取由所述初始图神经网络输出的所述初始对象对应的预测对象标签；

损失值计算模块，用于基于所述初始对象标签和所述预测对象标签，计算所述初始图神经网络的损失值；

目标图网络获取模块，用于在所述损失值处于预设范围内的情况下，将训练后的初始图神经网络作为目标图神经网络。

可选地，所述图结构样本生成模块包括：

图节点获取单元，用于以所述初始对象、所述节点名称、所述节点类型和所述对象类型作为图节点；

图样本生成单元，用于将具有关联关系的图节点相连接，生成所述初始对象对应的图结构样本。

可选地，还包括：

目标对象获取模块，用于获取待识别的目标对象；

目标类型获取模块，用于根据所述目标对象所处的目标网络节点，获取所述目标网络节点对应的目标节点名称、目标节点类型、及所述目标网络节点为所述目标对象分配的目标对象类型；

目标结构图生成模块，用于根据所述目标对象、所述目标节点名称、所述目标节点类型和所述目标对象类型，生成目标结构图；

目标对象标签获取模块，用于将所述目标结构图输入至所述目标图神经网络，并获取由所述目标图神经网络输出的所述目标对象的目标对象标签。

可选地，所述目标结构图生成模块包括：

目标图节点获取单元，用于以所述目标对象、所述目标节点名称、所述目标节点类型和所述目标对象类型作为目标图节点；

目标结构图生成单元，用于将所述目标对象分别与所述所述目标节点名称、所述目标节点类型和所述目标对象类型相连接，生成所述目标结构图。

根据本公开的实施例的第三方面，提供了一种电子设备，处理器、存储器以及存储在所述存储器上并可在所述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任一项所述的图神经网络的训练方法。

根据本公开的实施例的第四方面，提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任一项所述的图神经网络的训练方法。

本公开的实施例提供的方案，通过根据初始对象所处的网络节点，获取网络节点对应的节点名称、节点类型、及网络节点为初始对象分配的对象类型，根据初始对象、节点名称、节点类型和对象类型，生成初始对象对应的图结构样本，初始对象对应于一个初始对象标签，将图结构样本输入至初始图神经网络，并获取由初始图神经网络输出的初始对象对应的预测对象标签，基于初始对象标签和预测对象标签，计算初始图神经网络的损失值，在损失值处于预设范围内的情况下，将训练后的初始图神经网络作为目标图神经网络。本公开的实施例在训练图神经网络时，通过结合对象和对象所处网络节点的节点信息作为图神经网络训练的输入，很好的利用了对象关联的信息，从而可以使训练得到的图神经网络能够准确的识别对象标签，提高了对象标签识别的准确率。

附图说明

为了更清楚地说明本公开的实施例的技术方案，下面将对本公开的实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本公开的实施例提供的一种图神经网络的训练方法的步骤流程图；

图2为本公开的实施例提供的一种对象的图结构的示意图；

图3为本公开的实施例提供的另一种对象的图结构的示意图；

图4为本公开的实施例提供的一种模型训练过程的示意图；

图5为本公开的实施例提供的另一种图神经网络的训练方法的步骤流程图；

图6为本公开的实施例提供的一种图神经网络的训练装置的结构示意图；

图7为本公开的实施例提供的另一种图神经网络的训练装置的结构示意图。

具体实施方式

下面将结合本公开的实施例中的附图，对本公开的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开的实施例一部分实施例，而不是全部的实施例。基于本公开的实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开的实施例保护的范围。

实施例一

参照图1，示出了本公开的实施例提供的一种图神经网络的训练方法的步骤流程图，如图1所示，该图神经网络的训练方法具体可以包括如下步骤：

步骤101：根据初始对象所处的网络节点，获取所述网络节点对应的节点名称、节点类型、及所述网络节点为所述初始对象分配的对象类型。

本公开的实施例可以应用于训练识别网络节点的对象标签的图神经网络的场景中。

在本实施例中，初始对象是指构建用于对对象标签模型进行训练的对象，在本实施例中，初始对象可以为商品等对象，如“五花肉”、“五粮液”等商品，当然，也可以为其它对象，具体地，可以根据业务需求而定，本实施例对此不加以限制。

网络节点是指初始对象所处的节点，例如，在初始对象为商品时，网络节点可以为商店、餐厅等。

节点名称是初始对象所处网络节点的名称，例如，初始对象以“原味炸鸡”为例，“原味炸鸡”所处的网络节点的节点名称为：肯德基等。

节点类型是指初始对象所处网络节点的类型，例如，初始对象以“原味炸鸡”为例，“原味炸鸡”所处的网络节点的节点名称为：肯德基，该网络节点所对应的节点类型为：餐饮类等。

对象类型是指初始对象所处网络节点为初始对象赋予的对象类型，例如，初始对象以“原味炸鸡”为例，“原味炸鸡”所处的网络节点的节点名称为：肯德基，该网络节点为初始对象“原味炸鸡”赋予的对象类型为：西餐等。

可以理解地，上述示例仅是为了更好地理解本公开的实施例而列举的示例，不作为对本公开实施例的唯一限制。

在需要对对象标签模型进行训练之前，可以获取用于进行训练的初始对象，并根据初始对象所处的网络节点，获取网络节点对应的节点名称、节点类型，以及网络节点为初始对象分配的对象类型

可以理解地，一个初始对象可能同时处于两个或以上的网络节点，如图2所示，初始对象为“大薯条”、“原味炸鸡”、“麦辣鸡翅”，而且这三个初始对象同属于网络节点“肯德基”和“麦当劳”。

在根据初始对象所处的网络节点，获取到网络节点对应的节点名称、节点类型、及网络节点为初始对象分配的对象类型之后，执行步骤102。

步骤102：根据所述初始对象、所述节点名称、所述节点类型和所述对象类型，生成所述初始对象对应的图结构样本；所述初始对象对应于一个初始对象标签。

图结构样本是指根据初始对象、初始对象所处网络节点的节点名称、节点类型、及网络节点为初始对象赋予的对象类型构建得到的网络图，该网络图可以作为训练图神经网络的样本。

初始对象标签是指由业务人员预先为初始对象赋予的对象标签。可以理解地，在获取多个初始对象对应的训练样本时，可以由业务人员为每个初始对象赋予一个初始对象标签，以用于后续过程中与训练的模型预测的初始对象的对象标签进行匹配。

在获取到到网络节点对应的节点名称、节点类型、及网络节点为初始对象分配的对象类型之后，可以根据初始对象、节点名称、节点类型和对象类型，生成初始对象对应的图结构样本，具体地生成过程将在下述实施例二中进行详细描述，本公开实施例在此不再加以赘述。

在生成初始对象对应的图结构样本之后，可以由业务人员为初始对象分配一个初始对象标签。

在获取到图结构样本之后，执行步骤103。

步骤103：将所述图结构样本输入至初始图神经网络，并获取由所述初始图神经网络输出的所述初始对象对应的预测对象标签。

初始图神经网络是指还未进行训练的用于对初始对象的标签进行识别的神经网络模型。

预测对象标签是指由初始图神经网络对与初始对象关联的图结构样本进行处理，得到的对象标签。

在获取与初始对象关联的图结构样本之后，可以将图结构样本输入至初始图神经网络，进而可以获取由初始图神经网络输出的初始对象对应的预测对象标签。如图4所示，在得到初始对象的图结构之后，可以将图结构输入至图神经网络，以由图神经网络得到初始对象的预测对象标签。

在获取到由初始图神经网络输出的初始对象对应的预测对象标签之后，执行步骤104。

步骤104：基于所述初始对象标签和所述预测对象标签，计算所述初始图神经网络的损失值。

损失值可以用于表示图结构样本的初始对象标签和预测对象标签之间的偏差程度。

在获取到由初始图神经网络输出的初始对象对应的预测对象标签之后，可以根据初始对象标签和预测对象标签计算得到初始图神经网络的损失值。

在基于初始对象标签和预测对象标签计算得到初始图神经网络的损失值之后，执行步骤105。

步骤105：在所述损失值处于预设范围内的情况下，将训练后的初始图神经网络作为目标图神经网络。

本实施例中，该预设范围可以根据实际应用场景和实际需求设定，本公开实施例对其不加以限制。进一步地，如果损失值在预设范围内，则可以认为每个图结构样本的预测对象标签与其真实的初始对象标签之间的偏差非常小，此时，可以认为图结构样本的预测对象标签与其真实的初始对象标签相符合，该初始图神经网络能够正确的预测出对象的真实意图，相应地，可以将该初始图神经网络作为目标图神经网络，该目标图神经网络可以在后续过程中对对象的标签进行识别。

本公开的实施例在训练图神经网络的过程中，通过结合对象和对象所处网络节点的节点信息作为模型训练的输入，很好的利用了对象关联的信息，从而可以使训练得到的模型能够准确的识别对象标签，提高了对象标签识别的准确率。

本公开的实施例提供的图神经网络的训练方法，通过根据初始对象所处的网络节点，获取网络节点对应的节点名称、节点类型、及网络节点为初始对象分配的对象类型，根据初始对象、节点名称、节点类型和对象类型，生成初始对象对应的图结构样本，初始对象对应于一个初始对象标签，将图结构样本输入至初始图神经网络，并获取由初始图神经网络输出的初始对象对应的预测对象标签，基于初始对象标签和预测对象标签，计算初始图神经网络的损失值，在损失值处于预设范围内的情况下，将训练后的初始图神经网络作为目标图神经网络。本公开的实施例在训练图神经网络的过程中，通过结合对象和对象所处网络节点的节点信息作为图神经网络训练的输入，很好的利用了对象关联的信息，从而可以使训练得到的图神经网络能够准确的识别对象标签，提高了对象标签识别的准确率。

实施例二

参照图5，示出了本公开的实施例提供的另一种图神经网络的训练方法的步骤流程图，如图5所示，该图神经网络的训练方法具体可以包括如下步骤：

步骤201：根据初始对象所处的网络节点，获取所述网络节点对应的节点名称、节点类型、及所述网络节点为所述初始对象分配的对象类型。

本公开的实施例可以应用于训练识别网络节点的对象标签的图神经网络的场景中。

在本实施例中，初始对象是指构建用于对对象标签模型进行训练的对象，在本实施例中，初始对象可以为商品等对象，如“五花肉”、“五粮液”等商品，当然，也可以为其它对象，具体地，可以根据业务需求而定，本实施例对此不加以限制。

网络节点是指初始对象所处的节点，例如，在初始对象为商品时，网络节点可以为商店、餐厅等。

节点名称是初始对象所处网络节点的名称，例如，初始对象以“原味炸鸡”为例，“原味炸鸡”所处的网络节点的节点名称为：肯德基等。

节点类型是指初始对象所处网络节点的类型，例如，初始对象以“原味炸鸡”为例，“原味炸鸡”所处的网络节点的节点名称为：肯德基，该网络节点所对应的节点类型为：餐饮类等。

对象类型是指初始对象所处网络节点为初始对象赋予的对象类型，例如，初始对象以“原味炸鸡”为例，“原味炸鸡”所处的网络节点的节点名称为：肯德基，该网络节点为初始对象“原味炸鸡”赋予的对象类型为：西餐等。

可以理解地，上述示例仅是为了更好地理解本公开的实施例而列举的示例，不作为对本公开实施例的唯一限制。

在需要对对象标签模型进行训练之前，可以获取用于进行训练的初始对象，并根据初始对象所处的网络节点，获取网络节点对应的节点名称、节点类型，以及网络节点为初始对象分配的对象类型

可以理解地，一个初始对象可能同时处于两个或以上的网络节点，如图2所示，初始对象为“大薯条”、“原味炸鸡”、“麦辣鸡翅”，而且这三个初始对象同属于网络节点“肯德基”和“麦当劳”。

初始对象标签是指由业务人员预先为初始对象赋予的对象标签。可以理解地，在获取多个初始对象对应的训练样本时，可以由业务人员为每个初始对象赋予一个初始对象标签，以用于后续过程中与训练的模型预测的初始对象的对象标签进行匹配。

在根据初始对象所处的网络节点，获取到网络节点对应的节点名称、节点类型、及网络节点为初始对象分配的对象类型之后，执行步骤202。

步骤202：以所述初始对象、所述节点名称、所述节点类型和所述对象类型作为图节点。

在根据初始对象所处的网络节点，获取到网络节点对应的节点名称、节点类型、及网络节点为初始对象分配的对象类型之后，可以将初始对象、节点名称、节点类型和对象类型作为图节点。进而执行步骤203。

步骤203：将具有关联关系的图节点相连接，生成所述初始对象对应的图结构样本。

在将初始对象、节点名称、节点类型和对象类型作为图节点，可以将具有关联关系的初始对象、节点名称、节点类型和对象类型的相连接，以得到初始对象对应的图结构样本，并将该图结构样本作为图神经网络的训练样本，如图2所示，初始对象为“大薯条”、“原味炸鸡”、“麦辣鸡翅”，而且这三个初始对象同属于网络节点“肯德基”和“麦当劳”，可以将初始对象“大薯条”、“原味炸鸡”、“麦辣鸡翅”均与网络节点“肯德基”和“麦当劳”相连，然后结合两个商家对大薯条、原味炸鸡和麦辣鸡翅的分类，将商品分别与商家分类进行连接，如将大薯条分别与小吃类、西餐相连接，将原味炸鸡分别与炸鸡类和西餐相连接，将麦辣鸡翅分别与炸鸡类和西餐相连接等。

然后，结合图2可知，麦当劳与小吃类、炸鸡类和西餐之间存在关联关系，进而可以将麦当劳与小吃类、炸鸡类和西餐相连接，如图3所示，根据“大薯条”、“原味炸鸡”、“麦辣鸡翅”、“肯德基”、“麦当劳”、“小吃类”、“炸鸡类”和“西餐”之间的关联关系，将具有关联关系的节点分别相连接，从而可以形成初始对象对应的图结构样本，如图3所示，该图结构样本即构成了图神经网络模型的训练样本。

可以理解地，上述示例仅是为了更好地理解本公开实施例的技术方案而列举的示例，不作为对本实施例的唯一限制。

在获取到图结构样本之后，执行步骤204。

步骤204：将所述图结构样本输入至初始图神经网络，并获取由所述初始图神经网络输出的所述初始对象对应的预测对象标签。

初始图神经网络是指还未进行训练的用于对初始对象的标签进行识别的神经网络模型。

预测对象标签是指由初始图神经网络对与初始对象关联的图结构样本进行处理，得到的对象标签。

在获取与初始对象关联的图结构样本之后，可以将图结构样本输入至初始图神经网络，进而可以获取由初始图神经网络输出的初始对象对应的预测对象标签。如图4所示，在得到初始对象的图结构之后，可以将图结构输入至图神经网络，以由图神经网络得到初始对象的预测对象标签。

在获取到由初始图神经网络输出的初始对象对应的预测对象标签之后，执行步骤205。

步骤205：基于所述初始对象标签和所述预测对象标签，计算所述初始图神经网络的损失值。

损失值可以用于表示图结构样本的初始对象标签和预测对象标签之间的偏差程度。

在获取到由初始图神经网络输出的初始对象对应的预测对象标签之后，可以根据初始对象标签和预测对象标签计算得到初始图神经网络的损失值。

在基于初始对象标签和预测对象标签计算得到初始图神经网络的损失值之后，执行步骤206。

步骤206：在所述损失值处于预设范围内的情况下，将训练后的初始图神经网络作为目标图神经网络。

本实施例中，该预设范围可以根据实际应用场景和实际需求设定，本公开实施例对其不加以限制。进一步地，如果损失值在预设范围内，则可以认为每个图结构样本的预测对象标签与其真实的初始对象标签之间的偏差非常小，此时，可以认为图结构样本的预测对象标签与其真实的初始对象标签相符合，该初始图神经网络能够正确的预测出对象的真实意图，相应地，可以将该初始图神经网络作为目标图神经网络，该目标图神经网络可以在后续过程中对对象的标签进行识别。

本公开的实施例在训练图神经网络的过程中，通过结合对象和对象所处网络节点的节点信息作为模型训练的输入，很好的利用了对象关联的信息，从而可以使训练得到的模型能够准确的识别对象标签，提高了对象标签识别的准确率。

步骤207：获取待识别的目标对象。

目标对象是指需要进行对象标签识别的对象，在本实施例中，目标对象可以为商品，如五粮液、五花肉等商品，也可以为其它对象，具体地，可以根据业务需求而定，本实施例对此不加以限制。

在需要进行对象的对象标签识别时，首先可以获取待识别的目标对象。

在获取到待识别的目标对象之后，执行步骤208。

步骤208：根据所述目标对象所处的目标网络节点，获取所述目标网络节点对应的目标节点名称、目标节点类型、及所述目标网络节点为所述目标对象分配的目标对象类型。

目标网络节点是指目标对象所属的网络节点，例如，在目标对象为商品时，目标网络节点可以为商店、餐厅等。

目标节点名称是指目标网络节点的名称。

目标节点类型是指目标网络节点的类型。

目标对象类型是指目标网络节点为目标对象赋予的对象类型。

在获取到目标对象之后，可以获取目标对象所处的目标网络节点，并获取目标网络节点对应的目标节点名称、目标节点类型，以及目标网络节点为目标对象分配的目标对象类型。

在根据目标对象所处的目标网络节点，获取目标网络节点对应的目标节点名称、目标节点类型、及目标网络节点为目标对象分配的目标对象类型之后，执行步骤209。

步骤209：根据所述目标对象、所述目标节点名称、所述目标节点类型和所述目标对象类型，生成目标结构图。

目标结构图是指与目标对象关联的网络图结构。

在获取到目标对象、目标节点名称、目标节点类型和目标对象类型之后，可以根据目标对象、目标节点名称、目标节点类型和目标对象类型生成目标结构图。

对于生成目标结构图的过程可以结合下述具体实现方式进行详细描述。

在本公开的实施例的另一种具体实现方式中，上述步骤209可以包括：

子步骤S1：以所述目标对象、所述目标节点名称、所述目标节点类型和所述目标对象类型作为目标图节点；

子步骤S2：将所述目标对象分别与所述所述目标节点名称、所述目标节点类型和所述目标对象类型相连接，生成所述目标结构图。

在获取到目标对象、目标节点名称、目标节点类型和目标对象类型之后，可以根据目标对象、目标节点名称、目标节点类型和目标对象类型生之间的关联关系，将具有关联关系的目标对象、目标节点名称、目标节点类型和目标对象类型之后，可以根据目标对象、目标节点名称、目标节点类型和目标对象类型相连接，从而可以得到目标结构图，例如，如图2所示，目标对象为“大薯条”、“原味炸鸡”、“麦辣鸡翅”，而且这三个初始对象同属于网络节点“肯德基”和“麦当劳”，可以将目标对象“大薯条”、“原味炸鸡”、“麦辣鸡翅”均与网络节点“肯德基”和“麦当劳”相连，然后结合两个商家对大薯条、原味炸鸡和麦辣鸡翅的分类，将商品分别与商家分类进行连接，如将大薯条分别与小吃类、西餐相连接，将原味炸鸡分别与炸鸡类和西餐相连接，将麦辣鸡翅分别与炸鸡类和西餐相连接等。

然后，结合图2可知，麦当劳与小吃类、炸鸡类和西餐之间存在关联关系，进而可以将麦当劳与小吃类、炸鸡类和西餐相连接，如图3所示，根据“大薯条”、“原味炸鸡”、“麦辣鸡翅”、“肯德基”、“麦当劳”、“小吃类”、“炸鸡类”和“西餐”之间的关联关系，将具有关联关系的节点分别相连接，从而可以形成目标对象对应的目标图结构，如图3所示。

可以理解地，上述示例仅是为了更好地理解本公开的实施例而列举的示例，不作为对本公开实施例的唯一限制。

在根据目标对象、目标节点名称、目标节点类型和目标对象类型生成目标结构图之后，执行步骤210。

步骤210：将所述目标结构图输入至所述目标图神经网络，并获取由所述目标图神经网络输出的所述目标对象的目标对象标签。

在获取到目标结构图之后，可以将目标结构图输入至目标图神经网络，可以由目标图神经网络目标结构图，获取目标对象的目标对象标签。

本公开实施例通过结合对象和对象关联的节点信息对对象的标签进行识别，很好的利用了对象关联的信息，从而可以能够准确的识别对象标签，提高了对象标签识别的准确率。

本公开的实施例提供的图神经网络的训练方法，通过根据初始对象所处的网络节点，获取网络节点对应的节点名称、节点类型、及网络节点为初始对象分配的对象类型，根据初始对象、节点名称、节点类型和对象类型，生成初始对象对应的图结构样本，初始对象对应于一个初始对象标签，将图结构样本输入至初始图神经网络，并获取由初始图神经网络输出的初始对象对应的预测对象标签，基于初始对象标签和预测对象标签，计算初始图神经网络的损失值，在损失值处于预设范围内的情况下，将训练后的初始图神经网络作为目标图神经网络。本公开的实施例在训练图神经网络的过程中，通过结合对象和对象所处网络节点的节点信息作为图神经网络训练的输入，很好的利用了对象关联的信息，从而可以使训练得到的图神经网络能够准确的识别对象标签，提高了对象标签识别的准确率。

实施例三

参照图6，示出了本公开的实施例提供的一种图神经网络的训练装置的结构示意图，如图6所示，该图神经网络的训练装置300具体可以包括如下模块：

节点名称类型获取模块310，用于根据初始对象所处的网络节点，获取所述网络节点对应的节点名称、节点类型、及所述网络节点为所述初始对象分配的对象类型；

图结构样本生成模块320，用于根据所述初始对象、所述节点名称、所述节点类型和所述对象类型，生成所述初始对象对应的图结构样本；所述初始对象对应于一个初始对象标签；

预测对象标签获取模块330，用于将所述图结构样本输入至初始图神经网络，并获取由所述初始图神经网络输出的所述初始对象对应的预测对象标签；

损失值计算模块340，用于基于所述初始对象标签和所述预测对象标签，计算所述初始图神经网络的损失值；

目标图网络获取模块350，用于在所述损失值处于预设范围内的情况下，将训练后的初始图神经网络作为目标图神经网络。

本公开的实施例提供的一种图神经网络的训练装置，通过根据初始对象所处的网络节点，获取网络节点对应的节点名称、节点类型、及网络节点为初始对象分配的对象类型，根据初始对象、节点名称、节点类型和对象类型，生成初始对象对应的图结构样本，初始对象对应于一个初始对象标签，将图结构样本输入至初始图神经网络，并获取由初始图神经网络输出的初始对象对应的预测对象标签，基于初始对象标签和预测对象标签，计算初始图神经网络的损失值，在损失值处于预设范围内的情况下，将训练后的初始图神经网络作为目标图神经网络。本公开的实施例在训练图神经网络的过程中，通过结合对象和对象所处网络节点的节点信息作为图神经网络训练的输入，很好的利用了对象关联的信息，从而可以使训练得到的图神经网络能够准确的识别对象标签，提高了对象标签识别的准确率。

实施例四

参照图7，示出了本公开的实施例提供的另一种图神经网络的训练装置的结构示意图，如图7所示，该图神经网络的训练装置400具体可以包括如下模块：

节点名称类型获取模块410，用于根据初始对象所处的网络节点，获取所述网络节点对应的节点名称、节点类型、及所述网络节点为所述初始对象分配的对象类型；

图结构样本生成模块420，用于根据所述初始对象、所述节点名称、所述节点类型和所述对象类型，生成所述初始对象对应的图结构样本；所述初始对象对应于一个初始对象标签；

预测对象标签获取模块430，用于将所述图结构样本输入至初始图神经网络，并获取由所述初始图神经网络输出的所述初始对象对应的预测对象标签；

损失值计算模块440，用于基于所述初始对象标签和所述预测对象标签，计算所述初始图神经网络的损失值；

目标图网络获取模块450，用于在所述损失值处于预设范围内的情况下，将训练后的初始图神经网络作为目标图神经网络；

目标对象获取模块460，用于获取待识别的目标对象；

目标类型获取模块470，用于根据所述目标对象所处的目标网络节点，获取所述目标网络节点对应的目标节点名称、目标节点类型、及所述目标网络节点为所述目标对象分配的目标对象类型；

目标结构图生成模块480，用于根据所述目标对象、所述目标节点名称、所述目标节点类型和所述目标对象类型，生成目标结构图；

目标对象标签获取模块490，用于将所述目标结构图输入至所述目标图神经网络，并获取由所述目标图神经网络输出的所述目标对象的目标对象标签。

可选地，所述图结构样本生成模块420包括：

图节点获取单元421，用于以所述初始对象、所述节点名称、所述节点类型和所述对象类型作为图节点；

图样本生成单元422，用于将具有关联关系的图节点相连接，生成所述初始对象对应的图结构样本。

可选地，所述目标结构图生成模块480包括：

目标图节点获取单元，用于以所述目标对象、所述目标节点名称、所述目标节点类型和所述目标对象类型作为目标图节点；

目标结构图生成单元，用于将所述目标对象分别与所述所述目标节点名称、所述目标节点类型和所述目标对象类型相连接，生成所述目标结构图。

本公开的实施例提供的图神经网络的训练装置，通过根据初始对象所处的网络节点，获取网络节点对应的节点名称、节点类型、及网络节点为初始对象分配的对象类型，根据初始对象、节点名称、节点类型和对象类型，生成初始对象对应的图结构样本，初始对象对应于一个初始对象标签，将图结构样本输入至初始图神经网络，并获取由初始图神经网络输出的初始对象对应的预测对象标签，基于初始对象标签和预测对象标签，计算初始图神经网络的损失值，在损失值处于预设范围内的情况下，将训练后的初始图神经网络作为目标图神经网络。本公开的实施例在训练图神经网络的过程中，通过结合对象和对象所处网络节点的节点信息作为图神经网络训练的输入，很好的利用了对象关联的信息，从而可以使训练得到的图神经网络能够准确的识别对象标签，提高了对象标签识别的准确率。

本公开的实施例还提供了一种电子设备，包括：处理器、存储器以及存储在所述存储器上并可在所述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前述实施例的图神经网络的训练方法。

本公开的实施例还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的图神经网络的训练方法。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本公开的实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本公开的实施例的内容，并且上面对特定语言所做的描述是为了披露本公开的实施例的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开的实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的实施例的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。

本公开的实施例的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本公开的实施例的动态图片的生成设备中的一些或者全部部件的一些或者全部功能。本公开的实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本公开的实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本公开的实施例进行说明而不是对本公开的实施例进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本公开的实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

以上所述仅为本公开的实施例的较佳实施例而已，并不用以限制本公开的实施例，凡在本公开的实施例的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本公开的实施例的保护范围之内。

以上所述，仅为本公开的实施例的具体实施方式，但本公开的实施例的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开的实施例揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的实施例的保护范围之内。因此，本公开的实施例的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种图神经网络的训练方法，其特征在于，包括：

根据初始对象所处的网络节点，获取所述网络节点对应的节点名称、节点类型、及所述网络节点为所述初始对象分配的对象类型；

根据所述初始对象、所述节点名称、所述节点类型和所述对象类型，生成所述初始对象对应的图结构样本；所述初始对象对应于一个初始对象标签；

将所述图结构样本输入至初始图神经网络，并获取由所述初始图神经网络输出的所述初始对象对应的预测对象标签；

基于所述初始对象标签和所述预测对象标签，计算所述初始图神经网络的损失值；

在所述损失值处于预设范围内的情况下，将训练后的初始图神经网络作为目标图神经网络。

2.根据权利要求1所述的方法，其特征在于，所述根据所述初始对象、所述节点名称、所述节点类型和所述对象类型，生成所述初始对象对应的图结构样本，包括：

以所述初始对象、所述节点名称、所述节点类型和所述对象类型作为图节点；

将具有关联关系的图节点相连接，生成所述初始对象对应的图结构样本。

3.根据权利要求1所述的方法，其特征在于，在所述将训练后的初始图神经网络作为目标图神经网络之后，还包括：

获取待识别的目标对象；

根据所述目标对象所处的目标网络节点，获取所述目标网络节点对应的目标节点名称、目标节点类型、及所述目标网络节点为所述目标对象分配的目标对象类型；

根据所述目标对象、所述目标节点名称、所述目标节点类型和所述目标对象类型，生成目标结构图；

将所述目标结构图输入至所述目标图神经网络，并获取由所述目标图神经网络输出的所述目标对象的目标对象标签。

4.根据权利要求3所述的方法，其特征在于，所述根据所述目标对象、所述目标节点名称、所述目标节点类型和所述目标对象类型，生成目标结构图，包括：

以所述目标对象、所述目标节点名称、所述目标节点类型和所述目标对象类型作为目标图节点；

将所述目标对象分别与所述所述目标节点名称、所述目标节点类型和所述目标对象类型相连接，生成所述目标结构图。

5.一种图神经网络的训练装置，其特征在于，包括：

节点名称类型获取模块，用于根据初始对象所处的网络节点，获取所述网络节点对应的节点名称、节点类型、及所述网络节点为所述初始对象分配的对象类型；

图结构样本生成模块，用于根据所述初始对象、所述节点名称、所述节点类型和所述对象类型，生成所述初始对象对应的图结构样本；所述初始对象对应于一个初始对象标签；

预测对象标签获取模块，用于将所述图结构样本输入至初始图神经网络，并获取由所述初始图神经网络输出的所述初始对象对应的预测对象标签；

损失值计算模块，用于基于所述初始对象标签和所述预测对象标签，计算所述初始图神经网络的损失值；

目标图网络获取模块，用于在所述损失值处于预设范围内的情况下，将训练后的初始图神经网络作为目标图神经网络。

6.根据权利要求5所述的装置，其特征在于，所述图结构样本生成模块包括：

图节点获取单元，用于以所述初始对象、所述节点名称、所述节点类型和所述对象类型作为图节点；

图样本生成单元，用于将具有关联关系的图节点相连接，生成所述初始对象对应的图结构样本。

7.根据权利要求5所述的装置，其特征在于，还包括：

目标对象获取模块，用于获取待识别的目标对象；

目标类型获取模块，用于根据所述目标对象所处的目标网络节点，获取所述目标网络节点对应的目标节点名称、目标节点类型、及所述目标网络节点为所述目标对象分配的目标对象类型；

目标结构图生成模块，用于根据所述目标对象、所述目标节点名称、所述目标节点类型和所述目标对象类型，生成目标结构图；

目标对象标签获取模块，用于将所述目标结构图输入至所述目标图神经网络，并获取由所述目标图神经网络输出的所述目标对象的目标对象标签。

8.根据权利要求7所述的装置，其特征在于，所述目标结构图生成模块包括：

目标图节点获取单元，用于以所述目标对象、所述目标节点名称、所述目标节点类型和所述目标对象类型作为目标图节点；

目标结构图生成单元，用于将所述目标对象分别与所述所述目标节点名称、所述目标节点类型和所述目标对象类型相连接，生成所述目标结构图。

9.一种电子设备，其特征在于，包括：

处理器、存储器以及存储在所述存储器上并可在所述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权利要求1至4任一项所述的图神经网络的训练方法。

10.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行权利要求1至4任一项所述的图神经网络的训练方法。

Images