[发明专利]图神经网络的训练方法、装置、电子设备及可读存储介质

说明书

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。

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；