[发明专利]图结构估计模型的训练方法、装置、设备及存储介质

说明书

本发明实施例公开了一种图结构估计模型的训练方法、装置、设备及存储介质，其中方法包括：获取初始图以及初始图对应的标签信息；初始图包含多个节点，标签信息用于指示初始图中目标节点所属类别，目标节点为初始图的多个节点中任意一个或多个；调用图结构估计模型包括的图预测模型对初始图进行预测处理，得到初始图对应的观测信息；调用图结构估计模型包括的图估计器基于标签信息和观测信息进行估计处理得到估计图；并调用图预测模型对估计图进行预测处理，得到估计图对应的预测信息；基于估计图对应的预测信息和标签信息对图预测模型进行优化。采用本发明实施例可提供图结构估计模型的准确度。

技术领域

本申请涉及图处理领域，尤其涉及一种图结构估计模型的训练方法、装置、设备及存储介质。

背景技术

从化学和生物信息学研究到图像和社交网络分析，图无处不在。所谓图，是用于描述社区关系链最直接的工具，由节点和边组成，节点代表社区中的对象，边代表两个对象之间的联系紧密程度。由于图的普遍性，学习图的有效表示并将其应用于下游任务尤其重要。最近，用于图表示学习的图处理模型引起了广泛关注，比如图神经网络(Graph NeuralNetworks)GNN模型、图卷积网络(Graph Convolutional Network)GCN模型等；以图神经网络GNN模型为例，该模型大致遵循递归消息传递机制，即邻域信息被聚合并传递给邻居。

目前使用的图处理模型通常是基于图训练样本进行训练得到的，在训练时一般假设图训练样本的图结构是正确，并且符合图处理模型的模型性质。但是图训练样本一般是抽取自实际应用中复杂的交互系统，由于实际应用的交互系统中存在一些错误可能导致图训练样本存在一些缺失、无意义、甚至错误的边，这导致图训练样本与GNN的性质不匹配，从而影响GNN模型的准确度。因此，在图处理领域，如何对用于对图处理的模型进行训练以提高模型的准确度成为研究的热点问题。

发明内容

本发明实施例提供了一种图结构估计模型的训练方法、装置、设备及存储介质，可提高图结构估计模型的准确性。

一方面，本发明实施例提供了一种图结构估计模型的训练方法，包括：

获取初始图以及所述初始图对应的标签信息；所述初始图包含多个节点，所述标签信息用于指示所述初始图中目标节点所属类别，所述目标节点为所述初始图的多个节点中任意一个或多个；

调用图结构估计模型包括的图预测模型对所述初始图进行预测处理，得到所述初始图对应的观测信息；

调用所述图结构估计模型包括的图估计器基于所述标签信息和所述观测信息进行估计处理得到估计图；并调用所述图预测模型对所述估计图进行预测处理，得到所述估计图对应的预测信息，所述估计图对应的预测信息用于指示所述估计图中各个节点所属类别；

基于所述估计图对应的预测信息和所述标签信息对所述图预测模型进行优化。

一方面，本发明实施例还提供了一种图结构估计模型的训练装置，包括：

获取单元，用于获取初始图以及所述初始图对应的标签信息；所述初始图包含多个节点，所述标签信息用于指示所述初始图中目标节点所属类别，所述目标节点为所述初始图的多个节点中任意一个或多个；

处理单元，用于调用图结构估计模型包括的图预测模型对所述初始图进行预测处理，得到所述初始图对应的观测信息；

所述处理单元，还用于调用所述图结构估计模型包括的图估计器基于所述标签信息和所述观测信息进行估计处理得到估计图；并调用所述图预测模型对所述估计图进行预测处理，得到所述估计图对应的预测信息，所述估计图对应的预测信息用于指示所述估计图中各个节点所属类别；

所述处理单元，还用于基于所述估计图对应的预测信息和所述标签信息对所述图预测模型进行优化。