图模型训练方法和装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115965079A(43)申请公布日2023.04.14(21)申请号202211680435.6(22)申请日2022.12.27(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人田胜朱亮但家旺孟昌华(74)专利代理机构济南信达专利事务所有限公司37100专利代理师李世喆(51)Int.Cl.G06N3/096(2023.01)G06N3/042(2023.01)G06N3/045(2023.01)权利要求书2页说明书11页附图7页(54)发明名称图模型训练方法和装置(57)摘要本说明书实施例提供了一种图模型训练方法和装置。待训练的图模型适用于第一业务场景中；该方法包括：得到教师网络图模型；其中，所述教师网络图模型适用于第二业务场景中且为训练完毕的图模型；从第一业务场景中得到训练样本；利用教师网络图模型与待训练的图模型分别学习训练样本；对根据教师网络图模型对训练样本的学习结果与待训练的图模型对训练样本的学习结果进行相似性约束，以得到差异损失；利用待训练的图模型对训练样本的学习结果，得到业务损失；根据所述差异损失以及所述业务损失，调整所述待训练的图模型的模型参数。本说明书实施例能够减少对第一业务场景中训练样本的数量的要求。CN115965079ACN115965079A权利要求书1/2页1.图模型训练方法，其中，该待训练的图模型适用于第一业务场景中；该方法包括：得到教师网络图模型；其中，所述教师网络图模型适用于第二业务场景中且为训练完毕的图模型；从第一业务场景中得到训练样本；利用教师网络图模型与待训练的图模型分别学习训练样本；针对教师网络图模型对训练样本的学习结果与待训练的图模型对训练样本的学习结果进行相似性约束，以得到差异损失；利用待训练的图模型对训练样本的学习结果，以得到业务损失；根据所述差异损失以及所述业务损失，调整所述待训练的图模型的模型参数。2.根据权利要求1所述的方法，其中，所述利用教师网络图模型与待训练的图模型分别学习训练样本，包括：利用教师网络图模型从训练样本中提取图结构，以得到第一图结构表征；利用待训练的图模型从训练样本中提取图结构，以得到第二图结构表征；利用教师网络图模型从训练样本中提取图特征，以得到第一图特征表征；利用待训练的图模型从训练样本中提取图特征，以得到第二图特征表征；对应地，所述针对根据教师网络图模型对训练样本的学习结果与待训练的图模型对训练样本的学习结果进行相似性约束得到差异损失，包括：对第一图结构表征与第二图结构表征进行相似性约束，以得到第一差异损失；对第一图特征表征与第二图特征表征进行相似性约束，以得到第二差异损失。3.根据权利要求2所述的方法，其中，该方法进一步包括：根据所述训练样本得到邻居关系矩阵；其中，所述邻居关系矩阵为N*N的矩阵，N为根据训练样本得到的节点的数量；对于任意两个节点，如果该两个节点直连，形成一阶邻居关系，则在所述邻居关系矩阵中对应于该两个节点的矩阵元素的值为1，否则为0；根据所述训练样本得到特征矩阵；其中，所述特征矩阵为N*M的矩阵，M为根据训练样本得到的每一个节点包括的特征的数量；所述特征矩阵中的每一行对应一个节点，该行中不同的矩阵元素表示该节点的不同的特征。4.根据权利要求3所述的方法，其中，该方法进一步包括：将所述特征矩阵中的所有矩阵元素的值均设置为0，以得到第一特征矩阵；所述利用教师网络图模型从训练样本中提取图结构，包括：将所述邻居关系矩阵、所述第一特征矩阵输入所述教师网络图模型，以得到该教师网络图模型输出的第一图结构表征；所述利用待训练的图模型从训练样本中提取图结构，包括：将所述邻居关系矩阵、所述第一特征矩阵输入所述待训练的图模型，以得到该待训练的图模型输出的第二图结构表征。5.根据权利要求3所述的方法，其中，该方法进一步包括：针对所述特征矩阵中的每一个矩阵元素，将该矩阵元素的值设置为该矩阵元素所对应节点的对应特征的值，以得到第二特征矩阵；所述利用教师网络图模型从训练样本中提取图特征，包括：将所述邻居关系矩阵、所述第二特征矩阵输入所述教师网络图模型，以得到该教师网2CN115965079A权利要求书2/2页络图模型输出的第一图特征表征；所述利用待训练的图模型从训练样本中提取图特征，包括：将所述邻居关系矩阵、所述第二特征矩阵输入所述待训练的图模型，以得到该待训练的图模型输出的第二图特征表征。6.根据权利要求2所述的方法，其中，所述对第一图结构表征与第二图结构表征进行相似性约束得到第一差异损失，包括：利用计算均方误差的方法对第一图结构表征与第二图结构表征求相似，以得到所述第一差异损失；所述对第一图特征表征与第二图特征表征