[发明专利]一种节点分类的方法、模型训练的方法及装置

说明书

本发明公开了一种模型训练方法，包括：从待训练节点集合中获取待训练节点子集合，待训练节点子集合中的节点个数小于待训练节点集合的节点个数；根据待训练节点子集合确定节点特性向量子集合；根据目标节点子集合以及节点特性向量子集合确定预测类别概率子集合，预测类别概率与目标节点具有对应关系；根据预测类别概率子集合以及第一模型参数确定第二模型参数；根据第二模型参数训练得到节点分类模型。本发明还公开了节点分类方法以及服务器。本发明对于大规模图谱而言，可以仅基于一部分节点进行训练，每一次迭代计算图谱中的部分节点，无需遍历图谱中的每个节点，大幅地降低了计算开销，且节省计算资源。

技术领域

本发明涉及互联网技术领域，尤其涉及一种节点分类的方法、模型训练的方法及装置。

背景技术

随着机器学习技术的发展，图片分类任务得到了瞩目的进展，相关技术已经应用到自动驾驶、安防以及游戏等诸多场景。与图片类似，图谱也是一种常见的数据，例如社交网络、知识图谱以及药物分子结构等。与图片不同的是，利用机器学习方法对图谱节点进行分类的研究还比较少。

目前，针对大规模图谱而言，对图谱节点信息整合需要设置专门的迭代计算。请参阅图1，图1为现有方案中面向图谱节点分类的图卷积神经网络(graph convolutionalnetworks，GCN)分类模型一个示意图，如图所示，v表示节点，a表示连接两个节点的边，对输入层的每个节点进行特征向量的计算，就可以更新整个图谱信息，得到第一层信息，采用softmax函数对第一层信息中的每个节点预测节点类别。

对于大规模图谱而言，往往含有千万级甚至亿级以上的节点数，以及含有数十亿级以上的连边。然而，为了更新每个节点的特征信息，GCN需要在一次特征信息计算中遍历每个节点的所有邻居节点，导致计算代价过高，计算资源消耗过大。

发明内容

本发明实施例提供了一种节点分类的方法、模型训练的方法及装置，对于大规模图谱而言，可以仅基于一部分节点进行训练，每一次迭代计算图谱中的部分节点，无需遍历图谱中的每个节点，大幅地降低了计算开销，且节省计算资源。

有鉴于此，本发明第一方面提供了一种节点分类的方法，包括：

获取待分类节点；

根据所述待分类节点获取邻居节点集合，其中，所述邻居节点集合包括至少一个邻居节点，所述邻居节点与所述待分类节点之间具有关联关系；

根据所述邻居节点集合确定所述待分类节点的目标特征信息；

通过所述节点分类模型确定所述目标特征信息的分类结果，其中，所述节点分类模型为根据至少一个待训练节点子集合训练得到的，每个待训练节点子集合的节点个数小于待训练节点集合的节点个数。

本发明第二方面提供了一种节点分类的方法，包括：

从待训练节点集合中获取待训练节点子集合，其中，所述待训练节点子集合中的节点个数小于所述待训练节点集合的节点个数，所述待训练节点子集合包括目标节点子集合以及邻居节点子集合，所述邻居节点子集合中的邻居节点与所述目标节点子集合中的目标节点具有关联关系；

根据所述待训练节点子集合确定节点特性向量子集合，其中，节点特性向量子集合包括至少一个节点特性向量，所述节点特性向量与所述目标节点具有对应关系；

根据所述目标节点子集合以及所述节点特性向量子集合确定预测类别概率子集合，其中，所述预测类别概率子集合包括至少一个预测类别概率，所述预测类别概率与所述目标节点具有对应关系；

根据所述预测类别概率子集合以及第一模型参数确定第二模型参数；

根据所述第二模型参数训练得到节点分类模型。

本发明第三方面提供了一种服务器，包括：

获取模块，用于获取待分类节点；