[发明专利]一种编码器的训练方法、信息推荐的方法以及相关装置有效

专利信息
申请号: 202010195988.7 申请日: 2020-03-19
公开(公告)号: CN111428091B 公开(公告)日: 2020-12-08
发明(设计)人: 刘巍 申请(专利权)人: 腾讯科技(深圳)有限公司
主分类号: G06F16/901 分类号: G06F16/901;G06F16/906;G06N3/04;G06N3/08;G06Q30/06
代理公司: 深圳市深佳知识产权代理事务所(普通合伙) 44285 代理人: 王仲凯
地址: 518064 广东省深圳*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 编码器 训练 方法 信息 推荐 以及 相关 装置
【权利要求书】:

1.一种编码器的训练方法,其特征在于,包括:

根据第一图数据获取N个节点所对应的特征向量集合,其中,所述特征向量集合中包括N个特征向量,且每个特征向量对应于图中的一个节点,所述N为大于或等于2的整数;

根据所述特征向量集合,通过图注意力网络自编码器对每个节点所对应的特征向量进行编码处理,得到N个编码向量,其中,所述图注意力网络自编码器为通过图注意力网络进行编码的自编码器,所述N个编码向量中的编码向量与所述特征向量集合中的特征向量具有对应关系;

通过解码器对所述N个编码向量进行解码处理,得到第二图数据;

根据所述第一图数据以及所述第二图数据,采用损失函数对所述图注意力网络自编码器的第一模型参数进行更新;

所述根据所述特征向量集合,通过图注意力网络自编码器对每个节点所对应的特征向量进行编码处理,得到N个编码向量,包括:

针对所述N个节点中任一节点,获取所述任一节点所对应的M个相邻节点,其中,所述M为大于或等于1的整数;

根据所述特征向量集合获取所述任一节点的特征向量以及所述M个相邻节点中每个相邻节点的特征向量;

基于所述任一节点的特征向量以及所述每个相邻节点的特征向量,通过所述图注意力网络自编码器获取(M+1)个注意力系数,其中,所述(M+1)个注意力系数包括所述任一节点自身的注意力系数;

基于所述(M+1)个注意力系数,通过所述图注意力网络自编码器获取所述任一节点所对应的编码向量。

2.根据权利要求1所述的训练方法,其特征在于,所述根据第一图数据获取N个节点所对应的特征向量集合,包括:

根据所述第一图数据获取所述N个节点中每个节点所对应的数据;

根据所述N个节点中每个节点所对应的数据,生成所述每个节点所对应的特征向量;

根据所述N个节点中所述每个节点所对应的特征向量,获取所述特征向量集合。

3.根据权利要求1所述的训练方法,其特征在于,所述基于所述任一节点的特征向量以及所述每个相邻节点的特征向量,通过所述图注意力网络自编码器获取(M+1)个注意力系数,包括:

基于所述任一节点的特征向量以及所述每个相邻节点的特征向量,通过所述图注意力网络自编码器计算M个原始注意力系数;

基于所述任一节点的特征向量,通过所述图注意力网络自编码器计算所述任一节点的原始注意力系数;

对所述任一节点的原始注意力系数以及所述M个原始注意力系数中的每个原始注意力系数进行归一化处理,得到所述(M+1)个注意力系数。

4.根据权利要求1所述的训练方法,其特征在于,所述基于所述(M+1)个注意力系数,通过所述图注意力网络自编码器获取所述任一节点所对应的编码向量,包括:

基于所述任一节点的所对应的所述(M+1)个注意力系数、所述任一节点的特征向量以及所述每个相邻节点的特征向量,通过所述图注意力网络自编码器获取所述任一节点所对应的K个输出结果,其中,所述K为大于或等于1的整数;

若所述K等于1,则将所述输出结果确定为所述任一节点所对应的编码向量;

若所述K大于1,则将所述K个输出结果进行拼接处理,得到所述任一节点所对应的编码向量,或,对所述K个输出结果进行平均处理,得到所述任一节点所对应的编码向量。

5.根据权利要求1所述的训练方法,其特征在于,所述根据所述第一图数据以及所述第二图数据,采用损失函数对所述图注意力网络自编码器的第一模型参数进行更新,包括:

根据所述第一图数据以及所述第二图数据,采用交叉熵损失函数确定第二模型参数;

将所述图注意力网络自编码器的所述第一模型参数更新为所述第二模型参数;

所述根据所述第一图数据以及所述第二图数据,采用损失函数对所述图注意力网络自编码器的第一模型参数进行更新之后,所述方法还包括:

若满足模型训练条件,则停止对所述图注意力网络自编码器的模型参数进行更新。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于腾讯科技(深圳)有限公司,未经腾讯科技(深圳)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010195988.7/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top