[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

说明书

本申请公开了一种应用于人工智能领域的编码器训练方法，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；根据特征向量集合，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；通过解码器对N个编码向量进行解码处理，得到第二图数据；根据第一图数据以及第二图数据，采用损失函数对图注意力网络自编码器的第一模型参数进行更新。本申请还公开了一种信息推荐的方法以及相关装置。本申请不但充分考虑到节点与节点之间互动的情况，而且在训练过程中采用自编码器的架构还可以提升网络的性能，使得编码结果更准确。

技术领域

本申请涉及人工智能领域，尤其涉及一种编码器的训练方法、信息推荐的方法以及相关装置。

背景技术

近年来，在图数据中进行数据挖掘，已成为自然语言处理领域的研究热点之一。和普通数据不同，图中的数据挖掘需要对节点之间的联系进行更复杂的建模，这不仅需要充分考虑节点自身的属性，同时也要考虑节点的各个邻居对节点的影响。

目前，基于图结构的广义人工神经网络，已提出一种图自编码器(graph auto-encoder，GAE)，GAE中使用编码器(encoder)来提取节点的特征，再利用自编码器(auto-encoder，AE)的架构来进行无监督学习。

然而，提取节点特征的编码器对节点自身属性和相邻节点的属性只是进行了线性组合，没有考虑到两者之间的互动情况。事实上，各个相邻节点的重要性是不同的，忽略相邻节点的重要性，会导致编码器的学习效果较差。

发明内容

本申请实施例提供了一种编码器的训练方法、信息推荐的方法以及相关装置，不但充分考虑到节点与节点之间互动的情况，而且在训练过程中采用自编码器的架构还可以提升网络的性能，使得编码结果更准确。

有鉴于此，本申请第一方面提供一种编码器的训练方法，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，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，N为大于或等于2的整数；

根据特征向量集合，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，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，N个编码向量中的编码向量与特征向量集合中的特征向量具有对应关系；

通过解码器对N个编码向量进行解码处理，得到第二图数据；

根据第一图数据以及第二图数据，采用损失函数对图注意力网络自编码器的第一模型参数进行更新。

本申请第二方面提供一种信息推荐的方法，包括：

接收客户端发送的信息推荐请求，其中，信息推荐请求携带目标节点的标识以及客户端的标识；

根据信息推荐请求，获取目标节点所对应的特征向量以及P个相邻节点所对应的特征向量，其中，P为大于或等于1的整数；

基于目标节点所对应的特征向量，通过图注意力网络自编码器获取目标编码向量，其中，图注意力网络自编码器为采用上述第一方面的方法训练得到的；

基于P个相邻节点所对应的特征向量，通过图注意力网络自编码器获取P个编码向量，其中，P个编码向量中的编码向量与相邻节点具有对应关系；

根据目标编码向量以及P个编码向量，确定P个节点间距离，其中，P个节点间距离中的节点间距离表示目标节点与相邻节点之间的距离；

将P个节点间距离从小至大排列，以排列在前Q个的相邻节点作为待推荐节点集合，其中，Q为大于或等于1，且小于或等于P的整数；

根据信息推荐请求，向客户端推送待推荐节点集合。

本申请第三方面提供一种编码器训练装置，包括：