[发明专利]图神经网络模型的训练方法及装置

权利要求书

1.一种用于搜索推荐的图神经网络模型的训练方法，其特征在于，包括：

根据网络节点和所述网络节点对应的历史交互数据，构建节点交互图；所述节点交互图中以所述网络节点和所述网络节点对应的用户作为图节点；其中，所述网络节点包括商品或者商家，所述历史交互数据为用户点击网络节点形成的数据，或用户购买网络节点形成的数据；

根据所述图节点之间的连接边权重，计算所述节点交互图中任意两个所述网络节点之间的节点相似度；所述连接边权重为用户与所述网络节点的交互频次；

根据所述节点相似度和所述网络节点，构建得到训练样本图；

对所述训练样本图进行采样处理，得到多个以所述网络节点为主节点的样本子图；

获取所述样本子图对应的负样本节点和多阶邻居节点；

根据所述样本子图、所述负样本节点和所述多阶邻居节点对初始图神经网络模型进行训练，得到所述初始图神经网络模型的损失值；

在所述损失值处于预设范围内的情况下，将训练后的初始图神经网络模型作为目标图神经网络模型；

在所述损失值不处于预设范围内的情况下，根据所述损失值调整所述初始图神经网络模型的模型参数，并迭代执行所述获取所述样本子图对应的负样本节点和多阶邻居节点，至所述根据所述样本子图、所述负样本节点和所述多阶邻居节点对初始图神经网络模型进行训练，得到所述初始图神经网络模型的损失值的步骤，直至得到目标图神经网络模型；

其中，所述根据所述样本子图、所述负样本节点和所述多阶邻居节点对初始图神经网络模型进行训练，得到所述初始图神经网络模型的损失值，包括：

根据所述样本子图上每个图节点对应的邻居节点之间的连接权重，确定所述每个图节点对应的第一余弦相似度；

根据所述第一余弦相似度、所述每个图节点与所述邻居节点的连接权重，确定所述每个图节点对应的第一损失值；

获取所述样本子图上每个图节点和所述负样本节点对应的第二余弦相似度；

根据所述第二余弦相似度和所述第一余弦相似度，确定所述每个图节点对应的第二损失值；

根据所述第一损失值和所述第二损失值，计算得到所述初始图神经网络模型的损失值。

2.根据权利要求1所述的方法，其特征在于，所述根据所述图节点之间的连接边权重，计算所述节点交互图中任意两个所述网络节点之间的节点相似度，包括：

以所述用户和所述网络节点之间的交互频次作为所述用户和所述网络节点之间的连接边权重；

根据所述连接边权重、所述用户和所述网络节点，计算得到所述节点相似度。

3.根据权利要求2所述的方法，其特征在于，所述任意两个网络节点包括第一网络节点和第二网络节点，

所述根据所述连接边权重、所述用户和所述网络节点，计算得到所述节点相似度，包括：

根据所述第一网络节点与所述用户之间的连接边权重，确定所述第一网络节点和所述用户对应的第一节点权重；

根据所述用户与所述第二网络节点之间的连接边权重，确定所述用户和所述第二网络节点对应的第二节点权重；

根据所述第一节点权重和所述第二节点权重，确定所述第一网络节点和所述第二网络节点的节点相似度。

4.根据权利要求1所述的方法，其特征在于，所述根据所述节点相似度和所述网络节点，构建得到训练样本图，包括：

将任意两个网络节点相连接，并以所述任意两个网络节点的节点相似度作为连接权重，构建得到所述训练样本图。

5.根据权利要求1所述的方法，其特征在于，所述对所述训练样本图进行采样处理，得到多个以所述网络节点为主节点的样本子图，包括：

以所述网络节点为主节点，获取所述训练样本图上与所述网络节点构成邻居节点的邻居网络节点；

根据所述网络节点和所述邻居网络节点，确定所述网络节点对应的样本子图。