[发明专利]神经网络模型的训练方法、装置及电子设备

权利要求书

1.一种神经网络模型的训练方法，其特征在于，所述方法包括：

获取多个第一节点分别对应的第一特征向量和所述多个第一节点之间的多种关联关系分别对应的权重矩阵，一种关联关系对应一个权重矩阵；

基于所述多种关联关系的第一数量，对多个权重矩阵分别进行整合，得到多个第一权重参数，一个权重矩阵对应一个第一权重参数，所述第一权重参数用于表示所述关联关系的重要程度；

基于所述多个第一节点分别对应的第一特征向量，对所述多个第一权重参数进行迭代优化，直至所述多个第一权重参数满足收敛条件，得到多个第二权重参数；

基于所述多个第二权重参数和所述多个第一节点分别对应的第一特征向量，进行模型训练，得到目标神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述基于所述多个第一节点分别对应的第一特征向量，对所述多个第一权重参数进行迭代优化，直至所述多个第一权重参数满足收敛条件，得到多个第二权重参数，包括：

获取第一关系数据，所述第一关系数据用于表示两个自变量之间的关系，所述两个自变量分别为第一特征向量和第一权重参数；

基于所述第一关系数据，以第一权重参数为自变量，保持所述多个第一节点分别对应的第一特征向量不变，得到第二关系数据；

基于所述第二关系数据，通过当前层神经网络对所述多个第一权重参数进行迭代优化，直至所述多个第一权重参数满足收敛条件，得到所述多个第二权重参数。

3.根据权利要求2所述的方法，其特征在于，所述获取第一关系数据，包括：

确定第一向量矩阵和多种关联关系分别对应的拉普拉斯矩阵，所述第一向量矩阵由所述多个第一节点分别对应的第一特征向量构成，一种关联关系对应一个拉普拉斯矩阵；

以所述第一向量矩阵为自变量，确定所述第一关系数据中的特征项关系数据；

基于所述第一向量矩阵和所述多种关联关系分别对应的拉普拉斯矩阵，以所述多种关联关系分别对应的第一权重参数为自变量，确定所述第一关系数据中的第一参数项关系数据，一种关联关系对应一个拉普拉斯矩阵；

以所述多种关联关系分别对应的第一权重参数为自变量，确定所述第一关系数据中的第二参数项关系数据；

基于所述特征项关系数据、所述第一参数项关系数据和所述第二参数项关系数据，确定所述第一关系数据。

4.根据权利要求2所述的方法，其特征在于，所述基于所述第二关系数据，通过当前层神经网络对第一权重参数进行迭代优化，直至所述第一权重参数满足收敛条件，得到第二权重参数的过程，包括：

对所述第二关系数据进行优化，得到第三关系数据，所述第三关系数据用于表示基于权重比例系数、第一优化矩阵、第一优化参数和第一数量，第一权重参数随迭代优化次数的增加进行优化的关系，所述权重比例系数为基于第一权重和第二权重确定的，所述第一权重为所述第一关系数据中第一参数项关系数据的权重，所述第二权重为所述第一关系数据中第二参数项关系数据的权重，所述第一优化矩阵和所述第一优化参数均用于优化所述关联关系对应的第一权重参数；

基于所述第一向量矩阵和所述多种关联关系分别对应的拉普拉斯矩阵，确定所述多种关联关系分别对应的第一优化矩阵，一种关联关系对应一个第一优化矩阵；

基于所述权重比例系数和所述多种关联关系分别对应的第一优化矩阵，确定第一优化参数；

将所述第一数量、所述权重比例系数、所述第一优化参数和所述关联关系对应的第一优化矩阵分别代入所述第三关系数据中，基于迭代优化次数，通过所述当前层神经网络对所述第一权重参数进行迭代优化，直至所述第一权重参数满足收敛条件，得到第二权重参数。