[发明专利]用于训练机器学习模型的方法和装置

权利要求书

1.一种用于训练机器学习模型的方法，包括：

生成训练样本集；

基于所述训练样本集构建关系网络，其中，所述训练样本集中的各个训练样本构成所述关系网络的节点，基于所述训练样本之间交互的存在性来定义所述节点之间的关系，并且将所述训练样本的基础属性用作相应节点的属性；以及

利用所述训练样本集来训练用于对所述关系网络中的节点进行分类的图神经网络以得到分类器，

其中，用于训练所述图神经网络的目标函数包含第一目标函数和第二目标函数，所述第一目标函数用于表示所述图神经网络输出的节点分类值与标签值之间的差异，所述第二目标函数用于表示节点之间在属性上的差异对所述目标函数的修正量。

2.如权利要求1所述的方法，其中，所述训练样本集的生成包括：

输入数据集D＝(X,y)，其中X为数据集中样本的基础属性，y为所述样本的标签值；以及

将所述数据集D拆分为训练样本集D^tr＝(X^tr,y^tr)、验证样本集D^val＝(X^val,y^val)和测试样本集D^te＝(X^te,y^te)，其中，X^tr,y^tr分别为所述训练样本集中的训练样本的基础属性和标签值，X^val、y^val分别为所述验证样本集中的验证样本的基础属性和标签值，X^te、y^te分别为所述测试样本集中的测试样本的基础属性和标签值。

3.如权利要求1所述的方法，其中，所述基础属性经过特征工程处理。

4.如权利要求1所述的方法，其中，所述关系网络G＝(V,E,X)包括由所述训练样本组成的节点集V＝{v_i}、边集E和属性集X，边集表示所述训练样本间的交互关系E＝{e_ij＝(v_i,v_j)|v_i,v_j∈V}，如果训练样本v_i和v_j在设定时段内发生交互，则e_ij＝1，否则e_ij＝0，每个训练样本v_i∈V具有属性x_i∈X。

5.如权利要求1所述的方法，其中，所述目标函数为所述第一目标函数和所述第二目标函数的线性组合。

6.如权利要求1所述的方法，其中，训练所述图神经网络的步骤包括：

a)通过计算所述第一目标函数和所述第二目标函数的取值得到所述目标函数的取值；

b)如果所述目标函数的取值大于设定的阈值，则基于所述目标函数的取值来调整所述图神经网络的参数并返回步骤a)，否则，则结束所述图神经网络的训练过程。

7.如权利要求6所述的方法，其中，利用下列优化算法中的一种来调整所述图神经网络的参数：批量梯度下降法、随机梯度下降和共轭梯度法。

8.如权利要求1所述的方法，其中，所述第一目标函数的取值基于所述训练样本集的全体训练样本确定，所述第二目标函数的取值基于所述训练样本集的子集确定。

9.如权利要求1所述的方法，其中，所述图神经网络为下列中的一种：图卷积神经网络、图注意力网络、图自编码器、图生成网络和图循环网络。