[发明专利]一种多结构文本图神经网络的相关方法和相关装置

说明书

本申请公开了一种多结构文本图神经网络的相关方法和相关装置，该方法包括：基于多结构文本的不同语义信息进行图网络构建，得到初始多结构文本图神经网络；将正负样本之间的距离越来越远为目标构造对比损失函数；基于对比损失函数和训练数据对初始多结构文本图神经网络进行训练，得到多结构文本图神经网络。以提高对多结构文本进行处理的效果，提高推理准确度。

技术领域

本申请涉及，特别涉及一种多结构文本图神经网络的训练方法、推理方法、另一种多结构文本图神经网络的训练方法、另两种多结构文本图神经网络的推理方法、多结构文本图神经网络的训练装置、多结构文本图神经网络的推理装置、服务器以及计算机可读存储介质。

背景技术

随着信息技术的不断发展，在越来越多的领域中可以应用人工智能技术，以提高对数据进行处理的效率和效果。其中，在文本数据和图像数据的识别领域中，可以采用对应的模型进行识别，得到回归结果或分类结果。

相关技术中，在多模态领域中需要对多结构文本进行处理。其中多结构文本指的是文本可以按照其语义不同，划分为多种结构类别。一般采用的推理网络无法对多结构文本进行有效的处理，降低了对多结构文本进行处理的效果，存在推理准确度较低的问题。

因此，如何提高对多结构文本进行处理的效果，提高推理准确度是本领域技术人员关注的重点问题。

发明内容

本申请的目的是提供一种多结构文本图神经网络的训练方法、推理方法、另一种多结构文本图神经网络的训练方法、另两种多结构文本图神经网络的推理方法、多结构文本图神经网络的训练装置、多结构文本图神经网络的推理装置、服务器以及计算机可读存储介质，以提高对多结构文本进行处理的效果，提高推理准确度。

为解决上述技术问题，本申请提供一种多结构文本图神经网络的训练方法，包括：

基于多结构文本的不同语义信息进行图网络构建，得到初始多结构文本图神经网络；其中，所述初始多结构文本图神经网络包括提取节点特征层、构建连接关系层、构建图层以及构建近邻关系层；

将正负样本之间的距离越来越远为目标构造对比损失函数；

基于所述对比损失函数和训练数据对所述初始多结构文本图神经网络进行训练，得到所述多结构文本图神经网络。

可选的，所述提取节点特征层，用于对所述多结构文本的文本信息进行特征编码，得到每个样本对应的特征编码；

所述构建连接关系层，用于将每个样本作为节点，并基于每个节点的语义信息构建每个节点之间的连接关系；

所述构建图层，用于基于每个节点之间的连接关系构建出所述节点对应的图神经网络；

所述构建近邻关系层，用于基于节点与节点之间的连接数对对应节点的图神经网络的边进行加权计算，得到对应的节点特征。

可选的，所述提取节点特征层，具体用于对所述多结构文本的文本信息进行特征编码，得到每个文字的特征向量，通过注意力网络对所述文本信息的所有特征向量进行处理，得到所述多结构文本的文本信息的特征编码。

可选的，将正负样本之间的距离越来越远为目标构造对比损失函数，包括：

建立对应节点的正样本组，并基于所述正样本组建立对应的负样本组；

将所述正样本组与所述负样本组之间的距离越来越远作为目标构造所述对比损失函数。

可选的，基于所述对比损失函数和训练数据对所述初始多结构文本图神经网络进行训练，得到所述多结构文本图神经网络，包括：

基于所述训练数据和所述对比损失函数对所述初始多结构文本图神经网络进行迭代训练，直至所述对比损失函数收敛，得到所述多结构文本图神经网络。