CN114936323A - 图表示模型的训练方法、装置及电子设备 - Google Patents

图表示模型的训练方法、装置及电子设备 Download PDF

Info

Publication number
CN114936323A
CN114936323A CN202210637849.4A CN202210637849A CN114936323A CN 114936323 A CN114936323 A CN 114936323A CN 202210637849 A CN202210637849 A CN 202210637849A CN 114936323 A CN114936323 A CN 114936323A
Authority
CN
China
Prior art keywords
gradient
batch
determining
ith
graph
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210637849.4A
Other languages
English (en)
Other versions
CN114936323B (zh
Inventor
杨超
牛化康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210637849.4A priority Critical patent/CN114936323B/zh
Publication of CN114936323A publication Critical patent/CN114936323A/zh
Application granted granted Critical
Publication of CN114936323B publication Critical patent/CN114936323B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • User Interface Of Digital Computer (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种图表示模型的训练方法、装置及电子设备，涉及人工智能技术领域，尤其涉及自然语言处理、深度学习、智能推荐、智能搜索技术领域。具体实现方案为：获取初始的图表示模型，以及图表示模型的至少一个批次的训练数据；针对第i批次的训练数据，利用图表示模型，根据训练数据中的正样本对和负样本对以及图表示模型的目标函数，确定第i批次的函数梯度；根据第i批次的函数梯度以及第i批次之前各批次的函数梯度，确定表征对象长期特征的第一更新梯度，和表征对象短期特征的第二更新梯度，进而对图表示模型中用于计算表示向量的参数进行调整，从而在梯度更新时能够同时考虑对象长期特征和对象短期特征，加快图表示模型的收敛速度。

Description

图表示模型的训练方法、装置及电子设备
技术领域
本公开涉及人工智能技术领域，尤其涉及自然语言处理、深度学习、智能推荐、智能搜索技术领域，尤其涉及一种图表示模型的训练方法、装置及电子设备。
背景技术
目前，相关技术中，在资源推荐系统中，需要先根据一段时间内用户对资源的访问行为构建图结构数据，进而确定图结构数据中各对象的表示向量，以便为用户推荐资源等，其中，对象例如，用户对象、资源对象等。
其中，用于确定图结构数据中各对象的表示向量的图表示模型，在训练时，根据选取的目标函数进行梯度更新所采取的优化器主要有以下几种：(1)基于一阶动量的随机梯度下降法(SGD-M)；(2)基于二阶动量的随机梯度下降法(ADaGrad)。上述方法中进行梯度更新时考虑的对象特征不全，导致图表示模型难以快速收敛，且图表示模型确定得到的对象表示向量的准确度低。
发明内容
本公开提供了一种图表示模型的训练方法、装置及电子设备。
根据本公开的一方面，提供了一种图表示模型的训练方法，包括：获取初始的图表示模型，以及所述图表示模型的至少一个批次的训练数据，其中，所述训练数据包括：正样本对和负样本对；所述正样本对中两个对象的连接关系中途经的连接边的数量小于第一数量阈值；针对第i批次的训练数据，利用所述图表示模型，根据所述训练数据中的正样本对和负样本对以及所述图表示模型的目标函数，确定第i批次的函数梯度；其中，i为大于1的整数；根据所述第i批次的函数梯度以及所述第i批次之前各批次的函数梯度，确定表征对象长期特征的第一更新梯度，和表征对象短期特征的第二更新梯度；根据所述第一更新梯度和所述第二更新梯度，对所述图表示模型中用于计算表示向量的参数进行调整，实现训练。
根据本公开的另一方面，提供了一种资源推荐方法，包括：根据图表示模型，确定图结构数据中各个所述对象的表示向量；其中，所述图表示模型，根据所述图结构数据训练得到；确定待处理的用户对象的第一表示向量；根据所述第一表示向量查询各个所述对象的表示向量，获取目标资源对象，其中，所述目标资源对象对应的表示向量与所述第一表示向量的相似度大于或者等于预设相似度阈值；根据所述目标资源对象对所述待处理的用户对象进行资源推荐处理。
根据本公开的另一方面，提供了一种图表示模型的训练装置，包括：获取模块，用于获取初始的图表示模型，以及所述图表示模型的至少一个批次的训练数据，其中，所述训练数据包括：正样本对和负样本对；所述正样本对中两个对象的连接关系中途经的连接边的数量小于第一数量阈值；第一确定模块，用于针对第i批次的训练数据，利用所述图表示模型，根据所述训练数据中的正样本对和负样本对以及所述图表示模型的目标函数，确定第i批次的函数梯度；其中，i为大于1的整数；第二确定模块，用于根据所述第i批次的函数梯度以及所述第i批次之前各批次的函数梯度，确定表征对象长期特征的第一更新梯度，和表征对象短期特征的第二更新梯度；处理模块，用于根据所述第一更新梯度和所述第二更新梯度，对所述图表示模型中用于计算表示向量的参数进行调整，实现训练。
根据本公开的另一方面，提供了一种资源推荐装置，包括：第一确定模块，用于根据图表示模型，确定图结构数据中各个所述对象的表示向量；其中，所述图表示模型，根据所述图结构数据训练得到；第二确定模块，用于确定待处理的用户对象的第一表示向量；查询模块，用于根据所述第一表示向量查询各个所述对象的表示向量，获取目标资源对象，其中，所述目标资源对象对应的表示向量与所述第一表示向量的相似度大于或者等于预设相似度阈值；推荐模块，用于根据所述目标资源对象对所述待处理的用户对象进行资源推荐处理。
根据本公开的又一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开上述提出的图表示模型的训练方法，或者，执行本公开上述提出的资源推荐方法。
根据本公开的再一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开上述提出的图表示模型的训练方法，或者，执行本公开上述提出的资源推荐方法。
根据本公开的再一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本公开上述提出的图表示模型的训练方法的步骤，或者，实现本公开上述提出的资源推荐方法的步骤。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是根据本公开第五实施例的示意图；
图6是根据本公开第六实施例的示意图；
图7是用来实现本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
目前，相关技术中，在资源推荐系统中，需要先根据一段时间内用户对资源的访问行为构建图结构数据，进而确定图结构数据中各对象的表示向量，以便为用户推荐资源等，其中，对象例如，用户对象、资源对象等。
其中，用于确定图结构数据中各对象的表示向量的图表示模型，在训练时，根据选取的目标函数进行梯度更新所采取的优化器主要有以下几种：(1)基于一阶动量的随机梯度下降法(SGD-M)；(2)基于二阶动量的随机梯度下降法(ADaGrad)。上述方法中进行梯度更新时考虑的对象特征不全，导致图表示模型难以快速收敛，且图表示模型确定得到的对象表示向量的准确度低。
针对上述问题，本公开提出一种图表示模型的训练方法、装置及电子设备。
图1是根据本公开第一实施例的示意图，需要说明的是，本公开实施例的图表示模型的训练方法可应用于图表示模型的训练装置，该装置可被配置于电子设备中，以使该电子设备可以执行图表示模型的训练功能。
其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示，该图表示模型的训练方法可以包括如下步骤：
步骤101，获取初始的图表示模型，以及图表示模型的至少一个批次的训练数据，其中，训练数据包括：正样本对和负样本对；正样本对中两个对象的连接关系中途经的连接边的数量小于第一数量阈值。
在本公开实施例中，图表示模型的训练装置执行步骤101的过程例如可以为，获取初始的图表示模型，其中，图表示模型的参数根据历史时间段内的历史图结构数据确定，其中，历史图结构数据包括：至少一个对象之间的连接关系；获取当前时间段内的当前图结构数据，并对当前图结构数据进行样本对抽取，获取至少一个批次的训练数据。
在本公开实施例中，对象包括：用户对象和资源对象；用户对象和资源对象之间的连接边，表征用户对象对资源对象存在访问行为。以对象包括用户对象和资源对象为例，可以每隔一定时间段，采集该时间段内至少一个用户对象对至少一个资源对象的访问行为；并根据访问行为构建该时间段内的图结构数据，对图表示模型进行训练。也就是说，图表示模型的训练，不是一次完成的，还是每隔一定时间段，根据该时间段内的图结构数据，对图表示模型进行一次训练。因此，针对当前时间段，初始的图表示模型的参数，根据历史时间段内的历史图结构数据确定，从而加快图表示模型的训练速度和收敛速度。
其中，访问行为例如，点击行为、阅读行为、交互行为等，可以根据实际需要进行设定。其中，图数据结构中可以包括用户对象自身的属性信息、资源对象自身的属性信息、连接边的属性信息，以便图表示模型确定用户对象的表示向量以及资源对象的表示向量。其中，用户对象自身的属性信息，例如，用户对象的id、年龄等，可以根据实际需要进行设定。其中，资源对象自身的属性信息例如，资源类型、资源中关键词等，可以根据实际需要进行设定。连接边的属性信息，例如，访问行为的类型、访问时间点、访问时长等，可以根据实际需要进行设定。其中，资源例如可以为Feed流、新闻、网页等。
其中，根据用户对象、资源对象以及用户对象对资源对象的访问行为，构建图结构数据，进而可以确定用户对象的表示向量以及资源对象的表示向量，方便后续对用户对象进行资源推荐处理。
在本公开实施例中，对当前图结构数据进行样本对抽取，获取至少一个批次的训练数据的过程例如可以为，采用Skip-gram模型对当前图结构数据进行随机游走处理，以从当前图结构数据中抽取正样本对和负样本对，以生成至少一个批次的训练数据。其中，正样本对中两个对象的连接关系中途经的连接边的数量小于第一数量阈值，负样本对中两个对象的连接关系中途经的连接边的数量大于第二数量阈值。其中，第二数量阈值大于或者等于第一数量阈值。
其中，随机游走处理，可以基于当前图结构数据中各对象的概率相等，从图结构数据中抽取正样本对和负样本对。另外，为了多考虑图结构数据中连接边较少的对象，以使得图表示模型能够学习到该对象更多的特征，可以在随机游走时，增大该对象的概率，也就是说，增大该对象被抽取到的概率，进而增大该对象被抽取到的次数。
其中，针对两个对象，例如，分别为用户对象和资源对象，若用户对象对资源对象存在访问行为，则用户对象和资源对象的连接关系中途经的连接边的数量为1。又例如，两个用户对象同时访问一个资源对象，则该两个用户对象的连接关系中途经的连接边的数量为2。
步骤102，针对第i批次的训练数据，利用图表示模型，根据训练数据中的正样本对和负样本对以及图表示模型的目标函数，确定第i批次的函数梯度；其中，i为大于1的整数。
在本公开实施例中，目标函数可以根据第i批次的训练数据中的正样本对和负样本对构建。具体的，针对第i批次中每个正样本对中的两个对象，根据图表示模型以及图结构数据，确定两个对象的表示向量；针对第i批次中每个负样本对中的两个对象，根据图表示模型以及图结构数据，确定两个对象的表示向量；根据第i批次的训练数据中各个正样本对中两个对象的表示向量，以及各个负样本对中两个对象的表示向量，构建目标函数，进而对目标函数进行梯度处理，例如，求导处理，得到第i批次的函数梯度。
步骤103，根据第i批次的函数梯度以及第i批次之前各批次的函数梯度，确定表征对象长期特征的第一更新梯度，和表征对象短期特征的第二更新梯度。
在本公开实施例中，在i为1时，表示训练数据为第一批次，则可以根据第一批次的函数梯度，确定第一更新梯度和第二更新梯度。
步骤104，根据第一更新梯度和第二更新梯度，对图表示模型中用于计算表示向量的参数进行调整，实现训练。
在本公开实施例中，图表示模型的训练装置可以对第一更新梯度和第二更新梯度进行加权求和，确定协同梯度；根据协同梯度对图表示模型中用于计算表示向量的参数进行调整，实现训练。其中，第一更新梯度和二更新梯度的权重例如可以预先设置。
在本公开实施例中，图表示模型的训练装置完成对图表示模型的训练后，可以根据训练得到的图表示模型，确定图结构数据中至少一个对象的表示向量，进而进行推荐处理，从而提高推荐效率和推荐准确度。
本公开实施例的图表示模型的训练方法，通过获取初始的图表示模型，以及图表示模型的至少一个批次的训练数据，其中，训练数据包括：正样本对和负样本对；正样本对中两个对象的连接关系中途经的连接边的数量小于第一数量阈值；针对第i批次的训练数据，利用图表示模型，根据训练数据中的正样本对和负样本对以及图表示模型的目标函数，确定第i批次的函数梯度；其中，i为大于1的整数；根据第i批次的函数梯度以及第i批次之前各批次的函数梯度，确定表征对象长期特征的第一更新梯度，和表征对象短期特征的第二更新梯度；根据第一更新梯度和第二更新梯度，对图表示模型中用于计算表示向量的参数进行调整，实现训练，从而在梯度更新时能够同时考虑对象长期特征和对象短期特征，加快图表示模型的收敛速度，提高图表示模型确定得到的对象表示向量的准确度。
为了准确确定表征对象长期特征的第一更新梯度，和表征对象短期特征的第二更新梯度，如图2所示，图2是根据本公开第二实施例的示意图，在本公开实施例中，结合梯度平方和策略，确定第一更新梯度；结合加权求和策略，确定第二更新梯度。图2所示实施例可以包括以下步骤：
步骤201，获取初始的图表示模型，以及图表示模型的至少一个批次的训练数据，其中，训练数据包括：正样本对和负样本对；正样本对中两个对象的连接关系中途经的连接边的数量小于第一数量阈值。
步骤202，针对第i批次的训练数据，利用图表示模型，根据训练数据中的正样本对和负样本对以及图表示模型的目标函数，确定第i批次的函数梯度；其中，i为大于1的整数。
其中，第i批次的函数梯度可以为第i批次的函数的倒数。其中第i批次的函数梯度的公式例如可以如以下公式(1)所示：
gi＝Δf(wi) (1)
其中，gi表示第i批次的函数梯度；f表示目标函数；wi表示第i批次时图表示模型的参数。
步骤203，根据第i批次的函数梯度、第i批次之前各批次的函数梯度以及梯度平方和策略，确定第一更新梯度。
在本公开实施例中，图表示模型的训练装置执行步骤203的过程例如可以为，将第i批次的函数梯度，作为第一一阶动量；对第i批次的函数梯度以及第i批次之前各批次的函数梯度进行平方求和处理，得到第一二阶动量；根据第一一阶动量、第一二阶动量以及初始学习率，确定第一更新梯度。
其中，第一一阶动量、第一二阶动量以及第一更新梯度的计算公式可以分别如以下公式(2)至公式(4)所示：
mi＝gi (2)
Figure BDA0003682489730000081
Figure BDA0003682489730000082
其中，公式(2)和公式(4)中的mi表示第i批次的第一一阶动量；公式(3)和公式(4)中的Vi表示第i批次的第一二阶动量；γi表示第i批次的第一更新梯度；α表示初始学习率。
其中，以i为5为例，对第i批次的函数梯度以及第i批次之前各批次的函数梯度进行平方求和处理，即，对第一批次的函数梯度、第二批次的函数梯度、第三批次的函数梯度、第四批次的函数梯度以及第五批次的函数梯度进行平方求和处理，得到第i批次的第一二阶动量。
其中，根据第一一阶动量、第一二阶动量以及初始学习率，确定第一更新梯度的过程例如可以为，对第一二阶动量进行平方根处理，得到处理后动量；确定第一一阶动量与所述处理后动量的比值；将该比值与初始学习率的乘积，作为第一更新梯度。
其中，对第i批次的函数梯度以及第i批次之前各批次的函数梯度进行平方求和处理，得到第一二阶动量，进而确定第一更新梯度，使得第一更新梯度的计算过程，能够考虑到对象长期特征，进而加快图表示模型的收敛速度。
步骤204，根据第i批次的函数梯度、第i批次之前各批次的函数梯度以及加权求和策略，确定第二更新梯度。
在本公开实施例中，图表示模型的训练装置执行步骤204的过程例如可以为，根据第i批次的函数梯度以及第i-1批次的第二一阶动量进行加权求和处理，得到第i批次的第二一阶动量；其中，第i-1批次的第二一阶动量根据第i批次之前各批次的函数梯度确定；根据第i批次的函数梯度以及第i-1批次的第二二阶动量，确定第i批次的第二二阶动量；其中，第i-1批次的第二二阶动量根据第i批次之前各批次的函数梯度确定；根据第二一阶动量、第二二阶动量以及初始学习率，确定第二更新梯度。
其中，根据第i批次的函数梯度以及第i-1批次的第二一阶动量进行加权求和处理的过程中，第i批次的函数梯度的权重值以及第i-1批次的第二一阶动量的权重值可以预先设置，两个权重值的加和可以为1。
其中，根据第i批次的函数梯度以及第i-1批次的第二二阶动量，确定第i批次的第二二阶动量的过程例如可以为，对第i批次的函数梯度进行平方处理，得到平方结果；将所述平方结果与第i-1批次的第二二阶动量进行加权求和，得到第i批次的第二二阶动量。其中，平方结果的权重值以及第i-1批次的第二二阶动量的权重值可以预先设置，两个权重值的加和可以为1。
其中，根据第二一阶动量、第二二阶动量以及初始学习率，确定第二更新梯度的过程例如可以为，对第二二阶动量进行平方根处理，得到处理后动量；确定第二一阶动量与所述处理后动量的比值；将该比值与初始学习率的乘积，作为第二更新梯度。
其中，第二一阶动量、第二二阶动量和第二更新梯度的计算公式可以分别如以下公式(5)至公式(7)所示：
mi＝β1*mi-1+(1-β1)*gi (5)
Figure BDA0003682489730000091
Figure BDA0003682489730000092
其中，公式(5)和公式(7)中的mi表示第i批次的第二一阶动量；公式(6)和公式(7)中的Vi表示第i批次的第二二阶动量；δi表示第i批次的第二更新梯度；β1和β2表示常数。
其中，根据第i批次的函数梯度以及第i-1批次的第二一阶动量进行加权求和处理，得到第i批次的第二一阶动量；根据第i批次的函数梯度的平方结果以及第i-1批次的第二二阶动量进行加权求和处理，确定第i批次的第二二阶动量，进而确定第二更新梯度，使得第二更新梯度的计算过程，能够考虑到对象短期特征，进而加快图表示模型的收敛速度。
步骤205，根据第一更新梯度和第二更新梯度，对图表示模型中用于计算表示向量的参数进行调整，实现训练。
需要说明的是，步骤201、步骤202、步骤205的详细内容，可以参考图1所示实施例中的步骤101、步骤102和步骤104，此处不再进行详细说明。
本公开实施例的图表示模型的训练方法，通过获取初始的图表示模型，以及图表示模型的至少一个批次的训练数据，其中，训练数据包括：正样本对和负样本对；正样本对中两个对象的连接关系中途经的连接边的数量小于第一数量阈值；针对第i批次的训练数据，利用图表示模型，根据训练数据中的正样本对和负样本对以及图表示模型的目标函数，确定第i批次的函数梯度；其中，i为大于1的整数；根据第i批次的函数梯度、第i批次之前各批次的函数梯度以及梯度平方和策略，确定第一更新梯度；根据第i批次的函数梯度、第i批次之前各批次的函数梯度以及加权求和策略，确定第二更新梯度；根据第一更新梯度和第二更新梯度，对图表示模型中用于计算表示向量的参数进行调整，实现训练，从而在梯度更新时能够同时考虑对象长期特征和对象短期特征，加快图表示模型的收敛速度，提高图表示模型确定得到的对象表示向量的准确度。
为了准确的根据第一更新梯度和第二更新梯度对图表示模型的参数进行调整，可以结合第一更新梯度和第二更新梯度之间的差异，确定第一更新梯度的权重和第二更新梯度的权重，进而对图表示模型中用于计算表示向量的参数进行调整。如图3所示，图3是根据本公开第三实施例的示意图。图3所示实施例可以包括以下步骤：
步骤301，获取初始的图表示模型，以及图表示模型的至少一个批次的训练数据，其中，训练数据包括：正样本对和负样本对；正样本对中两个对象的连接关系中途经的连接边的数量小于第一数量阈值。
步骤302，针对第i批次的训练数据，利用图表示模型，根据训练数据中的正样本对和负样本对以及图表示模型的目标函数，确定第i批次的函数梯度；其中，i为大于1的整数。
步骤303，根据第i批次的函数梯度以及第i批次之前各批次的函数梯度，确定表征对象长期特征的第一更新梯度，和表征对象短期特征的第二更新梯度。
步骤304，根据第一更新梯度和第二更新梯度，确定对象短期特征相对于对象长期特征的变异系数。
在本公开实施例中，图表示模型的训练装置执行步骤304的过程例如可以为，确定第一更新梯度和第二更新梯度的梯度差；对梯度差进行2范数处理，得到变异系数。
其中，变异系数的计算公式可以如以下公式(8)所示：
vi＝||γi-δi||2 (8)
其中，公式(8)中的vi表示变异系数；公式(8)中的γi表示第i批次的第一更新梯度；公式(8)中的δi表示第i批次的第二更新梯度。
其中，需要说明的是，第一更新梯度和第二更新梯度为多维向量，梯度差也为多维向量，对梯度差的2范数处理为对梯度差中各维向量的平方和处理，并对处理结果进行平方根处理，得到变异系数。
步骤305，根据变异系数，确定第一更新梯度的第一权重和第二更新梯度的第二权重。
在本公开实施例中，图表示模型的训练装置执行步骤305的过程例如可以为，根据变异系数以及第i-1批次的第三一阶动量，确定第i批次的第三一阶动量；其中，第i-1批次的第三一阶动量，根据第i批次之前各批次的变异系数确定；根据第i批次的第三一阶动量以及表征干扰噪声的鲁棒系数，确定第一权重和第二权重。
其中，根据变异系数以及第i-1批次的第三一阶动量，确定第i批次的第三一阶动量的过程例如可以为，对变异系数以及第i-1批次的第三一阶动量进行加权求和处理，得到第i批次的第三一阶动量。其中，变异系数的权重值以及第i-1批次的第三一阶动量的权重值可以预先设定，两个权重值的加和可以为1。
其中，根据第i批次的第三一阶动量以及表征干扰噪声的鲁棒系数，确定第一权重和第二权重的过程例如可以为，确定第i批次的第三一阶动量以及表征干扰噪声的鲁棒系数的加和结果；将鲁棒系数与该加和结果的比值，作为第一权重；将第i批次的第三一阶动量与该加和结果的比值，作为第二权重。其中，鲁棒系数可以根据图表示模型输出的表示向量的取值范围以及第三一阶动量确定。
其中，在确定第一权重和第二权重的过程中，考虑到表征干扰噪声的鲁棒系数，从而能够避免干扰噪声导致的梯度震荡情况，进一步加快图表示模型的收敛速度，进一步提高图表示模型的准确度。
步骤306，根据第一权重和第二权重，对第一更新梯度和第二更新梯度进行加权求和，确定协同更新梯度。
其中，第三一阶动量和协同更新梯度的计算公式可以分别如以下公式(9)和公式(10)所示：
σi＝λ*σi-1+(1-λ)*vi (9)
ki＝ε/(ε+σi)*γi+σi/(ε+σi)*δi (10)
其中，σi表示第i批次的第三一阶动量；ki表示第i批次的协同更新梯度；λ表示常数；ε表示鲁棒系数。
步骤307，根据协同更新梯度，对图表示模型中用于计算表示向量的参数进行调整，实现训练。
在本公开实施例中，图表示模型的训练装置执行步骤307的过程例如可以为，对图表示模型的参数减去协同更新梯度，既可以得到图表示模型的更新后参数。
需要说明的是，步骤301、步骤302、步骤303的详细内容，可以参考图1所示实施例中的步骤101、步骤102和步骤103，此处不再进行详细说明。
本公开实施例的图表示模型的训练方法，通过获取初始的图表示模型，以及图表示模型的至少一个批次的训练数据，其中，训练数据包括：正样本对和负样本对；正样本对中两个对象的连接关系中途经的连接边的数量小于第一数量阈值；针对第i批次的训练数据，利用图表示模型，根据训练数据中的正样本对和负样本对以及图表示模型的目标函数，确定第i批次的函数梯度；其中，i为大于1的整数；根据第i批次的函数梯度以及第i批次之前各批次的函数梯度，确定表征对象长期特征的第一更新梯度，和表征对象短期特征的第二更新梯度；根据第一更新梯度和第二更新梯度，确定对象短期特征相对于对象长期特征的变异系数；根据变异系数，确定第一更新梯度的第一权重和第二更新梯度的第二权重；根据第一权重和第二权重，对第一更新梯度和第二更新梯度进行加权求和，确定协同更新梯度；根据协同更新梯度，对图表示模型中用于计算表示向量的参数进行调整，实现训练，从而在梯度更新时能够同时考虑对象长期特征和对象短期特征，加快图表示模型的收敛速度，提高图表示模型确定得到的对象表示向量的准确度。
图4是根据本公开第四实施例的示意图，需要说明的是，本公开实施例的资源推荐方法可应用于资源推荐装置，该装置可被配置于电子设备中，以使该电子设备可以执行资源推荐功能。
其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图4所示，该资源推荐方法可以包括如下步骤：
步骤401，根据图表示模型，确定图结构数据中各个对象的表示向量；其中，图表示模型，根据图结构数据训练得到。
在本公开实施例中，图结构数据中的对象包括：用户对象和资源对象。用户对象和资源对象之间的连接边，表征用户对象对资源对象存在访问行为。
其中，访问行为例如，点击行为、阅读行为、交互行为等，可以根据实际需要进行设定。其中，图数据结构中可以包括用户对象自身的属性信息、资源对象自身的属性信息、连接边的属性信息，以便图表示模型确定用户对象的表示向量以及资源对象的表示向量。其中，用户对象自身的属性信息，例如，用户对象的id、年龄等，可以根据实际需要进行设定。其中，资源对象自身的属性信息例如，资源类型、资源中关键词等，可以根据实际需要进行设定。连接边的属性信息，例如，访问行为的类型、访问时间点、访问时长等，可以根据实际需要进行设定。其中，资源例如可以为Feed流、新闻、网页等。
步骤402，确定待处理的用户对象的第一表示向量。
步骤403，根据第一表示向量查询各个对象的表示向量，获取目标资源对象，其中，目标资源对象对应的表示向量与第一表示向量的相似度大于或者等于预设相似度阈值。
步骤404，根据目标资源对象对待处理的用户对象进行资源推荐处理。
其中，一种示例中，作为步骤403至步骤404的替换，资源推荐装置可以根据待处理的用户对象的第一表示向量查询各个对象的表示向量，获取目标用户对象，其中，目标用户对象对应的表示向量与第一表示向量的相似度大于或者等于预设相似度阈值；根据目标用户对象访问过的资源对象对待处理的用户对象进行资源推荐处理。
另一种示例中，作为步骤402至步骤404的替换，资源推荐装置可以获取待处理的用户对象访问过的资源对象的第二表示向量；根据第二表示向量查询各个对象的表示向量，获取目标资源对象，其中，目标资源对象对应的表示向量与第二表示向量的相似度大于或者等于预设相似度阈值；根据目标资源对象对待处理的用户对象进行资源推荐处理。
本公开实施例的资源推荐方法，通过根据图表示模型，确定图结构数据中各个对象的表示向量；其中，图表示模型，根据图结构数据训练得到；确定待处理的用户对象的第一表示向量；根据第一表示向量查询各个对象的表示向量，获取目标资源对象，其中，目标资源对象对应的表示向量与第一表示向量的相似度大于或者等于预设相似度阈值；根据目标资源对象对待处理的用户对象进行资源推荐处理，从而能够准确确定图结构数据中各对象的表示向量，进而提高资源推荐的准确度。
为了实现上述实施例，本公开还提出一种图表示模型的训练装置。
如图5所示，图5是根据本公开第五实施例的示意图。该图表示模型的训练装置500包括：获取模块510、第一确定模块520、第二确定模块530和处理模块540。
其中，获取模块510，用于获取初始的图表示模型，以及所述图表示模型的至少一个批次的训练数据，其中，所述训练数据包括：正样本对和负样本对；所述正样本对中两个对象的连接关系中途经的连接边的数量小于第一数量阈值；第一确定模块520，用于针对第i批次的训练数据，利用所述图表示模型，根据所述训练数据中的正样本对和负样本对以及所述图表示模型的目标函数，确定第i批次的函数梯度；其中，i为大于1的整数；第二确定模块530，用于根据所述第i批次的函数梯度以及所述第i批次之前各批次的函数梯度，确定表征对象长期特征的第一更新梯度，和表征对象短期特征的第二更新梯度；处理模块540，用于根据所述第一更新梯度和所述第二更新梯度，对所述图表示模型中用于计算表示向量的参数进行调整，实现训练。
作为本公开实施例的一种可能实现方式，所述第二确定模块530包括：第一确定单元和第二确定单元；所述第一确定单元，用于根据所述第i批次的函数梯度、所述第i批次之前各批次的函数梯度以及梯度平方和策略，确定所述第一更新梯度；所述第二确定单元，用于根据所述第i批次的函数梯度、所述第i批次之前各批次的函数梯度以及加权求和策略，确定所述第二更新梯度。
作为本公开实施例的一种可能实现方式，所述第一确定单元具体用于，将所述第i批次的函数梯度，作为第一一阶动量；对所述第i批次的函数梯度以及所述第i批次之前各批次的函数梯度进行平方求和处理，得到第一二阶动量；根据所述第一一阶动量、所述第一二阶动量以及初始学习率，确定所述第一更新梯度。
作为本公开实施例的一种可能实现方式，所述第二确定单元具体用于，根据所述第i批次的函数梯度以及第i-1批次的第二一阶动量进行加权求和处理，得到所述第i批次的第二一阶动量；其中，所述第i-1批次的第二一阶动量根据所述第i批次之前各批次的函数梯度确定；根据所述第i批次的函数梯度以及第i-1批次的第二二阶动量，确定所述第i批次的第二二阶动量；其中，所述第i-1批次的第二二阶动量根据所述第i批次之前各批次的函数梯度确定；根据所述第二一阶动量、所述第二二阶动量以及初始学习率，确定所述第二更新梯度。
作为本公开实施例的一种可能实现方式，所述处理模块540包括：第三确定单元、第四确定单元、第五确定单元和处理单元；所述第三确定单元，用于根据所述第一更新梯度和所述第二更新梯度，确定对象短期特征相对于对象长期特征的变异系数；所述第四确定单元，用于根据所述变异系数，确定所述第一更新梯度的第一权重和所述第二更新梯度的第二权重；所述第五确定单元，用于根据所述第一权重和所述第二权重，对所述第一更新梯度和所述第二更新梯度进行加权求和，确定协同更新梯度；所述处理单元，用于根据所述协同更新梯度，对所述图表示模型中用于计算表示向量的参数进行调整，实现训练。
作为本公开实施例的一种可能实现方式，所述第四确定单元具体用于，根据所述变异系数以及第i-1批次的第三一阶动量，确定第i批次的第三一阶动量；其中，所述第i-1批次的第三一阶动量，根据第i批次之前各批次的变异系数确定；根据第i批次的第三一阶动量以及表征干扰噪声的鲁棒系数，确定所述第一权重和所述第二权重。
作为本公开实施例的一种可能实现方式，所述获取模块510具体用于，获取初始的图表示模型，其中，所述图表示模型的参数根据历史时间段内的历史图结构数据确定，其中，所述历史图结构数据包括：至少一个对象之间的连接关系；获取当前时间段内的当前图结构数据，并对所述当前图结构数据进行样本对抽取，获取至少一个批次的所述训练数据。
作为本公开实施例的一种可能实现方式，所述对象包括：用户对象和资源对象；所述用户对象和所述资源对象之间的连接边，表征所述用户对象对所述资源对象存在访问行为。
本公开实施例的图表示模型的训练装置，通过获取初始的图表示模型，以及图表示模型的至少一个批次的训练数据，其中，训练数据包括：正样本对和负样本对；正样本对中两个对象的连接关系中途经的连接边的数量小于第一数量阈值；针对第i批次的训练数据，利用图表示模型，根据训练数据中的正样本对和负样本对以及图表示模型的目标函数，确定第i批次的函数梯度；其中，i为大于1的整数；根据第i批次的函数梯度以及第i批次之前各批次的函数梯度，确定表征对象长期特征的第一更新梯度，和表征对象短期特征的第二更新梯度；根据第一更新梯度和第二更新梯度，对图表示模型中用于计算表示向量的参数进行调整，实现训练，从而在梯度更新时能够同时考虑对象长期特征和对象短期特征，加快图表示模型的收敛速度，提高图表示模型确定得到的对象表示向量的准确度。
为了实现上述实施例，本公开还提出一种资源推荐装置。
如图6所示，图6是根据本公开第六实施例的示意图。该资源推荐装置600包括：第一确定模块610、第二确定模块620、查询模块630和推荐模块640。
其中，第一确定模块610，用于根据图表示模型，确定图结构数据中各个所述对象的表示向量；其中，所述图表示模型，根据所述图结构数据训练得到；
第二确定模块620，用于确定待处理的用户对象的第一表示向量；
查询模块630，用于根据所述第一表示向量查询各个所述对象的表示向量，获取目标资源对象，其中，所述目标资源对象对应的表示向量与所述第一表示向量的相似度大于或者等于预设相似度阈值；
推荐模块640，用于根据所述目标资源对象对所述待处理的用户对象进行资源推荐处理。
本公开实施例的资源推荐装置，通过根据图表示模型，确定图结构数据中各个对象的表示向量；其中，图表示模型，根据图结构数据训练得到；确定待处理的用户对象的第一表示向量；根据第一表示向量查询各个对象的表示向量，获取目标资源对象，其中，目标资源对象对应的表示向量与第一表示向量的相似度大于或者等于预设相似度阈值；根据目标资源对象对待处理的用户对象进行资源推荐处理，从而能够准确确定图结构数据中各对象的表示向量，进而提高资源推荐的准确度。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均在征得用户同意的前提下进行，并且均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如图表示模型的训练方法，或者，资源推荐方法。例如，在一些实施例中，图表示模型的训练方法或者资源推荐方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的图表示模型的训练方法的一个或多个步骤，或者执行上文描述的资源推荐方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行图表示模型的训练方法，或者被配置为执行资源推荐方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (21)

1.一种图表示模型的训练方法，包括：
获取初始的图表示模型，以及所述图表示模型的至少一个批次的训练数据，其中，所述训练数据包括：正样本对和负样本对；所述正样本对中两个对象的连接关系中途经的连接边的数量小于第一数量阈值；
针对第i批次的训练数据，利用所述图表示模型，根据所述训练数据中的正样本对和负样本对以及所述图表示模型的目标函数，确定第i批次的函数梯度；其中，i为大于1的整数；
根据所述第i批次的函数梯度以及所述第i批次之前各批次的函数梯度，确定表征对象长期特征的第一更新梯度，和表征对象短期特征的第二更新梯度；
根据所述第一更新梯度和所述第二更新梯度，对所述图表示模型中用于计算表示向量的参数进行调整，实现训练。
2.根据权利要求1所述的方法，其中，所述根据所述第i批次的函数梯度以及所述第i批次之前各批次的函数梯度，确定表征对象长期特征的第一更新梯度，和表征对象短期特征的第二更新梯度，包括：
根据所述第i批次的函数梯度、所述第i批次之前各批次的函数梯度以及梯度平方和策略，确定所述第一更新梯度；
根据所述第i批次的函数梯度、所述第i批次之前各批次的函数梯度以及加权求和策略，确定所述第二更新梯度。
3.根据权利要求2所述的方法，其中，所述根据所述第i批次的函数梯度、所述第i批次之前各批次的函数梯度以及梯度平方和策略，确定所述第一更新梯度，包括：
将所述第i批次的函数梯度，作为第一一阶动量；
对所述第i批次的函数梯度以及所述第i批次之前各批次的函数梯度进行平方求和处理，得到第一二阶动量；
根据所述第一一阶动量、所述第一二阶动量以及初始学习率，确定所述第一更新梯度。
4.根据权利要求2所述的方法，其中，所述根据所述第i批次的函数梯度、所述第i批次之前各批次的函数梯度以及加权求和策略，确定所述第二更新梯度，包括：
根据所述第i批次的函数梯度以及第i-1批次的第二一阶动量进行加权求和处理，得到所述第i批次的第二一阶动量；其中，所述第i-1批次的第二一阶动量根据所述第i批次之前各批次的函数梯度确定；
根据所述第i批次的函数梯度以及第i-1批次的第二二阶动量，确定所述第i批次的第二二阶动量；其中，所述第i-1批次的第二二阶动量根据所述第i批次之前各批次的函数梯度确定；
根据所述第二一阶动量、所述第二二阶动量以及初始学习率，确定所述第二更新梯度。
5.根据权利要求1所述的方法，其中，所述根据所述第一更新梯度和所述第二更新梯度，对所述图表示模型中用于计算表示向量的参数进行调整，实现训练，包括：
根据所述第一更新梯度和所述第二更新梯度，确定对象短期特征相对于对象长期特征的变异系数；
根据所述变异系数，确定所述第一更新梯度的第一权重和所述第二更新梯度的第二权重；
根据所述第一权重和所述第二权重，对所述第一更新梯度和所述第二更新梯度进行加权求和，确定协同更新梯度；
根据所述协同更新梯度，对所述图表示模型中用于计算表示向量的参数进行调整，实现训练。
6.根据权利要求5所述的方法，其中，所述根据所述变异系数，确定所述第一更新梯度的第一权重和所述第二更新梯度的第二权重，包括：
根据所述变异系数以及第i-1批次的第三一阶动量，确定第i批次的第三一阶动量；其中，所述第i-1批次的第三一阶动量，根据第i批次之前各批次的变异系数确定；
根据第i批次的第三一阶动量以及表征干扰噪声的鲁棒系数，确定所述第一权重和所述第二权重。
7.根据权利要求1所述的方法，其中，所述获取初始的图表示模型，以及所述图表示模型的至少一个批次的训练数据，包括：
获取初始的图表示模型，其中，所述图表示模型的参数根据历史时间段内的历史图结构数据确定，其中，所述历史图结构数据包括：至少一个对象之间的连接关系；
获取当前时间段内的当前图结构数据，并对所述当前图结构数据进行样本对抽取，获取至少一个批次的所述训练数据。
8.根据权利要求1至7任一项所述的方法，其中，所述对象包括：用户对象和资源对象；
所述用户对象和所述资源对象之间的连接边，表征所述用户对象对所述资源对象存在访问行为。
9.一种资源推荐方法，包括：
根据图表示模型，确定图结构数据中各个所述对象的表示向量；其中，所述图表示模型，根据所述图结构数据训练得到；
确定待处理的用户对象的第一表示向量；
根据所述第一表示向量查询各个所述对象的表示向量，获取目标资源对象，其中，所述目标资源对象对应的表示向量与所述第一表示向量的相似度大于或者等于预设相似度阈值；
根据所述目标资源对象对所述待处理的用户对象进行资源推荐处理。
10.一种图表示模型的训练装置，包括：
获取模块，用于获取初始的图表示模型，以及所述图表示模型的至少一个批次的训练数据，其中，所述训练数据包括：正样本对和负样本对；所述正样本对中两个对象的连接关系中途经的连接边的数量小于第一数量阈值；
第一确定模块，用于针对第i批次的训练数据，利用所述图表示模型，根据所述训练数据中的正样本对和负样本对以及所述图表示模型的目标函数，确定第i批次的函数梯度；其中，i为大于1的整数；
第二确定模块，用于根据所述第i批次的函数梯度以及所述第i批次之前各批次的函数梯度，确定表征对象长期特征的第一更新梯度，和表征对象短期特征的第二更新梯度；
处理模块，用于根据所述第一更新梯度和所述第二更新梯度，对所述图表示模型中用于计算表示向量的参数进行调整，实现训练。
11.根据权利要求10所述的装置，其中，所述第二确定模块包括：第一确定单元和第二确定单元；
所述第一确定单元，用于根据所述第i批次的函数梯度、所述第i批次之前各批次的函数梯度以及梯度平方和策略，确定所述第一更新梯度；
所述第二确定单元，用于根据所述第i批次的函数梯度、所述第i批次之前各批次的函数梯度以及加权求和策略，确定所述第二更新梯度。
12.根据权利要求11所述的装置，其中，所述第一确定单元具体用于，
将所述第i批次的函数梯度，作为第一一阶动量；
对所述第i批次的函数梯度以及所述第i批次之前各批次的函数梯度进行平方求和处理，得到第一二阶动量；
根据所述第一一阶动量、所述第一二阶动量以及初始学习率，确定所述第一更新梯度。
13.根据权利要求11所述的装置，其中，所述第二确定单元具体用于，
根据所述第i批次的函数梯度以及第i-1批次的第二一阶动量进行加权求和处理，得到所述第i批次的第二一阶动量；其中，所述第i-1批次的第二一阶动量根据所述第i批次之前各批次的函数梯度确定；
根据所述第i批次的函数梯度以及第i-1批次的第二二阶动量，确定所述第i批次的第二二阶动量；其中，所述第i-1批次的第二二阶动量根据所述第i批次之前各批次的函数梯度确定；
根据所述第二一阶动量、所述第二二阶动量以及初始学习率，确定所述第二更新梯度。
14.根据权利要求10所述的装置，其特征在于，所述处理模块包括：第三确定单元、第四确定单元、第五确定单元和处理单元；
所述第三确定单元，用于根据所述第一更新梯度和所述第二更新梯度，确定对象短期特征相对于对象长期特征的变异系数；
所述第四确定单元，用于根据所述变异系数，确定所述第一更新梯度的第一权重和所述第二更新梯度的第二权重；
所述第五确定单元，用于根据所述第一权重和所述第二权重，对所述第一更新梯度和所述第二更新梯度进行加权求和，确定协同更新梯度；
所述处理单元，用于根据所述协同更新梯度，对所述图表示模型中用于计算表示向量的参数进行调整，实现训练。
15.根据权利要求14所述的装置，其中，所述第四确定单元具体用于，
根据所述变异系数以及第i-1批次的第三一阶动量，确定第i批次的第三一阶动量；其中，所述第i-1批次的第三一阶动量，根据第i批次之前各批次的变异系数确定；
根据第i批次的第三一阶动量以及表征干扰噪声的鲁棒系数，确定所述第一权重和所述第二权重。
16.根据权利要求10所述的装置，其中，所述获取模块具体用于，
获取初始的图表示模型，其中，所述图表示模型的参数根据历史时间段内的历史图结构数据确定，其中，所述历史图结构数据包括：至少一个对象之间的连接关系；
获取当前时间段内的当前图结构数据，并对所述当前图结构数据进行样本对抽取，获取至少一个批次的所述训练数据。
17.根据权利要求10至16任一项所述的装置，其中，所述对象包括：用户对象和资源对象；
所述用户对象和所述资源对象之间的连接边，表征所述用户对象对所述资源对象存在访问行为。
18.一种资源推荐装置，包括：
第一确定模块，用于根据图表示模型，确定图结构数据中各个所述对象的表示向量；其中，所述图表示模型，根据所述图结构数据训练得到；
第二确定模块，用于确定待处理的用户对象的第一表示向量；
查询模块，用于根据所述第一表示向量查询各个所述对象的表示向量，获取目标资源对象，其中，所述目标资源对象对应的表示向量与所述第一表示向量的相似度大于或者等于预设相似度阈值；
推荐模块，用于根据所述目标资源对象对所述待处理的用户对象进行资源推荐处理。
19.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法，或者，执行权利要求9所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法，或者，执行根据权利要求9所述的方法。
21.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述方法的步骤，或者，实现根据权利要求9所述方法的步骤。
CN202210637849.4A 2022-06-07 2022-06-07 图表示模型的训练方法、装置及电子设备 Active CN114936323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210637849.4A CN114936323B (zh) 2022-06-07 2022-06-07 图表示模型的训练方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210637849.4A CN114936323B (zh) 2022-06-07 2022-06-07 图表示模型的训练方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN114936323A true CN114936323A (zh) 2022-08-23
CN114936323B CN114936323B (zh) 2023-06-30

Family

ID=82867343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210637849.4A Active CN114936323B (zh) 2022-06-07 2022-06-07 图表示模型的训练方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114936323B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611858A (zh) * 2023-07-17 2023-08-18 深圳须弥云图空间科技有限公司 目标推荐方法及装置
CN117398662A (zh) * 2023-12-15 2024-01-16 苏州海易泰克机电设备有限公司 基于生理采集信息的三自由度旋转训练参数控制方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109345302A (zh) * 2018-09-27 2019-02-15 腾讯科技（深圳）有限公司 机器学习模型训练方法、装置、存储介质和计算机设备
CN110135573A (zh) * 2018-02-02 2019-08-16 阿里巴巴集团控股有限公司 一种深度学习模型的训练方法、计算设备以及系统
CN110309427A (zh) * 2018-05-31 2019-10-08 腾讯科技（深圳）有限公司 一种对象推荐方法、装置及存储介质
US20190332944A1 (en) * 2016-11-29 2019-10-31 Huawei Technologies Co., Ltd. Training Method, Apparatus, and Chip for Neural Network Model
CN111708964A (zh) * 2020-05-27 2020-09-25 北京百度网讯科技有限公司 多媒体资源的推荐方法、装置、电子设备和存储介质
CN112052958A (zh) * 2020-09-04 2020-12-08 京东数字科技控股股份有限公司 模型训练的方法、装置、设备及计算机可读存储介质
CN112559878A (zh) * 2020-12-24 2021-03-26 山西大学 一种基于图神经网络的序列推荐系统及推荐方法
WO2021136131A1 (zh) * 2019-12-30 2021-07-08 华为技术有限公司 一种信息推荐方法以及相关设备
CN113361658A (zh) * 2021-07-15 2021-09-07 支付宝(杭州)信息技术有限公司 一种基于隐私保护的图模型训练方法、装置及设备
CN113495991A (zh) * 2020-04-03 2021-10-12 北京沃东天骏信息技术有限公司 一种推荐方法和装置
CN113642740A (zh) * 2021-08-12 2021-11-12 百度在线网络技术（北京）有限公司 模型训练方法及装置、电子设备和介质
CN113657596A (zh) * 2021-08-27 2021-11-16 京东科技信息技术有限公司 训练模型和图像识别的方法和装置
US20210397947A1 (en) * 2020-06-19 2021-12-23 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for generating model for representing heterogeneous graph node
CN113901327A (zh) * 2021-10-28 2022-01-07 北京达佳互联信息技术有限公司 一种目标推荐模型训练方法、推荐方法、装置及电子设备
CN114154080A (zh) * 2021-12-07 2022-03-08 西安邮电大学 一种基于图神经网络的动态社会化推荐方法
WO2022095432A1 (zh) * 2020-11-05 2022-05-12 平安科技（深圳）有限公司 神经网络模型训练方法、装置、计算机设备及存储介质

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190332944A1 (en) * 2016-11-29 2019-10-31 Huawei Technologies Co., Ltd. Training Method, Apparatus, and Chip for Neural Network Model
CN110135573A (zh) * 2018-02-02 2019-08-16 阿里巴巴集团控股有限公司 一种深度学习模型的训练方法、计算设备以及系统
CN110309427A (zh) * 2018-05-31 2019-10-08 腾讯科技（深圳）有限公司 一种对象推荐方法、装置及存储介质
CN109345302A (zh) * 2018-09-27 2019-02-15 腾讯科技（深圳）有限公司 机器学习模型训练方法、装置、存储介质和计算机设备
WO2021136131A1 (zh) * 2019-12-30 2021-07-08 华为技术有限公司 一种信息推荐方法以及相关设备
CN113495991A (zh) * 2020-04-03 2021-10-12 北京沃东天骏信息技术有限公司 一种推荐方法和装置
CN111708964A (zh) * 2020-05-27 2020-09-25 北京百度网讯科技有限公司 多媒体资源的推荐方法、装置、电子设备和存储介质
US20210397947A1 (en) * 2020-06-19 2021-12-23 Beijing Baidu Netcom Science And Technology Co., Ltd. Method and apparatus for generating model for representing heterogeneous graph node
CN112052958A (zh) * 2020-09-04 2020-12-08 京东数字科技控股股份有限公司 模型训练的方法、装置、设备及计算机可读存储介质
WO2022095432A1 (zh) * 2020-11-05 2022-05-12 平安科技（深圳）有限公司 神经网络模型训练方法、装置、计算机设备及存储介质
CN112559878A (zh) * 2020-12-24 2021-03-26 山西大学 一种基于图神经网络的序列推荐系统及推荐方法
CN113361658A (zh) * 2021-07-15 2021-09-07 支付宝(杭州)信息技术有限公司 一种基于隐私保护的图模型训练方法、装置及设备
CN113642740A (zh) * 2021-08-12 2021-11-12 百度在线网络技术（北京）有限公司 模型训练方法及装置、电子设备和介质
CN113657596A (zh) * 2021-08-27 2021-11-16 京东科技信息技术有限公司 训练模型和图像识别的方法和装置
CN113901327A (zh) * 2021-10-28 2022-01-07 北京达佳互联信息技术有限公司 一种目标推荐模型训练方法、推荐方法、装置及电子设备
CN114154080A (zh) * 2021-12-07 2022-03-08 西安邮电大学 一种基于图神经网络的动态社会化推荐方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈平华;杨凯;: "融合信任关系和用户项目二部图的推荐算法", 计算机工程与应用, no. 04 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611858A (zh) * 2023-07-17 2023-08-18 深圳须弥云图空间科技有限公司 目标推荐方法及装置
CN117398662A (zh) * 2023-12-15 2024-01-16 苏州海易泰克机电设备有限公司 基于生理采集信息的三自由度旋转训练参数控制方法
CN117398662B (zh) * 2023-12-15 2024-03-12 苏州海易泰克机电设备有限公司 基于生理采集信息的三自由度旋转训练参数控制方法

Also Published As

Publication number Publication date
CN114936323B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN114936323B (zh) 图表示模型的训练方法、装置及电子设备
CN108304354B (zh) 一种预测模型训练方法及装置、存储介质、电子设备
CN113343803A (zh) 模型训练方法、装置、设备和存储介质
CN114494784A (zh) 深度学习模型的训练方法、图像处理方法和对象识别方法
CN112528641A (zh) 建立信息抽取模型的方法、装置、电子设备和可读存储介质
CN112966744A (zh) 模型训练方法、图像处理方法、装置和电子设备
CN114494747A (zh) 模型的训练方法、图像处理方法、装置、电子设备及介质
CN114020950A (zh) 图像检索模型的训练方法、装置、设备以及存储介质
CN114841172A (zh) 文本匹配双塔模型的知识蒸馏方法、装置及程序产品
CN115081630A (zh) 多任务模型的训练方法、信息推荐方法、装置和设备
CN114707638A (zh) 模型训练、对象识别方法及装置、设备、介质和产品
CN113961797A (zh) 资源推荐方法、装置、电子设备和可读存储介质
CN113408632A (zh) 提高图像分类准确性的方法、装置、电子设备及存储介质
CN112989170A (zh) 应用于信息搜索的关键词匹配方法、信息搜索方法及装置
CN113792876A (zh) 骨干网络的生成方法、装置、设备以及存储介质
CN113361621A (zh) 用于训练模型的方法和装置
CN114066278B (zh) 物品召回的评估方法、装置、介质及程序产品
US20230004774A1 (en) Method and apparatus for generating node representation, electronic device and readable storage medium
CN114418123A (zh) 一种模型降噪方法、装置、电子设备及存储介质
CN115018009B (zh) 对象描述方法、网络模型的训练方法及装置
CN113361712B (zh) 特征确定模型的训练方法、语义分析方法、装置及电子设备
CN115456167A (zh) 轻量级模型训练方法、图像处理方法、装置及电子设备
CN115758142A (zh) 深度学习模型的训练方法、数据处理方法和装置
CN116992150A (zh) 一种研发组件推荐方法、装置、设备及存储介质
CN115965817A (zh) 图像分类模型的训练方法、装置及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant