[发明专利]一种图神经网络训练方法和系统

说明书

本说明书实施例提供一种图神经网络训练方法和系统。所述图神经网络训练方法包括：获取全图，将所述全图根据预设条件划分为多个子图；从所述多个子图中选择参与图神经网络训练的至少一个子图，根据所述参与图神经网络训练的至少一个子图得到训练图，基于所述训练图，得到所述训练图中每一个节点的节点特征向量；基于所述训练图中每一个节点的节点特征向量以及节点之间的边，进行传播和聚合，得到所述训练图中每一个当前节点融合了邻居节点特征以及边特征的节点融合向量；基于所述训练图的节点融合向量，根据节点标签得到损失函数，基于所述损失函数对初始图神经网络进行迭代训练，以获得所述图神经网络。

技术领域

本说明书涉及机器学习领域，特别涉及一种图神经网络训练方法和系统。

背景技术

随着图神经网络在工业界应用的兴起，处理数据的增加使得图的规模越来越大。例如在社交网络中，可能涉及10亿多个用户，1000亿以上的关系，如果抽象为图的话，图的规模为10亿多的节点。图的规模的增大，使得图神经网络的训练较为困难。

因此，希望提供一种图神经网络训练的方法。

发明内容

本说明书一个方面提供一种图神经网络训练的方法。所述方法包括：获取全图，将所述全图根据预设条件划分为多个子图；从所述多个子图中选择参与图神经网络训练的至少一个子图，根据所述参与图神经网络训练的至少一个子图得到训练图，基于所述训练图，得到所述训练图中每一个节点的节点特征向量；基于所述训练图中每一个节点的节点特征向量以及节点之间的边，进行传播和聚合，得到所述训练图中每一个当前节点融合了邻居节点特征以及边特征的节点融合向量；基于所述训练图的节点融合向量，根据节点标签得到损失函数，基于所述损失函数对初始图神经网络进行迭代训练，以获得所述图神经网络。

在一些实施例中，将所述全图根据预设条件划分为多个子图包括：利用社区发现算法将所述全图根据预设条件划分为多个子图。

在一些实施例中，所述预设条件包括：子图的邻居节点的数量以及所述子图包含的边的数量满足第一条件，且所述子图包含的节点的数量小于或等于预设阈值。

在一些实施例中，从所述多个子图中选择参与图神经网络训练的至少一个子图包括：对于所述多个子图中的每个子图，基于所述子图以及所述子图的T度邻居，得到更新后的子图；从多个所述更新后的子图中选择参与图神经网络训练的至少一个子图。

在一些实施例中，所述根据所述参与图神经网络训练的至少一个子图得到训练图，包括：基于所述参与图神经网络训练的至少一个子图的并集生成所述训练图。

本说明书另一个方面提供一种图神经网络训练的系统。所述系统包括：第一确定模块，用于获取全图，以及将所述全图根据预设条件划分为多个子图；第二确定模块，用于从所述多个子图中选择参与图神经网络训练的至少一个子图，根据所述参与图神经网络训练的至少一个子图得到训练图，基于所述训练图，得到所述训练图中每一个节点的节点特征向量；融合模块，用于基于所述训练图中每一个节点的节点特征向量以及节点之间的边，进行传播和聚合，得到所述训练图中每一个当前节点融合了邻居节点特征以及边特征的节点融合向量；训练模块，用于基于所述训练图的节点融合向量，根据节点标签得到损失函数，基于所述损失函数对初始图神经网络进行迭代训练，以获得所述图神经网络。

本说明书另一个方面提供一种图神经网络训练的装置，包括处理器，所述处理器用于执行如前所述的图神经网络训练方法。

本说明书另一个方面提供计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如前所述的图神经网络训练方法。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：