[发明专利]模型训练方法、调用方法、装置、计算机设备和存储介质

说明书

本申请涉及人工智能领域，通过自动对目标图结构数据和对照图结构数据添加标签后输入图神经网络模型进行预训练，提高了模型的训练效率，并使得训练后的模型具有较高的泛化性。尤其涉及一种模型训练方法、调用方法、装置、计算机设备和存储介质，该方法包括：获取第一数据集，第一数据集包括目标图结构数据对应的第一节点信息和第一属性标签；确定目标图结构数据对应的对照图结构数据；根据对照图结构数据确定第二数据集，其中，第二数据集包括对照图结构数据对应的第二节点信息和第二属性标签；根据第一数据集与第二数据集对图神经网络模型进行迭代训练，直至图神经网络模型收敛。此外，本申请还涉及区块链技术，图神经网络模型可存储于区块链中。

技术领域

本申请涉及人工智能领域，尤其涉及一种模型训练方法、调用方法、装置、计算机设备和存储介质。

背景技术

图结构数据是一种包含节点和边的数据，图神经网络是深度学习在图结构数据上的一个分支。现在许多学习任务在处理图结构数据，需要通过图神经网络模型学习和提取图结构数据的特征信息。

现有的一般是通过有监督的机器学习方法对图神经网络模型进行学习和训练，需要使用大量人工添加标签的图结构数据。但是在大多数情况下，很难获得大量携带标签的图结构数据，导致有监督的机器学习方法很难体现出强大的学习能力，从而降低了图神经网络模型的训练效率。

因此如何提高图神经网络模型的训练效率成为亟需解决的问题。

发明内容

本申请提供了一种模型训练方法、调用方法、装置、计算机设备和存储介质，通过自动对目标图结构数据和对照图结构数据添加标签并输入图神经网络模型进行预训练，提高了图神经网络模型的训练效率，并使得训练后的图神经网络模型具有较高的泛化性。

第一方面，本申请提供了一种模型训练方法，所述方法包括：

获取第一数据集，其中，所述第一数据集包括目标图结构数据对应的第一节点信息和第一属性标签；

确定所述目标图结构数据对应的对照图结构数据；

根据所述对照图结构数据确定第二数据集，其中，所述第二数据集包括所述对照图结构数据对应的第二节点信息和第二属性标签；

加载待训练的图神经网络模型，根据所述第一数据集与所述第二数据集对所述图神经网络模型进行迭代训练，直至所述图神经网络模型收敛。

第二方面，本申请提供了一种模型训练方法，所述方法包括：

获取预测任务对应的待预测图结构数据；

从区块链中调用图神经网络模型，将所述待预测图结构数据输入所述图神经网络模型进行节点信息更新，得到所述待预测图结构数据对应的图特征向量；

确定所述预测任务对应的目标预测模型，将所述图特征向量输入所述目标预测模型中进行预测，得到所述预测任务对应的预测结果。

第三方面，本申请还提供了一种模型训练装置，所述装置包括：

第一数据获取模块，用于获取第一数据集，其中，所述第一数据集包括目标图结构数据对应的第一节点信息和第一属性标签；

对照图结构数据确定模块，用于确定所述目标图结构数据对应的对照图结构数据；

第二数据获取模块，用于根据所述对照图结构数据确定第二数据集，其中，所述第二数据集包括所述对照图结构数据对应的第二节点信息和第二属性标签；

模型训练模块，用于加载待训练的图神经网络模型，根据所述第一数据集与所述第二数据集对所述图神经网络模型进行迭代训练，直至所述图神经网络模型收敛。

第四方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器；