[发明专利]一种模型训练和业务处理的方法及装置

说明书

本说明书公开了一种模型训练和业务处理的方法及装置，业务平台可以获取目标业务对应的历史业务数据，并根据该历史业务数据构建拓扑图，而后，业务平台可以将拓扑图输入到待训练的特征提取模型中，以针对拓扑图中的每个节点，通过特征提取模型，从位于该节点的预设邻接范围内的其他节点中确定至少部分其他节点作为该节点对应的关联节点，并根据每个关联节点在当前对应的特征向量以及该节点的历史特征向量，确定该节点在当前对应的特征向量。最后，根据拓扑图中各节点在当前对应的特征向量，确定针对目标业务的预测结果，并以最小化目标业务的标注结果与预测结果之间的偏差为优化目标，对特征提取模型进行模型训练，从而提高模型训练效率。

技术领域

本说明书涉及计算机技术领域，尤其涉及一种模型训练和业务处理的方法及装置。

背景技术

在计算机技术中，拓扑图能够用于表征出数据之间的关系，并确定出数据的特征向量，从而能够将拓扑图应用到信息推荐、用户风控等各种业务场景中。例如，通过拓扑图能够表示用户与商品之间的购买关系、商品之间的类别关系等。在拓扑图中的节点可以用于表示用户和商品，根据图神经网络技术能够通过拓扑图确定出每个用户对应的特征向量以及每个商品对应的特征向量，通过提取出的特征向量，能够确定如何对用户进行商品推荐。

在现有技术中，可以通过GraghSage算法，确定出拓扑图中的每个节点的特征向量，该GraghSage算法为了保证最终获得的每个节点的特征向量的准确性，需要在模型训练时，根据该节点周围大量其他顶点的特征向量，确定该节点对应的特征向量，若拓扑图中每个节点周围均存在大量的其他节点，即，拓扑图中各节点的连接关系繁多且复杂，则这种GraghSage算法模型训练的效率较低。

所以，如何提高提取出拓扑图中各节点的特征向量的模型的训练效率，则是一个亟待解决的问题。

发明内容

本说明书提供一种模型训练和业务处理的方法及装置，以部分地解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种模型训练的方法，包括：

获取目标业务对应的历史业务数据；

根据所述历史业务数据中包含的各业务对象以及各业务对象之间的业务关系，构建拓扑图，不同业务对象在所述拓扑图中对应不同的节点；

将所述拓扑图输入到待训练的特征提取模型中，以针对所述拓扑图中的每个节点，通过所述特征提取模型，从位于该节点的预设邻接范围内的其他节点中确定至少部分其他节点作为该节点对应的关联节点，并根据确定出的该节点的每个关联节点在当前对应的特征向量以及该节点的历史特征向量，确定该节点在当前对应的特征向量；

根据所述拓扑图中各节点在当前对应的特征向量，确定针对所述目标业务的预测结果；

以最小化所述目标业务的标注结果与所述预测结果之间的偏差为优化目标，对所述特征提取模型进行模型训练，所述特征提取模型用于对所述目标业务进行业务处理。

可选地，将所述拓扑图输入到待训练的特征提取模型中，以针对所述拓扑图中的每个节点，通过所述特征提取模型，从位于该节点的预设邻接范围内的其他节点中确定至少部分其他节点作为该节点对应的关联节点，具体包括：

将所述拓扑图输入到所述特征提取模型中，以针对该节点对应的每个关联层级，通过所述特征提取模型，从该关联层级包含的其他节点中选取出该关联层级对应的设定数量的其他节点，作为该节点在该关联层级对应的关联节点，该节点对应的第N关联层级所包含的其他节点，是与该节点具有N阶邻接关系的其他节点，N为不小于1的正整数。

可选地，确定该节点的每个关联节点在当前对应的特征向量，具体包括：