[发明专利]一种分类模型的训练方法、装置、电子设备及存储介质

权利要求书

1.一种分类模型的训练方法，其特征在于，应用于待训练的分类模型，所述待训练的分类模型包括待训练的异质图结构学习网络和待训练的图神经网络，所述方法包括：

获取样本异质图中各节点的特征和各元路径的特征，其中，所述样本异质图为用于表征待分类目标之间关系的图；

通过待训练的异质图结构学习网络，根据所述所述各节点的特征和所述各元路径的特征，生成所述样本异质图的特征相似度图和特征传播图，并进行聚合得到特征图；

通过待训练的异质图结构学习网络，根据所述各元路径的特征，生成所述样本异质图的语义图；

将所述特征图、所述语义图和所述样本异质图进行融合，得到关系子图；

将所述关系子图输入待训练的图神经网络中，得到所述待分类目标的分类结果，并通过预设损失函数，计算当前损失；

根据所述当前损失对所述待训练的异质图结构学习网络和所述待训练的图神经网络的参数进行调整；

返回所述通过待训练的异质图结构学习网络，根据所述所述各节点的特征和所述各元路径的特征，生成所述样本异质图的特征相似度图和特征传播图，并进行聚合得到特征图的步骤继续执行，直至满足预设条件，得到训练好的异质图结构学习网络和图神经网络。

2.根据权利要求1所述的方法，其特征在于，所述通过待训练的异质图结构学习网络，根据所述所述各节点的特征和所述各元路径的特征，生成所述样本异质图的特征相似度图和特征传播图，并进行聚合得到特征图，包括：

通过待训练的异质图结构学习网络，对所述各节点的特征和所述各元路径的特征，进行异质特征提取和度量学习生成特征相似度图；

根据所述各节点的特征和所述各元路径的特征，通过拓扑结构传播特征相似度矩阵生成特征传播图；

对所述特征相似度图和所述特征传播图进行聚合得到特征图。

3.根据权利要求1所述的方法，其特征在于，所述通过待训练的异质图结构学习网络，根据所述各元路径的特征，生成所述样本异质图的语义图，包括：

通过待训练的异质图结构学习网络，根据所述各元路径的特征，生成对应各元路径的语义子图邻接矩阵；

对各所述语义子图邻接矩阵进行聚合得到语义图。

4.根据权利要求2所述的方法，其特征在于，所述将所述关系子图输入待训练的图神经网络中，得到所述待分类目标的分类结果，并通过预设损失函数，计算当前损失，包括：

将所述关系子图输入待训练的图神经网络中，得到所述待分类目标的分类结果；

根据所述分类结果并通过第一预设损失函数，计算所述待训练的异质图结构学习网络的损失；

根据所述分类结果并通过第二预设损失函数，计算所述待训练的图神经网络的损失；

对所述待训练的异质图结构学习网络的损失和所述待训练的图神经网络的损失进行求和，得到所述当前损失。

5.一种分类模型的训练装置，其特征在于，应用于待训练的分类模型，所述待训练的分类模型包括待训练的异质图结构学习网络和待训练的图神经网络，所述装置包括：

特征获取模块，用于获取样本异质图中各节点的特征和各元路径的特征，其中，所述样本异质图为用于表征待分类目标之间关系的图；

特征聚合模块，用于通过待训练的异质图结构学习网络，根据所述所述各节点的特征和所述各元路径的特征，生成所述样本异质图的特征相似度图和特征传播图，并进行聚合得到特征图；

语义图生成模块，用于通过待训练的异质图结构学习网络，根据所述各元路径的特征，生成所述样本异质图的语义图；

关系子图生成模块，用于将所述特征图、所述语义图和所述样本异质图进行融合，得到关系子图；

损失计算模块，用于将所述关系子图输入待训练的图神经网络中，得到所述待分类目标的分类结果，并通过预设损失函数，计算当前损失；

参数调整模块，用于根据所述当前损失对所述待训练的异质图结构学习网络和所述待训练的图神经网络的参数进行调整；

神经网络获取模块，用于返回所述通过待训练的异质图结构学习网络，根据所述所述各节点的特征和所述各元路径的特征，生成所述样本异质图的特征相似度图和特征传播图，并进行聚合得到特征图的步骤继续执行，直至满足预设条件，得到训练好的异质图结构学习网络和图神经网络。