技术特征：
1.一种数据训练方法，其特征在于，包括：处理输入样本数据，获得第一训练数据；将所述第一训练数据输入至自动编码器，获得第二训练数据；对所述第二训练数据与所述输入样本数据进行相似度对比，并根据对比结果进行数据训练。2.根据权利要求1所述的方法，其特征在于，所述处理所述输入样本数据，获得第一训练数据包括：获取所述输入样本数据；对所述输入样本数据中的节点进行采样；通过第一掩码标识遮盖所述输入样本数据中经采样的节点的原始特征，并将经第一掩码标识遮盖的输入样本数据确定为所述第一训练数据。3.根据权利要求2所述的方法，其特征在于，所述自动编码器包括编码器，所述编码器为第一图神经网络，所述将所述第一训练数据输入至所述自动编码器，获得所述第二训练数据包括：将所述第一训练数据输入所述编码器，获得所述输入样本数据中所有节点的隐式表示。4.根据权利要求3所述的方法，其特征在于，所述自动编码器还包括解码器，所述解码器为第二图神经网络，所述将所述第一训练数据输入至所述自动编码器，获得所述第二训练数据包括：将所述经采样的节点的隐式表示输入所述解码器，以输出所述第二训练数据。5.根据权利要求4所述的方法，其特征在于，所述将所述经采样的节点的隐式表示输入所述解码器，以输出所述第二训练数据包括：通过第二掩码标识遮盖所述输入样本数据中经采样的节点的隐式表示，并将经第二掩码标识遮盖的输入样本数据作为所述第二训练数据。6.根据权利要求1至5中任一项所述的方法，其特征在于，所述将所述第二训练数据与所述输入样本数据进行相似度对比包括：通过重建评估函数，计算所述第二训练数据与所述输入样本数据的相似度。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：基于放缩因子，构建所述重建评估函数，其中，所述重建评估函数是放缩余弦误差函数，所述放缩因子大于或等于1。8.一种数据训练装置，其特征在于，包括：处理单元，用于处理输入样本数据，获得第一训练数据；输入单元，用于将所述第一训练数据输入至自动编码器，获得第二训练数据；对比单元，用于对所述第二训练数据与所述输入样本数据进行相似度对比，并根据对比结果进行数据训练。9.一种电子设备，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1-7中任一项所述的方法。10.一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1-7中任一项所述的方法。11.一种计算机程序产品，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1-7中任一项所述的方法。
技术总结
本公开提出一种数据训练方法及装置，涉及深度学习和图网络数据挖掘技术领域。该方法包括：处理输入样本数据，获得第一训练数据，将第一训练数据输入至自动编码器，获得第二训练数据，对第二训练数据与输入样本数据进行相似度对比，并根据对比结果进行数据训练。本公开实现在通过自监督算法进行数据学习，极大的提高了图网络数据分类的准确率。了图网络数据分类的准确率。了图网络数据分类的准确率。
技术研发人员：唐杰 侯振宇 刘潇 东昱晓
受保护的技术使用者：清华大学
技术研发日：2022.05.16
技术公布日：2022/9/26