一种实体推荐模型的训练方法、装置及电子设备

本公开涉及人工智能，特别是涉及一种实体推荐模型的训练方法、装置及电子设备。

背景技术：

1、动态图广泛存在于现实世界的应用中，如事件预测、实体推荐等领域。已经有相当多的研究关注动态图神经网络(dygnns)来建模包括结构和特征在时间上演化的复杂图动态信息。一些研究采用图神经网络(gnn)来聚合每个图快照的邻居信息，然后利用序列模块来建模时间信息。另一些研究则利用时间编码技术将时间链接编码为时间感知的嵌入，并采用gnn或内存模块来处理结构信息。还有一些研究利用谱图神经网络、全局图框架卷积和图小波等技术来获得更好的动态图表示。然而，在动态图神经网络文献中，分布偏移问题仍然很少被探讨。

技术实现思路

1、鉴于上述问题，本公开实施例提供了一种实体推荐模型的训练方法、装置及电子设备，以便克服上述问题或者至少部分地解决上述问题。

2、本公开实施例的第一方面，提供了一种实体推荐模型的训练方法，

3、获取动态图；其中，所述动态图的节点表征实体，所述动态图的边表征所述实体之间的注意力，所述节点的特征至少包括：所述实体的历史推荐信息；所述动态图携带标签，所述标签表征在待预测时间步的动态图；

4、根据所述动态图在每个时间步的快照，获取每个所述实体的自我中心图轨迹信号；其中，所述实体的自我中心图轨迹信号包括：所述实体在所述每个时间步的信息，以及所述实体在所述每个时间步的邻居实体传递给所述实体的信息；

5、对每个所述实体的自我中心图轨迹信号进行傅里叶变换，得到频谱域的动态图；

6、将所述频谱域的动态图输入初始实体推荐模型，得到所述频谱域的动态图的不变模式和变化模式；其中，所述不变模式和所述变化模式分别为所述频谱域的动态图的子集；所述不变模式与所述标签的关系不会随分布发生变化；所述初始实体推荐模型包括：不变模式的分类器和变化模式的分类器；

7、将所述不变模式输入所述不变模式的分类器，得到第一预测结果，以及将所述变化模式输入所述变化模式的分类器，得到第二预测结果；

8、对所述变化模式进行采样，得到目标变化模式，基于所述不变模式和所述目标变化模式，得到第三预测结果；

9、根据所述第一预测结果、所述第二预测结果、所述第三预测结果和所述标签，对所述初始实体推荐模型进行训练，得到训练好的实体推荐模型。

10、可选地，所述将所述频谱域的动态图输入初始实体推荐模型，得到所述频谱域的动态图的不变模式和变化模式，包括：

11、将所述频谱域的动态图输入所述初始实体推荐模型，得到所述频谱域的动态图的幅度信息和相位信息，以及得到预测的所述不变模式的频谱掩码和所述变化模式的频谱掩码；其中，所述不变模式的频谱掩码与所述变化模式的频谱掩码负相关；

12、根据所述频谱域的动态图的幅度信息和相位信息，以及所述不变模式的频谱掩码，得到所述不变模式；

13、根据所述频谱域的动态图的幅度信息和相位信息，以及所述变化模式的频谱掩码，得到所述变化模式。

14、可选地，所述根据所述动态图在每个时间步的快照，获取每个所述实体的自我中心图轨迹信号，包括：

15、根据所述动态图在每个时间步的快照，确定每个节点在每个时间步的邻居节点；

16、针对每个时间步的每个节点，利用消息传递网络，聚合所述节点的信息，以及所述节点的邻居节点传递给所述节点的信息，得到每个时间步上携带目标信息的节点，所述目标信息包括：所述节点的信息，以及所述节点的邻居节点传递给所述节点的信息；

17、针对每个节点，堆叠所述节点在每个时间步的目标信息，得到每个所述实体的自我中心图轨迹信号。

18、可选地，所述对每个所述实体的自我中心图轨迹信号进行傅里叶变换，得到频谱域的动态图，包括：

19、获取傅里叶基函数，所述傅里叶基函数的一个维度表征频率分量的数量，另一个维度表征所述动态图的时间长度；

20、根据所述傅里叶基函数，对每个所述实体的自我中心图轨迹信号进行傅里叶变换，得到每个所述实体在频谱域中沿频率分量的节点嵌入；

21、根据每个所述实体在频谱域中沿频率分量的节点嵌入，得到所述频谱域的动态图。

22、可选地，所述获取动态图，包括：

23、根据各个所述实体在每个时间步的信息，确定各个所述实体在每个时间步的特征；

24、根据各个所述实体在每个时间步的特征，计算各个所述实体之间在每个时间步的注意力；

25、根据各个所述实体之间在每个时间步的注意力，确定各个所述实体之间在每个时间步的边；

26、根据各个所述实体、各个所述实体在每个时间步的特征，以及各个所述实体之间在每个时间步的边，生成所述动态图。

27、可选地，所述根据所述第一预测结果、所述第二预测结果、所述第三预测结果和所述标签，对所述初始实体推荐模型进行训练，得到训练好的实体推荐模型，包括：

28、根据所述第一预测结果和所述标签，确定不变模式的任务损失；

29、根据所述第二预测结果和所述标签，确定变化模式的任务损失；

30、根据所述第三预测结果和所述标签，确定混合损失；

31、根据所述不变模式的任务损失、所述变化模式的任务损失和所述混合损失，对所述初始实体推荐模型进行训练，得到训练好的所述实体推荐模型。

32、可选地，所述基于所述不变模式和所述目标变化模式，得到第三预测结果，包括：

33、将所述目标变化模式输入所述变化模式的分类器，得到第一子预测结果；

34、将所述不变模式输入所述不变模式的分类器，得到第二子预测结果；

35、根据所述第一子预测结果和所述第二子预测结果，得到所述第三预测结果。

36、可选地，在所述得到训练好的实体推荐模型之后，还包括：

37、将频谱域的目标动态图输入训练好的所述实体推荐模型，得到所述频谱域的目标动态图的不变模式和变化模式；其中，所述频谱域的目标动态图的节点包括待推荐实体；所述频谱域的目标动态图的节点的特征至少包括所述待推荐实体的历史推荐信息；

38、根据所述频谱域的目标动态图的不变模式，预测在目标时间步的目标动态图；

39、根据所述在目标时间步的目标动态图中所述待推荐实体的特征，确定所述待推荐实体的推荐结果。

40、本公开实施例的第二方面，提供了一种实体推荐模型的训练装置，

41、获取模块，用于获取动态图；其中，所述动态图的节点表征实体，所述动态图的边表征所述实体之间的注意力，所述节点的特征至少包括：所述实体的历史推荐信息；所述动态图携带标签，所述标签表征在待预测时间步的动态图；

42、快照模块，用于根据所述动态图在每个时间步的快照，获取每个所述实体的自我中心图轨迹信号；其中，所述实体的自我中心图轨迹信号包括：所述实体在所述每个时间步的信息，以及所述实体在所述每个时间步的邻居实体传递给所述实体的信息；

43、变换模块，用于对每个所述实体的自我中心图轨迹信号进行傅里叶变换，得到频谱域的动态图；

44、模式获取模块，用于将所述频谱域的动态图输入初始实体推荐模型，得到所述频谱域的动态图的不变模式和变化模式；其中，所述不变模式和所述变化模式分别为所述频谱域的动态图的子集；所述不变模式与所述标签的关系不会随分布发生变化；所述初始实体推荐模型包括：不变模式的分类器和变化模式的分类器；

45、预测模块，用于将所述不变模式输入所述不变模式的分类器，得到第一预测结果，以及将所述变化模式输入所述变化模式的分类器，得到第二预测结果；

46、采样模块，用于对所述变化模式进行采样，得到目标变化模式，基于所述不变模式和所述目标变化模式，得到第三预测结果；

47、训练模块，用于根据所述第一预测结果、所述第二预测结果、所述第三预测结果和所述标签，对所述初始实体推荐模型进行训练，得到训练好的实体推荐模型。

48、本公开实施例的第三方面，提供了一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行指令，以实现如第一方面的实体推荐模型的训练方法。

49、本公开实施例的第四方面，提供了一种计算机可读存储介质，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如第一方面的实体推荐模型的训练方法。

50、本公开实施例包括以下优点：

51、本公开实施例中，初始实体推荐模型可以预测频谱域的动态图的不变模式和变化模式，并基于不变模式和变化模式得到多个预测结果，进而根据多个预测结果对初始实体推荐模型进行训练，在提高实体推荐模型的预测准确度的同时，还可以使训练好的实体推荐模型可以准确区分出频谱域的不变模式和变化模式，进而使训练好的实体推荐模型基于不变模式，输出准确的预测结果。如此，从频谱域的维度研究了动态图的不变模式和变化模式，从而解决了一些分布偏移在时间域不可观察但在频谱域中可观察到的问题，进而，得到具有卓越性能的实体推荐模型。