【技术实现步骤摘要】
本说明书涉及计算机，尤其涉及一种业务执行的方法、装置、存储介质及电子设备。
技术介绍
1、目前，图数据结构凭借着其灵活、高效且直观的数据表达形式，已经在众多的领域被大量应用。图数据结构由众多的节点和边组成，根据不同的需求，图数据结构中的节点和边可以表征不同的对象或意义。同时，图数据结构中包含的节点还可以被赋予一种或多种标签，来实现对图数据结构中包含的各节点进行分类的效果，从而帮助人们更好地利用图数据结构，如图1所示。
2、图1为本说明书提供的一种有标签图数据结构。
3、其中，a~g为节点，分别表征不同的用户，任意两个节点之间的边用于表征该两个节点所表征的用户具有好友关系，而在“年龄”这一维度下，不同的用户就会被打上不同的标签，例如图1中的“老人”、“青年”、“小孩”即属于节点在“年龄”这一维度下的标签。
4、但是，在很多实际业务过程中，可能会出现无标签的图数据结构，无标签的图数据结构可能无法满足一些业务的需求，并且传统的通过迁移相关领域已有的知识和经验来赋予标签的迁移学习方法并不适用于图数据结构这种结构化数据格式。
5、因此，如何为无标签图数据结构中的各节点赋予标签，从而实现对节点进行分类的效果，是一个亟待解决的问题。
技术实现思路
1、本说明书提供一种业务执行的方法、装置、存储介质及电子设备。以部分的解决现有技术存在的上述问题。
2、本说明书采用下述技术方案：
3、本说明书提供了一种业务执行的方法，包括：p>
4、获取若干样本对象信息以及目标图数据结构，其中，所述目标图数据结构为无标签图数据结构，所述若干样本对象信息所对应的标签种类与所述目标图数据结构中包含的各节点对应的标签种类相同，所述若干样本对象信息与所述目标图数据结对应相同的业务场景；
5、提取所述若干样本对象信息的样本特征，并根据所述样本特征，确定用于表征所述各样本对象信息间相似程度的邻接矩阵；
6、根据所述邻接矩阵，处理所述样本特征，得到样本向量，以通过所述样本向量，对预先部署的识别模型进行训练；
7、根据训练识别模型时所产生的梯度信息，调整所述邻接矩阵；
8、通过得到的调整后邻接矩阵，对所述样本特征进行处理，得到调整后样本向量，以通过所述调整后样本向量，对待训练的图迁移学习模型进行训练；
9、通过训练后的图迁移学习模型，对所述目标图数据结构中包含的各节点进行分类，得到分类后图数据结构，以根据所述分类后图数据结构，执行业务。
10、可选地，提取所述若干样本对象信息的样本特征，具体包括：
11、确定所述若干样本对象信息和所述目标图数据结构之间的公共特征维度；
12、提取所述若干样本对象信息在所述公共特征维度下的样本特征。
13、可选地，通过所述样本向量，对预先部署的识别模型进行训练，具体包括：
14、将所述样本向量输入到预先部署的识别模型中，以获取所述识别模型输出的所述若干样本对象信息对应的标签预测结果；
15、以最小化所述若干样本对象信息对应的标签预测结果与真实标签结果之间的偏差，对所述识别模型进行训练。
16、可选地，在通过所述样本向量，对预先部署的识别模型进行训练之前，所述方法还包括：
17、确定所述目标图数据结构对应的目标邻接矩阵，以及提取所述目标图数据结构中包含的各节点的节点特征；
18、根据所述目标邻接矩阵，对所述节点特征进行处理，得到节点向量；
19、通过所述样本向量，对预先部署的识别模型进行训练，具体包括：
20、将所述样本向量以及所述节点向量输入到预先部署的识别模型中，以获取所述识别模型输出的所述若干样本对象信息对应的标签预测结果，以及获取所述识别模型输出的针对输入向量的判断结果，其中，所述判断结果用来表示所述输入向量是属于样本向量还是属于节点向量；
21、以最小化所述若干样本对象信息对应的标签预测结果与真实标签结果之间的偏差，以及最小化所述判断结果与真实判断结果之间的偏差，对所述识别模型进行训练。
22、可选地，通过所述调整后样本向量，对待训练的图迁移学习模型进行训练，具体包括：
23、将所述调整后样本向量输入到待训练的图迁移学习模型中，以获取所述图迁移学习模型输出的所述若干样本对象信息对应的标签预测结果；
24、以最小化所述若干样本对象信息对应的标签预测结果与真实标签结果之间的偏差，对所述待训练的图迁移学习模型进行训练。
25、可选地，在通过所述调整后样本向量，对待训练的图迁移学习模型进行训练之前，所述方法还包括：
26、确定所述目标图数据结构对应的目标邻接矩阵，以及提取所述目标图数据结构中包含的各节点的节点特征；
27、根据所述目标邻接矩阵，对所述节点特征进行处理，得到节点向量；
28、通过所述调整后样本向量，对待训练的图迁移学习模型进行训练，具体包括：
29、将所述调整后样本向量以及所述节点向量输入到待训练的图迁移学习模型中，以获取所述图迁移学习模型输出的所述若干样本对象信息对应的标签预测结果，以及获取所述图迁移学习模型输出的针对输入向量的判断结果，其中，所述判断结果用来表示所述输入向量是属于调整后样本向量还是属于节点向量；
30、以最小化所述若干样本对象信息对应的标签预测结果与真实标签结果之间的偏差，以及最小化所述判断结果与真实判断结果之间的偏差，对所述待训练的图迁移学习模型进行训练。
31、可选地，通过训练后的图迁移学习模型，对所述目标图数据结构中包含的各节点进行分类，得到分类后图数据结构，具体包括：
32、确定所述目标图数据结构对应的目标邻接矩阵，以及提取所述目标图数据结构中包含的各节点的节点特征；
33、将所述目标邻接矩阵以及所述节点特征输入到训练后的图迁移学习模型中，以获取针对所述目标图数据结构中包含的各节点的分类结果；
34、根据所述目标图数据结构中包含的各节点的分类结果，确定分类后图数据结构。
35、本说明书提供了一种业务执行的装置，包括：
36、获取模块，用于获取若干样本对象信息以及目标图数据结构，其中，所述目标图数据结构为无标签图数据结构，所述若干样本对象信息所对应的标签种类与所述目标图数据结构中包含的各节点对应的标签种类相同，所述若干样本对象信息与所述目标图数据结对应相同的业务场景；
37、提取模块，用于提取所述若干样本对象信息的样本特征，并根据所述样本特征，确定用于表征所述各样本对象信息间相似程度的邻接矩阵；
38、处理模块，用于根据所述邻接矩阵，处理所述样本特征，得到样本向量，以通过所述样本向量，对预先部署的识别模型进行训练；
39、调整模块，用于根据训练识别模型时所产生的梯度信息，调整所述邻接矩阵；
本文档来自技高网...【技术保护点】
1.一种业务执行的方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，提取所述若干样本对象信息的样本特征，具体包括：
3.如权利要求1所述的方法，其特征在于，通过所述样本向量，对预先部署的识别模型进行训练，具体包括：
4.如权利要求1所述的方法，其特征在于，在通过所述样本向量，对预先部署的识别模型进行训练之前，所述方法还包括：
5.如权利要求1所述的方法，其特征在于，通过所述调整后样本向量，对待训练的图迁移学习模型进行训练，具体包括：
6.如权利要求1所述的方法，其特征在于，在通过所述调整后样本向量，对待训练的图迁移学习模型进行训练之前，所述方法还包括：
7.如权利要求1所述的方法，其特征在于，通过训练后的图迁移学习模型，对所述目标图数据结构中包含的各节点进行分类，得到分类后图数据结构，具体包括：
8.一种业务执行的装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
...【技术特征摘要】
1.一种业务执行的方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，提取所述若干样本对象信息的样本特征，具体包括：
3.如权利要求1所述的方法，其特征在于，通过所述样本向量，对预先部署的识别模型进行训练，具体包括：
4.如权利要求1所述的方法，其特征在于，在通过所述样本向量，对预先部署的识别模型进行训练之前，所述方法还包括：
5.如权利要求1所述的方法，其特征在于，通过所述调整后样本向量，对待训练的图迁移学习模型进行训练，具体包括：
6.如权利要求1所述的方法，其特征在于，在通过所述调整后样本向量，对待训练...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。