【技術實現步驟摘要】
本公開的實施例涉及計算機，具體涉及模型訓練方法、信息生成方法、裝置、設備和介質。
技術介紹
1、目前，隨著人工智能的不斷普及，圖譜也越來越廣泛的應用于各種場景。針對價值數據(例如，訂單)的異常檢測，通常采用的方式是：首先，通過imgagn模型(半監督網絡嵌入模型)，來對價值數據集對應的圖譜進行數據補充，得到補充后圖譜。然后，根據補充后圖譜，對初始二分類圖神經模型進行模型訓練，得到二分類圖神經模型，以用于后續價值數據的異常檢測。
2、然而，專利技術人發現，當采用上述方式，經常會存在如下技術問題：
3、imgagn模型在生成數據時，沒有對節點的分布特征進行加以限制，致使數據擴充后的圖譜與原圖譜的分布存在較大差異，由此，訓練好的神經模型雖然在原有價值數據集上取得較好的結果，但在新價值數據上的表現較差，導致價值異常信息的檢測精準度較低。
4、該
技術介紹
部分中所公開的以上信息僅用于增強對本專利技術構思的背景的理解，并因此，其可包含并不形成本國的本領域普通技術人員已知的現有技術的信息。
技術實現思路
1、本公開的內容部分用于以簡要的形式介紹構思，這些構思將在后面的具體實施方式部分被詳細描述。本公開的內容部分并不旨在標識要求保護的技術方案的關鍵特征或必要特征，也不旨在用于限制所要求的保護的技術方案的范圍。
2、本公開的一些實施例提出了模型訓練方法、信息生成方法、裝置、設備和介質，來解決以上
技術介紹
部分提到的技術問題。
3、第一方面，本公
4、可選地，上述利用所確定的初始圖信息生成模型，對上述價值數據關聯圖添加目標價值類別對應的至少一個圖節點信息和至少一個邊信息，得到添加后價值數據關聯圖，包括：生成針對目標分布的隨機向量集；將上述隨機向量集中的每個隨機向量輸入至上述初始圖信息生成模型，以生成圖節點信息和邊信息，得到圖節點信息集和邊信息集；將上述圖節點信息集中的至少一個圖節點信息和上述邊信息集中的至少一個邊信息添加至上述價值數據關聯圖，以生成添加后價值數據關聯圖。
5、可選地，上述將上述隨機向量集中的每個隨機向量輸入至上述初始圖信息生成模型，以生成圖節點信息和邊信息，包括：響應于確定節點特征集相對于目標場景的特征重要程度滿足預設特征條件，將上述隨機向量輸入至上述初始圖信息生成模型包括的初始圖邊生成模型，以生成第一邊信息，作為上述隨機向量對應的邊信息，其中，上述節點特征集是與上述訓練價值數據集相對應的數據特征集；根據上述第一邊信息和上述訓練價值數據集，生成第一圖節點信息，作為上述隨機向量對應的圖節點信息。
6、可選地，上述將上述隨機向量集中的每個隨機向量輸入至上述初始圖信息生成模型，以生成圖節點信息和邊信息，包括：響應于確定節點特征集相對于目標場景的特征重要程度不滿足預設特征條件，將上述隨機向量輸入至上述初始圖信息生成模型包括的初始圖節點生成模型，以生成第二圖節點信息，作為隨機向量對應的圖節點信息；根據上述第二圖節點信息和上述訓練價值數據集，生成第二邊信息，作為上述隨機向量對應的邊信息。
7、可選地，上述將上述圖節點信息集中的至少一個圖節點信息和上述邊信息集中的至少一個邊信息添加至上述價值數據關聯圖，以生成添加后價值數據關聯圖，包括：確定上述價值數據關聯圖中的各個圖節點信息對應的節點平均邊連接數；根據上述節點平均邊連接數，對上述圖節點信息集中的每個圖節點信息對應邊信息子集進行邊信息修正，以生成修正后邊信息組，得到修正后邊信息組集；將上述修正后邊信息組集作為至少一個邊信息，將圖節點信息集作為至少一個圖節點信息，添加至上述價值數據關聯圖，以生成添加后價值數據關聯圖。
8、可選地，上述確定上述添加后價值數據關聯圖中的每個圖節點信息對應的節點特征表征信息，包括：確定上述添加后價值數據關聯圖中的、與上述圖節點信息相臨近的臨近圖節點信息集；根據臨近圖節點信息對應的向量層數，對上述臨近圖節點信息集對應的臨近向量組集進行向量重組，得到臨近向量集組；確定上述圖節點信息對應的圖節點特征信息；根據上述圖節點特征信息和臨近向量集組，確定上述圖節點信息對應的各層節點表征向量；根據上述各層節點表征向量，生成上述圖節點信息對應的節點特征表征信息。
9、可選地，上述利用初始圖信息判別模型，生成針對上述節點特征表征信息集的判別信息集，包括：將上述節點特征表征信息集中的每個節點特征表征信息輸入至上述初始圖信息判別模型，以生成添加節點識別信息和價值類別識別信息，得到添加節點識別信息集和價值類別識別信息集；將上述添加節點識別信息集和上述價值類別識別信息集進行信息對應組合，以生成組合信息集，作為判別信息集。
10、可選地，上述根據上述判別信息集，對上述初始圖信息生成模型和上述初始圖信息判別模型進行模型訓練，得到圖信息生成模型和圖信息判別模型，包括：對于判別信息集，執行以下訓練步驟：從判別信息集中抽取判別信息，作為目標判別信息；利用至少一個價值類別損失函數，生成針對目標判別信息的至少一個價值類別損失信息；根據至少一個價值類別損失信息，確定初始圖信息生成模型和初始圖信息判別模型是否訓練完成；響應于確定訓練完成，將初始圖信息生成模型和初始圖信息判別模型確定為圖信息生成模型和圖信息判別模型；響應于確定訓練未完成，根據至少一個價值類別損失信息，對初始圖信息生成模型和初始圖信息判別模型進行模型更新，得到更新圖信息生成模型和更新圖信息判別模型，以及從判別信息集中去除目標判別信息，得到去除后判別信息集；將更新圖信息生成模型和更新圖信息判別模型分別作為初始圖信息生成模型和初始圖信息判別模型，將去除后判別信息集作為判別信息集，繼續執行上述訓練步驟。
11、可選地，上述訓練價值數據集對應的模型訓練時間為當前時間；以及上述根據上述判別信息集，對上述初始圖信息生成模型和上述初始圖信息判別模型進行模型訓練，得到圖信息生成模型和圖信息判別模型，包括：獲取歷史臨近時間對應的第一模型初始化參數信息和模型訓練后參數信息；根據上述第一模型初始化參數信息和上述模型訓練后參數信息，生成針對上述當前時間的第二模型初始化參數信息；根據上述第二模型初始化參數信息，對上述初始圖信息生成模型和上述初始圖信息判別模型進行模型參數初始化，得到初始化后圖信息生成模型和初始化后圖信息判別模型；將初始化后圖信息生成模型和初始化后圖信息判別模型分別作為初始圖信息生成模型和初始圖信息判別模型，根據上本文檔來自技高網...
【技術保護點】
1.一種模型訓練方法，包括：
2.根據權利要求1所述的方法，其中，所述利用所確定的初始圖信息生成模型，對所述價值數據關聯圖添加目標價值類別對應的至少一個圖節點信息和至少一個邊信息，得到添加后價值數據關聯圖，包括：
3.根據權利要求2所述的方法，其中，所述將所述隨機向量集中的每個隨機向量輸入至所述初始圖信息生成模型，以生成圖節點信息和邊信息，包括：
4.根據權利要求2所述的方法，其中，所述將所述隨機向量集中的每個隨機向量輸入至所述初始圖信息生成模型，以生成圖節點信息和邊信息，包括：
5.根據權利要求2所述的方法，其中，所述將所述圖節點信息集中的至少一個圖節點信息和所述邊信息集中的至少一個邊信息添加至所述價值數據關聯圖，以生成添加后價值數據關聯圖，包括：
6.根據權利要求1所述的方法，其中，所述確定所述添加后價值數據關聯圖中的每個圖節點信息對應的節點特征表征信息，包括：
7.根據權利要求1所述的方法，其中，所述利用初始圖信息判別模型，生成針對所述節點特征表征信息集的判別信息集，包括：
8.根據權利要求
9.根據權利要求1所述的方法，其中，所述訓練價值數據集對應的模型訓練時間為當前時間；以及
10.一種信息生成方法，包括：
11.一種模型訓練裝置，包括：
12.一種信息生成裝置，包括：
13.一種電子設備，包括：
14.一種計算機可讀介質，其上存儲有計算機程序，其中，所述計算機程序被處理器執行時實現如權利要求1-10中任一所述的方法。
15.一種計算機程序產品，包括計算機程序，所述計算機程序在被處理器執行時實現根據權利要求1-10中任一項所述的方法。
...【技術特征摘要】
1.一種模型訓練方法，包括：
2.根據權利要求1所述的方法，其中，所述利用所確定的初始圖信息生成模型，對所述價值數據關聯圖添加目標價值類別對應的至少一個圖節點信息和至少一個邊信息，得到添加后價值數據關聯圖，包括：
3.根據權利要求2所述的方法，其中，所述將所述隨機向量集中的每個隨機向量輸入至所述初始圖信息生成模型，以生成圖節點信息和邊信息，包括：
4.根據權利要求2所述的方法，其中，所述將所述隨機向量集中的每個隨機向量輸入至所述初始圖信息生成模型，以生成圖節點信息和邊信息，包括：
5.根據權利要求2所述的方法，其中，所述將所述圖節點信息集中的至少一個圖節點信息和所述邊信息集中的至少一個邊信息添加至所述價值數據關聯圖，以生成添加后價值數據關聯圖，包括：
6.根據權利要求1所述的方法，其中，所述確定所述添加后價值數據關聯圖中的每個圖節點信息對應的節點特征表征信息，包括：
【專利技術屬性】
技術研發人員：王朝坤，吳呈，姚普，劉健，崔浩，王三鵬，包勇軍，顏偉鵬，朱小坤，
申請(專利權)人：北京京東世紀貿易有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。