申请/专利权人:浙江师范大学;科大讯飞股份有限公司
申请日:2023-11-29
公开(公告)日:2024-04-26
公开(公告)号:CN117932461A
主分类号:G06F18/2415
分类号:G06F18/2415;G06F18/2413;G06N3/042
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.14#实质审查的生效;2024.04.26#公开
摘要:本发明涉及大语言模型辅助的异质图表示学习方法、设备和介质,训练方法包括:获取异质图的样本数据,根据样本数据得到样本节点总数、样本节点的样本特征和样本结构编码,根据样本特征和样本结构编码得到目标样本节点与其它样本节点的样本相似度,根据样本节点总数和自适应参数计算目标样本节点的邻近样本值,根据样本相似度和邻近样本值得到目标样本节点的邻近样本节点,将目标样本节点的样本数据、邻近样本节点的样本数据和邻近样本节点的分类输入大语言模型,得到预测分类和分类依据,根据预测分类、邻近样本节点的分类和分类依据调整神经网络参数,重复执行获取异质图的样本数据这一步,直到满足预设条件,得到图表示学习模型。
主权项:1.一种大语言模型辅助的异质图表示学习方法,其特征在于,包括以下步骤:获取异质图的样本数据,根据所述样本数据得到样本节点总数、样本节点的样本特征和样本结构编码;所述异质图包括目标样本节点和其它样本节点;根据所述样本特征和所述样本结构编码得到目标样本节点与其它样本节点的样本相似度;根据所述样本节点总数和自适应参数计算目标样本节点的邻近样本值;所述自适应参数通过预训练得到;根据所述样本相似度和所述邻近样本值得到所述目标样本节点的邻近样本节点;将所述目标样本节点的样本数据、所述邻近样本节点的样本数据和所述邻近样本节点的分类输入大语言模型,得到预测分类和分类依据;根据所述预测分类、所述邻近样本节点的分类和所述分类依据调整神经网络参数,重复执行获取异质图的样本数据这一步骤,直到满足预设条件,得到图表示学习模型。
全文数据:
权利要求:
百度查询: 浙江师范大学;科大讯飞股份有限公司 大语言模型辅助的异质图表示学习方法、设备和介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。