(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210384119.8 (22)申请日 2022.04.12 (71)申请人 浙江大华 技术股份有限公司 地址 310051 浙江省杭州市滨江区滨安路 1187号 (72)发明人 毛廷运　刘伟棠　陈立力　周明伟　 (74)专利代理 机构 深圳市威世博知识产权代理 事务所(普通 合伙) 44280 专利代理师 何倚雯 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06F 16/901(2019.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 模型训练和目标群体识别方法、 装置、 终端 及存储介质 (57)摘要 本发明提供了模型训练和目标群体识别方 法、 装置、 终端及存储介质， 网络模型训练方法包 括获取训练样本集； 通过构建的初始神经网络模 型对第一样本关系图和第二样本关系图分别进 行特征提取， 预测得到第一样 本关系图中各节点 分别对应的第一特征信息和第二样本关系图中 各节点分别对应的第二特征信息； 第一样本关系 图中的节点和第二样本关系图中的节点组成的 节点对， 基于节点对中两个节点分别对应的第一 特征信息和第二特征信息构建损失函数； 基于损 失函数对初始神经网络模型进行迭代训练， 得到 图对比学习网络。 图对比学习网络考虑了关系图 的拓扑结构和节点属性， 提取到群体中各目标对 应的具有更丰富的语义信息的特征向量， 提高目 标群体识别的准确率。 权利要求书4页 说明书10页 附图3页 CN 115512120 A 2022.12.23 CN 115512120 A 1.一种网络模型训练方法， 其特 征在于， 所述训练方法包括： 获取训练样本集， 所述训练样本集包括多个第一样本关系图和多个第二样本关系图， 所述第一样本 关系图和所述第二样本关系图对应为同一群体的群体关系图； 所述群体关系 图包括多个节点和所述节点之间的边； 所述群体包含的目标作为所述节点， 所述 目标之间 的关联关系作为所述节点之间的边； 通过构建的初始神经网络模型对所述第一样本关系图和所述第二样本关系图分别进 行特征提取， 预测得到所述第一样本关系图中各节点分别对应的第一特征信息和所述第二 样本关系图中各节点分别对应的第二特 征信息； 所述第一样本关系图中的所述节点和所述第二样本关系图中的所述节点组成的节点 对， 基于所述节点对中两个所述节点分别对应的所述第一特征信息和所述第二特征信息构 建损失函数； 基于所述损失函数对所述初始神经网络模型进行迭代训练， 得到图对比学习网络 。 2.根据权利要求1所述的网络模型训练方法， 其特 征在于， 所述获取训练样本集， 所述训练样本集包括多个第 一样本关系图和多个第 二样本关系 图， 所述第一样本关系图和所述第二样本关系图为同一群体的群体关系图； 所述群体关系 图包括多个节点和所述节点之间的边； 所述群体包含的目标作为所述节点， 所述 目标之间 的关联关系作为所述节点之间的边， 包括： 获取各群体对应的群 体关系图； 根据结构增强方法和属性增强方法对所述群体关系图依次进行数据增强处理； 得到所 述群体关系图对应的第一样本关系图和第二样本关系图； 多个所述群体分别对应的所述第一样本关系图和所述第二样本关系图组成所述训练 样本集。 3.根据权利要求2所述的网络模型训练方法， 其特 征在于， 所述根据 结构增强方法和属性增强方法对所述群体关系图依次进行数据增强处理； 得 到所述群 体关系图对应的第一样本关系图和第二样本关系图， 包括： 分别通过删除所述群体关系图中的任意边、 删除所述群体关系图中的任意节点或提取 所述群体关系图中的局部关系图， 得到所述群 体关系图对应的两个结构增强图； 分别遮挡两个所述结构增强图中的所述节点的任意属性信 息， 得到所述群体关系图对 应的所述第一样本关系图和所述第二样本关系图。 4.根据权利要求1所述的网络模型训练方法， 其特 征在于， 所述基于所述节点对中两个所述节点分别对应的所述第一特征信息和所述第二特征 信息构建损失函数， 包括： 所述损失函数如公式1所示： 。 5.根据权利要求 4所述的网络模型训练方法， 其特 征在于， 所述基于所述节点对中两个所述节点分别对应的所述第一特征信息和所述第二特征 信息构建损失函数， 包括： 公式1中的l(ui,vi)通过公式2得到：权　利　要　求　书 1/4 页 2 CN 115512120 A 2其中， sim表示求两节点的特征向量的余弦相似性， τ为温度系数， N为所述第一样本关 系图和所述第二样本关系图的节点数量。 6.根据权利要求1所述的网络模型训练方法， 其特 征在于， 所述通过构建的初始神经网络模型对所述第一样本关系图和所述第二样本关系图分 别进行特征提取， 预测得到所述第一样本 关系图中各节点分别对应的第一特征信息和所述 第二样本关系图中各节点分别对应的第二特 征信息， 之前包括： 构建所述初始神经网络模型； 其中， 所述初始神经网络模型包括依次级联的初始特征 提取模块和初始多层神经网络模块。 7.根据权利要求6所述的网络模型训练方法， 其特 征在于， 所述通过初始神经网络模型对所述第一样本关系图和所述第二样本关系图分别进行 特征提取， 预测得到所述第一样本 关系图中各节 点分别对应的第一特征信息和所述第二样 本关系图中各节点分别对应的第二特 征信息， 包括： 通过所述初始特征提取模块对所述第一样本关系图和所述第二样本关系图分别进行 特征提取， 预测得到所述第一样本 关系图中各所述节点分别对应的初始第一特征信息和所 述第二样本关系图中各 所述节点分别的对应的初始第二特 征信息； 通过所述初始多层神经网络模块对所述第一样本关系图中各所述节点分别对应的所 述初始第一特征信息和所述第二样本关系图中各所述节点分别的对应的所述初始第二特 征信息分别进行非线性变换， 得到所述第一样本关系图中各所述节点分别对应的所述第一 特征信息和所述第二样本关系图中各节点分别对应的所述第二特 征信息； 所述第一特征信息和所述第二特征信息分别包括对应所述节点的图结构特征向量和 所述节点的属性特 征向量。 8.根据权利要求1所述的网络模型训练方法， 其特 征在于， 所述基于所述损失函数对所述初始神经网络模型进行迭代训练， 得到图对比学习网 络， 包括： 基于所述损失函数对所述初始特征提取模型和所述初始多层神经网络模块中的参数 进行修正， 得到特 征提取模型和多层神经网络模块； 去除所述多层神经网络模块， 保留所述特 征提取模型作为所述图对比学习网络 。 9.根据权利要求1所述的网络模型训练方法， 其特征在于， 所述初始特征提取模块包括 GCN编码器； 所述通过所述初始特征提取模块对所述第一样本关系图和所述第二样本关系图分别 进行特征提取， 预测得到所述第一样本 关系图中各所述节点分别对应的初始第一特征信息 和所述第二样本关系图中各 所述节点分别的对应的初始第二特 征信息， 包括： 基于公式3计算得到所述初始第一特 征信息和所述初始第二特 征信息； 公式3中： i表示GCN的第i层， ReLU是非线性激活函数， Hi为第i层输出的节点特征矩阵，权　利　要　求　书 2/4 页 3 CN 115512120 A 3