(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 202210807314.7 (22)申请日 2022.07.07 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 尉桢楷　李雅楠　何伯磊　和为　 徐伟　谢楚曦　 (74)专利代理 机构 中科专利商标代理有限责任 公司 11021 专利代理师 纪雯 (51)Int.Cl. G06K 9/62(2022.01) G06F 16/2455(2019.01) (54)发明名称 对象描述方法、 网络模型的训练方法及装置 (57)摘要 本公开提供了一种对象描述方法、 网络模 型 的训练方法及装置、 设备、 介质和产品， 涉及人工 智能技术领域， 尤其涉及图神经网络、 智能办公 和智能搜索技术等领域。 具体实现方案包括： 确 定目标对象的第一描述特征和至少一个候选对 象中的各候选对象的第二描述特征； 根据第一描 述特征和第二描述特征， 确定针对目标对象 的聚 合描述特征； 以及基于聚合描述特征， 得到目标 对象的对象描述结果， 目标对象与各候选对象之 间具有关联关系。 权利要求书6页 说明书13页 附图5页 CN 115018009 A 2022.09.06 CN 115018009 A 1.一种对象描述方法， 包括： 确定目标对象的第一描述特征和至少一个候选对象中的各所述候选对象的第二描述 特征； 根据所述第一描述特征和所述第二描述特征， 确定针对所述目标对象的聚合描述特 征； 以及 基于所述聚合描述特 征， 得到所述目标对象的对象描述结果， 其中， 所述目标对象与各 所述候选对象之间具有关联关系。 2.根据权利要求1所述的方法， 还 包括： 根据包括目标节点的对象关系 网络， 确定与所述目标节点对应的至少一个邻接节点； 以及 将各所述邻接节点所表征的对象， 作为所述 候选对象， 其中， 所述目标节点用于表征所述目标对象， 所述对象关系 网络包括表征对象的多个 节点以及表征 所述多个节点之间的关联关系的边。 3.根据权利要求1所述的方法， 其中， 所述根据所述第一描述特征和所述第二描述特 征， 确定针对所述目标对象的聚合描述特 征， 包括： 对所述第一描述特征和各所述候选对象的第 二描述特征分别进行线性变换处理， 得到 至少一个中间描述特 征； 以及 对所述至少一个中间描述特 征进行聚合， 得到所述聚合描述特 征。 4.根据权利要求3所述的方法， 其中， 所述对所述第 一描述特征和各所述候选对象的第 二描述特征分别进行线性变换处理， 得到至少一个中间描述特 征， 包括： 对所述第一描述特征进行第一线性变换处理， 得到第一中间描述特征， 对所述第二描 述特征分别进 行第二线性变换 处理和第三线性变换 处理， 得到与所述候选对象对应的第二 中间描述特 征和第三中间描述特 征； 以及 所述对所述至少一个中间描述特 征进行聚合， 得到所述聚合描述特 征， 包括： 计算所述第 一中间描述特征和各所述第 二中间描述特征之间的相似度， 得到与各所述 候选对象对应的注意力评估值； 将与各所述候选对象对应的所述注意力评估值和对应的第三中间描述特征进行加权 求和， 基于加权求和结果得到所述聚合描述特 征。 5.根据权利要求4所述的方法， 其中， 所述将与 各所述候选对象对应的所述注意力 评估 值和对应的第三中间描述特征进行加权求和， 基于加权求和结果得到所述聚合描述特征， 包括： 将与各所述候选对象对应的所述注意力评估值和对应的第三中间描述特征进行加权 求和， 得到初始聚合描述特 征； 基于残差连接矩阵， 对所述初始聚合描述特 征进行加权求积， 得到加权求积结果； 以及 根据所述第一中间描述特 征和所述加权求积结果， 得到所述聚合描述特 征。 6.根据权利要求1所述的方法， 其中， 所述确定目标对象的第 一描述特征和至少一个候 选对象中的各 所述候选对象的第二描述特 征， 包括： 确定目标对象的至少一个第 一初始描述特征； 根据 各所述第 一初始描述特征的特征类权　利　要　求　书 1/6 页 2 CN 115018009 A 2型对应的注意力权重， 对所述至少一个第一初始描述特征进 行聚合， 得到第一聚合结果； 以 及， 基于所述第一聚合结果得到所述第一描述特征， 其中， 所述至少一个第一初始描述特征 包括所述目标对象的对象画像特 征和所述目标对象与其 他对象之间的关联关系特 征； 确定所述至少一个候选对象的至少一个第 二初始描述特征； 根据 各所述第 二初始描述 特征的特征类型对应的注意力权重， 对所述至少一个第二初始描述特征进行聚合， 得到第 二聚合结果； 以及， 基于所述第二聚合结果得到所述第二描述特征， 其中， 所述至少一个第 二初始描述特征包括所述至少一个候选对 象的对象画像特征和所述至少一个候选对 象与 其他对象之间的关联关系特 征。 7.根据权利要求1至6 中任一项所述的方法， 其中， 所述基于所述 聚合描述特征， 得到所 述目标对象的对象描述结果， 包括： 对所述聚合描述特征进行卷积处理， 得到针对所述目标对象的目标向量表示， 以作为 所述对象描述结果。 8.根据权利要求1所述的方法， 还 包括： 根据所述目标对象的对象描述结果和至少一个其他对象的对象描述结果， 确定所述目 标对象与各 所述其他对象之间的匹配度； 以及 将对应匹配度满足预设匹配条件的其他对象， 作为针对所述目标对象的对象匹配结 果。 9.一种网络模型的训练方法， 包括： 根据包括目标样本节点的对象关系网络， 确定与 所述目标样本节点对应的至少一个正 样本节点和至少一个负 样本节点； 确定待处理样本节点的样本描述特征， 其中， 所述待处理样本节点包括所述目标样本 节点、 所述至少一个正样本节点和所述至少一个负 样本节点； 将所述待处理样本节点的样本描述特征和与所述待处理样本节点具有关联关系的至 少一个候选样本节点的样本描述特征， 作为待训练的目标网络模型 的输入数据， 得到所述 待处理样本节点的聚合样本描述特 征； 以及 根据分别与 所述目标样本节点、 所述至少一个正样本节点和所述至少一个负样本节点 对应的聚合样本描述特征， 调整所述待训练的目标网络模型 的模型参数， 得到经训练的目 标网络模型， 其中， 所述目标样本节点与各 所述正样本节点之间具有关联关系。 10.根据权利要求9所述的方法， 其中， 所述将所述待处理样本节点的样本描述特征和 与所述待处理样本节 点具有关联关系的至少一个候选样本节点的样本描述特征， 作为待训 练的目标网络模型的输入数据， 得到所述待处 理样本节点的聚合样本描述特 征， 包括： 利用待训练的目标网络模型， 对所述待处理样本节点的样本描述特征和各所述候选样 本节点的样本描述特 征分别进行线性变换处 理， 得到至少一个中间样本描述特 征； 以及 对所述至少一个中间样本描述特 征进行聚合， 得到所述聚合样本描述特 征。 11.根据权利要求9所述的方法， 其中， 所述根据分别与 所述目标样本节点、 所述至少一 个正样本节点和所述至少一个负样本节点对应的聚合样本描述特征， 调整 所述待训练的目 标网络模型的模型参数， 得到经训练的目标网络模型， 包括： 确定所述目标样本节点的聚合样本描述特征和各所述正样本节点的聚合样本描述特权　利　要　求　书 2/6 页 3 CN 115018009 A 3