模型训练方法、信息生成方法、装置、设备、介质和产品

技术领域

本公开的实施例涉及计算机技术领域，具体涉及模型训练方法、信息生成方法、装置、设备、介质和产品。

背景技术

物品图数据是记录物品和其他物品之间关联关系的图谱。通过物品图数据，可以提供更多的物品相关特征，以用于物品相关任务模型的训练。目前，在对物品相关任务模型进行训练时，通常采用的方式为：使用固定温度系数的神经网络蒸馏方法，或独立考虑图数据中每个节点在教师模型和学生模型中生成的输出向量确定温度系数。

然而，发明人发现，当采用上述方式对物品相关任务模型进行训练时，经常会存在如下技术问题：相比采用动态温度系数的神经网络蒸馏方法，采用固定温度系数方式训练得到的物品相关任务模型的准确率较低，确定温度系数时独立考虑图数据中每个节点在教师模型和学生模型中生成的输出向量，导致相邻节点之间的温度系数差异较大，造成训练得到的物品相关任务模型的准确率较低。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了信息生成模型训练方法、信息生成方法、装置、电子设备、计算机可读介质和计算机程序产品，来解决以上背景技术部分提到的技术问题中的一项或多项。

第一方面，本公开的一些实施例提供了一种信息生成模型训练方法，该方法包括：根据获取的物品图数据，对第一初始物品信息生成模型进行训练，得到第一物品信息生成模型，其中，上述第一物品信息生成模型对应有与各个物品节点对应的各个第一预测分向量，上述各个物品节点对应上述物品图数据；基于物品图数据，执行以下训练步骤：对于物品图数据对应的至少一个物品节点中的每个物品节点，根据物品图数据中上述物品节点对应的物品节点数据和第二初始物品信息生成模型，生成对应上述物品节点的初始温度系数，其中，第二初始物品信息生成模型为图神经网络模型；对于上述至少一个物品节点中的每个物品节点，根据对应上述物品节点的各个邻接物品节点的初始温度系数和上述物品节点的初始温度系数，生成对应上述物品节点的温度系数；根据上述各个第一预测分向量、对应上述至少一个物品节点的各个温度系数、第二初始物品信息生成模型对应上述至少一个物品节点的各个第二预测分向量，生成损失值；响应于确定第二初始物品信息生成模型未达到收敛条件，根据上述损失值，调整第二初始物品信息生成模型的网络参数，以及使用未使用过的物品节点的节点数据组成物品图数据，使用调整后的第二初始物品信息生成模型作为第二初始物品信息生成模型，再次执行上述训练步骤。

可选地，上述训练步骤还包括：响应于确定第二初始物品信息生成模型达到收敛条件，将第二初始物品信息生成模型确定为训练完成的物品信息生成模型。

可选地，上述根据物品图数据中上述物品节点对应的物品节点数据和第二初始物品信息生成模型，生成对应上述物品节点的初始温度系数，包括：响应于确定上述物品节点满足预设条件，将上述物品节点的初始温度系数确定为对应预设温度系数范围的最大预设温度系数，其中，上述预设条件为物品节点对应有标签信息，且上述第一物品信息生成模型对应上述物品节点的预测标签信息满足预设错误条件。

可选地，上述根据物品图数据中上述物品节点对应的物品节点数据和第二初始物品信息生成模型，生成对应上述物品节点的初始温度系数，还包括：响应于确定上述物品节点不满足上述预设条件，将上述物品节点数据输入至第二初始物品信息生成模型，得到第二预测分向量；确定上述第二预测分向量中的最大值；根据上述最大值和上述预设温度系数范围，生成对应上述物品节点的初始温度系数。

可选地，上述根据对应上述物品节点的各个邻接物品节点的初始温度系数和上述物品节点的初始温度系数，生成对应上述物品节点的温度系数，包括：将上述各个邻接物品节点的初始温度系数的平均值确定为平均初始温度系数；根据上述平均初始温度系数、上述物品节点的初始温度系数和超参数，生成对应上述物品节点的温度系数。

可选地，上述根据上述各个第一预测分向量、对应上述至少一个物品节点的各个温度系数、第二初始物品信息生成模型对应上述至少一个物品节点的各个第二预测分向量，生成损失值，包括：对于上述至少一个物品节点中的每个物品节点，执行以下步骤：响应于确定上述物品节点对应有标签信息，根据上述标签信息和对应上述物品节点的第二预测分向量，生成监督损失值；根据对应上述物品节点的温度系数、第一预测分向量和第二预测分向量，生成蒸馏损失值；根据上述监督损失值和上述蒸馏损失值，生成对应上述物品节点的物品节点损失值；将所生成的各个物品节点损失值的和确定为损失值。

可选地，方法还包括：对上述物品信息生成模型进行上线处理。

第二方面，本公开的一些实施例提供了一种信息生成模型训练装置，装置包括：第一训练单元，被配置成根据获取的物品图数据，对第一初始物品信息生成模型进行训练，得到第一物品信息生成模型，其中，上述第一物品信息生成模型对应有与各个物品节点对应的各个第一预测分向量，上述各个物品节点对应上述物品图数据；第二训练单元，被配置成基于物品图数据，执行以下训练步骤：对于物品图数据对应的至少一个物品节点中的每个物品节点，根据物品图数据中上述物品节点对应的物品节点数据和第二初始物品信息生成模型，生成对应上述物品节点的初始温度系数，其中，第二初始物品信息生成模型为图神经网络模型；对于上述至少一个物品节点中的每个物品节点，根据对应上述物品节点的各个邻接物品节点的初始温度系数和上述物品节点的初始温度系数，生成对应上述物品节点的温度系数；根据上述各个第一预测分向量、对应上述至少一个物品节点的各个温度系数、第二初始物品信息生成模型对应上述至少一个物品节点的各个第二预测分向量，生成损失值；响应于确定第二初始物品信息生成模型未达到收敛条件，根据上述损失值，调整第二初始物品信息生成模型的网络参数，以及使用未使用过的物品节点的节点数据组成物品图数据，使用调整后的第二初始物品信息生成模型作为第二初始物品信息生成模型，再次执行上述训练步骤。

可选地，上述训练步骤还包括：响应于确定第二初始物品信息生成模型达到收敛条件，将第二初始物品信息生成模型确定为训练完成的物品信息生成模型。

可选地，第二训练单元进一步被配置成：响应于确定上述物品节点满足预设条件，将上述物品节点的初始温度系数确定为对应预设温度系数范围的最大预设温度系数，其中，上述预设条件为物品节点对应有标签信息，且上述第一物品信息生成模型对应上述物品节点的预测标签信息满足预设错误条件。

可选地，第二训练单元进一步被配置成：响应于确定上述物品节点不满足上述预设条件，将上述物品节点数据输入至第二初始物品信息生成模型，得到第二预测分向量；确定上述第二预测分向量中的最大值；根据上述最大值和上述预设温度系数范围，生成对应上述物品节点的初始温度系数。

可选地，第二训练单元进一步被配置成：将上述各个邻接物品节点的初始温度系数的平均值确定为平均初始温度系数；根据上述平均初始温度系数、上述物品节点的初始温度系数和超参数，生成对应上述物品节点的温度系数。

可选地，第二训练单元进一步被配置成：对于上述至少一个物品节点中的每个物品节点，执行以下步骤：响应于确定上述物品节点对应有标签信息，根据上述标签信息和对应上述物品节点的第二预测分向量，生成监督损失值；根据对应上述物品节点的温度系数、第一预测分向量和第二预测分向量，生成蒸馏损失值；根据上述监督损失值和上述蒸馏损失值，生成对应上述物品节点的物品节点损失值；将所生成的各个物品节点损失值的和确定为损失值。

可选地，信息生成模型训练装置还包括：上线处理单元，被配置成对上述物品信息生成模型进行上线处理。

第三方面，本公开的一些实施例提供了一种信息生成方法，该方法包括：获取待分类的物品图数据；将上述物品图数据输入至预先训练好的物品类别信息生成模型，得到对应各个物品节点的各个物品类别信息，其中，上述物品类别信息生成模型为物品信息生成模型，是通过上述第一方面任一实现方式所描述的方法训练的。

可选地，上述各个物品类别信息中的物品类别信息包括物品标识和物品类别；以及方法还包括：对于上述各个物品节点中的每个物品节点，执行以下步骤：将对应上述物品节点的物品类别信息确定为目标物品类别信息；获取对应上述目标物品类别信息包括的物品类别的仓库存放位置信息；控制相关联的物品调度设备将对应上述目标物品类别信息包括的物品标识的各个物品调度至上述仓库存放位置信息对应的位置。

第四方面，本公开的一些实施例提供了一种信息生成装置，装置包括：获取单元，被配置成获取待分类的物品图数据；输入单元，被配置成将上述物品图数据输入至预先训练好的物品类别信息生成模型，得到对应各个物品节点的各个物品类别信息，其中，上述物品类别信息生成模型为物品信息生成模型，是通过上述第一方面任一实现方式所描述的方法训练的。

可选地，上述各个物品类别信息中的物品类别信息包括物品标识和物品类别。

可选地，信息生成装置还包括：执行单元，被配置成对于上述各个物品节点中的每个物品节点，执行以下步骤：将对应上述物品节点的物品类别信息确定为目标物品类别信息；获取对应上述目标物品类别信息包括的物品类别的仓库存放位置信息；控制相关联的物品调度设备将对应上述目标物品类别信息包括的物品标识的各个物品调度至上述仓库存放位置信息对应的位置。

第五方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面或第三方面任一实现方式所描述的方法。

第六方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面或第三方面任一实现方式所描述的方法。

第七方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面或第三方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的信息生成模型训练方法得到的物品信息生成模型，物品信息生成模型生成的物品信息的准确性有所提高。具体来说，造成训练得到的物品相关任务模型的准确率较低的原因在于：相比采用动态温度系数的神经网络蒸馏方法，采用固定温度系数方式训练得到的物品相关任务模型的准确率较低，确定温度系数时独立考虑图数据中每个节点在教师模型和学生模型中生成的输出向量，导致相邻节点之间的温度系数差异较大，造成训练得到的物品相关任务模型的准确率较低。基于此，本公开的一些实施例的信息生成模型训练方法，首先，根据获取的物品图数据，对第一初始物品信息生成模型进行训练，得到第一物品信息生成模型。其中，上述第一物品信息生成模型对应有与各个物品节点对应的各个第一预测分向量。上述各个物品节点对应上述物品图数据。由此，训练得到的第一物品信息生成模型可以作为教师模型指导第二初始物品信息生成模型的训练。然后，基于物品图数据，执行以下训练步骤：第一步，对于物品图数据对应的至少一个物品节点中的每个物品节点，根据物品图数据中上述物品节点对应的物品节点数据和第二初始物品信息生成模型，生成对应上述物品节点的初始温度系数。其中，第二初始物品信息生成模型为图神经网络模型。由此，可以在一批次训练时，预先生成每个节点的初始温度系数。第二步，对于上述至少一个物品节点中的每个物品节点，根据对应上述物品节点的各个邻接物品节点的初始温度系数和上述物品节点的初始温度系数，生成对应上述物品节点的温度系数。由此，可以利用一物品节点的邻接物品节点的各个初始温度系数，对该物品节点的初始温度系数进行调整，以确定该物品节点的温度系数。第三步，根据上述各个第一预测分向量、对应上述至少一个物品节点的各个温度系数、第二初始物品信息生成模型对应上述至少一个物品节点的各个第二预测分向量，生成损失值。由此，可以利用第一物品信息生成模型对应各个物品节点的各个第一预测分向量，以及第二初始物品信息生成模型对应各个物品节点的各个第二预测分向量和各个温度系数，综合确定第二初始物品信息生成模型的损失值。第四步，响应于确定第二初始物品信息生成模型未达到收敛条件，根据上述损失值，调整第二初始物品信息生成模型的网络参数，以及使用未使用过的物品节点的节点数据组成物品图数据，使用调整后的第二初始物品信息生成模型作为第二初始物品信息生成模型，再次执行上述训练步骤。由此，可以在第二初始物品信息生成模型未训练完成时，利用第二初始物品信息生成模型的损失值，对第二初始物品信息生成模型进行调整，以供继续训练第二初始物品信息生成模型。也因为每批次训练第二初始物品信息生成模型时，各个物品节点温度系数都是重新确定的，且一个物品节点的温度系数是综合了与其邻接的各个邻接物品节点的初始温度系数确定的，可以动态地确定每个物品节点的温度系数，且可以减少相邻物品节点之间温度系数的差异。从而提高了物品信息生成模型的准确性和物品信息生成模型所生成的物品信息的准确性。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的一些实施例的信息生成模型训练方法的一个应用场景的示意图；

图2是根据本公开的信息生成模型训练方法的一些实施例的流程图；

图3是根据本公开的信息生成方法的一些实施例的流程图；

图4是根据本公开的信息生成模型训练装置的一些实施例的结构示意图；

图5是根据本公开的信息生成装置的一些实施例的结构示意图；

图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开一些实施例的信息生成模型训练方法的一个应用场景的示意图。

在图1的应用场景中，首先，计算设备101可以根据获取的物品图数据102，对第一初始物品信息生成模型103进行训练，得到第一物品信息生成模型104。其中，上述第一物品信息生成模型104对应有与各个物品节点对应的各个第一预测分向量105。上述各个物品节点对应上述物品图数据102。然后，计算设备101可以基于物品图数据，执行以下训练步骤：第一步，对于物品图数据对应的至少一个物品节点106中的每个物品节点(例如物品节点1061)，根据物品图数据中上述物品节点对应的物品节点数据和第二初始物品信息生成模型107，生成对应上述物品节点的初始温度系数108。其中，第二初始物品信息生成模型107为图神经网络模型。第二步，对于上述至少一个物品节点106中的每个物品节点(例如物品节点1061)，根据对应上述物品节点的各个邻接物品节点(例如物品节点1062、物品节点1063)的初始温度系数和上述物品节点的初始温度系数，生成对应上述物品节点的温度系数109。第三步，根据上述各个第一预测分向量105、对应上述至少一个物品节点106的各个温度系数、第二初始物品信息生成模型107对应上述至少一个物品节点106的各个第二预测分向量110，生成损失值111。第四步，响应于确定第二初始物品信息生成模型107未达到收敛条件，根据上述损失值111，调整第二初始物品信息生成模型107的网络参数，以及使用未使用过的物品节点的节点数据组成物品图数据102，使用调整后的第二初始物品信息生成模型作为第二初始物品信息生成模型107，再次执行上述训练步骤。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。

继续参考图2，示出了根据本公开的信息生成模型训练方法的一些实施例的流程200。该信息生成模型训练方法，包括以下步骤：

步骤201，根据获取的物品图数据，对第一初始物品信息生成模型进行训练，得到第一物品信息生成模型。

在一些实施例中，信息生成模型训练方法的执行主体(例如图1所示的计算设备101)可以根据获取的物品图数据，对第一初始物品信息生成模型进行训练，得到第一物品信息生成模型。其中，上述物品图数据可以是上述执行主体通过有线连接方式或者无线连接方式从数据库获取的历史的物品图数据。具体地，物品图数据可以为以各个物品作为物品节点、以物品节点之间的关系作为边的图数据。物品节点可以对应有物品节点数据。物品节点数据可以为对应物品节点的物品的相关信息。例如，物品节点数据可以包括但不限于以下中的至少一项：物品标识、物品重量、物品描述信息、物品类型。物品节点之间的关系可以为互补关系。例如，互补关系可以为两个物品是否可以作为彼此的替代品的关系。物品图数据可以包含有标签信息的物品节点数据和无标签信息的物品节点数据。无标签信息的物品节点数据的数量可以大于有标签信息的物品节点数据的数量。例如，标签信息可以为物品类型。

上述第一初始物品信息生成模型可以为网络结构较为复杂的神经网络模型。例如，第一初始物品信息生成模型可以为层数较深、且配置有残差连接的图神经网络模型。上述第一物品信息生成模型的模型任务类型可以为分类任务。例如，第一物品信息生成模型可以为物品分类模型。上述第一物品信息生成模型对应有与各个物品节点对应的各个第一预测分向量。第一预测分向量可以为物品节点对应的物品节点数据在上述第一物品信息生成模型的最后一层全连接层的输出向量。实践中，上述执行主体可以采用分批训练的方式，根据获取的物品图数据，对第一初始物品信息生成模型进行训练，得到第一物品信息生成模型。

需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤202，基于物品图数据，执行以下训练步骤：

步骤2021，对于物品图数据对应的至少一个物品节点中的每个物品节点，根据物品图数据中物品节点对应的物品节点数据和第二初始物品信息生成模型，生成对应物品节点的初始温度系数。

在一些实施例中，对于物品图数据对应的至少一个物品节点中的每个物品节点，上述执行主体可以根据物品图数据中上述物品节点对应的物品节点数据和第二初始物品信息生成模型，生成对应上述物品节点的初始温度系数。其中，上述第二初始物品信息生成模型可以为相比上述第一物品信息生成模型，网络结构较简单的图神经网络模型。例如，第二初始物品信息生成模型可以为GraphSAGE。实践中，首先，上述执行主体可以确定第二初始物品信息生成模型的温度权重超参数。然后，可以确定上述物品节点对应上述第二初始物品信息生成模型的第二预测分向量中的最大值。第二预测分向量可以为物品节点对应的物品节点数据在上述第二物品信息生成模型的最后一层全连接层的输出向量。然后，可以将预设最大温度系数与预设最小温度系数的差值确定为温度系数差。接着，可以将上述温度系数差与上述温度权重超参数和上述最大值的乘积确定为第一数值。其次，可以将上述预设最小温度系数与上述第一数值的和确定为第二数值。最后，可以将上述第二数值与上述预设最大温度系数中的最小值确定为对应上述物品节点的初始温度系数。

在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤根据物品图数据中上述物品节点对应的物品节点数据和第二初始物品信息生成模型，生成对应上述物品节点的初始温度系数：

第一步，响应于确定上述物品节点满足预设条件，将上述物品节点的初始温度系数确定为对应预设温度系数范围的最大预设温度系数。其中，上述预设条件为物品节点对应有标签信息，且上述第一物品信息生成模型对应上述物品节点的预测标签信息满足预设错误条件。上述预测标签信息可以为第一物品信息生成模型对应上述物品节点的标签预测结果。预设错误条件可以为预测标签信息与上述标签信息相异。预设温度系数范围可以为预先设定的温度系数的范围。最大预设温度系数可以为预设温度系数范围的上界。由此，对于一个第一物品信息生成模型预测错误的物品节点，使用最大的温度系数值，可以避免教师模型误导学生模型。

第二步，响应于确定上述物品节点不满足上述预设条件，将上述物品节点数据输入至第二初始物品信息生成模型，得到第二预测分向量。

第三步，确定上述第二预测分向量中的最大值。

第四步，根据上述最大值和上述预设温度系数范围，生成对应上述物品节点的初始温度系数。实践中，上述执行主体可以通过以下公式生成对应上述物品节点的初始温度系数：

其中，T

步骤2022，对于至少一个物品节点中的每个物品节点，根据对应物品节点的各个邻接物品节点的初始温度系数和物品节点的初始温度系数，生成对应物品节点的温度系数。

在一些实施例中，对于上述至少一个物品节点中的每个物品节点，上述执行主体可以根据对应上述物品节点的各个邻接物品节点的初始温度系数和上述物品节点的初始温度系数，生成对应上述物品节点的温度系数。其中，对应上述物品节点的各个邻接物品节点可以为物品图数据中与上述物品节点具有边关系的各个物品节点。实践中，首先上述执行主体可以确定上述物品节点与上述各个邻接物品节点的各个相似度。然后，可以确定上述物品节点和上述各个邻接物品节点对应第二初始物品信息生成模型的各个表示向量。这里，表示向量可以作为物品节点数据的表示(embedding)。接着，可以确定对应上述物品节点的表示向量与每个邻接物品节点对应的表示向量的乘积。其次，可以将所确定的各个乘积的和确定为第三数值。然后，对于每个邻接物品节点，可以将对应上述物品节点的表示向量与上述邻接物品节点对应的表示向量的乘积与上述第三数值的比值确定为对应上述邻接物品节点的加权权重。之后，可以将所确定的各个加权权重与预设数值的和确定为第四数值。预设数值可以为1。接着，对于每个邻接物品节点，可以将上述邻接物品节点对应的加权权重与上述邻接物品节点对应的初始温度系数的乘积确定为加权温度系数。其次，可以将上述物品节点的初始温度系数与所得到各个加权温度系数的和确定为第五数值。最后，可以将上述第五数值与上述第四数值的比值确定为对应上述物品节点的温度系数。

在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤根据对应上述物品节点的各个邻接物品节点的初始温度系数和上述物品节点的初始温度系数，生成对应上述物品节点的温度系数：

第一步，将上述各个邻接物品节点的初始温度系数的平均值确定为平均初始温度系数。

第二步，根据上述平均初始温度系数、上述物品节点的初始温度系数和超参数，生成对应上述物品节点的温度系数。实践中，上述执行主体可以通过以下公式生成对应上述物品节点的温度系数：

其中，t

步骤2023，根据各个第一预测分向量、对应至少一个物品节点的各个温度系数、第二初始物品信息生成模型对应至少一个物品节点的各个第二预测分向量，生成损失值。

在一些实施例中，上述执行主体可以根据上述各个第一预测分向量、对应上述至少一个物品节点的各个温度系数、第二初始物品信息生成模型对应上述至少一个物品节点的各个第二预测分向量，生成损失值。实践中，首先，对于上述至少一个物品节点中的每个物品节点，上述执行主体可以执行以下步骤：

第一步，根据对应上述物品节点的温度系数和上述各个第一预测分向量对应上述物品节点的第一预测分向量，生成各个第一预测结果。其中，每个第一预测结果可以表征划分至对应预测物品类别的概率。实践中，上述执行主体可以通过带有温度系数的归一化指数函数生成第一预测结果。例如，带有温度系数的归一化指数函数可以表示为：

其中，z

第二步，根据对应上述物品节点的温度系数和上述各个第二预测分向量对应上述物品节点的第二预测分向量，生成各个第二预测结果。实践中，上述执行主体生成第二预测结果的方式可以参考上述第一步，在此不再赘述。

第三步，根据上述各个第一预测结果和上述各个第二预测结果，生成对应上述物品节点的物品节点损失值。实践中，上述执行主体可以将上述各个第一预测结果和上述各个第二预测结果输入至交叉熵损失函数，得到对应上述物品节点的物品节点损失值。

然后，可以将所得到的各个物品节点损失值的和确定为损失值。

在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤根据上述各个第一预测分向量、对应上述至少一个物品节点的各个温度系数、第二初始物品信息生成模型对应上述至少一个物品节点的各个第二预测分向量，生成损失值：

第一步，对于上述至少一个物品节点中的每个物品节点，执行以下步骤：

第一子步骤，响应于确定上述物品节点对应有标签信息，根据上述标签信息和对应上述物品节点的第二预测分向量，生成监督损失值。实践中，上述执行主体可以将上述第二预测分向量输入至归一化指数函数，得到各个预测结果。然后，可以将上述标签信息和所得到的各个预测结果输入至交叉熵损失函数，得到交叉熵损失值作为监督损失值。

第二子步骤，根据对应上述物品节点的温度系数、第一预测分向量和第二预测分向量，生成蒸馏损失值。实践中，上述执行主体可以将上述温度系数、上述第一预测分向量输入至带有温度系数的归一化指数函数，得到各个第一预测结果。然后，可以将上述温度系数、上述第二预测分向量输入至带有温度系数的归一化指数函数，得到各个第二预测结果。然后，可以将上述各个第一预测结果和上述各个第二预测结果输入至交叉熵损失函数，得到对应上述物品节点的交叉熵损失值作为蒸馏损失值。

第三子步骤，根据上述监督损失值和上述蒸馏损失值，生成对应上述物品节点的物品节点损失值。实践中，上述执行主体可以将上述监督损失值和上述蒸馏损失值的和确定为物品节点损失值。

第二步，将所生成的各个物品节点损失值的和确定为损失值。

由此，可以利用有监督损失值和蒸馏损失值确定物品节点最终的损失值。

步骤2024，响应于确定第二初始物品信息生成模型未达到收敛条件，根据损失值，调整第二初始物品信息生成模型的网络参数，以及使用未使用过的物品节点的节点数据组成物品图数据，使用调整后的第二初始物品信息生成模型作为第二初始物品信息生成模型，再次执行训练步骤。

在一些实施例中，上述执行主体可以响应于确定第二初始物品信息生成模型未达到收敛条件，根据上述损失值，调整第二初始物品信息生成模型的网络参数，以及使用未使用过的物品节点的节点数据组成物品图数据，使用调整后的第二初始物品信息生成模型作为第二初始物品信息生成模型，再次执行上述训练步骤。其中，上述收敛条件可以为第二初始物品信息生成模型在验证集上的准确率大于等于预设准确率。上述验证集可以为未参与第二初始物品信息生成模型的分批训练，用于对每批次训练的第二初始物品信息生成模型进行验证的物品图数据中的一部分物品节点数据。实践中，上述执行主体可以采用梯度下降法根据上述损失值，调整第二初始物品信息生成模型的网络参数。

可选地，上述执行主体还可以响应于确定第二初始物品信息生成模型达到收敛条件，将第二初始物品信息生成模型确定为训练完成的物品信息生成模型。由此，可以在满足收敛条件时，确定最终的物品信息生成模型。

可选地，上述执行主体还可以对上述物品信息生成模型进行上线处理。这里，上线处理可以为将上述物品信息生成模型发布，以作为针对后续的物品图数据生成物品信息(例如生成物品类别)的在线模型。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的信息生成模型训练方法得到的物品信息生成模型，物品信息生成模型生成的物品信息的准确性有所提高。具体来说，造成训练得到的物品相关任务模型的准确率较低的原因在于：相比采用动态温度系数的神经网络蒸馏方法，采用固定温度系数方式训练得到的物品相关任务模型的准确率较低，确定温度系数时独立考虑图数据中每个节点在教师模型和学生模型中生成的输出向量，导致相邻节点之间的温度系数差异较大，造成训练得到的物品相关任务模型的准确率较低。基于此，本公开的一些实施例的信息生成模型训练方法，首先，根据获取的物品图数据，对第一初始物品信息生成模型进行训练，得到第一物品信息生成模型。其中，上述第一物品信息生成模型对应有与各个物品节点对应的各个第一预测分向量。上述各个物品节点对应上述物品图数据。由此，训练得到的第一物品信息生成模型可以作为教师模型指导第二初始物品信息生成模型的训练。然后，基于物品图数据，执行以下训练步骤：第一步，对于物品图数据对应的至少一个物品节点中的每个物品节点，根据物品图数据中上述物品节点对应的物品节点数据和第二初始物品信息生成模型，生成对应上述物品节点的初始温度系数。其中，第二初始物品信息生成模型为图神经网络模型。由此，可以在一批次训练时，预先生成每个节点的初始温度系数。第二步，对于上述至少一个物品节点中的每个物品节点，根据对应上述物品节点的各个邻接物品节点的初始温度系数和上述物品节点的初始温度系数，生成对应上述物品节点的温度系数。由此，可以利用一物品节点的邻接物品节点的各个初始温度系数，对该物品节点的初始温度系数进行调整，以确定该物品节点的温度系数。第三步，根据上述各个第一预测分向量、对应上述至少一个物品节点的各个温度系数、第二初始物品信息生成模型对应上述至少一个物品节点的各个第二预测分向量，生成损失值。由此，可以利用第一物品信息生成模型对应各个物品节点的各个第一预测分向量，以及第二初始物品信息生成模型对应各个物品节点的各个第二预测分向量和各个温度系数，综合确定第二初始物品信息生成模型的损失值。第四步，响应于确定第二初始物品信息生成模型未达到收敛条件，根据上述损失值，调整第二初始物品信息生成模型的网络参数，以及使用未使用过的物品节点的节点数据组成物品图数据，使用调整后的第二初始物品信息生成模型作为第二初始物品信息生成模型，再次执行上述训练步骤。由此，可以在第二初始物品信息生成模型未训练完成时，利用第二初始物品信息生成模型的损失值，对第二初始物品信息生成模型进行调整，以供继续训练第二初始物品信息生成模型。也因为每批次训练第二初始物品信息生成模型时，各个物品节点温度系数都是重新确定的，且一个物品节点的温度系数是综合了与其邻接的各个邻接物品节点的初始温度系数确定的，可以动态地确定每个物品节点的温度系数，且可以减少相邻物品节点之间温度系数的差异。从而提高了物品信息生成模型的准确性和物品信息生成模型所生成的物品信息的准确性。

进一步参考图3，其示出了信息生成方法的一些实施例的流程300。该信息生成方法的流程300，包括以下步骤：

步骤301，获取待分类的物品图数据。

在一些实施例中，信息生成方法的执行主体(例如计算设备)可以通过有线连接方式或者无线连接方式从数据库获取待分类的物品图数据。需要说明的是信息生成方法的执行主体可以和信息生成模型训练方法的执行主体相同，也可以相异。

步骤302，将物品图数据输入至预先训练好的物品类别信息生成模型，得到对应各个物品节点的各个物品类别信息。

在一些实施例中，上述执行主体可以将上述物品图数据输入至预先训练好的物品类别信息生成模型，得到对应各个物品节点的各个物品类别信息。其中，上述物品类别信息生成模型为物品信息生成模型，是通过图2对应的那些实施例中的步骤训练的。

可选地，上述各个物品类别信息中的物品类别信息可以包括物品标识和物品类别。

可选地，对于上述各个物品节点中的每个物品节点，上述执行主体可以执行以下步骤：

第一步，将对应上述物品节点的物品类别信息确定为目标物品类别信息。

第二步，获取对应上述目标物品类别信息包括的物品类别的仓库存放位置信息。其中，上述仓库存放位置信息可以为仓库中用于存放上述物品类别的物品的仓库区域标识。上述仓库存放位置信息还可以包括位置坐标。

第三步，控制相关联的物品调度设备将对应上述目标物品类别信息包括的物品标识的各个物品调度至上述仓库存放位置信息对应的位置。其中，上述物品调度设备可以为用于自动调度物品的设备。例如，上述物品调度设备可以为无人运输车。由此，可以自动将物品运输至物品类别对应的仓库存放位置。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的信息生成方法，生成的物品类别信息的准确性有所提高。

进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种信息生成模型训练装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，一些实施例的信息生成模型训练装置400包括：第一训练单元401和第二训练单元402。其中，第一训练单元401被配置成根据获取的物品图数据，对第一初始物品信息生成模型进行训练，得到第一物品信息生成模型，其中，上述第一物品信息生成模型对应有与各个物品节点对应的各个第一预测分向量，上述各个物品节点对应上述物品图数据；第二训练单元402被配置成基于物品图数据，执行以下训练步骤：对于物品图数据对应的至少一个物品节点中的每个物品节点，根据物品图数据中上述物品节点对应的物品节点数据和第二初始物品信息生成模型，生成对应上述物品节点的初始温度系数，其中，第二初始物品信息生成模型为图神经网络模型；对于上述至少一个物品节点中的每个物品节点，根据对应上述物品节点的各个邻接物品节点的初始温度系数和上述物品节点的初始温度系数，生成对应上述物品节点的温度系数；根据上述各个第一预测分向量、对应上述至少一个物品节点的各个温度系数、第二初始物品信息生成模型对应上述至少一个物品节点的各个第二预测分向量，生成损失值；响应于确定第二初始物品信息生成模型未达到收敛条件，根据上述损失值，调整第二初始物品信息生成模型的网络参数，以及使用未使用过的物品节点的节点数据组成物品图数据，使用调整后的第二初始物品信息生成模型作为第二初始物品信息生成模型，再次执行上述训练步骤。

可选地，上述训练步骤还包括：响应于确定第二初始物品信息生成模型达到收敛条件，将第二初始物品信息生成模型确定为训练完成的物品信息生成模型。

可选地，第二训练单元402可以进一步被配置成：响应于确定上述物品节点满足预设条件，将上述物品节点的初始温度系数确定为对应预设温度系数范围的最大预设温度系数，其中，上述预设条件为物品节点对应有标签信息，且上述第一物品信息生成模型对应上述物品节点的预测标签信息满足预设错误条件。

可选地，第二训练单元402可以进一步被配置成：响应于确定上述物品节点不满足上述预设条件，将上述物品节点数据输入至第二初始物品信息生成模型，得到第二预测分向量；确定上述第二预测分向量中的最大值；根据上述最大值和上述预设温度系数范围，生成对应上述物品节点的初始温度系数。

可选地，第二训练单元402可以进一步被配置成：将上述各个邻接物品节点的初始温度系数的平均值确定为平均初始温度系数；根据上述平均初始温度系数、上述物品节点的初始温度系数和超参数，生成对应上述物品节点的温度系数。

可选地，第二训练单元402可以进一步被配置成：对于上述至少一个物品节点中的每个物品节点，执行以下步骤：响应于确定上述物品节点对应有标签信息，根据上述标签信息和对应上述物品节点的第二预测分向量，生成监督损失值；根据对应上述物品节点的温度系数、第一预测分向量和第二预测分向量，生成蒸馏损失值；根据上述监督损失值和上述蒸馏损失值，生成对应上述物品节点的物品节点损失值；将所生成的各个物品节点损失值的和确定为损失值。

可选地，信息生成模型训练装置400还可以包括：上线处理单元(图中未示出)，被配置成对上述物品信息生成模型进行上线处理。

可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种信息生成装置的一些实施例，这些装置实施例与图3所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，一些实施例的信息生成装置500包括：获取单元501和输入单元502。其中，获取单元501被配置成获取待分类的物品图数据；输入单元502被配置成将上述物品图数据输入至预先训练好的物品类别信息生成模型，得到对应各个物品节点的各个物品类别信息，其中，上述物品类别信息生成模型为物品信息生成模型，是通过图2对应的那些实施例中的步骤训练的。

可选地，上述各个物品类别信息中的物品类别信息包括物品标识和物品类别。

可选地，信息生成装置500还可以包括：执行单元(图中未示出)，被配置成对于上述各个物品节点中的每个物品节点，执行以下步骤：将对应上述物品节点的物品类别信息确定为目标物品类别信息；获取对应上述目标物品类别信息包括的物品类别的仓库存放位置信息；控制相关联的物品调度设备将对应上述目标物品类别信息包括的物品标识的各个物品调度至上述仓库存放位置信息对应的位置。

可以理解的是，该装置500中记载的诸单元与参考图3描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。

下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备600(例如计算设备)的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置601(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：根据获取的物品图数据，对第一初始物品信息生成模型进行训练，得到第一物品信息生成模型，其中，上述第一物品信息生成模型对应有与各个物品节点对应的各个第一预测分向量，上述各个物品节点对应上述物品图数据；基于物品图数据，执行以下训练步骤：对于物品图数据对应的至少一个物品节点中的每个物品节点，根据物品图数据中上述物品节点对应的物品节点数据和第二初始物品信息生成模型，生成对应上述物品节点的初始温度系数，其中，第二初始物品信息生成模型为图神经网络模型；对于上述至少一个物品节点中的每个物品节点，根据对应上述物品节点的各个邻接物品节点的初始温度系数和上述物品节点的初始温度系数，生成对应上述物品节点的温度系数；根据上述各个第一预测分向量、对应上述至少一个物品节点的各个温度系数、第二初始物品信息生成模型对应上述至少一个物品节点的各个第二预测分向量，生成损失值；响应于确定第二初始物品信息生成模型未达到收敛条件，根据上述损失值，调整第二初始物品信息生成模型的网络参数，以及使用未使用过的物品节点的节点数据组成物品图数据，使用调整后的第二初始物品信息生成模型作为第二初始物品信息生成模型，再次执行上述训练步骤。

或使得该电子设备：获取待分类的物品图数据；将上述物品图数据输入至预先训练好的物品类别信息生成模型，得到对应各个物品节点的各个物品类别信息，其中，上述物品类别信息生成模型为物品信息生成模型，是通过图2对应的那些实施例中的步骤训练的。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一训练单元和第二训练单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一训练单元还可以被描述为“根据获取的物品图数据，对第一初始物品信息生成模型进行训练，得到第一物品信息生成模型的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

本公开的一些实施例还提供一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述的任一种信息生成模型训练方法或信息生成方法。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。