CN109063934A - 基于人工智能的组合优化结果获取方法、设备及可读介质 - Google Patents

基于人工智能的组合优化结果获取方法、设备及可读介质 Download PDF

Info

Publication number
CN109063934A
CN109063934A CN201811130478.0A CN201811130478A CN109063934A CN 109063934 A CN109063934 A CN 109063934A CN 201811130478 A CN201811130478 A CN 201811130478A CN 109063934 A CN109063934 A CN 109063934A
Authority
CN
China
Prior art keywords
combinatorial optimization
sequence
trained
screening model
result
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811130478.0A
Other languages
English (en)
Other versions
CN109063934B (zh
Inventor
张希
王凡
�田�浩
吴泽衡
周古月
何径舟
周坤胜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201811130478.0A priority Critical patent/CN109063934B/zh
Publication of CN109063934A publication Critical patent/CN109063934A/zh
Application granted granted Critical
Publication of CN109063934B publication Critical patent/CN109063934B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种基于人工智能的组合优化结果获取方法、设备及可读介质。其方法包括：获取用户进行组合优化查询的特征参数和预设的备选集合，所述备选集合中包括数个备选结果；根据预先训练的组合优化筛选模型、所述特征参数以及所述备选集合，从所述备选集合的所述数个备选结果中筛选组合优化性能最优的N个，组成组合优化结果。本发明的技术方案，能够弥补现有技术的不足，提供一种基于人工智能的组合优化结果的获取方案，能够有效地从数个备选结果中筛选出组合优化性能最优的N个，作为组合优化结果，解决用户在各种组合优化场景中的技术困扰，提高用户在组合优化场景中的使用体验。

Description

基于人工智能的组合优化结果获取方法、设备及可读介质
【技术领域】
本发明涉及计算机应用技术领域，尤其涉及一种基于人工智能的组合优化结果获取方法、设备及可读介质。
【背景技术】
人工智能(Artificial Intelligence；AI)，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
组合优化问题一直是计算机领域中一类疑难问题，具体需要一种特定的算法从数个备选结果中获取N个组合优化最优或是近似最优的组合方案。目前大部分组合优化问题仍然是仅能够获取多个较优的个体，形组合优化结果。而无法评估组合优化结果中各个个体之间的组合优化性能。因此，组合优化问题仍然无法得到有效地求解方式。而且组合优化问题的求解方法又应用在很多领域，比如旅行商问题，加工调度问题，背包问题，装箱问题，图着色问题，聚类问题等等，以及推荐领域。因此，本申请亟需提供一种组合优化结果的获取方法，以解决现有技术的组合优化问题。
【发明内容】
本发明提供了一种基于人工智能的组合优化结果获取方法、设备及可读介质，用于弥补现有技术的不足，提供一种有效地组合优化结果的获取方案。
本发明提供一种基于人工智能的组合优化结果的获取方法，所述方法包括：
获取用户进行组合优化查询的特征参数和预设的备选集合，所述备选集合中包括数个备选结果；
根据预先训练的组合优化筛选模型、所述特征参数以及所述备选集合，从所述备选集合的所述数个备选结果中筛选组合优化性能最优的N个，组成组合优化结果。
进一步可选地，如上所述的方法中，根据预先训练的组合优化筛选模型、所述特征参数以及所述备选集合，从所述备选集合的所述数个备选结果中筛选组合优化性能最优的N个，组成组合优化结果之前，所述方法还包括：
在序列到序列的网络模型的基础上，采用加和层替代序列编码器；
在处理后的所述序列到序列的网络模型中添加环境层，以引入所述用户的所述特征参数的信息；
修改所述序列到序列的网络模型中的attention机制，得到所述组合优化筛选模型的原型；
对所述组合优化筛选模型的原型进行训练，得到所述组合优化筛选模型。
进一步可选地，如上所述的方法中，对所述组合优化筛选模型的原型进行训练，得到所述组合优化筛选模型，具体包括：
采用数值迭代的方式对所述组合优化筛选模型的原型进行训练，得到所述组合优化筛选模型。
进一步可选地，如上所述的方法中，根据预先训练的组合优化筛选模型、所述特征参数以及所述备选集合，从所述备选集合的所述数个备选结果中筛选组合优化性能最优的N个，组成组合优化结果之后，所述方法还包括：
向所述用户反馈所述组合优化结果。
本发明提供一种基于人工智能的组合优化结果的获取装置，所述装置包括：
获取模块，用于获取用户进行组合优化查询的特征参数和预设的备选集合，所述备选集合中包括数个备选结果；
筛选模块，用于根据预先训练的组合优化筛选模型、所述特征参数以及所述备选集合，从所述备选集合的所述数个备选结果中筛选组合优化性能最优的N个，组成组合优化结果。
进一步可选地，如上所述的装置中，还包括：
替代模块，用于在序列到序列的网络模型的基础上，采用加和层替代序列编码器；
添加模块，用于在处理后的所述序列到序列的网络模型中添加环境层，以引入所述特征参数的信息；
修改模块，用于修改所述序列到序列的网络模型中的attention机制，得到所述组合优化筛选模型的原型；
训练模块，用于对所述组合优化筛选模型的原型进行训练，得到所述组合优化筛选模型。
进一步可选地，如上所述的装置中，所述训练模块，具体用于采用数值迭代的方式对所述组合优化筛选模型的原型进行训练，得到所述组合优化筛选模型。
进一步可选地，如上所述的装置中，所述装置还包括：
发送模块，用于向所述用户反馈所述组合优化结果。
本发明还提供一种计算机设备，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的基于人工智能的组合优化结果获取方法。
本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的基于人工智能的组合优化结果获取方法。
本发明的基于人工智能的组合优化结果获取方法、设备及可读介质，通过获取用户进行组合优化查询的特征参数和预设的备选集合，所述备选集合中包括数个备选结果；根据预先训练的组合优化筛选模型、所述特征参数以及所述备选集合，从所述备选集合的所述数个备选结果中筛选组合优化性能最优的N个，组成组合优化结果。本发明的技术方案，能够弥补现有技术的不足，提供一种基于人工智能的组合优化结果的获取方案，能够有效地从数个备选结果中筛选出组合优化性能最优的N个，作为组合优化结果，解决用户在各种组合优化场景中的技术困扰，提高用户在组合优化场景中的使用体验。
【附图说明】
图1为本发明的基于人工智能的组合优化结果的获取方法实施例的流程图。
图2为现有的Seq2Seq的网络模型的结构。
图3为本实施例的组合优化筛选模型的网络模型的结构。
图4为本发明的基于人工智能的组合优化结果的获取装置实施例一的结构图。
图5为本发明的基于人工智能的组合优化结果的获取装置实施例二的结构图。
图6为本发明的计算机设备实施例的结构图。
图7为本发明提供的一种计算机设备的示例图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
图1为本发明的基于人工智能的组合优化结果的获取方法实施例的流程图。如图1所示，本实施例的基于人工智能的组合优化结果的获取方法，具体可以包括如下步骤：
100、获取用户进行组合优化查询的特征参数和预设的备选集合，备选集合中包括数个备选结果；
101、根据预先训练的组合优化筛选模型、特征参数以及备选集合，从备选集合的数个备选结果中筛选组合优化性能最优的N个，组成组合优化结果。
本实施例的基于人工智能的组合优化结果的获取方法，用于采用人工智能的方式，实现从预设的备选集合中筛选组合优化性能最优的N个备选结果，组成组合优化的结果。其中，预设的备选集合中包括数个远大于N的数量个的备选结果。
也就是说，本实施例的预先训练的该组合优化筛选模型筛选出来的组合优化结果中的N个备选结果时，考虑到N个备选结果之间的组合优化性能。而不同于现有技术，仅仅能够将每一个备选结果作为一个独立的个体，而考虑不到N个备选结果之间的组合优化性能。
具体地，本实施例在使用时，需要获取用户进行组合优化查询的特征参数和预设的备选集合，该特征参数可以理解为用户的个性化需求的参数，例如，在用户查询时，该特征参数可以为用户进行组合优化查询的关键词或者查询条件等等。本实施例中预设的备选集合可以为预先采集的数个备选结果，其中每一个备选结果都可能作为组合优化结果中的一个。然后将该特征参数和预设的备选集合输入作为输入，输入至预先训练的组合优化筛选模型，这样，该组合优化筛选模型，可以根据该特征参数，从备选集合的数个备选结果中，筛选出N个备选结果，作为目标结果。这N个目标结果的组合为备选集合的数个备选结果中所能够形成的N个备选结果构成的组合，组合优化性能最优的组，所以组合优化筛选模型筛选出来的该N个目标结果组成组合优化结果。本实施例中的数量N可以为该组合优化筛选模型预先设置的。或者在实际应用中，也可以由用户在请求组合优化查询时限定的。
进一步可选地，如果获取用户进行组合优化查询的特征参数是在线获取的，例如，接收用户发送的携带该特征参数的组合优化查询请求后，从组合优化查询请求中获取的该特征参数。此时在步骤101中，获取到组合优化结果后，还可以包括：向用户反馈该组合优化结果。
本实施例的基于人工智能的组合优化结果的获取方法，通过获取用户进行组合优化查询的特征参数和预设的备选集合，备选集合中包括数个备选结果；根据预先训练的组合优化筛选模型、特征参数以及备选集合，从备选集合的数个备选结果中筛选组合优化性能最优的N个，组成组合优化结果。本实施例的技术方案，能够弥补现有技术的不足，提供一种基于人工智能的组合优化结果的获取方案，能够有效地从数个备选结果中筛选出组合优化性能最优的N个，作为组合优化结果，解决用户在各种组合优化场景中的技术困扰，提高用户在组合优化场景中的使用体验。
进一步可选地，在上述实施例中的步骤101之前，还可以包括组合优化筛选模型的确定以及训练，具体可以包括如下步骤：
(a)在序列到序列(Sequence-to-Sequence；Seq2Seq)的网络模型的基础上，采用加和层替代序列编码器；
(b)在处理后的序列到序列的网络模型中添加环境(context)层，以引入用户的特征参数的信息；
(c)修改序列到序列的网络模型中的attention机制，得到组合优化筛选模型的原型；
(d)对组合优化筛选模型的原型进行训练，得到组合优化筛选模型。
指针网络(Pointer Network；Ptr-Nets)是最先利用监督学习的方式来解决组合优化问题。它采用的是Seq2Seq的网络结构，并且使用了attention机制来实现每一个输出指向某一个输入。之后，强化学习引入到组合优化中，在不依赖于最优解标记的情况下，实现近似最优解的生成。这一类基于神经网络来解决优化问题的方式命名为神经组合优化(Neural Combinatorial Optimization；NCO)。
基于最优解标记的监督学习训练方式的明显缺点在于组合优化问题往往很难取得最优解。基于强化学习的方式解决了这一问题。但是Seq2Seq的网络结构对于大型输入序列来说，计算效率低，并且对输入序列的顺序有很强的依赖性。对于大部分组合优化问题来说，最优解并不依赖于输入序列的顺序。并且基于策略梯度(policy gradient)的方式来训练的网络需要等到整个序列生成之后才能给出单一的反馈(reward)。并且需要异步多worker的方式来实现较好的结果，对于硬件的要求和工程的实现带来了难度。由于需要多训练一个评判(critic)网络来提供一个基准评估，使得整个系统更加复杂，影响时间和空间效率。
基于上述问题，Seq2Seq的网络模型中把一个输入序列逐个的输入到一个递归神经网络(Recurrent Neural Network；RNN)网络中，最终取得一个向量用于初始化解码器(decoder)的长短期记忆(Long Short-Term Memory；LSTM)单元。这一部分网络结构主要存在的问题是计算效率与输入序列的大小呈指数关系增长，并且输入序列的顺序对最终结果有明显影响。首先这种序列编码器(sequence encoder)可以被一个加和层来代替，即对所有的输入经过一个或多个全连接层之后得到的向量进行加和，得到的一维向量用于初始化decoder的LSTM单元。这种加和的方式对输入的大小呈线性增长关系，并且对输入顺序的变化具有不变性。
进一步地，由于在某些应用领域，不仅有作为候选集的备选集合，还包含有context(环境)信息，比如在推荐系统中，除了待推荐的文章集合外，用户的特征参数也是网络需要学习的信息之一，于是本实施例中，在上述网络模型的基础上，添加了context层，以引入用户的特征参数的信息。
其次，本实施例中，有意将网络模型的强化学习的训练方式由决策梯度(policygradient)的方式，改变成数值迭代(value iteration)的方式。基于policygradient的方式需要维持两个网络，并进行异步学习，并且reward只能在完整结果生成之后才能给定。可是利用value iteration的方式，每个decoding的时间步都可以获取reward，这种方式更有利于网络收敛。并且只需要对一个网络进行训练。利用value iteration的方式训练好的网络，还可以用于对一个输入结果的预估，因为decoder第一个时间步的输出可以给出对最终结果的预估值。为了记录并使用更多的历史数据，重播记忆(Replay Memory)可以应用在训练的过程中。每一个网络生成的结果都会放到这个Replay Memory中，每次网络训练的时候，会随机抽取一个batch的数据来训练。这种方式可以使得网络不仅使用近期的数据，而且使用较长时间以前的数据来加入训练，使得网络收敛的更好，不容易陷入无法收敛或是局部最优中。即本实施例中，采用value iteration的方式对组合优化筛选模型的原型进行训练，得到组合优化筛选模型。
最后，每一种网络模型都具有其对应的attention机制，为了适应新的网络模型结构及想要采用的训练方式，本实施例中还需要对原有的attention机制进行了修改。例如，Seq2Seq的网络模型的attention机制中，假设输入序列表示为P＝{P1,P2,...,Pn}，输出序列表示为CP＝{C1,C2,...,Cm}，即表示从输入序列P1,P2,……Pn的n个中筛选m个，即C1,C2,……Cm。原有attention机制基于的公式为：
其中，表示网络模型中的di与每个ej之间的相关度，vT表示网络模型中可以被训练的变量，即参数，ej表示网络模型中的第j个时间步的编码单元(encoder cell)的输出，di表示网络模型中的第i个时间步的解码单元(decoder cell)的隐含状态，p(Ci|C1,C2,...,Ci-1,P)表示第i个时间步的decoder cell选取Ci的概率，softmax()表示归一化指数函数。W1和W2表示网络模型中可以训练的变量即参数。但是对于利用value iteration训练方式的网络，每一步的选取不依赖于概率，而是选取每个候选所得到的方案的最优评估结果。比如，对于旅行商问题，评估即为从某个候选开始到结束的最短路径长度，而对于推荐系统来说，即为从某一篇文章开始到最后一篇文章的用户点击总量。所以，新的attention机制的公式为：
其中表示归一化的di与每个ej之间的相关度，表示选取第i个时间步的输入对应的预估值，表示网络模型中可以被训练的变量即参数，表示网络模型中可以被训练的变量即参数，b表示可以被训练的偏差(bias)，ei表示网络模型中的第i个时间步的encoder cell的输出，e‘i表示加入权重的ei，bi表示每一个解码步可以被训练的偏差(bias)，和 和表示网络模型中可以训练的变量即参数。相比于原attention机制的公式，新的attention机制的公式引入了偏差(bias)，尤其是bi，针对不同的时间步利用不同的bias来对网络在不同时间的预估效果偏差进行训练，从而整体提升网络效果。经过理论数据验证，可以确定新的attention机制在调整后的网络模型中取得了明显的效果提升。
图2为现有的Seq2Seq的网络模型的结构。图3为本实施例的组合优化筛选模型的网络模型的结构。其中，图2中的(xi,yi)表示输入的二维点坐标。输入的序列逐个的经过编码器，再通过解码器进行解码。在每一步解码的时候，会根据解码器的输出来决定挑选哪一个输入作为当前步的结果。
图3中的c1到cN中任一个ci表示某一个被选项；mi经过一个或多个全连接层得到的向量；M表示加和层得到的一维向量；xt表示新引入的环境(Context)层；dense表示全连接层。
如上述实施例所示，图3所示的网络模型为在图2所示实施例的网络模型的基础上，采用加和层替代序列编码器，并引入了环境(context)层，以引入用户的特征参数的信息。其中调整后的attention机制不在网络模型的结构中体现。
上述实施例中的基于人工智能的组合优化结果的获取方法，在组合优化筛选模型中的所采用的加和层，提高了对大型输入序列的处理速度，并且对输入序列的顺序具有不变性。
另外，上述实施例中的组合优化筛选模型作为一种智能的网络模型，采用了ValueIteration的训练方式，利用单步的reward来加速网络的收敛速度，并且训练好的网络模型可以用于对新数据的最终结果的预估。
再者，上述实施例中的组合优化筛选模型中新设计的attention的计算方式，有效的提升了组合优化筛选模型的最终效果。
而且，上述实施例中的组合优化筛选模型中Reply Memory的使用使得网络模型不仅考虑最新产生的样本，还可以使用一段时间之前产生的样本来帮助网络模型更好的收敛。
而且，上述实施例中的组合优化筛选模型可以广泛的应用于组合优化问题，并且对各类推荐系统都有很好的适用性。尤其是网络模型的训练不依赖于对推荐结果的打分，只需要用户的直接反馈就可以达到最大化点击率的目标。
图4为本发明的基于人工智能的组合优化结果的获取装置实施例一的结构图。如图4所示，本实施例的基于人工智能的组合优化结果的获取装置，具体可以包括：
获取模块10用于获取用户进行组合优化查询的特征参数和预设的备选集合，备选集合中包括数个备选结果；
筛选模块11用于根据预先训练的组合优化筛选模型、以及获取模块10获取的特征参数以及备选集合，从备选集合的数个备选结果中筛选组合优化性能最优的N个，组成组合优化结果。
本实施例的基于人工智能的组合优化结果的获取装置，通过采用上述模块实现基于人工智能的组合优化结果的获取的实现原理以及技术效果与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。
图5为本发明的基于人工智能的组合优化结果的获取装置实施例二的结构图。如图5所示，本实施例的基于人工智能的组合优化结果的获取装置，在上述图4所示实施例的技术方案的基础上，进一步更加详细地介绍本发明的技术方案。
如图5所示，本实施例的基于人工智能的组合优化结果的获取装置，还包括：
替代模块12用于在序列到序列的网络模型的基础上，采用加和层替代序列编码器；
添加模块13用于在替代模块12处理后的序列到序列的网络模型中添加环境层，以引入所述用户的特征参数的信息；
修改模块14用于在添加模块13的基础上，修改序列到序列的网络模型中的attention机制，得到组合优化筛选模型的原型；
训练模块15用于修改模块14得到的对组合优化筛选模型的原型进行训练，得到组合优化筛选模型。
进一步可选地，训练模块15具体用于采用数值迭代的方式对组合优化筛选模型的原型进行训练，得到组合优化筛选模型。
对应地，筛选模块11用于根据训练模块15预先训练的组合优化筛选模型、以及获取模块10获取的特征参数以及备选集合，从备选集合的数个备选结果中筛选组合优化性能最优的N个，组成组合优化结果。
进一步可选地，如图5所示，本实施例的基于人工智能的组合优化结果的获取装置，还包括：发送模块16用于向用户反馈筛选模块11得到的组合优化结果。
本实施例的基于人工智能的组合优化结果的获取装置，通过采用上述模块实现基于人工智能的组合优化结果的获取的实现原理以及技术效果与上述相关方法实施例的实现相同，详细可以参考上述相关方法实施例的记载，在此不再赘述。
图6为本发明的计算机设备实施例的结构图。如图6所示，本实施例的计算机设备，包括：一个或多个处理器30，以及存储器40，存储器40用于存储一个或多个程序，当存储器40中存储的一个或多个程序被一个或多个处理器30执行，使得一个或多个处理器30实现如上图1所示实施例的基于人工智能的组合优化结果的获取方法。图6所示实施例中以包括多个处理器30为例。
例如，图7为本发明提供的一种计算机设备的示例图。图7示出了适于用来实现本发明实施方式的示例性计算机设备12a的框图。图7显示的计算机设备12a仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示，计算机设备12a以通用计算设备的形式表现。计算机设备12a的组件可以包括但不限于：一个或者多个处理器16a，系统存储器28a，连接不同系统组件(包括系统存储器28a和处理器16a)的总线18a。
总线18a表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12a典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12a访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28a可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30a和/或高速缓存存储器32a。计算机设备12a可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34a可以用于读写不可移动的、非易失性磁介质(图7未显示，通常称为“硬盘驱动器”)。尽管图7中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18a相连。系统存储器28a可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明上述图1-图5各实施例的功能。
具有一组(至少一个)程序模块42a的程序/实用工具40a，可以存储在例如系统存储器28a中，这样的程序模块42a包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42a通常执行本发明所描述的上述图1-图5各实施例中的功能和/或方法。
计算机设备12a也可以与一个或多个外部设备14a(例如键盘、指向设备、显示器24a等)通信，还可与一个或者多个使得用户能与该计算机设备12a交互的设备通信，和/或与使得该计算机设备12a能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22a进行。并且，计算机设备12a还可以通过网络适配器20a与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20a通过总线18a与计算机设备12a的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12a使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器16a通过运行存储在系统存储器28a中的程序，从而执行各种功能应用以及数据处理，例如实现上述实施例所示的基于人工智能的组合优化结果的获取方法。
本发明还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例所示的基于人工智能的组合优化结果的获取方法。
本实施例的计算机可读介质可以包括上述图7所示实施例中的系统存储器28a中的RAM30a、和/或高速缓存存储器32a、和/或存储系统34a。
随着科技的发展，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载，或者采用其他方式获取。因此，本实施例中的计算机可读介质不仅可以包括有形的介质，还可以包括无形的介质。
本实施例的计算机可读介质可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
计算机可读的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。计算机可读的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——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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发明操作的计算机程序代码，所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)。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种基于人工智能的组合优化结果的获取方法，其特征在于，所述方法包括：
获取用户进行组合优化查询的特征参数和预设的备选集合，所述备选集合中包括数个备选结果；
根据预先训练的组合优化筛选模型、所述特征参数以及所述备选集合，从所述备选集合的所述数个备选结果中筛选组合优化性能最优的N个，组成组合优化结果。
2.根据权利要求1所述的方法，其特征在于，根据预先训练的组合优化筛选模型、所述特征参数以及所述备选集合，从所述备选集合的所述数个备选结果中筛选组合优化性能最优的N个，组成组合优化结果之前，所述方法还包括：
在序列到序列的网络模型的基础上，采用加和层替代序列编码器；
在处理后的所述序列到序列的网络模型中添加环境层，以引入所述用户的所述特征参数的信息；
修改所述序列到序列的网络模型中的attention机制，得到所述组合优化筛选模型的原型；
对所述组合优化筛选模型的原型进行训练，得到所述组合优化筛选模型。
3.根据权利要求2所述的方法，其特征在于，对所述组合优化筛选模型的原型进行训练，得到所述组合优化筛选模型，具体包括：
采用数值迭代的方式对所述组合优化筛选模型的原型进行训练，得到所述组合优化筛选模型。
4.根据权利要求1-3任一所述的方法，其特征在于，根据预先训练的组合优化筛选模型、所述特征参数以及所述备选集合，从所述备选集合的所述数个备选结果中筛选组合优化性能最优的N个，组成组合优化结果之后，所述方法还包括：
向所述用户反馈所述组合优化结果。
5.一种基于人工智能的组合优化结果的获取装置，其特征在于，所述装置包括：
获取模块，用于获取用户进行组合优化查询的特征参数和预设的备选集合，所述备选集合中包括数个备选结果；
筛选模块，用于根据预先训练的组合优化筛选模型、所述特征参数以及所述备选集合，从所述备选集合的所述数个备选结果中筛选组合优化性能最优的N个，组成组合优化结果。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
替代模块，用于在序列到序列的网络模型的基础上，采用加和层替代序列编码器；
添加模块，用于在处理后的所述序列到序列的网络模型中添加环境层，以引入所述特征参数的信息；
修改模块，用于修改所述序列到序列的网络模型中的attention机制，得到所述组合优化筛选模型的原型；
训练模块，用于对所述组合优化筛选模型的原型进行训练，得到所述组合优化筛选模型。
7.根据权利要求6所述的装置，其特征在于，所述训练模块，具体用于采用数值迭代的方式对所述组合优化筛选模型的原型进行训练，得到所述组合优化筛选模型。
8.根据权利要求5-7任一所述的装置，其特征在于，所述装置还包括：
发送模块，用于向所述用户反馈所述组合优化结果。
9.一种计算机设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
CN201811130478.0A 2018-09-27 2018-09-27 基于人工智能的组合优化结果获取方法、设备及可读介质 Active CN109063934B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811130478.0A CN109063934B (zh) 2018-09-27 2018-09-27 基于人工智能的组合优化结果获取方法、设备及可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811130478.0A CN109063934B (zh) 2018-09-27 2018-09-27 基于人工智能的组合优化结果获取方法、设备及可读介质

Publications (2)

Publication Number Publication Date
CN109063934A true CN109063934A (zh) 2018-12-21
CN109063934B CN109063934B (zh) 2022-05-03

Family

ID=64765962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811130478.0A Active CN109063934B (zh) 2018-09-27 2018-09-27 基于人工智能的组合优化结果获取方法、设备及可读介质

Country Status (1)

Country Link
CN (1) CN109063934B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144950A (zh) * 2019-12-30 2020-05-12 北京顺丰同城科技有限公司 模型筛选方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103149840A (zh) * 2013-02-01 2013-06-12 西北工业大学 一种基于动态规划的语义服务组合方法
CN107066558A (zh) * 2017-03-28 2017-08-18 北京百度网讯科技有限公司 基于人工智能的引导项推荐方法及装置、设备与可读介质
CN107169586A (zh) * 2017-03-29 2017-09-15 北京百度网讯科技有限公司 基于人工智能的资源组合优化方法、装置及存储介质
CN107291828A (zh) * 2017-05-27 2017-10-24 北京百度网讯科技有限公司 基于人工智能的口语查询解析方法、装置及存储介质
CN107832892A (zh) * 2017-11-17 2018-03-23 北京大学 一种基于组合优化的多块地选种决策优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103149840A (zh) * 2013-02-01 2013-06-12 西北工业大学 一种基于动态规划的语义服务组合方法
CN107066558A (zh) * 2017-03-28 2017-08-18 北京百度网讯科技有限公司 基于人工智能的引导项推荐方法及装置、设备与可读介质
CN107169586A (zh) * 2017-03-29 2017-09-15 北京百度网讯科技有限公司 基于人工智能的资源组合优化方法、装置及存储介质
CN107291828A (zh) * 2017-05-27 2017-10-24 北京百度网讯科技有限公司 基于人工智能的口语查询解析方法、装置及存储介质
CN107832892A (zh) * 2017-11-17 2018-03-23 北京大学 一种基于组合优化的多块地选种决策优化方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144950A (zh) * 2019-12-30 2020-05-12 北京顺丰同城科技有限公司 模型筛选方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN109063934B (zh) 2022-05-03

Similar Documents

Publication Publication Date Title
US11295208B2 (en) Robust gradient weight compression schemes for deep learning applications
CN109816009A (zh) 基于图卷积的多标签图像分类方法、装置及设备
CN108446374B (zh) 用户意图预测方法、装置、电子设备、存储介质
CN109284823B (zh) 一种运算装置及相关产品
CN110647920A (zh) 机器学习中的迁移学习方法及装置、设备与可读介质
Scrucca GA: A package for genetic algorithms in R
CN110309856A (zh) 图像分类方法、神经网络的训练方法及装置
CN113688304A (zh) 搜索推荐模型的训练方法、搜索结果排序的方法及装置
CN108780519A (zh) 卷积神经网络中的结构学习
CN109559300A (zh) 图像处理方法、电子设备及计算机可读存储介质
CN107209871A (zh) 具有回调的卷积矩阵相乘以用于深度卷积神经网络的深度瓦片化
CN110956202B (zh) 基于分布式学习的图像训练方法、系统、介质及智能设备
Abed-Alguni et al. Hybridizing the cuckoo search algorithm with different mutation operators for numerical optimization problems
CN114048331A (zh) 一种基于改进型kgat模型的知识图谱推荐方法及系统
CN110489582A (zh) 个性化展示图像的生成方法及装置、电子设备
CN109034206A (zh) 图像分类识别方法、装置、电子设备及计算机可读介质
US11423307B2 (en) Taxonomy construction via graph-based cross-domain knowledge transfer
CN108596243A (zh) 基于分级注视图和条件随机场的眼动注视图预测方法
CN112580720A (zh) 一种模型训练方法及装置
CN115222896B (zh) 三维重建方法、装置、电子设备及计算机可读存储介质
CN110210540A (zh) 基于注意力机制的跨社交媒体用户身份识别方法及系统
CN114282678A (zh) 一种机器学习模型的训练的方法以及相关设备
CN108831561A (zh) 流感预测模型的生成方法、装置及计算机可读存储介质
Yang et al. Deep learning-based viewpoint recommendation in volume visualization
CN115879508A (zh) 一种数据处理方法及相关装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant