CN109614609B - 模型建立方法及装置 - Google Patents

模型建立方法及装置 Download PDF

Info

Publication number
CN109614609B
CN109614609B CN201811311382.4A CN201811311382A CN109614609B CN 109614609 B CN109614609 B CN 109614609B CN 201811311382 A CN201811311382 A CN 201811311382A CN 109614609 B CN109614609 B CN 109614609B
Authority
CN
China
Prior art keywords
target
value
reference data
model
parameter
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.)
Active
Application number
CN201811311382.4A
Other languages
English (en)
Other versions
CN109614609A (zh
Inventor
席云
王维强
许辽萨
赵闻飙
袁锦程
易灿
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.)
Advanced New Technologies Co Ltd
Advantageous New Technologies Co Ltd
Original Assignee
Advanced New Technologies 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 Advanced New Technologies Co Ltd filed Critical Advanced New Technologies Co Ltd
Priority to CN201811311382.4A priority Critical patent/CN109614609B/zh
Publication of CN109614609A publication Critical patent/CN109614609A/zh
Application granted granted Critical
Publication of CN109614609B publication Critical patent/CN109614609B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供了一种模型建立方法及装置，其中方法包括：确定模型应用的目标场景，以及目标场景对应的目标模型结构，根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为目标场景选取目标参考数据，利用目标模型结构和目标参考数据，为目标场景建立模型，对建立的模型进行评估，根据评估结果，调节目标参考数据与目标场景之间的匹配程度值。

Description

模型建立方法及装置
技术领域
本申请涉及计算机技术领域，尤其涉及一种模型建立方法及装置。
背景技术
目前，计算机在实现各种功能时，经常会建立对应的模型以实现相应的功能。比如，对于用户的评价数据，可以建立语意识别模型，以识别用户的语意，对于用户的大量图像，可以建立图像处理模型，以对用户的图像进行处理，比如从图像中提取特定图形等。
基于此，有必要提供一种技术方案，提高建立模型的精准度。
发明内容
本申请实施例的目的是提供一种模型建立方法及装置，以提高建立模型的精准度。
为达到上述技术目的，本申请实施例是这样实现的：
本申请实施例提供了一种模型建立方法，包括：
确定模型应用的目标场景，以及所述目标场景对应的目标模型结构；
根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取目标参考数据；
利用所述目标模型结构和所述目标参考数据，为所述目标场景建立模型；
对建立的模型进行评估，根据评估结果，调节所述目标参考数据与所述目标场景之间的匹配程度值。
本申请实施例提供了一种模型建立装置，包括：
确定单元，用于确定模型应用的目标场景，以及所述目标场景对应的目标模型结构；
选取单元，用于根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取目标参考数据；
建模单元，用于利用所述目标模型结构和所述目标参考数据，为所述目标场景建立模型；
反馈单元，用于对建立的模型进行评估，根据评估结果，调节所述目标参考数据与所述目标场景之间的匹配程度值。
本申请实施例提供了一种模型建立设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现上述所述的模型建立方法的步骤。
本申请实施例提供了一种存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现上述所述的模型建立方法的步骤。
可见，本申请实施例中，可以根据模型的评估结果调节目标参考数据与目标场景之间的匹配程度值，并且在建立模型的过程中，根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为目标场景选取目标参考数据，因此通过本申请实施例，可以通过闭环反馈的方式准确调节调参参考数据与对应的场景之间的匹配程度值，从而提高建立的模型的精准度，使得建立的模型与所应用的场景更为匹配。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的模型建立方法的流程示意图；
图2为本申请一实施例提供的参数A的取值性能图的示意图；
图3为本申请另一实施例提供的模型建立方法的流程示意图；
图4为本申请另一实施例提供的模型建立方法的流程示意图；
图5为本申请一实施例提供的模型建立装置的模块组成示意图；
图6为本申请一实施例提供的模型建立设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
本申请实施例提供了一种模型建立方法及装置，以提高建立模型的精准度。本申请实施例提供的模型建立方法能够应用在文字识别、图像识别等领域，用于在文字识别、图像识别等领域进行建模。本申请实施例提供的模型建立方法能够由模型建立设备或模型建立系统实现，后文不再重复。
图1为本申请一实施例提供的模型建立方法的流程示意图，如图1所示，该方法包括以下步骤：
步骤S102，确定模型应用的目标场景，以及目标场景对应的目标模型结构；
步骤S104，根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为目标场景选取目标参考数据；
步骤S106，利用目标模型结构和目标参考数据，为目标场景建立模型；
步骤S108，对建立的模型进行评估，根据评估结果，调节目标参考数据与目标场景之间的匹配程度值。
可见，本申请实施例中，可以根据模型的评估结果调节目标参考数据与目标场景之间的匹配程度值，并且在建立模型的过程中，根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为目标场景选取目标参考数据，因此通过本申请实施例，可以通过闭环反馈的方式准确调节调参参考数据与对应的场景之间的匹配程度值，从而提高建立的模型的精准度，使得建立的模型与所应用的场景更为匹配。
本申请实施例中，模型可以应用在多个场景下，如文字识别场景、图像处理场景等。考虑到各场景所对应的数据处理情况不同，可以根据各场景所对应的数据样本量的大小、数据峰值、数据均值、数据偏度、数据方差、数据标准差中的至少一项，确定各场景匹配的模型结构，并将该模型结构作为各场景对应的模型结构并存储。其中，各场景对应的模型结构应用于对应的场景中时，能够取得较好的数据处理效果。
比如，在某种文字处理场景下，根据该场景所对应的数据样本量的大小、数据峰值、数据均值、数据偏度、数据方差、数据标准差中的至少一项，确定一个双向GRU层带上卷积层的网络结构，为该场景对应的模型结构并存储。
在其他实施例中，还可以将历史应用于各场景的效果较理想的模型结构，作为各场景对应的模型结构并存储。
表1为各场景对应的模型结构的一种示意表。如图1所示，文字识别场景对应模型结构A，图像识别场景对应模型结构B。
表1
场景 模型结构
文字识别场景 模型结构A
图像识别场景 模型结构B
上述步骤S102中，首先确定模型应用的目标场景，目标场景包括但不限于文字识别场景、图像处理场景等。然后在预先存储的各场景对应的模型结构中，确定目标场景对应的目标模型结构。比如，目标模型结构为一个双向GRU层带上卷积层的网络结构。
本实施例中，调参参考数据为用于调节模型结构的参数的参考数据，通过调参参考数据和预设的调参算法，能够调节模型结构的参数，从而建立模型。考虑到各场景所处理的数据不同，因此各场景所适用的调参参考数据也不同，因此本实施例中，首先可以预先获取历史应用于各场景下的、用于为对应场景的模型结构进行参数调节的调参参考数据，将该调参参考数据作为对应场景所对应的调参参考数据。然后，根据调参参考数据的调参效果，设置调参参考数据与对应场景之间的匹配程度值，或者，根据人工经验，设置调参参考数据与对应场景之间的匹配程度值，从而得到各场景与各调参参考数据之间的匹配程度值。匹配程度值可以举例为0-100分的分值形式，匹配程度值越高，表示调参参考数据与该场景越匹配。
表2为各场景与各调参参考数据之间的匹配程度值的一种示意表。如图2所示，文字识别场景对应调参参考数据A、B、C，各匹配程度值依次为10、9、8，图像识别场景对应调参参考数据D、E、F，各匹配程度值依次为10、5、3，匹配程度值越高，表示调参参考数据的参数调节效果越理想。
表2
场景 调参参考数据及匹配程度值
文字识别场景 A(10)、B(9)、C(8)
图像识别场景 D(10)、E(5)、F(3)
上述步骤S104中，根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为目标场景选取目标参考数据，可以为：根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为目标场景选取匹配程度值大于设定阈值的调参参考数据，作为目标参考数据。以表2为例，比如，目标场景为文字识别场景，设定阈值为8，则可以在表2中，选取调参参考数据A为目标参考数据。
上述步骤S106中，利用目标模型结构和目标参考数据，为目标场景建立模型，包括：根据目标参考数据，调节目标模型结构的模型参数，基于调节后的目标模型结构，为目标场景建立模型。
一个情况下，根据目标参考数据，调节目标模型结构的模型参数，具体包括：将目标参考数据中各参数的取值，作为目标模型结构中对应的参数的取值，以调节目标模型结构的模型参数。
具体地，目标参考数据中包括多个参数的取值，比如包括网络层数的取值，通道数的取值，卷积核数的取值等。该实施例中，将目标参考数据中各参数的取值，作为目标模型结构中对应的参数的取值，比如，将目标参考数据中网络层数的取值，作为目标模型结构中网络层数的取值，将目标参考数据中卷积核数的取值，作为目标模型结构中卷积核数的取值，从而达到调节目标模型结构的模型参数的目的。
该实施例中，若目标模型结构中，各参数的取值存在初始值，则可以利用目标参考数据中各参数的取值，替换目标模型结构中对应的参数的初始值，从而调节目标模型结构的模型参数。
在一个具体的实施例中，特定调参算法为网络搜索算法或者随机搜索算法中，设置目标参考数据中各参数的取值为网络搜索算法或随机搜索算法的搜索结果，利用该搜索结果替换目标模型结构中对应的参数的初始值，从而调节目标模型结构的模型参数。
另一个情况下，根据目标参考数据，调节目标模型结构的模型参数，具体包括：利用特定调参算法，基于目标参考数据进行计算，得到目标模型结构的各参数的各个可选取值，在目标模型结构的各参数的各个可选取值中，为目标模型结构选取参数取值，以调节目标模型结构的模型参数。
具体地，特定调参算法可以为贝叶斯优化算法(Bayesian Optimization)、遗传算法(Genetic algorithm)或者粒子群优化算法(Paticle Swarm Optimization)。本步骤中，将目标参考数据作为特定调参算法的输入参数，特定调参算法根据该输入参数能够计算得到目标模型结构的各个参数的各个可选取值，进而在目标模型结构的各个参数的各个可选取值中，选择目标模型结构的参数取值，利用选取的参数取值替换目标模型结构的参数的初始值，从而调节目标模型结构的模型参数。
以贝叶斯优化算法为例，目标参考数据中可以包括多个参数的取值，如n个参数的取值。本步骤中，可以将这n个参数的取值作为贝叶斯优化算法的输入参数，贝叶斯优化算法在计算过程中，假设目标模型结构的各个参数的取值符合联合高斯分布，贝叶斯优化算法通过高斯过程回归，计算这n个参数的取值的后验概率分布，从而得到目标模型结构中各个参数的各个可选取值。目标模型结构中每个参数的可选取值可以有多个，通过贝叶斯优化算法，还能够得到每个参数的每个可选取值的观测值和方差。其中，观测值代表该参数的该可选取值最终的期望效果，观测值越大表示模型的最终指标越大，方差表示该参数的该可选取值的效果不确定性。
下表3为目标模型结构的各参数的各个可选取值的一种示意表。如表3所示，在目标模型结构中，每个参数的可选取值均可以为多个，每个可选取值具有各自的观测值和方差。观测值又可以称为均值。
表3
Figure BDA0001855082010000061
本实施例中，在目标模型结构的各参数的各个可选取值中，为目标模型结构选取参数取值，可以为：显示各参数对应的取值性能图，其中，取值性能图用于显示对应参数的各个可选取值对应的观测值和方差，确定用户基于该取值性能图选择的各参数的可选取值，将用户选择的各参数的可选取值作为目标模型结构的参数取值。
具体地，由于目标模型结构的每个参数的可选取值可以有多个，且每个可选取值具有各自的观测值和方差，因此本实施例中，可以通过显示取值性能图的方式，显示各个参数的各个可选取值的观测值和方差。其中，取值性能图用于显示对应参数的各个可选取值对应的观测值和方差。用户基于该取值性能图，能够为各个参数选取取值，将用户选取的各个参数的取值作为目标模型结构的各个参数的取值，从而基于用户自主选择的方式调节目标模型结构的模型参数。
图2为本申请一实施例提供的参数A的取值性能图的示意图，如图2所示，用户基于横坐标的各个值，能够确定参数A的各个可选取值，用户基于纵坐标的各个值，能够确定参数A的每个可选取值的观测值和方差，从而用户可以为参数A选取取值，以调节目标模型结构中参数A的取值。
本实施例中，在目标模型结构的各参数的各个可选取值中，为目标模型结构选取参数取值，还可以为：确定各参数的各个可选取值对应的观测值和方差，若目标场景对应的数据处理量大于数量阈值，则选取对应的观测值大于第一设定值，且，对应的方差小于第二设定值的可选取值，作为目标模型结构的对应参数的取值，若目标场景对应的数据处理量不大于数量阈值，则选取对应的观测值小于第三设定值，且，对应的方差大于第四设定值的可选取值，作为目标模型结构的对应参数的取值。
具体地，每个参数具有多个可选取值。本步骤中，首先确定每个参数的每个可选取值对应的观测值和方差，比如，确定参数A的可选取值A1对应的观测值和方差，确定参数A的可选取值A2对应的观测值和方差，确定参数B的可选取值B1对应的观测值和方差，确定参数B的可选取值B2对应的观测值和方差。
然后，判断目标场景对应数据处理量是否大于数量阈值，比如，目标场景为文字识别场景，判断该文字识别场景对应的文字处理量是否大于数量阈值。若大于，则对于每个参数，选取对应的观测值大于第一设定值、且对应的方差小于第二设定值的该参数的可选取值，作为目标模型结构中该参数的取值。反之，若小于等于数量阈值，则对于每个参数，选取对应的观测值小于第三设定值、且、对应的方差大于第四设定值的该参数的可选取值，作为目标模型结构中该参数的取值。其中，第一设定值和第三设定值可以相同可以不同，第二设定值和第四设定值可以相同可以不同。
可见，通过本实施例，既能够实现用户自主选择参数取值，又能够根据目标场景的处理数据量的大小，为目标场景自动选择参数取值，从而提高调参效率。
本实施例中，在为目标模型结构选取参数取值后，可以利用选取的参数取值，替换目标模型结构中各个参数的初始值，从而调节目标模型结构的模型参数。在调节目标模型结构的模型参数后，可以基于调节后的目标模型结构，为目标场景建立模型。
在建立模型后，可以对建立的模型进行评估，比如，利用cross validation算法或者oot算法对建立的模型进行评估，评估结果包括但不限于建立的模型的各个模型指标的值。
本实施例中，根据评估结果，调节目标参考数据与目标场景之间的匹配程度值，具体可以为：若评估结果表示建立的模型满足设定要求，则提高目标参考数据与目标场景之间的匹配程度值，若评估结果表示建立的模型不满足设定要求，则降低目标参考数据与目标场景之间的匹配程度值。
一个实施例中，设定要求可以为评估结果中包括的建立的模型的各个模型指标的值，达到预先确定的各个模型指标的门限阈值。若评估结果表示建立的模型满足设定要求，即评估结果中包括的各个模型指标的值，达到预先确定的各个模型指标的门限阈值，则说明上述步骤S104中为目标场景选取的目标参考数据较为理想，因此提高目标参数数据与目标场景之间的匹配程度值，如将匹配程度值加1。
若评估结果表示建立的模型不满足设定要求，即评估结果中包括的各个模型指标的值，未达到预先确定的各个模型指标的门限阈值，则说明上述步骤S104中为目标场景选取的目标参考数据不够理想，因此降低目标参数数据与目标场景之间的匹配程度值，如将匹配程度值减1。
进一步地，本实施例中的方法还包括：若评估结果表示建立的模型满足设定要求，则将建立的模型作为目标场景的目标模型，若评估结果表示建立的模型不满足设定要求，则重复执行以下步骤，直至评估结果表示建立的模型满足设定要求；根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为目标场景选取目标参考数据的步骤，利用目标模型结构和目标参考数据，为目标场景建立模型的步骤，以及对建立的模型进行评估的步骤。
一个实施例中，设定要求可以为评估结果中包括的建立的模型的各个模型指标的值，达到预先确定的各个模型指标的门限阈值。若评估结果表示建立的模型满足设定要求，即评估结果中包括的各个模型指标的值，达到预先确定的各个模型指标的门限阈值，则说明建立的模型较为理想，因此将建立的模型作为目标场景的目标模型。
若评估结果表示建立的模型不满足设定要求，即评估结果中包括的各个模型指标的值，未达到预先确定的各个模型指标的门限阈值，则说明建立的模型不够理想，因此返回步骤S104，重复根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为目标场景选取目标参考数据的步骤，利用目标模型结构和目标参考数据，为目标场景建立模型的步骤，以及对建立的模型进行评估的步骤，从而重新为目标场景建立模型并评估，直至评估结果表示建立的模型满足设定要求。
图3为本申请另一实施例提供的模型建立方法的流程示意图，如图3所示，该流程包括以下步骤：
步骤S302，确定模型应用的目标场景，以及目标场景对应的目标模型结构；
步骤S304，根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为目标场景选取目标参考数据；
步骤S306，利用目标模型结构和目标参考数据，为目标场景建立模型；
步骤S308，对建立的模型进行评估；
步骤S310，若评估结果表示建立的模型满足设定要求，则提高目标参考数据与目标场景之间的匹配程度值，并将建立的模型作为目标场景的目标模型；
步骤S312，若评估结果表示建立的模型不满足设定要求，则降低目标参考数据与目标场景之间的匹配程度值，并返回步骤S304。
可见，通过图3中所示的流程，能够在建立的模型不满足设定要求时，降低目标参数数据与目标场景之间的匹配程度值，并返回步骤S304，从而为目标场景选择更匹配的目标参考数据，为目标场景建立更理想的模型。
在一个具体的实施例中，若评估结果表示建立的模型不满足设定要求，则可以在上述步骤S106中，在目标模型结构的各参数的各个可选取值中，重新为目标模型结构选取参数取值，从而重新调节目标模型结构的模型参数，并重复建立模型和评估模型的步骤。
比如，特定调参算法为贝叶斯优化算法，当评估结果表示建立的模型不满足设定要求时，在贝叶斯算法计算得到的目标模型结构的各参数的各个可选取值中，重新为目标模型结构选取参数取值，从而重新调节目标模型结构的模型参数，并重复建立模型和评估模型的步骤。
通过该种方式，能够在不更换目标参考数据的情况下，重新为目标模型结构选取参数取值，从而简化模型建立过程，提高模型建立效率。
图4为本申请另一实施例提供的模型建立方法的流程示意图，如图4所示，该流程包括以下步骤：
步骤S402，确定模型应用的目标场景，以及目标场景对应的目标模型结构；
步骤S404，根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为目标场景选取多个目标参考数据；
步骤S406，向用户推荐该多个目标参考数据，并确定用户在该多个目标参考数据中选取的目标参考数据；
步骤S408，利用目标模型结构和用户选取的目标参考数据，为目标场景建立模型；
步骤S410，对建立的模型进行评估；
步骤S412，若评估结果表示建立的模型满足设定要求，则提高用户选取的目标参考数据与目标场景之间的匹配程度值，并将建立的模型作为目标场景的目标模型；
步骤S414，若评估结果表示建立的模型不满足设定要求，则降低用户选取的目标参考数据与目标场景之间的匹配程度值，并返回步骤S404。
图4的流程中，目标参考数据可以有多个，比如包括网络层数的取值a1、通道数的取值b1、卷积核数的取值c1、网络层数的取值a2、通道数的取值b2和卷积核数的取值c2。本实施例中，可以向用户推荐该多个目标参考数据，并获取用户选择的目标参考数据，从而根据用户选择的目标参考数据建立模型，达到用户在系统推荐的多个目标参考数据中自主选择数据的效果。
本实施例中，建立的模型包括深度学习模型。在一个具体的实施例中，可以将本实施例以上提供的图2至图4所示的方法应用在数据审核领域，比如用户文本审核领域，在该领域内为目标审核场景建立理想的深度学习模型，并提高模型建立的精准度。目标审核场景可以举例为：用户评价审核场景。
综上，通过本实施例，可以针对不同场景，通过闭环反馈的方式准确调节调参参考数据与对应的场景之间的匹配程度值，并实现模型建立的自动化，从而节省人力成本，提高建模效率和精准度，使得建立的模型与所应用的场景更为匹配，达到模型自主优化的效果。
对应上述的模型建立方法，本申请实施例提供了一种模型建立装置，图5为本申请一实施例提供的模型建立装置的模块组成示意图，如图5所示，该装置包括：
确定单元51，用于确定模型应用的目标场景，以及所述目标场景对应的目标模型结构；选取单元52，用于根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取目标参考数据；建模单元53，用于利用所述目标模型结构和所述目标参考数据，为所述目标场景建立模型；反馈单元54，用于对建立的模型进行评估，根据评估结果，调节所述目标参考数据与所述目标场景之间的匹配程度值。
可选地，所述选取单元52具体用于：根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取匹配程度值大于设定阈值的调参参考数据，作为目标参考数据。
可选地，所述建模单元53具体用于：根据所述目标参考数据，调节所述目标模型结构的模型参数；基于调节后的所述目标模型结构，为所述目标场景建立模型。
可选地，所述建模单元53还具体用于：将所述目标参考数据中各参数的取值，作为所述目标模型结构中对应的参数的取值，以调节所述目标模型结构的模型参数。
可选地，所述建模单元53还具体用于：利用特定调参算法，基于所述目标参考数据进行计算，得到所述目标模型结构的各参数的各个可选取值；在所述目标模型结构的各参数的各个可选取值中，为所述目标模型结构选取参数取值，以调节所述目标模型结构的模型参数。
可选地，所述建模单元53还具体用于：显示所述各参数对应的取值性能图，其中，所述取值性能图用于显示对应参数的各个可选取值对应的观测值和方差；确定用户基于所述取值性能图选择的各参数的可选取值，将用户选择的各参数的可选取值作为所述目标模型结构的参数取值。
可选地，所述建模单元53还具体用于：确定各参数的各个可选取值对应的观测值和方差；若所述目标场景对应的数据处理量大于数量阈值，则选取对应的观测值大于第一设定值，且，对应的方差小于第二设定值的可选取值，作为所述目标模型结构的对应参数的取值；若所述目标场景对应的数据处理量不大于数量阈值，则选取对应的观测值小于第三设定值，且，对应的方差大于第四设定值的可选取值，作为所述目标模型结构的对应参数的取值。
可选地，所述反馈单元54具体用于：若所述评估结果表示建立的所述模型满足设定要求，则提高所述目标参考数据与所述目标场景之间的匹配程度值；若所述评估结果表示建立的所述模型不满足所述设定要求，则降低所述目标参考数据与所述目标场景之间的匹配程度值。
可选地，该装置还包括重复单元，用于：若所述评估结果表示建立的所述模型满足设定要求，则将建立的模型作为所述目标场景的目标模型；若所述评估结果表示建立的所述模型不满足所述设定要求，则重复执行以下步骤，直至所述评估结果表示建立的模型满足所述设定要求；根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取目标参考数据的步骤，利用所述目标模型结构和所述目标参考数据，为所述目标场景建立模型的步骤，以及对建立的模型进行评估的步骤。
可见，本申请实施例中，可以根据模型的评估结果调节目标参考数据与目标场景之间的匹配程度值，并且在建立模型的过程中，根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为目标场景选取目标参考数据，因此通过本申请实施例，可以通过闭环反馈的方式准确调节调参参考数据与对应的场景之间的匹配程度值，从而提高建立的模型的精准度，使得建立的模型与所应用的场景更为匹配。
进一步地，对应上述的模型建立方法，本申请实施例还提供了一种模型建立设备，图6为本申请一实施例提供的模型建立设备的结构示意图，如图6所示。模型建立设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器901和存储器902，存储器902中可以存储有一个或一个以上存储应用程序或数据。其中，存储器902可以是短暂存储或持久存储。存储在存储器902的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对模型建立设备中的一系列计算机可执行指令。更进一步地，处理器901可以设置为与存储器902通信，在模型建立设备上执行存储器902中的一系列计算机可执行指令。模型建立设备还可以包括一个或一个以上电源903，一个或一个以上有线或无线网络接口904，一个或一个以上输入输出接口905，一个或一个以上键盘906等。
在一个具体的实施例中，模型建立设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对模型建立设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：
确定模型应用的目标场景，以及所述目标场景对应的目标模型结构；根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取目标参考数据；利用所述目标模型结构和所述目标参考数据，为所述目标场景建立模型；对建立的模型进行评估，根据评估结果，调节所述目标参考数据与所述目标场景之间的匹配程度值。
可选地，计算机可执行指令在被执行时，根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取目标参考数据，包括：根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取匹配程度值大于设定阈值的调参参考数据，作为目标参考数据。
可选地，计算机可执行指令在被执行时，利用所述目标模型结构和所述目标参考数据，为所述目标场景建立模型，包括：根据所述目标参考数据，调节所述目标模型结构的模型参数；基于调节后的所述目标模型结构，为所述目标场景建立模型。
可选地，计算机可执行指令在被执行时，根据所述目标参考数据，调节所述目标模型结构的模型参数，包括：将所述目标参考数据中各参数的取值，作为所述目标模型结构中对应的参数的取值，以调节所述目标模型结构的模型参数。
可选地，计算机可执行指令在被执行时，根据所述目标参考数据，调节所述目标模型结构的模型参数，包括：利用特定调参算法，基于所述目标参考数据进行计算，得到所述目标模型结构的各参数的各个可选取值；在所述目标模型结构的各参数的各个可选取值中，为所述目标模型结构选取参数取值，以调节所述目标模型结构的模型参数。
可选地，计算机可执行指令在被执行时，在所述目标模型结构的各参数的各个可选取值中，为所述目标模型结构选取参数取值，包括：显示所述各参数对应的取值性能图，其中，所述取值性能图用于显示对应参数的各个可选取值对应的观测值和方差；确定用户基于所述取值性能图选择的各参数的可选取值，将用户选择的各参数的可选取值作为所述目标模型结构的参数取值。
可选地，计算机可执行指令在被执行时，在所述目标模型结构的各参数的各个可选取值中，为所述目标模型结构选取参数取值，包括：确定各参数的各个可选取值对应的观测值和方差；若所述目标场景对应的数据处理量大于数量阈值，则选取对应的观测值大于第一设定值，且，对应的方差小于第二设定值的可选取值，作为所述目标模型结构的对应参数的取值；若所述目标场景对应的数据处理量不大于数量阈值，则选取对应的观测值小于第三设定值，且，对应的方差大于第四设定值的可选取值，作为所述目标模型结构的对应参数的取值。
可选地，计算机可执行指令在被执行时，根据评估结果，调节所述目标参考数据与所述目标场景之间的匹配程度值，包括：若所述评估结果表示建立的所述模型满足设定要求，则提高所述目标参考数据与所述目标场景之间的匹配程度值；若所述评估结果表示建立的所述模型不满足所述设定要求，则降低所述目标参考数据与所述目标场景之间的匹配程度值。
可选地，计算机可执行指令在被执行时，还包括：若所述评估结果表示建立的所述模型满足设定要求，则将建立的模型作为所述目标场景的目标模型；若所述评估结果表示建立的所述模型不满足所述设定要求，则重复执行以下步骤，直至所述评估结果表示建立的模型满足所述设定要求；根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取目标参考数据的步骤，利用所述目标模型结构和所述目标参考数据，为所述目标场景建立模型的步骤，以及对建立的模型进行评估的步骤。
可见，本申请实施例中，可以根据模型的评估结果调节目标参考数据与目标场景之间的匹配程度值，并且在建立模型的过程中，根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为目标场景选取目标参考数据，因此通过本申请实施例，可以通过闭环反馈的方式准确调节调参参考数据与对应的场景之间的匹配程度值，从而提高建立的模型的精准度，使得建立的模型与所应用的场景更为匹配。
进一步地，对应上述的模型建立方法，本申请实施例还提供了一种存储介质，用于存储计算机可执行指令，一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令在被处理器执行时，能实现以下流程：
确定模型应用的目标场景，以及所述目标场景对应的目标模型结构；根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取目标参考数据；利用所述目标模型结构和所述目标参考数据，为所述目标场景建立模型；对建立的模型进行评估，根据评估结果，调节所述目标参考数据与所述目标场景之间的匹配程度值。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取目标参考数据，包括：根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取匹配程度值大于设定阈值的调参参考数据，作为目标参考数据。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，利用所述目标模型结构和所述目标参考数据，为所述目标场景建立模型，包括：根据所述目标参考数据，调节所述目标模型结构的模型参数；基于调节后的所述目标模型结构，为所述目标场景建立模型。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，根据所述目标参考数据，调节所述目标模型结构的模型参数，包括：将所述目标参考数据中各参数的取值，作为所述目标模型结构中对应的参数的取值，以调节所述目标模型结构的模型参数。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，根据所述目标参考数据，调节所述目标模型结构的模型参数，包括：利用特定调参算法，基于所述目标参考数据进行计算，得到所述目标模型结构的各参数的各个可选取值；在所述目标模型结构的各参数的各个可选取值中，为所述目标模型结构选取参数取值，以调节所述目标模型结构的模型参数。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，在所述目标模型结构的各参数的各个可选取值中，为所述目标模型结构选取参数取值，包括：显示所述各参数对应的取值性能图，其中，所述取值性能图用于显示对应参数的各个可选取值对应的观测值和方差；确定用户基于所述取值性能图选择的各参数的可选取值，将用户选择的各参数的可选取值作为所述目标模型结构的参数取值。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，在所述目标模型结构的各参数的各个可选取值中，为所述目标模型结构选取参数取值，包括：确定各参数的各个可选取值对应的观测值和方差；若所述目标场景对应的数据处理量大于数量阈值，则选取对应的观测值大于第一设定值，且，对应的方差小于第二设定值的可选取值，作为所述目标模型结构的对应参数的取值；若所述目标场景对应的数据处理量不大于数量阈值则选取对应的观测值小于第三设定值，且，对应的方差大于第四设定值的可选取值，作为所述目标模型结构的对应参数的取值。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，根据评估结果，调节所述目标参考数据与所述目标场景之间的匹配程度值，包括：若所述评估结果表示建立的所述模型满足设定要求，则提高所述目标参考数据与所述目标场景之间的匹配程度值；若所述评估结果表示建立的所述模型不满足所述设定要求，则降低所述目标参考数据与所述目标场景之间的匹配程度值。
可选地，该存储介质存储的计算机可执行指令在被处理器执行时，还包括：若所述评估结果表示建立的所述模型满足设定要求，则将建立的模型作为所述目标场景的目标模型；若所述评估结果表示建立的所述模型不满足所述设定要求，则重复执行以下步骤，直至所述评估结果表示建立的模型满足所述设定要求；根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取目标参考数据的步骤，利用所述目标模型结构和所述目标参考数据，为所述目标场景建立模型的步骤，以及对建立的模型进行评估的步骤。
可见，本申请实施例中，可以根据模型的评估结果调节目标参考数据与目标场景之间的匹配程度值，并且在建立模型的过程中，根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为目标场景选取目标参考数据，因此通过本申请实施例，可以通过闭环反馈的方式准确调节调参参考数据与对应的场景之间的匹配程度值，从而提高建立的模型的精准度，使得建立的模型与所应用的场景更为匹配。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (18)

1.一种模型建立方法，其特征在于，包括：
确定模型应用的目标场景，以及所述目标场景对应的目标模型结构；
根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取目标参考数据；
根据所述目标参考数据，调节所述目标模型结构的模型参数，基于调节后的所述目标模型结构，为所述目标场景建立模型；
对建立的模型进行评估，根据评估结果，调节所述目标参考数据与所述目标场景之间的匹配程度值。
2.根据权利要求1所述的方法，其特征在于，根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取目标参考数据，包括：
根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取匹配程度值大于设定阈值的调参参考数据，作为目标参考数据。
3.根据权利要求1所述的方法，其特征在于，根据所述目标参考数据，调节所述目标模型结构的模型参数，包括：
将所述目标参考数据中各参数的取值，作为所述目标模型结构中对应的参数的取值，以调节所述目标模型结构的模型参数。
4.根据权利要求1所述的方法，其特征在于，根据所述目标参考数据，调节所述目标模型结构的模型参数，包括：
利用特定调参算法，基于所述目标参考数据进行计算，得到所述目标模型结构的各参数的各个可选取值；
在所述目标模型结构的各参数的各个可选取值中，为所述目标模型结构选取参数取值，以调节所述目标模型结构的模型参数。
5.根据权利要求4所述的方法，其特征在于，在所述目标模型结构的各参数的各个可选取值中，为所述目标模型结构选取参数取值，包括：
显示所述各参数对应的取值性能图，其中，所述取值性能图用于显示对应参数的各个可选取值对应的观测值和方差；
确定用户基于所述取值性能图选择的各参数的可选取值，将用户选择的各参数的可选取值作为所述目标模型结构的参数取值。
6.根据权利要求4所述的方法，其特征在于，在所述目标模型结构的各参数的各个可选取值中，为所述目标模型结构选取参数取值，包括：
确定各参数的各个可选取值对应的观测值和方差；
若所述目标场景对应的数据处理量大于数量阈值，则选取对应的观测值大于第一设定值，且，对应的方差小于第二设定值的可选取值，作为所述目标模型结构的对应参数的取值；
若所述目标场景对应的数据处理量不大于数量阈值，则选取对应的观测值小于第三设定值，且，对应的方差大于第四设定值的可选取值，作为所述目标模型结构的对应参数的取值。
7.根据权利要求1至6任一项所述的方法，其特征在于，根据评估结果，调节所述目标参考数据与所述目标场景之间的匹配程度值，包括：
若所述评估结果表示建立的所述模型满足设定要求，则提高所述目标参考数据与所述目标场景之间的匹配程度值；
若所述评估结果表示建立的所述模型不满足所述设定要求，则降低所述目标参考数据与所述目标场景之间的匹配程度值。
8.根据权利要求1所述的方法，其特征在于，还包括：
若所述评估结果表示建立的所述模型满足设定要求，则将建立的模型作为所述目标场景的目标模型；
若所述评估结果表示建立的所述模型不满足所述设定要求，则重复执行以下步骤，直至所述评估结果表示建立的模型满足所述设定要求；
根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取目标参考数据的步骤，利用所述目标模型结构和所述目标参考数据，为所述目标场景建立模型的步骤，以及对建立的模型进行评估的步骤。
9.一种模型建立装置，其特征在于，包括：
确定单元，用于确定模型应用的目标场景，以及所述目标场景对应的目标模型结构；
选取单元，用于根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取目标参考数据；
建模单元，用于根据所述目标参考数据，调节所述目标模型结构的模型参数，基于调节后的所述目标模型结构，为所述目标场景建立模型；
反馈单元，用于对建立的模型进行评估，根据评估结果，调节所述目标参考数据与所述目标场景之间的匹配程度值。
10.根据权利要求9所述的装置，其特征在于，所述选取单元具体用于：
根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取匹配程度值大于设定阈值的调参参考数据，作为目标参考数据。
11.根据权利要求9所述的装置，其特征在于，所述建模单元还具体用于：
将所述目标参考数据中各参数的取值，作为所述目标模型结构中对应的参数的取值，以调节所述目标模型结构的模型参数。
12.根据权利要求9所述的装置，其特征在于，所述建模单元还具体用于：
利用特定调参算法，基于所述目标参考数据进行计算，得到所述目标模型结构的各参数的各个可选取值；
在所述目标模型结构的各参数的各个可选取值中，为所述目标模型结构选取参数取值，以调节所述目标模型结构的模型参数。
13.根据权利要求12所述的装置，其特征在于，所述建模单元还具体用于：
显示所述各参数对应的取值性能图，其中，所述取值性能图用于显示对应参数的各个可选取值对应的观测值和方差；
确定用户基于所述取值性能图选择的各参数的可选取值，将用户选择的各参数的可选取值作为所述目标模型结构的参数取值。
14.根据权利要求12所述的装置，其特征在于，所述建模单元还具体用于：
确定各参数的各个可选取值对应的观测值和方差；
若所述目标场景对应的数据处理量大于数量阈值，则选取对应的观测值大于第一设定值，且，对应的方差小于第二设定值的可选取值，作为所述目标模型结构的对应参数的取值；
若所述目标场景对应的数据处理量不大于数量阈值，则选取对应的观测值小于第三设定值，且，对应的方差大于第四设定值的可选取值，作为所述目标模型结构的对应参数的取值。
15.根据权利要求9至14任一项所述的装置，其特征在于，所述反馈单元具体用于：
若所述评估结果表示建立的所述模型满足设定要求，则提高所述目标参考数据与所述目标场景之间的匹配程度值；
若所述评估结果表示建立的所述模型不满足所述设定要求，则降低所述目标参考数据与所述目标场景之间的匹配程度值。
16.根据权利要求9所述的装置，其特征在于，还包括重复单元，用于：
若所述评估结果表示建立的所述模型满足设定要求，则将建立的模型作为所述目标场景的目标模型；
若所述评估结果表示建立的所述模型不满足所述设定要求，则重复执行以下步骤，直至所述评估结果表示建立的模型满足所述设定要求；
根据各场景与各调参参考数据之间的匹配程度值，在各调参参考数据中为所述目标场景选取目标参考数据的步骤，利用所述目标模型结构和所述目标参考数据，为所述目标场景建立模型的步骤，以及对建立的模型进行评估的步骤。
17.一种模型建立设备，其特征在于，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器实现上述权利要求1至8任一项所述的模型建立方法的步骤。
18.一种存储介质，用于存储计算机可执行指令，其特征在于，所述计算机可执行指令在被执行时实现上述权利要求1至8任一项所述的模型建立方法的步骤。
CN201811311382.4A 2018-11-06 2018-11-06 模型建立方法及装置 Active CN109614609B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811311382.4A CN109614609B (zh) 2018-11-06 2018-11-06 模型建立方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811311382.4A CN109614609B (zh) 2018-11-06 2018-11-06 模型建立方法及装置

Publications (2)

Publication Number Publication Date
CN109614609A CN109614609A (zh) 2019-04-12
CN109614609B true CN109614609B (zh) 2023-05-05

Family

ID=66003007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811311382.4A Active CN109614609B (zh) 2018-11-06 2018-11-06 模型建立方法及装置

Country Status (1)

Country Link
CN (1) CN109614609B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111143685B (zh) * 2019-12-30 2024-01-26 第四范式（北京）技术有限公司 一种商品推荐方法及装置
CN113673870B (zh) * 2021-08-23 2024-04-30 杭州安恒信息技术股份有限公司 一种企业数据分析方法及相关组件

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107515876A (zh) * 2016-06-16 2017-12-26 阿里巴巴集团控股有限公司 一种特征模型的生成、应用方法及装置
CN107609980A (zh) * 2017-09-07 2018-01-19 平安医疗健康管理股份有限公司 医疗数据处理方法、装置、计算机设备及存储介质
CN107808246A (zh) * 2017-10-26 2018-03-16 上海维信荟智金融科技有限公司 征信数据的智能评估方法及系统
CN107844634A (zh) * 2017-09-30 2018-03-27 平安科技（深圳）有限公司 多元通用模型平台建模方法、电子设备及计算机可读存储介质
CN108665143A (zh) * 2018-04-11 2018-10-16 阿里巴巴集团控股有限公司 风控模型的评估方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011100846A1 (en) * 2010-02-18 2011-08-25 Financialcad Corporation Systems and methods for valuating financial contracts and assessing associated risk
US10509869B2 (en) * 2015-09-15 2019-12-17 Baker Street Scientific Inc. System and method for heuristic predictive and nonpredictive modeling

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107515876A (zh) * 2016-06-16 2017-12-26 阿里巴巴集团控股有限公司 一种特征模型的生成、应用方法及装置
CN107609980A (zh) * 2017-09-07 2018-01-19 平安医疗健康管理股份有限公司 医疗数据处理方法、装置、计算机设备及存储介质
CN107844634A (zh) * 2017-09-30 2018-03-27 平安科技（深圳）有限公司 多元通用模型平台建模方法、电子设备及计算机可读存储介质
CN107808246A (zh) * 2017-10-26 2018-03-16 上海维信荟智金融科技有限公司 征信数据的智能评估方法及系统
CN108665143A (zh) * 2018-04-11 2018-10-16 阿里巴巴集团控股有限公司 风控模型的评估方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
智能化调参的XGBOOST算法及其在电信营销中的应用;成晨等;《邮电设计技术》;20181020(第10期);第20-24页 *

Also Published As

Publication number Publication date
CN109614609A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN110020427B (zh) 策略确定方法和装置
CN112200132B (zh) 一种基于隐私保护的数据处理方法、装置及设备
CN109614609B (zh) 模型建立方法及装置
CN110033093B (zh) 超参数确定方法、装置及设备
CN115828162B (zh) 一种分类模型训练的方法、装置、存储介质及电子设备
CN110826894A (zh) 超参数确定方法、装置及电子设备
CN115712866B (zh) 数据处理方法、装置及设备
CN116186772A (zh) 一种基于联邦学习的模型训练方法及装置
CN116167461B (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN116821647B (zh) 基于样本偏离评估的数据标注的优化方法、装置及设备
CN116091895B (zh) 一种面向多任务知识融合的模型训练方法及装置
CN117635822A (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN115618748B (zh) 一种模型优化的方法、装置、设备及存储介质
CN116384505A (zh) 一种数据处理的方法、装置、存储介质及电子设备
CN107369192B (zh) 一种连接关系处理方法及装置
CN116030309A (zh) 一种对抗样本生成方法、装置、存储介质及电子设备
CN114120273A (zh) 一种模型训练的方法及装置
CN111242195B (zh) 模型、保险风控模型训练方法、装置及电子设备
CN110008112B (zh) 模型训练方法和装置、业务测试方法和装置
CN116109008B (zh) 一种业务执行的方法、装置、存储介质及电子设备
CN110929871A (zh) 博弈决策方法和系统
CN115952859B (zh) 数据处理方法、装置及设备
CN115827880B (zh) 一种基于情感分类的业务执行方法及装置
CN112884478B (zh) 一种数据处理方法、装置及设备
CN117009729B (zh) 基于softmax的数据处理方法及装置

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
TA01 Transfer of patent application right

Effective date of registration: 20200924

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Advanced innovation technology Co.,Ltd.

Address before: A four-storey 847 mailbox in Grand Cayman Capital Building, British Cayman Islands

Applicant before: Alibaba Group Holding Ltd.

Effective date of registration: 20200924

Address after: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant after: Innovative advanced technology Co.,Ltd.

Address before: Cayman Enterprise Centre, 27 Hospital Road, George Town, Grand Cayman, British Islands

Applicant before: Advanced innovation technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant