CN110458598A - 场景适配方法、装置及电子设备 - Google Patents

Abstract

本申请公开了一种场景适配方法、装置及电子设备，该方法包括：基于目标应用场景下的目标对象提供的基础数据，确定目标评估数据；基于所述目标评估数据与所述基础数据的目标匹配结果，确定场景模型是否适配所述目标应用场景；在所述场景模型不适配所述目标应用场景时，确定目标迁移学习算法；基于所述目标迁移学习算法，生成适配所述目标应用场景的目标场景模型。

Description

场景适配方法、装置及电子设备

技术领域

本申请涉及计算机技术领域，尤其涉及一种场景适配方法、装置及电子设备。

背景技术

场景模型可以是通过用户的特征数据来获得用户的标签数据的一个模型，特征数据为表征用户特征的数据，标签数据表征用户行为的数据。举例来说，场景模型的训练可以通过用户的多个特征数据和用户的历史消费情况来判断用户对于一个产品的消费概率。例如，场景模型通过用户m的年龄、性别、城市、毕业学校、住址等特征数据以及用户的历史消费情况进行综合分析，确定一个与用户m对饮品类别产品产生消费的概率值。将目标用户的特征数据输入训练得到的场景模型，将会得到与目标用户对应的标签数据，场景模型表达了特征数据和标签数据的对应关系。近年来随着金融科技的不断发展，越来越多的场景模型和解决方案希望更多地拓展应用场景、对外赋能。

现有的场景模型通常直接应用到目标应用场景，场景模型与目标应用场景的适配性差。

发明内容

本申请实施例提供一种场景适配方法、装置及电子设备，以解决场景模型与目标应用场景的适配性差的问题。

第一方面，提供了一种场景适配方法，包括：

基于目标应用场景下的目标对象提供的基础数据，确定目标评估数据；

基于所述目标评估数据与所述基础数据的目标匹配结果，确定场景模型是否适配所述目标应用场景；

在所述场景模型不适配所述目标应用场景时，确定目标迁移学习算法；

基于所述目标迁移学习算法，生成适配所述目标应用场景的目标场景模型。

第二方面，提供了一种场景适配装置，包括：

数据获取模块，基于目标应用场景下的目标对象提供的基础数据，确定目标评估数据；

匹配模块，基于所述目标评估数据与所述基础数据的目标匹配结果，确定场景模型是否适配所述目标应用场景；

算法判定模块，在所述场景模型不适配所述目标应用场景时，确定目标迁移学习算法；

适配模块，基于所述目标迁移学习算法，生成适配所述目标应用场景的目标场景模型。

第三方面，提供了一种电子设备，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，所述可执行指令在被执行时使用所述处理器执行以下操作：

基于目标应用场景下的目标对象提供的基础数据，确定目标评估数据；

基于所述目标评估数据与所述基础数据的目标匹配结果，确定场景模型是否适配所述目标应用场景；

在所述场景模型不适配所述目标应用场景时，确定目标迁移学习算法；

基于所述目标迁移学习算法，生成适配所述目标应用场景的目标场景模型。

第四方面，提供了一种计算机可读介质，所述计算机可读介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

基于目标应用场景下的目标对象提供的基础数据，确定目标评估数据；

基于所述目标评估数据与所述基础数据的目标匹配结果，确定场景模型是否适配所述目标应用场景；

在所述场景模型不适配所述目标应用场景时，确定目标迁移学习算法；

基于所述目标迁移学习算法，生成适配所述目标应用场景的目标场景模型。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：将目标对象的基础数据与目标评估数据进行匹配，进而判断场景模型与目标应用场景是否适配，并在场景模型不适配目标应用场景的情况下，生成目标场景模型，提升了场景模型与目标应用场景的适配性。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请的一个实施例的场景适配方法的示意性流程图。

图2为根据本申请的一个实施例的场景适配方法的流程图。

图3为本申请的一个实施例的电子设备的结构示意图。

图4为本申请的一个实施例的场景适配装置的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

图1为本申请的一个实施例的场景适配方法的示意性流程图。如图1所示，场景适配方法，包括：

S102、基于目标应用场景下的目标对象提供的基础数据，确定目标评估数据。

具体来说，在判断场景模型是否适配目标应用场景的过程中，首先接收目标对象提供的基础数据，在接收到基础数据之后，判断基础数据中是否存在标签数据和特征数据。根据基础数据中是否存在标签数据和是否存在特征数据来确定目标评估数据。

其中，基础数据与目标评估数据的对应关系至少包括以下四种情况。

情况一，基础数据中不包括第一特征数据和第一标签数据，此时目标评估数据包括M组从训练场景模型的样本数据中随机获取的用户信息。

情况二，基础数据中包括第一标签数据，此时目标评估数据包括基于场景模型确定的第二标签数据。

情况三，基础数据中包括第一特征数据，此时目标评估数据包括从训练场景模型的样本数据中获取的第二特征数据。

情况四，基础数据中包括第一标签数据和第一特征数据，此时目标评估数据包括基于场景模型确定的第二标签数据。

S104、基于目标评估数据与基础数据的目标匹配结果，确定场景模型是否适配目标应用场景。

具体来说，在确定目标评估数据之后，将基础数据与目标评估数据进行匹配，获得目标匹配结果，基于目标匹配结果来确定场景模型是否适配目标应用场景。确定场景模型适配目标应用场景或场景模型不适配目标应用场景。在确定场景模型适配目标应用场景的情况下，场景模型与目标应用场景适配，场景模型直接应用到目标应用场景。

S106、在场景模型不适配目标应用场景时，确定目标迁移学习算法。

S108、基于目标迁移学习算法，生成适配目标应用场景的目标场景模型。

具体来说，在确定场景模型不适配目标应用场景时，确定对应的目标迁移学习算法，并应用目标迁移学习算法来生成适配目标应用场景的目标场景模型。

本实施例中，将目标对象的基础数据与目标评估数据进行匹配，进而判断场景模型与目标应用场景是否适配，并在场景模型不适配目标应用场景的情况下，生成目标场景模型，提升了场景模型与目标应用场景的适配性。

可选的，作为一个实施例，基础数据包括目标对象相关的第一用户信息数据，目标评估数据包括M组第二用户信息数据，M组第二用户信息数据从训练场景模型的样本数据中随机获取。

其中，S104，包括：

确定M组第二用户信息数据的随机分布信息与第一用户信息数据的随机分布信息的第一偏移量。

基于第一偏移量和第一预设阈值，确定第一偏移数量。

在第一偏移数量大于或等于第一预设值的情况下，确定场景模型不适配目标应用场景。

S106中，确定目标迁移学习算法，包括：

确定目标迁移学习算法包括样本迁移学习适配算法。

具体来说，在基础数据中包括第一用户信息数据时，基础数据中不包括特征数据和标签数据。此时确定目标评估数据包括M组第二用户信息数据，M组第二用户信息数据从训练场景模型的样本数据中随机获取。之后，确定第一用户信息数据分别与M组第二用户信息数据在高维空间中的均值的距离，获得M组距离，该距离为第一偏移量。在确定第一偏移量之后，基于第一预设阈值判断超过第一预设阈值的第一偏移量的数量，获得第一偏移数量。在第一偏移数量大于或等于第一预设值的情况下，确定场景模型不适配目标应用场景。在第一偏移数量小于第一预设值的情况下，确定场景模型适配目标应用场景，此时直接将场景模型应用到目标应用场景。

在场景模型不适配目标应用场景的情况下，确定目标迁移学习算法包括样本迁移学习适配算法。样本迁移学习适配算法包括深度适配网络(Deep Adaptation Network,DAN)和域自适应神经网络(Domain Adaptive Neural Network，DANN)中的至少一种。本实施例中可以同时采用深度适配网络和域自适应神经网络来训练场景模型，之后选取最适配目标应用场景的场景模型为目标场景模型。

可以理解的是，第一用户信息数据可以是用户名或用户标识等信息，第二用户信息数据可以是用户名或用户标识等信息。

举例来说，基础数据中可以包括一组N个第一用户信息数据，此时随机获取M组第二用户信息数据，每组第二用户信息数据可以包括N个第二用户信息数据。之后根据M组第二用户信息数据对应的特征数据和第一用户信息数据对应的特征数据，确定M个第二用户信息数据的分布集合和第一用户新数据的分布集合，将第一用户信息数据的分布集合与M个第二用户信息数据的分布集合的覆盖区域和密度进行匹配，确定第一用户信息数据中与第二用户信息数据的分布不同的异常第一用户信息数据的差异数量，差异数量为第一偏移量。之后确定大于或等于第一预设阈值的第一偏移量的数量为第一偏移数量，第一偏移数量代表未随机分布的第一用户信息数据的数量。将第一偏移数量与第一预设值进行比较，在第一偏移数量小于第一预设值的情况下，确定场景模型适配目标应用场景，此时场景模型可直接应用于目标对象的目标应用场景。在第一偏移数量大于或等于第一预设值的情况下，确定场景模型不适配目标应用场景。在场景模型不适配目标应用场景的情况下，应用样本迁移学习适配算法来生成目标场景模型。

本实施例中，在目标对象未提供特征数据和标签数据的情况下，判断目标对象需要使用的第一用户信息数据是否是随机分布的，在目标对象的第一用户信息数据不是随机分布的情况下，确定场景模型不适配目标应用场景，并生成适配目标应用场景的目标场景模型，目标场景模型输出的标签数据与目标应用场景的需求适配，提升了场景模型与目标应用场景的适配性。

可选的，作为一个实施例，基础数据包括目标对象相关的用户信息数据和与用户信息数据对应的第一特征数据，目标评估数据包括与用户信息数据对应的第二特征数据，第二特征数据从训练场景模型的样本数据中获取；

其中，S104，包括：

确定第一特征数据和第二特征数据之间的第二偏移量。

基于第二偏移量和第二预设阈值，确定第二偏移数量。

在第二偏移数量大于或等于第二预设值的情况下，确定场景模型不适配目标应用场景。

S106中，确定目标迁移学习算法，包括：

确定目标迁移学习算法包括特征迁移学习适配算法。

具体来说，在基础数据中包括用户信息数据和与用户信息数据对应的第一特征数据时，基础数据中不包括标签数据，此时确定目标评估数据包括与用户信息数据对应的第二特征数据。之后，将第一特征数据和第二特征数据进行对比，确定第一特征数据与第二特征数据之间的第二偏移量，之后将第二偏移量与第二预设阈值进行对比，在第二偏移量大于或等于第二预设阈值的情况下，确定第二偏移量对应的第一特征数据相对于第二特征数据为偏移；在第二偏移量小于第二预设阈值的情况下，确定第一特征数据相对于第一特征数据为未偏移。之后确定偏移的第一特征数据总量为第二偏移数量。然后将第二偏移数量与第二预设值进行比较，在第二偏移数量大于或等于第二预设值的情况下，确定场景模型不适配目标应用场景；在第二偏移数量小于第二预设值的情况下，确定场景模型适配目标应用场景。

在场景模型与目标应用场景不适配的情况下，确定目标迁移学习算法为特征迁移学习适配算法，特征迁移学习适配算法可以包括深度适配网络(Deep AdaptationNetwork,DAN)和域自适应神经网络(Domain Adaptive Neural Network，DANN)中的至少一种。本实施例中可以同时采用深度适配网络和域自适应神经网络来训练场景模型，之后选取最适配目标应用场景的场景模型为目标场景模型。

可以理解的是，用户信息数据可以是用户名或用户标识等信息，第一特征数据为目标对象提供的表征用户特征的特征数据，第一特征数据可以是性别、年龄、学历、城市、消费习惯等数据。第二特征为基于用户信息数据从训练场景模型的样本数据中获取的表征用户特征的特征数据，第二特征数据可以是性别、年龄、学历、尘世、消费习惯等数据。第二特征数据的与第一特征数据对应。

举例来说，目标对象提供了一万个用户的第一特征数据，此时目标评估数据包括与该一万个用户对应的第二特征数据，之后确定第一特征数据和第二特征数据之间的第二偏移量，目标评估数据可采取高维向量，通过判断第一特征数据对应的向量与第二特征数据对应的向量之间的距离，来确定第二偏移量。基于第二预设阈值来确定第二偏移数量，并将第二偏移数量与第二预设值进行对比，第二预设值可以采取目标对象提供的第一特征数据的数量的20％，则在第二偏移数量大于或等于两千的情况下，确定场景模型适配目标应用场景；在第二偏移数量小于两千的情况下，确定场景模型不适配目标应用场景。在场景模型不适配目标应用场景的情况下，应用特征迁移学习适配算法来生成适配目标目标应用场景的目标场景模型。

本实施例中，在目标对象提供了第一特征数据但未提供标签数据的情况下，将目标对象提供的第一特征数据与训练场景模型的样本数据中的与第一特征数据对应的第二特征数据进行匹配，在第一特征数据与第二特征数据产生偏差大于或等于第二预设值的情况下，生成与目标场景模型适配的目标场景模型，提升了场景模型与目标应用场景的适配性。

可选的，作为一个实施例，基础数据包括目标对象相关的用户信息数据和与用户信息数据对应的第一标签数据，目标评估数据包括与用户信息数据对应的第二标签数据，第二标签数据基于场景模型确定。

其中，S104，包括：

确定第一标签数据和第二标签数据之间的第三偏移量。

基于第三偏移量和第三预设阈值，确定第三偏移数量。

在第三偏移数量大于或等于第三预设值且小于第四预设值的情况下，确定场景模型不适配目标应用场景。

S106中，确定目标迁移学习算法，包括：

确定目标迁移学习算法包括场景迁移学习算法。

具体来说，在基础数据包括用户信息数据和与用户信息数据对应的第一标签数据时，此时确定目标评估数据包括与用户信息对应的第二标签数据。之后确定第一标签数据和第二标签数据之间的第三偏移量，之后将第三偏移量与第三预设阈值进行对比，在当前第三偏移量大于或等于第三预设阈值的情况下，确定当前第三偏移量对应的第一标签数据相对于第二标签数据是偏移的，之后确定偏移的第一标签数据对应的第三偏移数量。然后将第三偏移数量与第三预设值和第四预设值进行对比，在第三偏移数量小于第四预设值且小于第三预设值的情况下，确定场景模型与目标应用场景适配，在第三偏移数量大于第三预设值且小于第四预设值的情况下，确定场景模型与目标应用场景不适配。

在场景模型与目标应用不适配的情况下，确定目标迁移学习算法包括场景迁移学习算法。场景迁移学习算法可以包括多任务学习(Multi-Task Learning,MTL)或Tradaboost算法中的至少一个。本实施例可以同时采用多任务学习和Tradaboost算法来生成场景模型，之后选择最适配目标应用场景的场景模型为目标场景模型。

举例来说，目标对象提供了一万个用户的第一标签数据，则目标评估数据为与该一万个用户对应的通过场景模型获取的第二标签数据。之后确定第一标签数据和第二标签数据之间的第三偏移量，以用户风险度为例，目标对象提供了用户a的风险数值为85，通过场景模型确定的用户a的风险数值为60，此时用户a对应的第三偏移量为25(85-60)。之后基于第三预设阈值来确定第三偏移量是否偏移，以第三预设阈值为20为例，则用户a为偏移用户。之后确定一万个用户中偏移用户的数量为第三偏移数量。然后将第三偏移数量与第三预设值和第四预设值进行对比，进而判断场景模型是否适配目标应用场景。

本实施例中，在目标对象提供了第一标签数据的情况下，将目标对象提供的第一标签数据与通过场景模型获取的与第一标签数据对应的第二标签数据进行匹配，在第一标签数据和第二标签数据产生的偏差大于或等于第三预设值且小于第四预设值的情况下，基于场景迁移学习算法，生成与目标应用场景适配的目标场景模型，提升了场景模型与目标应用场景的适配性。

可选的，作为一个实施例，图1所示的方法中还包括：

在第三偏移数量大于第四预设值的情况下，确定场景模型不适配目标应用场景。

S106中，确定目标迁移学习算法，包括：

确定目标迁移学习算法为目标应用场景对应的定制建模迁移算法。

具体来说，在第三偏移数量大于第四预设值的情况下，确定场景模型与目标应用场景不适配，此时工作人员介入训练场景模型的工作中，工作人员针对于目标应用场景来设置定制建模迁移算法，进而生成适配目标应用场景的目标场景模型。其中，定制建模迁移算法可以包括DAN算法、DANN算法、MTL算法和Tradaboost算法中的至少一个，工作人员可以根据基础数据与目标评估数据之间的偏移程度，来确定使用多个算法中的一个或多个。

本实施例中，在第一标签数据和第二标签数据产生的偏差大于第四预设值时，基于工作人员针对于目标应用场景设置的定制建模迁移算法，生成与目标应用场景适配的场景模型，场景模型与目标应用场景的适配性强。

可选的，作为一个实施例，基础数据还包括与用户信息数据对应的特征数据。

可选的，作为一个实施例，图1所示的方法中，确定目标迁移学习算法，包括：

在第一标签数据正确的情况下，确定目标迁移学习算法。

具体来说，在确定场景模型与目标应用场景不适配的情况下，首先，输出确认请求至目标对象，确认请求用于确认目标对象提供的第一标签数据是否正确；之后，基于目标对象的反馈信息，确定第一标签是否正确。在第一标签正确的情况下，确定目标迁移学习算法。

可以理解的是，目标对象可以是服务器、客户端等，反馈信息可以为服务器或客户端接收到确认请求后，服务器或客户端核对输出的基础数据中的第一标签数据是否正确，进而输出反馈信息。

本实施例中，在场景模型不适配目标应用场景的情况下，针对于第一标签数据是否准确进行核对，减小由于目标对象提供的数据错误导致的场景模型与目标应用场景不适配的概率，进而提升了场景模型与目标应用场景的适配性。

具体来说，在基础数据包括用户信息数据、与用户信息数据对应的第一标签数据和与用户信息数据对应的特征数据时，目标评估数据包括与用户信息对应的第二标签数据。通过将第一标签数据与第二标签数据进行匹配，进而确定场景模型与目标应用场景是否适配。在场景模型与目标应用场景不适配的情况下，基于基础数据中的用户信息数据、第一标签数据、特征数据和目标迁移学习算法来生成与目标应用场景适配的目标场景模型。

本实施例中，在基础数据中包括用户信息数据、第一标签数据以及特征数据的情况下，将目标对象提供的第一标签数据与通过场景模型获取的与第一标签数据对应的第二标签数据进行匹配，确定场景模型与目标应用场景是否适配，在场景模型与目标应用场景不适配的情况下，基于基础数据中的用户信息数据、第一标签数据、特征数据和目标迁移学习算法来生成与目标应用场景适配的目标场景模型，提升了目标场景模型与目标应用场景的适配性。

可选的，作为一个实施例，在基础数据包括加密数据的情况下，目标匹配结果由第三方服务器基于加密后的目标评估数据和基础数据确定，加密数据包括加密特征数据和加密标签数据中的至少一种，图1所示的方法还包括：

将加密后的目标评估数据和基础数据发送给第三方服务器。

接收来自于第三方服务器的目标匹配结果。

具体来说，在接收到基础数据之后，首先判断基础数据中是否存在特征数据和标签数据，在基础数据中存在特征数据和标签数据中的至少一个的情况下，判断特征数据或标签数据是否加密，在特征数据和标签数据加密中至少一个加密的情况下，将基础数据发给第三方服务器，将目标评估数据加密后发送给第三方服务器，之后在第三方服务器将基础数据和加密后的目标评估数据进行解密和匹配，之后接收第三方服务器输出的目标匹配结果，进而确定场景模型是否适配目标应用场景。

可以理解的是，对目标评估数据进行加密所采取的加密方式可以包括：矩阵变换、密钥共享和英特尔SGX。矩阵变换主要优点是成本低，开发快、部署门槛低，计算效率高，数据变换不可逆，数据安全性高。密钥共享主要优点是成本较低，安全性高。英特尔SGX主要优点是开发较快，计算效率较高，场景覆盖全，本方案优先采用SGX技术进行安全多方计算。

本实施例中，将基础数据和目标评估数据输出到第三方服务器进行匹配，保护了目标对象方和我方的数据，数据的安全性高。

下面将结合图2详细介绍本申请一个具体实施例的场景模型适配方法。如图2所示，场景适配方法包括：

Q0：场景适配。在接收到目标对象提供的基础数据之后，开始场景适配操作。

Q1、确定基础数据中是否携带有标签数据。根据目标对象提供的基础数据可以包括四种情况，情况一，基础数据中不包括标签数据和特征数据；情况二，基础数据中包括特征数据不包括标签数据；情况三，基础数据中包括标签数据不包括特征数据，情况四，基础数据中包括特征数据和标签数据。

针对于情况三和情况四，执行Q2-Q5。基础数据中还包括用户信息数据。

Q2、将基于场景模型确定的标签数据和基础数据中的标签数据进行对比。

Q3、确定模型效果是否符合预期。在将基础数据中的标签数据和通过场景模型确定的标签数据对比后，确定通过场景模型确定的标签数据与基础数据中的标签数据不对应的标签数据的偏移数量。之后基于偏移数量和预设期望值来确定模型效果是否符合预期。在模型效果符合预期的情况下，确定场景模型无需迁移。在确定模型效果不符合预期的情况下，执行Q4。

Q4、确定模型效果是否显著低于预期。基于Q2中确定的偏移数量和Q4中的预设显著值来确定模型效果是否显著低于预期。在模型效果显著低于预期的情况下，执行Q5；在模型效果未显著低于预期的情况下，确定场景模型对应的迁移方案为有标需迁移。针对于有标需迁移的迁移方案，可以MTL算法和Tradaboost算法中的至少一个生成适配目标应用场景的目标场景模型。

Q5、标签核对无误。在模型效果显著低于预期的情况下，模型效果差可能由于基础数据中的标签数据错误引起，通过向目标对象核对标签数据是否发生错误，在标签数据无误的情况下，确定场景模型对应的迁移方案为定制建模，定制建模为工作人员针对于场景模型设置的迁移方案。

针对于Q1中的情况一和情况二，执行Q6、Q7。基础数据中还包括用户信息数据。

Q6、对于情况一，应用最大均值差异算法(Maximum meandiscrepancy，MMD)确定基础数据中的用户信息数据是否为随机分布；对于情况二，确定基础数据中的特征数据与训练场景模型的特征数据之间的距离。对应情况一，获取场景模型中的多组本地用户信息数据，应用MMD算法，确定基础数据中的用户信息数据与多组本地用户信息数据在高维空间中的均值之间的距离。对应情况二，获取场景模型中的与基础数据中的用户信息数据对应的本地特征数据，之后却基础数据中的特征数据与本地特征数据之间的距离。

Q7、确定数据差异是否阈值内。针对于情况一，确定基础数据对应的用户中未随机分布的用户的数量，并将未随机分布的用户的数量与阈值进行对比。针对于情况二，确定本地特征数据中与基础数据中的特征数据距离大的数据的特征偏移数量，并将特征偏移数量与阈值进行对比。两种情况基于不同的数量数据和阈值确定场景模型是否偏移，在数量数据小于阈值的情况下，确定场景模型为无需迁移。在数量数据大于或等于阈值的情况下，确定场景模型对应的迁移方案为无标需迁移。针对于无标需迁移的迁移方案，可以采取DAN算法、DANN算法中的至少一个生成适配目标应用场景的目标场景模型。

下面将结合图3详细描述根据本申请一个实施例的电子设备。参考图3，在硬件层面，电子设备包括处理器，可选地，包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。

处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是工业标准体系结构(Industry StandardArchitecture，ISA)总线、外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(ExtendedIndustry StandardArchitecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。

处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成场景适配装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：

基于目标应用场景下的目标对象提供的基础数据，确定目标评估数据；

基于所述目标评估数据与所述基础数据的目标匹配结果，确定场景模型是否适配所述目标应用场景；

在所述场景模型不适配所述目标应用场景时，确定目标迁移学习算法；

基于所述目标迁移学习算法，生成适配所述目标应用场景的目标场景模型。

上述如本申请图1所示实施例揭示的场景适配方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

当然，除了软件实现方式之外，本申请的电子设备并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例的方法，并具体用于执行以下方法：

基于目标应用场景下的目标对象提供的基础数据，确定目标评估数据；

基于所述目标评估数据与所述基础数据的目标匹配结果，确定场景模型是否适配所述目标应用场景；

在所述场景模型不适配所述目标应用场景时，确定目标迁移学习算法；

基于所述目标迁移学习算法，生成适配所述目标应用场景的目标场景模型。

图4是本申请的一个实施例的客户端的结构示意图。请参考图4，在一种软件实施方式中，场景适配装置400可包括：数据获取模块402、匹配模块404、算法判定模块406以及适配模块408，其中，

数据获取模块402，基于目标应用场景下的目标对象提供的基础数据，确定目标评估数据。

匹配模块404，基于所述目标评估数据与所述基础数据的目标匹配结果，确定场景模型是否适配所述目标应用场景。

算法判定模块406，在所述场景模型不适配所述目标应用场景时，确定目标迁移学习算法。

适配模块408，基于所述目标迁移学习算法，生成适配所述目标应用场景的目标场景模型。

可选的，作为一个实施例，所述基础数据包括所述目标对象相关的第一用户信息数据，所述目标评估数据包括M组第二用户信息数据，所述M组第二用户信息数据从训练所述场景模型的样本数据中随机获取；

其中，所述匹配模块404，包括：

第一偏移量确定单元，确定所述M组第二用户信息数据的随机分布信息与所述第一用户信息数据的随机分布信息的第一偏移量；

第一偏移数量确定单元，基于所述第一偏移量和第一预设阈值，确定第一偏移数量；

第一判断单元，在所述第一偏移数量大于或等于第一预设值的情况下，确定所述场景模型不适配所述目标应用场景；

其中，所述算法判定模块406，包括：

第一判定单元，确定所述目标迁移学习算法包括样本迁移学习适配算法。

可选的，作为一个实施例，所述基础数据包括所述目标对象相关的用户信息数据和与所述用户信息数据对应的第一特征数据，所述目标评估数据包括与所述用户信息数据对应的第二特征数据，所述第二特征数据从训练所述场景模型的样本数据中获取；

其中，所述匹配模块404，包括：

第二偏移量确定单元，确定所述第一特征数据和所述第二特征数据之间的第二偏移量；

第二偏移数量确定单元，基于所述第二偏移量和第二预设阈值，确定第二偏移数量；

第二判断单元，在所述第二偏移数量大于或等于第二预设值的情况下，确定所述场景模型不适配所述目标应用场景；

其中，所述算法判定模块406，包括：

第二判定单元，确定所述目标迁移学习算法包括特征迁移学习适配算法。

可选的，作为一个实施例，所述基础数据包括所述目标对象相关的用户信息数据和与所述用户信息数据对应的第一标签数据，所述目标评估数据包括与所述用户信息数据对应的第二标签数据，所述第二标签数据基于所述场景模型确定；

其中，所述匹配模块404，包括：

第三偏移量确定单元，确定所述第一标签数据和所述第二标签数据之间的第三偏移量；

第三偏移数量确定单元，基于所述第三偏移量和第三预设阈值，确定第三偏移数量；

第三判断单元，在所述第三偏移数量大于或等于第三预设值且小于第四预设值的情况下，确定所述场景模型不适配所述目标应用场景；

其中，所述算法判定模块406，包括：

第三判定单元，确定所述目标迁移学习算法包括场景迁移学习算法。

可选的，作为一个实施例，所述场景适配装置400还包括：

第四判断单元，在所述第三偏移数量大于所述第四预设值的情况下，确定所述场景模型不适配所述目标应用场景；

其中，所述算法判定模块406，包括：

第四判定单元，确定目标迁移学习算法为所述目标应用场景对应的定制建模迁移算法。

可选的，作为一个实施例，所述基础数据还包括与所述用户信息数据对应的特征数据。

可选的，作为一个实施例，所述算法判定模块406，包括：

确认单元，在所述第一标签数据正确的情况下，确定所述目标迁移学习算法。

可选的，作为一个实施例，在所述基础数据中存在特征数据和标签数据中至少一个，且所述特征数据和所述标签数据中的至少一个加密的情况下，所述目标匹配结果由第三方服务器基于加密后的目标评估数据和所述基础数据确定，所述装置还包括：

输出单元，将所述加密后的目标评估数据和所述基础数据发送给第三方服务器；

接收单元，接收来自于所述第三方服务器的所述目标匹配结果。

需要说明的是，实施例1所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤21和步骤22的执行主体可以为设备1，步骤23的执行主体可以为设备2；又比如，步骤21的执行主体可以为设备1，步骤22和步骤23的执行主体可以为设备2；等等。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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(flashRAM)。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(transitorymedia)，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。

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 (11)

1.一种场景适配方法，包括：

基于目标应用场景下的目标对象提供的基础数据，确定目标评估数据；

基于所述目标评估数据与所述基础数据的目标匹配结果，确定场景模型是否适配所述目标应用场景；

在所述场景模型不适配所述目标应用场景时，确定目标迁移学习算法；

基于所述目标迁移学习算法，生成适配所述目标应用场景的目标场景模型。

2.根据权利要求1所述的方法，所述基础数据包括所述目标对象相关的第一用户信息数据，所述目标评估数据包括M组第二用户信息数据，所述M组第二用户信息数据从训练所述场景模型的样本数据中随机获取；

其中，所述基于所述目标评估数据与所述基础数据的目标匹配结果，确定场景模型是否适配所述目标应用场景，包括：

确定所述M组第二用户信息数据的随机分布信息与所述第一用户信息数据的随机分布信息的第一偏移量；

基于所述第一偏移量和第一预设阈值，确定第一偏移数量；

在所述第一偏移数量大于或等于第一预设值的情况下，确定所述场景模型不适配所述目标应用场景；

其中，所述确定目标迁移学习算法，包括：

确定所述目标迁移学习算法包括样本迁移学习适配算法。

3.根据权利要求1所述的方法，所述基础数据包括所述目标对象相关的用户信息数据和与所述用户信息数据对应的第一特征数据，所述目标评估数据包括与所述用户信息数据对应的第二特征数据，所述第二特征数据从训练所述场景模型的样本数据中获取；

其中，所述基于所述目标评估数据与所述基础数据的目标匹配结果，确定场景模型是否适配所述目标应用场景，包括：

确定所述第一特征数据和所述第二特征数据之间的第二偏移量；

基于所述第二偏移量和第二预设阈值，确定第二偏移数量；

在所述第二偏移数量大于或等于第二预设值的情况下，确定所述场景模型不适配所述目标应用场景；

其中，所述确定目标迁移学习算法，包括：

确定所述目标迁移学习算法包括特征迁移学习适配算法。

4.根据权利要求1所述的方法，所述基础数据包括所述目标对象相关的用户信息数据和与所述用户信息数据对应的第一标签数据，所述目标评估数据包括与所述用户信息数据对应的第二标签数据，所述第二标签数据基于所述场景模型确定；

其中，所述基于所述目标评估数据与所述基础数据的目标匹配结果，确定场景模型是否适配所述目标应用场景，包括：

确定所述第一标签数据和所述第二标签数据之间的第三偏移量；

基于所述第三偏移量和第三预设阈值，确定第三偏移数量；

在所述第三偏移数量大于或等于第三预设值且小于第四预设值的情况下，确定所述场景模型不适配所述目标应用场景；

其中，所述确定目标迁移学习算法，包括：

确定所述目标迁移学习算法包括场景迁移学习算法。

5.根据权利要求4所述的方法，还包括：

在所述第三偏移数量大于所述第四预设值的情况下，确定所述场景模型不适配所述目标应用场景；

其中，所述确定目标迁移学习算法，包括：

确定目标迁移学习算法为所述目标应用场景对应的定制建模迁移算法。

6.根据权利要求4所述的方法，所述基础数据还包括与所述用户信息数据对应的特征数据。

7.根据权利要求4所述的方法，所述确定目标迁移学习算法，包括：

在所述第一标签数据正确的情况下，确定所述目标迁移学习算法。

8.根据权利要求1所述的方法，在所述基础数据包括加密数据的情况下，所述目标匹配结果由第三方服务器基于加密后的目标评估数据和所述基础数据确定，所述加密数据包括加密特征数据和加密标签数据中的至少一种，所述方法还包括：

将所述加密后的目标评估数据和所述基础数据发送给第三方服务器；

接收来自于所述第三方服务器的所述目标匹配结果。

9.一种场景适配装置，包括：

数据获取模块，基于目标应用场景下的目标对象提供的基础数据，确定目标评估数据；

匹配模块，基于所述目标评估数据与所述基础数据的目标匹配结果，确定场景模型是否适配所述目标应用场景；

算法判定模块，在所述场景模型不适配所述目标应用场景时，确定目标迁移学习算法；

适配模块，基于所述目标迁移学习算法，生成适配所述目标应用场景的目标场景模型。

10.一种电子设备，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，所述可执行指令在被执行时使用所述处理器执行以下操作：

基于目标应用场景下的目标对象提供的基础数据，确定目标评估数据；

基于所述目标评估数据与所述基础数据的目标匹配结果，确定场景模型是否适配所述目标应用场景；

在所述场景模型不适配所述目标应用场景时，确定目标迁移学习算法；

基于所述目标迁移学习算法，生成适配所述目标应用场景的目标场景模型。

11.一种计算机可读介质，所述计算机可读介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：

基于目标应用场景下的目标对象提供的基础数据，确定目标评估数据；

基于所述目标评估数据与所述基础数据的目标匹配结果，确定场景模型是否适配所述目标应用场景；

在所述场景模型不适配所述目标应用场景时，确定目标迁移学习算法；

基于所述目标迁移学习算法，生成适配所述目标应用场景的目标场景模型。