CN112288128A - 信息预测方法和装置 - Google Patents
信息预测方法和装置 Download PDFInfo
- Publication number
- CN112288128A CN112288128A CN202010958608.0A CN202010958608A CN112288128A CN 112288128 A CN112288128 A CN 112288128A CN 202010958608 A CN202010958608 A CN 202010958608A CN 112288128 A CN112288128 A CN 112288128A
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- predictor
- models
- information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims description 30
- 238000002474 experimental method Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 19
- 230000004044 response Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 51
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了信息预测方法和装置,实现方案为:响应于接收到用户发送的预测请求,获取预测请求对应的预测信息;根据预测信息,确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序,其中,各个预测子模型通过联邦机器学习平台训练得到;基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联,其中,关联用于表征在各个预测子模型之间建立关联关系,以确定各个预测子模型的输入和输出;基于关联后的各个预测子模型,对预测信息进行预测,生成预测请求对应的预测结果。该方案实现了一种利用联邦学习平台训练的模型进行在线数据预测的方法。
Description
技术领域
本申请涉及计算机技术领域,具体涉及人工智能技术领域,尤其涉及信息预测方法和装置。
背景技术
联邦学习是一个跨域公网的分布式机器学习框架,能有效帮助多个合作方在保证用户隐私保护、数据安全和政府法规的要求下,进行数据共享,进而联合建模,提升模型的准确性,提升业务指标与用户体验。通过联邦学习平台训练的模型,需要实现在线联合预测,才能发挥出作用。目前的在线联合预测方案,需要合作的双方交换原始的隐私数据到另外一方,然后各方独立建模,并且在线单独提供服务。
发明内容
本申请提供了一种信息预测方法、装置、设备以及存储介质。
根据本申请的第一方面,提供了一种信息预测方法,该方法包括:响应于接收到用户发送的预测请求,获取预测请求对应的预测信息;根据预测信息,确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序,其中,各个预测子模型通过联邦机器学习平台训练得到,所有预测子模型为执行预测请求所需的各个数据合作方的预测子模型的集合;基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联,其中,关联用于表征在各个预测子模型之间建立关联关系,以确定各个预测子模型的输入和输出;基于关联后的各个预测子模型,对预测信息进行预测,生成预测请求对应的预测结果。
在一些实施例中,基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联,包括:基于各个预测子模型的先后顺序,将所有预测子模型中每个预测子模型的输出作为下一个预测子模型的输入构建各个预测子模型之间的关联关系。
在一些实施例中,基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联,包括:基于各个预测子模型的先后顺序,将所有预测子模型进行分组,得到各个预测组对应的预测子模型集合、各个预测子模型集合中预测子模型的先后顺序和各个预测组的先后顺序;基于各个预测组的先后顺序,将每个预测组的输出作为下一预测组的输入构建各个预测子模型之间的关联关系,其中,预测组的输出用于表征基于各个预测子模型集合中预测子模型的先后顺序,利用预测子模型集合对该预测组的输入信息进行预测的结果。
在一些实施例中,方法还包括:基于模型版本号和探测机制,对所有预测子模型进行更新,其中,探测机制用于在预测过程中对所有预测子模型的加载状态进行实时监测。
在一些实施例中,基于模型版本号和探测机制,对所有预测子模型进行更新,包括:利用缓存机制,加载当前模型版本号对应的模型信息和待更新的模型版本号对应的模型信息;利用探测机制,判断所有预测子模型中每个当前预测子模型的加载状态是否为加载完成,其中,当前预测子模型基于当前模型版本号对应的模型信息进行预测;响应于当前预测子模型的加载状态为加载完成,根据待更新的模型版本号对应的模型信息,对当前预测子模型进行更新。
在一些实施例中,在响应于当前预测子模型的加载状态为加载完成,根据待更新的模型版本号对应的模型信息,对当前预测子模型进行更新之后,还包括:根据更新后的预测子模型的输出,判断该预测子模型是否发生异常;响应于预测子模型发生异常,将更新后的预测子模型的模型信息替换为当前模型版本号对应的模型信息。
在一些实施例中,预测子模型利用深度学习方法训练得到。
在一些实施例中,方法还包括:在预测过程中,选取所有预测子模型中任意两个预测子模型;根据选取的两个预测子模型,利用实验标识进行不同模型版本号的AB实验。
根据本申请的第二方面,提供了一种信息预测装置,装置包括:获取单元,被配置成响应于接收到用户发送的预测请求,获取预测请求对应的预测信息;确定单元,被配置成根据预测信息,确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序,其中,各个预测子模型通过联邦机器学习平台训练得到,所有预测子模型为执行预测请求所需的各个数据合作方的预测子模型的集合;关联单元,被配置成基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联,其中,关联用于表征在各个预测子模型之间建立关联关系,以确定各个预测子模型的输入和输出;预测单元,被配置成基于关联后的各个预测子模型,对预测信息进行预测,生成预测请求对应的预测结果。
在一些实施例中,关联单元进一步被配置成基于各个预测子模型的先后顺序,将所有预测子模型中每个预测子模型的输出作为下一个预测子模型的输入构建各个预测子模型之间的关联关系。
在一些实施例中,关联单元,包括:分组模块,被配置成基于各个预测子模型的先后顺序,将所有预测子模型进行分组,得到各个预测组对应的预测子模型集合、各个预测子模型集合中预测子模型的先后顺序和各个预测组的先后顺序;关联模块,被配置成基于各个预测组的先后顺序,将每个预测组的输出作为下一预测组的输入构建各个预测子模型之间的关联关系,其中,预测组的输出用于表征基于各个预测子模型集合中预测子模型的先后顺序,利用预测子模型集合对该预测组的输入信息进行预测的结果。
在一些实施例中,装置还包括:更新单元,被配置成基于模型版本号和探测机制,对所有预测子模型进行更新,其中,探测机制用于在预测过程中对所有预测子模型的加载状态进行实时监测。
在一些实施例中,更新单元,包括:加载模块,被配置成利用缓存机制,加载当前模型版本号对应的模型信息和待更新的模型版本号对应的模型信息;第一判断模块,被配置成利用探测机制,判断所有预测子模型中每个当前预测子模型的加载状态是否为加载完成,其中,当前预测子模型基于当前模型版本号对应的模型信息进行预测;更新模块,被配置成响应于当前预测子模型的加载状态为加载完成,根据待更新的模型版本号对应的模型信息,对当前预测子模型进行更新。
在一些实施例中,更新单元,还包括:第二判断模块,被配置成根据更新后的预测子模型的输出,判断该预测子模型是否发生异常;替换模块,被配置成响应于预测子模型发生异常,将更新后的预测子模型的模型信息替换为当前模型版本号对应的模型信息。
在一些实施例中,确定单元中的预测子模型利用深度学习方法训练得到。
在一些实施例中,装置还包括:选取模块,被配置成在预测过程中,选取所有预测子模型中任意两个预测子模型;实验模块,被配置成根据选取的两个预测子模型,利用实验标识进行不同模型版本号的AB实验。
根据本申请的第三方面,提供了一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
根据本申请的第四方面,本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
根据本申请的技术采用响应于接收到用户发送的预测请求,获取预测请求对应的预测信息,根据预测信息,确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序,基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联,基于关联后的各个预测子模型,对预测信息进行预测,生成预测请求对应的预测结果,解决了现有联合预测方案中无法充分调动双方的技术进行联合共建的问题,避免了交换数据的一方将收到的数据扩散出去的可能,降低了数据泄露的风险,实现了一种利用联邦学习平台训练的模型进行在线数据预测的方法,数据能够实现安全共享,通过在线联合预测,提升了模型效果,进一步提升了业务指标,使用户体验更佳。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。
图1是根据本申请的信息预测方法的第一实施例的示意图;
图2是可以实现本申请实施例的信息预测方法的场景图;
图3是根据本申请的信息预测方法的第二实施例的示意图;
图4是根据本申请的信息预测装置的一个实施例的结构示意图;
图5是用来实现本申请实施例的信息预测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请的信息预测方法的第一实施例的示意图100。该信息预测方法,包括以下步骤:
步骤101,响应于接收到用户发送的预测请求,获取预测请求对应的预测信息。
在本实施例中,当执行主体(例如服务器)接收到用户发送的预测请求时,执行主体可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取预测请求对应的预测信息。预测信息可以通过对预测请求进行内容解析而得到。需要指出的是,上述无线连接方式可以包括但不限于3G、4G、5G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102,根据预测信息,确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序。
在本实施例中,执行主体可以根据步骤101中获取到的预测信息,查询后确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序。各个预测子模型可以通过联邦机器学习平台训练得到,所有预测子模型为执行预测请求所需的各个数据合作方的预测子模型的集合,各个数据合作方可以位于不同域网之间。
步骤103,基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联。
在本实施例中,执行主体可以基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联。关联用于表征在各个预测子模型之间建立关联关系,以确定各个预测子模型的输入和输出。
步骤104,基于关联后的各个预测子模型,对预测信息进行预测,生成预测请求对应的预测结果。
在本实施例中,执行主体可以基于关联后的各个预测子模型,对预测信息进行预测,生成预测请求对应的预测结果。
需要说明的是,上述利用模型对预测信息进行预测是目前广泛研究和应用的公知技术,在此不再赘述。
继续参见图2,本实施例的信息预测方法200运行于电子设备201中。当电子设备201接收到用户发送的预测请求后,电子设备201首先获取预测请求对应的预测信息202,然后电子设备201根据预测信息,确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序203,并基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联204,最后电子设备201基于关联后的各个预测子模型,对预测信息进行预测,生成预测请求对应的预测结果205。
本申请的上述实施例提供的信息预测方法采用响应于接收到用户发送的预测请求,获取预测请求对应的预测信息,根据预测信息,确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序,基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联,基于关联后的各个预测子模型,对预测信息进行预测,生成预测请求对应的预测结果,解决了现有联合预测方案中无法充分调动双方的技术进行联合共建的问题,避免了交换数据的一方将收到的数据扩散出去的可能,降低了数据泄露的风险,实现了一种利用联邦学习平台训练的模型进行在线数据预测的方法,数据能够实现安全共享,通过在线联合预测,提升了模型效果,进一步提升了业务指标,使用户体验更佳。
进一步参考图3,其示出了信息预测方法的第二实施例的示意图300。该方法的流程包括以下步骤:
步骤301,响应于接收到用户发送的预测请求,获取预测请求对应的预测信息。
步骤302,根据预测信息,确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序。
在本实施例中,执行主体可以根据预测信息,确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序。其中,预测子模型利用深度学习方法训练得到。
步骤303,基于各个预测子模型的先后顺序,将所有预测子模型中每个预测子模型的输出作为下一个预测子模型的输入构建各个预测子模型之间的关联关系。
在本实施例中,执行主体可以基于各个预测子模型的先后顺序,构建各个预测子模型之间的关联关系。所述关联关系为将所有预测子模型中每个预测子模型的输出作为下一个预测子模型的输入来对预测信息进行预测,即上游合作方服务通过将自己的子模型的输出发送至下游合作方服务作为下游合作方子模型的输入,共同完成联合在线预测。
在本实施例的一些可选的实现方式中,基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联,包括:基于各个预测子模型的先后顺序,将所有预测子模型进行分组,得到各个预测组对应的预测子模型集合、各个预测子模型集合中预测子模型的先后顺序和各个预测组的先后顺序;基于各个预测组的先后顺序,将每个预测组的输出作为下一预测组的输入构建各个预测子模型之间的关联关系,其中,预测组的输出用于表征基于各个预测子模型集合中预测子模型的先后顺序,利用预测子模型集合对该预测组的输入信息进行预测的结果。基于分组将各个组的输出作为下个组的输入,而非一个模型传一个模型,分组方式可以采用按地域、功能等方式进行划分。利用分组的方式可以灵活多样构建模型之间的关联关系,从而实现富于针对性的信息预测,进一步提升预测效率。
步骤304,基于关联后的各个预测子模型,对预测信息进行预测,生成预测请求对应的预测结果。
步骤305,基于模型版本号和探测机制,对所有预测子模型进行更新。
在本实施例中,执行主体可以基于探测机制实时监测预测过程中所有预测子模型的加载状态,根据预测子模型的加载状态,基于所有预测子模型的不同模型版本号,对所有预测子模型的模型信息进行更新。所有预测子模型的模型版本号可以一致,也可以各个预测子模型的版本号各不相同,探测机制用于在预测过程中对所有预测子模型的加载状态进行实时监测。
在本实施例的一些可选的实现方式中,基于模型版本号和探测机制,对所有预测子模型进行更新,包括:利用缓存机制,加载当前模型版本号对应的模型信息和待更新的模型版本号对应的模型信息;利用探测机制,判断所有预测子模型中每个当前预测子模型的加载状态是否为加载完成,其中,当前预测子模型基于当前模型版本号对应的模型信息进行预测;响应于当前预测子模型的加载状态为加载完成,根据待更新的模型版本号对应的模型信息,对当前预测子模型进行更新。利用多缓存机制,将不同版本的模型信息存储于本地,提升了信息更新的效率,利用此方法实现所有预测子模型的同步更新,不会对联合预测造成影响。
在本实施例的一些可选的实现方式中,在响应于当前预测子模型的加载状态为加载完成,根据待更新的模型版本号对应的模型信息,对当前预测子模型进行更新之后,还包括:根据更新后的预测子模型的输出,判断该预测子模型是否发生异常;响应于预测子模型发生异常,将更新后的预测子模型的模型信息替换为当前模型版本号对应的模型信息。通过多方协同,实现了预测过程中,当预测结果出现异常时模型信息进行自动回滚。
在本实施例的一些可选的实现方式中,方法还包括:在预测过程中,选取所有预测子模型中任意两个预测子模型;根据选取的两个预测子模型,利用实验标识进行不同模型版本号的AB实验。联邦学习联合建模的模型需要在线进行AB实验,通过合作方协同,实现了串联上下游一起进行实验的方法。
进一步说明,因跨域合作方在线联合预测时,针对一些算法的改进需要进行联合的AB实验。例如以合作方B主导实验为例,在合作方B划分出一部分流量请求,比如6%的流量请求做实验为例。针对这6%的流量。在合作方B侧,加载两个版本号的模型信息,比如主模型+version1作为基准模型,子模型+version2作为实验模型。首先,在实验开启的时候,合作方A同时发送(子模型+version1)+(子模型+version2),合作方B收到的时候,如果是基准流量则使用基准模型也就是版本是version1的主模型进行预测,如果是实验流量则使用实验模型也就是版本是version2的主模型进行预测,同时合作方B的实验流量返回给合作方A实验标识。这样合作双方都可以通过这个实验标识进行实验的数据分析,为后续模型的迭代提供指引。
在本实施例中,步骤301和304的具体操作与图1所示的实施例中的步骤101和104的操作基本相同,在此不再赘述。
从图3中可以看出,与图1对应的实施例相比,本实施例中的信息预测方法的示意图300采用响应于接收到用户发送的预测请求,获取预测请求对应的预测信息,根据预测信息,确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序,其中,预测子模型利用深度学习方法训练得到,基于各个预测子模型的先后顺序,将所有预测子模型中每个预测子模型的输出作为下一个预测子模型的输入构建各个预测子模型之间的关联关系,基于关联后的各个预测子模型,对预测信息进行预测,生成预测请求对应的预测结果,实现了一种利用联邦学习平台训练的模型进行在线数据预测的方法,通过在线联合预测,提升了模型效果;利用深度学习方法对模型进行训练,提高了模型预测的精度和广度;基于模型版本号和探测机制,对所有预测子模型进行更新,实现了联邦学习模型在线的一致性更新,保证了模型预测的准确性。
进一步参考图4,作为对上述各图所示方法的实现,本申请提供了一种信息预测装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的信息预测装置400包括:获取单元401、确定单元402、关联单元403和预测单元404,其中,获取单元,被配置成响应于接收到用户发送的预测请求,获取预测请求对应的预测信息;确定单元,被配置成根据预测信息,确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序,其中,各个预测子模型通过联邦机器学习平台训练得到,所有预测子模型为执行预测请求所需的各个数据合作方的预测子模型的集合;关联单元,被配置成基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联,其中,关联用于表征在各个预测子模型之间建立关联关系,以确定各个预测子模型的输入和输出;预测单元,被配置成基于关联后的各个预测子模型,对预测信息进行预测,生成预测请求对应的预测结果。
在本实施例中,信息预测装置400的获取单元401、确定单元402、关联单元403和预测单元404的具体处理及其所带来的技术效果可分别参考图1对应的实施例中的步骤101到步骤104的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,关联单元进一步被配置成基于各个预测子模型的先后顺序,将所有预测子模型中每个预测子模型的输出作为下一个预测子模型的输入构建各个预测子模型之间的关联关系。
在本实施例的一些可选的实现方式中,关联单元,包括:分组模块,被配置成基于各个预测子模型的先后顺序,将所有预测子模型进行分组,得到各个预测组对应的预测子模型集合、各个预测子模型集合中预测子模型的先后顺序和各个预测组的先后顺序;关联模块,被配置成基于各个预测组的先后顺序,将每个预测组的输出作为下一预测组的输入构建各个预测子模型之间的关联关系,其中,预测组的输出用于表征基于各个预测子模型集合中预测子模型的先后顺序,利用预测子模型集合对该预测组的输入信息进行预测的结果。
在本实施例的一些可选的实现方式中,装置还包括:更新单元,被配置成基于模型版本号和探测机制,对所有预测子模型进行更新,其中,探测机制用于在预测过程中对所有预测子模型的加载状态进行实时监测。
在本实施例的一些可选的实现方式中,更新单元,包括:加载模块,被配置成利用缓存机制,加载当前模型版本号对应的模型信息和待更新的模型版本号对应的模型信息;第一判断模块,被配置成利用探测机制,判断所有预测子模型中每个当前预测子模型的加载状态是否为加载完成,其中,当前预测子模型基于当前模型版本号对应的模型信息进行预测;更新模块,被配置成响应于当前预测子模型的加载状态为加载完成,根据待更新的模型版本号对应的模型信息,对当前预测子模型进行更新。
在本实施例的一些可选的实现方式中,更新单元,还包括:第二判断模块,被配置成根据更新后的预测子模型的输出,判断该预测子模型是否发生异常;替换模块,被配置成响应于预测子模型发生异常,将更新后的预测子模型的模型信息替换为当前模型版本号对应的模型信息。
在本实施例的一些可选的实现方式中,确定单元中的预测子模型利用深度学习方法训练得到。
在本实施例的一些可选的实现方式中,装置还包括:选取模块,被配置成在预测过程中,选取所有预测子模型中任意两个预测子模型;实验模块,被配置成根据选取的两个预测子模型,利用实验标识进行不同模型版本号的AB实验。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是根据本申请实施例的信息预测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的信息预测方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的信息预测方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的信息预测方法对应的程序指令/模块(例如,附图4所示的获取单元401、确定单元402、关联单元403和预测单元404)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的信息预测方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据信息预测电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至信息预测电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
信息预测方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与信息预测电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前侧部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前侧部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,采用响应于接收到用户发送的预测请求,获取预测请求对应的预测信息,根据预测信息,确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序,基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联,基于关联后的各个预测子模型,对预测信息进行预测,生成预测请求对应的预测结果,解决了现有联合预测方案中无法充分调动双方的技术进行联合共建的问题,避免了交换数据的一方将收到的数据扩散出去的可能,降低了数据泄露的风险,实现了一种利用联邦学习平台训练的模型进行在线数据预测的方法,数据能够实现安全共享,通过在线联合预测,提升了模型效果,进一步提升了业务指标,使用户体验更佳。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (18)
1.一种信息预测方法,所述方法包括:
响应于接收到用户发送的预测请求,获取所述预测请求对应的预测信息;
根据所述预测信息,确定预测过程中所述预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序,其中,所述各个预测子模型通过联邦机器学习平台训练得到,所述所有预测子模型为执行所述预测请求所需的各个数据合作方的预测子模型的集合;
基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联,其中,所述关联用于表征在各个预测子模型之间建立关联关系,以确定各个预测子模型的输入和输出;
基于所述关联后的各个预测子模型,对所述预测信息进行预测,生成所述预测请求对应的预测结果。
2.根据权利要求1所述方法,其中,所述基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联,包括:
基于各个预测子模型的先后顺序,将所有预测子模型中每个预测子模型的输出作为下一个预测子模型的输入构建各个预测子模型之间的关联关系。
3.根据权利要求1所述方法,其中,所述基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联,包括:
基于各个预测子模型的先后顺序,将所有预测子模型进行分组,得到各个预测组对应的预测子模型集合、各个预测子模型集合中预测子模型的先后顺序和各个预测组的先后顺序;
基于各个预测组的先后顺序,将每个预测组的输出作为下一预测组的输入构建各个预测子模型之间的关联关系,其中,所述预测组的输出用于表征基于各个预测子模型集合中预测子模型的先后顺序,利用预测子模型集合对该预测组的输入信息进行预测的结果。
4.根据权利要求1所述方法,还包括:
基于模型版本号和探测机制,对所述所有预测子模型进行更新,其中,所述探测机制用于在预测过程中对所述所有预测子模型的加载状态进行实时监测。
5.根据权利要求4所述方法,其中,所述基于模型版本号和探测机制,对所述所有预测子模型进行更新,包括:
利用缓存机制,加载当前模型版本号对应的模型信息和待更新的模型版本号对应的模型信息;
利用所述探测机制,判断所述所有预测子模型中每个当前预测子模型的加载状态是否为加载完成,其中,所述当前预测子模型基于当前模型版本号对应的模型信息进行预测;
响应于当前预测子模型的加载状态为加载完成,根据待更新的模型版本号对应的模型信息,对当前预测子模型进行更新。
6.根据权利要求5所述方法,其中,在所述响应于当前预测子模型的加载状态为加载完成,根据待更新的模型版本号对应的模型信息,对当前预测子模型进行更新之后,还包括:
根据更新后的预测子模型的输出,判断该预测子模型是否发生异常;
响应于预测子模型发生异常,将更新后的预测子模型的模型信息替换为当前模型版本号对应的模型信息。
7.根据权利要求1所述方法,其中,所述预测子模型利用深度学习方法训练得到。
8.根据权利要求1所述方法,还包括:
在所述预测过程中,选取所述所有预测子模型中任意两个预测子模型;
根据选取的两个预测子模型,利用实验标识进行不同模型版本号的AB实验。
9.一种信息预测装置,所述装置包括:
获取单元,被配置成响应于接收到用户发送的预测请求,获取所述预测请求对应的预测信息;
确定单元,被配置成根据所述预测信息,确定预测过程中所述预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序,其中,所述各个预测子模型通过联邦机器学习平台训练得到,所述所有预测子模型为执行所述预测请求所需的各个数据合作方的预测子模型的集合;
关联单元,被配置成基于各个预测子模型的先后顺序,将所有预测子模型中各个预测子模型进行关联,其中,所述关联用于表征在各个预测子模型之间建立关联关系,以确定各个预测子模型的输入和输出;
预测单元,被配置成基于所述关联后的各个预测子模型,对所述预测信息进行预测,生成所述预测请求对应的预测结果。
10.根据权利要求9所述装置,其中,所述关联单元进一步被配置成基于各个预测子模型的先后顺序,将所有预测子模型中每个预测子模型的输出作为下一个预测子模型的输入构建各个预测子模型之间的关联关系。
11.根据权利要求9所述装置,其中,所述关联单元,包括:
分组模块,被配置成基于各个预测子模型的先后顺序,将所有预测子模型进行分组,得到各个预测组对应的预测子模型集合、各个预测子模型集合中预测子模型的先后顺序和各个预测组的先后顺序;
关联模块,被配置成基于各个预测组的先后顺序,将每个预测组的输出作为下一预测组的输入构建各个预测子模型之间的关联关系,其中,所述预测组的输出用于表征基于各个预测子模型集合中预测子模型的先后顺序,利用预测子模型集合对该预测组的输入信息进行预测的结果。
12.根据权利要求9所述装置,还包括:
更新单元,被配置成基于模型版本号和探测机制,对所述所有预测子模型进行更新,其中,所述探测机制用于在预测过程中对所述所有预测子模型的加载状态进行实时监测。
13.根据权利要求12所述装置,其中,所述更新单元,包括:
加载模块,被配置成利用缓存机制,加载当前模型版本号对应的模型信息和待更新的模型版本号对应的模型信息;
第一判断模块,被配置成利用所述探测机制,判断所述所有预测子模型中每个当前预测子模型的加载状态是否为加载完成,其中,所述当前预测子模型基于当前模型版本号对应的模型信息进行预测;
更新模块,被配置成响应于当前预测子模型的加载状态为加载完成,根据待更新的模型版本号对应的模型信息,对当前预测子模型进行更新。
14.根据权利要求13所述装置,其中,所述更新单元,还包括:
第二判断模块,被配置成根据更新后的预测子模型的输出,判断该预测子模型是否发生异常;
替换模块,被配置成响应于预测子模型发生异常,将更新后的预测子模型的模型信息替换为当前模型版本号对应的模型信息。
15.根据权利要求9所述装置,其中,所述确定单元中的所述预测子模型利用深度学习方法训练得到。
16.根据权利要求9所述装置,还包括:
选取模块,被配置成在所述预测过程中,选取所述所有预测子模型中任意两个预测子模型;
实验模块,被配置成根据选取的两个预测子模型,利用实验标识进行不同模型版本号的AB实验。
17.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958608.0A CN112288128A (zh) | 2020-09-14 | 2020-09-14 | 信息预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958608.0A CN112288128A (zh) | 2020-09-14 | 2020-09-14 | 信息预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288128A true CN112288128A (zh) | 2021-01-29 |
Family
ID=74420924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010958608.0A Pending CN112288128A (zh) | 2020-09-14 | 2020-09-14 | 信息预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288128A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011521A (zh) * | 2021-04-13 | 2021-06-22 | 上海嗨普智能信息科技股份有限公司 | 基于链式的多标签联邦学习方法、控制器和介质 |
CN113010571A (zh) * | 2021-03-12 | 2021-06-22 | 北京百度网讯科技有限公司 | 数据检测方法、装置、电子设备、存储介质和程序产品 |
-
2020
- 2020-09-14 CN CN202010958608.0A patent/CN112288128A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113010571A (zh) * | 2021-03-12 | 2021-06-22 | 北京百度网讯科技有限公司 | 数据检测方法、装置、电子设备、存储介质和程序产品 |
CN113011521A (zh) * | 2021-04-13 | 2021-06-22 | 上海嗨普智能信息科技股份有限公司 | 基于链式的多标签联邦学习方法、控制器和介质 |
CN113011521B (zh) * | 2021-04-13 | 2022-09-30 | 上海嗨普智能信息科技股份有限公司 | 基于链式的多标签预测方法、控制器和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3446260B1 (en) | Memory-efficient backpropagation through time | |
US20230251898A1 (en) | Federated computing method, electronic device and storage medium | |
US9250895B2 (en) | Establishing subsystem boundaries based on call flow graph topology | |
CN112288128A (zh) | 信息预测方法和装置 | |
CN113505520A (zh) | 用于支持异构联邦学习的方法、装置和系统 | |
CN114675965B (zh) | 联邦学习方法、装置、设备和介质 | |
US20210210113A1 (en) | Method and apparatus for detecting voice | |
EP3920094A2 (en) | Method and apparatus for updating user image recognition model | |
CN111966361A (zh) | 用于确定待部署模型的方法、装置、设备及其存储介质 | |
US10636000B2 (en) | Ascertaining the engagement ability of a user in an online environment | |
CN115373861A (zh) | Gpu资源调度方法、装置、电子设备及存储介质 | |
CN115358411A (zh) | 一种数据处理方法、装置、设备及介质 | |
CN113132479B (zh) | 流量切换、模型生成方法、装置、设备、存储介质及程序 | |
CN107844363B (zh) | 业务事务处理方法、装置、存储介质及设备 | |
CN112580723A (zh) | 多模型融合方法、装置、电子设备和存储介质 | |
CN111767149A (zh) | 调度方法、装置、设备及存储设备 | |
CN110990270A (zh) | Ab实验实现方法、装置、电子设备及存储介质 | |
CN113691403B (zh) | 拓扑节点配置方法、相关装置及计算机程序产品 | |
US20210209345A1 (en) | Method and Apparatus for Predicting Result of Appearance Changing Operation | |
CN114693131A (zh) | 配件机器人的故障处理方法及装置 | |
US20220198156A1 (en) | Machine-learning-based techniques for predictive monitoring of a software application framework | |
CN114035861A (zh) | 集群配置方法、装置、电子设备和计算机可读介质 | |
CN114912522B (zh) | 信息分类方法和装置 | |
CN113377660B (zh) | 测试方法和装置 | |
CN115827526B (zh) | 数据处理方法、装置、设备以及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210129 |
|
RJ01 | Rejection of invention patent application after publication |