CN112560996A - 用户画像识别模型训练方法、设备、可读存储介质及产品 - Google Patents

用户画像识别模型训练方法、设备、可读存储介质及产品 Download PDF

Info

Publication number
CN112560996A
CN112560996A CN202011573593.2A CN202011573593A CN112560996A CN 112560996 A CN112560996 A CN 112560996A CN 202011573593 A CN202011573593 A CN 202011573593A CN 112560996 A CN112560996 A CN 112560996A
Authority
CN
China
Prior art keywords
network model
training
shadow
reference network
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.)
Granted
Application number
CN202011573593.2A
Other languages
English (en)
Other versions
CN112560996B (zh
Inventor
王龙飞
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 CN202011573593.2A priority Critical patent/CN112560996B/zh
Publication of CN112560996A publication Critical patent/CN112560996A/zh
Application granted granted Critical
Publication of CN112560996B publication Critical patent/CN112560996B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了用户画像识别模型训练方法、设备、可读存储介质及产品，涉及数据处理中的深度学习、大数据。具体实现方案为：获取多组用户画像数据以及用户画像数据对应的标签信息；通过多组用户画像数据以及标签信息，对预设的基准网络模型和影子网络模型进行训练操作，获得基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签；根据标签信息、第一预测标签、第二预测标签，对基准网络模型和影子网络模型的训练参数进行更新，获得基准网络模型对应的第一训练参数、影子网络模型对应的第二训练参数；采用第一训练参数以及第二训练参数对基准网络模型和影子网络模型进行训练。从而能够提高用户画像识别模型鲁棒性以及识别精度。

Description

用户画像识别模型训练方法、设备、可读存储介质及产品
技术领域
本申请涉及数据处理中的深度学习、大数据，尤其涉及一种用户画像识别模型训练方法、设备、可读存储介质及产品。
背景技术
用户画像又称用户角色，在大数据时代背景下，用户信息充斥在网络中，将用户的每个具体信息抽象成标签，利用这些标签将用户形象具体化，从而能够有效地为用户提供有针对性的服务。
为了实现对用户画像的识别操作，现有技术中一般都通过预先收集的大量带有标签信息的用户画像训练数据，将用户画像数据分别多组，对预设的网络模型进行训练操作。
但是，采用上述方法进行模型训练的过程中，由于用户画像的标签识别场景中，特征高维稀疏，模型的解空间复杂，导致模型较为敏感脆弱。如果存在某组质量不佳的训练数据，则可能会导致模型过拟合，进而导致训练后的模型识别精度不高。
发明内容
本申请提供了一种用于提高用户画像识别模型鲁棒性的用户画像识别模型训练方法、装置、设备以及存储介质。
根据本申请的第一方面，提供了一种用户画像识别模型训练方法，包括：
获取多组用户画像数据以及所述用户画像数据对应的标签信息；
通过所述多组用户画像数据以及所述用户画像数据对应的标签信息，分别对预设的基准网络模型和影子网络模型进行训练操作，获得所述基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签；
根据所述用户画像数据对应的标签信息、第一预测标签以及所述第二预测标签，对所述基准网络模型和影子网络模型的训练参数进行更新操作，获得所述基准网络模型对应的更新后的第一训练参数以及影子网络模型对应的更新后的第二训练参数；
采用所述第一训练参数以及所述第二训练参数对所述基准网络模型和影子网络模型进行训练操作。
根据本申请的第二方面，提供了一种用户画像识别模型训练装置，包括：
获取模块，用于获取多组用户画像数据以及所述用户画像数据对应的标签信息；
训练模块，用于通过所述多组用户画像数据以及所述用户画像数据对应的标签信息，分别对预设的基准网络模型和影子网络模型进行训练操作，获得所述基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签；
更新模块，用于根据所述用户画像数据对应的标签信息、第一预测标签以及所述第二预测标签，对所述基准网络模型和影子网络模型的训练参数进行更新操作，获得所述基准网络模型对应的更新后的第一训练参数以及影子网络模型对应的更新后的第二训练参数；
处理模块，用于采用所述第一训练参数以及所述第二训练参数对所述基准网络模型和影子网络模型进行训练操作。
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如第一方面所述的用户画像识别模型训练方法。
根据本申请的第四方面，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，其中，所述计算机指令用于使所述计算机执行如第一方面所述的用户画像识别模型训练方法。
根据本申请的第五方面，提供了一种计算机程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
根据本申请的技术解决了现有的用户画像识别模型训练方法，当存在质量不佳的训练数据时，导致模型过拟合，模型鲁棒性不佳，且识别精度不高的技术问题。
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。其中：
图1为本申请基于的网络架构示意图；
图2为本申请实施例一提供的用户画像识别模型训练方法的流程示意图；
图3为本申请实施例提供的模型训练的场景示意图；
图4为本申请实施例二提供的用户画像识别模型训练方法的流程示意图；
图5为本申请实施例三提供的用户画像识别模型训练装置的结构示意图；
图6为本申请实施例四提供的电子设备的结构示意图。
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。
针对上述提及的现有的用户画像识别模型训练方法，当存在质量不佳的训练数据时，导致模型过拟合，模型鲁棒性不佳，且识别精度不高的技术问题，本申请提供了一种用户画像识别模型训练方法、装置、设备、可读存储介质及产品。
需要说明的是，本申请提供用户画像识别模型训练方法、设备、可读存储介质及产品可运用在对任意一种模型进行训练，提高模型鲁棒性的场景中。
现有的用户画像识别模型训练过程中，一般将数据随机分为多个数据子集，采用各数据子集对模型进行训练操作。但是，由于用户画像的标签识别问题中，特征高维稀疏，模型的解空间复杂，加之输入样本中噪声的存在，由此导致模型相对敏感脆弱，特征输入变化都可能导致模型产生错误的判断。
在解决上述技术问题的过程中，发明人通过研究发现，为了提高用户画像识别模型的鲁棒性，可以同时对基准网络模型以及与基准网络模型对应的影子网络模型进行训练操作。根据基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签，对基准网络模型和影子网络模型的训练参数进行调节。通过两个模型同时训练，互相约束，从而能够在保证用户画像识别模型鲁棒性的基础上，保证用户画像识别模型的识别精度。
图1为本申请基于的网络架构示意图，如图1所示，本申请基于的网络架构至少包括：数据服务器1以及服务器2，其中，服务器2中设置有用户画像识别模型训练装置，该用户画像识别模型训练装置可采用C/C++、Java、Shell或Python等语言编写；数据服务器1则可为云端服务器或服务器集群，其内存储有大量的数据。该数据服务器1与服务器2可以通信连接，从而服务器2中设置的用户画像识别模型训练装置可以从数据服务器中获取多组用户画像数据以及所述用户画像数据对应的标签信息。
本申请提供一种用户画像识别模型训练方法、装置、设备、计算机可读存储介质及产品，应用于数据处理中的深度学习、大数据，以达到提高用户画像识别模型鲁棒性以及识别精度的技术效果。
图2为本申请实施例一提供的用户画像识别模型训练方法的流程示意图，如图2所示，该方法包括：
步骤201、获取多组用户画像数据以及所述用户画像数据对应的标签信息。
本实施例的执行主体为用户画像识别模型训练装置，该用户画像识别模型训练装置可耦合于服务器中，该服务器可以与数据服务器通信连接，从而服务器可以与数据服务器进行信息交互。
在本实施方式中，为了实现对用户画像识别模型的训练操作，首先可以获取多组用户画像数据以及用户画像数据对应的标签信息。该用户画像数据具体可以为用户在使用预设的目标应用时产生的使用数据，其具体可以为文本的形式。
可选地，可以获取用户触发的模型训练指令，根据该模型训练指令，从与耦合有用户画像识别模型训练装置的服务器通信连接的数据服务器中，获取多组用户画像数据以及用户画像数据对应的标签信息。
步骤202、通过所述多组用户画像数据以及所述用户画像数据对应的标签信息，分别对预设的基准网络模型和影子网络模型进行训练操作，获得所述基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签。
在本实施方式中，在获取到多组用户画像数据以及用户画像数据对应的标签信息，可以采用多组用户画像数据以及用户画像数据对应的标签信息对预设的基准网络模型和影子网络模型进行训练操作，获得所述基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签。
具体地，该基准网络模型和影子网络模型可以具有相同的损失函数。在初始训练的过程中，可以分别为基准网络模型和影子网络模型设置初始化参数，并采用多组用户画像数据以及用户画像数据对应的标签信息对预设的基准网络模型和影子网络模型进行训练操作。
步骤203、根据所述用户画像数据对应的标签信息、第一预测标签以及所述第二预测标签，对所述基准网络模型和影子网络模型的训练参数进行更新操作，获得所述基准网络模型对应的更新后的第一训练参数以及影子网络模型对应的更新后的第二训练参数。
在本实施方式中，在获得基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签之后，可以采用该用户画像数据对应的标签信息、第一预测标签以及所述第二预测标签，对基准网络模型和影子网络模型的训练参数进行更新操作，获得所述基准网络模型对应的更新后的第一训练参数以及影子网络模型对应的更新后的第二训练参数。
具体地，该基准网络模型具有较好的拟合能力，影子网络模型具有较强的鲁棒性。通过采用该用户画像数据对应的标签信息、第一预测标签以及所述第二预测标签，对基准网络模型和影子网络模型的训练参数进行更新操作。由于在训练参数更新的过程中，综合使用了第一预测标签以及所述第二预测标签，从而能够两个模型同时训练，互相约束，能够在提高训练后的用户画像识别模型的鲁棒性的基础上，使得训练后的用户画像识别模型具有一定的识别精度。
步骤204、采用所述第一训练参数以及所述第二训练参数对所述基准网络模型和影子网络模型进行训练操作。
在本实施例中，在获得更新后的第一训练参数以及所述第二训练参数之后，可以采用该第一训练参数以及所述第二训练参数，以及多组用户画像数据以及用户画像数据对应的标签信息，继续对基准网络模型和影子网络模型进行迭代训练操作。
具体地，可以将第一训练参数作为基准网络模型的当前的训练参数，将第二训练参数作为影子网络模型当前的训练参数，将多组用户画像数据以及用户画像数据对应的标签信息分别输入至基准网络模型以及影子网络模型中，继续进行迭代训练操作。
可选地，用于对基准网络模型和影子网络模型进行训练的待训练数据除用户画像数据以外，还可以为其他领域的其他数据，例如，可以为人脸图像数据、肌电信号数据等任意一种数据，本申请对此不做限制。
本实施例提供的用户画像识别模型训练方法，通过采用多组用户画像数据以及所述用户画像数据对应的标签信息同时对预设的基准网络模型和影子网络模型进行训练操作，并根据基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签对基准网络模型和影子网络模型的训练参数进行调节，两个模型同时训练，互相约束，从而能够在保证用户画像识别模型鲁棒性的基础上，保证用户画像识别模型的识别精度。
进一步地，在实施例一的基础上，步骤203具体包括：
根据所述基准网络模型对应的交叉熵损失函数对所述第一预测标签以及所述用户画像数据对应的标签信息进行计算，获得所述基准网络模型对应的第一损失值。
根据所述基准网络模型对应的均方误差损失函数对所述第一预测标签以及所述第二预测标签进行计算，获得所述基准网络模型对应的第二损失值。
根据所述第一损失值以及所述第二损失值，对所述基准网络模型和影子网络模型的训练参数进行更新操作。
在本实施例中，该基准网络模型具体可以预设有两个损失函数：交叉熵损失函数以及均方误差损失函数。因此，在获得基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签之后，可以将第一预测标签以及用户画像数据对应的标签信息输入至该交叉熵损失函数中，获得基准网络模型对应的第一损失值。将第一预测标签以及第二预测标签输入至该均方误差损失函数中，获得该基准网络模型对应的第二损失值。从而后续可以根据该第一损失值以及第二损失值，实现对基准网络模型以及影子网络模型训练参数的更新。由于该第二损失值是根据影子网络模型输出的第二预测标签以及第一预测标签一同确定的，从而通过第一损失值以及第二损失值一同进行基准网络模型以及影子网络模型训练参数的更新，一方面能够保证两个模型拟合，另一方面可以提高模型的鲁棒性，避免由于训练数据出现问题导致的模型过拟合的问题。
进一步地，在实施例一的基础上，步骤203具体包括：
根据所述第一损失值以及所述第二损失值，对所述基准网络模型的训练参数进行更新操作，获得所述第一训练参数。
通过所述第一训练参数以及预设的参数动量累积公式，对所述影子网络模型的训练参数进行更新操作，获得所述第二训练参数。
在本实施例中，在获得基准网络模型对应的第一损失值Lossce以及第二损失值Lossmse之后，可以根据该第一损失值Lossce以及第二损失值Lossmse，一同对基准网络模型的训练参数进行更新操作，获得所述第一训练参数。
进一步地，可以根据该第一训练参数，以及预设的参数动量累积公式，对所述影子网络模型的训练参数进行更新操作，获得所述第二训练参数。采用参数动量累积公式，可以使影子网络模型的第二训练参数达到更加平滑的效果，降低影子网络模型的方差，提高影子网络模型的鲁棒性。
相应地，由于影子网络模型的鲁棒性较强，从而在综合使用第一损失值Lossce以及第二损失值Lossmse对基准网络模型的训练参数进行更新之后，能够在保证基准网络模型拟合的基础上，提高基准网络模型的鲁棒性。
可选地，在实施例一的基础上，步骤203具体包括：
对所述第一损失值以及所述第二损失值进行求和操作，获得目标损失值。
根据所述目标损失值，对所述基准网络对应的基准训练参数进行更新操作，获得所述第一训练参数。
具体地，可以对基准网络模型对应的第一损失值Lossce第二损失值Lossmse进行求和操作，获得目标损失值Losstotal。其中，Losstotal可以如公式1所示：
Losstotal＝Lossce+Lossmse (1)
从而后续可以采用目标损失值Losstotal实现对基准网络模型参数的更新操作，获得第一训练参数。
通过采用第一损失值Lossce以及第二损失值Lossmse的和Losstotal对基准网络模型的训练参数进行更新之后，能够在保证基准网络模型拟合的基础上，提高基准网络模型的鲁棒性。
进一步地，在实施例一的基础上，所述通过所述第一训练参数以及预设的参数动量累积公式，对所述影子网络模型的训练参数进行更新操作之前，还包括：
确定所述基准网络模型和影子网络模型当前的迭代训练次数。
根据所述迭代训练次数，以及预设的超参数计算公式，计算与所述迭代训练次数对应的待选超参数。
将所述待选超参数以及所述用户超参数中数值小的超参数作为所述当前的目标超参数。
实际应用中，超参数α(一般取0.99或者0.999)，数值越大模型越稳定，该超参数具体可以为衰减率。由于模型训练开始阶段模型没有收敛到一个较好的状态，在开始阶段将衰减率设置过大，将导致平均值滑动过慢，为了进一步地提高用户画像识别模型的鲁棒性，在开始时候设置一个相对较小的衰减率，动态将之增大至设定值。具体地，可以通过公式2实现对超参数的确定：
Figure BDA0002858580660000091
其中，step即为基准网络模型和影子网络模型当前的迭代训练次数。根据上述公式，依次根据迭代训练次数计算与迭代训练次数对应的待选超参数，在待选超参数以及所述用户超参数中数值较小的超参数作为所述当前的目标超参数。从而能够实现超参数的动态增大，提高模型的鲁棒性。
进一步地，在实施例一的基础上，所述通过所述第一训练参数以及预设的参数动量累积公式，对所述影子网络模型的训练参数进行更新操作，包括：
通过所述第一训练参数、所述目标超参数以及预设的参数动量累积公式，对所述影子网络模型的训练参数进行更新操作。
在本实施例中，在确定每一轮迭代训练对应的目标超参数，即可以通过第一训练参数、目标超参数以及预设的参数动量累积公式，对影子网络模型的训练参数进行更新操作。
其中，该参数动量累积公式具体可以如公式3所示：
Figure BDA0002858580660000092
其中，
Figure BDA0002858580660000093
为影子网络模型更新后的第二训练参数，α为模型的超参数，
Figure BDA0002858580660000094
为基准网络模型上一轮的训练参数，θ(t)为基准网络模型更新后的第一训练参数。
图3为本申请实施例提供的模型训练的场景示意图，如图3所示，在该应用场景中，具体包括基准网络模型31以及影子网络模型32。将多组用户画像数据以及所述用户画像数据对应的标签信息分别输入至该基准网络模型31以及影子网络模型32中，获得基准网络模型31输出的第一预测标签33以及影子网络模型32输出的第二预测标签35。根据该第一预测标签33、第二预测标签35以及用户画像数据对应的标签信息计算基准网络模型31对应的第一损失34以及第二损失值36。从而可以根据基准网络模型31对应的第一损失34以及第二损失值36计算目标损失值37，采用目标损失值37对基准网络模型31的训练参数进行更新操作。进而可以根据基准网络模型31更新后的第一训练参数，对影子网络模型32的训练参数进行更新操作，获得所述第二训练参数。
本实施例提供的用户画像识别模型训练方法，通过采用第一训练参数、所述目标超参数以及预设的参数动量累积公式，对所述影子网络模型的训练参数进行更新操作，从而能够有效地提高模型的鲁棒性，避免模型过拟合。
图4为本申请实施例二提供的用户画像识别模型训练方法的流程示意图，在实施例一的基础上，步骤204之后，还包括：
步骤401、获取多组用户画像数据以及所述用户画像数据对应的标签信息。
步骤402、通过所述多组用户画像数据以及所述用户画像数据对应的标签信息，分别对预设的基准网络模型和影子网络模型进行训练操作，获得所述基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签。
步骤403、根据所述用户画像数据对应的标签信息、第一预测标签以及所述第二预测标签，对所述基准网络模型和影子网络模型的训练参数进行更新操作，获得所述基准网络模型对应的更新后的第一训练参数以及影子网络模型对应的更新后的第二训练参数。
步骤404、采用所述第一训练参数以及所述第二训练参数对所述基准网络模型和影子网络模型进行训练操作。
步骤405、判断分别采用所述第一训练参数以及所述第二训练参数训练后的所述基准网络模型和影子网络模型是否满足预设的收敛条件。
步骤406、若不满足，则返回执行步骤402的步骤，直至所述基准网络模型和影子网络模型满足预设的收敛条件，将满足收敛条件的基准网络模型或影子网络模型作为训练完毕的用户画像识别模型。
步骤407、若满足，将满足收敛条件的基准网络模型或影子网络模型作为训练完毕的用户画像识别模型。
本实施例中的步骤401-步骤404的具体实施方式可如步骤201-步骤204所述，在此不做赘述。
具体地，在采用第一训练参数以及第二训练参数对基准网络模型和影子网络模型进行训练操作之后，还可以确定采用第一训练参数以及第二训练参数训练后的基准网络模型和影子网络模型是否满足预设的收敛条件。当满足收敛条件时，可以判定基准网络模型和影子网络模型已经训练完毕。由于基准网络模型和影子网络模型同步训练，互相约束，因此，在基准网络模型和影子网络模型训练完毕时，理论上来说，两个模型具有相同的鲁棒性以及识别能力。此时，可以采用基准网络模型或影子网络模型作为训练完毕的用户画像识别模型。
反之，若检测到基准网络模型和影子网络模型不满足预设的收敛条件，此时还需要继续对基准网络模型和影子网络模型进行迭代训练。因此，可以返回执行通过多组用户画像数据以及用户画像数据对应的标签信息，分别对预设的基准网络模型和影子网络模型进行训练操作，获得所述基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签的步骤，直至检测到基准网络模型和影子网络模型满足预设的收敛条件，采用基准网络模型或影子网络模型作为训练完毕的用户画像识别模型。
需要说明的是，在基准网络模型和影子网络模型满足预设的收敛条件，采用基准网络模型或影子网络模型作为训练完毕的用户画像识别模型之后，可以采用该用户画像识别模型实现对用户画像标签的识别。
具体地，可以获取待识别用户画像信息，将该待识别用户画像信息输入至该用户画像识别模型，获得该待识别用户画像信息对应的识别结果。
进一步地，在上述任一实施例的基础上，步骤401具体包括：
确定采用所述第一训练参数训练后的基准网络模型对应第三损失值以及第四损失值；
判断第三损失值以及第四损失值是否小于预设的损失阈值。
若小于，则判定所述基准网络模型和影子网络模型满足所述收敛条件。
若小于，则判定所述基准网络模型和影子网络模型不满足所述收敛条件。
在本实施例中，该预设的收敛条件具体可以为判断采用第一训练参数训练后的基准网络模型对应的损失值是否小于预设的损失阈值。当其小于预设的损失阈值时，可以判定基准网络模型和影子网络模型满足收敛条件。反之，则可以判定基准网络模型和影子网络模型不满足收敛条件。从而能够精准地实现对基准网络模型和影子网络模型是否收敛的判断。
具体地，可以获取采用所述第一训练参数训练后的基准网络模型以及采用第二训练参数训练后的影子网络模型输出的预测标签，根据该预测标签以及用户画像数据对应的标签信息，确定采用所述第一训练参数训练后的基准网络模型对应第三损失值以及第四损失值。判断该第三损失值以及第四损失值是否小于预设的损失阈值。若小于，可以判定基准网络模型和影子网络模型满足收敛条件。反之，则可以判定基准网络模型和影子网络模型不满足收敛条件。
需要说明的是，除将损失值作为收敛条件以外，还可以采用其他任意一种方式实现对模型是否收敛的判定，本申请对此不做限制。
本实施例提供的用户画像识别模型训练方法，通过判断基准网络模型和影子网络模型是否满足预设的收敛条件，当不满足时，继续对基准网络模型和影子网络模型进行迭代训练，从而能够在保证训练后的用户画像识别模型具有鲁棒性的基础上，保证训练后的用户画像识别模型的识别精度。
图5为本申请实施例三提供的用户画像识别模型训练装置的结构示意图，如图5所示，该用户画像识别模型训练装置50包括：获取模块51、训练模块52、更新模块53以及处理模块54。其中，获取模块51，用于获取多组用户画像数据以及所述用户画像数据对应的标签信息。训练模块52，用于通过所述多组用户画像数据以及所述用户画像数据对应的标签信息，对预设的基准网络模型和影子网络模型进行训练操作，获得所述基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签。更新模块53，用于根据所述用户画像数据对应的标签信息、第一预测标签以及所述第二预测标签，对所述基准网络模型和影子网络模型的训练参数进行更新操作，获得所述基准网络模型对应的更新后的第一训练参数以及影子网络模型对应的更新后的第二训练参数。处理模块54，用于采用所述第一训练参数以及所述第二训练参数对所述基准网络模型和影子网络模型进行训练操作。
本实施例提供的用户画像识别模型训练装置，通过采用多组用户画像数据以及所述用户画像数据对应的标签信息同时对预设的基准网络模型和影子网络模型进行训练操作，并根据用户画像数据对应的标签信息、第一预测标签以及第二预测标签对基准网络模型和影子网络模型的训练参数进行调节，两个模型同时训练，互相约束，从而能够在保证用户画像识别模型鲁棒性的基础上，保证用户画像识别模型的识别精度。
进一步地，在实施例三的基础上，所述更新模块用于：
根据所述基准网络模型对应的交叉熵损失函数对所述第一预测标签以及所述用户画像数据对应的标签信息进行计算，获得所述基准网络模型对应的第一损失值；
根据所述基准网络模型对应的均方误差损失函数对所述第一预测标签以及所述第二预测标签进行计算，获得所述基准网络模型对应的第二损失值；
根据所述第一损失值以及所述第二损失值，对所述基准网络模型和影子网络模型的训练参数进行更新操作。
进一步地，在实施例三的基础上，所述更新模块用于：根据所述第一损失值以及所述第二损失值，对所述基准网络模型的训练参数进行更新操作，获得所述第一训练参数。通过所述第一训练参数以及预设的参数动量累积公式，对所述影子网络模型的训练参数进行更新操作，获得所述第二训练参数。
进一步地，在实施例三的基础上，所述更新模块用于；对所述第一损失值以及所述第二损失值进行求和操作，获得目标损失值。根据所述目标损失值，对所述基准网络对应的基准训练参数进行更新操作，获得所述第一训练参数。
进一步地，在实施例三的基础上，所述装置还包括：确定模块，用于确定所述基准网络模型和影子网络模型当前的迭代训练次数。计算模块，用于根据所述迭代训练次数，以及预设的超参数计算公式，计算与所述迭代训练次数对应的待选超参数。设置模块，用于将所述待选超参数以及所述用户超参数中数值小的超参数作为所述当前的目标超参数。
进一步地，在实施例三的基础上，所述更新模块用于：通过所述第一训练参数、所述目标超参数以及预设的参数动量累积公式，对所述影子网络模型的训练参数进行更新操作。
进一步地，在实施例三的基础上，所述装置还包括：判断模块，用于判断分别采用所述第一训练参数以及所述第二训练参数训练后的所述基准网络模型和影子网络模型是否满足预设的收敛条件。迭代模块，用于若不满足，则返回执行所述通过所述待训练数据集，分别对预设的基准网络模型和影子网络模型进行训练操作，获得所述基准网络模型和影子网络模型对应的损失值的步骤，直至所述基准网络模型和影子网络模型满足预设的收敛条件，将满足收敛条件的基准网络模型或影子网络模型作为训练完毕的用户画像识别模型。
进一步地，在上述任一实施例三的基础上，所述判断模块用于：确定采用所述第一训练参数训练后的基准网络模型对应第三损失值以及第四损失值；判断第三损失值以及第四损失值是否小于预设的损失阈值。若小于，则判定所述基准网络模型和影子网络模型满足所述收敛条件。若小于，则判定所述基准网络模型和影子网络模型不满足所述收敛条件。
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。
根据本申请的实施例，本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图6为本申请实施例四提供的电子设备的结构示意图，如图6所示。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6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元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。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如用户画像识别模型训练方法。例如，在一些实施例中，用户画像识别模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的用户画像识别模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用户画像识别模型训练方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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)、或者包括前端部件的计算系统(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、或者前端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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(″Virtual Private Server″，或简称″VPS″)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
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，本发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 (19)

1.一种用户画像识别模型训练方法，包括：
获取多组用户画像数据以及所述用户画像数据对应的标签信息；
通过所述多组用户画像数据以及所述用户画像数据对应的标签信息，分别对预设的基准网络模型和影子网络模型进行训练操作，获得所述基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签；
根据所述用户画像数据对应的标签信息、第一预测标签以及所述第二预测标签，对所述基准网络模型和影子网络模型的训练参数进行更新操作，获得所述基准网络模型对应的更新后的第一训练参数以及影子网络模型对应的更新后的第二训练参数；
采用所述第一训练参数以及所述第二训练参数对所述基准网络模型和影子网络模型进行训练操作。
2.根据权利要求1所述的方法，所述根据所述用户画像数据对应的标签信息、第一预测标签以及所述第二预测标签，对所述基准网络模型和影子网络模型的训练参数进行更新操作，包括：
根据所述基准网络模型对应的交叉熵损失函数对所述第一预测标签以及所述用户画像数据对应的标签信息进行计算，获得所述基准网络模型对应的第一损失值；
根据所述基准网络模型对应的均方误差损失函数对所述第一预测标签以及所述第二预测标签进行计算，获得所述基准网络模型对应的第二损失值；
根据所述第一损失值以及所述第二损失值，对所述基准网络模型和影子网络模型的训练参数进行更新操作。
3.根据权利要求2所述的方法，所述根据所述第一损失值以及所述第二损失值，对所述基准网络模型和影子网络模型的训练参数进行更新操作，包括：
根据所述第一损失值以及所述第二损失值，对所述基准网络模型的训练参数进行更新操作，获得所述第一训练参数；
通过所述第一训练参数以及预设的参数动量累积公式，对所述影子网络模型的训练参数进行更新操作，获得所述第二训练参数。
4.根据权利要求3所述的方法，所述根据所述第一损失值以及所述第二损失值，对所述基准网络模型的训练参数进行更新操作，获得所述第一训练参数，包括；
对所述第一损失值以及所述第二损失值进行求和操作，获得目标损失值；
根据所述目标损失值，对所述基准网络对应的基准训练参数进行更新操作，获得所述第一训练参数。
5.根据权利要求3所述的方法，所述通过所述第一训练参数以及预设的参数动量累积公式，对所述影子网络模型的训练参数进行更新操作之前，还包括：
确定所述基准网络模型和影子网络模型当前的迭代训练次数；
根据所述迭代训练次数，以及预设的超参数计算公式，计算与所述迭代训练次数对应的待选超参数；
将所述待选超参数以及所述用户超参数中数值小的超参数作为所述当前的目标超参数。
6.根据权利要求5所述的方法，所述通过所述第一训练参数以及预设的参数动量累积公式，对所述影子网络模型的训练参数进行更新操作，包括：
通过所述第一训练参数、所述目标超参数以及预设的参数动量累积公式，对所述影子网络模型的训练参数进行更新操作。
7.根据权利要求1-6任一项所述的方法，所述采用所述第一训练参数以及所述第二训练参数对所述基准网络模型和影子网络模型进行训练操作之后，还包括：
判断分别采用所述第一训练参数以及所述第二训练参数训练后的所述基准网络模型和影子网络模型是否满足预设的收敛条件；
若不满足，则返回执行所述通过所述待训练数据集，分别对预设的基准网络模型和影子网络模型进行训练操作，获得所述基准网络模型和影子网络模型对应的损失值的步骤，直至所述基准网络模型和影子网络模型满足预设的收敛条件，将满足收敛条件的基准网络模型或影子网络模型作为训练完毕的用户画像识别模型。
8.根据权利要求7所述的方法，所述判断分别采用所述第一训练参数以及所述第二训练参数训练后的所述基准网络模型和影子网络模型是否满足预设的收敛条件，包括：
确定采用所述第一训练参数训练后的基准网络模型对应第三损失值以及第四损失值；
判断第三损失值以及第四损失值是否小于预设的损失阈值；
若小于，则判定所述基准网络模型和影子网络模型满足所述收敛条件；
若小于，则判定所述基准网络模型和影子网络模型不满足所述收敛条件。
9.一种用户画像识别模型训练装置，包括：
获取模块，用于获取多组用户画像数据以及所述用户画像数据对应的标签信息；
训练模块，用于通过所述多组用户画像数据以及所述用户画像数据对应的标签信息，对预设的基准网络模型和影子网络模型进行训练操作，获得所述基准网络模型输出的第一预测标签和影子网络模型输出的第二预测标签；
更新模块，用于根据所述用户画像数据对应的标签信息、第一预测标签以及所述第二预测标签，对所述基准网络模型和影子网络模型的训练参数进行更新操作，获得所述基准网络模型对应的更新后的第一训练参数以及影子网络模型对应的更新后的第二训练参数；
处理模块，用于采用所述第一训练参数以及所述第二训练参数对所述基准网络模型和影子网络模型进行训练操作。
10.根据权利要求9所述的装置，所述更新模块用于：
根据所述基准网络模型对应的交叉熵损失函数对所述第一预测标签以及所述用户画像数据对应的标签信息进行计算，获得所述基准网络模型对应的第一损失值；
根据所述基准网络模型对应的均方误差损失函数对所述第一预测标签以及所述第二预测标签进行计算，获得所述基准网络模型对应的第二损失值；
根据所述第一损失值以及所述第二损失值，对所述基准网络模型和影子网络模型的训练参数进行更新操作。
11.根据权利要求10所述的装置，所述更新模块用于：
根据所述第一损失值以及所述第二损失值，对所述基准网络模型的训练参数进行更新操作，获得所述第一训练参数；
通过所述第一训练参数以及预设的参数动量累积公式，对所述影子网络模型的训练参数进行更新操作，获得所述第二训练参数。
12.根据权利要求11所述的装置，所述更新模块用于；
对所述第一损失值以及所述第二损失值进行求和操作，获得目标损失值；
根据所述目标损失值，对所述基准网络对应的基准训练参数进行更新操作，获得所述第一训练参数。
13.根据权利要求11所述的装置，所述装置还包括：
确定模块，用于确定所述基准网络模型和影子网络模型当前的迭代训练次数；
计算模块，用于根据所述迭代训练次数，以及预设的超参数计算公式，计算与所述迭代训练次数对应的待选超参数；
设置模块，用于将所述待选超参数以及所述用户超参数中数值小的超参数作为所述当前的目标超参数。
14.根据权利要求13所述的装置，所述更新模块用于：
通过所述第一训练参数、所述目标超参数以及预设的参数动量累积公式，对所述影子网络模型的训练参数进行更新操作。
15.根据权利要求9-14任一项所述的装置，所述装置还包括：
判断模块，用于判断分别采用所述第一训练参数以及所述第二训练参数训练后的所述基准网络模型和影子网络模型是否满足预设的收敛条件；
迭代模块，用于若不满足，则返回执行所述通过所述待训练数据集，分别对预设的基准网络模型和影子网络模型进行训练操作，获得所述基准网络模型和影子网络模型对应的损失值的步骤，直至所述基准网络模型和影子网络模型满足预设的收敛条件，将满足收敛条件的基准网络模型或影子网络模型作为训练完毕的用户画像识别模型。
16.根据权利要求15所述的装置，所述判断模块用于：
确定采用所述第一训练参数训练后的基准网络模型对应第三损失值以及第四损失值；
判断第三损失值以及第四损失值是否小于预设的损失阈值；
若小于，则判定所述基准网络模型和影子网络模型满足所述收敛条件；
若小于，则判定所述基准网络模型和影子网络模型不满足所述收敛条件。
17.一种电子设备，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中任一项所述的用户画像识别模型训练方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的用户画像识别模型训练方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的用户画像识别模型训练方法。
CN202011573593.2A 2020-12-24 2020-12-24 用户画像识别模型训练方法、设备、可读存储介质及产品 Active CN112560996B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011573593.2A CN112560996B (zh) 2020-12-24 2020-12-24 用户画像识别模型训练方法、设备、可读存储介质及产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011573593.2A CN112560996B (zh) 2020-12-24 2020-12-24 用户画像识别模型训练方法、设备、可读存储介质及产品

Publications (2)

Publication Number Publication Date
CN112560996A true CN112560996A (zh) 2021-03-26
CN112560996B CN112560996B (zh) 2024-03-05

Family

ID=75033535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011573593.2A Active CN112560996B (zh) 2020-12-24 2020-12-24 用户画像识别模型训练方法、设备、可读存储介质及产品

Country Status (1)

Country Link
CN (1) CN112560996B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113192530A (zh) * 2021-04-26 2021-07-30 深圳追一科技有限公司 模型训练、嘴部动作参数获取方法、装置、设备及介质
CN113592590A (zh) * 2021-07-27 2021-11-02 中国联合网络通信集团有限公司 一种用户画像生成方法及装置
CN113935251A (zh) * 2021-12-17 2022-01-14 北京达佳互联信息技术有限公司 用户行为预测模型的生成方法、用户行为预测方法及装置
CN114511743A (zh) * 2022-01-29 2022-05-17 北京百度网讯科技有限公司 检测模型训练、目标检测方法、装置、设备、介质及产品
WO2023137858A1 (zh) * 2022-01-21 2023-07-27 清华大学 混合专家模型训练的性能优化方法和装置
CN116955590A (zh) * 2023-09-20 2023-10-27 成都明途科技有限公司 训练数据筛选方法、模型训练方法、文本生成方法
CN117829968A (zh) * 2024-03-06 2024-04-05 南京数策信息科技有限公司 一种基于用户数据分析的业务产品推荐方法、装置及系统
CN117829968B (zh) * 2024-03-06 2024-05-31 南京数策信息科技有限公司 一种基于用户数据分析的业务产品推荐方法、装置及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783950A (zh) * 2020-06-29 2020-10-16 北京百度网讯科技有限公司 基于超网络的模型获取方法、装置、设备及存储介质
CN111783948A (zh) * 2020-06-24 2020-10-16 北京百度网讯科技有限公司 模型训练方法、装置、电子设备以及存储介质
WO2020221278A1 (zh) * 2019-04-29 2020-11-05 北京金山云网络技术有限公司 视频分类方法及其模型的训练方法、装置和电子设备
CN112016633A (zh) * 2020-09-25 2020-12-01 北京百度网讯科技有限公司 一种模型训练方法、装置、电子设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020221278A1 (zh) * 2019-04-29 2020-11-05 北京金山云网络技术有限公司 视频分类方法及其模型的训练方法、装置和电子设备
CN111783948A (zh) * 2020-06-24 2020-10-16 北京百度网讯科技有限公司 模型训练方法、装置、电子设备以及存储介质
CN111783950A (zh) * 2020-06-29 2020-10-16 北京百度网讯科技有限公司 基于超网络的模型获取方法、装置、设备及存储介质
CN112016633A (zh) * 2020-09-25 2020-12-01 北京百度网讯科技有限公司 一种模型训练方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭梁;王佳斌;马迎杰;朱新龙;: "基于模型融合的搜索引擎用户画像技术", 科技与创新, no. 07 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113192530A (zh) * 2021-04-26 2021-07-30 深圳追一科技有限公司 模型训练、嘴部动作参数获取方法、装置、设备及介质
CN113192530B (zh) * 2021-04-26 2023-08-22 深圳追一科技有限公司 模型训练、嘴部动作参数获取方法、装置、设备及介质
CN113592590A (zh) * 2021-07-27 2021-11-02 中国联合网络通信集团有限公司 一种用户画像生成方法及装置
CN113935251A (zh) * 2021-12-17 2022-01-14 北京达佳互联信息技术有限公司 用户行为预测模型的生成方法、用户行为预测方法及装置
CN113935251B (zh) * 2021-12-17 2022-04-22 北京达佳互联信息技术有限公司 用户行为预测模型的生成方法、用户行为预测方法及装置
WO2023137858A1 (zh) * 2022-01-21 2023-07-27 清华大学 混合专家模型训练的性能优化方法和装置
CN114511743A (zh) * 2022-01-29 2022-05-17 北京百度网讯科技有限公司 检测模型训练、目标检测方法、装置、设备、介质及产品
CN116955590A (zh) * 2023-09-20 2023-10-27 成都明途科技有限公司 训练数据筛选方法、模型训练方法、文本生成方法
CN116955590B (zh) * 2023-09-20 2023-12-08 成都明途科技有限公司 训练数据筛选方法、模型训练方法、文本生成方法
CN117829968A (zh) * 2024-03-06 2024-04-05 南京数策信息科技有限公司 一种基于用户数据分析的业务产品推荐方法、装置及系统
CN117829968B (zh) * 2024-03-06 2024-05-31 南京数策信息科技有限公司 一种基于用户数据分析的业务产品推荐方法、装置及系统

Also Published As

Publication number Publication date
CN112560996B (zh) 2024-03-05

Similar Documents

Publication Publication Date Title
CN112560996B (zh) 用户画像识别模型训练方法、设备、可读存储介质及产品
CN113657289B (zh) 阈值估计模型的训练方法、装置和电子设备
CN112561079A (zh) 分布式的模型训练装置、方法及计算机程序产品
CN112488060B (zh) 目标检测方法、装置、设备和介质
CN114065863A (zh) 联邦学习的方法、装置、系统、电子设备及存储介质
CN113627536A (zh) 模型训练、视频分类方法，装置，设备以及存储介质
CN112966744A (zh) 模型训练方法、图像处理方法、装置和电子设备
CN115631381A (zh) 分类模型训练方法、图像分类方法、装置及电子设备
CN113902696A (zh) 图像处理方法、装置、电子设备和介质
CN114511743B (zh) 检测模型训练、目标检测方法、装置、设备、介质及产品
CN113657249B (zh) 训练方法、预测方法、装置、电子设备以及存储介质
CN113516185B (zh) 模型训练的方法、装置、电子设备及存储介质
CN113408304B (zh) 文本翻译方法、装置、电子设备及存储介质
CN113361621B (zh) 用于训练模型的方法和装置
CN113591709B (zh) 动作识别方法、装置、设备、介质和产品
CN115203564A (zh) 信息流推荐方法、装置及计算机程序产品
CN113935482A (zh) 一种行人再识别网络的训练方法及装置
CN113900731A (zh) 请求处理方法、装置、设备和存储介质
CN113792876A (zh) 骨干网络的生成方法、装置、设备以及存储介质
CN113961797A (zh) 资源推荐方法、装置、电子设备和可读存储介质
CN116416500B (zh) 图像识别模型训练方法、图像识别方法、装置及电子设备
CN115294396B (zh) 骨干网络的训练方法以及图像分类方法
CN113240082A (zh) 一种迁移学习的方法及装置
CN114648672A (zh) 构建样本图像集的方法、装置、电子设备及可读存储介质
CN115860077A (zh) 状态数据的处理方法、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
GR01 Patent grant
GR01 Patent grant