CN113052325A - 在线模型的优化方法、装置、设备、存储介质及程序产品 - Google Patents
在线模型的优化方法、装置、设备、存储介质及程序产品 Download PDFInfo
- Publication number
- CN113052325A CN113052325A CN202110319521.3A CN202110319521A CN113052325A CN 113052325 A CN113052325 A CN 113052325A CN 202110319521 A CN202110319521 A CN 202110319521A CN 113052325 A CN113052325 A CN 113052325A
- Authority
- CN
- China
- Prior art keywords
- sample data
- model
- optimized
- online model
- online
- 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 51
- 238000005457 optimization Methods 0.000 claims abstract description 49
- 238000010276 construction Methods 0.000 claims abstract description 33
- 230000001131 transforming effect Effects 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000035945 sensitivity Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了在线模型的优化方法、装置、设备、存储介质及程序产品,涉及人工智能、机器学习、内容推荐领域。该方法包括:接收第一消息,第一消息中包括在线待优化模型的标识信息;获取原始样本数据,并对原始样本数据中的字段进行变换,得到变换后的样本数据;根据在线待优化模型的标识信息,搭建与在线待优化模型相同的构造模型;根据原始样本数据、变换后的样本数据和构造模型,对在线待优化模型进行优化。该方法降低了模型优化复杂度,提高模型优化效率。
Description
技术领域
本申请实施例涉及人工智能技术,尤其涉及一种在线模型的优化方法、装置、设备、存储介质及程序产品,可用于机器学习、内容推荐领域。
背景技术
对于机器学习模型而言,不仅需要模型对已有的数据能达到很好的预测能力,更重要的是,对其他未知的数据也能够有很好的预测能力,若要提高机器学习模型的预测准确率,就需要持续推进模型的优化迭代,通过不断调优才能提供更精准的服务。
目前业界内对机器学习模型优化时,都是从特征维度层面来探测模型对特征的敏感度,但对于复杂的组合特征模型、交叉特征模型等,探测模型对特征的敏感度较为复杂,导致模型优化过程复杂低效。
发明内容
本申请提供了一种降低了模型优化复杂度,提高模型优化效率的在线模型的优化方法、装置、设备、存储介质及程序产品。
根据本申请的一方面,提供了一种在线模型的优化方法,包括:
接收第一消息,所述第一消息中包括在线待优化模型的标识信息;
获取原始样本数据,并对所述原始样本数据中的字段进行变换,得到变换后的样本数据;
根据所述在线待优化模型的标识信息,搭建与所述在线待优化模型相同的构造模型;
根据所述原始样本数据、所述变换后的样本数据和所述构造模型,对所述在线待优化模型进行优化。
根据本申请的另一方面,提供了一种在线模型的优化装置,包括:
接收模块,用于接收第一消息,所述第一消息中包括在线待优化模型的标识信息;
获取模块,用于获取原始样本数据,并对所述原始样本数据中的字段进行变换,得到变换后的样本数据;
模型搭建模块,用于根据所述在线待优化模型的标识信息,搭建与所述在线待优化模型相同的构造模型;
优化模块,用于根据所述原始样本数据、所述变换后的样本数据和所述构造模型,对所述在线待优化模型进行优化。
根据本申请的再一方面,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上述第一方面所述的方法。
根据本申请的又一方面,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,所述计算机指令用于使所述计算机执行上述第一方面所述的方法。
根据本申请的又一方面,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。
根据本申请的技术方案,降低了模型优化复杂度,提高模型优化效率。
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是根据本申请实施例提供的在线模型的优化方法的流程示意图;
图2是根据本申请实施例提供的在线模型的优化方法的过程示意图;
图3是根据本申请实施例提供的模型输出结果波动示意图;
图4是根据本申请实施例提供的模型输出结果波动示意图;
图5是根据本申请实施例提供的在线模型的优化装置的结构示意图;
图6是用来实现本申请实施例的在线模型的优化方法的电子设备的示意性框图。
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。
机器学习是一门多领域交叉学科,其关注的核心问题是从历史经验中获取规律,并将其运用到新的类似场景中,这里提到的历史经验以及如何获取规律及运用都涉及到数据(样本)及数据的选取和使用。对于机器学习模型而言,不仅需要模型对已有的数据能达到很好的预测能力,更重要的是,对其他未知的数据也能够有很好的预测能力,即也需要有较好的泛化能力。
为了提高机器学习模型的准确率,需要采用合适的数据对模型进行评估来持续推进模型的迭代,通过不断调优才能更好更精准地提供服务。目前业界内对机器学习模型的评估都是从特征维度层面来探测模型对特征的敏感度,建立特征到模型预估结果的一个映射关系,这种方案中需要确定特征是如何抽取,以及样本字段和对应特征的关系,对于复杂的组合特征模型、交叉特征模型等,很多样本字段与特征是一对多的关系,特征之间存在组合、关联或变换等,随着特征量的增长,评估过程会比较复杂,耗时较长,不利于进行模型优化。
此外,这种探测模型对特征的敏感度的评估方案,也不利于直观体现样本对模型的影响。以一个资源推荐模型为例,输入模型的一个样本中可能包括了资源的标题、资源兴趣点、资源分类、资源长度、点击次数、用户的兴趣点、用户年龄、用户受教育程度和用户的历史点击资源列表等多个字段,在对该样本进行特征抽取时,可以基于这些字段抽出不同特征,比如抽取特征一{用户兴趣点-资源兴趣点},特征二{用户受教育程度,资源分类},特征三{用户兴趣点-资源分类}作为模型的输入。对于一份样本,不同的模型抽取特征规则不一样,同一个字段可能被同一个模型多个特征使用,一个特征可能包含了多个字段。示例的,如表1所示,对于一个400个特征的模型,使用的样本字段数量在100-500不等,字段的使用频次高达几千次,如果单纯的从特征层面探测模型的预估结果的敏感性,无法直观体现样本字段波动对模型的影响。
表1
模型 | 样本字段数量 | 样本字段使用频次 | 特征数 |
模型1 | 233 | 2471 | 408 |
模型2 | 498 | 3220 | 435 |
模型3 | 150 | 1108 | 466 |
模型4 | 102 | 1522 | 257 |
模型5 | 411 | 3193 | 724 |
为了简化对机器学习模型的评估,提高模型优化效率,本申请实施例中,对于任意的在线模型,通过离线搭建一套相同的构造模型,对输入构造模型中的原始样本数据的字段进行变换,从而快速评估出模型对样本字段的敏感度,直观确定样本字段的变换对模型的预估结果的影响,基于样本字段对模型的影响推进模型的优化。
下面,将通过具体的实施例对本申请提供的在线模型的优化方法进行详细地说明。可以理解的是,下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1是根据本申请实施例提供的在线模型的优化方法的流程示意图,该方法的执行主体为在线模型的优化装置,该装置可以通过软件和/或硬件的方式实现,示例的,该装置为服务器。如图1所示,该方法包括:
S101、接收第一消息,第一消息中包括在线待优化模型的标识信息。
本申请实施例中,在线模型的优化可以由用户触发,或者也可以由其他运行中的程序触发。示例的,用户可以通过一前端服务创建和提交在线模型的优化任务,从而触发服务器执行后续的步骤。用户通过终端设备使用该前端服务,例如用户可以在前端页面上提交在线待优化模型的标识信息,由终端设备通过第一消息将在线待优化模型的标识信息发送给服务器侧。示例的,其他运行中的程序触发在线模型的优化任务,由运行该程序的设备通过第一消息将在线待优化模型的标识信息发送给服务器。在线待优化模型的标识信息可以是在线待优化模型的接口信息、地址信息、唯一索引等标识,本申请实施例对此不作限定。在线待优化模型可以是任意的线上系统中正在运行的机器学习模型,本申请实施例对此也不作限定。示例的,在线待优化模型可以是一个资源推荐模型。
S102、获取原始样本数据,并对原始样本数据中的字段进行变换,得到变换后的样本数据。
原始样本数据可以是根据用户提交的样本数据得到的,或者也可以是根据从线上系统中提取的在线待优化模型的输入信息得到的。示例的,用户在创建在线模型的优化任务时,除了提交在线待优化模型的标识信息之外,还可以同时提交样本数据,即,服务器除了从终端设备接收在线待优化模型的标识信息,还接收样本数据。示例的,服务器还可以根据在线待优化模型的标识信息,实时采集在线待优化模型的输入信息,从在线待优化模型的输入信息中获取原始样本数据,使得后续的评估和优化更满足线上系统的实际情况。
对原始样本数据中的字段进行的变换可以是删除、裁剪、置空、添加、替换或反转中的至少一种,通过对原始样本中的字段进行上述变换,可以得到原始样本数据不同的样本数据。
S103、根据在线待优化模型的标识信息,搭建与在线待优化模型相同的构造模型。
由于在线待优化模型是正在运行的线上系统中的模型,为了在不影响线上系统的正常运行的情况下对在线待优化模型进行评估,本申请实施例中采用了线下搭建构造模型的方式,构造模型与在线待优化模型相同,因此通过对构造模型进行评估即可实现对在线待优化模型的评估。
S104、根据原始样本数据、变换后的样本数据和构造模型,对在线待优化模型进行优化。
将原始样本数据和变换了字段后的样本数据分别作为构造模型的输入,即可得到构造模型针对各样本数据输出的不同的预估结果,从而即可直观确定构造模型对原始样本数据中变换了的字段的敏感性,也就是可以确定样本字段对在线待优化模型的影响,从而能够基于此对在线待优化模型进行优化。
本申请实施例提供的在线模型的优化方法,对于任意的在线模型,通过离线方式搭建一套与在线模型相同的构造模型,对输入构造模型中的原始样本数据的字段进行变换,根据构造模型对原始样本数据和变换后的样本数据的预估结果,快速评估出在线模型对样本字段的敏感度,直观确定样本字段的变换对模型的预估结果的影响,基于样本字段对模型的影响推进模型的优化,简化了对机器学习模型的评估,提高模型优化效率。
此外,本申请实施例的方法通过搭建与在线模型相同的构造模型,还原了线上环境,可以更准确的实现线上系统的评估,在原始样本数据为在线模型的实时输入的情况下,评估结果更接近线上系统的真实情况。
以下结合图2对上述实施例中的各个步骤做进一步说明。以在线待优化模型为资源推荐模型为例,模型的输入可以包括用户信息和资源信息,模型的输出为用户对每个资源的点展比q,点展比q表示用户点击该资源的概率大小。如图2中所示,用户在前端平台创建和提交在线模型的优化任务后,服务器进行样本处理、模型预估和结果分析。
样本处理阶段包括:原始样本数据的获取和对原始样本数据的变换(变异构造),原始样本数据的获取中还可以包括样本获取和数据解析两个部分。其中,样本获取的方式可以是上述的用户提交或流量采集,流量采集即获取在线待优化模型的输入信息;数据解析包含格式解析及数据类型转换等,经过了样本获取和数据解析后的样本数据即为原始样本数据。对原始样本数据的变换中,变换方式(变异策略)可以包括删除、裁剪、置空、添加、替换或反转中的至少一种。
需要说明的是,服务器可以先获取目标变换方式,再根据目标变换方式,对原始样本数据中的目标字段进行相应处理,得到变换后的样本数据。目标变换方式可以包括上述变换方式中的至少一种。目标变换方式可以是用户定义的,或者是服务器随机确定,即如图2所示的,自定义处理或随机变异。原始样本数据可以称为原始样本,变换后的样本数据可以称为构造样本,针对一个原始样本,可以利用不同的变换方式或目标字段,变异构造得到多个构造样本。
可选的,用户可以在创建和提交在线模型的优化任务时,选择目标变换方式,即服务器从终端设备接收第二消息,第二消息中包括目标变换方式。可选的,服务器从预设的多个变换方式中,随机选择至少一种目标变换方式。
用户选择目标变换方式时还可以指定需要进行变换的目标字段,即用户可以定义对目标字段按照目标变换方式进行变换,这样可以针对某些特定的字段,评估这些字段的变换对在线待优化模型的影响。或者,用户可以不指定字段仅指定目标变换方式,由服务器按照目标变换方式随机对字段进行变换,有利于批量分析字段对在线待优化模型的影响。或者,用户可以指定目标字段而不指定目标变换方式,从而便于评估对目标字段进行不同变换时,对在线待优化模型的影响。在用户没有进行指定的情况下,服务器随机选择目标字段和目标变换方式进行变换,实现对样本字段的批量分析
模型评估阶段包括:环境准备和样本预估。其中,环境准备过程中,服务器根据在线待优化模型的标识信息,获取在线待优化模型的参数信息;根据在线待优化模型的参数信息,搭建与在线待优化模型相同的构造模型。具体可以包括如图2中所示的搭建环境、模型同步、配置修改和环境验证。之后,服务器可以将原始样本数据和变换后的样本数据输入构造模型,分别得到原始样本数据和变换后的样本数据对应的输出结果。示例的,对于资源推荐模型为例,输出结果即为前述的点展比q,也可称为预估结果。
此外,在环境准备阶段还可以将一个q_tool工具与构造模型打包,利用q_tool工具,可以并行对输入的原始样本和构造样本分别输出对应的预估结果,即利用q_tool工具分别并行对原始样本及多个构造样本进行转化,产出原始预估结果及构造样本对应的预估结果。此外,利用q_tool工具还可以减少对样本的计算,仍以资源推荐模型为例,利用q_tool工具将模型的输出即用户对每个资源的点展比q保存在缓存中,若后续的某一个样本中包括相同的用户和资源,则不需要进行模型的预估计算,直接采用缓存中的点展比q作为该样本的输出结果即可,从而可以提高处理效率。
在结果分析阶段,服务器根据原始样本数据和变换后的样本数据对应的输出结果,对在线待优化模型进行优化。示例的,确定原始样本数据对应的输出结果和与变换后的样本数据对应的输出结果之间的差值;根据差值,确定变换后的样本数据中发生变换的字段对在线待优化模型的影响因子;根据影响因子,对在线待优化模型进行优化。此外,还可以可视化展示产出结果报告,采用图表等形式展示原始样本数据对应的输出结果和与变换后的样本数据对应的输出结果之间的差异,便于直观确定样本的字段变化对模型输出结果的影响。
示例的,如图3和4所示,是对样本中的一个目标字段置空后,模型的输出结果的波动,其中,图3的横坐标代表每篇推荐的资源(文章)的标识,图中仅示意标出了部分资源的标识,纵坐标代表点展比q的差值。图4的横坐标代表每篇推荐的资源的标识,同样图中仅示意标出了部分资源的标识,纵坐标中,柱状图部分代表原始样本和构造样本对应的点展比q,波形图部分表示点展比q的差值。波动越大代表字段对q值的影响越大,也可以理解为字段的重要度更高,通过分析波动均值、最大值及最小值等,可以确定该字段对模型的影响因子的大小。
通过本申请实施例的方法,可以建立模型与最小可变因子样本字段之间联系,从能够提升模型的可解释性。此外,该方法适用于线上场景,通过分析字段对模型输出的影响,能够更好分析样本字段波动对大盘的影响,并根据字段的影响力建立样本字段的分级监控,便于挖掘对模型有负面影响的字段,从而更精准地优化模型,提升模型的鲁棒性和泛化能力等。
图5是根据本申请实施例提供的在线模型的优化装置的结构示意图。如图5所示,在线模型的优化装置500包括:
接收模块501,用于接收第一消息,第一消息中包括在线待优化模型的标识信息;
获取模块502,用于获取原始样本数据,并对原始样本数据中的字段进行变换,得到变换后的样本数据;
模型搭建模块503,用于根据在线待优化模型的标识信息,搭建与在线待优化模型相同的构造模型;
优化模块504,用于根据原始样本数据、变换后的样本数据和构造模型,对在线待优化模型进行优化。
在一种实施方式中,优化模块504包括:
预估单元,用于将原始样本数据和变换后的样本数据输入构造模型,分别得到原始样本数据和变换后的样本数据对应的输出结果;
优化单元,用于根据原始样本数据和变换后的样本数据对应的输出结果,对在线待优化模型进行优化。
在一种实施方式中,优化单元包括:
第一确定单元,用于确定原始样本数据对应的输出结果和与变换后的样本数据对应的输出结果之间的差值;
第二确定单元,用于根据差值,确定变换后的样本数据中发生变换的字段对在线待优化模型的影响因子;
优化子单元,用于根据影响因子,对在线待优化模型进行优化。
在一种实施方式中,模型搭建模块503,包括:
第一获取单元,用于根据在线待优化模型的标识信息,获取在线待优化模型的参数信息;
搭建单元,用于根据在线待优化模型的参数信息,搭建与在线待优化模型相同的构造模型。
在一种实施方式中,获取模块502包括:
第一接收单元,用于接收原始样本数据;或者,
采集单元,用于根据在线待优化模型的标识信息,将在线待优化模型的输入信息,确定为原始样本数据。
在一种实施方式中,获取模块502包括:
第二获取单元,用于获取目标变换方式,目标变换方式包括如下至少一种:删除、裁剪、置空、添加、替换或反转;
变换单元,用于根据目标变换方式,对原始样本数据中的目标字段进行相应处理,得到变换后的样本数据。
在一种实施方式中,第二获取单元包括:
第二接收单元,用于接收第二消息,第二消息中包括目标变换方式;或者,
选择单元,用于从预设的多个变换方式中,随机选择至少一种目标变换方式。
本申请实施例的装置可用于执行上述方法实施例中的在线模型的优化方法,其实现原理和技术效果类似,此处不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和存储有计算机指令的非瞬时计算机可读存储介质。
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是用来实现本申请实施例的在线模型的优化方法的电子设备的示意性框图。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/或者要求的本公开的实现。
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,例如在线模型的优化方法。例如,在一些实施例中,在线模型的优化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在线模型的优化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)而被配置为执行在线模型的优化方法。
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。
用于实施本公开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。
在本公开的上下文中,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 (17)
1.一种在线模型的优化方法,包括:
接收第一消息,所述第一消息中包括在线待优化模型的标识信息;
获取原始样本数据,并对所述原始样本数据中的字段进行变换,得到变换后的样本数据;
根据所述在线待优化模型的标识信息,搭建与所述在线待优化模型相同的构造模型;
根据所述原始样本数据、所述变换后的样本数据和所述构造模型,对所述在线待优化模型进行优化。
2.根据权利要求1所述的方法,所述根据所述原始样本数据、所述变换后的样本数据和所述构造模型,对所述在线待优化模型进行优化,包括:
将所述原始样本数据和所述变换后的样本数据输入所述构造模型,分别得到与所述原始样本数据和所述变换后的样本数据对应的输出结果;
根据所述与所述原始样本数据和所述变换后的样本数据对应的输出结果,对所述在线待优化模型进行优化。
3.根据权利要求2所述的方法,所述根据所述与所述原始样本数据和所述变换后的样本数据对应的输出结果,对所述在线待优化模型进行优化,包括:
确定与所述原始样本数据对应的输出结果和与所述变换后的样本数据对应的输出结果之间的差值;
根据所述差值,确定所述变换后的样本数据中发生变换的字段对所述在线待优化模型的影响因子;
根据所述影响因子,对所述在线待优化模型进行优化。
4.根据权利要求1-3任一项所述的方法,所述根据所述在线待优化模型的标识信息,搭建与所述在线待优化模型相同的构造模型,包括:
根据所述在线待优化模型的标识信息,获取所述在线待优化模型的参数信息;
根据所述在线待优化模型的参数信息,搭建与所述在线待优化模型相同的构造模型。
5.根据权利要求1-3任一项所述的方法,所述获取原始样本数据,包括:
接收所述原始样本数据;或者,
根据所述在线待优化模型的标识信息,将所述在线待优化模型的输入信息,确定为所述原始样本数据。
6.根据权利要求1-3任一项所述的方法,所述对所述原始样本数据中的字段进行变换,得到变换后的样本数据,包括:
获取目标变换方式,所述目标变换方式包括如下至少一种:删除、裁剪、置空、添加、替换或反转;
根据所述目标变换方式,对所述原始样本数据中的目标字段进行相应处理,得到所述变换后的样本数据。
7.根据权利要求6所述的方法,所述获取目标变换方式,包括:
接收第二消息,所述第二消息中包括所述目标变换方式;或者,
从预设的多个变换方式中,随机选择至少一种目标变换方式。
8.一种在线模型的优化装置,包括:
接收模块,用于接收第一消息,所述第一消息中包括在线待优化模型的标识信息;
获取模块,用于获取原始样本数据,并对所述原始样本数据中的字段进行变换,得到变换后的样本数据;
模型搭建模块,用于根据所述在线待优化模型的标识信息,搭建与所述在线待优化模型相同的构造模型;
优化模块,用于根据所述原始样本数据、所述变换后的样本数据和所述构造模型,对所述在线待优化模型进行优化。
9.根据权利要求8所述的装置,所述优化模块包括:
预估单元,用于将所述原始样本数据和所述变换后的样本数据输入所述构造模型,分别得到与所述原始样本数据和所述变换后的样本数据对应的输出结果;
优化单元,用于根据所述与所述原始样本数据和所述变换后的样本数据对应的输出结果,对所述在线待优化模型进行优化。
10.根据权利要求9所述的装置,所述优化单元包括:
第一确定单元,用于确定与所述原始样本数据对应的输出结果和与所述变换后的样本数据对应的输出结果之间的差值;
第二确定单元,用于根据所述差值,确定所述变换后的样本数据中发生变换的字段对所述在线待优化模型的影响因子;
优化子单元,用于根据所述影响因子,对所述在线待优化模型进行优化。
11.根据权利要求8-10任一项所述的装置,所述模型搭建模块,包括:
第一获取单元,用于根据所述在线待优化模型的标识信息,获取所述在线待优化模型的参数信息;
搭建单元,用于根据所述在线待优化模型的参数信息,搭建与所述在线待优化模型相同的构造模型。
12.根据权利要求8-10任一项所述的装置,所述获取模块包括:
第一接收单元,用于接收所述原始样本数据;或者,
采集单元,用于根据所述在线待优化模型的标识信息,将所述在线待优化模型的输入信息,确定为所述原始样本数据。
13.根据权利要求8-10任一项所述的装置,所述获取模块包括:
第二获取单元,用于获取目标变换方式,所述目标变换方式包括如下至少一种:删除、裁剪、置空、添加、替换或反转;
变换单元,用于根据所述目标变换方式,对所述原始样本数据中的目标字段进行相应处理,得到所述变换后的样本数据。
14.根据权利要求13所述的装置,所述第二获取单元包括:
第二接收单元,用于接收第二消息,所述第二消息中包括所述目标变换方式;或者,
选择单元,用于从预设的多个变换方式中,随机选择至少一种目标变换方式。
15.一种电子设备,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权利要求1-7中任一项的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110319521.3A CN113052325A (zh) | 2021-03-25 | 2021-03-25 | 在线模型的优化方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110319521.3A CN113052325A (zh) | 2021-03-25 | 2021-03-25 | 在线模型的优化方法、装置、设备、存储介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113052325A true CN113052325A (zh) | 2021-06-29 |
Family
ID=76515177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110319521.3A Pending CN113052325A (zh) | 2021-03-25 | 2021-03-25 | 在线模型的优化方法、装置、设备、存储介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052325A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023160534A1 (zh) * | 2022-02-23 | 2023-08-31 | 维沃移动通信有限公司 | 数据采集方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472802A (zh) * | 2018-05-09 | 2019-11-19 | 阿里巴巴集团控股有限公司 | 一种数据特征评估方法、装置及设备 |
US20200293775A1 (en) * | 2019-03-15 | 2020-09-17 | International Business Machines Corporation | Data labeling for deep-learning models |
CN112543945A (zh) * | 2018-08-01 | 2021-03-23 | 3M创新有限公司 | 预测建模工具 |
-
2021
- 2021-03-25 CN CN202110319521.3A patent/CN113052325A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472802A (zh) * | 2018-05-09 | 2019-11-19 | 阿里巴巴集团控股有限公司 | 一种数据特征评估方法、装置及设备 |
CN112543945A (zh) * | 2018-08-01 | 2021-03-23 | 3M创新有限公司 | 预测建模工具 |
US20200293775A1 (en) * | 2019-03-15 | 2020-09-17 | International Business Machines Corporation | Data labeling for deep-learning models |
Non-Patent Citations (1)
Title |
---|
李浩君;张鹏威;张征;王万良;: "基于多维信息特征映射模型的在线学习路径优化方法", 控制与决策, no. 06, 14 May 2018 (2018-05-14) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023160534A1 (zh) * | 2022-02-23 | 2023-08-31 | 维沃移动通信有限公司 | 数据采集方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114329201A (zh) | 深度学习模型的训练方法、内容推荐方法和装置 | |
CN113836314A (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN114861039A (zh) | 一种搜索引擎的参数配置方法、装置、设备及存储介质 | |
CN113657538A (zh) | 模型训练、数据分类方法、装置、设备、存储介质及产品 | |
CN113052325A (zh) | 在线模型的优化方法、装置、设备、存储介质及程序产品 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN115048352B (zh) | 一种日志字段提取方法、装置、设备和存储介质 | |
CN116228301A (zh) | 一种目标用户的确定方法、装置、设备及介质 | |
CN114141236B (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
CN114998649A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
CN114116688A (zh) | 数据处理与数据质检方法、装置及可读存储介质 | |
CN113051479A (zh) | 文件处理、推荐信息生成方法、装置、设备及存储介质 | |
CN113010782A (zh) | 需求量获取方法、装置、电子设备以及计算机可读介质 | |
CN112906723A (zh) | 一种特征选择的方法和装置 | |
CN113434432B (zh) | 一种推荐平台的性能测试方法、装置、设备、及介质 | |
CN115563964B (zh) | 短信文本正则生成方法、装置、电子设备及存储介质 | |
CN114037058B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN114037057B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN115168727B (zh) | 用户习惯的挖掘方法、装置及电子设备 | |
US20230004774A1 (en) | Method and apparatus for generating node representation, electronic device and readable storage medium | |
CN114443492A (zh) | 一种软件测试方法、装置、电子设备和存储介质 | |
CN113313049A (zh) | 超参数的确定方法、装置、设备、存储介质以及计算机程序产品 | |
CN114037058A (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN114428887A (zh) | 点击数据去噪方法、装置、电子设备及存储介质 | |
CN116204441A (zh) | 索引数据结构的性能测试方法、装置、设备及存储介质 |
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 |