CN113192639A - 信息预测模型的训练方法、装置、设备及存储介质 - Google Patents

Abstract

本申请适用于人工智能技术领域，尤其涉及一种信息预测模型的训练方法、装置、设备及存储介质，其中方法包括：基于训练数据集，通过特征提取网络分别对第一模态训练数据及第二模态训练数据进行特征提取，生成特征向量，将所有的特征向量进行特征融合后输入至第一信息预测模型中预测得到目标信息，将第一模态训练数据的特征向量输入至第二信息预测模型中，得到输出的第二模态的预测数据，并将预测数据与第二模态训练数据进行比对，得到数据差异；基于数据差异及目标信息进行模型梯度反向传播，得到训练后的信息预测模型。该方案使训练后的模型能够基于多模态信息进行信息融合，提升信息预测评估的有效性。

Description

信息预测模型的训练方法、装置、设备及存储介质

技术领域

本申请属于人工智能技术领域，尤其涉及一种信息预测模型的训练方法、装置、设备及存储介质。

背景技术

信息预测评估在现实生活中有广泛应用，例如用户健康状态评估在医疗健康中的应用、生物繁衍预测评估在农业领域的应用等。

以用户健康状态评估为例，通过信息预测评估可以辅助用户在不去医院使用医疗仪器进行检测的情况下，实现仅基于一些随时可得的信息判断用户健康状态，对于推广健康评估日常化有重大意义。

但在信息预测评估中，通常可获得的用户信息是多种模态的，比如用户临时拍摄的视频、图像等视觉信息，用户自己选择的性别年龄等文本信息，基于传感器检测的心率血压等时序信息等。目前大多算法采用的是基于单一模态信息进行评估或分别基于不同的单一模态信息进行评估后由具备一定相关知识的人员综合各评估结果进行用户健康预测。

因此，如何综合多个模态信息，更有效地进行信息的融合实现信息预测评估，是有待解决的问题。

发明内容

本申请实施例提供了一种信息预测模型的训练方法、装置、设备及存储介质，以解决现有技术中如何综合多个模态信息，进行信息融合实现有效信息预测评估的问题。

本申请实施例的第一方面提供了一种信息预测模型的训练方法，包括：

获取训练数据集，所述训练数据集中包括第一模态训练数据及与所述第一模态训练数据具有信息预测关系的第二模态训练数据；

基于所述训练数据集，通过特征提取网络分别对所述第一模态训练数据及所述第二模态训练数据进行特征提取，生成特征向量；

将提取出的所述特征向量进行特征融合后输入至第一信息预测模型中，预测得到目标信息；

将所述第一模态训练数据的特征向量输入至第二信息预测模型中，得到输出的第二模态的预测数据，并将所述预测数据与所述第二模态训练数据进行比对，得到数据差异；

基于所述数据差异及所述目标信息进行模型梯度反向传播，更新所述特征提取网络及所述第一信息预测模型的模型参数，得到训练后的信息预测模型。

本申请实施例的第二方面提供了一种信息预测模型的训练装置，包括：

获取模块，用于获取训练数据集，所述训练数据集中包括第一模态训练数据及与所述第一模态训练数据具有信息预测关系的第二模态训练数据；

特征提取模块，用于基于所述训练数据集，通过特征提取网络分别对所述第一模态训练数据及所述第二模态训练数据进行特征提取，生成特征向量；

信息预测模块，用于将提取出的所述特征向量进行特征融合后输入至第一信息预测模型中，预测得到目标信息；

差异获取模块，用于将所述第一模态训练数据的特征向量输入至第二信息预测模型中，得到输出的第二模态的预测数据，并将所述预测数据与所述第二模态训练数据进行比对，得到数据差异；

模型训练模块，用于基于所述数据差异及所述目标信息进行模型梯度反向传播，更新所述特征提取网络及所述第一信息预测模型的模型参数，得到训练后的信息预测模型。

本申请实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述方法的步骤。

本申请的第五方面提供了一种计算机程序产品，当所述计算机程序产品在终端上运行时，使得所述终端执行上述第一方面所述方法的步骤。

由上可见，本申请实施例，将具有信息预测关系的多模态训练数据进行特征提取，一方面利用提取的特征向量融合后作为向量输入，得到预测信息输出，另一方面利用一种模态的数据进行内容预测，以具有信息预测关系的另一模态数据作为预测结果的参照量，找出数据差异，实现基于两条处理线路的数据处理结果对第一信息预测模型及特征提取网络进行模型参数优化，实现在多任务模型下的信息预测模型的训练，使训练后的模型能够基于多模态信息进行信息融合，提升信息预测评估的有效性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种信息预测模型的训练方法的流程图一；

图2是本申请实施例提供的一种信息预测模型的训练方法的流程图二；

图3是本申请实施例提供的一种信息预测模型的训练装置的结构图；

图4是本申请实施例提供的一种终端的结构图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

具体实现中，本申请实施例中描述的终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，所述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。

在接下来的讨论中，描述了包括显示器和触摸敏感表面的终端。然而，应当理解的是，终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。

终端支持各种应用程序，例如以下中的一个或多个：绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。

可以在终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样，终端的公共物理架构(例如，触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。

应理解，本实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

参见图1，图1是本申请实施例提供的一种信息预测模型的训练方法的流程图一。如图1所示，一种信息预测模型的训练方法，该方法包括以下步骤：

步骤101，获取训练数据集。

该训练数据集中包括第一模态训练数据及与第一模态训练数据具有信息预测关系的第二模态训练数据。

该训练数据集为包括多模态数据的数据集。具体地，多模态数据具体可以是不同传感器对同一事物的描述数据，比如说，相机对用户拍得的人脸图像数据、血压计对用户血压监测得到的血压波动时序数据、对用户身份信息录入得到的年龄、性别等文本数据，该些数据之间模态不同。

具体地，第一模态训练数据包括：图像模态训练数据或时序模态训练数据；第二模态训练数据包括：文本模态训练数据。第一模态训练数据用于在作为信息预测模型的输入数据时，使信息预测模型输出第二模态的预测数据。

其中，第二模态训练数据为第二模态的训练数据，该第二模态的预测数据具体为与第二模态训练数据具有相同模态的预测数据。

本申请实施例中，在设置训练数据集时，需要在各模态训练数据间设置信息预测关系，该信息预测关系具体指可以由机器学习模型从一种或多种模态的训练数据中能够预测出目标模态的预测数据。

在一个具体实施方式中，可以设置训练数据集中包括用户的年龄性别等文本模态数据、用户的血压或心率波动时序数据、用户脸部的图像模态数据，而其中用户的血压或心率波动时序数据及用户脸部的图像模态数据可以通过机器学习模型对用户的年龄、性别等文本模态数据进行预测，即预测关系可以是视觉-文本预测关系，或时序-文本预测关系。例如，基于用户的血压曲线、心率曲线、脉搏曲线、呼吸曲线等时序数据，可以用来估计性别、年龄等文本信息，基于用户脸部的图像模态数据预测出用户的年龄、性别等信息。此处仅为示例性说明，并不以此为限。

其中，作为一可选的实施方式，获取训练数据集，包括：

获取多模态的训练样本数据；根据设定的模型训练主任务，从训练样本数据中选取至少一种第一模态训练数据及与第一模态训练数据具有信息预测关系的第二模态训练数据；生成包含第一模态训练数据及第二模态训练数据的训练数据集。

该第一模态训练数据中可以包括至少一种模态的训练数据。

第一模态训练数据与第二模态训练数据之间的信息预测关系可以是，能够在不同的第一模态训练数据基础上预测出第二模态训练数据。

该模型训练主任务可以是健康状态预测模型，可以基于该模型训练主任务去筛选需要的训练样本数据，形成训练数据集。该模型训练主任务具体可以对应于后续的第一信息预测模型，通过该第一信息预测模型执行对用户的健康状态预测。

步骤102，基于训练数据集，通过特征提取网络分别对第一模态训练数据及第二模态训练数据进行特征提取，生成特征向量。

这里生成的特征向量包括与第一模态训练数据对应的第一特征向量及与第二模态训练数据对应的第二特征向量，其中第一模态训练数据或第二模态训练数据为多个时，则可以对每一第一模态训练数据或每一第二模态训练数据均生成对应的特征向量。

在获取到训练数据集之后，需要基于该训练数据集进行模型训练，在进行模型训练时，需要对训练数据集中的各模态训练数据进行特征提取，以得到特征向量，便于后续信息的预测。

在对特征向量进行提取时，由于训练数据集中数据的多模态特性，可以对不同模态的训练数据分别设置对应的特征提取网络，以通过分别设置的特征提取网络对不同模态的训练数据分别进行特征提取，生成特征向量。

即作为一可选的实施方式，该基于训练数据集，通过特征提取网络分别对第一模态训练数据及第二模态训练数据进行特征提取，生成特征向量，包括：

获取特征提取网络集合；从特征提取网络集合中选取与第一模态训练数据的模态相对应的第一特征提取网络及与第二模态训练数据的模态相对应的第二特征提取网络；将第一模态训练数据输入至第一特征提取网络，将第二模态训练数据输入至第二特征提取网络，分别进行特征提取，生成特征向量。

其中，在选取与第一模态训练数据的模态相对应的第一特征提取网络及与第二模态训练数据的模态相对应的第二特征提取网络，具体根据不同模态训练数据的模态进行特征提取网络的选取，例如，第一模态训练数据为图像数据，则与之对应的特征提取网络为视觉特征提取网络，第二模态训练数据为文本数据，则与之对应的特征提取网络为文本特征提取网络。

或者，针对所有模态的训练数据，均采用同一个特征提取网络进行特征提取，生成特征向量。这里可以根据实际训练数据中多模态训练数据的设置情况进行具体选择。

步骤103，将提取出的特征向量进行特征融合后输入至第一信息预测模型中，预测得到目标信息。

该目标信息具体为通过第一信息预测模型执行模型训练主任务时的预测信息。

例如，模型训练主任务为综合各个模态的用户信息进行健康状态预测时，通过第一信息预测模型预测得到的用户健康与否的目标信息。

该模型训练主任务在通过第一信息预测模型进行信息预测预测时，需要先将由特征提取网络提取出的与不同模态训练数据对应的各特征向量进行特征融合，在将各特征向量特征融合后作为输入数据输入至第一信息预测模型中。

该步骤中，通过基于对多模态训练数据提取出的特征向量进行特征融合，可以是将各特征向量进行拼接实现特征融合或者通过设置的全连接层处理后实现特征融合。具体地，当各特征向量之间维数差异不大时，可以直接采用特征归一化后拼接的方式融合，当各特征向量之间维数差异较大时，可以将高维数特征向量进行降维后与其他特征向量拼接，具体可以使用后接全连接层的方式进行降维。特征向量拼接前都需要先进行特征数值归一化。

步骤104，将第一模态训练数据的特征向量输入至第二信息预测模型中，得到输出的第二模态的预测数据，并将预测数据与第二模态训练数据进行比对，得到数据差异。

其中，第二信息预测模型可以对应于模型训练子任务，通过模型训练子任务的设置实现在模型训练主任务之外对模型训练的辅助。

该第二信息预测模型用于将第一模态的训练数据作为输入，输出第二模态的预测数据。该第二模态的预测数据与第二模态训练数据模态相同。

在第二信息预测模型基于输入的第一模态训练数据进行信息预测得到第二模态的预测数据时，该预测数据可能会与训练数据集中第二模态训练数据相一致，或者存在差异。例如，在基于人脸图片预测年龄时，若第二信息预测模型基于输入的人脸图像(即第一模态的训练数据)预测出的年龄值为30(即第二模态的训练数据)，若训练数据集中第二模态训练数据为年龄值40，则两者存在差异，需要将训练数据集中的第二模态训练数据作为预测数据的参照数据，找到预测模型在数据处理上存在的数据差异。

具体地，作为一可选的实施方式，该将第一模态训练数据的特征向量输入至第二信息预测模型中，得到输出的第二模态的预测数据之前，还包括：

基于信息预测关系，确定与第一模态训练数据及第二模态训练数据相适配的信息预测功能，选取具备该信息预测功能的目标模型作为第二信息预测模型；其中，第二信息预测模型用于将第一模态的训练数据作为输入，输出第二模态的预测数据。

具体地，在本方案具体实施时，可以根据实际可获得的模型训练数据，结合模型训练任务背景进行模型结构构建和子任务的设置，在设置子任务时，具体考虑模型训练数据之间的关联性(即第一模态训练数据与第二模态训练数据之间的信息预测关系)对其进行设置，在设置子任务时，则需要基于该信息预测关系设置每一子任务中的信息预测模型(即第二信息预测模型)。

例如当模型训练数据中包括人脸图片(视觉模态)，用户年龄、性别(文本模态)的情况下，显然人脸图片和年龄、性别之间有明显的关联性和信息预测关系，基于人脸图片能够较为客观地预测出年龄、性别这些信息，因此可以基于模型训练数据中各模态训练数据之间的信息预测关系设置模型测试子任务，具体可设置子任务1：人脸图片预测年龄；子任务2：人脸图片预测性别。

对应地，子任务1中，与第一模态训练数据及第二模态训练数据相适配的信息预测功能可以确定为基于人脸视觉图像预测年龄这一文本信息，同时选取具备基于人脸图像进行年龄预测功能的模型作为第二信息预测模型；子任务2中，与第一模态训练数据及第二模态训练数据相适配的信息预测功能可以确定为基于视觉图像预测性别这一文本信息，同时选取具备基于人脸图像进行性别预测功能的模型作为第二信息预测模型。第二信息预测模型可以为多个，一个子任务对应一个第二信息预测模型。

该过程的实施目的是，为了加强各个模态信息之间的深度融合。以人脸图片(视觉信息)和性别(文本信息)综合估计健康状态为例，当直接从人脸图片中提取图片特征，然后融合性别特征，则无法确保图片特征中所包含的和性别相关的信息能够成功提取到。而如果设置一个基于图片估计性别的子网络，则能够通过训练使得特征提取网络所提取的图片特征确保含有性别相关的信息，这样能进一步利用图片中所包含的性别信息和实际的性别信息之间的关系来预测健康状态。

该过程可以增强特征提取网络提取与第二模态数据具有关联关系的第一模态数据特征的能力。从而加强不同模态数据之间的深度特征融合，使提取的第一模态训练数据与第二模态训练数据间特征关联更加紧密，

步骤105，基于数据差异及目标信息进行模型梯度反向传播，更新特征提取网络及第一信息预测模型的模型参数，得到训练后的信息预测模型。

训练后的信息预测模型中包括模型参数更新后的特征提取网络及第一信息预测模型。

其中，在梯度反向传播的过程中，通过第二信息预测模型输出的预测结果与训练数据集中第二模态训练数据比对得到的数据差异，对第二信息预测模型中参数求导，梯度进行反向传播，更新网络参数，在反向传播的过程中不止会更新第二信息预测模型的参数，还会回传至特征提取网络，更新特征提取网络的参数。同时基于第一信息预测模型的预测信息，如健康状态预测值，获取到其与健康状态真实值的差，对第一信息预测模型中参数进行求导，梯度进行反向传播，更新网络参数，在反向传播的过程不止更新第一信息预测模型的参数，还会回传到特征提取网络，更新特征提取网络的参数。结合两个处理过程，最终使信息预测模型中包括的特征提取网络学习到适合后续第一信息预测模型融合的视觉、文本、时序等不同模态信息的特征，提升特征提取网络对多模态数据的特征提取准确度，同时提升第一信息预测模型对多模态信息处理时的特征融合及信息预测效果。

进一步地，该训练数据集和/或训练后的信息预测模型存储至区块链中。

在本申请的所有实施例中，训练数据集及训练得到的信息预测模型可以上传至区块链保证其安全性和对用户的公正透明性。用户设备可以从区块链中下载得该训练数据集或训练得到的信息预测模型，以便查证相关数据是否被篡改。本示例所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

进一步地，对训练后的信息预测模型进行应用过程中，将去除与训练子任务对应的第二信息预测模型，直接基于输入的多模态数据执行与训练主任务相一致的信息预测功能即可。

本申请实施例，将具有信息预测关系的多模态训练数据进行特征提取，一方面利用提取的特征向量融合后作为向量输入，得到预测信息输出，另一方面利用一种模态的数据进行内容预测，以具有信息预测关系的另一模态数据作为预测结果的参照量，找出数据差异，实现基于两条处理线路的数据处理结果对第一信息预测模型及特征提取网络进行模型参数优化，实现在多任务模型下的信息预测模型的训练，使训练后的模型能够基于多模态信息进行信息融合，提升信息预测评估的有效性。

本申请实施例中还提供了信息预测模型的训练方法的不同实施方式。

参见图2，图2是本申请实施例提供的一种信息预测模型的训练方法的流程图二。如图2所示，一种信息预测模型的训练方法，该方法包括以下步骤：

步骤201，获取训练数据集。

该训练数据集中包括第一模态训练数据及与第一模态训练数据具有信息预测关系的第二模态训练数据。

该步骤的实现过程与前述实施方式中的步骤101的实现过程相同，此处不再赘述。

步骤202，基于训练数据集，通过特征提取网络分别对第一模态训练数据及第二模态训练数据进行特征提取，生成特征向量。

该步骤的实现过程与前述实施方式中的步骤102的实现过程相同，此处不再赘述。

步骤203，将提取出的特征向量进行特征融合后输入至第一信息预测模型中，预测得到目标信息。

该步骤的实现过程与前述实施方式中的步骤103的实现过程相同，此处不再赘述。

步骤204，将第一模态训练数据的特征向量输入至第二信息预测模型中，得到输出的第二模态的预测数据，并将预测数据与第二模态训练数据进行比对，得到数据差异。

该步骤的实现过程与前述实施方式中的步骤104的实现过程相同，此处不再赘述。

步骤205，基于数据差异，对特征提取网络进行梯度反向传播，更新特征提取网络中的参数。

步骤206，基于目标信息进行模型梯度反向传播，更新第一信息预测模型及特征提取网络的模型参数。

这里，在步骤205及206中均会出现对特征提取网络的模型参数更新，使得训练后的特征提取网络中能够同时学习得到模型训练主任务的数据特征关系同时学习到模型训练子任务中的数据特征关系，提升特征提取网络对多模态数据的特征提取准确度，进而优化后续多模态数据特征融合及信息预测的整体性能。

步骤207，获取包含参数更新后的特征提取网络及第一信息预测模型的训练后的信息预测模型。

在梯度反向传播的过程中，通过第二信息预测模型输出的预测结果与训练数据集中第二模态训练数据比对得到的数据差异，对第二信息预测模型中参数求导，梯度进行反向传播，更新网络参数，在反向传播的过程中不止会更新第二信息预测模型的参数，还会回传至特征提取网络，更新特征提取网络的参数。同时基于第一信息预测模型的预测信息，如健康状态预测值，获取到其与健康状态真实值的差，对第一信息预测模型中参数进行求导，梯度进行反向传播，更新网络参数，在反向传播的过程不止更新第一信息预测模型的参数，还会回传到特征提取网络，更新特征提取网络的参数。结合两个处理过程，最终使信息预测模型中包括的特征提取网络学习到适合后续第一信息预测模型融合的视觉、文本、时序等不同模态信息的特征，提升特征提取网络对多模态数据的特征提取准确度，同时提升第一信息预测模型对多模态信息处理时的特征融合及信息预测效果。

本申请实施例，将具有信息预测关系的多模态训练数据进行特征提取，一方面利用提取的特征向量融合后作为向量输入，得到预测信息输出，另一方面利用一种模态的数据进行内容预测，以具有信息预测关系的另一模态数据作为预测结果的参照量，找出数据差异，实现基于两条处理线路的数据处理结果对第一信息预测模型及特征提取网络进行模型参数优化，实现在多任务模型下的信息预测模型的训练，使训练后的模型能够基于多模态信息进行信息融合，提升信息预测模型对多模态信息处理时的特征融合及信息预测效果。

参见图3，图3是本申请实施例提供的一种信息预测模型的训练装置的结构图，为了便于说明，仅示出了与本申请实施例相关的部分。

所述信息预测模型的训练装置300包括：

获取模块301，用于获取训练数据集，所述训练数据集中包括第一模态训练数据及与所述第一模态训练数据具有信息预测关系的第二模态训练数据；

特征提取模块302，用于基于所述训练数据集，通过特征提取网络分别对所述第一模态训练数据及所述第二模态训练数据进行特征提取，生成特征向量；

信息预测模块303，用于将提取出的所述特征向量进行特征融合后输入至第一信息预测模型中，预测得到目标信息；

差异获取模块304，用于将所述第一模态训练数据的特征向量输入至第二信息预测模型中，得到输出的第二模态的预测数据，并将所述预测数据与所述第二模态训练数据进行比对，得到数据差异；

模型训练模块305，用于基于所述数据差异及所述目标信息进行模型梯度反向传播，更新所述特征提取网络及所述第一信息预测模型的模型参数，得到训练后的信息预测模型。

其中，模型训练模块，具体用于：

基于所述数据差异，对所述特征提取网络进行梯度反向传播，更新所述特征提取网络中的参数；

基于所述目标信息进行模型梯度反向传播，更新所述第一信息预测模型及所述特征提取网络的模型参数；

获取包含参数更新后的所述特征提取网络及所述第一信息预测模型的训练后的所述信息预测模型。

其中，获取模块，具体用于：

获取多模态的训练样本数据；

根据设定的模型训练主任务，从所述训练样本数据中选取至少一种第一模态训练数据及与所述第一模态训练数据具有信息预测关系的第二模态训练数据；

生成包含所述第一模态训练数据及所述第二模态训练数据的训练数据集。

该训练装置还包括：

模型构建模块，用于基于所述信息预测关系，确定与所述第一模态训练数据及所述第二模态训练数据相适配的信息预测功能，选取具备所述信息预测功能的目标模型作为所述第二信息预测模型；

其中，所述第二信息预测模型用于将第一模态的训练数据作为输入，输出第二模态的预测数据。

其中，所述第一模态训练数据包括：图像模态训练数据或时序模态训练数据；所述第二模态训练数据包括：文本模态训练数据；其中，所述第一模态训练数据用于在作为信息预测模型的输入数据时，使所述信息预测模型输出所述第二模态的预测数据。

其中，特征提取模块，具体用于：

获取特征提取网络集合；

从所述特征提取网络集合中选取与所述第一模态训练数据的模态相对应的第一特征提取网络及与所述第二模态训练数据的模态相对应的第二特征提取网络；

将所述第一模态训练数据输入至所述第一特征提取网络，将所述第二模态训练数据输入至所述第二特征提取网络，分别进行特征提取，生成所述特征向量。

其中，所述训练数据集和/或训练后的所述信息预测模型存储至区块链中。

本申请实施例提供的信息预测模型的训练装置能够实现上述信息预测模型的训练方法的实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

图4是本申请实施例提供的一种终端的结构图。如该图所示，该实施例的终端4包括：至少一个处理器40(图4中仅示出一个)、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42，所述处理器40执行所述计算机程序42时实现上述任意各个方法实施例中的步骤。

所述终端4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端4的示例，并不构成对终端4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。

所述处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、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 Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。

所述存储器41可以是所述终端4的内部存储单元，例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备，例如所述终端4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序产品来实现，当计算机程序产品在终端上运行时，使得所述终端执行时实现可实现上述各个方法实施例中的步骤。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种信息预测模型的训练方法，其特征在于，包括：

获取训练数据集，所述训练数据集中包括第一模态训练数据及与所述第一模态训练数据具有信息预测关系的第二模态训练数据；

基于所述训练数据集，通过特征提取网络分别对所述第一模态训练数据及所述第二模态训练数据进行特征提取，生成特征向量；

将所有的所述特征向量进行特征融合后输入至第一信息预测模型中，预测得到目标信息；

将所述第一模态训练数据的特征向量输入至第二信息预测模型中，得到输出的第二模态的预测数据，并将所述预测数据与所述第二模态训练数据进行比对，得到数据差异；

基于所述数据差异及所述目标信息进行模型梯度反向传播，更新所述特征提取网络及所述第一信息预测模型的模型参数，得到训练后的信息预测模型。

2.根据权利要求1所述的训练方法，其特征在于，所述基于所述数据差异及所述目标信息进行模型梯度反向传播，更新所述特征提取网络及所述第一信息预测模型的模型参数，得到训练后的信息预测模型，包括：

基于所述数据差异，对所述特征提取网络进行梯度反向传播，更新所述特征提取网络中的参数；

基于所述目标信息进行模型梯度反向传播，更新所述第一信息预测模型及所述特征提取网络的模型参数；

获取包含参数更新后的所述特征提取网络及所述第一信息预测模型的训练后的所述信息预测模型。

3.根据权利要求1所述的训练方法，其特征在于，所述获取训练数据集，包括：

获取多模态的训练样本数据；

根据设定的模型训练主任务，从所述训练样本数据中选取至少一种所述第一模态训练数据及与所述第一模态训练数据具有信息预测关系的第二模态训练数据；

生成包含所述第一模态训练数据及所述第二模态训练数据的所述训练数据集。

4.根据权利要求1所述的训练方法，其特征在于，所述将所述第一模态训练数据的特征向量输入至第二信息预测模型中，得到输出的第二模态的预测数据之前，还包括：

基于所述信息预测关系，确定与所述第一模态训练数据及所述第二模态训练数据相适配的信息预测功能，选取具备所述信息预测功能的目标模型作为所述第二信息预测模型；

其中，所述第二信息预测模型用于将第一模态的训练数据作为输入，输出第二模态的预测数据。

5.根据权利要求1所述的训练方法，其特征在于，所述第一模态训练数据包括：图像模态训练数据或时序模态训练数据；所述第二模态训练数据包括：文本模态训练数据；

所述第一模态训练数据用于在作为信息预测模型的输入数据时，使所述信息预测模型输出所述第二模态的预测数据。

6.根据权利要求1所述的训练方法，其特征在于，所述基于所述训练数据集，通过特征提取网络分别对所述第一模态训练数据及所述第二模态训练数据进行特征提取，生成特征向量，包括：

获取特征提取网络集合；

从所述特征提取网络集合中选取与所述第一模态训练数据的模态相对应的第一特征提取网络及与所述第二模态训练数据的模态相对应的第二特征提取网络；

将所述第一模态训练数据输入至所述第一特征提取网络，将所述第二模态训练数据输入至所述第二特征提取网络，分别进行特征提取，生成所述特征向量。

7.根据权利要求1所述的训练方法，其特征在于，所述训练数据集和/或训练后的所述信息预测模型存储至区块链中。

8.一种信息预测模型的训练装置，其特征在于，包括：

获取模块，用于获取训练数据集，所述训练数据集中包括第一模态训练数据及与所述第一模态训练数据具有信息预测关系的第二模态训练数据；

特征提取模块，用于基于所述训练数据集，通过特征提取网络分别对所述第一模态训练数据及所述第二模态训练数据进行特征提取，生成特征向量；

信息预测模块，用于将提取出的所述特征向量进行特征融合后输入至第一信息预测模型中，预测得到目标信息；

差异获取模块，用于将所述第一模态训练数据的特征向量输入至第二信息预测模型中，得到输出的第二模态的预测数据，并将所述预测数据与所述第二模态训练数据进行比对，得到数据差异；

模型训练模块，用于基于所述数据差异及所述目标信息进行模型梯度反向传播，更新所述特征提取网络及所述第一信息预测模型的模型参数，得到训练后的信息预测模型。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

Images