CN113449773A - 模型更新方法、装置、存储介质及电子设备 - Google Patents
模型更新方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN113449773A CN113449773A CN202110580346.3A CN202110580346A CN113449773A CN 113449773 A CN113449773 A CN 113449773A CN 202110580346 A CN202110580346 A CN 202110580346A CN 113449773 A CN113449773 A CN 113449773A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- recognition
- identification
- recognition model
- 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 57
- 238000012549 training Methods 0.000 claims abstract description 109
- 238000004590 computer program Methods 0.000 claims description 19
- 230000002147 killing effect Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 16
- 238000012552 review Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000013434 data augmentation Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种模型更新方法，以结合人工识别结果实现数据识别模型的自动迭代和自动上线部署。该方法包括：确定当前运行的数据识别模型，所述数据识别模型用于识别用户提交的数据是否为预设类型的数据；确定所述数据识别模型对目标数据的模型识别结果和所述目标数据对应的人工识别结果，并根据所述模型识别结果和所述人工识别结果，确定是否更新所述数据识别模型，所述目标数据为经过人工识别的历史数据；若确定更新所述数据识别模型，则训练所述数据识别模型，以得到更新数据识别模型；将当前运行的数据识别模型切换为所述更新数据识别模型。
Description
技术领域
本公开涉及计算机技术领域，具体地，涉及一种模型更新方法、装置、存储介质及电子设备。
背景技术
随着计算机技术的不断发展，各种应用程序层出不穷，比如短视频应用程序等等。相关技术中，对于用户在应用程序中上传的内容通常会采用机器学习模型进行内容识别。但随着线上数据分布变化，机器学习模型的性能可能出现大幅度退化，模型迭代效率及性能评估变差，对于大量机器学习模型的维护成本极高。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供一种模型更新方法，所述方法包括：
确定当前运行的数据识别模型，所述数据识别模型用于识别用户提交的数据是否为预设类型的数据；
确定所述数据识别模型对目标数据的模型识别结果和所述目标数据对应的人工识别结果，并根据所述模型识别结果和所述人工识别结果，确定是否更新所述数据识别模型，所述目标数据为经过人工识别的历史数据；
若确定更新所述数据识别模型，则训练所述数据识别模型，以得到更新数据识别模型；
将当前运行的数据识别模型切换为所述更新数据识别模型。
第二方面，本公开提供一种模型更新装置，所述装置包括：
第一确定模块，用于确定当前运行的数据识别模型，所述数据识别模型用于识别用户提交的数据是否为预设类型的数据；
第二确定模块，用于确定所述数据识别模型对目标数据的模型识别结果和所述目标数据对应的人工识别结果，并根据所述模型识别结果和所述人工识别结果，确定是否更新所述数据识别模型，所述目标数据为经过人工识别的历史数据；
训练模块，用于当确定更新所述数据识别模型时，训练所述数据识别模型，以得到更新数据识别模型；
切换模块，用于将当前运行的数据识别模型切换为所述更新数据识别模型。
第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面中所述方法的步骤。
第四方面，本公开提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面中所述方法的步骤。
通过上述技术方案，可以根据模型识别结果和人工识别结果，确定是否更新数据识别模型。由此，通过将线上识别数据反哺到模型的迭代，可以实现数据识别模型的自动迭代更新，无需人工判断何时进行模型迭代，从而可以提高模型迭代效率。并且，在确定更新数据识别模型后，可以训练数据识别模型，并将当前运行的数据识别模型自动切换为训练后的更新数据识别模型。由此，可以实现模型的自动上线部署，提高模型的上线部署效率。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：
图1是根据本公开一示例性实施例示出的一种模型更新方法的流程图；
图2是根据本公开另一示例性实施例示出的一种模型更新方法的过程示意图；
图3是根据本公开一示例性实施例示出的一种模型更新装置的框图；
图4是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。另外需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
正如背景技术所言，相关技术中，对于用户在应用程序中上传的内容通常会采用机器学习模型进行内容识别。但随着线上数据分布变化，机器学习模型的性能可能出现大幅度退化，模型迭代效率及性能评估变差，对于大量机器学习模型的维护成本极高。
发明人研究发现，线上机器学习模型的升级迭代主要基于单个模型的离线迭代，涉及数据收集、清洗等环节，各个环节均需要人工参与，且需要人工判断何时进行模型迭代，没有合适的指标来自动衡量模型是否需要迭代，线上数据没有合理地应用于模型的迭代，即缺乏合理、智能化的数据指标自动化地驱动模型训练及评估上线。
有鉴于此，本公开提供一种模型更新方法，以在数据识别场景下结合模型识别结果和人工识别结果确定是否更新模型，实现模型的自动迭代。
图1是根据本公开一示例性实施例示出的一种模型更新方法的流程图。参照图1，该模型更新方法包括：
步骤101，确定当前运行的数据识别模型，该数据识别模型用于识别用户提交的数据是否为预设类型的数据。
示例地，本公开提供的模型更新方法可以应用于数据识别场景。用户提交的数据可以包括文字数据、图片数据、视频数据等不同类型的数据，相应地，数据识别模型可以包括用于识别文字、图片、视频等不同类型数据的模型。比如，数据识别模型可以是文字识别模型，以识别用户提交的文字数据中是否存在低俗文字等预设类型的文字。或者，数据识别模型可以是人脸识别模型、图像logo识别模型等。也即是说，数据识别模型可以是基于深度学习构建的任意AI风险检测模型，本公开实施例不作限定。
步骤102，确定数据识别模型对目标数据的模型识别结果和目标数据对应的人工识别结果，并根据模型识别结果和人工识别结果，确定是否更新数据识别模型，目标数据为经过人工识别的历史数据。
应当理解的是，在数据识别的场景下，通过数据识别模型识别后的用户提交数据可能对应识别通过或识别不通过的模型识别结果。相关技术中，对于数据识别模型识别不通过的情况，会将该识别不通过的数据发送到人审队列，以进行人工识别。对于识别通过的情况，前文已有说明，数据识别模型可以包括用于识别不同类型数据的模型，因此可能是某一数据识别模型识别通过，而其他数据识别模型识别未通过。在此种情况下，也可以将该识别通过的数据发送到人审队列，以进行人工识别，保证识别准确性。此外，对于用户主动举报的数据，即使模型识别通过，也会被发送到人审队列，进行人工识别。
在本公开实施例中，可以从人审队列中获取目标数据，比如拉取人审队列中最近一周或最近一月的历史数据作为目标数据，本公开实施例对此不作限定。应当理解的是，数据识别模型在对用户实时提交的数据进行识别得到识别结果后，可以保存该识别结果，得到模型识别日志，从而后续可以从模型识别日志获取到数据识别模型对目标数据的模型识别结果。相应地，人工识别后也可以保存人工识别结果，从而后续可以获取到目标数据对应的人工识别结果。由此，可以根据目标数据的模型识别结果和人工识别结果，评估数据识别模型的性能指标，从而确定是否更新数据识别模型。
步骤103，若确定更新数据识别模型，则训练数据识别模型，以得到更新数据识别模型。
步骤104，将当前运行的数据识别模型切换为更新数据识别模型。
通过上述方式，可以根据模型识别结果和人工识别结果，确定是否更新数据识别模型。由此，通过将线上识别数据反哺到模型的迭代，可以实现数据识别模型的自动迭代更新，无需人工判断何时进行模型迭代，从而可以提高模型迭代效率。并且，在确定更新数据识别模型后，可以训练数据识别模型，并将当前运行的数据识别模型自动切换为训练后的更新数据识别模型。由此，可以实现模型的自动上线部署，提高模型的上线部署效率。
为了使得本领域技术人员更加理解本公开提供的模型更新方法，下面对上述各步骤进行详细举例说明。
在可能的方式中，根据模型识别结果和人工识别结果，确定是否更新数据识别模型可以是：根据模型识别结果和人工识别结果间的差异数据，确定数据识别模型的性能指标，该性能指标包括准确率和召回率，若数据识别模型的性能指标不满足对应的预设性能指标，则确定更新数据识别模型。
示例地，可以对人审队列中的数据计算人审、模型识别日志之间的差异数据，即模型识别结果和人工识别结果间的差异数据。通过该差异数据，可以确定数据识别模型的性能指标，比如数据识别模型的进审量、准确率、召回率等性能指标。其中，进审量表征一段时间内在数据识别模型识别后再进入人审队列进行人工识别的数据总量，准确率表征一段时间内数据识别模型识别为预设类型数据且实际为预设类型数据的数据以及数据识别模型识别为非预设类型数据且实际为非预设类型数据的数据占数据识别模型总识别量的比例，召回率表征一段时间内数据识别模型识别为预设类型数据且实际为预设类型数据的数据占数据识别模型识别的数据中所有预设类型数据(包括数据识别模型识别为预设类型数据且实际为预设类型数据的数据以及数据识别模型识别为非预设类型数据且实际为预设类型数据的数据)的比例。
示例地，预设性能指标可以包括进审量对应的第一预设性能指标、准确率对应的第二预设性能指标、召回率对应的第三预设性能指标中的至少一种性能指标。在具体实施时，可以根据差异数据确定的数据识别模型的性能指标分别设定对应的预设性能指标，即具体的预设性能指标数值可根据业务实际情况进行设定，本公开实施例对此不作限定。
若数据识别模型的性能指标不满足对应的预设性能指标，比如进审量大于第一预设性能指标、准确率小于第二预设性能指标、召回率小于第三性能指标，表明数据识别模型的性能有衰减，则可以通过邮件、系统消息等方式通知数据识别模型的维护人员并启动模型自动迭代机制，即确定更新数据识别模型。此外，还可以设置监控时长，比如，设定一周内若数据识别模型的性能指标不满足对应的预设性能指标，则确定更新数据识别模型，由此若某一天数据识别模型的性能指标不满足对应的预设性能指标，则不会触发模型迭代，从而防止短暂数据波动导致的异常则确定更新数据识别模型，保证模型迭代的准确性。
当然，在其他可能的方式中，数据识别模型的性能指标不满足对应的预设性能指标也可以是进审量大于第一预设性能指标且准确率小于第二预设性能指标，或者进审量大于第一预设性能指标且召回率小于第三性能指标，等等，本公开实施例对此不作限定。
应当理解的是，若数据识别模型的性能指标满足对应的预设性能指标，则说明数据识别模型的性能较好，可以不触发数据识别模型的更新，并可以继续进行性能指标的监控，即继续执行确定数据识别模型对目标数据的模型识别结果和目标数据对应的人工识别结果、根据模型识别结果和人工识别结果，确定是否更新数据识别模型的步骤。
通过上述方式，可以根据模型识别结果和人工识别结果间的差异数据评估数据识别模型的性能指标，并设置动态监控指标，用于触发数据识别模型的自动迭代机制，可以提高数据识别模型的迭代效率。
在确定更新数据识别模型后，则可以根据模型识别结果和人工识别结果训练数据识别模型，以得到更新数据识别模型。应当理解的是，可以在第一线程中通过当前运行的数据识别模型对用户提交的实时数据进行数据识别，同时在第二线程中根据模型识别结果和人工识别结果训练数据识别模型。由此，模型的训练不会影响线上识别流程。并且，第二线程中训练完毕后的模型可以存入模型版本库中，更好地对模型版本进行管理，并可随时回滚到之前的任何版本。
在可能的方式中，训练数据识别模型可以是：先根据模型识别结果和人工识别结果间的差异数据，确定数据识别模型对应的误杀数据集和漏放数据集，该误杀数据集用于表征数据识别模型识别为非预设类型数据的预设类型数据集合，漏放数据集用于表征数据识别模型识别为预设类型数据的非预设类型数据集合，然后将误杀数据集作为负例样本，将漏放数据集作为正例样本，最后根据正例样本和负例样本训练数据识别模型。
示例地，误杀数据集用于表征数据识别模型识别为非预设类型数据且实际为预设类型数据的数据集合，漏放数据集用于表征数据识别模型识别为预设类型数据且实际为非预设类型数据的数据集合。在具体实施时，可以预先建立为空的误杀数据集和漏放数据集，若数据识别模型识别为非预设类型数据且人工识别为预设类型数据，则可以将该数据添加到误杀数据集，数据识别模型识别为预设类型数据且人工识别为非预设类型数据，则可以将该数据添加到漏放数据集。
在得到误杀数据集和漏放数据集后，可以基于误杀数据集和漏放数据集构造正负例样本，以训练数据识别模型。示例地，可以将误杀数据集作为负例样本，将漏放数据集作为正例样本，然后根据该正例样本和负例样本训练数据识别模型。或者，还可以先对误杀数据集和漏放数据集中的数据通过哈希算法、MD5算法等方式进行数据去重，并对数据去重后的误杀数据集和漏放数据集进行人工抽样质检减少误判的影响。之后，还可以根据数据识别模型的类型进行样本标注，比如针对人脸识别的数据识别模型，可以标注误杀数据集和漏放数据集中图片的准确人脸位置，以提高后续模型训练的效果。或者，针对文字识别的数据识别模型，可以人工标注误杀数据集和漏放数据集中文字的具体语义信息，以提高后续模型训练的效果。
在可能的方式中，为避免正负例样本不均衡或数据量不够对模型训练的影响，还可以先确定正例样本和负例样本是否满足对应的预设样本阈值，若正例样本和负例样本满足对应的预设样本阈值，则根据正例样本和负例样本训练数据识别模型。若正例样本和负例样本不满足对应的预设样本阈值，则可以先对误杀数据集和漏放数据集进行数据增广处理，直到正例样本和负例样本满足对应的预设样本阈值后，再根据正例样本和负例样本训练数据识别模型。
示例地，预设样本阈值可以是根据实际情况设定的，本公开实施例对此不作限定。比如，预设样本阈值可以包括正例样本阈值、负例样本阈值和正负例样本比例阈值，相应地，确定正例样本和负例样本是否满足对应的预设样本阈值可以是分别判断正例样本是否达到正例样本阈值、负例样本是否达到负例样本阈值、以及正例样本和负例样本之间的比例是否达到正负例样本比例阈值。若满足，则可以说明正负例样本数据足够且正负例样本均衡，从而可以根据正例样本和负例样本进行模型训练，以保证数据识别模型的训练效果。若不满足，则说明正负例样本数据不够和/或正负例样本不均衡，因此为了保证模型训练效果，可以先对正例样本和负例样本进行数据增广处理。其中，数据增广的方式比如可以是仿射变换、图片翻转裁剪、图片融合等，本公开实施例对此不作限定。在数据增广之后，若正例样本和负例样本满足对应的预设样本阈值，则可以根据正例样本和负例样本训练数据识别模型。
通过上述方式，可以通过线上识别数据构造模型训练样本，并且在模型训练之前，可以判断正例样本和负例样本是否满足对应的预设样本阈值，从而避免正负例样本不均衡或数据量不够，保证数据识别模型的训练效果。
在可能的方式中，训练数据识别模型，以得到更新数据识别模型可以是：根据模型识别结果和人工识别结果迭代训练数据识别模型，其中在每次迭代训练后，对比当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标，若当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标比对结果不符合预设指标阈值，则继续迭代训练，若当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标比对结果符合预设指标阈值，则停止迭代训练，然后根据迭代训练得到的数据识别模型确定更新数据识别模型。
也即是说，在确定更新数据识别模型后，可以迭代训练数据识别模型。并且，可以评估模型迭代效果，即对比当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标，从而通过两者的性能指标自动继续迭代或自动停止迭代，实现模型迭代的自动化机制。
示例地，可以对比当前运行的数据识别模型和本次迭代训练得到的数据识别模型的准确率、召回率、F1值、AUC(Area Under Curve)值等性能指标，以确定本次迭代训练得到的数据识别模型在各性能指标上相较于当前运行的数据识别模型的增长情况。然后，可以根据性能指标比对结果与预设指标阈值间的数值关系，确定是否继续迭代。应当理解的是，预设指标阈值可以表征模型迭代停止条件，因此当比对结果不符合预设指标阈值时，继续迭代，当比对结果符合预设指标阈值时，停止迭代。
例如，预设指标阈值设定为2％准确率(表明期望的是本次迭代训练得到的数据识别模型在准确率上相较于当前运行的数据识别模型的增长2％)、3％召回率(表明期望的是本次迭代训练得到的数据识别模型在召回率上相较于当前运行的数据识别模型的增长3％)。在此种情况下，若当前运行的数据识别模型相较于本次迭代训练得到的数据识别模型的准确率增长达到2％且召回率增长达到3％，则可以停止迭代训练，否则可以继续迭代训练，直到准确率增长达到2％且召回率增长达到3％。
应当理解的是，还可以设定迭代次数，若达到迭代次数后，仍未达到预设指标阈值，则可以停止迭代，避免迭代训练的死循环。
在停止迭代训练后，则可以根据迭代训练得到的数据识别模型确定更新数据识别模型。比如，可以将最后一次迭代训练得到的数据识别模型确定为更新数据识别模型。或者，还可以在每次迭代训练得到的数据识别模型中选取性能指标最优的数据识别模型作为更新数据识别模型。
在可能的方式中，为了减少研发人员经验化调参的时间成本，可以先确定数据识别模型的多种候选超参数组合，并将数据识别模型的超参数依次设定为该多种候选超参数组合，然后根据模型识别结果和人工识别结果迭代训练设定超参数后的数据识别模型，得到多个候选数据识别模型。相应地，根据迭代训练得到的数据识别模型确定更新数据识别模型可以是在多个候选数据识别模型中确定性能指标最优的模型为更新数据识别模型。
也即是说，在迭代训练数据识别模型的过程中，可以先针对数据识别模型的每一超参数(比如学习率、权值衰减值等)设定多个可能的数值，得到多种候选超参数组合，然后将数据识别模型的超参数依次设定为该多种候选超参数组合，之后可以通过网格化的搜索方式依次对设定超参数后的数据识别模型进行多次迭代训练。
比如，对数据识别模型的3个超参数分别设定了3个不同的数值，则可以理解为数据识别模型有3×3种候选超参数组合，每一种候选超参数组合可以理解为一个网格数据，则进行网格化搜索则是针对每一种候选超参数组合下的数据识别模型进行多次迭代训练。具体地，可以先设定一种候选超参数组合，然后对该种候选超参数组合下的数据识别模型进行多次迭代训练，该多次迭代训练的具体过程可以参照上文提及的迭代训练方式。在迭代停止后，可以继续对另一种候选超参数组合下的数据识别模型进行多次迭代训练，以此类推，直到完成网格化搜索。
由此，可以得到多个候选数据识别模型，分别对应每一种候选超参数组合。然后，可以从多个候选数据识别模型中确定性能指标最优的模型为更新数据识别模型。比如，从多个候选数据识别模型中确定准确率最高的模型为更新数据识别模型，或者从多个候选数据识别模型中确定准确率和召回率最高的模型为更新数据识别模型，等等，本公开实施例对此不作限定。
在通过迭代训练确定更新数据识别模型后，可以将当前运行的数据识别模型切换为该更新数据识别模型，实现数据识别模型的自动上线部署。或者，或者，上文已有说明，每次训练得到的更新数据识别模型可以保存到模型版本库，因此还可以设定监控指标，当更新数据识别模型上线后一段时间内效果不如历史版本，则可以自动切换回上一个版本，并且还可以开放人工干预接口，允许模型维护人员手动控制版本切换。
又或者，还可以先验证该更新数据识别模型的识别效果，在验证通过后，则将当前运行的数据识别模型切换为该更新数据识别模型。具体地，在可能的方式中，可以先确定当前运行的数据识别模型对样本数据的第一识别结果，并确定更新数据识别模型对样本数据的第二识别结果，其中样本数据标注有样本识别结果，且样本数据为在目标数据的提交日期之后提交的待识别数据。然后，根据第一识别结果和样本识别结果，确定当前运行的数据识别模型的性能指标，并根据第二识别结果和样本识别结果，确定更新数据识别模型的性能指标，若更新数据识别模型的性能指标高于当前运行的数据识别模型的性能指标，则将当前运行的数据识别模型切换为更新数据识别模型。
比如，可以将目标数据的提交日期之后N天内用户提交的待识别数据作为样本数据，或者将目标数据以及目标数据的提交日期之后N天内用户提交的待识别数据作为样本数据，验证更新数据识别模型的识别效果，本公开实施例对此不作限定。其中，样本数据可以标注有样本识别结果，该样本识别结果可以表明样本数据实际为预设类型数据还是非预设类型数据。然后，可以通过A/B实验的方式，在当前运行的数据识别模型和更新数据识别模型中，确定具有更优性能指标的模型。
比如，可以先结合更新数据识别模型对样本数据的识别结果以及该样本识别结果，评估更新数据识别模型的准确率等性能指标。同时，结合当前运行的数据识别模型对样本数据的识别结果以及样本识别结果，评估当前运行的数据识别模的准确率等性能指标。然后，根据两者的性能指标，确定是否将当前运行的数据识别模型切换为更新数据识别模型，从而可以选择更优性能指标的模型作为线上模型，以保证线上运行的数据识别模型的识别效果。
其中，若更新数据识别模型的性能指标高于当前运行的数据识别模型的性能指标，比如更新数据识别模型的准确率高于当前运行的数据识别模型，或者更新数据识别模型的准确率和召回率均高于当前运行的数据识别模型，则可以将当前运行的数据识别模型切换为更新数据识别模型。由此，既实现模型的自动上线部署，又可以保证线上运行的数据识别模型的识别效果。
应当理解的是，本公开实施例中，还可以设置信息推送机制，分别作用于线上模型指标监控、样本数据构造、模型迭代、模型上线等环节，信息的同步推送有利于维护人员及时了解模型更新的动态信息。此外，本公开实施例中的模型更新方法可以通过编写脚本实现，并且预设性能指标、预设样本阈值、预设指标阈值、候选超参数等预设数据可以写入配置文件，即可以通过配置文件管理所有需要设置的流程参数，然后通过配置文件启动脚本，实现模型的自动迭代和自动上线。并且，当数据识别模型的应用场景发生变化，只需修改配置文件即可，从而可以满足灵活性和可移植性。
下面通过另一示例性实施例对本公开提供的模型更新方法进行说明。
参照图2，线上数据识别模型可以对用户提交的数据(比如视频、图片、文字等)进行数据识别。识别不通过的数据会发送到人审客户端(即上文所述的进入人审队列)，或者对于识别通过且用户申诉的数据也会人审客户端。然后可以从人审客户端获取目标数据，并比对该目标数据的人工识别结果和模型识别结果间的差异数据，得到误杀数据集和漏放数据集。之后，可以对误杀数据集和漏放数据集进行数据去重，以及抽样质检和样本标注。由此，可以模型训练的训练样本(包括上文所述的正例样本和负例样本)。
在得到训练样本后，为了避免数据量不够或正负例样本不均衡，可以进行数据增广处理。在正例样本和所述负例样本满足对应的预设样本阈值后，可以进行模型的迭代训练，得到更新数据模型。之后，可以验证更新数据模型的识别结果，并将验证通过的更新数据识别模型保存到模板版本库中，同时将当前运行的数据识别模型切换为更新数据识别模型，从而在实现模型自动上线部署的情况下，保证线上运行的数据识别模型的识别效果。
另外应当理解的是，本公开实施例还提供信息推送机制。比如参照图2，可以监控模型识别结果和人工识别结果的性能指标，并将其推送给维护人员。或者在抽样质检和样本标注的过程中，可以将样本数据的构造情况推送给维护人员。又或者，在模型验证后将模型迭代和验证情况推送给维护人员。
通过上述方式，可以根据模型识别结果和人工识别结果，确定是否更新数据识别模型。由此，通过将线上识别数据反哺到模型的迭代，可以实现数据识别模型的自动迭代更新，无需人工判断何时进行模型迭代，从而可以提高模型迭代效率。并且，在确定更新数据识别模型后，可以训练数据识别模型，并将当前运行的数据识别模型自动切换为训练后的更新数据识别模型。由此，可以实现模型的自动上线部署，提高模型的上线部署效率。
基于同一发明构思，本公开实施例还提供一种模型更新装置，该装置可以通过软件、硬件或者两者结合的方式成为电子设备的部分或全部。参照图3，该模型更新装置300包括：
第一确定模块301，用于确定当前运行的数据识别模型，所述数据识别模型用于识别用户提交的数据是否为预设类型的数据；
第二确定模块302，用于确定所述数据识别模型对目标数据的模型识别结果和所述目标数据对应的人工识别结果，并根据所述模型识别结果和所述人工识别结果，确定是否更新所述数据识别模型，所述目标数据为经过人工识别的历史数据；
训练模块303，用于当确定更新所述数据识别模型时，训练所述数据识别模型，以得到更新数据识别模型；
切换模块304，用于将当前运行的数据识别模型切换为所述更新数据识别模型
可选地，所述第二确定模块302用于：
根据所述模型识别结果和所述人工识别结果间的差异数据，确定所述数据识别模型的性能指标，所述性能指标包括准确率和召回率；
若所述数据识别模型的性能指标不满足对应的预设性能指标，则确定更新所述数据识别模型。
可选地，所述训练模块303用于：
根据所述模型识别结果和所述人工识别结果间的差异数据，确定所述数据识别模型对应的误杀数据集和漏放数据集，所述误杀数据集用于表征所述数据识别模型识别为非预设类型数据的预设类型数据集合，所述漏放数据集用于表征所述数据识别模型识别为预设类型数据的非预设类型数据集合；
将所述误杀数据集作为负例样本，将所述漏放数据集作为正例样本，并根据所述正例样本和所述负例样本训练所述数据识别模型。
可选地，所述训练模块303用于：
确定所述正例样本和所述负例样本是否满足对应的预设样本阈值；
若所述正例样本和所述负例样本满足对应的预设样本阈值，则根据所述正例样本和所述负例样本训练所述数据识别模型。
可选地，所述训练模块303用于：
根据所述模型识别结果和所述人工识别结果迭代训练所述数据识别模型，其中在每次迭代训练后，对比当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标，若当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标比对结果不符合预设指标阈值，则继续迭代训练，若当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标比对结果符合预设指标阈值，则停止迭代训练；
根据迭代训练得到的数据识别模型确定更新数据识别模型。
可选地，所述训练模块303用于：
确定所述数据识别模型的多种候选超参数组合，并将所述数据识别模型的超参数依次设定为所述多种候选超参数组合，根据所述模型识别结果和所述人工识别结果迭代训练设定所述超参数后的所述数据识别模型，得到多个候选数据识别模型；
在所述多个候选数据识别模型中确定性能指标最优的模型为更新数据识别模型。
可选地，所述切换模块304用于：
确定当前运行的数据识别模型对样本数据的第一识别结果，并确定所述更新数据识别模型对所述样本数据的第二识别结果，其中所述样本数据标注有样本识别结果，且所述样本数据为在所述目标数据的提交日期之后提交的待识别数据；
根据所述第一识别结果和所述样本识别结果，确定当前运行的数据识别模型的性能指标，并根据所述第二识别结果和所述样本识别结果，确定所述更新数据识别模型的性能指标；
若所述更新数据识别模型的性能指标高于当前运行的数据识别模型的性能指标，则将当前运行的数据识别模型切换为所述更新数据识别模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
基于同一发明构思，本公开实施例还提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现上述任一模型更新方法的步骤。
基于同一发明构思，本公开实施例还提供一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现上述任一模型更新方法的步骤。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备400的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，可以利用诸如HTTP(HyperText Transfer Protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：确定当前运行的数据识别模型，所述数据识别模型用于识别用户提交的数据是否为预设类型的数据；确定所述数据识别模型对目标数据的模型识别结果和所述目标数据对应的人工识别结果，并根据所述模型识别结果和所述人工识别结果，确定是否更新所述数据识别模型，所述目标数据为经过人工识别的历史数据；若确定更新所述数据识别模型，则训练所述数据识别模型，以得到更新数据识别模型；将当前运行的数据识别模型切换为所述更新数据识别模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例，示例1提供了一种模型更新方法，所述方法包括：
确定当前运行的数据识别模型，所述数据识别模型用于识别用户提交的数据是否为预设类型的数据；
确定所述数据识别模型对目标数据的模型识别结果和所述目标数据对应的人工识别结果，并根据所述模型识别结果和所述人工识别结果，确定是否更新所述数据识别模型，所述目标数据为经过人工识别的历史数据；
若确定更新所述数据识别模型，则训练所述数据识别模型，以得到更新数据识别模型；
将当前运行的数据识别模型切换为所述更新数据识别模型。
根据本公开的一个或多个实施例，示例2提供了示例1的方法，所述根据所述模型识别结果和所述人工识别结果，确定是否更新所述数据识别模型，包括：
根据所述模型识别结果和所述人工识别结果间的差异数据，确定所述数据识别模型的性能指标，所述性能指标包括准确率和召回率；
若所述数据识别模型的性能指标不满足对应的预设性能指标，则确定更新所述数据识别模型。
根据本公开的一个或多个实施例，示例3提供了示例1的方法，所述训练所述数据识别模型，包括：
根据所述模型识别结果和所述人工识别结果间的差异数据，确定所述数据识别模型对应的误杀数据集和漏放数据集，所述误杀数据集用于表征所述数据识别模型识别为非预设类型数据的预设类型数据集合，所述漏放数据集用于表征所述数据识别模型识别为预设类型数据的非预设类型数据集合；
将所述误杀数据集作为负例样本，将所述漏放数据集作为正例样本，并根据所述正例样本和所述负例样本训练所述数据识别模型。
根据本公开的一个或多个实施例，示例4提供了示例3的方法，所述根据所述正例样本和所述负例样本训练所述数据识别模型，包括：
确定所述正例样本和所述负例样本是否满足对应的预设样本阈值；
若所述正例样本和所述负例样本满足对应的预设样本阈值，则根据所述正例样本和所述负例样本训练所述数据识别模型。
根据本公开的一个或多个实施例，示例5提供了示例1-4任一项的方法，所述训练所述数据识别模型，以得到更新数据识别模型，包括：
根据所述模型识别结果和所述人工识别结果迭代训练所述数据识别模型，其中在每次迭代训练后，对比当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标，若当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标比对结果不符合预设指标阈值，则继续迭代训练，若当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标比对结果符合预设指标阈值，则停止迭代训练；
根据迭代训练得到的数据识别模型确定更新数据识别模型。
根据本公开的一个或多个实施例，示例6提供了示例5的方法，所述根据所述模型识别结果和所述人工识别结果迭代训练所述数据识别模型，包括：
确定所述数据识别模型的多种候选超参数组合，并将所述数据识别模型的超参数依次设定为所述多种候选超参数组合，根据所述模型识别结果和所述人工识别结果迭代训练设定所述超参数后的所述数据识别模型，得到多个候选数据识别模型；
所述根据迭代训练得到的数据识别模型确定更新数据识别模型，包括：
在所述多个候选数据识别模型中确定性能指标最优的模型为更新数据识别模型。
根据本公开的一个或多个实施例，示例7提供了示例1-4任一项的方法，所述将当前运行的数据识别模型切换为所述更新数据识别模型，包括：
确定当前运行的数据识别模型对样本数据的第一识别结果，并确定所述更新数据识别模型对所述样本数据的第二识别结果，其中所述样本数据标注有样本识别结果，且所述样本数据为在所述目标数据的提交日期之后提交的待识别数据；
根据所述第一识别结果和所述样本识别结果，确定当前运行的数据识别模型的性能指标，并根据所述第二识别结果和所述样本识别结果，确定所述更新数据识别模型的性能指标；
若所述更新数据识别模型的性能指标高于当前运行的数据识别模型的性能指标，则将当前运行的数据识别模型切换为所述更新数据识别模型。
根据本公开的一个或多个实施例，示例8提供了一种模型更新装置，所述装置包括：
第一确定模块，用于确定当前运行的数据识别模型，所述数据识别模型用于识别用户提交的数据是否为预设类型的数据；
第二确定模块，用于确定所述数据识别模型对目标数据的模型识别结果和所述目标数据对应的人工识别结果，并根据所述模型识别结果和所述人工识别结果，确定是否更新所述数据识别模型，所述目标数据为经过人工识别的历史数据；
训练模块，用于当确定更新所述数据识别模型时，训练所述数据识别模型，以得到更新数据识别模型；
切换模块，用于将当前运行的数据识别模型切换为所述更新数据识别模型。
根据本公开的一个或多个实施例，示例9提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-7中任一项所述方法的步骤。
根据本公开的一个或多个实施例，示例10提供了一种电子设备，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-7中任一项所述方法的步骤。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
Claims (10)
1.一种模型更新方法，其特征在于，所述方法包括：
确定当前运行的数据识别模型，所述数据识别模型用于识别用户提交的数据是否为预设类型的数据；
确定所述数据识别模型对目标数据的模型识别结果和所述目标数据对应的人工识别结果，并根据所述模型识别结果和所述人工识别结果，确定是否更新所述数据识别模型，所述目标数据为经过人工识别的历史数据；
若确定更新所述数据识别模型，则训练所述数据识别模型，以得到更新数据识别模型；
将当前运行的数据识别模型切换为所述更新数据识别模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述模型识别结果和所述人工识别结果，确定是否更新所述数据识别模型，包括：
根据所述模型识别结果和所述人工识别结果间的差异数据，确定所述数据识别模型的性能指标，所述性能指标包括准确率和召回率；
若所述数据识别模型的性能指标不满足对应的预设性能指标，则确定更新所述数据识别模型。
3.根据权利要求1所述的方法，其特征在于，所述训练所述数据识别模型，包括：
根据所述模型识别结果和所述人工识别结果间的差异数据，确定所述数据识别模型对应的误杀数据集和漏放数据集，所述误杀数据集用于表征所述数据识别模型识别为非预设类型数据的预设类型数据集合，所述漏放数据集用于表征所述数据识别模型识别为预设类型数据的非预设类型数据集合；
将所述误杀数据集作为负例样本，将所述漏放数据集作为正例样本，并根据所述正例样本和所述负例样本训练所述数据识别模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述正例样本和所述负例样本训练所述数据识别模型，包括：
确定所述正例样本和所述负例样本是否满足对应的预设样本阈值；
若所述正例样本和所述负例样本满足对应的预设样本阈值，则根据所述正例样本和所述负例样本训练所述数据识别模型。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述训练所述数据识别模型，以得到更新数据识别模型，包括：
根据所述模型识别结果和所述人工识别结果迭代训练所述数据识别模型，其中在每次迭代训练后，对比当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标，若当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标比对结果不符合预设指标阈值，则继续迭代训练，若当前运行的数据识别模型和本次迭代训练得到的数据识别模型的性能指标比对结果符合预设指标阈值，则停止迭代训练；
根据迭代训练得到的数据识别模型确定更新数据识别模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述模型识别结果和所述人工识别结果迭代训练所述数据识别模型，包括：
确定所述数据识别模型的多种候选超参数组合，并将所述数据识别模型的超参数依次设定为所述多种候选超参数组合，根据所述模型识别结果和所述人工识别结果迭代训练设定所述超参数后的所述数据识别模型，得到多个候选数据识别模型；
所述根据迭代训练得到的数据识别模型确定更新数据识别模型，包括：
在所述多个候选数据识别模型中确定性能指标最优的模型为更新数据识别模型。
7.根据权利要求1-4任一项所述的方法，其特征在于，所述将当前运行的数据识别模型切换为所述更新数据识别模型，包括：
确定当前运行的数据识别模型对样本数据的第一识别结果，并确定所述更新数据识别模型对所述样本数据的第二识别结果，其中所述样本数据标注有样本识别结果，且所述样本数据为在所述目标数据的提交日期之后提交的待识别数据；
根据所述第一识别结果和所述样本识别结果，确定当前运行的数据识别模型的性能指标，并根据所述第二识别结果和所述样本识别结果，确定所述更新数据识别模型的性能指标；
若所述更新数据识别模型的性能指标高于当前运行的数据识别模型的性能指标，则将当前运行的数据识别模型切换为所述更新数据识别模型。
8.一种模型更新装置，其特征在于，所述装置包括：
第一确定模块，用于确定当前运行的数据识别模型，所述数据识别模型用于识别用户提交的数据是否为预设类型的数据；
第二确定模块，用于确定所述数据识别模型对目标数据的模型识别结果和所述目标数据对应的人工识别结果，并根据所述模型识别结果和所述人工识别结果，确定是否更新所述数据识别模型，所述目标数据为经过人工识别的历史数据；
训练模块，用于当确定更新所述数据识别模型时，训练所述数据识别模型，以得到更新数据识别模型；
切换模块，用于将当前运行的数据识别模型切换为所述更新数据识别模型。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储装置，其上存储有计算机程序；
处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110580346.3A CN113449773A (zh) | 2021-05-26 | 2021-05-26 | 模型更新方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110580346.3A CN113449773A (zh) | 2021-05-26 | 2021-05-26 | 模型更新方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113449773A true CN113449773A (zh) | 2021-09-28 |
Family
ID=77810268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110580346.3A Pending CN113449773A (zh) | 2021-05-26 | 2021-05-26 | 模型更新方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113449773A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114723682A (zh) * | 2022-03-22 | 2022-07-08 | 厦门微亚智能科技有限公司 | 产品缺陷管理方法、系统及计算机可读存储介质 |
| CN115174969A (zh) * | 2022-07-01 | 2022-10-11 | 抖音视界(北京)有限公司 | 视频的推送方法、装置和存储介质 |
| WO2024026990A1 (zh) * | 2022-08-04 | 2024-02-08 | 上海扩博智能技术有限公司 | 识别模型的自动迭代训练方法、系统、设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102030A (zh) * | 2018-08-23 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 控制在线模型更新的方法及装置 |
| CN110503206A (zh) * | 2019-08-09 | 2019-11-26 | 阿里巴巴集团控股有限公司 | 一种预测模型更新方法、装置、设备及可读介质 |
| CN110705598A (zh) * | 2019-09-06 | 2020-01-17 | 中国平安财产保险股份有限公司 | 智能模型管理方法、装置、计算机设备及存储介质 |
| CN110751269A (zh) * | 2019-10-18 | 2020-02-04 | 网易（杭州）网络有限公司 | 图神经网络训练方法、客户端设备及系统 |
| CN111737472A (zh) * | 2020-07-01 | 2020-10-02 | 携程计算机技术（上海）有限公司 | 文本分类模型的更新方法及系统、电子设备及存储介质 |
| CN111753914A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 模型优化方法和装置、电子设备及存储介质 |
-
2021
- 2021-05-26 CN CN202110580346.3A patent/CN113449773A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109102030A (zh) * | 2018-08-23 | 2018-12-28 | 阿里巴巴集团控股有限公司 | 控制在线模型更新的方法及装置 |
| CN110503206A (zh) * | 2019-08-09 | 2019-11-26 | 阿里巴巴集团控股有限公司 | 一种预测模型更新方法、装置、设备及可读介质 |
| CN110705598A (zh) * | 2019-09-06 | 2020-01-17 | 中国平安财产保险股份有限公司 | 智能模型管理方法、装置、计算机设备及存储介质 |
| CN110751269A (zh) * | 2019-10-18 | 2020-02-04 | 网易（杭州）网络有限公司 | 图神经网络训练方法、客户端设备及系统 |
| CN111753914A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 模型优化方法和装置、电子设备及存储介质 |
| CN111737472A (zh) * | 2020-07-01 | 2020-10-02 | 携程计算机技术（上海）有限公司 | 文本分类模型的更新方法及系统、电子设备及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114723682A (zh) * | 2022-03-22 | 2022-07-08 | 厦门微亚智能科技有限公司 | 产品缺陷管理方法、系统及计算机可读存储介质 |
| CN115174969A (zh) * | 2022-07-01 | 2022-10-11 | 抖音视界(北京)有限公司 | 视频的推送方法、装置和存储介质 |
| WO2024026990A1 (zh) * | 2022-08-04 | 2024-02-08 | 上海扩博智能技术有限公司 | 识别模型的自动迭代训练方法、系统、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210019531A1 (en) | Method and apparatus for classifying video | |
| CN109104620B (zh) | 一种短视频推荐方法、装置和可读介质 | |
| CN109308490B (zh) | 用于生成信息的方法和装置 | |
| CN113449773A (zh) | 模型更新方法、装置、存储介质及电子设备 | |
| CN109976997B (zh) | 测试方法和装置 | |
| CN109376267B (zh) | 用于生成模型的方法和装置 | |
| CN109447156B (zh) | 用于生成模型的方法和装置 | |
| US20200082199A1 (en) | Method and apparatus for inspecting burrs of electrode slice | |
| CN109947989B (zh) | 用于处理视频的方法和装置 | |
| EP4141786A1 (en) | Defect detection method and apparatus, model training method and apparatus, and electronic device | |
| CN111598006A (zh) | 用于标注对象的方法和装置 | |
| CN113033707B (zh) | 视频分类方法、装置、可读介质及电子设备 | |
| CN112712795B (zh) | 标注数据确定方法、装置、介质及电子设备 | |
| CN109947526B (zh) | 用于输出信息的方法和装置 | |
| CN114510305B (zh) | 模型训练方法、装置、存储介质及电子设备 | |
| CN113033552B (zh) | 文本识别方法、装置和电子设备 | |
| CN112286808B (zh) | 应用程序的测试方法、装置、电子设备及介质 | |
| CN114004313A (zh) | 故障gpu的预测方法、装置、电子设备及存储介质 | |
| CN110334763B (zh) | 模型数据文件生成、图像识别方法、装置、设备及介质 | |
| CN113222050A (zh) | 图像分类方法、装置、可读介质及电子设备 | |
| CN113111174A (zh) | 基于深度学习模型的群体识别方法与装置、设备及介质 | |
| CN111143740A (zh) | 信息处理方法、装置及电子设备 | |
| CN117690063B (zh) | 电缆线路检测方法、装置、电子设备与计算机可读介质 | |
| CN111432080A (zh) | 话单数据处理方法、电子设备及计算机可读存储介质 | |
| CN117573153B (zh) | 路由器芯片烧录方法、装置、电子设备和计算机可读介质 |
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 |