CN113946713A - 资源库生成方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开涉及一种资源库生成方法、装置、电子设备及存储介质。该方法包括：随机生成待检测元素组；将待检测元素组输入预设的目标网络模型，得到待检测元素组满足预设条件的输出概率；其中，目标网络模型为以第一资源库中的元素组为正样本，随机采样得到的随机元素组为负样本，对预设的初始网络模型进行训练得到的，第一资源库中存储有满足预设条件的元素组，元素组为在一个任务中进行交互的至少一个交互单元的组合；将输出概率在第一预设区间中的待检测元素组筛选出来，形成第二资源库。根据本公开，通过目标网络模型得到随机生成待检测元素组对应的输出概率，便于快速、大量地得到输出概率在第一预设区间中的元素组，并得到对应的第二资源库，提高了资源库的构建效率。

Description

资源库生成方法、装置、电子设备及存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及一种资源库生成方法、装置、电子设备及存储介质。

背景技术

随着互联网技术的发展以及人们对文化生活、休闲方式等多样化的需求，各种购物、短视频、游戏等应用程序的开发与应用得到了空前的发展。为了满足不同用户的需求，服务平台需要在为不同的应用场景提供多种不同的资源(例如，纸牌游戏场景中的牌局等)，并构建相应的资源库，以满足客户的不同需求。传统的资源库通常是由人工从海量的资源中筛选符合要求的资源或针对不同的情况分别制作资源，并将得到的多个资源构建为相应的资源库。

然而，传统资源库构建方法，高度依赖人工的参与，资源库的构建效率低下。

发明内容

本公开提供一种资源库生成方法、装置、电子设备及存储介质，以至少解决相关技术中资源库构建效率低的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种资源库生成方法，包括：

随机生成待检测元素组；

将所述待检测元素组输入预设的目标网络模型，得到所述待检测元素组满足预设条件的输出概率；其中，所述目标网络模型为以第一资源库中的元素组为正样本，随机采样得到的随机元素组为负样本，对预设的初始网络模型进行训练得到的，所述第一资源库中存储有满足所述预设条件的元素组，所述元素组为在一个任务中进行交互的至少一个交互单元的组合；

将所述输出概率在第一预设区间中的待检测元素组筛选出来，形成第二资源库。

在一示例性实施例中，所述目标网络模型的确定方式，包括：

为所述正样本设置对应的第一数值，为所述负样本设置对应的第二数值，其中，所述第一数值与所述第二数值之间的差值大于预设阈值；

以所述正样本为输入、所述第一数值为第一监督信息，所述负样本为输入、所述第二数值为第二监督信息，对所述初始网络模型进行训练，得到所述目标网络模型。

在一示例性实施例中，所述将所述输出概率在第一预设区间中的待检测元素组筛选出来，形成第二资源库之后，包括：

合并所述第二资源库和所述第一资源库，得到更新后的第二资源库。

在一示例性实施例中，所述获取第一资源库，包括：

获取第三资源库，所述第三资源库中存储有相同的标记类型的元素组，所述标记类型为根据所述元素组的类型进行标记得到的；

按照预设规则，对所述第三资源库中的元素组进行打分；

将所述第三资源库中的元素组得分在第二预设区间内的元素组筛选出来，形成所述第一资源库。

在一示例性实施例中，所述获取第三资源库，包括：

获取所述用户标识标记的元素组；

对所述用户标识标记的元素组进行分类，将标记类型相同的元素组确定为一个第三资源库。

根据本公开实施例的第二方面，提供一种资源库生成装置，包括：

待检测元素组生成单元，被配置为执行随机生成待检测元素组；

模型输出单元，被配置为执行将所述待检测元素组输入预设的目标网络模型，得到所述待检测元素组满足预设条件的输出概率；其中，所述目标网络模型为以第一资源库中的元素组为正样本，随机采样得到的随机元素组为负样本，对预设的初始网络模型进行训练得到的，所述第一资源库中存储有满足所述预设条件的元素组，所述元素组为在一个任务中进行交互的至少一个交互单元的组合；

第二资源库确定单元，被配置为执行将所述输出概率在第一预设区间中的待检测元素组筛选出来，形成第二资源库。

在一示例性实施例中，所述资源库生成装置还包括目标网络模型确定单元，被配置为执行：

为所述正样本设置对应的第一数值，为所述负样本设置对应的第二数值，其中，所述第一数值与所述第二数值之间的差值大于预设阈值；

以所述正样本为输入、所述第一数值为第一监督信息，所述负样本为输入、所述第二数值为第二监督信息，对所述初始网络模型进行训练，得到所述目标网络模型。

在一示例性实施例中，所述资源库生成装置还包括资源库合并单元，被配置为执行：

合并所述第二资源库和所述第一资源库，得到更新后的第二资源库。

在一示例性实施例中，所述资源库生成装置还包括第一资源库确定单元，被配置为执行：

获取第三资源库，所述第三资源库中存储有相同的标记类型的元素组，所述标记类型为根据所述元素组的类型进行标记得到的；

按照预设规则，对所述第三资源库中的元素组进行打分；

将所述第三资源库中的元素组得分在第二预设区间内的元素组筛选出来，形成所述第一资源库。

在一示例性实施例中，所述资源库生成装置还包括第三资源库确定单元，被配置为执行：

获取所述用户标识标记的元素组；

对所述用户标识标记的元素组进行分类，将标记类型相同的元素组确定为一个第三资源库。

根据本公开实施例的第三方面，提供一种电子设备，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现上述第一方面任一项实施例中所述的资源库生成方法。

根据本公开实施例的第四方面，提供一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述第一方面任一项实施例中所述的资源库生成方法。

根据本公开实施例的第五方面，提供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，设备的至少一个处理器从所述可读存储介质读取并执行所述计算机程序，使得设备执行上述第一方面任一项实施例中所述的资源库生成方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

本公开在随机生成待检测元素组后，在由第一资源库中的元素组为正样本、随机采样得到的随机元素组为负样本进行训练得到的目标网络模型的作用下，得到待检测元素组满足预设条件的输出概率，并将输出概率在第一预设区间中的待检测元素组筛选出来，形成第二资源库，由此，可以通过目标网络模型得到随机生成待检测元素组对应的输出概率，便于快速、大量地得到输出概率在第一预设区间中的元素组，并得到对应的第二资源库，提高了资源库的构建效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种资源库生成方法的应用环境图。

图2是根据一示例性实施例示出的一种资源库生成方法的流程图。

图3是根据一示例性实施例示出的目标网络模型的一种确定方式的流程图。

图4是根据一示例性实施例示出的第一资源库的一种确定方式的流程图。

图5是根据一示例性实施例示出的一种资源库生成方法的离线流程图。

图6是根据一示例性实施例示出的一种资源库生成方法的线上流程图

图7是根据一示例性实施例示出的一种资源库生成装置的框图。

图8是根据一示例性实施例示出的一种用于资源库生成的电子设备的内部结构图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

图1是根据一示例性实施例示出的一种资源库生成方法的应用环境图，本公开提供的资源库生成方法，可以应用于如图1所示的应用环境中。其中，电子设备110通过网络与服务器120进行交互。该资源库生成方法在由第一资源库中的元素组为正样本、随机采样得到的随机元素组为负样本进行训练得到的目标网络模型的作用下，得到待检测元素组满足预设条件的输出概率，并将输出概率在第一预设区间中的待检测元素组筛选出来，形成第二资源库。其中，电子设备110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

图2是根据一示例性实施例示出的一种资源库生成方法的流程图，如图1所示，以该方法应用于图1中的电子设备为例进行说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括电子设备和服务器的系统，并通过电子设备和服务器的交互实现，具体包括以下步骤：

在步骤S100中，随机生成待检测元素组。

在步骤S200中，将待检测元素组输入预设的目标网络模型，得到待检测元素组满足预设条件的输出概率；其中，目标网络模型为以第一资源库中的元素组为正样本，随机采样得到的随机元素组为负样本，对预设的初始网络模型进行训练得到的，第一资源库中存储有满足预设条件的元素组，元素组为在一个任务中进行交互的至少一个交互单元的组合。

在步骤S300中，将输出概率在第一预设区间中的待检测元素组筛选出来，形成第二资源库。

其中，单元组是在应用场景的任务中进行交互的交互单元的组合，例如，在棋牌游戏中，单元组是指每一参与游戏的用户分配到的交互单元，例如，任务为一局斗地主游戏时，单元组是每一用户拿到的纸牌或者底牌，元素组是指几位用户和底牌中的纸牌分布样式。预设条件是指预先设定的限定的条件，例如，任务为一局斗地主游戏时，预设条件可以是将几组牌中的一组设置为较强优势的牌位(比较容易获胜的一组牌，或者好牌)，也可以是将几组牌中的一组设置为较弱势的牌位(比较容易输的一组牌，或者烂牌)；可选地，预设条件可以是将几组牌设置为：具有地主身份的用户得到较容易胜利的纸牌组，其他参与的用户得到的纸牌使得该用户在整个游戏任务中可以出牌进行游戏交互，使游戏任务中的用户都能有一定的参与。第一预设区间是用于筛选检测元素组的概率区间，根据具体的需求而设定。

具体地，在随机生成待检测元素组后，将待检测元素输入目标网络模型，得到待检测元素组满足预设条件的输出概率(得分和/或概率)，并将输出概率在第一预设区间中的待检测元素组筛选出来，形成第二资源库。其中，目标网络模型为以第一资源库中的元素组为正样本，随机采样得到的随机元素组为负样本，对预设的初始网络模型进行训练得到的，通过该目标网络模型的识别，可以识别出待检测元素满足预设条件的概率，并输出该概率，为后续根据输出概率去筛选满足预设条件的待检测元素组提供依据，以保证最终形成的第二资源库中的元素组为满足预设条件的元素组。

示例地，以斗地主游戏为例，通常情况下，用于斗地主的纸牌总计54张，每局游戏(相当于一个任务)开始时，会先为三位参与游戏的用户分别发17张纸牌，并留3张纸牌做底牌。为此，54张纸牌可以随机生成的待检测元素组由每组17张纸牌的三组纸牌和3张纸牌的底牌构成。在得到待检测元素组后，将待检测元素组输入目标网络模型，得到待检测元素组满足预设条件的输出概率。预设条件可以为其中一组牌的胜率较高，此时将待检测元素组输入目标网络模型，得到的是待检测元素组中的一组牌胜率较高的输出概率。最后将待检测元素组中的一组牌胜率较高的输出概率在第一预设区间中的待检测元素组筛选出来，形成第二资源库。由此得到的第二资源库则为三组牌中的其中一组牌胜率较高的元素组构成，如此，从第二资源库中取出元素组分配给参与游戏的用户时，分配到胜率较高的一组牌的用户的获胜概率将会大提高，以提高该用户的游戏体验。可选地，预设条件还可以为其中一组牌的胜率较低，此时分配到胜率较低的一组牌的用户的获胜概率将会很低，以为该用户提供锻炼游戏技能的机会，提高有锻炼游戏技能的需求的用户的游戏体验。可选地，预设条件还可以为三组牌的胜率均等，此时参与游戏的用户的输赢全靠游戏用户本身的游戏技能，提高有相应需求的用户的游戏体验。

上述资源库生成方法，通过随机生成待检测元素组；将待检测元素组输入预设的目标网络模型，得到待检测元素组满足预设条件的输出概率；其中，目标网络模型为以第一资源库中的元素组为正样本，随机采样得到的随机元素组为负样本，对预设的初始网络模型进行训练得到的，第一资源库中存储有满足预设条件的元素组，元素组为在一个任务中进行交互的至少一个交互单元的组合；将输出概率在第一预设区间中的待检测元素组筛选出来，形成第二资源库。从而在随机生成待检测元素组后，在由第一资源库中的元素组为正样本、随机采样得到的随机元素组为负样本进行训练得到的目标网络模型的作用下，得到待检测元素组满足预设条件的输出概率，并将输出概率在第一预设区间中的待检测元素组筛选出来，形成第二资源库，由此，可以通过目标网络模型得到随机生成待检测元素组对应的输出概率，便于快速、大量地得到输出概率在第一预设区间中的元素组，并得到对应的第二资源库，提高了资源库的构建效率。

图3是根据一示例性实施例示出的目标网络模型的一种确定方式的流程图，如图3所示，目标网络模型的确定方式具体包括以下步骤：

在步骤S211中，为正样本设置对应的第一数值，为负样本设置对应的第二数值，其中，第一数值与第二数值之间的差值大于预设阈值。

在步骤S212中，以正样本为输入、第一数值为第一监督信息，负样本为输入、第二数值为第二监督信息，对初始网络模型进行训练，得到目标网络模型。

其中，第一数值和第二数值是指为了在对初始网络模型进行训练得到目标网络模型的过程中，用于区分正样本和负样本的数值。可选地，第一数值可以为0(或1)，相应地，第二数值可以为1(或0)，此处第一数值和第二数值对应的“0”、“1”仅为示例性说明，并不用于对第一数值和第二数值进行限定，第一数值和第二数值可以为其他足够产生区别的数字也可以为其他足够产生区别的文本、图像等。监督信息为对初始网络模型进行训练得到目标网络模型的过程中期望的模型输出值。

具体地，为正样本设置对应的第一数值，为负样本设置对应的第二数值。并以正样本为输入、第一数值为监督信息，负样本为输入、第二阈值为监督信息，对初始网络模型进行训练，不断调整初始网络模型中的参数，并在参数满足需求时，固定相应的参数，得到目标网络模型。该目标网络模型具备将输入的元素组转化为数值(输出数值和/或对应的概率)并输出的能力。

上述示例性实施例中，为正样本设置对应的第一数值，为负样本设置对应的第二数值，其中，第一数值与第二数值之间的差值大于预设阈值；以正样本为输入、第一数值为第一监督信息，负样本为输入、第二数值为第二监督信息，对初始网络模型进行训练，得到目标网络模型。能够用于后续的元素组的检测，可以识别出待检测元素满足预设条件的概率，并输出该概率，为后续根据输出概率去筛选满足预设条件的待检测元素组提供依据，快速进行待检测元素组的筛选，无需人为参与，可大量地得到具备预设条件的元素组。

在一示例性实施例中，步骤S300之后包括：合并第二资源库和第一资源库，得到更新后的第二资源库。

具体地，输出概率在第一预设区间中的待检测元素组，为经过目标网络模型确定出的具备预设条件的元素组，并得到输出概率在第一预设区间中的待检测元素组形成的第二资源库，本实施例最终得到的是满足预设条件的元素组形成的第二资源库。而第一资源库中的元素组本身即满足预设条件，因此，可以合并第二资源库和第一资源库，得到更新后的第二资源库，进一步扩大第二资源库数量，并增加第二资源库中的元素组的来源。

示例地，第一资源库中包括元素组1、元素组2，……，元素组N等N个元素组，在根据第一资源库中的N个元素组训练得到的目标网络模型，得到输出概率满足第一预设区间的待检测元素组为元素组N+1、元素组N+2，……，元素组N+M。此时，可以将元素组N+1、元素组N+2，……，元素组N+M确定为第二资源库，也可以将元素组1、元素组2，……，元素组N并入第二资源库，将元素1、元素组2，……，元素组N以及元素组N+1、元素组N+2，……，元素组N+M共同确定为第二资源库。

上述示例性实施例中，合并第二资源库和第一资源库，得到更新后的第二资源库，可以丰富第二资源库中的元素组来源，使得最终得到的第二资源库数量更多、更加多样化。

图4是根据一示例性实施例示出的第一资源库的一种确定方式的流程图，如图4所示，获取第一资源库，具体包括以下步骤：

在步骤S221中，获取第三资源库，第三资源库中存储有相同的标记类型的元素组，标记类型为根据元素组的类型进行标记得到的。

在步骤S222中，按照预设规则，对第三资源库中的元素组进行打分。

在步骤S223中，将第三资源库中的元素组得分在第二预设区间内的元素组筛选出来，形成第一资源库。

其中，预设规则是指根据具体的应用场景设置的打分规则，例如，在斗地主游戏中，炸弹或者顺子出牌比较快，则将炸弹或者顺子在第一个区间内赋予分数，三张一样的牌在第二个区间内赋予分数，单牌在第三个区间内赋予分数，如此，可对不同的元素组进行打分，如此可以使得牌型相似的元素组的得分趋于一致。第二预设区间是指对元素组得分进行限定的条件，可以是一个区间范围，也可是一个根据具体打分数值进行限定的固定的数值，例如，满分是1分，则第二预设区间可以为得分大于0.7、0.8、0.9的区间范围。

具体地，获取存储有相同的标记类型的元素组形成的第三资源库，其中，标记类型的分类大多受参与用户的主观影响较大，对同一元素组，不用的用户根据统一的类型划分标准对同一元素组进行分类，得到的结果可能会相差较大，因此，在得到存储有相同的标记类型的元素组形成的第三资源库后，还需要进一步按照预设规则对第三资源库中的元素组进行打分，并将第三源库中的元素组得分在第二预设区间中的筛选出来，形成第一资源库。

示例地，在根据预设规则对元素组进行打分后，牌型相似的元素组的得分趋于一致，根据不同的得分区间，可以将相似的元素组分到一个大类中。因此，将第三资源库中的元素组得分位于第二预设区间内的元素组筛选出来，可以实现对相同的标记类型的元素组进行进一步筛选的效果，得到牌力相似且满足要求的元素组，并确定为第一资源库。

可选地，获取用户标识标记的元素组；对用户标识标记的元素组进行分类，将标记类型相同的元素组确定为一个第三资源库。

具体地，第三资源库中的元素组为标记类型相同的元素组，该标记类型为任务处理过程中(例如，斗地主过程中)，用户对元素组(纸牌)的评价，该评价可以是三组牌中的一组容易获胜，或者三组牌中的一组获胜概率较低，或者三组牌中的获胜概率相当等，用以把用户的评价进行量化。对用户标识标记的元素组进行分类，将标记类型相同(例如，三组牌中的一组容易获胜，或者三组牌中的一组获胜概率较低，或者三组牌中的获胜概率相当等)的元素组确定为一个第三资源库

上述示例性实施例中，获取第三资源库，第三资源库中存储有相同的标记类型的元素组，标记类型为根据元素组的类型进行标记得到的；按照预设规则，对第三资源库中的元素组进行打分；将第三资源库中的元素组得分在第二预设区间内的元素组筛选出来，形成第一资源库。可以将自然语言描述的、非量化的(标记类型)元素组目标转化为可量化的数据，用于分析问题。进一步，通过按照预设规则，对第三资源库中的元素组进行打分，并将得分在第二预设区间的元素组筛选出来，如此形成的第一资源库可以消除部分用户主观因素的影响，使最终得到的第一资源库更加客观地满足预设条件，为大量地生成具备预设条件的元素组，得到对应的第二资源库，提供数据基础。

在一具体示例性实施例中提供了一种资源库生成方法，如图5、图6所示，其中，图5是根据一示例性实施例示出的一种资源库生成方法的离线流程图，图6是根据一示例性实施例示出的一种资源库生成方法的线上流程图。

如图5所示，离线组件包括场景牌库生成和打分模型训练两部分。

场景牌库(第三资源库)生成，利用用户标识的真实反馈信号来构建需要的“场景牌库”，实现将自然语言描述的、非量化的产品目标转化为一组数据分析问题。例如，在虚拟斗地主游戏中，需要构建一个“好牌位优势，但是另外两家不绝望”的场景牌，首先采用数据分析的手段从海量的真实随机牌局中找到用户标识对应的终端标记的牌局，具体的场景可以细化为：如具有地主身份的用户标识得到表示胜利的标记，其他参与的用户标识在虚拟场景中进行过至少一次交互，出现过至少一次输出牌的记录，根据这些指标可以得到一个初步的牌库。在经过数据分析方法的筛选后，还需要对牌库进行进一步的改进。在斗地主的场景中，设计一个基于规则的打分函数，例如，炸弹＝X分，顺子＝Y分等，用这一函数输出对这个牌库进行进一步的过滤，得到基于这一场景的“种子牌库”(第一资源库)。

打分模型训练(目标网络模型)，由于依据数据分析和打分规则过滤手段得到的种子牌库，在数量上无法满足线上发牌的需求。接着，使用种子牌库(第一资源库)的牌作为正样本，随机生成的牌作为负样本，训练一个神经网络模型作为打分模型。这一模型的输入是一个发好的牌局，即一种牌的排列组合方式，输出是这个牌局满足“种子牌库”性质的概率或得分。接着，用随机发牌器源源不断地生成随机牌局(待检测元素组)，然后用训练好的模型进行过滤，当模型的输出超过一个阈值时，将这一副牌局加入场景牌库。以大量扩充这一场景的“种子牌库”或“场景牌库”。

如图6所示，离线组件得到一个或多个“种子牌库”后，线上牌桌匹配完成后，为系统设置一个触发模块根据各个用户的历史行为、最近的胜负情况触发能够带来最佳用户体验的“种子牌库”或“场景牌库”，然后从模型和数据分析生成的对应场景牌库中抽取，并发送至参与用户，以使参与用户能够快速获得对应场景牌库中抽取的牌局，并进行对战。

上述示例性实施例中，利用需要影响的用户的行为指标来构建合适的牌库，使用数据分析来跟特定场景目标来构建正样本的方案，结合用户正反馈、模型自动发牌和线上策略的端到端的系统，达到大量生成“种子牌库”，并应用“种子牌库”进行发牌，以使参与用户能够快速获得对应场景牌库中抽取的牌局，并进行对战。

应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

图7是根据一示例性实施例示出的一种资源库生成装置的框图。参照图7，该装置包括：待检测元素组生成单元701、模型输出单元702和第二资源库确定单元703：

待检测元素组生成单元701，被配置为执行随机生成待检测元素组；

模型输出单元702，被配置为执行将待检测元素组输入预设的目标网络模型，得到待检测元素组满足预设条件的输出概率；其中，目标网络模型为以第一资源库中的元素组为正样本，随机采样得到的随机元素组为负样本，对预设的初始网络模型进行训练得到的，第一资源库中存储有满足预设条件的元素组，元素组为在一个任务中进行交互的至少一个交互单元的组合；

第二资源库确定单元703，被配置为执行将输出概率在第一预设区间中的待检测元素组筛选出来，形成第二资源库。

在一示例性实施例中，资源库生成装置还包括目标网络模型确定单元，被配置为执行：为正样本设置对应的第一数值，为负样本设置对应的第二数值，其中，第一数值与第二数值之间的差值大于预设阈值；以正样本为输入、第一数值为第一监督信息，负样本为输入、第二数值为第二监督信息，对初始网络模型进行训练，得到目标网络模型。

在一示例性实施例中，资源库生成装置还包括资源库合并单元，被配置为执行：合并第二资源库和第一资源库，得到更新后的第二资源库。

在一示例性实施例中，资源库生成装置还包括第一资源库确定单元，被配置为执行：获取第三资源库，第三资源库中存储有相同的标记类型的元素组，标记类型为根据元素组的类型进行标记得到的；按照预设规则，对第三资源库中的元素组进行打分；将第三资源库中的元素组得分在第二预设区间内的元素组筛选出来，形成第一资源库。

在一示例性实施例中，资源库生成装置还包括第三资源库确定单元，被配置为执行：获取用户标识标记的元素组；对用户标识标记的元素组进行分类，将标记类型相同的元素组确定为一个第三资源库。

关于上述实施例中的装置，其中各个单元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。

图8是根据一示例性实施例示出的一种用于资源库生成的电子设备800的框图。例如，设备800可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。

参照图8，设备800可以包括以下一个或多个组件：处理组件802、存储器804、电力组件806、多媒体组件808、音频组件810、输入/输出(I/O)的接口812、传感器组件814以及通信组件816。

处理组件802通常控制设备800的整体操作，诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在设备800上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器、磁盘或光盘。

电源组件806为设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为设备800提供各个方面的状态评估。例如，传感器组件814可以检测到设备800的打开/关闭状态，组件的相对定位，例如所述组件为设备800的显示器和小键盘，传感器组件814还可以检测设备800或设备800一个组件的位置改变，用户与设备800接触的存在或不存在，设备800方位或加速/减速和设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。

通信组件816被配置为便于设备800和其他设备之间有线或无线方式的通信。设备800可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。

在示例性实施例中，设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由设备800的处理器820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种资源库生成方法，其特征在于，包括：

随机生成待检测元素组；

将所述待检测元素组输入预设的目标网络模型，得到所述待检测元素组满足预设条件的输出概率；其中，所述目标网络模型为以第一资源库中的元素组为正样本，随机采样得到的随机元素组为负样本，对预设的初始网络模型进行训练得到的，所述第一资源库中存储有满足所述预设条件的元素组，所述元素组为在一个任务中进行交互的至少一个交互单元的组合；

将所述输出概率在第一预设区间中的待检测元素组筛选出来，形成第二资源库。

2.根据权利要求1所述的资源库生成方法，其特征在于，所述目标网络模型的确定方式，包括：

为所述正样本设置对应的第一数值，为所述负样本设置对应的第二数值，其中，所述第一数值与所述第二数值之间的差值大于预设阈值；

以所述正样本为输入、所述第一数值为第一监督信息，所述负样本为输入、所述第二数值为第二监督信息，对所述初始网络模型进行训练，得到所述目标网络模型。

3.根据权利要求1或2所述的资源库生成方法，其特征在于，所述将所述输出概率在第一预设区间中的待检测元素组筛选出来，形成第二资源库之后，包括：

合并所述第二资源库和所述第一资源库，得到更新后的第二资源库。

4.根据权利要求1所述的资源库生成方法，其特征在于，所述获取第一资源库，包括：

获取第三资源库，所述第三资源库中存储有相同的标记类型的元素组，所述标记类型为根据所述元素组的类型进行标记得到的；

按照预设规则，对所述第三资源库中的元素组进行打分；

将所述第三资源库中的元素组得分在第二预设区间内的元素组筛选出来，形成所述第一资源库。

5.根据权利要求4所述的资源库生成方法，其特征在于，所述获取第三资源库，包括：

获取所述用户标识标记的元素组；

对所述用户标识标记的元素组进行分类，将标记类型相同的元素组确定为一个第三资源库。

6.一种资源库生成装置，其特征在于，包括：

待检测元素组生成单元，被配置为执行随机生成待检测元素组；

模型输出单元，被配置为执行将所述待检测元素组输入预设的目标网络模型，得到所述待检测元素组满足预设条件的输出概率；其中，所述目标网络模型为以第一资源库中的元素组为正样本，随机采样得到的随机元素组为负样本，对预设的初始网络模型进行训练得到的，所述第一资源库中存储有满足所述预设条件的元素组，所述元素组为在一个任务中进行交互的至少一个交互单元的组合；

第二资源库确定单元，被配置为执行将所述输出概率在第一预设区间中的待检测元素组筛选出来，形成第二资源库。

7.根据权利要求6所述的资源库生成装置，其特征在于，所述资源库生成装置还包括目标网络模型确定单元，被配置为执行：

为所述正样本设置对应的第一数值，为所述负样本设置对应的第二数值，其中，所述第一数值与所述第二数值之间的差值大于预设阈值；

以所述正样本为输入、所述第一数值为第一监督信息，所述负样本为输入、所述第二数值为第二监督信息，对所述初始网络模型进行训练，得到所述目标网络模型。

8.根据权利要求6或7所述的资源库生成装置，其特征在于，所述资源库生成装置还包括资源库合并单元，被配置为执行：

合并所述第二资源库和所述第一资源库，得到更新后的第二资源库。

9.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如权利要求1至5中任一项所述的资源库生成方法。

10.一种存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至5中任一项所述的资源库生成方法。

Images