CN114266324B - 模型可视化建模方法、装置、计算机设备及存储介质 - Google Patents
模型可视化建模方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN114266324B CN114266324B CN202111666873.2A CN202111666873A CN114266324B CN 114266324 B CN114266324 B CN 114266324B CN 202111666873 A CN202111666873 A CN 202111666873A CN 114266324 B CN114266324 B CN 114266324B
- Authority
- CN
- China
- Prior art keywords
- modeling
- information
- parameter
- component connection
- adjustment
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000012800 visualization Methods 0.000 title claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 98
- 238000013468 resource allocation Methods 0.000 claims abstract description 55
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 230000000007 visual effect Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 15
- 238000013145 classification model Methods 0.000 claims description 11
- 238000005065 mining Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 24
- 230000006870 function Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种模型可视化建模方法、装置、计算机设备及存储介质，应用于人工智能技术领域，用于提高可视化建模的建模效率。本发明提供的方法包括：接收客户端的建模请求，生成建模任务和建模任务类型，并基于所述建模组件推荐信息的反馈信息，生成当前组件连接信息；根据所述当前组件连接信息，得到所述当前组件连接信息的建模结果，并基于所述建模结果，调用资源评估算法，生成所述建模任务的资源分配信息；取所述当前组件连接信息的参数集合，得到每一个参数的调整指标值，并根据调整指标值的大小，生成参数调整信息；将所述当前组件连接信息、所述资源分配信息和所述参数调整信息作为建模优化信息，并在所述客户端进行展示。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种模型可视化建模方法、装置、设备及存储介质。
背景技术
随着可视化人工智能中台的应用普及，人工智能中台根据定制规则为用户提供可视化建模功能，提高用户进行人工智能建模的效率。一般中台的架构组件服务功能基本稳定，但是，集成的算法很有限，在建模过程中，需要具备一定的算法理论知识以及代码能力，还需要熟悉算法编程语言和一些算法开发框架。在建模过程中，使用人员需要具备比较多的储备知识，使用人工智能建模中台的门槛较高，非专业人士使用可视化建模的方式对于提高算法开发的效率不高。
发明内容
本发明提供一种模型可视化建模方法、装置、计算机设备及存储介质，以提高可视化建模的建模效率。
一种模型可视化建模方法，包括：
接收客户端的建模请求，生成建模任务，其中，所述建模请求包括建模任务类型；
根据所述建模任务类型，生成建模组件推荐信息，并基于所述建模组件推荐信息的反馈信息，生成当前组件连接信息，其中，所述当前组件连接信息包括多个算法组件以及所述算法组件的连接关系；
根据所述当前组件连接信息，得到所述当前组件连接信息的建模结果，并基于所述建模结果，调用资源评估算法，生成所述建模任务的资源分配信息；
获取所述当前组件连接信息的参数集合，得到所述参数集合中每一个参数的调整指标值，并根据调整指标值的大小，生成参数调整信息；
将所述当前组件连接信息、所述资源分配信息和所述参数调整信息作为建模优化信息，并在所述客户端进行展示。
一种模型可视化建模装置，包括：
建模请求接收模块，用于接收客户端的建模请求，生成建模任务，其中，所述建模请求包括建模任务类型；
连接关系生成模块，用于根据所述建模任务类型，生成建模组件推荐信息，并基于所述建模组件推荐信息的反馈信息，生成当前组件连接信息，其中，所述当前组件连接信息包括多个算法组件以及所述算法组件的连接关系；
资源分配模块，用于根据所述当前组件连接信息，得到所述当前组件连接信息的建模结果，并基于所述建模结果，调用资源评估算法，生成所述建模任务的资源分配信息；
参数信息生成模块，用于获取所述当前组件连接信息的参数集合，得到所述参数集合中每一个参数的调整指标值，并根据调整指标值的大小，生成参数调整信息；
优化信息推荐模块，用于将所述当前组件连接信息、所述资源分配信息和所述参数调整信息作为建模优化信息，并在所述客户端进行展示。
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上述模型可视化建模方法的步骤。
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上述模型可视化建模方法的步骤。
本发明提供的模型可视化建模方法、装置、计算机设备及存储介质，应用于客户端，首先接收客户端的建模请求，并生成建模任务，其中，建模任务包括建模任务类型，根据建模任务类型，生成建模组件推荐信息，并基于客户端对建模组件推荐信息的反馈信息，得到当前组件连接信息，其中，当前组件连接信息包括多个算法组件以及算法组件之间的链接关系，根据当前组件连接信息，得到建模结果，并调用资源评估算法，为当前组件连接信息生成资源分配信息，并获取当前组件连接信息中每个算法组件的参数集合，根据预设的指标计算方式，得到参数集合中每一个参数的调整指标值，根据参数的调整指标值生成参数调整信息，将当前组件连接信息、资源分配和所述参数调整信息作为建模优化信息，并在客户端展示建模优化信息。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中模型可视化建模方法的一应用环境示意图；
图2是本发明一实施例中模型可视化建模方法的一流程图；
图3是本发明一实施例中模型可视化建模装置的结构示意图；
图4是本发明一实施例中计算机设备的一示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明实施例提供的模型可视化构建方法，可应用在人工智能中台中，其中，人工智能中台用于提供通用化智能服务，并以人工智能化服务为核心，基于人工智能算法，通过连接算法组件、计算分配资源实现人工智能算法建模，提供人工智能模型的开发服务。
其中，人工智能中台是一套完整的智能模型全生命周期平台和服务配置体系，基于数据平台服务，通过对智能服务的共享复用、对智能服务研发相关角色进行管理以及研发流程的标准化、自动化。
在本实施例中，人工智能中台基于模型可视化构建方法，给出算法组件连接建议，并根据生成的算法组件连接信息给出对应的资源分配信息、为算法组件中的算法参数给出调参建议。
其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习几大方向。
在人工智能中台中，通过人工智能技术，选择对应的算法组件并通过连接算法组件实现人工智能模型的构建。
具体是，用户根据人工智能中台给出的算法组件连接建议，进行算法组件连接，构建得到人工智能模型，在人工智能模型的训练过程中，给出人工智能模型的资源分配信息，保证人工智能模型能够运行，且给出对应的算法组件中的调参建议，使得最终得到的人工智能模型的表现效果更佳。
本发明实施例提供的模型可视化建模方法，可应用在如图1的应用环境中，其中，终端设备通过网络与服务器进行通信。其中，终端设备可以但不限于各种个人计算机、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。
系统框架100可以包括终端设备、网络和服务器。网络用以在终端设备和服务器之间提供通信链路的介质。网络可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备通过网络与服务器交互，以接收或者发送消息等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture EpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureEperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本发明实施例所提供的模型可视化建模方法由服务器执行，相应地，模型可视化建模装置设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的，根据实现需要，可以具有任意数目的终端设备、网络和服务器，本发明实施例中的终端设备具体可以对应的是实际生产中的应用系统。
在一实施例中，如图2所示，提供一种模型可视化建模方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：
S10，接收客户端的建模请求，生成建模任务，其中，建模请求包括建模任务类型。
具体的，接收到客户端的建模请求时，基于建模请求生成建模任务，其中建模请求包括所要建模的任务类型，例如二分类任务、回归任务、目标检测任务等。客户端是指具有可视化建模任务的应用程序，该应用程序可应用于电子设备中。
用户可根据客户端进行可视化建模，根据客户端发起建模请求。
S20，根据建模任务类型，生成建模组件推荐信息，并基于建模组件推荐信息的反馈信息，生成当前组件连接信息，其中，当前组件连接信息包括多个算法组件以及算法组件的连接关系。
具体是，获取建模请求对应的建模任务类型，查询与当前的建模请求的建模任务类型相同的建模任务类型，获取该建模任务类型使用频率最高的连接组件，作为建模组件推荐信息。
作为一种实施方式，当用户已经生成了算法组件，根据用户当前的建模任务类型以及当前的算法组件，获取该算法组件的连接组件概率信息，将连接概率最大的算法组件，作为建模组件推荐信息。
将建模组件推荐信息推荐给用户，用户基于自身需求决定是否接收建模组件推荐信息。若用户接收建模组件推荐信息，则基于建模组件推荐信息中的算法组件和算法组件之间的连接方式，构成当前组件连接信息。
若用户不接收建模组件推荐信息，则接收用户自己生成的算法组件连接方式，作为当前组件连接信息。
其中，算法组件是指具有独立功能的算法封装模块，例如，数据加载组件、数据拆分组件、决策树分类组件和多分类评估组件等。
当前组件连接信息包括数据加载组件、数据拆分组件和决策树分类组件和多分类评估组件，以及数据加载组件和数据拆分组件之间的连接关系，输出拆分组件和决策树分类组件、多分类评估算法的连接关系。
S30，根据当前组件连接信息，得到当前组件连接信息的建模结果，并基于建模结果，调用资源评估算法，生成建模任务的资源分配信息。
具体是，根据当前组件连接信息中的算法组件以及算法组件之间的连接关系，构建建模任务流程，根据建模任务流程运行建模任务，得到建模结果。如果当前建模结果为运行成功，则根据客户端设置的资源配置信息，根据资源评估算法判断用户设置的资源配置信息，基于建模任务当前使用的训练数据集，判断当前的资源配置信息能否支撑建模任务运行，给出相应的CPU、GPU参数。
进一步的，根据预设的资源评估模型，判断用户给出的资源配置信息是否充足，即是否能够满足建模任务的需求。如果用户设置的资源配置信息不充足，则根据资源评估算法，为当前建模任务生成对应的资源分配信息。
作为一种可选的实现方式，如果建模结果不成功，则获取客户端的用户日志，则根据图匹配算法，将与当前组件连接信息相似的历史组件连接信息，作为组件推荐信息推荐给用户。
S40，获取当前组件连接信息的参数集合，得到参数集合中每一个参数的调整指标值，并根据调整指标值的大小，生成参数调整信息。
具体是，获取当前组件连接信息中，每个算法组件中的参数集合，计算出每个参数集合的调整指标值，其中，调整指标值代表参数的重要性，即调整指标值越大，则调整该参数对建模模型的优化效果更好。
按照调整指标值的大小，选取出预设数量的调整指标值最大的参数，作为参数调整信息。
S50,将当前组件连接信息、资源分配信息和参数调整信息作为建模优化信息，并在客户端进行展示。
具体的，将当前组件连接信息对应的资源分类信息和参数调整信息作为建模优化信息在客户端进行展示。用户可以根据建模优化信息，对当前组件连接信息进行调整。
本发明实施例提供的模型可视化建模方法，应用于客户端，首先接收客户端的建模请求，并生成建模任务，其中，建模任务包括建模任务类型，根据建模任务类型，生成建模组件推荐信息，并基于客户端对建模组件推荐信息的反馈信息，得到当前组件连接信息，其中，当前组件连接信息包括多个算法组件以及算法组件之间的链接关系，根据当前组件连接信息，得到建模结果，并调用资源评估算法，为当前组件连接信息生成资源分配信息，并获取当前组件连接信息中每个算法组件的参数集合，根据预设的指标计算方式，得到参数集合中每一个参数的调整指标值，根据参数的调整指标值生成参数调整信息，将当前组件连接信息、资源分配和参数调整信息作为建模优化信息，并在客户端展示建模优化信息。
进一步的，作为一种可选的实施方式，在步骤S20，根据建模任务类型，生成建模组件推荐信息，并基于建模组件推荐信息的反馈信息，获取建模组件连接信息之前，包括：
S21，获取客户端行为日志，将建模结果为成功的建模组件连接信息作为推荐参考集，其中，推荐参考集包括至少一个建模组件连接信息。
S22，基于推荐参考集，获取建模组件三元组，其中，建模组件三元组包括建模任务类型、组件连接信息以及组件连接信息频率。
S23，基于建模组件三元组，通过频繁项集挖掘算法对推荐参考集进行组件连接关系挖掘，得到组件连接概率信息。
具体是，获取客户端的用户行为日志，根据建模三元组，获取行为日志中的历史建模任务以及每个历史建模任务的建模结果。
其中，建模三元组包括组件连接信息、连接信息使用频次以及建模任务类型，生成[task_type,task_template,freq]，其中，task_type是指建模任务类型、task_template是指组件连接信息，freq是连接信息使用频次。
将建模结果为成功的历史建模任务中的组件连接信息作为推荐参考集。根据频繁项集挖掘算法对推荐参考集进行挖掘，学习到推荐参考集中每个算法组件的连接可能性，构建组件连接概率模型，根据组件连接概率模型得到组件连接概率信息。
即根据组件连接概率信息，根据用户选择的第一个算法组件，基于组件连接概率信息，将连接组件概率信息最大的三个连接算法组件推荐给用户端。
在本实施例中，基于行为日志，获取建模结果为成功的历史建模任务，将其中的组件连接信息作为推荐参考集，通过频繁项集挖掘算法挖掘不同算法组件之间的连接可能性，得到组件连接概率信息，根据组件连接概率信息，向用户推荐用于连接的算法组件，为用户的建模过程提供优化过程，提高用户进行建模的效率。
进一步的，作为一种可选的实施方式，在步骤S20中，根据建模任务类型，生成建模组件推荐信息，并基于建模组件推荐信息的反馈信息，生成当前组件连接信息包括：
S201，根据建模任务类型，获取建模任务类型对应的组件连接概率信息。
S202，根据组件连接概率信息，按照组件连接信息频率的大小，将预设数量的连接组件作为推荐连接组件，作为建模组件推荐信息。
S203，若反馈信息为接收建模组件推荐信息，则基于建模组件推荐信息，生成当前组件连接信息。
S204，若反馈信息为不接收建模组件推荐信息，则获取客户端构建的组件连接信息，作为当前组件连接信息。
具体的，根据当前建模任务的建模任务类型，并基于当前用户选择的算法组件，获取该算法组件的组件连接概率信息，将组件连接概率最大的k个算法组件作为推荐连接组件，将推荐连接组件作为建模组件推荐信息。
其中，反馈信息是客户端对建模组件推荐信息的反馈，具体是：若反馈信为客户端接收建模组件推荐信息，则根据当前建模组件推荐信息，生成当前组件连接信息。其中，当前组件连接信息可以是最终的组件连接信息，也可以是根据当前客户端给出的算法组件连接下一个算法组件的组件连接信息。
如果客户端不接收建模组件推荐信息，则根据用户选择连接的算法组件，生成当前组件连接信息。
在本实施例中，通过算法组件的组件连接概率信息，为客户端推荐最优连接的算法组件，客户端基于自身需求选择是否使用建模组件推荐信息，并且，将组件连接概率最大的k个算法组件推荐给用户，为客户端提供优化的算法组件连接信息，进一步降低客户端进行建模的门槛。
进一步的，作为一种可选的实施方式，在步骤S30中，若建模结果为建模不成功，还包括：
S31，基于建模任务类型，匹配与建模任务类型相同的历史建模信息，并获取至少一个历史组件连接信息
S32，根据图匹配算法，计算历史组件连接信息与当前组件连接信息的相似度，得到相似度结果。
S33，将相似度结果最高的历史组件连接信息作为组件连接推荐信息，向客户端展示。
具体的，若当前组件连接信息对应的建模任务的建模结果不成功，则基于建模任务类型，匹配与当前的建模任务类型相同的历史建模信息，并从历史建模信息中获取至少一个历史组件连接信息。
每个历史组件连接信息以DAG图形式表示，则根据图匹配算法，计算当前组件连接信息与历史组件连接信息的相似度，得到相似度结果，并将与当前组件连接信息的相似度结果最大的历史组件连接信息作为组件连接推荐信息向客户端进行推荐。
作为一种可选的实现方式，根据建模任务类型，获取当前建模任务类型使用频率最高的历史组件连接信息作为组件连接推荐信息。
在本实施例中，根据当前组件连接信息的建模结果，如果建模不成功，则根据图匹配算法向客户端推荐成功率最高的组件连接信息，作为组件推荐连接信息，为客户端的建模任务进行优化，帮助用户提高进行建模和算法组件连接的效率。
进一步的，作为一种可选的实施方式，在步骤S30中，建模结果为建模成功，根据当前组件连接信息，得到当前组件连接信息的建模结果，并基于建模结果，调用资源评估算法，生成建模任务的资源分配信息包括：
S301，获取客户端基于当前组件连接信息设置的初始资源分配信息。
S302，将预设的资源评估分类模型作为资源评估算法，并通过预设的资源评估分类模型计算资源信息的资源充足分值。
S303，若资源充足分值大于预设阈值，则将初始资源分配信息作为资源分配信息。
S304，若资源充足分值小于预设阈值，则基于建模任务类型，为当前组件连接信息生成预测资源分配信息，作为资源分配信息。
具体是，如果当前组件连接信息对应的建模任务的建模结果成功，则获取客户端基于当前组件连接信息设置的初始资源分配信息，并根据预设的资源评估分类模型判断初始资源分配信息是否充足，得到资源充足分值，根据资源充足分值确定初始资源分配信息是否充足，具体是：
若初始资源分配信息的资源充足分值大于第一预设阈值，给出资源充足的提示，并估算出所需的资源上限，并针对客户端指定的CPU核数、使用的CPU显存量基础上，对CPU核数和CPU显存量进行逐步增量，得到多组大于初始资源分配信息的虚拟参数，通过资源评估分类模型评估多组虚拟参数，将最接近参考分值的虚拟参数作为参考数值，向客户端生成资源建议参数。
其中，参考分值基于第一预设阈值和第二预设阈值的均值确定。
若初始资源分配信息的资源充足分值大于第二预设阈值小于第一预设阈值，则给出资源充足的提示。
若初始资源分类信息的资源充足分值小于第二预设阈值，则给出计算资源可能不充足的提示，并基于预设的资源评估分类模型生成资源建议参数。
其中，从客户端的行为日志中，获取正负样本，其中，正样本为建模成功的建模任务，负样本为建模失败的建模任务，提取正负样本中的资源分配信息，将正负样本作为训练数据，并基于SVR算法训练资源评估分类模型，得到预设的资源评估分类模型。
在本实施例中，通过预设的资源评估分类算法，对用户设置的初始资源分配信息的充足性进行评估，并根据评估结果生成对应的建议，为客户端生成相应的资源分配建议，客户端可以根据资源分配建议保证建模任务的实施。
进一步的，作为一种可选的实施方式，在步骤S40中，获取当前组件连接信息的参数集合，得到参数集合中每一个参数的调整指标值，并根据调整指标值的大小，生成参数调整信息包括：
S401，获取当前组件连接信息中的每个组件模块，并获取每个组件模块中的可调参数，作为参数集合。
S402，基于建模任务类型，查询得到参数集合中每一个参数的调整指标值。
S403，将调整指标值大于预设阈值的参数，作为调整参数，并获取调整参数的调整指标值，将调整参数和对应的调整指标值作为参数调整信息。
具体是，当前组件连接信息包括多个算法组件，一个算法组件作为一个组件模块，其中包括多种算法参数，获取每个组件模块的可调参数，得到参数集合。
在当前建模组建任务类型中，查询出参数及合中每一个参数的调整指标值，其中，调整指标值包括参数调整频次以及参数调整重要性，其中，参数调整频次是指某一个参数的调整次数，参数调整重要性是指调整该参数对建模结果的重要性。
基于调整指标值的大小，提醒客户端关注重要的参数并对其进行调整，提高进行可视化建模的使用体验。
基于调整指标值与预设阈值的关系，将调整指标值大于预设阈值的参数作为调整参数，将调整参数和对应的调整指标值作为参数调整信息。
在本实施例中，通过计算出每个可调参数的调整指标值，根据调整指标值提示出重点调整参数，减少客户端进行调参的效率。
进一步的，作为一种可选的实施方式，在步骤S402之前，包括：
S41，基于预设的筛选规则，从客户端行为日志中获取样本历史训练任务。
S42，基于每个历史训练任务的建模任务类型，获取历史训练任务中每个参数的调整次数，作为参数频率数据。
S43，针对同一个参数，对比同一个历史训练任务在调整参数之前和调整参数之后的评测指标比值，作为参数比重数据。
S45,按照加权计算方式，基于参数频率数据和参数比重数据，得到每个参数的调整指标值。
具体是，获取行为日志中，训练数据大于预设阈值的建模任务，基于同一个建模任务，获取调参前后的任务作为一组比对任务，根据建模任务类型对应的评价指标，判断调参前后，该组比对任务的效果，若调参后的效果优于调参前的效果，则该组比对任务则是提升任务，否则是降低任务。
以客户端用户为单位，获取提升任务的总体占比，作为调参能力指数。选择k个调参能力指数更高的用户作为样本用户。
获取样本数据的历史建模信息，分析历史建模信息中每一个算法组件，将所有的可调参数作为一个可调参数集合。统计所有样本用户对一个算法组件中可调参数集合中每个参数的调整次数，再对整体进行归一化，得到每个参数的参数频率数据。
选择一组比对任务，对于可调参数集合中的每个参数，判断用户是否进行调整。对于用户未调整过该参数的两次任务或者调整过多个指标的两次任务直接剔除。对于用户调整只调整过该参数的一组比对任务，从行为日志中提取到该组比对任务的评测指标N1和N2，以N＝max(N1,N2)/min(N1,N2)作为参数比重数据，参数比重数据越大，表明调度该参数对训练任务评测结果的影响越大。
其中，比对任务的评测指标基于建模任务的类型不同，对于分类任务，会选择Precision(精确率)等；对于回归任务，指标可以是MSE(均方误差)。
N1和N2两个指标可以代表最终的任务效果。假设选择的是F1参数，那么两次训练的评测指标为F1_1和F1_2，参数比重数据就是N＝max(F1_1,F1_2)/min(F1_1,F1_2)。
在本实施例中，通过行为日志中的参数调整行为，计算出参数的调整指标值，根据调整指标值对客户端生成参数调整信息，建议客户端基于参数调整信息进行参数调整，以得到更优的建模效果，提高建模过程的遍历，提高可视化建模的使用体验。
应理解，上述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，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种模型可视化建模装置，该模型可视化建模装置与上述实施例中模型可视化建模方法一一对应。如图3所示，该模型可视化建模装置包括：
建模请求接收模块31，用于接收客户端的建模请求，生成建模任务，其中，建模请求包括建模任务类型。
连接关系生成模块32，用于根据建模任务类型，生成建模组件推荐信息，并基于建模组件推荐信息的反馈信息，生成当前组件连接信息，其中，当前组件连接信息包括多个算法组件以及算法组件的连接关系。
资源分配模块33，用于根据当前组件连接信息，得到当前组件连接信息的建模结果，并基于建模结果，调用资源评估算法，生成建模任务的资源分配信息。
参数信息生成模块34，用于获取当前组件连接信息的参数集合，得到参数集合中每一个参数的调整指标值，并根据调整指标值的大小，生成参数调整信息。
优化信息推荐模块35，用于将当前组件连接信息、资源分配信息和参数调整信息作为建模优化信息，并在客户端进行展示。
进一步的，模型可视化建模装置包括：
组件推荐模块，用于获取客户端行为日志，将建模结果为成功的建模组件连接信息作为推荐参考集，其中，推荐参考集包括至少一个建模组件连接信息。
三元组生成模块，用于基于推荐参考集，获取建模组件三元组，其中，建模组件三元组包括建模任务类型、组件连接信息以及组件连接信息频率。
组件概率信息生成模块，用于基于建模组件三元组，通过频繁项集挖掘算法对推荐参考集进行组件连接关系挖掘，得到组件连接概率信息。
进一步的，连接关系生成模块32包括：
组件概率获取单元，用于根据建模任务类型，获取建模任务类型对应的组件连接概率信息。
组件推荐单元，用于根据组件连接概率信息，按照组件连接信息频率的大小，将预设数量的连接组件作为推荐连接组件，作为建模组件推荐信息。
第一连接信息生成单元，用于若反馈信息为接收建模组件推荐信息，则基于建模组件推荐信息，生成当前组件连接信息。
第二连接信息生成单元，用于若反馈信息为不接收建模组件推荐信息，则获取客户端构建的组件连接信息，作为当前组件连接信息。
进一步的，模型可视化建模装置还包括：
历史连接信息获取模块，用于基于建模任务类型，匹配与建模任务类型相同的历史建模信息，并获取至少一个历史组件连接信息
图匹配模块，用于根据图匹配算法，计算历史组件连接信息与当前组件连接信息的相似度，得到相似度结果。
历史组件推荐模块，用于将相似度结果最高的历史组件连接信息作为组件连接推荐信息，向客户端展示。
进一步的，资源分配模块33包括：
初始资源获取单元，用于获取客户端基于当前组件连接信息设置的初始资源分配信息。
充足性评估单元，用于将预设的资源评估分类模型作为资源评估算法，并通过预设的资源评估分类模型计算资源信息的资源充足分值。
第一资源分配单元，用于若资源充足分值大于预设阈值，则将初始资源分配信息作为资源分配信息。
第二资源分配单元，用于若资源充足分值小于预设阈值，则基于建模任务类型，为当前组件连接信息生成预测资源分配信息，作为资源分配信息。
进一步的，参数信息生成模块34包括：
参数集合获取单元，用于获取当前组件连接信息中的每个组件模块，并获取每个组件模块中的可调参数，作为参数集合。
指标值查询单元，用于基于建模任务类型，查询得到参数集合中每一个参数的调整指标值。
参数信息生成单元，用于将调整指标值大于预设阈值的参数，作为调整参数，并获取调整参数的调整指标值，将调整参数和对应的调整指标值作为参数调整信息。
进一步的，模型可视化建模装置还包括：
样本历史筛选模块，用于基于预设的筛选规则，从客户端行为日志中获取样本历史训练任务。
参数调整频率模块，用于基于每个历史训练任务的建模任务类型，获取历史训练任务中每个参数的调整次数，作为参数频率数据。
参数比重模块，用于针对同一个参数，对比同一个历史训练任务在调整参数之前和调整参数之后的评测指标比值，作为参数比重数据。
指标值生成模块，用于按照加权计算方式，基于参数频率数据和参数比重数据，得到每个参数的调整指标值。
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
关于模型可视化建模装置的具体限定可以参见上文中对于模型可视化建模方法的限定，在此不再赘述。上述模型可视化建模装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储模型可视化建模方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种模型可视化建模方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中模型可视化建模方法的步骤，例如图2所示的步骤S10至步骤S50及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中模型可视化建模装置的各模块/单元的功能，例如图3所示模块31至模块35的功能。为避免重复，这里不再赘述。
所述处理器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)、现成可编程门阵列(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，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中模型可视化建模方法的步骤，例如图2所示的步骤S10至步骤S5 0及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中模型可视化建模装置的各模块/单元的功能，例如图3所示模块31至模块35的功能。为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (8)
1.一种模型可视化建模方法，所述方法应用于应用端，其特征在于，包括：
接收客户端的建模请求，生成建模任务，其中，所述建模请求包括建模任务类型；
根据所述建模任务类型，生成建模组件推荐信息，并基于所述建模组件推荐信息的反馈信息，生成当前组件连接信息，其中，所述当前组件连接信息包括多个算法组件以及所述算法组件的连接关系；
根据所述当前组件连接信息，得到所述当前组件连接信息的建模结果，并基于所述建模结果，调用资源评估算法，生成所述建模任务的资源分配信息；
获取所述当前组件连接信息的参数集合，得到所述参数集合中每一个参数的调整指标值，并根据调整指标值的大小，生成参数调整信息；
将所述当前组件连接信息、所述资源分配信息和所述参数调整信息作为建模优化信息，并在所述客户端进行展示；
其中，所述获取所述当前组件连接信息的参数集合，得到所述参数集合中每一个参数的调整指标值，并根据调整指标值的大小，生成参数调整信息包括：
获取所述当前组件连接信息中的每个组件模块，并获取每个所述组件模块中的可调参数，作为参数集合；
基于所述建模任务类型，查询得到所述参数集合中每一个参数的调整指标值；
将调整指标值大于预设阈值的参数，作为调整参数，并获取所述调整参数的调整指标值，将所述调整参数和对应的调整指标值作为参数调整信息；
其中，在基于所述建模任务类型，查询得到所述参数集合中每一个参数的调整指标值之前，所述方法包括：
基于预设的筛选规则，从客户端行为日志中获取样本历史训练任务；
基于每个历史训练任务的建模任务类型，获取历史训练任务中每个参数的调整次数，将所述每个参数的调整次数进行归一化，得到参数频率数据；
针对同一个参数，对比同一个所述历史训练任务在调整参数之前和调整参数之后的评测指标比值，作为参数比重数据，计算公式为：
N＝Max(F1_1,F1_2)/Min(F1_1,F1_2)
其中，N为参数比重数据，F1_1为调整参数之前的评测指标值，F2_2为调整参数之后的评测指标值；
按照加权计算方式，基于所述参数频率数据和所述参数比重数据，得到每个参数的调整指标值。
2.根据权利要求1所述的模型可视化建模方法，其特征在于，在所述根据所述建模任务类型，生成建模组件推荐信息，并基于所述建模组件推荐信息的反馈信息，获取建模组件连接信息之前，所述方法包括：
获取客户端行为日志，将建模结果为成功的建模组件连接信息作为推荐参考集，其中，所述推荐参考集包括至少一个建模组件连接信息；
基于所述推荐参考集，获取建模组件三元组，其中，所述建模组件三元组包括建模任务类型、组件连接信息以及组件连接信息频率；
基于所述建模组件三元组，通过频繁项集挖掘算法对所述推荐参考集进行组件连接关系挖掘，得到组件连接概率信息。
3.根据权利要求2所述的模型可视化建模方法，其特征在于，所述根据所述建模任务类型，生成建模组件推荐信息，并基于所述建模组件推荐信息的反馈信息，生成当前组件连接信息包括：
根据所述建模任务类型，获取所述建模任务类型对应的组件连接概率信息；
根据所述组件连接概率信息，按照所述组件连接信息频率的大小，将预设数量的连接组件作为推荐连接组件，作为建模组件推荐信息；
若所述反馈信息为接收所述建模组件推荐信息，则基于所述建模组件推荐信息，生成所述当前组件连接信息；
若所述反馈信息为不接收所述建模组件推荐信息，则获取客户端构建的组件连接信息，作为所述当前组件连接信息。
4.根据权利要求1所述的模型可视化建模方法，其特征在于，所述当前组件连接信息的建模结果为建模不成功，所述方法包括：
基于所述建模任务类型，匹配与所述建模任务类型相同的历史建模信息，并获取至少一个历史组件连接信息；
根据图匹配算法，计算历史组件连接信息与当前组件连接信息的相似度，得到相似度结果；
将相似度结果最高的历史组件连接信息作为组件连接推荐信息，向所述客户端展示。
5.根据权利要求1所述的模型可视化建模方法，其特征在于，所述建模结果为建模成功，所述根据所述当前组件连接信息，得到所述当前组件连接信息的建模结果，并基于所述建模结果，调用资源评估算法，生成所述建模任务的资源分配信息包括：
获取所述客户端基于所述当前组件连接信息设置的初始资源分配信息；
将预设的资源评估分类模型作为所述资源评估算法，并通过所述预设的资源评估分类模型计算所述初始资源分配信息的资源充足分值；
若所述资源充足分值大于预设阈值，则将所述初始资源分配信息作为资源分配信息；
若所述资源充足分值小于预设阈值，则基于所述建模任务类型，为所述当前组件连接信息生成预测资源分配信息，作为资源分配信息。
6.一种模型可视化建模装置，所述装置应用于客户端，其特征在于，包括：
建模请求接收模块，用于接收客户端的建模请求，生成建模任务，其中，所述建模请求包括建模任务类型；
连接关系生成模块，用于根据所述建模任务类型，生成建模组件推荐信息，并基于所述建模组件推荐信息的反馈信息，生成当前组件连接信息，其中，所述当前组件连接信息包括多个算法组件以及所述算法组件的连接关系；
资源分配模块，用于根据所述当前组件连接信息，得到所述当前组件连接信息的建模结果，并基于所述建模结果，调用资源评估算法，生成所述建模任务的资源分配信息；
参数信息生成模块，用于获取所述当前组件连接信息的参数集合，得到所述参数集合中每一个参数的调整指标值，并根据调整指标值的大小，生成参数调整信息；
优化信息推荐模块，用于将所述当前组件连接信息、所述资源分配信息和所述参数调整信息作为建模优化信息，并在所述客户端进行展示；
其中，所述参数信息生成模块包括：
参数集合获取单元，用于获取所述当前组件连接信息中的每个组件模块，并获取每个所述组件模块中的可调参数，作为参数集合；
指标值查询单元，用于基于所述建模任务类型，查询得到所述参数集合中每一个参数的调整指标值；
参数信息生成单元，用于将调整指标值大于预设阈值的参数，作为调整参数，并获取所述调整参数的调整指标值，将所述调整参数和对应的调整指标值作为参数调整信息；
其中，所述模型可视化建模装置还包括：
样本历史筛选模块，用于基于预设的筛选规则，从客户端行为日志中获取样本历史训练任务；
参数调整频率模块，用于基于每个历史训练任务的建模任务类型，获取历史训练任务中每个参数的调整次数，将所述每个参数的调整次数进行归一化，得到参数频率数据；
参数比重模块，用于针对同一个参数，对比同一个所述历史训练任务在调整参数之前和调整参数之后的评测指标比值，作为参数比重数据，计算公式为：
N＝Max(F1_1,F1_2)/Min(F1_1,F1_2)
其中，N为参数比重数据，F1_1为调整参数之前的评测指标值，F2_2为调整参数之后的评测指标值；
指标值生成模块，用于按照加权计算方式，基于参数频率数据和参数比重数据，得到每个参数的调整指标值。
7.一种计算机设备，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5中任一项所述模型可视化建模方法的步骤。
8.一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5中任一项所述模型可视化建模方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111666873.2A CN114266324B (zh) | 2021-12-30 | 2021-12-30 | 模型可视化建模方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111666873.2A CN114266324B (zh) | 2021-12-30 | 2021-12-30 | 模型可视化建模方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114266324A CN114266324A (zh) | 2022-04-01 |
| CN114266324B true CN114266324B (zh) | 2023-04-07 |
Family
ID=80832126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111666873.2A Active CN114266324B (zh) | 2021-12-30 | 2021-12-30 | 模型可视化建模方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114266324B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117519838B (zh) * | 2024-01-04 | 2024-04-12 | 浙江大华技术股份有限公司 | Ai工作流建模方法及相关装置、设备、系统和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8612263B1 (en) * | 2007-12-21 | 2013-12-17 | Genworth Holdings, Inc. | Systems and methods for providing a cash value adjustment to a life insurance policy |
| CN108460235A (zh) * | 2018-04-04 | 2018-08-28 | 西南科技大学 | 一种通过数学模型预测猪饲料磷表观全肠道消化率的方法 |
| CN110458287A (zh) * | 2019-02-15 | 2019-11-15 | 平安科技（深圳）有限公司 | 神经网络优化器的参数更新方法、装置、终端及存储介质 |
| CN112785418A (zh) * | 2021-01-22 | 2021-05-11 | 深圳前海微众银行股份有限公司 | 信贷风险建模方法、装置、设备及计算机可读存储介质 |
| WO2021217938A1 (zh) * | 2020-04-30 | 2021-11-04 | 平安国际智慧城市科技股份有限公司 | 基于大数据的资源推荐方法、装置、计算机设备及存储介质 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102866911B (zh) * | 2012-09-12 | 2015-03-25 | 北京航空航天大学 | Mashup应用建立方法及装置 |
| CN105608258B (zh) * | 2015-12-16 | 2018-12-14 | 苏州同元软控信息技术有限公司 | 一种基于模型的系统设计及信息流可视化仿真系统及方法 |
| CN109102460A (zh) * | 2018-08-28 | 2018-12-28 | Oppo广东移动通信有限公司 | 一种图像处理方法、图像处理装置及终端设备 |
| CN110096647B (zh) * | 2019-05-10 | 2023-04-07 | 腾讯科技（深圳）有限公司 | 优化量化模型的方法、装置、电子设备及计算机存储介质 |
| CN110428127B (zh) * | 2019-06-19 | 2022-04-15 | 深圳壹账通智能科技有限公司 | 自动化分析方法、用户设备、存储介质及装置 |
| US11481620B2 (en) * | 2019-07-29 | 2022-10-25 | International Business Machines Corporation | Intelligent retraining of deep learning models utilizing hyperparameter sets |
| US20210103834A1 (en) * | 2019-08-28 | 2021-04-08 | Tata Consultancy Services Limited | Method and system for generating model driven applications using artificial intelligence |
| CN111240662B (zh) * | 2020-01-16 | 2024-01-09 | 同方知网(北京)技术有限公司 | 一种基于任务可视化拖拽的spark机器学习系统及学习方法 |
| CN111736821B (zh) * | 2020-06-28 | 2024-01-09 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 可视化建模分析方法、系统、计算机设备和可读存储介质 |
| CN112650482A (zh) * | 2020-12-25 | 2021-04-13 | 浙江蓝卓工业互联网信息技术有限公司 | 一种逻辑组件的推荐方法及相关装置 |
| CN113157183B (zh) * | 2021-04-15 | 2022-12-16 | 成都新希望金融信息有限公司 | 深度学习模型构建方法、装置、电子设备及存储介质 |
| CN113110833A (zh) * | 2021-04-15 | 2021-07-13 | 成都新希望金融信息有限公司 | 机器学习模型可视化建模方法、装置、设备及存储介质 |
| CN113435608B (zh) * | 2021-06-30 | 2024-05-03 | 平安科技（深圳）有限公司 | 联邦学习模型的生成方法、装置、计算机设备及存储介质 |
-
2021
- 2021-12-30 CN CN202111666873.2A patent/CN114266324B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8612263B1 (en) * | 2007-12-21 | 2013-12-17 | Genworth Holdings, Inc. | Systems and methods for providing a cash value adjustment to a life insurance policy |
| CN108460235A (zh) * | 2018-04-04 | 2018-08-28 | 西南科技大学 | 一种通过数学模型预测猪饲料磷表观全肠道消化率的方法 |
| CN110458287A (zh) * | 2019-02-15 | 2019-11-15 | 平安科技（深圳）有限公司 | 神经网络优化器的参数更新方法、装置、终端及存储介质 |
| WO2021217938A1 (zh) * | 2020-04-30 | 2021-11-04 | 平安国际智慧城市科技股份有限公司 | 基于大数据的资源推荐方法、装置、计算机设备及存储介质 |
| CN112785418A (zh) * | 2021-01-22 | 2021-05-11 | 深圳前海微众银行股份有限公司 | 信贷风险建模方法、装置、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114266324A (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114550241B (zh) | 人脸识别方法、装置、计算机设备及存储介质 | |
| CN113536139B (zh) | 基于兴趣的内容推荐方法、装置、计算机设备及存储介质 | |
| CN112328909A (zh) | 信息推荐方法、装置、计算机设备及介质 | |
| JP7498248B2 (ja) | コンテンツ推薦とソートモデルトレーニング方法、装置、機器、記憶媒体及びコンピュータプログラム | |
| CN112035549B (zh) | 数据挖掘方法、装置、计算机设备及存储介质 | |
| CN113435608A (zh) | 联邦学习模型的生成方法、装置、计算机设备及存储介质 | |
| US20230244862A1 (en) | Form processing method and apparatus, device, and storage medium | |
| CN114266324B (zh) | 模型可视化建模方法、装置、计算机设备及存储介质 | |
| CN112785005A (zh) | 多目标任务的辅助决策方法、装置、计算机设备及介质 | |
| CN114266946A (zh) | 遮挡条件下的特征识别方法、装置、计算机设备及介质 | |
| CN115619448A (zh) | 用户流失预测方法、装置、计算机设备及存储介质 | |
| CN113360300B (zh) | 接口调用链路生成方法、装置、设备及可读存储介质 | |
| CN114428838A (zh) | 内容召回方法、装置、计算机设备及存储介质 | |
| CN117056721A (zh) | 模型参数的调整方法、装置、模型预测方法、设备及介质 | |
| CN109002498A (zh) | 人机对话方法、装置、设备及存储介质 | |
| CN114897426A (zh) | 分案信息处理方法、装置、计算机设备及存储介质 | |
| CN113240323B (zh) | 基于机器学习的水平评测方法、装置及相关设备 | |
| CN114331388A (zh) | 基于联邦学习的薪资计算方法、装置、设备及存储介质 | |
| CN113407866A (zh) | 应用于数字化社交的大数据话题推送方法及服务器 | |
| CN112329943A (zh) | 组合指标的甄选方法、装置、计算机设备及介质 | |
| CN111105144A (zh) | 数据处理方法、装置和目标对象风险监控方法 | |
| CN112765479B (zh) | 一种信息推荐的方法、装置、电子设备和可读存储介质 | |
| CN114331379B (zh) | 用于输出待办任务的方法、模型训练方法和装置 | |
| CN115063621B (zh) | 多视图聚类方法、装置、计算机设备及存储介质 | |
| US20230267009A1 (en) | Machine-learning (ml)-based resource utilization prediction and management engine |
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 | ||
| CP03 | Change of name, title or address |
Address after: No. 205, Building B1, Huigu Science and Technology Industrial Park, No. 336 Bachelor Road, Bachelor Street, Yuelu District, Changsha City, Hunan Province, 410000 Patentee after: Wisdom Eye Technology Co.,Ltd. Country or region after: China Address before: 410000 building 14, phase I, Changsha Zhongdian Software Park, No. 39, Jianshan Road, high tech Development Zone, Changsha City, Hunan Province Patentee before: Wisdom Eye Technology Co.,Ltd. Country or region before: China |
|
| CP03 | Change of name, title or address |