CN114331379B - 用于输出待办任务的方法、模型训练方法和装置 - Google Patents
用于输出待办任务的方法、模型训练方法和装置 Download PDFInfo
- Publication number
- CN114331379B CN114331379B CN202111672987.8A CN202111672987A CN114331379B CN 114331379 B CN114331379 B CN 114331379B CN 202111672987 A CN202111672987 A CN 202111672987A CN 114331379 B CN114331379 B CN 114331379B
- Authority
- CN
- China
- Prior art keywords
- task
- historical
- handled
- label
- tag
- 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 71
- 238000012549 training Methods 0.000 title claims abstract description 65
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- OEBRKCOSUFCWJD-UHFFFAOYSA-N dichlorvos Chemical compound COP(=O)(OC)OC=C(Cl)Cl OEBRKCOSUFCWJD-UHFFFAOYSA-N 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本公开提供了用于输出待办任务的方法、模型训练方法和装置，涉及人工智能技术领域，具体为内容推荐技术领域。具体实现方案为：获取待办任务集合；确定待办任务集合中各个待办任务对应的任务标签，得到任务标签集合；基于预先训练完成的权重生成模型，确定任务标签集合中各个任务标签对应的权重；基于各个任务标签对应的权重，输出各个任务标签对应的待办任务。本实现方式可以提高待办任务输出的智能化程度。
Description
技术领域
本公开涉及人工智能技术领域，具体为内容推荐技术领域。
背景技术
目前，随着信息技术的不断发展，用户从各类渠道所获取的内容越来越多。
在实践中发现，这些内容的展示往往杂乱无序，需要用户根据自己的需求选择相应的内容查看方式，例如根据自己的需求选择对内容进行查看的顺序。可见，现在的内容展示方式存在着智能化程度较低的问题。
发明内容
本公开提供了一种用于输出待办任务的方法、模型训练方法和装置。
根据本公开的一方面，提供了一种用于输出待办任务的方法，包括：获取待办任务集合；确定待办任务集合中各个待办任务对应的任务标签，得到任务标签集合；基于预先训练完成的权重生成模型，确定任务标签集合中各个任务标签对应的权重；基于各个任务标签对应的权重，输出各个任务标签对应的待办任务。
根据本公开的另一方面，提供了一种模型训练方法，包括：获取历史任务标签集合；确定历史任务标签集合中各个历史任务标签下的历史待办任务的完成数量；基于各个历史任务标签下的历史待办任务的完成数量，确定各个历史任务标签的计数权重；基于计数权重，对待训练模型进行训练，得到训练完成的权重生成模型。
根据本公开的另一方面，提供了一种用于输出待办任务的装置，包括：任务获取单元，被配置成获取待办任务集合；标签确定单元，被配置成确定待办任务集合中各个待办任务对应的任务标签，得到任务标签集合；权重确定单元，被配置成基于预先训练完成的权重生成模型，确定任务标签集合中各个任务标签对应的权重；任务输出单元，被配置成基于各个任务标签对应的权重，输出各个任务标签对应的待办任务。
根据本公开的另一方面，提供了一种模型训练装置，包括：标签获取单元，被配置成获取历史任务标签集合；数量确定单元，被配置成确定历史任务标签集合中各个历史任务标签下的历史待办任务的完成数量；计数确定单元，被配置成基于各个历史任务标签下的历史待办任务的完成数量，确定各个历史任务标签的计数权重；模型训练单元，被配置成基于计数权重，对待训练模型进行训练，得到训练完成的权重生成模型。
根据本公开的另一方面，提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如上任意一项用于输出待办任务的方法或者模型训练方法。
根据本公开的另一方面，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，其中，计算机指令用于使计算机执行如上任意一项用于用于输出待办任务的方法或者模型训练方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上任意一项用于用于输出待办任务的方法。
根据本公开的技术，提供一种用于输出待办任务的方法和模型训练方法，能够提高内容展示的智能化程度，提升用户体验。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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，不构成对本公开的限定。其中：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于输出待办任务的方法的一个实施例的流程图；
图3是根据本公开的用于输出待办任务的方法的一个应用场景的示意图；
图4是根据本公开的用于输出待办任务的方法的一个应用软件的软件界面示意图；
图5是根据本公开的用于输出待办任务的方法的另一个实施例的流程图；
图6是根据本公开的模型训练方法的一个实施例的流程图；
图7是根据本公开的用于输出待办任务的装置的一个实施例的结构示意图；
图8是根据本公开的模型训练装置的一个实施例的结构示意图；
图9是用来实现本公开实施例的用于输出待办任务的方法或者模型训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104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。
终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。其中，终端设备101、102、103可以通过网络104获取服务器105返回的各个任务标签对应的权重，以及各个任务标签对应的待办任务，终端设备101、102、103可以按照各个任务标签对应的权重，将权重较大的任务标签对应的待办任务输出在靠前的位置，以及将权重较小的任务标签对应的待办任务输出在靠后的位置。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各个电子设备，包括但不限于手机、电脑、平板等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如，服务器105可以获取需要进行输出的待办任务集合，并确定待办任务集合中各个待办任务对应的任务标签，以及基于预先训练完成的权重生成模型，确定各个任务标签对应的权重，并将各个任务标签对应的权重，以及各个任务标签对应的待办任务，通过网络104发送给终端设备101、102、103，以使终端设备101、102、103按照各个任务标签对应的权重，输出各个任务标签对应的待办任务。
其中，服务器105还可以通过网络104获取终端设备101、102、103历史输出的各个任务标签，得到历史任务标签集合，服务器105可以确定每个历史任务标签下的历史待办任务的完成数量，得到各个历史任务标签的计数权重，基于计数权重，对待训练模型进行训练，得到训练完成的权重生成模型。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开实施例所提供的用于输出待办任务的方法或者模型训练方法可以由终端设备101、102、103执行，也可以由服务器105执行，用于输出待办任务的装置或者模型训练装置可以设置于终端设备101、102、103中，也可以设置于服务器105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。
继续参考图2，示出了根据本公开的用于输出待办任务的方法的一个实施例的流程200。本实施例的用于输出待办任务的方法，包括以下步骤：
步骤201，获取待办任务集合。
在本实施例中，执行主体(如图1中的服务器105或者终端设备101、102、103)能够从本地存储或者预先建立连接的电子设备中获取待办任务集合，本实施例中对于待办任务集合的获取来源不做限定。其中，待办任务集合中包括至少一个待办任务，待办任务可以为不同应用场景下需要完成的任务，例如为工作场景中待完成的工作事项、待开的工作会议等。
步骤202，确定待办任务集合中各个待办任务对应的任务标签，得到任务标签集合。
在本实施例中，每个待办任务可以对应着相应的任务标签，例如，任务标签可以包括指定时间段需完成的任务、指定对象指派的任务等，本实施例对此不做限定。其中，通常一个任务标签对应有多个待办任务。
步骤203，基于预先训练完成的权重生成模型，确定任务标签集合中各个任务标签对应的权重。
在本实施例中，预先训练完成的权重生成模型用于生成任务标签集合中各个任务标签的权重。其中，预先训练完成的权重生成模型可以基于各个用户对各个历史待办任务的点击情况确定得到，基于历史实际点击情况预测未来点击情况。权重越大，说明用户点击该任务标签下的待办任务的概率越高，也即是，任务标签的重要性程度越高，此时可以将该任务标签的输出顺序设置越靠前，以使基于各个任务标签对应的权重确定各个任务标签的输出顺序等输出参数，实现有针对性的输出待办任务。其中，输出参数用于可以包括但不限于输出顺序、输出样式、输出时间等，本实施例中对此不做限定。
步骤204，基于各个任务标签对应的权重，输出各个任务标签对应的待办任务。
在本实施例中，执行主体可以基于各个任务标签对应的权重，确定各个任务标签对应的输出顺序、输出样式等输出参数。其中，输出样式可以为针对任务标签对应的各个待办任务的输出方式，输出方式可以包括但不限于全部输出、部分输出、不输出。可选的，对于输出方式为部分输出和不输出这两种方式，可以输出对应的虚拟控制按键，基于对虚拟控制案件进行触控操作检测，能够实现切换输出方式，例如将部分输出切换为全部输出、将不输出切换为部分输出、将不输出切换为全部输出等，本实施例对此不做限定。
并且，执行主体在得到各个任务标签对应的权重之后，可以按照权重由大至小的顺序，设置任务标签由前至后的输出顺序。
在在本实施例的一些可选的实现方式中，执行主体可以对至少一个对象有针对性地输出待办任务；以及，基于预先训练完成的权重生成模型，确定任务标签集合中各个任务标签对应的权重，可以包括：对于每个对象，基于该对象的对象信息以及预先训练完成的权重生成模型，确定任务标签集合中各个任务标签相对于该对象的权重；基于各个任务标签相对于该对象的权重，输出各个任务标签对应的待办任务。
继续参见图3，其示出了根据本公开的用于输出待办任务的方法的一个应用场景的示意图。在图3的应用场景中，对于待办任务集合301，可以确定待办任务集合301对应的各个任务标签的权重，基于各个任务标签的权重，确定各个任务标签的输出顺序以及输出样式。以及，执行主体可以按照各个任务标签的输出顺序输出各个任务标签对应的待办任务，得到输出界面302。如输出界面302所示，依次按照任务标签1、任务标签2和任务标签3的输出顺序进行展示，并且，对于任务标签1，可以采用任务展开的样式进行展示，也即是，显示任务标签1对应的各个待办任务。对于任务标签2和任务标签3，可以采用任务关闭的样式进行展示，也即是，不显示任务标签2、3对应的各个待办任务。
请一并参阅图4，图4是根据本公开的用于输出待办任务的方法的一个应用软件的软件界面示意图，如图4所示，上述的待办任务可以为待办工作，这里的各个待办任务对应的任务标签可以包括“leader指派的工作”和“今日需要完成的工作”，此时，标签“leader指派的工作”的权重大于“今日需要完成的工作”的权重，因此，将标签“leader指派的工作”对应的2个待办工作展示在前，将标签“今日需要完成的工作”对应的4个待办工作展示在后。
本公开上述实施例提供的用于输出待办任务的方法，能够基于待办任务集合中各个待办任务对应的任务标签和权重生成模型，确定各个任务标签对应的权重，基于各个任务标签对应的权重，输出各个任务标签对应的待办任务，能够提高待办任务输出的智能化程度，提升用户体验。
继续参见图5，其示出了根据本公开的用于输出待办任务的方法的另一个实施例的流程500。如图5所示，本实施例的用于输出待办任务的方法可以包括以下步骤：
步骤501，获取待办任务集合。
步骤502，确定待办任务集合中各个待办任务对应的任务标签，得到任务标签集合。
步骤503，基于预先训练完成的权重生成模型，确定任务标签集合中各个任务标签对应的权重。
在本实施例中，对于步骤501至步骤503的详细描述请参照对于步骤401至步骤403的详细描述，在此不再赘述。
步骤504，基于各个任务标签对应的权重，对各个任务标签进行排序。
在本实施例中，执行主体可以按照各个任务标签对应的权重由高至低的顺序，确定各个任务标签由前至后的排序顺序。
并且，执行主体能够基于排序，输出各个任务标签对应的待办任务，具体的，可以执行步骤505至507来实现排序输出各个任务标签对应的待办任务。
步骤505，按照排序由前至后的顺序，选取预设数量个任务标签，将预设数量个任务标签确定为重点输出样式。
在本实施例中，预设数量可以基于需求自定义设置。并且，重点输出样式可以为任务卡片打开、且在打开的任务卡片中显示任务标签对应的待办任务。
步骤506，将各个任务标签中，除预设数量个任务标签之外的任务标签确定为普通输出样式。
在本实施例中，普通输出样式可以为任务卡片闭合、且不显示任务标签对应的待办任务
步骤507，基于排序，按照重点输出样式或者普通输出样式，输出各个任务标签对应的待办任务。
在本实施例中，执行主体可以按照任务标签对各个待办任务进行聚合，得到各个任务标签对应的待办任务集合。之后，按照各个任务标签的排序，依次将各个任务标签对应的待办任务集合映射至相应的输出位置进行输出，其中，输出位置在先的预设数量个任务标签对应的输出样式为重点输出样式，其他任务标签对应的输出样式为普通输出样式。。
本公开的上述实施例提供的用于输出待办任务的方法，还可以对工作内容确定输出顺序和输出样式，提高了输出多样性。通过对于重要性程度较高的待办任务采用重点输出样式进行输出，便于重要信息的直接获取。
继续参考图6，示出了根据本公开的模型训练方法的一个实施例的流程600。本实施例的模型训练方法，包括以下步骤：
步骤601，获取历史任务标签集合。
在本实现方式中，执行主体可以获取样本数据，基于样本数据对待训练模型进行训练，得到上述的权重生成模型。这里的样本数据可以采用历史输出的历史任务标签，并且，每个历史任务标签对应有用户相应的点击数据。其中，用户在完成每个历史任务标签下的待办任务的时候，会触发对该待办任务的点击数据。基于对点击数据的统计，可以得到用户对各个历史任务标签对应的待办任务的完成情况，从而基于历史任务标签对应的待办任务完成情况，预估未来任务标签对应的待办任务完成情况，实现对任务标签的重要性确定。
步骤602，确定历史任务标签集合中各个历史任务标签下的历史待办任务的完成数量。
在本实施例中，对于每个对象而言，该对象与各个待办任务之间具有相应的任务完成时间，也即是，对象点击待办任务的时间。对于每个待办任务而言，该待办任务具有相应的至少一个历史任务标签。因此，基于待办任务、对象和历史任务标签之间的对应关系，可以确定每个历史任务标签和每个对象之间的历史待办任务的完成数量。之后，基于历史待办任务的完成数量，可以训练得到权重生成模型。
其中，权重生成模型能够按照各个历史任务标签下历史待办任务的完成数量，预测未来任务标签下待办任务的完成数量。其中，任务标签下待办任务的完成数量越多，该任务标签对应的权重越大。
步骤603，基于各个历史任务标签下的历史待办任务的完成数量，确定各个历史任务标签的计数权重。
在本实施例中，执行主体可以基于各个历史任务标签下的历史待办任务的完成数量，确定每个历史任务标签对应的计数权重，这里的计数权重可以基于对完成数量进行各类数学运算得到，本实施例对此不做限定。
在本实施例的一些可选的实现方式中，基于各个历史任务标签下的历史待办任务的完成数量，确定各个历史任务标签的计数权重，包括：基于各个历史任务标签下的历史待办任务的完成数量，确定各个历史任务标签下的历史待办任务的完成总数量；对于每个历史任务标签，将该历史任务标签下的历史待办任务的完成数量与完成总数量的比值，确定为该历史任务标签对应的计数权重。
在本实现方式中，执行主体可以对各个历史任务标签下的历史待办任务的完成数量进行求和，得到各个历史任务标签下的历史待办任务的完成总数量。以及，对每个历史任务标签，通过计算该历史任务标签下的历史待办任务的完成数量与完成总数量的比值，可以得到该历史任务标签对应的计数权重。此时，该历史任务标签对应的计数权重表示该历史任务标签的完成数量占比情况。
在本实施例的另一些可选的实现方式中，对于每个历史任务标签，将该历史任务标签下的历史待办任务的完成数量与完成总数量的比值，确定为该历史任务标签对应的计数权重，包括：获取历史任务标签总数量；对于每个历史任务标签，确定该历史任务标签下的历史待办任务的完成数量与完成总数量的比值，并基于历史任务标签总数量对比值进行平滑处理，以及将平滑处理后的比值确定为该历史任务标签对应的计数权重。
在本实现方式中，执行主体在计算上述比值之后，还可以基于历史任务标签总数量对比值进行平滑处理，例如，将该历史任务标签下的历史待办任务的完成数量加一，与该历史任务标签下的历史待办任务的完成数量与完成总数量加历史任务标签总数量的比值，确定为最终的计数权重。
在本实现方式中，执行主体可以基于待办任务和对象，确定第一数据元组，其中，第一数据元组用于表示每个对象完成每个待办任务的时间情况。例如，对于每个对象而言，第一数据元组可以包括(card1，day1)，(card2，day2)。其中，card1、card2表示不同的待办任务，day1表示该对象完成card1对应的待办任务的完成时间，day2表示该对象完成card2对应的待办任务的完成时间。
并且，执行主体还可以基于待办任务和历史任务标签，确定第二数据元组，其中，第二数据元组用于表示各个待办任务和各个历史任务标签之间的对应关系。可选的，第二数据元组具体可以用于表示对于每个对象，该对象完成各个历史任务标签下的各个待办任务的时间情况。例如，对于每个对象而言，第二数据元组可以包括(T1，card1，day1)，(T2，card2，day2)，其中，card1、card2、day1、day2的释义同第一数据元组的相关解释，在此不做赘述。另外，T1表示与card1对应的待办任务相匹配的历史任务标签，T2表示与card2对应的待办任务相匹配的历史任务标签。
之后，执行主体可以基于第一数据元组和第二数据元组，确定标签点击数量信息和标签数量信息。其中，标签点击数量可以包括每个对象点击每个历史任务标签的数量，以及每个对象点击各个历史任务标签的总数量其中，每个对象点击历史任务标签表示该对象已完成该历史任务标签下的各个待办任务。标签数量信息可以包括与每个对象对应的历史任务标签的总数量。
之后，执行主体可以基于标签点击数量信息、标签数量信息和如下公式，确定计数权重：
其中，P(Ti|U)指的是每个对象U点击每个历史任务标签Ti的概率，count(Ti，U)指的是每个对象U点击每个历史任务标签Ti的总数量，count(U)指的是每个对象U点击各个历史任务标签的总数量，|T|指的是每个对象对应的历史任务标签的总数量。
步骤604，基于计数权重，对待训练模型进行训练，得到训练完成的权重生成模型。
在本实施例中，待训练模型可以为统计模型，也可以为神经网络模型，本实施例对此不做限定。如果待训练模型为统计模型，执行主体可以基于计数权重的计算方式，对待训练模型进行训练，得到训练完成的权重生成模型。
在本实施例的一些可选的实现方式中，基于计数权重，对待训练模型进行训练，得到训练完成的权重生成模型，包括：从历史任务标签集合中确定目标历史任务标签；对待训练模型执行以下训练步骤：将目标历史任务标签输入待训练模型，得到待训练模型输出的目标历史任务标签对应的预测权重；响应于确定预测权重和目标历史任务标签对应的计数权重满足预设的收敛条件，将待训练模型确定为训练完成的权重生成模型。
在本实施例的另一些可选的实现方式中，还可以执行以下步骤：响应于确定预测权重和该历史任务标签对应的计数权重不满足预设的收敛条件，从历史任务标签集合中重新选取目标历史任务标签，并重复执行训练步骤。
在本实现方式中，如果待训练模型为神经网络模型，则可以将计数权重确定为样本标注数据，从而进行有监督的模型训练。
本公开的上述实施例提供的模型训练方法，权重生成模型考虑了对象、待办任务、任务标签之间的对应关系，基于点击统计构建模型，能够提高模型的精准度。
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种用于输出待办任务的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于终端设备或者服务器中。
如图7所示，本实施例的用于输出待办任务的装置700包括：任务获取单元701、标签确定单元702、权重确定单元703和任务输出单元704。
任务获取单元701，被配置成获取待办任务集合。
标签确定单元702，被配置成确定待办任务集合中各个待办任务对应的任务标签，得到任务标签集合。
权重确定单元703，被配置成基于预先训练完成的权重生成模型，确定任务标签集合中各个任务标签对应的权重。
任务输出单元704，被配置成基于各个任务标签对应的权重，输出各个任务标签对应的待办任务。
在本实施例的一些可选的实现方式中，任务输出单元704进一步被配置成：基于各个任务标签对应的权重，对各个任务标签进行排序；基于排序，输出各个任务标签对应的待办任务。
在本实施例的一些可选的实现方式中，任务输出单元704进一步被配置成：按照排序由前至后的顺序，选取预设数量个任务标签，将预设数量个任务标签确定为重点输出样式；将各个任务标签中，除预设数量个任务标签之外的任务标签确定为普通输出样式；基于排序，按照重点输出样式或者普通输出样式，输出各个任务标签对应的待办任务。。
在本实施例的一些可选的实现方式中，重点输出样式为任务卡片打开、且在打开的任务卡片中显示任务标签对应的待办任务；普通输出样式为任务卡片闭合、且不显示任务标签对应的待办任务。
应当理解，用于输出待办任务的装置700中记载的单元701至单元704分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于输出待办任务的方法描述的操作和特征同样适用于装置700及其中包含的单元，在此不再赘述。
进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种模型训练装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于终端设备或者服务器中。
如图8所示，本实施例的模型训练装置800包括：标签获取单元801、数量确定单元802、权重确定单元803和模型训练单元804。
标签获取单元801，被配置成获取历史任务标签集合。
数量确定单元802，被配置成确定历史任务标签集合中各个历史任务标签下的历史待办任务的完成数量。
计数确定单元803，被配置成基于各个历史任务标签下的历史待办任务的完成数量，确定各个历史任务标签的计数权重。
模型训练单元804，被配置成基于计数权重，对待训练模型进行训练，得到训练完成的权重生成模型。
在本实施例的一些可选的实现方式中，计数确定单元803进一步被配置成：基于各个历史任务标签下的历史待办任务的完成数量，确定各个历史任务标签下的历史待办任务的完成总数量；对于每个历史任务标签，将该历史任务标签下的历史待办任务的完成数量与完成总数量的比值，确定为该历史任务标签对应的计数权重。
在本实施例的一些可选的实现方式中，计数确定单元803进一步被配置成：获取历史任务标签总数量；对于每个历史任务标签，确定该历史任务标签下的历史待办任务的完成数量与完成总数量的比值，并基于历史任务标签总数量对比值进行平滑处理，以及将平滑处理后的比值确定为该历史任务标签对应的计数权重。
在本实施例的一些可选的实现方式中，模型训练单元804进一步被配置成：从历史任务标签集合中确定目标历史任务标签；对待训练模型执行以下训练步骤：将目标历史任务标签输入待训练模型，得到待训练模型输出的目标历史任务标签对应的预测权重；响应于确定预测权重和目标历史任务标签对应的计数权重满足预设的收敛条件，将待训练模型确定为训练完成的权重生成模型。
在本实施例的一些可选的实现方式中，模型训练单元804进一步被配置成：响应于确定预测权重和该历史任务标签对应的计数权重不满足预设的收敛条件，从历史任务标签集合中重新选取目标历史任务标签，并重复执行训练步骤。
应当理解，模型训练装置800中记载的单元801至单元804分别与参考图6中描述的方法中的各个步骤相对应。由此，上文针对模型训练方法描述的操作和特征同样适用于装置800及其中包含的单元，在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900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9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901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901执行上文所描述的各个方法和处理，例如用于输出待办任务的方法或者模型训练方法。例如，在一些实施例中，用于输出待办任务的方法或者模型训练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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的用于输出待办任务的方法或者模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于输出待办任务的方法或者模型训练方法。
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，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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (19)
1.一种用于输出待办任务的方法，包括：
获取待办任务集合；
确定所述待办任务集合中各个待办任务对应的任务标签，得到任务标签集合；
基于预先训练完成的权重生成模型，确定所述任务标签集合中各个任务标签对应的权重；
基于各个任务标签对应的权重，输出各个任务标签对应的待办任务；
其中，所述权重生成模型通过以下步骤训练得到：
获取历史任务标签集合；
确定所述历史任务标签集合中各个历史任务标签下的历史待办任务的完成数量；
基于各个历史任务标签下的历史待办任务的完成数量，确定各个历史任务标签的计数权重，包括：基于待办任务和对象，确定第一数据元组，其中，第一数据元组用于表示每个对象完成每个待办任务的时间情况；基于待办任务和历史任务标签，确定第二数据元组，其中，第二数据元组用于表示各个待办任务和各个历史任务标签之间的对应关系；基于第一数据元组和第二数据元组，确定标签点击数量信息和标签数量信息，其中，标签点击数量信息包括每个对象点击每个历史任务标签的数量，以及每个对象点击各个历史任务标签的总数量，每个对象点击历史任务标签表示该对象已完成该历史任务标签下的各个待办任务，标签数量信息包括与每个对象对应的历史任务标签的总数量；每个对象点击每个历史任务标签的数量自加一，并将与每个对象点击各个历史任务标签的总数量和标签数量信息包括与每个对象对应的历史任务标签的总数量之间的和的比值，确定为该历史任务标签对应的计数权重；
基于所述计数权重，对待训练模型进行训练，得到训练完成的权重生成模型。
2.根据权利要求1所述的方法，其中，所述基于各个任务标签对应的权重，输出各个任务标签对应的待办任务，包括：
基于各个任务标签对应的权重，对各个任务标签进行排序；
基于所述排序，输出各个任务标签对应的待办任务。
3.根据权利要求2所述的方法，其中，所述基于所述排序，输出各个任务标签对应的待办任务，包括：
按照所述排序由前至后的顺序，选取预设数量个任务标签，将所述预设数量个任务标签确定为重点输出样式；
将各个任务标签中，除所述预设数量个任务标签之外的任务标签确定为普通输出样式；
基于所述排序，按照所述重点输出样式或者所述普通输出样式，输出各个任务标签对应的待办任务。
4.根据权利要求3所述的方法，其中，所述重点输出样式为任务卡片打开、且在打开的任务卡片中显示任务标签对应的待办任务；所述普通输出样式为任务卡片闭合、且不显示任务标签对应的待办任务。
5.根据权利要求1所述的方法，其中，所述基于各个历史任务标签下的历史待办任务的完成数量，确定各个历史任务标签的计数权重，包括：
基于各个历史任务标签下的历史待办任务的完成数量，确定各个历史任务标签下的历史待办任务的完成总数量；
对于每个历史任务标签，将该历史任务标签下的历史待办任务的完成数量与所述完成总数量的比值，确定为该历史任务标签对应的计数权重。
6.根据权利要求5所述的方法，其中，所述对于每个历史任务标签，将该历史任务标签下的历史待办任务的完成数量与所述完成总数量的比值，确定为该历史任务标签对应的计数权重，包括：
获取历史任务标签总数量；
对于每个历史任务标签，确定该历史任务标签下的历史待办任务的完成数量与所述完成总数量的比值，并基于所述历史任务标签总数量对所述比值进行平滑处理，以及将平滑处理后的比值确定为该历史任务标签对应的计数权重。
7.根据权利要求1所述的方法，其中，所述基于所述计数权重，对待训练模型进行训练，得到训练完成的权重生成模型，包括：
从所述历史任务标签集合中确定目标历史任务标签；
对所述待训练模型执行以下训练步骤：将所述目标历史任务标签输入所述待训练模型，得到所述待训练模型输出的所述目标历史任务标签对应的预测权重；响应于确定所述预测权重和所述目标历史任务标签对应的计数权重满足预设的收敛条件，将所述待训练模型确定为所述训练完成的权重生成模型。
8.根据权利要求7所述的方法，其中，还包括：
响应于确定所述预测权重和该历史任务标签对应的计数权重不满足所述预设的收敛条件，从所述历史任务标签集合中重新选取所述目标历史任务标签，并重复执行所述训练步骤。
9.一种用于输出待办任务的装置，包括：
任务获取单元，被配置成获取待办任务集合；
标签确定单元，被配置成确定所述待办任务集合中各个待办任务对应的任务标签，得到任务标签集合；
权重确定单元，被配置成基于预先训练完成的权重生成模型，确定所述任务标签集合中各个任务标签对应的权重；
任务输出单元，被配置成基于各个任务标签对应的权重，输出各个任务标签对应的待办任务；
其中，所述装置还包括用于训练权重生成模型的训练单元，所述训练单元包括：
标签获取单元，被配置成获取历史任务标签集合；
数量确定单元，被配置成确定所述历史任务标签集合中各个历史任务标签下的历史待办任务的完成数量；
计数确定单元，被配置成基于各个历史任务标签下的历史待办任务的完成数量，确定各个历史任务标签的计数权重，进一步被配置成：基于待办任务和对象，确定第一数据元组，其中，第一数据元组用于表示每个对象完成每个待办任务的时间情况；基于待办任务和历史任务标签，确定第二数据元组，其中，第二数据元组用于表示各个待办任务和各个历史任务标签之间的对应关系；基于第一数据元组和第二数据元组，确定标签点击数量信息和标签数量信息，其中，标签点击数量信息包括每个对象点击每个历史任务标签的数量，以及每个对象点击各个历史任务标签的总数量，每个对象点击历史任务标签表示该对象已完成该历史任务标签下的各个待办任务，标签数量信息包括与每个对象对应的历史任务标签的总数量；每个对象点击每个历史任务标签的数量自加一，并将与每个对象点击各个历史任务标签的总数量和标签数量信息包括与每个对象对应的历史任务标签的总数量之间的和的比值，确定为该历史任务标签对应的计数权重；
模型训练单元，被配置成基于所述计数权重，对待训练模型进行训练，得到训练完成的权重生成模型。
10.根据权利要求9所述的装置，其中，所述任务输出单元进一步被配置成：
基于各个任务标签对应的权重，对各个任务标签进行排序；
基于所述排序，输出各个任务标签对应的待办任务。
11.根据权利要求10所述的装置，其中，所述任务输出单元进一步被配置成：
按照所述排序由前至后的顺序，选取预设数量个任务标签，将所述预设数量个任务标签确定为重点输出样式；
将各个任务标签中，除所述预设数量个任务标签之外的任务标签确定为普通输出样式；
基于所述排序，按照所述重点输出样式或者所述普通输出样式，输出各个任务标签对应的待办任务。
12.根据权利要求11所述的装置，其中，所述重点输出样式为任务卡片打开、且在打开的任务卡片中显示任务标签对应的待办任务；所述普通输出样式为任务卡片闭合、且不显示任务标签对应的待办任务。
13.根据权利要求9所述的装置，其中，所述计数确定单元进一步被配置成：
基于各个历史任务标签下的历史待办任务的完成数量，确定各个历史任务标签下的历史待办任务的完成总数量；
对于每个历史任务标签，将该历史任务标签下的历史待办任务的完成数量与所述完成总数量的比值，确定为该历史任务标签对应的计数权重。
14.根据权利要求13所述的装置，其中，所述计数确定单元进一步被配置成：
获取历史任务标签总数量；
对于每个历史任务标签，确定该历史任务标签下的历史待办任务的完成数量与所述完成总数量的比值，并基于所述历史任务标签总数量对所述比值进行平滑处理，以及将平滑处理后的比值确定为该历史任务标签对应的计数权重。
15.根据权利要求9所述的装置，其中，所述模型训练单元进一步被配置成：
从所述历史任务标签集合中确定目标历史任务标签；
对所述待训练模型执行以下训练步骤：将所述目标历史任务标签输入所述待训练模型，得到所述待训练模型输出的所述目标历史任务标签对应的预测权重；响应于确定所述预测权重和所述目标历史任务标签对应的计数权重满足预设的收敛条件，将所述待训练模型确定为所述训练完成的权重生成模型。
16.根据权利要求15所述的装置，其中，所述模型训练单元进一步被配置成：
响应于确定所述预测权重和该历史任务标签对应的计数权重不满足所述预设的收敛条件，从所述历史任务标签集合中重新选取所述目标历史任务标签，并重复执行所述训练步骤。
17. 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权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111672987.8A CN114331379B (zh) | 2021-12-31 | 2021-12-31 | 用于输出待办任务的方法、模型训练方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111672987.8A CN114331379B (zh) | 2021-12-31 | 2021-12-31 | 用于输出待办任务的方法、模型训练方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114331379A CN114331379A (zh) | 2022-04-12 |
| CN114331379B true CN114331379B (zh) | 2023-08-15 |
Family
ID=81021621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111672987.8A Active CN114331379B (zh) | 2021-12-31 | 2021-12-31 | 用于输出待办任务的方法、模型训练方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114331379B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108062573A (zh) * | 2017-12-29 | 2018-05-22 | 广东欧珀移动通信有限公司 | 模型训练方法及装置 |
| CN108121609A (zh) * | 2017-12-06 | 2018-06-05 | 珠海市魅族科技有限公司 | 一种待办任务的处理方法及电子设备 |
| CN108241520A (zh) * | 2016-12-23 | 2018-07-03 | 三星电子株式会社 | 提供用户的待办事项列表的系统和方法 |
| CN109992601A (zh) * | 2019-03-12 | 2019-07-09 | 中国平安财产保险股份有限公司 | 待办事项信息的推送方法、装置和计算机设备 |
| CN111080229A (zh) * | 2019-11-07 | 2020-04-28 | 视联动力信息技术股份有限公司 | 事项处理方法、装置、服务器、设备及可读存储介质 |
| CN112241452A (zh) * | 2020-10-16 | 2021-01-19 | 百度(中国)有限公司 | 一种模型训练方法、装置、电子设备及存储介质 |
| CN112561077A (zh) * | 2020-12-14 | 2021-03-26 | 北京百度网讯科技有限公司 | 多任务模型的训练方法、装置及电子设备 |
| CN112686552A (zh) * | 2020-12-31 | 2021-04-20 | 青岛海尔科技有限公司 | 待办任务推送方法、装置、电子设备及存储介质 |
| WO2021093096A1 (zh) * | 2019-11-11 | 2021-05-20 | 深圳市商汤科技有限公司 | 图像分类模型训练方法、图像处理方法及装置 |
| CN113296866A (zh) * | 2021-05-31 | 2021-08-24 | 珠海大横琴科技发展有限公司 | 任务信息的显示方法、装置、电子设备和存储介质 |
| CN113762308A (zh) * | 2021-01-22 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 分类模型的训练方法、分类方法、装置、介质及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668586B (zh) * | 2020-12-18 | 2024-05-14 | 北京百度网讯科技有限公司 | 模型训练、图片处理方法及设备、存储介质、程序产品 |
-
2021
- 2021-12-31 CN CN202111672987.8A patent/CN114331379B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108241520A (zh) * | 2016-12-23 | 2018-07-03 | 三星电子株式会社 | 提供用户的待办事项列表的系统和方法 |
| CN108121609A (zh) * | 2017-12-06 | 2018-06-05 | 珠海市魅族科技有限公司 | 一种待办任务的处理方法及电子设备 |
| CN108062573A (zh) * | 2017-12-29 | 2018-05-22 | 广东欧珀移动通信有限公司 | 模型训练方法及装置 |
| CN109992601A (zh) * | 2019-03-12 | 2019-07-09 | 中国平安财产保险股份有限公司 | 待办事项信息的推送方法、装置和计算机设备 |
| CN111080229A (zh) * | 2019-11-07 | 2020-04-28 | 视联动力信息技术股份有限公司 | 事项处理方法、装置、服务器、设备及可读存储介质 |
| WO2021093096A1 (zh) * | 2019-11-11 | 2021-05-20 | 深圳市商汤科技有限公司 | 图像分类模型训练方法、图像处理方法及装置 |
| CN112241452A (zh) * | 2020-10-16 | 2021-01-19 | 百度(中国)有限公司 | 一种模型训练方法、装置、电子设备及存储介质 |
| CN112561077A (zh) * | 2020-12-14 | 2021-03-26 | 北京百度网讯科技有限公司 | 多任务模型的训练方法、装置及电子设备 |
| CN112686552A (zh) * | 2020-12-31 | 2021-04-20 | 青岛海尔科技有限公司 | 待办任务推送方法、装置、电子设备及存储介质 |
| CN113762308A (zh) * | 2021-01-22 | 2021-12-07 | 北京沃东天骏信息技术有限公司 | 分类模型的训练方法、分类方法、装置、介质及设备 |
| CN113296866A (zh) * | 2021-05-31 | 2021-08-24 | 珠海大横琴科技发展有限公司 | 任务信息的显示方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114331379A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3446260B1 (en) | Memory-efficient backpropagation through time | |
| CN112559007B (zh) | 多任务模型的参数更新方法、装置及电子设备 | |
| CN111311321B (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
| CN111680517B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
| US20220374776A1 (en) | Method and system for federated learning, electronic device, and computer readable medium | |
| CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
| JP2021192308A (ja) | 推奨モデルを決定し、物品価格を決定する方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
| CN115147687A (zh) | 学生模型训练方法、装置、设备及存储介质 | |
| CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
| CN114240555A (zh) | 训练点击率预测模型和预测点击率的方法和装置 | |
| CN112288483A (zh) | 用于训练模型的方法和装置、用于生成信息的方法和装置 | |
| CN117113087A (zh) | 模型训练方法、装置、电子设备以及存储介质 | |
| CN114860411B (zh) | 多任务学习方法、装置、电子设备和存储介质 | |
| CN114331379B (zh) | 用于输出待办任务的方法、模型训练方法和装置 | |
| CN113642654B (zh) | 图像特征的融合方法、装置、电子设备和存储介质 | |
| CN113591709B (zh) | 动作识别方法、装置、设备、介质和产品 | |
| CN115203564A (zh) | 信息流推荐方法、装置及计算机程序产品 | |
| CN115759283A (zh) | 一种模型解释方法、装置、电子设备以及存储介质 | |
| CN115185606A (zh) | 业务配置参数的获得方法、装置、设备及存储介质 | |
| CN113033219A (zh) | 模型训练方法、装置、电子设备及计算机可读存储介质 | |
| CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
| CN116468112B (zh) | 目标检测模型的训练方法、装置、电子设备和存储介质 | |
| CN116416500B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
| CN113312555B (zh) | 转化率预测方法、装置、电子设备和存储介质 | |
| CN114860405B (zh) | 多任务模型的参数更新方法、装置和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |