CN114398059A - 参数的更新方法、装置、设备以及存储介质 - Google Patents
参数的更新方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN114398059A CN114398059A CN202210028871.9A CN202210028871A CN114398059A CN 114398059 A CN114398059 A CN 114398059A CN 202210028871 A CN202210028871 A CN 202210028871A CN 114398059 A CN114398059 A CN 114398059A
- Authority
- CN
- China
- Prior art keywords
- parameter
- training
- parameters
- parameter set
- preset
- 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 62
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013215 result calculation Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种参数的更新方法、装置、设备以及存储介质,其中,方法包括:通过对应的预期目标以及对应的更新参数对第一参数集合进行预更新,然后确定其中的可调参数,通过对可调参数进行赋值,得到多个训练参数集合,再经过拆分,将不同的子参数集合输入至不同的预设训练模型中,得到子预测值,计算各个所述训练参数集合对应的多个所述子预测值之和,并根据最终的第一预测值确定出目标训练参数集合,基于所述目标训练参数集合对第一参数集合进行更新。从而完成对系统中参数的自动更新,实现了对参数的自动更新,无需相关人员进行手动计算,节省了大量的人力资源和时间资源,并且实现了对参数的及时更新。
Description
技术领域
本申请涉及人工智能领域,特别涉及一种参数的更新方法、装置、设备以及存储介质。
背景技术
随着企业的企业战略或营销模式发生变化,企业系统中的一些参数每隔一段时间就会进行一次变动,目前,传统的做法是通过人为计算各个参数合理值,然后将其上传至系统中进行更新,然而这种方法耗时耗力,不能对参数进行及时的更新,因此,亟需一种能够对参数自动更新的方法。
发明内容
本申请的主要目的为提供一种参数的更新方法、装置、设备以及存储介质,旨在解决传统的做法耗时耗力,不能对参数进行及时的更新的问题。
本申请提供了一种参数的更新方法,包括:
从系统中获取与业务相关的第一参数集合以及更新文本;
通过预设的文本算法解析所述更新文本,得到对应的预期目标以及一个或者多个更新参数;
通过所述预期目标和所述一个或者多个更新参数更新所述第一参数集合,得到第二参数集合;
根据预设的参数类型集合和所述一个或者多个更新参数,确定各个所述第二参数集合中对应的可调参数;
通过预设的赋值方法对所述第二参数集合中对应的可调参数进行多次赋值,得到对应的多个训练参数集合;
将每个所述训练参数集合按照预设的算法拆分为多个子参数集合,并将每个所述训练参数集合对应的多个所述子参数集合记为一组待预测数据;
将各组所述待预测数据分别输入至对应的预设训练模型中,得到各个所述子参数集合对应的子预测值;其中,所述预设训练模型分别由对应的多个子参数训练集合以及对应的目标数值训练而成;
计算各个所述训练参数集合对应的多个所述子预测值之和,得到对应的第一预测值;
从各个所述训练参数集合中选取第一预测值最大的目标训练参数集合;
基于所述目标训练参数集合对第一参数集合进行更新。
进一步地,所述基于所述目标训练参数集合对第一参数集合进行更新的步骤之前,还包括:
判断所述目标训练参数集合中的各个参数是否处于预设的行业规范标准内;
若处于所述预设的行业规范标准内,则执行所述目标训练参数集合对第一参数集合进行更新的步骤。
进一步地,所述将每个所述训练参数集合按照预设的算法拆分为多个子参数集合的步骤,包括:
获取待预测的预测信息;
基于所述预测信息获取各个待预测的子预测值信息;
根据预设的相关度算法计算每个所述训练参数集合中,与所述子预测值信息的相关度;
基于各个所述相关度对每个所述训练参数集合进行拆分,得到每个所述训练参数集合对应的多个子参数集合。
进一步地,所述根据预设的参数类型集合和所述一个或者多个更新参数,确定各个所述第二参数集合中对应的可调参数的步骤,包括:
获取参数类型集合中的各个参数类型;
检测所述一个或者多个更新参数中,是否具有所述参数类型集合中对应所述参数类型的目标更新参数;
若具有所述参数类型集合中的所述参数类型,则将该所述目标更新参数所对应的参数类型确定为不可调参数类型;
基于所述不可调参数类型和所述参数类型集合确定各个所述第二参数集合中对应的可调参数。
进一步地,所述基于所述目标训练参数集合对第一参数集合进行更新的步骤之前,还包括:
将所述目标训练参数集合中的参数对所述第一参数集合进行预更新;
将预更新后的第一参数集合输入至预先设置的预测结果计算模型中进行计算,得到对应的第二预测值;
通过预设的误差计算公式,计算所述第二预测值与对应的所述第一预测值的误差分值;
判断所述误差分值是否在预设的误差分值内;
若在所述预设的误差分值内,则执行所述基于所述目标训练参数集合对第一参数集合进行更新的步骤。
进一步地,所述将各组所述待预测数据分别输入至对应的预设训练模型中,得到各个所述子参数集合对应的子预测值的步骤之前,还包括:
获取所述第一参数集合对应的目标客群;
获取所述目标客群的多个历史参数集合;
将每个所述历史参数集合按照所述预设的算法模型拆分为对应的多个子参数训练集合,并从所述系统中获取各所述子参数训练集合对应的所述目标数值;
通过各所述子参数训练集合以及对应的所述目标数值,分别训练对应的预设训练初始模型,得到对应的多个所述预设训练模型。
进一步地,所述通过预设的赋值方法对所述第二参数集合中对应的可调参数进行多次赋值,得到对应的多个训练参数集合的步骤,包括:
获取各个所述可调参数的参数范围;
在所述参数范围内按照预设的规则选取多个参数值;
基于各个所述可调参数选取的参数值,按照不同的组合赋值所述第二参数集合中的可调参数,得到对应的多个训练参数集合。
本申请还提供了一种参数的更新装置,包括:
获取模块,用于从系统中获取与业务相关的第一参数集合以及更新文本;
解析模块,用于通过预设的文本算法解析所述更新文本,得到对应的预期目标以及一个或者多个更新参数;
第一更新模块,用于通过所述预期目标和所述一个或者多个更新参数更新所述第一参数集合,得到第二参数集合;
确定模块,用于根据预设的参数类型集合和所述一个或者多个更新参数,确定各个所述第二参数集合中对应的可调参数;
赋值模块,用于通过预设的赋值方法对所述第二参数集合中对应的可调参数进行多次赋值,得到对应的多个训练参数集合;
拆分模块,用于将每个所述训练参数集合按照预设的算法拆分为多个子参数集合,并将每个所述训练参数集合对应的多个所述子参数集合记为一组待预测数据;
输入模块,用于将各组所述待预测数据分别输入至对应的预设训练模型中,得到各个所述子参数集合对应的子预测值;其中,所述预设训练模型分别由对应的多个子参数训练集合以及对应的目标数值训练而成;
计算模块,用于计算各个所述训练参数集合对应的多个所述子预测值之和,得到对应的第一预测值;
选取模块,用于从各个所述训练参数集合中选取第一预测值最大的目标训练参数集合;
第二更新模块,用于基于所述目标训练参数集合对第一参数集合进行更新。
本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的有益效果:通过对应的预期目标以及对应的更新参数对第一参数集合进行预更新,然后确定其中的可调参数,通过对可调参数进行赋值,得到多个训练参数集合,再经过拆分,将不同的子参数集合输入至不同的预设训练模型中,得到子预测值,计算各个所述训练参数集合对应的多个所述子预测值之和,并根据最终的第一预测值确定出目标训练参数集合,基于所述目标训练参数集合对第一参数集合进行更新。从而完成对系统中参数的自动更新,实现了对参数的自动更新,无需相关人员进行手动计算,节省了大量的人力资源和时间资源,并且实现了对参数的及时更新。
附图说明
图1是本申请一实施例的一种参数的更新方法的流程示意图;
图2是本申请一实施例的一种参数的更新装置的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明,本申请实施例中所有方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变,所述的连接可以是直接连接,也可以是间接连接。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
另外,在本申请中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
参照图1,本申请提出一种参数的更新方法,包括:
S1:从系统中获取与业务相关的第一参数集合以及更新文本;
S2:通过预设的文本算法解析所述更新文本,得到对应的预期目标以及一个或者多个更新参数;
S3:通过所述预期目标和所述一个或者多个更新参数更新所述第一参数集合,得到第二参数集合;
S4:根据预设的参数类型集合和所述一个或者多个更新参数,确定各个所述第二参数集合中对应的可调参数;
S5:通过预设的赋值方法对所述第二参数集合中对应的可调参数进行多次赋值,得到对应的多个训练参数集合;
S6:将每个所述训练参数集合按照预设的算法拆分为多个子参数集合,并将每个所述训练参数集合对应的多个所述子参数集合记为一组待预测数据;
S7:将各组所述待预测数据分别输入至对应的预设训练模型中,得到各个所述子参数集合对应的子预测值;其中,所述预设训练模型分别由对应的多个子参数训练集合以及对应的目标数值训练而成;
S8:计算各个所述训练参数集合对应的多个所述子预测值之和,得到对应的第一预测值;
S9:从各个所述训练参数集合中选取第一预测值最大的目标训练参数集合;
S10:基于所述目标训练参数集合对第一参数集合进行更新。
如上述步骤S1所述,从系统中获取与业务相关的第一参数集合以及更新文本;所述第一参数集合包括多个当前参数。其中,获取的第一参数集合中的参数包括基本定义参数,客户群体分类、详细定价、销售地区范围、区域性约束销售条件、各地区销售规模、企业历史规模数据(包含不同客户分类的销售历史数据信息)、收费定价的最低要求、可接受的收费定价的范围、计划销售时间范围中的一个或者多个,系统中对各个参数进行了预设,这些参数可以通过爬虫技术获取。更新文本为对参数进行修改的前提,例如为企业战略、企业营销相关的文本,由相关人员上传得到。
如上述步骤S2所述,通过预设的文本算法解析所述更新文本,得到对应的预期目标以及一个或者多个更新参数。更新文本中含有对对应的更新参数,需要说明的是,该更新参数与当前参数可以有部分重叠,也可以不重叠,预设的文本算法可以是自然语言处理算法(Natural Language Processing,NLP),从而可以得到更新文本中所对应的预期目标以及一个或者多个更新参数。
如上述步骤S3所述,通过所述预期目标和所述一个或者多个更新参数更新所述第一参数集合,得到第二参数集合。其中,通过更新参数可以对第一参数集合进行更新,从而得到第二参数集合,更新的方式包括替换、修改和增加,具体地方式为检测第一参数集合中是否具有与更新参数相同维度的参数,若具有则将该更新参数替换第一集合中对应的参数,若不具有,则可以将该参数以增加的形式加入到第一参数集合中,当然,有些是预期目标,例如,某个产品的参数值不能高于设定值,且对应的当前参数高于该设定值,则可以将其暂且修改为该设定值,从而得到对应的第二参数集合。
如上述步骤S4所述,根据预设的参数类型集合和所述一个或者多个更新参数,确定各个所述第二参数集合中对应的可调参数。其中,根据预设的参数类型集合和一个或者多个更新参数,可以确定对应的可调参数,具体地确定方式为,判断参数类型集合中是否包含了对应的更新参数,一般而言,更新参数都是需要去完成预期目标的,因此,该更新参数可以视为确定值,故而不需要调整,因此,只需要将其他的参数类型进行调整即可,从而确定了各个所述第二参数集合中对应的可调参数。另外,参数类型集合为预先相关人员设定的类型集合。
如上述步骤S5所述,通过预设的赋值方法对所述第二参数集合中对应的可调参数进行多次赋值,得到对应的多个训练参数集合,其中,每赋值一次,得到一个训练参数集合,每次赋值的方式,可以是只赋值一个可调参数,也可以赋值多个可调参数,赋值的规则不作限定,尽可能覆盖范围广,但是覆盖范围广会增加后续的计算时间,耗费计算机的算力较大,因此需要合理调整各个赋值。
如上述步骤S6所述,将每个所述训练参数集合按照预设的算法拆分为多个子参数集合,并将每个所述训练参数集合对应的多个所述子参数集合记为一组待预测数据。其中,拆分的方式可以是通过预设的算法模型,其中该预设的算法模型可以是基于决策树、回溯算法、分治算法等任意一种算法,本申请对此不做限定。
如上述步骤S7所述,将各组所述待预测数据分别输入至对应的预设训练模型中,得到各个所述子参数集合对应的子预测值;其中,所述预设训练模型分别由对应的多个子参数训练集合以及对应的目标数值训练而成。不同的子参数集合对应不同的预测值,以收益为例,总收益为各个子收益之和,若将各个参数一同输入至同一模型中得到最终的总收益这样的方式会造成较大的误差,因此,优选通过不同的预设训练模型计算各个子收益,由于各个预设训练模型都是由相同的参数以及对应的子收益训练而成,故而预设训练模型的模型训练精度较高,得到对应的子收益的准确率也会较大。
如上述步骤S8所述,计算各个所述训练参数集合对应的多个所述子预测值之和,得到对应的第一预测值。其中,由于各个第一预测值都是由对应的子预测值得来,故而可以直接将各个子预测值求和,即可得到相对应的第一预测值。
如上述步骤S9-S10所述,从各个所述训练参数集合中选取第一预测值最大的目标训练参数集合。由于目标训练参数集合是最佳的第一预测值,可以将其作为目标训练参数集合提取出来,以便于后续对第一参数集合进行更新。更新的方式可以是直接将目标训练参数集合作为第一参数集合,此处说明的是,进行更新是指对系统中的第一参数集合进行更新,由于目标训练参数集合是基于第一参数集合得来的,因此,可以通过替换的方式进行更新,对于增加的一些参数,也可以通过在系统中相对应的位置处进行增加,从而完成对系统中参数的自动更新,实现了对参数的自动更新,无需相关人员进行手动计算,节省了大量的人力资源和时间资源,并且实现了对参数的及时更新。
在一个实施例中,所述基于所述目标训练参数集合对第一参数集合进行更新的步骤S10之前,还包括:
S901:判断所述目标训练参数集合中的各个参数是否处于预设的行业规范标准内;
S902:若处于所述预设的行业规范标准内,则执行所述目标训练参数集合对第一参数集合进行更新的步骤。
如上述步骤S901-S902所述,实现了对目标训练参数集合中参数的检测,由于自动生成的参数是基于第一预测值最大化生成的,其可能会具备一些不合理的参数,并且这样的参数可能不符合行业规范标准,因此,需要在更新之前,对目标训练参数集合中的参数进行检测,检测的方式具体为将各个参数一一与行业规范标准的参数范围进行比较,若都处于所述预设的行业规范标准内,则执行所述目标训练参数集合对第一参数集合进行更新的步骤。从而实现了对目标训练参数集合中参数的检测,使进行更新参数符合行业规范标准。
在一个实施例中,所述将每个所述训练参数集合按照预设的算法拆分为多个子参数集合的步骤S6,包括:
S601:获取待预测的预测信息;
S602:基于所述预测信息获取各个待预测的子预测值信息;
S603:根据预设的相关度算法计算每个所述训练参数集合中,与所述子预测值信息的相关度;
S604:基于各个所述相关度对每个所述训练参数集合进行拆分,得到每个所述训练参数集合对应的多个子参数集合。
如上述步骤S601-S604所述,实现了对训练参数集合的拆分。具体地,可以根据待预测的预测信息,该待预测的预测信息为预先设定的预测信息,即后续的第一预测值的预测信息,例如为一个月的收益值,其可以分为各个部门一个月的子收益值之和,然后根据预设的相关度算法计算每个所述训练参数集合中,与所述子预测值信息的相关度,基于所述预测信息获取各个待预测的子预测值信息的方式具体可以是,预先建立好各个子预测值信息与预测信息之间的对应关系,即在获取了预测信息后,就可以从该对应关系中获取到对应的子预测值信息。其中,相关度算法可以是任意的算法,例如可以是欧几里得距离、皮尔逊相关系数、余弦相似度等任意一种算法,从得到各个子预测值信息的相关度,根据各个参数与各个子预测值的相关度将对每个所述训练参数集合进行拆分,得到每个所述训练参数集合对应的多个子参数集合。
在一个实施例中,所述根据预设的参数类型集合和所述一个或者多个更新参数,确定各个所述第二参数集合中对应的可调参数的步骤S4,包括:
S401:获取参数类型集合中的各个参数类型;
S402:检测所述一个或者多个更新参数中,是否具有所述参数类型集合中对应所述参数类型的目标更新参数;
S403:若具有所述参数类型集合中的所述参数类型,则将该所述目标更新参数所对应的参数类型确定为不可调参数类型;
S404:基于所述不可调参数类型和所述参数类型集合确定各个所述第二参数集合中对应的可调参数。
如上述步骤S401-S404所述,实现了对可调参数类型和不可调参数类型的区分,其中,由于更新参数是通过相关人员设定得来,因此其一般是确定的值,不需要进行调整,所以若更新参数中具有参数类型集合中对应所述参数类型的目标更新参数,则将对应的参数类型确定为不可调参数类型,将其余的更新参数确定为可调参数,从而实现对各个第二参数集合中可调参数的确定。
在一个实施例中,所述基于所述目标训练参数集合对第一参数集合进行更新的步骤S10之前,还包括:
S911:将所述目标训练参数集合中的参数对所述第一参数集合进行预更新;
S912:将预更新后的第一参数集合输入至预先设置的预测结果计算模型中进行计算,得到对应的第二预测值;
S913:通过预设的误差计算公式,计算所述第二预测值与对应的所述第一预测值的误差分值;
S914:判断所述误差分值是否在预设的误差分值内;
S915:若在所述预设的误差分值内,则执行所述基于所述目标训练参数集合对第一参数集合进行更新的步骤。
如上述步骤S911-S912所述,实现了对目标训练参数集合中结果检测,即将在系统中对第一参数集合进行预更新。预更新的方式不作限定,其可以随时撤回,即可以随时撤回到第一参数集合,以便于对目标训练参数集合进行检测,其中,预测结果计算模型为预先根据不同的参数集合以及对应的结果训练而成,基于该预测结果计算模型可以得到第二预测值,再将第二预测值与第一预测值进行误差比较,其中误差计算公式为其中,A为第一预测值,B为第二预测值,y为第一预测值与第二预测值的误差分值,预设的误差分值为预先设置的值,若大于该预设的误差分值,则表明该目标训练参数集合中的参数设置不合理,需要重新取值,若小于该预设的误差分值,则表明该目标训练参数集合中的参数设置合理,可以使用,从而实现了对目标训练参数集合中的参数的检测,使自动更新的参数更加符合要求。
在一个实施例中,所述将各组所述待预测数据分别输入至对应的预设训练模型中,得到各个所述子参数集合对应的子预测值的步骤S7之前,还包括:
S611:获取所述第一参数集合对应的目标客群;
S612:获取所述目标客群的多个历史参数集合;
S613:将每个所述历史参数集合按照所述预设的算法模型拆分为对应的多个子参数训练集合,并从所述系统中获取各所述子参数训练集合对应的所述目标数值;
S614:通过各所述子参数训练集合以及对应的所述目标数值,分别训练对应的预设训练初始模型,得到对应的多个所述预设训练模型。
如上述步骤S611-S614所述,实现了对预设训练模型的训练,由于系统中具有之前的历史记录,因此,从其中获取到对应的历史参数集合以及对应的目标数值进行训练的效果更优,将每个历史参数集合按照预设的算法拆分为对应的多个子参数训练集合,从系统中获取到对应的目标数值输入至对应的预设训练初始模型训练,即可得到对应的多个预设训练模型。
在一个实施例中,所述通过预设的赋值方法对所述第二参数集合中对应的可调参数进行多次赋值,得到对应的多个训练参数集合的步骤S5,包括:
S501:获取各个所述可调参数的参数范围;
S502:在所述参数范围内按照预设的规则选取多个参数值;
S503:基于各个所述可调参数选取的参数值,按照不同的组合赋值所述第二参数集合中的可调参数,得到对应的多个训练参数集合。
如上述步骤S501-S503所述,实现了对训练参数集合的赋值并获取,即获取到各个可调参数的参数范围,假设为某个产品的售卖值为50-100,则可以按照预设的规则选取多个参数值,假设预设的规则为选取6个值,则可以选取的值分别为50、60、70、80、90和100。然后根据可调参数的参数值,按照不同的组合进行赋值,从而得到多个训练参数集合。
参照图2,本申请还提供了一种参数的更新装置,包括:
获取模块10,用于从系统中获取与业务相关的第一参数集合以及更新文本;
解析模块20,用于通过预设的文本算法解析所述更新文本,得到对应的预期目标以及一个或者多个更新参数;
第一更新模块30,用于通过所述预期目标和所述一个或者多个更新参数更新所述第一参数集合,得到第二参数集合;
确定模块40,用于根据预设的参数类型集合和所述一个或者多个更新参数,确定各个所述第二参数集合中对应的可调参数;
赋值模块50,用于通过预设的赋值方法对所述第二参数集合中对应的可调参数进行多次赋值,得到对应的多个训练参数集合;
拆分模块60,用于将每个所述训练参数集合按照预设的算法拆分为多个子参数集合,并将每个所述训练参数集合对应的多个所述子参数集合记为一组待预测数据;
输入模块70,用于将各组所述待预测数据分别输入至对应的预设训练模型中,得到各个所述子参数集合对应的子预测值;其中,所述预设训练模型分别由对应的多个子参数训练集合以及对应的目标数值训练而成;
计算模块80,用于计算各个所述训练参数集合对应的多个所述子预测值之和,得到对应的第一预测值;
选取模块90,用于从各个所述训练参数集合中选取第一预测值最大的目标训练参数集合;
第二更新模块100,用于基于所述目标训练参数集合对第一参数集合进行更新。
本申请的有益效果:通过对应的预期目标以及对应的更新参数对第一参数集合进行预更新,然后确定其中的可调参数,通过对可调参数进行赋值,得到多个训练参数集合,再经过拆分,将不同的子参数集合输入至不同的预设训练模型中,得到子预测值,计算各个所述训练参数集合对应的多个所述子预测值之和,并根据最终的第一预测值确定出目标训练参数集合,基于所述目标训练参数集合对第一参数集合进行更新。从而完成对系统中参数的自动更新,实现了对参数的自动更新,无需相关人员进行手动计算,节省了大量的人力资源和时间资源,并且实现了对参数的及时更新。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3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,该计算机设计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各种更新文本等。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可以实现上述任一实施例所述的参数的更新方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请实施例还提供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可以实现上述任一实施例所述的参数的更新方法。
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与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,本申请所提供的和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。非易失性存储器可以包括只读存储器(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一多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、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。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。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。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件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/深度学习等几大方向。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种参数的更新方法,其特征在于,包括:
从系统中获取与业务相关的第一参数集合以及更新文本;所述第一参数集合包括多个当前参数;
通过预设的文本算法解析所述更新文本,得到对应的预期目标以及一个或者多个更新参数;
通过所述预期目标和所述一个或者多个更新参数更新所述第一参数集合,得到第二参数集合;
根据预设的参数类型集合和所述一个或者多个更新参数,确定各个所述第二参数集合中对应的可调参数;
通过预设的赋值方法对所述第二参数集合中对应的可调参数进行多次赋值,得到对应的多个训练参数集合;
将每个所述训练参数集合按照预设的算法拆分为多个子参数集合,并将每个所述训练参数集合对应的多个所述子参数集合记为一组待预测数据;
将各组所述待预测数据分别输入至对应的预设训练模型中,得到各个所述子参数集合对应的子预测值;其中,所述预设训练模型分别由对应的多个子参数训练集合以及对应的目标数值训练而成;
计算各个所述训练参数集合对应的多个所述子预测值之和,得到对应的第一预测值;
从各个所述训练参数集合中选取第一预测值最大的目标训练参数集合;
基于所述目标训练参数集合对第一参数集合进行更新。
2.如权利要求1所述的参数的更新方法,其特征在于,所述基于所述目标训练参数集合对第一参数集合进行更新的步骤之前,还包括:
判断所述目标训练参数集合中的各个参数是否处于预设的行业规范标准内;
若处于所述预设的行业规范标准内,则执行所述目标训练参数集合对第一参数集合进行更新的步骤。
3.如权利要求1所述的参数的更新方法,其特征在于,所述将每个所述训练参数集合按照预设的算法拆分为多个子参数集合的步骤,包括:
获取待预测的预测信息;
基于所述预测信息获取各个待预测的子预测值信息;
根据预设的相关度算法计算每个所述训练参数集合中,与所述子预测值信息的相关度;
基于各个所述相关度对每个所述训练参数集合进行拆分,得到每个所述训练参数集合对应的多个子参数集合。
4.如权利要求1所述的参数的更新方法,其特征在于,所述根据预设的参数类型集合和所述一个或者多个更新参数,确定各个所述第二参数集合中对应的可调参数的步骤,包括:
获取参数类型集合中的各个参数类型;
检测所述一个或者多个更新参数中,是否具有所述参数类型集合中对应所述参数类型的目标更新参数;
若具有所述参数类型集合中的所述参数类型,则将该所述目标更新参数所对应的参数类型确定为不可调参数类型;
基于所述不可调参数类型和所述参数类型集合确定各个所述第二参数集合中对应的可调参数。
5.如权利要求1所述的参数的更新方法,其特征在于,所述基于所述目标训练参数集合对第一参数集合进行更新的步骤之前,还包括:
将所述目标训练参数集合中的参数对所述第一参数集合进行预更新;
将预更新后的第一参数集合输入至预先设置的预测结果计算模型中进行计算,得到对应的第二预测值;
通过预设的误差计算公式,计算所述第二预测值与对应的所述第一预测值的误差分值;
判断所述误差分值是否在预设的误差分值内;
若在所述预设的误差分值内,则执行所述基于所述目标训练参数集合对第一参数集合进行更新的步骤。
6.如权利要求1所述的参数的更新方法,其特征在于,所述将各组所述待预测数据分别输入至对应的预设训练模型中,得到各个所述子参数集合对应的子预测值的步骤之前,还包括:
获取所述第一参数集合对应的目标客群;
获取所述目标客群的多个历史参数集合;
将每个所述历史参数集合按照所述预设的算法模型拆分为对应的多个子参数训练集合,并从所述系统中获取各所述子参数训练集合对应的所述目标数值;
通过各所述子参数训练集合以及对应的所述目标数值,分别训练对应的预设训练初始模型,得到对应的多个所述预设训练模型。
7.如权利要求1所述的参数的更新方法,其特征在于,所述通过预设的赋值方法对所述第二参数集合中对应的可调参数进行多次赋值,得到对应的多个训练参数集合的步骤,包括:
获取各个所述可调参数的参数范围;
在所述参数范围内按照预设的规则选取多个参数值;
基于各个所述可调参数选取的参数值,按照不同的组合赋值所述第二参数集合中的可调参数,得到对应的多个训练参数集合。
8.一种参数的更新装置,其特征在于,包括:
获取模块,用于从系统中获取与业务相关的第一参数集合以及更新文本;
解析模块,用于通过预设的文本算法解析所述更新文本,得到对应的预期目标以及一个或者多个更新参数;
第一更新模块,用于通过所述预期目标和所述一个或者多个更新参数更新所述第一参数集合,得到第二参数集合;
确定模块,用于根据预设的参数类型集合和所述一个或者多个更新参数,确定各个所述第二参数集合中对应的可调参数;
赋值模块,用于通过预设的赋值方法对所述第二参数集合中对应的可调参数进行多次赋值,得到对应的多个训练参数集合;
拆分模块,用于将每个所述训练参数集合按照预设的算法拆分为多个子参数集合,并将每个所述训练参数集合对应的多个所述子参数集合记为一组待预测数据;
输入模块,用于将各组所述待预测数据分别输入至对应的预设训练模型中,得到各个所述子参数集合对应的子预测值;其中,所述预设训练模型分别由对应的多个子参数训练集合以及对应的目标数值训练而成;
计算模块,用于计算各个所述训练参数集合对应的多个所述子预测值之和,得到对应的第一预测值;
选取模块,用于从各个所述训练参数集合中选取第一预测值最大的目标训练参数集合;
第二更新模块,用于基于所述目标训练参数集合对第一参数集合进行更新。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210028871.9A CN114398059A (zh) | 2022-01-11 | 2022-01-11 | 参数的更新方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210028871.9A CN114398059A (zh) | 2022-01-11 | 2022-01-11 | 参数的更新方法、装置、设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114398059A true CN114398059A (zh) | 2022-04-26 |
Family
ID=81230488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210028871.9A Pending CN114398059A (zh) | 2022-01-11 | 2022-01-11 | 参数的更新方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114398059A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115174383A (zh) * | 2022-05-30 | 2022-10-11 | 青岛海尔科技有限公司 | 设备更新方法、存储介质及电子装置 |
CN116663871A (zh) * | 2023-08-02 | 2023-08-29 | 苏州安极能新能源发展有限公司 | 用电需求量预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523673A (zh) * | 2019-02-01 | 2020-08-11 | 阿里巴巴集团控股有限公司 | 模型训练方法、装置及系统 |
CN111783902A (zh) * | 2020-07-30 | 2020-10-16 | 腾讯科技(深圳)有限公司 | 数据增广、业务处理方法、装置、计算机设备和存储介质 |
CN112990476A (zh) * | 2021-02-08 | 2021-06-18 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习进行模型参数更新的方法、系统及装置 |
CN113705811A (zh) * | 2021-10-29 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 模型训练方法、装置、计算机程序产品及设备 |
-
2022
- 2022-01-11 CN CN202210028871.9A patent/CN114398059A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523673A (zh) * | 2019-02-01 | 2020-08-11 | 阿里巴巴集团控股有限公司 | 模型训练方法、装置及系统 |
CN111783902A (zh) * | 2020-07-30 | 2020-10-16 | 腾讯科技(深圳)有限公司 | 数据增广、业务处理方法、装置、计算机设备和存储介质 |
CN112990476A (zh) * | 2021-02-08 | 2021-06-18 | 支付宝(杭州)信息技术有限公司 | 一种基于联邦学习进行模型参数更新的方法、系统及装置 |
CN113705811A (zh) * | 2021-10-29 | 2021-11-26 | 腾讯科技(深圳)有限公司 | 模型训练方法、装置、计算机程序产品及设备 |
Non-Patent Citations (1)
Title |
---|
王丽;郭振华;曹芳;高开;赵雅倩;赵坤;: "面向模型并行训练的模型拆分策略自动生成方法", 计算机工程与科学, no. 09, 15 September 2020 (2020-09-15) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115174383A (zh) * | 2022-05-30 | 2022-10-11 | 青岛海尔科技有限公司 | 设备更新方法、存储介质及电子装置 |
CN115174383B (zh) * | 2022-05-30 | 2024-03-22 | 青岛海尔科技有限公司 | 设备更新方法、存储介质及电子装置 |
CN116663871A (zh) * | 2023-08-02 | 2023-08-29 | 苏州安极能新能源发展有限公司 | 用电需求量预测方法及系统 |
CN116663871B (zh) * | 2023-08-02 | 2023-10-13 | 苏州安极能新能源发展有限公司 | 用电需求量预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108780314B (zh) | 针对不稳定环境的模型适配和在线学习 | |
US20210125101A1 (en) | Machine learning device and method | |
CN114398059A (zh) | 参数的更新方法、装置、设备以及存储介质 | |
CN104504460A (zh) | 预测叫车平台的用户流失的方法和装置 | |
CN108920677A (zh) | 问卷调查方法、调查系统及电子设备 | |
CN109034941B (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
CN112182384A (zh) | 基于对抗学习的内容推荐方法、装置和计算机设备 | |
Rodríguez-Padial et al. | An approach to integrating tactical decision-making in industrial maintenance balance scorecards using principal components analysis and machine learning | |
CN113642652A (zh) | 生成融合模型的方法、装置和设备 | |
CN114626524A (zh) | 目标业务网络确定方法、业务处理方法及装置 | |
Machado et al. | OrclassWeb: a tool based on the classification methodology ORCLASS from verbal decision analysis framework | |
CN116878535A (zh) | 一种基于混合时序网络的智能换电引导方法和系统 | |
CN115856694A (zh) | 电池寿命预测方法、装置、计算机设备和存储介质 | |
CN116340512A (zh) | 虚假评论的认定方法、装置、设备及介质 | |
CN109767263A (zh) | 营收数据预测方法、装置、计算机设备和存储介质 | |
CN113986245A (zh) | 基于halo平台的目标代码生成方法、装置、设备及介质 | |
CN113744060A (zh) | 基于融合模型的数据预测方法、装置、设备以及存储介质 | |
CN113590458A (zh) | 用于检查技术系统的方法和设备 | |
CN112365302A (zh) | 产品推荐网络的训练方法、装置、设备及介质 | |
CN112364620A (zh) | 文本相似度的判断方法、装置以及计算机设备 | |
Zaabar et al. | A two-phase part family formation model to optimize resource planning: a case study in the electronics industry | |
CN111382925A (zh) | 生产实绩数据分析装置 | |
CN109697528A (zh) | 营收数据预测方法、装置、计算机设备和存储介质 | |
CN116467102B (zh) | 一种基于边缘算法的故障检测方法及装置 | |
CN111191692B (zh) | 基于决策树的数据计算方法、装置和计算机设备 |
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 |