CN114461183A - 基于用户标签的ai模型快速组合的方法、装置及存储介质 - Google Patents

Abstract

本申请实施例涉及人工智能领域，并提供一种基于用户标签的AI模型快速组合的方法、装置及存储介质，方法包括确定所获取的用户标签集中包括的用户标签，并确定各用户标签分别对应的推荐AI模型子集组成推荐AI模型集；将推荐AI模型集对应的模型名称填充至模型容器中得到初始模型容器数据；获取历史编辑AI模型数据集将其对应的模型名称填充至模型容器中得到当前模型容器数据；获取从当前模型容器数据中所选定AI算法模型名称及对应AI模型并填充至画布容器中得到当前AI模型组。本方案能够基于用户标签快速筛选推荐AI模型集并在获取历史编辑AI模型数据集后，均填充至可供AI模型即选即用的容器模型，既降低AI模型组合的操作难度，还提高各模型加载效率。

Description

基于用户标签的AI模型快速组合的方法、装置及存储介质

技术领域

本申请实施例涉及人工智能技术领域，尤其涉及一种基于用户标签的AI模型快速组合的方法、装置及存储介质。

背景技术

目前，在进行人工智能模型的组合模型开发时，例如进行文本翻译功能的组合模型开发时需要将若干个神经网络模进行组合，在这一过程中一般是开发人员先将上述组合模型中的各个组成部分（即每一个人工智能模型）分别进行代码开发后得到各个人工智能模型，最后将各个人工智能模型进行多次组合和调试后方可实现组合模型的开发。

但是在组合模型开发过程中，对组合模型开发任务所需的目标人工智能模型需要有经验的开发人员根据历史开发经验来分析获取，即组合模型所需目标人工智能模型的获取难度大，对人员专业水平要求较高。即使在确定了组合模型开发任务所需的目标人工智能模型后，针对每一个目标人工智能模型的代码编写也是难度较大，编写费时较长。由此可见，目前的AI模型组合方式中均无法保证获取模型组合初始所需候选模型的难易度，也无法保证模型组合开发效率。

发明内容

本申请实施例提供了一种基于用户标签的AI模型快速组合的方法、装置及存储介质，能够降低获取模型组合初始所需候选AI模型的难易度，而且提高模型组合的效率。

第一方面中，本申请实施例提供一种基于用户标签的AI模型快速组合的方法，所述方法包括：

获取登录用户信息的用户标签集，确定所述用户标签集中包括的用户标签；

确定所述用户标签集中各用户标签分别对应的推荐AI模型子集，以组成推荐AI模型集；

将所述推荐AI模型集对应的模型名称填充至预先创建的模型容器中，得到初始模型容器数据；

获取与所述登录用户信息对应的历史编辑AI模型数据集，将所述历史编辑AI模型数据集对应的模型名称填充至所述模型容器中，得到当前模型容器数据；

获取从所述当前模型容器数据中所选定AI算法模型名称，根据所选定的各AI算法模型名称分别对应的AI模型填充至预先创建的画布容器中，得到当前AI模型组。

一种可能的设计中，所述获取从所述当前模型容器数据中所选定AI算法模型名称，根据所选定的各AI算法模型名称分别对应的AI模型填充至预先创建的画布容器中，得到当前AI模型组之后，所述方法还包括：

获取待处理数据，将所述待处理数据对应输入至所述当前AI模型组得到输出结果。

一种可能的设计中，所述获取登录用户信息的用户标签集，确定所述用户标签集中包括的用户标签之前，所述方法还包括：

获取与登录用户信息对应的自定义用户标签子集；其中，所述自定义用户标签子集包括用户擅长领域标签和用户兴趣领域标签；

获取与所述登录用户信息对应的历史项目描述文本，根据所述项目经历描述文本确定用户项目标签子集；

根据所述自定义用户标签子集及所述用户项目标签子集确定用户标签集。

一种可能的设计中，所述获取登录用户信息的用户标签集，确定所述用户标签集中包括的用户标签之前，所述方法还包括：

获取与登录用户信息对应的用户权限等级，根据所述用户权限等级确定用户标签集。

一种可能的设计中，所述获取与所述登录用户信息对应的历史编辑AI模型数据集，将所述历史编辑AI模型数据集对应的模型名称填充至所述模型容器中，得到当前模型容器数据之后，所述方法还包括：

获取与所述登录用户信息对应的历史选定AI模型数据集；

确定所述历史选定AI模型数据集中各历史选定AI模型数据对应的AI模型选用频次值；

将各历史选定AI模型数据根据AI模型选用频次值降序排序，确定AI模型选用频次值的降序排名值未超出预设排名阈值的目标AI模型选用频次值；

根据目标AI模型选用频次值确定目标历史选定AI模型数据以组成历史选定AI模型数据集；

将所述历史选定AI模型数据集填充至所述当前模型容器数据，以更新所述当前模型容器数据。

一种可能的设计中，所述获取与所述登录用户信息对应的历史编辑AI模型数据集，将所述历史编辑AI模型数据集对应的模型名称填充至所述模型容器中，得到当前模型容器数据之后，所述方法还包括：

获取与所述登录用户信息对应的项目协同AI模型数据集；其中，所述项目协同AI模型数据集包括多个其他用户选定项目相关的项目AI模型组；

将所述项目协同AI模型数据集填充至所述当前模型容器数据，以更新所述当前模型容器数据。

一种可能的设计中，所述根据所选定的各AI算法模型名称分别对应的AI模型填充至预先创建的画布容器中，得到当前AI模型组之后，所述方法还包括：

若确定所述当前AI模型组通过模型组合验证，则生成对应的验证通过标签并增加至所述当前AI模型组，以更新所述当前AI模型组

本申请实施例提供一种用于基于用户标签的AI模型快速组合的装置，具有实现对应于上述第一方面提供的基于用户标签的AI模型快速组合的方法的功能。所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。

一种可能的设计中，所述装置包括：

收发模块，用于获取登录用户信息的用户标签集，确定所述用户标签集中包括的用户标签；

处理模块，用于确定所述用户标签集中各用户标签分别对应的推荐AI模型子集，以组成推荐AI模型集；

处理模块，还用于将所述推荐AI模型集对应的模型名称填充至预先创建的模型容器中，得到初始模型容器数据；

处理模块，还用于获取与所述登录用户信息对应的历史编辑AI模型数据集，将所述历史编辑AI模型数据集对应的模型名称填充至所述模型容器中，得到当前模型容器数据；

处理模块，还用于获取从所述当前模型容器数据中所选定AI算法模型名称，根据所选定的各AI算法模型名称分别对应的AI模型填充至预先创建的画布容器中，得到当前AI模型组。

本申请实施例又一方面提供了一种基于用户标签的AI模型快速组合的装置，其包括至少一个连接的处理器、存储器和收发器，其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中的计算机程序来执行上述各方面所述的方法。

本申请实施例又一方面提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面、第一方面中的各种可能的设计中提供的方法。

相较于现有技术，本申请实施例提供的方案中，一方面可以先基于用户标签集确定推荐AI模型集，然后以用户的历史编辑AI模型数据集获取对应的AI模型以与推荐AI模型集共同填充至模型容器中，得到具有推荐AI模型的当前模型容器数据，有效降低模型组合初始所需候选模型的难易度。另一方面，通过在模型容器中快速选取AI模型并在画布容器中组合，无需编写AI模型的代码，降低了得到组合AI模型的难度，且模型组合效率得到了提升。

附图说明

图1为本申请实施例中基于用户标签的AI模型快速组合的方法的应用场景示意图；

图2为本申请实施例中基于用户标签的AI模型快速组合的方法的一种流程示意图；

图3a为本申请实施例中AI模型组合平台的登录界面的示意图；

图3b为本申请实施例中AI模型组合平台的主界面的示意图；

图3c为本申请实施例中AI模型组合平台的注册界面的示意图；

图3d为本申请实施例中AI模型组合平台的封装模型组件移动过程的示意图；

图3e为本申请实施例中AI模型组合平台的封装模型组件已移动至画布容器的示意图；

图4为本申请实施例中用于基于用户标签的AI模型快速组合的装置的一种结构示意图；

图5为本申请实施例中服务器的一种结构示意图；

图6为本申请实施例中服务终端的一种结构示意图；

图7为本申请实施例中服务器的一种结构示意图。

具体实施方式

本申请实施例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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。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，本申请实施例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，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，所显示的或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块之间的间接耦合或通信连接可以是电性或其他类似的形式，本申请实施例中均不作限定。并且，作为分离部件说明的模块或子模块可以是也可以不是物理上的分离，可以是也可以不是物理模块，或者可以分布到多个电路模块中，可以根据实际的需要选择其中的部分或全部模块来实现本申请实施例方案的目的。

本申请实施例的方案可基于人工智能技术实现。人工智能(ArtificialIntelligence, 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。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。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、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。

本申请实施例供了一种基于用户标签的AI模型快速组合的方法、装置及存储介质，可用于基于用户标签集对应的推荐AI模型集及历史编辑AI模型数据集快速获取当前模型容器数据，之后用户则可在当前模型容器数据中选定AI模型填充至预先创建的画布容器中，得到当前AI模型组。本申请实施例主要以服务器为例，服务器侧部署了用于基于用户标签的AI模型快速组合的装置，本申请实施例中用于基于用户标签的AI模型快速组合的装置可以是区块链系统中的节点。

一些实施方式中，该基于用户标签的AI模型快速组合的方法应用于用户在AI模型组合平台中的模型容器中快速选取及组合AI模型场景时，主要涉及服务器和多个用户终端，如图1所示的一种通讯系统，该通讯系统包括服务器和多个用户终端，任意一个用户终端可以先操作登录AI模型组合平台，并对应生成登录请求。该AI模型组合平台的登录请求由用户终端经网络发送至服务器。服务器在接收到登录请求后，经过网络向用户终端发送AI模型组合平台的完整平台数据，以供用户在AI模型组合平台中的模型容器中快速选取及组合AI模型。

其中，需要特别说明的是，本申请实施例涉及的用户终端，可以是指向用户终端提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。例如移动电话（或称为“蜂窝”电话）和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语音和/或数据。例如，个人通信业务（英文全称：Personal Communication Service，英文简称：PCS）电话、无绳电话、会话发起协议（SIP）话机、无线本地环路（Wireless LocalLoop，英文简称：WLL）站、个人数字助理（英文全称：Personal Digital Assistant，英文简称：PDA）等设备。

如图2所示，以下介绍本申请实施例所提供的一种基于用户标签的AI模型快速组合的方法，本申请实施例包括：

201、获取登录用户信息的用户标签集，确定所述用户标签集中包括的用户标签。

在本申请实施例中，用户操作用户终端（如智能手机、笔记本电脑、平板电脑等智能终端）先基于预先设定的登录网址打开AI模型组合平台或者是打开指定的小程序而打开AI模型组合平台时，AI模型组合平台实际对应的服务器需要先获取登录用户信息（具体如用户账号和用户密码）。之后服务器对该登录用户信息进行验证成功后，获取该用户登录信息对应的用户标签集并进一步获取其中所包括的用户标签。

例如，用户在如图3a所示的AI模型组合平台登录界面中，用户录入用户账号和用户密码且在服务器中验证成功后，可切换至如图3b所示的AI模型组合平台的主界面示意图。在AI模型组合平台的主界面中，其中一块区域可以显示服务器所获取到该登录用户信息对应的用户标签集，确定所述用户标签集中包括的用户标签（如图3b中展示的用户标签1、用户标签2、……、用户标签M等，上述这些用户标签组成用户标签集），同时也能显示与该登录用户信息对应的用户昵称等关键信息。可见，在用户登录成功之后，服务器是可获取到该用户的用户标签集，是可进一步基于用户标签集获取向该用户推荐的AI模型。

一些实施方式中，所述获取登录用户信息的用户标签集，确定所述用户标签集中包括的用户标签之前，所述方法还包括：

获取与登录用户信息对应的自定义用户标签子集；其中，所述自定义用户标签子集包括用户擅长领域标签和用户兴趣领域标签；

获取与所述登录用户信息对应的历史项目描述文本，根据所述项目经历描述文本确定用户项目标签子集；

根据所述自定义用户标签子集及所述用户项目标签子集确定用户标签集。

在本申请实施例中，如图3c，用户在初次登录服务器的AI模型组合平台并进行用户注册时，可以自定义编辑一些用户标签，如设置用户擅长领域标签（具体如用户擅长图像识别中的卷积神经网络，则可设置用户擅长领域标签为CNN）和用户兴趣领域标签（具体如用户对图像识别中的循环神经网络感兴趣，则可设置用户擅长领域标签为RNN等），在设置完成之后则可由所设置的若干个用户擅长领域标签和若干个用户兴趣领域标签组成自定义用户标签子集。

用户还可以填写一些所参与的历史AI项目相关研发经历作为历史项目描述文本，服务器可先基于所述历史项目描述文本进行分词及关键词提取等处理，得到与所述历史项目描述文本对应的关键词集，之后可以在关键词集中筛选出与人工智能领域关联性高的关键词作为用户项目标签，最后由所获得的若干个用户项目标签组成用户项目标签子集。例如，用户所输入的历史项目描述文本经jieba分词（即结巴分词）及TF-IDF模型（即词频-逆文本频率指数）进行关键词提取，得到的关键词集包括{人脸识别，翻译模型，中间件}，其中与与人工智能领域关联性高的关键词有人脸识别和翻译模型，则可以人脸识别和翻译模型这两个关键词组成用户项目标签子集。

可见，在得到了所述自定义用户标签子集及所述用户项目标签子集后，由上述两个标签子集即可共同组成用户标签集。通过自定义用户标签和用户项目标签这两个维度，可以快速确定用户标签。

一些实施方式中，所述获取登录用户信息的用户标签集，确定所述用户标签集中包括的用户标签之前，所述方法还包括：

获取与登录用户信息对应的用户权限等级，根据所述用户权限等级确定用户标签集。

在本申请实施例中，作为获取用户标签集的另一种实现方式，还可以根据用户在注册AI模型组合平台时服务器基于用户身份信息（如基于用户身份信息确认该用户是系统管理员，或是专家级邀请用户，或是普通用户等情况时）来确定用户权限等级，最后服务器基于各用户权限等级来分配相应的用户标签集，如下表1：

用户权限等级	用户标签集
		系统管理员	包括平台中存储的所有用户标签
专家级邀请用户	{计算机视觉技术，语音技术，自然语言处理技术，机器学习技术}
		普通用户	是由计算机视觉技术、语音技术，自然语言处理技术、机器学习技术中其中一个或多个组成

表1

其中，表1中系统管理员这一用户权限等级，可对应包括平台中存储的所有用户标签（如计算机视觉技术，语音技术，自然语言处理技术，机器学习技术这些标签，还可以包括系统管理员标签等身份标签等）；专家级邀请用户则可对应包括{计算机视觉技术，语音技术，自然语言处理技术，机器学习技术}这些用户标签，还可以包括专家用户（或视为Level2）这一身份标签；普通用户则是由计算机视觉技术、语音技术，自然语言处理技术、机器学习技术中其中一个或多个组成，还可以包括普通用户（或视为Level1）这一身份标签。可见，在得到了所述用户权限等级后，由所述用户权限等级及服务器中预设的用户权限等级及用户标签集映射表，即可确认该用户的用户标签集。通过用户权限等级这一个维度，可以快速确定用户标签。

202、确定所述用户标签集中各用户标签分别对应的推荐AI模型子集，以组成推荐AI模型集。

在本申请实施例中，当在服务器中获取到了所述用户标签集及其包括的用户标签后，可以在服务器本地针对每一用户标签获取各自对应的推荐AI模型子集，最终由多个推荐AI模型子集组成推荐AI模型集。

例如，所述用户标签集中包括计算机视觉技术和自然语言处理技术两个用户标签，则可以在服务器中获取到与计算机视觉技术这一用户标签对应的推荐AI模型子集，如包括CNN（即卷积神经网络）、VGG16（是具有16层网络层数的卷积网络）、SSD（全称是SingleShot MultiBox Detector，即单镜头多盒检测器模型）等单个AI模型，也包括VGG16+SSD等AI模型组合。同时也在服务器中获取到与自然语言处理技术这一用户标签对应的推荐AI模型子集，如包括Transformer模型（其是一种具有编码-解码结构的模型）、RNN（即循环神经网络）等单个AI模型，也包括RNN+Transformer等AI模型组合。当获取了所述用户标签集中各用户标签分别对应的推荐AI模型子集后，即可由多个推荐AI模型子集组成推荐AI模型集。可见，通过这一方式可以快速的基于用户标签集得到本次用户登录后的推荐AI模型集。

203、将所述推荐AI模型集对应的模型名称填充至预先创建的模型容器中，得到初始模型容器数据。

在本申请实施例中，在服务器中获取到的所述推荐AI模型集可以快速填充至预先创建的模型容器（可参见图3b的AI模型组合平台中左侧界面所示的模型容器），以模型容器作为AI模型的容纳空间。之后，用户可以操作用户终端在AI模型组合平台的容器模型中快速选定一个或多个AI模型在右侧的画布容器中组合，得到AI模型组合。

其中，如图3b所示左侧的模型容器中展示了如AI模型A1、AI模型A2、……、AI模型AN1等推荐AI算法模型名称，每一AI算法模型名称对应了一个封装模型组件，在封装模型组件中封装了AI算法模型名称对应的封装代码数据，各AI算法模型名称对应的封装代码数据均是存储在服务器的数据库中。在获取了所述推荐AI模型集中包括的各AI算法模型名称后，可以从本地数据库中调用各AI算法模型名称分别对应的封装代码数据，并将各封装代码数据以封装模型组件的方式在模型容器中展示。可见，基于各AI算法模型名称与AI模型的一一对应关系，可在服务器快速筛选出所述推荐AI模型集中各推荐AI模型对应的封装代码数据，并将各推荐AI模型对应的封装代码数据以封装模型组件的方式在模型容器中直观展示，方便后续用户在模型容器中对AI模型即选即用，提高AI模型组合的效率。

204、获取与所述登录用户信息对应的历史编辑AI模型数据集，将所述历史编辑AI模型数据集对应的模型名称填充至所述模型容器中，得到当前模型容器数据。

在本申请实施例中，除了从推荐AI模型这一维度获取AI模型，还可以从历史编辑AI模型的维度来获取用户之前登录AI模型组合平台进行AI模型原创编辑而保留下来的AI模型或AI模型组合，从而得到历史编辑AI模型数据集。例如当用户本次基于用户登录信息成功登录AI模型组合平台后，通过获取本日前一个月内的所有AI模型组合历史数据，或者获取该用户的全部AI模型组合历史数据等方式来获取历史编辑AI模型数据集，通过所述历史编辑AI模型数据集进一步更新AI模型组合平台的模型容器中所包括的AI模型。

同样的，如图3b所示左侧的模型容器中展示了如AI模型B1、AI模型B2、……、AI模型BN2等AI算法模型名称，每一AI算法模型名称对应了一个封装模型组件，在封装模型组件中封装了AI算法模型名称对应的封装代码数据，各AI算法模型名称对应的封装代码数据均是存储在服务器的数据库中。在获取了所述历史编辑AI模型数据集包括的各AI算法模型名称后，可以从本地数据库中调用各AI算法模型名称分别对应的封装代码数据，并将各封装代码数据以封装模型组件的方式在模型容器中展示。可见，基于各AI算法模型名称与AI模型的一一对应关系，可在服务器快速筛选出所述历史编辑AI模型数据集中各历史编辑AI模型或各历史编辑AI模型组合对应的封装代码数据，并将各历史编辑AI模型或各历史编辑AI模型组合的封装代码数据以封装模型组件的方式在模型容器中直观展示，方便后续用户在模型容器中对AI模型即选即用，提高AI模型组合的效率。

在创建模型容器后可以根据用户标签集筛选出第一类目标AI模型，以及基于在AI模型组合平台历史编辑AI模型的历史数据筛选出第二类目标AI模型，至少由第一类目标AI模型和第二类目标AI模型快速组成可供用户直观查看和选取的当前模型容器数据，且当前模型容器数据中的各AI模型可在后续作为组合AI模型时的候选模型。

例如，如图3b所示模型容器中，至少包括了两个模型子容器，一个模型子容器中容纳有推荐AI模型集（如包括AI模型A1、AI模型A2、……、AI模型AN1）, 另一个模型子容器中容纳有历史编辑AI模型数据集（如包括AI模型B1、AI模型B2、……、AI模型BN2）。在模型容器中展示了上述推荐AI模型集及其包括的AI模型，以及上述历史编辑AI模型数据集及其包括的AI模型可在后续作为组合AI模型时的候选模型。可见，基于推荐AI模型维度和历史编辑AI模型维度筛选出的AI模型在模型容器中展示，可以便于用户在模型容器中对AI模型直观查看和即选即用。

一些实施方式中，所述获取与所述登录用户信息对应的历史编辑AI模型数据集，将所述历史编辑AI模型数据集对应的模型名称填充至所述模型容器中，得到当前模型容器数据之后，所述方法还包括：

获取与所述登录用户信息对应的历史选定AI模型数据集；

确定所述历史选定AI模型数据集中各历史选定AI模型数据对应的AI模型选用频次值；

将各历史选定AI模型数据根据AI模型选用频次值降序排序，确定AI模型选用频次值的降序排名值未超出预设排名阈值的目标AI模型选用频次值；

根据目标AI模型选用频次值确定目标历史选定AI模型数据以组成历史选定AI模型数据集；

将所述历史选定AI模型数据集填充至所述当前模型容器数据，以更新所述当前模型容器数据。

在本申请实施例中，除了从推荐AI模型和历史编辑AI模型这两个维度获取AI模型，还可以从历史选定AI模型的维度来获取一个或多个用户之前登录AI模型组合平台进行AI模型选定、组合及验证模型性能后而保留下来AI模型组合，从而得到历史选定AI模型数据集。若历史选定AI模型数据集中包括的历史选定AI模型数据的总条数较多，此时可以基于各历史选定AI模型数据的AI模型选用频次值来筛选得到AI模型选用频次值较高的目标历史选定AI模型数据，从而通过目标历史选定AI模型数据来快速更新历史选定AI模型数据集。

例如，用户此次登录AI模型组合平台后，服务器会立即筛选出该用户对应一个初始的历史选定AI模型数据集。之后服务器进一步确定所述历史选定AI模型数据集中各历史选定AI模型数据对应的AI模型选用频次值；然后将各AI模型选用频次值降序排序，确定AI模型选用频次值的降序排名值未超出预设排名阈值（如将预设排名阈值设置为X1，其中X1为满足用户实际需求的正整数值，更具体如X1=5）的目标AI模型选用频次值；最后根据目标AI模型选用频次值确定目标历史选定AI模型数据以组成历史选定AI模型数据集，且此时所得到的历史选定AI模型数据集相对于初始的历史选定AI模型数据集做了及时更新。

同样的，历史选定AI模型数据集中包括的多个AI算法模型名称，每一AI算法模型名称对应了一个封装模型组件，在封装模型组件中封装了AI算法模型名称对应的封装代码数据，各AI算法模型名称对应的封装代码数据均是存储在服务器的数据库中。可见，基于历史选定AI模型数据的维度能筛选出更多服务器中与该用户相关的更多AI模型组合，方便后续用户在模型容器中对AI模型即选即用，提高AI模型组合的效率。

一些实施方式中，所述获取与所述登录用户信息对应的历史编辑AI模型数据集，将所述历史编辑AI模型数据集对应的模型名称填充至所述模型容器中，得到当前模型容器数据之后，所述方法还包括：

获取与所述登录用户信息对应的项目协同AI模型数据集；其中，所述项目协同AI模型数据集包括多个其他用户选定项目相关的项目AI模型组；

将所述项目协同AI模型数据集填充至所述当前模型容器数据，以更新所述当前模型容器数据。

在本申请实施例中，除了从推荐AI模型和历史编辑AI模型这两个维度获取AI模型，还可以从项目协同AI模型的维度，获取其他多个用户之前登录AI模型组合平台后编辑项目相关的项目AI模型组而保留下来AI模型组合，从而得到项目协同AI模型数据集。例如其他用户A编辑了人脸识别项目中的VGG16+SSD这一AI模型组合，其他用户B编辑了文本翻译中的RNN+Transformer这一AI模型组合，可以将VGG16+SSD及RNN+Transformer这两个AI项目组合组合得到项目协同AI模型数据集。

同样的，项目协同AI模型数据集中包括的多个AI模型组合，每一AI模型组合对应了一个封装模型组件，在封装模型组件中封装了AI模型组合对应的封装代码数据，各AI模型组合对应的封装代码数据均是存储在服务器的数据库中。可见，基于项目协同AI模型数据的维度能筛选出更多服务器中与该用户相关的更多AI模型组合，方便后续用户在模型容器中对AI模型即选即用，提高AI模型组合的效率。

205、获取从所述当前模型容器数据中所选定AI算法模型名称，根据所选定的各AI算法模型名称分别对应的AI模型填充至预先创建的画布容器中，得到当前AI模型组。

在本申请实施例中，当用户在如图3b所示左侧的模型容器中选定了一个参与组合的AI算法模型名称后，则可及时获取到该AI算法模型名称对应的封装代码数据以各封装代码数据对应的封装模型组件（每一个封装模型组件可以理解为一个包括有相应封装代码数据的功能组件），当获取到各AI算法模型名称对应的封装模型组件后可快速在如图3b所示右侧的画布容器中进行模型组合，拖拽AI算法模型名称至画布容器的过程可以参考图3d（其中编号①表示AI模型AN1是第一个被选中并移动至画布容器，编号②表示AI模型B2是第二个被选中并移动至画布容器，编号③表示AI模型A1是第三个被选中并移动至画布容器），最终组合AI算法模型的结果可以参考图3e。可见，基于画布容器来加载各AI模型对应的封装模型组件，且将各封装模型组件对应的封装代码数据存储在画布容器固定存储区域，一方面是可以降低AI模型组合的操作难度，另一方面是提高各AI模型加载的效率。

此时所得到的当前AI模型组各AI模型的封装代码数据也是按照排序序号依序串接，例如AI模型AN1相应封装代码数据的输出语句指向AI模型B2的相应封装代码数据的输入语句，且AI模型B2相应封装代码数据的输出语句指向AI模型A1的相应封装代码数据的输入语句。可见，基于上述方式实现了在代码层面上将AI模型进行快速组合。

一些实施方式中，所述获取从所述当前模型容器数据中所选定AI算法模型名称，根据所选定的各AI算法模型名称分别对应的AI模型填充至预先创建的画布容器中，得到当前AI模型组之后，所述方法还包括：

获取待处理数据，将所述待处理数据对应输入至所述当前AI模型组得到输出结果。

在本申请实施例中，为了及时验证所述当前AI模型组的模型组合效果，此时可以选定或编辑待处理数据，然后将所述待处理数据输入至所述当前AI模型组得到输出结果。例如，所述待处理数据是一段英文文本，且所述当前模型容器数据对应一个中译英翻译模型，此时可将该英文文本输入至所述当前AI模型组进行处理，即可得到相应的中文翻译结果。可见，基于上述方式可快速基于待待处理数据验证所述当前AI模型组的合理性和准确率。

一些实施方式中，所述根据所选定的各AI算法模型名称分别对应的AI模型填充至预先创建的画布容器中，得到当前AI模型组之后，所述方法还包括：

若确定所述当前AI模型组通过模型组合验证，则生成对应的验证通过标签并增加至所述当前AI模型组，以更新所述当前AI模型组。

在本申请实施例中，由于存在一些AI模型不能相互组合的情况，在得到了所述当前AI模型组后，需要进一步确定所述当前AI模型组中所包括的各AI模型是否能组合。此时可以基于预设的模型组合验证策略对所述当前AI模型组进行模型组合验证，以用于判断所述当前AI模型组中所包括的各AI模型组合起来是否满足组合条件。在确定所述当前AI模型组通过模型组合验证后，即可以直接使用所述当前AI模型组。可见，对所述当前AI模型组进行模型组合验证，可确保得到的当前AI模型组是合理且正确的AI模型组。

一些实施方式中，所述若确定所述当前AI模型组通过模型组合验证，则生成对应的验证通过标签并增加至所述当前AI模型组，以更新所述当前AI模型组之前，所述方法还包括：

获取预先存储的AI模型组合标准集；其中，所述AI模型组合标准集中包括多组AI模型的标准串联组合；

若确定所述当前AI模型组对应的当前AI模型串联组合与所述AI模型组合标准集中其中一组标准串联组合相同，则判定所述当前AI模型组通过模型组合验证。

在本实施例中，预先存储的AI模型组合标准集包括多组AI模型的标准串联组合，上述多组AI模型的标准串联组合是经过验证合理的AI模型组，且每一组AI模型的标准串联组合是由多个AI模型名称依序串接组合得到。此时在获取所述当前AI模型组对应的当前AI模型串联组合时，是获取其中所包括的各AI算法模型名称，并按照各AI算法模型名称分别对应的排列序号将各AI算法模型名称串接，得到如AI模型AN1+AI模型B2+AI模型A1形式的当前AI模型串联组合。为了快速确定当前AI模型串联组合的合理性，此时可以将所述当前AI模型串联组合与所述AI模型组合标准集中各组标准串联组合进行比较，若确定所述当前AI模型组对应的当前AI模型串联组合与所述AI模型组合标准集中其中一组标准串联组合相同时，则表示所述当前AI模型组通过模型组合验证，即可判定所述当前AI模型组通过模型组合验证。可见，基于预设的AI模型组合标准集可以快速确定所述当前AI模型组的模型组合正确性及合理性。

可见，通过本方案，在用户基于AI模型组合平台中的模型容器中快速选取及组合AI模型的场景中，可以基于用户标签集对应的推荐AI模型集及历史编辑AI模型数据集快速获取当前模型容器数据，之后用户则可在当前模型容器数据中选定AI模型填充至预先创建的画布容器中，得到当前AI模型组。一方面降低AI模型组合的操作难度，另一方面还提高各模型加载效率。

本申请实施例中，上述用户标签集、推荐AI模型集、初始模型容器数据、当前模型容器数据和当前AI模型组可保存在区块链中。其中，区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链（Blockchain），本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。

区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成（账户管理）、密钥管理以及用户真实身份和区块链地址对应关系维护（权限管理）等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置（风控审计）；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理（接口适配），然后通过共识算法将业务信息加密（共识管理），在加密之后完整一致的传输至共享账本上（网络通信），并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上（合约注册），根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。

本申请实施例中执行基于用户标签的AI模型快速组合的方法的装置（也可称作服务器、服务终端）可以是区块链系统中的节点。

图1至图3e中任一项所对应的实施例中所提及的任一技术特征也同样适用于本申请实施例中的图4至图7所对应的实施例，后续类似之处不再赘述。

以上对本申请实施例中一种基于用户标签的AI模型快速组合的方法进行说明，以下对执行上述基于用户标签的AI模型快速组合的方法的基于用户标签的AI模型快速组合的装置（例如服务器、服务终端）进行介绍。

参阅图4，如图4所示的一种基于用户标签的AI模型快速组合的装置1的结构示意图，其可应用于服务器侧，用于基于用户标签集对应的推荐AI模型集及历史编辑AI模型数据集快速获取当前模型容器数据，之后用户则可在当前模型容器数据中选定AI模型填充至预先创建的画布容器中，得到当前AI模型组。本申请实施例中的基于用户标签的AI模型快速组合的装置能够实现对应于上述图1-图3e中任一所对应的实施例中所执行的基于用户标签的AI模型快速组合的方法的步骤。基于用户标签的AI模型快速组合的装置1实现的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。硬件或软件包括一个或多个与上述功能相对应的模块，所述模块可以是软件和/或硬件。所述基于用户标签的AI模型快速组合的装置1可包括处理模块11、收发模块12和显示模块（图4中未标识出），所述处理模块11、所述收发模块12的功能实现可参考图2所对应的实施例中所执行的操作，此处不作赘述。例如，所述处理模块11可用于控制所述收发模块12的收发、获取等操作，以及控制所述显示模块的显示预设空间等操作。

一些实施方式中，所述收发模块12，用于获取登录用户信息的用户标签集，确定所述用户标签集中包括的用户标签；

所述处理模块11，用于确定所述用户标签集中各用户标签分别对应的推荐AI模型子集，以组成推荐AI模型集；

所述处理模块11，还用于将所述推荐AI模型集对应的模型名称填充至预先创建的模型容器中，得到初始模型容器数据；

所述处理模块11，还用于获取与所述登录用户信息对应的历史编辑AI模型数据集，将所述历史编辑AI模型数据集对应的模型名称填充至所述模型容器中，得到当前模型容器数据；

所述处理模块11，还用于获取从所述当前模型容器数据中所选定AI算法模型名称，根据所选定的各AI算法模型名称分别对应的AI模型填充至预先创建的画布容器中，得到当前AI模型组。

一些实施方式中，所述处理模块11，还用于：

获取待处理数据，将所述待处理数据对应输入至所述当前AI模型组得到输出结果。

一些实施方式中，所述处理模块11，还用于：

获取与登录用户信息对应的自定义用户标签子集；其中，所述自定义用户标签子集包括用户擅长领域标签和用户兴趣领域标签；

获取与所述登录用户信息对应的历史项目描述文本，根据所述项目经历描述文本确定用户项目标签子集；

根据所述自定义用户标签子集及所述用户项目标签子集确定用户标签集。

一些实施方式中，所述处理模块11，还用于：

获取与登录用户信息对应的用户权限等级，根据所述用户权限等级确定用户标签集。

一些实施方式中，所述处理模块11，还用于：

获取与所述登录用户信息对应的历史选定AI模型数据集；

确定所述历史选定AI模型数据集中各历史选定AI模型数据对应的AI模型选用频次值；

将各历史选定AI模型数据根据AI模型选用频次值降序排序，确定AI模型选用频次值的降序排名值未超出预设排名阈值的目标AI模型选用频次值；

根据目标AI模型选用频次值确定目标历史选定AI模型数据以组成历史选定AI模型数据集；

将所述历史选定AI模型数据集填充至所述当前模型容器数据，以更新所述当前模型容器数据。

一些实施方式中，所述处理模块11，还用于：

获取与所述登录用户信息对应的项目协同AI模型数据集；其中，所述项目协同AI模型数据集包括多个其他用户选定项目相关的项目AI模型组；

将所述项目协同AI模型数据集填充至所述当前模型容器数据，以更新所述当前模型容器数据。

一些实施方式中，所述处理模块11，还用于：

若确定所述当前AI模型组通过模型组合验证，则生成对应的验证通过标签并增加至所述当前AI模型组，以更新所述当前AI模型组。

上面从模块化功能实体的角度对本申请实施例中的基于用户标签的AI模型快速组合的装置进行了描述，下面从硬件处理的角度分别对本申请实施例中的执行基于用户标签的AI模型快速组合的方法的基于用户标签的AI模型快速组合的装置（例如服务器、服务终端）进行描述。需要说明的是，在本申请实施例图4任一所示的实施例中的收发模块对应的实体设备可以为收发器、输入/输出单元、射频电路、通信模块和输出接口等，处理模块对应的实体设备可以为处理器。例如，图4所示的装置1可以具有如图5所示的结构，当图4所示的装置1具有如图5所示的结构时，图5中的处理器和收发器能够实现前述对应该装置1的装置实施例提供的处理模块11和收发模块12相同或相似的功能，图5中的存储器存储处理器执行上述基于用户标签的AI模型快速组合的方法时需要调用的计算机程序。

图6是本申请实施例提供的一种服务器（也即服务终端）结构示意图，该服务器620可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器（英文全称：central processing units，英文简称：CPU）622（例如，一个或一个以上处理器）和存储器632，一个或一个以上存储应用程序642或数据644的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器632和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器622可以设置为与存储介质630通信，在服务器620上执行存储介质630中的一系列指令操作。

服务器620还可以包括一个或一个以上电源626，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口658，和/或，一个或一个以上操作系统641，例如Windows Server，Mac OS X，Unix, Linux，FreeBSD等等。

上述实施例中由服务器所执行的步骤可以基于该图6所示的服务器620的结构。例如上述实施例中由图4所示的装置1所执行的步骤可以基于该图6所示的服务器结构。例如，所述处理器1322通过调用存储器1332中的指令，执行以下操作：

通过输入输出接口658获取登录用户信息的用户标签集，确定所述用户标签集中包括的用户标签；

确定所述用户标签集中各用户标签分别对应的推荐AI模型子集，以组成推荐AI模型集；

将所述推荐AI模型集对应的模型名称填充至预先创建的模型容器中，得到初始模型容器数据；

获取与所述登录用户信息对应的历史编辑AI模型数据集，将所述历史编辑AI模型数据集对应的模型名称填充至所述模型容器中，得到当前模型容器数据；

获取从所述当前模型容器数据中所选定AI算法模型名称，根据所选定的各AI算法模型名称分别对应的AI模型填充至预先创建的画布容器中，得到当前AI模型组。

本申请实施例还提供了另一种服务终端，如图7所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该服务终端可以为包括手机、平板电脑、个人数字助理（英文全称：Personal Digital Assistant，英文简称：PDA）、销售终端（英文全称：Point of Sales，英文简称：POS）、车载电脑等任意终端设备，以终端为手机为例：

图7示出的是与本申请实施例提供的终端设备相关的手机的部分结构的框图。参考图7，手机包括：射频（英文全称：Radio Frequency，英文简称：RF）电路714、存储器720、输入单元730、显示单元740、传感器750、音频电路760、无线保真（英文全称：wirelessfidelity，英文简称：WiFi）模块770、处理器780、以及电源790等部件。本领域技术人员可以理解，图7中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图7对手机的各个构成部件进行具体的介绍：

RF电路714可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器780处理；另外，将设计上行的数据发送给基站。通常，RF电路714包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器（英文全称：LowNoise Amplifier，英文简称：LNA）、双工器等。此外，RF电路714还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统 （英文全称：Global System of Mobile communication，英文简称：GSM）、通用分组无线服务（英文全称：General Packet Radio Service，英文简称：GPRS）、码分多址（英文全称：Code Division Multiple Access，英文简称：CDMA）、宽带码分多址（英文全称：Wideband Code Division Multiple Access, 英文简称：WCDMA）、长期演进 （英文全称：Long Term Evolution，英文简称：LTE）、电子邮件、短消息服务（英文全称：ShortMessaging Service，英文简称：SMS）等。

存储器720可用于存储软件程序以及模块，处理器780通过运行存储在存储器720的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器720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、电话本等）等。此外，存储器720可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

输入单元730可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元730可包括触控面板731以及其他输入设备732。触控面板731，也称为触摸屏，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触控面板731上或在触控面板731附近的操作），并根据预先设定的程式驱动相应的连接装置。可选的，触控面板731可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器780，并能接收处理器780发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板731。除了触控面板731，输入单元730还可以包括其他输入设备732。具体地，其他输入设备732可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元740可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元740可包括显示面板741，可选的，可以采用液晶显示器（英文全称：LiquidCrystal Display，英文简称：LCD）、有机发光二极管（英文全称：Organic Light-EmittingDiode, 英文简称：OLED）等形式来配置显示面板741。进一步的，触控面板731可覆盖显示面板741，当触控面板731检测到在其上或附近的触摸操作后，传送给处理器780以确定触摸事件的类型，随后处理器780根据触摸事件的类型在显示面板741上提供相应的视觉输出。虽然在图7中，触控面板731与显示面板741是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板731与显示面板741集成而实现手机的输入和输出功能。

手机还可包括至少一种传感器750，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板741的亮度，接近传感器可在手机移动到耳边时，关闭显示面板741和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等; 至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路760、扬声器761，传声器762可提供用户与手机之间的音频接口。音频电路760可将接收到的音频数据转换后的电信号，传输到扬声器761，由扬声器761转换为声音信号输出；另一方面，传声器762将收集的声音信号转换为电信号，由音频电路760接收后转换为音频数据，再将音频数据输出处理器780处理后，经RF电路714以发送给比如另一手机，或者将音频数据输出至存储器720以便进一步处理。

Wi-Fi属于短距离无线传输技术，手机通过Wi-Fi模块770可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图7示出了W-iFi模块770，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变申请的本质的范围内而省略。

处理器780是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器720内的软件程序和/或模块，以及调用存储在存储器720内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器780可包括一个或多个处理单元；优选的，处理器780可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器780中。

手机还包括给各个部件供电的电源790（比如电池），电源可以通过电源管理系统与处理器780逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。

在本申请实施例中，该手机所包括的处理器780还具有控制执行以上由图4所示的装置执行的方法流程。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请实施例所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请实施例各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质（例如固态硬盘Solid State Disk(SSD)）等。

以上对本申请实施例所提供的技术方案进行了详细介绍，本申请实施例中应用了具体个例对本申请实施例的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请实施例的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请实施例的限制。

Claims (10)

1.一种基于用户标签的AI模型快速组合的方法，其特征在于，所述方法包括：

获取登录用户信息的用户标签集，确定所述用户标签集中包括的用户标签；

确定所述用户标签集中各用户标签分别对应的推荐AI模型子集，以组成推荐AI模型集；

将所述推荐AI模型集对应的模型名称填充至预先创建的模型容器中，得到初始模型容器数据；

获取与所述登录用户信息对应的历史编辑AI模型数据集，将所述历史编辑AI模型数据集对应的模型名称填充至所述模型容器中，得到当前模型容器数据；

获取从所述当前模型容器数据中所选定AI算法模型名称，根据所选定的各AI算法模型名称分别对应的AI模型填充至预先创建的画布容器中，得到当前AI模型组。

2.根据权利要求1所述的方法，其特征在于，所述获取从所述当前模型容器数据中所选定AI算法模型名称，根据所选定的各AI算法模型名称分别对应的AI模型填充至预先创建的画布容器中，得到当前AI模型组之后，所述方法还包括：

获取待处理数据，将所述待处理数据对应输入至所述当前AI模型组得到输出结果。

3.根据权利要求1或2所述的方法，其特征在于，所述获取登录用户信息的用户标签集，确定所述用户标签集中包括的用户标签之前，所述方法还包括：

获取与登录用户信息对应的自定义用户标签子集；其中，所述自定义用户标签子集包括用户擅长领域标签和用户兴趣领域标签；

获取与所述登录用户信息对应的历史项目描述文本，根据所述项目经历描述文本确定用户项目标签子集；

根据所述自定义用户标签子集及所述用户项目标签子集确定用户标签集。

4.根据权利要求1或2所述的方法，其特征在于，所述获取登录用户信息的用户标签集，确定所述用户标签集中包括的用户标签之前，所述方法还包括：

获取与登录用户信息对应的用户权限等级，根据所述用户权限等级确定用户标签集。

5.根据权利要求1或2所述的方法，其特征在于，所述获取与所述登录用户信息对应的历史编辑AI模型数据集，将所述历史编辑AI模型数据集对应的模型名称填充至所述模型容器中，得到当前模型容器数据之后，所述方法还包括：

获取与所述登录用户信息对应的历史选定AI模型数据集；

确定所述历史选定AI模型数据集中各历史选定AI模型数据对应的AI模型选用频次值；

将各历史选定AI模型数据根据AI模型选用频次值降序排序，确定AI模型选用频次值的降序排名值未超出预设排名阈值的目标AI模型选用频次值；

根据目标AI模型选用频次值确定目标历史选定AI模型数据以组成历史选定AI模型数据集；

将所述历史选定AI模型数据集填充至所述当前模型容器数据，以更新所述当前模型容器数据。

6.根据权利要求1或2所述的方法，其特征在于，所述获取与所述登录用户信息对应的历史编辑AI模型数据集，将所述历史编辑AI模型数据集对应的模型名称填充至所述模型容器中，得到当前模型容器数据之后，所述方法还包括：

获取与所述登录用户信息对应的项目协同AI模型数据集；其中，所述项目协同AI模型数据集包括多个其他用户选定项目相关的项目AI模型组；

将所述项目协同AI模型数据集填充至所述当前模型容器数据，以更新所述当前模型容器数据。

7.根据权利要求1或2所述的方法，其特征在于，所述根据所选定的各AI算法模型名称分别对应的AI模型填充至预先创建的画布容器中，得到当前AI模型组之后，所述方法还包括：

若确定所述当前AI模型组通过模型组合验证，则生成对应的验证通过标签并增加至所述当前AI模型组，以更新所述当前AI模型组。

8.一种用户基于用户标签的AI模型快速组合的装置，其特征在于，所述装置包括：

收发模块，用于获取登录用户信息的用户标签集，确定所述用户标签集中包括的用户标签；

处理模块，用于确定所述用户标签集中各用户标签分别对应的推荐AI模型子集，以组成推荐AI模型集；

处理模块，还用于将所述推荐AI模型集对应的模型名称填充至预先创建的模型容器中，得到初始模型容器数据；

处理模块，还用于获取与所述登录用户信息对应的历史编辑AI模型数据集，将所述历史编辑AI模型数据集对应的模型名称填充至所述模型容器中，得到当前模型容器数据；

处理模块，还用于获取从所述当前模型容器数据中所选定AI算法模型名称，根据所选定的各AI算法模型名称分别对应的AI模型填充至预先创建的画布容器中，得到当前AI模型组。

9.一种用于基于用户标签的AI模型快速组合的装置，其特征在于，所述装置包括：

至少一个处理器、存储器和收发器；

其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述的方法。

Images