CN114528973A - 业务处理模型的生成方法、业务处理方法和装置 - Google Patents
业务处理模型的生成方法、业务处理方法和装置 Download PDFInfo
- Publication number
- CN114528973A CN114528973A CN202111652826.2A CN202111652826A CN114528973A CN 114528973 A CN114528973 A CN 114528973A CN 202111652826 A CN202111652826 A CN 202111652826A CN 114528973 A CN114528973 A CN 114528973A
- Authority
- CN
- China
- Prior art keywords
- model
- service
- current
- business
- parameter
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本公开关于业务处理模型的生成方法、业务处理方法和装置,该方法包括:获取目标业务对应的业务数据和每一次模型构建时的当前模型构建参数,重复根据当前模型构建参数,构建目标业务对应的当前业务处理模型至基于业务处理结果和当前模型构建参数,更新当前模型构建参数的迭代操作,直至满足预设收敛条件。从已构建的当前业务处理模型中,确定目标业务对应的目标业务处理模型。该方法可以构建训练和测试一体化的模型性能验证流程,避免多流程训练导致的性能验证偏差,从而可以提高业务处理模型的生成的稳定性和模型训练的效率,同时在模型生成的过程中,可以实现多种类型的模型构建参数的确定,提高了参数确定的复用性。
Description
技术领域
本公开涉及深度学习技术领域,尤其涉及业务处理模型的生成方法、业务处理方法和装置。
背景技术
自从深度学习技术出现以来,其凭借着强大的非线性拟合能力以及在各个场景下的泛化性,在计算机视觉,自然语言处理以及推荐算法等领域逐步取代传统机器学习算法,成为当下人工智能主流技术。现有技术中,搭建神经网络的过程极其耗费算法工程师的精力和时间,同时设置神经网络的超参数也对算法工程师的工程经验有一定的要求,且已经训练好的模型后续可能存在多次调整,导致模型训练稳定性低的问题。
发明内容
本公开提供业务处理模型的生成方法、业务处理方法和装置,以至少解决相关技术中模型训练稳定性低的问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种业务处理模型的生成方法,所述方法包括:
根据当前模型构建参数,构建目标业务对应的当前业务处理模型,所述当前模型构建参数为预设模型构建参数;
基于所述目标业务对应的业务数据,对所述当前业务处理模型进行模型训练和模型测试,得到所述当前业务处理模型对应的训练后业务处理模型的业务测试结果,所述业务测试结果用于表征所述训练后业务处理模型对应的业务处理准确程度;
基于所述业务测试结果,更新所述当前模型构建参数,并跳转至根据当前模型构建参数,构建目标业务对应的当前业务处理模型的步骤,直至满足预设收敛条件;
从已构建的当前业务处理模型对应的训练后业务处理模型中,确定所述目标业务对应的目标业务处理模型。
作为一个可选的实施例,所述基于所述目标业务对应的业务数据,对所述当前业务处理模型进行模型训练和模型测试,得到所述当前业务处理模型对应的训练后业务处理模型的业务测试结果包括:
将所述业务数据划分为训练业务数据和测试业务数据;
基于所述训练业务数据,对所述当前业务处理模型进行模型训练,得到所述训练后业务处理模型;
基于所述测试业务数据,对所述训练后业务处理模型进行模型测试,得到所述训练后业务处理模型对应的业务测试结果。
作为一个可选的实施例,所述基于所述业务测试结果,更新所述当前模型构建参数包括:
将所述业务测试结果和所述当前模型构建参数输入到所述当前模型构建参数对应的参数确定模型中,基于所述业务测试结果和所述当前模型构建参数,对所述对应的参数确定模型进行更新,得到更新参数确定模型;
将所述当前模型构建参数输入到所述更新参数确定模型中,基于所述更新参数确定模型,更新所述当前模型构建参数。
作为一个可选的实施例,所述当前模型构建参数包括至少两种参数类型分别对应的模型构建参数,所述更新参数确定模型包括参数类型识别模块和不同参数类型对应的参数更新模块,所述将所述当前模型构建参数输入到所述更新参数确定模型中,基于所述更新参数确定模型,更新所述当前模型构建参数包括:
将所述当前模型构建参数输入到所述参数类型识别模块中,识别所述当前模型构建参数对应的目标参数类型;
基于与所述目标参数类型对应的参数更新模块,更新所述当前模型构建参数。
作为一个可选的实施例,所述获取预设模型构建参数包括:
从预设的参数范围中获取初始参数;
将所述初始参数输入到所述初始参数对应的参数确定模型中进行参数更新,得到所述预设模型构建参数。
作为一个可选的实施例,所述从已构建的当前业务处理模型中,确定所述目标业务对应的目标业务处理模型包括:
获取每个已构建的当前业务处理模型对应的业务测试结果;
将所述业务测试结果满足预设条件的当前业务处理模型作为所述目标业务处理模型。
根据本公开实施例的第二方面,提供一种业务处理方法,所述方法包括;
获取目标业务对应的待处理业务数据;
将所述待处理业务数据输入到基于上述的业务处理模型的生成方法得到的业务处理模型的生成方法得到的目标业务处理模型中进行业务处理,得到所述目标业务对应的业务处理结果。
根据本公开实施例的第三方面,提供一种业务处理模型的生成装置,所述装置包括:
模型构建模块,被配置为执行根据当前模型构建参数,构建目标业务对应的当前业务处理模型,所述当前模型构建参数为预设模型构建参数;
业务训练测试模块,被配置为执行基于所述目标业务对应的业务数据,对所述当前业务处理模型进行模型训练和模型测试,得到所述当前业务处理模型对应的训练后业务处理模型的业务测试结果,所述业务测试结果用于表征所述训练后业务处理模型对应的业务处理准确程度;
模型构建参数更新模块,被配置为基于所述业务测试结果,更新所述当前模型构建参数,并跳转至根据当前模型构建参数,构建目标业务对应的当前业务处理模型的步骤,直至满足预设收敛条件;
目标模型确定模块,被配置为执行从已构建的当前业务处理模型对应的训练后业务处理模型中,确定所述目标业务对应的目标业务处理模型。
作为一个可选的实施例,所述业务训练测试模块包括:
数据划分单元,被配置为执行将所述业务数据划分为训练业务数据和测试业务数据;
模型训练单元,被配置为执行基于所述训练业务数据,对所述当前业务处理模型进行模型训练,得到所述训练后业务处理模型;
模型测试单元,被配置为执行基于所述测试业务数据,对所述训练后业务处理模型进行模型测试,得到所述训练后业务处理模型对应的业务测试结果。
作为一个可选的实施例,所述模型构建参数更新模块包括:
参数确定模型更新单元,被配置为执行将所述业务测试结果和所述当前模型构建参数输入到所述当前模型构建参数对应的参数确定模型中,基于所述业务测试结果和所述当前模型构建参数,对所述对应的参数确定模型进行更新,得到更新参数确定模型;
模型构建参数更新单元,被配置为执行将所述当前模型构建参数输入到所述更新参数确定模型中,基于所述更新参数确定模型,更新所述当前模型构建参数。
作为一个可选的实施例,所述当前模型构建参数包括至少两种参数类型分别对应的模型构建参数,所述模型构建参数更新单元包括:
类型识别单元,被配置为执行将所述当前模型构建参数输入到所述参数类型识别模块中,识别所述当前模型构建参数对应的目标参数类型;
参数更新单元,被配置为执行基于与所述目标参数类型对应的参数更新模块,更新所述当前模型构建参数。
作为一个可选的实施例,所述装置还包括:
初始参数获取模块,被配置为执行从预设的参数范围中获取初始参数;
预设参数确定模块,被配置为执行将所述初始参数输入到所述初始参数对应的参数确定模型中进行参数更新,得到所述预设模型构建参数。
作为一个可选的实施例,所述目标模型确定模块包括:
业务测试结果获取单元,被配置为执行获取每个已构建的当前业务处理模型对应的业务测试结果;
目标模型确定单元,被配置为执行将所述业务测试结果满足预设条件的当前业务处理模型作为所述目标业务处理模型。
根据本公开实施例的第四方面,提供一种业务处理装置,所述装置包括:
待处理业务数据获取模块,被配置为执行获取目标业务对应的待处理业务数据;
业务处理模块,被配置为执行将所述待处理业务数据输入到基于上述的业务处理模型的生成方法得到的目标业务处理模型中进行业务处理,得到所述目标业务对应的业务处理结果。
根据本公开实施例的第五方面,提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如上述所述的业务处理模型的生成方法或如上述所述的业务处理方法。
根据本公开实施例的第六方面,提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如上述所述的业务处理模型的生成方法或如上述所述的业务处理方法。
根据本公开实施例的第七方面,提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述所述的业务处理模型的生成方法或如上述所述的业务处理方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
获取目标业务对应的业务数据和当前模型构建参数,重复根据当前模型构建参数,构建目标业务对应的当前业务处理模型至基于业务处理结果和当前模型构建参数,更新当前模型构建参数的迭代操作,直至满足预设收敛条件。从已构建的当前业务处理模型中,确定目标业务对应的目标业务处理模型。该方法可以构建训练和测试一体化的模型性能验证流程,避免多流程训练导致的性能验证偏差,从而可以提高业务处理模型的生成的稳定性和模型训练的效率,同时在模型生成的过程中,可以实现多种类型的模型构建参数的确定,提高了参数确定的复用性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理,并不构成对本公开的不当限定。
图1是根据一示例性实施例示出的一种业务处理模型的生成方法的业务场景示意图。
图2是根据一示例性实施例示出的一种业务处理模型的生成方法的流程图。
图3是根据一示例性实施例示出的一种业务处理模型的生成方法进行业务训练测试的流程图。
图4是根据一示例性实施例示出的一种业务处理模型的生成方法更新当前模型构建参数的流程图。
图5是根据一示例性实施例示出的一种业务处理模型的生成方法中基于更新参数确定模型,更新当前模型构建参数流程图。
图6是根据一示例性实施例示出的一种业务处理模型的生成方法中贝叶斯概率模型的结构示意图。
图7是根据一示例性实施例示出的一种生成目标业务对应的目标业务处理模型并应用该目标业务处理模型进行目标业务处理的方法的流程图。
图8是根据一示例性实施例示出的一种业务处理模型的生成装置的框图。
图9是根据一示例性实施例示出的一种业务处理装置的框图。
图10是根据一示例性实施例示出的一种服务器侧的电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本公开实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是,本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
图1是根据一示例性实施例示出的一种业务处理模型的生成方法的业务场景示意图,如图1所示,该业务场景包括客户端110和服务器120。客户端110采集目标业务对应的业务数据,传输到服务器120,服务器120获取目标业务对应的业务数据和预设模型构建参数,将预设模型构建参数作为当前模型构建参数,基于业务数据对当前业务处理模型进行业务训练测试,可以得到当前业务处理模型对应的业务测试结果。服务器120基于业务测试结果,更新当前模型构建参数,并基于更新后的当前模型构建参数,重复根据当前模型构建参数,构建目标业务对应的当前业务处理模型至基于业务处理结果和当前模型构建参数,更新当前模型构建参数的迭代操作,直至满足预设收敛条件。服务器120从已构建的当前业务处理模型中,确定目标业务对应的目标业务处理模型。服务器120基于目标业务处理模型执行目标业务,并发送业务执行结果到客户端110
在本公开实施例中,客户端110包括智能手机、台式电脑、平板电脑、笔记本电脑、数字助理、智能可穿戴设备等类型的实体设备,也可以包括运行于实体设备中的软体,例如应用程序等。本申请实施例中实体设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux、Unix、windows等。客户端110包括UI(User Interface,用户界面)层,客户端110通过UI层对外提供业务执行结果的显示以及业务数据的采集,另外,基于API(Application Programming Interface,应用程序接口)将数据分析所需的数据发送给服务器120。
在本公开实施例中,服务器120可以包括一个独立运行的服务器,或者分布式服务器,或者由多个服务器组成的服务器集群。服务器120可以包括有网络通信单元、处理器和存储器等等。具体的,服务器120可以用于生成目标业务处理模型,并基于目标业务处理模型执行业务处理。
图2是根据一示例性实施例示出的一种业务处理模型的生成方法的流程图,如图2所示,该方法用于服务器中,包括以下步骤。
S210.根据当前模型构建参数,构建目标业务对应的当前业务处理模型,当前模型构建参数为预设模型构建参数;
作为一个可选的实施例,在第一次模型构建时,设置预设模型构建参数为当前模型构建参数。在非第一次模型构建时,将每一次模型构建的上一次模型构建对应的模型构建参数的参数更新结果作为当前模型构建参数。
作为一个可选的实施例,当前模型构建参数包括模型网络结构参数和训练超参数。模型网络结构参数为确定当前业务处理模型的网络结构的参数,可以包括网络层数、神经元个数、每一层神经元引入的输入特征等,训练超参数为确定当前业务处理模型的训练配置信息的参数,可以包括学习率、优化器、批量归一化处理尺寸等。
在构建当前业务处理模型时,可以基于当前模型构建参数中的模型网络结构参数,确定当前业务处理模型的网络结构,并基于当前模型构建参数中的训练超参数,确定当前业务处理模型的训练配置信息,基于网络结构和训练配置信息,可以得到当前业务处理模型。作为一个可选的实施例,在当前模型构建参数包括至少两种参数类型对应的模型构建参数的情况下,基于该至少两种参数类型对应的模型构建参数,构建目标业务对应的当前业务处理模型。
作为一个可选的实施例,当前模型构建参数对应的参数类型可以包括离散参数类型和连续参数类型,离散参数类型对应的参数范围为离散数据区间,连续参数类型对应的参数范围为连续数据区间。例如:模型网络结构参数中的网络层数、神经元个数、每一层神经元引入的输入特征等属于离散参数类型。训练超参数中的学习率、批量归一化处理尺寸属于连续参数类型。
作为一个可选的实施例,该方法还包括:
从预设的参数范围中获取初始参数;
将初始参数输入到初始参数对应的参数确定模型中进行参数更新,得到预设模型构建参数。
作为一个可选的实施例,服务器可以在预设的参数范围中随机确定一个数值作为初始参数。基于预设的参数范围可以对初始参数对应的参数类型进行识别,确定初始参数对应的参数确定模型中的参数更新模块。预设的参数范围可以为连续参数范围或者离散参数范围,连续参数范围可以为连续数据区间,离散参数范围可以为离散数据区间。在初始的参数范围为连续参数范围时,初始参数对应的参数确定模型中的参数更新模块为用于确定连续参数的参数更新模块,在初始的参数范围为离散参数范围时,初始参数对应的参数确定模型中的参数更新模块为用于确定离散参数的参数更新模块。初始参数对应的参数确定模型为基于先验分布确定参数的模型。将初始参数输入到初始参数对应的参数确定模型中进行参数更新,可以得到预设模型构建参数。初始参数对应的参数确定模型即预设模型构建参数对应的当前参数确定模型。
作为一个可选的实施例,从预设模型构建参数开始,可以基于当前模型构建参数,确定当前业务处理模型,从而得到当前业务处理模型对应的业务测试结果。基于该业务测试结果,可以对当前模型构建参数对应的参数确定模型进行更新,从而基于更新后的参数确定模型,更新当前模型构建参数。其中,业务测试结果包括后验分布信息,因此更新后的参数确定模型为基于先验分布和后验分布确定参数的模型。也就是说非初始参数对应的参数确定模型为基于先验分布和后验分布确定参数的模型。
将初始参数输入到初始参数对应的参数确定模型中进行参数更新,先确定出预设模型构建参数,从而可以基于预设模型构建参数进行模型验证和参数迭代,便于执行后续步骤。且还可以基于预设的参数范围,确定初始参数对应的参数类型,从而实现对不同参数类型的参数进行确定,提高参数确定的复用性。
S220.基于目标业务对应的业务数据,对当前业务处理模型进行模型训练和模型测试,得到当前业务处理模型对应的训练后业务处理模型的业务测试结果,业务测试结果用于表征训练后业务处理模型对应的业务处理准确程度;
作为一个可选的实施例,目标业务表征待构建的模型执行的业务,目标业务可以包括推荐业务、分类业务等。预设模型构建参数为用于进行第一次模型构建的参数。业务数据可以包括待执行目标业务的样本数据,该样本数据对应有业务标注信息,业务标注信息可以表示该样本数据对应的执行结果。例如,在推荐业务为目标业务时,业务数据可以为基于样本对象的对象属性信息和样本对象对应的样本多媒体资源对应的资源属性信息得到的样本对象资源信息,该样本对象资源信息则对应推荐标注信息,推荐标注信息标识样本对象资源信息是否向样本对象推荐。对业务数据可以进行特征预处理操作以及特征嵌入操作。
作为一个可选的实施例,基于业务数据,对当前业务处理模型进行训练,并对训练后的当前业务处理模型进行测试,得到训练后的当前业务处理模型的业务测试结果。
作为一个可选的实施例,请参见图3,基于目标业务对应的业务数据,对当前业务处理模型进行模型训练和模型测试,得到当前业务处理模型对应的训练后业务处理模型的业务测试结果包括:
S310.将业务数据划分为训练业务数据和测试业务数据;
S320.基于训练业务数据,对当前业务处理模型进行模型训练,得到训练后业务处理模型;
S330.基于测试业务数据,对训练后业务处理模型进行模型测试,得到训练后业务处理模型对应的业务测试结果。
作为一个可选的实施例,将业务数据划分为训练业务数据和测试业务数据时,可以基于预设的数据分配信息进行划分,数据分配信息包括训练业务数据对应的数据比例信息和测试业务数据对应的数据比例信息,例如将80%的业务数据作为训练业务数据,将20%的业务数据作为测试业务数据。
作为一个可选的实施例,将训练业务数据输入到当前业务处理模型中进行业务处理,得到业务训练信息。基于业务训练信息和训练业务数据对应的业务标注信息,确定损失信息,基于损失信息,对当前业务处理模型进行训练,得到训练后业务处理模型。将测试业务数据输入到训练后业务处理模型中进行业务处理,得到业务测试信息。基于业务测试信息和测试业务数据对应的业务标注信息,得到业务测试结果,该业务测试结果表征训练后业务处理模型执行业务处理时的准确程度,该业务测试结果可以为业务准确率、业务召回率等。
例如,在目标业务为推荐业务的情况下,业务数据可以为样本对象资源信息,样本对象资源信息为基于样本对象的对象属性信息和样本对象对应的样本多媒体资源对应的资源属性信息得到的,样本多媒体资源包括正样本多媒体资源和负样本多媒体资源,业务标注信息则为推荐标注信息,可以为样本多媒体资源对应的点击率标签,正样本多媒体资源的点击率标签为1,负样本多媒体资源的点击率标签为0。将样本对象资源信息输入到推荐业务对应的当前业务处理模型中进行推荐处理,得到推荐指标训练信息,推荐指标训练信息即为业务训练信息。基于推荐指标训练信息、正样本多媒体资源对应的推荐标注信息、以及负样本多媒体资源对应的推荐标注信息,确定推荐损失信息,基于推荐损失信息,对推荐业务对应的当前业务处理模型进行训练,得到训练后业务处理模型。
在基于当前模型构建参数,构建目标业务对应的当前业务处理模型之后,对当前业务处理模型进行训练和测试,从而可以构建训练和测试一体化的模型性能验证流程,避免多流程训练导致的性能验证偏差,从而可以提高业务处理模型的生成的稳定性和模型训练的效率。
S230.基于业务测试结果,更新当前模型构建参数,并跳转至根据当前模型构建参数,构建目标业务对应的当前业务处理模型的步骤,直至满足预设收敛条件;
作为一个可选的实施例,基于业务测试结果,更新当前模型构建参数后,可以基于更新后的当前模型构建参数进行下一次模型构建。
作为一个可选的实施例,跳转至根据当前模型构建参数,构建目标业务对应的当前业务处理模型的步骤时,基于更新后的当前模型构建参数,重复根据当前模型构建参数,构建目标业务对应的当前业务处理模型至基于业务处理结果和当前模型构建参数,更新当前模型构建参数的迭代操作,直至满足预设收敛条件;
预设收敛条件可以为服务器的计算资源小于预设的资源阈值,该资源阈值表征服务器的计算资源不能再计算出更新后的当前模型构建参数。在服务器的计算资源为零的情况下,也可以视为满足预设收敛条件。
作为一个可选的实施例,请参见图4,基于业务测试结果,更新当前模型构建参数包括:
S410.将业务测试结果和当前模型构建参数输入到当前模型构建参数对应的参数确定模型中,基于业务测试结果和当前模型构建参数,对当前模型构建参数对应的参数确定模型进行更新,得到更新参数确定模型;
S420.将当前模型构建参数输入到更新参数确定模型中,基于更新参数确定模型,更新当前模型构建参数。
作为一个可选的实施例,业务测试结果为参数确定模型的后验结果,基于业务测试结果和当前模型更新构建参数,对当前模型构建参数对应的参数确定模型进行更新时,可以将业务测试结果对应的后验结果增加到当前模型构建参数对应的参数确定模型中,使得更新参数确定模型中携带有后验分布信息。
作为一个可选的实施例,业务测试结果和当前模型更新构建参数可以作为曲线坐标数据,以业务测试结果为y值,以当前模型更新构建参数为x值,对参数确定模型中的分布信息对应的函数曲线进行拟合,从而在先验分布信息中增加后验分布信息,使得更新参数确定模型中携带有后验分布信息。
作为一个可选的实施例,将当前模型构建参数输入到更新参数确定模型中进行参数确定,可以基于更新参数确定模型对当前模型构建参数进行更新,确定更新模型构建参数,该更新模型构建参数为当前模型构建参数的下一个参数采样点对应的数据。
将业务测试结果作为后验信息增加到当前参数确定模型中,可以基于业务测试结果对当前参数确定模型进行修正,再基于修正后的参数确定模型进行下一模型构建参数的确定,从而提高参数确定的准确性。
作为一个可选的实施例,请参见图5,当前模型构建参数包括至少两种参数类型分别对应的模型构建参数,更新参数确定模型包括参数类型识别模块和不同参数类型对应的参数更新模块,将当前模型构建参数输入到更新参数确定模型中,基于更新参数确定模型,更新当前模型构建参数包括:
S510.将当前模型构建参数输入到参数类型识别模块中,识别当前模型构建参数对应的目标参数类型;
S520.基于与目标参数类型对应的参数更新模块,更新当前模型构建参数。
作为一个可选的实施例,将当前模型构建参数输入到参数类型识别模型中,基于当前模型构建参数对应的预设参数范围,识别当前模型构建参数对应的目标参数类型。在预设参数范围为离散数据区间时,目标参数类型为离散参数类型,在预设参数范围为连续数据区间时,目标参数类型为连续参数类型。
作为一个可选的实施例,至少两种参数类型可以包括离散参数类型和连续参数类型。离散参数类型和连续参数类型分别对应不同的参数更新模块。更新参数确定模型可以为贝叶斯概率模型,如图6所示的贝叶斯概率模型的结构示意图,贝叶斯概率模型包括代理模型和采集函数,代理模型为模型构建参数对应的分布信息,其中,离散参数类型对应的模型构建参数所对应的分布信息为离散分布,连续参数类型对应的模型构建参数所对应的分布信息为连续分布。基于业务测试结果和当前模型构建参数,可以对代理模型进行更新。代理模型可以为高斯分布或者随机森林分布等。采集函数用于基于更新后的代理模型,确定当前模型构建参数的下一模型构建参数。采集函数可以为概率提升函数(probability ofimprovement,PI),PI在更新当前模型构建参数时,采集更新后的代理模型中当前评估概率最大的点。采集函数还可以为期望提升函数(Expected Improvement,EI),EI在更新当前模型构建参数时,采集更新后的代理模型中当前期望最大的点。
基于业务测试结果和当前模型构建参数,对代理模型的曲线进行拟合,得到更新后的代理模型。将当前模型构建参数输入到更新后的代理模型中,更新后的代理模型可以计算当前模型构建参数以及当前模型构建参数之前的模型构建参数对应的均值和方差,采集函数则基于更新后的代理模型输出的均值和方差,确定更新后的代理模型中每一个采样点可能成为下一模型构建参数的期望。下一模型构建参数可以为采集函数对应的极值点。采集函数在确定下一模型构建参数的过程中,可以基于探索策略和利用策略进行确定,探索策略为从预设参数范围内未采集的参数区间中获取下一模型构建参数,利用策略为确定业务测试结果中满足预设条件的业务测试结果对应的当前模型构建参数,从满足预设条件的业务测试结果对应的当前模型构建参数相邻的参数区间中获取下一模型构建参数。满足预设条件的业务测试结果可以为大于等于预设准确程度阈值的业务测试结果。
作为一个可选的实施例,贝叶斯概率模型中离散参数类型对应的参数更新模块包括离散代理模型和采集函数,离散代理模型对应的分布信息为离散分布。贝叶斯概率模型中连续参数类型对应的参数更新模块包括连续代理模型和采集函数,连续代理模型对应的分布信息为连续分布。
基于贝叶斯概率模型进行参数确定,可以对贝叶斯概率模型中的代理模型和采集函数进行修正,并基于探索策略和利用策略,避免局部最优点的问题,从而提高了生成的业务处理模型的质量,使得生成的业务处理模型能够更有效地执行目标业务。且将不同参数类型的模型构建参数统一采用参数确定模型进行参数确定,避免了模型网络结构参数和训练超参数不匹配的问题,从而可以更好地挖掘当前业务处理模型的性能潜力,提高当前业务处理模型的性能。
S240.从已构建的当前业务处理模型中,确定目标业务对应的目标业务处理模型。
作为一个可选的实施例,在满足预设收敛条件的情况下,获取每个当前模型构建参数对应的当前业务处理模型,即得到已构建的当前业务处理模型。从已构建的当前业务处理模型中,可以确定目标业务对应的目标业务处理模型。
作为一个可选的实施例,从已构建的当前业务处理模型中,确定目标业务对应的目标业务处理模型包括:
获取每个已构建的当前业务处理模型对应的业务测试结果;
将业务测试结果满足预设条件的当前业务处理模型作为目标业务处理模型。
作为一个可选的实施例,获取每个已构建的当前业务处理模型对应的业务测试结果,将业务测试结果与预设的目标测试结果进行对比,将业务测试结果大于等于目标测试结果的当前业务处理模型作为目标业务处理模型。例如,在业务测试结果为业务准确率时,目标测试结果可以为业务准确率,将每个已构建的当前业务处理模型对应的业务准确率与预设的目标业务准确率进行对比,将业务准确率大于等于目标业务准确率的当前业务处理模型作为目标业务处理模型。在业务测试结果为业务召回率时,目标测试结果可以为业务召回率,将每个已构建的当前业务处理模型对应的业务召回率与预设的目标业务召回率进行对比,将业务召回率大于等于目标业务召回率的当前业务处理模型作为目标业务处理模型。
将业务测试结果满足预设条件的当前业务处理模型可以作为目标业务处理模型,使得目标业务处理模型可以满足预设的业务需求,从而保证目标业务处理模型的质量。
作为一个可选的实施例,提供了一种业务处理方法,该方法包括;
获取目标业务对应的待处理业务数据;
将待处理业务数据输入到基于上述业务处理模型的生成方法得到的目标业务处理模型中进行业务处理,得到目标业务对应的业务处理结果。
作为一个可选的实施例,在进行目标业务处理时,可以基于上述业务处理模型的生成方法得到目标业务处理模型,获取目标业务对应的待处理业务数据,将待处理业务数据输入到该目标业务处理模型中进行业务处理,可以得到业务处理结果。
例如,在进行推荐业务处理时,可以基于上述业务处理模型的生成方法得到推荐业务对应的目标业务处理模型,获取推荐业务对应的对象资源信息,该对象资源信息为基于目标对象对应的对象属性信息和待推荐多媒体资源对应的资源属性信息得到的,即为待处理业务数据,将对象资源信息输入到该目标业务处理模型中进行业务处理,可以得到业务处理结果。
基于上述业务处理模型的生成方法得到目标业务处理模型后,可以基于目标业务处理模型执行目标业务处理,由于目标业务处理模型为避免了性能验证偏差问题,以及模型网络结构参数和训练超参数不匹配的问题等得到的业务处理模型,因此可以提高业务处理的有效性和准确性。
作为一个可选的实施例,提供了生成目标业务对应的目标业务处理模型并应用该目标业务处理模型进行目标业务处理的方法,请参见图7,如图7所示:
S710.根据当前模型构建参数,构建目标业务对应的当前业务处理模型,当前模型构建参数为预设模型构建参数;
S720.基于目标业务对应的训练业务数据,对当前业务处理模型进行模型训练,得到训练后业务处理模型;
S730.基于目标业务对应的测试业务数据,对训练后业务处理模型进行模型测试,得到训练后业务处理模型对应的业务测试结果;
S740.将业务测试结果和当前模型构建参数输入到当前模型构建参数对应的参数确定模型中,基于业务测试结果和当前模型构建参数,对当前模型构建参数对应的参数确定模型进行更新,得到更新参数确定模型;
S750.将当前模型构建参数输入到参数确定模型对应的参数类型识别模块中,识别当前模型构建参数对应的目标参数类型;
S760.基于与目标参数类型对应的参数更新模块,更新当前模型构建参数;
S770.在更新当前模型构建参数之后,跳转至根据当前模型构建参数,构建目标业务对应的当前业务处理模型的步骤,直至满足预设收敛条件;
S780.从已构建的当前业务处理模型对应的训练后业务处理模型中,确定目标业务对应的目标业务处理模型。
作为一个可选的实施例,从预设参数范围中确定初始参数后,将初始参数输入到初始参数对应的参数确定模型中进行参数确定,得到预设模型构建参数。初始参数对应的参数确定模型为基于先验分布信息构建得到的参数确定模型,初始参数对应的参数确定模型不具有后验分布信息。初始参数对应的参数确定模型输出的参数为预设模型构建参数,因此该初始参数对应的参数确定模型也就是预测模型构建参数对应的当前参数确定模型。
获取目标业务对应的业务数据,并将预设模型构建参数作为当前模型构建参数,基于预设模型构建参数,可以构建目标业务对应的第一个业务处理模型。
将业务数据划分为训练业务数据和测试业务数据,基于训练业务数据,对第一个业务处理模型进行模型训练,可以得到已训练的第一个业务处理模型。基于测试业务数据,对已训练的第一个业务处理模型进行模型测试,可以得到第一个业务测试结果。
将第一个业务测试结果和预设模型构建参数输入到预测模型构建参数对应的当前参数确定模型中,基于第一个业务测试结果和预设模型构建参数,可以对预测模型构建参数对应的参数确定模型进行更新,得到第一个更新参数确定模型。将预设模型构建参数输入到第一个更新参数确定模型中,识别预设模型构建参数对应的目标参数类型,基于与目标参数类型对应的参数更新模块进行参数确定,可以得到第二个模型构建参数。
将第二个模型构建参数作为当前模型构建参数,基于第二个模型构建参数,可以构建目标业务对应的第二个业务处理模型。
基于训练业务数据,对第二个业务处理模型进行模型训练,可以得到已训练的第二个业务处理模型。基于测试业务数据,对已训练的第二个业务处理模型进行模型测试,可以得到第二个业务测试结果。
将第二个业务测试结果和第二个模型构建参数输入到第二个模型构建参数对应的当前参数确定模型中,基于第二个业务测试结果和第二个模型构建参数,可以对第二个模型构建参数对应的当前参数确定模型进行更新,得到第二个更新参数确定模型。将第二个模型构建参数输入到第二个更新参数确定模型中,识别第二个模型构建参数对应的目标参数类型,基于与目标参数类型对应的参数更新模块进行参数确定,可以得到第三个模型构建参数。将第三个模型构建参数作为当前模型构建参数,以此类推,基于当前模型构建参数,可以构建目标业务对应的当前业务处理模型。
基于训练业务数据,对当前业务处理模型进行模型训练,可以得到当前业务处理模型对应的训练后业务处理模型。基于测试业务数据,对训练后业务处理模型进行模型测试,可以得到业务测试结果。
将业务测试结果和当前模型构建参数输入到当前模型构建参数对应的当前参数确定模型中,基于业务测试结果和当前模型构建参数,可以对当前模型构建参数对应的当前参数确定模型进行更新,得到当前更新参数确定模型。将当前模型构建参数输入到当前更新参数确定模型中,识别当前模型构建参数对应的目标参数类型,基于与目标参数类型对应的参数更新模块进行参数确定,可以得到更新后的当前模型构建参数。
在满足预设条件的情况下,可以从已构建的当前业务处理模型对应的训练后业务处理模型中,确定目标业务对应的目标业务处理模型。
在得到目标业务处理模型后执行目标业务处理,可以获取目标业务对应的待处理业务数据,将待处理业务数据输入到该目标业务处理模型中进行业务处理,得到业务处理结果。
本公开实施例提出了一种业务处理模型的生成方法,该方法包括:获取目标业务对应的业务数据和预设模型构建参数,将预设模型构建参数作为当前模型构建参数,基于业务数据对当前业务处理模型进行业务训练测试,可以得到当前业务处理模型对应的业务测试结果。基于业务测试结果,更新当前模型构建参数,并基于更新后的当前模型构建参数,重复根据当前模型构建参数,构建目标业务对应的当前业务处理模型至基于业务处理结果和当前模型构建参数,更新当前模型构建参数的迭代操作,直至满足预设收敛条件。从已构建的当前业务处理模型中,确定目标业务对应的目标业务处理模型。该方法可以构建训练和测试一体化的模型性能验证流程,避免多流程训练导致的性能验证偏差,从而可以提高业务处理模型的生成的稳定性和模型训练的效率,同时在模型生成的过程中,可以实现多种类型的模型构建参数的确定,提高了参数确定的复用性。
图8是根据一示例性实施例示出的一种业务处理模型的生成装置框图。参照图8,该装置包括:
模型构建模块810,被配置为执行根据当前模型构建参数,构建目标业务对应的当前业务处理模型,当前模型构建参数为预设模型构建参数;
业务训练测试模块820,被配置为执行基于目标业务对应的业务数据,对当前业务处理模型进行模型训练和模型测试,得到当前业务处理模型对应的训练后业务处理模型的业务测试结果,业务测试结果用于表征训练后业务处理模型对应的业务处理准确程度;
模型构建参数更新模块830,被配置为基于业务测试结果,更新当前模型构建参数,并跳转至根据当前模型构建参数,构建目标业务对应的当前业务处理模型的步骤,直至满足预设收敛条件;
目标模型确定模块840,被配置为执行从已构建的当前业务处理模型对应的训练后业务处理模型中,确定目标业务对应的目标业务处理模型。
作为一个可选的实施例,业务训练测试模块820包括:
数据划分单元,被配置为执行将业务数据划分为训练业务数据和测试业务数据;
模型训练单元,被配置为执行基于训练业务数据,对当前业务处理模型进行模型训练,得到训练后业务处理模型;
模型测试单元,被配置为执行基于测试业务数据,对训练后业务处理模型进行模型测试,得到训练后业务处理模型对应的业务测试结果。
作为一个可选的实施例,模型构建参数更新模块830包括:
参数确定模型更新单元,被配置为执行将业务测试结果和当前模型构建参数输入到当前模型构建参数对应的参数确定模型中,基于业务测试结果和当前模型构建参数,对对应的参数确定模型进行更新,得到更新参数确定模型;
模型构建参数更新单元,被配置为执行将当前模型构建参数输入到更新参数确定模型中,基于更新参数确定模型,更新当前模型构建参数。
作为一个可选的实施例,当前模型构建参数包括至少两种参数类型分别对应的模型构建参数,模型构建参数更新单元包括:
类型识别单元,被配置为执行将当前模型构建参数输入到参数类型识别模块中,识别当前模型构建参数对应的目标参数类型;
参数更新单元,被配置为执行基于与目标参数类型对应的参数更新模块,更新当前模型构建参数。
作为一个可选的实施例,该装置包括:
初始参数获取模块,被配置为执行从预设的参数范围中获取初始参数;
预设参数确定模块,被配置为执行将初始参数输入到初始参数对应的参数确定模型中进行参数更新,得到预设模型构建参数。
作为一个可选的实施例,目标模型确定模块840包括:
业务测试结果获取单元,被配置为执行获取每个已构建的当前业务处理模型对应的业务测试结果;
目标模型确定单元,被配置为执行将业务测试结果满足预设条件的当前业务处理模型作为目标业务处理模型。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图9是根据一示例性实施例示出的一种业务处理装置框图。参照图9,该装置包括:
待处理业务数据获取模块910,被配置为执行获取目标业务对应的待处理业务数据;
业务处理模块920,被配置为执行将待处理业务数据输入到基于上述业务处理模型的生成方法得到的业务处理模型的生成方法得到的目标业务处理模型中进行业务处理,得到所述目标业务对应的业务处理结果。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图10是根据一示例性实施例示出的一种用于业务处理模型的生成或用于业务处理的电子设备的框图,该电子设备可以是服务器,其内部结构图可以如图10所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该电子设备的处理器用于提供计算和控制能力。该电子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和计算机程序。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。该电子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业务处理模型的生成方法或一种业务处理方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本公开方案相关的部分结构的框图,并不构成对本公开方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器1004,上述指令可由电子设备1000的处理器1020执行以完成上述方法。可选地,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现如上述的业务处理模型的生成方法或如上述的业务处理方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种业务处理模型的生成方法,其特征在于,所述方法包括:
根据当前模型构建参数,构建目标业务对应的当前业务处理模型,所述当前模型构建参数为预设模型构建参数;
基于所述目标业务对应的业务数据,对所述当前业务处理模型进行模型训练和模型测试,得到所述当前业务处理模型对应的训练后业务处理模型的业务测试结果,所述业务测试结果用于表征所述训练后业务处理模型对应的业务处理准确程度;
基于所述业务测试结果,更新所述当前模型构建参数,并跳转至根据当前模型构建参数,构建目标业务对应的当前业务处理模型的步骤,直至满足预设收敛条件;
从已构建的当前业务处理模型对应的训练后业务处理模型中,确定所述目标业务对应的目标业务处理模型。
2.根据权利要求1所述的业务处理模型的生成方法,其特征在于,所基于所述目标业务对应的业务数据,对所述当前业务处理模型进行模型训练和模型测试,得到所述当前业务处理模型对应的训练后业务处理模型的业务测试结果包括:
将所述业务数据划分为训练业务数据和测试业务数据;
基于所述训练业务数据,对所述当前业务处理模型进行模型训练,得到所述训练后业务处理模型;
基于所述测试业务数据,对所述训练后业务处理模型进行模型测试,得到所述训练后业务处理模型对应的业务测试结果。
3.根据权利要求1所述的业务处理模型的生成方法,其特征在于,所述基于所述业务测试结果,更新所述当前模型构建参数包括:
将所述业务测试结果和所述当前模型构建参数输入到所述当前模型构建参数对应的参数确定模型中,基于所述业务测试结果和所述当前模型构建参数,对所述对应的参数确定模型进行更新,得到更新参数确定模型;
将所述当前模型构建参数输入到所述更新参数确定模型中,基于所述更新参数确定模型,更新所述当前模型构建参数。
4.根据权利要求3所述的业务处理模型的生成方法,其特征在于,所述当前模型构建参数包括至少两种参数类型分别对应的模型构建参数,所述更新参数确定模型包括参数类型识别模块和不同参数类型对应的参数更新模块,所述将所述当前模型构建参数输入到所述更新参数确定模型中,基于所述更新参数确定模型,更新所述当前模型构建参数包括:
将所述当前模型构建参数输入到所述参数类型识别模块中,识别所述当前模型构建参数对应的目标参数类型;
基于与所述目标参数类型对应的参数更新模块,更新所述当前模型构建参数。
5.一种业务处理方法,其特征在于,所述方法包括:
获取目标业务对应的待处理业务数据;
将所述待处理业务数据输入到基于权利要求1到4任一项所述的业务处理模型的生成方法得到的目标业务处理模型中进行业务处理,得到所述目标业务对应的业务处理结果。
6.一种业务处理模型的生成装置,其特征在于,所述装置包括:
模型构建模块,被配置为执行根据当前模型构建参数,构建目标业务对应的当前业务处理模型,所述当前模型构建参数为预设模型构建参数;
业务训练测试模块,被配置为执行基于所述目标业务对应的业务数据,对所述当前业务处理模型进行模型训练和模型测试,得到所述当前业务处理模型对应的训练后业务处理模型的业务测试结果,所述业务测试结果用于表征所述训练后业务处理模型对应的业务处理准确程度;
模型构建参数更新模块,被配置为基于所述业务测试结果,更新所述当前模型构建参数,并跳转至根据当前模型构建参数,构建目标业务对应的当前业务处理模型的步骤,直至满足预设收敛条件;
目标模型确定模块,被配置为执行从已构建的当前业务处理模型对应的训练后业务处理模型中,确定所述目标业务对应的目标业务处理模型。
7.一种业务处理装置,其特征在于,所述装置包括:
待处理业务数据获取模块,被配置为执行获取目标业务对应的待处理业务数据;
业务处理模块,被配置为执行将所述待处理业务数据输入到基于权利要求1到4任一项所述的业务处理模型的生成方法得到的目标业务处理模型中进行业务处理,得到所述目标业务对应的业务处理结果。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至4中任一项所述的业务处理模型的生成方法,或如权利要求5所述的业务处理方法。
9.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至4中任一项所述的业务处理模型的生成方法,或如权利要求5所述的业务处理方法。
10.一种计算机程序产品,包括计算机程序,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4中任一项所述的业务处理模型的生成方法,或如权利要求5所述的业务处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111652826.2A CN114528973A (zh) | 2021-12-30 | 2021-12-30 | 业务处理模型的生成方法、业务处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111652826.2A CN114528973A (zh) | 2021-12-30 | 2021-12-30 | 业务处理模型的生成方法、业务处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114528973A true CN114528973A (zh) | 2022-05-24 |
Family
ID=81620039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111652826.2A Pending CN114528973A (zh) | 2021-12-30 | 2021-12-30 | 业务处理模型的生成方法、业务处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114528973A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017844A (zh) * | 2022-08-03 | 2022-09-06 | 阿里巴巴(中国)有限公司 | 设计参数调整方法、装置、电子设备和存储介质 |
-
2021
- 2021-12-30 CN CN202111652826.2A patent/CN114528973A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017844A (zh) * | 2022-08-03 | 2022-09-06 | 阿里巴巴(中国)有限公司 | 设计参数调整方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766940B (zh) | 用于生成模型的方法和装置 | |
CN108280477B (zh) | 用于聚类图像的方法和装置 | |
CN108229419B (zh) | 用于聚类图像的方法和装置 | |
US11636314B2 (en) | Training neural networks using a clustering loss | |
CN110766142A (zh) | 模型生成方法和装置 | |
CN110119477B (zh) | 一种信息推送方法、装置和存储介质 | |
CN113761261A (zh) | 图像检索方法、装置、计算机可读介质及电子设备 | |
CN114332984B (zh) | 训练数据处理方法、装置和存储介质 | |
JP2024503774A (ja) | 融合パラメータの特定方法及び装置、情報推奨方法及び装置、パラメータ測定モデルのトレーニング方法及び装置、電子機器、記憶媒体、並びにコンピュータプログラム | |
CN114492601A (zh) | 资源分类模型的训练方法、装置、电子设备及存储介质 | |
WO2020140624A1 (zh) | 从日志中提取数据的方法和相关设备 | |
CN113190444B (zh) | 一种测试方法、装置及存储介质 | |
CN114528973A (zh) | 业务处理模型的生成方法、业务处理方法和装置 | |
CN110866609B (zh) | 解释信息获取方法、装置、服务器和存储介质 | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
Yang et al. | Efficient knowledge management for heterogenous federated continual learning on resource-constrained edge devices | |
CN113610215B (zh) | 任务处理网络生成、任务处理方法、装置及电子设备 | |
CN115577797A (zh) | 一种基于本地噪声感知的联邦学习优化方法及系统 | |
CN114268625B (zh) | 特征选择方法、装置、设备及存储介质 | |
CN110502715B (zh) | 点击概率的预测方法及装置 | |
CN111949530B (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
CN113627514A (zh) | 知识图谱的数据处理方法、装置、电子设备和存储介质 | |
CN114385918A (zh) | 消息推送方法、装置、计算机设备及存储介质 | |
CN113628077A (zh) | 生成不重复考题的方法、终端及可读存储介质 | |
CN111177015A (zh) | 应用程序质量识别方法、装置、计算机设备和存储介质 |
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 |