CN114860411A

CN114860411A - 多任务学习方法、装置、电子设备和存储介质

Info

Publication number: CN114860411A
Application number: CN202210547734.6A
Authority: CN
Inventors: 王震; 张文慧; 吴志华; 于佃海
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2022-05-17
Filing date: 2022-05-17
Publication date: 2022-08-05
Anticipated expiration: 2042-05-17
Also published as: CN114860411B

Abstract

本公开提供了一种多任务学习方法，涉及人工智能领域，尤其涉及多任务学习领域。具体实现方案为：将M个任务中的任意N个任务进行组合，得到多个任务组，其中，M个任务各自设置有标签序列，标签序列表示针对对应任务的预测结果的集合，M为大于2的整数，N为大于1的整数，且M＞N；针对每个任务组，根据该任务组中的每个任务的标签序列，确定该任务组中的N个任务之间的相关度；根据相关度，从多个任务组中确定目标任务组；以及对目标任务组中的N个任务进行多任务学习。本公开还提供了一种多任务学习装置、电子设备和存储介质。

Description

多任务学习方法、装置、电子设备和存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及多任务学习技术。更具体地，本公开提供了一种多任务学习方法、装置、电子设备和存储介质。

背景技术

深度学习中，优化多于一个目标函数的任务可以称为多任务。对于多任务学习，如何快速选择合适的多个任务进行共同训练成为亟待解决的问题。

发明内容

本公开提供了一种多任务学习方法、装置、设备以及存储介质。

根据第一方面，提供了一种多任务学习方法，该方法包括：将M个任务中的任意N个任务进行组合，得到多个任务组，其中，M个任务各自设置有标签序列，标签序列表示针对对应任务的预测结果的集合，M为大于2的整数，N为大于1的整数，且M＞N；针对每个任务组，根据该任务组中的每个任务的标签序列，确定该任务组中的N个任务之间的相关度；根据相关度，从多个任务组中确定目标任务组；以及对目标任务组中的N个任务进行多任务学习。

根据第二方面，提供了一种多任务学习装置，该装置包括：组合模块，用于将M个任务中的任意N个任务进行组合，得到多个任务组，其中，M个任务各自设置有标签序列，标签序列表示针对对应任务的预测结果的集合，M为大于2的整数，N为大于1的整数，且M＞N；第一确定模块，用于针对每个任务组，根据该任务组中的每个任务的标签序列，确定该任务组中的N个任务之间的相关度；第二确定模块，用于根据相关度，从多个任务组中确定目标任务组；以及学习模块，用于对目标任务组中的N个任务进行多任务学习。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。

根据第四方面，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，该计算机指令用于使计算机执行根据本公开提供的方法。

根据第五方面，提供了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本公开提供的方法。

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是根据本公开的一个实施例的可以应用多任务学习方法和装置的示例性系统架构示意图；

图2是根据本公开的一个实施例的多任务学习方法的流程图；

图3是根据本公开的另一个实施例的多任务学习方法的流程图；

图4是根据本公开的一个实施例的确定任务对中的两个任务之间的相关度的方法的示意图；

图5是根据本公开的一个实施例的确定任务组中的多个任务之间的相关度的方法的示意图；

图6是根据本公开的一个实施例的多任务学习装置的框图；

图7是根据本公开的一个实施例的多任务学习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。

多任务学习已广泛应用到各领域，包括NLP(Natural Language Processing，自然语言处理)、图像处理和推荐搜索等领域。以多任务算法在推荐搜索领域的应用为例子来说明，在推荐场景中，用户的行为可能会涉及到多个任务，比如在短视频场景中，预测完播率、预测是否点击、预测是否关注、预测是否点赞等都可以作为一个任务。任务间的相关性越强，多任务模型建模的效果越好。因此，从多个任务中选出相关性较强的至少两个任务来进行共同训练是多任务学习的核心问题。

目前主要依赖人工经验，或者通过多组实验对比，来从应用场景所涉及的多个任务中选择至少两个任务进行共同训练。显然，这导致时间成本和人工成本的增加，严重影响业务研发的效率。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。

图1是根据本公开一个实施例的可以应用多任务学习方法的示例性系统架构示意图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括多个终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线和/或无线通信链路等等。

用户可以使用终端设备101通过网络102与服务器103进行交互，以接收或发送消息等。终端设备101可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机等等。

本公开实施例所提供的多任务学习方法一般可以由服务器103执行。相应地，本公开实施例所提供的多任务学习装置一般可以设置于服务器103中。本公开实施例所提供的多任务学习方法也可以由不同于服务器103且能够与终端设备101和/或服务器103通信的服务器或服务器集群执行。相应地，本公开实施例所提供的多任务学习装置也可以设置于不同于服务器103且能够与终端设备101和/或服务器103通信的服务器或服务器集群中。

图2是根据本公开的一个实施例的多任务学习方法的流程图。

如图2所示，该多任务学习方法200可以包括操作S210～操作S240。

在操作S210，将M个任务中的任意N个任务进行组合，得到多个任务组。

例如，M个任务可以是实际应用场景中所涉及的多个任务，在实际应用场景中，需要从M个任务中选取相关性较强的N个任务进行多任务学习。其中，M为大于2的整数，例如M＝10，N为大于1的整数，且M大于N，例如N＝4。

从M个任务中选择N个任务可以有多种组合，可以将M个任务中的任意N个进行组合，得到多个任务组。例如，可以利用深度优先遍历算法(Depth First Search，DFS)，对给定的需要选出的任务数N，遍历M个任务，计算出从M个任务中选出N个任务的所有组合可能。

例如，在推荐搜索领域，短视频场景下，可以涉及预测完播率、预测是否点击、预测是否关注和预测是否点赞四个任务(该四个任务可以简称为完播率、点击、关注和点赞)，若在实际应用场景中，需要从该四个任务中选取相关性较强的两个任务进行多任务学习，可以将上述四个任务中的任意两个进行组合，可以得到6个任务组，分别是(完播率，点击)、(完播率，关注)、(完播率，点赞)、(点击，关注)、(点击，点赞)以及(关注，点赞)。

上述M个任务各自设置有标签序列，标签序列可以表示针对对应任务的预测结果的集合。例如，针对完播率任务，多个输入样本输入到完播率任务，输出与每个输入样本对应的预测结果，预测结果可以用0和1表示，0表示未完整播完，1表示完整播完，则完播率任务的标签序列可以是L1＝[0，1，0，0，1……]。又例如，针对点击任务，多个输入样本输入到点击任务，输出与每个输入样本对应的预测结果，预测结果可以用0和1表示，0表示否，1表示是，则点击任务的标签序列可以是L2＝[1，1，0，1，0……]。关注任务和点赞任务类似，例如，关注任务的标签序列可以是L3＝[1，0，0，1，1……]，点赞任务的标签序列可以是L4＝[0，1，1，1，0……]。

在操作S220，针对每个任务组，根据该任务组中的每个任务的标签序列，确定该任务组中的N个任务之间的相关度。

例如，针对上述6个任务组中的每个任务组，可以根据该任务组中的任务的标签序列计算该任务组中的各个任务之间的相关度。例如，针对任务组(完播率，点击)，可以根据完播率任务的标签序列L1＝[0，1，0，0，1……]以及点击任务的标签序列L2＝[1，1，0，1，0……]，计算完播率任务和点击任务之间的相关度。例如，L1和L2可以分别作为一个向量，通过计算向量之间的距离来确定完播率任务和点击任务之间的相关度。

任务组中的各个任务之间的相关度可以作为该任务组的相关度得分，例如，L1和L2之间的向量距离可以作为完播率任务和点击任务之间的相关度，完播率任务和点击任务之间的相关度可以作为任务组(完播率，点击)的相关度得分。

类似地，可以确定任务组(完播率，关注)、(完播率，点赞)、(点击，关注)、(点击，点赞)以及(关注，点赞)的相关度得分。

在操作S230，根据相关度，从多个任务组中确定目标任务组。

任务组的相关度得分越高，表示该任务组中的各个任务之间的相关性越强。因此，在确定每个任务组的相关度得分之后，可以从多个任务组中选取相关度得分最高的任务组作为目标任务组。

例如，任务组(完播率，点击)的相关度得分为0.9，任务组(完播率，关注)的相关度得分为0.3，任务组(完播率，点赞)的相关度得分为0.4，等等，其中，在上述6个任务组中，任务组(完播率，点击)的相关度得分0.9为最高分，则可以将任务组(完播率，点击)作为目标任务组。

在操作S240，对目标任务组中的N个任务进行多任务学习。

例如，在需要从完播率、点击、关注和点赞四个任务中选取两个任务进行多任务学习的情况下，由于目标任务组(完播率，点击)的相关度得分最高，说明完播率任务和点击任务的相关性最强，选取目标任务组中的完播率任务和点击任务进行共同训练，能够互相促进学习，提高多任务学习模型的性能。

本公开的实施例根据任务的标签序列计算多任务间的相关度，根据相关度能够快速地从多个任务中选择合适的至少两个任务进行多任务学习，提高了业务研发效率、节约了成本并且提升了学习效果。

图3是根据本公开的另一个实施例的多任务学习方法的流程图。

如图3所示，该多任务学习方法300可以包括操作S310～操作S340。

在操作S310，将M个任务中的任意N个任务进行组合，得到多个任务组。

例如，M＝10，N＝4，需要从10个任务中选出4个相关性最强的任务进行共同训练。可以利用深度优先遍历算法，计算出从10个任务中选出4个任务的所有组合可能，得到多个任务组。

例如，10个任务包括Task1、Task2、Task3、……Task10，利用深度优先遍历算法将10个任务中的任意4个任务进行组合，得到多个任务组。例如多个任务组包括(Task1，Task2，Task3，Task4)、(Task1，Task2，Task3，Task5)、……、(Task7，Task8，Task9，Task10)。

在操作S320，针对每个任务组，包括操作S321～操作S322。

在操作S321，将任务组中的任意两个任务进行组合，得到多个任务对。

在操作S322，针对每个任务对，根据该任务对中的每个任务的标签序列，确定该任务对中两个任务之间的相关度，作为该任务对的相关度。

例如，针对任务组(Task1，Task2，Task3，Task4)，可以利用深度优先遍历算法将4个任务中的任意2个任务进行组合，得到多个任务对。例如多个任务对包括(Task1，Task2)、(Task1，Task3)、……(Task3，Task4)。

针对每个任务对，可以根据任务对中的任务的序列标签计算相关度。例如，针对任务对(Task1，Task2)，可以根据Task1和Task2的标签序列之间的距离，计算Task1和Task2之间的相关度，作为任务对(Task1，Task2)的相关度得分。类似地，可以计算出其他任务对如任务对(Task1，Task3)、……(Task3，Task4)的相关度得分。

在操作S330，针对每个任务组，根据该任务组中的多个任务对各自的相关度，确定该任务组的相关度得分。

例如，针对任务组(Task1，Task2，Task3，Task4)，根据任务对(Task1，Task2)、(Task1，Task3)、……(Task3，Task4)各自的相关度得分，计算任务组(Task1，Task2，Task3，Task4)的相关度得分。例如，取任务对(Task1，Task2)、(Task1，Task3)、……(Task3，Task4)的相关度得分的平均值，作为任务组(Task1，Task2，Task3，Task4)的相关度得分。

类似地，可以得到任务组(Task1，Task2，Task3，Task5)、……、(Task7，Task8，Task9，Task10)各自的相关度得分。

在操作S340，根据多个任务组各自的相关度得分，从多个任务组中确定目标任务组。

例如，在任务组(Task1，Task2，Task3，Task4)、(Task1，Task2，Task3，Task5)、……、(Task7，Task8，Task9，Task10)中，(Task1，Task2，Task3，Task5)的相关度得分最高，则可以将任务组(Task1，Task2，Task3，Task5)作为目标任务组。

在操作S350，对目标任务组中的N个任务进行多任务学习。

例如，针对目标任务组(Task1，Task2，Task3，Task5)，Task1，Task2，Task3和Task5在10个任务中的相关性最强，因此，选择Task1，Task2，Task3和Task5进行多任务学习，可以提升学习效果。

图4是根据本公开的一个实施例的确定任务对中的两个任务之间的相关度的方法的示意图。

如图4所示，例如，针对任务对(Task1，Task2)，Task1 410包括第一标签序列411，Task2 420包括第二标签序列421，将第一标签序列411和第二标签序列421输入到相关度计算模块401，得到Task1和Task2之间的相关度得分412。

例如，相关度计算模块401可以是利用计算皮尔逊(pearson)相关系数、欧式距离或者Cosine相似度等方法来实现的。

以计算皮尔逊相关系数为例，可以根据以下公式一来计算Task1和Task2之间的相关度：

其中，X表示第一标签序列411，X_i表示第一标签序列411中的元素，μX表示X的期望，Y表示第二标签序列421，Y_i表示第二标签序列421中的元素，μY表示Y的期望，κ表示X或Y中的元素个数，ρ表示Task1和Task2之间的相关度。

图5是根据本公开的一个实施例确定任务组中的多个任务之间的相关度的方法的示意图。

例如，针对任务组(Task1，Task2，Task3，Task4)，该任务组可以是将Task1至Task10中的任意4个任务进行组合得出的多个任务组中的一个。该任务组包括Task1 501、Task2 502、Task3 503和Task4 504。将Task1 501、Task2 502、Task3 503和Task4 504中的任意两个进行组合得到多个任务对。例如多个任务对包括(Task1，Task2)、(Task1，Task3)、……(Task3，Task4)。

针对每个任务对，可以通过计算该任务对中的两个任务之间的皮尔逊相关系数，得到该任务对的相关度。例如，可以得到任务对(Task1，Task2)的相关度512、任务对(Task1，Task3)相关度513、……、任务对(Task3，Task4)的相关度534。

可以对上述任务对的相关度得分求平均操作，得到任务组(Task1，Task2，Task3，Task4)的相关度得分505。

图6是根据本公开的一个实施例的多任务学习装置的框图。

如图6所示，该多任务学习装置600可以包括组合模块601、第一确定模块602、第二确定模块603和学习模块604。

组合模块601用于将M个任务中的任意N个任务进行组合，得到多个任务组，其中，M个任务各自设置有标签序列，标签序列表示针对对应任务的预测结果的集合，M为大于2的整数，N为大于1的整数，且M＞N。

第一确定模块602用于针对每个任务组，根据该任务组中的每个任务的标签序列，确定该任务组中的N个任务之间的相关度。

第二确定模块603用于根据相关度，从多个任务组中确定目标任务组。

学习模块604用于对目标任务组中的N个任务进行多任务学习。

第一确定模块602包括组合单元、第一确定单元和第二确定单元。

组合单元，用于针对每个任务组，将任务组中的任意两个任务进行组合，得到多个任务对；

第一确定单元，用于针对每个任务对，根据该任务对中的每个任务的标签序列，确定该任务对中两个任务之间的相关度，作为该任务对的相关度；

第二确定单元，用于根据多个任务对各自的相关度，确定任务组中的N个任务之间的相关度。

根据本公开的实施例，针对每个任务，该任务的标签序列包括多个元素，每个元素表示针对该任务的一个预测结果；任务对包括第一任务和第二任务；第一确定单元用于根据以下公式计算任务对中的两个任务之间的相关度：

其中，X表示任务对中的第一任务的标签序列，X_i表示第一任务的标签序列中的元素，μX表示X的期望，Y表示任务对中的第二任务的标签序列，Y_i表示第二任务的标签序列中的元素，μY表示Y的期望，κ表示X或Y中的元素个数，ρ表示任务对中的第一任务和第二任务之间的相关度。

第二确定单元，用于确定多个任务对的相关度的平均值，作为任务组中的N个任务之间的相关度。

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7示出了可以用来实施本公开的实施例的示例电子设备700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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理，例如多任务学习方法。例如，在一些实施例中，多任务学习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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的多任务学习方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行多任务学习方法。

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)、复杂可编程逻辑设备(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。

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

1.一种多任务学习方法，包括：

将M个任务中的任意N个任务进行组合，得到多个任务组，其中，所述M个任务各自设置有标签序列，所述标签序列表示针对对应任务的预测结果的集合，M为大于2的整数，N为大于1的整数，且M＞N；

针对每个任务组，根据该任务组中的每个任务的标签序列，确定该任务组中的N个任务之间的相关度；

根据所述相关度，从所述多个任务组中确定目标任务组；以及

对所述目标任务组中的N个任务进行多任务学习。

2.根据权利要求1所述的方法，其中，所述针对每个任务组，根据该任务组中的每个任务的标签序列，确定该任务组中的N个任务之间的相关度包括：针对每个任务组，

将所述任务组中的任意两个任务进行组合，得到多个任务对；

针对每个任务对，根据该任务对中的每个任务的标签序列，确定该任务对中两个任务之间的相关度，作为该任务对的相关度；以及

根据所述多个任务对各自的相关度，确定所述任务组中的N个任务之间的相关度。

3.根据权利要求2所述的方法，其中，针对每个任务，该任务的标签序列包括多个元素，每个元素表示针对该任务的一个预测结果；所述任务对包括第一任务和第二任务；所述针对每个任务对，根据该任务对中的每个任务的标签序列，确定该任务对中两个任务之间的相关度包括：

根据以下公式计算所述任务对中的两个任务之间的相关度：

其中，X表示所述任务对中的第一任务的标签序列，X_i表示所述第一任务的标签序列中的元素，μX表示X的期望，Y表示所述任务对中的第二任务的标签序列，Y_i表示所述第二任务的标签序列中的元素，μY表示Y的期望，κ表示X或Y中的元素个数，ρ表示所述任务对中的第一任务和第二任务之间的相关度。

4.根据权利要求2所述的方法，其中，所述根据所述多个任务对的相关度，确定所述任务组中的N个任务之间的相关度包括：

确定所述多个任务对的相关度的平均值，作为所述任务组中的N个任务之间的相关度。

5.一种多任务学习装置，包括：

组合模块，用于将M个任务中的任意N个任务进行组合，得到多个任务组，其中，所述M个任务各自设置有标签序列，所述标签序列表示针对对应任务的预测结果的集合，M为大于2的整数，N为大于1的整数，且M＞N；

第一确定模块，用于针对每个任务组，根据该任务组中的每个任务的标签序列，确定该任务组中的N个任务之间的相关度；

第二确定模块，用于根据所述相关度，从所述多个任务组中确定目标任务组；以及

学习模块，用于对所述目标任务组中的N个任务进行多任务学习。

6.根据权利要求5所述的装置，其中，所述第一确定模块包括：

组合单元，用于针对每个任务组，将所述任务组中的任意两个任务进行组合，得到多个任务对；

第二确定单元，用于根据所述多个任务对各自的相关度，确定所述任务组中的N个任务之间的相关度。

7.根据权利要求6所述的装置，其中，针对每个任务，该任务的标签序列包括多个元素，每个元素表示针对该任务的一个预测结果；所述任务对包括第一任务和第二任务；所述第一确定单元用于根据以下公式计算所述任务对中的两个任务之间的相关度：

8.根据权利要求6所述的装置，其中，所述第二确定单元，用于确定所述多个任务对的相关度的平均值，作为所述任务组中的N个任务之间的相关度。

9.一种电子设备，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至4中任一项所述的方法。

10.一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至4中任一项所述的方法。

11.一种计算机程序产品，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至4中任一项所述的方法。