CN115146792A

CN115146792A - 多任务学习模型训练方法、装置、电子设备及存储介质

Info

Publication number: CN115146792A
Application number: CN202210885956.9A
Authority: CN
Inventors: 刘继宇
Original assignee: Ping An Technology Shenzhen Co Ltd
Current assignee: Ping An Technology Shenzhen Co Ltd
Priority date: 2022-07-26
Filing date: 2022-07-26
Publication date: 2022-10-04

Abstract

本发明涉及人工智能技术，揭露一种多任务学习模型训练方法，包括：获取由一个编码器并联多个的解码器构成多任务学习模型，解码器与任务类别一一对应；利用每个解码器对编码器的输出特征进行加权处理，得到每个任务类别的标签分析值；根据标签分析及任务标签计算任务损失值；并利用所有任务损失值计算得到目标损失值；当目标损失值大于或等于损失阈值，更新多任务学习模型的参数，并对更新后的模型重新训练；当目标损失值小于损失阈值，训练完成。本发明还涉及一种区块链技术，所述任务损失值可以存储在区块链节点中。本发明还提出一种多任务学习模型训练装置、设备以及介质。本发明可以提高模型训练的效率。

Description

多任务学习模型训练方法、装置、电子设备及存储介质

技术领域

本发明涉及人工智能技术，尤其涉及一种多任务学习模型训练方法、装置、电子设备及存储介质。

背景技术

近年来，随着人工智能的发展，多任务学习在一个模型中联合学习多个任务从而获得较好的泛化性能和较低的内存占用，两者的结合即多任务学习模型训练研究越来越受到人们的关注，如在某车险公司在日常的业务实践中既要已筛选优质客户又要向用户推荐合适的车险，以往需要训练两种模型来解决筛选优质客户及向用户推荐合适的车险两个任务，现在可以利用多任务学习实现训练一个模型解决两个任务。

但目前多任务学习模型的训练过程中不同任务之间相互影响，无法聚焦对应的子任务，导致模型训练效率低。

发明内容

本发明提供一种多任务学习模型训练方法、装置、电子设备及存储介质，其主要目的在于提高了模型训练的效率。

获取训练文本数据集，其中，所述训练文本数据集中每个训练文本数据包含多个任务类别对应的任务标签；

获取预构建的多任务学习模型，其中，所述多任务学习模型由一个编码器并联多个的解码器构成，所述解码器与所述任务类别一一对应；

利用所述编码器选取所述训练文本数据集中的训练文本数据进行特征提取，得到文本特征向量；

利用每个所述任务类别对应的解码器对所述文本特征向量进行基于注意力机制的特征提取，得到每个任务类别对应的标签分析值；

根据所述文本特征向量对应的训练文本数据的任务类别对应的任务标签确认该任务类别对应的标签真实值；

利用所述任务类别对应的预设损失函数计算该种所述任务类别对应的标签分析值及标签真实值之间的任务损失值，并利用所有所述任务类别对应的任务损失值进行计算，得到目标损失值；

当所述目标损失值大于或等于所述损失阈值，更新所述多任务学习模型的参数，返回所述利用所述编码器选取所述训练文本数据集中的训练文本数据进行特征提取步骤；

当所述目标损失值小于所述损失阈值，输出训练完成的多任务学习模型。

可选地，所述利用所述编码器选取所述训练文本数据集中的训练文本数据进行特征提取，得到文本特征向量，包括：

选取所述训练文本数据集中任意一张训练文本数据，得到目标训练文本数据，并将所述训练文本数据集中的目标训练文本数据删除，以得到更新后的训练文本数据集；

提取所述目标训练文本数据中的用户行为序列文本及用户画像标签；

将所述用户行为序列中每种用户行为文本转化为向量，并将转化的向量进行组合，得到用户行为矩阵；

将所述用户画像标签转化为向量，得到用户画像向量；

利用所述编码器中的卷积层对所述用户行为矩阵进行卷积，得到用户行为向量；

将所述用户行为向量与所述用户画像向量进行组合，得到所述文本特征向量。

可选地，所述将所述用户行为序列中每种用户行为文本转化为向量，并将转化的向量进行组合，得到用户行为矩阵，包括：

将所述用户行为序列中每种用户行为文本转化为向量，得到用户行为文本向量；

将所述用户行为文本向量按照对应的所述用户行为文本在所述用户行为序列中的先后顺序进行组合，得到所述用户行为矩阵。

可选地，所述利用所述任务类别对应解码器中的注意力机制网络对所述文本特征向量进行加权计算，得到每个所述任务类别对应的加权特征向量，包括：

利用所述任务类别对应解码器中的注意力机制网络对所述文本特征向量进行加权计算，得到每个所述任务类别对应的加权特征向量；

利用所述任务类别对应解码器中的多层感知机对该任务类别对应的加权特征向量进行特征提取，得到该任务类别对应的标签分析值。

利用所述注意力机制网络中的全连接层对所述文本特征向量进行全局池化，得到池化特征向量；

获取所述注意力机制网络中的全连接层的权重和偏置，基于预设的激活函数及获取的权重和偏置对所述池化特征向量进行计算，得到注意力权重；

利用所述注意力权重及所述文本特征向量进行加权计算，得到所述加权特征向量。

可选地，所述利用所有所述任务类别对应的任务损失值进行计算，得到目标损失值，包括：

将所有所述任务损失值相加，得到所述目标损失值。

利用预设的归一化标准值对所述任务损失值进行归一化，得到标准任务损失值；

将所有所述标准任务损失值进行求和，得到所述目标损失值。

为了解决上述问题，本发明还提供一种多任务学习模型训练装置，所述装置包括：

特征提取模块，用于获取训练文本数据集，其中，所述训练文本数据集中每个训练文本数据包含多个任务类别对应的任务标签；获取预构建的多任务学习模型，其中，所述多任务学习模型由一个编码器并联多个的解码器构成，所述解码器与所述任务类别一一对应；利用所述编码器选取所述训练文本数据集中的训练文本数据进行特征提取，得到文本特征向量；利用每个所述任务类别对应的解码器对所述文本特征向量进行基于注意力机制的特征提取，得到每个任务类别对应的标签分析值；

损失值计算模块，用于根据所述文本特征向量对应的训练文本数据的任务类别对应的任务标签确认该任务类别对应的标签真实值；利用所述任务类别对应的预设损失函数计算该种所述任务类别对应的标签分析值及标签真实值之间的任务损失值，并利用所有所述任务类别对应的任务损失值进行计算，得到目标损失值；

模型训练模块，用于当所述目标损失值大于或等于所述损失阈值，更新所述多任务学习模型的参数，返回所述利用所述编码器选取所述训练文本数据集中的训练文本数据进行特征提取步骤；当所述目标损失值小于所述损失阈值，输出训练完成的多任务学习模型。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

存储器，存储至少一个计算机程序；及

处理器，执行所述存储器中存储的计算机程序以实现上述所述的多任务学习模型训练方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的多任务学习模型训练方法。

本发明实施例利用每个所述任务类别对应的解码器对所述文本特征向量进行基于注意力机制的特征提取，得到每个任务类别对应的标签分析值；通过为不同任务的构建的解码器基于注意力机制对文本特征向量进行加权，可以及时筛选文本特征向量对应任务的侧重的输入特征，去除无关特征的影响，使每个任务的训练更加聚焦，提高了模型的训练效率。因此本发明实施例提出的多任务学习模型训练方法、装置、电子设备及可读存储介质提高了模型训练的效率。

附图说明

图1为本发明一实施例提供的多任务学习模型训练方法的流程示意图；

图2为本发明一实施例提供的多任务学习模型训练装置的模块示意图；

图3为本发明一实施例提供的实现多任务学习模型训练方法的电子设备的内部结构示意图；

本发明目的的实现、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

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种多任务学习模型训练方法。所述多任务学习模型训练方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述多任务学习模型训练方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等，服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示的本发明一实施例提供的多任务学习模型训练方法的流程示意图，在本发明实施例中，所述多任务学习模型训练方法包括：

S1、获取训练文本数据集，其中，所述训练文本数据集中每个训练文本数据包含多个任务类别对应的任务标签；

本发明实施例中训练多任务学习模型是为了训练多个关联的任务以用帮助某保险公司来识别用户等级并推荐适合的险种，所有所述任务类别是相互关联的，如：训练的多个任务分别是用户等级分类及车险种类推荐，那么用户等级分类任务对应的任务标签分别为优质客户或非优质客户；所述车险种类推荐任务对应的任务标签为某种类别的车险。所述训练文本数据为所述保险公司现有用户的用户数据，包含：用户行为序列文本及用户画像标签，其中所述用户行为序列文本为不同的用户行为文本组成的序列，其中，所述用户行为文本为用文本表示的用户行为，如“购买A类车险”；所述用户画像标签为表示用户特征的短小文本，如“老师”。

S2、获取预构建的多任务学习模型，其中，所述多任务学习模型由一个编码器并联多个的解码器构成，所述解码器与所述任务类别一一对应；

本发明实施例中所述多任务学习模型由一个编码器并联多个任务类别对应的解码器构成，其中，所述编码器包含所有任务共享的网络参数；进一步地，每个任务对应一个解码器，所述解码器包含任务特定的网络参数。

可选地，本发明实施例中所述编码器包含卷积层及Embedding层，所述解码器为注意力机制网络及多层感知机构成。

S3、利用所述编码器选取所述训练文本数据集中的训练文本数据进行特征提取，得到文本特征向量；

本发明实施例中所述训练文本数据由用户行为序列及用户画像组成。

进一步地，本发明实施例中利用所述编码器选取所述训练文本数据集中的训练文本数据进行特征提取，得到文本特征向量，包括：

将所述用户画像标签转化为向量，得到用户画像向量；

具体地，本发明实施例中利用所述编码器中的Embedding层将上述的文本或标签转化为向量。

进一步地，本发明实施例中将所述用户行为序列中每种用户行为文本转化为向量，并将转化的向量进行组合，得到用户行为矩阵，包括：

S4、利用每个所述任务类别对应的解码器对所述文本特征向量进行基于注意力机制的特征提取，得到每个任务类别对应的标签分析值；

本发明实施中由于不同任务类别学要学习的从所述文本特征向量中学习的特征侧重点不同，因此，本发明实施例中利用每个所述任务类别对应的解码器对所述文本特征向量进行基于注意力机制的特征提取，得到每个任务类别对应的标签分析值。

详细地，本发明实施例中所述利用每个所述任务类别对应的解码器对所述文本特征向量进行基于注意力机制的特征提取，得到每个任务类别对应的标签分析值，包括：

进一步地，本发明实施例中所述利用所述任务类别对应解码器中的注意力机制网络对所述文本特征向量进行加权计算，得到每个所述任务类别对应的加权特征向量，包括：

具体地，本发明实施例计算所述权重与所述池化特征向量的乘积，并将计算的乘积与所述偏置求和，得到注意力参数；将所述注意力参数作为所述激活函数的函数变量参数以对所述激活函数进行计算，得到所述注意力权重。

具体地，本发明实施例中将每个所述任务类别对应解码器中的注意力机制网络对应的注意力权重与所述文本特征向量相乘，得到该任务类别的加权特征向量。

本发明实施例中所述多层感知机由多层全连接层串联组成的多层神经网络。

进一步地，本发明实施例中将所述任务类别对应的加权特征向量输入该任务类别对应的多层感知机，以利用所述多层感知机对所述加权特征向量进行高阶特征提取，得到该任务类别对应的标签分析值。

S5、根据所述文本特征向量对应的训练文本数据的任务类别对应的任务标签确认该任务类别对应的标签真实值；

本发明实施例中更好的衡量模型预测的标签分析值与实际对应的任务标签的一致性，根据所述文本特征向量对应的训练文本数据的任务类别对应的任务标签确认该任务类别对应的标签真实值。

例如：任务类别对应的对应的任务标签为客户等级标签，那么任务标签为“优质客户”时，该任务标签对应的标签真实值为1；任务标签为“非优质客户”时，该任务标签对应的标签真实值为0。

S6、利用所述任务类别对应的预设损失函数计算该种所述任务类别对应的标签分析值及标签真实值之间的任务损失值，并利用所有所述任务类别对应的任务损失值进行计算，得到目标损失值；

本发明实施例中，中每种任务类别对应一个预设的损失函数，每种任务类别对应的损失函数可以相同也可以不同。

具体地，本发明实施例中所述损失函数包括但不限于对数损失函数、平方损失函数、绝对值损失函数、交叉熵损失函数等。

进一步地，本发明实施例中利用所有所述任务类别对应的任务损失值进行计算，得到目标损失值，包括：

将所有所述任务损失值相加，得到所述目标损失值。

本发明另一实施例中利用所有所述任务类别对应的任务损失值进行计算，得到目标损失值，包括：

计算每个所述任务损失值在所有任务损失值中的比重，得到损失值比重；

具体地，本发明实施例计算所述任务损失值与所有所述任务损失值之和的比值，得到所述损失值比重。

将所述任务损失值的损失值比重取倒数，得到该任务损失值的损失值权重；

利用每个所述任务损失值及对应的损失值权重进行计算，得到对应的标准任务损失值。

例如：任务损失值A的损失值权重为0.1，任务损失值A为0.5，那么任务损失值A的标准任务损失值为0.5*0.1＝0.05。

本发明另一实施例中所述任务损失值可以存储在区块链节点中，利用区块链节点高吞吐的特性，提高数据的取用效率。

S7、判断所述目标损失值是否小于预设损失阈值；

详细地，本发明实施例中为了衡量模型的训练精度是否达到预设的要求，因此，判断所述目标损失值是否小于所述损失阈值。

S8、当所述目标损失值大于或等于所述损失阈值，更新所述多任务学习模型的参数，返回所述利用所述编码器选取所述训练文本数据集中的训练文本数据进行特征提取步骤；

本发明实施例中当所述目标损失值大于或等于所述损失阈值，则说明所述多任务学习模型的模型精度未达到要求，因此，需要对所述多任务学习模型的参数更改后继续训练。具体地，本发明实施例利用梯度下降算法更新所述多任务学习模型的模型参数，得到更新后的多任务学习模型。

进一步地，本发明实施中更新所述多任务学习模型的参数，返回所述利用所述编码器选取所述训练文本数据集中的训练文本数据进行特征提取步骤。

S9、当所述目标损失值小于所述损失阈值，输出训练完成的多任务学习模型。

本发明实施例中当所述目标损失值小于所述损失阈值，将此时的所述多任务学习模型输出，得到训练完成的多任务学习模型。

如图2所示，是本发明多任务学习模型训练装置的功能模块图。

本发明所述多任务学习模型训练装置100可以安装于电子设备中。根据实现的功能，所述多任务学习模型训练装置可以包括特征提取模块101、损失值计算模块102、模型训练模块103，本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述特征提取模块101用于获取训练文本数据集，其中，所述训练文本数据集中每个训练文本数据包含多个任务类别对应的任务标签；获取预构建的多任务学习模型，其中，所述多任务学习模型由一个编码器并联多个的解码器构成，所述解码器与所述任务类别一一对应；利用所述编码器选取所述训练文本数据集中的训练文本数据进行特征提取，得到文本特征向量；利用每个所述任务类别对应的解码器对所述文本特征向量进行基于注意力机制的特征提取，得到每个任务类别对应的标签分析值；

所述损失值计算模块102用于根据所述文本特征向量对应的训练文本数据的任务类别对应的任务标签确认该任务类别对应的标签真实值；利用所述任务类别对应的预设损失函数计算该种所述任务类别对应的标签分析值及标签真实值之间的任务损失值，并利用所有所述任务类别对应的任务损失值进行计算，得到目标损失值；

所述模型训练模块103用于当所述目标损失值大于或等于所述损失阈值，更新所述多任务学习模型的参数，返回所述利用所述编码器选取所述训练文本数据集中的训练文本数据进行特征提取步骤；当所述目标损失值小于所述损失阈值，输出训练完成的多任务学习模型。

详细地，本发明实施例中所述多任务学习模型训练装置100中所述的各模块在使用时采用与上述图1中所述的多任务学习模型训练方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

如图3所示，是本发明实现多任务学习模型训练方法的电子设备的结构示意图。

所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如多任务学习模型训练程序。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如多任务学习模型训练程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如多任务学习模型训练程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。

所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障分类电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

可选地，所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。

可选地，所述通信接口13还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备中的所述存储器11存储的多任务学习模型训练程序是多个计算机程序的组合，在所述处理器10中运行时，可以实现：

具体地，所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。

进一步地，所述电子设备集成的模块/单元如果以软件功能单元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。所述计算机可读介质可以是非易失性的，也可以是易失性的。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。

本发明实施例还可以提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

进一步地，所述计算机可用存储介质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等；存储数据区可存储根据区块链节点的使用所创建的数据等。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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。

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单元，即可以位于一个地方，或者也可以分布到多个网络单元上。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。

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。

另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指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等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims

1.一种多任务学习模型训练方法，其特征在于，所述方法包括：

2.如权利要求1所述的多任务学习模型训练方法，其特征在于，所述利用所述编码器选取所述训练文本数据集中的训练文本数据进行特征提取，得到文本特征向量，包括：

将所述用户画像标签转化为向量，得到用户画像向量；

3.如权利要求1所述的多任务学习模型训练方法，其特征在于，所述将所述用户行为序列中每种用户行为文本转化为向量，并将转化的向量进行组合，得到用户行为矩阵，包括：

4.如权利要求1所述的多任务学习模型训练方法，其特征在于，所述利用每个所述任务类别对应的解码器对所述文本特征向量进行基于注意力机制的特征提取，得到每个任务类别对应的标签分析值，包括：

5.如权利要求4所述的多任务学习模型训练方法，其特征在于，所述利用所述任务类别对应解码器中的注意力机制网络对所述文本特征向量进行加权计算，得到每个所述任务类别对应的加权特征向量，包括：

6.如权利要求1所述的多任务学习模型训练方法，其特征在于，所述利用所有所述任务类别对应的任务损失值进行计算，得到目标损失值，包括：

将所有所述任务损失值相加，得到所述目标损失值。

7.如权利要求1至6中任意一项所述的多任务学习模型训练方法，其特征在于，所述利用所有所述任务类别对应的任务损失值进行计算，得到目标损失值，包括：

8.一种多任务学习模型训练装置，其特征在于，包括：

9.一种电子设备，其特征在于，所述电子设备包括：

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计算机程序，所述计算机程序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如权利要求1至7中任一项所述的多任务学习模型训练方法。

10.一种计算机可读存储介质，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如权利要求1至7中任一项所述的多任务学习模型训练方法。