CN115756821A - 在线任务处理模型训练、任务处理方法及装置 - Google Patents

在线任务处理模型训练、任务处理方法及装置 Download PDF

Info

Publication number
CN115756821A
CN115756821A CN202211266332.5A CN202211266332A CN115756821A CN 115756821 A CN115756821 A CN 115756821A CN 202211266332 A CN202211266332 A CN 202211266332A CN 115756821 A CN115756821 A CN 115756821A
Authority
CN
China
Prior art keywords
target
task processing
resource
graph
task
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
Application number
CN202211266332.5A
Other languages
English (en)
Inventor
万峻辰
张振
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dajia Internet Information Technology Co Ltd
Original Assignee
Beijing Dajia Internet Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dajia Internet Information Technology Co Ltd filed Critical Beijing Dajia Internet Information Technology Co Ltd
Priority to CN202211266332.5A priority Critical patent/CN115756821A/zh
Publication of CN115756821A publication Critical patent/CN115756821A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02DCLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开关于一种在线任务处理模型训练、任务处理方法及装置,该在线任务处理模型训练方法包括:获取第一样本对象的实时操作序列和目标图结构,目标图结构为基于第一样本对象的历史交互记录构建的图结构;历史交互记录为第一样本对象,在目标图结构的上一次更新之前,对预设多媒体资源执行的预设交互操作产生的交互记录;基于目标图结构和实时操作序列,对在线任务处理模型中的任务处理子模型和在线任务处理模型中的图表征子模型进行并行训练,得到目标在线任务处理模型。利用本公开实施例提升模型训练效率和模型处理效果,且在线任务处理模型训练过程中无需进行特征落表,有效减少存储空间消耗,大大提升系统性能。

Description

在线任务处理模型训练、任务处理方法及装置
技术领域
本公开涉及人工智能技术领域,尤其涉及一种在线任务处理模型训练、任务处理方法及装置。
背景技术
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用。图结构作为一种包含丰富信息的数据结构,常常作为点击率排序、转化排序等场景中的深度学习模型的训练数据。相关技术中,基于图结构的深度学习模型训练过程中,常常采用两段式,即先离线训练好图结构中图节点的向量表征,将其落表存储,再接入点击率排序、转化排序等深度学习模型进行二次训练,但上述相关技术中采用两段式训练方法,整个模型训练过程需要先离线图学习、图像向量特征落表,再到下游模型训练,训练过程耗时较久、训练数据往往也无法及时更新,时效性较差,导致训练效率较低和训练出的模型处理效果也较差,且特征落表也会带来较大的存储资源开销,影响系统的性能。
发明内容
本公开提供一种在线任务处理模型训练、任务处理方法及装置,以至少解决相关技术中时效性较差,训练效率较低、训练出的模型处理效果也较差,且特征落表也会带来较大的存储资源开销,影响系统的性能等技术问题。本公开的技术方案如下:
根据本公开实施例的第一方面,提供一种在线任务处理模型训练方法,包括:
获取第一样本对象的实时操作序列和目标图结构,所述实时操作序列为当前时间段内所述第一样本对象执行预设交互操作的多媒体资源的资源标识信息的序列;所述当前时间段为所述目标图结构的上一次更新至当前时间对应的时间段;所述目标图结构为基于所述第一样本对象的历史交互记录构建的图结构;所述历史交互记录为所述第一样本对象,在所述目标图结构的上一次更新之前,对预设多媒体资源执行的预设交互操作产生的交互记录;
基于所述目标图结构和所述实时操作序列,对在线任务处理模型中的任务处理子模型和所述在线任务处理模型中的图表征子模型进行并行训练,得到目标在线任务处理模型。
在一个可选的实施例中,所述目标图结构为以第一样本对象的第一对象标识信息、所述第一样本对象对应的历史操作资源的第一资源标识信息和所述历史操作资源对应关联实体的第一实体标识信息为节点,以所述第一样本对象与所述历史操作资源间的交互操作,以及所述历史操作资源和所述关联实体间的关联关系为边的图结构;所述第一资源标识信息所在节点挂载有所述第一资源标识信息对应的资源属性信息;所述历史操作资源为所述第一样本对象执行过所述预设交互操作的多媒体资源;
所述基于所述目标图结构和所述实时操作序列,对在线任务处理模型中的任务处理子模型和所述在线任务处理模型中的图表征子模型进行并行训练,得到目标在线任务处理模型包括:
从所述目标图结构中,获取所述资源属性信息和图采样序列;所述图采样序列包括第一标识序列和第二标识序列,所述第一标识序列为所述目标图结构中第一分支上的标识信息构成的序列;所述第一分支包括以所述第一样本对象中任一对象的对象标识信息所在节点为起始节点的分支;所述第二标识序列为所述目标图结构中第二分支上的标识信息构成的序列;所述第二分支包括以所述历史操作资源中任一资源的资源标识信息所在节点为起始节点的分支;
获取所述第一样本对象的对象属性信息、所述第一样本对象的历史操作序列和所述历史操作资源的历史交互信息;
基于所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列,对所述在线任务处理模型中的所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型。
在一个可选的实施例中,所述在线任务处理模型还包括第一解码网络;所述基于所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列,对所述在线任务处理模型中的所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型包括:
将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述任务处理子模型进行任务处理,得到第一预测任务结果;
将所述图采样序列和所述资源属性信息输入所述图表征子模型进行图表征学习,得到目标图特征;
对所述目标图特征进行解码处理,得到第二预测任务结果;
基于所述第一预测任务结果、所述第一预测任务结果对应的第一预设任务结果、所述第二预测任务结果和所述第二预测任务结果对应的第二预设任务结果,对所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型。
在一个可选的实施例中,所述任务处理子模型包括任务特征学习网络和第二解码网络;所述将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述任务处理子模型进行任务处理,得到第一预测任务结果包括:
将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述任务特征学习网络进行特征学习,得到目标任务特征;
将所述目标任务特征输入所述第二解码网络进行解码处理,得到所述第一预测任务结果。
在一个可选的实施例中,所述任务特征学习网络包括:特征层标准化网络、特征划分网络、第一特征加权处理网络和第一编码网络;所述将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述任务特征学习网络进行特征学习,得到目标任务特征包括:
将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述特征层标准化网络进行层标准化处理,得到标准化特征;
将所述标准化特征输入所述特征划分网络进行特征划分处理,得到目标稀疏特征和目标稠密特征;
将所述目标稀疏特征输入所述第一特征加权处理网络进行加权处理,得到加权特征,所述加权特征为基于所述目标稀疏特征中每一特征的贡献程度,对所述目标稀疏特征中的每一特征进行加权后的特征;
将所述加权特征和所述目标稠密特征输入所述第一编码网络进行任务编码处理,得到所述目标任务特征。
在一个可选的实施例中,所述图表征子模型包括:第二特征加权处理网络和第二编码网络;所述将所述图采样序列和所述资源属性信息输入所述图表征子模型进行图表征学习,得到目标图特征包括:
将所述图采样序列和所述资源属性信息输入所述第二特征加权处理网络进行加权处理,得到加权图特征,所述加权图特征为根据所述资源属性信息中每一属性信息对所述第一样本对象和所述历史操作资源的表征贡献程度进行加权处理后的图特征;
将所述加权图表征,输入所述第二编码网络进行图编码处理,得到所述目标图特征。
在一个可选的实施例中,所述基于所述第一预测任务结果、所述第一预测任务结果对应的第一预设任务结果、所述第二预测任务结果和所述第二预测任务结果对应的第二预设任务结果,对所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型包括:
根据所述第一预测任务结果和所述第一预设任务结果,确定第一损失信息;
根据所述第二预测任务结果和所述第二预设任务结果,确定第二损失信息;
根据所述第一损失信息和所述第二损失信息,确定第三损失信息;
基于所述第三损失信息,对所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型。
在一个可选的实施例中,所述目标图结构为以第一样本对象的第一对象标识信息、所述第一样本对象对应的历史操作资源的第一资源标识信息和所述历史操作资源对应关联实体的第一实体标识信息为节点,以所述第一样本对象与所述历史操作资源间的交互操作,以及所述历史操作资源和所述关联实体间的关联关系为边的图结构;所述方法还包括:
在到达预设更新时间的情况下,获取当前更新周期内执行过预设操作的第二样本对象的第二对象标识信息、所述第二样本对象在所述当前更新周期内对应的操作资源的第二资源标识信息和所述操作资源对应关联实体的第二实体标识信息;
基于所述第二对象标识信息、所述第二资源标识信息和所述第二实体标识信息,对所述目标图结构进行更新;
其中,所述预设更新时间为基于所述目标图结构对应的预设更新频率确定的当前更新时间,所述当前更新周期为所述目标图结构上次更新时间至所述当前更新时间之间的时间段。
根据本公开实施例的第二方面,提供一种任务处理方法,包括:
响应于针对目标对象的任务处理请求,获取所述目标对象的目标实时操作序列和目标图结构;所述目标实时操作序列为当前时间段内所述目标对象执行预设交互操作的多媒体资源的资源标识信息的序列;所述当前时间段为所述目标图结构的上一次更新至当前时间对应的时间段;所述目标图结构为基于所述第一样本对象的历史交互记录构建的图结构;所述历史交互记录为所述第一样本对象,在所述目标图结构的上一次更新之前,对预设多媒体资源执行的所述预设交互操作产生的交互记录,所述第一样本对象包括所述目标对象;
基于根据第一方面提供的任一所述在线任务处理模型训练方法得到的任一目标在线任务处理模型、所述目标实时操作序列和所述目标图结构,进行任务处理,得到目标任务处理结果。
根据本公开实施例的第三方面,提供一种在线任务处理模型训练装置,包括:
第一信息获取模块,被配置为执行获取第一样本对象的实时操作序列和目标图结构,所述实时操作序列为当前时间段内所述第一样本对象执行预设交互操作的多媒体资源的资源标识信息的序列;所述当前时间段为所述目标图结构的上一次更新至当前时间对应的时间段;所述目标图结构为基于所述第一样本对象的历史交互记录构建的图结构;所述历史交互记录为所述第一样本对象,在所述目标图结构的上一次更新之前,对预设多媒体资源执行的所述预设交互操作产生的交互记录;
并行训练模块,被配置为执行基于所述目标图结构和所述实时操作序列,对在线任务处理模型中的任务处理子模型和所述在线任务处理模型中的图表征子模型进行并行训练,得到目标在线任务处理模型。
在一个可选的实施例中,所述目标图结构为以第一样本对象的第一对象标识信息、所述第一样本对象对应的历史操作资源的第一资源标识信息和所述历史操作资源对应关联实体的第一实体标识信息为节点,以所述第一样本对象与所述历史操作资源间的交互操作,以及所述历史操作资源和所述关联实体间的关联关系为边的图结构;所述第一资源标识信息所在节点挂载有所述第一资源标识信息对应的资源属性信息;所述历史操作资源为所述第一样本对象执行过所述预设交互操作的多媒体资源;
所述并行训练模块包括:
第一信息获取单元,被配置为执行从所述目标图结构中,获取所述资源属性信息和图采样序列;所述图采样序列包括第一标识序列和第二标识序列,所述第一标识序列为所述目标图结构中第一分支上的标识信息构成的序列;所述第一分支包括以所述第一样本对象中任一对象的对象标识信息所在节点为起始节点的分支;所述第二标识序列为所述目标图结构中第二分支上的标识信息构成的序列;所述第二分支包括以所述历史操作资源中任一资源的资源标识信息所在节点为起始节点的分支;
第二信息获取单元,被配置为执行获取所述第一样本对象的对象属性信息、所述第一样本对象的历史操作序列和所述历史操作资源的历史交互信息;
并行训练单元,被配置为执行基于所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列,对所述在线任务处理模型中的所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型。
在一个可选的实施例中,所述在线任务处理模型还包括第一解码网络;所述并行训练单元包括:
第一任务处理单元,被配置为执行将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述任务处理子模型进行任务处理,得到第一预测任务结果;
图表征学习单元,被配置为执行将所述图采样序列和所述资源属性信息输入所述图表征子模型进行图表征学习,得到目标图特征;
第一解码处理单元,被配置为执行对所述目标图特征进行解码处理,得到第二预测任务结果;
并行训练子单元,被配置为执行基于所述第一预测任务结果、所述第一预测任务结果对应的第一预设任务结果、所述第二预测任务结果和所述第二预测任务结果对应的第二预设任务结果,对所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型。
在一个可选的实施例中,所述任务处理子模型包括任务特征学习网络和第二解码网络;所述第一任务处理单元包括:
特征学习单元,被配置为执行将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述任务特征学习网络进行特征学习,得到目标任务特征;
第二解码处理单元,被配置为执行将所述目标任务特征输入所述第二解码网络进行解码处理,得到所述第一预测任务结果。
在一个可选的实施例中,所述任务特征学习网络包括:特征层标准化网络、特征划分网络、第一特征加权处理网络和第一编码网络;所述特征学习单元包括:
标准化处理单元,被配置为执行将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述特征层标准化网络进行层标准化处理,得到标准化特征;
特征划分处理单元,被配置为执行将所述标准化特征输入所述特征划分网络进行特征划分处理,得到目标稀疏特征和目标稠密特征;
第一加权处理单元,被配置为执行将所述目标稀疏特征输入所述第一特征加权处理网络进行加权处理,得到加权特征,所述加权特征为基于所述目标稀疏特征中每一特征的贡献程度,对所述目标稀疏特征中的每一特征进行加权后的特征;
任务编码处理单元,被配置为执行将所述加权特征和所述目标稠密特征输入所述第一编码网络进行任务编码处理,得到所述目标任务特征。
在一个可选的实施例中,所述图表征子模型包括:第二特征加权处理网络和第二编码网络;所述图表征学习单元包括:
第二加权处理单元,被配置为执行将所述图采样序列和所述资源属性信息输入所述第二特征加权处理网络进行加权处理,得到加权图特征,所述加权图特征为根据所述资源属性信息中每一属性信息对所述第一样本对象和所述历史操作资源的表征贡献程度进行加权处理后的图特征;
图编码处理单元,被配置为执行将所述加权图表征,输入所述第二编码网络进行图编码处理,得到所述目标图特征。
在一个可选的实施例中,所述并行训练子单元包括:
第一损失信息确定单元,被配置为执行根据所述第一预测任务结果和所述第一预设任务结果,确定第一损失信息;
第二损失信息确定单元,被配置为执行根据所述第二预测任务结果和所述第二预设任务结果,确定第二损失信息;
目标损失信息确定单元,被配置为执行根据所述第一损失信息和所述第二损失信息,确定第三损失信息;
模型训练单元,被配置为执行基于所述第三损失信息,对所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型。
在一个可选的实施例中,所述目标图结构为以第一样本对象的第一对象标识信息、所述第一样本对象对应的历史操作资源的第一资源标识信息和所述历史操作资源对应关联实体的第一实体标识信息为节点,以所述第一样本对象与所述历史操作资源间的交互操作,以及所述历史操作资源和所述关联实体间的关联关系为边的图结构;所述装置还包括:
标识信息获取模块,被配置为执行在到达预设更新时间的情况下,获取当前更新周期内执行过预设操作的第二样本对象的第二对象标识信息、所述第二样本对象在所述当前更新周期内对应的操作资源的第二资源标识信息和所述操作资源对应关联实体的第二实体标识信息;
目标图结构更新模块,被配置为执行基于所述第二对象标识信息、所述第二资源标识信息和所述第二实体标识信息,对所述目标图结构进行更新;
其中,所述预设更新时间为基于所述目标图结构对应的预设更新频率确定的当前更新时间,所述当前更新周期为所述目标图结构上次更新时间至所述当前更新时间之间的时间段。
根据本公开实施例的第四方面,提供一种任务处理装置,包括:
第二信息获取模块,被配置为执行响应于针对目标对象的任务处理请求,获取所述目标对象的目标实时操作序列和目标图结构;所述目标实时操作序列为当前时间段内所述目标对象执行预设交互操作的多媒体资源的资源标识信息的序列;所述当前时间段为所述目标图结构的上一次更新至当前时间对应的时间段;所述目标图结构为基于所述第一样本对象的历史交互记录构建的图结构;所述历史交互记录为所述第一样本对象,在所述目标图结构的上一次更新之前,对预设多媒体资源执行的所述预设交互操作产生的交互记录,所述第一样本对象包括所述目标对象;
第二任务处理模块,被配置为执行基于根据第一方面提供的任一所述在线任务处理模型训练方法得到的任一目标在线任务处理模型、所述目标实时操作序列和所述目标图结构,进行任务处理,得到目标任务处理结果。
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,以实现如上述第一方面、或第二方面中任一项所述的方法。
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本公开实施例的上述第一方面、或第二方面中任一项所述方法。
根据本公开实施例的第七方面,提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如上述第一方面、或第二方面中任一项所述的方法。
本公开的实施例提供的技术方案至少带来以下有益效果:
在线实时进行任务模型训练过程中,结合实时操作序列和目标图结构,对在线任务处理模型中的任务处理子模型和所述在线任务处理模型中的图表征子模型进行并行训练,可以将模型时效延迟压缩到图结构的更新环节,在结合图结构有效表征对象和多媒体资源的基础上,大大提升模型训练效率,进而可以有效提升训练出的模型处理效果和任务处理的时效性,大大提升多媒体资源推送任务的推送精准性,且在线任务处理模型训练过程中无需进行目标图结构对应特征的落表,有效减少存储空间消耗,大大提升系统性能。
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应用环境的示意图;
图2是根据一示例性实施例示出的一种在线任务处理模型训练方法的流程图;
图3是根据一示例性实施例提供的一种目标图结构的部分示意图;
图4是根据一示例性实施例示出的一种基于目标图结构和实时操作序列,对在线任务处理模型中的任务处理子模型和在线任务处理模型中的图表征子模型进行并行训练,得到目标在线任务处理模型的流程图;
图5是根据一示例性实施例示出的一种基于实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列,对在线任务处理模型中的任务处理子模型和图表征子模型进行并行训练,得到目标在线任务处理模型的流程图;
图6是根据一示例性实施例示出的一种将实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列输入任务特征学习网络进行特征学习,得到目标任务特征的流程图;
图7是根据一示例性实施例提供的一种在线任务处理模型训练过程中的示意图;
图8是根据一示例性实施例示出的一种任务处理方法的流程图;
图9是根据一示例性实施例示出的一种在线任务处理模型训练装置框图
图10是根据一示例性实施例示出的一种任务处理装置框图;
图11是根据一示例性实施例示出的一种用于在线任务处理模型训练或任务处理的电子设备的框图;
图12是根据一示例性实施例示出的另一种用于在线任务处理模型训练或任务处理的电子设备的框图。
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。
请参阅图1,图1是根据一示例性实施例示出的一种应用环境的示意图,该应用环境可以包括终端100和服务器200。
在一个可选的实施例中,终端100可以用于面向任一用户提供业务服务,例如多媒体资源推送服务等。具体的,终端100可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmented reality,AR)/虚拟现实(virtualreality,VR)设备、智能可穿戴设备等类型的电子设备,也可以为运行于上述电子设备的软体,例如应用程序等。可选的,电子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、windows等。
在一个可选的实施例中,服务器200可以为终端100提供后台服务,具体的,服务器200可以结合多个终端100提供实时操作序列,以及定时/实时更新的目标图结构进行在线任务处理模型训练,并结合在线任务处理模型进行任务处理,并结合任务处理结合为终端100侧的用户提供业务服务。可选的,服务器200可以设置有图引擎,该图引擎可以进行图检索,即从目标图结构中提取相应的节点数据。服务器200可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云计算服务的云服务器。
此外,需要说明的是,图1所示的仅仅是本公开提供的一种应用环境,在实际应用中,还可以包括其他应用环境,例如可以包括更多的终端。
本说明书实施例中,上述终端100以及服务器200可以通过有线或无线通信方式进行直接或间接地连接,本公开在此不做限制。
图2是根据一示例性实施例示出的一种在线任务处理模型训练方法的流程图,如图2所示,该方法可以应用于服务器等电子设备,具体的,可以包括以下步骤:
在步骤S201中,获取第一样本对象的实时操作序列和目标图结构。
在一个具体的实施例中,上述目标图结构可以为基于第一样本对象的历史交互记录构建的图结构;历史交互记录为第一样本对象,在目标图结构的上一次更新之前,对预设多媒体资源执行的预设交互操作产生的交互记录;具体的,预设交互操作可以包括点击、点赞、评论、转化(例如购买商品、下载应用程序等转化操作)等交互操作;具体的,每执行一次交互操作,可以生成一条历史交互记录,每一条历史交互记录可以包括交互操作标识信息(用于标识执行的预设交互操作),执行预设交互操作的对象的对象标识信息、对象属性信息、被执行预设交互操作的多媒体资源的资源标识信息和资源属性信息。
在一个具体的实施例中,第一样本对象可以为资源平台内的用户账号;对象标识信息可以为用户账号标识等可以区分不同对象的标识信息;对象属性信息可以为用于描述对象的属性表征,例如性别、年龄等属性的表征;预设多媒体资源可以为资源平台内的任一多媒体资源;上述资源平台可以是:为用户提供多媒体资源推送服务的平台,例如短视频平台、购物平台等。具体的,多媒体资源可以为视频等动态媒体资源,也可以为图文等静态媒体资源。资源标识信息可以为用于区分不同多媒体资源的标识信息,资源属性信息可以为用于描述多媒体资源的属性表征,例如类目,标题、视频(多媒体资源)中图像等属性的特征表征(特征向量)。
在一个可选的实施例中上述目标图结构也可以为以第一样本对象的第一对象标识信息、第一样本对象对应的历史操作资源的第一资源标识信息为节点,以第一样本对象与历史操作资源间的交互操作为边的图结构;可选的,为了提升图结构对对象和多媒体资源表征的精准性,可以将历史操作资源对应的关联实体的实体标识信息加入图结构中,相应的,上述目标图结构可以为以第一样本对象的第一对象标识信息、第一样本对象对应的历史操作资源的第一资源标识信息和历史操作资源对应关联实体的第一实体标识信息为节点,以第一样本对象与历史操作资源间的交互操作,以及历史操作资源和关联实体间的关联关系为边的图结构;第一样本对象对应的历史操作资源可以为第一样本对象执行过预设交互操作的多媒体资源。历史操作资源对应关联实体可以为历史操作资源包括实体(客观存在并可相互区别的事物,例如冰箱、手机),例如,历史操作资源为视频的情况下,关联实体可以为该视频中介绍的实体。具体的,可以通过对历史操作资源进行实体识别处理,以确定历史操作资源对应的关联实体,相应的,历史操作资源和关联实体间的关联关系可以为历史操作资源和关联实体间的包含关系。
在一个具体的实施例中,第一样本对象包括多个对象,任一对应的历史操作资源可以对应一个或多个多媒体资源;可选的,一个对象对某一历史操作资源执行多种交互操作的情况下,可以在该对象和该历史操作资源连多个边(一个边对应一种执行过的交互操作);可选的,不同的交互操作可以对应不同的权重,相应的,对象与历史操作资源之间的边可以为带有权重的边,具体的,不同操作对应的权重可以结合实际应用需求进行设置,例如点击交互操作对应的权重可以为0.5,转化交互操作对应的权重可以为1。
在一个可选的实施例中上述目标图结构也可以为以第一样本对象的第一对象标识信息、第一样本对象对应的历史操作资源的第一资源标识信息为节点,以第一样本对象与历史操作资源间的交互操作为边的图结构;
在一个可选的实施例中,上述目标图结构可以为实时或定时更新的,以保证模型训练数据的时效性,进而更好的提升训练好的在线任务处理模型的任务处理效果,相应的,上述方法还可以包括:
在到达预设更新时间的情况下,获取当前更新周期内执行过预设操作的第二样本对象的第二对象标识信息、第二样本对象在当前更新周期内对应的操作资源的第二资源标识信息和操作资源对应关联实体的第二实体标识信息;
基于第二对象标识信息、第二资源标识信息和第二实体标识信息,对目标图结构进行更新;
在一个具体的实施例中,上述预设更新时间可以为基于目标图结构对应的预设更新频率确定的当前更新时间,上述当前更新周期为目标图结构上次更新时间至当前更新时间之间的时间段。预设更新频率可以为目标图结构的更新频率,可以结合实际应用需求进行设置。
在一个具体的实施例中,第二样本对象可以包括一个或多个对象,在第二样本对象中任一对象包含在第一样本对象的情况下,在进行目标图结构更新过程中,可以不增加该对象对应的节点,反之,可以增加一个新的对象对应的节点。并结合该对象在当前更新周期内对应的操作资源是否包含上述第一样本对象对应的历史操作资源中,确定是否增加资源对应的节点;接着,可以结合该对象对对应的操作资源执行的交互操作,进行边的构建。
上述实施例中,通过定时更新目标图结构,可以有效提升图结构的时效性,进而可以后续图表征的有效性。
在一个具体的实施例中,上述实时操作序列可以为实时产生的操作序列,具体的,该实时操作序列可以为当前时间段内第一样本对象执行预设交互操作的多媒体资源的资源标识信息的序列。当前时间段为目标图结构的上一次更新至当前时间对应的时间段。
在一个具体的实施例中,如图3所示,图3是根据一示例性实施例提供的一种目标图结构的部分示意图。其中,圆圈对应的节点为对象标识信息所在节点,长方形对应的节点为资源标识信息所在节点,正方形对应的节点为实体标识信息所在节点。
在步骤S203中,基于目标图结构和实时操作序列,对在线任务处理模型中的任务处理子模型和在线任务处理模型中的图表征子模型进行并行训练,得到目标在线任务处理模型。
在一个具体的实施例中,上述在线任务处理模型可以是当前(实时)训练得到的任务处理模型;具体的,不同场景下可以对应不同的任务处理模型,例如基于对多媒体资源的点击概率,进行多媒体资源推送的场景中,上述任务处理模型可以为点击识别模型;在基于对多媒体资源的转化概率,进行多媒体资源推送的场景中,上述任务处理模型可以为转化识别模型。
在实际应用中,数据往往由于面临较强的稀疏性问题,使得模型学习的最终表征不够准确。为缓解此类问题,可以将历史操作资源的资源属性信息(作为辅助信息)添加到目标图结构中;相应的,上述第一资源标识信息可以所在节点挂载有第一资源标识信息对应的资源属性信息;
在一个可选的实施例中,如图4所示,上述基于目标图结构和实时操作序列,对在线任务处理模型中的任务处理子模型和在线任务处理模型中的图表征子模型进行并行训练,得到目标在线任务处理模型可以包括以下步骤:
在步骤S2031中,从目标图结构中,获取资源属性信息和图采样序列;
在步骤S2033中,获取第一样本对象的对象属性信息、第一样本对象的历史操作序列和历史操作资源的历史交互信息;
在步骤S2035中,基于实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列,对在线任务处理模型中的任务处理子模型和图表征子模型进行并行训练,得到目标在线任务处理模型。
在一个具体的实施例中,上述图采样序列可以包括第一标识序列和第二标识序列,具体的,第一标识序列可以为目标图结构中第一分支上的标识信息构成的序列;第一分支包括以第一样本对象中任一对象的对象标识信息所在节点为起始节点的分支;可选的,以某一对象标识信息为A的对象为例,第一分支可以包括上述301对应的分支,相应的,第一标识序列可以包括对象A、资源3、实体M。
具体的,上述第二标识序列为目标图结构中第二分支上的标识信息构成的序列;第二分支包括以历史操作资源中任一资源的资源标识信息所在节点为起始节点的分支;可选的,以某一资源标识信息为1的多媒体资源为例,第二分支可以包括上述302对应的分支,相应的,第二标识序列可以包括资源1、对象B、资源2、实体E。
在一个具体的实施例中,历史操作序列可以为历史时间段内目标对象执行过预设交互操作的多媒体资源的资源标识信息构成的序列,具体的,历史时间段可以结合实际应用进行设置;上述历史操作资源的历史交互信息可以为反映历史操作资源在历史时间段内被交互情况的信息,例如点击量、评论量等。
在一个具体的实施例中,上述第一样本对象的对象属性信息、第一样本对象的历史操作序列和历史操作资源的历史交互信息,可以直接从历史交互记录中获取,从目标图结构中获取,相应的,上述资源标识信息所在节点还挂载有上述历史交互信息,对象标识信息所在节点挂载有对象属性信息。
在一个可选的实施例中,上述在线任务处理模型还可以包括第一解码网络;相应的,如图5所示,上述基于实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列,对在线任务处理模型中的任务处理子模型和图表征子模型进行并行训练,得到目标在线任务处理模型可以包括以下步骤:
在步骤S501中,将实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列输入任务处理子模型进行任务处理,得到第一预测任务结果;
在一个具体的实施例中,任务处理子模型可以用于基于第一样本对象和历史操作资源的稀疏特征和稠密特征来自适应地学习第一样本对象和历史操作资源的个性化的表征(特征向量),并结合学习到的表征进行任务处理。具体的,稠密特征可以为带有语义信息,以及不同特征之间有相关性的特征,例如,对象属性信息中的年龄等属性特征,资源属性信息中图像的图像特征信息等;稀疏特征可以为标识性的特征,例如实时操作序列、对象属性信息中性别等用标识信息表征的信息、资源属性信息中类目等用标识信息表征的信息,历史操作序列、历史交互信息和图采样序列。
在一个具体的实施例中,第一预测任务结果可以为任务处理子模型进行任务处理后的任务处理结果;具体的,不同场景下的任务处理结果不同,以基于对多媒体资源的点击概率,进行多媒体资源推送的场景为例,任务处理结果可以为点击概率。以基于对多媒体资源的转化概率,进行多媒体资源推送的场景为例,任务处理结果可以为转化概率。
在一个可选的实施例中,任务处理子模型包括任务特征学习网络和第二解码网络;相应的,上述将实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列输入任务处理子模型进行任务处理,得到第一预测任务结果包括:将实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列输入任务特征学习网络进行特征学习,得到目标任务特征;将目标任务特征输入第二解码网络进行解码处理,得到第一预测任务结果。
在一个具体的实施例中,目标任务特征可以为基于实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列,学习到的第一样本对象和历史操作资源的特征。
在一个具体的实施例中,第二解码网络可以用于将目标任务特征转化为任务结果,可选的,第二解码网络可以为sigmiod(阈值)函数对应的网络。
上述实施例中,结合实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列进行特征学习,可以学习第一样本对象和历史操作资源的个性化的表征,并结合学习到目标任务特征进行任务处理,可以有效保证任务处理的有效性。
在一个可选的实施例中,上述任务特征学习网络可以包括:特征层标准化网络、特征划分网络、第一特征加权处理网络和第一编码网络;相应的,如图6所示,上述将实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列输入任务特征学习网络进行特征学习,得到目标任务特征可以包括以下步骤:
在步骤S601中,将实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列输入特征层标准化网络进行层标准化处理,得到标准化特征;
在步骤S603中,将标准化特征输入特征划分网络进行特征划分处理,得到目标稀疏特征和目标稠密特征;
在步骤S605中,将目标稀疏特征输入第一特征加权处理网络进行加权处理,得到加权特征;
在步骤S607中,将加权特征和目标稠密特征输入第一编码网络进行任务编码处理,得到目标任务特征。
在一个具体的实施例中,为了消除实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列间单位和尺度差异的影响,以对每维特征同等看待,可以先结合特征层标准化网络进行层标准化处理;接着,可以结合特征划分网络将标准化特征重新划分为目标稀疏特征和目标稠密特征;
在一个具体的实施例中,目标稀疏特征中每一特征(每一位特征)对于总体特征学习的贡献程度是不同的。相应的,可以结合第一特征加权处理网络来学习目标稀疏特征中每一特征的贡献程度;具体的,该贡献程度可以为第一特征加权处理网络中的网络参数,在结合第一特征加权处理网络进行加权处理过程中,可以结合该网络参数,学习到上述加权特征。具体的,上述加权特征为基于目标稀疏特征中每一特征的贡献程度,对目标稀疏特征中的每一特征进行加权后的特征。
在一个具体的实施例中,第一编码网络可以用于将加权特征和目标稠密特征进行拼接,以得到用于进行任务结果预测的目标任务特征。
上述实施例中,将实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列进行层标准化处理后,划分为目标稀疏特征和目标稠密特征,进而可以更好的提升模型训练效果,且针对目标稀疏特征进行加权处理后和目标稠密特征一起输入第一编码网络进行任务编码处理,得到用于进行任务结果预测的目标任务特征,可以大大提升对任务处理过程中第一样本对象和历史操作资源的表征精准性。
在步骤S503中,将图采样序列和资源属性信息输入图表征子模型进行图表征学习,得到目标图特征;
在一个可选的实施例中,图表征子模型包括:第二特征加权处理网络和第二编码网络;将图采样序列和资源属性信息输入图表征子模型进行图表征学习,得到目标图特征包括:将图采样序列和资源属性信息输入第二特征加权处理网络进行加权处理,得到加权图特征;将加权图表征,输入第二编码网络进行图编码处理,得到目标图特征。
在一个具体的实施例中,不同的资源属性信息对于同一对象或多媒体资源表征学习的贡献程度是不同的,相应的,可以结合第二特征加权处理网络学习该贡献程度,可选的,该贡献程度可以为第二特征加权处理网络中的网络参数,在结合第二特征加权处理网络进行加权处理过程中,可以结合该网络参数,学习到上述加权图特征。相应的,上述加权图特征可以为根据所述资源属性信息中每一属性信息对所述第一样本对象和所述历史操作资源的表征贡献程度进行加权处理后的图特征。
在一个具体的实施例中,第二编码网络可以为用于图表表征的网络,可选的,第二编码网络可以为deepwalk(深度游走)网络、GCN(Graph Convolutional Network)等。
上述实施例中,在结合图采样序列和资源属性信息进行图表征学习过程中,融合融合资源属性信息中每一属性信息对第一样本对象和历史操作资源的表征贡献程度,可以提升图表征的精准性,进而提升后续基于图结构的任务处理精准性。
在步骤S505中,对所述目标图特征进行解码处理,得到第二预测任务结果;
在一个具体的实施例中,可以结合任务对应的第一解码网络对象目标图特征进行解码处理,第一解码网络可以用于将目标图特征转化为任务结果,具体的,不同场景下的任务处理结果(第二预测任务结果)不同,以基于对多媒体资源的点击概率,进行多媒体资源推送的场景为例,第二预测任务结果可以为点击概率。以基于对多媒体资源的转化概率,进行多媒体资源推送的场景为例,第二预测任务结果可以为转化概率。可选的,第一解码网络可以为sigmiod(阈值)函数对应的网络。
在步骤S507中,基于第一预测任务结果、第一预测任务结果对应的第一预设任务结果、第二预测任务结果和第二预测任务结果对应的第二预设任务结果,对任务处理子模型和图表征子模型进行并行训练,得到目标在线任务处理模型。
在一个可选的实施例中,基于第一预测任务结果、第一预测任务结果对应的第一预设任务结果、第二预测任务结果和第二预测任务结果对应的第二预设任务结果,对任务处理子模型和图表征子模型进行并行训练,得到目标在线任务处理模型包括:
根据第一预测任务结果和第一预设任务结果,确定第一损失信息;
根据第二预测任务结果和第二预设任务结果,确定第二损失信息;
根据第一损失信息和第二损失信息,确定第三损失信息;
基于第三损失信息,对任务处理子模型和图表征子模型进行并行训练,得到目标在线任务处理模型。
在一个具体的实施例中,第一损失信息可以表征第一预测任务结果和第一预设任务结果间的差异程度;第二损失信息可以表征第二预测任务结果和第二预设任务结果;上述确定第一损失信息和第二损失信息过程中,可以结合预设的损失函数,例如交叉熵损失函数、绝对值损失函数等。可选的,在确定第一损失信息和第二损失信息过程过程中,还可以结合对应对象与对应历史操作资源间的交互操作权重,将将该交互操作权重乘以相应的预测任务结果后,进行第一损失信息和第二损失信息的计算。可选的,可以对第一损失信息和第二损失信息进行加权求和,得到第三损失信息;具体的,第三损失信息可以表征在线任务处理模型的性能。
在一个具体的实施例中,上述基于第三损失信息,对任务处理子模型和图表征子模型进行并行训练,得到目标在线任务处理模型可以包括:根据第三损失信息更在线任务处理模型中的任务处理子模型和图表征子模型的模型参数,基于更新后的在线任务处理模型重复上述将实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列输入任务处理子模型进行任务处理,得到第一预测任务结果至确定第三损失信息的训练迭代操作,直至满足预设收敛条件,并将满足预设收敛条件时对应的在线任务处理模型作为目标在线任务处理模型。
在一个可选的实施例中,上述满足预设收敛条件可以为训练迭代操作的次数达到预设训练次数。可选的,满足预设收敛条件也可以为第三损失信息小于指定阈值。本说明书实施例中,预设训练次数和指定阈值可以结合实际应用中对网络的训练速度和精准度预先设置。
上述实施例中,结合任务处理子模型和图表征子模型各自对应的损失信息,来确定在线任务处理模型的损失,可以在实现任务处理和图表征并行处理的基础上,有效保证的在线任务处理模型训练的有效性。
在一个具体的实施例中,上述目标在线任务处理模型可以为最新的在线任务处理模型。具体的,目标在线任务处理模型,也可以在新的实时操作序列产生的情况下,再次进行并行训练,以不断得到最新的在线任务处理模型。
上述实施例中,在结合任务处理子模型进行任务处理的过程中,结合图表征子模型进行图表征,并结合目标图特征进行任务解码处理,进而可以实现任务处理和图表征的并行处理,大大提升任务模型的训练效率,且无需进行图表征落表,有效减少存储空间消耗,大大提升系统性能。
在一个具体的实施例中,如图7所示,图7是根据一示例性实施例提供的一种在线任务处理模型训练过程中的示意图。在结合目标图结构和实时操作序列,确定出任务处理子模型的输入实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列;以及图表征子模型的输入图采样序列和资源属性信息,可以进行两个子模型中的表征处理,得到第一预测任务结果和第二预测任务结果,进而可以结合第一预测任务结果、第一预测任务结果对应的第一预设任务结果、第二预测任务结果和第二预测任务结果对应的第二预设任务结果,对任务处理子模型和图表征子模型进行并行训练,得到目标在线任务处理模型。
上述实施例中,从目标图结构中,获取资源属性信息和图采样序列;并结合第一样本对象的对象属性信息、历史操作序列、历史操作资源的历史交互信息和实时操作序列,对在线任务处理模型中的任务处理子模型和图表征子模型进行并行训练,得到目标在线任务处理模型,可以提升在提升模型训练过程中数据时效性的基础上,大大提升任务模型的训练效率,且无需进行图表征落表,有效减少存储空间消耗,大大提升系统性能。
由以上本说明书实施例提供的技术方案可见,本说明书中在线实时进行任务模型训练过程中,结合实时操作序列和目标图结构,对在线任务处理模型中的任务处理子模型和所述在线任务处理模型中的图表征子模型进行并行训练,可以将模型时效延迟压缩到图结构的更新环节,在结合图结构有效表征对象和多媒体资源的基础上,大大提升模型训练效率,进而可以有效提升训练出的模型处理效果和任务处理的时效性,大大提升多媒体资源推送任务的推送精准性,且在线任务处理模型训练过程中无需进行目标图结构对应特征的落表,有效减少存储空间消耗,大大提升系统性能。
模型时效延迟压缩到图结构的更新
图8是根据一示例性实施例示出的一种任务处理方法的流程图,如图8所示,该方法可以应用于服务器,终端等电子设备,具体的,可以包括以下步骤:
在步骤S801中,响应于针对目标对象的任务处理请求,获取目标对象的目标实时操作序列和目标图结构;
在步骤S803中,基于目标在线任务处理模型、目标实时操作序列和目标图结构,进行任务处理,得到目标任务处理结果。
在一个具体的实施例中,目标实时操作序列可以为目标对象对应的实时产生的操作序列。具体的,该目标实时操作序列可以为目标对象当前执行预设交互操作的多媒体资源的资源标识信息的序列。
在一个具体的实施例中,目标图结构为基于第一样本对象的历史交互记录构建的图结构;历史交互记录为第一样本对象,在目标图结构的上一次更新之前,对预设多媒体资源执行的预设交互操作产生的交互记录,第一样本对象包括目标对象。
在一个可选的实施例中,上述基于目标在线任务处理模型、目标实时操作序列和目标图结构,进行任务处理,得到目标任务处理结果可以包括:结合目标对象对应的目标对象标识信息,从目标在线任务处理模型训练收敛时得到的目标图特征和目标任务特征中,确定目标对象对应的对象特征;并结合预设多媒体资源的资源标识信息,从目标在线任务处理模型训练收敛时得到的目标图特征和目标任务特征中确定预设多媒体资源对应的资源特征;接着,可以结合对象特征和资源特征间的相似度,从预设多媒体资源中,确定待推荐多媒体资源;接着,将目标实时操作序列、目标对象属性信息(目标对象的对象属性信息)、目标资源属性信息(待推荐多媒体资源的资源属性信息)、目标历史操作序列(目标对象的历史操作序列)、目标历史交互信息(待推荐多媒体资源的历史交互信息)、第三标识序列(目标图结构中第三分支上的标识信息构成的序列,第三分支包括以目标对象标识信息所在节点为起始节点的分支)和第四标识序列(目标图结构中第四分支上的标识信息构成的序列;第四分支包括以待推荐多媒体资源中任一资源的资源标识信息所在节点为起始节点的分支)输入目标在线任务处理模型中的任务处理子模型进行任务处理,得到第一目标任务结果;并将第三标识序列、第四标识序列和目标资源属性信息输入目标在线任务处理模型中的图表征子模型进行图表征学习,得到图特征,接着,将图特征输入目标在线任务处理模型中的第一解码网络进行任务解码处理,得到第二目标任务结果;接着,将第一目标任务结果和第二目标任务结果加权求和后,得到目标任务处理结果。可选的,第一目标任务结果和第二目标任务结果的权重可以结合实际应用需求进行设置。
在一个具体的实施例中,上述进行任务处理,得到第一目标任务结果的具体细化,可以参见上述相关步骤,在此不再赘述。
在一个具体的实施例中,上述进行图表征学习,得到图特征的具体细化,可以参见上述相关步骤,在此不再赘述。可选的,以基于对多媒体资源的点击概率,进行多媒体资源推送的场景为例,目标任务处理结果表征目标对象点击待推荐多媒体资源的概率(点击概率);相应的,可以选点击概率较高的前预设数量个多媒体资源,作为目标多媒体资源,并推送给目标对象,也可以选点击概率大于预设阈值的多媒体资源作为目标多媒体资源,并推送给目标对象。
可选的,也可以结合上述目标图表征进行二次任务模型训练,以更好提升任务处理效果,具体可以结合实际应用需求。
由以上本说明书实施例提供的技术方案可见,本说明书中在任务处理过程中,结合目标对象的目标实时操作序列、目标图结构和在线任务处理模型,可以在大大提升时效性的基础上,大大提升任务处理效果和效率。
图9是根据一示例性实施例示出的一种在线任务处理模型训练装置框图。参照图9,该装置包括:
第一信息获取模块910,被配置为执行获取第一样本对象的实时操作序列和目标图结构,所述实时操作序列为当前时间段内所述第一样本对象执行预设交互操作的多媒体资源的资源标识信息的序列;所述当前时间段为所述目标图结构的上一次更新至当前时间对应的时间段;所述目标图结构为基于所述第一样本对象的历史交互记录构建的图结构;所述历史交互记录为所述第一样本对象,在所述目标图结构的上一次更新之前,对预设多媒体资源执行的所述预设交互操作产生的交互记录;
并行训练模块920,被配置为执行基于目标图结构和实时操作序列,对在线任务处理模型中的任务处理子模型和在线任务处理模型中的图表征子模型进行并行训练,得到目标在线任务处理模型。
在一个可选的实施例中,目标图结构为以第一样本对象的第一对象标识信息、第一样本对象对应的历史操作资源的第一资源标识信息和历史操作资源对应关联实体的第一实体标识信息为节点,以第一样本对象与历史操作资源间的交互操作,以及历史操作资源和关联实体间的关联关系为边的图结构;第一资源标识信息所在节点挂载有第一资源标识信息对应的资源属性信息;所述历史操作资源为所述第一样本对象执行过所述预设交互操作的多媒体资源;
并行训练模块920包括:
第一信息获取单元,被配置为执行从目标图结构中,获取资源属性信息和图采样序列;图采样序列包括第一标识序列和第二标识序列,第一标识序列为目标图结构中第一分支上的标识信息构成的序列;第一分支包括以第一样本对象中任一对象的对象标识信息所在节点为起始节点的分支;第二标识序列为目标图结构中第二分支上的标识信息构成的序列;第二分支包括以历史操作资源中任一资源的资源标识信息所在节点为起始节点的分支;
第二信息获取单元,被配置为执行获取第一样本对象的对象属性信息、第一样本对象的历史操作序列和历史操作资源的历史交互信息;
并行训练单元,被配置为执行基于实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列,对在线任务处理模型中的任务处理子模型和图表征子模型进行并行训练,得到目标在线任务处理模型。
在一个可选的实施例中,在线任务处理模型还包括第一解码网络;并行训练单元包括:
第一任务处理单元,被配置为执行将实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列输入任务处理子模型进行任务处理,得到第一预测任务结果;
图表征学习单元,被配置为执行将图采样序列和资源属性信息输入图表征子模型进行图表征学习,得到目标图特征;
第一解码处理单元,被配置为执行对目标图特征进行解码处理,得到第二预测任务结果;
并行训练子单元,被配置为执行基于第一预测任务结果、第一预测任务结果对应的第一预设任务结果、第二预测任务结果和第二预测任务结果对应的第二预设任务结果,对任务处理子模型和图表征子模型进行并行训练,得到目标在线任务处理模型。
在一个可选的实施例中,任务处理子模型包括任务特征学习网络和第二解码网络;第一任务处理单元包括:
特征学习单元,被配置为执行将实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列输入任务特征学习网络进行特征学习,得到目标任务特征;
第二解码处理单元,被配置为执行将目标任务特征输入第二解码网络进行解码处理,得到第一预测任务结果。
在一个可选的实施例中,任务特征学习网络包括:特征层标准化网络、特征划分网络、第一特征加权处理网络和第一编码网络;特征学习单元包括:
标准化处理单元,被配置为执行将实时操作序列、对象属性信息、资源属性信息、历史操作序列、历史交互信息和图采样序列输入特征层标准化网络进行层标准化处理,得到标准化特征;
特征划分处理单元,被配置为执行将标准化特征输入特征划分网络进行特征划分处理,得到目标稀疏特征和目标稠密特征;
第一加权处理单元,被配置为执行将目标稀疏特征输入第一特征加权处理网络进行加权处理,得到加权特征,加权特征为基于目标稀疏特征中每一特征的贡献程度,对目标稀疏特征中的每一特征进行加权后的特征;
任务编码处理单元,被配置为执行将加权特征和目标稠密特征输入第一编码网络进行任务编码处理,得到目标任务特征。
在一个可选的实施例中,图表征子模型包括:第二特征加权处理网络和第二编码网络;图表征学习单元包括:
第二加权处理单元,被配置为执行将图采样序列和资源属性信息输入第二特征加权处理网络进行加权处理,得到加权图特征,加权图特征为根据所述资源属性信息中每一属性信息对所述第一样本对象和所述历史操作资源的表征贡献程度进行加权处理后的图特征;
图编码处理单元,被配置为执行将加权图表征,输入第二编码网络进行图编码处理,得到目标图特征。
在一个可选的实施例中,并行训练子单元包括:
第一损失信息确定单元,被配置为执行根据第一预测任务结果和第一预设任务结果,确定第一损失信息;
第二损失信息确定单元,被配置为执行根据第二预测任务结果和第二预设任务结果,确定第二损失信息;
目标损失信息确定单元,被配置为执行根据第一损失信息和第二损失信息,确定第三损失信息;
模型训练单元,被配置为执行基于第三损失信息,对任务处理子模型和图表征子模型进行并行训练,得到目标在线任务处理模型。
在一个可选的实施例中,目标图结构为以第一样本对象的第一对象标识信息、第一样本对象对应的历史操作资源的第一资源标识信息和历史操作资源对应关联实体的第一实体标识信息为节点,以第一样本对象与历史操作资源间的交互操作,以及历史操作资源和关联实体间的关联关系为边的图结构;上述装置还包括:
标识信息获取模块,被配置为执行在到达预设更新时间的情况下,获取当前更新周期内执行过预设操作的第二样本对象的第二对象标识信息、第二样本对象在当前更新周期内对应的操作资源的第二资源标识信息和操作资源对应关联实体的第二实体标识信息;
目标图结构更新模块,被配置为执行基于第二对象标识信息、第二资源标识信息和第二实体标识信息,对目标图结构进行更新;
其中,预设更新时间为基于目标图结构对应的预设更新频率确定的当前更新时间,当前更新周期为目标图结构上次更新时间至当前更新时间之间的时间段。
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任务处理装置框图。参照图10,该装置包括:
第二信息获取模块1010,被配置为执行响应于针对目标对象的任务处理请求,获取所述目标对象的目标实时操作序列和目标图结构;所述目标实时操作序列为当前时间段内所述目标对象执行预设交互操作的多媒体资源的资源标识信息的序列;所述当前时间段为所述目标图结构的上一次更新至当前时间对应的时间段;所述目标图结构为基于所述第一样本对象的历史交互记录构建的图结构;所述历史交互记录为所述第一样本对象,在所述目标图结构的上一次更新之前,对预设多媒体资源执行的所述预设交互操作产生的交互记录,所述第一样本对象包括所述目标对象;
第二任务处理模块1020,被配置为执行基于根据第一方面提供的任一在线任务处理模型训练方法得到的任一目标在线任务处理模型、目标实时操作序列和目标图结构,进行任务处理,得到目标任务处理结果。
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11是根据一示例性实施例示出的一种用于在线任务处理模型训练或任务处理的电子设备的框图,该电子设备可以是终端,其内部结构图可以如图11所示。该电子设备包括通过系统总线连接的处理器、存储器、模型接口、显示屏和输入装置。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。该电子设备的模型接口用于与外部的终端通过模型连接通信。该计算机程序被处理器执行时以实现一种在线任务处理模型训练或任务处理方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
图12是根据一示例性实施例示出的另一种用于在线任务处理模型训练或任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12所示。该电子设备包括通过系统总线连接的处理器、存储器和模型接口。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。该电子设备的模型接口用于与外部的终端通过模型连接通信。该计算机程序被处理器执行时以实现一种在线任务处理模型训练方法或任务处理方法。
本领域技术人员可以理解,图11或图12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,还提供了一种电子设备,包括:处理器;用于存储该处理器可执行指令的存储器;其中,该处理器被配置为执行该指令,以实现如本公开实施例中的在线任务处理模型训练方法或任务处理方法。
在示例性实施例中,还提供了一种计算机可读存储介质,当该存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行本公开实施例中的在线任务处理模型训练方法或任务处理方法。
在示例性实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行本公开实施例中的在线任务处理模型训练方法或任务处理方法。
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,该计算机程序可存储于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,本申请所提供的各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以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、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。
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 (13)

1.一种在线任务处理模型训练方法,其特征在于,包括:
获取第一样本对象的实时操作序列和目标图结构,所述实时操作序列为当前时间段内所述第一样本对象执行预设交互操作的多媒体资源的资源标识信息的序列;所述当前时间段为所述目标图结构的上一次更新至当前时间对应的时间段;所述目标图结构为基于所述第一样本对象的历史交互记录构建的图结构;所述历史交互记录为所述第一样本对象,在所述目标图结构的上一次更新之前,对预设多媒体资源执行的所述预设交互操作产生的交互记录;
基于所述目标图结构和所述实时操作序列,对在线任务处理模型中的任务处理子模型和所述在线任务处理模型中的图表征子模型进行并行训练,得到目标在线任务处理模型。
2.根据权利要求1所述的在线任务处理模型训练方法,其特征在于,所述目标图结构为以第一样本对象的第一对象标识信息、历史操作资源的第一资源标识信息和所述历史操作资源对应关联实体的第一实体标识信息为节点,以所述第一样本对象与所述历史操作资源间的交互操作,以及所述历史操作资源和所述关联实体间的关联关系为边的图结构;所述第一资源标识信息所在节点挂载有所述第一资源标识信息对应的资源属性信息;所述历史操作资源为所述第一样本对象执行过所述预设交互操作的多媒体资源;
所述基于所述目标图结构和所述实时操作序列,对在线任务处理模型中的任务处理子模型和所述在线任务处理模型中的图表征子模型进行并行训练,得到目标在线任务处理模型包括:
从所述目标图结构中,获取所述资源属性信息和图采样序列;所述图采样序列包括第一标识序列和第二标识序列,所述第一标识序列为所述目标图结构中第一分支上的标识信息构成的序列;所述第一分支包括以所述第一样本对象中任一对象的对象标识信息所在节点为起始节点的分支;所述第二标识序列为所述目标图结构中第二分支上的标识信息构成的序列;所述第二分支包括以所述历史操作资源中任一资源的资源标识信息所在节点为起始节点的分支;
获取所述第一样本对象的对象属性信息、所述第一样本对象的历史操作序列和所述历史操作资源的历史交互信息;
基于所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列,对所述在线任务处理模型中的所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型。
3.根据权利要求2所述的在线任务处理模型训练方法,其特征在于,所述基于所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列,对所述在线任务处理模型中的所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型包括:
将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述任务处理子模型进行任务处理,得到第一预测任务结果;
将所述图采样序列和所述资源属性信息输入所述图表征子模型进行图表征学习,得到目标图特征;
对所述目标图特征进行解码处理,得到第二预测任务结果;
基于所述第一预测任务结果、所述第一预测任务结果对应的第一预设任务结果、所述第二预测任务结果和所述第二预测任务结果对应的第二预设任务结果,对所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型。
4.根据权利要求3所述的在线任务处理模型训练方法,其特征在于,所述任务处理子模型包括任务特征学习网络和第二解码网络;所述将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述任务处理子模型进行任务处理,得到第一预测任务结果包括:
将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述任务特征学习网络进行特征学习,得到目标任务特征;
将所述目标任务特征输入所述第二解码网络进行解码处理,得到所述第一预测任务结果。
5.根据权利要求4所述的在线任务处理模型训练方法,其特征在于,所述任务特征学习网络包括:特征层标准化网络、特征划分网络、第一特征加权处理网络和第一编码网络;所述将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述任务特征学习网络进行特征学习,得到目标任务特征包括:
将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述特征层标准化网络进行层标准化处理,得到标准化特征;
将所述标准化特征输入所述特征划分网络进行特征划分处理,得到目标稀疏特征和目标稠密特征;
将所述目标稀疏特征输入所述第一特征加权处理网络进行加权处理,得到加权特征,所述加权特征为基于所述目标稀疏特征中每一特征对学习所述加权特征的贡献程度,对所述目标稀疏特征中的每一特征进行加权后的特征;
将所述加权特征和所述目标稠密特征输入所述第一编码网络进行任务编码处理,得到所述目标任务特征。
6.根据权利要求3所述的在线任务处理模型训练方法,其特征在于,所述图表征子模型包括:第二特征加权处理网络和第二编码网络;所述将所述图采样序列和所述资源属性信息输入所述图表征子模型进行图表征学习,得到目标图特征包括:
将所述图采样序列和所述资源属性信息输入所述第二特征加权处理网络进行加权处理,得到加权图特征,所述加权图特征为根据所述资源属性信息中每一属性信息对所述第一样本对象和所述历史操作资源的表征贡献程度进行加权处理后的图特征;
将所述加权图表征,输入所述第二编码网络进行图编码处理,得到所述目标图特征。
7.根据权利要求3所述的在线任务处理模型训练方法,其特征在于,所述基于所述第一预测任务结果、所述第一预测任务结果对应的第一预设任务结果、所述第二预测任务结果和所述第二预测任务结果对应的第二预设任务结果,对所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型包括:
根据所述第一预测任务结果和所述第一预设任务结果,确定第一损失信息;
根据所述第二预测任务结果和所述第二预设任务结果,确定第二损失信息;
根据所述第一损失信息和所述第二损失信息,确定第三损失信息;
基于所述第三损失信息,对所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型。
8.根据权利要求1所述的在线任务处理模型训练方法,其特征在于,所述目标图结构为以第一样本对象的第一对象标识信息、所述第一样本对象对应的历史操作资源的第一资源标识信息和所述历史操作资源对应关联实体的第一实体标识信息为节点,以所述第一样本对象与所述历史操作资源间的交互操作,以及所述历史操作资源和所述关联实体间的关联关系为边的图结构;所述方法还包括:
在到达预设更新时间的情况下,获取当前更新周期内执行过预设操作的第二样本对象的第二对象标识信息、所述第二样本对象在所述当前更新周期内对应的操作资源的第二资源标识信息和所述操作资源对应关联实体的第二实体标识信息;
基于所述第二对象标识信息、所述第二资源标识信息和所述第二实体标识信息,对所述目标图结构进行更新;
其中,所述预设更新时间为基于所述目标图结构对应的预设更新频率确定的当前更新时间,所述当前更新周期为所述目标图结构上次更新时间至所述当前更新时间之间的时间段。
9.一种任务处理方法,其特征在于,包括:
响应于针对目标对象的任务处理请求,获取所述目标对象的目标实时操作序列和目标图结构;所述目标实时操作序列为当前时间段内所述目标对象执行预设交互操作的多媒体资源的资源标识信息的序列;所述当前时间段为所述目标图结构的上一次更新至当前时间对应的时间段;所述目标图结构为基于所述第一样本对象的历史交互记录构建的图结构;所述历史交互记录为所述第一样本对象,在所述目标图结构的上一次更新之前,对预设多媒体资源执行的所述预设交互操作产生的交互记录,所述第一样本对象包括所述目标对象;
基于根据权利要求1至8任一所述的在线任务处理模型训练方法得到的任一目标在线任务处理模型、所述目标实时操作序列和所述目标图结构,进行任务处理,得到目标任务处理结果。
10.一种在线任务处理模型训练装置,其特征在于,包括:
第一信息获取模块,被配置为执行获取第一样本对象的实时操作序列和目标图结构,所述实时操作序列为当前时间段内所述第一样本对象执行预设交互操作的多媒体资源的资源标识信息的序列;所述当前时间段为所述目标图结构的上一次更新至当前时间对应的时间段;所述目标图结构为基于所述第一样本对象的历史交互记录构建的图结构;所述历史交互记录为所述第一样本对象,在所述目标图结构的上一次更新之前,对预设多媒体资源执行的所述预设交互操作产生的交互记录;
并行训练模块,被配置为执行基于所述目标图结构和所述实时操作序列,对在线任务处理模型中的任务处理子模型和所述在线任务处理模型中的图表征子模型进行并行训练,得到目标在线任务处理模型。
11.一种任务处理装置,其特征在于,包括:
第二信息获取模块,被配置为执行响应于针对目标对象的任务处理请求,获取所述目标对象的目标实时操作序列和目标图结构;所述目标实时操作序列为当前时间段内所述目标对象执行预设交互操作的多媒体资源的资源标识信息的序列;所述当前时间段为所述目标图结构的上一次更新至当前时间对应的时间段;所述目标图结构为基于所述第一样本对象的历史交互记录构建的图结构;所述历史交互记录为所述第一样本对象,在所述目标图结构的上一次更新之前,对预设多媒体资源执行的所述预设交互操作产生的交互记录,所述第一样本对象包括所述目标对象;
第二任务处理模块,被配置为执行基于根据权利要求1至8任一所述的在线任务处理模型训练方法得到的任一目标在线任务处理模型、所述目标实时操作序列和所述目标图结构,进行任务处理,得到目标任务处理结果。
12.一种电子设备,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8中任一项所述的在线任务处理模型训练方法或如权利要求9所述的任务处理方法。
13.一种计算机可读存储介质,其特征在于,当所述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8中任一项所述的在线任务处理模型训练方法或如权利要求9所述的任务处理方法。
CN202211266332.5A 2022-10-17 2022-10-17 在线任务处理模型训练、任务处理方法及装置 Pending CN115756821A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211266332.5A CN115756821A (zh) 2022-10-17 2022-10-17 在线任务处理模型训练、任务处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211266332.5A CN115756821A (zh) 2022-10-17 2022-10-17 在线任务处理模型训练、任务处理方法及装置

Publications (1)

Publication Number Publication Date
CN115756821A true CN115756821A (zh) 2023-03-07

Family

ID=85351687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211266332.5A Pending CN115756821A (zh) 2022-10-17 2022-10-17 在线任务处理模型训练、任务处理方法及装置

Country Status (1)

Country Link
CN (1) CN115756821A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116541179A (zh) * 2023-07-05 2023-08-04 支付宝(杭州)信息技术有限公司 一种计算资源预测方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116541179A (zh) * 2023-07-05 2023-08-04 支付宝(杭州)信息技术有限公司 一种计算资源预测方法和系统
CN116541179B (zh) * 2023-07-05 2023-12-05 支付宝(杭州)信息技术有限公司 一种计算资源预测方法和系统

Similar Documents

Publication Publication Date Title
CN109902849B (zh) 用户行为预测方法及装置、行为预测模型训练方法及装置
CN108921221B (zh) 用户特征的生成方法、装置、设备及存储介质
CN112330685B (zh) 图像分割模型训练、图像分割方法、装置及电子设备
WO2022022152A1 (zh) 视频片段定位方法、装置、计算机设备及存储介质
CN110413867B (zh) 用于内容推荐的方法及系统
CN113641835B (zh) 多媒体资源推荐方法、装置、电子设备及介质
WO2022148038A1 (zh) 信息推荐方法及装置
CN112883257B (zh) 行为序列数据处理方法、装置、电子设备及存储介质
CN112905876A (zh) 基于深度学习的信息推送方法、装置和计算机设备
CN113918738B (zh) 多媒体资源推荐方法、装置、电子设备及存储介质
CN113704511B (zh) 多媒体资源的推荐方法、装置、电子设备及存储介质
CN115756821A (zh) 在线任务处理模型训练、任务处理方法及装置
CN113704509B (zh) 多媒体推荐方法、装置、电子设备及存储介质
CN113420203B (zh) 对象推荐方法、装置、电子设备及存储介质
CN112269943B (zh) 一种信息推荐系统及方法
CN113656699A (zh) 用户特征向量确定方法、相关设备及介质
CN114491093B (zh) 多媒体资源推荐、对象表征网络的生成方法及装置
CN114092162B (zh) 推荐质量确定方法、推荐质量确定模型的训练方法及装置
CN114741540A (zh) 一种多媒体序列推荐方法、操作预测模型训练方法、装置、设备及存储介质
CN113947185B (zh) 任务处理网络生成、任务处理方法、装置、电子设备及存储介质
CN115186173A (zh) 多媒体资源推送、智能体网络生成方法及装置
CN112269942B (zh) 一种推荐对象的方法、装置、系统及电子设备
CN114357242A (zh) 基于召回模型的训练评估方法及装置、设备、存储介质
CN115222112A (zh) 一种行为预测方法、行为预测模型的生成方法及电子设备
CN113868516A (zh) 对象推荐方法、装置、电子设备及存储介质

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