CN113486982A - 模型训练方法、装置和电子设备 - Google Patents
模型训练方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113486982A CN113486982A CN202110876129.9A CN202110876129A CN113486982A CN 113486982 A CN113486982 A CN 113486982A CN 202110876129 A CN202110876129 A CN 202110876129A CN 113486982 A CN113486982 A CN 113486982A
- Authority
- CN
- China
- Prior art keywords
- sample
- target
- target training
- training
- training 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 266
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000000523 sample Substances 0.000 claims abstract description 167
- 239000013074 reference sample Substances 0.000 claims abstract description 72
- 238000012986 modification Methods 0.000 claims abstract description 39
- 230000004048 modification Effects 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 239000002699 waste material Substances 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开的实施例公开了模型训练方法、装置和电子设备。该方法的一具体实施方式包括:获取基准样本,其中,上述基准样本用于训练推荐信息的推送模型;对于至少一个训练任务中的目标训练任务,基于上述目标训练任务的样本修改规则,修改上述基准样本,以生成上述目标训练任务所需的目标训练样本;向上述目标训练任务传输其所需的目标训练样本,以使上述目标训练任务利用接收到的目标训练样本,训练生成目标推送模型。该实施方式可以提升目标训练任务的模型训练效率。
Description
技术领域
本公开的实施例涉及计算机技术领域,尤其涉及一种模型训练方法、装置和电子设备。
背景技术
在训练模型前,需要生成用于训练模型的训练样本。当训练样本的数量较多时,通常可以训练得到性能良好的模型。
在实际应用中,对于不同的模型训练场景,往往采用不同的模型训练方式。
发明内容
提供该公开内容部分以便以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的实施例提供了一种模型训练方法、装置和电子设备,可以提升目标训练任务的模型训练效率。
第一方面,本公开的实施例提供了一种模型训练方法,该方法包括:获取基准样本,其中,上述基准样本用于训练推荐信息的推送模型;对于至少一个训练任务中的目标训练任务,基于上述目标训练任务的样本修改规则,修改上述基准样本,以生成上述目标训练任务所需的目标训练样本;向上述目标训练任务传输其所需的目标训练样本,以使上述目标训练任务利用接收到的目标训练样本,训练生成目标推送模型。
第二方面,本公开的实施例提供了一种模型训练装置,该装置包括:获取单元,用于获取基准样本,其中,上述基准样本用于训练推荐信息的推送模型;生成单元,用于对于至少一个训练任务中的目标训练任务,基于上述目标训练任务的样本修改规则,修改上述基准样本,以生成上述目标训练任务所需的目标训练样本;传输单元,用于向上述目标训练任务传输其所需的目标训练样本,以使上述目标训练任务利用接收到的目标训练样本,训练生成目标推送模型。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面所述的模型训练方法。
第四方面,本公开的实施例提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面所述的模型训练方法的步骤。
本公开的实施例提供的模型训练方法、装置和电子设备,首先,获取基准样本,其中,上述基准样本用于训练推荐信息的推送模型,然后,对于至少一个训练任务中的目标训练任务,可以基于上述目标训练任务的样本修改规则,修改上述基准样本,以生成上述目标训练任务所需的目标训练样本,进一步,可以向上述目标训练任务传输其所需的目标训练样本,以使上述目标训练任务利用接收到的目标训练样本,训练生成目标推送模型。一方面,目标训练任务在接收到目标训练样本后,可以直接利用目标训练样本训练生成目标推送模型,由此可以提升目标训练任务的模型训练效率。另一方面,目标训练任务无需存储基准样本,由此可以降低目标训练任务所在设备的存储空间浪费。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其它特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1是本公开的模型训练方法的一些实施例的流程图;
图2是本公开的模型训练方法的又一些实施例的流程图;
图3是本公开的模型训练方法的一些实施例中生成第二中间样本的流程图;
图4是本公开的模型训练装置的一些实施例的结构示意图;
图5是本公开的模型训练方法在一些实施例中可以应用于其中的示例性***架构;
图6是根据本公开的一些实施例提供的电子设备的基本结构的示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其它术语的相关定义将在下文描述中给出。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
请参考图1,其示出了根据本公开的模型训练方法的一些实施例的流程。如图1所示,该模型训练方法,包括以下步骤:
步骤101,获取基准样本。
在本实施例中,模型训练方法的执行主体可以获取基准样本。其中,上述基准样本用于训练推荐信息的推送模型。
推荐信息可以包括向用户推荐的各种信息。在一些场景中,推荐信息可以包括向用户推荐的广告信息。此时,推送模型可以是用于向用户推送广告的模型。
步骤102,对于至少一个训练任务中的目标训练任务,基于上述目标训练任务的样本修改规则,修改上述基准样本,以生成上述目标训练任务所需的目标训练样本。
在本实施例中,对于至少一个训练任务中的目标训练任务,上述执行主体可以基于目标训练任务的样本修改规则,修改上述基准样本,进而生成目标训练任务所需的目标训练样本。
上述至少一个训练任务可以设置于相同或者不同的服务器。
目标训练任务可以包括上述至少一个训练任务中的部分或者全部训练任务。
目标训练任务具有相应的样本修改规则。其中,样本修改规则是用于修改上述基准样本的规则。在实际应用中,样本修改规则可以存储为各种形式。例如,样本修改规则可以以脚本文件的形式。
需要说明的是,不同目标训练任务可以具有相同或者不同的样本修改规则。由此,针对不同目标训练任务,可以实现对基准样本的相同修改或者不同修改。进一步,针对不同目标训练任务,可以生成相同或者不同的目标训练样本。
可以理解,上述基准样本可以包括用于训练推送模型的多个样本。相应地,目标训练样本可以包括目标训练任务用于生成目标推送模型的多个样本。
步骤103,向上述目标训练任务传输其所需的目标训练样本,以使上述目标训练任务利用接收到的目标训练样本,训练生成目标推送模型。
在本实施例中,上述执行主体可以向目标训练任务传输其所需的目标训练样本。进一步,目标训练任务可以利用接收到的目标训练样本,训练生成目标推送模型。
可选地,每一个基准样本包括样本用户特征、样本推荐信息特征、样本推荐信息浏览特征和样本标识信息。其中,样本标识信息用于标识样本用户是否针对样本推荐信息执行目标操作。
样本推荐信息特征可以包括样本推荐信息的相关特征。例如,样本推荐信息特征可以包括但不限于以下一者:样本推荐信息所展示样本产品的产品信息,样本产品的品牌信息,样本推荐信息的展出时间。
样本推荐信息浏览特征可以包括表征样本用户浏览样本推荐信息的相关特征。例如,样本推荐信息浏览特征可以包括但不限于以下至少一者:样本用户对样本推荐信息的浏览时间,样本用户对样本推荐信息的浏览地点。
样本标识信息用于标识样本用户是否针对样本推荐信息执行目标操作。其中,目标操作可以包括但不限于以下至少一者:点击样本推荐信息,购买样本推荐信息描述的样本产品。
在一些场景中,目标训练任务可以将基准样本包括的样本用户特征、样本推荐信息特征和样本推荐信息浏览特征作为初始模型的输入,将基准样本包括的样本标识信息作为初始模型的期望输出,以此将初始模型训练为目标推送模型。
需要说明的是,不同目标训练任务采用的初始模型可以相同,也可以不同。相应地,不同目标训练任务最终生成的目标推送模型可以相同,也可以不同。
在相关技术中,为了实现至少一个训练任务训练生成目标推送模型,首先,每一个训练任务需要读取并存储基准样本,然后每一个训练任务通过修改基准样本,生成其所需的目标训练样本。一方面,每一个训练任务在读取并存储基准样本后,再经过基准样本的修改等一系列操作完成模型的训练,可能造成每一个训练任务的模型训练效率较低。另一方面,每一个训练任务均存储基准样本,可能造成每一个训练任务所在设备的存储空间浪费。
在本实施例中,对于至少一个训练任务中的目标训练任务,可以基于上述目标训练任务的样本修改规则,修改上述基准样本,以生成上述目标训练任务所需的目标训练样本,进一步,可以向上述目标训练任务传输其所需的目标训练样本,以使上述目标训练任务利用接收到的目标训练样本,训练生成目标推送模型。一方面,目标训练任务在接收到目标训练样本后,可以直接利用目标训练样本训练生成目标推送模型,由此可以提升目标训练任务的模型训练效率。另一方面,目标训练任务无需存储基准样本,由此可以降低目标训练任务所在设备的存储空间浪费。
在一些场景中,每一个目标训练任务所需的目标训练样本与上述基准样本的差距较小。可见,在上述基准样本的基础上,通过较小的修改,即可获得每一个目标训练任务所需的目标训练样本。由此,通过对相同的基准样本进行较小的修改,可以快速生成多个目标训练任务所需的目标训练样本。从而,可以提升多个训练任务同时训练模型的效率。
在一些实施例中,样本修改规则用于实现对上述基准样本的以下至少一项处理:样本用户特征的增加、删除、替换和重命名中的至少一者;样本推荐信息特征的增加、删除、替换和重命名中的至少一者;样本推荐信息浏览特征的增加、删除、替换和重命名中的至少一者。
在实际应用中,不同训练任务对样本用户特征增加、删除、替换和重命名的特征可以相同,也可以不同。
在一些实施例中,目标训练任务可以执行以下步骤。
具体地,将训练生成的目标推送模型发送至对应的目标业务平台,以使上述目标业务平台利用目标推送模型向用户推送推荐信息。
不同目标训练任务可以将其生成的目标推送模型发送至不同的目标业务平台。
在一些场景中,目标业务平台可以将用户特征、推荐信息特征和推荐信息浏览特征输入至目标推送模型中,获得目标推送模型的输出结果。进一步,如果输出结果表征用户对上述推荐信息执行过目标操作,目标业务平台可以向上述用户推送上述推荐信息。
可见,目标训练任务在生成目标推送模型后,可以向对应的目标业务平台发送目标推送模型,以供对应的目标业务平台向用户推送推荐信息。由此,在目标训练任务的模型训练效率提升的基础上,可以提升目标业务平台向用户推送推荐信息的效率。
在一些实施例中,目标训练任务通过以下方式,训练生成目标推送模型。
第一步,利用目标训练样本,将至少一个初始模型训练为推送模型。
与前述分析类似,目标训练任务可以将基准样本包括的样本用户特征、样本推荐信息特征和样本推荐信息浏览特征作为初始模型的输入,将基准样本包括的样本标识信息作为初始模型的期望输出,实现将初始模型训练为推送模型。
第二步,将训练生成的至少一个推送模型中性能最优的推送模型,作为目标推送模型。
在一些场景中,目标训练任务可以确定每一个推送的性能指标值,进而将性能指标值最高的推送模型,作为目标推送模型。其中,性能指标可以是AUC(Area Under Curve)指标。
可见,目标训练任务可以利用相同目标训练样本,将至少一个初始模型训练为推送模型,进一步从中选择性能最优的推送模型最为目标推送模型。由此,可以实现目标训练任务生成性能较优的目标推送模型。
在此基础上,如果目标业务平台利用目标训练任务发送的目标推送模型,向用户推送推荐信息,可以提升目标业务平台向用户推送推荐信息的准确度。
在一些实施例中,上述基准样本预先经过序列化。
经过序列化后,基准样本可以是字节流形式的样本。在一些场景中,可以通过对线上数据进行序列化,获得上述基准样本。
可以理解,将基准样本序列化为字节流,是为了便于基准样本的存储和传输。
此时,上述执行主体可以按照图2所示的流程,执行上述步骤102。该流程包括以下步骤:
步骤201,基于基准样本的反序列化,生成第一中间样本。经过反序列化,可以将字节流形式的基准样本转换为真实样本(也即,可查询、删除、增加特征的样本)。
通常,通过对每一个基准样本进行反序列化,均可以生成对应的第一中间样本。
步骤202,对于上述至少一个训练任务中的目标训练任务,执行以下生成步骤。
步骤2021,基于上述目标训练任务的样本修改规则,修改上述第一中间样本,以生成第二中间样本。
步骤2022,基于第二中间样本的重新序列化,生成上述目标训练任务所需的目标训练样本。
可见,在基准样本预先经过序列化的场景中,需要先通过基准样本的反序列化,生成第一中间样本,再在第一中间样本的基础上修改特征。由此,在基准样本预先经过序列化的场景中,仍然可以实现对基准样本修改特征。从而,可以拓宽用于生成目标训练任务所需目标训练样本的应用场景。
在一些实施例中,样本修改规则用于实现对上述基准样本增加目标特征。
可选地,目标特征包括需要对上述基准样本增加的样本用户特征、样本推荐信息特征和样本推荐信息浏览特征中的至少一者。
此时,上述执行主体可以按照图3所示的流程,执行上述步骤2021。该流程包括以下步骤:
步骤301,基于目标训练任务的样本修改规则,获取目标训练任务需要对上述基准样本增加的目标特征。
可选地,目标特征可以获取自线上数据(也即,线上产生的数据)。
在一些场景中,样本修改规则中包括目标特征的存储地址。上述执行主体可以从上述存储地址,获取目标特征。
步骤302,将经过特征编码的目标特征添加至上述第一中间样本,以生成第二中间样本。
在实际应用中,上述执行主体可以通过多种方式,对目标特征进行特征编码。例如,可以通过哈希编码的方式,对目标特征进行编码。
通常,通过对每一个第一中间样本添加目标特征,均可以生成对应的第二中间样本。
在实际应用中,上述执行主体可以对部分或者全部的第一中间样本添加目标特征。
可见,先对目标特征进行特征编码,再将编码后的目标特征添加至第一中间样本。由此,可以保证添加至第一中间样本的目标特征的安全性。在此基础上,可以保证生成的目标训练样本在传输和存储过程中的安全性。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种模型训练装置的一些实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的模型训练装置包括获取单元401、生成单元402和传输单元403。获取单元401,可以用于获取基准样本,其中,上述基准样本用于训练推荐信息的推送模型。生成单元402,可以用于对于至少一个训练任务中的目标训练任务,基于上述目标训练任务的样本修改规则,修改上述基准样本,以生成上述目标训练任务所需的目标训练样本。传输单元403,可以用于向上述目标训练任务传输其所需的目标训练样本,以使上述目标训练任务利用接收到的目标训练样本,训练生成目标推送模型。
在本实施例中,模型训练装置的获取单元401、生成单元402和传输单元403的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101、步骤102和步骤103的相关说明,在此不再赘述。
在一些实施例中,每一个基准样本包括样本用户特征、样本推荐信息特征、样本推荐信息浏览特征和样本标识信息,其中,样本标识信息用于标识样本用户是否针对样本推荐信息执行目标操作。
在一些实施例中,样本修改规则用于实现对上述基准样本的以下至少一项处理:样本用户特征的增加、删除、替换和重命名中的至少一者;样本推荐信息特征的增加、删除、替换和重命名中的至少一者;样本推荐信息浏览特征的增加、删除、替换和重命名中的至少一者。
在一些实施例中,上述基准样本是预先经过序列化;生成单元402进一步用于:基于上述基准样本的反序列化,生成第一中间样本;对于上述至少一个训练任务中的目标训练任务,执行以下生成步骤:基于上述目标训练任务的样本修改规则,修改上述第一中间样本,以生成第二中间样本;基于第二中间样本的重新序列化,生成上述目标训练任务所需的目标训练样本。
在一些实施例中,样本修改规则用于实现对上述基准样本增加目标特征;生成单元402进一步用于:基于上述目标训练任务的样本修改规则,获取上述目标训练任务需要对上述基准样本增加的目标特征;将经过特征编码的目标特征添加至上述第一中间样本,以生成第二中间样本。
在一些实施例中,目标特征包括需要对上述基准样本增加的样本用户特征、样本推荐信息特征和样本推荐信息浏览特征中的至少一者。
在一些实施例中,上述目标训练任务可以执行以下步骤:将训练生成的目标推送模型发送至对应的目标业务平台,以使上述目标业务平台利用目标推送模型向用户推送推荐信息。
在一些实施例中,上述目标训练任务通过以下方式,训练生成目标推送模型:利用目标训练样本,将至少一个初始模型训练为推送模型;将训练生成的至少一个推送模型中性能最优的推送模型,作为目标推送模型。
进一步参考图5,图5示出了本公开的一些实施例的模型训练方法可以应用于其中的示例性***架构。
如图5所示,***架构可以包括服务器501、网络502和服务器503、504。其中,网络502用以在服务器501和服务器503、504之间提供通信链路的介质。网络502可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
服务器503和服务器504上分别设置有训练任务5031和训练任务5041。其中,训练任务5031和训练任务5041分别具有相应的样本修改规则。
在一些场景中,对于训练任务5031和训练任务5041中的目标训练任务,服务器501可以基于目标训练任务的样本修改规则,修改上述基准样本,以生成上述目标训练任务所需的目标训练样本。进一步,服务器501可以向目标训练任务传输其所需的目标训练样本。从而,目标训练任务可以利用接收到的目标训练样本,训练生成目标推送模型。
服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块,在此不做具体限定。
需要说明的是,图5中所示的服务器也可以是终端设备。其中,终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端,以及诸如数字TV、台式计算机等等的固定终端。
需要说明的是,本公开的实施例所提供的模型训练方法可以由服务器501执行,相应地,模型训练装置可以设置在服务器501中。
应该理解,图5中的服务器、网络和训练任务的数目仅仅是示意性的。根据实现需要,可以具有任意数目的服务器、网络和训练任务。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备(例如,图5中的服务器501)的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备与其它设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取基准样本,其中,上述基准样本用于训练推荐信息的推送模型;对于至少一个训练任务中的目标训练任务,基于上述目标训练任务的样本修改规则,修改上述基准样本,以生成上述目标训练任务所需的目标训练样本;向上述目标训练任务传输其所需的目标训练样本,以使上述目标训练任务利用接收到的目标训练样本,训练生成目标推送模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取基准样本”的单元。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
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***、装置或设备使用或与指令执行***、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***、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。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中所公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (11)
1.一种模型训练方法,其特征在于,包括:
获取基准样本,其中,所述基准样本用于训练推荐信息的推送模型;
对于至少一个训练任务中的目标训练任务,基于所述目标训练任务的样本修改规则,修改所述基准样本,以生成所述目标训练任务所需的目标训练样本;
向所述目标训练任务传输其所需的目标训练样本,以使所述目标训练任务利用接收到的目标训练样本,训练生成目标推送模型。
2.根据权利要求1所述的方法,其特征在于,每一个基准样本包括样本用户特征、样本推荐信息特征、样本推荐信息浏览特征和样本标识信息,其中,样本标识信息用于标识样本用户是否针对样本推荐信息执行目标操作。
3.根据权利要求2所述的方法,其特征在于,样本修改规则用于实现对所述基准样本的以下至少一项处理:
样本用户特征的增加、删除、替换和重命名中的至少一者;
样本推荐信息特征的增加、删除、替换和重命名中的至少一者;
样本推荐信息浏览特征的增加、删除、替换和重命名中的至少一者。
4.根据权利要求1所述的方法,其特征在于,所述基准样本预先经过序列化;以及
所述对于至少一个训练任务中的目标训练任务,基于所述目标训练任务的样本修改规则,修改所述基准样本,以生成所述目标训练任务所需的目标训练样本,包括:
基于所述基准样本的反序列化,生成第一中间样本;
对于所述至少一个训练任务中的目标训练任务,执行以下生成步骤:基于所述目标训练任务的样本修改规则,修改所述第一中间样本,以生成第二中间样本;基于第二中间样本的重新序列化,生成所述目标训练任务所需的目标训练样本。
5.根据权利要求4所述的方法,其特征在于,样本修改规则用于实现对所述基准样本增加目标特征;以及
所述基于所述目标训练任务的样本修改规则,修改所述第一中间样本,以生成第二中间样本,包括:
基于所述目标训练任务的样本修改规则,获取所述目标训练任务需要对所述基准样本增加的目标特征;
将经过特征编码的目标特征添加至所述第一中间样本,以生成第二中间样本。
6.根据权利要求5所述的方法,其特征在于,目标特征包括需要对所述基准样本增加的样本用户特征、样本推荐信息特征和样本推荐信息浏览特征中的至少一者。
7.根据权利要求1-6中任一所述的方法,其特征在于,所述目标训练任务执行以下步骤:
将训练生成的目标推送模型发送至对应的目标业务平台,以使所述目标业务平台利用目标推送模型向用户推送推荐信息。
8.根据权利要求1-6中任一所述的方法,其特征在于,所述目标训练任务通过以下方式,训练生成目标推送模型:
利用目标训练样本,将至少一个初始模型训练为推送模型;
将训练生成的至少一个推送模型中性能最优的推送模型,作为目标推送模型。
9.一种模型训练装置,其特征在于,包括:
获取单元,用于获取基准样本,其中,所述基准样本用于训练推荐信息的推送模型;
生成单元,用于对于至少一个训练任务中的目标训练任务,基于所述目标训练任务的样本修改规则,修改所述基准样本,以生成所述目标训练任务所需的目标训练样本;
传输单元,用于向所述目标训练任务传输其所需的目标训练样本,以使所述目标训练任务利用接收到的目标训练样本,训练生成目标推送模型。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110876129.9A CN113486982A (zh) | 2021-07-30 | 2021-07-30 | 模型训练方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110876129.9A CN113486982A (zh) | 2021-07-30 | 2021-07-30 | 模型训练方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486982A true CN113486982A (zh) | 2021-10-08 |
Family
ID=77944966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110876129.9A Pending CN113486982A (zh) | 2021-07-30 | 2021-07-30 | 模型训练方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486982A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291253A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 模型训练方法、咨询推荐方法、装置及电子设备 |
CN112182359A (zh) * | 2019-07-05 | 2021-01-05 | 腾讯科技(深圳)有限公司 | 推荐模型的特征管理方法及*** |
US20210081788A1 (en) * | 2019-09-17 | 2021-03-18 | Ricoh Company, Ltd. | Method and apparatus for generating sample data, and non-transitory computer-readable recording medium |
CN112836128A (zh) * | 2021-02-10 | 2021-05-25 | 脸萌有限公司 | 信息推荐方法、装置、设备和存储介质 |
CN112905839A (zh) * | 2021-02-10 | 2021-06-04 | 北京有竹居网络技术有限公司 | 模型训练方法、模型使用方法、装置、存储介质及设备 |
-
2021
- 2021-07-30 CN CN202110876129.9A patent/CN113486982A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291253A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 模型训练方法、咨询推荐方法、装置及电子设备 |
CN112182359A (zh) * | 2019-07-05 | 2021-01-05 | 腾讯科技(深圳)有限公司 | 推荐模型的特征管理方法及*** |
US20210081788A1 (en) * | 2019-09-17 | 2021-03-18 | Ricoh Company, Ltd. | Method and apparatus for generating sample data, and non-transitory computer-readable recording medium |
CN112836128A (zh) * | 2021-02-10 | 2021-05-25 | 脸萌有限公司 | 信息推荐方法、装置、设备和存储介质 |
CN112905839A (zh) * | 2021-02-10 | 2021-06-04 | 北京有竹居网络技术有限公司 | 模型训练方法、模型使用方法、装置、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781373B (zh) | 榜单更新方法、装置、可读介质和电子设备 | |
CN111596991A (zh) | 交互操作执行方法、装置和电子设备 | |
CN111858381B (zh) | 应用程序容错能力测试方法、电子设备及介质 | |
CN111857720A (zh) | 用户界面状态信息的生成方法、装置、电子设备及介质 | |
CN111754600A (zh) | 海报图像生成方法、装置和电子设备 | |
CN111597107A (zh) | 信息输出方法、装置和电子设备 | |
CN111309304A (zh) | 一种生成idl文件的方法、装置、介质和电子设备 | |
CN113191257B (zh) | 笔顺检测方法、装置和电子设备 | |
CN114170342A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN113850890A (zh) | 动物形象的生成方法、装置、设备及存储介质 | |
CN111262907B (zh) | 服务实例访问方法、装置和电子设备 | |
CN113220281A (zh) | 一种信息生成方法、装置、终端设备及存储介质 | |
CN111752644A (zh) | 接口模拟方法、装置、设备及存储介质 | |
CN111756953A (zh) | 视频处理方法、装置、设备和计算机可读介质 | |
CN111815508A (zh) | 图像生成方法、装置、设备和计算机可读介质 | |
CN113628097A (zh) | 图像特效配置方法、图像识别方法、装置及电子设备 | |
CN111797822A (zh) | 文字对象评价方法、装置和电子设备 | |
CN110705536A (zh) | 汉字识别纠错方法、装置、计算机可读介质及电子设备 | |
CN112507676B (zh) | 能源报表生成方法、装置、电子设备和计算机可读介质 | |
CN115134254A (zh) | 一种网络模拟方法、装置、设备及存储介质 | |
CN113240108A (zh) | 模型训练方法、装置和电子设备 | |
CN113486982A (zh) | 模型训练方法、装置和电子设备 | |
CN113435528A (zh) | 对象分类的方法、装置、可读介质和电子设备 | |
CN112699289A (zh) | 房源信息聚合展示方法、装置、电子设备和计算机可读介质 | |
CN112230986A (zh) | 项目文件生成方法、装置、电子设备和计算机可读介质 |
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 | ||
CB02 | Change of applicant information |
Address after: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant after: Douyin Vision Co.,Ltd. Address before: 100041 B-0035, 2 floor, 3 building, 30 Shixing street, Shijingshan District, Beijing. Applicant before: BEIJING BYTEDANCE NETWORK TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211008 |
|
RJ01 | Rejection of invention patent application after publication |