CN114117206A - 推荐模型处理方法、装置、电子设备及存储介质 - Google Patents
推荐模型处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114117206A CN114117206A CN202111320914.2A CN202111320914A CN114117206A CN 114117206 A CN114117206 A CN 114117206A CN 202111320914 A CN202111320914 A CN 202111320914A CN 114117206 A CN114117206 A CN 114117206A
- Authority
- CN
- China
- Prior art keywords
- model
- recommendation
- operator
- sample
- precision
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 116
- 230000008569 process Effects 0.000 claims abstract description 58
- 238000013145 classification model Methods 0.000 claims description 113
- 238000012549 training Methods 0.000 claims description 90
- 238000000605 extraction Methods 0.000 claims description 62
- 238000012545 processing Methods 0.000 claims description 44
- 230000015654 memory Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 description 61
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 18
- 239000003795 chemical substances by application Substances 0.000 description 14
- 230000001537 neural effect Effects 0.000 description 11
- 238000013459 approach Methods 0.000 description 10
- 230000002093 peripheral effect Effects 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000010420 art technique Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开是关于一种推荐模型处理方法、装置、电子设备及存储介质,属于计算机技术领域。该方法包括:获取推荐模型,推荐模型包括按照顺序排列的多个算子,多个算子按照顺序依次对输入至推荐模型的账号数据和物品数据进行处理得到推荐参数;基于推荐模型,获取推荐模型中的每个算子对应的算子特征以及推荐模型的结构特征,结构特征表示多个算子中任两个算子之间的连接关系;基于每个算子对应的算子特征以及结构特征进行特征提取,得到推荐模型对应的模型特征;基于模型特征进行精度预测,得到推荐模型对应的推荐精度。该方法得到的模型特征能够更加准确地表示推荐模型,从而基于该模型特征预测得到的推荐精度更加准确,提高了推荐精度的准确性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种推荐模型处理方法、装置、电子设备及存储介质。
背景技术
随着计算机技术的发展,采用神经架构搜索的方式构建网络模型已成为一种常用的模型构建方法。而且,在得到网络模型之后,通常还需要确定该网络模型对应的模型精度,根据该模型精度确定该网络模型是否可实际应用。例如,在推荐场景下,可基于推荐模型对应的模型特征确定该推荐模型对应的推荐精度,其中如何获取推荐模型对应的模型特征是确定该推荐精度的关键。
发明内容
本公开提供了一种推荐模型处理方法、装置、电子设备及存储介质,提高了确定的推荐精度的准确性。
根据本公开实施例的一方面,提供一种推荐模型处理方法,所述方法包括:
获取推荐模型,所述推荐模型包括按照顺序排列的多个算子,所述多个算子按照顺序依次对输入至所述推荐模型的账号数据和物品数据进行处理得到推荐参数,所述推荐参数指示是否将所述物品推荐给所述账号;
基于所述推荐模型,获取所述推荐模型中的每个算子对应的算子特征以及所述推荐模型的结构特征,所述结构特征表示所述多个算子中任两个算子之间的连接关系;
基于所述每个算子对应的算子特征以及所述结构特征进行特征提取,得到所述推荐模型对应的模型特征;
基于所述模型特征进行精度预测,得到所述推荐模型对应的推荐精度。
本公开实施例提供的方法,先获取推荐模型对应的各个算子特征和结构特征,再利用该算子特征和结构特征提取出有效的模型特征,这种获取模型特征的方式能够充分获取推荐模型的特征,使得到的模型特征能够更加准确地表示该推荐模型,从而基于该模型特征预测得到的推荐精度更加准确,提高了推荐精度的准确性。
在一些实施例中,所述推荐模型还包括所述每个算子对应的索引标识,获取所述每个算子对应的算子特征的步骤包括:
基于所述每个算子对应的索引标识,从算子特征表中查询所述每个算子对应的算子特征;
其中,所述算子特征表包括至少一个算子对应的索引标识和算子特征,其中所述算子特征是通过对所述算子进行特征提取得到的。
本公开实施例中,由于算子特征表中已包括算子特征,因此通过查询算子特征表的方式能够快速获取算子特征,无需临时提取算子对应的算子特征,从而提高获取推荐精度的效率。
在一些实施例中,所述推荐模型包括N个算子,N为大于1的整数,获取所述结构特征的步骤包括:
基于所述推荐模型中的所述N个算子,创建N行N列的目标矩阵,其中所述N个算子分别作为所述目标矩阵的N行和N列,所述目标矩阵中对角线上的元素对应的行和列为相同的算子,所述目标矩阵中对角线上的元素的取值等于所述元素对应的算子所连接的其他算子的数量,所述目标矩阵中其他位置上的元素对应的行和列为不同的两个算子,所述其他位置上的元素的取值表示所述元素对应的两个算子是否具有连接关系;
对所述目标矩阵进行特征提取,得到所述结构特征。
本公开实施例中,目标矩阵能够充分表示该推荐模型中任两个算子之间的连接关系,即充分获取了该推荐模型的拓扑结构信息,因此基于该目标矩阵得到的结构特征能够准确表示该推荐模型的结构,提高了结构特征的准确性。
在一些实施例中,所述对所述每个算子的算子特征以及所述结构特征进行特征提取,得到所述推荐模型对应的模型特征,包括:
对所述每个算子对应的算子特征以及所述结构特征进行拼接,得到所述推荐模型对应的拼接特征;
对所述拼接特征进行编码,得到所述模型特征。
本公开实施例中,分别获取多个算子特征和结构特征,得到的算子特征能够准确表示推荐模型中的算子,结构特征能够准确表示推荐模型的结构,因此通过对多个算子特征和结构特征进行拼接并编码得到的模型特征,能够准确表示该推荐模型,提高了模型特征的准确性。
在一些实施例中,推荐精度预测模型包括特征提取网络和预测网络,
所述特征提取网络,用于基于所述每个算子对应的算子特征以及所述结构特征进行特征提取,得到所述模型特征;
所述预测网络,用于对所述模型特征进行精度预测,得到所述推荐精度。
在一些实施例中,所述推荐精度预测模型还包括特征获取网络,
所述特征获取网络,用于获取所述推荐模型中所述每个算子对应的算子特征;
所述特征获取网络,还用于获取所述推荐模型的所述结构特征。
本公开实施例中,与相关技术中对推荐模型进行训练,然后采用测试数据对推荐模型进行测试,根据测试结果确定推荐精度的方式相比,利用推荐精度预测模型来预测推荐精度,能够快速获取推荐精度,提高了获取推荐精度的效率。
在一些实施例中,所述推荐精度预测模型的训练过程包括:
获取第一样本推荐模型中的每个样本算子对应的样本算子特征、第一样本结构特征和第一样本推荐精度,所述第一样本结构特征表示所述第一样本推荐模型中任两个样本算子之间的连接关系;
调用所述推荐精度预测模型,对所述第一样本推荐模型中每个样本算子对应的样本算子特征和第一样本结构特征进行处理,得到第一预测推荐精度;
基于所述第一预测推荐精度和所述第一样本推荐精度,训练所述推荐精度预测模型。
在一些实施例中,所述推荐模型处理方法还包括:
将所述账号数据和所述物品数据输入至所述推荐模型;
调用所述推荐模型中的第一个算子,对所述账号数据和所述物品数据进行处理,得到所述第一个算子的输出数据;
将所述第一个算子的输出数据作为与所述第一个算子连接的下一个算子的输入数据,调用下一个算子对所述输出数据进行处理,直至得到所述推荐模型中最后一个算子的输出数据,将所述最后一个算子的输出数据确定为所述推荐参数。
在一些实施例中,所述获取推荐模型,包括:
获取多个推荐模型,任两个推荐模型中存在不相同的算子,或者任两个推荐模型中算子之间的连接关系不相同;
所述基于所述模型特征进行精度预测,得到所述推荐模型对应的推荐精度之后,所述推荐模型处理方法还包括:
基于所述多个推荐模型对应的推荐精度,从所述多个推荐模型中选取最大的推荐精度对应的目标推荐模型;
调用所述目标推荐模型进行推荐。
本公开实施例中,基于多个推荐模型对应的推荐精度,能够从多个推荐模型中选取出最准确的推荐模型,从而将选取出的推荐模型应用在实际的推荐场景时,能够基于该推荐模型进行准确推荐,从而提高推荐准确率。
在一些实施例中,所述推荐模型还包括多条边,每条边连接两个算子,所述算子用于对输入至所述算子的输入数据进行处理得到输出数据;并且,每条边连接的其中一个算子的输出数据作为连接的另一个算子的输入数据。
根据本公开实施例的再一方面,提供一种推荐精度预测模型训练方法,所述方法包括:
在一些实施例中,所述推荐模型处理方法还包括:
获取第一样本推荐模型中每个样本算子对应的样本算子特征、第一样本结构特征和第一样本推荐精度,所述第一样本结构特征表示所述第一样本推荐模型中任两个样本算子之间的连接关系;
调用推荐精度预测模型,对所述第一样本推荐模型中每个样本算子对应的样本算子特征和第一样本结构特征进行特征提取,得到所述第一样本推荐模型对应的模型特征,基于所述第一样本推荐模型对应的模型特征进行精度预测,得到第一预测推荐精度;
基于所述第一预测推荐精度和所述第一样本推荐精度,训练所述推荐精度预测模型。
本公开实施例提供的方法,通过训练用于预测推荐精度的推荐精度预测模型,之后能够利用该推荐精度预测模型,对推荐模型对应的各个算子特征和结构特征进行处理,并利用该算子特征和结构特征提取出有效的模型特征,以充分获取推荐模型的特征,使得到的模型特征能够更加准确地表示该推荐模型,从而该推荐精度预测模型基于该模型特征预测得到的推荐精度更加准确,提高了推荐精度的准确性。
在一些实施例中,所述推荐精度预测模型训练方法还包括:
获取第二样本推荐模型中每个样本算子对应的样本算子特征、第二样本结构特征和代理推荐精度,所述第二样本结构特征表示所述第二样本推荐模型中任两个样本算子之间的连接关系,所述代理推荐精度为用于指示所述第二样本推荐模型的推荐精度的变量;
调用所述推荐精度预测模型,对所述第二样本推荐模型中每个样本算子对应的样本算子特征和第二样本结构特征进行特征提取,得到所述第二样本推荐模型对应的模型特征,基于所述第二样本推荐模型对应的模型特征进行精度预测,得到第二预测推荐精度;
所述基于所述第一预测推荐精度和所述第一样本推荐精度,训练所述推荐精度预测模型,包括:
基于所述第一预测推荐精度、所述第一样本推荐精度、第二预测推荐精度和所述代理推荐精度,训练所述推荐精度预测模型。
本公开实施例中,在训练推荐精度预测模型时,不仅采用第一样本推荐模型对推荐精度预测模型进行训练,还采用了第二样本推荐模型对推荐精度预测模型进行训练,提供了更多用于训练的样本模型,从而提高了训练得到的推荐精度预测模型的准确率和泛化能力。
在一些实施例中,所述基于所述第一预测推荐精度、所述第一样本推荐精度、第二预测推荐精度和所述代理推荐精度,训练所述推荐精度预测模型,包括:
获取所述第一预测推荐精度与所述第一样本推荐精度之间的第一误差,所述第二预测推荐精度与所述第二样本推荐精度之间的第二误差;
基于所述第一误差和所述第二误差,调整所述推荐精度预测模型中的模型参数和所述代理推荐精度,以使所述第二样本推荐模型在历史时刻对应的预测推荐精度与调整后的所述代理推荐精度之间的误差趋近于所述历史时刻对应的目标误差。
在一些实施例中,所述基于所述第一预测推荐精度、所述第一样本推荐精度、第二预测推荐精度和所述代理推荐精度,采用下述损失函数,训练所述推荐精度预测模型:
其中,L表示所述损失函数,fθ(·)表示所述推荐精度预测模型,θ表示所述推荐精度预测模型中的模型参数,fθ(xi)表示第i个所述第一样本推荐模型对应的所述第一预测推荐精度,xi表示第i个所述第一样本推荐模型中每个样本算子对应的样本算子特征和所述第一样本结构特征,n表示用于训练所述推荐精度预测模型的所述第一样本推荐模型的数量,yi表示第i个所述第一样本推荐模型对应的所述第一样本推荐精度,fθ(vj)表示第j个所述第二样本推荐模型对应的所述第二预测推荐精度,vj表示第j个所述第二样本推荐模型中每个样本算子对应的样本算子特征和所述第二样本结构特征,V表示用于训练所述推荐精度预测模型的所述第二样本推荐模型的数量,表示第j个所述第二样本推荐模型对应的所述代理推荐精度,表示代理推荐精度,α为参考参数;
所述损失函数满足下述条件:
其中,V表示用于训练所述推荐精度预测模型的所述第二样本推荐模型的数量,表示第j个所述第二样本推荐模型对应的所述代理推荐精度,表示第j个所述第二样本推荐模型在第t个时刻对应的预测推荐精度,e(t)表示第t个时刻对应的目标误差,T表示T个历史时刻。
本公开实施例中,在训练推荐精度预测模型时,不仅采用第一样本推荐模型对推荐精度预测模型进行训练,还采用了第二样本推荐模型对推荐精度预测模型进行训练,且在训练过程中,使第二样本推荐模型对应的代理推荐精度还需要满足历史时刻对应的条件,即不仅考虑当前训练过程中的训练数据,还考虑了历史时刻的训练数据,添加了针对第二样本推荐模型的自进化优化框架,从而提高了训练效率,也提高了训练得到的推荐精度预测模型的准确率。
根据本公开实施例的再一方面,提供了一种分类模型处理方法,所述方法包括:
获取分类模型,所述分类模型包括按照顺序排列的多个算子,所述多个算子按照顺序依次对输入至所述分类模型的待分类数据进行处理得到所述数据对应的数据类型;
基于所述分类模型,获取所述分类模型中的每个算子对应的算子特征以及所述分类模型的结构特征,所述结构特征表示所述多个算子中任两个算子之间的连接关系;
基于所述每个算子对应的算子特征以及所述结构特征进行特征提取,得到所述分类模型对应的模型特征;
基于所述模型特征进行精度预测,得到所述分类模型对应的分类精度。
本公开实施例提供的方法,先获取分类模型对应的各个算子特征和结构特征,再利用该算子特征和结构特征提取出有效的模型特征,这种获取模型特征的方式能够充分获取分类模型的特征,使得到的模型特征能够更加准确地表示该分类模型,从而基于该模型特征预测得到的分类精度更加准确,提高了分类精度的准确性。
根据本公开实施例的再一方面,提供一种模型处理装置,所述装置包括:
推荐模型获取单元,被配置为执行获取推荐模型,所述推荐模型包括按照顺序排列的多个算子,所述多个算子按照顺序依次对输入至所述推荐模型的账号数据和物品数据进行处理得到推荐参数,所述推荐参数指示是否将所述物品推荐给所述账号;
第一特征获取单元,被配置为执行基于所述推荐模型,获取所述推荐模型中的每个算子对应的算子特征以及所述推荐模型的结构特征,所述结构特征表示所述多个算子中任两个算子之间的连接关系;
第二特征获取单元,被配置为执行基于所述每个算子对应的算子特征以及所述结构特征进行特征提取,得到所述推荐模型对应的模型特征;
推荐精度预测单元,被配置为执行基于所述模型特征进行精度预测,得到所述推荐模型对应的推荐精度。
在一些实施例中,所述推荐模型还包括所述每个算子对应的索引标识,所述第一特征获取单元,包括:
算子特征获取子单元,被配置为执行基于所述每个算子对应的索引标识,从算子特征表中查询所述每个算子对应的算子特征;
其中,所述算子特征表包括至少一个算子对应的索引标识和算子特征,其中所述算子特征是通过对所述算子进行特征提取得到的。
在一些实施例中,所述推荐模型包括N个算子,N为大于1的整数,所述第一特征获取单元,包括:
结构特征获取子单元,被配置为执行基于所述推荐模型中的所述N个算子,创建N行N列的目标矩阵,其中所述N个算子分别作为所述目标矩阵的N行和N列,所述目标矩阵中对角线上的元素对应的行和列为相同的算子,所述目标矩阵中对角线上的元素的取值等于所述元素对应的算子所连接的其他算子的数量,所述目标矩阵中其他位置上的元素对应的行和列为不同的两个算子,所述其他位置上的元素的取值表示所述元素对应的两个算子是否具有连接关系;
所述结构特征获取子单元,还被配置为执行对所述目标矩阵进行特征提取,得到所述结构特征。
在一些实施例中,所述第二特征获取单元,包括:
特征拼接子单元,被配置为执行对所述每个算子对应的算子特征以及所述结构特征进行拼接,得到所述推荐模型对应的拼接特征;
编码子单元,被配置为执行对所述拼接特征进行编码,得到所述模型特征。
在一些实施例中,推荐精度预测模型包括特征提取网络和预测网络,
所述特征提取网络,用于基于所述每个算子对应的算子特征以及所述结构特征进行特征提取,得到所述模型特征;
所述预测网络,用于对所述模型特征进行精度预测,得到所述推荐精度。
在一些实施例中,所述推荐精度预测模型还包括特征获取网络,
所述特征获取网络,用于获取所述推荐模型中所述每个算子对应的算子特征;
所述特征获取网络,还用于获取所述推荐模型的所述结构特征。
在一些实施例中,所述推荐模型处理装置还包括:
模型训练单元,被配置为执行获取第一样本推荐模型中的每个样本算子对应的样本算子特征、第一样本结构特征和第一样本推荐精度,所述第一样本结构特征表示所述第一样本推荐模型中任两个样本算子之间的连接关系;
所述模型训练单元,还被配置为执行调用所述推荐精度预测模型,对所述第一样本推荐模型中每个样本算子对应的样本算子特征和第一样本结构特征进行处理,得到第一预测推荐精度;
所述模型训练单元,还被配置为执行基于所述第一预测推荐精度和所述第一样本推荐精度,训练所述推荐精度预测模型。
在一些实施例中,所述推荐模型处理装置还包括:
推荐单元,被配置为执行将所述账号数据和所述物品数据输入至所述推荐模型;
所述推荐单元,还被配置为执行调用所述推荐模型中的第一个算子,对所述账号数据和所述物品数据进行处理,得到所述第一个算子的输出数据;
所述推荐单元,还被配置为执行将所述第一个算子的输出数据作为与所述第一个算子连接的下一个算子的输入数据,调用下一个算子对所述输出数据进行处理,直至得到所述推荐模型中最后一个算子的输出数据,将所述最后一个算子的输出数据确定为所述推荐参数。
在一些实施例中,所述获取模型单元,被配置为执行获取多个推荐模型,任两个推荐模型中存在不相同的算子,或者任两个推荐模型中算子之间的连接关系不相同;
所述推荐模型处理装置还包括:
模型选取单元,被配置为执行基于所述多个推荐模型对应的推荐精度,从所述多个推荐模型中选取最大的推荐精度对应的目标推荐模型;
推荐单元,被配置为执行调用所述目标推荐模型进行推荐。
在一些实施例中,所述推荐模型还包括多条边,每条边连接两个算子,所述算子用于对输入至所述算子的输入数据进行处理得到输出数据;并且,每条边连接的其中一个算子的输出数据作为连接的另一个算子的输入数据。
根据本公开实施例的再一方面,提供了一种推荐精度预测模型训练装置,所述装置包括:
样本获取单元,被配置为执行获取第一样本推荐模型中每个样本算子对应的样本算子特征、第一样本结构特征和第一样本推荐精度,所述第一样本结构特征表示所述第一样本推荐模型中任两个样本算子之间的连接关系;
精度预测单元,被配置为执行调用推荐精度预测模型,对所述第一样本推荐模型中每个样本算子对应的样本算子特征和第一样本结构特征进行特征提取,得到所述第一样本推荐模型对应的模型特征,基于所述第一样本推荐模型对应的模型特征进行精度预测,得到第一预测推荐精度;
模型训练单元,被配置为执行基于所述第一预测推荐精度和所述第一样本推荐精度,训练所述推荐精度预测模型。
在一些实施例中,所述样本获取单元,还被配置为执行:获取第二样本推荐模型中每个样本算子对应的样本算子特征、第二样本结构特征和代理推荐精度,所述第二样本结构特征表示所述第二样本推荐模型中任两个样本算子之间的连接关系,所述代理推荐精度为用于指示所述第二样本推荐模型的推荐精度的变量;
所述精度预测单元,被配置为执行调用所述推荐精度预测模型,对所述第二样本推荐模型中每个样本算子对应的样本算子特征和第二样本结构特征进行特征提取,得到所述第二样本推荐模型对应的模型特征,基于所述第二样本推荐模型对应的模型特征进行精度预测,得到第二预测推荐精度;
所述模型训练单元,被配置为执行基于所述第一预测推荐精度、所述第一样本推荐精度、第二预测推荐精度和所述代理推荐精度,训练所述推荐精度预测模型。
在一些实施例中,所述模型训练单元,被配置为执行:
获取所述第一预测推荐精度与所述第一样本推荐精度之间的第一误差,所述第二预测推荐精度与所述第二样本推荐精度之间的第二误差;
基于所述第一误差和所述第二误差,调整所述推荐精度预测模型中的模型参数和所述代理推荐精度,以使所述第二样本推荐模型在历史时刻对应的预测推荐精度与调整后的所述代理推荐精度之间的误差趋近于所述历史时刻对应的目标误差。
在一些实施例中,所述模型训练单元,被配置为执行:
所述基于所述第一预测推荐精度、所述第一样本推荐精度、第二预测推荐精度和所述代理推荐精度,采用下述损失函数,训练所述推荐精度预测模型:
其中,L表示所述损失函数,fθ(·)表示所述推荐精度预测模型,θ表示所述推荐精度预测模型中的模型参数,fθ(xi)表示第i个所述第一样本推荐模型对应的所述第一预测推荐精度,xi表示第i个所述第一样本推荐模型中每个样本算子对应的样本算子特征和所述第一样本结构特征,n表示用于训练所述推荐精度预测模型的所述第一样本推荐模型的数量,yi表示第i个所述第一样本推荐模型对应的所述第一样本推荐精度,fθ(vj)表示第j个所述第二样本推荐模型对应的所述第二预测推荐精度,vj表示第j个所述第二样本推荐模型中每个样本算子对应的样本算子特征和所述第二样本结构特征,V表示用于训练所述推荐精度预测模型的所述第二样本推荐模型的数量,表示第j个所述第二样本推荐模型对应的所述代理推荐精度,表示代理推荐精度,α为参考参数;
所述损失函数满足下述条件:
其中,V表示用于训练所述推荐精度预测模型的所述第二样本推荐模型的数量,表示第j个所述第二样本推荐模型对应的所述代理推荐精度,表示第j个所述第二样本推荐模型在第t个时刻对应的预测推荐精度,e(t)表示第t个时刻对应的目标误差,T表示T个历史时刻。
根据本公开实施例的再一方面,提供了一种分类模型处理装置,所述装置包括:
分类模型获取单元,被配置为执行获取分类模型,所述分类模型包括按照顺序排列的多个算子,所述多个算子按照顺序依次对输入至所述分类模型的待分类数据进行处理得到所述数据对应的数据类型;
第一特征获取单元,被配置为执行基于所述分类模型,获取所述分类模型中的每个算子对应的算子特征以及所述分类模型的结构特征,所述结构特征表示所述多个算子中任两个算子之间的连接关系;
第二特征获取单元,被配置为执行基于所述每个算子对应的算子特征以及所述结构特征进行特征提取,得到所述分类模型对应的模型特征;
分类精度预测单元,被配置为执行基于所述模型特征进行精度预测,得到所述分类模型对应的分类精度。
根据本公开实施例的再一方面,提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
用于存储所述一个或多个处理器可执行指令的存储器;
其中,所述一个或多个处理器被配置为执行上述方面所述的推荐模型处理方法,或者被配置为执行上述方面所述的推荐精度预测模型训练方法,或者被配置为执行上述方面所述的分类模型处理方法。
根据本公开实施例的再一方面,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,使得电子设备能够执行上述方面所述的推荐模型处理方法,或者能够执行上述方面所述的推荐精度预测模型训练方法,或者能够执行上述方面所述的分类模型处理方法。
根据本公开实施例的再一方面,提供一种计算机程序产品,该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以实现上述方面所述的推荐模型处理方法,或者实现上述方面所述的推荐精度预测模型训练方法,或者实现上述方面所述的分类模型处理方法。
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。
图1是根据一示例性实施例示出的一种推荐模型处理方法的流程图。
图2是根据一示例性实施例示出的另一种推荐模型处理方法的流程图。
图3是根据一示例性实施例示出的一种神经架构搜索方式的流程图。
图4是根据一示例性实施例示出的一种有向无环图的示意图。
图5是根据一示例性实施例示出的一种目标矩阵的示意图。
图6是根据一示例性实施例示出的一种推荐精度预测模型的示意图。
图7是根据一示例性实施例示出的另一种推荐精度预测模型的示意图。
图8是根据一示例性实施例示出的再一种推荐模型处理方法的流程图。
图9是根据一示例性实施例示出的一种推荐模型处理方法的示意图。
图10是根据一示例性实施例示出的一种推荐精度预测模型训练方法的示意图。
图11是根据一示例性实施例示出的一种推荐精度变化的示意图。
图12是根据一示例性实施例示出的一种分类模型处理方法的流程图。
图13是根据一示例性实施例示出的一种推荐模型处理装置的框图。
图14是根据一示例性实施例示出的另一种推荐模型处理装置的框图。
图15是根据一示例性实施例示出的一种推荐精度预测模型训练装置的框图。
图16是根据一示例性实施例示出的一种分类模型处理装置的框图。
图17是根据一示例性实施例示出的一种终端的结构框图。
图18是根据一示例性实施例示出的一种服务器的结构框图。
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说明中的术语“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,本公开所使用的术语“至少一个”、“多个”、“每个”、“任一”等,至少一个包括一个、两个或两个以上,多个包括两个或两个以上,每个是指对应的多个中的每一个,任一是指多个中的任意一个。举例来说,多个算子包括3个算子,而每个算子是指这3个算子中的每一个算子,任一是指这3个算子中的任意一个,可以是第一个,可以是第二个,也可以是第三个。
需要说明的是,本公开所涉及的数据(包括但不限于用户设备信息、用户个人信息等),均为经用户授权或者经过各方充分授权的信息。
在本申请的执行主体为电子设备。可选地,电子设备为终端或服务器。其中,该终端可以为手机、平板电脑、计算机等多种类型的终端,该服务器为一台服务器、或者由若干服务器组成的服务器集群,或者是一个云计算服务中心。
图1是根据一示例性实施例示出的一种推荐模型处理方法的流程图,参见图1,该方法的执行主体为电子设备,包括以下步骤:
在步骤101中,电子设备获取推荐模型。
其中,该推荐模型包括按照顺序排列的多个算子,多个算子按照顺序依次对输入至推荐模型的账号数据和物品数据进行处理得到推荐参数,该推荐参数指示是否将该物品推荐给该账号。每个算子用于对输入至该算子的输入数据进行处理得到输出数据,第一个算子的输入数据为账号数据和物品数据,除第一个算子之外的其他算子的输入数据为与该其他算子连接的上一个算子的输出数据。
在步骤102中,电子设备基于该推荐模型,获取该推荐模型中的每个算子对应的算子特征以及该推荐模型的结构特征。
其中,算子特征用于描述对应的算子,推荐模型的结构特征表示多个算子中任两个算子之间的连接关系,即表示该推荐模型的拓扑结构信息。
在步骤103中,电子设备基于每个算子对应的算子特征以及结构特征进行特征提取,得到推荐模型对应的模型特征。
对于推荐模型来说,为了获取准确的推荐精度,首先需要提取该推荐模型对应的模型特征,本公开实施例中,先分别获取每个算子对应的算子特征和结构特征,每个算子对应的算子特征以及结构特征分别表示了该推荐模型的部分特征,因此为了获取准确的、用于描述该推荐模型的特征,需要对每个算子对应的算子特征以及结构特征进行进一步的特征提取,从而将多个算子特征和结构特征充分融合在一起,以得到该推荐模型对应的模型特征。
在步骤104中,电子设备基于模型特征进行精度预测,得到推荐模型对应的推荐精度。
电子设备对模型特征进行处理,从而预测该推荐模型对应的推荐精度,该推荐精度用于表示该推荐模型的准确性。之后,即可基于该推荐精度确定该推荐模型是否可实际应用。
本公开实施例提供的方法,先获取推荐模型对应的各个算子特征和结构特征,再利用该算子特征和结构特征提取出有效的模型特征,这种获取模型特征的方式能够充分获取推荐模型的特征,使得到的模型特征能够更加准确地表示该推荐模型,从而基于该模型特征预测得到的推荐精度更加准确,提高了推荐精度的准确性。
图2是根据一示例性实施例示出的另一种推荐模型处理方法的流程图,参见图2,该方法的执行主体为电子设备,包括以下步骤:
在步骤201中,电子设备获取推荐模型。
其中,该推荐模型包括按照顺序排列的多个算子以及多条边,每条边连接两个算子,每个算子与至少一条边连接,即每个算子通过至少一条边与其他算子连接,也即是一个算子可以通过一条边与另一个算子连接,也可以通过多条边分别与多个算子连接。算子用于对输入至算子的输入数据进行处理得到输出数据,每条边连接的其中一个算子的输出数据作为连接的另一个算子的输入数据。其中,算子可以为卷积算子、反卷积算子、激活函数、归一化算子或其他算子。
对于该推荐模型来说,该推荐模型的输入数据为账号数据和物品数据,其中,账号数据包括账号信息、该账号对应的描述信息或者其他与该账号相关的数据,物品数据包括物品名称、物品描述信息或其他与该账号相关的数据。以向用户推荐商品为例,该账号数据包括用户对应的账号和用户标签,物品数据包括商品名称、商品描述信息和商品价格等信息。该推荐模型的输出数据为推荐参数,该推荐参数指示是否将该物品推荐给该账号,例如推荐参数为1,则表示将该物品推荐给该账号,推荐参数为0,则表示不将该物品推荐给该账号。
多个算子按照顺序依次对输入至推荐模型的账号数据和物品数据进行处理得到推荐参数。在一些实施例中,电子设备将账号数据和物品数据输入至推荐模型;调用推荐模型中的第一个算子,对账号数据和物品数据进行处理,得到第一个算子的输出数据;将第一个算子的输出数据作为与第一个算子连接的下一个算子的输入数据,调用下一个算子对输出数据进行处理,直至得到推荐模型中最后一个算子的输出数据,将最后一个算子的输出数据确定为推荐参数。其中,推荐模型中的第一个算子的输入数据为账号数据和物品数据,除第一个算子之外的其他算子的输入数据为与该其他算子连接的上一个算子的输出数据。通过多个算子依次进行处理,使每个算子均能够充分发挥作用,在处理过程中逐渐提取账号数据和物品数据的特征,从而得到准确的推荐参数,实现基于该推荐模型的物品推荐。
在一些实施例中,推荐模型还包括每个算子对应的索引标识,该索引标识用于唯一表示对应的一个算子。例如,索引标识为算子名称、标号等。
在一些实施例中,电子设备采用神经架构搜索的方式获取推荐模型。其中,神经架构搜索(Neural Architecture Search,NAS)是指在预定义的搜索空间中自动找出效果出色的推荐模型。参见图3所示的神经架构搜索过程,神经架构搜索包括搜索空间、搜索策略以及模型效果评估三部分,其中,搜索空间是指预定义的包含多个算子的空间,搜索策略是预定义的、用于指示在搜索空间如何从一个算子开始搜索得到推荐模型,可根据需要搜索的推荐模型定义对应的搜索策略,模型效果评估是指对搜索得到的推荐模型对应的推荐精度进行预测,以确定搜索得到的推荐模型对应的推荐精度。本公开实施例对构建推荐模型的过程不做限制。
在一些实施例中,推荐模型为人工设计的推荐模型。
另外,该推荐模型还可以是其他电子设备发送给该电子设备的,本公开实施例对推荐模型的获取方式不做限制。
在一些实施例中,将推荐模型看做一个有向无环图(Directed Acyclic Graph,DAG),该有向无环图中的节点即为该推荐模型中的算子,该有向无环图中的边即为两个算子之间的连接关系,即两个节点之间有边则表示这两个节点对应的两个算子之间连接,两个节点之间无边则表示这两个节点对应的两个算子之间不连接。例如,参见图4所示的推荐模型1对应的有向无环图1和推荐模型2对应的有向无环图2,其中有向无环图1中包括输入算子、输出算子、四个3*3的卷积算子和两个1*1的卷积算子,各个算子之间按照图4中所示的顺序连接,两个算子之间的边采用箭头表示,箭头所指示的方向即为数据流向,即箭头尾部所连接的算子的输出数据为箭头头部所指向的算子的输入数据,有向无环图2中包括输入算子、输出算子、四个3*3的卷积算子和一个MP(Matching Pursuits,匹配逼近)算子。之后在获取推荐模型的结构特征时,即可基于该推荐模型对应的有向无环图获取结构特征。
需要说明的是,本公开实施例对推荐模型包括的算子的数量和类型,以及算子之间的连接关系不做限制,例如,参见图4,图4中所示的两个推荐模型中的算子数量、算子的类型以及各个算子之间的连接关系并不相同。
在步骤202中,电子设备基于推荐模型中的每个算子对应的索引标识,从算子特征表中查询每个算子对应的算子特征。
其中,算子特征表包括至少一个算子对应的索引标识和算子特征,即索引标识与算子特征之间存在对应关系,电子设备可基于索引标识从算子特征表中查询到该索引标识对应的算子特征。算子特征用于描述对应的算子,该算子特征是通过对算子进行特征提取得到的,该算子特征为向量、矩阵或其他形式,例如,算子特征为N行M列的矩阵。本公开实施例对算子特征的形式不做限定。
由于算子特征表中的算子特征是提前已经提取的,因此通过查询算子特征表的方式能够快速获取算子特征,无需临时提取算子对应的算子特征,从而提高获取推荐精度的效率。
在一些实施例中,算子特征表为可训练的,也即是电子设备获取算子特征表之后,可不断更新该算子特征表中的算子特征,从而不断提高该算子特征表中各个算子特征的准确性,使算子特征能够准确描述对应的算子。
需要说明的是,本公开实施例仅是以从算子特征表中查询算子特征为例进行说明,在另一实施例中,电子设备可采用其他方式获取每个算子对应的算子特征。例如,采用特征提取模型提取算子对应的算子特征。
在步骤203中,电子设备基于推荐模型中的多个算子,创建目标矩阵,对该目标矩阵进行特征提取,得到推荐模型的结构特征。
以推荐模型包括N个算子为例进行说明,该N为大于1的整数,相应的,电子设备基于推荐模型中的N个算子,创建N行N列的目标矩阵。其中,N个算子分别作为目标矩阵的N行和N列,目标矩阵中对角线上的元素对应的行和列为相同的算子,目标矩阵中对角线上的元素的取值等于元素对应的算子所连接的其他算子的数量,目标矩阵中其他位置上的元素对应的行和列为不同的两个算子,其他位置上的元素的取值表示元素对应的两个算子是否具有连接关系。
例如,参见图5所示的目标矩阵,推荐模型包括N个算子,该目标矩阵中的第一行对应第一个算子,第一列对应第一个算子,该目标矩阵中第一行第一列的元素即为该第一个算子所连接的算子的数量,该目标矩阵中第一行第二列的元素为-1,则表示第一个算子与第二个算子之间连接,第一行第N列的元素为0,则表示第一个算子与第N个算子之间不连接。
在一些实施例中,由于推荐模型中相连接的两个算子之间是有方向的,因此目标矩阵中其他位置上的元素还能够表示两个算子之间的连接方向。例如,在目标矩阵中,第一行和第一列对应算子1,第二行和第二列对应算子2,第一行第二列对应的元素为-1,也即是表示算子1与算子2连接,且连接方向是从算子1到算子2,即算子1的输出为算子2的输入;第二行第一列的元素为0,即表示算子1与算子2之间不连接,或者算子1与算子2的连接方向不是从算子2到算子1。
在一些实施例中,将推荐模型看做一个有向无环图的情况下,基于该推荐模型获取对应的度矩阵和邻接矩阵,该度矩阵中对角线上的元素的取值等于元素对应的一个算子所连接的算子的数量,该邻接矩阵中元素的取值表示元素对应的两个算子是否具有连接关系,将度矩阵与邻接矩阵的差值作为目标矩阵。
本公开实施例中,目标矩阵仅是表示多个算子中任两个算子之间的连接关系,也即是目标矩阵表示了各个算子之前的相对位置关系,为了便于后续处理,对该目标矩阵进行特征提取,得到结构特征。结构特征与目标矩阵的区别在于,结构特征为连续的编码特征,而目标矩阵仅是离散的数据。由于目标矩阵能够充分表示该推荐模型中任两个算子之间的连接关系,即充分获取了该推荐模型的拓扑结构信息,因此基于该目标矩阵得到的结构特征能够准确表示该推荐模型的结构,提高了结构特征的准确性。
需要说明的是,本公开实施例仅是以先执行步骤202,再执行步骤203为例进行说明,在另一实施例中,可先执行步骤203,再执行步骤202,或者,同时执行步骤202和步骤203,本公开实施例对步骤202和步骤203的执行顺序不做限制。
在步骤204中,电子设备对每个算子对应的算子特征以及结构特征进行拼接,得到推荐模型对应的拼接特征。
本公开实施例中,为了保证算子特征和结构特征能够进行拼接,在上述步骤203中,对目标矩阵进行特征提取时,得到的结构特征的维度与算子特征的维度相同,从而能够将维度相同的结构特征和算子特征进行拼接。
在一些实施例中,电子设备直接将结构特征添加在多个算子特征之后,得到拼接特征,或者将结构特征与多个算子特征相加,得到拼接特征;或者还能够采用其他方式对多个算子特征和结构特征进行拼接。
本公开实施例中,分别获取多个算子特征和结构特征,得到的算子特征能够准确表示推荐模型中的算子,结构特征能够准确表示推荐模型的结构,因此通过对多个算子特征和结构特征进行拼接并编码得到的模型特征,能够准确表示该推荐模型,提高了模型特征的准确性。
在步骤205中,电子设备对拼接特征进行编码,得到推荐模型对应的模型特征。
本公开实施例中,拼接特征虽然包括了推荐模型的各个算子的特征和结构特征,但是并不能够直接表示该推荐模型中各个算子相连接或者不连接所产生的效果。因此为了能够获取准确的、表示该推荐模型的特征,再对该拼接特征进行编码,在编码过程中将各个算子对应的算子特征和推荐模型的结构特征进行融合,以得到模型特征。采用上述方式得到的模型特征能够准确表示推荐模型,提高了模型特征的准确性。
在一些实施例中,基于注意力机制对拼接特征进行处理,确定每个算子的权重,基于多个算子的权重调整多个算子对应的算子特征。例如,基于算子的权重,对算子对应的特征进行加权,得到加权后的算子特征。可选地,注意力机制为多头注意力机制或其他类型的注意力机制。
在步骤206中,电子设备基于模型特征进行精度预测,得到推荐模型对应的推荐精度。
电子设备基于模型特征,对推荐模型进行精度预测,得到该推荐模型的推荐精度,该推荐精度表示推荐模型的准确性。其中,推荐精度越大表示该推荐模型越准确,该推荐模型可进行实际应用;而推荐精度越小表示该推荐模型越不准确,该推荐模型无法进行实际应用。
在一些实施例中,在神经架构搜索的场景下,电子设备预测到推荐模型对应的推荐精度后,即可根据该推荐精度的大小,确定将该推荐模型是否可实际应用,在不能够应用的情况下,则需要继续搜索其他推荐模型。
需要说明的一点是,本公开实施例中的推荐模型可以是经过训练的推荐模型,也可以是未经过训练的推荐模型,本公开实施例对此不做限制。
需要说明的另一点是,上述实施例仅是以对一个推荐模型进行处理为例进行说明,在另一实施例中,电子设备获取多个推荐模型,该多个推荐模型中任两个推荐模型中存在不相同的算子,或者任两个推荐模型中算子之间的连接关系不相同,其中算子之间的连接关系不同是指多个算子中任两个算子之间的连接关系不同。例如,有五个推荐模型,这五个推荐模型中的第一个和第二个推荐模型中存在不相同的算子,第三个和第四个模型中存在相同的算子,但是算子之间的连接关系不同,第四个和第五个模型中存在不相同的算子。
然后针对每个推荐模型,分别采用上述步骤202-步骤206所示的推荐模型处理方式,获取每个推荐模型对应的推荐精度,之后基于该多个推荐模型对应的推荐精度,从多个推荐模型中选取最大的推荐精度对应的目标推荐模型,调用该目标推荐模型进行推荐,即将该目标推荐模型应用在实际的物品推荐场景中。本公开实施例中,基于多个推荐模型对应的推荐精度,能够从多个推荐模型中选取出最准确的推荐模型,从而将选取出的推荐模型应用在实际的推荐场景时,能够基于该推荐模型进行准确推荐,从而提高推荐准确率。
本公开实施例提供的方法,先获取推荐模型对应的各个算子特征和结构特征,再利用该算子特征和结构特征提取出有效的模型特征,这种获取模型特征的方式能够充分获取推荐模型的特征,使得到的模型特征能够更加准确地表示该推荐模型,从而基于该模型特征预测得到的推荐精度更加准确,提高了推荐精度的准确性。
并且,由于算子特征表中的算子特征是提前已经提取的,因此通过查询算子特征表的方式能够快速获取算子特征,从而提高获取推荐精度的效率。目标矩阵能够充分表示该推荐模型中任两个算子之间的连接关系,即充分获取了该推荐模型的拓扑结构信息,因此基于该目标矩阵得到的结构特征能够准确表示该推荐模型的结构,提高了结构特征的准确性。
另外,相关技术中,强化学习和进化学习等传统NAS方式需要大量的计算资源,来训练各个推荐模型以确定各个推荐模型对应的推荐精度。近来,基于可微优化的NAS方式的搜索时间比传统搜索方式大大减少,但由于优化空间的不连续性,通常会遭受优化性能崩溃问题,从而搜索不到符合条件的最优模型出来。本公开实施例提供的方法,与相关技术对搜索得到的推荐模型进行训练,然后采用测试数据测试推荐精度的方式相比,可以不训练推荐模型,直接对搜索得到的推荐模型进行精度预测,从而提高了获取推荐精度的效率,节省了模型训练的时间,避免浪费时间训练不能够实际应用的模型。
上述图2所示的实施例对模型处理过程进行了介绍,在另一实施例中,电子设备能够调用推荐精度预测模型对推荐模型进行处理,得到推荐模型对应的推荐精度。
参见图6,该推荐精度预测模型包括特征提取网络601和预测网络602。其中,特征提取网络601用于提取推荐模型对应的模型特征,预测网络602用于预测推荐模型对应的推荐精度。
在一些实施例中,参见图7,该推荐精度预测模型还包括特征获取网络603,该特征获取网络603用于获取推荐模型中每个算子对应的算子特征以及推荐模型的结构特征。
图8是根据一示例性实施例示出的另一种推荐模型处理方法的流程图,参见图8,该方法的执行主体为电子设备,包括以下步骤:
在步骤801中,电子设备获取推荐模型。
步骤801的实施方式与上述步骤201的实施方式同理,在此不再赘述。
在步骤802中,电子设备调用特征获取网络,获取推荐模型中每个算子对应的算子特征。
在一些实施例中,将推荐模型中的每个算子对应的索引标识作为推荐精度预测模型的输入,电子设备调用特征获取网络,基于每个算子对应的索引标识,从算子特征表中查询每个算子对应的算子特征。
在步骤803中,电子设备调用特征获取网络,获取推荐模型的结构特征。
在一些实施例中,将推荐模型对应的目标矩阵作为推荐精度预测模型的输入,电子设备调用特征获取网络,对目标矩阵进行特征提取,得到结构特征。该特征获取网络能够将离散的目标矩阵转换为连续的结构特征,可选地,特征获取网络为MLP(Multi-LayerPerceptron,多层感知机)、卷积神经网络或其他类型的神经网络,本公开实施例对此不做限制。
在步骤804中,电子设备调用特征提取网络,基于每个算子对应的算子特征以及结构特征进行特征提取,得到推荐模型对应的模型特征。
在一些实施例中,特征提取网络包括拼接层和特征提取层,电子设备调用拼接层对每个算子对应的算子特征以及结构特征进行拼接,得到推荐模型对应的拼接特征,调用特征提取层,对拼接特征进行编码,得到模型特征。
可选地,该特征提取层为transformer encoder(变压器编码器),则该特征提取层包括注意力单元和编码单元,调用注意力单元对多个算子特征进行处理,得到各个算子的权重,基于多个算子的权重对多个算子对应的算子特征进行处理,得到每个算子对应的加权后的算子特征,然后调用编码单元对多个加权后的算子特征和结构特征进行编码,得到模型特征。其中,注意力单元为多头注意力单元或其他类型的注意力单元。
在另一实施例中,该特征提取网络可以为其他类型的编码器。
在一些实施例中,推荐精度预测模型包括多个特征提取网络,例如,包括4个特征提取网络。电子设备将特征获取网络的输出作为第一个特征提取网络的输入,然后将第一个特征提取网络的输出作为下一个特征提取网络的输入,直至得到最后一个特征提取网络的输出,将该输出作为模型特征。
在步骤805中,电子设备调用预测网络,对模型特征进行精度预测,得到推荐模型对应的推荐精度。
其中,该预测网络为MLP或者其他神经网络。
在一些实施例中,推荐精度预测模型包括多个预测网络,例如,包括2个预测网络。电子设备将特征获取网络的输出作为第一个预测网络的输入,然后将第一个预测网络的输出作为下一个预测网络的输入,直至得到最后一个预测网络的输出,将该输出作为预测精度。
可选地,推荐精度预测模型的输出为分数,采用该分数表示推荐精度。
例如,参见图9所示的推荐模型处理过程的示意图。将推荐模型中的每个算子对应的索引标识和该推荐模型对应的目标矩阵作为推荐精度预测模型的输入,然后基于每个算子对应的索引标识,通过查询算子特征表得到每个算子对应的算子特征,通过MLP对目标矩阵进行特征提取,得到结构特征,然后对每个算子对应的算子特征与结构特征进行拼接,将拼接得到的拼接特征输入至transformer encoder,得到模型特征,再将模型特征输入至MLP得到最终的推荐精度。
本公开实施例中,利用推荐精度预测模型来预测推荐精度,先获取推荐模型对应的各个算子特征和结构特征,再利用该算子特征和结构特征提取出有效的模型特征,这种获取模型特征的方式能够充分获取推荐模型的特征,使得到的模型特征能够更加准确地表示该推荐模型,从而基于该模型特征预测得到的推荐精度更加准确,提高了推荐精度的准确性。
并且,与相关技术中对推荐模型进行训练,然后采用测试数据对推荐模型进行测试,根据测试结果确定推荐精度的方式相比,利用推荐精度预测模型来预测推荐精度,能够快速获取推荐精度,提高了获取推荐精度的效率。
在使用推荐精度预测模型来预测推荐精度之前,还需要训练该推荐精度预测模型,下面以一次训练过程为例,对推荐精度预测模型的训练过程进行介绍。
图10是根据一示例性实施例示出的另一种模型训练方法的流程图,参见图10,该方法的执行主体为电子设备,包括以下步骤:
在步骤1001中,电子设备获取第一样本推荐模型中每个样本算子对应的样本算子特征、第一样本结构特征和第一样本推荐精度。
第一样本结构特征表示第一样本推荐模型中任两个样本算子之间的连接关系。
在步骤1002中,电子设备调用推荐精度预测模型,对第一样本推荐模型中每个样本算子对应的样本算子特征和第一样本结构特征进行处理,得到第一预测推荐精度。
在一些实施例中,电子设备调用推荐精度预测模型,对第一样本推荐模型中每个样本算子对应的样本算子特征和第一样本结构特征进行特征提取,得到第一样本推荐模型对应的模型特征,基于该第二样本推荐模型对应的模型特征进行精度预测,得到第一预测推荐精度。
在步骤1003中,电子设备获取第二样本推荐模型中每个样本算子对应的样本算子特征、第二样本结构特征和代理推荐精度。
其中,第二样本结构特征表示第二样本推荐模型中任两个样本算子之间的连接关系,代理推荐精度为用于指示第二样本推荐模型对应的推荐精度的变量,即代理推荐精度在训练过程中会发生变化。
在步骤1004中,电子设备调用推荐精度预测模型,对第二样本推荐模型中每个样本算子对应的样本算子特征和第二样本结构特征进行处理,得到第二预测推荐精度。
在一些实施例中,电子设备调用推荐精度预测模型,对第二样本推荐模型中每个样本算子对应的样本算子特征和第二样本结构特征进行特征提取,得到第二样本推荐模型对应的模型特征,基于第二样本推荐模型对应的模型特征进行精度预测,得到第二预测推荐精度。
在步骤1005中,电子设备获取第一预测推荐精度与第一样本推荐精度之间的第一误差,第二预测推荐精度与第二样本推荐精度之间的第二误差。
在步骤1006中,电子设备基于第一误差和第二误差,调整推荐精度预测模型中的模型参数和代理推荐精度,以使第二样本推荐模型在历史时刻对应的预测推荐精度与调整后的代理推荐精度之间的误差趋近于历史时刻对应的目标误差。
本公开实施例中,电子设备基于第一预测推荐精度、第一样本推荐精度、第二预测推荐精度和代理推荐精度,训练推荐精度预测模型。在训练过程中,需要使第一误差趋近于0,第二误差趋近于0,且代理推荐精度满足第二样本推荐模型在历史时刻对应的预测推荐精度与调整后的代理推荐精度之间的误差趋近于历史时刻对应的目标误差的条件。其中,目标误差为第二样本推荐模型在历史时刻对应的预测推荐精度与该第二样本推荐模型在该历史时刻对应的推荐精度之间的误差。历史时刻是指之前采用第二样本推荐模型对推荐精度预测模型进行训练时的时刻。
需要说明的一点是,上述训练过程中仅是以将算子特征和结构特征作为推荐精度预测模型输入为例,在另一实施例中,将算子对应的索引标识和推荐模型对应的目标矩阵作为推荐精度预测模型的输入时,电子设备获取第一样本推荐模型中每个样本算子对应的样本索引标识、第一样本矩阵和第一样本推荐精度,调用推荐精度预测模型,对第一样本推荐模型中每个样本算子对应的样本索引标识和第一样本矩阵进行处理,得到第一预测推荐精度;电子设备获取第二样本推荐模型中每个样本算子对应的样本索引标识、第二样本矩阵和代理推荐精度,调用推荐精度预测模型,对第二样本推荐模型中每个样本算子对应的样本索引标识和第二样本矩阵进行处理,得到第二预测推荐精度。之后的处理过程与上述步骤1005和步骤1006相同。
需要说明的另一点是,上述实施例仅是以利用第一样本推荐模型和第二样本推荐模型训练推荐精度预测模型为例进行说明,在另一实施例中,电子设备能够利用第一样本推荐模型来训练推荐精度预测模型。
另外,在一些实施例中,第一样本推荐模型为多个,第二样本推荐模型为多个。电子设备基于第一预测推荐精度、第一样本推荐精度、第二预测推荐精度和代理推荐精度,采用下述损失函数,训练推荐精度预测模型:
其中,L表示损失函数,fθ(·)表示推荐精度预测模型,θ表示推荐精度预测模型中的模型参数,fθ(xi)表示第i个第一样本推荐模型对应的第一预测推荐精度,xi表示第i个第一样本推荐模型中每个样本算子对应的样本算子特征和第一样本结构特征,n表示用于训练推荐精度预测模型的第一样本推荐模型的数量,yi表示第i个第一样本推荐模型对应的第一样本推荐精度,fθ(vj)表示第j个第二样本推荐模型对应的第二预测推荐精度,vj表示第j个第二样本推荐模型中每个样本算子对应的样本算子特征和第二样本结构特征,V表示用于训练推荐精度预测模型的第二样本推荐模型的数量,表示第j个第二样本推荐模型对应的代理推荐精度,表示代理推荐精度,α为参考参数,例如α为0.1、0.2、0.3或其他数值;
损失函数满足下述条件:
其中,V表示用于训练推荐精度预测模型的第二样本推荐模型的数量,表示第j个第二样本推荐模型对应的代理推荐精度,表示第j个第二样本推荐模型在第t个时刻对应的预测推荐精度,e(t)表示第t个时刻对应的目标误差,T表示T个历史时刻。
可选地,采用拉格朗日乘子法将上述两个公式变形为下述公式,从而将上述公式转换为minmax优化问题:
其中,λ为拉格朗日乘子,其他的定义与上述定义相同。
例如,参见图11所示的训练过程的示意图。在采用上述方式训练的过程中,第二样本推荐模型对应的推荐精度不变,该第二样本推荐模型对应的多个历史时刻的预测推荐精度不断变化,逐渐与推荐精度接近,同时代理推荐精度也不断变化,逐渐与推荐精度接近。
本公开实施例提供的方法,通过训练用于预测推荐精度的推荐精度预测模型,之后能够利用该推荐精度预测模型,对推荐模型对应的各个算子特征和结构特征进行处理,并利用该算子特征和结构特征提取出有效的模型特征,以充分获取推荐模型的特征,使得到的模型特征能够更加准确地表示该推荐模型,从而该推荐精度预测模型基于该模型特征预测得到的推荐精度更加准确,提高了推荐精度的准确性。
本公开实施例中,在训练推荐精度预测模型时,不仅采用第一样本推荐模型对推荐精度预测模型进行训练,还采用了第二样本推荐模型对推荐精度预测模型进行训练,提供了更多用于训练的样本模型,从而提高了训练得到的推荐精度预测模型的准确率和泛化能力。
在训练推荐精度预测模型时,不仅采用第一样本推荐模型对推荐精度预测模型进行训练,还采用了第二样本推荐模型对推荐精度预测模型进行训练,且在训练过程中,使第二样本推荐模型对应的代理推荐精度还需要满足历史时刻对应的条件,即不仅考虑当前训练过程中的训练数据,还考虑了历史时刻的训练数据,添加了针对第二样本推荐模型的自进化优化框架,从而提高了训练效率,也提高了训练得到的推荐精度预测模型的准确率。并且,由于采用采用了自进化优化框架,采用更多样本推荐模型对推荐精度预测模型进行训练,因此还提高了推荐精度预测模型的泛化能力。
图12是根据一示例性实施例示出的一种分类模型处理方法的流程图,参见图12,该方法的执行主体为电子设备,包括以下步骤:
在步骤1201中,电子设备获取分类模型。
其中,分类模型包括按照顺序排列的多个算子,多个算子按照顺序依次对输入至分类模型的待分类数据进行处理得到数据对应的数据类型。例如,该分类模型用于对图像进行分类,以确定图像是否属于人脸图像,则该分类模型输出的数据类型即为人脸图像或者非人脸图像。或者,该分类模型用于对物品进行分类,以确定物品所属的物品类别;或者分类模型用于对音频进行分类,以确定该音频所属的音频类型。本公开实施例中,对分类模型的作用以及该分类模型的具体结构不做限制。
在一些实施例中,电子设备将待分类数据输入至推荐模型;调用分类模型中的第一个算子,对待分类数据进行处理,得到第一个算子的输出数据;将第一个算子的输出数据作为与第一个算子连接的下一个算子的输入数据,调用下一个算子对输出数据进行处理,直至得到分类模型中最后一个算子的输出数据,将最后一个算子的输出数据确定为推荐参数。其中,分类模型中的第一个算子的输入数据为待分类数据,除第一个算子之外的其他算子的输入数据为与该其他算子连接的上一个算子的输出数据。
另外,分类模型的获取方式与上述实施例中推荐模型的获取方式同理,例如,采用神经架构搜索的方式获取分类模型,或者分类模型为人工设计的模型。
在步骤1202中,电子设备基于分类模型,获取分类模型中的每个算子对应的算子特征以及分类模型的结构特征。
其中,结构特征表示多个算子中任两个算子之间的连接关系。
在步骤1203中,电子设备基于每个算子对应的算子特征以及结构特征进行特征提取,得到分类模型对应的模型特征。
步骤1202-步骤1203中获取分类模型对应的模型特征的实施方式与上述实施例步骤202-步骤205中获取推荐模型对应的模型特征的实施方式同理。不同的是,分类模型与推荐模型中的算子或者连接关系存在区别。
在步骤1204中,电子设备基于模型特征进行精度预测,得到分类模型对应的分类精度。
其中,该分类精度用于表示该分类模型的分类准确率。其中,分类精度越大表示该分类模型越准确,该分类模型可进行实际应用;而分类精度越小表示该分类模型越不准确,该分类模型无法进行实际应用。
需要说明的是,上述实施例仅是以对一个分类模型进行处理为例进行说明,在另一实施例中,电子设备获取多个分类模型,该多个分类模型中任两个分类模型中的多个算子以及所述多个算子中任两个算子之间的连接关系不相同。然后针对每个分类模型,分别采用上述步骤1202-步骤1204所示的分类模型处理方式,获取每个分类模型对应的分类精度,之后基于该多个分类模型对应的分类精度,从多个分类模型中选取最大的分类精度对应的目标分类模型,调用该目标分类模型进行分类。
本公开实施例提供的方法,先获取分类模型对应的各个算子特征和结构特征,再利用该算子特征和结构特征提取出有效的模型特征,这种获取模型特征的方式能够充分获取分类模型的特征,使得到的模型特征能够更加准确地表示该分类模型,从而基于该模型特征预测得到的分类精度更加准确,提高了分类精度的准确性。
另外,在另一实施例中,电子设备能够调用分类精度预测模型对分类模型对应的多个算子特征和结构特征进行处理,得到该分类模型对应的分类精度。该分类精度预测模型的结构与上述实施例中推荐精度预测模型的结构同理,不同的是,该分类精度预测模型用于对分类模型对应的模型特征进行处理以获取分类精度。该分类精度预测模型的训练过程与上述实施例中推荐精度预测模型的训练过程同理,不同的是,该分类精度预测模型利用样本分类模型进行训练,训练出该分类精度预测模型能够预测分类模型对应的分类精度的能力。
上述实施例中,介绍了推荐模型处理过程和分类模型的处理过程,在另一实施例中,能够采用与上述推荐模型处理过程或分类模型处理过程类似的处理过程,对图像分割模型、特征提取模型、图像识别模型、文本处理模型、音频处理模型、视频处理模型等网络模型进行处理,以得到模型对应的模型精度。
在一些实施例中,以任一推荐模型为例,将本公开实施例提供的推荐模型处理方法,与相关技术中获取推荐精度的方法相比较,能够看出采用本公开实施例的方法得到的推荐精度更加准确。
(1)可复现神经网络搜索101(NAS-Bench-101)
从表1中能够看出,训练样本不同,最终得到的精度预测模型的效果也不同,但是在相同数量的训练样本下,本公开实施例提供的方法(TNASP)的效果明显高于其他现有技术的效果。
表1
(2)可复现神经网络搜索201(NAS-Bench-201)
从表2中能够看出,训练样本不同,最终得到的精度预测模型的效果也不同,但是在相同数量的训练样本下,本公开实施例提供的方法(TNASP)的效果明显高于其他现有技术的效果。
表2
训练样本 | 780 | 156 | 469 | 781 | 1563 |
神经预测器 | 0.343 | 0.413 | 0.584 | 0.634 | 0.646 |
NAO | 0.467 | 0.493 | 0.470 | 0.522 | 0.526 |
TNASP | 0.539 | 0.589 | 0.640 | 0.689 | 0.724 |
神经预测器+SE | 0.377 | 0.433 | 0.620 | 0.652 | 0.649 |
NAO+SE | 0.511 | 0.511 | 0.514 | 0.529 | 0.528 |
TNASP+SE | 0.565 | 0.594 | 0.642 | 0.690 | 0.726 |
(3)DARTS(Differentiable Architecture Search,可微神经网络搜索)
从表3中能够看出,本公开实施例提供的方法(TNASP)的从精度、参数和成本各方面均优于其他现有技术。
表3
体系结构 | 精度 | 参数 | 搜索成本 |
DenseNet-BC | 96.54 | 25.6 | - |
PyramidNet-BC | 96.69 | 26.0 | - |
NASNet-A+cutout | 0.539 | 0.589 | 0.640 |
NASNet-B | 0.377 | 0.433 | 0.620 |
NASNet-C | 0.511 | 0.511 | 0.514 |
AmoebaNet-A+cutout | 96.66 | 3.2 | 3150 |
AmoebaNet-B+cutout | 96.63 | 2.8 | 3150 |
SNAS | 97.02 | 28.6 | 200 |
GHN | 97.16 | 5.7 | 0.8 |
PNAS+cutout | 97.17 | 3.2 | - |
DARTA+cutout | 97.24 | 3.6 | 4 |
CTNAS+cutout | 97.41 | 3.6 | 0.3 |
TNASP+cutout | 97.48 | 3.7 | 0.3 |
(4)ProxylessNAS
从表3中能够看出,本公开实施例提供的方法(TNASP)的准确率优于其他现有技术。
表4
方法 | 参数 | 触发器 | 前1% | 前5% |
FBNet-C | 4.4 | 375 | 74.9 | 92.1 |
Proxyless(GPU) | 7.0 | 457 | 75.1 | 92.5 |
SPOS | 5.4 | 472 | 74.8 | - |
RLNAS | 5.3 | 473 | 75.6 | 92.6 |
神经预测器 | 6.4 | 536 | 74.75 | - |
NAO | 6.5 | 590 | 75.5 | 92.5 |
TNASP-A | 5.0 | 433 | 75.1 | 92.3 |
TNASP-B | 5.1 | 478 | 75.5 | 92.5 |
TNASP-C | 5.3 | 479 | 75.8 | 92.7 |
图13是根据一示例性实施例示出的一种推荐模型处理装置的框图。参见图13,该装置包括:
推荐模型获取单元1301,被配置为执行获取推荐模型,推荐模型包括按照顺序排列的多个算子,多个算子按照顺序依次对输入至推荐模型的账号数据和物品数据进行处理得到推荐参数,推荐参数指示是否将物品推荐给账号;
第一特征获取单元1302,被配置为执行基于推荐模型,获取推荐模型中的每个算子对应的算子特征以及推荐模型的结构特征,结构特征表示多个算子中任两个算子之间的连接关系;
第二特征获取单元1303,被配置为执行基于每个算子对应的算子特征以及结构特征进行特征提取,得到推荐模型对应的模型特征;
推荐精度预测单元1304,被配置为执行基于模型特征进行精度预测,得到推荐模型对应的推荐精度。
本公开实施例提供的装置,先获取推荐模型对应的各个算子特征和结构特征,再利用该算子特征和结构特征提取出有效的模型特征,这种获取模型特征的方式能够充分获取推荐模型的特征,使得到的模型特征能够更加准确地表示该推荐模型,从而基于该模型特征预测得到的推荐精度更加准确,提高了推荐精度的准确性。
在一些实施例中,推荐模型还包括每个算子对应的索引标识,第一特征获取单元1302,包括:
算子特征获取子单元,被配置为执行基于每个算子对应的索引标识,从算子特征表中查询每个算子对应的算子特征;
其中,算子特征表包括至少一个算子对应的索引标识和算子特征,其中算子特征是通过对算子进行特征提取得到的。
在一些实施例中,推荐模型包括N个算子,N为大于1的整数,第一特征获取单元1302,包括:
结构特征获取子单元,被配置为执行基于推荐模型中的N个算子,创建N行N列的目标矩阵,其中N个算子分别作为目标矩阵的N行和N列,目标矩阵中对角线上的元素对应的行和列为相同的算子,目标矩阵中对角线上的元素的取值等于元素对应的算子所连接的其他算子的数量,目标矩阵中其他位置上的元素对应的行和列为不同的两个算子,其他位置上的元素的取值表示元素对应的两个算子是否具有连接关系;
结构特征获取子单元,还被配置为执行对目标矩阵进行特征提取,得到结构特征。
在一些实施例中,第二特征获取单元1303,包括:
特征拼接子单元,被配置为执行对每个算子对应的算子特征以及结构特征进行拼接,得到推荐模型对应的拼接特征;
编码子单元,被配置为执行对拼接特征进行编码,得到模型特征。
在一些实施例中,推荐精度预测模型包括特征提取网络和预测网络,
特征提取网络,用于基于每个算子对应的算子特征以及结构特征进行特征提取,得到模型特征;
预测网络,用于对模型特征进行精度预测,得到推荐精度。
在一些实施例中,推荐精度预测模型还包括特征获取网络,
特征获取网络,用于获取推荐模型中每个算子对应的算子特征;
特征获取网络,还用于获取推荐模型的结构特征。
在一些实施例中,参见图14,推荐模型处理装置还包括:
模型训练单元1305,被配置为执行获取第一样本推荐模型中的每个样本算子对应的样本算子特征、第一样本结构特征和第一样本推荐精度,第一样本结构特征表示第一样本推荐模型中任两个样本算子之间的连接关系;
模型训练单元1305,还被配置为执行调用推荐精度预测模型,对第一样本推荐模型中每个样本算子对应的样本算子特征和第一样本结构特征进行处理,得到第一预测推荐精度;
模型训练单元1305,还被配置为执行基于第一预测推荐精度和第一样本推荐精度,训练推荐精度预测模型。
在一些实施例中,参见图14,推荐模型处理装置还包括:
推荐单元1306,被配置为执行将账号数据和物品数据输入至推荐模型;
推荐单元1306,还被配置为执行调用推荐模型中的第一个算子,对账号数据和物品数据进行处理,得到第一个算子的输出数据;
推荐单元1306,还被配置为执行将第一个算子的输出数据作为与第一个算子连接的下一个算子的输入数据,调用下一个算子对输出数据进行处理,直至得到推荐模型中最后一个算子的输出数据,将最后一个算子的输出数据确定为推荐参数。
在一些实施例中,获取模型单元1301,被配置为执行获取多个推荐模型,任两个推荐模型中存在不相同的算子,或者任两个推荐模型中算子之间的连接关系不相同;
参见图14,推荐模型处理装置还包括:
模型选取单元1307,被配置为执行基于多个推荐模型对应的推荐精度,从多个推荐模型中选取最大的推荐精度对应的目标推荐模型;
推荐单元1306,被配置为执行调用目标推荐模型进行推荐。
在一些实施例中,推荐模型还包括多条边,每条边连接两个算子,算子用于对输入至算子的输入数据进行处理得到输出数据;并且,每条边连接的其中一个算子的输出数据作为连接的另一个算子的输入数据。
关于上述实施例中的装置,其中各个单元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15是根据一示例性实施例示出的一种精度预测模型训练装置的框图。参见图15,该装置包括:
样本获取单元1501,被配置为执行获取第一样本推荐模型中每个样本算子对应的样本算子特征、第一样本结构特征和第一样本推荐精度,第一样本结构特征表示第一样本推荐模型中任两个样本算子之间的连接关系;
精度预测单元1502,被配置为执行调用推荐精度预测模型,对第一样本推荐模型中每个样本算子对应的样本算子特征和第一样本结构特征进行特征提取,得到第一样本推荐模型对应的模型特征,基于第一样本推荐模型对应的模型特征进行精度预测,得到第一预测推荐精度;
模型训练单元1503,被配置为执行基于第一预测推荐精度和第一样本推荐精度,训练推荐精度预测模型。
本公开实施例提供的装置,通过训练用于预测推荐精度的推荐精度预测模型,之后能够利用该推荐精度预测模型,对推荐模型对应的各个算子特征和结构特征进行处理,并利用该算子特征和结构特征提取出有效的模型特征,以充分获取推荐模型的特征,使得到的模型特征能够更加准确地表示该推荐模型,从而该推荐精度预测模型基于该模型特征预测得到的推荐精度更加准确,提高了推荐精度的准确性。
在一些实施例中,样本获取单元1501,还被配置为执行:获取第二样本推荐模型中每个样本算子对应的样本算子特征、第二样本结构特征和代理推荐精度,第二样本结构特征表示第二样本推荐模型中任两个样本算子之间的连接关系,代理推荐精度为用于指示第二样本推荐模型的推荐精度的变量;
精度预测单元1502,被配置为执行调用推荐精度预测模型,对第二样本推荐模型中每个样本算子对应的样本算子特征和第二样本结构特征进行特征提取,得到第二样本推荐模型对应的模型特征,基于第二样本推荐模型对应的模型特征进行精度预测,得到第二预测推荐精度;
模型训练单元1503,被配置为执行基于第一预测推荐精度、第一样本推荐精度、第二预测推荐精度和代理推荐精度,训练推荐精度预测模型。
在一些实施例中,模型训练单元1503,被配置为执行:
获取第一预测推荐精度与第一样本推荐精度之间的第一误差,第二预测推荐精度与第二样本推荐精度之间的第二误差;
基于第一误差和第二误差,调整推荐精度预测模型中的模型参数和代理推荐精度,以使第二样本推荐模型在历史时刻对应的预测推荐精度与调整后的代理推荐精度之间的误差趋近于历史时刻对应的目标误差。
在一些实施例中,模型训练单元1503,被配置为执行:
基于第一预测推荐精度、第一样本推荐精度、第二预测推荐精度和代理推荐精度,采用下述损失函数,训练推荐精度预测模型:
其中,L表示损失函数,fθ(·)表示推荐精度预测模型,θ表示推荐精度预测模型中的模型参数,fθ(xi)表示第i个第一样本推荐模型对应的第一预测推荐精度,xi表示第i个第一样本推荐模型中每个样本算子对应的样本算子特征和第一样本结构特征,n表示用于训练推荐精度预测模型的第一样本推荐模型的数量,yi表示第i个第一样本推荐模型对应的第一样本推荐精度,fθ(vj)表示第j个第二样本推荐模型对应的第二预测推荐精度,vj表示第j个第二样本推荐模型中每个样本算子对应的样本算子特征和第二样本结构特征,V表示用于训练推荐精度预测模型的第二样本推荐模型的数量,氛示第j个第二样本推荐模型对应的代理推荐精度,表示代理推荐精度,α为参考参数;
损失函数满足下述条件:
其中,V表示用于训练推荐精度预测模型的第二样本推荐模型的数量,表示第j个第二样本推荐模型对应的代理推荐精度,表示第j个第二样本推荐模型在第t个时刻对应的预测推荐精度,e(t)表示第t个时刻对应的目标误差,T表示T个历史时刻。
关于上述实施例中的装置,其中各个单元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16是根据一示例性实施例示出的一种分类模型处理装置的框图。参见图16,该装置包括:
分类模型获取单元1601,被配置为执行获取分类模型,所述分类模型包括按照顺序排列的多个算子,所述多个算子按照顺序依次对输入至所述分类模型的待分类数据进行处理得到所述数据对应的数据类型;
第一特征获取单元1602,被配置为执行基于所述分类模型,获取所述分类模型中的每个算子对应的算子特征以及所述分类模型的结构特征,所述结构特征表示所述多个算子中任两个算子之间的连接关系;
第二特征获取单元1603,被配置为执行基于所述每个算子对应的算子特征以及所述结构特征进行特征提取,得到所述分类模型对应的模型特征;
分类精度预测单元1604,被配置为执行基于所述模型特征进行精度预测,得到所述分类模型对应的分类精度。
本公开实施例提供的装置,先获取分类模型对应的各个算子特征和结构特征,再利用该算子特征和结构特征提取出有效的模型特征,这种获取模型特征的方式能够充分获取分类模型的特征,使得到的模型特征能够更加准确地表示该分类模型,从而基于该模型特征预测得到的分类精度更加准确,提高了分类精度的准确性。
关于上述实施例中的装置,其中各个单元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。
在示例性实施例中,提供了一种电子设备,该电子设备包括一个或多个处理器,以及用于存储该一个或多个处理器可执行指令的存储器;其中,该一个或多个处理器被配置为执行上述实施例中的推荐模型处理方法、推荐精度预测模型训练方法或分类模型处理方法。
在一种可能实现方式中,该电子设备提供为终端。图17是根据一示例性实施例示出的一种终端1700的结构框图。该终端1700可以是便携式移动终端,比如:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。终端1700还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
终端1700包括有:处理器1701和存储器1702。
处理器1701可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1701可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1701也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1701可以集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1701还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1702可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1702还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1702中的非暂态的计算机可读存储介质用于存储至少一条程序代码,该至少一条程序代码用于被处理器1701所执行以实现本公开中方法实施例提供的推荐模型处理方法、推荐精度预测模型训练方法或分类模型处理方法。
在一些实施例中,终端1700还可选包括有:***设备接口1703和至少一个***设备。处理器1701、存储器1702和***设备接口1703之间可以通过总线或信号线相连。各个***设备可以通过总线、信号线或电路板与***设备接口1703相连。具体地,***设备包括:射频电路1704、显示屏1705、摄像头组件1706、音频电路1707、定位组件1708和电源1709中的至少一种。
***设备接口1703可被用于将I/O(Input/Output,输入/输出)相关的至少一个***设备连接到处理器1701和存储器1702。在一些实施例中,处理器1701、存储器1702和***设备接口1703被集成在同一芯片或电路板上;在一些其他实施例中,处理器1701、存储器1702和***设备接口1703中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路1704用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路1704通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1704将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路1704包括:天线***、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1704可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:万维网、城域网、内联网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路1704还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本公开对此不加以限定。
显示屏1705用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1705是触摸显示屏时,显示屏1705还具有采集在显示屏1705的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1701进行处理。此时,显示屏1705还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏1705可以为一个,设置在终端1700的前面板;在另一些实施例中,显示屏1705可以为至少两个,分别设置在终端1700的不同表面或呈折叠设计;在另一些实施例中,显示屏1705可以是柔性显示屏,设置在终端1700的弯曲表面上或折叠面上。甚至,显示屏1705还可以设置成非矩形的不规则图形,也即异形屏。显示屏1705可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(Organic Light-EmittingDiode,有机发光二极管)等材质制备。
摄像头组件1706用于采集图像或视频。可选地,摄像头组件1706包括前置摄像头和后置摄像头。前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件1706还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路1707可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器1701进行处理,或者输入至射频电路1704以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端1700的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1701或射频电路1704的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路1707还可以包括耳机插孔。
定位组件1708用于定位终端1700的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件1708可以是基于美国的GPS(GlobalPositioning System,全球定位***)、中国的北斗***、俄罗斯的格雷纳斯定位***或欧盟的伽利略定位***的定位组件。
电源1709用于为终端1700中的各个组件进行供电。电源1709可以是交流电、直流电、一次性电池或可充电电池。当电源1709包括可充电电池时,该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池,无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端1700还包括有一个或多个传感器1710。该一个或多个传感器1710包括但不限于:加速度传感器1711、陀螺仪传感器1712、压力传感器1713、指纹传感器1714、光学传感器1715以及接近传感器1716。
加速度传感器1711可以检测以终端1700建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器1711可以用于检测重力加速度在三个坐标轴上的分量。处理器1701可以根据加速度传感器1711采集的重力加速度信号,控制显示屏1705以横向视图或纵向视图进行用户界面的显示。加速度传感器1711还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器1712可以检测终端1700的机体方向及转动角度,陀螺仪传感器1712可以与加速度传感器1711协同采集用户对终端1700的3D动作。处理器1701根据陀螺仪传感器1712采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器1713可以设置在终端1700的侧边框和/或显示屏1705的下层。当压力传感器1713设置在终端1700的侧边框时,可以检测用户对终端1700的握持信号,由处理器1701根据压力传感器1713采集的握持信号进行左右手识别或快捷操作。当压力传感器1713设置在显示屏1705的下层时,由处理器1701根据用户对显示屏1705的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器1714用于采集用户的指纹,由处理器1701根据指纹传感器1714采集到的指纹识别用户的身份,或者,由指纹传感器1714根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器1701授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1714可以被设置在终端1700的正面、背面或侧面。当终端1700上设置有物理按键或厂商Logo时,指纹传感器1714可以与物理按键或厂商Logo集成在一起。
光学传感器1715用于采集环境光强度。在一个实施例中,处理器1701可以根据光学传感器1715采集的环境光强度,控制显示屏1705的显示亮度。具体地,当环境光强度较高时,调高显示屏1705的显示亮度;当环境光强度较低时,调低显示屏1705的显示亮度。在另一个实施例中,处理器1701还可以根据光学传感器1715采集的环境光强度,动态调整摄像头组件1706的拍摄参数。
接近传感器1716,也称距离传感器,设置在终端1700的前面板。接近传感器1716用于采集用户与终端1700的正面之间的距离。在一个实施例中,当接近传感器1716检测到用户与终端1700的正面之间的距离逐渐变小时,由处理器1701控制显示屏1705从亮屏状态切换为息屏状态;当接近传感器1716检测到用户与终端1700的正面之间的距离逐渐变大时,由处理器1701控制显示屏1705从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图17中示出的结构并不构成对终端1700的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在另一种可能实现方式中,该电子设备提供为服务器。图18是根据一示例性实施例示出的一种服务器的结构框图,该服务器1800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(Central Processing Units,CPU)1801和一个或一个以上的存储器1802,其中,存储器1802中存储有至少一条程序代码,该至少一条程序代码由处理器1801加载并执行以实现上述各个方法实施例提供的方法。当然,该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件,以便进行输入输出,该服务器还可以包括其他用于实现设备功能的部件,在此不做赘述。
在示例性实施例中,还提供了一种计算机可读存储介质,当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上述推荐模型处理方法、推荐精度预测模型训练方法或分类模型处理方法中电子设备所执行的步骤。可选地,计算机可读存储介质可以是ROM(只读存储器,Read Only Memory)、RAM(随机存取存储器,Random AccessMemory)、CD-ROM(只读光盘,Compact Disc Read-Only Memory)、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品,该计算机程序产品包括计算机程序,该计算机程序被处理器执行以实现上述推荐模型处理方法、推荐精度预测模型训练方法或分类模型处理方法。
在一些实施例中,本申请实施例所涉及的计算机程序可被部署在一个计算机设备上执行,或者在位于一个地点的多个计算机设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算机设备上执行,分布在多个地点且通过通信网络互连的多个计算机设备可以组成区块链***。
本领域技术人员在考虑说明书及实践这里的公开后,将容易想到本公开的其它实施方案。本公开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)
1.一种推荐模型处理方法,其特征在于,所述方法包括:
获取推荐模型,所述推荐模型包括按照顺序排列的多个算子,所述多个算子按照顺序依次对输入至所述推荐模型的账号数据和物品数据进行处理得到推荐参数,所述推荐参数指示是否将所述物品推荐给所述账号;
基于所述推荐模型,获取所述推荐模型中的每个算子对应的算子特征以及所述推荐模型的结构特征,所述结构特征表示所述多个算子中任两个算子之间的连接关系;
基于所述每个算子对应的算子特征以及所述结构特征进行特征提取,得到所述推荐模型对应的模型特征;
基于所述模型特征进行精度预测,得到所述推荐模型对应的推荐精度。
2.根据权利要求1所述的推荐模型处理方法,其特征在于,所述推荐模型还包括所述每个算子对应的索引标识,获取所述每个算子对应的算子特征的步骤包括:
基于所述每个算子对应的索引标识,从算子特征表中查询所述每个算子对应的算子特征;
其中,所述算子特征表包括至少一个算子对应的索引标识和算子特征,其中所述算子特征是通过对所述算子进行特征提取得到的。
3.一种推荐精度预测模型训练方法,其特征在于,所述方法包括:
获取第一样本推荐模型中每个样本算子对应的样本算子特征、第一样本结构特征和第一样本推荐精度,所述第一样本结构特征表示所述第一样本推荐模型中任两个样本算子之间的连接关系;
调用推荐精度预测模型,对所述第一样本推荐模型中每个样本算子对应的样本算子特征和第一样本结构特征进行特征提取,得到所述第一样本推荐模型对应的模型特征,基于所述第一样本推荐模型对应的模型特征进行精度预测,得到第一预测推荐精度;
基于所述第一预测推荐精度和所述第一样本推荐精度,训练所述推荐精度预测模型。
4.一种分类模型处理方法,其特征在于,所述方法包括:
获取分类模型,所述分类模型包括按照顺序排列的多个算子,所述多个算子按照顺序依次对输入至所述分类模型的待分类数据进行处理得到所述数据对应的数据类型;
基于所述分类模型,获取所述分类模型中的每个算子对应的算子特征以及所述分类模型的结构特征,所述结构特征表示所述多个算子中任两个算子之间的连接关系;
基于所述每个算子对应的算子特征以及所述结构特征进行特征提取,得到所述分类模型对应的模型特征;
基于所述模型特征进行精度预测,得到所述分类模型对应的分类精度。
5.一种推荐模型处理装置,其特征在于,所述装置包括:
推荐模型获取单元,被配置为执行获取推荐模型,所述推荐模型包括按照顺序排列的多个算子,所述多个算子按照顺序依次对输入至所述推荐模型的账号数据和物品数据进行处理得到推荐参数,所述推荐参数指示是否将所述物品推荐给所述账号;
第一特征获取单元,被配置为执行基于所述推荐模型,获取所述推荐模型中的每个算子对应的算子特征以及所述推荐模型的结构特征,所述结构特征表示所述多个算子中任两个算子之间的连接关系;
第二特征获取单元,被配置为执行基于所述每个算子对应的算子特征以及所述结构特征进行特征提取,得到所述推荐模型对应的模型特征;
推荐精度预测单元,被配置为执行基于所述模型特征进行精度预测,得到所述推荐模型对应的推荐精度。
6.一种推荐精度预测模型训练装置,其特征在于,所述装置包括:
样本获取单元,被配置为执行获取第一样本推荐模型中每个样本算子对应的样本算子特征、第一样本结构特征和第一样本推荐精度,所述第一样本结构特征表示所述第一样本推荐模型中任两个样本算子之间的连接关系;
精度预测单元,被配置为执行调用推荐精度预测模型,对所述第一样本推荐模型中每个样本算子对应的样本算子特征和第一样本结构特征进行特征提取,得到所述第一样本推荐模型对应的模型特征,基于所述第一样本推荐模型对应的模型特征进行精度预测,得到第一预测推荐精度;
模型训练单元,被配置为执行基于所述第一预测推荐精度和所述第一样本推荐精度,训练所述推荐精度预测模型。
7.一种分类模型处理装置,其特征在于,所述装置包括:
分类模型获取单元,被配置为执行获取分类模型,所述分类模型包括按照顺序排列的多个算子,所述多个算子按照顺序依次对输入至所述分类模型的待分类数据进行处理得到所述数据对应的数据类型;
第一特征获取单元,被配置为执行基于所述分类模型,获取所述分类模型中的每个算子对应的算子特征以及所述分类模型的结构特征,所述结构特征表示所述多个算子中任两个算子之间的连接关系;
第二特征获取单元,被配置为执行基于所述每个算子对应的算子特征以及所述结构特征进行特征提取,得到所述分类模型对应的模型特征;
分类精度预测单元,被配置为执行基于所述模型特征进行精度预测,得到所述分类模型对应的分类精度。
8.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
用于存储所述一个或多个处理器可执行指令的存储器;
其中,所述一个或多个处理器被配置为执行如权利要求1至权利要求2任一项所述的推荐模型处理方法,或者被配置为执行如权利要求3所述的推荐精度预测模型训练方法,或者被配置为执行如权利要求4所述的分类模型处理方法。
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至权利要求2任一项所述的推荐模型处理方法,或者能够执行如权利要求3所述的推荐精度预测模型训练方法,或者能够执行如权利要求4所述的分类模型处理方法。
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权利要求1至权利要求2任一项所述的推荐模型处理方法,或者实现如权利要求3所述的推荐精度预测模型训练方法,或者实现如权利要求4所述的分类模型处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111320914.2A CN114117206B (zh) | 2021-11-09 | 2021-11-09 | 推荐模型处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111320914.2A CN114117206B (zh) | 2021-11-09 | 2021-11-09 | 推荐模型处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114117206A true CN114117206A (zh) | 2022-03-01 |
CN114117206B CN114117206B (zh) | 2023-05-30 |
Family
ID=80378019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111320914.2A Active CN114117206B (zh) | 2021-11-09 | 2021-11-09 | 推荐模型处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114117206B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114547428A (zh) * | 2022-03-07 | 2022-05-27 | 北京达佳互联信息技术有限公司 | 推荐模型处理方法、装置、电子设备及存储介质 |
CN115167846A (zh) * | 2022-09-07 | 2022-10-11 | 浙江大华技术股份有限公司 | 下游算子的推荐方法、电子设备及计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378413A (zh) * | 2019-07-17 | 2019-10-25 | Oppo广东移动通信有限公司 | 神经网络模型处理方法、装置以及电子设备 |
CN111612134A (zh) * | 2020-05-20 | 2020-09-01 | 鼎富智能科技有限公司 | 神经网络结构搜索方法、装置、电子设备及存储介质 |
CN111738098A (zh) * | 2020-05-29 | 2020-10-02 | 浪潮(北京)电子信息产业有限公司 | 一种车辆识别方法、装置、设备及存储介质 |
CN112508177A (zh) * | 2020-12-11 | 2021-03-16 | 鼎富智能科技有限公司 | 一种网络结构搜索方法、装置、电子设备及存储介质 |
CN112784949A (zh) * | 2021-01-28 | 2021-05-11 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 一种基于进化计算的神经网络架构搜索方法和*** |
CN113361680A (zh) * | 2020-03-05 | 2021-09-07 | 华为技术有限公司 | 一种神经网络架构搜索方法、装置、设备及介质 |
US20210312261A1 (en) * | 2020-04-02 | 2021-10-07 | Huawei Technologies Co., Ltd. | Neural network search method and related apparatus |
CN113590968A (zh) * | 2021-08-10 | 2021-11-02 | 平安普惠企业管理有限公司 | 资源推荐方法、装置、计算机设备及存储介质 |
-
2021
- 2021-11-09 CN CN202111320914.2A patent/CN114117206B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378413A (zh) * | 2019-07-17 | 2019-10-25 | Oppo广东移动通信有限公司 | 神经网络模型处理方法、装置以及电子设备 |
CN113361680A (zh) * | 2020-03-05 | 2021-09-07 | 华为技术有限公司 | 一种神经网络架构搜索方法、装置、设备及介质 |
US20210312261A1 (en) * | 2020-04-02 | 2021-10-07 | Huawei Technologies Co., Ltd. | Neural network search method and related apparatus |
CN111612134A (zh) * | 2020-05-20 | 2020-09-01 | 鼎富智能科技有限公司 | 神经网络结构搜索方法、装置、电子设备及存储介质 |
CN111738098A (zh) * | 2020-05-29 | 2020-10-02 | 浪潮(北京)电子信息产业有限公司 | 一种车辆识别方法、装置、设备及存储介质 |
CN112508177A (zh) * | 2020-12-11 | 2021-03-16 | 鼎富智能科技有限公司 | 一种网络结构搜索方法、装置、电子设备及存储介质 |
CN112784949A (zh) * | 2021-01-28 | 2021-05-11 | 华东计算技术研究所(中国电子科技集团公司第三十二研究所) | 一种基于进化计算的神经网络架构搜索方法和*** |
CN113590968A (zh) * | 2021-08-10 | 2021-11-02 | 平安普惠企业管理有限公司 | 资源推荐方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
周鹏 等: "采用神经网络架构搜索的遥感影像分割方法", 《西安电子科技大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114547428A (zh) * | 2022-03-07 | 2022-05-27 | 北京达佳互联信息技术有限公司 | 推荐模型处理方法、装置、电子设备及存储介质 |
CN115167846A (zh) * | 2022-09-07 | 2022-10-11 | 浙江大华技术股份有限公司 | 下游算子的推荐方法、电子设备及计算机可读存储介质 |
CN115167846B (zh) * | 2022-09-07 | 2022-12-20 | 浙江大华技术股份有限公司 | 下游算子的推荐方法、电子设备及计算机可读存储介质 |
WO2024051146A1 (en) * | 2022-09-07 | 2024-03-14 | Zhejiang Dahua Technology Co., Ltd. | Methods, systems, and computer-readable media for recommending downstream operator |
Also Published As
Publication number | Publication date |
---|---|
CN114117206B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629747B (zh) | 图像增强方法、装置、电子设备及存储介质 | |
WO2020253657A1 (zh) | 视频片段定位方法、装置、计算机设备及存储介质 | |
CN111182453B (zh) | 定位方法、装置、电子设备及存储介质 | |
CN110134804B (zh) | 图像检索方法、装置及存储介质 | |
CN110471858B (zh) | 应用程序测试方法、装置及存储介质 | |
CN111737573A (zh) | 资源推荐方法、装置、设备及存储介质 | |
CN111127509B (zh) | 目标跟踪方法、装置和计算机可读存储介质 | |
CN111897996A (zh) | 话题标签推荐方法、装置、设备及存储介质 | |
CN111680697B (zh) | 实现领域自适应的方法、装置、电子设备及介质 | |
CN114547428A (zh) | 推荐模型处理方法、装置、电子设备及存储介质 | |
CN111611490A (zh) | 资源搜索方法、装置、设备及存储介质 | |
CN114117206B (zh) | 推荐模型处理方法、装置、电子设备及存储介质 | |
CN111738365B (zh) | 图像分类模型训练方法、装置、计算机设备及存储介质 | |
CN113205183A (zh) | 物品推荐网络训练方法、装置、电子设备及存储介质 | |
CN113918767A (zh) | 视频片段定位方法、装置、设备及存储介质 | |
CN109961802B (zh) | 音质比较方法、装置、电子设备及存储介质 | |
CN110166275B (zh) | 信息处理方法、装置及存储介质 | |
CN112989198A (zh) | 推送内容的确定方法、装置、设备及计算机可读存储介质 | |
CN111611414B (zh) | 车辆检索方法、装置及存储介质 | |
CN112053360A (zh) | 图像分割方法、装置、计算机设备及存储介质 | |
CN112001442A (zh) | 特征检测方法、装置、计算机设备及存储介质 | |
CN111563201A (zh) | 内容推送方法、装置、服务器及存储介质 | |
CN113343709B (zh) | 意图识别模型的训练方法、意图识别方法、装置及设备 | |
CN113032560B (zh) | 语句分类模型训练方法、语句处理方法及设备 | |
CN112560612B (zh) | 确定业务算法的***、方法、计算机设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |