模型生成方法、模型使用方法、装置、系统及存储介质制造方法及图纸

本发明专利技术实施例公开了一种模型生成方法、模型使用方法、装置、系统及存储介质，其中模型生成方法包括：采集媒体内容的历史浏览日志，构建历史样本，对历史样本进行训练，得到对齐模型；将所述对齐模型发送给使用端，以使得所述使用端将所述对齐模型作为当前使用模型；按照预设采样周期采集媒体内容的浏览日志，构建新样本，对新样本进行训练，得到增量模型；将所述增量模型发送给所述使用端，以使得所述使用端将所述增量模型合并至当前使用模型，并利用当前使用模型对待推荐媒体内容进行打分。本发明专利技术实施例能够缩短模型的传输、加载时间，提高模型更新效率。

【技术实现步骤摘要】
模型生成方法、模型使用方法、装置、系统及存储介质
本专利技术实施例涉及通信
，具体涉及一种模型生成方法、模型使用方法、装置、系统及存储介质。
技术介绍
目前，在做媒体内容(比如：视频、文章、新闻资讯)推荐的时候，通常会由模型的生成端预先收集样本训练出模型(比如：预测模型)，然后将训练出的模型发送给模型的使用端。当需要对当前用户推荐媒体内容时，使用端会通过这个模型对待推荐媒体内容进行打分，这个分数就是当前用户在看到该待推荐媒体内容时会接受/点击/查阅的概率，最后根据这个分数确定推荐策略，比如，确定是否要对当前用户推荐该待推荐媒体内容。上述模型中，通常会包括从样本中提取的特征以及训练得到的每个特征对应的参数。随着时间的推移，将不断地会有新样本加入训练、模型也需要不断地更新。现有的模型更新方案，通常为全量更新方案，即生成端在采集到新样本之后，会对当前所拥有的所有样本进行训练，生成新模型，将新模型发送给使用端，使用端加载该新模型并进行更新，新模型中包括从所有样本中提取的特征及对应的参数，即新模型为全量模型，数据量较大，导致模型的传输、加载时间较长，模型更新效率较低。
技术实现思路
有鉴于此，本专利技术实施例提供了一种模型生成方法、模型使用方法、装置、系统及存储介质，能够缩短模型的传输、加载时间，提高模型更新效率。本专利技术实施例提供的模型生成方法，包括：采集媒体内容的历史浏览日志，构建历史样本，对所述历史样本进行训练，得到对齐模型；将所述对齐模型发送给使用端，以使得所述使用端将所述对齐模型作为当前使用模型；按照预设采样周期采集媒体内容的浏览日志，构建新样本，对所述新样本进行训练，得到增量模型；将所述增量模型发送给所述使用端，以使得所述使用端将所述增量模型合并至当前使用模型，并利用当前使用模型对待推荐媒体内容进行打分。相应地，本专利技术实施例还提供了一种模型使用方法，包括：接收生成端发送的对齐模型，所述对齐模型由所述生成端采集媒体内容的历史浏览日志，构建历史样本，对所述历史样本进行训练得到；加载所述对齐模型，将所述对齐模型作为当前使用模型；接收所述生成端发送的增量模型，所述增量模型由所述生成端按照预设采样周期采集媒体内容的浏览日志，构建新样本，并对所述新样本进行训练得到；加载所述增量模型，将所述增量模型合并至当前使用模型，并利用当前使用模型对待推荐媒体内容进行打分。相应地，本专利技术实施例还提供了一种模型生成装置，包括：对齐模型生成单元，用于采集媒体内容的历史浏览日志，构建历史样本，对所述历史样本进行训练，得到对齐模型；发送单元，用于将所述对齐模型发送给使用端，以使得所述使用端将所述对齐模型作为当前使用模型；增量模型生成单元，用于按照预设采样周期采集媒体内容的浏览日志，构建新样本，对所述新样本进行训练，得到增量模型；所述发送单元还用于，将所述对齐模型发送给使用端，以使得所述使用端将所述对齐模型作为当前使用模型；以及将所述增量模型发送给所述使用端，以使得所述使用端将所述增量模型合并至所述当前使用模型，并利用当前使用模型对待推荐媒体内容进行打分。可选的，在一些实施例中，所述模型生成装置还包括：判断单元，用于判断是否达到预设合并周期，所述预设合并周期大于所述预设采样周期；合并模型生成单元，用于若达到所述预设合并周期，则将所述预设合并周期内得到的所述增量模型合并至所述对齐模型，得到合并模型；所述发送单元还用于，将所述合并模型发送给所述使用端，以使得所述使用端在发生重启事件时，将所述合并模型作为当前使用模型。可选的，在一些实施例中，所述合并模型生成单元包括第一生成子单元；所述第一生成子单元用于，针对仅存在于所述增量模型中，不存在于所述对齐模型中的特征，将该特征及对应的参数，添加至所述对齐模型中；以及针对即存在于所述增量模型中，又存在于所述对齐模型中的特征，将所述对齐模型中该特征对应的参数更新为所述增量模型中该特征对应的参数，得到所述合并模型。可选的，在一些实施例中，所述合并模型生成单元包括第二生成子单元；所述第二生成子单元用于，针对仅存在于所述增量模型中，不存在于所述对齐模型中的特征，将该特征及对应的参数，添加至所述对齐模型中；以及针对即存在于所述增量模型中，又存在于所述对齐模型中的特征，计算所述增量模型中该特征对应的参数与所述对齐模型中该特征对应的参数的均值，将所述对齐模型中该特征对应的参数更新为所述均值，得到所述合并模型。可选的，在一些实施例中，所述模型生成装置还包括：确定单元，用于确定所述合并模型中的每个特征是否满足预设裁剪条件；剪裁模型生成单元，用于根据所述合并模型中满足所述预设裁剪条件的特征及对应的参数，生成剪裁模型；所述发送单元还用于，将所述剪裁模型发送给所述使用端，以使得所述使用端根据所述剪裁模型对当前使用模型中的特征及对应的参数进行剪裁处理。可选的，在一些实施例中，所述确定单元包括：获取子单元，用于根据所述对齐模型和所述预设合并周期内得到的所述增量模型，获取所述合并模型中每个特征的活跃度信息，所述活跃度信息包括每个特征的第一次出现时间、最后一次出现时间、出现频率中的至少一个；确定子单元，用于根据每个特征的活跃度信息确定每个特征是否满足预设剪裁条件。可选的，在一些实施例中，所述使用端利用当前使用模型对待推荐媒体内容进行打分，包括：获取所述待推荐媒体内容的内容特征，以及获取当前用户的用户特征；将所述内容特征和所述用户特征输入当前使用模型，当前使用模型的输出为所述待推荐媒体内容的得分；在得到多个所述待推荐媒体内容的得分之后，根据得分情况对多个所述待推荐媒体内容进行排序；将排序之后的多个所述待推荐媒体内容推荐给所述当前用户。相应地，本专利技术实施例还提供了一种模型使用装置，包括：接收单元，用于接收生成端发送的对齐模型，所述对齐模型由所述生成端采集媒体内容的历史浏览日志，构建历史样本，对所述历史样本进行训练得到，以及接收所述生成端发送的增量模型，所述增量模型由所述生成端按照预设采样采集媒体内容的浏览日志，构建新样本，并对所述新样本进行训练得到；对齐单元，用于加载所述对齐模型，将所述对齐模型作为当前使用模型；合并单元，用于加载所述增量模型，将所述增量模型合并至当前使用模型；打分单元，用于利用当前使用模型对待推荐媒体内容进行打分。可选的，在一些实施例中，所述接收单元还用于，接收所述生成端发送的合并模型，所述合并模型由所述生成端将预设合并周期内得到的所述增量模型合并至所述对齐模型得到；所述模型使用装置还包括：判断单元，用于判断是否发生重启事件；恢复单元，用于若发生了所述重启事件，则加载所述合并模型，并将所述合并模型作为当前使用模型。可选的，在一些实施例中，所述接收单元还用于，接收所述生成端发送的剪裁模型，所述剪裁模型由所述生成端根据所述合并模型中满足预设裁剪条件的特征及对应的参数生成；所述模型使用装置还包括：剪裁单元，用于根据所述剪裁模型对当前使用模型中的特征及对应的参数进行剪裁处理。可选的，在一些实施例中，所述模型使用装置还包括：删除单元，用于将在所述合并模型或所述对齐模型之前接收到的其他模型删除。可选的，在一些实施例中，所述合并单元包括第一合并子单元；所述第一合并子单元用于，针对仅存在于所述增量模型中，不存在于当前使用模型中本文档来自技高网...

【技术保护点】
1.一种模型生成方法，其特征在于，包括：采集媒体内容的历史浏览日志，构建历史样本，对所述历史样本进行训练，得到对齐模型；将所述对齐模型发送给使用端，以使得所述使用端将所述对齐模型作为当前使用模型；按照预设采样周期采集媒体内容的浏览日志，构建新样本，对所述新样本进行训练，得到增量模型；将所述增量模型发送给所述使用端，以使得所述使用端将所述增量模型合并至当前使用模型，并利用当前使用模型对待推荐媒体内容进行打分。

【技术特征摘要】
1.一种模型生成方法，其特征在于，包括：采集媒体内容的历史浏览日志，构建历史样本，对所述历史样本进行训练，得到对齐模型；将所述对齐模型发送给使用端，以使得所述使用端将所述对齐模型作为当前使用模型；按照预设采样周期采集媒体内容的浏览日志，构建新样本，对所述新样本进行训练，得到增量模型；将所述增量模型发送给所述使用端，以使得所述使用端将所述增量模型合并至当前使用模型，并利用当前使用模型对待推荐媒体内容进行打分。2.根据权利要求1所述的模型生成方法，其特征在于，在将所述增量模型发送给所述使用端之后，还包括：判断是否达到预设合并周期，所述预设合并周期大于所述预设采样周期；若达到所述预设合并周期，则将所述预设合并周期内得到的所述增量模型合并至所述对齐模型，得到合并模型；将所述合并模型发送给所述使用端，以使得所述使用端在发生重启事件时，将所述合并模型作为当前使用模型。3.根据权利要求2所述的模型生成方法，其特征在于，所述将所述预设合并周期内得到的所述增量模型合并至所述对齐模型，得到合并模型，包括：针对仅存在于所述增量模型中，不存在于所述对齐模型中的特征，将该特征及对应的参数，添加至所述对齐模型中；针对即存在于所述增量模型中，又存在于所述对齐模型中的特征，将所述对齐模型中该特征对应的参数更新为所述增量模型中该特征对应的参数，得到所述合并模型。4.根据权利要求2所述的模型生成方法，其特征在于，所述将所述预设合并周期内得到的所述增量模型合并至所述对齐模型，得到合并模型，包括：针对仅存在于所述增量模型中，不存在于所述对齐模型中的特征，将该特征及对应的参数，添加至所述对齐模型中；针对即存在于所述增量模型中，又存在于所述对齐模型中的特征，计算所述增量模型中该特征对应的参数与所述对齐模型中该特征对应的参数的均值，将所述对齐模型中该特征对应的参数更新为所述均值，得到所述合并模型。5.根据权利要求2至4任意一项所述的模型生成方法，其特征在于，在将所述合并模型发送给所述使用端之后，还包括：确定所述合并模型中的每个特征是否满足预设裁剪条件；根据所述合并模型中满足所述预设裁剪条件的特征及对应的参数，生成剪裁模型；将所述剪裁模型发送给所述使用端，以使得所述使用端根据所述剪裁模型对当前使用模型中的特征及对应的参数进行剪裁处理。6.根据权利要求5所述的模型生成方法，其特征在于，所述确定所述合并模型中的每个特征是否满足预设裁剪条件，包括：根据所述对齐模型和所述预设合并周期内得到的所述增量模型，获取所述合并模型中每个特征的活跃度信息，所述活跃度信息包括每个特征的第一次出现时间、最后一次出现时间、出现频率中的至少一个；根据每个特征的活跃度信息确定每个特征是否满足预设剪裁条件。7.根据权利要求1所述的模型生成方法，其特征在于，所述利用当前使用模型对待推荐媒体内容进行打分包括：获取所述待推荐媒体内容的内容特征，以及获取当前用户的用户特征；将所述内容特征和所述用户特征输入当前使用模型，当前使用模型的输出为所述待...

【专利技术属性】
技术研发人员：范志军，宋松林，唐昊宁，王慧祥，卢靓妮，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44