The present disclosure relates to a neural network prediction method and device. The method includes: acquiring the feature information of the object to be predicted; inputting the feature information into the prediction model for processing to obtain the prediction results for the object to be predicted; outputting the prediction results. The prediction model includes the DNN module of the deep neural network, the antagonistic training network module and the MTL module of the multi-task learning network. According to the embodiment of the present disclosure, the prediction result for the object to be predicted can be obtained by processing the feature information of the predicted object through a prediction model comprising a plurality of neural network modules, thus improving the accuracy of the prediction result.
【技术实现步骤摘要】
神经网络预测方法及装置
本公开涉及计算机
,尤其涉及一种神经网络预测方法及装置。
技术介绍
相关技术中,可以利用训练样本训练得到预测模型,从而对各种事件进行预测。例如,可以利用电视剧播放流量(VideoView)相关的训练样本训练得到用于预测电视剧播放流量的预测模型,从而对即将播放的电视剧播放流量进行预测。然而,有些事件的训练样本数量较少,例如,综艺相关的训练样本数量较少,通过较少的训练样本训练得到的预测模型具有预测准确度低、预测结果不可靠等问题。
技术实现思路
有鉴于此,本公开提出了一种神经网络预测方法及装置,能够提高预测结果的准确度。根据本公开的一方面,提供了一种神经网络预测方法,所述方法包括:获取待预测对象的特征信息;将所述特征信息输入预测模型中进行处理,获取针对所述待预测对象的预测结果;输出所述预测结果,其中,所述预测模型包括深度神经网络DNN(DeepNeuralNetwork,DNN)模块、对抗训练网络模块以及多任务学习网络MTL(Multi-TaskLearning,MTL)模块。在一种可能的实现方式中,将所述特征信息输入预测模型中进行处理,获取针对所述待预测对象的预测结果,包括:将所述特征信息输入所述DNN模块中进行处理,确定所述待预测对象的深度信息;将所述深度信息输入所述对抗训练网络模块中进行处理,确定所述待预测对象的对抗训练信息;将所述对抗训练信息输入所述MTL模块中进行处理,确定针对所述待预测对象的预测结果。在一种可能的实现方式中,所述预测模型还包括嵌入模块,其中,将所述特征信息输入预测模型中进行处理,获取针对所述待预测对象的预测结 ...
【技术保护点】
1.一种神经网络预测方法,其特征在于,所述方法包括:获取待预测对象的特征信息;将所述特征信息输入预测模型中进行处理,获取针对所述待预测对象的预测结果;输出所述预测结果,其中,所述预测模型包括深度神经网络DNN模块、对抗训练网络模块以及多任务学习网络MTL模块。
【技术特征摘要】
1.一种神经网络预测方法,其特征在于,所述方法包括:获取待预测对象的特征信息;将所述特征信息输入预测模型中进行处理,获取针对所述待预测对象的预测结果;输出所述预测结果,其中,所述预测模型包括深度神经网络DNN模块、对抗训练网络模块以及多任务学习网络MTL模块。2.根据权利要求1所述的方法,其特征在于,将所述特征信息输入预测模型中进行处理,获取针对所述待预测对象的预测结果,包括:将所述特征信息输入所述DNN模块中进行处理,确定所述待预测对象的深度信息;将所述深度信息输入所述对抗训练网络模块中进行处理,确定所述待预测对象的对抗训练信息;将所述对抗训练信息输入所述MTL模块中进行处理,确定针对所述待预测对象的预测结果。3.根据权利要求2所述的方法,其特征在于,所述预测模型还包括嵌入模块,其中,将所述特征信息输入预测模型中进行处理,获取针对所述待预测对象的预测结果,还包括:将初始信息输入所述嵌入模块进行向量化处理,确定所述初始信息的向量信息;将所述初始信息和所述向量信息确定为所述特征信息。4.根据权利要求1所述的方法,其特征在于,所述预测结果包括:主预测结果以及相关预测结果,其中,在所述预测模型的目标函数中,与所述主预测结果相关联的参数权重大于与所述相关预测结果相关联的参数权重。5.根据权利要求4所述的方法,其特征在于,输出所述预测结果,包括以下任意一种:输出主预测结果;输出主预测结果以及相关预测结果。6.根据权利要求1或3所述的方法,其特征在于,所述方法还包括:分别获取多组样本对象的特征信息;将所述特征信息输入初始预测模型中进行处理,获取针对所述多组样本对象的训练预测结果;根据所述多组样本对象的训练预测结果以及期望预测结果,分别确定所述多组样本对象的模型损失;根据所述模型损失,调整所述初始预测模型中的参数权重,确定调整后的预测模型;在所述模型损失满足训练条件的情况下,将调整后的预测模型确定为最终的预测模型。7.根据权利要求6所述的方法,其特征在于,根据所述模型损失,调整所述初始预测模型中的参数权重,确定调整后的预测模型,包括:根据所述多组样本对象的模型损失,依次调整所述MTL模块、所述对抗训练网络模块、所述DNN模块以及嵌入模块中的参数权重,确定调整后的预测模型。8.根据权利要求6所述的方法,其特征在于,所述多组样本对象至少部分的特征信息相同,不同组的样本对象的类别不同。9.一种神经网络预测装置,其特征在于,所述装置包括:特征信息获取单元,用于获取待预测对象的特征信息;预测结果获取单元,用于将所述特征信息输入预测模型中进行处理,获取针对所述待预测对象的预测结果;预测结果输出单元,用于输出所述预测结果,其中,所述...
【专利技术属性】
技术研发人员:沈一,茅越,蔡龙军,
申请(专利权)人:优酷网络技术北京有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。