神经网络预测方法及装置制造方法及图纸

本公开涉及一种神经网络预测方法及装置。该方法包括：分别获取多个待预测对象的特征信息；将特征信息输入预测模型中进行处理，获取针对多个待预测对象中至少一个待预测对象的预测结果；输出预测结果，其中，预测模型包括长短期记忆网络LSTM模块、深度神经网络DNN模块、关系网络RN模块、对抗训练网络模块以及多任务学习网络MTL模块。根据本公开实施例，能够通过包括多个神经网络模块的预测模型，对多个待预测对象的特征信息进行处理，从而获取针对多个待预测对象中至少一个待预测对象的预测结果，提高了该预测结果的准确度。

Neural Network Prediction Method and Device

The present disclosure relates to a neural network prediction method and device. The method includes: obtaining the feature information of multiple objects to be predicted separately; inputting the feature information into the prediction model for processing, obtaining the prediction results for at least one of the multiple objects to be predicted; outputting the prediction results, in which the prediction model includes LSTM module of long-term and short-term memory network, DNN module of deep neural network, RN module of relational network, and countermeasure training. Network module and MTL module of multi-task learning network. According to the embodiment of the present disclosure, the prediction results for at least one of the multiple objects to be predicted can be obtained by processing the feature information of the multiple objects to be predicted by a prediction model including multiple neural network modules, thus improving the accuracy of the prediction results.

【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：分别获取多个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，获取针对所述多个待预测对象中至少一个待预测对象的预测结果；输出所述预测结果，其中，所述预测模型包括长短期记忆网络LSTM(LongShort-TermMemory，LSTM)模块、深度神经网络DNN(DeepNeuralNetwork，DNN)模块、关系网络RN(RelationNetwork，RN)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，获取针对所述多个待预测对象中至少一个待预测对象的预测结果，包括：将所述特征信息输入所述LSTM模块中进行处理，确定所述多个待预测对象的长短期记忆信息；将所述长短期记忆信息输入所述DNN模块中进行处理，确定所述多个待预测对象的深度信息；将所述深度信息输入所述RN模块中进行处理，确定所述多个待预测对象的关系信息；将所述关系信息输入所述对抗训练网络模块中进行处理，确定所述多个待预测对象中至少一个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，确定针对所述多个待预测对象中至少一个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，获取针对所述多个待预测对象中至少一个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。在一种可能的实现方式中，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。在一种可能的实现方式中，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。在一种可能的实现方式中，所述方法还包括：分别获取多组样本对象当前周期的特征信息；将所述当前周期的特征信息以及前一周期的训练预测结果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当前周期的训练预测结果；根据所述多组样本对象的多个周期的训练预测结果以及所述多个周期的期望预测结果，分别确定所述多组样本对象的多个周期的模型损失；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。在一种可能的实现方式中，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多个周期的模型损失，依次调整所述MTL模块、所述对抗训练网络模块、所述RN模块、所述DNN模块、所述LSTM模块以及嵌入模块中的参数权重，确定调整后的预测模型。在一种可能的实现方式中，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。根据本公开的另一方面，提供了一种神经网络预测装置，所述装置包括：特征信息获取单元，用于分别获取多个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，获取针对所述多个待预测对象中至少一个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，所述预测模型包括长短期记忆网络LSTM模块、深度神经网络DNN模块、关系网络RN模块、对抗训练网络模块以及多任务学习网络MTL模块。在一种可能的实现方式中，所述预测结果获取单元包括：LSTM处理子单元，用于将所述特征信息输入所述LSTM模块中进行处理，确定所述多个待预测对象的长短期记忆信息；DNN处理子单元，用于将所述长短期记忆信息输入所述DNN模块中进行处理，确定所述多个待预测对象的深度信息；RN处理子单元，用于将所述深度信息输入所述RN模块中进行处理，确定所述多个待预测对象的关系信息；对抗训练子单元，用于将所述关系信息输入所述对抗训练网络模块中进行处理，确定所述多个待预测对象中至少一个待预测对象的对抗网络信息；MTL处理子单元，用于将所述对抗网络信息输入所述MTL模块中进行处理，确定针对所述多个待预测对象中至少一个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，所述预测结果获取单元还包括：嵌入处理子单元，用于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；特征信息确定子单元，用于将所述初始信息和所述向量信息确定为所述特征信息。在一种可能的实现方式中，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。在一种可能的实现方式中，所述预测结果输出单元用于输出以下任意一种：输出主预测结果；输出主预测结果以及相关预测结果。在一种可能的实现方式中，所述装置还包括：样本特征信息获取单元，用于分别获取多组样本对象当前周期的特征信息；训练预测结果获取单元，用于将所述当前周期的特征信息以及前一周期的训练预测结果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当前周期的训练预测结果；模型损失确定单元，用于根据所述多组样本对象的多个周期的训练预测结果以及所述多个周期的期望预测结果，分别确定所述多组样本对象的多个周期的模型损失；权重调整单元，用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；预测模型确定单元，用于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。在一种可能的实现方式中，所述权重调整单元包括：权重调整子单元，用于根据所述多组样本对象多个周期的模型损失，依次调整所述MTL模块、所述对抗训练网络模块、所述RN模块、所述DNN模块、所述LSTM模块以及嵌入模块中的参数权重，确定调整后的预测模型。在一种可能的实现方式中，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。根据本公开的另一方面，提供了一种神经网络预测装置，包括：处理器；用于存储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上述方法。根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。根据本公开的各方面，能够通过包括多个神经网络模块的预测模型，对多个待预测对象的特征信息进行处理，从而获取针对多个待预测对象中至少一个待预测本文档来自技高网...

【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：分别获取多个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，获取针对所述多个待预测对象中至少一个待预测对象的预测结果；输出所述预测结果，其中，所述预测模型包括长短期记忆网络LSTM模块、深度神经网络DNN模块、关系网络RN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：分别获取多个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，获取针对所述多个待预测对象中至少一个待预测对象的预测结果；输出所述预测结果，其中，所述预测模型包括长短期记忆网络LSTM模块、深度神经网络DNN模块、关系网络RN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，获取针对所述多个待预测对象中至少一个待预测对象的预测结果，包括：将所述特征信息输入所述LSTM模块中进行处理，确定所述多个待预测对象的长短期记忆信息；将所述长短期记忆信息输入所述DNN模块中进行处理，确定所述多个待预测对象的深度信息；将所述深度信息输入所述RN模块中进行处理，确定所述多个待预测对象的关系信息；将所述关系信息输入所述对抗训练网络模块中进行处理，确定所述多个待预测对象中至少一个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，确定针对所述多个待预测对象中至少一个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，获取针对所述多个待预测对象中至少一个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当前周期的特征信息；将所述当前周期的特征信息以及前一周期的训练预测结果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当前周期的训练预测结果；根据所述多组样本对象的多个周期的训练预测结果以及所述多个周期的期望预测结果，分别确定所述多组样本对象的多个周期的模型损失；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多个周期的模型损失，依次调整所述MTL模块、所述对抗训练网络模块、所述RN模块、所述DNN模块、所述LSTM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，用于分别获取多个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，获取针对所述多个待预测对象中至少一个待预测对象的预测结果；预测结果输出单元...

【专利技术属性】
技术研发人员：茅越，蔡龙军，沈一，
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