信息预测方法和装置制造方法及图纸

本申请公开了信息预测方法和装置，实现方案为：响应于接收到用户发送的预测请求，获取预测请求对应的预测信息；根据预测信息，确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序，其中，各个预测子模型通过联邦机器学习平台训练得到；基于各个预测子模型的先后顺序，将所有预测子模型中各个预测子模型进行关联，其中，关联用于表征在各个预测子模型之间建立关联关系，以确定各个预测子模型的输入和输出；基于关联后的各个预测子模型，对预测信息进行预测，生成预测请求对应的预测结果。该方案实现了一种利用联邦学习平台训练的模型进行在线数据预测的方法。线数据预测的方法。线数据预测的方法。

【技术实现步骤摘要】
信息预测方法和装置


[0001]本申请涉及计算机
，具体涉及人工智能
，尤其涉及信息预测方法和装置。

技术介绍

[0002]联邦学习是一个跨域公网的分布式机器学习框架，能有效帮助多个合作方在保证用户隐私保护、数据安全和政府法规的要求下，进行数据共享，进而联合建模，提升模型的准确性，提升业务指标与用户体验。通过联邦学习平台训练的模型，需要实现在线联合预测，才能发挥出作用。目前的在线联合预测方案，需要合作的双方交换原始的隐私数据到另外一方，然后各方独立建模，并且在线单独提供服务。

技术实现思路

[0003]本申请提供了一种信息预测方法、装置、设备以及存储介质。
[0004]根据本申请的第一方面，提供了一种信息预测方法，该方法包括：响应于接收到用户发送的预测请求，获取预测请求对应的预测信息；根据预测信息，确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序，其中，各个预测子模型通过联邦机器学习平台训练得到，所有预测子模型为执行预测请求所需的各个数据合作方的预测子模型的集合；基于各个预测子模型的先后顺序，将所有预测子模型中各个预测子模型进行关联，其中，关联用于表征在各个预测子模型之间建立关联关系，以确定各个预测子模型的输入和输出；基于关联后的各个预测子模型，对预测信息进行预测，生成预测请求对应的预测结果。
[0005]在一些实施例中，基于各个预测子模型的先后顺序，将所有预测子模型中各个预测子模型进行关联，包括：基于各个预测子模型的先后顺序，将所有预测子模型中每个预测子模型的输出作为下一个预测子模型的输入构建各个预测子模型之间的关联关系。
[0006]在一些实施例中，基于各个预测子模型的先后顺序，将所有预测子模型中各个预测子模型进行关联，包括：基于各个预测子模型的先后顺序，将所有预测子模型进行分组，得到各个预测组对应的预测子模型集合、各个预测子模型集合中预测子模型的先后顺序和各个预测组的先后顺序；基于各个预测组的先后顺序，将每个预测组的输出作为下一预测组的输入构建各个预测子模型之间的关联关系，其中，预测组的输出用于表征基于各个预测子模型集合中预测子模型的先后顺序，利用预测子模型集合对该预测组的输入信息进行预测的结果。
[0007]在一些实施例中，方法还包括：基于模型版本号和探测机制，对所有预测子模型进行更新，其中，探测机制用于在预测过程中对所有预测子模型的加载状态进行实时监测。
[0008]在一些实施例中，基于模型版本号和探测机制，对所有预测子模型进行更新，包括：利用缓存机制，加载当前模型版本号对应的模型信息和待更新的模型版本号对应的模型信息；利用探测机制，判断所有预测子模型中每个当前预测子模型的加载状态是否为加
载完成，其中，当前预测子模型基于当前模型版本号对应的模型信息进行预测；响应于当前预测子模型的加载状态为加载完成，根据待更新的模型版本号对应的模型信息，对当前预测子模型进行更新。
[0009]在一些实施例中，在响应于当前预测子模型的加载状态为加载完成，根据待更新的模型版本号对应的模型信息，对当前预测子模型进行更新之后，还包括：根据更新后的预测子模型的输出，判断该预测子模型是否发生异常；响应于预测子模型发生异常，将更新后的预测子模型的模型信息替换为当前模型版本号对应的模型信息。
[0010]在一些实施例中，预测子模型利用深度学习方法训练得到。
[0011]在一些实施例中，方法还包括：在预测过程中，选取所有预测子模型中任意两个预测子模型；根据选取的两个预测子模型，利用实验标识进行不同模型版本号的AB实验。
[0012]根据本申请的第二方面，提供了一种信息预测装置，装置包括：获取单元，被配置成响应于接收到用户发送的预测请求，获取预测请求对应的预测信息；确定单元，被配置成根据预测信息，确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序，其中，各个预测子模型通过联邦机器学习平台训练得到，所有预测子模型为执行预测请求所需的各个数据合作方的预测子模型的集合；关联单元，被配置成基于各个预测子模型的先后顺序，将所有预测子模型中各个预测子模型进行关联，其中，关联用于表征在各个预测子模型之间建立关联关系，以确定各个预测子模型的输入和输出；预测单元，被配置成基于关联后的各个预测子模型，对预测信息进行预测，生成预测请求对应的预测结果。
[0013]在一些实施例中，关联单元进一步被配置成基于各个预测子模型的先后顺序，将所有预测子模型中每个预测子模型的输出作为下一个预测子模型的输入构建各个预测子模型之间的关联关系。
[0014]在一些实施例中，关联单元，包括：分组模块，被配置成基于各个预测子模型的先后顺序，将所有预测子模型进行分组，得到各个预测组对应的预测子模型集合、各个预测子模型集合中预测子模型的先后顺序和各个预测组的先后顺序；关联模块，被配置成基于各个预测组的先后顺序，将每个预测组的输出作为下一预测组的输入构建各个预测子模型之间的关联关系，其中，预测组的输出用于表征基于各个预测子模型集合中预测子模型的先后顺序，利用预测子模型集合对该预测组的输入信息进行预测的结果。
[0015]在一些实施例中，装置还包括：更新单元，被配置成基于模型版本号和探测机制，对所有预测子模型进行更新，其中，探测机制用于在预测过程中对所有预测子模型的加载状态进行实时监测。
[0016]在一些实施例中，更新单元，包括：加载模块，被配置成利用缓存机制，加载当前模型版本号对应的模型信息和待更新的模型版本号对应的模型信息；第一判断模块，被配置成利用探测机制，判断所有预测子模型中每个当前预测子模型的加载状态是否为加载完成，其中，当前预测子模型基于当前模型版本号对应的模型信息进行预测；更新模块，被配置成响应于当前预测子模型的加载状态为加载完成，根据待更新的模型版本号对应的模型信息，对当前预测子模型进行更新。
[0017]在一些实施例中，更新单元，还包括：第二判断模块，被配置成根据更新后的预测子模型的输出，判断该预测子模型是否发生异常；替换模块，被配置成响应于预测子模型发
生异常，将更新后的预测子模型的模型信息替换为当前模型版本号对应的模型信息。
[0018]在一些实施例中，确定单元中的预测子模型利用深度学习方法训练得到。
[0019]在一些实施例中，装置还包括：选取模块，被配置成在预测过程中，选取所有预测子模型中任意两个预测子模型；实验模块，被配置成根据选取的两个预测子模型，利用实验标识进行不同模型版本号的AB实验。
[0020]根据本申请的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
[0021]根据本申请的第四方面，本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息预测方法，所述方法包括：响应于接收到用户发送的预测请求，获取所述预测请求对应的预测信息；根据所述预测信息，确定预测过程中所述预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序，其中，所述各个预测子模型通过联邦机器学习平台训练得到，所述所有预测子模型为执行所述预测请求所需的各个数据合作方的预测子模型的集合；基于各个预测子模型的先后顺序，将所有预测子模型中各个预测子模型进行关联，其中，所述关联用于表征在各个预测子模型之间建立关联关系，以确定各个预测子模型的输入和输出；基于所述关联后的各个预测子模型，对所述预测信息进行预测，生成所述预测请求对应的预测结果。2.根据权利要求1所述方法，其中，所述基于各个预测子模型的先后顺序，将所有预测子模型中各个预测子模型进行关联，包括：基于各个预测子模型的先后顺序，将所有预测子模型中每个预测子模型的输出作为下一个预测子模型的输入构建各个预测子模型之间的关联关系。3.根据权利要求1所述方法，其中，所述基于各个预测子模型的先后顺序，将所有预测子模型中各个预测子模型进行关联，包括：基于各个预测子模型的先后顺序，将所有预测子模型进行分组，得到各个预测组对应的预测子模型集合、各个预测子模型集合中预测子模型的先后顺序和各个预测组的先后顺序；基于各个预测组的先后顺序，将每个预测组的输出作为下一预测组的输入构建各个预测子模型之间的关联关系，其中，所述预测组的输出用于表征基于各个预测子模型集合中预测子模型的先后顺序，利用预测子模型集合对该预测组的输入信息进行预测的结果。4.根据权利要求1所述方法，还包括：基于模型版本号和探测机制，对所述所有预测子模型进行更新，其中，所述探测机制用于在预测过程中对所述所有预测子模型的加载状态进行实时监测。5.根据权利要求4所述方法，其中，所述基于模型版本号和探测机制，对所述所有预测子模型进行更新，包括：利用缓存机制，加载当前模型版本号对应的模型信息和待更新的模型版本号对应的模型信息；利用所述探测机制，判断所述所有预测子模型中每个当前预测子模型的加载状态是否为加载完成，其中，所述当前预测子模型基于当前模型版本号对应的模型信息进行预测；响应于当前预测子模型的加载状态为加载完成，根据待更新的模型版本号对应的模型信息，对当前预测子模型进行更新。6.根据权利要求5所述方法，其中，在所述响应于当前预测子模型的加载状态为加载完成，根据待更新的模型版本号对应的模型信息，对当前预测子模型进行更新之后，还包括：根据更新后的预测子模型的输出，判断该预测子模型是否发生异常；响应于预测子模型发生异常，将更新后的预测子模型的模型信息替换为当前模型版本号对应的模型信息。
7.根据权利要求1所述方法，其中，所述预测子模型利用深度学习方法训练得到。8.根据权利要求1所述方法，还包括：在所述预测过程中，选取所述所有预测子模型中任意两个预测子模型；根据选取的两个预测子模型，利用实验标识进行不同模型版本号的AB实验。9.一种信息预测装置，所述装置包括：获取单元，被配置成响应于接收到用户发送的预测请求，获取所述预测请求对应的预测信息；确定单元，被配置成根据所述预测信息，确定预测过程中所述预测信息流经的所有预测子模型和所有预测子...

【专利技术属性】
技术研发人员：杜宝坤，刘静娓，郝君，李健，张波，
申请(专利权)人：北京沃东天骏信息技术有限公司，
类型：发明
国别省市：