模型训练、信息处理方法、装置、电子设备及存储介质制造方法及图纸

本公开实施例提供了一种模型训练、信息处理方法、装置、电子设备及存储介质。模型训练方法包括：获取样本数据，样本数据包括样本聚块的特征和标注信息，标注信息包括多个参数对应的标注信息；在预设的待训练模型中，基于样本聚块的特征获取样本聚块的共享特征向量，基于共享特征向量获取样本聚块的样本预测值，样本预测值包括所述多个参数对应的样本预测值；基于样本预测值和标注信息确定是否训练完成；响应于确定训练完成，将训练完成的模型作为预测模型。本公开实施例中，预测模型中各目标对应的网络能够共享聚块的特征，从而同步预测聚块的多个参数，多个目标之间相互促进，能够降低数据过拟合现象，从而提升模型的效果，提高模型的迭代效率。型的迭代效率。型的迭代效率。

【技术实现步骤摘要】
模型训练、信息处理方法、装置、电子设备及存储介质


[0001]本公开涉及互联网
，特别是涉及一种模型训练、信息处理方法、装置、电子设备及存储介质。

技术介绍

[0002]随着互联网技术的迅猛发展，用户要在信息海洋里查找自己所需的信息，就像大海捞针一样，搜索引擎技术恰好解决了这一难题。搜索引擎是根据用户需求与一定算法，运用特定策略检索出指定信息并反馈给用户的一门检索技术。
[0003]为了丰富搜索结果的展示方式，可以将搜索结果从展示单一对象转向展示聚合同一类型对象的聚块。与展示单一对象的场景下仅预测对象顺序的情况不同，在展示聚块的场景下，需要对聚块的两个参数进行预测。
[0004]现有技术中，针对聚块的两个参数，通常是分两步串行建模，利用单独的两个模型进行串行预测，后者的预测需要使用前者的预测结果，也即两者串行耦合。但是，该种串行建模的方式制约了模型的效果，降低了模型的迭代效率。

技术实现思路

[0005]鉴于上述问题，本公开实施例提出了克服上述问题或者至少部分地解决上述问题的一种模型训练、信息处理方法、装置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取样本数据，所述样本数据包括样本聚块的特征和标注信息，所述标注信息包括多个参数对应的标注信息；在预设的待训练模型中，基于所述样本聚块的特征获取所述样本聚块的共享特征向量，基于所述共享特征向量获取所述样本聚块的样本预测值，所述样本预测值包括所述多个参数对应的样本预测值；基于所述样本预测值和所述标注信息确定是否训练完成；响应于确定训练完成，将训练完成的模型作为预测模型。2.根据权利要求1所述的方法，其特征在于，所述基于所述样本聚块的特征获取所述样本聚块的共享特征向量，包括：基于所述样本聚块的特征提取所述样本聚块的特征向量；对所述样本聚块的特征向量进行特征融合分析，得到所述样本聚块的共享特征向量。3.根据权利要求2所述的方法，其特征在于，所述样本聚块的特征包括至少一个类别的特征；所述基于所述样本聚块的特征提取所述样本聚块的特征向量，包括：针对每个类别的特征，利用嵌入层提取当前类别的特征对应的特征向量；将全部类别的特征对应的特征向量进行拼接，得到所述样本聚块的特征向量。4.根据权利要求2所述的方法，其特征在于，所述对所述样本聚块的特征向量进行特征融合分析，得到所述样本聚块的共享特征向量，包括：利用共享底层对所述样本聚块的特征向量进行特征融合分析，得到所述样本聚块的共享特征向量。5.根据权利要求1所述的方法，其特征在于，所述多个参数包括第一参数和第二参数，所述样本预测值包括所述第一参数对应的第一样本预测值和所述第二参数对应的第二样本预测值，所述标注信息包括所述第一参数对应的第一标注信息和所述第二参数对应的第二标注信息；基于所述样本预测值和所述标注信息确定是否训练完成，包括：基于所述第一样本预测值和所述第一标注信息计算第一损失函数；基于所述第二样本预测值和所述第二标注信息计算第二损失函数；基于所述第一损失函数和所述第二损失函数计算综合损失函数；基于所述综合损失函数确定是否训练完成。6.根据权利要求5所述的方法，其特征在于，所述样本数据还包括所述样本聚块的位置参数；所述基于所述第一损失函数和所述第二损失函数计算综合损失函数，包括：计算所述第一损失函...

【专利技术属性】
技术研发人员：李想，肖垚，陈胜，仙云森，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：