对象选取模型的训练方法、选取方法、装置及电子设备制造方法及图纸

本申请公开了一种对象选取模型的训练方法、对象选取方法、装置、电子设备及存储介质。其中，对象选取模型的训练方法包括：获取多个场景各自对应的样本特征以及样本特征的样本标注；通过初始选取模型，得到每个场景下的拼接特征对应的样本特征的预测评分；根据每个场景下的样本特征的预测评分以及样本标注，对表示网络以及对应每个场景的场景深度网络进行训练，得到对象选取模型。在本申请中，通过多个场景各自对应的样本特征以及样本标注，对初始选取模型进行训练，训练样本可以从多个不同的场景获取，并不需对一个固定场景的样本进行复杂的扩充操作，从而降低了训练样本的获取难度，从而提高了训练效率。从而提高了训练效率。从而提高了训练效率。

【技术实现步骤摘要】
对象选取模型的训练方法、选取方法、装置及电子设备


[0001]本申请涉及人工智能
，更具体地，涉及一种对象选取模型的训练方法、对象选取方法、装置、电子设备及存储介质。

技术介绍

[0002]随着电子技术和网络技术的不断发展，越来越多的用户通过网络浏览新闻、商品以及学习课程等对象的信息。目前，对象选取平台可以根据训练样本对神经网络模型进行训练，得到对象选取模型，然后将用户的特征信息输入对象选取模型，得到多个对象各自的评分，以根据多个对象各自的评分，确定选取的对象。
[0003]然而，上述过程中，对象选取模型的训练样本获取难度较大，从而导致对象选取模型训练效率较低的问题。

技术实现思路

[0004]有鉴于此，本申请实施例提出了一种对象选取模型的训练方法、对象选取方法、装置、电子设备及存储介质。
[0005]第一方面，本申请实施例提供了一种对象选取模型的训练方法，所述方法包括：获取多个场景各自对应的样本特征以及所述样本特征的样本标注；将所述样本特征输入初始选取模型中的表示网络，得到对应所述样本特征的多个表示特征；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对象选取模型的训练方法，其特征在于，所述方法包括：获取多个场景各自对应的样本特征以及所述样本特征的样本标注；将所述样本特征输入初始选取模型中的表示网络，得到对应所述样本特征的多个表示特征；对所述多个表示特征进行拼接操作，得到对应所述样本特征的拼接特征；将每个所述场景下的拼接特征输入对应的场景深度网络，得到每个所述场景下的拼接特征对应的样本特征的预测评分，所述初始选取模型包括不同场景分别对应的场景深度网络；根据每个所述场景下的样本特征的预测评分以及样本标注，对所述表示网络以及对应每个所述场景的场景深度网络进行训练，得到所述对象选取模型。2.根据权利要求1所述的方法，其特征在于，所述对象选取模型为针对目标场景的模型时，所述根据每个所述场景下的样本特征的预测评分以及样本标注，对所述表示网络以及对应每个所述场景的场景深度网络进行训练，得到所述对象选取模型，包括：根据每个所述场景下的样本特征的预测评分以及样本标注，对所述表示网络以及对应每个所述场景的场景深度网络进行训练；当迭代次数达到预设次数时，将所述除所述目标场景以外的场景对应的场景深度网络删除，得到所述对象选取模型。3.根据权利要求1所述的方法，其特征在于，所述获取多个场景各自对应的样本特征以及所述样本特征的样本标注，包括：从分布式文件系统获取所述多个场景各自对应的样本特征以及所述样本特征的样本标注，所述分布式文件系统存有所述多个场景各自对应的预置样本特征以及所述预置样本特征对应的样本标注，所述预置样本特征至少包括所述样本特征。4.根据权利要求3所述的方法，其特征在于，所述多个场景包括第一场景时，所述从分布式文件系统获取所述多个场景各自对应的样本特征以及所述样本特征的样本标注之前，所述方法还包括：从所述第一场景的埋点日志中获取目标类别的第一数据以及所述第一数据对应的交互数据；对所述第一数据进行特征提取，得到对应所述第一数据的预置样本特征；根据所述第一数据对应的交互数据，得到对应所述第一数据的预置样本特征的样本标注；将对应所述第一数据的预置样本特征以及对应所述第一数据的预置样本特征的样本标注存储于所述分布式文件系统。5.根据权利要求3所述的方法，其特征在于，所述多个场景包括第二场景时，所述从分布式文件系统获取所述多个场景各自对应的样本特征以及所述样本特征的样本标注之前，所述方法还包括：响应于接收到的模拟请求，获取第二场景的埋点日志；从所述第二场景的埋点日志中获取目标类别的第二数据以及所述第二数据对应的交互数据；对所述第二数据进行特征提取，得到对应所述第二数据的预置样本特征；
根据所述第二数据对应的交互数据，得到对应所述第二数据的预...

【专利技术属性】
技术研发人员：游凯文，王国强，吴存华，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：