【技术实现步骤摘要】
模型处理方法、装置、存储介质及电子设备
[0001]本申请涉及计算机
，尤其涉及一种模型处理方法、装置、存储介质及电子设备。
技术介绍
[0002]在日常事务场景中，常会涉及到对用户对应客户端进行内容推荐，如针对特定用户的信息流展示、信息推荐、内容精准投放等日常事务场景。目前，在日常事务场景中常会使用到基于机器学习的神经网络模型来实现，通常会在线下使用机器学习的方式收集一段时间内的用户数据对构建的相应事务模型进行训练，然后将训练好的模型上线应用到日常事务场景中。
技术实现思路
[0003]本说明书提供了一种模型处理方法、装置、存储介质及电子设备，所述技术方案如下：
[0004]第一方面，本说明书提供了一种模型处理方法，所述方法包括：
[0005]将针对初始神经网络模型的第一训练数据进行数据复制处理，得到第二训练数据；
[0006]将所述第一训练数据和所述第二训练数据输入所述初始神经网络模型，以确定针对第一训练数据的第一表征信息以及针对第二训练数据的第二表征信息；
[000...
【技术保护点】
【技术特征摘要】
1.一种模型处理方法，所述方法包括：将针对初始神经网络模型的第一训练数据进行数据复制处理，得到第二训练数据；将所述第一训练数据和所述第二训练数据输入所述初始神经网络模型，以确定针对第一训练数据的第一表征信息以及针对第二训练数据的第二表征信息；基于所述第一表征信息以及所述第二表征信息对所述初始神经网络模型进行模型训练，得到目标神经网络模型。2.根据权利要求1所述的方法，所述将所述第一训练数据和所述第二训练数据输入所述初始神经网络模型，以确定针对第一训练数据的第一表征信息以及针对第二训练数据的第二表征信息，包括：将所述第一训练数据和所述第二训练数据输入所述初始神经网络模型；通过对所述初始神经网络模型进行随机隐退处理，基于随机隐退处理后的所述初始神经网络模型确定针对第一训练数据的第一表征信息以及针对第二训练数据的第二表征信息。3.根据权利要求2所述的方法，所述通过对所述初始神经网络模型进行随机隐退处理，基于随机隐退处理后的所述初始神经网络模型确定针对第一训练数据的第一表征信息以及针对第二训练数据的第二表征信息，包括：对所述初始神经网络模型中的至少一个第一神经元进行第一随机隐退处理，基于第一随机隐退处理后的所述初始神经网络模型输出针对第一训练数据的第一表征信息；对所述初始神经网络模型中的至少一个第二神经元进行第二随机隐退处理，基于第二随机隐退处理后的所述初始神经网络模型输出针对第二训练数据的第二表征信息。4.根据权利要求3所述的方法，所述初始神经网络模型包括隐层网络，所述隐层网络中包括至少一个随机隐退层和至少一个隐层，所述对所述初始神经网络模型中的至少一个第一神经元进行第一随机隐退处理，包括：通过所述随机隐退层对下层的所述隐层中的至少一个第一神经元进行第一随机隐退处理；所述对所述初始神经网络模型中的至少一个第二神经元进行第二随机隐退处理，包括：通过所述随机隐退层对下层的所述隐层中的至少一个第二神经元进行第二随机隐退处理。5.根据权利要求1所述的方法，所述基于所述第一表征信息以及所述第二表征信息对所述初始神经网络模型进行模型训练，得到目标神经网络模型，包括：基于所述第一表征信息以及所述第二表征信息，确定模型损失；基于所述模型损失对所述初始神经网络模型进行模型训练，得到目标神经网络模型。6.根据权利要求5所述的方法，所述基于所述第一表征信息以及所述第二表征信息，确定模型损失，包括：从所述第一表征信息获取针对第一无标签数据的第三表征信息，以及获取针对第二无标签数据的第四表征信息，所述第二无标签数据为针对所述第一标签数据进行数据复制生成的无标签数据；
基于所述第三表征信息以及所述第四表征信息，确定针对无标签数据的第一损失；所述基于所述模型损失对所述初始神经网络模型进行模型训练，包括：基于所述第一损失对所述初始神经网络模型进行模型训练。7.根据权利要求6所述的方法，所述基于所述第三表征信息以及所述第四表征信息，确定针对无标签数据的第一损失，包括：将所述第三表征信息以及所述第四表征信息输入至第一损失计算式中，确定针对无标签数据的第一损失；所述第一损失计算式满足以下公式：其中，L1为第一损失，A
i
为第三表征信息，B
i
为第四表征信息，kl()为相对熵函数，n为所述无标签数据的数据数量。8.根据权利要求6所述的方法，所述方法还包括：从所述第一表征信息和所述第二表征信息中...
【专利技术属性】
技术研发人员：谢世明，陈鸿，吴军，曾多，袁心如，沈僮，元野，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：
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。