一种基于云计算的人工智能训练方法及系统技术方案

本发明专利技术公开了一种基于云计算的人工智能训练方法及系统，涉及计算机人工智能训练技术领域。本发明专利技术通过在终端中分别设置用于分类模型和第一预测模型，并且在云计算端为分类结果为某类且相同的终端设置第二预测模型，第二预测模型采用大数据进行训练，能采用神经网络等复杂模型结果进行特征的深度挖掘；而设在终端本地的模型虽然数据量较小，但能参考第二预测模型的共享权值为起点进行训练，并且更为贴合本地的数据，做出反应更为灵敏的决策，使第一预测模型和第二预测模型之间的特征关联度高，使第一预测模型的训练更为快速、拟合度高和数据损失少，再者可免去分类参数的上传，以保护隐私数据。隐私数据。隐私数据。

【技术实现步骤摘要】
一种基于云计算的人工智能训练方法及系统


[0001]本专利技术涉及计算机人工智能训练
，特别是涉及一种基于云计算的人工智能训练方法及系统。

技术介绍

[0002]随着信息技术发展到海量数据的阶段，人工智能技术也得到迅速的发展。特别是，深度学习的逐渐成熟，更多的数据特征由人工智能算法自行挖掘，并产生极大的价值。然而，目前的深度学习对于图形、声音等非结构性数据处理能发挥优异的特性，能实现准确率的智能识别，但对于推送信息、用户画像和用户决策等结构化数据，人工智能算法预测的结果，则往往难以解释，也难以展现出稳定的关联性。
[0003]目前，人工智能在推送信息和用户决策上的应用是文字、声音、图像和操纵等的识别，而人工智能在用户画像的应用则在海量用户信息中提取特征，由众多特征的确定用户手机使用习惯，并进行标签。对于识别之后的数据应用采用的处理方式，一般则是人工分析后的模型，进行的内容标签和用户标签之间的匹配而得出决策。同时，随着互联网的高速发展，用户个人信息被泄露的事件增加，相关保护用户隐私的法规也会越来越严格。因此，基于人工智能应用，在隐私数据得到保护决策具有可解释性的前提下，如何实现提高用户对内容推送的体验成为需要解决的问题。

技术实现思路

[0004]为解决现有技术存在的缺陷，本专利技术的主要目的在于提供一种基于云计算的人工智能训练方法及系统，可实现利用人工智能进行决策的预测，
[0005]为了实现上述目的，本专利技术采用如下的技术方案：
[0006]在第一方面，本专利技术是一种基于云计算的人工智能训练方法，包括：在终端中，设置有分类模型和第一预测模型，其中，所述分类模型已训练，并通过在分类模型中输入分类参数以此生成分类结果,再将分类结果发送至云计算端，所述终端借助本地获取的输入预测参数与输出决策参数对第一预测模型进行训练；
[0007]在云计算端中，至少针对分类结果为相同某类的所述终端设置有第二预测模型，获取众多的输入预测参数和输出决策参数作为训练数据，第二预测模型将训练数据按照特征进行划分，按照特征分布设置梯度适应，按照梯度适应计算出第二预测模型的权重；将云计算端的所述第二预测模型的权重共享于输出决策参数相同的终端的所述第一预测模型，所述第一预测模型借助共享的权重进行模型训练。
[0008]上述方法可选有，在终端中，所述输入预测参数包含但不仅包含分类参数，所述云计算端根据分类结果生成分类参数的模拟参量；所述第二预测模型借助包含所述模拟参量的输入预测参数作为输入进行模型训练，所述第一预测模型借助包含分类参数的所述输入预测参数作为输入进行模型训练。
[0009]上述方法进一步有，所述分类参数包含隐私数据，所述终端仅发送不包含隐私数
据部分的输入预测参数。
[0010]上述方法可选有，还包括：在第一预测模型训练进行阶段，运营端按照第二预测模型的决策信息推送内容信息，在第一预测模型训练完成阶段，运营端按照第一预测模型预测的输出决策参数推送内容信息。
[0011]上述方法进一步有，在第一预测模型训练进行阶段，按照该终端相邻两次获取内容信息的时间为界限采集输入预测参数，当输入预测参数满足第一预测模型的输入要求进行一次训练并迭代，直至第一预测模型的损失参数满足预设要求时将第一预测模型设置为训练完成阶段。
[0012]上述方法进一步有，所述的第一预测模型的损失参数满足预设要求包括: 所述第一预测模型的损失参数相比于与其对应的第二预测模型的损失参数的差异在设定范围内。
[0013]上述方法可选有，述第一预测模型和第二预测模型的输入数据架构相同的决策树模型，所述分类模型为类聚模型。
[0014]在第二方面，本专利技术是一种基于云计算的人工智能训练系统，包括设置有分类模型和第一预测模型的终端，以及设置有第二预测模型的云计算端；所述分类模型包括：参数采集单元，用于获取分类参数；分类单元，用于根据分类参数生成分类结果；参数输出单元，用于将分类结果发送到云计算端；所述第一预测模型包括：第一预测采集单元，用于获取终端本地的输入预测参数和输出决策参数；第一预测单元，用于借助本地的输入预测参数和输出决策参数进行训练；所述第二预测模型包括：第二预测采集单元，用于获取众多的分类结果为相同某类的所述终端的输入预测参数和输出决策参数；第二预测单元，用于将输入预测参数和输出决策参数按照特征进行划分，按照特征分布设置梯度适应，按照梯度适应计算出第二预测模型的权重；共享单元，用于按照第二预测单元的权重更新分类结果相同的所述终端的第一预测单元的权重。
[0015]上述系统可选有，所述第一预测采集单元获取包含但不仅包含分类参数的输入预测参数，所述第二预测采集单元获取的输入预测参数不包含分类参数部分；所述第二预测模型还包括：参量生成单元，用于按照分类结果生成分类参数的模拟参量；所述第二预测单元借助包含所述模拟参量的输入预测参数作为输入进行模型训练。
[0016]上述系统可选有，还包括运营端，所述运营端包括推送模块；所述推送模块，用于在第一预测模型训练进行阶段按照第二预测模型的输出决策参数推送内容信息，在第一预测模型训练完成阶段按照第一预测模型预测的输出决策参数推送内容信息。
[0017]与现有技术相比，本专利技术有益效果如下：
[0018](1)本专利技术通过在终端中分别设置用于分类模型和第一预测模型，并且在云计算端为分类结果为某类且相同的终端设置第二预测模型，第二预测模型采用大数据进行训练，能采用神经网络等复杂模型结果进行特征的深度挖掘；而设在终端本地的模型虽然数据量较小，但能参考第二预测模型的共享权值为起点进行训练，并且更为贴合本地的数据，做出反应更为灵敏的决策；同时，第二预测模型是采用分类结果类别相同的情况作为训练输入的，使第一预测模型和第二预测模型之间的特征关联度高，使第一预测模型的训练更为快速、拟合度高和数据损失少；再者，云计算端和终端仅传输分类结果、输入预测参数和输出决策参数，可免去分类参数的上传，以保护隐私数据。
[0019](2)本专利技术进一步的有益效果有：终端将隐私数据作为分类模型的输入，但仅上传
分类结果，而不上传分类参数。当部分参数需要作为第二预测模型的输入时，利用分类结果估算出模拟参量用作第二预测模型的输入。
[0020](3)本专利技术进一步的有益效果有：利用运营端生成推送内容影响在训练进行阶段的第一预测模型，使的在终端中形成帮助第一预测模型训练的数据，由于第二预测模型在大量数据下做出的决策结果能提高准确度的预测，因此第一预测模型能在推送内容信息下产生足够多的数据量用于终端的训练。
[0021]下面结合附图对本专利技术作进一步的说明。
附图说明
[0022]图1为本专利技术实施例的基于云计算的人工智能训练方法的流程示例图。
[0023]图2为本专利技术实施例的基于云计算的人工智能训练方法的数据通讯架构图。
[0024]图3为本专利技术实施例的基于云计算的人工智能训练方法的数据关系图。
[0025]图4为本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云计算的人工智能训练方法，其特征在于，包括：在终端中，设置有分类模型和第一预测模型，其中，所述分类模型已训练，并通过在分类模型中输入分类参数以此生成分类结果,并将分类结果发送至云计算端；所述终端借助本地获取的输入预测参数与输出决策参数对第一预测模型进行训练。在云计算端中，至少针对分类结果为相同某类的所述终端设置有第二预测模型，获取众多的输入预测参数和输出决策参数作为训练数据，第二预测模型将训练数据按照特征进行划分，按照特征分布设置梯度适应，按照梯度适应计算出第二预测模型的权重；将云计算端的所述第二预测模型的权重共享于输出决策参数相同的终端的所述第一预测模型，所述第一预测模型借助共享的权重进行模型训练。2.根据权利要求1所述的一种基于云计算的人工智能训练方法，其特征在于，在终端中，所述输入预测参数包含但不仅包含分类参数，所述云计算端根据分类结果生成分类参数的模拟参量；所述第二预测模型借助包含所述模拟参量的输入预测参数作为输入进行模型训练，所述第一预测模型借助包含分类参数的所述输入预测参数作为输入进行模型训练。3.根据权利要求2所述的一种基于云计算的人工智能训练方法，其特征在于，所述分类参数包含隐私数据，所述终端仅发送不包含隐私数据部分的输入预测参数。4.根据权利要求1所述的一种基于云计算的人工智能训练方法，其特征在于，还包括：在第一预测模型训练进行阶段，运营端按照第二预测模型的决策信息推送内容信息，在第一预测模型训练完成阶段，运营端按照第一预测模型预测的输出决策参数推送内容信息。5.根据权利要求4所述的一种基于云计算的人工智能训练方法，其特征在于，在第一预测模型训练进行阶段，按照该终端相邻两次获取内容信息的时间为界限采集输入预测参数，当输入预测参数满足第一预测模型的输入要求进行一次训练并迭代，直至第一预测模型的损失参数满足预设要求时将第一预测模型设置为训练完成阶段。6.根据权利要求5所述的一种基于云计算的人工智能训练方法，其特...

【专利技术属性】
技术研发人员：邓宇翔，林金怡，邹西山，胡高生，李韩，
申请(专利权)人：联通沃音乐文化有限公司，
类型：发明
国别省市：