【技术实现步骤摘要】
基于多任务模型的数据处理方法以及装置
[0001]本说明书实施例涉及人工智能
,特别涉及基于多任务模型的模型训练方法。
技术介绍
[0002]随着人工智能技术的发展的,对于机器学习的研究也越来越深入,人们发现很多任务之间的数据可以共享,为了能够共享底层数据,一次得到多种任务的预测结果,各种多任务学习模型应运而生。多任务学习是指给定多个学习任务,其中所有或一部分任务是相关但并不完全相同,多任务学习的目标是通过使用多个任务中包含的知识来帮助提升各个任务的性能。多任务学习最常用的场景包括搜索、预测、推荐等,在这些场景中,不同任务目标之间具有依赖性,例如点击率预测和转化率预测,目前的多任务学习模型并没有考虑到任务目标之间的依赖问题,导致学习效果不佳,使得模型输出结果不准确。因此,如何提供一种可用于解决目标依赖问题的多任务学习模型是目前亟需解决的问题。
技术实现思路
[0003]有鉴于此,本说明书实施例提供了基于多任务模型的数据处理方法。本说明书一个或者多个实施例同时涉及基于多任务模型的数据处理装置,一种计算设备,一种计算机可读存储介质以及一种计算机程序,以解决现有技术中存在的技术缺陷。
[0004]根据本说明书实施例的第一方面,提供了一种基于多任务模型的数据处理方法,包括:
[0005]获取推荐任务的用户数据并输入至多任务模型,其中,所述多任务模型用于确定所述推荐任务在至少两个推荐维度的推荐结果;
[0006]通过所述多任务模型的特征提取层获取所述用户数据对应的共享特征,其中,所 ...
【技术保护点】
【技术特征摘要】
1.一种基于多任务模型的数据处理方法,包括:获取推荐任务的用户数据并输入至多任务模型,其中,所述多任务模型用于确定所述推荐任务在至少两个推荐维度的推荐结果;通过所述多任务模型的特征提取层获取所述用户数据对应的共享特征,其中,所述共享特征包括所述至少两个推荐维度分别对应的维度关注信息;通过所述多任务模型的特征融合层获取所述至少两个推荐维度分别对应的初始任务特征,并将所述至少两个推荐维度分别对应的初始任务特征与所述共享特征进行融合处理,获得至少两个推荐维度分别对应的目标任务特征;根据所述至少两个推荐维度分别对应的目标任务特征生成推荐数据,并作为所述推荐任务对应的任务执行结果,其中,所述推荐数据包括所述至少两个推荐维度分别对应的推荐子数据。2.如权利要求1所述的方法,通过所述多任务模型的特征提取层获取所述用户数据对应的共享特征,包括:通过所述多任务模型的特征提取层计算所述用户数据对应的第一查询向量、第一键向量和第一值向量;根据所述第一查询向量、所述第一键向量和所述第一值向量计算所述用户数据对应的共享特征。3.如权利要求2所述的方法,通过所述多任务模型的特征提取层计算所述用户数据对应的第一查询向量、第一键向量和第一值向量,包括:基于所述多任务模型的特征提取层计算第一查询权重矩阵、第一键权重矩阵和第一值权重矩阵;根据所述第一查询权重矩阵和所述用户数据计算第一查询向量,根据所述第一键权重矩阵和所述用户数据计算第一键向量,根据所述第一值权重矩阵和所述用户数据计算第一值向量。4.如权利要求3所述的方法,根据所述第一查询权重矩阵和所述用户数据计算第一查询向量,包括:根据所述第一查询权重矩阵和所述用户数据计算初始第一查询向量;基于所述特征提取层中的预设激活函数对所述初始第一查询向量进行二值化处理,获得二值化向量;基于所述特征提取层中的查询随机矩阵与所述二值化向量计算第一查询向量。5.如权利要求1所述的方法,通过所述多任务模型的特征融合层获取所述至少两个推荐维度分别对应的初始任务特征,包括:通过所述多任务模型的特征融合层计算所述用户数据对应的第二查询向量、第二键向量和第二值向量;根据所述第二查询向量、所述第二键向量和所述第二值向量计算基准任务特征;确定所述至少两个推荐维度分别对应的任务权重,并根据所述至少两个任务权重和所述基准任务特征计算所述至少两个推荐维度分别对应的初始任务特征。6.如权利要求5所述的方法,通过所述多任务模型的特征融合层计算所述用户数据对应的第二查询向量、第二键向量和第二值向量,包括:
基于所述多任务模型的特征融合层计算第二键权重矩阵和第二值权重矩阵;获取预设随机向量并作为第二查询向量,根据所述第二键权重矩阵和所述用户数据计算第二键向量,根据所述第二值权重矩阵和所述用户数据计算第二值向量。7.如权利要求1
‑
6任意一项所述的方法,所述方法还包括:根据所述推荐数据生成所述推荐任务对应的推荐展示页面;通过所述推荐展示页面向关联所述用户数据的目标用户展示所述推荐数据。8.如权利要求1
‑
6任意一项所述的方法,获取推荐任务的用户数据并输入至多任务模型,包括:获取推荐任务的用户数据并对所述用户数据进行嵌入化处理,获得所述用户数据对应的用户数据向量序列;将所述用户数据向量序列输入至多任务模型。9.如权利要求1所述的方法,所述多任务模型的训练方法包括:获取预测任务的样本数据和所述样本数据对应的样本标签,并将所述样本数据输入至多任务模型,其中,所述多任务模型...
【专利技术属性】
技术研发人员:郭晓波,李有儒,陶学文,马琼旭,哈明鸣,
申请(专利权)人:浙江网商银行股份有限公司,
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。