参数预测模型的训练方法、参数预测方法和装置制造方法及图纸

本公开提供一种参数预测模型的训练方法、参数预测方法和装置，包括：获取第一目标数据，第一目标数据包括：历史应用程序接口API请求的参数数据和历史API请求的参数数据对应的属性数据，属性数据用于描述历史API请求的参数数据的参数声明，参数声明包括：参数名定义以及参数取值；基于第一目标数据，确定预训练模型，预训练模型用于对API请求进行首次参数预测；获取第二目标数据，第二目标数据用于描述多个用户问题对应的问答数据对，每个用户问题由API请求的参数数据和API请求的参数数据的属性数据所构建得出；基于第二目标数据和预训练模型，确定参数预测模型。从而，准确进行API参数预测。参数预测。参数预测。

【技术实现步骤摘要】
参数预测模型的训练方法、参数预测方法和装置


[0001]本公开的实施例涉及计算机
，具体地，涉及适用于一种参数预测模型的训练方法、参数预测方法和装置。

技术介绍

[0002]API(Application Program Interface，应用程序接口)为操作系统留给应用程序的一个调用接口，应用程序可通过调用操作系统的API而使操作系统去执行应用程序的命令。用户在与操作系统进行交互时，操作系统需要先根据用户的使用行为进行API请求的参数预测，便于有效了解用户使用需求。
[0003]然而，采用现有预测方式，参数预测准确性不高。

技术实现思路

[0004]本文中描述的实施例提供了一种参数预测模型的训练方法、参数预测方法和装置，克服了上述问题。
[0005]第一方面，根据本公开的内容，提供了一种参数预测模型的训练方法，包括：
[0006]获取第一目标数据，所述第一目标数据包括：历史应用程序接口API请求的参数数据和所述历史API请求的参数数据对应的属性数据，所述属性数据用于描述所述历史API请求的参数数据的参数声明，所述参数声明包括：参数名定义以及参数取值；
[0007]基于所述第一目标数据，确定预训练模型，所述预训练模型用于对API请求进行首次参数预测；
[0008]获取第二目标数据，所述第二目标数据用于描述多个用户问题对应的问答数据对，每个所述用户问题由API请求的参数数据和所述API请求的参数数据的属性数据所构建得出；
[0009]基于所述第二目标数据和所述预训练模型，确定参数预测模型，所述参数预测模型用于描述对所述预训练模型进行调整后得到的优化模型，以对所述API请求进行最终参数预测。
[0010]第二方面，根据本公开的内容，提供了一种参数预测方法，包括：
[0011]获取用户输入文本，所述用户输入文本为语言交互场景对应的文本；
[0012]将所述用户输入文本输入参数预测模型中，根据所述参数预测模型的输出确定所述用户输入文本对应的目标API参数；
[0013]或者，将所述用户输入文本输入预训练模型中，根据所述预训练模型的输出确定所述用户输入文本对应的第一API参数，以及，将所述用户输入文本输入参数预测模型中，根据所述参数预测模型的输出确定所述用户输入文本对应的第二API参数，融合所述第一API参数和所述第二API参数，得到所述用户输入文本对应的目标API参数；
[0014]其中，所述参数预测模型为第一方面中所述的方法所训练生成的参数预测模型，所述预训练模型为第一方面中所述的方法所训练生成的预训练模型。
[0015]第三方面，根据本公开的内容，提供了一种参数预测模型的训练装置，包括：
[0016]第一获取模块，用于获取第一目标数据，所述第一目标数据包括：历史应用程序接口API请求的参数数据和所述历史API请求的参数数据对应的属性数据，所述属性数据用于描述所述历史API请求的参数数据的参数声明，所述参数声明包括：参数名定义以及参数取值；
[0017]第一确定模块，用于基于所述第一目标数据，确定预训练模型，所述预训练模型用于对API请求进行首次参数预测；
[0018]第二获取模块，用于获取第二目标数据，所述第二目标数据用于描述多个用户问题对应的问答数据对，每个所述用户问题由API请求的参数数据和所述API请求的参数数据的属性数据所构建得出；
[0019]第二确定模块，用于基于所述第二目标数据和所述预训练模型，确定参数预测模型，所述参数预测模型用于描述对所述预训练模型进行调整后得到的优化模型，以对所述API请求进行最终参数预测。
[0020]第四方面，根据本公开的内容，提供了一种参数预测装置，包括：
[0021]第三获取模块，用于获取用户输入文本，所述用户输入文本为语言交互场景对应的文本；
[0022]第三确定模块，用于将所述用户输入文本输入参数预测模型中，根据所述参数预测模型的输出确定所述用户输入文本对应的目标API参数；或者，将所述用户输入文本输入预训练模型中，根据所述预训练模型的输出确定所述用户输入文本对应的第一API参数，以及，将所述用户输入文本输入参数预测模型中，根据所述参数预测模型的输出确定所述用户输入文本对应的第二API参数，融合所述第一API参数和所述第二API参数，得到所述用户输入文本对应的目标API参数；
[0023]其中，所述参数预测模型为第一方面中所述的方法所训练生成的参数预测模型，所述预训练模型为第一方面中所述的方法所训练生成的预训练模型。
[0024]第五方面，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现如以上任意一个实施例中参数预测模型的训练方法的步骤，或者，实现如以上任意一个实施例中参数预测方法的步骤。
[0025]第六方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如以上任意一个实施例中参数预测模型的训练方法的步骤，或者，实现如以上任意一个实施例中参数预测方法的步骤。
[0026]本申请实施例提供的参数预测模型的训练方法，通过获取第一目标数据，第一目标数据包括：历史应用程序接口API请求的参数数据和历史API请求的参数数据对应的属性数据，属性数据用于描述历史API请求的参数数据的参数声明，参数声明包括：参数名定义以及参数取值；基于第一目标数据，确定预训练模型，预训练模型用于对API请求进行首次参数预测；获取第二目标数据，第二目标数据用于描述多个用户问题对应的问答数据对，每个用户问题由API请求的参数数据和API请求的参数数据的属性数据所构建得出；基于第二目标数据和预训练模型，确定参数预测模型，参数预测模型用于描述对预训练模型进行调整后得到的优化模型，以对API请求进行最终参数预测。如此，在模型预训练阶段，将参数声明的知识固话在预训练模型中，在模型终训练阶段，用具有思考能力的大语言模型对日志
构建问答数据对作为微调训练数据，训练得到具有参数推理能力的参数预测模型，便于准确进行API参数预测。
[0027]上述说明仅是本申请实施例技术方案的概述，为了能够更清楚了解本申请实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本申请实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0028]为了更清楚地说明本公开的实施例的技术方案，下面将对实施例的附图进行简要说明，应当知道，以下描述的附图仅仅涉及本公开的一些实施例，而非对本公开的限制，其中：
[0029]图1是本公开提供的一种参数预测模型的训练方法的流程示意图。
[0030]图2是本公开提供的一种参数预测方法的流程示意图。
[0031]图3是本公开提供的一种参数预测模型的训练装置的结构示意图。
[0032]图4是本公开提供的一种参数预测装置的结构示意图。
...

【技术保护点】

【技术特征摘要】
1.一种参数预测模型的训练方法，其特征在于，包括：获取第一目标数据，所述第一目标数据包括：历史应用程序接口API请求的参数数据和所述历史API请求的参数数据对应的属性数据，所述属性数据用于描述所述历史API请求的参数数据的参数声明，所述参数声明包括：参数名定义以及参数取值；基于所述第一目标数据，确定预训练模型，所述预训练模型用于对API请求进行首次参数预测；获取第二目标数据，所述第二目标数据用于描述多个用户问题对应的问答数据对，每个所述用户问题由API请求的参数数据和所述API请求的参数数据的属性数据所构建得出；基于所述第二目标数据和所述预训练模型，确定参数预测模型，所述参数预测模型用于描述对所述预训练模型进行调整后得到的优化模型，以对所述API请求进行最终参数预测。2.根据权利要求1所述的方法，其特征在于，所述获取第一目标数据，包括：从历史API参数日志中获取历史API请求的参数数据；从所述API参数日志对应的参数规范文件中获取所述历史API请求的参数数据对应的属性数据，所述参数声明中的所述参数取值为范围取值或规则取值；分别将所述历史API请求的参数数据和所述参数数据对应的属性数据，按照预设字符长度划分为多个文本片段，得到所述第一目标数据，每个所述文本片段对应有参数数据以及属性数据。3.根据权利要求2所述的方法，其特征在于，还包括：对所述历史API请求的参数数据进行数据清洗，去除同一个所述历史API请求对应的空/重复的参数数据；对所述历史API请求的参数数据对应的属性数据进行数据清洗，去除同一个参数数据对应的空/重复的属性数据。4.根据权利要求3所述的方法，其特征在于，还包括：若一个历史API请求的参数数据为空数据，则从所述历史API参数日志中选择与所述一个历史API请求最匹配的参数数据，作为所述一个历史API请求对应的参数数据；若一个历史API请求的参数数据对应的属性数据为空数据，则从所述历史API参数日志对应的参数规范文件中选择与所述一个历史API请求最匹配的属性数据，作为所述一个历史API请求的参数数据对应的属性数据。5.根据权利要求2所述的方法，其特征在于，所述获取第二目标数据，包括：获取每个文本片段对应的参数数据以及所述文本片段对应的属性数据；分别基于所述每个文本片段的参数数据和所述每个文本片段对应的属性数据，构建一个用户问题，所述用户问题与所述文本片段对应的API请求相对应；将每个所述用户问题输入大语言模型中，根据所述大语言模型的输出确定所述用户问题对应的答复信息，所述答复信息用于对所述用户问题对应的用户使用行为进行预测；将每个所述用户问题和每个所述用户问题对应的答复信息，确定为所述第二目标数据。6.根据权利要求1所述的方法，其特征在于，所述基于所述第一目标数据，确定预训练模型，包括：
将所述第一目标数据作为预训练样本，采用第一损失函数，对网络模型结构进行训练，所述网络模型结构用于描述大语言模型的结构；直至训练得到的模型对应的第一损失值的变化量小于预设变化阈值，得到所述预训练模型，所述第一损失值通过对所述网络模型结构进行训练得到的模型的输出结果与参考结果之...

【专利技术属性】
技术研发人员：裴子龙，丁鑫栋，王喆，
申请(专利权)人：特赞上海信息科技有限公司，
类型：发明
国别省市：