【技术实现步骤摘要】
本申请属于人工智能，具体涉及一种多目标预测方法、装置、设备及存储介质。
技术介绍
1、随着人工智能技术的发展，针对资源推荐领域，出现了多目标预测技术。多目标预测是针对待推荐资源在多个业务目标上进行预测，然后根据多个业务目标的预测结果进行推荐决策。比如，在进行视频推荐时，通常是对点击行为和观看时长等多个业务目标进行预测，然后根据预测结果进行视频推荐。
2、相关技术中，在进行多目标预测时，通常是基于待推荐对象的属性和待推荐资源进行全局建模，从而得到多目标推荐模型，然后再使用全局建模得到的多目标推荐模型进行信息推荐。然而，通过全局建模得到的多目标推荐模型只能学习的全局的信息。在进行信息推荐使用全局的信息进行推荐，无法精确确定多业务目标之间的序列依赖关系，从而使资源推荐的精确性不高，出现推荐效率低下，导致资源浪费。
技术实现思路
1、为了解决上述技术问题，本申请提供一种多目标预测方法、装置、设备及存储介质。
2、一方面，本申请实施例提供了一种多目标预测方法，所述方法包括：
3、获取预设对象对应的对象特征信息和待推荐资源对应的资源特征信息；
4、基于至少两个专家网络对对象特征信息和资源特征信息进行初始特征提取，得到每个专家网络输出的初始特征数据；
5、基于至少两个任务目标对应的目标塔对每个专家网络输出的初始特征数据进行任务迁移处理，得到每个目标塔输出的第一特征数据；以及基于序列依赖模型对每个专家网络输出的初始特征数据进行序列依赖特征
6、基于第一特征数据和第二特征数据进行多目标预测处理，得到每个任务目标对应的预测结果。
7、另一方面，本申请实施例还提供了一种多目标预测装置，所述装置包括：
8、信息获取模块，用于获取预设对象对应的对象特征信息和待推荐资源对应的资源特征信息；
9、初始特征数据确定模块，用于基于至少两个专家网络对对象特征信息和资源特征信息进行初始特征提取，得到每个专家网络输出的初始特征数据；
10、第一特征数据和第二特征数据确定模块，用于基于至少两个任务目标对应的目标塔对每个专家网络输出的初始特征数据进行任务迁移处理，得到每个目标塔输出的第一特征数据；以及基于序列依赖模型对每个专家网络输出的初始特征数据进行序列依赖特征提取，得到序列依赖模型输出的第二特征数据；任务目标用于表征预设对象对待推荐资源执行的交互操作；至少两个任务目标之间存在序列依赖关系；
11、预测结果确定模块，用于基于第一特征数据和第二特征数据进行多目标预测处理，得到每个任务目标对应的预测结果。
12、另一方面，本申请实施例还提供了一种多目标预测的电子设备，所述电子设备包括处理器和存储器，存储器中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现如上述所述的多目标预测方法。
13、另一方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述所述的多目标预测方法。
14、本申请实施例提出的多目标预测方法、装置、设备及存储介质，利用至少两个专家网络对获取到的对象特征信息和资源特征信息进行初始特征提取，得到每个专家网络输出的初始特征数据，然后基于至少两个任务目标对应的目标塔对每个专家网络输出的初始特征数据进行任务迁移处理，可以充分提取每个任务目标对应特征。并基于序列依赖模型对每个专家网络输出的初始特征数据进行序列依赖特征提取，可以确保提取到的序列依赖关系的准确性。然后基于每个目标塔输出的第一特征数据和序列依赖模型输出的第二特征数据进行多目标预测处理，得到每个任务目标对应的预测结果。由于各个任务目标对应的预测结果为在目标塔输出的任务特征以及序列依赖模型输出的序列依赖的特征基础上预测得到，在预测过程中既考虑了多目标序列依赖关系，也保留了多目标模型在各个目标预估时保留一定参数隔离，抑制非预期的有害相互干扰，保证了多目标预测结果的准确性，从而提高资源推荐的效率，降低推荐系统的资源开销。
本文档来自技高网...【技术保护点】
1.一种多目标预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于至少两个专家网络对所述对象特征信息和所述资源特征信息进行初始特征提取，得到每个所述专家网络输出的初始特征数据，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述基于至少两个任务目标对应的目标塔对每个所述专家网络输出的初始特征数据进行任务迁移处理，得到每个所述目标塔输出的第一特征数据，包括：
4.根据权利要求1或2所述的方法，其特征在于，所述基于序列依赖模型对每个所述专家网络输出的初始特征数据进行序列依赖特征提取，得到所述序列依赖模型输出的第二特征数据，包括：
5.根据权利要求4所述的方法，其特征在于，至少两个任务目标包括第一任务目标和第二任务目标，且所述第一任务目标在存在序列依赖关系的序列中，位于所述第二任务目标之前；所述基于所述序列依赖模型对每个所述第二组合特征数据进行序列依赖特征提取，得到所述序列依赖模型输出的第二特征数据，包括：
6.根据权利要求4所述的方法，其特征在于，所述序列依赖模型包括至少一个序列依赖
7.根据权利要求1所述的方法，其特征在于，所述基于所述第一特征数据和所述第二特征数据进行多目标预测处理，得到每个所述任务目标对应的预测结果，包括：
8.根据权利要求1所述的方法，其特征在于，所述方法包括：
9.根据权利要求8所述的方法，其特征在于，所述训练样本数据包括样本对象对应的样本对象特征信息和样本推荐资源对应的样本资源特征信息；所述基于所述训练样本数据以及所述训练样本数据对应的样本标签，对所述初始多目标预测模型进行模型训练，得到预设多目标预测模型，包括：
10.根据权利要求9所述的方法，其特征在于，所述基于所述第一预测结果、所述第二预测结果、所述第三预测结果和所述样本标签对所述初始多目标预测模型进行模型训练，得到所述预设多目标预测模型，包括：
11.一种多目标预测装置，其特征在于，所述装置包括：
12.一种多目标预测的电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行如权利要求1-10任一项所述的多目标预测方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-10任一项所述的多目标预测方法。
...【技术特征摘要】
1.一种多目标预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于至少两个专家网络对所述对象特征信息和所述资源特征信息进行初始特征提取，得到每个所述专家网络输出的初始特征数据，包括：
3.根据权利要求1或2所述的方法，其特征在于，所述基于至少两个任务目标对应的目标塔对每个所述专家网络输出的初始特征数据进行任务迁移处理，得到每个所述目标塔输出的第一特征数据，包括：
4.根据权利要求1或2所述的方法，其特征在于，所述基于序列依赖模型对每个所述专家网络输出的初始特征数据进行序列依赖特征提取，得到所述序列依赖模型输出的第二特征数据，包括：
5.根据权利要求4所述的方法，其特征在于，至少两个任务目标包括第一任务目标和第二任务目标，且所述第一任务目标在存在序列依赖关系的序列中，位于所述第二任务目标之前；所述基于所述序列依赖模型对每个所述第二组合特征数据进行序列依赖特征提取，得到所述序列依赖模型输出的第二特征数据，包括：
6.根据权利要求4所述的方法，其特征在于，所述序列依赖模型包括至少一个序列依赖子模型，每个所述序列依赖子模型包括多头注意力计算层和前馈神经网络层；所述基于所述序列依赖模型对每个所述第二组合特征数据进行序列依赖特征提取，得到所述序列依赖模型输出的第二特征数据，包括：
7.根据...
【专利技术属性】
技术研发人员：赵光耀，
申请(专利权)人：腾讯科技深圳有限公司，
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。