【技术实现步骤摘要】
本申请涉及计算机，具体涉及一种模型训练方法、装置、计算机设备和存储介质。
技术介绍
1、人工智能(artificial intelligence,ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。随着人工智能技术的不断发展，使得人工智能技术应用到了各种业务场景中。为了提高人工智能模型的准确性，往往需要对数据进行融合处理，以使得模型可以从数据中学习到更多的信息。但是，现有的数据融合方式一般都是将数据进行相乘，不能有效地提高模型的准确性。
技术实现思路
1、本申请实施例提出了一种模型训练方法、装置、计算机设备和存储介质，可以提高对业务场景的业务数据进行识别的准确性。
2、本申请实施例提供了一种模型训练方法，包括：
3、获取对象针对业务场景的多个对象特征数据；
4、基于所述多个对象特征数据，识别所述多个对象特征数据中每个对象特征数据之间的相关性衡量参数，所述相关性衡量参数表征所述对象特征数据之间的相关关系；
5、根据所述相关性衡量参数，基于预设相关性阈值在所述多个对象特征数据中筛选出具有相关关系的对象特征数据，得到相关数据组；
6、根据所述相关数据组中的对象特征数据，生成对象特征组合数据；
7、利用所述对象特征组合数据对业务场景处理模型进行训练，得到训练后业务场景处理模型。
8、相应的，本申请实施例还提供了一种模型
9、获取单元，用于获取对象针对业务场景的多个对象特征数据；
10、识别单元，用于基于所述多个对象特征数据，识别所述多个对象特征数据中每个对象特征数据之间的相关性衡量参数，所述相关性衡量参数表征所述对象特征数据之间的相关关系；
11、筛选单元，用于根据所述相关性衡量参数，基于预设相关性阈值在所述多个对象特征数据中筛选出具有相关关系的对象特征数据，得到相关数据组；
12、生成单元，用于根据所述相关数据组中的对象特征数据，生成对象特征组合数据；
13、训练单元，用于利用所述对象特征组合数据对业务场景处理模型进行训练，得到训练后业务场景处理模型。
14、在一实施例中，所述训练单元，可以包括：
15、标签构建子单元，用于基于所述第一时期的对象特征数据和第二时期的对象特征数据，构建对象对应的标签信息；
16、数据构建子单元，用于基于多个第二时期的对象特征数据，构建训练样本数据；
17、训练子单元，用于结合所述对象特征组合数据、所述训练样本数据和训练样本数据对应的标签信息和对业务场景处理模型进行训练，得到训练后业务场景处理模型。
18、在一实施例中，所述数据构建子单元，可以包括：
19、解析模块，用于对所述第二时期的对象特征数据进行解析，得到稠密型特征数据和稀疏型特征数据；
20、鲁棒性增强处理模块，用于分别对所述稠密型特征数据和稀疏型特征数据进行鲁棒性增强处理，得到增强后稠密型特征数据和增强后稀疏型特征数据；
21、整合模块，用于将所述增强后稠密型特征数据和增强后稀疏型特征数据进行整合，得到所述训练样本数据。
22、在一实施例中，所述训练子单元，可以包括：
23、卷积特征提取模块，用于利用所述业务场景处理模型基于所述对象特征组合数据对所述训练样本数据中的增强后稀疏型特征数据进行卷积特征提取，得到稀疏型卷积特征；
24、逻辑回归处理模块，用于利用所述业务场景处理模型的对所述稀疏型卷积特征和所述训练样本数据中的增强后稠密型特征数据进行逻辑回归处理，得到逻辑回归特征；
25、预测模块，用于基于所述业务场景处理模型对所述逻辑回归特征进行预测，得到训练样本数据对应的预测信息；
26、调整模块，用于结合所述训练样本数据对应的标签信息和所述预测信息对所述业务场景处理模型的模型参数进行调整，得到所述训练后业务场景处理数据。
27、在一实施例中，所述识别单元，可以包括：
28、匹配子单元，用于将对象特征数据的数据元素进行匹配，得到对象特征数据的数据元素之间的元素匹配度；
29、计算子单元，用于根据所述元素匹配度，计算对象特征数据之间的相关性程度参数；
30、生成子单元，用于根据所述对象特征数据的数据元素数量，生成归一化参数；
31、归一化子单元，用于基于所述归一化参数对所述相关性程度参数进行归一化处理，得到所述对象特征数据之间相关性衡量参数。
32、在一实施例中，所述筛选单元，可以包括：
33、比较子单元，用于将对象特征数据之间的相关性衡量参数和预设相关性阈值进行比较，得到比较结果；
34、筛选子单元，用于根据所述比较结果，在所述多个对象特征数据中筛选出具有相关关系的对象特征数据，得到所述相关数据组；
35、在一实施例中，所述生成单元，可以包括：
36、拼接子单元，用于将所述对象组中对象特征数据进行拼接，得到每个对象组对应的拼接特征数据；
37、连乘子单元，用于将每个对象组对应的拼接特征数据进行连乘处理，得到所述特征组合数据。
38、本申请实施例还提供了一种业务操作信息预测方法，包括：
39、获取对象针对当前业务场景的多个业务数据；
40、对所述对象的多个业务数据进行相关性识别，得到所述多个业务数据中每个业务数据对应的数据相关性衡量参数；
41、根据所述数据相关性衡量参数，获取所述对象对应的特征组合数据；
42、根据所述对象的业务数据和所述特征组合数据，通过训练后业务场景处理模型预测所述对象对当前业务场景的业务操作信息。
43、相应的，本申请实施例还提供了一种模型训练装置，包括：
44、第一数据获取单元，用于获取对象针对当前业务场景的多个业务数据；
45、相关性识别单元，用于对所述对象的多个业务数据进行相关性识别，得到所述多个业务数据中每个业务数据对应的数据相关性衡量参数；
46、第二数据获取单元，用于根据所述数据相关性衡量参数，获取所述对象对应的特征组合数据；
47、预测单元，用于根据所述对象的业务数据和所述特征组合数据，通过训练后业务场景处理模型预测所述对象对当前业务场景的业务操作信息。
48、本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述一方面的各种可选方式中提供的方法。
49、相应的，本申请实施例还提供一种存储介质，所述存储介质存储有指令，所述指令被处理器执行时实本文档来自技高网...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对象特征数据包括第一时期的对象特征数据和第二时期的对象特征数据；
3.根据权利要求2所述的方法，其特征在于，所述基于多个第二时期的对象特征数据，构建训练样本数据，包括：
4.根据权利要求3所述的方法，其特征在于，所述结合所述对象特征组合数据、所述训练样本数据和训练样本数据对应的标签信息和对业务场景处理模型进行训练，得到训练后业务场景处理模型，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述多个对象特征数据，识别所述多个对象特征数据中每个对象特征数据之间的相关性衡量参数，所述相关性衡量参数表征所述对象特征数据之间的相关关系，包括：
6.根据权利要求1所述的方法，其特征在于，所述根据所述相关性衡量参数，基于预设相关性阈值在所述多个对象特征数据中筛选出具有相关关系的对象特征数据，得到相关数据组，包括：
7.一种业务操作信息预测方法，其特征在于，包括：
8.一种模型训练装置，其特征在于，包括：
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。