【技术实现步骤摘要】
在线任务处理模型训练、任务处理方法及装置
[0001]本公开涉及人工智能
,尤其涉及一种在线任务处理模型训练、任务处理方法及装置。
技术介绍
[0002]随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用。图结构作为一种包含丰富信息的数据结构,常常作为点击率排序、转化排序等场景中的深度学习模型的训练数据。相关技术中,基于图结构的深度学习模型训练过程中,常常采用两段式,即先离线训练好图结构中图节点的向量表征,将其落表存储,再接入点击率排序、转化排序等深度学习模型进行二次训练,但上述相关技术中采用两段式训练方法,整个模型训练过程需要先离线图学习、图像向量特征落表,再到下游模型训练,训练过程耗时较久、训练数据往往也无法及时更新,时效性较差,导致训练效率较低和训练出的模型处理效果也较差,且特征落表也会带来较大的存储资源开销,影响系统的性能。
技术实现思路
[0003]本公开提供一种在线任务处理模型训练、任务处理方法及装置,以至少解决相关技术中时效性较差,训练效率较低、训练出的模型处理效果也较差,且特征落表也会带来较大的存储资源开销,影响系统的性能等技术问题。本公开的技术方案如下:
[0004]根据本公开实施例的第一方面,提供一种在线任务处理模型训练方法,包括:
[0005]获取第一样本对象的实时操作序列和目标图结构,所述实时操作序列为当前时间段内所述第一样本对象执行预设交互操作的多媒体资源的资源标识信息的序列;所述当前时间段为所述目标图结构的上一次更新至当前时间对应的时间段 ...
【技术保护点】
【技术特征摘要】
1.一种在线任务处理模型训练方法,其特征在于,包括:获取第一样本对象的实时操作序列和目标图结构,所述实时操作序列为当前时间段内所述第一样本对象执行预设交互操作的多媒体资源的资源标识信息的序列;所述当前时间段为所述目标图结构的上一次更新至当前时间对应的时间段;所述目标图结构为基于所述第一样本对象的历史交互记录构建的图结构;所述历史交互记录为所述第一样本对象,在所述目标图结构的上一次更新之前,对预设多媒体资源执行的所述预设交互操作产生的交互记录;基于所述目标图结构和所述实时操作序列,对在线任务处理模型中的任务处理子模型和所述在线任务处理模型中的图表征子模型进行并行训练,得到目标在线任务处理模型。2.根据权利要求1所述的在线任务处理模型训练方法,其特征在于,所述目标图结构为以第一样本对象的第一对象标识信息、历史操作资源的第一资源标识信息和所述历史操作资源对应关联实体的第一实体标识信息为节点,以所述第一样本对象与所述历史操作资源间的交互操作,以及所述历史操作资源和所述关联实体间的关联关系为边的图结构;所述第一资源标识信息所在节点挂载有所述第一资源标识信息对应的资源属性信息;所述历史操作资源为所述第一样本对象执行过所述预设交互操作的多媒体资源;所述基于所述目标图结构和所述实时操作序列,对在线任务处理模型中的任务处理子模型和所述在线任务处理模型中的图表征子模型进行并行训练,得到目标在线任务处理模型包括:从所述目标图结构中,获取所述资源属性信息和图采样序列;所述图采样序列包括第一标识序列和第二标识序列,所述第一标识序列为所述目标图结构中第一分支上的标识信息构成的序列;所述第一分支包括以所述第一样本对象中任一对象的对象标识信息所在节点为起始节点的分支;所述第二标识序列为所述目标图结构中第二分支上的标识信息构成的序列;所述第二分支包括以所述历史操作资源中任一资源的资源标识信息所在节点为起始节点的分支;获取所述第一样本对象的对象属性信息、所述第一样本对象的历史操作序列和所述历史操作资源的历史交互信息;基于所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列,对所述在线任务处理模型中的所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型。3.根据权利要求2所述的在线任务处理模型训练方法,其特征在于,所述基于所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列,对所述在线任务处理模型中的所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型包括:将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述任务处理子模型进行任务处理,得到第一预测任务结果;将所述图采样序列和所述资源属性信息输入所述图表征子模型进行图表征学习,得到目标图特征;对所述目标图特征进行解码处理,得到第二预测任务结果;
基于所述第一预测任务结果、所述第一预测任务结果对应的第一预设任务结果、所述第二预测任务结果和所述第二预测任务结果对应的第二预设任务结果,对所述任务处理子模型和所述图表征子模型进行并行训练,得到所述目标在线任务处理模型。4.根据权利要求3所述的在线任务处理模型训练方法,其特征在于,所述任务处理子模型包括任务特征学习网络和第二解码网络;所述将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述任务处理子模型进行任务处理,得到第一预测任务结果包括:将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述任务特征学习网络进行特征学习,得到目标任务特征;将所述目标任务特征输入所述第二解码网络进行解码处理,得到所述第一预测任务结果。5.根据权利要求4所述的在线任务处理模型训练方法,其特征在于,所述任务特征学习网络包括:特征层标准化网络、特征划分网络、第一特征加权处理网络和第一编码网络;所述将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述任务特征学习网络进行特征学习,得到目标任务特征包括:将所述实时操作序列、所述对象属性信息、所述资源属性信息、所述历史操作序列、所述历史交互信息和所述图采样序列输入所述特征层标准化网络进行层标准化处理,得到标准化特征;将所述标准化特征输入所述特征划分网络进行特征划分处理,得到目标稀疏特征和目标稠密特征;将所述目标稀疏特征输入所述第一特征加权处理网络进行加权处理,得到加权特征,所述加权特征为基于所述目标稀疏特征中每一特征对学习所述加权特征的贡献程度,对所述目标稀疏特征中的每一特征进行加权后的特征;将所述加权特征和所述目标稠密特征输入所述第一编码网络进行任务编码处理,得到所述目标任务特征。6.根据权利要求3所述的在线任务处理模型训练方法,其特征在于,所述图表征子模型包括:第二特征加权处理网络和第二编码网络;所述将所述图采...
【专利技术属性】
技术研发人员:万峻辰,张振,
申请(专利权)人:北京达佳互联信息技术有限公司,
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。