模型训练方法和装置、业务预测方法和装置.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115526266A(43)申请公布日2022.12.27(21)申请号202211272252.0(22)申请日2022.10.18(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人易灿张天翼(74)专利代理机构济南信达专利事务所有限公司37100专利代理师李世喆(51)Int.Cl.G06K9/62(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书9页附图3页(54)发明名称模型训练方法和装置、业务预测方法和装置(57)摘要本说明书实施例提供了一种神经网络模型的训练方法及装置、业务预测方法及装置。在训练神经网络模型时，根据历史业务数据，获取训练样本数据；在每一轮训练中均执行：将训练样本数据输入所述神经网络模型中，以对所述神经网络模型中每一个参数的参数值进行调整；以及检测本轮训练是否满足参数获取条件，如果是，则记录本轮训练得到的神经网络模型中每一个参数的当前参数值；在各轮训练结束后，针对神经网络模型的每一个参数，根据记录的该参数的至少一个当前参数值，得到该参数对应的最终参数值；将神经网络模型中每一个参数的参数值设置为该参数对应的最终参数值。本说明书实施例能够更好地利用神经网络模型来进行业务预测，并且减少对系统资源的消耗。CN115526266ACN115526266A权利要求书1/2页1.神经网络模型的训练方法，其中，包括：根据历史业务数据，获取训练样本数据；在每一轮训练中均执行：将训练样本数据输入所述神经网络模型中，以对所述神经网络模型中每一个参数的参数值进行调整；以及检测本轮训练是否满足参数获取条件，如果是，则记录本轮训练得到的神经网络模型中每一个参数的当前参数值；在各轮训练结束后，针对神经网络模型的每一个参数，根据记录的该参数的至少一个当前参数值，得到该参数对应的最终参数值；将神经网络模型中每一个参数的参数值设置为该参数对应的最终参数值。2.根据权利要求1所述的方法，其中，所述检测本轮训练是否满足参数获取条件包括：根据预先设置的采样周期，检测本轮是否达到了该采样周期，如果是，则确定本轮训练满足参数获取条件；其中，所述采样周期表征每N轮训练获取一次参数值；N为不小于1的正整数；或者，判断本轮得到的各参数的当前参数值是否优于上一次记录的各参数的当前参数值，如果是，则确定本轮训练满足参数获取条件。3.根据权利要求1所述的方法，其中，在预先设置的第L轮及其之后的每一轮中，均执行所述检测本轮训练是否满足参数获取条件的步骤，在预先设置的第L轮之前的每一轮中，不执行所述检测本轮训练是否满足参数获取条件的步骤；其中，L为大于1的正整数。4.根据权利要求1所述的方法，其中，所述根据记录的该参数的至少一个当前参数值得到该参数对应的最终参数值，包括：从记录的该参数的至少一个当前参数值中，选取最大的参数值，将该最大的参数值作为该参数对应的最终参数值。5.根据权利要求1所述的方法，其中，所述根据记录的该参数的至少一个当前参数值得到该参数对应的最终参数值，包括：确定所记录的该参数的每一个当前参数值对应的权重值；将该参数的各个当前参数值进行加权平均，以得到该参数对应的所述最终参数值。6.根据权利要求5所述的方法，其中，所述确定所记录的该参数的每一个当前参数值对应的权重值，包括：将每一个当前参数值对应的权重值均设置为其中，M为针对该参数所记录的当前参数值的个数；或者，根据得到每一个当前参数值时所处的轮数，设置每一个当前参数值对应的权重值，其中，得到一个当前参数值时所处的轮数在前时，该当前参数值对应的权重值较小，得到一个当前参数值时所处的轮数在后时，该当前参数值对应的权重值较大。7.业务预测方法，其中，包括：获取待预测的业务数据；2CN115526266A权利要求书2/2页将待预测的业务数据输入神经网络模型中；所述神经网络模型是利用权利要求1至6中任一所述的方法训练出的；得到该神经网络模型输出的对该待预测业务数据的识别结果。8.模型训练装置，该装置包括：样本获取模块，配置为根据历史业务数据，获取训练样本数据；训练执行模块，配置为在每一轮训练中均执行：将训练样本数据输入所述神经网络模型中，以对所述神经网络模型中每一个参数的参数值进行调整；以及检测本轮训练是否满足参数获取条件，如果是，则记录本轮训练得到的神经网络模型中每一个参数的当前参数值；参数值确定模块，配置为在各轮训练结束后，针对神经网络模型的每一个参数，根据记录的该参数的至少一个当前参数值，得到该参数对应的最终参数值；模型生成模块，配置为将神经网络模型中每一个参数的参数值设置为该参数对应的最终参数值。9.业