[發明專利]神經網絡預測方法及裝置在審
| 申請號： | 201710963608.8 | 申請日： | 2017-10-16 |
| 公開（公告）號： | CN109670590A | 公開（公告）日： | 2019-04-23 |
| 發明（設計）人： | 沈一;蔡龍軍;茅越 | 申請（專利權）人： | 優酷網絡技術（北京）有限公司 |
| 主分類號： | G06N3/08 | 分類號： | G06N3/08 |
| 代理公司： | 北京林達劉知識產權代理事務所(普通合伙) 11277 | 代理人： | 劉新宇 |
| 地址： | 100080 北京市海淀區*** | 國省代碼： | 北京;11 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 預測 特征信息 預測結果 神經網絡預測 預測模型 神經網絡模塊 準確度 對抗訓練 關系網絡 任務學習 神經網絡 輸出預測 輸入預測 網絡模塊 網絡 | ||
1.一種神經網絡預測方法，其特征在于，所述方法包括：
分別獲取多個待預測對象的特征信息；
將所述特征信息輸入預測模型中進行處理，獲取針對所述多個待預測對象中至少一個待預測對象的預測結果；
輸出所述預測結果，
其中，所述預測模型包括深度神經網絡DNN模塊、關系網絡RN模塊、對抗訓練網絡模塊以及多任務學習網絡MTL模塊。
2.根據權利要求1所述的方法，其特征在于，將所述特征信息輸入預測模型中進行處理，獲取針對所述多個待預測對象中至少一個待預測對象的預測結果，包括：
將所述特征信息輸入所述DNN模塊中進行處理，確定所述多個待預測對象的深度信息；
將所述深度信息輸入所述RN模塊中進行處理，確定所述多個待預測對象的關系信息；
將所述關系信息輸入所述對抗訓練網絡模塊中進行處理，確定所述多個待預測對象中至少一個待預測對象的對抗訓練信息；
將所述對抗訓練信息輸入所述MTL模塊中進行處理，確定針對所述多個待預測對象中至少一個待預測對象的預測結果。
3.根據權利要求2所述的方法，其特征在于，所述預測模型還包括嵌入模塊，
其中，將所述特征信息輸入預測模型中進行處理，獲取針對所述多個待預測對象中至少一個待預測對象的預測結果，還包括：
將初始信息輸入所述嵌入模塊進行向量化處理，確定所述初始信息的向量信息；
將所述初始信息和所述向量信息確定為所述特征信息。
4.根據權利要求1所述的方法，其特征在于，所述預測結果包括：
主預測結果以及相關預測結果，
其中，在所述預測模型的目標函數中，與所述主預測結果相關聯的參數權重大于與所述相關預測結果相關聯的參數權重。
5.根據權利要求4所述的方法，其特征在于，輸出所述預測結果，包括以下任意一種：
輸出主預測結果；
輸出主預測結果以及相關預測結果。
6.根據權利要求1或3所述的方法，其特征在于，所述方法還包括：
分別獲取多組樣本對象的特征信息；
將所述特征信息輸入初始預測模型中進行處理，獲取針對所述多組樣本對象的訓練預測結果；
根據所述多組樣本對象的訓練預測結果以及期望預測結果，分別確定所述多組樣本對象的模型損失；
根據所述模型損失，調整所述初始預測模型中的參數權重，確定調整后的預測模型；
在所述模型損失滿足訓練條件的情況下，將調整后的預測模型確定為最終的預測模型。
7.根據權利要求6所述的方法，其特征在于，根據所述模型損失，調整所述初始預測模型中的參數權重，確定調整后的預測模型，包括：
根據所述多組樣本對象的模型損失，依次調整所述MTL模塊、所述對抗訓練網絡模塊、所述RN模塊、所述DNN模塊以及嵌入模塊中的參數權重，確定調整后的預測模型。
8.根據權利要求6所述的方法，其特征在于，所述多組樣本對象至少部分的特征信息相同，不同組的樣本對象的類別不同。
9.一種神經網絡預測裝置，其特征在于，所述裝置包括：
特征信息獲取單元，用于分別獲取多個待預測對象的特征信息；
預測結果獲取單元，用于將所述特征信息輸入預測模型中進行處理，獲取針對所述多個待預測對象中至少一個待預測對象的預測結果；
預測結果輸出單元，用于輸出所述預測結果，
其中，所述預測模型包括深度神經網絡DNN模塊、關系網絡RN模塊、對抗訓練網絡模塊以及多任務學習網絡MTL模塊。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于優酷網絡技術（北京）有限公司，未經優酷網絡技術（北京）有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201710963608.8/1.html，轉載請聲明來源鉆瓜專利網。
- 上一篇：神經網絡預測方法及裝置
- 下一篇：一種神經網絡的訓練方法及圖像匹配方法、裝置
