[發(fā)明專利]神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201710963608.8
• 申請(qǐng)日: 2017-10-16
• 公開（公告）號(hào): CN109670590A
• 公開（公告）日: 2019-04-23
• 發(fā)明（設(shè)計(jì)）人: 沈一;蔡龍軍;茅越
• 申請(qǐng)（專利權(quán)）人: 優(yōu)酷網(wǎng)絡(luò)技術(shù)（北京）有限公司
• 主分類號(hào): G06N3/08
• 分類號(hào): G06N3/08
• 代理公司: 北京林達(dá)劉知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11277
• 代理人: 劉新宇

本公開涉及一種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法及裝置。該方法包括：分別獲取多個(gè)待預(yù)測(cè)對(duì)象的特征信息；將特征信息輸入預(yù)測(cè)模型中進(jìn)行處理，獲取針對(duì)多個(gè)待預(yù)測(cè)對(duì)象中至少一個(gè)待預(yù)測(cè)對(duì)象的預(yù)測(cè)結(jié)果；輸出預(yù)測(cè)結(jié)果，其中，預(yù)測(cè)模型包括深度神經(jīng)網(wǎng)絡(luò)DNN模塊、關(guān)系網(wǎng)絡(luò)RN模塊、對(duì)抗訓(xùn)練網(wǎng)絡(luò)模塊以及多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)MTL模塊。根據(jù)本公開實(shí)施例，能夠通過包括多個(gè)神經(jīng)網(wǎng)絡(luò)模塊的預(yù)測(cè)模型，對(duì)多個(gè)待預(yù)測(cè)對(duì)象的特征信息進(jìn)行處理，從而獲取針對(duì)多個(gè)待預(yù)測(cè)對(duì)象中至少一個(gè)待預(yù)測(cè)對(duì)象的預(yù)測(cè)結(jié)果，提高了該預(yù)測(cè)結(jié)果的準(zhǔn)確度。

技術(shù)領(lǐng)域

本公開涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法及裝置。

背景技術(shù)

相關(guān)技術(shù)中，可以利用訓(xùn)練樣本訓(xùn)練得到預(yù)測(cè)模型，從而對(duì)各種事件進(jìn)行預(yù)測(cè)。例如，可以利用電視劇播放流量(Video View)相關(guān)的訓(xùn)練樣本訓(xùn)練得到用于預(yù)測(cè)電視劇播放流量的預(yù)測(cè)模型，從而對(duì)即將播放的電視劇播放流量進(jìn)行預(yù)測(cè)。然而，有些事件的訓(xùn)練樣本數(shù)量較少，例如，綜藝相關(guān)的訓(xùn)練樣本數(shù)量較少，通過較少的訓(xùn)練樣本訓(xùn)練得到的預(yù)測(cè)模型具有預(yù)測(cè)準(zhǔn)確度低、預(yù)測(cè)結(jié)果不可靠等問題。

發(fā)明內(nèi)容

有鑒于此，本公開提出了一種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法及裝置，能夠提高預(yù)測(cè)結(jié)果的準(zhǔn)確度。

根據(jù)本公開的一方面，提供了一種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法，所述方法包括：

分別獲取多個(gè)待預(yù)測(cè)對(duì)象的特征信息；

將所述特征信息輸入預(yù)測(cè)模型中進(jìn)行處理，獲取針對(duì)所述多個(gè)待預(yù)測(cè)對(duì)象中至少一個(gè)待預(yù)測(cè)對(duì)象的預(yù)測(cè)結(jié)果；

輸出所述預(yù)測(cè)結(jié)果，

其中，所述預(yù)測(cè)模型包括深度神經(jīng)網(wǎng)絡(luò)DNN(Deep Neural Network，DNN)模塊、關(guān)系網(wǎng)絡(luò)RN(Relation Network，RN)模塊、對(duì)抗訓(xùn)練網(wǎng)絡(luò)模塊以及多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)MTL(Multi-Task Learning，MTL)模塊。

在一種可能的實(shí)現(xiàn)方式中，將所述特征信息輸入預(yù)測(cè)模型中進(jìn)行處理，獲取針對(duì)所述多個(gè)待預(yù)測(cè)對(duì)象中至少一個(gè)待預(yù)測(cè)對(duì)象的預(yù)測(cè)結(jié)果，包括：

將所述特征信息輸入所述DNN模塊中進(jìn)行處理，確定所述多個(gè)待預(yù)測(cè)對(duì)象的深度信息；

將所述深度信息輸入所述RN模塊中進(jìn)行處理，確定所述多個(gè)待預(yù)測(cè)對(duì)象的關(guān)系信息；

將所述關(guān)系信息輸入所述對(duì)抗訓(xùn)練網(wǎng)絡(luò)模塊中進(jìn)行處理，確定所述多個(gè)待預(yù)測(cè)對(duì)象中至少一個(gè)待預(yù)測(cè)對(duì)象的對(duì)抗訓(xùn)練信息；

將所述對(duì)抗訓(xùn)練信息輸入所述MTL模塊中進(jìn)行處理，確定針對(duì)所述多個(gè)待預(yù)測(cè)對(duì)象中至少一個(gè)待預(yù)測(cè)對(duì)象的預(yù)測(cè)結(jié)果。

在一種可能的實(shí)現(xiàn)方式中，所述預(yù)測(cè)模型還包括嵌入模塊，

其中，將所述特征信息輸入預(yù)測(cè)模型中進(jìn)行處理，獲取針對(duì)所述多個(gè)待預(yù)測(cè)對(duì)象中至少一個(gè)待預(yù)測(cè)對(duì)象的預(yù)測(cè)結(jié)果，還包括：

將初始信息輸入所述嵌入模塊進(jìn)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。

在一種可能的實(shí)現(xiàn)方式中，所述預(yù)測(cè)結(jié)果包括：

主預(yù)測(cè)結(jié)果以及相關(guān)預(yù)測(cè)結(jié)果，

其中，在所述預(yù)測(cè)模型的目標(biāo)函數(shù)中，與所述主預(yù)測(cè)結(jié)果相關(guān)聯(lián)的參數(shù)權(quán)重大于與所述相關(guān)預(yù)測(cè)結(jié)果相關(guān)聯(lián)的參數(shù)權(quán)重。

在一種可能的實(shí)現(xiàn)方式中，輸出所述預(yù)測(cè)結(jié)果，包括以下任意一種：

輸出主預(yù)測(cè)結(jié)果；

輸出主預(yù)測(cè)結(jié)果以及相關(guān)預(yù)測(cè)結(jié)果。

在一種可能的實(shí)現(xiàn)方式中，所述方法還包括：