[發明專利]一種預測方法及終端、服務器

在審

• 申請號: 201711084325.2
• 申請日: 2017-11-07
• 公開（公告）號: CN109754105A
• 公開（公告）日: 2019-05-14
• 發明（設計）人: 陳飛;董振華;李震國;何秀強
• 申請（專利權）人: 華為技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N20/00
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郝傳鑫;熊永強

本發明實施例公開了一種預測方法及終端、服務器。其方法包括服務器向多個終端發送第一模型參數和第二模型參數，第一模型參數和第二模型參數適配于終端的預測模型；服務器接收多個終端中至少一個終端發送的第一預測損失，至少一個終端中每個終端發送的第一預測損失為每個終端根據采用第一模型參數和第二模型參數的預測模型計算的；服務器根據至少一個終端發送的第一預測損失對第一模型參數進行更新，以獲得更新后的第一模型參數，以及根據至少一個終端發送的第一預測損失對第二模型參數進行更新，以獲得更新后的第二模型參數。采用本發明實施例，可以實現通過利用大量用戶數據進行訓練而得到體現用戶差異性的預測模型。

技術領域

本發明涉及預測模型領域，尤其涉及一種預測方法及終端、服務器。

背景技術

基于機器學習的預測系統通常分為模型訓練和預測兩部分，(1)模型訓練：利用訓練集數據訓練一個適用于該任務的預測模型；其中，訓練集通常包含大量的數據；(2)預測：使用訓練出的模型對測試集數據進行預測。傳統機器學習在解決終端預測任務時，一種方式是在終端本地單獨進行模型訓練，只能利用單一終端用戶的樣本，無法利用其它大量用戶的信息(如相似的手機使用習慣)，導致預測效果不佳；另一種方式是在云側服務器訓練一個統一的預測模型，但模型規模較大也影響到對單一用戶的預測效果。

在保護用戶隱私的前提下，如何利用大量用戶數據訓練可以體現用戶差異性的預測模型是需要解決的問題。

發明內容

本發明實施例提供一種預測方法及終端、服務器，可以實現通過利用大量用戶數據進行訓練而得到體現用戶差異性的預測模型。

第一方面，本發明實施例提供了一種預測方法，包括：

服務器向多個終端發送第一模型參數和第二模型參數，第一模型參數和第二模型參數適配于終端的預測模型；接收多個終端中至少一個終端發送的第一預測損失，至少一個終端中每個終端發送的第一預測損失為每個終端根據采用第一模型參數和第二模型參數的預測模型計算的；根據至少一個終端發送的第一預測損失對第一模型參數進行更新，以獲得更新后的第一模型參數，以及根據至少一個終端發送的第一預測損失對第二模型參數進行更新，以獲得更新后的第二模型參數。

在第一方面中，預測模型的訓練可以在各個終端進行，這樣能夠起到保護各個終端的用戶隱私的作用，以及終端將計算獲得的預測損失反饋至服務器，以使服務器根據大量終端反饋的數據，再次進行模型參數的更新，這樣可以利用大量用戶的信息來準確地更新模型參數。

在一種可選的實施例中，服務器根據至少一個終端發送的第一預測損失對第一模型參數進行更新，以獲得更新后的第一模型參數，以及根據至少一個終端發送的第一預測損失對第二模型參數進行更新，以獲得更新后的第二模型參數具體是：服務器根據至少一個終端發送的第一預測損失，計算第二預測損失；服務器根據第二預測損失，按照參數更新規則對第一模型參數進行更新，以獲得更新后的第一模型參數，以及按照參數更新規則對第二模型參數進行更新，以獲得更新后的第二模型參數。

在一種可選的實施例中，服務器還可以向多個終端發送更新后的第一模型參數和更新后的第二模型參數，多個終端中的任一終端根據采用更新后的第一模型參數和更新后的第二模型參數的預測模型進行預測。

在一種可選的實施例中，多個終端屬于同一群組；同一群組的終端具備共同特征。可選的，共同特征包括至少兩個終端位于預設的地理區域內。由于屬于同一群組的終端用戶之間具有更多的共性，相應的元學習器可以更有針對性地學習一種適用于該群組的機制，這樣能夠訓練得到更適合該群組中的終端的預測模型，以達到更好的預測效果。

第二方面，本發明實施例提供了一種預測方法，包括：