[發明專利]基于神經網絡模型的節點參數更新方法及相關設備

在審

• 申請號: 202010089650.3
• 申請日: 2020-02-12
• 公開（公告）號: CN111368994A
• 公開（公告）日: 2020-07-03
• 發明（設計）人: 李金匯
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06F17/16
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 劉挽瀾

1.一種基于神經網絡模型的節點參數更新方法，其特征在于，包括：

獲取預置神經網絡模型中第一節點的矩陣、所述第一節點的矩陣的當前偏置、第二節點與所述第一節點之間連接矩陣的當前權重、以及所述第一節點的矩陣與所述第二節點的矩陣之間的函數關系數值，所述第二節點為與所述第一節點相互連接的節點，所述預置神經網絡模型中各個節點的信息為不同數據類型的數據源；

接收用戶輸入的超參數；

根據所述超參數、所述第一節點的矩陣以及所述第一節點的矩陣的當前偏置，使用預設偏置公式計算得到所述第一節點的矩陣的更新偏置；

根據所述超參數、所述連接矩陣的當前權重以及所述函數關系數值，使用預設權重公式計算得到所述連接矩陣的更新權重。

2.根據權利要求1所述的基于神經網絡模型的節點參數更新方法，其特征在于，在所述獲取預置神經網絡模型中第一節點的矩陣、所述第一節點的矩陣的當前偏置、第二節點與所述第一節點之間連接矩陣的當前權重、以及所述第一節點的矩陣與所述第二節點的矩陣之間的函數關系數值，所述第二節點為與所述第一節點相互連接的節點，所述預置神經網絡模型中各個節點的信息為不同數據類型的數據源之前，包括：

分別將所述第一節點、第二節點中的信息進行向量化處理轉換成矩陣，得到對應的第一節點的矩陣及第二節點的矩陣；

采用重塑函數分別將所述第一節點的矩陣、第二節點的矩陣變換成對應的一維矩陣。

3.根據權利要求1所述的基于神經網絡模型的節點參數更新方法，其特征在于，所述預設偏置公式為：

b1＝(1-β1)b1'+α1·Matrix₁；

其中，α1、β1為待用戶輸入的超參數；α1表示偏置學習新分布的速度，α1越大則偏置對當前輸入新樣本的學習速度越快；β1表示偏置對舊樣本的遺忘程度，β1越大則偏置對舊樣本的遺忘速度越快；

b1'為所述第一節點的矩陣的當前偏置；

b1為所述第一節點的矩陣的更新偏置；

Matrix₁為所述第一節點的矩陣。

4.根據權利要求1所述的基于神經網絡模型的節點參數更新方法，其特征在于，所述預設權重公式為：

w＝(1-β2)w'+α2·force(Matrix_1,Matrix_2,b1',b2')；

其中，α2、β2為待用戶輸入的超參數；α2表示權重學習新分布的速度，α2越大則權重對當前輸入新樣本的學習速度越快；β2表示權重對舊樣本的遺忘程度，β2越大則權重對舊樣本的遺忘速度越快；

w'為所述連接矩陣的當前權重；

w為所述連接矩陣的更新權重；

Matrix_1,Matrix_2分別表示連接所述連接矩陣的第一節點和第二節點；

b1',b2'分別表示連接所述第一節點、第二節點的當前偏置；

force(Matrix_1,Matrix_2,b1',b2')為所述第一節點的矩陣與所述第二節點的矩陣之間的函數關系數值。

5.根據權利要求1所述的基于神經網絡模型的節點參數更新方法，其特征在于，在所述獲取預置神經網絡模型中第一節點的矩陣、所述第一節點的矩陣的當前偏置、第二節點與所述第一節點之間連接矩陣的當前權重、以及所述第一節點的矩陣與所述第二節點的矩陣之間的函數關系數值，所述第二節點為與所述第一節點相互連接的節點，所述預置神經網絡模型中各個節點的信息為不同數據類型的數據源之前，還包括：

進行神經網絡模型訓練，得到訓練完成的預置神經網絡模型。