[發明專利]AI模型的訓練方法、使用方法、計算機設備及存儲介質

在審

• 申請號: 202010437585.9
• 申請日: 2020-05-21
• 公開（公告）號: CN111738294A
• 公開（公告）日: 2020-10-02
• 發明（設計）人: 武建芳;周正;李宏亮;劉永升
• 申請（專利權）人: 深圳海普參數科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;A63F13/822
• 代理公司: 深圳市力道知識產權代理事務所(普通合伙) 44507
• 代理人: 張傳義

1.一種AI模型的訓練方法，其特征在于，包括：

獲取參與交互任務的用戶的交互參與數據；

從所述交互參與數據內提取出樣本數據，其中，所述樣本數據包括類圖像特征、向量特征以及標注的動作標簽和角色標簽；

根據所述類圖像特征、向量特征以及標注的動作標簽和角色標簽對預設神經網絡進行迭代訓練，直至所述預設神經網絡的訓練次數達到預設閾值，得到AI模型。

2.根據權利要求1所述的訓練方法，其特征在于，所述根據所述類圖像特征、向量特征以及標注的動作標簽和角色標簽對預設神經網絡進行迭代訓練，包括：

將所述類圖像特征和向量特征輸入至預設神經網絡進行處理，得到輸出結果，其中，所述輸出結果包括預測的動作標簽和角色標簽；

根據所述預測的動作標簽和角色標簽以及標注的動作標簽和角色標簽更新所述預設神經網絡的權重。

3.根據權利要求2所述的訓練方法，其特征在于，所述預設神經網絡包括第一子神經網絡、第二子神經網絡、第三子神經網絡、第四子神經網絡和第五子神經網絡；所述將所述類圖像特征和向量特征輸入至預設神經網絡進行處理，得到輸出結果，包括：

將所述類圖像特征輸入至所述第一子神經網絡進行處理，得到第一特征向量；

將所述向量特征輸入至所述第二子神經網絡進行處理，得到第二特征向量；

將所述第一特征向量與所述第二特征向量進行拼接，得到第一目標特征向量；

將所述向量特征與所述第一目標特征向量進行拼接，得到第二目標特征向量；

將所述第二目標特征向量輸入至所述第三子神經網絡進行處理，得到第一輸出結果，其中，所述第一輸出結果包括預測的動作標簽；

將所述第一目標特征向量輸入至所述第四子神經網絡進行處理，得到第二輸出結果，其中，所述第二輸出結果包括預測的第一角色標簽；

將所述第一目標特征向量輸入至所述第五子神經網絡進行處理，得到第三輸出結果，其中，所述第三輸出結果包括預測的第二角色標簽。

4.根據權利要求3所述的訓練方法，其特征在于，所述第一子神經網絡為卷積神經網絡，所述第二子神經網絡為兩個串聯的兩層全連接層，所述第三子神經網絡為四個并聯的兩層全連接層，第四子神經網絡和第五子神經網絡均為兩層全連接層；

或者，所述第一子神經網絡包括卷積神經網絡以及殘差網絡和長短期記憶網絡中的任一項；

所述第二子神經網絡包括兩個串聯的兩層全連接層以及殘差網絡和長短期記憶網絡中的任一項。

5.根據權利要求1至4中任一項所述的訓練方法，其特征在于，所述從所述交互參與數據內提取出樣本數據，包括：

對所述交互參與數據進行異常數據篩選，得到篩選后的交互參與數據；

從篩選后的交互參與數據中提取樣本數據。

6.根據權利要求5所述的訓練方法，其特征在于，所述從篩選后的交互參與數據中提取樣本數據，包括：

確定所述AI模型的風格模式；

從篩選后的交互參與數據中提取與所述風格模式相匹配的交互參與數據，得到目標交互參與數據；

從所述目標交互參與數據中提取類圖像特征、向量特征和標簽信息，得到與所述風格模式相匹配的樣本數據。

7.一種AI模型的使用方法，其特征在于，應用于服務器，所述服務器部署有所述AI模型，所述AI模型為采用如權利要求1至6中任一項所述的訓練方法進行訓練得到的模型；所述方法包括：

獲取參與交互任務的AI用戶的交互參與數據；

從所述交互參與數據中提取類圖像特征和向量特征，并將所述類圖像特征和向量特征輸入至與所述AI用戶對應的AI模型進行處理，得到輸出結果；

將所述輸出結果發送至所述AI用戶，以使所述AI用戶根據所述輸出結果執行對應的交互動作。

8.一種計算機設備，其特征在于，所述計算機設備包括存儲器和處理器；

所述存儲器用于存儲計算機程序；

所述處理器，用于執行所述計算機程序并在執行所述計算機程序時，實現如權利要求1至6中任一項所述AI模型的訓練方法。