[發明專利]一種用于更新神經網絡預測模型的方法和裝置

在審

• 申請號: 202011557492.6
• 申請日: 2020-12-24
• 公開（公告）號: CN112734086A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 陳杰;陳高均;潘昊
• 申請（專利權）人: 貝殼技術有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/16;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京市尚公律師事務所 11746
• 代理人: 回旋;賀小明

1.一種用于更新神經網絡預測模型的方法，其特征在于，包括以下步驟：

獲取當前訓練樣本；

基于所述當前訓練樣本對預設的第一預測模型進行訓練，得到第二預測模型；

通過模型解釋工具，得到利用所述第一預測模型所預測的第一對象的各種特征的重要度所組成的第一特征重要度集合、以及利用所述第二預測模型所預測的第二對象的各種特征的重要度所組成的第二特征重要度集合；

計算所述第一特征重要度集合與所述第二特征重要度集合之間的相似度；

將所述相似度與預設閾值進行比較：

如果所述相似度大于或等于所述預設閾值，則將所述第一預測模型更新為所述第二預測模型；如果所述相似度小于所述預設閾值，則不更新所述第一預測模型。

2.根據權利要求1所述的方法，其特征在于，通過模型解釋工具，得到利用所述第一預測模型所預測的第一對象的各種特征的重要度所組成的第一特征重要度集合、以及利用所述第二預測模型所預測的第二對象的各種特征的重要度所組成的第二特征重要度集合包括：

通過模型解釋工具，得到所述第一對象和所述第二對象各自所包含的每個子對象的每個特征的重要性數值；

將所述第一對象和所述第二對象各自所包含的每個子對象的每個特征的重要性數值分別進行聚類，得到第一對象和第二對象各自每種特征的重要度；

將所述第一對象和第二對象各自每種特征的重要度分別進行排序，得到對應于所述第一對象的第一重要度排序集和對應于所述第二對象的第二重要度排序集。

3.根據權利要求2所述的方法，其特征在于，計算所述第一特征重要度集合與所述第二特征重要度集合之間的相似度包括：

計算所述第一重要度排序集與所述第二重要度排序集之間的相似度。

4.根據權利要求1所述的方法，其特征在于，所述神經網絡預測模型為房源預測模型，所述當前訓練樣本包括當前房源樣本的特征集合和標簽值，所述方法還包括：

基于所述當前訓練樣本對預設的第一房源預測模型進行訓練，得到第二房源預測模型；

通過模型解釋工具，得到利用所述第一房源預測模型所預測的第一目標房源的各種特征的重要度所組成的第一特征重要度集合、以及利用所述第二房源預測模型所預測的第二目標房源的各種特征的重要度所組成的第二特征重要度集合。

5.根據權利要求4所述的方法，其特征在于，所述通過模型解釋工具，得到利用第一房源預測模型所預測的第一目標房源的各種特征的重要度所組成的第一特征重要度集合、以及利用第二房源預測模型所預測的第二目標房源的各種特征的重要度所組成的第二特征重要度集合包括：

通過模型解釋工具，得到所述第一目標房源和所述第二目標房源各自所包含的每套房源的每個特征的重要性數值；

將所述第一目標房源和所述第二目標房源各自所包含的每套房源的每個特征的重要性數值分別進行聚類，得到第一目標房源和第二目標房源各自每種特征的重要度；

將所述第一目標房源和第二目標房源各自每種特征的重要度分別進行排序，得到對應于所述第一目標房源的第一重要度排序集和對應于所述第二目標房源的第二重要度排序集。

6.一種用于更新神經網絡預測模型的裝置，其特征在于，包括：

獲取模塊，其被配置為：獲取當前訓練樣本；

訓練模塊，其被配置為：基于所述當前訓練樣本對預設的第一預測模型進行訓練，得到第二預測模型；

解析模塊，其被配置為：通過模型解釋工具，得到利用所述第一預測模型所預測的第一對象的各種特征的重要度所組成的第一特征重要度集合、以及利用所述第二預測模型所預測的第二對象的各種特征的重要度所組成的第二特征重要度集合；

計算模塊，其被配置為：計算所述第一特征重要度集合與所述第二特征重要度集合之間的相似度；

比較模塊，其被配置為：將所述相似度與預設閾值進行比較；

更新模塊，其被配置為：如果所述相似度大于或等于所述預設閾值，則將所述第一預測模型更新為所述第二預測模型；如果所述相似度小于所述預設閾值，則不更新所述第一預測模型。