[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

本發明提供一種用于更新神經網絡預測模型的方法和裝置，所述方法包括：獲取當前訓練樣本；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；計算第一特征重要度集合與第二特征重要度集合之間的相似度；將相似度與預設閾值進行比較：如果相似度大于或等于預設閾值，則將第一預測模型更新為第二預測模型；如果相似度小于預設閾值，則不更新第一預測模型。本發明的方法和裝置在為神經網絡預測模型提供及時且可靠的更新的同時，具備可解釋性。

技術領域

本發明涉及計算機技術領域，特別涉及一種用于更新神經網絡預測模型的方法和裝置。

背景技術

當前，神經網絡模型非常強大，例如圖像領域常用的CNN網絡和自然語言處理的RNN網絡都可以高效地解決實際問題，如人臉識別和文本翻譯等問題。同樣，在典型的結構化數據場景中，復雜的神經網絡可以充分利用靜態數據和時序數據實現準確的預測，例如在AI選房技術中，神經網絡通過對房源基礎數據、用戶行為數據和經紀人作業數據等的充分挖掘，可以為全國100多個城市將近300萬房源計算出準確的評分，以此為經紀人提供近14天成交概率信息，提升庫存房源的去化率。

但是，隨著線上引入越來越多的神經網絡模型，為了適應各種變化因素并確保模型總能給出正確的結果，通常在上線一個模型后，需要對模型進行不斷的更新。然而，在計算機機器學習領域，用于更新模型的方法非常有限。

目前，通常是基于損失函數來對神經網絡模型進行更新，即通過監測能夠反映預測值與實際值之間差距的數學公式的變化來更新模型。回歸任務中最常用的是均方誤差損失函數；在分類任務中最常用的是交叉熵損失函數。但是，由于損失函數的變化往往在一定時間范圍內小于千分之一，因此，僅僅依據損失函數來對模型進行更新是不及時且不具備可解釋性的。

因此，需要一種基于可解釋性的模型更新方法，以保證復雜的神經網絡模型的可靠性。

需要說明的是，以上背景技術部分所公開的信息僅用于增強對本發明背景的理解，因此其可能包含不構成對本領域技術人員已知的現有技術的信息。

發明內容

為了解決現有技術中存在的問題，本發明提供一種用于更新神經網絡預測模型的方法，其在為神經網絡預測模型提供及時且可靠的更新的同時，具備可解釋性，從而克服現有技術中存在的問題。

本發明提供一種用于更新神經網絡預測模型的方法，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。

根據本發明一實施例，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。

根據本發明一實施例，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。