[發明專利]訓練模型的方法及系統和預測序列數據的方法及系統

在審

• 申請號: 202110497221.4
• 申請日: 2019-04-28
• 公開（公告）號: CN113112030A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 姚權銘;時鴻志
• 申請（專利權）人: 第四范式（北京）技術有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 北京銘碩知識產權代理有限公司 11286
• 代理人: 朱志玲;田方

1.一種訓練用于預測序列數據的機器學習模型的方法，包括：

獲取序列訓練樣本集合，其中，所述序列訓練樣本集合包括針對多個對象中的每個對象的多條序列訓練樣本，并且每個序列訓練樣本包括按時間順序排列的多個序列數據；

基于所述序列訓練樣本集合，訓練所述機器學習模型，

其中，所述機器學習模型是包括兩個隱狀態層的隱馬爾可夫模型，其中，第一隱狀態層中包括所述多個對象中的每個對象的個性化隱狀態，第二隱狀態層中包括由所述多個對象共享的多個共享隱狀態。

2.如權利要求1所述的方法，其中，所述多個序列數據涉及對象在不同時間點的行為數據，所述機器學習模型被訓練為針對對象的按時間順序排列的一系列歷史行為數據來預測對象在所述一系列歷史行為數據之后的下一行為數據；或者

所述多個序列數據涉及對象在不同時間點的狀態數據，所述機器學習模型被訓練為針對對象的按時間順序排列的一系列歷史狀態數據來預測對象的在所述一系列歷史屬性數據之后的下一狀態數據。

3.如權利要求1所述的方法，其中，獲取序列訓練樣本集合的步驟包括：

獲取所述多個對象的歷史數據記錄集合；

基于所述多個對象的歷史數據記錄集合構建所述序列訓練樣本集合，其中，對于每個對象的按時間順序排列的多條歷史數據記錄，如果相鄰的兩條歷史數據記錄之間的時間間隔滿足預設條件，則進行切分，進而得到該對象的多條序列訓練樣本。

4.一種存儲指令的計算機可讀存儲介質，其中，當所述指令被至少一個計算裝置運行時，促使所述至少一個計算裝置執行如權利要求1至3中的任一權利要求所述的方法。

5.一種包括至少一個計算裝置和存儲指令的至少一個存儲裝置的系統，其中，所述指令在被所述至少一個計算裝置運行時，促使所述至少一個計算裝置執行如權利要求1至3中的任一權利要求所述的方法。

6.一種訓練用于預測序列數據的機器學習模型的系統，包括：

訓練樣本獲取裝置，被配置為獲取序列訓練樣本集合，其中，所述序列訓練樣本集合包括針對多個對象中的每個對象的多條序列訓練樣本，并且每個序列訓練樣本包括按時間順序排列的多個序列數據；

訓練裝置，被配置為基于所述序列訓練樣本集合，訓練所述機器學習模型，

其中，所述機器學習模型是包括兩個隱狀態層的隱馬爾可夫模型，其中，第一隱狀態層中包括所述多個對象中的每個對象的個性化隱狀態，第二隱狀態層中包括由所述多個對象共享的多個共享隱狀態。

7.一種利用機器學習模型預測序列數據的方法，包括：

獲取對象的序列預測樣本，其中，所述序列預測樣本包括所述對象的按時間順序排列的多個序列數據；

利用所述機器學習模型，針對所述序列預測樣本執行預測來提供關于所述多個序列數據之后的下一序列數據的預測結果，

其中，所述機器學習模型被事先訓練為針對按時間順序排列的一系列序列數據來預測所述一系列序列數據之后的下一序列數據，并且所述機器學習模型是包括兩個隱狀態層的隱馬爾可夫模型，其中，第一隱狀態層中包括多個對象中的每個對象的個性化隱狀態，第二隱狀態層中包括由所述多個對象共享的多個共享隱狀態。

8.一種存儲指令的計算機可讀存儲介質，其中，當所述指令被至少一個計算裝置運行時，促使所述至少一個計算裝置執行如權利要求7所述的方法。

9.一種包括至少一個計算裝置和存儲指令的至少一個存儲裝置的系統，其中，所述指令在被所述至少一個計算裝置運行時，促使所述至少一個計算裝置執行如權利要求7所述的方法。

10.一種利用機器學習模型預測序列數據的系統，包括：

預測樣本獲取裝置，被配置為獲取對象的序列預測樣本，其中，所述序列預測樣本包括所述對象的按時間順序排列的多個序列數據；

預測裝置，被配置為利用所述機器學習模型，針對所述序列預測樣本執行預測來提供關于所述多個序列數據之后的下一序列數據的預測結果，

其中，所述機器學習模型被事先訓練為針對按時間順序排列的一系列序列數據來預測所述一系列序列數據之后的下一序列數據，并且所述機器學習模型是包括兩個隱狀態層的隱馬爾可夫模型，其中，第一隱狀態層中包括多個對象中的每個對象的個性化隱狀態，第二隱狀態層中包括由所述多個對象共享的多個共享隱狀態。