[发明专利]信息处理方法、装置、电子设备及介质

说明书

本公开提供了一种信息处理方法，该方法包括：获得用户的历史操作信息；根据历史操作信息，构建知识图谱；根据知识图谱及历史操作信息，生成多个第一特征数据；以及将多个第一特征数据作为样本数据，对目标模型进行训练，得到训练后目标模型。其中，历史操作信息包括用户使用目标功能的历史记录，训练后目标模型用于确定用户使用目标功能的概率。本公开还提供了一种信息处理装置、一种电子设备及一种计算机可读存储介质。

技术领域

本公开涉及计算机技术领域，更具体地，涉及一种信息处理方法、装置、电子设备及介质。

背景技术

随着机器学习的发展，很多机构致力于构建自动化机器学习平台，以便于用户打造自己的深度学习模型。

在实现本公开构思的过程中，发明人发现相关技术中至少存在以下问题：相关的机器学习平台，往往需要用户手动调用python数据处理库等辅助工具才能对数据进行预处理，以根据预处理的数据进行模型训练。因此相关技术中数据预处理流程较为复杂，需要人为参与，自动化不足。再者，相关机器学习平台仅支持结构化表格的输入，但结构化表格无法表达数据之间的关联关系等，这往往会影响对模型训练的精度。另外，相关学习平台往往仅支持用户进行单个模型的训练，若用户需要从多个模型中选择一个模型，则需要依次导入数据来对多个模型训练。在得到多个模型后还需要用户进行多个模型性能指标的比对以进行模型选择。因此，相关机器学习平台存在自动化程度低、功能单一及模型训练精度不足的缺陷。

发明内容

有鉴于此，本公开提供了一种基于知识图谱进行模型训练以提高模型精度的信息处理方法、装置、电子设备及介质。

本公开的一个方面提供了一种信息处理方法，该方法包括：获得用户的历史操作信息；根据历史操作信息，构建知识图谱；根据知识图谱及历史操作信息，生成多个第一特征数据；以及将多个第一特征数据作为样本数据，对目标模型进行训练，得到训练后目标模型。其中，历史操作信息包括用户使用目标功能的历史记录，训练后目标模型用于确定用户使用目标功能的概率。

根据本公开的实施例，上述目标模型包括不同类型的多个预测模型；上述对目标模型进行训练，得到训练后目标模型包括：将多个特征数据作为样本数据，对不同类型的多个预测模型并行地进行训练，得到多个训练后预测模型；上述信息处理方法还包括：确定多个训练后预测模型中每个模型的目标性能指标，得到多组目标性能指标；根据多组目标性能指标，生成多个训练后预测模型的性能比对信息；以及展示性能比对信息。

根据本公开的实施例，上述信息处理方法还包括在展示性能比对信息之后：响应于多个训练后预测模型中一个训练后预测模型被选择，将一个训练后预测模型上传至推荐平台。

根据本公开的实施例，上述确定多个训练后预测模型中每个模型的目标性能指标包括：根据知识图谱及历史操作数据，生成第二特征数据；以第二特征数据作为多个训练后预测模型中每个模型的输入，以得到针对多个训练后预测模型的多组预测结果；以及根据多组预测结果，计算多个训练后预测模型中每个模型的目标性能指标。

根据本公开的实施例，上述信息处理方法还包括在对目标模型进行训练的过程中：采用可视化工具确定目标模型的训练进度和/或确定目标模型的目标性能指标；以及展示训练进度和/或目标性能指标。

根据本公开的实施例，上述信息处理方法还包括在对目标模型进行训练的过程中：响应于目标控件被选择，停止对目标模型的训练；或者响应于预定参数被输入，根据预定参数对目标模型包括的参数进行调整；或者响应于目标函数被选择，根据目标函数对目标模型进行训练。

根据本公开的实施例，上述历史操作信息包括多列数据；根据历史操作信息，构建知识图谱包括：响应于多列数据中至少两列数据被选中，根据至少两列数据构建多个节点；以及根据至少两列数据的对应关系，构建多个节点之间的边，形成知识图谱。其中，至少两列数据包括目标功能标识列与用户标识列。