[发明专利]一种模型拦截方法、装置、电子设备及存储介质

说明书

本申请公开了一种模型拦截方法、装置、电子设备及存储介质，涉及人工智能中的智能推荐技术。具体方案为：针对预定服务按照预定周期训练出与其对应的待生效模型；将所述待生效模型配送至提供所述预定服务的任意一个服务区域中；将所述待生效模型在所述任意一个服务区域中的任意一个机器上生效，将所述待生效模型在所述任意一个服务区域中除所述任意一个机器以外的其他机器上无效；在所述任意一个机器上对所述待生效模型进行校验；若对所述待生效模型校验通过，则将所述待生效模型在所述任意一个服务区域中除所述任意一个机器以外的其他机器上生效。本申请实施例可以实时地对训练出的模型的效果进行校验，从而可以对异常模型进行实时拦截。

技术领域

本申请涉及人工智能技术领域，进一步涉及人工智能中的智能推荐技术，尤其是一种模型拦截方法、装置、电子设备及存储介质。

背景技术

推荐系统是在大数据或者人工智能领域的应用场景下，通过结合用户的信息，物品信息以及用户以前对该物品的交互行为信息，利用机器学习离线构建人和物品的兴趣模型，在线推荐结合离线机器模型和推荐算法实现精准的个性化推荐。从实现架构上，推荐系统主要分为在线推荐和离线模型训练两大部分。离线模型训练完成在线推荐日志和用户日志的拼接清洗，生成对应的训练数据，然后使用机器学习算法进行模型训练，产出相应的机器学习模型，机器学习模型贯穿整个推荐系统，是实现个性化推荐的关键所在，因此模型的效果尤为重要。

目前业界内有通用的评估方案和指标，可以对机器学习模型进行在线预估效果的评估，最常用的就是通过点击通过率(Click-through-rate，CTR)进行评估。点击通过率是计算推荐信息中用户已点击/互动的推荐信息的比率。自网络广告和移动广告以及在线营销兴起以来，点击通过率就开始进入人们的视野，同时，点击通过率也是在推荐系统中主要的度量标准，有助于研究用户对推荐信息的有效点击率。

但是在现有技术中，点击通过率的采集往往是在离线模型已经配送到线上，在线使用模型给用户推送信息后进行，这样对模型效果评估有一定的滞后性。另外，如果离线训练的模型有异常，那么，与正常模型相比，预估出来的点击通过率也是异常的，最后用户真实的点击通过率与正常模型相比也是异常的。

发明内容

本申请提供了一种模型拦截方法、装置、电子设备及存储介质，可以实时地对训练出的模型的效果进行校验，从而可以对异常模型进行实时拦截。

第一方面，本申请提供了一种模型拦截方法，所述方法包括：

针对预定服务按照预定周期训练出与其对应的待生效模型；

将所述待生效模型配送至提供所述预定服务的任意一个服务区域中；

将所述待生效模型在所述任意一个服务区域中的任意一个机器上生效，将所述待生效模型在所述任意一个服务区域中除所述任意一个机器以外的其他机器上无效；

在所述任意一个机器上对所述待生效模型进行校验；若对所述待生效模型校验通过，则将所述待生效模型在所述任意一个服务区域中除所述任意一个机器以外的其他机器上生效。

第二方面，本申请提供了一种模型拦截装置，所述装置包括：训练模块、配送模块、拦截模块和校验模块；其中，

所述训练模块，用于针对预定服务按照预定周期训练出与其对应的待生效模型；

所述配送模块，用于将所述待生效模型配送至提供所述预定服务的任意一个服务区域中；

所述拦截模块，用于将所述待生效模型在所述任意一个服务区域中的任意一个机器上生效，将所述待生效模型在所述任意一个服务区域中除所述任意一个机器以外的其他机器上无效；

所述校验模块，用于在所述任意一个机器上对所述待生效模型进行校验；若对所述待生效模型校验通过，则将所述待生效模型在所述任意一个服务区域中除所述任意一个机器以外的其他机器上生效。