[发明专利]基于人工智能的信息预测方法、装置、设备及介质

说明书

本发明涉及人工智能领域，提供一种基于人工智能的信息预测方法、装置、设备及介质，能够建立目标关系网络，所述目标关系网络包括每个样本内的子样本间的层级内关系网络及样本间的层级间关系网络，进而由所有节点及层级间的关系共同构成所述目标关系网络，并结合半监督学习的目标模型及关系网络进行特征表示，学习得到的节点特征表示可作为表现期更长的任务的输入，从而补充表现期时期的信息，弥补了表现期的信息损失，并可应用于多层次关系建模场景，进而基于人工智能手段实现对信息变化趋势的准确预测。本发明还涉及区块链技术，目标模型及每个节点更新后的特征表示可存储于区块链。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于人工智能的信息预测方法、装置、设备及介质。

背景技术

在很多机器学习场景中，目标变量具有较长的表现期，比如三个月或一年内是否留存等。而正常的特征是取过去一段时间内的统计信息，不会使用未来的信息，而由于训练集里面要保留相同的逻辑，因此训练集中无法得到表现期内的特征信息，与线上预测环境相比会有不小的时延。因此训练集和预测集的分布差异往往会比较大，跨时间验证效果通常会比相同时间验证效果差很多。

并且，在多层次关系相关场景中，常常由于目标变量表现期长导致训练数据与现场数据间的时延长，表现期的信息损失较高。

而无论是对应用程序的长期维护，还是对保险等的长期发展，预测未来信息发展方向都十分关键，因此，如何准确地对各领域的信息变化趋势进行预测成了目前亟待解决的问题。

发明内容

鉴于以上内容，有必要提供一种基于人工智能的信息预测方法、装置、设备及介质，结合半监督学习的目标模型及关系网络进行特征表示，学习得到的节点特征表示可作为表现期更长的任务的输入，从而补充表现期时期的信息，弥补了表现期的信息损失，并可应用于多层次关系建模场景，进一步基于人工智能手段实现对信息变化趋势的准确预测。

一种基于人工智能的信息预测方法，所述基于人工智能的信息预测方法包括：

当接收到信息预测指令时，获取样本；

确定所述样本间的关系；

以所述样本中的每个子样本为节点，根据所述样本间的关系建立目标关系网络，其中，所述目标关系网络包括每个样本内的子样本间的层级内关系网络及样本间的层级间关系网络；

确定待训练模型，并基于所述目标关系网络对所述待训练模型进行半监督学习，得到目标模型；

获取待预测数据，将所述待预测数据输入至所述目标模型，并获取所述目标模型的输出作为信息预测结果。

根据本发明优选实施例，所述根据所述样本间的关系建立目标关系网络包括：

从所述样本间的关系中确定每个样本内各个子样本间的联系；

根据每个样本内各个子样本间的联系连接每个样本内的各个子样本，得到每个样本内的子样本间的层级内关系网络；

从所述样本间的关系中确定不同样本的各个子样本间的联系；

根据所述不同样本的各个子样本间的联系连接不同样本间的各个子样本，得到所述样本间的层级间关系网络；

对每个样本内的子样本间的层级内关系网络及所述样本间的层级间关系网络进行初始化处理，得到所述目标关系网络。

根据本发明优选实施例，所述对每个样本内的子样本间的层级内关系网络及所述样本间的层级间关系网络进行初始化处理包括：

对于每个样本内的子样本间的层级内关系网络中的第一任意节点，确定所述第一任意节点的第一嵌入向量，及确定在所述第一任意节点所处的层级中与所述第一任意节点连接的上一节点的第二嵌入向量；