[发明专利]神经网络模型的训练方法、调用方法、设备及存储介质

说明书

本申请公开了一种神经网络模型的训练方法、调用方法、设备及存储介质，该方法包括：获取训练样本数据；将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，其中，所述神经网络模型包括多个多项式，且所述多个多项式中包括高阶多项式；根据训练后的每个所述多项式，完成所述神经网络模型训练。该神经网络模型兼顾了模型的精度和可解释性。

技术领域

本申请涉及计算机技术领域，尤其涉及一种神经网络模型的训练方法、调用方法、设备及存储介质。

背景技术

在智能推荐、智能风控等二分类场景中，通常采用逻辑回归模型、复杂机器学习模型等模型进行二分类处理，如进行推荐或不推荐，通过或拒绝等。逻辑回归模型，简单易用，容易理解，模型的可解释性强，但是逻辑回归模型的精度低，输出结果的精准性不高。复杂机器学习模型，其精度高，输出结果的精准性高，但是复杂机器学习模型的可解释性弱，人们无法理解模型输出结果的原因，存在不可解释性。

因此，如何兼顾模型的精度以及可解释性成为亟需解决的问题。

发明内容

本申请实施例提供一种神经网络模型的训练方法、调用方法、设备及存储介质，可以实现兼顾模型的精度以及可解释性。

第一方面，本申请实施例提供了一种神经网络模型的训练方法，包括：

获取训练样本数据；

将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，其中，所述神经网络模型包括多个多项式，且所述多个多项式中包括高阶多项式；

根据训练后的每个所述多项式，完成所述神经网络模型训练。

第二方面，本申请实施例提供了一种神经网络模型的调用方法，所述神经网络模型为如上述的神经网络模型，所述方法包括：

获取准推荐用户名单中每个用户对应的用户特征数据；

将所述用户特征数据输入所述神经网络模型，输出每个用户对应的推荐概率；

根据每个用户对应的所述推荐概率，确定推荐用户名单，以根据所述推荐用户名单进行用户推荐。

第三方面，本申请实施例还提供了一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的神经网络模型的训练方法；或者，实现如上述的神经网络模型的调用方法。

第四方面，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时使所述处理器实现上述的神经网络模型的训练方法；或者，实现如上述的神经网络模型的调用方法。

本申请实施例提供了一种神经网络模型的训练方法、装置、计算机设备及计算机可读存储介质，通过获取训练样本数据，并将该训练样本数据多次输入预设的神经网络模型，该神经网络模型包括多个多项式，且多个多项式中包括高阶多项式，依次对该神经网络模型中的每个多项式进行训练，根据训练后的每个多项式，完成神经网络模型训练。由于该神经网络模型具有训练后的包含高阶多项式的多个多项式，该模型输出结果的精准性高，确保了模型的精度；而且，每个多项式也具有可解释性，因而确保了模型的可解释性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种神经网络模型的训练方法的步骤示意流程图；