[发明专利]多任务模型的训练方法、装置及电子设备

权利要求书

1.一种多任务模型的训练方法，其特征在于，包括：

获取训练样本集，其中，所述训练样本集中包含多个训练任务对应的训练样本及标注结果，所述训练样本用于记录应用中多媒体信息的交互参数，所述交互参数为多维度参数，标注结果用于标注各维度的交互结果；

对所述训练样本集中的训练样本进行编码，得到所述训练样本集对应的共享特征矩阵；

基于各训练任务的训练目标，对所述共享特征矩阵分别进行过滤处理，生成各所述训练任务的目标矩阵；

基于各所述训练任务的目标矩阵，确定各所述训练任务的预测结果；

根据各所述训练任务的预测结果与各目标矩阵对应的标注结果，修正多任务模型的参数，得到训练后的多任务模型。

2.如权利要求1所述的方法，其特征在于，所述基于各训练任务的训练目标，对所述共享特征矩阵分别进行过滤处理包括：

确定所述训练样本集中训练样本与所述训练目标的关联度；

基于所述训练样本与所述训练目标的关联度、及每个训练样本在所述共享特征矩阵的位置，对所述共享特征矩阵分别进行过滤处理。

3.如权利要求2所述的方法，其特征在于，所述确定所述训练样本集中训练样本与所述训练目标的关联度，包括：

获取每个所述训练样本记录的用户行为，其中，所述用户行为用于表示在指定页面发生的交互操作；

判断所述训练目标所对应的用户行为，与所述训练样本记录的用户行为是否匹配；

若所述训练目标所对应的用户行为，与所述训练样本记录的用户行为匹配，则确定该训练样本与所述训练目标有关联；

若所述训练目标所对应的用户行为，与所述训练样本记录的用户行为不匹配，则确定该训练样本与所述训练目标无关联；

其中，所述关联度包括有关联和无关联。

4.如权利要求2所述的方法，其特征在于，所述基于训练样本与所述训练目标的关联度、及每个训练样本在所述共享特征矩阵的位置，对所述共享特征矩阵分别进行过滤处理，包括：

若任一训练样本与任一训练任务的训练目标有关联，则保留所述共享特征矩阵中所述任一训练样本所在位置的信息，以生成所述任一训练任务对应的目标矩阵；

若任一训练样本与所述训练目标无关联，则清除所述共享特征矩阵中所述任一训练样本所在位置的信息，以生成所述任一训练任务对应的目标矩阵。

5.如权利要求1所述的方法，其特征在于，所述基于各训练任务的训练目标，对所述共享特征矩阵分别进行过滤处理，包括：

由输出层至输入层，逐层确定所述多任务模型中每个网络层与所述各训练任务的相关性；

若任一网络层与任一训练任务单相关，则确定所述任一网络层的目标依赖数据为所述训练样本集中与所述任一训练任务关联的训练样本；

若所述任一网络层的输入数据中包括除所述任一训练任务关联的训练样本外的其余数据，则根据所述任一训练任务的训练目标，对输入所述任一网络层的共享特征矩阵进行过滤处理。

6.如权利要求5所述的方法，其特征在于，所述由输出层至输入层，逐层确定所述多任务模型中每个网络层与所述各训练任务的相关性，包括：

由每个训练任务对应的输出层起，对所述多任务模型结构进行遍历，若任一网络层为单输入、单输出的网络层，则确定该任一网络层为与该训练任务单相关的网络层；

若任一网络层为单输入、多输出的网络层，则确定该任一网络层为与该训练任务多相关的网络层；

其中，所述相关性包括单相关和多相关，其中，单相关表征该网络层仅与一个训练任务相关，多相关表征该网络层与多个训练任务相关。