[发明专利]多任务模型的训练方法、装置及电子设备

说明书

本公开关于一种多任务模型的训练方法、装置及电子设备，属于计算机应用技术领域。其中，该多任务模型的训练方法包括：获取训练样本集，其中，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；对训练样本集中的训练样本进行编码，得到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，对共享特征矩阵分别进行过滤处理，生成各训练任务的目标矩阵；基于各训练任务的目标矩阵，确定各训练任务的预测结果；根据各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。由此，通过这种多任务模型的训练方法，有效去除了与训练任务无关的冗余训练样本，提升了模型的训练速度。

技术领域

本公开涉及计算机应用技术领域，尤其涉及一种多任务模型的训练方法、装置及电子设备。

背景技术

基于多目标深度学习的推荐系统通常是以应用程序中指定的日志数据作为训练数据，构造训练样本，以利用训练样本训练多任务模型，进而通过多任务模型实现推荐系统的多目标推荐任务。

相关技术中，在训练多任务模型时，对于模型中的每个子任务，均需要利用获取到的全量样本数据进行训练，并根据每个子任务的训练目标，分别计算每个子任务对应的损失值，以根据每个子任务对应的损失值，对相应的子任务对应的子网络进行更新，以实现对多任务模型的训练。但是，由于全量样本数据对于模型中的每个子任务来说，计算复杂度较高，整体上模型训练的速度低。

发明内容

本公开提供一种多任务模型的训练方法、内容推荐方法、装置、电子设备、存储介质及计算机程序产品，以至少解决相关技术中，利用全量样本数据训练多任务模型中的每个子任务时，由于全量样本数据对于模型中的每个子任务来说，计算复杂度较高，整体上模型训练的速度低的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种多任务模型的训练方法，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。

可选地，在本公开第一方面实施例一种可能的实现方式中，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。

可选地，在本公开第一方面实施例另一种可能的实现方式中，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。

可选地，在本公开第一方面实施例再一种可能的实现方式中，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：