[发明专利]多目标预测方法、装置、设备及存储介质

说明书

本申请实施例公开了一种多目标预测方法、装置、设备及存储介质，涉及人工智能和计算机技术领域。所述方法包括：通过多目标预测模型基于训练样本，得到多个中间特征向量，再基于多个中间特征向量，获取多个业务目标分别对应的预测结果；基于多个业务目标分别对应的预测结果和真值标签，确定第一训练损失；基于多个中间特征向量之间的差异信息，确定第二训练损失；根据第一训练损失和第二训练损失，对多目标预测模型进行训练。本申请通过基于用于衡量多个中间特征向量之间的差异性的第二训练损失，对多目标预测模型进行训练，以提高每个特征提取网络学习不同特征的能力，从而增加模型所学特征的信息量，进而提高模型预测的准确性。

技术领域

本申请实施例涉及人工智能和计算机技术领域，特别涉及一种多目标预测方法、装置、设备及存储介质。

背景技术

随着人工智能技术在多目标预测方面的研究和进步，适用于多目标预测的模型也是越来越多。

在相关技术中，多目标预测采用了MMoE（Multi-gate Mixture-of-Experts，多门控混合专家网络）模型，该MMoE模型中的每个专家网络都具有相同的网络结构，诸如DNN（Deep Neural Networks，深度神经网络）、FM（Factorization Machine，因子分解机）、DCN（Deep Cross Network，深度交叉网络）等网络结构。MMoE模型通过多个专家网络基于训练样本，获取不同的特征，进而基于不同的特征对目标对象的多业务目标进行预测。

然而，在相关技术中，由于每个专家网络的网路结构都是相同的，不同专家网络学习不同的特征的能力会受到限制，阻碍了专家网络提取出各种不同的特征，从而降低了模型的预测效果。

发明内容

本申请实施例提供了一种多目标预测方法、装置、设备及存储介质，能够提高多目标预测模型的预测准确性。技术方案包括如下内容。

根据本申请实施例的一个方面，提供了一种多目标预测方法，所述方法包括：

获取多目标预测模型的训练样本；其中，所述训练样本包括样本数据和所述样本数据对应的标签数据，所述标签数据包括多个业务目标分别对应的真值标签，所述多目标预测模型包括多个特征提取网络和多个预测网络；

通过所述多个特征提取网络对所述样本数据分别进行特征提取处理，得到多个中间特征向量；

通过所述多个预测网络分别基于所述多个中间特征向量，获取所述多个业务目标分别对应的预测结果；

基于所述多个业务目标分别对应的预测结果和真值标签，确定第一训练损失，所述第一训练损失用于衡量所述预测结果的准确性；

基于所述多个中间特征向量之间的差异信息，确定第二训练损失，所述第二训练损失用于衡量所述多个中间特征向量之间的差异性；

根据所述第一训练损失和所述第二训练损失，对所述多目标预测模型的网络参数进行调整，得到完成训练的多目标预测模型，所述完成训练的多目标预测模型用于获取目标对象在所述多个业务目标下的预测结果。

根据本申请实施例的一个方面，提供了一种多目标预测装置，所述装置包括：

训练样本获取模块，用于获取多目标预测模型的训练样本；其中，所述训练样本包括样本数据和所述样本数据对应的标签数据，所述标签数据包括多个业务目标分别对应的真值标签，所述多目标预测模型包括多个特征提取网络和多个预测网络；

特征向量提取模块，用于通过所述多个特征提取网络对所述样本数据分别进行特征提取处理，得到多个中间特征向量；

预测结果获取模块，用于通过所述多个预测网络分别基于所述多个中间特征向量，获取所述多个业务目标分别对应的预测结果；

第一损失获取模块，用于基于所述多个业务目标分别对应的预测结果和真值标签，确定第一训练损失，所述第一训练损失用于衡量所述预测结果的准确性；