[发明专利]模型训练方法、多任务联合预测方法、装置、设备及介质

权利要求书

1.一种多任务联合模型的训练方法，其特征在于，所述多任务联合模型包括特征提取模型、条件概率模型和后验概率模型，所述训练方法包括：

获取多媒体训练样本，其中，每个所述多媒体训练样本包括样本多媒体资源、样本任务标签和样本状态标签；所述样本任务标签用于表征样本多媒体资源所对应的实际分类任务，所述样本状态标签用于表征在所述实际分类任务下样本多媒体资源的实际状态；

将所述样本多媒体资源输入所述特征提取模型进行特征提取，得到所述样本多媒体资源的特征；

将所述样本多媒体资源的特征和所述样本任务标签输入所述条件概率模型进行预测，得到所述样本多媒体资源的预测状态；

将所述样本多媒体资源的特征和所述样本状态标签输入所述后验概率模型进行预测，得到所述样本多媒体资源的预测分类任务结果；

基于所述样本多媒体资源的样本任务标签、样本状态标签、预测分类任务结果和预测状态，确定所述多任务联合模型的损失函数；

基于所述损失函数调整所述多任务联合模型的模型参数，以对所述多任务联合模型进行训练。

2.根据权利要求1所述的训练方法，其特征在于，所述将所述样本多媒体资源的特征和所述样本任务标签输入所述条件概率模型进行预测，得到所述样本多媒体资源的预测状态的步骤包括：

获取所述样本任务标签所对应的分类任务的特征；

将所述分类任务的特征和所述样本多媒体资源的特征两者输入第一拼接层或第一注意力网络，得到第一联合特征；

将所述第一联合特征输入第一全连接层，得到第一全连接层输出的在所述分类任务下所述样本多媒体资源的预测状态。

3.根据权利要求2所述的训练方法，其特征在于，所述获取所述样本任务标签所对应的分类任务的特征的步骤包括：

将第一矩阵中与所述分类任务对应的位置处的嵌入特征，作为所述分类任务的特征；

其中，所述第一矩阵中的各个行与各个分类任务一一对应；

其中，在基于所述损失函数调整所述多任务联合模型的模型参数的步骤中，根据所述损失函数调整第一矩阵。

4.根据权利要求1所述的训练方法，其特征在于，所述将所述样本多媒体资源的特征和所述样本状态标签输入所述后验概率模型进行预测，得到所述样本多媒体资源的预测分类任务结果的步骤包括：

获取所述样本状态标签所对应的多媒体资源状态的特征；

将所述多媒体资源状态的特征和所述样本多媒体资源的特征两者输入第二拼接层或第二注意力网络，得到第二联合特征；

将所述第二联合特征输入第二全连接层，得到第二全连接层输出的针对所述样本多媒体资源的预测状态为所述多媒体资源状态的预测分类任务结果。

5.一种多任务联合预测方法，其特征在于，所述多任务联合预测方法基于多任务联合模型执行，所述多任务联合模型包括特征提取模型、条件概率模型和后验概率模型，所述多任务联合预测方法包括：

当接收到待预测的目标多媒体资源和另一输入量时，将所述目标多媒体资源输入所述特征提取模型进行特征提取，得到所述目标多媒体资源的特征；

当所述另一输入量为分类任务标识时，将所述目标多媒体资源的特征和所述分类任务标识输入所述条件概率模型进行预测，得到所述目标多媒体资源的预测状态；

当所述另一输入量为多媒体资源状态标识时，将所述目标多媒体资源的特征和所述多媒体资源状态标识输入所述后验概率模型进行预测，得到所述目标多媒体资源的预测分类任务结果。