[发明专利]模型训练方法、装置、存储介质及终端

权利要求书

1.一种模型训练方法，其特征在于，所述方法包括：

获取训练样本数据集合，所述训练样本数据集合中的训练样本数据包括用户数据、对象数据以及对应的标签数据，所述标签数据指示所述训练样本数据的正负样本状态；

在模型训练过程中，基于计数损失函数，对所述训练样本数据中正样本数据的用户数据以及对象数据进行实时计数；

基于对所述用户数据以及所述对象数据的实时计数数值计算训练样本数据的权重系数；

根据所述权重系数调整所述模型的训练过程中的损失函数，并基于调整后的损失函数对所述模型进行训练。

2.根据权利要求1所述的方法，其特征在于，所述基于计数损失函数，对所述训练样本数据中正样本数据的用户数据以及对象数据进行实时计数，包括：

确定用户数据对应的用户计数特征以及对象数据对应的对象计数特征；

构建关于用户数据和对象数据的计数损失函数；

基于预设学习率的梯度下降优化器、所述计数损失函数以及所述标签数据，对所述用户计数特征以及所述对象计数特征进行更新，以实现对所述训练样本数据中正样本数据的用户数据以及对象数据进行实时计数。

3.根据权利要求1所述的方法，其特征在于，所述基于对所述用户数据以及所述对象数据的实时计数数值计算训练样本数据的权重系数，包括：

计算所述用户数据的实时计数数值与一之和的对数值，得到第一对数值；

计算所述对象数据的实时计数数值与一之和的对数值，得到第二对数值；

基于所述第一对数值和所述第二对数值计算训练样本数据的权重系数。

4.根据权利要求3所述的方法，其特征在于，所述基于所述第一对数值和所述第二对数值计算训练样本数据的权重系数，包括：

基于激活函数对所述第一对数值和所述第二对数值进行映射处理，得到第一映射数值和第二映射数值；

计算所述第一映射数值和所述第二映射数值的乘积，得到训练样本数据的权重系数。

5.根据权利要求1所述的方法，其特征在于，所述根据所述权重系数调整所述模型的训练过程中的损失函数，并基于调整后的损失函数对所述模型进行训练，包括：

基于所述模型对训练样本数据的预测结果和所述训练样本数据的标签数据计算分类损失函数值；

根据所述权重系数以及所述分类损失函数值计算目标损失函数值；

根据所述目标损失函数值进行梯度反传处理，以对所述模型的模型参数进行更新。

6.根据权利要求5所述的方法，其特征在于，所述基于所述模型对训练样本数据预测结果和所述训练样本的标签数据计算分类损失函数值，包括：

基于所述模型对训练样本数据进行点击率预测，得到预测结果；

计算所述预测结果与所述标签数据之间的交叉熵，得到分类损失函数值。

7.根据权利要求5所述的方法，其特征在于，所述根据所述权重系数以及所述分类损失函数值计算目标损失函数值，包括：

计算所述权重系数和所述分类损失函数值的乘积数值；

根据所述乘积数值确定目标损失函数值。

8.一种模型训练装置，其特征在于，所述装置包括：

获取模块，用于获取训练样本数据集合，所述训练样本数据集合中的训练样本数据包括用户数据、对象数据以及对应的标签数据，所述标签数据指示所述训练样本数据的正负样本状态；

计数模块，用于在模型训练过程中，基于计数损失函数，对所述训练样本数据中正样本数据的用户数据以及对象数据进行实时计数；

计算模块，用于基于对所述用户数据以及所述对象数据的实时计数数值计算训练样本数据的权重系数；

训练模块，用于根据所述权重系数调整所述模型的训练过程中的损失函数，并基于调整后的损失函数对所述模型进行训练。

9.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被电子设备的处理器加载时执行如权利要求1-7中任一项所述的模型训练方法中的步骤。

10.一种终端，所述终端包括处理器和存储器，所述存储器储存有计算机程序，其特征在于，所述处理器通过加载所述计算机程序执行如权利要求1-7中任一项所述的模型训练方法中的步骤。