申请/专利权人：百度在线网络技术(北京)有限公司

申请日：2023-02-16

公开（公告）日：2023-05-26

公开（公告）号：CN116166961A

主分类号：G06F18/214

分类号：G06F18/214;G06F18/213;G06N3/04;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.06.13#实质审查的生效;2023.05.26#公开

摘要：本公开提供了一种超网络模型的训练方法，涉及人工智能和网络结构搜索技术领域。具体实现方案为：将训练样本的初始特征输入适应性网络，生成训练样本的适应性特征；将测试样本的初始特征输入预测网络，生成测试样本的隐藏特征，测试样本具有标签，标签表示测试用户数据与测试对象数据之间的测试交互数据；使用调整网络基于适应性特征调整隐藏特征；根据调整后的隐藏特征确定超网络模型的输出结果，输出结果表示测试用户数据与测试对象数据之间的预测交互数据；根据测试交互数据和预测交互数据，确定超网络模型的损失；根据损失更新调整网络的结构参数。本公开还提供了一种深度学习模型的训练方法、信息推荐方法、装置、电子设备和存储介质。

主权项：1.一种超网络模型的训练方法，所述超网络模型包括适应性网络、预测网络和调整网络；所述方法包括：将训练样本的初始特征输入所述适应性网络，生成训练样本的适应性特征，其中，所述训练样本包括训练用户数据、训练对象数据以及所述训练用户数据和所述训练对象数据之间的训练交互数据；将测试样本的初始特征输入所述预测网络，生成所述测试样本的隐藏特征，其中，所述测试样本包括测试用户数据和测试对象数据，所述测试样本具有标签，所述标签表示所述测试用户数据与所述测试对象数据之间的测试交互数据；使用所述调整网络基于所述适应性特征调整所述隐藏特征；根据调整后的隐藏特征确定所述超网络模型的输出结果，所述输出结果表示所述测试用户数据与测试对象数据之间的预测交互数据；根据所述测试交互数据和所述预测交互数据，确定所述超网络模型的损失；以及根据所述损失更新所述调整网络的结构参数。

全文数据：

权利要求：

百度查询： 百度在线网络技术(北京)有限公司 超网络模型、深度学习模型的训练方法、信息推荐方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD