一种自行闭环优化算法模型的方法及相关装置

摘要

本申请公开了一种自行闭环优化算法模型的方法及相关装置，方法包括：通过调用已训练算法模型的算法接口，将已训练算法模型的输出结果直接进行显示，由终端用户直接反馈输出结果的正确与否，将反馈数据为负反馈数据的输出结果加入训练，由模型训练系统根据新的训练集对已训练算法模型进行重训练，直至满足该应用场景，提高了已训练算法模型的智能优化效率，且可以在测试阶段直接由终端用户判别结果，解决了在训练成的模型无法满足使用场景的情况下，需要算法工程师重新调整算法或将没有覆盖到的训练集重新输入模型训练，在算法模型重新训练成功后，重新使用测试集调用算法接口，得到算法输出结果，存在的工作效率低下，无法智能优化的技术问题。

说明书

技术领域

本申请涉及计算机技术领域，尤其涉及一种自行闭环优化算法模型的方法及相关装置。

背景技术

机器学习是对能通过经验自动改进的计算机算法的研究，在机器学习中，核心之一为对算法模型利用大量的训练数据进行训练，在假设空间中找到评价函数得分最高的那个分类器。

对于算法模型的训练，现阶段都是准备一些训练数据，让算法先使用这些训练数据进行学习，学习成一个模型，具体的使用的时候，使用这个训练成的模型来做一些智能应用。

正常的情况下对于训练成的模型需要对其效果进行测试，如果效果满足使用场景的需求的情况下才会投入使用，但是当不能满足使用场景的时候是需要继续对算法模型进行优化的。

在训练成的模型无法满足使用场景的情况下，需要算法工程师重新调整算法或将没有覆盖到的训练集重新输入模型训练，在算法模型重新训练成功后，重新使用测试集调用算法接口，得到算法输出结果，存在工作效率低下，无法智能优化的技术问题。

发明内容

本申请提供了一种自行闭环优化算法模型的方法及相关装置，解决了在训练成的模型无法满足使用场景的情况下，需要算法工程师重新调整算法或将没有覆盖到的训练集重新输入模型训练，在算法模型重新训练成功后，重新使用测试集调用算法接口，得到算法输出结果，存在的工作效率低下，无法智能优化的技术问题。

有鉴于此，本申请第一方面提供了一种自行闭环优化算法模型的方法，所述方法包括：

S1、调用已训练算法模型的算法接口，将所述已训练算法模型的输出结果显示；

S2、获取终端用户对所述输出结果的反馈数据，所述反馈数据为正反馈数据或负反馈数据；

S3、将所述反馈数据为负反馈数据的所述输出结果作为训练数据存储至训练集中，使得模型训练系统调用所述训练集对所述已训练算法模型重新进行算法训练，得到新的已训练算法模型；

S4、返回至步骤S1重新调用新的所述已训练算法模型的算法接口。

可选地，当获取所述终端用户对所述输出结果的反馈数据为正反馈数据的数量达到预设值时，停止调用训练集对所述已训练算法模型进行算法训练。

可选地，所述步骤S2之后还包括：

将所述终端用户对所述输出结果的反馈数据与所述输出结果关联并存储至数据库中。

本申请第二方面提供一种自行闭环优化算法模型的平台，所述平台包括：

调用显示单元，用于调用已训练算法模型的算法接口，将所述已训练算法模型的输出结果显示；

获取单元，用于获取终端用户对所述输出结果的反馈数据，所述反馈数据为正反馈数据或负反馈数据；

第一存储单元，用于将所述反馈数据为负反馈数据的所述输出结果作为训练数据存储至训练集中，使得模型训练系统调用所述训练集对所述已训练算法模型重新进行算法训练，得到新的已训练算法模型；

回归单元，用于向所述调用显示单元发送重新调用指令，使得所述调用显示单元重新调用新的所述已训练算法模型的算法接口。

可选地，所述回归单元还用于当获取所述终端用户对所述输出结果的反馈数据为正反馈数据的数量达到预设值时，停止调用训练集对所述已训练算法模型进行算法训练。

可选地，还包括：

第二存储单元，用于将所述终端用户对所述输出结果的反馈数据与所述输出结果关联并存储至数据库中。

本申请第三方面提供一种自行闭环优化算法模型的系统，包括本申请第二方面任意一项所述的自行闭环优化算法模型的平台，以及模型训练系统；

所述自行闭环优化算法模型的平台与所述模型训练系统连接。

本申请第四方面提供一种自行闭环优化算法模型的设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的自行闭环优化算法模型的方法的步骤。

本申请第五方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的自行闭环优化算法模型的方法。

本申请第六方面提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行上述第一方面所述的自行闭环优化算法模型的方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请中，提供了一种自行闭环优化算法模型的方法，通过调用已训练算法模型的算法接口，将已训练算法模型的输出结果直接进行显示，由终端用户直接反馈输出结果的正确与否，将反馈数据为负反馈数据的输出结果加入训练，由模型训练系统根据新的训练集对已训练算法模型进行重训练，直至满足该应用场景，提高了已训练算法模型的智能优化效率，且可以在测试阶段直接由终端用户判别结果，解决了在训练成的模型无法满足使用场景的情况下，需要算法工程师重新调整算法或将没有覆盖到的训练集重新输入模型训练，在算法模型重新训练成功后，重新使用测试集调用算法接口，得到算法输出结果，存在的工作效率低下，无法智能优化的技术问题。

附图说明

图1为本申请中一种自行闭环优化算法模型的方法的一种方法流程图；

图2为本申请中一种自行闭环优化算法模型的方法的另一种方法流程图；

图3为本申请中一种自行闭环优化算法模型的平台的架构示意图；

图4为本申请中一种自行闭环优化算法模型的系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请设计了一种自行闭环优化算法模型的方法及相关装置，解决了在训练成的模型无法满足使用场景的情况下，需要算法工程师重新调整算法或将没有覆盖到的训练集重新输入模型训练，在算法模型重新训练成功后，重新使用测试集调用算法接口，得到算法输出结果，存在的工作效率低下，无法智能优化的技术问题。

为了便于理解，请参阅图1，图1为本申请实施例中一种自行闭环优化算法模型的方法的一种方法流程图，如图1所示，具体为：

101、调用已训练算法模型的算法接口，将已训练算法模型的输出结果显示。

102、获取终端用户对输出结果的反馈数据，反馈数据为正反馈数据或负反馈数据。

需要说明的是，终端用户一般为最终用户或业务人员，由最终用户或业务人员上传该应用场景下已训练算法模型的输出结果是否正确，当输出结果为正确结果时提供正反馈数据，当输出结果为不正确结果时提供负反馈数据。

103、将反馈数据为负反馈数据的输出结果作为训练数据存储至训练集中，使得模型训练系统调用训练集对已训练算法模型重新进行算法训练，得到新的已训练算法模型。

104、返回至步骤101重新调用新的已训练算法模型的算法接口。

本申请实施例中，提供了一种自行闭环优化算法模型的方法，通过调用已训练算法模型的算法接口，将已训练算法模型的输出结果直接进行显示，由终端用户直接反馈输出结果的正确与否，将反馈数据为负反馈数据的输出结果加入训练，由模型训练系统根据新的训练集对已训练算法模型进行重训练，直至满足该应用场景，提高了已训练算法模型的智能优化效率，且可以在测试阶段直接由终端用户判别结果，解决了在训练成的模型无法满足使用场景的情况下，需要算法工程师重新调整算法或将没有覆盖到的训练集重新输入模型训练，在算法模型重新训练成功后，重新使用测试集调用算法接口，得到算法输出结果，存在的工作效率低下，无法智能优化的技术问题。

请参阅图2，图2为本申请实施例中一种自行闭环优化算法模型的方法的另一种方法流程图，如图2所示，具体为：

201、调用已训练算法模型的算法接口，将已训练算法模型的输出结果显示。

202、获取终端用户对输出结果的反馈数据，反馈数据为正反馈数据或负反馈数据。

需要说明的是，终端用户一般为最终用户或业务人员，由最终用户或业务人员上传该应用场景下已训练算法模型的输出结果是否正确，当输出结果为正确结果时提供正反馈数据，当输出结果为不正确结果时提供负反馈数据。

203、将终端用户对输出结果的反馈数据与输出结果关联并存储至数据库中。

204、将反馈数据为负反馈数据的输出结果作为训练数据存储至训练集中，使得模型训练系统调用训练集对已训练算法模型重新进行算法训练，得到新的已训练算法模型。

205、当获取终端用户对输出结果的反馈数据为正反馈数据的数量达到预设值时，停止调用训练集对已训练算法模型进行算法训练，否则返回至步骤201重新调用新的已训练算法模型的算法接口。

需要说明的是，当终端用户对输出结果的反馈数据为正反馈数据的数量达到预设值时，说明该应用场景下，已训练算法模型可以满足需求，因此，不需要再次训练该已训练算法模型，若正反馈数据的数量无法达到预设值，则对该已训练模型将利用输出结果为负反馈数据的训练集进行重复训练。

请参阅图3，图3为本申请实施例中一种自行闭环优化算法模型的平台的架构示意图，如图3所示，具体为：

调用显示单元301，用于调用已训练算法模型的算法接口，将已训练算法模型的输出结果显示；

获取单元302，用于获取终端用户对输出结果的反馈数据，反馈数据为正反馈数据或负反馈数据；

第一存储单元303，用于将反馈数据为负反馈数据的输出结果作为训练数据存储至训练集中，使得模型训练系统调用训练集对已训练算法模型重新进行算法训练，得到新的已训练算法模型；

回归单元304，用于向调用显示单元发送重新调用指令，使得调用显示单元重新调用新的已训练算法模型的算法接口。

进一步地，回归单元304还用于当获取终端用户对输出结果的反馈数据为正反馈数据的数量达到预设值时，停止调用训练集对已训练算法模型进行算法训练。

进一步，还包括：

第二存储单元305，用于将终端用户对输出结果的反馈数据与输出结果关联并存储至数据库中。

请参阅图4，图4为本申请实施例中一种自行闭环优化算法模型的系统的结构示意图，包括本申请第三个实施例任意一项的自行闭环优化算法模型的平台401，以及模型训练系统402；

自行闭环优化算法模型的平台401与模型训练系统402连接。

本申请实施例还提供了一种自行闭环优化算法模型的设备，设备包括处理器以及存储器：

存储器用于存储程序代码，并将程序代码传输给处理器；

处理器用于根据程序代码中的指令，执行前述各个实施例的自行闭环优化算法模型的方法的步骤。

本申请实施例还提供一种计算机可读存储介质，用于存储程序代码，该程序代码用于执行前述各个实施例的一种自行闭环优化算法模型的方法中的任意一种实施方式。

本申请实施例还提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行前述各个实施例的一种自行闭环优化算法模型的方法中的任意一种实施方式。

本申请实施例中，提供了一种自行闭环优化算法模型的方法，通过调用已训练算法模型的算法接口，将已训练算法模型的输出结果直接进行显示，由终端用户直接反馈输出结果的正确与否，将反馈数据为负反馈数据的输出结果加入训练，由模型训练系统根据新的训练集对已训练算法模型进行重训练，直至满足该应用场景，提高了已训练算法模型的智能优化效率，且可以在测试阶段直接由终端用户判别结果，解决了在训练成的模型无法满足使用场景的情况下，需要测试人员重新整理训练数据对模型进行训练，导致的工作效率低下，无法智能优化的技术问题。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。