[发明专利]AI模型的训练方法、使用方法、计算机设备及存储介质

权利要求书

1.一种AI模型的训练方法，其特征在于，所述方法包括：

获取参与交互任务的用户对应的信息数据；

从所述信息数据筛选出多个不同等级的训练数据；

根据所述交互任务的任务节点和每个所述任务节点对应的动作节点，从每个等级的所述训练数据中提取对应的特征向量，其中，不同的所述任务节点以及不同的所述动作节点对应的特征向量的标签不同；

将所述特征向量输入至预设神经网络进行AI模型训练，直至所述AI模型收敛得到相应等级的AI模型。

2.根据权利要求1所述的方法，其特征在于，所述信息数据包括单局信息数据和局间信息数据，所述单局信息数据包括全局信息数据和当前用户信息数据，所述局间信息数据包括参与所述交互任务的多个用户的历史信息数据；

所述将所述特征向量输入至预设神经网络进行AI模型训练，包括：

对所述全局信息数据和所述当前用户信息数据对应的特征向量进行融合处理，得到第一特征向量；

将所述第一特征向量输入至预设神经网络的第一子神经网络，得到第一输出量；

将多个用户的历史信息数据对应的特征向量输入至所述预设神经网络的第二子神经网络得到多个特征输出量，以及将多个所述特征输出量进行融合处理得到第二输出量；

将所述第一输出量和第二输出量进行融合后输入至所述预设神经网络的第三子神经网络，得到输出结果。

3.根据权利要求2所述的方法，其特征在于，所述第一子神经网络、第二子神经网络和第三子神经网络为2层全连接层；

或者，所述第二子神经网络包括残差网络或长短期记忆网络。

4.根据权利要求1所述的方法，其特征在于，所述从所述信息数据筛选出多个不同等级的训练数据之前，包括：

对所述信息数据进行异常数据筛选，得到筛选后的信息数据，其中，所述异常数据包括中途掉线数据、中途离场数据和操作错误数据；

所述从所述信息数据筛选出多个不同等级的训练数据，包括：从所述筛选后的信息数据筛选出多个不同等级的训练数据。

5.根据权利要求1所述的方法，其特征在于，所述从所述信息数据筛选出多个不同等级的训练数据，包括：

获取用于评价用户的水平能力的评价参数；

根据所述评价参数，对所述信息数据进行分类，得到多个不同等级的训练数据。

6.根据权利要求1所述的方法，其特征在于，所述将所述特征向量输入至预设神经网络进行AI模型训练，直至所述AI模型收敛得到AI模型，包括：

随机确定所述交互任务的风格模式；

在确定的风格模式下，获取不同任务节点、不同动作节点和不同任务条件的组合方式对应的预设数值；

根据所述预设数值确定所述AI模型的输出值。

7.根据权利要求1所述的方法，其特征在于，所述模型训练的损失函数采用交叉熵。

8.一种AI模型的使用方法，其特征在于，应用于服务器，所述AI模型为采用权利要求1至7任一项所述的训练方法进行训练得到的模型，并部署在所述服务器中；所述方法包括：

确定交互任务中AI用户所对应的任务节点以及所述任务节点对应的动作节点；

获取所述交互任务中所有用户在所述确定的任务节点以及所述任务节点对应的动作节点下的信息数据；

将所述信息数据输入至所述AI模型，以得到输出结果；

将所述输出结果发送至所述AI用户，以使所述AI用户根据所述输出结果执行对应的动作。

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

监控参与所述交互任务的真实用户对应的信息数据；

根据所述信息数据确定所述参与所述交互任务的真实用户是否满足AI切换条件，所述AI切换条件用于引入AI用户，所述AI用户对应所述AI模型；

若所述参与所述交互任务的真实用户满足所述AI切换条件，则引入AI用户参与所述交互任务。