[发明专利]任务模型训练方法、装置、电子设备及存储介质

说明书

本申请提供一种任务模型训练方法、装置、电子设备及存储介质，涉及神经网络技术领域。该方法包括：将采集的样本行为序列集，输入预先训练的特征提取器中，得到输出结果，样本行为序列集包括至少一个用户的不同时间段中目标游戏下的游戏行为序列，游戏行为序列由至少一个游戏行为基本单元构成，其中，输出结果为游戏行为序列对应的特征信息；将输出结果输入至预设的识别模型中，得到识别结果，预设的识别模型为初始目标任务识别模型，用于识别初始目标任务对应的结果；根据识别结果，调整特征提取器以及识别模型，得到目标特征提取器和目标识别模型，任务模型由目标特征提取器和目标识别模型级联构成。本方法可提高任务模型训练的效率。

技术领域

本申请涉及神经网络技术领域，具体而言，涉及一种任务模型训练方法、装置、电子设备及存储介质。

背景技术

为了提高游戏玩家的游戏体验度，通常会在游戏中部署各类智能服务，例如：外挂检测、地图预加载检测等服务，以在玩家游戏的对玩家的游戏行为进行监督，保证游戏的公正公平。而各类智能服务的执行可通过部署对应的任务模型来实现。

现有技术中，对于不同的任务模型的训练，通常需要独立的进行样本数据的挑选、标注，从而根据标注的样本数据进行模型的训练。

但是，由于数据标注通常依赖于专家经验，耗时耗力，且不同任务模型之间是相互独立的，样本数据也无法达到迁移与复用，从而导致任务模型训练效率较低。

发明内容

本申请的目的在于，针对上述现有技术中的不足，提供一种任务模型训练方法、装置、电子设备及存储介质，以便于解决现有技术中存在的任务模型训练效率较低的问题。

为实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供了一种任务模型训练方法，包括：

将采集的样本行为序列集，输入预先训练的特征提取器中，得到输出结果，所述样本行为序列集包括至少一个用户的不同时间段中目标游戏下的游戏行为序列，所述游戏行为序列由至少一个游戏行为基本单元构成，其中，所述输出结果为所述游戏行为序列对应的特征信息；

将所述输出结果输入至预设的识别模型中，得到识别结果，所述预设的识别模型为初始目标任务识别模型，用于识别初始目标任务对应的结果；

根据所述识别结果，调整所述特征提取器以及所述识别模型，得到目标特征提取器和目标识别模型，所述任务模型由所述目标特征提取器和所述目标识别模型级联构成。

可选地，所述将采集的样本行为序列集，输入预先训练的特征提取器中，得到输出结果之前，所述方法包括：

采用数据压缩算法，对采集的样本行为序列集中各用户的游戏行为序列进行压缩处理，得到预处理后的样本行为序列集；

采用所述预处理后的样本行为序列集，训练获取所述特征提取器。

可选地，所述采用数据压缩算法，对采集的样本行为序列集中各用户的游戏行为序列进行压缩处理，得到预处理后的样本行为序列集，包括：

根据各用户的游戏行为序列，确定各游戏行为基本单元的频次、以及相邻游戏行为基本单元的频次，所述相邻基本单元用于表征连续相邻的基本单元所组成的单元；

根据所述各游戏行为基本单元的频次、所述相邻游戏行为基本单元的频次，以及预设阈值，确定待合并的游戏行为基本单元；

根据所述待合并的游戏行为基本单元，对各用户的游戏行为序列中所包含的各游戏行为基本单元进行合并处理，得到各用户的处理后的游戏行为序列；

基于所述各用户的处理后的游戏行为序列，得到预处理后的样本行为序列集。