[发明专利]多目标预测方法、装置、设备及存储介质

权利要求书

1.一种多目标预测方法，其特征在于，所述方法包括：

获取多目标预测模型的训练样本；其中，所述训练样本包括样本数据和所述样本数据对应的标签数据，所述标签数据包括多个业务目标分别对应的真值标签，所述多目标预测模型包括多个特征提取网络和多个预测网络；

通过所述多个特征提取网络对所述样本数据分别进行特征提取处理，得到多个中间特征向量；

通过所述多个预测网络分别基于所述多个中间特征向量，获取所述多个业务目标分别对应的预测结果；

基于所述多个业务目标分别对应的预测结果和真值标签，确定第一训练损失，所述第一训练损失用于衡量所述预测结果的准确性；

基于所述多个中间特征向量之间的差异信息，确定第二训练损失，所述第二训练损失用于衡量所述多个中间特征向量之间的差异性；

根据所述第一训练损失和所述第二训练损失，对所述多目标预测模型的网络参数进行调整，得到完成训练的多目标预测模型，所述完成训练的多目标预测模型用于获取目标对象在所述多个业务目标下的预测结果。

2.根据权利要求1所述的方法，其特征在于，所述基于所述多个中间特征向量之间的差异信息，确定第二训练损失，包括：

计算所述多个中间特征向量两两之间的差异值，得到差异值集合；

将所述差异值集合中的各个差异值相加，得到所述第二训练损失。

3.根据权利要求2所述的方法，其特征在于，所述计算所述多个中间特征向量两两之间的差异值，得到差异值集合，包括：

对于所述多个中间特征向量中的第一中间特征向量和第二中间特征向量，计算所述第一中间特征向量和所述第二中间特征向量的内积；

将所述内积的平方值，确定为所述第一中间特征向量和所述第二中间特征向量之间的差异值。

4.根据权利要求2所述的方法，其特征在于，所述计算所述多个中间特征向量两两之间的差异值，得到差异值集合，包括：

对于所述多个中间特征向量中的第一中间特征向量和第二中间特征向量，计算所述第一中间特征向量和所述第二中间特征向量之间的欧氏距离；

将所述欧氏距离的平方值，确定为所述第一中间特征向量和所述第二中间特征向量之间的差异值。

5.根据权利要求2所述的方法，其特征在于，所述计算所述多个中间特征向量两两之间的差异值，得到差异值集合，包括：

对于所述多个中间特征向量中的第一中间特征向量和第二中间特征向量，计算所述第一中间特征向量和所述第二中间特征向量之间的余弦相似度；

将所述余弦相似度的平方值，确定为所述第一中间特征向量和所述第二中间特征向量之间的差异值。

6.根据权利要求1所述的方法，其特征在于，所述根据所述第一训练损失和所述第二训练损失，对所述多目标预测模型的网络参数进行调整，得到完成训练的多目标预测模型，包括：

基于所述第一训练损失和所述第二训练损失，确定所述多目标预测模型的总训练损失；

以最小化所述总训练损失为目标，调整所述多目标预测模型的网络参数，得到所述完成训练的多目标预测模型。

7.根据权利要求6所述的方法，其特征在于，所述基于所述第一训练损失和所述第二训练损失，确定所述多目标预测模型的总训练损失，包括：

在所述第二训练损失与所述差异性呈负相关关系的情况下，将所述第一训练损失和所述第二训练损失的和值，确定为所述多目标预测模型的总训练损失；

或者，

在所述第二训练损失与所述差异性呈正相关关系的情况下，将所述第一训练损失和所述第二训练损失的差值，确定为所述多目标预测模型的总训练损失。