[发明专利]AI模型的训练方法、装置、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AI模型的训练方法包括：

获取多种类型的用户信息，生成多种样本数据；

若待训练的当前AI模型为多个具有承接性的AI模型中的非首个AI模型，则将多种所述样本数据、以及承接在所述当前AI模型之前的至少一个AI模型的输出数据，输入所述当前AI模型进行特征提取，获得对应的隐状态数据；

对所述隐状态数据进行随机失活处理，得到更新后的隐状态数据；

基于更新后的隐状态数据对所述当前AI模型进行模型训练，获得训练好的当前AI模型。

2.如权利要求1所述的AI模型的训练方法，其特征在于，多种所述样本数据包括图像特征数据、结构化特征数据、文本特征数据；

所述将多种所述样本数据、以及承接在所述当前AI模型之前的至少一个AI模型的输出数据，输入所述当前AI模型进行特征提取，获得对应的隐状态数据，包括：

将所述图像特征数据输入所述当前AI模型的CNN层进行特征提取，获得对应的第一隐状态数据；

将所述结构化特征数据与所述输出数据输入所述当前AI模型的FCNN层进行特征提取，获得对应的第二隐状态数据；

将所述文本特征数据输入所述当前AI模型的Text CNN层进行特征提取，获得对应的第三隐状态数据。

3.如权利要求1所述的AI模型的训练方法，其特征在于，所述对所述隐状态数据进行随机失活处理，包括：

从多种所述隐状态数据中随机选取至少一种隐状态数据；

将至少一种所述隐状态数据替换为预设值，以使至少一种所述隐状态数据失活。

4.如权利要求3所述的AI模型的训练方法，其特征在于，每种所述隐状态数据对应唯一的编号，所述从多种所述隐状态数据中随机选取至少一种隐状态数据，包括：

随机产生至少一个编号，从多种所述隐状态数据中选取每个编号对应的隐状态数据。

5.如权利要求1所述的AI模型的训练方法，其特征在于，所述若待训练的当前AI模型为多个具有承接性的AI模型中的非首个AI模型，则将多种所述样本数据、以及承接在所述当前AI模型之前的至少一个AI模型的输出数据，输入所述当前AI模型进行特征提取之前，包括：

确定所述当前AI模型是否为多个具有承接性的AI模型中的首个AI模型；

若否，则获取承接在所述当前AI模型之前的至少一个AI模型的输出数据。

6.如权利要求5所述的AI模型的训练方法，其特征在于，所述确定所述当前AI模型是否为多个具有承接性的AI模型中的首个AI模型之后，包括：

若所述当前AI模型为多个具有承接性的AI模型中的首个AI模型，则将多种所述样本数据输入所述当前AI模型进行特征提取，获得对应的隐状态数据。

7.如权利要求1至6任一项所述的AI模型的训练方法，其特征在于，所述生成多种样本数据，包括：

对所述用户信息进行数据预处理，生成多种所述样本数据，其中，所述数据预处理包括数据分类、数据清洗中至少一种。

8.一种AI模型的训练装置，其特征在于，所述AI模型的训练装置包括：

样本数据生成模块，用于获取多种类型的用户信息，生成多种样本数据；

特征提取模块，用于若待训练的当前AI模型为多个具有承接性的AI模型中的非首个AI模型，则将多种所述样本数据、以及承接在所述当前AI模型之前的至少一个AI模型的输出数据，输入所述当前AI模型进行特征提取，获得对应的隐状态数据；

数据失活处理模块，用于对所述隐状态数据进行随机失活处理，得到更新后的隐状态数据；

模型训练模块，用于基于更新后的隐状态数据对所述当前AI模型进行模型训练，获得训练好的当前AI模型。