用于训练模型的方法和装置与流程

本申请实施例涉及计算机技术领域，具体涉及用于训练模型的方法和装置。

背景技术：

随着海量数据的出现，人工智能技术得到了迅速发展，其中，机器学习技术普遍被应用于从海量的数据记录中挖掘出有益的数据。例如，金融业务(信用、反欺诈、营销等)依赖大数据分析和建模挖掘，研发人员需要写程序或使用统计建模软件来完成数据处理、特征工程、模型训练和模型验证等功能，这要求研发人员有很强的编码能力。实践中，不论编码还是使用软件都存在学习和工程实践成本，这样不利于模型快速迭代上线。

技术实现要素：

本申请实施例提出了用于训练模型的方法和装置。

第一方面，本申请实施例提供了一种用于训练模型的方法，该方法包括：接收客户端发送的模型训练请求，其中，上述模型训练请求包括目标模型类型；将上述目标模型类型与历史模型配置集合中的模型类型进行匹配，其中，上述历史模型配置集合中包括模型类型和与模型类型对应的历史模型的配置数据和模型参数；响应于匹配成功，执行以下第一训练步骤：向上述客户端发送匹配成功的模型类型对应的历史模型的配置数据；接收上述客户端针对上述配置数据发送的第一配置修改数据；根据上述配置数据和上述第一配置修改数据确定第一初始目标模型，以及对上述第一初始目标模型进行训练，得到目标模型，其中，上述第一初始目标模型的模型参数是根据匹配成功的模型类型对应的历史模型的模型参数确定的。

在一些实施例中，上述方法还包括：响应于匹配不成功，执行以下第二训练步骤：从预先建立的初始模型配置集合中获取与上述目标模型类型对应的初始配置数据和初始模型参数，以及发送给上述客户端，其中，上述初始模型配置集合中包括模型类型和与模型类型对应的初始配置数据和初始模型参数；接收上述客户端针对上述初始配置数据发送的第二配置修改数据；根据上述初始配置数据和上述第二配置修改数据确定第二初始目标模型，以及对上述第二初始目标模型进行训练，得到目标模型，其中，上述第二初始目标模型的模型参数是根据上述初始模型配置集合中的、与上述目标模型类型对应的初始模型参数确定的。

在一些实施例中，上述第一训练步骤和上述第二训练步骤还包括以下模型验证步骤：使用预先设定的验证数据集合对上述目标模型进行验证，得到验证结果；将上述验证结果发送到上述客户端，以供上述客户端将上述验证结果呈现给用户。

在一些实施例中，上述第一训练步骤和上述第二训练步骤还包括：接收上述客户端发送的第三配置修改数据，其中，上述第三配置修改数据是上述用户确定上述验证结果未达到预设的达标条件后发送的；利用上述第三配置修改数据继续训练上述目标模型，训练完成后执行上述模型验证步骤。

在一些实施例中，上述第一训练步骤和上述第二训练步骤还包括：响应于接收到上述客户端发送的发布请求，将上述目标模型进行发布，其中，上述发布请求是上述用户确定上述验证结果达到上述达标条件后发送的；将上述目标模型的配置数据和模型参数更新到上述历史模型配置集合中。

在一些实施例中，第一配置修改数据包括以下至少一项：样本修改数据、机器学习算法修改数据、数据特征提取方法修改数据、模型参数配置修改数据、达标条件设置修改数据。

第二方面，本申请实施例提供了一种用于训练模型的装置，装置包括：接收单元，被配置成接收客户端发送的模型训练请求，其中，上述模型训练请求包括目标模型类型；匹配单元，被配置成将上述目标模型类型与历史模型配置集合中的模型类型进行匹配，其中，上述历史模型配置集合中包括模型类型和与模型类型对应的历史模型的配置数据和模型参数；第一训练步骤执行单元，被配置成响应于匹配成功，执行以下第一训练步骤：向上述客户端发送匹配成功的模型类型对应的历史模型的配置数据；接收上述客户端针对上述配置数据发送的第一配置修改数据；根据上述配置数据和上述第一配置修改数据确定第一初始目标模型，以及对上述第一初始目标模型进行训练，得到目标模型，其中，上述第一初始目标模型的模型参数是根据匹配成功的模型类型对应的历史模型的模型参数确定的。

在一些实施例中，上述装置还包括：第二训练步骤执行单元，被配置成响应于匹配不成功，执行以下第二训练步骤：从预先建立的初始模型配置集合中获取与上述目标模型类型对应的初始配置数据和初始模型参数，以及发送给上述客户端，其中，上述初始模型配置集合中包括模型类型和与模型类型对应的初始配置数据和初始模型参数；接收上述客户端针对上述初始配置数据发送的第二配置修改数据；根据上述初始配置数据和上述第二配置修改数据确定第二初始目标模型，以及对上述第二初始目标模型进行训练，得到目标模型，其中，上述第二初始目标模型的模型参数是根据上述初始模型配置集合中的、与上述目标模型类型对应的初始模型参数确定的。

在一些实施例中，上述第一训练步骤执行单元和上述第二训练步骤执行单元进一步被配置成：使用预先设定的验证数据集合对上述目标模型进行验证，得到验证结果；将上述验证结果发送到上述客户端，以供上述客户端将上述验证结果呈现给用户。

在一些实施例中，上述第一训练步骤执行单元和上述第二训练步骤执行单元进一步被配置成：接收上述客户端发送的第三配置修改数据，其中，上述第三配置修改数据是上述用户确定上述验证结果未达到预设的达标条件后发送的；利用上述第三配置修改数据继续训练上述目标模型，训练完成后执行上述模型验证步骤。

在一些实施例中，上述第一训练步骤执行单元和上述第二训练步骤执行单元进一步被配置成：响应于接收到上述客户端发送的发布请求，将上述目标模型进行发布，其中，上述发布请求是上述用户确定上述验证结果达到上述达标条件后发送的；将上述目标模型的配置数据和模型参数更新到上述历史模型配置集合中。

在一些实施例中，第一配置修改数据包括以下至少一项：样本修改数据、机器学习算法修改数据、数据特征提取方法修改数据、模型参数配置修改数据、达标条件设置修改数据。

第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本申请实施例提供的用于训练模型的方法和装置，首先接收客户端发送的模型训练请求，而后将目标模型类型与历史模型配置集合中的模型类型进行匹配，响应于匹配成功，执行以下第一训练步骤：向客户端发送匹配成功的模型类型对应的历史模型的配置数据，并接收客户端针对配置数据发送的第一配置修改数据，之后根据配置数据和第一配置修改数据确定第一初始目标模型，以及对第一初始目标模型进行训练，得到目标模型，从而基于历史模型的配置数据训练得到目标模型，实现了模型训练效率的提高。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于训练模型的方法的一个实施例的流程图；

图3是根据本申请的用于训练模型的方法的一个应用场景的示意图；

图4是根据本申请的用于训练模型的方法的又一个实施例的流程图；

图5是本申请的用于训练模型的方法的执行主体针对营销模型所存储数据的示意图。

图6是根据本申请的用于训练模型的装置的一个实施例的结构示意图；

图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请实施例的用于训练模型的方法或用于训练模型的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的数据提供支持的后台服务器。后台服务器可以对接收到的模型训练请求等数据进行分析等处理，并将处理结果(例如配置数据)反馈给终端设备。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本申请实施例所提供的用于训练模型的方法一般由服务器105执行，相应地，用于训练模型的装置一般设置于服务器105中。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本申请的用于训练模型的方法的一个实施例的流程200。该用于训练模型的方法，包括以下步骤：

步骤201，接收客户端发送的模型训练请求。

在本实施例中，用于训练模型的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从用户利用其进行信息输入的客户端接收模型训练请求，其中，上述模型训练请求可以包括目标模型类型。在这里，上述用户可以是指通过使用上述客户端搭建模型的建模人员。上述目标模型类型可以是指目标模型的类型。实践中，不同业务领域所需模型的类型也不尽相同。例如，金融业务领域所需模型的类型可以包括信用模型、反欺诈模型、营销模型等等，其中，信用模型可以用于为金融客户进行信用评分，反欺诈模型可以用于预测金融客户是否为欺诈客户，营销模型可以用于识别潜在客户。

通常，上述执行主体可以通过用户所使用的客户端向用户展示用于发送模型训练请求的图形界面，用户可以通过该图形界面向上述执行主体发送包括目标模型类型的模型训练请求。例如，用户可以通过直接输入目标模型类型或者点击该图形界面中呈现的目标模型类型选项来向上述执行主体发送模型训练请求。

步骤202，将目标模型类型与历史模型配置集合中的模型类型进行匹配。

在本实施例中，上述执行主体可以将步骤201中接收到的目标模型类型与历史模型配置集合中的模型类型进行匹配。其中，上述历史模型配置集合中可以包括模型类型和与模型类型对应的历史模型的配置数据和模型参数。其中，配置数据可以包括样本数据、机器学习算法数据、数据特征提取方法数据等等。在这里，上述历史模型可以是指上述用户或者其他用户以往通过上述执行主体训练得到的模型。历史模型的配置数据可以是指训练历史模型时所配置的数据。例如，样本数据、机器学习算法数据、数据特征提取方法数据等等。其中，样本数据可以是指训练历史模型时所使用的样本数据，机器学习算法数据可以表征训练历史模型时所使用的机器学习方法，数据特征提取方法数据可以表征训练历史模型时所使用的、用于从样本数据中提取特征的特征工程。

步骤203，响应于匹配成功，执行第一训练步骤。

在本实施例中，如果上述目标模型类型与上述历史模型配置集合中的某一种模型类型相同，则上述执行主体可以确定上述目标模型类型与上述历史模型配置集合中的模型类型匹配成功。响应于确定匹配成功，上述执行主体可以执行第一训练步骤，其中，上述第一训练步骤具体可以包括以下内容：

步骤2031，向客户端发送匹配成功的模型类型对应的历史模型的配置数据。

在这里，上述执行主体可以向上述客户端发送上述历史模型配置集合中的、与上述目标模型类型匹配成功的模型类型对应的历史模型的配置数据，以供上述客户端展示给用户。

步骤2032，接收客户端针对配置数据发送的第一配置修改数据。

在这里，上述执行主体可以接收上述客户端针对上述配置数据发送的第一配置修改数据。实践中，用户通过上述客户端显示的图形界面查看上述执行主体发送的配置数据之后，可以根据实际需要对该图像界面上显示的配置数据进行修改。例如，修改样本数据，如，删除某些样本数据或者添加某些样本数据。又例如，更换机器学习算法。再例如，更换特征工程。上述客户端可以针对用户对配置数据的修改向上述执行主体发送第一配置修改数据。

在本实施例的一些可选的实现方式中，上述第一配置修改数据可以包括以下至少一项：样本修改数据、机器学习算法修改数据、数据特征提取方法修改数据、模型参数配置修改数据、达标条件设置修改数据。

步骤2033，根据配置数据和第一配置修改数据确定第一初始目标模型，以及对第一初始目标模型进行训练，得到目标模型。

在这里，上述执行主体首先可以根据上述配置数据和上述第一配置修改数据确定第一初始目标模型。其中，第一初始目标模型的模型参数是根据匹配成功的模型类型对应的历史模型的模型参数确定的。作为示例，执行主体可以根据第一配置修改数据对匹配成功的模型类型对应的历史模型的配置数据进行修改，并将修改配置数据后的历史模型作为第一初始目标模型。其中，第一初始模型的模型参数为匹配成功的模型类型对应的历史模型的模型参数。之后，上述执行主体可以使用根据第一配置修改数据修改后的样本数据，对上述第一初始目标模型进行训练，从而得到目标模型。

继续参见图3，图3是根据本实施例的用于训练模型的方法的应用场景的一个示意图。在图3的应用场景中，用户需要训练得到一个营销模型，用户通过客户端301向服务端302发送模型训练请求。其中，上述模型训练请求包括目标模型类型“营销模型”。服务端302接收到该模型训练请求之后，可以将“营销模型”与历史模型配置集合中的模型类型进行匹配，从而判断历史模型配置集合中是否包括模型类型为“营销模型”的历史模型，如果包括，则匹配成功。响应于匹配成功，服务段302可以执行以下第一训练步骤：1)向客户端301发送模型类型为“营销模型”的历史模型的配置数据，以供客户端进行显示；2)用户根据客户端301所显示的配置数据发送第一配置修改数据，服务端302接收客户端302针对配置数据发送的第一配置修改数据；3)服务端302根据配置数据和第一配置修改数据确定第一初始目标模型，并对第一初始目标模型进行训练，得到目标模型。其中，第一初始目标模型的模型参数是根据模型类型为“营销模型”的历史模型的模型参数确定的。

本申请的上述实施例提供的方法充分利用以往训练的历史模型，并基于历史模型的配置数据训练得到目标模型，从而实现了模型训练效率的提高。

进一步参考图4，其示出了用于训练模型的方法的又一个实施例的流程400。该用于训练模型的方法的流程400，包括以下步骤：

步骤401，接收客户端发送的模型训练请求。

在本实施例中，用于训练模型的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从用户利用其进行信息输入的客户端接收模型训练请求，其中，上述模型训练请求可以包括目标模型类型。上述目标模型类型可以是指目标模型的类型。

步骤402，将目标模型类型与历史模型配置集合中的模型类型进行匹配。

在本实施例中，上述执行主体可以将步骤401中接收到的目标模型类型与历史模型配置集合中的模型类型进行匹配，其中，上述历史模型配置集合中可以包括模型类型和与模型类型对应的历史模型的配置数据和模型参数。其中，配置数据可以包括样本数据、机器学习算法数据、数据特征提取方法数据等等。在这里，上述历史模型可以是指上述用户或者其他用户以往通过上述执行主体训练得到的模型，历史模型的配置数据可以是指训练历史模型时所配置的数据。

步骤403，响应于匹配成功，执行第一训练步骤：

在本实施例中，如果上述目标模型类型与上述历史模型配置集合中的某一种模型类型相同，则上述执行主体可以确定上述目标模型类型与上述历史模型配置集合中的模型类型匹配成功，响应于确定匹配成功，上述执行主体可以执行第一训练步骤，其中，上述第一训练步骤具体可以包括以下内容：

步骤4031，向客户端发送匹配成功的模型类型对应的历史模型的配置数据。

在这里，上述执行主体可以向上述客户端发送上述历史模型配置集合中的、与上述目标模型类型匹配成功的模型类型对应的历史模型的配置数据，以供上述客户端展示给用户。

步骤4032，接收客户端针对配置数据发送的第一配置修改数据。

在这里，上述执行主体可以接收上述客户端针对上述配置数据发送的第一配置修改数据。

步骤4033，根据配置数据和第一配置修改数据确定第一初始目标模型，以及对第一初始目标模型进行训练，得到目标模型。

在这里，上述执行主体首先可以根据上述配置数据和上述第一配置修改数据确定第一初始目标模型，其中，第一初始目标模型的模型参数是根据匹配成功的模型类型对应的历史模型的模型参数确定的。

步骤404，响应于匹配不成功，执行第二训练步骤。

在本实施例中，响应于上述目标模型类型与上述历史模型配置集合中的模型类型不匹配，上述执行主体可以执行第二训练步骤。其中，上述第二训练步骤包括以下内容：

步骤4041，从预先建立的初始模型配置集合中获取与目标模型类型对应的初始配置数据和初始模型参数，以及发送给客户端。

在这里，上述执行主体中可以预先存储有初始模型配置集合，其中，上述初始模型配置集合中可以包括各种模型类型，以及与模型类型对应的初始配置数据和初始模型参数。上述执行主体可以从上述初始模型配置集合中获取与目标模型类对应的初始配置数据，并将获取的初始配置数据发送给上述客户端，以供上述客户端展示给用户。

实践中，初始模型配置集合中的每一个模型类型对应的初始配置数据和初始模型参数可以是技术人员根据实际经验设置的。例如，根据实际经验技术人员确定模型类型“营销模型”的配置数据和模型参数为以下第一数据时，训练得到的营销模型效果较好。此时，技术人员可以将以下第一数据作为模型类型“营销模型”对应的初始配置数据和初始模型参数。第一数据可以包括：样本数据{样本1,样本2……样本n}，其中，n为正整数；机器学习算法“逻辑回归”；数据特征提取方法“分箱+woe”；模型参数“学习率x，正负样本权重y，正则化参数z，……”等等。

作为示例，上述执行主体中可以预先存储各种与模型训练相关的数据。以营销模型为例，图5中例举出了上述执行主体针对营销模型所存储的部分数据。上述执行主体的业务数据库中可以预先存储有与训练营销模型相关的样本数据，例如，客户的年龄、存款、交易量等等。上述执行主体中还可以存储有搭建营销模型所需要的各种机器学习算法，例如，逻辑回归算法、gbdt算法(gradientboostingdecisiontree，梯度提升决策树)、随机森林算法、深度神经网络算法等等。上述执行主体中还可以存储有对针对各种机器学习算法的特征工程，例如，针对逻辑回归算法可以存储有以下特征工程：特征分箱+woe(weightofevidence，证据权重)编码、特征分箱+onehot编码(one-hotencoding，独热编码)、minmax归一化、z-score归一化等等。上述执行主体中还可以存储有对针对各种特征工程的优选模型参数，例如，针对使用特征分箱+woe编码处理特征后，会设置一个较小的学习率和较小的正则化参数等等。

需要指出的是，图5中的数据仅仅是示意性的，而非对执行主体所存储数据的限定。实际使用中，可以根据实际需要在上述执行主体中存储其他数据。

步骤4042，接收客户端针对初始配置数据发送的第二配置修改数据。

在这里，上述执行主体可以接收上述客户端针对上述初始配置数据发送的第二配置修改数据。其中，上述第二配置修改数据包括以下至少一项：样本修改数据、机器学习算法修改数据、数据特征提取方法修改数据、模型参数配置修改数据、达标条件设置修改数据。

步骤4043，根据初始配置数据和第二配置修改数据确定第二初始目标模型，以及对第二初始目标模型进行训练，得到目标模型。

在这里，上述执行主体可以根据上述初始配置数据和第二配置修改数据确定第二初始目标模型，以及对第二初始目标模型进行训练，得到目标模型，其中，上述第二初始目标模型的模型参数是根据上述初始模型配置集合中的、与上述目标模型类型对应的初始模型参数确定的。

在本实施例中一些可选的实现方式中，上述第一训练步骤和上述第二训练步骤还可以包括以下模型验证步骤：

步骤s1，使用预先设定的验证数据集合对目标模型进行验证，得到验证结果。

在这里，针对每种模型类型，上述执行主体中可以预先存储有用于验证模型准确性的验证数据集合。这样，目标模型训练完成之后，上述执行主体可以使用预先设定的验证数据集合对目标模型进行验证，得到验证结果。作为示例，模型的验证结果可以包括以下至少一项：准确率、召回率、roc曲线、k-s曲线等等。

步骤s2，将验证结果发送到客户端，以供客户端将验证结果呈现给用户。

在这里，上述执行主体可以将步骤s1中得到的验证结果发送给上述客户端，以供上述客户端将上述验证结果呈现给用户。

在一些可选的实现方式中，上述第一训练步骤和上述第二训练步骤还可以包括以下步骤：

步骤s01，接收客户端发送的第三配置修改数据。

在这里，上述执行主体可以接收上述客户端发送的第三配置修改数据，其中，上述第三配置修改数据是上述用户确定上述验证结果未达到预设的达标条件后发送的，作为示例，上述达标条件可以是指准确率大于预设阈值。上述第三配置修改数据可以包括以下至少一项：样本修改数据、机器学习算法修改数据、数据特征提取方法修改数据、模型参数配置修改数据、达标条件设置修改数据。

步骤s02，利用第三配置修改数据继续训练目标模型，训练完成后执行模型验证步骤。

在这里，上述执行主体可以利用上述第三配置修改数据继续训练目标模型，训练完成后执行模型验证步骤。作为示例，上述执行主体可以首先根据上述第三配置修改数据修改目标模型的配置数据，之后，利用修改后的配置数据继续训练目标模型，训练完成之后执行模型验证步骤。

在一些可选的实现方式中，上述第一训练步骤和上述第二训练步骤还可以包括以下步骤：

步骤s11，响应于接收到客户端发送的发布请求，将目标模型进行发布。

在这里，上述执行主体响应于接收到上述客户端发送的发布请求，上述执行主体可以将上述目标模型进行发布。作为示例，上述执行主体可以发布上述目标模型的模型文件和模型参数，其中，模型文件中可以包括模型架构。此处，上述发布请求可以是上述用户确定上述验证结果达到上述达标条件后发送的。

步骤s12，将目标模型的配置数据和模型参数更新到历史模型配置集合中。

在这里，上述执行主体可以将上述目标模型的配置数据以及训练得到的模型参数更新到历史模型配置集合中。作为示例，当目标模型类型与历史模型配置集合中的模型类型匹配成功时，可以将历史模型配置集合中的、相匹配的模型类型对应的配置数据和模型参数更新为目标模型的配置数据和模型参数；当目标模型类型与历史模型配置集合中的模型类型匹配不成功时，可以将目标模型类型与目标模型的配置数据以及模型参数关联存储到上述历史模型配置集合。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于训练模型的方法的流程400突出了目标模型类型与历史模型配置集合中的模型类型匹配不成功时，从初始模型配置集合中获取初始配置数据和初始模型参数的步骤，由于初始模型配置集合中的初始配置数据和初始模型参数为技术人员根据实际经验设置的，因此，可以实现模型的高效训练。

进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于训练模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于训练模型的装置600包括：接收单元601、匹配单元602和第一训练步骤执行单元603。其中，接收单元601被配置成接收客户端发送的模型训练请求，其中，上述模型训练请求包括目标模型类型；匹配单元602被配置成将上述目标模型类型与历史模型配置集合中的模型类型进行匹配，其中，上述历史模型配置集合中包括模型类型和与模型类型对应的历史模型的配置数据和模型参数；第一训练步骤执行单元603被配置成响应于匹配成功，执行以下第一训练步骤：向上述客户端发送匹配成功的模型类型对应的历史模型的配置数据；接收上述客户端针对上述配置数据发送的第一配置修改数据；根据上述配置数据和上述第一配置修改数据确定第一初始目标模型，以及对上述第一初始目标模型进行训练，得到目标模型，其中，上述第一初始目标模型的模型参数是根据匹配成功的模型类型对应的历史模型的模型参数确定的。

在本实施例中，用于训练模型的装置600的接收单元601、匹配单元602和第一训练步骤执行单元603的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，上述装置600还包括：第二训练步骤执行单元(图中未示出)，被配置成响应于匹配不成功，执行以下第二训练步骤：从预先建立的初始模型配置集合中获取与上述目标模型类型对应的初始配置数据和初始模型参数，以及发送给上述客户端，其中，上述初始模型配置集合中包括模型类型和与模型类型对应的初始配置数据和初始模型参数；接收上述客户端针对上述初始配置数据发送的第二配置修改数据；根据上述初始配置数据和上述第二配置修改数据确定第二初始目标模型，以及对上述第二初始目标模型进行训练，得到目标模型，其中，上述第二初始目标模型的模型参数是根据上述初始模型配置集合中的、与上述目标模型类型对应的初始模型参数确定的。

在本实施例的一些可选的实现方式中，上述第一训练步骤执行单元和上述第二训练步骤执行单元上述进一步被配置成：使用预先设定的验证数据集合对上述目标模型进行验证，得到验证结果；将上述验证结果发送到上述客户端，以供上述客户端将上述验证结果呈现给用户。

在本实施例的一些可选的实现方式中，上述第一训练步骤执行单元和上述第二训练步骤执行单元进一步被配置成上述：接收上述客户端发送的第三配置修改数据，其中，上述第三配置修改数据是上述用户确定上述验证结果未达到预设的达标条件后发送的；利用上述第三配置修改数据继续训练上述目标模型，训练完成后执行上述模型验证步骤。

在本实施例的一些可选的实现方式中，上述第一训练步骤执行单元和上述第二训练步骤执行单元进一步被配置成：响应于接收到上述客户端发送的发布请求，将上述目标模型进行发布，其中，上述发布请求是上述用户确定上述验证结果达到上述达标条件后发送的；将上述目标模型的配置数据和模型参数更新到上述历史模型配置集合中。

在本实施例的一些可选的实现方式中，第一配置修改数据包括以下至少一项：样本修改数据、机器学习算法修改数据、数据特征提取方法修改数据、模型参数配置修改数据、达标条件设置修改数据。

下面参考图7，其示出了适于用来实现本申请实施例的7服务器的计算机系统700的结构示意图。图7示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图7所示，计算机系统700包括中央处理单元(cpu，centralprocessingunit)701，其可以根据存储在只读存储器(rom，readonlymemory)702中的程序或者从存储部分706加载到随机访问存储器(ram，randomaccessmemory)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o，input/output)接口705也连接至总线704。

以下部件连接至i/o接口705：包括硬盘等的存储部分706；以及包括诸如lan(局域网，localareanetwork)卡、调制解调器等的网络接口卡的通信部分707。通信部分707经由诸如因特网的网络执行通信处理。驱动器708也根据需要连接至i/o接口705。可拆卸介质709，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器708上，以便于从其上读出的计算机程序根据需要被安装入存储部分706。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分707从网络上被下载和安装，和/或从可拆卸介质709被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本申请的方法中限定的上述功能。

需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括接收单元、匹配单元和第一训练步骤执行单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，接收单元还可以被描述为“接收客户端发送的模型训练请求的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：接收客户端发送的模型训练请求，其中，上述模型训练请求包括目标模型类型；将上述目标模型类型与历史模型配置集合中的模型类型进行匹配，其中，上述历史模型配置集合中包括模型类型和与模型类型对应的历史模型的配置数据和模型参数；响应于匹配成功，执行以下第一训练步骤：向上述客户端发送匹配成功的模型类型对应的历史模型的配置数据；接收上述客户端针对上述配置数据发送的第一配置修改数据；根据上述配置数据和上述第一配置修改数据确定第一初始目标模型，以及对上述第一初始目标模型进行训练，得到目标模型，其中，上述第一初始目标模型的模型参数是根据匹配成功的模型类型对应的历史模型的模型参数确定的。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。