用于训练模型的方法和装置与流程

1.本技术涉及计算机技术领域，具体涉及大数据技术领域，尤其涉及用于训练模型的方法和装置，以及用于生成信息的方法和装置。


背景技术：

2.近年来，互联网电商在人们的日常生活中不断渗透，影响着人们生活的方方面面。同时，互联网的发展日益完善，在网购用户的数量日渐饱和的同时，营销费用、获客成本越来越高，如何通过用户、商品的画像，以及针对用户行为(例如收藏、加购商品的行为)进行研究分析，探索用户的购买意愿，有着重要的意义。
3.目前电商用户行为构建主要是通过将用户的操作数据下发到离线系统中，然后从离线系统中归纳总结用户的行为偏好。但是用户的行为是一种行为序列，需要考虑行为的时序性。


技术实现要素：

4.本技术提供了一种用于训练模型的方法、装置、设备以及存储介质，一种用于生成信息的方法和装置。
5.根据本技术的第一方面，提供了一种用于训练模型的方法，该方法包括：获取训练样本集，其中，训练样本集中的训练样本包括用户的属性信息、与用户匹配的目标对象的特征信息、用户的行为序列信息和用户的概率值，用户的行为序列信息用于表征一定时间周期内各个时间点的用户操作行为信息；利用机器学习算法，将训练样本集中的训练样本包括的用户的属性信息、与用户匹配的目标对象的特征信息和用户的行为序列信息作为输入数据，将与输入的用户的属性信息、目标对象的特征信息和行为序列信息对应的用户的概率值作为期望输出数据，训练得到用户行为预测模型，其中，概率值用于表征用户确定获得目标对象的可能性，用户行为预测模型基于seq2seq的网络结构搭建。
6.在一些实施例中，方法还包括：将用户行为预测模型的模型参数存储至redis缓存。
7.在一些实施例中，用户行为预测模型基于注意力机制而构建。
8.在一些实施例中，获取训练样本集，包括：根据实时计算系统的消息队列，确定用户行为标签，其中，用户行为至少包括：点击、加购、收藏、下单；基于用户行为标签的位置信息，获取与用户行为标签对应的用户的属性信息、与用户匹配的目标对象的特征信息和用户的行为序列信息并将确定的用户行为标签以及获取到的用户的属性信息、目标对象的特征信息和行为序列信息存储至文件系统，其中，位置信息为表征软件界面中与预设信息相对应的按键位置信息或程序中与预设信息相对应的代码位置信息。
9.在一些实施例中，获取训练样本集，包括：基于预设的用户行为，从文件系统中获取用户标签、与用户和预设的用户行为相匹配的目标对象标签、与用户和预设的用户行为相对应的时间信息和位置信息；根据用户标签，确定用户的属性信息，并根据目标对象标
签，确定目标对象的特征信息；基于时间信息和位置信息，获取与预设的用户行为相匹配的用户的行为序列信息。
10.在一些实施例中，文件系统根据预设时间周期进行更新。
11.根据本技术的第二方面，提供了一种用于生成信息的方法，方法包括：监控用户的操作行为，获取用户的操作行为信息；响应于用户的操作行为信息等于预设的用户行为信息，获取用户的属性信息、与用户和预设的用户行为信息相匹配的目标对象的特征信息和与预设的用户行为信息相匹配的用户的行为序列信息，其中，预设的用户行为信息为表征用户有意愿获得目标对象的一种或多种操作行为信息；将获取的用户的属性信息、目标对象的特征信息和行为序列信息输入至预先训练的用户行为预测模型，生成与用户的属性信息、目标对象的特征信息和行为序列信息相对应的用户的概率值，其中，用户行为预测模型是通过如权利要求1-7之一的方法训练得到的。
12.根据本技术的第三方面，提供了一种用于训练模型的装置，装置包括：获取单元，被配置成获取训练样本集，其中，训练样本集中的训练样本包括用户的属性信息、与用户匹配的目标对象的特征信息、用户的行为序列信息和用户的概率值，用户的行为序列信息用于表征一定时间周期内各个时间点的用户操作行为信息；训练单元，被配置成利用机器学习算法，将训练样本集中的训练样本包括的用户的属性信息、与用户匹配的目标对象的特征信息和用户的行为序列信息作为输入数据，将与输入的用户的属性信息、目标对象的特征信息和行为序列信息对应的用户的概率值作为期望输出数据，训练得到用户行为预测模型，其中，概率值用于表征用户确定获得目标对象的可能性，用户行为预测模型基于seq2seq的网络结构搭建。
13.在一些实施例中，装置还包括：存储单元，被配置成将用户行为预测模型的模型参数存储至redis缓存。
14.在一些实施例中，训练单元中的用户行为预测模型基于注意力机制而构建。
15.在一些实施例中，获取单元，包括：第一确定模块，被配置成根据实时计算系统的消息队列，确定用户行为标签，其中，用户行为至少包括：点击、加购、收藏、下单；第一获取模块，被配置成基于用户行为标签的位置信息，获取与用户行为标签对应的用户的属性信息、与用户匹配的目标对象的特征信息和用户的行为序列信息并将确定的用户行为标签以及获取到的用户的属性信息、目标对象的特征信息和行为序列信息存储至文件系统，其中，位置信息为表征软件界面中与预设信息相对应的按键位置信息或程序中与预设信息相对应的代码位置信息。
16.在一些实施例中，获取单元，包括：第二获取模块，被配置成基于预设的用户行为，从文件系统中获取用户标签、与用户和预设的用户行为相匹配的目标对象标签、与用户和预设的用户行为相对应的时间信息和位置信息；第二确定模块，被配置成根据用户标签，确定用户的属性信息，并根据目标对象标签，确定目标对象的特征信息；第三获取模块，被配置成基于时间信息和位置信息，获取与预设的用户行为相匹配的用户的行为序列信息。
17.在一些实施例中，第二获取模块中的文件系统根据预设时间周期进行更新。
18.根据本技术的第四方面，提供了一种用于生成信息的装置，装置包括：监控单元，被配置成监控用户的操作行为，获取用户的操作行为信息；获取单元，被配置成响应于用户的操作行为信息等于预设的用户行为信息，获取用户的属性信息、与用户和预设的用户行
为信息相匹配的目标对象的特征信息和与预设的用户行为信息相匹配的用户的行为序列信息，其中，预设的用户行为信息为表征用户有意愿获得目标对象的一种或多种操作行为信息；生成单元，被配置成将获取的用户的属性信息、目标对象的特征信息和行为序列信息输入至预先训练的用户行为预测模型，生成与用户的属性信息、目标对象的特征信息和行为序列信息相对应的用户的概率值，其中，用户行为预测模型是通过如权利要求1-7之一的方法训练得到的。
19.根据本技术的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。
20.根据本技术的第六方面，本技术提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
21.根据本技术的技术采用获取训练样本集，其中，训练样本集中的训练样本包括用户的属性信息、与用户匹配的目标对象的特征信息、用户的行为序列信息和用户的概率值，用户的行为序列信息用于表征一定时间周期内各个时间点的用户操作行为信息，利用机器学习算法，将训练样本集中的训练样本包括的用户的属性信息、与用户匹配的目标对象的特征信息和用户的行为序列信息作为输入数据，将与输入的用户的属性信息、目标对象的特征信息和行为序列信息对应的用户的概率值作为期望输出数据，训练得到用户行为预测模型，其中，概率值用于表征用户确定获得目标对象的可能性，用户行为预测模型基于seq2seq的网络结构搭建，将seq2seq网络结构应用于用户行为建模中，实现了预测用户不同的操作行为下用户获得目标对象(即购买商品)的意愿，降低了产品营销费用，使产品获取客户变得更为简便，利用时间序列的用户行为序列信息进行模型训练，使模型训练的结果更加真实而精准，以便利用模型得到更加精确的预测结果。
22.应当理解，本部分所描述的内容并非旨在标识本技术的实施例的关键或重要特征，也不用于限制本技术的范围。本技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
23.附图用于更好地理解本方案，不构成对本技术的限定。
24.图1是根据本技术的用于训练模型的方法的第一实施例的示意图；
25.图2是可以实现本技术实施例的用于训练模型的方法的场景图；
26.图3是根据本技术的用于训练模型的方法的第二实施例的示意图；
27.图4是根据本技术的用于生成信息的方法的一个实施例的示意图；
28.图5是根据本技术的用于训练模型的装置的一个实施例的结构示意图；
29.图6是根据本技术的用于生成信息的装置的一个实施例的结构示意图；
30.图7是用来实现本技术实施例的用于训练模型的方法的电子设备的框图。
具体实施方式
31.以下结合附图对本技术的示范性实施例做出说明，其中包括本技术实施例的各种
细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本技术的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
32.需要说明的是，在不冲突的情况下，本技术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技术。
33.图1示出了根据本技术的用于训练模型的方法的第一实施例的示意图100。该用于训练模型的方法，包括以下步骤：
34.步骤101，获取训练样本集。
35.在本实施例中，用于训练模型的方法的执行主体(例如服务器或终端设备)可以通过有线连接方式或者无线连接方式从其他电子设备或者本地获取海量的训练样本集。其中，训练样本集中的训练样本包括用户的属性信息、与用户匹配的目标对象的特征信息、用户的行为序列信息和用户的概率值，用户的行为序列信息用于表征一定时间周期内各个时间点的用户操作行为信息。
36.在这里，上述用户的属性信息可以包括：用户的年龄、性别、职业、店铺偏好、品牌偏好等。目标对象的特征信息可以包括：目标对象的三级品类，即目标对象的所属范围(比如目标对象所在店铺)、目标对象的名称和目标对象的适用人群(比如目标对象性别标签)。操作行为信息可以包括不同维度的行为数据，不同维度至少包括：用户操作行为、目标对象的计量单位、目标对象的指标和预设时间周期等维度，目标对象的指标可以包括：目标对象品类、目标对象品牌、目标对象所属范围和目标对象价值区间。
37.步骤102，利用机器学习算法，将训练样本集中的训练样本包括的用户的属性信息、与用户匹配的目标对象的特征信息、用户的行为序列信息作为输入数据，将与输入的用户的属性信息、目标对象的特征信息和行为序列信息对应的用户的概率值作为期望输出数据，训练得到用户行为预测模型。
38.在本实施例中，执行主体可以利用机器学习算法，将步骤101中获取到的用户的属性信息、与用户匹配的目标对象的特征信息和用户的行为序列信息作为输入数据，将与输入的用户的属性信息、目标对象的特征信息和行为序列信息对应的用户的概率值作为期望输出数据，训练得到用户行为预测模型。其中，概率值用于表征用户确定获得目标对象的可能性，用户行为预测模型基于seq2seq的网络结构搭建。
39.继续参见图2，图2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2应用场景下，本实施例的用于训练模型的方法200运行于电子设备201中。电子设备201首先获取训练样本集202，其中，训练样本集202中的训练样本包括用户的属性信息、与用户匹配的目标对象的特征信息、用户的行为序列信息和用户的概率值，然后电子设备201利用机器学习算法，将训练样本集202中的训练样本包括的用户的属性信息、与用户匹配的目标对象的特征信息和用户的行为序列信息作为输入数据，将与输入的用户的属性信息、目标对象的特征信息和行为序列信息对应的用户的概率值作为期望输出数据，训练得到用户行为预测模型203。其中，用户的行为序列信息用于表征一定时间周期内各个时间点的用户操作行为信息，概率值用于表征用户确定获得目标对象的可能性，用户行为预测模型基于seq2seq的网络结构搭建。
40.本技术的上述实施例提供的用于训练模型的方法采用获取训练样本集，其中，训
练样本集中的训练样本包括用户的属性信息、与用户匹配的目标对象的特征信息、用户的行为序列信息和用户的概率值，用户的行为序列信息用于表征一定时间周期内各个时间点的用户操作行为信息，利用机器学习算法，将训练样本集中的训练样本包括的用户的属性信息、与用户匹配的目标对象的特征信息和用户的行为序列信息作为输入数据，将与输入的用户的属性信息、目标对象的特征信息和行为序列信息对应的用户的概率值作为期望输出数据，训练得到用户行为预测模型，其中，概率值用于表征用户确定获得目标对象的可能性，用户行为预测模型基于seq2seq的网络结构搭建，将seq2seq网络结构应用于用户行为建模中，实现了预测用户不同的操作行为下用户获得目标对象(即购买商品)的意愿，降低了产品营销费用，使产品获取客户变得更为简便，利用时间序列的用户行为序列信息进行模型训练，使模型训练的结果更加真实而精准，以便利用模型得到更加精确的预测结果。
41.进一步参考图3，其示出了用于训练模型的方法的第二实施例的示意图300。该方法的流程包括以下步骤：
42.步骤301，获取训练样本集。
43.在本实施例的一些可选的实现方式中，获取训练样本集，包括：根据实时计算系统的消息队列，确定用户行为标签，其中，用户行为至少包括：点击、加购、收藏、下单；基于用户行为标签的位置信息，获取与用户行为标签对应的用户的属性信息、与用户匹配的目标对象的特征信息和用户的行为序列信息并将确定的用户行为标签以及获取到的用户的属性信息、目标对象的特征信息和行为序列信息存储至文件系统，其中，位置信息为表征软件界面中与预设信息相对应的按键位置信息或程序中与预设信息相对应的代码位置信息。通过消息队列获取训练样本，实时得到训练样本数据，确保数据的实效性和准确性，以实现精准而实时地用户行为模型的训练。
44.在这里，通过流式大数据处理框架flink接入直播间和用户浏览直播间时的实时数据，从而具有对不断变化、且大批量的数据实时的处理能力。利用多条消息队列jdq获取用户4个维度(点击、加购、收藏、下单)的行为标签，再通过解析jdq中所需要的埋点(即软件中的位置点)，获取用户4个维度的行为信息。并在解析完成后，下发到离线文件系统hdfs中。如果在消息队列中检测到有用户收藏目标对象的埋点信息，就开始对用户在收藏目标对象后的实时行为进行统计，并实时对该用户是否有意愿获得目标对象进行预测。
45.在本实施例的一些可选的实现方式中，获取训练样本集，包括：基于预设的用户行为，从文件系统中获取用户标签、与用户和预设的用户行为相匹配的目标对象标签、与用户和预设的用户行为相对应的时间信息和位置信息；根据用户标签，确定用户的属性信息，并根据目标对象标签，确定目标对象的特征信息；基于时间信息和位置信息，获取与预设的用户行为相匹配的用户的行为序列信息。利用离线的海量数据，以及分布式的系统架构完成网络结构中参数的训练，使训练得到的模型应用更加广泛而精准。
46.在这里，用户标签和目标对象标签通过离线文件系统hdfs获取，在得到标签后，通过数据仓库工具hive查询匹配相应的用户行为信息。在hdfs文件中首先查询用户收藏某件目标对象的埋点信息(即位置信息)，得到用户收藏目标对象的时间点以及相应的位置点，然后对该时间点之后的用户行为进行获取并保存。
47.在本实施例的一些可选的实现方式中，文件系统根据预设时间周期进行更新。通过定期更新文件系统，使模型的训练更加精准而全面。
48.步骤302，利用机器学习算法，将训练样本集中的训练样本包括的用户的属性信息、与用户匹配的目标对象的特征信息和用户的行为序列信息作为输入数据，将与输入的用户的属性信息、目标对象的特征信息和行为序列信息对应的用户的概率值作为期望输出数据，训练得到用户行为预测模型。
49.在本实施例中，执行主体可以利用机器学习算法，将步骤301中获取到的用户的属性信息、与用户匹配的目标对象的特征信息和用户的行为序列信息作为输入数据，将与输入的用户的属性信息、目标对象的特征信息和行为序列信息对应的用户的概率值作为期望输出数据，训练得到用户行为预测模型。其中，概率值用于表征用户确定获得目标对象的可能性，用户行为预测模型基于seq2seq的网络结构搭建，用户行为预测模型基于注意力机制而构建。
50.进一步具体说明，用户行为编码框架seq2seq主要由编码器、解码器、以及长短期记忆网络lstm构成。其中，编码器的输入为用户及目标对象的各种维度的特征，并将用户的特征送入lstm网络中。响应于用户的操作行为信息等于预设的用户行为信息(比如确定得到用户的收藏信号)，将lstm网络的输出和用户在收藏后的一系列行为放入解码器中进行不断的解码，预测用户在收藏商品后的购买期望。编码器的输入为用户的当前行为数据，以及上一层输出的隐含层数据。对用户的当前行为进行编码之后，一起送入到lstm网络中，同时产生当前的预测结果并输出。解码器与编码器不同在于，解码器在输入端加入了非线性激活函数，在输出端加入了逻辑回归模型softmax，用来输出0-1之间的概率预测值。
51.在这里，为了对预测的结果构建负反馈机制，引入注意力机制网络结构。利用解码器的输入和解码器的状态信息，得到注意力权重，再将注意力权重与编码器的输出相乘，得到注意力权重编码输出，反向作为下一个解码周期的输入。
52.步骤303，将用户行为预测模型的模型参数存储至redis缓存。
53.在本实施例中，执行主体可以将步骤302训练得到的用户行为预测模型的模型参数存储至redis缓存。
54.在本实施例中，步骤301具体操作与图1所示的实施例中的步骤101的操作基本相同，在此不再赘述。
55.从图3中可以看出，与图1对应的实施例相比，本实施例中的用于训练模型的方法的示意图300采用用户行为预测模型基于注意力机制而构建，并且为了实现结果的实时预测，将训练得到的用户行为预测模型的模型参数推送至redis缓存，进一步实现实时预测，提高系统效率。
56.进一步参看图4，其示出了用于生成信息的方法的一个实施例的示意图400。该用于生成信息的方法，包括以下步骤：
57.步骤401，监控用户的操作行为，获取用户的操作行为信息。
58.在本实施例中，用于生成信息的方法的执行主体可以对用户的操作行为进行监控，获取用户的操作行为信息。
59.步骤402，响应于用户的操作行为信息等于预设的用户行为信息，获取用户的属性信息、与用户和预设的用户行为信息相匹配的目标对象的特征信息和与预设的用户行为信息相匹配的用户的行为序列信息。
60.在本实施例中，执行主体可以对监控的操作行为信息进行判断，响应于判定用户
的操作行为信息等于预设的用户行为信息，获取用户的属性信息、与用户和预设的用户行为信息相匹配的目标对象的特征信息和与预设的用户行为信息相匹配的用户的行为序列信息。其中，预设的用户行为信息为表征用户有意愿获得目标对象的一种或多种操作行为信息。
61.步骤403，将获取的用户的属性信息、目标对象的特征信息和行为序列信息输入至预先训练的用户行为预测模型，生成与用户的属性信息、目标对象的特征信息和行为序列信息相对应的用户的概率值。
62.在本实施例中，执行主体可以将步骤402获取的用户的属性信息、目标对象的特征信息和行为序列信息输入至预先训练的用户行为预测模型，生成与用户的属性信息、目标对象的特征信息和行为序列信息相对应的用户的概率值。其中，用户行为预测模型是通过如上述用于训练模型的方法中任一实施例的方法训练得到的。
63.需要说明的是，上述利用模型对信息进行预测是目前广泛研究和应用的公知技术，在此不再赘述。
64.从图4中可以看出，与图1对应的实施例相比，本实施例中的用于生成信息的方法的示意图400突出了采用训练得到的用户行为预测模型，来生成用户的概率值的步骤。由此，本实施例描述的方案可以提高生成用户的概率值的准确性和时效性。
65.进一步参考图5，作为对上述图1～图3所示方法的实现，本技术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1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。
66.如图5所示，本实施例的用于训练模型的装置500包括：获取单元501和训练单元502，其中，获取单元，被配置成获取训练样本集，其中，训练样本集中的训练样本包括用户的属性信息、与用户匹配的目标对象的特征信息、用户的行为序列信息和用户的概率值，用户的行为序列信息用于表征一定时间周期内各个时间点的用户操作行为信息；训练单元，被配置成利用机器学习算法，将训练样本集中的训练样本包括的用户的属性信息、与用户匹配的目标对象的特征信息和用户的行为序列信息作为输入数据，将与输入的用户的属性信息、目标对象的特征信息和行为序列信息对应的用户的概率值作为期望输出数据，训练得到用户行为预测模型，其中，概率值用于表征用户确定获得目标对象的可能性，用户行为预测模型基于seq2seq的网络结构搭建。
67.在本实施例中，用于训练模型的装置500的获取单元501和训练单元502的具体处理及其所带来的技术效果可分别参考图1对应的实施例中的步骤101到步骤102的相关说明，在此不再赘述。
68.在本实施例的一些可选的实现方式中，装置还包括：存储单元，被配置成将用户行为预测模型的模型参数存储至redis缓存。
69.在本实施例的一些可选的实现方式中，训练单元中的用户行为预测模型基于注意力机制而构建。
70.在本实施例的一些可选的实现方式中，获取单元，包括：第一确定模块，被配置成根据实时计算系统的消息队列，确定用户行为标签，其中，用户行为至少包括：点击、加购、收藏、下单；第一获取模块，被配置成基于用户行为标签的位置信息，获取与用户行为标签对应的用户的属性信息、与用户匹配的目标对象的特征信息和用户的行为序列信息并将确
定的用户行为标签以及获取到的用户的属性信息、目标对象的特征信息和行为序列信息存储至文件系统，其中，位置信息为表征软件界面中与预设信息相对应的按键位置信息或程序中与预设信息相对应的代码位置信息。
71.在本实施例的一些可选的实现方式中，获取单元，包括：第二获取模块，被配置成基于预设的用户行为，从文件系统中获取用户标签、与用户和预设的用户行为相匹配的目标对象标签、与用户和预设的用户行为相对应的时间信息和位置信息；第二确定模块，被配置成根据用户标签，确定用户的属性信息，并根据目标对象标签，确定目标对象的特征信息；第三获取模块，被配置成基于时间信息和位置信息，获取与预设的用户行为相匹配的用户的行为序列信息。
72.在本实施例的一些可选的实现方式中，第二获取模块中的文件系统根据预设时间周期进行更新。
73.进一步参考图6，作为对上述图4所示方法的实现，本技术提供了一种用于生成信息的装置的一个实施例，该装置实施例与图4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。
74.如图6所示，本实施例的用于生成信息的装置600包括：监控单元601、获取单元602和生成单元603，其中，监控单元，被配置成监控用户的操作行为，获取用户的操作行为信息；获取单元，被配置成响应于用户的操作行为信息等于预设的用户行为信息，获取用户的属性信息、与用户和预设的用户行为信息相匹配的目标对象的特征信息和与预设的用户行为信息相匹配的用户的行为序列信息，其中，预设的用户行为信息为表征用户有意愿获得目标对象的一种或多种操作行为信息；生成单元，被配置成将获取的用户的属性信息、目标对象的特征信息和行为序列信息输入至预先训练的用户行为预测模型，生成与用户的属性信息、目标对象的特征信息和行为序列信息相对应的用户的概率值，其中，用户行为预测模型是通过如上述用于训练模型的方法中任一实施例的方法训练得到的。
75.根据本技术的实施例，本技术还提供了一种电子设备和一种可读存储介质。
76.如图7所示，是根据本技术实施例的用于训练模型的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本技术的实现。
77.如图7所示，该电子设备包括：一个或多个处理器701、存储器702，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示gui的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
78.存储器702即为本技术所提供的非瞬时计算机可读存储介质。其中，存储器存储有
可由至少一个处理器执行的指令，以使至少一个处理器执行本技术所提供的用于训练模型的方法。本技术的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本技术所提供的用于训练模型的方法。
79.存储器702作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本技术实施例中的用于训练模型的方法对应的程序指令/模块(例如，附图5所示的获取单元501和训练单元502)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的用于训练模型的方法。
80.存储器702可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据用于训练模型的电子设备的使用所创建的数据等。此外，存储器702可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器702可选包括相对于处理器701远程设置的存储器，这些远程存储器可以通过网络连接至用于训练模型的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
81.用于训练模型的方法的电子设备还可以包括：输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接，图7中以通过总线连接为例。
82.输入装置703可接收输入的数字或字符信息，以及产生与用于训练模型的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如，led)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(lcd)、发光二极管(led)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
83.此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用asic(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
84.这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
85.为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机
具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
86.可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前侧部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前侧部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
87.计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
88.根据本技术实施例的技术方案，采用响应于接收到用户发送的预测请求，获取预测请求对应的预测信息，根据预测信息，确定预测过程中预测信息流经的所有预测子模型和所有预测子模型中各个预测子模型的先后顺序，基于各个预测子模型的先后顺序，将所有预测子模型中各个预测子模型进行关联，基于关联后的各个预测子模型，对预测信息进行预测，生成预测请求对应的预测结果，解决了现有联合预测方案中无法充分调动双方的技术进行联合共建的问题，避免了交换数据的一方将收到的数据扩散出去的可能，降低了数据泄露的风险，实现了一种利用联邦学习平台训练的模型进行在线数据预测的方法，数据能够实现安全共享，通过在线联合预测，提升了模型效果，进一步提升了业务指标，使用户体验更佳。
89.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本技术中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本技术公开的技术方案所期望的结果，本文在此不进行限制。
90.上述具体实施方式，并不构成对本技术保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本技术的精神和原则之内所作的修改、等同替换和改进等，均应包含在本技术保护范围之内。