[发明专利]神经网络预测方法及装置

说明书

本公开涉及一种神经网络预测方法及装置。该方法包括：获取待预测对象的特征信息；将特征信息输入预测模型中进行处理，获取针对待预测对象的预测结果；输出预测结果，其中，预测模型包括长短期记忆网络LSTM模块、深度神经网络DNN模块、对抗训练网络模块以及多任务学习网络MTL模块。根据本公开实施例，能够通过包括多个神经网络模块的预测模型，对待预测对象的特征信息进行处理，从而获取针对待预测对象的预测结果，提高了该预测结果的准确度。

技术领域

本公开涉及计算机技术领域，尤其涉及一种神经网络预测方法及装置。

背景技术

相关技术中，可以利用训练样本训练得到预测模型，从而对各种事件进行预测。例如，可以利用电视剧播放流量(Video View)相关的训练样本训练得到用于预测电视剧播放流量的预测模型，从而对即将播放的电视剧播放流量进行预测。然而，有些事件的训练样本数量较少，例如，综艺相关的训练样本数量较少，通过较少的训练样本训练得到的预测模型具有预测准确度低、预测结果不可靠等问题。

发明内容

有鉴于此，本公开提出了一种神经网络预测方法及装置，能够提高预测结果的准确度。

根据本公开的一方面，提供了一种神经网络预测方法，所述方法包括：

获取待预测对象的特征信息；

将所述特征信息输入预测模型中进行处理，获取针对所述待预测对象的预测结果；

输出所述预测结果，

其中，所述预测模型包括长短期记忆网络LSTM(Long Short-Term Memory，LSTM)模块、深度神经网络DNN(Deep Neural Network，DNN)模块、对抗训练网络模块以及多任务学习网络MTL(Multi-Task Learning，MTL)模块。

在一种可能的实现方式中，将所述特征信息输入预测模型中进行处理，获取针对所述待预测对象的预测结果，包括：

将所述特征信息输入所述LSTM模块中进行处理，确定所述待预测对象的长短期记忆信息；

将所述长短期记忆信息输入所述DNN模块中进行处理，确定所述待预测对象的深度信息；

将所述深度信息输入所述对抗训练网络模块中进行处理，确定所述待预测对象的对抗训练信息；

将所述对抗训练信息输入所述MTL模块中进行处理，确定针对所述待预测对象的预测结果。

在一种可能的实现方式中，所述预测模型还包括嵌入模块，

其中，将所述特征信息输入预测模型中进行处理，获取针对所述待预测对象的预测结果，还包括：

将初始信息输入所述嵌入模块进行向量化处理，确定所述初始信息的向量信息；

将所述初始信息和所述向量信息确定为所述特征信息。

在一种可能的实现方式中，所述预测结果包括：

主预测结果以及相关预测结果，

其中，在所述预测模型的目标函数中，与所述主预测结果相关联的参数权重大于与所述相关预测结果相关联的参数权重。

在一种可能的实现方式中，输出所述预测结果，包括以下任意一种：

输出主预测结果；

输出主预测结果以及相关预测结果。

在一种可能的实现方式中，所述方法还包括：

分别获取多组样本对象当前周期的特征信息；