[发明专利]模型训练方法与设备、预测方法与设备、数据处理设备、介质

权利要求书

1.一种深度神经网络模型训练方法，其特征在于，包括：

数据获取步骤，获取历史样本的原始数据信息；

特征提取变换步骤，对所述原始数据信息进行特征提取以得到历史特征，所述历史特征经过变换处理，得到历史特征向量；

模拟特征生成步骤，利用所述历史特征向量来生成模拟特征；以及

网络模型训练步骤，将所述模拟特征与所述历史特征结合作为训练样本的特征集，经过特征变换后来训练深度神经网络模型。

2.如权利要求1所述的深度神经网络模型训练方法，其特征在于，所述深度神经网络模型的历史样本包括历史电影、历史图像、历史文本数据、历史数字数据、和/或由前者中的至少两种任意混合的数据。

3.如权利要求1所述的深度神经网络模型训练方法，其特征在于，所述生成模型包括变分自编码器。

4.如权利要求1所述的深度神经网络模型训练方法，其特征在于，所述网络模型训练步骤包括：

将所述训练样本的特征集之中的历史样本的特定数据作为目标值Y，所述训练样本的特征集之中的除特定数据之外的训练特征作为特征值X，对特征值X中的指定特征以及对所述目标值Y分别进行变换处理，然后经由所述深度神经网络模型，通过优化目标函数得到所述深度神经网络模型的所需参数，由此得到经过训练的深度神经网络。

5.如权利要求4所述的深度神经网络模型训练方法，其特征在于，所述历史样本包括历史电影，一个历史电影的原始数据信息包括该电影的票房数据、该电影的上映基础信息、该电影的与社交口碑相关的数据、与该电影有关的以前作品的相关数据。

6.如权利要求5所述的深度神经网络模型训练方法，其特征在于，所述特定数据包括历史电影的票房数据。

7.如权利要求1所述的深度神经网络模型训练方法，其特征在于，利用所述历史特征向量来训练生成模型，生成模拟特征向量，对所述模拟特征向量进行反变换处理，以生成模拟特征。

8.如权利要求1或7所述的深度神经网络模型训练方法，其特征在于，所述变换处理包括对数变换和归一化操作，所述反变换处理包括反归一化操作和指数变换。

9.一种数据预测方法，包括：

利用通过权利要求1～8中的任意一项所述的深度神经网络模型训练方法训练的深度神经网络模型，进行数据预测，以得到数据预测结果。

10.如权利要求9所述的数据预测方法，其特征在于，要预测的数据为一个新电影的票房，数据预测结果为该新电影的票房预测结果。

11.如权利要求10所述的数据预测方法，其特征在于，所述票房预测结果包括预测一部新电影在上映后特定时间段内的票房和/或总票房。

12.如权利要求10所述的数据预测方法，其特征在于，所述数据预测步骤包括：

利用多个数据源获取一个新电影的部分原始数据信息；

对于该新电影的所述部分原始数据信息进行特征提取和变换处理，得到该电影的特征向量；

该电影的特征向量经由训练后的所述深度神经网络模型，得到所述深度神经网络模型的输出值，对该输出值进行反变换处理，得到该新电影的票房预测结果。

13.一种深度神经网络模型训练设备，其特征在于，包括：

数据获取装置，被配置用于获取历史样本的原始数据信息；

特征提取变换装置，被配置用于对所述原始数据信息进行特征提取以得到历史特征，所述历史特征经过变换处理，得到历史特征向量；

模拟特征生成装置，被配置用于利用所述历史特征向量来生成模拟特征；以及

网络模型训练装置，被配置用于将所述模拟特征与所述历史特征结合作为训练样本的特征集，经过特征变换后来训练深度神经网络模型。