[发明专利]一种用于更新神经网络预测模型的方法和装置

权利要求书

1.一种用于更新神经网络预测模型的方法，其特征在于，包括以下步骤：

获取当前训练样本；

基于所述当前训练样本对预设的第一预测模型进行训练，得到第二预测模型；

通过模型解释工具，得到利用所述第一预测模型所预测的第一对象的各种特征的重要度所组成的第一特征重要度集合、以及利用所述第二预测模型所预测的第二对象的各种特征的重要度所组成的第二特征重要度集合；

计算所述第一特征重要度集合与所述第二特征重要度集合之间的相似度；

将所述相似度与预设阈值进行比较：

如果所述相似度大于或等于所述预设阈值，则将所述第一预测模型更新为所述第二预测模型；如果所述相似度小于所述预设阈值，则不更新所述第一预测模型。

2.根据权利要求1所述的方法，其特征在于，通过模型解释工具，得到利用所述第一预测模型所预测的第一对象的各种特征的重要度所组成的第一特征重要度集合、以及利用所述第二预测模型所预测的第二对象的各种特征的重要度所组成的第二特征重要度集合包括：

通过模型解释工具，得到所述第一对象和所述第二对象各自所包含的每个子对象的每个特征的重要性数值；

将所述第一对象和所述第二对象各自所包含的每个子对象的每个特征的重要性数值分别进行聚类，得到第一对象和第二对象各自每种特征的重要度；

将所述第一对象和第二对象各自每种特征的重要度分别进行排序，得到对应于所述第一对象的第一重要度排序集和对应于所述第二对象的第二重要度排序集。

3.根据权利要求2所述的方法，其特征在于，计算所述第一特征重要度集合与所述第二特征重要度集合之间的相似度包括：

计算所述第一重要度排序集与所述第二重要度排序集之间的相似度。

4.根据权利要求1所述的方法，其特征在于，所述神经网络预测模型为房源预测模型，所述当前训练样本包括当前房源样本的特征集合和标签值，所述方法还包括：

基于所述当前训练样本对预设的第一房源预测模型进行训练，得到第二房源预测模型；

通过模型解释工具，得到利用所述第一房源预测模型所预测的第一目标房源的各种特征的重要度所组成的第一特征重要度集合、以及利用所述第二房源预测模型所预测的第二目标房源的各种特征的重要度所组成的第二特征重要度集合。

5.根据权利要求4所述的方法，其特征在于，所述通过模型解释工具，得到利用第一房源预测模型所预测的第一目标房源的各种特征的重要度所组成的第一特征重要度集合、以及利用第二房源预测模型所预测的第二目标房源的各种特征的重要度所组成的第二特征重要度集合包括：

通过模型解释工具，得到所述第一目标房源和所述第二目标房源各自所包含的每套房源的每个特征的重要性数值；

将所述第一目标房源和所述第二目标房源各自所包含的每套房源的每个特征的重要性数值分别进行聚类，得到第一目标房源和第二目标房源各自每种特征的重要度；

将所述第一目标房源和第二目标房源各自每种特征的重要度分别进行排序，得到对应于所述第一目标房源的第一重要度排序集和对应于所述第二目标房源的第二重要度排序集。

6.一种用于更新神经网络预测模型的装置，其特征在于，包括：

获取模块，其被配置为：获取当前训练样本；

训练模块，其被配置为：基于所述当前训练样本对预设的第一预测模型进行训练，得到第二预测模型；

解析模块，其被配置为：通过模型解释工具，得到利用所述第一预测模型所预测的第一对象的各种特征的重要度所组成的第一特征重要度集合、以及利用所述第二预测模型所预测的第二对象的各种特征的重要度所组成的第二特征重要度集合；

计算模块，其被配置为：计算所述第一特征重要度集合与所述第二特征重要度集合之间的相似度；

比较模块，其被配置为：将所述相似度与预设阈值进行比较；

更新模块，其被配置为：如果所述相似度大于或等于所述预设阈值，则将所述第一预测模型更新为所述第二预测模型；如果所述相似度小于所述预设阈值，则不更新所述第一预测模型。