[发明专利]模型自适应训练方法、装置、设备、介质及程序产品

权利要求书

1.一种模型自适应训练方法，其特征在于，包括：

获取原始模型在实际运行时的各个运行数据，并根据所述运行数据检测所述原始模型在实际运行时的第一概念漂移值；

根据价值模型以及所述第一概念漂移值，将各个所述运行数据分别分配到带标签数据集和/或无标签数据集中；

判断所述带标签数据集的数据量是否大于或等于预设阈值；

若是，则利用自适应训练模型，根据所述带标签数据集以及所述无标签数据集，对所述原始模型进行自适应训练，以确定训练后的新模型，所述新模型的第二概念漂移值小于所述第一概念漂移值。

2.根据权利要求1所述的模型自适应训练方法，其特征在于，所述根据价值模型以及所述第一概念漂移值，将各个所述运行数据分别分配到带标签数据集和/或无标签数据集中，包括：

根据所述价值模型确定各个所述运行数据的综合价值；

根据所述第一概念漂移值以及所述综合价值，调整所述带标签数据集的数据积累速度；

根据所述数据积累速度以及所述综合价值，将各个所述运行数据分别分配到带标签数据集和/或无标签数据集中。

3.根据权利要求2所述的模型自适应训练方法，其特征在于，所述根据所述数据积累速度以及所述综合价值，将各个所述运行数据分别分配到带标签数据集和/或无标签数据集中，包括：

根据所述数据积累速度以及所述综合价值，从各个所述运行数据中筛选出待标注数据；

将所述待标注数据发送给用户端进行标注，以确定带标签数据，并将剩余的所述运行数据添加到所述无标签数据集中；

接收所述用户端返回的所述带标签数据，并将所述带标签数据添加到所述带标签数据集中。

4.根据权利要求2或3所述的模型自适应训练方法，其特征在于，所述根据所述第一概念漂移值以及所述综合价值，调整所述带标签数据集的数据积累速度，包括：

根据所述综合价值确定各个所述运行数据的排序序列；

当所述第一概念漂移值小于或等于预警门限值时，选取所述排序序列中前M位的所述运行数据作为待标注数据。

5.根据权利要求4所述的模型自适应训练方法，其特征在于，在所述根据所述综合价值确定各个所述运行数据的排序序列之后，还包括：

当所述第一概念漂移值大于或等于触发门限值时，选取所述排序序列中前N位的所述运行数据作为所述待标注数据，所述预警门限值小于所述触发门限值。

6.根据权利要求5所述的模型自适应训练方法，其特征在于，所述在所述根据所述综合价值确定各个所述运行数据的排序序列之后，还包括：

当所述第一概念漂移值大于所述预警门限值，且小于所述触发门限值时，选取所述排序序列中前K位的所述运行数据作为所述待标注数据，其中，K与M和N存在预设对应关系。

7.根据权利要求1所述的模型自适应训练方法，其特征在于，所述利用自适应训练模型，根据所述带标签数据集以及所述无标签数据集，对所述原始模型进行自适应训练，以确定训练后的新模型，包括：

通过预设采样模型，对所述带标签数据集以及所述无标签数据集进行采样，以确定训练样本集；

利用半监督训练模型，根据所述训练样本集以及多个学习速率，对所述原始模型进行半监督训练后，确定多个子模型，所述子模型与所述学习速率相对应；

通过集成权重值将各个所述子模型组合成所述新模型。

8.根据权利要求7所述的模型自适应训练方法，其特征在于，在所述通过集成权重值将各个所述子模型组合成所述新模型之前，还包括：

利用动态更新算法，根据各个所述学习速率以及所述第一概念漂移值，确定更新后的所述集成权重值。