模型训练方法、装置、存储介质及终端与流程

技术特征：
1.一种模型训练方法，其特征在于，所述方法包括：获取训练样本数据集合，所述训练样本数据集合中的训练样本数据包括用户数据、对象数据以及对应的标签数据；在模型训练过程中，基于计数损失函数，对训练样本数据中的用户数据以及对象数据进行实时计数；基于对所述用户数据以及所述对象数据的实时计数数值计算正则损失；根据所述正则损失调整所述模型的训练过程中的损失函数，并基于调整后的损失函数对所述模型进行训练。2.根据权利要求1所述的方法，其特征在于，所述基于计数损失函数，对训练样本数据中的用户数据以及对象数据进行实时计数，包括：确定用户数据对应的用户计数特征以及对象数据对应的对象计数特征；构建关于用户数据和对象数据的计数损失函数；基于预设学习率的梯度下降优化器以及所述计数损失函数，对所述用户计数特征以及所述对象计数特征进行更新，以实现对所述训练样本数据中用户数据以及对象数据进行实时计数。3.根据权利要求1所述的方法，其特征在于，所述基于对所述用户数据以及所述对象数据的实时计数数值计算正则损失，包括：获取所述用户数据以及所述对象数据的正则强度数据；根据所述正则强度数据，以及所述用户数据和所述对象数据的实时计数数值计算正则损失。4.根据权利要求3所述的方法，其特征在于，所述根据所述正则强度数据，以及所述用户数据和所述对象数据的实时计数数值计算正则损失，包括：提取所述用户数据的用户特征以及所述对象数据的对象特征；根据所述用户特征、所述对象特征、所述正则强度数据以及以及所述用户数据和所述对象数据的实时计数数值计算正则损失。5.根据权利要求1所述的方法，其特征在于，所述根据所述正则损失调整所述模型的训练过程中的损失函数，并基于调整后的损失函数对所述模型进行训练，包括：基于所述模型对训练样本数据的预测结果，以及所述训练样本数据的标签数据计算分类损失函数值；根据所述分类损失函数值和所述正则损失计算目标损失函数值；根据所述目标损失函数值进行梯度反传处理，以对所述模型的模型参数进行更新。6.根据权利要求5所述的方法，其特征在于，所述基于所述模型对训练样本数据的预测结果，以及所述训练样本数据的标签数据计算分类损失函数值，包括：基于所述模型对训练样本数据进行点击率预测，得到预测结果；计算所述预测结果与所述标签数据之间的交叉熵，得到分类损失函数值。7.根据权利要求5所述的方法，其特征在于，所述根据所述分类损失函数值和所述正则损失计算目标损失函数值，包括：获取所述分类损失函数值和所述正则损失的权重系数；基于所述权重系数对所述分类损失函数值和所述正则损失进行加权计算，得到目标损
失函数值。8.一种模型训练装置，其特征在于，所述装置包括：获取模块，用于获取训练样本数据集合，所述训练样本数据集合中的训练样本数据包括用户数据、对象数据以及对应的标签数据；计数模块，用于在模型训练过程中，基于计数损失函数，对训练样本数据中的用户数据以及对象数据进行实时计数；计算模块，用于基于对所述用户数据以及所述对象数据的实时计数数值计算正则损失；训练模块，用于根据所述正则损失调整所述模型的训练过程中的损失函数，并基于调整后的损失函数对所述模型进行训练。9.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被电子设备的处理器加载时执行如权利要求1-7中任一项所述的模型训练方法中的步骤。10.一种终端，所述终端包括处理器和存储器，所述存储器储存有计算机程序，其特征在于，所述处理器通过加载所述计算机程序执行如权利要求1-7中任一项所述的模型训练方法中的步骤。

技术总结
一种模型训练方法、装置、存储介质及终端，其中方法通过获取训练样本数据集合；在模型训练过程中，基于计数损失函数，对训练样本数据中的用户数据以及对象数据进行实时计数；基于对用户数据以及对象数据的实时计数数值计算正则损失；根据正则损失调整模型的训练过程中的损失函数，并基于调整后的损失函数对模型进行训练。该方法通过设计计数损失函数将对用户数据和对象数据的频次统计集成到模型中，实现对用户数据和对象数据的流式计数。然后基于计数数值确定正则损失并基于正则损失对模型损失函数进行调整，可以有效避免模型训练过程中的过拟合现象，进而提升了训练得到的模型的准确性。确性。确性。


技术研发人员：崔正文 何珊珊 吴杰 杜冲
受保护的技术使用者：OPPO广东移动通信有限公司
技术研发日：2022.08.15
技术公布日：2022/11/18