本技術(shù)涉及人工智能，特別是涉及一種用戶分類模型的訓(xùn)練方法、裝置、計(jì)算機(jī)設(shè)備、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和計(jì)算機(jī)程序產(chǎn)品。

背景技術(shù)：

1、人工智能技術(shù)的發(fā)展為人群健康管理提供了強(qiáng)大的支持，主要體現(xiàn)在海量的醫(yī)療健康數(shù)據(jù)集被用于人工智能模型的構(gòu)建并助力各類疾病及其危險(xiǎn)因素的防控和管理。在這一領(lǐng)域內(nèi)，對(duì)不同醫(yī)療健康機(jī)構(gòu)和場(chǎng)景的數(shù)字化電子病歷系統(tǒng)，如何在跨人群、跨機(jī)構(gòu)快速有效部署人工智能方法面臨挑戰(zhàn)。特別是存在人群分布差異的條件下，在一個(gè)數(shù)據(jù)集訓(xùn)練好的人工智能方法通常面臨泛化性降低的問(wèn)題。

2、相關(guān)技術(shù)中，在跨人群、跨機(jī)構(gòu)中應(yīng)用人工智能模型的主要方式為持續(xù)學(xué)習(xí)，但該方法需要以模型訓(xùn)練的每個(gè)批次(batch)為單位更新緩沖區(qū)(buffer)中的數(shù)據(jù)與采樣下一批次中的回放數(shù)據(jù)。這樣的方式在面對(duì)大樣本量的數(shù)據(jù)訓(xùn)練任務(wù)時(shí)，顯著地降低了模型訓(xùn)練的速度。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對(duì)上述方法的模型訓(xùn)練速度較低的技術(shù)問(wèn)題，提供一種用戶分類模型的訓(xùn)練方法、裝置、計(jì)算機(jī)設(shè)備、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和計(jì)算機(jī)程序產(chǎn)品。

2、第一方面，本技術(shù)提供了一種用戶分類模型的訓(xùn)練方法。所述方法包括：

3、獲取訓(xùn)練數(shù)據(jù)集；所述訓(xùn)練數(shù)據(jù)集包括不同醫(yī)療機(jī)構(gòu)內(nèi)的多個(gè)訓(xùn)練集以及醫(yī)療機(jī)構(gòu)外的多個(gè)訓(xùn)練集，各個(gè)訓(xùn)練集對(duì)應(yīng)有至少兩個(gè)群體；

4、確定每個(gè)訓(xùn)練集對(duì)分類模型的訓(xùn)練為一個(gè)任務(wù)，確定各個(gè)任務(wù)的執(zhí)行順序；

5、按照所述執(zhí)行順序，依次采用每個(gè)任務(wù)對(duì)應(yīng)的訓(xùn)練集對(duì)預(yù)先構(gòu)建的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類模型。

6、在其中一個(gè)實(shí)施例中，所述確定各個(gè)任務(wù)的執(zhí)行順序，包括：

7、按照從醫(yī)療機(jī)構(gòu)內(nèi)到醫(yī)療機(jī)構(gòu)外的順序，對(duì)各個(gè)任務(wù)進(jìn)行排序，得到第一排序結(jié)果；

8、按照不同醫(yī)療機(jī)構(gòu)的樣本優(yōu)先級(jí)順序，對(duì)不同醫(yī)療機(jī)構(gòu)之間的訓(xùn)練集進(jìn)行排序，得到第二排序結(jié)果；

9、按照樣本采集時(shí)間的先后順序，或者采用隨機(jī)排序的方式，對(duì)所述醫(yī)療機(jī)構(gòu)外，以及同一醫(yī)療機(jī)構(gòu)內(nèi)的多個(gè)訓(xùn)練集進(jìn)行排序，得到各個(gè)任務(wù)的執(zhí)行順序。

10、在其中一個(gè)實(shí)施例中，所述按照所述執(zhí)行順序，依次采用每個(gè)任務(wù)對(duì)應(yīng)的訓(xùn)練集對(duì)預(yù)先構(gòu)建的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類模型，包括：

11、按照所述執(zhí)行順序確定當(dāng)前任務(wù)，以及從緩沖區(qū)中采樣回放數(shù)據(jù)；

12、根據(jù)所述回放數(shù)據(jù)和所述當(dāng)前任務(wù)對(duì)應(yīng)的訓(xùn)練集對(duì)上一個(gè)任務(wù)訓(xùn)練的分類模型進(jìn)行訓(xùn)練，得到更新的分類模型；

13、對(duì)所述當(dāng)前任務(wù)對(duì)應(yīng)的訓(xùn)練集進(jìn)行樣本采樣，以更新所述緩沖區(qū)中的數(shù)據(jù)，以及，從更新的緩沖區(qū)中采樣下次訓(xùn)練的回放數(shù)據(jù)；

14、根據(jù)所述下次訓(xùn)練的回放數(shù)據(jù)和下一個(gè)任務(wù)對(duì)應(yīng)的訓(xùn)練集，對(duì)所述更新的分類模型進(jìn)行訓(xùn)練，直至所有任務(wù)對(duì)應(yīng)的訓(xùn)練集均完成分類模型的訓(xùn)練。

15、在其中一個(gè)實(shí)施例中，所述根據(jù)所述回放數(shù)據(jù)和所述當(dāng)前任務(wù)對(duì)應(yīng)的訓(xùn)練集對(duì)上一個(gè)任務(wù)訓(xùn)練的分類模型進(jìn)行訓(xùn)練，得到更新的分類模型，包括：

16、分別將所述回放數(shù)據(jù)中的第一樣本和第二樣本，以及所述當(dāng)前任務(wù)對(duì)應(yīng)的訓(xùn)練集輸入上一個(gè)任務(wù)訓(xùn)練的分類模型，輸出所述當(dāng)前任務(wù)對(duì)應(yīng)的訓(xùn)練集的預(yù)測(cè)結(jié)果、所述第一樣本對(duì)應(yīng)的當(dāng)前預(yù)測(cè)概率，以及所述第二樣本對(duì)應(yīng)的預(yù)測(cè)類別；所述當(dāng)前預(yù)測(cè)概率表示所述第一樣本中的用戶屬于各個(gè)類別的概率；

17、基于所述當(dāng)前任務(wù)對(duì)應(yīng)的訓(xùn)練集的預(yù)測(cè)結(jié)果獲取在所述當(dāng)前任務(wù)中的第一損失值，基于所述第一樣本對(duì)應(yīng)的當(dāng)前預(yù)測(cè)概率和存儲(chǔ)的預(yù)測(cè)概率獲取第二損失值，基于所述第二樣本對(duì)應(yīng)的預(yù)測(cè)類別和真實(shí)類別標(biāo)簽獲取第三損失值；

18、根據(jù)所述第一損失值、所述第二損失值和所述第三損失值，對(duì)所述上一個(gè)任務(wù)訓(xùn)練的分類模型的參數(shù)進(jìn)行調(diào)整，得到更新的分類模型。

19、在其中一個(gè)實(shí)施例中，所述獲取在所述當(dāng)前任務(wù)中的第一損失值，包括：

20、獲取所述任務(wù)中的對(duì)比損失值和分類損失值；

21、對(duì)所述對(duì)比損失值和所述分類損失值進(jìn)行求和，得到所述第一損失值。

22、在其中一個(gè)實(shí)施例中，所述方法還包括：

23、獲取待識(shí)別用戶的醫(yī)學(xué)數(shù)據(jù)；

24、將所述醫(yī)學(xué)數(shù)據(jù)輸入所述訓(xùn)練好的分類模型，得到所述待識(shí)別用戶的類別。

25、第二方面，本技術(shù)還提供了一種用戶分類模型的訓(xùn)練裝置。所述裝置包括：

26、獲取模塊，用于獲取訓(xùn)練數(shù)據(jù)集；所述訓(xùn)練數(shù)據(jù)集包括不同醫(yī)療機(jī)構(gòu)內(nèi)的多個(gè)訓(xùn)練集以及醫(yī)療機(jī)構(gòu)外的多個(gè)訓(xùn)練集，各個(gè)訓(xùn)練集對(duì)應(yīng)有至少兩個(gè)群體；

27、排序模塊，用于確定每個(gè)訓(xùn)練集對(duì)分類模型的訓(xùn)練為一個(gè)任務(wù)，確定各個(gè)任務(wù)的執(zhí)行順序；

28、訓(xùn)練模塊，用于按照所述執(zhí)行順序，依次采用每個(gè)任務(wù)對(duì)應(yīng)的訓(xùn)練集對(duì)預(yù)先構(gòu)建的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類模型。

29、第三方面，本技術(shù)還提供了一種計(jì)算機(jī)設(shè)備。所述計(jì)算機(jī)設(shè)備包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)以下步驟：

30、獲取訓(xùn)練數(shù)據(jù)集；所述訓(xùn)練數(shù)據(jù)集包括不同醫(yī)療機(jī)構(gòu)內(nèi)的多個(gè)訓(xùn)練集以及醫(yī)療機(jī)構(gòu)外的多個(gè)訓(xùn)練集，各個(gè)訓(xùn)練集對(duì)應(yīng)有至少兩個(gè)群體；

31、確定每個(gè)訓(xùn)練集對(duì)分類模型的訓(xùn)練為一個(gè)任務(wù)，確定各個(gè)任務(wù)的執(zhí)行順序；

32、按照所述執(zhí)行順序，依次采用每個(gè)任務(wù)對(duì)應(yīng)的訓(xùn)練集對(duì)預(yù)先構(gòu)建的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類模型。

33、第四方面，本技術(shù)還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)。所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)以下步驟：

34、獲取訓(xùn)練數(shù)據(jù)集；所述訓(xùn)練數(shù)據(jù)集包括不同醫(yī)療機(jī)構(gòu)內(nèi)的多個(gè)訓(xùn)練集以及醫(yī)療機(jī)構(gòu)外的多個(gè)訓(xùn)練集，各個(gè)訓(xùn)練集對(duì)應(yīng)有至少兩個(gè)群體；

35、確定每個(gè)訓(xùn)練集對(duì)分類模型的訓(xùn)練為一個(gè)任務(wù)，確定各個(gè)任務(wù)的執(zhí)行順序；

36、按照所述執(zhí)行順序，依次采用每個(gè)任務(wù)對(duì)應(yīng)的訓(xùn)練集對(duì)預(yù)先構(gòu)建的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類模型。

37、第五方面，本技術(shù)還提供了一種計(jì)算機(jī)程序產(chǎn)品。所述計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)以下步驟：

38、獲取訓(xùn)練數(shù)據(jù)集；所述訓(xùn)練數(shù)據(jù)集包括不同醫(yī)療機(jī)構(gòu)內(nèi)的多個(gè)訓(xùn)練集以及醫(yī)療機(jī)構(gòu)外的多個(gè)訓(xùn)練集，各個(gè)訓(xùn)練集對(duì)應(yīng)有至少兩個(gè)群體；

39、確定每個(gè)訓(xùn)練集對(duì)分類模型的訓(xùn)練為一個(gè)任務(wù)，確定各個(gè)任務(wù)的執(zhí)行順序；

40、按照所述執(zhí)行順序，依次采用每個(gè)任務(wù)對(duì)應(yīng)的訓(xùn)練集對(duì)預(yù)先構(gòu)建的分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的分類模型。

41、上述用戶分類模型的訓(xùn)練方法、裝置、計(jì)算機(jī)設(shè)備、存儲(chǔ)介質(zhì)和計(jì)算機(jī)程序產(chǎn)品，通過(guò)獲取來(lái)自不同醫(yī)療機(jī)構(gòu)和群體的豐富樣本數(shù)據(jù)進(jìn)行分類模型的訓(xùn)練，使訓(xùn)練得到的分類模型能夠用于跨人群跨醫(yī)療機(jī)構(gòu)的連續(xù)學(xué)習(xí)，適用于在醫(yī)療資源缺乏場(chǎng)景下對(duì)醫(yī)療機(jī)構(gòu)外的人群的分類；進(jìn)一步地，在跨人群、跨醫(yī)療機(jī)構(gòu)下收集的數(shù)據(jù)集上，提出采用基于回放的連續(xù)學(xué)習(xí)策略進(jìn)行模型訓(xùn)練，使模型能夠達(dá)到較高的累計(jì)準(zhǔn)確率；進(jìn)一步地，在基于回放的連續(xù)學(xué)習(xí)策略的基礎(chǔ)上，采用任務(wù)級(jí)別進(jìn)行模型訓(xùn)練，能夠在保持較高的分類性能的基礎(chǔ)上，提高訓(xùn)練效率。此外，該方法在跨醫(yī)療機(jī)構(gòu)所提供的訓(xùn)練數(shù)據(jù)集較少時(shí)，同樣可以利用持續(xù)學(xué)習(xí)機(jī)制，實(shí)現(xiàn)較滿意的模型辨識(shí)性能。