(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211192748.7 (22)申请日 2022.09.28 (71)申请人 中国建设银行股份有限公司 地址 100033 北京市西城区金融大街25号 申请人 建信金融科技有限责任公司 (72)发明人 刘宇辰　许娜娜　李宗珂　 (74)专利代理 机构 北京三友知识产权代理有限 公司 11127 专利代理师 许曼　刘飞 (51)Int.Cl. G06F 9/46(2006.01) G06N 20/00(2019.01) (54)发明名称 一种基于模型的多任务目标的预测方法和 预测装置 (57)摘要 本文涉及人工智能领域， 特别地， 涉及一种 基于模型的多任务目标的预测方法和预测装置， 其中方法包括： 获取多个任务目标对应的相关数 据； 将所述相关数据进行特征提取， 得到特征数 据； 将所述特征数据输入多任务预测模型中， 得 到多个任务目标分别对应的结果； 其中多任务预 测模型通过模型底部共享机制使多个任务目标 使用同样的网络进行预测。 本文能够通过多任务 预测模型处 理多个任务， 提高预测的精准度。 权利要求书2页 说明书10页 附图5页 CN 115408116 A 2022.11.29 CN 115408116 A 1.一种基于模型的多任务目标的预测方法， 其特 征在于， 包括： 获取多个任务目标对应的相关数据； 将所述相关数据进行 特征提取， 得到特 征数据； 将所述特征数据输入多任务预测模型中， 得到多个任务目标分别对应的结果； 其中多 任务预测模型通过模型底部共享机制使 多个任务目标使用同样的网络进行 预测； 其中所述多任务预测模型包括： 至少一个专 家网络， 所述专 家网络用于根据任务目标的特 征数据预测得到专 家结果； 多个门网络， 所述门网络用于根据任务目标的特 征数据， 确定专 家网络的权 重； 多个计算模块， 所述计算模块用于对专家网络的专家结果和权重进行加权计算， 得到 计算值； 多个塔网络， 所述塔网络用于对计算 值进行分类处 理， 得到结果。 2.根据权利要求1所述的基于模型的多任务目标的预测方法， 其特征在于， 所述相关数 据的类型包括： 图像 类型、 视频类型、 文本类型和结构化类型。 3.根据权利要求2所述的基于模型的多任务目标的预测方法， 其特征在于， 所述将所述 相关数据进行 特征提取， 得到特 征数据进一 步包括： 根据所述相关数据的类型， 确定所需的处 理模型； 通过所需的处 理模型对所述相关数据进行 特征提取， 得到序列化的特 征数据。 4.根据权利要求3所述的基于模型的多任务目标的预测方法， 其特征在于， 所述门网 络、 计算模块和塔网络的数量均与所述任务 目标的数量相同， 每个门网络均对应一个任务 目标， 每个计算模块均对应一个任务目标， 每 个塔网络均对应一个任务目标。 5.根据权利要求3所述的基于模型的多任务目标的预测方法， 其特征在于， 所述对计算 值进行分类处 理， 得到结果进一 步包括： 对计算值进行二分类或多分类处 理， 得到结果。 6.根据权利要求3所述的基于模型的多任务目标的预测方法， 其特征在于， 所述根据任 务目标的特 征数据， 确定专 家网络的权 重进一步包括： 与所述任务目标对应的门网络对特 征数据进行线性变换， 得到变换矩阵； 通过归一 化指数函数对所述变换矩阵进行归一 化， 得到每 个专家网络的权 重值。 7.根据权利要求3所述的基于模型的多任务目标的预测方法， 其特征在于， 所述根据任 务目标的特 征数据， 确定专 家网络的权 重进一步包括： 与所述任务目标对应的门网络通过全连接层对特征数据进行全连接操作， 得到全连接 操作后的数据； 通过归一化指数函数对所述全连接操作后的数据进行归一化， 得到每个专家网络的权 重值。 8.根据权利要求3所述的基于模型的多任务目标的预测方法， 其特征在于， 所述专家网 络为蒸馏处 理后的网络 。 9.根据权利要求2所述的基于模型的多任务目标的预测方法， 其特征在于， 所述获取多 个任务目标对应的相关数据之后还 包括： 根据所述相关数据的类型， 对所述相关数据进行 数据清洗处 理。 10.根据权利要求9所述的基于模型的多任务目标的预测方法， 其特征在于， 所述根据权　利　要　求　书 1/2 页 2 CN 115408116 A 2所述相关数据的类型， 对所述相关数据进行 数据清洗处 理进一步包括： 若所述相关数据的类型为图像类型， 则对图像数据进行分割， 对分割后的图像数据进 行数据清洗； 若所述相关数据的类型为视频类型， 则对视频数据进行分帧， 对分帧后的视频数据进 行数据清洗； 若所述相关数据的类型为文本类型， 则对文本数据进行分段， 对分段后的文本数据进 行数据清洗； 若所述相关数据的类型为结构化类型， 则对结构化数据进行数据项划分， 对划分后的 结构化数据进行 数据清洗 。 11.一种基于模型的多任务目标的预测装置， 其特 征在于， 所述装置包括： 获取模块， 用于获取多个任务目标对应的相关数据； 特征提取模块， 用于将所述相关数据进行 特征提取， 得到特 征数据； 预测模块， 用于将所述特征数据输入多任务预测模型中， 得到多个任务目标分别对应 的结果； 其中多任务预测模型通过模型底部共享机制使多个任务目标使用同样的网络进 行 预测； 其中所述多任务预测模型包括： 至少一个专 家网络， 所述专 家网络用于根据任务目标的特 征数据预测得到专 家结果； 多个门网络， 所述门网络用于根据任务目标的特 征数据， 确定专 家网络的权 重； 多个计算模块， 所述计算模块用于对专家网络的专家结果和权重进行加权计算， 得到 计算值； 多个塔网络， 所述塔网络用于对计算 值进行分类处 理， 得到结果。 12.根据权利要求11所述的基于模型的多任务目标的预测装置， 其特征在于， 所述特征 提取模块进一 步包括： 确定模型子模块， 用于根据所述相关数据的类型， 确定所需的处 理模型； 特征提取子模块， 用于通过所需的处理模型对所述相关数据进行特征提取， 得到序列 化的特征数据。 13.一种计算机设备， 包括存储器、 处理器、 以及存储在所述存储器上的计算机程序， 其 特征在于， 所述计算机程序被所述处理器运行时， 执行根据权利要求1 ‑10任意一项所述方 法的指令 。 14.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被计算机设备的处 理器运行时， 执 行根据权利要求1 ‑10任意一项所述方法的指令 。 15.一种计算机程序产品， 其特征在于， 所述计算机程序产品被计算机设备的处理器运 行时， 执行根据权利要求1 ‑10任意一项所述方法的指令 。权　利　要　求　书 2/2 页 3 CN 115408116 A 3