一种模型更新参数的确定方法、确定装置及可读存储介质与流程

本申请涉及计算机处理技术领域，具体而言，涉及一种模型更新参数的确定方法、确定装置及可读存储介质。

背景技术：

随着深度学习模型技术的成熟，越来越多的技术领域利用训练好的模型实现多种功能，模型可以根据输入的相应数据，对应的输出一个预测结果，在模型的使用过程中，为了提升模型的预测准确率，需要定期对模型进行更新。

现阶段，模型使用的特征数据等都是固定的，对于模型的更新，大都是通过最新的特征数据对模型进行训练，仅是数据的数值发生变化，来得到模型的更新数据，这样，模型的预测事件中预测结果和预测因素之间一成不变，预测事件的可用信息僵化，导致模型的预测准确率不稳定，甚至在一定时间段后，模型的预测准确率会大幅降低。

技术实现要素：

有鉴于此，本申请的目的在于提供一种模型更新参数的确定方法、确定装置及可读存储介质，根据在需要进行模型更新时不同特征维度与预测结果之间的相关度，筛选得到的模型更新特征，以对模型训练得到模型的更新数据，这样，可以随着特征与预测结果关系的变化选择对预测结果重要的特征对模型进行更新，从而保持甚至提升模型的预测效果，提高了模型更新的准确性，同时有助于保证线上服务的低时延，降低服务超时的概率。

根据本申请的第一方面，提供了一种模型更新参数的确定方法，所述确定方法包括：

确定待更新模型的预测事件，以及与所述预测事件相关的多个特征维度和在每个特征维度下的多个候选特征；

确定每一个特征维度与预测结果之间的相关度；

基于确定出的每一个特征维度与预测结果之间的相关度，从多个候选特征中筛选出多个模型更新特征；

将所述多个模型更新特征作为输入，将与每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，得到所述待更新模型训练完毕的更新数据。

在本申请的一些实施例中，在所述将将所述多个模型更新特征作为输入，将与每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，得到所述待更新模型训练完毕的更新数据之后，所述确定方法包括：

当确定所述待更新模型满足更新条件时，使用所述更新数据更新对所述待更新模型进行数据更新，确定更新后的出行预测模型。

在本申请的一些实施例中，

在所述当确定所述待更新模型满足更新条件时，使用所述更新数据对所述待更新模型进行数据更新，确定更新后的出行预测模型之后，所述确定方法包括：

获取待预测出行事件以及所述待预测出行事件的出行数据；

基于确定出的每一个特征维度与预测结果之间的相关度，从所述出行数据中确定出所述待预测出行事件的多个目标出行特征；

将多个目标出行特征输入至所述出行预测模型中，得到所述待预测出行事件的出行预测结果。

在本申请的一些实施例中，通过以下步骤确定所述待更新模型满足更新条件：

获取所述待更新模型在使用中的模型历史数据；

检测所述模型历史数据指示的历史预测特征与历史预测结果之间的历史映射关系，与所述更新数据指示的更新预测特征与更新预测结果之间的更新映射关系是否匹配，以及所述模型历史数据指示的历史模型参数与所述更新数据指示的模型更新参数是否匹配；

若所述历史映射关系与所述更新映射关系不匹配，或者所述历史模型参数与所述模型更新参数不匹配，确定所述待更新模型满足更新条件。

在本申请的一些实施例中，通过以下步骤确定每一个特征维度与预测结果之间的相关度：

从样本数据库中获取所述预测事件的样本数据；

基于所述多个特征维度以及所述样本数据，确定出多个样本特征数据；

基于每一个特征维度以及多个样本特征数据，构建至少一个决策树；

基于构建的所述至少一个决策树中，每一个特征维度被划分在对应节点分支下的划分属性，确定每一个特征维度与预测结果之间的相关度。

在本申请的一些实施例中，所述划分属性包括划分次数、节点分裂增益以及样本覆盖比例中的至少一种。

在本申请的一些实施例中，当所述划分属性包括划分次数时，通过以下步骤确定特征维度与预测结果之间的相关度：

针对每一个特征维度，确定在所述至少一个决策树中该特征维度被划分在决策树中各节点下的划分次数；

将所述划分次数确定为该特征维度与预测结果之间的相关度，其中，所述划分次数越多，该特征维度与预测结果之间的相关度越高。

在本申请的一些实施例中，当所述划分属性包括节点分裂增益时，通过以下步骤确定特征维度与预测结果之间的相关度：

获取在构建所述至少一个决策树的过程中，确定在每一个特征维度被划分在决策树中对应节点下时，该节点的节点分裂增益；

针对于每一个特征维度，将与该特征维度对应的每一个节点的节点分裂增益加和后取平均值，得到该特征维度对应的平均节点分裂增益；

将所述平均节点分裂增益确定为该特征维度与预测结果之间的相关度，其中，所述平均节点分裂增益越大，该特征维度与预测结果之间的相关度越高。

在本申请的一些实施例中，当所述划分属性包括样本覆盖比例时，通过以下步骤确定特征维度与预测结果之间的相关度：

针对每一个特征维度，确定该特征维度被划分在对应节点下时，在每个节点下能够使用的样本特征数据的样本数量；

基于每个节点下的样本数量，确定与该特征维度对应的至少一个节点下的样本总数，以及所述样本总数占输入的所述多个样本特征数据中总样本数量的样本覆盖比例；

将所述样本覆盖比例，确定为该特征维度与预测结果之间的相关度，其中，所述样本覆盖比例越高，该特征维度与预测结果之间的相关度越高。

在本申请的一些实施例中，所述基于确定出的每一个特征维度与预测结果之间的相关度，从多个候选特征中筛选出多个模型更新特征，包括：

将每一个特征维度与预测结果之间的相关度按照从大到小的顺序排序，并从所述多个特征维度中筛选出相关度在预设排序位置之前的至少一个目标特征维度；

将至少一个目标特征维度下的全部候选特征确定为多个模型更新特征。

在本申请的一些实施例中，通过以下步骤确定所述待更新模型训练完毕：

确定在所述多个模型更新特征作为输入后，每一个模型更新特征对应的预测结果的预测准确率；

将所述预测准确率按照从大到小的顺序排列，确定预测准确率在预设序列位置之前的多个目标预测准确率；

将在使用中待更新模型的当前准确率按照从大到小的顺序排序，确定当前准确率在预设序列位置之前的多个目标当前准确率；

计算位于同一序列位置的目标预测准确率与目标当前准确率之间的准确率偏差值，并检测每一个准确率偏差值是否大于预设偏差阈值；

若每一个准确率偏差值均大于预设偏差阈值，确定所述待更新模型训练完毕。

根据本申请的第二方面，提供了一种模型更新参数的确定装置，所述确定装置包括：

特征筛选模块，用于确定待更新模型的预测事件，以及与所述预测事件相关的多个特征维度和在每个特征维度下的多个候选特征；

相关度确定模块，用于确定每一个特征维度与预测结果之间的相关度；

更新特征筛选模块，用于基于确定出的每一个特征维度与预测结果之间的相关度，从多个候选特征中筛选出多个模型更新特征；

更新数据确定模块，用于将所述多个模型更新特征作为输入，将与每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，得到所述待更新模型训练完毕的更新数据。

在本申请的一些实施例中，所述确定装置还包括模型更新模块，所述模型更新模块用于：

当确定所述待更新模型满足更新条件时，使用所述更新数据更新对所述待更新模型进行数据更新，确定更新后的出行预测模型。

在本申请的一些实施例中，所述确定装置还包括出行预测模块，所述出行预测模块用于：

获取待预测出行事件以及所述待预测出行事件的出行数据；

基于确定出的每一个特征维度与预测结果之间的相关度，从所述出行数据中确定出所述待预测出行事件的多个目标出行特征；

将多个目标出行特征输入至所述出行预测模型中，得到所述待预测出行事件的出行预测结果。

在本申请的一些实施例中，所述模型更新模块用于通过以下步骤确定所述待更新模型满足更新条件：

获取所述待更新模型在使用中的模型历史数据；

检测所述模型历史数据指示的历史预测特征与历史预测结果之间的历史映射关系，与所述更新数据指示的更新预测特征与更新预测结果之间的更新映射关系是否匹配，以及所述模型历史数据指示的历史模型参数与所述更新数据指示的模型更新参数是否匹配；

若所述历史映射关系与所述更新映射关系不匹配，或者所述历史模型参数与所述模型更新参数不匹配，确定所述待更新模型满足更新条件。

在本申请的一些实施例中，所述相关度确定模块用于通过以下步骤确定每一个特征维度与预测结果之间的相关度：

从样本数据库中获取所述预测事件的样本数据；

基于所述多个特征维度以及所述样本数据，确定出多个样本特征数据；

基于每一个特征维度以及多个样本特征数据，构建至少一个决策树；

基于构建的所述至少一个决策树中，每一个特征维度被划分在对应节点分支下的划分属性，确定每一个特征维度与预测结果之间的相关度。

在本申请的一些实施例中，所述划分属性包括划分次数、节点分裂增益以及样本覆盖比例中的至少一种。

在本申请的一些实施例中，当所述划分属性包括划分次数时，所述相关度确定模块用于通过以下步骤确定特征维度与预测结果之间的相关度：

针对每一个特征维度，确定在所述至少一个决策树中该特征维度被划分在决策树中各节点下的划分次数；

将所述划分次数确定为该特征维度与预测结果之间的相关度，其中，所述划分次数越多，该特征维度与预测结果之间的相关度越高。

在本申请的一些实施例中，当所述划分属性包括节点分裂增益时，所述相关度确定模块用于通过以下步骤确定特征维度与预测结果之间的相关度：

获取在构建所述至少一个决策树的过程中，确定每一个特征维度被划分在决策树中对应节点下时，该节点的节点分裂增益；

针对于每一个特征维度，将与该特征维度对应的每一个节点的节点分裂增益加和后取平均值，得到该特征维度对应的平均节点分裂增益；

将所述平均节点分裂增益确定为该特征维度与预测结果之间的相关度，其中，所述平均节点分裂增益越大，该特征维度与预测结果之间的相关度越高。

在本申请的一些实施例中，当所述划分属性包括样本覆盖比例时，所述相关度确定模块用于通过以下步骤确定特征维度与预测结果之间的相关度：

针对每一个特征维度，确定该特征维度被划分在对应节点下时，在每个节点下能够使用的样本特征数据的样本数量；

基于每个节点下的样本数量，确定与该特征维度对应的至少一个节点下的样本总数，以及所述样本总数占输入的所述多个样本特征数据中总样本数量的样本覆盖比例；

将所述样本覆盖比例，确定为该特征维度与预测结果之间的相关度，其中，所述样本覆盖比例越高，该特征维度与预测结果之间的相关度越高。

在本申请的一些实施例中，所述更新数据确定模块在用于将所述多个模型更新特征作为输入，将与每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，得到所述待更新模型训练完毕的更新数据时，所述更新数据确定模块用于：

将每一个特征维度与预测结果之间的相关度按照从大到小的顺序排序，并从所述多个特征维度中筛选出相关度在预设排序位置之前的至少一个目标特征维度；

将至少一个目标特征维度下的全部候选特征确定为多个模型更新特征。

在本申请的一些实施例中，所述更新数据确定模块用于通过以下步骤确定所述待更新模型训练完毕：

确定在所述多个模型更新特征作为输入后，每一个模型更新特征对应的预测结果的预测准确率；

将所述预测准确率按照从大到小的顺序排列，确定预测准确率在预设序列位置之前的多个目标预测准确率；

将在使用中待更新模型的当前准确率按照从大到小的顺序排序，确定当前准确率在预设序列位置之前的多个目标当前准确率；

计算位于同一序列位置的目标预测准确率与目标当前准确率之间的准确率偏差值，并检测每一个准确率偏差值是否大于预设偏差阈值；

若每一个准确率偏差值均大于预设偏差阈值，确定所述待更新模型训练完毕。

本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的模型更新参数的确定方法的步骤。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述的模型更新参数的确定方法的步骤。

本申请实施例提供的模型更新参数的确定、确定装置及可读存储介质，确定待更新模型的预测事件，以及与所述预测事件相关的多个特征维度和在每个特征维度下的多个候选特征；确定每一个特征维度与预测结果之间的相关度；基于确定出的每一个特征维度与预测结果之间的相关度，从多个候选特征中筛选出多个模型更新特征；将所述多个模型更新特征作为输入，将与每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，得到所述待更新模型训练完毕的更新数据。

与现有技术中的模型更新方法相比，本申请通过每一个特征维度与预测结果之间的相关度，从每个特征维度下的多个候选特征确定出多个模型更新特征，将多个模型更新特征作为输入，将每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，确定所述待更新模型训练完毕后的更新数据，可以随着特征与预测结果关系的变化选择对预测结果重要的特征对模型进行更新，从而保持甚至提升模型的预测效果，提高了模型更新的准确性，同时有助于保证线上服务的低时延，降低服务超时的概率。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的一种模型更新系统的架构示意图；

图2为本申请实施例所提供的一种模型更新参数的确定方法的流程图；

图3为本申请另一实施例提供的一种模型更新参数的确定方法的流程图；

图4为本申请实施例所提供的一种模型更新参数的确定装置的结构示意图之一；

图5为本申请实施例所提供的一种模型更新参数的确定装置的结构示意图之二；

图6为本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。

为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“模型参数更新”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕根据特征维度与预测结果之间的相关度，确定模型的输入特征对待更新模型进行训练，确定模型的更新数据进行描述，但是应该理解，这仅是一个示例性实施例。

需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。

本申请的一个方面涉及一种模型更新系统。该系统可以通过每一个特征维度与预测结果之间的相关度，从每个特征维度下的多个候选特征确定出多个模型更新特征，将多个模型更新特征作为输入，将每一个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，确定所述待更新模型训练完毕后的更新数据，可以随着特征与预测结果关系的变化选择对预测结果重要的特征对模型进行更新，从而保持甚至提升模型的预测效果，提高了模型更新的准确性，同时有助于保证线上服务的低时延，降低服务超时的概率。

值得注意的是，在本申请提出申请之前，模型使用的特征数据等都是固定的，对于模型的更新，大都是通过最新的特征数据对模型进行训练，仅是数据的数值发生变化，来得到模型的更新数据，这样，模型的预测事件中预测结果和预测因素之间一成不变，预测事件的可用信息僵化，导致模型的预测准确率不稳定，甚至在一定时间段后，模型的预测准确率会大幅降低。然而，本申请的目的在于提供一种模型更新参数的确定方法、确定装置以及可读存储介质，通过在需要进行模型更新时不同特征维度与预测结果之间的相关度，筛选得到的模型更新特征，以对模型训练得到模型的更新数据，这样，可以随着特征与预测结果关系的变化选择对预测结果重要的特征对模型进行更新，从而保持甚至提升模型的预测效果，提高了模型更新的准确性，同时有助于保证线上服务的低时延，降低服务超时的概率。

图1为本申请实施例提供的一种模型更新系统的架构示意图。例如，模型更新系统可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。模型更新系统可以包括服务器110、网络120、服务请求端130、服务提供端140、和数据库150中的一种或多种。

在一些实施例中，服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，处理器可以基于从服务请求端130获得的服务请求来确定出行预测事件。在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(s)或多核处理器(s))。仅作为举例，处理器可以包括中央处理单元(centralprocessingunit,cpu)、专用集成电路(applicationspecificintegratedcircuit,asic)、专用指令集处理器(applicationspecificinstruction-setprocessor,asip)、图形处理单元(graphicsprocessingunit,gpu)、物理处理单元(physicsprocessingunit,ppu)、数字信号处理器(digitalsignalprocessor,dsp)、现场可编程门阵列(fieldprogrammablegatearray,fpga)、可编程逻辑器件(programmablelogicdevice，pld)、控制器、微控制器单元、简化指令集计算机(reducedinstructionsetcomputing,risc)、或微处理器等，或其任意组合。

在一些实施例中，数据库150可以连接到网络120与模型更新系统中的一个或多个组件(例如，服务请求端130、服务提供端140等)通信。模型更新系统中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中，数据库150可以直接连接到模型更新系统中的一个或多个组件，或者，数据库150也可以是服务器110的一部分。

在实际出行场景中，模型更新系统中的服务器110根据实际出行场景，对在该出行场景中可能应用到的模型进行更新，所述服务提供端140可以利用出行预测模型的预测结果确定接单数量等信息，服务请求端130也可以利用出行预测模型的预测结果来确定出行订单是否被接单等信息。

下面结合上述图1示出的模型更新系统中描述的内容，对本申请实施例提供的对所述模型更新系统中的模型进行更新的模型更新参数的确定方法进行详细说明。

请参阅图2，图2为本申请实施例所提供的一种模型更新参数的确定方法的流程图。该方法可以由模型更新系统中的处理器来执行，具体执行过程为：

s201、确定待更新模型的预测事件，以及与所述预测事件相关的多个特征维度和在每个特征维度下的多个候选特征。

该步骤中，确定所述待更新模型需要预测的预测事件，并确定出可能影响所述预测事件的预测结果的多个特征维度，以及在每一个特征维度下对应的历史数据中包括的多个候选特征。

这里，对于预测事件来说会存在对预测结果产生影响的多个特征，并且每个特征对预测结果的影响不相同。

以预测事件为出行事件为例，在对用户出行的目的地进行预测的过程中，获取到的用户的出行信息中指示用户的出行时间为上午8点，出行日为工作日，基于出行时间为上午8点，出行日为工作日可以基本预测用户的出行目的地是公司。

s202、确定每一个特征维度与预测结果之间的相关度。

该步骤中，在步骤201确定出多个特征维度后，需要再针对每一个特征维度，确定每一个特征维度与预测结果之间的相关度。

这里，特征维度与预测结果的相关度表征了在确定预测结果时，该特征维度对预测结果的影响(重要性)。有助于剔除无意义的、重复的特征，减少预测过程中的工作量，提高工作效率。

其中，特征维度与预测结果之间的相关度可能不是一成不变的，一些特征维度的重要性可能随着用户习惯的变化或市场环境的变化而降低，而之前未被用来预测结果的特征维度，也可能根据环境的变化而对预测结果产生影响，需要时刻根据变化来调整每一个特征维度与预测结果之间的相关度。对于每一个特征维度与预测结果之间的相关度可以是在不同时间段，每一个特征维度对预测结果的影响也是不同的。

以预测事件为出行事件为例，某时间段内某路段在施工，在进行出行路线规划时，这段正在施工的路段将不再被规划进出行路线中，这时，路况这个特征维度与预测结果之间的相关度将增加，而在其他时间段，对于用户的出行路线的规划更多的是依赖于时间维度，根据出行时间以及对到达目的地的时间，确定选择相应的出行路线。

s203、基于确定出的每一个特征维度与预测结果之间的相关度，从多个候选特征中筛选出多个模型更新特征。

该步骤中，根据确定出的每一个特征维度与预测结果之间的相关度，从多个候选特征中筛选出在每个特征维度下的多个模型更新特征。

这里，在对结果的预测可以通过预先训练好的模型进行预测，需要根据每一个特征维度与预测结果之间的相关度，确定出对于所述预测结果来说比较重要的特征维度，从而根据确定出的特征维度确定出多个模型更新特征。

其中，对于特征数据的组合输入可以是包含全部模型更新特征的数据，也可以是包含部分模型更新特征的数据。

s204、将所述多个模型更新特征作为输入，将与每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，得到所述待更新模型训练完毕的更新数据。

该步骤中，将多个模型更新特征作为输入，将与每个模型更新特征对应的预测结果作为输出，训练所述待更新模型中的参数，若所述待更新模型输出的预测结果与实际预测结果之间的偏差值小于预设阈值，确定所述待更新模型训练完毕，得到所述待更新模型训练完毕的更新数据。

其中，所述更新数据可以包括训练完毕的待更新模型内的更新参数、更新目录等。

这里，在模型输出预测结果后需要和真实的结果进行对比，确定对每一个预测结果预测的准确率，并将准确率作为衡量模型更新效果的标准之一。

本申请实施例提供的模型更新参数的确定方法，确定待更新模型的预测事件，以及与所述预测事件相关的多个特征维度和在每个特征维度下的多个候选特征；确定每一个特征维度与预测结果之间的相关度；基于确定出的每一个特征维度与预测结果之间的相关度，从多个候选特征中筛选出多个模型更新特征；将所述多个模型更新特征作为输入，将与每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，得到所述待更新模型训练完毕的更新数据。

与现有技术中的模型更新方法相比，本申请通过每一个特征维度与预测结果之间的相关度，从每个特征维度下的多个候选特征确定出多个模型更新特征，将多个模型更新特征作为输入，将每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，确定所述待更新模型训练完毕后的更新数据，可以随着特征与预测结果关系的变化选择对预测结果重要的特征对模型进行更新，从而保持甚至提升模型的预测效果，提高了模型更新的准确性，同时有助于保证线上服务的低时延，降低服务超时的概率。

请参阅图3，图3为本申请另一实施例提供的一种模型更新参数的确定方法的流程图。该方法可以由模型更新系统中的处理器来执行，具体执行过程为：

s301、确定待更新模型的预测事件，以及与所述预测事件相关的多个特征维度和在每个特征维度下的多个候选特征。

s302、确定每一个特征维度与预测结果之间的相关度。

s303、基于确定出的每一个特征维度与预测结果之间的相关度，从多个候选特征中筛选出多个模型更新特征。

s304、将所述多个模型更新特征作为输入，将与每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，得到所述待更新模型训练完毕的更新数据。

s305、当确定所述待更新模型满足更新条件时，使用所述更新数据更新对所述待更新模型进行数据更新，确定更新后的出行预测模型。

该步骤中，在步骤s304确定出更新数据后，检测所述待更新模型是否满足更新条件，如果所述更新模型满足更新条件，确定可以用更新数据替换使用中的模型历史数据，并确定更新后的出行预测模型。

这里，所述更新模型与使用中的历史数据相比，两个模型的输入特征存在差异，对于同一预测事件的预测结果可以是相同的，也可以是不同的。

其中，s301至s304的描述可以参照s201至s204的描述，并且能达到相同的技术效果，对此不做赘述。

进一步的，在步骤s305之后，所述确定方法包括：

(1)获取待预测出行事件以及与所述待预测出行事件的出行数据。

这里，在用户在出行过程中会产生大量的数据，后台服务器会通过对这些数据的分析为用户更好地提供服务，其中，通过用户的出行数据中包含的出行特征，可以得到所述待预测出行事件的出行预测结果。

其中，所述出行数据可以包括出行时间、出行始发地、发起订单以及订单响应时间、司机、乘客的用户画像数据等。

这里，待预测出行事件可以是与用户出行相关的一切事件，可以是出行目的地、出行路线规划、出行路线对应的出行路况预测、出行所需的费用预测、出行订单是否被接单、出行订单评价等。

(2)基于确定出的每一个特征维度与预测结果之间的相关度，从所述出行数据中确定出所述待预测出行事件的多个目标出行特征。

该步骤中，根据确定出的每一个特征维度与预测结果之间的相关度，确定出与预测结果相关度高的多个目标特征维度，并从出行数据中确定出每一个目标特征维度下的目标出行特征。

这里，特征维度可以是时间维度、地域维度等，其中，特征维度可以根据出行环境的改变进行适当的增减调整，比如，天气这个维度就可以随着突发的天气情况进行增加。

这里，对于每个目标维度下的目标出行特征是从出行数据中获取的，是用户出行过程中根据实际情况确定的具体特征数据，例如，用户a的一条出行数据是：“上午9点-公司”，这时，对于时间维度来说，上午9点就是一个目标特征。

(3)将多个目标出行特征输入至所述出行预测模型中，得到所述待预测出行事件的出行预测结果。

该步骤中，将步骤(2)确定出的多个目标出行特征出入至更新后的出行预测模型中，所述出行预测模型根据输入的多个目标出行特征确定出行预测结果。

这里，在多个目标出行特征输入至所述出行预测模型中后，所述出行预测模型会得出多个候选结果以及每一个候选结果出现的概率，所述预测结果可以是从多个候选结果中确定出的概率最大的候选结果。

例如，用户的一条出行数据指示用户的出行始发时间为上午8点，出行始发地用户家，将用户家以及上午8点这两个特征输入至出行预测模型中，所述出行预测模型会得出公园、公司、商场这三个候选结果，其中，公园对应的概率为3％，公司对应的概率为90％，商场对应的概率为7％，在这三个候选结果中，概率最大的是公司，所以对于目的地预测来说，输出的预测结果是公司。

进一步的，通过以下步骤确定所述待更新模型满足更新条件：获取所述待更新模型在使用中的模型历史数据；检测所述模型历史数据指示的历史预测特征与历史预测结果之间的历史映射关系，与所述更新数据指示的更新预测特征与更新预测结果之间的更新映射关系是否匹配，以及所述模型历史数据指示的历史模型参数与所述更新数据指示的模型更新参数是否匹配；若所述历史映射关系与所述更新映射关系不匹配，或者所述历史模型参数与所述模型更新参数不匹配，确定所述待更新模型满足更新条件。

该步骤中，获取所述待更新模型在使用中的模型历史数据，这些模型历史数据可以包括历史预测特征与历史预测结果之间的历史映射关系等，获取完历史数据后，检测历史预测特征与历史预测结果之间的历史映射关系与更新数据指示的更新预测特征与更新预测结果之间的更新映射关系是否匹配，并且检测历史模型参数与所述更新数据指示的模型更新参数是否匹配，如果经过检测确定所述历史映射关系与所述更新映射关系不匹配，或者所述历史模型参数与所述模型更新参数不匹配，确定所述待更新模型满足更新条件。

其中，更新的前提是对原有模型的预测特征与预测结果之间的映射关系进行了更改，或是模型中的参数进行了修改，满足两个条件中的至少一个，判断本次的更新是有意义的，这时才确定用更新数据更新所述模型历史数据，从而构建更符合现下要求的模型。

其中，对于用更新数据更新所述模型历史数据，可以是将内存中现有模型的对象指针修改指向更新后的模型，并在指针指向修改结束后，将与原有的模型相关的数据删除，以节省内存空间。

这里，在获取所述待更新模型在使用中的模型历史数据之前，还可以对模型的更新时间进行判断，由于本申请实施例中优选的是离线进行模型更新，并将相关更新数据上传至线上，替换在使用中的模型，所以在线上进行模型数据的更新时，需要按照预设的时间间隔进行更新，在检测到有更新模型数据时，检测当前时间与上一次更新的时间间隔是否大于预设更新时间间隔，若当前所述时间间隔大于预设更新时间间隔，确定接收所述更新数据，并启动模型更新流程。

若当前所述时间间隔小于预设更新时间间隔，将不接收更新数据，并在下一个更新周期在进行更新数据的接收。

对于预设更新时间间隔的设置可以根据模型的更新使用周期进行限定，并且当出现对预测结果影响很大的特征维度时，可以更改预设更新时间间隔，在确定与该特征维度相关的更新数据后，直接进行模型更新。

这里，在接收更新数据之前，还可以进行更新数据的检测，可以检测更新数据的模型目录是否完整，更新数据是否完整，保证更新数据是正确且完整的并且在更新周期内才接收更新数据，进行模型更新。

进一步的，通过以下步骤确定每一个特征维度与预测结果之间的相关度：从样本数据库中获取所述预测事件的样本数据；基于所述多个特征维度以及所述样本数据，确定出多个样本特征数据；基于每一个特征维度以及多个样本特征数据，构建至少一个决策树；基于构建的所述至少一个决策树中，每一个特征维度被划分在对应节点分支下的划分属性，确定每一个特征维度与预测结果之间的相关度。

该步骤中，从样本数据库中获取与预测事件相关的样本数据，根据确定出的多个特征维度对样本数据进行筛选，确定出多个样本特征数据，根据每一个特征维度以及多个样本特征数据，将特征维度作为节点分裂依据，构建至少一个决策树；在决策树构建结束后，从所述决策树的根节点开始，遍历所述决策树的全部节点，基于每一个特征维度被划分在对应节点分支下的划分属性，确定出每一个特征维度与预测结果之间的相关度。

这里，对于样本特征数据的确定，是根据多个特征维度对数据进行筛选出来的，在本申请实施例中的筛选，可以是依据每一个样本数据是否包括至少一个特征维度下的特征数据为基准，如果样本数据中不包括任何特征维度下的特征，这样的样本数据对于待更新模型的训练是毫无意义的，即上述样本数据不能作为样本特征数据，在确定样本特征数据时，直接进行删除；在其他实施例中，还以筛选包括全部特征维度下的特征的样本数据作为样本特征数据。

这里，决策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法，对应于本申请实施例中，就是对在每个预测结果已知的情况下，确定每一个特征维度下的特征在对预测结果的预测中所起的作用，即在决策树中可以直观地体现出的每一个特征维度对决策树的“贡献”，这种贡献直观的体现在特征维度被划分在对应节点分支下的划分属性。

其中，划分属性包括划分次数、节点分裂增益以及样本覆盖比例中的至少一种。所述划分次数是指在全部决策树中每一个特征维度作为划分依据的次数，在决策树中会通过一些判断条件来确定不同样本数据对应的不同分支，而判断的依据与样本数据本身所带的特征相关，在各分支处该样本被划分到该分支下的依据就是特征维度，对于每一个特征维度作为这种划分依据的次数就是划分次数；所述节点分裂增益是相对于决策树的构建过程来说的，在节点进行划分分支即节点分裂时，需要确定如何分裂是效果最好的，在这里借助贪心算法对每一种分裂情况进行评估，从而选择最优的分裂方式对节点进行分裂，在每一次分裂时，节点对应的损失函数都会存在一个降低量，这是可计算的，所述损失函数的降低量就是节点分裂增益；所述样本覆盖比例是指在某一节点在依据某一特征维度进行分支划分时，可以用到的样本数量占总样本数量的比例，例如，某一节点的分支划分的依据是时间这个特征维度，在100个样本中有90个样本中包含时间特征，都被划分到该节点的分支划分下，这时该节点的样本覆盖比例就是90％。

进一步的，当所述划分属性包括划分次数时，通过以下步骤确定特征维度与预测结果之间的相关度：针对每一个特征维度，确定在所述至少一个决策树中该特征维度被划分在对应节点分支下的划分次数；将所述划分次数确定为该特征维度与预测结果之间的相关度，其中，所述划分次数越多，该特征维度与预测结果之间的相关度越高。

该步骤中，在所述划分属性包括划分次数时，针对每一个特征维度，确定在每一个决策树中该特征维度被划分在对应的节点分支下的划分次数，并将每一个决策树中的划分次数加和，确定出该特征维度对应的总划分次数，并将所述总划分次数作为该特征维度与预测结果之间的相关度，并且划分次数与相关度成正比，所述划分次数越多，该特征维度与预测结果之间的相关度越高。

这里，在一个决策树的构成过程中，将一个特征维度划分在对应的节点下，说明依据这个特征维度进行了分支划分，作为依据的次数越多，说明该特征维度在决策树的生成过程中所起的作用越大，对最终预测结果的影响也越大。

进一步的，当所述划分属性包括节点分裂增益时，通过以下步骤确定特征维度与预测结果之间的相关度：获取在构建所述至少一个决策树的过程中，确定在每一个特征维度被划分在对应节点下时，所述节点对应的节点分裂增益；针对于每一个特征维度，将与该特征维度对应的每一个节点的节点分裂增益加和后取平均值，得到该特征维度对应的平均节点分裂增益；将所述平均节点分裂增益确定为该特征维度与预测结果之间的相关度，其中，所述平均节点分裂增益越大，该特征维度与预测结果之间的相关度越高。

该步骤中，当所述划分属性包括节点分裂增益时，针对每一个特征维度，在构建决策树的过程中，确定该特征维度被划分在对应节点下时，对应节点的节点分裂增益，遍历与该特征维度相对应的全部节点对的节点分裂增益，取全部节点分裂增益的平均值，将该特征维度对应的平均节点分裂增益确定为该特征维度与预测结果之间的相关度，并且平均节点分裂增益与相关度成正比，所述平均节点分裂增益越大，该特征维度与预测结果之间的相关度越高。

这里，在对节点分裂时，分裂标准的选择可以根据贪心算法确定，所述贪心算法，又称贪婪算法，在对问题求解时，总是做出在当前看来是最好的选择，即不从整体构建考虑，只从单独当前需要分裂的节点的效果进行考虑，此时对应的特征维度对该节点来说就是最重要的特征维度；从整体角度来说，当节点分裂增益小于一个阈值时，这个分支对整个决策树的影响不大，由此可知，节点分裂增益与相关度成正比，所述节点分裂增益越大，该特征维度与预测结果之间的相关度越高。

进一步的，当所述划分属性包括样本覆盖比例时，通过以下步骤确定特征维度与预测结果之间的相关度：针对每一个特征维度，确定该特征维度被划分在对应节点下时，在每个节点下能够使用的样本特征数据的样本数量；基于每个节点下的样本数量，确定与该特征维度对应的至少一个节点下的样本总数，以及所述样本总数占输入的所述多个样本特征数据中总样本数量的样本覆盖比例；将所述样本覆盖比例，确定为该特征维度与预测结果之间的相关度，其中，所述样本覆盖比例越高，该特征维度与预测结果之间的相关度越高。

该步骤中，针对每一个特征维度，确定在该特征维度被划分在对应的节点下的可以覆盖到的样本个数，确定该特征维度对应的每一个节点下的样本个数以及该样本个数占构建所述决策树时的样本总数的比例，确定样本覆盖比例，并将所述样本覆盖比例确定为该特征维度与预测结果之间的相关度，并且所述样本覆盖比例与所述相关度正相关，所述样本覆盖比例越高，该特征维度与预测行结果之间的相关度越高。

这里，对于一个特征维度对应的样本覆盖比例的计算，可以是将该特征维度对应的每一个节点的样本覆盖比例的和值，也可以是将该特征维度对应的每一个节点的样本覆盖比例的平均值。

这里，对于针对预测结果的决策树的构建的样本特征数据都是进行筛选的，对预测结果有一定影响的特征，在特征维度被划分在对应的节点下对分支进行判断时，越多的样本特征数据符合划分条件，证明这个特征维度越能代表样本数据的预测趋势，也说明该特征维度对预测结果的影响越大。

进一步的，步骤s303包括：将每一个特征维度与预测结果之间的相关度按照从大到小的顺序排序，并从所述多个特征维度中筛选出相关度在预设排序位置之前的至少一个目标特征维度；将至少一个目标特征维度下的全部候选特征确定为多个模型更新特征。

该步骤中，在确定出每一个特征维度与预测结果之间的相关度后，将每一个特征维度对应的相关度按照从大到小的顺序进行排序，并预设一个预设排序位置，将排序在预设位置之前的至少一个特征维度从多个特征维度中筛选出来，确定至少一个目标特征维度；将每一个特征维度下对应的多个特征确定为需要输入待更新模型的多个模型更新特征。

这里，对于预设排序位置的确定，可以是根据实际需求进行设定，比如，待更新模型需要输入q个特征，那么预设位置就可以设置为q位；还可以是根据本次数据中可以确定的多个特征维度的维度个数，按照一定比例确定预设排序位置，例如，本次共获得10个特征维度，需要获取20％的目标特征维度，这是预设排序位置就可以是10*20％＝2。

这里，从样本数据库中获取的与预测事件相关的样本数据中可能会包括很多个特征，这些特征可能对于本次待更新模型的更新相关度不大，所以需要根据目标特征维度对特征进行筛选，滤除不在目标特征维度下的特征，从而确定出更合理的模型更新特征。

进一步的，通过以下步骤确定所述待更新模型训练完毕：确定在所述多个模型更新特征作为输入后，每一个模型更新特征对应的预测结果的预测准确率；将所述预测准确率按照从大到小的顺序排列，确定预测准确率在预设序列位置之前的多个目标预测准确率；将在使用中待更新模型的当前准确率按照从大到小的顺序排序，确定当前准确率在预设序列位置之前的多个目标当前准确率；计算位于同一序列位置的目标预测准确率与目标当前准确率之间的准确率偏差值，并检测每一个准确率偏差值是否大于预设偏差阈值；若每一个准确率偏差值均大于预设偏差阈值，确定所述待更新模型训练完毕。

该步骤中，确定在所述多个模型更新特征作为输入后，每一个模型更新特征对应的输出的预测结果，并将所述预测结果与对应的真实结果比较，确定所述预测结果的预测准确率；并将所述预测准确率按照从大到小的顺序排序，确定出在预设序列位置之前的多个目标预测准确率；确定在使用中的待更新模型的多个预测结果的当前准确率按照从大到小的顺序排序，确定当前准确率在预设序列位置之前的多个目标当前准确率，将位于同一序列位置的目标预测准确率和与之对应的目标预测准确率的差值，确定准确率偏差值，并检测每一个准确率偏差值是否大于预设偏差阈值，若每一个准确率偏差值均大于预设偏差阈值，即每一个预测结果的准确率都明显提升了，那么这时对模型的更新是有意义的，确定所述待更新模型训练完毕。

这里，对于同一个预测结果来说，都会在训练时有对应的实际结果，根据预测结果对应的概率值以及实际结果对应的概率值之间的差值，可以计算出相应的预测准确率，以此表征模型训练的效果。

这里，在模型训练过程中，对于每一个预测结果都有对应的预测准确率，确定预测准确率在前n位的n个目标预测准确率，并同时获取所述待更新的模型在使用过程中的当前准确率在前n位的n个目标当前准确率，对应的确定目标预测准确率与目标当前准确率之间的准确率偏差值，其中，所述对应的是指准确率最高的目标预测准确率与准确率最高的目标当前准确率之间的对应。

这里，对于预设序列位置的确定，可以是根据对于预测结果的需求设定，比如需要给出4个预测结果，那么预设序列位置就可以是4，或是根据预测结果的数量按照一定的比例，确定预设序列位置，例如，某次预测得到10个预测结果，需要从10个预测结果中确定出40％的预测结果作为参考，那么这时预设序列位置也可以是4。

本申请实施例提供的模型更新参数的确定方法，确定待更新模型的预测事件，以及与所述预测事件相关的多个特征维度和在每个特征维度下的多个候选特征；确定每一个特征维度与预测结果之间的相关度；将每一个特征维度与预测结果之间的相关度按照从大到小的顺序排序，并从所述多个特征维度中筛选出相关度在预设排序位置之前的至少一个目标特征维度；将至少一个目标特征维度下的全部候选特征确定为多个模型更新特征；将所述多个模型更新特征作为输入，将与每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，得到所述待更新模型训练完毕的更新数据；当确定所述待更新模型满足更新条件时，使用所述更新数据对所述待更新模型进行数据更新，确定更新后的出行预测模型。

与现有技术中的模型更新方法相比，本申请通过每一个特征维度与预测结果之间的相关度，从每个特征维度下的多个候选特征确定出多个模型更新特征，将多个模型更新特征作为输入，将每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，确定所述待更新模型训练完毕后的更新数据，可以随着特征与预测结果关系的变化选择对预测结果重要的特征对模型进行更新，从而保持甚至提升模型的预测效果，提高了模型更新的准确性，同时有助于保证线上服务的低时延，降低服务超时的概率。

请参阅图4、图5，图4为本申请实施例所提供的一种模型更新参数的确定装置的结构示意图之一，图5为本申请实施例所提供的一种模型更新参数的确定装置的结构示意图之二。如图4中所示，所述确定装置400包括：

特征筛选模块410，用于确定待更新模型的预测事件，以及与所述预测事件相关的多个特征维度和在每个特征维度下的多个候选特征；

相关度确定模块420，用于确定每一个特征维度与预测结果之间的相关度；

更新特征筛选模块430，用于基于确定出的每一个特征维度与预测结果之间的相关度，从多个候选特征中筛选出多个模型更新特征；

更新数据确定模块440，用于将所述多个模型更新特征作为输入，将与每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，得到所述待更新模型训练完毕的更新数据。

进一步的，如图5所示，所述确定装置400还包括模型更新模块450，所述模型更新模块450用于：

当确定所述待更新模型满足更新条件时，使用所述更新数据对所述待更新模型进行数据更新，确定更新后的出行预测模型。

进一步的，如图5所示，所述确定装置400还包括出行预测模块460，所述出行预测模块460用于：

获取待预测出行事件以及所述待预测出行事件的出行数据；

基于确定出的每一个特征维度与预测结果之间的相关度，从所述出行数据中确定出所述待预测出行事件的多个目标出行特征；

将多个目标出行特征输入至所述出行预测模型中，得到所述待预测出行事件的出行预测结果。

进一步的，所述模型更新模块450用于通过以下步骤确定所述待更新模型满足更新条件：

获取所述待更新模型在使用中的模型历史数据；

检测所述模型历史数据指示的历史预测特征与历史预测结果之间的历史映射关系，与所述更新数据指示的更新预测特征与更新预测结果之间的更新映射关系是否匹配，以及所述模型历史数据指示的历史模型参数与所述更新数据指示的模型更新参数是否匹配；

若所述历史映射关系与所述更新映射关系不匹配，或者所述历史模型参数与所述模型更新参数不匹配，确定所述待更新模型满足更新条件。

进一步的，所述相关度确定模块420用于通过以下步骤确定每一个特征维度与预测结果之间的相关度：

从样本数据库中获取所述预测事件的样本数据；

基于所述多个特征维度以及所述样本数据，确定出多个样本特征数据；

基于每一个特征维度以及多个样本特征数据，构建至少一个决策树；

基于构建的所述至少一个决策树中，每一个特征维度被划分在对应节点分支下的划分属性，确定每一个特征维度与预测结果之间的相关度。

进一步的，所述划分属性包括划分次数、节点分裂增益以及样本覆盖比例中的至少一种。

进一步的，当所述划分属性包括划分次数时，所述相关度确定模块420用于通过以下步骤确定特征维度与预测结果之间的相关度：

针对每一个特征维度，确定在所述至少一个决策树中该特征维度被划分在决策树中各节点下的划分次数；

将所述划分次数确定为该特征维度与预测结果之间的相关度，其中，所述划分次数越多，该特征维度与预测结果之间的相关度越高。

进一步的，当所述划分属性包括节点分裂增益时，所述相关度确定模块420用于通过以下步骤确定特征维度与预测结果之间的相关度：

获取在构建所述至少一个决策树的过程中，确定每一个特征维度被划分在决策树中对应节点下时，该节点的节点分裂增益；

针对于每一个特征维度，将与该特征维度对应的每一个节点的节点分裂增益加和后取平均值，得到该特征维度对应的平均节点分裂增益；

将所述平均节点分裂增益确定为该特征维度与预测结果之间的相关度，其中，所述平均节点分裂增益越大，该特征维度与预测结果之间的相关度越高。

进一步的，当所述划分属性包括样本覆盖比例时，所述相关度确定模块420用于通过以下步骤确定特征维度与预测结果之间的相关度：

针对每一个特征维度，确定该特征维度被划分在对应节点下时，在每个节点下能够使用的样本特征数据的样本数量；

基于每个节点下的样本数量，确定与该特征维度对应的至少一个节点下的样本总数，以及所述样本总数占输入的所述多个样本特征数据中总样本数量的样本覆盖比例；

将所述样本覆盖比例，确定为该特征维度与预测结果之间的相关度，其中，所述样本覆盖比例越高，该特征维度与预测结果之间的相关度越高。

进一步的，所述更新数据确定模块440在用于将所述多个模型更新特征作为输入，将与每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，得到所述待更新模型训练完毕的更新数据时，所述更新数据确定模块440用于：

将每一个特征维度与预测结果之间的相关度按照从大到小的顺序排序，并从所述多个特征维度中筛选出相关度在预设排序位置之前的至少一个目标特征维度；

将至少一个目标特征维度下的全部候选特征确定为多个模型更新特征。

进一步的，所述更新数据确定模块用于通过以下步骤确定所述待更新模型训练完毕：

确定在所述多个模型更新特征作为输入后，每一个模型更新特征对应的预测结果的预测准确率；

将所述预测准确率按照从大到小的顺序排列，确定预测准确率在预设序列位置之前的多个目标预测准确率；

将在使用中待更新模型的当前准确率按照从大到小的顺序排序，确定当前准确率在预设序列位置之前的多个目标当前准确率；

计算位于同一序列位置的目标预测准确率与目标当前准确率之间的准确率偏差值，并检测每一个准确率偏差值是否大于预设偏差阈值；

若每一个准确率偏差值均大于预设偏差阈值，确定所述待更新模型训练完毕。

本申请实施例提供的模型更新参数的确定装置，确定待更新模型的预测事件，以及与所述预测事件相关的多个特征维度和在每个特征维度下的多个候选特征；确定每一个特征维度与预测结果之间的相关度；基于确定出的每一个特征维度与预测结果之间的相关度，从多个候选特征中筛选出多个模型更新特征；将所述多个模型更新特征作为输入，将与每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，得到所述待更新模型训练完毕的更新数据。

与现有技术中的模型更新方法相比，本申请通过每一个特征维度与预测结果之间的相关度，从每个特征维度下的多个候选特征确定出多个模型更新特征，将多个模型更新特征作为输入，将每个模型更新特征对应的预测结果作为输出，对所述待更新模型进行训练，确定所述待更新模型训练完毕后的更新数据，可以随着特征与预测结果关系的变化选择对预测结果重要的特征对模型进行更新，从而保持甚至提升模型的预测效果，提高了模型更新的准确性，同时有助于保证线上服务的低时延，降低服务超时的概率。

请参阅图6，图6为本申请实施例所提供的一种电子设备的结构示意图。如图6中所示，所述电子设备600包括处理器610、存储器620和总线630。

所述存储器620存储有所述处理器610可执行的机器可读指令，当电子设备600运行时，所述处理器610与所述存储器620之间通过总线630通信，所述机器可读指令被所述处理器610执行时，可以执行如上述图2以及图3所示方法实施例中的模型更新参数的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时可以执行如上述图2以及图3所示方法实施例中的模型更新参数的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。