目前，在特定的應(yīng)用場(chǎng)景下，比如智能客服應(yīng)用場(chǎng)景，智能客服能夠基于終端側(cè)已有的用戶對(duì)話記錄分析出用戶的特征，比如用戶的興趣、習(xí)慣以及語言模式等。

但是，由于終端側(cè)所積累的用戶對(duì)話記錄的數(shù)據(jù)量非常小，無法對(duì)該智能客服進(jìn)行訓(xùn)練，也就導(dǎo)致了智能客服無法以符合用戶的特征的方式與用戶進(jìn)行交互。在這種背景下，從服務(wù)器側(cè)向終端遷移對(duì)應(yīng)的數(shù)據(jù)對(duì)終端側(cè)的模型進(jìn)行訓(xùn)練的遷移技術(shù)應(yīng)運(yùn)而生。

通過在服務(wù)器上將所有終端的終端側(cè)數(shù)據(jù)進(jìn)行匿名匯總之后，在服務(wù)器側(cè)進(jìn)行模型訓(xùn)練，獲得多個(gè)通用模型，再通過人工匹配的方式，從多個(gè)通用模型中確定出符合終端需求的模型，再基于該模型向終端遷移相應(yīng)的數(shù)據(jù)，以解決終端側(cè)數(shù)據(jù)量小而無法實(shí)現(xiàn)智能客服訓(xùn)練的問題。

然而，由于在服務(wù)器側(cè)所訓(xùn)練好的模型是基于大量終端所積累的終端側(cè)數(shù)據(jù)進(jìn)行訓(xùn)練的，因此，所訓(xùn)練出的通用模型無法與特定的終端完全適配，導(dǎo)致通過該通用模型向終端所遷移的數(shù)據(jù)并不精確。另外，通過人工的方式確定出與終端相匹配的模型需要耗費(fèi)了大量的人力，效率不高。

因此，騰訊在19年7月15日申請(qǐng)了一項(xiàng)名為“基于機(jī)器學(xué)習(xí)的遷移數(shù)據(jù)確定方法、裝置、設(shè)備及介質(zhì)”（申請(qǐng)?zhí)枺?01910637116.9），申請(qǐng)人為騰訊科技（深圳）有限公司。

根據(jù)目前該專利公開的資料，讓我們一起來看看這項(xiàng)遷移數(shù)據(jù)確定方法吧。

如上圖為基于機(jī)器學(xué)習(xí)的數(shù)據(jù)遷移系統(tǒng)的結(jié)構(gòu)框圖，這個(gè)數(shù)據(jù)遷移系統(tǒng)包括終端110和數(shù)據(jù)遷移平臺(tái)140，終端通過無線網(wǎng)絡(luò)或有線網(wǎng)絡(luò)與數(shù)據(jù)遷移平臺(tái)相連，終端安裝和運(yùn)行有支持?jǐn)?shù)據(jù)遷移的應(yīng)用程序。

數(shù)據(jù)遷移平臺(tái)可以由一臺(tái)服務(wù)器、多臺(tái)服務(wù)器、云計(jì)算平臺(tái)和虛擬化中心中的任意一種構(gòu)成，主要是用于為支持?jǐn)?shù)據(jù)遷移的應(yīng)用程序提供后臺(tái)服務(wù)，在數(shù)據(jù)遷移平臺(tái)和終端中均可以單獨(dú)承擔(dān)數(shù)據(jù)處理工作，也可以相互配合進(jìn)行更加高效的組合。

而該發(fā)明主要涉及遷移數(shù)據(jù)，例如這種遷移數(shù)據(jù)主要是作為服務(wù)向終端用戶提供并使用的數(shù)據(jù)。以智能客服場(chǎng)景為例，在云服務(wù)器確定出遷移模型，基于該遷移模型向終端遷移與該終端匹配的數(shù)據(jù)，結(jié)合終端的終端側(cè)數(shù)據(jù)和遷移的數(shù)據(jù)，通過機(jī)器學(xué)習(xí)對(duì)終端的智能客服進(jìn)行訓(xùn)練。

從而實(shí)現(xiàn)針對(duì)各個(gè)用戶的興趣、習(xí)慣以及語言模式等定制出屬于用戶自己的智能客服，比如，當(dāng)用戶在終端上向智能客服發(fā)起對(duì)話后，智能客服以用戶可能感興趣的方式、符合當(dāng)前用戶習(xí)慣以及符合用戶語言模式的方式與用戶進(jìn)行對(duì)話。

如上圖為基于前N個(gè)終端的遷移過程數(shù)據(jù)實(shí)現(xiàn)向第N+1個(gè)終端遷移數(shù)據(jù)的示意圖，需要遷移的數(shù)據(jù)存儲(chǔ)在云服務(wù)器側(cè)，針對(duì)于不同終端的需求，從云服務(wù)器側(cè)中確定出對(duì)應(yīng)的數(shù)據(jù)并向終端遷移，在云服務(wù)器側(cè)基于已經(jīng)向終端進(jìn)行數(shù)據(jù)遷移的遷移過程數(shù)據(jù)進(jìn)行分析，對(duì)云服務(wù)器上的模型進(jìn)行訓(xùn)練，使訓(xùn)練后的模型能夠針對(duì)特定終端遷移相應(yīng)的數(shù)據(jù)。

獲取已經(jīng)向N個(gè)終端進(jìn)行數(shù)據(jù)遷移的遷移過程數(shù)據(jù)，其中，N的取值范圍為大于等于1的正整數(shù)，基于該N個(gè)遷移過程數(shù)據(jù)對(duì)云服務(wù)器的模型進(jìn)行訓(xùn)練。最終，將訓(xùn)練后的模型應(yīng)用至服務(wù)器向第N+1個(gè)終端進(jìn)行數(shù)據(jù)遷移過程中。

在獲取到服務(wù)器向多個(gè)終端進(jìn)行數(shù)據(jù)遷移的遷移過程數(shù)據(jù)后，對(duì)所獲取的遷移過程數(shù)據(jù)進(jìn)行分析，確定出每個(gè)遷移過程數(shù)據(jù)的數(shù)據(jù)遷移性能指標(biāo)，基于數(shù)據(jù)遷移性能指標(biāo)數(shù)據(jù)對(duì)服務(wù)器中的待訓(xùn)練模型進(jìn)行訓(xùn)練，獲得遷移模型，通過該遷移模型從服務(wù)器側(cè)的通用數(shù)據(jù)中確定出向目標(biāo)終端遷移的數(shù)據(jù)，并響應(yīng)于終端的遷移請(qǐng)求遷移該數(shù)據(jù)。

接下來我們具體看看該方案的流程圖。

如上圖所示為基于機(jī)器學(xué)習(xí)的遷移數(shù)據(jù)確定方法的流程圖，首先，計(jì)算機(jī)設(shè)備獲取服務(wù)器分別向多個(gè)終端進(jìn)行數(shù)據(jù)遷移的遷移過程數(shù)據(jù)，遷移過程數(shù)據(jù)包括被遷移的個(gè)性化數(shù)據(jù)以及每個(gè)終端的終端側(cè)數(shù)據(jù)。

例如，在圖片識(shí)別的應(yīng)用場(chǎng)景中，將貓的圖片遷移到狗的圖片，那么貓的圖片與狗的圖片之間具有共同特征的數(shù)據(jù)為眼睛部位的圖像數(shù)據(jù)、鼻子部位的圖像數(shù)據(jù)等。

其次，計(jì)算機(jī)設(shè)備確定每個(gè)終端對(duì)應(yīng)的個(gè)性化數(shù)據(jù)和每個(gè)終端的終端側(cè)數(shù)據(jù)之間的相似度。在理想的數(shù)據(jù)遷移情況下，被遷移的個(gè)性化數(shù)據(jù)應(yīng)當(dāng)與終端側(cè)數(shù)據(jù)之間具有共同特征的數(shù)據(jù)，因此，需要確定出遷移過程數(shù)據(jù)的遷移性能，即被遷移的個(gè)性化數(shù)據(jù)與終端側(cè)數(shù)據(jù)之間的相似程度越高，則表明對(duì)應(yīng)遷移過程數(shù)據(jù)的遷移性能越好，可以將這些數(shù)據(jù)作為后續(xù)模型訓(xùn)練的訓(xùn)練基礎(chǔ)，對(duì)云服務(wù)器側(cè)的遷移模型進(jìn)行訓(xùn)練和優(yōu)化。

接著，計(jì)算機(jī)設(shè)備基于相似度，確定多個(gè)終端的數(shù)據(jù)遷移性能指標(biāo)，計(jì)算機(jī)設(shè)備基于每個(gè)終端的數(shù)據(jù)遷移性能指標(biāo)對(duì)待訓(xùn)練模型進(jìn)行訓(xùn)練，獲得遷移模型。最終，計(jì)算機(jī)設(shè)備響應(yīng)于終端的遷移請(qǐng)求，基于遷移模型確定向終端遷移的數(shù)據(jù)。

通過訓(xùn)練后的遷移模型中包含了多個(gè)已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)層，將終端的終端側(cè)數(shù)據(jù)輸入至遷移模型中，通過多個(gè)已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)層對(duì)終端側(cè)數(shù)據(jù)進(jìn)行分析，分析出終端的特征數(shù)據(jù)后與云服務(wù)器側(cè)的通用數(shù)據(jù)中進(jìn)行匹配。最終確定出向該終端遷移的數(shù)據(jù)，保證了所遷移的數(shù)據(jù)是該終端所需求的數(shù)據(jù)，從而實(shí)現(xiàn)針對(duì)于用戶生成定制化的模型，滿足用戶的需求。

最后我們來看看這里的遷移模型是如何獲得的吧。

如上圖所示，首先，計(jì)算機(jī)設(shè)備將每個(gè)終端的數(shù)據(jù)遷移性能指標(biāo)與待訓(xùn)練模型中對(duì)應(yīng)的待訓(xùn)練遷移參數(shù)進(jìn)行差異比對(duì)，確定多個(gè)終端的數(shù)據(jù)遷移性能指標(biāo)與待訓(xùn)練遷移參數(shù)之間的差異程度。

其次，計(jì)算機(jī)設(shè)備對(duì)每個(gè)差異程度進(jìn)行最小化，獲得對(duì)應(yīng)的遷移配置參數(shù)，例如從之前獲得的N個(gè)遷移過程數(shù)據(jù)對(duì)服務(wù)器中的待訓(xùn)練模型進(jìn)行訓(xùn)練。

最終，計(jì)算機(jī)設(shè)備將遷移配置參數(shù)向待訓(xùn)練模型中對(duì)應(yīng)的待訓(xùn)練參數(shù)進(jìn)行配置，獲得遷移模型。一個(gè)通過機(jī)器學(xué)習(xí)而被訓(xùn)練好的遷移模型可以被認(rèn)為存儲(chǔ)了遷移學(xué)習(xí)技巧，即對(duì)什么樣的用戶終端數(shù)據(jù)，應(yīng)該從服務(wù)器端遷移什么樣的知識(shí)。

以上就是騰訊發(fā)明的基于機(jī)器學(xué)習(xí)的遷移數(shù)據(jù)確定方法，通過獲取服務(wù)器向多個(gè)終端進(jìn)行數(shù)據(jù)遷移的遷移過程數(shù)據(jù)，基于機(jī)器學(xué)習(xí)對(duì)服務(wù)器側(cè)的模型進(jìn)行訓(xùn)練，獲得針對(duì)于終端進(jìn)行定制化的遷移模型，基于該遷移模型向終端高效遷移終端所需的數(shù)據(jù)，提高了遷移數(shù)據(jù)的準(zhǔn)確性和效率，同時(shí)節(jié)省了大量人力！