AI模型的训练方法、装置、设备及存储介质与流程

ai模型的训练方法、装置、设备及存储介质
技术领域
1.本技术涉及人工智能的机器学习技术领域，尤其涉及一种ai模型的训练方法、装置、设备及存储介质。


背景技术：

2.目前，患者诊疗主要是在线下进行，即便到了互联网时代，线上可以辅助进行诊疗的部分也很少。近年来，出现越来越多的互联网医院，互联网医院可以为患者提供方便快捷的线上ai(artificial intelligence，人工智能)诊疗服务，针对不同类型的诊疗服务，通过构建相应的独立的ai模型并进行训练，基于训练好的各类ai模型实现线上ai诊疗服务。只是，训练好的ai模型只能用于对信息完备的患者提供线上ai诊疗服务，而对某些信息缺失的患者，通过ai模型就无法实现准确可靠的线上ai诊疗服务，也即，ai模型的泛化能力较弱。并且，线上ai诊疗服务都是独立的，对于每一种服务对应的ai模型的训练，往往都需要收集患者的症状、过敏史、疾病史、诊断等多种信息，也即每次收集的信息往往只用于某个ai模型的训练，资源利用效率低。
3.因此，如何提高ai模型的泛化能力且提高资源利用效率成为亟需解决的问题。


技术实现要素：

4.本技术提供了一种ai模型的训练方法、装置、设备及存储介质，旨在实现提高ai模型的泛化能力且提高资源利用效率。
5.为实现上述目的，本技术提供一种ai模型的训练方法，所述ai模型的训练方法包括：
6.获取多种类型的用户信息，生成多种样本数据；
7.若待训练的当前ai模型为多个具有承接性的ai模型中的非首个ai模型，则将多种所述样本数据、以及承接在所述当前ai模型之前的至少一个ai模型的输出数据，输入所述当前ai模型进行特征提取，获得对应的隐状态数据；
8.对所述隐状态数据进行随机失活处理，得到更新后的隐状态数据；
9.基于更新后的隐状态数据对所述当前ai模型进行模型训练，获得训练好的当前ai模型。
10.此外，为实现上述目的，本技术还提供一种ai模型的训练装置，所述ai模型的训练装置包括：
11.样本数据生成模块，用于获取多种类型的用户信息，生成多种样本数据；
12.特征提取模块，用于若待训练的当前ai模型为多个具有承接性的ai模型中的非首个ai模型，则将多种所述样本数据、以及承接在所述当前ai模型之前的至少一个ai模型的输出数据，输入所述当前ai模型进行特征提取，获得对应的隐状态数据；
13.数据失活处理模块，用于对所述隐状态数据进行随机失活处理，得到更新后的隐状态数据；
14.模型训练模块，用于基于更新后的隐状态数据对所述当前ai模型进行模型训练，获得训练好的当前ai模型。
15.此外，为实现上述目的，本技术还提供一种计算机设备，所述计算机设备包括存储器和处理器；
16.所述存储器，用于存储计算机程序；
17.所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如上述的ai模型的训练方法。
18.此外，为实现上述目的，本技术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存储有计算机程序，所述计算机程序被处理器执行时实现上述的ai模型的训练方法的步骤。
19.本技术公开了一种ai模型的训练方法、装置、设备及存储介质，通过获取多种类型的用户信息，生成多种样本数据，若待训练的当前ai模型为多个具有承接性的ai模型中的非首个ai模型，则将多种样本数据、以及承接在当前ai模型之前的至少一个ai模型的输出数据，输入当前ai模型进行特征提取，获得对应的隐状态数据，并对隐状态数据进行随机失活处理，得到更新后的隐状态数据，基于更新后的隐状态数据对当前ai模型进行模型训练，获得训练好的当前ai模型，实现采用信息缺失的数据对ai模型进行训练，因此，训练好的ai模型能够适用于信息缺失的情况，也即提升了ai模型的泛化能力。并且，基于该多种样本数据分别对多个具有承接性的ai模型进行训练，也即，用户信息进行了多次重复利用，因此，提高了资源利用效率。
附图说明
20.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，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的附图。
21.图1是本技术实施例提供的一种ai模型的训练方法的步骤示意性流程图；
22.图2是本技术实施例提供的一种将多种样本数据输入当前ai模型进行特征提取，获得对应的隐状态数据的步骤示意性流程图；
23.图3是本技术实施例提供的一种对所述隐状态数据进行随机失活处理的步骤示意性流程图；
24.图4是本技术实施例提供的一种ai模型的训练装置的示意性框图；
25.图5是本技术实施例提供的一种计算机设备的结构示意性框图。
具体实施方式
26.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
27.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际
执行的顺序有可能根据实际情况改变。
28.应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
29.还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
30.本技术的实施例提供了一种ai模型的训练方法、装置、设备及存储介质，用于实现在用户可感知层面对网页进行监控。
31.请参阅图1，图1是本技术一实施例提供的ai模型的训练方法的流程示意图。该方法可以应用于计算机设备中，本技术中对该方法的应用场景不做限定。下面以该ai模型的训练方法应用于计算机设备中为例，对该ai模型的训练方法进行详细介绍。
32.如图1所示，该ai模型的训练方法具体包括步骤s101至步骤s104。
33.s101、获取多种类型的用户信息，生成多种样本数据。
34.为了对ai模型进行训练，获取大量的用户信息，示例性的，用户信息包括结构化信息、文本信息、图像信息等多种类型。
35.示例性的，以ai模型用于线上诊疗服务为例，获取的用户信息为患者信息，患者信息包括结构化信息、文本信息、图像信息等，其中，结构化信息包括人口统计学特征、检验检查指标、生命体征、用药史、疾病史、一段时间内(如3年内)的新增疾病情况、当次问诊诊断、当次问诊开药等信息，文本信息包括主诉以及与医生的问答对话等信息，图像信息包括患处的图像等信息。
36.在一些实施例中，生成多种样本数据可以包括：
37.对所述用户信息进行数据预处理，生成多种所述样本数据，其中，所述数据预处理包括数据分类、数据清洗中至少一种。
38.仍以用户信息为患者信息为例，对患者信息进行数据预处理，其中，数据预处理包括但不限于数据分类、数据清洗中至少一种。例如，将生命体征、用药史、疾病史、一段时间内的新增疾病情况、当次问诊诊断、当次问诊开药、与医生的问答对话、患处的图像等患者信息分类为结构化信息、文本信息、图像信息等。并进行数据清洗，将其中无效的患者信息去除。
39.通过对各种用户信息进行数据预处理，获得各种类型的用户信息对应的样本数据。
40.例如，若用户信息包括结构化信息、文本信息、图像信息等多种，获得对应的样本数据包括结构化特征数据、文本特征数据、图像特征数据等。
41.s102、若待训练的当前ai模型为多个具有承接性的ai模型中的非首个ai模型，则将多种所述样本数据、以及承接在所述当前ai模型之前的至少一个ai模型的输出数据，输入所述当前ai模型进行特征提取，获得对应的隐状态数据。
42.示例性的，对于多个具有承接性的ai模型，依次按序对其中的每个ai模型进行训练。例如，假设多个具有承接性的ai模型包括第一ai模型、第二ai模型、第三ai模型，其中，第二ai模型承接在第一ai模型之前、第三ai模型之后。首先对第一ai模型进行训练，然后对第二ai模型进行训练，最后对第三ai模型进行训练。
43.在一些实施例中，所述若待训练的当前ai模型为多个具有承接性的ai模型中的非首个ai模型，则将多种所述样本数据、以及承接在所述当前ai模型之前的至少一个ai模型的输出数据，输入所述当前ai模型进行特征提取之前，可以包括：
44.确定所述当前ai模型是否为多个具有承接性的ai模型中的首个ai模型；
45.若否，则获取承接在所述当前ai模型之前的至少一个ai模型的输出数据。
46.示例性的，若当前ai模型为多个具有承接性的ai模型中的首个ai模型，则将多种所述样本数据输入所述当前ai模型进行特征提取，获得对应的隐状态数据。
47.例如，仍以上述列举的例子为例，若当前ai模型为上述的第一ai模型，第一ai模型是多个具有承接性的ai模型中的首个ai模型，则直接将获得的多种样本数据输入当前ai模型进行特征提取，获得对应的隐状态数据，以基于隐状态数据对当前ai模型进行训练。
48.示例性的，样本数据包括图像特征数据a_i(1)、结构化特征数据a_i(2)、文本特征数据a_i(3)。将图像特征数据a_i(1)输入当前ai模型进行特征提取，获得图像特征数据对应的隐状态数据h_i(1)；将结构化特征数据a_i(2)输入当前ai模型进行特征提取，获得结构化特征数据对应的隐状态数据h_i(2)；将文本特征数据a_i(3)输入当前ai模型进行特征提取，获得文本特征数据对应的隐状态数据h_i(3)。
49.示例性的，由获得的多种隐状态数据h_i(1)、h_i(2)、h_i(3)组成隐状态数据集{h_i(1)，h_i(2)，h_i(3)}。
50.示例性的，每个ai模型包括cnn(convolutional neural network，卷积神经网络)层、fcnn(full convolutional neural network，全卷积神经网络)层、text cnn(text convolutional neural network，文本分类网络)层。若当前ai模型为多个具有承接性的ai模型中的首个ai模型，例如，如图2所示，将图像特征数据a_i(1)输入当前ai模型的cnn层进行特征提取，获得图像特征数据a_i(1)对应的隐状态数据h_i(1)；将结构化特征数据a_i(2)输入当前ai模型的fcnn层进行特征提取，获得结构化特征数据a_i(2)对应的隐状态数据h_i(2)；将文本特征数据a_i(3)输入当前ai模型的text cnn层进行特征提取，获得文本特征数据a_i(3)对应的隐状态数据h_i(3)。隐状态数据h_i(1)、隐状态数据h_i(2)和隐状态数据h_i(3)组成隐状态数据集{h_i(1)，h_i(2)，h_i(3)}。
51.示例性的，若当前ai模型为多个具有承接性的ai模型中的非首个ai模型，则获取承接在当前ai模型之前的至少一个ai模型的输出数据。例如，若当前ai模型为第二ai模型，则获取承接在前的第一ai模型基于输入的多种样本数据对应的输出数据。
52.之后，将多种样本数据、以及承接在当前ai模型之前的至少一个ai模型的输出数据，输入当前ai模型进行特征提取，获得对应的隐状态数据。
53.在一些实施例中，将多种所述样本数据、以及承接在所述当前ai模型之前的至少一个ai模型的输出数据，输入所述当前ai模型进行特征提取，获得对应的隐状态数据，可以包括：
54.将所述图像特征数据输入所述当前ai模型的cnn层进行特征提取，获得对应的第一隐状态数据；
55.将所述结构化特征数据与所述输出数据输入所述当前ai模型的fcnn层进行特征提取，获得对应的第二隐状态数据；
56.将所述文本特征数据输入所述当前ai模型的text cnn层进行特征提取，获得对应
的第三隐状态数据。
57.例如，仍以上述列举的例子为例，若当前ai模型为第二ai模型，将图像特征数据输入第二ai模型的cnn层进行特征提取，获得对应的第一隐状态数据；将结构化特征数据、以及第一ai模型的输出数据输入第二ai模型的fcnn层进行特征提取，获得对应的第二隐状态数据；将文本特征数据输入第二ai模型的text cnn层进行特征提取，获得对应的第三隐状态数据。
58.s103、对所述隐状态数据进行随机失活处理，得到更新后的隐状态数据。
59.示例性的，仍以上述列举的隐状态数据h_i(1)、h_i(2)、h_i(3)为例，通过对h_i(1)、h_i(2)、h_i(3)中至少一个进行随机失活处理，从而对隐状态数据进行更新。
60.在一些实施例中，如图3所示，步骤s103可以包括子步骤s1031和子步骤s1032。
61.s1031、从多种所述隐状态数据中随机选取至少一种隐状态数据。
62.例如，仍以隐状态数据h_i(1)、h_i(2)、h_i(3)为例，从中随机选取至少一种隐状态数据，例如，随机选取h_i(1)、h_i(2)、h_i(3)中的一个。
63.在一些实施例中，每种隐状态数据对应唯一的编号，例如，隐状态数据h_i(1)对应编号1，隐状态数据h_i(2)对应编号2，隐状态数据h_i(3)对应编号3。从多种所述隐状态数据中随机选取至少一种隐状态数据可以包括：
64.随机产生至少一个编号，从多种所述隐状态数据中选取每个编号对应的隐状态数据。
65.例如，仍以隐状态数据h_i(1)、h_i(2)、h_i(3)为例，隐状态数据h_i(1)、h_i(2)、h_i(3)分别对应编号1、2、3，从1、2、3中随机产生至少一个编号t＝random(1，2，3)，选取随机产生的至少一个编号对应的隐状态数据。
66.例如，若随机产生编号1，则选取编号1对应的隐状态数据h_i(1)；又如，若随机产生编号1和2，则选取编号1和2对应的隐状态数据h_i(1)和h_i(2)。
67.s1032、将至少一种所述隐状态数据替换为预设值，以使至少一种所述隐状态数据失活。
68.其中，预设值可以设置为0，可以理解的是，预设值也可以为0以外的其他数值。
69.若预设值为0，则将随机产生的编号t＝random(1，2，3)对应的隐状态数据h_i(t)更新为：h_i(t)＝0。例如，当随机产生的编号t＝random(1，2，3)为1时，则将h_i(1)＝0，使得隐状态数据h_i(1)失活。
70.s104、基于更新后的隐状态数据对所述当前ai模型进行模型训练，获得训练好的当前ai模型。
71.例如，仍以隐状态数据h_i(1)、h_i(2)、h_i(3)为例，若随机产生的编号t＝random(1，2，3)为1，将h_i(1)＝0，获得更新后的隐状态数据h_i(1)＝0，以及h_i(2)和h_i(3)。基于更新后的隐状态数据对当前ai模型进行模型训练，直至当前ai模型收敛，获得训练好的当前ai模型。
72.示例性的，当前ai模型的训练过程中使用二分类交叉熵损失函数，直至训练到损失函数不再下降为止，也即当前ai模型收敛。
73.由于多个ai模型间具有承接性，多种类型的用户信息(如患者信息)被应用到多个ai模型的训练，不需要重复多次收集获取，因此，提高了信息获取及利用效率。
74.示例性的，为了实现提供风险评估-》诊断-》治疗推荐等全方位的线上ai诊疗服务，构建相应的3个具有承接性ai模型：风险评估模型、疾病诊断模型、治疗推荐模型。
75.基于多种类型的患者信息生成对应的多种样本数据，其中，多种样本数据包括图像特征数据、结构化特征数据、文本特征数据。
76.首先，将图像特征数据输入风险评估模型的cnn层进行特征提取，获得图像特征数据对应的隐状态数据，将结构化特征数据输入风险评估模型的fcnn层进行特征提取，获得结构化特征数据对应的隐状态数据，将文本特征数据输入风险评估模型的text cnn层进行特征提取，获得文本特征数据对应的隐状态数据，对获得的多种隐状态数据进行随机失活处理，基于失活处理后的多种隐状态数据对风险评估模型进行模型训练，获得训练好的风险评估模型，并得到风险评估模型的第一输出数据。
77.之后，将图像特征数据输入疾病诊断模型的cnn层进行特征提取，获得图像特征数据对应的隐状态数据，将结构化特征数据、以及第一输出数据输入疾病诊断模型的fcnn层进行特征提取，获得对应的隐状态数据，将文本特征数据输入疾病诊断模型的text cnn层进行特征提取，获得文本特征数据对应的隐状态数据，对获得的多种隐状态数据进行随机失活处理，基于失活处理后的多种隐状态数据对疾病诊断模型进行模型训练，获得训练好的疾病诊断模型，并得到疾病诊断模型的第二输出数据。
78.再之后，将图像特征数据输入治疗推荐模型的cnn层进行特征提取，获得图像特征数据对应的隐状态数据，将结构化特征数据、第一输出数据、以及第二输出数据输入治疗推荐模型的fcnn层进行特征提取，获得对应的隐状态数据，将文本特征数据输入治疗推荐模型的text cnn层进行特征提取，获得文本特征数据对应的隐状态数据，对获得的多种隐状态数据进行随机失活处理，基于失活处理后的多种隐状态数据对治疗推荐模型进行模型训练，获得训练好的治疗推荐模型。
79.将风险评估模型、疾病诊断模型、治疗推荐模型训练好之后，在模型使用阶段，对来线上问诊的患者，首先，收集患者的患者信息，患者信息包括结构化信息、文本信息、图像信息等，其中，结构化信息包括人口统计学特征、检验检查指标、生命体征、用药史、疾病史等，文本信息包括主诉以及医生问诊的问题与回答等，图像信息包括患处的图像等。然后，采用风险评估模型对患者的患病风险进行提示；随后，利用疾病诊断模型对患者进行精确诊断；最后，利用治疗推荐模型对患者进行治疗推荐。对于结构化信息、文本信息、图像信息等多种患者信息中某种信息缺失的患者，由于模型泛化能力强，对于缺失信息的情况也适用，通过模型也可以得到准确可靠的线上ai诊疗服务。
80.上述实施例中，通过获取多种类型的用户信息，生成多种样本数据，若待训练的当前ai模型为多个具有承接性的ai模型中的非首个ai模型，则将多种样本数据、以及承接在当前ai模型之前的至少一个ai模型的输出数据，输入当前ai模型进行特征提取，获得对应的隐状态数据，并对隐状态数据进行随机失活处理，得到更新后的隐状态数据，基于更新后的隐状态数据对当前ai模型进行模型训练，获得训练好的当前ai模型，实现采用信息缺失的数据对ai模型进行训练，因此，训练好的ai模型能够适用于信息缺失的情况，也即提升了ai模型的泛化能力。并且，基于该多种样本数据分别对多个具有承接性的ai模型进行训练，也即，用户信息进行了多次重复利用，因此，提高了资源利用效率。
81.请参阅图4，图4是本技术的实施例提供的一种ai模型的训练装置的示意性框图，
该ai模型的训练装置可以配置于计算机设备中，用于执行前述的ai模型的训练方法。
82.如图4所示，该ai模型的训练装置1000，包括：样本数据生成模块1001、特征提取模块1002、数据失活处理模块1003、以及模型训练模块1004。
83.样本数据生成模块1001，用于获取多种类型的用户信息，生成多种样本数据；
84.特征提取模块1002，用于若待训练的当前ai模型为多个具有承接性的ai模型中的非首个ai模型，则将多种所述样本数据、以及承接在所述当前ai模型之前的至少一个ai模型的输出数据，输入所述当前ai模型进行特征提取，获得对应的隐状态数据；
85.数据失活处理模块1003，用于对所述隐状态数据进行随机失活处理，得到更新后的隐状态数据；
86.模型训练模块1004，用于基于更新后的隐状态数据对所述当前ai模型进行模型训练，获得训练好的当前ai模型。
87.在一个实施例中，多种所述样本数据包括图像特征数据、结构化特征数据、文本特征数据；所述特征提取模块1002还用于：
88.将所述图像特征数据输入所述当前ai模型的cnn层进行特征提取，获得对应的第一隐状态数据；
89.将所述结构化特征数据与所述输出数据输入所述当前ai模型的fcnn层进行特征提取，获得对应的第二隐状态数据；
90.将所述文本特征数据输入所述当前ai模型的text cnn层进行特征提取，获得对应的第三隐状态数据。
91.在一个实施例中，所述数据失活处理模块1003还用于：
92.从多种所述隐状态数据中随机选取至少一种隐状态数据；
93.将至少一种所述隐状态数据替换为预设值，以使至少一种所述隐状态数据失活。
94.在一个实施例中，每种所述隐状态数据对应唯一的编号，所述数据失活处理模块1003还用于：
95.随机产生至少一个编号，从多种所述隐状态数据中选取每个编号对应的隐状态数据。
96.在一个实施例中，所述ai模型的训练装置还包括获取模块，用于：
97.确定所述当前ai模型是否为多个具有承接性的ai模型中的首个ai模型；
98.若否，则获取承接在所述当前ai模型之前的至少一个ai模型的输出数据。
99.在一个实施例中，所述特征提取模块1002还用于：
100.若所述当前ai模型为多个具有承接性的ai模型中的首个ai模型，则将多种所述样本数据输入所述当前ai模型进行特征提取，获得对应的隐状态数据。
101.在一个实施例中，所述样本数据生成模块1001还用于：
102.对所述用户信息进行数据预处理，生成多种所述样本数据，其中，所述数据预处理包括数据分类、数据清洗中至少一种。
103.其中，上述ai模型的训练装置1000中各个模块与上述ai模型的训练方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
104.本技术的方法、装置可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理
器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
105.示例性的，上述的方法、装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行。
106.请参阅图5，图5是本技术实施例提供的一种计算机设备的结构示意性框图。
107.请参阅图5，该计算机设备包括通过系统总线连接的处理器和存储器，其中，存储器可以包括非易失性存储介质和内存储器。
108.处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
109.内存储器为非易失性存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种ai模型的训练方法。
110.应当理解的是，处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
111.其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：
112.获取多种类型的用户信息，生成多种样本数据；
113.若待训练的当前ai模型为多个具有承接性的ai模型中的非首个ai模型，则将多种所述样本数据、以及承接在所述当前ai模型之前的至少一个ai模型的输出数据，输入所述当前ai模型进行特征提取，获得对应的隐状态数据；
114.对所述隐状态数据进行随机失活处理，得到更新后的隐状态数据；
115.基于更新后的隐状态数据对所述当前ai模型进行模型训练，获得训练好的当前ai模型。
116.在一个实施例中，多种所述样本数据包括图像特征数据、结构化特征数据、文本特征数据；
117.所述处理器在实现所述将多种所述样本数据、以及承接在所述当前ai模型之前的至少一个ai模型的输出数据，输入所述当前ai模型进行特征提取，获得对应的隐状态数据时，用于实现：
118.将所述图像特征数据输入所述当前ai模型的cnn层进行特征提取，获得对应的第一隐状态数据；
119.将所述结构化特征数据与所述输出数据输入所述当前ai模型的fcnn层进行特征提取，获得对应的第二隐状态数据；
120.将所述文本特征数据输入所述当前ai模型的text cnn层进行特征提取，获得对应
的第三隐状态数据。
121.在一个实施例中，所述处理器在实现所述对所述隐状态数据进行随机失活处理时，用于实现：
122.从多种所述隐状态数据中随机选取至少一种隐状态数据；
123.将至少一种所述隐状态数据替换为预设值，以使至少一种所述隐状态数据失活。
124.在一个实施例中，每种所述隐状态数据对应唯一的编号，所述处理器在实现所述从多种所述隐状态数据中随机选取至少一种隐状态数据时，用于实现：
125.随机产生至少一个编号，从多种所述隐状态数据中选取每个编号对应的隐状态数据。
126.在一个实施例中，所述处理器在实现所述若待训练的当前ai模型为多个具有承接性的ai模型中的非首个ai模型，则将多种所述样本数据、以及承接在所述当前ai模型之前的至少一个ai模型的输出数据，输入所述当前ai模型进行特征提取之前，用于实现：
127.确定所述当前ai模型是否为多个具有承接性的ai模型中的首个ai模型；
128.若否，则获取承接在所述当前ai模型之前的至少一个ai模型的输出数据。
129.在一个实施例中，所述处理器在实现所述确定所述当前ai模型是否为多个具有承接性的ai模型中的首个ai模型之后，用于实现：
130.若所述当前ai模型为多个具有承接性的ai模型中的首个ai模型，则将多种所述样本数据输入所述当前ai模型进行特征提取，获得对应的隐状态数据。
131.在一个实施例中，所述处理器在实现所述生成多种样本数据时，用于实现：
132.对所述用户信息进行数据预处理，生成多种所述样本数据，其中，所述数据预处理包括数据分类、数据清洗中至少一种。
133.本技术实施例还提供一种计算机可读存储介质。
134.本技术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执行时实现如上述的ai模型的训练方法的步骤。
135.其中，所述计算机可读存储介质可以是前述实施例所述的ai模型的训练装置或计算机设备的内部存储单元，例如所述ai模型的训练装置或计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述ai模型的训练装置或计算机设备的外部存储设备，例如所述ai模型的训练装置或计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字卡(secure digital card，sd card)，闪存卡(flash card)等。
136.进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
137.本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
138.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而
且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
139.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。