本發(fā)明涉及數(shù)據(jù)處理，尤其涉及一種基于參數(shù)匹配的模型數(shù)據(jù)庫管理方法及系統(tǒng)。

背景技術：

1、在人工智能技術不斷發(fā)展以及得到重視的大背景下，許多技術人員或技術機構都開始大量地采用算法技術進行算法模型的訓練和研究，并在數(shù)據(jù)共享平臺或計算平臺上上傳自己訓練的算法模型，如何有效且高效地管理這些算法模型成為了一個重要的技術問題?，F(xiàn)有的算法模型數(shù)據(jù)的管理技術中，大部分僅實現(xiàn)了對模型數(shù)據(jù)的儲存和搜索功能，沒有進一步考慮用戶參數(shù)來對模型數(shù)據(jù)進行分組和推薦，因此管理效果一般，用戶體驗較差?？梢?，現(xiàn)有技術存在缺陷，亟待解決。

技術實現(xiàn)思路

1、本發(fā)明所要解決的技術問題在于，提供一種基于參數(shù)匹配的模型數(shù)據(jù)庫管理方法及系統(tǒng)，能夠有效提高模型數(shù)據(jù)的管理效率和分組合理性，為用戶提供更合理的模型推薦服務，提高用戶體驗。

2、為了解決上述技術問題，本發(fā)明第一方面公開了一種基于參數(shù)匹配的模型數(shù)據(jù)庫管理方法，所述方法包括：

3、獲取多個用戶上傳的多個算法模型數(shù)據(jù)；

4、根據(jù)每一所述算法模型數(shù)據(jù)對應的模型參數(shù)和用戶參數(shù)，對所有所述算法模型數(shù)據(jù)進行分組，得到多個模型集合；

5、響應于目標用戶的網(wǎng)站訪問操作，根據(jù)所述目標用戶的用戶參數(shù)，從所述多個模型集合中篩選出目標模型集合；

6、根據(jù)所述網(wǎng)站訪問操作，在所述目標模型集合中確定出多個推薦模型數(shù)據(jù)。

7、作為一個可選的實施方式，在本發(fā)明第一方面中，所述模型參數(shù)包括模型大小、模型用途、模型訓練數(shù)據(jù)類型、模型架構、模型輸入輸出數(shù)據(jù)類型和模型歷史使用記錄。

8、作為一個可選的實施方式，在本發(fā)明第一方面中，所述用戶參數(shù)包括用戶類型、用戶級別、用戶上傳模型數(shù)量、用戶歷史上傳記錄和用戶歷史下載記錄。

9、作為一個可選的實施方式，在本發(fā)明第一方面中，所述根據(jù)每一所述算法模型數(shù)據(jù)對應的模型參數(shù)和用戶參數(shù)，對所有所述算法模型數(shù)據(jù)進行分組，得到多個模型集合，包括：

10、計算任意兩個所述算法模型數(shù)據(jù)之間的模型參數(shù)和用戶參數(shù)的相似度，得到該兩個所述算法模型數(shù)據(jù)之間的參數(shù)相似度；

11、根據(jù)所述參數(shù)相似度，基于動態(tài)規(guī)劃算法，對所有所述算法模型數(shù)據(jù)進行分組，得到多個模型集合。

12、作為一個可選的實施方式，在本發(fā)明第一方面中，所述計算任意兩個所述算法模型數(shù)據(jù)之間的模型參數(shù)和用戶參數(shù)的相似度，得到該兩個所述算法模型數(shù)據(jù)之間的參數(shù)相似度，包括：

13、對于任意兩個所述算法模型數(shù)據(jù)，計算該兩個所述算法模型數(shù)據(jù)對應的所述模型參數(shù)之間的第一相似度；

14、計算該兩個所述算法模型數(shù)據(jù)對應的所述用戶之間的第二相似度；

15、計算所述第一相似度和所述第二相似度的乘積，得到該兩個所述算法模型之間的參數(shù)相似度。

16、作為一個可選的實施方式，在本發(fā)明第一方面中，所述根據(jù)所述參數(shù)相似度，基于動態(tài)規(guī)劃算法，對所有所述算法模型數(shù)據(jù)進行分組，得到多個模型集合，包括：

17、設定目標函數(shù)為每一模型集合中的所述算法模型數(shù)據(jù)的數(shù)量達到最大；

18、設定限制條件包括同一模型集合中的任意兩個所述算法模型數(shù)據(jù)之間的所述參數(shù)相似度大于第一相似度閾值，以及任意兩個分別屬于不同模型集合的所述算法模型數(shù)據(jù)之間的所述參數(shù)相似度小于第二相似度閾值；所述第二相似度閾值小于所述第一相似度閾值；

19、基于空間搜索算法，根據(jù)所述目標函數(shù)和所述限制條件，對所有所述算法模型數(shù)據(jù)進行迭代分組演算直至得到最優(yōu)結果，得到多個模型集合。

20、作為一個可選的實施方式，在本發(fā)明第一方面中，所述根據(jù)所述目標用戶的用戶參數(shù)，從所述多個模型集合中篩選出目標模型集合，包括：

21、對于每一所述模型集合，將該模型集合中的所有所述算法模型數(shù)據(jù)對應的所述用戶參數(shù)的并集進行向量化，確定為該模型集合對應的用戶參數(shù)向量；

22、計算所述目標用戶的用戶參數(shù)對應的向量化結果；

23、計算所述用戶參數(shù)向量和所述向量化結果之間的向量距離，得到該模型集合對應的用戶參數(shù)相似度；

24、將所述用戶參數(shù)相似度高于第三相似度閾值的所有所述模型集合，確定為目標模型集合。

25、作為一個可選的實施方式，在本發(fā)明第一方面中，所述根據(jù)所述網(wǎng)站訪問操作，在所述目標模型集合中確定出多個推薦模型數(shù)據(jù)，包括：

26、確定所述網(wǎng)站訪問操作對應的光標移動路徑和光標點擊對象；

27、根據(jù)所述光標移動路徑，在當前瀏覽器頁面確定出多個路徑經(jīng)過區(qū)域；

28、根據(jù)所述光標點擊對象，在所述當前瀏覽器頁面的多個模型對象中確定出多個被點擊對象；

29、將所有所述路徑經(jīng)過區(qū)域中的所有模型對象對應的模型參數(shù)，確定為第一模型參數(shù)集合；

30、將所有所述被點擊對象對應的模型參數(shù)，確定為第二模型參數(shù)集合；

31、對于所述目標模型集合中的每一模型數(shù)據(jù)，計算該模型數(shù)據(jù)的模型參數(shù)和所述第一模型參數(shù)集合之間的第三相似度；

32、計算該模型數(shù)據(jù)的模型參數(shù)和所述第二模型參數(shù)集合之間的第四相似度；

33、計算所述第三相似度和所述第四相似度的乘積，得到該模型數(shù)據(jù)對應的優(yōu)先度參數(shù)；

34、將所述優(yōu)先度參數(shù)大于預設的參數(shù)閾值的所有所述模型數(shù)據(jù)，確定為推薦模型數(shù)據(jù)。

35、本發(fā)明實施例第二方面公開了一種基于參數(shù)匹配的模型數(shù)據(jù)庫管理系統(tǒng)，所述系統(tǒng)包括：

36、獲取模塊，用于獲取多個用戶上傳的多個算法模型數(shù)據(jù)；

37、分組模塊，用于根據(jù)每一所述算法模型數(shù)據(jù)對應的模型參數(shù)和用戶參數(shù)，對所有所述算法模型數(shù)據(jù)進行分組，得到多個模型集合；

38、篩選模塊，用于響應于目標用戶的網(wǎng)站訪問操作，根據(jù)所述目標用戶的用戶參數(shù)，從所述多個模型集合中篩選出目標模型集合；

39、確定模塊，用于根據(jù)所述網(wǎng)站訪問操作，在所述目標模型集合中確定出多個推薦模型數(shù)據(jù)。

40、作為一個可選的實施方式，在本發(fā)明第二方面中，所述模型參數(shù)包括模型大小、模型用途、模型訓練數(shù)據(jù)類型、模型架構、模型輸入輸出數(shù)據(jù)類型和模型歷史使用記錄。

41、作為一個可選的實施方式，在本發(fā)明第二方面中，所述用戶參數(shù)包括用戶類型、用戶級別、用戶上傳模型數(shù)量、用戶歷史上傳記錄和用戶歷史下載記錄。

42、作為一個可選的實施方式，在本發(fā)明第二方面中，所述分組模塊根據(jù)每一所述算法模型數(shù)據(jù)對應的模型參數(shù)和用戶參數(shù)，對所有所述算法模型數(shù)據(jù)進行分組，得到多個模型集合的具體方式，包括：

43、計算任意兩個所述算法模型數(shù)據(jù)之間的模型參數(shù)和用戶參數(shù)的相似度，得到該兩個所述算法模型數(shù)據(jù)之間的參數(shù)相似度；

44、根據(jù)所述參數(shù)相似度，基于動態(tài)規(guī)劃算法，對所有所述算法模型數(shù)據(jù)進行分組，得到多個模型集合。

45、作為一個可選的實施方式，在本發(fā)明第二方面中，所述分組模塊計算任意兩個所述算法模型數(shù)據(jù)之間的模型參數(shù)和用戶參數(shù)的相似度，得到該兩個所述算法模型數(shù)據(jù)之間的參數(shù)相似度的具體方式，包括：

46、對于任意兩個所述算法模型數(shù)據(jù)，計算該兩個所述算法模型數(shù)據(jù)對應的所述模型參數(shù)之間的第一相似度；

47、計算該兩個所述算法模型數(shù)據(jù)對應的所述用戶之間的第二相似度；

48、計算所述第一相似度和所述第二相似度的乘積，得到該兩個所述算法模型之間的參數(shù)相似度。

49、作為一個可選的實施方式，在本發(fā)明第二方面中，所述分組模塊根據(jù)所述參數(shù)相似度，基于動態(tài)規(guī)劃算法，對所有所述算法模型數(shù)據(jù)進行分組，得到多個模型集合的具體方式，包括：

50、設定目標函數(shù)為每一模型集合中的所述算法模型數(shù)據(jù)的數(shù)量達到最大；

51、設定限制條件包括同一模型集合中的任意兩個所述算法模型數(shù)據(jù)之間的所述參數(shù)相似度大于第一相似度閾值，以及任意兩個分別屬于不同模型集合的所述算法模型數(shù)據(jù)之間的所述參數(shù)相似度小于第二相似度閾值；所述第二相似度閾值小于所述第一相似度閾值；

52、基于空間搜索算法，根據(jù)所述目標函數(shù)和所述限制條件，對所有所述算法模型數(shù)據(jù)進行迭代分組演算直至得到最優(yōu)結果，得到多個模型集合。

53、作為一個可選的實施方式，在本發(fā)明第二方面中，所述篩選模塊根據(jù)所述目標用戶的用戶參數(shù)，從所述多個模型集合中篩選出目標模型集合的具體方式，包括：

54、對于每一所述模型集合，將該模型集合中的所有所述算法模型數(shù)據(jù)對應的所述用戶參數(shù)的并集進行向量化，確定為該模型集合對應的用戶參數(shù)向量；

55、計算所述目標用戶的用戶參數(shù)對應的向量化結果；

56、計算所述用戶參數(shù)向量和所述向量化結果之間的向量距離，得到該模型集合對應的用戶參數(shù)相似度；

57、將所述用戶參數(shù)相似度高于第三相似度閾值的所有所述模型集合，確定為目標模型集合。

58、作為一個可選的實施方式，在本發(fā)明第二方面中，所述確定模塊根據(jù)所述網(wǎng)站訪問操作，在所述目標模型集合中確定出多個推薦模型數(shù)據(jù)的具體方式，包括：

59、確定所述網(wǎng)站訪問操作對應的光標移動路徑和光標點擊對象；

60、根據(jù)所述光標移動路徑，在當前瀏覽器頁面確定出多個路徑經(jīng)過區(qū)域；

61、根據(jù)所述光標點擊對象，在所述當前瀏覽器頁面的多個模型對象中確定出多個被點擊對象；

62、將所有所述路徑經(jīng)過區(qū)域中的所有模型對象對應的模型參數(shù)，確定為第一模型參數(shù)集合；

63、將所有所述被點擊對象對應的模型參數(shù)，確定為第二模型參數(shù)集合；

64、對于所述目標模型集合中的每一模型數(shù)據(jù)，計算該模型數(shù)據(jù)的模型參數(shù)和所述第一模型參數(shù)集合之間的第三相似度；

65、計算該模型數(shù)據(jù)的模型參數(shù)和所述第二模型參數(shù)集合之間的第四相似度；

66、計算所述第三相似度和所述第四相似度的乘積，得到該模型數(shù)據(jù)對應的優(yōu)先度參數(shù)；

67、將所述優(yōu)先度參數(shù)大于預設的參數(shù)閾值的所有所述模型數(shù)據(jù)，確定為推薦模型數(shù)據(jù)。

68、本發(fā)明第三方面公開了另一種基于參數(shù)匹配的模型數(shù)據(jù)庫管理系統(tǒng)，所述系統(tǒng)包括：

69、存儲有可執(zhí)行程序代碼的存儲器；

70、與所述存儲器耦合的處理器；

71、所述處理器調用所述存儲器中存儲的所述可執(zhí)行程序代碼，執(zhí)行本發(fā)明第一方面公開的基于參數(shù)匹配的模型數(shù)據(jù)庫管理方法中的部分或全部步驟。

72、本發(fā)明第四方面公開了一種計算機存儲介質，所述計算機存儲介質存儲有計算機指令，所述計算機指令被調用時，用于執(zhí)行本發(fā)明第一方面公開的基于參數(shù)匹配的模型數(shù)據(jù)庫管理方法中的部分或全部步驟。

73、與現(xiàn)有技術相比，本發(fā)明實施例具有以下有益效果：

74、本發(fā)明能夠基于模型參數(shù)和用戶參數(shù)對用戶上傳的模型數(shù)據(jù)進行精確合理的分組，再基于目標用戶的參數(shù)和操作進行集合篩選以及推薦，以確定出更匹配的多個推薦模型數(shù)據(jù)，從而能夠有效提高模型數(shù)據(jù)的管理效率和分組合理性，為用戶提供更合理的模型推薦服務，提高用戶體驗。