本申请涉及人工智能，特别涉及一种模型训练方法、装置、系统及程序产品。
背景技术：
1、随着人工智能技术的发展，人们的社会生活方式正在经历一场深刻的变革，这项前沿技术正在各个行业展示出巨大的潜力。以大语言模型为例，其在处理自然语言文本任务和生成式任务上具有得天独厚的优势。将其与网约车做单任务相结合，能够提示司机在特定时间前往订单较多的地区进行客运。一方面，能够环节局部地区人流压力；另一方面，能够提高司机接单成功率。而对于司机驾驶行为进行建模，通常采用深度网络处理所涉及的海量数据，但当前主流的深度网络难以从数据中提取复杂的出行特征；对于各种出行特征之间的关联性难以有效表达。因此，如何有效地训练一个推荐司机做单的模型，是亟待解决的问题。
技术实现思路
1、为了解决训练一个推荐司机做单模型的问题，本申请提供以下技术方案：
2、第一方面，提供一种模型训练方法，包括：
3、响应于被训练模型的损失值大于预设损失值，进行模型训练；
4、根据原始出行数据，获得相应的词嵌入输出，其中，词嵌入输出包括至少一个词嵌入输出元素；
5、将至少一个词嵌入输出元素作为节点，构建计算图，并基于计算图确定出行词；
6、根据出行词，确定出行词预测值；
7、根据出行词预测值计算被训练模型损失值，通过反向传播更新模型参数。
8、进一步地，确定出行词包括：
9、根据：
10、
11、确定出行词，其中，t为出行词，i、j为整数，表示计算图中的节点编号，n为计算图中的节点数量，ei为计算图中第i节点对应的词嵌入输出元素，aij为计算图中第i节点与第j节点的相关性权重，v(i)是与第i节点相邻的节点集合。
12、进一步地，确定计算图中第i节点对应的词嵌入输出元素包括：
13、初始化计算图；
14、从初始化后的计算图中挑选至少一个节点，获取所挑选的至少一个节点中每个节点的邻居节点，组成邻居节点集合，其中，邻居节点为与所挑选节点中任一节点之间存在相关性权重的节点；
15、聚合邻居节点集合中的节点，获得计算图中任一节点的节点特性；
16、根据计算图中任一节点的节点特性，通过第一激活函数确定计算图中任一节点的词嵌入输出。
17、进一步地，确定计算图中第i节点与第j节点的相关性权重包括：
18、使用权重矩阵分别对计算图中任一节点，以及计算图中任一节点所对应的邻居节点进行变换，并将相应的变换结果进行拼接；
19、采用第二激活函数对拼接后的变换结果进行非线性变换，获得注意力机制权重；
20、规范化注意力机制权重，并将规范化后的注意力机制权重作为计算图中第i节点与第j节点的相关性权重。
21、进一步地，根据出行词，确定出行词预测值，包括：
22、获取出行词的位置编码，与出行词相加得到相应的出行数据，其中，位置编码用于表示对应出行词的稠密程度；
23、采样出行词历史数据生成出行词时间序列，其中，出行词历史数据对应于历史数据采集时刻的出行词数据；
24、基于出行数据以及出行词时间序列预测下一时刻的出行词。
25、进一步地，根据出行词预测值计算被训练模型损失值，通过反向传播更新模型参数，包括：
26、使用至少一个分类器处理出行数据，得到至少一个损失值，其中，至少一个损失值与出行数据的至少一个出行特征相对应；
27、根据至少一个出行特征中正负样本的易区分程度，确定至少一个出行特征的出行特征权重；
28、根据：
29、
30、确定损失值，其中，l为损失值，la为第a个出行特征对应的损失值，为第a个损失值的权重，a为出行特征编号，n为出行特征总数。
31、进一步地，根据原始出行数据，获得相应的词嵌入输出，包括：
32、s210：基于业务逻辑处理原始出行数据，得到原始出行数据标识，其中，业务逻辑用于将原始出行数据转换为计算机可识别、可处理标识的处理逻辑；
33、s220：对原始出行数据标识进行独热编码，得到出行编码数据；
34、s230：基于词嵌入层处理出行编码数据，得到与出行编码数据对应的词嵌入输出。
35、第二方面，提供一种模型训练装置，包括：
36、训练判断模块，用于响应于被训练模型的损失值大于预设损失值，进行模型训练；
37、词嵌入获取模块，用于根据原始出行数据，获得相应的词嵌入输出，其中，词嵌入输出包括至少一个词嵌入输出元素；
38、计算图构建模块，用于将至少一个词嵌入输出元素作为节点，构建计算图，并基于计算图确定出行词；
39、出行词预测模块，用于根据出行词，确定出行词预测值；
40、根据出行词预测值计算被训练模型损失值，通过反向传播更新模型参数。
41、第三方面，提供一种模型训练系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的模型训练程序，处理器执行模型训练程序时，实现第一方面记载的模型训练方法。
42、第四方面，提供一种计算机可读存储介质，其上存储有模型训练程序，模型训练程序被处理器执行时，实现第一方面记载的模型训练方法。
43、第五方面，提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面记载的模型训练方法。
44、本申请实施例提供的技术方案带来的有益效果是：
45、通过实施本申请实施例公开的一种模型训练方法、装置、系统及程序产品，能够训练得到推荐司机做单的模型。该模型通过学习能够向网约车司机推荐接单成功率高的行驶线路，提高网约车司机的接单成功率。
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的模型训练方法，其特征在于，所述确定出行词包括：
3.根据权利要求2所述的模型训练方法，其特征在于，确定所述计算图中第i节点对应的词嵌入输出元素包括：
4.根据权利要求2所述的模型训练方法，其特征在于，确定所述计算图中第i节点与第j节点的相关性权重包括：
5.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述出行词，确定出行词预测值，包括：
6.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述出行词预测值计算被训练模型损失值，通过反向传播更新模型参数，包括：
7.根据权利要求1所述的模型训练方法，其特征在于，所述根据原始出行数据，获得相应的词嵌入输出，包括：
8.一种模型训练装置，其特征在于，包括：
9.一种模型训练系统，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的模型训练程序，所述处理器执行所述模型训练程序时，实现权利要求1至7任一项所述的模型训练方法。
10.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时，实现权利要求1-7任一项所述的模型训练方法。
