目前，在特定的應用場景下，比如智能客服應用場景，智能客服能夠基于終端側已有的用戶對話記錄分析出用戶的特征，比如用戶的興趣、習慣以及語言模式等。

但是，由于終端側所積累的用戶對話記錄的數據量非常小，無法對該智能客服進行訓練，也就導致了智能客服無法以符合用戶的特征的方式與用戶進行交互。在這種背景下，從服務器側向終端遷移對應的數據對終端側的模型進行訓練的遷移技術應運而生。

通過在服務器上將所有終端的終端側數據進行匿名匯總之后，在服務器側進行模型訓練，獲得多個通用模型，再通過人工匹配的方式，從多個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的數據，以解決終端側數據量小而無法實現智能客服訓練的問題。

然而，由于在服務器側所訓練好的模型是基于大量終端所積累的終端側數據進行訓練的，因此，所訓練出的通用模型無法與特定的終端完全適配，導致通過該通用模型向終端所遷移的數據并不精確。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了大量的人力，效率不高。

因此，騰訊在19年7月15日申請了一項名為“基于機器學習的遷移數據確定方法、裝置、設備及介質”（申請?zhí)枺?01910637116.9），申請人為騰訊科技（深圳）有限公司。

根據目前該專利公開的資料，讓我們一起來看看這項遷移數據確定方法吧。

如上圖為基于機器學習的數據遷移系統(tǒng)的結構框圖，這個數據遷移系統(tǒng)包括終端110和數據遷移平臺140，終端通過無線網絡或有線網絡與數據遷移平臺相連，終端安裝和運行有支持數據遷移的應用程序。

數據遷移平臺可以由一臺服務器、多臺服務器、云計算平臺和虛擬化中心中的任意一種構成，主要是用于為支持數據遷移的應用程序提供后臺服務，在數據遷移平臺和終端中均可以單獨承擔數據處理工作，也可以相互配合進行更加高效的組合。

而該發(fā)明主要涉及遷移數據，例如這種遷移數據主要是作為服務向終端用戶提供并使用的數據。以智能客服場景為例，在云服務器確定出遷移模型，基于該遷移模型向終端遷移與該終端匹配的數據，結合終端的終端側數據和遷移的數據，通過機器學習對終端的智能客服進行訓練。

從而實現針對各個用戶的興趣、習慣以及語言模式等定制出屬于用戶自己的智能客服，比如，當用戶在終端上向智能客服發(fā)起對話后，智能客服以用戶可能感興趣的方式、符合當前用戶習慣以及符合用戶語言模式的方式與用戶進行對話。

如上圖為基于前N個終端的遷移過程數據實現向第N+1個終端遷移數據的示意圖，需要遷移的數據存儲在云服務器側，針對于不同終端的需求，從云服務器側中確定出對應的數據并向終端遷移，在云服務器側基于已經向終端進行數據遷移的遷移過程數據進行分析，對云服務器上的模型進行訓練，使訓練后的模型能夠針對特定終端遷移相應的數據。

獲取已經向N個終端進行數據遷移的遷移過程數據，其中，N的取值范圍為大于等于1的正整數，基于該N個遷移過程數據對云服務器的模型進行訓練。最終，將訓練后的模型應用至服務器向第N+1個終端進行數據遷移過程中。

在獲取到服務器向多個終端進行數據遷移的遷移過程數據后，對所獲取的遷移過程數據進行分析，確定出每個遷移過程數據的數據遷移性能指標，基于數據遷移性能指標數據對服務器中的待訓練模型進行訓練，獲得遷移模型，通過該遷移模型從服務器側的通用數據中確定出向目標終端遷移的數據，并響應于終端的遷移請求遷移該數據。

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器學習的遷移數據確定方法的流程圖，首先，計算機設備獲取服務器分別向多個終端進行數據遷移的遷移過程數據，遷移過程數據包括被遷移的個性化數據以及每個終端的終端側數據。

例如，在圖片識別的應用場景中，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據為眼睛部位的圖像數據、鼻子部位的圖像數據等。

其次，計算機設備確定每個終端對應的個性化數據和每個終端的終端側數據之間的相似度。在理想的數據遷移情況下，被遷移的個性化數據應當與終端側數據之間具有共同特征的數據，因此，需要確定出遷移過程數據的遷移性能，即被遷移的個性化數據與終端側數據之間的相似程度越高，則表明對應遷移過程數據的遷移性能越好，可以將這些數據作為后續(xù)模型訓練的訓練基礎，對云服務器側的遷移模型進行訓練和優(yōu)化。

接著，計算機設備基于相似度，確定多個終端的數據遷移性能指標，計算機設備基于每個終端的數據遷移性能指標對待訓練模型進行訓練，獲得遷移模型。最終，計算機設備響應于終端的遷移請求，基于遷移模型確定向終端遷移的數據。

通過訓練后的遷移模型中包含了多個已經訓練好的神經網絡層，將終端的終端側數據輸入至遷移模型中，通過多個已經訓練好的神經網絡層對終端側數據進行分析，分析出終端的特征數據后與云服務器側的通用數據中進行匹配。最終確定出向該終端遷移的數據，保證了所遷移的數據是該終端所需求的數據，從而實現針對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，計算機設備將每個終端的數據遷移性能指標與待訓練模型中對應的待訓練遷移參數進行差異比對，確定多個終端的數據遷移性能指標與待訓練遷移參數之間的差異程度。

其次，計算機設備對每個差異程度進行最小化，獲得對應的遷移配置參數，例如從之前獲得的N個遷移過程數據對服務器中的待訓練模型進行訓練。

最終，計算機設備將遷移配置參數向待訓練模型中對應的待訓練參數進行配置，獲得遷移模型。一個通過機器學習而被訓練好的遷移模型可以被認為存儲了遷移學習技巧，即對什么樣的用戶終端數據，應該從服務器端遷移什么樣的知識。

以上就是騰訊發(fā)明的基于機器學習的遷移數據確定方法，通過獲取服務器向多個終端進行數據遷移的遷移過程數據，基于機器學習對服務器側的模型進行訓練，獲得針對于終端進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據，提高了遷移數據的準確性和效率，同時節(jié)省了大量人力！