本申请涉及人工智能
技术领域：
，特别涉及一种模型调用方法、装置及计算机存储介质。
背景技术：
：在人工智能
技术领域：
中，当需要调用某个训练后的模型对当前测试数据进行人工智能处理时，需先确定该模型包括的多个特征，以从当前测试数据中获取这多个特征中每个特征的特征值，然后通过该模型对这多个特征中每个特征的特征值进行处理，即可得到该模型的处理结果。比如，对于用于识别用户是否恶意买家的模型，该模型包括特征1“最近一月的订单总量”，以及特征2“最近一月每天的订单频率”。在通过该模型识别某个用户是否是恶意买家时，需先确定特征1对应的特征值和特征2对应的特征值，然后基于该模型对这两个特征值进行处理，得到针对该用户的识别结果。相关技术中，针对每个模型，维护一个特征数据库，该特征数据库包括基于用户数据提取的该模型包括多个特征中每个特征的特征值。比如，对于用于识别用户是否恶意买家的模型，维护一个特征数据库，该特征数据库中存储各个用户与特征1对应的特征值，和与特征2对应的特征值。后续当需要调用某个模型时，直接获取该模型对应的特征数据库，然后从特征数据库中确定该模型对应各个特征中每个特征的特征值即可。但是这种调用方式需要针对每个模型维护一个特征数据库，从而导致计算机资源的浪费。技术实现要素：本申请实施例提供了一种模型调用方法、装置及计算机存储介质，可以避免计算机资源的浪费。所述技术方案如下：一方面、提供了一种模型调用方法，所述方法包括：基于待调用的第一模型的标识，确定所述第一模型的更新标记符和所述第一模型包括的多个第一特征，所述更新标记符用于指示所述第一模型是否已更新；基于所述第一模型的更新标记符从全局特征值集中获取所述多个第一特征中每个第一特征的特征值，所述全局特征值集中存储的每个特征包括一个或多个特征值，所述一个或多个特征值中每个特征值对应一个更新标记符；基于所述多个第一特征中每个第一特征的特征值，确定所述第一模型的处理结果。可选地，所述基于待调用的第一模型的标识，确定所述第一模型的更新标记符和所述第一模型包括的多个第一特征，包括：从映射文件集中获取与所述第一模型的标识对应的映射文件，所述映射文件集包括多个映射文件和与所述多个映射文件一一对应的多个模型标识，每个映射文件用于配置对应的模型标识所指示的模型的更新标记符和所指示的模型包括的多个特征；从获取的映射文件中确定所述第一模型的更新标记符和所述第一模型包括的多个第一特征。可选地，每个映射文件包括对应的模型标识所指示的模型包括的每个特征的索引；所述从获取的映射文件中确定所述第一模型包括的多个第一特征，包括：确定所述获取的映射文件中包括的多个第一索引；从全局索引配置文件中获取与所述第一模型的更新标记符对应的全局索引集，所述全局索引配置文件包括多个全局索引集和与所述多个全局索引集一一对应的多个更新标记符，每个全局特征集包括多个特征和与所述多个特征一一对应的索引；从获取的全局索引集中确定与所述多个第一索引一一对应的多个第一特征。可选地，所述方法还包括：确定用于训练第二模型的多个第二特征、所述第二模型的标识、以及所述第二模型的更新标记符；生成所述多个第二特征中每个第二特征的索引；将所述多个第二特征中每个第二特征的索引和所述多个第二特征添加在所述全局索引配置文件中与所述第二模型的更新标记符对应的全局索引集中；根据所述多个第二特征中每个第二特征的索引和所述第二模型的更新标记符生成与所述第二模型的标识对应的映射文件，将生成的映射文件添加在所述映射文件集中。可选地，所述方法还包括：接收模型更新指令，所述模型更新指令用于指示第三模型的更新标记符从第一更新标记符切换为第二更新标记符，所述第三模型为任一模型，所述第一更新标记符用于指示所述第三模型未更新，所述第二更新标记符用于指示所述第三模型已更新；对于所述第三模型包括的多个第三特征中任一第三特征，从所述全局特征值集合中确定与所述任一第三特征和所述第一更新标记符对应的第三特征值；在所述全局特征值集合添加所述第三特征值和所述第二更新标记符之间的对应关系。另一方面、提供了一种模型调用装置，所述装置包括：第一确定模块，用于基于待调用的第一模型的标识，确定所述第一模型的更新标记符和所述第一模型包括的多个第一特征，所述更新标记符用于指示所述第一模型是否已更新；获取模块，用于基于所述第一模型的更新标记符从全局特征值集中获取所述多个第一特征中每个第一特征的特征值，所述全局特征值集中存储的每个特征包括一个或多个特征值，所述一个或多个特征值中每个特征值对应一个更新标记符；第二确定模块，用于基于所述多个第一特征中每个第一特征的特征值，确定所述第一模型的处理结果。可选地，所述第一确定模块，包括：获取单元，用于从映射文件集中获取与所述第一模型的标识对应的映射文件，所述映射文件集包括多个映射文件和与所述多个映射文件一一对应的多个模型标识，每个映射文件用于配置对应的模型标识所指示的模型的更新标记符和所指示的模型包括的多个特征；确定单元，用于从获取的映射文件中确定所述第一模型的更新标记符和所述第一模型包括的多个第一特征。可选地，每个映射文件包括对应的模型标识所指示的模型包括的每个特征的索引；所述确定单元，用于：确定所述获取的映射文件中包括的多个第一索引；从全局索引配置文件中获取与所述第一模型的更新标记符对应的全局索引集，所述全局索引配置文件包括多个全局索引集和与所述多个全局索引集一一对应的多个更新标记符，每个全局特征集包括多个特征和与所述多个特征一一对应的索引；从获取的全局索引集中确定与所述多个第一索引一一对应的多个第一特征。可选地，所述装置还包括：第三确定模块，用于确定用于训练第二模型的多个第二特征、所述第二模型的标识、以及所述第二模型的更新标记符；第一生成模块，用于生成所述多个第二特征中每个第二特征的索引；第一添加模块，用于将所述多个第二特征中每个第二特征的索引和所述多个第二特征添加在所述全局索引配置文件中与所述第二模型的更新标记符对应的全局索引集中；第二生成模块，用于根据所述多个第二特征中每个第二特征的索引和所述第二模型的更新标记符生成与所述第二模型的标识对应的映射文件，将生成的映射文件添加在所述映射文件集中。可选地，所述装置还包括：接收模块，用于接收模型更新指令，所述模型更新指令用于指示第三模型的更新标记符从第一更新标记符切换为第二更新标记符，所述第三模型为任一模型，所述第一更新标记符用于指示所述第三模型未更新，所述第二更新标记符用于指示所述第三模型已更新；第四确定模块，用于对于所述第三模型包括的多个第三特征中任一第三特征，从所述全局特征值集合中确定与所述任一第三特征和所述第一更新标记符对应的第三特征值；第二添加模块，用于在所述全局特征值集合添加所述第三特征值和所述第二更新标记符之间的对应关系。另一方面、提供了一种模型调用装置，所述装置包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述模型调用方法的步骤。另一方面、提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述模型调用方法的步骤。本申请实施例提供的技术方案带来的有益效果至少包括：在本申请中，将各个模型包括的特征的特征值存储在一个全局特征值集中。当需要调用第一模型时，便可从该全局特征值集中获取第一模型包括的各个第一特征对应的第一特征值，以确定第一模型的处理结果。如此，各个模型可以共享同一个全局特征值集，从而避免了计算机资源的浪费。其次，为了避免更新模型之后需要重新维护一个全局特征值集，可以针对模型配置更新标记符，该更新标记符用于指示第一模型是否已更新，并在全局特征值集中针对各个特征配置不同更新标记符下的特征值，这样后续即使某个模型更新，更新后的模型和更新前的模型仍然可以共享同一个全局特征值集，无需单独再配置一个全局特征值集，进一步降低了计算机资源的浪费。附图说明为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，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。图1是本申请实施例提供的一种模型调用方法流程图；图2是本申请实施例提供的一种模型调用过程示意图；图3是本申请实施例提供的一种模型调用装置框图；图4是本申请实施例提供的一种服务器的结构示意图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。在对本申请实施例进行解释说明之前，先对本申请实施例涉及的应用场景进行解释说明。线上人工智能算法服务会实时的调用模型包括的特征的特征值。比如，对于用于识别用户是否恶意买家的模型，该模型包括特征1“最近一月的订单总量”，以及特征2“最近一月每天的订单频率”。当线上人工智能服务需要通过该模型智能识别恶意买家时，对于任一买家，系统需要获取与前述特征1对应的特征值、以及与前述特征2对应的特征值。由于特征值在实时或者定时地更新(比如，对于前述模型，随着电商平台上交易信息的增多，对于任一买家，前述特征1和特征2各自对应的特征值是实时发生变化的，系统可以实时更新存储的特征值，或者，定时地更新存储的特征值)，并且模型也需要不定时的迭代，更新。因此，对于训练后的模型，如何维护模型包括的特征的特征值在一定程度上影响了模型的处理结果，从而影响了线上人工智能算法服务的准确性。本申请实施例提供的模型调用方法就应用于上述线上人工智能算法服务的场景的。需要说明的是，上述针对某个模型包括的特征的特征值，这些特征值也可以称为特征数据，模型包括的特征也可以称为特征名或特征字段等，本申请实施例对此不做具体限定。下面对本申请实施例提供的模型调用方法进行详细解释说明。图1是本申请实施例提供的一种模型调用方法流程图，该方法可以应用在服务器中，也可以应用在终端中，下述实施例以应用于服务器为例进行说明，并不构成对本申请实施例提供的模型调用方法的执行主体的限制。如图1所示，该方法包括如下步骤：步骤101：基于待调用的第一模型的标识，确定第一模型的更新标记符和第一模型包括的多个第一特征，该更新标记符用于指示第一模型是否已更新。在本申请实施例中，为了避免模型更新之后需要重新维护一套新的特征值，针对任一模型，为该模型配置一个更新标记符。该更新标记符用于指示第一模型是否已更新，以便于后续通过该更新标记符为特征值进行标记，而无需重新维护一套新的特征值。由于该更新标记符用于指示第一模型是否已更新，因此，该更新标记符可以包括第一更新标记符和第二更新标记符，第一更新标记符用于指示第一模型没有更新，第二更新标记符用于指示第二模型已经更新。比如，对于用于识别用户是否恶意买家的模型，如果该模型对应的更新标记符为第一更新标记符，则表明该模型当前未更新，如果该模型对应的更新标记符为第二更新标记符，则表明该模型已经更新。其中，模型更新可以是指对模型相应的算法进行了修正，对模型的输入进行了改进等等，在此不再详细说明。此外，由于各个模型均包括未更新和已更新两个状态，因此，在本申请实施例中，各个模型的更新标记符可以均包括第一更新标记符和第二更新标记符。另外，上述更新标记符还可以称为版本号。比如，版本号可以为包括1.0和2.0，其中，版本号1.0用于指示相应模型未更新，版本号2.0用于指示相应模型已经更新。本申请实施例对更新标记符的名称并不做实际限定。进一步地，为了便于管理不同的模型，对于线上人工智能服务包括的所有模型，可以为这些模型配置映射文件集。映射文件集包括多个映射文件和与多个映射文件一一对应的多个模型标识。每个映射文件用于配置对应的模型标识所指示的模型的更新标记符和所指示的模型包括的多个特征。也即是，每个映射文件对应一个模型，该映射文件用于描述对应的模型的更新标记符和对应的模型包括的多个特征。基于上述配置的映射文件集，在一种可能的实现方式中，步骤101的实现过程可以为：从映射文件集中获取与第一模型的标识对应的映射文件；从获取的映射文件中确定第一模型的更新标记符和第一模型包括的多个第一特征。上述映射文件可以直接包括对应的模型所包括的特征，这样，在获取到与第一模型的标识对应的映射文件时，便可直接存储第一模型包括的多个第一特征。比如，表1是本申请实施例提供的一种映射文件集。如表1所示，该映射文件集包括模型1对应的映射文件1、模型2对应的映射文件2以及模型n对应的映射文件n等。映射文件1包括特征10、特征11、特征12、特征13以及第一更新标记符，用于指示模型1包括的特征10、特征11、特征12、特征13，且模型1对应的更新标记符为第一更新标记符。映射文件2包括特征12、特征13、特征14、特征15以及第二更新标记符，用于指示模型2包括的特征12、特征13、特征14、特征15，且模型2对应的更新标记符为第二更新标记符。映射文件n包括特征15、特征20、特征25、特征28以及第二更新标记符，用于指示模型n包括的特征特征15、特征20、特征25、特征28，且模型n对应的更新标记符为第二更新标记符。表1模型标识映射文件模型1映射文件1(特征10、特征11、特征12、特征13，第一更新标记符)模型2映射文件2(特征12、特征13、特征14、特征15，第二更新标记符)…………模型n映射文件n(特征15、特征20、特征25、特征28，第二更新标记符)由于各个模型之间可能有相同的特征，如上述表1所示，模型1和模型2之间有相同的特征12和特征13，模型2和模型n之间有相同的特征15。比如，对于用于识别用户是否恶意买家的模型，该模型包括特征1“最近一月的订单总量”，以及特征2“最近一月每天的订单频率”，也即是，系统是通过特征1和特征2来判断一个用户是否为恶意买家。对于用于识别用户是否为明星买家的模型，该模型可以包括特征1“最近一月的订单总量”以及特征3“最近一年的信用记录”，也即是，系统是通过特征1和特征3来判断一个用户是否为明星买家。此时，这两个模型之间有相同的特征1。在上述场景下，如果每个映射文件中直接包括相应模型的特征，这样各个模型对应的映射文件中可能存储有重复的数据，从而导致存储资源的浪费。比如，对于上述表1所示的映射文件集，映射文件1和映射文件2中存储有相同的数据，映射文件2和映射文件n中存储有相同的数据。因此，在一种可能的实现方式中，还可以针对每个特征配置一个索引(index)，该索引用于唯一标识相应特征，且索引所需的存储空间远远小于相应特征的存储空间。同时针对所有模型的特征的索引配置一个全局索引配置文件，用于存储所有模型的特征的索引。如此，各个映射文件中只需要包括相应模型的特征的索引即可。此时，对于表1所示的映射文件集，可以转换为下述表2所示的映射文件集。如表2所示，模型1对应的映射文件1只需要包括与特征10对应的索引10、与特征11对应的索引11、与特征12对应的索引12、与特征13对应的索引13、以及第一更新标记符即可。模型2对应的映射文件2只需要包括与特征12对应的索引12、与特征13对应的索引13、与特征14对应的索引14、与特征15对应的索引15、以及第二更新标记符即可。模型n对应的映射文件n只需要包括与特征15对应的索引15、与特征20对应的索引20、与特征25对应的索引25、与特征28对应的索引28、以及第二更新标记符即可。表2模型标识映射文件模型1映射文件1(索引10、索引11、索引12、索引13，第一更新标记符)模型2映射文件2(索引12、索引13、索引14、索引15，第二更新标记符)…………模型n映射文件n(索引15、索引20、索引25、索引28，第二更新标记符)对比表1和表2两个映射文件集，当针对特征引入索引时，由于索引所需的存储空间远远小于相应特征的存储空间，因此，表2所示的映射文件集中每个映射文件所需的存储资源要小于表1所示的映射文件集中对应的映射文件。此外，由于针对模型配置了更新标记符，而同一模型更新前后的特征可能也发生变化，因此，在本申请实施例中，全局索引配置文件包括多个全局索引集和与多个全局索引集一一对应的多个更新标记符，每个全局特征集包括多个特征和与多个特征一一对应的索引。由于更新标记符用于指示模型是否已经更新，因此，全局索引配置文件中可以包括两个全局索引集，一个全局索引集是针对更新前的各个模型的特征的索引，另一个全局索引集是针对更新后的各个模型的特征的索引。基于上述全局索引配置文件的设置，在获取到与第一模型的标识对应的映射文件时，从获取的映射文件中确定第一模型包括的多个第一特征的实现方式可以为：确定获取的映射文件中包括的多个第一索引；从全局索引配置文件中获取与第一模型的更新标记符对应的全局索引集；从获取的全局索引集中确定与多个第一索引一一对应的多个第一特征。比如，表3是本申请实施例提供的一种全局索引配置文件。如表3所示，该全局索引配置文件中包括两个全局索引集，第一全局索引集和第二全局索引集。其中，第一全局索引集对应第一更新标记符，也即是，第一全局索引集用于存储更新前的各个模型包括的特征的索引。第二全局索引集对应第二更新标记符，也即是，第二全局索引集用于存储更新后的各个模型包括的特征的索引。表3需要说明的是，上述映射文件和全局索引配置文件在模型训练之后便可直接生成。在一种可能的实现方式中，对于任一第二模型，在训练得到第二模型之后，确定用于训练第二模型的多个第二特征、第二模型的标识、以及第二模型的更新标记符；生成多个第二特征中每个第二特征的索引；将多个第二特征中每个第二特征的索引和多个第二特征添加在全局索引配置文件中与第二模型的更新标记符对应的全局索引集中，以实现对对全局索引配置文件的更新。此外，还根据多个第二特征中每个第二特征的索引和第二模型的更新标记符生成与第二模型的标识对应的映射文件，将生成的映射文件添加在映射文件集中。也即是，针对每个模型，均维护有一个映射文件，该映射文件用于存储相应模型包括的特征的索引和相应模型的更新标记符，这样后续当需要调用某个模型时，便不会出现调用的紊乱。上述全局索引配置文件可以存储在redis数据库中，redis数据库是一种以键值(key-value)方式来存储数据的存储系统，在此不再详细解释说明。针对所有的模型，配置一个全局索引配置文件，以便于存储更新前的各个模型的特征和对应的索引、以及更新后的各个模型的特征和对应的索引。如此，可以减少计算机的存储消耗。上述第二模型和前述第一模型可以为同一模型，也可以为不同的模型，上述仅仅是以第二模型举例进行说明，第二模型并不具体指代一个特定的模型。步骤102：基于第一模型的更新标记符从全局特征值集中获取多个第一特征中每个第一特征的特征值，全局特征值集中存储的每个特征包括一个或多个特征值，一个或多个特征值中每个特征值对应一个更新标记符。如表1所示，不同的模型的特征可能相同，所以，在本申请实施例中，维护一个全局特征值集，该全局特征值集用于存储所有的模型的特征的特征值，如此可以避免对不同模型中相同特征的特征值的重复存储。此外，由于更新前的模型和更新后的模型使用的特征值可能不同，因此，全局特征值集中存储的每个特征包括一个或多个特征值，一个或多个特征值中每个特征值对应一个更新标记符。也即是，对特征值进行了标记，以使特征值能够和更新标记符(也即是版本号)对应上，这样更新前后的模型的特征值可以维护在一起，而不必要单独维护另一个系统来存储更新后的模型的特征值。比如，表4是本申请实施例提供的一种全局特征值集，该全局特征值集包括线上所有的模型的所有特征，且每个特征包括一个或两个特征值，每个特征值对应一个更新标记符。如表4所示，特征1对应特征值11和特征值12，特征值11对应第一更新标记符，特征值12对应第二更新标记符。特征2对应特征值21，特征值21对应第一更新标记符。表4特征特征值特征1特征值11(第一更新标记符)和特征值12(第二更新标记符)特征2特征值21(第一更新标记符)…………此外，在存储特征值时，为了进一步减少存储所需空间，可以直接在特征值前面添加前缀，添加的前缀用于指示对应的更新标记符。比如，对于特征值11，在全局特征值集中存储该特征值11时，以0-特征值11的格式来存储特征值11，用于指示特征值11和第一更新标记符对应。对于特征值12，在全局特征值集中存储该特征值12时，以1-特征值12的格式来存储特征值12，用于指示特征值12和第二更新标记符对应。由于特征值和更新标记符之间对应，因此，在模型更新时，需要对全局特征值集中的特征值进行更新，以便于后续调用模型时，可以根据模型的更新标记符准确获取相应的特征值。在一种可能的实现方式中，在模型更新时，需要对全局特征值集中的特征值进行更新的实现过程可以为：接收模型更新指令，模型更新指令用于指示第三模型的更新标记符从第一更新标记符切换为第二更新标记符，第三模型为任一模型，第一更新标记符用于指示第三模型未更新，第二更新标记符用于指示第三模型已更新。对于第三模型包括的多个第三特征中任一第三特征，从全局特征值集合中确定与任一第三特征和第一更新标记符对应的第三特征值。在全局特征值集添加第三特征值和第二更新标记符之间的对应关系。也即是，在模型出现更新时，比如，对于线上人工智能服务，当某个模型更新之后重新上线，此时将接收到针对该模型的模型更新指令。此时，将对全局特征值集中添加一个特征值和第二更新标记符之间的对应关系。以便于后续基于第一更新标记符和第二更新标记符调用更新前或更新后的模型。通过上述对特征值的更新标记符的更新，如果某个模型更新之后重新上线，上述更新特征值的过程可能还存在调用模型的请求，此时如果特征值没有更新完，在通过更新后的模型进行数据处理很有可能不成功，则仍然可以调用更新前的模型来处理数据，以实现模型的热切换。在该模型对应的特征值均更新完成之后，则可以删除第一更新标记符对应的特征值，并将第二更新标记符替换为第一更新标记符，以便于后续继续对该模型进行更新。需要说明的是，由于全局特征值集中的特征值是实时或定时更新的，因此，在添加一个特征值和第二更新标记符之间的对应关系之后，后续对于同一特征的特征值，如果该特征的特征值出现更新，则只更新第二更新标记符对应的特征值，无需更新第一更新标记符对应的特征值。上述第三模型和前述第二模型或第一模型可以为同一模型，也可以为不同的模型，上述仅仅是以第三模型举例进行说明，第三模型并不具体指代一个特定的模型。步骤103：基于多个第一特征中每个第一特征的特征值，确定第一模型的处理结果。在通过步骤101至步骤102获取到多个第一特征中每个第一特征的特征值，便可将多个第一特征中每个第一特征的特征值输入至第一模型中，以得到第一模型的处理结果。该第一模型的处理结果可以是一个具体的分数，因此该处理结果还可以称为打分结果。比如，假设第一模型为用于识别用户是否恶意买家的模型，第一模型的打分结果可以用于指示当前用户为恶意买家的概率。此外，系统在调用该模型时，具体的打分结果可以不在客户端上显示，也即是，不对用户提供该打分结果。系统可以根据该打分结果得到判断结果，判断结果用于指示该用户是否是恶意买家。在一种可能的实现方式中，系统可以设置概率阈值0.8，如果当前确定的打分结果大于0.8，则判断结果为“是恶意买家”，如果当前确定的打分结果小于或等于0.8，则判断结果为“不是恶意买家”。然后将判断结果显示在客户端上。下面以图2所示的模型调用过程示意图进一步对上述实施例进行简单说明。如图2所示，当服务器检测到模型调用指令时，获取该模型调用指令中携带的待调用的模型的标识，得到目标模型标识。服务器根据该目标模型标识从映射文件集中获取与该目标模型标识对应的映射文件，得到目标映射文件。从目标映射文件中获取更新标记符和多个索引。根据更新标记符从全局索引配置文件中获取与该更新标记符对应的全局索引集，得到目标全局索引集。从目标全局索引集中包括与多个索引一一对应的多个特征，得到多个目标特征。根据这多个目标特征和前述更新标记符从全局特征值集中，获取与前述更新标记符对应的特征值，得到与多个目标特征一一对应的多个目标特征值。然后根据这多个目标特征值确定目标模型标识所指示的模型的处理结果，也即是，将这多个目标特征值输入至该目标模型标识所指示的模型，该模型的输出即为处理结果。以目标模型标识为用于识别用户是否恶意买家的模型为了进一步展开说明。为了后续便于说明，将用于识别用户是否恶意买家的模型称为恶意商家识别模型。当服务器接收到针对该恶意商家识别模型的调用请求时，根据该恶意商家识别模型的标识去映射文件集中查找对应的映射文件，该映射文件包括与特征1“最近一月的订单总量”对应的索引，以及与特征2“最近一月每天的订单频率”对应的索引，称为目标索引1和目标索引2。该映射文件还包括与该恶意商家识别模型对应的更新标记符，用于指示当前调用的模型是更新前的模型还是更新后的模型。如果当前待调用的模型是更新前的恶意商家识别模型，则该更新标记符为第一更新标记符，如果当前待调用的模型是更新后的恶意商家识别模型，则该更新标记符为第二更新标记符。后续以更新标记符为第二更新标记符为例进行说明。服务器根据该第二更新标记符中全局索引配置文件中先获取与第二更新标记符对应的全局索引集。然后从全局索引集中获取目标索引1对应的特征为“最近一月的订单总量”，目标索引2对应的特征为“最近一月每天的订单频率”。该过程实质上就是根据索引拿到具体的特征是什么特征的过程。在确定出特征1和特征2之后，便可从全局特征值集中获取这两个特征分别对应的特征值，然后根据前述从映射文件中获取的第二更新标记符确定这两个特征对应的特征值，此时，获取的特征值均是在模型更新之后同步进行更新的特征值，进而通过更新后的模型来识别用户是否是恶意买家。在上述通过更新后的模型来识别用户是否是恶意买家的过程中，如果模型运行出现问题，表明当前通过更新后的模型识别不出用户是否是恶意买家，此时，可以按照上述过程调用更新标记符为第一更新标记符的恶意商家识别模型，以通过热切换的方式来识别用户是否是恶意买家，从而避免当前线上人工智能服务被中断。需要说明的是，上述图2所示的调用过程仅仅用于举例说明，在调用模型过程中的详细的实现方式可以参考上述各个步骤中的实现方式，在此不再一一展开说明。在本申请实施例中，将各个模型包括的特征的特征值存储在一个全局特征值集中。当需要调用第一模型时，便可从该全局特征值集中获取第一模型包括的各个第一特征对应的第一特征值，以确定第一模型的处理结果。如此，各个模型可以共享同一个全局特征值集，从而避免了计算机资源的浪费。其次，为了避免更新模型之后需要重新维护一个全局特征值集，可以针对模型配置更新标记符，该更新标记符用于指示第一模型是否已更新，并在全局特征值集中针对各个特征配置不同更新标记符下的特征值，这样后续即使某个模型更新，更新后的模型和更新前的模型仍然可以共享同一个全局特征值集，无需单独再配置一个全局特征值集，进一步降低了计算机资源的浪费。图3是本申请实施例提供的一种模型调用装置示意图。如图3所示，该装置300包括：第一确定模块301，用于基于待调用的第一模型的标识，确定第一模型的更新标记符和第一模型包括的多个第一特征，更新标记符用于指示第一模型是否已更新；获取模块302，用于基于第一模型的更新标记符从全局特征值集中获取多个第一特征中每个第一特征的特征值，全局特征值集中存储的每个特征包括一个或多个特征值，一个或多个特征值中每个特征值对应一个更新标记符；第二确定模块303，用于基于多个第一特征中每个第一特征的特征值，确定第一模型的处理结果。可选地，第一确定模块，包括：获取单元，用于从映射文件集中获取与第一模型的标识对应的映射文件，映射文件集包括多个映射文件和与多个映射文件一一对应的多个模型标识，每个映射文件用于配置对应的模型标识所指示的模型的更新标记符和所指示的模型包括的多个特征；确定单元，用于从获取的映射文件中确定第一模型的更新标记符和第一模型包括的多个第一特征。可选地，每个映射文件包括对应的模型标识所指示的模型包括的每个特征的索引；确定单元，用于：确定获取的映射文件中包括的多个第一索引；从全局索引配置文件中获取与第一模型的更新标记符对应的全局索引集，全局索引配置文件包括多个全局索引集和与多个全局索引集一一对应的多个更新标记符，每个全局特征集包括多个特征和与多个特征一一对应的索引；从获取的全局索引集中确定与多个第一索引一一对应的多个第一特征。可选地，装置还包括：第三确定模块，用于确定用于训练第二模型的多个第二特征、第二模型的标识、以及第二模型的更新标记符；第一生成模块，用于生成多个第二特征中每个第二特征的索引；第一添加模块，用于将多个第二特征中每个第二特征的索引和多个第二特征添加在全局索引配置文件中与第二模型的更新标记符对应的全局索引集中；第二生成模块，用于根据多个第二特征中每个第二特征的索引和第二模型的更新标记符生成与第二模型的标识对应的映射文件，将生成的映射文件添加在映射文件集中。可选地，装置还包括：接收模块，用于接收模型更新指令，模型更新指令用于指示第三模型的更新标记符从第一更新标记符切换为第二更新标记符，第三模型为任一模型，第一更新标记符用于指示第三模型未更新，第二更新标记符用于指示第三模型已更新；第四确定模块，用于对于第三模型包括的多个第三特征中任一第三特征，从全局特征值集合中确定与任一第三特征和第一更新标记符对应的第三特征值；第二添加模块，用于在全局特征值集合添加第三特征值和第二更新标记符之间的对应关系。在本申请实施例中，将各个模型包括的特征的特征值存储在一个全局特征值集中。当需要调用第一模型时，便可从该全局特征值集中获取第一模型包括的各个第一特征对应的第一特征值，以确定第一模型的处理结果。如此，各个模型可以共享同一个全局特征值集，从而避免了计算机资源的浪费。其次，为了避免更新模型之后需要重新维护一个全局特征值集，可以针对模型配置更新标记符，该更新标记符用于指示第一模型是否已更新，并在全局特征值集中针对各个特征配置不同更新标记符下的特征值，这样后续即使某个模型更新，更新后的模型和更新前的模型仍然可以共享同一个全局特征值集，无需单独再配置一个全局特征值集，进一步降低了计算机资源的浪费。需要说明的是：上述实施例提供的模型调用装置在调用模型时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的模型调用装置与模型调用方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。图4是本申请实施例提供的一种服务器的结构示意图。该服务器可以是后台服务器集群中的服务器。具体来讲：服务器400包括中央处理单元(cpu)401、包括随机存取存储器(ram)402和只读存储器(rom)403的系统存储器404，以及连接系统存储器404和中央处理单元401的系统总线405。服务器400还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(i/o系统)406，和用于存储操作系统413、应用程序414和其他程序模块415的大容量存储设备407。基本输入/输出系统406包括有用于显示信息的显示器408和用于用户输入信息的诸如鼠标、键盘之类的输入设备409。其中显示器408和输入设备409都通过连接到系统总线405的输入输出控制器410连接到中央处理单元401。基本输入/输出系统406还可以包括输入输出控制器410以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器410还提供输出到显示屏、打印机或其他类型的输出设备。大容量存储设备407通过连接到系统总线405的大容量存储控制器(未示出)连接到中央处理单元401。大容量存储设备407及其相关联的计算机可读介质为服务器400提供非易失性存储。也就是说，大容量存储设备407可以包括诸如硬盘或者cd-rom驱动器之类的计算机可读介质(未示出)。不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括ram、rom、eprom、eeprom、闪存或其他固态存储其技术，cd-rom、dvd或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器404和大容量存储设备407可以统称为存储器。根据本申请的各种实施例，服务器400还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器400可以通过连接在系统总线405上的网络接口单元411连接到网络412，或者说，也可以使用网络接口单元411来连接到其他类型的网络或远程计算机系统(未示出)。上述存储器还包括一个或者一个以上的程序，一个或者一个以上程序存储于存储器中，被配置由cpu执行。所述一个或者一个以上程序包含用于进行本申请实施例提供的模型调用方法的指令。本申请实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述实施例提供的模型调用方法。本申请实施例还提供了一种包含指令的计算机程序产品，当其在服务器上运行时，使得服务器执行上述实施例提供的模型调用方法。本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。当前第1页1 2 3
技术特征：1.一种模型调用方法，其特征在于，所述方法包括：
基于待调用的第一模型的标识，确定所述第一模型的更新标记符和所述第一模型包括的多个第一特征，所述更新标记符用于指示所述第一模型是否已更新；
基于所述第一模型的更新标记符从全局特征值集中获取所述多个第一特征中每个第一特征的特征值，所述全局特征值集中存储的每个特征包括一个或多个特征值，所述一个或多个特征值中每个特征值对应一个更新标记符；
基于所述多个第一特征中每个第一特征的特征值，确定所述第一模型的处理结果。
2.如权利要求1所述的方法，其特征在于，所述基于待调用的第一模型的标识，确定所述第一模型的更新标记符和所述第一模型包括的多个第一特征，包括：
从映射文件集中获取与所述第一模型的标识对应的映射文件，所述映射文件集包括多个映射文件和与所述多个映射文件一一对应的多个模型标识，每个映射文件用于配置对应的模型标识所指示的模型的更新标记符和所指示的模型包括的多个特征；
从获取的映射文件中确定所述第一模型的更新标记符和所述第一模型包括的多个第一特征。
3.如权利要求2所述的方法，其特征在于，每个映射文件包括对应的模型标识所指示的模型包括的每个特征的索引；
所述从获取的映射文件中确定所述第一模型包括的多个第一特征，包括：
确定所述获取的映射文件中包括的多个第一索引；
从全局索引配置文件中获取与所述第一模型的更新标记符对应的全局索引集，所述全局索引配置文件包括多个全局索引集和与所述多个全局索引集一一对应的多个更新标记符，每个全局特征集包括多个特征和与所述多个特征一一对应的索引；
从获取的全局索引集中确定与所述多个第一索引一一对应的多个第一特征。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
确定用于训练第二模型的多个第二特征、所述第二模型的标识、以及所述第二模型的更新标记符；
生成所述多个第二特征中每个第二特征的索引；
将所述多个第二特征中每个第二特征的索引和所述多个第二特征添加在所述全局索引配置文件中与所述第二模型的更新标记符对应的全局索引集中；
根据所述多个第二特征中每个第二特征的索引和所述第二模型的更新标记符生成与所述第二模型的标识对应的映射文件，将生成的映射文件添加在所述映射文件集中。
5.如权利要求1至4任一所述的方法，其特征在于，所述方法还包括：
接收模型更新指令，所述模型更新指令用于指示第三模型的更新标记符从第一更新标记符切换为第二更新标记符，所述第三模型为任一模型，所述第一更新标记符用于指示所述第三模型未更新，所述第二更新标记符用于指示所述第三模型已更新；
对于所述第三模型包括的多个第三特征中任一第三特征，从所述全局特征值集合中确定与所述任一第三特征和所述第一更新标记符对应的第三特征值；
在所述全局特征值集合添加所述第三特征值和所述第二更新标记符之间的对应关系。
6.一种模型调用装置，其特征在于，所述装置包括：
第一确定模块，用于基于待调用的第一模型的标识，确定所述第一模型的更新标记符和所述第一模型包括的多个第一特征，所述更新标记符用于指示所述第一模型是否已更新；
获取模块，用于基于所述第一模型的更新标记符从全局特征值集中获取所述多个第一特征中每个第一特征的特征值，所述全局特征值集中存储的每个特征包括一个或多个特征值，所述一个或多个特征值中每个特征值对应一个更新标记符；
第二确定模块，用于基于所述多个第一特征中每个第一特征的特征值，确定所述第一模型的处理结果。
7.如权利要求6所述的装置，其特征在于，所述第一确定模块，包括：
获取单元，用于从映射文件集中获取与所述第一模型的标识对应的映射文件，所述映射文件集包括多个映射文件和与所述多个映射文件一一对应的多个模型标识，每个映射文件用于配置对应的模型标识所指示的模型的更新标记符和所指示的模型包括的多个特征；
确定单元，用于从获取的映射文件中确定所述第一模型的更新标记符和所述第一模型包括的多个第一特征。
8.如权利要求7所述的装置，其特征在于，每个映射文件包括对应的模型标识所指示的模型包括的每个特征的索引；
所述确定单元，用于：
确定所述获取的映射文件中包括的多个第一索引；
从全局索引配置文件中获取与所述第一模型的更新标记符对应的全局索引集，所述全局索引配置文件包括多个全局索引集和与所述多个全局索引集一一对应的多个更新标记符，每个全局特征集包括多个特征和与所述多个特征一一对应的索引；
从获取的全局索引集中确定与所述多个第一索引一一对应的多个第一特征。
9.一种模型调用装置，其特征在于，所述装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行上述权利要求1至权利要求5中的任一项权利要求所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述权利要求1至权利要求5中的任一项权利要求所述的方法的步骤。
技术总结本申请公开了一种模型调用方法、装置及计算机存储介质，属于人工智能技术领域。在本申请中，当需要调用第一模型时，便可从该全局特征值集中获取第一模型包括的各个第一特征对应的第一特征值，以确定第一模型的处理结果。如此，各个模型可以共享同一个全局特征值集，避免了计算机资源的浪费。其次，为了避免更新模型之后需要重新维护一个全局特征值集，可以针对模型配置更新标记符，该更新标记符用于指示第一模型是否已更新，并在全局特征值集中针对各个特征配置不同更新标记符下的特征值，这样后续即使某个模型更新，更新后的模型和更新前的模型仍然可以共享同一个全局特征值集，无需单独再配置一个全局特征值集，进一步降低了计算机资源的浪费。
技术研发人员：薛春军;赵守来;夏日
受保护的技术使用者：北京每日优鲜电子商务有限公司
技术研发日：2020.01.08
技术公布日：2020.06.09
