[發明專利]目標對象的特征信息提取方法及裝置

有效

• 申請號: 201710076121.8
• 申請日: 2017-02-13
• 公開（公告）號: CN108280104B
• 公開（公告）日: 2020-06-02
• 發明（設計）人: 戶保田;陳謙
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/906;G06K9/62;G06N3/04;G06N3/08;G06N20/00;G06N20/10;G06N5/02;H04L12/24;H04L29/08
• 代理公司: 北京三高永信知識產權代理有限責任公司 11138
• 代理人: 朱雅男

1.一種目標對象的特征信息提取方法，其特征在于，所述方法包括：

獲取目標對象的至少兩個虛擬物品包各自對應的包屬性向量，并獲取所述目標對象的對象屬性向量，所述包屬性向量中的每個元素指示對應的虛擬物品包的一種屬性，所述對象屬性向量中的每個元素指示所述目標對象的一種屬性；

通過第一機器訓練模型對所述至少兩個虛擬物品包各自對應的包屬性向量進行機器訓練，獲得所述至少兩個虛擬物品包各自對應的特征向量；

通過第二機器訓練模型對所述至少兩個虛擬物品包各自對應的特征向量以及所述目標對象的對象屬性向量進行機器訓練，獲得所述至少兩個虛擬物品包各自對應的重要性分數；

根據所述至少兩個虛擬物品包各自對應的特征向量以及所述至少兩個虛擬物品包各自對應的重要性分數，提取所述目標對象的特征信息。

2.根據權利要求1所述的方法，其特征在于，所述第一機器訓練模型為循環神經網絡模型，所述通過第一機器訓練模型對所述至少兩個虛擬物品包各自對應的包屬性向量進行機器訓練，獲得所述至少兩個虛擬物品包各自對應的特征向量，包括：

按照所述至少兩個虛擬物品包各自對應的時間從先到后的順序，將所述至少兩個虛擬物品包各自對應的包屬性向量依次輸入所述循環神經網絡模型進行機器訓練，獲得所述至少兩個虛擬物品包各自對應的特征向量。

3.根據權利要求2所述的方法，其特征在于，所述循環神經網絡模型包括第一循環神經網絡模型和第二循環神經網絡模型，所述按照所述至少兩個虛擬物品包各自對應的時間從先到后的順序，將所述至少兩個虛擬物品包各自對應的包屬性向量依次輸入所述循環神經網絡模型進行機器訓練，獲得所述至少兩個虛擬物品包各自對應的特征向量，包括：

按照所述至少兩個虛擬物品包各自對應的時間從先到后的順序，將所述至少兩個虛擬物品包各自對應的包屬性向量依次輸入所述第一循環神經網絡模型進行機器訓練，獲得所述至少兩個虛擬物品包各自對應的第一部分特征向量；

按照所述至少兩個虛擬物品包各自對應的時間從后到先的順序，將所述至少兩個虛擬物品包各自對應的包屬性向量依次輸入所述第二循環神經網絡模型進行機器訓練，獲得所述至少兩個虛擬物品包各自對應的第二部分特征向量；

對于所述至少兩個虛擬物品包中的任一虛擬物品包，將所述虛擬物品包的第一部分特征向量和所述虛擬物品包的第二部分特征向量進行拼接，獲得所述虛擬物品包的特征向量。

4.根據權利要求2所述的方法，其特征在于，所述循環神經網絡模型為長短記憶循環神經網絡模型或者門限循環神經網絡。

5.根據權利要求1所述的方法，其特征在于，所述第二機器訓練模型為注意力機制模型，所述通過第二機器訓練模型對所述至少兩個虛擬物品包各自對應的特征向量以及所述目標對象的對象屬性向量進行機器訓練，獲得所述至少兩個虛擬物品包各自對應的重要性分數，包括：

將所述目標對象的對象屬性向量以及所述至少兩個虛擬物品包各自對應的特征向量輸入所述注意力機制模型，獲得所述至少兩個虛擬物品包各自對應的重要性數值；

對所述至少兩個虛擬物品包各自對應的重要性數值進行歸一化，獲得所述至少兩個虛擬物品包各自對應的重要性分數。

6.根據權利要求1所述的方法，其特征在于，所述根據所述至少兩個虛擬物品包各自對應的特征向量以及所述至少兩個虛擬物品包各自對應的重要性分數，提取所述目標對象的特征信息，包括：

根據所述至少兩個虛擬物品包各自對應的重要性分數對所述至少兩個虛擬物品包各自對應的特征向量進行加權求和，將加權求和獲得的向量提取為所述目標對象的特征信息；

或者，

按照對應的重要性分數從高到低的順序對所述至少兩個虛擬物品包各自對應的特征向量進行排序，將排序后的前j個特征向量的平均值提取為所述目標對象的特征信息，1≤j≤n，且j、n為整數，且n為所述至少兩個虛擬物品的個數。

7.根據權利要求1至6任一所述的方法，其特征在于，所述方法還包括：

將所述目標對象的特征信息輸入機器分類模型，獲得所述目標對象的分類信息，所述目標對象的分類信息用于指示所述目標對象對應的類別。