[發明專利]神經網絡模型訓練、對象推薦方法及裝置

有效

• 申請號: 201710208315.9
• 申請日: 2017-03-31
• 公開（公告）號: CN108665064B
• 公開（公告）日: 2021-12-14
• 發明（設計）人: 趙沛霖;李龍飛;周俊;李小龍
• 申請（專利權）人: 創新先進技術有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 北京億騰知識產權代理事務所(普通合伙) 11309
• 代理人: 陳霽

1.一種用于向用戶推薦對象的神經網絡模型訓練方法，其特征在于，包括：

對預先收集的多個樣本數據中的每個樣本數據，確定目標類型的特征對應的原始特征值，根據所述原始特征值，確定所述樣本數據對應的one-hot形式的特征向量，所述樣本數據包括樣本標簽，所述特征向量包括N個數據值，所述數據值包括數據值0和數據值1；所述目標類型的特征包括，用戶的基本信息、對象的基本信息以及用戶的基本信息與對象的基本信息的交叉信息；

根據各個樣本數據對應的one-hot形式的特征向量以及所述各個樣本數據的樣本標簽，訓練邏輯回歸LR模型；

根據訓練出的LR模型，確定所述N個數據值對應的N個權重值；

對每個樣本數據，從N個權重值中選取所述樣本數據對應的one-hot形式的特征向量中數據值1對應的目標權重值，得到M個目標權重值，MN；

將各個樣本數據的M個目標權重值作為各個樣本數據的新的特征值，輸入神經網絡模型對其進行訓練。

2.根據權利要求1所述的方法，其特征在于，所述目標類型包括：連續類型和離散類型；

所述將各個樣本數據的M個目標權重值作為各個樣本數據的新的特征值，輸入神經網絡模型對其進行訓練，包括：

將各個樣本數據的M個目標權重值以及連續類型的特征對應的原始特征值作為各個樣本數據的新的特征值，輸入神經網絡模型對其進行訓練。

3.根據權利要求2所述的方法，其特征在于，還包括：

預先為所述目標類型的特征設定多個取值；

所述對預先收集的多個樣本數據中的每個樣本數據，確定目標類型的特征對應的原始特征值，包括：

根據所述樣本數據，從所述目標類型的特征的多個預設的取值中選取一個取值；

將所述一個取值確定為所述目標類型的特征對應的原始特征值。

4.根據權利要求3所述的方法，其特征在于，所述目標類型的特征的個數為多個；M是根據所述特征的個數確定的；N是根據各個特征的取值的個數總和確定的。

5.一種對象推薦方法，其特征在于，包括：

獲取用戶的目標行為數據；

根據所述目標行為數據，確定one-hot形式的特征向量，所述特征向量包括N個數據值，所述數據值包括數據值0和數據值1；

從N個數據值對應的N個權重值中選取所述目標行為數據對應的one-hot形式的特征向量中數據值1對應的目標權重值，得到M個目標權重值；所述N個權重值是根據邏輯回歸LR模型確定的，MN；

將所述M個目標權重值輸入到神經網絡模型中，以確定所述用戶感興趣的目標對象；

向所述用戶推薦所述目標對象。

6.根據權利要求5所述的方法，其特征在于，所述根據所述目標行為數據，確定one-hot形式的特征向量，包括：

根據所述目標行為數據，確定目標類型的特征對應的原始特征值，所述目標類型包括：連續類型和離散類型；

根據所述目標類型的特征對應的原始特征值，確定one-hot形式的特征向量；

所述將所述M個目標權重值輸入到神經網絡模型中，以確定所述用戶感興趣的目標對象，包括：

將所述M個目標權重值以及所述連續類型的特征對應的原始特征值輸入到神經網絡模型中，以確定所述用戶感興趣的目標對象。

7.根據權利要求6所述的方法，其特征在于，還包括：

預先為所述目標類型的特征設定多個取值；

所述根據所述目標行為數據，確定目標類型的特征對應的原始特征值，包括：

根據所述目標行為數據，從所述目標類型的特征的多個預設的取值中選取一個取值；

將所述一個取值確定為所述目標類型的特征對應的原始特征值。

8.根據權利要求7所述的方法，其特征在于，所述目標類型的特征的個數為多個；M是根據所述特征的個數確定的；N是根據各個特征的取值的個數總和確定的。