[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 |
| 地址： | 開曼群島大開曼島西灣路8*** | 國省代碼： | 暫無信息 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 神經網絡 模型 訓練 對象 推薦 方法 裝置 | ||
本申請涉及計算機技術領域，尤其涉及一種神經網絡模型訓練、對象推薦方法及裝置，在一種神經網絡模型訓練方法中，對預先收集的多個樣本數據中的每個樣本數據，確定樣本數據對應的one?hot形式的特征向量；根據各個樣本數據對應的one?hot形式的特征向量以及各個樣本數據的樣本標簽，訓練LR模型；根據訓練出的LR模型，確定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。由此，可以提高神經網絡模型訓練的效率。
技術領域
本申請涉及計算機技術領域，尤其涉及一種神經網絡模型訓練、對象推薦方法及裝置。
背景技術
傳統技術中，在搜集到樣本數據之后，直接根據樣本數據以及樣本數據的樣本標簽，來訓練神經網絡模型。然而，上述搜集的樣本數據通常會包括多個維度的信息，這會導致神經網絡模型訓練的效率比較低，且訓練的神經網絡模型比較復雜。由于神經網絡模型比較復雜，當被應用上線時，其向用戶推薦目標對象的耗時就會比較長，也即其時效性比較差，這會導致該神經網絡模型不能被應用到時效性要求比較高的場景中。
發明內容
本申請描述了一種神經網絡模型訓練、對象推薦方法及裝置，可以提高神經網絡模型訓練的效率。
第一方面，提供了一種神經網絡模型訓練方法，包括：
對預先收集的多個樣本數據中的每個樣本數據，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；
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。
第二方面，提供了一種對象推薦方法，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。
第三方面，提供了一種神經網絡模型訓練裝置，包括：
確定單元，用于對預先收集的多個樣本數據中的每個樣本數據，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；
訓練單元，用于根據所述確定單元確定的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；
所述確定單元，還用于根據所述訓練單元訓練出的LR模型，確定所述N個數據值對應的N個權重值；
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于創新先進技術有限公司，未經創新先進技術有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201710208315.9/2.html，轉載請聲明來源鉆瓜專利網。
