[發明專利]機器學習特征生成方法及裝置、電子設備和存儲介質

有效

• 申請號: 201811572272.3
• 申請日: 2018-12-21
• 公開（公告）號: CN109670601B
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 余鵬
• 申請（專利權）人: 拉扎斯網絡科技（上海）有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06F9/445
• 代理公司: 北京智信四方知識產權代理有限公司 11519
• 代理人: 呂雁葭

本發明實施例涉及機器學習技術領域，公開了一種機器學習特征生成方法及裝置、電子設備和存儲介質。該方法包括：在配置文件中配置特征加工信息；對配置文件中配置的特征加工信息進行解析，并根據解析出的特征加工信息生成腳本文件；執行腳本文件得到機器學習特征。本發明實施方式可以通過配置化的方式自動生成細分特征，從而可以大幅簡化開發人員工作量，提高效率。

技術領域

本發明涉及機器學習技術領域，特別涉及一種機器學習特征生成方法及裝置、電子設備和存儲介質。

背景技術

近年來，在線餐飲服務發展迅速，對于平臺的服務能力要求也越來越高。運用機器學習技術不斷優化在線餐飲服務質量成為重要手段。在進行機器學習時，需要提供機器學習所需的機器學習特征，例如用戶特征以及商戶特征等。而不同的機器學習特征又可以繼續進行演進，例如不斷細分，提供給機器學習模型的機器學習特征越細，模型越準確。以商戶的點擊率(Click-Through-Rate，CTR)為例，其是該商戶的點擊數與曝光數之商，點擊率可以按照時間條件不斷細分，例如可以細分為3天、5天、7天、9天、11天等的五種細分點擊率指標，也可以按照早、中、晚進行細分。

發明人發現相關技術至少存在以下問題：機器學習所使用的相關特征需要從數據源中進行挖掘，現有在生成機器學習特征時，一般采用人工編寫代碼的方式對數據源中的數據進行加工得到。這樣，若需對某個特征進行細分得到多種細分特征時，每個細分特征均需要單獨編寫代碼。因此，現有為了生成細分的機器學習特征，常常需要手動編寫數千行代碼，工作量大且效率低。

發明內容

本發明實施方式的目的在于提供一種機器學習特征生成方法及裝置、電子設備和存儲介質，可以通過配置化的方式自動生成細分特征，從而可以大幅簡化開發人員工作量，提高效率。

為解決上述技術問題，本發明的實施方式提供了一種機器學習特征生成方法，包括：

在配置文件中配置特征加工信息；

對所述配置文件中配置的特征加工信息進行解析，并根據解析出的所述特征加工信息生成腳本文件；

執行所述腳本文件得到機器學習特征。

本發明的實施方式還提供了一種機器學習特征生成裝置，包括：

配置模塊，用于在配置文件中配置特征加工信息；

文件生成模塊，用于對所述配置文件中配置的特征加工信息進行解析，并根據解析出的所述特征加工信息生成腳本文件；

特征生成模塊，用于執行所述腳本文件得到機器學習特征。

本發明的實施方式還提供了一種電子設備，包括：存儲器和處理器，存儲器存儲計算機程序，處理器運行所述計算機程序以實現：

在配置文件中配置特征加工信息；

對所述配置文件中配置的特征加工信息進行解析，并根據解析出的所述特征加工信息生成腳本文件；

執行所述腳本文件得到機器學習特征。

本發明的實施方式還提供了一種存儲介質，用于存儲計算機可讀程序，所述計算機可讀程序用于供計算機執行如上所述的機器學習特征生成方法。

本發明實施方式相對于現有技術而言，發明人通過研究發現機器學習特征可以分為根特征以及細分特征，且隨著數據挖掘的不斷演進，細分特征的種類以及數量會迅速增加，而用于生成細分特征的功能代碼通常是在用于生成根特征的功能代碼的基礎上添加相關的細分條件，基于此，本發明實施方式擯棄了傳統的通過手動編寫代碼生成機器學習特征的方式，而是通過配置文件對特征加工信息配置，即配置根特征以及相關的細分條件，并對配置文件進行解析得到解析結果，然后根據解析結果自動生成腳本文件，即自動生成用于生成機器學習特征，尤其是機器學習細分特征的腳本文件。因此，本實施方式能夠大幅降低開發人員的工作量，提高功率效率。