[發明專利]一種對象特征的處理和信息推送方法、裝置和設備

在審

• 申請號: 201811626683.6
• 申請日: 2018-12-28
• 公開（公告）號: CN111382347A
• 公開（公告）日: 2020-07-07
• 發明（設計）人: 張冠星;孫開成
• 申請（專利權）人: 廣州市百果園信息技術有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/2458
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

本發明公開了一種對象特征的處理和信息推送方法、裝置和設備。其中，該對象特征的處理方法包括：獲取目標對象數據集對應的特征處理模型的配置文件；根據配置文件中選擇的算子、算子之間的關系以及算子運行參數，從算子庫中加載選擇的算子代碼模板，并為算子代碼模板配置算子之間的關系和算子運行參數，以生成特征處理模型實例；將目標對象數據集作為特征處理模型實例的輸入，運行特征處理模型實例，以輸出模型特征向量。本發明實施例提供的技術方案，實現了可配置化的對象特征處理，能夠直觀地得到目標對象數據集和模型特征向量之間的映射關系，便于不同算子的調試和查錯，降低了在特征處理過程中的邏輯運算量。

技術領域

本發明實施例涉及機器學習技術領域，尤其涉及一種對象特征的處理和信息推送方法、裝置和設備。

背景技術

隨著人工智能交互技術的快速發展，越來越多的信息推送系統采用預先訓練機器學習模型來確定最優的推送信息，此時機器學習模型可以通過構建的特征工程最大限度地從原始數據中提取各個推送信息的相關特征，以供后續該機器學習模型中的算法使用，得到相應的模型輸出結果。

特征工程中包括對數據特征的使用方法、獲取方法、處理方法以及監控方法等，其中特征處理方法屬于特征工程的核心部分，特征處理的過程是將原始特征數據，如信息的查看量、評價數或信息屬性標簽等具體數據值，轉換為機器學習模型所需要的模型特征向量。目前，特征處理過程中可能存在多個中間環節，使得特征處理操作與具體業務需求強耦合，現有的信息推送系統對特征處理時一般是針對對應的推送模型，都編寫一套對應的處理代碼，從而對該推送模型中所需特征向量的每個維度都執行從原始特征數據到該特征向量中在該維度下的特征值的轉換處理操作，從而得到完整的特征向量，以便后續輸入該推送模型得到最優的輸出結果。

現有的特征處理中雖然可以通過數據庫的方式來減少代碼量，但是對于每種不同的機器學習模型，都需要重新編寫一套對應的處理邏輯，導致工作重復性較高；同時在代碼量巨大的情況下，無法直觀地了解原始特征數據與模型特征向量之間的映射關系；此外在對模型特征進行更新時需要對應更新代碼邏輯，易引入處理邏輯錯誤或處理性能降低的問題。

發明內容

本發明實施例提供了一種對象特征的處理和信息推送方法、裝置和設備，實現了可配置化的特征處理，降低了在特征處理過程中的邏輯運算量，提高了信息推送效率。

第一方面，本發明實施例提供了一種對象特征的處理方法，該方法包括：

獲取目標對象數據集對應的特征處理模型的配置文件；

根據所述配置文件中選擇的算子、算子之間的關系以及算子運行參數，從算子庫中加載選擇的算子代碼模板，并為算子代碼模板配置算子之間的關系和算子運行參數，以生成特征處理模型實例；

將所述目標對象數據集作為所述特征處理模型實例的輸入，運行所述特征處理模型實例，以輸出模型特征向量。

第二方面，本發明實施例提供了一種信息推送方法，該方法包括：

根據用戶推送請求獲取對應的用戶特征數據；

根據所述用戶特征數據獲取至少一個待推送信息，所述待推送信息中包括對應的推送特征數據；

將所述用戶特征數據和所述推送特征數據輸入預先構建的特征處理模型中，得到所述待推送信息的特征向量，所述特征處理模型預先根據配置文件中選擇的算子、算子之間的關系、以及算子運行參數生成；

根據各所述待推送信息的特征向量，確定所述待推送信息的推送順序。

第三方面，本發明實施例提供了一種對象特征的處理裝置，該裝置包括：

配置文件獲取模塊，用于獲取目標對象數據集對應的特征處理模型的配置文件；