[發(fā)明專利]特征組合方法、裝置、介質(zhì)和電子設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 202010324927.6
• 申請(qǐng)日: 2020-04-23
• 公開(kāi)（公告）號(hào): CN111221880B
• 公開(kāi)（公告）日: 2021-01-22
• 發(fā)明（設(shè)計(jì)）人: 張昊立;劉昭呈;劉強(qiáng)
• 申請(qǐng)（專利權(quán)）人: 北京瑞萊智慧科技有限公司
• 主分類號(hào): G06F16/2458
• 分類號(hào): G06F16/2458;G06N3/04;G06N3/08
• 代理公司: 北京志霖恒遠(yuǎn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11435
• 代理人: 郭棟梁

1.一種特征組合方法，其中，包括：

以包括多個(gè)不同特征域的多個(gè)樣本作為神經(jīng)網(wǎng)絡(luò)模型的輸入，獲取所述多個(gè)樣本中各特征域?qū)?yīng)的解釋向量，包括：

從所述神經(jīng)網(wǎng)絡(luò)模型中提取所述多個(gè)樣本中各特征域的隱含向量；

將每個(gè)樣本的隱含向量轉(zhuǎn)換為對(duì)應(yīng)樣本中各特征域?qū)?yīng)的解釋向量，包括：

對(duì)每一樣本中各特征域?qū)?yīng)的隱含向量進(jìn)行預(yù)設(shè)處理，得到每一樣本中各特征域?qū)?yīng)的局部解釋向量；或者

對(duì)每一樣本中各特征域?qū)?yīng)的隱含向量進(jìn)行預(yù)設(shè)處理，并將每一樣本中各特征域?qū)?yīng)的局部解釋向量與全體解釋向量進(jìn)行求差值計(jì)算，得到每一樣本中各特征域?qū)?yīng)的標(biāo)準(zhǔn)解釋向量；

其中，所述全體解釋向量為各特征域?qū)?yīng)的局部解釋向量的平均值；

其中，所述包括多個(gè)不同特征域的多個(gè)樣本至少包括用戶購(gòu)物數(shù)據(jù)、零售數(shù)據(jù)和農(nóng)作物種植數(shù)據(jù)中的一種；每一樣本包括多個(gè)不同的組合特征域；

對(duì)解釋向量符合預(yù)設(shè)條件的特征域進(jìn)行標(biāo)注，其中，所述預(yù)設(shè)條件包括解釋向量的絕對(duì)值大于設(shè)定閾值；

根據(jù)各特征域被標(biāo)注的情況確定各個(gè)組合特征域的標(biāo)注頻數(shù)；

根據(jù)各組合特征域被標(biāo)注的頻數(shù)從多到少的順序，依次選取預(yù)設(shè)數(shù)量的多個(gè)組合特征域，作為候選組合特征域；

從多個(gè)候選組合特征域中選取與目標(biāo)模型匹配的目標(biāo)組合特征域。

2.根據(jù)權(quán)利要求1所述的方法，其中，各特征域?qū)?yīng)的解釋向量用于反映每個(gè)樣本中各特征域?qū)λ錾窠?jīng)網(wǎng)絡(luò)模型輸出結(jié)果的影響程度。

3.根據(jù)權(quán)利要求2所述的方法，其中，所述從所述神經(jīng)網(wǎng)絡(luò)模型中提取每個(gè)樣本的隱含向量，包括：

通過(guò)所述神經(jīng)網(wǎng)絡(luò)模型的嵌入層輸出每個(gè)樣本中各特征域?qū)?yīng)的隱含向量。

4.根據(jù)權(quán)利要求1所述的方法，其中，所述從多個(gè)候選組合特征域中選取與目標(biāo)模型匹配的目標(biāo)組合特征域，包括：

以初始特征值作為所述目標(biāo)模型的輸入，獲取所述目標(biāo)模型的第一輸出值；

以任一候選組合特征域中的組合特征值與所述初始特征值作為所述目標(biāo)模型的輸入，獲取所述目標(biāo)模型的第二輸出值；

若所述第二輸出值優(yōu)于所述第一輸出值，則將該候選組合特征域確定為所述目標(biāo)組合特征域。

5.根據(jù)權(quán)利要求4所述的方法，其中，所述目標(biāo)模型為邏輯回歸模型；若以初始特征值作為所述目標(biāo)模型的輸入，則所述邏輯回歸模型f₁的公式表達(dá)為：

f₁(x)＝sigmoid(a₁x₁+a₂x₂+···+a_fx_f)

其中，x_f表示在第f個(gè)特征域中的初始特征值,a_f表示該初始特征值的權(quán)重，Sigmoid表示激活函數(shù)，f為正整數(shù)。

6.根據(jù)權(quán)利要求4所述的方法，其中，所述目標(biāo)模型為邏輯回歸模型；若以任一候選組合特征域中的組合特征值與所述初始特征值作為所述目標(biāo)模型的輸入，則所述邏輯回歸模型f₂的公式表達(dá)為：

f₂(x)＝sigmoid(a₁x₁+a₂x₂+···+a_fx_f+a_fi,fjx_fi,fj)

其中，x_fi,fj表示第i個(gè)特征域和第j個(gè)特征域構(gòu)成的候選組合特征域中的組合特征值，a_fi,fj表示組合特征值的權(quán)重，x_f表示在第f個(gè)特征域中的初始特征值,a_f表示該初始特征值的權(quán)重，Sigmoid表示激活函數(shù)，f為正整數(shù)。

7.根據(jù)權(quán)利要求1-6中任一所述的方法，其中，選取出的目標(biāo)組合特征域的階數(shù)不超過(guò)設(shè)定階數(shù)范圍。

8.根據(jù)權(quán)利要求1所述的方法，其中，預(yù)設(shè)數(shù)量為特征域數(shù)量的二倍。