[發明專利]自學習推薦方法、裝置、計算機設備和存儲介質

在審

• 申請號: 202010579718.6
• 申請日: 2020-06-23
• 公開（公告）號: CN111797313A
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 郭凌峰;黃北辰
• 申請（專利權）人: 深圳壹賬通智能科技有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/332;G06K9/62;G06N20/00
• 代理公司: 北京匯思誠業知識產權代理有限公司 11444
• 代理人: 馮曉平

本發明公開了一種自學習推薦方法、裝置、計算機設備和存儲介質，涉及人工智能技術領域。該自學習推薦方法包括：從商務系統數據庫中獲取訓練字段，其中，訓練字段包括字段特征；計算字段特征之間的相關性；采集用戶輸入的歷史提問信息，基于字段特征從歷史提問信息中獲取目標字段特征，其中，字段特征包括目標字段特征；對目標字段特征進行特征選擇預處理，并將特征選擇預處理后的目標字段特征輸入到自動機器學習模型中，通過遞歸特征消除的方式確定組合字段特征；獲取用戶輸入的提問信息，根據字段特征之間的相關性和組合字段特征輸出推薦回答。采用該自學習推薦方法能夠有效地對特征變量進行深度的挖掘分析。

【技術領域】

本發明涉及人工智能技術領域，尤其涉及一種自學習推薦方法、裝置、計算機設備和存儲介質。

【背景技術】

目前市場主流的商務分析軟件基于固定的儀表板，通過拖拉拽、下鉆、聯動等方式進行分析。這種方式主要依靠于拼接儀表板的人對業務的了解。如果用戶意識不到某兩個特征變量間可能有聯系，則無法進行進一步的分析，有可能錯過商務分析過程中重要的影響因素，無法對特征變量進行深度的挖掘分析。

【發明內容】

有鑒于此，本發明實施例提供了一種自學習推薦方法、裝置、計算機設備和存儲介質，用以解決目前無法在進行商務分析時對特征變量進行深度挖掘分析的問題。

第一方面，本發明實施例提供了一種自學習推薦方法，包括：

從商務系統數據庫中獲取訓練字段，其中，所述訓練字段包括字段特征；

計算所述字段特征之間的相關性；

采集用戶輸入的歷史提問信息，基于所述字段特征從所述歷史提問信息中獲取目標字段特征，其中，所述字段特征包括所述目標字段特征；

對所述目標字段特征進行特征選擇預處理，并將特征選擇預處理后的所述目標字段特征輸入到自動機器學習模型中，通過遞歸特征消除的方式確定組合字段特征，其中，所述自動機器學習模型采用所述遞歸特征消除的架構；

獲取用戶輸入的提問信息，根據所述字段特征之間的相關性和所述組合字段特征輸出推薦回答。

如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述基于所述字段特征從所述歷史提問信息中獲取目標字段特征，包括：

從所述歷史提問信息中提取字段信息；

將所述字段信息和所述訓練字段進行字段匹配，得到目標字段信息；

將出現頻次大于預設閾值的所述目標字段信息作為目標字段；

根據所述目標字段獲取所述目標字段特征。

如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，在所述對所述目標字段特征進行特征選擇預處理之前，還包括：

檢測所述目標字段特征是否存在字段異常；

若存在字段異常，根據所述字段異常的類型，采用預設的字段異常處理操作對所述目標字段特征進行修復。

如上所述的方面和任一可能的實現方式，進一步提供一種實現方式，所述目標字段特征包括連續變量和分類變量，所述對所述目標字段特征進行特征選擇預處理，并將特征選擇預處理后的所述目標字段特征輸入到自動機器學習模型中，通過遞歸特征消除的方式確定組合字段特征，包括：

將目標字段特征的連續變量采用等距分箱的方式離散化，以及將目標字段特征的分類變量采用合并的方式進行特征預組合，完成所述目標字段特征的特征選擇預處理；