[發明專利]超參數學習、智能推薦、關鍵詞和多媒體推薦方法及裝置

在審

• 申請號: 202011060539.8
• 申請日: 2020-09-30
• 公開（公告）號: CN114329167A
• 公開（公告）日: 2022-04-12
• 發明（設計）人: 劉家豪;彭藝;謝淼;肖非
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/435;G06N20/00;G06Q30/06
• 代理公司: 北京思格頌知識產權代理有限公司 11635
• 代理人: 潘珺

1.一種機器學習模型超參數的學習方法，其特征在于，包括：

獲取機器學習模型的用戶反饋行為數據；

根據所述用戶行為反饋數據，從預設的超參數連續區間中，確定所述機器學習模型的超參數組合所在的最優超參數子區間；

在所述最優超參數子區間中，選取出最優超參數組合作為所述機器學習模型的超參數組合。

2.如權利要求1所述的方法，其特征在于，根據所述用戶反饋行為數據，確定超參數組合所在的最優超參數子區間，包括：

將用戶反饋行為數據輸入所述機器學習模型；

利用所述用戶反饋行為數據，遍歷預設的所述連續區間中范圍逐步縮小的子區間，直至確定出所述機器學習模型的超參數組合所在的最優超參數子區間。

3.如權利要求2所述的方法，其特征在于，預設的超參數連續區間采用樹結構；所述樹結構的根節點為所述連續區間，且孩子節點為父節點對應區間的子區間；

利用所述用戶反饋行為數據，遍歷預設的所述連續區間中范圍逐步縮小的子區間，直至確定出所述機器學習模型的超參數組合所在的最優超參數子區間，具體包括：

對于樹結構中的各個節點，從根節點開始，利用所述用戶反饋行為數據，對同層的每個節點的收益預估值進行評估，并根據評估結果，選擇將遍歷的下一個節點，重復上述步驟，直至到達葉子節點；

將所述葉子節點作為所述機器學習模型的超參數組合所在的最優超參數子區間。

4.如權利要求3所述的方法，其特征在于，在所述最優超參數子區間中，選取出最優超參數組合之后，還包括：

在所述樹結構中，根據所述葉子節點對應子區間的開始端和結束端以及所述最優超參數組合，將所述葉子節點分裂為至少兩個子節點；

從分裂后得到的子節點開始，回溯遍歷整個樹結構，更新每個節點對應的子區間的收益預估值。

5.如權利要求1-4任一項所述的方法，其特征在于，在所述最優超參數子區間中，選取出最優超參數組合，具體包括：

使用黑盒優化算法、網格搜索優化、貝葉斯優化、隨機搜索優化和基于梯度優化中的一種或多種，從所述最優超參數子區間中，選擇出其中包含的最優超參數組合。

6.如權利要求1-4任一項所述的方法，其特征在于，預設的超參數連續區間通過下述方式得到：

接收用戶輸入的超參數初始范圍，所述超參數初始范圍為超參數連續區間；

在選取出最優超參數組合后，所述方法還包括：

輸出所述最優超參數組合，并判斷是否接收到對所述最優超參數組合的調整指令；

若收到所述調整指令，根據所述調整指令調整所述最優超參數組合后再次輸出。

7.一種智能推薦的方法，其特征在于，包括：

確定待推薦的至少兩個候選對象；

獲取推薦模型當前最優超參數組合；

通過所述推薦模型以及所述當前最優超參數組合，對所述至少兩個候選對象進行評分；

基于所述至少兩個候選對象的評分值，向用戶推薦所述候選對象；

所述最優超參數組合采用如權利要求1-6任一項所述的機器學習模型超參數的學習方法得到。

8.如權利要求7所述的方法，其特征在于，所述確定待推薦的至少兩個候選對象，包括下述一種或多種的組合：

根據所述用戶的地理位置信息，從候選數據庫中確定出與所述地理位置信息匹配的至少兩個候選對象：

根據所述用戶的屬性信息，從候選數據庫中確定出與所述屬性信息匹配的至少兩個候選對象；

根據用戶的偏好信息，從候選數據庫中確定出與所述偏好信息相匹配的至少兩個候選對象；

根據用戶的關聯用戶的偏好信息，從候選數據庫中確定出與所述偏好信息相匹配的至少兩個候選對象。