[發明專利]信息推薦方法、裝置、計算機設備及介質

有效

• 申請號: 202011288944.5
• 申請日: 2020-11-17
• 公開（公告）號: CN112328909B
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 劉波
• 申請（專利權）人: 中國平安人壽保險股份有限公司
• 主分類號: G06F16/9536
• 分類號: G06F16/9536;G06F16/951;G06F16/906;G06N20/10
• 代理公司: 深圳市世聯合知識產權代理有限公司 44385
• 代理人: 汪琳琳

1.一種信息推薦方法，其特征在于，包括：

采集每個用戶的初始數據，并對所述初始數據進行數據預處理和穩定性評估，得到穩定數據，其中，獲取所述穩定數據包含的特征為穩定特征；

采用特征衍生的方式，對所述穩定特征進行特征衍生處理，得到衍生特征；

通過采用機器學習的方式，對所述衍生特征中缺失的特征值進行信息預測，得到預測結果；

根據預測結果對所述缺失的特征值進行填充，得到填充后的數據，將所述填充后的數據和所述穩定數據作為目標數據，并將所述目標數據存入到目標數據集中；

針對所述目標數據集的任一目標數據，將所述目標數據和每個召回方法輸入到預設的推薦模型中，通過所述預設的推薦模型，對每個召回方法進行打分，得到預測分值；

按照所述預測分值由大到小的順序排序，并從排序后的所述預測分值中，依次選取預設數量的召回方法加入到召回方法序列；

根據預設的推薦條件，結合所述召回方法序列，生成推薦信息，將所述推薦信息推薦給所述目標數據對應的用戶；

其中，所述對所述初始數據進行數據預處理和穩定性評估，得到穩定數據包括：

對所述初始數據按照預設標簽類型進行分類，得到初始類別信息；

對每個所述初始類別信息進行缺失值處理，得到基礎類別信息，其中，每個基礎類別信息至少包括一個基礎特征；

計算每個基礎類別信息的基礎特征的穩定度，篩選出穩定度超過預設穩定度閾值的基礎特征，作為穩定特征，將包含的基礎特征均為穩定特征的基礎類別信息，作為穩定數據；

其中，所述預設的推薦模型為梯度提升決策樹模型，所述通過所述預設的推薦模型，對每個召回方法進行打分，得到預測分值包括：

將每個所述召回方法對應的模擬結果作為一個參考特征，將所述目標數據中包含的數據特征作為目標特征，并將所述參考特征和所述目標特征作為訓練特征；

將所述訓練特征輸入到梯度提升決策樹模型中，通過所述梯度提升決策樹模型對所述訓練特征進行訓練，得到n棵決策樹；

將每棵所述決策樹的路徑包含的特征作為自變量，基于二分類邏輯回歸模型，進行預設事件的結果預測，得到每個召回方法對應的預測分值。

2.如權利要求1所述的信息推薦方法，其特征在于，所述計算每個基礎類別信息的基礎特征的穩定度，篩選出穩定度超過預設穩定度閾值的基礎特征，作為穩定特征包括：

計算每個基礎特征的信息值IV，并根據所述信息值IV進行特征篩選，得到關鍵特征；

通過預設方式，計算所述關鍵特征的穩定度指標PSI，將所述穩定度指標PSI超過預設閾值的關鍵特征，作為穩定特征。

3.如權利要求1所述的信息推薦方法，其特征在于，所述通過所述梯度提升決策樹模型對所述訓練特征進行訓練，得到n棵決策樹包括：

對所述訓練特征采用分類回歸樹算法，生成原始決策樹；

將所述原始決策樹放入決策樹模型中，并將所述原始決策樹作為當前決策樹；

基于所述訓練特征，計算所述當前決策樹的殘差向量；

依據所述殘差向量擬合新的決策樹，并將該新的決策樹放入所述決策樹模型中；

若所述決策樹模型中決策樹的總數低于預設閾值，則將所述新的決策樹作為所述當前決策樹，返回基于所述訓練特征，計算所述當前決策樹的殘差向量的步驟繼續執行；

若所述決策樹模型中決策樹的總數達到預設閾值n，則停止擬合新的決策樹，得到包含n棵決策樹的決策樹模型。