[發(fā)明專利]優(yōu)化特征數(shù)據(jù)提取的方法及其相關(guān)產(chǎn)品

在審

• 申請?zhí)枺?/td>: 202011501057.1
• 申請日: 2020-12-17
• 公開（公告）號: CN112579843A
• 公開（公告）日: 2021-03-30
• 發(fā)明（設(shè)計）人: 陳依云
• 申請（專利權(quán)）人: 中國平安人壽保險股份有限公司
• 主分類號: G06F16/9035
• 分類號: G06F16/9035;G06F16/9038;G06F16/906;G06K9/62;G06N3/08
• 代理公司: 廣州三環(huán)專利商標代理有限公司 44202
• 代理人: 熊永強

本申請實施例公開了一種優(yōu)化特征數(shù)據(jù)提取的方法及其相關(guān)產(chǎn)品，所述方法包括：獲取多個第一特征數(shù)據(jù)；將多個第一特征數(shù)據(jù)進行分組，得到多個第一特征數(shù)據(jù)集；計算多個第一特征數(shù)據(jù)集中每個第一特征數(shù)據(jù)集中每兩第一特征數(shù)據(jù)之間的相關(guān)度，得到多個相關(guān)度；根據(jù)多個相關(guān)度對每個第一特征數(shù)據(jù)集中的第一特征數(shù)據(jù)進行排序，得到第一有序數(shù)據(jù)集；將第一有序數(shù)據(jù)集輸入到預(yù)選訓(xùn)練好的第一特征提取模型，得到第二有序數(shù)據(jù)集；將第二有序數(shù)據(jù)集輸入預(yù)先訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型，得到目標數(shù)據(jù)。本申請實施例將多個特征數(shù)據(jù)進行分組、排序，再將排好的特征數(shù)據(jù)依次輸入特征提取模型、神經(jīng)網(wǎng)絡(luò)模型，減少特征提取模型對特征數(shù)據(jù)的處理時長，提高轉(zhuǎn)換率預(yù)測效率。

技術(shù)領(lǐng)域

本申請涉及計算機技術(shù)領(lǐng)域，尤其涉及一種優(yōu)化特征數(shù)據(jù)提取的方法及其相關(guān)產(chǎn)品。

背景技術(shù)

隨著科技的發(fā)展，人們每天接受的信息越來越多，個性化推薦系統(tǒng)可以有效的向用戶提供個性化的決策支持。個性化推薦系統(tǒng)是建立在海量數(shù)據(jù)挖掘基礎(chǔ)上的一種智能平臺。而轉(zhuǎn)化率預(yù)測是推薦系統(tǒng)中的一項重要任務(wù)，旨在估算用戶購買給定項目的概率。目前的轉(zhuǎn)化率預(yù)測是通過用戶數(shù)據(jù)之間的相關(guān)度向用戶推送相關(guān)的內(nèi)容。

近年來已經(jīng)提出了許多排序(Rank)模型(WDL，AFN，xDeepFM等)可以從原始特征中學(xué)習(xí)低階和高階交互特征。對于大數(shù)據(jù)團隊建模應(yīng)用平臺來說，在完整的深度學(xué)習(xí)Rank推薦框架中，對于不同的場景，需要構(gòu)造很多不同的特征，所以如何利用Rank模型提高轉(zhuǎn)化率預(yù)測效率是十分有必要的。

發(fā)明內(nèi)容

本申請實施例的主要目的在于提供一種優(yōu)化特征數(shù)據(jù)提取的方法及其相關(guān)產(chǎn)品，能夠有效地進一步提高轉(zhuǎn)化率預(yù)測效率。

第一方面，本申請實施例提供了一種優(yōu)化特征數(shù)據(jù)提取的方法，應(yīng)用于電子設(shè)備，所述方法包括：

獲取多個第一特征數(shù)據(jù)；

將所述多個第一特征數(shù)據(jù)進行分組，得到多個第一特征數(shù)據(jù)集；

計算所述多個第一特征數(shù)據(jù)集中每個第一特征數(shù)據(jù)集中每兩第一特征數(shù)據(jù)之間的相關(guān)度，得到多個相關(guān)度；

根據(jù)所述多個相關(guān)度對所述每個第一特征數(shù)據(jù)集中的第一特征數(shù)據(jù)進行排序，得到第一有序數(shù)據(jù)集；

根據(jù)所述第一有序數(shù)據(jù)集和預(yù)先訓(xùn)練好的第一特征提取模型，確定第二有序數(shù)據(jù)集，所述第二有序數(shù)據(jù)集與所述第一有序數(shù)據(jù)集對應(yīng)；

將所述第二有序數(shù)據(jù)集輸入預(yù)先訓(xùn)練好的第二神經(jīng)網(wǎng)絡(luò)模型，得到目標數(shù)據(jù)。

可選的，所述將所述多個第一特征數(shù)據(jù)進行分組，得到多個第一特征數(shù)據(jù)集，包括：根據(jù)聚類分析算法，將所述多個第一特征數(shù)據(jù)進行分組，得到所述多個第一特征數(shù)據(jù)集。

可選的，所述聚類分析算法包括K均值聚類(kmeans)聚類算法；所述根據(jù)聚類分析算法，將所述多個第一特征數(shù)據(jù)進行分組，得到所述多個第一特征數(shù)據(jù)集，包括：根據(jù)kmeans聚類方法計算所述多個第一特征數(shù)據(jù)的特征之間的相似性；根據(jù)所述特征之間的相似性對所述多個第一特征數(shù)據(jù)進行分組，得到所述多個第一特征數(shù)據(jù)集。

可選的，所述根據(jù)所述多個相關(guān)度對所述每個第一特征數(shù)據(jù)集中的第一特征數(shù)據(jù)進行排序，得到第一有序數(shù)據(jù)集，包括：根據(jù)所述多個相關(guān)度，對所述每個第一特征數(shù)據(jù)集中的第一特征數(shù)據(jù)進行降序排序，得到所述第一有序數(shù)據(jù)集。

可選的，所述根據(jù)所述第一有序數(shù)據(jù)集和訓(xùn)練好的第一特征提取模型，確定第二有序數(shù)據(jù)集，包括：將所述第一有序數(shù)據(jù)集中的第一特征數(shù)據(jù)，轉(zhuǎn)換成預(yù)處理矩陣；將所述預(yù)處理矩陣輸入到特征金字塔網(wǎng)絡(luò)模型中，得到所述第二有序數(shù)據(jù)集，其中，所述特征金字塔網(wǎng)絡(luò)模型為所述預(yù)訓(xùn)練好的第一特征提取模型。