[發明專利]神經網絡評價方法及裝置、電子設備、存儲介質

有效

• 申請號: 202110487485.1
• 申請日: 2021-05-06
• 公開（公告）號: CN112990443B
• 公開（公告）日: 2021-08-27
• 發明（設計）人: 劉博文;郭曉雯;李晨陽;蔡準;孫悅;郭曉鵬
• 申請（專利權）人: 北京芯盾時代科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06Q40/02
• 代理公司: 北京樂知新創知識產權代理事務所(普通合伙) 11734
• 代理人: 周偉

1.一種神經網絡評價方法，其特征在于，所述方法包括：

采集每一用戶的第一應用場景下的多個特征數據；

對所述每一用戶的多個特征數據進行過濾，對過濾后的特征數據，基于每一用戶進行一位有效編碼處理；

將一位有效編碼的特征數據進行嵌入embedding向量化處理，將一位有效編碼的特征數據轉換為相應維度的特征向量；

將所述特征向量輸入到深度神經網絡DNN中，通過反向傳播的訓練方式，梯度更新DNN中各節點的參數，并預測得到每一用戶的第一應用場景下的評價結果；

對所述特征向量進行混類增強MixUp處理，使所述特征向量擴增到設定倍數，得到擴增特征向量；

將所述擴增特征向量輸入到參數更新的DNN中，通過反向傳播的訓練方式再次梯度更新DNN各節點的參數，以對預測的每一用戶的第一應用場景下的評價結果進行調整，以調整后的評價結果對每一用戶進行評分排名。

2.根據權利要求1所述的方法，其特征在于，所述對所述每一用戶的多個特征數據進行過濾，包括：

至少識別所述多個特征數據中的無效數據以及用戶的特征數據缺失超出設定數量的缺失數據，刪除所述無效數據和所述缺失數據；

對剩余的存在空值的特征數據進行特征值填充，將數值型特征數據進行歸一化處理。

3.根據權利要求1或2所述的方法，其特征在于，所述對所述特征向量進行混類增強MixUp處理，包括：

若batch_xi是所述特征向量中的第一數據，batch_yi是所述第一數據對應的標簽；batch_xj是所述特征向量中的第二數據，batch_yj是所述第二數據對應的標簽，λ是由參數為α、β的貝塔分布計算出來的混合系數，則通過下式對所述特征向量進行MixUp處理：

λ=Beta(α, β)；

mixed_batch_x=λ?batch_xi+(1?λ)?batch_xj；

mixed_batch_y=λ?batch_yi+(1?λ)?batch_yj；

其中，Beta()表示貝塔分布運算，λ∈[0,1]，mixed_batch_x表示混合后的特征向量中的第三數據，mixed_batch_y表示所述第三數據對應的標簽。

4.根據權利要求3所述的方法，其特征在于，在對所述特征向量進行MixUp處理之前，所述方法還包括：

將所述特征向量中的標簽的順序打亂。

5.根據權利要求3所述的方法，其特征在于，所述α、β均取值為0.5。

6.一種神經網絡評價裝置，其特征在于，所述裝置包括：

采集單元，用于采集每一用戶的第一應用場景下的多個特征數據；

編碼處理單元，用于對所述每一用戶的多個特征數據進行過濾，對過濾后的特征數據，基于每一用戶進行一位有效編碼處理；

向量化處理單元，用于將一位有效編碼的特征數據進行嵌入embedding向量化處理，將一位有效編碼的特征數據轉換為相應維度的特征向量；

DNN處理單元，用于將輸入的所述特征向量，通過反向傳播的訓練方式，梯度更新DNN中各節點的參數，并預測得到每一用戶的第一應用場景下的評價結果；

混類增強單元，用于對所述特征向量進行MixUp處理，使所述特征向量擴增到設定倍數，得到擴增特征向量；

所述DNN處理單元，還用于將輸入的所述擴增特征向量，基于更新后的參數、通過反向傳播的訓練方式再次梯度更新DNN各節點的參數，以對預測的每一用戶的第一應用場景下的評價結果進行調整；

評價單元，用于以調整后的評價結果對每一用戶進行評分排名。