[發(fā)明專利]基于多模型的搜索引擎數(shù)據(jù)的用戶畫像刻畫方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110530160.7
• 申請日: 2021-05-14
• 公開（公告）號: CN113297482A
• 公開（公告）日: 2021-08-24
• 發(fā)明（設(shè)計）人: 何涇沙;陳燕博;朱娜斐;魏巍;于聰;洪睿
• 申請（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號: G06F16/9535
• 分類號: G06F16/9535;G06F16/335;G06F16/35;G06N3/04
• 代理公司: 北京匯信合知識產(chǎn)權(quán)代理有限公司 11335
• 代理人: 張煥響

1.一種基于多模型的搜索引擎數(shù)據(jù)的用戶畫像刻畫方法，其特征在于，包括：

采用標注的訓(xùn)練樣本數(shù)據(jù)對機器學(xué)習(xí)分類器和深度學(xué)習(xí)模型進行訓(xùn)練，并對比不同組合的訓(xùn)練結(jié)果，確定針對不同屬性分類的最佳模型組合；

獲取所要刻畫畫像用戶的搜索引擎數(shù)據(jù)，并通過自然語言處理技術(shù)進行特征提取及文本表示；

將特征提取及文本表示后的所述搜索引擎數(shù)據(jù)分別輸入針對不同屬性分類的最佳模型組合；

將針對不同屬性分類的最佳模型組合的預(yù)測結(jié)果作為二階XGBOOST模型的輸入，通過網(wǎng)格搜索方法確定最優(yōu)參數(shù)組合，作為對所要刻畫用戶的畫像。

2.根據(jù)權(quán)利要求1所述的基于多模型的搜索引擎數(shù)據(jù)的用戶畫像刻畫方法，其特征在于，所述采用標注的訓(xùn)練樣本數(shù)據(jù)對機器學(xué)習(xí)分類器和深度學(xué)習(xí)模型進行訓(xùn)練，并對比不同組合的訓(xùn)練結(jié)果，確定針對不同屬性分類的最佳模型組合的具體過程包括：

獲取搜索引擎歷史數(shù)據(jù)集，利用停用詞對所述搜索引擎歷史數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理；

對所述搜索引擎歷史數(shù)據(jù)集添加基于真實屬性分類的標簽標注；

通過自然語言處理技術(shù)對所述搜索引擎歷史數(shù)據(jù)集進行特征提取和文本表示；

將所述搜索引擎歷史數(shù)據(jù)集劃分為訓(xùn)練集和測試集，并根據(jù)標注的標簽基于機器學(xué)習(xí)分類器和深度學(xué)習(xí)模型進行訓(xùn)練；

對比不同模型組合的訓(xùn)練結(jié)果，分別針對不同屬性分類確定相應(yīng)的最佳模型組合。

3.根據(jù)權(quán)利要求1或2所述的基于多模型的搜索引擎數(shù)據(jù)的用戶畫像刻畫方法，其特征在于，所述搜索引擎數(shù)據(jù)的不同屬性分類包括性別屬性、年齡屬性和教育屬性，針對性別屬性分類的最佳模型組合為TF-IDF+SVM分類器，針對年齡屬性的最佳模型組合為DM+BPNN分類器，針對教育屬性的最佳模型組合為DBOW+BPNN分類器。

4.根據(jù)權(quán)利要求2所述的基于多模型的搜索引擎數(shù)據(jù)的用戶畫像刻畫方法，其特征在于，所述自然語言處理技術(shù)包括基于TF-IDF的詞向量模型、基于Doc2Vec的詞向量模型和基于Word2Vec的詞向量模型，通過所述自然語言處理技術(shù)將所述搜索引擎數(shù)據(jù)進行向量化表示。

5.根據(jù)權(quán)利要求4所述的基于多模型的搜索引擎數(shù)據(jù)的用戶畫像刻畫方法，其特征在于，所述通過自然語言處理技術(shù)對所述搜索引擎歷史數(shù)據(jù)集進行特征提取和文本表示具體包括：

將所述搜索引擎歷史數(shù)據(jù)集進行數(shù)據(jù)切分；

通過自然語言處理技術(shù)分別將低于不同屬性分類相關(guān)度的分詞進行過濾；

將過濾后的數(shù)據(jù)進行重新拼接，作為處理后的數(shù)據(jù)集。

6.一種基于多模型的搜索引擎數(shù)據(jù)的用戶畫像刻畫系統(tǒng)，其特征在于，包括：

模型訓(xùn)練模塊，用于采用標注的訓(xùn)練樣本數(shù)據(jù)對機器學(xué)習(xí)分類器和深度學(xué)習(xí)模型進行訓(xùn)練，并對比不同組合的訓(xùn)練結(jié)果，確定針對不同屬性分類的最佳模型組合；

數(shù)據(jù)處理模塊，用于獲取所要刻畫畫像用戶的搜索引擎數(shù)據(jù)，并通過自然語言處理技術(shù)進行特征提取及文本表示；

一階預(yù)測模塊，用于將特征提取及文本表示后的所述搜索引擎數(shù)據(jù)分別輸入針對不同屬性分類的最佳模型組合；

二階預(yù)測模塊，用于將針對不同屬性分類的最佳模型組合的預(yù)測結(jié)果作為二階XGBOOST模型的輸入，通過網(wǎng)格搜索方法確定最優(yōu)參數(shù)組合，作為對所要刻畫用戶的畫像。

7.根據(jù)權(quán)利要求6所述的基于多模型的搜索引擎數(shù)據(jù)的用戶畫像刻畫系統(tǒng)，其特征在于，所述模型訓(xùn)練模塊具體用于：

獲取搜索引擎歷史數(shù)據(jù)集，利用停用詞對所述搜索引擎歷史數(shù)據(jù)集進行數(shù)據(jù)預(yù)處理；

對所述搜索引擎歷史數(shù)據(jù)集添加基于真實屬性分類的標簽標注；

通過自然語言處理技術(shù)對所述搜索引擎歷史數(shù)據(jù)集進行特征提取和文本表示；

將所述搜索引擎歷史數(shù)據(jù)集劃分為訓(xùn)練集和測試集，并根據(jù)標注的標簽基于機器學(xué)習(xí)分類器和深度學(xué)習(xí)模型進行訓(xùn)練；

對比不同模型組合的訓(xùn)練結(jié)果，分別針對不同屬性分類確定相應(yīng)的最佳模型組合。