[发明专利]神经网络模型训练、对象推荐方法及装置

权利要求书

1.一种用于向用户推荐对象的神经网络模型训练方法，其特征在于，包括：

对预先收集的多个样本数据中的每个样本数据，确定目标类型的特征对应的原始特征值，根据所述原始特征值，确定所述样本数据对应的one-hot形式的特征向量，所述样本数据包括样本标签，所述特征向量包括N个数据值，所述数据值包括数据值0和数据值1；所述目标类型的特征包括，用户的基本信息、对象的基本信息以及用户的基本信息与对象的基本信息的交叉信息；

根据各个样本数据对应的one-hot形式的特征向量以及所述各个样本数据的样本标签，训练逻辑回归LR模型；

根据训练出的LR模型，确定所述N个数据值对应的N个权重值；

对每个样本数据，从N个权重值中选取所述样本数据对应的one-hot形式的特征向量中数据值1对应的目标权重值，得到M个目标权重值，MN；

将各个样本数据的M个目标权重值作为各个样本数据的新的特征值，输入神经网络模型对其进行训练。

2.根据权利要求1所述的方法，其特征在于，所述目标类型包括：连续类型和离散类型；

所述将各个样本数据的M个目标权重值作为各个样本数据的新的特征值，输入神经网络模型对其进行训练，包括：

将各个样本数据的M个目标权重值以及连续类型的特征对应的原始特征值作为各个样本数据的新的特征值，输入神经网络模型对其进行训练。

3.根据权利要求2所述的方法，其特征在于，还包括：

预先为所述目标类型的特征设定多个取值；

所述对预先收集的多个样本数据中的每个样本数据，确定目标类型的特征对应的原始特征值，包括：

根据所述样本数据，从所述目标类型的特征的多个预设的取值中选取一个取值；

将所述一个取值确定为所述目标类型的特征对应的原始特征值。

4.根据权利要求3所述的方法，其特征在于，所述目标类型的特征的个数为多个；M是根据所述特征的个数确定的；N是根据各个特征的取值的个数总和确定的。

5.一种对象推荐方法，其特征在于，包括：

获取用户的目标行为数据；

根据所述目标行为数据，确定one-hot形式的特征向量，所述特征向量包括N个数据值，所述数据值包括数据值0和数据值1；

从N个数据值对应的N个权重值中选取所述目标行为数据对应的one-hot形式的特征向量中数据值1对应的目标权重值，得到M个目标权重值；所述N个权重值是根据逻辑回归LR模型确定的，MN；

将所述M个目标权重值输入到神经网络模型中，以确定所述用户感兴趣的目标对象；

向所述用户推荐所述目标对象。

6.根据权利要求5所述的方法，其特征在于，所述根据所述目标行为数据，确定one-hot形式的特征向量，包括：

根据所述目标行为数据，确定目标类型的特征对应的原始特征值，所述目标类型包括：连续类型和离散类型；

根据所述目标类型的特征对应的原始特征值，确定one-hot形式的特征向量；

所述将所述M个目标权重值输入到神经网络模型中，以确定所述用户感兴趣的目标对象，包括：

将所述M个目标权重值以及所述连续类型的特征对应的原始特征值输入到神经网络模型中，以确定所述用户感兴趣的目标对象。

7.根据权利要求6所述的方法，其特征在于，还包括：

预先为所述目标类型的特征设定多个取值；

所述根据所述目标行为数据，确定目标类型的特征对应的原始特征值，包括：

根据所述目标行为数据，从所述目标类型的特征的多个预设的取值中选取一个取值；

将所述一个取值确定为所述目标类型的特征对应的原始特征值。

8.根据权利要求7所述的方法，其特征在于，所述目标类型的特征的个数为多个；M是根据所述特征的个数确定的；N是根据各个特征的取值的个数总和确定的。