[发明专利]神经网络模型训练、对象推荐方法及装置

说明书

本申请涉及计算机技术领域，尤其涉及一种神经网络模型训练、对象推荐方法及装置，在一种神经网络模型训练方法中，对预先收集的多个样本数据中的每个样本数据，确定样本数据对应的one‑hot形式的特征向量；根据各个样本数据对应的one‑hot形式的特征向量以及各个样本数据的样本标签，训练LR模型；根据训练出的LR模型，确定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。由此，可以提高神经网络模型训练的效率。

技术领域

本申请涉及计算机技术领域，尤其涉及一种神经网络模型训练、对象推荐方法及装置。

背景技术

传统技术中，在搜集到样本数据之后，直接根据样本数据以及样本数据的样本标签，来训练神经网络模型。然而，上述搜集的样本数据通常会包括多个维度的信息，这会导致神经网络模型训练的效率比较低，且训练的神经网络模型比较复杂。由于神经网络模型比较复杂，当被应用上线时，其向用户推荐目标对象的耗时就会比较长，也即其时效性比较差，这会导致该神经网络模型不能被应用到时效性要求比较高的场景中。

发明内容

本申请描述了一种神经网络模型训练、对象推荐方法及装置，可以提高神经网络模型训练的效率。

第一方面，提供了一种神经网络模型训练方法，包括：

对预先收集的多个样本数据中的每个样本数据，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；

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。

第二方面，提供了一种对象推荐方法，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。

第三方面，提供了一种神经网络模型训练装置，包括：

确定单元，用于对预先收集的多个样本数据中的每个样本数据，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；

训练单元，用于根据所述确定单元确定的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；

所述确定单元，还用于根据所述训练单元训练出的LR模型，确定所述N个数据值对应的N个权重值；