[发明专利]一种搭建个性化推荐引擎的人工智能算法模型

说明书

本发明公开了一种搭建个性化推荐引擎的人工智能算法模型；本发明的智能算法模型的逻辑回归通过线性加权和sigmoid变换预估了目标事件的发生概率。且搭建个性化推荐引擎的人工智能算法模型参考优库渠道的合并广告位方式，对相似广告位可以进行聚合统计数据和共享模型参数，对有差异的广告位又可以区分数据进行训练。

技术领域

本发明属于互联网技术领域，尤其涉及一种搭建个性化推荐引擎的人工智能算法模型。

背景技术

目前有些渠道广告位数量很多，而且其中大部分的广告位数据量很稀疏。对这些长尾的广告进行模型学习，实际效果不稳定的问题。参考优库渠道的合并广告位方式，我们可以考虑一种“聚合”广告位的方式，对于相似广告位可以聚合统计数据和共享模型参数，对于有差异的广告位又可以区分数据进行训练。参考Mixture Gaussian(混合高斯分布)和topic model(主题模型)的一些概念，我们可以构建多个逻辑回归模型，并引入隐变量z服从多项分布，指定样本隶属于哪个逻辑回归模型。

发明内容

本发明的目的在于提供一种搭建个性化推荐引擎的人工智能算法模型，以解决上述背景技术中提出的问题。

本发明的目的是通过下述技术方案予以实现：一种搭建个性化推荐引擎的人工智能算法模型,所述搭建个性化推荐引擎的人工智能算法模型的逻辑回归通过线性加权和sigmoid变换预估目标事件的发生概率，搭建个性化推荐引擎的人工智能算法模型的特征的聚合方式和训练数据的生成方法，包括以下步骤：

1)特征的聚合方式

特征聚合的方法为基于绝对值的聚合的方法，我们设定一些绝对值区间，根据点击率或注册率把特征聚合到相应的区间；考虑到特征的点击率或注册率的分布，我们设定在值较小的区域；考虑对点击率或者注册率作指数变换也能达到“在值较小的区域，划分区间也较小”的效果，指数变换描述如下：

x_i是特征i的点击率或者注册率，y_i是变换结果，考虑基于排序的方法，设定y_i为排序比率：rank_i/n；我们计算alpha的值：

以10008渠道的数据为例，对点击率特征计算alpha＝0.22，对注册率特征计算alpha＝0.5；

我们对变换后y_i进行整数化，实现特征聚合：

由于alpha是基于排序估计出来的，y_i在[0,1]之间的分布较为均匀，因此m的设定也和聚合后的特征数也比较接近；我们设定点击率模型的m＝1000，注册率模型的m＝500；

2)代码流程

get_alpha.py

计算和测试上述的指数变换参数alpha，输入：行分割的0～1之间的浮点数，输出：输入数据经过指数变换后在100个分桶的计数分布，以及alpha值，

ctr_feature_stat.sh

修改analysis_cross_features任务使用脚本为

analysis_cross_features_alpha.py或

analysis_cross_features_share_param.py，以及相关的配置，例如：

analysis_ctr.10008.confrun_all.sh/run_rgr_all.sh

指定online标志位(第二个参数)即进行模型增量更新：