[发明专利]对象特征的预测、推荐的方法、系统、设备和存储介质

权利要求书

1.一种对象特征的预测方法，其特征在于，所述预测方法包括：

获取用户数据和对象数据，分别从所述用户数据和所述对象数据中提取初始特征；所述初始特征包括多个用户特征和多个对象特征；

将所述初始特征进行组合形成多个交互特征；

将所述初始特征和所述交互特征作为训练样本输入到多层感知机模型，训练得到对象特征的预测模型和所述交互特征的交互系数；

所述预测模型用于预测对象的对象特征，所述交互系数用于表征所述交互特征的特征关联性。

2.如权利要求1所述的预测方法，其特征在于，所述获取用户数据和对象数据，分别从所述用户数据和所述对象数据中提取初始特征的步骤具体包括：

对所述用户数据和所述对象数据进行标签模拟，并对标签模拟后的用户数据和标签模拟后的对象数据进行数据清洗；

对数据清洗后的用户数据和数据清洗后的对象数据进行归一化处理；

从归一化后的用户数据和归一化后的对象数据中提取所述初始特征。

3.如权利要求1所述的预测方法，其特征在于，所述将所述初始特征进行组合形成多个交互特征的步骤具体包括：

将所述初始特征进行遍历组合或自定义组合形成多个交互特征。

4.如权利要求1所述的预测方法，其特征在于，所述将所述初始特征和所述交互特征作为训练样本输入到多层感知机模型，训练得到对象特征的预测模型和所述交互特征的交互系数的步骤具体包括：

定义多层感知机模型的初始的模型参数；模型参数包括初始特征的初始系数和交互特征的初始交互系数；

从所述训练样本中采集第一采集时间提取的初始特征和交互特征输入所述多层感知机模型；

利用损失函数将所述多层感知机模型输出的对象特征与从所述训练样本中提取的第二采集时间获取的对象特征进行比较得到所述多层感知机模型的损失，并自动调整所述多层感知机模型的模型参数；所述第二采集时间晚于所述第一采集时间；

迭代执行计算所述多层感知机模型的损失的步骤，直至所述损失在第一阈值范围内，得到所述预测模型和所述交互系数；和/或，迭代执行计算所述多层感知机模型的损失的步骤，直至迭代次数达到预设的最大迭代次数，得到所述预测模型和所述交互系数。

5.如权利要求4所述的预测方法，其特征在于，所述损失函数为交叉熵损失函数。

6.如权利要求1所述的预测方法，其特征在于，所述用户特征包括以下至少一种：

用户性别、用户等级、用户设备地址、用户网络信息、用户会员级别、用户购买力和偏好评分；

对象特征包括以下至少一种：

对象的点击量、点赞量、分享量、浏览量、曝光量、GMV、曝光点击率、对象进入商详页的统计量、对象质量分、对象作者质量分、对象性别和对象价格等级。

7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的对象特征的预测方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的对象特征的预测方法的步骤。

9.一种对象推荐方法，其特征在于，所述对象推荐方法包括以下步骤：

响应用户访问对象推荐系统，根据用户信息确定拟向所述用户推荐的候选对象；

利用权利要求1-6中任意一项所述的预测方法获得预测模型；

根据所述预测模型预测对象特征并计算每个候选对象的评分；

将所述候选对象按照评分由高至低的顺序进行排序。

10.如权利要求9所述的对象推荐方法，其特征在于，所述对象推荐方法还包括：

推荐评分大于评分阈值的候选对象。