[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

说明书

本发明公开了一种对象特征的预测、推荐的方法、系统、设备和存储介质，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。本发明基于多层感知机模型，对输入的初始特征和交互特征进行训练，能够得到特征之间的交互关联性，抽象出更有价值的特征，同时得到更优的预测模型。

技术领域

本发明涉及机器学习领域，特备涉及一种对象特征的预测、推荐的方法、系统、设备和存储介质。

背景技术

随着互联网大数据的发展和计算机性能的提升，深度学习越来越多地被应用在各行各业。海量的用户产生的海量数据，如何挖掘出有价值的信息，展示给用户，显得越来越重要。

现有对象推荐系统主要是分析师想到可数个特征之后，通过分析师策略确定特征系数，结合业务经验，给出得分计算公式，计算得分作为展示给用户排序的分数，但是，分析师的业务经验是有限的，不可能给出特征之间的交互关联性，不能抽象出更有价值的特征。由此，推荐给用户的对象则不一定很好的引起用户的共鸣，降低了用户体验。

发明内容

本发明要解决的技术问题是为了克服现有技术中通过分析师很难给出特征之间的交互关联性导致推荐的对象不能符合用户喜好的缺陷，提供一种对象特征的预测、推荐的方法、系统、设备和存储介质。

本发明是通过下述技术方案来解决上述技术问题：

一种对象特征的预测方法，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。

较佳地，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；

S_11-2、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；

S_11-3、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。

较佳地，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。

较佳地，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；