[发明专利]一种基于机器学习模型的场景变量自动化深度挖掘引擎系统

权利要求书

1.一种基于机器学习模型的场景变量自动化深度挖掘引擎系统，其特征在于：包括HDPP数据协议会，所述HDPP数据协议会通过前端操作界面引导用户按照协议规定进行数据录入，且需保证录入的数据完全符合HDPP数据协议要求，通过hddp数据协议将用户产生的拥有若干场景变量的历史数据，转化为静态场景数据，其中所述HDPP数据协议规定所有场景变量的取值分为三种类型：Level、Category和Numeric，所述静态场景数据包括：变量画像、规范化数据，用户通过HDPP数据协议来定义自己场景的变量画像，所述HDPP数据协议处理后的静态场景数据通过模型处理库输入到所有内置模型中，得到的相关变量值作为输出；

所述内置模型通过预设的训练方式，得到使用所有其他变量预测任意一个另外的变量的粗糙模型，以及基于模型评估的方式对上述粗糙模型的进行评分，依次对上述粗糙模型中的非预测变量赋予空值，重新训练得到新的模型和新的评分，将上述将赋空值后的模型的评分与原模型的评分进行比较，其中评分的差距小于预先设定的阈值既认定该变量与待预测变量无关，所述内置模型通过预先设定的训练方式，得到使用所有其他变量预测任意一个另外的变量的粗糙模型，以及基于模型评估的方式对上述粗糙模型的进行评分，依次对上述粗糙模型中的非预测变量赋予空值，重新训练得到新的模型和新的评分，将上述将赋空值后的模型的评分与原模型的评分进行比较，其中评分的差距小于预先设定的阈值既认定该变量与待预测变量无关；

将HDPP数据协议处理的静态模型数据作为测试集，用于衡量各个模型预测结果之间的优劣，将其他的数据作为训练数据，按照内置模型的自动化训练模型方式自行训练所有模型，将任意一个变量作为目标变量，其它变量作为相关变量对目标变量进行预测，如此对于每一种类型的算法都会训练得到若干个模型，其中对于有N个变量的场景，变量分别为var1、var2、…、varN,因此对于某一种类型的算法而言，可以训练得到分别以var1、var2、…、varN作为目标变量的N个模型，使用M种类型的算法，得到M*N个模型；

且上述模型可以将任意一个变量作为待预测变量，且所有与该变量有关变量作为输入得到在这个模型下该预测变量的值，并使用所述测试集测试所有模型的优劣，将训练后的模型和测试结果等模型相关数据保存在已保存模型中；

训练结束后，当用户预测新的一组数据中某一变量值时，xx系统会从所述已保存模型中选择在所有预测该变量的模型中加权得分最高的模型作为预测用途的模型，并使用这个模型，将与之有关变量作为输入，得到该模型预测的变量值作为输出；

用户也可以在线上传数据进行在线训练，用户上传完数据后，然后经过1、2、3、4、5、6、7、8后进行预测。

2.根据权利要求1所述的一种基于机器学习模型的场景变量自动化深度挖掘引擎系统，其特征在于：所述Level类型的变量在进行算法运算时等效于Numeric类型的变量，所述Level类型在前端操作界面展示时等效于Category类型的变量。

3.根据权利要求1所述的一种基于机器学习模型的场景变量自动化深度挖掘引擎系统，其特征在于：所述变量画像规定了此场景需要的变量，各个变量的属性包括Level、Category、Numeric，该变量隶属对象，其中同一对象可以有多种不同的变量，及其该变量的特征。

4.根据权利要求1所述的一种基于机器学习模型的场景变量自动化深度挖掘引擎系统，其特征在于：所述模型处理库包括深度残差神经网络、卷积神经网络、集成算法、注意力机制和遗传算法。