[发明专利]基于多源数据的对象推送方法、电子装置及存储介质

权利要求书

1.一种基于多源数据的对象推送方法，应用于电子装置，其特征在于，所述方法包括：

获取步骤：从预设的多个数据源获取预设数量的对象的属性数据，对所述属性数据执行预处理，将预处理后的属性数据作为训练样本集；

构建步骤：构建神经网络模型并设定该神经网络模型的初始参数，利用第一计算规则计算出该神经网络模型的隐含层节点数量的取值范围，根据第二计算规则及所述训练样本集，分别计算所述隐含层节点数量等于所述取值范围中各取值时的神经网络模型的学习误差，将学习误差取值最小时确定的神经网络模型作为对象等级识别模型；

第一推送步骤：响应用户发出的推送对象的请求，获取所述用户的位置信息，查找与所述位置信息对应的第一距离范围内的第一对象集，从数据库读取所述第一对象集的属性数据输入所述对象等级识别模型，得到所述第一对象集中各对象的等级信息后推荐至所述用户并生成时间戳；及

第二推送步骤：基于所述时间戳侦测在预设时长内是否接收到所述用户发送的确认信息，若未接收到确认信息，则查找与所述位置信息对应的第二距离范围内的第二对象集，从所述第二对象集中筛除所述第一对象集得到第三对象集，从所述数据库读取所述第三对象集的属性数据输入所述对象等级识别模型，得到所述第三对象集中各对象的等级信息后推送至所述用户；

所述第一计算规则包括：

其中，K表示训练样本集中样本的个数，n₁表示神经网络模型的隐含层节点数量，n表示神经网络模型的输入层节点数量，i表示[0，n]的整数；

所述第二计算规则包括：

loss(θ)＝(y_i-η(X_i，w，β))²，

其中，loss(θ)表示所述神经网络模型输出层的实际输出与目标输出的误差，y_i为第i个样本的目标输出，η(X_i，w，β)表示第i个样本的实际输出，X_i表示所述神经网络模型输入层节点的输入值，w，β为权值，η表示学习速率。

2.如权利要求1所述的基于多源数据的对象推送方法，其特征在于，所述预处理包括数据清洗处理及聚合处理，所述聚合处理包括：

对所述属性数据中的重复数据进行聚合，得到去重后的聚合数据；

确定属性数据聚合处理前的数量为A，确定所述聚合数据中数据的数量为B，根据A和B建立索引向量，其中，索引向量的长度为A，索引向量的取值范围为[-B，-1]∪[1，B]中的整数；

随机读取索引向量的取值，并根据所述取值从所述聚合数据中获取对应的数据，将获取到的数据作为所述预处理后的属性数据。

3.如权利要求1至2中任意一项所述的基于多源数据的对象推送方法，其特征在于，所述第二距离的数值大于所述第一距离的数值。