[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

说明书

本发明涉及数据推送技术，提供了一种基于多源数据的对象推送方法、电子装置及存储介质。该方法通过对获取对象属性数据执行预处理后作为训练样本，构建神经网络模型后利用第一计算规则计算出隐含层节点数量的取值范围，基于训练样本集及第二计算规则计算出神经网络模型在隐含层节点数量为各取值时的学习误差，将学习误差最小的神经网络模型作为对象等级识别模型，响应用户发出的推送对象的请求，基于用户的位置信息获取第一距离范围的对象识别后进行推送，若预设时长内未收到用户的确认信息，再获取第二距离范围的对象进行识别并推送。本发明可提高对象等级识别的准确率，从而实现对用户需求对象的精准推送。

技术领域

本发明涉及数据推送领域，尤其涉及一种基于多源数据的对象推送方法、电子装置及存储介质。

背景技术

目前，关于对象的识别推送，通常是将待识别的对象的各类因素与参考对象进行比较而确定是否推送给用户的，但是参考对象的确定往往是人为主观的选择，导致该方法识别的准确性较低，推送结果与用户实际需求偏差较大。虽然市面上出现了自动识别推送的技术方案，但这些方案通常是基于某种预测算法进行，存在准确性不高、灵活性不足或对于系统性能的要求较高等技术问题。

发明内容

鉴于以上内容，本发明提供一种基于多源数据的对象推送方法、电子装置及存储介质，其目的在于解决现有技术中因识别不准确导致的推送的对象准确性低的问题。

为实现上述目的，本发明提供一种基于多源数据的对象推送方法，该方法包括：

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。

优选的，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。

优选的，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。

优选的，所述第二计算规则包括：

loss(θ)＝(y_i-η(X_i，w，β))²，