[发明专利]一种xDeepFM的二手手机价格预测算法

说明书

本发明属于二手手机价格预测技术领域，尤其为一种xDeepFM的二手手机价格预测算法，包含如下方法：获取手机的属性数据，并进行属性特征的编码和分组；处理价格型时序特征；手动特征交叉；将处理好的多种特征输入xDeepFm模型中，进行多轮训练；模型性能评估，采用MAE/y的分布来进行评估；使用端到端的特征高阶组合+时序学习框架，不需要多阶段处理和人工设计规则就可以得到有效的学习结果；本方案所设计的损失函数，对于y值分布不均衡且值域较大的样本集合，具有较好的鲁棒性，值得所有回归任务的算法人员尝试；采用xDeepFm这种算法作为回归的基础模型，并在特征工程上对改任务进行了改造，利用xDeepfm强大的特征交叉和良好的稀疏性能，是任务成功的关键因素。

技术领域

本发明属于二手手机价格预测技术领域，具体涉及一种xDeepFM的二手手机价格预测算法。

背景技术

二手手机的价格预测对二手手机的回收和销售厂商都具有重要意义，不同于手机电商的价格预测场景，二手手机的价格预测将更加困难，因为二手手机缺陷损耗各不相同，并且用户对每一项损耗的价格忍受比例很难量化，同时，一部手机可能出现多种不同缺陷，缺陷的组合形成的复杂用户价格认知很难捕捉；另外，二手手机的价格衰减速度较快，如何捕捉价格的时序衰减规律，也是价格预测模型的重要部分。

传统的二手手机价格预测一般有以下方法：

1.根据人工经验，对价格的影响因子进行权重拟合，得到价格的多项式打分公式。

2.基于一阶特征的线性回归算法，逻辑斯蒂回归算法等。

3.基于一阶和高阶特征的非线性回归算法，xgboost算法，gbdt+逻辑斯蒂回归等。

4.基于价格的时序模型，如arima算法等，

现有技术的缺点：

1.以人工规则为主要基础的价格模型应用较为广泛，通常能对大部分手机进行较为合理的预测，其缺点在于需要庞大的人工专家团队对价格模型进行日常维护，同时人工专家很难模拟用户对高阶特征组合的价格认知，人工规则无法覆盖多达30种以上重要特征的组合，而用户的价格敏感可能达到至少3-4阶特征组合。

2.基于xgboost算法，gbdt+逻辑斯蒂回归等传统回归算法的主要缺点是，对高度稀疏数据的数据学习能力较差，而二手手机的销售和回收通常都具有稀疏性，一段时间内的销售样本主要集中在少量机型上，大部分机型的样本和特征都很稀疏，如何对它们的知识进行学习，是传统回归算法比较难做到的。

3.现有的线行回归和非线性回归算法，通常损失函数采用MAE(绝对值误差)，MSE(均方根误差)，而这两个损失函数在实际生产环境中的表现通常只能起到baseline的作用，因为它们对于y值较大的样本更加敏感，而二手手机回收和销售市场上，大部分手机为千元以下的低y值样本，通过实验发现，这两个损失函数在本场景下并未取得较好的效果。

4.基于时序模型的价格预测算法，如arima等，能较好的利用时间序列规律，但丢失了手机缺陷等重要的价格影响因子，因此也存在较大瓶颈。

发明内容

为解决现有技术中存在的上述问题，本发明提供了一种xDeepFM的二手手机价格预测算法，具有使用方便、强大的特征交叉和良好的稀疏性能的特点。

为实现上述目的，本发明提供如下技术方案：一种xDeepFM的二手手机价格预测算法，将CIN与线性回归单元、全连接神经网络单元组合在一起，得到最终的xDeepFM模型，具体包含如下方法：

步骤一：获取手机的属性数据，并进行属性特征的编码和分组，每一种特征进行one-hot离散型编码，同一类特征可以共享同一组特征空间，分配占用不同的特征id；

步骤二：处理价格型时序特征；