This application relates to the field of computer technology, in particular to a neural network model training, object recommendation method and device. In a neural network model training method, a feature vector of one_hot form corresponding to the sample data is determined for each sample data collected in advance from a plurality of sample data. According to the trained LR model, the N weights corresponding to the N data values are determined; for each sample data, the data value 1 corresponding to the one hot eigenvector of the sample data is selected from the N weights corresponding to the one hot eigenvector of the sample data. The weight of the target is obtained, and the weights of M targets are obtained, M
【技术实现步骤摘要】
神经网络模型训练、对象推荐方法及装置
本申请涉及计算机
,尤其涉及一种神经网络模型训练、对象推荐方法及装置。
技术介绍
传统技术中,在搜集到样本数据之后,直接根据样本数据以及样本数据的样本标签,来训练神经网络模型。然而,上述搜集的样本数据通常会包括多个维度的信息,这会导致神经网络模型训练的效率比较低,且训练的神经网络模型比较复杂。由于神经网络模型比较复杂,当被应用上线时,其向用户推荐目标对象的耗时就会比较长,也即其时效性比较差,这会导致该神经网络模型不能被应用到时效性要求比较高的场景中。
技术实现思路
本申请描述了一种神经网络模型训练、对象推荐方法及装置,可以提高神经网络模型训练的效率。第一方面,提供了一种神经网络模型训练方法,包括:对预先收集的多个样本数据中的每个样本数据,确定所述样本数据对应的one-hot形式的特征向量,所述样本数据包括样本标签,所述特征向量包括N个数据值,所述数据值包括数据值0和数据值1;根据各个样本数据对应的one-hot形式的特征向量以及所述各个样本数据的样本标签,训练逻辑回归LR模型;根据训练出的LR模型,确定所述N个数据值对应的N个权重值;对每个样本数据,从N个权重值中选取所述样本数据对应的one-hot形式的特征向量中数据值1对应的目标权重值,得到M个目标权重值,M<N;将各个样本数据的M个目标权重值作为各个样本数据的新的特征值,输入神经网络模型对其进行训练。第二方面,提供了一种对象推荐方法,包括:获取用户的目标行为数据;根据所述目标行为数据,确定one-hot形式的特征向量,所述特征向量包括N个数据值,所 ...
【技术保护点】
1.一种神经网络模型训练方法,其特征在于,包括:对预先收集的多个样本数据中的每个样本数据,确定所述样本数据对应的one‑hot形式的特征向量,所述样本数据包括样本标签,所述特征向量包括N个数据值,所述数据值包括数据值0和数据值1;根据各个样本数据对应的one‑hot形式的特征向量以及所述各个样本数据的样本标签,训练逻辑回归LR模型;根据训练出的LR模型,确定所述N个数据值对应的N个权重值;对每个样本数据,从N个权重值中选取所述样本数据对应的one‑hot形式的特征向量中数据值1对应的目标权重值,得到M个目标权重值,M
【技术特征摘要】
1.一种神经网络模型训练方法,其特征在于,包括:对预先收集的多个样本数据中的每个样本数据,确定所述样本数据对应的one-hot形式的特征向量,所述样本数据包括样本标签,所述特征向量包括N个数据值,所述数据值包括数据值0和数据值1;根据各个样本数据对应的one-hot形式的特征向量以及所述各个样本数据的样本标签,训练逻辑回归LR模型;根据训练出的LR模型,确定所述N个数据值对应的N个权重值;对每个样本数据,从N个权重值中选取所述样本数据对应的one-hot形式的特征向量中数据值1对应的目标权重值,得到M个目标权重值,M<N;将各个样本数据的M个目标权重值作为各个样本数据的新的特征值,输入神经网络模型对其进行训练。2.根据权利要求1所述的方法,其特征在于,所述对预先收集的多个样本数据中的每个样本数据,确定所述样本数据对应的one-hot形式的特征向量,包括:对预先收集的多个样本数据中的每个样本数据,确定目标类型的特征对应的原始特征值,所述目标类型包括:连续类型和离散类型;根据所述目标类型的特征对应的原始特征值,确定one-hot形式的特征向量;所述将各个样本数据的M个目标权重值作为各个样本数据的新的特征值,输入神经网络模型对其进行训练,包括:将各个样本数据的M个目标权重值以及连续类型的特征对应的原始特征值作为各个样本数据的新的特征值,输入神经网络模型对其进行训练。3.根据权利要求2所述的方法,其特征在于,还包括:预先为所述目标类型的特征设定多个取值;所述对预先收集的多个样本数据中的每个样本数据,确定目标类型的特征对应的原始特征值,包括:根据所述样本数据,从所述目标类型的特征的多个预设的取值中选取一个取值;将所述一个取值确定为所述目标类型的特征对应的原始特征值。4.根据权利要求3所述的方法,其特征在于,所述目标类型的特征的个数为多个;M是根据所述特征的个数确定的;N是根据各个特征的取值的个数总和确定的。5.根据权利要求2-4任一项所述的方法,其特征在于,所述目标类型的特征包括:用户的基本信息、对象的基本信息以及用户的基本信息与对象的基本信息的交叉信息。6.一种对象推荐方法,其特征在于,包括:获取用户的目标行为数据;根据所述目标行为数据,确定one-hot形式的特征向量,所述特征向量包括N个数据值,所述数据值包括数据值0和数据值1;从N个数据值对应的N个权重值中选取所述目标行为数据对应的one-hot形式的特征向量中数据值1对应的目标权重值,得到M个目标权重值;所述N个权重值是根据逻辑回归LR模型确定的,M<N;将所述M个目标权重值输入到神经网络模型中,以确定所述用户感兴趣的目标对象;向所述用户推荐所述目标对象。7.根据权利要求6所述的方法,其特征在于,所述根据所述目标行为数据,确定one-hot形式的特征向量,包括:根据所述目标行为数据,确定目标类型的特征对应的原始特征值,所述目标类型包括:连续类型和离散类型;根据所述目标类型的特征对应的原始特征值,确定one-hot形式的特征向量;所述将所述M个目标权重值输入到神经网络模型中,以确定所述用户感兴趣的目标对象,包括:将所述M个目标权重值以及所述连续类型的特征对应的原始特征值输入到神经网络模型中,以确定所述用户感兴趣的目标对象。8.根据权利要求7所述的方法,其特征在于,还包括:预先为所述目标类型的特征设定多个取值;所述根据所述目标行为数据,确定目标类型的特征对应的原始特征值,包括:根据所述目标行为数据,从所述目标类型的特征的多个预设的取值中选取一个取值;将所述一个取值确定为所述目标类型的特征对应的原始特征值。9.根据权利要求8所述的方法,其特征在于,所述目标类型的特征的个数为多个;M是根据所述特征的个数确定的;N是根据各个特征的取值的个数总和确定的。10.根据权利要求7-9任一项所述的方法,其特征在于,所述目标类型的特征包括:用户的基本信息、对象的基本信息以及用户的基本信息与对象的基本信息的交叉信息。11.一种神经网络模型训...
【专利技术属性】
技术研发人员:赵沛霖,李龙飞,周俊,李小龙,
申请(专利权)人:阿里巴巴集团控股有限公司,
类型:发明
国别省市:开曼群岛,KY
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。