一种数据推荐方法及装置制造方法及图纸

本申请提供了一种数据推荐方法及装置，在本申请中，由于帕德近似算法，支持更有效的学习多阶特征之间的关联关系，因此，预先基于高于二阶的第一输入特征与第一目标值的映射关系对帕德近似算法进行训练，保证训练的帕德近似模型能够对高于二阶的样本特征进行处理，提高第一预测值的准确度，在第一预测值的准确度提高的基础上，保证获得的待推荐的数据的准确性。

【技术实现步骤摘要】
一种数据推荐方法及装置
本申请涉及数据处理
，特别涉及一种数据推荐方法及装置。
技术介绍
互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但随着网络上信息量的大幅增长，会出现信息超载问题，即，用户在面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低。利用推荐系统可以解决信息超载问题，目前采用的推荐系统一般利用DeepFM算法中的FM算法负责对低阶特征进行处理，如，一阶特征以及由一阶特征两两组合而成的二阶特征进行处理，得到对应的预测值；并利用DeepFM算法中的DNN算法负责对高阶特征进行处理，得到对应的预测值。但是，目前的推荐系统得到的推荐数据的准确度不高。
技术实现思路
为解决上述技术问题，本申请实施例提供一种数据推荐方法及装置，以达到提高待推荐的数据的准确度的目的，技术方案如下：一种数据推荐方法，包括：获取数据推荐任务所需的样本特征；利用帕德近似模型对所述数据推荐任务所需的样本特征进行处理，得到第一预测值，并利用神经网络本文档来自技高网...

【技术保护点】
1.一种数据推荐方法，其特征在于，包括：/n获取数据推荐任务所需的样本特征；/n利用帕德近似模型对所述数据推荐任务所需的样本特征进行处理，得到第一预测值，并利用神经网络学习模型对所述数据推荐任务所需的样本特征进行处理，得到第二预测值，并基于所述第一预测值和所述第二预测值，得到第三预测值；/n基于所述第三预测值，获得待推荐的数据；/n所述帕德近似模型为预先基于第一输入特征与第一目标值的映射关系对帕德近似算法训练得到的模型，所述神经网络学习模型为预先基于第二输入特征与第二目标值的映射关系对神经网络学习算法训练得到的模型，所述第一输入特征为维度高于二阶的输入特征，所述第二输入特征为维度高于所述第一输...

【技术特征摘要】
1.一种数据推荐方法，其特征在于，包括：
获取数据推荐任务所需的样本特征；
利用帕德近似模型对所述数据推荐任务所需的样本特征进行处理，得到第一预测值，并利用神经网络学习模型对所述数据推荐任务所需的样本特征进行处理，得到第二预测值，并基于所述第一预测值和所述第二预测值，得到第三预测值；
基于所述第三预测值，获得待推荐的数据；
所述帕德近似模型为预先基于第一输入特征与第一目标值的映射关系对帕德近似算法训练得到的模型，所述神经网络学习模型为预先基于第二输入特征与第二目标值的映射关系对神经网络学习算法训练得到的模型，所述第一输入特征为维度高于二阶的输入特征，所述第二输入特征为维度高于所述第一输入特征的输入特征。


2.根据权利要求1所述的方法，其特征在于，所述帕德近似模型包括：
帕德近似关系式一
其中，ypade表示第一预测值，xi表示所述数据推荐任务所需的样本特征中的其中一个样本特征，表示求和函数，m表示所述数据推荐任务所需的样本特征的个数，p0i、p1i、…、pni分别表示不同维度的权重系数，q0i、q1i、…、qni分别表示不同维度的权重系数，p0i、p1i、…、pni与q0i、q1i、…、qni不同n为大于2的整数。


3.根据权利要求1所述的方法，其特征在于，所述帕德近似模型，包括：
帕德近似关系式二
其中，ypade表示第一预测值，xi表示所述数据推荐任务所需的样本特征中的其中一个样本特征，p0i、p1i、…、pni分别表示不同维度的权重系数，q0i、q1i、…、qni分别表示不同维度的权重系数，p0i、p1i、…、pni与q0i、q1i、…、qni不同，NN(xi；{w})表示神经网络模型，w表示不同维度的权重系数，表示求和函数，m表示所述数据推荐任务所需的样本特征的个数，n为大于2的整数。


4.根据权利要求1-3任意一项所述的方法，其特征在于，所述获取数据推荐任务所需的样本特征，包括；
获取数据推荐任务所需的样本特征，各个所述样本特征各自包括至少一个子特征；
从所述数据推荐任务所需的样本特征中选取出子特征总个数不大于设定个数阈值的样本特征，作为薄样本特征；
从所述数据推荐任务所需的样本特征中选取出子特征总个数大于所述设定个数阈值的样本特征，作为厚样本特征；
所述利用帕德近似模型对所述数据推荐任务所需的样本特征进行处理，得到第一预测值，并利用神经网络学习模型对所述数据推荐任务所需的样本特征进行处理，得到第二预测值，包括：
利用帕德近似模型对各个所述薄样本特征进行处理，得到第一预测值，并利用神经网络学习模型对各个所述薄样本特征进行处理，得到第二预测值；
所述基于所述第三预测值，获得待推荐的数据，包括：
将所述厚样本特征输入预先训练的XGboost模型，得到所述XGboost模型输出的第四预测值；
基于所述第三预测值和所述第四预测值，获得待推荐的数据。


5.根据权利要求4所述的方法，其特征在于，所述获取数据推荐任务所需的样本特征，包括：
获取数据推荐任务所需的样本特征；
将所述数据推荐任务所需的样本特征输入到预先训练好的XGboost模型，得到所述XGboost模型输出的各个所述样本特征的重要性；
基于各个所述样本特征的重要性，从所述数据推荐任务所需的样本特征中选取出符合设定条件的样本特征，将选取出的样本特征作为目标样本特征；
所述从所述数据推荐任务所需的样本特征中选取出子特征总个数不大于设定个数阈值的样本特征，作为薄样本特征，包括：
从所述目标样本特征中选取出子特征总个数不大于设定个数阈值的样本特征，作为薄样本特征；
所述从所述数据推荐任...

【专利技术属性】
技术研发人员：费浩峻，陈冠东，朱蔷蔷，宋凯，何旭，
申请(专利权)人：上海优扬新媒信息技术有限公司，
类型：发明
国别省市：上海;31