【技术实现步骤摘要】
基于自动特征分组的推荐方法及装置
[0001]本申请涉及人工智能领域，尤其涉及一种基于自动特征分组的推荐方法及装置。
技术介绍
[0002]个性化推荐系统通过对用户本身和用户行为信息的分析，达到对用户行为进行准确预 测的目的。良好的推荐系统不仅影响到用户体验，更同时直接影响企业的收益。因此用户 行为预测具有重要的意义。
[0003]在所有的用户行为预测中，广告点击率预测是用户行为预测的一个重要场景。在广告 点击率预测场景中，推荐系统通过分析用户对广告的点击历史，在广告商提供的候选广告 中预测用户点击每个广告的可能性，并向用户展示点击可能性最高的广告，以此提高广告 点击率。广告点击历史数据通常会包含非常多的信息。这些信息属于不同类别，如用户年 龄、性别，城市，星期，时间，IP地址等。我们将这些具体的信息称为特征，而这些特征 各自的类别称为特征类。不同特征之间存在着复杂的交互关系。如何挖掘特征与特征之间 的联系，就成为了提高个性化推荐系统预测正确率的一个重要挑战。
[0004]现有模型对于离散特征之间交互的处理方
【技术保护点】
【技术特征摘要】
1.一种基于自动特征分组的推荐方法，其特征在于，包括：获取多个候选推荐对象及所述多个候选推荐对象中每个候选推荐对象的多个关联特征；对所述多个候选推荐对象中每个候选推荐对象的多个关联特征进行多阶自动特征分组，以得到所述每个候选推荐对象的多阶特征交互集合，所述多个候选推荐对象中每个候选推荐对象的多阶特征交互集合中的每阶特征交互集合包括一个或多个特征交互组，所述一个或多个特征交互组中的每个特征交互组包括所述候选推荐对象的多个关联特征中的至少一个；所述多阶特征交互集合中的k阶特征交互集合中的每个特征交互组中，参与非线性数学运算的关联特征的数量为k，k为大于0的整数；根据所述多个候选推荐对象中每个候选推荐对象的多阶特征交互集合中的多个关联特征计算得到所述每个候选推荐对象的交互特性贡献值；根据所述多个候选推荐对象中每个候选推荐对象的交互特征贡献值计算得到所述每个候选推荐对象的预测分数；将所述多个候选推荐对象中，预测分数较高的一个或多个对应的候选推荐对象确定为目标推荐对象。2.根据权利要求1所述的方法，其特征在于，所述根据所述多个候选推荐对象中每个候选推荐对象的多阶特征交互集合中的多个关联特征计算得到所述每个候选推荐对象的交互特征贡献值，包括：对于每个所述候选推荐对象的多阶特征交互集合：根据第k阶特征交互集合中的每个特征交互组中的多个关联特征计算得到所述每个特征交互组第k阶的交互结果；根据所述候选推荐对象的多阶特征交互集合中的特征交互组对应阶的交互结果计算得到所述候选推荐对象的交互特性贡献值。3.根据权利要求2所述的方法，其特征在于，所述根据第k阶特征交互集合中的每个特征交互组中的多个关联特征计算得到所述每个特征交互组第k阶的交互结果，包括：将所述第k阶特征交互集合中每个特征交互组中的多个关联特征输入到特征交互模型中进行计算，以得到所述每个特征交互组第k阶的交互结果。4.根据权利要求2所述的方法，其特征在于，所述将所述第k阶特征交互集合中的每个特征交互组中的多个关联特征输入到特征交互模型中进行计算，以得到该特征交互组第k阶的交互结果，包括：对所述第k阶特征交互集合中的每个特征交互组执行如下步骤：获取所述交互组内每个关联特征的特征向量及所述特征向量对应的权重；将所述特征交互组内每个关联特征的特征向量与其对应的权重进行加权求和得到所述特征交互组的特征值；根据所述特征交互组内每个关联特征的特征向量及所述特征向量对应的权重、和所述特征交互组的特征值确定所述特征交互组第k阶的交互结果。5.根据权利要求2-4任一项所述的方法，其特征在于，所述根据所述候选推荐对象的多阶特征交互集合中的特征交互组对应阶的交互结果计算得到所述候选推荐对象的交互特性贡献值，包括：
根据所述每个候选推荐对象的多阶特征交互集合中的特征交互组对应阶的交互结果获取交互特征向量；将所述交互特征向量输入到神经网络模型中进行计算，以得到所述候选推荐对象的交互特性贡献值；其中，所述神经网络模型是基于全连接神经网络得到的。6.根据权利要求1-5任一项所述的方法，其特征在于，所述对所述多个候选推荐对象中每个候选推荐对象的多个关联特征进行多阶自动特征分组，以得到所述每个候选推荐对象的多阶特征交互集合，包括：将所述多个候选推荐对象中每个候选推荐对象的多个关联特征输入到自动特征分组模型中进行处理，以得到所述每个候选推荐对象的多阶特征交互集合。7.根据权利要求6所述的方法，其特征在于，所述将所述多个候选推荐对象中每个候选推荐对象的多个关联特征输入到自动特征分组模型中进行处理，以得到所述每个候选推荐对象的多阶特征交互集合，包括：对于所述每个候选推荐对象的第k阶特征交互，获取所述候选推荐对象的多个关联特征中的每个关联特征的分配概率，所述候选推荐对象的多个关联特征中每个关联特征的分配概率为所述每个关联特征被分配到所述第k阶特征交互集合中第j个特征交互组中的概率；所述第j个特征交互组为所述第k阶特征交互集合中的任一个特征交互组；根据所述候选推荐对象的多个关联特征中的每个关联特征的分配概率获取所述候选推荐对象的第k阶特征交互集合。8.根据权利要求7所述的方法，其特征在于，所述根据所述候选推荐对象的多个关联特征中的每个关联特征的分配概率获取所述候选推荐对象的第k阶特征交互集合，包括：根据所述候选推荐对象的多个关联特征中的每个关联特征的分配概率确定该关联特征的分配值；所述分配值为所述每个关联特征被分配到所述第k阶特征交互集合中第j个特征交互组中的概率；若该关联特征的分配值大于预设阈值，则将该关联特征分配到所述k阶特征交互集合中的第j个特征交互组中；若该关联特征的分配值不大于所述预设阈值，则不将该关联特征分配到所述k阶特征交互集合中的第j个特征交互组中。9.根据权利要求1-8任一项所述的方法，其特征在于，所述非线性数学运算包括向量内积和矩阵相乘。10.一种预测模型训练方法，其特征在于，包括：获取训练样本数据，所述训练样本数据包括多个候选推荐对象样本及用户点击的推荐对象样本；并获取所述多个候选推荐对象样本中每个候选推荐样本的多个关联特征；将所述多个候选对象样本中每个候选推荐对象样本的多个关联特征输入到多阶自动特征分组模型中进行自动特征分组，以得到所述每个候选推荐对象样本的多阶特征交互集合；所述多个候选推荐对象样本中每个候选推荐对象样本的多阶特征交互集合中每阶特征交互集合包括一个或多个特征交互组，所述一个或多个特征交互组中每个特征交互组包括所述候选推荐对象样本的多个关联特征中的至少一个；所述多阶特征交互集合中的k阶特征交互集合中的每个特征交互组中，参与非线性数学运算的关联特征的数量为k，k为大于0的整数；
将所述多个候选推荐对象样本中每个候选推荐对象样本的多阶特征交互集合输入到特征交互模型中进行计算，以得到所述每个候选推荐对象样本的交互特征贡献值；根据所述多个候选推荐对象中每个候选推荐对象的交互特征贡献值计算得到所述每个候选推荐对象的预测分数；根据最大预测分数对应的候选推荐对象样本和所述用户点击对象样本对所述自动特征分组模型和特征交互模型中的参数分别进行调整，以得到调整后的自动特征分组模型和调整后的特征交互模型。11.根据权利要求10所述的方法，其特征在于，所述将所述多个候选推荐对象样本中每个候选推荐对象样本的多阶特征交互集合输入到特征交互模型中进行计算，以得到所述每个候选推荐对象样本的交互特征贡献值，包括：对于每个所述候选推荐对象样本的多阶特征交互集合：根据第k阶特征交互集合中的每个特征交互组中的关联特征计算得到该特征交互组第k阶的交互结果；根据所述候选推荐对象样本的多阶特征交互集合中的特征交互组对应阶的交互结果计算得到所述候选推荐对象样本的交互特性贡献值。12.根据权利要求11所述的方法，其特征在于，所述根据第k阶特征交互集合中的每个特征交互组中的关联特征计算得到该特征交互组第k阶的交互结果，包括：对所述第k阶特征交互集合中的每个特征交互组执行如下步骤：获取所述特征交互组内每个关联特征的特征向量及所述特征向量对应的权重；将所述特征交互组内每个关联特征的特征向量与其对应的权重进行加权求和得到所述特征交互组的特征值；根据所述特征交互组内每个关联特征的特征向量及所述特征向量对应的权重、和所述特征交互组的特征值确定所述特征交互组第k阶的交互结果。13.根据权利要求11或12所述的方法，其特征在于，所述根据所述候选推荐对象样本的多阶特征交互集合中的特征交互组对应阶的交互结果计算得到所述候选推荐对象样本的交互特性贡献值，包括：根据所述每个候选推荐对象样本的多阶特征交互集合中的特征交互组对应阶的交互结果获取交互特征向量；将所述交互特征向量输入到神经网络模型中进行计算，以得到所述候选推荐对象样本的交互特性贡献值，其中，所述神经网络模型是基于全连接神经网络得到的。14.根据权利要求13所述的方法，其特征在于，所述根据最大预测分数对应的候选推荐对象样本和所述用户点击对象样本对所述自动特征分组模型和特征交互模型中的参数分别进行调整，以得到调整后的自动特征分组模型和调整后的特征交互模型，包括：根据最大预测分数对应的候选推荐对象样本和所述用户点击对象样本对所述自动特征分组模型、所述特征交互模型中的参数和所述神经网络中的参数分别进行调整，以得到调整后的自动特征分组模型、调整后的特征交互模型和调整后的神经网络模型。15.根据权利要求10-14任一项所述的方法，其特征在于，所述将所述多个候选对象样本中每个候选推荐对象样本的多个关联特征输入到自动特征分组模型中进行多阶自动特征分组，以得到所述每个候选推荐对象样本的多阶特征交互集合，包括：
对于所述每个候选推荐对象样本的第k阶特征交互，获取所述候选推荐对象样本的多个关联特征中的每个关联特征的分配概率，所述候选推荐对象样本的多个关联特征中每个关联特征的分配概率为该关联特征被分配到所述第k阶特征交互集合中第j个特征交互组中的概率；所述第j个特征交互组为所述第k阶特征交互集合中的任一个特征交互组；根据所述候选推荐对象的多个关联特征中的每个关联特征的分配概率获取所述候选推荐对象样本的第k阶特征交互集合。16.根据权利要求15所述的方法，其特征在于，所述根据所述候选推荐对象样本B的多个关联特征中的每个关联特征的分配概率获取所述候选推荐对象样本B的第k阶特征交互集合，包括：根据所述候选推荐对象样本的多个关联特征中的每个关联特征的分配概率确定该关联特征的分配值；所述分配值为所述每个关联特征被分配到所述第k阶特征交互集合中第j个特征交互组中的概率；若该关联特征的分配值大于预设阈值，则将该关联特征分配到所述k阶特征交互集合中的第j个特征交互组中；若该关联特征的分配值不大于所述预设阈值，则不将该关联特征分配到所述k阶特征交互集合中的第j个特征交互组中。17.根据权利要求10-16任一项所述的方法，其特征在于，所述非线性数学运算包括向量内积和矩阵相乘。18.一种基于自动特征分组的推荐装置，其特征在于，包括：获取单元，用于获取多个候选推荐对象及所述多个候选推荐对象中每个候选推荐对象的多个关联特征；自动特征分组单元，用于对所述多个候选推荐对象中每个候选推荐对象的多个关联特征进行自动特征分组，以得到所述每个候选推荐对象的多阶特征交互集合，所述多个候选推荐对象中每个候选推荐对象的多阶特征交互集合中的每阶特征交互集合包括一个或多个特征交互组，所述一个或多个特征交互组中的每个特征交互组包括所述候选推荐对象的多个关联特征中的至少一个；所述多阶特征交互集合中的k阶特征交互集合中的每个...
【专利技术属性】
技术研发人员：刘斌，唐睿明，郭慧丰，薛念楠，李桂林，何秀强，李震国，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：
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。