基于XGBoost模型的资源推荐方法、装置及设备制造方法及图纸

本申请公开了一种基于XGBoost模型的资源推荐方法、装置及设备，涉及计算机技术领域，可以解决资源推荐准确性低的问题。包括：利用历史询价数据构建的第一特征集训练XGBoost模型，利用训练完成的XGBoost模型确定第一特征集的特征重要权重；在第一特征集中剔除特征重要权重小于预设权重阈值和/或特征评估指标小于第一预设指标阈值的预设特征项，得到第二特征集；利用第二特征集迭代训练XGBoost模型，直至XGBoost模型的模型评估指标大于第二预设指标阈值时确定为成交预测模型；将实时资源数据输入成交预测模型，确定实时资源数据的成交预测概率；根据成交预测概率为目标主体生成下单资源推荐。资源推荐。资源推荐。

【技术实现步骤摘要】
基于XGBoost模型的资源推荐方法、装置及设备


[0001]本申请涉及计算机
，尤其涉及到一种基于XGBoost模型的资源推荐方法、装置及设备。

技术介绍

[0002]交易平台的使用用户包括资源需求方和资源供应方，资源需求方可通过在交易平台内上传资源需求，由交易平台进行相关资源供应方以及相关资源数据的筛选，并将筛选内容推送至资源需求方所在客户端进行展示，然而鉴于匹配的相关资源供应方以及相关资源数据的数据量较大，故容易导致资源需求方需要花费大量的时间进行资源的选取。为了营造良好的用户体验，故需要结合资源需求方的实际需求，为资源需求方生成精准资源推荐。
[0003]目前在为资源需求方生成资源筛选时，主要是通过人工分析历史环比、同比、增长率等数据，判断资源需求方下单是趋势性递增或递减，还是有周期性的波动，来预测资源需求方本次针对资源的下单概率。然而传统的方法依赖于经验，主观因素太多，很难预测出资源需求方的真实需求，而且很容易受异常数据的影响，预测准确率低。

技术实现思路

[0004]有鉴于此，本申请提供了一种基于XGBoost模型的资源推荐方法、装置及设备，涉及计算机
，可以解决在与资源推荐准确性低的问题。
[0005]根据本申请的一个方面，提供了一种基于XGBoost模型的资源推荐方法，该方法包括：
[0006]利用由历史询价数据构建的第一特征集训练XGBoost模型，并利用训练完成的所述XGBoost模型确定所述第一特征集中各个预设特征项的特征重要权重；
[0007]在所述第一特征集中剔除对应所述特征重要权重小于预设权重阈值和/或特征评估指标小于第一预设指标阈值的预设特征项，得到第二特征集，其中，所述第一预设指标阈值包括相关系数阈值、信息值阈值中的至少一种；
[0008]利用所述第二特征集迭代训练所述XGBoost模型，直至所述XGBoost模型的模型评估指标大于第二预设指标阈值，将所述XGBoost模型确定为成交预测模型，其中，所述第二预设指标阈值包括预设AUC阈值、预设KS阈值、预设准确率阈值中的至少一种；
[0009]接收各个资源主体的实时资源数据，并将所述实时资源数据输入所述成交预测模型，确定各个所述实时资源数据的成交预测概率；
[0010]根据所述成交预测概率为所述目标主体生成下单资源推荐。
[0011]根据本申请的另一个方面，提供了一种基于XGBoost模型的资源推荐装置，该装置包括：
[0012]训练模块，用于利用由历史询价数据构建的第一特征集训练XGBoost模型，并利用训练完成的所述XGBoost模型确定所述第一特征集中各个预设特征项的特征重要权重；
[0013]剔除模块，用于在所述第一特征集中剔除对应所述特征重要权重小于预设权重阈值和/或特征评估指标小于第一预设指标阈值的预设特征项，得到第二特征集，其中，所述第一预设指标阈值包括相关系数阈值、信息值阈值中的至少一种；
[0014]确定模块，用于利用所述第二特征集迭代训练所述XGBoost模型，直至所述XGBoost模型的模型评估指标大于第二预设指标阈值，将所述XGBoost模型确定为成交预测模型，其中，所述第二预设指标阈值包括预设AUC阈值、预设KS阈值、预设准确率阈值中的至少一种；
[0015]输入模块，用于接收各个资源主体的实时资源数据，并将所述实时资源数据输入所述成交预测模型，确定各个所述实时资源数据的成交预测概率；
[0016]生成模块，用于根据所述成交预测概率为所述目标主体生成下单资源推荐。
[0017]根据本申请的又一个方面，提供了一种非易失性可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于XGBoost模型的资源推荐方法。
[0018]根据本申请的再一个方面，提供了一种计算机设备，包括非易失性可读存储介质、处理器及存储在非易失性可读存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于XGBoost模型的资源推荐方法。
[0019]借由上述技术方案，本申请公开了一种基于XGBoost模型的资源推荐方法、装置及设备，可首先利用由历史询价数据构建的第一特征集训练XGBoost模型，并利用训练完成的XGBoost模型确定第一特征集中各个预设特征项的特征重要权重；在第一特征集中剔除对应特征重要权重小于预设权重阈值和/或特征评估指标小于第一预设指标阈值的预设特征项，得到第二特征集，其中，第一预设指标阈值包括相关系数阈值、信息值阈值中的至少一种；进一步利用第二特征集迭代训练XGBoost模型，直至XGBoost模型的模型评估指标大于第二预设指标阈值，将XGBoost模型确定为成交预测模型，其中，第二预设指标阈值包括预设AUC阈值、预设KS阈值、预设准确率阈值中的至少一种；在接收到各个资源主体的实时资源数据后，可将实时资源数据输入成交预测模型，确定各个实时资源数据的成交预测概率；最终根据成交预测概率为目标主体生成下单资源推荐。通过本申请中的技术方案，针对待推送资源的目标主体，可预先利用成交预测模型对多个资源主体的实时资源数据进行成交预测概率计算，以从多个实时资源数据中选择与目标主体匹配的进行推荐，缩短目标主体对资源数据的筛选时长，从而提升客户体验，促进成交率。此外，在进行成交预测模型的训练时，可通过不断特征集的优化筛选，进而能够保证迭代训练得到的成交预测模型具有较高的预测精度，进而能够保证最终推荐结果的准确性。
[0020]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0021]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本地申请的不当限定。在附图中：
[0022]图1示出了本申请实施例提供的一种基于XGBoost模型的资源推荐方法的流程示意图；
[0023]图2示出了本申请实施例提供的另一种基于XGBoost模型的资源推荐方法的流程示意图；
[0024]图3示出了本申请实施例提供的一种基于XGBoost模型的资源推荐装置的结构示意图；
[0025]图4示出了本申请实施例提供的另一种基于XGBoost模型的资源推荐装置的结构示意图。
具体实施方式
[0026]下文将参考附图并结合实施例来详细说明本申请。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合。
[0027]针对目前的问题，本申请实施例提供了一种基于XGBoost模型的资源推荐方法，如图1所示，该方法包括：
[0028]101、利用由历史询价数据构建的第一特征集训练XGBoost模型，并利用训练完成的XGBoost模型确定第一特征集中各个预设特征项的特征重要权重。
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于XGBoost模型的资源推荐方法，其特征在于，包括：利用由历史询价数据构建的第一特征集训练XGBoost模型，并利用训练完成的所述XGBoost模型确定所述第一特征集中各个预设特征项的特征重要权重；在所述第一特征集中剔除对应所述特征重要权重小于预设权重阈值和/或特征评估指标小于第一预设指标阈值的预设特征项，得到第二特征集，其中，所述第一预设指标阈值包括相关系数阈值、信息值阈值中的至少一种；利用所述第二特征集迭代训练所述XGBoost模型，直至所述XGBoost模型的模型评估指标大于第二预设指标阈值，将所述XGBoost模型确定为成交预测模型，其中，所述第二预设指标阈值包括预设AUC阈值、预设KS阈值、预设准确率阈值中的至少一种；接收各个资源主体的实时资源数据，并将所述实时资源数据输入所述成交预测模型，确定各个所述实时资源数据的成交预测概率；根据所述成交预测概率为所述目标主体生成下单资源推荐。2.根据权利要求1所述的方法，其特征在于，在所述利用由历史询价数据构建的第一特征集训练XGBoost模型之前，还包括：获取目标主体在预设历史时间段内产生的历史询价数据；在所述历史询价数据中提取与预设特征项匹配的第一特征数据；对所述第一特征数据进行预处理，得到第二特征数据，其中，所述预处理包括数据清洗处理、独热编码处理、连续型变量分箱处理中的至少一种；利用所述第二特征数据构建第一特征集。3.根据权利要求2所述的方法，其特征在于，所述在所述历史询价结果数据中提取与预设特征项匹配的第一特征数据，包括：获取预设特征提取模板，所述预设特征提取模板中存储有预设特征项以及与所述预设特征项匹配的特征关键词；在所述历史询价数据中提取与所述特征关键词对应第一特征相似度大于预设相似度阈值的第一特征数据。4.根据权利要求1所述的方法，其特征在于，所述利用由历史询价数据构建的第一特征集训练XGBoost模型，包括：根据所述历史询价数据提取所述第一特征集中各个预设特征项对应的询价成交结果；将所述第一特征集确定为所述XGBoost模型的输入特征，将所述询价成交结果确定为所述XGBoost模型的训练标签，训练所述XGBoost模型，直至所述XGBoost模型的损失函数小于预设阈值，判定所述XGBoost模型训练完成。5.根据权利要求1所述的方法，其特征在于，根据...

【专利技术属性】
技术研发人员：卢晓萍，
申请(专利权)人：深圳壹账通创配科技有限公司，
类型：发明
国别省市：