模型坏例主特征生成方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种模型坏例主特征生成方法、装置、设备及存储介质，属于搜索引擎技术领域。本发明专利技术通过向目标模型中输入坏例样本；获取所述目标模型基于所述坏例样本输出的坏例分值；根据所述坏例分值确定所述坏例样本中各个特征对应的特征重要度；根据所述特征重要度确定所述坏例样本中包含的坏例主特征，通过先获取目标模型输出的坏例分值，然后根据坏例分值确定坏例样本中各个特征对应的特征重要度，最后根据特征重要度确定坏例主特征，跳出模型结构本身分析的框架，利用上述方式得到导致模型出现坏例的主要特征，实现了对黑盒模型的定量分析。量分析。量分析。

【技术实现步骤摘要】
模型坏例主特征生成方法、装置、设备及存储介质


[0001]本专利技术涉及搜索引擎
，尤其涉及一种模型坏例主特征生成方法、装置、设备及存储介质。

技术介绍

[0002]搜索引擎排序中有个重要阶段是使用机器学习的排序模型(LTR模型)通过若干特征进行结果整体排序，其对搜索结果影响十分巨大，而基于树模型的LTR模型存在可解释性差的问题，因此对于坏例的分析和解决造成了严重的困难。
[0003]目前的排序模型属于黑盒模型，现有的手段无法对排序模型进行定量分析。
[0004]上述内容仅用于辅助理解本专利技术的技术方案，并不代表承认上述内容是现有技术。

技术实现思路

[0005]本专利技术的主要目的在于提供一种模型坏例主特征生成方法、装置、设备及存储介质，旨在解决现有技术无法对排序模型进行定量分析的技术问题。
[0006]为实现上述目的，本专利技术提供了一种模型坏例主特征生成方法，所述模型坏例主特征生成方法包括以下步骤：
[0007]向目标模型中输入坏例样本；
[0008]获取所述目标模型基于所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型坏例主特征生成方法，其特征在于，所述模型坏例主特征生成方法包括：向目标模型中输入坏例样本；获取所述目标模型基于所述坏例样本输出的坏例分值；根据所述坏例分值确定所述坏例样本中各个特征对应的特征重要度；根据所述特征重要度确定所述坏例样本中包含的坏例主特征。2.如权利要求1所述的模型坏例主特征生成方法，其特征在于，所述向目标模型中输入坏例样本之前，还包括：将若干个样本输入至目标模型中，得到排序结果；将所述排序结果输入至预设打分模型中，得到所述预设打分模型输出的各个样本对应的样本分值；获取所述排序结果对应的评价分值；根据所述样本分值和所述评价分值确定若干个样本中的坏例样本。3.如权利要求2所述的模型坏例主特征生成方法，其特征在于，所述根据所述样本分值和所述评价分值确定若干个样本中的坏例样本，包括：根据所述样本分值确定各个样本之间的样本分值差；根据所述评价分值确定各个样本之间的评价分值差；根据所述样本分值差和所述评价分值差确定若干个样本中的坏例样本。4.如权利要求1所述的模型坏例主特征生成方法，其特征在于，所述获取所述目标模型基于所述坏例样本输出的坏例分值，包括：确定所述目标模型对应的多个模型树；将所述坏例样本分别输入至各个模型树中；获取所述坏例样本在各个模型树中的路径，以及各个模型树输出的初始坏例分值；根据所述路径和各个初始坏例分值确定所述坏例样本对应的坏例分值。5.如权利要求4所述的模型坏例主特征生成方法，其特征在于，所述根据所述路径和各个初始坏例分值确定所述坏例样本对应的坏例分值，包括：基于所述路径对所述坏例样本进行特征值修改，得到修改后的坏例样本；将修改后的坏例样本分别输入至各个模型树中，得到各个模型树输出的参考坏例分值；将所述参考坏例分值和所述初始坏例分值作为所述坏例样本对应的坏例分值。6.如权利要求5所述的模型坏例主特征生成方法，其特征在于，所述坏例样本包括：第一坏例样本与第二坏例样本，所述路径包括所述第一坏例样本对应的第一路径和所述第二坏例样本对应的第二路径；所述基于所述路径对所述坏例样本进行特征值修改，得到修改后的坏例...

【专利技术属性】
技术研发人员：曾祥能，付宁佳，
申请(专利权)人：北京奇虎科技有限公司，
类型：发明
国别省市：