[发明专利]一种用于机器学习模型的特征生成方法、装置和电子设备

说明书

本申请公开了一种用于机器学习模型的特征生成方法、装置和电子设备，一种数据预测方法、装置和电子设备，以及一种信息推荐方法、装置和电子设备。其中所述用于机器学习模型的特征生成方法包括：获取待处理对象的对特定目标产生影响的基础特征；根据获取到的基础特征，通过预先生成的特征构造模型，生成所述待处理对象的对特定目标产生影响的组合特征；其中，所述特征构造模型根据已标注特定目标的历史对象集学习获得。采用本申请提供的方法，能够通过自主学习的方式生成特征构造模型，并且通过特征构造模型自动生成待处理对象的组合特征，从而达到降低人工工作量的效果。

技术领域

本申请涉及机器学习技术领域，具体涉及一种用于机器学习模型的特征生成方法、装置和电子设备。本申请同时涉及一种数据预测方法、装置和电子设备，以及一种信息推荐方法、装置和电子设备。

背景技术

根据机器学习模型包括的层数，可以将模型分为浅层模型和深层模型两大类别，例如，逻辑回归模型和支持向量机为浅层模型，而具有多个隐层的人工神经网络则为深层模型。下面通过对比方式，对上述两种不同类型的机器学习模型的各自特点进行简要说明。

一方面，浅层模型的预测准确度通常高于深层模型。相对于浅层模型而言，由于深层模型包括的层数较多，因而深层模型在训练过程中的计算量较大。在实际应用中，为了避免深层模型训练过程中计算量过大的问题，深层模型输入层可包括的特征数量通常不超过几百个特征，而浅层模型可包括的特征数量能够达到千万数量级。可见，由于浅层模型实际可依据的特征数量更多，因此浅层模型的预测准确度通常高于深层模型。

另一方面，浅层模型的样本特征通常为人工特征，而深层模型的样本特征可以通过深度学习的方式自动提取。浅层模型有一个重要特点，就是假设靠人工经验来抽取样本特征，而强调模型主要是负责分类或预测。而深层模型不仅负责分类或预测，还能够用于自动提取样本特征，例如，利用深层模型进行图像识别时，深层模型同时能够自动化的无监督学习获得图像的特征。

综上所述，浅层模型的预测准确度高于深层模型，但模型的样本特征为人工特征；深层模型的样本特征可以自动提取，但预测准确度低于浅层模型。在实际应用中，根据具体应用场景，选取浅层模型或深层模型作为预测模型。

目前，浅层模型中的样本特征主要依赖于人力进行提取。在浅层模型确定的前提下，特征的好坏就成为整个系统性能的瓶颈。根据特征获取的难易程度，可以将浅层模型的样本特征分为基础特征和组合特征两大类。其中，基础特征是指能够直接获取到的样本基本属性，例如，一个商品信息的单价、历史销量、库存等属性。组合特征是指在多个基础特征基础上计算生成的复合特征。通过组合特征能够挖掘出不同基础特征之间更深层次的关系，因此，依据组合特征往往能够提高模型的预测精确度。

在利用浅层模型进行预测时，通常一个开发团队中更多的人力是投入到发掘更好的特征上去的，即：从各种组合特征中找到有价值的组合特征。要发现一个好的特征，就要求开发人员对待解决的问题要有很深入的理解。而达到这个程度，往往需要依靠专家知识，并且需要反复地摸索，不仅对人的技能有要求，还将耗费大量的人力资源。因此，人工设计样本特征，不是一个可扩展的途径。

综上所述，现有技术存在无法自动生成组合特征的问题。

发明内容

本申请提供一种用于机器学习模型的特征生成方法、装置和电子设备，以解决现有技术存在无法自动生成组合特征的问题。本申请另外提供一种数据预测方法、装置和电子设备，以及一种信息推荐方法、装置和电子设备。

本申请提供一种用于机器学习模型的特征生成方法，包括：

获取待处理对象的对特定目标产生影响的基础特征；

根据获取到的基础特征，通过预先生成的特征构造模型，生成所述待处理对象的对特定目标产生影响的组合特征；

其中，所述特征构造模型根据已标注特定目标的历史对象集学习获得。