[发明专利]信息推荐方法、装置、服务器及存储介质

说明书

本发明实施例公开了一种信息推荐方法、装置、服务器及存储介质。其中，该信息推荐方法包括：获取超参数性能数据集；对所述超参数性能数据集进行迭代更新，确定超参数集；在每次迭代过程中，确定当前次迭代中的选取参数，根据所述选取参数从预设的采集函数集中选取一个目标采集函数，根据当前次迭代中的超参数性能数据集，使所述目标采集函数达到预设阈值，得到当前次迭代中的超参数，并将所述超参数添加至所述超参数集中；在迭代结束时，从所述超参数集中确定最优超参数；根据所述最优超参数进行信息推荐。本发明实施例能够提高超参数的优化效果和优化效率，提高信息推荐的准确率。

技术领域

本发明涉及计算机技术领域，具体涉及一种信息推荐方法、装置、服务器及存储介质。

背景技术

在机器学习过程中，机器学习模型可以通过优化超参数来提高机器学习的性能和效果。而模型的超参数与模型性能数据之间的关系函数为黑盒函数，因此无法采用传统的数值优化算法来实现超参数的优化。

为了解决这一问题，现有技术采用了网格搜索、贝叶斯优化等方法。其中，贝叶斯优化是为黑盒函数的全局优化而设计的一种不需要计算梯度的序列优化策略。由于目标函数(黑盒函数)未知，贝叶斯优化先将其视为随机函数并在其上放置一个先验函数，该先验函数表达了关于未知的目标函数行为的信念。在收集被视为数据的函数评估之后，先验函数会被更新以在目标函数上形成后验分布。

但是，现有技术一般采用一个固定的采集函数来表达目标函数的后验，而一个固定的采集函数不是对所有目标函数都具有良好的效果，因此为了找到合适目标函数的采集函数，需要对不同的采集函数进行尝试，而每尝试一个采集函数，由于计算复杂性，需要花费大量时间，从而导致模型超参数的优化效率低下，优化效果较差，进而导致信息推荐的准确率低下。

发明内容

本发明提供一种信息推荐方法、装置、服务器及存储介质，能够提高超参数的优化效果和优化效率，进而提高推荐准确率。

第一方面，本发明提供一种信息推荐方法，包括：

获取超参数性能数据集；

对所述超参数性能数据集进行迭代更新，确定超参数集；在每次迭代过程中，确定当前次迭代中的选取参数，根据所述选取参数从预设的采集函数集中选取一个目标采集函数，根据当前次迭代中的超参数性能数据集，使所述目标采集函数达到预设阈值，得到当前次迭代中的超参数，并将所述超参数添加至所述超参数集中；

在迭代结束时，从所述超参数集中确定最优超参数；

根据所述最优超参数进行信息推荐。

在本发明一些实施例中，所述确定当前次迭代中的选取参数，具体包括：

计算所述采集函数集中每个采集函数在当前次迭代中的选取概率；

根据所述每个采集函数在当前次迭代中的选取概率，确定当前次迭代中的选取参数。

在本发明一些实施例中，所述计算所述采集函数集中每个采集函数在当前次迭代中的选取概率，具体包括：

分别将所述采集函数集中的每个采集函数作为目标函数，计算所述目标函数在当前次迭代中的累积权重；

根据所述目标函数在当前次迭代中的累积权重，计算所述目标函数在当前次迭代中的选取概率。

在本发明一些实施例中，所述计算所述目标函数在当前次迭代中的累积权重，具体包括：

获取所述目标函数在当前次迭代中的累积性能参数；

根据所述累积性能参数和预设的权重分配均衡参数，计算所述目标函数在当前次迭代中的累积权重。

在本发明一些实施例中，所述根据所述目标函数在当前次迭代中的累积权重，计算所述目标函数在当前次迭代中的选取概率，具体包括：