[发明专利]一种特征构造方法、装置、机器可读介质及设备

说明书

本发明提出一种特征构造方法，包括：获取待处理对象的原始特征；对所述原始特征进行特征处理，得到特征处理结果；其中，所述特征处理包括特征扩展或/和编码转换，所述特征处理结果包括扩展特征或/和编码特征；基于所述原始特征、所述特征处理结果得到目标特征集。本发明通过对原始特征进行特征扩展/编码转换，得到编码特征或扩展特征‑即元信息，通过充分利用这些元信息后，可以忽略具体的数据含义，可实现自动化的特征加工前提下，不牺牲特征加工表达能力，且在更高的抽象层次上定义复杂特征，达到更好的效果。

技术领域

本发明涉及机器学习技术领域，具体涉及一种特征构造方法、装置、机器可读介质及设备。

背景技术

大数据表格型数据是机器学习数据挖掘任务的主要输入形式，例如互联网公司、银行、政府数据库、数据仓库中的个人基本信息、人口统计学信息、行为日志、交易流水等等。数据挖掘模型通常是以这些信息为输入，完成分类、回归或排序任务，最终实现推荐、营销、风控等业务目的。

大数据表格型数据除了数据规模庞大以外，往往还具有内容丰富、形式复杂的特点。由于应用广泛、各个数据源背后的实际业务不同，不同数据源的大数据表格型数据内容和含义迥异：在人口统计学信息的数据表中，一行记录代表了一个用户的信息；而在行为日志信息类的数据表中，一行记录则可以是代表一次点击/购买行为，也可能代表用户在一天/一个月中点击/购买行为的行为汇总。即使在同一个数据源的同一张数据表中，也往往包含了数值数据、离散类别数据、时间戳数据等多种数据类型的数据。

机器学习数据挖掘模型往往是通常是服务于某种特定粒度下的分类、回归或排序任务。例如，对于信贷风控模型，需要对某一用户、或对某一次贷款申请，判断违约概率；对于广告推荐模型，需要对某一用户、在某一天生成一份推荐列表。但建模所需用到的原始输入数据未必都是这一粒度的：信贷风控模型可以利用该用户的历史行为记录日志、交易流水日志数据表，一位用户可能拥有上百条这样的细粒度记录，而最终的模型则需要对每一位用户只产生一条概率输出值。因此，这些细粒度的原始日志数据，需要经过聚合统计等过程，来为目标粒度的每一条记录，生成一条特征(称为feature或profile)，作为机器学习算法模型的输入。

除此以外，在原始数据中，往往存在非数值的数据列：类别属性(attribute)列和ID列。例如，用户基本信息数据表中，可能有性别列，取值可以是“男”或“女”，这就是类别属性列；购买记录数据表中，可能有商品的SKU列，每种取值是一串文本或一个大整数，唯一地代表一种商品。这种数据列往往无法直接被机器学习算法模型所利用的，需要经过编码转换的过程，来加工为可以作为算法模型输入的数值型数据。

聚合统计和编码转换的过程，通常被称为特征加工/特征生成/特征工程，是机器学习数据挖掘模型建模过程中最关键、工作量最大的环节。而由于数据源之间的业务含义不同、差异太大，这样的过程很难被自动化，很难形成一个标准化、自动化的流程，来统一地对各个数据源进行机器学习数据挖掘模型的建模。在各种数据挖掘建模比赛或项目中，特征加工往往依赖于建模人员人工进行，因此工作量大、步骤繁琐，效果非常依赖于建模人员的个人经验和能力。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种特征构造方法、装置、机器可读介质及设备，用于解决现有技术存在的问题。

为实现上述目的及其他相关目的，本发明提供一种特征构造方法，包括：

获取待处理对象的原始特征；

对所述原始特征进行特征处理，得到特征处理结果；其中，所述特征处理包括特征扩展或/和编码转换，所述特征处理结果包括扩展特征或/和编码特征；

基于所述原始特征、所述特征处理结果得到目标特征集。

可选地，对所述原始特征进行特征处理，得到特征处理结果，包括：