[发明专利]神经网络模型的训练方法、调用方法、设备及存储介质

权利要求书

1.一种神经网络模型的调用方法，其特征在于，包括：

获取训练样本数据；

将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，其中，所述神经网络模型包括多个多项式，且所述多个多项式中包括高阶多项式；所述多个多项式包括第一多项式、第二多项式和第三多项式，所述第三多项式为高阶决策树规则函数多项式；

根据训练后的每个所述多项式，完成所述神经网络模型训练；

获取准推荐用户名单中每个用户对应的用户特征数据；

将所述用户特征数据输入所述神经网络模型，输出每个用户对应的推荐概率；

根据每个用户对应的所述推荐概率，确定推荐用户名单，以根据所述推荐用户名单进行用户推荐。

2.根据权利要求1所述的方法，其特征在于，所述将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，包括：

将所述神经网络模型中的每个多项式依次确定为当前待训练的多项式；

若所述多个多项式中不存在已训练的多项式，则将所述神经网络模型中除所述当前待训练的多项式以外的其他多项式置零，输入所述训练样本数据至所述神经网络模型，对所述当前待训练的多项式进行训练；

若所述多个多项式中存在已训练的多项式，则将所述神经网络模型中除所述已训练的多项式和所述当前待训练的多项式以外的其他多项式置零，输入所述训练样本数据至所述神经网络模型，对所述当前待训练的多项式进行训练。

3.根据权利要求1所述的方法，其特征在于，所述第一多项式为一阶多项式，所述第二多项式为二阶多项式，所述第三多项式为三阶或三阶以上多项式，所述将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练，包括：

将所述第二多项式和所述第三多项式置零，输入所述训练样本数据至所述神经网络模型，对所述第一多项式进行训练；

将所述第三多项式置零，并基于训练后的所述第一多项式，输入所述训练样本数据至所述神经网络模型，对所述第二多项式进行训练；

基于训练后的所述第一多项式以及训练后的所述第二多项式，将所述训练样本数据输入所述神经网络模型，对所述第三多项式进行训练。

4.根据权利要求3所述的方法，其特征在于，所述将所述训练样本数据多次输入预设的神经网络模型，依次对所述神经网络模型中的每个多项式进行训练之前，包括：

采用随机森林算法生成多棵决策树；

基于所述多棵决策树，确定对应路径长度大于2的多条路径；

根据所述多条路径，生成所述高阶决策树规则函数多项式。

5.根据权利要求3所述的方法，其特征在于，所述对所述第一多项式进行训练之后，包括：

计算训练后的所述第一多项式中每个第一单项式对应的范数，其中，所述第一多项式包括多个所述第一单项式；

选取第一数量的所述第一单项式，其中，每个选取的所述第一单项式对应的范数大于未选取的所述第一单项式对应的范数，且所述第一数量的所述第一单项式对应的范数之和与全部所述第一单项式对应的范数之和的比值大于预设阈值；

根据选取的所述第一数量的所述第一单项式，确定训练完成后的所述第一多项式。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述完成所述神经网络模型训练之后，包括：

获取测试样本数据；

将所述测试样本数据输入所述神经网络模型，对所述神经网络模型进行测试，确定所述测试样本数据对应的AUC值；

根据所述AUC值，确定所述神经网络模型的分类效果，其中，所述AUC值越大，所述神经网络模型的分类效果越佳。

7.根据权利要求1所述的方法，其特征在于，所述根据每个用户对应的所述推荐概率，确定推荐用户名单，包括：

选取所述推荐概率大于预设概率的用户，基于选取的用户确定所述推荐用户名单；或

从所述准推荐用户名单中选取预设数量比例的用户，确定所述推荐用户名单，其中，选取的用户对应的所述推荐概率大于未选取的用户对应的所述推荐概率。