[发明专利]神经网络评价方法及装置、电子设备、存储介质

权利要求书

1.一种神经网络评价方法，其特征在于，所述方法包括：

采集每一用户的第一应用场景下的多个特征数据；

对所述每一用户的多个特征数据进行过滤，对过滤后的特征数据，基于每一用户进行一位有效编码处理；

将一位有效编码的特征数据进行嵌入embedding向量化处理，将一位有效编码的特征数据转换为相应维度的特征向量；

将所述特征向量输入到深度神经网络DNN中，通过反向传播的训练方式，梯度更新DNN中各节点的参数，并预测得到每一用户的第一应用场景下的评价结果；

对所述特征向量进行混类增强MixUp处理，使所述特征向量扩增到设定倍数，得到扩增特征向量；

将所述扩增特征向量输入到参数更新的DNN中，通过反向传播的训练方式再次梯度更新DNN各节点的参数，以对预测的每一用户的第一应用场景下的评价结果进行调整，以调整后的评价结果对每一用户进行评分排名。

2.根据权利要求1所述的方法，其特征在于，所述对所述每一用户的多个特征数据进行过滤，包括：

至少识别所述多个特征数据中的无效数据以及用户的特征数据缺失超出设定数量的缺失数据，删除所述无效数据和所述缺失数据；

对剩余的存在空值的特征数据进行特征值填充，将数值型特征数据进行归一化处理。

3.根据权利要求1或2所述的方法，其特征在于，所述对所述特征向量进行混类增强MixUp处理，包括：

若batch_xi是所述特征向量中的第一数据，batch_yi是所述第一数据对应的标签；batch_xj是所述特征向量中的第二数据，batch_yj是所述第二数据对应的标签，λ是由参数为α、β的贝塔分布计算出来的混合系数，则通过下式对所述特征向量进行MixUp处理：

λ=Beta(α, β)；

mixed_batch_x=λ∗batch_xi+(1−λ)∗batch_xj；

mixed_batch_y=λ∗batch_yi+(1−λ)∗batch_yj；

其中，Beta()表示贝塔分布运算，λ∈[0,1]，mixed_batch_x表示混合后的特征向量中的第三数据，mixed_batch_y表示所述第三数据对应的标签。

4.根据权利要求3所述的方法，其特征在于，在对所述特征向量进行MixUp处理之前，所述方法还包括：

将所述特征向量中的标签的顺序打乱。

5.根据权利要求3所述的方法，其特征在于，所述α、β均取值为0.5。

6.一种神经网络评价装置，其特征在于，所述装置包括：

采集单元，用于采集每一用户的第一应用场景下的多个特征数据；

编码处理单元，用于对所述每一用户的多个特征数据进行过滤，对过滤后的特征数据，基于每一用户进行一位有效编码处理；

向量化处理单元，用于将一位有效编码的特征数据进行嵌入embedding向量化处理，将一位有效编码的特征数据转换为相应维度的特征向量；

DNN处理单元，用于将输入的所述特征向量，通过反向传播的训练方式，梯度更新DNN中各节点的参数，并预测得到每一用户的第一应用场景下的评价结果；

混类增强单元，用于对所述特征向量进行MixUp处理，使所述特征向量扩增到设定倍数，得到扩增特征向量；

所述DNN处理单元，还用于将输入的所述扩增特征向量，基于更新后的参数、通过反向传播的训练方式再次梯度更新DNN各节点的参数，以对预测的每一用户的第一应用场景下的评价结果进行调整；

评价单元，用于以调整后的评价结果对每一用户进行评分排名。