[发明专利]一种数据分类方法、装置、计算机设备及存储介质

权利要求书

1.一种数据分类方法，其特征在于，包括：

获取商品节点的特征向量；

根据所述商品节点的特征向量获取其邻居节点，并构建所述商品节点和邻居节点之间的关联结构图；

获取所述关联结构图中包含所述商品节点与其邻居节点的组合特征向量，将所述组合特征向量输入对数转换层，输出高阶交叉特征；

将所述商品节点的高阶交叉特征输入分类模型，输出分类结果。

2.根据权利要求1所述的数据分类方法，其特征在于，所述获取商品节点的特征向量，包括：

获取所述商品节点的类别特征和数值特征，并对所述类别特征进行编码；

将编码后的所述类别特征与所述数值特征进行拼接得到所述商品节点的特征向量。

3.根据权利要求1所述的数据分类方法，其特征在于，所述根据所述商品节点的特征向量获取其邻居节点，并构建所述商品节点和邻居节点之间的关联结构图，包括：

选取任一商品节点作为中心节点，按如下公式计算其他商品节点与中心节点之间的相关系数Corr：

其中，x和y分别为两个商品节点的特征向量，为x的向量均值，为y的向量均值，x_i和y_i分别为x和y的第i个特征分量；

选取相关系数大于预设阈值的商品节点作为所述中心节点的邻居节点，并构建出关联结构图。

4.根据权利要求1所述的数据分类方法，其特征在于，所述获取所述关联结构图中包含所述商品节点与其邻居节点的组合特征向量，将所述组合特征向量输入对数转换层，输出高阶交叉特征，包括：

获取所述关联结构图中包含所述商品节点与其邻居节点的组合特征向量；

按如下公式计算输出向量e：

e＝XW

e＝{e₁,e₂…e_m}；

其中，X为所述组合特征向量，W为全连接学习的n×m的权重矩阵；

按如下公式计算所述输出向量e的特征交叉向量：

其中，lne_i为输出向量e的第i个分量e_i的对数运算，w_ij为lne_i在第j个神经元的权重系数，exp为指数运算，y_j为在第j个对数神经单元得到的特征交叉向量；

按如下公式计算高阶交叉特征Y：

Y＝{y₁,y₂…y_N}；

其中，N为特征数目，y_N为第N个对数神经单元的特征交叉向量。

5.根据权利要求4所述的数据分类方法，其特征在于，所述将所述商品节点的高阶交叉特征输入分类模型，输出分类结果，包括:

按如下公式计算邻居节点j到商品节点i的权重系数e_ij：

e_ij＝Leaky ReLU(a^T[Wh_i,Wh_j])；

其中，LeakyReLU为激活函数，T代表转置运算，W为权重参数矩阵，h_i为商品节点i对应的特征交叉向量，h_j为邻居节点j对应的特征交叉向量，a[.]是一个映射，用来计算两个节点的相关度；

按如下公式归一化处理所述邻居节点j到商品节点i的权重系数α_ij：

其中，N_i是商品节点i的邻居节点的集合，k为N_i中第k个邻居节点；

按如下公式计算商品节点i的新特征向量：

其中，σ为非线性激活；

通过sigmoid函数对所述商品节点i的新特征向量进行分类，输出分类结果。

6.根据权利要求5所述的数据分类方法，其特征在于，所述通过sigmoid函数对所述商品节点i的新特征向量进行分类，输出分类结果，包括：

过sigmoid函数对所述商品节点i的新特征向量进行分类，输出所述商品节点i是否为目标类别的概率值。