[发明专利]特征处理方法、装置、计算设备及介质

说明书

本公开的实施方式提供了一种特征处理方法、装置、计算设备及介质。通过引入第二门控网络，以便在基于候选对象的特征信息，分别通过多个第一门控网络和多个第一特征提取网络，获取到多个第一特征参数和多个第一特征，并基于多个第一特征参数，对多个第一特征进行加权处理，得到多个第一目标特征后，基于多个第一目标特征，通过多个第二门控网络，获取符合设定数量的第二特征参数，基于特征信息，通过多个第二特征提取网络，获取多个第二特征，从而基于符合设定数量的第二特征参数，对多个第二特征所包括的多个维度的特征进行加权处理，得到多个第二目标特征，实现了对每个特征向量中不同维度的特征的流通情况的控制，以提高模型的处理准确性。

技术领域

本公开的实施方式涉及深度学习领域，更具体地，本公开的实施方式涉及一种特征处理方法、装置、计算设备及介质。

背景技术

本部分旨在为权利要求书中陈述的本公开的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

推荐算法作为一种能够深度挖掘用户的需求，从而可以针对性地为用户进行内容推荐的算法，在涉及到内容推荐的过程中得到了广泛的应用。相关技术中，可以通过多种类型的深度学习网络模型来实现推荐算法，例如，可以采用单门控混合专家网络模型(OneGate Mixture of Experts，OMoE)、多门控混合专家网络模型(Multi Gate Mixture ofExperts，MMoE)、递进分层提取网络(Progressive Layered Extraction，PLE)，等等。但是，无论是哪种类型的深度学习网络模型，模型的核心均是特征提取网络(或称专家网络)，特征提取网络的知识选择决定着模型效果的好坏。

相关技术中，主要是通过门控网络来控制信息的进出以及信息的进出程度的，从而实现对特征提取网络的知识流通的控制。例如，可以通过门控网络为不同的特征提取网络所输出的特征向量设置不同的权重，进而对加权后的多个特征向量进行求和，从而实现对不同特征提取网络的知识流通的控制。

然而，每个特征向量可以对应于多个维度的特征，但上述实现过程无法控制每个特征向量中不同维度的特征的流通情况，从而导致模型的处理准确性较差。

发明内容

鉴于相关技术中无法控制每个特征向量中不同维度的特征的流通情况，从而导致模型的处理准确性较差的问题，本公开的实施方式至少提供一种特征处理方法、装置、计算设备及介质。

在本公开实施方式的第一方面中，提供了一种特征处理方法，该方法包括：

基于候选对象的特征信息，分别通过多个第一门控网络和多个第一特征提取网络，获取多个第一特征参数和多个第一特征；

基于多个第一特征参数，对多个第一特征进行加权处理，得到多个第一目标特征；

基于多个第一目标特征，通过多个第二门控网络，获取符合设定数量的第二特征参数，基于特征信息，通过多个第二特征提取网络，获取多个第二特征，设定数量基于第二特征提取网络的数量、第二门控网络的数量以及第二特征所包括的特征维度确定；

基于符合设定数量的第二特征参数，对多个第二特征所包括的多个维度的特征进行加权处理，得到多个第二目标特征。

在本公开的一个实施例中，基于多个第一目标特征，通过多个第二门控网络，获取符合设定数量的第二特征参数，包括：

对于任一第一目标特征，将第一目标特征输入第一目标特征对应的第二门控网络，通过第一目标特征对应的第二门控网络对述第一目标特征进行处理，得到符合第一设定数量的第二特征参数，第一设定数量基于第二特征提取网络的数量以及第二特征所包括的特征维度确定；

其中，符合第一设定数量的第二特征参数包括多组第二特征参数，每组第二特征参数所包括的第二特征参数的数量与第二特征所包括的特征维度的数量一致，每组第二特征参数用于对一个第二特征提取网络所输出的第二特征进行加权处理。