[发明专利]特征编码方法及装置

说明书

本申请提供一种特征编码方法及装置，该方法可以包括：将特征的取值的标识码映射为s+1个小于p的非负整数，其中p为不小于的素数，M为所述特征的取值的总数量、s为特征的取值对应的编码信息之间的最大碰撞数；将所述非负整数映射为r×p点集的r点子集，其中r为所述特征的取值对应的编码信息包含的非零位的数量，且r>1、根据所述r点子集中的元素在所述r×p点集中的位置，将所述r点子集映射为所述特征的取值对应的编码信息。通过本申请的技术方案，可以在缩短编码长度的同时，满足对碰撞位数的需求。

技术领域

本申请涉及编码技术领域，尤其涉及一种特征编码方法及装置。

背景技术

在相关技术中，很多领域都涉及到特征的编码处理。比如在机器学习领域，当所需学习的特征包括特征“性别”(比如对应的取值可以包括“男”、“女”)、“所在区域”(比如对应的取值可以包括“亚洲”、“欧洲”、“非洲”)、“所用浏览器”(比如对应的取值可以为“浏览器A”、“浏览器B”、“浏览器C”和“浏览器D”)等时，直接对上述特征进行学习的效率很低。

为此，可以将上述特征编码为数字。比如对于特征“性别”而言，可以设定取值“男”为0、取值“女”为1，对于特征“所在区域”而言，可以设定取值“亚洲”为0、取值“欧洲”为1、取值“非洲”为2等。那么，对于一组特征取值“男+欧洲+浏览器C”可以采用编码信息(0,1,2)表示，而对于另一组特征取值“女+亚洲+浏览器D”可以采用编码信息(1,0,3)表示。那么，对上述数字类型的编码信息进行处理时，可以显著提升机器学习的效率。

但是，上述编码信息并不能够直接应用于机器学习中，因为机器学习使用的分类器往往默认数据是连续、有序的，而上述编码信息是随机分配得到的。因此，相关技术中进一步提出了一种编码方式，即独热(One-Hot)编码(也称为，一位有效编码)，所得到的独热码包含的比特位数量与特征的取值数量一致，比如当某一特征有m种取值时，每种取值对应的独热码均包含m个比特位，且每个独热码中仅一个比特位取值为1、其余比特位取值均为0，这m种取值对应的m个独热码中取值为1的比特位相互交错，以实现m种取值与m个独热码之间的一一对应。例如，当m＝6时，m种取值对应的m个独热码分别为：000001、000010、000100、001000、010000、100000。

然而，当特征的取值较多时，独热编码将导致编码得到的独热码的长度也随之变大，从而造成存储和运算等方面的困难。

发明内容

有鉴于此，本申请提供一种特征编码方法及装置，可以在缩短编码长度的同时，满足对碰撞位数的需求。

为实现上述目的，本申请提供技术方案如下：

根据本申请的第一方面，提出了一种特征编码方法，包括：

将特征的取值的标识码映射为s+1个小于p的非负整数，其中p为不小于的素数，M为所述特征的取值的总数量、s为特征的取值对应的编码信息之间的最大碰撞数；

将所述非负整数映射为r×p点集的r点子集，其中r为所述特征的取值对应的编码信息包含的非零位的数量，且r>1、

根据所述r点子集中的元素在所述r×p点集中的位置，将所述r点子集映射为所述特征的取值对应的编码信息。

根据本申请的第二方面，提出了一种特征编码方法，包括：

将特征的取值的标识码映射为中间数；

将所述中间数映射为点集的子集，所述子集包含的元素数量为所述特征的取值对应的编码信息包含的非零位的数量；

根据所述子集中的元素在所述点集中的位置，将所述子集映射为所述特征的取值对应的编码信息。

根据本申请的第三方面，提出了一种特征编码装置，包括：