[发明专利]特征计算系统及方法、存储介质和电子设备

说明书

本发明公开了一种特征计算系统及方法、存储介质和电子设备，涉及数据处理技术领域。该特征计算系统包括：特征客户端，包括多个特征计算插件，用于接收特征计算请求，特征计算请求包括特征令牌；根据特征令牌从特征配置看守模块获取特征计算所需的特征计算插件和特征计算插件参数；根据特征计算插件和特征计算插件参数并基于从特征数据服务器获取的特征数据进行特征计算；特征配置管理模块，用于接收开发人员通过特征配置界面进行的特征配置，特征配置包括特征计算插件和特征计算插件参数；特征配置看守模块，用于监测特征配置管理模块上的特征配置，加载特征配置以使特征配置生效。本公开可以实现特征计算的统一管理、配置。

技术领域

本公开涉及数据处理技术领域，具体而言，涉及一种特征计算系统、特征计算方法、存储介质和电子设备。

背景技术

随着各行业技术的进步，智能化已经成为社会发展的趋势。机器学习作为智能化的核心技术手段之一，已在各个领域产生了较好的效果。例如，在电商领域，采用机器学习可以匹配用户的需求，提高用户的购物体验，增加网站的用户粘性和活跃度，从而带来成交总额(Gross Merchandise Volume，GMV)的持续增长。

在机器学习的过程中，根据原始数据进行特征计算已成为不可缺少且十分重要的步骤。仍以电商领域为例，由于电商的个性化服务是根据用户的长期兴趣和短期购物需求为用户提供匹配的商品，因此特征可以包含时间、用户、商品等维度，而每个维度均可以包含诸多属性，维度的笛卡尔积组合会产生数量庞大的原始数据，在这种情况下，特征计算十分繁琐，并且在大量A/B测试时需要频繁的修改特征计算的代码，导致计算效率较低且不易维护和扩展。

此外，目前，线上特征计算与推荐业务通常一起开发，具体推荐业务根据其自身的需求开发各自的特征计算模块。在业务简单且推荐位较少的情况下，该方法可以快速准确地保证业务效果。然而，在业务复杂或者推荐位较多时，不仅会造成大量重复代码的开发，降低了算法工程师的工作效率，而且每次增加新的特征或修改特征均需要改动推荐工程源码，并重新上线系统，增加线上系统的风险。另外，因为具体推荐业务独立开发各自的特征模块，因此，即使特征逻辑一致也难以完全保证数据一致。

鉴于此，需要一种新的特征计算系统及特征计算方法。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种特征计算系统、特征计算方法、存储介质和电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本公开的一个方面，提供一种特征计算系统，包括特征客户端、特征配置管理模块和特征配置看守模块；其中：

特征客户端，包括多个特征计算插件，用于接收特征计算请求，特征计算请求包括特征令牌；根据特征令牌从特征配置看守模块获取特征计算所需的特征计算插件和特征计算插件参数；根据特征计算插件和特征计算插件参数并基于从特征数据服务器获取的特征数据进行特征计算；

特征配置管理模块，用于接收开发人员通过特征配置界面进行的特征配置，特征配置包括特征计算插件和特征计算插件参数；

特征配置看守模块，用于监测特征配置管理模块上的特征配置，加载特征配置以使特征配置生效。

优选地，特征客户端提供有可扩展接口以加载新的特征计算插件。

优选地，特征计算系统还包括：

特征数据服务器，用于向特征客户端发送特征计算所需的特征数据。

优选地，特征数据包括用户行为数据和商品属性数据。

优选地，特征计算插件参数包括基于不同维度配置的参数配置集合。