[发明专利]高维特征的表示学习方法、装置、设备以及存储介质

说明书

本申请实施例公开了高维特征的表示学习方法、装置、设备以及存储介质，涉及机器学习技术领域。该方法的一具体实施方式包括：获取基于用户数据确定的用户高维特征，用户高维特征包括用户行为特征和/或用户属性特征；根据用户高维特征中的稀疏特征的类别，确定用户稀疏特征向量；对用户高维特征中的连续向量特征进行拼接，得到用户连续特征向量；将用户稀疏特征向量和用户连续特征向量输入至预先训练完成的深度推荐模型，得到用户高维特征的用户表示学习向量；采用高维特征的用户表示学习向量，训练针对用户数据的机器学习模型，从而实现高维特征的表示学习，并大幅度减少高维特征信息的丢失，提升机器学习模型的分类效果。

技术领域

本申请涉及计算机技术领域，具体涉及机器学习技术领域，尤其涉及高维特征的表示学习方法、装置、设备以及存储介质。

背景技术

通常，未经清洗的用户原始数据特征普遍都有高维、稀疏的性质。例如，在推荐场景中，用户数据的特征维度高达几十万，甚至是几百万，而单一用户在这几十万维度的特征中，平均只有几千维是有标记的，占总特征维度不到百分之一。用户高维特征中的稀疏特征容易导致维数灾难，增加模型训练的难度。

发明内容

为了解决上述背景技术部分提到的一个或多个技术问题，本申请实施例提供了高维特征的表示学习方法、装置、设备以及存储介质。

第一方面，本申请实施例提供了高维特征的表示学习方法，包括：获取基于用户数据确定的用户高维特征，所述用户高维特征包括用户行为特征和/或用户属性特征；根据所述用户高维特征中的稀疏特征的类别，确定用户稀疏特征向量；对所述用户高维特征中的连续向量特征进行拼接，得到用户连续特征向量；将所述用户稀疏特征向量和所述用户连续特征向量输入至预先训练完成的深度推荐模型，得到所述用户高维特征的用户表示学习向量；采用所述高维特征的用户表示学习向量，训练针对用户数据的机器学习模型。

第二方面，本申请实施例提供了高维特征的表示学习装置，包括：获取模块，被配置为获取基于用户数据确定的用户高维特征，所述用户高维特征包括用户行为特征和/或用户属性特征；稀疏特征向量确定模块，被配置根据所述用户高维特征中的稀疏特征的类别，确定用户稀疏特征向量；连续特征向量确定模块，被配置对所述用户高维特征中的连续向量特征进行拼接，得到用户连续特征向量；表示学习向量表征模块，被配置为将所述用户稀疏特征向量和所述用户连续特征向量输入至预先训练完成的深度推荐模型，得到所述用户高维特征的用户表示学习向量；机器学习模型训练模块，被配置为采用所述高维特征的用户表示学习向量，训练针对用户数据的机器学习模型。

第三方面，本申请实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。

本申请实施例提供的高维特征的表示学习方法、装置、设备以及存储介质，首先获取基于用户数据确定的用户高维特征，所述用户高维特征包括用户行为特征和/或用户属性特征；之后根据所述用户高维特征中的稀疏特征的类别，确定用户稀疏特征向量；而后对所述用户高维特征中的连续向量特征进行拼接，得到用户连续特征向量；然后对高维特征中的连续向量特征进行拼接，得到连续特征向量；再然后将所述用户稀疏特征向量和所述用户连续特征向量输入至预先训练完成的深度推荐模型，得到所述用户高维特征的用户表示学习向量；最后采用所述高维特征的用户表示学习向量，训练针对用户数据的机器学习模型，从而实现对高维特征的表示学习向量的学习，并大幅度减少高维特征信息的丢失，提升机器学习模型的分类效果。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。