[发明专利]基于小样本迁移学习的数据推送方法、装置及计算机设备

权利要求书

1.一种基于小样本迁移学习的数据推送方法，其特征在于，包括：

获取历史用户数据集，并提取所述历史用户数据集中每一条历史用户数据对应的初始信息因子集；

对每一条历史用户数据对应的初始信息因子集进行自动特征生成，得到与每一条历史用户数据对应的特征信息因子集；

获取当前用户数据集，将所述当前用户数据集与每一条历史用户数据对应的特征信息因子集组合得到当前训练集；

根据所述当前训练集进行模型训练，得到预测模型；

获取另一历史用户数据集，将所述另一历史用户数据集中各历史用户数据的信息因子集分别输入至所述预测模型进行预测运算，得到与所述另一历史用户数据集中各历史用户数据分别对应的预测结果；以及

获取满足预设条件的历史用户数据组成待推荐用户清单，将在本地所获取的待推荐信息发送至所述待推荐用户清单中各用户对应的目标接收端；

所述获取历史用户数据集，包括：

若检测到用户端上传的当前产品属性数据，在本地产品数据库中获取与所述当前产品属性数据的数据相似度超出预先设置的相似度阈值的目标产品属性数据，以组成目标产品属性数据集；

获取所述目标产品属性数据集中各目标产品属性数据分别对应的目标产品历史用户数据集，以组成历史用户数据集；

所述对每一条历史用户数据对应的初始信息因子集进行自动特征生成，得到与每一条历史用户数据对应的特征信息因子集，包括：

将每一条历史用户数据对应的初始信息因子集输入至全连接神经网络进行自动特征生成，得到与每一条历史用户数据对应的特征信息因子集；其中，所述全连接神经网络包括1个隐藏层；

其中，当前产品属性数据包括产品名称、产品类型和产品特征文本；

所述另一历史用户数据集为所述当前产品属性数据所对应近似产品相应的历史用户数据集；

所述将所述当前用户数据集与每一条历史用户数据对应的特征信息因子集组合得到当前训练集是将每一条历史用户数据对应的特征信息因子输入sigmoid函数激活得到的近似产品的模型输出t_m与所述当前用户数据集对应的前产品的模型输出t_s组成。

2.根据权利要求1所述的基于小样本迁移学习的数据推送方法，其特征在于，所述在本地产品数据库中获取与所述当前产品属性数据的数据相似度超出预先设置的相似度阈值的目标产品属性数据，以组成目标产品属性数据集，包括：

判断在本地产品数据库中是否存在有与当前产品属性数据的产品类型相同的初步筛选产品属性数据；

若在本地产品数据库中存在有与当前产品属性数据的产品类型相同的初步筛选产品属性数据，获取对应的初步筛选产品属性数据以组成初步筛选产品属性数据集；

获取初步筛选产品属性数据集中每一个初步筛选产品属性数据的产品特征文本，获取每一产品特征文本对应的产品语义向量；

获取所述当前产品属性数据的产品特征文本对应的当前产品语义向量，计算所述当前产品语义向量与每一产品特征文本对应的产品语义向量之间的欧氏距离作为数据相似度，获取与所述当前产品属性数据的数据相似度超出预先设置的相似度阈值的目标产品属性数据，以组成目标产品属性数据集。

3.根据权利要求1所述的基于小样本迁移学习的数据推送方法，其特征在于，所述获取当前用户数据集，将所述当前用户数据集与每一条历史用户数据对应的特征信息因子集组合得到当前训练集之后，还包括：

将所述当前训练集中每一历史用户数据对应的特征信息因子集进行保存。

4.根据权利要求3所述的基于小样本迁移学习的数据推送方法，其特征在于，所述将每一条历史用户数据对应的初始信息因子集输入至全连接神经网络进行自动特征生成，得到与每一条历史用户数据对应的特征信息因子集之后，还包括：

将所述全连接神经网络的网络结构和参数进行保存。

5.根据权利要求1所述的基于小样本迁移学习的数据推送方法，其特征在于，还包括：

若接收到目标接收端发送的确认用户信息，将从所述确认用户信息中提取的目标用户信息存储至本地的用户数据表。