[发明专利]融合神经图协同滤波网络的数据预测方法、装置及设备

权利要求书

1.一种融合神经图协同滤波网络的数据预测方法，其特征在于，包括：

若检测到模型训练启动指令，获取已存储的输入特征集；

通过所述输入特征集对待训练DeepMCP网络进行训练，得到融合神经图协同滤波网络的DeepMCP网络；

若检测到预测指令，接收用户端上传的待预测输入特征和待预测任务类型；

若确定所述待预测任务类型为点击率预估任务，将所述待预测输入特征作为待预测第一输入特征输入至DeepMCP网络中的预测子网络进行运算，得到点击率预测结果；以及

若确定所述待预测任务类型为课程与用户兴趣相关度预估任务，由所述待预测输入特征中根据预设的筛选策略得到的部分特征组成待预测第二输入特征输入至DeepMCP网络中的匹配子网络进行运算，得到课程与用户兴趣相关度预测结果。

2.根据权利要求1所述的融合神经图协同滤波网络的数据预测方法，其特征在于，所述通过所述输入特征集对待训练DeepMCP网络进行训练，得到融合神经图协同滤波网络的DeepMCP网络，包括：

获取所述输入特征集中包括的多个输入特征；其中，每一输入特征包括用户特征、查询特征、课程特征、时间特征；

由各输入特征作为第一输入特征输入至待训练DeepMCP网络的待训练预测子网络进行训练得到预测子网络；

由各输入特征的用户特征、查询特征、课程特征组成对应的第二输入特征输入至待训练DeepMCP网络的待训练匹配子网络进行训练得到匹配子网络；其中，所述匹配子网络为神经图协同滤波网络；

由各输入特征中课程特征包括的课程序列特征作为第三输入特征输入至待训练DeepMCP网络的待训练关联子网络进行训练得到关联子网络；

由预测子网络、匹配子网络和关联子网络融合得到融合神经图协同滤波网络的DeepMCP网络。

3.根据权利要求2所述的融合神经图协同滤波网络的数据预测方法，其特征在于，所述由各输入特征作为第一输入特征输入至待训练DeepMCP网络的待训练预测子网络进行训练得到预测子网络，包括：

获取待训练DNN-pCTR网络作为待训练预测子网络；

将第i号第一输入特征包括的四组特征分别输入至嵌入网络进行运算后拼接，得到与第i号第一输入特征对应的第i号Embedding向量；其中，i的初始值为1，且i的取值范围是[1,N],N表示输入特征集中所包括输入特征的总个数；

将第i号Embedding向量输入至待训练预测子网络进行运算，得到与第i号第一输入特征对应的第i号第一预测结果；

获取与第i号第一预测结果对应的第i号损失函数值，并获取待训练预测子网络的第i号模型参数集，根据第i号损失函数值对待训练预测子网络的第i号模型参数集进行调整，得到第i号调整后模型参数集；

将i自增1更新i的取值；

若确定i的取值未超出N，返回执行所述将第i号第一输入特征包括的四组特征分别输入至嵌入网络进行运算后拼接，得到与第i号第一输入特征对应的第i号Embedding向量的步骤；

若确定i的取值超出N，停止模型训练，获取第N号调整后模型参数集作为待训练DNN-pCTR网络的模型参数集。