[发明专利]人物特征的挖掘方法、装置、设备及存储介质

权利要求书

1.一种人物特征的挖掘方法，其特征在于，包括：

获取用户关于购物行为的多个动态特征与多个静态特征；

利用独热算法分别对多个所述动态特征与多个所述静态特征进行处理，分别得到动态离散值集合与静态离散值集合；

将所述动态离散值集合与所述静态离散值集合输入训练后的特征挖掘模型；其中，所述训练后的特征挖掘模型包括人工神经网络和分类算法单元；

通过所述训练后的特征挖掘模型的人工神经网络，从所述动态离散值集合中筛选出正动态离散值，得到正动态离散值集合；通过所述训练后特征挖掘模型中的分类算法单元，对所述正动态离散值集合进行分类预测，得到动态特征数值集合；其中，所述正动态离散值集合为所述动态离散值集合中与购物行为具有正关联性的动态离散值；

通过所述训练后特征挖掘模型中的分类算法单元，对所述静态离散值集合进行分类预测得到静态特征数值集合；

合并所述动态特征数值集合和所述静态特征数值集合得到人物特征数值集合。

2.如权利要求1所述的人物特征的挖掘方法，其特征在于，所述合并所述动态特征数值集合和所述静态特征数值集合得到人物特征数值集合，包括：

将所述动态特征数值集合和所述静态特征数值集合进行合并，得到特征数值合集；

所述特征数值合集中的元素进行同类合并，得到包括多个人物特征元素的人物特征数值集合。

3.如权利要求1所述的人物特征的挖掘方法，其特征在于，所述通过所述训练后的特征挖掘模型的人工神经网络，从所述动态离散值集合中筛选出正动态离散值，得到正动态离散值集合；通过所述训练后特征挖掘模型中的分类算法单元，对所述正动态离散值集合进行分类预测，得到动态特征数值集合，包括：

通过所述训练后的特征挖掘模型的人工神经网络，分辨出所述动态离散值集合中具有正关联性的动态离散值与具有负关联性的动态离散值，筛选出所述正动态离散值，得到正动态离散值集合；

将所述正动态离散值集合中的多个正动态离散值输入利用随机森林算法的分类算法单元，所述随机森林包括多个决策树；

所述决策树根据所述正动态离散值中不同元素的权重进行决策，每个决策树对应得到一个决策结果，多个所述决策树将对应的所述决策结果少数服从多数，筛选出最终决策结果作为正动态特征数值集合。

4.如权利要求1所述的人物特征的挖掘方法，其特征在于，所述通过所述训练后特征挖掘模型中的分类算法单元，对所述静态离散值集合进行分类预测得到静态特征数值集合，包括：

将所述静态离散值集合中的多个静态离散值输入利用随机森林算法的分类算法单元，所述随机森林包括多个决策树；

所述决策树根据所述静态离散值中不同元素的权重进行决策，每个决策树对应得到一个决策结果，多个所述决策树将对应的所述决策结果少数服从多数，筛选出最终决策结果作为静态特征数值集合。

5.如权利要求1所述的人物特征的挖掘方法，其特征在于，在将所述动态离散值集合与所述静态离散值集合输入训练后的特征挖掘模型的步骤之前，还包括：

获取往期离散化后的动态特征作为动态特征样本集，所述动态特征样本集包括正动态样本集和负动态样本集；所述正动态样本集为用户在往期的操作行为数据与历史购物记录具有关联性的动态特征样本所组成；所述负动态样本集为用户在往期的操作行为数据与历史购物记录不具有关联性的动态特征样本所组成；

将所述负动态样本集与所述正动态样本集输入所述特征挖掘模型中的人工神经网络进行正动态样本集与负动态样本集进行区分的预先的训练，并从动态特征样本集中筛选出正动态样本集；

通过预先的训练所述人工神经网络可对所述动态特征所对应的动态离散值进行识别，从而所述动态离散值集合中确定出正动态离散值集合。