[发明专利]新物品挖掘方法和装置及存储介质

权利要求书

1.一种新物品挖掘方法，其特征在于，包括：

获取预设品类的多个物品属性组合；

利用物品多目标评估模型，对每个物品属性组合的多个预设目标进行评估，所述物品多目标评估模型是针对所述多个预设目标对所述预设品类的已有物品的历史数据进行学习得到的；

根据多个物品属性组合的多个预设目标的评估结果，确定优选物品属性组合；

根据所述优选物品属性组合，确定所述预设品类的新物品。

2.根据权利要求1所述的方法，其特征在于，所述获取预设品类的多个物品属性组合包括：

利用启发式搜索方法对预设品类的物品属性进行搜索得到预设品类的多个物品属性组合。

3.根据权利要求1所述的方法，其特征在于，所述物品多目标评估模型是基于多门控混合专家多目标学习模型、渐进式分层提取多目标学习模型或子网路由多目标学习模型，针对所述多个预设目标对所述预设品类的已有物品的历史数据进行学习得到的。

4.根据权利要求3所述的方法，其特征在于，在所述物品多目标评估模型是基于多门控混合专家多目标学习模型得到的情况下，所述物品多目标评估模型包括依次级联的输入层、多门控混合专家层、塔层和输出层，其中：

多门控混合专家层包括与输入层连接的多个称为专家的前馈神经网络、与输入层和多个专家连接的多个门控网络，每个门控网络包括一个与输入层连接的门控和一个加权求和计算器，每个门控网络中的加权求和计算器根据该门控网络中的门控提供的权重信息对各个专家的输出结果进行加权求和运算，每个门控网络对应一个预设目标；

塔层包括多个子塔层，每个子塔层是全连接神经网络、且连接一个门控网络；

输出层包括多个子输出层，每个子输出层是全连接神经网络、且连接一个子塔层。

5.根据权利要求4所述的方法，其特征在于，还包括：

在学习之前执行以下操作中的一项或多项：

用均匀分布初始化器对各个专家和各个门控的权重和偏差进行初始化；用正态分布初始化器对每个子塔层的全连接神经网络进行权重的初始化；用正态分布初始化器对每个子输出层的全连接神经网络进行权重的初始化。

6.根据权利要求1所述的方法，其特征在于，针对所述多个预设目标对所述预设品类的已有物品的历史数据进行学习得到所述物品多目标评估模型包括：

根据所述预设品类的已有物品的历史数据确定训练数据集，将训练数据集中的训练特征数据输入物品多目标评估模型，根据物品多目标评估模型输出的每个预设目标的预测值与训练数据集中的每个预设目标的真实值之间的差距信息确定多个预设目标的总损失，根据所述多个预设目标的总损失对所述物品多目标评估模型进行训练。

7.根据权利要求6所述的方法，其特征在于，针对所述多个预设目标对所述预设品类的已有物品的历史数据进行学习得到所述物品多目标评估模型包括：

根据所述预设品类的已有物品的历史数据确定验证数据集，所述物品多目标评估模型每训练完一个轮次，利用验证数据集对所述物品多目标评估模型进行验证，根据验证结果利用预设的评价函数对训练效果进行评价。

8.根据权利要求7所述的方法，其特征在于，针对所述多个预设目标对所述预设品类的已有物品的历史数据进行学习得到所述物品多目标评估模型包括：

根据所述预设品类的已有物品的历史数据确定测试数据集，利用测试数据集对所述物品多目标评估模型进行测试，将测试通过的所述物品多目标评估模型用于新物品挖掘。

9.根据权利要求1所述的方法，其特征在于，根据多个物品属性组合的多个预设目标的评估结果，确定优选物品属性组合包括：

根据每个物品属性组合的每个预设目标的评估值，计算每个物品属性组合的多个预设目标的综合评估值；

根据每个物品属性组合的综合评估值，从多个物品属性组合中确定出优选物品属性组合。