特征补齐方法及装置、特征补齐模型、介质、设备及产品.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114936591A(43)申请公布日2022.08.23(21)申请号202210437199.9(22)申请日2022.04.24(71)申请人支付宝（杭州）信息技术有限公司地址310000浙江省杭州市西湖区西溪路556号8层B段801-11(72)发明人谢世明陈鸿吴军袁心如曾多元野沈僮(74)专利代理机构北京恒博知识产权代理有限公司11528专利代理师侯世俭(51)Int.Cl.G06K9/62(2022.01)G06N3/08(2006.01)G06N3/04(2006.01)权利要求书2页说明书14页附图5页(54)发明名称特征补齐方法及装置、特征补齐模型、介质、设备及产品(57)摘要本说明书实施例提供一种特征补齐方法、特征补齐装置、特征补齐模型、计算机可读存储介质、电子设备以及计算机程序产品，该方法包括本说明书示例性的实施例提供的方案基于训练后的机器学习模型，即基于对应于多个聚类中心的特征补齐模型实现。具体地，将关于同一用户的目标特征输入至训练后的特征补齐模型，经该特征补齐模型处理后输出与目标特征对应的隐向量，得到目标隐向量；其中，上述述目标特征中包含一个或多个待补齐元素。基于该特征补齐模型，在上述多个聚类中心中确定出上述目标隐向量对应的目标聚类中心。进一步地，根据目标聚类中心与目标隐向量之间距离，更新目标特征中的待补齐元素，最终得到补齐的目标特征。CN114936591ACN114936591A权利要求书1/2页1.一种特征补齐方法，其中，所述方法包括：将目标特征输入至训练后的特征补齐模型，经所述特征补齐模型处理后输出与所述目标特征对应的目标隐向量；其中，所述目标特征中包含一个或多个待补齐元素，所述目标特征所包含的多个元素用于反映属于同一用户的多个属性；基于所述特征补齐模型，确定所述目标隐向量对应的目标聚类中心；其中，所述特征补齐模型对应于多个聚类中心；根据所述目标聚类中心与所述目标隐向量之间距离，更新所述待补齐元素，以对所述目标特征进行特征补齐。2.根据权利要求1所述的方法，其中，所述基于所述特征补齐模型，确定所述目标隐向量对应的目标聚类中心，包括：基于所述特征补齐模型，获取所述目标隐向量与每个所述聚类中心之间的距离，并将距离的最小值所对应的聚类中心确定为所述目标聚类中心。3.根据权利要求1所述的方法，其中，所述根据所述目标聚类中心与所述目标隐向量之间距离，更新所述待补齐元素，以对所述目标特征进行特征补齐，包括：保持所述特征补齐模型的模型参数不变，以及保持所述目标特征中除所述一个或多个待补齐元素之外的其他元素不变，根据所述目标聚类中心与所述目标隐向量之间距离，通过对所述特征补齐模型进行梯度反向传播的方式更新所述待补齐元素，以对所述目标特征进行特征补齐。4.根据权利要求3所述的方法，其中，所述通过对所述特征补齐模型进行梯度反向传播的方式更新所述待补齐元素，以对所述目标特征进行特征补齐之后，所述方法还包括：将更新所述待补齐元素之后的特征作为所述目标特征，并再次执行所述将目标特征输入至训练后的特征补齐模型的步骤。5.根据权利要求1所述的方法，其中，在所述将目标特征输入至训练后的特征补齐模型之前，所述方法还包括：将所述目标特征中的所述待补齐元素的值设置为预设初始值。6.根据权利要求1至5中任意一项所述的方法，其中，在所述将目标特征输入至训练后的特征补齐模型之前，所述方法还包括：通过N组样本特征训练无监督神经网络模型，以优化所述特征补齐模型的模型参数以及确定多个聚类中心；其中，所述多个聚类中心为：关于N个中间隐向量的聚类中心，所述N个中间隐向量为所述N组样本特征经过所述无监督神经网络模型处理之后得到的；第i组样本特征对应于第i个用户，N为正整数，i取值为1至N且包含1和N的整数。7.根据权利要求6所述的方法，其中，所述通过N组样本特征训练无监督神经网络模型，包括：将所述N组样本特征输入所述无监督神经网络模型，所述无监督神经网络模型输出每组样本特征对应的中间隐向量，得到N个中间隐向量；在预先设置的k个隐向量中心中，确定出第i个中间隐向量所对应的聚类中心，得到所述N个中间隐向量对应的M个聚类中心，M为小于k且小于N的正整数；根据所述N个中间隐向量与所述M个聚类中心确定损失函数；2CN114936591A权利要求书2/2页基于所述损失函数优化所述无监督神经网络模型的模型参数以及所述无监督神经网络模型对应的聚类中心，得到所述特征补齐模型。8.根据权利要求7所述的方法，其中，所述根据所述N个中间隐向量与所述M个聚类中心确定损失函数，包括：根据所述第i个中间隐向量与所述第i中间隐向量对应的聚类中心之间的距离确定第一损失函数，根据所述M个聚类中心之间的距离确定第二损失函数