点击预测模型训练方法及装置转让专利
申请号 : CN202310834666.6
文献号 : CN116562357B
文献日 : 2023-11-10
发明人 : 董辉
申请人 : 深圳须弥云图空间科技有限公司
摘要 :
本申请涉及机器学习技术领域，提供了一种点击预测模型训练方法及装置。该方法包括：构建特征处理网络和特征融合网络；获取多个特征交叉网络，利用特征处理网络、多个特征交叉网络以及特征融合网络构建点击预测模型；获取训练样本，将训练样本输入点击预测模型：通过特征处理网络处理训练样本，得到多个特征向量，通过每个特征交叉网络处理多个特征向量，得到该特征交叉网络对应的交互向量，通过特征融合网络处理多个交互向量，得到预测结果；根据训练样本的标签和预测结果训练点击预测模型。采用上述技术手段，解决现有技术中，点击预测模型因为模型本身结构对特征交互较少，导致预测准确率低的问题。
权利要求 :
1.一种点击预测方法，其特征在于，包括：
对目标用户的历史购物信息中的多个特征进行分类，得到多个离散特征和多个连续特征；
对每个离散特征进行独热编码，得到该离散特征对应的特征向量；
利用哈希算法对每个连续特征进行处理，得到该连续特征的离散值，对每个连续特征的离散值进行所述独热编码，得到该连续特征对应的特征向量；
将所述独热编码处理得到的多个特征向量放入向量集合中，将向量集合中任意两个向量作为一组向量，得到多组向量，对多组向量进行第一轮的特征交叉处理，得到每组向量对应的交互向量；
在第一轮的特征交叉处理后，将第一轮的特征交叉处理过程中使用过的向量从向量集合中删除，将经过第一轮的特征交叉处理过程中得到的多个交互向量放入向量集合；
继续将向量集合中任意两个向量作为一组向量，得到多组向量，对多组向量进行第二轮的特征交叉处理，得到每组向量对应的交互向量；
在第二轮的特征交叉处理后，将第二轮的特征交叉处理过程中使用过的向量从向量集合中删除，将经过第二轮的特征交叉处理过程中得到的多个交互向量放入向量集合；
以此类推，经过多轮所述特征交叉处理，直至所述向量集合中的向量的数量少于预设值，停止所述特征交叉处理；
将所述向量集合最终剩余的多个向量进行特征拼接处理，得到融合特征；
将所述融合特征输入决策树，输出关于所述目标用户的预测结果，其中，基于损失函数计算训练样本的标签和预测结果之间的损失值，根据损失值更新决策树的参数。
2.一种点击预测装置，其特征在于，包括：
训练模块，被配置为：
对目标用户的历史购物信息中的多个特征进行分类，得到多个离散特征和多个连续特征；
对每个离散特征进行独热编码，得到该离散特征对应的特征向量；
利用哈希算法对每个连续特征进行处理，得到该连续特征的离散值，对每个连续特征的离散值进行所述独热编码，得到该连续特征对应的特征向量；
将所述独热编码处理得到的多个特征向量放入向量集合中，将向量集合中任意两个向量作为一组向量，得到多组向量，对多组向量进行第一轮的特征交叉处理，得到每组向量对应的交互向量；
在第一轮的特征交叉处理后，将第一轮的特征交叉处理过程中使用过的向量从向量集合中删除，将经过第一轮的特征交叉处理过程中得到的多个交互向量放入向量集合；
继续将向量集合中任意两个向量作为一组向量，得到多组向量，对多组向量进行第二轮的特征交叉处理，得到每组向量对应的交互向量；
在第二轮的特征交叉处理后，将第二轮的特征交叉处理过程中使用过的向量从向量集合中删除，将经过第二轮的特征交叉处理过程中得到的多个交互向量放入向量集合；
以此类推，经过多轮所述特征交叉处理，直至所述向量集合中的向量的数量少于预设值，停止所述特征交叉处理；
将所述向量集合最终剩余的多个向量进行特征拼接处理，得到融合特征；
将所述融合特征输入决策树，输出关于所述目标用户的预测结果，其中，基于损失函数计算训练样本的标签和预测结果之间的损失值，根据损失值更新决策树的参数。
3.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1中所述方法的步骤。
4.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1中所述方法的步骤。
说明书 :
点击预测模型训练方法及装置
技术领域
[0001] 本申请涉及机器学习技术领域，尤其涉及一种点击预测模型训练方法及装置。
背景技术
[0002] 推荐系统在当今生活扮演着不可或缺的作用，无论是网络购物，新闻阅读，还是视频观看等，都有其身影。用户点击预测(Click Through Rate，CTR)是推荐系统中的关键任务，它可以估计用户点击一个目标的概率，用于执行CTR任务的称之为CTR预测模型或者点击预测模型。然而目前常用的点击预测模型因为模型本身结构对特征交互较少，导致预测准确率低。
发明内容
[0003] 有鉴于此，本申请实施例提供了一种点击预测模型训练方法、装置、电子设备及计算机可读存储介质，以解决现有技术中，点击预测模型因为模型本身结构对特征交互较少，导致预测准确率低。
[0004] 本申请实施例的第一方面，提供了一种点击预测模型训练方法，包括：构建特征处理网络和特征融合网络；获取多个特征交叉网络，利用特征处理网络、多个特征交叉网络以及特征融合网络构建点击预测模型；获取训练样本，将训练样本输入点击预测模型：通过特征处理网络处理训练样本，得到多个特征向量，通过每个特征交叉网络处理多个特征向量，得到该特征交叉网络对应的交互向量，通过特征融合网络处理多个交互向量，得到预测结果；根据训练样本的标签和预测结果训练点击预测模型。
[0005] 本申请实施例的第二方面，提供了一种点击预测模型训练装置，包括：第一构建模块，被配置为构建特征处理网络和特征融合网络；第二构建模块，被配置为获取多个特征交叉网络，利用特征处理网络、多个特征交叉网络以及特征融合网络构建点击预测模型；获取模块，被配置为获取训练样本，将训练样本输入点击预测模型：通过特征处理网络处理训练样本，得到多个特征向量，通过每个特征交叉网络处理多个特征向量，得到该特征交叉网络对应的交互向量，通过特征融合网络处理多个交互向量，得到预测结果；训练模块，被配置为根据训练样本的标签和预测结果训练点击预测模型。
[0006] 本申请实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0007] 本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0008] 本申请实施例与现有技术相比存在的有益效果是：因为本申请实施例通过构建特征处理网络和特征融合网络；获取多个特征交叉网络，利用特征处理网络、多个特征交叉网络以及特征融合网络构建点击预测模型；获取训练样本，将训练样本输入点击预测模型：通过特征处理网络处理训练样本，得到多个特征向量，通过每个特征交叉网络处理多个特征向量，得到该特征交叉网络对应的交互向量，通过特征融合网络处理多个交互向量，得到预测结果；根据训练样本的标签和预测结果训练点击预测模型，因此，采用上述技术手段，可以解决现有技术中，点击预测模型因为模型本身结构对特征交互较少，导致预测准确率低的问题，进而提高点击预测的准确率。
附图说明
[0009] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0010] 图1是本申请实施例提供的一种点击预测模型训练方法的流程示意图；
[0011] 图2是本申请实施例提供的一种基于决策树的点击预测方法的流程示意图；
[0012] 图3是本申请实施例提供的一种点击预测模型训练装置的结构示意图；
[0013] 图4是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0014] 以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0015] 图1是本申请实施例提供的一种点击预测模型训练方法的流程示意图。图1的点击预测模型训练方法可以由计算机或服务器，或者计算机或服务器上的软件执行。如图1所示，该点击预测模型训练方法包括：
[0016] S101，构建特征处理网络和特征融合网络；
[0017] S102，获取多个特征交叉网络，利用特征处理网络、多个特征交叉网络以及特征融合网络构建点击预测模型；
[0018] S103，获取训练样本，将训练样本输入点击预测模型：通过特征处理网络处理训练样本，得到多个特征向量，通过每个特征交叉网络处理多个特征向量，得到该特征交叉网络对应的交互向量，通过特征融合网络处理多个交互向量，得到预测结果；
[0019] S104，根据训练样本的标签和预测结果训练点击预测模型。
[0020] 本申请实施例可以理解为构建一个CTR预测模型，具体地：构建特征处理网络；利用特征拼接层后接深度神经网络构建特征融合网络；多个特征交叉网络，包括：逻辑回归网络、深度神经网络、因子分解机、双向交叉网络和多头自注意网络；依次连接特征处理网络、多个特征交叉网络以及特征融合网络，构建点击预测模型，其中，多个特征交叉网络之间是并行的。
[0021] 逻辑回归网络是logistic regression网络，深度神经网络是Deep Neural Networks网络，简称DNN模型，因子分解机是Factorization Machine网络，简称FM模型，双向交叉网络是Bi‑Interaction网络。
[0022] 基于点击预测模型的结构对点击预测模型进行相应的训练，具体地：将训练样本输入点击预测模型，在点击预测模型内部：通过特征处理网络处理训练样本，得到多个特征向量，通过每个特征交叉网络处理多个特征向量，得到该特征交叉网络对应的交互向量，通过特征融合网络处理多个交互向量，得到预测结果；基于损失函数计算训练样本的标签和预测结果之间的损失值，根据损失值更新点击预测模型的模型参数。损失函数可以是平方损失函数、绝对值损失函数、Huber损失函数和均方根误差函数等。
[0023] 本申请实施例中训练得到的点击预测模型可以用于网络购物、新闻阅读以及视频观看等场景中预测用户喜欢的目标，将预测的目标推荐给用户。如在网络购物场景中是预测推荐给用户的商品；如在新闻阅读场景中是预测推荐给用户的文本；如在视频观看场景中是预测推荐给用户的视频。
[0024] 现有的点击预测模型只有一个特征交叉网络，所以特征交互比较少，所以训练得到的点击预测模型准确率低，本申请实施例构建的点击预测模型采用了多种特征交叉网络，实现了对特征向量的多种交叉，所以可以提高点击预测模型的准确率。
[0025] 根据本申请实施例提供的技术方案，构建特征处理网络和特征融合网络；获取多个特征交叉网络，利用特征处理网络、多个特征交叉网络以及特征融合网络构建点击预测模型；获取训练样本，将训练样本输入点击预测模型：通过特征处理网络处理训练样本，得到多个特征向量，通过每个特征交叉网络处理多个特征向量，得到该特征交叉网络对应的交互向量，通过特征融合网络处理多个交互向量，得到预测结果；根据训练样本的标签和预测结果训练点击预测模型，因此，采用上述技术手段，可以解决现有技术中，点击预测模型因为模型本身结构对特征交互较少，导致预测准确率低的问题，进而提高点击预测的准确率。
[0026] 通过特征处理网络处理训练样本，得到多个特征向量，包括：对训练样本中的多个特征进行分类，得到多个离散特征和多个连续特征；对每个离散特征进行独热编码，得到该离散特征对应的特征向量；利用哈希算法对每个连续特征进行处理，得到该连续特征的离散值，对每个连续特征的离散值进行独热编码，得到该连续特征对应的特征向量。
[0027] 本申请实施例是从算法侧描述特征处理网络的结构的，相应于本申请实施例的算法，特征处理网络内部，包括：分类网络、独热编码网络和哈希算法网络，算法和网络的对应是显而易见地，所以不再赘述。
[0028] 需要说明的是，分类网络可以是嵌入层连接softmax层得到的，对训练样本中的多个特征进行分类，可以是特征经过嵌入层，得到该特征的特征向量；特征向量经过softmax层，得到该特征的是离散特征还是连续特征的分类结果。
[0029] 以网络购物场景为例：训练样本是一个用户的历史购物信息（需要说明的是，具有多个训练样本，为了便于理解，以一个训练样本为例进行说明）；训练样本中的离散特征可以是该用户购买过的物品的标识号、该用户的性别和位置等；训练样本中的连续特征可以是该用户购买过的物品的价格、该用户的年龄和薪资等；独热编码是one‑hot编码；利用哈希算法对每个连续特征进行处理，可以是利用哈希分桶对每个连续特征进行处理（哈希分桶的作用是将连续值变为离散值）。
[0030] 通过特征融合网络处理多个交互向量，得到预测结果，包括：通过特征融合网络中的特征拼接层处理多个交互向量，得到融合特征；通过特征融合网络中的深度神经网络处理融合特征，得到预测结果。
[0031] 在一个可选实施例中，将目标用户的历史购物信息输入训练后的点击预测模型：通过特征处理网络处理历史购物信息，得到多个特征向量，通过每个特征交叉网络处理多个特征向量，得到该特征交叉网络对应的交互向量，通过特征融合网络处理多个交互向量，得到关于目标用户的预测结果；向目标用户推荐预测结果。
[0032] 图2是本申请实施例提供的一种基于决策树的点击预测方法的流程示意图；如图2所示，包括：
[0033] S201，对目标用户的历史数据中的多个特征进行分类，得到多个离散特征和多个连续特征；
[0034] S202，对每个离散特征进行独热编码，得到该离散特征对应的特征向量；
[0035] S203，利用哈希算法对每个连续特征进行处理，得到该连续特征的离散值，对每个连续特征的离散值进行独热编码，得到该连续特征对应的特征向量；
[0036] S204，将独热编码处理得到的多个特征向量放入向量集合中，对向量集合中的任意两个向量进行特征交叉处理，得到多个交互向量；
[0037] S205，将特征交叉处理使用过的向量从向量集合中删除，将经过特征交叉处理得到的多个交互向量放入向量集合，经过多轮特征交叉处理，直至向量集合中的向量的数量少于预设值，停止特征交叉处理；
[0038] S206，将向量集合最终剩余的多个向量进行特征拼接处理，得到融合特征；
[0039] S207，将融合特征输入决策树，输出关于目标用户的预测结果。
[0040] 本申请实施例提供了一种算法加决策树的方式，以替代点击预测模型，具体地：将独热编码处理得到的所有特征向量放入向量集合中，从向量集合中任意两个向量作为一组向量，得到的多组向量，对多组向量进行第一轮的特征交叉处理，得到每组向量对应的交互向量；在第一轮的特征交叉处理后，将第一轮的特征交叉处理使用过的向量从向量集合中删除，将经过第一轮的特征交叉处理得到的多个交互向量放入向量集合；继续从向量集合中任意两个向量作为一组向量，得到的多组向量，对多组向量进行第二轮的特征交叉处理……经过多轮特征交叉处理，直至向量集合中的向量的数量少于预设值，停止特征交叉处理；将向量集合最终剩余的多个向量进行特征拼接处理，得到融合特征；将融合特征输入决策树，输出关于目标用户的预测结果。
[0041] 根据本申请实施例提供的技术方案，对目标用户的历史数据中的多个特征进行分类，得到多个离散特征和多个连续特征；对每个离散特征进行独热编码，得到该离散特征对应的特征向量；利用哈希算法对每个连续特征进行处理，得到该连续特征的离散值，对每个连续特征的离散值进行独热编码，得到该连续特征对应的特征向量；将独热编码处理得到的多个特征向量放入向量集合中，对向量集合中的任意两个向量进行特征交叉处理，得到多个交互向量；将特征交叉处理使用过的向量从向量集合中删除，将经过特征交叉处理得到的多个交互向量放入向量集合，经过多轮特征交叉处理，直至向量集合中的向量的数量少于预设值，停止特征交叉处理；将向量集合最终剩余的多个向量进行特征拼接处理，得到融合特征；将融合特征输入决策树，输出关于目标用户的预测结果，因此，采用上述技术手段，可以解决现有技术中，点击预测中特征交互较少，导致预测准确率低的问题，进而提高点击预测的准确率。
[0042] 在一个可选实施例中，对训练样本中的多个特征进行分类，得到多个离散特征和多个连续特征；对每个离散特征进行独热编码，得到该离散特征对应的特征向量；利用哈希算法对每个连续特征进行处理，得到该连续特征的离散值，对每个连续特征的离散值进行独热编码，得到该连续特征对应的特征向量；将独热编码处理得到的多个特征向量放入向量集合中，对向量集合中的任意两个向量进行特征交叉处理，得到多个交互向量；将特征交叉处理使用过的向量从向量集合中删除，将经过特征交叉处理得到的多个交互向量放入向量集合，经过多轮特征交叉处理，直至向量集合中的向量的数量少于预设值，停止特征交叉处理；将向量集合最终剩余的多个向量进行特征拼接处理，得到融合特征；将融合特征输入决策树，输出关于目标用户的预测结果；基于损失函数计算训练样本的标签和预测结果之间的损失值，根据损失值更新决策树的参数，其中，决策树可以是任意常用的决策树，损失函数可以是决策树任意常用的损失函数，不再具体说明。
[0043] 上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
[0044] 下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
[0045] 图3是本申请实施例提供的一种点击预测模型训练装置的示意图。如图3所示，该点击预测模型训练装置包括：
[0046] 第一构建模块301，被配置为构建特征处理网络和特征融合网络；
[0047] 第二构建模块302，被配置为获取多个特征交叉网络，利用特征处理网络、多个特征交叉网络以及特征融合网络构建点击预测模型；
[0048] 获取模块303，被配置为获取训练样本，将训练样本输入点击预测模型：通过特征处理网络处理训练样本，得到多个特征向量，通过每个特征交叉网络处理多个特征向量，得到该特征交叉网络对应的交互向量，通过特征融合网络处理多个交互向量，得到预测结果；
[0049] 训练模块304，被配置为根据训练样本的标签和预测结果训练点击预测模型。
[0050] 本申请实施例可以理解为构建一个CTR预测模型，具体地：构建特征处理网络；利用特征拼接层后接深度神经网络构建特征融合网络；多个特征交叉网络，包括：逻辑回归网络、深度神经网络、因子分解机、双向交叉网络和多头自注意网络；依次连接特征处理网络、多个特征交叉网络以及特征融合网络，构建点击预测模型，其中，多个特征交叉网络之间是并行的。
[0051] 逻辑回归网络是logistic regression网络，深度神经网络是Deep Neural Networks网络，简称DNN模型，因子分解机是Factorization Machine网络，简称FM模型，双向交叉网络是Bi‑Interaction网络。
[0052] 基于点击预测模型的结构对点击预测模型进行相应的训练，具体地：将训练样本输入点击预测模型，在点击预测模型内部：通过特征处理网络处理训练样本，得到多个特征向量，通过每个特征交叉网络处理多个特征向量，得到该特征交叉网络对应的交互向量，通过特征融合网络处理多个交互向量，得到预测结果；基于损失函数计算训练样本的标签和预测结果之间的损失值，根据损失值更新点击预测模型的模型参数。损失函数可以是平方损失函数、绝对值损失函数、Huber损失函数和均方根误差函数等。
[0053] 本申请实施例中训练得到的点击预测模型可以用于网络购物、新闻阅读以及视频观看等场景中预测用户喜欢的目标，将预测的目标推荐给用户。如在网络购物场景中是预测推荐给用户的商品；如在新闻阅读场景中是预测推荐给用户的文本；如在视频观看场景中是预测推荐给用户的视频。
[0054] 现有的点击预测模型只有一个特征交叉网络，所以特征交互比较少，所以训练得到的点击预测模型准确率低，本申请实施例构建的点击预测模型采用了多种特征交叉网络，实现了对特征向量的多种交叉，所以可以提高点击预测模型的准确率。
[0055] 根据本申请实施例提供的技术方案，构建特征处理网络和特征融合网络；获取多个特征交叉网络，利用特征处理网络、多个特征交叉网络以及特征融合网络构建点击预测模型；获取训练样本，将训练样本输入点击预测模型：通过特征处理网络处理训练样本，得到多个特征向量，通过每个特征交叉网络处理多个特征向量，得到该特征交叉网络对应的交互向量，通过特征融合网络处理多个交互向量，得到预测结果；根据训练样本的标签和预测结果训练点击预测模型，因此，采用上述技术手段，可以解决现有技术中，点击预测模型因为模型本身结构对特征交互较少，导致预测准确率低的问题，进而提高点击预测的准确率。
[0056] 可选地，获取模块303还被配置为对训练样本中的多个特征进行分类，得到多个离散特征和多个连续特征；对每个离散特征进行独热编码，得到该离散特征对应的特征向量；利用哈希算法对每个连续特征进行处理，得到该连续特征的离散值，对每个连续特征的离散值进行独热编码，得到该连续特征对应的特征向量。
[0057] 本申请实施例是从算法侧描述特征处理网络的结构的，相应于本申请实施例的算法，特征处理网络内部，包括：分类网络、独热编码网络和哈希算法网络，算法和网络的对应是显而易见地，所以不再赘述。
[0058] 需要说明的是，分类网络可以是嵌入层连接softmax层得到的，对训练样本中的多个特征进行分类，可以是特征经过嵌入层，得到该特征的特征向量；特征向量经过softmax层，得到该特征的是离散特征还是连续特征的分类结果。
[0059] 以网络购物场景为例：训练样本是一个用户的历史购物信息（需要说明的是，具有多个训练样本，为了便于理解，以一个训练样本为例进行说明）；训练样本中的离散特征可以是该用户购买过的物品的标识号、该用户的性别和位置等；训练样本中的连续特征可以是该用户购买过的物品的价格、该用户的年龄和薪资等；独热编码是one‑hot编码；利用哈希算法对每个连续特征进行处理，可以是利用哈希分桶对每个连续特征进行处理（哈希分桶的作用是将连续值变为离散值）。
[0060] 可选地，获取模块303还被配置为通过特征融合网络中的特征拼接层处理多个交互向量，得到融合特征；通过特征融合网络中的深度神经网络处理融合特征，得到预测结果。
[0061] 可选地，训练模块304还被配置为将目标用户的历史购物信息输入训练后的点击预测模型：通过特征处理网络处理历史购物信息，得到多个特征向量，通过每个特征交叉网络处理多个特征向量，得到该特征交叉网络对应的交互向量，通过特征融合网络处理多个交互向量，得到关于目标用户的预测结果；向目标用户推荐预测结果。
[0062] 可选地，训练模块304还被配置为对目标用户的历史数据中的多个特征进行分类，得到多个离散特征和多个连续特征；对每个离散特征进行独热编码，得到该离散特征对应的特征向量；利用哈希算法对每个连续特征进行处理，得到该连续特征的离散值，对每个连续特征的离散值进行独热编码，得到该连续特征对应的特征向量；将独热编码处理得到的多个特征向量放入向量集合中，对向量集合中的任意两个向量进行特征交叉处理，得到多个交互向量；将特征交叉处理使用过的向量从向量集合中删除，将经过特征交叉处理得到的多个交互向量放入向量集合，经过多轮特征交叉处理，直至向量集合中的向量的数量少于预设值，停止特征交叉处理；将向量集合最终剩余的多个向量进行特征拼接处理，得到融合特征；将融合特征输入决策树，输出关于目标用户的预测结果。
[0063] 本申请实施例提供了一种算法加决策树的方式，以替代点击预测模型，具体地：将独热编码处理得到的所有特征向量放入向量集合中，从向量集合中任意两个向量作为一组向量，得到的多组向量，对多组向量进行第一轮的特征交叉处理，得到每组向量对应的交互向量；在第一轮的特征交叉处理后，将第一轮的特征交叉处理使用过的向量从向量集合中删除，将经过第一轮的特征交叉处理得到的多个交互向量放入向量集合；继续从向量集合中任意两个向量作为一组向量，得到的多组向量，对多组向量进行第二轮的特征交叉处理……经过多轮特征交叉处理，直至向量集合中的向量的数量少于预设值，停止特征交叉处理；将向量集合最终剩余的多个向量进行特征拼接处理，得到融合特征；将融合特征输入决策树，输出关于目标用户的预测结果。
[0064] 可选地，训练模块304还被配置为对训练样本中的多个特征进行分类，得到多个离散特征和多个连续特征；对每个离散特征进行独热编码，得到该离散特征对应的特征向量；利用哈希算法对每个连续特征进行处理，得到该连续特征的离散值，对每个连续特征的离散值进行独热编码，得到该连续特征对应的特征向量；将独热编码处理得到的多个特征向量放入向量集合中，对向量集合中的任意两个向量进行特征交叉处理，得到多个交互向量；
将特征交叉处理使用过的向量从向量集合中删除，将经过特征交叉处理得到的多个交互向量放入向量集合，经过多轮特征交叉处理，直至向量集合中的向量的数量少于预设值，停止特征交叉处理；将向量集合最终剩余的多个向量进行特征拼接处理，得到融合特征；将融合特征输入决策树，输出关于目标用户的预测结果；基于损失函数计算训练样本的标签和预测结果之间的损失值，根据损失值更新决策树的参数，其中，决策树可以是任意常用的决策树，损失函数可以是决策树任意常用的损失函数，不再具体说明。
将特征交叉处理使用过的向量从向量集合中删除，将经过特征交叉处理得到的多个交互向量放入向量集合，经过多轮特征交叉处理，直至向量集合中的向量的数量少于预设值，停止特征交叉处理；将向量集合最终剩余的多个向量进行特征拼接处理，得到融合特征；将融合特征输入决策树，输出关于目标用户的预测结果；基于损失函数计算训练样本的标签和预测结果之间的损失值，根据损失值更新决策树的参数，其中，决策树可以是任意常用的决策树，损失函数可以是决策树任意常用的损失函数，不再具体说明。
[0065] 应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
[0066] 图4是本申请实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
[0067] 电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者不同的部件。
[0068] 处理器401可以是中央处理单元（Central Processing Unit，CPU），也可以是其它通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application SpecificIntegrated Circuit，ASIC）、现场可编程门阵列（Field‑Programmable Gate Array，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
[0069] 存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。
[0070] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0071] 集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read‑Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0072] 以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。