基于深度学习的在线评价系统模型提取方法及装置

技术特征：
1.一种基于深度学习的在线评价系统模型提取方法，其特征在于，包括以下步骤：基于在线评价系统数据集中的用户打分和服务得分数据，构建关于用户-服务的有向加权二分图，并根据所述有向加权二分图的特征进行图缩减，且将缩减后的图嵌入到矩阵中，生成预处理后的数据；基于深度学习框架构建替代模型，其中，所述替代模型以服务得到的用户打分序列为输入，输出服务得分的预测值；以及利用所述预处理后的数据，并以预设的不同超参数对所述替代模型进行模型训练，生成全局最优的替代模型。2.根据权利要求1所述的方法，其特征在于，所述基于在线评价系统数据集中的用户打分和服务得分数据，构建关于用户-服务的有向加权二分图，包括：根据所述用户打分和服务得分数据将用户和服务分别抽象成图中的多个结点，且将服务得分抽象为对应结点的属性，及将用户对服务的打分抽象为图中的多条边，打分的分值抽象为对应边的权重，生成所述有向加权二分图。3.根据权利要求1所述的方法，其特征在于，所述根据所述有向加权二分图的特征进行图缩减，包括：根据所述有向加权二分图的用户和服务结点的度分布，从所述有向加权二分图中选取大于预设度的用户结点和服务结点，生成有向加权二分子图。4.根据权利要求1所述的方法，其特征在于，所述以预设的不同超参数对所述替代模型进行模型训练，生成全局最优的替代模型，包括：选择不同的优化算法和模型结构构成多组超参数；对所述多组超参数的每组超参数进行模型训练，其中，在模型训练过程中，每隔预设轮数的迭代进行一次模型测试，以检测模型的性能与收敛情况，评估不同超参数下模型的表现；根据模型收敛速度及提取精度指标选出最优超参数组合，并基于所述最优超参数组合对应的模型为所述全局最优的替代模型。5.根据权利要求1-4任一项所述的方法，其特征在于，所述替代模型为：其中，为替代模型，f为在线评价系统的服务得分算法模型，r
ij
表示为第j位用户对第i个服务的打分值。6.一种基于深度学习的在线评价系统模型提取装置，其特征在于，包括：生成模块，用于基于在线评价系统数据集中的用户打分和服务得分数据，构建关于用户-服务的有向加权二分图，并根据所述有向加权二分图的特征进行图缩减，且将缩减后的图嵌入到矩阵中，生成预处理后的数据；构建模块，用于基于深度学习框架构建替代模型，其中，所述替代模型以服务得到的用户打分序列为输入，输出服务得分的预测值；以及提取模块，用于利用所述预处理后的数据，并以预设的不同超参数对所述替代模型进行模型训练，生成全局最优的替代模型。7.根据权利要求6所述的装置，其特征在于，所述生成模块进一步用于根据所述用户打
分和服务得分数据将用户和服务分别抽象成图中的多个结点，且将服务得分抽象为对应结点的属性，及将用户对服务的打分抽象为图中的多条边，打分的分值抽象为对应边的权重，生成所述有向加权二分图，并根据所述有向加权二分图的用户和服务结点的度分布，从所述有向加权二分图中选取大于预设度的用户结点和服务结点，生成有向加权二分子图。8.根据权利要求6所述的装置，其特征在于，所述提取模块包括：选择单元，用于选择不同的优化算法和模型结构构成多组超参数；训练单元，用于对所述多组超参数的每组超参数进行模型训练，其中，在模型训练过程中，每隔预设轮数的迭代进行一次模型测试，以检测模型的性能与收敛情况，评估不同超参数下模型的表现；获取单元，用于根据模型收敛速度及提取精度指标选出最优超参数组合，并基于所述最优超参数组合对应的模型为所述全局最优的替代模型。9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-5任一项所述的基于深度学习的在线评价系统模型提取方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-5任一项所述的基于深度学习的在线评价系统模型提取方法。

技术总结
本申请公开了一种基于深度学习的在线评价系统模型提取方法及装置，其中，方法包括：基于在线评价系统数据集中的用户打分和服务得分数据，构建关于用户-服务的有向加权二分图，并进行图缩减，将缩减后的图嵌入到矩阵中，生成预处理后的数据，基于深度学习框架构建替代模型，进而利用预处理后的数据，并以预设的不同超参数对替代模型进行模型训练，生成全局最优的替代模型。由此，本申请实施例可以在保护商业机密和算法安全性的前提下，实现在线评价系统模型提取，可适用于数据给定情况下的模型提取，实用性更强。实用性更强。实用性更强。


技术研发人员：毛剑 刘力沛 罗喜伶 林其箫
受保护的技术使用者：北京航空航天大学杭州创新研究院
技术研发日：2022.04.21
技术公布日：2022/8/22