本發(fā)明公開了一種參數(shù)尋優(yōu)方法，在計算設(shè)備中執(zhí)行，包括：從所有參數(shù)組中選取第一數(shù)量個參數(shù)組作為候選參數(shù)組，其他未被選中的參數(shù)組記為剩余參數(shù)組；分別確定各候選參數(shù)組的評估值；在未達到預(yù)設(shè)的終止條件時，循環(huán)執(zhí)行以下步驟：對于每一個剩余參數(shù)組：分別計算該剩余參數(shù)組與每一個候選參數(shù)組之間的相似度；根據(jù)該剩余參數(shù)組與每一個候選參數(shù)組的相似度以及各候選參數(shù)組的評估值來確定該剩余參數(shù)組的預(yù)測評估值；將預(yù)測評估值最大的第二數(shù)量個剩余參數(shù)組作為候選參數(shù)組，加入候選參數(shù)組空間；分別確定新加入的第二數(shù)量個候選參數(shù)組的評估值。最后，將候選參數(shù)組空間中評估值最大的候選參數(shù)組作為目標參數(shù)組。本發(fā)明一并公開了相應(yīng)的計算設(shè)備。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)挖掘技術(shù)領(lǐng)域，尤其涉及一種參數(shù)尋優(yōu)方法及計算設(shè)備。

背景技術(shù)

隨著移動互聯(lián)網(wǎng)技術(shù)的發(fā)展，移動終端已成為人們獲取信息的重要媒介，用戶對移動終端的操作可以展示出用戶的行為偏好。根據(jù)用戶的行為偏好對用戶群體進行劃分，對同一個群體中的用戶推送相似的信息，或利用相似用戶來向目標用戶推送信息(協(xié)同過濾)，可以準確地向用戶推送個性化內(nèi)容、提供個性化服務(wù)。

現(xiàn)有的方案多是提取出用戶特征，并標示用戶所屬的類別標簽，將已知的用戶特征-類別標簽的對應(yīng)關(guān)系作為訓練樣本，采用機器學習算法來訓練分類器，將待測用戶的用戶特征輸入訓練好的分類器，即可輸出該待測用戶的類別標簽。但是，現(xiàn)有的機器學習算法種類繁多，各個算法又存在多個需要手動設(shè)置的超參數(shù)(超參數(shù)即需要在訓練分類器之前預(yù)先設(shè)置其值的參數(shù)，例如，對于隨機森林算法，需要手動設(shè)置樹的棵數(shù)、最大深度、每棵樹的最大特征數(shù)等超參數(shù)；對于GBDT算法，需要手動設(shè)置弱學習器的數(shù)量、最大深度、內(nèi)部節(jié)點再劃分所需要的最小樣本數(shù)、弱學習器的權(quán)重縮減系數(shù)等超參數(shù)；……)。超參數(shù)的取值會影響分類器的分類效果，進而影響用戶分類的準確性。但是，目前超參數(shù)的設(shè)置往往依賴于工程師的經(jīng)驗，主觀性較強，使得用戶分類的準確性難以保證。此外，若拋棄工程師的主觀經(jīng)驗因素，從客觀的角度來設(shè)置合適的超參數(shù)，則需要采用各種超參數(shù)組合來訓練分類器，將用戶分類效果最好的分類器所對應(yīng)的超參數(shù)組作為最優(yōu)超參數(shù)組(或稱網(wǎng)格搜索法，Grid Search)。這種方法需要消耗大量的時間，尤其是在機器學習算法的分類器的訓練本身就很慢的情況下，嘗試多種參數(shù)組合來不斷訓練分類器的時間消耗會令人難以忍受，在用戶數(shù)據(jù)不斷累積、變化的大數(shù)據(jù)背景下，這種方法也難以保證用戶分類的準確性和時效性。

發(fā)明內(nèi)容

為此，本發(fā)明提供一種參數(shù)尋優(yōu)方法及計算設(shè)備，以解決或至少緩解上面存在的問題。

根據(jù)本發(fā)明的一個方面，提供一種參數(shù)尋優(yōu)方法，在計算設(shè)備中執(zhí)行，包括：從所有參數(shù)組中選取第一數(shù)量個參數(shù)組作為候選參數(shù)組，其他未被選中的參數(shù)組記為剩余參數(shù)組，每一個所述參數(shù)組中均包括相同數(shù)量個超參數(shù)，所述第一數(shù)量個候選參數(shù)組組成候選參數(shù)組空間；分別確定每一個候選參數(shù)組的評估值；在未達到預(yù)設(shè)的終止條件時，循環(huán)執(zhí)行以下步驟：對于每一個剩余參數(shù)組：分別計算該剩余參數(shù)組與每一個候選參數(shù)組之間的相似度；根據(jù)該剩余參數(shù)組與每一個候選參數(shù)組的相似度以及各候選參數(shù)組的評估值來確定該剩余參數(shù)組的預(yù)測評估值；將預(yù)測評估值最大的第二數(shù)量個剩余參數(shù)組作為候選參數(shù)組，加入候選參數(shù)組空間；分別確定新加入的第二數(shù)量個候選參數(shù)組的評估值；以及，將候選參數(shù)組空間中評估值最大的候選參數(shù)組作為目標參數(shù)組。

可選地，在根據(jù)本發(fā)明的參數(shù)尋優(yōu)方法中，從所有參數(shù)組中選取第一數(shù)量個參數(shù)組作為候選參數(shù)組的步驟包括：從所有參數(shù)組中隨機選取第一數(shù)量個參數(shù)組作為候選參數(shù)組。

可選地，在根據(jù)本發(fā)明的參數(shù)尋優(yōu)方法中，候選參數(shù)組的評估值按照以下步驟確定：在該候選參數(shù)組下，采用多個訓練樣本基于預(yù)設(shè)的機器學習算法來訓練分類器；將多個測試樣本輸入訓練好的分類器，根據(jù)分類器的輸出來確定該候選參數(shù)組的評估值。

可選地，在根據(jù)本發(fā)明的參數(shù)尋優(yōu)方法中，相似度按照以下公式計算：