出行状态特征提取、网络训练方法、装置及电子设备与流程

本公开涉及数据处理，尤其涉及大数据、人工智能以及智能推荐，具体而言，本公开涉及一种出行状态特征提取、网络训练方法、装置及电子设备。

背景技术：

1、目前，出行相关的应用一般会为用户提供出行推荐功能，如目的地推荐、应用首页内容推荐等。

2、一般的内容推荐系统中，通常是基于用户历史行为数据提取用户行为特征，通过用户行为特征反映用户的偏好，基于用户行为特征进行内容推荐。而这种方式中所提取的用户行为特征无法有效应用于出行推荐。

技术实现思路

1、本公开为了解决上述缺陷中的至少一项，提供了一种出行状态特征提取、网络训练方法、装置及电子设备。

2、根据本公开的第一方面，提供了一种出行状态特征提取方法，该方法包括：

3、获取至少一个目标用户的多种类型的出行相关数据，对各种类型的出行相关数据分别进行特征编码处理，得到编码特征；

4、基于第一目标编码特征对各目标用户进行群体划分，得到至少一个用户群体，第一目标编码特征为至少一种类型的出行相关数据对应的编码特征；

5、基于各用户群体内目标用户的第二目标编码特征构建异构图，第二目标编码特征为除第一目标编码特征以外的编码特征，第二目标编码特征包括至少两种类型的出行相关数据对应的编码特征，异构图以第二目标编码特征为节点，异构图中同一目标用户对应的节点之间存在边；

6、基于异构图进行图表征学习，确定各节点对应的节点特征；

7、将各节点特征进行特征融合处理，得到各目标用户的出行状态特征。

8、根据本公开的第二方面，提供了一种出行状态特征提取网络训练方法，该方法包括：

9、将第一训练样本集输入至出行状态特征提取网络，第一训练样本集包括至少一个样本用户的多种类型的样本出行相关数据；

10、对各种类型的样本出行相关数据分别进行特征编码处理，得到样本编码特征；

11、基于样本第一目标编码特征对各样本用户进行群体划分，得到至少一个样本用户群体，样本第一目标编码特征为至少一种类型的样本出行相关数据对应的样本编码特征；

12、基于各样本用户群体内样本用户的样本第二目标编码特征构建样本异构图，样本第二目标编码特征为除样本第一目标编码特征以外的样本编码特征，样本第二目标编码特征包括至少两种类型的样本出行相关数据对应的样本编码特征，样本异构图以样本第二目标编码特征为节点，样本异构图中同一样本用户对应的节点之间存在边；

13、基于样本异构图进行图表征学习，确定各节点对应的样本节点特征；

14、将各样本节点特征进行特征融合处理，得到各样本用户的样本出行状态特征；

15、根据基于第一时间窗口内的样本出行相关数据所提取的样本出行状态特征，以及第二时间窗口内的样本出行相关数据所提取的样本出行状态特征，确定第一损失，基于第一损失对出行状态特征提取网络进行训练，第一时间窗口在第二时间窗口之前。

16、根据本公开的第三方面，提供了一种出行状态特征提取网络，包括：

17、特征编码子网络，用于获取至少一个目标用户的多种类型的出行相关数据，对各种类型的出行相关数据分别进行特征编码处理，得到编码特征；

18、特征交互子网络，用于基于第一目标编码特征对各目标用户进行群体划分，得到至少一个用户群体，基于各用户群体内目标用户的第二目标编码特征构建异构图，基于异构图进行图表征学习，确定各节点对应的节点特征，其中，第一目标编码特征为至少一种类型的出行相关数据对应的编码特征，第二目标编码特征为除第一目标编码特征以外的编码特征，第二目标编码特征包括至少两种类型的出行相关数据对应的编码特征，异构图以第二目标编码特征为节点，异构图中同一目标用户对应的节点之间存在边；

19、特征融合子网络，用于将各节点特征进行特征融合处理，得到各目标用户的出行状态特征。

20、根据本公开的第四方面，提供了一种出行状态特征提取装置，该装置包括：

21、特征编码模块，用于获取至少一个目标用户的多种类型的出行相关数据，对各种类型的出行相关数据分别进行特征编码处理，得到编码特征；

22、用户群体划分模块，用于基于第一目标编码特征对各目标用户进行群体划分，得到至少一个用户群体，第一目标编码特征为至少一种类型的出行相关数据对应的编码特征；

23、异构图构建模块，用于基于各用户群体内目标用户的第二目标编码特征构建异构图，第二目标编码特征为除第一目标编码特征以外的编码特征，第二目标编码特征包括至少两种类型的出行相关数据对应的编码特征，异构图以第二目标编码特征为节点，异构图中同一目标用户对应的节点之间存在边；

24、节点特征提取模块，用于基于异构图进行图表征学习，确定各节点对应的节点特征；

25、特征融合模块，用于将各节点特征进行特征融合处理，得到各目标用户的出行状态特征。

26、根据本公开的第五方面，提供了一种出行状态特征提取装置，该装置包括：

27、数据输入模块，用于将第一训练样本集输入至出行状态特征提取网络，第一训练样本集包括至少一个样本用户的多种类型的样本出行相关数据；

28、样本特征编码模块，用于对各种类型的样本出行相关数据分别进行特征编码处理，得到样本编码特征；

29、样本用户群体划分模块，用于基于样本第一目标编码特征对各样本用户进行群体划分，得到至少一个样本用户群体，样本第一目标编码特征为至少一种类型的样本出行相关数据对应的样本编码特征；

30、样本异构图构建模块，用于基于各样本用户群体内样本用户的样本第二目标编码特征构建样本异构图，样本第二目标编码特征为除样本第一目标编码特征以外的样本编码特征，样本第二目标编码特征包括至少两种类型的样本出行相关数据对应的样本编码特征，样本异构图以样本第二目标编码特征为节点，样本异构图中同一样本用户对应的节点之间存在边；

31、样本节点特征提取模块，用于基于样本异构图进行图表征学习，确定各节点对应的样本节点特征；

32、样本特征融合模块，用于将各样本节点特征进行特征融合处理，得到各样本用户的样本出行状态特征；

33、模型训练模块，用于根据基于第一时间窗口内的样本出行相关数据所提取的样本出行状态特征，以及第二时间窗口内的样本出行相关数据所提取的样本出行状态特征，确定第一损失，基于第一损失对出行状态特征提取网络进行训练，第一时间窗口在第二时间窗口之前。

34、根据本公开的第六方面，提供了一种电子设备，该电子设备包括：

35、至少一个处理器；以及

36、与上述至少一个处理器通信连接的存储器；其中，

37、存储器存储有可被上述至少一个处理器执行的指令，指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行上述出行状态特征提取或者网络训练方法。

38、根据本公开的第七方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使计算机执行上述出行状态特征提取或者网络训练方法。

39、根据本公开的第八方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述出行状态特征提取或者网络训练方法。

40、应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。