本發(fā)明涉及大數(shù)據(jù)處理的，尤其涉及一種學(xué)位預(yù)測系統(tǒng)的控制方法及可讀存儲介質(zhì)。

背景技術(shù)：

1、現(xiàn)有的學(xué)位預(yù)測模型直接預(yù)測學(xué)位數(shù)量，同時運用的特征都是單因子特征，沒有考慮組合因子的影響，對于大量稀疏特征不能很好的應(yīng)用，由此在應(yīng)用相關(guān)數(shù)據(jù)進(jìn)行學(xué)位數(shù)量預(yù)測會導(dǎo)致學(xué)位預(yù)測結(jié)果并不準(zhǔn)確。

技術(shù)實現(xiàn)思路

1、本發(fā)明的主要目的在于提供一種學(xué)位預(yù)測系統(tǒng)的控制方法及可讀存儲介質(zhì)，旨在解決在現(xiàn)有學(xué)位預(yù)測結(jié)果不準(zhǔn)確的技術(shù)問題。

2、為實現(xiàn)上述目的，本發(fā)明提供一種學(xué)位預(yù)測系統(tǒng)的控制方法，包括以下步驟：

3、獲取學(xué)位預(yù)測的統(tǒng)計參數(shù)，所述統(tǒng)計參數(shù)包括連續(xù)變量和離散變量；

4、將所述統(tǒng)計參數(shù)輸入至預(yù)設(shè)的概率預(yù)測神經(jīng)網(wǎng)絡(luò)，通過所述概率預(yù)測神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理得出學(xué)位預(yù)測數(shù)據(jù)；

5、其中，獲取歷史統(tǒng)計參數(shù)，以預(yù)設(shè)deepfm架構(gòu)體系對所述歷史統(tǒng)計參數(shù)進(jìn)行數(shù)據(jù)處理，并基于數(shù)據(jù)處理結(jié)果作為訓(xùn)練樣本訓(xùn)練初始神經(jīng)網(wǎng)絡(luò)得出所述預(yù)設(shè)的概率預(yù)測神經(jīng)網(wǎng)絡(luò)，所述deepfm架構(gòu)設(shè)有fm模塊和deep模塊。

6、可選地，所述以預(yù)設(shè)deepfm架構(gòu)對所述歷史統(tǒng)計參數(shù)進(jìn)行數(shù)據(jù)處理的步驟，包括：

7、將所述歷史統(tǒng)計參數(shù)分別輸入至fm模塊和deep模塊，通過所述fm模塊和deep模塊的數(shù)據(jù)處理得到fm低階特征和fm交叉特征；

8、將所述歷史統(tǒng)計數(shù)據(jù)輸入至初始深度神經(jīng)網(wǎng)絡(luò)得到dnn部分結(jié)果。

9、可選地，所述將所述歷史統(tǒng)計參數(shù)分別輸入至fm模塊和deep模塊的步驟之前，還包括：

10、對所述歷史統(tǒng)計參數(shù)進(jìn)行稠密編碼，以記錄所述歷史統(tǒng)計參數(shù)的特征信息，所述特征信息包括特征值和位置；

11、基于所述特征信息進(jìn)行embedding編碼，以計算embedding權(quán)重，將所述特征信息和所述embedding權(quán)重分別輸入至fm模塊和deep模塊。

12、可選地，所述學(xué)位預(yù)測系統(tǒng)的控制方法，還包括：

13、將所述fm低階特征、所述fm交叉特征及所述dnn部分結(jié)果輸入至預(yù)設(shè)的sigmoid函數(shù)激活得到初始預(yù)測數(shù)據(jù)。

14、可選地，所述學(xué)位預(yù)測系統(tǒng)的控制方法，還包括：

15、獲取真實標(biāo)簽數(shù)據(jù)，以所述真實標(biāo)簽數(shù)據(jù)和所述初始預(yù)測數(shù)據(jù)作為訓(xùn)練樣本對初始神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

16、根據(jù)訓(xùn)練結(jié)果得出所述預(yù)設(shè)的概率預(yù)測神經(jīng)網(wǎng)絡(luò)。

17、可選地，以所述真實標(biāo)簽數(shù)據(jù)和所述初始預(yù)測數(shù)據(jù)作為訓(xùn)練樣本對初始神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟，包括：

18、計算所述真實標(biāo)簽數(shù)據(jù)和所述初始預(yù)測數(shù)據(jù)的數(shù)據(jù)差值；

19、將所述數(shù)據(jù)差值反向傳播至初始神經(jīng)網(wǎng)絡(luò)進(jìn)行權(quán)重更新，以訓(xùn)練所述初始神經(jīng)網(wǎng)絡(luò)。

20、可選地，所述獲取歷史統(tǒng)計參數(shù)的步驟，包括：

21、采集當(dāng)前學(xué)區(qū)統(tǒng)計區(qū)域的連續(xù)變量和離散變量；

22、對所述連續(xù)變量和離散變量進(jìn)行特征前處理，以處理后的所述連續(xù)變量和離散變量形成所述歷史統(tǒng)計參數(shù)。

23、可選地，所述學(xué)位預(yù)測系統(tǒng)的控制方法，還包括：

24、通過設(shè)置fm結(jié)構(gòu)層和deep結(jié)構(gòu)層形成所述fm模塊和所述deep模塊，所述fm結(jié)構(gòu)層在lr引入交叉項；

25、以所述fm模塊和所述deep模塊創(chuàng)建所述deepfm架構(gòu)體系。

26、為實現(xiàn)上述目的，本發(fā)明還提供一種學(xué)位預(yù)測系統(tǒng)的控制裝置，所述學(xué)位預(yù)測系統(tǒng)的控制裝置包括：存儲器、處理器以及存儲在所述存儲器上并可以在所述處理器上運行的學(xué)位預(yù)測系統(tǒng)的控制程序，所述學(xué)位預(yù)測系統(tǒng)的控制程序被處理器執(zhí)行時實現(xiàn)如上所述的學(xué)位預(yù)測系統(tǒng)的控制系統(tǒng)的步驟。

27、此外，為實現(xiàn)上述目的，本發(fā)明還提供一種可讀存儲介質(zhì)，所述可讀存儲介質(zhì)存儲有學(xué)位預(yù)測系統(tǒng)的控制程序，所述學(xué)位預(yù)測系統(tǒng)的控制程序在執(zhí)行時實現(xiàn)如上所述的學(xué)位預(yù)測系統(tǒng)的控制系統(tǒng)的步驟。

28、本發(fā)明實施例提出的一種學(xué)位預(yù)測系統(tǒng)的控制方法，通過架設(shè)預(yù)設(shè)deepfm架構(gòu)體系設(shè)置fm模塊和deep模塊分別對統(tǒng)計參數(shù)進(jìn)行數(shù)據(jù)處理，以數(shù)據(jù)處理結(jié)果訓(xùn)練初始神經(jīng)網(wǎng)絡(luò)得出所述預(yù)設(shè)的概率預(yù)測神經(jīng)網(wǎng)絡(luò)，從而，在將學(xué)位預(yù)測的統(tǒng)計數(shù)據(jù)輸入至預(yù)設(shè)的概率預(yù)測神經(jīng)網(wǎng)絡(luò)統(tǒng)計學(xué)位數(shù)據(jù)時，可基于預(yù)設(shè)的概率預(yù)測神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中所涉及到的低階和高階的組合特征學(xué)習(xí)，對稀疏特征進(jìn)行應(yīng)用從而提高學(xué)位預(yù)測結(jié)果的準(zhǔn)確性。

技術(shù)特征：

1.一種學(xué)位預(yù)測系統(tǒng)的控制方法，其特征在于，所述學(xué)位預(yù)測系統(tǒng)的控制方法包括以下步驟：

2.如權(quán)利要求1所述的學(xué)位預(yù)測系統(tǒng)的控制方法，其特征在于，所述以預(yù)設(shè)deepfm架構(gòu)對所述歷史統(tǒng)計參數(shù)進(jìn)行數(shù)據(jù)處理的步驟，包括：

3.如權(quán)利要求2所述的學(xué)位預(yù)測系統(tǒng)的控制方法，其特征在于，所述將所述歷史統(tǒng)計參數(shù)分別輸入至fm模塊和deep模塊的步驟之前，還包括：

4.如權(quán)利要求2所述的學(xué)位預(yù)測系統(tǒng)的控制方法，其特征在于，所述學(xué)位預(yù)測系統(tǒng)的控制方法，還包括：

5.如權(quán)利要求4所述的學(xué)位預(yù)測系統(tǒng)的控制方法，其特征在于，所述學(xué)位預(yù)測系統(tǒng)的控制方法，還包括：

6.如權(quán)利要求5所述的學(xué)位預(yù)測系統(tǒng)的控制方法，其特征在于，以所述真實標(biāo)簽數(shù)據(jù)和所述初始預(yù)測數(shù)據(jù)作為訓(xùn)練樣本對初始神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟，包括：

7.如權(quán)利要求1所述的學(xué)位預(yù)測系統(tǒng)的控制方法，其特征在于，所述獲取歷史統(tǒng)計參數(shù)的步驟，包括：

8.如權(quán)利要求1-7任一項所述的學(xué)位預(yù)測系統(tǒng)的控制方法，其特征在于，所述學(xué)位預(yù)測系統(tǒng)的控制方法，還包括：

9.一種學(xué)位預(yù)測系統(tǒng)的控制裝置，其特征在于，所述學(xué)位預(yù)測系統(tǒng)的控制裝置包括：存儲器、處理器以及存儲在所述存儲器上并可以在所述處理器上運行的學(xué)位預(yù)測系統(tǒng)的控制程序，所述學(xué)位預(yù)測系統(tǒng)的控制程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至8任一項所述的學(xué)位預(yù)測系統(tǒng)的控制方法的步驟。

10.一種存儲介質(zhì)，其特征在于，所述存儲介質(zhì)存儲有學(xué)位預(yù)測系統(tǒng)的控制程序，所述學(xué)位預(yù)測系統(tǒng)的控制程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至8任一項所述的學(xué)位預(yù)測系統(tǒng)的控制方法的步驟。

技術(shù)總結(jié)
本發(fā)明公開了一種學(xué)位預(yù)測系統(tǒng)的控制方法，包括：獲取學(xué)位預(yù)測的統(tǒng)計參數(shù)，所述統(tǒng)計參數(shù)包括連續(xù)變量和離散變量；將所述統(tǒng)計參數(shù)輸入至預(yù)設(shè)的概率預(yù)測神經(jīng)網(wǎng)絡(luò)，通過所述概率預(yù)測神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理得出學(xué)位預(yù)測數(shù)據(jù)；其中，獲取歷史統(tǒng)計參數(shù)，以預(yù)設(shè)DeepFM架構(gòu)體系對所述歷史統(tǒng)計參數(shù)進(jìn)行數(shù)據(jù)處理，并基于數(shù)據(jù)處理結(jié)果作為訓(xùn)練樣本訓(xùn)練初始神經(jīng)網(wǎng)絡(luò)得出所述預(yù)設(shè)的概率預(yù)測神經(jīng)網(wǎng)絡(luò)，所述DeepFM架構(gòu)設(shè)有FM模塊和Deep模塊。本發(fā)明還公開了一種學(xué)位預(yù)測系統(tǒng)的控制裝置及存儲介質(zhì)。本發(fā)明可基于預(yù)設(shè)的概率預(yù)測神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中所涉及到的低階和高階的組合特征學(xué)習(xí)，對稀疏特征進(jìn)行應(yīng)用從而提高學(xué)位預(yù)測結(jié)果的準(zhǔn)確性。

技術(shù)研發(fā)人員：張昕,沈吉祥,謝炎東,劉文苑
受保護(hù)的技術(shù)使用者：深圳市智慧城市科技發(fā)展集團(tuán)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/9/17