(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111332244.6 (22)申请日 2021.11.11 (71)申请人 重庆邮电大 学 地址 400065 重庆市南岸区南 山街道崇文 路2号 (72)发明人 余海燕　刘珂　缪红霞　 (74)专利代理 机构 重庆辉腾律师事务所 5 0215 代理人 王海军 (51)Int.Cl. G06Q 30/02(2012.01) G06N 20/00(2019.01) G06K 9/62(2022.01) G06Q 30/08(2012.01) G06Q 40/02(2012.01) G06Q 40/04(2012.01) (54)发明名称 基于夏普利值的数据特征 组合定价方法、 系 统及电子设备 (57)摘要 本发明涉及机器学习， 具体而言是一种基于 夏普利值的数据特征组合定价方法、 系统及电子 设备， 所述方法包括收集卖 方提供的特征数据集 的特征变量并对其进行预处理； 构建基于机器学 习的学习模 型， 从特征分类个变量中选择最优的 特征分类个变量； 基于幽灵数据实例构造的特征 夏普利值估计， 以此计算选择的特征变量的边际 贡献和平均夏普利值； 根据特征变量的边际贡献 和平均夏普利值判断特征变量是否能够进行交 易， 若能够进行交易则； 本发明实施， 可以提高数 据提供方的长期收益最大化， 也满足数据买方对 数据买方公司的风险评估， 减少风险损失。 权利要求书2页 说明书10页 附图6页 CN 113919886 A 2022.01.11 CN 113919886 A 1.一种基于夏普利值的数据特 征组合定价方法， 其特 征在于， 具体包括以下步骤： 收集卖方提供的特 征数据集的特 征变量并对其进行 预处理； 构建基于 机器学习的学习模型， 从特 征分类变量中选择最优的特 征分类变量； 在选择最优变量时， 基于幽灵数据实例构造的特征夏普利值估计， 以此计算选择的特 征变量的边际贡献和平均夏普利值； 并选择最优变量 时使用夏普利值对于各个特征的价值按照 其边际贡献进行分配， 量化 不同输入特 征对训练模型输出 预测结果的影响并将符合设置家边际贡献的特 征保留； 检测数据是否能够用于机器学习和 交易， 如果能够进行及机器学习和 交易， 则数据买 方和卖方构建交易， 并通过构建的学习模型获取当前 数据的预测值作为数据的支付 价格。 2.根据权利要求1所述的一种基于夏普利值的数据 特征组合定价方法， 其特征在于， 从 特征分类个变量中选择最优的特 征分类个变量的过程包括以下步骤： 使用所有特 征分变量数据对基于 机器学习的学习模型进行训练； 对特征变量的重要性进行排序， 选取重要性 值最大的前k个特 征； 用验证集评估 模型， 重新计算每 个特征变量的重要性并进行排序； 把训练集拆分成新训练集与新验证集， 采用新训练集和所有特征变量训练模型， 使用 验证集评估 模型， 计算所有的特 征变量重要性并进行排序。 3.根据权利要求1所述的一种基于夏普利值的数据 特征组合定价方法， 其特征在于， 基 于幽灵数据实例构 造的特征变量的夏普利值估计包括从特征变量中随机抽取一个实例， 并 构造一个含有某一特征的实例和一个不含前述特征的实例， 并将这两个实例作为幽灵数据 实例。 4.根据权利要求1所述的一种基于夏普利值的数据 特征组合定价方法， 其特征在于， 特 征变量的边际贡献表示 为： 其中， 为第m次迭代过程中实例x中第j个 特征的边界贡献值； 为实例x在第m次 迭代中使用带有特征j的实例实现的预测， 为第m次迭代时实例x中第j个特征以后的特 征被实例z中特征进行随机替换后的特征向量； 为实例x在第m次迭代中使用不带特 征j的实例实现的预测， 为第m次迭代时实例x中第j个特征以及第j个特征以后的特征被 实例z中特 征进行随机替换后的特 征向量。 5.根据权利要求1所述的一种基于夏普利值的数据 特征组合定价方法， 其特征在于， 对 该特征变量进行定价的过程包括以下步骤： S41、 与数据买方交易之前， 数据卖方先设置交易数据的价格pn， 买方个数 以及买方报 价， 并计算数据买方的收益 函数； S42、 根据买方的收益函数计算数据买方的最终支付； 数据买方支付费用， 将选择的特 征变量进行交易； S43、 基于乘权更新 算法卖方 更新数据价格， 返回到S41， 开始下一轮定价。 6.根据权利要求1所述的基于夏普利值的数据 特征组合定价方法， 其特征在于， 数据买权　利　要　求　书 1/2 页 2 CN 113919886 A 2方支付费用Rn表示为： 其中， G(bn,pn)为卖方设置交易数据的价格为pn且买方报价 为bn时买方的收益 函数。 7.根据权利要求6所述的基于夏普利值的数据 特征组合定价方法， 其特征在于， 卖方的 收益函数根据卖方设置交易数据的价格以及买方的报价进 行确定， 在 卖方价格固定的情况 下， 当报价bn小于卖方设置交易数据的价格pn时， 随着报价bn增大买方的收益增大， 直到报 价bn等于卖方设置交易数据的价格pn时达到最大收益； 当报价bn大于卖方设置交易数据的 价格pn时， 买方效用保持最大值 不变且买方支付费用也维持最大值 不变。 8.根据权利要求5所述的基于夏普利值的数据 特征组合定价方法， 其特征在于， 每次确 定定价S后， 同一数据卖给多个用户时， 根据数据复制价格对 数据进行定价， 若 数据复制为i 个样本， 则每 个样本的售价Sn为： 其中， S为只有一份数据时的售价， e为 惩罚因子 。 9.基于夏普利值的数据特征组合定价系统， 其特征在于， 包括特征选择子系统和定价 子系统， 特 征选择子系统对特 征进行筛 选， 定价子系统对筛 选得到的特 征进行定价拍卖； 特征子系统中包括机器学习 模型和夏普利分析模型， 机器学习 模型根据 数据进行训练 预测， 将预测得到的值作为特征的重要性进 行排序， 并将 重要性最大的K个特征送入夏普利 分析模型进行分析； 夏普利分析模型计算特 征变量的编辑贡献和平均夏普利值； 定价子系统中数据买方根据数据卖方的定价。 10.基于夏普利值的数据特征组合定价电子设备， 包括处理器和存储器， 其特征在于， 所述存储器存储有权利要求 1～8所述的任一一种根据权利要求 1所述的基于夏普利值的数 据特征组合定价方法， 并且处理器能够运行存储器中存储的基于夏普利值的数据特征组合 定价方法。权　利　要　求　书 2/2 页 3 CN 113919886 A 3