[发明专利]数据处理方法、装置及设备

权利要求书

1.一种数据处理方法，其特征在于，包括：

获取待处理的目标数据；

调用优化的第一网络模型对所述目标数据进行预测处理得到第一预测结果，所述第一预测结果包括所述目标数据的预测标签及分簇信息；所述分簇信息用于反映所述目标数据所属的领域；所述优化的第一网络模型包括非解释性网络模型和分簇器，所述非解释性网络模型用于对所述目标数据进行预测处理，得到所述目标数据的预测标签，所述分簇器用于对所述非解释性网络模型的逻辑层的输出数据进行处理，得到所述目标数据的分簇信息；所述优化的第一网络模型用于对至少两个领域的数据进行预测处理；

从多个优化的第二学习模型中选择与所述目标数据的分簇信息相对应的优化的目标第二学习模型；所述优化的第一网络模型是通过样本数据集训练得到的，所述目标第二学习模型是根据所述样本数据中的目标样本数据进行训练得到的；所述目标样本数据属于所述优化的目标第二学习模型对应的目标分簇类别；一个优化的第二学习模型与一种分簇类别相对应；

将所述目标数据及所述目标数据的预测标签输入至所述优化的目标第二学习模型进行预测处理得到第二预测结果，所述第二预测结果包括所述目标数据与所述目标数据的预测标签之间的关系解释信息。

2.如权利要求1所述的方法，其特征在于，还包括：

获取所述优化的第一网络模型及所述多个优化的第二学习模型，所述优化的第一网络模型与所述多个优化的第二学习模型相连接。

3.如权利要求2所述的方法，其特征在于，所述获取所述优化的第一网络模型，包括：

获取待优化的第一网络模型及用于优化训练的样本数据集，所述样本数据集包括多个样本数据及每个样本数据的标注标签；

以所述样本数据集中的每个样本数据为输入，并且以所述样本数据集中的每个样本数据的标注标签为训练目标对所述第一网络模型进行迭代训练，得到优化的第一网络模型。

4.如权利要求3所述的方法，其特征在于，所述优化的第一网络模型的输出包括所述样本数据集中的每个样本数据的预测标签及分簇信息；所述样本数据的分簇信息用于表示所述样本数据所属的分簇类别；

一种分簇类别对应一个第二学习模型，其中，所述分簇类别是对所述样本数据集中的每个样本数据的分簇信息进行归类统计得到的。

5.如权利要求4所述的方法，其特征在于，所述获取所述多个优化的第二学习模型，包括：

获取待优化的目标第二学习模型及与所述目标第二学习模型相对应的目标分簇类别，所述目标第二学习模型为待优化的多个第二学习模型中的任一网络模型；

从所述样本数据集中筛选属于所述目标分簇类别的目标样本数据；

以所述目标样本数据为输入，并且以所述目标样本数据的预测标签为训练目标对所述目标第二学习模型进行迭代训练，得到优化的目标第二学习模型。

6.如权利要求3-5任一项所述的方法，其特征在于，所述优化后的第一网络模型包括非解释性网络模型以及与所述非解释性网络模型相连接的分簇器；所述优化的第二学习模型包括解释性学习模型；

所述非解释性网络模型包括以下任一种：深度神经网络模型、卷积神经网络模型及递归神经网络模型；

所述解释性学习模型包括以下任一种：梯度提升回归树模型、弹性网回归模型以及基于贝叶斯估计法的模型。

7.如权利要求6所述的方法，其特征在于，所述第一网络模型中的非解释性网络模型包括深度学习层、关联层及逻辑层；所述分簇器与所述逻辑层相连接；

所述深度学习层的输出为所述关联层的输入，所述关联层的输出为所述逻辑层的输入；

其中，在所述第一网络模型的迭代训练过程中，所述关联层与所述分簇器联合训练且所述逻辑层与所述分簇器联合训练。