[发明专利]数据处理方法、装置、计算机设备和存储介质

权利要求书

1.一种数据处理方法，所述方法包括：

获取训练样本集合，所述训练样本集合中各个训练样本都存在对应的训练样本标签；所述训练样本标签为所述训练样本对应的真实标签；

对各个所述训练样本进行分词，得到分词后的词语；

根据所述分词后的词语对应的词语属性，将所述分词后的词语分成对应的序列特征和非序列特征；

对所述序列特征进行加权求和或者加权平均方式来处理得到处理后的序列特征，对所述非序列特征和所述处理后的序列特征进行向量化处理，得到各个所述训练样本对应的特征向量，所述向量化处理用于将非结构化的所述训练样本转换为结构化的特征向量；

将所述各个所述训练样本对应的特征向量输入至第一神经网络模型，所述第一神经网络模型计算得到各个所述训练样本对应的交叉特征；

将所述交叉特征作为第二神经网络模型的输入，所述第二神经网络模型根据预设维度信息对交叉特征进行切分，得到多个子交叉特征；

所述第二神经网络模型对各个子交叉特征进行特征组合，得到对应的目标交叉特征；

所述第二神经网络模型根据各个所述目标交叉特征生成交叉特征矩阵；

所述第二神经网络模型对所述交叉特征矩阵进行矩阵内积计算，生成所述交叉特征对应的图像特征图；

将所述各个训练样本和所述图像特征图输入至第三神经网络模型，得到对应的预测概率值；

根据所述预测概率值和对应的训练样本标签计算得到训练损失值；

根据所述训练损失值对所述第三神经网络模型的模型参数进行调整，直至满足收敛条件，得到已训练的第三神经网络模型，所述第三神经网络用于训练样本的网络行为预测。

2.根据权利要求1所述的方法，其特征在于，所述将所述各个所述训练样本对应的特征向量输入至第一神经网络模型，所述第一神经网络模型计算得到对应的交叉特征，包括：

获取各个所述特征向量在预设维度上对应的目标子特征向量；

获取各个所述特征向量在所述预设维度上对应的预设子特征向量；

获取各个所述特征向量在所述预设维度上对应的预设卷积和权重；

根据所述目标子特征向量、所述预设子特征向量和所述预设卷积和权重计算得到对应的交叉特征。

3.根据权利要求1所述的方法，其特征在于，所述训练样本为用户行为信息、用户商品交互信息、用户属性信息、商品属性信息中的至少一种，所述训练样本标签为用户点击目标商品的真实点击概率。

4.一种数据处理装置，其特征在于，所述装置包括：

训练样本获取模块，用于获取训练样本集合，所述训练样本集合中各个训练样本都存在对应的训练样本标签；所述训练样本标签为所述训练样本对应的真实标签；

向量化处理模块，用于对各个所述训练样本进行分词，得到分词后的词语；根据所述分词后的词语对应的词语属性，将所述分词后的词语分成对应的序列特征和非序列特征；对所述序列特征进行加权求和或者加权平均方式来处理得到处理后的序列特征，对所述非序列特征和所述处理后的序列特征进行向量化处理，得到各个所述训练样本对应的特征向量，所述向量化处理用于将非结构化的所述训练样本转换为结构化的特征向量；

第一神经网络处理模块，用于将所述各个所述训练样本对应的特征向量输入至第一神经网络模型，所述第一神经网络模型计算得到各个所述训练样本对应的交叉特征；

第二神经网络处理模块，用于将所述交叉特征作为第二神经网络模型的输入，所述第二神经网络模型根据预设维度信息对交叉特征进行切分，得到多个子交叉特征；所述第二神经网络模型对各个子交叉特征进行特征组合，得到对应的目标交叉特征；所述第二神经网络模型根据各个所述目标交叉特征生成交叉特征矩阵；所述第二神经网络模型对所述交叉特征矩阵进行矩阵内积计算，生成所述交叉特征对应的图像特征图；

第三神经网络处理模块，用于将所述各个训练样本和所述图像特征图输入至第三神经网络模型，得到对应的预测概率值；

损失值计算模块，用于根据所述预测概率值和对应的训练样本标签计算得到训练损失值；

第三神经网络训练模块，用于根据所述训练损失值对所述第三神经网络模型的模型参数进行调整，直至满足收敛条件，得到已训练的第三神经网络模型，所述第三神经网络用于训练样本的网络行为预测。