[发明专利]数据处理方法、装置、计算机设备和存储介质

说明书

本申请涉及机器学习领域，提供了一种数据处理方法、装置、计算机设备和存储介质。该方法包括：获取训练样本集合，各个训练样本都存在对应的训练样本标签；对各个训练样本进行向量化处理，得到对应的特征向量；将各个训练样本的特征向量输入至第一神经网络模型，第一神经网络模型计算得到各个训练样本的交叉特征；将交叉特征作为第二神经网络模型的输入，通过第二神经网络模型对交叉特征进行内积计算，生成对应的图像特征图；将各个训练样本和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；根据预测概率值和训练样本标签计算得到训练损失值；根据训练损失值对第三神经网络模型进行训练，最终得到已训练的第三神经网络模型。

技术领域

本申请涉及计算机技术领域，特别是涉及一种数据处理方法、装置、计算机设备和存储介质。

背景技术

传统技术中，根据实际应用场景利用神经网络模型来对输入数据的行为进行预测，然而，传统的神经网络模型在进行数据处理时，直接将输入数据输入至神经网络模型，得到神经网络模型的输出结果，而不对输入数据进行任何处理，容易导致出现神经网络在进行数据处理时出现准确性低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高数据处理准确率的数据处理方法、装置、计算机设备和存储介质。

一种数据处理方法，该方法包括：

获取训练样本集合，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；

对各个训练样本进行向量化处理，得到各个训练样本对应的特征向量，向量化处理用于将非结构化的训练样本转换为结构化的特征向量；

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

将交叉特征作为第二神经网络模型的输入，通过第二神经网络模型对交叉特征进行内积计算，生成交叉特征对应的图像特征图；

将各个训练样本和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；

根据训练损失值对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，第三神经网络用于训练样本的网络行为预测。

在其中一个实施例中，对各个训练样本进行向量化处理，得到各个训练样本对应的特征向量，包括：对各个训练样本进行分词，得到分词后的词语；根据分词后的词语对应的词语属性，将分词后的词语分成对应的序列特征和非序列特征；对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，对非序列特征和处理后的序列特征进行向量化处理，得到各个训练样本对应的特征向量。

在其中一个实施例中，将各个训练样本对应的特征向量输入至第一神经网络模型，第一神经网络模型计算得到对应的交叉特征，包括：获取各个特征向量在预设维度上对应的目标子特征向量；获取各个特征向量在预设维度上对应的预设子特征向量；获取各个特征向量在预设维度上对应的预设卷积和权重；根据目标子特征向量、预设子特征向量和预设卷积和权重计算得到对应的交叉特征。

在其中一个实施例中，通过第二神经网络模型对交叉特征进行内积计算，生成交叉特征对应的图像特征图，包括：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；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；第二神经网络模型根据各个目标交叉特征生成交叉特征矩阵；第二神经网络模型对交叉特征矩阵进行矩阵内积计算，生成交叉特征对应的图像特征图。

在其中一个实施例中，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，训练样本标签为用户点击目标商品的真实点击概率。

一种数据处理装置，该装置包括：