[发明专利]样本数据处理方法、装置、计算机设备及存储介质

权利要求书

1.一种样本数据处理方法，其特征在于，包括：

获取样本特征数据，所述样本特征数据包括标注数据；

基于所述标注数据对所述样本特征数据进行分类，得到不同类型的基本特征数据；

统计所述每一类型的基本特征数据的数据量，根据所述数据量计算所述每一类型的基本特征数据在所述样本特征数据中的占比值；

若所述样本特征数据中存在所述占比值小于预设的占比阈值的基本特征数据，则将所述占比值小于所述占比阈值的基本特征数据，确定为少数类特征数据集；

基于目标生成对抗网络模型对所述少数类特征数据集进行数据构造，生成构造特征数据，其中，所述目标生成对抗网络模型是采用Deep&CrossNet网络模型构建的；

将所述构造特征数据加入到所述样本特征数据中，得到标准特征数据。

2.如权利要求1所述的样本数据处理方法，其特征在于，所述基于目标生成对抗网络模型对所述少数类特征数据集进行数据构造，生成构造特征数据，包括：

获取少数类特征数据，采用所述少数类特征数据训练预设的初始生成对抗网络模型，生成目标生成对抗网络模型，其中，所述初始生成对抗网络模型是采用Deep&CrossNet网络模型构建的；

获取随机噪声数据，将所述随机噪声数据输入所述目标生成对抗网络模型的生成网络模型中，生成构造特征数据。

3.如权利要求2所述的样本数据处理方法，其特征在于，所述采用所述少数类特征数据训练预设的初始生成对抗网络模型，生成目标生成对抗网络模型，包括：

基于Deep&CrossNet网络搭建初始生成对抗网络模型；

输入一组随机噪声数据至所述初始生成对抗网络模型的生成网络模型中进行训练，生成随机特征数据；

对所述随机特征数据进行离散化处理，得到离散特征数据；

将所述离散特征数据和所述少数类特征数据作为所述初始生成对抗网络模型的判别网络模型的输入向量，对所述初始生成对抗网络模型进行迭代训练，生成目标生成对抗网络模型。

4.如权利要求3所述的样本数据处理方法，其特征在于，所述将所述离散特征数据和所述少数类特征数据作为所述初始生成对抗网络模型的判别网络模型的输入向量，对所述初始生成对抗网络模型进行迭代训练，包括：

将所述离散特征数据设为假样本集，将所述少数类特征数据设为真样本集；

分别输入所述假样本集和所述真样本集至所述初始生成对抗网络模型中，获取所述初始生成对抗网络模型中判别网络模型的输出值；

根据所述判别网络模型的所述输出值，调整所述判别网络模型的参数值，使所述判别网络模型的所述输出值接近预设输出值。

5.如权利要求3所述的样本数据处理方法，其特征在于，所述将所述离散特征数据和所述少数类特征数据作为所述初始生成对抗网络模型的判别网络模型的输入向量，对所述初始生成对抗网络模型进行迭代训练，还包括：

预设所述判别网络模型的参数值；

输入随机噪声数据至所述初始生成对抗网络模型的生成网络模型中，并进行初始计算得到随机特征数据；

通过比较所述生成网络模型输出的所述随机特征数据与所述少数类特征数据之间的差值，调整所述生成网络模型的参数值，使所述生成网络模型输出的随机特征数据接近所述少数类特征数据。