[发明专利]数据的处理方法和装置

权利要求书

1.一种数据的处理方法，其特征在于，包括：

获取训练数据集，其中，所述训练数据集中包含多个训练样本，其中，所述训练样本指的是以订单为粒度构造的变量；

将所述训练数据集输入至卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，并从所述训练后的卷积神经网络模型中的隐藏层提取出所述训练样本的新变量。

2.根据权利要求1所述的方法，其特征在于，所述订单由主体和客体构成，所述训练样本为不同主体和客体在不同时间窗口下的特征值构成的矩阵，其中，所述主体用于表征所述订单的用户信息，所述客体用于表征所述订单的订单信息。

3.根据权利要求2所述的方法，其特征在于，从所述训练后的卷积神经网络模型中的隐藏层提取出所述训练样本的新变量包括：

识别出目标风险下所述矩阵中的无效特征区域；

从所述隐藏层提取出所述无效特征区域包含的特征值；

根据所述无效特征区域包含的特征值确定所述训练样本的新变量。

4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型的特征至少包括：局部连接以及权重共享，其中，所述局部连接为所述卷积神经网络模型中的多个局部区域内的所有节点与下一层节点的连接关系，所述权重共享为扫描所述局部区域时，节点的链接权重共享。

5.根据权利要求1至4中任意一项所述的方法，其特征在于，在得到训练后的卷积神经网络模型之后，所述方法还包括：

将所述训练样本的新变量输入主模型；

使用所述主模型处理所述训练样本的新变量，得到预测结果。

6.一种数据的处理装置，其特征在于，包括：

获取单元，用于获取训练数据集，其中，所述训练数据集中包含多个训练样本，其中，所述训练样本指的是以订单为粒度构造的变量；

训练单元，用于将所述训练数据集输入至卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，并从所述训练后的卷积神经网络模型中的隐藏层提取出所述训练样本的新变量。

7.根据权利要求6所述的装置，其特征在于，所述订单由主体和客体构成，所述训练样本为不同主体和客体在不同时间窗口下的特征值构成的矩阵，其中，所述主体用于表征所述订单的用户信息，所述客体用于表征所述订单的订单信息。

8.根据权利要求7所述的装置，其特征在于，所述训练单元包括：

识别模块，用于识别出目标风险下所述矩阵中的无效特征区域；

处理模块，用于从所述隐藏层提取出所述无效特征区域包含的特征值；

确定模块，用于根据所述无效特征区域包含的特征值确定所述训练样本的新变量。

9.根据权利要求6所述的装置，其特征在于，所述卷积神经网络模型的特征至少包括：局部连接以及权重共享，其中，所述局部连接为所述卷积神经网络模型中的多个局部区域内的所有节点与下一层节点的连接关系，所述权重共享为扫描所述局部区域时，节点的链接权重共享。

10.根据权利要求6至9中任意一项所述的装置，其特征在于，所述装置还包括：

输入单元，用于在在得到训练后的卷积神经网络模型之后，将所述训练样本的新变量输入主模型；

预测单元，用于使用所述主模型处理所述训练样本的新变量，得到预测结果。

11.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至5中任意一项所述数据的处理方法。

12.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至5中任意一项所述数据的处理方法。