[发明专利]数据处理方法、装置以及电子设备

权利要求书

1.一种数据处理方法，其特征在于，所述方法包括：

获取多个待处理样本各自所包括特征对应的向量，以得到待处理向量，其中，所述多个待处理样本包括正常用户样本以及欺诈用户样本；

将所述待处理向量输入到因子分解机，将所述待处理向量输入到深度学习网络模型；

获取所述因子分解机以及所述深度学习网络模型基于所述待处理向量输出的目标结果；

根据所述目标结果以及所述深度学习网络模型的权重归一化损失函数，对所述深度学习网络模型包括的参数进行更新，以及对至少一个所述待处理样本对应于所述权重归一化损失函数的权重进行更新。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述深度学习网络模型中的隐藏层输出的数据进行批归一化处理，并将处理后的数据输入到下一个隐藏层进行处理。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述深度学习网络模型中的隐藏层中的目标隐藏层；

控制所述目标隐藏层中的部分神经元不参与所在隐藏层的数据处理。

4.根据权利要求3所述的方法，其特征在于，所述控制所述目标隐藏层中的部分神经元不参与当前的数据处理，包括：

基于所述多个待处理样本，确定目标隐藏层中不进行数据处理的神经元的数量；

控制目标隐藏层中所述数量的神经元不参与所在隐藏层的数据处理。

5.根据权利要求1所述的方法，其特征在于，所述将所述待处理向量输入到深度学习网络模型，包括：

基于所述注意力机制对所述待处理向量进行处理，得到处理后的向量；

将所述处理后的向量输入到深度学习网络模型；

所述获取所述因子分解机以及所述深度学习网络模型基于所述待处理向量输出的目标结果，包括：

获取所述因子分解机基于所述待处理向量输出的第一分类结果，以及获取所述深度学习网络模型基于所述处理后的向量输出的第二分类结果；

根据所述第一分类结果以及所述第二分类结果得到目标结果。

6.根据权利要求5所述的方法，其特征在于，所述根据所述第一分类结果以及所述第二分类结果得到目标结果，包括：基于下列公式获取得到目标结果：

其中，y_FM表征第一分类结果，y_DNN表征第二分类结果。

7.根据权利要求1-6任一所述的方法，其特征在于，所述获取多个待处理样本各自所包括特征对应的向量，以得到待处理向量之前还包括：

获取多个原始样本；

对所述多个原始原本进行数据清洗得到多个待处理样本，其中，所述数据清洗至少包括：清除所包括的特征不满足该特征对应的特征条件的样本。

8.一种数据处理装置，其特征在于，所述装置包括：

向量获取单元，用于获取多个待处理样本各自所包括特征对应的向量，以得到待处理向量，其中，所述多个待处理样本包括正常用户样本以及欺诈用户样本；

向量输入单元，用于将所述待处理向量输入到因子分解机，将所述待处理向量输入到深度学习网络模型；

结果输出单元，用于获取所述因子分解机以及所述深度学习网络模型基于所述待处理向量输出的目标结果；

参数更新单元，用于根据所述目标结果以及所述深度学习网络模型的权重归一化损失函数，对所述深度学习网络模型包括的参数进行更新，以及对至少一个所述待处理样本对应于所述权重归一化损失函数的权重进行更新。

9.一种电子设备，其特征在于，包括处理器以及存储器；

一个或多个程序被存储在所述存储器中并被配置为由所述处理器执行以实现权利要求1-7任一所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序代码，其中，在所述程序代码被处理器运行时执行权利要求1-7任一所述的方法。