[發(fā)明專利]數(shù)據離散化模型訓練方法和裝置、數(shù)據離散方法

有效

• 申請?zhí)枺?/td>: 201810307364.2
• 申請日: 2018-04-08
• 公開（公告）號: CN108509627B
• 公開（公告）日: 2021-08-31
• 發(fā)明（設計）人: 徐挺洋;鄭胤;黃俊洲
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06N3/08
• 代理公司: 廣州華進聯(lián)合專利商標代理有限公司 44224
• 代理人: 何平;鄧云鵬

1.一種數(shù)據離散化模型訓練方法，其特征在于，所述方法包括：

獲取離散訓練數(shù)據和離散區(qū)間數(shù)；

將所述離散訓練數(shù)據輸入編碼神經網絡，生成與所述離散區(qū)間數(shù)相同數(shù)量的高斯參數(shù)；

基于所述高斯參數(shù)生成與所述離散訓練數(shù)據對應的隱層變量；

將所述隱層變量輸入解碼神經網絡，得到還原數(shù)據；

根據所述離散訓練數(shù)據和所述還原數(shù)據調整所述編碼神經網絡和所述解碼神經網絡的參數(shù)，并返回將所述離散訓練數(shù)據輸入編碼神經網絡，生成與所述離散區(qū)間數(shù)相同數(shù)量的高斯參數(shù)的步驟，直至滿足預設迭代結束條件；

將所述編碼神經網絡最終生成的高斯參數(shù)作為各離散區(qū)間的特征。

2.根據權利要求1所述的方法，其特征在于，所述基于所述高斯參數(shù)生成與所述離散訓練數(shù)據對應的隱層變量，包括：

基于預設分類分布，生成與所述離散訓練數(shù)據中各數(shù)據對應的分布選擇參數(shù)；

分別根據所述分布選擇參數(shù)，生成與所述離散訓練數(shù)據中各數(shù)據對應的隱層變量。

3.根據權利要求2所述的方法，其特征在于，所述分別根據所述分布選擇參數(shù)生成與所述離散訓練數(shù)據中各數(shù)據對應的隱層變量，包括：

獲取與所述分布選擇參數(shù)對應的高斯參數(shù)；

分別根據所述高斯參數(shù)生成與所述離散訓練數(shù)據中各數(shù)據對應的隱層變量。

4.根據權利要求1所述的方法，其特征在于，所述將所述隱層變量輸入所述解碼神經網絡，得到還原數(shù)據，包括：

將所述隱層變量輸入解碼神經 網絡，并獲取所述離散訓練數(shù)據的數(shù)據類型；

根據所述數(shù)據類型生成與所述數(shù)據類型對應的分布參數(shù)；

按照所述分布參數(shù)將所述隱層變量解碼還原成與所述離散訓練數(shù)據對應的還原數(shù)據。

5.根據權利要求4所述的方法，其特征在于，所述數(shù)據類型包括二值化數(shù)據和連續(xù)型數(shù)據，所述方法還包括：

當所述離散訓練數(shù)據為二值化數(shù)據時，生成伯努利分布參數(shù)；

根據所述伯努利分布參數(shù)將所述隱層變量解碼還原成與所述離散訓練數(shù)據對應的還原數(shù)據；

當所述離散訓練數(shù)據為連續(xù)型數(shù)據時，生成高斯分布參數(shù)；

根據所述高斯分布參數(shù)將所述隱層變量解碼還原成與所述離散訓練數(shù)據對應的還原數(shù)據。

6.根據權利要求1所述的方法，其特征在于，所述根據所述離散訓練數(shù)據和所述還原數(shù)據調整所述編碼神經網絡的參數(shù)，并返回將所述離散訓練數(shù)據輸入編碼神經網絡，生成與所述離散區(qū)間數(shù)相同數(shù)量的高斯參數(shù)的步驟，直至滿足預設迭代結束條件，包括：

獲取所述離散訓練數(shù)據和所述還原數(shù)據的重構損失；

根據所述重構損失調整所述編碼神經網絡和所述解碼神經網絡的參數(shù)，并返回將所述離散訓練數(shù)據輸入編碼神經網絡，生成與所述離散區(qū)間數(shù)相同數(shù)量的高斯參數(shù)的步驟，直至所述重構損失滿足預設迭代結束條件。

7.根據權利要求1至6任一項所述的方法，其特征在于，所述獲取離散訓練數(shù)據和離散區(qū)間數(shù)之前，還包括：

獲取待離散數(shù)據；

對所述待離散數(shù)據進行復制處理，得到預設維數(shù)的訓練數(shù)據；

根據所述訓練數(shù)據生成多維的離散訓練數(shù)據。

8.一種數(shù)據離散方法，其特征在于，所述方法包括：

獲取輸入數(shù)據；

將所述輸入數(shù)據輸入預先訓練好的數(shù)據離散化模型，得到與所述輸入數(shù)據對應的高斯參數(shù)，根據所述高斯參數(shù)生成所述輸入數(shù)據離散后的離散數(shù)據；所述數(shù)據離散化模型由權利要求1-7任一項所述的數(shù)據離散化模型訓練方法訓練得到。

9.根據權利要求8所述的方法，其特征在于，所述將所述輸入數(shù)據輸入預先訓練好的數(shù)據離散化模型，得到所述輸入數(shù)據對應的高斯參數(shù)，根據所述高斯參數(shù)生成所述輸入數(shù)據離散后的離散數(shù)據，包括：

將所述輸入數(shù)據輸入預先訓練好的數(shù)據離散化模型，得到所述輸入數(shù)據屬于各高斯參數(shù)對應的高斯分布的概率，根據所述概率確定與所述輸入數(shù)據所屬的高斯分布，根據確定結果生成所述輸入數(shù)據離散后的離散數(shù)據。