[發(fā)明專利]一種數(shù)據(jù)處理方法及相關(guān)設(shè)備

在審

• 申請?zhí)枺?/td>: 202010099636.1
• 申請日: 2020-02-18
• 公開（公告）號: CN111291125A
• 公開（公告）日: 2020-06-16
• 發(fā)明（設(shè)計）人: 張雨豪;劉洪
• 申請（專利權(quán)）人: 廣州騰訊科技有限公司
• 主分類號: G06F16/27
• 分類號: G06F16/27;G06F16/28;G06F16/2458;G06N20/00;G06Q30/02;G06Q50/00
• 代理公司: 廣州三環(huán)專利商標(biāo)代理有限公司 44202
• 代理人: 熊永強;杜維

1.一種數(shù)據(jù)處理方法，其特征在于，所述方法包括：

獲取目標(biāo)對象的關(guān)聯(lián)數(shù)據(jù)集，所述目標(biāo)對象的關(guān)聯(lián)數(shù)據(jù)集包括在目標(biāo)時間段內(nèi)被執(zhí)行的、且與所述目標(biāo)對象相關(guān)聯(lián)的多條行為數(shù)據(jù)；所述目標(biāo)時間段包括N個時間分片，N為正整數(shù)；

根據(jù)所述目標(biāo)對象的關(guān)聯(lián)數(shù)據(jù)集分別獲取所述目標(biāo)對象在每個時間分片內(nèi)的關(guān)聯(lián)行為特征；

采用所述目標(biāo)對象在每個時間分片內(nèi)的關(guān)聯(lián)行為特征構(gòu)建所述目標(biāo)對象的N維時序特征序列；

調(diào)用時序分類模型對所述目標(biāo)對象的N維時序特征序列進(jìn)行識別得到所述目標(biāo)對象的類型。

2.如權(quán)利要求1所述的方法，其特征在于，所述關(guān)聯(lián)行為特征包括行為屬性特征和交互群體特征；所述行為數(shù)據(jù)包括行為時間；

根據(jù)所述目標(biāo)對象的關(guān)聯(lián)數(shù)據(jù)集獲取所述目標(biāo)對象在第i個時間分片內(nèi)的關(guān)聯(lián)行為特征，包括：

從所述目標(biāo)對象的關(guān)聯(lián)數(shù)據(jù)集中選取行為時間位于所述第i個時間分片內(nèi)的行為數(shù)據(jù)；

統(tǒng)計所選取的行為數(shù)據(jù)的行為屬性特征和交互群體特征；

將統(tǒng)計得到的行為屬性特征和交互群體特征進(jìn)行融合，得到所述目標(biāo)對象在所述第i個時間分片內(nèi)的關(guān)聯(lián)行為特征；

其中，i為正整數(shù)，且1≤i≤N。

3.如權(quán)利要求2所述的方法，其特征在于，所述行為屬性特征用于表示行為數(shù)據(jù)的屬性，所述行為數(shù)據(jù)的屬性包括以下至少一種：行為時間、行為地點、行為方式；所述交互群體特征用于表示與所述目標(biāo)對象產(chǎn)生交互的群體的特征；

若所述目標(biāo)對象為目標(biāo)商戶；所述與所述目標(biāo)對象相關(guān)聯(lián)的行為數(shù)據(jù)是指在所述目標(biāo)商戶的服務(wù)范圍內(nèi)產(chǎn)生的消費行為數(shù)據(jù)；所述行為數(shù)據(jù)的屬性包括以下至少一種：消費次數(shù)、消費金額、支付方式、消費內(nèi)容；所述交互群體特征是指在所述目標(biāo)商戶的服務(wù)范圍內(nèi)執(zhí)行消費行為的用戶群體特征，所述交互群體特征包括以下至少一種：年齡、學(xué)歷、性別、愛好。

4.如權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

獲取樣本集及待訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，所述樣本集包括多個樣本對象及每個樣本對象的N維時序特征序列；

獲取所述每個樣本對象的類型標(biāo)簽；

采用所述樣本集及所述每個樣本對象的類型標(biāo)簽對所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到所述時序分類模型。

5.如權(quán)利要求4所述的方法，其特征在于，所述采用所述樣本集及所述每個樣本對象的類型標(biāo)簽對所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練得到所述時序分類模型，包括：

獲取所述神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)；

將所述樣本集中的各個樣本對象的N維時序特征序列設(shè)置為所述神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，并將所述每個樣本對象的類型標(biāo)簽設(shè)置為所述神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練目標(biāo)；

按照減小所述損失函數(shù)的值的方向?qū)λ錾窠?jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

當(dāng)所述損失函數(shù)的值小于損失閾值時，獲取訓(xùn)練獲得的所述時序分類模型。

6.如權(quán)利要求4所述的方法，其特征在于，所述樣本集包含第一樣本對象，所述第一樣本對象為所述多個樣本對象中的任一個；所述第一樣本對象的N維時序特征序列通過以下方式被添加至所述樣本集中：

獲取數(shù)據(jù)庫，所述數(shù)據(jù)庫包括多個行為數(shù)據(jù)，每個行為數(shù)據(jù)與一個樣本對象相關(guān)聯(lián)；

從所述數(shù)據(jù)庫中篩選出所述第一樣本對象的關(guān)聯(lián)數(shù)據(jù)集，所述第一樣本對象的關(guān)聯(lián)數(shù)據(jù)集包括在目標(biāo)時間段內(nèi)被執(zhí)行的、且與所述第一樣本對象相關(guān)聯(lián)的多條行為數(shù)據(jù)；

根據(jù)所述第一樣本對象的關(guān)聯(lián)數(shù)據(jù)集分別獲取所述第一樣本對象在每個時間分片內(nèi)的關(guān)聯(lián)行為特征；

采用所述第一樣本對象在每個時間分片內(nèi)的關(guān)聯(lián)行為特征構(gòu)建所述第一樣本對象的N維時序特征序列；

將所述第一樣本對象的N維時序特征序列添加至所述樣本集中。

7.如權(quán)利要求1所述的方法，其特征在于，所述采用所述目標(biāo)對象在每個時間分片內(nèi)的關(guān)聯(lián)行為特征構(gòu)建所述目標(biāo)對象的N維時序特征序列，包括：

獲取N個時間分片的先后順序；

按照所述N個時間分片的先后順序?qū)⑺瞿繕?biāo)對象在每個時間分片內(nèi)的關(guān)聯(lián)行為特征進(jìn)行拼接，形成所述目標(biāo)對象的N維時序特征序列。