[發(fā)明專利]一種基于深度學習的數(shù)據(jù)處理方法、相關設備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202011041771.7
• 申請日: 2020-09-28
• 公開（公告）號: CN114298118A
• 公開（公告）日: 2022-04-08
• 發(fā)明（設計）人: 趙猛
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F16/9535
• 代理公司: 廣州三環(huán)專利商標代理有限公司 44202
• 代理人: 熊永強;杜維

1.一種基于深度學習的數(shù)據(jù)處理方法，其特征在于，所述方法包括：

獲取目標用戶的特征數(shù)據(jù)集，所述特征數(shù)據(jù)集包括用于描述所述目標用戶的特征的多個用戶特征向量；

從多個虛擬類向量中獲取與第一標簽特征向量之間的相似度最高的虛擬類向量，所述第一標簽特征向量為預定義的多個分類標簽中任意一個分類標簽的特征向量，所述多個虛擬類向量是根據(jù)所述多個用戶特征向量的數(shù)量和維度生成的；

利用所述相似度最高的虛擬類向量和所述多個用戶特征向量生成所述目標用戶的融合特征向量；

根據(jù)所述融合特征向量和所述第一標簽特征向量確定所述目標用戶與所述第一標簽特征向量對應的分類標簽之間的匹配度。

2.根據(jù)權利要求1所述的方法，其特征在于，所述根據(jù)所述融合特征向量和所述第一標簽特征向量確定所述目標用戶與所述第一標簽特征向量對應的分類標簽之間的匹配度，包括：

將所述融合特征向量和所述第一標簽特征向量輸入標簽匹配模型的匹配層，得到所述匹配層的輸出結果；

根據(jù)所述輸出結果確定所述目標用戶與所述第一標簽特征向量對應的分類標簽之間的匹配度。

3.根據(jù)權利要求1或2所述的方法，其特征在于，所述利用所述相似度最高的虛擬類向量和所述多個用戶特征向量生成所述目標用戶的融合特征向量，包括：

從多個候選特征向量中確定所述相似度最高的虛擬類向量對應的目標候選特征向量，所述多個候選特征向量中的每個候選特征向量是根據(jù)所述多個虛擬類向量中的其中一個虛擬類向量和所述多個用戶特征向量生成的；

利用所述目標候選特征向量和所述多個用戶特征向量生成所述目標用戶的融合特征向量。

4.根據(jù)權利要求3所述的方法，其特征在于，所述從多個候選特征向量中確定所述索引對應的目標候選特征向量之前，所述方法還包括：

針對所述多個虛擬類向量中的任一虛擬類向量，利用注意力網(wǎng)絡對所述任一虛擬類向量和所述多個用戶特征向量進行數(shù)據(jù)處理，以得到多個候選特征向量。

5.根據(jù)權利要求1所述的方法，其特征在于，所述利用所述相似度最高的虛擬類向量和所述多個用戶特征向量生成所述目標用戶的融合特征向量，包括：

利用注意力網(wǎng)絡對所述相似度最高的虛擬類向量和所述多個用戶特征向量進行數(shù)據(jù)處理，以得到目標候選特征向量；

利用所述目標候選特征向量和所述多個用戶特征向量生成所述目標用戶的融合特征向量。

6.根據(jù)權利要求3或5所述的方法，其特征在于，所述利用所述目標候選特征向量和所述多個用戶特征向量生成所述目標用戶的融合特征向量，包括：

利用自注意力網(wǎng)絡對所述多個用戶特征向量進行數(shù)據(jù)處理，以得到所述目標用戶的自交叉特征向量；

對所述目標候選特征向量和所述自交叉特征向量進行融合處理，以得到所述目標用戶的融合特征向量。

7.根據(jù)權利要求1所述的方法，其特征在于，所述從多個虛擬類向量中獲取與第一標簽特征向量之間的相似度最高的虛擬類向量，包括：

獲取第一標簽特征向量對應的分類標簽；

從索引與標簽的映射關系表中查詢所述分類標簽對應的目標索引，所述索引與標簽的映射關系表包括所述多個分類標簽中每個分類標簽以及對應的相似度最高的虛擬類向量的索引；

將多個虛擬類向量中所述目標索引對應的虛擬類向量作為與所述第一標簽特征向量之間的相似度最高的虛擬類向量。

8.根據(jù)權利要求7所述的方法，其特征在于，所述從多個虛擬類向量中獲取與第一標簽特征向量之間的相似度最高的虛擬類向量之前，所述方法還包括：

針對所述多個分類標簽中每個分類標簽對應的標簽特征向量，從多個虛擬類向量中獲取與所述標簽特征向量之間的相似度最高的目標虛擬類向量；

獲取所述目標虛擬類向量的索引；

根據(jù)所述目標虛擬類向量的索引創(chuàng)建索引與標簽的映射關系表，所述索引與標簽的映射關系表包括所述每個分類標簽以及對應的目標虛擬類向量的索引。