CN111191733B - 多数据来源的数据融合方法、装置、电子设备及存储介质 - Google Patents

多数据来源的数据融合方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111191733B
CN111191733B CN202010004568.6A CN202010004568A CN111191733B CN 111191733 B CN111191733 B CN 111191733B CN 202010004568 A CN202010004568 A CN 202010004568A CN 111191733 B CN111191733 B CN 111191733B
Authority
CN
China
Prior art keywords
data
fusion
fused
original
training feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010004568.6A
Other languages
English (en)
Other versions
CN111191733A (zh
Inventor
喻宁
陈克炎
朱艳乔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010004568.6A priority Critical patent/CN111191733B/zh
Publication of CN111191733A publication Critical patent/CN111191733A/zh
Application granted granted Critical
Priority to PCT/CN2020/119073 priority patent/WO2021135474A1/zh
Publication of CN111191733B publication Critical patent/CN111191733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种大数据技术，揭露了一种多数据来源的数据融合方法，包括：从客户端中获取原始待融合数据集、训练特征集和训练特征标签集，对所述原始待融合数据集进行数据映射操作，得到标准待融合数据集，利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型，将所述标准待融合数据集输入至所述标准融合模型进行融合操作得到融合数据，并将所述融合数据返回至所述客户端中。本发明还提出一种多数据来源的数据融合装置、电子设备以及一种计算机可读存储介质。本发明可以解决数据融合过程主观性强、融合准确率低的问题。

Description

多数据来源的数据融合方法、装置、电子设备及存储介质
技术领域
本发明涉及大数据技术领域，尤其涉及一种多数据来源的数据融合方法、装置、电子设备及可读存储介质。
背景技术
随着大数据及人工智能的发展，数据来源越来越多且越来越复杂，对数据分析工作带了巨大的挑战，因此在数据分析工作开始之前，先对数据进行融合是必不可少的措施。目前对于数据融合的手段主要有经验值方法和非监督方法，两种方法都可以完成数据融合，但经验值方法具有较大的主观性，而非监督方法由于缺乏标签数据的指导作用，容易导致融合后的数据精确性不高。
发明内容
本发明提供一种多数据来源的数据融合方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决数据融合过程主观性强、融合准确率低的问题。
为实现上述目的，本发明提供的一种多数据来源的数据融合方法，包括：
从客户端中获取原始待融合数据集、训练特征集和训练特征标签集，对所述原始待融合数据集进行数据映射操作，得到标准待融合数据集；
利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型；
将所述标准待融合数据集输入至所述标准融合模型进行融合操作得到融合数据，并将所述融合数据返回至所述客户端中。
可选地，所述利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型，包括：
初始化权重系数得到权重初始值，其中所述权重系数与所述训练特征集具有相同特征维度；
根据所述权重初始值构建原始逻辑回归模型；
构建求解所述原始逻辑回归模型损失值的损失函数；
将所述训练特征集作为所述损失函数的输入值、将所述训练特征标签集作为所述损失函数的标签值，最小化所述损失函数得到权重更新值；
将所述权重更新值替换所述原始逻辑回归模型的权重初始值，得到所述标准融合模型。
可选地，所述损失函数包括：
Figure BDA0002353873650000021
其中，J(θ)表示所述损失函数，k表示所述训练特征集的数量，yis表示使用所述原始逻辑回归模型预测第s个训练特征对应的预测融合数据，yjs表示第s个训练特征所对应的训练特征标签，θ表示所述权重系数。
可选地，所述数据映射操作包括：
采用下述计算方法进行数据归一化操作：
Figure BDA0002353873650000022
其中，x*为所述标准待融合数据集内的数据，min为所述原始待融合数据集的最小值，max为所述原始待融合数据集的最大值，x为所述原始待融合数据集内的数据。
可选地，所述还方法包括：
当所述融合数据返回至所述客户端成功时，在所述客户端内将所述融合数据与所述原始待融合数据集建立一对一对应关系；
根据所述一对一对应关系存储所述融合数据与所述原始待融合数据集。
为了解决上述问题，本发明还提供一种多数据来源的数据融合装置，所述装置包括：
数据映射模块，用于从客户端中获取原始待融合数据集、训练特征集和训练特征标签集，对所述原始待融合数据集进行数据映射操作，得到标准待融合数据集；
模型训练模块，用于利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型；
数据融合模块，用于将所述标准待融合数据集输入至所述标准融合模型进行融合操作得到融合数据，并将所述融合数据返回至所述客户端中。
可选地，所述利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型，包括：
初始化权重系数得到权重初始值，其中所述权重系数与所述训练特征集具有相同特征维度；
根据所述权重初始值构建原始逻辑回归模型；
构建求解所述原始逻辑回归模型损失值的损失函数；
将所述训练特征集作为所述损失函数的输入值、将所述训练特征标签集作为所述损失函数的标签值，最小化所述损失函数得到权重更新值；
将所述权重更新值替换所述原始逻辑回归模型的权重初始值，得到所述标准融合模型。
可选地，所述损失函数包括：
Figure BDA0002353873650000031
其中，J(θ)表示所述损失函数，k表示所述训练特征集的数量，yis表示使用所述原始逻辑回归模型预测第s个训练特征所对应的预测融合数据，yjs表示第s个训练特征所对应的训练特征标签，θ表示所述权重系数。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的多数据来源的数据融合方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的多数据来源的数据融合方法。
本发明实施例首先对原始待融合数据集进行数据映射操作得到标准待融合数据集，因为数据映射操作可以对数据进行降维，降低融合计算过程的复杂度，其次训练预构建的原始融合模型得到标准融合模型，利用所述标准融合模型对标准待融合数据集进行融合，整个过程没有人为的主动干预，降低因为人为干预导致主观性强、融合数据准确率低的问题。因此本发明提出的多数据来源的数据融合方法、装置、电子设备及计算机可读存储介质，可以解决数据融合过程主观性强、融合准确率低的问题。
附图说明
图1为本发明一实施例提供的多数据来源的数据融合方法的流程示意图；
图2为本发明一实施例提供的多数据来源的数据融合方法中S2的详细流程示意图；
图3为本发明一实施例提供的多数据来源的数据融合方法的模块示意图；
图4为本发明一实施例提供的多数据来源的数据融合方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种多数据来源的数据融合方法。参照图1所示，为本发明一实施例提供的多数据来源的数据融合方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，多数据来源的数据融合方法包括：
S1、从客户端中获取原始待融合数据集、训练特征集和训练特征标签集，对所述原始待融合数据集进行数据映射操作，得到标准待融合数据集。
本发明主要目的是对不同渠道的数据进行融合操作，具有较大的应用价值，其中汇集不同渠道的数据可得到原始待融合数据集。如小宇购买车险定价时，小宇上传了大量关于车险定价的数据，包括小宇的基本信息32岁、男、本科学历、城镇户口、市区一套住宅房、曾有过胃穿孔手术记录、丰田汽车、购买丰田汽车的购买价格为17万等，曾在保险公司内有三次理赔信息(包括驾驶的汽车发生意外的理赔等)，购买过医疗保险、失业保险等，上述关于小宇上传关于车险定价的数据即为原始待融合数据集，本发明的目的是根据所述原始待融合数据集求解最后的融合数据。
进一步地，所述数据映射操作包括数据归一化，由于数据来源于不同的渠道，数据数值的范围不尽相同，为了减轻计算压力，有必要对不同渠道的数据进行归一化处理，即将数据统一映射到区间[0,1]区间上。此处用到的数据的归一化方法为离差标准化，如下所示：
Figure BDA0002353873650000051
其中，x*为标准待融合数据，min为所述原始待融合数据集的最小值，max为所述原始待融合数据集的最大值，x为所述原始待融合数据集内的数据。
如某款游戏A上线公测，现从不同渠道得到对游戏A的评分标签数据，渠道1数据中某游戏的评分标签为65，评分范围为[0,100]、渠道2中该游戏的评分为0.46，评分范围为[0,1]、渠道3中对该游戏的评分为0，评分范围为[-1,1]，则经过上述归一化后，渠道1、渠道2、渠道3中游戏A的评分转变为0.65、0.46、0.50。
较佳地，所述训练特征集和所述训练特征标签集统称为训练数据集，如上述希望对小宇购买车险定价所上传的数据进行数据融合，需要预训练车险定价融合模型，而预训练车险定价融合模型需要有大量已有的训练数据集，如小张车险定价所上传的数据及融合完成的数据、小迟车险定价所上传的数据及融合完成的数据，其中训练特征集即为上传的数据，融合完成的数据即为训练特征标签集。
进一步地，所述训练特征集形式为：X(xi1，xi2，xi3，…，xik)，其中xi1，xi2，xi3，…，xik表示来自不同渠道的训练特征，且xi1，xi2，xi3，…，xik的特征维度相同，k表示所述训练特征集的数量。
S2、利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型。
详细地，所述利用所述训练数据集训练预构建的原始融合模型得到标准融合模型，可参阅图2详细流程示意图所示，包括：
S21、初始化权重系数得到权重初始值，其中所述权重系数与所述训练特征集具有相同特征维度；
S22、根据所述权重初始值构建原始逻辑回归模型，构建求解所述原始逻辑回归模型损失值的损失函数；
S23、将所述训练特征集作为所述损失函数的输入值、将所述训练特征标签集作为所述损失函数的标签值，最小化所述损失函数得到权重更新值；
S24、将所述权重更新值替换所述原始逻辑回归模型的权重初始值，得到所述标准融合模型。
具体地，所述原始逻辑回归模型依赖于当前已公开的逻辑方程，其中逻辑方程的数学表现形式如下：
logit(yis)＝θ0+θ1xi1+θ2xi2+…θsxis+…+θkxik+ei
其中，yis表示第s个训练特征所对应的预测融合值，ei为预设的误差值，θ0，θ1，…，θk即为权重系数。，若所述训练特征集内每个训练特征的维度为3，则权重系数的个数也为3。
进一步地，
Figure BDA0002353873650000061
联合上式得到所述原始逻辑回归模型为：
Figure BDA0002353873650000062
所述损失函数J(θ)为：
Figure BDA0002353873650000063
Figure BDA0002353873650000064
进一步得到损失函数为：
Figure BDA0002353873650000065
其中，yjs表示第s个训练特征所对应的训练特征标签。
详细地，将上述训练特征集X(xi1，xi2，xi3，…，xik)和所述训练特征标签集代入至所述损失函数中计算得到权重更新值。
S2步骤主要是通过求解最小化损失函数J(θ)从而得到权重系数θ0、θ1、θ2、θk，其中ei代表训练过程的误差。
S3、将所述标准待融合数据集输入至所述标准融合模型进行融合操作得到融合数据，并将所述融合数据返回至所述客户端中。
如S2所述得到包括权重更新值的标准融合模型如下：
Figure BDA0002353873650000071
其中，β0，β1，…，βs，…，βk表示所述权重更新值。
如上所述，某款游戏A上线公测，进行归一化后得到的游戏评分为0.65、0.46、0.50，则将0.65表示xi1、0.46表示xi2，以此类推，求解所述标准融合模型得到融合数据yis。
进一步地，本实施例还包括：当所述融合数据返回至所述客户端成功时，在所述客户端内将所述融合数据与所述原始待融合数据集建立一对一对应关系，并根据所述一对一对应关系存储所述融合数据与所述原始待融合数据集。
如图3所示，是本发明多数据来源的数据融合装置的功能模块图。
本发明所述多数据来源的数据融合装置100可以安装于电子设备中。根据实现的功能，所述多数据来源的数据融合装置100可以包括数据映射模块101、模型训练模块102、数据融合模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备的处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据映射模块101，用于从客户端中获取原始待融合数据集、训练特征集和训练特征标签集，对所述原始待融合数据集进行数据映射操作，得到标准待融合数据集；
所述模型训练模块102，用于利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型；
所述数据融合模块103，用于将所述标准待融合数据集输入至所述标准融合模型进行融合操作得到融合数据，并将所述融合数据返回至所述客户端中。
详细地，所述多数据来源的数据融合装置各模块在被一个电子设备的处理器所执行时，可以实现如下方法步骤：
所述数据映射模块101从客户端中获取原始待融合数据集、训练特征集和训练特征标签集，对所述原始待融合数据集进行数据映射操作，得到标准待融合数据集。
本发明主要目的是对不同渠道的数据进行融合操作，具有较大的应用价值，其中汇集不同渠道的数据可得到原始待融合数据集。如小宇购买车险定价时，小宇上传了大量关于车险定价的数据，包括小宇的基本信息32岁、男、本科学历、城镇户口、市区一套住宅房、曾有过胃穿孔手术记录、丰田汽车、购买丰田汽车的购买价格为17万等，曾在保险公司内有三次理赔信息(包括驾驶的汽车发生意外的理赔等)，购买过医疗保险、失业保险等，上述关于小宇上传关于车险定价的数据即为原始待融合数据集，本发明的目的是根据所述原始待融合数据集求解最后的融合数据。
进一步地，所述数据映射操作包括数据归一化，由于数据来源于不同的渠道，数据数值的范围不尽相同，为了减轻计算压力，有必要对不同渠道的数据进行归一化处理，即将数据统一映射到区间[0,1]区间上。此处用到的数据的归一化方法为离差标准化，如下所示：
Figure BDA0002353873650000081
其中，x*为标准待融合数据，min为所述原始待融合数据集的最小值，max为所述原始待融合数据集的最大值，x为所述原始待融合数据集内的数据。
如某款游戏A上线公测，现从不同渠道得到对游戏A的评分标签数据，渠道1数据中某游戏的评分标签为65，评分范围为[0,100]、渠道2中该游戏的评分为0.46，评分范围为[0,1]、渠道3中对该游戏的评分为0，评分范围为[-1,1]，则经过上述归一化后，渠道1、渠道2、渠道3中游戏A的评分转变为0.65、0.46、0.50。
较佳地，所述训练特征集和所述训练特征标签集统称为训练数据集，如上述希望对小宇购买车险定价所上传的数据进行数据融合，需要预训练车险定价融合模型，而预训练车险定价融合模型需要有大量已有的训练数据集，如小张车险定价所上传的数据及融合完成的数据、小迟车险定价所上传的数据及融合完成的数据，其中训练特征集即为上传的数据，融合完成的数据即为训练特征标签集。
进一步地，所述训练特征集形式为：X(xi1，xi2，xi3，…，xik)，其中xi1，xi2，xi3，…，xik表示来自不同渠道的训练特征，且xi1，xi2，xi3，…，xik的特征维度相同，k表示所述训练特征集的数量。
所述模型训练模块102利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型。
详细地，所述利用所述训练数据集训练预构建的原始融合模型得到标准融合模型，包括：初始化权重系数得到权重初始值，其中所述权重系数与所述训练特征集具有相同特征维度，根据所述权重初始值构建原始逻辑回归模型，构建求解所述原始逻辑回归模型损失值的损失函数，将所述训练特征集作为所述损失函数的输入值、将所述训练特征标签集作为所述损失函数的标签值，最小化所述损失函数得到权重更新值，将所述权重更新值替换所述原始逻辑回归模型的权重初始值，得到所述标准融合模型。
具体地，所述原始逻辑回归模型依赖于当前已公开的逻辑方程，其中逻辑方程的数学表现形式如下：
logit(yis)＝θ0+θ1xi1+θ2xi2+…θsxis+…+θkxik+ei
其中，yis表示第s个训练特征所对应的预测融合值，ei为预设的误差值，θ0，θ1，…，θk即为权重系数。，若所述训练特征集内每个训练特征的维度为3，则权重系数的个数也为3。
进一步地，
Figure BDA0002353873650000091
联合上式得到所述原始逻辑回归模型为：
Figure BDA0002353873650000092
所述损失函数J(θ)为：
Figure BDA0002353873650000093
Figure BDA0002353873650000094
进一步得到损失函数为：
Figure BDA0002353873650000095
其中，yjs表示第s个训练特征所对应的训练特征标签。
详细地，将上述训练特征集X(xi1，xi2，xi3，…，xik)和所述训练特征标签集代入至所述损失函数中计算得到权重更新值。
模型训练模块102主要是通过求解最小化损失函数J(θ)从而得到权重系数θ0、θ1、θ2、θk，其中ei代表训练过程的误差。
所述数据融合模块103将所述标准待融合数据集输入至所述标准融合模型进行融合操作得到融合数据，并将所述融合数据返回至所述客户端中。
如模型训练模块102所述得到包括权重更新值的标准融合模型如下：
Figure BDA0002353873650000101
其中，β0，β1，…，βs，…，βk表示所述权重更新值。
如上所述，某款游戏A上线公测，进行归一化后得到的游戏评分为0.65、0.46、0.50，则将0.65表示xi1、0.46表示xi2，以此类推，求解所述标准融合模型得到融合数据yis。
进一步地，本实施例还包括：当所述融合数据返回至所述客户端成功时，在所述客户端内将所述融合数据与所述原始待融合数据集建立一对一对应关系，并根据所述一对一对应关系存储所述融合数据与所述原始待融合数据集。
如图4所示，是本发明实现多数据来源的数据融合方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如多数据来源的数据融合程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如多数据来源的数据融合程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行多数据来源的数据融合程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图4示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的多数据来源的数据融合12是多个指令的组合，在所述处理器10中运行时，可以实现：
从客户端中获取原始待融合数据集、训练特征集和训练特征标签集，对所述原始待融合数据集进行数据映射操作，得到标准待融合数据集。
利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型。
将所述标准待融合数据集输入至所述标准融合模型进行融合操作得到融合数据，并将所述融合数据返回至所述客户端中。
具体地，所述处理器10对上述指令的具体实现方法可参考图3对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (7)

1.一种多数据来源的数据融合方法，其特征在于，所述方法应用于电子设备中，包括：
从客户端中获取原始待融合数据集、训练特征集和训练特征标签集，对所述原始待融合数据集进行数据映射操作，得到标准待融合数据集，其中，所述原始待融合数据集包括不同渠道的数据，所述训练特征集形式为：X(xi1,xi2,xi3,…,xik)，其中xi1,xi2,xi3,…,xik表示来自不同渠道的训练特征，且xi1,xi2,xi3,…,xik的特征维度相同，k表示所述训练特征集的数量；
利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型，其中，所述利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型，包括：
初始化权重系数得到权重初始值，其中所述权重系数与所述训练特征集具有相同特征维度；
根据所述权重初始值构建原始逻辑回归模型；
构建求解所述原始逻辑回归模型损失值的损失函数；
将所述训练特征集作为所述损失函数的输入值、将所述训练特征标签集作为所述损失函数的标签值，最小化所述损失函数得到权重更新值；
将所述权重更新值替换所述原始逻辑回归模型的权重初始值，得到所述标准融合模型；
将所述标准待融合数据集输入至所述标准融合模型进行融合操作得到融合数据，并将所述融合数据返回至所述客户端；
当所述融合数据返回至所述客户端成功时，在所述客户端内将所述融合数据与所述原始待融合数据集建立一对一对应关系；
根据所述一对一对应关系存储所述融合数据与所述原始待融合数据集。
2.如权利要求1所述的多数据来源的数据融合方法，其特征在于，所述损失函数包括：
Figure FDA0002640721860000021
其中，J(θ)表示所述损失函数，k表示所述训练特征集的数量，yis表示利用所述原始逻辑回归模型预测第s个训练特征对应的预测融合数据，yjs表示第s个训练特征所对应的训练特征标签，θ表示所述权重系数。
3.如权利要求1所述的多数据来源的数据融合方法，其特征在于，所述数据映射操作包括：
采用下述计算方法进行数据归一化操作：
Figure FDA0002640721860000022
其中，x*为所述标准待融合数据集内的数据，min为所述原始待融合数据集的最小值，max为所述原始待融合数据集的最大值，x为所述原始待融合数据集内的数据。
4.一种多数据来源的数据融合装置，其特征在于，所述装置包括：
数据映射模块，用于从客户端中获取原始待融合数据集、训练特征集和训练特征标签集，对所述原始待融合数据集进行数据映射操作，得到标准待融合数据集，其中，所述原始待融合数据集包括不同渠道的数据，所述训练特征集形式为：X(xi1,xi2,xi3,…,xik)，其中xi1,xi2,xi3,…,xik表示来自不同渠道的训练特征，且xi1,xi2,xi3,…,xik的特征维度相同，k表示所述训练特征集的数量；
模型训练模块，用于利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型，其中，所述利用所述训练特征集和所述训练特征标签集，训练预构建的原始融合模型，得到标准融合模型，包括：
初始化权重系数得到权重初始值，其中所述权重系数与所述训练特征集具有相同特征维度；
根据所述权重初始值构建原始逻辑回归模型；
构建求解所述原始逻辑回归模型损失值的损失函数；
将所述训练特征集作为所述损失函数的输入值、将所述训练特征标签集作为所述损失函数的标签值，最小化所述损失函数得到权重更新值；
将所述权重更新值替换所述原始逻辑回归模型的权重初始值，得到所述标准融合模型；
数据融合模块，用于将所述标准待融合数据集输入至所述标准融合模型进行融合操作得到融合数据，并将所述融合数据返回至所述客户端中；
数据存储模块：用于当所述融合数据返回至所述客户端成功时，在所述客户端内将所述融合数据与所述原始待融合数据集建立一对一对应关系，根据所述一对一对应关系存储所述融合数据与所述原始待融合数据集。
5.如权利要求4所述的多数据来源的数据融合装置，其特征在于，所述损失函数包括：
Figure FDA0002640721860000031
其中，J(θ)表示所述损失函数，k表示所述训练特征集的数量，yis表示使用所述原始逻辑回归模型预测第s个训练特征所对应的预测融合数据，yjs表示第s个训练特征所对应的训练特征标签，θ表示所述权重系数。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至3中任一所述的多数据来源的数据融合方法。
7.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3中任一所述的多数据来源的数据融合方法。
CN202010004568.6A 2020-01-02 2020-01-02 多数据来源的数据融合方法、装置、电子设备及存储介质 Active CN111191733B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010004568.6A CN111191733B (zh) 2020-01-02 2020-01-02 多数据来源的数据融合方法、装置、电子设备及存储介质
PCT/CN2020/119073 WO2021135474A1 (zh) 2020-01-02 2020-09-29 多数据来源的数据融合方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010004568.6A CN111191733B (zh) 2020-01-02 2020-01-02 多数据来源的数据融合方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111191733A CN111191733A (zh) 2020-05-22
CN111191733B true CN111191733B (zh) 2020-09-29

Family

ID=70708372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010004568.6A Active CN111191733B (zh) 2020-01-02 2020-01-02 多数据来源的数据融合方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN111191733B (zh)
WO (1) WO2021135474A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191733B (zh) * 2020-01-02 2020-09-29 平安科技（深圳）有限公司 多数据来源的数据融合方法、装置、电子设备及存储介质
CN113610127B (zh) * 2021-07-26 2024-10-15 上海德衡数据科技有限公司 基于遗传交叉算法的图像特征融合方法及系统
CN113592019B (zh) * 2021-08-10 2023-09-15 平安银行股份有限公司 基于多模型融合的故障检测方法、装置、设备及介质
CN116303392B (zh) * 2023-03-02 2023-09-01 重庆市规划和自然资源信息中心 关于不动产登记数据的多源数据表管理方法
CN117349785B (zh) * 2023-08-24 2024-04-05 长江水上交通监测与应急处置中心 一种航运政务信息资源多源数据融合方法及系统
CN117648670B (zh) * 2024-01-24 2024-04-12 润泰救援装备科技河北有限公司 救援数据融合方法、电子设备、存储介质及救援消防车

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103970271A (zh) * 2014-04-04 2014-08-06 浙江大学 融合运动和生理传感数据的日常活动识别方法
CN108647716A (zh) * 2018-05-09 2018-10-12 北京理工大学 一种基于复合信息的光伏阵列故障诊断方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610194B (zh) * 2017-08-14 2020-08-04 成都大学 基于多尺度融合cnn的磁共振图像超分辨率重建方法
WO2019173734A1 (en) * 2018-03-09 2019-09-12 Zestfinance, Inc. Systems and methods for providing machine learning model evaluation by using decomposition
CN109271901A (zh) * 2018-08-31 2019-01-25 武汉大学 一种基于多源信息融合的手语识别方法
CN110197218B (zh) * 2019-05-24 2021-02-12 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN110288023A (zh) * 2019-06-26 2019-09-27 广州小鹏汽车科技有限公司 融合方法及装置、检测方法、获取方法、服务器和车辆
CN110349652B (zh) * 2019-07-12 2022-02-22 之江实验室 一种融合结构化影像数据的医疗数据分析系统
CN111191733B (zh) * 2020-01-02 2020-09-29 平安科技（深圳）有限公司 多数据来源的数据融合方法、装置、电子设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103970271A (zh) * 2014-04-04 2014-08-06 浙江大学 融合运动和生理传感数据的日常活动识别方法
CN108647716A (zh) * 2018-05-09 2018-10-12 北京理工大学 一种基于复合信息的光伏阵列故障诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
多源异构数据融合关键技术研究及其应用;贺雅琪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20181015(第10期);I140-110页第五章 *
贺雅琪.多源异构数据融合关键技术研究及其应用.《中国优秀硕士学位论文全文数据库 信息科技辑》.2018,(第10期),I140-110. *

Also Published As

Publication number Publication date
WO2021135474A1 (zh) 2021-07-08
CN111191733A (zh) 2020-05-22

Similar Documents

Publication Publication Date Title
CN111191733B (zh) 多数据来源的数据融合方法、装置、电子设备及存储介质
CN112257774A (zh) 基于联邦学习的目标检测方法、装置、设备及存储介质
CN111932564B (zh) 图片识别方法、装置、电子设备及计算机可读存储介质
CN112801718B (zh) 用户行为预测方法、装置、设备及介质
CN111932534B (zh) 医学影像图片分析方法、装置、电子设备及可读存储介质
CN114663198A (zh) 基于用户画像的产品推荐方法、装置、设备及存储介质
CN113657495A (zh) 基于概率预测模型的保险产品推荐方法、装置、设备
CN114187489B (zh) 车辆异常驾驶风险检测方法、装置、电子设备及存储介质
CN114511038A (zh) 虚假新闻检测方法、装置、电子设备及可读存储介质
CN114491047A (zh) 多标签文本分类方法、装置、电子设备及存储介质
CN113268665A (zh) 基于随机森林的信息推荐方法、装置、设备及存储介质
CN112885423A (zh) 疾病标签检测方法、装置、电子设备及存储介质
CN113240351A (zh) 业务数据一致性检查方法、装置、电子设备及介质
CN114708461A (zh) 基于多模态学习模型的分类方法、装置、设备及存储介质
CN111652282A (zh) 基于大数据的用户偏好分析方法、装置及电子设备
CN111985545A (zh) 基于人工智能的目标数据检测方法、装置、设备及介质
CN113420847B (zh) 基于人工智能的目标对象匹配方法及相关设备
CN114880449A (zh) 智能问答的答复生成方法、装置、电子设备及存储介质
CN112712797A (zh) 语音识别方法、装置、电子设备及可读存储介质
CN115049374B (zh) 一种工艺设备的数据加工方法及装置
CN111651292A (zh) 数据校验方法、装置、电子设备及计算机可读存储介质
CN115146064A (zh) 意图识别模型优化方法、装置、设备及存储介质
CN114186860A (zh) 基于组件化平台的业务下放方法、装置、设备及介质
CN114398890A (zh) 文本增强方法、装置、设备及存储介质
CN114399368A (zh) 基于人工智能的商品推荐方法、装置、电子设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant