CN117911135A - 数据处理方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种数据处理方法、装置、电子设备及存储介质。具体方案为：获取目标用户在目标业务下所产生的待处理数据；其中，待处理数据来源于至少两个数据渠道，待处理数据包括每个数据渠道下的用户属性数据以及用户行为数据；基于属性评估模型中的至少两个单渠道特征提取模块对不同渠道下的待处理数据进行处理，得到单一渠道下的处理结果，并基于属性评估模型中的多渠道融合模块对处理结果融合处理，得到目标处理结果；其中，单渠道特征提取模块，用于处理一个渠道下所产生的待处理数据；展示目标处理结果。本发明实现了对多渠道数据的处理，保证了目标处理结果的准确性，提高了数据处理的效率。

Description

数据处理方法、装置、电子设备及存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种数据处理方法、装置、电子设备及存储介质。

背景技术

随着人口老龄化问题日趋凸显，个人养老金逐渐被重视。因此，精准高效的个人养老金业务变得关键。

目前，对于个人养老金的业务处理多是简单的统计学计算或是传统机器学习方法。但是，统计学计算的方式主要依赖人工进行处理，则计算成本较高，且人工处理容易受到主观经验的影响，从而无法保证业务的精准处理。而利用传统机器学习方式处理时，需要人工提取特征，场景适应性不强，无法满足对海量用户进行精准处理的需求。另外，现有技术中多是使用单渠道的用户数据对神经网络模型进行训练，没有对多渠道的数据进行处理，从而导致输出结果存在单一性。

发明内容

本发明提供了一种数据处理方法、装置、电子设备及存储介质，实现了对多渠道数据的处理，保证了目标处理结果的准确性，提高了数据处理的效率。

根据本发明的一方面，提供了一种数据处理方法，该方法包括：

获取目标用户在目标业务下所产生的待处理数据；其中，待处理数据来源于至少两个数据渠道，待处理数据包括每个数据渠道下的用户属性数据以及用户行为数据；

基于属性评估模型中的至少两个单渠道特征提取模块对不同渠道下的待处理数据进行处理，得到单一渠道下的处理结果，并基于属性评估模型中的多渠道融合模块对处理结果融合处理，得到目标处理结果；其中，单渠道特征提取模块，用于处理一个渠道下所产生的待处理数据；

展示目标处理结果。

根据本发明的另一方面，提供了一种数据处理装置，该装置包括：

数据获取模块，用于获取目标用户在目标业务下所产生的待处理数据；其中，待处理数据来源于至少两个数据渠道，待处理数据包括每个数据渠道下的用户属性数据以及用户行为数据；

处理结果确定模块，用于基于属性评估模型中的至少两个单渠道特征提取模块对不同渠道下的待处理数据进行处理，得到单一渠道下的处理结果，并基于属性评估模型中的多渠道融合模块对处理结果融合处理，得到目标处理结果；其中，单渠道特征提取模块，用于处理一个渠道下所产生的待处理数据；

结果展示模块，用于展示目标处理结果。

根据本发明的另一方面，提供了一种电子设备，该电子设备包括：

至少一个处理器；以及

与至少一个处理器通信连接的存储器；其中，

存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的数据处理方法。

根据本发明的另一方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的数据处理方法。

本发明实施例的技术方案，通过获取目标用户在目标业务下所产生的待处理数据，其中，待处理数据来源于至少两个数据渠道，待处理数据中包括每个数据渠道下的用户属性数据以及用户行为数据，保证了数据获取的全面性和完整性。进一步的，基于属性评估模型中的至少两个单渠道特征提取模块对不同渠道下的待处理数据进行处理，得到单一渠道下的处理结果，并基于属性评估模型中的多渠道融合模块对处理结果融合处理，得到目标处理结果，充分发挥了多渠道数据联合的优势，保证了目标处理结果的准确性。进一步的，展示目标处理结果，方便相关人员根据目标处理结果进行后续业务处理。解决了现有技术中依赖人工进行统计学计算导致计算成本过高的问题，同时解决了利用传统机器学习方式导致的场景适应性不高以及输出结果单一性的问题，实现了对多渠道数据的处理，提高了数据处理的效率和准确率。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种数据处理方法的流程图；

图2是本发明实施例提供的属性评估模型的结构示例图；

图3是本发明实施例提供的多渠道融合模块的结构示例图；

图4是本发明实施例提供的一种模型训练方法的流程图；

图5是本发明实施例提供的模型训练方法的流程示例图；

图6是本发明实施例提供的一种数据处理装置的结构示意图；

图7是实现本发明实施例的数据处理方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1是本发明实施例提供的一种数据处理方法的流程图，本实施例可适用于对目标业务下的数据进行处理，以得到目标业务对应的目标处理结果的情况，该方法可以由数据处理装置来执行，该数据处理装置可以采用硬件和/或软件的形式实现，该数据处理装置可配置于手机、计算机或者服务器等的电子设备中。如图1所示，该方法包括：

S110、获取目标用户在目标业务下所产生的待处理数据；其中，待处理数据来源于至少两个数据渠道，待处理数据包括每个数据渠道下的用户属性数据以及用户行为数据。

其中，将当前需要处理的业务作为目标业务，如目标业务可以是个人养老金业务。相应的，目标用户可以是目标业务对应的单个用户或用户群体。目标用户会在目标业务下产生用户数据，即为待处理数据。待处理数据可以包括用户属性数据以及用户行为数据。其中，用户属性数据可以理解为用户的注册信息，如：年龄、性别、地理位置等。用户行为数据可以理解为目标用户在目标业务上的活动，如：浏览、搜索以及点击等。另外，由于目标业务可以对应不同的数据渠道，则待处理数据可以来源于不同的数据渠道。为保证数据处理的准确性，待处理数据可以来源于至少两个数据渠道。数据渠道可以理解为数据获取来源，数据渠道可以包括网络渠道、物理渠道等。以目标业务是个人养老金业务为例，网络渠道可以是网上银行应用程序，物理渠道可以是ATM机、POS机等。本实施例对此不做限制。

具体的，根据目标业务对应的数据渠道，获取至少两个数据渠道对应的待处理数据。在待处理数据中，可以包括每个数据渠道下目标用户对应的用户属性数据以及用户行为数据。基于此，可以获取多个数据渠道下的待处理数据，以便后续对多渠道数据进行处理，保证了待处理数据的完整性和全面性。

S120、基于属性评估模型中的至少两个单渠道特征提取模块对不同渠道下的待处理数据进行处理，得到单一渠道下的处理结果，并基于属性评估模型中的多渠道融合模块对处理结果融合处理，得到目标处理结果。

其中，单渠道特征提取模块，用于处理一个渠道下所产生的待处理数据。

其中，属性评估模型可以是用于预测目标用户在目标业务下对应的目标处理结果。目标处理结果可以是评分、概率等用以评估的数据，本实施例对此不做限制。例如，以目标业务是个人养老金业务为例，属性评估模型可以输出目标用户对应的个人养老金业务评分，即目标处理结果。单渠道特征提取模块可以是对一个渠道所产生的待处理数据进行分析处理的模块。在单渠道特征提取模块中可以包括多个处理单元，以基于多个处理单元对待处理数据进行处理，得到对应的处理结果。可选的，处理结果可以是单渠道特征。多渠道融合模块是用于对多个处理结果进行融合处理的模块。相应的，融合处理的结果即为目标处理结果。

具体的，在属性评估模型中包括单渠道特征提取模块以及多渠道融合模块。根据属性评估模型中的单渠道特征提取模块对每个数据渠道下的待处理数据进行处理，得到每个渠道对应的处理结果。进一步的，将至少两个单渠道特征提取模块的处理结果输入至多渠道融合模块中，得到与目标业务对应的目标处理结果。

需要说明的是，单渠道特征提取模块用于处理一个渠道下所产生的待处理数据，即，单渠道特征提取模块的数量与待处理数据对应的数据渠道数量相一致。

可选的，单渠道特征提取模块包括：数据预处理单元、残差网络单元以及多尺度特征融合单元，基于属性评估模型中的至少两个单渠道特征提取模块对不同渠道下的待处理数据进行处理，得到单一渠道下的处理结果，包括：对于不同渠道下的待处理数据，基于数据预处理单元对当前渠道的待处理数据进行归一化处理，得到归一化数据；依据至少两个残差网络单元对归一化数据进行处理，得到每个残差网络单元下对应的待融合处理结果；其中，至少两个残差网络单元为级联结构，上一残差网络单元的输出结果为下一残差网络单元的输入；将待融合处理结果输入至多尺度特征融合单元中，得到单一渠道下的处理结果。

其中，数据预处理单元用于对不同渠道获取的待处理数据进行归一化处理。相应的，数据预处理单元输出的结果即为归一化数据。残差网络单元用于对待处理数据进行不同维度或是不同尺度的特征提取。其中，残差网络单元为级联结构，每个残差网络单元的输出均为待融合处理结果。另外，上一残差网络单元的输出结果为下一残差网络单元的输入。多尺度特征融合单元用于对残差网络单元的输出结果进行融合处理。

具体的，单渠道特征提取模块可以包括数据预处理单元、残差网络单元以及多尺度特征融合单元，以便基于不同处理单元对待处理数据处理，得到当前单渠道特征提取模块对应的处理结果。即，将不同渠道下的待处理数据分别送入对应的单渠道特征提取模块中，基于单渠道特征提取模块的数据预处理单元对输入的待处理数据进行归一化处理，得到归一化数据，以便于下游单元的处理。进一步的，将归一化数据输入至级联的残差网络单元中，以基于至少两个残差网络单元对归一化数据进行处理，输出相应维度或尺度上的待融合处理结果。将待融合处理结果输入至多尺度特征融合单元中，得到当前单渠道特征提取模块对应的处理结果。

示例性的，参见图2，图2为属性评估模型的结构示例图。以目标业务是个人养老金业务为例，待处理数据为用户数据，数据渠道可以包括渠道1至渠道N。单渠道数据特征提取单元对应于单渠道特征提取模块。在单渠道特征提取模块中残差网络单元可以是三个。即，将各个渠道对应的用户数据分别输入至单渠道数据特征提取单元中，利用单渠道数据特征提取单元中的数据预处理单元对用户数据进行数据归一化处理，得到归一化数据。进一步的，将归一化数据输入至三个级联的残差网络单元进行迭代处理，以输出不同尺度上的输出结果，并将输出结果送入多尺度特征融合单元中进行特征融合。在迭代过程中，每个残差网络单元的输入均为上一残差网络单元的输出结果，即三个残差网络单元输出的特征层次是由浅至深的。进一步的，多尺度特征融合单元接收不同层级的残差网络单元输出的不同尺度特征，即不同的输出结果。并对这些输出结果进行网络融合，得到单渠道数据特征，即处理结果。

可选的，基于数据预处理单元对每个渠道的待处理数据进行归一化处理，得到归一化数据，包括：利用统计学方法对每个渠道的待处理数据进行维度归一化处理，得到维度归一化数据；对维度归一化数据进行幅值归一化处理，得到归一化数据。

其中，维度归一化处理可以是对不同渠道的待处理数据的数据量进行归一化。例如，对于不同渠道的待处理数据，由于渠道特征以及目标用户的使用习惯不同，会使得不同渠道的待处理数据的数据量相差较大，则可以利用统计学方法进行维度归一化处理。统计学方法可以是统一统计区间或是相应的计算方法，本实施例对此不做限制。相应的，利用上述处理得到的数据，即为维度归一化数据。幅值归一化处理可以是对不同渠道的待处理数据对应的数据范围进行处理。例如，可能存在某个渠道对应的某个待处理数据为1000，而对应的其他渠道的待处理数据为1千，则此种情形就需要进行幅值归一化处理。

具体的，数据预处理单元主要是对每个渠道的待处理数据进行维度和幅值上的归一化处理。则，可以利用统一统计区间、统计学计算等方法将每个渠道对应的待处理数据的数据量进行归一化处理，例如，选择每个渠道对应的相同的待处理数据作为维度归一化数据，以保证各渠道对应的待处理数据的数据维度一致性。另外，不同渠道对应的待处理数据可能在数值上相差较大，从而影响属性评估模型的准确性。那么，可以利用去均值化机缩放单位方差的方法，将各渠道的待处理数据的均值和方差控制在单位范围内，以实现幅值归一化处理，得到归一化数据。基于此，可以保证后续属性评估模型在训练时的快速收敛，从而提高目标处理结果的准确性。

可选的，基于属性评估模型中的多渠道融合模块对处理结果融合处理，得到目标处理结果，包括：基于多渠道融合模块对处理结果进行融合处理，得到待后处理结果；对待后处理结果进行前向传播处理，得到目标处理结果。

其中，多渠道融合模块用于对多个处理结果进行融合处理。相应的，将融合处理后的结果作为待后处理结果。可选的，待后处理结果可以是多渠道特征。前向传播处理可以理解为按照一定的计算流程进行逐层计算，以得到目标处理结果的计算方法。

具体的，在单渠道特征提取模块输出对应的处理结果后，利用多渠道融合模块对至少两个处理结果进行融合处理，得到目标用户在不同渠道不同尺度对应的多渠道特征，即待后处理结果。之后，将待后处理结果进行前向传播处理，得到目标处理结果。

示例性的，结合上述示例，参见图2，多渠道特征融合单元对应于多渠道融合模块，后处理单元为对待后处理结果进行前向传播处理的单元，目标处理结果为业务评分。即，利用多渠道特征融合单元对每个渠道对应的处理结果进行网络融合，得到目标用户对应的多渠道特征，即待后处理结果。进一步的，利用后处理单元对待后处理结果进行前向传播处理，得到目标用户的个人养老金业务评分，即目标处理结果。

可选的，多渠道融合模块包括：多渠道特征拼接单元、渠道特征归一单元以及拼接特征融合单元，基于多渠道融合模块对处理结果进行融合处理，得到待后处理结果，包括：依据多渠道融合模块中的多渠道特征拼接单元对处理结果进行处理，得到拼接结果；将拼接结果输入至渠道特征归一单元，得到归一化拼接结果；基于拼接特征融合单元对归一化拼接结果进行融合处理，得到待后处理结果。

其中，多渠道特征拼接单元用于对处理结果进行拼接处理，以得到拼接结果。相应的，拼接结果为至少两个处理结果拼接得到的结果。渠道特征归一单元用于对拼接结果进行归一化处理，以得到归一化拼接结果。相应的，归一化拼接结果为对拼接结果归一化处理的结果。拼接特征融合单元可以是对归一化拼接结果进行融合处理的单元。

具体的，多渠道融合模块包括多渠道特征拼接单元、渠道特征归一单元以及拼接特征融合单元，则可以基于多渠道融合模块的多个处理单元对处理结果进行融合处理。即，利用多渠道融合模块中的多渠道特征拼接单元将每个渠道对应的处理结果进行拼接，得到拼接结果。其中，由于单渠道特征提取模块数量的不固定，因此处理结果的数量有变化。那么，可以利用渠道特征归一单元将拼接结果对应的数据维度变化为统一标准。进一步的，基于拼接特征融合单元对归一化拼接结果进行融合处理，得到待后处理结果。

示例性的，参见图3，图3为多渠道融合模块的结构示例图。多渠道特征融合单元对应于多渠道融合模块。多渠道特征拼接器对应于多渠道特征拼接单元，渠道特征归一器对应于渠道特征归一单元，拼接特征融合器对应于拼接特征融合单元。渠道1特征至渠道N特征对应于处理结果。则，利用多渠道特征融合单元中的多渠道特征拼接器对渠道1特征至渠道N特征进行拼接处理，得到拼接特征。其中，由于在单渠道特征提取模块中待处理数据已经归一化处理，因此，多渠道特征拼接单元仅增加特征的维度。另外，由于单渠道特征提取模块数量的不固定导致输入至多渠道特征拼接器的渠道特征数量会有变化，因此，需要渠道特征归一器将特征维度变化到统一标准。根据渠道特征归一器的级联的多层一维卷积神经网络对输入的拼接特征进行处理，使得输出的归一化拼接特征对应的特征维度趋于固定值。进一步的，将经渠道特征归一器处理后的归一化拼接特征输入至拼接特征融合器中，以基于拼接特征融合器的多层残差网络计算处理，得到多渠道特征，即待后处理结果。

可选的，对待后处理结果进行前向传播处理，得到目标处理结果，包括：基于至少两个层级的全连接网络对待后处理结果进行前向传播处理，得到目标处理结果。

其中，至少两个层级的全连接网络用于对待后处理结果进行进一步处理，以得到目标处理结果。

具体的，可以基于至少两个层级的全连接网络对待后处理结果进行进一步处理，其中，第一层级的全连接网络的形状为单渠道特征提取模块的数量与各渠道特征维度的乘积，最后一层级的全连接网络用于输出目标处理结果。基于此，即可得到目标处理结果。

S130、展示目标处理结果。

具体的，在得到目标处理结果后，为方便相应用户基于目标处理结果进行后续分析处理，可以对目标处理结果进行展示。其中，展示方式可以是表格展示、图形展示、报告展示或是自定义的可视化展示，本实施例对此不做限制。

本实施例的技术方案，通过获取目标用户在目标业务下所产生的待处理数据，其中，待处理数据来源于至少两个数据渠道，待处理数据中包括每个数据渠道下的用户属性数据以及用户行为数据，保证了数据获取的全面性和完整性。进一步的，基于属性评估模型中的至少两个单渠道特征提取模块对不同渠道下的待处理数据进行处理，得到单一渠道下的处理结果，并基于属性评估模型中的多渠道融合模块对处理结果融合处理，得到目标处理结果，充分发挥了多渠道数据联合的优势，保证了目标处理结果的准确性。进一步的，展示目标处理结果，方便相关人员根据目标处理结果进行后续业务处理。解决了现有技术中依赖人工进行统计学计算导致的计算成本过高的问题，同时解决了利用传统机器学习方式导致的场景适应性不高以及输出结果单一性的问题，实现了对多渠道数据的处理，提高了数据处理的效率和准确率。

实施例二

图4是本发明实施例提供的一种模型训练方法的流程图，本实施例是在上述实施例的基础上，在利用属性评估模型对待处理数据进行处理时，需要先训练好属性评估模型。其具体的实施方式可以参见本实施例技术方案。其中，与上述实施例相同或者相应的技术术语在此不再赘述。如图4所示，该方法包括：

S210、获取多个训练样本，其中，训练样本包括至少两个数据渠道下的待训练数据以及与待训练数据对应的理论处理结果。

其中，待训练数据可以理解为目标业务所产生的数据，待训练数据可以包括每个数据渠道下的用户属性数据以及用户行为数据。理论处理结果可以是根据统计学原理计算，并利用相关经验进行人工调整得到的期望处理结果。以目标业务是个人养老金的业务为例，理论处理结果可以是期望业务评分。

需要说明的是，对待训练属性评估模型进行训练之前，需要基于训练样本对应的渠道数量确定单渠道特征提取模块的数量，使得单渠道特征提取模块与渠道一一对应。

具体的，在对待训练属性评估模型进行训练之前，需要先获取多个训练样本，以基于训练样本来训练模型。为了提高模型的准确性，可以尽可能多而丰富的获取训练样本。

示例性的，参见图5，图5为模型训练方法的流程示例图，以目标业务为个人养老金业务。在获取训练样本之前，需要先设定单渠道特征提取模块的数量，以基于模块数量获取对应渠道数量的训练样本。同时，将获取的训练样本作为训练数据集，并对训练数据集进行标注处理，即计算出训练数据集中每个训练样本对应的期望业务评分。

S220、对于各训练样本，将当前训练样本的待训练数据输入至待训练属性评估模型中，得到与待训练数据相对应的实际处理结果。

需要说明的是，对于每个训练样本，均可以采用S220的方式对其进行训练，从而得到属性评估模型。

其中，待训练属性评估模型中的模型参数为默认值。通过训练样本对待训练属性评估模型中的模型参数进行修正，以得到属性评估模型。实际处理结果是将训练样本输入至待训练属性评估模型后输出的结果。

具体的，待训练属性评估模型包括至少两个单渠道特征提取模块以及多渠道融合模块。将当前训练样本的待训练数据输入至待训练属性评估模型后，通过至少两个单渠道特征提取模块对训练样本进行处理，得到待融合处理结果，之后将待融合处理结果输入至多渠道特征融合模块中，得到与待训练数据对应的实际处理结果。

示例性的，结合上述示例，参见图5，将训练数据集输入至待训练属性评估模型中进行模型训练，得到实际业务评分，即实际处理结果。

S230、基于实际处理结果与理论处理结果计算损失值，以基于损失值对待训练属性评估模型中的模型参数进行修正，得到属性评估模型。

一般情况下，待训练属性评估模型的模型参数为初始参数或默认参数，在对待训练属性评估模型进行训练时，可以基于待训练属性评估模型的输出结果，即实际处理结果修正模型中的各项模型参数，即，可以通过对待训练属性评估模型的损失值进行修正，从而得到属性评估模型。其中，损失值为实际处理结果与理论处理结果之间的差异值。

具体的，在利用损失值对待训练属性评估模型中的模型参数进行修正时，可以将损失函数收敛作为训练目标，比如训练误差是否小于实际误差，或误差变化是否趋于稳定，或者当前的迭代次数是否等于预设次数。若检测达到收敛条件，比如损失函数的训练误差小于预设误差，或者误差变化趋势趋于稳定，表明该待训练属性评估模型训练完成，此时可以停止迭代训练。若检测到当前未达到收敛条件，可以进一步获取其他训练样本以对待训练属性评估模型继续进行训练，直至损失函数的训练误差在预设范围之内。当损失函数的训练误差达到收敛时，即可将训练完成的待训练属性评估模型作为训练好的属性评估模型，即，此时将目标业务下所产生的待处理数据输入至该属性评估模型中后，即可准确得到与待处理数据相对应的目标处理结果。

示例性的，结合上述示例，参见图5，将标注好的训练样本输入至待训练属性评估模型中，得到实际业务评分，即实际处理结果。进一步的，设定损失函数计算实际业务评分与期望业务评分之间的误差，并利用随机梯度下降法优化待训练属性评估模型。将所有的训练样本均进行模型训练后，得到初步训练的属性评估模型，如图5中，若训练轮次或模型误差达到目标设定值，则认为模型训练完成，此时可以输出训练模型，即输出属性评估模型。反之，则继续进行下一轮次的模型训练，直至训练完成。

需要说明的是，在计算得到待训练数据对应的理论处理结果后，可以获得待训练数据与理论处理结果一一对应的训练样本。为提高模型的泛化能力，减少过拟合，还可以对多个训练样本的输入顺序进行随机打乱。在对多个训练样本进行打乱时，不改变待训练数据与理论处理结果的对应关系，仅将多个训练样本之间的相对位置进行调整。为保证每次训练模型时，输入待训练属性评估模型的训练样本的顺序是不同的，可以在每次模型训练时均进行一次训练样本的随机打乱，以提高待训练属性评估模型的预测准确度。

本实施例的技术方案，通过获取多个训练样本，其中，训练样本包括至少两个数据渠道下的待训练数据以及与待训练数据对应的理论处理结果；对于各训练样本，将当前训练样本的待训练数据输入至待训练属性评估模型中，得到与待训练数据相对应的实际处理结果，并基于实际处理结果与理论处理结果计算损失值，以基于损失值对待训练属性评估模型中的模型参数进行修正，得到属性评估模型，实现了对待训练属性评估模型的训练，同时，训练好的属性评估模型可以提高对待处理数据进行处理的效率和准确率。

实施例三

图6是本发明实施例提供的一种数据处理装置的结构示意图。如图6所示，该装置包括：数据获取模块310、处理结果确定模块320以及结果展示模块330。

数据获取模块310，用于获取目标用户在目标业务下所产生的待处理数据；其中，待处理数据来源于至少两个数据渠道，待处理数据包括每个数据渠道下的用户属性数据以及用户行为数据；处理结果确定模块320，用于基于属性评估模型中的至少两个单渠道特征提取模块对不同渠道下的待处理数据进行处理，得到单一渠道下的处理结果，并基于属性评估模型中的多渠道融合模块对处理结果融合处理，得到目标处理结果；其中，单渠道特征提取模块，用于处理一个渠道下所产生的待处理数据；结果展示模块330，用于展示目标处理结果。

本实施例的技术方案，通过获取目标用户在目标业务下所产生的待处理数据，其中，待处理数据来源于至少两个数据渠道，待处理数据中包括每个数据渠道下的用户属性数据以及用户行为数据，保证了数据获取的全面性和完整性。进一步的，基于属性评估模型中的至少两个单渠道特征提取模块对不同渠道下的待处理数据进行处理，得到单一渠道下的处理结果，并基于属性评估模型中的多渠道融合模块对处理结果融合处理，得到目标处理结果，充分发挥了多渠道数据联合的优势，保证了目标处理结果的准确性。进一步的，展示目标处理结果，方便相关人员根据目标处理结果进行后续业务处理。解决了现有技术中依赖人工进行统计学计算导致的计算成本过高的问题，同时解决了利用传统机器学习方式导致的场景适应性不高以及输出结果单一性的问题，实现了对多渠道数据的处理，提高了数据处理的效率和准确率。

在上述实施例的基础上，可选的，单渠道特征提取模块包括：数据预处理单元、残差网络单元以及多尺度特征融合单元。处理结果确定模块，包括：归一化数据获取单元，用于对于不同渠道下的待处理数据，基于数据预处理单元对当前渠道的待处理数据进行归一化处理，得到归一化数据；待融合处理结果确定单元，用于依据至少两个残差网络单元对归一化数据进行处理，得到每个残差网络单元下对应的待融合处理结果；其中，至少两个残差网络单元为级联结构，上一残差网络单元的输出结果为下一残差网络单元的输入；处理结果确定单元，用于将待融合处理结果输入至多尺度特征融合单元中，得到单一渠道下的处理结果。

可选的，归一化数据获取单元，包括：维度归一化数据确定子单元，用于利用统计学方法对每个渠道的待处理数据进行维度归一化处理，得到维度归一化数据；归一化数据确定子单元，用于对维度归一化数据进行幅值归一化处理，得到归一化数据。

可选的，处理结果确定模块，还包括：待后处理结果确定单元，用于基于多渠道融合模块对处理结果进行融合处理，得到待后处理结果；目标处理结果确定单元，用于对待后处理结果进行前向传播处理，得到目标处理结果。

可选的，多渠道融合模块包括：多渠道特征拼接单元、渠道特征归一单元以及拼接特征融合单元。待后处理结果确定单元，包括：拼接结果确定子单元，用于依据多渠道融合模块中的多渠道特征拼接单元对处理结果进行处理，得到拼接结果；归一化拼接结果确定子单元，用于将拼接结果输入至渠道特征归一单元，得到归一化拼接结果；待后处理结果确定子单元，用于基于拼接特征融合单元对归一化拼接结果进行融合处理，得到待后处理结果。

可选的，目标处理结果确定单元，用于基于至少两个层级的全连接网络对待后处理结果进行前向传播处理，得到目标处理结果。

可选的，该装置还包括：模型训练模块，该模块用于获取多个训练样本，其中，训练样本包括至少两个数据渠道下的待训练数据以及与待训练数据对应的理论处理结果；对于各训练样本，将当前训练样本的待训练数据输入至待训练属性评估模型中，得到与待训练数据相对应的实际处理结果；基于实际处理结果与理论处理结果计算损失值，以基于损失值对待训练属性评估模型中的模型参数进行修正，得到属性评估模型。

本发明实施例所提供的数据处理装置可执行本发明任意实施例所提供的数据处理方法，具备执行方法相应的功能模块和有益效果。

实施例四

图7是本发明实施例提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如数据处理方法。

在一些实施例中，数据处理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的数据处理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的数据处理方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

实施例五

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种数据处理方法，该方法包括：

获取目标用户在目标业务下所产生的待处理数据；其中，待处理数据来源于至少两个数据渠道，待处理数据包括每个数据渠道下的用户属性数据以及用户行为数据；基于属性评估模型中的至少两个单渠道特征提取模块对不同渠道下的待处理数据进行处理，得到单一渠道下的处理结果，并基于属性评估模型中的多渠道融合模块对处理结果融合处理，得到目标处理结果；其中，单渠道特征提取模块，用于处理一个渠道下所产生的待处理数据；展示目标处理结果。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种数据处理方法，其特征在于，包括：

获取目标用户在目标业务下所产生的待处理数据；其中，所述待处理数据来源于至少两个数据渠道，所述待处理数据包括每个数据渠道下的用户属性数据以及用户行为数据；

基于属性评估模型中的至少两个单渠道特征提取模块对不同渠道下的待处理数据进行处理，得到单一渠道下的处理结果，并基于所述属性评估模型中的多渠道融合模块对所述处理结果融合处理，得到目标处理结果；其中，所述单渠道特征提取模块，用于处理一个渠道下所产生的待处理数据；

展示所述目标处理结果。

2.根据权利要求1所述的方法，其特征在于，所述单渠道特征提取模块包括：数据预处理单元、残差网络单元以及多尺度特征融合单元，所述基于属性评估模型中的至少两个单渠道特征提取模块对不同渠道下的待处理数据进行处理，得到单一渠道下的处理结果，包括：

对于不同渠道下的待处理数据，基于所述数据预处理单元对当前渠道的待处理数据进行归一化处理，得到归一化数据；

依据至少两个残差网络单元对所述归一化数据进行处理，得到每个残差网络单元下对应的待融合处理结果；其中，所述至少两个残差网络单元为级联结构，上一残差网络单元的输出结果为下一残差网络单元的输入；

将所述待融合处理结果输入至所述多尺度特征融合单元中，得到单一渠道下的处理结果。

3.根据权利要求2所述的方法，其特征在于，所述基于所述数据预处理单元对每个渠道的待处理数据进行归一化处理，得到归一化数据，包括：

利用统计学方法对每个渠道的待处理数据进行维度归一化处理，得到维度归一化数据；

对所述维度归一化数据进行幅值归一化处理，得到所述归一化数据。

4.根据权利要求1所述的方法，其特征在于，所述基于所述属性评估模型中的多渠道融合模块对所述处理结果融合处理，得到目标处理结果，包括：

基于所述多渠道融合模块对所述处理结果进行融合处理，得到待后处理结果；

对所述待后处理结果进行前向传播处理，得到所述目标处理结果。

5.根据权利要求4所述的方法，其特征在于，所述多渠道融合模块包括：多渠道特征拼接单元、渠道特征归一单元以及拼接特征融合单元，所述基于所述多渠道融合模块对所述处理结果进行融合处理，得到待后处理结果，包括：

依据所述多渠道融合模块中的多渠道特征拼接单元对所述处理结果进行处理，得到拼接结果；

将所述拼接结果输入至所述渠道特征归一单元，得到归一化拼接结果；

基于所述拼接特征融合单元对所述归一化拼接结果进行融合处理，得到所述待后处理结果。

6.根据权利要求4所述的方法，其特征在于，所述对所述待后处理结果进行前向传播处理，得到所述目标处理结果，包括：

基于至少两个层级的全连接网络对所述待后处理结果进行前向传播处理，得到所述目标处理结果。

7.根据权利要求1所述的方法，其特征在于，还包括：

基于获取到的样本集对待训练属性评估模型训练；

所述基于获取到的样本集对待训练属性评估模型进行训练，包括：

获取多个训练样本，其中，所述训练样本包括至少两个数据渠道下的待训练数据以及与所述待训练数据对应的理论处理结果；

对于各训练样本，将当前训练样本的待训练数据输入至所述待训练属性评估模型中，得到与待训练数据相对应的实际处理结果；

基于所述实际处理结果与所述理论处理结果计算损失值，以基于所述损失值对所述待训练属性评估模型中的模型参数进行修正，得到属性评估模型。

8.一种数据处理装置，其特征在于，包括：

数据获取模块，用于获取目标用户在目标业务下所产生的待处理数据；其中，所述待处理数据来源于至少两个数据渠道，所述待处理数据包括每个数据渠道下的用户属性数据以及用户行为数据；

处理结果确定模块，用于基于属性评估模型中的至少两个单渠道特征提取模块对不同渠道下的待处理数据进行处理，得到单一渠道下的处理结果，并基于所述属性评估模型中的多渠道融合模块对所述处理结果融合处理，得到目标处理结果；其中，所述单渠道特征提取模块，用于处理一个渠道下所产生的待处理数据；

结果展示模块，用于展示所述目标处理结果。

9.一种电子设备，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计算机程序，所述计算机程序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权利要求1-7中任一项所述的数据处理方法。

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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的数据处理方法。