本說明書實施例涉及計算機，特別涉及一種數(shù)據(jù)處理方法、數(shù)據(jù)處理模型訓練方法和計算設備。

背景技術：

1、隨著計算機以及人工智能技術的不斷發(fā)展，機器學習在多個領域取得的成功，因此，出現(xiàn)了許多基于樣本數(shù)據(jù)訓練獲得的神經(jīng)網(wǎng)絡模型。

2、而為了提高神經(jīng)網(wǎng)絡模型的性能，現(xiàn)有技術往往只注重神經(jīng)網(wǎng)絡模型結(jié)構的創(chuàng)新，導致模型逐漸復雜化，因此導致模型訓練效率較差，無法滿足實際應用的需要。

技術實現(xiàn)思路

1、有鑒于此，本說明書實施例提供了一種數(shù)據(jù)處理方法。本說明書一個或者多個實施例同時涉及另一種數(shù)據(jù)處理方法、一種數(shù)據(jù)處理模型訓練方法、一種對象推薦模型訓練方法、一種數(shù)據(jù)處理裝置、另一種數(shù)據(jù)處理裝置、一種數(shù)據(jù)處理模型訓練裝置、一種對象推薦模型訓練裝置，一種計算設備，一種計算機可讀存儲介質(zhì)以及一種計算機程序，以解決現(xiàn)有技術中存在的技術缺陷。

2、根據(jù)本說明書實施例的第一方面，提供了一種數(shù)據(jù)處理方法，包括：

3、接收用戶的用戶行為數(shù)據(jù)，其中，所述用戶行為數(shù)據(jù)中包含序列型行為數(shù)據(jù)和/或非序列型行為數(shù)據(jù)；

4、將所述序列型行為數(shù)據(jù)和/或所述非序列型行為數(shù)據(jù)輸入數(shù)據(jù)處理模型，獲得所述用戶對應的數(shù)據(jù)處理結(jié)果，其中，所述數(shù)據(jù)處理模型通過序列型樣本特征以及非序列型樣本特征訓練獲得，所述序列型樣本特征以及所述非序列型樣本特征，為在所述數(shù)據(jù)處理模型中對序列型樣本以及非序列型樣本進行特征提取，獲得初始序列型樣本特征和初始非序列型樣本特征，并對所述初始序列型樣本特征和所述初始非序列型樣本特征進行特征增強獲得。

5、根據(jù)本說明書實施例的第二方面，提供了一種數(shù)據(jù)處理裝置，包括：

6、數(shù)據(jù)接收模塊，被配置為接收用戶的用戶行為數(shù)據(jù)，其中，所述用戶行為數(shù)據(jù)中包含序列型行為數(shù)據(jù)和/或非序列型行為數(shù)據(jù)；

7、數(shù)據(jù)處理模塊，被配置為將所述序列型行為數(shù)據(jù)和/或所述非序列型行為數(shù)據(jù)輸入數(shù)據(jù)處理模型，獲得所述用戶對應的數(shù)據(jù)處理結(jié)果，其中，所述數(shù)據(jù)處理模型通過序列型樣本特征以及非序列型樣本特征訓練獲得，所述序列型樣本特征以及所述非序列型樣本特征，為在所述數(shù)據(jù)處理模型中對序列型樣本以及非序列型樣本進行特征提取，獲得初始序列型樣本特征和初始非序列型樣本特征，并對所述初始序列型樣本特征和所述初始非序列型樣本特征進行特征增強獲得。

8、根據(jù)本說明書實施例的第三方面，提供了一種數(shù)據(jù)處理模型訓練方法，包括：

9、確定待訓練數(shù)據(jù)處理模型的序列型樣本和非序列型樣本，其中，所述序列型樣本和所述非序列型樣本為樣本用戶的用戶行為數(shù)據(jù)；

10、將所述序列型樣本和所述非序列樣本輸入所述待訓練數(shù)據(jù)處理模型，在所述待訓練數(shù)據(jù)處理模型中對所述序列型樣本和所述非序列樣本進行特征提取，獲得初始序列型樣本特征和初始非序列型樣本特征；

11、對所述初始序列型樣本特征進行特征增強，獲得所述序列型樣本特征，并對所述初始非序列型樣本特征進行特征增強，獲得所述非序列型樣本特征；

12、基于所述序列型樣本特征和所述非序列型樣本特征，對所述待訓練數(shù)據(jù)處理模型進行訓練，獲得數(shù)據(jù)處理模型。

13、根據(jù)本說明書實施例的第四方面，提供了一種數(shù)據(jù)處理模型訓練裝置，包括：

14、樣本確定模塊，被配置為確定待訓練數(shù)據(jù)處理模型的序列型樣本和非序列型樣本，其中，所述序列型樣本和所述非序列型樣本為樣本用戶的用戶行為數(shù)據(jù)；

15、特征提取模塊，被配置為將所述序列型樣本和所述非序列樣本輸入所述待訓練數(shù)據(jù)處理模型，在所述待訓練數(shù)據(jù)處理模型中對所述序列型樣本和所述非序列樣本進行特征提取，獲得初始序列型樣本特征和初始非序列型樣本特征；

16、樣本增強模塊，被配置為對所述初始序列型樣本特征進行特征增強，獲得所述序列型樣本特征，并對所述初始非序列型樣本特征進行特征增強，獲得所述非序列型樣本特征；

17、模型訓練模塊，被配置為基于所述序列型樣本特征和所述非序列型樣本特征，對所述待訓練數(shù)據(jù)處理模型進行訓練，獲得數(shù)據(jù)處理模型。

18、根據(jù)本說明書實施例的第五方面，提供了另一種數(shù)據(jù)處理方法，應用于云端，包括：

19、接收終端發(fā)送的用戶的用戶行為數(shù)據(jù)，其中，所述用戶行為數(shù)據(jù)中包含序列型行為數(shù)據(jù)和/或非序列型行為數(shù)據(jù)；

20、將所述序列型行為數(shù)據(jù)和/或所述非序列型行為數(shù)據(jù)輸入數(shù)據(jù)處理模型，獲得所述用戶對應的數(shù)據(jù)處理結(jié)果，其中，所述數(shù)據(jù)處理模型通過序列型樣本特征以及非序列型樣本特征訓練獲得，所述序列型樣本特征以及所述非序列型樣本特征，為在所述數(shù)據(jù)處理模型中對序列型樣本以及非序列型樣本進行特征提取，獲得初始序列型樣本特征和初始非序列型樣本特征，并對所述初始序列型樣本特征和所述初始非序列型樣本特征進行特征增強獲得；

21、將所述數(shù)據(jù)處理結(jié)果發(fā)送至所述終端。

22、根據(jù)本說明書實施例的第六方面，提供了另一種數(shù)據(jù)處理裝置，應用于云端，包括：

23、數(shù)據(jù)接收模塊，被配置為接收終端發(fā)送的用戶的用戶行為數(shù)據(jù)，其中，所述用戶行為數(shù)據(jù)中包含序列型行為數(shù)據(jù)和/或非序列型行為數(shù)據(jù)；

24、數(shù)據(jù)處理模塊，被配置為將所述序列型行為數(shù)據(jù)和/或所述非序列型行為數(shù)據(jù)輸入數(shù)據(jù)處理模型，獲得所述用戶對應的數(shù)據(jù)處理結(jié)果，其中，所述數(shù)據(jù)處理模型通過序列型樣本特征以及非序列型樣本特征訓練獲得，所述序列型樣本特征以及所述非序列型樣本特征，為在所述數(shù)據(jù)處理模型中對序列型樣本以及非序列型樣本進行特征提取，獲得初始序列型樣本特征和初始非序列型樣本特征，并對所述初始序列型樣本特征和所述初始非序列型樣本特征進行特征增強獲得；

25、結(jié)果發(fā)送模塊，被配置為將所述數(shù)據(jù)處理結(jié)果發(fā)送至所述終端。

26、根據(jù)本說明書實施例的第七方面，提供了一種對象推薦模型訓練方法，包括：

27、確定待訓練對象推薦模型的序列型樣本和非序列型樣本，其中，所述序列型樣本和所述非序列型樣本為樣本用戶針對樣本對象的用戶行為數(shù)據(jù)；

28、將所述序列型樣本和所述非序列樣本輸入所述待訓練對象推薦模型，在所述待訓練對象推薦模型中對所述序列型樣本和所述非序列樣本進行特征提取，獲得初始序列型樣本特征和初始非序列型樣本特征；

29、對所述初始序列型樣本特征進行特征增強，獲得所述序列型樣本特征，并對所述初始非序列型樣本特征進行特征增強，獲得所述非序列型樣本特征；

30、基于所述序列型樣本特征和所述非序列型樣本特征，對所述待訓練對象推薦模型進行訓練，獲得對象推薦模型。

31、根據(jù)本說明書實施例的第八方面，提供了一種對象推薦模型訓練裝置，包括：

32、樣本確定模塊，被配置為確定待訓練對象推薦模型的序列型樣本和非序列型樣本，其中，所述序列型樣本和所述非序列型樣本為樣本用戶針對樣本對象的用戶行為數(shù)據(jù)；

33、特征提取模塊，被配置為將所述序列型樣本和所述非序列樣本輸入所述待訓練對象推薦模型，在所述待訓練對象推薦模型中對所述序列型樣本和所述非序列樣本進行特征提取，獲得初始序列型樣本特征和初始非序列型樣本特征；

34、樣本增強模塊，被配置為對所述初始序列型樣本特征進行特征增強，獲得所述序列型樣本特征，并對所述初始非序列型樣本特征進行特征增強，獲得所述非序列型樣本特征；

35、模型訓練模塊，被配置為基于所述序列型樣本特征和所述非序列型樣本特征，對所述待訓練對象推薦模型進行訓練，獲得對象推薦模型。

36、根據(jù)本說明書實施例的第九方面，提供了一種計算設備，包括：

37、存儲器和處理器；

38、所述存儲器用于存儲計算機可執(zhí)行指令，所述處理器用于執(zhí)行所述計算機可執(zhí)行指令，該計算機可執(zhí)行指令被處理器執(zhí)行時實現(xiàn)上述兩種數(shù)據(jù)處理方法、數(shù)據(jù)處理模型訓練方法、或?qū)ο笸扑]模型訓練方法的步驟。

39、根據(jù)本說明書實施例的第十方面，提供了一種計算機可讀存儲介質(zhì)，其存儲有計算機可執(zhí)行指令，該指令被處理器執(zhí)行時實現(xiàn)上述兩種數(shù)據(jù)處理方法、數(shù)據(jù)處理模型訓練方法、或?qū)ο笸扑]模型訓練方法的步驟。

40、根據(jù)本說明書實施例的第十一方面，提供了一種計算機程序，其中，當所述計算機程序在計算機中執(zhí)行時，令計算機執(zhí)行上述兩種數(shù)據(jù)處理方法、數(shù)據(jù)處理模型訓練方法、或?qū)ο笸扑]模型訓練方法的步驟。

41、本說明書一個或多個實施例提供了一種數(shù)據(jù)處理方法，包括：接收用戶的用戶行為數(shù)據(jù)，其中，所述用戶行為數(shù)據(jù)中包含序列型行為數(shù)據(jù)和/或非序列型行為數(shù)據(jù)；將所述序列型行為數(shù)據(jù)和/或所述非序列型行為數(shù)據(jù)輸入數(shù)據(jù)處理模型，獲得所述用戶對應的數(shù)據(jù)處理結(jié)果，其中，所述數(shù)據(jù)處理模型通過序列型樣本特征以及非序列型樣本特征訓練獲得，所述序列型樣本特征以及所述非序列型樣本特征，為在所述數(shù)據(jù)處理模型中對序列型樣本以及非序列型樣本進行特征提取，獲得初始序列型樣本特征和初始非序列型樣本特征，并對所述初始序列型樣本特征和所述初始非序列型樣本特征進行特征增強獲得。

42、具體地，數(shù)據(jù)處理方法中的數(shù)據(jù)處理模型，是利用序列型樣本特征以及非序列型樣本特征訓練獲得，該序列型樣本特征以及非序列型樣本特征是在數(shù)據(jù)處理模型中，通過對序列型樣本以及非序列型樣本進行特征提取所獲得的初始序列型樣本特征和初始非序列型樣本特征，進行特征增強獲得；從而在模型訓練的過程中充分考慮到樣本數(shù)據(jù)對模型訓練的影響，避免了由于樣本數(shù)據(jù)所導致的模型訓練效率較差的問題；并且，通過訓練后的數(shù)據(jù)處理模型對用戶行為數(shù)據(jù)中包含的序列型行為數(shù)據(jù)和/或非序列型行為數(shù)據(jù)進行處理，并獲得數(shù)據(jù)處理結(jié)果，從而通過數(shù)據(jù)處理模型滿足了實際應用的需要。