数据处理方法、装置、设备、可读存储介质及程序产品与流程

本技术涉及多媒体，尤其涉及一种数据处理方法、装置、设备、可读存储介质及程序产品。

背景技术：

1、随着数字化时代的来临，越来越多的场合会应用到媒体数据预测技术，人们对于媒体数据预测的准确性有着越来越高的要求。媒体数据与对象数据之间的关系预测一般基于模型中的向量映射点积的阈值进行实现，也就是，依靠阈值过滤实现对媒体数据的预测与召回，过滤条件是向量映射点积。而向量映射点积是对媒体数据与对象数据转换的预估结果，再加上模型本身预测可能带来的误差，导致预测与召回的准确性较低。

技术实现思路

1、本技术实施例提供一种数据处理方法、装置、设备、可读存储介质及程序产品，可以更加精准的确定对象数据与媒体数据之间的数据关系，提高对预测媒体数据的准确性。

2、本技术实施例一方面提供了一种数据处理方法，包括：

3、获取对象数据，获取媒体数据，获取对象数据的初始对象向量，获取媒体数据的初始媒体向量；

4、采用n个第一向量转换参数分别对初始对象向量进行向量转换，得到n个对象转换向量，采用n个第二向量转换参数分别对初始媒体向量进行向量转换，得到n个媒体转换向量，n为正整数；

5、将n个对象转换向量与n个媒体转换向量进行组合，得到m个向量对，获取m个向量对分别对应的预测关联度，m为正整数；

6、根据m个预测关联度，确定对象数据与媒体数据之间的目标关联度，以及对象数据与媒体数据之间的关联置信度；

7、基于目标关联度及关联置信度，确定对象数据与媒体数据之间的数据关系。

8、进一步地，采用n个第一向量转换参数分别对初始对象向量进行向量转换，得到n个对象转换向量，采用n个第二向量转换参数分别对初始媒体向量进行向量转换，得到n个媒体转换向量，n为正整数，包括：

9、对n个第一向量转换参数分别进行随机丢弃，得到n个第一向量随机参数；

10、根据n个第一向量随机参数，分别对初始对象向量进行向量转换，得到n个对象转换向量；

11、对n个第二向量转换参数分别进行随机丢弃，得到n个第二向量随机参数；

12、根据n个第二向量随机参数，分别对初始媒体向量进行向量转换，得到n个媒体转换向量。

13、进一步地，采用n个第一向量转换参数分别对初始对象向量进行向量转换，得到n个对象转换向量，采用n个第二向量转换参数分别对初始媒体向量进行向量转换，得到n个媒体转换向量，n为正整数，包括：

14、将初始对象向量输入第i个对象向量转换子网络；第i个对象向量转换子网络包括m个对象卷积层；i为小于或等于n的正整数，m为正整数；

15、在第i个对象向量转换子网络中，对第i个对象向量转换子网络所包括的m个对象卷积层分别进行神经元丢弃处理，得到m个对象卷积层分别包括的有效对象神经元；

16、采用第i个对象向量转换子网络中的第一向量转换参数及有效对象神经元，对初始对象向量进行卷积处理，得到初始对象向量在第i个对象向量转换子网络中所对应的对象转换向量，直至得到n个对象向量转换子网络分别对应的对象转换向量；

17、将初始媒体向量输入第i个媒体向量转换子网络；第i个媒体向量转换子网络包括m个媒体卷积层；

18、在第i个媒体向量转换子网络中，对第i个媒体向量转换子网络所包括的m个媒体卷积层分别进行神经元丢弃处理，得到m个媒体卷积层分别包括的有效媒体神经元；

19、采用第i个媒体向量转换子网络中的第二向量转换参数及有效媒体神经元，对媒体对象向量进行卷积处理，得到初始媒体向量在第i个媒体向量转换子网络中所对应的媒体转换向量，直至得到n个媒体向量转换子网络分别对应的媒体转换向量。

20、进一步地，根据m个预测关联度，确定对象数据与媒体数据之间的目标关联度，以及对象数据与媒体数据之间的关联置信度，包括：

21、根据m个预测关联度的均值，确定对象数据与媒体数据之间的目标关联度；

22、根据m个预测关联度的偏离程度，确定对象数据与媒体数据之间的关联置信度。

23、进一步地，根据m个预测关联度，确定对象数据与媒体数据之间的目标关联度，以及对象数据与媒体数据之间的关联置信度，包括：

24、根据m个预测关联度生成分布函数，获取分布函数的均值及方差；

25、将分布函数的均值确定为对象数据与媒体数据之间的目标关联度，根据分布函数的方差确定对象数据与媒体数据之间的关联置信度。

26、进一步地，基于目标关联度及关联置信度，确定对象数据与媒体数据之间的数据关系，包括：

27、若目标关联度大于或等于关联度阈值，且关联置信度大于或等于置信度阈值，则确定对象数据与媒体数据之间的数据关系为数据关联关系；

28、若目标关联度小于关联度阈值，或关联置信度小于置信度阈值，则确定对象数据与媒体数据之间的数据关系为数据独立关系。

29、本技术实施例一方面提供了另一种数据处理方法，包括：

30、获取对象数据，获取媒体数据，获取对象数据的初始对象向量，获取媒体数据的初始媒体向量；

31、采用m个模型参数，分别对初始对象向量与初始媒体向量进行关联预测，得到对象数据与媒体数据之间的m个预测关联度，m为正整数；

32、根据m个预测关联度，确定对象数据与媒体数据之间的目标关联度，以及对象数据与媒体数据之间的关联置信度；

33、基于目标关联度及关联置信度，确定对象数据与媒体数据之间的数据关系。

34、本技术实施例一方面提供了又一种数据处理方法，包括：

35、获取样本对象数据，获取样本媒体数据，获取样本对象数据的初始样本对象向量，获取样本媒体数据的初始样本媒体向量，获取样本标签；

36、在初始关联预测模型中，采用初始关联预测模型中的n个第一初始向量转换参数分别对初始样本对象向量进行向量转换，得到n个样本对象转换向量，采用初始关联预测模型中的n个初始第二向量转换参数分别对初始样本媒体向量进行向量转换，得到n个样本媒体转换向量，n为正整数；

37、将n个样本对象转换向量与n个样本媒体转换向量进行组合，得到m个样本向量对，获取m个样本向量对分别对应的样本预测关联度，m为正整数；

38、根据m个样本预测关联度，确定样本对象数据与样本媒体数据之间的样本目标关联度，以及样本对象数据与样本媒体数据之间的样本关联置信度；

39、根据样本目标关联度、样本关联置信度与样本标签的样本关联关系，生成损失函数；

40、根据损失函数，对初始关联预测模型进行参数调整，得到关联预测模型；关联预测模型包括n个第一向量转换参数及n个第二向量转换参数，n个第一向量转换参数是对n个第一初始向量转换参数进行参数调整得到的，n个第二向量转换参数是对n个第二初始向量转换参数进行参数调整得到的。

41、本技术实施例一方面提供了一种数据处理装置，包括：

42、第一向量获取模块，用于获取对象数据，获取媒体数据，获取对象数据的初始对象向量，获取媒体数据的初始媒体向量；

43、向量转换模块，用于采用n个第一向量转换参数分别对初始对象向量进行向量转换，得到n个对象转换向量，采用n个第二向量转换参数分别对初始媒体向量进行向量转换，得到n个媒体转换向量，n为正整数；

44、向量组合模块，用于将n个对象转换向量与n个媒体转换向量进行组合，得到m个向量对，获取m个向量对分别对应的预测关联度，m为正整数；

45、第一关联度确定模块，用于根据m个预测关联度，确定对象数据与媒体数据之间的目标关联度，以及对象数据与媒体数据之间的关联置信度；

46、第一关系确定模块，用于基于目标关联度及关联置信度，确定对象数据与媒体数据之间的数据关系。

47、其中，向量转换模块包括：

48、第一参数丢弃单元，用于对n个第一向量转换参数分别进行随机丢弃，得到n个第一向量随机参数；

49、第一向量转换单元，用于根据n个第一向量随机参数，分别对初始对象向量进行向量转换，得到n个对象转换向量；

50、第二参数丢弃单元，用于对n个第二向量转换参数分别进行随机丢弃，得到n个第二向量随机参数；

51、第二向量转换单元，用于根据n个第二向量随机参数，分别对初始媒体向量进行向量转换，得到n个媒体转换向量。

52、其中，向量转换模块还包括：

53、对象向量输入单元，用于将初始对象向量输入第i个对象向量转换子网络；第i个对象向量转换子网络包括m个对象卷积层；i为小于或等于n的正整数，m为正整数；

54、对象丢弃单元，用于在第i个对象向量转换子网络中，对第i个对象向量转换子网络所包括的m个对象卷积层分别进行神经元丢弃处理，得到m个对象卷积层分别包括的有效对象神经元；

55、对象卷积单元，用于采用第i个对象向量转换子网络中的第一向量转换参数及有效对象神经元，对初始对象向量进行卷积处理，得到初始对象向量在第i个对象向量转换子网络中所对应的对象转换向量，直至得到n个对象向量转换子网络分别对应的对象转换向量；

56、媒体向量输入单元，用于将初始媒体向量输入第i个媒体向量转换子网络；第i个媒体向量转换子网络包括m个媒体卷积层；

57、媒体丢弃单元，用于在第i个媒体向量转换子网络中，对第i个媒体向量转换子网络所包括的m个媒体卷积层分别进行神经元丢弃处理，得到m个媒体卷积层分别包括的有效媒体神经元；

58、媒体卷积单元，用于采用第i个媒体向量转换子网络中的第二向量转换参数及有效媒体神经元，对媒体对象向量进行卷积处理，得到初始媒体向量在第i个媒体向量转换子网络中所对应的媒体转换向量，直至得到n个媒体向量转换子网络分别对应的媒体转换向量。

59、其中，第一关联度确定模块，包括：

60、关联度确定单元，用于根据m个预测关联度的均值，确定对象数据与媒体数据之间的目标关联度；

61、第一置信度确定单元，用于根据m个预测关联度的偏离程度，确定对象数据与媒体数据之间的关联置信度。

62、其中，第一关联度确定模块，还包括：

63、函数获取单元，用于根据m个预测关联度生成分布函数，获取分布函数的均值及方差；

64、第二置信度确定单元，用于将分布函数的均值确定为对象数据与媒体数据之间的目标关联度，根据分布函数的方差确定对象数据与媒体数据之间的关联置信度。

65、其中，第一关系确定模块，包括：

66、关联关系确定单元，用于若目标关联度大于或等于关联度阈值，且关联置信度大于或等于置信度阈值，则确定对象数据与媒体数据之间的数据关系为数据关联关系；

67、独立关系确定单元，用于若目标关联度小于关联度阈值，或关联置信度小于置信度阈值，则确定对象数据与媒体数据之间的数据关系为数据独立关系。

68、本技术实施例一方面提供了一种数据处理装置，包括：

69、第二向量获取模块，用于获取对象数据，获取媒体数据，获取对象数据的初始对象向量，获取媒体数据的初始媒体向量；

70、关联预测模块，用于采用m个模型参数，分别对初始对象向量与初始媒体向量进行关联预测，得到对象数据与媒体数据之间的m个预测关联度，m为正整数；

71、第二关联度确定模块，用于根据m个预测关联度，确定对象数据与媒体数据之间的目标关联度，以及对象数据与媒体数据之间的关联置信度；

72、第二关系确定模块，用于基于目标关联度及关联置信度，确定对象数据与媒体数据之间的数据关系。

73、本技术实施例一方面提供了一种数据处理装置，包括：

74、样本获取模块，用于获取样本对象数据，获取样本媒体数据，获取样本对象数据的初始样本对象向量，获取样本媒体数据的初始样本媒体向量，获取样本标签；

75、样本转换模块，用于采用n个初始第一向量转换参数分别对初始样本对象向量进行向量转换，得到n个样本对象转换向量，采用n个初始第二向量转换参数分别对初始样本媒体向量进行向量转换，得到n个样本媒体转换向量，n为正整数；

76、样本组合模块，用于将n个样本对象转换向量与n个样本媒体转换向量进行组合，得到m个样本向量对，获取m个样本向量对分别对应的样本预测关联度，m为正整数；

77、样本关联度确定模块，用于根据m个样本预测关联度，确定样本对象数据与样本媒体数据之间的样本目标关联度，以及样本对象数据与样本媒体数据之间的样本关联置信度；

78、损失函数获取模块，用于根据样本目标关联度、样本关联置信度与样本标签的样本关联关系，得到针对初始第一向量转换参数与初始第二向量转换参数的损失函数；

79、模型获取模块，用于根据损失函数，对初始第一向量转换参数与初始第二向量转换参数进行参数调整，得到向量转换模型；向量转换模型模型包括n个第一向量转换参数及n个第二向量转换参数。

80、本技术一方面提供了一种计算机设备，包括：处理器、存储器、网络接口；

81、上述处理器与上述存储器、上述网络接口相连，其中，上述网络接口用于提供数据通信功能，上述存储器用于存储计算机程序，上述处理器用于调用上述计算机程序，以使得计算机设备执行本技术实施例中的方法。

82、本技术实施例一方面提供了一种计算机可读存储介质，上述计算机可读存储介质中存储有计算机程序，上述计算机程序适于由处理器加载并执行本技术实施例中的方法。

83、本技术实施例一方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中；计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本技术实施例中的方法。

84、本技术实施例中，获取对象数据与媒体数据，获取对象数据的初始对象向量与媒体数据的初始媒体向量；通过向量转换，得到n个对象转换向量与n个媒体转换向量，n为正整数，将n个对象转换向量与n个媒体转换向量进行组合，得到m个向量对，获取m个向量对分别对应的预测关联度，m为正整数；根据m个预测关联度，确定对象数据与媒体数据之间的目标关联度，以及对象数据与媒体数据之间的关联置信度；基于目标关联度及关联置信度，确定对象数据与媒体数据之间的数据关系。本技术实施例引入了对象数据与媒体数据之间的目标关联度，以及对象数据与媒体数据之间的关联置信度，通过目标关联度可以得到预测结果，根据关联置信度对预测结果进行评估，使得得到的数据关系是基于该预测结果及针对该预测结果的评估结果得到的，从而使得该数据关系的可信度较高，进而提高关联预测的准确性。