数据处理方法及装置、电子设备、计算机可读存储介质与流程

本公开涉及人工智能，特别涉及一种数据处理方法及装置、电子设备、计算机可读存储介质。

背景技术：

1、自然语言处理(natural language processing，nlp)是一门融语言学、计算机科学、数学于一体的科学，是人工智能的一项重要核心技术，可以应用于机器翻译、文本分类、问题回答、语音识别、文本语义对比等领域。神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。根据生物神经网络的原理和实际应用的需要建造实用的人工神经网络模型，通过相应的学习算法，模拟人脑的某种智力活动，可以在技术上解决实际问题。随着技术进步和应用需求，自然语言处理技术和神经网络技术结合来解决实际问题的能力越来越收到人们的重视。

技术实现思路

1、本公开提供一种数据处理方法及装置、电子设备、计算机可读存储介质。

2、第一方面，本公开提供了一种数据处理方法，该方法包括：

3、基于目标对象的时间序列数据获取所述目标对象的隐藏特征向量；其中，所述隐藏特征向量用于表征所述时间序列数据在不同时间的特征；

4、基于所述目标对象的文本数据获取所述目标对象的实体特征向量和全局特征向量；其中，所述实体特征向量用于表征所述文本数据中实体的特征，所述全局特征向量用于表征所述文本数据的特征；

5、所述实体特征向量融合所述隐藏特征向量获得实体融合特征向量，以及，所述隐藏特征向量融合所述实体特征向量获得隐藏融合特征向量；

6、基于所述隐藏融合特征向量、所述实体融合特征向量和所述全局特征向量确定所述目标对象的多模态融合特征；

7、基于所述目标对象的多模态融合特征预测所述目标对象出现目标状态的概率。

8、第二方面，本公开提供了一种数据处理装置，该装置包括：

9、第一获取模块，用于基于目标对象的时间序列数据获取所述目标对象的隐藏特征向量；其中，所述隐藏特征向量用于表征所述时间序列数据在不同时间的特征；

10、第二获取模块，用于基于所述目标对象的文本数据获取所述目标对象的实体特征向量和全局特征向量；其中，所述实体特征向量用于表征所述文本数据中实体的特征，所述全局特征向量用于表征所述文本数据的特征；

11、融合模块，用于将所述实体特征向量融合所述隐藏特征向量，获得实体融合特征向量，以及，将所述隐藏特征向量融合所述实体特征向量，获得隐藏融合特征向量；

12、确定模块，用于基于所述隐藏融合特征向量、所述实体融合特征向量和所述全局特征向量确定所述目标对象的多模态融合特征；

13、预测模块，用于基于所述目标对象的多模态融合特征预测所述目标对象出现目标状态的概率。

14、第三方面，本公开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一个或多个计算机程序，一个或多个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上述的数据处理方法。

15、第四方面，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序在被处理器/处理核执行时实现上述的数据处理方法。

16、本公开所提供的实施例，基于目标对象的时间序列数据获取所述目标对象的隐藏特征向量，基于所述目标对象的文本数据获取所述目标对象的实体特征向量和全局特征向量，将所述实体特征向量融合所述隐藏特征向量，获得实体融合特征向量，使得实体融合特征向量既包含了文本数据中的信息，又包含了时间序列数据中的信息；将所述隐藏特征向量融合所述实体特征向量，获得隐藏融合特征向量，使得隐藏融合特征向量既包含了时间序列数据中的信息，又包含了文本数据信息；基于隐藏融合特征向量、实体融合特征向量和全局特征向量确定目标对象的多模态融合特征，即目标对象的多模态融合特征既包含了时间序列数据中的信息，又包含了文本数据中的实体信息和全局信息，因此，基于目标对象的多模态融合特征预测所述目标对象出现目标状态的概率，可以提高预测的准确性。

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

技术特征：

1.一种数据处理方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述基于所述目标对象的多模态融合特征预测所述目标对象出现目标状态的概率，包括：

3.根据权利要求2所述的方法，其特征在于，所述基于所述目标对象的文本数据和相邻对象的文本数据确定所述目标对象和所述相邻对象的相关度，包括：

4.根据权利要求2所述的方法，其特征在于，所述获取所述相邻对象的多模态融合特征，包括：

5.根据权利要求2所述的方法，其特征在于，所述基于所述目标对象的多模态聚合特征预测所述目标对象出现目标状态的概率，包括：

6.根据权利要求5所述的方法，其特征在于，所述神经网络模型的训练步骤包括：

7.根据权利要求1所述的方法，其特征在于，所述将所述实体特征向量融合所述隐藏特征向量，获得实体融合特征向量，以及，将所述隐藏特征向量融合所述实体特征向量，获得隐藏融合特征向量；包括：

8.根据权利要求7所述的方法，其特征在于，所述基于所述实体特征向量和所述隐藏特征向量确定所述实体特征向量的注意力分数和所述隐藏特征向量的注意力分数，包括：

9.一种数据处理装置，其特征在于，包括：

10.一种电子设备，其特征在于，包括：

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序在被处理器执行时实现如权利要求1-8中任一项所述的数据处理方法。

技术总结
本公开提供了一种数据处理方法及装置、电子设备、计算机可读存储介质。该方法包括：基于目标对象的时间序列数据获取目标对象的隐藏特征向量；基于目标对象的文本数据获取目标对象的实体特征向量和全局特征向量；其中，实体特征向量用于表征文本数据中实体的特征，全局特征向量用于表征文本数据的特征；将实体特征向量融合隐藏特征向量，获得实体融合特征向量，以及，将隐藏特征向量融合实体特征向量，获得隐藏融合特征向量；基于隐藏融合特征向量、实体融合特征向量和全局特征向量确定目标对象的多模态融合特征；基于目标对象的多模态融合特征预测目标对象出现目标状态的概率。本公开的实施例能够提高预测的准确性。

技术研发人员：赵宏宇,赵国庆,张莹,周宝航,宋珂慧,隋旭辉,袁晓洁
受保护的技术使用者：马上消费金融股份有限公司
技术研发日：
技术公布日：2024/1/12