数据处理方法、装置、设备和存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113988347A(43)申请公布日2022.01.28(21)申请号202010653413.5(22)申请日2020.07.08(71)申请人阿里巴巴集团控股有限公司地址英属开曼群岛大开曼资本大厦一座四层847号邮箱(72)发明人赵春晖常树超李元龙付川乔红麟(74)专利代理机构北京润泽恒知识产权代理有限公司11319代理人钱秀茹(51)Int.Cl.G06Q10/04(2012.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书4页说明书33页附图7页(54)发明名称数据处理方法、装置、设备和存储介质(57)摘要本申请实施例提供了一种数据处理方法、装置、设备和存储介质，以解决现有技术中，软测量模型的预测性能较差的问题。所述方法包括：获取目标事务的待预测数据；将所述待预测数据输入至目标预测器，得到预测结果；其中，所述预测结果包括至少两个因变量；所述待预测数据包括所述因变量的自变量；所述目标预测器包括图卷积层，所述图卷积层包括根据样本数据训练得到的图结构，所述图结构的结点包括所述样本数据中的样本因变量。本申请实施例基于以多因变量为结点的图结构，采用图卷积运算将具有相关关系的结点相连接，使不同因变量在预测过程相互影响，以提高多因变量预测的综合软测量性能。CN113988347ACN113988347A权利要求书1/4页1.一种数据处理方法，其特征在于，所述方法包括：获取目标事务的待预测数据；所述目标事务包括根据所述待预测数据执行的生产事务或参数预测事务；将所述待预测数据输入至目标预测器，得到预测结果；其中，所述预测结果包括至少两个因变量；所述待预测数据包括所述因变量的自变量；所述目标预测器包括图卷积层，所述图卷积层包括根据样本数据训练得到的图结构，所述图结构的结点包括所述样本数据中的样本因变量。2.根据权利要求1所述的数据处理方法，其特征在于，所述目标预测器还包括目标全连接层，所述目标全连接层包括第一全连接层、第二全连接层以及第三全连接层；其中，所述第一全连接层、所述图卷积层、所述第二全连接层以及所述第三全连接层依次连接。3.根据权利要求2所述的数据处理方法，其特征在于，每个所述目标全连接层包括N个通道，N为所述因变量的数目，所述通道对一个所述因变量进行处理。4.根据权利要求2所述的数据处理方法，其特征在于，所述图结构中，每个所述结点的特征值为对相邻结点加权求和的结果；所述图结构中的权重为每相邻的两个所述结点之间的权重；所述权重为邻接矩阵中的元素，所述邻接矩阵为根据所述样本因变量生成的。5.根据权利要求1所述的数据处理方法，其特征在于，所述获取目标事务的待预测数据的步骤之前，所述方法包括：获取所述样本数据；其中，所述样本数据包括训练样本以及测试样本；根据所述训练样本，训练初始预测器，得到待测试预测器；根据所述测试样本，对所述待测试预测器进行测试，得到所述目标预测器。6.根据权利要求5所述的数据处理方法，其特征在于，所述样本数据中的样本包括样本自变量以及所述样本因变量；所述根据所述训练样本，训练初始预测器，得到待测试预测器的步骤，包括：将所述训练样本中的第一训练样本的第一样本自变量输入初始预测器，得到第一预测内容；根据所述第一预测内容与所述第一训练样本的第一样本因变量，对所述初始预测器进行反向优化，得到优化预测器；将所述训练样本中的第二样本自变量迭代输入所述优化预测器，并进行所述反向优化，至迭代次数满足第一预设要求和/或损失函数满足第二预设要求，得到待测试预测器。7.根据权利要求6所述的数据处理方法，其特征在于，所述初始预测器包括初始全连接层以及初始图卷积层；每个所述初始全连接层包括N个通道；所述初始全连接层包括第四全连接层、第五全连接层以及第六全连接层。8.根据权利要求7所述的数据处理方法，其特征在于，所述将所述训练样本中的第一训练样本的第一样本自变量输入初始预测器，得到第一预测内容的步骤，包括：将所述训练样本中的第一训练样本的第一样本自变量输入初始预测器；在每个所述初始预测器的初始全连接层，根据第一数据关系，计算输出数据；以及在所述初始预测器的初始图卷积层，根据第二数据关系，计算输出数据；2CN113988347A权利要求书2/4页获取所述第六全连接层的输出数据，作为第一预测内容。9.根据权利要求8所述的数据处理方法，其特征在于，所述第一数据关系为：H1(i)＝σ1[H1(i-1)W1(i)+b(i)]其中，H1(i)表示第i层的输出数据；H1(i-1)表示第i-1层的输出数据；W1(i)表示第i层的第一权重，b(i)表示第i层的偏置参数；σ1(x)表示x的第一激活函数。10.根据