一种数据处理及广告评分方法、装置及设备制造方法及图纸

本说明书实施例公开了一种数据处理及广告评分方法、装置及设备。其中数据处理方案，包括：从输入特征矩阵中获取第一特征数据和第二特征数据；分别计算所述第一特征数据和所述第二特征数据，以生成深度网络中所述第一特征数据对应的第一隐藏信息和所述第二特征数据对应的第二隐藏信息；根据所述第一隐藏信息和所述第二隐藏信息，计算输出所述输入特征矩阵对应的预测结果。

【技术实现步骤摘要】
一种数据处理及广告评分方法、装置及设备
本说明书涉及计算机
，尤其涉及一种数据处理及广告评分方法、装置及设备。
技术介绍
现有的数据处理方案，通常是将所有特征数据一并输入到同一个处理网络(比如深度神经网络)中进行数据处理，而且在后期性能优化中，一般是从工程实施部署的方案上考虑,比如把上述输入并发地请求多个服务器共同处理,或者优化服务器的单机算力,把上述输入以批处理方式,请求服务器处理。
技术实现思路
有鉴于此，本说明书实施例提供了一种数据处理及广告评分方法、装置及设备，通过从处理逻辑上优化处理网络的结构，便于实施部署和提升处理效率。本说明书实施例采用下述技术方案：本说明书实施例提供一种数据处理方法，包括：从输入特征矩阵中获取第一特征数据和第二特征数据；分别计算所述第一特征数据和所述第二特征数据，以生成深度网络中所述第一特征数据对应的第一隐藏信息和所述第二特征数据对应的第二隐藏信息；根据所述第一隐藏信息和所述第二隐藏信息，计算输出所述输入特征矩阵对应的预测结果。本说明书实施例还提供一种广告评分方法，包括：从输入特征矩阵中获取用户特征数据和创意特征数据；分别计算所述用户特征数据和所述创意特征数据，以生成深度网络中所述用户特征数据对应的第一隐藏信息和所述创意特征数据对应的第二隐藏信息；根据所述第一隐藏信息和所述第二隐藏信息，计算输出所述输入特征矩阵对应的预测分数。本说明书实施例还提供一种数据处理装置，包括：获取模块，从输入特征矩阵中获取第一特征数据和第二特征数据；计算模块，分别计算所述第一特征数据和所述第二特征数据，以生成深度网络中所述第一特征数据对应的第一隐藏信息和所述第二特征数据对应的第二隐藏信息；输出模块，根据所述第一隐藏信息和所述第二隐藏信息，计算输出所述输入特征矩阵对应的预测结果。本说明书实施例还提供一种广告评分装置，包括：获取模块，从输入特征矩阵中获取用户特征数据和创意特征数据；计算模块，分别计算所述用户特征数据和所述创意特征数据，以生成深度网络中所述用户特征数据对应的第一隐藏信息和所述创意特征数据对应的第二隐藏信息；输出模块，根据所述第一隐藏信息和所述第二隐藏信息，计算输出所述输入特征矩阵对应的预测分数。本说明书实施例还提供一种用于数据处理的电子设备，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指令，所述指令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：从输入特征矩阵中获取第一特征数据和第二特征数据；分别计算所述第一特征数据和所述第二特征数据，以生成深度网络中所述第一特征数据对应的第一隐藏信息和所述第二特征数据对应的第二隐藏信息；根据所述第一隐藏信息和所述第二隐藏信息，计算输出所述输入特征矩阵对应的预测结果。本说明书实施例还提供一种用于广告评分的电子设备，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指令，所述指令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：从输入特征矩阵中获取用户特征数据和创意特征数据；分别计算所述用户特征数据和所述创意特征数据，以生成深度网络中所述用户特征数据对应的第一隐藏信息和所述创意特征数据对应的第二隐藏信息；根据所述第一隐藏信息和所述第二隐藏信息，计算输出所述输入特征矩阵对应的预测分数。本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：将用于处理的深层网络，先从逻辑上将输入特征分拆出共同特征和非共同特征两部分特征数据，再采用不同的处理逻辑对共同特征和非共同特征进行单独的计算处理，即对共同特征单独计算一次以获得该共同特征对应的第一隐藏信息，而对非共同特征单独进行计算以获得非共同特征对应的第二隐藏信息，而且在对非共同特征计算时无需再对共同特征进行计算，因而既优化了处理网络的结构，减少了处理网络所需的资源，方便实施部署，还避免了共同特征被重复多次计算，有效提升处理效率，减少后期性能优化的需求。附图说明为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本说明书实施例中现有数据处理方案的示意图。图2为本说明书实施例提供的一种数据处理方案的示意图。图3为本说明书实施例提供的一种数据处理方法的流程图。图4为本说明书实施例提供的一种数据处理方法中离线计算共同特征的结构示意图。图5为本说明书实施例提供的一种数据处理方法中矩阵切片的代码片段示意图。图6为本说明书实施例提供的一种数据处理装置的示意图。图7为本说明书实施例提供的一种广告评分方法的流程图。图8为本说明书实施例提供的一种广告评分方法中进行数据处理的代码片段示意图。图9为本说明书实施例提供的一种广告评分装置的示意图。具体实施方式为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。正如前述，现有数据处理方案中，是将所有输入特征数据一并输入到处理网络中进行处理，不仅导致处理网络的结构过于复杂，还占用大量计算资源，数据处理效率低，也不易后期性能优化。而且专利技术人还发现，这些输入特征数据，通常可分成共同特征和非共同特征两部分特征，而且在特征数据收集阶段时，往往已经通过特征工程分别完成共同特征和非共同特征的数据收集、提取等工作，但在利用深度网络根据特征数据预测结果时，又将这两部分数据合并后作为处理网络的输入，由一个处理网络对输入进行计算和预测输出。如图1所示，在该处理网络的输入特征矩阵中，共同特征采用一个向量表示，如将共同特征表示成向量commonfeature，非共同特征是根据应用场景需要而采用若干个向量表示，如将非共同特征表示成n(n为正整数)个向量itemfeature，即向量item_1feature至向量item_nfeature，从而通过深度网络处理后，输出该共同特征分别结合到各个非共同特征后对应的预测结果。因而在该网络处理中，共同特征向量commonfeature将跟随n个非共同特征向量itemfeature在处理网络中被计算n次。因此，该处理方案中并未充分利用共同特征是完全相同的这本文档来自技高网...

【技术保护点】
1.一种数据处理方法，包括：/n从输入特征矩阵中获取第一特征数据和第二特征数据；/n分别计算所述第一特征数据和所述第二特征数据，以生成深度网络中所述第一特征数据对应的第一隐藏信息和所述第二特征数据对应的第二隐藏信息；/n根据所述第一隐藏信息和所述第二隐藏信息，计算输出所述输入特征矩阵对应的预测结果。/n

【技术特征摘要】
1.一种数据处理方法，包括：
从输入特征矩阵中获取第一特征数据和第二特征数据；
分别计算所述第一特征数据和所述第二特征数据，以生成深度网络中所述第一特征数据对应的第一隐藏信息和所述第二特征数据对应的第二隐藏信息；
根据所述第一隐藏信息和所述第二隐藏信息，计算输出所述输入特征矩阵对应的预测结果。


2.如权利要求1所述的方法，所述方法还包括：
添加标志位，所述标志位用于表征数据处理阶段，所述数据处理阶段包括训练阶段或者预测阶段；
从输入特征矩阵中获取第一特征数据和第二特征数据，包括：
判断所述标志位以确定所述数据处理阶段；
根据确定的所述数据处理阶段，按所述数据处理阶段对应的数据提取方式从输入特征矩阵中获取第一特征数据和第二特征数据。


3.如权利要求2所述的方法，当确定的所述数据处理阶段为所述预测阶段，根据确定的所述数据处理阶段，按所述数据处理阶段对应的数据提取方式从输入特征矩阵中获取第一特征数据和第二特征数据，包括：
按所述预测阶段对应的数据提取方式对输入特征矩阵进行切片操作；
根据所述切片操作从输入特征矩阵中，获取一次第一特征数据，以及依次获取出第二特征数据。


4.如权利要求1所述的方法，所述方法还包括：
将所述第一隐藏信息和所述第二隐藏信息构成隐藏信息矩阵；
根据所述第一隐藏信息和所述第二隐藏信息，计算输出所述输入特征矩阵对应的预测结果，包括：
根据所述隐藏信息矩阵，计算输出所述输入特征矩阵对应的预测结果。


5.如权利要求1所述的方法，计算所述第一特征数据，包括：离线计算所述第一特征数据。


6.一种广告评分方法，包括：
从输入特征矩阵中获取用户特征数据和创意特征数据；
分别计算所述用户特征数据和所述创意特征数据，以生成深度网络中所述用户特征数据对应的第一隐藏信息和所述创意特征数据对应的第二隐藏信息；
根据所述第一隐藏信息和所述第二隐藏信息，计算输出所述输入特征矩阵对应的预测分数。


7.一种数据处理装置，包括：
获取模块，从输入特征矩阵中获取第一特征数据和第二特征数据；
计算模块，分别计算所述第一特征数据和所述第二特征数据，以生成深度网络中所述第一特征数据对应的第一隐藏信息和所述第二特征数据对应的第二隐藏信息；
输出模块，根据所述第一隐藏信息和所述第二隐藏信息，计算输出所述输入特征矩阵对应的预测结果。


8.如权利要求7所述的装置，所述装置还包括：
第一配置模块，添加标志位，所述标志位用于表征数据处理阶段，所述数据处理阶段包括训练阶段或者预测阶段；
从输入特征矩阵中获取第一特征数据和第二特征数据，包括：

【专利技术属性】
技术研发人员：赵科科，王攀，赵耀，
申请(专利权)人：支付宝杭州信息技术有限公司，
类型：发明
国别省市：浙江;33