【技术实现步骤摘要】
信息处理方法、装置、计算设备及介质
[0001]本专利技术涉及数据处理领域,尤其涉及一种信息处理方法、装置、计算设备及介质。
技术介绍
[0002]在实际应用中,一个对象往往对应多个不同维度的变量。例如,一个商品具有销量、点击率、浏览量等不同维度的变量。对于一个对象的一个目标变量而言,该对象的其他变量可能会与该目标变量具有关联关系,但关联程度可能会各不相同。为了分析一个对象的目标变量与其他变量之间的关联程度,需要采集其他变量的时间序列,即多变量时间序列。一个变量的时间序列是指将该变量的数值按照其发生的时间先后顺序排列而成的数列。
[0003]对于不同的对象,可能具有相同的变量。例如,对于不同的商品,都具有销量、点击率和浏览量等变量。但是在不同的对象中,相同变量之间的关联关系可能不同。例如,对于不同的商品,商品的浏览量与销量之间的关联程度可能会不同。
[0004]因此,目前对于变量间的关联程度的分析都是以对象为单位,即对每个对象的变量进行单独分析。但是,有些对象的样本数据比较少,无法准确得出该对象的变量之间的关联程度。
技术实现思路
[0005]本专利技术实施例提供一种信息处理方法、装置、计算设备及介质,可提高对变量间的关联程度计算的准确率。
[0006]第一方面,本专利技术实施例提供一种信息处理方法,包括:
[0007]获取目标对象的多个第一变量中每个第一变量的时间序列;
[0008]基于每个所述时间序列,确定每个所述第一变量与所述目标对象的第二变量的第一关联权 ...
【技术保护点】
【技术特征摘要】
1.一种信息处理方法,其中,所述方法包括:获取目标对象的多个第一变量中每个第一变量的时间序列;基于每个所述时间序列,确定每个所述第一变量与所述目标对象的第二变量的第一关联权重;基于每个所述第一关联权重,以及与所述目标对象对应的预设关联权重信息,得到每个所述第一变量与所述第二变量的目标关联权重;其中,与所述目标对象对应的预设关联权重信息包括每个所述第一变量与所述第二变量的第二关联权重,所述第二关联权重为多个对象中每个对象的第一变量与该对象的第二变量的关联程度。2.根据权利要求1所述的方法,其中,所述基于每个所述时间序列,确定每个所述第一变量与所述目标对象的第二变量的第一关联权重,包括:对于每个所述时间序列,利用编码器对所述时间序列进行编码,得到所述时间序列对应的第一向量表征;将第二向量表征输入到与其对应的第一神经网络,得到所述第二变量在目标时间点的第一预测值,所述第二向量表征包括每个所述第一向量表征;对于每个目标第一向量表征,将除所述目标第一向量表征之外的其他每个第一向量表征进行拼接,并将拼接后的向量表征输入到与所述目标第一向量表征对应的第二神经网络,得到所述第二变量在所述目标时间点的第二预测值;基于所述第一预测值和每个所述第二预测值,得到第三向量表征,所述第三向量表征包括每个所述第一变量与所述第二变量的第一关联权重。3.根据权利要求2所述的方法,其中,所述基于所述第一预测值和每个所述第二预测值,得到第三向量表征,包括:基于所述第一预测值和所述第二变量的标签值,得到第一误差值;对于每个所述第二预测值,基于所述第二预测值和所述标签值,得到第二误差值;对于每个所述第二误差值,将所述第二误差值减去所述第一误差值,得到目标误差值;基于每个所述目标误差值,得到每个所述第一变量与所述第二变量的第一关联权重。4.根据权利要求3所述的方法,其中,所述基于每个所述目标误差值,得到每个所述第一变量与所述第二变量的第一关联权重,包括:利用激活函数对每个所述目标误差值进行映射,得到每个所述目标误差值对应的映射结果;将每个所述映射结果进行归一化处理,得到每个所述第一变量与所述第二变量的第一关联权重。5.根据权利要求1所述的方法,其中,所述基于每个所述第一关联权重,以及与所述目标对象对应的预设关联权重信息,得到每个所述第一变量与所述第二变量的目标关联权重,包括:对于每个所述第一变量,将所述第一变量与所述第二变量的第一关联权重与所述第一变量与所述第二变量的第二关联权重进行加权求和,得到所述第一变量与所述第二变量的目标关联权重。6.根据权利要求2所述的方法,其中,在所述基于每个所述第一关联权重,以及与所述目标对象对应的预设关联权重信息,得到每个所述第一变量与所述第二变量的目标关联权
重之前,所述方法还包括:分别计算所述第三向量表征和多个预设关联权重信息中每个预设关联权重信息之间的相似度;将与所述第三向量表征之间的相似度最大的预设关联权重信息作为与所述目标对象对应的预设关联权重信息。7.根据权利要求2所述的方法,其中,所述方法还包括:对于每个所述第一向量表征,将所述第一向量表征输入到与其对应的第三神经网络,得到所述第二变量在目标时间点的第三预测值;根据每个所述第三预测值和每个所述目标关联权重,得到所述第二变量在所述目标时间点的目标预测值。8.根据权利要求7所述的方法,其中,所述编码器为长短期记忆网络LSTM、门控循环单元GRU、时域卷积网络TCN或卷积神经网络CNN。9.一种信息处理方法,其中,所述方法包括:获取目标多媒体数据的多个第一变量中每个第一变量的时间序列;基于每个所述时间序列,确定每个所述第一变量与所述目标多媒体数据的第二变量的第一关联权重;基于每个所述第一关联权重,以及与所述目标多媒体数据对应的预设关联权重信息,得到每个所述第一变量与所述第二变量的目标关联权重;其中,与所述目标多媒体数据对应的预设关联权重信息包括每个所述第一变量与所述第二变量的第二关联权重,所述第二关联权重为多个多媒体数据中每个多媒体数据的第一变量与该多媒体数据的第二变量的关联程度。10.根据权利要求9所述的方法,其中,所述基于每个所述时间序列,确定每个所述第一变量与所述目标多媒体数据的第二变量的第一关联权重,包括:对于每个所述时间序列,利用编码器对所述时间序列进行编码,得到所述时间序列对应的第一向量表征;将第二向量表征输入到与其对应的第一神经网络,得到所述第二变量在目标时间点的第一预测值,所述第二向量表征包括每个所述第一向量表征;对于每个目标第一向量表征,将除所述目标第一向量表征之外的其他每个第一向量表征进行拼接,并将拼接后的向量表征输入到与所述目标第一向量表征对应的第二神经网络,得到所述第二变量在所述目标时间点的第二预测值;基于所述第一预测值和每个所述第二预测值,得到...
【专利技术属性】
技术研发人员:楚云霏,王晓伟,马坚鑫,周靖人,杨红霞,
申请(专利权)人:阿里巴巴集团控股有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。