本申请提供一种数据处理方法、装置、设备及介质，可用于人工智能领域。在该方法中，通过响应于用户的拉取操作，从预设空间中拉取源数据，根据预设的属性类别对源数据进行分类，以得到不同属性类别分别对应的多个子数据，针对每个属性类别中的每两个子数据中的第一子数据和第二子数据，将第一子数据和第二子数据分别输入至预设的神经网络模型中，以得到第一子数据和第二子数据分别对应的输出结果，针对每个输出结果，在输出结果的准确度大于预设阈值时，记录神经网络模型中的参数矩阵，并记录神经网络模型中的参数矩阵，根据输出结果的准确度大于预设阈值时的参数矩阵，确定属性类别中每两个子数据之间的关联性，以得到了数据之间的关联性。的关联性。的关联性。
【技术实现步骤摘要】
数据处理方法、装置、设备及介质
[0001]本申请涉及人工智能领域，尤其涉及一种数据处理方法、装置、设备及介质。
技术介绍
[0002]在当前的大数据时代，数据作为信息的载体，如果能够对数据进行合理的挖掘，以得到数据中隐藏的关联关系，可以及时掌握有效信息，对未来决策提供可靠的数据支撑。
[0003]现有技术中，面对大量交易数据、关系数据或其他信息载体，简单的数据处理算法通过对数据之间进行对比，由技术人员根据经验判断数据之间的关联关系。
[0004]然而，现有技术中的方式过于依赖于技术人员的经验，且基于主观性评断的方式，其准确性存在一定的问题。
技术实现思路
[0005]本申请提供一种数据处理方法、装置、设备及介质，用以解决提高确定出数据之间关联关系的问题。
[0006]第一方面，本申请提供一种数据处理方法，包括：
[0007]响应于用户的拉取操作，从预设空间中拉取源数据；
[0008]根据预设的属性类别对所述源数据进行分类，以得到不同属性类别分别对应的多个子数据；
[0009]针对每个属性类别中的每两个子数据中的第一子数据和第二子数据，将所述第一子数据和所述第二子数据分别输入至预设的神经网络模型中，以得到所述第一子数据和第二子数据分别对应的输出结果；
[0010]针对每个输出结果，在所述输出结果的准确度大于预设阈值时，记录所述神经网络模型中的参数矩阵；
[0011]在所述输出结果的准确度小于或等于所述预设阈值时，调整所述神经网络模型中的参数，并将所述输出结果对应的子数据重新输入所述神经网络模型，直到所述输出结果的准确度大于所述预设阈值，并记录所述神经网络模型中的参数矩阵；
[0012]根据所述输出结果的准确度大于所述预设阈值时的参数矩阵，确定所述属性类别中每两个子数据之间的关联性。
[0013]第二方面，本申请提供一种数据处理装置，包括：
[0014]获取模块，用于响应于用户的拉取操作，从预设空间中拉取源数据；
[0015]分类模块，用于根据预设的属性类别对所述源数据进行分类，以得到不同属性类别分别对应的多个子数据；
[0016]处理模块，用于针对每个属性类别中的每两个子数据中的第一子数据和第二子数据，将所述第一子数据和所述第二子数据分别输入至预设的神经网络模型中，以得到所述第一子数据和第二子数据分别对应的输出结果；
[0017]记录模块，用于针对每个输出结果，在所述输出结果的准确度大于预设阈值时，记
录所述神经网络模型中的参数矩阵；
[0018]调整模块，用于在所述输出结果的准确度小于或等于所述预设阈值时，调整所述神经网络模型中的参数，并将所述输出结果对应的子数据重新输入所述神经网络模型，直到所述输出结果的准确度大于所述预设阈值，并记录所述神经网络模型中的参数矩阵；
[0019]确定模块，用于根据所述输出结果的准确度大于所述预设阈值时的参数矩阵，确定所述属性类别中每两个子数据之间的关联性。
[0020]第三方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
[0021]所述存储器存储计算机执行指令；
[0022]所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面所述的数据处理方法。
[0023]第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的数据处理方法。
[0024]第五方面，本申请提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时用于实现第一方面所述的数据处理方法。
[0025]本申请提供的数据处理方法、装置、设备及介质，通过响应于用户的拉取操作，从预设空间中拉取源数据，根据预设的属性类别对源数据进行分类，以得到不同属性类别分别对应的多个子数据，针对每个属性类别中的每两个子数据中的第一子数据和第二子数据，将第一子数据和第二子数据分别输入至预设的神经网络模型中，以得到第一子数据和第二子数据分别对应的输出结果，针对每个输出结果，在输出结果的准确度大于预设阈值时，记录神经网络模型中的参数矩阵，在输出结果的准确度小于或等于预设阈值时，调整神经网络模型中的参数，并将输出结果对应的子数据重新输入神经网络模型，直到输出结果的准确度大于预设阈值，并记录神经网络模型中的参数矩阵，根据输出结果的准确度大于预设阈值时的参数矩阵，确定属性类别中每两个子数据之间的关联性。该技术方案中，先对源数据进行分类，将同一属性类别的数据分别输入神经网络模型，在输出结果准确率较高时去观测相应神经网络模型的参数矩阵，从而得到数据之间更加准确的关联性。
附图说明
[0026]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
[0027]图1为本申请提供的数据处理方法实施例一的流程示意图；
[0028]图2为本申请实施例提供数据处理的相关单元功能处理示意图；
[0029]图3为本申请提供的数据处理方法的流程示意图；
[0030]图4为本申请提供的数据处理装置实施例的结构示意图；
[0031]图5为本申请实施例提供的电子设备实施例的结构示意图。
[0032]通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
[0033]这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
[0034]需要说明的是，本申请的数据处理方法、装置、设备及介质可用于人工智能领域，也可用于除人工智能之外的任意领域，本申请的数据处理方法、装置、设备及介质的应用领域不做限定。
[0035]首先，对本申请实施例提供的技术名词和相关技术背景进行介绍。
[0036]人工神经网络(Artificial Neural Network，ANN)：是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点(或，称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(英文：activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依赖于网络的连接方式、权重值和激励函数的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：响应于用户的拉取操作，从预设空间中拉取源数据；根据预设的属性类别对所述源数据进行分类，以得到不同属性类别分别对应的多个子数据；针对每个属性类别中的每两个子数据中的第一子数据和第二子数据，将所述第一子数据和所述第二子数据分别输入至预设的神经网络模型中，以得到所述第一子数据和第二子数据分别对应的输出结果；针对每个输出结果，在所述输出结果的准确度大于预设阈值时，记录所述神经网络模型中的参数矩阵；在所述输出结果的准确度小于或等于所述预设阈值时，调整所述神经网络模型中的参数，并将所述输出结果对应的子数据重新输入所述神经网络模型，直到所述输出结果的准确度大于所述预设阈值，并记录所述神经网络模型中的参数矩阵；根据所述输出结果的准确度大于所述预设阈值时的参数矩阵，确定所述属性类别中每两个子数据之间的关联性。2.根据权利要求1所述的方法，其特征在于，所述根据所述输出结果的准确度大于所述预设阈值时的参数矩阵，确定所述属性类别中每两个子数据之间的关联性，包括：根据所述第一子数据对应的第一参数矩阵和所述第二子数据对应的第二参数矩阵，确定所述第一参数矩阵和所述第二参数矩阵分别对应的权重矩阵和偏差矩阵；根据所述第一参数矩阵和所述第二参数矩阵分别对应的权重矩阵和偏差矩阵，确定在所述属性类别中所述第一子数据和所述第二子数据之间的关联性。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述输出结果的准确度大于所述预设阈值时的参数矩阵，确定所述属性类别中每两个子数据之间的共性特征。4.根据权利要求3所述的方法，其特征在于，所述根据所述输出结果的准确度大于所述预设阈值时的参数矩阵，确定所述属性类别中每两个子数据之间的共性特征，包括：根据所述第一子数据对应的第一参数矩阵和所述第二子数据对应的第二参数矩阵，确定所述第一参数矩阵和所述第二参数矩阵之间的共有数据；根据所述共有数据，确定在所述属性类别中所述第一子数据和所述第二子数据之间的共性特征。5.根据权利要求1所述的方法，其特征在于，在所述将所述第一子数据和所述第二子数据分别输入至预设的神经网络模型中，以得到所述第一子数据和第二子数据分别对应的输出结果之后...
【专利技术属性】
技术研发人员：张浩博，
申请(专利权)人：中国银行股份有限公司，
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。