数据处理方法、装置、设备、可读存储介质及程序产品制造方法及图纸

本申请公开了一种数据处理方法、装置、设备、可读存储介质及程序产品，涉及多媒体领域的深度神经网络学习技术，该方法包括：获取对象数据，获取媒体数据，获取对象数据的初始对象向量，获取媒体数据的初始媒体向量；对初始对象向量与初始媒体向量进行m次关联预测，得到对象数据与媒体数据之间的m个预测关联度，m为正整数；根据m个预测关联度，确定对象数据与媒体数据之间的目标关联度，以及对象数据与媒体数据之间的关联置信度；基于目标关联度及关联置信度，确定对象数据与媒体数据之间的数据关系。采用本申请，可以更加精准的确定对象数据与媒体数据之间的数据关系，提高对预测媒体数据的准确性。数据的准确性。数据的准确性。

【技术实现步骤摘要】
数据处理方法、装置、设备、可读存储介质及程序产品


[0001]本申请涉及多媒体
，尤其涉及一种数据处理方法、装置、设备、可读存储介质及程序产品。

技术介绍

[0002]随着数字化时代的来临，越来越多的场合会应用到媒体数据预测技术，人们对于媒体数据预测的准确性有着越来越高的要求。媒体数据与对象数据之间的关系预测一般基于模型中的向量映射点积的阈值进行实现，也就是，依靠阈值过滤实现对媒体数据的预测与召回，过滤条件是向量映射点积。而向量映射点积是对媒体数据与对象数据转换的预估结果，再加上模型本身预测可能带来的误差，导致预测与召回的准确性较低。

技术实现思路

[0003]本申请实施例提供一种数据处理方法、装置、设备、可读存储介质及程序产品，可以更加精准的确定对象数据与媒体数据之间的数据关系，提高对预测媒体数据的准确性。
[0004]本申请实施例一方面提供了一种数据处理方法，包括：
[0005]获取对象数据，获取媒体数据，获取对象数据的初始对象向量，获取媒体数据的初始媒体向量；
[0006]采用n个第一向量转换参数分别对初始对象向量进行向量转换，得到n个对象转换向量，采用n个第二向量转换参数分别对初始媒体向量进行向量转换，得到n个媒体转换向量，n为正整数；
[0007]将n个对象转换向量与n个媒体转换向量进行组合，得到m个向量对，获取m个向量对分别对应的预测关联度，m为正整数；
[0008]根据m个预测关联度，确定对象数据与媒体数据之间的目标关联度，以及对象数据与媒体数据之间的关联置信度；
[0009]基于目标关联度及关联置信度，确定对象数据与媒体数据之间的数据关系。
[0010]进一步地，采用n个第一向量转换参数分别对初始对象向量进行向量转换，得到n个对象转换向量，采用n个第二向量转换参数分别对初始媒体向量进行向量转换，得到n个媒体转换向量，n为正整数，包括：
[0011]对n个第一向量转换参数分别进行随机丢弃，得到n个第一向量随机参数；
[0012]根据n个第一向量随机参数，分别对初始对象向量进行向量转换，得到n个对象转换向量；
[0013]对n个第二向量转换参数分别进行随机丢弃，得到n个第二向量随机参数；
[0014]根据n个第二向量随机参数，分别对初始媒体向量进行向量转换，得到n个媒体转换向量。
[0015]进一步地，采用n个第一向量转换参数分别对初始对象向量进行向量转换，得到n个对象转换向量，采用n个第二向量转换参数分别对初始媒体向量进行向量转换，得到n个
媒体转换向量，n为正整数，包括：
[0016]将初始对象向量输入第i个对象向量转换子网络；第i个对象向量转换子网络包括m个对象卷积层；i为小于或等于n的正整数，m为正整数；
[0017]在第i个对象向量转换子网络中，对第i个对象向量转换子网络所包括的m个对象卷积层分别进行神经元丢弃处理，得到m个对象卷积层分别包括的有效对象神经元；
[0018]采用第i个对象向量转换子网络中的第一向量转换参数及有效对象神经元，对初始对象向量进行卷积处理，得到初始对象向量在第i个对象向量转换子网络中所对应的对象转换向量，直至得到n个对象向量转换子网络分别对应的对象转换向量；
[0019]将初始媒体向量输入第i个媒体向量转换子网络；第i个媒体向量转换子网络包括m个媒体卷积层；
[0020]在第i个媒体向量转换子网络中，对第i个媒体向量转换子网络所包括的m个媒体卷积层分别进行神经元丢弃处理，得到m个媒体卷积层分别包括的有效媒体神经元；
[0021]采用第i个媒体向量转换子网络中的第二向量转换参数及有效媒体神经元，对媒体对象向量进行卷积处理，得到初始媒体向量在第i个媒体向量转换子网络中所对应的媒体转换向量，直至得到n个媒体向量转换子网络分别对应的媒体转换向量。
[0022]进一步地，根据m个预测关联度，确定对象数据与媒体数据之间的目标关联度，以及对象数据与媒体数据之间的关联置信度，包括：
[0023]根据m个预测关联度的均值，确定对象数据与媒体数据之间的目标关联度；
[0024]根据m个预测关联度的偏离程度，确定对象数据与媒体数据之间的关联置信度。
[0025]进一步地，根据m个预测关联度，确定对象数据与媒体数据之间的目标关联度，以及对象数据与媒体数据之间的关联置信度，包括：
[0026]根据m个预测关联度生成分布函数，获取分布函数的均值及方差；
[0027]将分布函数的均值确定为对象数据与媒体数据之间的目标关联度，根据分布函数的方差确定对象数据与媒体数据之间的关联置信度。
[0028]进一步地，基于目标关联度及关联置信度，确定对象数据与媒体数据之间的数据关系，包括：
[0029]若目标关联度大于或等于关联度阈值，且关联置信度大于或等于置信度阈值，则确定对象数据与媒体数据之间的数据关系为数据关联关系；
[0030]若目标关联度小于关联度阈值，或关联置信度小于置信度阈值，则确定对象数据与媒体数据之间的数据关系为数据独立关系。
[0031]本申请实施例一方面提供了另一种数据处理方法，包括：
[0032]获取对象数据，获取媒体数据，获取对象数据的初始对象向量，获取媒体数据的初始媒体向量；
[0033]采用m个模型参数，分别对初始对象向量与初始媒体向量进行关联预测，得到对象数据与媒体数据之间的m个预测关联度，m为正整数；
[0034]根据m个预测关联度，确定对象数据与媒体数据之间的目标关联度，以及对象数据与媒体数据之间的关联置信度；
[0035]基于目标关联度及关联置信度，确定对象数据与媒体数据之间的数据关系。
[0036]本申请实施例一方面提供了又一种数据处理方法，包括：
[0037]获取样本对象数据，获取样本媒体数据，获取样本对象数据的初始样本对象向量，获取样本媒体数据的初始样本媒体向量，获取样本标签；
[0038]在初始关联预测模型中，采用初始关联预测模型中的n个第一初始向量转换参数分别对初始样本对象向量进行向量转换，得到n个样本对象转换向量，采用初始关联预测模型中的n个初始第二向量转换参数分别对初始样本媒体向量进行向量转换，得到n个样本媒体转换向量，n为正整数；
[0039]将n个样本对象转换向量与n个样本媒体转换向量进行组合，得到m个样本向量对，获取m个样本向量对分别对应的样本预测关联度，m为正整数；
[0040]根据m个样本预测关联度，确定样本对象数据与样本媒体数据之间的样本目标关联度，以及样本对象数据与样本媒体数据之间的样本关联置信度；
[0041]根据样本目标关联度、样本关联置信度与样本标签的样本关联关系，生成损失函数；
[0042]根据损失函数，对初始关联预测模型进行参数调整，得到关联预测模型；关联预测模型包括n个第一向量转换参数及n个第二向量转换参数，n个第一向量转换参数是对本文档来自技高网...

【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：获取对象数据，获取媒体数据，获取所述对象数据的初始对象向量，获取所述媒体数据的初始媒体向量；采用n个第一向量转换参数分别对所述初始对象向量进行向量转换，得到n个对象转换向量，采用n个第二向量转换参数分别对所述初始媒体向量进行向量转换，得到n个媒体转换向量，n为正整数；将所述n个对象转换向量与所述n个媒体转换向量进行组合，得到m个向量对，获取m个所述向量对分别对应的预测关联度，m为正整数；根据m个预测关联度，确定所述对象数据与所述媒体数据之间的目标关联度，以及所述对象数据与所述媒体数据之间的关联置信度；基于所述目标关联度及所述关联置信度，确定所述对象数据与所述媒体数据之间的数据关系。2.根据权利要求1所述的方法，其特征在于，所述采用n个第一向量转换参数分别对所述初始对象向量进行向量转换，得到n个对象转换向量，采用n个第二向量转换参数分别对所述初始媒体向量进行向量转换，得到n个媒体转换向量，n为正整数，包括：对所述n个第一向量转换参数分别进行随机丢弃，得到n个第一向量随机参数；根据所述n个第一向量随机参数，分别对所述初始对象向量进行向量转换，得到n个对象转换向量；对所述n个第二向量转换参数分别进行随机丢弃，得到n个第二向量随机参数；根据所述n个第二向量随机参数，分别对所述初始媒体向量进行向量转换，得到n个媒体转换向量。3.根据权利要求1所述的方法，其特征在于，所述采用n个第一向量转换参数分别对所述初始对象向量进行向量转换，得到n个对象转换向量，采用n个第二向量转换参数分别对所述初始媒体向量进行向量转换，得到n个媒体转换向量，n为正整数，包括：将所述初始对象向量输入第i个对象向量转换子网络；所述第i个对象向量转换子网络包括m个对象卷积层；i为小于或等于n的正整数，m为正整数；在所述第i个对象向量转换子网络中，对所述第i个对象向量转换子网络所包括的所述m个对象卷积层分别进行神经元丢弃处理，得到所述m个对象卷积层分别包括的有效对象神经元；采用所述第i个对象向量转换子网络中的第一向量转换参数及所述有效对象神经元，对所述初始对象向量进行卷积处理，得到所述初始对象向量在所述第i个对象向量转换子网络中所对应的对象转换向量，直至得到n个对象向量转换子网络分别对应的对象转换向量；将所述初始媒体向量输入第i个媒体向量转换子网络；所述第i个媒体向量转换子网络包括m个媒体卷积层；在所述第i个媒体向量转换子网络中，对所述第i个媒体向量转换子网络所包括的所述m个媒体卷积层分别进行神经元丢弃处理，得到所述m个媒体卷积层分别包括的有效媒体神经元；采用所述第i个媒体向量转换子网络中的第二向量转换参数及所述有效媒体神经元，
对所述媒体对象向量进行卷积处理，得到所述初始媒体向量在所述第i个媒体向量转换子网络中所对应的媒体转换向量，直至得到n个媒体向量转换子网络分别对应的媒体转换向量。4.根据权利要求1所述的方法，其特征在于，所述根据m个预测关联度，确定所述对象数据与所述媒体数据之间的目标关联度，以及所述对象数据与所述媒体数据之间的关联置信度，包括：根据m个预测关联度的均值，确定所述对象数据与所述媒体数据之间的目标关联度；根据所述m个预测关联度的偏离程度，确定所述对象数据与所述媒体数据之间的关联置信度。5.根据权利要求1所述的方法，其特征在于，所述根据m个预测关联度，确定所述对象数据与所述媒体数据之间的目标关联度，以及所述对象数据与所述媒体数据之间的关联置信度，包括：根据m个预测关联度生成分布函数，获取所述分布函数的均值及方差；将所述分布函数的均值确定为所述对象数据与所述媒体数据之间的目标关联度，根据所述分布函数的方差确定所述对象数据与所述媒体数据之间的关联置信度。6.根据权利要求1所述的方法，其特征在于，所述基于所述目标关联度及所述关联置信度，确定所述对象数据与所述媒体数据之间的数据关系，包括：若所述目标关联度大于或等于关联度阈值，且所述关联置信度大于或等于置信度阈值，则确定所述对象数据与所述媒体数据之间的数据关系为数据关联关系；若所述目标关联度小于所述关联度阈值，或所述关联置信度小于所述置信度阈值，则确定所述对象数据与所述媒体数据之间的数据关系为数据独立关系。7.一种数据处理方法，其特征在于，包括：获取对象数据，获取媒体数据，获取所述对象数据的初始对象向量，获取所述媒体数据的初始媒体向量；采用m个模型参数，分别对所述初始对象向量与所述初始媒体向量进行关联预测，得到所述对象数据与所述媒体数据之间的m个预测关联度，m为正整数；根据所述m个预测关联度，确定所述对象数据与所述媒体数据之间的目标关联度，以及所述对象数据与所述媒体数据之间的关联置信度；基于所述目标关联度及所述关联置信度，确定所述对象数据与所述媒体数据之间的数据关系。8.一种数据处理方法，其特征在于，包括：获取样本对象数据，获取样本媒体数据，获取所述样本对象数据的初始样本对象向量，获取所述样本媒体数据的初始样本媒...

【专利技术属性】
技术研发人员：赵振岐，周永超，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：