一种基于人工智能的数据处理方法、装置、终端及介质制造方法及图纸

本申请公开了一种基于人工智能的数据处理方法、装置、终端及介质。其中方法包括：获取数据集的数据，所述数据集包括至少三个用户数据集；根据所述数据集的数据，依据零总和算法生成目标搜索树模型；根据生成得到的所述目标搜索树模型，确定最大节点价值的搜索路径，并执行所述最大节点价值的搜索路径途径的树节点对应的处理方式，可以快速处理多方数据，节省数据开销。

A data processing method, device, terminal and medium based on Artificial Intelligence

The application discloses a data processing method, device, terminal and medium based on artificial intelligence. The method includes: obtaining the data of the data set, which includes at least three user data sets; generating the target search tree model according to the data of the data set and the zero sum algorithm; determining the search path of the maximum node value according to the generated target search tree model, and performing the tree node corresponding to the search path of the maximum node value It can process multi-party data quickly and save data cost.

【技术实现步骤摘要】
一种基于人工智能的数据处理方法、装置、终端及介质
本申请涉及计算机
，尤其涉及一种基于人工智能的数据处理方法、装置、终端及介质。
技术介绍
机器博弈，也称计算机博弈，就是指计算机通过运行人类编写的程序，模拟人类在下棋时复杂的思维，从而让计算机像人类一样具有下棋的能力，下国际象棋，五子棋，西洋跳棋，中国象棋等等。计算机博弈作为人工智能领域一个非常重要而且极具挑战性的课题。一般解决博弈类问题的自然想法是将局面组织成一棵树，树的每一个节点表示一种局面，而父子关系表示由父局面经过一步可以到达子局面，Minimax算法也不例外。上述Minimax算法又名极小化极大算法(极大极小值算法)，是一种找出失败的最大可能性中的最小值的算法。常用于棋类等由两方较量的游戏和程序，这类程序由两方轮流，每次执行一个步骤。我们众所周知的五子棋、象棋等都属于这类程序，所以说Minimax算法是基于搜索的博弈算法的基础，即一方要在可选的选项中选择将其优势最大化的选择，而另一方则选择令对手优势最小化的方法。但基于传统的Minimax算法的决策方法，不适用于多方参与的博弈决策。对于多方参与的博弈，使用一般的监督学习训练模型进行决策时，存在失误的可能性较大，尤其是对于需要多方配合进行的决策场景，无法准确地判断不同可能的数据处理方式的优劣，数据处理方式不合理、过程较冗长复杂、数据开销大。
技术实现思路
本申请提供了一种基于人工智能的数据处理方法、装置、终端及介质，可以确定当前场景下的最佳数据处理方式，以快速合理地处理多方数据，节省数据开销。第一方面，提供了一种基于人工智能的数据处理方法，包括：获取数据集的数据，所述数据集包括至少三个用户数据集；根据所述数据集的数据，依据零总和算法生成目标搜索树模型；根据生成得到的所述目标搜索树模型，确定最大节点价值的搜索路径，并执行所述最大节点价值的搜索路径途径的树节点对应的处理方式。第二方面，提供了一种数据处理装置，包括：获取模块、生成模块、搜索模块和处理模块，其中：所述获取模块，用于获取数据集的数据，所述数据集包括至少三个用户数据集；所述生成模块，用于根据所述数据集的数据，依据零总和算法生成目标搜索树模型；所述搜索模块，用于根据生成得到的所述目标搜索树模型，确定最大节点价值的搜索路径；所述处理模块，用于执行所述最大节点价值的搜索路径途径的树节点对应的处理方式。第三方面，本申请实施例提供了一种终端，所述终端包括输入设备和输出设备，所述终端还包括：处理器，适于实现一条或多条指令；以及，计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由所述处理器加载并执行如第一方面所述的部分或全部步骤。第四方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质存储有一条或多条指令，所述一条或多条指令适于由处理器加载并执行如第一方面所述的部分或全部步骤。第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面及其任一种可能的实现方式的方法。本申请通过获取数据集的数据，所述数据集包括至少三个用户数据集；根据所述数据集的数据，依据零总和算法生成目标搜索树模型；根据生成得到的所述目标搜索树模型，确定最大节点价值的搜索路径，并执行所述最大节点价值的搜索路径途径的树节点对应的处理方式，可以根据已知的数据和可能的数据处理方式进行分析搜索，确定当前场景下的更优的处理方式，以快速处理多方数据，节省数据开销。附图说明为了更清楚地说明本申请实施例或
技术介绍
中的技术方案，下面将对本申请实施例或
技术介绍
中所需要使用的附图进行说明。图1为本申请实施例提供的一种基于人工智能的数据处理方法的流程示意图；图2为本申请实施例提供的另一种基于人工智能的数据处理方法的流程示意图；图3a为本申请实施例提供的一种目标搜索树模型的结构示意图；图3b为本申请实施例提供的另一种目标搜索树模型的结构示意图；图4为本申请实施例提供的另一种基于人工智能的数据处理方法的流程示意图；图5a为本申请实施例提供的一种预测网络模型的处理流程示意图；图5b为本申请实施例提供的一种模型结构示意图；图6为本申请实施例提供的又一种基于人工智能的数据处理方法的流程示意图；图7为本申请实施例提供的一种预测和搜索结合的数据处理流程示意图；图8为本申请实施例提供的一种各方法验证结果统计示意图；图9为本申请实施例提供的另一种各方法验证结果统计示意图；图10为本申请实施例提供的一种数据处理的代码示意图；图11为本申请实施例提供的一种数据处理装置的结构示意图；图12为本申请实施例实施例提供的一种终端的结构示意图。具体实施方式为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。下面结合本申请实施例中的附图对本申请实施例进行描述。请参阅图1，图1是本申请实施例提供的一种基于人工智能的数据处理方法的流程示意图。该方法包括：101、获取数据集的数据，上述数据集包括至少三个用户数据集。本申请实施例中的执行主体可以为一种数据处理装置，可以为电子设备，上述电子设备包括终端，具体实现中，上述终端也可称为终端设备，包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，上述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的台式计算机。本申请实施例中对上述至少三个用户数据集的数据进行处理，以全局来看，初始的待处理的全部数据即为上述至少三个用户数据集的数据，随着对其中数据的处理，各个用户数据集中的数据个数逐渐减少，剩余的均为未处本文档来自技高网...

【技术保护点】
1.一种基于人工智能的数据处理方法，其特征在于，包括：/n获取数据集的数据，所述数据集包括至少三个用户数据集；/n根据所述数据集的数据，依据零总和算法生成目标搜索树模型；/n根据生成得到的所述目标搜索树模型，确定最大节点价值的搜索路径，并执行所述最大节点价值的搜索路径途径的树节点对应的处理方式。/n

【技术特征摘要】
1.一种基于人工智能的数据处理方法，其特征在于，包括：
获取数据集的数据，所述数据集包括至少三个用户数据集；
根据所述数据集的数据，依据零总和算法生成目标搜索树模型；
根据生成得到的所述目标搜索树模型，确定最大节点价值的搜索路径，并执行所述最大节点价值的搜索路径途径的树节点对应的处理方式。


2.根据权利要求1所述的方法，其特征在于，所述数据集包括第一用户数据集、第二用户数据集和第三用户数据集；
所述根据所述数据集的数据，依据零总和算法生成目标搜索树模型包括：
根据所述数据集的数据，依据所述零总和算法生成目标搜索树模型，所述目标搜索树模型由所述第一用户数据集对应的第一MAX节点层、第二用户数据集对应的第二MAX节点层以及所述第三用户数据集对应的MIN节点层交替出现，每个树节点由针对其所在层对应的用户数据集作为处理对象的不同处理方式以及对应的节点价值确定，所述节点价值为对应处理方式下所述第三用户数据集的最终剩余数据个数。


3.根据权利要求2所述的方法，其特征在于，所述MAX节点层的节点价值为所述MAX节点层的子节点的最大节点价值，所述MIN节点层的节点价值为所述MIN节点层的子节点的最小节点价值。


4.根据权利要求3所述的方法，其特征在于，所述根据生成得到的所述目标搜索树模型，确定最大节点价值的搜索路径之前，所述方法还包括：
删除所述目标搜索树模型中的冗余节点，所述冗余节点包括：
所述MAX节点层到上一层MAX节点层的每个搜索路径中，所述节点价值大于所述上一层MAX节点层的节点价值的节点，以及所述MIN节点层到上一层MIN节点层的每个搜索路径中，所述节点价值小于所述上一层MAX节点层的节点价值的节点。


5.根据权利要求2-4任一项所述的方法，其特征在于，所述第一用户数据集的数据和所述第三用户数据集的数据未知；所述获取数据集的数据之前，所述方法还包括：
使用预测网络模型预测目标数据集的数据，获得预测结果，所述预测结果包括至少一组预测数据和所述至少一组预测数据的概率，所述目标数据集为所述第一用户数据集和所述第三用户数据集中数据个数更少的一个数据集；
根据所述预测结果确定所述第一用户数据集的数据和所述第三用户数据集的数据。


6.根据权利要求5所述的方法，其特征在于，所述使用预测网络模型预测目标数据集的数据包括：
在检测到至少一个数据集的数据个数小于或者等于判断阈值的情况下，使用预测网络模型预测所述目标数据集的数据。


7.根据权利要求6所述的方法，其特征在于，所述使用预测网络模型预测目标数据集的数据，获得预测结果包括：
根据所述数据集中的已知数据和历史数据处理信息生成平面特征数据，所述平面特征数据用于表示所述数据集中的数据分布；
将所述平面特征数据输入所述预测网络模型进行预测，获得所述至少一组预测数据以及所述至少一组预测数据对应的概率。


8.根据权利要求7所述的方法，其特征在于，在所述预测结果包含至少两组预测数据的情况下，所述根据所述预测结果确定所述第一用户数据集的数据和所述第三用户数据集的数据包括：
将所述预测结果中概率最大的一组预测数据作为所述目标数据集的数据；
根据所述数据集的历史处理数据、所述目标数据集的数据和所述第二用户数据...

【专利技术属性】
技术研发人员：张榕，曾子骄，
申请(专利权)人：深圳市腾讯网域计算机网络有限公司，
类型：发明
国别省市：广东;44