资源数据处理方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种资源数据处理方法、装置、计算机设备和存储介质。所述方法包括：获取待处理资源标识对应的自身历史资源状态趋势；将待处理资源标识和自身历史资源状态趋势输入至资源趋势预测模型中，资源趋势预测模型获取待处理资源标识对应的邻居资源标识，并根据邻居资源标识与待处理资源标识之间的邻居注意力系数、邻居资源标识对应的邻居历史资源状态趋势，以及自身历史资源状态趋势和待处理资源标识对应的自身注意力系数确定待处理资源标识对应的第一资源状态预测趋势；资源趋势预测模型是根据训练历史资源状态趋势和对应的资源状态标签趋势进行训练得到的图注意力网络模型。采用本方法能够提高资源状态预测的准确性。

【技术实现步骤摘要】
资源数据处理方法、装置、计算机设备和存储介质
本申请涉及互联网
，特别是涉及一种资源数据处理方法、装置、计算机设备和存储介质。
技术介绍
随着互联网技术的发展，出现了各种网络平台，网络平台中包含各种各样的资源，不同的资源在不同的时间段具有不同的资源状态。比如，资源为商品时，商品在不同的时间段具有不同的商品价格，又比如，资源为网页时，网页在不同的时间段具有不同的访问量。目前，对于未来时间段资源状态的预测通常是对资源按照预先设置好的系列规则进行预测，当有大量资源需要预测时，对每个资源按照预先设置好的系列规则进行预测，会大量消耗服务器的内存资源，严重时导致服务器宕机。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够节省服务器内存资源，防止服务器宕机的资源数据处理方法、装置、计算机设备和存储介质。一种资源数据处理方法，所述方法包括：获取待处理资源标识对应的自身历史资源状态趋势；将待处理资源标识和自身历史资源状态趋势输入至资源趋势预测模型中，资源趋势预测模型获取待处理资源标识对应的邻居资源标识，并根据邻居资源标识与待处理资源标识之间的邻居注意力系数、邻居资源标识对应的邻居历史资源状态趋势，以及自身历史资源状态趋势和待处理资源标识对应的自身注意力系数确定待处理资源标识对应的第一资源状态预测趋势；资源趋势预测模型是根据训练历史资源状态趋势和对应的资源状态标签趋势进行训练得到的图注意力网络模型。在其中一个实施例中，在获取初始化的图注意力网络模型中的初始化注意力权重，根据训练历史资源状态趋势和初始化注意力权重得到训练注意力系数之后，包括：根据预设非线性激活函数计算训练注意力系数对应的非线性激活信息；将非线性激活信息进行归一化，得到归一化的非线性激活信息，将归一化的非线性激活信息作为目标注意力系数。一种资源数据处理装置，所述装置包括：获取模块，用于获取待处理资源标识对应的自身历史资源状态趋势；预测模块，用于将待处理资源标识和自身历史资源状态趋势输入至资源趋势预测模型中，资源趋势预测模型获取待处理资源标识对应的邻居资源标识，并根据邻居资源标识与待处理资源标识之间的邻居注意力系数、邻居资源标识对应的邻居历史资源状态趋势，以及自身历史资源状态趋势和待处理资源标识对应的自身注意力系数确定待处理资源标识对应的第一资源状态预测趋势；资源趋势预测模型是根据训练历史资源状态趋势和对应的资源状态标签趋势进行训练得到的图注意力网络模型。在其中一个实施例中，获取模块，包括：序列转换单元，用于获取待处理资源标识对应的历史资源状态数值序列，将历史资源状态数值序列进行趋势转换，得到自身历史资源状态趋势，其中，趋势转换包括使用转换模型或者转换算法中的至少一种。在其中一个实施例中，预测模块，包括：邻居特征计算单元，用于根据邻居注意力系数和邻居历史资源状态趋势进行特征计算，得到邻居资源标识对应的邻居趋势特征；自身特征计算单元，用于并根据自身历史资源状态趋势与自身注意力系数进行特征计算，得到待处理资源标识对应自身趋势特征；特征融合单元，用于将邻居趋势特征和自身趋势特征进行融合，得到待处理资源标识对应的第一资源状态预测趋势。在其中一个实施例中，邻居资源标识与待处理资源标识之间包括至少两个邻居注意力系数，以及待处理资源标识对应有至少两个自身注意力系数；预测模块，还用于根据至少两个邻居注意力系数和邻居历史资源状态趋势进行特征计算，得到邻居资源标识对应的至少两个邻居趋势特征；根据至少两个自身注意力系数和自身历史资源状态趋势进行特征计算，得到待处理资源标识对应的至少两个自身趋势特征；根据至少两个邻居趋势特征和至少两个自身趋势特征，确定至少两个第一资源状态预测趋势；将至少两个第一资源状态预测趋势进行拼接，得到目标资源状态预测趋势。在其中一个实施例中，资源数据处理装置，还包括：趋势解码模块，用于将待处理资源标识对应的资源状态预测趋势进行解码，得到待处理资源标识对应的资源状态预测数值序列，将资源状态预测数值序列进行展示。在其中一个实施例中，资源数据处理装置，还包括：趋势传递模块，用于根据待处理资源标识对应的第一资源状态预测趋势和邻居资源标识对应的邻居历史资源状态趋势进行趋势传递，得到邻居资源标识对应的更新资源状态趋势；第二预测趋势确定模块，用于根据邻居资源标识与待处理资源标识之间的邻居注意力系数、邻居资源标识对应的更新资源状态趋势，以及待处理资源标识对应的第一资源状态预测趋势和自身注意力系数确定待处理资源标识对应的第二资源状态预测趋势。在其中一个实施例中，趋势传递模块还用于获取邻居资源标识对应的各个目标邻居资源标识，并获取各个目标邻居资源标识对应的目标邻居历史资源状态趋势，各个目标邻居资源标识中包括待处理资源标识，目标邻居历史资源状态趋势中包括第一资源状态预测趋势；获取邻居资源标识与各个目标邻居资源标识之间的目标邻居注意力系数；根据目标邻居注意力系数和对应的目标邻居历史资源状态趋势，以及邻居资源标识对应的邻居历史资源状态趋势和邻居本身注意力系数确定邻居资源标识对应的更新资源状态趋势。在其中一个实施例中，资源数据处理装置，还包括：图谱获取模块，用于获取资源知识图谱，资源知识图谱是根据资源标识之间的关联关系建立的；初始模型得到模块，用于获取资源标识对应的训练历史资源状态趋势，根据资源知识图谱和资源标识对应的训练历史资源状态趋势得到初始化的图注意力网络模型；训练系数得到模块，用于获取初始化的图注意力网络模型中的初始化注意力权重，根据训练历史资源状态趋势和初始化注意力权重得到训练注意力系数；趋势传递模块，用于根据训练注意力系数和训练历史资源状态趋势进行趋势传递，得到训练资源状态预测趋势；误差计算模块，用于获取资源状态标签趋势，计算训练资源状态预测趋势与对应的资源状态标签趋势的误差信息；更新模块，用于根据误差信息对初始化的图注意力网络模型进行更新，得到更新后的图注意力网络模型；模型得到模块，用于当未达到预设训练完成条件时，将更新后的图注意力网络模型作为初始化的图注意力网络模型；并返回获取初始化的图注意力网络模型中的初始化注意力权重，根据训练历史资源状态趋势和初始化注意力权重得到训练注意力系数的步骤执行，当达到预设训练完成条件时，将达到预设训练完成条件的图注意力网络模型作为资源趋势预测模型。在其中一个实施例中，图谱获取模块还用于获取资源标识之间的关联信息，根据资源标识之间的关联信息确定资源标识之间的关联关系；根据资源标识和资源标识之间的关联关系生成知识图谱关系信息，根据知识图谱关系信息建立资源知识图谱。在其中一个实施例中，训练系数得到模块还用于根据预设非线性激活函数计算训练注意力系数对应的非线性激活信息；将非线性激活信息进行归一化，得到归一化的非线性激活信息，将归一化的非线性激活信息作为目标注意力系数。在其中一个实施例本文档来自技高网...

【技术保护点】
1.一种资源数据处理方法，其特征在于，所述方法包括：/n获取待处理资源标识对应的自身历史资源状态趋势；/n将所述待处理资源标识和所述自身历史资源状态趋势输入至资源趋势预测模型中，所述资源趋势预测模型获取所述待处理资源标识对应的邻居资源标识，并根据所述邻居资源标识与所述待处理资源标识之间的邻居注意力系数、所述邻居资源标识对应的邻居历史资源状态趋势，以及所述自身历史资源状态趋势和待处理资源标识对应的自身注意力系数确定所述待处理资源标识对应的第一资源状态预测趋势；/n所述资源趋势预测模型是根据训练历史资源状态趋势和对应的资源状态标签趋势进行训练得到的图注意力网络模型。/n

【技术特征摘要】
1.一种资源数据处理方法，其特征在于，所述方法包括：
获取待处理资源标识对应的自身历史资源状态趋势；
将所述待处理资源标识和所述自身历史资源状态趋势输入至资源趋势预测模型中，所述资源趋势预测模型获取所述待处理资源标识对应的邻居资源标识，并根据所述邻居资源标识与所述待处理资源标识之间的邻居注意力系数、所述邻居资源标识对应的邻居历史资源状态趋势，以及所述自身历史资源状态趋势和待处理资源标识对应的自身注意力系数确定所述待处理资源标识对应的第一资源状态预测趋势；
所述资源趋势预测模型是根据训练历史资源状态趋势和对应的资源状态标签趋势进行训练得到的图注意力网络模型。


2.根据权利要求1所述的方法，其特征在于，获取待处理资源标识对应的自身历史资源状态趋势，包括：
获取所述待处理资源标识对应的历史资源状态数值序列，将所述历史资源状态数值序列进行趋势转换，得到所述自身历史资源状态趋势，其中，所述趋势转换包括使用转换模型或者转换算法中的至少一种。


3.根据权利要求1所述的方法，其特征在于，所述根据所述邻居资源标识与所述待处理资源标识之间的邻居注意力系数、所述邻居资源标识对应的邻居历史资源状态趋势，以及所述自身历史资源状态趋势和待处理资源标识对应的自身注意力系数确定所述待处理资源标识对应的第一资源状态预测趋势，包括：
根据所述邻居注意力系数和所述邻居历史资源状态趋势进行特征计算，得到所述邻居资源标识对应的邻居趋势特征；
并根据所述自身历史资源状态趋势与所述自身注意力系数进行特征计算，得到所述待处理资源标识对应自身趋势特征；
将所述邻居趋势特征和所述自身趋势特征进行融合，得到所述待处理资源标识对应的第一资源状态预测趋势。


4.根据权利要求3所述的方法，其特征在于，所述邻居资源标识与所述待处理资源标识之间包括至少两个邻居注意力系数，以及所述待处理资源标识对应有至少两个自身注意力系数；
根据所述邻居资源标识与所述待处理资源标识之间的邻居注意力系数、所述邻居资源标识对应的邻居历史资源状态趋势，以及所述自身历史资源状态趋势和待处理资源标识对应的自身注意力系数确定所述待处理资源标识对应的第一资源状态预测趋势，包括：
根据所述至少两个邻居注意力系数和所述邻居历史资源状态趋势进行特征计算，得到所述邻居资源标识对应的至少两个邻居趋势特征；
根据所述至少两个自身注意力系数和所述自身历史资源状态趋势进行特征计算，得到所述待处理资源标识对应的至少两个自身趋势特征；
根据所述至少两个邻居趋势特征和所述至少两个自身趋势特征，确定至少两个第一资源状态预测趋势；
将所述至少两个第一资源状态预测趋势进行拼接，得到目标资源状态预测趋势。


5.根据权利要求1所述的方法，其特征在于，在所述根据所述邻居资源标识与所述待处理资源标识之间的邻居注意力系数、所述邻居资源标识对应的邻居历史资源状态趋势，以及所述自身历史资源状态趋势和待处理资源标识对应的自身注意力系数确定所述待处理资源标识对应的资源状态预测趋势之后，还包括：
将所述待处理资源标识对应的资源状态预测趋势进行解码，得到所述待处理资源标识对应的资源状态预测数值序列，将所述资源状态预测数值序列进行展示。


6.根据权利要求1所述的方法，其特征在于，在所述根据所述邻居资源标识与所述待处理资源标识之间的邻居注意力系数、所述邻居资源标识对应的邻居历史资源状态趋势，以及所述自身历史资源状态趋势和待处理资源标识对应的自身注意力系数确定所述待处理资源标识对应的资源状态预测趋势之后，还包括：
根据所述待处理资源标识对应的第一资源状态预测趋势和所述邻居资源标识对应的邻居历史资源状态趋势进行趋势传递，得到所述邻居资源标识对应的更新资源状态趋势；
根据所述邻居资源标识与所述待处理资源标识之间的邻居注意力系数、所述邻居资源标识对应的更新资源状态趋势，以及所述待处理资源标识对应的第一资源状态预测趋势和所述自身注意力系数确定所述待处理资源标识对应的第二资源状态预测趋势。


7.根据权利要求6所述的方法，其特征在于，所述根据所述待处理资源标识对应的第一资源状态预测趋势和所述邻居资源标识对应的邻居历史资源状态趋势进行趋势传递，得到所述邻居资源标识对应的更新资源状态趋势，包括：
获取所述邻居资源标识对应的各个目标邻居资源标识，并获取所述各个目标邻居资源标识对应的目标邻居历史资源状态趋势，所述各个目标邻居资源标识中包括待处理资源标识，所述目标邻居历史资源状态趋势中包括第一资源状态预测趋势；
获取所述邻居资源标识与所述各个目标邻居资源标识之间的目标邻居注意力系数；
根据所述目标邻居注意力系数和对应的所述目标邻居历史资源状态趋势，以及所述邻居资源标识对应的邻居历史资源状态趋势和邻居本身注意力系数确定所述邻居资源标识对应的更新资源状态趋势。


8.根据权利要求1所述的方法，其特征在于，资源趋势预测模型的生成包括以下步骤：
获取资源知识图谱，所述资源知识...

【专利技术属性】
技术研发人员：陈昊，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东;44