一种数据处理方法、设备以及计算机可读存储介质技术

本申请实施例公开一种基于人工智能的数据处理方法、设备以及计算机可读存储介质，其中，方法包括：获取目标对象在目标场景的历史业务数据集合，历史业务数据集合包括针对目标业务指标的目标历史特征序列、针对动态业务指标的动态历史特征序列，以及针对静态业务指标的静态历史特征，目标历史特征序列包括第一目标历史特征以及第二目标历史特征；根据动态历史特征序列以及静态历史特征，生成关联业务预测特征；根据第二目标历史特征中的目标历史特征之间的时序关系生成第一目标预测特征；根据第一目标预测特征、第一目标历史特征以及关联业务预测特征，生成针对目标业务指标的第二目标预测特征。采用本申请，可以提高第二目标预测特征的准确率。

【技术实现步骤摘要】
一种数据处理方法、设备以及计算机可读存储介质
本申请涉及互联网
，尤其涉及一种数据处理方法、设备以及计算机可读存储介质。
技术介绍
随着移动互联网技术以及各种新兴技术的快速发展，社交应用好像雨后春笋。随着大量社交应用的出现，用户有了更广泛的选择。为了提升活跃留存，社交应用对应的平台运营方需要依据该社交应用在目标场景中的历史业务数据，预测社交应用在目标场景中的未来发展趋势。可靠的预测结果（可以理解为目标预测特征），可以为平台方的场景运营和资源调配提供指导依据，但已有的目标预测特征生成方法，大都是基于目标业务指标的先验信息，即人工分析先验信息，确定该指标的规律，然后根据人工计算的规律确定目标预测特征。但人工只能观察表面的规律，难以发现深层次中的隐藏因素，故采用现有方法可能生成低准确率的目标预测特征。
技术实现思路
本申请实施例提供一种数据处理方法、设备以及计算机可读存储介质，可以提高第二目标预测特征的准确率。本申请实施例一方面提供了一种数据处理方法，包括：获取目标对象在目标场景的历史业务数据集合，历史业务数据集合包括针对目标业务指标的目标历史特征序列、针对与目标业务指标相关联的动态业务指标的动态历史特征序列，以及针对与目标业务指标相关联的静态业务指标的静态历史特征，目标历史特征序列包括第一目标历史特征以及第二目标历史特征，第二目标历史特征包括目标历史特征序列中除了第一目标历史特征之外的目标历史特征，第一目标历史特征对应的第一生成时间戳，晚于第二目标历史特征对应的第二生成时间戳；根据动态历史特征序列以及静态历史特征，生成关联业务预测特征，关联业务预测特征用于表征动态业务指标以及静态业务指标之间的关联关系；根据第二目标历史特征中的目标历史特征之间的时序关系，生成针对第一生成时间戳的第一目标预测特征；根据第一目标预测特征、第一目标历史特征以及关联业务预测特征，生成针对目标业务指标的第二目标预测特征。本申请实施例一方面提供了一种数据处理方法，包括：获取目标样本对象在目标样本场景的历史业务样本数据集合，历史业务样本数据集合包括针对目标业务指标的目标历史样本特征序列、针对与目标业务指标相关联的动态业务指标的动态历史样本特征序列，针对与目标业务指标相关联的静态业务指标的静态历史样本特征，以及针对目标业务指标的目标历史标签，目标历史样本特征序列包括第一目标历史样本特征以及第二目标历史样本特征，第二目标历史样本特征包括目标历史样本特征序列中除了第一目标历史样本特征之外的目标历史样本特征，第一目标历史样本特征对应的第一样本生成时间戳，晚于第二目标历史样本特征对应的第二样本生成时间戳，且第一样本生成时间戳，早于目标历史标签对应的第三样本生成时间戳；将目标历史样本特征序列、动态历史样本特征序列以及静态历史样本特征，分别输入至场景业务预测初始模型；在场景业务预测初始模型中，根据动态历史样本特征序列以及静态历史样本特征，生成关联业务估计特征，关联业务估计特征用于表征动态业务指标以及静态业务指标之间的关联关系；根据第二目标历史样本特征中的目标历史样本特征之间的时序关系，生成针对第一样本生成时间戳的第一目标估计特征；根据第一目标估计特征、第一目标历史样本特征以及关联业务估计特征，生成针对目标业务指标的第二目标估计特征，第二目标估计特征对应的生成时间戳等于第三样本生成时间戳；根据第二目标估计特征以及目标历史标签，对场景业务预测初始模型中的模型参数进行调整，生成场景业务预测模型；场景业务预测模型用于预测目标场景针对目标业务指标的场景业务。本申请实施例一方面提供了一种数据处理装置，包括：获取数据模块，用于获取目标对象在目标场景的历史业务数据集合，历史业务数据集合包括针对目标业务指标的目标历史特征序列、针对与目标业务指标相关联的动态业务指标的动态历史特征序列，以及针对与目标业务指标相关联的静态业务指标的静态历史特征，目标历史特征序列包括第一目标历史特征以及第二目标历史特征，第二目标历史特征包括目标历史特征序列中除了第一目标历史特征之外的目标历史特征，第一目标历史特征对应的第一生成时间戳，晚于第二目标历史特征对应的第二生成时间戳；第一生成模块，用于根据动态历史特征序列以及静态历史特征，生成关联业务预测特征，关联业务预测特征用于表征动态业务指标以及静态业务指标之间的关联关系；第二生成模块，用于根据第二目标历史特征中的目标历史特征之间的时序关系，生成针对第一生成时间戳的第一目标预测特征；第三生成模块，用于根据第一目标预测特征、第一目标历史特征以及关联业务预测特征，生成针对目标业务指标的第二目标预测特征。其中，目标场景包括目标直播间;获取数据模块，包括：第一确定单元，用于确定目标对象在目标直播间的历史直播次数，将历史直播次数与目标直播次数阈值进行对比；第一确定单元，还用于若历史直播次数等于或大于目标直播次数阈值，则将每次历史直播分别对应的历史直播时间戳，均添加至第一历史时间戳集合；第一获取单元，用于从第一历史时间戳集合中，获取第二历史时间戳集合，第二历史时间戳集合中的历史直播时间戳的总数量等于目标直播次数阈值，且第二历史时间戳集合中的每个历史直播时间戳，均晚于剩余历史直播时间戳，剩余历史直播时间戳包括，第一历史时间戳集合中除了第二历史时间戳集合之外的历史直播时间戳；第二获取单元，用于根据第二历史时间戳集合获取历史业务数据集合。其中，第二历史时间戳集合包括历史直播时间戳Ab，b为正整数，且b小于或等于第二历史时间戳集合中的历史直播时间戳的总数量；第二获取单元，包括：第一获取子单元，用于获取目标对象在历史直播时间戳Ab所对应的历史直播中的历史直播数据Cb，历史直播数据Cb包括针对目标业务指标的目标历史特征Db，以及针对动态业务指标的动态历史特征Eb；组合序列子单元，用于按照历史直播时间戳从早至晚的顺序，将第二历史时间戳集合中的每个历史直播时间戳分别对应的目标历史特征，组合成目标历史特征序列，将第二历史时间戳集合中的每个历史直播时间戳分别对应的动态历史特征，组合成动态历史特征序列；第一确定子单元，用于将第二历史时间戳集合中为最晚时间戳的历史直播时间戳，确定为最晚历史直播时间戳；第二获取子单元，用于获取与最晚历史直播时间戳相关联的针对静态业务指标的静态历史特征；第二确定子单元，用于将目标历史特征序列、动态历史特征序列以及静态历史特征，确定为历史业务数据集合。其中，目标业务指标包括人气均值业务指标，动态业务指标包括直播时长业务指标、直播间隔业务指标、直播开始时间戳业务指标以及人气峰值业务指标；组合序列子单元，包括：第一组合子单元，用于将第二历史时间戳集合中的每个历史直播时间戳分别对应的人气均值历史特征，组合成针对人气均值业务指标的目标历史特征序列；第二组合子单元，用于将第二历史时间戳集合中的每个历史直播时间戳本文档来自技高网...

【技术保护点】
1.一种数据处理方法，其特征在于，包括：/n获取目标对象在目标场景的历史业务数据集合，所述历史业务数据集合包括针对目标业务指标的目标历史特征序列、针对与所述目标业务指标相关联的动态业务指标的动态历史特征序列，以及针对与所述目标业务指标相关联的静态业务指标的静态历史特征，所述目标历史特征序列包括第一目标历史特征以及第二目标历史特征，所述第二目标历史特征包括所述目标历史特征序列中除了所述第一目标历史特征之外的目标历史特征，所述第一目标历史特征对应的第一生成时间戳，晚于所述第二目标历史特征对应的第二生成时间戳；/n根据所述动态历史特征序列以及所述静态历史特征，生成关联业务预测特征，所述关联业务预测特征用于表征所述动态业务指标以及所述静态业务指标之间的关联关系；/n根据所述第二目标历史特征中的目标历史特征之间的时序关系，生成针对所述第一生成时间戳的第一目标预测特征；/n根据所述第一目标预测特征、所述第一目标历史特征以及所述关联业务预测特征，生成针对所述目标业务指标的第二目标预测特征。/n

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：
获取目标对象在目标场景的历史业务数据集合，所述历史业务数据集合包括针对目标业务指标的目标历史特征序列、针对与所述目标业务指标相关联的动态业务指标的动态历史特征序列，以及针对与所述目标业务指标相关联的静态业务指标的静态历史特征，所述目标历史特征序列包括第一目标历史特征以及第二目标历史特征，所述第二目标历史特征包括所述目标历史特征序列中除了所述第一目标历史特征之外的目标历史特征，所述第一目标历史特征对应的第一生成时间戳，晚于所述第二目标历史特征对应的第二生成时间戳；
根据所述动态历史特征序列以及所述静态历史特征，生成关联业务预测特征，所述关联业务预测特征用于表征所述动态业务指标以及所述静态业务指标之间的关联关系；
根据所述第二目标历史特征中的目标历史特征之间的时序关系，生成针对所述第一生成时间戳的第一目标预测特征；
根据所述第一目标预测特征、所述第一目标历史特征以及所述关联业务预测特征，生成针对所述目标业务指标的第二目标预测特征。


2.根据权利要求1所述的方法，其特征在于，所述目标场景包括目标直播间；
所述获取目标对象在目标场景的历史业务数据集合，包括：
确定所述目标对象在所述目标直播间的历史直播次数，将所述历史直播次数与目标直播次数阈值进行对比；
若所述历史直播次数等于或大于所述目标直播次数阈值，则将每次历史直播分别对应的历史直播时间戳，均添加至第一历史时间戳集合；
从所述第一历史时间戳集合中，获取第二历史时间戳集合，所述第二历史时间戳集合中的历史直播时间戳的总数量等于所述目标直播次数阈值，且所述第二历史时间戳集合中的每个历史直播时间戳，均晚于剩余历史直播时间戳，所述剩余历史直播时间戳包括，所述第一历史时间戳集合中除了所述第二历史时间戳集合之外的历史直播时间戳；
根据所述第二历史时间戳集合获取所述历史业务数据集合。


3.根据权利要求2所述的方法，其特征在于，所述第二历史时间戳集合包括历史直播时间戳Ab，b为正整数，且b小于或等于所述第二历史时间戳集合中的历史直播时间戳的总数量；
所述根据所述第二历史时间戳集合获取所述历史业务数据集合，包括：
获取所述目标对象在历史直播时间戳Ab所对应的历史直播中的历史直播数据Cb，所述历史直播数据Cb包括针对所述目标业务指标的目标历史特征Db，以及针对所述动态业务指标的动态历史特征Eb；
按照历史直播时间戳从早至晚的顺序，将所述第二历史时间戳集合中的每个历史直播时间戳分别对应的目标历史特征，组合成所述目标历史特征序列，将所述第二历史时间戳集合中的每个历史直播时间戳分别对应的动态历史特征，组合成所述动态历史特征序列；
将所述第二历史时间戳集合中为最晚时间戳的历史直播时间戳，确定为最晚历史直播时间戳；
获取与所述最晚历史直播时间戳相关联的针对所述静态业务指标的所述静态历史特征；
将所述目标历史特征序列、所述动态历史特征序列以及所述静态历史特征，确定为所述历史业务数据集合。


4.根据权利要3所述的方法，其特征在于，所述目标业务指标包括人气均值业务指标，所述动态业务指标包括直播时长业务指标、直播间隔业务指标、直播开始时间戳业务指标以及人气峰值业务指标；
所述将所述第二历史时间戳集合中的每个历史直播时间戳分别对应的目标历史特征，组合成所述目标历史特征序列，将所述第二历史时间戳集合中的每个历史直播时间戳分别对应的动态历史特征，组合成所述动态历史特征序列，包括：
将所述第二历史时间戳集合中的每个历史直播时间戳分别对应的人气均值历史特征，组合成针对所述人气均值业务指标的所述目标历史特征序列；
将所述第二历史时间戳集合中的每个历史直播时间戳分别对应的直播时长历史特征，组合成针对所述直播时长业务指标的直播时长历史特征序列；
将所述第二历史时间戳集合中的每个历史直播时间戳分别对应的直播间隔历史特征，组合成针对所述直播间隔业务指标的直播间隔历史特征序列；
将所述第二历史时间戳集合中的每个历史直播时间戳分别对应的直播开始时间戳历史特征，组合成针对所述直播开始时间戳业务指标的直播开始时间戳历史特征序列；
将所述第二历史时间戳集合中的每个历史直播时间戳分别对应的人气峰值历史特征，组合成针对所述人气峰值业务指标的人气峰值历史特征序列；
将所述直播时长历史特征序列、所述直播间隔历史特征序列、所述直播开始时间戳历史特征序列、所述人气峰值历史特征序列，确定为所述动态历史特征序列。


5.根据权利要求3所述的方法，其特征在于，所述静态业务指标包括直播平台业务指标、直播类目业务指标、直播时间范围业务指标、直播次数业务指标以及直播频率业务指标；
所述获取与所述最晚历史直播时间戳相关联的针对所述静态业务指标的所述静态历史特征，包括：
获取与所述最晚历史直播时间戳相关联的针对所述直播平台业务指标的直播平台历史特征；
获取与所述最晚历史直播时间戳相关联的针对所述直播类目业务指标的直播类目历史特征；
获取与所述最晚历史直播时间戳相关联的针对所述直播时间范围业务指标的直播时间范围历史特征；
获取与所述最晚历史直播时间戳相关联的针对所述直播次数业务指标的直播次数历史特征；
获取与所述最晚历史直播时间戳相关联的针对所述直播频率业务指标的直播频率历史特征；
将所述直播平台历史特征、所述直播类目历史特征、所述直播时间范围历史特征、所述直播次数历史特征，以及所述直播频率历史特征，确定为所述静态历史特征。


6.根据权利要求1所述的方法，其特征在于，所述根据所述动态历史特征序列以及所述静态历史特征，生成关联业务预测特征，包括：
获取场景业务预测模型，所述场景业务预测模型包括动态业务预测网络以及关联业务融合网络；
将所述动态历史特征序列输入至所述动态业务预测网络，在所述动态业务预测网络中，根据所述动态历史特征序列中的动态历史特征之间的时序关系，生成针对所述动态业务指标的动态预测特征；
将对所述动态预测特征以及所述静态历史特征分别输入至所述关联业务融合网络中，在所述关联业务融合网络中，对所述动态预测特征以及所述静态历史特征进行特征融合处理，生成所述关联业务预测特征。


7.根据权利要求6所述的方法，其特征在于，所述场景业务预测模型还包括目标业务预测网络，所述第二目标历史特征包括目标历史特征Fg以及目标历史特征Fg+1，g为正整数，且g小于所述第二目标历史特征中的目标历史特征的总数量，所述第二生成时间戳包括目标历史特征Fg对应的第二生成时间戳Hg，以及目标历史特征Fg+1对应的第二生成时间戳Hg+1；
所述根据所述第二目标历史特征中的目标历史特征之间的时序关系，生成针对所述第一生成时间戳的第一目标预测特征，包括：
将所述目标历史特征序列输入至所述目标业务预测网络，在所述目标业务预测网络中，对针对所述第二生成时间戳Hg的输入特征进行特征融合处理，得到针对所述第二生成时间戳Hg+1的目标预测特征Ig+1，若所述第二生成时间戳Hg为所述第二生成时间戳中的最早时间戳，则针对所述第二生成时间戳Hg的输入特征为所述目标历史特征Fg，若所述第二生成时间戳Hg不为所述第二生成时间戳中的最早时间戳，则针对所述第二生成时间戳Hg的输入特征为所述目标历史特征Fg以及针对所述第二生成时间戳Hg的目标预测特征Ig；
将所述目标预测特征Ig+1以及所述目标历史特征Fg+1，确定为针对所述第...

【专利技术属性】
技术研发人员：韩雪晨，
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