数据处理方法、装置、设备和存储介质制造方法及图纸

本申请实施例提供了一种数据处理方法、装置、设备和存储介质，以提高行为分析的准确性。所述方法包括：收集不同类型行为的行为信息，构成异构行为序列，所述行为与数据对象对应；基于所述异构行为序列，确定对应的目标数据对象；依据所述目标数据对象进行反馈。能够提高反馈信息的准确性。反馈信息的准确性。反馈信息的准确性。

【技术实现步骤摘要】
数据处理方法、装置、设备和存储介质


[0001]本申请涉及计算机
，特别是涉及一种数据处理方法和装置、一种电子设备和一种存储介质。

技术介绍

[0002]随着互联网的普及和电子商务行业的迅猛发展，用户在电子商务应用或网站上的消费、浏览等行为日益增加，相应也积累了基于用户行为的大量数据。
[0003]基于用户的行为数据可以进行分析，当前往往是按照行为的类型分别进行分析，然后得到每种行为对应的分析结果，然后基于该分析结果进行所需的处理。
[0004]但是，用户的行为往往是复杂、多样的，许多行为之间也具有关联，通过单一行为进行分析，往往准确性偏低。

技术实现思路

[0005]本申请实施例提供了一种数据处理方法，以提高行为分析的准确性。
[0006]相应的，本申请实施例还提供了一种数据处理装置、一种电子设备以及一种存储介质，用以保证上述方法的实现及应用。
[0007]为了解决上述问题，本申请实施例公开了一种数据处理方法，所述方法包括：收集不同类型行为的行为信息，构成异构行为序列，所述行为与数据对象对应；基于所述异构行为序列，确定对应的目标数据对象；依据所述目标数据对象进行反馈。
[0008]本申请实施例还公开了一种数据处理方法，所述方法包括：基于不同类型的行为信息构建异构行为序列；采用所述异构行为序列构成输入序列，并确定所述输入序列对应的输入向量序列；将所述输入向量序列输入到特征分析器中进行训练，确定满足预设条件的特征分析器。
[0009]本申请实施例还公开了一种数据处理方法，所述方法包括：收集用户的操作行为对应商品对象的商品对象标识，构成异构行为序列，所述操作行为包括以下至少一种：浏览行为、收藏行为和购买行为；基于所述异构行为序列，确定对应至少一个目标商品对象的商品对象标识；依据所述商品对象标识生成推荐信息。
[0010]本申请实施例还公开了一种数据处理方法，所述方法包括：依据部署请求，部署特征分析器；获取异构行为序列，所述异构行为序列依据不同类型的行为信息构建；采用所述异构行为序列构成输入序列，并确定所述输入序列对应的输入向量序列；将所述输入向量序列输入到特征分析器中进行训练，确定满足预设条件的特征分析器。
[0011]本申请实施例还公开了一种数据处理装置，包括：行为收集模块，用于收集不同类型行为的行为信息，构成异构行为序列，所述行为与数据对象对应；确定模块，用于基于所述异构行为序列，确定对应的目标数据对象；反馈模块，用于依据所述目标数据对象进行反馈。
[0012]本申请实施例还公开了一种数据处理装置，包括：序列确定模块，用于基于不同类
型的行为信息构建异构行为序列；输入确定模块，用于采用所述异构行为序列构成输入序列，并确定所述输入序列对应的输入向量序列；训练模块，用于将所述输入向量序列输入到特征分析器中进行训练，确定满足预设条件的特征分析器。
[0013]本申请实施例还公开了一种数据处理装置，包括：收集模块，用于收集用户的操作行为对应商品对象的商品对象标识，构成异构行为序列，所述操作行为包括以下至少一种：浏览行为、收藏行为和购买行为；商品确定模块，用于基于所述异构行为，确定对应至少一个目标商品对象的商品对象标识；推荐模块，用于依据所述商品对象标识生成推荐信息。
[0014]本申请实施例还公开了一种数据处理装置，包括：部署模块，用于依据部署请求，部署特征分析器；序列获取模块，用于获取异构行为序列，所述异构行为序列依据不同类型的行为信息构建；分析器训练模块，用于采用所述异构行为序列构成输入序列，并确定所述输入序列对应的输入向量序列；将所述输入向量序列输入到特征分析器中进行训练，确定满足预设条件的特征分析器。
[0015]本申请实施例还公开了一种电子设备，其特征在于，包括：处理器；和存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如本申请实施例中一个或多个所述的方法。
[0016]本申请实施例还公开了一个或多个机器可读介质，其上存储有可执行代码，当所述可执行代码被执行时，使得处理器执行如本申请实施例中一个或多个所述的方法。
[0017]与现有技术相比，本申请实施例包括以下优点：
[0018]在本申请实施例中，能够收集不同类型行为的行为信息，构成异构行为序列，可以基于异构行为分析用户的行为，结合不同行为间的相互影响，提高处理的准确性，由于行为与数据对象对应，因此可基于异构行为序列确定出对应的目标数据对象，对目标数据对象进行反馈，提高反馈信息的准确性。
附图说明
[0019]图1A是本申请实施例的一种基于异构行为的数据处理示例的示意图；
[0020]图1B是本申请实施例的一种基于商品对象的推荐场景的示意图；
[0021]图2是本申请的一种数据处理方法实施例中训练的步骤流程图；
[0022]图3是本申请实施例的一种特征分析器的训练示例的示意图；
[0023]图4是本申请的另一种数据处理方法实施例的步骤流程图；
[0024]图5是本申请的一种数据处理方法实施例中应用的步骤流程图；
[0025]图6是本申请一种数据处理方法实施例中训练的步骤流程图；
[0026]图7是本申请的另一种数据处理方法实施例中应用的步骤流程图；
[0027]图8是本申请的再一种数据处理方法实施例的步骤流程图；
[0028]图9是本申请的一种数据处理装置实施例的结构框图；
[0029]图10是本申请的另一种数据处理装置实施例的结构框图；
[0030]图11是本申请的再一种数据处理装置实施例的结构框图；
[0031]图12是本申请的再一种数据处理装置实施例的结构框图；
[0032]图13是本申请一实施例提供的装置的结构示意图。
具体实施方式
[0033]为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
[0034]本申请实施例中可应用于基于用户的多种行为进行分析的各种场景中。可结合用户的多种行为进行分析，不同类型的行为之间互相影响，从而通过不同类型行为共同进行分析，提高行为分析的准确性。其中，相对于单一的行为而言，当存在多种不同类型的行为时，这些行为互相之间称为异构行为。例如用户在使用互联网时，从登录到退出的访问期间，可以访问一个或多个网站，在网站内又可以执行浏览，点击，收藏，点赞等操作行为，又如在电子商务网站中可以执行加入购物车、购买、付款等操作行为，这些操作行为彼此之间互称为异构行为。例如结合用户在电子商务网站中浏览、收藏以及购买商品对象的行为，分析用户可能感兴趣的商品对象。又如结合用户在社交网站中浏览、点赞、评论各用户的社交信息的行为，分析用户可能感兴趣的其他用户以及信息类型等。
[0035]本申请实施例，基于多种行为交互影响的特征，可构建异构行为框架，并基于该异构行为框架进行分析。该异构行为框架可以理解为对异构本文档来自技高网...

【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，所述方法包括：收集不同类型行为的行为信息，构成异构行为序列，所述行为与数据对象对应；基于所述异构行为序列，确定对应的目标数据对象；依据所述目标数据对象进行反馈。2.根据权利要求1所述的方法，其特征在于，所述收集不同类型行为的行为信息，构成异构行为序列，包括：将用户行为对应数据对象的对象标识作为行为信息，确定多于一种类型的行为信息；将所述行为信息作为序列元素并按照预设顺序排序，构成对应类型的行为序列；将所述多于一种类型的行为序列构成异构行为序列。3.根据权利要求2所述的方法，其特征在于，所述基于所述异构行为序列，确定对应的目标数据对象，包括：采用异构行为序列和概念学习序列，构成对应的输入序列；将所述输入序列输入到对应的特征分析器中进行预测，确定对应的目标数据对象。4.根据权利要求3所述的方法，其特征在于，所述将所述输入序列输入到对应的特征分析器中进行预测，确定对应的目标数据对象，包括：对所述输入序列进行映射，确定对应的输入向量序列；将所述输入向量序列输入到所述对应的特征分析器中，确定对应的输出向量序列；对所述输出向量序列中的输出向量分别进行映射，确定对应目标数据对象的对象标识。5.根据权利要求4所述的方法，其特征在于，所述对所述输入序列进行映射，确定对应的输入向量，包括：对所述输入序列中的序列元素进行映射，确定所述序列元素对应的输入向量；依据所述输入序列的排序顺序，采用所述输入向量构成输入向量序列。6.根据权利要求5所述的方法，其特征在于，还包括：确定所述行为信息对应的辅助信息，所述辅助信息包括以下至少一项：时间信息、位置信息和异构类型信息；确定辅助信息对应的辅助序列，将所述辅助序列添加到所述输入序列中。7.根据权利要求5所述的方法，其特征在于，所述依据所述输入序列的排序顺序，采用所述输入向量构成输入向量序列，包括：将行为信息映射的输入向量和行为信息对应辅助信息映射的输入向量构成输入向量组；按照排序顺序，将输入向量组构成输入向量序列。8.根据权利要求1所述的方法，其特征在于，所述依据所述目标数据对象进行反馈，包括：依据所述目标数据对象的对象标识，确定推荐信息；发送所述推荐信息。9.一种数据处理方法，其特征在于，所述方法包括：基于不同类型的行为信息构建异构行为序列；采用所述异构行为序列构成输入序列，并确定所述输入序列对应的输入向量序列；
将所述输入向量序列输入到特征分析器中进行训练，确定满足预设条件的特征分析器。10.根据权利要求9所述的方法，其特征在于，所述基于不同类型的行为信息构建异构行为序列，包括：将用户行为对应数据对象的对象标识作为行为信息，确定多于一种类型的行为信息；将所述行为信息作为序列元素并按照预设顺序排序，构成对应类型的行为序列；将所述多于一种类型的行为序列构成异构行为序列。11.根据权利要求10所述的方法，其特征在于，还包括确定概念学习序列的步骤，包括：确定所述多于一种类型对应的概念学习特征；采用所述概念学习特征作为序列元素，构成概念学习序列。12.根据权利要求11所述的方法，其特征在于，采用所述异构行为序列构成输入序列，并确定所述输入序列对应的输入向量序列，包括：将所述异构行为序列和概念学习序列进行拼接，构成对应的输入序列；对所述输入序列进行映射，确定对应的输入向量序列。13.根据权利要求12所述的方法，其特征在于，所述对所述输入序列进行映射，确定对应的输入向量，包括：对所述输入序列中的序列元素进行映射，确定所述序列元素对应的输入向量；依据所述输入序列的排序顺序，采用所述输入向量构成输入向量序列。14.根据权利要求13所述的方法，其特征在于，还包括：确定所述行为信息对应的辅助信息，所述辅助信息包括以下至少一项：时间信息、位置信息和异构类型信息；确定辅助信息对应的辅助序列，将所述辅助序列添加到所述输入序列中。15.根据权利要求13所述的方法，其特征在于，所述依据所述输入序列的排序顺序，采用所述输入向量构成输入向量序列，包括：将行为信息映射的输入向量和行为信息对应辅助信息映射的输入向量构成输入向量组；采用输入向量组构成输入向量序列。16.根据权利要求9所述的方法，其特征在于，所述将所述输入向量序列输入到特征分析器中进行训练，包括：依据随机掩盖任务调整输入向量序列，并执行对所述特征分析器的训练；依据匹配任务确定的正样本和所述输入向量序列输入，执行对所述特征分析器的训练。17.根据权利要求16所述的方法，其特征在于，所述依据随机掩盖任务调整输入向量序列，并执行对所述特征分析器的训练，包括：在所述输入向量序列中...

【专利技术属性】
技术研发人员：张继海，林方全，张京桥，杨程，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：