[发明专利]数据处理方法、装置、设备及存储介质

说明书

本发明公开了一种数据处理方法、装置、设备及存储介质，所述方法包括：获取多个客户终端分别发送的模型参数；其中，每一客户终端发送的模型参数为所述客户终端根据本地训练样本对全局模型进行训练后得到的模型参数；针对每一客户终端，通过从所述客户终端获取到的模型参数，对待测试的数据进行处理，得到对应的特征向量；根据通过各个模型参数得到的特征向量，对自编码器进行训练，得到对应的隐向量；根据所述隐向量确定所述待测试的数据对应的评估结果。本发明公开的数据处理方法、装置、设备及存储介质，通过自编码器融合多个模型提取的特征向量，从而得到更加全面、丰富的特征，有效提升评估结果的准确率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种数据处理方法、装置、设备及存储介质。

背景技术

随着计算机技术和大数据处理技术的不断发展，机器学习在图像处理、自然语言处理、生物特征识别、搜索引擎、推荐算法等各个领域得到了广泛的应用。

机器学习可以融合大量数据的特征，通过训练样本在经验中学习，从而不断改善自身性能。学习得到的模型可以用于对数据进行评估，例如，可以通过用户的历史资产数据，评估用户的购买力，从而向用户推送相应的商品信息。目前，通过机器学习等方法获得的评估结果的准确率依然有较大的提升空间。

发明内容

本发明的主要目的在于提供一种数据处理方法、装置、设备及存储介质，旨在提高通过机器学习得到的评估结果的准确率。

为实现上述目的，本发明提供一种数据处理方法，所述数据处理方法包括：

获取多个客户终端分别发送的模型参数；其中，每一客户终端发送的模型参数为所述客户终端根据本地训练样本对全局模型进行训练后得到的模型参数；

针对每一客户终端，通过从所述客户终端获取到的模型参数，对待测试的数据进行处理，得到对应的特征向量；

根据通过各个模型参数得到的特征向量，对自编码器进行训练，得到对应的隐向量；

根据所述隐向量确定所述待测试的数据对应的评估结果。

在一种可能的实现方式中，所述方法还包括：

从各个客户终端抽取训练样本，组成测试数据集；其中，从每一客户终端抽取的训练样本的数量均在预设数量范围内；所述待测试的数据包括所述测试数据集；

相应的，根据所述隐向量确定所述待测试的数据对应的评估结果，包括：

根据所述测试数据集对应的隐向量，确定所述测试数据集对应的评估结果；

根据所述测试数据集对应的评估结果，确定各个客户终端对应的评估结果分布情况。

在一种可能的实现方式中，根据通过各个模型参数得到的特征向量，对自编码器进行训练，得到对应的隐向量，包括：

将通过各个模型参数得到的特征向量进行拼接；

将拼接后的特征向量作为所述自编码器的输入和输出，对所述自编码器进行训练，得到对应的隐向量；

其中，所述自编码器中隐向量的维度小于输入的特征向量的维度。

在一种可能的实现方式中，通过从所述客户终端获取到的模型参数，对待测试的数据进行处理，得到对应的特征向量，包括：

将待测试的数据输入到所述模型参数对应的模型中，得到最后一层卷积层输出的特征向量。

在一种可能的实现方式中，在根据所述隐向量确定所述待测试的数据对应的评估结果之前，所述方法还包括：

对所述多个客户终端的模型参数进行聚合，得到更新后的全局模型；

判断所述更新后的全局模型是否收敛；