[发明专利]基于多任务预测模型的数据处理方法、装置、设备和介质

权利要求书

1.一种基于多任务预测模型的数据处理方法，其中，所述多任务预测模型包括输入层、至少一层特征共享层和输出层，所述特征共享层包括至少两个特征提取模块、特征拼接模块、和至少两个特征融合模块，所述输出层包括至少两个预测模块；所述方法包括：

通过所述输入层对产品至少两个尺寸维度的原始数据分别执行预处理操作，以得到至少两组标准原始数据；

将至少两组所述标准原始数据分别输入至少两个所述特征提取模块，对所述标准原始数据进行特征提取，以得到至少两组尺寸特征数据；

将至少两组所述尺寸特征数据输入所述特征拼接模块进行拼接，以得到特征拼接数据；

将所述特征拼接数据分别输入至少两个所述特征融合模块，分别对所述特征拼接数据进行特征融合，以得到至少两组特征融合数据；

将至少两组所述特征融合数据分别输入至少两个所述预测模块，以根据所述特征融合数据确定所述产品每个尺寸维度的预测结果。

2.根据权利要求1所述的方法，其中，所述特征提取模块的网络结构为全连接神经网络，每个所述特征提取模块对所述标准原始数据进行特征提取具体包括：

每个所述特征提取模块通过如下公式得到尺寸特征数据：

F₁＝σ₁(W₁x₁+b₁)

其中，F₁表示尺寸特征数据，x₁表示标准原始数据，W₁表示所述特征提取模块的网络权重，b₁表示所述特征提取模块的网络偏置项，σ₁()表示所述特征提取模块的激活函数。

3.根据权利要求1所述的方法，其中，将至少两组所述尺寸特征数据输入所述特征拼接模块进行拼接，以得到特征拼接数据包括：

将至少两组所述尺寸特征数据输入所述特征拼接模块进行矩阵拼接，得到特征拼接数据。

4.根据权利要求1所述的方法，其中，各所述特征融合模块之间的模型参数不同。

5.根据权利要求4所述的方法，其中，所述特征融合模块的网络结构为全连接神经网络，每个所述特征融合模块对所述特征拼接数据进行特征融合具体包括：

通过如下公式得到特征融合数据：

F₂＝σ₂(W₂x₂+b₂)

其中，F₂表示特征融合数据，x₂表示特征拼接数据，W₂表示所述特征融合模块的网络权重，b₂表示所述特征融合模块的网络偏置项，σ₂()表示所述特征融合模块的激活函数。

6.根据权利要求1所述的方法，其中，所述预测模块的网络结构为全连接神经网络，每个所述预测模块根据所述特征融合数据确定所述产品每个尺寸维度的预测结果具体包括：

通过如下公式确定所述产品每个尺寸维度的预测结果：

F₃＝σ₃(W₃x₃+b₃)

其中，F₃表示所述产品对应每个尺寸维度的预测结果，x₃表示特征融合数据，W₃表示所述预测模块的网络权重，b₃表示所述预测模块的网络偏置项，σ₃()表示所述预测模块的激活函数。

7.根据权利要求1所述的方法，其中，所述特征共享层还包括至少两个特征提取辅助模块和至少两个特征求和模块，所述方法还包括：

将至少两组所述标准原始数据分别输入至少两个所述特征提取辅助模块进行特征提取，以得到至少两组辅助特征数据；

将所述特征融合数据与同一尺寸维度的辅助特征数据输入所述特征求和模块相加，以得到的特征求和数据更新所述特征融合数据。