[发明专利]数据处理方法、装置、电子设备和存储介质

权利要求书

1.一种数据处理方法，包括：

获取目标对象所处环境的状态数据；

将所述状态数据输入强化模型的策略网络，以从动作集合中采样得到所述状态数据对应的多个动作；

将所述多个动作和所述状态数据，输入所述强化模型的引导网络，以输出各所述动作与所述状态数据之间的目标匹配度；

根据所述各动作与所述状态数据之间的目标匹配度，从所述采样得到的多个动作中确定所述目标对象的目标动作。

2.如权利要求1所述的方法，其中，所述将所述多个动作和所述状态数据，输入所述强化模型的引导网络，以输出各所述动作与所述状态数据之间的目标匹配度，包括：

将所述多个动作和所述状态数据，输入所述引导网络中的至少一个子网络，以得到各所述子网络所输出的对应各所述动作的候选匹配度；

根据各所述子网络所输出的对应各所述动作的候选匹配度，确定各所述动作对应的目标匹配度。

3.如权利要求1所述的方法，其中，所述将所述状态数据输入强化模型的策略网络，以从动作集合中采样得到所述状态数据对应的多个动作，包括：

将所述状态数据输入所述策略网络，输出所述状态数据对应的初始动作分布；其中，所述初始动作分布用于指示所述动作集合中各动作与所述状态数据之间的初始匹配度；

根据所述初始动作分布中各动作与所述状态数据之间的初始匹配度，从动作集合中采样得到所述状态数据对应的多个动作。

4.如权利要求1-3任一项所述的方法，其中，所述根据所述各动作与所述状态数据之间的目标匹配度，从所述采样得到的多个动作中确定所述目标对象的目标动作，包括：

根据各所述动作对应的目标匹配度，生成所述状态数据对应的目标动作分布，其中，所述目标动作分布用于指示所述采样得到的各所述动作与所述状态数据之间的匹配度；

根据所述目标动作分布中各所述动作与所述状态数据之间的匹配度，从所述采样得到的多个动作中确定所述目标对象的目标动作。

5.如权利要求4所述的方法，其中，所述根据各所述动作对应的目标匹配度，生成所述状态数据对应的目标动作分布，包括：

将各所述动作对应的目标匹配度进行归一化处理，得到归一化处理后的各所述动作对应的匹配度；

根据归一化处理后的各所述动作对应的匹配度，生成所述状态数据对应的目标动作分布。

6.如权利要求5所述的方法，其中，所述将各所述动作对应的目标匹配度进行归一化处理，得到归一化处理后的各所述动作对应的匹配度，包括：

将各所述动作对应的匹配度，采用归一化函数进行归一化处理，得到归一化处理后的各所述动作对应的匹配度。

7.一种数据处理装置，包括：

获取模块，用于获取目标对象所处环境的状态数据；

第一确定模块，用于将所述状态数据输入强化模型的策略网络，以从动作集合中采样得到所述状态数据对应的多个动作；

第二确定模块，用于将所述多个动作和所述状态数据，输入所述强化模型的引导网络，以输出各所述动作与所述状态数据之间的目标匹配度；

第三确定模块，用于根据所述各动作与所述状态数据之间的目标匹配度，从所述采样得到的多个动作中确定所述目标对象的目标动作。

8.如权利要求7所述的装置，其中，所述第二确定模块，具体用于：

将所述多个动作和所述状态数据，输入所述引导网络中的至少一个子网络，以得到各所述子网络所输出的对应各所述动作的候选匹配度；

根据各所述子网络所输出的对应各所述动作的候选匹配度，确定各所述动作对应的目标匹配度。

9.如权利要求7所述的装置，其中，所述第一确定模块，具体用于：

将所述状态数据输入所述策略网络，输出所述状态数据对应的初始动作分布；其中，所述初始动作分布用于指示所述动作集合中各动作与所述状态数据之间的初始匹配度；

根据所述初始动作分布中各动作与所述状态数据之间的初始匹配度，从动作集合中采样得到所述状态数据对应的多个动作。