CN109635923A - 用于处理数据的方法和装置 - Google Patents
用于处理数据的方法和装置 Download PDFInfo
- Publication number
- CN109635923A CN109635923A CN201811384897.7A CN201811384897A CN109635923A CN 109635923 A CN109635923 A CN 109635923A CN 201811384897 A CN201811384897 A CN 201811384897A CN 109635923 A CN109635923 A CN 109635923A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- sequence
- recognition
- data sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了用于处理数据的方法和装置。该方法的一具体实施方式包括:获取待处理的、包含有至少一个预设标识的数据序列,预设标识用于表示数据序列的缺失值;对于数据序列中的数据,执行如下处理步骤:响应于确定该数据为预设标识,确定预先指定的、与该数据对应的、数据序列中的数据作为该数据对应的目标数据,根据预先训练的、用于处理数据序列的循环神经网络所包括的、用于处理目标数据的子神经网络的输出结果,对该数据进行赋值,以及确定该数据被赋的值作为循环神经网络包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。该实施方式实现了循环神经网络对具有缺失值的数据序列的有效处理。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于处理数据的方法和装置。
背景技术
循环神经网络是一种节点定向连接成环的人工神经网络。循环神经网络的处理单元之间既有内部的反馈连接又有前馈连接。因此,循环神经网络的内部状态可以展示动态时序行为。循环神经网络可以接收时间序列数据作为输入,以及对时间序列数据进行分析。
发明内容
本申请实施例提出了用于处理数据方法和装置。
第一方面,本申请实施例提供了一种用于处理数据的方法,该方法包括:获取待处理的、包含有至少一个预设标识的数据序列,其中,预设标识用于表示数据序列的缺失值;对于数据序列中的数据,执行如下处理步骤:响应于确定该数据为预设标识,确定预先指定的、与该数据对应的、数据序列中的数据作为该数据对应的目标数据,根据预先训练的、用于处理数据序列的循环神经网络所包括的、用于处理目标数据的子神经网络的输出结果,对该数据进行赋值,以及确定该数据被赋的值作为循环神经网络包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。
在一些实施例中,处理步骤还包括:响应于确定该数据不为预设标识,确定该数据作为循环神经网络所包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。
在一些实施例中,用于处理数据的方法还包括:确定数据序列中的数据对应的输出结果作为循环神经网络所包括的、用于处理数据序列中的数据对应的输出结果的子神经网络的输入,以及将用于处理数据序列中的数据对应的输出结果的子神经网络的输出结果确定为数据序列对应的处理结果。
在一些实施例中,目标数据为按照循环神经网络对数据序列中的数据由先到后的处理次序,该数据的前预设数目个被处理的数据。
在一些实施例中,循环神经网络通过如下步骤训练得到:获取训练样本集,其中,训练样本包括包含有至少一个预设标识的数据序列和数据序列对应的处理结果;利用机器学习的方法,将训练样本集中的训练样本中的数据序列作为初始循环神经网络的输入,将与输入的数据序列对应的处理结果作为初始循环神经网络的期望输出,训练得到循环神经网络。
在一些实施例中,数据序列中的数据用于表示目标对象的属性值;以及循环神经网络用于预测目标对象的属性值,或循环神经网络用于确定目标对象是否属于预设类别。
第二方面,本申请实施例提供了一种用于处理数据的装置,该装置包括:获取单元,被配置成获取待处理的、包含有至少一个预设标识的数据序列,其中,预设标识用于表示数据序列的缺失值;处理单元,被配置成对于数据序列中的数据,执行如下处理步骤:响应于确定该数据为预设标识,确定预先指定的、与该数据对应的、数据序列中的数据作为该数据对应的目标数据,根据预先训练的、用于处理数据序列的循环神经网络所包括的、用于处理目标数据的子神经网络的输出结果,对该数据进行赋值,以及确定该数据被赋的值作为循环神经网络包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。
在一些实施例中,处理单元进一步被配置成响应于确定该数据不为预设标识,确定该数据作为循环神经网络所包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。
在一些实施例中,用于处理数据的装置还包括:确定单元,被配置成确定数据序列中的数据对应的输出结果作为循环神经网络所包括的、用于处理数据序列中的数据对应的输出结果的子神经网络的输入,以及将用于处理数据序列中的数据对应的输出结果的子神经网络的输出结果确定为数据序列对应的处理结果。
在一些实施例中,目标数据为按照循环神经网络对数据序列中的数据由先到后的处理次序,该数据的前预设数目个被处理的数据。
在一些实施例中,循环神经网络通过如下步骤训练得到:获取训练样本集,其中,训练样本包括包含有至少一个预设标识的数据序列和数据序列对应的处理结果;利用机器学习的方法,将训练样本集中的训练样本中的数据序列作为初始循环神经网络的输入,将与输入的数据序列对应的处理结果作为初始循环神经网络的期望输出,训练得到循环神经网络。
在一些实施例中,数据序列中的数据用于表示目标对象的属性值;以及循环神经网络用于预测目标对象的属性值,或循环神经网络用于确定目标对象是否属于预设类别。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于处理数据的方法和装置,通过获取待处理的、包含有至少一个预设标识的数据序列,其中,预设标识用于表示数据序列的缺失值;对于数据序列中的数据,执行如下处理步骤:响应于确定该数据为预设标识,确定预先指定的、与该数据对应的、数据序列中的数据作为该数据对应的目标数据,根据预先训练的、用于处理数据序列的循环神经网络所包括的、用于处理目标数据的子神经网络的输出结果,对该数据进行赋值,以及确定该数据被赋的值作为循环神经网络包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果,从而能够在循环神经网络对数据序列的处理过程中,对数据序列中的缺失值进行赋值以处理实现了循环神经网络对具有缺失值的数据序列的有效处理。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性***架构图;
图2是根据本申请的用于处理数据的方法的一个实施例的流程图;
图3是根据本申请的用于处理数据的方法的一个实施例可以应用的循环神经网络的网络结构;
图4是根据本申请的用于处理数据的方法的又一个实施例的流程图;
图5是根据本申请实施例的用于处理数据的方法的一个应用场景的示意图;
图6是根据本申请的用于处理数据的装置的一个实施例的结构示意图;
图7是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于处理数据的方法或用于处理数据的装置的实施例的示例性架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用。例如网页浏览器应用、搜索类应用、即时通信工具等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是支持数据序列的存储和处理的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如为终端设备101、102、103发送的具有缺失值的数据序列进行处理的处理服务器。处理服务器可以对接收的具有缺失值的数据序列中的缺失值进行赋值等处理,并生成处理结果。
需要说明的是,上述具有缺失值的数据序列也可以直接存储在服务器105的本地,服务器105可以直接提取本地所存储的具有缺失值的数据序列并进行处理,此时,可以不存在终端设备101、102、103和网络104。
需要说明的是,本申请实施例所提供的用于处理数据的方法一般由服务器105执行,相应地,用于处理数据的装置一般设置于服务器105中。
还需要指出的是,终端设备101、102、103也可以对具有缺失值的数据序列进行处理,此时,用于处理数据的方法也可以由终端设备101、102、103执行,相应地,用于处理数据的装置也可以设置于终端设备101、102、103中。此时,示例性***架构100可以不存在服务器105和网络104。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于处理数据的方法的一个实施例的流程200。该用于处理数据的方法包括以下步骤:
步骤201,获取待处理的、包含有至少一个预设标识的数据序列。
在本实施例中,上述用于处理数据的执行主体(如图1所示的服务器105)可以首先通过有线连接或无线连接的方式从本地或其它数据存储设备获取待处理的、包含有至少一个预设标识的数据序列。其中,预设标识可以用于表示数据序列的缺失值。
数据序列可以是指具有一定顺序的、数据的集合。例如,数据序列可以是各种时间序列数据。此时,数据序列可以是按照时间顺序收集到的数据。又例如,数据序列可以是从指定的数据库或数据集中获取的数据,且在数据序列中按照指定的顺序(如在数据库中的存储顺序等)排列。
缺失值可以指按照数据序列对应的顺序,未采集或未获取到的数据。即数据序列中的数据是不完全的。例如,对于时间序列数据来说,缺失值可以指数据采集过程中某段时间未能收集到的数据。
预设标识可以是由技术人员预先设置的任意形式的标识。例如,可以采用特殊符号、指定的字母与数字等的组合等作为缺失值的标识。
步骤202,对于数据序列中的数据,执行如下处理步骤:响应于确定该数据为预设标识,确定与该数据对应的、数据序列中的数据作为该数据对应的目标数据,根据预先训练的、用于处理数据序列的循环神经网络所包括的、用于处理目标数据的子神经网络的输出结果,对该数据进行赋值,以及确定该数据被赋的值作为循环神经网络包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。
在本实施例中,可以利用预先训练的、用于处理数据序列的循环神经网络对数据序列中的数据进行处理。具体地,对于数据序列中的数据,若确定该数据为预设标识,可以通过如下步骤对该数据进行处理,以完成对数据序列的缺失值的处理:
步骤一,确定与该数据对应的、数据序列中的数据作为该数据对应的目标数据。
其中,对于数据序列中的至少一个预设标识,可以由技术人员预先指定这些预设标识分别对应的目标数据。例如,对于任一预设标识,可以将数据序列中距离该预设标识最近的、非预设标识的数据作为该预设标识对应的目标数据。
其中,可以按照数据序列对应的顺序(如时间顺序)确定数据序列中的数据之间的距离的远近。例如,与该数据直接相邻的数据和与该数据中间相隔有其它数据的数据相比,与该数据直接相邻的数据距离该数据的距离更近。例如,对应的时间越接近的一对数据,则这一对的数据的距离也越近。
每个预设标识对应的目标数据可以指定为多个。例如,对于任一预设标识,可以将数据序列中距离该预设标识最近的、两个或两个以上的非预设标识的数据作为该预设标识对应的目标数据。
步骤二,根据预先训练的、用于处理数据序列的循环神经网络所包括的、用于处理目标数据的子神经网络的输出结果,对该数据进行赋值。
其中,对于数据序列中的数据,循环神经网络可以包括对该数据进行处理的子神经网络。一般地,对该数据进行处理的子神经网络以该数据作为输入。
作为示例,图3是根据本申请的用于处理数据的方法的一个实施例可以应用的循环神经网络的网络结构。如图3所示,以数据序列(T1、T2、……、TN)301作为示例,数据序列301中的数据是按照时间顺序进行采集得到的。对于数据序列301中的任一数据,循环神经网络可以包括对该数据进行处理的子神经网络。如图中所示,循环神经网络包括对数据T1处理的子神经网络3021,对数据T2处理的子神经网络3022,以此类推,也包括对数据TN处理的子神经网络302N。
数据序列301中的各个数据可以作为分别对应的子神经网络的输入(图中表示为X(T1)、X(T2)、……、XTN)。以数据T1作为示例,用于处理数据T1的子神经网络3021以数据T1作为输入,表示为X(T1),得到子神经网络3021对数据T1的输出结果,表示为Y(T1)。
可选地,可以将用于处理目标数据的子神经网络的输出结果作为该数据的取值。
可选地,可以以用于处理目标数据的子神经网络的输出结果为基础,对输出结果进行预设处理操作,以及将对输出结果的处理结果作为该数据的取值。其中,预设处理操作可以是由技术人员预先指定的处理操作。例如,预设处理操作可以是将输出结果加或减或乘或除指定的调节系数。
在该数据对应的目标数据有两个或两个以上时,可以将对应的各个目标数据分别对应的输出结果的平均值作为该数据的取值。当然,也可以以得到的平均值为基础,对平均值进行预设处理操作,以及将对平均值的处理结果作为该数据的取值。
步骤三,确定该数据被赋的值作为循环神经网络包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。
在本实施例的一些可选的实现方式中,对于数据序列中的数据,若确定该数据不为预设标识,可以确定该数据作为循环神经网络所包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。
在本实施例的一些可选的实现方式中,可以确定数据序列中的数据对应的输出结果作为循环神经网络所包括的、用于处理数据序列中的数据对应的输出结果的子神经网络的输入,以及将用于处理数据序列中的数据对应的输出结果的子神经网络的输出结果确定为数据序列对应的处理结果。
其中,数据序列中的数据对应的输出结果可以指循环神经网络包括的、分别用于处理数据序列中的各个数据的子神经网络的输出结果。循环神经网络可以对数据序列中的数据对应的输出结果进一步处理,以得到循环神经网络对数据序列的最终处理结果。
作为示例,继续参考图3,如图中所示,循环神经网络还可以对数据序列中的301中的各个数据分别对应的输出结果(图中表示为Y(T1)、Y(T2)、……、Y(TN))进一步处理。具体地,循环神经网络还可以包括用于处理数据序列中的301中的各个数据分别对应的输出结果的子神经网络303,以及可以将子神经网络303的输出结果304确定为循环神经网络对数据序列301的处理结果。
实践中,根据不同的应用需求或应用场景,循环神经网络包括的用于处理数据序列中的301中的各个数据分别对应的输出结果的子神经网络303的、具体的网络结构可以不同。
实践中,不同应用场景下的循环神经网络的作用各种各样,以用以对数据序列实现不同的处理,从而解决不同应用场景下对应的问题。
在本实施例的一些可选的实现方式中,数据序列中的数据可以用于表示目标对象的属性值。此时,循环神经网络可以用于预测目标对象的属性值,或者循环神经网络可以用于确定目标对象是否属于预设类别。
其中,对象可以指任意的对象。目标对象可以是具体应用场景下指定的对象。作为示例,目标对象可以是天气。属性值可以用于表示天气具体的情况。例如温度。数据序列中的数据可以是当前一个月内每天的温度。此时,循环神经网络可以设计用于预测下一个月内每天的温度。或者,循环神经网络可以设计用于确定当前一个月内是否属于雨雪天比较多的一个月。
循环神经网络的具体训练方法和训练过程可以根据循环神经网络的网络结构,利用现有的各种循环神经网络的训练方法训练得到循环神经网络。
在本实施例的一些可选的实现方式中,可以通过如下步骤训练得到循环神经网络:获取训练样本集。其中,每个训练样本可以包括包含有至少一个预设标识的数据序列和数据序列对应的处理结果。利用机器学习的方法,将训练样本集中的训练样本中的数据序列作为初始循环神经网络的输入,将与输入的数据序列对应的处理结果作为初始循环神经网络的期望输出,训练得到循环神经网络。
其中,初始循环神经网络可以根据具体的应用场景设计具体的网络结构,以及利用现有的各种深度学习框架搭建得到。
需要说明的是,上述关于循环神经网络的训练是目前广泛研究和应用的公知技术,在此不再赘述。
实践中,根据具体的应用场景,利用循环神经网络对数据序列进行处理之后,可以保存处理结果,也可以向用户展示处理结果。当然,也可以保存处理过程中的一些输出结果(如各个子神经网络的输出结果)。
本申请的上述实施例提供的用于处理数据的方法通过在循环神经网络对数据序列的处理过程中,利用缺失值对应的目标数据对应的输出结果对缺失值进行赋值以对缺失值进行处理,从而实现了循环神经网络对具有缺失值的数据序列的有效处理,而且是在对数据序列的处理过程中,边处理边对缺失值进行赋值,从而进一步有助于提升对具有缺失值的数据序列的处理速度。
进一步参考图4,其示出了用于处理数据的方法的又一个实施例的流程400。该用于处理数据的方法的流程400,包括以下步骤:
步骤401,获取待处理的、包含有至少一个预设标识的数据序列。
本步骤401的具体的执行过程可参考图2对应实施例中的步骤201的相关说明,在此不再赘述。
步骤402,对于数据序列中的数据,执行如下4021和4022所示的处理步骤:
步骤4021,响应于确定该数据为预设标识,确定与该数据对应的、数据序列中的数据作为该数据对应的目标数据,根据预先训练的、用于处理数据序列的循环神经网络所包括的、用于处理目标数据的子神经网络的输出结果,对该数据进行赋值,以及确定该数据被赋的值作为循环神经网络包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果,其中,目标数据为按照循环神经网络对数据序列中的数据由先到后的处理次序,该数据的前预设数目个被处理的数据。
在本实施例中,循环神经网络在处理数据序列时,通常是有处理顺序的。例如,对时间序列数据进行处理时,是按照数据对应的时间先后依次进行处理。仍参考图3,如图3中所示,对数据序列301的处理顺序是先处理T1,然后处理T2、依次类推,最后处理TN。
可选地,预设数目可以为一。此时,目标数据即是该数据的前一个被处理的数据。
步骤4022,响应于确定该数据不为预设标识,确定该数据作为循环神经网络所包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。
本步骤402的具体的执行过程可参考图2对应实施例中的步骤202的相关说明,在此不再赘述。
步骤403,确定数据序列中的数据对应的输出结果作为循环神经网络所包括的、用于处理数据序列中的数据对应的输出结果的子神经网络的输入,以及将用于处理数据序列中的数据对应的输出结果的子神经网络的输出结果确定为数据序列对应的处理结果。
本步骤403的具体执行过程可参考图2对应实施例中的步骤202的相关说明,在此不在赘述。
继续参见图5,图5是根据本实施例的用于处理数据的方法的应用场景的一个示意图500。在图5的应用场景中,数据序列501中包括两个缺失值,且使用标识“M”表示。数据序列501中还包括数据T1、T4、……、TN。
循环神经网络对数据序列501中的数据依次进行处理。首先,将数据T1作为用于处理数据T1的子神经网络5021的输入,表示为X(T1),从而得到子神经网络5021的输出结果Y(T1)。
之后,对于第一个缺失值,可以将第一个缺失值的前一个被处理的数据T1对应的输出结果Y(T1)赋值给第一个缺失值。此时,可以将第一个缺失值被赋的值Y(T1)作为用于处理第一个缺失值的子神经网络5022的输入,得到第一个缺失值对应的输出结果Y(T2)。
之后,对于第二个缺失值,可以将第二个缺失值的前一个被处理的数据,即第一个缺失值对应的输出结果Y(T2)赋值给第二缺失值。此时,可以将第二个缺失值被赋的值Y(T2)作为用于处理第二个缺失值的子神经网络5023的输入,得到第二个缺失值对应的输出结果Y(T3)。
之后,对第四个数据T4,将数据T4作为用于处理数据T4的子神经网络5024的输入表示为:X(T4),得到子神经网络5024的输出结果Y(T4)。
类似地,之后可以对数据序列501中的数据T5到TN之间的每个数据进行处理,得到各个数据分别对应的输出结果。
之后,可以利用循环神经网络包括的用于处理数据序列501中的各个数据分别对应的输出结果的子神经网络503对各个数据分别对应的输出结果(如图中所示的从Y(T1)到Y(TN))进行进一步处理,以得到输出结果504作为循环神经网络对数据序列501的处理结果。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于处理数据的方法的流程400突出了对于任一缺失值,可以根据数据序列中在该缺失值之前被处理的数据对应的输出结果对该缺失值进行赋值的步骤,从而在实现循环神经网络对具有缺失值的数据序列的有效处理的同时,有助于保证对数据序列的处理结果的准确性。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了用于处理数据的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例提供的用于处理数据的装置600包括获取单元601和处理单元602。其中,获取单元601被配置成获取待处理的、包含有至少一个预设标识的数据序列,其中,预设标识用于表示数据序列的缺失值。处理单元602被配置成对于数据序列中的数据,执行如下处理步骤:响应于确定该数据为预设标识,确定预先指定的、与该数据对应的、数据序列中的数据作为该数据对应的目标数据,根据预先训练的、用于处理数据序列的循环神经网络所包括的、用于处理目标数据的子神经网络的输出结果,对该数据进行赋值,以及确定该数据被赋的值作为循环神经网络包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。
在本实施例中,用于处理数据的装置600中:获取单元601和处理单元602的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201和步骤202的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,处理单元602进一步被配置成响应于确定该数据不为预设标识,确定该数据作为循环神经网络所包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。
在本实施例的一些可选的实现方式中,用于处理数据的装置600还包括:确定单元(图中未示出)被配置成确定数据序列中的数据对应的输出结果作为循环神经网络所包括的、用于处理数据序列中的数据对应的输出结果的子神经网络的输入,以及将用于处理数据序列中的数据对应的输出结果的子神经网络的输出结果确定为数据序列对应的处理结果。
在本实施例的一些可选的实现方式中,目标数据为按照循环神经网络对数据序列中的数据由先到后的处理次序,该数据的前预设数目个被处理的数据。
在本实施例的一些可选的实现方式中,循环神经网络通过如下步骤训练得到:获取训练样本集,其中,训练样本包括包含有至少一个预设标识的数据序列和数据序列对应的处理结果;利用机器学习的方法,将训练样本集中的训练样本中的数据序列作为初始循环神经网络的输入,将与输入的数据序列对应的处理结果作为初始循环神经网络的期望输出,训练得到循环神经网络。
在本实施例的一些可选的实现方式中,数据序列中的数据用于表示目标对象的属性值;以及循环神经网络用于预测目标对象的属性值,或循环神经网络用于确定目标对象是否属于预设类别。
本申请的上述实施例提供的装置,首先获取单元获取待处理的、包含有至少一个预设标识的数据序列,其中,预设标识用于表示数据序列的缺失值。然后处理单元对于数据序列中的数据,执行如下处理步骤:响应于确定该数据为预设标识,确定预先指定的、与该数据对应的、数据序列中的数据作为该数据对应的目标数据,根据预先训练的、用于处理数据序列的循环神经网络所包括的、用于处理目标数据的子神经网络的输出结果,对该数据进行赋值,以及确定该数据被赋的值作为循环神经网络包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果,从而能够在循环神经网络对数据序列的处理过程中,对数据序列中的缺失值进行赋值以处理实现了循环神经网络对具有缺失值的数据序列的有效处理。
下面参考图7,其示出了适于用来实现本申请实施例的电子设备的计算机***700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机***700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有***700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括获取单元和处理单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待处理的、包含有至少一个预设标识的数据序列的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待处理的、包含有至少一个预设标识的数据序列,其中,预设标识用于表示数据序列的缺失值;对于数据序列中的数据,执行如下处理步骤:响应于确定该数据为预设标识,确定预先指定的、与该数据对应的、数据序列中的数据作为该数据对应的目标数据,根据预先训练的、用于处理数据序列的循环神经网络所包括的、用于处理目标数据的子神经网络的输出结果,对该数据进行赋值,以及确定该数据被赋的值作为循环神经网络包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种用于处理数据的方法,包括:
获取待处理的、包含有至少一个预设标识的数据序列,其中,预设标识用于表示所述数据序列的缺失值;
对于所述数据序列中的数据,执行如下处理步骤:响应于确定该数据为预设标识,确定与该数据对应的、所述数据序列中的数据作为该数据对应的目标数据,根据预先训练的、用于处理所述数据序列的循环神经网络所包括的、用于处理所述目标数据的子神经网络的输出结果,对该数据进行赋值,以及确定该数据被赋的值作为所述循环神经网络包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。
2.根据权利要求1所述的方法,其中,所述处理步骤还包括:
响应于确定该数据不为预设标识,确定该数据作为所述循环神经网络所包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。
3.根据权利要求1所述的方法,其中,所述方法还包括:
确定所述数据序列中的数据对应的输出结果作为所述循环神经网络所包括的、用于处理所述数据序列中的数据对应的输出结果的子神经网络的输入,以及将用于处理所述数据序列中的数据对应的输出结果的子神经网络的输出结果确定为所述数据序列对应的处理结果。
4.根据权利要求1所述的方法,其中,所述目标数据为按照所述循环神经网络对所述数据序列中的数据由先到后的处理次序,该数据的前预设数目个被处理的数据。
5.根据权利要求1所述的方法,其中,所述循环神经网络通过如下步骤训练得到:
获取训练样本集,其中,训练样本包括包含有至少一个预设标识的数据序列和数据序列对应的处理结果;
利用机器学习的方法,将所述训练样本集中的训练样本中的数据序列作为初始循环神经网络的输入,将与输入的数据序列对应的处理结果作为初始循环神经网络的期望输出,训练得到所述循环神经网络。
6.根据权利要求1-5之一所述的方法,其中,所述数据序列中的数据用于表示目标对象的属性值;以及
所述循环神经网络用于预测所述目标对象的属性值,或所述循环神经网络用于确定所述目标对象是否属于预设类别。
7.一种用于处理数据的装置,包括:
获取单元,被配置成获取待处理的、包含有至少一个预设标识的数据序列,其中,预设标识用于表示所述数据序列的缺失值;
处理单元,被配置成对于所述数据序列中的数据,执行如下处理步骤:响应于确定该数据为预设标识,确定与该数据对应的、所述数据序列中的数据作为该数据对应的目标数据,根据预先训练的、用于处理所述数据序列的循环神经网络所包括的、用于处理所述目标数据的子神经网络的输出结果,对该数据进行赋值,以及确定该数据被赋的值作为所述循环神经网络包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。
8.根据权利要求7所述的装置,其中,所述处理单元进一步被配置成:
响应于确定该数据不为预设标识,确定该数据作为所述循环神经网络所包括的、用于处理该数据的子神经网络的输入,以得到用于处理该数据的子神经网络的输出结果。
9.根据权利要求7所述的装置,其中,所述装置还包括:
确定单元,被配置成确定所述数据序列中的数据对应的输出结果作为所述循环神经网络所包括的、用于处理所述数据序列中的数据对应的输出结果的子神经网络的输入,以及将用于处理所述数据序列中的数据对应的输出结果的子神经网络的输出结果确定为所述数据序列对应的处理结果。
10.根据权利要求7所述的装置,其中,所述目标数据为按照所述循环神经网络对所述数据序列中的数据由先到后的处理次序,该数据的前预设数目个被处理的数据。
11.根据权利要求7所述的装置,其中,所述循环神经网络通过如下步骤训练得到:
获取训练样本集,其中,训练样本包括包含有至少一个预设标识的数据序列和数据序列对应的处理结果;
利用机器学习的方法,将所述训练样本集中的训练样本中的数据序列作为初始循环神经网络的输入,将与输入的数据序列对应的处理结果作为初始循环神经网络的期望输出,训练得到所述循环神经网络。
12.根据权利要求7-11之一所述的装置,其中,所述数据序列中的数据用于表示目标对象的属性值;以及
所述循环神经网络用于预测所述目标对象的属性值,或所述循环神经网络用于确定所述目标对象是否属于预设类别。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811384897.7A CN109635923A (zh) | 2018-11-20 | 2018-11-20 | 用于处理数据的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811384897.7A CN109635923A (zh) | 2018-11-20 | 2018-11-20 | 用于处理数据的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109635923A true CN109635923A (zh) | 2019-04-16 |
Family
ID=66068552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811384897.7A Pending CN109635923A (zh) | 2018-11-20 | 2018-11-20 | 用于处理数据的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635923A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046027A (zh) * | 2019-11-25 | 2020-04-21 | 北京百度网讯科技有限公司 | 时间序列数据的缺失值填充方法和装置 |
CN111709583A (zh) * | 2020-06-18 | 2020-09-25 | 北京字节跳动网络技术有限公司 | 用户留存时间生成方法、装置、电子设备和介质 |
CN111767987A (zh) * | 2020-06-28 | 2020-10-13 | 北京百度网讯科技有限公司 | 基于循环神经网络的数据处理方法、装置和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180063168A1 (en) * | 2016-08-31 | 2018-03-01 | Cisco Technology, Inc. | Automatic detection of network threats based on modeling sequential behavior in network traffic |
CN108197736A (zh) * | 2017-12-29 | 2018-06-22 | 北京工业大学 | 一种基于变分自编码器和极限学习机的空气质量预测方法 |
CN108460481A (zh) * | 2018-01-30 | 2018-08-28 | 中国航天电子技术研究院 | 基于循环神经网络的无人机侦察目标演变规律预测方法 |
CN108615096A (zh) * | 2018-05-10 | 2018-10-02 | 平安科技(深圳)有限公司 | 服务器、金融时序数据的处理方法及存储介质 |
-
2018
- 2018-11-20 CN CN201811384897.7A patent/CN109635923A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180063168A1 (en) * | 2016-08-31 | 2018-03-01 | Cisco Technology, Inc. | Automatic detection of network threats based on modeling sequential behavior in network traffic |
CN108197736A (zh) * | 2017-12-29 | 2018-06-22 | 北京工业大学 | 一种基于变分自编码器和极限学习机的空气质量预测方法 |
CN108460481A (zh) * | 2018-01-30 | 2018-08-28 | 中国航天电子技术研究院 | 基于循环神经网络的无人机侦察目标演变规律预测方法 |
CN108615096A (zh) * | 2018-05-10 | 2018-10-02 | 平安科技(深圳)有限公司 | 服务器、金融时序数据的处理方法及存储介质 |
Non-Patent Citations (4)
Title |
---|
MINH NGUYEN ET AL: "Modeling Alzheimer’s disease progression using deep recurrent neural networks", 《2018 INTERNATIONAL WORKSHOP ON PATTERN RECOGNITION IN NEUROIMAGING (PRNI)》 * |
WEI CAO ET AL: "BRITS: Bidirectional Recurrent Imputation for Time Series", 《ARXIV:1805.10572V1[CS.LG]》 * |
胡航: "《语音信号处理》", 31 July 2009 * |
赵晶夫: "《奋斗的历程 南京市政规划管理工作联动计划 2006》", 31 December 2006, 南京:东南大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046027A (zh) * | 2019-11-25 | 2020-04-21 | 北京百度网讯科技有限公司 | 时间序列数据的缺失值填充方法和装置 |
CN111709583A (zh) * | 2020-06-18 | 2020-09-25 | 北京字节跳动网络技术有限公司 | 用户留存时间生成方法、装置、电子设备和介质 |
CN111709583B (zh) * | 2020-06-18 | 2023-05-23 | 抖音视界有限公司 | 用户留存时间生成方法、装置、电子设备和介质 |
CN111767987A (zh) * | 2020-06-28 | 2020-10-13 | 北京百度网讯科技有限公司 | 基于循环神经网络的数据处理方法、装置和设备 |
CN111767987B (zh) * | 2020-06-28 | 2024-02-20 | 北京百度网讯科技有限公司 | 基于循环神经网络的数据处理方法、装置和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190012575A1 (en) | Method, apparatus and system for updating deep learning model | |
CN108734293A (zh) | 任务管理***、方法和装置 | |
CN107919129A (zh) | 用于控制页面的方法和装置 | |
CN110288049A (zh) | 用于生成图像识别模型的方法和装置 | |
CN108287927B (zh) | 用于获取信息的方法及装置 | |
CN109410253B (zh) | 用于生成信息的方法、装置、电子设备和计算机可读介质 | |
CN109635923A (zh) | 用于处理数据的方法和装置 | |
CN108958992A (zh) | 测试方法和装置 | |
CN109976997A (zh) | 测试方法和装置 | |
CN109634767A (zh) | 用于检测信息的方法和装置 | |
CN110321738A (zh) | 信息处理方法和装置 | |
CN107958247A (zh) | 用于人脸图像识别的方法和装置 | |
CN109902446A (zh) | 用于生成信息预测模型的方法和装置 | |
CN108960110A (zh) | 用于生成信息的方法和装置 | |
CN110084658A (zh) | 物品匹配的方法和装置 | |
CN108933695A (zh) | 用于处理信息的方法和装置 | |
CN107330091A (zh) | 信息处理方法和装置 | |
CN110110666A (zh) | 目标检测方法和装置 | |
CN110046571A (zh) | 用于识别年龄的方法和装置 | |
CN109614327A (zh) | 用于输出信息的方法和装置 | |
CN109688086A (zh) | 用于终端设备的权限控制方法和装置 | |
CN107968743A (zh) | 推送信息的方法和装置 | |
CN109614549B (zh) | 用于推送信息的方法和装置 | |
CN109446379A (zh) | 用于处理信息的方法和装置 | |
CN109597912A (zh) | 用于处理图片的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |