CN116228326A - 数据处理方法、***、设备及介质 - Google Patents

Abstract

本申请实施例提供数据处理方法、***、设备及介质。该方法包括：获取与终端设备相关的设备时空数据、待推广数据以及与终端设备交互的多个不同用户的用户数据。利用特征提取器对设备时空数据、待推广数据以及用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征。基于融合后的多模态特征利用推荐模型从多个待推广数据中确定的针对终端设备的目标推广数据。服务于用户流动性较大终端设备所经历的用户数据进行收集，并利用对应的特征提取器准确提取到终端设备的终端流动特征，进而能够综合当前用户的用户特征，待推广数据的推广数据特征以及设备流动特征综合评估该通过该终端设备推荐给该用户的目标推广数据。

Description

数据处理方法、***、设备及介质

技术领域

本申请涉及计算机技术领域，尤其涉及数据处理方法、***、设备及介质。

背景技术

随着计算机技术的发展，能够为用户日常生活提供很多便利。比如，自助售货机。

在现有技术中，自助售货机通常安装在某个商场所后，供不同用户使用。比如，某用户来到商场进行消费，先去看电影，看完电影之后来到自助售货机前想要买瓶饮料，此时自助售货机的显示屏上可能播放某个服装的广告或者某个品牌的饮料的广告。由于自助售货机每天都为很多不同用户提供饮料，并不了解每个用户的实际需求，因此通过显示屏展示的广告内容并不一定符合该用户的需求，无法实现精准推广。

发明内容

为解决或改善现有技术中存在的问题，本申请各实施例提供了数据处理方法、***、设备及介质。

第一方面，在本申请的一个实施例中，提供了一种数据处理方法。应用于服务器端，该方法包括：

获取与终端设备相关的设备时空数据、待推广数据以及与所述终端设备交互的多个不同用户的用户数据，所述用户数据为脱敏数据或统计学数据，所述终端设备为向不固定用户提供服务的设备；

利用特征提取器对所述设备时空数据、所述待推广数据以及所述用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征；

将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型，以便利用所述推荐模型从多个所述待推广数据中确定的针对与所述终端设备交互中的当前用户的目标推广数据。

第二方面，本申请的一个实施例中，提供了一种数据处理方法，应用于终端设备，所述终端设备为向不固定用户提供服务的设备，该方法包括：

响应于第一用户通过客户端的交互请求，获取第一用户标识；

将所述第一用户标识和所述终端设备的设备标识发送给服务器端，以便所述服务器端利用特征提取器对设备时空数据、待推广数据以及用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征；将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型；所述用户数据为脱敏数据或统计学数据；

接收所述服务器端利用所述推荐模型从多个所述待推广数据中确定的针对所述终端设备的目标推广数据。

第三方面，本申请的一个实施例中，提供了一种数据处理方法，应用于用户便携设备，该方法包括：

在向终端设备发送交互请求之后，接收携带有设备标识的反馈信息；

将第一用户标识和所述终端设备的设备标识发送给服务器端，以便所述服务器端利用特征提取器对设备时空数据、待推广数据以及用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征；将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型；所述用户数据为脱敏数据或统计学数据；

接收所述服务器端利用所述推荐模型从多个所述待推广数据中确定的针对所述终端设备的目标推广数据。

第四方面，在本申请的一个实施例中，提供了一种数据处理***，该***包括如第一方面所述服务器端的数据处理方法以及第二方面所述的终端设备的数据处理方法。

第五方面，在本申请的一个实施例中，提供了一种数据处理***，该***包括如第一方面所述服务器端的数据处理方法以及第三方面所述的用户便携设备的数据处理方法。

第六方面，在本申请的一个实施例中，提供了一种云服务器，包括存储器及处理器；其中，

所述存储器，用于存储程序；

所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于实现第一方面所述的数据处理方法。

第七方面，在本申请的一个实施例中，提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如第一方面所述的数据处理方法，或者如第二方面所述的数据处理方法，或者如第三方面所述的数据处理方法。

本申请实施例提供的技术方案，在线下场景中，有些终端设备不是向唯一用户提供服务的，而是向不固定用户提供服务的设备。服务器端能够直接或者间接为终端设备提供推广数据，为了使得推广数据更加符合当前正在与终端设备进行交互的第一用户的需求，服务器端将更全面的获取数据，这些数据包括设备时空数据、待推广数据以及与该终端设备交互(包括：当前正在交互以及交互过)的多个不同用户的用户数据，需要强调的是，用户数据为脱敏数据或统计学数据。进而，利用特征提取器进行特征提取，得到分别对应的特征为：由指定子图表示的设备流动特征、推广数据特征以及用户特征。进而将对应于不同数据类型的特征进行融合，通过推荐模型确定出适合于当前与终端设备进行交互的用户的目标推广数据。与终端设备具有交互行为的多个用户往往具有相同或相似特征，因此，在兼顾计算效率和特征提取效果的情况下，可以选择指定子图表示作为设备流动特征，能够全面体现出与该终端设备有交互行为的多个用户的共同特征，同时能够有效降低计算量。此外，服务于用户流动性较大终端设备所经历的用户数据进行收集，并利用对应的特征提取器准确提取到终端设备的终端流动特征，进而能够综合当前用户的用户特征，待推广数据的推广数据特征以及设备流动特征综合评估该通过该终端设备推荐给该用户的目标推广数据，能够有效提高终端设备进行数据推广时的准确率，使得用户能够在陌生终端设备上得到自己所需的推广数据。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1a、1b为本申请实施例举例说明的数据处理***的结构示意；

图2为本申请实施例举例说明的数据处理方法的流程示意图；

图3为本申请实施例举例说明的特征融合的示意图；

图4为本申请实施例提供的基于权重计算融合的流程示意图；

图5为本申请实施例提供的另一种数据处理方法的流程示意图；

图6为本申请实施例提供的另一种数据处理方法的流程示意图；

图7为本申请实施例提供的数据处理装置的结构示意图；

图8为本申请实施例提供的另一种数据处理装置的结构示意图；

图9为本申请实施例提供的再一种数据处理装置的结构示意图；

图10为本申请实施例提供的一种电子设备的结构示意图；

图11为本申请实施例提供的另一种电子设备的结构示意图；

图12为本申请实施例提供的再一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。

在本申请的说明书、权利要求书及上述附图中描述的一些流程中，包含了按照特定顺序出现的多个操作，这些操作可以不按照其在本文中出现的顺序来执行或并行执行。操作的序号如101、102等，仅仅是用于区分各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。此外，下文描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在传统的线下零售场景中，客户流动性比较大，作为线下商家无法准确知晓每个用户的消费习惯、爱好等。在进行下线推广的时候，只能采取没有针对性的普遍推广，比如，通过自动售卖机上的大屏幕没有针对性的重复播放某饮料广告、播放某餐饮品牌广告。这种推广方式针对性弱、点击率低，推广效果不佳。因此，需要一种能够实现终端设备针对不同用户精准推广的方案。

术语解释：

多模态学习(Multimodal Learning，MML)基于多种不同模态特征进行特征融合学习。

人工智能物联网(Artificial intelligence&Internet of Things，AIOT)，融合AI技术和IoT技术，通过物联网产生、收集来自不同维度的、海量的数据存储于云端、边缘端，再通过大数据分析，以及更高形式的人工智能，实现万物数据化、万物智联化。

下面将结合具体实施例对本申请实现的技术方案进行解释说明。

如图1a、1b为本申请实施例举例说明的数据处理***的结构示意。从图1a和图1b中可以看到，都包含有服务器端(在实际应用中，可以有多个可以相互通信的服务器端，每个服务器端都有其特定功能，不同服务器端之间可以相互传输数据)、用户便携设备和终端设备。

终端设备是没有固定服务对象的设备，换言之该终端设备可以在固定地点或者不同地点服务于不同的用户。由于终端设备经常为不同用户提供服务，而不归属于某个用户，终端设备面对的人员流动性很大，该终端设备也就无法获取某个用户的详细信息、兴趣爱好，进而传统方案中，该终端设备无法实现针对不同用户的准确的数据推广。该终端设备可以有固定的位置(比如，自动售货机、自主结账设备、人工结账设备等)，也可以是能够根据客户需要进行移动的(比如，共享车)。

本方案中的服务器端通过网络与用户的客户端(该客户端可以安装在用户便携设备上，比如，手机)连接，能够随时随地为用户提供服务，了解用户基本信息(用户注册的时候需要提交一些基本信息)，用户在使用客户端的某些功能的时候，也需要服务器端提供支持，还能了解到用户的行为信息。比如，用户的身份信息、历史消费信息等。进而可以利用用户基本信息了解用户消费习惯和爱好等。

本方案中的用户便携设备，比如，可以是手机、手表、电脑等等，能够安装客户端的电子设备，并且能够与前文所说的服务器端进行数据传输。一般来说，用户便携设备都为个人所有。用户便携设备上可以安装有支持各种应用功能的客户端。为客户端各种应用功能提供服务支持的是前文所述的服务器端。因此，用户通过客户端实现的各种行为都会被保存到服务器端，并且，基于这些用户数据所得到的用户特征也更加准确。

图1a与图1b是两种功能比较相似的***。其中，图1a中的终端设备可以是AIOT设备，能够直接与服务器端通过网络进行连接以及数据传输，当有第一用户与该终端设备进行交互的时候，可以通过该终端设备将获取到的第一用户的用户标识以及终端设备的设备标识发送给服务器端，在服务器端确定适用于第一用户的目标推广数据之后，可以由服务器端直接将该目标推广数据发送给终端设备，进而由终端设备向第一用户展示或者播放。

图1b中，终端设备不具有与服务器端直接联网的能力，或者暂时无法与服务器端联网，则可以通过客户端与服务器端进行数据传输。由用户便携设备将得到的设备标识、第一用户标识等发送给服务器端。服务器端经过分析后得到目标推广数据也发送给该客户端。进而由用户便携设备向第一用户展示或者播放。若客户端与终端设备通过蓝牙等方式保持连接，则安装有客户端的用户便携设备可以将接收到的目标推广数据通过蓝牙通道传输给终端设备，进而由终端设备向第一用户展示或者播放。或者由用户便携设备和终端设备同时进行展示或播放。

如图2为本申请实施例举例说明的数据处理方法的流程示意图。该方法的执行主体可以是服务器端(比如，云服务器)。从图2中可以看到具体包括如下步骤：

201：获取与终端设备相关的设备时空数据、待推广数据以及与所述终端设备交互的多个不同用户的用户数据，所述用户数据为脱敏数据或统计学数据，所述终端设备为向不固定用户提供服务的设备。

202：利用特征提取器对所述设备时空数据、所述待推广数据以及所述用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征。

203：将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型，以便利用所述推荐模型从多个所述待推广数据中确定的针对与所述终端设备交互中的当前用户的目标推广数据。

这里所说的待推广数据可以是广告数据，比如，广告类型、商品颜色、形状等等。这些待推广数据可以集中存储在服务器端，也可以同时存储在服务器端和设备终端。虽然待推广数据有很多，但是每个用户的消费习惯可能都不相同。比如，不同用户有不同的餐饮口味习惯。因此，需要从这些待推广数据中准确找到当前与终端设备正在交互中的第一用户所需要的目标推广数据，从而实现精准推广。

需要说明的是，在确定待推广数据的时候，要根据终端设备的设备属性(比如，是否为可移动设备(比如，自助售卖机、共享车)、设备提供的服务类型(比如售卖商品、提供擦鞋服务))、设备位置(比如，在某商场、某学校、某医院或者某公园)以及在设备位置附近的相关待推广的(商家)数据，或与设备位置相同的相关待推广数据。例如，某用户在位于A商场的自助售卖机上购买饮料，那么所确定的多个待推广数据为同样位于A商场中多个商家(比如，餐饮、服装)对应的待推广数据。再例如，某用户在位于A商场的楼下广场准备骑共享单车或租共享汽车前往B商场，那么所确定的多个待推广数据为用户将前往的B商场中多个商家(比如，餐饮、服装)对应的待推广数据。

这里所说的终端设备与用户交互，可以理解为用户通过用户便携设备与终端设备进行交互，交互的方式可以是用户便携设备通过扫描终端设备提供的二维码，或者终端设备扫描用户便携设备提供的二维码。在交互过程中，会进行数据(比如，设备标识、用户标识)传输或者支付等操作。这里所说的用户数据为经过脱敏处理的脱敏数据或统计学数据，比如，对下述用户的原始数据进行脱敏处理：包括用户基本身份信息，以及用户通过客户端执行的消费行为(比如，用户通过客户端进行餐饮消费行为、通过客户端进行网上购物行为)、购买商品类型、餐饮风味类型等等。此外，还包括用户与终端设备交互相关数据，包括交互时间、交互结果、对推广数据反馈结果(比如，用户是否点击推广数据)。这里所说的设备时空数据，可以是设备的位置数据以及不同用户与设备进行交互的时间数据。需要说明的是，为了确保数据安全，用户的原始数据和脱敏处理后的用户数据在存储和传输的时候都需要采取一定的加密措施进行加密存储、加密传输。

此外，该终端设备还可能配置有用于播放目标推广数据的音频播放装置、视频播放装置或者图文展示装置等。

作为一可选方案，用户与终端设备交互的时候，用户还可以利用印刷有代表用户身份或者支付信息等唯一性标识的二维码、条形码的纸条与终端设备的读取器进行识读，从而实现将用户标识传输给终端设备。

在实际应用中，利用特征提取器对前文所述各种类型数据进行特征提取的时候，可以根据不同数据类型的特点，分别为其选择合适的特征提取器。比如，在进行设备流动特征提取的时候，可以选用图卷积网络；在进行用户特征提取的时候，可以利用全连接神经网络；在进行推广特征提取的时候可以利用图卷积网络。这里所说的特征提取器的网络类型，可以是根据需要进行更换或者调整。这里仅作为举例说明，并不构成对本申请技术方案的限制。

这里需要说明的是，这里所说的设备流动特征，可以利用图卷积网络中某个输出子图作为设备流动特征，能够有效减轻计算特征的工作量。提高工作效率。具体计算过程将在下述实施例中具体举例说明。

在通过上述方式得到各种类型数据(设备时空数据、待推广数据和用户数据)分别对应的特征(分别为设备流动特征、推广数据特征和用户特征)之后，进一步需要对这些特征进行融合。在融合处理的时候，由于不同类型特征样本量、特征强度不同，可能会导致某些特征显性作用过强，有些特征作用没有体现，得到的结果类似于单一模态特征主导的结果。因此，在进行融合的时候，要根据特征重要程度确定对应的权重系数。进而，综合上述多个特种从多个待推广数据中确定目标推广数据。该目标推广数据是针对当前与终端设备正在进行交互的第一用户确定的。通过上述方案，使得线下推广场景中，可以实现针对流动用户的精准推广，从而能够获得更高的推广反馈效果(比如，更高的推广点击率)。

在本申请的一个或者多个实施例中，获取与所述终端设备交互的多个不同用户的用户数据，包括：当前所述第一用户与所述终端设备正在交互时，接收所述终端设备和/或用户便携设备提供的交互请求信息；其中，所述交互请求信息中包含：第一用户标识和终端设备标识。基于所述第一用户标识确定所述第一用户数据。根据所述终端设备标识，确定与所述终端设备交互过的第二用户的所述第二用户数据，所述第二用户为与终端设备曾经交互过的多个历史用户。

这里所说的第一用户为当前正在与终端设备进行交互的用户，而第二用户为曾经与同一终端设备交互过的历史用户。第一用户与终端设备之间进行交互时，往往是由第一用户根据自己需要选择性发起交互请求，此时第一用户与终端设备在相同地点，换言之此时具有相同的位置信息或位置数据。当第一用户发起交互请求后，会通过终端设备或者用户便携设备与服务器端建立连接关系，并针对此次交互进行相关数据传输，比如，通过终端设备向服务器端提供当前与其进行交互的第一用户的用户标识、自身的设备标识。或者通过用户便携设备向服务器端提供第一用户的用户标识和当前正在执行交互任务的终端设备的设备标识。一般来说，优先通过终端设备与服务器端建立联系并进行数据交互，当终端设备无法与服务器端连接时，可以由用户便携设备与服务器端建立连接并进行相关数据交互。

在服务器端存储有当前正在与终端设备进行交互的第一用户的用户数据，还存储有在当前时间之前与终端设备交互过的第二用户的用户数据和第二用户与服务器交互产生的用户数据，以及终端设备自身相关数据。在存储的时候，可以以表或者键值对形式进行存储，建立第一用户标识与用户数据、终端设备标识与设备时空数据以及各个与该终端设备有过交互行为的用户标识和用户数据之间的关联关系，以便根据用户标识、设备标识就能够找到所有关联的用户数据、设备时空数据等。

服务器端不仅存储有这些数据，还能够利用预设算法确定出目标推广数据，不需要终端设备存储和计算，能够有效减轻终端设备工作负担，以及降低对终端设备配置要求。服务器端利用预设算法确定出目标推广数据的具体过程将在下述实施例中具体举例说明。

例如，用户从超市购物结束，来到自助结账设备(相当于前文所说的终端设备)前，用户打开手机(相当于前文所说的用户便携设备)中指定客户端扫码自助结账设备显示的二维码，扫码成功之后，完成了终端设备与用户手机数据交互，也就是，手机端的第一用户标识被发送给自助结账设备和/或自助结账设备的终端设备标识被发送给手机。进而，可以由手机或者自助结账设备将第一用户标识和终端设备标识发送给服务器端。

在本申请的一个或者多个实施例中，获取与终端设备相关的设备时空数据、待推广数据，包括：基于所述终端设备标识，确定所述设备时空数据，以及预存的多个所述待推广数据；其中，所述设备时空数据包括：设备空间位置、所述第一用户或所述第二用户与所述终端设备进行交互的时间数据。

如前文所述可知，用户数据和设备相关的数据都存储在服务器端。服务器端通过上述步骤得到第一用户标识和终端设备标识之后，可以利用终端设备标识查找此前存储的设备时空数据和待推广数据。其中，待推广数据是预先制作完成的，该待推广数据可以是图片、文本、视频等形式的数据。在得到终端设备标识之后，可以准确查找到此前存储的设备时空数据以及与该设备正互动的时间数据。不需要终端设备进行管理，减轻终端设备负担。同时，通过对上述各种数据存储，能够方便掌握用户关注点，从而有助于准确确定推广数据。

例如，终端设备为自助结账设备，在服务器端存储有终端设备标识ZZJZ-1，对应的设备位置为ABC超市，时间数据为下午3点。待推广数据为与超市商品相关的广告，比如，生鲜促销海报、酒水饮料推广广告等。

再例如，终端设备为饮料自助售卖设备，在服务器端存储有终端设备标识为ZZSM-1，对应的设备位置为BCD商场，时间为中午11点。待推广数据为与该商场各商家有关的广告，比如，某火锅广告、某日料广告、某服装广告等。由于临近午饭时间，所以可以针对性选择餐饮相关广告作为目标推荐数据。

在本申请的一个或者多个实施例中，所述设备流动特征的提取方式，包括：利用图卷积网络对所述设备时空数据和所述第二用户数据进行特征提取，将得到的所述图卷积网络的低阶子图表示为设备流动特征。

在实际应用中，在生成设备流动特征的时候，不仅仅要考虑设备自身是设备时空数据，还要考虑历史时间段内与该终端设备有过交互的第二用户的第二用户数据，在使用第二用户数据之前，需要对包括第二用户的基本身份信息、消费数据等敏感数据进行脱敏处理或者进行统计学处理。第二用户数据还包括第二用户针对终端设备曾经提供的针对第二用户的历史目标推广数据的反馈数据，比如，该第二用户是否点击或者选择了终端设备为其推广的广告内容。从而能够得到更加准确的设备流动特征。

例如，利用图构建技术，基于设备时空数据、第二用户数据得到图数据，进而对图数据进行卷积处理，得到不同阶的子图。为了减轻计算量并且能够相对准确表达出上下文关系，作为一种可选方案，可以选择二阶子图输出为设备流动特征。

在本申请的一个或者多个实施例中，所述推广数据特征的提取方式包括：利用预训练的卷积神经网络对所述待推广数据进行特征提取，得到所述推广特征；其中，所述卷积神经网络为基于推广数据训练样本对所述卷积神经网络模型中浅层进行训练后得到的。

在实际应用中，对待推广数据进行处理的时候，可以利用卷积神经网络，比如VGG-16。由于卷积神经网络中层数比较多，利用基础样本完成训练后，在实际应用中，还需要根据实际处理图像类型进行微调。为了减轻微调工作量，可以对该卷积网络中的深层进行固定，仅对浅层进行微调。需要说明的是，对哪些浅层进行微调以及调整到什么程度，需要根据用户实际需求确定。为了减轻调整的工作量、提高调整效率，可以选择少量的浅层进行微调。若此时微调效果不佳，则可以增加需要微调的浅层的数量。通过上述方式，满足对推广数据特征提取需求的同时，尽可能减少对卷积神经网络优化的工作量。

在本申请的一个或者多个实施例中，将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合，包括：

基于注意力机制，确定所述设备流动特征对应的第一权重、所述推广数据特征对应的第二权重以及所述用户特征对应的第三权重；

将所述设备流动特征与所述第一权重，所述推广数据特征与所述第二权重以及所述用户特征与第三权重分别进行点积处理，得到多个模态特征；

利用预设模型对所述多个模态特征进行融合处理。

具体来说，如图3为本申请实施例举例说明的特征融合的示意图。为缓解各种类型数据间的不一致性问题，可以先从每种模态中分别提取特征，然后在特征级别进行融合，即特征融合。由于深度学习中会涉及从原始数据中学习特征的具体表示，从而导致有时需在未抽取特征之前就进行数据融合，因此数据层面和特征层面的融合均称为早期融合。从图3中可以看到，设备流动特征、用户特征和推广数据特征，分别进行点积计算，得到融合特征。

特征融合实现过程中，首先提取各输入模态特征，然后将提取的特征合并到融合特征中，融合特征作为输入数据输入到一个推荐模型中，输出预测结果。各模态特征经转换和缩放处理后产生的融合特征通常具有较高的维度，可以使用主成分分析(PCA)和线性判别分析(LDA)对融合特征进行降维处理。有多种融合方式，常用的方式有对各模态特征进行相同位置元素的相乘或相加、构建编码器—解码器结构和用长短期记忆网络(l ongshort-term memory，LSTM)。

这里所说的权重可以基于注意力(Attent i on)机制来进行计算。如图4为本申请实施例提供的基于权重计算融合的流程示意图。假设现在要对一组输入

H＝[h1,h2,h3,...,hn](比如，用户特征或设备流动特征)使用Attent ion机制计算重要的内容，这里往往需要一个查询向量q，然后通过一个打分函数计算查询向量q和每个输入h i之间的相关性，得出一个分数。接下来使用softmax对这些分数进行归一化，归一化后的结果便是查询向量q在各个输入h i上的注意力分布a＝[a1,a2,a3,...,an]，其中每一项数值和原始的输入H＝[h1,h2,h3,...,hn]一一对应。以a i为例，相关计算公式如下：

a i＝softmax(s(h i,q))＝exp(s(h i,q))∑j＝1nexp(s(hj,q))

其中，打分函数可以使用以下几种方式来计算：

加性模型:s(h,q)＝vTtanh(Wh+Uq)

点积模型:s(h,q)＝hTq

缩放点积模型:s(h,q)＝hTqD

双线性模型:s(h,q)＝hTWq

以上公式中的参数、和W、U和v均是可学习的参数矩阵或向量，D为输入向量的维度。具体用户可以根据需要选择合适的计算方式。

通过上述方案，当对多个不同类型特征进行融合处理的时候，为了能够很好的平衡各个特征的权重，基于注意力机制计算关联系数和融合权重，使得各个特征权重实现自适应调整，进而利用自适应调整得到的融合后的特征来进行推广信息的选择，在满足推广需求的同时，确保多模态特征融合的有效性，并消除多模态融合的不良影响，比如，多模态相互竞争，导致多模态称为单一模态的模型效果，严重影响评估结果的准确性。

在本申请的一个或者多个实施例中，将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型之后，还包括：

将融合后的所述多模态特征输入所述推荐模型；

确定各个所述待推广数据分别对应的点击率；

根据所述点击率，从多个所述待推广数据中确定的针对所述终端设备的目标推广数据；

将所述目标推广数据发送给与所述第一用户产生交互的所述终端设备和/或所述第一用户的所述用户便携设备。

在通过前文所述方式得到融合特征之后，利用推荐模型(比如，点击率模型(C lick-Through-Rate，CTR))来计算各个待推广数据的点击率。在计算得到点击率之后，进一步根据点击率的大小筛选出适用于第一用户的目标推广数据。

需要说明的是，终端设备所推广的目标推广数据的点击反馈结果需要发送给服务器端并由服务器端进行存储，作为该第一用户的用户数据中的一部分，以便作为后续历史用户的用户数据，作为下一次推广数据时所使用的基础数据。通过上述方案，能够更准确的为用户提供推广数据。

例如，终端设备为饮料自助售卖设备，且该自助售卖设备能够与服务器端进行数据交互。在服务器端存储有终端设备标识为ZZSM-1，对应的设备位置为BCD商场，时间为中午11点。待推广数据为与该商场各商家有关的广告，比如，某火锅广告、某日料广告、某服装广告等。由于临近午饭时间，所以可以针对性选择餐饮相关广告作为目标推荐数据。由于服务器端记载的该第一用户历史餐饮消费记录偏辣，而且多次有过火锅消费记录，则利用上述各种类型数据和特征提取器以及CTR模型确定出目标推广数据为某火锅广告。

基于同样的思路，本申请实施例还提供另一种数据处理方法。该方法的执行主体可以是终端设备，所述终端设备为向不固定用户提供服务的设备。如图5为本申请实施例提供的另一种数据处理方法的流程示意图。从图5中可以看到，该方法具体包括如下步骤：

501：响应于第一用户通过客户端的交互请求，获取第一用户标识。

502：将所述第一用户标识和所述终端设备的设备标识发送给服务器端，以便所述服务器端利用特征提取器对所述设备时空数据、所述待推广数据以及所述用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征；将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型；所述用户数据为脱敏数据或统计学数据。

503：接收所述服务器端利用所述推荐模型从多个所述待推广数据中确定的针对所述终端设备的目标推广数据。

该方法对应于说明书附图中图1a所示的***。终端设备能够与服务器建立连接并进行数据交互。这里的用户便携设备不需要参与到推广数据传输任务中，可以由终端设备将获取到的第一用户标识、终端设备标识发送给服务器端，进而有服务器端基于得到的第一用户标识、终端设备标识查找各种类型基础数据，并利用针对不同类型数据的特征提取器进行特征提取并利用推荐模型确定需要推荐给第一用户的目标推广数据。该目标推广数据发送给终端设备，以便第一用户可以通过终端设备了解到目标推广数据的内容，并根据自己的需要决定是否点击该数据。

基于同样的思路，本申请实施例还提供再一种数据处理方法。该方法应用于安装有客户端的用户便携设备。如图6为本申请实施例提供的另一种数据处理方法的流程示意图。从图6中可以看到，该方法具体包括如下步骤：

601：在向终端设备发送交互请求之后，接收携带有设备标识的反馈信息。

602：将当前与所述终端设备交互中的第一用户的第一用户标识和所述终端设备的设备标识发送给服务器端，以便所述服务器端利用特征提取器对所述设备时空数据、所述待推广数据以及所述用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征；将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型；所述用户数据为脱敏数据或统计学数据。

603：接收所述服务器端利用所述推荐模型从多个所述待推广数据中确定的针对所述终端设备的目标推广数据。

该方法对应于说明书附图中图1b所示的***。终端设备不能与服务器建立连接并进行数据交互。这里需要用户便携设备参与到推广数据传输任务中，可以由用户便携设备将获取到的第一用户标识、终端设备标识发送给服务器端，进而有服务器端基于得到的第一用户标识、终端设备标识查找各种类型基础数据，并利用针对不同类型数据的特征提取器进行特征提取并利用推荐模型确定需要推荐给第一用户的目标推广数据。该目标推广数据发送给用户便携设备，以便第一用户可以通过用户便携设备了解到目标推广数据的内容，并根据自己的需要决定是否点击该数据。

基于同样的思路，本身实施例还提供一种数据处理装置。如图7为本申请实施例提供的数据处理装置的结构示意图。从图7中可以看到，所述装置包括：

获取模块71，用于获取与终端设备相关的设备时空数据、待推广数据以及与所述终端设备交互的多个不同用户的用户数据，所述用户数据为脱敏数据或统计学数据，所述终端设备为向不固定用户提供服务的设备。

特征提取模块72，用于利用特征提取器对所述设备时空数据、所述待推广数据以及所述用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征。

特征融合模块73，用于将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型，以便利用所述推荐模型从多个所述待推广数据中确定的针对与所述终端设备交互中的当前用户的目标推广数据。

获取模块71，用于当前第一用户与所述终端设备正在交互时，接收所述终端设备和/或用户便携设备提供的交互请求信息；其中，所述交互请求信息中包含：第一用户标识和终端设备标识；

基于所述第一用户标识确定所述第一用户数据；

根据所述终端设备标识，确定与所述终端设备交互过的第二用户的所述第二用户数据，所述第二用户为多个历史用户。

获取模块71，用于基于所述终端设备标识，确定所述设备时空数据，以及预存的多个所述待推广数据；其中，所述设备时空数据包括：设备空间位置、所述第一用户或所述第二用户与所述终端设备进行交互的时间数据。

特征提取模块72，用于利用图卷积网络对所述设备时空数据和所述第二用户数据进行特征提取，将得到的所述图卷积网络的低阶子图表示为设备流动特征。

特征提取模块72，用于利用预训练的卷积神经网络对所述待推广数据进行特征提取，得到所述推广特征；其中，所述卷积神经网络为基于推广数据训练样本对所述卷积神经网络模型中浅层进行训练后得到的。

特征融合模块73，用于基于注意力机制，确定所述设备流动特征对应的第一权重、所述推广数据特征对应的第二权重以及所述用户特征对应的第三权重；

将所述设备流动特征与所述第一权重，所述推广数据特征与所述第二权重以及所述用户特征与第三权重分别进行点积处理，得到多个模态特征；

利用预设模型对所述多个模态特征进行融合处理。

还包括推广模块74，用于将融合后的所述多模态特征输入所述推荐模型；

确定各个所述待推广数据分别对应的点击率；

根据所述点击率，从多个所述待推广数据中确定的针对所述终端设备的目标推广数据；

将所述目标推广数据发送给与所述第一用户产生交互的所述终端设备和/或所述第一用户的所述用户便携设备。

基于同样的思路，本身实施例还提供另一种数据处理装置。如图8为本申请实施例提供的另一种数据处理装置的结构示意图。从图8中可以看到，所述装置包括：

获取模块81，用于响应于第一用户通过客户端的交互请求，获取第一用户标识。

发送模块82，用于将所述第一用户标识和所述终端设备的设备标识发送给服务器端，以便所述服务器端利用特征提取器对所述设备时空数据、所述待推广数据以及所述用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征；将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型；所述用户数据为脱敏数据或统计学数据。

接收模块83，用于接收所述服务器端利用所述推荐模型从多个所述待推广数据中确定的针对所述终端设备的目标推广数据。

基于同样的思路，本身实施例还提供再一种数据处理装置。如图9为本申请实施例提供的再一种数据处理装置的结构示意图。从图9中可以看到，所述装置包括：

接收模块91，用于在向终端设备发送交互请求之后，接收携带有设备标识的反馈信息。

发送模块92，用于将当前与所述终端设备交互中的第一用户的第一用户标识和所述终端设备的设备标识发送给服务器端，以便所述服务器端利用特征提取器对所述设备时空数据、所述待推广数据以及所述用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征；将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型；所述用户数据为脱敏数据或统计学数据。

所述接收模块91，用于接收所述服务器端利用所述推荐模型从多个所述待推广数据中确定的针对所述终端设备的目标推广数据。

为了便于理解，下面结合实际场景进行举例说明。

用户A在商场刚看完电影，在自动贩卖机上通过扫码购买了饮用水，此时此刻对于商家来说是一个很好的营销机会，但是需要考虑如何能够实现精准推广营销。但是由于用户A相对于自动贩卖机来说是一个新用户，传统营销***无法获取历史行为数据，从而进行精准的营销，营销的内容并不是用户A当前所需的内容，最终错过了该次机会。针对这一现象，可以通过为很多用户提供其他服务的服务器端存储的用户数据、设备时空数据以及待推广数据，利用机器学习模型提取共性，从而可以得知该用户接下来可能会去餐厅吃饭，从而营销美食相关的内容，使得终端设备实现针对第一次交互的新用户的精准推广营销。

进一步地，线下零售场景中，需要结合用户行为，待推广数据(比如，视频广告、图片广告)，设备时空属性等数据综合学习出一个多模态的推荐模型。在此情况下，融合更多不同类型数据的同时，期望得到更加精准的推广结果。但是在实际应用过程中很容易造成单个模态(比如用户特征)主导整个特征构成，造成其他特征(比如，推广数据特征等)无法发挥效果，造成整个多模态***名存实亡。因此，可以采用注意力机制实现的多模态特征融合模块，既可以更好的进行多模态特征的融合，同时也避免了单个模态主导整个***。

本申请一个实施例还提供一种云服务器。该云服务器为计算单元中主节点电子设备。如图10为本申请实施例提供的一种云服务器的结构示意图。该电子设备包括存储器1001、处理器1002及通信组件1003；其中，

所述存储器1001，用于存储程序；

所述处理器1002，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：

获取与终端设备相关的设备时空数据、待推广数据以及与所述终端设备交互的多个不同用户的用户数据，所述用户数据为脱敏数据或统计学数据，所述终端设备为向不固定用户提供服务的设备；

利用特征提取器对所述设备时空数据、所述待推广数据以及所述用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征；

将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型，以便利用所述推荐模型从多个所述待推广数据中确定的针对与所述终端设备交互中的当前用户的目标推广数据。

可选地，处理器1002用于当前第一用户与所述终端设备正在交互时，接收所述终端设备和/或用户便携设备提供的交互请求信息；其中，所述交互请求信息中包含：第一用户标识和终端设备标识；

基于所述第一用户标识确定所述第一用户数据；

根据所述终端设备标识，确定与所述终端设备交互过的第二用户的所述第二用户数据，所述第二用户为多个历史用户。

可选地，处理器1002用于基于所述终端设备标识，确定所述设备时空数据，以及预存的多个所述待推广数据；其中，所述设备时空数据包括：设备空间位置、所述第一用户或所述第二用户与所述终端设备进行交互的时间数据。

可选地，处理器1002用于利用图卷积网络对所述设备时空数据和所述第二用户数据进行特征提取，将得到的所述图卷积网络的低阶子图表示为设备流动特征。

可选地，处理器1002用于利用预训练的卷积神经网络对所述待推广数据进行特征提取，得到所述推广特征；其中，所述卷积神经网络为基于推广数据训练样本对所述卷积神经网络模型中浅层进行训练后得到的。

可选地，处理器1002用于基于注意力机制，确定所述设备流动特征对应的第一权重、所述推广数据特征对应的第二权重以及所述用户特征对应的第三权重；

将所述设备流动特征与所述第一权重，所述推广数据特征与所述第二权重以及所述用户特征与第三权重分别进行点积处理，得到多个模态特征；

利用预设模型对所述多个模态特征进行融合处理。

可选地，处理器1002用于将融合后的所述多模态特征输入所述推荐模型；

确定各个所述待推广数据分别对应的点击率；

根据所述点击率，从多个所述待推广数据中确定的针对所述终端设备的目标推广数据；

将所述目标推广数据发送给与所述第一用户产生交互的所述终端设备和/或所述第一用户的所述用户便携设备。

上述存储器1001可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

进一步地，本实施例中的所述处理器1002可以具体是：可编程交换处理芯片，该可编程交换处理芯片中配置有数据复制引擎，能对接收到的数据进行复制。

上述处理器1002在执行存储器中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。进一步，如图10所示，电子设备还包括：电源组件1004等其它组件。

本申请实施例还提供一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行图2对应实施例所述的方法。

本申请一个实施例还提供另一种电子设备。该电子设备为计算单元中主节点电子设备。该电子设备为向不固定用户提供服务的设备。如图11为本申请实施例提供的另一种电子设备的结构示意图。该电子设备包括存储器1101、处理器1102及通信组件1103；其中，

所述存储器1101，用于存储程序；

所述处理器1102，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：

响应于第一用户通过客户端的交互请求，获取第一用户标识；

将所述第一用户标识和所述终端设备的设备标识发送给服务器端，以便所述服务器端利用特征提取器对所述设备时空数据、所述待推广数据以及所述用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征；将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型；所述用户数据为脱敏数据或统计学数据；

接收所述服务器端利用所述推荐模型从多个所述待推广数据中确定的针对所述终端设备的目标推广数据。

上述存储器1101可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

进一步地，本实施例中的所述处理器1102可以具体是：可编程交换处理芯片，该可编程交换处理芯片中配置有数据复制引擎，能对接收到的数据进行复制。

上述处理器1102在执行存储器中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。进一步，如图11所示，电子设备还包括：电源组件1104等其它组件。

本申请实施例还提供一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行图5对应实施例所述的方法。

本申请一个实施例还提供再一种电子设备。该电子设备为计算单元中主节点电子设备。如图12为本申请实施例提供的再一种电子设备的结构示意图。该电子设备包括存储器1201、处理器1202及通信组件1203；其中，

所述存储器1201，用于存储程序；

所述处理器1202，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于：

在向终端设备发送交互请求之后，接收携带有设备标识的反馈信息；

将当前与所述终端设备交互中的第一用户的第一用户标识和所述终端设备的设备标识发送给服务器端，以便所述服务器端利用特征提取器对所述设备时空数据、所述待推广数据以及所述用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征；将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型；所述用户数据为脱敏数据或统计学数据；

接收所述服务器端利用所述推荐模型从多个所述待推广数据中确定的针对所述终端设备的目标推广数据。

上述存储器1201可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

进一步地，本实施例中的所述处理器1202可以具体是：可编程交换处理芯片，该可编程交换处理芯片中配置有数据复制引擎，能对接收到的数据进行复制。

上述处理器1202在执行存储器中的程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面各实施例的描述。进一步，如图12所示，电子设备还包括：电源组件1204等其它组件。

本申请实施例还提供一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行图6对应实施例所述的方法。

基于上述实施例，在线下场景中，有些终端设备不是向唯一用户提供服务的，而是向不固定用户提供服务的设备。服务器端能够直接或者间接为终端设备提供推广数据，为了使得推广数据更加符合当前正在与终端设备进行交互的第一用户的需求，服务器端将更全面的获取数据，这些数据包括设备时空数据、待推广数据以及与该终端设备交互(包括：当前正在交互以及交互过)的多个不同用户的用户数据，需要强调的是，用户数据为脱敏数据或统计学数据。进而，利用特征提取器进行特征提取，得到分别对应的特征为：由指定子图表示的设备流动特征、推广数据特征以及用户特征。进而将对应于不同数据类型的特征进行融合，通过推荐模型确定出适合于当前与终端设备进行交互的用户的目标推广数据。与终端设备具有交互行为的多个用户往往具有相同或相似特征，因此，在兼顾计算效率和特征提取效果的情况下，可以选择指定子图表示作为设备流动特征，能够全面体现出与该终端设备有交互行为的多个用户的共同特征，同时能够有效降低计算量。此外，服务于用户流动性较大终端设备所经历的用户数据进行收集，并利用对应的特征提取器准确提取到终端设备的终端流动特征，进而能够综合当前用户的用户特征，待推广数据的推广数据特征以及设备流动特征综合评估该通过该终端设备推荐给该用户的目标推广数据，能够有效提高终端设备进行数据推广时的准确率，使得用户能够在陌生终端设备上得到自己所需的推广数据。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (13)

1.一种数据处理方法，其特征在于，应用于服务器端，所述方法包括：

获取与终端设备相关的设备时空数据、待推广数据以及与所述终端设备交互的多个不同用户的用户数据，所述用户数据为脱敏数据或统计学数据，所述终端设备为向不固定用户提供服务的设备；

利用特征提取器对所述设备时空数据、所述待推广数据以及所述用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征；

将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型，以便利用所述推荐模型从多个所述待推广数据中确定的针对与所述终端设备交互中的当前用户的目标推广数据。

2.根据权利要求1所述的方法，其特征在于，获取与所述终端设备交互的多个不同用户的用户数据，包括：

当前第一用户与所述终端设备正在交互时，接收所述终端设备和/或用户便携设备提供的交互请求信息；其中，所述交互请求信息中包含：第一用户标识和终端设备标识；

基于所述第一用户标识确定所述第一用户数据；

根据所述终端设备标识，确定与所述终端设备交互过的第二用户的所述第二用户数据，所述第二用户为多个历史用户。

3.根据权利要求2所述的方法，其特征在于，获取与终端设备相关的设备时空数据、待推广数据，包括：

基于所述终端设备标识，确定所述设备时空数据，以及预存的多个所述待推广数据；其中，所述设备时空数据包括：设备空间位置、所述第一用户或所述第二用户与所述终端设备进行交互的时间数据。

4.根据权利要求2所述的方法，其特征在于，所述设备流动特征的提取方式，包括：

利用图卷积网络对所述设备时空数据和所述第二用户数据进行特征提取，将得到的所述图卷积网络的低阶子图表示为设备流动特征。

5.根据权利要求1所述的方法，其特征在于，所述推广数据特征的提取方式包括：

利用预训练的卷积神经网络对所述待推广数据进行特征提取，得到所述推广特征；其中，所述卷积神经网络为基于推广数据训练样本对所述卷积神经网络模型中浅层进行训练后得到的。

6.根据权利要求2所述的方法，其特征在于，将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合，包括：

基于注意力机制，确定所述设备流动特征对应的第一权重、所述推广数据特征对应的第二权重以及所述用户特征对应的第三权重；

将所述设备流动特征与所述第一权重，所述推广数据特征与所述第二权重以及所述用户特征与第三权重分别进行点积处理，得到多个模态特征；

利用预设模型对所述多个模态特征进行融合处理。

7.根据权利要求6所述的方法，其特征在于，将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型之后，还包括：

将融合后的所述多模态特征输入所述推荐模型；

确定各个所述待推广数据分别对应的点击率；

根据所述点击率，从多个所述待推广数据中确定的针对所述终端设备的目标推广数据；

将所述目标推广数据发送给与所述第一用户产生交互的所述终端设备和/或所述第一用户的所述用户便携设备。

8.一种数据处理方法，其特征在于，应用于终端设备，所述终端设备为向不固定用户提供服务的设备，所述方法包括：

响应于第一用户通过客户端的交互请求，获取第一用户标识；

将所述第一用户标识和所述终端设备的设备标识发送给服务器端，以便所述服务器端利用特征提取器对设备时空数据、待推广数据以及用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征；将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型；所述用户数据为脱敏数据或统计学数据；

接收所述服务器端利用所述推荐模型从多个所述待推广数据中确定的针对所述终端设备的目标推广数据。

9.一种数据处理方法，其特征在于，应用于安装有客户端的用户便携设备，所述方法包括：

在向终端设备发送交互请求之后，接收携带有设备标识的反馈信息；

将当前与所述终端设备交互中的第一用户的第一用户标识和所述终端设备的设备标识发送给服务器端，以便所述服务器端利用特征提取器对设备时空数据、待推广数据以及用户数据进行特征提取，得到由指定子图表示的设备流动特征、推广数据特征以及用户特征；将所述设备流动特征、所述推广数据特征以及所述用户特征进行多模态融合并输入推荐模型；所述用户数据为脱敏数据或统计学数据；

接收所述服务器端利用所述推荐模型从多个所述待推广数据中确定的针对所述终端设备的目标推广数据。

10.一种数据处理***，其特征在于，所述***包括：

服务器端，用于执行权利要求1至7中任一项所述的方法；

终端设备，用于执行权利要求8所述的方法。

11.一种数据处理***，其特征在于，所述***包括：

服务器端，用于执行权利要求1至7中任一项所述的方法；

用户便携设备，用于执行权利要求9所述的方法。

12.一种云服务器，包括存储器及处理器；其中，

所述存储器，用于存储程序；

所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以用于实现上述执行权利要求1至7中任一项所述的方法。

13.一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如执行权利要求1至7中任一项所述的方法，或者权利要求8所述的方法，或者权利要求9所述的方法。

Images