CN117216378A - 一种数据处理方法及其装置 - Google Patents

Abstract

一种数据处理方法，应用于人工智能领域，包括：获取多个序列，每个序列包括用户对一个数据源中存在交互行为的物品的特征表示，所述数据源包括目标数据源；根据每个所述序列中物品的特征之间的关系，确定所述用户对于每个数据源的第一偏好特征；根据所述目标数据源与其他每个数据源之间的关联值，将多个数据源的偏好特征进行融合，得到第二偏好特征；将目标物品的特征表示与所述目标数据源对应的第二偏好特征进行融合，并通过推荐模型处理融合结果，得到推荐信息。本申请通过将提取的用户针对多数据源的偏好，融合至物品的特征中，使得推荐模型得到的结果具备更高的个性化程度，提高了推荐模型的精度。

Description

一种数据处理方法及其装置

技术领域

本申请涉及人工智能领域，尤其涉及一种数据处理方法及其装置。

背景技术

人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

现有的混排工作无法有效地学习到用户的实时偏好。现有混排工作都是“云侧”模型：用户请求由端侧(即用户移动设备)发往云侧，模型部署在云侧进行推理，并将混排好的列表发送到端侧。这种架构充分利用了云端服务器的能力，但由于网络带宽和延迟，云侧模型无法感知到用户的及时兴趣变化，可能会导致混排的效果不理想。例如，如下图所示，假设我们在混排图片、文本、视频三类推送内容，云端的历史行为显示用户喜欢视频和文本类推送，而设备则显示用户最近点击了图片推送，这可能意味着用户对图片产生了新的兴趣，但云侧模型因为网络带宽和延迟无法获取到用户最近的行为，因而无法感知用户最新的兴趣。

随着移动设备计算能力和存储容量的持续扩大，边缘计算(Edge computing)使得在端侧设备上进行推理甚至训练成为可能。端侧模型可以访问完整的用户行为，从而可以感知用户兴趣的实时变化并作出实时响应。因此，本发明提出将混排模型放置在端侧设备上，以充分利用用户实时行为。云服务器将混排模型和候选物品传送到边缘设备，然后设备上的模型利用实时行为进行混排，并直接将混排结果列表展示给用户。

在混排时，候选物品来自不同的数据源。现有技术中，直接将不同的数据源的异构行为转化为单一偏好向量，忽视了用户对于不同数据源的多层级偏好，从而导致推荐模型进行混排时的推荐精度较低。

发明内容

第一方面，本申请提供了一种数据处理方法，所述方法包括：获取多个序列，每个序列包括用户对一个数据源中存在交互行为的物品的特征表示，所述数据源包括目标数据源；根据每个所述序列中物品的特征之间的关系，确定所述用户对于每个数据源的第一偏好特征；根据所述目标数据源与其他每个数据源之间的关联值，将多个数据源的偏好特征进行融合，得到所述用户对于所述目标数据源的第二偏好特征；获取目标物品的特征表示；所述目标物品为所述目标数据源的物品；将所述目标物品的特征表示与所述目标数据源对应的第二偏好特征进行融合，并通过推荐模型处理融合结果，得到向所述用户进行所述目标物品的推荐的推荐信息。

本申请实施例通过将提取的用户针对多数据源的偏好，融合至物品的特征中，使得推荐模型得到的结果具备更高的个性化程度，提高了推荐模型的精度。

在一种可能的实现中，所述方法还包括：根据所述推荐信息和对应的标签，更新所述关联值和所述推荐模型。

在一种可能的实现中，所述根据所述目标数据源与其他数据源之间的关联值，将多个数据源的偏好特征进行融合，包括：将所述关联值作为权重，对多个数据源的偏好特征进行加权。

在一种可能的实现中，所述方法还包括：将所述用户对所述目标数据源的第二偏好特征与对其他数据源的偏好特征通过注意力机制进行交互，得到交互后的所述第二偏好特征；所述将所述目标物品的特征表示与所述目标数据源对应的第二偏好特征进行融合，包括：将所述目标物品的特征表示与所述交互后的所述第二偏好特征进行融合。

本申请实施例中，将用户历史按照不同数据来源分成多个子序列，且建模数据源内部，以及数据源之间的交互。此外，还可以通过线性和高阶表示共享，将偏好从热门来源迁移至冷门来源，输出用户在每个数据源上的偏好表征向量。

在一种可能的实现中，所述通过推荐模型处理融合结果，包括：通过推荐模型处理融合结果、所述第二偏好特征以及所述目标物品的特征表示。

在一种可能的实现中，所述方法还包括：通过神经网络，处理所述用户对于多个数据源的偏好特征的融合结果，得到所述用户的个性化参数；根据所述个性化参数对所述推荐信息进行调整。

本申请实施例将提取到的多层级偏好与候选物品的特征融合，偏好自适应生成器生成一组个性化参数，增强模型的个性化能力。

在一种可能的实现中，所述神经网络为多层感知机。

在一种可能的实现中，所述推荐模型的全部或部分部署在端侧。

第二方面，本申请提供了一种数据处理装置，所述装置包括：

获取模块，用于获取多个序列，每个序列包括用户对一个数据源中存在交互行为的物品的特征表示，所述数据源包括目标数据源；

处理模块，用于根据每个所述序列中物品的特征之间的关系，确定所述用户对于每个数据源的第一偏好特征；

根据所述目标数据源与其他每个数据源之间的关联值，将多个数据源的偏好特征进行融合，得到所述用户对于所述目标数据源的第二偏好特征；

获取目标物品的特征表示；所述目标物品为所述目标数据源的物品；

将所述目标物品的特征表示与所述目标数据源对应的第二偏好特征进行融合，并通过推荐模型处理融合结果，得到向所述用户进行所述目标物品的推荐的推荐信息。

在一种可能的实现中，所述处理模块，还用于：

根据所述推荐信息和对应的标签，更新所述关联值和所述推荐模型。

在一种可能的实现中，所述处理模块，具体用于：

将所述关联值作为权重，对多个数据源的偏好特征进行加权。

在一种可能的实现中，所述处理模块，还用于：

将所述用户对所述目标数据源的第二偏好特征与对其他数据源的偏好特征通过注意力机制进行交互，得到交互后的所述第二偏好特征；

所述处理模块，具体用于：

将所述目标物品的特征表示与所述交互后的所述第二偏好特征进行融合。

在一种可能的实现中，所述处理模块，具体用于：

通过推荐模型处理融合结果、所述第二偏好特征以及所述目标物品的特征表示。

在一种可能的实现中，所述处理模块，还用于：

通过神经网络，处理所述用户对于多个数据源的偏好特征的融合结果，得到所述用户的个性化参数；

根据所述个性化参数对所述推荐信息进行调整。

在一种可能的实现中，所述神经网络为多层感知机。

在一种可能的实现中，所述推荐模型的全部或部分部署在端侧。

第三方面，本申请实施例提供了一种数据处理装置，可以包括存储器、处理器以及总线***，其中，存储器用于存储程序，处理器用于执行存储器中的程序，以执行如上述第一方面及其任一可选的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面及其任一可选的方法。

第五方面，本申请实施例提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面及其任一可选的方法。

第六方面，本申请提供了一种芯片***，该芯片***包括处理器，用于支持执行数据处理装置实现上述方面中所涉及的功能，例如，发送或处理上述方法中所涉及的数据；或，信息。在一种可能的设计中，所述芯片***还包括存储器，所述存储器，用于保存执行设备或训练设备必要的程序指令和数据。该芯片***，可以由芯片构成，也可以包括芯片和其他分立器件。

附图说明

图1为人工智能主体框架的一种结构示意图；

图2为本申请实施例提供的一种***架构的示意图；

图3为本申请实施例提供的一种***架构的示意图；

图4为本申请实施例提供的一种推荐场景的示意图；

图5为本申请实施例提供的一种数据处理方法的流程示意；

图6为本申请实施例提供的一种数据处理方法的处理示意；

图7为本申请实施例提供的一种软件架构示意；

图8为本申请实施例的一种效果示意；

图9为本申请实施例的一种部署示意；

图10为本申请实施例提供的数据处理装置的一种结构示意图；

图11为本申请实施例提供的执行设备的一种结构示意图；

图12为本申请实施例提供的训练设备一种结构示意图；

图13为本申请实施例提供的芯片的一种结构示意图。

具体实施方式

下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释，而非旨在限定本发明。

下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、***、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。

首先对人工智能***总体工作流程进行描述，请参见图1，图1示出的为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到***的产业生态过程，反映人工智能为信息技术产业带来的价值。

(1)基础设施

基础设施为人工智能***提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算***中的智能芯片进行计算。

(2)数据

基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有***的业务数据以及力、位移、液位、温度、湿度等感知数据。

(3)数据处理

数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。

其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。

推理是指在计算机或智能***中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。

决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。

(4)通用能力

对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用***，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。

(5)智能产品及行业应用

智能产品及行业应用指人工智能***在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。

本申请实施例可以应用于信息推荐领域，该场景包括但不限于涉及电商产品推荐、搜索引擎结果推荐、应用市场推荐、音乐推荐、视频推荐等场景，各种不同应用场景中被推荐的物品也可以称为“对象”以方便后续描述，即在不同的推荐场景中，推荐对象可以是APP，或者视频，或者音乐，或者某款商品(如线上购物平台的呈现界面，会根据用户的不同而显示不同的商品进行呈现，这实质也可以是通过推荐模型的推荐结果来进行呈现)。这些推荐场景通常涉及用户行为日志采集、日志数据预处理(例如，量化、采样等)、样本集训练以获得推荐模型、根据推荐模型对训练样本项对应的场景中所涉及的对象(如APP、音乐等)进行分析处理、例如，推荐模型训练环节中所选择的样本来自于手机应用市场用户对于所推荐APP的操作行为，则由此所训练出来的推荐模型则适用于上述手机APP应用市场，或者可以用于其它的类型的终端的APP应用市场进行终端APP的推荐。推荐模型将最终计算出各个待推荐对象的推荐概率或者分值，推荐***根据一定的选择规则选定的推荐结果，例如按照推荐概率或者分值进行排序，通过相应的应用或者终端设备呈现给用户、用户对推荐结果中的对象进行操作以生成用户行为日志等环节。

参照图4，在推荐过程中，当一个用户与推荐***进行交互会触发一个推荐请求，推荐***会将该请求及其相关的特征信息输入到部署的推荐模型中，然后预测用户对所有候选对象的点击率。随后，根据预测的点击率对候选对象进行降序排列，按顺序将候选对象展示在不同的位置作为对用户的推荐结果。用户对展示的项目进行浏览并发生用户行为，如浏览、点击和下载等。这些用户行为会被存入日志中作为训练数据，通过离线训练模块不定期地更新推荐模型的参数，提高模型的推荐效果。

比如，用户打开手机应用市场即可触发应用市场的推荐模块，应用市场的推荐模块会根据用户的历史下载记录、用户点击记录，应用的自身特征，时间、地点等环境特征信息，预测用户对给定的各个候选应用的下载可能性。根据预测的结果，应用市场按照可能性降序展示，达到提高应用下载概率的效果。具体来说，将更有可能下载的应用排在靠前的位置，将不太可能下载的应用排列在靠后的位置。而用户的行为也会存入日志并通过离线训练模块对预测模型的参数进行训练和更新。

又比如，在终身伴侣相关的应用中，可以基于用户在视频、音乐、新闻等域的历史数据，通过各种模型和算法，仿照人脑机制，构建认知大脑，搭建用户终身学习***框架。终身伴侣可以根据***数据和应用数据等来记录用户过去发生的事件，理解用户的当前意图，预测用户未来的动作或行为，最终实现智能服务。在当前第一阶段，根据音乐APP、视频APP和浏览器APP等获取用户的行为数据(包含端侧短信、照片、邮件事件等信息)，一方面构建用户画像***，另一方面实现基于用户信息过滤、关联分析、跨域推荐、因果推理等的学习与记忆模块，构建用户个人知识图谱。

接下来介绍本申请实施例的应用架构。

参见附图2，本发明实施例提供了一种推荐***架构200。数据采集设备260用于采集样本，一个训练样本可以由多个特征信息(或者描述为属性信息，例如用户属性以及物品属性)组成，特征信息可以有多种，具体可以包括用户特征信息和对象特征信息以及标签特征，用户特征信息用于表征用户的特征，例如性别，年龄，职业，爱好等，对象特征信息用于表征向用户所推送的对象的特征，不同的推荐***对应不同的对象，不同的对象所需要提取的特征类型也不想同，例如APP市场的训练样本中所提取的对象特征可以为，APP的名称(标识)，类型，大小等；而电商类APP的训练样本中所提起的对象特征可以为，商品的名称，所属的类别，价格区间等；标签特征，则是用于表示这个样本是正例还是负例，通常样本的标签特征可以通过用户对所推荐对象的操作信息所获的，用户对所推荐对象有进行操作的样本为正例，用户对所推荐对象没有进行操作，或者仅浏览的样本为负例，例如当用户点击或者下载或者购买了所推荐的对象，则所述标签特征为1，表示该样本是正例，而如果用户没有对所推荐的对象进行任何操作，则所述标签特征为0，表示该样本是负例。

样本在采集后可以保存在数据库230中，数据库230中的样本中的部分或全部特征信息也可以直接从客户设备240中获取，如用户特征信息，用户对对象的操作信息(用于确定类型标识)，对象特征信息(如对象标识)等。训练设备220基于数据库230中样本训练获取模型参数矩阵用于生成推荐模型201。推荐模型201能够用于对大量对象进行评估从而得出各个待推荐对象的分值，进一步的还可以从大量对象的评估结果中推荐指定或者预设数目个对象，计算模块211基于推荐模型201的评估结果获取推荐结果，通过I/O接口212推荐给客户设备。

训练设备220基于样本训练获得模型参数矩阵后用于构建推荐模型201后，将推荐模型201发送给执行设备210，或者直接将模型参数矩阵发送给执行设备210，在执行设备210中构建推荐模型，用于进行相应***的推荐，例如基于视频相关的样本训练获得的推荐模型可以用于视频网站或APP中对用户进行视频的推荐，基于APP相关的样本训练获得的推荐模型可以用于应用市场中对用户进行APP的推荐。

执行设备210配置有I/O接口212，与外部设备进行数据交互，执行设备210可以通过I/O接口212从客户设备240获取用户特征信息，例如用户标识、用户身份、性别、职业、爱好等，此部分信息也可以从***数据库中获取。推荐模型201基于用户特征信息和待推荐对象特征信息向用户推荐目标推荐对象。执行设备210可以设置在云端服务器中，也可以设置于用户客户端中。

执行设备210可以调用数据存储***250中的数据、代码等，同时也可以将输出的数据存入数据存储***250中。数据存储***250可以设置于执行设备210中，也可以独立设置，或者设置于其他网络实体中，数量可以是一个也可以是多个。

计算模块211使用推荐模型201对用户特征信息，待推荐对象特征信息进行处理，例如，该计算模块211使用推荐模型201对用户特征信息，以及待推荐对象的特征信息进行分析处理，从而得出该待推荐对象的分值，对待推荐对象按照分值进行排序，其中，排序靠前的对象将作为推荐给客户设备240的对象。

最后，I/O接口212将推荐结果返回给客户设备240，呈现给用户。

更深层地，训练设备220可以针对不同的目标，基于不同的样本特征信息生成相应的推荐模型201，以给用户提供更佳的结果。

值得注意的，附图2仅是本发明实施例提供的一种***架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在附图2中，数据存储***250相对执行设备210是外部存储器，在其它情况下，也可将数据存储***250置于执行设备210中。

在本申请实施例中，该训练设备220、执行设备210、客户设备240可以分别为三个不同的物理设备，也可能该训练设备220和执行设备210在同一个物理设备或者一个集群上，也可能该执行设备210与该客户设备240在同一个物理设备或者一个集群上。

参见附图3，是本发明实施例提的一种***架构300。在此架构中执行设备210由一个或多个服务器实现，可选的，与其它计算设备配合，例如：数据存储、路由器、负载均衡器等设备；执行设备210可以布置在一个物理站点上，或者分布在多个物理站点上。执行设备210可以使用数据存储***250中的数据，或者调用数据存储***250中的程序代码实现对象推荐的功能，具体地，将待推荐的对象的信息输入到推荐模型中，推荐模型为每个待推荐对象生成预估分数，然后按照预估分数从高到低的顺序进行排序，按照排序结果向用户推荐该待推荐对象。例如，将排序结果中的前10个对象推荐给用户。

其中，数据存储***250用于接收和存储训练设备发送的推荐模型的参数，以及用于存储通过推荐模型得到的推荐结果的数据，当然还可能包括该存储***250正常运行所需的程序代码(或指令)。数据存储***250可以为部署在执行设备210以外的一个设备或者多个设备构成的分布式存储集群，此时，当执行设备210需要使用存储***250上的数据时，可以由存储***250向执行设备210发送该执行设备所需的数据，相应地，该执行设备210接收并存储(或者缓存)该数据。当然数据存储***250也可以部署在执行设备210内，当部署在执行设备210内时，该分布式存储***可以包括一个或者多个存储器，可选的，存在多个存储器时，不同的存储器用于存储不同类型的数据，如通过训练设备生成的推荐模型的模型参数和通过推荐模型得到的推荐结果的数据可以分别存储在两个不同的存储器上。

用户可以操作各自的用户设备(例如本地设备301和本地设备302)与执行设备210进行交互。每个本地设备可以表示任何计算设备，例如个人计算机、计算机工作站、智能手机、平板电脑、智能摄像头、智能汽车或其他类型蜂窝电话、媒体消费设备、可穿戴设备、机顶盒、游戏机等。

每个用户的本地设备可以通过任何通信机制/通信标准的通信网络与执行设备210进行交互，通信网络可以是广域网、局域网、点对点连接等方式，或它们的任意组合。

在另一种实现中，执行设备210可以由本地设备实现，例如，本地设备301可以基于推荐模型实现执行设备210的的推荐功能获取用户特征信息并向用户反馈推荐结果，或者为本地设备302的用户提供服务。

由于本申请实施例涉及大量神经网络的应用，为了便于理解，下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。

1、点击概率(click-throughrate，CTR)

点击概率又可以称为点击率，是指网站或者应用程序上推荐信息(例如，推荐物品)被点击次数和曝光次数之比，点击率通常是推荐***中衡量推荐***的重要指标。

2、个性化推荐***

个性化推荐***是指根据用户的历史数据(例如本申请实施例中的操作信息)，利用机器学习算法进行分析，并以此对新请求进行预测，给出个性化的推荐结果的***。

3、离线训练(offlinetraining)

离线训练是指在个性化推荐***中，根据用户的历史数据(例如本申请实施例中的操作信息)，对推荐模型参数按照器学习的算法进行迭代更新直至达到设定要求的模块。

4、在线预测(onlineinference)

在线预测是指基于离线训练好的模型，根据用户、物品和上下文的特征预测该用户在当前上下文环境下对推荐物品的喜好程度，预测用户选择推荐物品的概率。

5、混合重排序:简称混排。通常作为推荐***的最后一个阶段。商用推荐***通常分为“召回-精排-重排序(混排)”等多个阶段。混排***以来自不同上游数据源(例如新闻、视频、照片、广告等)的多个排序列表作为输入，输出一个合并后混合的物品列表。

6、边缘计算：边缘计算是一种致力于使计算尽可能靠近数据源、以减少延迟和带宽使用的网络计算方式。边缘计算旨在云端运行更少的进程，将这些进程移动到本地，例如用户的移动设备、IoT设备或边缘服务器。将计算放到网络边缘可以最大程度地减少客户端和服务器之间必须进行的长距离通信量。

7、推荐***整体效用(utility)：推荐列表平均点击率、转化率、收入。不仅仅考虑推荐单个物品的点击率，而是考虑推荐列表整体的平均点击次数。

8、“千人千模”：指不同用户，推荐模型参数不同。

例如，图3是本申请实施例提供的推荐***的示意图。如图3所示，当一个用户进入统，会触发一个推荐的请求，推荐***会将该请求及其相关信息(例如本申请实施例中的操作信息)输入到推荐模型，然后预测用户对***内的物品的选择率。进一步，根据预测的选择率或基于该选择率的某个函数将物品降序排列，即推荐***可以按顺序将物品展示在不同的位置作为对用户的推荐结果。用户浏览不同的处于位置的物品并发生用户行为，如浏览、选择以及下载等。同时，用户的实际行为会存入日志中作为训练数据，通过离线训练模块不断更新推荐模型的参数，提高模型的预测效果。

例如，用户打开智能终端(例如，手机)中的应用市场即可触发应用市场中的推荐***。应用市场的推荐***会根据用户的历史行为日志，例如，用户的历史下载记录、用户选择记录，应用市场的自身特征，比如时间、地点等环境特征信息，预测用户下载推荐的各个候选APP的概率。根据计算的结果，应用市场的推荐***可以按照预测的概率值大小降序展示候选APP，从而提高候选APP的下载概率。

示例性地，可以将预测的用户选择率较高的APP展示在靠前的推荐位置，将预测的用户选择率较低的APP展示在靠后的推荐位置。

上述推荐模型可以是神经网络模型，下面对本申请实施例可能涉及的神经网络的相关术语和概念进行介绍。

(1)神经网络

神经网络可以是由神经单元组成的，神经单元可以是指以xs(即输入数据)和截距1为输入的运算单元，该运算单元的输出可以为：

其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入，激活函数可以是sigmoid函数。神经网络是将多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。

(2)深度神经网络

深度神经网络(Deep Neural Network，DNN)，也称多层神经网络，可以理解为具有很多层隐含层的神经网络，这里的“很多”并没有特别的度量标准。从DNN按不同层的位置划分，DNN内部的神经网络可以分为三类：输入层，隐含层，输出层。一般来说第一层是输入层，最后一层是输出层，中间的层数都是隐含层。层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂，但是就每一层的工作来说，其实并不复杂，简单来说就是如下线性关系表达式：其中，/>是输入向量，/>是输出向量，/>是偏移向量，W是权重矩阵(也称系数)，α()是激活函数。每一层仅仅是对输入向量/>经过如此简单的操作得到输出向量/>由于DNN层数多，则系数W和偏移向量/>的数量也就很多了。这些参数在DNN中的定义如下所述：以系数W为例：假设在一个三层的DNN中，第二层的第4个神经元到第三层的第2个神经元的线性系数定义为/>上标3代表系数W所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4。总结就是：第L-1层的第k个神经元到第L层的第j个神经元的系数定义为/>需要注意的是，输入层是没有W参数的。在深度神经网络中，更多的隐含层让网络更能够刻画现实世界中的复杂情形。理论上而言，参数越多的模型复杂度越高，“容量”也就越大，也就意味着它能完成更复杂的学习任务。训练深度神经网络的也就是学习权重矩阵的过程，其最终目的是得到训练好的深度神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。

(3)损失函数

在训练深度神经网络的过程中，因为希望深度神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为深度神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。

(4)反向传播算法

可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始模型中参数的大小，使得模型的误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始模型中的参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的模型参数，例如权重矩阵。

(5)机器学习***

基于输入数据和标签，通过梯度下降等优化方法训练机器学习模型的参数，最终利用训练得到的模型来完成未知数据的预测。

(6)个性化推荐***

根据用户的历史数据，利用机器学习算法进行分析和建模，并以此对新的用户请求进行预测，给出个性化的推荐结果的***。

混合重排序(也称为多源再排序，简称混排)是一个快速发展的领域，在工业界有非常多的应用场景。与传统的单一数据源重排序不同，混排***以来自不同上游数据源(例如新闻、视频、照片、广告等)的多个排序列表作为输入，输出一个合并后混合的物品列表。不同数据源的物品通常存在于不同的特征空间(即异构性)，并且各个排序列表是由不同的排序模型分别排序的，所得到的各个数据源的物品打分不能直接比较，因此需要混排模型对各个数据源的物品重新统一打分再进行排序。混排的基本目标是优化整体列表效用(例如列表整体点击数)，但同时也可能存在其他目标，如排序的公平性。作为推荐***的最后阶段，混排的质量受到用户实时行为的影响。用户实时行为包含了丰富的关于用户喜好和兴趣的信息，可以用于更好地学习用户的个性化偏好。

因此，亟需一种对原始的序列推荐数据集进行数据增强的方法。

现有的混排工作无法有效地学习到用户的实时偏好。现有混排工作都是“云侧”模型：用户请求由端侧(即用户移动设备)发往云侧，模型部署在云侧进行推理，并将混排好的列表发送到端侧。这种架构充分利用了云端服务器的能力，但由于网络带宽和延迟，云侧模型无法感知到用户的及时兴趣变化，可能会导致混排的效果不理想。例如，如下图所示，假设我们在混排图片、文本、视频三类推送内容，云端的历史行为显示用户喜欢视频和文本类推送，而设备则显示用户最近点击了图片推送，这可能意味着用户对图片产生了新的兴趣，但云侧模型因为网络带宽和延迟无法获取到用户最近的行为，因而无法感知用户最新的兴趣。

随着移动设备计算能力和存储容量的持续扩大，边缘计算(Edge computing)使得在端侧设备上进行推理甚至训练成为可能。端侧模型可以访问完整的用户行为，从而可以感知用户兴趣的实时变化并作出实时响应。因此，本发明提出将混排模型放置在端侧设备上，以充分利用用户实时行为。云服务器将混排模型和候选物品传送到边缘设备，然后设备上的模型利用实时行为进行混排，并直接将混排结果列表展示给用户。

然而，在端侧部署混排模型主要面临以下两个主要挑战：

1)如何从异构且不平衡的用户行为中提取用户对不同数据源的偏好。用户对不同数据源的偏好通常有两个层次：对不同数据源的高层次偏好和对每个数据源内的细粒度偏好。例如，用户可能更喜欢视频而不是文章，同时可能在视频源中喜欢美食，在文章源中偏爱社交新闻。之前的研究直接将异构行为转化为单一偏好向量，忽视了用户对于不同数据源的多层级偏好。更重要的是，先前的工作没有解决多源用户行为不平衡的问题。用户在某些热门数据源上可能有大量行为，而在其他冷门数据源上的行为非常稀少，这使得学习用户对稀疏数据源的实际偏好变得尤为困难。实际上，用户历史中缺少冷门数据源的物品并不一定意味着用户对该源不感兴趣，可能只是因为最近没有向用户推荐该类物品。因此，利用不同数据源之间的相关性来推断用户对冷源的偏好是有益的。

2)如何有效利用提取到的个性化偏好与候选物品之间的相关性。一方面，候选物品来自不同的数据源，而用户对每个数据源的偏好对候选物品的影响程度不同。例如，用户对视频数据源的偏好对视频候选物品的影响更大，但对文章候选物品的影响较小。因此，对于混排来说，将用户偏好与相应的候选物品对齐是至关重要的。然而，现有的工作简单地将候选物品与一个包含来自多个数据源的混合偏好的向量连接在一起，这可能会引入干扰和噪声，影响最终推荐效果。另一方面，由于在边缘计算中模型距离用户更近，因此对于模型个性化的期望要比云侧高得多。然而，工业界的常见做法是在云端训练模型，然后将其发送到边缘设备进行推断。尽管这减少了设备的资源消耗，但它使用相同的一组模型参数为不同用户提供服务，限制了为每个用户提供定制模型和实时个性化的潜力。

为了解决上述问题，本申请实施例提供了一种数据处理方法。下面结合附图对本申请实施例的数据处理方法进行详细的介绍。

参照图5，图5为本申请实施例提供的一种数据处理方法的流程示意，如图5所示，本申请实施例提供的一种数据处理方法，可以包括步骤501至505，下面分别对这些步骤进行详细的描述。

501、获取多个序列，每个序列包括用户对一个数据源中存在交互行为的物品的特征表示，所述数据源包括目标数据源。

当一个用户向推荐***发出一个请求之后，可以获取到多个来自不同数据源的排序列表(如图片、文本、视频等)以及用户在不同数据源上的行为历史。如排序列表有m个A数据源的候选物品，n个B数据源的候选物品，p个C数据源的候选物品。同样地，用户行为历史也是来自于不同数据源的异构物品序列(也就是本申请实施例中的多个序列)。

在一种可能的实现中，可以将来自不同来源的异构用户行为历史(也就是用户进行交互行为的物品集合)及候选物品的集合(如文本、图像、视频等)映射到相同的特征空间，以便后续处理。

如图6所示，图6中最底层为异构编码模块，输入内容可包括两个部分：用户多源行为历史，以及多源候选集合。不同数据源的特征可能不同(如视频有图像特征，而文本仅有文本特征)。异构编码模块通过不同的非线性映射，将不同来源的行为历史和候选集合分别映射为维度相同的连续表征向量。行为历史和候选集合中的每个物品都对应一个连续向量。假设有m个不同的数据源，可以得到的用户行为表征记为H₁，...，H_m，候选集合的表征记为X₁，...，X_m。

502、根据每个所述序列中物品的特征之间的关系，确定所述用户对于每个数据源的第一偏好特征。

本申请实施例中，可以建模得到用户对于不同数据源的偏好(或者可以描述为兴趣)。

如图6所示，图6的左上角为多源行为建模模块。该模块的输入为用户的异质行为序列所对应的连续表征向量。假设有m个不同的数据源，则可得到m个不同的子序列(如图6中不同颜色的分别代表不同数据源对应的行为序列)。

本申请实施例中，将用户历史按照不同数据来源分成多个子序列，且建模数据源内部，以及数据源之间的交互。此外，还可以通过线性和高阶表示共享，将偏好从热门来源迁移至冷门来源，输出用户在每个数据源上的偏好表征向量。

其中，数据源内部之间有行为依赖关系，反应了用户在这个数据源上的兴趣。可以根据每个所述序列中物品的特征之间的关系，确定所述用户对于每个数据源的第一偏好特征。例如，可以利用经典的GRU网络结构来分别建模数据源内部的依赖关系,p_i＝GRU(H_i)，得到用户对于每个数据源的第一偏好特征。

其中，第一偏好特征的尺寸可以与物品的特征的尺寸一致。

503、根据所述目标数据源与其他每个数据源之间的关联值，将多个数据源的偏好特征进行融合，得到所述用户对于所述目标数据源的第二偏好特征；

本申请实施例中，可以通过线性共享，将偏好从热门来源迁移至冷门来源。

在一种可能的实现中，可以将所述关联值作为权重，对多个数据源的偏好特征进行加权。

为了解决冷门数据源上的行为稀少的问题，本申请实施例提出将不同数据源的兴趣(也就是第一偏好特征)进行线性加权，以进行信息有效共享，得到第二偏好特征。其中α可以为模型自动学习的线性加权权重。也就是说关联值可以为被更新的参数。

本申请实施例中，可以通过高阶的特征共享，将偏好从热门来源迁移至冷门来源。

在一种可能的实现中，可以将所述用户对所述目标数据源的第二偏好特征与对其他数据源的偏好特征通过注意力机制进行交互，得到交互后的所述第二偏好特征。在线性加权的基础上，可以进一步利用经典的自注意力机制Attention进行不同数据源的高维交互：

其中，是p_i和v_i的拼接，/>是为了稳定训练过程的参数，W为需要学习的权重。所得到的R矩阵是经过多源行为建模模块得到的用户针对不同数据源的偏好表征。R矩阵的每一行r_i表示用户对于不同数据源i的偏好表征。

504、获取目标物品的特征表示；所述目标物品为所述目标数据源的物品；

应理解，在进行混排时可以获取到包括目标物品在内的多个数据源的候选物品，本申请实施例以目标物品为例进行介绍。

505、将所述目标物品的特征表示与所述目标数据源对应的第二偏好特征进行融合，并通过推荐模型处理融合结果，得到向所述用户进行所述目标物品的推荐的推荐信息。

可以将目标物品的特征表示与所述目标数据源对应的第二偏好特征进行融合，得到融合结果。也就是，将用户对于数据源的兴趣融合至物品的特征之中。

例如，第二偏好特征和目标物品的特征表示的尺寸相同，融合的方式可以为对应元素的乘法。

在一种可能的实现中，可以将上述介绍的融合结果、所述第二偏好特征以及所述目标物品的特征表示共同输入到推荐模型中。

如图6的右上部分所示，因最终混排列表受列表内其他物品的影响，可以用Attention建模候选物品之间的交互之后将每个候选物品的表征/>与其相对应的数据源偏好表征r_i进行融合。其中/>表示i数据源中的第j个候选物品。

其中⊕⊙分别表示向量拼接以及向量对应元素乘法。

可以将所述目标物品的特征表示与所述目标数据源对应的第二偏好特征进行融合，并通过推荐模型处理融合结果，得到向所述用户进行所述目标物品的推荐的推荐信息。推荐信息可以为目标物品对应的打分。

此外，本申请实施例设计了偏好自适应参数生成器(也就是本申请实施例中描述的神经网络)，通过将用户在m个数据源上的偏好表征映射为一组个性化模型参数，该个性化模型参数可以表示出用户的个性化特征，并用于调整推荐模型得到的结果。

在一种可能的实现中，可以通过神经网络，处理所述用户对于多个数据源的偏好特征的融合结果，得到所述用户的个性化参数；可以根据所述个性化参数对所述推荐信息进行调整。

在一种可能的实现中，所述神经网络为多层感知机。

例如，可以通过如下式计算个性化参数g(R)：

其中g(R)的维度取决于需要个性化哪部分参数。如个性化模型最终输出层的参数，则：

这里，σ是该层网络的激活函数，z是该层网络的输入。是对应候选物品的最终得分。按照所得到的得分可以进行统一的混排序列。

本申请实施例将提取到的多层级偏好与候选物品的特征融合，偏好自适应生成器生成一组个性化参数，增强模型的个性化能力。

输出可以每个候选物品对应的重排序得分。按照每个列表的重排序得分由高到低进行排序，展示给用户。

在一种可能的实现中，在进行推荐模型的更新时，可以根据所述推荐信息和对应的标签，更新推荐模型(还可以更新关联值)。

示例性的，可以使用二元交叉熵损失函数优化列表整体效用(例如，点击次数)：

此外，还可以考虑不同数据源上的曝光公平性，计算了当前曝光比例和理想中公平的曝光比例的JS散度(也就是计算两个分布之间的差异性)：

两个损失函数结合在训练集上对模型进行训练：

本申请实施例中的全部或者部分可以在端侧部署，输入多源候选集以及该用户的实时行为，输出混合后的统一列表。现有的混排模型都是部署在云侧，响应速度慢，对于用户实时行为反馈延迟。示例性的，参照图9，图9为本申请实施例的一个具体部署流程图。

本申请实施例通过将提取的用户针对多数据源的偏好，融合至物品的特征中，使得推荐模型得到的结果具备更高的个性化程度，提高了推荐模型的精度。

此外，自适应生成个性化模型参数，相比于现有端侧推理模型具备更高的个性化程度。

参照图7，图7为本申请实施例的一个软件架构示意：

当一个用户向推荐***发出一个请求之后，本发明输入多个来自不同数据源的排序列表(如图片、文本、视频等)以及用户在不同数据源上的行为历史。如排序列表有m个A数据源的候选物品，n个B数据源的候选物品，p个C数据源的候选物品。同样地，用户行为历史也是来自于不同数据源的异构物品序列。

101异构编码模块将来自不同来源的异构用户行为历史及排序列表(候选集合)映射到相同的特征空间。102多源行为建模模块获取到编码过的用户行为历史，将用户历史按照不同数据来源分成多个子序列，建模数据源内部，以及数据源之间的交互。通过线性和高阶表示共享，将偏好从热门来源迁移至冷门来源。输出用户在每个数据源上的偏好表征向量。103偏好自适应重排模块将101输出的编码过的候选物品表征，以及102多源行为建模模块输出的用户针对不同数据源的偏好表征融合。特别地，103偏好自适应重排模块包括一个104偏好自适应参数生成器，将102多源行为建模模块输出的用户针对不同数据源的偏好表征映射为每个用户不同的网络参数。103偏好自适应重排模块最终输出每个候选物品对应的重排序得分。按照每个列表的重排序得分由高到低进行排序，展示给用户。本发明的全部或者部分模型参数放置在端侧，整个推理过程在端侧进行。

接下来结合实验介绍本申请实施例的有益效果：

在两个公开数据集上分别验证本发明的效果。实验结果见图8所示。本发明对比的基线包括三类(1)云侧单一数据源的重排序算法DIN-C等；(2)端侧单一数据源的重排序算法DIN-E等；(3)端侧推荐算法EdgeRec等。图8中最下面一行为本发明的技术效果。所使用的评价指标包括准确率相关的指标AUC，MAP，NDC，Utility等，都是值越高越好，以及公平性指标JS，值越小越好。通过图8示出的结果，可以发现本发明所提出的方案在多种条件下都取得了最优的效果。

参照图10，图10为本申请实施例提供的一种数据处理装置的结构示意，如图10所示，本申请实施例提供的一种数据处理装置，所述装置1000包括：

获取模块1001，用于获取多个序列，每个序列包括用户对一个数据源中存在交互行为的物品的特征表示，所述数据源包括目标数据源；

关于获取模块1001的具体描述可以参照上述实施例中步骤501的描述，这里不再赘述。

处理模块1002，用于根据每个所述序列中物品的特征之间的关系，确定所述用户对于每个数据源的第一偏好特征；

根据所述目标数据源与其他每个数据源之间的关联值，将多个数据源的偏好特征进行融合，得到所述用户对于所述目标数据源的第二偏好特征；

获取目标物品的特征表示；所述目标物品为所述目标数据源的物品；

将所述目标物品的特征表示与所述目标数据源对应的第二偏好特征进行融合，并通过推荐模型处理融合结果，得到向所述用户进行所述目标物品的推荐的推荐信息。

关于处理模块1002的具体描述可以参照上述实施例中步骤502至步骤505的描述，这里不再赘述。

在一种可能的实现中，所述处理模块1002，还用于：

根据所述推荐信息和对应的标签，更新所述关联值和所述推荐模型。

在一种可能的实现中，所述处理模块1002，具体用于：

将所述关联值作为权重，对多个数据源的偏好特征进行加权。

在一种可能的实现中，所述处理模块1002，还用于：

将所述用户对所述目标数据源的第二偏好特征与对其他数据源的偏好特征通过注意力机制进行交互，得到交互后的所述第二偏好特征；

所述处理模块1002，具体用于：

将所述目标物品的特征表示与所述交互后的所述第二偏好特征进行融合。

在一种可能的实现中，所述处理模块1002，具体用于：

通过推荐模型处理融合结果、所述第二偏好特征以及所述目标物品的特征表示。

在一种可能的实现中，所述处理模块1002，还用于：

通过神经网络，处理所述用户对于多个数据源的偏好特征的融合结果，得到所述用户的个性化参数；

根据所述个性化参数对所述推荐信息进行调整。

在一种可能的实现中，所述神经网络为多层感知机。

在一种可能的实现中，所述推荐模型的全部或部分部署在端侧。

接下来介绍本申请实施例提供的一种终端设备，请参阅图11，图11为本申请实施例提供的终端设备的一种结构示意图，终端设备1100具体可以表现为虚拟现实VR设备、手机、平板、笔记本电脑、智能穿戴设备等，此处不做限定。具体的，终端设备1100包括：接收器1101、发射器1102、处理器1103和存储器1104(其中终端设备1100中的处理器1103的数量可以一个或多个，图11中以一个处理器为例)，其中，处理器1103可以包括应用处理器11031和通信处理器11032。在本申请的一些实施例中，接收器1101、发射器1102、处理器1103和存储器1104可通过总线或其它方式连接。

存储器1104可以包括只读存储器和随机存取存储器，并向处理器1103提供指令和数据。存储器1104的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory，NVRAM)。存储器1104存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。

处理器1103控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线***耦合在一起，其中总线***除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线***。

上述本申请实施例揭示的方法可以应用于处理器1103中，或者由处理器1103实现。处理器1103可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1103中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1103可以是通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integratedcircuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1103可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1104，处理器1103读取存储器1104中的信息，结合其硬件完成上述方法中涉及模型训练或者模型推理过程的步骤。

接收器1101可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1102可用于通过第一接口输出数字或字符信息；发射器1102还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1102还可以包括显示屏等显示设备。

本申请实施例还提供了一种服务器，请参阅图12，图12是本申请实施例提供的服务器一种结构示意图，服务器1200可因配置或性能不同而产生比较大的差异，可以包括一个或一个以***处理器(central processing units，CPU)1212(例如，一个或一个以上处理器)和存储器1232，一个或一个以上存储应用程序1242或数据1244的存储介质1230(例如一个或一个以上海量存储设备)。其中，存储器1232和存储介质1230可以是短暂存储或持久存储。存储在存储介质1230的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1212可以设置为与存储介质1230通信，在服务器1200上执行存储介质1230中的一系列指令操作。

服务器1200还可以包括一个或一个以上电源1226，一个或一个以上有线或无线网络接口1250，一个或一个以上输入输出接口1258；或，一个或一个以上操作***1241，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。

本申请实施例中，中央处理器1212，用于执行上述实施例中和模型训练或者模型推理相关的动作。

本申请实施例中还提供一种包括计算机程序产品，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。

本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使执行设备内的芯片执行上述实施例描述的数据处理方法，或者，以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。

具体的，请参阅图13，图13为本申请实施例提供的芯片的一种结构示意图，所述芯片可以表现为神经网络处理器NPU 1300，NPU 1300作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路1303，通过控制器1304控制运算电路1303提取存储器中的矩阵数据并进行乘法运算。

在一些实现中，运算电路1303内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路1303是二维脉动阵列。运算电路1303还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路1303是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器1302中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器1301中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)1308中。

统一存储器1306用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller，DMAC)1305，DMAC被搬运到权重存储器1302中。输入数据也通过DMAC被搬运到统一存储器1306中。

BIU为Bus Interface Unit即，总线接口单元1310，用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer，IFB)1309的交互。

总线接口单元1310(Bus Interface Unit，简称BIU)，用于取指存储器1309从外部存储器获取指令，还用于存储单元访问控制器1305从外部存储器获取输入矩阵A或者权重矩阵B的原数据。

DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1306或将权重数据搬运到权重存储器1302中或将输入数据数据搬运到输入存储器1301中。

向量计算单元1307包括多个运算处理单元，在需要的情况下，对运算电路1303的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如Batch Normalization(批归一化)，像素级求和，对特征平面进行上采样等。

在一些实现中，向量计算单元1307能将经处理的输出的向量存储到统一存储器1306。例如，向量计算单元1307可以将线性函数；或，非线性函数应用到运算电路1303的输出，例如对卷积层提取的特征平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元1307生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路1303的激活输入，例如用于在神经网络中的后续层中的使用。

控制器1304连接的取指存储器(instruction fetch buffer)1309，用于存储控制器1304使用的指令；

统一存储器1306，输入存储器1301，权重存储器1302以及取指存储器1309均为On-Chip存储器。外部存储器私有于该NPU硬件架构。

其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述程序执行的集成电路。

另外需说明的是，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。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的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，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，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，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。

所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims (18)

1.一种数据处理方法，其特征在于，所述方法包括：

获取多个序列，每个序列包括用户对一个数据源中存在交互行为的物品的特征表示，所述数据源包括目标数据源；

根据每个所述序列中物品的特征之间的关系，确定所述用户对于每个数据源的第一偏好特征；

根据所述目标数据源与其他每个数据源之间的关联值，将多个数据源的偏好特征进行融合，得到所述用户对于所述目标数据源的第二偏好特征；

获取目标物品的特征表示；所述目标物品为所述目标数据源的物品；

将所述目标物品的特征表示与所述目标数据源对应的第二偏好特征进行融合，并通过推荐模型处理融合结果，得到向所述用户进行所述目标物品的推荐的推荐信息。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述推荐信息和对应的标签，更新所述关联值和所述推荐模型。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述目标数据源与其他数据源之间的关联值，将多个数据源的偏好特征进行融合，包括：

将所述关联值作为权重，对多个数据源的偏好特征进行加权。

4.根据权利要求1至3任一所述的方法，其特征在于，所述方法还包括：

将所述用户对所述目标数据源的第二偏好特征与对其他数据源的偏好特征通过注意力机制进行交互，得到交互后的所述第二偏好特征；

所述将所述目标物品的特征表示与所述目标数据源对应的第二偏好特征进行融合，包括：

将所述目标物品的特征表示与所述交互后的所述第二偏好特征进行融合。

5.根据权利要求1至4任一所述的方法，其特征在于，所述通过推荐模型处理融合结果，包括：

通过推荐模型处理融合结果、所述第二偏好特征以及所述目标物品的特征表示。

6.根据权利要求1至5任一所述的方法，其特征在于，所述方法还包括：

通过神经网络，处理所述用户对于多个数据源的偏好特征的融合结果，得到所述用户的个性化参数；

根据所述个性化参数对所述推荐信息进行调整。

7.根据权利要求1至6任一所述的方法，其特征在于，所述推荐模型的全部或部分部署在端侧。

8.一种数据处理装置，其特征在于，所述装置包括：

获取模块，用于获取多个序列，每个序列包括用户对一个数据源中存在交互行为的物品的特征表示，所述数据源包括目标数据源；

处理模块，用于根据每个所述序列中物品的特征之间的关系，确定所述用户对于每个数据源的第一偏好特征；

根据所述目标数据源与其他每个数据源之间的关联值，将多个数据源的偏好特征进行融合，得到所述用户对于所述目标数据源的第二偏好特征；

获取目标物品的特征表示；所述目标物品为所述目标数据源的物品；

将所述目标物品的特征表示与所述目标数据源对应的第二偏好特征进行融合，并通过推荐模型处理融合结果，得到向所述用户进行所述目标物品的推荐的推荐信息。

9.根据权利要求8所述的装置，其特征在于，所述处理模块，还用于：

根据所述推荐信息和对应的标签，更新所述关联值和所述推荐模型。

10.根据权利要求8或9所述的装置，其特征在于，所述处理模块，具体用于：

将所述关联值作为权重，对多个数据源的偏好特征进行加权。

11.根据权利要求8至10任一所述的装置，其特征在于，所述处理模块，还用于：

将所述用户对所述目标数据源的第二偏好特征与对其他数据源的偏好特征通过注意力机制进行交互，得到交互后的所述第二偏好特征；

所述处理模块，具体用于：

将所述目标物品的特征表示与所述交互后的所述第二偏好特征进行融合。

12.根据权利要求8至11任一所述的装置，其特征在于，所述处理模块，具体用于：

通过推荐模型处理融合结果、所述第二偏好特征以及所述目标物品的特征表示。

13.根据权利要求8至12任一所述的装置，其特征在于，所述处理模块，还用于：

通过神经网络，处理所述用户对于多个数据源的偏好特征的融合结果，得到所述用户的个性化参数；

根据所述个性化参数对所述推荐信息进行调整。

14.根据权利要求13所述的装置，其特征在于，所述推荐模型的全部或部分部署在端侧。

15.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或多个指令，所述指令在由一个或多个计算机执行时使得所述一个或多个计算机执行权利要求1至7中任一项所述方法的操作。

16.一种计算机程序产品，其特征在于，包括计算机可读指令，当所述计算机可读指令在计算机设备上运行时，使得所述计算机设备执行如权利要求1至7任一所述的方法。

17.一种***，包括至少一个处理器，至少一个存储器；所述处理器、所述存储器通过通信总线连接并完成相互间的通信；

所述至少一个存储器用于存储代码；

所述至少一个处理器用于执行所述代码，以执行如权利要求1至7任一所述的方法。

18.一种芯片，包括处理器，其特征在于，所述处理器用于支持数据处理装置实现实现如权利要求1至7任一所述的方法。