数据处理方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种数据处理方法和装置。

背景技术

随着电商平台的日益繁荣，有些商家为了提高商品的曝光度，会在商品标题中输入已被授权品牌词之外的其他品牌词。对此，为了维护电商平台的商品经营秩序，避免损害同行商家的品牌权益，需要采取措施针对商品详情页信息进行合规质检。当前针对品牌乱挂违规的判别，很大程度上是基于规则性的匹配进行检测的方法，即：针对部分品牌词，通过人工维护同质品牌词数据表，以及相关类目规则的方式，基于固定匹配规则，检测有限商品、部分品牌的违规乱挂情形。另外，还存在一种使用传统机器学习模型的检测方法，通过整合多种商品属性(例如商品类目、品牌、价格等特征)，使用传统的LR/xgboost等机器学习模型，识别商品标题中品牌乱挂违规情形。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：基于规则性的匹配进行检测的方法需要人工维护很多品牌表以及品牌与类目间的关联关系，不仅费时耗力，而且不利于高速增长商品数据和品牌扩展；而基于传统机器学习模型的检测方法不能很好体现特征间的交互效应以及特征的深层抽象表示，同时缺少对文本数据的语境理解，使得有些特殊情形的检测存在误判这样的问题。

发明内容

有鉴于此，本发明提供一种数据处理方法，通过对数据源进行处理并建立相关的模型，利用该模型对待处理的数据进行处理。从而能够实现在电商领域内检测商品标题中未授权品牌违规乱挂，以便有效支持大量商详信息的品牌违规乱挂判定，对商家已授权品牌予以保护。

为实现上述目的，根据本发明实施例的一个方面，提供了一种数据处理方法，其特征在于，包括：获取数据源，对所述数据源进行清洗和处理，以筛选出用于模型训练的相关特征；对所述相关特征进行向量化，合并所有向量化的特征而作为特征向量化结果；将所述特征向量化结果划分为训练数据集和评估数据集，基于所述训练数据集中的特征向量化结果和数据标签，训练深度因子机分解模型；对深度因子机分解模型的参数进行调优，以获取参数调优模型；以及利用所述参数调优模型，进行数据处理。

上述发明中的一个实施例具有如下优点或有益效果：因为采用使用DeepFM模型(Deep Factor Machine，深度因子机分解)代替传统机器学习模型和规则匹配方法来检测商品标题中的未授权品牌的违规乱挂行为的技术手段，从而将多种特征向量的低阶和高阶交互效应进行结合，达到能够有效识别商品标题中未授权品牌违规乱挂的行为，辅助商品详情页面的合规，满足业务应用这样的技术效果。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是根据本发明实施例的数据处理方法的主要流程的示意图；

图2是根据本发明实施例的数据处理方法的详细系统执行流程的示意图；

图3是根据本发明实施例的数据处理装置的主要模块的示意图；

图4是本发明实施例可以应用于其中的示例性系统架构图；

图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1是根据本发明实施例的数据处理方法的主要流程的示意图，是该方法的优选的流程示意图。该方法利用DeepFM模型进行数据处理，DeepFM模型是一种基于结合FM模型和深度学习网络于一体的模型算法，能够同时学习低阶和高阶特征交互效应。

本发明实施例的数据处理方法包括：

步骤S101：获取数据源，对所述数据源进行清洗和处理，以筛选出用于模型训练的相关特征；

步骤S102：对上述步骤S101中筛选出的相关特征进行向量化，合并所有向量化的特征而作为特征向量化结果；

步骤S103：将步骤S102中的特征向量化结果划分为训练数据集和评估数据集，基于该训练数据集中的特征向量化结果和数据标签，训练DeepFM模型；

步骤S104：对步骤S103中训练的DeepFM模型的参数进行调优，以获取参数调优模型；以及

步骤S105：利用上述步骤S104中的调优的参数调优模型，进行数据处理。

本发明使用DeepFM模型代替传统机器学习模型和规则匹配方法来检测商品标题中的未授权品牌的违规乱挂行为，从而将多种特征向量的低阶和高阶交互效应进行结合，以达到能够有效识别商品标题中未授权品牌违规乱挂的行为，辅助商品详情页面的合规，满足业务应用这样的技术效果。

图2是根据本发明实施例的数据处理方法的详细系统执行流程的示意图。

下面，参照图2，在上述总体实施例的基础上，对各个步骤进行详细描述。

步骤S101：获取数据源，对所述数据源进行清洗和处理，以筛选出用于模型训练的相关特征。其中，该数据源包括：电商平台商品和品牌词等多种数据源。该处理方式包括分词和/或匹配等方式。

在步骤S101中，针对方案中所有使用的数据特征进行预处理和筛选。其中包括：

a)特征预处理：主要包括文本数据中特殊字符的清洗、文本分词、相关品牌词数据的匹配和提取等；

b)数据特征筛选：主要包括商品标题、商品标题中品牌词、商品授权品牌词、商品类目等相关属性信息；和

c)特征分析结果：针对品牌和类目等特征进行基本的统计分析。

步骤S102：对上述步骤S101中筛选出的相关特征进行向量化，合并所有向量化的特征而作为特征向量化结果。该特征向量化结果被用于后续模型训练。具体而言，对上述步骤S101中筛选出的特征进行向量化包括：针对上述步骤S101中筛选出的离散特征，进行one-hot特征向量化；针对文本特征，通过训练word2vec模型，进行特征嵌入向量化；以及针对连续特征，离散后进行one-hot特征向量化。其中，word2vec模型是Google提出的一个嵌入式文本向量化的模型方法。

在步骤S102中，针对步骤S101中筛选的相关特征进行向量化，其中包括：

a)如果是离散特征，则对特征进行独热编码，其中，离散特征是指不具备连续性的特征值，例如一个人的性别({男,女}非连续数值)，独热编码(即one-hot向量化)是指用N位状态寄存器来对N个状态进行编码，例如：祖国特征：["中国"，"美国，"法国"]，经过独热特征编码后，"中国"转化为"100"，"美国"转化为"010"，"法国"转化为"001"；

b)如果是文本特征，则基于电商平台的语料库，通过训练word2vec模型，获得相关文本的嵌入向量，其中，文本特征是指以文本为体现的特征，例如商品名称等，嵌入向量(即embedding向量)是指将文本通过某种模型转化成能够表征文本语义的向量形式，比如使用word2vec模型进行文本嵌入式向量化；

c)如果是连续特征，则对特征进行离散化后，进行独热编码，其中，连续特征是指特征具备数值连续性，例如一个人的年龄(0-120岁之间的连续数值)、考试得分(0-100分之间的连续数值)；

d)最后，合并所有向量化的特征，作为特征向量化结果，用于后续模型训练。

此处，通过使用word2vec模型对文本特征进行嵌入式向量化，从而增加体现品牌上下文语境的特征向量。该离散化例如是针对商品价格特征，可以按照价格区间进行离散化。

步骤S103：将步骤S102中的特征向量化结果划分为训练数据集和评估数据集，基于训练数据集中的特征向量化结果和数据标签，训练DeepFM模型。

在步骤S103中，主要用于DeepFM模型的构建和训练。其中包括：

a)DeepFM模型构建：

主要包括FM(Factor Machine，因子机分解，主要用于解决特征组合和深层稀疏矩阵的问题)层构建、DNN(Deep Neural Networks：深度神经网络)层构建、Logistic(逻辑)层构建；

b)DeepFM模型训练：

首先，将样本按照9：1划分为训练数据集和评估数据集，训练数据集用于模型训练，评估数据集用于评估模型效能；

其次，将训练数据集的多种特征数据的向量化结果输入到DeepFM模型，经过DeepFM模型的多层结构，最终输出这些训练样本的预测标签；

然后，结合训练数据真实标签(y)和模型预测标签

其中，yi为第i个样本的真实训练数据标签，

最后，当损失收敛时，即获得经过训练的DeepFM模型，该模型可以用于未知标签的样本预测。

步骤S104：对步骤S103中训练的DeepFM模型的参数进行调优，以获取参数调优模型。利用评估数据集和DeepFM模型来评估模型效能以进行调优。如果该模型的效能满足要求，则将其作为参数调优模型而获取；如果该模型的效能不满足要求，则对模型进行参数调节，以达到最优预测效能，最终获取参数调优模型。

在步骤S104中，主要用于评估步骤S103中训练模型的效能，并对模型超参数进行调优，该超参数是开始学习过程之前设置值的参数，不需要通过训练获取，可以通过模型的预测性能进行人工调节，例如学习速率、迭代次数、神经元数量等。步骤S104中包括：

a)基于上述步骤S103中划分评估数据集的特征向量化结果和标签，评估上述步骤S103中训练模型的精确率(Precision)，是否满足业务需求；

b)如果满足，则输出该判定模型，用于线上判定；

c)如果不满足，则可以通过网格搜索或随机搜索方法，对模型超参数进行调整，提高模型泛化性能，直到满足要求，最终输出优化后判定模型。

精确率(Precision)表示被分为正例的示例中实际为正例的比例。

精确率＝TP/(TP+FP)。

其中，TP：True Position，真正，被模型预测为正的正样本；FP：False Position，假正，被模型预测为正的负样本。

需要说明的是，在本发明的实施例的参数调优模块中，考虑到应用系统中对于判别精度的要求，优选采用精确率作为评估指标。但也可以采取其他评判标准，例如，当需要平衡模型的精确率和召回率时，也可以考虑使用F1-score来作为评判标准。

F1-score＝2*Precision*Recall/(Precision+Recall)

其中，Precision为精确率，Recall为召回率。

步骤S105：利用上述步骤S104中的调优的参数调优模型，进行数据处理。例如，将经过上述的训练并调优后的模型部署到线上机器，返回预测结果。该预测结果是对商品是否存在品牌乱挂违规的线上判定结果。

在步骤S105中，主要用于优化后模型的线上部署以及线上数据调用。

a)线上部署：将步骤S104中优化后的模型部署到线上多台机器上；

b)线上调用：针对商城线上的商品数据，提取相关特征信息，并转化成特征向量，通过http(超文本传送协议)请求的方式，调用部署好的模型，并返回预测结果。

图3是根据本发明实施例的数据处理装置的主要模块的示意图，是该装置的优选示意图。

本发明还提供了一种数据处理装置本发明实施例的装置。该装置基于DeepFM模型来检测商品标题中品牌乱挂行为，辅助平台商品详情的页面合规，该装置300主要包含：特征筛选模块301，获取数据源，对所述数据源进行清洗和处理，以筛选出用于模型训练的相关特征；特征向量化模块302，对所述相关特征进行向量化，合并所有向量化的特征而作为特征向量化结果；模型训练模块303，将该特征向量化结果划分为训练数据集和评估数据集，基于该训练数据集中的特征向量化结果和数据标签，训练DeepFM模型；参数调优模块304，对DeepFM模型的参数进行调优，以获取参数调优模型；以及模型应用模块305，利用所述参数调优模型，进行数据处理。

特征筛选模块301获取数据源，对所述数据源进行清洗和处理，以筛选出用于模型训练的相关特征。其中，该数据源包括：电商平台商品和品牌词等多种数据源。该文本处理方式包括分词和/或匹配等方式。

特征筛选模块301针对方案中所有使用的数据特征进行预处理和筛选。其中，

a)特征预处理：主要包括文本数据中特殊字符的清洗、文本分词、相关品牌词数据的匹配和提取等；

b)数据特征筛选：主要包括商品标题、商品标题中品牌词、商品授权品牌词、商品类目等相关属性信息；和

c)特征分析结果：针对品牌和类目等特征进行基本的统计分析。

特征向量化模块302对所述相关特征进行向量化，合并所有向量化的特征而作为特征向量化结果。该特征向量化结果被用于后续模型训练。具体而言，对上述特征筛选模块301筛选出的特征进行向量化包括：针对上述特征筛选模块301筛选出的离散特征，进行one-hot特征向量化；针对文本特征，通过训练word2vec模型，进行特征嵌入向量化；以及针对连续特征，离散后进行one-hot特征向量化。

特征向量化模块302针对由上述特征筛选模块301筛选的特征进行向量化。其中，

a)如果是离散特征，则对特征进行独热编码，其中，离散特征是指不具备连续性的特征值，例如一个人的性别({男,女}非连续数值)，独热编码(即one-hot向量化)是指用N位状态寄存器来对N个状态进行编码，例如：祖国特征：["中国"，"美国，"法国"]，经过独热特征编码后，"中国"转化为"100"，"美国"转化为"010"，"法国"转化为"001"；

b)如果是文本特征，则基于电商平台的语料库，通过训练word2vec模型，获得相关文本的嵌入向量，其中，文本特征是指以文本为体现的特征，例如商品名称等，嵌入向量(即embedding向量)是指将文本通过某种模型转化成能够表征文本语义的向量形式，比如使用word2vec模型进行文本嵌入式向量化；

c)如果是连续特征，则对特征进行离散化后，进行独热编码，其中，连续特征是指特征具备数值连续性，例如一个人的年龄(0-120岁之间的连续数值)、考试得分(0-100分之间的连续数值)；和

d)最后，合并所有向量化的特征，作为特征向量化结果，用于后续模型训练。

此处，通过使用word2vec模型对文本特征进行嵌入式向量化，从而增加体现品牌上下文语境的特征向量。该离散化例如是针对商品价格特征，可以按照价格区间进行离散化。

模型训练模块303将该特征向量化结果划分为训练数据集和评估数据集，基于该训练数据集中的特征向量化结果和数据标签，训练DeepFM模型，该数据标签是指样本的正负类别标记，例如：正样本标记1，负样本标记0，在本案例中违规样本标记为1，非违规样本标记为0。

模型训练模块303主要用于构建和训练DeepFM模型。其中，

a)DeepFM模型构建：

主要包括FM(Factor Machine，因子机分解，主要用于解决特征组合和深层稀疏矩阵的问题)层构建、DNN(Deep Neural Networks：深度神经网络)层构建、Logistic层构建；

b)DeepFM模型训练：

首先，将样本按照9：1划分为训练数据集和评估数据集，训练数据集用于模型训练，评估数据集用于评估模型效能；

其次，将训练数据集的多种特征数据的向量化结果输入到DeepFM模型，经过DeepFM模型的多层结构，最终输出这些训练样本的预测标签；

然后，结合训练数据真实标签(y)和模型预测标签

其中，yi为第i个样本的真实训练数据标签，

最后，当损失收敛时，即获得经过训练的DeepFM模型，该模型可以用于未知标签的样本预测。

参数调优模块304对DeepFM模型的参数进行调优，以获取参数调优模型。利用评估数据集和DeepFM模型来评估模型效能以进行调优。如果该模型的效能满足要求，则将其作为参数调优模型而获取；如果该模型的效能不满足要求，则对模型进行参数调节，以达到最优预测效能，最终获取参数调优模型。

参数调优模块304主要用于评估模型训练模块303训练模型的效能，并对模型超参数进行调优，该超参数是开始学习过程之前设置值的参数，不需要通过训练获取，可以通过模型的预测性能进行人工调节，例如学习速率、迭代次数、神经元数量等。其中，

a)基于模型训练模块303划分评估数据集的特征向量化结果和标签，评估模型训练模块303训练模型的精确率(Precision)，是否满足业务需求；

b)如果满足，则输出该判定模型，用于线上判定；

c)如果不满足，则可以通过网格搜索或随机搜索方法，对模型超参数进行调整，提高模型泛化性能，直到满足要求，最终输出优化后判定模型。

精确率(Precision)表示被分为正例的示例中实际为正例的比例。

精确率＝TP/(TP+FP)。

其中，TP：True Position，真正，被模型预测为正的正样本；FP：False Position，假正，被模型预测为正的负样本。

需要说明的是，在本发明的实施例的参数调优模块中，考虑到应用系统中对于判别精度的要求，优选采用精确率作为评估指标。但也可以采取其他评判标准，例如，当需要平衡模型的精确率和召回率时，也可以考虑使用F1-score来作为评判标准。

F1-score＝2*Precision*Recall/(Precision+Recall)

其中，Precision为精确率，Recall为召回率。

模型应用模块305利用所述参数调优模型，进行数据处理。例如，将经过上述的训练并调优后的模型部署到线上机器，返回预测结果。该预测结果是对商品是否存在品牌乱挂违规的线上判定结果。

模型应用模块305主要用于优化后模型的线上部署以及线上数据调用。其中，

a)线上部署：将利用参数调优模块304优化后的模型部署到线上多台机器上；

b)线上调用：针对商城线上的商品数据，提取相关特征信息，并转化成特征向量，通过http(超文本传送协议)请求的方式，调用部署好的模型，并返回预测结果。

图4示出了可以应用本发明实施例的数据处理方法或检测装置的示例性系统架构400。

如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404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。

用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备401、402、403可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的数据处理方法一般由服务器405执行，相应地，检测装置一般设置于服务器405中。

应该理解，图4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。

下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；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507；包括硬盘等的存储部分508；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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，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510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508。

特别地，根据本发明公开的实施例，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，本发明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509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示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、或半导体的系统、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。在本发明中，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系统、装置或者器件使用或者与其结合使用。而在本发明中，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系统、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，图示了按照本发明各种实施例的系统、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，上述模块、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，框图或流程图中的每个方框、以及框图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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括特征筛选模块、特征向量化模块、模型训练模块、参数调优模块以及模型应用模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，特征筛选模块还可以被描述为“结合电商平台商品和品牌词等多种数据源，对文本数据进行清洗，并通过分词和匹配等文本处理方式，筛选出用于模型训练的相关特征的模块”。

作为另一方面，本发明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设备中所包含的；也可以是单独存在，而未装配入该设备中。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一个该设备执行时，使得该设备包括：获取数据源，对所述数据源进行清洗和处理，以筛选出用于模型训练的相关特征；对所述相关特征进行向量化，合并所有向量化的特征而作为特征向量化结果；将所述特征向量化结果划分为训练数据集和评估数据集，基于所述训练数据集中的特征向量化结果和数据标签，训练深度因子机分解模型；对深度因子机分解模型的参数进行调优，以获取参数调优模型；以及利用所述参数调优模型，进行数据处理。

根据本发明实施例的技术方案，能够有效支持大量商详信息的品牌违规乱挂判定，对商家已授权品牌予以保护，该技术满足应用效果，应该予以保护。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。