处理数据的方法、装置、设备、介质和产品

技术领域

本公开涉及计算机技术领域，具体涉及金融领域和大数据领域，更具体地涉及一种处理数据的方法、装置、设备、介质和产品。

背景技术

随着经济水平和计算机技术的发展，对数据的线上统计可以提高统计效率，为了便于用户了解数据的统计结果，还可以对统计结果进行展示。

相关技术中，数据的统计结果通常以一维的条目形式进行展示或者以二维的表格形式进行展示。该些展示方法均停留在松散直接的低层次展示上，用户无法通过数字感性认识到数据的变化。

发明内容

鉴于上述问题，本公开提供了用于提高用户体验和数据展示直观性的处理数据的方法、装置、设备、介质和产品。

根据本公开的第一个方面，提供了一种处理数据的方法，该方法包括：获取m条待展示数据；基于预定分类模型对m条待展示数据进行预处理，得到预处理后的m条数据；采用预定降维算法对预处理后的m条数据进行降维处理，得到m条三维数据；以及采用三维引擎工具生成m条三维数据的三维展示模型，以基于虚拟现实技术实现m条待展示数据的三维展示，其中，m为大于1的自然数。

根据本公开的实施例，基于预定分类模型对m条待展示数据进行预处理包括：将m条待展示数据转换为标准格式的m条标准数据；以及采用预定分类模型对m标准数据进行分类，得到具有分类结果的m条标准数据。

根据本公开的实施例，预定分类模型包括朴素贝叶斯多项式分类模型。

根据本公开的实施例，预处理后的m条数据中，具有相同分类结果的n条标准数据的排列位置彼此相邻，其中，n为大于1的自然数，且n小于等于m。

根据本公开的实施例，采用预定降维算法对预处理后的m条数据进行降维处理包括：确定预处理后的m条数据的第一概率矩阵；获取预处理后的m条数据投射至三维空间的第二概率矩阵；确定第一概率矩阵与第二概率矩阵之间的相对熵；采用梯度下降算法最小化相对熵，以调整第二概率矩阵；以及确定调整后的第二概率矩阵所对应的三维数据，作为m条三维数据。

根据本公开的实施例，预定降维算法包括T分布随机邻域嵌入算法。

根据本公开的实施例，采用三维引擎工具生成m条三维数据的三维展示模型包括：采用三维引擎工具生成m条三维数据的三维数据模型；以及采用天空盒技术搭渲染针对三维数据模型的三维展示场景，得到所述三维展示模型。

本公开的第二方面提供了一种处理数据的装置，包括：数据获取模块，用于获取m条待展示数据；数据预处理模块，用于基于预定分类模型对m条待展示数据进行预处理，得到预处理后的m条数据；数据降维模块，用于采用预定降维算法对预处理后的m条数据进行降维处理，得到m条三维数据；以及三维模型生成模块，用于采用三维引擎工具生成m条三维数据的三维展示模型，以基于虚拟现实技术实现m条待展示数据的三维展示，其中，m为大于1的自然数。

根据本公开的实施例，上述数据预处理模块包括：数据转换子模块，用于将m条待展示数据转换为标准格式的m条标准数据；以及数据分类子模块，用于采用预定分类模型对m条标准数据进行分类，得到具有分类结果的m条标准数据。

根据本公开的实施例，上述预定分类模型包括朴素贝叶斯多项式分类模型。

根据本公开的实施例，上述预处理后的m条数据中，具有相同分类结果的n条标准数据排列位置彼此相邻，其中，n为大于1的自然数，且n小于等于m。

根据本公开的实施例，上述数据降维模块包括：第一矩阵确定子模块，用于确定预处理后的m条数据的第一概率矩阵；第二矩阵确定子模块，用于获取预处理后的m条数据投射至三维空间的第二概率矩阵；相对熵确定子模块，用于确定第一概率矩阵与第二概率矩阵之间的相对熵；矩阵调整子模块，用于采用梯度下降算法最小化相对熵，以调整第二概率矩阵；以及数据确定子模块，用于确定调整后的第二概率矩阵所对应的三维数据，作为m条三维数据。

根据本公开的实施例，预定降维算法包括T分布随机邻域嵌入算法。

根据本公开的实施例，上述三维模型生成模块包括：第一模型生成子模块，用于采用三维引擎工具生成m条三维数据的三维数据模型；以及第二模型生成子模块，用于采用天空盒技术渲染针对三维数据模型的三维展示场景，得到三维展示模型。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述的处理数据的方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述的处理数据的方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的处理数据的方法。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的处理数据的方法、装置、设备、介质和产品的应用场景图；

图2示意性示出了根据本公开实施例的处理数据的方法的流程图；

图3示意性示出了根据本公开实施例的对资源转移数据进行预处理的原理图；

图4示意性示出了根据本公开实施例的对数据进行降维处理的原理图；

图5示意性示出了根据本公开实施例的生成三维展示模型的流程图；

图6示意性示出了根据本公开实施例的处理数据的方法的整体流程图；

图7示意性示出了根据本公开实施例的处理数据的装置的结构框图；以及

图8示意性示出了根据本公开实施例的适于实现处理数据的方法的电子设备的方框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开的实施例提供了一种处理数据的方法，该方法包括数据获取过程、数据预处理过程、数据降维过程和三维模型生成过程。在数据获取过程中，获取m条待展示数据。在数据预处理过程中，基于预定分类模型对m条待展示数据进行预处理，得到预处理后的m条数据。在数据降维过程中，采用预定降维算法对预处理后的m条数据进行降维处理，得到m条三维数据。在三维模型生成过程中，采用三维引擎工具生成m条三维数据的三维展示模型，以基于虚拟现实技术实现m条待展示数据的三维展示。其中，m为大于1的自然数。

图1示意性示出了根据本公开实施例的处理数据的方法、装置、设备、介质和产品的应用场景图。

如图1所示，该应用场景100中可以包括用户110、终端设备120和服务器130。终端设备120与服务器130之间例如可以通过网络通信连接。网络例如可以包括有线或无线通信链路。

终端设备120例如可以为具有显示屏并且安装有各种客户端应用的电子设备，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，其中，客户端应用例如可以包括支付类应用、网上银行类应用、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)。

根据本公开的实施例，终端设备120中例如可以设置有陀螺仪、加速传感器等硬件设备。终端设备120例如可以支持全息图像的展示，以使得用户110经由虚拟现实设备140观看终端设备120展示的全息图像时能够看到三维展示的图像，从而使得用户具有沉浸感和真实感。其中，虚拟现实设备140例如可以为虚拟现实头戴式显示设备。前述各种客户端应用例如可以具有线上收付功能，以实现资源的转移。

用户110可以使用终端设备120通过网络与服务器130交互，以接收或发送消息等。例如，用户可以使用终端设备120提供的具有数据统计功能的客户端应用向服务器130发送数据获取请求。其中，数据例如可以为财务数据、物品出入库数据、物品销售数据等具有至少4个维护的数据。

服务器130例如可以是提供各种服务的服务器。在统计的数据为财务数据时，服务器可以为对用户110利用终端设备120所使用的具有线上收付功能的客户端应用提供支持的后台管理服务器(仅为示例)。该服务器130例如可以响应于资源转移记录获取请求，调取与用户110的个人账户相关的资源转移数据，并将该资源转移数据进行处理后返给终端设备120，以使得该终端设备120可以对接收到的处理后资源转移数据渲染成展示画面，以展示该资源转移数据。

在一实施例中，服务器130向终端设备120返回的处理后资源转移数据例如可以为数据的三维展示模型，从而使得用户110通过佩戴的虚拟现实设备140观看终端设备120展示的数据时，观看到数据的三维展示。

在一实施例中，如图1所示，该应用场景100还可以包括数据库150，用于存储服务器130所支持的客户端应用的各用户的资源转移数据。相应地，服务器130在响应于资源转移记录获取请求，可以先从数据库150中获取资产转移数据，随后再对资产转移数据进行处理。

需要说明的是，本公开提供的处理数据的方法例如可以由终端设备120或服务器130执行，或者部分由终端设备120执行，部分由服务器130执行。相应地，本公开提供的处理数据的装置例如可以设置在终端设备120或服务器130中，或者部分模块设置在终端设备120中，部分模块设置在服务器130中。

可以理解的是，图1描述的终端设备、服务器、虚拟现实设备和数据库的个数和类型仅作为示例以利于理解本公开。根据实际需求，可以具有任意个数和类型的终端设备、服务器、虚拟现实设备和数据库。

以下将基于图1描述的场景，通过图2～图6对公开实施例的处理数据的方法进行详细描述。

图2示意性示出了根据本公开实施例的处理数据的方法的流程图。

如图2所示，该实施例的处理数据的方法200可以包括操作S210～操作S240。

在操作S210，获取m条待展示数据。

根据本公开的实施例，可以响应于用户对具有线上收付功能的客户端应用的目标操作，获取资源转移数据。其中，该资源转移数据可以为用户所使用的具有线上收付功能的客户端应用所登录账号匹配的数据。通常情况下，该所登录账号与所述用户一一对应，因此，获取的资源转移数据为针对用户的数据，或者可以为用户请求的数据。可以理解的是，在待展示数据为物品销售数据或物品出入库数据等其他数据时，可以采用与获取资源转移数据的方法类似的方法来获取待展示数据。

根据本公开的实施例，用户例如可以经由客户端应用输入获取条件，该获取条件例如可以包括数据产生时段和/或数据类型等。相应地，可以根据该获取条件获取待展示数据。例如，获取的m条资源转移数据可以为最近一年产生的资源转移数据。例如，获取的m条待展示数据可以为物品卖出数据或物品买入数据，或者最近一年转出资源的资源转移数据等。可以理解的是，上述获取条件仅作为示例以利于理解本公开，本公开对此不做限定。其中，m为大于1的自然数。可以理解的是，该m的取值可以根据获取条件来设定，本公开对此不做限定。

在操作S220，基于预定分类模型对m条待展示数据进行预处理，得到预处理后的m条数据。

根据本公开的实施例，在待展示数据为财务数据中的资源转移数据时，预定分类模型例如可以用于对资源转移数据的转出账户进行分类。例如，对于对应不同类别用户的账户，可以被划分为不同类别。分类得到的类别例如可以包括餐饮类别、百货类别、医疗类别、休闲类别、服饰类别等。在待展示数据为物品出入库数据时，预定分类模型例如可以用于对出库物品进行分类，分类得到的类别例如可以包括食品、日用品、家具、服饰等类别。可以理解的是，该预定分类模型的分类结果可以根据待展示数据的类型进行设定。

在该实施例中，可以将m条数据中的每条数据作为预定分类模型的输入，经由该预定分类模型处理后输出该每条数据的类别。将该每条数据的类别作为标签添加至该每条数据，得到预处理后的数据。其中，预定分类模型例如可以包括贝叶斯分类器、K最近邻模型(KNearest Neighbor，KNN)或决策树模型等。

该预处理后的m条数据中每条数据均具有分类结果。通过该分类，可以在进行降维处理时，使得相同类别的数据转换得到的三维数据具有较大的相似度。

在操作S230，采用预定降维算法对所述预处理后的m条数据进行降维处理，得到m条三维数据。

根据本公开的实施例，可以采用主成分分析算法(Principal ComponentAnalysis，PCA)、线性判别分析算法(Linear Discriminant Analysis，LDA)、随机邻域嵌入算法(Stochastic Neighbor Embedding，SNE)等对预处理后的m条数据进行降维处理。

根据本公开的实施例，m条数据中的每条数据例如可以为五维、六维等任意的维数大于三的数据。在一实施例中，在待展示数据为资源转移数据时，该m条数据中的每条数据例如可以包括资源转移量、资源转移时间、资源转移说明、资源转移标识码和资源转移双方账户等。

在操作S240，采用三维引擎工具生成m条三维数据的三维展示模型，以基于虚拟现实技术实现m条待展示数据的三维展示。

根据本公开的实施例，三维引擎工具例如可以为JavaScript编写的WebGL第三方库three.js，体提供了非常多的3D显示功能，是运行在浏览器中的3D引擎，可以创建各种三维场景，包括了摄像机、光影、材质等各种对象。

根据本公开的实施例，三维引擎工具例如还可以为三维建模软件，该三维建模软件例如可以包括3ds Max、Maya、Autodesk 123D、Blender等。其中，3ds Max是基于PC系统的三维动画制作和渲染软件，具有三维建模、材质制作、灯光设定、摄像机使用、动画设置及渲染等功能。Maya是一款三维动画软件，其由Autodesk公司所出品。Autodesk 123D是特克公司发布的建模软件。Blender是一款开源的跨平台全能三维动画制作软件，提供从建模、动画、材质、渲染、到音频处理、视频剪辑等解决方案。可以理解的是，上述三维引擎工具仅作为示例以利于理解本公开，本公开对此不做限定。

综上分析，本公开实施例通过将多维的待展示数据转换为三维数据，并基于三维数据生成三维展示模型，可以实现待展示数据的三维可视化显示，从而可以在一定程度上提高信息展示的直观性，提高用户体验。再者，本公开通过在进行数据降维处理之前，先采用预定分类模型对数据进行预处理，可以使得降维得到的三维数据分布与初始待展示数据的分布相贴合，在一定程度上缓解数据降维中存在的聚类拥挤问题。通过该三维展示，在可以提高用户体验的同时，例如还可以向用户进行业务规划提供参考，从而可以提高规划合理性。

图3示意性示出了根据本公开实施例的对待展示数据进行预处理的流程示意图。

根据本公开的实施例，如图3所示，前述对待展示数据进行预处理的操作例如可以包括操作S321～操作S322。

在操作S321，将m条待展示数据转换为标准格式的m条标准数据。

根据本公开的实施例，获取的针对用户的m条待展示数据可能包括不同场景下的数据，该不同场景下的数据彼此之间的格式、和/或包括的数据维度可能存在不同。该实施例在对待展示数据进行预处理时，可以先将获取的每条待展示数据转换为标准格式的数据，以便于提高后续数据处理的效率和准确性。

根据本公开的实施例，标准格式的标准数据例如可以为由JS对象简谱(Javascript Object Notation，JSON)格式或键值对格式的数据。示例性地，在待展示数据为资源转移数据时，该标准格式的标准数据所包括的元素例如可以包括资源转移标识、资源转移时间、资源转移用途、备注信息等。在一实施例中，在转移的资源为流通货币时，标准数据包括的元素可以包括收汇款标识、交易时间、资金用户、备注信息等。其中，JSON是一种轻量级的数据交换格式。

在操作S322，采用预定分类模型对m标准数据进行分类，得到具有分类结果的m条标准数据。

根据本公开的实施例，预定分类模型例如可以包括朴素贝叶斯多项式分类模型。在该朴素贝叶斯多项式分类模型中，假设每条标准数据相互独立、且每条数据中包括的各元素同等重要。该实施例可以先获取训练数据对朴素贝叶斯多项式分类模型进行训练，采用训练得到的模型对m条标准数据进行分类。

根据本公开的实施例，在对朴素贝叶斯多项式分类模型进行训练时，可以先确定样本数据的所有类别，然后计算每个类别中样本数据的条数。随后，对于每条样本数据，先根据先验分类结果确定该每条样本数据所属的类别，然后得到每个类别包括的样本数据中各元素针对该每个类别的条件概率P(元素类别)，该条件概率P(元素类别)＝元素在该每个类别包括的所有样本数据中出现的次数/该每个类别包括的所有样本数据包括的元素总个数。随后，基于该条件概率计算得到每条样本数据属于所有类别中每个类别的条件概率P(类别样本数据的所有元素)。该条件概率P(类别样本数据的所有元素)为样本数据中各元素针对该每个类别的条件概率的乘积。通过循环遍历样本数据中的每条数据，可以得到每条数据属于所有类别中每个类别的条件概率，最终确定最大条件概率对应的类别为每条数据实际所属的类别。其中，先验分类结果为客户端应用根据预定规则设定的分类结果。通过根据实际所属的类别与先验分类结果的差异来对朴素贝叶斯多项式分类模型的参数进行修正，得到训练好的朴素贝叶斯多项式分类模型。

根据本公开的实施例，通过对m条标准数据进行分类，可以在进行降维处理时，将预处理后的m条数据根据类别进行排序，使得具有相同分类结果的n条标准数据的排列位置彼此相邻。从而可以在采用SNE算法进行降维时，使得投射到的初始的m条三维数据中，相似度高的三维数据排在尽可能靠近的位置。其中，n为大于1的自然数，且n小于等于m。

图4示意性示出了根据本公开实施例的对数据进行降维处理的原理图。

根据本公开的实施例，如图4所示，该实施例400在采用预定降维算法对数据进行降维处理时，可以采用SNE算法。如此，可以先将预处理后的m条数据410投射至三维空间，得到初始三维数据420。随后，确定预处理后的m条数据410的第一概率矩阵430，并确定投射到三维空间的初始三维数据420的第二概率矩阵440。在得到第一概率矩阵430和第二概率矩阵440后，确定该第一概率矩阵430和第二概率矩阵440之间的相对熵450，并采用梯度下降算法460最小化该相对熵450，在最小化过程中不断调整第二概率矩阵440，从而实现对第二概率矩阵440对应的初始三维数据420的调整。最终，确定相对熵450最小时第二概率矩阵(即调整后的第二概率矩阵)所对应的三维数据作为优化后三维数据470，得到降维处理得到的m条三维数据。

根据本公开的实施例，SNE算法是用于降维的一种机器学习算法，由Hinton和Roweis于2002年提出。该SNE算法的主要原理是选择近邻的样本数据，将高维数据之间的相似性用概率分布来表示，两条高维数据之间越相似，那么这两条数据出现在彼此周围的可能性越大。该算法是一种非线性降维算法，非常适用于高维数据降维到2维或者3维，可视化结果出色。

SNE算法是通过仿射变换将数据点映射到概率分布上，即将欧几里得距离转换为条件概率来表达点与点之间的相似度。其中，每个数据点表示一条预处理后的数据。SNE算法计算高维数据之间的概率分布，使得一条数据相对于别的数据来说，该条数据与被比较的数据越相似，则出现在周围的可能性越大。然后，SNE算法在低维空间里再构建一个新的概率分布，使得低维空间的概率分布尽可能的与高维空间的概率分布一致。

示例性地，以下以预处理后的m条数据为五维数据，对该降维过程进行详细描述。该预处理后的m条数据可以组成数据集X＝{x

其中，p

其中，σ

计算出高维数据集对应的第一概率矩阵后，对于降维后的低维数据，采用相似的概率计算方式。在低维空间先初始化一个概率分布Q，比较与高维空间中概率分布的相似性，逐步调整低维空间中的概率分布Q，最终获得与高维空间中极其相似的概率分布。对高维数据x

类似地，设定q

接下来，需要判断高维空间中的概率分布与低维空间概率分布的距离，从而调整低维空间的概率分布以接近高维空间的概率分布。这里引入相对熵(又称KL散度)的概念，来判断高维空间与低维空间中概率分布的相似度。该相对熵例如可以采用以下公式表示。

其中，P

例如，在高维空间中，p

根据本公开的实施例，可以采用梯度下降法来最小化相对熵，从而使每一次修正过后，低维空间的分布都更接近高维空间的分布。SNE算法的目标函数中，求梯度的计算公式如下所示。

最终，迭代第t次时的解可以通过以下公式所示。

其中，Y

根据本公开的实施例，考虑到在数据降维时，会出现低维空间中难以表现高维空间中数据之间关系的情况。例如，在高维空间中，某个区域可能会聚集较多的数据，在低维空间表示时，这些聚集的数据彼此之间的空间会被进一步压缩，从而造成更多的数据被聚集在该某个区域。这无疑会影响对数据的观察，造成聚类结果的拥挤问题。

示例性地，为了减弱数据拥挤的问题，在高维空间中，例如可以使用高斯分布来表达数据之间的概率分布。在低维空间模拟时，采用t-分布(t-distribution)来表示数据点之间的相似性与距离的关系。此时，低维空间中数据之间的相似度采用以下公式表示。

相应地，求梯度的计算公式可以优化为如下公式。

根据本公开的实施例，还可以采用T分布随机邻域嵌入算法来对预处理后的m条数据进行降维处理。该T分布随机邻域嵌入算法优化了高维空间与低维空间之间的相对熵，并使用联合概率分布替换了条件概率分布。优化后的相对熵表示为如下式所示。

其中，p为高维空间中各个点的联合概率分布，Q是低维空间中各个点的联合概率分布。对于任意的i与j，有p

在高维空间中，第一概率矩阵中的元素可以表示为：

此种情况下，当高维空间中数据点x

有了以上经过优化后的计算公式，可以首先设置成本函数的参数，困惑值Perp，然后是每次迭代的优化参数，包括次数t，学习速率η，和动量α(t)。计算给定困惑值下的高维空间的第一概率矩阵，然后令p

图5示意性示出了根据本公开实施例的生成三维展示模型的流程图。

根据本公开的实施例，如图5所示，在生成三维展示模型时，可以通过操作S541～操作S542来实现。

在操作S541，采用三维引擎工具生成m条三维数据的三维数据模型。

在操作S542，采用天空盒技术渲染针对三维数据模型的三维展示场景，得到三维展示模型。

根据本公开的实施例，在生成三维展示模型时，第一步是引用文件，可以先采用three.js来创建天空盒(Skybox)，则第一个引用的是three.js文件。第二步引用的文件是OrbitControls.js，这里面的函数是用来操控相机的，通过调用该OrbitControls.js文件中的函数可以在天空盒中实现360°的转换视角。其中，天空盒是用于增强场景表现力的常用技术，一般通过在相机周围包裹一个纹理来实现，其思想是绘制一个大的立方体，若观察者在立方体的中心，则当相机移动时，该立方体也随着相机一起移动，这样相机就永远不会运动到场景的边缘。

该实施例通过采用天空盒技术渲染三维展示场景，可以使得三维展示模型的展示可以更为贴合实际的立体场景，并因此可以便于提高用户体验。

图6示意性示出了根据本公开实施例的处理数据的方法的整体流程图。

如图6所示，该实施例的处理数据的方法包括数据预处理的操作S610、数据处理及三维可视化转换的操作S620和数据展示的操作S630。该实施例中的待展示数据为财务数据，具体可以为用户的资金往来数据。

根据本公开的实施例，操作S610可以包括操作S611～操作S614。

在操作S611，响应于用户的数据查询请求，发起查询业务，查询用户资金往来数据。

在操作S612，将数据整理为标准格式，转换为标准格式的数据与前文描述的标准数据类似，在此不再赘述。

在获取到标准格式的数据后，可以使用分类算法对标准格式的数据进行分类，得到分类结果数据集612。该分类结果数据集612的个数与类别个数相等。

根据本公开的实施例，在使用分类算法分类之前，还可以先获取训练数据611，然后采用初始分类算法确定训练数据611的类别。随后执行操作S613，判断确定的类别与训练数据的实际类别之间是否存在差别(即判断结果)，若存在差别，则对分类算法进行修正，以修正确定的类别(即修正结果)。若确定的类别与训练数据的实际类别相同，则可以得到训练好的分类算法，并使用该训练好的算法对m条数据进行分类(即执行操作S614)。其中，分类算法与前文描述的预定分类模型类似，在此不再赘述。

在得到分类结果数据集后，可以执行操作S620。该操作S620可以包括操作S621～操作S623。

在操作S621，开始对数据进行降维，基于分类结果数据集得到高维数据阵列621，并投射得到高维数据阵列621对应的低维数据阵列622。随后根据高维数据阵列621确定针对高维数据的概率矩阵623，作为前文描述的第一概率矩阵，根据低维数据阵列622确定针对低维数据的概率矩阵624，作为前文描述的第二概率矩阵。

在操作S622，计算概率矩阵623与概率矩阵624的KL散度，并判断KL散度是否达到目标，即该KL散度是否小于预定值。若小于，则执行操作S623，确定完成数据降维，得到m条三维数据。若不小于，则返回对低维数据阵列622进行调整，以减小KL散度。

在完成数据降维后，则可以执行操作S630，该操作S630可以包括操作S631～操作S633。

在操作S631，根据降维后m条三维数据生成三维数据模型。

在操作S632，采用天空盒技术搭建针对三维数据模型的三维场景。

在搭建得到三维场景后，即可执行操作S633，通过连接VR眼镜使得用户可以查看三维可视化数据。

可以理解的是，上述操作S620可以采用前文图4描述的原理来实现，上述操作S631～操作S632与前文描述的操作S541～操作S542类似，在此不再赘述。

该实施例先使用朴素贝叶斯的多项式模型对客户数据做预处理，得到处理后的数据集，采用t-SNE算法将数据从高维映射到三维，通过Three.js生成三维数据模型，使用天空盒技术搭建简洁的三维展示场景，因此用户通过VR眼镜设备连接终端设备，即可在虚拟现实场景中查看三维的可视化数据。

基于以上处理数据的方法，本公开还提供了一种处理数据的装置。以下将结合图7对该处理数据的装置进行详细描述。

图7示意性示出了根据本公开实施例的处理数据的装置的结构框图。

如图7所示，该实施例的处理数据的装置700包括数据获取模块710、数据预处理模块720、数据降维模块730和三维模型生成模块740。

数据获取模块710用于获取m条待展示数据。其中，m为大于1的自然数。在一实施例中，数据获取模块710可以用于执行前文描述的操作S210，在此不再赘述。

数据预处理模块720用于基于预定分类模型对m条待展示数据进行预处理，得到预处理后的m条数据。在一实施例中，数据预处理模块720可以用于执行前文描述的操作S220，在此不再赘述。

数据降维模块730用于采用预定降维算法对所述预处理后的m条数据进行降维处理，得到m条三维数据。在一实施例中，数据降维模块730可以用于执行前文描述的操作S230，在此不再赘述。

三维模型生成模块740用于采用三维引擎工具生成m条三维数据的三维展示模型，以基于虚拟现实技术实现m条待展示数据的三维展示。在一实施例中，三维模型生成模块740可以用于执行前文描述的操作S240，在此不再赘述。

根据本公开的实施例，上述数据预处理模块包括：数据转换子模块，用于将m条待展示数据转换为标准格式的m条标准数据；以及数据分类子模块，用于采用预定分类模型对m条标准数据进行分类，得到具有分类结果的m条标准数据。

根据本公开的实施例，上述预定分类模型包括朴素贝叶斯多项式分类模型。

根据本公开的实施例，上述预处理后的m条数据中，具有相同分类结果的n条标准数据排列位置彼此相邻，其中，n为大于1的自然数，且n小于等于m。

根据本公开的实施例，上述数据降维模块包括：第一矩阵确定子模块，用于确定预处理后的m条数据的第一概率矩阵；第二矩阵确定子模块，用于获取预处理后的m条数据投射至三维空间的第二概率矩阵；相对熵确定子模块，用于确定第一概率矩阵与第二概率矩阵之间的相对熵；矩阵调整子模块，用于采用梯度下降算法最小化相对熵，以调整第二概率矩阵；以及数据确定子模块，用于确定调整后的第二概率矩阵所对应的三维数据，作为m条三维数据。

根据本公开的实施例，预定降维算法包括T分布随机邻域嵌入算法。

根据本公开的实施例，上述三维模型生成模块包括：第一模型生成子模块，用于采用三维引擎工具生成m条三维数据的三维数据模型；以及第二模型生成子模块，用于采用天空盒技术渲染针对三维数据模型的三维展示场景，得到三维展示模型。

根据本公开的实施例，数据获取模块710、数据预处理模块720、数据降维模块730和三维模型生成模块740中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，数据获取模块710、数据预处理模块720、数据降维模块730和三维模型生成模块740中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，数据获取模块710、数据预处理模块720、数据降维模块730和三维模型生成模块740中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图8示意性示出了根据本公开实施例的适于实现处理数据的方法的电子设备的方框图。

如图8所示，根据本公开实施例的电子设备800包括处理器801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分708加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 803中，存储有电子设备800操作所需的各种程序和数据。处理器801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备800还可以包括输入/输出(I/O)接口805，输入/输出(I/O)接口805也连接至总线804。电子设备800还可以包括连接至I/O接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；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807；包括硬盘等的存储部分808；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809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，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810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808。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储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执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：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)、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。在本公开中，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。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，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。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的物品推荐方法。

在该计算机程序被处理器801执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分809被下载和安装，和/或从可拆卸介质811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。