一种数据处理方法、装置及设备

技术领域

本文件涉及计算机技术领域，尤其涉及一种数据处理方法、装置及设备。

背景技术

随着在线业务的不断开展，更多的商户将会在未来的某个时间节点接入，但是不同的商户收集交易信息的自身能力存在着一定的差异，这就导致了不同的商户可能会存在着：在不同字段的传输上具有不同程度的缺失现象，而字段缺失会导致部署于该在线业务中的指定模型在进行模型预测时使用的特征值为异常值，这也就会导致对于不同的商户，使用同一个全局模型进行预测会存在着不同程度的效能降低现象。

目前对于字段缺失导致的效能降低现象的研究仅限于攻击阶段，即通过人为使得部分字段缺失，导致模型朝着期望的效能降低的方向发展，而且可以将字段缺失导致的特征值异常的情况模拟到模型训练的过程中，不修改任何的模型结构，上述方式无法针对不同的缺失情况进行更准确的预测，也导致了会降低其它没有在模型训练时考虑到字段缺失情况的模型效果，为此，需要提供一种能够让模型依据字段缺失的情况灵活选择更应该关注的特征进行模型的预测，从而减少字段缺失对于模型效果的影响的技术方案。

发明内容

本说明书实施例的目的是提供一种能够让模型依据字段缺失的情况灵活选择更应该关注的特征进行模型的预测，从而减少字段缺失对于模型效果的影响的技术方案。

为了实现上述技术方案，本说明书实施例是这样实现的：

本说明书实施例提供的一种数据处理方法，所述方法包括：获取预设业务的业务数据。对所述业务数据进行特征提取，得到所述业务数据对应的特征，所述业务数据对应的特征中包括特征值异常的特征。基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值。将所述业务数据对应的特征中每个特征项和相应的所述模型特征值输入到所述目标模型中，得到所述业务数据对应的预测结果。

本说明书实施例提供的一种数据处理装置，所述装置包括：数据获取模块，获取预设业务的业务数据。特征提取模块，对所述业务数据进行特征提取，得到所述业务数据对应的特征，所述业务数据对应的特征中包括特征值异常的特征。特征处理模块，基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值。预测模块，将所述业务数据对应的特征中每个特征项和相应的所述模型特征值输入到所述目标模型中，得到所述业务数据对应的预测结果。

本说明书实施例提供的一种数据处理设备，所述数据处理设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器：获取预设业务的业务数据。对所述业务数据进行特征提取，得到所述业务数据对应的特征，所述业务数据对应的特征中包括特征值异常的特征。基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值。将所述业务数据对应的特征中每个特征项和相应的所述模型特征值输入到所述目标模型中，得到所述业务数据对应的预测结果。

本说明书实施例还提供了一种存储介质，所述存储介质用于存储计算机可执行指令，所述可执行指令在被处理器执行时实现以下流程：获取预设业务的业务数据。对所述业务数据进行特征提取，得到所述业务数据对应的特征，所述业务数据对应的特征中包括特征值异常的特征。基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值。将所述业务数据对应的特征中每个特征项和相应的所述模型特征值输入到所述目标模型中，得到所述业务数据对应的预测结果。

附图说明

为了更清楚地说明本说明书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简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本说明书一种数据处理方法实施例；

图2为本说明书另一种数据处理方法实施例；

图3为本说明书一种数据处理过程的示意图；

图4为本说明书又一种数据处理方法实施例；

图5为本说明书一种数据处理装置实施例；

图6为本说明书一种数据处理设备实施例。

具体实施方式

本说明书实施例提供一种数据处理方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

实施例一

如图1所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为终端设备或服务器等，其中的终端设备可以如手机、平板电脑等移动终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为IoT设备(具体如智能手表、车载设备等)等，其中的服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤：

在步骤S102中，获取预设业务的业务数据。

其中，预设业务可以是任意业务，例如，预设业务可以为支付业务、转账业务或即时通讯业务等，具体可以根据实际情况设定，本说明书实施例对此不做限定。业务数据可以是与预设业务相关的数据，具体可以根据预设业务确定，例如，预设业务为支付业务，则业务数据可以包括支付时间、地点、支付金额、支付方的账户信息、接收方的账户信息等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在实施中，随着在线业务的不断开展，更多的商户将会在未来的某个时间节点接入，但是不同的商户收集交易信息的自身能力存在着一定的差异，这就导致了不同的商户可能会存在着：在不同字段的传输上具有不同程度的缺失现象(例如，A商户对于买家的设备标识可能会缺失50％，B商户在买家的客户端标识可能缺失70％)，而字段缺失会导致部署于该在线业务中的指定模型在进行模型预测时使用的特征值为异常值，这也就会导致对于不同的商户，使用同一个全局模型进行预测会存在着不同程度的效能降低现象。但是对每一个商户都单独维持一个模型开销过大，因此，解决字段缺失而出现的特征值异常而导致的通用的模型的效能降低现象是必不可少的。目前对于字段缺失导致的效能降低现象的研究仅限于攻击阶段，即通过人为使得部分字段缺失，导致模型朝着期望的效能降低的方向发展，而且可以将字段缺失导致的特征值异常的情况模拟到模型训练的过程中，不修改任何的模型结构，上述方式无法针对不同的缺失情况进行更准确的预测，也导致了会降低其它没有在模型训练时考虑到字段缺失情况的模型效果，为此，需要提供一种能够让模型依据字段缺失的情况灵活选择更应该关注的特征进行模型的预测，从而减少字段缺失对于模型效果的影响的技术方案。本说明书实施例提供一种可实现的技术方案，具体可以参见下述内容。

当某业务(即预设业务)中部署了指定的模型后，如果预设业务中会存在输入该模型中的某些特征项对应的特征值缺失的情况，则当某用户触发预设业务执行时，可以获取该用户执行预设业务的过程中产生的业务数据。或者，也可以是在对该模型进行模型训练的过程中，从预设业务中预先记录的业务数据(或者从指定的历史数据库)中获取一定数量的业务数据作为训练样本，以便后续对该模型进行模型训练。

在步骤S104中，对上述业务数据进行特征提取，得到该业务数据对应的特征，该业务数据对应的特征中包括特征值异常的特征。

其中，本实施例中为了表述方便，可以将特征分为特征项和特征值，特征项可以是特征的标识，例如，特征项可以如特征名称或特征编码等，具体如特征项为交易金额，相应的特征值为100，再例如特征项为账户名称，相应的特征值为Ac55hd等，具体可以根据实际情况设定，本说明书实施例对此不做限定。特征值异常可以包括多种，例如特征值缺失、特征值错误等，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在实施中，通过上述方式得到预设业务的业务数据后，可以获取预先设定的特征提取算法，可以使用该特征提取算法对上述业务数据进行特征提取，得到该业务数据对应的特征，由于业务数据中某一个或多个不同的特征项对应的特征值可能存在异常，如某一个特征项对应的特征值明显错误(具体如特征项为交易金额，相应的特征值则为账户A或Bdcge(即英文字符)等与金额无关的信息)，和/或，某一个特征项对应的特征值缺失，例如特征项为支付方所使用的终端设备的标识，相应的特征值为空(即缺失)，再例如，特征项为支付方所使用的终端设备的IP地址，相应的特征值为空(即缺失)等，具体可以根据实际情况设定，因此，上述得到的该业务数据对应的特征中可能包括特征值异常的特征，如果在实际应用中，上述业务数据中的确存在异常的数据，则该业务数据对应的特征中可以包括特征值异常的特征，该特征值异常的特征即可以是上述异常的数据对应的特征。

需要说明的是，上述出现的特征值异常的特征，可以是在实际应用中丢失或本身就不存在的特征值，还可以是技术人员为了验证模型的效果等目的而人为的将某特征项对应的特征值设置为异常数值或将原数值清空等，从而形成特征值异常的特征，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在步骤S106中，基于上述业务数据对应的特征中特征值异常情况和该业务数据对应的特征中特征值无异常的特征，为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值。

其中，特征值异常情况可以包括多种，例如属于何种形式的特征值异常(例如，属于特征值缺失类的特征值异常或属于特征值错误类的特征值异常等)、特征值异常的特征对其它特征影响程度、特征值异常的特征与其它特征的关联关系、特征值异常的特征是否属于经常出现特征值异常的特征集合(即出现特征值异常的概率大于预设概率阈值的特征集合)中的特征等，具体可以根据实际情况设定，本说明书实施例对此不做限定。目标模型可以是任意模型，具体可以根据预设业务而设置，例如，预设业务为支付业务，则目标业务可以为风险防控模型，可以用于检测在执行支付业务的过程中是否存在欺诈风险等，或者，预设业务为在线购物业务，则目标模型可以为信息推荐模型或信息检索模型，可以用于向在线购物业务的用户推荐或检索指定的信息等，目标模型可以通过多种不同的算法构建，例如，目标模型可以通过分类算法构建，或者，目标模型可以通过神经网络模型构建，或者，目标模型可以通过遗传算法构建，或者，目标模型可以通过蚁群算法构建等，具体可以根据实际情况设定，本说明书实施例对此不做限定。模型特征值可以是能够直接输入目标模型中，且目标模型能够准确识别其内容并输出相应结果的特征值，即模型特征值可以是不需要再进行处理即可直接应用于目标模型的特征。

在实施中，考虑到特征值异常的情况可能出现在每一个特征上，为了提高目标模型的效果，可以根据目标模型的输入数据来判断目标模型应该注重哪些特征，可以通过上述方式重新确定目标模型的模型特征值，具体地，可以对上述业务数据对应的特征进行分析，确定其中包含特征值和不包含特征值的特征，并可以继续对包含特征值的特征进行分析，确定其中包含的特征值错误的特征等，通过上述方式可以得到不包含特征值的特征和包含特征值错误的特征等，从而可以得到上述业务数据对应的特征中包含的特征值异常的特征。可以对特征值异常的特征进行进一步的分析，得到特征值异常的特征的特征值异常情况。可以根据实际情况预先设定相应的算法，例如注意力(Attention)机制对应的算法等，注意力机制可以包括多种，例如时间注意力(Temporal Attention)机制或空间注意力(Spatial Attention)机制，或者，还可以是Soft Attention或Hard Attention等，具体可以根据实际情况设定。可以使用上述算法，并结合上述业务数据对应的特征中特征值异常情况和该业务数据对应的特征中特征值无异常的特征，可以确定目标模型应该注重的特征，这样，可以通过输入数据的全局数据情况确定目标模型应该注重的特征，然后，可以基于确定的目标模型应该注重的特征，进而为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值。具体通过上述各注意力机制对应的算法为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值的具体处理过程可以基于相应的注意力机制的处理方式执行，在此不再赘述。

在步骤S108中，将上述业务数据对应的特征中每个特征项和相应的模型特征值输入到目标模型中，得到上述业务数据对应的预测结果。

需要说明的是，在实际应用中，还可以是将上述业务数据对应的特征中每个特征项对应的模型特征值输入到目标模型中，得到上述业务数据对应的预测结果，而不需要将上述业务数据对应的特征中每个特征项输入到目标模型中进行处理，具体可以根据实际情况选择相应的处理方式，本说明书实施例对此不做限定。

本说明书实施例提供一种数据处理方法，通过获取预设业务的业务数据，对该业务数据进行特征提取，得到该业务数据对应的特征，该业务数据对应的特征中包括特征值异常的特征，然后，可以基于该业务数据对应的特征中特征值异常情况和该业务数据对应的特征中特征值无异常的特征，为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值，最终，可以将该业务数据对应的特征中每个特征项和相应的模型特征值输入到目标模型中，得到该业务数据对应的预测结果，这样，通过为该业务数据对应的特征中每个特征项重新生成应用于预设业务中的目标模型的模型特征值，能够让模型依据字段缺失的情况灵活选择更应该关注的特征进行模型的预测，从而减少字段缺失对于模型效果的影响，相比于不做任何处理的模型，本方案能够提高模型对于字段缺失情况的预测效果，相比于不修改模型的方式，而直接将字段缺失情况考虑到模型训练中，本方案能够确保不影响其它情况的效果，并且能够大大降低模型训练时的成本，以及模型的大小，便于模型的部署以及降低模型的预测时间成本。

实施例二

如图2所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为终端设备或服务器等，其中的终端设备可以如手机、平板电脑等移动终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为IoT设备(具体如智能手表、车载设备等)等，其中的服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤：

在步骤S202中，获取预设业务的业务数据。

在步骤S204中，对上述业务数据进行特征提取，得到该业务数据对应的特征，该业务数据对应的特征中包括特征值异常的特征。

其中，该特征值异常可以包括特征值缺失。

在步骤S206中，通过self-attention算法，基于上述业务数据对应的特征中特征值异常情况和该业务数据对应的特征中特征值无异常的特征，为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值。

其中，self-attention算法是一种只需要根据输入判断目标模型应该注重哪些特征的算法，self-attention算法的计算过程可以包括：将输入数据转换为嵌入向量；对每个嵌入向量创建Query向量、Key向量、Value向量，上述创建的向量是输入数据的嵌入向量和三个转换矩阵(W_Q、W_K、W_V)相乘得到，上述三个矩阵是在训练的过中学习得到的；为每个嵌入向量计算相应的分值score，score＝Query向量点乘Key向量；将上述分值score除以(key向量维度的开方)，这样，可以使得得到的梯度更加稳定，然后，可以通过softmax函数归一化分值使加和为1；将softmax函数得到的分数与对应的value向量相乘，从而可以保留注重的特征的value值，削弱非相关特征的value值；累加所有加权后的value向量，即可以得到某位置的self-attention算法的输出结果。

在实施中，可以通过上述提供的self-attention算法的计算过程，结合上述业务数据对应的特征中特征值异常情况和该业务数据对应的特征中特征值无异常的特征，计算得到该业务数据对应的特征中每个特征项对应的模型特征值，在此不再赘述。

上述步骤S206的处理可以多种多样，以下再提供两种可选的处理方式，具体可以包括以下方式一和方式二的处理。

方式一：可以包括以下步骤A2中步骤A4的处理。

在步骤A2中，获取上述业务数据对应的特征中存在特征值异常的目标特征，并根据目标特征获取预先为目标特征设置的self-attention算法。

在步骤A4中，通过获取的self-attention算法，基于上述业务数据对应的特征中特征值异常情况和该业务数据对应的特征中特征值无异常的特征，为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值。

在实施中，如图3所示，可以通过分析得到上述业务数据对应的特征中特征值属于正常值和特征值异常的特征，图3中特征值属于正常值的特征使用“1”表示，特征值异常的特征使用“0”表示，其中上述业务数据对应的特征的序列的左侧第2个特征和最后1个特征为特征值异常的特征，剩余的特征为特征值属于正常值的特征。然后，可以通过获取的self-attention算法和预先设置的特征值无异常时的特征对应的self-attention算法，并结合上述业务数据对应的特征中特征值异常情况和该业务数据对应的特征中特征值无异常的特征，使用上述self-attention算法的计算过程进行计算，从而为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值。

方式二：可以包括以下步骤B2和步骤B4的处理。

在步骤B2中，获取上述业务数据对应的特征中存在特征值异常的目标特征，并对目标特征进行分类，得到每个目标特征对应的类别，并获取得到的每个类别对应的self-attention算法。

其中，类别可以包括多种，例如用户个人信息类、终端设备信息类、金额类、时间类等，可以预先为每个类别设置相应的self-attention算法，不同的类别对应的self-attention算法可以不同，具体可以根据实际情况设定，本说明书实施例对此不做限定。

在步骤B4中，分别通过获取的每个类别对应的self-attention算法，基于上述业务数据对应的特征中特征值异常情况、每个目标特征对应的类别和该业务数据对应的特征中特征值无异常的特征，为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值。

在实施中，如图3所示，可以通过获取的self-attention算法和预先设置的特征值无异常时的特征对应的self-attention算法，并结合上述业务数据对应的特征中特征值异常情况、每个目标特征对应的类别和该业务数据对应的特征中特征值无异常的特征，使用上述self-attention算法的计算过程进行计算，从而为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值。

在步骤S208中，将上述业务数据对应的特征中每个特征项和相应的模型特征值输入到目标模型中，得到该业务数据对应的预测结果。

在步骤S210中，根据上述业务数据对应的预测结果，判断该预测结果是否能够使得目标模型收敛。

在步骤S212中，如果否，则获取预设业务的业务数据继续对目标模型进行模型训练，直到目标模型收敛，得到训练后的目标模型，将训练后的目标模型部署于预设业务中。

需要说明的是，上述缺失特征值的处理是发生在目标模型的训练过程中，即在目标模型进行模型训练的过程中，可以通过上述方式对缺失特征值的特征进行处理，从而得到模型效果较好的目标模型。

本说明书实施例提供一种数据处理方法，通过获取预设业务的业务数据，对该业务数据进行特征提取，得到该业务数据对应的特征，该业务数据对应的特征中包括特征值异常的特征，然后，可以基于该业务数据对应的特征中特征值异常情况和该业务数据对应的特征中特征值无异常的特征，为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值，最终，可以将该业务数据对应的特征中每个特征项和相应的模型特征值输入到目标模型中，得到该业务数据对应的预测结果，这样，通过为该业务数据对应的特征中每个特征项重新生成应用于预设业务中的目标模型的模型特征值，能够让模型依据字段缺失的情况灵活选择更应该关注的特征进行模型的预测，从而减少字段缺失对于模型效果的影响，相比于不做任何处理的模型，本方案能够提高模型对于字段缺失情况的预测效果，相比于不修改模型的方式，而直接将字段缺失情况考虑到模型训练中，本方案能够确保不影响其它情况的效果，并且能够大大降低模型训练时的成本，以及模型的大小，便于模型的部署以及降低模型的预测时间成本。

此外，提出了一种基于self-attention算法的改进方案，可以自动根据模型的字段缺失情况生成不同的最终模型特征，提高模型在不同字段缺失情况的模型效能。

实施例三

如图4所示，本说明书实施例提供一种数据处理方法，该方法的执行主体可以为终端设备或服务器等，其中的终端设备可以如手机、平板电脑等移动终端设备，还可以如笔记本电脑或台式电脑等计算机设备，或者，也可以为IoT设备(具体如智能手表、车载设备等)等，其中的服务器可以是独立的一个服务器，还可以是由多个服务器构成的服务器集群等，该服务器可以是如金融业务或网络购物业务等的后台服务器，也可以是某应用程序的后台服务器等。该方法具体可以包括以下步骤：

在步骤S402中，获取目标模型的部署指令，目标模型是通过预设业务的业务数据进行模型训练后得到的模型。

在步骤S404中，基于上述部署指令，获取目标模型，并将目标模型部署于预设业务中。

在步骤S406中，获取预设业务的业务数据。

在步骤S408中，对上述业务数据进行特征提取，得到该业务数据对应的特征，该业务数据对应的特征中包括特征值异常的特征。

其中，该特征值异常可以包括特征值缺失。

在步骤S410中，通过self-attention算法，基于上述业务数据对应的特征中特征值异常情况和该业务数据对应的特征中特征值无异常的特征，为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值。

上述步骤S410的处理可以多种多样，以下再提供两种可选的处理方式，具体可以包括以下方式一和方式二的处理。

方式一：可以包括以下步骤C2中步骤C4的处理。

在步骤C2中，获取上述业务数据对应的特征中存在特征值异常的目标特征，并根据目标特征获取预先为目标特征设置的self-attention算法。

在步骤C4中，通过获取的self-attention算法，基于上述业务数据对应的特征中特征值异常情况和该业务数据对应的特征中特征值无异常的特征，为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值。

方式二：可以包括以下步骤D2和步骤D4的处理。

在步骤D2中，获取上述业务数据对应的特征中存在特征值异常的目标特征，并对目标特征进行分类，得到每个目标特征对应的类别，并获取得到的每个类别对应的self-attention算法。

在步骤D4中，分别通过获取的每个类别对应的self-attention算法，基于上述业务数据对应的特征中特征值异常情况、每个目标特征对应的类别和该业务数据对应的特征中特征值无异常的特征，为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值。

在步骤S412中，将上述业务数据对应的特征中每个特征项和相应的模型特征值输入到目标模型中，得到该业务数据对应的预测结果。

上述步骤S402～步骤S412的具体处理可以参见前述相关内容，在此不再赘述。

需要说明的是，上述缺失特征值的处理是发生在预设业务中部署了目标模型后，对实时的业务数据进行预测的过程中，即在将目标模型部署于预设业务中后，可以通过上述方式对缺失特征值的特征进行处理，从而得到目标模型的较好输出结果。

本说明书实施例提供一种数据处理方法，通过获取预设业务的业务数据，对该业务数据进行特征提取，得到该业务数据对应的特征，该业务数据对应的特征中包括特征值异常的特征，然后，可以基于该业务数据对应的特征中特征值异常情况和该业务数据对应的特征中特征值无异常的特征，为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值，最终，可以将该业务数据对应的特征中每个特征项和相应的模型特征值输入到目标模型中，得到该业务数据对应的预测结果，这样，通过为该业务数据对应的特征中每个特征项重新生成应用于预设业务中的目标模型的模型特征值，能够让模型依据字段缺失的情况灵活选择更应该关注的特征进行模型的预测，从而减少字段缺失对于模型效果的影响，相比于不做任何处理的模型，本方案能够提高模型对于字段缺失情况的预测效果，相比于不修改模型的方式，而直接将字段缺失情况考虑到模型训练中，本方案能够确保不影响其它情况的效果，并且能够大大降低模型训练时的成本，以及模型的大小，便于模型的部署以及降低模型的预测时间成本。

此外，提出了一种基于self-attention算法的改进方案，可以自动根据模型的字段缺失情况生成不同的最终模型特征，提高模型在不同字段缺失情况的模型效能。

实施例四

以上为本说明书实施例提供的数据处理方法，基于同样的思路，本说明书实施例还提供一种数据处理装置，如图5所示。

该数据处理装置包括：数据获取模块501、特征提取模块502、特征处理模块503和预测模块504，其中：

数据获取模块501，获取预设业务的业务数据；

特征提取模块502，对所述业务数据进行特征提取，得到所述业务数据对应的特征，所述业务数据对应的特征中包括特征值异常的特征；

特征处理模块503，基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值；

预测模块504，将所述业务数据对应的特征中每个特征项和相应的所述模型特征值输入到所述目标模型中，得到所述业务数据对应的预测结果。

本说明书实施例中，所述特征处理模块503，通过self-attention算法，基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值。

本说明书实施例中，所述特征处理模块503，包括：

第一算法获取单元，获取所述业务数据对应的特征中存在特征值异常的目标特征，并根据所述目标特征获取预先为所述目标特征设置的self-attention算法；

第一特征处理单元，通过获取的self-attention算法，基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值。

本说明书实施例中，所述特征处理模块503，包括：

第二算法获取单元，获取所述业务数据对应的特征中存在特征值异常的目标特征，并对所述目标特征进行分类，得到每个所述目标特征对应的类别，并获取得到的每个类别对应的self-attention算法；

第二特征处理单元，分别通过获取的每个类别对应的self-attention算法，基于所述业务数据对应的特征中特征值异常情况、每个所述目标特征对应的类别和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值。

本说明书实施例中，所述特征值异常包括特征值缺失。

本说明书实施例中，所述装置还包括：

判断模块，根据所述业务数据对应的预测结果，判断所述预测结果是否能够使得所述目标模型收敛；

训练模块，如果否，则获取所述预设业务的业务数据继续对所述目标模型进行模型训练，直到所述目标模型收敛，得到训练后的目标模型，将所述训练后的目标模型部署于所述预设业务中。

本说明书实施例中，所述装置还包括：

指令获取模块，获取所述目标模型的部署指令，所述目标模型是通过预设业务的业务数据进行模型训练后得到的模型；

模型部署模块，基于所述部署指令，获取所述目标模型，并将所述目标模型部署于所述预设业务中。

本说明书实施例提供一种数据处理装置，通过获取预设业务的业务数据，对该业务数据进行特征提取，得到该业务数据对应的特征，该业务数据对应的特征中包括特征值异常的特征，然后，可以基于该业务数据对应的特征中特征值异常情况和该业务数据对应的特征中特征值无异常的特征，为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值，最终，可以将该业务数据对应的特征中每个特征项和相应的模型特征值输入到目标模型中，得到该业务数据对应的预测结果，这样，通过为该业务数据对应的特征中每个特征项重新生成应用于预设业务中的目标模型的模型特征值，能够让模型依据字段缺失的情况灵活选择更应该关注的特征进行模型的预测，从而减少字段缺失对于模型效果的影响，相比于不做任何处理的模型，本方案能够提高模型对于字段缺失情况的预测效果，相比于不修改模型的方式，而直接将字段缺失情况考虑到模型训练中，本方案能够确保不影响其它情况的效果，并且能够大大降低模型训练时的成本，以及模型的大小，便于模型的部署以及降低模型的预测时间成本。

此外，提出了一种基于self-attention算法的改进方案，可以自动根据模型的字段缺失情况生成不同的最终模型特征，提高模型在不同字段缺失情况的模型效能。

实施例五

以上为本说明书实施例提供的数据处理装置，基于同样的思路，本说明书实施例还提供一种数据处理设备，如图6所示。

所述数据处理设备可以设置于上述实施例提供的终端设备或服务器中。

数据处理设备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上的处理器601和存储器602，存储器602中可以存储有一个或一个以上存储应用程序或数据。其中，存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对数据处理设备中的一系列计算机可执行指令。更进一步地，处理器601可以设置为与存储器602通信，在数据处理设备上执行存储器602中的一系列计算机可执行指令。数据处理设备还可以包括一个或一个以上电源603，一个或一个以上有线或无线网络接口604，一个或一个以上输入输出接口605，一个或一个以上键盘606。

具体在本实施例中，数据处理设备包括有存储器，以及一个或一个以上的程序，其中一个或者一个以上程序存储于存储器中，且一个或者一个以上程序可以包括一个或一个以上模块，且每个模块可以包括对数据处理设备中的一系列计算机可执行指令，且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令：

获取预设业务的业务数据；

对所述业务数据进行特征提取，得到所述业务数据对应的特征，所述业务数据对应的特征中包括特征值异常的特征；

基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值；

将所述业务数据对应的特征中每个特征项和相应的所述模型特征值输入到所述目标模型中，得到所述业务数据对应的预测结果。

本说明书实施例中，所述基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值，包括：

通过self-attention算法，基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值。

本说明书实施例中，所述通过self-attention算法，基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值，包括：

获取所述业务数据对应的特征中存在特征值异常的目标特征，并根据所述目标特征获取预先为所述目标特征设置的self-attention算法；

通过获取的self-attention算法，基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值。

本说明书实施例中，所述通过self-attention算法，基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值，包括：

获取所述业务数据对应的特征中存在特征值异常的目标特征，并对所述目标特征进行分类，得到每个所述目标特征对应的类别，并获取得到的每个类别对应的self-attention算法；

分别通过获取的每个类别对应的self-attention算法，基于所述业务数据对应的特征中特征值异常情况、每个所述目标特征对应的类别和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值。

本说明书实施例中，所述特征值异常包括特征值缺失。

本说明书实施例中，还包括：

根据所述业务数据对应的预测结果，判断所述预测结果是否能够使得所述目标模型收敛；

如果否，则获取所述预设业务的业务数据继续对所述目标模型进行模型训练，直到所述目标模型收敛，得到训练后的目标模型，将所述训练后的目标模型部署于所述预设业务中。

本说明书实施例中，所述获取预设业务的业务数据之前，还包括：

获取所述目标模型的部署指令，所述目标模型是通过预设业务的业务数据进行模型训练后得到的模型；

基于所述部署指令，获取所述目标模型，并将所述目标模型部署于所述预设业务中。

本说明书实施例提供一种数据处理设备，通过获取预设业务的业务数据，对该业务数据进行特征提取，得到该业务数据对应的特征，该业务数据对应的特征中包括特征值异常的特征，然后，可以基于该业务数据对应的特征中特征值异常情况和该业务数据对应的特征中特征值无异常的特征，为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值，最终，可以将该业务数据对应的特征中每个特征项和相应的模型特征值输入到目标模型中，得到该业务数据对应的预测结果，这样，通过为该业务数据对应的特征中每个特征项重新生成应用于预设业务中的目标模型的模型特征值，能够让模型依据字段缺失的情况灵活选择更应该关注的特征进行模型的预测，从而减少字段缺失对于模型效果的影响，相比于不做任何处理的模型，本方案能够提高模型对于字段缺失情况的预测效果，相比于不修改模型的方式，而直接将字段缺失情况考虑到模型训练中，本方案能够确保不影响其它情况的效果，并且能够大大降低模型训练时的成本，以及模型的大小，便于模型的部署以及降低模型的预测时间成本。

此外，提出了一种基于self-attention算法的改进方案，可以自动根据模型的字段缺失情况生成不同的最终模型特征，提高模型在不同字段缺失情况的模型效能。

实施例六

进一步地，基于上述图1到图4所示的方法，本说明书一个或多个实施例还提供了一种存储介质，用于存储计算机可执行指令信息，一种具体的实施例中，该存储介质可以为U盘、光盘、硬盘等，该存储介质存储的计算机可执行指令信息在被处理器执行时，能实现以下流程：

获取预设业务的业务数据；

对所述业务数据进行特征提取，得到所述业务数据对应的特征，所述业务数据对应的特征中包括特征值异常的特征；

基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值；

将所述业务数据对应的特征中每个特征项和相应的所述模型特征值输入到所述目标模型中，得到所述业务数据对应的预测结果。

本说明书实施例中，所述基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值，包括：

通过self-attention算法，基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值。

本说明书实施例中，所述通过self-attention算法，基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值，包括：

获取所述业务数据对应的特征中存在特征值异常的目标特征，并根据所述目标特征获取预先为所述目标特征设置的self-attention算法；

通过获取的self-attention算法，基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值。

本说明书实施例中，所述通过self-attention算法，基于所述业务数据对应的特征中特征值异常情况和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值，包括：

获取所述业务数据对应的特征中存在特征值异常的目标特征，并对所述目标特征进行分类，得到每个所述目标特征对应的类别，并获取得到的每个类别对应的self-attention算法；

分别通过获取的每个类别对应的self-attention算法，基于所述业务数据对应的特征中特征值异常情况、每个所述目标特征对应的类别和所述业务数据对应的特征中特征值无异常的特征，为所述业务数据对应的特征中每个特征项生成应用于所述预设业务中的目标模型的模型特征值。

本说明书实施例中，所述特征值异常包括特征值缺失。

本说明书实施例中，还包括：

根据所述业务数据对应的预测结果，判断所述预测结果是否能够使得所述目标模型收敛；

如果否，则获取所述预设业务的业务数据继续对所述目标模型进行模型训练，直到所述目标模型收敛，得到训练后的目标模型，将所述训练后的目标模型部署于所述预设业务中。

本说明书实施例中，所述获取预设业务的业务数据之前，还包括：

获取所述目标模型的部署指令，所述目标模型是通过预设业务的业务数据进行模型训练后得到的模型；

基于所述部署指令，获取所述目标模型，并将所述目标模型部署于所述预设业务中。

本说明书实施例提供一种存储介质，通过获取预设业务的业务数据，对该业务数据进行特征提取，得到该业务数据对应的特征，该业务数据对应的特征中包括特征值异常的特征，然后，可以基于该业务数据对应的特征中特征值异常情况和该业务数据对应的特征中特征值无异常的特征，为该业务数据对应的特征中每个特征项生成应用于预设业务中的目标模型的模型特征值，最终，可以将该业务数据对应的特征中每个特征项和相应的模型特征值输入到目标模型中，得到该业务数据对应的预测结果，这样，通过为该业务数据对应的特征中每个特征项重新生成应用于预设业务中的目标模型的模型特征值，能够让模型依据字段缺失的情况灵活选择更应该关注的特征进行模型的预测，从而减少字段缺失对于模型效果的影响，相比于不做任何处理的模型，本方案能够提高模型对于字段缺失情况的预测效果，相比于不修改模型的方式，而直接将字段缺失情况考虑到模型训练中，本方案能够确保不影响其它情况的效果，并且能够大大降低模型训练时的成本，以及模型的大小，便于模型的部署以及降低模型的预测时间成本。

此外，提出了一种基于self-attention算法的改进方案，可以自动根据模型的字段缺失情况生成不同的最终模型特征，提高模型在不同字段缺失情况的模型效能。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device，PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书的实施例是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程欺诈案例的串并设备的处理器以产生一个机器，使得通过计算机或其他可编程欺诈案例的串并设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程欺诈案例的串并设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程欺诈案例的串并设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。