[发明专利]数据处理方法、装置、存储介质和电子装置

权利要求书

1.一种数据处理方法，其特征在于，包括：

获取目标样本，其中，所述目标样本包括目标媒体文件在本次曝光时的特征数据和与所述特征数据相关联的历史信息，所述特征数据为影响所述目标媒体文件被执行目标操作的概率的数据，所述特征数据用于确定所述目标媒体文件被执行目标操作的概率，所述特征数据包括的多个特征之间具有非线性关系，所述历史信息用于指示在已过去的预定时间段上与所述特征数据对应的所述目标媒体文件的信息；

使用所述历史信息对预定模型进行深度学习的训练，得到训练好的目标模型，其中，所述历史信息由所述预定模型中的至少一个神经元进行处理；

通过所述目标模型和所述目标媒体文件在所述本次曝光时的所述特征数据，确定出所述目标媒体文件在所述本次曝光之后被执行所述目标操作的概率。

2.根据权利要求1所述的方法，其特征在于，获取所述目标样本包括：

获取在所述预定时间段上所述目标媒体文件进行曝光的曝光数据，和在所述目标媒体文件进行所述曝光后，目标媒体文件被执行所述目标操作的操作数据；

从目标媒体数据中提取出所述特征数据，其中，所述目标媒体数据包括具有关联关系的所述曝光数据和所述操作数据；

将与所述特征数据对应的所述历史信息添加至样本数据中，得到所述目标样本，其中，所述样本数据为用于进行所述深度学习的训练的数据，所述样本数据包括所述特征数据。

3.根据权利要求2所述的方法，其特征在于，从所述目标媒体数据中提取出所述特征数据包括：

从所述目标媒体数据中的多组组合数据中，提取出权重大于目标阈值的目标组合数据，其中，每组所述组合数据包括一组具有所述关联关系的所述曝光数据和所述操作数据，所述权重用于指示所述组合数据对确定所述目标媒体文件被执行所述目标操作的概率的影响程度；

将所述目标组合数据中的具有所述关联关系的所述曝光数据和所述操作数据确定为所述特征数据。

4.根据权利要求2所述的方法，其特征在于，在从所述目标媒体数据中提取出所述特征数据之前，所述方法还包括：

将具有相同标识信息的所述曝光数据和所述操作数据进行关联，得到所述目标媒体数据，其中，具有所述标识信息的所述操作数据，是在具有所述标识信息的所述曝光数据产生之后，在所述目标媒体文件被执行所述目标操作时产生。

5.根据权利要求1所述的方法，其特征在于，

在所述获取目标样本之后、且在所述使用所述历史信息对所述预定模型进行深度学习的训练，得到训练好的所述目标模型之前，所述方法还包括：对所述历史信息进行处理，得到目标维度的向量，其中，所述目标维度低于目标阈值，在对所述预定模型进行所述深度学习的训练时，所述目标维度的向量的辨识度高于所述历史信息；

使用所述历史信息对所述预定模型进行所述深度学习的训练，得到训练好的所述目标模型包括：使用所述目标维度的向量对所述预定模型进行所述深度学习的训练，得到训练好的所述目标模型。

6.根据权利要求1所述的方法，其特征在于，在确定出在所述目标媒体文件在所述本次曝光之后被执行所述目标操作的概率之后，所述方法还包括：

按照所述目标媒体文件被执行所述目标操作的概率，确定所述目标媒体文件在目标列表中的排序位置，其中，所述目标列表中包括的多个媒体文件按照各自被执行所述目标操作的概率进行排序。

7.根据权利要求1至6中任意一项所述的方法，其特征在于，通过所述目标模型和所述目标媒体文件在所述本次曝光时的所述特征数据，确定出在所述目标媒体文件在所述本次曝光之后被执行所述目标操作的概率包括：

通过所述目标模型中的目标公式，对所述目标媒体文件在所述本次曝光时的所述特征数据对应的数值进行处理，得到在所述目标媒体文件在所述本次曝光之后被执行所述目标操作的概率，其中，所述目标公式用于指示所述特征数据与在所述目标媒体文件在所述本次曝光之后被执行所述目标操作的概率之间的关系。