[发明专利]处理数据的方法和装置

说明书

本发明公开了一种处理数据的方法和装置。其中，该方法包括：获取多个待处理对象的预设特征所对应的多个特征值，其中，每个待处理对象具有多个特征，预设特征为多个特征中的任意一个，每个特征具有预设数量的标签，每个标签与至少一个特征值相对应；基于贝叶斯定理对多个特征值进行处理，得到每个特征值对应的特征向量，其中，特征向量的维度小于预设数量；基于每个特征值对应的特征向量确定预设特征对应的标签集合。本发明解决了现有的独热编码方式处理离散型特征时计算性能差的技术问题。

技术领域

本发明涉及计算机领域，具体而言，涉及一种处理数据的方法和装置。

背景技术

目前，人们处于信息数字化的时代，一些企业通过对人们的信息进行统计，可以实现对用户信息的管理，从而能够根据管理中的信息来了解用户的需求，进而能够为用户提供更好的服务。

在现有技术中，通常使用机器学习算法来对用户信息进行管理。其中，在机器学习算法的应用中，通常需要将类别型特征(例如，性别、下订单的城市)编码成有意义的数值，然后再通过机器学习算法进行进一步地处理。

上述类别型特征通常为离散型特征，目前在对离散型特征进行编码时通常使用独热编码(One-Hot Encoding)的方法进行编码，其可将一个类别型的特征编码成一个维度为特征类别数量的向量，例如，对于特征性别，“男”可以编码成[0,1],“女”可以编码成[1,0]。

然而，对于维度较少的特征类别，独热编码效果明显。但是对于维度数量较大的特征类别，例如，下订单的城市，独热编码的维度可以达到万维以上，由于向量维度过大，对于算法计算性能不利。另外，向量过于稀疏，对机器学习算法的性能也容易造成负面影响。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种处理数据的方法和装置，以至少解决现有的独热编码方式处理离散型特征时计算性能差的技术问题。

根据本发明实施例的一个方面，提供了一种处理数据的方法，包括：获取多个待处理对象的预设特征所对应的多个特征值，其中，每个待处理对象具有多个特征，预设特征为多个特征中的任意一个，每个特征具有预设数量的标签，每个标签与至少一个特征值相对应；基于贝叶斯定理对多个特征值进行处理，得到每个特征值对应的特征向量，其中，特征向量的维度小于预设数量；基于每个特征值对应的特征向量确定预设特征对应的标签集合。

进一步地，处理数据的方法还包括：获取多个待处理对象的信用信息；从信用信息中提取多个特征，得到样本集，其中，样本集至少包括：多个特征对应的特征值以及每个特征对应的标签；从样本集中提取与预设特征对应的特征值集合，其中，特征值集合包括预设特征所对应的多个特征值。

进一步地，处理数据的方法还包括：确定预设特征对应的每个标签的先验概率；基于样本集确定每个特征值所对应的条件概率；根据先验概率和条件概率得到每个特征值对应的后验概率；对后验概率进行转换，得到每个特征值对应的特征向量。

进一步地，处理数据的方法还包括：获取预设特征所对应的每个特征值的特征向量；构建特征向量与预设特征的多个特征值之间的映射关系，得到标签集合，其中，标签集合中的每个标签与特征向量相对应。

进一步地，处理数据的方法还包括：在基于每个特征值对应的特征向量确定预设特征对应的标签集合之后，获取目标对象的信用信息；从信用信息中提取目标对象的预设特征值；检测特征值集合中是否存在预设特征值，得到检测结果；根据检测结果确定预设特征值所对应的标签。

进一步地，处理数据的方法还包括：在检测结果指示特征值集合中存在预设特征值的情况下，获取预设特征值对应的索引值，并基于索引值从标签集合中确定预设特征值对应的标签；在检测结果指示特征值集合中不存在预设特征值的情况下，生成预设向量，根据预设向量确定预设特征值对应的标签，其中，预设向量中的元素相同。