[发明专利]基于循环神经网络的数据处理方法、装置、设备及介质

说明书

本申请公开了一种基于循环神经网络的数据处理方法、装置、设备和介质，该方法包括：获取待处理时序数据，将所述待处理时序数据输入至数据处理模型中；所述数据处理模型为基于用户非相同时刻的时序数据对不同时刻的循环神经网络模型进行联邦前向训练后，再对联邦前向训练完成的不同时刻的循环神经网络模型进行各个时刻的联邦反向训练后得到的；基于所述数据处理模型对所述待处理时序数据执行预设数据处理流程，得到所述待处理时序数据的目标预测标签。本申请解决用户非相同时刻的时序数据存储在不同参与方或者不同设备中，处于隐私保护等限制条件难以有效利用，从而致使建模后得到的模型难以达到预期的预测效果等问题。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于循环神经网络的数据处理方法、装置、设备及介质。

背景技术

随着互联网的不断发展，越来越多的技术(如分布式、区块链Blockchain、人工智能等)等得到应用，但互联网也对技术提出了更高的要求，如对数据处理也有更高的要求。

循环神经网络(Recurrent Neural Network，RNN)模型常用于处理用户非相同时刻的时序数据，其中，时序数据指的是基于时间序列排列的数据，用户非相同时刻的时序数据包括同一用户在不同时刻，在不同数据源如不同参与方或者不同设备上的特征数据，例如，同一病人可能在不同的时间访问过几家不同的医疗机构来对同一种(或相似)病情进行诊断，同一病人在不同的时间(不同时刻)访问的不同医疗机构(不同参与方或者不同设备)对同一种病情的诊断时序数据，为同一用户的不同时刻，在不同数据源如不同服务器上的特征数据。

目前，用户非相同时刻的时序数据存储在不同参与方或者不同设备中，出于隐私保护，不同参与方或者不同设备之间不能直接进行用户非相同时刻的时序数据的交互，即各参与方或者不同设备之间不能共享用户非相同时刻的时序数据以进行联合建模，进而导致各参与方或者不同设备只能基于各自少量的用户非相同时刻的时序数据进行建模，只能基于少量的时序数据进行建模，致使需要训练更长时间才能使得训练后的模型达到目标性能，进而导致计算机需要耗费大量资源算力，致使计算机算力资源的利用率低。

发明内容

本申请的主要目的在于提供一种基于循环神经网络的数据处理方法、装置、设备和介质，旨在解决现有技术中，不同参与方或者不同设备之间不能直接进行用户非相同时刻的时序数据的交互，导致各参与方或者不同设备只能基于各自少量的用户非相同时刻的时序数据进行建模，致使建模后得到的模型难以达到预期的预测效果的技术问题。

为实现上述目的，本申请提供一种基于循环神经网络的数据处理方法，预设时序数据指的是用户非相同时刻的时序数据，所述基于循环神经网络的数据处理方法包括：

获取待处理时序数据，将所述待处理时序数据输入至数据处理模型中；

所述数据处理模型为基于用户非相同时刻的时序数据对不同时刻的循环神经网络模型进行联邦前向训练后，再对联邦前向训练完成的不同时刻的循环神经网络模型进行各个时刻的联邦反向训练后得到的；

基于所述数据处理模型对所述待处理时序数据执行预设数据处理流程，得到所述待处理时序数据的目标预测标签。

本申请还提供一种基于循环神经网络的数据处理装置，预设时序数据指的是用户非相同时刻的时序数据，所述基于循环神经网络的数据处理装置包括：

第一获取模块，用于获取待处理时序数据，将所述待处理时序数据输入至数据处理模型中；

所述数据处理模型为基于用户非相同时刻的时序数据对不同时刻的循环神经网络模型进行联邦前向训练后，再对联邦前向训练完成的不同时刻的循环神经网络模型进行各个时刻的联邦反向训练后得到的；

第二获取模块，用于基于所述数据处理模型对所述待处理时序数据执行预设数据处理流程，得到所述待处理时序数据的目标预测标签。