[发明专利]数据处理方法、对象预测方法、相关设备及存储介质

权利要求书

1.一种数据处理方法，其特征在于，包括：

获取多个对象的对象数据，每个对象的对象数据包括以下实体词：一个或多个异常指示词，及与各异常指示词关联的一个或多个状态描述词；与任一异常指示词关联的状态描述词用于描述：对象存在所述任一异常指示词指示的异常时所处的异常状态；

调用学习模型学习各个对象的对象数据中的实体词之间的因果关系，得到初始因果图，所述初始因果图中包括多个节点；一个节点记录一个实体词，且任意两个相连接的节点所记录的实体词之间具有因果关系；

调用第一图神经网络根据所述初始因果图和参考对象的对象数据，对所述参考对象进行异常预测，得到预测结果；所述参考对象为所述多个对象中的任一对象；

根据所述参考对象的异常指示词和所述预测结果之间的差异，对所述学习模型进行强化学习训练；

调用训练后的学习模型学习所述各个对象的对象数据中的实体词之间的因果关系，得到目标因果图，以使得第二图神经网络基于所述目标因果图进行异常预测，所述第二图神经网络为所述第一图神经网络，或者由所述第一图神经网络进行强化学习训练后的图神经网络。

2.如权利要求1所述的方法，其特征在于，所述调用第一图神经网络根据所述初始因果图和参考对象的对象数据，对所述参考对象进行异常预测，得到预测结果，包括：

根据所述参考对象的对象数据，从所述初始因果图中提取出参考子图，所述参考子图由记录了所述参考对象的对象数据中的各实体词的节点构成；

调用第一图神经网络对所述参考子图进行图卷积处理，得到所述参考子图中的每个节点的目标特征向量；

调用所述第一图神经网络根据所述参考子图中的每个节点的目标特征向量，对所述参考对象进行异常预测，得到预测结果。

3.如权利要求2所述的方法，其特征在于，所述调用第一图神经网络对所述参考子图进行图卷积处理，得到所述参考子图中的每个节点的目标特征向量，包括：

调用第一图神经网络遍历所述参考子图中的各个节点，并根据当前遍历的目标节点所记录的实体词生成所述目标节点的初始特征向量；

从参考子图中确定与当前遍历的目标节点相连接的一个或多个邻居节点，并分别根据各邻居节点所记录的实体词生成所述各邻居节点的初始特征向量；

采用参数矩阵分别对所述各邻居节点的初始特征向量进行卷积激活处理，得到所述各邻居节点的卷积特征向量；并根据所述各邻居节点的卷积特征向量计算所述目标节点的参考特征向量；

拼接所述目标节点的初始特征向量和所述参考特征向量，并采用所述参数矩阵对拼接后的特征向量进行卷积处理，以得到所述目标节点的目标特征向量。

4.如权利要求3所述的方法，其特征在于，所述根据所述各邻居节点的卷积特征向量计算所述目标节点的参考特征向量，包括：

从所述各邻居节点的卷积特征向量中，选取最大的卷积特征向量作为所述目标节点的参考特征向量；或者，

对所述各邻居节点的卷积特征向量进行均值运算，得到所述目标节点的参考特征向量。

5.如权利要求1所述的方法，其特征在于，所述根据所述参考对象的异常指示词和所述预测结果之间的差异，对所述学习模型进行强化学习训练，包括：

采用损失函数根据所述参考对象的异常指示词和所述预测结果进行损失值运算，得到预测损失值；

采用负面奖励函数根据所述预测损失值进行奖励值运算，得到模型奖励值；

按照减小所述模型奖励值的方向，更新所述学习模型的模型参数。

6.如权利要求5所述的方法，其特征在于，所述采用负面奖励函数根据所述预测损失值进行奖励值运算，得到模型奖励值，包括：

采用打分函数对所述初始因果图进行打分处理，得到所述初始因果图的分数值，所述分数值和所述初始因果图的质量成负相关；

对所述初始因果图的分数值和所述预测损失值进行加权求和，得到模型奖励值。