[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

说明书

本发明实施例公开了一种数据处理方法、对象预测方法、相关设备及存储介质，数据处理方法包括：获取多个对象的诊断数据；调用学习模型学习各个对象的诊断数据中的实体词之间的因果关系，得到初始因果图；调用第一图神经网络根据初始因果图和参考对象的诊断数据，对参考对象进行诊断预测，得到预测诊断结果词；参考对象为多个对象中的任一对象；根据参考对象的基准诊断结果词和预测诊断结果词之间的差异，对学习模型进行强化学习训练；调用训练后的学习模型学习各个对象的诊断数据中的实体词之间的因果关系，得到目标因果图。本发明实施例可有效节省人力成本和时间成本以提升因果图生成效率，还可提升生成的目标因果图的准确性和使用价值。

技术领域

本发明涉及互联网技术领域，具体涉及计算机技术领域，尤其涉及一种数据处理方法、一种对象预测方法、一种数据处理装置、一种对象预测装置、一种计算机设备及一种计算机存储介质。

背景技术

因果图(causal graph)，又可称为因果贝叶斯信念网络(causal Bayesiannetwork)；其可理解成一种可用来对数据生成过程进行编码的概率图模型，可以用于对推断过程进行建模。作为一种推断工具，因果图可以用来从非实验数据中估计某些因素的影响；基于此作用，因果图被运用在各种诊断场景中，如医疗诊断场景、机器诊断场景、车辆诊断场景，等等。在这些诊断场景中，计算机设备可基于因果图所指示的因果关系，对目标对象(如目标用户)进行诊断预测以得到预测诊断结果，从而减轻相关诊断人员(如医生)的工作负担。

目前，因果图往往是由专家用户花费大量时间和精力手动构建的。这样的方式不仅会消耗大量的人力成本和时间成本，导致构建效率较低；还会由于外界人为因素(如专家用户的主观性、专家用户的知识领域有限等)，无法全面地标注出因果关系或者标注出错误的因果关系，从而影响因果图的准确性和使用价值。

发明内容

本发明实施例提供了一种数据处理方法、对象预测方法、相关设备及存储介质，可以有效节省人力成本和时间成本以提升因果图生成效率，还可提升生成的目标因果图的准确性和使用价值。

一方面，本发明实施例提供了一种数据处理方法，所述方法包括：

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。

另一方面，本发明实施例提供了一种对象预测方法，所述方法包括：

获取目标对象的目标对象数据，所述目标对象数据包括以下目标实体词：一个或多个用于描述所述目标对象所处的异常状态的状态描述词；