[发明专利]一种数据处理方法、设备以及可读存储介质

权利要求书

1.一种数据处理方法，其特征在于，包括：

获取属于目标场景类型的对象样本数据以及属于关联场景类型的关联标签样本数据；所述对象样本数据中包括对象标签样本数据与无标签样本数据；所述关联场景类型与所述目标场景类型之间具有场景关联关系；

根据所述对象标签样本数据与所述关联标签样本数据，对初始类别预测模型进行训练，得到类别预测模型，通过所述类别预测模型确定所述无标签样本数据对应的预测异常类别，将所述无标签样本数据对应的预测异常类别作为所述无标签样本数据的虚拟异常类别标签；

将所述对象样本数据与所述关联标签样本数据均确定为目标样本数据，根据每两个目标样本数据之间的相似度、所述对象标签样本数据对应的真实异常类别标签以及所述关联标签样本数据对应的真实异常类别标签，对所述虚拟异常类别标签进行优化调整，得到目标异常类别标签；所述目标异常类别标签用于与所述对象标签样本数据对应的真实异常类别标签共同对所述类别预测模型进行优化训练。

2.根据权利要求1所述的方法，其特征在于，所述根据所述对象标签样本数据与所述关联标签样本数据，对初始类别预测模型进行训练，得到类别预测模型，包括：

将所述对象标签样本数据与所述关联标签样本数据输入至所述初始类别预测模型，通过所述初始类别预测模型输出所述对象标签样本数据对应的第一预测异常类别与第一预测场景类型，以及所述关联标签样本数据对应的第二预测异常类别与第二预测场景类型；

获取所述对象标签样本数据对应的第一真实异常类别标签与所述目标场景类型，以及所述关联标签样本数据对应的第二真实异常类别标签与所述关联场景类型；

根据所述第一预测异常类别、所述对象标签样本数据对应的真实异常类别标签、所述第一预测场景类型、所述目标场景类型，确定第一损失函数值；

根据所述第二预测异常类别、所述关联标签样本数据对应的真实异常类别标签、所述第二预测场景类型、所述关联场景类型，确定第二损失函数值；

根据所述第一损失函数值与所述第二损失函数值，对所述初始类别预测模型进行训练，得到所述类别预测模型。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一损失函数值与所述第二损失函数值，对所述初始类别预测模型进行训练，得到所述类别预测模型，包括：

根据所述第一损失函数值与所述第二损失函数值，生成目标损失函数值；

若所述目标损失函数值满足模型收敛条件，则将所述初始类别预测模型作为所述类别预测模型；

若所述目标损失函数值未满足模型收敛条件，则获取梯度优化函数，根据所述梯度优化函数与所述目标损失函数值对所述初始类别预测模型的模型参数进行调整，得到包含调整后的模型参数的类别预测模型。

4.根据权利要求1所述的方法，其特征在于，所述根据每两个目标样本数据之间的相似度、所述对象标签样本数据对应的真实异常类别标签以及所述关联标签样本数据对应的真实异常类别标签，对所述虚拟异常类别标签进行优化调整，得到目标异常类别标签，包括：

将每个目标样本数据均确定为图网络的节点；

将所述对象标签样本数据对应的真实异常类别标签，作为属于所述对象标签样本数据的节点的节点值；

将所述无标签样本数据对应的虚拟异常类别标签，作为属于所述无标签样本数据的节点的节点值；

将所述关联标签样本数据对应的真实异常类别标签，作为属于关联标签样本数据的节点的节点值；

确定每两个目标样本数据之间的相似度，根据所述相似度、所述每个目标样本数据对应的节点以及每个节点的节点值，构建所述图网络；

根据所述图网络对所述虚拟异常类别标签进行优化调整，得到所述目标异常类别标签。