(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210153080.9 (22)申请日 2022.02.18 (71)申请人 北京百度网讯科技有限公司 地址 100085 北京市海淀区上地十街10号 百度大厦2层 (72)发明人 李硕　许韩晨玺 　张巨岩　岳洪达　 许海洋　 (74)专利代理 机构 北京市汉坤律师事务所 11602 专利代理师 姜浩然　吴丽丽 (51)Int.Cl. G06K 9/62(2022.01) G06F 40/30(2020.01) G06N 3/08(2006.01) G06F 16/2458(2019.01) (54)发明名称 数据处理方法、 装置、 电子设备以及存储介 质 (57)摘要 本公开提供了一种数据处理方法、 装置、 电 子设备以及存储介质， 本公开涉及计算机技术领 域， 尤其涉及人工智能、 数据挖掘及机器学习领 域。 实现方案为： 获取用于建模的样本数据集； 从 样本数据集中选择第一样本数据； 响应于确定对 应于第一特征维度的第一语义向量和对应于第 二特征维度的第二语义向量之间的相似度满足 预设条件， 基于第一样本数据生成第二样本数 据； 以及将第二样本数据加入样本数据集。 权利要求书2页 说明书10页 附图6页 CN 114548261 A 2022.05.27 CN 114548261 A 1.一种数据处 理方法， 包括： 获取用于建模的样本数据集， 其中， 所述样本数据集中的每一个样本数据至少包括第 一特征维度和第二特 征维度； 从所述样本数据集中选择第 一样本数据， 其中， 在所述第 一样本数据中， 所述第 一特征 维度的特 征值为第一值， 所述第二特 征维度的特 征值为第二值； 响应于确定对应于所述第一特征维度的第一语义向量和对应于所述第二特征维度的 第二语义向量之间的相似度满足预设条件， 基于所述第一样本数据生成第二样本数据， 其 中， 在所述第二样本数据中， 所述第二特征维度的特征值为所述第一值， 并且其中， 所述第 二样本数据与所述第一样本数据具有相同的样本标签； 以及 将所述第二样本数据加入所述样本数据集。 2.如权利要求1所述的方法， 其中， 在所述第二样本数据中， 所述第一特征维度的特征 值为所述第二 值。 3.如权利要求1所述的方法， 其中， 在所述第二样本数据中， 所述第一特征维度的特征 值为所述第一 值。 4.如权利要求1至 3中任一项所述的方法， 还 包括： 响应于确定在所述样本数据集中， 所述第 一特征维度的特征值为所述第 一值的多个样 本数据的个数超过阈值， 从所述多个样本数据中选择第三样本数据； 将所述第三样本数据的所述第 一特征维度的特征值更 改为所述第 二值， 以生成第四样 本数据； 以及 将所述第四样本数据加入所述样本数据集。 5.如权利要求4所述的方法， 其中， 所述第 三样本数据是从所述多个样本数据中随机选 择的。 6.一种模型训练方法， 包括： 获取第一样本数据集； 基于所述第一样本数据集， 通过执行如权利要求1至5中任一项所述的方法， 获取加入 增强样本数据后的第二样本数据集， 其中， 所述第二样本数据集中的每个样本数据包括相 应的样本标签； 初始化所述模型的多个参数； 以及 对于所述第二样本数据集中的每 个样本数据， 执 行下述操作： 将该样本数据输入所述模型， 以获取模型计算结果； 以及 基于所述模型计算结果和该样本数据相应的样本标签， 调整所述模型的多个参数。 7.一种数据处 理装置， 包括： 获取单元， 被配置为获取用于建模的样本数据集， 其中， 所述样本数据集中的每一个样 本数据至少包括第一特 征维度和第二特 征维度； 第一选择单元， 被配置为从所述样本数据集中选择第 一样本数据， 其中， 在所述第一样 本数据中， 所述第一特 征维度的特 征值为第一值， 所述第二特 征维度的特 征值为第二值； 第一生成单元， 被配置为响应于确定对应于所述第 一特征维度的第 一语义向量和对应 于所述第二特征维度的第二语义向量之 间的相似度满足预设条件， 基于所述第一样本数据 生成第二样本数据， 其中， 在所述第二样本数据中， 所述第二特征维度的特征值为所述第一权　利　要　求　书 1/2 页 2 CN 114548261 A 2值， 并且其中， 所述第二样本数据与所述第一样本数据具有相同的样本标签； 以及 第一添加单 元， 被配置为将所述第二样本数据加入所述样本数据集。 8.如权利要求7所述的装置， 其中， 在所述第二样本数据中， 所述第一特征维度的特征 值为所述第二 值。 9.如权利要求7所述的装置， 其中， 在所述第二样本数据中， 所述第一特征维度的特征 值为所述第一 值。 10.如权利要求7至9中任一项所述的装置， 还 包括： 第二选择单元， 被配置为响应于确定在所述样本数据集中， 所述第一特征维度的特征 值为所述第一值的多个样本数据的个数超过阈值， 从所述多个样本数据中选择第三样本数 据； 第二生成单元， 被配置为将所述第 三样本数据的所述第 一特征维度的特征值更 改为所 述第二值， 以生成第四样本数据； 以及 第二添加单 元， 被配置为将所述第四样本数据加入所述样本数据集。 11.如权利要求10所述的方法， 其中， 所述第 三样本数据 是从所述多个样本数据中随机 选择的。 12.一种模型训练装置， 包括： 第一获取 单元， 被配置为获取第一样本数据集； 第二获取单元， 被配置为基于所述第一样本数据集， 通过执行如权利要求1至5中任一 项所述的方法， 获取加入增强样本数据后的第二样本数据集， 其中， 所述第二样本数据集中 的每个样本数据包括相应的样本标签； 初始化单 元， 被配置为初始化所述模型的多个参数； 以及 执行单元， 被配置为对于所述第二样本数据集中的每个样本数据， 执行下述子单元的 操作， 所述执 行单元包括： 输入子单 元， 被配置为将该样本数据输入所述模型， 以获取模型计算结果； 以及 调整子单元， 被配置为基于所述模型计算结果和该样本数据相应的样本标签， 调整所 述模型的多个参数。 13.一种电子设备， 包括： 至少一个处 理器； 以及 与所述至少一个处 理器通信连接的存 储器； 其中 所述存储器存储有可被所述至少一个处理器执行的指令， 所述指令被所述至少一个处 理器执行， 以使所述至少一个处 理器能够执 行权利要求1 ‑5或6中任一项所述的方法。 14.一种存储有计算机指令的非瞬时计算机可读存储介质， 其中， 所述计算机指令用于 使所述计算机执 行根据权利要求1 ‑5或6中任一项所述的方法。 15.一种计算机程序产品， 包括计算机程序， 其中， 所述计算机程序在被处理器执行时 实现权利要求1 ‑5或6中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114548261 A 3