一种用户数据处理方法、系统、设备和存储介质与流程

1.本技术涉及信息技术领域，尤其涉及一种用户数据处理方法、系统、设备和计算机存储介质。


背景技术：

2.在自然语言处理(natural language processing，nlp)和社交网络分析(social network analysis，sna)中，用户的年龄分析和预测，是用户属性分析的一项基本任务。在相关技术中，一般采用长短期记忆网络(long short-term memory，lstm)对单一网络平台的数据进行处理，进而实现对用户年龄的分析和预测。然而，采用lstm处理得到的数据中冗余信息较多，并且，lstm是一种单向序列化模型，对于与年龄相关的特定信息的提取能力有限，进而无法准确的预测到用户的年龄信息，样本数据的单一性也会导致年龄预测的模糊。


技术实现要素：

3.本技术提供了一种用户数据处理方法，该方法可以在依据不同网络平台的样本数据训练得到的第一神经网络的基础上，对第一网络平台的第一数据中携带的特征信息进行针对性选择，从而可以精准地预测出用户的年龄。
4.本技术所提供的用户数据处理方法是这样实现的：
5.一种用户数据处理方法，所述方法包括：
6.从第一网络平台获取用户发布的第一数据；
7.获取预先训练得到的第一神经网络；其中，所述第一神经网络，是基于从所述第一网络平台中获取的第一样本数据、以及从第二网络平台中获取的第二样本数据进行训练得到；所述第一神经网络，包括第一子神经网络和第二子神经网络；所述第一子神经网络，用于对所述第一数据进行特征提取；所述第二子神经网络，用于从所述第一子神经网络的输出数据中选择与年龄相关的信息；
8.基于第一数据和所述第一神经网络，对所述用户的年龄进行预测。
9.在一些实施方式中，所述方法基于所述第一数据和所述第一神经网络，对所述用户的年龄进行预测，包括：
10.将所述第一数据输入至所述第一神经网络，得到第一特征数据；其中，所述第一特征数据，表示与年龄相关的数据；
11.对所述第一特征数据进行处理，得到第一年龄信息。
12.在一些实施方式中，所述第一神经网络是通过以下方式训练得到的：
13.基于所述第一样本数据和所述第二样本数据，对所述第一神经网络和第二神经网络进行协同训练，得到参数调整后的所述第一神经网络；其中，所述第二神经网络，包括第三子神经网络和第四子神经网络；所述第三子神经网络，用于对所述第二样本数据进行特征提取；所述第四子神经网络，用于从所述第三子神经网络的输出信息中选择与年龄相关的信息。
14.在一些实施方式中，所述基于所述第一样本数据和所述第二样本数据，对所述第一神经网络和第二神经网络进行协同训练，得到参数调整后的所述第一神经网络，包括：
15.将所述第一样本数据输入至所述第一神经网络，得到第二特征数据；
16.将所述第二样本数据输入至所述第二神经网络，得到第三特征数据；其中，所述第三特征数据，表示所述第四子神经网络的输出数据；
17.基于所述第二特征数据和所述第三特征数据，调整所述第一神经网络的网络参数，得到参数调整后的所述第一神经网络。
18.在一些实施方式中，所述基于所述第二特征数据和所述第三特征数据，调整所述第一神经网络的网络参数，得到参数调整后的所述第一神经网络，包括：
19.基于所述第二特征数据和所述第三特征数据，得到第二年龄信息；
20.基于所述第一样本数据，得到第三年龄信息；
21.基于所述第二年龄信息与所述第三年龄信息，调整所述第一神经网络的网络参数，得到参数调整后的所述第一神经网络。
22.在一些实施方式中，所述基于所述第二特征数据和所述第三特征数据，得到第二年龄信息，包括：
23.对所述第二特征数据和所述第三特征数据进行特征整合，得到整合输出数据；
24.对所述整合输出数据进行拟合处理，得到所述第二年龄信息。
25.在一些实施方式中，所述方法还包括：
26.基于所述第二样本数据，对所述第二神经网络进行训练，得到参数调整后的所述第二神经网络。
27.在一些实施方式中，所述基于所述第二样本数据，对所述第二神经网络进行训练，得到参数调整后的所述第二神经网络，包括：
28.将所述第二样本数据输入至所述第二神经网络中，得到第三特征数据；
29.基于所述第三特征数据和所述第二样本数据，调整所述第二神经网络的网络参数，得到参数调整后的所述第二神经网络。
30.在一些实施方式中，所述基于所述第三特征数据和所述第二样本数据，调整所述第二神经网络的网络参数，得到参数调整后的所述第二神经网络，包括：
31.基于所述第三特征数据，得到第四年龄信息；
32.基于所述第二样本数据，得到第五年龄信息；
33.基于所述第四年龄信息和所述第五年龄信息，调整所述第二神经网络的网络参数，得到参数调整后的所述第二神经网络。
34.本技术还提供了一种用户数据处理系统，所述用户数据处理系统包括：处理器、存储器和通信总线；其中，所述通信总线用于实现处理器和存储器之间的通信连接；
35.所述处理器用于执行存储器中的用户数据处理方法的程序，以实现以下步骤：
36.从第一网络平台中获取用户发布的第一数据；
37.获取预先训练得到的第一神经网络；其中，所述第一神经网络，基于从所述第一网络平台中获取的第一样本数据、以及从第二网络平台中获取的第二样本数据进行训练得到；所述第一神经网络，包括第一子神经网络和第二子神经网络；所述第一子神经网络，用于对所述第一数据进行特征提取；所述第二子神经网络，用于从所述第一子神经网络的输
出数据中选择与年龄相关的信息；
38.基于所述第一数据和所述第一神经网络，对所述用户的年龄进行预测。
39.本技术还提供了一种用户数据处理设备，所述用户数据处理设备包括：获取模块和处理模块；其中，
40.所述获取模块，用于从第一网络平台中获取用户发布的第一数据；
41.所述获取模块，还用于获取预先训练得到的第一神经网络；其中，所述第一神经网络，基于从所述第一网络平台中获取的第一样本数据、以及从第二网络平台中获取的第二样本数据进行训练得到；所述第一神经网络，包括第一子神经网络和第二子神经网络；所述第一子神经网络，用于对所述第一数据进行特征提取；所述第二子神经网络，用于从所述第一子神经网络的输出数据中选择与年龄相关的信息；
42.所述处理模块，基于所述第一数据和所述第一神经网络，对所述用户的年龄进行预测。
43.本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被用户数据处理设备的处理器执行时实现前述用户数据处理方法。
44.本技术所提供的用户数据处理方法，从第一网络平台中获取第一数据，然后获取通过第一网络平台的第一样本数据、第二网络平台的第二样本数据训练得到的第一神经网络，再使用训练完成的第一神经网络的第一子神经网络对第一数据进行特征提取，以及第一神经网络中的第二子神经网络，从第一子神经网络的输出中选择与年龄相关的特定信息，由此，在基于第一数据和第一神经网络对用户年龄预测时，得到的年龄信息，就能够更加精准的反应出用户的实际年龄状况。
附图说明
45.图1为本技术提供的一种用户数据处理方法的第一流程图；
46.图2为本技术提供的一种用户数据处理方法的第二流程图；
47.图3为本技术提供的一种用户数据处理方法的对第一神经网络和第二神经网络的协同训练架构图；
48.图4为本技术提供的用户数据处理方法中第一子神经网络与第二子神经网络结合的处理流程图；
49.图5为本技术提供的一种用户数据处理系统的结构图；
50.图6为本技术提供的一种用户数据处理设备的结构图。
具体实施方式
51.本技术涉及信息技术领域，尤其涉及一种用户数据处理方法、系统、设备和计算机存储介质。
52.大数据时代，社交网络的快速发展催生了各种不同类型的社交媒体网站以及社交应用程序，比如，微博等。对于某一种类型的社交媒体网站和社交应用程序的网络平台而言，用户的表达方式大体相同，并且，用户在各种不同类型的社交媒体网站和网络平台上发布的信息主要以文本信息为主，其中，用户发布的文本信息可能是用户对某一热门事件的评论，也可能记载的日常生活中的琐事。无论用户通过哪种方式发布文本信息，在用户发布
的文本信息中，必然会存在很多与用户年龄相关的数据，这些数据就成为预测用户年龄的关键信息。因此，利用用户发布的文本信息来有效的预测用户的年龄，成为预测用户年龄的一种有效方式。
53.在nlp和sna的众多研究方向和应用领域中，用户属性分析一直是一项热门的研究课题，并且，也是一种非常有应用前景的分析方法。在用户属性分析中，年龄预测是一项基本任务，其中，年龄预测，旨在通过获取并分析用户发布的一系列信息而预测用户的真实年龄。在很多社交应用程序中，用户的年龄预测已经成为信息推送的一种重要依据。
54.年龄分类和年龄回归是年龄预测的两个基本任务，年龄分类，是将用户的年龄分类到几个年龄组中，而年龄回归，是利用离散变量预测用户年龄，该离散变量代表一个确切的年龄数。
55.在相关技术中，通常采用lstm来对实现对用户年龄的回归预测。其中，lstm是一种单向的时间循环神经网络，lstm适合处理和预测时间序列中间隔和延迟非常长的重要事件。
56.在相关技术中，通常是通过提取单一的社交网站和网络平台中用户发表的文本信息，基于深度学习的思想，对lstm进行训练，再使用训练完成的lsmt来预测用户的年龄。
57.但是，由于lstm是单向序列化模型，因此，基于lstm的用户文本信息学习，在深层语义信息方面的捕捉能力稍显不足；另一方面，采用lstm方式处理学习到的文本向量中，虽然包含了与用户年龄预测密切相关的语义向量信息，但同时也包含多种其他类型的信息，而这些冗余向量信息会对用户的年龄预测造成干扰，进而导致用户年龄预测的效果较差；并且，单一的数据样本，也容易导致年龄预测的模糊。
58.基于此，本技术实施例提供了一种用户数据处理方法，该用户数据处理方法可以通过用户数据处理设备，具体的，可以通过用户数据处理设备的处理器来实现。
59.如图1所示，本技术实施例提供的用户数据处理方法，包括以下步骤：
60.步骤101、从第一网络平台中获取用户发布第一数据。
61.在一种实施方式中，第一网络平台，可以是社交网站的网络平台。
62.在一种实施方式中，第一网络平台，可以用于表示社交应用程序对应的网络平台。
63.在一种实施方式中，第一网络平台，可以是某一种特定类型的网络平台中的任一网络平台。
64.在一种实施方式中，第一数据，可以是从第一网络平台获取的文本数据，或者与文本数据等同的数据，比如，从可以识别为文本信息的音频数据和/或视频数据。
65.在一种实施方式中，第一数据，可以是基于预设频率从第一网络平台获取的。
66.在一种实施方式中，第一数据，可以是在第一网络平台运行特定时间段内产生的数据。
67.在一种实施方式中，第一数据，可以是从第一网络平台中随机获取到的数据。
68.在一种实施方式中，第一数据，可以是从第一网络平台中获取到的文本数据、或者与文本数据等同的数据，进行数据清洗之后的数据。其中，数据清洗，包括冗余信息剔除、向量映射等处理。
69.在一种实施方式中，第一数据，可以是矩阵数据。
70.步骤102、获取预先训练得到的第一神经网络。
71.其中，第一神经网络，是基于从第一网络平台中获取的第一样本数据、以及从第二网络平台中获取的第二样本数据进行训练得到；第一神经网络，包括第一子神经网络和第二子神经网络；第一子神经网络，用于对第一数据进行特征提取；第二子神经网络，用于从第一子神经网络的输出数据中选择与年龄相关的信息。
72.需要说明的是，在本实施例中，步骤101和步骤102的顺序可以互换，也可以同时执行，本技术实施例对此不作特别要求。
73.在一种实施方式中，第一子神经网络，可以是单向序列化模型的神经网络，比如lstm。
74.在一种实施方式中，第一子神经网络，可以是两个单向序列化模型的神经网络的组合，但这两个神经网络的序列化方向可以相反，即第一子神经网络，可以是基于双向序列化模型的神经网络。
75.在一种实施方式中，第一子神经网络，可以是双向门控循环单元网络(bidirectional gated recurrent unit，bigru)。
76.其中，门控循环单元网络(gated recurrent unit，gru)，是循环神经网络(recurrent neural network，rnn)的一种。gru的模型结构有别于lstm，它由两个门组成，分别是更新门z和重置门r。
77.bigru，即为双向gru，相比于传统的单向gru神经网络，bigru神经网络由两个方向相反的单向gru神经网络组成，既包括前向gru神经网络在t时刻的输出，又包括后向gru神经网络在t时刻的输出，而t时刻的最终输出则为前后向输出的拼接。
78.在一种实施方式中，第二子神经网络，可以是对第一子神经网络输出数据的每一数据进行处理，从而选择出与年龄相关的信息的神经网络。
79.在一种实施方式中，第二子神经网络，可以是对第一子神经网络输出数据的部分数据进行处理，从而选择出与年龄相关的信息的神经网络。
80.在一种实施方式中，第二子神经网络，可以是对第一子神经网络输出数据中的每一数据进行加权计算，从而选择出与年龄相关的信息的神经网络。
81.在一种实施方式中，第二子神经网络，可以是具备注意机制(attention mechanisms，am)的神经网络。其中，am是具备能专注于其输入(或特征)的神经网络，它能选择特定的输入。
82.在一种实施方式中，第一样本数据，可以是从第一网络平台中获取的用户发布的文本信息数据。
83.在一种实施方式中，第一样本数据，可以是从第一网络平台中获取的用户发布的与文本信息等同的数据，比如，可以对其提取得到文本信息的数据，比如音频数据，或者视频数据等。
84.在一种实施方式中，第一样本数据，可以是从第一网络平台获取的原始文本数据经过预处理之后的数据集合。
85.在一种实施方式中，第一样本数据，可以是从第一网络平台获取的、经过预处理之后的、带有标签的数据集合。具体地，第一样本数据，可以至少包括两个维度的信息：第一维度信息和第二维度信息；其中，第一维度信息，可以为文本信息，或者，与文本信息等同的信息；第二维度信息，可以是与第一维度信息对应的标签信息，比如，与第一维度信息对应的
年龄信息。
86.在一种实施方式中，第二网络平台，可以是与第一网络平台相同类型的网络平台。
87.在一种实施方式中，第二网络平台，是基于第一网络平台而确定的。具体地，首先获取第一网络平台的类型，即第一类型，从第一类型的网络平台中获取得到第二网络平台。
88.在一种实施方式中，第二网络平台，可以是与第一网络平台不同类型的一个或多个网络平台。
89.在一种实施方式中，第二样本数据，可以是多个样本数据的集合，其中，每一样本数据分别与每一第二网络平台对应。也就是说，在本技术实施例中，第二样本数据中所包含的每一样本数据，并未进行混合处理，而是彼此相互独立的。
90.在一种实施方式中，第二样本数据，可以是从第二网络平台中获取的用户发布的与文本信息等同的数据，比如，可以对其提取得到文本信息的数据，比如音频数据，或者视频数据等。
91.在一种实施方式中，第二样本数据，可以是从第二网络平台获取的原始文本数据经过预处理之后的数据集合。
92.在一种实施方式中，第二样本数据，可以是从第二网络平台获取的、经过预处理之后的、带有标签的数据集合。具体地，第二样本数据，可以至少包括两个维度的信息：第三维度信息和第四维度信息；其中，第三维度信息，可以为文本信息，或者，与文本信息等同的信息；第四维度信息，可以是与第一维度信息对应的标签信息，比如，与第一维度信息对应的年龄信息。
93.在一种实施方式中，第一子神经网络的输出数据，可以是包含了第一数据中关键信息的数据。
94.在一种实施方式中，第一子神经网络的输出数据，可以是包含了第一数据关键信息的矩阵数据。
95.在一种实施方式中，第二子神经网络的输出数据，可以是包含了第一数据所携带的与年龄相关的数据。
96.在一种实施方式中，第二子神经网络的输出数据，可以是携带了与年龄相关的矩阵数据。
97.步骤103、基于第一数据和第一神经网络，对用户的年龄进行预测。
98.在一种实施方式中，基于第一数据和第一神经网络，对用户的年龄进行预测，可以是通过第一神经网络对第一数据依次进行特征提取和特征选择实现的。
99.在实际应用中，上述处理器可以为专用集成电路(application specific integrated circuit，asic)、数字信号处理器(digital signal processor)，dsp)、可编程逻辑器件(programmable logic device，pld)、片上可编程逻辑门阵列(field programmable gate array，fpga)、中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器中的至少一种。
100.本技术实施例所提供的用户数据处理方法，首先从第一网络平台中获取第一数据，然后使用基于第一网络平台的第一样本数据以及第二网络平台的第二样本数据训练完成的第一神经网络对第一数据进行处理，对用户的年龄进行预测，并且，第一神经网络中的第一子神经网络用于对第一数据进行特征提取，第一神经网络中的第二子神经网络，从第
一子神经网络的输出数据中选择与年龄相关的信息。由此，在基于第一数据和第一神经网络对用户进行年龄预测时得到的年龄信息，就可以更加精准的反应用户的实际年龄。
101.基于前述实施例，本技术实施例提供了一种用户数据处理方法，如图2所示，该用户数据处理方法，包括以下步骤：
102.步骤201、从第一网络平台中获取用户发布的第一数据。
103.步骤202、获取预先训练得到的第一神经网络。
104.其中，第一神经网络，是基于从第一网络平台中获取的第一样本数据、以及从第二网络平台中获取的第二样本数据进行训练得到；第一神经网络，包括第一子神经网络和第二子神经网络；第一子神经网络，用于对第一数据进行特征提取；第二子神经网络，用于从第一子神经网络的输出数据中选择与年龄相关的信息。
105.需要说明的是，在本实施例中，步骤201和步骤202的顺序可以互换，也可以同时执行，本技术实施例对此不作特别要求。
106.步骤203、将第一数据输入至所述第一神经网络，得到第一特征数据。
107.其中，第一特征数据，表示与年龄相关的数据。
108.在一种实施方式中，第一特征数据，可以是包含了第一数据中与年龄相关的矩阵数据。
109.在一种实施方式中，第一特征数据，可以是在指定时间段内发布的第一数据中与年龄相关的数据。
110.在一种实施方式中，第一特征数据，可以是在指定场合或特定的评论区域发布的第一数据中与年龄相关的数据。
111.在一种实施方式中，第一特征数据，可以是在不同时间的某一特定版面发布的第一数据中与年龄相关的数据。
112.在一种实施方式中，第一特征数据，可以将第一数据经过第一子神经网络进行处理，并将第一子神经网络的处理结果输入至第二子神经网络进行处理得到的。
113.步骤204、对所述第一特征数据进行处理，得到第一年龄信息。
114.其中，第一年龄信息，可以表示用户的年龄信息。
115.在一种实施方式中，第一年龄信息，可以表示用户的实际年龄，比如35岁。
116.在一种实施方式中，第一年龄信息，可以表示用户的人生阶段信息，比如，老年人、中年人或者青少年等。
117.在一种实施方式中，第一年龄信息，可以表示用户的年龄区间，比如：20-26岁等。
118.由以上可知，本技术实施例提供的用户数据处理方法，在获取用户在第一网络平台发布的第一数据之后，获取通过第一网络平台的第一样本数据以及第二网络平台的第二样本数据训练得到的第一神经网络，并通过第一神经网络中的第一子神经网络对第一数据进行特征提取，以及第二子神经网络对第一子神经网络的输出数据进行选择，得到与年龄相关的信息即第一特征数据，再对第一特征数据进行进一步的处理，最终得到第一年龄信息。由此，本技术实施例提供的用户数据处理方法中，第一神经网络可以实现对第一数据中特征数据的充分提取和选择，从而使得最终得到的第一年龄数据能够更加贴近用户的实际年龄。
119.示例性地，对第一神经网络的训练过程，可以是将第一样本数据和第二样本数据
输入至第一神经网络中，第一神经网络对第一样本数据和第二样本数据进行处理，得到输出结果，并根据该输出结果与期望结果，对第一神经网络的网络参数进行反复调整，直至输出结果与期望结果之间的差距小于预设的训练损失为止。
120.基于前述实施例，本技术实施例提供的用户数据处理方法中对第一数据进行处理的第一神经网络，可以是通过步骤a训练得到的：
121.步骤a、基于第一样本数据和第二样本数据，对第一神经网络和第二神经网络进行协同训练，得到参数调整后的第一神经网络。
122.其中，第二神经网络，包括第三子神经网络和第四子神经网络；第三子神经网络，用于对第二样本数据进行特征提取；第四子神经网络，用于从第三子神经网络的输出信息中选择与年龄相关的信息。
123.在一种实施方式中，第三子神经网络，可以是对第二样本数据执行双向特征提取的神经网络。
124.在一种实施方式中，第三子神经网络，可以是bigru。
125.在一种实施方式中，第三子神经网络，可以是与第一子神经网络相同结构的bigru。
126.在一种实施方式中，第四子神经网络，可以是对第三子神经网络的输出数据进行处理，从而选择出与年龄相关的特定信息的神经网络。
127.在一种实施方式中，第四子神经网络，可以是对第三子神经网络的输出数据中的部分数据进行处理，从而选择出与年龄相关的特定信息的神经网络。
128.在一种实施方式中，第四子神经网络，可以是对第三子神经网络的输出数据中的每一数据执行加权计算，进而从中选择出与年龄相关的特定信息的神经网络。
129.在一种实施方式中，第四子神经网络，可以是具备am的神经网络。
130.在一种实施方式中，第四子神经网络，可以是与第二子神经网络结构相同的神经网络。
131.在一种实施方式中，第二神经网络，包括第三子神经网络和第四子神经网络，因此，第二神经网络，不但可以实现对第二样本数据的特征提取，还可以进一步地从提取到的特征中选择得到与年龄相关的特定信息。
132.在一种实施方式中，第二神经网络中的第三子神经网络，可以是与第一神经网络中的第一子神经网络结构相同的birgu，并且，第二神经网络中的第四子神经网络，可以是与第一神经网络中的第二子神经网络结构相同的具备am特性的神经网络，也就是说，第二神经网络，可以是与第一神经网络相同结构的神经网络。
133.协同训练，又称为协同学习(co-training)，是神经网络的半监督学习中的一种类型。其中，神经网络的半监督学习包括协同学习和子学习(self-training)。
134.具体地，步骤a可以通过步骤b1-步骤b3来实现：
135.步骤b1、将第一样本数据输入至第一神经网络，得到第二特征数据。
136.在一种实施方式中，将第一样本数据输入至第一神经网络后，第一子神经网络首先提取第一样本数据的特征信息，第二子神经网络，从第一子神经网络的输出中选择出与年龄相关的信息，也就是说，第一神经网络对第一样本数据处理之后得到的第二特征数据中，包括了第一样本数据中携带的与年龄相关的信息。
137.示例性的，第二特征数据，可以为一矩阵。
138.步骤b2、将第二样本数据输入至第二神经网络，得到第三特征数据。
139.其中，第三特征数据，表示第四子神经网络的输出数据。
140.在一种实施方式中，将第二样本数据输入至第二神经网络后，第三子神经网络首先提取第二样本数据的特征信息，第四子神经网络，从第三子神经网络的输出中选择出与年龄相关的信息，也就是说，第二神经网络对第二样本数据处理之后得到的第三特征数据中，包括了第二样本数据中携带的与年龄相关的信息。
141.示例性的，第三特征数据，可以为一矩阵。
142.在相关技术中，为了能够分析和预测用户的年龄信息，通常对采用的神经网络进行回归学习或回归训练的方式，以提高神经网络对用户年龄分析和预测的准确性。
143.具体地，在相关技术中，为了实现目标网络平台中不同用户的年龄预测，通常会采用半监督迁移学习的方式，即在目标网络平台的样本数据中，通过迭代方式逐步加入部分从其他网络平台中获取的用户文本信息，由此，变相加大了目标网络平台的样本数据的数量，从而增强目标网络平台上的用户年龄预测效果，具体实现方法如self-training和co-training方法，以上两种方法都是基于传统机器学习方法实现。
144.然而，在基于self-training或者co-training传统机器学习方式实现的半监督年龄回归过程中，以迭代的形式将不同社交网站的文本逐步结合在一起，虽然样本数据量有所改善，但同时也造成了神经网络训练开始与训练结束的训练文本来源不一致，进而削弱了神经网络模型对于目标网络平台中用户年龄回归的预测效果。
145.此外，上述两种传统的半监督学习方式，需要对海量样本数据进行多轮迭代训练，因而，迭代运算量大，整体耗时较长。
146.在本技术实施例中，虽然也加入了从第二网络平台中获取的第二样本数据，但是，在第一神经网络训练的过程中，并未将第二样本数据与第一样本数据结合在一起，而是将第一样本数据输入至第一神经网络，将第二样本数据输入至第二神经网络，从而实现了在对第一神经网络训练开始时和结束时的输入训练文本来源一致的问题。
147.并且，在第一样本数据和第二样本数据均包括至少两个维度信息的条件下，即第一样本数据和第二样本数据中不但携带有文本信息，还携带有与该文本信息对应的标签信息即年龄信息的条件下，采用第一样本数据和第二样本数据对第一神经网络进行训练，也可以大大降低迭代训练的运算量，缩短迭代训练的周期。
148.步骤b3、基于第二特征数据和第三特征数据，调整第一神经网络的网络参数，得到参数调整后的第一神经网络。
149.示例性地，步骤b3可以通过步骤c1-步骤c3来实现：
150.步骤c1、基于第二特征数据和第三特征数据，得到第二年龄信息。
151.示例性的，在一种实施方式中，可以是从第二特征数据和第三特征数据中进一步地对于年龄相关的信息的处理，从而得到第二年龄信息的。
152.具体地，步骤c1，可以通过步骤d1-步骤d2来实现：
153.步骤d1、对第二特征数据和第三特征数据进行特征整合，得到整合输出数据。
154.在一种实施方式中，对第二特征数据和第三特征数据进行特征整合，是通过第一神经网络的输出部分、以及第二神经网络的输出部分设置的隐藏层来实现的。
155.在一种实施方式中，对第二特征数据和第三特征数据进行特征整合，可以是在第一神经网络的第二子神经网络、以及第二神经网络的第四子神经网络的输出部分设置全连接层来实现的。
156.具体地，全连接层对第二特征数据和第三特征数据进行特征整合，进一步地得到与第一样本数据和第二样本数据中携带的年龄相关的信息。
157.在一种实施方式中，全连接层对第二特征数据和第三特征数据进行特征整合，可以是将第二特征数据和第三特征数据映射至第一样本数据和第二样本数据的数据标签对应的维度。
158.步骤d2、对整合输出数据进行拟合处理，得到第二年龄信息。
159.在步骤d2中，对整合输出数据进行拟合处理，得到第二年龄信息，可以是对整合输出数据中的相关信息进行特征增强的方式来实现的。
160.在一种实施方式中，对整合输出数据进行拟合处理，可以是通过第三神经网络来实现的，在一些实施方式中，第三神经网络，可以基于第一样本数据和第二样本数据与第一神经网络和第二神经网络同时进行训练。
161.在一种实施方式中，第三神经网络，可以是一线性运算网络，用于增强整合数据中的特征信息，从而得到第二年龄信息。
162.在一种实施方式中，第二年龄信息，可以是一个具体的代表年龄的数值。
163.在一种实施方式中，第二年龄信息，可以是一个包含多个代表年龄的数值的矩阵，并且，该矩阵的维度与第一样本数据保持一致。
164.步骤c2、基于第一样本数据，得到第三年龄信息。
165.在一种实施方式中，可以是从第一样本数中获取年龄信息对应的维度信息，进而得到的第三年龄信息。
166.在一种实施方式中，第一样本数据中，携带有第三年龄信息的特征标签。
167.示例性的，可以从第一样本数据的第二维度信息，得到每一样本数据对应的标签信息，比如年龄信息。
168.步骤c3、基于第二年龄信息与第三年龄信息，调整第一神经网络的网络参数，得到参数调整后的第一神经网络。
169.基于第二年龄信息与第三年龄信息，调整第一神经网络的网络参数，可以是首先计算第二年龄信息与第三年龄信息之间的差值，再将该差值与第一神经网络训练的预设损失进行比较，若该差值小于或等于预设损失，则可以停止对第一神经网络的训练，若该差值大于预设损失，则需要继续执行对第一神经网络的训练。
170.在本技术实施例中，基于第二年龄信息与第三年龄信息，调整第一神经网络的网络参数，得到参数调整后的第一神经网络，实现了以第一网络平台的第一样本数据为主、以第二网络平台的第二样本数据为辅对第一神经网络进行训练的过程。
171.由此，本技术实施例中对第一神经网络的训练过程，在借助于第二网络平台的第二样本数据的前提下，实现了样本数据的数量增加，从而能够进一步改善第一神经网络训练的良好年龄预测效果。
172.示例性的，在步骤a之后，还可以执行步骤d：
173.步骤d、基于第二样本数据，对第二神经网络进行训练，得到参数调整后的第二神
经网络。
174.具体地，在第一神经网络中的第一子神经网络和第二子神经网络，分别与第二神经网络中的第三子神经网络和第四子神经网络的网络类型相同、结构相同的条件下，对于步骤d中对第二神经网络的训练过程参见步骤a的说明，此处不再赘述。
175.具体地，步骤d可以通过步骤d1-步骤d2来实现：
176.步骤d1、将第二样本数据输入至第二神经网络中，得到第三特征数据。
177.步骤d2、基于第三特征数据和第二样本数据，调整第二神经网络的网络参数，得到参数调整后的第二神经网络。
178.具体地，步骤d2可以通过步骤e1-步骤e3来实现：
179.步骤e1、基于第三特征数据，得到第四年龄信息。
180.具体地，步骤e1，可以参照步骤c1的实现过程，此处不再赘述。
181.步骤e2、基于第二样本数据，得到第五年龄信息。
182.步骤e3、基于第四年龄信息和第五年龄信息，调整第二神经网络的网络参数，得到参数调整后的第二神经网络。
183.具体地，步骤e3，可以参照步骤c3，此处不再赘述。
184.示例性地，本技术提供的用户数据处理方法中，对第一神经网络和第二神经网络进行协同训练之后得到参数调整后的第二神经网络，也可以用于年龄预测。在一些实施方式中，本技术提供的用户数据处理方法中，还可以包括步骤f1-f3：
185.步骤f1、从第二网络平台获取第二数据。
186.在一种实施方式中，第二数据，是从第二网络平台中获取的，未携带有年龄标签的数据。
187.在一种实施方式中，第二数据，可以是从第二网络平台获取的，需要进行年龄分析和预测的数据。
188.在一种实施方式中，第二数据，可以是对从第二网络平台获取的文本数据进行数据预处理之后的数据。
189.步骤f2、使用训练完成的第二神经网络对第二数据进行处理。
190.步骤f3、基于第二神经网络的处理结果，得到第六年龄信息。
191.示例性地，对步骤f2-步骤f3的处理，可以前述实施例的说明，此处不再赘述。
192.由此，本技术实施例所提供的用户数据处理方法中，基于第一样本数据和第二样本数据以及第二神经网络对第一神经网络进行协同训练的同时，也可以同步实现对第二神经网络的训练，并使用第二神经网络对第二网络平台的第二数据的分析和处理，从而实现对第二网络平台的年龄分析和预测。即通过一次训练过程，得到了两个参数调整完成的神经网络，并且，两个神经网络可以同时实现对不同网络平台的年龄分析和预测，进而减少了神经网络训练的软件硬件资源和时间。
193.由此，本技术实施例提供的用户数据处理方法中，通过一次训练得到了两个训练完成的神经网络，即第一神经网络和第二神经网络，在后续使用训练完成的第一神经网络和第二神经网络的过程中，可以根据需要选择使用第一神经网络对第一网络平台的第一数据进行年龄分析和年龄预测，也可以选择使用第二神经网络对第二网络平台的第二数据进行年龄分析和年龄预测。还可以同时使用第一神经网络对第一网络平台的第一数据进行年
龄分析和年龄预测，使用第二神经网络对第二网络平台的第二数据进行年龄分析和预测。
194.在一种实施方式中，可以通过分别控制的方式，控制第一神经网络和第二神经网络的工作状态。
195.示例性的，在第一神经网络与第二神经网络的网络类型和网络结构均相同的情况下，第一神经网络和第二神经网络，可以是一个神经网络，即目标神经网络，该目标神经网络可以基于第一样本数据和第二样本数据进行训练，训练完成的目标神经网络不但可以分析和预测第一网络平台中的年龄信息，还可以预测第二网络平台中的年龄信息。
196.具体地，本技术实施例所提供的用户数据处理方法中对第一神经网络和第二神经网络的协同训练架构如图3所示。
197.在图3中，第一神经网络，可以是包含了第一子神经网络和第二子神经网络的第一神经网络，其可以是协同训练中的主神经网络，示例性地，可以命名为main-bigru-att。第二神经网络，可以包含了第三子神经网络和第四子神经网络，其可以是协同训练过程中的辅神经网络，示例性地，可以命名为auxiliary-bigru-att。h
main1
是第一神经网络的输出，即第二特征数据；h
main2
和h
aux
是第二神经网络的输出，即第三特征数据；是基于第二特征数据和第三特征数据得到的第二年龄信息；h
aux
是基于第三特征数据得到的第四年龄信息；第一隐藏层，可以是用于处理第二特征数据和第三特征数据的全连接层；第二隐藏层，可以是用于处理第三特征数据的全连接层；相应地，第一输出层，用于对第一隐藏层的输出数据即第二年龄信息进行处理并输出；第二输出层，用于对第二隐藏层的输出数据即第四年龄信息进行处理并输出。
198.下面以第一神经网络部分的处理为例，对图3所示的神经网络的训练架构进行详细的说明。
199.具体地，第一样本数据经过第一神经网络main-bigru-att的处理，以及第二样本数据经过第二神经网络auxiliary-bigru-att的处理过程如式(1)和式(2)所示：
200.h
main1
＝bigru-att
main
(t
input1
)
ꢀꢀ
(1)
201.h
main2
＝bigru-att
aux
(t
input2
)
ꢀꢀ
(2)
202.其中,t
input1
和t
input2
分别用于表示第一样本数据和第二样本数据，bigru-att
main
()用于表示第一神经网络对第一样本数据的处理操作，即main-bigru-att对第一样本数据执行特征提取和与年龄相关的特定信息的选择操作；bigru-att
aux
()表示第二神经网络对第二样本数据的处理操作，即auxiliary-bigru-att对第二样本数据执行特征提取以及与年龄相关的特定信息的选择操作。
203.第一隐藏层，通过式(3)对第二特征数据h
main1
和第三特征数据h
main2
的全连接处理，得到第二年龄信息在一种实施方式中，式(3)可以如下所示：
[0204][0205]
在式(3)中，dense
main
()用于表示第一隐藏层对第二特征数据h
main1
和第三特征数据h
main2
的全连接处理操作。
[0206]
对于第二神经网络auxiliary-bigru-att而言，其对第二样本数据t
input2
的处理后得到的数据可以同时输出至第一隐藏层以及第二隐藏层，在图3中为了对第一神经网络和第二神经网络的训练过程区分开来，采用了不同的标志。输入至第二隐藏层的数据即h
aux
可
以通过式(4)得到：
[0207]haux
＝bigru-att
aux
(t
input2
)
ꢀꢀ
(4)
[0208]
在式(4)输出h
aux
之后，还可以通过第二隐藏层对h
aux
进行全连接的处理，从而得到第四年龄数据第二隐藏层的处理过程如式(5)所示，
[0209][0210]
在式(5)中，dense
aux
()表示对第二输入数据h
aux
的全连接处理。
[0211]
为了基于第二年龄信息与第三年龄信息，调整第一神经网络main-bigru-att的网络参数，得到参数调整后的第一神经网络main-bigru-att，另一方面，基于第四年龄信息与第五年龄信息，调整第二神经网络auxiliary-bigru-att的网络参数，得到参数调整后的第二神经网络auxiliary-bigru-att，需要定义图3所示的整个框架的损失函数，如式(6)所示：
[0212]
loss＝λ(loss
main
) (1-λ)(loss
aux
)
ꢀꢀ
(6)
[0213]
在式(6)中，loss为整个框架的损失，λ为权重系数，loss
main
用于表示第一神经网络main-bigru-att的损失函数，loss
aux
为第二神经网络auxiliary-bigru-att的损失函数。整个模型使用rmsprop作为优化函数，整个网络中的所有矩阵和向量参数基于范围内的参数进行初始化，其中参数r和c分别代表矩阵的行数和列数。
[0214]
在图3中，第一输出层和第二输出层，可以是结构相同的同类型神经网络，示例性地，可以为一线性运算神经网络，该神经网络的线性加权系数，也可以结合第一、第二神经网络训练过程确定下来。
[0215]
图4为本技术实施例提供的用户数据处理方法中第一子神经网络与第二子神经网络结合的处理流程图。
[0216]
示例性地，在图4中，以第一子神经网络为bigru、第二子神经网络为ma为例进行说明。
[0217]
如图4所示，w
it
，t∈[0,t]为一文本信息序列，首先需要将一个文本信息序列通过embedding矩阵we转换为文本向量，再输入至bigru，其转换过程如式(7)所示：
[0218]
x
ij
＝wew
ij t∈[1,t]
ꢀꢀ
(7)
[0219]
其次，使用bigru对x
ij
进行双向处理，bigru对x
ij
处理后的输出数据中，包含前向文本信息序列和反向文本信息序列两部分，前向文本信息序列在遍历文本信息序列si从w
i1
到w
it
，反向文本信息序列与之相反，整体计算方式如式(8)-(11)所示：
[0220]
x
it
＝wew
it
,t∈[1,t]
ꢀꢀ
(8)
[0221]
[0222][0223][0224]
其中，在式(8)中，we为embedding矩阵，w
it
为文本序列，x
it
表示文本序列经embedding矩阵处理之后的文本向量数据，该文本向量数据可以是第一神经网络的输入数据，即第一样本数据。
[0225]
在式(9)中，表示第一子神经网络即bigru网络对输入数据执行前向处理，表示第一子神经网络对输入数据执行前向处理之后得到的前向文本信息序列；相应地，式(10)中，表示第一子神经网络对输入数据执行后向处理的操作，表示生成的反向文本信息序列；式(11)表示将前向和后向文本信息序列进行合并，得到双向文本信息序列h
it
。
[0226]
每个句子中，不同词语对于年龄预测的贡献度是不一样的，因此在本技术实施例所提供的数据处理方法中，引入了am。通过am可以从h
it
,t∈[1,t]中抽取出对年龄分析和预测相关的信息，因而，通过am可以给这些信息更多的注意力，以便于最终形成与年龄分析和预测相关的数据，具体地，可以通过式(12)-式(14)来实现。
[0227]uit
＝tanh(w
whit
bw)
ꢀꢀ
(12)
[0228][0229][0230]
其中，式(12)中，tanh()为am的激活函数，ww和bw用于表示对双向文本信息序列h
it
,t∈[1,t]线性运算的参数，是可以基于第一神经网络的训练过程进行调整的参数；在对第一子神经网络的输出数据即双向文本信息序列h
it
,t∈[1,t]线性运算之后，通过激励函数的处理，得到的u
it
,t∈[1,t]是对h
it
,t∈[1,t]的映射，然后，基于得到的u
it
,t∈[1,t]通过式(13)进行计算，得到每一h
it
,t∈[1,t]重值α
it
,t∈[1,t]，然后基于该权重值，通过式(14)对h
it
,t∈[1,t]进行加权运算，得到包含了与年龄分析和预测相关的数据即si,t∈[1,t]。
[0231]
以上流程中，可以首先将h
it
,t∈[1,t]输入到多层感知机(multilayer perceptron，mlp)获取h
it
,t∈[1,t]的隐藏层表示u
it
,t∈[1,t]，之后通过词语级别的内容向量衡量u
it
,t∈[1,t]中各词语的重要程度，具体地，归一化的重要性权重α
it
,t∈[1,t]通过softmax功能实现。
[0232]
下面将结合公式对bigru的处理过程进行进一步的说明。
[0233]
基于前文中的说明可知，bigru神经网络由两个方向相反的单向gru神经网络组成，既包括前向gru神经网络在t时刻的输出，又包括后向gru神经网络在t时刻的输出，而t时刻的最终输出则为前后向输出的拼接。因此，对bigru的工作原理，通过介绍一个gru神经网络就可以清楚。
[0234]
gru使用门机制通过使用分离的细胞单元跟踪句子状态，主要分为两种门：重置门r
t
和更新门z
t
，这两个门共同控制有多少信息更新到状态单元中。t时刻，gru计算新状态的方式如式(15)所示：
[0235][0236]
式(15)表示新状态h
t
与前一状态h
t-1
的线性结合，在式15中，表示候选状态，其中，h
t-1
表示前一状态的状态，h
t
表示基于新的文本信息产生的当前状态，更新门z
t
用于控制前一状态有多少信息能够保存，以及当前状态下有多少新的信息能够被加入，具体地，更新门对h
t-1
和当前时刻的输入的文本序列向量wz的处理过程如式(16)所示：
[0237]zt
＝σ(wzx
t
u
zht-1
bz)
ꢀꢀ
(16)
[0238]
在式(16)中，x
t
表示t时刻的文本信息序列向量，wz、uz以及bz用于表示更新门z
t
对输入的序列向量的计算参数，也就是gru神经网络中更新门的参数，属于gru神经网络中可以训练的参数。
[0239]
在式(15)中的候选状态的计算方式与传统的循环神经网络(recurrent neural network，rnn)相似，计算方式如下所示：
[0240][0241]
在式(17)中，r
t
代表重置门的权重，用于控制以往状态h
t-1
中有多少信息加入到候选状态中，并且，wh、uh和bh用于表示计算候选状态的控制参数，也是gru神经网络中可以训练的参数之一。如果r
t
为0，代表完全忘记以往状态的信息，重置门r
t
基于h
t-1
的运算如式(17)所示：
[0242]rt
＝σ(wrx
t
u
rht-1
br)
ꢀꢀ
(18)
[0243]
在式(17)中，wr、ur以及br是gru神经网络中重置门对输入数据的处理参数，也是gru神经网络训练过程中可以调整的参数之一。
[0244]
通过上述过程，单个gru实现了通过门机制，从分离的文本信息序列中的细胞单元获取特征信息的功能。
[0245]
在bigru中将两个单向的gru结合到一起，可以充分的结合出文本信息序列中的历史状态信息和当前状态信息，提取出完整的特征信息，然后结合am机制，可以从特征信息中选出与年龄相关的特定信息。
[0246]
由此，本技术实施例所提供的用户数据处理方法中，分别从第一网络平台找那个获取第一样本数据、从第二网络平台中获取第二样本数据，然后基于第一样本数据和第二样本数据对第一神经网络进行训练，得到参数调整后的第一神经网络，由此，在第一神经网络的训练过程中实现了样本数据的充足，从而实现了训练得到的第一神经网络对第一网络平台中获取的第一数据的有效和准确性；进一步地，使用训练完成的第一神经网络对第一数据进行处理时，首先对第一数据中执行特征提取，因而特征提取结果中包含了第一数据中携带的较为全面的特征信息，然后再从特征提取结果中提取出与年龄相关的特定信息得到第一年龄信息会更加精准。
[0247]
基于前述实施例，本技术实施例提供了一种用户数据处理系统3，如图5所示，该用
户数据处理系统3包括：处理器31、存储器32和通信总线；
[0248]
其中，通信总线用于实现处理器31和存储器32之间的通信连接；
[0249]
处理器31，用于执行存储器32中的用户数据处理方法的程序，以实现以下步骤：
[0250]
从第一网络平台中获取用户发布的第一数据；
[0251]
获取预先训练得到的第一神经网络；第一神经网络，基于从第一网络平台中获取的第一样本数据、以及从第二网络平台中获取的第二样本数据进行训练得到；其中，第一神经网络，包括第一子神经网络和第二子神经网络；第一子神经网络，用于对第一数据进行特征提取；第二子神经网络，用于从第一子神经网络的输出数据中选择与年龄相关的信息；
[0252]
基于第一数据和第一神经网络，对用户的年龄进行预测。
[0253]
在一些实施方式中，处理器31，用于执行存储器32中的用户数据处理方法的程序，以实现以下步骤：
[0254]
将所述第一数据输入至所述第一神经网络，得到第一特征数据；其中，所述第一特征数据，表示与年龄相关的数据；
[0255]
对所述第一特征数据进行处理，得到第一年龄信息。
[0256]
在一些实施方式中，处理器31，用于执行存储器32中的用户数据处理方法的程序，以实现以下步骤：
[0257]
基于第一样本数据和第二样本数据，对第一神经网络和第二神经网络进行协同训练，得到参数调整后的第一神经网络；其中，第二神经网络，包括第三子神经网络和第四子神经网络；第三子神经网络，用于对第二样本数据进行特征提取；第四子神经网络，用于从第三子神经网络的输出信息中选择与年龄相关的信息。
[0258]
在一些实施方式中，处理器31，用于执行存储器32中的用户数据处理方法的程序，以实现以下步骤：
[0259]
将第一样本数据输入至第一神经网络，得到第二特征数据；
[0260]
将第二样本数据输入至第二神经网络，得到第三特征数据；其中，所述第三特征数据，表示所述第四子神经网络的输出数据；
[0261]
基于第二特征数据和第三特征数据，调整第一神经网络的网络参数，得到参数调整后的第一神经网络。
[0262]
在一些实施方式中，处理器31，用于执行存储器32中的用户数据处理方法的程序，以实现以下步骤：
[0263]
基于第二特征数据和第三特征数据，得到第二年龄信息；
[0264]
基于第一样本数据，得到第三年龄信息；
[0265]
基于第二年龄信息与第三年龄信息，调整第一神经网络的网络参数，得到参数调整后的第一神经网络。
[0266]
在一些实施方式中，处理器31，用于执行存储器32中的用户数据处理方法的程序，以实现以下步骤：
[0267]
对第二特征数据和第三特征数据进行特征整合，得到整合输出数据；
[0268]
对整合输出数据进行拟合处理，得到第二年龄信息。
[0269]
在一些实施方式中，处理器31，用于执行存储器32中的用户数据处理方法的程序，以实现以下步骤：
[0270]
基于第二样本数据，对第二神经网络进行训练，得到参数调整后的第二神经网络。
[0271]
在一些实施方式中，处理器31，用于执行存储器32中的用户数据处理方法的程序，以实现以下步骤：
[0272]
基于第三特征数据和第二样本数据，调整第二神经网络的网络参数，得到参数调整后的第二神经网络。
[0273]
在一些实施方式中，处理器31，用于执行存储器32中的用户数据处理方法的程序，以实现以下步骤：
[0274]
基于第三特征数据，得到第四年龄信息；
[0275]
基于第二样本数据，得到第五年龄信息；
[0276]
基于第四年龄信息和第五年龄信息，调整第二神经网络的网络参数，得到参数调整后的第二神经网络。
[0277]
在实际应用中，上述处理器31可以为asic、dsp、pld、fpga、cpu、控制器、微控制器、微处理器中的至少一种。
[0278]
上述存储器32可以是易失性存储器(volatile memory)，例如ram；或者非易失性存储器(non-volatile memory)，例如rom，快闪存储器(flash memory)，硬盘(hard disk drive，hdd)或固态硬盘(solid-state drive，ssd)；或者上述种类的存储器的组合，并向处理器31提供指令和数据。
[0279]
本技术实施例所提供的用户数据处理系统，首先从第一网络平台中获取第一数据，然后使用基于第一网络平台的第一样本数据以及第二网络平台的第二样本数据训练完成的第一神经网络对第一数据进行处理，对用户的年龄进行预测，并且，第一神经网络中的第一子神经网络用于对第一数据进行特征提取，第一神经网络中的第二子神经网络，从第一子神经网络的输出数据中选择与年龄相关的信息。由此，在基于第一数据和第一神经网络对用户年龄预测时，得到的年龄信息，就能够更加精准的反应出用户的实际年龄状况。
[0280]
基于前述实施例，本技术实施例提供了一种用户数据处理设备4，如图6所示，该用户数据处理设备4包括：获取模块41和处理模块42；其中，
[0281]
获取模块41，用于从第一网络平台中获取用户发布的第一数据；还用于获取预先训练得到的第一神经网络；所述第一神经网络，是基于从所述第一网络平台中获取的第一样本数据、以及从第二网络平台中获取的第二样本数据进行训练得到；所述第一神经网络，包括第一子神经网络和第二子神经网络；所述第一子神经网络，用于对所述第一数据进行特征提取；所述第二子神经网络，用于从所述第一子神经网络的输出数据中选择与年龄相关的信息；
[0282]
处理模块42，用于基于所述第一数据和所述第一神经网络，对所述用户的年龄进行预测。
[0283]
在实际应用中，上述获取模块41以及处理模块42均可由位于电子设备中的处理器实现，上述处理器为asic、dsp、dspd、pld、fpga、cpu、控制器、微控制器、微处理器中的至少一种。
[0284]
本技术实施例所提供的用户数据处理设备，用户数据处理系统，首先从第一网络平台中获取第一数据，然后使用基于第一网络平台的第一样本数据以及第二网络平台的第二样本数据训练完成的第一神经网络对第一数据进行处理，对用户的年龄进行预测，并且，
第一神经网络中的第一子神经网络用于对第一数据进行特征提取，第一神经网络中的第二子神经网络，从第一子神经网络的输出数据中选择与年龄相关的信息。由此，在基于第一数据和第一神经网络对用户年龄预测时，得到的年龄信息，就能够更加精准的反应出用户的实际年龄状况。
[0285]
基于前述实施例，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被用户数据处理设备的处理器执行时实现如前所述任一实施例所提供的用户数据处理方法。
[0286]
在一些实施例中，本发明实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
[0287]
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
[0288]
本技术所提供的各方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。
[0289]
本技术所提供的各产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。
[0290]
本技术所提供的各方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。
[0291]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0292]
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。