CN108932261A - 对知识库的业务数据处理信息表进行更新的方法和装置 - Google Patents
对知识库的业务数据处理信息表进行更新的方法和装置 Download PDFInfo
- Publication number
- CN108932261A CN108932261A CN201710382090.9A CN201710382090A CN108932261A CN 108932261 A CN108932261 A CN 108932261A CN 201710382090 A CN201710382090 A CN 201710382090A CN 108932261 A CN108932261 A CN 108932261A
- Authority
- CN
- China
- Prior art keywords
- processing rule
- sensitivity factor
- business datum
- processing
- rule
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
根据本发明,提出了一种对智能工厂的知识库的业务数据处理信息表进行更新的方法,包括:获取与业务数据处理信息表中的业务数据的处理规则对应的时间敏感度因子的修正量;读取该处理规则的历史时间敏感度因子;利用所获取的时间敏感度因子的修正量与所读取的历史时间敏感度因子,更新该处理规则的时间敏感度因子;从所述知识库读取该处理规则的可信度;基于更新后的时间敏感度因子与所读取的可信度,来计算该处理规则的排序参数;以及根据所计算出的排序参数,对所述业务数据处理信息表中的该处理规则和与该处理规则对应的业务数据的排序进行更新。
Description
技术领域
本发明涉及一种对智能工厂的知识库的业务数据处理信息表进行更新的方法和装置,能够利用业务数据的处理规则的可信度和时间敏感度因子对该处理规则和与该处理规则对应的业务数据进行排序的更新,从而对智能工厂的知识库的业务数据处理信息表进行更新。
背景技术
知识库(Knowledge Base),又称为智能数据库或人工智能数据库。知识库是知识工程中结构化、易操作、易利用、全面有组织的知识集群,是针对某一(或某些)领域问题求解的需要,采用某种(或若干)知识表示方式在计算机存储器中存储、组织、管理和使用的互相联系的知识片集合。这些知识片包括与领域相关的理论知识、事实数据,由专家经验得到的启发式知识,如某领域内有关的定义、定理和运算法则以及常识性知识等。
如图1所示,在智能工厂中,连接到智能网关的设备不仅有经由工业网关而与其相连的传统的PLC(可编程逻辑控制器)、传感器等设备,而且还有一些与其直接连接的新型传感器、摄像头等设备。新型设备带来了业务数据的丰富多样,如视频、音频和语音数据,温度、湿度、转速等等。另外,随着定制化生产的发展,业务问题与业务规则也势必越来越复杂。为适应这样的形势,可以将知识库应用于工厂(私有云)内及工厂外的公有云内以增加灵活性。
中国专利公开CN103177092A提出了一种对知识库数据进行更新的方案。如图4所示,根据该方案,在步骤S110,获取用户对数据信息的反馈信息;在步骤S120,读取数据信息对应的可信度、反馈次数及反馈信息;在步骤S130,根据所述数据信息对应的可信度、反馈次数及所述反馈信息来更新所述可信度。通过该方案,可有效提高数据访问的准确率。知识库更新可信度的方法为B=(b*k*cl+c*c2)/(k*c1+c2)(其中b和k分别为读取到的所述数据信息对应的可信度及反馈次数,c为用户对所述数据信息的反馈信息,c1,c2为权值,B为更新后的可信度)。另外,可以根据可信度的大小,对所述数据信息进行重新排序。当访问知识库中的数据信息时,可按照可信度由大到小的顺序依次查询数据信息。当首次查找到匹配的数据信息后,该数据信息便为所有匹配的数据信息中可信度最大的数据信息。
在上述的现有技术的方案中,仅按照可信度的大小对知识库中的数据信息进行排序。但是,在智能工厂生产中通常存在这样的情况:虽然可信度不高,但如果出现必须得到及时处理。例如一些时间紧迫型的任务,如警报的处理需要尽可能快速地响应,警报信息可能根据紧迫程度进行分类,如一级警报、二级警报、三级警报等,每级警报对应的响应时间不同。因此,仅按照可信度的大小的已有排序方式可能存在时间响应不及时的风险。
发明内容
为了克服现有技术的上述缺陷提出了本发明。因此,本发明的目的之一是提出一种对智能工厂的知识库的业务数据处理信息表进行更新的方法和装置,能够利用业务数据的处理规则的可信度和时间敏感度因子对该处理规则和与该处理规则对应的业务数据进行排序的更新,从而对智能工厂的知识库的业务数据处理信息表进行更新。
根据本发明,提出了一种对智能工厂的知识库的业务数据处理信息表进行更新的方法,包括:获取与业务数据处理信息表中的业务数据的处理规则对应的时间敏感度因子的修正量;读取该处理规则的历史时间敏感度因子;利用所获取的时间敏感度因子的修正量与所读取的历史时间敏感度因子,更新该处理规则的时间敏感度因子;从所述知识库读取该处理规则的可信度;基于更新后的时间敏感度因子与所读取的可信度,来计算该处理规则的排序参数;以及根据所计算出的排序参数,对所述业务数据处理信息表中的该处理规则和与该处理规则对应的业务数据的排序进行更新。
优选地,所述业务数据处理信息表包括:业务数据、业务数据的处理规则、处理规则的可信度、以及处理规则的时间敏感度因子。
优选地,所述时间敏感度因子越小,所述业务数据的处理规则和与该处理规则对应的业务数据的排序越靠前;所述时间敏感度因子越大,所述业务数据的处理规则和与该处理规则对应的业务数据的排序越靠后。
优选地,所述处理规则的排序参数与智能工厂所处的行业的行业系数有关。
优选地,所述业务数据是通过查询业务数据处理信息表而得到的针对该业务数据的排序靠前的处理规则来处理的。
优选地,所述时间敏感度因子的修正量是从包括传感器和摄像头的设备获得的。
另外,根据本发明,还提出了一种对智能工厂的知识库的业务数据处理信息表进行更新的装置,包括:获取与业务数据处理信息表中的业务数据的处理规则对应的时间敏感度因子的修正量的单元;读取该处理规则的历史时间敏感度因子的单元;利用所获取的时间敏感度因子的修正量与所读取的历史时间敏感度因子,更新该处理规则的时间敏感度因子的单元;从所述知识库读取该处理规则的可信度的单元;基于更新后的时间敏感度因子与所读取的可信度,来计算该处理规则的排序参数的单元;以及根据所计算出的排序参数,对所述业务数据处理信息表中的该处理规则和与该处理规则对应的业务数据的排序进行更新的单元。
发明效果
根据本发明,能够利用业务数据的处理规则的可信度和时间敏感度因子对该处理规则和与该处理规则对应的业务数据进行排序的更新,从而对智能工厂的知识库的业务数据处理信息表进行更新。由此,在对业务处理进行处理时,能够以这样排序后的靠前的处理规则对业务数据进行处理,因此能够考虑到时间紧迫性等对业务数据进行处理。
附图说明
通过参考附图的详细描述,本发明的上述目的和优点将变得更清楚,其中:
图1是用于说明智能工厂内的装置配置和知识库配置的示意图。
图2是示出了根据本发明的由服务器对知识库中的业务数据进行处理的方法的流程图。
图3是示出了根据本发明的对知识库中的业务数据处理信息表进行更新的方法的流程图。
图4是示出了现有技术的对数据信息的可信度进行更新的方法的流程图。
具体实施方式
下面将参考附图描述本发明的优选实施例。在附图中,相同的元件将由相同的参考符号或数字表示。此外,在本发明的下列描述中,将省略对已知功能和配置的具体描述,以避免使本发明的主题不清楚。
根据本发明,可以在智能工厂的知识库中的业务数据处理信息表中,针对业务数据及其处理规则,增加响应时间的字段,单位可以诸如为毫秒。可以将此响应时间规定为时间敏感度因子T。某条数据信息对时间越敏感,则T越小且T>0。T的数值可以表明此条数据信息在时间上紧迫的级别。
下表1示出了智能工厂的知识库中的业务数据处理信息表的一个示例,其中添加了时间敏感度因子T。
表1
如表1所示,针对业务数据及其处理规则(根据业务数据的特点规定的处理方法)设置有可信度B和时间敏感度因子T。
关于时间敏感度因子T的值,可以事先为不同的业务数据的处理规则设定各自的初始值,然后,可以根据从传感器和摄像头等设备接收到的T值的修正值来对其进行更新。
T值的更新值Tnew可以按照以下公式1来计算。
Tnew=T。ld+x 公式1
这里,Told为当前读取到的所述数据信息的时间敏感度因子,x为从传感器和摄像头等设备接收到的业务数据的处理规则的时间敏感度因子的修正量。
针对业务数据的排序参数F可以根据诸如以下公式2来计算
F=B+C/T 公式2
这里,C为智能工厂所处的行业的行业系数,这里,行业系数可根据制造行业对时间紧迫型任务占全部任务的百分比而定,C>0且为常数;B为可信度;T为前面所提到的时间敏感度因子。
根据本发明,增加时间敏感度因子T作为排序依据。这里,排序参数F越大则业务数据及其处理规则的排序越靠前。根据公式2可知,在可信度B确定的情况下,时间敏感度因子T越大,即对时间越不敏感(较为不紧急),则排序参数F越小,即,业务数据及其处理规则的排序越靠后,相反,时间敏感度因子T越小,即对时间越敏感(较为紧急),则排序参数F越大,即,业务数据及其处理规则排序越靠前。
图2是示出了根据本发明的由服务器对知识库中的业务数据进行处理的方法的流程图。
如图2所示,在步骤201,服务器接收由设备(例如传感器、摄像头)上传的业务数据(Di)。
在步骤203,服务器根据知识库中的业务数据处理信息表确定针对上传的该业务数据的处理规则(Ri)。处理规则的含义是:如果业务数据满足某个条件则进行某项处理。处理规则是某个业务数据的规则。这里,需要指出的是,对于具有不同的处理规则的相同的业务数据,根据本发明所确定的处理规则为业务数据处理信息表中的针对该业务数据的排序靠前的处理规则。稍后,将结合实施例对其进行具体描述。
最后,在步骤205,服务器根据所确定的业务规则来处理上传的该业务数据(Di)。
图3是示出了根据本发明的对知识库中的业务数据处理信息表进行更新的方法的流程图。
在步骤301,服务器从设备(例如传感器、摄像头)获取业务数据的处理规则对应的时间敏感度因子的修正量(x)。
在步骤303,服务器读取该处理规则的历史时间敏感度因子(Told)
在步骤305,服务器利用在步骤301所获取的修正量与在步骤303所读取的历史时间敏感度因子,按照诸如前面的公式1,可以更新业务数据处理信息表中的该处理规则的时间敏感度因子(更新为Tnew)。
在步骤307,服务器从知识库的业务数据处理信息表中,读取该处理规则的可信度(Bi)。
在步骤309,基于在步骤305中更新后的时间敏感度因子与在步骤307所读取的可信度,按照前述的公式2来计算针对该处理规则的排序参数F。
在步骤311,基于步骤309中所计算出的排序参数F,按照排序参数F由大到小的顺序对业务数据处理信息表的该处理规则和与其对应的业务数据的排序进行更新。
根据上述实施例,能够根据处理规则的时间紧迫性并结合其可信度对业务数据及其处理规则的排序进行更新,便于针对业务数据,从业务数据处理信息表查询到排序靠前的考虑到时间紧迫性的处理规则,并利用该处理规则来对业务数据进行处理。
下面,将举例对业务数据处理信息表的业务数据及其处理规则的排序进行更新的第一实施例和第二实施例进行说明。
第一实施例
假设在智能工厂进行零部件生产时,摄像头实时监控某段传送带上零部件的移动状态。
针对该场景,智能工厂的知识库中的初始的业务数据处理信息表如下表2所示。
表2
如表2所示,业务数据包括以下的事实1、事实2和事实3等。
事实1:100帧图像中,运动轨迹是一条近似直线,偏移值小于等于0.5cm。
事实2:100帧图像中,运动轨迹是一条近似直线,偏移值大于0.5cm且小于1cm。
事实3:100帧图像中,运动轨迹是一条曲线。
针对业务数据的处理规则包括以下的处理规则1、处理规则2和处理规则3等。
处理规则1:如果轨迹是一条曲线,则发出二级警报。
处理规则2:如果轨迹是一条近似直线且偏移值大于0.5cm且小于1cm,则发出一级警报。
处理规则3:如果轨迹是一条近似直线且偏移值小于等于0.5cm,则发出正常通知。
二级警报比一级警报需要更快速的响应。
针对处理规则1的可信度和时间敏感度因子分别为:0.9、10
针对处理规则2的可信度和时间敏感度因子分别为:0.89、40。
针对处理规则3的可信度和时间敏感度因子分别为:0.9、100。
这里,时间敏感度因子10、40、100代表10毫秒、40毫秒、100毫秒内须对此业务数据进行响应。如表2所示,根据排序参数F从大到小的顺序对业务数据处理信息表的业务数据及其处理规则进行了排序。
下面,将描述如何根据本发明对业务数据处理信息表的业务数据的排序进行更新。
如前面已经说明过的,可以利用前述的公式1来更新时间敏感度因子,并利用前述的公式2来计算针对业务数据的排序参数F。这里,为了便于计算,可以将公式2中的行业系数C的值设为1。
当决定对处理规则2的时间敏感度因子T进行更新时,服务器会从传感器或摄像头等设备接收时间敏感度因子的修正量x=-30。
根据前述的公式1可以计算出针对处理规则2的Tnew=40-30=10,然后计算针对处理规则2的排序参数F=B+1/T=0.99。接着,根据排序参数F的大小,对其中的业务数据进行重新排序,生成更新后的业务数据处理信息表,如表3所示。
表3
如上表3所示,如果仅按照可信度的大小对数据信息进行排序,序号1001的业务数据在数据表中将位于序号2000的业务数据之后,查询序号1001的业务数据所花费时间将大于查询序号2000的业务数据所花费时间。
因此,根据该实施例,在增加时间敏感度因子后,查询可信度0.89的警报信息(序号1001)所花费时间将会小于查询可信度0.9的正常通知(序号2000)所花费时间,有利于知识库***更快速地处理特定的时间敏感型的信息。
根据该实施例,在如上那样对知识库的业务数据处理信息表进行更新之后,当访问知识库中的数据信息(业务数据及其处理规则)时,可按照排序参数F值由大到小的顺序依次查询数据信息。当首次查找到匹配的数据信息后,该数据信息便为所有匹配的数据信息中可以兼顾可信度与时间响应的数据信息。
根据该实施例,增加时间敏感度因子能够及时响应智能工厂中的时间紧迫型任务。并且随着对时间敏感度因子的不断反馈修正,可以使整个***的及时响应率得到提升。
第二实施例
假设在智能工厂进行零部件生产时,摄像头实时监控某段传送带上零部件的移动状态。
针对该场景,智能工厂的知识库中的初始的业务数据处理信息表如下表4所示。
表4
如表4所示,业务数据包括以下的事实1、事实2和事实3等。
事实1:100帧图像中,运动轨迹是一条近似直线,偏移值小于等于0.5cm。
事实2:100帧图像中,运动轨迹是一条近似直线,偏移值大于0.5cm且小于1cm。
事实3:100帧图像中,运动轨迹是一条曲线。
针对业务数据的处理规则包括以下的处理规则1、处理规则2、处理规则3和处理规则4等。
处理规则1:如果轨迹是一条曲线,则发出三级警报。
处理规则2:如果轨迹是一条近似直线且偏移值大于0.5cm且小于1cm,则发出一级警报。
处理规则3:如果轨迹是一条近似直线且偏移值大于0.5cm且小于1cm,则发出二级警报。
处理规则4:如果轨迹是一条近似直线且偏移值小于等于0.5cm,则发出正常通知。
二级警报比一级警报需要更快速的响应,并且三级警报比二级警报需要更快速的响应。
针对处理规则1的可信度和时间敏感度因子分别为:0.9、10
针对处理规则2的可信度和时间敏感度因子分别为:0.89、40。
针对处理规则3的可信度和时间敏感度因子分别为:0.85、40。
针对处理规则4的可信度和时间敏感度因子分别为:0.8、100。
这里,时间敏感度因子10、40、100代表10毫秒、40毫秒、100毫秒内须对此业务数据进行响应。如表4所示,根据排序参数F从大到小的顺序对业务数据处理信息表的业务数据及其处理规则进行了排序。
下面,将描述如何根据本发明对业务数据处理信息表的业务数据的排序进行更新。
如前面已经说明过的,可以利用前述的公式1来更新时间敏感度因子,并利用前述的公式2来计算针对业务数据的排序参数F。这里,为了便于计算,可以将公式2中的行业系数C的值设为1。
当决定对处理规则3的时间敏感度因子T进行更新时,服务器会从传感器或摄像头等设备接收时间敏感度因子的修正量x=-30。
根据前述的公式1可以计算出针对处理规则3的Tnew=40-30=10,然后计算针对处理规则2的排序参数F=B+1/T=0.95。接着,根据排序参数F的大小,对其中的业务数据进行重新排序,生成更新后的业务数据处理信息表,如表5所示。
表5
如表5所示,如果针对具有相同事实2的不同规则2和3,仅对规则3修改了时间敏感度因子T,则针对事实2、规则3的序号变为1010。即,重新排序后,排序变更为事实2、规则2之前。由此,在利用事实2对业务数据处理信息表进行查询时,会得到排序序号为1010的记录。然后,可以利用排序在前面的处理规则3而非排序在后面的规则2对事实2进行处理。
因此,根据该第二实施例,针对具有不同的处理规则的相同业务数据,有利于知识库***更快速地利用特定的时间敏感型的处理规则来处理业务数据。
另外,需要指出的是,本公开的技术可以硬件和/或软件(包括固件、微代码等)的形式来实现。另外,本公开的技术可以采取存储有指令的计算机可读介质上的计算机程序产品的形式,该计算机程序产品可供指令执行***(例如,一个或多个处理器)使用或者结合指令执行***使用。在本公开的上下文中,计算机可读介质可以是能够包含、存储、传送、传播或传输指令的任意介质。例如,计算机可读介质可以包括但不限于电、磁、光、电磁、红外或半导体***、装置、器件或传播介质。计算机可读介质的具体示例包括:磁存储装置,如磁带或硬盘(HDD);光存储装置,如光盘(CD-ROM);存储器,如随机存取存储器(RAM)或闪存;和/或有线/无线通信链路。
以上列举了若干具体实施例来详细阐明本发明,这些个例仅用于说明本发明的原理及其实施方法,而非对本发明的限制,在不脱离本发明的精神和范围的情况下,本领域的技术人员还可以做出各种变形和改进。因此,本发明不应由上述实施例来限定,而应由所附权利要求及其等价物来限定。
Claims (7)
1.一种对智能工厂的知识库的业务数据处理信息表进行更新的方法,包括:
获取与业务数据处理信息表中的业务数据的处理规则对应的时间敏感度因子的修正量;
读取该处理规则的历史时间敏感度因子;
利用所获取的时间敏感度因子的修正量与所读取的历史时间敏感度因子,更新该处理规则的时间敏感度因子;
从所述知识库读取该处理规则的可信度;
基于更新后的时间敏感度因子与所读取的可信度,来计算该处理规则的排序参数;以及
根据所计算出的排序参数,对所述业务数据处理信息表中的该处理规则和与该处理规则对应的业务数据的排序进行更新。
2.根据权利要求1所述的方法,其中,
所述业务数据处理信息表包括:业务数据、业务数据的处理规则、处理规则的可信度、以及处理规则的时间敏感度因子。
3.根据权利要求1所述的方法,其中,
所述时间敏感度因子越小,所述业务数据的处理规则和与该处理规则对应的业务数据的排序越靠前;
所述时间敏感度因子越大,所述业务数据的处理规则和与该处理规则对应的业务数据的排序越靠后。
4.根据权利要求1所述的方法,其中,
所述处理规则的排序参数与智能工厂所处的行业的行业系数有关。
5.根据权利要求2所述的方法,其中,
所述业务数据是通过查询业务数据处理信息表而得到的针对该业务数据的排序靠前的处理规则来处理的。
6.根据权利要求1所述的方法,其中,
所述时间敏感度因子的修正量是从包括传感器和摄像头的设备获得的。
7.一种对智能工厂的知识库的业务数据处理信息表进行更新的装置,包括:
获取与业务数据处理信息表中的业务数据的处理规则对应的时间敏感度因子的修正量的单元;
读取该处理规则的历史时间敏感度因子的单元;
利用所获取的时间敏感度因子的修正量与所读取的历史时间敏感度因子,更新该处理规则的时间敏感度因子的单元;
从所述知识库读取该处理规则的可信度的单元;
基于更新后的时间敏感度因子与所读取的可信度,来计算该处理规则的排序参数的单元;以及
根据所计算出的排序参数,对所述业务数据处理信息表中的该处理规则和与该处理规则对应的业务数据的排序进行更新的单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710382090.9A CN108932261B (zh) | 2017-05-25 | 2017-05-25 | 对知识库的业务数据处理信息表进行更新的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710382090.9A CN108932261B (zh) | 2017-05-25 | 2017-05-25 | 对知识库的业务数据处理信息表进行更新的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108932261A true CN108932261A (zh) | 2018-12-04 |
CN108932261B CN108932261B (zh) | 2023-08-15 |
Family
ID=64450986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710382090.9A Active CN108932261B (zh) | 2017-05-25 | 2017-05-25 | 对知识库的业务数据处理信息表进行更新的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108932261B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1335574A (zh) * | 2001-09-05 | 2002-02-13 | 罗笑南 | 智能语义搜索方法 |
JP2007034674A (ja) * | 2005-07-27 | 2007-02-08 | Fujitsu Ltd | インシデント管理プログラム |
WO2007101973A2 (en) * | 2006-03-08 | 2007-09-13 | True Knowledge Limited | Knowledge repository |
US20110035749A1 (en) * | 2009-08-10 | 2011-02-10 | Avaya Inc. | Credit Scheduler for Ordering the Execution of Tasks |
CN102103598A (zh) * | 2009-12-21 | 2011-06-22 | 同济大学 | 一种基于内容信任的可信搜索方法 |
CN102142035A (zh) * | 2011-03-31 | 2011-08-03 | 百度在线网络技术(北京)有限公司 | 一种用于对多个文字信息记录进行排序的方法与设备 |
CN103177092A (zh) * | 2013-03-08 | 2013-06-26 | 深圳先进技术研究院 | 知识库数据更新方法、***及知识库 |
US8583467B1 (en) * | 2012-08-23 | 2013-11-12 | Fmr Llc | Method and system for optimized scheduling of workflows |
CN103428160A (zh) * | 2012-05-15 | 2013-12-04 | 上海博路信息技术有限公司 | 一种基于语音的排队服务*** |
US20140067487A1 (en) * | 2012-08-29 | 2014-03-06 | Marcos Dias De Assuncao | Systems, methods, and computer program products for prioritizing information |
CN106294414A (zh) * | 2015-05-25 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 数据排序方法及装置 |
-
2017
- 2017-05-25 CN CN201710382090.9A patent/CN108932261B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1335574A (zh) * | 2001-09-05 | 2002-02-13 | 罗笑南 | 智能语义搜索方法 |
JP2007034674A (ja) * | 2005-07-27 | 2007-02-08 | Fujitsu Ltd | インシデント管理プログラム |
WO2007101973A2 (en) * | 2006-03-08 | 2007-09-13 | True Knowledge Limited | Knowledge repository |
US20110035749A1 (en) * | 2009-08-10 | 2011-02-10 | Avaya Inc. | Credit Scheduler for Ordering the Execution of Tasks |
CN102103598A (zh) * | 2009-12-21 | 2011-06-22 | 同济大学 | 一种基于内容信任的可信搜索方法 |
CN102142035A (zh) * | 2011-03-31 | 2011-08-03 | 百度在线网络技术(北京)有限公司 | 一种用于对多个文字信息记录进行排序的方法与设备 |
CN103428160A (zh) * | 2012-05-15 | 2013-12-04 | 上海博路信息技术有限公司 | 一种基于语音的排队服务*** |
US8583467B1 (en) * | 2012-08-23 | 2013-11-12 | Fmr Llc | Method and system for optimized scheduling of workflows |
US20140067487A1 (en) * | 2012-08-29 | 2014-03-06 | Marcos Dias De Assuncao | Systems, methods, and computer program products for prioritizing information |
CN103177092A (zh) * | 2013-03-08 | 2013-06-26 | 深圳先进技术研究院 | 知识库数据更新方法、***及知识库 |
CN106294414A (zh) * | 2015-05-25 | 2017-01-04 | 腾讯科技(深圳)有限公司 | 数据排序方法及装置 |
Non-Patent Citations (4)
Title |
---|
杨柯 等: "基于计算期望和信誉度的网格资源调度模型", 西北大学学报(自然科学版), vol. 39, no. 2, pages 225 - 229 * |
王玉祥 等: "基于时空关系和关联规则挖掘的上下文信息缺失插补研究", 电子与信息学报, vol. 82, no. 12, pages 2913 - 2917 * |
韩红旗: "基于可信度的决策规则处理", 信息技术, no. 10, pages 27 - 29 * |
马洋明 等: "一种拟人的网络安全智能集中管理机制", 微处理机, no. 6, pages 32 - 35 * |
Also Published As
Publication number | Publication date |
---|---|
CN108932261B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220317634A1 (en) | Web services platform with cloud-based feedback control | |
US11054811B2 (en) | Systems and methods for line balancing | |
Zhang et al. | Flexible job-shop scheduling/rescheduling in dynamic environment: a hybrid MAS/ACO approach | |
US9703879B2 (en) | Graph server querying for managing social network information flow | |
Xia et al. | A seasonal discrete grey forecasting model for fashion retailing | |
US11258683B2 (en) | Web services platform with nested stream generation | |
JP2006164233A (ja) | 分散データ駆動型アーキテクチャ環境におけるディレクトリ構造 | |
US20170330211A1 (en) | Modeling inventory performance for omni-channel fulfillment in retail supply networks | |
US20210272017A1 (en) | Machine learning on a blockchain | |
CA2660680A1 (en) | Generating a feed of stories personalized for members of a social network | |
CN109961198B (zh) | 关联信息生成方法和装置 | |
CN109656540B (zh) | 一种基于Apriori算法的补货库位推荐方法 | |
CN106537388A (zh) | 对数据库进行分区 | |
CN104657457B (zh) | 一种用户评价视频的数据处理方法、视频推荐方法及装置 | |
CN115394143A (zh) | 一种基于数字孪生的虚拟仿真教育***及其交互方法 | |
WO2021077814A1 (zh) | 一种由用户终端执行的推送模型优化方法和装置 | |
Zhang et al. | A Back Propagation Neural Network‐Based Method for Intelligent Decision‐Making | |
CN108932261A (zh) | 对知识库的业务数据处理信息表进行更新的方法和装置 | |
CN111652451A (zh) | 社交关系的获取方法和装置及存储介质 | |
CN116777324A (zh) | 一种物流网络调度的方法和装置 | |
Amiri et al. | Evaluating the performance of variable scheme X-bar control chart: a Taguchi loss approach | |
US20210004716A1 (en) | Real-time global ai platform | |
CN114844883A (zh) | 一种产品生产管理的方法、装置、设备及介质 | |
JP2021501945A (ja) | ネットワーク配達サービスを実行するコンピュータシステム | |
CN113723972A (zh) | 一种基于区块链技术的农产品追溯***及其方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |