CN112486955B - 基于大数据和人工智能的数据维护方法及大数据服务器 - Google Patents
基于大数据和人工智能的数据维护方法及大数据服务器 Download PDFInfo
- Publication number
- CN112486955B CN112486955B CN202011417208.5A CN202011417208A CN112486955B CN 112486955 B CN112486955 B CN 112486955B CN 202011417208 A CN202011417208 A CN 202011417208A CN 112486955 B CN112486955 B CN 112486955B
- Authority
- CN
- China
- Prior art keywords
- service
- data
- service data
- interaction record
- processing
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的基于大数据和人工智能的数据维护方法及大数据服务器，能够确定出当前用户业务终端的业务操作数据中的业务操作时段、业务操作行为标签和业务操作反馈信息，根据业务操作时段确定目标业务数据处理记录，基于目标业务数据处理记录和业务操作行为标签生成业务数据维护清单，可以基于业务数据维护清单进行数据维护。通过生成的业务数据维护清单可以指示大数据服务器对当前用户业务终端对应的关联业务数据进行数据绑定，避免关联业务数据之间出现混淆而影响到后续的业务处理的正确性，可以确保正确地生成与当前用户业务终端的业务操作数据对应的业务处理结果，使得大数据服务器能够从容、准确、协调地应对越来越多的业务处理。
Description
技术领域
本申请涉及大数据及人工智能技术领域，具体而言，涉及一种基于大数据和人工智能的数据维护方法及大数据服务器。
背景技术
随着新一代信息技术的发展，大数据（Big Data）在现如今的社会发展中起着至关重要的作用。许多行业开始借助大数据进行线上业务处理，这样不仅能够打破业务办理地域限制和时间限制，还能够提高业务处理的效率。
然而在实际的业务办理过程中，随着用户业务终端的数量不断增多，用户业务终端对应的业务处理请求也不断激增，这可能导致大数据服务器在进行业务处理时混淆不同用户业务终端对应的业务数据，从而造成用户业务终端收到的业务处理结果是混乱的。
发明内容
本申请的第一个方面公开了一种基于大数据和人工智能的数据维护方法，应用于大数据服务器，所述大数据服务器中存储有每个业务处理交叠时段的业务数据集，所述业务处理交叠时段为至少两个不同的业务处理请求的交叠时段，所述业务数据集包括该业务处理交叠时段中各个业务处理请求对应不同业务处理类别的各个预设业务处理线程的业务数据处理记录，所述方法包括：
接收当前用户业务终端的业务操作数据，所述业务操作数据包括所述当前用户业务终端的业务操作时段、业务操作行为标签和业务操作反馈信息；
判断所述业务操作时段是否处于业务处理交叠时段；若所述业务操作时段处于业务处理交叠时段，则从该业务处理交叠时段的业务数据集中获取该业务处理交叠时段中每个业务处理请求对应所述业务操作反馈信息的预设业务处理线程的目标业务数据处理记录；
根据获取的每个业务处理请求对应的目标业务数据处理记录和所述业务操作行为标签，生成所述当前用户业务终端对应的业务数据维护清单；
基于所述业务数据维护清单，对与所述业务操作数据对应的关联业务数据进行数据维护。
优选的实施例中，所述方法还包括预先确定每个业务处理交叠时段的业务数据集的步骤，具体包括：
获取各个业务处理场景的第一业务场景数据集，所述第一业务场景数据集包括每个业务场景对象的业务处理类别信息、对象标签信息、对象交互记录信息、对象状态信息和对应的业务处理请求；
对所述各个业务处理场景的第一业务场景数据集进行业务场景数据筛分，确定每个业务处理交叠时段中各个业务处理请求的第二业务场景数据集；
针对每个业务处理交叠时段，根据该业务处理交叠时段中各个业务处理请求的第二业务场景数据集，按照不同的业务处理类别分别生成每个业务处理请求的第三业务场景数据集；
根据每个业务处理请求的第三业务场景数据集，确定不同的设定时段，并计算每个业务处理请求对应的各个预设业务处理线程的业务数据处理记录，以确定该业务处理交叠时段的业务数据集。
优选的实施例中，所述对所述各个业务处理场景的第一业务场景数据集进行业务场景数据筛分，确定每个业务处理交叠时段中各个业务处理请求的第二业务场景数据集的步骤，包括：
根据各个业务场景对象的对象状态信息确定各个业务场景对象对应的业务处理场景；
根据各个业务场景对象对应的业务处理场景和对应的业务处理请求对所述各个业务处理场景的第一业务场景数据集进行业务场景数据筛分，确定每个业务处理交叠时段中各个业务处理请求的第二业务场景数据集。
优选的实施例中，所述根据每个业务处理请求的第三业务场景数据集，确定不同的设定时段的步骤，包括：
针对每个业务处理请求的第三业务场景数据集，计算该业务处理请求的第三业务场景数据集中各个业务场景对象在每个设定交互记录统计时间段的实时对象交互记录；
针对每个设定交互记录统计时间段，判断所述各个业务场景对象在该设定交互记录统计时间段的实时对象交互记录的业务交互描述数据的数据更新指数是否大于预设业务交互描述数据的数据更新指数；
若所述实时对象交互记录的业务交互描述数据的数据更新指数大于预设业务交互描述数据的数据更新指数，则将该设定交互记录统计时间段确定为第一目标统计时间段；
若所述实时对象交互记录的业务交互描述数据的数据更新指数不大于预设业务交互描述数据的数据更新指数，则将该设定交互记录统计时间段确定为第二目标统计时间段；
将每个所述第一目标统计时间段分别设为不同的设定时段，根据预设时段修正指标对多个所述第二目标统计时间段进行修正，得到至少一个修正时间段，并将每个修正时间段设为一个设定时段。
优选的实施例中，每个业务处理交叠时段包括第一业务处理请求和第二业务处理请求，所述根据获取的每个业务处理请求对应的目标业务数据处理记录和所述业务操作行为标签，生成所述当前用户业务终端对应的业务数据维护清单的步骤，包括：
计算所述业务操作行为标签与所述第一业务处理请求对应的目标业务数据处理记录之间的第一对象交互记录的业务交互记录特征的特征变化轨迹和与所述第二业务处理请求对应的目标业务数据处理记录之间的第二对象交互记录的业务交互记录特征的特征变化轨迹；
根据所述第一对象交互记录的业务交互记录特征的特征变化轨迹和所述第二对象交互记录的业务交互记录特征的特征变化轨迹确定所述当前用户业务终端对应的业务数据维护清单；
其中，根据所述第一对象交互记录的业务交互记录特征的特征变化轨迹和所述第二对象交互记录的业务交互记录特征的特征变化轨迹确定所述当前用户业务终端对应的业务数据维护清单的步骤，包括：
判断所述第一对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重是否大于所述第二对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重；
若所述第一对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重大于所述第二对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重，则根据所述第二业务处理请求确定所述当前用户业务终端对应的业务数据维护清单；
若所述第一对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重小于等于所述第二对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重，则根据所述第一业务处理请求确定所述当前用户业务终端对应的业务数据维护清单；
其中，所述大数据服务器中存储有每个业务处理交叠时段对应的多个业务评价系数以及每个业务评价系数对应的对象交互记录的业务交互记录特征的指标权重区间，所述根据所述第一对象交互记录的业务交互记录特征的特征变化轨迹和所述第二对象交互记录的业务交互记录特征的特征变化轨迹确定所述当前用户业务终端对应的业务数据维护清单的步骤，包括：
查找所述第一对象交互记录的业务交互记录特征的特征变化轨迹对应的第一对象交互记录的业务交互记录特征的指标权重区间对应的第一业务评价系数和所述第二对象交互记录的业务交互记录特征的特征变化轨迹对应的第二对象交互记录的业务交互记录特征的指标权重区间对应的第二业务评价系数；
分别判断所述第一业务评价系数和所述第二业务评价系数是否大于设定业务评价系数；
若所述第一业务评价系数大于所述设定业务评价系数，则根据所述第一业务处理请求确定所述当前用户业务终端对应的业务数据维护清单；
若所述第二业务评价系数大于所述设定业务评价系数，则根据所述第二业务处理请求确定所述当前用户业务终端对应的业务数据维护清单；
若所述第一业务评价系数和所述第二业务评价系数均不大于设定业务评价系数，则迭代更新每个业务处理交叠时段的业务数据集，并返回计算所述业务操作行为标签与所述第一业务处理请求对应的目标业务数据处理记录之间的第一对象交互记录的业务交互记录特征的特征变化轨迹和与所述第二业务处理请求对应的目标业务数据处理记录之间的第二对象交互记录的业务交互记录特征的特征变化轨迹的步骤。
优选的实施例中，所述方法还包括预先设置每个业务处理交叠时段对应的多个业务评价系数以及每个业务评价系数对应的对象交互记录的业务交互记录特征的指标权重区间的步骤，具体包括：
针对每个业务处理交叠时段，计算该业务处理交叠时段中第一业务处理请求对应的目标业务数据处理记录与第二业务处理请求对应的目标业务数据处理记录之间的对象交互记录的业务交互记录特征；
根据所述业务处理交叠时段的业务数据集确定多个业务评价系数以及每个业务评价系数对应的业务评价时序权重；
计算每个业务评价系数对应的业务评价时序权重与所述对象交互记录的业务交互记录特征之间的特征加权结果，并根据每个业务评价系数对应的业务评价时序权重与所述对象交互记录的业务交互记录特征之间的特征加权结果配置每个业务评价系数对应的对象交互记录的业务交互记录特征的指标权重区间。
优选的实施例中，所述方法还包括：将所述当前用户业务终端对应的业务数据维护清单发送给所述当前用户业务终端的关联用户业务终端。
优选的实施例中，基于所述业务数据维护清单，对与所述业务操作数据对应的关联业务数据进行数据维护，包括：
基于所述业务数据维护清单，对获取的关联业务数据进行业务数据校正，得到与预先存储的参考数据格式匹配的待维护业务数据；
通过对所述待维护业务数据进行业务数据调用检测的方式，确定所述待维护业务数据的业务数据调用检测结果；
基于所述业务数据调用检测结果提取待维护业务数据的业务数据聚类集；
依据所述业务数据聚类集对所述待维护业务数据进行业务数据删除、业务数据重构以及业务数据扩充；
其中，对获取的关联业务数据进行业务数据校正，得到与预先存储的参考数据格式匹配的待维护业务数据包括：确定所述关联业务数据中业务数据标签所对应的标定业务数据的四个业务维度信息；确定所述业务数据标签所对应的标定业务数据的四个业务维度信息与所述参考数据格式的四个业务维度信息的信息匹配清单；根据所述信息匹配清单对所述业务数据标签的标签属性特征进行属性特征映射，得到映射属性特征；根据所述映射属性特征确定所述待维护业务数据；
其中，确定所述关联业务数据中业务数据标签所对应的标定业务数据的四个业务维度信息包括：基于人工智能的特征提取网络模型对所述关联业务数据进行属性特征提取，得到业务数据标签的标签属性特征；提取所述业务数据标签的标签属性特征的属性特征描述信息，通过预设描述信息映射矩阵转换所述属性特征描述信息，得到四个目标描述信息，并确定所述四个目标描述信息的四个具有描述值更新标识的信息子集为所述业务数据标签所对应的标定业务数据的四个业务维度信息；
其中，根据所述映射属性特征确定所述待维护业务数据包括：通过预设属性特征值识别模型获取所述映射属性特征中属性特征值最大的属性特征序列；确定所述属性特征序列与所述业务数据标签的标签属性特征的上一个属性特征描述信息的相对特征匹配度；若所述相对特征匹配度小于所述映射属性特征的动态特征匹配度的一半，通过将所述映射属性特征进行特征重组的方式进行重组业务数据校正，得到所述待维护业务数据；若所述相对特征匹配度大于所述映射属性特征的动态特征匹配度的一半，确定所述映射属性特征为所述待维护业务数据。
优选的实施例中，基于所述业务数据调用检测结果提取待维护业务数据的业务数据聚类集包括：
按照预先在参考数据格式中设置的数据格式指标信息的方式在所述待维护业务数据中设置所述数据格式指标信息；
将所述业务数据调用检测结果与所述数据格式指标信息对比，以确定所述待维护业务数据的业务数据聚类集；
其中，将所述业务数据调用检测结果与所述数据格式指标信息对比，以确定所述待维护业务数据的业务数据聚类集包括：
确定所述业务数据调用检测结果的数据调用检测记录的当前数据格式指标信息与第一数据格式指标信息、第五数据格式指标信息的第一数据格式比较结果，并根据所述第一数据格式比较结果确定所述待维护业务数据的业务数据聚类集中的业务数据行为要素；其中，所述第一数据格式指标信息为业务数据行为要素与业务数据类型要素之间与业务数据标签的标签属性特征的上一个属性特征描述信息对应的目标描述信息，所述第五数据格式指标信息为业务数据类型要素与业务数据对象要素之间与所述第一数据格式指标信息对应的目标描述信息；
确定所述业务数据调用检测结果的数据调用检测记录的当前数据格式指标信息与第一数据格式指标信息、第二数据格式指标信息、第五数据格式指标信息的第二数据格式比较结果，并根据所述第二数据格式比较结果确定所述待维护业务数据的业务数据聚类集中的业务数据类型要素和业务数据对象要素；其中，所述第二数据格式指标信息为业务数据类型要素与业务数据需求要素之间与所述业务数据标签的标签属性特征的上一个属性特征描述信息对应的目标描述信息；
确定所述业务数据调用检测结果的数据调用检测记录的当前数据格式指标信息与第二数据格式指标信息、第三数据格式指标信息、第五数据格式指标信息的第三数据格式比较结果，并根据所述第三数据格式比较结果确定所述待维护业务数据的业务数据聚类集中的业务数据需求要素；其中，所述第三数据格式指标信息为业务数据需求要素与业务数据关联要素之间与所述业务数据标签的标签属性特征的上一个属性特征描述信息对应的目标描述信息；
确定所述业务数据调用检测结果的数据调用检测记录的当前数据格式指标信息与第三数据格式指标信息、第四数据格式指标信息、第五数据格式指标信息的第四数据格式比较结果，并根据所述第四数据格式比较结果确定所述待维护业务数据的业务数据聚类集中的业务数据关联要素；
确定所述业务数据调用检测结果的数据调用检测记录的当前数据格式指标信息与第四数据格式指标信息、第五数据格式指标信息的第五数据格式比较结果，并根据所述第五数据格式比较结果确定所述待维护业务数据的业务数据聚类集中的业务数据标签序列要素；其中，所述第四数据格式指标信息为业务数据关联要素与业务数据标签序列要素之间与所述业务数据标签的标签属性特征的上一个属性特征描述信息对应的目标描述信息。
本申请的第二个方面提供了一种大数据服务器，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行第一个方面的基于大数据和人工智能的数据维护方法。
相较于现有技术，本发明实施例提供的基于大数据和人工智能的数据维护方法及大数据服务器具有以下技术效果：首先确定出当前用户业务终端的业务操作数据中的业务操作时段、业务操作行为标签和业务操作反馈信息，其次根据业务操作时段确定目标业务数据处理记录，然后基于目标业务数据处理记录和业务操作行为标签生成业务数据维护清单，这样可以基于业务数据维护清单对与业务操作数据对应的关联业务数据进行数据维护。如此，通过生成的业务数据维护清单可以指示大数据服务器对当前用户业务终端对应的关联业务数据进行数据绑定，从而避免关联业务数据之间出现混淆而影响到后续的业务处理的正确性，可以确保正确地生成与当前用户业务终端的业务操作数据对应的业务处理结果，使得大数据服务器能够从容、准确、协调地应对越来越多的业务处理。
在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的基于大数据和人工智能的数据维护方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
附图中的基于大数据和人工智能的数据维护方法、***和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中参考数字在附图的各个视图中代表相似的机构。
图1是根据本发明的一些实施例所示的一种示例性基于大数据和人工智能的数据维护***的框图。
图2是根据本发明的一些实施例所示的一种示例性大数据服务器中硬件和软件组成的示意图。
图3是根据本发明的一些实施例所示的一种示例性基于大数据和人工智能的数据维护方法和/或过程的流程图。
图4是根据本发明的一些实施例所示的一种示例性基于大数据和人工智能的数据维护装置的框图。
具体实施方式
发明人在发现如背景技术所述的问题之后，对现目前的大数据服务器的运行情况进行研究和分析后发现，在相同时段针对不同的业务数据进行处理是造成业务数据混淆的其中一个原因，这个时段可以理解为业务处理交叠时段。在业务处理交叠时段内，大数据服务器可能会并行处理多个业务，这样会导致不同业务处理线程之间的接口屏蔽机制（避免不同业务之间的业务数据互窜）相对薄弱，从而导致业务数据的混淆。例如，在进行数据查询（例如行驶线路查询）时，业务数据的混淆可能导致用户业务终端收到的线路查询结果存在较大偏差，这样可能会引发后续的不利连锁反应。
为改善上述问题，发明人创新性地提出了一种基于大数据和人工智能的数据维护方法及大数据服务器，能够对当前用户业务终端的业务操作数据以及关联业务数据进行维护，从而避免当前用户业务终端的业务操作数据以及关联业务操作数据在大数据服务器中与其他处于相同业务处理交叠时段的业务数据混淆，从而确保当前用户业务终端接收到的业务处理结果是正常的。
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本发明。在其他情况下，公知的基于大数据和人工智能的数据维护方法、程序、***、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本发明的方面。
这些和其他特性、当前申请披露的功能、执行的基于大数据和人工智能的数据维护方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而，需要理解清楚的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当了解的是，这些图纸不是按比例绘制的。然而，应当明确理解的是，附图仅用于说明和描述的目的，并不意图限制本发明的范围。应当知晓的是，这些附图并不依照比例。
本申请中使用流程图说明根据本申请的实施例的***所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。
图1是根据本发明的一些实施例所示的一种示例性基于大数据和人工智能的数据维护***300的框图，基于大数据和人工智能的数据维护***300可以包括大数据服务器100和用户业务终端200。
在一些实施例中，如图2所示，大数据服务器100可以包括处理引擎110、网络模块120和存储器130，处理引擎110和存储器130通过网络模块120通信。
处理引擎110可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如，在一些实施例中，处理引擎110可以包括至少一个处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎110可以包括中央处理单元(Central ProcessingUnit，CPU)、专用集成电路(Application-Specific Integrated Circuit，ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer，RISC)、微处理器等或其任意组合。
网络模块120可以促进信息和/或数据的交换。在一些实施例中，网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例，网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网络(Wireless Local Area Network，WLAN)、城域网(Metropolitan Area Network，MAN)、公用电话交换网(Public Telephone SwitchedNetwork，PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication，NFC)网络等或上述举例的任意组合。在一些实施例中，网络模块120可以包括至少一个网络接入点。例如，网络模块120可以包括有线或无线网路接入点，如基站和/或网路接入点。
存储器130可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。其中，存储器130用于存储程序，所述处理引擎110在接收到执行指令后，执行所述程序。
可以理解，图2所示的结构仅为示意，大数据服务器100还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
图3是根据本发明的一些实施例所示的一种示例性基于大数据和人工智能的数据维护方法和/或过程的流程图，基于大数据和人工智能的数据维护方法应用于图1中的大数据服务器100，具体可以包括以下步骤S11-步骤S14。
可以理解，所述大数据服务器100中预先存储有每个业务处理交叠时段的业务数据集，所述业务处理交叠时段为至少两个不同的业务处理请求的交叠时段，所述业务数据集包括该业务处理交叠时段中各个业务处理请求对应不同业务处理类别的各个预设业务处理线程的业务数据处理记录。
例如，业务处理交叠时段可以理解为不同业务处理请求存在冲突的时段，比如业务处理请求Q1的业务处理时段D1为t1-t2，业务处理请求Q2的业务处理时段D2为t3-t4，且t3早于t2，那么D1和D2之间则存在业务处理交叠时段t3-t2。当然，业务处理交叠时段可以部分交叠，也可以完全交叠，在此不作限定。
例如，业务处理请求可以是相同用户业务终端发起的，也可以是不同用户业务终端发起的。预设业务处理线程可以是网络模型、算法等，预设业务处理线程的配置为现有技术，在此不作赘述。业务处理类别用于区分不同的业务处理请求，业务数据处理记录用于表征预设业务处理线程响应业务处理请求之后生成的处理结果。业务数据集可以包括不同交互场景、不同处理时段的业务数据，例如在线支付数据、实时定位数据等，在此不作限定。
在上述基础上，大数据服务器100可以执行以下内容。
步骤S11，接收当前用户业务终端的业务操作数据。
例如，业务操作数据可以是用户通过用户业务终端进行语音操作、触控操作等所产生的业务操作数据，所述业务操作数据包括所述当前用户业务终端的业务操作时段、业务操作行为标签和业务操作反馈信息。业务操作时段是指业务操作所处的时段，业务操作行为标签用于区分不同的操作行为，业务操作反馈信息是用户业务终端根据用户的操作生成的反馈信息。
步骤S12，判断所述业务操作时段是否处于业务处理交叠时段；若所述业务操作时段处于业务处理交叠时段，则从该业务处理交叠时段的业务数据集中获取该业务处理交叠时段中每个业务处理请求对应所述业务操作反馈信息的预设业务处理线程的目标业务数据处理记录。
步骤S13，根据获取的每个业务处理请求对应的目标业务数据处理记录和所述业务操作行为标签，生成所述当前用户业务终端对应的业务数据维护清单。
例如，业务数据维护清单可以是针对当前用户业务终端生成的用于防止当前用户业务终端对应的业务数据出现混淆的指示清单，业务数据维护清单可以指示大数据服务器对当前用户业务终端对应的业务数据进行数据绑定，从而避免业务数据之间出现混淆而影响到后续的业务处理的正确性。
步骤S14，基于所述业务数据维护清单，对与所述业务操作数据对应的关联业务数据进行数据维护。
例如，关联业务数据可以是与当前用户业务终端对应的多个层面的业务数据，关联业务数据可以用于进行后续的业务处理，从而确保正确地生成与当前用户业务终端的业务操作数据对应的业务处理结果，进而确保当前用户业务终端能够获得正确的业务处理结果。这样可以使得大数据服务器能够从容、准确、协调地应对越来越多的业务处理。
可以理解，基于上述步骤S11-步骤S14，首先确定出当前用户业务终端的业务操作数据中的业务操作时段、业务操作行为标签和业务操作反馈信息，其次根据业务操作时段确定目标业务数据处理记录，然后基于目标业务数据处理记录和业务操作行为标签生成业务数据维护清单，这样可以基于业务数据维护清单对与业务操作数据对应的关联业务数据进行数据维护。如此，通过生成的业务数据维护清单可以指示大数据服务器对当前用户业务终端对应的关联业务数据进行数据绑定，从而避免关联业务数据之间出现混淆而影响到后续的业务处理的正确性，可以确保正确地生成与当前用户业务终端的业务操作数据对应的业务处理结果，使得大数据服务器能够从容、准确、协调地应对越来越多的业务处理。
接下来将对一些可选实施例进行说明，这些实施例应当理解为示例，不应理解为实现本方案所必不可少的技术特征。
在实施上述步骤S11-步骤S14之前，为了确保生成的业务数据维护清单的完整性，还可以包括预先确定每个业务处理交叠时段的业务数据集的步骤，该步骤可以包括以下步骤S21-步骤S24。
步骤S21，获取各个业务处理场景的第一业务场景数据集，所述第一业务场景数据集包括每个业务场景对象的业务处理类别信息、对象标签信息、对象交互记录信息、对象状态信息和对应的业务处理请求。
例如，业务场景数据集用于区分不同的业务场景，对象标签信息可以用于区分不同用户业务终端，对象交互记录信息用于记录不同用户业务终端之间的交互行为，对象状态信息用于表征不同用户业务终端的运行状态。
步骤S22，对所述各个业务处理场景的第一业务场景数据集进行业务场景数据筛分，确定每个业务处理交叠时段中各个业务处理请求的第二业务场景数据集。
步骤S23，针对每个业务处理交叠时段，根据该业务处理交叠时段中各个业务处理请求的第二业务场景数据集，按照不同的业务处理类别分别生成每个业务处理请求的第三业务场景数据集。
步骤S24，根据每个业务处理请求的第三业务场景数据集，确定不同的设定时段，并计算每个业务处理请求对应的各个预设业务处理线程的业务数据处理记录，以确定该业务处理交叠时段的业务数据集。
可以理解，基于上述步骤21-步骤S24，能够对各个业务处理场景的业务场景数据集进行分析，从而根据确定出的设定时段计算各个预设业务处理线程的业务数据处理记录以及业务处理交叠时段的业务数据集。如此，能够准确、完整地生成业务数据集，从而确保后续生成的业务数据维护清单的完整性。
进一步地，步骤S22所描述的对所述各个业务处理场景的第一业务场景数据集进行业务场景数据筛分，确定每个业务处理交叠时段中各个业务处理请求的第二业务场景数据集，可以包括以下步骤S221和步骤S222。
步骤S221，根据各个业务场景对象的对象状态信息确定各个业务场景对象对应的业务处理场景。
步骤S222，根据各个业务场景对象对应的业务处理场景和对应的业务处理请求对所述各个业务处理场景的第一业务场景数据集进行业务场景数据筛分，确定每个业务处理交叠时段中各个业务处理请求的第二业务场景数据集。
如此，通过对第一业务场景数据集进行业务场景数据筛分，能够确保第二业务场景数据集相较于第一业务场景数据集具有更高的业务场景时效性，从而确保第二业务场景数据集与业务处理交叠时段相匹配。
进一步地，为了确保第二业务场景数据集的时效性，需要对设定时段进行全局性的确定和修正。为实现这一目的，在步骤S24中，根据每个业务处理请求的第三业务场景数据集，确定不同的设定时段的步骤，可以包括步骤S241-步骤S245。
步骤S241，针对每个业务处理请求的第三业务场景数据集，计算该业务处理请求的第三业务场景数据集中各个业务场景对象在每个设定交互记录统计时间段的实时对象交互记录。
例如，设定交互记录统计时间段可以预先进行设置，在此不作限定。
步骤S242，针对每个设定交互记录统计时间段，判断所述各个业务场景对象在该设定交互记录统计时间段的实时对象交互记录的业务交互描述数据的数据更新指数是否大于预设业务交互描述数据的数据更新指数。
例如，业务交互描述数据用于对实时对象交互记录进行概括，从而减轻大数据服务器的数据处理压力。数据更新指数用于表征业务交互描述数据的更新速率，数据更新指数越大，数据更新指数的更新速率越快。
步骤S243，若所述实时对象交互记录的业务交互描述数据的数据更新指数大于预设业务交互描述数据的数据更新指数，则将该设定交互记录统计时间段确定为第一目标统计时间段。
步骤S244，若所述实时对象交互记录的业务交互描述数据的数据更新指数不大于预设业务交互描述数据的数据更新指数，则将该设定交互记录统计时间段确定为第二目标统计时间段。
步骤S245，将每个所述第一目标统计时间段分别设为不同的设定时段，根据预设时段修正指标对多个所述第二目标统计时间段进行修正，得到至少一个修正时间段，并将每个修正时间段设为一个设定时段。
例如，可以根据第一目标统计时间段和第二目标统计时间段，采用不同的方式确定设定时段，其中，第一目标统计时间段短于第二目标统计时间段。这样能够对设定时段进行全局性的确定和修正，从而确保第二业务场景数据集的时效性。
在实际实施过程中，每个业务处理交叠时段包括第一业务处理请求和第二业务处理请求，第一业务处理请求可以是即时请求，第二业务处理请求可以是延时请求。在此基础上，步骤S13所描述的根据获取的每个业务处理请求对应的目标业务数据处理记录和所述业务操作行为标签，生成所述当前用户业务终端对应的业务数据维护清单的内容，可以包括以下步骤S131和步骤S132。
步骤S131，计算所述业务操作行为标签与所述第一业务处理请求对应的目标业务数据处理记录之间的第一对象交互记录的业务交互记录特征的特征变化轨迹和与所述第二业务处理请求对应的目标业务数据处理记录之间的第二对象交互记录的业务交互记录特征的特征变化轨迹。
例如，业务交互记录特征用于从不同维度描述对象交互记录，不同的对象交互记录的业务交互记录特征存在差异，特征变化轨迹可以是根据时序对业务交互记录特征的变化进行记录的轨迹，轨迹可以是轨迹曲线，也可以是其他图形化形式，在此不作限定。
步骤S132，根据所述第一对象交互记录的业务交互记录特征的特征变化轨迹和所述第二对象交互记录的业务交互记录特征的特征变化轨迹确定所述当前用户业务终端对应的业务数据维护清单。
如此，通过应用上述步骤S131和步骤S132，能够将即时请求和延时请求考虑在内，并进一步考虑不同请求的特征变化轨迹，这样能够确保业务数据维护清单的全局时效性，避免业务数据维护清单中记载过多的针对时效失效业务数据的维护，从而减轻大数据服务器的运行压力，提高大数据服务器进行数据维护时的效率。
在上述基础上，步骤S132所描述的根据所述第一对象交互记录的业务交互记录特征的特征变化轨迹和所述第二对象交互记录的业务交互记录特征的特征变化轨迹确定所述当前用户业务终端对应的业务数据维护清单的内容，可以包括以下步骤S1321-步骤S1323。
步骤S1321，判断所述第一对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重是否大于所述第二对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重。
例如轨迹变化指标权重可以用于表征特征变化轨迹的稳定性，轨迹变化指标权重的取值可以是0~1，取值越高，表明特征变化轨迹越稳定。
步骤S1322，若所述第一对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重大于所述第二对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重，则根据所述第二业务处理请求确定所述当前用户业务终端对应的业务数据维护清单。
步骤S1323，若所述第一对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重小于等于所述第二对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重，则根据所述第一业务处理请求确定所述当前用户业务终端对应的业务数据维护清单。
可以理解，通过实施上述步骤S1321-步骤S1323，能够基于轨迹变化指标权重采用不同的业务处理请求确定业务数据维护清单，这样能够确保业务数据维护清单中记载的需要进行维护的数据是长时间稳定的，避免后续在进行数据维护时因数据不稳定而产生其他不利影响。
在另一个实施方式中，所述大数据服务器中存储有每个业务处理交叠时段对应的多个业务评价系数以及每个业务评价系数对应的对象交互记录的业务交互记录特征的指标权重区间，业务评价系数用于表征业务处理的可靠性，业务评价系数越高，表明业务处理的可靠性越高，业务处理报错的概率越低，指标权重区间可以是数值区间。基于此，步骤S132所描述的根据所述第一对象交互记录的业务交互记录特征的特征变化轨迹和所述第二对象交互记录的业务交互记录特征的特征变化轨迹确定所述当前用户业务终端对应的业务数据维护清单，还可以包括以下步骤S132a-步骤S132e所描述的内容。
步骤S132a，查找所述第一对象交互记录的业务交互记录特征的特征变化轨迹对应的第一对象交互记录的业务交互记录特征的指标权重区间对应的第一业务评价系数和所述第二对象交互记录的业务交互记录特征的特征变化轨迹对应的第二对象交互记录的业务交互记录特征的指标权重区间对应的第二业务评价系数。
步骤S132b，分别判断所述第一业务评价系数和所述第二业务评价系数是否大于设定业务评价系数。
步骤S132c，若所述第一业务评价系数大于所述设定业务评价系数，则根据所述第一业务处理请求确定所述当前用户业务终端对应的业务数据维护清单。
步骤S132d，若所述第二业务评价系数大于所述设定业务评价系数，则根据所述第二业务处理请求确定所述当前用户业务终端对应的业务数据维护清单。
步骤S132e，若所述第一业务评价系数和所述第二业务评价系数均不大于设定业务评价系数，则迭代更新每个业务处理交叠时段的业务数据集，并返回计算所述业务操作行为标签与所述第一业务处理请求对应的目标业务数据处理记录之间的第一对象交互记录的业务交互记录特征的特征变化轨迹和与所述第二业务处理请求对应的目标业务数据处理记录之间的第二对象交互记录的业务交互记录特征的特征变化轨迹的步骤。
例如，迭代更新可以是对业务数据集进行重构或者修正。
可以理解，通过实施上述步骤S132a-步骤S132e，能够从不同角度来确定业务数据维护清单，从而提高业务数据维护清单生成的灵活性，使得该方案能够适用于不同的业务环境下，避免因某个业务环境出现问题而导致业务数据维护清单的生成受到影响。
在上述步骤S132a-步骤S132e的基础上，该方法还包括预先设置每个业务处理交叠时段对应的多个业务评价系数以及每个业务评价系数对应的对象交互记录的业务交互记录特征的指标权重区间的步骤，该步骤可以包括以下步骤（1）-步骤（3）所描述内容。
（1）针对每个业务处理交叠时段，计算该业务处理交叠时段中第一业务处理请求对应的目标业务数据处理记录与第二业务处理请求对应的目标业务数据处理记录之间的对象交互记录的业务交互记录特征。
（2）根据所述业务处理交叠时段的业务数据集确定多个业务评价系数以及每个业务评价系数对应的业务评价时序权重。
例如，业务评价时序权重用于表征业务评价系数的时效性。
（3）计算每个业务评价系数对应的业务评价时序权重与所述对象交互记录的业务交互记录特征之间的特征加权结果，并根据每个业务评价系数对应的业务评价时序权重与所述对象交互记录的业务交互记录特征之间的特征加权结果配置每个业务评价系数对应的对象交互记录的业务交互记录特征的指标权重区间。
如此设计，通过应用步骤（1）-步骤（3），能够预先进行相关指标权重区间的确定，从而确保后续的数据处理的准确性和可靠性。
此外，在生成当前用户业务终端对应的业务数据维护清单之后，还可以将业务数据维护清单发送给当前用户业务终端的关联用户业务终端，这样能够使得关联用户业务终端根据业务数据维护清单进行相应的业务数据调整，从而提高后续的业务交互效率。
在一些示例中，为了实现对关联业务数据的全方位维护，确保在后续进行业务处理时不会使用混淆的业务数据，步骤S14所描述的基于所述业务数据维护清单，对与所述业务操作数据对应的关联业务数据进行数据维护，可以包括以下步骤S141-步骤S144。
步骤S141，基于所述业务数据维护清单，对获取的关联业务数据进行业务数据校正，得到与预先存储的参考数据格式匹配的待维护业务数据。
步骤S142，通过对所述待维护业务数据进行业务数据调用检测的方式，确定所述待维护业务数据的业务数据调用检测结果。
步骤S143，基于所述业务数据调用检测结果提取待维护业务数据的业务数据聚类集。
步骤S144，依据所述业务数据聚类集对所述待维护业务数据进行业务数据删除、业务数据重构以及业务数据扩充。
如此设计，基于上述步骤S141-步骤S144，能够对待维护业务数据进行业务数据删除、业务数据重构以及业务数据扩充，从而实现对关联业务数据的全方位维护，确保在后续进行业务处理时不会使用混淆的业务数据。
进一步地，步骤S141所描述的对获取的关联业务数据进行业务数据校正，得到与预先存储的参考数据格式匹配的待维护业务数据，可以包括以下步骤S1411-步骤S1413。
步骤S1411，确定所述关联业务数据中业务数据标签所对应的标定业务数据的四个业务维度信息。
例如，业务维度信息可以是业务类型、业务需求、业务对象、业务时段，当然，在实际实施时，并不限于四个业务维度信息。
步骤S1412，确定所述业务数据标签所对应的标定业务数据的四个业务维度信息与所述参考数据格式的四个业务维度信息的信息匹配清单。
步骤S1413，根据所述信息匹配清单对所述业务数据标签的标签属性特征进行属性特征映射，得到映射属性特征；根据所述映射属性特征确定所述待维护业务数据。
这样一来，通过确定待维护业务数据，能够确保数据格式的兼容性，从而提高后续数据维护的效率，避免出错。
更进一步地，步骤S1411所描述的确定所述关联业务数据中业务数据标签所对应的标定业务数据的四个业务维度信息包括：基于人工智能的特征提取网络模型对所述关联业务数据进行属性特征提取，得到业务数据标签的标签属性特征；提取所述业务数据标签的标签属性特征的属性特征描述信息，通过预设描述信息映射矩阵转换所述属性特征描述信息，得到四个目标描述信息，并确定所述四个目标描述信息的四个具有描述值更新标识的信息子集为所述业务数据标签所对应的标定业务数据的四个业务维度信息。
更进一步地，步骤S1413所描述的根据所述映射属性特征确定所述待维护业务数据包括：通过预设属性特征值识别模型获取所述映射属性特征中属性特征值最大的属性特征序列；确定所述属性特征序列与所述业务数据标签的标签属性特征的上一个属性特征描述信息的相对特征匹配度；若所述相对特征匹配度小于所述映射属性特征的动态特征匹配度的一半，通过将所述映射属性特征进行特征重组的方式进行重组业务数据校正，得到所述待维护业务数据；若所述相对特征匹配度大于所述映射属性特征的动态特征匹配度的一半，确定所述映射属性特征为所述待维护业务数据。
进一步地，步骤S143所描述的基于所述业务数据调用检测结果提取待维护业务数据的业务数据聚类集包括以下步骤S1431和步骤S1432。
步骤S1431，按照预先在参考数据格式中设置的数据格式指标信息的方式在所述待维护业务数据中设置所述数据格式指标信息。
步骤S1432，将所述业务数据调用检测结果与所述数据格式指标信息对比，以确定所述待维护业务数据的业务数据聚类集。
如此设计，基于步骤S1431和步骤S1432，能够精准确定待维护业务数据的业务数据聚类集，从而为后续的数据维护提供执行依据。
更进一步地，步骤S1432所描述的将所述业务数据调用检测结果与所述数据格式指标信息对比，以确定所述待维护业务数据的业务数据聚类集，可以通过以下步骤S14321-步骤S14325所描述的内容实现。
步骤S14321，确定所述业务数据调用检测结果的数据调用检测记录的当前数据格式指标信息与第一数据格式指标信息、第五数据格式指标信息的第一数据格式比较结果，并根据所述第一数据格式比较结果确定所述待维护业务数据的业务数据聚类集中的业务数据行为要素；其中，所述第一数据格式指标信息为业务数据行为要素与业务数据类型要素之间与业务数据标签的标签属性特征的上一个属性特征描述信息对应的目标描述信息，所述第五数据格式指标信息为业务数据类型要素与业务数据对象要素之间与所述第一数据格式指标信息对应的目标描述信息。
步骤S14322，确定所述业务数据调用检测结果的数据调用检测记录的当前数据格式指标信息与第一数据格式指标信息、第二数据格式指标信息、第五数据格式指标信息的第二数据格式比较结果，并根据所述第二数据格式比较结果确定所述待维护业务数据的业务数据聚类集中的业务数据类型要素和业务数据对象要素；其中，所述第二数据格式指标信息为业务数据类型要素与业务数据需求要素之间与所述业务数据标签的标签属性特征的上一个属性特征描述信息对应的目标描述信息。
步骤S14323，确定所述业务数据调用检测结果的数据调用检测记录的当前数据格式指标信息与第二数据格式指标信息、第三数据格式指标信息、第五数据格式指标信息的第三数据格式比较结果，并根据所述第三数据格式比较结果确定所述待维护业务数据的业务数据聚类集中的业务数据需求要素；其中，所述第三数据格式指标信息为业务数据需求要素与业务数据关联要素之间与所述业务数据标签的标签属性特征的上一个属性特征描述信息对应的目标描述信息。
步骤S14324，确定所述业务数据调用检测结果的数据调用检测记录的当前数据格式指标信息与第三数据格式指标信息、第四数据格式指标信息、第五数据格式指标信息的第四数据格式比较结果，并根据所述第四数据格式比较结果确定所述待维护业务数据的业务数据聚类集中的业务数据关联要素。
步骤S14325，确定所述业务数据调用检测结果的数据调用检测记录的当前数据格式指标信息与第四数据格式指标信息、第五数据格式指标信息的第五数据格式比较结果，并根据所述第五数据格式比较结果确定所述待维护业务数据的业务数据聚类集中的业务数据标签序列要素；其中，所述第四数据格式指标信息为业务数据关联要素与业务数据标签序列要素之间与所述业务数据标签的标签属性特征的上一个属性特征描述信息对应的目标描述信息。
可以理解，通过实施上述步骤S14321-步骤S14325，能够确定所述待维护业务数据的业务数据聚类集的不同要素，这些要素能作为后续进行业务数据删除、业务数据重构以及业务数据扩充的重要依据，从而确保后续的数据维护的精准性。
在一个可替换的实施方式中，步骤S14所描述的基于所述业务数据维护清单，对与所述业务操作数据对应的关联业务数据进行数据维护，还包括对关联业务数据的数据调用路径进行整合。例如，可以将业务操作数据对应的关联业务数据按照预先设定的方式进行调用路径整合。这样一来，在执行与业务操作数据对应的业务处理时，可以只通过数据调用路径进行数据调用，这样便可以避免调用其他的业务数据，进而避免产生混淆。
图4是根据本发明的一些实施例所示的一种示例性基于大数据和人工智能的数据维护装置140的框图，所述基于大数据和人工智能的数据维护装置140应用于大数据服务器，所述大数据服务器中存储有每个业务处理交叠时段的业务数据集，所述业务处理交叠时段为至少两个不同的业务处理请求的交叠时段，所述业务数据集包括该业务处理交叠时段中各个业务处理请求对应不同业务处理类别的各个预设业务处理线程的业务数据处理记录，所述基于大数据和人工智能的数据维护装置140可以包括以下功能模块。
操作数据接收模块141，用于接收当前用户业务终端的业务操作数据，所述业务操作数据包括所述当前用户业务终端的业务操作时段、业务操作行为标签和业务操作反馈信息。
处理记录获取模块142，用于判断所述业务操作时段是否处于业务处理交叠时段；若所述业务操作时段处于业务处理交叠时段，则从该业务处理交叠时段的业务数据集中获取该业务处理交叠时段中每个业务处理请求对应所述业务操作反馈信息的预设业务处理线程的目标业务数据处理记录。
维护清单生成模块143，用于根据获取的每个业务处理请求对应的目标业务数据处理记录和所述业务操作行为标签，生成所述当前用户业务终端对应的业务数据维护清单。
业务数据维护模块144，用于基于所述业务数据维护清单，对与所述业务操作数据对应的关联业务数据进行数据维护。
关于上述装置实施例的描述可以参阅上述方法实施例的描述。
基于上述同样的发明构思，还提供了一种基于大数据和人工智能的数据维护***，关于该***的描述如下。
一种基于大数据和人工智能的数据维护***，包括互相之间通信的大数据服务器和用户业务终端，所述大数据服务器中存储有每个业务处理交叠时段的业务数据集，所述业务处理交叠时段为至少两个不同的业务处理请求的交叠时段，所述业务数据集包括该业务处理交叠时段中各个业务处理请求对应不同业务处理类别的各个预设业务处理线程的业务数据处理记录，所述大数据服务器用于：
接收当前用户业务终端的业务操作数据，所述业务操作数据包括所述当前用户业务终端的业务操作时段、业务操作行为标签和业务操作反馈信息；
判断所述业务操作时段是否处于业务处理交叠时段；若所述业务操作时段处于业务处理交叠时段，则从该业务处理交叠时段的业务数据集中获取该业务处理交叠时段中每个业务处理请求对应所述业务操作反馈信息的预设业务处理线程的目标业务数据处理记录；
根据获取的每个业务处理请求对应的目标业务数据处理记录和所述业务操作行为标签，生成所述当前用户业务终端对应的业务数据维护清单；
基于所述业务数据维护清单，对与所述业务操作数据对应的关联业务数据进行数据维护。
关于上述***实施例的描述可以参阅上述方法实施例的描述。
需要理解的是，针对上述内容没有进行名词解释的技术术语，本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定其所指代的含义，例如针对一些值、系数、权重、指数、因子等术语，本领域技术人员可以根据前后的逻辑关系进行推导和确定，这些数值的取值范围可以根据实际情况进行选取，例如0~1，又例如1~10，再例如50~100，在此均不作限定。
本领域技术人员可以根据上述已公开的内容毫无疑义对一些预设的、基准的、预定的、设定的以及目标的技术特征/技术术语进行确定，例如阈值、阈值区间、阈值范围等。对于一些未作解释的技术特征术语，本领域技术人员完全能够基于前后文的逻辑关系进行合理地、毫无疑义地推导，从而清楚、完整地实施上述技术方案。未作解释的技术特征术语的前缀，例如“第一”、“第二”、“上一个”、“下一个”、“前一个”、“后一个”、“当前”、“历史”、“最新”、“最佳”、“目标”、“指定”和“实时”等，可以根据前后文进行毫无疑义地推导和确定。未作解释的技术特征术语的后缀，例如“列表”、“特征”、“序列”、“集合”、“矩阵”、“单元”、“元素”、“轨迹”和“清单”等，也可以根据前后文进行毫无疑义地推导和确定。
本发明实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解，本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的，因此上述内容并不是对整体方案的创造性的评判。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时，本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。
另外，本领域普通技术人员可以理解的是，本申请的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“***”。此外，本申请的各方面可以表现为位于至少一个计算机可读介质中的计算机产品，所述产品包括计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。
本申请各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET，Python等，或类似的常规程序编程语言，如"C"编程语言，Visual Basic，Fortran2003，Perl，COBOL 2002，PHP，ABAP，动态编程语言如Python，Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非申请专利范围中明确说明，本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的***组件可以通过硬件装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或行动装置上安装所描述的***。
同样应当理解的是，为了简化本申请揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
Claims (10)
1.一种基于大数据和人工智能的数据维护方法，其特征在于，应用于大数据服务器，所述大数据服务器中存储有每个业务处理交叠时段的业务数据集，所述业务处理交叠时段为至少两个不同的业务处理请求的交叠时段，所述业务数据集包括该业务处理交叠时段中各个业务处理请求对应不同业务处理类别的各个预设业务处理线程的业务数据处理记录，所述方法包括：
接收当前用户业务终端的业务操作数据，所述业务操作数据包括所述当前用户业务终端的业务操作时段、业务操作行为标签和业务操作反馈信息；
判断所述业务操作时段是否处于业务处理交叠时段；若所述业务操作时段处于业务处理交叠时段，则从该业务处理交叠时段的业务数据集中获取该业务处理交叠时段中每个业务处理请求对应所述业务操作反馈信息的预设业务处理线程的目标业务数据处理记录；
根据获取的每个业务处理请求对应的目标业务数据处理记录和所述业务操作行为标签，生成所述当前用户业务终端对应的业务数据维护清单；
基于所述业务数据维护清单，对与所述业务操作数据对应的关联业务数据进行数据维护。
2.根据权利要求1所述的基于大数据和人工智能的数据维护方法，其特征在于，所述方法还包括预先确定每个业务处理交叠时段的业务数据集的步骤，具体包括：
获取各个业务处理场景的第一业务场景数据集，所述第一业务场景数据集包括每个业务场景对象的业务处理类别信息、对象标签信息、对象交互记录信息、对象状态信息和对应的业务处理请求；
对所述各个业务处理场景的第一业务场景数据集进行业务场景数据筛分，确定每个业务处理交叠时段中各个业务处理请求的第二业务场景数据集；
针对每个业务处理交叠时段，根据该业务处理交叠时段中各个业务处理请求的第二业务场景数据集，按照不同的业务处理类别分别生成每个业务处理请求的第三业务场景数据集；
根据每个业务处理请求的第三业务场景数据集，确定不同的设定时段，并计算每个业务处理请求对应的各个预设业务处理线程的业务数据处理记录，以确定该业务处理交叠时段的业务数据集。
3.根据权利要求2所述的基于大数据和人工智能的数据维护方法，其特征在于，所述对所述各个业务处理场景的第一业务场景数据集进行业务场景数据筛分，确定每个业务处理交叠时段中各个业务处理请求的第二业务场景数据集的步骤，包括：
根据各个业务场景对象的对象状态信息确定各个业务场景对象对应的业务处理场景；
根据各个业务场景对象对应的业务处理场景和对应的业务处理请求对所述各个业务处理场景的第一业务场景数据集进行业务场景数据筛分，确定每个业务处理交叠时段中各个业务处理请求的第二业务场景数据集。
4.根据权利要求2所述的基于大数据和人工智能的数据维护方法，其特征在于，所述根据每个业务处理请求的第三业务场景数据集，确定不同的设定时段的步骤，包括：
针对每个业务处理请求的第三业务场景数据集，计算该业务处理请求的第三业务场景数据集中各个业务场景对象在每个设定交互记录统计时间段的实时对象交互记录；
针对每个设定交互记录统计时间段，判断所述各个业务场景对象在该设定交互记录统计时间段的实时对象交互记录的业务交互描述数据的数据更新指数是否大于预设业务交互描述数据的数据更新指数；
若所述实时对象交互记录的业务交互描述数据的数据更新指数大于预设业务交互描述数据的数据更新指数，则将该设定交互记录统计时间段确定为第一目标统计时间段；
若所述实时对象交互记录的业务交互描述数据的数据更新指数不大于预设业务交互描述数据的数据更新指数，则将该设定交互记录统计时间段确定为第二目标统计时间段；
将每个所述第一目标统计时间段分别设为不同的设定时段，根据预设时段修正指标对多个所述第二目标统计时间段进行修正，得到至少一个修正时间段，并将每个修正时间段设为一个设定时段。
5.根据权利要求1-4中任意一项所述的基于大数据和人工智能的数据维护方法，其特征在于，每个业务处理交叠时段包括第一业务处理请求和第二业务处理请求，所述根据获取的每个业务处理请求对应的目标业务数据处理记录和所述业务操作行为标签，生成所述当前用户业务终端对应的业务数据维护清单的步骤，包括：
计算所述业务操作行为标签与所述第一业务处理请求对应的目标业务数据处理记录之间的第一对象交互记录的业务交互记录特征的特征变化轨迹和与所述第二业务处理请求对应的目标业务数据处理记录之间的第二对象交互记录的业务交互记录特征的特征变化轨迹；
根据所述第一对象交互记录的业务交互记录特征的特征变化轨迹和所述第二对象交互记录的业务交互记录特征的特征变化轨迹确定所述当前用户业务终端对应的业务数据维护清单；
其中，根据所述第一对象交互记录的业务交互记录特征的特征变化轨迹和所述第二对象交互记录的业务交互记录特征的特征变化轨迹确定所述当前用户业务终端对应的业务数据维护清单的步骤，包括：
判断所述第一对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重是否大于所述第二对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重；
若所述第一对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重大于所述第二对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重，则根据所述第二业务处理请求确定所述当前用户业务终端对应的业务数据维护清单；
若所述第一对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重小于等于所述第二对象交互记录的业务交互记录特征的特征变化轨迹的轨迹变化指标权重，则根据所述第一业务处理请求确定所述当前用户业务终端对应的业务数据维护清单；
其中，所述大数据服务器中存储有每个业务处理交叠时段对应的多个业务评价系数以及每个业务评价系数对应的对象交互记录的业务交互记录特征的指标权重区间，所述根据所述第一对象交互记录的业务交互记录特征的特征变化轨迹和所述第二对象交互记录的业务交互记录特征的特征变化轨迹确定所述当前用户业务终端对应的业务数据维护清单的步骤，包括：
查找所述第一对象交互记录的业务交互记录特征的特征变化轨迹对应的第一对象交互记录的业务交互记录特征的指标权重区间对应的第一业务评价系数和所述第二对象交互记录的业务交互记录特征的特征变化轨迹对应的第二对象交互记录的业务交互记录特征的指标权重区间对应的第二业务评价系数；
分别判断所述第一业务评价系数和所述第二业务评价系数是否大于设定业务评价系数；
若所述第一业务评价系数大于所述设定业务评价系数，则根据所述第一业务处理请求确定所述当前用户业务终端对应的业务数据维护清单；
若所述第二业务评价系数大于所述设定业务评价系数，则根据所述第二业务处理请求确定所述当前用户业务终端对应的业务数据维护清单；
若所述第一业务评价系数和所述第二业务评价系数均不大于设定业务评价系数，则迭代更新每个业务处理交叠时段的业务数据集，并返回计算所述业务操作行为标签与所述第一业务处理请求对应的目标业务数据处理记录之间的第一对象交互记录的业务交互记录特征的特征变化轨迹和与所述第二业务处理请求对应的目标业务数据处理记录之间的第二对象交互记录的业务交互记录特征的特征变化轨迹的步骤。
6.根据权利要求5所述的基于大数据和人工智能的数据维护方法，其特征在于，所述方法还包括预先设置每个业务处理交叠时段对应的多个业务评价系数以及每个业务评价系数对应的对象交互记录的业务交互记录特征的指标权重区间的步骤，具体包括：
针对每个业务处理交叠时段，计算该业务处理交叠时段中第一业务处理请求对应的目标业务数据处理记录与第二业务处理请求对应的目标业务数据处理记录之间的对象交互记录的业务交互记录特征；
根据所述业务处理交叠时段的业务数据集确定多个业务评价系数以及每个业务评价系数对应的业务评价时序权重；
计算每个业务评价系数对应的业务评价时序权重与所述对象交互记录的业务交互记录特征之间的特征加权结果，并根据每个业务评价系数对应的业务评价时序权重与所述对象交互记录的业务交互记录特征之间的特征加权结果配置每个业务评价系数对应的对象交互记录的业务交互记录特征的指标权重区间。
7.根据权利要求5所述的基于大数据和人工智能的数据维护方法，其特征在于，所述方法还包括：将所述当前用户业务终端对应的业务数据维护清单发送给所述当前用户业务终端的关联用户业务终端。
8.根据权利要求1所述的基于大数据和人工智能的数据维护方法，其特征在于，基于所述业务数据维护清单，对与所述业务操作数据对应的关联业务数据进行数据维护，包括：
基于所述业务数据维护清单，对获取的关联业务数据进行业务数据校正，得到与预先存储的参考数据格式匹配的待维护业务数据；
通过对所述待维护业务数据进行业务数据调用检测的方式，确定所述待维护业务数据的业务数据调用检测结果；
基于所述业务数据调用检测结果提取待维护业务数据的业务数据聚类集；
依据所述业务数据聚类集对所述待维护业务数据进行业务数据删除、业务数据重构以及业务数据扩充；
其中，对获取的关联业务数据进行业务数据校正，得到与预先存储的参考数据格式匹配的待维护业务数据包括：确定所述关联业务数据中业务数据标签所对应的标定业务数据的四个业务维度信息；确定所述业务数据标签所对应的标定业务数据的四个业务维度信息与所述参考数据格式的四个业务维度信息的信息匹配清单；根据所述信息匹配清单对所述业务数据标签的标签属性特征进行属性特征映射，得到映射属性特征；根据所述映射属性特征确定所述待维护业务数据；
其中，确定所述关联业务数据中业务数据标签所对应的标定业务数据的四个业务维度信息包括：基于人工智能的特征提取网络模型对所述关联业务数据进行属性特征提取，得到业务数据标签的标签属性特征；提取所述业务数据标签的标签属性特征的属性特征描述信息，通过预设描述信息映射矩阵转换所述属性特征描述信息，得到四个目标描述信息，并确定所述四个目标描述信息的四个具有描述值更新标识的信息子集为所述业务数据标签所对应的标定业务数据的四个业务维度信息；
其中，根据所述映射属性特征确定所述待维护业务数据包括：通过预设属性特征值识别模型获取所述映射属性特征中属性特征值最大的属性特征序列；确定所述属性特征序列与所述业务数据标签的标签属性特征的上一个属性特征描述信息的相对特征匹配度；若所述相对特征匹配度小于所述映射属性特征的动态特征匹配度的一半，通过将所述映射属性特征进行特征重组的方式进行重组业务数据校正，得到所述待维护业务数据；若所述相对特征匹配度大于所述映射属性特征的动态特征匹配度的一半，确定所述映射属性特征为所述待维护业务数据。
9.根据权利要求8所述的基于大数据和人工智能的数据维护方法，其特征在于，基于所述业务数据调用检测结果提取待维护业务数据的业务数据聚类集包括：
按照预先在参考数据格式中设置的数据格式指标信息的方式在所述待维护业务数据中设置所述数据格式指标信息；
将所述业务数据调用检测结果与所述数据格式指标信息对比，以确定所述待维护业务数据的业务数据聚类集；
其中，将所述业务数据调用检测结果与所述数据格式指标信息对比，以确定所述待维护业务数据的业务数据聚类集包括：
确定所述业务数据调用检测结果的数据调用检测记录的当前数据格式指标信息与第一数据格式指标信息、第五数据格式指标信息的第一数据格式比较结果，并根据所述第一数据格式比较结果确定所述待维护业务数据的业务数据聚类集中的业务数据行为要素；其中，所述第一数据格式指标信息为业务数据行为要素与业务数据类型要素之间与业务数据标签的标签属性特征的上一个属性特征描述信息对应的目标描述信息，所述第五数据格式指标信息为业务数据类型要素与业务数据对象要素之间与所述第一数据格式指标信息对应的目标描述信息；
确定所述业务数据调用检测结果的数据调用检测记录的当前数据格式指标信息与第一数据格式指标信息、第二数据格式指标信息、第五数据格式指标信息的第二数据格式比较结果，并根据所述第二数据格式比较结果确定所述待维护业务数据的业务数据聚类集中的业务数据类型要素和业务数据对象要素；其中，所述第二数据格式指标信息为业务数据类型要素与业务数据需求要素之间与所述业务数据标签的标签属性特征的上一个属性特征描述信息对应的目标描述信息；
确定所述业务数据调用检测结果的数据调用检测记录的当前数据格式指标信息与第二数据格式指标信息、第三数据格式指标信息、第五数据格式指标信息的第三数据格式比较结果，并根据所述第三数据格式比较结果确定所述待维护业务数据的业务数据聚类集中的业务数据需求要素；其中，所述第三数据格式指标信息为业务数据需求要素与业务数据关联要素之间与所述业务数据标签的标签属性特征的上一个属性特征描述信息对应的目标描述信息；
确定所述业务数据调用检测结果的数据调用检测记录的当前数据格式指标信息与第三数据格式指标信息、第四数据格式指标信息、第五数据格式指标信息的第四数据格式比较结果，并根据所述第四数据格式比较结果确定所述待维护业务数据的业务数据聚类集中的业务数据关联要素；
确定所述业务数据调用检测结果的数据调用检测记录的当前数据格式指标信息与第四数据格式指标信息、第五数据格式指标信息的第五数据格式比较结果，并根据所述第五数据格式比较结果确定所述待维护业务数据的业务数据聚类集中的业务数据标签序列要素；其中，所述第四数据格式指标信息为业务数据关联要素与业务数据标签序列要素之间与所述业务数据标签的标签属性特征的上一个属性特征描述信息对应的目标描述信息。
10.一种大数据服务器，其特征在于，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行权利要求1-9任一项所述的基于大数据和人工智能的数据维护方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110610598.6A CN113407515A (zh) | 2020-12-04 | 2020-12-04 | 应用于人工智能的大数据维护方法及大数据服务器 |
| CN202011417208.5A CN112486955B (zh) | 2020-12-04 | 2020-12-04 | 基于大数据和人工智能的数据维护方法及大数据服务器 |
| CN202110610599.0A CN113535675A (zh) | 2020-12-04 | 2020-12-04 | 基于大数据的数据维护方法及大数据服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011417208.5A CN112486955B (zh) | 2020-12-04 | 2020-12-04 | 基于大数据和人工智能的数据维护方法及大数据服务器 |
Related Child Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110610599.0A Division CN113535675A (zh) | 2020-12-04 | 2020-12-04 | 基于大数据的数据维护方法及大数据服务器 |
| CN202110610598.6A Division CN113407515A (zh) | 2020-12-04 | 2020-12-04 | 应用于人工智能的大数据维护方法及大数据服务器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112486955A CN112486955A (zh) | 2021-03-12 |
| CN112486955B true CN112486955B (zh) | 2021-07-27 |
Family
ID=74940266
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110610599.0A Withdrawn CN113535675A (zh) | 2020-12-04 | 2020-12-04 | 基于大数据的数据维护方法及大数据服务器 |
| CN202110610598.6A Withdrawn CN113407515A (zh) | 2020-12-04 | 2020-12-04 | 应用于人工智能的大数据维护方法及大数据服务器 |
| CN202011417208.5A Active CN112486955B (zh) | 2020-12-04 | 2020-12-04 | 基于大数据和人工智能的数据维护方法及大数据服务器 |
Family Applications Before (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110610599.0A Withdrawn CN113535675A (zh) | 2020-12-04 | 2020-12-04 | 基于大数据的数据维护方法及大数据服务器 |
| CN202110610598.6A Withdrawn CN113407515A (zh) | 2020-12-04 | 2020-12-04 | 应用于人工智能的大数据维护方法及大数据服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (3) | CN113535675A (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112925831A (zh) * | 2021-04-01 | 2021-06-08 | 王琪 | 基于云计算服务的大数据挖掘方法及大数据挖掘服务*** |
| CN116303375B (zh) * | 2023-05-23 | 2023-08-04 | 大白熊大数据科技(常熟)有限公司 | 基于大数据的数据库维护分析方法、服务器及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102880475A (zh) * | 2012-10-23 | 2013-01-16 | 上海普元信息技术股份有限公司 | 计算机软件***中基于云计算的实时事件处理***及方法 |
| CN108399177A (zh) * | 2017-02-07 | 2018-08-14 | 杭州有好数据科技有限公司 | 一种基于数据库的数据处理方法及其*** |
| CN108881368A (zh) * | 2018-04-22 | 2018-11-23 | 平安科技（深圳）有限公司 | 高并发业务请求处理方法、装置、计算机设备和存储介质 |
| CN110046950A (zh) * | 2018-12-25 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 业务处理方法、装置及设备 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102279730B (zh) * | 2010-06-10 | 2014-02-05 | 阿里巴巴集团控股有限公司 | 一种并行的数据处理方法、装置和并行的数据处理*** |
| CN102929587B (zh) * | 2012-09-28 | 2016-03-30 | 用友网络科技股份有限公司 | 数据处理***和数据处理方法 |
| US9348641B2 (en) * | 2013-03-13 | 2016-05-24 | Futurewei Technologies, Inc. | System and method for performing a transaction in a massively parallel processing database |
| CN105991366B (zh) * | 2015-03-05 | 2019-07-02 | ***通信集团福建有限公司 | 一种业务监控方法及*** |
| CN107122369B (zh) * | 2016-02-25 | 2021-05-11 | 创新先进技术有限公司 | 一种业务数据处理方法、装置和*** |
| CN107016029B (zh) * | 2016-12-13 | 2020-11-06 | 创新先进技术有限公司 | 一种业务数据的处理方法、装置及*** |
| US10235248B1 (en) * | 2017-04-27 | 2019-03-19 | EMC IP Holding Company LLC | Processing I/O operations in parallel while maintaining read/write consistency using range and priority queues in a data protection system |
| CN110690954A (zh) * | 2018-07-07 | 2020-01-14 | 唐焱冰 | 一种非对称混合双工数据传输方法及*** |
| CN110826057B (zh) * | 2018-08-09 | 2023-06-02 | 阿里巴巴集团控股有限公司 | 数据处理路径的分析方法、计算机设备、存储介质 |
| CN109471865B (zh) * | 2018-11-06 | 2020-12-08 | 用友网络科技股份有限公司 | 一种离线数据管理方法、***、服务器及存储介质 |
| CN109634968A (zh) * | 2018-12-28 | 2019-04-16 | 河南城建学院 | 一种基于大数据及人工智能的数据处理方法及*** |
| CN110162602A (zh) * | 2019-05-31 | 2019-08-23 | 浙江核新同花顺网络信息股份有限公司 | 一种智能交互方法和*** |
| CN111737270B (zh) * | 2019-11-12 | 2024-06-21 | 北京京东尚科信息技术有限公司 | 数据处理方法及其***、计算机***和计算机可读介质 |
| CN112417019A (zh) * | 2020-04-11 | 2021-02-26 | 吴媛媛 | 基于业务处理***的数据格式优化方法及业务服务器 |
| CN111881136A (zh) * | 2020-07-29 | 2020-11-03 | 山东健康医疗大数据有限公司 | 一种实现医疗行业增量数据治理的方法 |
| CN112764900A (zh) * | 2020-08-18 | 2021-05-07 | 薛东 | 结合云网融合和人工智能的业务数据处理方法及云端平台 |
-
2020
- 2020-12-04 CN CN202110610599.0A patent/CN113535675A/zh not_active Withdrawn
- 2020-12-04 CN CN202110610598.6A patent/CN113407515A/zh not_active Withdrawn
- 2020-12-04 CN CN202011417208.5A patent/CN112486955B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102880475A (zh) * | 2012-10-23 | 2013-01-16 | 上海普元信息技术股份有限公司 | 计算机软件***中基于云计算的实时事件处理***及方法 |
| CN108399177A (zh) * | 2017-02-07 | 2018-08-14 | 杭州有好数据科技有限公司 | 一种基于数据库的数据处理方法及其*** |
| CN108881368A (zh) * | 2018-04-22 | 2018-11-23 | 平安科技（深圳）有限公司 | 高并发业务请求处理方法、装置、计算机设备和存储介质 |
| CN110046950A (zh) * | 2018-12-25 | 2019-07-23 | 阿里巴巴集团控股有限公司 | 业务处理方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113407515A (zh) | 2021-09-17 |
| CN113535675A (zh) | 2021-10-22 |
| CN112486955A (zh) | 2021-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112464084B (zh) | 基于大数据定位和人工智能的业务优化方法及云计算中心 | |
| CN112486955B (zh) | 基于大数据和人工智能的数据维护方法及大数据服务器 | |
| CN114840853B (zh) | 基于大数据的数字化业务分析方法及云服务器 | |
| CN112487495B (zh) | 基于大数据和云计算的数据处理方法及大数据服务器 | |
| CN112633976B (zh) | 基于大数据和云业务的数据处理方法及云业务服务器 | |
| CN112214496A (zh) | 基于大数据分析的化妆品生产线安全监测方法及云服务器 | |
| CN115174231A (zh) | 一种基于AI Knowledge Base的网络欺诈分析方法及服务器 | |
| CN115128438A (zh) | 一种芯片内部故障监测方法及其装置 | |
| CN114661994A (zh) | 基于人工智能的用户兴趣数据处理方法、***及云平台 | |
| CN113761210A (zh) | 基于报告文本信息识别的信息处理方法及*** | |
| CN112434201B (zh) | 基于大数据的数据可视化方法及大数据云服务器 | |
| CN112528306A (zh) | 基于大数据和人工智能的数据访问方法及云计算服务器 | |
| CN113468017A (zh) | 应用于区块链的在线业务状态检测方法及业务服务器 | |
| CN112686667A (zh) | 基于大数据和区块链的数据处理方法及云服务平台 | |
| CN112579755A (zh) | 基于人工智能和云计算的信息应答方法及信息互动平台 | |
| CN112486969B (zh) | 应用于大数据和深度学习的数据清洗方法及云服务器 | |
| CN113781207B (zh) | 基于实验设计的风控管理策略确定方法及*** | |
| CN112559030B (zh) | 代码发布的告警监控方法及*** | |
| CN111784319B (zh) | 基于区块链支付网络的通信数据处理方法及大数据服务器 | |
| CN113037521B (zh) | 识别通讯设备状态的方法、通讯***及存储介质 | |
| CN110177006B (zh) | 基于接口预测模型的节点测试方法及装置 | |
| CN112579756A (zh) | 基于云计算和区块链的服务响应方法及人工智能互动平台 | |
| CN113792787B (zh) | 遥感大数据处理方法及*** | |
| CN116628637A (zh) | 非授权软件识别方法、装置、电子设备、介质及产品 | |
| CN112506804A (zh) | 一种适用于代码发布的质检方法及*** |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210713 Address after: 102600 505-3b, 5th floor, building 6, yard 10, KEGU 1st Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Beijing Shenzhou Huian Technology Co.,Ltd. Address before: Room 709, West Building 2, area C, 88 Dapu Road, Lianyungang Economic and Technological Development Zone, Jiangsu 222000 Applicant before: Gao Huijun |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |