CN112732766A - 一种数据排序方法、装置、电子设备及存储介质 - Google Patents
一种数据排序方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112732766A CN112732766A CN202011614607.0A CN202011614607A CN112732766A CN 112732766 A CN112732766 A CN 112732766A CN 202011614607 A CN202011614607 A CN 202011614607A CN 112732766 A CN112732766 A CN 112732766A
- Authority
- CN
- China
- Prior art keywords
- data
- attribute
- determining
- membership
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000012163 sequencing technique Methods 0.000 claims abstract description 68
- 238000004891 communication Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000013500 data storage Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 18
- 230000006399 behavior Effects 0.000 description 11
- 238000000605 extraction Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
- G06F16/23—Updating
-
- 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
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
- G06F16/287—Visualization; Browsing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种数据排序方法、装置、电子设备及存储介质,所述方法包括:当接收到数据排序请求,针对***中的每条数据,确定该数据的每种属性的隶属度和非隶属度;确定当前登录所述***的用户的第一目标角色信息和目标登录时间信息,根据针对每个角色信息预先保存的每个登录时间段与属性排序的对应关系,确定目标属性排序;根据所述每条数据的每种属性的隶属度和非隶属度、所述目标属性排序以及直觉模糊决策方法,对所述每条数据进行排序。本发明实施例可以确定不同的用户在不同的登录时间对应的数据排序结果,从而提供了一种基于用户使用习惯的数据排序方案。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种数据排序方法、装置、电子设备及存储介质。
背景技术
计算机的普及已经深入到我们日常生活、娱乐和工作等方方面面,计算机中每个***都包含了各式各样的数据,这些数据随着使用时间的增加变得数量庞大,而用户真正需要了解的重要数据通常以数据表的形式展示。数据表提供了一种重要的数据可视化技术,它们可以以非常简洁的格式提供数据,并且可以通过正确的设计决策为广大受众提供访问。
目前的大部分数据表排序方法是通过数据创建时间、名称等单一的特征进行排序,当数据量巨大时,根据单一特征的排序已经无法清晰明了地为用户及时提供想要的数据,用户查找数据的过程会变得很漫长。当数据量较大,且用户在不确定需要查找数据的关键字时找到需要的数据是非常困难的,所以,亟待一种基于用户使用习惯的数据排序方案。
发明内容
本发明实施例提供了一种数据排序方法、装置、电子设备及存储介质,用以提供一种基于用户使用习惯的数据排序方案。
本发明实施例提供了一种数据排序方法,所述方法包括:
当接收到数据排序请求,针对***中的每条数据,确定该数据的每种属性的隶属度和非隶属度;
确定当前登录所述***的用户的第一目标角色信息和目标登录时间信息,根据针对每个角色信息预先保存的每个登录时间段与属性排序的对应关系,确定目标属性排序;
根据所述每条数据的每种属性的隶属度和非隶属度、所述目标属性排序以及直觉模糊决策方法,对所述每条数据进行排序。
进一步地,数据的每种属性包括以下至少一种:
数据新建时间、数据保存时间、数据引用其他数据次数、数据引用其他数据权重值、数据填写完整度、数据名称相似度、创建数据角色信息、数据编辑次数、数据最近编辑时间、数据查看次数和数据最近查看时间。
进一步地,确定该数据的每种属性的隶属度和非隶属度包括:
若数据属性为数据新建时间,获取该数据的新建时间,根据该数据的新建时间和预设的每个新建时间段与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据保存时间,获取该数据的新建时间,根据该数据的新建时间和当前时间确定该数据的保存时间,根据该数据的保存时间和预设的每个保存时间段与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据引用其他数据次数,获取该数据引用其他数据的次数,根据该数据引用其他数据的次数和预设的每个次数范围与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据引用其他数据权重值,根据预设的每个数据对应的权重值,确定该数据其他数据的权重值,根据该数据引用其他数据的权重值和预设的每个权重值范围与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据填写完整度,根据该数据的填写情况确定该数据的填写完整度,将该数据的填写完整度作为该数据的隶属度;
若数据属性为数据名称相似度,确定该数据与其他数据的名称相似度,将最高的名称相似度作为该数据的隶属度;
若数据属性为创建数据角色信息,获取当前登录所述***的用户的第一目标角色信息,以及创建该数据的第二目标角色信息,根据所述第一目标角色信息和第二目标角色信息,确定该数据的隶属度;其中,若所述第一目标角色信息和第二目标角色信息相同,确定该数据的隶属度最高,若所述第一目标角色信息和第二目标角色信息不相同,所述第二目标角色信息的等级越高,该数据的隶属度越高;
若数据属性为数据编辑次数,确定该数据的编辑次数,根据该数据的编辑次数和预设的每个编辑次数范围与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据最近编辑时间,获取该数据的最近编辑时间,根据该数据的最近编辑时间和预设的每个编辑时间段与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据查看次数,获取该数据的查看次数,根据该数据的查看次数和预设的每个查看次数范围与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据最近查看时间,获取该数据的最近查看时间,根据该数据的最近查看时间和预设的每个查看时间段与隶属度的对应关系,确定该数据的隶属度;
针对每种数据属性,将1与该数据的隶属度的差值作为该数据的非隶属度。
进一步地,所述当接收到数据排序请求之后,针对***中的每条数据,确定该数据的每种属性的隶属度和非隶属度之前,所述方法还包括:
判断所述数据排序请求中是否携带关键字,如果否,进行后续步骤。
进一步地,如果所述数据排序请求中携带关键字,所述方法还包括:
根据编辑距离算法,确定所述***中每条数据与所述关键字的相似度,选取相似度大于预设的相似度阈值的目标数据,并根据目标数据的相似度进行排序。
进一步地,所述方法还包括:
判断是否存在相似度相同的目标数据,如果是,针对每条相似度相同的目标数据,确定该目标数据的每种属性的隶属度和非隶属度;并进行后续根据每条目标数据的每种属性的隶属度和非隶属度进行排序的步骤。
另一方面,本发明实施例提供了一种数据排序装置,所述装置包括:
第一确定模块,用于当接收到数据排序请求,针对***中的每条数据,确定该数据的每种属性的隶属度和非隶属度;
第二确定模块,用于确定当前登录所述***的用户的第一目标角色信息和目标登录时间信息,根据针对每个角色信息预先保存的每个登录时间段与属性排序的对应关系,确定目标属性排序;
第一排序模块,用于根据所述每条数据的每种属性的隶属度和非隶属度、所述目标属性排序以及直觉模糊决策方法,对所述每条数据进行排序。
进一步地,所述装置还包括:
判断模块,用于判断所述数据排序请求中是否携带关键字,如果否,触发所述第一确定模块。
进一步地,所述装置还包括:
第二排序模块,用于根据编辑距离算法,确定所述***中每条数据与所述关键字的相似度,选取相似度大于预设的相似度阈值的目标数据,并根据目标数据的相似度进行排序。
进一步地,所述判断模块,还用于判断是否存在相似度相同的目标数据,如果是,针对每条相似度相同的目标数据,触发所述第一确定模块。
再一方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一项所述的方法步骤。
再一方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法步骤。
本发明实施例提供了一种数据排序方法、装置、电子设备及存储介质,所述方法包括:当接收到数据排序请求,针对***中的每条数据,确定该数据的每种属性的隶属度和非隶属度;确定当前登录所述***的用户的第一目标角色信息和目标登录时间信息,根据针对每个角色信息预先保存的每个登录时间段与属性排序的对应关系,确定目标属性排序;根据所述每条数据的每种属性的隶属度和非隶属度、所述目标属性排序以及直觉模糊决策方法,对所述每条数据进行排序。
上述的技术方案具有如下优点或有益效果:
由于在本发明实施例中,当接收到数据排序请求后,可以确定***中每条数据的每种属性的隶属度和非隶属度,并根据当前登录***的用户的第一目标角色信息和目标登录时间信息,确定目标属性排序,根据每条数据的每种属性的隶属度和非隶属度、所述目标属性排序以及直觉模糊决策方法,对每条数据进行排序。这样可以确定不同的用户在不同的登录时间对应的数据排序结果,从而提供了一种基于用户使用习惯的数据排序方案。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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的附图。
图1为本发明实施例1提供的数据排序过程示意图;
图2为本发明实施例2提供的时间段划分示意图;
图3为本发明实施例3提供的数据排序***结构图;
图4为本发明实施例3提供的用户角色划分示意图;
图5为本发明实施例4提供的数据排序装置结构示意图;
图6为本发明实施例5提供的电子设备结构示意图。
具体实施方式
下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1:
图1为本发明实施例提供的数据排序过程示意图,包括以下步骤:
S101:当接收到数据排序请求,针对***中的每条数据,确定该数据的每种属性的隶属度和非隶属度。
S102:确定当前登录所述***的用户的第一目标角色信息和目标登录时间信息,根据针对每个角色信息预先保存的每个登录时间段与属性排序的对应关系,确定目标属性排序。
S103:根据所述每条数据的每种属性的隶属度和非隶属度、所述目标属性排序以及直觉模糊决策方法,对所述每条数据进行排序。
本发明实施例提供的数据排序方法应用于电子设备,该电子设备可以是PC、平板电脑等设备。
电子设备接收到数据排序请求之后,获取***中每条数据的每种属性的隶属度和非隶属度,其中,数据的每种属性包括以下至少一种:数据新建时间、数据保存时间、数据引用其他数据次数、数据引用其他数据权重值、数据填写完整度、数据名称相似度、创建数据角色信息、数据编辑次数、数据最近编辑时间、数据查看次数和数据最近查看时间。并且,电子设备根据当前登录***的用户名可以确定出当前登录***的用户的第一目标角色信息,目标角色信息包括管理员、操作员和超级管理员等。其中,电子设备中可以保存每个用户名对应的角色信息,当用户登录***时,根据当前登录***的用户名可以确定出当前登录***的用户的第一目标角色信息。另外,当用户登录***时,电子设备可以识别用户登录***的目标登录时间信息。
电子设备针对每个角色信息预先保存有每个登录时间段与属性排序的对应关系,这样根据当前登录所述***的用户的第一目标角色信息和目标登录时间信息,以及针对每个角色信息预先保存的每个登录时间段与属性排序的对应关系,可以确定出目标属性排序。电子设备确定出每条数据的每种属性的隶属度和非隶属度以及目标属性排序之后,根据直觉模糊决策方法,完成对每条数据的排序。
由于在本发明实施例中,当接收到数据排序请求后,可以确定***中每条数据的每种属性的隶属度和非隶属度,并根据当前登录***的用户的第一目标角色信息和目标登录时间信息,确定目标属性排序,根据每条数据的每种属性的隶属度和非隶属度、所述目标属性排序以及直觉模糊决策方法,对每条数据进行排序。这样可以确定不同的用户在不同的登录时间对应的数据排序结果,从而提供了一种基于用户使用习惯的数据排序方案。
实施例2:
在上述实施例的基础上,在本发明实施例中,确定该数据的每种属性的隶属度和非隶属度包括:
若数据属性为数据新建时间,获取该数据的新建时间,根据该数据的新建时间和预设的每个新建时间段与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据保存时间,获取该数据的新建时间,根据该数据的新建时间和当前时间确定该数据的保存时间,根据该数据的保存时间和预设的每个保存时间段与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据引用其他数据次数,获取该数据引用其他数据的次数,根据该数据引用其他数据的次数和预设的每个次数范围与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据引用其他数据权重值,根据预设的每个数据对应的权重值,确定该数据其他数据的权重值,根据该数据引用其他数据的权重值和预设的每个权重值范围与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据填写完整度,根据该数据的填写情况确定该数据的填写完整度,将该数据的填写完整度作为该数据的隶属度;
若数据属性为数据名称相似度,确定该数据与其他数据的名称相似度,将最高的名称相似度作为该数据的隶属度;
若数据属性为创建数据角色信息,获取当前登录所述***的用户的第一目标角色信息,以及创建该数据的第二目标角色信息,根据所述第一目标角色信息和第二目标角色信息,确定该数据的隶属度;其中,若所述第一目标角色信息和第二目标角色信息相同,确定该数据的隶属度最高,若所述第一目标角色信息和第二目标角色信息不相同,所述第二目标角色信息的等级越高,该数据的隶属度越高;
若数据属性为数据编辑次数,确定该数据的编辑次数,根据该数据的编辑次数和预设的每个编辑次数范围与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据最近编辑时间,获取该数据的最近编辑时间,根据该数据的最近编辑时间和预设的每个编辑时间段与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据查看次数,获取该数据的查看次数,根据该数据的查看次数和预设的每个查看次数范围与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据最近查看时间,获取该数据的最近查看时间,根据该数据的最近查看时间和预设的每个查看时间段与隶属度的对应关系,确定该数据的隶属度;
针对每种数据属性,将1与该数据的隶属度的差值作为该数据的非隶属度。
下面以一个示例进行说明:
数据新建时间:以小时为单位,如果***是公司内部***,根据图2所示,将一天24小时分为12个等份,每个等份代表一个时间段,按照员工在公司的上下班时间,一般用户新建数据的情况是在时间段5到时间段10之间,计算***中所有数据在早上八点到晚上八点之间新建数据的所占比T1,由于员工极少可能在时间段1到时间段3新建数据,所这段时间新建数据的所占比为T2,剩下的在时间段4和时间段11和12之间的所占比为T3,其中T1+T2+T3=1;T1>T3>T2。上述T1、T2、T3即为数据的隶属度。
数据保存时间:以天为单位,每次更新排序表时,以当前时间减去新建时间,获得一个天数x的结果,设置天数x≤20的使用数据概率为D1,设置天数x≥100的使用数据概率为D2,设置天数在20<x<100之间的使用数据概述为D3,其中D1+D2+D3=1;D1>D3>D2;上述D1、D2、D3即为数据的隶属度。
数据引用其他数据次数:获得引用其他数据次数y,如果该条数据可引用总数为X个其他数据,根据***情况设置不同区间,那么当引用数在80%*X≤y时使用概率为Q1,那么当引用数在y≤10%*X时使用概率为Q2,当引用数在10%*X<y<80%*X时使用概率为Q3,其中Q1+Q2+Q3=1;Q1>Q3>Q2;上述Q1、Q2、Q3即为数据的隶属度。
引用其他数据权重值:获得引用其他数据,为***中每个其他数据设置权重值,如果该条数据可引用其他数据的权重值总数为Y,该条数据引用其他数据的权重值为c,根据***情况设置不同区间,那么当引用权值在80%*Y≤c时使用概率为C1,那么当引用权值在c≤10%*Y时使用概率为C2,当引用权值在10%*Y<c<80%*Y时使用概率为C3,其中C1+C2+C3=1;C1>C3>C2);上述C1、C2、C3即为数据的隶属度。
数据填写完整度:根据数据的填写情况计算数据填写完整度F1;F1即为数据的隶属度。
数据名称相似度:采用编辑距离算法(Levenshtein Distance)获得当前数据名称与其他数据名称的相似度百分比,最后在这些百分比中取最高百分比N1;N1即为数据的隶属度。其中,当前数据名称与其他数据名称的相似度百分比可以是当前数据名称与其他未引用页面的数据名称相似度百分比。
创建数据角色信息:在***中***用户的角色主要分为超级管理员、管理员、操作员,获取当前登录用户的角色CR,获取创建该条数据的用户角色DR,如果CR=DR,那么该数据的使用概率R1为1;当CD≠DR,如果DR为超级管理员,该条数据使用概率为R1,如果DR为管理员,该条数据使用概率为R2,如果DR为操作员,该条使用概率为R3;1>R1>R2>R3;上述R1、R2、R3即为数据的隶属度。
数据编辑次数:获得该数据编辑次数n,根据***情况设置不同区间,那么当5≤n时使用概率为E1,那么当n≤1时使用概率为E2,当引用数在1<y<5时使用概率为E3;1>E1>E3>E2;上述E1、E2、E3即为数据的隶属度。
最近编辑时间:以天为单位,每次更新排序表时,以当前时间减去最近编辑时间(当编辑次数为0时,即为新建时间),获得一个天数m的结果,设置天数m≤20的使用数据概率为DT1,设置天数m≥100的使用数据概率为DT2,设置天数在20<m<100之间的使用数据概述为DT3,其中DT1+DT2+DT3=1;DT1>DT3>DT2;上述DT1、DT2、DT3即为数据的隶属度。
数据查看次数:获得该数据查看详细内容次数i,根据***情况设置不同区间,那么当5≤i时使用概率为CD1,那么当i≤1时使用概率为CD2,当引用数在1<i<5时使用概率为CD3;1>CD1>CD3>CD2;上述CD1、CD2、CD3即为数据的隶属度。
数据最近查看时间:以天为单位,每次更新排序表时,以当前时间减去最近查看详细内容时间(当最近查看详细内容次数为0时,即为新建时间),获得一个天数j的结果,设置天数j≤20的使用数据概率为CDT1,设置天数j≥100的使用数据概率为CDT2,设置天数在20<j<100之间的使用数据概述为CDT3,其中CDT1+CDT2+CDT3=1;CDT1>CDT3>CDT2;上述CDT1、CDT2、CDT3即为数据的隶属度。
针对每种数据属性,将1与该数据的隶属度的差值作为该数据的非隶属度。
数据的每种属性的隶属度和非隶属度如下表所示:
实施例3:
在上述各实施例的基础上,在本发明实施例中,所述当接收到数据排序请求之后,针对***中的每条数据,确定该数据的每种属性的隶属度和非隶属度之前,所述方法还包括:
判断所述数据排序请求中是否携带关键字,如果否,进行后续步骤。
在本发明实施例中,电子设备当接收到数据排序请求之后,针对***中的每条数据,确定该数据的每种属性的隶属度和非隶属度之前,首先判断数据排序请求中是否携带关键字,如果判断没有携带关键字,则进行后续针对***中的每条数据,确定该数据的每种属性的隶属度和非隶属度,以及后续的排序过程。
如果所述数据排序请求中携带关键字,所述方法还包括:
根据编辑距离算法,确定所述***中每条数据与所述关键字的相似度,选取相似度大于预设的相似度阈值的目标数据,并根据目标数据的相似度进行排序。
在本发明实施例中,如果数据排序请求中携带关键字,电子设备根据编辑距离算法,确定***中每条数据与关键字的相似度。电子设备中保存预设的相似度阈值,然后选取相似度大于预设的相似度阈值的目标数据,并根据目标数据的相似度进行排序。一般来说是按照相似度由大到小的顺序对目标数据进行排序。
为了进一步使数据排序更加准确,在本发明实施例中,所述方法还包括:
判断是否存在相似度相同的目标数据,如果是,针对每条相似度相同的目标数据,确定该目标数据的每种属性的隶属度和非隶属度;并进行后续根据每条目标数据的每种属性的隶属度和非隶属度进行排序的步骤。
电子设备根据编辑距离算法,确定***中每条数据与关键字的相似度之后,判断是否存在相似度相同的目标数据,如果存在,针对每条相似度相同的目标数据,确定该目标数据的每种属性的隶属度和非隶属度;并进行后续根据每条目标数据的每种属性的隶属度和非隶属度进行排序的步骤。
也就是说,本发明实施例提供的数据排序方法包括无关键字的数据排序方法和有关键字的排序方法。具体的,无关键字的排序方法是根据每条数据的每种属性的隶属度和非隶属度、目标属性排序以及直觉模糊决策方法,对每条数据进行排序。有关键字的排序方法是根据编辑距离算法,确定***中每条数据与关键字的相似度,选取相似度大于预设的相似度阈值的目标数据,并根据目标数据的相似度进行排序。并且,在有关键字的排序过程中,如果存在相似度相同的目标数据,则采用无关键字的排序方法对相似度相同的目标数据进行排序,进而使得数据排序更加准确。
本发明实施例的目的在于提供一种大量数据表下匹配用户需求的排序方法,该方法可以有效的提高无关键字情况下数据排序的可靠性和准确性。
针对上述目的,本发明实施例所采用的技术方案为:
(1)上下文信息采集模块,获取用户的上下文信息:
上下文信息采集模块记录用户上下文信息,包括用户角色信息和登录时间信息,用户角色主要分为超级管理员、管理员和操作员,将所得信息暂存到步骤(4),根据这两种上下文信息确定数据特征和排序方式。
(2)操作模块选取用户在***中的特定操作行为,根据操作做不同的响应:
操作模块包括新建数据、编辑数据、查看数据和查找排序数据四个操作行为,其中查找排序数据又分为有关键字查找排序和无关键字查找排序,当用户输入关键字进行查找数据时,其行为为有关键字查找排序,当用户直接进入数据表页面而没有搜索关键字时即为无关键字查找排序。
(3)特征提取模块对数据表和用户操作行为提取特征值:
(3a)从(2)中获取到的新建数据行为和新建数据,提取特征属性;
(3b)从(2)中获取到的编辑数据行为和编辑的数据,根据修改后的新数据、编辑次数和最近编辑时间,重新提取特征属性;
(3c)从(2)中获取到的查看数据详细内容行为,根据查看数据详细内容次数和最近查看数据详细内容时间,重新提取特征属性;
(4)数据存入数据库:
根据(3)获得的特征属性存入数据库XX1.db,其对应的常规填写数据存入数据库XX2.db;
(5)排序模块根据用户需要对数据表进行排序:
根据本次用户登录***的上下文信息和用户有无关键字的查找行为输入排序模块,得到排序结果。
如上所述,本发明实施例在大量数据表下匹配用户需求的自动排序方法,具有如下优点:1)设计出在大量数据情况下根据用户需求提供的自动排序方法模型,使得用户在大量数据时能快速并准确的找到所需内容;2)设计出在针对大量数据的特征提取方式,去除了大量冗余的特征,使得匹配速度更快,提高操作行为后的响应能力。
以下集合附图对本发明实施例作进一步详细描述:
图3为本发明实施例提供的数据排序***结构图,包括用户的PC设备以及服务器。
用户在PC设备包含:上下文信息采集模块、操作模块。
上下文信息采集模块:采集用户登录的上下文信息,包括用户角色信息和登录时间信息;
操作模块:包括用户新建数据的操作、编辑数据的操作、查看数据的操作以及查找排序数据的操作,其中查找排序数据又分为有关键字查找和无关键字查找;
服务器包括:数据库、提取特征模块、排序模块。
数据库:存储三种数据模式,常规的新建数据内容、每条数据对应的特征数据和用户的历史上下文信息;
提取特征模块:主要是针对用户新建、编辑和查看详细数据三个操作产生的数据提取相应特征,并将这三个特征存储在数据库;
排序模块:根据用户的查找排序数据的操作确定有无关键字,再根据当前用户本次登录的上下文信息与数据库中数据进行匹配得到排序结果。
上下文信息采集模块,具体如下:
用户成功登录***以后,获取当前用户角色信息和登录时间。如图4所示,当前用户角色主要分为超级管理员、管理员和操作员;如图2所示,将一天24小时分为12个等分,以两个小时为一个区间,得到当前用户登录时间的区间值。将获得的上下文信息暂储到数据库中,上下文信息采集完成以后,进入用户操作模块。
步骤2、操作模块,具体如下:
操作模块主要分为四个操作行为:新建数据操作、编辑数据操作、查看数据操作和查找排序数据操作。
新建数据操作,用户在新建数据时,根据要求填写数据,新建成功后将数据存储到数据库,并进入特征提取模块;
编辑数据操作,用户在已有的数据基础上,更改原有数据,编辑成功以后将数据存储到数据库,并进入特征提取模块;
查看数据操作,用户在已有的数据基础上,点击查看数据的详细信息,关闭窗口后,进入到特征提取模块;
查找排序数据操作,主要分为有关键字查找和无关键字查找。用户在不知道关键字情况下,发起无关键字排序请求进入排序模块;用户在知道关键字情况下,搜索关键字,获得关键字搜索结果,将搜索结果传到排序模块进行排序。
步骤3、特征提取模块,具体如下:
从步骤2中得知,特征提取主要是针对用户的新增数据操作、编辑数据操作和查看数据操作三种操作行为中提取的,经过筛选主要获得11种特征属性,其中包括:数据新建时间、数据保存时间、数据引用其他数据次数、数据引用其他数据权重值、数据填写完整度、数据名称相似度、创建数据角色信息、数据编辑次数、数据最近编辑时间、数据查看次数和数据最近查看时间。
步骤4、排序模块,具体如下:
在排序模块中主要采用直觉模糊多属性决策问题中的直觉模糊数排序,数据库中每条数据可以作为决策方法进行排序,根据步骤3可以得到每条数据有11种属性,根据不同情况确定属性内的隶属度和非隶属度,以及属性之间的优先序关系,对收集到的决策信息建立直觉模糊决策矩阵;然后根据隶属度和非隶属度计算该条数据对应属性的贴近度;最后利用直觉模糊优先加权平均算子(IFPWA)算出其关联属性权重向量,进而计算条数据的集结结果,对最终的集结结果进行排序。
当无关键字查找排序时,从上下文模块中获取用户的角色和登录时间,首先将登录时间在图2中找到对应的时间段T,如果时间段T在时间段5到时间段10之间,步骤3中11个属性之间的目标属性排序例如为:属性6>属性7>属性1>属性9>属性4>属性3>属性11>属性8>属性10>属性2>属性5;如果时间段T不在时间段5到时间段10之间,步骤3中11个属性之间的目标属性排序例如为:属性6>属性7>属性9>属性4>属性3>属性11>属性8>属性10>属性2>属性1>属性5;根据所述每条数据的每种属性的隶属度和非隶属度、所述目标属性排序以及直觉模糊决策方法,对所述每条数据进行排序。需要说明的是,上述目标属性排序仅为示例,具体的属性排序可以根据用户应用场景的不同而定。
当有关键字查找排序时,根据所填关键字采用编辑距离算法获得数据集,首先对数据集中关键字相似率从高到低进行一次排序,然后相似率相同的数据集按无关键字查找排序方法进行排序。
综上,本发明实施例在用户登录以后提供少量有代表性的数据特征,确保根据用户实际需求显示数据顺序的准确性,避免用户在大量数据中漫长的寻找目标数据的过程。
实施例4:
图5为本发明实施例提供的数据排序装置结构示意图,包括:
第一确定模块51,用于当接收到数据排序请求,针对***中的每条数据,确定该数据的每种属性的隶属度和非隶属度;
第二确定模块52,用于确定当前登录所述***的用户的第一目标角色信息和目标登录时间信息,根据针对每个角色信息预先保存的每个登录时间段与属性排序的对应关系,确定目标属性排序;
第一排序模块53,用于根据所述每条数据的每种属性的隶属度和非隶属度、所述目标属性排序以及直觉模糊决策方法,对所述每条数据进行排序。
所述装置还包括:
判断模块54,用于判断所述数据排序请求中是否携带关键字,如果否,触发所述第一确定模块51。
所述装置还包括:
第二排序模块55,用于根据编辑距离算法,确定所述***中每条数据与所述关键字的相似度,选取相似度大于预设的相似度阈值的目标数据,并根据目标数据的相似度进行排序。
所述判断模块54,还用于判断是否存在相似度相同的目标数据,如果是,针对每条相似度相同的目标数据,触发所述第一确定模块。
实施例5:
在上述各实施例的基础上,本发明实施例中还提供了一种电子设备,如图6所示,包括:处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信;
所述存储器303中存储有计算机程序,当所述程序被所述处理器301执行时,使得所述处理器301执行如下步骤:
当接收到数据排序请求,针对***中的每条数据,确定该数据的每种属性的隶属度和非隶属度;
确定当前登录所述***的用户的第一目标角色信息和目标登录时间信息,根据针对每个角色信息预先保存的每个登录时间段与属性排序的对应关系,确定目标属性排序;
根据所述每条数据的每种属性的隶属度和非隶属度、所述目标属性排序以及直觉模糊决策方法,对所述每条数据进行排序。
基于同一发明构思,本发明实施例中还提供了一种电子设备,由于上述电子设备解决问题的原理与数据排序方法相似,因此上述电子设备的实施可以参见方法的实施,重复之处不再赘述。
本发明实施例提供的电子设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant,PDA)、网络侧设备等。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口302用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器,包括中央处理器、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
在本发明实施例中处理器执行存储器上所存放的程序时,实现当接收到数据排序请求后,可以确定***中每条数据的每种属性的隶属度和非隶属度,并根据当前登录***的用户的第一目标角色信息和目标登录时间信息,确定目标属性排序,根据每条数据的每种属性的隶属度和非隶属度、所述目标属性排序以及直觉模糊决策方法,对每条数据进行排序。这样可以确定不同的用户在不同的登录时间对应的数据排序结果,从而提供了一种基于用户使用习惯的数据排序方案。
实施例6:
在上述各实施例的基础上,本发明实施例还提供了一种计算机存储可读存储介质,所述计算机可读存储介质内存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行时实现如下步骤:
当接收到数据排序请求,针对***中的每条数据,确定该数据的每种属性的隶属度和非隶属度;
确定当前登录所述***的用户的第一目标角色信息和目标登录时间信息,根据针对每个角色信息预先保存的每个登录时间段与属性排序的对应关系,确定目标属性排序;
根据所述每条数据的每种属性的隶属度和非隶属度、所述目标属性排序以及直觉模糊决策方法,对所述每条数据进行排序。
基于同一发明构思,本发明实施例中还提供了一种计算机可读存储介质,由于处理器在执行上述计算机可读存储介质上存储的计算机程序时解决问题的原理与数据排序方法相似,因此处理器在执行上述计算机可读存储介质存储的计算机程序的实施可以参见方法的实施,重复之处不再赘述。
上述计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器如软盘、硬盘、磁带、磁光盘(MO)等、光学存储器如CD、DVD、BD、HVD等、以及半导体存储器如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD)等。
在本发明实施例中提供的计算机可读存储介质内存储计算机程序,计算机程序被处理器执行时实现当接收到数据排序请求后,可以确定***中每条数据的每种属性的隶属度和非隶属度,并根据当前登录***的用户的第一目标角色信息和目标登录时间信息,确定目标属性排序,根据每条数据的每种属性的隶属度和非隶属度、所述目标属性排序以及直觉模糊决策方法,对每条数据进行排序。这样可以确定不同的用户在不同的登录时间对应的数据排序结果,从而提供了一种基于用户使用习惯的数据排序方案。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种数据排序方法,其特征在于,所述方法包括:
当接收到数据排序请求,针对***中的每条数据,确定该数据的每种属性的隶属度和非隶属度;
确定当前登录所述***的用户的第一目标角色信息和目标登录时间信息,根据针对每个角色信息预先保存的每个登录时间段与属性排序的对应关系,确定目标属性排序;
根据所述每条数据的每种属性的隶属度和非隶属度、所述目标属性排序以及直觉模糊决策方法,对所述每条数据进行排序。
2.如权利要求1所述的方法,其特征在于,数据的每种属性包括以下至少一种:
数据新建时间、数据保存时间、数据引用其他数据次数、数据引用其他数据权重值、数据填写完整度、数据名称相似度、创建数据角色信息、数据编辑次数、数据最近编辑时间、数据查看次数和数据最近查看时间。
3.如权利要求2所述的方法,其特征在于,确定该数据的每种属性的隶属度和非隶属度包括:
若数据属性为数据新建时间,获取该数据的新建时间,根据该数据的新建时间和预设的每个新建时间段与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据保存时间,获取该数据的新建时间,根据该数据的新建时间和当前时间确定该数据的保存时间,根据该数据的保存时间和预设的每个保存时间段与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据引用其他数据次数,获取该数据引用其他数据的次数,根据该数据引用其他数据的次数和预设的每个次数范围与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据引用其他数据权重值,根据预设的每个数据对应的权重值,确定该数据其他数据的权重值,根据该数据引用其他数据的权重值和预设的每个权重值范围与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据填写完整度,根据该数据的填写情况确定该数据的填写完整度,将该数据的填写完整度作为该数据的隶属度;
若数据属性为数据名称相似度,确定该数据与其他数据的名称相似度,将最高的名称相似度作为该数据的隶属度;
若数据属性为创建数据角色信息,获取当前登录所述***的用户的第一目标角色信息,以及创建该数据的第二目标角色信息,根据所述第一目标角色信息和第二目标角色信息,确定该数据的隶属度;其中,若所述第一目标角色信息和第二目标角色信息相同,确定该数据的隶属度最高,若所述第一目标角色信息和第二目标角色信息不相同,所述第二目标角色信息的等级越高,该数据的隶属度越高;
若数据属性为数据编辑次数,确定该数据的编辑次数,根据该数据的编辑次数和预设的每个编辑次数范围与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据最近编辑时间,获取该数据的最近编辑时间,根据该数据的最近编辑时间和预设的每个编辑时间段与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据查看次数,获取该数据的查看次数,根据该数据的查看次数和预设的每个查看次数范围与隶属度的对应关系,确定该数据的隶属度;
若数据属性为数据最近查看时间,获取该数据的最近查看时间,根据该数据的最近查看时间和预设的每个查看时间段与隶属度的对应关系,确定该数据的隶属度;
针对每种数据属性,将1与该数据的隶属度的差值作为该数据的非隶属度。
4.如权利要求1所述的方法,其特征在于,所述当接收到数据排序请求之后,针对***中的每条数据,确定该数据的每种属性的隶属度和非隶属度之前,所述方法还包括:
判断所述数据排序请求中是否携带关键字,如果否,进行后续步骤。
5.如权利要求4所述的方法,其特征在于,如果所述数据排序请求中携带关键字,所述方法还包括:
根据编辑距离算法,确定所述***中每条数据与所述关键字的相似度,选取相似度大于预设的相似度阈值的目标数据,并根据目标数据的相似度进行排序。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
判断是否存在相似度相同的目标数据,如果是,针对每条相似度相同的目标数据,确定该目标数据的每种属性的隶属度和非隶属度;并进行后续根据每条目标数据的每种属性的隶属度和非隶属度进行排序的步骤。
7.一种数据排序装置,其特征在于,所述装置包括:
第一确定模块,用于当接收到数据排序请求,针对***中的每条数据,确定该数据的每种属性的隶属度和非隶属度;
第二确定模块,用于确定当前登录所述***的用户的第一目标角色信息和目标登录时间信息,根据针对每个角色信息预先保存的每个登录时间段与属性排序的对应关系,确定目标属性排序;
第一排序模块,用于根据所述每条数据的每种属性的隶属度和非隶属度、所述目标属性排序以及直觉模糊决策方法,对所述每条数据进行排序。
8.如权利要求7所述的装置,其特征在于,所述装置还包括:
判断模块,用于判断所述数据排序请求中是否携带关键字,如果否,触发所述第一确定模块。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-6任一项所述的方法步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011614607.0A CN112732766A (zh) | 2020-12-30 | 2020-12-30 | 一种数据排序方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011614607.0A CN112732766A (zh) | 2020-12-30 | 2020-12-30 | 一种数据排序方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112732766A true CN112732766A (zh) | 2021-04-30 |
Family
ID=75611223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011614607.0A Pending CN112732766A (zh) | 2020-12-30 | 2020-12-30 | 一种数据排序方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112732766A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116578602A (zh) * | 2023-06-15 | 2023-08-11 | 深圳计算科学研究院 | 一种时序排序方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102591876A (zh) * | 2011-01-14 | 2012-07-18 | 阿里巴巴集团控股有限公司 | 搜索结果排序方法及装置 |
US20150127406A1 (en) * | 2013-11-05 | 2015-05-07 | Bank Of America Corporation | Roles based access |
CN104812027A (zh) * | 2014-01-23 | 2015-07-29 | 北京邮电大学 | 基于直觉模糊集多属性决策的网络选择方法 |
CN105989066A (zh) * | 2015-02-09 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种信息处理方法和装置 |
US20170147580A1 (en) * | 2015-11-24 | 2017-05-25 | Sap Se | User-dependent ranking of data items |
US20170316005A1 (en) * | 2016-04-29 | 2017-11-02 | Appdynamics Llc | Real-time ranking of monitored entities |
US20170344608A1 (en) * | 2016-05-24 | 2017-11-30 | International Business Machines Corporation | Sorting tables in analytical databases |
CN109146184A (zh) * | 2018-08-28 | 2019-01-04 | 成都信息工程大学 | 基于改进熵和得分函数的区间直觉模糊多属性决策方法 |
CN110335110A (zh) * | 2019-06-03 | 2019-10-15 | 平安科技(深圳)有限公司 | 产品的排序方法、装置、计算机设备和存储介质 |
CN110928527A (zh) * | 2018-09-20 | 2020-03-27 | 北京国双科技有限公司 | 排序方法及装置 |
CN111949898A (zh) * | 2020-08-28 | 2020-11-17 | 平安国际智慧城市科技股份有限公司 | 搜索结果排序方法、装置、设备及计算机可读存储介质 |
-
2020
- 2020-12-30 CN CN202011614607.0A patent/CN112732766A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102591876A (zh) * | 2011-01-14 | 2012-07-18 | 阿里巴巴集团控股有限公司 | 搜索结果排序方法及装置 |
US20150127406A1 (en) * | 2013-11-05 | 2015-05-07 | Bank Of America Corporation | Roles based access |
CN104812027A (zh) * | 2014-01-23 | 2015-07-29 | 北京邮电大学 | 基于直觉模糊集多属性决策的网络选择方法 |
CN105989066A (zh) * | 2015-02-09 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种信息处理方法和装置 |
US20170147580A1 (en) * | 2015-11-24 | 2017-05-25 | Sap Se | User-dependent ranking of data items |
US20170316005A1 (en) * | 2016-04-29 | 2017-11-02 | Appdynamics Llc | Real-time ranking of monitored entities |
US20170344608A1 (en) * | 2016-05-24 | 2017-11-30 | International Business Machines Corporation | Sorting tables in analytical databases |
CN109146184A (zh) * | 2018-08-28 | 2019-01-04 | 成都信息工程大学 | 基于改进熵和得分函数的区间直觉模糊多属性决策方法 |
CN110928527A (zh) * | 2018-09-20 | 2020-03-27 | 北京国双科技有限公司 | 排序方法及装置 |
CN110335110A (zh) * | 2019-06-03 | 2019-10-15 | 平安科技(深圳)有限公司 | 产品的排序方法、装置、计算机设备和存储介质 |
CN111949898A (zh) * | 2020-08-28 | 2020-11-17 | 平安国际智慧城市科技股份有限公司 | 搜索结果排序方法、装置、设备及计算机可读存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116578602A (zh) * | 2023-06-15 | 2023-08-11 | 深圳计算科学研究院 | 一种时序排序方法及装置 |
CN116578602B (zh) * | 2023-06-15 | 2024-03-12 | 深圳计算科学研究院 | 一种时序排序方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304512B (zh) | 一种视频搜索引擎粗排序方法、装置及电子设备 | |
CN102063469B (zh) | 一种用于获取相关关键词信息的方法、装置和计算机设备 | |
CN108897842A (zh) | 计算机可读存储介质及计算机*** | |
CN110458324B (zh) | 风险概率的计算方法、装置和计算机设备 | |
CN109032381B (zh) | 一种基于上下文的输入方法、装置、存储介质及终端 | |
WO2018192348A1 (zh) | 数据处理方法、装置及服务器 | |
CN105022761A (zh) | 群组查找方法和装置 | |
CN110706015B (zh) | 一种面向广告点击率预测的特征选取方法 | |
CN112818230B (zh) | 内容推荐方法、装置、电子设备和存储介质 | |
CN113449168A (zh) | 主题网页数据抓取方法、装置、设备及存储介质 | |
CN106874402A (zh) | 搜索方法和装置 | |
CN112579854A (zh) | 信息处理方法、装置、设备和存储介质 | |
CN110968564A (zh) | 一种数据处理方法及数据状态预测模型的训练方法 | |
CN105989066A (zh) | 一种信息处理方法和装置 | |
CN112732766A (zh) | 一种数据排序方法、装置、电子设备及存储介质 | |
CN105405051A (zh) | 金融事件预测方法和装置 | |
CN114328983A (zh) | 文档碎化方法、数据检索方法、装置及电子设备 | |
CN107133321B (zh) | 页面的搜索特性的分析方法和分析装置 | |
CN111582448B (zh) | 一种权重训练方法、装置、计算机设备和存储介质 | |
CN111858366A (zh) | 一种测试用例生成方法、装置、设备及存储介质 | |
CN111783107A (zh) | 一种多源可信数据接入方法、装置及设备 | |
CN107590176B (zh) | 一种评价指标的获得方法、装置及电子设备 | |
CN114519153B (zh) | 一种网页历史记录显示方法、装置、设备及存储介质 | |
CN116383340A (zh) | 信息搜索方法、装置、电子设备和存储介质 | |
CN108509571A (zh) | 一种网页信息数据挖掘通用方法 |
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 |