CN113157725A - 推荐模型的确定方法、装置、设备及存储介质 - Google Patents
推荐模型的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113157725A CN113157725A CN202110437894.0A CN202110437894A CN113157725A CN 113157725 A CN113157725 A CN 113157725A CN 202110437894 A CN202110437894 A CN 202110437894A CN 113157725 A CN113157725 A CN 113157725A
- Authority
- CN
- China
- Prior art keywords
- model service
- model
- service
- target
- determining
- 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 35
- 238000011156 evaluation Methods 0.000 claims abstract description 71
- 230000004044 response Effects 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 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
- G06F16/242—Query formulation
- G06F16/2425—Iterative querying; Query formulation based on the results of a preceding query
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开是关于一种推荐模型的确定方法、装置、设备及存储介质,所述方法包括:响应于检测到业务方满足模型推荐条件,确定所述业务方的初始模型服务;基于所述初始模型服务确定目标模型服务群组,所述目标模型服务群组为预先确定的所述初始模型服务所属的群组,所述目标模型服务群组中的各个模型服务具有相同的接口声明集合信息;从所述目标模型服务群组内各个模型服务中确定目标模型服务;基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型。本公开可以实现利用已有的模型服务进行模型推荐,而无需引入额外的服务资源,既可实现跨领域的模型推荐,又可降低模型推荐服务提供方的软硬件成本以及用于模型评估的人力成本。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种推荐模型的确定方法、装置、设备及存储介质。
背景技术
随着深度学习技术的发展以及GPU算力的大幅提升,人工智能技术也实现了大力发展。现如今,很多企业推出了面向其他企业的机器学习相关服务,包括模型训练服务以及模型推理服务等,其中就包括针对业务需求进行模型推荐的服务。
相关技术中通常是基于特定领域以及需求而设计并推荐模型,例如针对电商领域及需求设计的商品推荐模型、针对电力领域及需求设计的电力***数据分析平台以及针对医学领域以及需求而设计的基因分析***等。然而,这些基于特定领域以及需求而设计的模型的建模过程较为复杂,且会耗费模型推荐服务提供方巨大的软硬件成本和用于模型评估的人力成本。
发明内容
为克服相关技术中存在的问题,本公开实施例提供一种推荐模型的确定方法、装置、设备及存储介质,用以解决相关技术中的缺陷。
根据本公开实施例的第一方面,提供一种推荐模型的确定方法,所述方法包括:
响应于检测到业务方满足模型推荐条件,确定所述业务方的初始模型服务;
基于所述初始模型服务确定目标模型服务群组,所述目标模型服务群组为预先确定的所述初始模型服务所属的群组,所述目标模型服务群组中的各个模型服务具有相同的接口声明集合信息;
从所述目标模型服务群组内各个模型服务中确定目标模型服务;
基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型。
在一实施例中,所述确定所述业务方的初始模型服务,包括:
获取所述业务方的业务方标识;
将所述业务方标识对应的初始模型服务确定为所述业务方的初始模型服务。
在一实施例中,所述方法还包括基于以下方式确定所述初始模型服务所属的目标模型服务群组:
检测所述初始模型服务的目标接口声明集合信息;
查找与所述目标接口声明集合信息匹配的目标模型服务群组;
响应于查找到所述目标模型服务群组,将所述初始模型服务加入所述目标模型服务群组中。
在一实施例中,所述方法还包括:
响应于未查找到所述目标模型服务群组,创建所述初始模型服务所属的目标模型服务群组,并将所述目标接口声明集合信息注册到所述目标模型服务群组下;
将所述初始模型服务加入创建的所述目标模型服务群组中。
在一实施例中,所述从所述目标模型服务群组内各个模型服务中确定目标模型服务,包括:
获取所述目标模型服务群组内各个模型服务的评价信息值;
基于所述各个模型服务中评价信息值最高的模型服务确定目标模型服务。
在一实施例中,所述方法还包括预先基于以下方式确定所述模型服务的评价信息值:
基于预设周期采集所述模型服务的实际运行数据;
响应于所述实际运行数据满足评价条件,基于所述实际运行数据确定所述模型服务的评价信息值。
在一实施例中,所述基于所述实际运行数据确定所述模型服务的评价信息值,包括:
对所述实际运行数据进行预处理,得到预处理数据;
对所述预处理数据进行归一化处理,得到归一化数据;
对所述归一化数据进行权重加和运算,得到所述模型服务的评价信息值。
根据本公开实施例的第二方面,提供一种推荐模型的确定装置,所述装置包括:
初始服务确定模块,用于响应于检测到业务方满足模型推荐条件,确定所述业务方的初始模型服务;
服务群组确定模块,用于基于所述初始模型服务确定目标模型服务群组,所述目标模型服务群组为预先确定的所述初始模型服务所属的群组,所述目标模型服务群组中的各个模型服务具有相同的接口声明集合信息;
目标服务确定模块,用于从所述目标模型服务群组内各个模型服务中确定目标模型服务;
推荐模型确定模块,用于基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型。
在一实施例中,所述初始服务确定模块,包括:
业务标识获取单元,用于获取所述业务方的业务方标识;
初始服务确定单元,用于将所述业务方标识对应的初始模型服务确定为所述业务方的初始模型服务。
在一实施例中,所述装置还包括所属群组确定模块;
所述所属群组确定模块,包括:
集合信息检测单元,用于检测所述初始模型服务的目标接口声明集合信息;
所属群组确定单元,用于查找与所述目标接口声明集合信息匹配的目标模型服务群组;
目标群组加入单元,用于响应于查找到所述目标模型服务群组,将所述初始模型服务加入所述目标模型服务群组中。
在一实施例中,所述所属群组确定模块还包括:
目标群组创建单元,用于响应于未查找到所述目标模型服务群组,创建所述初始模型服务所属的目标模型服务群组,并将所述目标接口声明集合信息注册到所述目标模型服务群组下;
所述目标群组加入单元还用于将所述初始模型服务加入创建的所述目标模型服务群组中。
在一实施例中,所述目标服务确定模块,包括:
评价信息值获取单元,用于获取所述目标模型服务群组内各个模型服务的评价信息值;
目标服务确定单元,用于基于所述各个模型服务中评价信息值最高的模型服务确定目标模型服务。
在一实施例中,所述装置还包括评价信息值确定模块;
所述评价信息值确定模块,包括:
运行数据采集单元,用于基于预设周期采集所述模型服务的实际运行数据;
评价信息值确定单元,用于响应于所述实际运行数据满足评价条件,基于所述实际运行数据确定所述模型服务的评价信息值。
在一实施例中,所述评价信息值确定单元还用于:
对所述实际运行数据进行预处理,得到预处理数据;
对所述预处理数据进行归一化处理,得到归一化数据;
对所述归一化数据进行权重加和运算,得到所述模型服务的评价信息值。
根据本公开实施例的第三方面,提供一种电子设备,所述设备包括:
处理器以及用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
响应于检测到业务方满足模型推荐条件,确定所述业务方的初始模型服务;
基于所述初始模型服务确定目标模型服务群组,所述目标模型服务群组为预先确定的所述初始模型服务所属的群组,所述目标模型服务群组中的各个模型服务具有相同的接口声明集合信息;
从所述目标模型服务群组内各个模型服务中确定目标模型服务;
基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现:
响应于检测到业务方满足模型推荐条件,确定所述业务方的初始模型服务;
基于所述初始模型服务确定目标模型服务群组,所述目标模型服务群组为预先确定的所述初始模型服务所属的群组,所述目标模型服务群组中的各个模型服务具有相同的接口声明集合信息;
从所述目标模型服务群组内各个模型服务中确定目标模型服务;
基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型。
本公开的实施例提供的技术方案可以包括以下有益效果:
本公开通过响应于检测到业务方满足模型推荐条件,确定所述业务方的初始模型服务,并基于所述初始模型服务确定目标模型服务群组,然后从所述目标模型服务群组内各个模型服务中确定目标模型服务,进而基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型,由于目标模型服务群组为预先确定的所述初始模型服务所属的群组,且所述目标模型服务群组中的各个模型服务具有相同的接口声明集合信息,因而可以实现在检测到业务方满足模型推荐条件时,基于初始模型服务所属的群组中与初始模型服务具有相同的接口声明集合信息的模型服务确定目标模型服务,进而确定用于向所述业务方进行推荐的模型,可以实现利用已有的模型服务进行模型推荐,而无需引入额外的服务资源,既可实现跨领域的模型推荐,又可降低模型推荐服务提供方的软硬件成本以及用于模型评估的人力成本。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种推荐模型的确定方法的流程图;
图2是根据一示例性实施例示出的如何确定所述业务方的初始模型服务的流程图;
图3是根据一示例性实施例示出的如何确定所述初始模型服务所属的目标模型服务群组的流程图;
图4是根据一示例性实施例示出的如何从所述目标模型服务群组内各个模型服务中确定目标模型服务的流程图;
图5是根据一示例性实施例示出的如何确定所述模型服务的评价信息值的流程图;
图6是根据一示例性实施例示出的如何基于所述实际运行数据确定所述模型服务的评价信息值的流程图;
图7是根据一示例性实施例示出的一种推荐模型的确定装置的框图;
图8是根据又一示例性实施例示出的一种推荐模型的确定装置的框图;
图9是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施例并不代表与本公开相一致的所有实施例。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种推荐模型的确定方法的流程图;本实施例的方法可以应用于包含多个节点设备的集群,所述节点设备包括物理机、虚拟机或容器等。
如图1所示,该方法包括以下步骤S101-S103:
在步骤S101中,响应于检测到业务方满足模型推荐条件,确定所述业务方的初始模型服务。
本实施例中,当检测到业务方满足模型推荐条件时,可以确定该业务方的初始模型服务。
其中,上述初始模型服务可以为在当前集群中为上述业务方创建的模型服务。在一实施例中,该初始模型服务可以为业务方提供的、用于在当前集群中创建并运行的模型服务,该模型服务可以为相关技术中利用模型进行推理的服务,且该模型服务的外部接口的类型可以基于实际需要进行设置,如设置为http、grpc或者其他rpc类型等,本实施例对此不进行限定。
举例来说,上述业务方满足模型推荐条件的具体方式可以基于实际需要进行设置,如设置为业务方的当前模型服务的性能较差、或者当前模型服务的性能在其所属模型服务群组内不是最优的等等。
在步骤S102中,基于所述初始模型服务确定目标模型服务群组。
本实施例中,当响应于检测到业务方满足模型推荐条件,确定所述业务方的初始模型服务后,可以基于所述初始模型服务确定目标模型服务群组。
其中,上述目标模型服务群组为预先确定的所述初始模型服务所属的群组,该目标模型服务群组中的各个模型服务具有相同的接口声明集合信息。也即是说,该目标模型服务群组中除上述初始模型服务之外的其他模型服务的接口声明集合信息与上述初始模型服务的接口声明集合信息相同。
在另一实施例中,上述基于所述初始模型服务确定目标模型服务群组的方式还可以参见下述图3所示实施例,在此先不进行详述。
在步骤S103中,从所述目标模型服务群组内各个模型服务中确定目标模型服务。
本实施例中,当基于所述初始模型服务确定目标模型服务群组后,可以从所述目标模型服务群组内各个模型服务中确定目标模型服务。
举例来说,当基于所述初始模型服务确定目标模型服务群组后,即可获取到该目标模型服务群组内的各个模型服务,进而可以从这些模型服务中确定出一个比初始模型服务性能更好的模型服务,作为目标模型服务。
在另一实施例中,上述从所述目标模型服务群组内各个模型服务中确定目标模型服务的方式还可以参见下述图4所示实施例,在此先不进行详述。
在步骤S104中,基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型。
本实施例中,当从所述目标模型服务群组内各个模型服务中确定目标模型服务后,可以基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型。举例来说,可以获取该目标模型服务对应的模型,进而将该模型向所述业务方进行推荐。
由上述描述可知,本实施例的方法通过响应于检测到业务方满足模型推荐条件,确定所述业务方的初始模型服务,并基于所述初始模型服务确定目标模型服务群组,然后从所述目标模型服务群组内各个模型服务中确定目标模型服务,进而基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型,由于目标模型服务群组为预先确定的所述初始模型服务所属的群组,且所述目标模型服务群组中的各个模型服务具有相同的接口声明集合信息,因而可以实现在检测到业务方满足模型推荐条件时,基于初始模型服务所属的群组中与初始模型服务具有相同的接口声明集合信息的模型服务确定目标模型服务,进而确定用于向所述业务方进行推荐的模型,可以实现利用已有的模型服务进行模型推荐,而无需引入额外的服务资源,既可实现跨领域的模型推荐,又可降低模型推荐服务提供方的软硬件成本以及用于模型评估的人力成本。
图2是根据一示例性实施例示出的如何确定所述业务方的初始模型服务的流程图;本实施例在上述实施例的基础上以如何确定所述业务方的初始模型服务为例进行示例性说明。如图2所示,上述步骤S101中所述确定所述业务方的初始模型服务,可以包括以下步骤S201-S202:
在步骤S201中,获取所述业务方的业务方标识。
本实施例中,当检测到业务方满足模型推荐条件时,可以获取该业务方的业务方标识。
举例来说,上述业务方标识可以包括业务方的公司名称、组织代码或其他预设标识,本实施例对此不进行限定。
在步骤S202中,将所述业务方标识对应的初始模型服务确定为所述业务方的初始模型服务。
本实施例中,当获取所述业务方的业务方标识后,可以将所述业务方标识对应的初始模型服务确定为所述业务方的初始模型服务。
举例来说,当在当前集群中为上述业务方创建初始模型服务时,可以构建业务方的业务方标识与该初始模型服务之间的对应关系,进而当获取该业务方的业务方标识后,可以基于该对应关系确定上述业务方标识对应的初始模型服务,即业务方的初始模型服务。
由上述描述可知,本实施例通过获取所述业务方的业务方标识,并将所述业务方标识对应的初始模型服务确定为所述业务方的初始模型服务,可以实现基于业务方标识准确的确定业务方的初始模型服务,进而可以为后续基于初始模型服务确定目标模型服务群组以及从所述目标模型服务群组内各个模型服务中确定目标模型服务奠定基础,可以实现跨领域的模型推荐,又可降低模型推荐服务提供方的软硬件成本以及用于模型评估的人力成本。
图3是根据一示例性实施例示出的如何确定所述初始模型服务所属的目标模型服务群组的流程图;本实施例在上述实施例的基础上还可以包括基于以下步骤S301-S305确定所述初始模型服务所属的目标模型服务群组:
在步骤S301中,检测所述初始模型服务的目标接口声明集合信息。
本实施例中,可以基于预设模型检测方式来检测初始模型服务的模型文件,从而确定初始模型服务的目标接口声明集合信息。
其中,上述预设模型检测方式可以基于实际业务需要从相关技术中进行选取,例如可以采用人工检测方式或自动检测方式,本实施例对此不进行限定。
举例来说,上述初始模型服务的目标接口声明集合信息可以包括初始模型服务的接口类型以及相应的数据维度等。
在步骤S302中,查找与所述目标接口声明集合信息匹配的目标模型服务群组。
本实施例中,当检测所述初始模型服务的目标接口声明集合信息后,可以查找与所述目标接口声明集合信息匹配的目标模型服务群组。
其中,所述目标模型服务群组包含的各个模型服务均具有与所述初始模型服务相同的接口声明集合信息。
举例来说,可以基于预先构建的接口声明集合信息与模型服务群组之间的对应关系,查找与所述目标接口声明集合信息匹配的目标模型服务群组。
在步骤S303中,是否查找到目标模型服务群组:若是,则执行步骤S304;若否,则执行步骤S305。
本实施例中,当执行查找与所述目标接口声明集合信息匹配的目标模型服务群组的操作后,可以判断是否查找到目标模型服务群组,如果查找到,则可以继续执行下述的步骤S304;相反,如果没有查找到,则可以先执行下述步骤S305再执行步骤S304。
在步骤S304中,将所述初始模型服务加入所述目标模型服务群组中。
本实施例中,当查找到目标模型服务群组时,可以将所述初始模型服务加入所述目标模型服务群组中,如此即可构建初始模型服务与目标模型服务群组之间的关联关系,进而可以实现后续基于目标模型服务群组中的其他模型服务对应的模型确定用于向业务方进行推荐的模型。
在步骤S305中,响应于未查找到所述目标模型服务群组,创建所述初始模型服务所属的目标模型服务群组,并将所述目标接口声明集合信息注册到所述目标模型服务群组下。
本实施例中,当未查找到目标模型服务群组时,可以创建所述初始模型服务所属的目标模型服务群组,并将所述目标接口声明集合信息注册到所述目标模型服务群组下。在此基础上,可以执行步骤S304,即将所述初始模型服务加入当前新创建的目标模型服务群组中。
也即是说,当目前不存在初始模型服务所属的目标模型服务群组时,可以为初始模型服务新建一个目标模型服务群组,并将初始模型服务的目标接口声明集合信息注册到该目标模型服务群组下,以方便后续基于该目标接口声明集合信息向目标模型服务群组中添加更多模型服务,从而可以实现后续基于目标模型服务群组中的其他模型服务对应的模型确定用于向业务方进行推荐的模型。
由上述描述可知,本实施例通过检测所述初始模型服务的目标接口声明集合信息,并查找与所述目标接口声明集合信息匹配的目标模型服务群组,进而响应于查找到所述目标模型服务群组,将所述初始模型服务加入所述目标模型服务群组中,或者响应于未查找到所述目标模型服务群组,创建所述初始模型服务所属的目标模型服务群组,并将所述目标接口声明集合信息注册到所述目标模型服务群组下,以将所述初始模型服务加入创建的所述目标模型服务群组中,可以实现准确的划分初始模型服务所属的目标模型服务群组,进而可以实现后续从所述目标模型服务群组内各个模型服务中确定目标模型服务,可以实现利用已有的模型服务进行模型推荐,而无需引入额外的服务资源,因而可降低模型推荐服务提供方的软硬件成本以及用于模型评估的人力成本。
图4是根据一示例性实施例示出的如何从所述目标模型服务群组内各个模型服务中确定目标模型服务的流程图;本实施例在上述实施例的基础上,以如何从所述目标模型服务群组内各个模型服务中确定目标模型服务为例进行示例性说明。如图4所示,上述步骤S103中所述从所述目标模型服务群组内各个模型服务中确定目标模型服务,可以包括以下步骤S401-S402:
在步骤S401中,获取所述目标模型服务群组内各个模型服务的评价信息值。
本实施例中,当基于所述初始模型服务确定目标模型服务群组后,可以获取所述目标模型服务群组内各个模型服务的评价信息值。
其中,上述评价信息值可以包括预先在各个模型服务的运行过程中所确定的评价分数,该评价分数可以用于反映各个模型服务的性能等信息。
在步骤S402中,基于所述各个模型服务中评价信息值最高的模型服务确定目标模型服务。
本实施例中,当获取所述目标模型服务群组内各个模型服务的评价信息值后,可以基于所述各个模型服务中评价信息值最高的模型服务确定目标模型服务。
举例来说,当获取所述目标模型服务群组内各个模型服务的评价信息值后,可以基于该目标模型服务群组内各个模型服务的评价信息值对各个模型服务进行排序,进而可以基于排序结果选取其中评价信息值最高的模型服务作为目标模型服务。
由上述描述可知,本实施例通过获取所述目标模型服务群组内各个模型服务的评价信息值,并基于所述各个模型服务中评价信息值最高的模型服务确定目标模型服务,可以实现基于各个模型服务的评价信息值从所述目标模型服务群组内中确定目标模型服务,可以提高确定目标模型服务的准确性和合理性,进而可以实现后续基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型。
图5是根据一示例性实施例示出的如何确定所述模型服务的评价信息值的流程图;本实施例在上述实施例的基础上以如何确定所述模型服务的评价信息值为例进行示例性说明。如图5所示,本实施例在上述实施例的基础上还可以包括基于以下步骤S501-S502确定所述模型服务的评价信息值:
在步骤S501中,基于预设周期采集所述模型服务的实际运行数据。
本实施例中,当将模型服务部署到当前集群之后,可以基于该模型服务的外部接口对业务上游调用方提供相应的服务,并可以基于预设周期采集所述模型服务的实际运行数据。
其中,上述预设周期可以基于实际需要进行设置,本实施例对此不进行限定。
在一实施例中,上述运行数据包括但不限于单次调用耗时、每秒调用次数、模型所耗CPU占用率、模型所耗内存大小等中的至少一项,本实施例对此不进行限定。
在步骤S502中,响应于所述实际运行数据满足评价条件,基于所述实际运行数据确定所述模型服务的评价信息值。
本实施例中,当基于预设周期采集所述模型服务的实际运行数据后,可以响应于所述实际运行数据满足评价条件,基于所述实际运行数据确定所述模型服务的评价信息值。
在一实施例中,上述实际运行数据满足评价条件的情形可以基于实际业务需求进行设置,如设置为数据采集时长大于或等于设定时长阈值,和/或初始模型服务的调用次数大于或等于设定次数阈值等,本实施例对此不进行限定。
举例来说,图6是根据一示例性实施例示出的如何基于所述实际运行数据确定所述模型服务的评价信息值的流程图。如图6所示,上述步骤S502中所述基于所述实际运行数据确定所述模型服务的评价信息值,还可以进一步包括:
在步骤S601中,对所述实际运行数据进行预处理,得到预处理数据。
本实施例中,当基于预设周期采集所述模型服务的实际运行数据之后,可以对所述实际运行数据进行预处理,例如可以将上述模型服务的实际运行数据的单位进行统一,从而得到单位统一后的数据,即预处理数据。
在步骤S602中,对所述预处理数据进行归一化处理,得到归一化数据。
本实施例中,当对所述实际运行数据进行预处理,得到预处理数据后,可以对所述预处理数据进行归一化处理,例如将同一模型服务的各种实际运行数据进行归一化,以得到归一化数据。
在步骤S603中,对所述归一化数据进行权重加和运算,得到所述模型服务的评价信息值。
本实施例中,当对所述预处理数据进行归一化处理,得到归一化数据后,可以对该归一化数据进行权重加和运算,得到所述模型服务的评价信息值。
举例来说,可以基于归一化数据中各种实际运行数据的预设重要性等级确定各种实际运行数据的权重,从而基于归一化数据以及相应的权重进行权重加和运算,从而可以得到该模型服务的评价信息值。
由上述描述可知,本实施例通过基于预设周期采集所述模型服务的实际运行数据,并响应于所述实际运行数据满足评价条件,基于所述实际运行数据确定所述模型服务的评价信息值,可以实现基于采集的模型服务的实际运行数据准确的确定模型服务的评价信息值,从而可以实现后续基于各个模型服务中评价信息值最高的模型服务确定目标模型服务,可以提高确定目标模型服务的准确性,从而可以提高后续基于目标模型服务对应的模型确定用于向所述业务方进行推荐的模型的准确性。
图7是根据一示例性实施例示出的一种推荐模型的确定装置的框图;本实施例的装置可以应用于包含多个节点设备的集群,所述节点设备包括物理机、虚拟机或容器等。如图7所示,该装置包括:初始服务确定模块110、服务群组确定模块120、目标服务确定模块130以及推荐模型确定模块140,其中:
初始服务确定模块110,用于响应于检测到业务方满足模型推荐条件,确定所述业务方的初始模型服务;
服务群组确定模块120,用于基于所述初始模型服务确定目标模型服务群组,所述目标模型服务群组为预先确定的所述初始模型服务所属的群组,所述目标模型服务群组中的各个模型服务具有相同的接口声明集合信息;
目标服务确定模块130,用于从所述目标模型服务群组内各个模型服务中确定目标模型服务;
推荐模型确定模块140,用于基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型。
由上述描述可知,本实施例的装置通过响应于检测到业务方满足模型推荐条件,确定所述业务方的初始模型服务,并基于所述初始模型服务确定目标模型服务群组,然后从所述目标模型服务群组内各个模型服务中确定目标模型服务,进而基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型,由于目标模型服务群组为预先确定的所述初始模型服务所属的群组,且所述目标模型服务群组中的各个模型服务具有相同的接口声明集合信息,因而可以实现在检测到业务方满足模型推荐条件时,基于初始模型服务所属的群组中与初始模型服务具有相同的接口声明集合信息的模型服务确定目标模型服务,进而确定用于向所述业务方进行推荐的模型,可以实现利用已有的模型服务进行模型推荐,而无需引入额外的服务资源,既可实现跨领域的模型推荐,又可降低模型推荐服务提供方的软硬件成本以及用于模型评估的人力成本。
图8是根据又一示例性实施例示出的一种推荐模型的确定装置的框图;本实施例的装置可以应用于包含多个节点设备的集群,所述节点设备包括物理机、虚拟机或容器等。其中,初始服务确定模块210、服务群组确定模块220、目标服务确定模块230以及推荐模型确定模块240与前述图7所示实施例中的初始服务确定模块110、服务群组确定模块120、目标服务确定模块130以及推荐模型确定模块140的功能相同,在此不进行赘述。如图8所示,初始服务确定模块210,可以包括:
业务标识获取单元211,用于获取所述业务方的业务方标识;
初始服务确定单元212,用于将所述业务方标识对应的初始模型服务确定为所述业务方的初始模型服务。
在一实施例中,上述装置还可以包括所属群组确定模块250;
所述所属群组确定模块250,可以包括:
集合信息检测单元251,用于检测所述初始模型服务的目标接口声明集合信息;
所属群组确定单元252,用于查找与所述目标接口声明集合信息匹配的目标模型服务群组;
目标群组加入单元253,用于响应于查找到所述目标模型服务群组,将所述初始模型服务加入所述目标模型服务群组中。
在一实施例中,上述所属群组确定模块还可以包括:
目标群组创建单元254,用于响应于未查找到所述目标模型服务群组,创建所述初始模型服务所属的目标模型服务群组,并将所述目标接口声明集合信息注册到所述目标模型服务群组下;
目标群组加入单元253还可以用于将所述初始模型服务加入创建的所述目标模型服务群组中。
在一实施例中,上述目标服务确定模块230,可以包括:
评价信息值获取单元231,用于获取所述目标模型服务群组内各个模型服务的评价信息值;
目标服务确定单元232,用于基于所述各个模型服务中评价信息值最高的模型服务确定目标模型服务。
在一实施例中,上述装置还可以包括评价信息值确定模块260;
评价信息值确定模块260,可以包括:
运行数据采集单元261,用于基于预设周期采集所述模型服务的实际运行数据;
评价信息值确定单元262,用于响应于所述实际运行数据满足评价条件,基于所述实际运行数据确定所述模型服务的评价信息值。
在一实施例中,上述评价信息值确定单元262还可以用于:
对所述实际运行数据进行预处理,得到预处理数据;
对所述预处理数据进行归一化处理,得到归一化数据;
对所述归一化数据进行权重加和运算,得到所述模型服务的评价信息值。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图9是根据一示例性实施例示出的一种电子设备的框图。例如,设备900可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图9,设备900可以包括以下一个或多个组件:处理组件902,存储器904,电源组件906,多媒体组件908,音频组件910,输入/输出(I/O)的接口912,传感器组件914,以及通信组件916。
处理组件902通常控制设备900的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件902可以包括一个或多个处理器920来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件902可以包括一个或多个模块,便于处理组件902和其他组件之间的交互。例如,处理组件902可以包括多媒体模块,以方便多媒体组件908和处理组件902之间的交互。
存储器904被配置为存储各种类型的数据以支持在设备900的操作。这些数据的示例包括用于在设备900上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器904可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件906为设备900的各种组件提供电力。电源组件906可以包括电源管理***,一个或多个电源,及其他与为设备900生成、管理和分配电力相关联的组件。
多媒体组件908包括在所述设备900和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件908包括一个前置摄像头和/或后置摄像头。当设备900处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件910被配置为输出和/或输入音频信号。例如,音频组件910包括一个麦克风(MIC),当设备900处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器904或经由通信组件916发送。在一些实施例中,音频组件910还包括一个扬声器,用于输出音频信号。
I/O接口912为处理组件902和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件914包括一个或多个传感器,用于为设备900提供各个方面的状态评估。例如,传感器组件914可以检测到设备900的打开/关闭状态,组件的相对定位,例如所述组件为设备900的显示器和小键盘,传感器组件914还可以检测设备900或设备900一个组件的位置改变,用户与设备900接触的存在或不存在,设备900方位或加速/减速和设备900的温度变化。传感器组件914还可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件914还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件914还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件916被配置为便于设备900和其他设备之间有线或无线方式的通信。设备900可以接入基于通信标准的无线网络,如WiFi,2G或3G,4G或5G或它们的组合。在一个示例性实施例中,通信组件916经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件916还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,设备900可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子组件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器904,上述指令可由设备900的处理器920执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种推荐模型的确定方法,其特征在于,所述方法包括:
响应于检测到业务方满足模型推荐条件,确定所述业务方的初始模型服务;
基于所述初始模型服务确定目标模型服务群组,所述目标模型服务群组为预先确定的所述初始模型服务所属的群组,所述目标模型服务群组中的各个模型服务具有相同的接口声明集合信息;
从所述目标模型服务群组内各个模型服务中确定目标模型服务;
基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型。
2.根据权利要求1所述的方法,其特征在于,所述确定所述业务方的初始模型服务,包括:
获取所述业务方的业务方标识;
将所述业务方标识对应的初始模型服务确定为所述业务方的初始模型服务。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括基于以下方式确定所述初始模型服务所属的目标模型服务群组:
检测所述初始模型服务的目标接口声明集合信息;
查找与所述目标接口声明集合信息匹配的目标模型服务群组;
响应于查找到所述目标模型服务群组,将所述初始模型服务加入所述目标模型服务群组中。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
响应于未查找到所述目标模型服务群组,创建所述初始模型服务所属的目标模型服务群组,并将所述目标接口声明集合信息注册到所述目标模型服务群组下;
将所述初始模型服务加入创建的所述目标模型服务群组中。
5.根据权利要求1所述的方法,其特征在于,所述从所述目标模型服务群组内各个模型服务中确定目标模型服务,包括:
获取所述目标模型服务群组内各个模型服务的评价信息值;
基于所述各个模型服务中评价信息值最高的模型服务确定目标模型服务。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括预先基于以下方式确定所述模型服务的评价信息值:
基于预设周期采集所述模型服务的实际运行数据;
响应于所述实际运行数据满足评价条件,基于所述实际运行数据确定所述模型服务的评价信息值。
7.根据权利要求6所述的方法,其特征在于,所述基于所述实际运行数据确定所述模型服务的评价信息值,包括:
对所述实际运行数据进行预处理,得到预处理数据;
对所述预处理数据进行归一化处理,得到归一化数据;
对所述归一化数据进行权重加和运算,得到所述模型服务的评价信息值。
8.一种推荐模型的确定装置,其特征在于,所述装置包括:
初始服务确定模块,用于响应于检测到业务方满足模型推荐条件,确定所述业务方的初始模型服务;
服务群组确定模块,用于基于所述初始模型服务确定目标模型服务群组,所述目标模型服务群组为预先确定的所述初始模型服务所属的群组,所述目标模型服务群组中的各个模型服务具有相同的接口声明集合信息;
目标服务确定模块,用于从所述目标模型服务群组内各个模型服务中确定目标模型服务;
推荐模型确定模块,用于基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型。
9.一种电子设备,其特征在于,所述设备包括:
处理器以及用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
响应于检测到业务方满足模型推荐条件,确定所述业务方的初始模型服务;
基于所述初始模型服务确定目标模型服务群组,所述目标模型服务群组为预先确定的所述初始模型服务所属的群组,所述目标模型服务群组中的各个模型服务具有相同的接口声明集合信息;
从所述目标模型服务群组内各个模型服务中确定目标模型服务;
基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型。
10.一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,该程序被处理器执行时实现:
响应于检测到业务方满足模型推荐条件,确定所述业务方的初始模型服务;
基于所述初始模型服务确定目标模型服务群组,所述目标模型服务群组为预先确定的所述初始模型服务所属的群组,所述目标模型服务群组中的各个模型服务具有相同的接口声明集合信息;
从所述目标模型服务群组内各个模型服务中确定目标模型服务;
基于所述目标模型服务对应的模型确定用于向所述业务方进行推荐的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110437894.0A CN113157725A (zh) | 2021-04-22 | 2021-04-22 | 推荐模型的确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110437894.0A CN113157725A (zh) | 2021-04-22 | 2021-04-22 | 推荐模型的确定方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113157725A true CN113157725A (zh) | 2021-07-23 |
Family
ID=76869596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110437894.0A Pending CN113157725A (zh) | 2021-04-22 | 2021-04-22 | 推荐模型的确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113157725A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304429A (zh) * | 2017-05-16 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置和计算机设备 |
CN110781391A (zh) * | 2019-10-22 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
CN111125512A (zh) * | 2019-11-18 | 2020-05-08 | 口碑(上海)信息技术有限公司 | 业务推荐处理方法、装置及*** |
CN111143686A (zh) * | 2019-12-30 | 2020-05-12 | 北京百度网讯科技有限公司 | 资源推荐方法及装置 |
CN111198988A (zh) * | 2019-12-25 | 2020-05-26 | 中国平安财产保险股份有限公司 | 业务推荐方法、训练方法、装置、计算机设备和存储介质 |
CN111680221A (zh) * | 2020-08-11 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
CN111859133A (zh) * | 2020-07-21 | 2020-10-30 | 有半岛(北京)信息科技有限公司 | 一种推荐方法及在线预测模型的发布方法和装置 |
CN112330408A (zh) * | 2020-11-13 | 2021-02-05 | 上海络昕信息科技有限公司 | 一种产品推荐方法、装置及电子设备 |
CN112528153A (zh) * | 2020-12-22 | 2021-03-19 | 北京百度网讯科技有限公司 | 内容推荐方法、装置、设备、存储介质以及程序产品 |
CN112559896A (zh) * | 2021-02-20 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
-
2021
- 2021-04-22 CN CN202110437894.0A patent/CN113157725A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108304429A (zh) * | 2017-05-16 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置和计算机设备 |
CN110781391A (zh) * | 2019-10-22 | 2020-02-11 | 腾讯科技(深圳)有限公司 | 一种信息推荐方法、装置、设备及存储介质 |
CN111125512A (zh) * | 2019-11-18 | 2020-05-08 | 口碑(上海)信息技术有限公司 | 业务推荐处理方法、装置及*** |
CN111198988A (zh) * | 2019-12-25 | 2020-05-26 | 中国平安财产保险股份有限公司 | 业务推荐方法、训练方法、装置、计算机设备和存储介质 |
CN111143686A (zh) * | 2019-12-30 | 2020-05-12 | 北京百度网讯科技有限公司 | 资源推荐方法及装置 |
CN111859133A (zh) * | 2020-07-21 | 2020-10-30 | 有半岛(北京)信息科技有限公司 | 一种推荐方法及在线预测模型的发布方法和装置 |
CN111680221A (zh) * | 2020-08-11 | 2020-09-18 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
CN112330408A (zh) * | 2020-11-13 | 2021-02-05 | 上海络昕信息科技有限公司 | 一种产品推荐方法、装置及电子设备 |
CN112528153A (zh) * | 2020-12-22 | 2021-03-19 | 北京百度网讯科技有限公司 | 内容推荐方法、装置、设备、存储介质以及程序产品 |
CN112559896A (zh) * | 2021-02-20 | 2021-03-26 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
陈蕴博: "基于用户、项目、模型的协同推荐服务研究", 科技与创新, no. 1, 26 December 2017 (2017-12-26) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6263648B2 (ja) | ショートメッセージ内容表示方法、装置、及びシステム、並びに、ショートメッセージ表示決定方法及び装置 | |
CN111431727B (zh) | 一种群组展示方法、装置、终端、服务器及*** | |
US20180121040A1 (en) | Method and device for managing notification messages | |
CN109670077B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN111461304B (zh) | 分类神经网络的训练方法、文本分类方法、装置及设备 | |
CN107241521B (zh) | 网页访问方法及装置 | |
CN108875993B (zh) | 邀请行为预测方法及装置 | |
CN109521918B (zh) | 一种信息分享方法、装置、电子设备及存储介质 | |
CN109670632B (zh) | 广告点击率的预估方法、广告点击率的预估装置、电子设备及存储介质 | |
US11335348B2 (en) | Input method, device, apparatus, and storage medium | |
CN109543069B (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN111752598A (zh) | 页面生成方法、装置、电子设备及存储介质 | |
CN107402767B (zh) | 显示推送消息的方法和装置 | |
CN112131466A (zh) | 群组展示方法、装置、***和存储介质 | |
CN106506808B (zh) | 对通讯消息提示的方法及装置 | |
CN107179837B (zh) | 输入方法及装置 | |
CN113031837B (zh) | 内容分享方法、装置、存储介质、终端及服务器 | |
US20170201479A1 (en) | Group message display method, device and medium | |
CN111859097B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN108012258B (zh) | 虚拟sim卡的数据流量管理方法、装置、终端及服务器 | |
CN115203573A (zh) | 画像标签生成方法、模型训练方法、装置、介质及芯片 | |
CN113157725A (zh) | 推荐模型的确定方法、装置、设备及存储介质 | |
CN114124866A (zh) | 会话处理方法、装置、电子设备及存储介质 | |
CN107257384B (zh) | 服务状态监控方法及装置 | |
CN112307353B (zh) | 数据的处理方法、装置、电子设备、存储介质 |
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 |