CN113608882B - 基于人工智能和大数据的信息处理方法、***及云平台 - Google Patents
基于人工智能和大数据的信息处理方法、***及云平台 Download PDFInfo
- Publication number
- CN113608882B CN113608882B CN202111179522.9A CN202111179522A CN113608882B CN 113608882 B CN113608882 B CN 113608882B CN 202111179522 A CN202111179522 A CN 202111179522A CN 113608882 B CN113608882 B CN 113608882B
- Authority
- CN
- China
- Prior art keywords
- thread
- local
- feature extraction
- threads
- extraction 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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5055—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering software capabilities, i.e. software resources associated or available to the machine
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供的基于人工智能和大数据的信息处理方法、***及云平台，鉴于进行兴趣挖掘的AI线程为经包括了更加多样化的线程配置状态的AI线程集中定位所得的设定线程性能参量符合设定要求的智能化线程，因而相较于借助模糊选取的AI线程进行兴趣挖掘而言，能够确保目标AI线程与用户行为大数据之间的兼容程度，从而规避目标AI线程在对用户行为大数据进行兴趣挖掘时所受到的配置约束，这样能够确保得到的会话兴趣挖掘情况的完整性和准确性，且会话兴趣挖掘情况包括兴趣主题标签或者潜在会话兴趣，因而能够为后续的兴趣需求分析和业务推送优化提供可靠的决策依据。
Description
技术领域
本申请涉及人工智能和大数据技术领域，特别涉及一种基于人工智能和大数据的信息处理方法、***及云平台。
背景技术
在互联网时代，人工智能（Artificial Intelligence，AI）和大数据（Big Data）密不可分。随着人工智能和大数据的发展，其应用已经渗透到农业、工业、商业、服务业、医疗领域等各个方面，成为影响业务发展的一个重要因素。其中，人工智能和大数据形成的联合型技术在业务服务行业应用越来越广泛。在实际应用中，针对用户行为进行兴趣挖掘是主要的方向。然而发明人经研究和分析发现，相关的用户兴趣挖掘技术难以确保网络模型和用户行为数据之间的兼容性，进而难以保障用户兴趣挖掘的完整性和准确性。
发明内容
为改善相关技术中存在的技术问题，本申请提供了一种基于人工智能和大数据的信息处理方法、***及云平台。
第一方面，本申请实施例提供了一种基于人工智能和大数据的信息处理方法，应用于信息处理云平台，所述方法包括：确定触发会话兴趣挖掘条件的用户行为大数据，并将所述触发会话兴趣挖掘条件的用户行为大数据传入目标AI线程以获得会话兴趣挖掘情况；所述会话兴趣挖掘情况旨在表示从所述触发会话兴趣挖掘条件的用户行为大数据中挖掘出来的兴趣主题标签或者潜在会话兴趣；所述目标AI线程为经第一待定AI线程中定位所得的设定线程性能参量符合设定要求的目标局部线程；所述第一待定AI线程包括若干第一局部线程；所述第一局部线程满足第一目标条件和第二目标条件中的至少一种；所述第一目标条件为：存在差异的第一局部线程所确定出的视觉显著性表达的兴趣挖掘质量评价不一致；所述第二目标条件为：存在差异的第一局部线程对用作执行兴趣挖掘的不同兴趣挖掘质量评价的视觉显著性表达的配置策略不一致；存在差异的第一局部线程对用作执行兴趣挖掘的不同兴趣挖掘质量评价的视觉显著性表达的配置策略不一致，旨在表示在存在差异的第一局部线程中兴趣挖掘单元与不同兴趣挖掘质量评价的视觉显著性表达之间的匹配列表不一致。
在一些可独立实施的技术方案下，在所述将所述触发会话兴趣挖掘条件的用户行为大数据传入目标AI线程以获得会话兴趣挖掘情况之前，所述方法包括：基于线程组装指示，创建所述第一待定AI线程；从所述第一待定AI线程中定位出目标局部线程，所述目标局部线程为设定线程性能参量达到设定要求的第一局部线程，并将所述目标局部线程作为所述目标AI线程。
在一些可独立实施的技术方案下，所述第一待定AI线程包括：若干第一局部线程，每个第一局部线程包括a个特征提取处理节点和与所述a个特征提取处理节点存在关联的b个兴趣挖掘单元，且所述a个特征提取处理节点中的一个特征提取处理节点与所述b个兴趣挖掘单元中的不少于一个兴趣挖掘单元关联；所述线程组装指示包括：节点集群的数目、每个节点集群包括若干提取周期存在差异的特征提取处理节点、兴趣挖掘单元的数目、每个特征提取处理节点的基础线程变量，以及，每个兴趣挖掘单元对应的若干特征提取处理节点的量化提取周期；其中，一个特征提取处理节点的量化提取周期为：传入所述特征提取处理节点的用户行为大数据的数据量与所述特征提取处理节点所确定出的视觉显著性表达的数据量之间的量化比较结果；一个兴趣挖掘单元对应若干特征提取处理节点的量化提取周期，旨在表示所述兴趣挖掘单元在存在差异的第一局部线程中和与若干量化提取周期对应的不同特征提取处理节点关联；b和a为正整数。
在一些可独立实施的技术方案下，所述从所述第一待定AI线程中定位出目标局部线程，包括：从所述第一待定AI线程中捕捉原始局部线程；所述原始局部线程为特征提取处理节点的量化提取周期符合设定要求的第一局部线程；所述设定要求为事先配置的线程捕捉指标；借助从设定云存储空间中得到的范例用户行为大数据，对每个原始局部线程进行第一优化，获得第二待定AI线程；从所述第二待定AI线程中定位出所述目标局部线程。
在一些可独立实施的技术方案下，所述第二待定AI线程包括若干第二局部线程，所述从所述第二待定AI线程中定位出所述目标局部线程，包括：通过对所述若干第二局部线程进行捕捉并进行调整和/或融合以获得第三待定AI线程；所述第三待定AI线程包括若干第三局部线程；将从所述设定云存储空间中得到的辅助用户行为大数据，传入到每个第三局部线程，获得每个第三局部线程的挖掘信息；基于每个第三局部线程的挖掘信息，确定每个第三局部线程的设定线程性能参量；挑选设定线程性能参量最大的第三局部线程作为所述目标局部线程。
在一些可独立实施的技术方案下，所述将从所述设定云存储空间中得到的辅助用户行为大数据，传入到每个第三局部线程，获得每个第三局部线程的挖掘信息，包括：从所述第三待定AI线程中随机挑选一个第三局部线程作为当前局部线程；确定所述当前局部线程的一组线程变量；将所述当前局部线程的一组线程变量作为前置优化线程变量，对所述当前局部线程进行第二优化，获得所述当前局部线程的一组目标线程变量；所述第二优化中的超参收敛指标低于所述第一优化中的超参收敛指标；将所述当前局部线程的线程变量替换为所述一组目标线程变量；将从所述设定云存储空间中得到的辅助用户行为大数据，传入线程变量完成改进的所述当前局部线程中，获得挖掘信息；从所述第三待定AI线程中挑选后一第三局部线程作为所述当前局部线程，，直到所述第三待定AI线程中的每个第三局部线程已完成挑选，从而获得每个第三局部线程的挖掘信息。
在一些可独立实施的技术方案下，在所述借助从设定云存储空间中得到的范例用户行为大数据对每个原始局部线程进行第一优化，获得第二待定AI线程之后，所述方法还包括：确定每个第二局部线程的线程变量；基于每个所述第二局部线程的线程变量，获得a个节点集群中每个节点集群所包括的每个特征提取处理节点的过渡线程变量；所述确定所述当前局部线程的一组线程变量，包括：基于所述当前局部线程中的每个特征提取处理节点，从得到的过渡线程变量中，挑选对应的过渡线程变量以获得a个过渡线程变量，并将挑选的所述a个过渡线程变量作为所述当前局部线程的一组线程变量。
在一些可独立实施的技术方案下，所述通过对所述若干第二局部线程进行捕捉并进行调整和/或融合以获得第三待定AI线程，包括：从所述若干第二局部线程中随机挑选设定数目的第二局部线程作为衍生线程；对所述衍生线程进行调整处理和/或融合处理，获得过渡线程；所述过渡线程包括若干局部过渡线程；从所述若干局部过渡线程中，捕捉出特征提取处理节点的量化提取周期符合所述设定要求的局部过渡线程作为主用局部线程，或者，捕捉出特征提取处理节点的量化提取周期符合所述设定要求，且算法量化指标符合设定判定指标的局部过渡线程作为主用局部线程；将所述主用局部线程和所述衍生线程所形成的局部线程集作为过渡待定AI线程，确定所述过渡待定AI线程中的每个过渡局部线程的设定线程性能参量；从所述过渡待定AI线程中，挑选设定线程性能参量最大的设定数目的过渡局部线程；借助所述挑选的设定线程性能参量最大的设定数目的过渡局部线程，对所述衍生线程进行改进；按照设定轮数进行循环，并将最终得到的过渡待定AI线程作为所述第三待定AI线程。
在一些可独立实施的技术方案下，所述调整处理包括如下处理方式的一种或一种以上：从所述衍生线程中挑选若干局部衍生线程，将挑选的每个局部衍生线程中随机一个或若干特征提取处理节点，确定为与所述一个或若干特征提取处理节点对应的节点集群所包括的其他随机特征提取处理节点；从所述衍生线程中挑选若干局部衍生线程，将挑选的每个局部衍生线程中随机一个或若干兴趣挖掘单元所对应的特征提取处理节点的量化提取周期，确定为所述若干特征提取处理节点的量化提取周期中的其他随机特征提取处理节点的量化提取周期；其中，将一个兴趣挖掘单元对应的第一量化提取周期确定为第二量化提取周期，旨在表示所述兴趣挖掘单元与特征提取处理节点的关联架构，从所述兴趣挖掘单元与所述第一量化提取周期对应的第一特征提取处理节点关联，修正为所述兴趣挖掘单元与所述第二量化提取周期对应的第二特征提取处理节点关联；所述融合处理包括如下处理方式的一种或一种以上：从所述衍生线程中挑选若干局部衍生线程，将挑选的随机两个局部衍生线程中的一个或若干特征提取处理节点进行对调；从所述衍生线程中挑选若干局部衍生线程，将挑选的随机两个局部衍生线程中的一个或若干兴趣挖掘单元所对应的量化提取周期进行对调。
在一些可独立实施的技术方案下，所述设定要求至少包括以下之一：每个特征提取处理节点的量化提取周期不小于第一设定判定指标，且不大于第二设定判定指标；所述b个兴趣挖掘单元中，前一个兴趣挖掘单元所存在关联的特征提取处理节点的量化提取周期不小于后一个兴趣挖掘单元所存在关联的特征提取处理节点的量化提取周期；所述b个兴趣挖掘单元所存在关联的特征提取处理节点的量化提取周期中，最大的量化提取周期不小于第三设定判定指标；所述b个兴趣挖掘单元所存在关联的特征提取处理节点的量化提取周期中，最小的量化提取周期不大于所述第三设定判定指标；所述b个兴趣挖掘单元所存在关联的特征提取处理节点的量化提取周期中，最大的量化提取周期与最小的量化提取周期不同；所述第一设定判定指标低于所述第三设定判定指标，所述第三设定判定指标低于所述第二设定判定指标；所述b个兴趣挖掘单元所存在关联的若干特征提取处理节点中，各个特征提取处理节点输出的视觉显著性表达不同。
在一些可独立实施的技术方案下，每个第一局部线程包括a个特征提取处理节点，第c个特征提取处理节点所确定出的视觉显著性表达是基于第一视觉显著性表达和第二视觉显著性表达得到，其中，所述第一视觉显著性表达是所述第c个特征提取处理节点对第d个特征提取处理节点所确定出的视觉显著性表达进行特征提取所得，所述第二视觉显著性表达是基于并行特征提取处理节点对第e个特征提取处理节点所确定出的视觉显著性表达进行特征提取所得；其中，所述第e个特征提取处理节点与所述第c个特征提取处理节点所确定出的视觉显著性表达的兴趣挖掘质量评价相同，所述第e个特征提取处理节点的提取周期数据为设定提取周期数据，且所述第e个特征提取处理节点的提取周期数据与第f个特征提取处理节点的提取周期数据之间符合设定提取周期配对情况；a、c和e为正整数，e低于c，且c不大于a-1，d比c小1，f比e大1。
第二方面，本申请实施例还提供了一种基于人工智能和大数据的信息处理***，包括互相之间通信的信息处理云平台和业务用户客户端；所述业务用户客户端用于向所述信息处理云平台上传用户行为大数据；所述信息处理云平台确定触发会话兴趣挖掘条件的用户行为大数据，并将所述触发会话兴趣挖掘条件的用户行为大数据传入目标AI线程以获得会话兴趣挖掘情况；进一步的：所述会话兴趣挖掘情况旨在表示从所述触发会话兴趣挖掘条件的用户行为大数据中挖掘出来的兴趣主题标签或者潜在会话兴趣；所述目标AI线程为经第一待定AI线程中定位所得的设定线程性能参量符合设定要求的目标局部线程；所述第一待定AI线程包括若干第一局部线程；所述第一局部线程满足第一目标条件和第二目标条件中的至少一种；所述第一目标条件为：存在差异的第一局部线程所确定出的视觉显著性表达的兴趣挖掘质量评价不一致；所述第二目标条件为：存在差异的第一局部线程对用作执行兴趣挖掘的不同兴趣挖掘质量评价的视觉显著性表达的配置策略不一致；存在差异的第一局部线程对用作执行兴趣挖掘的不同兴趣挖掘质量评价的视觉显著性表达的配置策略不一致，旨在表示在存在差异的第一局部线程中兴趣挖掘单元与不同兴趣挖掘质量评价的视觉显著性表达之间的匹配列表不一致。
第三方面，本申请还提供了一种信息处理云平台，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述所述的方法。
本申请实施例提供的基于人工智能和大数据的信息处理方法、***及云平台，确定触发会话兴趣挖掘条件的用户行为大数据，将触发会话兴趣挖掘条件的用户行为大数据传入目标AI线程以获得会话兴趣挖掘情况，会话兴趣挖掘情况旨在表示从触发会话兴趣挖掘条件的用户行为大数据中挖掘出来的兴趣主题标签或者潜在会话兴趣；其中，目标AI线程为经第一待定AI线程中定位所得的设定线程性能参量符合设定要求的目标局部线程；第一待定AI线程包括若干第一局部线程，存在差异的第一局部线程所确定出的视觉显著性表达的兴趣挖掘质量评价不一致，和/或，存在差异的第一局部线程对用作执行兴趣挖掘的不同兴趣挖掘质量评价的视觉显著性表达的配置策略不一致；其中，存在差异的第一局部线程对用作执行兴趣挖掘的不同兴趣挖掘质量评价的视觉显著性表达的配置策略不一致，旨在表示在存在差异的第一局部线程中兴趣挖掘单元与不同兴趣挖掘质量评价的视觉显著性表达之间的匹配列表不一致。基于此，鉴于进行兴趣挖掘的AI线程为经包括了更加多样化的线程配置状态的AI线程集中定位所得的设定线程性能参量符合设定要求的智能化线程，因而相较于借助模糊选取的AI线程进行兴趣挖掘而言，能够确保目标AI线程与用户行为大数据之间的兼容程度，从而规避目标AI线程在对用户行为大数据进行兴趣挖掘时所受到的配置约束，这样能够确保得到的会话兴趣挖掘情况的完整性和准确性，且会话兴趣挖掘情况包括兴趣主题标签或者潜在会话兴趣，因而能够为后续的兴趣需求分析和业务推送优化提供可靠的决策依据。
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，示出了符合本申请的实施例，并于说明书一起用于解释本申请的原理。
图1是本申请实施例提供的一种信息处理云平台的硬件结构示意图。
图2是本申请实施例提供的一种基于人工智能和大数据的信息处理方法的流程示意图。
图3是本申请实施例提供的一种基于人工智能和大数据的信息处理方法的应用环境的通信架构示意图。
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方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在信息处理云平台、计算机设备或者类似的运算装置中执行。以运行在信息处理云平台上为例，图1是本申请实施例的实施一种基于人工智能和大数据的信息处理方法的信息处理云平台的硬件结构框图。如图1所示，信息处理云平台10可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述信息处理云平台还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述信息处理云平台的结构造成限定。例如，信息处理云平台10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的一种基于人工智能和大数据的信息处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至信息处理云平台10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括信息处理云平台10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
基于此，请参阅图2，图2是本发明实施例所提供的一种基于人工智能和大数据的信息处理方法的流程示意图，该方法应用于信息处理云平台，进一步可以包括以下内容描述的技术方案。
步骤S21、确定触发会话兴趣挖掘条件的用户行为大数据。
步骤S22、将所述触发会话兴趣挖掘条件的用户行为大数据传入目标AI线程以获得会话兴趣挖掘情况。
在本申请实施例中，所述会话兴趣挖掘情况旨在表示从所述触发会话兴趣挖掘条件的用户行为大数据中挖掘出来的兴趣主题标签（兴趣偏好关键词）或者潜在会话兴趣（用户的潜在需求或者隐性需求）。此外，用户行为大数据所涉及的领域可以是在线支付、远程办公、智慧教育、智慧医疗、区块链等云业务服务，本申请实施例不作限制。进一步地，会话兴趣挖掘条件可以基于用户行为大数据的上传时段或者业务会话场景确定，但不限于此。
进一步地，为了改善背景技术的相关问题，所述目标AI线程为经第一待定AI线程中定位所得的设定线程性能参量符合设定要求的目标局部线程；所述第一待定AI线程包括若干第一局部线程。AI线程可以理解为神经网络，比如可以是CNN、LSTM等，但不限于此。
在上述内容的基础上，所述第一局部线程满足第一目标条件和第二目标条件中的至少一种。一方面，所述第一目标条件可以为：存在差异的第一局部线程所确定出的视觉显著性表达（特征向量）的兴趣挖掘质量评价（特征识别度）不一致。另一方面，所述第二目标条件为：存在差异的第一局部线程对用作执行兴趣挖掘的不同兴趣挖掘质量评价的视觉显著性表达的配置策略不一致。
另外，存在差异的第一局部线程对用作执行兴趣挖掘的不同兴趣挖掘质量评价的视觉显著性表达的配置策略不一致，旨在表示在存在差异的第一局部线程中兴趣挖掘单元与不同兴趣挖掘质量评价的视觉显著性表达之间的匹配列表（对应关系）不一致。
在一些可能的实施例中，在步骤S22所描述的将所述触发会话兴趣挖掘条件的用户行为大数据传入目标AI线程以获得会话兴趣挖掘情况之前，该方法还可以包括以下步骤S31和步骤S32所描述的技术方案。
步骤S31、基于线程组装指示，创建所述第一待定AI线程。
例如，线程组装指示可以是模型创建参数。
步骤S32、从所述第一待定AI线程中定位出目标局部线程，所述目标局部线程为设定线程性能参量达到设定要求的第一局部线程，并将所述目标局部线程作为所述目标AI线程。
例如，设定线程性能参量可以是挖掘精度。
在上述内容的基础上，所述第一待定AI线程可以包括以下内容：若干第一局部线程，每个第一局部线程包括a个特征提取处理节点和与所述a个特征提取处理节点存在关联的b个兴趣挖掘单元，且所述a个特征提取处理节点中的一个特征提取处理节点与所述b个兴趣挖掘单元中的不少于一个兴趣挖掘单元关联。例如，特征提取处理节点可以是卷积核，兴趣挖掘单元可以是兴趣挖掘器或者分类器。
进一步地，所述线程组装指示包括：节点集群的数目、每个节点集群包括若干提取周期存在差异的特征提取处理节点、兴趣挖掘单元的数目、每个特征提取处理节点的基础线程变量，以及，每个兴趣挖掘单元对应的若干特征提取处理节点的量化提取周期。
在一些可能的实施例中，一个特征提取处理节点的量化提取周期为：传入所述特征提取处理节点的用户行为大数据的数据量与所述特征提取处理节点所确定出的视觉显著性表达的数据量之间的量化比较结果。该量化比较结果可以理解为比值。数据量的单位可以是MB或者GB。
进一步地，一个兴趣挖掘单元对应若干特征提取处理节点的量化提取周期，旨在表示所述兴趣挖掘单元在存在差异的第一局部线程中和与若干量化提取周期对应的不同特征提取处理节点关联；b和a为正整数。
对于一些可能的示例而言，步骤S32所描述的从所述第一待定AI线程中定位出目标局部线程，可以包括步骤S321-步骤S323所描述的技术方案。
步骤S321、从所述第一待定AI线程中捕捉原始局部线程；所述原始局部线程为特征提取处理节点的量化提取周期符合设定要求的第一局部线程；所述设定要求为事先配置的线程捕捉指标。例如，线程捕捉指标可以理解为模型筛选条件。
步骤S322、借助从设定云存储空间中得到的范例用户行为大数据，对每个原始局部线程进行第一优化，获得第二待定AI线程。
步骤S323、从所述第二待定AI线程中定位出所述目标局部线程。
示例性的，所述第二待定AI线程可以包括若干第二局部线程。基于此，步骤S323所描述的所述从所述第二待定AI线程中定位出所述目标局部线程，可以包括以下步骤S3231-步骤S3234所描述的技术方案。
步骤S3231、通过对所述若干第二局部线程进行捕捉并进行调整和/或融合以获得第三待定AI线程；所述第三待定AI线程包括若干第三局部线程。
在一些进一步的实施例中，步骤S3231所描述的通过对所述若干第二局部线程进行捕捉并进行调整和/或融合以获得第三待定AI线程，可以包括以下内容：从所述若干第二局部线程中随机挑选设定数目的第二局部线程作为衍生线程；对所述衍生线程进行调整处理和/或融合处理，获得过渡线程；所述过渡线程包括若干局部过渡线程；从所述若干局部过渡线程中，捕捉出特征提取处理节点的量化提取周期符合所述设定要求的局部过渡线程作为主用局部线程，或者，捕捉出特征提取处理节点的量化提取周期符合所述设定要求，且算法量化指标符合设定判定指标的局部过渡线程作为主用局部线程；将所述主用局部线程和所述衍生线程所形成的局部线程集作为过渡待定AI线程，确定所述过渡待定AI线程中的每个过渡局部线程的设定线程性能参量；从所述过渡待定AI线程中，挑选设定线程性能参量最大的设定数目的过渡局部线程；借助所述挑选的设定线程性能参量最大的设定数目的过渡局部线程，对所述衍生线程进行改进；按照设定轮数进行循环，并将最终得到的过渡待定AI线程作为所述第三待定AI线程。
如此，可以确保第三待定AI线程的性能稳定性。
步骤S3232、将从所述设定云存储空间中得到的辅助用户行为大数据，传入到每个第三局部线程，获得每个第三局部线程的挖掘信息。例如，辅助用户行为大数据可以理解为测试数据。
对于一些可能的实施例而言，步骤S3232所描述的将从所述设定云存储空间中得到的辅助用户行为大数据，传入到每个第三局部线程，获得每个第三局部线程的挖掘信息，可以包括以下内容：从所述第三待定AI线程中随机挑选一个第三局部线程作为当前局部线程；确定所述当前局部线程的一组线程变量；将所述当前局部线程的一组线程变量作为前置优化线程变量，对所述当前局部线程进行第二优化，获得所述当前局部线程的一组目标线程变量；所述第二优化中的超参收敛指标低于所述第一优化中的超参收敛指标；将所述当前局部线程的线程变量替换为所述一组目标线程变量；将从所述设定云存储空间中得到的辅助用户行为大数据，传入线程变量完成改进的所述当前局部线程中，获得挖掘信息；从所述第三待定AI线程中挑选后一第三局部线程作为所述当前局部线程，，直到所述第三待定AI线程中的每个第三局部线程已完成挑选，从而获得每个第三局部线程的挖掘信息。
如此设计，可以完整准确地确定出挖掘信息。
进一步地，所述调整处理包括如下处理方式的一种或一种以上：从所述衍生线程中挑选若干局部衍生线程，将挑选的每个局部衍生线程中随机一个或若干特征提取处理节点，确定为与所述一个或若干特征提取处理节点对应的节点集群所包括的其他随机特征提取处理节点；从所述衍生线程中挑选若干局部衍生线程，将挑选的每个局部衍生线程中随机一个或若干兴趣挖掘单元所对应的特征提取处理节点的量化提取周期，确定为所述若干特征提取处理节点的量化提取周期中的其他随机特征提取处理节点的量化提取周期；其中，将一个兴趣挖掘单元对应的第一量化提取周期确定为第二量化提取周期，旨在表示所述兴趣挖掘单元与特征提取处理节点的关联架构，从所述兴趣挖掘单元与所述第一量化提取周期对应的第一特征提取处理节点关联，修正为所述兴趣挖掘单元与所述第二量化提取周期对应的第二特征提取处理节点关联。
此外，所述融合处理包括如下处理方式的一种或一种以上：从所述衍生线程中挑选若干局部衍生线程，将挑选的随机两个局部衍生线程中的一个或若干特征提取处理节点进行对调；从所述衍生线程中挑选若干局部衍生线程，将挑选的随机两个局部衍生线程中的一个或若干兴趣挖掘单元所对应的量化提取周期进行对调。
步骤S3233、基于每个第三局部线程的挖掘信息，确定每个第三局部线程的设定线程性能参量。
步骤S3234、挑选设定线程性能参量最大的第三局部线程作为所述目标局部线程。
如此设计，可以确保目标局部线程的精度和场景适配能力。
对于一些可独立实施的技术方案而言，在所述借助从设定云存储空间中得到的范例用户行为大数据对每个原始局部线程进行第一优化，获得第二待定AI线程之后，所述方法还可以包括：确定每个第二局部线程的线程变量；基于每个所述第二局部线程的线程变量，获得a个节点集群中每个节点集群所包括的每个特征提取处理节点的过渡线程变量。基于此，确定所述当前局部线程的一组线程变量，包括：基于所述当前局部线程中的每个特征提取处理节点，从得到的过渡线程变量中，挑选对应的过渡线程变量以获得a个过渡线程变量，并将挑选的所述a个过渡线程变量作为所述当前局部线程的一组线程变量。
示例性的，所述设定要求至少包括以下7种要求之一。
（1）每个特征提取处理节点的量化提取周期不小于第一设定判定指标，且不大于第二设定判定指标。
（2）所述b个兴趣挖掘单元中，前一个兴趣挖掘单元所存在关联的特征提取处理节点的量化提取周期不小于后一个兴趣挖掘单元所存在关联的特征提取处理节点的量化提取周期。
（3）所述b个兴趣挖掘单元所存在关联的特征提取处理节点的量化提取周期中，最大的量化提取周期不小于第三设定判定指标。
（4）所述b个兴趣挖掘单元所存在关联的特征提取处理节点的量化提取周期中，最小的量化提取周期不大于所述第三设定判定指标。
（5）所述b个兴趣挖掘单元所存在关联的特征提取处理节点的量化提取周期中，最大的量化提取周期与最小的量化提取周期不同。
（6）所述第一设定判定指标低于所述第三设定判定指标，所述第三设定判定指标低于所述第二设定判定指标。
（7）所述b个兴趣挖掘单元所存在关联的若干特征提取处理节点中，各个特征提取处理节点输出的视觉显著性表达不同。
在一些可能的实施例中，每个第一局部线程包括a个特征提取处理节点，第c个特征提取处理节点所确定出的视觉显著性表达是基于第一视觉显著性表达和第二视觉显著性表达得到，其中，所述第一视觉显著性表达是所述第c个特征提取处理节点对第d个特征提取处理节点所确定出的视觉显著性表达进行特征提取所得，所述第二视觉显著性表达是基于并行特征提取处理节点对第e个特征提取处理节点所确定出的视觉显著性表达进行特征提取所得。
进一步地，所述第e个特征提取处理节点与所述第c个特征提取处理节点所确定出的视觉显著性表达的兴趣挖掘质量评价相同，所述第e个特征提取处理节点的提取周期数据为设定提取周期数据，且所述第e个特征提取处理节点的提取周期数据与第f个特征提取处理节点的提取周期数据之间符合设定提取周期配对情况；a、c和e为正整数，e低于c，且c不大于a-1，d比c小1，f比e大1。
如此设计，本申请实施例提供的基于人工智能和大数据的信息处理方法、***及云平台，确定触发会话兴趣挖掘条件的用户行为大数据，将触发会话兴趣挖掘条件的用户行为大数据传入目标AI线程以获得会话兴趣挖掘情况，会话兴趣挖掘情况旨在表示从触发会话兴趣挖掘条件的用户行为大数据中挖掘出来的兴趣主题标签或者潜在会话兴趣；其中，目标AI线程为经第一待定AI线程中定位所得的设定线程性能参量符合设定要求的目标局部线程；第一待定AI线程包括若干第一局部线程，存在差异的第一局部线程所确定出的视觉显著性表达的兴趣挖掘质量评价不一致，和/或，存在差异的第一局部线程对用作执行兴趣挖掘的不同兴趣挖掘质量评价的视觉显著性表达的配置策略不一致；其中，存在差异的第一局部线程对用作执行兴趣挖掘的不同兴趣挖掘质量评价的视觉显著性表达的配置策略不一致，旨在表示在存在差异的第一局部线程中兴趣挖掘单元与不同兴趣挖掘质量评价的视觉显著性表达之间的匹配列表不一致。基于此，鉴于进行兴趣挖掘的AI线程为经包括了更加多样化的线程配置状态的AI线程集中定位所得的设定线程性能参量符合设定要求的智能化线程，因而相较于借助模糊选取的AI线程进行兴趣挖掘而言，能够确保目标AI线程与用户行为大数据之间的兼容程度，从而规避目标AI线程在对用户行为大数据进行兴趣挖掘时所受到的配置约束，这样能够确保得到的会话兴趣挖掘情况的完整性和准确性，且会话兴趣挖掘情况包括兴趣主题标签或者潜在会话兴趣，因而能够为后续的兴趣需求分析和业务推送优化提供可靠的决策依据。
基于上述相同或相似的发明构思，还提供了一种基于人工智能和大数据的信息处理方法的应用环境30的架构示意图，包括互相之间通信的信息处理云平台10和业务用户客户端20，所述业务用户客户端20用于向所述信息处理云平台上传用户行为大数据；所述信息处理云平台10确定触发会话兴趣挖掘条件的用户行为大数据，并将所述触发会话兴趣挖掘条件的用户行为大数据传入目标AI线程以获得会话兴趣挖掘情况。
进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，媒体业务服务器10，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能和大数据的信息处理方法，其特征在于，应用于信息处理云平台，所述方法包括：
确定触发会话兴趣挖掘条件的用户行为大数据，并将所述触发会话兴趣挖掘条件的用户行为大数据传入目标AI线程以获得会话兴趣挖掘情况；
所述会话兴趣挖掘情况旨在表示从所述触发会话兴趣挖掘条件的用户行为大数据中挖掘出来的兴趣主题标签或者潜在会话兴趣；所述目标AI线程为经第一待定AI线程中定位所得的设定线程性能参量符合设定要求的目标局部线程；所述第一待定AI线程包括若干第一局部线程；
所述第一局部线程满足第一目标条件和第二目标条件中的至少一种；所述第一目标条件为：存在差异的第一局部线程所确定出的视觉显著性表达的兴趣挖掘质量评价不一致；所述第二目标条件为：存在差异的第一局部线程对用作执行兴趣挖掘的不同兴趣挖掘质量评价的视觉显著性表达的配置策略不一致；
存在差异的第一局部线程对用作执行兴趣挖掘的不同兴趣挖掘质量评价的视觉显著性表达的配置策略不一致，旨在表示在存在差异的第一局部线程中兴趣挖掘单元与不同兴趣挖掘质量评价的视觉显著性表达之间的匹配列表不一致。
2.如权利要求1所述的方法，其特征在于，每个第一局部线程包括a个特征提取处理节点，第c个特征提取处理节点所确定出的视觉显著性表达是基于第一视觉显著性表达和第二视觉显著性表达得到，其中，所述第一视觉显著性表达是所述第c个特征提取处理节点对第d个特征提取处理节点所确定出的视觉显著性表达进行特征提取所得，所述第二视觉显著性表达是基于并行特征提取处理节点对第e个特征提取处理节点所确定出的视觉显著性表达进行特征提取所得；其中，所述并行特征提取处理节点是所述目标AI线程的所有特征提取处理节点中，根据卷积核确定出的具有同步处理特性的特征提取处理节点；
其中，所述第e个特征提取处理节点与所述第c个特征提取处理节点所确定出的视觉显著性表达的兴趣挖掘质量评价相同，所述第e个特征提取处理节点的提取周期数据为设定提取周期数据，且所述第e个特征提取处理节点的提取周期数据与第f个特征提取处理节点的提取周期数据之间符合设定提取周期配对情况；a、c和e为正整数，e低于c，且c不大于a-1，d比c小1，f比e大1。
3.如权利要求1所述的基于人工智能和大数据的信息处理方法，其特征在于，在所述将所述触发会话兴趣挖掘条件的用户行为大数据传入目标AI线程以获得会话兴趣挖掘情况之前，所述方法还包括：
基于线程组装指示，创建所述第一待定AI线程；
从所述第一待定AI线程中定位出目标局部线程，所述目标局部线程为设定线程性能参量达到设定要求的第一局部线程，并将所述目标局部线程作为所述目标AI线程。
4.如权利要求3所述的基于人工智能和大数据的信息处理方法，其特征在于，所述第一待定AI线程包括：若干第一局部线程，每个第一局部线程包括a个特征提取处理节点和与所述a个特征提取处理节点存在关联的b个兴趣挖掘单元，且所述a个特征提取处理节点中的一个特征提取处理节点与所述b个兴趣挖掘单元中的不少于一个兴趣挖掘单元关联；所述线程组装指示包括：节点集群的数目、每个节点集群包括若干提取周期存在差异的特征提取处理节点、兴趣挖掘单元的数目、每个特征提取处理节点的基础线程变量，以及，每个兴趣挖掘单元对应的若干特征提取处理节点的量化提取周期；其中，一个特征提取处理节点的量化提取周期为：传入所述特征提取处理节点的用户行为大数据的数据量与所述特征提取处理节点所确定出的视觉显著性表达的数据量之间的量化比较结果；一个兴趣挖掘单元对应若干特征提取处理节点的量化提取周期，旨在表示所述兴趣挖掘单元在存在差异的第一局部线程中和与若干量化提取周期对应的不同特征提取处理节点关联；b和a为正整数。
5.如权利要求4所述的方法，其特征在于，所述从所述第一待定AI线程中定位出目标局部线程，包括：
从所述第一待定AI线程中捕捉原始局部线程；所述原始局部线程为特征提取处理节点的量化提取周期符合设定要求的第一局部线程；所述设定要求为事先配置的线程捕捉指标；
借助从设定云存储空间中得到的范例用户行为大数据，对每个原始局部线程进行第一优化，获得第二待定AI线程；
从所述第二待定AI线程中定位出所述目标局部线程。
6.如权利要求5所述的方法，其特征在于，所述第二待定AI线程包括若干第二局部线程，所述从所述第二待定AI线程中定位出所述目标局部线程，包括：
通过对所述若干第二局部线程进行捕捉并进行调整和/或融合以获得第三待定AI线程；所述第三待定AI线程包括若干第三局部线程；
将从所述设定云存储空间中得到的辅助用户行为大数据，传入到每个第三局部线程，获得每个第三局部线程的挖掘信息；
基于每个第三局部线程的挖掘信息，确定每个第三局部线程的设定线程性能参量；
挑选设定线程性能参量最大的第三局部线程作为所述目标局部线程；
其中，所述将从所述设定云存储空间中得到的辅助用户行为大数据，传入到每个第三局部线程，获得每个第三局部线程的挖掘信息，包括：
从所述第三待定AI线程中随机挑选一个第三局部线程作为当前局部线程；
确定所述当前局部线程的一组线程变量；
将所述当前局部线程的一组线程变量作为前置优化线程变量，对所述当前局部线程进行第二优化，获得所述当前局部线程的一组目标线程变量；所述第二优化中的超参收敛指标低于所述第一优化中的超参收敛指标；
将所述当前局部线程的线程变量替换为所述一组目标线程变量；
将从所述设定云存储空间中得到的辅助用户行为大数据，传入线程变量完成改进的所述当前局部线程中，获得挖掘信息；
从所述第三待定AI线程中挑选后一第三局部线程作为所述当前局部线程，直到所述第三待定AI线程中的每个第三局部线程已完成挑选，从而获得每个第三局部线程的挖掘信息。
7.如权利要求6所述的方法，其特征在于，在所述借助从设定云存储空间中得到的范例用户行为大数据对每个原始局部线程进行第一优化，获得第二待定AI线程之后，所述方法还包括：确定每个第二局部线程的线程变量；基于每个所述第二局部线程的线程变量，获得a个节点集群中每个节点集群所包括的每个特征提取处理节点的过渡线程变量；
所述确定所述当前局部线程的一组线程变量，包括：基于所述当前局部线程中的每个特征提取处理节点，从得到的过渡线程变量中，挑选对应的过渡线程变量以获得a个过渡线程变量，并将挑选的所述a个过渡线程变量作为所述当前局部线程的一组线程变量；
其中，所述通过对所述若干第二局部线程进行捕捉并进行调整和/或融合以获得第三待定AI线程，包括：
从所述若干第二局部线程中随机挑选设定数目的第二局部线程作为衍生线程；对所述衍生线程进行调整处理和/或融合处理，获得过渡线程；所述过渡线程包括若干局部过渡线程；
从所述若干局部过渡线程中，捕捉出特征提取处理节点的量化提取周期符合所述设定要求的局部过渡线程作为主用局部线程，或者，捕捉出特征提取处理节点的量化提取周期符合所述设定要求，且算法量化指标符合设定判定指标的局部过渡线程作为主用局部线程；
将所述主用局部线程和所述衍生线程所形成的局部线程集作为过渡待定AI线程，确定所述过渡待定AI线程中的每个过渡局部线程的设定线程性能参量；
从所述过渡待定AI线程中，挑选设定线程性能参量最大的设定数目的过渡局部线程；借助所述挑选的设定线程性能参量最大的设定数目的过渡局部线程，对所述衍生线程进行改进；
按照设定轮数进行循环，并将最终得到的过渡待定AI线程作为所述第三待定AI线程；
其中，所述调整处理包括如下处理方式的一种或一种以上：从所述衍生线程中挑选若干局部衍生线程，将挑选的每个局部衍生线程中随机一个或若干特征提取处理节点，确定为与所述一个或若干特征提取处理节点对应的节点集群所包括的其他随机特征提取处理节点；从所述衍生线程中挑选若干局部衍生线程，将挑选的每个局部衍生线程中随机一个或若干兴趣挖掘单元所对应的特征提取处理节点的量化提取周期，确定为所述若干特征提取处理节点的量化提取周期中的其他随机特征提取处理节点的量化提取周期；其中，将一个兴趣挖掘单元对应的第一量化提取周期确定为第二量化提取周期，旨在表示所述兴趣挖掘单元与特征提取处理节点的关联架构，从所述兴趣挖掘单元与所述第一量化提取周期对应的第一特征提取处理节点关联，修正为所述兴趣挖掘单元与所述第二量化提取周期对应的第二特征提取处理节点关联；
所述融合处理包括如下处理方式的一种或一种以上：从所述衍生线程中挑选若干局部衍生线程，将挑选的随机两个局部衍生线程中的一个或若干特征提取处理节点进行对调；从所述衍生线程中挑选若干局部衍生线程，将挑选的随机两个局部衍生线程中的一个或若干兴趣挖掘单元所对应的量化提取周期进行对调。
8.如权利要求5所述的方法，其特征在于，所述设定要求至少包括以下之一：每个特征提取处理节点的量化提取周期不小于第一设定判定指标，且不大于第二设定判定指标；所述b个兴趣挖掘单元中，前一个兴趣挖掘单元所存在关联的特征提取处理节点的量化提取周期不小于后一个兴趣挖掘单元所存在关联的特征提取处理节点的量化提取周期；所述b个兴趣挖掘单元所存在关联的特征提取处理节点的量化提取周期中，最大的量化提取周期不小于第三设定判定指标；所述b个兴趣挖掘单元所存在关联的特征提取处理节点的量化提取周期中，最小的量化提取周期不大于所述第三设定判定指标；所述b个兴趣挖掘单元所存在关联的特征提取处理节点的量化提取周期中，最大的量化提取周期与最小的量化提取周期不同；所述第一设定判定指标低于所述第三设定判定指标，所述第三设定判定指标低于所述第二设定判定指标；所述b个兴趣挖掘单元所存在关联的若干特征提取处理节点中，各个特征提取处理节点输出的视觉显著性表达不同。
9.一种基于人工智能和大数据的信息处理***，其特征在于，包括互相之间通信的信息处理云平台和业务用户客户端；
所述业务用户客户端用于向所述信息处理云平台上传用户行为大数据；
所述信息处理云平台确定触发会话兴趣挖掘条件的用户行为大数据，并将所述触发会话兴趣挖掘条件的用户行为大数据传入目标AI线程以获得会话兴趣挖掘情况；
其中：所述会话兴趣挖掘情况旨在表示从所述触发会话兴趣挖掘条件的用户行为大数据中挖掘出来的兴趣主题标签或者潜在会话兴趣；所述目标AI线程为经第一待定AI线程中定位所得的设定线程性能参量符合设定要求的目标局部线程；所述第一待定AI线程包括若干第一局部线程；所述第一局部线程满足第一目标条件和第二目标条件中的至少一种；所述第一目标条件为：存在差异的第一局部线程所确定出的视觉显著性表达的兴趣挖掘质量评价不一致；所述第二目标条件为：存在差异的第一局部线程对用作执行兴趣挖掘的不同兴趣挖掘质量评价的视觉显著性表达的配置策略不一致；存在差异的第一局部线程对用作执行兴趣挖掘的不同兴趣挖掘质量评价的视觉显著性表达的配置策略不一致，旨在表示在存在差异的第一局部线程中兴趣挖掘单元与不同兴趣挖掘质量评价的视觉显著性表达之间的匹配列表不一致。
10.一种信息处理云平台，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111179522.9A CN113608882B (zh) | 2021-10-11 | 2021-10-11 | 基于人工智能和大数据的信息处理方法、***及云平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111179522.9A CN113608882B (zh) | 2021-10-11 | 2021-10-11 | 基于人工智能和大数据的信息处理方法、***及云平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113608882A CN113608882A (zh) | 2021-11-05 |
| CN113608882B true CN113608882B (zh) | 2022-01-28 |
Family
ID=78343512
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111179522.9A Active CN113608882B (zh) | 2021-10-11 | 2021-10-11 | 基于人工智能和大数据的信息处理方法、***及云平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113608882B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113643007B (zh) * | 2021-10-14 | 2022-02-08 | 杭银消费金融股份有限公司 | 基于可视化的研发项目工单处理方法及*** |
| CN114218568B (zh) * | 2021-12-10 | 2022-08-23 | 厦门吉快科技有限公司 | 一种应用于云服务的大数据攻击处理方法及*** |
| CN114322270A (zh) * | 2022-03-03 | 2022-04-12 | 广州海洁尔医疗设备有限公司 | 一种空气净化检测控制***及方法 |
| CN114299683B (zh) * | 2022-03-09 | 2022-08-05 | 广东铭昌消防机电工程有限公司 | 一种电气火灾智能监控方法、***、装置及云平台 |
| CN114896306B (zh) * | 2022-07-14 | 2022-09-16 | 泰山学院 | 基于人工智能模型的数据挖掘方法及*** |
| CN116755869B (zh) * | 2023-08-23 | 2023-10-27 | 北京浩然五洲软件技术有限公司 | 一种金融业务进件处理方法、***和介质 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101359333B (zh) * | 2008-05-23 | 2010-06-16 | 中国科学院软件研究所 | 一种基于隐含狄利克雷分配模型的并行数据处理方法 |
| US8185482B2 (en) * | 2009-03-30 | 2012-05-22 | Microsoft Corporation | Modeling semantic and structure of threaded discussions |
| CN104036451B (zh) * | 2014-06-20 | 2018-12-11 | 深圳市腾讯计算机***有限公司 | 基于多图形处理器的模型并行处理方法及装置 |
| US9424092B2 (en) * | 2014-09-26 | 2016-08-23 | Microsoft Technology Licensing, Llc | Heterogeneous thread scheduling |
| CN106408343A (zh) * | 2016-09-23 | 2017-02-15 | 广州李子网络科技有限公司 | 一种基于bp神经网络的用户行为分析与预测的建模方法及其装置 |
| US11360808B2 (en) * | 2017-04-09 | 2022-06-14 | Intel Corporation | Efficient thread group scheduling |
| CN110717097A (zh) * | 2019-09-06 | 2020-01-21 | 中国平安财产保险股份有限公司 | 业务推荐方法、装置、计算机设备和存储介质 |
| CN112463205B (zh) * | 2020-11-24 | 2021-07-30 | 青岛日日顺乐信云科技有限公司 | 基于ai和大数据的应用程序管理方法及人工智能服务器 |
| CN113032522A (zh) * | 2021-03-19 | 2021-06-25 | 聊城大学 | 一种文本并行数据挖掘***及方法 |
| CN113313479A (zh) * | 2021-06-25 | 2021-08-27 | 东莞市爱学爱玩教育科技有限公司 | 基于人工智能的支付业务大数据处理方法及*** |
-
2021
- 2021-10-11 CN CN202111179522.9A patent/CN113608882B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113608882A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113608882B (zh) | 基于人工智能和大数据的信息处理方法、***及云平台 | |
| CN110147722A (zh) | 一种视频处理方法、视频处理装置及终端设备 | |
| CN111782491B (zh) | 一种磁盘故障预测方法、装置、设备及存储介质 | |
| WO2023169274A1 (zh) | 数据处理方法、装置、存储介质以及处理器 | |
| CN112860676B (zh) | 应用于大数据挖掘和业务分析的数据清洗方法及云服务器 | |
| WO2022002068A1 (zh) | 数据处理方法、***、设备及存储介质 | |
| CN111563560A (zh) | 基于时序特征学习的数据流分类方法及装置 | |
| CN112650618A (zh) | 用于备份数据的方法、设备和计算机程序产品 | |
| CN112861894A (zh) | 一种数据流分类方法、装置及*** | |
| CN112352412A (zh) | 网络流量处理方法、装置、存储介质及计算机设备 | |
| CN114221991B (zh) | 基于大数据的会话推荐反馈处理方法及深度学习服务*** | |
| CN111817935B (zh) | 一种互联网智能家居数据处理方法及*** | |
| CN115563069B (zh) | 基于人工智能的数据共享处理方法、***及云平台 | |
| CN112926952A (zh) | 结合云计算的大数据办公业务处理方法及大数据服务器 | |
| CN113987005A (zh) | 应用于边缘计算的生产数据管理方法及云平台 | |
| CN112925831A (zh) | 基于云计算服务的大数据挖掘方法及大数据挖掘服务*** | |
| CN112055076A (zh) | 基于互联网的多功能智能监控方法、装置及服务器 | |
| CN112990425A (zh) | 5g网络切片的自动分类方法、其装置、电子设备及计算机存储介质 | |
| CN115174633B (zh) | 工业互联网业务数据处理方法、***及云平台 | |
| CN115237503B (zh) | 基于vr的生态模型建立方法及*** | |
| CN115361231B (zh) | 基于访问基线的主机异常流量检测方法、***及设备 | |
| CN118017564B (zh) | 一种基于开源鸿蒙***的储能方法 | |
| CN117422426B (zh) | 基于水运工程bim模型的信息优化方法及*** | |
| CN112039994B (zh) | 基于互联网的远程监控方法、装置及服务器 | |
| CN112949775A (zh) | 一种基于智慧城市的大数据检测处理方法及*** |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 510000 room h-1408, building 28, No.61 Dalingshan Road, Tianhe District, Guangzhou City, Guangdong Province Patentee after: GUANGZHOU ZMOFFICE TECHNOLOGY CO.,LTD. Address before: 510000 room h-1408, building 28, No.61 Dalingshan Road, Tianhe District, Guangzhou City, Guangdong Province Patentee before: Guangzhou Purple Wheat Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220921 Address after: Room 239, Room 406, No. 1 Yichuang Street, Huangpu District, Guangzhou City, Guangdong Province (Sino-Singapore Guangzhou Knowledge City) 510000 Patentee after: Guangdong Wheat Information Technology Co.,Ltd. Address before: 510000 room h-1408, building 28, No.61 Dalingshan Road, Tianhe District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU ZMOFFICE TECHNOLOGY CO.,LTD. |