CN113778951A - 文件的追加方法、装置、设备以及存储介质 - Google Patents
文件的追加方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113778951A CN113778951A CN202111087221.3A CN202111087221A CN113778951A CN 113778951 A CN113778951 A CN 113778951A CN 202111087221 A CN202111087221 A CN 202111087221A CN 113778951 A CN113778951 A CN 113778951A
- Authority
- CN
- China
- Prior art keywords
- file
- additional
- link
- score
- trained
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000219357 Cactaceae Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06F16/10—File systems; File servers
- G06F16/14—Details of searching files based on file metadata
- G06F16/148—File search processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/16—File or folder operations, e.g. details of user interfaces specifically adapted to file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/0482—Interaction with lists of selectable items, e.g. menus
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Library & Information Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能领域,提供了一种文件的追加方法、装置、设备以及存储介质,其中,方法包括:获取用户的唯一标识性信息,根据所述唯一标识性信息实时监控所述用户对各个文件的使用情况,将各个文件的使用情况输入至预训练的追加判断模型中,得到各个文件的第一追加分值,根据第一追加分值为目标文件形成链接。从而实现了对一些常用或者比较重要的文件生成对应的链接,使可以进行高效的使用和查看,提高了用户体验性。
Description
技术领域
本发明涉及人工智能领域,特别涉及一种文件的追加方法、装置、设备以及存储介质。
背景技术
日常办公,聊天中需要记录大量笔记信息,各种笔记信息分别存于不同文件中,在需要使用或查看时,需要从各个文件夹中查找,对于一些常用或者比较重要的文件不能快速高效的使用或查看,因此亟需一种文件的追加方法。
发明内容
本发明的主要目的为提供一种文件的追加方法、装置、设备以及存储介质,旨在解决,对于一些常用或者比较重要的文件不能快速高效的使用或查看的问题。
本发明提供了一种文件的追加方法,包括:
获取用户的唯一标识性信息;
根据所述唯一标识性信息实时监控所述用户对各个第一文件的第一使用情况;
将所述各个第一文件的第一使用情况输入至预训练的追加判断模型中,得到所述各个第一文件的第一追加分值;
将所述各个第一文件中所述第一追加分值大于预设追加分值的第一文件作为目标文件,并提取所述目标文件的文件名、后缀以及存储位置;
基于所述存储位置形成第一链接,并基于所述文件名和后缀生成所述第一链接的名称;
将所述第一链接及所述名称添加至快速目录中。
进一步地,所述将所述各个第一文件的第一使用情况输入至预训练的追加判断模型中,得到所述各个第一文件的第一追加分值的步骤之前,还包括:
获取多个用户的快速目录中各个第二链接的对应第二文件的第二使用情况,以及对应的第二追加分值;
按照预设的维度将所述第二使用情况转化为多维向量;其中,所述多维向量为Xj=(x1j,x2j…xij…xnj),Xj表示第j个第二文件的第二使用情况的多维向量,xij表示第j个第二文件的第二使用情况的第i维向量;
将各所述多维向量以及对应的所述第二追加分值输入至追加判断初始模型中进行训练,得到所述预训练的追加判断模型;其中所述追加判断初始模型为hw(x)=w0+w1x1+w2x2+wixi...+wnxn,其中,hw(x)为所述第二追加分值,w0,w1,...,wn均为待训练的参数值,xi表示所述多维向量中的第i维向量。
进一步地,所述将各所述多维向量以及对应的所述第二追加分值输入至追加判断初始模型中进行训练,得到所述预训练的追加判断模型的步骤之后,包括:
获取各第二文件的第二使用情况的实际追加分值和所述预训练的的追加判断模型的预测追加分值;
根据损失函数公式计算所述预训练的追加判断模型的损失值;其中所述损失函数公式为:
yj表示j个第二文件的第二使用情况对应的实际追加分值,hw(xij)表示第j个第二文件的第二使用情况输入所述预训练的追加判断模型得到的预测追加分值,n表示所述多维向量的维度,表示预设的参数值,表示所述预训练的追加判断模型的损失值;
判断所述损失值是否大于预设损失值;
若大于所述预设损失值,则继续训练所述预训练的追加判断模型,直至得到损失值小于所述预设损失值的预训练的追加判断模型。
进一步地,所述将所述第一链接及所述名称添加至快速目录中的步骤之后,还包括:
检测所述快速目录中各个所述第一链接的未使用的时间是否达到了预设时间;
将达到了所述预设时间的第一链接从所述快速目录中清除。
进一步地,所述根据所述唯一标识性信息实时获取所述用户对各个第一文件的第一使用情况的步骤之前,还包括:
判断各个所述第一文件是否已经在所述快速目录中建立了第一链接;
停止对已经在所述快速目录中建立了第一链接的第一文件的监控。
进一步地,所述检测所述快速目录中各个所述第一链接的未使用的时间是否达到了预设时间的步骤之前,还包括:
提取所述目标文件的第一追加分值;
根据公式t=f(xi)+计算所述目标文件的第一追加分值所对应的所述预设时间;其中所述t表示预设时间,f(xi)表示追加分值与对应时间的函数关系,b表示预设时间的最小值,xi表示第i个第一文件的第一追加分值。
进一步地,所述将所述第一链接及所述名称添加至快速目录中的步骤之前,还包括:
建立所述快速目录的目标文件夹;其中,所述目标文件夹用于存储各种第一链接;
将所述目标文件夹的链接方式放入至鼠标右键菜单中;
在鼠标右键菜单中的UI层设计所述链接方式相对应的可视点击链接。
本发明还提供了一种文件的追加装置,包括:
获取模块,用于获取用户的唯一标识性信息;
监控模块,用于根据所述唯一标识性信息实时监控所述用户对各个第一文件的第一使用情况;
输入模块,用于将所述各个第一文件的第一使用情况输入至预训练的追加判断模型中,得到所述各个第一文件的第一追加分值;
提取模块,用于将所述各个第一文件中所述第一追加分值大于预设追加分值的第一文件作为目标文件,并提取所述目标文件的文件名、后缀以及存储位置;
生成模块,用于基于所述存储位置形成第一链接,并基于所述文件名和后缀生成所述第一链接的名称;
追加模块,用于将所述第一链接及所述名称添加至快速目录中。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,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的步骤。
本发明的有益效果:获取用户的唯一标识性信息,根据所述唯一标识性信息实时监控所述用户对各个文件的使用情况,将各个文件的使用情况输入至预训练的追加判断模型中,得到各个文件的追加分值,根据追加分值为目标文件形成链接。从而实现了对一些常用或者比较重要的文件生成对应的链接,使可以进行高效的使用和查看,提高了用户体验性。
附图说明
图1是本发明一实施例的一种文件的追加方法的流程示意图;
图2是本发明一实施例的一种文件的追加装置的结构示意框图;
图3为本申请一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后等)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变,所述的连接可以是直接连接,也可以是间接连接。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
参照图1,本发明提出一种第一文件的追加方法,包括:
S1:获取用户的唯一标识性信息;
S2:根据所述唯一标识性信息实时监控所述用户对所述各个第一文件的第一使用情况;
S3:将所述各个第一文件的第一使用情况输入至预训练的追加判断模型中,得到所述各个第一文件的追加分值;
S4:将所述各个第一文件中所述第一追加分值大于预设追加分值的第一文件作为目标文件,并提取所述目标文件的文件名、后缀以及存储位置;
S5:基于所述存储位置形成第一链接,并基于所述文件名和后缀生成所述第一链接的名称;
S6:将所述第一链接及所述名称添加至快速目录中。
如上述步骤S1所述,获取用户的唯一标识性信息,所述唯一标识性信息至少包括用户的账号信息、身份信息、电话的一种或多种。由于每个用户都有其对应的唯一标志性信息,例如身份信息、IP地址、电话等,可以通过获取其唯一标识性信息用于标识对应的用户,以便于快速检测该用户所对应的快速目录。
如上述步骤S2所述,根据所述唯一标识性信息实时监控所述用户对各个第一文件的第一使用情况;所述第一使用情况至少包括所述用户打开各个第一文件分别对应的次数。即基于唯一标识性信息可以获取到该用户对各个第一文件的第一使用情况,若为APP,则可以是对用户在该APP中调用各个第一文件的第一使用情况,也可以是在电脑***或监控电脑***中,用户对各个第一文件的第一使用情况,具体地,实时监控的方式可以是通过对应的运维监控模块进行实现,例如Zabbix、Nagios、Cacti等。
如上述步骤S3所述,将所述各个第一文件的第一使用情况输入至预训练的追加判断模型中,得到所述各个第一文件的第一追加分值。其中,预训练的追加判断模型为根据文件被使用的情况以及对应的追加分值训练而成,不同的使用情况对应不同的追加分值,不同的追加分值可以由相关人员进行设定,作为训练集对模型进行训练,从而得到了对应的预训练的追加判断模型。
如上述步骤S4所述,将所述各个第一文件中所述第一追加分值大于预设追加分值的第一文件作为目标文件,并提取所述目标文件的文件名、后缀以及存储位置。其中,认定第一追加分值大于预设追加分值的目标文件为用户所需要追加的第一文件,然后基于因此需要提取其中的文件名、后缀以及存储位置,以便于后续形成快速找出该第一文件的目录,即在目录中生成对应的第一链接。
如上述步骤S5所述,基于所述存储位置形成第一链接,并基于所述文件名和后缀生成所述第一链接的名称。具体地,基于该存储位置生成对应的文件路径,将其文件名和后缀作为该链接的命名,以便于用户对该第一链接中的内容进行识别。
如上述步骤S6所述,将所述第一链接及所述名称添加至快速目录中,即将其发送至快速目录中,其中,快速目录为用户的一种快捷打开方式,其可以设置在任何目录中,例如可以设置在鼠标右键菜单的下,也可以设置在桌面上。在一个较佳的实施例中,可以设置在一个APP中任意一个层级菜单中,例如为APP的层级菜单,追加的方式为将该链接增加在层级菜单中的存储位置,然后相应设置UI层对其的链接进行显示即可。
在一个实施例中,所述将所述各个第一文件的第一使用情况输入至预训练的追加判断模型中,得到所述各个第一文件的第一追加分值的步骤S3之前,包括:
S201:获取多个用户的快速目录中各个第二链接的对应第二文件的第二使用情况,以及对应的第二追加分值;
S202:按照预设的维度将所述第二使用情况转化为多维向量;其中,所述多维向量为Xj=(x1j,x2j…xij…xnj),Xj表示第j个第二文件的第二使用情况的多维向量,xij表示第j个第二文件的第二使用情况的第i维向量;
S203:将各所述多维向量以及对应的所述第二追加分值输入至追加判断初始模型中进行训练,得到所述预训练的追加判断模型;其中所述追加判断初始模型为hw(x)=w0+w1x1+w2x2+wixi...+wnxn,其中,hw(x)为所述第二追加分值,w0,w1,...,wn均为待训练的参数值,xi表示所述多维向量中的第i维向量。
如上述步骤S201-S203所述,实现了对预训练的追加判断模型的训练。
步骤S201中,获取各个链接的对应第二文件的第二使用情况以及对应的第二追加分值,其中第二使用情况可以根据通过对应的运维监控***进行监控,例如,其中运维监控***可以是Zabbix、Cacti、Hyperic中的任意一种,而对应的第二追加分值,则通过对应的用户自行打分得到,也可以是相关人员进行统一打分,从而形成对应的训练集。
步骤S202中,将对应的第二使用情况转化为多维向量,其中,多维向量的维度可以包括使用次数、使用时间、与用户工作的相关程度等。
步骤S203中,将各个多维向量输入至追加判断初始模型中进行训练,以得到预训练的追加判断模型,使其计算的结果可以接近用户自行追加第二文件的结果,另外,追加判断初始模型的函数可以是hw(x)=w0+w1x1+w2x2+wixi...+wnxn,然后通过线性回归算法以及各多维向量计算参数值w0,w1,...,wn,然后将计算得到的参数值赋予至该函数中,得到预训练的追加判断模型,另外还可以根据第二使用情况与追加时间长的对应关系,可以将得到的第二使用情况换算成对应的追加时长。
在一个实施例中,所述将各所述多维向量以及对应的所述第二追加分值输入至追加判断初始模型中进行训练,得到所述预训练的追加判断模型的步骤S203,包括:
S2031:获取各第二文件的第二使用情况的实际追加分值和所述预训练的追加判断模型的预测追加分值;
S2032:根据损失函数公式计算所述预训练的追加判断模型的损失值;其中所述损失函数公式为:
yj表示j个第二文件的第二使用情况对应的实际追加分值,hw(xij)表示第j个j个第二文件的第二使用情况输入所述预训练的追加判断模型得到的预测追加分值,n表示所述多维向量的维度,表示预设的参数值,表示所述预训练的追加判断模型的损失值;
S2033:判断所述损失值是否大于预设损失值;
S2034:若大于所述预设损失值,则继续训练所述预训练的追加判断模型,直至得到损失值小于所述预设损失值的预训练的追加判断模型。
如上述步骤S2031-S2034所述,实现了对预训练的追加判断模型的参数检测。通过获取用户第二使用情况的实际使用分值,以及将该第二使用情况输入至该预训练的追加判断模型中得到的预测追加分值进行损失值计算,计算的损失函数为
需要注意的是wi为预训练的追加判断模型中与第i维对应的参数值,然后根据计算得到的损失值判断预训练的追加判断模型是否满足要求,若不满足要求,则继续训练直至预训练的追加判断模型的损失值小于预设损失值。从而实现了对预训练的追加判断模型的精度的训练,使得到的预训练的追加判断模型可以基于第一使用情况对是否追加第一文件作出精准的预测。
在一个实施例中,所述将所述第一链接及所述名称添加至快速目录中的步骤S6之后,还包括:
S701:检测所述快速目录中各个所述第一链接的未使用的时间是否达到了预设时间;
S702:将达到了所述预设时间的第一链接从所述快速目录中清除。
如上述步骤S601-S602所述,实现了实时更新快速目录中的第一链接。即周期性检测快速目录的第一链接对应的时间标签是否达到了预设时间,当达到了该对应的失效时间时,将对应的第一链接移出,即说明该第一链接已经过期,故需要将其移出快速目录中,另外,在一些实施例中,在移出时也可以通知用户,是否将其移出,若用户选择继续保存,则重新将该第一链接的未使用时间清零,从而实现了快速目录的数据的实时更新。具体地,检测所述快速目录中各所述第一链接的时间标签是否达到了预设时间中的检测方法可以是通过周期性遍历快速目录中所有的第一链接,检测各第一链接各自对应的失效时间,然后获取当前时间,若当前时间已经达到或超过了预设时间,则说明该第一链接可以移出快速目录。
在一个实施例中,所述根据所述唯一标识性信息实时获取所述用户对各个第一文件的第一使用情况的步骤S2之前,还包括:
S101:判断各个所述第一文件是否已经在所述快速目录中建立了链接;
S102:停止对已经在所述快速目录中建立了第一链接的第一文件的监控。
如上述步骤S101-S102,减少了对已在快速目录中已经建立了链接的第一文件的监控,避免了对该第一文件进行重复监控,浪费监控资源,即判断各个所述第一文件是否已经在所述快速目录中建立了第一链接。其中,可以是建立了链接的第一文件进行标记,例如可以在第一文件的文件名中设置特殊字符进行标注,也可以是通过其他方式进行标记,后续在检测到该标记时,停止对该第一文件进行监控,从而节约了监控资源,提高了监控的使用性能。
在一个实施例中,所述检测所述快速目录中各个所述第一链接的未使用的时间是否达到了预设时间的步骤S701之前,还包括:
S7001:提取所述目标第一文件的第一追加分值;
S7002:根据公式t=f(xi)+b计算所述目标文件的第一追加分值所对应的所述预设时间;其中所述t表示预设时间,f(xi)表示第一追加分值与对应时间的函数关系,b表示预设时间的最小值,xi表示第i个第一文件的第一追加分值。
如上述步骤S7001-S7002所述,实现了为每个目标文件都设置了一个预设时间,即提取通过前述的预训练的追加判断模型得到的第一追加分值,然后基于公式t=f(xi)+b计算得到各个目标文件的第一追加分值所对应的预设时间,其中,f(xi)函数中xi的取值范围应当设定为大于一定值,即第一追加分值需要大于预设追加分值,另外,f(xi)函数可以是一次函数,也可以是二次函数,也可以是复合函数,本申请对此不做限定,应当进行说明的是,该f(xi)函数应当是随着xi的数值增加而增加的增函数,即随着第一追加分值的增大,其对应的预设时间的时长也越长。
在一个实施例中,所述将所述链接及所述名称添加至快速目录中步骤S6之前,还包括:
S501:建立所述快速目录的目标文件夹;其中,所述目标文件夹用于存储各种第一链接;
S502:将所述目标文件夹的链接方式放入至鼠标右键菜单中;
S503:在鼠标右键菜单中的UI层设计所述链接方式相对应的可视点击链接。
如上述步骤S501-S503所述,实现了对链接的可视化添加。其中,在快速目录中建立对应的目标文件夹,也可以是选择相对于的目标文件夹,然后将该目标文件夹中将该链接复制禁区,然后将该目标文件夹的链接方式放入至鼠标右键菜单中,即鼠标右键菜单中会存有对应的目标文件夹的链接方式,再在UI层中设计相对于的可视化点击链接即可,后续,用户在寻找相对应第一文件时,只需要点击右键,然后打开相对应的目标文件夹即可找到该目标文件,实现了对目标文件的快速寻找。
参照图2,本发明还提供了一种文件的追加装置,包括:
获取模块10,用于获取用户的唯一标识性信息;
监控模块20,用于根据所述唯一标识性信息实时监控所述用户对各个第一文件的第一使用情况;
输入模块30,用于将所述各个第一文件的第一使用情况输入至预训练的追加判断模型中,得到所述各个第一文件的第一追加分值;
提取模块40,用于将所述各个第一文件中所述第一追加分值大于预设追加分值的第一文件作为目标文件,并提取所述目标文件的文件名、后缀以及存储位置;
生成模块50,用于基于所述存储位置形成第一链接,并基于所述文件名和后缀生成所述第一链接的名称;
追加模块60,用于将所述第一链接及所述名称添加至快速目录中。
在一个实施例中,第一文件的追加装置,还包括:
追加分值获取模块,用于获取多个用户的快速目录中各个第二链接的对应第二文件的第二使用情况,以及对应的第二追加分值;
向量转化模块,用于按照预设的维度将所述第二使用情况转化为多维向量;其中,所述多维向量为Xj=(x1j,x2j…xij…xnj),Xj表示第j个第二文件的第二使用情况的多维向量,xij表示第j个第二文件的第二使用情况的第i维向量;
模型训练模块,用于将各所述多维向量以及对应的所述第二追加分值输入至追加判断初始模型中进行训练,得到所述预训练的追加判断模型;其中所述追加判断初始模型为hw(x)=w0+w1x1+w2x2+wixi...+wnxn,其中,hw(x)为所述第二追加分值,wo,w1,...,wn均为待训练的参数值,xi表示所述多维向量中的第i维向量。
在一个实施例中,第一文件的追加装置,还包括:
预测追加分值获取模块,用于获取各第二文件的第二使用情况的实际追加分值和所述预训练的的追加判断模型的预测追加分值;
损失值计算模块,用于
根据损失函数公式计算所述预训练的追加判断模型的损失值;其中所述损失函数公式为:
yj表示j个第二文件的第二使用情况对应的实际追加分值,hw(xij)表示第j个第二文件的第二使用情况输入所述预训练的追加判断模型得到的预测追加分值,n表示所述多维向量的维度,表示预设的参数值,表示所述预训练的追加判断模型的损失值;
损失值判断模块,用于判断所述损失值是否大于预设损失值;
继续训练模块,用于若大于所述预设损失值,则继续训练所述预训练的追加判断模型,直至得到损失值小于所述预设损失值的预训练的追加判断模型。
在一个实施例中,第一文件的追加装置,还包括:
时间检测模块,用于检测所述快速目录中各个所述第一链接的未使用的时间是否达到了预设时间;
链接清除模块,用于将达到了所述预设时间的第一链接从所述快速目录中清除。
在一个实施例中,第一文件的追加装置,还包括:
第一文件判断模块,用于判断各个所述第一文件是否已经在所述快速目录中建立了第一链接;
停止模块,用于停止对已经在所述快速目录中建立了第一链接的第一文件的监控。
在一个实施例中,第一文件的追加装置,还包括:
追加分值提取模块,提取所述目标文件的第一追加分值;
预设时间计算模块,用于根据公式t=f(xi)+b计算所述目标文件的第一追加分值所对应的所述预设时间;其中所述t表示预设时间,f(xi)表示追加分值与对应时间的函数关系,b表示预设时间的最小值,xi表示第i个第一文件的第一追加分值。
在一个实施例中,第一文件的追加装置,还包括:
目标第一文件夹建立模块,用于建立所述快速目录的目标文件夹;其中,所述目标文件夹用于存储各种第一链接;
放入模块,用于将所述目标文件夹的链接方式放入至鼠标右键菜单中;
可视点击链接设计模块,用于在鼠标右键菜单中的UI层设计所述链接方式相对应的可视点击链接。
本发明的有益效果:获取用户的唯一标识性信息,根据所述唯一标识性信息实时监控所述用户对各个第一文件的第一使用情况,将各个第一文件的第一使用情况输入至预训练的追加判断模型中,得到各个第一文件的第一追加分值,根据第一追加分值为目标第一文件形成链接。从而实现了对一些常用或者比较重要的第一文件生成对应的链接,使可以进行高效的使用和查看,提高了用户体验性。
参照图3,本申请实施例中还提供一种计算机设备,该计算机设备可以是服务器,其内部结构可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储各种追加第一文件等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时可以实现上述任一实施例所述的第一文件的追加方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时可以实现上述任一实施例所述的第一文件的追加方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储与一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM一多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种文件的追加方法,其特征在于,包括:
获取用户的唯一标识性信息;
根据所述唯一标识性信息实时监控所述用户对各个第一文件的第一使用情况;
将所述各个第一文件的第一使用情况输入至预训练的追加判断模型中,得到所述各个第一文件的第一追加分值;
将所述各个第一文件中所述第一追加分值大于预设追加分值的第一文件作为目标文件,并提取所述目标文件的文件名、后缀以及存储位置;
基于所述存储位置形成第一链接,并基于所述文件名和后缀生成所述第一链接的名称;
将所述第一链接及所述名称添加至快速目录中。
2.如权利要求1所述的文件的追加方法,其特征在于,所述将所述各个第一文件的第一使用情况输入至预训练的追加判断模型中,得到所述各个第一文件的第一追加分值的步骤之前,还包括:
获取多个用户的快速目录中各个第二链接的对应第二文件的第二使用情况,以及对应的第二追加分值;
按照预设的维度将所述第二使用情况转化为多维向量;其中,所述多维向量为Xj=(x1j,x2j…xij…xnj),Xj表示第j个第二文件的第二使用情况的多维向量,xij表示第j个第二文件的第二使用情况的第i维向量;
将各所述多维向量以及对应的所述第二追加分值输入至追加判断初始模型中进行训练,得到所述预训练的追加判断模型;其中所述追加判断初始模型为hw(x)=w0+w1x1+w2x2+wixi...+wnxn,其中,hw(x)为所述第二追加分值,w0,w1,...,wn均为待训练的参数值,xi表示所述多维向量中的第i维向量。
3.如权利要求2所述的文件的追加方法,其特征在于,所述将各所述多维向量以及对应的所述第二追加分值输入至追加判断初始模型中进行训练,得到所述预训练的追加判断模型的步骤之后,包括:
获取各第二文件的第二使用情况的实际追加分值和所述预训练的的追加判断模型的预测追加分值;
根据损失函数公式计算所述预训练的追加判断模型的损失值;其中所述损失函数公式为:
yj表示j个第二文件的第二使用情况对应的实际追加分值,hw(xij)表示第j个第二文件的第二使用情况输入所述预训练的追加判断模型得到的预测追加分值,n表示所述多维向量的维度,表示预设的参数值,表示所述预训练的追加判断模型的损失值;
判断所述损失值是否大于预设损失值;
若大于所述预设损失值,则继续训练所述预训练的追加判断模型,直至得到损失值小于所述预设损失值的预训练的追加判断模型。
4.如权利要求1所述的文件的追加方法,其特征在于,所述将所述第一链接及所述名称添加至快速目录中的步骤之后,还包括:
检测所述快速目录中各个所述第一链接的未使用的时间是否达到了预设时间;
将达到了所述预设时间的第一链接从所述快速目录中清除。
5.如权利要求1所述的文件的追加方法,其特征在于,所述根据所述唯一标识性信息实时获取所述用户对各个第一文件的第一使用情况的步骤之前,还包括:
判断各个所述第一文件是否已经在所述快速目录中建立了第一链接;
停止对已经在所述快速目录中建立了第一链接的第一文件的监控。
6.如权利要求4所述的文件的追加方法,其特征在于,所述检测所述快速目录中各个所述第一链接的未使用的时间是否达到了预设时间的步骤之前,还包括:
提取所述目标文件的第一追加分值;
根据公式t=f(xi)+b计算所述目标文件的第一追加分值所对应的所述预设时间;其中所述t表示预设时间,f(xi)表示追加分值与对应时间的函数关系,b表示预设时间的最小值,xi表示第i个第一文件的第一追加分值。
7.如权利要求1所述的文件的追加方法,其特征在于,所述将所述第一链接及所述名称添加至快速目录中的步骤之前,还包括:
建立所述快速目录的目标文件夹;其中,所述目标文件夹用于存储各种第一链接;
将所述目标文件夹的链接方式放入至鼠标右键菜单中;
在鼠标右键菜单中的UI层设计所述链接方式相对应的可视点击链接。
8.一种文件的追加装置,其特征在于,包括:
获取模块,用于获取用户的唯一标识性信息;
监控模块,用于根据所述唯一标识性信息实时监控所述用户对各个第一文件的第一使用情况;
输入模块,用于将所述各个第一文件的第一使用情况输入至预训练的追加判断模型中,得到所述各个第一文件的第一追加分值;
提取模块,用于将所述各个第一文件中所述第一追加分值大于预设追加分值的第一文件作为目标文件,并提取所述目标文件的文件名、后缀以及存储位置;
生成模块,用于基于所述存储位置形成第一链接,并基于所述文件名和后缀生成所述第一链接的名称;
追加模块,用于将所述第一链接及所述名称添加至快速目录中。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111087221.3A CN113778951B (zh) | 2021-09-16 | 2021-09-16 | 文件的追加方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111087221.3A CN113778951B (zh) | 2021-09-16 | 2021-09-16 | 文件的追加方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113778951A true CN113778951A (zh) | 2021-12-10 |
CN113778951B CN113778951B (zh) | 2024-04-26 |
Family
ID=78851419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111087221.3A Active CN113778951B (zh) | 2021-09-16 | 2021-09-16 | 文件的追加方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113778951B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011028716A (ja) * | 2009-06-26 | 2011-02-10 | Victor Co Of Japan Ltd | バックアップ装置およびバックアップ方法 |
CN104185834A (zh) * | 2012-03-28 | 2014-12-03 | 宇龙计算机通信科技(深圳)有限公司 | 操作对象的纠错方法及通信终端 |
CN108319602A (zh) * | 2017-01-17 | 2018-07-24 | 广州市动景计算机科技有限公司 | 数据库管理方法及数据库*** |
CN108898588A (zh) * | 2018-06-22 | 2018-11-27 | 中山仰视科技有限公司 | 基于时间序列的治疗效果评估方法、电子设备 |
CN111104831A (zh) * | 2018-10-29 | 2020-05-05 | 香港城市大学深圳研究院 | 一种视觉追踪方法、装置、计算机设备以及介质 |
CN111400261A (zh) * | 2020-01-21 | 2020-07-10 | 行星算力(深圳)科技有限公司 | 一种ipfs快速添加或者删除文件夹的方法 |
CN112749131A (zh) * | 2020-06-11 | 2021-05-04 | 腾讯科技(上海)有限公司 | 信息消重处理方法、装置及计算机可读存储介质 |
CN112925753A (zh) * | 2021-03-25 | 2021-06-08 | 平安科技(深圳)有限公司 | 文件追加写入方法、装置、电子设备及存储介质 |
-
2021
- 2021-09-16 CN CN202111087221.3A patent/CN113778951B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011028716A (ja) * | 2009-06-26 | 2011-02-10 | Victor Co Of Japan Ltd | バックアップ装置およびバックアップ方法 |
CN104185834A (zh) * | 2012-03-28 | 2014-12-03 | 宇龙计算机通信科技(深圳)有限公司 | 操作对象的纠错方法及通信终端 |
CN108319602A (zh) * | 2017-01-17 | 2018-07-24 | 广州市动景计算机科技有限公司 | 数据库管理方法及数据库*** |
CN108898588A (zh) * | 2018-06-22 | 2018-11-27 | 中山仰视科技有限公司 | 基于时间序列的治疗效果评估方法、电子设备 |
CN111104831A (zh) * | 2018-10-29 | 2020-05-05 | 香港城市大学深圳研究院 | 一种视觉追踪方法、装置、计算机设备以及介质 |
CN111400261A (zh) * | 2020-01-21 | 2020-07-10 | 行星算力(深圳)科技有限公司 | 一种ipfs快速添加或者删除文件夹的方法 |
CN112749131A (zh) * | 2020-06-11 | 2021-05-04 | 腾讯科技(上海)有限公司 | 信息消重处理方法、装置及计算机可读存储介质 |
CN112925753A (zh) * | 2021-03-25 | 2021-06-08 | 平安科技(深圳)有限公司 | 文件追加写入方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
李生武;张选德;: "基于自注意力机制的多域卷积神经网络的视觉追踪", 计算机应用, no. 08 * |
Also Published As
Publication number | Publication date |
---|---|
CN113778951B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765265B (zh) | 信息分类抽取方法、装置、计算机设备和存储介质 | |
CN109933785B (zh) | 用于实体关联的方法、装置、设备和介质 | |
CN109815333B (zh) | 信息获取方法、装置、计算机设备和存储介质 | |
CN111192025A (zh) | 职业信息匹配方法、装置、计算机设备和存储介质 | |
CN110516210B (zh) | 文本相似度的计算方法和装置 | |
WO2022148038A1 (zh) | 信息推荐方法及装置 | |
CN110427612B (zh) | 基于多语言的实体消歧方法、装置、设备和存储介质 | |
CN111461301A (zh) | 序列化数据处理方法和装置、文本处理方法和装置 | |
CN112685475A (zh) | 报表查询方法、装置、计算机设备及存储介质 | |
CN113704436A (zh) | 基于会话场景的用户画像标签挖掘方法及装置 | |
CN112732898A (zh) | 文献摘要生成方法、装置、计算机设备及存储介质 | |
CN112836061A (zh) | 智能推荐的方法、装置以及计算机设备 | |
CN110413994B (zh) | 热点话题生成方法、装置、计算机设备和存储介质 | |
CN110609618A (zh) | 一种人机对话方法、装置、计算机设备及存储介质 | |
CN110245314A (zh) | 一种网页指纹生成方法 | |
CN113342927A (zh) | 敏感词识别方法、装置、设备及存储介质 | |
CN113778951A (zh) | 文件的追加方法、装置、设备以及存储介质 | |
US9940319B2 (en) | Information analysis system, information analysis method, and information analysis program | |
CN113688243B (zh) | 语句中实体的标注方法、装置、设备以及存储介质 | |
CN112685389B (zh) | 数据管理方法、数据管理装置、电子设备及存储介质 | |
CN115345166A (zh) | 医疗文本的疾病诊断名识别方法、装置、设备及存储介质 | |
CN106815592B (zh) | 文本数据处理方法及装置和错别字识别方法及装置 | |
CN112016292B (zh) | 文章截断点的设定方法、装置以及计算机设备 | |
CN113312481A (zh) | 基于区块链的文本分类方法、装置、设备以及存储介质 | |
CN112487486A (zh) | 基于区块链的数据获取方法、装置以及计算机设备 |
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 |