CN114493341A - 数据发送方法、装置、电子设备和计算机可读介质 - Google Patents
数据发送方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN114493341A CN114493341A CN202210139228.3A CN202210139228A CN114493341A CN 114493341 A CN114493341 A CN 114493341A CN 202210139228 A CN202210139228 A CN 202210139228A CN 114493341 A CN114493341 A CN 114493341A
- Authority
- CN
- China
- Prior art keywords
- data
- processed
- target
- subset
- level
- 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
Images
Classifications
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开的实施例公开了数据发送方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:从预先划分的各个待处理数据子集中确定出待第一目标人员处理的待处理数据子集,作为目标待处理数据子集,其中,该各个待处理数据子集是从待处理数据集中划分出的;确定该目标待处理数据子集中每个待处理数据的数据级别,得到数据级别集;将该目标待处理数据子集和该数据级别集发送至该第一目标人员相关联终端。该实施方式通过对目标待处理数据子集中各个待处理数据设置准确的数据级别,使得第一目标人员更为高效地处理各个待处理数据。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及数据发送方法、装置、电子设备和计算机可读介质。
背景技术
目前,随着大数据时代的来临,通过对海量待处理数据的合理处理,可以大大促进各个行业的高速发展。对于海量待处理数据的处理,通常采用的方式为:随机将海量待处理数据分给相关技术人员进行人为数据处理。
然而,当采用上述方式来处理上述大量待处理数据,经常会存在如下技术问题:
人为对大量待处理数据进行数据处理存在主观性较大,且每个人处理数据的数量有限,导致较多剩余有价值的待处理数据不能被挖掘。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了数据发送方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种数据发送方法,包括:从预先划分的各个待处理数据子集中确定出待第一目标人员处理的待处理数据子集,作为目标待处理数据子集,其中,上述各个待处理数据子集是从待处理数据集中划分出的;确定上述目标待处理数据子集中每个待处理数据的数据级别,得到数据级别集;将上述目标待处理数据子集和上述数据级别集发送至上述第一目标人员相关联终端。
可选地,上述方法还包括:响应于接收到上述第一目标人员相关联终端发送的、表征上述目标待处理数据子集中存在至少一个待处理数据的信息,将上述至少一个待处理数据发送至数据缓存池,其中,上述至少一个待处理数据为第一目标时长内还未进行通信操作处理的数据。
可选地,上述确定上述目标待处理数据子集中每个待处理数据的数据级别,包括:对于上述目标待处理数据子集中的每个待处理数据,执行以下数据级别确定步骤:将上述待处理数据输入至预先训练的概率确定模型,得到上述待处理数据对应的概率值;根据上述概率值,确定上述待处理数据的数据级别。
可选地,上述方法还包括:响应于在第二目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第一目标待处理数据相关联的意愿信息,将上述第一目标待处理数据发送至第二目标人员相关联终端,其中,上述第一目标待处理数据为第一数据级别的数据。
可选地,上述方法还包括:响应于在第三目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第二目标待处理数据相关联的意愿信息,将上述第二目标待处理数据发送至第三目标人员相关联终端,其中,上述第二目标待处理数据为第二数据级别的数据。
可选地,上述方法还包括:响应于在第四目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第三目标待处理数据相关联的意愿信息,将上述第三目标待处理数据发送至公海池,其中,上述第三目标待处理数据为第三数据级别的数据。
可选地,上述方法还包括:响应于在第五目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第四目标待处理数据相关联的意愿信息,将上述第四目标待处理数据发送至公海池,其中,上述第四目标待处理数据为第四数据级别的数据。
可选地,上述方法还包括:响应于在上述第二目标时长内未接收到上述第二目标人员相关联终端发送的、与上述第一目标待处理数据相关联意愿信息,将上述第一目标待处理数据发送至公海池。
可选地,上述方法还包括:响应于在上述第三目标时长内未接收到上述第三目标人员相关联终端发送的、与上述第一目标待处理数据相关联的意愿信息,将上述第一目标待处理数据发送至公海池。
可选地,上述概率确定模型是通过以下步骤训练的:确定初始概率确定模型的网络结构以及初始化初始概率确定模型的网络参数;获取训练数据集,其中,上述训练数据集包括:待处理训练数据集和上述待处理训练数据集对应的标签信息集;对上述待处理训练数据集中每个待处理训练数据进行数据特征处理,得到处理后的待处理训练数据集;将上述处理后的待处理训练数据集和上述标签信息集分别作为上述初始概率确定模型的输入和期望输出,利用深度学习方法训练上述初始概率确定模型。
第二方面,本公开的一些实施例提供了一种数据发送装置,包括:第一确定单元,被配置成从预先划分的各个待处理数据子集中确定出待第一目标人员处理的待处理数据子集,作为目标待处理数据子集,其中,上述各个待处理数据子集是从待处理数据集中划分出的;第二确定单元,被配置成确定上述目标待处理数据子集中每个待处理数据的数据级别,得到数据级别集;发送单元,被配置成将上述目标待处理数据子集和上述数据级别集发送至上述第一目标人员相关联终端。
可选地,上述装置还包括:响应于接收到上述第一目标人员相关联终端发送的、表征上述目标待处理数据子集中存在至少一个待处理数据的信息,将上述至少一个待处理数据发送至数据缓存池,其中,上述至少一个待处理数据为第一目标时长内还未进行通信操作处理的数据。
可选地,第一确定单元被配置成:对于上述目标待处理数据子集中的每个待处理数据,执行以下数据级别确定步骤:将上述待处理数据输入至预先训练的概率确定模型,得到上述待处理数据对应的概率值;根据上述概率值,确定上述待处理数据的数据级别。
可选地,上述装置还包括:响应于在第二目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第一目标待处理数据相关联的意愿信息,将上述第一目标待处理数据发送至第二目标人员相关联终端,其中,上述第一目标待处理数据为第一数据级别的数据。
可选地,上述装置还包括:响应于在第三目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第二目标待处理数据相关联的意愿信息,将上述第二目标待处理数据发送至第三目标人员相关联终端,其中,上述第二目标待处理数据为第二数据级别的数据。
可选地,上述装置还包括:响应于在第四目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第三目标待处理数据相关联的意愿信息,将上述第三目标待处理数据发送至公海池,其中,上述第三目标待处理数据为第三数据级别的数据。
可选地,上述装置还包括:响应于在第五目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第四目标待处理数据相关联的意愿信息,将上述第四目标待处理数据发送至公海池,其中,上述第四目标待处理数据为第四数据级别的数据。
可选地,上述装置还包括:响应于在上述第二目标时长内未接收到上述第二目标人员相关联终端发送的、与上述第一目标待处理数据相关联意愿信息,将上述第一目标待处理数据发送至公海池。
可选地,上述装置还包括:响应于在上述第三目标时长内未接收到上述第三目标人员相关联终端发送的、与上述第一目标待处理数据相关联的意愿信息,将上述第一目标待处理数据发送至公海池。
可选地,上述概率确定模型是通过以下步骤训练的:确定初始概率确定模型的网络结构以及初始化初始概率确定模型的网络参数;获取训练数据集,其中,上述训练数据集包括:待处理训练数据集和上述待处理训练数据集对应的标签信息集;对上述待处理训练数据集中每个待处理训练数据进行数据特征处理,得到处理后的待处理训练数据集;将上述处理后的待处理训练数据集和上述标签信息集分别作为上述初始概率确定模型的输入和期望输出,利用深度学习方法训练上述初始概率确定模型。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中具有如下有益效果:本公开的一些实施例的数据发送方法可以通过对目标待处理数据子集中每个待处理数据设置准确的数据级别,以使得第一目标人员更为高效地处理各个待处理数据。具体来说,人为对大量待处理数据进行数据处理存在主观性较大,且每个人处理数据的数量有限,导致较多剩余有价值的待处理数据不能被挖掘。基于此,本公开的一些实施例的数据发送方法可以从预先划分的各个待处理数据子集中确定出待第一目标人员处理的待处理数据子集,作为目标待处理数据子集。其中,上述各个待处理数据子集是从待处理数据集中划分出的。在这里,确定目标待处理数据子集以用于后续数据分级和第一目标人员进行通信操作。然后,通过准确、高效地确定上述目标待处理数据子集中每个待处理数据的数据级别以方便后续第一目标人员针对待处理数据的数据级别进行通信操作。最后,将上述目标待处理数据子集和上述目标待处理数据子集对应的数据级别集发送至与上述第一目标人员相关联终端以使得第一目标人员更为高效地处理各个待处理数据。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的一些实施例的数据发送方法的一个应用场景的示意图;
图2是根据本公开的数据发送方法的一些实施例的流程图;
图3是根据本公开的数据发送方法的另一些实施例的流程图;
图4是根据本公开的数据发送方法的又一些实施例的流程图;
图5是根据本公开的数据发送装置的一些实施例的结构示意图;
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是根据本公开一些实施例的数据发送方法的一个应用场景的示意图。
在图1的应用场景中,首先,电子设备101可以从预先划分的各个待处理数据子集中确定出待第一目标人员106处理的待处理数据子集,作为目标待处理数据子集103。其中,上述各个待处理数据子集是从待处理数据集102中划分出的。在本应用场景中,上述待处理数据集102可以划分为:目标待处理数据子集103、待处理数据子集104、待处理数据子集105。上述待处理数据集102可以包括:待处理数据1021、待处理数据1022、待处理数据1023、待处理数据1024、待处理数据1025、待处理数据1026。上述目标待处理数据子集103可以包括:待处理数据1021和待处理数据1022。上述待处理数据子集104可以包括:待处理数据1023和待处理数据1024。上述待处理数据子集105可以包括:待处理数据1025和待处理数据1026。然后,电子设备101可以确定上述目标待处理数据子集103中每个待处理数据的数据级别,得到数据级别集。在本应用场景中,目标待处理数据子集103中的待处理数据1021的数据级别可以是第一数据级别。目标待处理数据子集103中的待处理数据1022的数据级别可以是第二数据级别。最后,电子设备101可以将上述目标待处理数据子集103和上述数据级别集发送至上述第一目标人员106相关联终端107。
需要说明的是,上述电子设备101可以是硬件,也可以是软件。当电子设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当电子设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的电子设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电子设备。
继续参考图2,示出了根据本公开的数据发送方法的一些实施例的流程200。该数据发送方法,包括以下步骤:
步骤201,从预先划分的各个待处理数据子集中确定出待第一目标人员处理的待处理数据子集,作为目标待处理数据子集。
在一些实施例中,上述数据发送方法的执行主体(例如图1所示的电子设备101)可以从预先划分的各个待处理数据子集中确定出待第一目标人员处理的待处理数据子集,作为目标待处理数据子集。其中,上述各个待处理数据子集是从待处理数据集中划分出的。上述待处理数据集可以是数据缓存池中的数据集。上述待处理数据集可以是预先获取的。针对各个目标人员,上述待处理数据集可以分成各个待处理数据子集,以及将各个待处理数据子集分给对应的目标人员。其中,上述各个目标人员的人员数目大于等于各个待处理数据子集中待处理数据子集的数目。需要说明的是,各个目标人员所对应的待处理数据子集的待处理数据数目可以是相同的,也可以是不相同的,还可以是部分相同的。可选地,上述目标待处理数据子集中的待处理数据可以是店铺数据。上述店铺数据可以是线上店铺数据,还可以是线下店铺数据。上述店铺数据的来源可以是各种方式。在此不再限定。作为示例,上述店铺数据可以包括:店铺的名称信息、店铺的位置信息、店铺对应物品类目信息、店铺的联系方式、店铺数据的来源、店铺数据的来源用户、店铺类型、来源用户的个人数据上报率。其中,上述来源用户的个人数据上报率可以是历史个人店铺数据已转化数目/历史个人店铺数据上报数。
作为示例,上述店铺数据可以是:“店铺的名称信息:**花店,店铺的位置信息:北京市海淀区**街道**号,店铺对应物品类目信息:牡丹花类、菊花类,店铺的联系方式:138****23,店铺数据的来源:人为采集,店铺数据的来源用户:王**,店铺类型:花店,来源用户的个人数据上报率:50%”。
作为又一个示例,上述待处理数据集划分为各个待处理数据子集的方法可以是依据待处理数据集中待处理数据的数目来均匀划分为各个待处理数据子集。
实践中,上述执行主体可以确定各个待处理数据子集对应的人员分配信息。最后,根据待处理数据子集对应的人员分配信息,从上述各个待处理数据子集中确定出对应人员分配信息为第一目标人员的人员分配信息的待处理数据子集,作为目标待处理数据子集。
步骤202,确定上述目标待处理数据子集中每个待处理数据的数据级别,得到数据级别集。
在一些实施例中,上述执行主体可以通过各种方式来确定上述目标待处理数据子集中每个待处理数据的数据级别,得到数据级别集。其中,待处理数据的数据级别可以包括:第一数据级别、第二数据级别、第三数据级别、第四数据级别。其中,如果待处理数据为第一数据级别,则表征上述待处理数据对应的待处理存在很大的意愿进行交流等操作。如果待处理数据为第二数据级别,则表征上述待处理数据对应的待处理存在较大的意愿进行交流等操作。如果待处理数据为第三数据级别,则表征上述待处理数据对应的待处理存在较小的意愿进行交流等操作。如果待处理数据为第四数据级别,则表征上述待处理数据对应的待处理存在很小的意愿进行交流等操作。
在这里,通过对目标待处理数据子集中的各个待处理数据配置对应的数据级别,可以使得各个目标人员更有针对性的对各个待处理数据进行甄别。大大提高了待处理数据的处理效率。
在一些实施例的一些可选的实现方式中,上述确定上述目标待处理数据子集中每个待处理数据的数据级别,可以包括以下步骤:
对于上述目标待处理数据子集中的每个待处理数据,执行以下数据级别确定步骤:
第一子步骤,将上述待处理数据输入至预先训练的概率确定模型,得到上述待处理数据对应的概率值。其中,上述待处理数据对应的概率值可以有效地表征待处理数据对应的待处理进行交流等操作的意愿程度。作为示例,上述概率确定模型可以是多层感知器(Multi-Layer Perceptron,MLP),还可以是多层卷积神经网络(Convolutional NeuralNetworks,CNN)。
第二子步骤,根据上述概率值,确定上述待处理数据的数据级别。
作为示例,响应于确定概率值位于0%-25%,上述执行主体可以确定上述待处理数据的数据级别为第四数据级别。响应于确定概率值位于25%-50%,上述执行主体可以确定上述待处理数据的数据级别为第三数据级别。响应于确定概率值位于50%-75%,上述执行主体可以确定上述待处理数据的数据级别为第二数据级别。响应于确定概率值位于75%-100%,上述执行主体可以确定上述待处理数据的数据级别为第一数据级别。
可选地,上述概率确定模型是通过以下步骤训练的:
第一步,确定初始概率确定模型的网络结构以及初始化初始概率确定模型的网络参数。作为示例,上述初始概率确定模型的网络结构可以是多层卷积神经网络的网络结构。上述初始化初始概率确定模型的网络参数的方法可以是但不限于以下之一:全零初始化、随机初始化。
第二步,获取训练数据集。其中,上述训练数据集包括:待处理训练数据集和上述待处理训练数据集对应的标签信息集。例如,上述待处理训练数据集中的待处理训练数据包括:店铺的名称信息、店铺的位置信息、店铺对应物品类目信息、店铺的联系方式、店铺数据的来源、店铺数据的来源用户、店铺类型、来源用户的个人数据上报率。上述店铺标签信息集中店铺标签信息可以是以下两种:正样本,负样本。
上述标签信息集中的标签信息可以通过以下步骤来确定:
将目标时间内状态为“已转化”的训练待处理数据对应的标签信息确定为正样本。将目标时间内状态为“未转化”的训练待处理数据对应的标签信息确定为负样本。例如,状态为“已转化”的训练待处理数据对应的店铺可以是已进行交流沟通等操作的店铺。状态为“未转化”的训练待处理数据对应的店铺是还未进行交流沟通等操作的店铺。
第三步,对上述待处理训练数据集中每个待处理训练数据进行数据特征处理,得到处理后的待处理训练数据集。
作为示例,上述执行主体需要对待处理训练数据中的店铺名称信息、店铺对应物品类目信息进行中文分词,以生成更细粒度的特征信息。例如,店铺名称信息为“北京**科技有限公司”。对店铺名称信息分词后的结果可以包括:“北京”,“**科技”,“有限公司”。
除此之外,上述执行主体需要对店铺对应物品类目信息进行贝叶斯平滑处理。其中,贝叶斯平滑处理的计算方式可以为:统计所有样本的整体均值和方差,然后将整体均值和方差作为先验概率,再调整每条来源用户地个人数据上报率。
进一步地,上述执行主体还可以利用pipeline管道机制对处理后待处理训练数据集中的各个待处理训练数据进行处理。
第四步,将上述处理后的待处理训练数据集和上述标签信息集分别作为上述初始概率确定模型的输入和期望输出,上述执行主体可以利用深度学习方法训练上述初始概率确定模型。
除此之外,上述执行主体还需要利用测试待处理数据集来对训练好的概率确定模型进行评估。评估指标包括:AUC(ROC曲线下方的面积大小,Area Under Curve)指标和正负样本的精确率,召回率和F1值。
以正样本为例说明评估方式:
精确率=预测为正样本且本来就是正样本的待处理数据/所有预测为正样本的待处理数据。
召回率=预测为正样本且本来就是正样本的待处理数据/所有正样本的待处理数据。
F1值=2*精确率*召回率/(召回率+精确率)。
以负样本为例说明评估方式:
精确率=预测为负样本且本来就是负样本的待处理数据/所有预测为负样本的待处理数据。
召回率=预测为负样本且本来就是负样本的待处理数据/所有负样本的待处理数据。
F1值=2*精确率*召回率/(召回率+精确率)。
步骤203,将上述目标待处理数据子集和上述数据级别集发送至上述第一目标人员相关联终端。
在一些实施例中,上述执行主体可以将上述目标待处理数据子集和上述数据级别集发送至上述第一目标人员相关联终端。其中,上述第一目标人员相关联终端为显示上述目标待处理数据子集中各个待处理数据的数据级别的终端,针对上述各个待处理数据,上述第一目标人员根据上述第一目标人员相关联终端所显示的各个待处理数据的数据级别来进行通信操作处理。
需要说明的是,依据各个待处理数据的数据级别,各个目标人员实现针对待处理数据的通信操作。即,针对是第一数据级别的待处理数据,目标人员会优先处理。依次类推,目标人员可以优先处理第一数据级别的待处理数据,再处理第二数据级别的待处理数据,接着处理第三数据级别的待处理数据,最后处理第四数据级别的待处理数据。
在一些实施例的一些可选的实现方式中,上述步骤还包括:
响应于在第三目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第二目标待处理数据相关联的意愿信息,上述执行主体可以将上述第二目标待处理数据发送至第三目标人员相关联终端,其中,上述第二目标待处理数据为第二数据级别的数据。上述意愿信息可以表征第二目标待处理数据对应的待处理有沟通交流等操作的意愿。上述第三目标时长可以是预先设置的。例如,48小时。
可选地,响应于在上述第三目标时长内未接收到上述第三目标人员相关联终端发送的、与上述第一目标待处理数据相关联的意愿信息,上述执行主体可以将上述第一目标待处理数据发送至公海池。其中,上述公海池可以用于存储当前可能没有价值的待处理数据。
可选地,第三目标时长可以大于第二目标时长。
在一些实施例的一些可选的实现方式中,上述步骤还包括:
响应于在第四目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第三目标待处理数据相关联的意愿信息,上述执行主体可以将上述第三目标待处理数据发送至公海池。其中,上述第三目标待处理数据为第三数据级别的数据。其中,上述第四目标时长可以是预先设置的。例如,72小时。
可选地,上述第四目标时长可以大于第三目标时长。
在一些实施例的一些可选的实现方式中,上述步骤还包括:
响应于在第五目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第四目标待处理数据相关联的意愿信息,上述执行主体可以将上述第四目标待处理数据发送至公海池。其中,上述第四目标待处理数据为第四数据级别的数据。上述第五目标时长可以是预先设置的。例如,120小时。
可选地,上述第五目标时长可以大于第四目标时长。
本公开的上述各个实施例中具有如下有益效果:本公开的一些实施例的数据发送方法可以通过对目标待处理数据子集中每个待处理数据设置准确的数据级别,以使得第一目标人员更为高效地处理各个待处理数据。具体来说,人为对大量待处理数据进行数据分级存在主观性较大,且处理数据数量有限的问题,导致较多剩余有价值的待处理数据不能被挖掘。基于此,本公开的一些实施例的数据发送方法可以从预先划分的各个待处理数据子集中确定出待第一目标人员处理的待处理数据子集,作为目标待处理数据子集,其中,上述各个待处理数据子集是从待处理数据集中划分出的。在这里,确定目标待处理数据子集以用于后续数据分级和第一目标人员进行通信操作。然后,通过准备、高效地确定上述目标待处理数据子集中每个待处理数据的数据级别以方便后续第一目标人员针对待处理数据的数据级别进行通信操作。最后,将上述目标待处理数据子集和上述目标待处理数据子集对应的数据级别集发送至与上述第一目标人员相关联终端以使得第一目标人员更为高效地处理各个待处理数据。
进一步参考图3,示出了根据本公开的数据发送方法的另一些实施例的流程300。该数据发送方法,包括以下步骤:
步骤301,从预先划分的各个待处理数据子集中确定出待第一目标人员处理的待处理数据子集,作为目标待处理数据子集。
步骤302,确定上述目标待处理数据子集中每个待处理数据的数据级别,得到数据级别集。
步骤303,将上述目标待处理数据子集和上述数据级别集发送至上述第一目标人员相关联终端。
在一些实施例中,步骤301-303的具体实现及其所带来的技术效果,可以参考图2对应的实施例中的步骤201-203,在此不再赘述。
步骤304,响应于接收到上述第一目标人员相关联终端发送的、表征上述目标待处理数据子集中存在至少一个待处理数据的信息,将上述至少一个待处理数据发送至数据缓存池。
在一些实施例中,响应于接收到上述第一目标人员相关联终端发送的、表征上述目标待处理数据子集中存在至少一个待处理数据的信息,执行主体(例如图1所示的电子设备101)可以将上述至少一个待处理数据发送至数据缓存池。其中,上述至少一个待处理数据为第一目标时长内还未进行通信操作处理的数据。
需要说明的是,第一目标人员是依据数据级别来对目标待处理数据子集进行处理的,由此,上述第一目标人员未处理的至少一个待处理数据可以是数据级别较低的待处理数据。例如,上述至少一个待处理数据包括:第三数据级别的待处理数据和第四数据级别的待处理数据。
从图3中可以看出,与图2对应的一些实施例的描述相比,图3对应的一些实施例中的数据发送方法的流程300更加突出了将第一目标人员未处理的至少一个待处理数据发送至数据缓存池的具体步骤。由此,这些实施例描述的方案将至少一个待处理数据发送至数据缓存池以使得再次从上述数据缓存池中获取未处理的待处理数据。由此,侧面还提高了数据的利用率。
进一步参考图4,示出了根据本公开的数据发送方法的又一些实施例的流程400。该数据发送方法,包括以下步骤:
步骤401,从预先划分的各个待处理数据子集中确定出待第一目标人员处理的待处理数据子集,作为目标待处理数据子集。
步骤402,确定上述目标待处理数据子集中每个待处理数据的数据级别,得到数据级别集。
步骤403,将上述目标待处理数据子集和上述数据级别集发送至上述第一目标人员相关联终端。
在一些实施例中,步骤401-403的具体实现及其所带来的技术效果,可以参考图2对应的实施例中的步骤201-203,在此不再赘述。
步骤404,响应于在第二目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第一目标待处理数据相关联的意愿信息,将上述第一目标待处理数据发送至第二目标人员相关联终端。
在一些实施例中,响应于在第二目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第一目标待处理数据相关联的意愿信息,执行主体(例如图1所示的电子设备)可以将上述第一目标待处理数据发送至第二目标人员相关联终端。
步骤405,响应于在上述第二目标时长内未接收到上述第二目标人员相关联终端发送的、与上述第一目标待处理数据相关联意愿信息,将上述第一目标待处理数据发送至公海池。
在一些实施例中,响应于在上述第二目标时长内未接收到上述第二目标人员相关联终端发送的、与上述第一目标待处理数据相关联意愿信息,上述执行主体可以将上述第一目标待处理数据发送至公海池。
需要说明的是,在待处理数据为店铺数据的前提下,在第一目标用户与第一目标待处理数据对应店铺进行通信,经过第二目标时长后,还未接收到上述第一目标人员相关联终端发送的与上述第一目标待处理数据相关联意愿信息。其中,未接收到上述第二目标人员相关联终端发送的与上述第一目标待处理数据相关联意愿信息可能是第一目标用户的个人原因所导致的。对此,将第一目标待处理数据交由第二目标用户进行处理。如果第二目标用户在第一目标用户与第一目标待处理数据对应店铺进行通信,经过第二目标时长后,还未接收到上述第二目标人员相关联终端发送的与上述第一目标待处理数据相关联意愿信息,则表征与该第一目标数据待处理数据对应的店铺进行交流沟通等操作的概率较小。则,将上述第一目标待处理数据发送至公海池。
从图4中可以看出,与图2对应的一些实施例的描述相比,图4对应的一些实施例中的数据发送方法的流程400更加突出了对第一目标待处理数据进行处理的具体步骤。由此,这些实施例描述的方案通过对第一目标待处理数据多次处理,以提高第一目标待处理数据的利用率。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种数据发送装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,一种数据发送装置500包括:第一确定单元501、第二确定单元502和发送单元503。其中,第一确定单元501,被配置成从预先划分的各个待处理数据子集中确定出待第一目标人员处理的待处理数据子集,作为目标待处理数据子集,其中,上述各个待处理数据子集是从待处理数据集中划分出的;第二确定单元502,被配置成确定上述目标待处理数据子集中每个待处理数据的数据级别,得到数据级别集;发送单元503,被配置成将上述目标待处理数据子集和上述数据级别集发送至上述第一目标人员相关联终端。
在一些实施例的一些可选的实现方式中,上述数据发送装置500还包括:第一数据发送单元(图中未显示)。其中,上述第一数据发送单元可以被配置成:响应于接收到上述第一目标人员相关联终端发送的、表征上述目标待处理数据子集中存在至少一个待处理数据的信息,将上述至少一个待处理数据发送至数据缓存池,其中,上述至少一个待处理数据为第一目标时长内还未进行通信操作处理的数据。
在一些实施例的一些可选的实现方式中,上述数据发送装置500中的确定单元502可以进一步被配置成:对于上述目标待处理数据子集中的每个待处理数据,执行以下数据级别确定步骤:将上述待处理数据输入至预先训练的概率确定模型,得到上述待处理数据对应的概率值;根据上述概率值,确定上述待处理数据的数据级别。
在一些实施例的一些可选的实现方式中,上述数据发送装置500还包括:第二数据发送单元(图中未显示)。其中,上述第二数据发送单元可以被配置成:响应于在第二目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第一目标待处理数据相关联的意愿信息,将上述第一目标待处理数据发送至第二目标人员相关联终端,其中,上述第一目标待处理数据为第一数据级别的数据。
在一些实施例的一些可选的实现方式中,上述数据发送装置500还包括:第三数据发送单元(图中未显示)。其中,上述第三数据发送单元可以被配置成:响应于在第三目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第二目标待处理数据相关联的意愿信息,将上述第二目标待处理数据发送至第三目标人员相关联终端,其中,上述第二目标待处理数据为第二数据级别的数据。
在一些实施例的一些可选的实现方式中,上述数据发送装置500还包括:第四数据发送单元(图中未显示)。其中,上述第四数据发送单元可以被配置成:响应于在第四目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第三目标待处理数据相关联的意愿信息,将上述第三目标待处理数据发送至公海池,其中,上述第三目标待处理数据为第三数据级别的数据。
在一些实施例的一些可选的实现方式中,上述数据发送装置500还包括:第五数据发送单元(图中未显示)。其中,上述第五数据发送单元可以被配置成:响应于在第五目标时长内未接收到上述第一目标人员相关联终端发送的、与上述目标待处理数据子集中第四目标待处理数据相关联的意愿信息,将上述第四目标待处理数据发送至公海池,其中,上述第四目标待处理数据为第四数据级别的数据。
在一些实施例的一些可选的实现方式中,上述数据发送装置500中的第二数据发送单元可以进一步配置成:响应于在上述第二目标时长内未接收到上述第二目标人员相关联终端发送的、与上述第一目标待处理数据相关联意愿信息,将上述第一目标待处理数据发送至公海池。
在一些实施例的一些可选的实现方式中,上述数据发送装置500中的第三数据发送单元可以进一步配置成:响应于在上述第三目标时长内未接收到上述第三目标人员相关联终端发送的、与上述第一目标待处理数据相关联的意愿信息,将上述第一目标待处理数据发送至公海池。
在一些实施例的一些可选的实现方式中,上述概率确定模型是通过以下步骤训练的:确定初始概率确定模型的网络结构以及初始化初始概率确定模型的网络参数;获取训练数据集,其中,上述训练数据集包括:训练待处理数据集和上述训练待处理数据集对应的标签信息集;对上述训练待处理数据集中每个训练待处理数据进行数据特征处理,得到处理后的训练待处理数据集;将上述处理后的训练待处理数据集和上述标签信息集分别作为上述初始概率确定模型的输入和期望输出,利用深度学习方法训练上述初始概率确定模型。
可以理解的是,该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备101)600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:从预先划分的各个待处理数据子集中确定出待第一目标人员处理的待处理数据子集,作为目标待处理数据子集,其中,上述各个待处理数据子集是从待处理数据集中划分出的;确定上述目标待处理数据子集中每个待处理数据的数据级别,得到数据级别集;将上述目标待处理数据子集和上述数据级别集发送至上述第一目标人员相关联终端。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、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,该模块、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,两个接连地表示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操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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一确定单元、第二确定单元和发送单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一确定单元还可以被描述为“从预先划分的各个待处理数据子集中确定出待第一目标人员处理的待处理数据子集,作为目标待处理数据子集的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (13)
1.一种数据发送方法,包括:
从预先划分的各个待处理数据子集中确定出待第一目标人员处理的待处理数据子集,作为目标待处理数据子集,其中,所述各个待处理数据子集是从待处理数据集中划分出的;
确定所述目标待处理数据子集中每个待处理数据的数据级别,得到数据级别集;
将所述目标待处理数据子集和所述数据级别集发送至所述第一目标人员相关联终端。
2.根据权利要求1所述的方法,其中,所述方法还包括:
响应于接收到所述第一目标人员相关联终端发送的、表征所述目标待处理数据子集中存在至少一个待处理数据的信息,将所述至少一个待处理数据发送至数据缓存池,其中,所述至少一个待处理数据为第一目标时长内还未进行通信操作处理的数据。
3.根据权利要求1所述的方法,其中,所述确定所述目标待处理数据子集中每个待处理数据的数据级别,包括:
对于所述目标待处理数据子集中的每个待处理数据,执行以下数据级别确定步骤:
将所述待处理数据输入至预先训练的概率确定模型,得到所述待处理数据对应的概率值;
根据所述概率值,确定所述待处理数据的数据级别。
4.根据权利要求1所述的方法,其中,所述方法还包括:
响应于在第二目标时长内未接收到所述第一目标人员相关联终端发送的、与所述目标待处理数据子集中第一目标待处理数据相关联的意愿信息,将所述第一目标待处理数据发送至第二目标人员相关联终端,其中,所述第一目标待处理数据为第一数据级别的数据。
5.根据权利要求1所述的方法,其中,所述方法还包括:
响应于在第三目标时长内未接收到所述第一目标人员相关联终端发送的、与所述目标待处理数据子集中第二目标待处理数据相关联的意愿信息,将所述第二目标待处理数据发送至第三目标人员相关联终端,其中,所述第二目标待处理数据为第二数据级别的数据。
6.根据权利要求1所述的方法,其中,所述方法还包括:
响应于在第四目标时长内未接收到所述第一目标人员相关联终端发送的、与所述目标待处理数据子集中第三目标待处理数据相关联的意愿信息,将所述第三目标待处理数据发送至公海池,其中,所述第三目标待处理数据为第三数据级别的数据。
7.根据权利要求1所述的方法,其中,所述方法还包括:
响应于在第五目标时长内未接收到所述第一目标人员相关联终端发送的、与所述目标待处理数据子集中第四目标待处理数据相关联的意愿信息,将所述第四目标待处理数据发送至公海池,其中,所述第四目标待处理数据为第四数据级别的数据。
8.根据权利要求4所述的方法,其中,所述方法还包括:
响应于在所述第二目标时长内未接收到所述第二目标人员相关联终端发送的、与所述第一目标待处理数据相关联意愿信息,将所述第一目标待处理数据发送至公海池。
9.根据权利要求5所述的方法,其中,所述方法还包括:
响应于在所述第三目标时长内未接收到所述第三目标人员相关联终端发送的、与所述第一目标待处理数据相关联的意愿信息,将所述第一目标待处理数据发送至公海池。
10.根据权利要求3所述的方法,其中,所述概率确定模型是通过以下步骤训练的:
确定初始概率确定模型的网络结构以及初始化初始概率确定模型的网络参数;
获取训练数据集,其中,所述训练数据集包括:待处理训练数据集和所述待处理训练数据集对应的标签信息集;
对所述待处理训练数据集中每个待处理训练数据进行数据特征处理,得到处理后的待处理训练数据集;
将所述处理后的待处理训练数据集和所述标签信息集分别作为所述初始概率确定模型的输入和期望输出,利用深度学习方法训练所述初始概率确定模型。
11.一种数据发送装置,包括:
第一确定单元,被配置成从预先划分的各个待处理数据子集中确定出待第一目标人员处理的待处理数据子集,作为目标待处理数据子集,其中,所述各个待处理数据子集是从待处理数据集中划分出的;
第二确定单元,被配置成确定所述目标待处理数据子集中每个待处理数据的数据级别,得到数据级别集;
发送单元,被配置成将所述目标待处理数据子集和所述数据级别集发送至所述第一目标人员相关联终端。
12.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10中任一所述的方法。
13.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-10中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210139228.3A CN114493341A (zh) | 2022-02-15 | 2022-02-15 | 数据发送方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210139228.3A CN114493341A (zh) | 2022-02-15 | 2022-02-15 | 数据发送方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493341A true CN114493341A (zh) | 2022-05-13 |
Family
ID=81480628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210139228.3A Pending CN114493341A (zh) | 2022-02-15 | 2022-02-15 | 数据发送方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493341A (zh) |
-
2022
- 2022-02-15 CN CN202210139228.3A patent/CN114493341A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460513B (zh) | 用于生成点击率预测模型的方法和装置 | |
CN109976997B (zh) | 测试方法和装置 | |
CN110929799B (zh) | 用于检测异常用户的方法、电子设备和计算机可读介质 | |
CN111061881A (zh) | 文本分类方法、设备及存储介质 | |
CN112434620B (zh) | 场景文字识别方法、装置、设备和计算机可读介质 | |
CN117236805B (zh) | 电力设备控制方法、装置、电子设备和计算机可读介质 | |
CN113435632A (zh) | 信息生成方法、装置、电子设备和计算机可读介质 | |
CN113111165A (zh) | 基于深度学习模型的接警警情类别确定方法和装置 | |
WO2022218068A1 (zh) | 素材投放方法、装置、设备和介质 | |
CN114493341A (zh) | 数据发送方法、装置、电子设备和计算机可读介质 | |
CN115730812A (zh) | 指标信息生成方法、装置、电子设备和可读介质 | |
CN112860999B (zh) | 信息推荐方法、装置、设备和存储介质 | |
CN115422326A (zh) | 文本样本扩充方法、装置、电子设备和计算机可读介质 | |
CN111709784B (zh) | 用于生成用户留存时间的方法、装置、设备和介质 | |
CN111949860B (zh) | 用于生成相关度确定模型的方法和装置 | |
CN113902230A (zh) | 电量偏差控制方法、***、存储介质和电子设备 | |
CN113111234A (zh) | 基于正则表达式的处警警情类别确定方法和装置 | |
CN111680754A (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN111709787B (zh) | 用于生成用户留存时间的方法、装置、电子设备和介质 | |
CN116800834B (zh) | 虚拟礼物合并方法、装置、电子设备和计算机可读介质 | |
CN115204150B (zh) | 信息校验方法、装置、电子设备和计算机可读介质 | |
CN117591048B (zh) | 任务信息处理方法、装置、电子设备和计算机可读介质 | |
CN111738536B (zh) | 设备操作方法、装置、电子设备和计算机可读介质 | |
CN111709583B (zh) | 用户留存时间生成方法、装置、电子设备和介质 | |
CN114676276A (zh) | 数据集清洗方法、装置、电子设备和计算机可读介质 |
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 |