CN115766725B - 基于工业互联网的数据处理方法及*** - Google Patents
基于工业互联网的数据处理方法及*** Download PDFInfo
- Publication number
- CN115766725B CN115766725B CN202211553201.5A CN202211553201A CN115766725B CN 115766725 B CN115766725 B CN 115766725B CN 202211553201 A CN202211553201 A CN 202211553201A CN 115766725 B CN115766725 B CN 115766725B
- Authority
- CN
- China
- Prior art keywords
- cloud service
- interaction information
- service interaction
- linkage
- knowledge
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 230000003993 interaction Effects 0.000 claims abstract description 612
- 238000000034 method Methods 0.000 claims abstract description 111
- 230000008569 process Effects 0.000 claims abstract description 79
- 239000013598 vector Substances 0.000 claims abstract description 70
- 238000001514 detection method Methods 0.000 claims description 86
- 230000007613 environmental effect Effects 0.000 claims description 46
- 230000004927 fusion Effects 0.000 claims description 46
- 238000013507 mapping Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 25
- 230000006399 behavior Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明的基于工业互联网的数据处理方法及***，能通过若干个云服务交互记录分别对应的交互环境知识向量确定联动交互信息二元组；由于联动交互信息二元组中的两组云服务交互信息分别对应的交互环境知识向量，可反映该两组云服务交互信息二元组应的环境要素差异度满足设定差异要求，在基于联动交互信息二元组对目标数字化服务进程进行特征知识网组合时，能实现基于相异云服务交互信息之间的环境要素差异度，对特征知识网的组合进行指导，在存在部分冗余数字化服务进程的目标数字化服务进程中，可减少因不同分布环节的冗余数字化服务进程对于特征知识网组合质量的干扰，避免在进行特征知识网组合时的误差，提高特征知识网组合的精度和可信度。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种基于工业互联网的数据处理方法及***。
背景技术
工业互联网，是具有更为丰富的内涵和外延。它以网络为基础、平台为中枢、数据为要素、安全为保障，既是工业数字化、网络化、智能化转型的基础设施，也是互联网、大数据、人工智能与实体经济深度融合的应用模式，同时也是一种新业态、新产业，将重塑企业形态、供应链和产业链。随着工业互联网的不断发展，针对各类数字服务的特征挖掘分析已成为关注的重点。
发明内容
为改善相关技术中存在的技术问题，本发明提供了一种基于工业互联网的数据处理方法及***。
第一方面，本发明实施例提供了一种基于工业互联网的数据处理方法，应用于数据处理***，所述方法包括：获得关于目标数字化服务进程收集的若干个云服务交互记录、以及与若干个所述云服务交互记录分别对应的交互环境知识向量；其中，所述交互环境知识向量是在收集所述云服务交互记录时确定的部署在所述目标数字化服务进程内的目标服务环境检测模块的环境要素得到的；每个云服务交互记录包括多组云服务交互信息；结合所述交互环境知识向量，从所述若干个云服务交互记录中确定若干个联动交互信息二元组；结合所述联动交互信息二元组，对所述目标数字化服务进程进行特征知识网组合，得到所述目标数字化服务进程的特征知识网络。
可见，能够通过若干个云服务交互记录分别对应的交互环境知识向量，确定若干个联动交互信息二元组；由于联动交互信息二元组中的两组云服务交互信息分别对应的交互环境知识向量，可以反映该两组云服务交互信息二元组应的环境要素差异度满足设定差异要求，因此在基于联动交互信息二元组对目标数字化服务进程进行特征知识网组合时，能够实现基于相异云服务交互信息之间的环境要素差异度，对特征知识网的组合进行指导，这样在存在部分冗余数字化服务进程的目标数字化服务进程中，可以减少因为不同分布环节的冗余数字化服务进程对于特征知识网组合质量的干扰，尽可能避免在进行特征知识网组合时的误差，提高特征知识网组合的精度和可信度。
在一些可能的实施例中，所述结合所述交互环境知识向量，从所述若干个云服务交互记录中确定若干个联动交互信息二元组，包括：挖掘若干个云服务交互记录中各组云服务交互信息的交互行为描述字段；通过不同云服务交互信息的交互行为描述字段之间的共性系数，确定若干个待处理云服务交互信息二元组；每个待处理云服务交互信息二元组中包括第一云服务交互信息和第二云服务交互信息；基于若干个待处理云服务交互信息二元组中第一云服务交互信息和第二云服务交互信息分别对应的交互环境知识向量，从所述待处理云服务交互信息二元组中，抽取所述联动交互信息二元组。
可见，通过基于云服务交互信息的交互行为描述字段进行待处理云服务交互信息二元组的第一次筛选，可以提高后续基于交互环境知识向量从待处理云服务交互信息二元组中抽取联动交互信息二元组的时效性，再通过每个待处理云服务交互信息二元组中第一云服务交互信息和第二云服务交互信息分别对应的交互环境知识向量从待处理云服务交互信息二元组中抽取联动交互信息二元组，尽可能准确地过滤了交互行为描述字段类似但不是相同数字化服务进程的待处理云服务交互信息二元组。
在一些可能的实施例中，所述基于若干个待处理云服务交互信息二元组中第一云服务交互信息和第二云服务交互信息分别对应的交互环境知识向量，从所述待处理云服务交互信息二元组中，抽取所述联动交互信息二元组，包括：对于若干个待处理云服务交互信息二元组中的每个待处理云服务交互信息二元组，结合所述每个待处理云服务交互信息二元组中第一云服务交互信息二元组应交互环境知识向量，以及所述每个待处理云服务交互信息二元组中第二云服务交互信息二元组应交互环境知识向量，确定所述第一云服务交互信息与所述第二云服务交互信息之间的环境要素差异度；如果所述第一云服务交互信息和所述第二云服务交互信息之间的环境要素差异度低于设定差异限值，将所述待处理云服务交互信息二元组作为所述联动交互信息二元组。
可见，通过在特征知识网组合的云服务交互信息中引入连续时段的环境要素检测，使得在通过联动交互信息二元组进行特征知识网组合过程中，通过比较云服务交互信息二元组交互环境知识向量之间的环境要素差异度，判断云服务交互信息对反映的是否是相同数字化服务进程或类似数字化服务进程，降低了类似数字化服务进程对于特征知识网组合的干扰。
在一些可能的实施例中，所述交互环境知识向量包括：与所述目标云服务交互记录中各组云服务交互信息分别对应的检测模块标签数据；所述结合所述每个待处理云服务交互信息二元组中第一云服务交互信息二元组应交互环境知识向量，以及所述每个待处理云服务交互信息二元组中第二云服务交互信息二元组应交互环境知识向量，确定所述第一云服务交互信息与所述第二云服务交互信息之间的环境要素差异度，包括：结合所述第一云服务交互信息二元组应检测模块标签数据、以及所述第二云服务交互信息二元组应的检测模块标签数据，确定所述第一云服务交互信息和所述第二云服务交互信息二元组应的关联服务环境检测模块的数目；结合所述数目，确定所述第一云服务交互信息和所述第二云服务交互信息二元组应的环境要素差异度；其中，所述环境要素差异度和所述关联服务环境检测模块的数目具有设定量化关系。
可见，通过对两个云服务交互信息二元组应交互环境知识向量的关联服务环境检测模块信息，反映两个云服务交互信息之间的环境要素差异度，判断两个交互环境知识向量的环境要素差异度，从而对联动交互信息二元组抽取进行高效的抽取，提高特征知识网组合的时效性。
在一些可能的实施例中，所述交互环境知识向量包括：与所述目标云服务交互记录中各组云服务交互信息分别对应的环境要素热力数据、以及检测模块标签数据；所述结合所述每个待处理云服务交互信息二元组中第一云服务交互信息二元组应交互环境知识向量，以及所述每个待处理云服务交互信息二元组中第二云服务交互信息二元组应交互环境知识向量，确定所述第一云服务交互信息与所述第二云服务交互信息之间的环境要素差异度，包括：结合所述第一云服务交互信息二元组应的检测模块标签、和所述第二云服务交互信息二元组应的检测模块标签，确定所述第一云服务交互信息和第二云服务交互信息二元组应的关联服务环境检测模块、和非关联服务环境检测模块；结合所述第一云服务交互信息和所述第二云服务交互信息分别对应的环境要素热力数据，确定所述关联服务环境检测模块的热力比较结果；结合所述热力比较结果、以及非关联服务环境检测模块对应的预设环境要素差异度，确定所述第一云服务交互信息和所述第二云服务交互信息之间的环境要素差异度。
可见，能精准可靠地确定两组云服务交互信息之间的环境要素差异度，提高特征知识网组合过程中的知识向量准确性，减少了类似数字化服务进程对于特征知识网组合的负面影响。
在一些可能的实施例中，所述结合所述联动交互信息二元组，对所述目标数字化服务进程进行特征知识网组合，得到所述目标数字化服务进程的特征知识网络，包括：对于若干个云服务交互记录中的每个云服务交互记录，结合所述每个云服务交互记录中的多组云服务交互信息进行特征知识网组合，得到所述每个云服务交互记录对应的局部特征知识网；结合所述联动交互信息二元组，将若干个所述云服务交互记录分别对应的局部特征知识网进行融合操作，得到所述目标数字化服务进程的特征知识网络。
可见，能够通过联动交互信息二元组判断出多个云服务交互记录之间的交互联系，以进行特征知识网络的融合，基于联动交互信息二元组的特征知识网融合提高了特征知识网组合的精度。
在一些可能的实施例中，所述结合所述联动交互信息二元组，将若干个所述云服务交互记录分别对应的局部特征知识网进行融合操作，得到所述目标数字化服务进程的特征知识网络，包括：对于每两个云服务交互记录，确定该两个云服务交互记录之间是否存在目标联动交互信息二元组；所述目标联动交互信息二元组中的第一联动云服务交互信息和第二联动云服务交互信息分别对应于该两个云服务交互记录；如果该两个云服务交互记录之间存在所述目标联动交互信息二元组，基于该两个云服务交互记录之间的目标联动交互信息二元组，确定该两个云服务交互记录分别对应的局部特征知识网之间的特征映射指示，并结合所述特征映射指示，将该两个云服务交互记录分别对应的局部特征知识网进行融合操作；基于若干个云服务交互记录分别对应的融合结果，得到所述目标数字化服务进程的特征知识网络。
可见，基于相同联动交互信息二元组中属于不同的云服务交互记录的两个云服务交互信息，可以进行两个局部特征知识网的特征映射指示的确定，使得局部特征知识网的融合质量尽可能佳。
在一些可能的实施例中，所述基于该两个云服务交互记录之间的目标联动交互信息二元组，确定该两个云服务交互记录分别对应的局部特征知识网之间的特征映射指示，并结合所述特征映射指示，将该两个云服务交互记录分别对应的局部特征知识网进行融合操作，包括：实施如下不少于一轮循环阶段：从所述目标联动交互信息二元组中，确定当前循环阶段对应的第一目标联动交互信息二元组；结合所述第一目标联动交互信息二元组，确定该两个云服务交互记录分别对应的局部特征知识网之间的当前特征映射指示；结合所述当前特征映射指示，将该两个云服务交互记录分别对应的局部特征知识网进行融合操作，得到当前循环阶段对应的已融合知识网；结合所述目标联动交互信息二元组中，除所述第一目标联动交互信息二元组外的剩余目标联动交互信息二元组所反映的分布变量，对所述已融合知识网进行知识网融合校对；如果知识网融合校对通过，将所述当前循环阶段对应的已融合知识网作为将该两个云服务交互记录分别对应的局部特征知识网进行融合操作的最终结果，并终止循环处理；如果知识网融合校对没有通过，进入下一循环阶段；如果全部目标联动交互信息二元组依次作为第一目标联动交互信息二元组都没有通过知识网融合校对，表明该两个云服务交互记录分别对应的局部特征知识网之间不满足知识网融合要求。
可见，以循环处理的思路对两个云服务交互记录中所有的联动交互信息二元组进行融合校对，能够尽量规避特征知识网融合的误差，提高特征知识网组合的质量。
在一些可能的实施例中，所述结合所述联动交互信息二元组，对所述目标数字化服务进程进行特征知识网组合，得到所述目标数字化服务进程的特征知识网络，包括：依次访问所述联动交互信息二元组中的每个联动交互信息二元组，并基于依次访问到的联动交互信息二元组进行特征知识网组合，得到与所述依次访问到的联动交互信息二元组对应的特征知识网络；将若干个联动交互信息二元组分别对应的特征知识网络进行网络整合，得到所述目标数字化服务进程的特征知识网络。
可见，通过联动云服务交互信息之间的交互联系，将多个云服务交互记录对应的局部特征知识网进行融合得到目标数字化服务进程对应的特征知识网络，可以降低冗余数字化服务进程对于目标数字化服务进程的特征知识网络组合的干扰。
在一些可能的实施例中，所述基于依次访问到的联动交互信息二元组进行特征知识网组合，得到与所述依次访问到的联动交互信息二元组对应的特征知识网络，包括：基于依次访问到的联动交互信息二元组中，第一云服务交互信息和第二云服务交互信息分别对应的数据采集模块的状态、以及所述第一云服务交互信息和所述第二云服务交互信息进行特征知识网组合，得到第一特征知识网络；结合所述第一云服务交互信息、第二云服务交互信息、所述第一云服务交互信息和所述第二云服务交互信息分别对应的数据采集模块的状态、以及所述第一特征知识网络，确定所述第一特征知识网络的映射偏差；以及结合所述第一云服务交互信息和所述第二云服务交互信息分别对应的交互环境知识向量、以及与所述交互环境知识向量对应的目标服务环境检测模块的检测模块分布，确定所述第一云服务交互信息和所述第二云服务交互信息之间的环境要素差异度损失；结合所述映射偏差和所述环境要素差异度损失，对所述第一云服务交互信息和第二云服务交互信息分别对应的数据采集模块的状态、以及与所述目标服务环境检测模块的检测模块分布进行优化，得到所述第一云服务交互信息和第二云服务交互信息分别对应的目标交互状态、以及所述目标服务环境检测模块的目标分布变量；结合所述第一云服务交互信息、第二云服务交互信息、以及所述目标交互状态进行特征知识网组合，得到所述依次访问到的联动交互信息二元组对应的特征知识网络。
可见，通过特征映射损失算法以及环境要素差异度损失算法，可以并行改进服务环境检测模块的分布变量，特征知识成员分布变量与数据采集模块分布变量，从而可以避免组合偏差并得到特征知识网组合包含数据采集模块的分布变量状态与特征知识成员信息。
在一些可能的实施例中，还包括：基于若干个联动云服务交互信息分别对应的目标服务环境检测模块的目标分布变量，生成检测模块分布轨迹链。
可见，能够整合交互环境知识向量与可视化特征知识网组合，同时生成检测模块分布轨迹链与特征知识网组合。
第二方面，本发明还提供了一种数据处理***，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，以实现上述的方法。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
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，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种基于工业互联网的数据处理方法的流程示意图。
图2是本发明实施例提供的一种基于工业互联网的数据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发明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、本发明的一些方面相一致的装置和方法的例子。
需要说明的是，本发明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。
本发明实施例所提供的方法实施例可以在数据处理***、计算机设备或者类似的运算装置中执行。以运行在数据处理***上为例，数据处理***10可以包括一个或多个处理器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，上述数据处理***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，上述结构仅为示意，其并不对上述数据处理***的结构造成限定。例如，数据处理***10还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。
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，如本发明实施例中的一种基于工业互联网的数据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数据处理***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数据处理***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1，图1是本发明实施例所提供的一种基于工业互联网的数据处理方法的流程示意图，该方法应用于数据处理***，进一步可以包括S1-S3描述的技术方案。
S1、获得关于目标数字化服务进程收集的若干个云服务交互记录、以及与若干个所述云服务交互记录分别对应的交互环境知识向量。
在本发明实施例中，所述交互环境知识向量是在收集所述云服务交互记录时确定的部署在所述目标数字化服务进程内的目标服务环境检测模块的环境要素得到的，且每个云服务交互记录包括多组云服务交互信息。
举例而言，目标数字化服务进程可以理解为数字化服务场景或者数字化服务环境，包括但不限于虚拟商城服务、数字社区服务、在线政企服务等场景/环境。而云服务交互记录可以记录用户与服务平台***之间的业务交互情况或者互动情况。进一步地，部署在所述目标数字化服务进程内的目标服务环境检测模块用于对目标数字化服务进程进行全方位覆盖，从而实现对目标数字化服务进程的全流程检测。比如，目标服务环境检测模块可以对虚拟商城服务的不同服务环节或者服务节点进行覆盖，由此实现对整个虚拟商城服务的场景检测处理，确保对虚拟商城服务的宏观监测。目标服务环境检测模块的环境要素包括网络环境特征、交互环境特征、业务环境特征等，网络环境特征、交互环境特征、业务环境特征能够从不同层面反映目标数字化服务进程的进程运行情况。此外，云服务交互信息可以通过文本或者图文的形式进行记录。
S2、结合所述交互环境知识向量，从所述若干个云服务交互记录中确定若干个联动交互信息二元组。
举例而言，联动交互信息二元组可以理解为存在关联的云服务交互信息对，比如联动交互信息二元组1包括存在关联的云服务交互信息m11和云服务交互信息m12，联动交互信息二元组2包括存在关联的云服务交互信息m21和云服务交互信息m22。
S3、结合所述联动交互信息二元组，对所述目标数字化服务进程进行特征知识网组合，得到所述目标数字化服务进程的特征知识网络。
举例而言，特征知识网组合可以理解为基于联动交互信息二元组对应的交互行为特征进行特征图或者特征关系链的搭建，从而得到反映目标数字化服务进程的整体交互特征或者全局互动特征的特征知识库。进一步地，特征知识网络可以结合相关的知识图谱技术构建得到，这样能够为后续的需求挖掘分析提供尽可能丰富准确的分析依据。
应用于S1-S3，能够通过若干个云服务交互记录分别对应的交互环境知识向量，确定若干个联动交互信息二元组；由于联动交互信息二元组中的两组云服务交互信息分别对应的交互环境知识向量，可以反映该两组云服务交互信息二元组应的环境要素差异度满足设定差异要求，因此在基于联动交互信息二元组对目标数字化服务进程进行特征知识网组合时，能够实现基于相异云服务交互信息之间的环境要素差异度，对特征知识网的组合进行指导，这样在存在部分冗余数字化服务进程的目标数字化服务进程中，可以减少因为不同分布环节的冗余数字化服务进程对于特征知识网组合质量的干扰，尽可能避免在进行特征知识网组合时的误差，提高特征知识网组合的精度和可信度。
在一些可能的实施例中，S2所描述的所述结合所述交互环境知识向量，从所述若干个云服务交互记录中确定若干个联动交互信息二元组，可以包括S21-S23所记载的技术方案。
S21、挖掘若干个云服务交互记录中各组云服务交互信息的交互行为描述字段。
例如，交互行为描述字段可以理解为云服务交互信息对应的用户的交互行为特征或者交互行为向量。
S22、通过不同云服务交互信息的交互行为描述字段之间的共性系数，确定若干个待处理云服务交互信息二元组；每个待处理云服务交互信息二元组中包括第一云服务交互信息和第二云服务交互信息。
例如，共性系数可以理解为交互行为描述字段之间的相似度，通常可以基于余弦相似度的计算思路得到。
S23、基于若干个待处理云服务交互信息二元组中第一云服务交互信息和第二云服务交互信息分别对应的交互环境知识向量，从所述待处理云服务交互信息二元组中，抽取所述联动交互信息二元组。
其中，在确定出若干个待处理云服务交互信息二元组之后，可以基于交互环境知识向量实现联动交互信息二元组的筛选处理。应用于S21-S23，通过基于云服务交互信息的交互行为描述字段进行待处理云服务交互信息二元组的第一次筛选，可以提高后续基于交互环境知识向量从待处理云服务交互信息二元组中抽取联动交互信息二元组的时效性，再通过每个待处理云服务交互信息二元组中第一云服务交互信息和第二云服务交互信息分别对应的交互环境知识向量从待处理云服务交互信息二元组中抽取联动交互信息二元组，尽可能准确地过滤了交互行为描述字段类似但不是相同数字化服务进程的待处理云服务交互信息二元组。
在一些可能的实施例中，S23所描述的所述基于若干个待处理云服务交互信息二元组中第一云服务交互信息和第二云服务交互信息分别对应的交互环境知识向量，从所述待处理云服务交互信息二元组中，抽取所述联动交互信息二元组，可以包括S231和S232所描述的技术方案。
S231、对于若干个待处理云服务交互信息二元组中的每个待处理云服务交互信息二元组，结合所述每个待处理云服务交互信息二元组中第一云服务交互信息二元组应交互环境知识向量，以及所述每个待处理云服务交互信息二元组中第二云服务交互信息二元组应交互环境知识向量，确定所述第一云服务交互信息与所述第二云服务交互信息之间的环境要素差异度。
举例而言，环境要素差异度反映第一云服务交互信息与所述第二云服务交互信息在交互阶段或者交互环节之间的时序差异或者服务场景差异，环境要素差异度能够作为关联不同云服务交互信息的量化决策依据。
S232、如果所述第一云服务交互信息和所述第二云服务交互信息之间的环境要素差异度低于设定差异限值，将所述待处理云服务交互信息二元组作为所述联动交互信息二元组。
可以理解，应用于S231和S232，通过在特征知识网组合的云服务交互信息中引入连续时段的环境要素检测，使得在通过联动交互信息二元组进行特征知识网组合过程中，通过比较云服务交互信息二元组交互环境知识向量之间的环境要素差异度，判断云服务交互信息对反映的是否是相同数字化服务进程或类似数字化服务进程，降低了类似数字化服务进程对于特征知识网组合的干扰。
在一些可能的实施例中，所述交互环境知识向量包括：与所述目标云服务交互记录中各组云服务交互信息分别对应的检测模块标签数据，该检测模块标签数据可以理解为目标服务环境检测模块的标识。基于此，S231所描述的所述结合所述每个待处理云服务交互信息二元组中第一云服务交互信息二元组应交互环境知识向量，以及所述每个待处理云服务交互信息二元组中第二云服务交互信息二元组应交互环境知识向量，确定所述第一云服务交互信息与所述第二云服务交互信息之间的环境要素差异度，可以包括S2311和S2312记载的技术方案。
S2311、结合所述第一云服务交互信息二元组应检测模块标签数据、以及所述第二云服务交互信息二元组应的检测模块标签数据，确定所述第一云服务交互信息和所述第二云服务交互信息二元组应的关联服务环境检测模块的数目。
S2312、结合所述数目，确定所述第一云服务交互信息和所述第二云服务交互信息二元组应的环境要素差异度；其中，所述环境要素差异度和所述关联服务环境检测模块的数目具有设定量化关系。
其中，设定量化关系可以理解为负相关关系，也即，所述关联服务环境检测模块的数目越多，所述环境要素差异度越；所述关联服务环境检测模块的数目越少，所述环境要素差异度越大。这样，通过对两个云服务交互信息二元组应交互环境知识向量的关联服务环境检测模块信息，反映两个云服务交互信息之间的环境要素差异度，判断两个交互环境知识向量的环境要素差异度，从而对联动交互信息二元组抽取进行高效的抽取，提高特征知识网组合的时效性。
在一些可能的实施例中，所述交互环境知识向量包括：与所述目标云服务交互记录中各组云服务交互信息分别对应的环境要素热力数据、以及检测模块标签数据。进一步地，环境要素热力数据可以理解为服务环节或者服务阶段的关注度、活跃度或者热度。基于此，S231所描述的所述结合所述每个待处理云服务交互信息二元组中第一云服务交互信息二元组应交互环境知识向量，以及所述每个待处理云服务交互信息二元组中第二云服务交互信息二元组应交互环境知识向量，确定所述第一云服务交互信息与所述第二云服务交互信息之间的环境要素差异度，可以包括S231a-S231c所描述的技术方案。
S231a、结合所述第一云服务交互信息二元组应的检测模块标签、和所述第二云服务交互信息二元组应的检测模块标签，确定所述第一云服务交互信息和第二云服务交互信息二元组应的关联服务环境检测模块、和非关联服务环境检测模块。
举例而言，可以通过检测模块标签的类别确定关联服务环境检测模块和非关联服务环境检测模块。
S231b、结合所述第一云服务交互信息和所述第二云服务交互信息分别对应的环境要素热力数据，确定所述关联服务环境检测模块的热力比较结果。
例如，可以基于环境要素热力数据计算关联服务环境检测模块的热力差值。
S231c、结合所述热力比较结果、以及非关联服务环境检测模块对应的预设环境要素差异度，确定所述第一云服务交互信息和所述第二云服务交互信息之间的环境要素差异度。
应用于S231a-S231c，能精准可靠地确定两组云服务交互信息之间的环境要素差异度，提高特征知识网组合过程中的知识向量准确性，减少了类似数字化服务进程对于特征知识网组合的负面影响。
在一些可能的实施例中，S3所描述的所述结合所述联动交互信息二元组，对所述目标数字化服务进程进行特征知识网组合，得到所述目标数字化服务进程的特征知识网络，可以包括S31和S32所记载的内容。
S31、对于若干个云服务交互记录中的每个云服务交互记录，结合所述每个云服务交互记录中的多组云服务交互信息进行特征知识网组合，得到所述每个云服务交互记录对应的局部特征知识网。
举例而言，局部特征知识网用于从局部层面或者阶段层面反映每个云服务交互记录的用户行为特征或者活动偏好特征，能够作为特征知识网络整合融合的子网。
S32、结合所述联动交互信息二元组，将若干个所述云服务交互记录分别对应的局部特征知识网进行融合操作，得到所述目标数字化服务进程的特征知识网络。
应用于S31和S32，能够通过联动交互信息二元组判断出多个云服务交互记录之间的交互联系，以进行特征知识网络的融合，基于联动交互信息二元组的特征知识网融合提高了特征知识网组合的精度。
在一些可能的实施例中，S32所描述的所述结合所述联动交互信息二元组，将若干个所述云服务交互记录分别对应的局部特征知识网进行融合操作，得到所述目标数字化服务进程的特征知识网络，可以包括S321-S323所描述的技术方案。
S321、对于每两个云服务交互记录，确定该两个云服务交互记录之间是否存在目标联动交互信息二元组；所述目标联动交互信息二元组中的第一联动云服务交互信息和第二联动云服务交互信息分别对应于该两个云服务交互记录。
S322、如果该两个云服务交互记录之间存在所述目标联动交互信息二元组，基于该两个云服务交互记录之间的目标联动交互信息二元组，确定该两个云服务交互记录分别对应的局部特征知识网之间的特征映射指示，并结合所述特征映射指示，将该两个云服务交互记录分别对应的局部特征知识网进行融合操作。
例如，特征映射指示可以理解为特征知识网在融合过程中的转换关系，包括但不限于特征知识成员的连接、关键词、特征值等属性的变换对应关系和映射关系等。
S323、基于若干个云服务交互记录分别对应的融合结果，得到所述目标数字化服务进程的特征知识网络。
应用于S321-S323，基于相同联动交互信息二元组中属于不同的云服务交互记录的两个云服务交互信息，可以进行两个局部特征知识网的特征映射指示的确定，使得局部特征知识网的融合质量尽可能佳。
在一些可能的实施例中，S322所描述的所述基于该两个云服务交互记录之间的目标联动交互信息二元组，确定该两个云服务交互记录分别对应的局部特征知识网之间的特征映射指示，并结合所述特征映射指示，将该两个云服务交互记录分别对应的局部特征知识网进行融合操作，可以包括如下内容：实施如下不少于一轮循环阶段：从所述目标联动交互信息二元组中，确定当前循环阶段对应的第一目标联动交互信息二元组；结合所述第一目标联动交互信息二元组，确定该两个云服务交互记录分别对应的局部特征知识网之间的当前特征映射指示；结合所述当前特征映射指示，将该两个云服务交互记录分别对应的局部特征知识网进行融合操作，得到当前循环阶段对应的已融合知识网；结合所述目标联动交互信息二元组中，除所述第一目标联动交互信息二元组外的剩余目标联动交互信息二元组所反映的分布变量，对所述已融合知识网进行知识网融合校对；如果知识网融合校对通过，将所述当前循环阶段对应的已融合知识网作为将该两个云服务交互记录分别对应的局部特征知识网进行融合操作的最终结果，并终止循环处理；如果知识网融合校对没有通过，进入下一循环阶段；如果全部目标联动交互信息二元组依次作为第一目标联动交互信息二元组都没有通过知识网融合校对，表明该两个云服务交互记录分别对应的局部特征知识网之间不满足知识网融合要求。如此设计，以循环处理的思路对两个云服务交互记录中所有的联动交互信息二元组进行融合校对，能够尽量规避特征知识网融合的误差，提高特征知识网组合的质量。
在一些可能的实施例中，S3所描述的所述结合所述联动交互信息二元组，对所述目标数字化服务进程进行特征知识网组合，得到所述目标数字化服务进程的特征知识网络，可以包括S3a和S3b所描述的技术方案。
S3a、依次访问所述联动交互信息二元组中的每个联动交互信息二元组，并基于依次访问到的联动交互信息二元组进行特征知识网组合，得到与所述依次访问到的联动交互信息二元组对应的特征知识网络。
S3b、将若干个联动交互信息二元组分别对应的特征知识网络进行网络整合，得到所述目标数字化服务进程的特征知识网络。
其中，依次访问可以理解为遍历处理，利用S3a-S3b，通过联动云服务交互信息之间的交互联系，将多个云服务交互记录对应的局部特征知识网进行融合得到目标数字化服务进程对应的特征知识网络，可以降低冗余数字化服务进程对于目标数字化服务进程的特征知识网络组合的干扰。
在一些可能的实施例中，S3a所描述的所述基于依次访问到的联动交互信息二元组进行特征知识网组合，得到与所述依次访问到的联动交互信息二元组对应的特征知识网络，可以包括S3a1-S3a5。
S3a1、基于依次访问到的联动交互信息二元组中，第一云服务交互信息和第二云服务交互信息分别对应的数据采集模块的状态、以及所述第一云服务交互信息和所述第二云服务交互信息进行特征知识网组合，得到第一特征知识网络。
比如，数据采集模块的状态可以反映数据采集模块的运行状态，包括采集规则、采集模式、采集时段、采集触发条件等一系列状态。
S3a2、结合所述第一云服务交互信息、第二云服务交互信息、所述第一云服务交互信息和所述第二云服务交互信息分别对应的数据采集模块的状态、以及所述第一特征知识网络，确定所述第一特征知识网络的映射偏差。
例如，映射偏差可以理解为特征映射的误差或者损失。
S3a3、结合所述第一云服务交互信息和所述第二云服务交互信息分别对应的交互环境知识向量、以及与所述交互环境知识向量对应的目标服务环境检测模块的检测模块分布，确定所述第一云服务交互信息和所述第二云服务交互信息之间的环境要素差异度损失。
例如，环境要素差异度损失可以理解为环境要素差异度的误差信息。
S3a4、结合所述映射偏差和所述环境要素差异度损失，对所述第一云服务交互信息和第二云服务交互信息分别对应的数据采集模块的状态、以及与所述目标服务环境检测模块的检测模块分布进行优化，得到所述第一云服务交互信息和第二云服务交互信息分别对应的目标交互状态、以及所述目标服务环境检测模块的目标分布变量。
例如，目标交互状态包括用户的交互时效性、交互热度、交互方式等状态，检测模块分布可以反映目标服务环境检测模块在整个服务进程中的部署位置或者部署环节。目标服务环境检测模块的目标分布变量可以理解为完成优化调整的目标分布变量。
S3a5、结合所述第一云服务交互信息、第二云服务交互信息、以及所述目标交互状态进行特征知识网组合，得到所述依次访问到的联动交互信息二元组对应的特征知识网络。
应用于S3a1-S3a5，通过特征映射损失算法以及环境要素差异度损失算法，可以并行改进服务环境检测模块的分布变量，特征知识成员分布变量与数据采集模块分布变量，从而可以避免组合偏差并得到特征知识网组合包含数据采集模块的分布变量状态与特征知识成员信息。
在一些可能的实施例中，该方法还可以包括如下内容：基于若干个联动云服务交互信息分别对应的目标服务环境检测模块的目标分布变量，生成检测模块分布轨迹链。
其中，检测模块分布轨迹链可以是通过图谱的形式对检测模块的部署位置进行记录的一类信息，如此，能够整合交互环境知识向量与可视化特征知识网组合，同时生成检测模块分布轨迹链与特征知识网组合。
基于上述相同或相似的发明构思，请结合参阅图2，还提供了一种基于工业互联网的数据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数据处理***10和服务平台***20，数据处理***10和服务平台***20在运行时实现或者部分实现上述方法实施例所描述的技术方案。
进一步地，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
在本发明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发明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，在本发明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，本发明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、或者网络设备等）执行本发明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保护范围之内。
Claims (8)
1.一种基于工业互联网的数据处理方法，其特征在于，应用于数据处理***，所述方法包括：
获得关于目标数字化服务进程收集的若干个云服务交互记录、以及与若干个所述云服务交互记录分别对应的交互环境知识向量；其中，所述交互环境知识向量是在收集所述云服务交互记录时确定的部署在所述目标数字化服务进程内的目标服务环境检测模块的环境要素得到的；每个云服务交互记录包括多组云服务交互信息；
结合所述交互环境知识向量，从所述若干个云服务交互记录中确定若干个联动交互信息二元组；结合所述联动交互信息二元组，对所述目标数字化服务进程进行特征知识网组合，得到所述目标数字化服务进程的特征知识网络；
其中，所述结合所述交互环境知识向量，从所述若干个云服务交互记录中确定若干个联动交互信息二元组，包括：
挖掘若干个云服务交互记录中各组云服务交互信息的交互行为描述字段；
通过不同云服务交互信息的交互行为描述字段之间的共性系数，确定若干个待处理云服务交互信息二元组；每个待处理云服务交互信息二元组中包括第一云服务交互信息和第二云服务交互信息；
基于若干个待处理云服务交互信息二元组中第一云服务交互信息和第二云服务交互信息分别对应的交互环境知识向量，从所述待处理云服务交互信息二元组中，抽取所述联动交互信息二元组；
其中，所述基于若干个待处理云服务交互信息二元组中第一云服务交互信息和第二云服务交互信息分别对应的交互环境知识向量，从所述待处理云服务交互信息二元组中，抽取所述联动交互信息二元组，包括：
对于若干个待处理云服务交互信息二元组中的每个待处理云服务交互信息二元组，结合所述每个待处理云服务交互信息二元组中第一云服务交互信息二元组应交互环境知识向量，以及所述每个待处理云服务交互信息二元组中第二云服务交互信息二元组应交互环境知识向量，确定所述第一云服务交互信息与所述第二云服务交互信息之间的环境要素差异度；
如果所述第一云服务交互信息和所述第二云服务交互信息之间的环境要素差异度低于设定差异限值，将所述待处理云服务交互信息二元组作为所述联动交互信息二元组；
基于相同联动交互信息二元组中属于不同的云服务交互记录的两个云服务交互信息，进行两个局部特征知识网的特征映射指示的确定。
2.根据权利要求1所述的方法，其特征在于，所述交互环境知识向量包括：与目标云服务交互记录中各组云服务交互信息分别对应的检测模块标签数据；所述结合所述每个待处理云服务交互信息二元组中第一云服务交互信息二元组应交互环境知识向量，以及所述每个待处理云服务交互信息二元组中第二云服务交互信息二元组应交互环境知识向量，确定所述第一云服务交互信息与所述第二云服务交互信息之间的环境要素差异度，包括：
结合所述第一云服务交互信息二元组应检测模块标签数据、以及所述第二云服务交互信息二元组应的检测模块标签数据，确定所述第一云服务交互信息和所述第二云服务交互信息二元组应的关联服务环境检测模块的数目；
结合所述数目，确定所述第一云服务交互信息和所述第二云服务交互信息二元组应的环境要素差异度；其中，所述环境要素差异度和所述关联服务环境检测模块的数目具有设定量化关系。
3.根据权利要求1所述的方法，其特征在于，所述交互环境知识向量包括：与目标云服务交互记录中各组云服务交互信息分别对应的环境要素热力数据、以及检测模块标签数据；所述结合所述每个待处理云服务交互信息二元组中第一云服务交互信息二元组应交互环境知识向量，以及所述每个待处理云服务交互信息二元组中第二云服务交互信息二元组应交互环境知识向量，确定所述第一云服务交互信息与所述第二云服务交互信息之间的环境要素差异度，包括：结合所述第一云服务交互信息二元组应的检测模块标签、和所述第二云服务交互信息二元组应的检测模块标签，确定所述第一云服务交互信息和第二云服务交互信息二元组应的关联服务环境检测模块、和非关联服务环境检测模块；结合所述第一云服务交互信息和所述第二云服务交互信息分别对应的环境要素热力数据，确定所述关联服务环境检测模块的热力比较结果；结合所述热力比较结果、以及非关联服务环境检测模块对应的预设环境要素差异度，确定所述第一云服务交互信息和所述第二云服务交互信息之间的环境要素差异度；
其中，所述结合所述联动交互信息二元组，对所述目标数字化服务进程进行特征知识网组合，得到所述目标数字化服务进程的特征知识网络，包括：对于若干个云服务交互记录中的每个云服务交互记录，结合所述每个云服务交互记录中的多组云服务交互信息进行特征知识网组合，得到所述每个云服务交互记录对应的局部特征知识网；结合所述联动交互信息二元组，将若干个所述云服务交互记录分别对应的局部特征知识网进行融合操作，得到所述目标数字化服务进程的特征知识网络。
4.根据权利要求3所述的方法，其特征在于，所述结合所述联动交互信息二元组，将若干个所述云服务交互记录分别对应的局部特征知识网进行融合操作，得到所述目标数字化服务进程的特征知识网络，包括：
对于每两个云服务交互记录，确定该两个云服务交互记录之间是否存在目标联动交互信息二元组；所述目标联动交互信息二元组中的第一联动云服务交互信息和第二联动云服务交互信息分别对应于该两个云服务交互记录；
如果该两个云服务交互记录之间存在所述目标联动交互信息二元组，基于该两个云服务交互记录之间的目标联动交互信息二元组，确定该两个云服务交互记录分别对应的局部特征知识网之间的特征映射指示，并结合所述特征映射指示，将该两个云服务交互记录分别对应的局部特征知识网进行融合操作；
基于若干个云服务交互记录分别对应的融合结果，得到所述目标数字化服务进程的特征知识网络。
5.根据权利要求4所述的方法，其特征在于，所述基于该两个云服务交互记录之间的目标联动交互信息二元组，确定该两个云服务交互记录分别对应的局部特征知识网之间的特征映射指示，并结合所述特征映射指示，将该两个云服务交互记录分别对应的局部特征知识网进行融合操作，包括：实施如下不少于一轮循环阶段：
从所述目标联动交互信息二元组中，确定当前循环阶段对应的第一目标联动交互信息二元组；
结合所述第一目标联动交互信息二元组，确定该两个云服务交互记录分别对应的局部特征知识网之间的当前特征映射指示；
结合所述当前特征映射指示，将该两个云服务交互记录分别对应的局部特征知识网进行融合操作，得到当前循环阶段对应的已融合知识网；
结合所述目标联动交互信息二元组中，除所述第一目标联动交互信息二元组外的剩余目标联动交互信息二元组所反映的分布变量，对所述已融合知识网进行知识网融合校对；
如果知识网融合校对通过，将所述当前循环阶段对应的已融合知识网作为将该两个云服务交互记录分别对应的局部特征知识网进行融合操作的最终结果，并终止循环处理；
如果知识网融合校对没有通过，进入下一循环阶段；
如果全部目标联动交互信息二元组依次作为第一目标联动交互信息二元组都没有通过知识网融合校对，表明该两个云服务交互记录分别对应的局部特征知识网之间不满足知识网融合要求。
6.根据权利要求5所述的方法，其特征在于，所述结合所述联动交互信息二元组，对所述目标数字化服务进程进行特征知识网组合，得到所述目标数字化服务进程的特征知识网络，包括：
依次访问所述联动交互信息二元组中的每个联动交互信息二元组，并基于依次访问到的联动交互信息二元组进行特征知识网组合，得到与所述依次访问到的联动交互信息二元组对应的特征知识网络；
将若干个联动交互信息二元组分别对应的特征知识网络进行网络整合，得到所述目标数字化服务进程的特征知识网络。
7.根据权利要求6所述的方法，其特征在于，所述基于依次访问到的联动交互信息二元组进行特征知识网组合，得到与所述依次访问到的联动交互信息二元组对应的特征知识网络，包括：
基于依次访问到的联动交互信息二元组中，第一云服务交互信息和第二云服务交互信息分别对应的数据采集模块的状态、以及所述第一云服务交互信息和所述第二云服务交互信息进行特征知识网组合，得到第一特征知识网络；
结合所述第一云服务交互信息、第二云服务交互信息、所述第一云服务交互信息和所述第二云服务交互信息分别对应的数据采集模块的状态、以及所述第一特征知识网络，确定所述第一特征知识网络的映射偏差；
结合所述第一云服务交互信息和所述第二云服务交互信息分别对应的交互环境知识向量、以及与所述交互环境知识向量对应的目标服务环境检测模块的检测模块分布，确定所述第一云服务交互信息和所述第二云服务交互信息之间的环境要素差异度损失；
结合所述映射偏差和所述环境要素差异度损失，对所述第一云服务交互信息和第二云服务交互信息分别对应的数据采集模块的状态、以及与所述目标服务环境检测模块的检测模块分布进行优化，得到所述第一云服务交互信息和第二云服务交互信息分别对应的目标交互状态、以及所述目标服务环境检测模块的目标分布变量；
结合所述第一云服务交互信息、第二云服务交互信息、以及所述目标交互状态进行特征知识网组合，得到所述依次访问到的联动交互信息二元组对应的特征知识网络；
其中，还包括：基于若干个联动云服务交互信息分别对应的目标服务环境检测模块的目标分布变量，生成检测模块分布轨迹链。
8.一种数据处理***，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，以实现权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211553201.5A CN115766725B (zh) | 2022-12-06 | 2022-12-06 | 基于工业互联网的数据处理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211553201.5A CN115766725B (zh) | 2022-12-06 | 2022-12-06 | 基于工业互联网的数据处理方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115766725A CN115766725A (zh) | 2023-03-07 |
| CN115766725B true CN115766725B (zh) | 2023-11-07 |
Family
ID=85343454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211553201.5A Active CN115766725B (zh) | 2022-12-06 | 2022-12-06 | 基于工业互联网的数据处理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115766725B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116405976B (zh) * | 2023-06-06 | 2023-09-22 | 中国民用航空飞行学院 | 基于ads-b的数据双向通信优化方法及*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931064A (zh) * | 2020-08-28 | 2020-11-13 | 张坚伟 | 基于大数据和人工智能的信息解析方法及云服务信息平台 |
| CN112579756A (zh) * | 2020-12-22 | 2021-03-30 | 冯启鹏 | 基于云计算和区块链的服务响应方法及人工智能互动平台 |
| CN112818696A (zh) * | 2020-07-28 | 2021-05-18 | 薛杨杨 | 基于深度学***台 |
| CN113392405A (zh) * | 2021-06-16 | 2021-09-14 | 杨永飞 | 结合大数据分析的数字化服务漏洞检测方法及服务器 |
| WO2022135167A1 (zh) * | 2020-12-21 | 2022-06-30 | 上海商汤智能科技有限公司 | 云服务方法、装置、设备及存储介质 |
| CN114861112A (zh) * | 2022-07-05 | 2022-08-05 | 广州趣米网络科技有限公司 | 基于数据存取和大数据分类的信息分发方法及*** |
| CN115203498A (zh) * | 2022-06-30 | 2022-10-18 | 寇占香 | 应用专家***的数据信息推送分析方法及*** |
| CN115271407A (zh) * | 2022-07-21 | 2022-11-01 | 哈尔滨市先传科技有限公司 | 基于人工智能的工业互联网数据处理方法及*** |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011072899A1 (en) * | 2009-12-15 | 2011-06-23 | International Business Machines Corporation | Method for operating cloud computing services and cloud computing information system |
| US10171619B2 (en) * | 2014-08-28 | 2019-01-01 | Ca, Inc. | Identifying a cloud service using machine learning and online data |
| US10129330B2 (en) * | 2015-11-18 | 2018-11-13 | International Business Machines Corporation | Attachment of cloud services to big data services |
-
2022
- 2022-12-06 CN CN202211553201.5A patent/CN115766725B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112818696A (zh) * | 2020-07-28 | 2021-05-18 | 薛杨杨 | 基于深度学***台 |
| CN111931064A (zh) * | 2020-08-28 | 2020-11-13 | 张坚伟 | 基于大数据和人工智能的信息解析方法及云服务信息平台 |
| WO2022135167A1 (zh) * | 2020-12-21 | 2022-06-30 | 上海商汤智能科技有限公司 | 云服务方法、装置、设备及存储介质 |
| CN112579756A (zh) * | 2020-12-22 | 2021-03-30 | 冯启鹏 | 基于云计算和区块链的服务响应方法及人工智能互动平台 |
| CN113392405A (zh) * | 2021-06-16 | 2021-09-14 | 杨永飞 | 结合大数据分析的数字化服务漏洞检测方法及服务器 |
| CN114840853A (zh) * | 2021-06-16 | 2022-08-02 | 杨永飞 | 基于大数据的数字化业务分析方法及云服务器 |
| CN115203498A (zh) * | 2022-06-30 | 2022-10-18 | 寇占香 | 应用专家***的数据信息推送分析方法及*** |
| CN114861112A (zh) * | 2022-07-05 | 2022-08-05 | 广州趣米网络科技有限公司 | 基于数据存取和大数据分类的信息分发方法及*** |
| CN115271407A (zh) * | 2022-07-21 | 2022-11-01 | 哈尔滨市先传科技有限公司 | 基于人工智能的工业互联网数据处理方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115766725A (zh) | 2023-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115766725B (zh) | 基于工业互联网的数据处理方法及*** | |
| CN113608882B (zh) | 基于人工智能和大数据的信息处理方法、***及云平台 | |
| CN115757745A (zh) | 基于人工智能的业务场景控制方法、***及云平台 | |
| CN114466369A (zh) | 网络资源处理方法、存储介质及电子装置 | |
| CN111881164B (zh) | 基于边缘计算和路径分析的数据处理方法及大数据云平台 | |
| CN115422463A (zh) | 基于大数据的用户分析推送处理方法及*** | |
| CN115470905A (zh) | 一种大数据分析处理方法及*** | |
| CN115048370A (zh) | 用于大数据清洗的人工智能处理方法及大数据清洗*** | |
| CN110333990B (zh) | 数据处理方法以及装置 | |
| CN114861112A (zh) | 基于数据存取和大数据分类的信息分发方法及*** | |
| CN115271407A (zh) | 基于人工智能的工业互联网数据处理方法及*** | |
| CN115470994A (zh) | 基于显式时间和级联注意力的信息流行度预测方法和*** | |
| CN114238493B (zh) | 一种基于资源回收平台的区块链数据处理方法及*** | |
| CN111177876A (zh) | 一种社区发现方法、装置及电子设备 | |
| CN115906927B (zh) | 基于人工智能的数据访问分析方法、***及云平台 | |
| CN115712843B (zh) | 基于人工智能的数据匹配检测处理方法及*** | |
| CN116737511A (zh) | 基于图的调度作业监控方法及装置 | |
| CN116128525A (zh) | 一种基于模式前缀共享的多模式图匹配查询方法及装置 | |
| CN112566043B (zh) | Mac地址的识别方法和装置、存储介质及电子设备 | |
| CN116860981A (zh) | 潜在客户挖掘方法及装置 | |
| CN115801338B (zh) | 基于加密流量控制网关的数据处理方法及*** | |
| CN111209943A (zh) | 数据融合方法、装置及服务器 | |
| CN116167781B (zh) | 基于人工智能的商品溯源数据处理方法及云平台 | |
| CN115904810B (zh) | 基于人工智能的数据复制容灾方法及容灾*** | |
| US20230018893A1 (en) | Multitask distributed learning system and method based on lottery ticket neural network |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231016 Address after: 9th Floor, Building 3, Zone 6, No. 188 South Fourth Ring West Road, Fengtai District, Beijing, 100070 Applicant after: Beijing Guolian video information technology Co.,Ltd. Address before: No. 133, Yingchun Street, Huanghai Road Street, Laishan District, Yantai City, Shandong Province, 264003 Applicant before: Yantai Xuexunmei Information Consulting Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |