CN116361567B - 应用于云办公的数据处理方法及*** - Google Patents
应用于云办公的数据处理方法及*** Download PDFInfo
- Publication number
- CN116361567B CN116361567B CN202310643561.2A CN202310643561A CN116361567B CN 116361567 B CN116361567 B CN 116361567B CN 202310643561 A CN202310643561 A CN 202310643561A CN 116361567 B CN116361567 B CN 116361567B
- Authority
- CN
- China
- Prior art keywords
- group
- description vector
- distribution network
- data
- typical
- 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 30
- 238000004458 analytical method Methods 0.000 claims abstract description 243
- 238000012545 processing Methods 0.000 claims abstract description 103
- 239000013598 vector Substances 0.000 claims description 438
- 238000005065 mining Methods 0.000 claims description 94
- 238000006243 chemical reaction Methods 0.000 claims description 87
- 230000006399 behavior Effects 0.000 claims description 24
- 230000000052 comparative effect Effects 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 108010001267 Protein Subunits Proteins 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000013507 mapping Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013501 data transformation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- G06Q10/10—Office automation; Time management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的应用于云办公的数据处理方法及***，涉及人工智能技术领域。在本发明中，将候选群体分析网络进行网络更新操作，以形成候选群体分析网络对应的更新群体分析网络；基于目标云办公场景中的多个办公人员中的每一个办公人员对应的办公行为数据，构建出待分析群体分布网；利用更新群体分析网络，对待分析群体分布网进行群体分析操作，以输出待分析群体分布网对应的群体存在性分析数据和对应的目标群体成员分析数据。基于上述内容，可以在一定程度提高数据处理的可靠度。
Description
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种应用于云办公的数据处理方法及***。
背景技术
云办公的原理是把传统的办公软件以瘦客户端(Thin Client)或智能客户端(Smart Client)的形式运行在网络浏览器中，从而达到轻量化目的。随着云办公技术的不断发展，现今世界顶级的云办公应用，不但对传统办公文档格式具有很强的兼容性，更展现了前所未有的特性。
其中，在云办公中，基于一定的需求需要对办公人员进行群体分析，但是，在现有技术中，依旧是如传统技术中一般采用办公人员的物理位置（即办公位置）进行相关性分析，但是，对于云办公而言，办公人员的物理位置的作用不高，使得基于此的群体分析的可靠度也不高。
发明内容
有鉴于此，本发明的目的在于提供一种应用于云办公的数据处理方法及***，以在一定程度提高数据处理的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种应用于云办公的数据处理方法，包括：
将候选群体分析网络进行网络更新操作，以形成所述候选群体分析网络对应的更新群体分析网络；
基于目标云办公场景中的多个办公人员中的每一个办公人员对应的办公行为数据，构建出待分析群体分布网，所述待分析群体分布网中的每一个分布网成员为所述办公人员，且所述分布网成员的成员属性数据为所述办公人员对应的办公行为数据，所述分布网成员之间的成员相关关系基于所述成员属性数据之间的相关关系和至少一种其它成员数据之间的相关关系确定，该其它成员数据属于所述成员属性数据以外的数据，所述办公行为数据是指通过文本的形式记录办公人员的网络行为的数据；
利用所述更新群体分析网络，对所述待分析群体分布网进行群体分析操作，以输出所述待分析群体分布网对应的群体存在性分析数据和所述待分析群体分布网对应的目标群体成员分析数据，所述群体存在性分析数据用于表征所述待分析群体分布网中存在目标群体的可能性，所述目标群体成员分析数据用于指示所述待分析群体分布网中存在的目标群体的群体成员，所述群体存在性分析数据和所述目标群体成员分析数据作为进行办公文本数据、办公图像数据和/或办公语音数据的推送管理依据。
在一些优选的实施例中，在上述应用于云办公的数据处理方法中，所述将候选群体分析网络进行网络更新操作，以形成所述候选群体分析网络对应的更新群体分析网络的步骤，包括：
提取到用于更新候选群体分析网络的典型数据和所述典型数据对应的典型群体标识数据，所述典型数据包括具有典型群体的典型群体分布网和候选典型群体描述向量，所述候选群体分析网络包括特征挖掘子网络、群体分析子网络和由第一数量个处理单元组合形成的群体成员分析子单元，所述典型群体标识数据包括所述典型群体的群体存在性表征数据和所述典型群体的群体成员标识数据，所述第一数量大于1；
对所述典型群体分布网进行加载，以加载到所述特征挖掘子网络中，利用所述特征挖掘子网络，将所述典型群体分布网进行分布网挖掘操作，以输出所述典型群体分布网的典型第一分布网描述向量和典型第二分布网描述向量；
对所述候选典型群体描述向量和所述典型第二分布网描述向量进行加载，以加载到所述群体成员分析子单元包括的所述第一数量个处理单元中，利用所述第一数量个处理单元，将所述候选典型群体描述向量和所述典型第二分布网描述向量进行群体成员分析操作，以输出所述第一数量个处理单元对应的第一数量个候选群体成员预测数据，以及，对所述第一数量个候选群体成员预测数据、所述典型第一分布网描述向量和所述候选典型群体描述向量进行加载，以加载到所述特征挖掘子网络中，利用所述特征挖掘子网络挖掘出与所述候选典型群体描述向量相对应的优化典型群体描述向量，一个所述处理单元对应一个所述候选群体成员预测数据；
对所述优化典型群体描述向量进行加载，以加载到所述群体分析子网络中，利用所述群体分析子网络，将所述优化典型群体描述向量进行群体分析操作，以及，依据所述群体分析子网络分析出的群体分析数据，分析出所述优化典型群体描述向量对应的分析群体的群体存在性分析数据；
对所述优化典型群体描述向量和所述典型第二分布网描述向量进行加载，以加载到所述群体成员分析子单元包括的所述第一数量个处理单元中，利用所述第一数量个处理单元，将所述优化典型群体描述向量和所述典型第二分布网描述向量进行群体成员分析操作，以输出所述第一数量个处理单元对应的第一数量个优化群体成员预测数据，一个所述处理单元对应一个所述优化群体成员预测数据；
依据所述第一数量个优化群体成员预测数据，分析出所述分析群体的群体成员分析数据，以及，依据所述群体存在性表征数据、所述群体存在性分析数据、所述群体成员标识数据和所述群体成员分析数据，将所述候选群体分析网络进行网络更新操作，以形成更新群体分析网络。
在一些优选的实施例中，在上述应用于云办公的数据处理方法中，所述特征挖掘子网络包括特征挖掘单元、特征还原单元和特征转换单元；
所述对所述典型群体分布网进行加载，以加载到所述特征挖掘子网络中，利用所述特征挖掘子网络，将所述典型群体分布网进行分布网挖掘操作，以输出所述典型群体分布网的典型第一分布网描述向量和典型第二分布网描述向量的步骤，包括：
对所述典型群体分布网进行加载，以加载到所述特征挖掘子网络包括的所述特征挖掘单元中，利用所述特征挖掘单元，将所述典型群体分布网进行分布网挖掘操作，以及，对挖掘出的分布网特征信息进行标记，以标记为所述典型群体分布网对应的对比典型分布网描述向量；
对所述对比典型分布网描述向量进行加载，以加载到所述特征挖掘子网络包括的所述特征还原单元中，利用所述特征还原单元，将所述对比典型分布网描述向量进行信息内插操作，以形成与所述对比典型分布网描述向量相对应的内插典型分布网描述向量；
在所述内插典型分布网描述向量中，提取出用于加载到所述特征转换单元的第一提取分布网描述向量和用于加载到所述第一数量个处理单元的第二提取分布网描述向量；
对所述第一提取分布网描述向量进行标记，以标记为所述典型第一分布网描述向量，以及，对所述第二提取分布网描述向量进行标记，以标记为所述典型第二分布网描述向量。
在一些优选的实施例中，在上述应用于云办公的数据处理方法中，所述特征还原单元包括第二数量个信息内插子单元，所述第二数量大于1；
所述对所述对比典型分布网描述向量进行加载，以加载到所述特征挖掘子网络包括的所述特征还原单元中，利用所述特征还原单元，将所述对比典型分布网描述向量进行信息内插操作，以形成与所述对比典型分布网描述向量相对应的内插典型分布网描述向量的步骤，包括：
在所述第二数量个信息内插子单元中，确定第a个信息内插子单元和第b个信息内插子单元，a=b-1；
对所述对比典型分布网描述向量进行加载，以加载到所述第a个信息内插子单元中，利用所述第a个信息内插子单元，将所述对比典型分布网描述向量进行信息内插操作，以输出所述第a个信息内插子单元对应的第a个内插描述向量；
依据所述第a个内插描述向量，将所述对比典型分布网描述向量进行优化调整操作，以及，将优化调整后的对比典型分布网描述向量进行加载，以加载到所述第b个信息内插子单元中，利用所述第b个信息内插子单元，将所述优化调整后的对比典型分布网描述向量进行信息内插操作，以形成所述第b个信息内插子单元对应的第b个内插描述向量；
依据所述优化调整后的对比典型分布网描述向量和所述第b个内插描述向量，分析出与所述对比典型分布网描述向量相对应的内插典型分布网描述向量。
在一些优选的实施例中，在上述应用于云办公的数据处理方法中，所述内插典型分布网描述向量包括所述优化调整后的对比典型分布网描述向量和目标信息内插子单元对应的内插描述向量，目标信息内插子单元为所述第二数量个信息内插子单元中的最后一个信息内插子单元，所述优化调整后的对比典型分布网描述向量基于所述第a个信息内插子单元形成的第a个内插描述向量得到;
所述在所述内插典型分布网描述向量中，提取出用于加载到所述特征转换单元的第一提取分布网描述向量和用于加载到所述第一数量个处理单元的第二提取分布网描述向量的步骤，包括：
在所述内插典型分布网描述向量中，提取出所述优化调整后的对比典型分布网描述向量，以及，对所述优化调整后的对比典型分布网描述向量进行标记，以标记为用于加载到所述特征转换单元的第一提取分布网描述向量；
在所述内插典型分布网描述向量中，提取出所述目标信息内插子单元对应的内插描述向量，以及，对所述目标信息内插子单元对应的内插描述向量进行标记，以标记为用于加载到所述第一数量个处理单元的第二提取分布网描述向量。
在一些优选的实施例中，在上述应用于云办公的数据处理方法中，所述特征挖掘子网络包括特征转换单元；
所述对所述第一数量个候选群体成员预测数据、所述典型第一分布网描述向量和所述候选典型群体描述向量进行加载，以加载到所述特征挖掘子网络中，利用所述特征挖掘子网络挖掘出与所述候选典型群体描述向量相对应的优化典型群体描述向量的步骤，包括：
依据所述第一数量个候选群体成员预测数据、所述典型第一分布网描述向量和所述候选典型群体描述向量，形成用于加载到所述特征转换单元的待处理合并数据；
对所述待处理合并数据进行加载，以加载到所述特征转换单元中，利用所述特征转换单元，将所述待处理合并数据进行数据转换操作，以及，依据数据转换操作形成的数据转换结果，分析出与所述候选典型群体描述向量相对应的优化典型群体描述向量。
在一些优选的实施例中，在上述应用于云办公的数据处理方法中，所述特征挖掘子网络包括特征还原单元，所述特征还原单元包括第二数量个信息内插子单元，所述典型第一分布网描述向量包括由所述第二数量个信息内插子单元中的第三数量个信息内插子单元进行信息内插操作形成的第三数量个内插描述向量，一个信息内插子单元用于进行信息内插操作形成一个内插描述向量，所述第二数量和所述第三数量之间的差值等于1；
所述依据所述第一数量个候选群体成员预测数据、所述典型第一分布网描述向量和所述候选典型群体描述向量，形成用于加载到所述特征转换单元的待处理合并数据的步骤，包括：
在所述第三数量个内插描述向量中，选择出第a个内插描述向量；
从所述特征转换单元包括的第三数量个数据转换结构中，选择出与所述第a个内插描述向量相对应的第a个数据转换结构；
依据所述第一数量个候选群体成员预测数据，分析出用于加载到所述特征转换单元的标准群体成员描述向量，以及，依据所述标准群体成员描述向量，分析出与所述第a个数据转换结构相对应的第a个典型群体成员描述向量；
在依据所述候选典型群体描述向量分析出第a个典型待处理描述向量的过程中，对所述第a个典型待处理描述向量、所述第a个典型群体成员描述向量和所述第a个内插描述向量进行标记，以标记为所述特征转换单元中的所述第a个数据转换结构的待处理合并数据。
在一些优选的实施例中，在上述应用于云办公的数据处理方法中，所述对所述待处理合并数据进行加载，以加载到所述特征转换单元中，利用所述特征转换单元，将所述待处理合并数据进行数据转换操作，以及，依据数据转换操作形成的数据转换结果，分析出与所述候选典型群体描述向量相对应的优化典型群体描述向量的步骤，包括：
对所述第a个典型待处理描述向量、所述第a个典型群体成员描述向量和所述第a个内插描述向量进行加载，以加载到所述特征转换单元的所述第a个数据转换结构中，利用所述第a个数据转换结构，将所述第a个典型待处理描述向量、所述第a个典型群体成员描述向量和所述第a个内插描述向量进行数据转换操作，以及，对数据转换操作形成的数据转换结果进行标记，以标记为第b个典型待处理描述向量，再依据所述第b个典型待处理描述向量，分析出与所述候选典型群体描述向量相对应的优化典型群体描述向量。
在一些优选的实施例中，在上述应用于云办公的数据处理方法中，所述更新群体分析网络包括特征挖掘子网络、群体分析子网络和由第一数量个处理单元组合形成的群体成员分析子单元，所述第一数量大于1，所述利用所述更新群体分析网络，对所述待分析群体分布网进行群体分析操作，以输出所述待分析群体分布网对应的群体存在性分析数据和所述待分析群体分布网对应的目标群体成员分析数据的步骤，包括：
提取到参考群体描述向量；
对所述待分析群体分布网进行加载，以加载到所述特征挖掘子网络中，利用所述特征挖掘子网络，将所述待分析群体分布网进行分布网挖掘操作，以输出所述待分析群体分布网的第一分布网描述向量和第二分布网描述向量；
对所述参考群体描述向量和所述第二分布网描述向量进行加载，以加载到所述群体成员分析子单元中的所述第一数量个处理单元中，利用所述第一数量个处理单元，将所述参考群体描述向量和所述第二分布网描述向量进行群体成员分析操作，以输出所述第一数量个处理单元的第一数量个待定群体成员预测数据，以及，对所述第一数量个待定群体成员预测数据、所述第一分布网描述向量和所述参考群体描述向量进行加载，以加载到所述特征挖掘子网络，利用所述特征挖掘子网络挖掘出与所述参考群体描述向量相对应的优化群体描述向量；
对所述优化群体描述向量进行加载，以加载到所述群体分析子网络中，利用所述群体分析子网络，将所述优化群体描述向量进行群体分析操作，以及，依据所述群体分析子网络分析出的群体分析数据，分析出所述优化群体描述向量对应的分析群体的群体存在性估计数据；
在所述优化群体描述向量对应的群体存在性估计数据反映出所述优化群体描述向量对应的分析群体属于目标群体时，对所述优化群体描述向量和所述第二分布网描述向量进行加载，以加载到所述群体成员分析子单元包括的所述第一数量个处理单元中，利用所述第一数量个处理单元，将所述优化群体描述向量和所述第二分布网描述向量进行群体成员分析操作，以输出所述第一数量个处理单元的第一数量个目标群体成员预测数据，一个所述处理单元对应一个所述目标群体成员预测数据；
基于所述第一数量个目标群体成员预测数据，确定出所述待分析群体分布网对应的目标群体成员分析数据。
本发明实施例还提供一种应用于云办公的数据处理***，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的应用于云办公的数据处理方法。
本发明实施例提供的应用于云办公的数据处理方法及***，可以先将候选群体分析网络进行网络更新操作，以形成候选群体分析网络对应的更新群体分析网络；基于目标云办公场景中的多个办公人员中的每一个办公人员对应的办公行为数据，构建出待分析群体分布网；利用更新群体分析网络，对待分析群体分布网进行群体分析操作，以输出待分析群体分布网对应的群体存在性分析数据和对应的目标群体成员分析数据。基于前述的内容，由于可以基于办公人员对应的办公行为数据进行群体分析，使得在云办公中办公人员的物理位置的作用降低之后，也可以实现群体分析，即利用办公行为数据进行有效的群体分析，因此，可以在一定程度提高数据处理的可靠度，改善现有技术中对于云办公依旧使用物理位置进行分析而导致的数据处理的可靠度不高的问题（即群体分析的可靠度不高的问题）。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的应用于云办公的数据处理***的结构框图。
图2为本发明实施例提供的应用于云办公的数据处理方法包括的各步骤的流程示意图。
图3为本发明实施例提供的应用于云办公的数据处理装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
如图1所示，本发明实施例提供了一种应用于云办公的数据处理***。其中，所述应用于云办公的数据处理***可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的应用于云办公的数据处理方法。
应当理解的是，一些可能的实施方案中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。
应当理解的是，一些可能的实施方案中，所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上***(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应当理解的是，一些可能的实施方案中，所述应用于云办公的数据处理***可以是一种具备数据处理能力的服务器。
结合图2，本发明实施例还提供一种应用于云办公的数据处理方法，可应用于上述应用于云办公的数据处理***。其中，所述应用于云办公的数据处理方法有关的流程所定义的方法步骤，可以由所述应用于云办公的数据处理***实现。下面将对图2所示的具体流程，进行详细阐述。
步骤S110，将候选群体分析网络进行网络更新操作，以形成所述候选群体分析网络对应的更新群体分析网络。
在本发明实施例中，所述应用于云办公的数据处理***可以将候选群体分析网络进行网络更新操作，以形成所述候选群体分析网络对应的更新群体分析网络。所述候选群体分析网络可以是初始搭建的神经网络，也可以是对初始搭建的神经网络进行一定的更新后的候选神经网络。
步骤S120，基于目标云办公场景中的多个办公人员中的每一个办公人员对应的办公行为数据，构建出待分析群体分布网。
在本发明实施例中，所述应用于云办公的数据处理***可以基于目标云办公场景中的多个办公人员中的每一个办公人员对应的办公行为数据，构建出待分析群体分布网。所述待分析群体分布网中的每一个分布网成员为所述办公人员，且所述分布网成员的成员属性数据为所述办公人员对应的办公行为数据，所述分布网成员之间的成员相关关系基于所述成员属性数据之间的相关关系和至少一种其它成员数据之间的相关关系确定，该其它成员数据属于所述成员属性数据以外的数据，例如，所述成员属性数据可以是办公人员的年龄、性别、职位、工作时长、学历等信息。另外，在所述待分析群体分布网中，所述分布网成员之间的成员相关关系可以用于所述分布网成员的分布坐标之间的距离来表征，如成员相关关系越紧密，对应的分布网成员的分布坐标之间的距离可以越小。另外，所述办公行为数据是指通过文本的形式记录办公人员的网络行为的数据，如办公行为。
步骤S130，利用所述更新群体分析网络，对所述待分析群体分布网进行群体分析操作，以输出所述待分析群体分布网对应的群体存在性分析数据和所述待分析群体分布网对应的目标群体成员分析数据。
在本发明实施例中，所述应用于云办公的数据处理***可以利用所述更新群体分析网络，对所述待分析群体分布网进行群体分析操作，以输出所述待分析群体分布网对应的群体存在性分析数据和所述待分析群体分布网对应的目标群体成员分析数据。所述群体存在性分析数据用于表征所述待分析群体分布网中存在目标群体的可能性，如0表示不存在目标群体，1表示存在目标群体，所述目标群体成员分析数据用于指示所述待分析群体分布网中存在的目标群体的群体成员，如群体成员1、群体成员4、群体成员7等群体成员属于目标群体，目标群体是指具有群体成员之间具有目标群体关系的群体，如此，在将候选群体分析网络进行网络更新操作时，对应的典型群体分布网中的典型群体应当具有该目标群体关系，使得更新形成的更新群体分析网络可以学习到该目标群体关系。另外，所述群体存在性分析数据和所述目标群体成员分析数据作为进行办公文本数据、办公图像数据和/或办公语音数据的推送管理依据。例如，在需要向具有所述目标群体关系的目标群体进行办公文本数据、办公图像数据和/或办公语音数据的推送操作时，可以基于所述群体存在性分析数据和所述目标群体成员分析数据确定出目标群体，然后，对目标群体包括的群体成员一并进行数据推送操作。
基于前述的内容（即步骤S110，步骤S120和步骤S130），由于可以基于办公人员对应的办公行为数据进行群体分析，使得在云办公中办公人员的物理位置的作用降低之后，也可以实现群体分析，即利用办公行为数据进行有效的群体分析，因此，可以在一定程度提高数据处理的可靠度，改善现有技术中对于云办公依旧使用物理位置进行分析而导致的数据处理的可靠度不高的问题（即群体分析的可靠度不高的问题）。
应当理解的是，一些可能的实施方案中，上述内容中的步骤S110，可以进一步包括以下所述的内容：
提取到用于更新候选群体分析网络的典型数据和所述典型数据对应的典型群体标识数据，所述典型数据包括具有典型群体的典型群体分布网（所述典型群体分布网的构建方式如前相关描述）和候选典型群体描述向量（在一开始更新候选群体分析网络时，用于构成典型数据的候选典型群体描述向量为配置的向量，该候选典型群体描述向量可以作为候选群体分析网络的网络参数，在每一轮对候选群体分析网络进行更新时，也会对构成典型数据的候选典型群体描述向量进行更新，将更新后的候选典型群体描述向量作为新的典型数据中的候选典型群体描述向量，以对候选群体分析网络进行迭代更新，也就是说，后续的典型数据中的候选典型群体描述向量是在前一轮候选群体分析网络的网络更新过程中形成，在候选群体分析网络训练结束时，可以将当前的候选典型群体描述向量，作为参考群体描述向量），所述候选群体分析网络包括特征挖掘子网络、群体分析子网络和由第一数量个处理单元组合形成的群体成员分析子单元，所述典型群体标识数据包括所述典型群体的群体存在性表征数据（即表征是否存在典型群体）和所述典型群体的群体成员标识数据，所述第一数量大于1；
对所述典型群体分布网进行加载，以加载到所述特征挖掘子网络中，利用所述特征挖掘子网络，将所述典型群体分布网进行分布网挖掘操作，以输出所述典型群体分布网的典型第一分布网描述向量和典型第二分布网描述向量，即进行关键信息的挖掘操作；
对所述候选典型群体描述向量和所述典型第二分布网描述向量进行加载，以加载到所述群体成员分析子单元包括的所述第一数量个处理单元中，利用所述第一数量个处理单元，将所述候选典型群体描述向量和所述典型第二分布网描述向量进行群体成员分析操作，以输出所述第一数量个处理单元对应的第一数量个候选群体成员预测数据，以及，对所述第一数量个候选群体成员预测数据、所述典型第一分布网描述向量和所述候选典型群体描述向量进行加载，以加载到所述特征挖掘子网络中，利用所述特征挖掘子网络挖掘出与所述候选典型群体描述向量相对应的优化典型群体描述向量，一个所述处理单元对应一个所述候选群体成员预测数据；
对所述优化典型群体描述向量进行加载，以加载到所述群体分析子网络中，利用所述群体分析子网络，将所述优化典型群体描述向量进行群体分析操作，以及，依据所述群体分析子网络分析出的群体分析数据，分析出所述优化典型群体描述向量对应的分析群体的群体存在性分析数据，所述群体存在性分析数据用于表征存在相应群体的可能性；
对所述优化典型群体描述向量和所述典型第二分布网描述向量进行加载，以加载到所述群体成员分析子单元包括的所述第一数量个处理单元中，利用所述第一数量个处理单元，将所述优化典型群体描述向量和所述典型第二分布网描述向量进行群体成员分析操作，以输出所述第一数量个处理单元对应的第一数量个优化群体成员预测数据，一个所述处理单元对应一个所述优化群体成员预测数据，示例性地，确定所述第一数量个处理单元的第一数量个优化群体成员预测数据的方式可以与上述第一数量个候选群体成员预测数据的确定方式一致；
依据所述第一数量个优化群体成员预测数据，分析出所述分析群体的群体成员分析数据，例如，所述群体成员分析数据包括所述第一数量个优化群体成员预测数据，以及，依据所述群体存在性表征数据、所述群体存在性分析数据、所述群体成员标识数据和所述群体成员分析数据，将所述候选群体分析网络进行网络更新操作，以形成更新群体分析网络。
应当理解的是，一些可能的实施方案中，所述特征挖掘子网络可以包括特征挖掘单元、特征还原单元和特征转换单元，基于此，所述对所述典型群体分布网进行加载，以加载到所述特征挖掘子网络中，利用所述特征挖掘子网络，将所述典型群体分布网进行分布网挖掘操作，以输出所述典型群体分布网的典型第一分布网描述向量和典型第二分布网描述向量的步骤，可以进一步包括以下所述的内容：
对所述典型群体分布网进行加载，以加载到所述特征挖掘子网络包括的所述特征挖掘单元中，利用所述特征挖掘单元，将所述典型群体分布网进行分布网挖掘操作，以及，对挖掘出的分布网特征信息进行标记，以标记为所述典型群体分布网对应的对比典型分布网描述向量，示例性地，所述特征挖掘单元可以是一种编码神经网络；
对所述对比典型分布网描述向量进行加载，以加载到所述特征挖掘子网络包括的所述特征还原单元中，利用所述特征还原单元，将所述对比典型分布网描述向量进行信息内插操作，以形成与所述对比典型分布网描述向量相对应的内插典型分布网描述向量；
在所述内插典型分布网描述向量中，提取出用于加载到所述特征转换单元的第一提取分布网描述向量和用于加载到所述第一数量个处理单元的第二提取分布网描述向量；
对所述第一提取分布网描述向量进行标记，以标记为所述典型第一分布网描述向量，以及，对所述第二提取分布网描述向量进行标记，以标记为所述典型第二分布网描述向量。
应当理解的是，一些可能的实施方案中，所述特征还原单元可以包括第二数量个信息内插（Interpolating）子单元，所述第二数量大于1，基于此，所述对所述对比典型分布网描述向量进行加载，以加载到所述特征挖掘子网络包括的所述特征还原单元中，利用所述特征还原单元，将所述对比典型分布网描述向量进行信息内插操作，以形成与所述对比典型分布网描述向量相对应的内插典型分布网描述向量的步骤，可以进一步包括以下所述的内容：
在所述第二数量个信息内插子单元中，确定第a个信息内插子单元和第b个信息内插子单元，a=b-1，第a个信息内插子单元可以是任意一个信息内插子单元，第b个信息内插子单元是第a个信息内插子单元的后一个；
对所述对比典型分布网描述向量进行加载，以加载到所述第a个信息内插子单元中，利用所述第a个信息内插子单元，将所述对比典型分布网描述向量进行信息内插操作，以输出所述第a个信息内插子单元对应的第a个内插描述向量，如第1个信息内插子单元对应的第1个内插描述向量；
依据所述第a个内插描述向量，将所述对比典型分布网描述向量进行优化调整操作，例如，可以将所述第a个内插描述向量直接作为优化调整后的对比典型分布网描述向量，或者，将所述第a个内插描述向量和所述对比典型分布网描述向量进行叠加等操作，以得到优化调整后的对比典型分布网描述向量，以及，将优化调整后的对比典型分布网描述向量进行加载，以加载到所述第b个信息内插子单元中，利用所述第b个信息内插子单元，将所述优化调整后的对比典型分布网描述向量进行信息内插操作，以形成所述第b个信息内插子单元对应的第b个内插描述向量；
依据所述优化调整后的对比典型分布网描述向量和所述第b个内插描述向量，分析出与所述对比典型分布网描述向量相对应的内插典型分布网描述向量。
应当理解的是，一些可能的实施方案中，所述内插典型分布网描述向量可以包括所述优化调整后的对比典型分布网描述向量和目标信息内插子单元对应的内插描述向量，所述目标信息内插子单元为所述第二数量个信息内插子单元中的最后一个信息内插子单元，所述优化调整后的对比典型分布网描述向量基于所述第a个信息内插子单元形成的第a个内插描述向量得到，基于此，所述在所述内插典型分布网描述向量中，提取出用于加载到所述特征转换单元的第一提取分布网描述向量和用于加载到所述第一数量个处理单元的第二提取分布网描述向量的步骤，可以进一步包括以下所述的内容：
在所述内插典型分布网描述向量中，提取出所述优化调整后的对比典型分布网描述向量，以及，对所述优化调整后的对比典型分布网描述向量进行标记，以标记为用于加载到所述特征转换单元的第一提取分布网描述向量；
在所述内插典型分布网描述向量中，提取出所述目标信息内插子单元对应的内插描述向量，以及，对所述目标信息内插子单元对应的内插描述向量进行标记，以标记为用于加载到所述第一数量个处理单元的第二提取分布网描述向量。
其中，应当理解的是，一些可能的实施方案中，所述第一数量个处理单元可以包括所述典型群体的群体主要成员对应的第一处理单元和所述典型群体的群体非主要成员对应的第二处理单元，基于此，所述对所述候选典型群体描述向量和所述典型第二分布网描述向量进行加载，以加载到所述群体成员分析子单元包括的所述第一数量个处理单元中，利用所述第一数量个处理单元，将所述候选典型群体描述向量和所述典型第二分布网描述向量进行群体成员分析操作，以输出所述第一数量个处理单元对应的第一数量个候选群体成员预测数据的步骤，可以进一步包括以下所述的内容：
对所述候选典型群体描述向量和所述典型第二分布网描述向量进行加载，以加载到所述第一处理单元中，利用所述第一处理单元，将所述候选典型群体描述向量和所述典型第二分布网描述向量进行第一转换融合操作，以形成与所述群体主要成员相对应的群体主要成员描述向量，示例性地，可以先将所述候选典型群体描述向量进行线性映射操作，以得到对应的线性映射向量，然后，可以将该线性映射向量和所述典型第二分布网描述向量进行聚合，如进行叠加或拼接，以得到聚合描述向量，最后，可以对聚合描述向量进行卷积运算，以得到群体主要成员描述向量，以及，依据所述群体主要成员描述向量，预测输出所述第一处理单元对应的候选群体成员预测数据，也就是说，可以依据所述群体主要成员描述向量进行主要群体成员的分析预测，具体来说，可以包括softmax函数，例如，可以基于相应的函数对所述群体主要成员描述向量进行计算，以计算出每一个群体成员属于群体主要成员的概率值，然后，与第一预设值进行比较，如大于第一预设值，可以确定为群体主要成员；
对所述候选典型群体描述向量和所述典型第二分布网描述向量进行加载，以加载到所述第二处理单元中，利用所述第二处理单元，将所述候选典型群体描述向量和所述典型第二分布网描述向量进行第二转换融合操作，以形成与所述群体非主要成员相对应的群体非主要成员描述向量，示例性地，可以先将所述候选典型群体描述向量进行线性映射操作，以得到对应的线性映射向量，与前一个步骤的映射参数可以不同，分别作为神经网络的网络参数，相应的进行更新，然后，可以将该线性映射向量和所述典型第二分布网描述向量进行聚合，如进行叠加或拼接，以得到聚合描述向量，最后，可以对聚合描述向量进行卷积运算，卷积运算的参数也可以与前一个步骤的不同，以得到群体非主要成员描述向量，以及，依据所述群体非主要成员描述向量，预测输出所述第二处理单元对应的候选群体成员预测数据，也就是说，可以依据所述群体非主要成员描述向量进行非主要群体成员的分析预测，具体来说，可以包括softmax函数，例如，可以基于相应的函数对所述非群体主要成员描述向量进行计算，以计算出每一个群体成员属于非群体主要成员的概率值，然后，与第二预设值进行比较，如小于第二预设值，可以确定为非群体主要成员；
对所述第一处理单元对应的候选群体成员预测数据和所述第二处理单元对应的候选群体成员预测数据进行融合操作，以形成所述第一数量个处理单元的第一数量个候选群体成员预测数据，也就是说，所述第一数量个候选群体成员预测数据可以包括所述第一处理单元对应的候选群体成员预测数据和所述第二处理单元对应的候选群体成员预测数据，另外，在其它实施方式中，还可以对群体成员进行其它多层次的分类，如第一重要、第二重要、第三重要、第四重要，可以根据实际需求进行配置，相应的，所述典型群体的群体成员标识数据也可以具有群体主要成员的标识和非群体主要成员的标识，以对应进行分析优化。
应当理解的是，一些可能的实施方案中，所述特征挖掘子网络可以包括特征转换单元，基于此，所述对所述第一数量个候选群体成员预测数据、所述典型第一分布网描述向量和所述候选典型群体描述向量进行加载，以加载到所述特征挖掘子网络中，利用所述特征挖掘子网络挖掘出与所述候选典型群体描述向量相对应的优化典型群体描述向量的步骤，可以进一步包括以下所述的内容：
依据所述第一数量个候选群体成员预测数据、所述典型第一分布网描述向量和所述候选典型群体描述向量，形成用于加载到所述特征转换单元的待处理合并数据，即将三方面的数据（向量）进行合并；
对所述待处理合并数据进行加载，以加载到所述特征转换单元中，利用所述特征转换单元，将所述待处理合并数据进行数据转换操作，以及，依据数据转换操作形成的数据转换结果，分析出与所述候选典型群体描述向量相对应的优化典型群体描述向量。
应当理解的是，一些可能的实施方案中，所述特征挖掘子网络可以包括特征还原单元，所述特征还原单元包括第二数量个信息内插子单元，所述典型第一分布网描述向量包括由所述第二数量个信息内插子单元中的第三数量个信息内插子单元进行信息内插操作形成的第三数量个内插描述向量，所述第二数量个信息内插子单元可以是级联连接的，所述第三数量个信息内插子单元可以是所述第二数量个信息内插子单元中最前面的第三数量个信息内插子单元，一个信息内插子单元用于进行信息内插操作形成一个内插描述向量，所述第二数量和所述第三数量之间的差值等于1，基于此，所述依据所述第一数量个候选群体成员预测数据、所述典型第一分布网描述向量和所述候选典型群体描述向量，形成用于加载到所述特征转换单元的待处理合并数据的步骤，可以进一步包括以下所述的内容：
在所述第三数量个内插描述向量中，选择出第a个内插描述向量，所述第a个内插描述向量可以是任意一个内插描述向量；
从所述特征转换单元包括的第三数量个数据转换结构中，选择出与所述第a个内插描述向量相对应的第a个数据转换结构，所述第三数量个数据转换结构也可以是级联连接的，因此，也可以确定第a个数据转换结构；
依据所述第一数量个候选群体成员预测数据，分析出用于加载到所述特征转换单元的标准群体成员描述向量,例如，可以将第一数量个候选群体成员预测数据在特征空间的映射向量作为标准群体成员描述向量，以及，依据所述标准群体成员描述向量，分析出与所述第a个数据转换结构相对应的第a个典型群体成员描述向量，例如，可以直接将所述标准群体成员描述向量作为第a个典型群体成员描述向量，或者，也可以对所述标准群体成员描述向量进行处理，以得到第a个典型群体成员描述向量；
在依据所述候选典型群体描述向量分析出第a个典型待处理描述向量的过程中（例如，可以将所述候选典型群体描述向量作为第一个典型待处理描述向量），对所述第a个典型待处理描述向量、所述第a个典型群体成员描述向量和所述第a个内插描述向量进行标记，以标记为所述特征转换单元中的所述第a个数据转换结构的待处理合并数据，可以理解的是，特征转换单元中的每一个数据转换结构都对应一个待处理合并数据。
应当理解的是，一些可能的实施方案中，所述对所述待处理合并数据进行加载，以加载到所述特征转换单元中，利用所述特征转换单元，将所述待处理合并数据进行数据转换操作，以及，依据数据转换操作形成的数据转换结果，分析出与所述候选典型群体描述向量相对应的优化典型群体描述向量的步骤，可以进一步包括以下所述的内容：
对所述第a个典型待处理描述向量、所述第a个典型群体成员描述向量和所述第a个内插描述向量进行加载，以加载到所述特征转换单元的所述第a个数据转换结构中，利用所述第a个数据转换结构，将所述第a个典型待处理描述向量、所述第a个典型群体成员描述向量和所述第a个内插描述向量进行数据转换操作，以及，对数据转换操作形成的数据转换结果进行标记，以标记为第b个典型待处理描述向量，再依据所述第b个典型待处理描述向量，分析出与所述候选典型群体描述向量相对应的优化典型群体描述向量，例如，可以将最后一个数据转换结构输出的数据转换结果，作为形成的数据转换结果。
其中，应当理解的是，一些可能的实施方案中，所述将所述第a个典型待处理描述向量、所述第a个典型群体成员描述向量和所述第a个内插描述向量进行数据转换操作的步骤，可以进一步包括以下所述的内容：
将所述第a个典型待处理描述向量和所述第a个内插描述向量的转置向量进行相乘，以得到第一相乘结果，然后，可以将所述第a个典型群体成员描述向量和所述第一相乘结果进行相加，以得到第一相加结果；
将所述第一相加结果和所述第a个内插描述向量进行相乘，以得到第二相乘结果，然后，可以将所述第二相乘结果和所述第a个典型待处理描述向量进行相加，以输出对应的数据转换结果。
其中，应当理解的是，一些可能的实施方案中，所述优化典型群体描述向量可以为第四数量个，每一个优化典型群体描述向量都可以对应有一个群体成员分析数据和一个群体存在性分析数据，基于此，所述依据所述第一数量个优化群体成员预测数据，分析出所述分析群体的群体成员分析数据，以及，依据所述群体存在性表征数据、所述群体存在性分析数据、所述群体成员标识数据和所述群体成员分析数据，将所述候选群体分析网络进行网络更新操作，以形成更新群体分析网络的步骤，可以进一步包括以下所述的内容：
依据所述第一数量个优化群体成员预测数据，分析出所述分析群体的群体成员分析数据，所述群体成员分析数据包括所述第一数量个优化群体成员预测数据，即将优化群体成员预测数据合并在一起；
在第四数量个优化典型群体描述向量对应的群体成员分析数据中，分析出与所述群体成员标识数据相对应的群体成员分析数据，以及，对与所述群体成员标识数据相对应的群体成员分析数据对应的优化典型群体描述向量进行标记，以标记为对比典型群体描述向量；
对所述群体成员标识数据进行标记，以标记为对比典型群体描述向量对应的典型群体成员实际数据，以及，对所述群体存在性表征数据进行标记，以标记为所述对比典型群体描述向量对应的典型群体存在性实际数据；
提取到非群体存在性表征数据（即表征群体以外的成员的数据），以及，对所述非群体存在性表征数据进行标记，以标记为所述第四数量个优化典型群体描述向量中所述对比典型群体描述向量之外的优化典型群体描述向量对应的典型群体存在性实际数据（即指示不存在典型群体）；
依据所述对比典型群体描述向量对应的群体成员分析数据和对应的典型群体成员实际数据，计算输出网络更新误差第一指标，以及，依据所述第四数量个优化典型群体描述向量对应的群体存在性分析数据和对应的典型群体存在性实际数据，计算输出网络更新误差第二指标；
基于所述网络更新误差第一指标和所述网络更新误差第二指标，将所述候选群体分析网络的网络参数进行更新调整，以形成更新群体分析网络，例如，可以沿着降低所述网络更新误差第一指标和所述网络更新误差第二指标的方向，对候选群体分析网络的网络参数进行更新调整。
应当理解的是，一些可能的实施方案中，上述内容中的步骤S130，可以进一步包括以下所述的内容：
提取到参考群体描述向量（如前相关描述）；
对所述待分析群体分布网进行加载，以加载到所述特征挖掘子网络中，利用所述特征挖掘子网络，将所述待分析群体分布网进行分布网挖掘操作，以输出所述待分析群体分布网的第一分布网描述向量和第二分布网描述向量（如前相关描述）；
对所述参考群体描述向量和所述第二分布网描述向量进行加载，以加载到所述群体成员分析子单元中的所述第一数量个处理单元中，利用所述第一数量个处理单元，将所述参考群体描述向量和所述第二分布网描述向量进行群体成员分析操作，以输出所述第一数量个处理单元的第一数量个待定群体成员预测数据，以及，对所述第一数量个待定群体成员预测数据、所述第一分布网描述向量和所述参考群体描述向量进行加载，以加载到所述特征挖掘子网络，利用所述特征挖掘子网络挖掘出与所述参考群体描述向量相对应的优化群体描述向量（如前相关描述）；
对所述优化群体描述向量进行加载，以加载到所述群体分析子网络中，利用所述群体分析子网络，将所述优化群体描述向量进行群体分析操作，以及，依据所述群体分析子网络分析出的群体分析数据，分析出所述优化群体描述向量对应的分析群体的群体存在性估计数据（如前相关描述）；
在所述优化群体描述向量对应的群体存在性估计数据反映出所述优化群体描述向量对应的分析群体属于目标群体时，对所述优化群体描述向量和所述第二分布网描述向量进行加载，以加载到所述群体成员分析子单元包括的所述第一数量个处理单元中，利用所述第一数量个处理单元，将所述优化群体描述向量和所述第二分布网描述向量进行群体成员分析操作，以输出所述第一数量个处理单元的第一数量个目标群体成员预测数据，一个所述处理单元对应一个所述目标群体成员预测数据；
基于所述第一数量个目标群体成员预测数据，确定出所述待分析群体分布网对应的目标群体成员分析数据，所述目标群体成员分析数据可以包括所述第一数量个目标群体成员预测数据。
结合图3，本发明实施例还提供一种应用于云办公的数据处理装置，可应用于上述应用于云办公的数据处理***。其中，所述应用于云办公的数据处理装置可以包括以下的软件功能模块：
网络更新模块，用于将候选群体分析网络进行网络更新操作，以形成所述候选群体分析网络对应的更新群体分析网络；
群体分布网构建模块，用于基于目标云办公场景中的多个办公人员中的每一个办公人员对应的办公行为数据，构建出待分析群体分布网，所述待分析群体分布网中的每一个分布网成员为所述办公人员，且所述分布网成员的成员属性数据为所述办公人员对应的办公行为数据，所述分布网成员之间的成员相关关系基于所述成员属性数据之间的相关关系和至少一种其它成员数据之间的相关关系确定，该其它成员数据属于所述成员属性数据以外的数据；
群体分析模块，用于利用所述更新群体分析网络，对所述待分析群体分布网进行群体分析操作，以输出所述待分析群体分布网对应的群体存在性分析数据和所述待分析群体分布网对应的目标群体成员分析数据，所述群体存在性分析数据用于表征所述待分析群体分布网中存在目标群体的可能性，所述目标群体成员分析数据用于指示所述待分析群体分布网中存在的目标群体的群体成员。
综上所述，本发明提供的应用于云办公的数据处理方法及***，可以先将候选群体分析网络进行网络更新操作，以形成候选群体分析网络对应的更新群体分析网络；基于目标云办公场景中的多个办公人员中的每一个办公人员对应的办公行为数据，构建出待分析群体分布网；利用更新群体分析网络，对待分析群体分布网进行群体分析操作，以输出待分析群体分布网对应的群体存在性分析数据和对应的目标群体成员分析数据。基于前述的内容，由于可以基于办公人员对应的办公行为数据进行群体分析，使得在云办公中办公人员的物理位置的作用降低之后，也可以实现群体分析，即利用办公行为数据进行有效的群体分析，因此，可以在一定程度提高数据处理的可靠度，改善现有技术中对于云办公依旧使用物理位置进行分析而导致的数据处理的可靠度不高的问题（即群体分析的可靠度不高的问题）。
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 (9)
1.一种应用于云办公的数据处理方法，其特征在于，包括：
将候选群体分析网络进行网络更新操作，以形成所述候选群体分析网络对应的更新群体分析网络；
基于目标云办公场景中的多个办公人员中的每一个办公人员对应的办公行为数据，构建出待分析群体分布网，所述待分析群体分布网中的每一个分布网成员为所述办公人员，且所述分布网成员的成员属性数据为所述办公人员对应的办公行为数据，所述分布网成员之间的成员相关关系基于所述成员属性数据之间的相关关系和至少一种其它成员数据之间的相关关系确定，该其它成员数据属于所述成员属性数据以外的数据，所述办公行为数据是指通过文本的形式记录办公人员的网络行为的数据；
利用所述更新群体分析网络，对所述待分析群体分布网进行群体分析操作，以输出所述待分析群体分布网对应的群体存在性分析数据和所述待分析群体分布网对应的目标群体成员分析数据，所述群体存在性分析数据用于表征所述待分析群体分布网中存在目标群体的可能性，所述目标群体成员分析数据用于指示所述待分析群体分布网中存在的目标群体的群体成员，所述群体存在性分析数据和所述目标群体成员分析数据作为进行办公文本数据、办公图像数据和/或办公语音数据的推送管理依据；
其中，所述将候选群体分析网络进行网络更新操作，以形成所述候选群体分析网络对应的更新群体分析网络的步骤，包括：
提取到用于更新候选群体分析网络的典型数据和所述典型数据对应的典型群体标识数据，所述典型数据包括具有典型群体的典型群体分布网和候选典型群体描述向量，所述候选群体分析网络包括特征挖掘子网络、群体分析子网络和由第一数量个处理单元组合形成的群体成员分析子单元，所述典型群体标识数据包括所述典型群体的群体存在性表征数据和所述典型群体的群体成员标识数据，所述第一数量大于1；
对所述典型群体分布网进行加载，以加载到所述特征挖掘子网络中，利用所述特征挖掘子网络，将所述典型群体分布网进行分布网挖掘操作，以输出所述典型群体分布网的典型第一分布网描述向量和典型第二分布网描述向量；
对所述候选典型群体描述向量和所述典型第二分布网描述向量进行加载，以加载到所述群体成员分析子单元包括的所述第一数量个处理单元中，利用所述第一数量个处理单元，将所述候选典型群体描述向量和所述典型第二分布网描述向量进行群体成员分析操作，以输出所述第一数量个处理单元对应的第一数量个候选群体成员预测数据，以及，对所述第一数量个候选群体成员预测数据、所述典型第一分布网描述向量和所述候选典型群体描述向量进行加载，以加载到所述特征挖掘子网络中，利用所述特征挖掘子网络挖掘出与所述候选典型群体描述向量相对应的优化典型群体描述向量，一个所述处理单元对应一个所述候选群体成员预测数据；
对所述优化典型群体描述向量进行加载，以加载到所述群体分析子网络中，利用所述群体分析子网络，将所述优化典型群体描述向量进行群体分析操作，以及，依据所述群体分析子网络分析出的群体分析数据，分析出所述优化典型群体描述向量对应的分析群体的群体存在性分析数据；
对所述优化典型群体描述向量和所述典型第二分布网描述向量进行加载，以加载到所述群体成员分析子单元包括的所述第一数量个处理单元中，利用所述第一数量个处理单元，将所述优化典型群体描述向量和所述典型第二分布网描述向量进行群体成员分析操作，以输出所述第一数量个处理单元对应的第一数量个优化群体成员预测数据，一个所述处理单元对应一个所述优化群体成员预测数据；
依据所述第一数量个优化群体成员预测数据，分析出所述分析群体的群体成员分析数据，以及，依据所述群体存在性表征数据、所述群体存在性分析数据、所述群体成员标识数据和所述群体成员分析数据，将所述候选群体分析网络进行网络更新操作，以形成更新群体分析网络。
2.如权利要求1所述的应用于云办公的数据处理方法，其特征在于，所述特征挖掘子网络包括特征挖掘单元、特征还原单元和特征转换单元；
所述对所述典型群体分布网进行加载，以加载到所述特征挖掘子网络中，利用所述特征挖掘子网络，将所述典型群体分布网进行分布网挖掘操作，以输出所述典型群体分布网的典型第一分布网描述向量和典型第二分布网描述向量的步骤，包括：
对所述典型群体分布网进行加载，以加载到所述特征挖掘子网络包括的所述特征挖掘单元中，利用所述特征挖掘单元，将所述典型群体分布网进行分布网挖掘操作，以及，对挖掘出的分布网特征信息进行标记，以标记为所述典型群体分布网对应的对比典型分布网描述向量；
对所述对比典型分布网描述向量进行加载，以加载到所述特征挖掘子网络包括的所述特征还原单元中，利用所述特征还原单元，将所述对比典型分布网描述向量进行信息内插操作，以形成与所述对比典型分布网描述向量相对应的内插典型分布网描述向量；
在所述内插典型分布网描述向量中，提取出用于加载到所述特征转换单元的第一提取分布网描述向量和用于加载到所述第一数量个处理单元的第二提取分布网描述向量；
对所述第一提取分布网描述向量进行标记，以标记为所述典型第一分布网描述向量，以及，对所述第二提取分布网描述向量进行标记，以标记为所述典型第二分布网描述向量。
3.如权利要求2所述的应用于云办公的数据处理方法，其特征在于，所述特征还原单元包括第二数量个信息内插子单元，所述第二数量大于1；
所述对所述对比典型分布网描述向量进行加载，以加载到所述特征挖掘子网络包括的所述特征还原单元中，利用所述特征还原单元，将所述对比典型分布网描述向量进行信息内插操作，以形成与所述对比典型分布网描述向量相对应的内插典型分布网描述向量的步骤，包括：
在所述第二数量个信息内插子单元中，确定第a个信息内插子单元和第b个信息内插子单元，a=b-1；
对所述对比典型分布网描述向量进行加载，以加载到所述第a个信息内插子单元中，利用所述第a个信息内插子单元，将所述对比典型分布网描述向量进行信息内插操作，以输出所述第a个信息内插子单元对应的第a个内插描述向量；
依据所述第a个内插描述向量，将所述对比典型分布网描述向量进行优化调整操作，以及，将优化调整后的对比典型分布网描述向量进行加载，以加载到所述第b个信息内插子单元中，利用所述第b个信息内插子单元，将所述优化调整后的对比典型分布网描述向量进行信息内插操作，以形成所述第b个信息内插子单元对应的第b个内插描述向量；
依据所述优化调整后的对比典型分布网描述向量和所述第b个内插描述向量，分析出与所述对比典型分布网描述向量相对应的内插典型分布网描述向量。
4.如权利要求3所述的应用于云办公的数据处理方法，其特征在于，所述内插典型分布网描述向量包括所述优化调整后的对比典型分布网描述向量和目标信息内插子单元对应的内插描述向量，目标信息内插子单元为所述第二数量个信息内插子单元中的最后一个信息内插子单元，所述优化调整后的对比典型分布网描述向量基于所述第a个信息内插子单元形成的第a个内插描述向量得到;
所述在所述内插典型分布网描述向量中，提取出用于加载到所述特征转换单元的第一提取分布网描述向量和用于加载到所述第一数量个处理单元的第二提取分布网描述向量的步骤，包括：
在所述内插典型分布网描述向量中，提取出所述优化调整后的对比典型分布网描述向量，以及，对所述优化调整后的对比典型分布网描述向量进行标记，以标记为用于加载到所述特征转换单元的第一提取分布网描述向量；
在所述内插典型分布网描述向量中，提取出所述目标信息内插子单元对应的内插描述向量，以及，对所述目标信息内插子单元对应的内插描述向量进行标记，以标记为用于加载到所述第一数量个处理单元的第二提取分布网描述向量。
5.如权利要求1所述的应用于云办公的数据处理方法，其特征在于，所述特征挖掘子网络包括特征转换单元；
所述对所述第一数量个候选群体成员预测数据、所述典型第一分布网描述向量和所述候选典型群体描述向量进行加载，以加载到所述特征挖掘子网络中，利用所述特征挖掘子网络挖掘出与所述候选典型群体描述向量相对应的优化典型群体描述向量的步骤，包括：
依据所述第一数量个候选群体成员预测数据、所述典型第一分布网描述向量和所述候选典型群体描述向量，形成用于加载到所述特征转换单元的待处理合并数据；
对所述待处理合并数据进行加载，以加载到所述特征转换单元中，利用所述特征转换单元，将所述待处理合并数据进行数据转换操作，以及，依据数据转换操作形成的数据转换结果，分析出与所述候选典型群体描述向量相对应的优化典型群体描述向量。
6.如权利要求5所述的应用于云办公的数据处理方法，其特征在于，所述特征挖掘子网络包括特征还原单元，所述特征还原单元包括第二数量个信息内插子单元，所述典型第一分布网描述向量包括由所述第二数量个信息内插子单元中的第三数量个信息内插子单元进行信息内插操作形成的第三数量个内插描述向量，一个信息内插子单元用于进行信息内插操作形成一个内插描述向量，所述第二数量和所述第三数量之间的差值等于1；
所述依据所述第一数量个候选群体成员预测数据、所述典型第一分布网描述向量和所述候选典型群体描述向量，形成用于加载到所述特征转换单元的待处理合并数据的步骤，包括：
在所述第三数量个内插描述向量中，选择出第a个内插描述向量；
从所述特征转换单元包括的第三数量个数据转换结构中，选择出与所述第a个内插描述向量相对应的第a个数据转换结构；
依据所述第一数量个候选群体成员预测数据，分析出用于加载到所述特征转换单元的标准群体成员描述向量，以及，依据所述标准群体成员描述向量，分析出与所述第a个数据转换结构相对应的第a个典型群体成员描述向量；
在依据所述候选典型群体描述向量分析出第a个典型待处理描述向量的过程中，对所述第a个典型待处理描述向量、所述第a个典型群体成员描述向量和所述第a个内插描述向量进行标记，以标记为所述特征转换单元中的所述第a个数据转换结构的待处理合并数据。
7.如权利要求6所述的应用于云办公的数据处理方法，其特征在于，所述对所述待处理合并数据进行加载，以加载到所述特征转换单元中，利用所述特征转换单元，将所述待处理合并数据进行数据转换操作，以及，依据数据转换操作形成的数据转换结果，分析出与所述候选典型群体描述向量相对应的优化典型群体描述向量的步骤，包括：
对所述第a个典型待处理描述向量、所述第a个典型群体成员描述向量和所述第a个内插描述向量进行加载，以加载到所述特征转换单元的所述第a个数据转换结构中，利用所述第a个数据转换结构，将所述第a个典型待处理描述向量、所述第a个典型群体成员描述向量和所述第a个内插描述向量进行数据转换操作，以及，对数据转换操作形成的数据转换结果进行标记，以标记为第b个典型待处理描述向量，再依据所述第b个典型待处理描述向量，分析出与所述候选典型群体描述向量相对应的优化典型群体描述向量。
8.如权利要求1-7任意一项所述的应用于云办公的数据处理方法，其特征在于，所述更新群体分析网络包括特征挖掘子网络、群体分析子网络和由第一数量个处理单元组合形成的群体成员分析子单元，所述第一数量大于1，所述利用所述更新群体分析网络，对所述待分析群体分布网进行群体分析操作，以输出所述待分析群体分布网对应的群体存在性分析数据和所述待分析群体分布网对应的目标群体成员分析数据的步骤，包括：
提取到参考群体描述向量；
对所述待分析群体分布网进行加载，以加载到所述特征挖掘子网络中，利用所述特征挖掘子网络，将所述待分析群体分布网进行分布网挖掘操作，以输出所述待分析群体分布网的第一分布网描述向量和第二分布网描述向量；
对所述参考群体描述向量和所述第二分布网描述向量进行加载，以加载到所述群体成员分析子单元中的所述第一数量个处理单元中，利用所述第一数量个处理单元，将所述参考群体描述向量和所述第二分布网描述向量进行群体成员分析操作，以输出所述第一数量个处理单元的第一数量个待定群体成员预测数据，以及，对所述第一数量个待定群体成员预测数据、所述第一分布网描述向量和所述参考群体描述向量进行加载，以加载到所述特征挖掘子网络，利用所述特征挖掘子网络挖掘出与所述参考群体描述向量相对应的优化群体描述向量；
对所述优化群体描述向量进行加载，以加载到所述群体分析子网络中，利用所述群体分析子网络，将所述优化群体描述向量进行群体分析操作，以及，依据所述群体分析子网络分析出的群体分析数据，分析出所述优化群体描述向量对应的分析群体的群体存在性估计数据；
在所述优化群体描述向量对应的群体存在性估计数据反映出所述优化群体描述向量对应的分析群体属于目标群体时，对所述优化群体描述向量和所述第二分布网描述向量进行加载，以加载到所述群体成员分析子单元包括的所述第一数量个处理单元中，利用所述第一数量个处理单元，将所述优化群体描述向量和所述第二分布网描述向量进行群体成员分析操作，以输出所述第一数量个处理单元的第一数量个目标群体成员预测数据，一个所述处理单元对应一个所述目标群体成员预测数据；
基于所述第一数量个目标群体成员预测数据，确定出所述待分析群体分布网对应的目标群体成员分析数据。
9.一种应用于云办公的数据处理***，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-8任意一项所述的应用于云办公的数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310643561.2A CN116361567B (zh) | 2023-06-01 | 2023-06-01 | 应用于云办公的数据处理方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310643561.2A CN116361567B (zh) | 2023-06-01 | 2023-06-01 | 应用于云办公的数据处理方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116361567A CN116361567A (zh) | 2023-06-30 |
| CN116361567B true CN116361567B (zh) | 2023-08-29 |
Family
ID=86905517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310643561.2A Active CN116361567B (zh) | 2023-06-01 | 2023-06-01 | 应用于云办公的数据处理方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116361567B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116996403B (zh) * | 2023-09-26 | 2023-12-15 | 深圳市乙辰科技股份有限公司 | 应用ai模型的网络流量诊断方法及*** |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115757556A (zh) * | 2022-12-05 | 2023-03-07 | 徐州思睿晶信息科技有限公司 | 基于大数据的网络数据关联分析方法和平台 |
| CN116126947A (zh) * | 2023-04-18 | 2023-05-16 | 西昌学院 | 应用于企业管理***的大数据分析方法及*** |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9417256B2 (en) * | 2012-12-12 | 2016-08-16 | Repsol, S. A. | System, method and program product for automatically matching new members of a population with analogous members |
| US10839429B2 (en) * | 2018-10-16 | 2020-11-17 | Capital One Services, Llc | System and method for identifying members of a dynamic target segment |
-
2023
- 2023-06-01 CN CN202310643561.2A patent/CN116361567B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115757556A (zh) * | 2022-12-05 | 2023-03-07 | 徐州思睿晶信息科技有限公司 | 基于大数据的网络数据关联分析方法和平台 |
| CN116126947A (zh) * | 2023-04-18 | 2023-05-16 | 西昌学院 | 应用于企业管理***的大数据分析方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116361567A (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11727203B2 (en) | Information processing system, feature description method and feature description program | |
| CN113378835B (zh) | 标注模型训练、样本标注方法及相关装置 | |
| CN110708285B (zh) | 流量监控方法、装置、介质及电子设备 | |
| CN116361567B (zh) | 应用于云办公的数据处理方法及*** | |
| CN114428677B (zh) | 任务处理方法、处理装置、电子设备及存储介质 | |
| CN112861662B (zh) | 基于人脸和交互文本的目标对象行为预测方法及相关设备 | |
| CN110781818B (zh) | 视频分类方法、模型训练方法、装置及设备 | |
| CN114444619B (zh) | 样本生成方法、训练方法、数据处理方法以及电子设备 | |
| CN115690443B (zh) | 特征提取模型训练方法、图像分类方法及相关装置 | |
| CN113887615A (zh) | 图像处理方法、装置、设备和介质 | |
| CN114662006B (zh) | 端云协同推荐***、方法以及电子设备 | |
| CN113268403A (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
| CN111432003A (zh) | 应用于云计算的数据推送方法、装置、电子设备及*** | |
| CN112784102A (zh) | 视频检索方法、装置和电子设备 | |
| CN115146653B (zh) | 对话剧本构建方法、装置、设备及存储介质 | |
| CN116662876A (zh) | 多模态认知决策方法、***、装置、设备及存储介质 | |
| CN111626783A (zh) | 用于实现事件转化概率预测的离线信息设置方法和装置 | |
| US20220350801A1 (en) | Prediction device, prediction method, and prediction program | |
| CN116228419A (zh) | 信息处理方法、装置、设备及存储介质 | |
| CN113360672B (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
| CN115240704A (zh) | 音频识别方法、装置、电子设备和计算机程序产品 | |
| CN114943995A (zh) | 人脸识别模型的训练方法、人脸识别方法及装置 | |
| CN114282121A (zh) | 业务节点推荐方法、***、设备及存储介质 | |
| CN113779116A (zh) | 对象排序方法、相关设备及介质 | |
| CN110415006B (zh) | 广告点击率预估方法和装置 |
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 |