CN116991919B - 结合平台数据库的业务数据检索方法及人工智能*** - Google Patents

结合平台数据库的业务数据检索方法及人工智能*** Download PDF

Info

Publication number
CN116991919B
CN116991919B CN202311243360.XA CN202311243360A CN116991919B CN 116991919 B CN116991919 B CN 116991919B CN 202311243360 A CN202311243360 A CN 202311243360A CN 116991919 B CN116991919 B CN 116991919B
Authority
CN
China
Prior art keywords
service data
data retrieval
data
vector
interference
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
Application number
CN202311243360.XA
Other languages
English (en)
Other versions
CN116991919A (zh
Inventor
王惠
史光坤
刘云鹤
刘春雨
王彦超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Tower Co ltd Jilin Branch
Original Assignee
China Tower Co ltd Jilin Branch
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Tower Co ltd Jilin Branch filed Critical China Tower Co ltd Jilin Branch
Priority to CN202311243360.XA priority Critical patent/CN116991919B/zh
Publication of CN116991919A publication Critical patent/CN116991919A/zh
Application granted granted Critical
Publication of CN116991919B publication Critical patent/CN116991919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—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
    • 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
    • G06F16/2455—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供的结合平台数据库的业务数据检索方法及人工智能***，涉及人工智能技术领域。在本发明中，基于第一业务数据检索特征和第二业务数据检索特征，输出第一业务数据检索向量和第二业务数据检索向量；基于第一业务数据检索向量和第二业务数据检索向量，输出初始融合数据检索特征，依据初始融合数据检索特征、第一业务数据检索特征和第二业务数据检索向量，输出调整业务数据检索向量；聚合第二业务数据检索向量和调整业务数据检索向量，输出聚合业务数据检索向量；基于第一业务数据检索向量和聚合业务数据检索向量，输出目标融合数据检索特征，基于目标融合数据检索特征进行业务数据检索。基于上述内容，可以提高业务数据检索的可靠度。

Description

结合平台数据库的业务数据检索方法及人工智能***
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种结合平台数据库的业务数据检索方法及人工智能***。
背景技术
将需要的业务数据存储至数据库中，以在后期加以利用，是一种重要的技术手段。其中，对于存储于数据库中的业务数据，一般是基于用户的检索请求，进行相关性分析，以将相关的、匹配的业务数据查找出来，使得业务数据检索。但是，在现有技术中，一般是分别基于检索请求中的各种特征进行查找，然后，取交集等方式以得到需要的业务数据。这种方式，容易出现业务数据检索的可靠度相对不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种结合平台数据库的业务数据检索方法及人工智能***，以提高业务数据检索的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种结合平台数据库的业务数据检索方法，包括：
将第一业务数据检索特征进行特征挖掘，输出第一业务数据检索向量，以及，将第二业务数据检索特征进行特征挖掘，输出第二业务数据检索向量，所述第一业务数据检索特征和所述第二业务数据检索特征属于目标业务数据检索请求中两个不同数据维度的检索特征；
将所述第一业务数据检索向量进行依据所述第二业务数据检索向量的特征还原，输出初始融合数据检索特征，以及，依据所述初始融合数据检索特征和所述第一业务数据检索特征之间的区别，将所述第二业务数据检索向量进行调整，输出对应的调整业务数据检索向量；
将所述第二业务数据检索向量和所述调整业务数据检索向量进行聚合，输出聚合业务数据检索向量；
将所述第一业务数据检索向量进行依据所述聚合业务数据检索向量的特征还原，输出目标融合数据检索特征，以及，基于所述目标融合数据检索特征，在目标平台数据库中进行业务数据检索，得到所述目标业务数据检索请求对应的目标业务数据。
在一些优选的实施例中，在上述结合平台数据库的业务数据检索方法中，所述第一业务数据检索特征、所述初始融合数据检索特征和所述目标融合数据检索特征的数据维度相同，都属于第一维度数据，所述第二业务数据检索特征属于第二维度数据，所述第一维度数据包括文本维度数据，所述第二维度数据包括图像维度数据或语音维度数据。
在一些优选的实施例中，在上述结合平台数据库的业务数据检索方法中，所述将第一业务数据检索特征进行特征挖掘，输出第一业务数据检索向量，以及，将第二业务数据检索特征进行特征挖掘，输出第二业务数据检索向量的步骤，包括：
生成干扰数据特征，所述干扰数据特征与所述第一业务数据检索特征具有相同的数据维度；
对所述第一业务数据检索特征和所述干扰数据特征进行特征合并，形成对应的合并业务数据检索特征；
将所述合并业务数据检索特征进行特征挖掘，输出所述第一业务数据检索特征对应的第一业务数据检索向量；
将第二业务数据检索特征进行特征挖掘，输出所述第二业务数据检索特征对应的第二业务数据检索向量。
在一些优选的实施例中，在上述结合平台数据库的业务数据检索方法中，所述将所述第一业务数据检索向量进行依据所述第二业务数据检索向量的特征还原是利用文本数据还原网络进行的，所述文本数据还原网络包括第一数量个先后连接的干扰数据抑制单元和特征还原单元，所述第一数量大于或等于2；
所述将所述第一业务数据检索向量进行依据所述第二业务数据检索向量的特征还原，输出初始融合数据检索特征，以及，依据所述初始融合数据检索特征和所述第一业务数据检索特征之间的区别，将所述第二业务数据检索向量进行调整，输出对应的调整业务数据检索向量的步骤，包括：
利用第一数量个先后连接的干扰数据抑制单元中第i个干扰数据抑制单元，将所述第i个干扰数据抑制单元的加载数据进行干扰抑制处理，以及，对所述第i个干扰数据抑制单元输出的第i个干扰抑制数据加载至第j个干扰数据抑制单元以进行干扰抑制处理，输出所述第j个干扰数据抑制单元对应的第j个干扰抑制数据，j=i+1；在i等于1时，所述第i个干扰数据抑制单元的加载数据为所述第一业务数据检索向量和所述第二业务数据检索向量，在i大于或等于、小于所述第一数量，所述第i个干扰数据抑制单元的加载数据为第i个干扰数据抑制单元的前一个干扰数据抑制单元输出的干扰抑制数据和所述第二业务数据检索向量；
利用所述特征还原单元，将最后一个干扰数据抑制单元输出的干扰抑制数据进行特征还原，输出对应的初始融合数据检索特征；
依据所述初始融合数据检索特征和所述第一业务数据检索特征之间的区别，将所述第二业务数据检索向量进行调整，输出对应的调整业务数据检索向量。
在一些优选的实施例中，在上述结合平台数据库的业务数据检索方法中，所述第i个干扰数据抑制单元包括第二数量个先后连接的聚焦挖掘单元，所述第二数量大于或等于2；
所述利用第一数量个先后连接的干扰数据抑制单元中第i个干扰数据抑制单元，将所述第i个干扰数据抑制单元的加载数据进行干扰抑制处理，以及，对所述第i个干扰数据抑制单元输出的第i个干扰抑制数据加载至第j个干扰数据抑制单元以进行干扰抑制处理，输出所述第j个干扰数据抑制单元对应的第j个干扰抑制数据的步骤，包括：
利用所述第i个干扰数据抑制单元中第a个聚焦挖掘单元，将所述第a个聚焦挖掘单元的加载数据和所述第二业务数据检索向量进行聚焦特征挖掘，输出对应的聚焦业务数据检索向量，并标记为所述第i个干扰数据抑制单元中第a个聚焦挖掘单元的第a个聚焦挖掘数据；
对所述第i个干扰数据抑制单元中第a个聚焦挖掘单元的第a个聚焦挖掘数据加载至第b个聚焦挖掘单元以进行聚焦特征挖掘，输出第i个干扰数据抑制单元中第b个聚焦挖掘单元的第b个聚焦挖掘数据，b=a+1，在b等于1时，所述第a个聚焦挖掘单元的加载数据为所述第i个干扰数据抑制单元的前一个干扰数据抑制单元输出的干扰抑制数据，在b大于或等于2、小于所述第二数量时，所述第a个聚焦挖掘单元的加载数据为前一个聚焦挖掘单元输出的聚焦挖掘数据；
对所述第i个干扰数据抑制单元中最后一个聚焦挖掘单元输出的聚焦挖掘数据进行标记，使得被标记为第i个干扰抑制数据；
对所述第i个干扰数据抑制单元输出的第i个干扰抑制数据加载至第j个干扰数据抑制单元以进行干扰抑制处理，输出所述第j个干扰数据抑制单元对应的第j个干扰抑制数据。
在一些优选的实施例中，在上述结合平台数据库的业务数据检索方法中，所述利用所述第i个干扰数据抑制单元中第a个聚焦挖掘单元，将所述第a个聚焦挖掘单元的加载数据和所述第二业务数据检索向量进行聚焦特征挖掘，输出对应的聚焦业务数据检索向量，并标记为所述第i个干扰数据抑制单元中第a个聚焦挖掘单元的第a个聚焦挖掘数据的步骤，包括：
将所述第a个聚焦挖掘单元的加载数据进行注意力机制的第一线性转换，输出对应的第一线性转换结果；
将所述第二业务数据检索向量进行注意力机制的第二线性转换，输出对应的第二线性转换结果；
将所述第二业务数据检索向量进行注意力机制的第三线性转换，输出对应的第三线性转换结果；
基于所述第一线性转换结果和所述第二线性转换结果，确定出所述第a个聚焦挖掘单元的加载数据和所述第二业务数据检索向量之间的相似性参数；
基于所述相似性参数，对所述第三线性转换结果进行加权，输出对应的聚焦业务数据检索向量，并标记为所述第i个干扰数据抑制单元中第a个聚焦挖掘单元的第a个聚焦挖掘数据。
在一些优选的实施例中，在上述结合平台数据库的业务数据检索方法中，所述将所述第一业务数据检索向量进行依据所述第二业务数据检索向量的特征还原是利用文本数据还原网络进行的，所述将所述第一业务数据检索向量进行依据所述聚合业务数据检索向量的特征还原是利用目标神经网络进行的，所述目标神经网络包括所述文本数据还原网络和多个文本数据分析网络；
在所述将所述第一业务数据检索向量进行依据所述聚合业务数据检索向量的特征还原，输出目标融合数据检索特征，以及，基于所述目标融合数据检索特征，在目标平台数据库中进行业务数据检索，得到所述目标业务数据检索请求对应的目标业务数据的步骤以前，所述结合平台数据库的业务数据检索方法还包括：
对所述第一业务数据检索向量和目标业务数据检索向量在所述目标神经网络中进行处理，形成对应的中间数据检索特征，所述目标业务数据检索向量为所述第二业务数据检索向量或者所述聚合业务数据检索向量；
依据所述中间数据检索特征和所述第一业务数据检索特征之间的区别，将所述目标神经网络中的多个文本数据分析网络进行网络参数的优化，形成优化后的目标神经网络。
在一些优选的实施例中，在上述结合平台数据库的业务数据检索方法中，所述文本数据还原网络包括第一数量个先后连接的干扰数据抑制单元和特征还原单元，所述第一数量大于或等于2，所述目标神经网络属于在所述文本数据还原网络的基础上为每一个所述干扰数据抑制单元设置一个文本数据分析网络而形成，每一个所述干扰数据抑制单元和对应的文本数据分析网络形成对应的一个联合处理单元，多个所述联合处理单元之间的先后连接关系和多个所述干扰数据抑制单元之间的先后连接关系一致；
所述对所述第一业务数据检索向量和目标业务数据检索向量在所述目标神经网络中进行处理，形成对应的中间数据检索特征的步骤，包括：
利用第一数量个先后连接的联合处理单元中第i个联合处理单元，将所述第i个联合处理单元的加载数据进行联合干扰抑制处理，以及，对所述第i个联合处理单元输出的第i个联合干扰抑制数据加载至第j个联合处理单元以联合干扰抑制处理，输出所述第j个联合处理单元的第j个联合干扰抑制数据；
将最后一个联合处理单元输出的联合干扰抑制数据进行特征还原，输出对应的中间数据检索特征；
在i等于1时，所述第i个联合处理单元的加载数据为所述第一业务数据检索向量和所述目标业务数据检索向量，在i大于或等于2、小于所述第一数量时，所述第i个联合处理单元的加载数据为前一个联合处理单元输出的联合干扰抑制数据和所述目标业务数据检索向量。
在一些优选的实施例中，在上述结合平台数据库的业务数据检索方法中，所述将所述第二业务数据检索向量和所述调整业务数据检索向量进行聚合，输出聚合业务数据检索向量的步骤，包括：
将所述第二业务数据检索向量进行按照第一尺寸的向量抽选，形成对应的第一尺寸抽选向量，所述第一尺寸抽选向量包括所述第二业务数据检索向量中分布坐标在前的第一尺寸的向量局部数据；
将所述调整业务数据检索向量进行按照第二尺寸的向量抽选，形成对应的第二尺寸抽选向量，所述第二尺寸抽选向量包括所述调整业务数据检索向量中分布坐标在前的第二尺寸的向量局部数据；
对所述第二尺寸抽选向量级联到所述第一尺寸抽选向量的末端位置，形成对应的聚合业务数据检索向量。
本发明实施例还提供一种人工智能***，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，以实现上述的结合平台数据库的业务数据检索方法。
本发明实施例提供的结合平台数据库的业务数据检索方法及人工智能***，可以基于第一业务数据检索特征和第二业务数据检索特征，输出第一业务数据检索向量和第二业务数据检索向量；基于第一业务数据检索向量和第二业务数据检索向量，输出初始融合数据检索特征，依据初始融合数据检索特征、第一业务数据检索特征和第二业务数据检索向量，输出调整业务数据检索向量；聚合第二业务数据检索向量和调整业务数据检索向量，输出聚合业务数据检索向量；基于第一业务数据检索向量和聚合业务数据检索向量，输出目标融合数据检索特征，基于目标融合数据检索特征进行业务数据检索。基于前述的内容，由于在进行业务数据检索之前，会将目标业务数据检索请求中两个不同数据维度的检索特征进行充分的融合，使得得到的目标融合数据检索特征能够有效表征目标业务数据检索请求，因此，可以保障基于目标融合数据检索特征进行的业务数据检索的可靠度，从而改善现有技术中存在的检索可靠度相对不高的问题。
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人工智能***的结构框图。
图2为本发明实施例提供的结合平台数据库的业务数据检索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结合平台数据库的业务数据检索装置包括的各模块的示意图。
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人工智能***。其中，所述人工智能***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（如后文所述）提供的结合平台数据库的业务数据检索方法。
可以选择的是，在一些实施方式中，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（Erasable ProgrammableRead-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable ProgrammableRead-Only Memory，EEPROM）等。
可以选择的是，在一些实施方式中，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。
可以选择的是，在一些实施方式中，所述人工智能***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结合平台数据库的业务数据检索方法，可应用于上述人工智能***。其中，所述结合平台数据库的业务数据检索方法有关的流程所定义的方法步骤，可以由所述人工智能***实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，将第一业务数据检索特征进行特征挖掘，输出第一业务数据检索向量，以及，将第二业务数据检索特征进行特征挖掘，输出第二业务数据检索向量。
在本发明实施例中，所述人工智能***可以将第一业务数据检索特征进行特征挖掘，输出第一业务数据检索向量，以及，将第二业务数据检索特征进行特征挖掘，输出第二业务数据检索向量。所述第一业务数据检索特征和所述第二业务数据检索特征属于目标业务数据检索请求中两个不同数据维度的检索特征，如文本维度、图像维度或语音维度，如此，可以实现多维度数据的检索，使得检索特征更为的丰富，例如，对于产品提供业务，用户可以同时基于相似产品的图像和对产品的文本描述数据，对产品进行检索，即检索到目标产品等，特征挖掘可以是指向量化的过程，即用第一业务数据检索向量来表征第一业务数据检索特征，用第二业务数据检索向量来表征第二业务数据检索特征。
步骤S120，将所述第一业务数据检索向量进行依据所述第二业务数据检索向量的特征还原，输出初始融合数据检索特征，以及，依据所述初始融合数据检索特征和所述第一业务数据检索特征之间的区别，将所述第二业务数据检索向量进行调整，输出对应的调整业务数据检索向量。
在本发明实施例中，所述人工智能***可以将所述第一业务数据检索向量进行依据所述第二业务数据检索向量的特征还原，输出初始融合数据检索特征，以及，依据所述初始融合数据检索特征和所述第一业务数据检索特征之间的区别，将所述第二业务数据检索向量进行调整，输出对应的调整业务数据检索向量。也就是说，在对所述第一业务数据检索向量进行特征还原（也可以理解为，解码、重建等，与特征挖掘的过程可以互逆）时，可以结合所述第二业务数据检索向量，使得得到的初始融合数据检索特征中不仅能够反映第一业务数据检索向量，还能够反映第二业务数据检索向量。另外，依据所述初始融合数据检索特征和所述第一业务数据检索特征之间的区别将所述第二业务数据检索向量进行调整，实际上是对第二业务数据检索向量进行微调整，从而保障在处理的过程中，对初始的第一业务数据检索特征的认知，保障处理过程中的一致性。
步骤S130，将所述第二业务数据检索向量和所述调整业务数据检索向量进行聚合，输出聚合业务数据检索向量。
在本发明实施例中，所述人工智能***可以将所述第二业务数据检索向量和所述调整业务数据检索向量进行聚合，输出聚合业务数据检索向量。如此，将所述第二业务数据检索向量和所述调整业务数据检索向量进行聚合，可以使得聚合业务数据检索向量在表征第二业务数据检索特征的同时，还能够与第一业务数据检索特征匹配。
步骤S140，将所述第一业务数据检索向量进行依据所述聚合业务数据检索向量的特征还原，输出目标融合数据检索特征，以及，基于所述目标融合数据检索特征，在目标平台数据库中进行业务数据检索，得到所述目标业务数据检索请求对应的目标业务数据。
在本发明实施例中，所述人工智能***可以将所述第一业务数据检索向量进行依据所述聚合业务数据检索向量的特征还原，输出目标融合数据检索特征，以及，基于所述目标融合数据检索特征，在目标平台数据库中进行业务数据检索，得到所述目标业务数据检索请求对应的目标业务数据。基于此，可以保障形成的目标融合数据检索特征能够有效表征第一业务数据检索特征和第二业务数据检索特征的语义。其中，基于所述目标融合数据检索特征在目标平台数据库中进行业务数据检索，可以是指，在所述目标平台数据库包括的各业务数据中，查找出与所述目标融合数据检索特征匹配的目标业务数据（如匹配度最大的一个业务数据或匹配度大于预设匹配度的各业务数据），具体的查找过程可以参照相关的现有技术。
举例来说：
在一个实际应用场景中，假设有一个产品搜索***，其中包含文本描述和图像作为两个不同的数据维度。用户可以通过输入产品的文本描述和上传产品的图像来进行搜索。在这种情况下：第一业务数据检索特征挖掘：对于文本描述数据，可以使用自然语言处理技术提取关键词、短语或句子的特征，并将其转换为一个向量表示；第二业务数据检索特征挖掘：对于产品图像数据，可以使用计算机视觉技术提取图像的特征，比如使用卷积神经网络提取图像的特征向量。通过这两个步骤，可以得到第一业务数据检索向量和第二业务数据检索向量，分别用于表示文本描述和图像数据的特征；在上述示例中，通过将文本描述和图像数据进行融合来得到更综合的检索特征。具体步骤如下：利用第二业务数据检索向量的特征还原：使用第二业务数据检索向量作为引导，结合第一业务数据检索向量，得到一个初始融合数据检索特征；根据初始融合数据检索特征和第一业务数据检索特征之间的差异进行调整：通过比较初始融合数据检索特征与第一业务数据检索特征的差异，对第二业务数据检索向量进行微调，生成相应的调整业务数据检索向量；如此，可以得到了融合了文本描述和图像数据的初始融合数据检索特征，并对第二业务数据检索向量进行了调整。这样可以使得最终的检索特征既能反映第一业务数据的特征，也能充分考虑第二业务数据的特征。通过将第二业务数据检索向量和调整业务数据检索向量进行聚合，可以得到一个聚合业务数据检索向量，该向量综合考虑了文本描述和图像数据的特征。基于此，进一步，可以通过聚合业务数据检索向量来进行最终的业务数据检索。具体步骤如下：第一业务数据检索向量还原：根据聚合业务数据检索向量以及调整业务数据检索向量，进行特征还原操作；目标融合数据检索特征：从还原得到的第一业务数据检索向量中得到目标融合数据检索特征；目标业务数据检索：基于目标融合数据检索特征，在目标平台数据库中进行业务数据检索，找到与目标融合数据检索特征匹配的目标业务数据。通过以上步骤，可以将用户输入的文本描述和上传的图像数据融合，并得到了一个目标融合数据检索特征。然后，可以在目标平台数据库中进行业务数据检索，找到了符合目标业务数据检索请求的目标业务数据。综上所述，通过这些步骤的处理，能够有效地融合不同维度的数据特征，并实现更准确、全面的业务数据检索。有助于改善现有技术中存在的可靠度相对较低的问题，并提高业务数据检索的准确性和可靠性。
提供一个以电子产品作为产品搜索***的实例。在该***中，第一业务数据是电子产品的文本描述，第二业务数据是电子产品的图像。
步骤S110 - 特征挖掘：
第一业务数据检索特征挖掘：对于电子产品的文本描述，使用自然语言处理技术从文本中提取关键词、品牌、型号、功能等特征，并将其转换为一个向量表示。例如，对于文本描述 "XXX Pro 13 寸笔记本电脑，256GB 存储，液晶 显示屏"，可以提取关键词 ["XXX", " Pro", "13 寸", "256GB", "液晶 显示屏"] 并转换为向量表示。第二业务数据检索特征挖掘：对于电子产品的图像，使用计算机视觉技术，如卷积神经网络（CNN），提取图像的特征向量。例如，使用预训练的CNN模型，对电子产品图像进行特征提取，得到一个表示图像特征的向量。
步骤S120 - 特征还原与调整：
特征还原：根据步骤S110中得到的文本描述向量和图像特征向量，进行特征还原操作，将它们合并为一个初始融合数据检索特征（如增加了颜色特征和形状特征等，或修正了一些特征，如尺寸特征等）。例如，可以通过拼接文本描述向量和图像特征向量来得到初始融合数据检索特征。调整业务数据检索向量：根据初始融合数据检索特征与第一业务数据检索特征之间的区别，对第二业务数据检索向量进行微调，输出调整业务数据检索向量。例如，通过比较初始融合数据检索特征与第一业务数据检索特征的差异，调整图像特征向量以更好地匹配第一业务数据的特征。
步骤S130 - 聚合：
聚合业务数据检索向量：将第一业务数据检索向量和调整后的第二业务数据检索向量进行聚合，得到聚合业务数据检索向量。例如，可以通过简单地将两个向量进行拼接或加权平均来实现聚合。
步骤S140- 目标数据检索：
目标业务数据检索：基于聚合业务数据检索向量，在目标电子产品数据库中进行业务数据检索，找到与聚合业务数据检索向量匹配的目标电子产品数据。例如，使用聚合业务数据检索向量作为查询条件，在数据库中查找最接近该向量的电子产品数据。通过以上步骤，能够将文本描述和图像数据进行融合，并利用聚合后的业务数据检索向量在目标电子产品数据库中进行准确的产品搜索（如"YYY Pro 13 寸笔记本电脑，256GB 存储，液晶显示屏，银灰色"）。这样，用户可以通过输入文本描述和上传图像来寻找符合其需求的电子产品。
上述仅为一种示例，也可以是对其它产品或内容进行检索。
基于前述的内容，由于在进行业务数据检索之前，会将目标业务数据检索请求中两个不同数据维度的检索特征进行充分的融合，使得得到的目标融合数据检索特征能够有效表征目标业务数据检索请求，因此，可以保障基于目标融合数据检索特征进行的业务数据检索的可靠度，从而改善现有技术中存在的检索可靠度相对不高的问题。
可以选择的是，在一些实施方式中，所述第一业务数据检索特征、所述初始融合数据检索特征和所述目标融合数据检索特征的数据维度相同，例如，都属于第一维度数据，所述第二业务数据检索特征属于第二维度数据，例如，所述第一维度数据包括文本维度数据，所述第二维度数据包括图像维度数据或语音维度数据。
可以选择的是，在一些实施方式中，上述的步骤S110，可以包括：
生成干扰数据特征，所述干扰数据特征与所述第一业务数据检索特征具有相同的数据维度，如都属于文本数据，所述干扰数据特征可以是随机生成的一个文本数据，其中，利用干扰数据特征可以在一定程度改善过拟合；
对所述第一业务数据检索特征和所述干扰数据特征进行特征合并，形成对应的合并业务数据检索特征，示例性地，可以将所述第一业务数据检索特征和所述干扰数据特征先分别进行嵌入处理，得到对应的两个嵌入特征，然后，可以将两个嵌入特征进行叠加等处理，使得可以实现特征合并，即得到对应的合并业务数据检索特征；或者，在一些实施方式中，所述干扰数据特征可以是一些字符，可以用这些字符直接将所述第一业务数据检索特征中的字符进行替换，以实现特征合并；
将所述合并业务数据检索特征进行特征挖掘，输出所述第一业务数据检索特征对应的第一业务数据检索向量，该特征挖掘可以通过卷积神经网络或特征提取网络实现，卷积神经网络或特征提取网络可以包括多个卷积核等，以实现特征的深度挖掘，得到第一业务数据检索向量；
将第二业务数据检索特征进行特征挖掘，输出所述第二业务数据检索特征对应的第二业务数据检索向量，如前相关描述。
举例来说：
有以下第一业务数据检索特征描述电子产品和以下干扰数据特征描述随机生成的文本：
第一业务数据检索特征："This smartphone features a high-resolutiondisplay and a powerful processor"；
干扰数据特征："Randomly generated text for interference"；
对于这个示例，可以按照以下步骤合并嵌入特征：
构建词汇表：同样地，需要构建一个包含所有可能单词的词汇表；
选择嵌入模型：选择合适的文本嵌入模型（如Word2Vec、GloVe或BERT）来为每个单词生成嵌入向量；
对文本进行嵌入处理：使用选定的嵌入模型将第一业务数据检索特征和干扰数据特征转换为它们各自的嵌入特征序列。例如：
"This smartphone features a high-resolution display and a powerfulprocessor." 可以转换为一个具有多个嵌入向量的序列，如 [[0.12, 0.56, -0.23,0.89], [0.78, -0.45, 0.67, -0.91], ...]；
"Randomly generated text for interference." 可以转换为另一个具有多个嵌入向量的序列，如 [[0.34, -0.67, 0.91, 0.12], [0.56, 0.23, 0.78, -0.45],...]；
特征合并：将第一业务数据检索特征对应的嵌入特征和干扰数据特征对应的嵌入特征进行合并。一种方法是将两个嵌入特征序列按照元素位置进行操作，例如将它们相加或连接在一起，得到一个组合的嵌入特征向量。这样就实现了第一业务数据检索特征和干扰数据特征的特征合并。例如，将 [[0.12, 0.56, -0.23, 0.89], [0.78, -0.45, 0.67,-0.91]] 和 [[0.34, -0.67, 0.91, 0.12], [0.56, 0.23, 0.78, -0.45]] 相加，得到组合的嵌入特征序列：[[0.46, -0.11, 0.68, 1.01], [1.34, -0.22, 1.45, -1.36],...]。
可以选择的是，在一些实施方式中，所述将所述第一业务数据检索向量进行依据所述第二业务数据检索向量的特征还原是利用文本数据还原网络进行的，所述文本数据还原网络包括第一数量个先后连接的干扰数据抑制单元和特征还原单元，如第一个干扰数据抑制单元的输出和第二个干扰数据抑制单元的输入连接，第二个干扰数据抑制单元的输出和第三个干扰数据抑制单元的输入连接，所述第一数量大于或等于2，上述的步骤S120，可以包括：
利用第一数量个先后连接的干扰数据抑制单元中第i个干扰数据抑制单元，将所述第i个干扰数据抑制单元的加载数据进行干扰抑制处理（在前面有叠加干扰数据，因此，需要先进行干扰抑制，即去除干扰信息），以及，对所述第i个干扰数据抑制单元输出的第i个干扰抑制数据加载至第j个干扰数据抑制单元以进行干扰抑制处理，输出所述第j个干扰数据抑制单元对应的第j个干扰抑制数据，j=i+1；在i等于1时，所述第i个干扰数据抑制单元的加载数据为所述第一业务数据检索向量和所述第二业务数据检索向量，在i大于或等于、小于所述第一数量，所述第i个干扰数据抑制单元的加载数据为第i个干扰数据抑制单元的前一个干扰数据抑制单元输出的干扰抑制数据和所述第二业务数据检索向量，也就是说，结合第二业务数据检索向量，对第一维度的特征进行干扰抑制，使得干扰抑制的依据更为充分，保障干扰抑制的可靠度；并且，通过后一个干扰数据抑制单元对前一个干扰数据抑制单元的输出进行抑制，可以实现干扰抑制处理的级联进行，能够进一步提高干扰抑制处理的精度；
利用所述特征还原单元，将最后一个干扰数据抑制单元输出的干扰抑制数据进行特征还原，输出对应的初始融合数据检索特征；所述特征还原单元可以是一种编码神经网络中的解码部分，如此，可以将向量形式的干扰抑制数据，映射为（生成）文本数据形式的初始融合数据检索特征；
依据所述初始融合数据检索特征和所述第一业务数据检索特征之间的区别，将所述第二业务数据检索向量进行调整，输出对应的调整业务数据检索向量；示例性地，可以计算所述初始融合数据检索特征和所述第一业务数据检索特征之间的距离（如编辑距离、余弦距离等），然后，可以对该距离进行归一化处理，得到对应的归一化值，然后，可以基于所述归一化值，对所述第二业务数据检索向量进行加权，最后，可以将得到的加权向量和所述第二业务数据检索向量进行叠加，得到调整业务数据检索向量。
可以选择的是，在一些实施方式中，所述第i个干扰数据抑制单元包括第二数量个先后连接的聚焦挖掘单元，所述第二数量大于或等于2，基于此，所述利用第一数量个先后连接的干扰数据抑制单元中第i个干扰数据抑制单元，将所述第i个干扰数据抑制单元的加载数据进行干扰抑制处理，以及，对所述第i个干扰数据抑制单元输出的第i个干扰抑制数据加载至第j个干扰数据抑制单元以进行干扰抑制处理，输出所述第j个干扰数据抑制单元对应的第j个干扰抑制数据的步骤，可以包括：
利用所述第i个干扰数据抑制单元中第a个聚焦挖掘单元，将所述第a个聚焦挖掘单元的加载数据和所述第二业务数据检索向量进行聚焦特征挖掘，输出对应的聚焦业务数据检索向量，并标记为所述第i个干扰数据抑制单元中第a个聚焦挖掘单元的第a个聚焦挖掘数据，如此，可以使得所述聚焦业务数据检索向量可以同时携带所述第a个聚焦挖掘单元的加载数据和所述第二业务数据检索向量，使得表征的语义更佳；
对所述第i个干扰数据抑制单元中第a个聚焦挖掘单元的第a个聚焦挖掘数据加载至第b个聚焦挖掘单元以进行聚焦特征挖掘，输出第i个干扰数据抑制单元中第b个聚焦挖掘单元的第b个聚焦挖掘数据，b=a+1，也就是说，通过后一个聚焦挖掘单元对前一个聚焦挖掘单元输出的聚焦挖掘数据进行进一步挖掘，在b等于1时，所述第a个聚焦挖掘单元的加载数据为所述第i个干扰数据抑制单元的前一个干扰数据抑制单元输出的干扰抑制数据，在b大于或等于2、小于所述第二数量时，所述第a个聚焦挖掘单元的加载数据为前一个聚焦挖掘单元输出的聚焦挖掘数据；
对所述第i个干扰数据抑制单元中最后一个聚焦挖掘单元输出的聚焦挖掘数据进行标记，使得被标记为第i个干扰抑制数据；也就是说，可以将所述第i个干扰数据抑制单元中最后一个聚焦挖掘单元输出的聚焦挖掘数据作为所述第i个干扰数据抑制单元的输出；
对所述第i个干扰数据抑制单元输出的第i个干扰抑制数据加载至第j个干扰数据抑制单元以进行干扰抑制处理，输出所述第j个干扰数据抑制单元对应的第j个干扰抑制数据；示例性地，利用第1干扰数据抑制单元对第一业务数据检索向量和第二业务数据检索向量进行干扰抑制，得到第1个干扰抑制数据，利用第2干扰数据抑制单元对第1个干扰抑制数据和第二业务数据检索向量进行干扰抑制，得到第2个干扰抑制数据，利用第3干扰数据抑制单元对第2干扰抑制数据和第二业务数据检索向量进行干扰抑制，得到第3个干扰抑制数据。
举例来说：
第一个步骤：利用第i个干扰数据抑制单元中的第a个聚焦挖掘单元，将其加载数据和第二业务数据检索向量进行聚焦特征挖掘。假设第i个干扰数据抑制单元是第3个，第a个聚焦挖掘单元是第2个，加载数据为[0.5, 0.4, 0.2]，第二业务数据检索向量为[0.8,0.7, 0.9]。通过聚焦特征挖掘，生成对应的聚焦业务数据检索向量为[0.6, 0.55, 0.3]，标记为第3个干扰数据抑制单元中第2个聚焦挖掘单元的第2个聚焦挖掘数据。
第二个步骤：将第3个干扰数据抑制单元中第2个聚焦挖掘单元的第2个聚焦挖掘数据加载至第3个聚焦挖掘单元以进行进一步聚焦特征挖掘。假设前一个聚焦挖掘单元输出的聚焦挖掘数据为[0.6, 0.55, 0.3]。通过进一步挖掘，第3个聚焦挖掘单元输出的聚焦挖掘数据为[0.45, 0.4, 0.25]。这样，在第一个例子中，第3个干扰数据抑制单元中第2个聚焦挖掘单元的聚焦业务数据检索向量同时携带了加载数据[0.5, 0.4, 0.2]和第二业务数据检索向量[0.8, 0.7, 0.9]的信息。在第二个例子中，通过连续的聚焦挖掘单元进行特征挖掘，逐层提取和加工，最终得到第3个干扰数据抑制单元中第3个聚焦挖掘单元的聚焦挖掘数据[0.45, 0.4, 0.25]。
可以选择的是，在一些实施方式中，所述利用所述第i个干扰数据抑制单元中第a个聚焦挖掘单元，将所述第a个聚焦挖掘单元的加载数据和所述第二业务数据检索向量进行聚焦特征挖掘，输出对应的聚焦业务数据检索向量，并标记为所述第i个干扰数据抑制单元中第a个聚焦挖掘单元的第a个聚焦挖掘数据的步骤，可以包括：
将所述第a个聚焦挖掘单元的加载数据进行注意力机制的第一线性转换，输出对应的第一线性转换结果，示例性地，可以将所述第a个聚焦挖掘单元的加载数据与聚焦挖掘单元包括的第一参数矩阵相乘，得到第一线性转换结果（Query Vector），用于指定关注的信息或查询的目标；
将所述第二业务数据检索向量进行注意力机制的第二线性转换，输出对应的第二线性转换结果，示例性地，可以将所述第二业务数据检索向量与聚焦挖掘单元包括的第二参数矩阵相乘，得到第二线性转换结果（Key Vector），用于表示输入数据的标识或索引；
将所述第二业务数据检索向量进行注意力机制的第三线性转换，输出对应的第三线性转换结果，示例性地，可以将所述第二业务数据检索向量与聚焦挖掘单元包括的第三参数矩阵相乘，得到第三线性转换结果（Value Vector）包含与输入数据相关的具体信息或特征，；
基于所述第一线性转换结果和所述第二线性转换结果，确定出所述第a个聚焦挖掘单元的加载数据和所述第二业务数据检索向量之间的相似性参数，例如，可以将所述第一线性转换结果和所述第二线性转换结果的转置数据进行相乘，得到该相似性参数；
基于所述相似性参数，对所述第三线性转换结果进行加权，即相乘运算，输出对应的聚焦业务数据检索向量，并标记为所述第i个干扰数据抑制单元中第a个聚焦挖掘单元的第a个聚焦挖掘数据。
可以选择的是，在一些实施方式中，上述的步骤S130，可以包括：
将所述第二业务数据检索向量进行按照第一尺寸的向量抽选，形成对应的第一尺寸抽选向量，所述第一尺寸抽选向量包括所述第二业务数据检索向量中分布坐标在前的第一尺寸的向量局部数据；将所述调整业务数据检索向量进行按照第二尺寸的向量抽选，形成对应的第二尺寸抽选向量，所述第二尺寸抽选向量包括所述调整业务数据检索向量中分布坐标在前的第二尺寸的向量局部数据；对所述第二尺寸抽选向量级联到所述第一尺寸抽选向量的末端位置，形成对应的聚合业务数据检索向量。
也就是说，对调整后的调整业务数据检索向量与未调整的第二业务数据检索向量通过拼接等方式产生最终的聚合业务数据检索向量，拼接的规则可以是未调整的第二业务数据检索向量在前，调整后的调整业务数据检索向量在后，如取两者的一部分拼接成最终的聚合业务数据检索向量，例如，对于128个向量作为后续处理的尺寸（即聚合业务数据检索向量的尺寸），则取未调整的第二业务数据检索向量的前64个向量，与调整后的调整业务数据检索向量的前64个向量进行拼接组合。其中，把未调整的第二业务数据检索向量放在前面的原因在于，未调整的第二业务数据检索向量保留了更多的原始信息，而已经调整的调整业务数据检索向量代表的是原始的第一业务数据检索特征，因此，为了使得聚合业务数据检索向量更加倾向于原始的第二业务数据检索特征，可以将其放在前面。
举例来说：
第二业务数据检索向量：[0.2, 0.5, 0.4, 0.1]；调整业务数据检索向量：[0.6,0.3, 0.9, 0.7]；可以按照第一尺寸的向量抽选来形成对应的第一尺寸抽选向量，其中包括第二业务数据检索向量中分布坐标在前的第一尺寸的向量局部数据。假设第一尺寸为2，则第一尺寸抽选向量为：[0.2, 0.5]；接下来，按照第二尺寸的向量抽选来形成对应的第二尺寸抽选向量，其中包括调整业务数据检索向量中分布坐标在前的第二尺寸的向量局部数据。假设第二尺寸为3，则第二尺寸抽选向量为：[0.6, 0.3, 0.9]；最后，对第二尺寸抽选向量级联到第一尺寸抽选向量的末端位置，形成对应的聚合业务数据检索向量：[0.2, 0.5,0.6, 0.3, 0.9]。
可以选择的是，在一些实施方式中，所述将所述第一业务数据检索向量进行依据所述第二业务数据检索向量的特征还原是利用文本数据还原网络进行的，所述将所述第一业务数据检索向量进行依据所述聚合业务数据检索向量的特征还原是利用目标神经网络进行的，所述目标神经网络包括所述文本数据还原网络和多个文本数据分析网络（也就是说，相较于前一个特征还原操作，后一个特征还原操作，还需要通过多个文本数据分析网络的处理，使得后一个特征还原操作的精度可以更高），在上述的步骤S140以前，所述结合平台数据库的业务数据检索方法还可以包括：
对所述第一业务数据检索向量和目标业务数据检索向量在所述目标神经网络中进行处理，形成对应的中间数据检索特征，所述目标业务数据检索向量为所述第二业务数据检索向量或者所述聚合业务数据检索向量；也就是说，可以对所述第一业务数据检索向量和所述第二业务数据检索向量在所述目标神经网络中进行处理，形成对应的中间数据检索特征；也可以对所述第一业务数据检索向量和所述聚合业务数据检索向量在所述目标神经网络中进行处理，形成对应的中间数据检索特征；
依据所述中间数据检索特征和所述第一业务数据检索特征之间的区别，将所述目标神经网络中的多个文本数据分析网络进行网络参数的优化，形成优化后的目标神经网络，所述优化后的目标神经网络可以用于执行上述的步骤S140中的“将所述第一业务数据检索向量进行依据所述聚合业务数据检索向量的特征还原，输出目标融合数据检索特征”。
也就是说，目标神经网络在文本数据还原网络的基础上还先后连接有多个文本数据分析网络，如此，可以在执行步骤S140之前对目标神经网络进行训练，在训练过程中可以仅更新多个文本数据分析网络，对文本数据还原网络的参数进行固定，这里的文本数据还原网络可以是基于步骤S120确定的所述初始融合数据检索特征和所述第一业务数据检索特征之间的区别训练后的文本数据还原网络，因此，不用再进行训练。
可以选择的是，在一些实施方式中，所述文本数据还原网络包括第一数量个先后连接的干扰数据抑制单元和特征还原单元，所述第一数量大于或等于2，所述目标神经网络属于在所述文本数据还原网络的基础上为每一个所述干扰数据抑制单元设置一个文本数据分析网络而形成，每一个所述干扰数据抑制单元和对应的文本数据分析网络形成对应的一个联合处理单元，多个所述联合处理单元之间的先后连接关系和多个所述干扰数据抑制单元之间的先后连接关系一致。也就是说，所述目标神经网络可以包括第一数量个先后连接的联合处理单元和一个特征还原单元，基于此，所述对所述第一业务数据检索向量和目标业务数据检索向量在所述目标神经网络中进行处理，形成对应的中间数据检索特征的步骤，可以包括：
利用第一数量个先后连接的联合处理单元中第i个联合处理单元，将所述第i个联合处理单元的加载数据进行联合干扰抑制处理，以及，对所述第i个联合处理单元输出的第i个联合干扰抑制数据加载至第j个联合处理单元以联合干扰抑制处理，输出所述第j个联合处理单元的第j个联合干扰抑制数据，也就是说，前一个联合处理单元的输出会加载到后一个联合处理单元中，以进行进一步的联合干扰抑制处理；
将最后一个联合处理单元输出的联合干扰抑制数据进行特征还原，输出对应的中间数据检索特征，利用所述特征还原单元实现；
其中，在i等于1时，所述第i个联合处理单元（即第1个联合处理单元）的加载数据为所述第一业务数据检索向量和所述目标业务数据检索向量，在i大于或等于2、小于所述第一数量时，所述第i个联合处理单元（即第1个联合处理单元以外的联合处理单元）的加载数据为前一个联合处理单元输出的联合干扰抑制数据和所述目标业务数据检索向量。
也就是说，在前述的实施方式中，都是不断地将所述第二业务数据检索向量或者所述聚合业务数据检索向量进行关联挖掘，以实现关联信息的融合，从而降低干扰数据的影响。
其中，可以选择的是，在一些实施方式中，所述第i个联合处理单元包括多个特征提取单元（如Feature Extraction Network）、多个重建单元（Reconstruction Network）、对应第i个干扰数据抑制单元的第i个文本数据分析网络（干扰数据抑制单元和文本数据分析网络是一种功能性的概述，具体功能如后），基于此，所述利用第一数量个先后连接的联合处理单元中第i个联合处理单元，将所述第i个联合处理单元的加载数据进行联合干扰抑制处理，以及，对所述第i个联合处理单元输出的第i个联合干扰抑制数据加载至第j个联合处理单元以联合干扰抑制处理，输出所述第j个联合处理单元的第j个联合干扰抑制数据的步骤，可以包括：
利用所述第i个文本数据分析网络，将所述第一业务数据检索向量和所述目标业务数据检索向量进行关联挖掘，输出对应的关联挖掘向量，也就是说，所述关联挖掘向量可以表征所述第一业务数据检索向量具有的语义特征，也可以表征所述目标业务数据检索向量具有的语义特征；
利用所述特征提取单元，将所述目标业务数据检索向量和所述关联挖掘向量进行特征提取，如卷积运算，输出对应的特征提取结果向量；
利用所述重建单元，将所述特征提取结果向量进行重建，如反卷积运算，输出对应的第i个联合干扰抑制数据；
对所述第i个联合处理单元输出的第i个联合干扰抑制数据加载至第j个联合处理单元以联合干扰抑制处理，输出所述第j个联合处理单元的第j个联合干扰抑制数据，也就是说，利用后一个联合处理单元，对前一个联合处理单元输出的联合干扰抑制数据进行进一步的联合干扰抑制处理。
其中，可以选择的是，在一些实施方式中，所述第i个文本数据分析网络包括第三数量个先后连接的聚焦挖掘单元，所述第三数量大于或等于2，基于此，所述利用所述第i个文本数据分析网络，将所述第一业务数据检索向量和所述目标业务数据检索向量进行关联挖掘，输出对应的关联挖掘向量的步骤，可以包括：
将所述第i个文本数据分析网络中第x个聚焦挖掘单元的第x个聚焦挖掘数据加载至第y个聚焦挖掘单元以进行聚焦特征挖掘，输出对应的第i个文本数据分析网络中第y个聚焦挖掘单元的第y个聚焦挖掘数据，y=x+1，也就是说，利用后一个聚焦挖掘单元，对前一个聚焦挖掘单元输出的聚焦挖掘数据进行进一步的聚焦特征挖掘；其中，聚焦挖掘单元的聚焦特征挖掘过程，可以参照前文的相关描述；
将每一个所述聚焦挖掘单元输出的聚焦挖掘数据标记为关联挖掘向量；其中，在x等于1时，所述第x个聚焦挖掘单元（即第一个聚焦挖掘单元）的加载数据为前一个联合处理单元输出的联合干扰抑制数据，在x大于或等于2、小于所述第三数量时，所述第x个聚焦挖掘单元（即第一个聚焦挖掘单元后的聚焦挖掘单元）的加载数据为所述第i个文本数据分析网络中前一个聚焦挖掘单元输出的聚焦挖掘数据。
其中，可以选择的是，在一些实施方式中，所述特征提取单元可以包括第三数量个先后连接的聚焦挖掘单元，基于此，所述利用所述特征提取单元，将所述目标业务数据检索向量和所述关联挖掘向量进行特征提取，输出对应的特征提取结果向量的步骤，可以包括：
利用所述特征提取单元中第x个聚焦挖掘单元，将所述第x个聚焦挖掘单元的加载数据和所述目标业务数据检索向量进行聚焦特征挖掘，输出对应的聚焦业务数据检索向量，如前所述；
对所述聚焦业务数据检索向量和所述第i个文本数据分析网络中第x个聚焦挖掘单元输出的第x个聚焦挖掘数据进行聚合，如叠加或拼接，形成所述特征提取单元中第x个聚焦挖掘单元的第x个聚焦挖掘数据；
将所述特征提取单元中第x个聚焦挖掘单元的第x个聚焦挖掘数据加载至所述特征提取单元中的第y个聚焦挖掘单元以挖掘出所述特征提取单元中第y个聚焦挖掘单元的第y个聚焦挖掘数据，如前所述；
对所述特征提取单元中第x个聚焦挖掘单元输出的第x个聚焦挖掘数据进行标记，使其被标记为特征提取结果向量；
其中，在x等于1时，所述第x个聚焦挖掘单元（即第1个聚焦挖掘单元）的加载数据为前一个联合处理单元输出的联合干扰抑制数据，在x大于或等于2、小于所述第三数量时，所述第x个聚焦挖掘单元（即第1个聚焦挖掘单元后面的各聚焦挖掘单元）的加载数据为前一个聚焦挖掘单元输出的聚焦挖掘数据，以实现级联聚焦挖掘，从而保障挖掘的精度。
举例来说，通过特征提取单元的第1个聚焦挖掘单元对第1个聚焦挖掘单元的输入以及所述目标业务数据检索向量进行聚焦特征挖掘，得到聚焦业务数据检索向量；将聚焦业务数据检索向量与第i个文本数据分析网络中第1个聚焦挖掘单元输出的第1个聚焦挖掘数据进行融合处理，如叠加，得到特征提取单元中第1个聚焦挖掘单元的第1个聚焦挖掘数据；将特征提取单元中第1个聚焦挖掘单元的第1个聚焦挖掘数据加载到特征提取单元中第2个聚焦挖掘单元以得到特征提取单元中第2个聚焦挖掘单元的第2个聚焦挖掘数据；将特征提取单元中第3个聚焦挖掘单元输出的第3个聚焦挖掘数据作为特征提取结果向量，即第i个联合处理单元的特征提取单元的每一个聚焦挖掘单元输出的聚焦业务数据检索向量会和第i个文本数据分析网络中对应聚焦挖掘单元的输出融合，并将融合结果加载到特征提取单元的下一个聚焦挖掘单元进行处理。
结合图3，本发明实施例还提供一种结合平台数据库的业务数据检索装置，可应用于上述人工智能***。其中，所述结合平台数据库的业务数据检索装置可以包括：
检索特征挖掘模块，用于将第一业务数据检索特征进行特征挖掘，输出第一业务数据检索向量，以及，将第二业务数据检索特征进行特征挖掘，输出第二业务数据检索向量，所述第一业务数据检索特征和所述第二业务数据检索特征属于目标业务数据检索请求中两个不同数据维度的检索特征；
检索向量调整模块，用于将所述第一业务数据检索向量进行依据所述第二业务数据检索向量的特征还原，输出初始融合数据检索特征，以及，依据所述初始融合数据检索特征和所述第一业务数据检索特征之间的区别，将所述第二业务数据检索向量进行调整，输出对应的调整业务数据检索向量；
检索向量聚合模块，用于将所述第二业务数据检索向量和所述调整业务数据检索向量进行聚合，输出聚合业务数据检索向量；
业务数据检索模块，用于将所述第一业务数据检索向量进行依据所述聚合业务数据检索向量的特征还原，输出目标融合数据检索特征，以及，基于所述目标融合数据检索特征，在目标平台数据库中进行业务数据检索，得到所述目标业务数据检索请求对应的目标业务数据。
综上所述，本发明提供的结合平台数据库的业务数据检索方法及人工智能***，可以基于第一业务数据检索特征和第二业务数据检索特征，输出第一业务数据检索向量和第二业务数据检索向量；基于第一业务数据检索向量和第二业务数据检索向量，输出初始融合数据检索特征，依据初始融合数据检索特征、第一业务数据检索特征和第二业务数据检索向量，输出调整业务数据检索向量；聚合第二业务数据检索向量和调整业务数据检索向量，输出聚合业务数据检索向量；基于第一业务数据检索向量和聚合业务数据检索向量，输出目标融合数据检索特征，基于目标融合数据检索特征进行业务数据检索。基于前述的内容，由于在进行业务数据检索之前，会将目标业务数据检索请求中两个不同数据维度的检索特征进行充分的融合，使得得到的目标融合数据检索特征能够有效表征目标业务数据检索请求，因此，可以保障基于目标融合数据检索特征进行的业务数据检索的可靠度，从而改善现有技术中存在的检索可靠度相对不高的问题。
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 (7)

1.一种结合平台数据库的业务数据检索方法，其特征在于，包括：
将第一业务数据检索特征进行特征挖掘，输出第一业务数据检索向量，以及，将第二业务数据检索特征进行特征挖掘，输出第二业务数据检索向量，所述第一业务数据检索特征和所述第二业务数据检索特征属于目标业务数据检索请求中两个不同数据维度的检索特征；
将所述第一业务数据检索向量进行依据所述第二业务数据检索向量的特征还原，输出初始融合数据检索特征，以及，依据所述初始融合数据检索特征和所述第一业务数据检索特征之间的区别，将所述第二业务数据检索向量进行调整，输出对应的调整业务数据检索向量；
将所述第二业务数据检索向量和所述调整业务数据检索向量进行聚合，输出聚合业务数据检索向量；
将所述第一业务数据检索向量进行依据所述聚合业务数据检索向量的特征还原，输出目标融合数据检索特征，以及，基于所述目标融合数据检索特征，在目标平台数据库中进行业务数据检索，得到所述目标业务数据检索请求对应的目标业务数据；
所述第一业务数据检索特征、所述初始融合数据检索特征和所述目标融合数据检索特征的数据维度相同，都属于第一维度数据，所述第二业务数据检索特征属于第二维度数据，所述第一维度数据包括文本维度数据，所述第二维度数据包括图像维度数据或语音维度数据；
所述将第一业务数据检索特征进行特征挖掘，输出第一业务数据检索向量，以及，将第二业务数据检索特征进行特征挖掘，输出第二业务数据检索向量的步骤，包括：
生成干扰数据特征，所述干扰数据特征与所述第一业务数据检索特征具有相同的数据维度；
对所述第一业务数据检索特征和所述干扰数据特征进行特征合并，形成对应的合并业务数据检索特征；
将所述合并业务数据检索特征进行特征挖掘，输出所述第一业务数据检索特征对应的第一业务数据检索向量；
将第二业务数据检索特征进行特征挖掘，输出所述第二业务数据检索特征对应的第二业务数据检索向量；
所述将所述第一业务数据检索向量进行依据所述第二业务数据检索向量的特征还原是利用文本数据还原网络进行的，所述文本数据还原网络包括第一数量个先后连接的干扰数据抑制单元和特征还原单元，所述第一数量大于或等于2；
所述将所述第一业务数据检索向量进行依据所述第二业务数据检索向量的特征还原，输出初始融合数据检索特征，以及，依据所述初始融合数据检索特征和所述第一业务数据检索特征之间的区别，将所述第二业务数据检索向量进行调整，输出对应的调整业务数据检索向量的步骤，包括：
利用第一数量个先后连接的干扰数据抑制单元中第i个干扰数据抑制单元，将所述第i个干扰数据抑制单元的加载数据进行干扰抑制处理，以及，对所述第i个干扰数据抑制单元输出的第i个干扰抑制数据加载至第j个干扰数据抑制单元以进行干扰抑制处理，输出所述第j个干扰数据抑制单元对应的第j个干扰抑制数据，j=i+1；在i等于1时，所述第i个干扰数据抑制单元的加载数据为所述第一业务数据检索向量和所述第二业务数据检索向量，在i大于或等于、小于所述第一数量，所述第i个干扰数据抑制单元的加载数据为第i个干扰数据抑制单元的前一个干扰数据抑制单元输出的干扰抑制数据和所述第二业务数据检索向量；
利用所述特征还原单元，将最后一个干扰数据抑制单元输出的干扰抑制数据进行特征还原，输出对应的初始融合数据检索特征；
依据所述初始融合数据检索特征和所述第一业务数据检索特征之间的区别，将所述第二业务数据检索向量进行调整，输出对应的调整业务数据检索向量。
2.如权利要求1所述的结合平台数据库的业务数据检索方法，其特征在于，所述第i个干扰数据抑制单元包括第二数量个先后连接的聚焦挖掘单元，所述第二数量大于或等于2；
所述利用第一数量个先后连接的干扰数据抑制单元中第i个干扰数据抑制单元，将所述第i个干扰数据抑制单元的加载数据进行干扰抑制处理，以及，对所述第i个干扰数据抑制单元输出的第i个干扰抑制数据加载至第j个干扰数据抑制单元以进行干扰抑制处理，输出所述第j个干扰数据抑制单元对应的第j个干扰抑制数据的步骤，包括：
利用所述第i个干扰数据抑制单元中第a个聚焦挖掘单元，将所述第a个聚焦挖掘单元的加载数据和所述第二业务数据检索向量进行聚焦特征挖掘，输出对应的聚焦业务数据检索向量，并标记为所述第i个干扰数据抑制单元中第a个聚焦挖掘单元的第a个聚焦挖掘数据；
对所述第i个干扰数据抑制单元中第a个聚焦挖掘单元的第a个聚焦挖掘数据加载至第b个聚焦挖掘单元以进行聚焦特征挖掘，输出第i个干扰数据抑制单元中第b个聚焦挖掘单元的第b个聚焦挖掘数据，b=a+1，在b等于1时，所述第a个聚焦挖掘单元的加载数据为所述第i个干扰数据抑制单元的前一个干扰数据抑制单元输出的干扰抑制数据，在b大于或等于2、小于所述第二数量时，所述第a个聚焦挖掘单元的加载数据为前一个聚焦挖掘单元输出的聚焦挖掘数据；
对所述第i个干扰数据抑制单元中最后一个聚焦挖掘单元输出的聚焦挖掘数据进行标记，使得被标记为第i个干扰抑制数据；
对所述第i个干扰数据抑制单元输出的第i个干扰抑制数据加载至第j个干扰数据抑制单元以进行干扰抑制处理，输出所述第j个干扰数据抑制单元对应的第j个干扰抑制数据。
3.如权利要求2所述的结合平台数据库的业务数据检索方法，其特征在于，所述利用所述第i个干扰数据抑制单元中第a个聚焦挖掘单元，将所述第a个聚焦挖掘单元的加载数据和所述第二业务数据检索向量进行聚焦特征挖掘，输出对应的聚焦业务数据检索向量，并标记为所述第i个干扰数据抑制单元中第a个聚焦挖掘单元的第a个聚焦挖掘数据的步骤，包括：
将所述第a个聚焦挖掘单元的加载数据进行注意力机制的第一线性转换，输出对应的第一线性转换结果；
将所述第二业务数据检索向量进行注意力机制的第二线性转换，输出对应的第二线性转换结果；
将所述第二业务数据检索向量进行注意力机制的第三线性转换，输出对应的第三线性转换结果；
基于所述第一线性转换结果和所述第二线性转换结果，确定出所述第a个聚焦挖掘单元的加载数据和所述第二业务数据检索向量之间的相似性参数；
基于所述相似性参数，对所述第三线性转换结果进行加权，输出对应的聚焦业务数据检索向量，并标记为所述第i个干扰数据抑制单元中第a个聚焦挖掘单元的第a个聚焦挖掘数据。
4.如权利要求1所述的结合平台数据库的业务数据检索方法，其特征在于，所述将所述第一业务数据检索向量进行依据所述第二业务数据检索向量的特征还原是利用文本数据还原网络进行的，所述将所述第一业务数据检索向量进行依据所述聚合业务数据检索向量的特征还原是利用目标神经网络进行的，所述目标神经网络包括所述文本数据还原网络和多个文本数据分析网络；
在所述将所述第一业务数据检索向量进行依据所述聚合业务数据检索向量的特征还原，输出目标融合数据检索特征，以及，基于所述目标融合数据检索特征，在目标平台数据库中进行业务数据检索，得到所述目标业务数据检索请求对应的目标业务数据的步骤以前，所述结合平台数据库的业务数据检索方法还包括：
对所述第一业务数据检索向量和目标业务数据检索向量在所述目标神经网络中进行处理，形成对应的中间数据检索特征，所述目标业务数据检索向量为所述第二业务数据检索向量或者所述聚合业务数据检索向量；
依据所述中间数据检索特征和所述第一业务数据检索特征之间的区别，将所述目标神经网络中的多个文本数据分析网络进行网络参数的优化，形成优化后的目标神经网络。
5.如权利要求4所述的结合平台数据库的业务数据检索方法，其特征在于，所述文本数据还原网络包括第一数量个先后连接的干扰数据抑制单元和特征还原单元，所述第一数量大于或等于2，所述目标神经网络属于在所述文本数据还原网络的基础上为每一个所述干扰数据抑制单元设置一个文本数据分析网络而形成，每一个所述干扰数据抑制单元和对应的文本数据分析网络形成对应的一个联合处理单元，多个所述联合处理单元之间的先后连接关系和多个所述干扰数据抑制单元之间的先后连接关系一致；
所述对所述第一业务数据检索向量和目标业务数据检索向量在所述目标神经网络中进行处理，形成对应的中间数据检索特征的步骤，包括：
利用第一数量个先后连接的联合处理单元中第i个联合处理单元，将所述第i个联合处理单元的加载数据进行联合干扰抑制处理，以及，对所述第i个联合处理单元输出的第i个联合干扰抑制数据加载至第j个联合处理单元以联合干扰抑制处理，输出所述第j个联合处理单元的第j个联合干扰抑制数据；
将最后一个联合处理单元输出的联合干扰抑制数据进行特征还原，输出对应的中间数据检索特征；
在i等于1时，所述第i个联合处理单元的加载数据为所述第一业务数据检索向量和所述目标业务数据检索向量，在i大于或等于2、小于所述第一数量时，所述第i个联合处理单元的加载数据为前一个联合处理单元输出的联合干扰抑制数据和所述目标业务数据检索向量。
6.如权利要求1-5任意一项所述的结合平台数据库的业务数据检索方法，其特征在于，所述将所述第二业务数据检索向量和所述调整业务数据检索向量进行聚合，输出聚合业务数据检索向量的步骤，包括：
将所述第二业务数据检索向量进行按照第一尺寸的向量抽选，形成对应的第一尺寸抽选向量，所述第一尺寸抽选向量包括所述第二业务数据检索向量中分布坐标在前的第一尺寸的向量局部数据；
将所述调整业务数据检索向量进行按照第二尺寸的向量抽选，形成对应的第二尺寸抽选向量，所述第二尺寸抽选向量包括所述调整业务数据检索向量中分布坐标在前的第二尺寸的向量局部数据；
对所述第二尺寸抽选向量级联到所述第一尺寸抽选向量的末端位置，形成对应的聚合业务数据检索向量。
7.一种人工智能***，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1-6任意一项所述的结合平台数据库的业务数据检索方法。
CN202311243360.XA 2023-09-26 2023-09-26 结合平台数据库的业务数据检索方法及人工智能*** Active CN116991919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311243360.XA CN116991919B (zh) 2023-09-26 2023-09-26 结合平台数据库的业务数据检索方法及人工智能***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311243360.XA CN116991919B (zh) 2023-09-26 2023-09-26 结合平台数据库的业务数据检索方法及人工智能***

Publications (2)

Publication Number Publication Date
CN116991919A CN116991919A (zh) 2023-11-03
CN116991919B true CN116991919B (zh) 2023-12-08

Family

ID=88528709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311243360.XA Active CN116991919B (zh) 2023-09-26 2023-09-26 结合平台数据库的业务数据检索方法及人工智能***

Country Status (1)

Country Link
CN (1) CN116991919B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006155556A (ja) * 2004-10-27 2006-06-15 Hitachi Software Eng Co Ltd テキストマイニング方法及びテキストマイニングサーバ
CN1967536A (zh) * 2006-11-16 2007-05-23 华中科技大学 基于区域的多特征融合及多级反馈的潜伏语义图像检索方法
CN112884005A (zh) * 2021-01-21 2021-06-01 汉唐信通(北京)科技有限公司 一种基于sptag及卷积神经网的图像检索方法及装置
CN113657450A (zh) * 2021-07-16 2021-11-16 中国人民解放军陆军炮兵防空兵学院 基于注意机制的陆战场图像-文本跨模态检索方法及其***
CN113971222A (zh) * 2021-10-28 2022-01-25 重庆紫光华山智安科技有限公司 一种多模态复合编码图像检索方法和***
CN114048340A (zh) * 2021-11-15 2022-02-15 电子科技大学 一种层级融合的组合查询图像检索方法
CN114416733A (zh) * 2021-12-29 2022-04-29 中国电信股份有限公司 数据检索的处理方法、装置、电子设备及存储介质
CN115033670A (zh) * 2022-06-02 2022-09-09 西安电子科技大学 多粒度特征融合的跨模态图文检索方法
CN116522011A (zh) * 2023-05-16 2023-08-01 深圳九星互动科技有限公司 一种基于大数据的推送方法及推送***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006155556A (ja) * 2004-10-27 2006-06-15 Hitachi Software Eng Co Ltd テキストマイニング方法及びテキストマイニングサーバ
CN1967536A (zh) * 2006-11-16 2007-05-23 华中科技大学 基于区域的多特征融合及多级反馈的潜伏语义图像检索方法
CN112884005A (zh) * 2021-01-21 2021-06-01 汉唐信通(北京)科技有限公司 一种基于sptag及卷积神经网的图像检索方法及装置
CN113657450A (zh) * 2021-07-16 2021-11-16 中国人民解放军陆军炮兵防空兵学院 基于注意机制的陆战场图像-文本跨模态检索方法及其***
CN113971222A (zh) * 2021-10-28 2022-01-25 重庆紫光华山智安科技有限公司 一种多模态复合编码图像检索方法和***
CN114048340A (zh) * 2021-11-15 2022-02-15 电子科技大学 一种层级融合的组合查询图像检索方法
CN114416733A (zh) * 2021-12-29 2022-04-29 中国电信股份有限公司 数据检索的处理方法、装置、电子设备及存储介质
CN115033670A (zh) * 2022-06-02 2022-09-09 西安电子科技大学 多粒度特征融合的跨模态图文检索方法
CN116522011A (zh) * 2023-05-16 2023-08-01 深圳九星互动科技有限公司 一种基于大数据的推送方法及推送***

Also Published As

Publication number Publication date
CN116991919A (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
CN111625635B (zh) 问答处理方法、装置、设备及存储介质
CN108334487B (zh) 缺失语意信息补全方法、装置、计算机设备和存储介质
CA3047353C (en) Learning document embeddings with convolutional neural network architectures
CN113762322B (zh) 基于多模态表示的视频分类方法、装置和设备及存储介质
CN111324769B (zh) 视频信息处理模型的训练方法、视频信息处理方法及装置
CN111914085B (zh) 文本细粒度情感分类方法、***、装置及存储介质
CN111222305A (zh) 一种信息结构化方法和装置
EP4336378A1 (en) Data processing method and related device
JP2022050379A (ja) 意味検索方法、装置、電子機器、記憶媒体およびコンピュータプログラム
CN114090755B (zh) 基于知识图谱的回复语句确定方法、装置及电子设备
CN112417855A (zh) 文本意图识别方法、装置以及相关设备
CN108959388B (zh) 信息生成方法及装置
CN112925898B (zh) 基于人工智能的问答方法、装置、服务器及存储介质
CN112836502A (zh) 一种金融领域事件隐式因果关系抽取方法
CN116975350A (zh) 图文检索方法、装置、设备及存储介质
CN113486659B (zh) 文本匹配方法、装置、计算机设备及存储介质
CN117635275B (zh) 基于大数据的智能电商运营商品管理平台及方法
US20240037939A1 (en) Contrastive captioning for image groups
CN109857843A (zh) 基于文档的交互方法及***
US11494431B2 (en) Generating accurate and natural captions for figures
CN116991919B (zh) 结合平台数据库的业务数据检索方法及人工智能***
EP4322066A1 (en) Method and apparatus for generating training data
CN113010717B (zh) 图像诗句描述生成方法、装置和设备
CN115080039A (zh) 前端代码生成方法、装置、计算机设备、存储介质和产品
CN115049950A (zh) 视频的处理方法和装置

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