CN117077067A - 一种基于智能匹配的信息***自动部署规划方法 - Google Patents
一种基于智能匹配的信息***自动部署规划方法 Download PDFInfo
- Publication number
- CN117077067A CN117077067A CN202311346131.0A CN202311346131A CN117077067A CN 117077067 A CN117077067 A CN 117077067A CN 202311346131 A CN202311346131 A CN 202311346131A CN 117077067 A CN117077067 A CN 117077067A
- Authority
- CN
- China
- Prior art keywords
- dimensional data
- dimension
- data
- isolated
- ith
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013439 planning Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000002955 isolation Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013523 data management Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据管理技术领域,具体涉及一种基于智能匹配的信息***自动部署规划方法,包括:利用孤立森林异常检测算法构建所有高维数据的若干个孤立树;根据孤立树计算每个高维数据在每个维度的孤立特征;根据孤立特征获得每个高维数据的维度序列;计算每个高维数据的维度序列中部分维度作为每个高维数据的特征维度的合适程度;根据合适程度获得每个高维数据的所有特征维度;根据每个高维数据的所有特征维度,获得每个维度下的所有关注数据;将每个维度下的所有关注数据存储在每个储存分组,获得每个储存分组的阈值;根据每个储存分组的阈值对待查找的高维数据进行匹配。本发明加快在多维数据中准确地匹配到最优结果的速度,提高匹配效率。
Description
技术领域
本发明涉及数据管理技术领域,具体涉及一种基于智能匹配的信息***自动部署规划方法。
背景技术
基于智能匹配的信息***利用人工智能技术,通过理解用户需求并将其与信息资源进行智能匹配,提供了更个性化、精确和高效的信息获取体验。
在进行智能匹配时经常会遇到在多维数据中匹配最优结果的要求,现有技术通常需要在每个数据中匹配每个维度,这种方法的问题在于需要多次匹配,匹配效率十分低下。
因此,如何在多维数据中,快速、准确地匹配到最优结果成为目前亟待解决的技术问题。
发明内容
为了解决上述问题,本发明提供一种基于智能匹配的信息***自动部署规划方法,所述方法包括:
获取需要存储在基于智能匹配的信息***中的所有高维数据;
利用孤立森林异常检测算法构建所有高维数据的若干个孤立树;根据孤立树计算每个高维数据在每个维度的孤立特征;根据孤立特征获得每个高维数据的维度序列;计算每个高维数据的维度序列中部分维度作为每个高维数据的特征维度的合适程度;
根据合适程度获得每个高维数据的所有特征维度;根据每个高维数据的所有特征维度,获得每个维度下的所有关注数据;将每个维度下的所有关注数据存储在每个储存分组,获得每个储存分组的阈值;
根据每个储存分组的阈值对待查找的高维数据进行匹配。
进一步地,所述计算每个高维数据在每个维度的孤立特征,包括的具体步骤如下:
根据每个高维数据在每个维度下的强特征孤立树和弱特征孤立树,计算每个高维数据在每个维度的孤立特征,具体计算公式为:
式中,表示第i个高维数据在第j个维度的孤立特征,/>表示第i个数据在第j个维度下的强特征孤立树的数量,N表示所有孤立树的总数量,则/>为第i个数据在第j个维度下的弱特征孤立树的数量,/>表示第i个数据在第j个维度下的弱特征孤立树中第i个数据在第j个维度所在子节点中高维数据点的数量,M表示所有高维数据的总数量。
进一步地,所述每个高维数据在每个维度下的强特征孤立树和弱特征孤立树获取的方法具体如下:
在任意一个孤立树中,如果第i个高维数据在第j个维度的子节点下是孤立数据,则将该孤立树作为第i个高维数据在第j个维度下的强特征孤立树;否则作为第i个高维数据在第j个维度下的弱特征孤立树。
进一步地,所述根据孤立特征获得每个高维数据的维度序列,包括的具体步骤如下:
对于任意一个高维数据,将所有维度按照所述高维数据在每个维度的孤立特征从大到小的顺序进行排列,获得所述高维数据的维度序列。
进一步地,所述计算每个高维数据的维度序列中部分维度作为每个高维数据的特征维度的合适程度,包括的具体步骤如下:
式中,表示第i个高维数据的维度序列中前r个维度作为第i个高维数据的特征维度的合适程度,/>分别表示第i个高维数据在第i个高维数据的维度序列中第1个维度和第r个维度的孤立指标,T表示所有维度的总数量,/>表示以自然常数为底的指数函数。
进一步地,所述获得每个高维数据的所有特征维度,包括的具体步骤如下:
对于第i个高维数据,计算第i个高维数据的维度序列中前r()个维度作为每个高维数据的特征维度的合适程度,将最大值对应的r作为第i个高维数据的特征维度的数量,将第i个高维数据的维度序列中前r个维度作为第i个高维数据的特征维度,获取每个高维数据的所有特征维度。
进一步地,所述获得每个维度下的所有关注数据,包括的具体步骤如下:
如果第j个维度是第i个高维数据的特征维度,则将第i个高维数据作为第j个维度下的关注数据,获取每个维度下的所有关注数据。
进一步地,所述将每个维度下的所有关注数据存储在每个储存分组,获得每个储存分组的阈值,包括的具体步骤如下:
将每个维度下的所有关注数据存储在一起,作为一个储存分组,将每个维度下的所有关注数据在该维度下的数据值的最小值和最大值组成的范围作为每个储存分组的阈值。
进一步地,所述根据每个储存分组的阈值对待查找的高维数据进行匹配,包括的具体步骤如下:
先将待查找的高维数据与待查找的高维数据的优先匹配组中的每个高维数据进行匹配,如果不存在匹配的高维数据,则依次将待查找的高维数据与待查找的高维数据的每个待查找分组中的每个高维数据进行匹配,直至获得与待查找的高维数据匹配的高维数据。
进一步地,所述待查找的高维数据的优先匹配组和待查找分组的获取方法具体如下:
获得对于待查找的高维数据,判断待查找的高维数据在每个维度的数值是否在每个维度对应的储存分组的阈值内,如果待查找的高维数据在每个维度的数值在该维度对应的储存分组的阈值内,则将储存分组作为待查找的高维数据的待查找分组,获得待查找的高维数据的所有待查找分组的交集,作为待查找的高维数据的优先匹配组。
本发明的技术方案的有益效果是:本发明根据孤立树计算每个高维数据在每个维度的孤立特征,根据高维数据的维度序列中部分维度作为每个高维数据的特征维度的合适程度,获得每个高维数据的所有特征维度,根据每个高维数据的所有特征维度,获得每个维度下的所有关注数据,将每个维度下的所有关注数据存储在每个储存分组,获得每个储存分组的阈值,在对待查找的高维数据进行匹配时,先与待查找的高维数据的优先匹配组中的每个高维数据进行匹配,加快在多维数据中准确地匹配到最优结果的速度,提高匹配效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种基于智能匹配的信息***自动部署规划方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于智能匹配的信息***自动部署规划方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于智能匹配的信息***自动部署规划方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于智能匹配的信息***自动部署规划方法的数据传输模块的方法流程图,该方法包括:
S001,获取需要存储在基于智能匹配的信息***中的所有高维数据。
具体的,获取需要存储在基于智能匹配的信息***中的所有高维数据,其中,高维数据包括若干个维度。
S002,利用孤立森林异常检测算法构建所有高维数据的若干个孤立树;根据孤立树计算每个高维数据在每个维度的孤立特征;根据孤立特征获得每个高维数据的维度序列;计算每个高维数据的维度序列中部分维度作为每个高维数据的特征维度的合适程度;根据合适程度获得每个高维数据的所有特征维度;根据每个高维数据的所有特征维度,获得每个维度下的所有关注数据;将每个维度下的所有关注数据存储在每个储存分组,获得每个储存分组的阈值。
需要说明的是,想要在多维数据中,快速、准确地匹配到最优结果,考虑到每个高维数据具有其区别于其他高维数据的维度,因此,就需要根据不同维度对高维数据进行分组存储,使每个分组中存储的所有高维数据在每个分组对应的维度上分布在一定范围内,本实施例考虑将每个高维数据存储到其所在的维度下面,在进行匹配时,将待查找的高维数据对应的维度下面的储存分组中进行匹配。
1、利用孤立森林异常检测算法构建所有高维数据的若干个孤立树。
具体的,利用孤立森林异常检测算法构建所有高维数据的若干个孤立树,每个孤立树通过不同维度的分割值将所有高维数据依次划分到两个子节点中,直到孤立树的深度达到最大深度或者极点中的样本数小于等于最小拆分样本数,重复步骤,直到构建出指定数量的孤立树,其中,最大深度、最小拆分样本数和指定数量均为孤立森林异常检测算法中的参数,将孤立森林异常检测算法中的参数设置为默认值。
需要说明的是,孤立森林异常检测算法是一种基于异常检测的无监督学习算法,通过构建随机的二叉搜索树隔离数据中的离群值来识别数据集中的异常点,孤立森林异常检测算法为现有技术,此处不再进行赘述。
2、根据孤立树计算每个高维数据在每个维度的孤立特征。
需要说明的是,孤立森林异常检测算法通过不同维度的分割值对所有高维数据进行依次划分,进而构建孤立树,在每个维度下相似的高维数据被划分到一起,因此,构建的孤立树能够表示每个高维数据在每个维度下的特殊性,如果某个高维数据在某个维度下被划分到一起的高维数据越少,则高维数据在这个维度下越特殊,相应的,这个维度也越能够代表这个高维数据。
具体的,在任意一个孤立树中,如果第i个高维数据在第j个维度的子节点下是孤立数据,则将该孤立树作为第i个高维数据在第j个维度下的强特征孤立树;否则作为第i个高维数据在第j个维度下的弱特征孤立树。
进一步,根据每个高维数据在每个维度下的强特征孤立树和弱特征孤立树,计算每个高维数据在每个维度的孤立特征,具体计算公式为:
式中,表示第i个高维数据在第j个维度的孤立特征,/>表示第i个数据在第j个维度下的强特征孤立树的数量,N表示所有孤立树的总数量,则/>为第i个数据在第j个维度下的弱特征孤立树的数量,/>表示第i个数据在第j个维度下的弱特征孤立树中第i个数据在第j个维度所在子节点中高维数据点的数量,M表示所有高维数据的总数量。
需要说明的是,如果第i个高维数据在第j个维度的子节点下是孤立数据,说明的第i个高维数据在第j个维度远离其他高维数据,因此,这样的孤立树越多,则第j个维度能够代表第i个高维数据,第i个高维数据在第j个维度的孤立特征越大;如果第i个高维数据在第j个维度的子节点下不是孤立数据,此时,第i个数据在第j个维度所在子节点中高维数据点的数量越小,说明的第i个高维数据在第j个维度越远离其他高维数据,则第j个维度能够代表第i个高维数据,第i个高维数据在第j个维度的孤立特征越大。
3、根据孤立特征获得每个高维数据的维度序列;计算每个高维数据的维度序列中部分维度作为每个高维数据的特征维度的合适程度;根据合适程度获得每个高维数据的所有特征维度。
需要说明的是,考虑到每个高维数据可能在多个维度上都比较特殊,因此,需要根据每个高维数据在所有维度的孤立特征的分布情况,获得每个高维数据的特征维度。
具体的,对于任意一个高维数据,将所有维度按照所述高维数据在每个维度的孤立特征从大到小的顺序进行排列,获得所述高维数据的维度序列。
进一步,计算每个高维数据的维度序列中前r个维度作为每个高维数据的特征维度的合适程度,具体的计算公式为:
式中,表示第i个高维数据的维度序列中前r个维度作为第i个高维数据的特征维度的合适程度,/>分别表示第i个高维数据在第i个高维数据的维度序列中第1个维度和第r个维度的孤立指标,T表示所有维度的总数量,/>表示以自然常数为底的指数函数。
需要说明的是,越小表示第i个高维数据的维度序列中前r个维度的孤立指标分布越一致,前r个维度都能够表征第i个高维数据的特征,前r个维度越适合作为第i个高维数据的特征维度,则第i个高维数据的维度序列中前r个维度作为第i个高维数据的特征维度的合适程度越大,/>越大,则第i个高维数据的维度序列中前r个维度作为第i个高维数据的特征维度的合适程度越大。
进一步,对于第i个高维数据,计算第i个高维数据的维度序列中前r()个维度作为每个高维数据的特征维度的合适程度,将最大值对应的r作为第i个高维数据的特征维度的数量,将第i个高维数据的维度序列中前r个维度作为第i个高维数据的特征维度,获取每个高维数据的所有特征维度。
4、根据每个高维数据的所有特征维度,获得每个维度下的所有关注数据,将每个维度下的所有关注数据存储在每个储存分组,获得每个储存分组的阈值。
具体的,如果第j个维度是第i个高维数据的特征维度,则将第i个高维数据作为第j个维度下的关注数据,获取每个维度下的所有关注数据。
进一步,将每个维度下的所有关注数据存储在一起,作为一个储存分组,将每个维度下的所有关注数据在该维度下的数据值的最小值和最大值组成的范围作为每个储存分组的阈值。
S003,根据每个储存分组的阈值对待查找的高维数据进行匹配。
具体的,对于待查找的高维数据,判断待查找的高维数据在每个维度的数值是否在每个维度对应的储存分组的阈值内,如果待查找的高维数据在每个维度的数值在该维度对应的储存分组的阈值内,则将储存分组作为待查找的高维数据的待查找分组,获得待查找的高维数据的所有待查找分组的交集,作为待查找的高维数据的优先匹配组。
进一步,先将待查找的高维数据与待查找的高维数据的优先匹配组中的每个高维数据进行匹配,如果不存在匹配的高维数据,则依次将待查找的高维数据与待查找的高维数据的每个待查找分组中的每个高维数据进行匹配,直至获得与待查找的高维数据匹配的高维数据。
需要说明的是,如果待查找的高维数据在多个维度下的数值都在该维度下的储存分组的阈值内,则说明的待查找的高维数据在这些维度下都具有特殊性,而这些维度对应的储存分组的交集中的高维数据在这些维度下都具有特殊性,则待查找的高维数据与这些维度对应的储存分组的交集中的高维数据能够匹配的概率更大,因此,先将待查找的高维数据与待查找的高维数据的优先匹配组中的每个高维数据进行匹配,能够加快在多维数据中准确地匹配到最优结果的速度,提高匹配效率。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,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 (10)
1.一种基于智能匹配的信息***自动部署规划方法,其特征在于,所述方法包括:
获取需要存储在基于智能匹配的信息***中的所有高维数据;
利用孤立森林异常检测算法构建所有高维数据的若干个孤立树;根据孤立树计算每个高维数据在每个维度的孤立特征;根据孤立特征获得每个高维数据的维度序列;计算每个高维数据的维度序列中部分维度作为每个高维数据的特征维度的合适程度;
根据合适程度获得每个高维数据的所有特征维度;根据每个高维数据的所有特征维度,获得每个维度下的所有关注数据;将每个维度下的所有关注数据存储在每个储存分组,获得每个储存分组的阈值;
根据每个储存分组的阈值对待查找的高维数据进行匹配。
2.根据权利要求1所述的一种基于智能匹配的信息***自动部署规划方法,其特征在于,所述计算每个高维数据在每个维度的孤立特征,包括的具体步骤如下:
根据每个高维数据在每个维度下的强特征孤立树和弱特征孤立树,计算每个高维数据在每个维度的孤立特征,具体计算公式为:
式中,表示第i个高维数据在第j个维度的孤立特征,/>表示第i个数据在第j个维度下的强特征孤立树的数量,N表示所有孤立树的总数量,则/>为第i个数据在第j个维度下的弱特征孤立树的数量,/>表示第i个数据在第j个维度下的弱特征孤立树中第i个数据在第j个维度所在子节点中高维数据点的数量,M表示所有高维数据的总数量。
3.根据权利要求2所述的一种基于智能匹配的信息***自动部署规划方法,其特征在于,所述每个高维数据在每个维度下的强特征孤立树和弱特征孤立树获取的方法具体如下:
在任意一个孤立树中,如果第i个高维数据在第j个维度的子节点下是孤立数据,则将该孤立树作为第i个高维数据在第j个维度下的强特征孤立树;否则作为第i个高维数据在第j个维度下的弱特征孤立树。
4.根据权利要求1所述的一种基于智能匹配的信息***自动部署规划方法,其特征在于,所述根据孤立特征获得每个高维数据的维度序列,包括的具体步骤如下:
对于任意一个高维数据,将所有维度按照所述高维数据在每个维度的孤立特征从大到小的顺序进行排列,获得所述高维数据的维度序列。
5.根据权利要求1所述的一种基于智能匹配的信息***自动部署规划方法,其特征在于,所述计算每个高维数据的维度序列中部分维度作为每个高维数据的特征维度的合适程度,包括的具体步骤如下:
式中,表示第i个高维数据的维度序列中前r个维度作为第i个高维数据的特征维度的合适程度,/>分别表示第i个高维数据在第i个高维数据的维度序列中第1个维度和第r个维度的孤立指标,T表示所有维度的总数量,/>表示以自然常数为底的指数函数。
6.根据权利要求1所述的一种基于智能匹配的信息***自动部署规划方法,其特征在于,所述获得每个高维数据的所有特征维度,包括的具体步骤如下:
对于第i个高维数据,计算第i个高维数据的维度序列中前r()个维度作为每个高维数据的特征维度的合适程度,将最大值对应的r作为第i个高维数据的特征维度的数量,将第i个高维数据的维度序列中前r个维度作为第i个高维数据的特征维度,获取每个高维数据的所有特征维度。
7.根据权利要求1所述的一种基于智能匹配的信息***自动部署规划方法,其特征在于,所述获得每个维度下的所有关注数据,包括的具体步骤如下:
如果第j个维度是第i个高维数据的特征维度,则将第i个高维数据作为第j个维度下的关注数据,获取每个维度下的所有关注数据。
8.根据权利要求1所述的一种基于智能匹配的信息***自动部署规划方法,其特征在于,所述将每个维度下的所有关注数据存储在每个储存分组,获得每个储存分组的阈值,包括的具体步骤如下:
将每个维度下的所有关注数据存储在一起,作为一个储存分组,将每个维度下的所有关注数据在该维度下的数据值的最小值和最大值组成的范围作为每个储存分组的阈值。
9.根据权利要求1所述的一种基于智能匹配的信息***自动部署规划方法,其特征在于,所述根据每个储存分组的阈值对待查找的高维数据进行匹配,包括的具体步骤如下:
先将待查找的高维数据与待查找的高维数据的优先匹配组中的每个高维数据进行匹配,如果不存在匹配的高维数据,则依次将待查找的高维数据与待查找的高维数据的每个待查找分组中的每个高维数据进行匹配,直至获得与待查找的高维数据匹配的高维数据。
10.根据权利要求9所述的一种基于智能匹配的信息***自动部署规划方法,其特征在于,所述待查找的高维数据的优先匹配组和待查找分组的获取方法具体如下:
获得对于待查找的高维数据,判断待查找的高维数据在每个维度的数值是否在每个维度对应的储存分组的阈值内,如果待查找的高维数据在每个维度的数值在该维度对应的储存分组的阈值内,则将储存分组作为待查找的高维数据的待查找分组,获得待查找的高维数据的所有待查找分组的交集,作为待查找的高维数据的优先匹配组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311346131.0A CN117077067B (zh) | 2023-10-18 | 2023-10-18 | 一种基于智能匹配的信息***自动部署规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311346131.0A CN117077067B (zh) | 2023-10-18 | 2023-10-18 | 一种基于智能匹配的信息***自动部署规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117077067A true CN117077067A (zh) | 2023-11-17 |
CN117077067B CN117077067B (zh) | 2023-12-22 |
Family
ID=88706556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311346131.0A Active CN117077067B (zh) | 2023-10-18 | 2023-10-18 | 一种基于智能匹配的信息***自动部署规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117077067B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991552A (zh) * | 2019-12-12 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 基于联邦学习的孤立森林模型构建和预测方法和装置 |
CN111275547A (zh) * | 2020-03-19 | 2020-06-12 | 重庆富民银行股份有限公司 | 基于孤立森林的风控***及方法 |
CN112434208A (zh) * | 2020-12-03 | 2021-03-02 | 百果园技术(新加坡)有限公司 | 一种孤立森林的训练及其网络爬虫的识别方法与相关装置 |
CN113420073A (zh) * | 2021-08-23 | 2021-09-21 | 平安科技(深圳)有限公司 | 基于改进的孤立森林的异常样本检测方法及相关设备 |
CN114398685A (zh) * | 2021-10-21 | 2022-04-26 | 海南火链科技有限公司 | 一种政务数据处理方法、装置、计算机设备及存储介质 |
CN114781688A (zh) * | 2022-03-21 | 2022-07-22 | 广东电网有限责任公司广州供电局 | 业扩项目的异常数据的识别方法、装置、设备及存储介质 |
WO2023169098A1 (zh) * | 2022-03-10 | 2023-09-14 | 东南大学 | 基于孤立森林的模块化多电平换流器开路故障诊断方法 |
-
2023
- 2023-10-18 CN CN202311346131.0A patent/CN117077067B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991552A (zh) * | 2019-12-12 | 2020-04-10 | 支付宝(杭州)信息技术有限公司 | 基于联邦学习的孤立森林模型构建和预测方法和装置 |
WO2021114821A1 (zh) * | 2019-12-12 | 2021-06-17 | 支付宝(杭州)信息技术有限公司 | 基于联邦学习的孤立森林模型构建和预测方法和装置 |
CN111275547A (zh) * | 2020-03-19 | 2020-06-12 | 重庆富民银行股份有限公司 | 基于孤立森林的风控***及方法 |
CN112434208A (zh) * | 2020-12-03 | 2021-03-02 | 百果园技术(新加坡)有限公司 | 一种孤立森林的训练及其网络爬虫的识别方法与相关装置 |
CN113420073A (zh) * | 2021-08-23 | 2021-09-21 | 平安科技(深圳)有限公司 | 基于改进的孤立森林的异常样本检测方法及相关设备 |
CN114398685A (zh) * | 2021-10-21 | 2022-04-26 | 海南火链科技有限公司 | 一种政务数据处理方法、装置、计算机设备及存储介质 |
WO2023169098A1 (zh) * | 2022-03-10 | 2023-09-14 | 东南大学 | 基于孤立森林的模块化多电平换流器开路故障诊断方法 |
CN114781688A (zh) * | 2022-03-21 | 2022-07-22 | 广东电网有限责任公司广州供电局 | 业扩项目的异常数据的识别方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
闻明;窦晨;: "孤立森林算法在智能监控中的应用", 科技创新导报, no. 14 * |
Also Published As
Publication number | Publication date |
---|---|
CN117077067B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059181B (zh) | 面向大规模分类体系的短文本标签方法、***、装置 | |
CN110019647B (zh) | 一种关键词搜索方法、装置和搜索引擎 | |
US6792163B2 (en) | Method and apparatus for searching, browsing and summarizing moving image data using fidelity of tree-structured moving image hierarchy | |
CN107291785A (zh) | 一种数据查找方法及装置 | |
CN108304409B (zh) | 一种基于进位的Sketch数据结构的数据频度估计方法 | |
CN113868366B (zh) | 一种面向流数据的在线跨模态检索方法与*** | |
CN104142946A (zh) | 一种同款业务对象聚合、搜索的方法和*** | |
CN110516118A (zh) | 一种字符串匹配方法、设备及计算机存储介质 | |
CN104092618A (zh) | 一种基于杜鹃搜索算法的对等网络流量特征选择方法 | |
CN103077216B (zh) | 子图匹配装置及子图匹配的方法 | |
CN110221960A (zh) | 生成测试用例的方法及装置、计算机设备、存储介质 | |
CN115293919A (zh) | 面向社交网络分布外泛化的图神经网络预测方法及*** | |
CN104933143A (zh) | 获取推荐对象的方法及装置 | |
CN112598062A (zh) | 一种图像识别方法和装置 | |
CN111475511A (zh) | 基于树状结构的数据存储方法、访问方法、装置及设备 | |
CN111475158A (zh) | 子领域划分方法、装置、电子设备和计算机可读存储介质 | |
CN117077067B (zh) | 一种基于智能匹配的信息***自动部署规划方法 | |
CN114239237A (zh) | 一种支持数字孪生的配电网仿真场景生成***与方法 | |
CN112749565B (zh) | 基于人工智能的语义识别方法、装置和语义识别设备 | |
CN115048682A (zh) | 一种土地流转信息的安全存储方法 | |
CN112052649B (zh) | 文本生成方法、装置、电子设备及存储介质 | |
CN114036345A (zh) | 一种轨迹数据的处理方法、设备及存储介质 | |
CN113076448A (zh) | 一种基于极大团与强连通分量的社区发现方法 | |
CN111428035A (zh) | 实体聚类的方法及装置 | |
CN111950615A (zh) | 一种基于树种优化算法的网络故障特征选择方法 |
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 |