CN117313025A - 任务处理方法及装置 - Google Patents
任务处理方法及装置 Download PDFInfo
- Publication number
- CN117313025A CN117313025A CN202311149090.6A CN202311149090A CN117313025A CN 117313025 A CN117313025 A CN 117313025A CN 202311149090 A CN202311149090 A CN 202311149090A CN 117313025 A CN117313025 A CN 117313025A
- Authority
- CN
- China
- Prior art keywords
- variable
- candidate
- information
- task
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 81
- 230000004927 fusion Effects 0.000 claims abstract description 64
- 238000007499 fusion processing Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 76
- 238000006243 chemical reaction Methods 0.000 claims description 44
- 238000003860 storage Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 69
- 230000008569 process Effects 0.000 description 43
- 238000010586 diagram Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 13
- 230000006872 improvement Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供了任务处理方法及装置,其中,一种任务处理方法包括:在获取到待处理任务的任务节点上候选变量的变量信息后,借助候选变量的变量信息计算候选变量之间的变量关系,并借助候选变量的关联变量的关联变量信息和候选变量与关联变量的变量关系,进行信息融合处理,获得候选变量的融合信息,根据候选变量的融合信息在候选变量中确定目标变量,以此在任务节点的子节点进行对应的任务处理。
Description
技术领域
本文件涉及数据处理技术领域,尤其涉及一种任务处理方法及装置。
背景技术
随着互联网技术的不断发展,越来越多的待处理任务逐渐通过互联网方式进行处理,比如容器调度任务、交通管理任务、建厂选址任务等等;在对待处理任务进行任务处理的过程中,可能需要各服务方配合执行,比如对待处理任务分为各任务节点,针对于此,对各服务方进行待处理任务的任务处理提出了更高的要求。
发明内容
本说明书一个或多个实施例提供了一种任务处理方法,包括:获取待处理任务的任务节点上候选变量的变量信息。基于所述候选变量的变量信息,计算所述候选变量之间的变量关系。根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息。基于所述融合信息在所述候选变量中确定目标变量,以基于所述目标变量在所述任务节点的子节点进行对应的任务处理。
本说明书一个或多个实施例提供了一种任务处理装置,包括:信息获取模块,被配置为获取待处理任务的任务节点上候选变量的变量信息。关系计算模块,被配置为基于所述候选变量的变量信息,计算所述候选变量之间的变量关系。融合处理模块,被配置为根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息。变量确定模块,被配置为基于所述融合信息在所述候选变量中确定目标变量,以基于所述目标变量在所述任务节点的子节点进行对应的任务处理。
本说明书一个或多个实施例提供了一种任务处理设备,包括:处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:获取待处理任务的任务节点上候选变量的变量信息。基于所述候选变量的变量信息,计算所述候选变量之间的变量关系。根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息。基于所述融合信息在所述候选变量中确定目标变量,以基于所述目标变量在所述任务节点的子节点进行对应的任务处理。
本说明书一个或多个实施例提供了一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:获取待处理任务的任务节点上候选变量的变量信息。基于所述候选变量的变量信息,计算所述候选变量之间的变量关系。根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息。基于所述融合信息在所述候选变量中确定目标变量,以基于所述目标变量在所述任务节点的子节点进行对应的任务处理。
附图说明
为了更清楚地说明本说明书一个或多个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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图;
图1为本说明书一个或多个实施例提供的一种任务处理方法实施环境的示意图;
图2为本说明书一个或多个实施例提供的一种任务处理方法处理流程图;
图3为本说明书一个或多个实施例提供的一种应用于容器调度场景的任务处理方法处理流程图;
图4为本说明书一个或多个实施例提供的一种任务处理装置实施例的示意图;
图5为本说明书一个或多个实施例提供的一种任务处理设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书的一部分实施例,而不是全部的实施例。基于本说明书一个或多个实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本文件的保护范围。
参照图1,本说明书一个或多个实施例提供的任务处理方法实施环境的示意图。
本说明书一个或多个实施例提供的任务处理方法,可适用于根据待处理任务的任务节点上候选变量的变量信息确定目标变量这一实施环境,本方法的实施环境至少包括确定目标变量的服务器101。
其中,服务器101可以是一台服务器,或者由若干台服务器组成的服务器集群,或者是云计算平台中的一个或者多个云服务器,服务器101用于根据待处理任务的任务节点上候选变量的变量信息确定目标变量。
该实施环境中,服务器101在获取到待处理任务的任务节点上候选变量的变量信息后,借助候选变量的变量信息计算候选变量之间的变量关系,并借助候选变量的关联变量的关联变量信息和候选变量与关联变量的变量关系进行信息融合处理,获得候选变量的融合信息,在此基础上,借助候选变量的融合信息在候选变量中确定目标变量,以基于目标变量在任务节点的子节点进行对应的任务处理,以此,通过引入候选变量之间的变量关系,提升候选变量的融合信息的有效性和全面性,提升目标变量的确定效率,从而提升待处理任务的任务处理效率。
本说明书提供的一种任务处理方法的一个或多个实施例如下:
参照图2,本实施例提供的任务处理方法,具体包括步骤S202至步骤S208。
步骤S202,获取待处理任务的任务节点上候选变量的变量信息。
本实施例所述待处理任务是指等待进行处理的任务,比如容器调度任务、交通管理任务、地址选择任务;再比如待处理任务为针对容器调度的整数线性规划任务、针对交通管理的整数线性规划任务、针对地址选择的整数线性规划任务,具体待处理任务可以是待处理问题,整数线性规划任务可以是混合整数线性规划问题。此外,待处理任务还可以是其他领域的整数线性规划任务。
所述任务节点是指进行待处理任务的处理过程中涉及的节点。实际应用中,在对待处理任务进行任务处理的过程中,比如对针对容器调度的混合整数线性规划任务进行任务处理的过程中,可通过分支定界法对该混合整数线性规划任务进行任务处理,在任务处理的过程中,可产生分支定界树,分支定界树中的节点可以称为任务节点。
可选的,所述待处理任务的任务节点对应于所述待处理任务或者所述待处理任务的子任务;在待处理任务的任务节点对应待处理任务的情况下,待处理任务的任务节点可以是主任务节点,在待处理任务的任务节点对应待处理任务的子任务的情况下,待处理任务的任务节点可以是子任务节点,子任务节点可以有多个;比如容器调度的整数线性规划任务为:
max z=4x1+3x2
其中,max z=4x1+3x2代表容器调度的整数线性规划任务的目标函数;s.t.代表容器调度的整数线性规划任务的约束条件;x1,x2取整数,代表整数约束条件;x1、x2均代表整数线性规划任务中的变量。
所述候选变量包括待处理任务的任务节点上的候选变量;可选的,所述候选变量,基于所述任务节点对应的松弛任务的松弛结果为非整数且变量属性为整数的变量确定;所述变量信息包括所述候选变量的松弛结果和/或所述候选变量所处的所述任务节点的目标函数的上限数值。所述变量信息可以是候选变量的变量特征,具体可以是变量特征矩阵。所述候选变量为多个候选变量;可选的,所述候选变量在所述待处理任务对应的整数变量中确定,整数变量是指变量属性为整数的变量,比如上述例子中的x1和x2;所述任务节点对应的松弛任务是指在忽略所述任务节点对应的任务中的整数约束条件的情况下的变量值。
实际应用中,任务处理平台在对待处理任务进行任务处理的过程中,比如对上述针对容器调度的整数线性规划任务进行任务处理的过程中,可通过分支定界法对针对容器调度的整数线性规划任务进行任务处理,以任务节点为主任务节点为例,在主任务节点确定所述待处理任务的松弛任务,并在主任务节点计算该松弛任务的松弛结果,在松弛任务的松弛结果中确定松弛结果为非整数且变量属性为整数的变量,可在该变量中确定所述主任务节点的候选变量(可以选择该变量中的一个或者多个或者将该变量作为候选变量),将主任务节点上的候选变量的变量信息向服务器发送,本实施例可应用于所述服务器;
在此之后,所述服务器通过本实施例在候选变量中确定目标变量,可将目标变量向任务处理平台发送,比如任务处理平台的待处理任务的松弛任务的松弛结果为(x1=1.2,x2=2.1),松弛任务的松弛结果中为非整数且变量属性为整数的变量包括x1和x2,在松弛结果为非整数且变量属性为整数的变量x1和x2中确定待处理任务的主任务节点上的候选变量为x1和x2,本实施例所述服务器可获取主任务节点上的候选变量,在x1和x2中确定目标变量为x1,任务处理平台获取目标变量x1后,基于目标变量x1的松弛结果确定主任务节点的子任务节点,2个子任务节点对应的子任务分别为p1和p2,具体可根据目标变量x1的松弛结果确定第一约束条件x1≤1和第二约束条件x1≥2,分别基于第一约束条件和第二约束条件对待处理任务进行任务更新,获得第一子任务p1和第二子任务p2:
任务处理平台在p1节点和/或p2节点计算第一子任务和/或第二子任务的松弛结果,并根据松弛结果确定候选变量,向本实施例中的服务器发送;需要说明的是,本实施例中,在一次待处理任务的任务处理过程中,可获取一次或者多次待处理任务的任务节点上候选变量的变量信息,直至得到所述待处理任务的任务处理结果;每次候选变量的变量信息对应的任务节点不同。
需要补充的是,上述以任务节点为主任务节点为例,对候选变量的变量信息的获取过程进行介绍,后续获取其他待处理任务的任务节点上的候选变量的变量信息的过程与主任务节点类似,此处不再赘述,本实施例即是在获取到任务处理平台发送的待处理任务的任务节点上候选变量的变量信息后,在候选变量中确定目标变量的过程,以通过目标变量实现待处理任务的任务处理高效化。
步骤S204,基于所述候选变量的变量信息,计算所述候选变量之间的变量关系。
上述获取待处理任务的任务节点上候选变量的变量信息,本步骤中,为了提升候选变量的变量信息的全面性和有效性,可引入候选变量的关联变量,具体可基于候选变量的变量信息计算候选变量之间的变量关系。
本实施例所述关联变量,是指与候选变量存在关联关系的变量;可选的,所述候选变量中任一(任意一个)候选变量的关联变量包括所述候选变量,即任一候选变量的关联变量包括所述任一候选变量和所述候选变量中除所述任一候选变量之外的剩余变量,此外,所述候选变量的关联变量也可以是与所述候选变量相邻的变量,具体可以是在图网络中与候选变量连接的变量,还可以是与候选变量的变量关系为预设变量关系的关联变量,也可以是与候选变量的变量关系指标大于预设指标阈值的关联变量。
所述变量关系包括变量关系指标,比如变量关系值,变量关系值越大,代表候选变量之间的关系越密切,比如变量关系指标为m;所述变量关系包括用于表征每两个候选变量之间的关系密切程度的指标。
具体实施时,为了提升候选变量之间的变量关系的确定便捷性,满足确定候选变量之间的变量关系的多样化需求,同时为了提升确定变量关系的灵活性,可基于所述候选变量的变量信息计算候选变量中每两个候选变量之间的变量关系,具体可通过下述三种可选实施方式中的任意一种确定候选变量之间的变量关系。
本实施例提供的第一种可选实施方式中,在基于候选变量的变量信息,计算候选变量之间的变量关系的过程中,执行如下操作:
确定所述候选变量中第一候选变量和第二候选变量的约束因子;
基于所述第一候选变量的变量信息、所述第二候选变量的变量信息和所述约束因子,计算所述第一候选变量和所述第二候选变量的变量关系指标。
其中,所述约束因子包括包含第一候选变量和第二候选变量的约束条件,比如上述针对容器调度的整数线性规划任务的任务节点上的候选变量为x1和x2,则约束因子可以是约束条件4x1+2x2≤9和/或3x1+4x2≤12。所述第一候选变量的变量信息包括第一候选变量的变量特征;所述第二候选变量的变量信息包括第二候选变量的变量特征,具体可以是变量特征矩阵。
具体的,在基于第一候选变量的变量信息、第二候选变量的变量信息和约束因子,计算第一候选变量和第二候选变量的变量关系指标的过程中,可基于第一候选变量和第二候选变量的约束因子确定第一候选变量与第二候选变量的变量状态,也即第一候选变量和第二候选变量的约束因子为存在约束条件的情况下,确定第一候选变量与第二候选变量的变量状态为变量关联状态,在第一候选变量和第二候选变量的约束因子为不存在约束条件的情况下,确定第一候选变量与第二候选变量的连接状态为变量未关联状态,在此基础上,根据第一候选变量的变量信息、第二候选变量的变量信息和第一候选变量与第二候选变量的变量状态,计算第一候选变量和第二候选变量的变量关系指标;所述变量关联状态包括第一候选变量与第二候选变量之间存在关联的状态;所述变量未关联状态包括第一候选变量与第二候选变量之间不存在关联的状态。
此外,在基于所述候选变量的变量信息,计算所述候选变量之间的变量关系的过程中,也可将候选变量中第一候选变量和第二候选变量的约束因子、以及第一候选变量的变量特征、第二候选变量的变量特征输入第一关系计算算法进行变量关系指标计算,获得第一候选变量和第二候选变量的变量关系指标。
例如,第一关系计算算法为:
eij=S(xi,xj,ψij)
其中,eij代表第一候选变量和第二候选变量的变量关系指标;xi代表候选变量中第i个候选变量的变量特征,可以是第一候选变量的变量特征;xj代表候选变量中第j个候选变量的变量特征,可以是第二候选变量的变量特征;ψij代表xi对应的第一候选变量和xj对应的第二候选变量的约束因子。
在上述待处理任务的任务节点上候选变量的变量信息为变量特征的基础上,本实施例提供的第二种可选实施方式中,在基于候选变量的变量信息,计算候选变量之间的变量关系的过程中,执行如下操作:
基于所述候选变量中第一候选变量的变量特征和第一转换特征计算第一特征,以及基于所述候选变量中第二候选变量的变量特征和第二转换特征计算第二特征;
根据所述第一特征和所述第二特征,计算所述第一候选变量和所述第二候选变量的变量关系指标。
可选的,所述第一转换特征和所述第二转换特征相同或者不同。所述第一特征可为第一特征向量,所述第二特征可为第二特征向量。
具体的,在基于第一候选变量的变量特征和第一转换特征计算第一特征的过程中,可基于第一候选变量的变量特征和第一转换特征计算第一乘积作为第一中间特征,并对第一中间特征进行转换处理(比如转置处理,将n*m的矩阵转换为m*n的矩阵),获得所述第一特征;在基于第二候选变量的变量特征和第二转换特征计算第二特征的过程中,可根据第二候选变量的变量特征和第二转换特征计算第二乘积作为所述第二特征;在根据第一特征和第二特征,计算第一候选变量和第二候选变量的变量关系指标的过程中,可计算第一特征和第二特征的乘积作为所述第一候选变量和第二候选变量的变量关系指标。
此外,在基于所述变量信息计算所述候选变量之间的变量关系的过程中,也可将第一候选变量的变量特征和第二候选变量的变量特征输入第二关系计算算法进行变量关系指标计算,获得第一候选变量和第二候选变量的变量关系指标;也即上述进行变量关系计算的第二种可选实施方式可通过第二关系计算算法执行,第二关系计算算法可以是采用transformer(一种神经网络)机制的算法;
例如,第二关系计算算法为:
eij=(Wkxi)TWqxj
其中,eij代表变量关系指标;Wk代表第一转换特征;(Wkxi)代表第一中间特征;(Wkxi)T代表对第一中间特征进行转置,得到的第一特征;Wq代表第二转换特征;xi代表候选变量中第i个候选变量的变量特征,xi可以是第一候选变量;xj代表候选变量中第j个候选变量的变量特征,xj可以是第二候选变量。
除此之外,上述进行变量关系计算的第二种可选实施方式也可通过第三关系计算算法执行,第三关系计算算法可以是基于度量学习的方法,具体可以采用GRCN(Graph-Refined Convolutional Network,图卷积网络)的inner-product(内积)的机制。
例如,第三关系计算算法为:
eij=(W1xi)T(W1xj)
其中,eij代表变量关系指标;W1代表第一转换特征和第二转换特征;(W1xi)代表第一中间特征;(W1xi)T代表对第一中间特征进行转置,得到的第一特征;(W1xj)代表第二特征;xi代表候选变量中第i个候选变量的变量特征,xi可以是第一候选变量;xj代表候选变量中第j个候选变量的变量特征,xj可以是第二候选变量。
在上述待处理任务的任务节点上候选变量的变量信息为变量特征的基础上,本实施例提供的第三种可选实施方式中,在基于候选变量的变量信息计算候选变量之间的变量关系的过程中,可根据第一候选变量、第二候选变量的变量特征和转换特征,计算第一候选变量和第二候选变量的变量关系指标,具体可执行如下操作:
根据所述候选变量中的第一候选变量和第二候选变量的变量特征,确定目标特征;
基于所述第一候选变量的变量特征和转换特征计算第一特征,以及基于所述第二候选变量的变量特征和所述转换特征计算第二特征;
根据所述目标特征、所述第一特征和所述第二特征,计算所述第一候选变量和所述第二候选变量的变量关系指标。
其中,所述转换特征包括用于进行矩阵转换的转换矩阵。可选的,所述第一候选变量的变量特征与第二候选变量的变量特征的特征维度相同,比如第一候选变量的变量特征为a维的特征向量,则第一候选变量的变量特征的特征维度为a。
具体的,在根据候选变量中的第一候选变量和第二候选变量的变量特征,确定目标特征的过程中,可确定第一候选变量的变量特征或者第二候选变量的变量特征的特征维度,基于该特征维度生成中间特征,并对该中间特征进行转换处理获得所述目标特征(所述转换处理包括转置处理或者矩阵转置处理);在基于第一候选变量的变量特征和转换特征计算第一特征的过程中,可计算第一候选变量的变量特征与转换特征的第一乘积作为第一特征;在基于第二候选变量的变量特征和转换特征计算第二特征的过程中,可计算第二候选变量的变量特征与转换特征的第二乘积作为第二特征。
为了进一步提升变量关系指标计算的便捷性,可引入激活函数,本实施例提供的一种可选实施方式中,在根据所述目标特征、所述第一特征和所述第二特征,计算所述第一候选变量和所述第二候选变量的变量关系指标的过程中,执行如下操作:
根据所述目标特征、所述第一特征和所述第二特征,计算目标数值;
将所述目标数值输入激活函数进行指标计算,获得所述变量关系指标。
其中,所述激活函数可以是任意一种激活函数,比如Leaky Relu。
具体的,在根据所述目标特征、所述第一特征和所述第二特征,计算目标数值的过程中,可将所述第一特征和第二特征进行特征拼接,得到第三特征,对目标特征和第三特征进行点乘,得到所述目标数值。
此外,上述进行变量关系计算的第三种可选实施方式也可通过第四关系计算算法执行,第四关系计算算法可以是基于网络的算法,具体可以是采用GAT(Graph AttentionNetwork,图注意力网络)的算法;
例如,第四关系计算算法为:
eij=σ(αT·[W2xi||W2xj])
其中,eij代表变量关系指标;σ代表激活函数,比如Leaky Relu;αT代表目标特征,是对中间特征α的转置特征;xi代表候选变量中第i个候选变量的变量特征,xi可以是第一候选变量;xj代表候选变量中第j个候选变量的变量特征,xj可以是第二候选变量;W2代表转换特征;(W2xi)代表转换特征与xi的第一乘积,(W2xj)代表转换特征与xj的第二乘积;[W2xi||W2xj]代表对(W2xi)和(W2xj)进行拼接得到的第三特征。
在上述计算获得所述候选变量之间的变量关系之后,也可基于变量关系确定候选变量的关联变量;具体可采用如下方式确定候选变量的关联变量:
在所述候选变量中,检测与第一候选变量的变量关系指标大于预设指标阈值的第二候选变量;
将检测到的第二候选变量作为所述第一候选变量的关联变量。
其中,所述预设指标阈值可以是0。
具体的,在所述候选变量为多个候选变量的情况下,在所述多个候选变量中,检测与多个候选变量中各候选变量的变量关系指标大于预设指标阈值的候选变量,并将检测到的候选变量作为各候选变量的关联变量。
需要说明的是,上述第一候选变量可为所述候选变量中每两个候选变量中的第一候选变量,第二候选变量可为所述候选变量中每两个候选变量中的第二候选变量。
步骤S206,根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息。
上述基于所述候选变量的变量信息,计算所述候选变量之间的变量关系,本步骤中,结合关联变量的关联变量信息和候选变量与关联变量的变量关系进行信息融合处理,获得候选变量的融合信息。本实施例所述融合信息,是指将关联变量信息融合至候选变量的变量信息后生成的融合信息。
实际应用中,单一的候选变量的变量信息可能不能精准地表征候选变量的情况,从而导致确定的目标变量的精准度较低,针对于此,为了提升候选变量的变量信息的全面性和精准度,进而提升确定的目标变量的有效性,提升待处理任务的任务处理效率;本实施例提供的一种可选实施方式中,在根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息的过程中,执行如下操作:
基于所述关联变量信息以及所述候选变量与所述关联变量的变量关系指标,计算待融合信息;
根据所述待融合信息,计算所述候选变量的融合信息。
其中,所述待融合信息可以是待融合特征,具体可以是待融合矩阵。
具体的,在基于所述关联变量信息以及所述候选变量与所述关联变量的变量关系指标,计算待融合信息的过程中,基于各关联变量的关联变量信息以及候选变量与各关联变量的变量关系值,计算各关联变量的关联变量信息与对应的变量关系值的乘积作为各待融合信息;在根据待融合信息,计算所述候选变量的融合信息的过程中,可对各待融合信息进行加和获得所述候选变量的融合信息。
例如,候选变量包括a、b、c、d,候选变量a、b、c、d的关联变量均可包括a、b、c、d,即候选变量a、b、c、d中每个候选变量的关联变量可包括a、b、c、d;以候选变量a为例,假设候选变量a、b、c、d的变量特征分别为i1、i2、i3、i4,候选变量a与关联变量a、b、c、d的变量关系指标依次为m1、m2、m3、m4,则计算待融合信息为:(i1×m1)、(i2×m2)、(i3×m3)、(i4×m4),候选变量a的融合信息为(i1×m1+i2×m2+i3×m3+i4×m4)。
此外,在根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息的过程中,也可执行如下操作:
对所述候选变量与关联变量的变量关系进行归一化处理,获得候选变量与关联变量的归一化变量关系;
根据候选变量的关联变量的关联变量信息以及候选变量与关联变量的归一化变量关系,计算待融合信息;
根据所述待融合信息,计算所述候选变量的融合信息。
具体的,可对候选变量与各关联变量的变量关系指标进行归一化处理,获得候选变量与各关联变量的归一化指标;计算各关联变量的关联变量特征与对应的归一化指标的乘积作为各待融合信息;对各待融合信息进行加和获得所述候选变量的融合信息。
需要说明的是,步骤S204至步骤S206可重复执行多次,即基于候选变量的变量信息,计算候选变量之间的变量关系,根据候选变量的关联变量的关联变量信息和候选变量与关联变量的变量关系,进行信息融合处理,获得候选变量的融合信息,并将候选变量的融合信息作为候选变量的变量信息,返回执行所述基于候选变量的变量信息,计算候选变量之间的变量关系,根据候选变量的关联变量的关联变量信息和候选变量与关联变量的变量关系,进行信息融合处理,获得候选变量的融合信息;在检测到所述融合信息满足变量确定条件的情况下,执行下述步骤S208;所述变量确定条件包括融合处理的融合次数大于预设次数阈值。
步骤S208,基于所述融合信息在所述候选变量中确定目标变量,以基于所述目标变量在所述任务节点的子节点进行对应的任务处理。
上述根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息,本步骤中,借助候选变量的融合信息在候选变量中确定目标变量,以基于目标变量在任务节点的子节点进行对应的任务处理。所述任务节点的子节点是指所述任务节点的下一层级的节点。
具体实施时,为了提升确定目标变量的便捷性,本实施例提供的一种可选实施方式中,在基于所述融合信息在所述候选变量中确定目标变量的过程中,执行如下操作:
对所述候选变量的融合特征进行特征降维获得降维特征;
对所述降维特征进行特征归一化获得归一化特征,并基于所述归一化特征在所述候选变量中确定所述目标变量。
其中,所述归一化特征包括预设特征维度的归一化特征向量;所述预设特征维度可以是1维。
本实施例提供的一种可选实施方式中,在上述基于所述归一化特征在候选变量中确定目标变量的过程中,执行如下操作:
对所述归一化特征中各归一化特征值进行排序处理;
确定排序位次为预设位次的归一化特征值对应的候选变量为所述目标变量。
在具体的执行过程中,为了提升待处理任务的任务处理的灵活性和高效性,可选的,所述任务处理方法通过变量确定模型执行;本实施例提供的一种可选实施方式中,所述变量确定模型,通过如下方式进行训练:
在训练样本序列中确定第一训练样本,并将所述第一训练样本与第二训练样本进行样本合并获得合并样本;
将所述合并样本输入候选变量确定模型进行模型训练,以得到所述变量确定模型。
具体的,可按照抽取比例在训练样本序列中抽取所述第一训练样本,并将所述第一训练样本与第二训练样本进行样本合并获得合并样本,通过所述合并样本对所述候选变量确定模型进行预设轮次的模型训练,以得到所述变量确定模型。
其中,所述第二训练样本可能为空或者不为空,第二训练样本为空的情况下,第一训练样本为第一次样本抽取获得的训练样本,在第二训练样本不为空的情况下,第二训练样本为第一次之后的后续样本抽取获得的训练样本。
例如,先在训练样本序列中抽取30%的训练样本,将该训练样本作为合并样本,通过合并样本对候选变量确定模型进行m1轮次的模型训练,得到第一中间模型,然后在剩余训练样本序列中抽取20%的训练样本,将该训练样本与30%的训练样本进行合并获得合并样本,并对第一中间模型进行m2轮次的模型训练,得到第二中间模型,再抽取20%的训练样本,将该训练样本与前面的30%的训练样本、20%的训练样本进行合并,得到合并样本,利用合并样本对第二中间模型进行m3轮次的模型训练,得到第三中间模型,最后可抽取30%的训练样本,将该训练样本与前面的30%的训练样本、20%的训练样本、20%的训练样本进行合并,得到合并样本(该合并样本正好为整个训练样本序列),根据合并样本对第三中间模型进行m4轮次的模型训练,得到变量确定模型。
本实施例提供的一种可选实施方式中,所述训练样本序列,通过如下方式获得:
基于训练数据对待训练模型进行模型训练得到所述候选变量确定模型;
通过所述候选变量确定模型计算所述训练数据中各训练样本对应的训练损失,并按照所述训练损失对所述各训练样本进行排序处理,获得所述训练样本序列。
其中,所述训练数据包括一个或多个训练任务的任务节点上的候选变量的变量信息;所述训练任务是指用于进行模型训练的待处理任务。
具体的,可按照训练损失由小到大或者由大到小的顺序对各训练样本进行排序处理,获得训练样本序列。
需要说明的是,上述按照所述训练损失对所述各训练样本进行排序处理,获得所述训练样本序列的过程可通过难度测量器(Difficulty Measurer)执行;上述在训练样本序列中确定第一训练样本,并将所述第一训练样本与第二训练样本进行样本合并获得合并样本的过程,可通过训练调度器(Training Scheduler)执行。
本实施例提供的一种可选实施方式中,在基于目标变量在任务节点的子节点进行对应的任务处理的过程中,执行如下操作:
基于所述目标变量在所述任务节点的任务处理结果,确定所述任务节点的子节点;
基于所述子节点的任务处理结果确定所述子节点上的候选变量。
例如,在候选变量x1和x2中确定目标变量为x1,基于目标变量x1的任务处理结果即松弛结果1.2,确定任务节点的子节点为x1≤1和x1≥2,确定子节点x1≤1和x1≥2对应的第一子任务p1和第二子任务p2的任务处理结果即松弛结果,根据子节点的任务处理结果确定子节点上的候选变量。
需要补充的是,上述步骤S202至步骤S208可被替换为,获取待处理任务的任务节点上多个候选变量的变量信息;基于多个候选变量的变量信息,计算多个候选变量中每两个候选变量之间的变量关系;根据所述多个候选变量中各候选变量与各自的关联变量的变量关系和所述各候选变量的关联变量的关联变量信息,进行信息融合处理,获得各候选变量的融合信息;基于融合信息在多个候选变量中确定目标变量,以基于目标变量在任务节点的子节点进行对应的任务处理;
或者,可替换为,获取待处理任务的任务节点上多个候选变量的变量特征;基于多个候选变量的变量特征,计算多个候选变量中每两个候选变量之间的变量关系;根据所述多个候选变量中各候选变量与各自的关联变量的变量关系和所述各候选变量的关联变量的关联变量特征,进行特征融合处理,获得各候选变量的融合特征;基于各候选变量的融合特征在多个候选变量中确定目标变量,以基于目标变量在任务节点的子节点进行对应的任务处理。
可选的,所述多个候选变量中各候选变量的关联变量包括所述多个候选变量,即各候选变量的关联变量可为多个候选变量,也即各候选变量的关联变量包括各候选变量和多个候选变量中除该候选变量之外的其余候选变量。
在上述基于多个候选变量的变量信息,计算多个候选变量中每两个候选变量之间的变量关系的过程中,可确定每两个候选变量的约束因子,并基于每两个候选变量的变量信息和约束因子,计算每两个候选变量的变量关系指标;在基于每两个候选变量的变量信息和约束因子,计算每两个候选变量的变量关系指标的过程中,可基于每两个候选变量的变量信息和约束因子计算每两个候选变量的中间变量关系指标,对每两个候选变量的中间变量关系指标进行归一化处理,获得每两个候选变量的变量关系指标。在上述基于多个候选变量的变量信息,计算多个候选变量中每两个候选变量之间的变量关系的过程中,也可基于每两个候选变量中第一候选变量的变量特征和第一转换特征计算第一特征,以及基于每两个候选变量中第二候选变量的变量特征和第二转换特征计算第二特征,根据第一特征和第二特征,计算每两个候选变量的变量关系指标;还可根据每两个候选变量的变量特征,确定目标特征,基于每两个候选变量中第一候选变量的变量特征和转换特征计算第一特征,以及基于每两个候选变量中第二候选变量的变量特征和转换特征计算第二特征,根据目标特征、第一特征和第二特征,计算每两个候选变量的变量关系指标。
在根据所述多个候选变量中各候选变量与各自的关联变量的变量关系和所述各候选变量的关联变量的关联变量信息,进行信息融合处理,获得各候选变量的融合信息的过程中,可根据多个候选变量中各候选变量与各自的关联变量的变量关系和所述各自的关联变量的关联变量信息,计算各候选变量的待融合信息,基于待融合信息计算各候选变量的融合信息。需要说明的是,此处涉及的具体实现方式与上述类似,此处不再赘述。
综上所述,本实施例提供的一种或者多种任务处理方法,首先获取待处理任务的任务节点上候选变量的变量信息,其次,确定候选变量中第一候选变量和第二候选变量的约束因子,基于第一候选变量的变量信息、第二候选变量的变量信息和约束因子,计算第一候选变量和第二候选变量的变量关系指标;或者,基于候选变量中第一候选变量的变量特征和第一转换特征计算第一特征,以及基于候选变量中第二候选变量的变量特征和第二转换特征计算第二特征,根据第一特征和第二特征,计算第一候选变量和第二候选变量的变量关系指标;或者,根据候选变量中第一候选变量和第二候选变量的变量特征,确定目标特征,基于第一候选变量的变量特征和转换特征计算第一特征,以及基于第二候选变量的变量特征和转换特征计算第二特征,根据目标特征、第一特征和第二特征,计算第一候选变量和第二候选变量的变量关系指标;在此基础上,基于候选变量的关联变量的关联变量信息以及候选变量与关联变量的变量关系指标,计算待融合信息,基于待融合信息计算候选变量的融合信息;最后,基于融合信息在候选变量中确定目标变量,以基于目标变量在任务节点的子节点进行对应的任务处理,以此,通过引入候选变量之间的变量关系,提升候选变量的融合信息的有效性和全面性,提升目标变量的确定效率,从而提升待处理任务的任务处理效率。
下述以本实施例提供的一种任务处理方法在容器调度场景的应用为例,对本实施例提供的任务处理方法进行进一步说明,参见图3,应用于容器调度场景的任务处理方法,具体包括如下步骤。
步骤S302,获取容器调度任务的任务节点上多个候选变量的变量特征。
步骤S304,确定多个候选变量中每两个候选变量的约束因子,并基于每两个候选变量的变量特征和约束因子,计算每两个候选变量的变量关系指标。
步骤S306,基于多个候选变量中各候选变量与各自的关联变量的变量关系指标,以及各候选变量的关联变量的关联变量特征,计算待融合特征。
步骤S308,基于待融合特征计算各候选变量的融合特征。
步骤S310,对融合特征进行特征降维获得降维特征,并对降维特征进行特征归一化获得归一化特征。
步骤S312,对归一化特征中各归一化特征值进行排序处理,并在多个候选变量中确定排序位次为预设位次的归一化特征值对应的候选变量为目标变量,以基于目标变量在任务节点的子节点进行对应的调度任务处理。
需要补充的是,上述步骤S304可被替换为,基于多个候选变量中每两个候选变量中的第一候选变量的变量特征和第一转换特征计算第一特征,以及基于每两个候选变量中第二候选变量的变量特征和第二转换特征计算第二特征;根据第一特征和第二特征,计算每两个候选变量的变量关系指标;
还可被替换为,根据多个候选变量中每两个候选变量的变量特征,确定目标特征;基于每两个候选变量中第一候选变量的变量特征和转换特征计算第一特征,以及基于每两个候选变量中第二候选变量的变量特征和转换特征计算第二特征;根据目标特征、第一特征和第二特征,计算每两个候选变量的变量关系指标。
本说明书提供的一种任务处理装置实施例如下:
在上述的实施例中,提供了一种任务处理方法,与之相对应的,还提供了一种任务处理装置,下面结合附图进行说明。
参照图4,其示出了本实施例提供的一种任务处理装置实施例的示意图。
由于装置实施例对应于方法实施例,所以描述得比较简单,相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本实施例提供一种任务处理装置,包括:
信息获取模块402,被配置为获取待处理任务的任务节点上候选变量的变量信息;
关系计算模块404,被配置为基于所述候选变量的变量信息,计算所述候选变量之间的变量关系;
融合处理模块406,被配置为根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息;
变量确定模块408,被配置为基于所述融合信息在所述候选变量中确定目标变量,以基于所述目标变量在所述任务节点的子节点进行对应的任务处理。
本说明书提供的一种任务处理设备实施例如下:
对应上述描述的一种任务处理方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种任务处理设备,该任务处理设备用于执行上述提供的一种任务处理方法,图5为本说明书一个或多个实施例提供的一种任务处理设备的结构示意图。
本实施例提供的一种任务处理设备,包括:
如图5所示,任务处理设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上的处理器501和存储器502,存储器502中可以存储有一个或一个以上存储应用程序或数据。其中,存储器502可以是短暂存储或持久存储。存储在存储器502的应用程序可以包括一个或一个以上模块(图示未示出),每个模块可以包括任务处理设备中的一系列计算机可执行指令。更进一步地,处理器501可以设置为与存储器502通信,在任务处理设备上执行存储器502中的一系列计算机可执行指令。任务处理设备还可以包括一个或一个以上电源503,一个或一个以上有线或无线网络接口504,一个或一个以上输入/输出接口505,一个或一个以上键盘506等。
在一个具体的实施例中,任务处理设备包括有存储器,以及一个或一个以上的程序,其中一个或者一个以上程序存储于存储器中,且一个或者一个以上程序可以包括一个或一个以上模块,且每个模块可以包括对任务处理设备中的一系列计算机可执行指令,且经配置以由一个或者一个以上处理器执行该一个或者一个以上程序包含用于进行以下计算机可执行指令:
获取待处理任务的任务节点上候选变量的变量信息;
基于所述候选变量的变量信息,计算所述候选变量之间的变量关系;
根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息;
基于所述融合信息在所述候选变量中确定目标变量,以基于所述目标变量在所述任务节点的子节点进行对应的任务处理。
本说明书提供的一种存储介质实施例如下:
对应上述描述的一种任务处理方法,基于相同的技术构思,本说明书一个或多个实施例还提供一种存储介质。
本实施例提供的存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:
获取待处理任务的任务节点上候选变量的变量信息;
基于所述候选变量的变量信息,计算所述候选变量之间的变量关系;
根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息;
基于所述融合信息在所述候选变量中确定目标变量,以基于所述目标变量在所述任务节点的子节点进行对应的任务处理。
需要说明的是,本说明书中关于一种存储介质的实施例与本说明书中关于一种任务处理方法的实施例基于同一发明构思,因此该实施例的具体实施可以参见前述对应方法的实施,重复之处不再赘述。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或者相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处,比如装置实施例、设备实施例和存储介质实施例,三者均相似于方法实施例,所以描述地比较简单,阅读装置实施例、设备实施例和存储介质实施例中的相关内容请参照方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在20世纪30年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书一个或多个实施例可提供为方法、***或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程任务处理设备的处理器以产生一个机器,使得通过计算机或其他可编程任务处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程任务处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程任务处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本文件的实施例而已,并不用于限制本文件。对于本领域技术人员来说,本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本文件的权利要求范围之内。
Claims (14)
1.一种任务处理方法,包括:
获取待处理任务的任务节点上候选变量的变量信息;
基于所述候选变量的变量信息,计算所述候选变量之间的变量关系;
根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息;
基于所述融合信息在所述候选变量中确定目标变量,以基于所述目标变量在所述任务节点的子节点进行对应的任务处理。
2.根据权利要求1所述的任务处理方法,所述根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息,包括:
基于所述关联变量信息以及所述候选变量与所述关联变量的变量关系指标,计算待融合信息;
根据所述待融合信息,计算所述候选变量的融合信息。
3.根据权利要求1所述的任务处理方法,所述基于所述融合信息在所述候选变量中确定目标变量,包括:
对所述候选变量的融合特征进行特征降维获得降维特征;
对所述降维特征进行特征归一化获得归一化特征,并基于所述归一化特征在所述候选变量中确定所述目标变量。
4.根据权利要求3所述的任务处理方法,所述基于所述归一化特征在所述候选变量中确定所述目标变量,包括:
对所述归一化特征中各归一化特征值进行排序处理;
确定排序位次为预设位次的归一化特征值对应的候选变量为所述目标变量。
5.根据权利要求1所述的任务处理方法,所述任务处理方法通过变量确定模型执行;
其中,所述变量确定模型,通过如下方式进行训练:
在训练样本序列中确定第一训练样本,并将所述第一训练样本与第二训练样本进行样本合并获得合并样本;
将所述合并样本输入候选变量确定模型进行模型训练,以得到所述变量确定模型。
6.根据权利要求5所述的任务处理方法,所述训练样本序列,通过如下方式获得:
基于训练数据对待训练模型进行模型训练得到所述候选变量确定模型;
通过所述候选变量确定模型计算所述训练数据中各训练样本对应的训练损失,并按照所述训练损失对所述各训练样本进行排序处理,获得所述训练样本序列。
7.根据权利要求1所述的任务处理方法,所述基于所述候选变量的变量信息,计算所述候选变量之间的变量关系,包括:
确定所述候选变量中第一候选变量和第二候选变量的约束因子;
基于所述第一候选变量的变量信息、所述第二候选变量的变量信息和所述约束因子,计算所述第一候选变量和所述第二候选变量的变量关系指标。
8.根据权利要求1所述的任务处理方法,所述基于所述候选变量的变量信息,计算所述候选变量之间的变量关系,包括:
基于所述候选变量中第一候选变量的变量特征和第一转换特征计算第一特征,以及基于所述候选变量中第二候选变量的变量特征和第二转换特征计算第二特征;
根据所述第一特征和所述第二特征,计算所述第一候选变量和所述第二候选变量的变量关系指标。
9.根据权利要求1所述的任务处理方法,所述基于所述候选变量的变量信息,计算所述候选变量之间的变量关系,包括:
根据所述候选变量中的第一候选变量和第二候选变量的变量特征,确定目标特征;
基于所述第一候选变量的变量特征和转换特征计算第一特征,以及基于所述第二候选变量的变量特征和所述转换特征计算第二特征;
根据所述目标特征、所述第一特征和所述第二特征,计算所述第一候选变量和所述第二候选变量的变量关系指标。
10.根据权利要求9所述的任务处理方法,所述根据所述目标特征、所述第一特征和所述第二特征,计算所述第一候选变量和所述第二候选变量的变量关系指标,包括:
根据所述目标特征、所述第一特征和所述第二特征,计算目标数值;
将所述目标数值输入激活函数进行指标计算,获得所述变量关系指标。
11.根据权利要求1所述的任务处理方法,所述基于所述目标变量在所述任务节点的子节点进行对应的任务处理,包括:
基于所述目标变量在所述任务节点的任务处理结果,确定所述任务节点的子节点;
基于所述子节点的任务处理结果确定所述子节点上的候选变量。
12.一种任务处理装置,包括:
信息获取模块,被配置为获取待处理任务的任务节点上候选变量的变量信息;
关系计算模块,被配置为基于所述候选变量的变量信息,计算所述候选变量之间的变量关系;
融合处理模块,被配置为根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息;
变量确定模块,被配置为基于所述融合信息在所述候选变量中确定目标变量,以基于所述目标变量在所述任务节点的子节点进行对应的任务处理。
13.一种任务处理设备,包括:
处理器;以及,被配置为存储计算机可执行指令的存储器,所述计算机可执行指令在被执行时使所述处理器:
获取待处理任务的任务节点上候选变量的变量信息;
基于所述候选变量的变量信息,计算所述候选变量之间的变量关系;
根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息;
基于所述融合信息在所述候选变量中确定目标变量,以基于所述目标变量在所述任务节点的子节点进行对应的任务处理。
14.一种存储介质,用于存储计算机可执行指令,所述计算机可执行指令在被处理器执行时实现以下流程:
获取待处理任务的任务节点上候选变量的变量信息;
基于所述候选变量的变量信息,计算所述候选变量之间的变量关系;
根据所述候选变量的关联变量的关联变量信息和所述候选变量与所述关联变量的变量关系,进行信息融合处理,获得所述候选变量的融合信息;
基于所述融合信息在所述候选变量中确定目标变量,以基于所述目标变量在所述任务节点的子节点进行对应的任务处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311149090.6A CN117313025A (zh) | 2023-09-06 | 2023-09-06 | 任务处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311149090.6A CN117313025A (zh) | 2023-09-06 | 2023-09-06 | 任务处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117313025A true CN117313025A (zh) | 2023-12-29 |
Family
ID=89296270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311149090.6A Pending CN117313025A (zh) | 2023-09-06 | 2023-09-06 | 任务处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117313025A (zh) |
-
2023
- 2023-09-06 CN CN202311149090.6A patent/CN117313025A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107957989B (zh) | 基于集群的词向量处理方法、装置以及设备 | |
CN110020427B (zh) | 策略确定方法和装置 | |
CN110443457B (zh) | 数据处理方法及装置 | |
CN115712866B (zh) | 数据处理方法、装置及设备 | |
CN116167461B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN112199416A (zh) | 数据规则生成方法及装置 | |
CN117828360A (zh) | 一种模型训练、代码生成方法、装置、存储介质及设备 | |
CN117540825A (zh) | 基于强化学习的预训练模型的构建方法及装置和电子设备 | |
CN108595395B (zh) | 一种昵称的生成方法、装置及设备 | |
CN117313025A (zh) | 任务处理方法及装置 | |
CN115204395A (zh) | 数据的处理方法、装置及设备 | |
CN112182116B (zh) | 数据探查方法及装置 | |
CN115952859B (zh) | 数据处理方法、装置及设备 | |
CN115905624B (zh) | 一种用户行为状态的确定方法、装置及设备 | |
CN115827935B (zh) | 一种数据处理方法、装置及设备 | |
CN117494663A (zh) | 文本处理方法及装置 | |
CN117036033A (zh) | 事件预测模型的训练方法及装置 | |
CN117593004A (zh) | 数据处理方法、装置及设备 | |
CN117910542A (zh) | 用户转化预测模型训练方法及装置 | |
CN116186607A (zh) | 一种模型的处理方法、装置及设备 | |
CN118210980A (zh) | 一种基于基层治理的资源匹配方法、设备及介质 | |
CN117762986A (zh) | 分布式数据库的访问处理方法及装置 | |
CN115994252A (zh) | 数据处理方法、装置及设备 | |
CN117762806A (zh) | 代码检测处理方法及装置 | |
CN117593003A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 |
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 |