CN104331507A - 机器数据类别自动发现和分类的方法及装置 - Google Patents

机器数据类别自动发现和分类的方法及装置 Download PDF

Info

Publication number
CN104331507A
CN104331507A CN201410674632.6A CN201410674632A CN104331507A CN 104331507 A CN104331507 A CN 104331507A CN 201410674632 A CN201410674632 A CN 201410674632A CN 104331507 A CN104331507 A CN 104331507A
Authority
CN
China
Prior art keywords
machine data
vocabulary
complete dictionary
fixing
finds
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
Application number
CN201410674632.6A
Other languages
English (en)
Other versions
CN104331507B (zh
Inventor
柳杨
唐玉芳
秦刚
江舟
孔祥鹏
张红意
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.)
Beijing Shujie Technology Co ltd
Original Assignee
BEIJING SHUXUN TECHNOLOGY Co Ltd
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 BEIJING SHUXUN TECHNOLOGY Co Ltd filed Critical BEIJING SHUXUN TECHNOLOGY Co Ltd
Priority to CN201410674632.6A priority Critical patent/CN104331507B/zh
Publication of CN104331507A publication Critical patent/CN104331507A/zh
Application granted granted Critical
Publication of CN104331507B publication Critical patent/CN104331507B/zh
Expired - Fee Related 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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种机器数据类别自动发现和分类的方法及装置，其中方法包括：对机器数据的源代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典；利用所述完备字典对机器数据进行分析，过滤掉机器数据中的可变词汇；根据过滤掉可变词汇后的机器数据中固定词汇，对机器数据进行类别自动发现和分类。采用本发明可以实现对机器数据进行类别自动发现和分类，并获取较高的分类准确率，无需人工参与，无需事先利用大量的训练样本学习分类器，还可以对机器数据流进行实时分析，自动发现机器数据中出现的新类别。

Description

机器数据类别自动发现和分类的方法及装置
技术领域
本发明涉及数据挖掘技术领域，尤其涉及机器数据类别自动发现和分类的方法及装置。
背景技术
随着Internet和Web技术的超速发展，Internet上提供的服务越来越多，网络的日益普及以及网民数量的爆炸性增长，对Internet上提供的服务的性能和稳定性提出了更高的要求。为了能够有效地组织和分析海量提供服务的系统产生的机器数据，帮助用户迅速地从产生的机器数据中获取其所需要的信息，需要对机器数据实现类别自动发现和分类。
机器数据一种特殊的文本。传统的文本分类方法主要有两类：一类是基于统计的分类方法，另一类是基于知识的分类方法。
基于统计的分类方法思路是先运用向量空间模型将文本数据转换为数值特征向量，接着通过利用统计学、机器学习等领域的相关知识对数值向量进行分类计算，进而完成文本的分类工作。该方法的最大困难在于所构建的向量特征空间往往是高维且稀疏的，而寻找一种有效的特征抽取方法去降低特征空间的维度也是极其困难的，故其分类效果并不理想。
基于知识的分类方法的核心在于不断的更新并完善关键词库，通过比较文本与各类别词库的匹配度后，选择匹配度最高的词库类别作为该文本的所属类别。本方法相较于基于统计的分类方法的优点在于，对文本进行分类时可以获取较高的分类准确率，但缺点在于在词库更新的过程中往往需要加入较多的人工审核步骤，且对新出现的词汇反应较为滞后。
总之，现有的文本分类算法都需要事先利用大量的训练样本学习分类器；并且，机器数据在数量上非常庞大，现有技术无法实现实时处理大量的机器数据；现有的文本分类算法只能识别出预先定义好的类别，无法检测新出现的类别。
发明内容
本发明实施例提供一种机器数据类别自动发现和分类的方法，用以实现机器数据类别自动发现和分类，该方法包括：
对机器数据的源代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典；
利用所述完备字典对机器数据进行分析，过滤掉机器数据中的可变词汇；
根据过滤掉可变词汇后的机器数据中固定词汇，对机器数据进行类别自动发现和分类。
一个实施例中，对机器数据的源代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典，包括：
对机器数据的源代码进行解析，找到机器数据输出部分代码；
对机器数据输出部分代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典。
一个实施例中，机器数据中的固定词汇是以硬编码的形式写入机器数据的源代码。
一个实施例中，利用所述完备字典对机器数据进行分析，包括：利用所述完备字典对机器数据流进行实时分析。
一个实施例中，根据过滤掉可变词汇后的机器数据中固定词汇，对机器数据进行类别自动发现和分类，包括：
根据过滤掉可变词汇后的机器数据中固定词汇，自动发现机器数据中出现的新类别。
本发明实施例还提供一种机器数据类别自动发现和分类的装置，用以实现机器数据类别自动发现和分类，该装置包括：
完备字典构建模块，用于对机器数据的源代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典；
可变词汇过滤模块，用于利用所述完备字典对机器数据进行分析，过滤掉机器数据中的可变词汇；
类别发现及分类模块，用于根据过滤掉可变词汇后的机器数据中固定词汇，对机器数据进行类别自动发现和分类。
一个实施例中，所述完备字典构建模块具体用于：
对机器数据的源代码进行解析，找到机器数据输出部分代码；
对机器数据输出部分代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典。
一个实施例中，机器数据中的固定词汇是以硬编码的形式写入机器数据的源代码。
一个实施例中，所述可变词汇过滤模块具体用于：利用所述完备字典对机器数据流进行实时分析。
一个实施例中，所述类别发现及分类模块具体用于：根据过滤掉可变词汇后的机器数据中固定词汇，自动发现机器数据中出现的新类别。
本发明实施例中，对机器数据的源代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典；利用所述完备字典对机器数据进行分析，过滤掉机器数据中的可变词汇；根据过滤掉可变词汇后的机器数据中固定词汇，对机器数据进行类别自动发现和分类；从而实现对机器数据进行类别自动发现和分类，与现有技术中基于统计的分类方法相比，可以获取较高的分类准确率；与现有技术中基于知识的分类方法相比，无需人工参与，无需事先利用大量的训练样本学习分类器。
进一步的，实施例中可以利用完备字典对机器数据流进行实时分析，还可以自动发现机器数据中出现的新类别。
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。在附图中：
图1为本发明实施例中机器数据类别自动发现和分类的方法示意图；
图2为本发明实施例中源代码分析示意图；
图3为本发明实施例中机器数据分析示意图；
图4为本发明实施例中机器数据类别自动发现和分类的装置示意图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
为了实现机器数据类别自动发现和分类，本发明实施例提供一种机器数据类别自动发现和分类的方法。图1为本发明实施例中机器数据类别自动发现和分类的方法示意图，如图1所示，本发明实施例中机器数据类别自动发现和分类的方法可以包括：
步骤101、对机器数据的源代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典；
步骤102、利用所述完备字典对机器数据进行分析，过滤掉机器数据中的可变词汇；
步骤103、根据过滤掉可变词汇后的机器数据中固定词汇，对机器数据进行类别自动发现和分类。
由图1所示流程可以得知，本发明实施例可以实现对机器数据进行类别自动发现和分类，与现有技术中基于统计的分类方法相比，可以获取较高的分类准确率；与现有技术中基于知识的分类方法相比，无需人工参与，无需事先利用大量的训练样本学习分类器。
具体实施时，先对机器数据的源代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典。即在实施例中先进行源代码分析：
机器数据和普通文本的一个重要区别是普通文本有很大的随意性；而机器数据的生成是由其源代码控制的，有固定的格式和词汇。所以机器数据的分析有其独特性和特殊性。本发明实施例中提出通过对其源代码进行分析，找到机器数据中出现的固定词汇，并构建完备字典。利用该完备字典进行后续的机器数据(例如日志数据)分析。
图2为本发明实施例中源代码分析示意图。如图2所示，实施例中对机器数据的源代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典，可以包括：对机器数据的源代码进行解析，找到机器数据输出部分代码；对机器数据输出部分代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典。
具体实施时，在构建了完备字典后，利用完备字典对机器数据进行分析，过滤掉机器数据中的可变词汇；根据过滤掉可变词汇后的机器数据中固定词汇，对机器数据进行类别自动发现和分类。即在实施例中进行机器数据分析：
每一条机器数据里的词可以分成两大类：即固定词汇和可变词汇。机器数据中的固定词汇是以硬编码的形式写入机器数据的源代码。考虑如下Hadoop日志样例：
2013-03-0615:24:42,759INFO org.apache.hadoop.hdfs.server.datanode.DataNode:Receiving block blk_-6232731177153285690_1209src:/192.168.11.157:42709dest:/192.168.11.157:50010
其中INFO和Receiving等属于固定词汇，它们以硬编码的形式写入Hadoop源代码。在对机器数据进行分析时，固定词汇是它最重要特征，一条机器数据中的固定词汇和它的类别直接相关。而blk_-6232731177153285690_1209，/192.168.11.157:42709和192.168.11.157:50010则属于可变词汇，这些词汇会根据Hadoop所在具体环境有所不同。可变词汇对机器数据分析用处不大，属于干扰词汇。如果利用传统的自然语言处理和机器学习等方法，需要利用大量机器数据进行训练才能在学习出可变词汇和固定词汇。
本发明实施例中通过源代码分析，得到包含其所有固定词汇的完备字典，并利用该完备字典对每条机器数据进行ETL，即过滤掉可变词汇。
具体实施时，利用完备字典对机器数据进行分析，可以包括：利用完备字典对机器数据流进行实时分析。这是由于每种机器数据有其固定的格式和用词，所以每一种完备字典包含的词汇数量较少，在后续分析时降低了计算复杂度，因此实施例中可以实现实时的对机器数据流的分析。
具体实施时，根据过滤掉可变词汇后的机器数据中固定词汇，对机器数据进行类别自动发现和分类，可以包括：根据过滤掉可变词汇后的机器数据中固定词汇，自动发现机器数据中出现的新类别。这是由于机器数据中词空间的有限性，每一条机器数据的固定词汇直接决定了它的类别，并且能自动发现机器数据中出现的新类别。
图3为本发明实施例中机器数据分析示意图，如图3所示，利用完备字典对机器数据流进行分析，进行机器数据ETL，即过滤掉机器数据中的可变词汇；根据过滤掉可变词汇后的机器数据中固定词汇，对机器数据进行类别自动发现和分类。
基于同一发明构思，本发明实施例中还提供了一种机器数据类别自动发现和分类的装置，如下面的实施例所述。由于该装置解决问题的原理与机器数据类别自动发现和分类的方法相似，因此该装置的实施可以参见机器数据类别自动发现和分类的方法的实施，重复之处不再赘述。
图4为本发明实施例中机器数据类别自动发现和分类的装置示意图。如图4所示，本发明实施例中机器数据类别自动发现和分类的装置可以包括：
完备字典构建模块401，用于对机器数据的源代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典；
可变词汇过滤模块402，用于利用所述完备字典对机器数据进行分析，过滤掉机器数据中的可变词汇；
类别发现及分类模块403，用于根据过滤掉可变词汇后的机器数据中固定词汇，对机器数据进行类别自动发现和分类。
具体实施时，完备字典构建模块401具体可以用于：
对机器数据的源代码进行解析，找到机器数据输出部分代码；
对机器数据输出部分代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典。
具体实施时，机器数据中的固定词汇是以硬编码的形式写入机器数据的源代码。
具体实施时，可变词汇过滤模块402具体可以用于：利用所述完备字典对机器数据流进行实时分析。
具体实施时，类别发现及分类模块403具体可以用于：根据过滤掉可变词汇后的机器数据中固定词汇，自动发现机器数据中出现的新类别。
综上所述，在本发明实施例中，通过对机器数据产生的根源——源代码——进行分析，并构建固定词汇的完备字典，把机器数据分析从复杂的文本分析问题转变为简单的向量计算问题；传统的机器数据分析方法需要利用大量的训练数据进行学习，而本发明实施例只需要对其源代码进行分析就能快速，准确的完成机器数据分析的任务；实施例中利用构建的完备字典对机器数据进行处理，得到每一条机器数据的固定词汇，并用这些词汇作为其分类的特征；利用每条机器数据的固定词汇作为特征对其进行分类，并利用机器数据词空间的有限性实现类别自动发现，其中完备字典里包含的词汇数量有限，这大大降低了后续机器数据分析的计算复杂度，从而能实现对机器数据流的实时分析，并且能自动发现机器数据中出现的新类别。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、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数据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数据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数据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数据处理设备上，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。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种机器数据类别自动发现和分类的方法，其特征在于，包括：
对机器数据的源代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典；
利用所述完备字典对机器数据进行分析，过滤掉机器数据中的可变词汇；
根据过滤掉可变词汇后的机器数据中固定词汇，对机器数据进行类别自动发现和分类。
2.如权利要求1所述的方法，其特征在于，对机器数据的源代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典，包括：
对机器数据的源代码进行解析，找到机器数据输出部分代码；
对机器数据输出部分代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典。
3.如权利要求1所述的方法，其特征在于，机器数据中的固定词汇是以硬编码的形式写入机器数据的源代码。
4.如权利要求1至3任一项所述的方法，其特征在于，利用所述完备字典对机器数据进行分析，包括：利用所述完备字典对机器数据流进行实时分析。
5.如权利要求1至3任一项所述的方法，其特征在于，根据过滤掉可变词汇后的机器数据中固定词汇，对机器数据进行类别自动发现和分类，包括：
根据过滤掉可变词汇后的机器数据中固定词汇，自动发现机器数据中出现的新类别。
6.一种机器数据类别自动发现和分类的装置，其特征在于，包括：
完备字典构建模块，用于对机器数据的源代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典；
可变词汇过滤模块，用于利用所述完备字典对机器数据进行分析，过滤掉机器数据中的可变词汇；
类别发现及分类模块，用于根据过滤掉可变词汇后的机器数据中固定词汇，对机器数据进行类别自动发现和分类。
7.如权利要求6所述的装置，其特征在于，所述完备字典构建模块具体用于：
对机器数据的源代码进行解析，找到机器数据输出部分代码；
对机器数据输出部分代码进行分析，找出机器数据中的固定词汇，构建包含机器数据中固定词汇的完备字典。
8.如权利要求6所述的装置，其特征在于，机器数据中的固定词汇是以硬编码的形式写入机器数据的源代码。
9.如权利要求6至8任一项所述的装置，其特征在于，所述可变词汇过滤模块具体用于：利用所述完备字典对机器数据流进行实时分析。
10.如权利要求6至8任一项所述的装置，其特征在于，所述类别发现及分类模块具体用于：根据过滤掉可变词汇后的机器数据中固定词汇，自动发现机器数据中出现的新类别。
CN201410674632.6A 2014-11-21 2014-11-21 机器数据类别自动发现和分类的方法及装置 Expired - Fee Related CN104331507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410674632.6A CN104331507B (zh) 2014-11-21 2014-11-21 机器数据类别自动发现和分类的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410674632.6A CN104331507B (zh) 2014-11-21 2014-11-21 机器数据类别自动发现和分类的方法及装置

Publications (2)

Publication Number Publication Date
CN104331507A true CN104331507A (zh) 2015-02-04
CN104331507B CN104331507B (zh) 2018-04-27

Family

ID=52406234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410674632.6A Expired - Fee Related CN104331507B (zh) 2014-11-21 2014-11-21 机器数据类别自动发现和分类的方法及装置

Country Status (1)

Country Link
CN (1) CN104331507B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105955922A (zh) * 2016-04-20 2016-09-21 山东大学 一种机器数据模型演化的自动感知方法及装置
CN106294873A (zh) * 2016-08-24 2017-01-04 北京互利科技有限公司 一种机器数据的分析装置及分析方法
CN108256089A (zh) * 2018-01-24 2018-07-06 清华大学 物联网机器数据的变换方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634983A (zh) * 2008-07-21 2010-01-27 华为技术有限公司 一种文本分类方法和装置
CN102819597A (zh) * 2012-08-13 2012-12-12 北京星网锐捷网络技术有限公司 网页分类方法及设备
CN103150367A (zh) * 2013-03-07 2013-06-12 宁波成电泰克电子信息技术发展有限公司 一种中文微博的情感倾向分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634983A (zh) * 2008-07-21 2010-01-27 华为技术有限公司 一种文本分类方法和装置
CN102819597A (zh) * 2012-08-13 2012-12-12 北京星网锐捷网络技术有限公司 网页分类方法及设备
CN103150367A (zh) * 2013-03-07 2013-06-12 宁波成电泰克电子信息技术发展有限公司 一种中文微博的情感倾向分析方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105955922A (zh) * 2016-04-20 2016-09-21 山东大学 一种机器数据模型演化的自动感知方法及装置
CN105955922B (zh) * 2016-04-20 2018-08-21 山东大学 一种机器数据模型演化的自动感知方法及装置
CN106294873A (zh) * 2016-08-24 2017-01-04 北京互利科技有限公司 一种机器数据的分析装置及分析方法
CN108256089A (zh) * 2018-01-24 2018-07-06 清华大学 物联网机器数据的变换方法及装置

Also Published As

Publication number Publication date
CN104331507B (zh) 2018-04-27

Similar Documents

Publication Publication Date Title
Fu et al. Spark–a big data processing platform for machine learning
Halibas et al. Application of text classification and clustering of Twitter data for business analytics
CN107506389B (zh) 一种提取职位技能需求的方法和装置
CN104331442A (zh) 视频分类方法和装置
CN103106262A (zh) 文档分类、支持向量机模型生成的方法和装置
CN107463935A (zh) 应用分类方法和应用分类装置
EP3846034A1 (en) Systems and methods for automated testing using artificial intelligence techniques
CN109558482B (zh) 一种基于Spark框架的文本聚类模型PW-LDA的并行化方法
Pathan et al. Educational data mining: A mining model for developing students' programming skills
JP2016157407A (ja) テキスト分析及び応答システムのための語彙意味パターンの事前構築方法
CN105069153A (zh) 专利分析系统
CN109067708B (zh) 一种网页后门的检测方法、装置、设备及存储介质
CN110019784B (zh) 一种文本分类方法及装置
Oliveira et al. Benchmarking business analytics techniques in big data
Ali et al. Big Data analysis using BigQuery on cloud computing platform
CN104331507B (zh) 机器数据类别自动发现和分类的方法及装置
CN107688609A (zh) 一种职位标签推荐方法和计算设备
CN105095501A (zh) 专利分析系统
Petrov et al. Large-scale content profiling for preservation analysis
Kathuria et al. AOH-Senti: aspect-oriented hybrid approach to sentiment analysis of students’ feedback
CN111126053B (zh) 一种信息处理方法及相关设备
Ng et al. What does multi-objective optimization have to do with bottleneck improvement of production systems?
CN116541528A (zh) 招聘领域知识图谱构建的打标签方法和系统
CN111026940A (zh) 一种面向电网电磁环境的网络舆情及风险信息监测系统、电子设备
CN107368464B (zh) 一种获取招标产品信息的方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20161028

Address after: 100088, No. 407, block A, 28 Xinjie street, Xinjie street, Beijing, Xicheng District

Applicant after: Beijing Digital Technology Co.,Ltd.

Address before: 100088, A, No. 406, Putian Desheng Road, 28 Xinjie street, Xicheng District, Beijing

Applicant before: BEIJING SHUXUN TECHNOLOGY Co.,Ltd.

TA01 Transfer of patent application right

Effective date of registration: 20180322

Address after: 101111 No. 28, seat A, No. 28, new street, Beijing City, Xinjie, Xinjie, No. 408

Applicant after: BEIJING SHUJIE TECHNOLOGY CO.,LTD.

Address before: 100088, No. 407, block A, 28 Xinjie street, Xinjie street, Beijing, Xicheng District

Applicant before: Beijing Digital Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180427

Termination date: 20211121

CF01 Termination of patent right due to non-payment of annual fee