CN111209403A - 数据处理方法、装置、介质及电子设备 - Google Patents
数据处理方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN111209403A CN111209403A CN202010231535.5A CN202010231535A CN111209403A CN 111209403 A CN111209403 A CN 111209403A CN 202010231535 A CN202010231535 A CN 202010231535A CN 111209403 A CN111209403 A CN 111209403A
- Authority
- CN
- China
- Prior art keywords
- historical
- training data
- current
- instance
- target
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 143
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Images
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
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- 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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供了一种数据处理方法、装置、计算机可读存储介质和电子设备,涉及计算机技术领域,所述方法包括:获取历史培训数据,所述历史培训数据包括历史实例;将各历史培训数据归类至相应的预设主题,每个所述预设主题中包括至少两个模块;从预设主题中确定当前培训数据所属的目标主题;自所述目标主题的每个模块中各选取一个历史实例组成历史实例组;根据所述历史实例组生成所述当前培训数据的推荐培训数据。本发明实施例的技术方案中,对历史培训数据进行归类后,根据归类结果判断当前数据推荐培训数据的目标主题,进而根据目标主题生成推荐培训数据,从而智能化地使用历史培训数据自动得到较优的培训方案。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种数据处理方法、装置、计算机可读存储介质及电子设备。
背景技术
人工智能机器人培训师在形成培训方案时,需要使用的培训经验信息一般使用传统数据库进行保存,传统数据库只能对这些培训经验信息进行简单分类和存储。
在保险行业中,以上经验信息可以包括经验共享与管理案例、人寿险基本常识、天灾人祸发生概率等生命安全知识、人寿险的保险和储蓄双重功能、人寿险的投资收益与分红、人寿险保单贷款、人寿险保单转让、人寿险投资连接、人寿险购买与否的利弊关系、人寿险客户重要权益、人寿险重要案例信息、人寿险最新理赔统计信息、人寿险营销问答语言技术、保险营销的诚信原则等信息,信息种类和数量繁多。这样,对人工智能机器人进行培训时,对人工智能机器人培训师的水平要求较高。
如何根据培训经验信息获得较优的培训方案是目前亟待解决的技术问题。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明实施例的目的在于提供一种数据处理方法、装置、计算机可读存储介质及电子设备,进而至少在一定程度上克服不能根据培训经验信息获得较优的培训方案的技术问题。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明实施例的第一方面,提供了一种数据处理方法,包括:获取历史培训数据,所述历史培训数据包括历史实例;将各历史培训数据归类至相应的预设主题,每个所述预设主题中包括至少两个模块;从所述预设主题中确定当前培训数据所属的目标主题;自所述目标主题的每个模块中各选取一个历史实例组成历史实例组;根据所述历史实例组生成所述当前培训数据的推荐培训数据。
在一些实施例中,将各历史培训数据归类至相应的预设主题包括:将各历史培训数据的历史实例归类至相应的预设主题下的相应模块。
在一些实施例中,每个所述历史实例具有相应的历史反馈数据;自所述目标主题的每个模块中各选取一个历史实例组成历史实例组,包括:自所述目标主题的每个模块中各选取历史反馈数据最高的第一目标历史实例组成所述历史实例组。
在一些实施例中,每个所述历史实例具有相应的历史反馈数据,所述当前培训数据包括当前实例;其中,从所述预设主题中确定所述当前培训数据所属的目标主题后,所述方法还包括:确定所述当前实例在所述目标主题下所属的目标模块;将所述目标模块下的历史实例分别与所述当前实例进行比较,得到与所述当前实例相似度最大的第二目标历史实例;根据所述第二目标历史实例的历史反馈数据确定所述当前实例的当前反馈数据。
在一些实施例中,将所述目标模块下的历史实例分别与所述当前实例进行比较,得到与所述当前实例相似度最大的第二目标历史实例之后,所述方法还包括:根据所述第二目标历史实例提供所述当前实例的修改建议。
在一些实施例中,所述将所述目标模块下的历史实例分别与所述当前实例进行比较,包括:提取所述当前实例和所述历史实例中的关键字和关键字词频;根据所述当前实例和所述历史实例的关键字词频分别获取所述当前实例和所述历史实例词频排名前N的关键字,生成所述当前实例和所述历史实例的关键字向量,其中N为自然数且N≥1;根据所述当前实例的关键字向量和所述历史实例的关键字向量的余弦相似度确定与所述当前实例相似度最大的历史实例。
在一些实施例中,所述获取历史培训数据之前,所述方法还包括:将所述历史培训数据上传到区块链网络中。
根据本发明实施例的第二方面,提供了一种数据处理装置,包括:获取单元,用于获取历史培训数据,所述历史培训数据包括历史实例;归类单元,用于将各历史培训数据归类至相应的预设主题,每个所述预设主题中包括至少两个模块;第一确定单元,用于从所述预设主题中确定当前培训数据所属的目标主题;选取单元,用于自所述目标主题的每个模块中各选取一个历史实例组成历史实例组;生成单元,用于根据所述历史实例组生成所述当前培训数据的推荐培训数据。
根据本发明实施例的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例中第一方面所述的数据处理方法。
根据本发明实施例的第四方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中第一方面所述的数据处理方法。
本发明实施例提供的技术方案可以包括以下有益效果:
在本发明的一些实施例所提供的技术方案中,对历史培训数据进行归类后,根据归类结果判断当前数据推荐培训数据的目标主题,进而根据目标主题生成推荐培训数据,从而智能化地使用历史培训数据自动得到较优的培训方案。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。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示意性示出了根据本发明一种实施例的数据处理方法的流程图;
图2示意性示出了根据本发明另一种实施例的数据处理方法的流程图;
图3示意性示出了根据本发明又一种实施例的数据处理方法的流程图;
图4示意性示出了根据本发明一种实施例的数据处理装置的方框图;
图5示意性示出了根据本发明另一种实施例的数据处理装置的方框图;
图6示意性示出了适于用来实现本发明实施例的电子设备的计算机系统的结构图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
相关技术中,人工智能机器人培训师在形成用于培训营销员的培训方案时,需要培训师对传统数据库中存储的培训经验信息进行分析处理,并选取合适的实例组成培训方案。
这样,在形成培训方案时,对人工智能机器人培训师的水平要求较高。
为解决上述问题,本发明实施例提供一种数据处理方法,以在对历史营销案例和营销知识进行自动分析的基础上形成较优的营销培训方案。
图1示意性示出了本发明的示例性实施方式的一种数据处理方法。该数据处理方法的执行主体可以是具有计算处理功能的设备,如服务器和/或移动终端等。
参考图1,本发明实施例提供的数据处理方法可以包括以下步骤:
步骤S102,获取历史培训数据,历史培训数据包括历史实例。
步骤S104,将各历史培训数据归类至相应的预设主题,每个预设主题中包括至少两个模块。
步骤S106,从预设主题中确定当前培训数据所属的目标主题。
步骤S108,自目标主题的每个模块中各选取一个历史实例组成历史实例组;
步骤S110,根据历史实例组生成当前培训数据的推荐培训数据。
本发明实施例获取历史培训数据并归类后,根据当前培训数据的目标主题和相同目标主题下的历史培训数据生成推荐培训数据,实现了当前培训数据和历史培训数据的高效匹配,从而使得最终得到的推荐培训数据具有较好的培训效果。
在本发明一种优选的实施例中,历史培训数据可以上传到区块链网络中,但在实际应用中,并不局限于此,历史培训数据也可以采用其它存储方式。
利用区块链技术的隐私保护、公开透明、可追溯、不易篡改等特点,可以智能化地使用历史培训数据自动得到较优的培训方案。
在下面的举例说明中,均以人寿险相关知识的培训为例进行举例说明,但本发明并不限定于此,本发明实施例提供的方法可以应用于任何合适的培训场景,当应用场景改变时,可以相应的改变历史培训数据的信息、预设主题的分类、各个主题下各个模块的划分等。
在本发明实施例中,在步骤S102之前,可以预先构建区块链节点及区块链网络构建,譬如,以公司基层营业机构为最小节点,一个或多个集团/公司参与人寿保险人工智能机器人训练师经验共享与管理交易区块链网络构建。
在构建区块链节点及区块链网络后,可以按照本发明实施例定义的数据结构方式、信息存储方式和协议来存储和认证共享信息等,以保证信息存储和信息处理的高效率。
对共享信息进行存储和认证的具体交易信息示例如下表1所示:
表1
在区块链技术大多数应用场景中,利用区块链哈希指针的交易链数据结构和加密学的哈希计算和加密学数字签字的机制实现交易过程中的多层次证据确认来实现不同个体交易方之间的信任问题。
在本发明实施例中,上传到区块链的信息可以包括:经验共享与管理案例、人寿险基本常识、天灾人祸发生概率等生命安全知识、人寿险的保险和储蓄双重功能、人寿险的投资收益与分红、人寿险保单贷款、人寿险保单转让、人寿险投资连接、人寿险购买与否的利弊关系、人寿险客户重要权益、人寿险重要案例信息、人寿险最新理赔统计信息、人寿险营销问答语言技术、保险营销的诚信原则等中的任意一项或者多项。
上述信息可以由获得授权的企业或个人即在系统中注册的企业或个人上传到区块链中。其中,可以证明保险产品相关信息的音频、视频、图像等相关材料也可以上传至区块链。
在步骤S102中,获取区块链中或者其它存储形式中存储的历史培训信息。
在步骤S104中,将历史培训数据中的信息根据主题归类成C={C1,C2,..Cn}共n类预设主题,其中,n为大于等于1的正整数,例如分别可以表示{服务营销、A类产品营销、……、B类产品营销},但本发明并不限定于此,可以根据应用场景的不同,相应的调整预设主题的内容。这里,历史培训数据中的信息包括相关知识、案例或者培训方案。其中,培训方案可以为音频、视频或图片。
在本发明实施例中,各预设主题下包括不同的模块,各历史培训数据包括历史实例。在步骤S104中,还可以将各历史培训数据的历史实例归类至相应的预设主题下的相应模块。
具体地,根据对主题描述方式不同将每一类预设主题的数据分成若干模块,这些模块例如可以包括基本知识、案例分析以及营销演练等中的任意一项或者多项。
例如,Ci(i为大于等于1且小于等于n的正整数)类预设主题数据可以包括{Ci1,Ci2,..Cim}共m(m为大于等于1的正整数)个模块,每一个模块包含内容相同但是表现形式或者表达方式不同的若干实例,比如Ci1中可以包含{a1,a2..ak}共k(k为大于等于1的正整数)个历史实例。
为了对历史实例的培训效果或者价值进行评价,可以根据受训者的反馈意见为每个历史实例记录相应的历史反馈数据。每个历史实例具有相应的历史反馈数据。在步骤S108和步骤S110中,可以确定目标主题下各模块中历史反馈数据最高的第一目标历史实例,之后根据第一目标历史实例的组合生成推荐培训数据。
例如,对Ci1中包含{a1,a2..ak}共k个实例中的每一个历史实例,都对应相关受训营销员的反馈评分{Sa1,Sa2...Sak},这些反馈评分即上述历史反馈数据。
可以理解的是,若有多个受训营销员同时接受了对同一个历史实例例如a1的培训,则Sa1可以根据该多个受训营销员中的每个受训营销员的反馈评分来计算,例如可以计算每个受训营销员的反馈评分的平均值作为Sa1,但本发明并不限定于此。
每一个实例都对应相关受训营销员的反馈评分{Sa1,Sa2...Sak},实例的分数评价模型为;其中,评价指标集可以为{实用性、创新性、合理性},对应评价指标权向量U可以为{0.4,0.35,0.25},R表示评价指标得分,取值范围[0,100],W表示反馈人员职级权重,取值范围[1.0,2.0]的浮点数,职级越高W越大。u1,u2,u3分别为三个评价指标权向量,ri1,ri2,ri3分别为三个评价指标得分,wi为第i个反馈人员的职级权重,n为反馈人员的总数,i为大于等于1小于等于n的自然数。
在步骤S106中,对当前培训数据中的培训方案或者相关知识或者案例X’,从上述预设主题中找到对应的目标主题Cj(j为大于等于1且小于等于n的正整数)。
在步骤108中,可以将Cj这一目标主题中每个模块中各选取历史反馈数据最高的第一目标历史实例组成历史实例组,并在步骤S110中,根据历史实例组生成一套最优培训方案X,即为当前培训数据的推荐培训数据,但本发明并不限定于此。
即假设Cn类中包含m个子类,各子类中分别包含x,y…z个实例,Cn类对应的实例矩阵如下:
在本发明示例性实施例中,当前培训数据可以包括一个或者多个当前实例。在本发明一种实施例中,还可以为当前实例确定当前反馈数据并保存。如图2所示,确定当前实例的当前反馈数据的具体步骤如下:
步骤S112,确定当前实例在目标主题下所属的目标模块。
步骤S114,将该目标模块下的历史实例分别与当前实例进行比较,得到与当前实例相似度最大的第二目标历史实例。
步骤S116,根据第二目标历史实例的历史反馈数据确定当前实例的当前反馈数据。
具体地,对新存入的培训方案或者相关知识或者案例X’,其包含的每一个实例,根据其目标主题和所属的目标模块的不同,分别与历史实例中相同预设主题的相同模块中的实例进行对比,可以并得到当前实例的当前反馈数据。
在步骤S114中,将历史实例与当前实例的文本进行比较时,需要识别文本的关键词,并根据识别的关键词以及关键词之间的关联关系来计算两个文本之间的语义距离。根据语义距离的大小,即可以得到历史实例与当前实例的比较结果。
在步骤S114中,将目标模块下的历史实例分别与当前实例进行比较,包括:提取当前实例和历史实例中的关键字和关键字词频;根据当前实例和历史实例的关键字词频分别获取当前实例和历史实例词频排名前N的关键字,生成当前实例和历史实例的关键字向量,其中N为自然数且N≥1;根据当前实例的关键字向量和历史实例的关键字向量的余弦相似度确定与当前实例相似度最大的历史实例。
其中,可以使用TextRank算法提取当前实例和历史实例中的关键字和关键字词频,N可以取10。
步骤S114,根据比较结果确定目标模块中的第二目标历史实例的过程中,根据与当前实例相似度最大的历史实例的历史反馈数据,即可以确定当前实例的当前反馈数据。
在一个实施例中,历史实例中A人寿险产品营销演练部分可以包含两个实例a1,a2,对应历史反馈数据Sa1>Sa2,经比较当前实例x’属于同样属于A人寿险产品营销演练部分,且当前实例同a2相似,则Sx’≈Sa2,即当前反馈数据为与当前实例相似的历史实例的历史反馈数据。
如图3所示,本发明实施例提供的一种数据处理方法的优选方案中,应用区块链技术,可以根据目标主题下的历史培训数据生成较优的当前培训数据的推荐培训数据。具体步骤包括:
步骤S202,在区块链中存储历史培训数据。
步骤S204,将各历史培训数据归类至相应的预设主题的相应模块。
步骤S206,若区块链中存入当前培训数据,则从预设主题中确定当前培训数据所属的目标主题。
步骤S208,根据所述目标主题包含的每个模块中历史反馈数据最高的实例生成当前培训数据的推荐培训数据。
具体地,在步骤S204后,获取各历史培训数据中的每个预设主题的每个模块中的实例的历史反馈数据,并选取每个模块中历史反馈数据最高的实例。
在步骤S208中,根据与当前培训数据的目标主题得到相同的预设主题,在得到的预设主题下选取每个模块的历史反馈数据最高的实例生成当前培训数据的推荐培训数据。
此外,还可以根据第二目标历史实例提供当前实例的修改建议。这样,可以提高当前实例的培训效果和价值。
在本发明实施例提供的技术方案中,可以不间断地评估方案的及时性、有效性和准确性,以不断调整和优化方案的系统参数。
本发明实施例的数据处理方法,对历史培训数据进行归类后,根据归类结果判断当前数据推荐培训数据的目标主题,进而根据目标主题生成推荐培训数据,从而智能化地使用历史培训数据自动得到较优的培训方案。
以下介绍本发明的装置实施例,可以用于执行本发明上述的数据处理方法。如图4所示,根据本发明实施例提供的一种数据处理装置300包括:
获取单元302,用于获取历史培训数据,历史培训数据包括历史实例。
归类单元304,用于将各历史培训数据归类至相应的预设主题,每个预设主题中包括至少两个模块。
第一确定单元306,用于从预设主题中确定当前培训数据所属的目标主题。
选取单元308,用于自目标主题的每个模块中各选取一个历史实例组成历史实例组;
生成单元310,用于根据历史实例组生成当前培训数据的推荐培训数据。
在本发明实施例中,归类单元304将历史培训数据中的信息根据主题归类成C={C1,C2,..Cn}共n类预设主题。各预设主题下还可以包括不同的模块,各历史培训数据包括历史实例。进一步地,归类单元304还用于将各历史培训数据的历史实例归类至相应的预设主题下的相应模块。
为了对历史实例的培训效果或者价值进行评价,可以根据受训者的反馈意见为每个历史实例记录相应的历史反馈数据。每个历史实例具有相应的历史反馈数据。
第一确定单元306可以为当前培训数据中的培训方案或者相关知识或者案例,在预设主题Cn找到对应的目标主题。
第一确定单元308可以将Cj这一目标主题中每个模块中各选取历史反馈数据最高的第一目标历史实例组成历史实例组。生成单元310可以根据历史实例组生成一套最优培训方案X,即为当前培训数据的推荐培训数据,但本发明并不限定于此。
根据本发明的示例性实施例,参考图5,相比较数据处理装置300,数据处理装置400不仅包括获取单元302、归类单元304、第一确定单元306、选取单元308和生成单元310,还包括第二确定单元411、比较单元412和第三确定单元413。
每个历史实例具有相应的历史反馈数据,当前培训数据包括当前实例。对新存入区块链的实例,根据其目标主题和所属模块的不同,与历史实例分别进行对比可以并得到当前实例的当前反馈数据。
在得到当前实例的当前反馈数据的过程中,第二确定单元411用于确定所述当前实例在所述目标主题下所属的目标模块。比较单元412用于将所述目标模块下的历史实例分别与所述当前实例进行比较,得到与所述当前实例相似度最大的第二目标历史实例。第三确定单元413用于根据所述第二目标历史实例的历史反馈数据确定所述当前实例的当前反馈数据。
此外,数据处理装置还包括修改单元,用于根据第二目标历史实例提供当前实例的修改建议。
由于本发明的示例实施例的数据处理装置的各个功能模块与上述数据处理方法的示例实施例的步骤对应,因此对于本发明装置实施例中未披露的细节,请参照本发明上述的数据处理方法的实施例。
本发明实施例的数据处理装置,对历史培训数据进行归类后,根据归类结果判断当前数据推荐培训数据的目标主题,进而根据目标主题生成推荐培训数据,从而智能化地使用历史培训数据自动得到较优的培训方案。
下面参考图6,其示出了适于用来实现本发明实施例的电子设备的计算机系统500的结构示意图。图6示出的电子设备的计算机系统500仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统500包括中央处理单元(CPU)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时,执行本申请的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现如上述实施例中所述的数据处理方法。
例如,所述的电子设备可以实现如图1中所示的:步骤S102,获取历史培训数据,所述历史培训数据包括历史实例;步骤S104,将各历史培训数据归类至相应的预设主题,每个所述预设主题中包括至少两个模块;步骤S106,从所述预设主题中确定所述当前培训数据所属的目标主题;步骤S108,自所述目标主题的每个模块中各选取一个历史实例组成历史实例组;步骤S110,根据所述历史实例组生成所述当前培训数据的推荐培训数据。
又如,所述的电子设备可以实现如图2和图3所示的各个步骤。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本发明实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
获取历史培训数据,所述历史培训数据包括历史实例;
将各历史培训数据归类至相应的预设主题,每个所述预设主题中包括至少两个模块;
从所述预设主题中确定当前培训数据所属的目标主题;
自所述目标主题的每个模块中各选取一个历史实例组成历史实例组;
根据所述历史实例组生成所述当前培训数据的推荐培训数据。
2.根据权利要求1所述的方法,其特征在于,将各历史培训数据归类至相应的预设主题包括:
将各历史培训数据的历史实例归类至相应的预设主题下的相应模块。
3.根据权利要求2所述的方法,其特征在于,每个所述历史实例具有相应的历史反馈数据;自所述目标主题的每个模块中各选取一个历史实例组成历史实例组,包括:
自所述目标主题的每个模块中各选取历史反馈数据最高的第一目标历史实例组成所述历史实例组。
4.根据权利要求2所述的方法,其特征在于,每个所述历史实例具有相应的历史反馈数据,所述当前培训数据包括当前实例;其中,从所述预设主题中确定所述当前培训数据所属的目标主题后,所述方法还包括:
确定所述当前实例在所述目标主题下所属的目标模块;
将所述目标模块下的历史实例分别与所述当前实例进行比较,得到与所述当前实例相似度最大的第二目标历史实例;
根据所述第二目标历史实例的历史反馈数据确定所述当前实例的当前反馈数据。
5.根据权利要求4所述的方法,其特征在于,将所述目标模块下的历史实例分别与所述当前实例进行比较,得到与所述当前实例相似度最大的第二目标历史实例之后,所述方法还包括:
根据所述第二目标历史实例提供所述当前实例的修改建议。
6.根据权利要求4所述的方法,其特征在于,所述将所述目标模块下的历史实例分别与所述当前实例进行比较,包括:
提取所述当前实例和所述历史实例中的关键字和关键字词频;
根据所述当前实例和所述历史实例的关键字词频分别获取所述当前实例和所述历史实例词频排名前N的关键字,生成所述当前实例和所述历史实例的关键字向量,其中N为自然数且N≥1;
根据所述当前实例的关键字向量和所述历史实例的关键字向量的余弦相似度确定与所述当前实例相似度最大的历史实例。
7.根据权利要求1所述的方法,其特征在于,所述获取历史培训数据之前,所述方法还包括:
将所述历史培训数据上传到区块链网络中。
8.一种数据处理装置,其特征在于,包括:
获取单元,用于获取历史培训数据,所述历史培训数据包括历史实例;
归类单元,用于将各历史培训数据归类至相应的预设主题,每个所述预设主题中包括至少两个模块;
第一确定单元,用于从所述预设主题中确定当前培训数据所属的目标主题;
选取单元,用于自所述目标主题的每个模块中各选取一个历史实例组成历史实例组;
生成单元,用于根据所述历史实例组生成所述当前培训数据的推荐培训数据。
9.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1至7中任一项所述的数据处理方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的数据处理方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019111576258 | 2019-11-22 | ||
CN201911157625 | 2019-11-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111209403A true CN111209403A (zh) | 2020-05-29 |
CN111209403B CN111209403B (zh) | 2024-02-13 |
Family
ID=70784783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010231535.5A Active CN111209403B (zh) | 2019-11-22 | 2020-03-27 | 数据处理方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209403B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408832A (zh) * | 2021-08-19 | 2021-09-17 | 国网浙江省电力有限公司 | 基于融合性地理关系的培训规划锚定方法、装置及中台 |
CN114997263A (zh) * | 2022-04-20 | 2022-09-02 | 平安科技(深圳)有限公司 | 基于机器学习的结训率分析方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228386A (zh) * | 2016-07-12 | 2016-12-14 | 腾讯科技(深圳)有限公司 | 一种信息推送方法及装置 |
CN106251261A (zh) * | 2016-07-29 | 2016-12-21 | 国家电网公司高级培训中心 | 一种培训方案生成方法及装置 |
CN106326440A (zh) * | 2016-08-26 | 2017-01-11 | 北京光年无限科技有限公司 | 一种面向智能机器人的人机交互方法及装置 |
CN110163476A (zh) * | 2019-04-15 | 2019-08-23 | 重庆金融资产交易所有限责任公司 | 项目智能推荐方法、电子装置及存储介质 |
WO2019201309A1 (en) * | 2018-04-18 | 2019-10-24 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for recommending transportation means |
CN110400197A (zh) * | 2019-07-25 | 2019-11-01 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
-
2020
- 2020-03-27 CN CN202010231535.5A patent/CN111209403B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228386A (zh) * | 2016-07-12 | 2016-12-14 | 腾讯科技(深圳)有限公司 | 一种信息推送方法及装置 |
CN106251261A (zh) * | 2016-07-29 | 2016-12-21 | 国家电网公司高级培训中心 | 一种培训方案生成方法及装置 |
CN106326440A (zh) * | 2016-08-26 | 2017-01-11 | 北京光年无限科技有限公司 | 一种面向智能机器人的人机交互方法及装置 |
WO2019201309A1 (en) * | 2018-04-18 | 2019-10-24 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for recommending transportation means |
CN110163476A (zh) * | 2019-04-15 | 2019-08-23 | 重庆金融资产交易所有限责任公司 | 项目智能推荐方法、电子装置及存储介质 |
CN110400197A (zh) * | 2019-07-25 | 2019-11-01 | 泰康保险集团股份有限公司 | 数据处理方法、装置、介质及电子设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408832A (zh) * | 2021-08-19 | 2021-09-17 | 国网浙江省电力有限公司 | 基于融合性地理关系的培训规划锚定方法、装置及中台 |
CN113408832B (zh) * | 2021-08-19 | 2021-11-02 | 国网浙江省电力有限公司 | 基于融合性地理关系的培训规划锚定方法、装置及中台 |
CN114997263A (zh) * | 2022-04-20 | 2022-09-02 | 平安科技(深圳)有限公司 | 基于机器学习的结训率分析方法、装置、设备及存储介质 |
CN114997263B (zh) * | 2022-04-20 | 2024-05-07 | 平安科技(深圳)有限公司 | 基于机器学习的结训率分析方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111209403B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10235425B2 (en) | Entity fingerprints | |
US8566262B2 (en) | Techniques to filter media content based on entity reputation | |
You et al. | A knowledge graph empowered online learning framework for access control decision-making | |
CN110692050A (zh) | 语义图中元关系的自适应评估 | |
CN110489558B (zh) | 文章聚合方法和装置、介质和计算设备 | |
US11681817B2 (en) | System and method for implementing attribute classification for PII data | |
Zhuohao et al. | Keyword Extraction from Scientific Research Projects Based on SRP‐TF‐IDF | |
US20190243979A1 (en) | Controlling access to data requested from an electronic information system | |
US9069880B2 (en) | Prediction and isolation of patterns across datasets | |
US11423052B2 (en) | User information association with consent-based class rules | |
Helles et al. | Infrastructures of tracking: Mapping the ecology of third-party services across top sites in the EU | |
CN116541883B (zh) | 基于信任的差分隐私保护方法、装置、设备及存储介质 | |
CN103365812A (zh) | 用于数据隐私引擎的方法和系统 | |
CN112215604A (zh) | 交易双方关系信息识别方法及装置 | |
CN111209403B (zh) | 数据处理方法、装置、介质及电子设备 | |
CN112016850A (zh) | 业务评估方法以及装置 | |
Neve et al. | Hybrid reciprocal recommender systems: Integrating item-to-user principles in reciprocal recommendation | |
Cao et al. | Web API recommendation via combining graph attention representation and deep factorization machines quality prediction | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
Su et al. | A method for fuzzy group decision making based on induced aggregation operators and Euclidean distance | |
CN114493142A (zh) | 扶持政策与企业匹配的方法、装置、设备及存储介质 | |
US11537668B2 (en) | Using a machine learning system to process a corpus of documents associated with a user to determine a user-specific and/or process-specific consequence index | |
CN117291722A (zh) | 对象管理方法、相关设备及计算机可读介质 | |
Solainayagi et al. | Trustworthy media news content retrieval from web using truth content discovery algorithm | |
CN111859117A (zh) | 信息推荐方法、装置、电子设备及可读存储介质 |
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 |