CN111260171B - 目标队列获取方法、装置及设备、计算机可读存储介质 - Google Patents
目标队列获取方法、装置及设备、计算机可读存储介质 Download PDFInfo
- Publication number
- CN111260171B CN111260171B CN201811465266.8A CN201811465266A CN111260171B CN 111260171 B CN111260171 B CN 111260171B CN 201811465266 A CN201811465266 A CN 201811465266A CN 111260171 B CN111260171 B CN 111260171B
- Authority
- CN
- China
- Prior art keywords
- group
- global
- rate
- acquiring
- probability
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种目标队列获取方法、装置及设备、计算机可读存储介质。该方法包括:获取各第一对象与各第二对象之间的组队概率,然后,据各组队概率,获取全局成功率与全局冲突率,从而,利用多目标优化算法处理所述全局成功率与所述全局冲突率,得到目标队列。本发明的方法能够在一定程度上解决现有的目标队列存在组队效率与全局组队精度较低的问题。
Description
技术领域
本发明涉及通信技术,尤其涉及一种目标队列获取方法、装置及设备、计算机可读存储介质。
背景技术
在一些团体的团建过程中,经常涉及到团队组建的场景,例如,各司机之间组建车队的场景。在团队组建的过程中,考虑到司机自主组队时,各队员与队长之间的相互了解较少,自主组队的方式存在组队效率较低的情况。因此,为了提高组队效率,现有技术中一般通过推荐的方式来为用户进行目标队列的推荐。
现有的推荐方式一般依赖于如下手段:协同过滤(collaborative filtering,CF)技术,基于内容(content based,CB)的技术和基于知识(knowledge based,KB)的技术及其混合技术。这些推荐方式一般是通过为队长推荐若干个特征相近似的队员,并且,允许一名队员同时被推荐给多名队长,其中,各队长之间是按照优先级的先后次序进行推荐,也就是,先为具有较高优先级的多个队长推荐队员。
但是,现有的推荐方式更专注于提高组队成员兴趣的准确性,这种算法的冲突率较高,容易使得一位队员被多位队长选中,从而,对组队效率及全局组队精度产生不利影响。
发明内容
本发明提供一种目标队列获取方法、装置及设备、计算机可读存储介质,用以在一定程度上解决现有的目标队列存在组队效率与全局组队精度较低的问题。
第一方面,本发明提供一种目标队列获取方法,包括:
获取各第一对象与各第二对象之间的组队概率;
根据各组队概率,获取全局成功率与全局冲突率;
利用多目标优化算法处理所述全局成功率与所述全局冲突率,得到目标队列。
第二方面,本发明提供一种目标队列获取装置,包括:
第一获取模块,用于获取各第一对象与各第二对象之间的组队概率;
第二获取模块,用于根据各组队概率,获取全局成功率与全局冲突率;
处理模块,用于利用多目标优化算法处理所述全局成功率与所述全局冲突率,得到目标队列。
第三方面,本发明提供一种目标队列获取设备,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如第一方面任一项所述的方法。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现如第一方面任一项所述的方法。
本发明提供的目标队列获取方法、装置及设备、计算机可读存储介质,通过获取各第一对象与各第二对象之间的组队概率,并基于此获取全部组队成员之间的全局成功率与全局冲突率,从而,基于预设的目标推荐模型,以多目标优化的方式平衡全局成功率与全局冲突率,使得得到的目标队列能够在一定程度上具备较高的全局成功率且具备较低的全局冲突率,也就是,由此得到的目标队列能够平衡全局的最对推荐精度与组队效率,因此,本发明所提供的技术方案能够在一定程度上解决现有的目标队列存在组队效率与全局组队精度较低的问题。
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,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本发明实施例所提供的一种目标队列获取方法的流程示意图;
图2为本发明实施例所提供的另一种目标队列获取方法的流程示意图;
图3为本发明实施例所提供的另一种目标队列获取方法的流程示意图;
图4为本发明实施例所提供的一种多目标优化算法示意图;
图5为本发明实施例所提供的一种目标队列获取装置的功能方块图;
图6为本发明实施例所提供的一种目标队列获取设备的实体结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
首先对本发明所涉及的名词进行解释:
组队成功率:是指组队成功数的期望值与总队伍数之间的比值,用以表征任一第二对象组队成功的概率;
组队冲突率:是指各第二对象的第二期望值与第二对象总数之间的比值,用以表征任一第二对象组队冲突的概率;
组队冲突的期望值:是指该第二对象被推荐给第一对象的数目,换言之,也就是,第二对象有可能组队成功的第一对象的数目。
本发明具体的应用场景为:针对团队组建的场景,可进一步针对团队组建的推荐场景,例如,车队组建策略的推荐场景。
现有技术中,在面对前述场景时,第一对象可以在推荐给自己的第二对象中进行选择,以完成该队伍的组建,在此过程中,一个第二对象被推荐给多个第一对象,并且,一个第二对象只能被一个第一对象选择。基于此,现有的目标队列更多的考虑第一对象或第二对象的兴趣,若一名第二对象被为多个第一对象选择,则对陷入组队冲突,导致该第二对象无法被选中,也就是,现有组队方式中第二对象的组队冲突率较高,这也进一步导致了组队效率的降低与全局组队精度的下降。
本发明提供的数据传输的方法,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
实施例一
本发明实施例提供了一种目标队列获取方法,请参考图1,该目标队列获取方法包括如下步骤:
S102,获取各第一对象与各第二对象之间的组队概率。
S104,根据各组队概率,获取全局成功率与全局冲突率。
S106,利用多目标优化算法处理全局成功率与全局冲突率,得到目标队列。
以下,对上述各步骤进行具体说明。
本发明实施例所涉及的组队概率用于表征第一对象针对第二对象的接受程度,也就是,用于表征一个所述第一对象与一个所述第二对象组队成功的概率。在具体实现时,该接受程度可以根据第一对象与第二对象之间的特征匹配程度来表征。
因此,S102步骤的实现方式可以参考图2,具体包括如下子步骤:
S1022,获取各第一对象的第一对象特征与各第二对象的第二对象特征。
其中,第一对象特征用于表征第一对象的个人属性特征,如年龄、性别、籍贯、兴趣爱好等特征;第二对象特征用于表征第二对象的个人属性特征,如年龄、性别、籍贯、兴趣爱好等特征。
在具体的实现场景中,各第一对象的第一对象特征与各第二对象的第二对象特征可以是用户输入的,此时,直接接收这些特征即可;或者,这些特征也可以预先存储,那么,在执行该步骤时,直接读取预先存储的数据即可。
S1024,利用逻辑回归处理所述第一对象特征与所述第二对象特征,得到各第一对象与各第二对象之间的组队概率。
其中,逻辑(logistic)回归是一种广义线性回归(generalized linear model)模型,用于处理因变量为分类变量的回归问题,其实质为发生概率除以没有发生概率再取对数。
因此,在执行该步骤时,可以将S1022步骤中获得的第一对象特征与第二对象特征作为逻辑回归模型的输入,经过预设的逻辑回归算法,输出第一对象对第二对象的组队概率。重复执行该步骤,就可以得到各第一对象与各第二对象之间的组队概率。
本发明实施例所涉及到的逻辑回归模型可以包括但不限于:朴素贝叶斯模型。
一方面,请参考图3,基于获取到的各第一对象与各第二对象之间的组队概率,全局成功率的获取方式包括:
S104A2,根据中心极限定理,对各组队概率进行处理,得到各第一对象的第一期望值,所述第一期望值用于表征所述第一对象组队成功的数目。
本发明实施例中,Tl用以表示第一对象l是否完成了组队,当Tl=1时,表示第一对象l完成了组队,当Tl=0时则表示第一对象l未完成组队,那么,当前队列的组队成功数为:T=∑l∈LTl。
基于此,利用中心极限定理处理后得到的第一对象组队成功的第一期望值可以表示为:
其中,E(Tl)表示第一对象l组队成功的第一期望值,ul表示第一对象l在此次队列中接受队员的数目,vl表示第一对象l完成队列需要接受队员的数目,μl表示第一对象l接受队员数目的期望,σl 2表示第一对象l接受第二对象数目的方差,pl,m表示第一对象l对第二对象m的组队概率,rl,m表示处理参数,M表示第二对象总数。
S104A4,获取各第一对象的第一期望值与第一对象总数之间的比值,得到各第一对象的组队成功率。
本发明实施例中,第一对象总数为L,则第一对象l的组队成功率可以表示为:
其中,L表示第一对象总数,E(Tl)表示第一对象l组队成功的期望值。
基于上述公式,可以得到L个第一对象中每个第一对象的组队成功率。
S104A6,获取各第一对象的组队成功率之和,得到所述全局成功率。
基于如上运算,全局成功率可以表示为:
其中,E(T)表示全局成功率。
另一方面,请参考图3,基于获取到的各第一对象与各第二对象之间的组队概率,全局冲突率的获取方式包括:
S104B2,根据各第一对象与各第二对象之间的组队概率,获取各第二对象有可能组队成功的第一对象的数目,以作为该第二对象的第二期望值。
本发明实施例中,第二期望值用于表征第二对象有可能组队成功的数目,在具体的队列推荐场景中,可以是指该第二对象被推荐给第一对象的数目,此时,第二对象m组队冲突的期望值可以表示为:
其中,E(Cm)表示第二对象m组队冲突的第二期望值,pl,m表示第一对象l对第二对象m的组队概率,L表示第一对象总数。
S104B4,获取各第二对象的第二期望值与第二对象总数之间的比值,得到各第二对象的组队冲突率。
基于此,第二对象m的组队冲突率可以表示为:
其中,M表示第二对象总数。
通过上述公式,可以得到M个第二对象中每个第二对象的组队冲突率。
S104B6,获取各第二对象的组队冲突率之和,得到所述全局冲突率。
基于如上运算,全局冲突率可以表示为:
其中,E(C)表示全局冲突率。
如此,通过上述S104的各步骤,可以得到全局范围内的全局成功率与全局冲突率。
本发明实施例中,执行S106时,可以参考图4所示的多目标优化示意图。
如图4所示,考虑到需要平衡全局成功率与全局冲突率,既要使得最终的目标队列有较高的全局成功率(分目标一),有需要使得目标队列有较低的全局冲突率(分目标二),在该目标的指引下,全局冲突率与全局成功率处于竞争关系,因此,需要在解集中寻求一个最优解集合,使得分目标一与分目标二尽可能达到近似最优。
并且,考虑到全局成功率与全局冲突率在具体实现时,还可以根据需要确定二者的求和权重。
具体而言,首先,需要根据前述全局成功率与全局冲突率,构建多多目标组队函数。具体的,多目标组队函数可以表示为:
其次,只需要通过多目标优化模型对多目标组队函数进行求解,并获取多目标组队函数最大的解,以作为目标队列即可。
本发明实施例所涉及的多目标优化模型可以包括但不限于:遗传算法、粒子群算法或者模拟退火算法。
其中,遗传算法(Genetic Algorithm,GA)是一种进化算法,是从生物进化的过程中得到的灵感与启迪,并模拟自然“物竞天择,适者生存”的自然选择法则创立的。遗传算法能够保证算法的收敛性,并且,具有很好的鲁棒性。
粒子群算法(Particle Swarm Optimization,PSO)是源于对鸟群觅食过程中的迁徙和聚集的模拟。粒子群算法具有收敛速度快、易于实现且调整参数量较少的优点。
模拟退火算法(Simulated Annealing,SA)是根据物理中固体物质的退火过程与一般组合优化问题之间的相似性,基于Monte-Carlo迭代求解策略的一种随机寻优算法。模拟退火算法的通用性较强,对问题信息的依赖性较少,可以有效避免陷入局部极小并最终趋于全局最优。
在一个实现场景中,通过遗传算法得到目标队列的实现方式如下:
A,通过逻辑回归,训练并预测每个第一对象接受每个队员的概率。
B,然后,开始遗传算法的循环,直到满意解。
C,并评估每条染色体所对应个体的适应度,也就是,计算当前染色体对应方案下的多目标组队函数的值。
D,遵照适应度越高,选择概率越大的原则,从种群中选择两个个体作为父方和母方。
E,抽取父母双方的染色体,进行交叉,产生子代。
F,重复上述B-D步骤,直至新种群产生,结束循环。
为了便于理解,本发明实施例还给出了一种通过遗传算法获取目标队列的实例。
假设第一对象L=[l1,l2,l3…l|L|],第二对象M=[m1,m2,m3…m|M|],基于此,通过逻辑回顾预测这些第一对象与第二对象之间的推荐矩阵如下:
表1
那么,通过遗传算法可以据此随机生成组队队列,为了便于理解,其中任意一种的组队队列可以表示如下:
表2
l<sub>1</sub> | l<sub>2</sub> | l<sub>3</sub> | … | l<sub>|L|</sub> | |
m<sub>1</sub> | 1 | 0 | 1 | … | 0 |
m<sub>2</sub> | 0 | 1 | 1 | … | 1 |
m<sub>3</sub> | 1 | 1 | 1 | … | 0 |
… | … | … | … | … | … |
m<sub>|M|</sub> | 1 | 0 | 0 | … | 1 |
如表2所示的染色体为:101…1011…0111…0…010…1,也就是,表2中纵向排列的元素。
基于染色体的确定,之后,可以评估上一步骤中每种组队队列所对应的染色体的适应度,也就是,计算当前染色体对应组队队列下的多目标组队函数的数值。
然后,基于多目标组队函数的计算数值,按照适应度(多目标组队函数的数值)越高,选择概率越大的原则,就可以从种群中选择两个个体分别作为父方和母方,也就是两种组队队列,一种组队队列作为父方,一种组队队列作为母方,之后,抽取父母双方的染色体,进行交叉,产生子代。最终得到新种群,也就是最终的目标队列。
本发明实施例所提供的目标队列获取方法是针对现有技术中人工自主组建团队的方式存在组队效率较低的问题提出,因此,在具体实现时,该方法还可以包括如下步骤:
按照目标队列,向各第一对象发送组队推荐信息。
也就是,向各第一对象发送该目标队列中与之对应的第二对象的相关信息,以提高组队效率。
也就是,通过如上方式确定的目标队列,从全局的全局成功率与全局冲突率出发,具备较高的全局成功率且具备较低的全局冲突率,相较于人工自主组队的方式,能够提高组队效率,且提高全局组队精度。
本发明实施例提供的技术方案至少具备如下效果:
本发明提供的目标队列获取方法、装置及设备、计算机可读存储介质,通过获取各第一对象与各第二对象之间的组队概率,并基于此获取全部组队成员之间的全局成功率与全局冲突率,从而,基于预设的目标推荐模型,以多目标优化的方式平衡全局成功率与全局冲突率,使得得到的目标队列能够在一定程度上具备较高的全局成功率且具备较低的全局冲突率,也就是,由此得到的目标队列能够平衡全局的最对推荐精度与组队效率,因此,本发明所提供的技术方案能够在一定程度上解决现有的目标队列存在组队效率与全局组队精度较低的问题。
实施例二
基于上述实施例一所提供的目标队列获取方法,本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。
本发明实施例提供了一种目标队列获取装置,请参考图5,该目标队列获取装置500,包括:
第一获取模块51,用于获取各第一对象与各第二对象之间的组队概率;
第二获取模块52,用于根据各组队概率,获取全局成功率与全局冲突率;
处理模块53,用于利用多目标优化算法处理全局成功率与全局冲突率,得到目标队列。
本发明实施例中,第一获取模块51,具体用于:
获取各第一对象的第一对象特征与各第二对象的第二对象特征;
利用逻辑回归处理第一对象特征与第二对象特征,得到各第一对象与各第二对象之间的组队概率,所述组队概率用于表征一个所述第一对象与一个所述第二对象组队成功的概率。
一方面,第二获取模块52,可具体用于:
根据中心极限定理,对各组队概率进行处理,得到各第一对象的第一期望值,所述第一期望值用于表征所述第一对象组队成功的数目;
获取各第一对象的第一期望值与第一对象总数之间的比值,得到各第一对象的组队成功率;
获取各第一对象的组队成功率之和,得到全局成功率。
另一方面,第二获取模块52,还可具体用于:
根据各第一对象与各第二对象之间的组队概率,获取各第二对象有可能组队成功的第一对象的数目,以作为各第二对象的第二期望值;
获取各第二对象的第二期望值与第二对象总数之间的比值,得到各第二对象的组队冲突率;
获取各第二对象的组队冲突率之和,得到全局冲突率。
本发明实施例中,处理模块53,具体用于
根据所述全局成功率与所述全局冲突率,构建多目标组队函数;
利用多目标优化模型对所述多目标组队函数求解,并获取所述多目标组队函数最大的解,以作为所述目标队列。
本发明实施例所涉及的多目标优化算法可以包括但不限于:遗传算法、粒子群算法或者模拟退火算法。
此外,该目标队列获取装置500还可以包括:
发送模块(图5未示出),用于按照目标队列,向各第一对象发送组队推荐信息。
并且,本发明实施例提供了一种目标队列获取设备,请参考图6,该目标队列获取设备600,包括:
存储器610;
处理器620;以及
计算机程序;
其中,计算机程序存储在存储器610中,并被配置为由处理器620执行以实现如上述实施例所述的方法。
此外,如图6所示,在该目标队列获取设备600中还设置有发送器630与接收器640,用于与其他设备进行数据传输或通信,不再赘述。
前述装置可设置于服务器中。
此外,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,
该计算机程序被处理器执行以实现前述任一实施例所述的方法。
本发明实施例提供的技术方案至少具备如下效果:
本发明提供的目标队列获取方法、装置及设备、计算机可读存储介质,通过获取各第一对象与各第二对象之间的组队概率,并基于此获取全部组队成员之间的全局成功率与全局冲突率,从而,基于预设的目标推荐模型,以多目标优化的方式平衡全局成功率与全局冲突率,使得得到的目标队列能够在一定程度上具备较高的全局成功率且具备较低的全局冲突率,也就是,由此得到的目标队列能够平衡全局的最对推荐精度与组队效率,因此,本发明所提供的技术方案能够在一定程度上解决现有的目标队列存在组队效率与全局组队精度较低的问题。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本发明旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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,本公开的真正范围和精神由下面的权利要求书指出。
应当理解的是,本公开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。本公开的范围仅由所附的权利要求书来限制。
Claims (15)
1.一种目标队列获取方法,其特征在于,包括:
获取各第一对象与各第二对象之间的组队概率;
根据各组队概率,获取各第一对象的组队成功率和各第二对象的组队冲突率;
根据各第一对象的组队成功率获取全局成功率;根据各第二对象的组队冲突率获取全局冲突率;其中,所述全局成功率为各第一对象的组队成功率之和,所述全局冲突率为各第二对象的组队冲突率之和;
利用多目标优化算法处理所述全局成功率与所述全局冲突率,得到目标队列。
2.根据权利要求1所述的方法,其特征在于,所述获取各第一对象与各第二对象之间的组队概率,包括:
获取各第一对象的第一对象特征与各第二对象的第二对象特征;
利用逻辑回归处理所述第一对象特征与所述第二对象特征,得到各组队概率,所述组队概率用于表征一个所述第一对象与一个所述第二对象组队成功的概率。
3.根据权利要求1所述的方法,其特征在于,所述获取各第一对象的组队成功率,包括:
根据中心极限定理,对各组队概率进行处理,得到各第一对象的第一期望值,所述第一期望值用于表征所述第一对象组队成功的数目;
获取各第一期望值与第一对象总数之间的比值,得到各第一对象的组队成功率。
4.根据权利要求1所述的方法,其特征在于,所述获取各第二对象的组队冲突率,包括:
根据各组队概率,获取各第二对象有可能组队成功的第一对象的数目,以作为各第二对象的第二期望值;
获取各第二期望值与第二对象总数之间的比值,得到每个第二对象的组队冲突率。
5.根据权利要求1所述的方法,其特征在于,所述利用多目标优化算法处理所述全局成功率与所述全局冲突率,得到目标队列,包括:
根据所述全局成功率与所述全局冲突率,构建多目标组队函数;
利用多目标优化模型对所述多目标组队函数求解,并获取所述多目标组队函数最大的解,以作为所述目标队列。
6.根据权利要求1或5所述的方法,其特征在于,所述多目标优化算法包括:遗传算法、粒子群算法或者模拟退火算法。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
按照所述目标队列,向各第一对象发送组队推荐信息。
8.一种目标队列获取装置,其特征在于,包括:
第一获取模块,用于获取各第一对象与各第二对象之间的组队概率;
第二获取模块,用于根据各组队概率,获取各第一对象的组队成功率和各第二对象的组队冲突率;根据各第一对象的组队成功率,获取全局成功率,根据各第二对象的组队冲突率,获取全局冲突率,其中,所述全局成功率为各第一对象的组队成功率之和,所述全局冲突率为各第二对象的组队冲突率之和;
处理模块,用于利用多目标优化算法处理所述全局成功率与所述全局冲突率,得到目标队列。
9.根据权利要求8所述的装置,其特征在于,所述第一获取模块,具体用于:
获取各第一对象的第一对象特征与各第二对象的第二对象特征;
利用逻辑回归处理所述第一对象特征与所述第二对象特征,得到各第一对象与各第二对象之间的组队概率,所述组队概率用于表征一个所述第一对象与一个所述第二对象组队成功的概率。
10.根据权利要求8所述的装置,其特征在于,所述第二获取模块,具体用于:
根据中心极限定理,对各组队概率进行处理,得到各第一对象的第一期望值,所述第一期望值用于表征所述第一对象组队成功的数目;
获取各第一期望值与第一对象总数之间的比值,得到各第一对象的组队成功率。
11.根据权利要求8所述的装置,其特征在于,所述第二获取模块,具体用于:
根据各第一对象与各第二对象之间的组队概率,获取各第二对象有可能组队成功的第一对象的数目,以作为各第二对象的第二期望值;
获取各第二期望值与第二对象总数之间的比值,得到各第二对象的组队冲突率。
12.根据权利要求8所述的装置,其特征在于,所述处理模块,具体用于:
根据所述全局成功率与所述全局冲突率,构建多目标组队函数;
利用多目标优化模型对所述多目标组队函数求解,并获取所述多目标组队函数最大的解,以作为所述目标队列。
13.根据权利要求8所述的装置,其特征在于,所述装置还包括:
发送模块,用于按照所述目标队列,向各第一对象发送组队推荐信息。
14.一种目标队列获取设备,其特征在于,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1-7任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,
所述计算机程序被处理器执行以实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811465266.8A CN111260171B (zh) | 2018-12-03 | 2018-12-03 | 目标队列获取方法、装置及设备、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811465266.8A CN111260171B (zh) | 2018-12-03 | 2018-12-03 | 目标队列获取方法、装置及设备、计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111260171A CN111260171A (zh) | 2020-06-09 |
CN111260171B true CN111260171B (zh) | 2022-05-24 |
Family
ID=70950543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811465266.8A Active CN111260171B (zh) | 2018-12-03 | 2018-12-03 | 目标队列获取方法、装置及设备、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260171B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103442392A (zh) * | 2013-08-05 | 2013-12-11 | 中南大学 | 一种802.11e无线网络中竞争窗口自适应调整方法 |
CN103631657A (zh) * | 2013-11-19 | 2014-03-12 | 浪潮电子信息产业股份有限公司 | 一种基于MapReduce的任务调度算法 |
CN104133825A (zh) * | 2013-09-10 | 2014-11-05 | 腾讯科技(深圳)有限公司 | 一种匹配客户端用户的方法及装置 |
CN106604284A (zh) * | 2017-02-23 | 2017-04-26 | 上海斐讯数据通信技术有限公司 | 一种异构网络资源分配方法和装置 |
CN108830478A (zh) * | 2018-06-12 | 2018-11-16 | 北京航空航天大学 | 一种面向众包任务处理的团队推荐方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9438523B2 (en) * | 2014-02-24 | 2016-09-06 | Freescale Semiconductor, Inc. | Method and apparatus for deriving a packet select probability value |
US10546320B2 (en) * | 2015-08-14 | 2020-01-28 | International Business Machines Corporation | Determining feature importance and target population in the context of promotion recommendation |
-
2018
- 2018-12-03 CN CN201811465266.8A patent/CN111260171B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103442392A (zh) * | 2013-08-05 | 2013-12-11 | 中南大学 | 一种802.11e无线网络中竞争窗口自适应调整方法 |
CN104133825A (zh) * | 2013-09-10 | 2014-11-05 | 腾讯科技(深圳)有限公司 | 一种匹配客户端用户的方法及装置 |
CN103631657A (zh) * | 2013-11-19 | 2014-03-12 | 浪潮电子信息产业股份有限公司 | 一种基于MapReduce的任务调度算法 |
CN106604284A (zh) * | 2017-02-23 | 2017-04-26 | 上海斐讯数据通信技术有限公司 | 一种异构网络资源分配方法和装置 |
CN108830478A (zh) * | 2018-06-12 | 2018-11-16 | 北京航空航天大学 | 一种面向众包任务处理的团队推荐方法 |
Non-Patent Citations (2)
Title |
---|
An experimental comparison of conservative versus optimal collision avoidance warning system thresholds;M.RLehto 等;《Safety Science》;20001130;第36卷(第03期);第185-209页 * |
基于动态卷积概率矩阵分解的潜在群组推荐;王海艳 等;《计算机研究与发展》;20171231;第54卷(第08期);第1853-1863页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111260171A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507419B (zh) | 图像分类模型的训练方法及装置 | |
US20210256403A1 (en) | Recommendation method and apparatus | |
CN110728317A (zh) | 决策树模型的训练方法、系统、存储介质及预测方法 | |
EP4217934A1 (en) | Method and system for relation learning by multi-hop attention graph neural network | |
CN113408209A (zh) | 跨样本联邦分类建模方法及装置、存储介质、电子设备 | |
WO2023036184A1 (en) | Methods and systems for quantifying client contribution in federated learning | |
CN113705596A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
Long et al. | Fedsiam: Towards adaptive federated semi-supervised learning | |
CN116170328A (zh) | 图形编码的使用带宽预测方法及装置 | |
CN111260171B (zh) | 目标队列获取方法、装置及设备、计算机可读存储介质 | |
CN114118360A (zh) | 神经网络架构通道数搜索方法、装置、设备及存储介质 | |
CN117523291A (zh) | 基于联邦知识蒸馏和集成学习的图像分类方法 | |
CN116883007A (zh) | 一种催收动作推荐方法、系统、电子设备及存储介质 | |
CN115130536A (zh) | 特征提取模型的训练方法、数据处理方法、装置及设备 | |
CN117033997A (zh) | 数据切分方法、装置、电子设备和介质 | |
CN114943278A (zh) | 基于强化学习的持续在线群体激励方法、装置及存储介质 | |
CN115238134A (zh) | 用于生成图数据结构的图向量表示的方法及装置 | |
Bansal et al. | Automated evolution of CNN with 3PGA for geographical landmark recognition | |
CN117557870B (zh) | 基于联邦学习客户端选择的分类模型训练方法及系统 | |
CN113420879A (zh) | 多任务学习模型的预测方法及装置 | |
CN109460490B (zh) | 社交网络中中心顶点的确定方法、装置、设备及存储介质 | |
CN116936048B (zh) | 异构医疗信息的联邦学习医院选择方法、设备及存储介质 | |
CN113706325B (zh) | 一种面向事件社交网络的规划方法及系统 | |
CN109543880A (zh) | 基于前景理论的电子商务发展水平优化方法和装置 | |
CN117494119B (zh) | 一种基于群智能优化算法的模型构建方法及装置 |
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 |