CN111311104A - 一种配置文件的推荐方法、装置及系统 - Google Patents

一种配置文件的推荐方法、装置及系统 Download PDF

Info

Publication number
CN111311104A
CN111311104A CN202010125059.9A CN202010125059A CN111311104A CN 111311104 A CN111311104 A CN 111311104A CN 202010125059 A CN202010125059 A CN 202010125059A CN 111311104 A CN111311104 A CN 111311104A
Authority
CN
China
Prior art keywords
vector
index
parameter
value
recommended
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
CN202010125059.9A
Other languages
English (en)
Other versions
CN111311104B (zh
Inventor
王梦硕
涂威威
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.)
4Paradigm Beijing Technology Co Ltd
Original Assignee
4Paradigm Beijing 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 4Paradigm Beijing Technology Co Ltd filed Critical 4Paradigm Beijing Technology Co Ltd
Priority to CN202010125059.9A priority Critical patent/CN111311104B/zh
Publication of CN111311104A publication Critical patent/CN111311104A/zh
Priority to PCT/CN2021/077489 priority patent/WO2021169960A1/zh
Application granted granted Critical
Publication of CN111311104B publication Critical patent/CN111311104B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)

Abstract

本发明公开了一种配置文件的推荐方法、装置及系统，该方法包括：获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值；根据配置项的参数范围，生成多组参数向量的向量值；其中，参数向量为配置项按照设定顺序构成的向量；基于预设的对应每一指标的机器学习模型，根据对应指标的约束值和多组参数向量的向量值，选取推荐的参数向量的向量值；根据推荐的参数向量的向量值，确定推荐配置文件，并将推荐配置文件提供给用户。

Description

一种配置文件的推荐方法、装置及系统
技术领域
本发明涉及推荐技术领域，更具体地，涉及一种配置文件的推荐方法、一种配置文件的推荐装置、一种包括至少一个计算装置和至少一个存储装置的系统及一种计算机可读存储介质。
背景技术
钻井液是有钻井作业中的重要材料，承担着运移和悬浮岩屑、冷却钻头、减轻转柱摩擦、稳定和巩固井壁、防止底层流体流入井中、传递水功率、提供地址信息等多个重要功能。钻井液的性能主要包括：密度、粘度、切力、滤失量和滤饼、含砂量、固相含量、pH值等。这些性能影响钻进工作质量、效率和生产安全。根据不同钻井场景，钻井液的各项性能需要达到不同指标。为了满足各种作业需求所对应的性能指标，需要确定钻井液中各种有效成分(如膨润土、各种处理剂、加重材料、钻屑等)的添加量，形成特定的配方。
在大部分情况下，工程师一般依靠自己的经验以及反复实验试错来设计钻井液配方。但是这种人为设计钻井液配方的方式存在对工程师的专业要求较高、钻井液配方的设计效率较低、成本较高的问题。
发明内容
本发明的一个目的是提供一种自动推荐配置文件的新技术方案。
根据本发明的第一方面，提供了一种配置文件的推荐方法，包括：
获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值；
根据所述配置项的参数范围，生成多组参数向量的向量值；其中，所述参数向量为所述配置项按照设定顺序构成的向量；
基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值；
根据所述推荐的参数向量的向量值，确定推荐配置文件，并将所述推荐配置文件提供给用户。
可选的，所述基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值包括：
基于预设的逻辑算法，以每一指标的预测结果和约束值为变量，确定得分函数；
对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
对于每组参数向量的向量值，根据所述得分函数、对应每一所述指标的预测结果和约束值，确定推荐得分；
根据所述推荐得分，选取所述推荐的参数向量的向量值。
可选的，所述根据所述推荐得分，选取所述推荐的参数向量的向量值包括：
选取推荐得分最高的设定数量组参数向量的向量值，作为所述推荐的参数向量的向量值；或者，
选取推荐得分在设定范围内的至少一组参数向量的向量值，作为所述推荐的参数向量的向量值。
可选的，所述基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值包括：
对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
根据每组参数向量的向量值对应每一所述指标的预测结果、和对应指标的约束值，选取推荐的参数向量的向量值。
可选的，还包括：
获取多个历史配置文件、和每一所述历史配置文件对应每一指标的实际值；
根据所述历史配置文件和指标的实际值获得多个训练样本，每一训练样本包括一一对应的参数向量的向量值和每一所述指标的实际值；
对于每一指标，分别基于预先选定的对应的机器学习算法，根据所述训练样本完成机器学习训练，得到对应指标的机器学习模型。
可选的，所述对于每一指标，分别基于预先选定的对应的机器学习算法，根据所述训练样本完成机器学习训练，得到对应指标的机器学习模型包括：
对于每一指标，以对应的机器学习算法的待定系数为变量，根据每一训练样本中参数向量的向量值构建对应的预测表达式；
对于每一指标，分别根据每一训练样本对应的预测表达式和对应指标的实际值，构建对应指标的损失函数；
对于每一指标，优化对应的损失函数，确定对应的待定系数的取值，完成机器学习训练，得到对应的机器学习模型。
可选的，目标指标对应机器学习模型为概率模型，其中，所述目标指标为所述多个指标中的任意一个或多个，
分别根据每一样本对应的预测表达式和目标指标的实际值，构建所述目标指标的损失函数包括：
分别根据每一样本对应的预测表达式，确定每一样本对应所述目标指标的预测结果为所述目标指标的实际值的概率表达式；
根据每一样本对应所述目标指标的概率表达式，得到所述目标指标的损失函数。
可选的，还包括：
获取所述推荐的参数向量的向量值对应的每一指标的实际值；
将所述推荐的参数向量的向量值和每一指标的实际值对应存储至数据库中。
可选的，还包括：
将所述推荐的参数向量的向量值和对应的每一指标的实际值，作为的新的训练样本；
根据所述新的训练样本，修正对应每一指标的机器学习模型。
可选的，还包括：
响应于基于所述每一指标的实际值和所述多个配置项获取配置文件的请求，查找所述数据库，获取对应的所述推荐配置文件；
将所述推荐配置文件提供给用户。
可选的，所述根据所述配置项的参数范围，生成多组参数向量的向量值包括：
对于每种配置项，根据对应的预设步长，根据对应的参数范围确定对应的多个采样值；
对每种配置项的采样值进行组合，得到多组所述参数向量的向量值。
可选的，所述配置文件为配方；所述配置项为配方中的有效成分；
所述获取配置文件中多种配置项的参数范围包括：
获取所述配方中每种原材料的参数范围、和每种原材料中有效成分的含量；
根据每种原材料的参数范围和每种原材料中有效成分的含量，确定所述有效成分的参数范围。
可选的，所述根据所述推荐的参数向量的向量值，确定推荐配置文件包括：
根据所述推荐的参数向量的向量值，确定每种有效成分的推荐参数；
根据每种有效成分的推荐参数、和每种原材料中有效成分的含量，确定每种原材料的推荐参数；
根据每种原材料的推荐参数确定所述推荐配置文件。
可选的，所述配置文件为钻井液配方；所述指标至少包括以下任意一项或多项：成本、粘度、切力和滤失量；所述配置项至少包括以下任意一项或多项：钻井液配方中的有效成分、温度、钻井液密度和井内状况。
可选的，还包括：
提供配置界面，以供用户通过所述配置界面设定所述配置项的参数范围和所述指标的约束值。
可选的，还包括：
导出所述推荐配置文件，以供用户根据所述推荐配置文件进行生产或实验。
根据本发明的第二方面，提供了一种配置文件的推荐装置，包括：
用户交互模块，用于获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值；
解释器，用于根据所述配置项的参数范围，生成多组参数向量的向量值；其中，所述参数向量为所述配置项按照设定顺序构成的向量；
后端引擎，用于基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值；
所述解释器还用于根据所述推荐的参数向量的向量值，确定推荐配置文件；
所述用户交互模块还用于将所述推荐配置文件提供给用户。
可选的，所述后端引擎还用于：
基于预设的逻辑算法，以每一指标的预测结果和约束值为变量，确定得分函数；
对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
对于每组参数向量的向量值，根据所述得分函数、对应每一所述指标的预测结果和约束值，确定推荐得分；
根据所述推荐得分，选取所述推荐的参数向量的向量值。
可选的，所述根据所述推荐得分，选取所述推荐的参数向量的向量值包括：
选取推荐得分最高的设定数量组参数向量的向量值，作为所述推荐的参数向量的向量值；或者，
选取推荐得分在设定范围内的至少一组参数向量的向量值，作为所述推荐的参数向量的向量值。
可选的，所述后端引擎还用于：
对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
根据每组参数向量的向量值对应每一所述指标的预测结果、和对应指标的约束值，选取推荐的参数向量的向量值。
可选的，还包括计算存储资源模块，用于：
获取多个历史配置文件、和每一所述历史配置文件对应每一指标的实际值；
根据所述历史配置文件和指标的实际值获得多个训练样本，每一训练样本包括一一对应的参数向量的向量值和每一所述指标的实际值；
对于每一指标，分别基于预先选定的对应的机器学习算法，根据所述训练样本完成机器学习训练，得到对应指标的机器学习模型。
可选的，所述对于每一指标，分别基于预先选定的对应的机器学习算法，根据所述训练样本完成机器学习训练，得到对应指标的机器学习模型包括：
对于每一指标，以对应的机器学习算法的待定系数为变量，根据每一训练样本中参数向量的向量值构建对应的预测表达式；
对于每一指标，分别根据每一训练样本对应的预测表达式和对应指标的实际值，构建对应指标的损失函数；
对于每一指标，优化对应的损失函数，确定对应的待定系数的取值，完成机器学习训练，得到对应的机器学习模型。
可选的，目标指标对应机器学习模型为概率模型，其中，所述目标指标为所述多个指标中的任意一个或多个，
分别根据每一样本对应的预测表达式和目标指标的实际值，构建所述目标指标的损失函数包括：
分别根据每一样本对应的预测表达式，确定每一样本对应所述目标指标的预测结果为所述目标指标的实际值的概率表达式；
根据每一样本对应所述目标指标的概率表达式，得到所述目标指标的损失函数。
可选的，所述用户交互模块还用于获取所述推荐的参数向量的向量值对应的每一指标的实际值；
所述装置还包括：
用于将所述推荐的参数向量的向量值和每一指标的实际值对应存储至数据库中的模块。
可选的，还包括：
用于将所述推荐的参数向量的向量值和对应的每一指标的实际值，作为的新的训练样本的模块；
用于根据所述新的训练样本，修正对应每一指标的机器学习模型的模块。
可选的，还包括：
用于响应于基于所述每一指标的实际值和所述多个配置项获取配置文件的请求，查找所述数据库，获取对应的所述推荐配置文件的模块；
所述用户交互模块用于将所述推荐配置文件提供给用户。
可选的，所述解释器还用于：
对于每种配置项，根据对应的预设步长，根据对应的参数范围确定对应的多个采样值；
对每种配置项的采样值进行组合，得到多组所述参数向量的向量值。
可选的，所述配置文件为配方；所述配置项为配方中的有效成分；
所述获取配置文件中多种配置项的参数范围包括：
获取所述配方中每种原材料的参数范围、和每种原材料中有效成分的含量；
根据每种原材料的参数范围和每种原材料中有效成分的含量，确定所述有效成分的参数范围。
可选的，所述根据所述推荐的参数向量的向量值，确定推荐配置文件包括：
根据所述推荐的参数向量的向量值，确定每种有效成分的推荐参数；
根据每种有效成分的推荐参数、和每种原材料中有效成分的含量，确定每种原材料的推荐参数；
根据每种原材料的推荐参数确定所述推荐配置文件。
可选的，所述配置文件为钻井液配方；所述指标至少包括以下任意一项或多项：成本、粘度、切力和滤失量；所述配置项至少包括以下任意一项或多项：钻井液配方中的有效成分、温度、钻井液密度和井内状况。
可选的，所述用户交互模块还用于：
提供配置界面，以供用户通过所述配置界面设定所述配置项的参数范围和所述指标的约束值。
可选的，所述用户交互模块还用于：
导出所述推荐配置文件，以供用户根据所述推荐配置文件进行生产或实验。
根据本发明的第三方面，提供了一种包括至少一个计算装置和至少一个存储装置的系统，其中，所述至少一个存储装置用于存储指令，所述指令用于控制所述至少一个计算装置执行根据本发明第一方面所述的方法。
根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如本发明第一方面所述的方法。
通过本发明的实施例，可以根据配置文件中配置项的参数范围和指标的约束值，可以自动设计配置文件，具有较高的易用性。此外，通过自动设计配置文件，无需花费人力物力来人为设计，大大减少的人力和物料的成本，而且，可以减少突发情况下因配置文件性能较低造成的经济损失。此外，基于原材料中有效成分的含量来设计配方，可以避免因原材料批次差异导致的经验无法复用的问题。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是可用于实现本发明的实施例的电子设备的硬件配置的一个例子的框图。
图2是根据本发明实施例的配置文件的推荐方法的流程示意图；
图3是根据本发明实施例的训练机器学习模型的步骤的流程示意图；
图4是根据本发明实施例的配置文件的推荐装置的一个例子的方框原理图；
图5是根据本发明实施例的配置文件的推荐装置的另一个例子的方框原理图；
图6是根据本发明实施例的系统的方框原理图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
下面，参照附图描述根据本发明实施例的各个实施例和例子。
<硬件配置>
图1是示出可以实现本发明的实施例的电子设备1000的硬件配置的框图。
电子设备1000可以是便携式电脑、台式计算机、手机、平板电脑等。如图1所示，电子设备1000可以包括处理器1100、存储器1200、接口装置1300、通信装置1400、显示装置1500、输入装置1600、扬声器1700、麦克风1800等等。其中，处理器1100可以是中央处理器CPU、微处理器MCU等。存储器1200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1300例如包括USB接口、耳机接口等。通信装置1400例如能够进行有线或无线通信，具体地可以包括Wifi通信、蓝牙通信、2G/3G/4G/5G通信等。显示装置1500例如是液晶显示屏、触摸显示屏等。输入装置1600例如可以包括触摸屏、键盘、体感输入等。用户可以通过扬声器1700和麦克风1800输入/输出语音信息。
图1所示的电子设备仅仅是说明性的并且决不意味着对本发明、其应用或使用的任何限制。应用于本发明的实施例中，电子设备1000的所述存储器1200用于存储指令，所述指令用于控制所述处理器1100进行操作以执行本发明实施例提供的任意一项配置文件的推荐方法。本领域技术人员应当理解，尽管在图1中对电子设备1000示出了多个装置，但是，本发明可以仅涉及其中的部分装置，例如，电子设备1000只涉及处理器1100和存储装置1200。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
<方法实施例>
<实施例一>
在本实施例中，提供一种配置文件的推荐方法。该配置文件的推荐方法可以是由电子设备实施。该电子设备可以是如图1所示的电子设备1000。
根据图2所示，本实施例的配置文件的推荐方法可以包括如下步骤S2100～S2400：
步骤S2100，获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值。
在本发明的一个实施例中，配置文件的性能是由配置文件中配置项的参数决定的。
在本发明的一个实施例中，配置文件可以是混合物的配方，该混合物的形态可以是固体、液体和气体中的至少一种。例如，该配置文件可以是钻井液配方。
在该配置文件是钻井液配方的情况下，用于衡量钻井液配方性能的指标可以包括以下任意一项或多项：成本、粘度、切力和滤失量。配置项至少包括以下任意一项或多项：钻井液配方中的有效成分、温度、钻井液密度和井内状况。
在本发明的另一个实施例中，配置文件也可以是描述电路结构的文件。对应的，配置项可以是电路中的元件参数和/或输入/输出参数，也可以是电路的应用环境温度或湿度。在电路为放大电路的情况下，用于衡量电路性能的指标可以包括放大倍数、输入电阻和输出电阻中的至少一种。
在本发明的实施例中，配置项的参数范围和指标的约束值可以是由用户根据应用场景或具体需求设定的。在配置项为混合物配方中的有效成分的情况下，配置项的参数范围可以是有效成分的含量范围或者浓度范围。在配置项为电路中的元件参数的情况下，配置项的参数范围可以包括电阻的阻值范围、电容的容值范围、输入电压范围、或者输入电流范围等。
在本发明的一个实施例中，该方法还可以包括：提供配置界面，以供用户通过该配置界面设定配置项的参数范围和指标的约束值。
在本发明的一个实施例中，可以是响应于用户选择配置文件的类型的操作，提供与用户选择的类型所对应的配置界面。该类型例如可以是钻井液或者功放电路。
在配置文件为混合物的配方，配置项为配方中的有效成分的实施例中，用户可以是通过配置界面，设定原材料的参数范围和指标的约束值。那么，该方法还可以包括：
获取配方中每种原材料的参数范围、和每种原材料中有效成分的含量；根据每种原材料的参数范围和每种原材料中有效成分的含量，确定有效成分的参数范围。
其中，每种原材料中有效成分的含量可以是有效成分所占的比例，该比例可以是由原材料本身决定的，由用户根据原材料本身的属性来预先设定。一种原材料中可以包含多种有效成分。
步骤S2200，根据配置项的参数范围，生成多组参数向量的向量值。
其中，参数向量为配置项按照设定顺序构成的向量。在每组参数向量的向量值中，相同位置的元素值对应于同一配置项。
在本发明的一个实施例中，根据配置项的参数范围，生成多组参数向量的向量值可以包括：
对于每种配置项，根据对应的预设步长，根据对应的参数范围确定对应的多个采样值；对每种配置项的采样值进行组合，得到多组所述参数向量的向量值。
在本发明的实施例中，可以预先针对每种配置项设置对应的预设步长。
例如，配置项1对应的参数范围为0％～5％，对应的预设步长可以是1％；配置项2对应的参数范围为10mg～12mg，对应的预设步长可以是0.5mg；配置项3对应的参数范围为7mol～7.3mol，对应的预设步长可以是0.1mol，那么，配置项1对应的采样值可以是0％、1％、2％、3％、4％和5％；配置项2对应的采样值可以是10mg、10.5mg、11mg、11.5mg和12mg；配置项3对应的采样值可以是7mol、7.1mol、7.2mol和7.3mol。
再例如，配置项1对应的参数范围为1Ω～5Ω，对应的预设步长可以是1Ω；配置项2对应的参数范围为100μF～150μF，对应的预设步长可以是10μF；配置项3对应的参数范围为4.9V～5.1V，对应的预设步长可以是0.1V，那么，配置项1对应的采样值可以是1Ω、2Ω、3Ω、4Ω和5Ω；配置项2对应的采样值可以是100μF、110μF、120μF、130μF、140μF和150μF；配置项3对应的采样值可以是4.9V、5.0V和5.1V。
在参数向量为[配置项1，配置项2，配置项3]的情况下，可以对配置项1、配置项2和配置项3的采样值进行组合，每一组合中均包含一个配置项1的采样值、一个配置项2的采样值和一个配置项3的采样值，并将每一组合中对应的采样值填至参数向量对应的位置上，得到对应的向量值。具体的，在配置项1的采样值的数量为N1，配置项2的采样值的数量为N2，配置项3的采样值的数量为N3的情况下，得到N1*N2*N3组参数向量的向量值。
例如，共有D个配置项，参数向量可以是由向量x＝[x1,x2,…,xD]表示，其中xi为标量，下标i表示第i个配置项，而xi则表示第i个配置项的采样值，i∈[1,2,…,D]；第i个配置项的采样值被限定在一个范围内
Figure BDA0002394158690000121
其中x i和
Figure BDA0002394158690000131
分别为该配置项的参数范围的上界和下界。
在本发明的另一个实施例中，还可以是通过优化算法根据配置项的参数范围，生成多组参数向量的向量值。
步骤S2300，基于预设的对应每一指标的机器学习模型，根据对应指标的约束值和多组参数向量的向量值，选取推荐的参数向量的向量值。
在本发明的一个实施例中，基于预设的对应每一指标的机器学习模型，根据对应指标的约束值和多组参数向量的向量值，选取推荐的参数向量的向量值可以包括如下所示的步骤S2310～S2340：
步骤S2310，基于预设的逻辑算法，以每一指标的预测结果和约束值为变量，确定得分函数。
在本发明的一个实施例中，该逻辑算法可以是预先根据应用场景或具体需求设定的。例如，在机器学习模型为确定模型的情况下，该逻辑算法可以是对每一指标的约束值和预测结果之间的差值进行加权求和。在机器学习模型为概率模型的情况下，该逻辑算法可以是对每一指标的约束值和在指定概率下的预测结果之间的差值进行加权求和。在此情况下，每一指标对应的权重可以是预先设定好的。
步骤S2320，对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果。
具体的，可以是分别将每组参数向量的向量值，输入到对应每一指标的机器学习模型中，得到每组参数向量的向量值对应每一指标的预测结果。
步骤S2330，对于每组参数向量的向量值，根据得分函数、对应每一指标的预测结果和约束值，确定推荐得分。
具体的，可以是分别将每组参数向量的向量值对应的所有指标的预测结果和约束值代入得分函数对应的变量中，得到每组参数向量的向量值的推荐得分。
步骤S2340，根据推荐得分，选取推荐的参数向量的向量值。
在本发明的一个实施例中，根据推荐得分，选取推荐的参数向量的向量值可以包括：选取推荐得分最高的设定数量组参数向量的向量值，作为推荐的参数向量的向量值。
在本实施例中，设定数量可以是预先根据应用场景或具体需求设定好的正整数。例如，该设定数量可以是1，那么，可以是选取得分最高的1组参数向量的向量值，作为推荐的参数向量的向量值。
在本发明的一个实施例中，根据推荐得分，选取推荐的参数向量的向量值还可以包括：选取推荐得分在设定范围内的至少一组参数向量的向量值，作为推荐的参数向量的向量值。
在本发明的实施例中，设定范围可以是根据应用场景或具体需求设定好的。
在本发明的另一个实施例中，基于预设的对应每一指标的机器学习模型，根据对应指标的约束值和多组参数向量的向量值，选取推荐的参数向量的向量值还可以包括：
对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；根据每组参数向量的向量值对应每一指标的预测结果、和对应指标的约束值，选取推荐的参数向量的向量值。
具体的，可以是选取对应的每一指标的预测结果均符合对应的约束值的参数向量的向量值，作为推荐的参数向量的向量值。
步骤S2400，根据推荐的参数向量的向量值，确定推荐配置文件，并将推荐配置文件提供给用户。
在本发明的一个实施例中，配置文件为描述电路结构的文件，那么，推荐的参数向量的向量值中，对应每一有效成分的元素值，即可以为对应元件的参数。且该推荐配置文件中定义了每种元件的推荐参数。
在本发明的一个实施例中，配置文件为配方，该配置项为配方中的原材料，那么，推荐的参数向量的向量值中，对应每一有效成分的元素值，即可以为对应原材料的参数。且该推荐配置文件中定义了每种原材料的推荐参数。
在本发明的一个实施例中，配置文件为配方，该配置项为配方中的有效成分，那么，根据推荐的参数向量的向量值，确定推荐配置文件，并将推荐配置文件提供给用户可以包括如下所示的步骤S2410～S2430：
步骤S2410，根据所述推荐的参数向量的向量值，确定每种有效成分的推荐参数。
具体的，推荐的参数向量的向量值中，对应每一有效成分的元素值，即为该有效成分的推荐参数。
步骤S2420，根据每种有效成分的推荐参数、和每种原材料中有效成分的含量，确定每种原材料的推荐参数。
步骤S2430，根据每种原材料的推荐参数确定推荐配置文件。
具体的，该推荐配置文件中定义了每种原材料的推荐参数。
通过本发明的实施例，可以根据配置文件中配置项的参数范围和指标的约束值，可以自动设计配置文件，具有较高的易用性。此外，通过自动设计配置文件，无需花费人力物力来人为设计，大大减少的人力和物料的成本，而且，可以减少突发情况下因配置文件性能较低造成的经济损失。此外，基于原材料中有效成分的含量来设计配方，可以避免因原材料批次差异导致的经验无法复用的问题。
在本发明的一个实施例中，该方法还可以包括：
导出所述推荐配置文件，以供用户根据推荐配置文件进行生产实验。
在本发明的一个实施例中，该方法还可以包括：获取用户根据推荐配置文件进行生产实验所得到的每一指标的实际值，并分别根据推荐配置文件和每一指标的实际值，作为新的训练样本，修正对应的指标的机器学习模型，以使模型的预测结果更加准确。
<实施例二>
在上述实施例一的基础上，该方法还可以包括训练机器学习模型的步骤，具体可以包括如图3所示的步骤S3100～S3300：
步骤S3100，获取多个历史配置文件、和每一历史配置文件对应每一指标的实际值。
在本发明的一个实施例中，历史配置文件可以是已经进行生产实验的配置文件，因此，可以获取历史配置文件对应每一指标的实际值。
步骤S3200，根据历史配置文件和指标的实际值获得多个训练样本，每一训练样本包括一一对应的参数向量的向量值和每一指标的实际值。
具体的，可以是根据每一历史配置文件，得到对应的参数向量的向量值，并将每一历史配置文件的参数向量的向量值和每一指标的实际值进行对应，得到对应每一历史配置文件的训练样本。
根据每一历史配置文件，得到对应的参数向量的向量值的方式可以参照前述实施例中的步骤S2100和S2200，在此不再赘述。
步骤S3300，对于每一指标，分别基于预先选定的对应的机器学习算法，根据训练样本完成机器学习训练，得到对应指标的机器学习模型。
在本发明的一个实施例中，对于每一指标，分别基于预先选定的对应的机器学习算法，根据样本集完成机器学习训练，得到对应指标的机器学习模型包括如下所示的步骤S3310～S3330：
步骤S3310，对于每一指标，以对应的机器学习算法的待定系数为变量，根据每一样本中参数向量的向量值构建对应的预测表达式。
步骤S3320，对于每一指标，分别根据每一训练样本对应的预测表达式和对应指标的实际值，构建对应指标的损失函数。
以下将任意一个或多个指标作为目标指标，以根据每一训练样本对应的预测表达式和对应指标的实际值，构建目标指标的损失函数为例进行说明。
在本发明的一个实施例中，目标指标对应机器学习模型为概率模型，根据每一训练样本对应的预测表达式和对应指标的实际值，构建目标指标的损失函数可以包括如下所示的步骤S3321～S3322：
步骤S3321，分别根据每一样本对应的预测表达式，确定每一训练样本对应目标指标的预测结果为目标指标的实际值的概率表达式。
例如，第j个训练样本中参数向量的向量值可以表示为xj,目标指标的实际值可以表示为g(xj)，目标指标的预测结果可以表示为g′(xj)＝P(y′|θ)，其中，θ为目标指标对应的机器学习算法的待定系数，y′为目标指标对应的机器学习模型的输出结果。那么，第j个训练样本的预测结果为目标指标的实际值的概率表达式可以表示为：P(g(xj)|θ)。
步骤S3322，根据每一训练样本对应目标指标的概率表达式，得到目标指标的损失函数。
在本发明的一个实施例中，目标指标的损失函数L可以是每一训练样本对应目标指标的概率表达式进行连乘结果，可以表示为：
Figure BDA0002394158690000171
在本发明的一个实施例中，目标指标对应机器学习模型为确定模型，根据每一训练样本对应的预测表达式和对应指标的实际值，构建目标指标的损失函数可以包括：
例如，第j个训练样本中参数向量的向量值可以表示为xj,目标指标的实际值可以表示为g(xj)，目标指标的预测结果可以表示为g′(xj)，那么，目标指标的损失函数可以是每一训练样本目标指标的预测结果与实际值之间的差值，具体可以表示为：L2＝(g′(xj)-g(xj))2
在此基础上，该目标指标的损失函数还可以表示为L3＝f(g(xj),g′(xj))。
步骤S3330，对于每一指标，优化对应的损失函数，确定对应的待定系数的取值，完成机器学习训练，得到对应的机器学习模型。
在目标指标对应机器学习模型为概率模型的实施例中，优化目标指标对应的损失函数时，可以是确定损失函数L1的结果最大的情况下待定系数的取值。
在目标指标对应机器学习模型为确定模型的实施例中，优化目标指标对应的损失函数时，可以是确定损失函数L2的结果小于等于零的情况下待定系数的取值,也可以是确定损失函数L3的结果最小的情况下待定系数的取值。
在本发明的一个实施例中，可以采用能处理黑盒问题的、带约束的优化算法作为损失函数的优化方法。例如该优化算法可以但不限于是贝叶斯优化算法。
在本发明的一个实施例中，该方法还可以包括：
获取推荐的参数向量的向量值对应的每一指标的实际值；将推荐的参数向量的向量值和对应的每一指标的实际值，作为的新的训练样本；根据新的训练样本，修正对应每一指标的机器学习模型。
其中，推荐的参数向量的向量值对应的每一指标的实际值，可以是根据推荐配方进行生产实验后的实际结果。每一指标的实际值可以是由用户录入该电子设备中的。
根据本实施例，可以根据推荐的参数向量的向量值和对应的每一指标的实际值，对每一指标的机器学习模型进行修正，可以提高机器学习模型的预测结果的准确性。
<实施例三>
在上述实施例一或实施例二的基础上，该方法还可以包括：获取推荐的参数向量的向量值对应的每一指标的实际值；将推荐的参数向量的向量值和每一指标的实际值对应存储至数据库中。
在本实施例的基础上，该方法还可以包括：
响应于基于每一指标的实际值和多个配置项获取配置文件的请求，查找数据库，获取对应的推荐配置文件；将推荐配置文件提供给用户。
在本发明的一个实施例中，该数据库中可以存储有多个历史配置文件对应的参数向量的向量值和每一指标的实际值，那么，在接收到基于每一指标的实际值和多个配置项获取配置文件的请求时，可以查找数据库中存储的历史配置文件对应的参数向量的向量值和每一指标的实际值，确定是否存储有符合条件的历史配置文件，如有，则无需通过前述的步骤S2100～S2400来进行配置文件的推荐，而是直接将数据库中存储的符合相应条件的参数向量的向量值，直接作为推荐的参数向量的向量值，生成对应的推荐配置文件推荐给用户。这样，就可以复用历史经验，更加快速地、准确地得到推荐配置文件。
<装置实施例>
在本实施例中，提供一种配置文件的推荐装置4000，如图4所示，包括用户交互模块4100、解释器4200和后端引擎4300。
用户交互模块4100用于获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值；解释器4200用于根据配置项的参数范围，生成多组参数向量的向量值；其中，参数向量为配置项按照设定顺序构成的向量；后端引擎4300用于基于预设的对应每一指标的机器学习模型，根据对应指标的约束值和多组参数向量的向量值，选取推荐的参数向量的向量值；解释器4200还用于根据推荐的参数向量的向量值，确定推荐配置文件；用户交互模块4100还用于将推荐配置文件提供给用户。
在本发明的一个实施例中，后端引擎4300还可以用于：
基于预设的逻辑算法，以每一指标的预测结果和约束值为变量，确定得分函数；
对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
对于每组参数向量的向量值，根据得分函数、对应每一指标的预测结果和约束值，确定推荐得分；
根据推荐得分，选取推荐的参数向量的向量值。
在本发明的一个实施例中，根据推荐得分，选取推荐的参数向量的向量值包括：
选取推荐得分最高的设定数量组参数向量的向量值，作为推荐的参数向量的向量值；或者，
选取推荐得分在设定范围内的至少一组参数向量的向量值，作为推荐的参数向量的向量值。
在本发明的一个实施例中，后端引擎4300还可以用于：
对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
根据每组参数向量的向量值对应每一指标的预测结果、和对应指标的约束值，选取推荐的参数向量的向量值。
在本发明的一个实施例中，如图5所示，该配置文件的推荐装置4000还可以包括计算存储资源模块4400，用于：
获取多个历史配置文件、和每一历史配置文件对应每一指标的实际值；
根据历史配置文件和指标的实际值获得多个训练样本，每一训练样本包括一一对应的参数向量的向量值和每一指标的实际值；
对于每一指标，分别基于预先选定的对应的机器学习算法，根据训练样本完成机器学习训练，得到对应指标的机器学习模型。
在本发明的一个实施例中，对于每一指标，分别基于预先选定的对应的机器学习算法，根据训练样本完成机器学习训练，得到对应指标的机器学习模型包括：
对于每一指标，以对应的机器学习算法的待定系数为变量，根据每一训练样本中参数向量的向量值构建对应的预测表达式；
对于每一指标，分别根据每一训练样本对应的预测表达式和对应指标的实际值，构建对应指标的损失函数；
对于每一指标，优化对应的损失函数，确定对应的待定系数的取值，完成机器学习训练，得到对应的机器学习模型。
在本发明的一个实施例中，目标指标对应机器学习模型为概率模型，其中，目标指标为多个指标中的任意一个或多个，
分别根据每一样本对应的预测表达式和目标指标的实际值，构建目标指标的损失函数包括：
分别根据每一样本对应的预测表达式，确定每一样本对应目标指标的预测结果为目标指标的实际值的概率表达式；
根据每一样本对应目标指标的概率表达式，得到目标指标的损失函数。
在本发明的一个实施例中，用户交互模块还用于获取推荐的参数向量的向量值对应的每一指标的实际值；
装置该配置文件的推荐装置4000还可以包括：
用于将推荐的参数向量的向量值和每一指标的实际值对应存储至数据库中的模块。
在本发明的一个实施例中，该配置文件的推荐装置4000还可以包括：
用于将推荐的参数向量的向量值和对应的每一指标的实际值，作为的新的训练样本的模块；
用于根据新的训练样本，修正对应每一指标的机器学习模型的模块。
在本发明的一个实施例中，该计算存储资源模块4400还可以用于：
用于响应于基于每一指标的实际值和多个配置项获取配置文件的请求，查找数据库，获取对应的推荐配置文件的模块；
用户交互模块用于将推荐配置文件提供给用户。
在本发明的一个实施例中，解释器4200还可以用于：
对于每种配置项，根据对应的预设步长，根据对应的参数范围确定对应的多个采样值；
对每种配置项的采样值进行组合，得到多组参数向量的向量值。
在本发明的一个实施例中，配置文件为配方；配置项为配方中的有效成分；
获取配置文件中多种配置项的参数范围包括：
获取配方中每种原材料的参数范围、和每种原材料中有效成分的含量；
根据每种原材料的参数范围和每种原材料中有效成分的含量，确定有效成分的参数范围。
在本发明的一个实施例中，根据推荐的参数向量的向量值，确定推荐配置文件包括：
根据推荐的参数向量的向量值，确定每种有效成分的推荐参数；
根据每种有效成分的推荐参数、和每种原材料中有效成分的含量，确定每种原材料的推荐参数；
根据每种原材料的推荐参数确定推荐配置文件。
在本发明的一个实施例中，所述配置文件为钻井液配方；所述指标至少包括以下任意一项或多项：成本、粘度、切力和滤失量；所述配置项至少包括以下任意一项或多项：钻井液配方中的有效成分、温度、钻井液密度和井内状况。
在本发明的一个实施例中，用户交互模块4100还可以用于：
提供配置界面，以供用户通过配置界面设定配置项的参数范围和指标的约束值。
在本发明的一个实施例中，用户交互模块4100还可以用于：
导出推荐配置文件，以供用户根据推荐配置文件进行生产或实验。
本领域技术人员应当明白，可以通过各种方式来实现配置文件的推荐装置4000。例如，可以通过指令配置处理器来实现配置文件的推荐装置4000。例如，可以将指令存储在ROM中，并且当启动设备时，将指令从ROM读取到可编程器件中来实现配置文件的推荐装置4000。例如，可以将配置文件的推荐装置4000固化到专用器件(例如ASIC)中。可以将配置文件的推荐装置4000分成相互独立的单元，或者可以将它们合并在一起实现。装置4000可以通过上述各种实现方式中的一种来实现，或者可以通过上述各种实现方式中的两种或更多种方式的组合来实现。
在本实施例中，配置文件的推荐装置4000可以具有多种实现形式，例如，配置文件的推荐装置4000可以是任何的提供配置文件推荐服务的软件产品或者应用程序中运行的功能模块，或者是这些软件产品或者应用程序的外设嵌入件、插件、补丁件等，还可以是这些软件产品或者应用程序本身。
<系统实施例>
在本实施例中，如图6所示，还提供一种至少一个计算装置6100和至少一个存储装置6200的系统6000。该至少一个存储装置6200用于存储可执行的指令；该指令用于控制至少一个计算装置6100执行根据本发明任意实施例的配置文件的推荐方法。
在本实施例中，该系统6000可以是手机、平板电脑、掌上电脑、台式机、笔记本电脑、工作站、游戏机等设备，也可以是由多个设备构成的分布式系统。
<计算机可读存储介质>
在本实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序在被处理器执行时实现如本发明任意实施例的配置文件的推荐方法。
本发明可以是设备、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种配置文件的推荐方法，包括：
获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值；
根据所述配置项的参数范围，生成多组参数向量的向量值；其中，所述参数向量为所述配置项按照设定顺序构成的向量；
基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值；
根据所述推荐的参数向量的向量值，确定推荐配置文件，并将所述推荐配置文件提供给用户。
2.根据权利要求1所述的方法，所述基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值包括：
基于预设的逻辑算法，以每一指标的预测结果和约束值为变量，确定得分函数；
对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
对于每组参数向量的向量值，根据所述得分函数、对应每一所述指标的预测结果和约束值，确定推荐得分；
根据所述推荐得分，选取所述推荐的参数向量的向量值。
3.根据权利要求2所述的方法，所述根据所述推荐得分，选取所述推荐的参数向量的向量值包括：
选取推荐得分最高的设定数量组参数向量的向量值，作为所述推荐的参数向量的向量值；或者，
选取推荐得分在设定范围内的至少一组参数向量的向量值，作为所述推荐的参数向量的向量值。
4.根据权利要求1所述的方法，所述基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值包括：
对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
根据每组参数向量的向量值对应每一所述指标的预测结果、和对应指标的约束值，选取推荐的参数向量的向量值。
5.根据权利要求1所述的方法，还包括：
获取多个历史配置文件、和每一所述历史配置文件对应每一指标的实际值；
根据所述历史配置文件和指标的实际值获得多个训练样本，每一训练样本包括一一对应的参数向量的向量值和每一所述指标的实际值；
对于每一指标，分别基于预先选定的对应的机器学习算法，根据所述训练样本完成机器学习训练，得到对应指标的机器学习模型。
6.根据权利要求5所述的方法，所述对于每一指标，分别基于预先选定的对应的机器学习算法，根据所述训练样本完成机器学习训练，得到对应指标的机器学习模型包括：
对于每一指标，以对应的机器学习算法的待定系数为变量，根据每一训练样本中参数向量的向量值构建对应的预测表达式；
对于每一指标，分别根据每一训练样本对应的预测表达式和对应指标的实际值，构建对应指标的损失函数；
对于每一指标，优化对应的损失函数，确定对应的待定系数的取值，完成机器学习训练，得到对应的机器学习模型。
7.根据权利要求6所述的方法，目标指标对应机器学习模型为概率模型，其中，所述目标指标为所述多个指标中的任意一个或多个，
分别根据每一样本对应的预测表达式和目标指标的实际值，构建所述目标指标的损失函数包括：
分别根据每一样本对应的预测表达式，确定每一样本对应所述目标指标的预测结果为所述目标指标的实际值的概率表达式；
根据每一样本对应所述目标指标的概率表达式，得到所述目标指标的损失函数。
8.一种配置文件的推荐装置，包括：
用户交互模块，用于获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值；
解释器，用于根据所述配置项的参数范围，生成多组参数向量的向量值；其中，所述参数向量为所述配置项按照设定顺序构成的向量；
后端引擎，用于基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值；
所述解释器还用于根据所述推荐的参数向量的向量值，确定推荐配置文件；
所述用户交互模块还用于将所述推荐配置文件提供给用户。
9.一种包括至少一个计算装置和至少一个存储装置的系统，其中，所述至少一个存储装置用于存储指令，所述指令用于控制所述至少一个计算装置执行根据权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如权利要求1至7中任一项所述的方法。
CN202010125059.9A 2020-02-27 2020-02-27 一种配置文件的推荐方法、装置及系统 Active CN111311104B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010125059.9A CN111311104B (zh) 2020-02-27 2020-02-27 一种配置文件的推荐方法、装置及系统
PCT/CN2021/077489 WO2021169960A1 (zh) 2020-02-27 2021-02-23 一种配置文件的推荐方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010125059.9A CN111311104B (zh) 2020-02-27 2020-02-27 一种配置文件的推荐方法、装置及系统

Publications (2)

Publication Number Publication Date
CN111311104A true CN111311104A (zh) 2020-06-19
CN111311104B CN111311104B (zh) 2023-08-25

Family

ID=71159477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010125059.9A Active CN111311104B (zh) 2020-02-27 2020-02-27 一种配置文件的推荐方法、装置及系统

Country Status (2)

Country Link
CN (1) CN111311104B (zh)
WO (1) WO2021169960A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112395272A (zh) * 2021-01-20 2021-02-23 鹏城实验室 通信算法数据库构建方法、分布式机器装置和存储介质
WO2021169960A1 (zh) * 2020-02-27 2021-09-02 第四范式（北京）技术有限公司 一种配置文件的推荐方法、装置及系统
CN114385256A (zh) * 2020-10-22 2022-04-22 华为云计算技术有限公司 系统参数的配置方法和配置装置
CN116401232A (zh) * 2023-03-24 2023-07-07 天云融创数据科技（北京）有限公司 数据库参数配置优化方法、装置、电子设备及存储介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114327668B (zh) * 2021-11-25 2024-06-18 中国电子科技集团公司第十五研究所 基于关联挖掘的智能化参数配置方法及装置
CN114274364B (zh) * 2021-12-09 2024-01-19 湖南中联重科混凝土机械站类设备有限公司 用于搅拌站的螺旋机选型方法、处理器以及选型装置
CN117667901A (zh) * 2023-12-25 2024-03-08 武汉达梦数据技术有限公司 一种ceph参数推荐方法、装置、设备及存储介质
CN118072863B (zh) * 2024-04-17 2024-07-12 烟台国工智能科技有限公司 基于贝叶斯优化的液晶材料配方设计方法、设备及介质

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120227064A1 (en) * 2011-03-04 2012-09-06 CSC Holdings, LLC Predictive Content Placement on a Managed Services Systems
CN103729351A (zh) * 2012-10-10 2014-04-16 阿里巴巴集团控股有限公司 查询词推荐方法及装置
US20160335260A1 (en) * 2015-05-11 2016-11-17 Informatica Llc Metric Recommendations in an Event Log Analytics Environment
CN106485562A (zh) * 2015-09-01 2017-03-08 苏宁云商集团股份有限公司 一种基于用户历史行为的商品信息推荐方法及系统
US20170124464A1 (en) * 2015-10-28 2017-05-04 Fractal Industries, Inc. Rapid predictive analysis of very large data sets using the distributed computational graph
CN107066628A (zh) * 2017-05-15 2017-08-18 京东方科技集团股份有限公司 穿衣推荐方法及装置
CN107122990A (zh) * 2017-03-22 2017-09-01 广州优视网络科技有限公司 应用推荐方法、客户端、服务器及系统
CN107562925A (zh) * 2017-09-14 2018-01-09 广东神马搜索科技有限公司 用于推荐文章的方法、设备和电子设备
CN107578332A (zh) * 2017-09-22 2018-01-12 深圳乐信软件技术有限公司 一种推荐现金商品的方法、装置、设备及存储介质
CN108076154A (zh) * 2017-12-21 2018-05-25 广东欧珀移动通信有限公司 应用信息推荐方法、装置及存储介质和服务器
CN108520034A (zh) * 2018-03-29 2018-09-11 广州优视网络科技有限公司 应用推荐方法、装置及计算机设备
CN108537568A (zh) * 2018-03-07 2018-09-14 阿里巴巴集团控股有限公司 一种信息推荐方法和装置
CN108596774A (zh) * 2018-04-24 2018-09-28 山东师范大学 基于深层次网络嵌入特征的社会化信息推荐算法及系统
CN108701257A (zh) * 2016-08-22 2018-10-23 甲骨文国际公司 用于实时可视模拟内的动态、增量推荐的系统和方法
CN108769125A (zh) * 2018-04-28 2018-11-06 广州优视网络科技有限公司 应用推荐方法、装置、存储介质及计算机设备
CN109062963A (zh) * 2018-06-27 2018-12-21 广州优视网络科技有限公司 自媒体推荐方法、装置及电子设备
CN109146116A (zh) * 2018-06-13 2019-01-04 浙江大学 一种工作能力模型的构建方法、其参数计算方法，以及基于所述模型的劳动力评估预测装置
CN110457589A (zh) * 2019-08-19 2019-11-15 上海新共赢信息科技有限公司 一种车辆推荐方法、装置、设备及存储介质
CN110717099A (zh) * 2019-09-25 2020-01-21 优地网络有限公司 一种推荐影片的方法及终端
CN110781391A (zh) * 2019-10-22 2020-02-11 腾讯科技（深圳）有限公司 一种信息推荐方法、装置、设备及存储介质
CN110796504A (zh) * 2018-08-03 2020-02-14 京东数字科技控股有限公司 物品推荐方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10496927B2 (en) * 2014-05-23 2019-12-03 DataRobot, Inc. Systems for time-series predictive data analytics, and related methods and apparatus
CN107844837B (zh) * 2017-10-31 2020-04-28 第四范式（北京）技术有限公司 针对机器学习算法进行算法参数调优的方法及系统
CN111311104B (zh) * 2020-02-27 2023-08-25 第四范式（北京）技术有限公司 一种配置文件的推荐方法、装置及系统

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120227064A1 (en) * 2011-03-04 2012-09-06 CSC Holdings, LLC Predictive Content Placement on a Managed Services Systems
CN103729351A (zh) * 2012-10-10 2014-04-16 阿里巴巴集团控股有限公司 查询词推荐方法及装置
US20160335260A1 (en) * 2015-05-11 2016-11-17 Informatica Llc Metric Recommendations in an Event Log Analytics Environment
CN106485562A (zh) * 2015-09-01 2017-03-08 苏宁云商集团股份有限公司 一种基于用户历史行为的商品信息推荐方法及系统
US20170124464A1 (en) * 2015-10-28 2017-05-04 Fractal Industries, Inc. Rapid predictive analysis of very large data sets using the distributed computational graph
CN108701257A (zh) * 2016-08-22 2018-10-23 甲骨文国际公司 用于实时可视模拟内的动态、增量推荐的系统和方法
CN107122990A (zh) * 2017-03-22 2017-09-01 广州优视网络科技有限公司 应用推荐方法、客户端、服务器及系统
CN107066628A (zh) * 2017-05-15 2017-08-18 京东方科技集团股份有限公司 穿衣推荐方法及装置
CN107562925A (zh) * 2017-09-14 2018-01-09 广东神马搜索科技有限公司 用于推荐文章的方法、设备和电子设备
CN107578332A (zh) * 2017-09-22 2018-01-12 深圳乐信软件技术有限公司 一种推荐现金商品的方法、装置、设备及存储介质
CN108076154A (zh) * 2017-12-21 2018-05-25 广东欧珀移动通信有限公司 应用信息推荐方法、装置及存储介质和服务器
CN108537568A (zh) * 2018-03-07 2018-09-14 阿里巴巴集团控股有限公司 一种信息推荐方法和装置
CN108520034A (zh) * 2018-03-29 2018-09-11 广州优视网络科技有限公司 应用推荐方法、装置及计算机设备
CN108596774A (zh) * 2018-04-24 2018-09-28 山东师范大学 基于深层次网络嵌入特征的社会化信息推荐算法及系统
CN108769125A (zh) * 2018-04-28 2018-11-06 广州优视网络科技有限公司 应用推荐方法、装置、存储介质及计算机设备
CN109146116A (zh) * 2018-06-13 2019-01-04 浙江大学 一种工作能力模型的构建方法、其参数计算方法，以及基于所述模型的劳动力评估预测装置
CN109062963A (zh) * 2018-06-27 2018-12-21 广州优视网络科技有限公司 自媒体推荐方法、装置及电子设备
CN110796504A (zh) * 2018-08-03 2020-02-14 京东数字科技控股有限公司 物品推荐方法和装置
CN110457589A (zh) * 2019-08-19 2019-11-15 上海新共赢信息科技有限公司 一种车辆推荐方法、装置、设备及存储介质
CN110717099A (zh) * 2019-09-25 2020-01-21 优地网络有限公司 一种推荐影片的方法及终端
CN110781391A (zh) * 2019-10-22 2020-02-11 腾讯科技（深圳）有限公司 一种信息推荐方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李红冀: "基于融合推理模型的钻井液优化设计系统研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021169960A1 (zh) * 2020-02-27 2021-09-02 第四范式（北京）技术有限公司 一种配置文件的推荐方法、装置及系统
CN114385256A (zh) * 2020-10-22 2022-04-22 华为云计算技术有限公司 系统参数的配置方法和配置装置
CN114385256B (zh) * 2020-10-22 2024-06-11 华为云计算技术有限公司 系统参数的配置方法和配置装置
CN112395272A (zh) * 2021-01-20 2021-02-23 鹏城实验室 通信算法数据库构建方法、分布式机器装置和存储介质
CN116401232A (zh) * 2023-03-24 2023-07-07 天云融创数据科技（北京）有限公司 数据库参数配置优化方法、装置、电子设备及存储介质
CN116401232B (zh) * 2023-03-24 2024-01-30 天云融创数据科技（北京）有限公司 数据库参数配置优化方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111311104B (zh) 2023-08-25
WO2021169960A1 (zh) 2021-09-02

Similar Documents

Publication Publication Date Title
CN111311104B (zh) 一种配置文件的推荐方法、装置及系统
JP6803980B1 (ja) 信頼されたイニシャライザを用いない秘密分散
CN105653281B (zh) 一种在移动设备中进行截屏的方法和装置
CN109754105A (zh) 一种预测方法及终端、服务器
KR20160033704A (ko) 차트상의 데이터 포인트 연산 기법
CN109062963B (zh) 自媒体推荐方法、装置及电子设备
CN110688829A (zh) 表格生成方法、装置、设备及存储介质
US10956674B2 (en) Creating cost models using standard templates and key-value pair differential analysis
US20190155816A1 (en) Visualizing changes in a multi-dimensional dataset using three-dimensional cubes
US20190188236A1 (en) Free-form discovery of differential equations
CN109948050B (zh) 信息处理方法和装置，存储介质和电子设备
TWI570675B (zh) 提供詞彙學習內容的方法和系統及記錄介質
CN108139900B (zh) 传送关于应用的更新的信息
US10936165B2 (en) System and method for calculating metrics
CN111488368A (zh) 数据查询方法、装置及电子设备
US20210089949A1 (en) Determining source of interface interactions
US20220415198A1 (en) Method and apparatus for providing learning content using learner knowledge map
CN109783745A (zh) 对页面进行个性化排版的方法、装置和计算机设备
US11329900B1 (en) Sequenced capacity deployment for WAN and datacenter networks
EP3675085A1 (en) Information processing device, information processing method, and program
US11386143B2 (en) Searching for analogue subsurface structures based on topological knowledge representation (TKR)
US10013464B2 (en) Locating and ranking individuals using social media analytics
US9946749B2 (en) Rewriting inequality queries
CN112749214A (zh) 交互内容展示方式的更新方法、装置、介质及电子设备
CN113075921B (zh) 无人驾驶设备的局部路径规划方法和装置

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