应用于云计算的数据推送方法、装置、电子设备及系统
技术领域
本申请涉及云计算数据推送技术领域,尤其涉及应用于云计算的数据推送方法、装置、电子设备及系统。
背景技术
随着云计算的发展,数据交互已广泛应用于各行各业。以数据推送技术为例,云端服务器可以对智能终端的用户行为数据进行分析,从而确定出智能终端所对应的用户的期望数据,然后从数据库中确定出这些期望数据并推送给智能终端。然而,云端服务器在实际的数据推送过程中,往往存在推送准确性低下或误推送的问题。
发明内容
本申请提供应用于云计算的数据推送方法、装置、电子设备及系统,以改善现有技术存在的推送准确性低下或误推送的问题。
根据本申请的一个方面,提供一种应用于云计算的数据推送方法,应用于电子设备,所述方法包括:
从智能终端处采集所述智能终端通过对用户输入的操作指令进行处理生成的用户行为数据;其中,所述操作指令包括触摸指令、语音指令或面部表情指令;所述用户行为数据包括以下四个类别的行为数据:行为参数、所述行为参数对应的生成时刻信息、所述行为参数对应的参数类别信息以及所述智能终端对应的数据格式信息;
提取所述用户行为数据对应的第一特征向量以及所述行为参数、所述生成时刻信息、所述参数类别信息以及所述数据格式信息分别对应的第二特征向量;其中,所述第一特征向量为N维向量,所述第二特征向量为N+1维向量,N为正整数,所述第二特征向量的最后一维特征值用于表征所述第二特征向量所对应的行为数据类别;
确定所述第一特征向量对应的第一向量网络以及每个第二特征向量的第二向量网络;其中,所述第一向量网络和每个第二向量网络中包括至少多个具有不同网络响应权重的网络节点,每个网络节点对应一个向量值,所述网络响应权重为网络节点对向量网络的收敛性影响系数,所述收敛性影响系数用于表征向量网络对应的特征向量的扩维值,所述第一向量网络和每个第二向量网络中的网络节点数量均为N个;
确定所述第一特征向量在所述第一向量网络中的任一网络响应权重的初始网络节点,将每个第二向量网络中的具有最大网络响应权重的网络节点确定为目标网络节点;获取所述初始网络节点与每个目标网络节点之间的节点信息相似度,所述节点信息相似度用于表征初始网络节点与每个目标网络节点在向量值层面的匹配度;
基于每个节点信息相似度,确定每个第二特征向量相对于所述第一特征向量的扩维系数;根据确定出的所有扩维系数对所述第一特征向量进行扩维处理得到N+M维的目标特征向量,M为正整数;
根据所述目标特征向量从预设数据库中确定出至少一个期望数据,将所述期望数据推送给所述智能终端。
优选地,所述提取所述用户行为数据对应的第一特征向量,包括:
将所述用户行为数据的多个数据字段按照字段长度由大到小的顺序依次列出,得到所述用户行为数据对应的数据字段序列;针对所述数据字段序列,确定所述数据字段序列中相邻两个数据字段之间的字段长度差值;根据确定出的所有字段长度差值确定所述数据字段序列的序列分布特征;其中,所述数据字段是按照时段进行划分的,序列分布特征用于表征所述数据字段序列的字段长度分布情况;
提取所述序列分布特征中的用于表征所述数据字段的字段分布离散程度的序列分布值,基于所述序列分布值生成所述数据字段序列对应的数据字段轨迹,所述数据字段轨迹中包括多个轨迹节点,所述轨迹节点与所述数据字段一一对应,每个轨迹节点至少与所述数据字段轨迹中除该轨迹节点之外的至少一个轨迹节点连接,互相连接的两个轨迹节点之间存在一个关联性权重,所述关联性权重存在由大到小的优先级,所述优先级用于表征互相连接的两个轨迹节点之间的影响因子;
按照优先级由低到高的顺序将每两个存在互相连接关系的轨迹节点列出得到轨迹节点序列,对所述轨迹节点序列中重复的轨迹节点进行剔除得到目标轨迹节点序列;
针对所述目标轨迹节点序列中的每个目标轨迹节点,按照预设映射关系将该目标轨迹节点对应的数据字段中的字段信息映射到预设坐标平面得到映射坐标值并基于所述映射坐标值确定每个数据字段对应的特征值;按照所述数据字段序列将所述特征值进行排序以得到所述用户行为数据对应的第一特征向量。
优选地,所述提取所述行为参数对应的第二特征向量,包括:
确定所述行为参数对应的至少多个执行函数,所述执行函数用于执行所述用户的操作指令并输出所述操作指令对应的行为参数;
根据所述操作指令确定每个执行函数的输入信息并根据所述行为参数确定每个执行函数的输出信息;基于每个输入信息及其对应的输出信息确定每个执行函数对应的执行逻辑信息;
针对每个执行逻辑信息,判断该执行逻辑信息中是否存在调用日志,所述调用日志是所述电子设备根据所述执行函数的第一函数类型反射调用钩子hook函数以通过所述钩子hook函数对所述执行函数对应的输入信息进行处理得到对应的输出信息的运行日志;
在确定出该执行逻辑信息中存在所述调用日志时,确定该逻辑执行信息对应的钩子hook函数的第二函数类型;根据所述行为参数对应的至少部分第一函数类型和至少部分第二函数类型确定所述行为参数的特征提取列表;基于所述特征提取列表对所述行为参数进行特征提取并基于所述行为参数对应的行为数据类别得到所述行为参数对应的第二特征向量。
优选地,所述获取所述初始网络节点与每个目标网络节点之间的节点信息相似度,包括:
确定所述初始网络节点的节点信息对应的第一信息列表及每个目标网络节点的节点信息对应的第二信息列表;其中,所述第一信息列表与所述第二信息列表具有相同的行数和列数,所述第一信息列表与所述第二信息列表的列表单元数相同,所述第一信息列表中的第一列表单元具有不同的第一单元权重,所述第二信息列表中的第二列表单元具有不同的第二单元权重;
将所述第一信息列表中的每个第一列表单元与所述第二信息列表中对应的第二列表单元进行一一比对,得到比对结果;在所述比对结果表征所述第一列表单元中的信息与所述第二列表单元中的信息相同时,确定所述比对结果的比对相似度为第一设定数值;在所述比对结果表征所述第一列表单元中的信息与所述第二列表单元中的信息不相同时,基于所述第一列表单元对应的第一单元权重以及所述第二列表单元对应的第二单元权重对第二设定数值进行加权得到所述比对结果对应的比对相似度;确定所述比对相似度的均值为所述初始网络与每个目标网络节点之间的节点信息相似度。
优选地,所述基于每个节点信息相似度,确定每个第二特征向量相对于所述第一特征向量的扩维系数,包括:
确定每相邻两个节点信息相似度之间的相似度差值以及所述节点信息相似度的中位数;
确定落入以所述中位数为区间中点并以所述节点信息相似度的相似度平均值为区间长度的设定区间中的相似度差值的累计值;
判断所述累计值是否达到设定值;若是,则根据每个节点信息相似度与所述中位数的差值确定该节点信息相似度对应的第二特征向量相对于所述第一特征向量的扩维系数;若否,则根据每个节点信息相似度与所述相似度平均值的差值确定该节点信息相似度对应的第二特征向量相对于所述第一特征向量的扩维系数。
优选地,所述根据确定出的所有扩维系数对所述第一特征向量进行扩维处理得到N+M维的目标特征向量,包括:
根据所述所有扩维系数确定对第一特征向量进行扩维处理的维度基准值;
根据所述第一特征向量的向量维度和向量置信度对所述维度基准值进行修正得到目标维度值;
根据所述目标维度值M对所述第一特征向量进行扩维处理得到N+M维的目标特征向量。
根据本申请的一个方面,提供一种应用于云计算的数据推送装置,应用于电子设备,所述装置包括:
数据采集模块,用于从智能终端处采集所述智能终端通过对用户输入的操作指令进行处理生成的用户行为数据;其中,所述操作指令包括触摸指令、语音指令或面部表情指令;所述用户行为数据包括以下四个类别的行为数据:行为参数、所述行为参数对应的生成时刻信息、所述行为参数对应的参数类别信息以及所述智能终端对应的数据格式信息;
向量提取模块,用于提取所述用户行为数据对应的第一特征向量以及所述行为参数、所述生成时刻信息、所述参数类别信息以及所述数据格式信息分别对应的第二特征向量;其中,所述第一特征向量为N维向量,所述第二特征向量为N+1维向量,N为正整数,所述第二特征向量的最后一维特征值用于表征所述第二特征向量所对应的行为数据类别;
网络确定模块,用于确定所述第一特征向量对应的第一向量网络以及每个第二特征向量的第二向量网络;其中,所述第一向量网络和每个第二向量网络中包括至少多个具有不同网络响应权重的网络节点,每个网络节点对应一个向量值,所述网络响应权重为网络节点对向量网络的收敛性影响系数,所述收敛性影响系数用于表征向量网络对应的特征向量的扩维值,所述第一向量网络和每个第二向量网络中的网络节点数量均为N个;
节点确定模块,用于确定所述第一特征向量在所述第一向量网络中的任一网络响应权重的初始网络节点,将每个第二向量网络中的具有最大网络响应权重的网络节点确定为目标网络节点;获取所述初始网络节点与每个目标网络节点之间的节点信息相似度,所述节点信息相似度用于表征初始网络节点与每个目标网络节点在向量值层面的匹配度;
向量扩维模块,用于基于每个节点信息相似度,确定每个第二特征向量相对于所述第一特征向量的扩维系数;根据确定出的所有扩维系数对所述第一特征向量进行扩维处理得到N+M维的目标特征向量,M为正整数;
数据推送模块,用于根据所述目标特征向量从预设数据库中确定出至少一个期望数据,将所述期望数据推送给所述智能终端。
根据本申请的一个方面,提供一种电子设备,包括:处理器,以及与处理器连接的内存和网络接口;所述网络接口与访问权限验证设备中的非易失性存储器连接;所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序,并通过所述内存运行所述计算机程序,以执行上述的方法。
根据本申请的一个方面,提供一种应用于计算机的可读存储介质,所述可读存储介质烧录有计算机程序,所述计算机程序在电子设备的内存中运行时实现上述的方法。
根据本申请的一个方面,提供一种应用于云计算的数据推送系统,所述系统包括互相之间通信的电子设备和智能终端;
所述智能终端,用于对用户输入的操作指令进行处理生成用户行为数据;其中,所述操作指令包括触摸指令、语音指令或面部表情指令;所述用户行为数据包括以下四个类别的行为数据:行为参数、所述行为参数对应的生成时刻信息、所述行为参数对应的参数类别信息以及所述智能终端对应的数据格式信息;
所述电子设备,用于从智能终端处采集所述用户行为数据;
所述电子设备,用于提取所述用户行为数据对应的第一特征向量以及所述行为参数、所述生成时刻信息、所述参数类别信息以及所述数据格式信息分别对应的第二特征向量;其中,所述第一特征向量为N维向量,所述第二特征向量为N+1维向量,N为正整数,所述第二特征向量的最后一维特征值用于表征所述第二特征向量所对应的行为数据类别;
所述电子设备,用于确定所述第一特征向量对应的第一向量网络以及每个第二特征向量的第二向量网络;其中,所述第一向量网络和每个第二向量网络中包括至少多个具有不同网络响应权重的网络节点,每个网络节点对应一个向量值,所述网络响应权重为网络节点对向量网络的收敛性影响系数,所述收敛性影响系数用于表征向量网络对应的特征向量的扩维值,所述第一向量网络和每个第二向量网络中的网络节点数量均为N个;
所述电子设备,用于确定所述第一特征向量在所述第一向量网络中的任一网络响应权重的初始网络节点,将每个第二向量网络中的具有最大网络响应权重的网络节点确定为目标网络节点;获取所述初始网络节点与每个目标网络节点之间的节点信息相似度,所述节点信息相似度用于表征初始网络节点与每个目标网络节点在向量值层面的匹配度;
所述电子设备,用于基于每个节点信息相似度,确定每个第二特征向量相对于所述第一特征向量的扩维系数;根据确定出的所有扩维系数对所述第一特征向量进行扩维处理得到N+M维的目标特征向量,M为正整数;
所述电子设备,用于根据所述目标特征向量从预设数据库中确定出至少一个期望数据,将所述期望数据推送给所述智能终端。
应用本申请实施例应用于云计算的数据推送方法、装置、电子设备及系统时,能够在用户行为数据的第一特征向量的基础上进一步挖掘额外的特征维度,提高对用户行为数据的特征分析的效率和全面性,避免遗漏特征维度。这样,能够准确、完整地确定出用户行为数据对应的目标特征向量,然后基于该目标特征向量准确地确定期望数据并进行推送,进而提高云端服务器在数据推送过程中的推送准确性,避免数据的误推送。
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,并不能限制本申请。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本申请根据一示例性实施例示出的一种应用于云计算的数据推送方法的流程图。
图2是本申请根据一示例性实施例示出的一种装置的一个实施例框图。
图3为本申请装置所在电子设备的一种硬件结构图。
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申请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、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
为改善云端服务器在数据推送过程中存在的推送准确性低下或误推送的技术问题,本发明提供了一种应用于云计算的数据推送方法、装置、电子设备及系统,能够对智能终端对应的用户行为数据进行多维特征分析,并在用户行为数据的多维特征基础上进一步挖掘额外的特征,提高对用户行为数据的特征分析的效率,避免遗漏特征维度。这样,能够准确、完整地确定出用户行为数据对应的数据特征,然后基于该数据特征准确地确定期望数据并进行推送,进而提高云端服务器在数据推送过程中的推送准确性,避免数据的误推送。
请参照附图1,为本发明所提供的一种应用于云计算的数据推送方法的流程图,所述数据推送方法可以应用于与智能终端通信的电子设备。具体地,电子设备可以理解为云端服务器,智能终端包括但不限于手机、平板电脑和台式计算机等。可以理解,电子设备与智能终端可以是一对一的通信交互,也可以是一对多的通信交互。进一步地,所述数据推送方法具体可以包括以下步骤所描述的内容。
步骤S21,从智能终端处采集所述智能终端通过对用户输入的操作指令进行处理生成的用户行为数据;其中,所述操作指令包括触摸指令、语音指令或面部表情指令;所述用户行为数据包括以下四个类别的行为数据:行为参数、所述行为参数对应的生成时刻信息、所述行为参数对应的参数类别信息以及所述智能终端对应的数据格式信息。
步骤S22,提取所述用户行为数据对应的第一特征向量以及所述行为参数、所述生成时刻信息、所述参数类别信息以及所述数据格式信息分别对应的第二特征向量;其中,所述第一特征向量为N维向量,所述第二特征向量为N+1维向量,N为正整数,所述第二特征向量的最后一维特征值用于表征所述第二特征向量所对应的行为数据类别。
在具体实施时,为了确保后续特征分析的准确性,在提取第一特征向量和多个第二特征向量时,可以将第一特征向量和第二特征向量的用于表征数据信息的向量向量值维度设置为相同。
步骤S23,确定所述第一特征向量对应的第一向量网络以及每个第二特征向量的第二向量网络;其中,所述第一向量网络和每个第二向量网络中包括至少多个具有不同网络响应权重的网络节点,每个网络节点对应一个向量值,所述网络响应权重为网络节点对向量网络的收敛性影响系数,所述收敛性影响系数用于表征向量网络对应的特征向量的扩维值,所述第一向量网络和每个第二向量网络中的网络节点数量均为N个。
步骤S24,确定所述第一特征向量在所述第一向量网络中的任一网络响应权重的初始网络节点,将每个第二向量网络中的具有最大网络响应权重的网络节点确定为目标网络节点;获取所述初始网络节点与每个目标网络节点之间的节点信息相似度,所述节点信息相似度用于表征初始网络节点与每个目标网络节点在向量值层面的匹配度。
步骤S25,基于每个节点信息相似度,确定每个第二特征向量相对于所述第一特征向量的扩维系数;根据确定出的所有扩维系数对所述第一特征向量进行扩维处理得到N+M维的目标特征向量,M为正整数。
步骤S26,根据所述目标特征向量从预设数据库中确定出至少一个期望数据,将所述期望数据推送给所述智能终端。
在具体实施时,通过上述技术方案,首先对采集到的用户行为数据进行第一特征向量和第二特征向量的提取。其次确定出第一特征向量对应的第一向量网络以及第二特征向量对应的第二向量网络。然后对第一向量网络和第二向量网络进行网络节点层面得分析以得到节点信息相似度。进而基于节点信息相似度确定扩维系数以实现对第一特征向量的扩维处理。
如此,能够在用户行为数据的第一特征向量的基础上进一步挖掘额外的特征维度,提高对用户行为数据的特征分析的效率和全面性,避免遗漏特征维度。这样,能够准确、完整地确定出用户行为数据对应的目标特征向量,然后基于该目标特征向量准确地确定期望数据并进行推送,进而提高云端服务器在数据推送过程中的推送准确性,避免数据的误推送。
在一个可能的示例中,在步骤S22中,提取所述用户行为数据对应的第一特征向量,具体可以通过以下步骤所描述的方法实现。
步骤S221,将所述用户行为数据的多个数据字段按照字段长度由大到小的顺序依次列出,得到所述用户行为数据对应的数据字段序列;针对所述数据字段序列,确定所述数据字段序列中相邻两个数据字段之间的字段长度差值;根据确定出的所有字段长度差值确定所述数据字段序列的序列分布特征;其中,所述数据字段是按照时段进行划分的,序列分布特征用于表征所述数据字段序列的字段长度分布情况。
步骤S222,提取所述序列分布特征中的用于表征所述数据字段的字段分布离散程度的序列分布值,基于所述序列分布值生成所述数据字段序列对应的数据字段轨迹,所述数据字段轨迹中包括多个轨迹节点,所述轨迹节点与所述数据字段一一对应,每个轨迹节点至少与所述数据字段轨迹中除该轨迹节点之外的至少一个轨迹节点连接,互相连接的两个轨迹节点之间存在一个关联性权重,所述关联性权重存在由大到小的优先级,所述优先级用于表征互相连接的两个轨迹节点之间的影响因子。
步骤S223,按照优先级由低到高的顺序将每两个存在互相连接关系的轨迹节点列出得到轨迹节点序列,对所述轨迹节点序列中重复的轨迹节点进行剔除得到目标轨迹节点序列。
步骤S224,针对所述目标轨迹节点序列中的每个目标轨迹节点,按照预设映射关系将该目标轨迹节点对应的数据字段中的字段信息映射到预设坐标平面得到映射坐标值并基于所述映射坐标值确定每个数据字段对应的特征值;按照所述数据字段序列将所述特征值进行排序以得到所述用户行为数据对应的第一特征向量。
在应用上述步骤S221-步骤S224所描述的内容时,能够将用户行为数据中的行为参数、生成时刻信息、参数类别信息以及数据格式信息以数据字段的形式进行划分,进而对数据字段进行分析以确定出第一特征向量。如此,能够缩小不同类别得行为数据之间的差异性,进而从全局角度准确确定第一特征向量。
在另一个可能的示例中,提取所述行为参数、所述生成时刻信息、所述参数类别信息以及所述数据格式信息分别对应的第二特征向量的实现原理类似。为便于后续说明的简洁性,以提取行为参数对应的第二特征向量进行详细说明。
在具体实施时,为了确保第二特征向量的准确性和区分度,可以对行为参数执行以下处理以得到对应的第二特征向量。
(1)确定所述行为参数对应的至少多个执行函数,所述执行函数用于执行所述用户的操作指令并输出所述操作指令对应的行为参数。
(2)根据所述操作指令确定每个执行函数的输入信息并根据所述行为参数确定每个执行函数的输出信息;基于每个输入信息及其对应的输出信息确定每个执行函数对应的执行逻辑信息。
(3)针对每个执行逻辑信息,判断该执行逻辑信息中是否存在调用日志,所述调用日志是所述电子设备根据所述执行函数的第一函数类型反射调用钩子hook函数以通过所述钩子hook函数对所述执行函数对应的输入信息进行处理得到对应的输出信息的运行日志。
(4)在确定出该执行逻辑信息中存在所述调用日志时,确定该逻辑执行信息对应的钩子hook函数的第二函数类型;根据所述行为参数对应的至少部分第一函数类型和至少部分第二函数类型确定所述行为参数的特征提取列表;基于所述特征提取列表对所述行为参数进行特征提取并基于所述行为参数对应的行为数据类别得到所述行为参数对应的第二特征向量。
可以理解,通过上述内容,一方面可以通过特征提取列表确保第二特征向量的准确性,另一方面可以通过行为参数对应的行为数据类别确保第二特征向量的区分度。
在一种更为具体的实施例中,在步骤S24中,所述获取所述初始网络节点与每个目标网络节点之间的节点信息相似度,具体可以包括以下子步骤所描述的内容。
步骤S241,确定所述初始网络节点的节点信息对应的第一信息列表及每个目标网络节点的节点信息对应的第二信息列表;其中,所述第一信息列表与所述第二信息列表具有相同的行数和列数,所述第一信息列表与所述第二信息列表的列表单元数相同,所述第一信息列表中的第一列表单元具有不同的第一单元权重,所述第二信息列表中的第二列表单元具有不同的第二单元权重。
步骤S242,将所述第一信息列表中的每个第一列表单元与所述第二信息列表中对应的第二列表单元进行一一比对,得到比对结果;在所述比对结果表征所述第一列表单元中的信息与所述第二列表单元中的信息相同时,确定所述比对结果的比对相似度为第一设定数值;在所述比对结果表征所述第一列表单元中的信息与所述第二列表单元中的信息不相同时,基于所述第一列表单元对应的第一单元权重以及所述第二列表单元对应的第二单元权重对第二设定数值进行加权得到所述比对结果对应的比对相似度;确定所述比对相似度的均值为所述初始网络与每个目标网络节点之间的节点信息相似度。
在步骤S242中,第一设定数值可以为1,第二设定数值可以为0.5,在对第二设定数值进行加权时,可以根据第一单元权重和第二单元权重对第二设定数值进行增大或缩小,在此不作限定。
可以理解,基于上述步骤所描述的内容,能够从信息列表层面对初始网络节点与目标网络节点之间的节点信息相似度进行确定,从而确保节点信息相似度的准确性和可靠性。
在一种可替换的实施方式中,步骤S25中所描述的基于每个节点信息相似度,确定每个第二特征向量相对于所述第一特征向量的扩维系数,具体可以通过以下步骤所描述的内容实现。
步骤S2511,确定每相邻两个节点信息相似度之间的相似度差值以及所述节点信息相似度的中位数。
步骤S2512,确定落入以所述中位数为区间中点并以所述节点信息相似度的相似度平均值为区间长度的设定区间中的相似度差值的累计值。
步骤S2513,判断所述累计值是否达到设定值;若是,则根据每个节点信息相似度与所述中位数的差值确定该节点信息相似度对应的第二特征向量相对于所述第一特征向量的扩维系数;若否,则根据每个节点信息相似度与所述相似度平均值的差值确定该节点信息相似度对应的第二特征向量相对于所述第一特征向量的扩维系数。
可以理解,基于步骤S2511-步骤S2513所描述的内容,能够节点相似度信息之间的差值、中位数和平均值进行分析,从而在不同情况下确定扩维系数,确保扩维系数的准确性。
进一步地,在上述基础上,步骤S25中所描述的根据确定出的所有扩维系数对所述第一特征向量进行扩维处理得到N+M维的目标特征向量,具体可以包括以下子步骤。
步骤S2521,根据所述所有扩维系数确定对第一特征向量进行扩维处理的维度基准值。
步骤S2522,根据所述第一特征向量的向量维度和向量置信度对所述维度基准值进行修正得到目标维度值。
步骤S2523,根据所述目标维度值M对所述第一特征向量进行扩维处理得到N+M维的目标特征向量。
在本实施例中,目标维度值可以为M。维度基准值可以是小于M的正整数,也可以是大于M的正整数,在此不作限定。
可选地,在步骤S26中,所述根据所述目标特征向量从预设数据库中确定出至少一个期望数据,具体可以包括以下内容:从所述预设数据库中确定出与所述目标特征向量之间的余弦相似度大于预设阈值的至少一个特征向量对应的期望数据。
在一种可替换的实施方式中,为了进一步确保数据推送的准确性,需要对电子设备的数据库中的数据进行实时更新,为此,电子设备还可以从外部获取最新数据并将所述最新数据存储至所述数据库中。
在具体实施时,为了确保能够将最新数据完整、准确且快速地存入数据库中,电子设备将所述最新数据存储至所述数据库中,具体可以包括以下子步骤。
步骤S31,提取所述最新数据的数据特征向量以及各数据段;其中,不同的数据段对应不同的数据信息。
步骤S32,在依据所述数据特征向量确定出所述最新数据中包含有数据结构类别的情况下,基于所述最新数据在所述数据结构类别中的数据段及其数据段权重确定所述最新数据在数据信息类别中的各数据段与所述最新数据在所述数据结构类别中的各数据段之间的数据差异系数。
步骤S33,将所述最新数据在所述数据信息类别中的与所述所述最新数据在所述数据结构类别中的数据段之间的数据差异系数最小的数据段调整到所述最新数据的所述数据结构类别中。
步骤S34,在所述最新数据的所述数据信息类别中包含有多个数据段时,基于所述最新数据在所述数据结构类别中的数据段及其数据段权重确定所述最新数据在所述数据信息类别中的各数据段之间的数据差异系数,并基于所述各数据段之间的数据差异系数对所述数据信息类别中的各数据段进行数据转换,得到所述数据信息类别中的各数据段对应的目标数据段。
步骤S35,基于所述最新数据在所述数据结构类别中的数据段及其数据段权重为各所述目标数据段封装段落指向参数,并将各所述目标数据段转移到所述段落指向参数所对应的所述数据结构类别的子类别中。
步骤S36,基于所述数据结构类别中的每个第一数据段确定所述最新数据的第一数据结构特征;获取所述数据库的存储线程信息并基于所述存储线程信息确定所述数据库对应的第二数据结构特征;确定所述第一数据结构特征与所述第二数据结构特征之间的余弦距离;根据所述余弦距离对所述最新数据进行数据格式转换之后存入所述数据库。
可以理解,通过上述步骤S31-步骤S36所描述的内容,能够通过数据库对应的存储线程信息确定数据库对应的第二数据结构特征,该第二数据结构特征可以理解为数据库中数据的数据结构特征。进一步地,还能够对最新数据的数据特征向量以及各数据段进行分析,将数据信息类别和数据结构类别考虑在内,从而准确确定最新数据的第一数据结构特征。如此,能够基于第一数据结构特征与第二数据结构特征之间的余弦距离对最新数据进行数据格式转换之后再存储。这样,能够确保将最新数据完整、准确且快速地存入数据库中。
以上实施方式中的各种技术特征可以任意进行组合,只要特征之间的组合不存在冲突或矛盾,但是限于篇幅,未进行一一描述,因此上述实施方式中的各种技术特征的任意进行组合也属于本说明书公开的范围。
与本申请应用于云计算的数据推送方法的实施例相对应,本申请还提供了应用于云计算的数据推送装置200及电子设备400的实施例。
请结合参阅图2,为数据推送装置200的功能模块框图,具体包括以下功能模块。
数据采集模块201,用于从智能终端处采集所述智能终端通过对用户输入的操作指令进行处理生成的用户行为数据;其中,所述操作指令包括触摸指令、语音指令或面部表情指令;所述用户行为数据包括以下四个类别的行为数据:行为参数、所述行为参数对应的生成时刻信息、所述行为参数对应的参数类别信息以及所述智能终端对应的数据格式信息。
向量提取模块202,用于提取所述用户行为数据对应的第一特征向量以及所述行为参数、所述生成时刻信息、所述参数类别信息以及所述数据格式信息分别对应的第二特征向量;其中,所述第一特征向量为N维向量,所述第二特征向量为N+1维向量,N为正整数,所述第二特征向量的最后一维特征值用于表征所述第二特征向量所对应的行为数据类别。
网络确定模块203,用于确定所述第一特征向量对应的第一向量网络以及每个第二特征向量的第二向量网络;其中,所述第一向量网络和每个第二向量网络中包括至少多个具有不同网络响应权重的网络节点,每个网络节点对应一个向量值,所述网络响应权重为网络节点对向量网络的收敛性影响系数,所述收敛性影响系数用于表征向量网络对应的特征向量的扩维值,所述第一向量网络和每个第二向量网络中的网络节点数量均为N个。
节点确定模块204,用于确定所述第一特征向量在所述第一向量网络中的任一网络响应权重的初始网络节点,将每个第二向量网络中的具有最大网络响应权重的网络节点确定为目标网络节点;获取所述初始网络节点与每个目标网络节点之间的节点信息相似度,所述节点信息相似度用于表征初始网络节点与每个目标网络节点在向量值层面的匹配度。
向量扩维模块205,用于基于每个节点信息相似度,确定每个第二特征向量相对于所述第一特征向量的扩维系数;根据确定出的所有扩维系数对所述第一特征向量进行扩维处理得到N+M维的目标特征向量,M为正整数。
数据推送模块206,用于根据所述目标特征向量从预设数据库中确定出至少一个期望数据,将所述期望数据推送给所述智能终端。
本申请应用于云计算的数据推送装置200的实施例可以应用在电子设备400上。其中,装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器基于网络接口将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图3所示,为本申请应用于云计算的数据推送装置200所在电子设备400的一种硬件结构图,除了图3所示的处理器410、内存430、网络接口440、以及非易失性存储器420之外,实施例中装置所在的设备通常根据该设备的实际功能,还可以包括其他硬件,图3中不再一一示出。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
在上述基础上,还提供了一种应用于计算机的可读存储介质,所述可读存储介质烧录有计算机程序,所述计算机程序在电子设备的内存中运行时实现上述的方法。
在上述基础上,还提供了一种应用于云计算的数据推送系统,所述系统包括互相之间通信的电子设备和智能终端。
所述智能终端,用于对用户输入的操作指令进行处理生成用户行为数据;其中,所述操作指令包括触摸指令、语音指令或面部表情指令;所述用户行为数据包括以下四个类别的行为数据:行为参数、所述行为参数对应的生成时刻信息、所述行为参数对应的参数类别信息以及所述智能终端对应的数据格式信息。
所述电子设备,用于从智能终端处采集所述用户行为数据。
所述电子设备,用于提取所述用户行为数据对应的第一特征向量以及所述行为参数、所述生成时刻信息、所述参数类别信息以及所述数据格式信息分别对应的第二特征向量;其中,所述第一特征向量为N维向量,所述第二特征向量为N+1维向量,N为正整数,所述第二特征向量的最后一维特征值用于表征所述第二特征向量所对应的行为数据类别。
所述电子设备,用于确定所述第一特征向量对应的第一向量网络以及每个第二特征向量的第二向量网络;其中,所述第一向量网络和每个第二向量网络中包括至少多个具有不同网络响应权重的网络节点,每个网络节点对应一个向量值,所述网络响应权重为网络节点对向量网络的收敛性影响系数,所述收敛性影响系数用于表征向量网络对应的特征向量的扩维值,所述第一向量网络和每个第二向量网络中的网络节点数量均为N个。
所述电子设备,用于确定所述第一特征向量在所述第一向量网络中的任一网络响应权重的初始网络节点,将每个第二向量网络中的具有最大网络响应权重的网络节点确定为目标网络节点;获取所述初始网络节点与每个目标网络节点之间的节点信息相似度,所述节点信息相似度用于表征初始网络节点与每个目标网络节点在向量值层面的匹配度。
所述电子设备,用于基于每个节点信息相似度,确定每个第二特征向量相对于所述第一特征向量的扩维系数;根据确定出的所有扩维系数对所述第一特征向量进行扩维处理得到N+M维的目标特征向量,M为正整数。
所述电子设备,用于根据所述目标特征向量从预设数据库中确定出至少一个期望数据,将所述期望数据推送给所述智能终端。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本领域技术人员在考虑说明书及实践这里申请的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、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申请的一般性原理并包括本申请未申请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,本申请的真正范围和精神由下面的权利要求指出。
应当理解的是,本申请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。本申请的范围仅由所附的权利要求来限制。