CN111582498A - 基于机器学习的qa辅助决策方法及系统 - Google Patents
基于机器学习的qa辅助决策方法及系统 Download PDFInfo
- Publication number
- CN111582498A CN111582498A CN202010364811.5A CN202010364811A CN111582498A CN 111582498 A CN111582498 A CN 111582498A CN 202010364811 A CN202010364811 A CN 202010364811A CN 111582498 A CN111582498 A CN 111582498A
- Authority
- CN
- China
- Prior art keywords
- model
- category
- sub
- model category
- classification model
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- 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
Abstract
本发明涉及机器学习技术领域,具体公开了基于机器学习的QA辅助决策方法及系统,方法,包括如下步骤:S1、从用户端获取评估指标,并获取数据库的地址;S2、从用户端获取预设的回归模型类别和分类模型类别;S3、从数据库中获取数据,从用户端接收回归模型类别或分类模型类别选取信息;S4、服务器根据选取的回归模型类别或分类模型类别,遍历回归模型类别或分类模型类别中所有子模型,将数据放入到每一子模型中进行训练和测试,选取准确率最高的子模型进行模型固化;S5、从用户端获取重置周期信息,在每个重置周期,重复S4;S6、服务器基于固化后的子模型对数据库内的数据进行实时预测。采用本发明的技术方案能够提高准确性和稳定性。
Description
技术领域
本发明涉及机器学习技术领域,特别涉及基于机器学习的QA辅助决策方法及系统。
背景技术
银行中,传统的QA(质量保证)主要依靠评估人员根据经验来设置一定的规则,用设置的规则对质量管理过程进行评估。这种方式的主要不足是,在需要评估的项目较多时,由于评估人员的数量有限,通常需要耗费大量的时间;而且由于人的精力有限,在巨大的工作量下,往往难以保证评估的准确性和稳定性。
随着机器学习相关技术的出现,利用机器学习取代人对质量管理过程等进行评估成为了可能。机器学习包括数据、算法和算力三个要素,机器学习拥有丰富的算法模型,比如逻辑回归模型(Logistics Regression)、支持向量机模型(SVM)、神经网络模型(NeuralNetwork)、决策树(Decision Tree)等,这些算法本质是将数据模型化,并利用训练数据来寻找最优的模型参数,以便准确的表达数据和处理数据。
在实际应用中为了保证评估的准确性,需要选择合适的算法模型;当前的做法通常是确定一个准确性较高的算法模型后,便一直采用此算法模型进行数据的处理。但是,由于不同的数据之间存在差异性,同样的算法模块并不能适应所有的数据处理,长期采用同一个算法模块难以确保评估的准确性和稳定性。
为此,需要一种能提高QA辅助决策准确性和稳定性的方法及系统。
发明内容
本发明提供了基于机器学习的QA辅助决策方法及系统,能够提高准确性和稳定性。
为了解决上述技术问题,本申请提供如下技术方案:
基于机器学习的QA辅助决策方法,包括如下步骤;
S1、服务器从用户端获取评估指标,并获取各评估指标对应数据的数据库的地址;
S2、服务器从用户端获取预设的回归模型类别和分类模型类别,回归模型类别和分类模型类别均包括若干子模型;
S3、服务器从数据库中获取数据,从用户端接收回归模型类别或分类模型类别选取信息;
S4、服务器根据选取的回归模型类别或分类模型类别,遍历回归模型类别或分类模型类别中所有子模型,将数据放入到每一子模型中进行训练和测试,选取准确率最高的子模型进行模型固化;
S5、服务器从用户端获取重置周期信息,在每个重置周期,重复S4;
S6、服务器基于固化后的子模型对数据库内的数据进行实时预测。
基础方案原理及有益效果如下:
本方案中,先获取回归模型类别或分类模型类别中的一种类别再进行后续操作,能降低后续训练和测试的规模,节约服务器的计算资源。通过遍历回归模型类别或分类模型类别中所有子模型,将数据放入到每一子模型中进行训练和测试,能提高子模型选取的准确性;通过获取重置周期信息,在每个重置周期,重复S4步骤,能有效避免长期采用同一个子模型带来的稳定性和准确性降低的问题。而且,采用本方案固化后的子模型对数据库内的数据进行实时预测,能大大提高评估的效率。
进一步,所述S2中,服务器还包括从用户端获取预设回归模型类别和分类模型类别下各子模型的参数配置。
通过预设参数配置,能使各子模型的针对性更强,以提高预测的准确性。
进一步,所述S1中,所述评估指标包括工作饱和度、缺陷发现率、自动化覆盖率和缺陷遗漏率中的一种或多种。
对各类型评估指标支持的数量多,在实际QA评估中的适应性更好。
进一步,所述S2中,回归模型类别的子模型包括逻辑回归模型和线性回归模型;分类模型类型的子模型包括贝叶斯分类模型和决策树分类模型。
提供较多的子模型供训练和测试,有助于选取到准确率最高的子模型。
进一步,所述S1中,数据库包括MYSQL、ES和ORACLE中的一种或多种。
支持的数据库种类多,在实际QA评估中的适应性较好。
进一步,所述S4中,当准确率最高子模型数量大于或等于两个时,获取每一子模型的资源消耗数据,选择资源消耗最少的子模型进行模型固化。
选择资源消耗最少的子模型进行模型固化,能在保证评估准确率的同时,降低系统资源消耗。
进一步,基于机器学习的QA辅助决策系统,包括用户端、数据库和服务器;
用户端用于输入评估指标,并设定各评估指标对应数据的数据库的地址;用户端还用于输入回归模型类别和分类模型类别,回归模型类别和分类模型类别均包括若干子模型;
数据库用于存储评估指标对应的数据;
用户端还用于输入回归模型类别或分类模型类别的选取信息;服务器用于从数据库获取数据,基于回归模型类别或分类模型类别的选择信息,遍历回归模型类别或分类模型类别中所有子模型,将数据放入到每一子模型中进行训练和测试;服务器还用于选取测试中准确率最高的子模型进行模型固化;
用户端还用于输入重置周期信息,服务器还用于在每个重置周期重新遍历回归模型类别或分类模型类别中所有子模型,将数据放入到每一子模型中进行训练和测试;并选取测试中准确率最高的子模型进行模型固化;
服务器还用于将数据库内的数据输入固化的模型内进行实时预测,并输出预测结果。
本方案中,服务器基于回归模型类别或分类模型类别的选择信息再进行后续操作,能降低后续训练和测试的规模,节约计算资源。服务器遍历回归模型类别或分类模型类别中所有子模型,将数据放入到每一子模型中进行训练和测试,能提高子模型选取的准确性;通过设定重置周期,在每个重置周期,重新遍历子模型进行训练和测试,能有效避免长期采用同一个子模型带来的稳定性和准确性降低的问题。而且,采用本方案中预测模式采用固化后的子模型对数据库内的数据进行实时预测,能大大提高评估的效率。
进一步,所述用户端还用于输入回归模型类别和分类模型类别下各子模型的参数配置。
通过输入参数配置,能使各子模型的针对性更强,以提高预测的准确性。
进一步,所述回归模型类别的子模型包括逻辑回归模型和线性回归模型;分类模型类型的子模型包括贝叶斯分类模型和决策树分类模型。
提供较多的子模型供训练和测试,有助于选取到准确率最高的子模型。
进一步,所述服务器还用于在准确率最高子模型数量大于或等于两个时,获取每一子模型的资源消耗数据,选择资源消耗最少的子模型进行模型固化。
训练模块通过选择资源消耗最少的子模型进行模型固化,能在保证评估准确率的同时,降低系统资源消耗。
附图说明
图1为实施例一基于机器学习的QA辅助决策方法的流程图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一
本实施例的基于机器学习的QA辅助决策系统,包括用户端、服务器和数据库。用户端、服务器和数据库之间网络连接。
用户端用于输入评估指标,并设定各评估指标对应数据的数据库的地址。评估指标包括工作饱和度、缺陷发现率、自动化覆盖率和缺陷遗漏率中的一种或多种,本实施例中,包括上述全部。数据库包括MYSQL、ES和ORACLE中的一种或多种;本实施例中,采用MYSQL。
用户端还用于设定回归模型类别和分类模型类别,回归模型类别和分类模型类别均包括若干子模型;用户端还用于输入回归模型类别和分类模型类别下各子模型的参数配置。本实施例中,回归模型类别的子模型包括逻辑回归模型和线性回归模型;分类模型类型的子模型包括贝叶斯分类模型和决策树分类模型。
用户端还用于输入回归模型类别或分类模型类别的选取信息;服务器用于从数据库获取数据,基于回归模型类别或分类模型类别的选择信息,遍历回归模型类别或分类模型类别中所有子模型,将数据放入到每一子模型中进行训练和测试;服务器还用于选取测试中准确率最高的子模型进行模型固化;本实施例中,模型固化具体为将选取的子模型生成一个PB文件。
用户端还用于输入重置周期信息,服务器还用于在每个重置周期重新遍历回归模型类别或分类模型类别中所有子模型,将数据放入到每一子模型中进行训练和测试;并选取测试中准确率最高的子模型进行模型固化。本实施例中,重置周期为1个月。
服务器还用于将数据库内的数据输入固化的模型内进行实时预测,并输出预测结果。
如图1所示,本实施例基于机器学习的QA辅助决策系统的基于机器学习的QA辅助决策方法,包括如下步骤:
S1、服务器从用户端获取评估指标,并获取各评估指标对应数据的数据库的地址;评估指标包括工作饱和度、缺陷发现率、自动化覆盖率和缺陷遗漏率中的一种或多种,本实施例中,包括上述全部。数据库包括MYSQL、ES和ORACLE中的一种或多种,本实施例中,采用MYSQL。
S2、服务器从用户端获取预设的回归模型类别和分类模型类别,回归模型类别和分类模型类别均包括若干子模型;从用户端获取预设的回归模型类别和分类模型类别下各子模型的参数配置;回归模型类别的子模型包括逻辑回归模型和线性回归模型等;分类模型类型的子模型包括贝叶斯分类模型和决策树分类模型等。
S3、服务器从数据库中获取数据,从用户端接收回归模型类别或分类模型类别选取信息。本实施例中,在人为选取回归模型类别或分类模型类别时,需要获取数据,建立图表,例如散点图;再根据图表中数据呈现的趋势选择更适合采用回归模型类别还是分类模型类别,然后再输入到用户端中。本实施中,数据具体指涉及用例、缺陷、还有需求等方面的数据。
S4、服务器根据选取的回归模型类别或分类模型类别,遍历回归模型类别或分类模型类别中所有子模型,将数据放入到每一子模型中进行训练和测试,选取准确率最高的子模型进行模型固化;本实施例中,具体采用交叉验证的方式将数据放入到每一子模型中进行训练和测试。
S5、从用户端获取重置周期信息,在每个重置周期,重复S4;本实施例中,重置周期为1个月,在其他实施例中,也可以根据实际情况设定。例如,重置周期为1个月时,每1个月重复一次S4。
S6、服务器基于固化后的子模型对数据库内的数据进行实时预测。
实施例二
本实施例和实施例一的区别在于,本实施例的基于机器学习的QA辅助决策系统中,服务器还用于在准确率最高子模型数量大于或等于两个时,获取每一子模型的资源消耗数据,选择资源消耗最少的子模型进行模型固化。
本实施例中基于机器学习的QA辅助决策方法,S4中,当准确率最高子模型数量大于或等于两个时,服务器获取每一子模型的资源消耗数据,选择资源消耗最少的子模型进行模型固化。
本实施例中,资源消耗具体指计算资源消耗,也就是CPU负载率。
实施例三
本实施例和实施例一的区别在于,本实施例的基于机器学习的QA辅助决策方法,还包括S7,服务器还基于预设的关键词库对预设的区域网站进行关键词匹配,如果匹配成功,服务器立即重复S4步骤;如果匹配不成功,服务器还基于预设的关键词对预设的全国网站进行关键词匹配,如果匹配成功,服务器立即重复S4步骤;如果匹配不成功,不执行其他动作。
预设的关键词库中包括若干热点词汇,例如房价上涨、股市下跌、建立规划区,地区封锁、疫区等。本实施例中,区域网站是指评估所覆盖区域的网站,例如是当地的新闻网站。预设的全国网站可以是门户新闻网站和搜索引擎的搜索热度展示网站等。
由于重置周期是提前设置的,容易出现没有根据实际情况进行及时调整的情况。例如某地爆发疫情,部分人员被隔间,部分商铺关门,对当地的经济产生了一定的影响,各评估指标对应数据也容易产生一定的变化。如果还是按照疫情爆发之前的设置的重置周期进行重置,可能会出现疫情期间预测的准确率降低的问题。本实施中,服务器还基于预设的关键词库对预设的区域网站进行关键词匹配,例如匹配到疫情相关的关键词就立即重复S4步骤,就可以重新对每一子模型中进行训练和测试;如果没有在预设的区域网站匹配到,再进行全国网站的匹配。通过上述步骤,使得重置周期的调整更灵活,更符合实际情况,能提高实时预测的准确率。
以上的仅是本发明的实施例,该发明不限于此实施案例涉及的领域,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.基于机器学习的QA辅助决策方法,其特征在于,包括如下步骤:
S1、服务器从用户端获取评估指标,并获取各评估指标对应数据的数据库的地址;
S2、服务器从用户端获取预设的回归模型类别和分类模型类别,回归模型类别和分类模型类别均包括若干子模型;
S3、服务器从数据库中获取数据,从用户端接收回归模型类别或分类模型类别选取信息;
S4、服务器根据选取的回归模型类别或分类模型类别,遍历回归模型类别或分类模型类别中所有子模型,将数据放入到每一子模型中进行训练和测试,选取准确率最高的子模型进行模型固化;
S5、服务器从用户端获取重置周期信息,在每个重置周期,重复S4;
S6、服务器基于固化后的子模型对数据库内的数据进行实时预测。
2.根据权利要求1所述的基于机器学习的QA辅助决策方法,其特征在于:所述S2中,服务器还包括从用户端获取预设回归模型类别和分类模型类别下各子模型的参数配置。
3.根据权利要求2所述的基于机器学习的QA辅助决策方法,其特征在于:所述S1中,所述评估指标包括工作饱和度、缺陷发现率、自动化覆盖率和缺陷遗漏率中的一种或多种。
4.根据权利要求3所述的基于机器学习的QA辅助决策方法,其特征在于:所述S2中,回归模型类别的子模型包括逻辑回归模型和线性回归模型;分类模型类型的子模型包括贝叶斯分类模型和决策树分类模型。
5.根据权利要求4所述的基于机器学习的QA辅助决策方法,其特征在于:所述S1中,数据库包括MYSQL、ES和ORACLE中的一种或多种。
6.根据权利要求1所述的基于机器学习的QA辅助决策方法,其特征在于:所述S4中,当准确率最高子模型数量大于或等于两个时,获取每一子模型的资源消耗数据,选择资源消耗最少的子模型进行模型固化。
7.基于机器学习的QA辅助决策系统,其特征在于:包括用户端、数据库和服务器;
用户端用于输入评估指标,并设定各评估指标对应数据的数据库的地址;用户端还用于输入回归模型类别和分类模型类别,回归模型类别和分类模型类别均包括若干子模型;
数据库用于存储评估指标对应的数据;
用户端还用于输入回归模型类别或分类模型类别的选取信息;服务器用于从数据库获取数据,基于回归模型类别或分类模型类别的选择信息,遍历回归模型类别或分类模型类别中所有子模型,将数据放入到每一子模型中进行训练和测试;服务器还用于选取测试中准确率最高的子模型进行模型固化;
用户端还用于输入重置周期信息,服务器还用于在每个重置周期重新遍历回归模型类别或分类模型类别中所有子模型,将数据放入到每一子模型中进行训练和测试;并选取测试中准确率最高的子模型进行模型固化;
服务器还用于将数据库内的数据输入固化的模型内进行实时预测,并输出预测结果。
8.根据权利要求7所述的基于机器学习的QA辅助决策系统,其特征在于:所述用户端还用于输入回归模型类别和分类模型类别下各子模型的参数配置。
9.根据权利要求8所述的基于机器学习的QA辅助决策系统,其特征在于:所述回归模型类别的子模型包括逻辑回归模型和线性回归模型;分类模型类型的子模型包括贝叶斯分类模型和决策树分类模型。
10.根据权利要求7所述的基于机器学习的QA辅助决策系统,其特征在于:所述服务器还用于在准确率最高子模型数量大于或等于两个时,获取每一子模型的资源消耗数据,选择资源消耗最少的子模型进行模型固化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010364811.5A CN111582498B (zh) | 2020-04-30 | 2020-04-30 | 基于机器学习的qa辅助决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010364811.5A CN111582498B (zh) | 2020-04-30 | 2020-04-30 | 基于机器学习的qa辅助决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582498A true CN111582498A (zh) | 2020-08-25 |
CN111582498B CN111582498B (zh) | 2023-05-12 |
Family
ID=72111949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010364811.5A Active CN111582498B (zh) | 2020-04-30 | 2020-04-30 | 基于机器学习的qa辅助决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582498B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994024636A1 (en) * | 1993-04-13 | 1994-10-27 | University Of Strathclyde | Recognition system |
CN101364955A (zh) * | 2008-09-28 | 2009-02-11 | 杭州电子科技大学 | 一种分析和提取电子邮件客户端证据的方法 |
CN107229976A (zh) * | 2017-06-08 | 2017-10-03 | 郑州云海信息技术有限公司 | 一种基于spark的分布式机器学习系统 |
CN108023876A (zh) * | 2017-11-20 | 2018-05-11 | 西安电子科技大学 | 基于可持续性集成学习的入侵检测方法及入侵检测系统 |
CN108763284A (zh) * | 2018-04-13 | 2018-11-06 | 华南理工大学 | 一种基于深度学习和主题模型的问答系统实现方法 |
CN108829818A (zh) * | 2018-06-12 | 2018-11-16 | 中国科学院计算技术研究所 | 一种文本分类方法 |
CN109344236A (zh) * | 2018-09-07 | 2019-02-15 | 暨南大学 | 一种基于多种特征的问题相似度计算方法 |
CN109446251A (zh) * | 2018-09-04 | 2019-03-08 | 北京睿企信息科技有限公司 | 分布式人工智能应用开发的系统及方法 |
US20190102693A1 (en) * | 2017-09-29 | 2019-04-04 | Facebook, Inc. | Optimizing parameters for machine learning models |
US20190102656A1 (en) * | 2017-09-29 | 2019-04-04 | Here Global B.V. | Method, apparatus, and system for providing quality assurance for training a feature prediction model |
US10303688B1 (en) * | 2018-06-13 | 2019-05-28 | Stardog Union | System and method for reducing data retrieval delays via prediction-based generation of data subgraphs |
CN109871809A (zh) * | 2019-02-22 | 2019-06-11 | 福州大学 | 一种基于语义网的机器学习流程智能组装方法 |
US20190317885A1 (en) * | 2019-06-27 | 2019-10-17 | Intel Corporation | Machine-Assisted Quality Assurance and Software Improvement |
CN110796270A (zh) * | 2019-10-25 | 2020-02-14 | 深圳市超算科技开发有限公司 | 一种机器学习模型选择方法 |
US20200074325A1 (en) * | 2018-08-29 | 2020-03-05 | National Chiao Tung University | Systems and Methods for Creating an Optimal Prediction Model and Obtaining Optimal Prediction Results Based on Machine Learning |
CN110880007A (zh) * | 2018-09-06 | 2020-03-13 | 张云霄 | 一种机器学习算法自动选择方法和系统 |
-
2020
- 2020-04-30 CN CN202010364811.5A patent/CN111582498B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994024636A1 (en) * | 1993-04-13 | 1994-10-27 | University Of Strathclyde | Recognition system |
CN101364955A (zh) * | 2008-09-28 | 2009-02-11 | 杭州电子科技大学 | 一种分析和提取电子邮件客户端证据的方法 |
CN107229976A (zh) * | 2017-06-08 | 2017-10-03 | 郑州云海信息技术有限公司 | 一种基于spark的分布式机器学习系统 |
US20190102693A1 (en) * | 2017-09-29 | 2019-04-04 | Facebook, Inc. | Optimizing parameters for machine learning models |
US20190102656A1 (en) * | 2017-09-29 | 2019-04-04 | Here Global B.V. | Method, apparatus, and system for providing quality assurance for training a feature prediction model |
CN108023876A (zh) * | 2017-11-20 | 2018-05-11 | 西安电子科技大学 | 基于可持续性集成学习的入侵检测方法及入侵检测系统 |
CN108763284A (zh) * | 2018-04-13 | 2018-11-06 | 华南理工大学 | 一种基于深度学习和主题模型的问答系统实现方法 |
CN108829818A (zh) * | 2018-06-12 | 2018-11-16 | 中国科学院计算技术研究所 | 一种文本分类方法 |
US10303688B1 (en) * | 2018-06-13 | 2019-05-28 | Stardog Union | System and method for reducing data retrieval delays via prediction-based generation of data subgraphs |
US20200074325A1 (en) * | 2018-08-29 | 2020-03-05 | National Chiao Tung University | Systems and Methods for Creating an Optimal Prediction Model and Obtaining Optimal Prediction Results Based on Machine Learning |
CN109446251A (zh) * | 2018-09-04 | 2019-03-08 | 北京睿企信息科技有限公司 | 分布式人工智能应用开发的系统及方法 |
CN110880007A (zh) * | 2018-09-06 | 2020-03-13 | 张云霄 | 一种机器学习算法自动选择方法和系统 |
CN109344236A (zh) * | 2018-09-07 | 2019-02-15 | 暨南大学 | 一种基于多种特征的问题相似度计算方法 |
CN109871809A (zh) * | 2019-02-22 | 2019-06-11 | 福州大学 | 一种基于语义网的机器学习流程智能组装方法 |
US20190317885A1 (en) * | 2019-06-27 | 2019-10-17 | Intel Corporation | Machine-Assisted Quality Assurance and Software Improvement |
CN110796270A (zh) * | 2019-10-25 | 2020-02-14 | 深圳市超算科技开发有限公司 | 一种机器学习模型选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111582498B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110147456B (zh) | 一种图像分类方法、装置、可读存储介质及终端设备 | |
JP6384065B2 (ja) | 情報処理装置、学習方法、及び、プログラム | |
CN109117380B (zh) | 一种软件质量评价方法、装置、设备及可读存储介质 | |
US11694124B2 (en) | Artificial intelligence (AI) based predictions and recommendations for equipment | |
CN107015875B (zh) | 一种电子整机贮存寿命评估方法及装置 | |
US20050049913A1 (en) | Method and apparatus for automated feature selection | |
CN111369299A (zh) | 识别的方法、装置、设备及计算机可读存储介质 | |
WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
US20170337240A1 (en) | Software function verification system and software function verification method | |
CN111582488A (zh) | 一种事件推演方法及装置 | |
Mendonça et al. | Approximating network centrality measures using node embedding and machine learning | |
Protalinskiy et al. | Strategic decision support in the process of manufacturing systems management | |
CN113869521A (zh) | 构建预测模型的方法、装置、计算设备和存储介质 | |
CN115114421A (zh) | 一种问答模型训练方法 | |
Ferone et al. | Combining simulation with a GRASP metaheuristic for solving the permutation flow-shop problem with stochastic processing times | |
Karaulova et al. | Framework of reliability estimation for manufacturing processes | |
Mehdiyev et al. | Quantifying and explaining machine learning uncertainty in predictive process monitoring: An operations research perspective | |
Li et al. | Rough set-based approach for modeling relationship measures in product planning | |
CN111079175B (zh) | 数据处理方法、装置、计算机可读存储介质和计算机设备 | |
JP2019101681A (ja) | 見積り取得装置、見積り取得方法およびプログラム | |
CN111582498A (zh) | 基于机器学习的qa辅助决策方法及系统 | |
US11803464B2 (en) | System for automatic identification and selection of optimization metrics and accompanying models in experimentation platforms | |
López-Morales | A reliable method for consistency improving of interval multiplicative preference relations expressed under uncertainty | |
CN111061875B (zh) | 超参数确定方法、装置、计算机设备和存储介质 | |
CN113987261A (zh) | 一种基于动态信任感知的视频推荐方法及系统 |
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 |