CN111639182A - 一种项目需求分析方法和系统 - Google Patents

一种项目需求分析方法和系统 Download PDF

Info

Publication number
CN111639182A
CN111639182A CN202010406110.3A CN202010406110A CN111639182A CN 111639182 A CN111639182 A CN 111639182A CN 202010406110 A CN202010406110 A CN 202010406110A CN 111639182 A CN111639182 A CN 111639182A
Authority
CN
China
Prior art keywords
project
solution
module
text
requirement analysis
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.)
Pending
Application number
CN202010406110.3A
Other languages
English (en)
Inventor
郑翔
戴渝
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.)
China Citic Bank Corp Ltd
Original Assignee
China Citic Bank Corp 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 China Citic Bank Corp Ltd filed Critical China Citic Bank Corp Ltd
Priority to CN202010406110.3A priority Critical patent/CN111639182A/zh
Publication of CN111639182A publication Critical patent/CN111639182A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • 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
    • G06F16/334—Query execution

Abstract

本申请提供了一种项目需求分析方法，其中，该方法包括：输入项目需求下列出的待解决问题；通过文本挖掘搜集所述待解决问题的关联问题；对所述关联问题进行文本聚类并形成项目核心问题列表；根据分治策略将所述核心问题分解成多个简单问题；建立历史项目案例参考库，将所述简单问题与所述历史项目案例参考库分别匹配以获取对应的解决方案。

Description

一种项目需求分析方法和系统
技术领域
本申请涉及计算机技术领域，具体而言，本申请涉及一种项目需求分析方法和系统。
背景技术
传统的项目需求分析的方式是业务/客户主动提出需求，项目团队人员很少/很难主动发现需求。都是业务/客户写好需求文档提交给需求分析人员进行分析。
随着计算机软件应用愈加广泛，出现了借助于计算机软件对项目需求进行分析的方式。但现有技术仍然按照传统项目需求分析的思路，基于需求方提供的信息进行需求分析。其存在如下两个问题：一是完全依赖需求方信息，在需求方的需求并不明确的情况下，可能会导致需求分析结果不完整或不准确的情况；二是现有技术中计算机软件只能完成需求分析中的数据整理部分，其余部分仍然需要依赖人工经验通过需求分析人员来完成，使得需求分析的效率相对低下。
发明内容
本申请提供了一种项目需求分析方法和系统，在项目需求分析执行过程中，通过文本挖掘和文本聚类进一步发现问题，充分挖掘需求，解决了现有技术可能导致需求分析结果不完整或不准确的情况；利用历史项目经验和决策模型判断最优结果，最大限度减少对人工经验的依赖。本申请采用的技术方案如下：
第一方面，提供了一种项目需求分析方法，该方法包括：
输入项目需求下列出的待解决问题；
通过文本挖掘搜集所述待解决问题的关联问题；
对所述关联问题进行文本聚类并形成项目核心问题列表；
根据分治策略将所述核心问题分解成多个简单问题；
建立历史项目案例参考库，将所述简单问题与所述历史项目案例参考库分别匹配以获取对应的解决方案。
优选地，在上述项目需求分析方法中，建立量化决策模型，如所述对应的解决方案多于一个，则将所述多于一个的解决方案引入所述量化决策模型，并从所述多于一个的解决方案中筛选出最优的解决方案。
第二方面，提供了一种项目需求分析系统，所述项目需求分析系统包括：问题输入模块、文本挖掘模块、文本聚类模块、问题分解模块、问题解决模块，其中：
所述问题输入模块，用于输入项目需求下列出的待解决问题；
所述文本挖掘模块，用于通过文本挖掘搜集所述待解决问题的关联问题；
所述文本聚类模块，用于对所述关联问题进行文本聚类并形成项目核心问题列表；
所述问题分解模块，用于根据分治策略将所述核心问题分解成多个简单问题；
所述问题解决模块，用于建立历史项目案例参考库，将所述简单问题与所述历史项目案例参考库分别匹配以获取对应的解决方案。
优选地，在上述项目需求分析系统中，所述项目需求分析系统还包括决策模块，所述决策模块用于：建立量化决策模型，如所述对应的解决方案多于一个，则将所述多于一个的解决方案引入所述量化决策模型，并从所述多于一个的解决方案中筛选出最优的解决方案。
第三方面，提供了一种项目需求分析设备，其包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述服务模拟设备运行时，所述处理器与所述存储介质之间通过所述总线通信，所述处理器执行所述机器可读指令，以执行前述的项目需求分析方法的步骤。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行前述的项目需求分析方法的步骤。
本申请提供了一种项目需求分析方法和系统，与现有技术一方面完全依赖需求方信息，在需求方的需求并不明确的情况下，可能会导致需求分析结果不完整或不准确的情况；另一方面现有技术中计算机软件只能完成需求分析中的数据整理部分，其余部分仍然需要依赖人工经验通过需求分析人员来完成，使得需求分析的效率相对低下相比，本申请中，通过文本挖掘和文本聚类进一步发现问题，充分挖掘需求，解决了现有技术可能导致需求分析结果不完整或不准确的情况；利用历史项目经验和决策模型判断最优结果，相对于现有技术最大限度减少对人工经验的依赖。
本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例的一种项目需求分析方法的业务流程图；
图2为本申请实施例的一种项目需求分析系统的结构图；
具体实施方式
下面详细描述本申请的实施例，各实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
下面以具体地实施例对本申请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，对本申请的实施例进行描述。
实施例一
本申请实施例提供了一种项目需求分析方法，如图1所示，该方法可以包括以下步骤：
步骤一，输入项目需求下列出的待解决问题。
步骤二，通过文本挖掘搜集所述待解决问题的关联问题。
具体地，在本过程中,需要借助文本挖掘来辅助工作的开展。文本挖掘技术是从各种半结构无结构化的文本数据中发现潜在的概念以及概念间的相互联系,通过该技术的运用可以在大量的技术文档、研究论文、书籍以及web页面等资料中发现更多与项目有关的问题。
步骤三，对所述关联问题进行文本聚类并形成项目核心问题列表。
具体地，在本过程中,需要借助文本聚类来辅助工作的开展。而文本聚类技术主要依据聚类假设：同类的文档相似度较大,非同类的文档相似度较小。具有较高的灵活性和自动化处理能力,是对文本信息进行有效组织、摘要和导航的重要手段。由于挖掘过程会产生大量的相关信息,并且还会包含重复和无用的部分，通过运用文本聚类技术，可以将所挖掘的问题进行归纳和总结,从而形成高度概括，针对性强的挖掘结果，即形成项目核心问题列表。
步骤四，根据分治策略将所述核心问题分解成多个简单问题。
具体地，对核心问题的分解可以使用经典算法之一分治法。分治法的思想是：将一个难以直接解决的大问题，分割成一些规模较小的相同问题，以便各个击破，分而治之。分治策略是：对于一个规模为n的问题，若该问题可以容易地解决(比如说规模n较小)则直接解决，否则将其分解为k个规模较小的子问题，这些子问题互相独立且与原问题形式相同，递归地解这些子问题，然后将各子问题的解合并得到原问题的解。这种算法设计策略叫做分治法。
如果原问题可分割成k个子问题，1<k≤n，且这些子问题都可解并可利用这些子问题的解求出原问题的解，那么这种分治法就是可行的。由分治法产生的子问题往往是原问题的较小模式，这就为使用递归技术提供了方便。在这种情况下，反复应用分治手段，可以使子问题与原问题类型一致而其规模却不断缩小，最终使子问题缩小到很容易直接求出其解。分治法用结构化语言描述如下：
AM(P)
if|P|≤n0
then S←BA(P)△S为子问题集
else△将P分解为较小的子问题P1,P2,…,Pk
for i←1to k
do AM(Pi)△递归解决Pi
end if
return S
AM(P)是指核心问题分治法算法，其中|P|表示问题P的规模；n0为一阈值，表示当问题P的规模不超过n0时，问题已容易直接解出，不必再继续分解。BA算法负责将该问题直接加入子问题集S中。若问题P的规模超过阈值时，继续调用AM算法进行递归。
步骤五，建立历史项目案例参考库，将所述简单问题与所述历史项目案例参考库分别匹配以获取对应的解决方案。
具体地，建立了历史项目案例参考库，将所述简单问题与所述历史项目案例参考库分别匹配以获取对应的解决方案。同时建立了量化决策模型以实现自动化的决策。量化决策模型，例如可以为TCPF评估模型，该模型将对子问题的某个解就其时间、成本、人力和复杂度四个属性进行量化，并按照不同的信息化项目实施情况进行加权，并按照以下的计算公式产生评估值：X＝(T×Pt+C×Pc+P×Pp+F×Pf)/(T+C+P+F)。其中T、C、P、F分别为时间、成本、人力、复杂性的权重。Pt、Pc、Pp、Pf分别为对某个解的时间、成本、人力、复杂性的一个量化评估，数值越高，说明该方案在对应的方面要求越大。因此理论上，当x取最小值的时候，说明解越优。权重T、C、P、F的确定需要根据不同需要灵活变化：对于进度要求比较紧的需求，就需要加大时间的权重；对于成本控制比较高的需求，需要加大成本的权重；对于人力要求比较高的需求，需要加大人力的权重；对于一些受环境影响不确定的需求或易变更的需求，就需要加大对复杂性的权重。
当前述所述对应的解决方案为一个时，直接根据匹配结果输出解决方案。当前述所述对应的解决方案多于一个时，则将所述多于一个的解决方案引入所述量化决策模型，并从所述多于一个的解决方案中筛选出最优的解决方案并输出。
实施例二
如图2所示，提供了一种项目需求分析系统，所述项目需求分析系统包括：问题输入模块、文本挖掘模块、文本聚类模块、问题分解模块、问题解决模块，其中：
所述问题输入模块，用于输入项目需求下列出的待解决问题。
所述文本挖掘模块，用于通过文本挖掘搜集所述待解决问题的关联问题。
具体地，在本过程中，文本挖掘模块需要借助文本挖掘来辅助工作的开展。文本挖掘技术是从各种半结构无结构化的文本数据中发现潜在的概念以及概念间的相互联系,通过该技术的运用可以在大量的技术文档、研究论文、书籍以及web页面等资料中发现更多与项目有关的问题。
所述文本聚类模块，用于对所述关联问题进行文本聚类并形成项目核心问题列表。
具体地，在本过程中，文本聚类模块需要借助文本聚类来辅助工作的开展。而文本聚类技术主要依据聚类假设：同类的文档相似度较大,非同类的文档相似度较小。具有较高的灵活性和自动化处理能力,是对文本信息进行有效组织、摘要和导航的重要手段。由于挖掘过程会产生大量的相关信息,并且还会包含重复和无用的部分，通过运用文本聚类技术，可以将所挖掘的问题进行归纳和总结,从而形成高度概括，针对性强的挖掘结果，即形成项目核心问题列表。
所述问题分解模块，用于根据分治策略将所述核心问题分解成多个简单问题。
具体地，问题分解模块对核心问题的分解可以使用经典算法之一分治法。分治法的思想是：将一个难以直接解决的大问题，分割成一些规模较小的相同问题，以便各个击破，分而治之。分治策略是：对于一个规模为n的问题，若该问题可以容易地解决(比如说规模n较小)则直接解决，否则将其分解为k个规模较小的子问题，这些子问题互相独立且与原问题形式相同，递归地解这些子问题，然后将各子问题的解合并得到原问题的解。这种算法设计策略叫做分治法。
如果原问题可分割成k个子问题，1<k≤n，且这些子问题都可解并可利用这些子问题的解求出原问题的解，那么这种分治法就是可行的。由分治法产生的子问题往往是原问题的较小模式，这就为使用递归技术提供了方便。在这种情况下，反复应用分治手段，可以使子问题与原问题类型一致而其规模却不断缩小，最终使子问题缩小到很容易直接求出其解。分治法用结构化语言描述如下：
AM(P)
if|P|≤n0
then S←BA(P)△S为子问题集
else△将P分解为较小的子问题P1,P2,…,Pk
for i←1to k
do AM(Pi)△递归解决Pi
end if
return S
AM(P)是指核心问题分治法算法，其中|P|表示问题P的规模；n0为一阈值，表示当问题P的规模不超过n0时，问题已容易直接解出，不必再继续分解。BA算法负责将该问题直接加入子问题集S中。若问题P的规模超过阈值时，继续调用AM算法进行递归。
所述问题解决模块，用于建立历史项目案例参考库，将所述简单问题与所述历史项目案例参考库分别匹配以获取对应的解决方案。
具体地，问题解决模块建立了历史项目案例参考库，将所述简单问题与所述历史项目案例参考库分别匹配以获取对应的解决方案。同时建立了量化决策模型以实现自动化的决策。量化决策模型，例如可以为TCPF评估模型，该模型将对子问题的某个解就其时间、成本、人力和复杂度四个属性进行量化，并按照不同的信息化项目实施情况进行加权，并按照以下的计算公式产生评估值：X＝(T×Pt+C×Pc+P×Pp+F×Pf)/(T+C+P+F)。其中T、C、P、F分别为时间、成本、人力、复杂性的权重。Pt、Pc、Pp、Pf分别为对某个解的时间、成本、人力、复杂性的一个量化评估，数值越高，说明该方案在对应的方面要求越大。因此理论上，当x取最小值的时候，说明解越优。权重T、C、P、F的确定需要根据不同需要灵活变化：对于进度要求比较紧的需求，就需要加大时间的权重；对于成本控制比较高的需求，需要加大成本的权重；对于人力要求比较高的需求，需要加大人力的权重；对于一些受环境影响不确定的需求或易变更的需求，就需要加大对复杂性的权重。
当前述所述对应的解决方案为一个时，直接根据匹配结果输出解决方案。当前述所述对应的解决方案多于一个时，则将所述多于一个的解决方案引入所述量化决策模型，并从所述多于一个的解决方案中筛选出最优的解决方案并输出。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (6)

1.一种项目需求分析方法，其特征在于，包括：
输入项目需求下列出的待解决问题；
通过文本挖掘搜集所述待解决问题的关联问题；
对所述关联问题进行文本聚类并形成项目核心问题列表；
根据分治策略将所述核心问题分解成多个简单问题；
建立历史项目案例参考库，将所述简单问题与所述历史项目案例参考库分别匹配以获取对应的解决方案。
2.根据权利要求1所述的一种项目需求分析方法，其特征在于，建立量化决策模型，如所述对应的解决方案多于一个，则将所述多于一个的解决方案引入所述量化决策模型，并从所述多于一个的解决方案中筛选出最优的解决方案。
3.一种项目需求分析系统，其特征在于，所述项目需求分析系统包括：问题输入模块、文本挖掘模块、文本聚类模块、问题分解模块、问题解决模块，其中：
所述问题输入模块，用于输入项目需求下列出的待解决问题；
所述文本挖掘模块，用于通过文本挖掘搜集所述待解决问题的关联问题；
所述文本聚类模块，用于对所述关联问题进行文本聚类并形成项目核心问题列表；
所述问题分解模块，用于根据分治策略将所述核心问题分解成多个简单问题；
所述问题解决模块，用于建立历史项目案例参考库，将所述简单问题与所述历史项目案例参考库分别匹配以获取对应的解决方案。
4.根据权利要求3所述的一种项目需求分析系统，其特征在于，所述项目需求分析系统还包括决策模块，所述决策模块用于：建立量化决策模型，如所述对应的解决方案多于一个，则将所述多于一个的解决方案引入所述量化决策模型，并从所述多于一个的解决方案中筛选出最优的解决方案。
5.一种项目需求分析设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当所述服务模拟设备运行时，所述处理器与所述存储介质之间通过所述总线通信，所述处理器执行所述机器可读指令，以执行权利要求1或2所述的项目需求分析方法的步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行权利要求1或2所述的项目需求分析方法的步骤。
CN202010406110.3A 2020-05-12 2020-05-12 一种项目需求分析方法和系统 Pending CN111639182A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010406110.3A CN111639182A (zh) 2020-05-12 2020-05-12 一种项目需求分析方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010406110.3A CN111639182A (zh) 2020-05-12 2020-05-12 一种项目需求分析方法和系统

Publications (1)

Publication Number Publication Date
CN111639182A true CN111639182A (zh) 2020-09-08

Family

ID=72332045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010406110.3A Pending CN111639182A (zh) 2020-05-12 2020-05-12 一种项目需求分析方法和系统

Country Status (1)

Country Link
CN (1) CN111639182A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113220291A (zh) * 2021-04-30 2021-08-06 上海适享文化传播有限公司 通过抽象程序调用的一种高复用的代码实现方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509170A (zh) * 2011-10-10 2012-06-20 浙江鸿程计算机系统有限公司 一种基于历史轨迹数据挖掘的位置预测系统及方法
CN108876452A (zh) * 2018-06-12 2018-11-23 广东电网有限责任公司 用电客户需求信息获取方法、装置以及电子设备
CN109145031A (zh) * 2018-08-20 2019-01-04 国网安徽省电力有限公司合肥供电公司 一种面向业务市场接入需求的多源数据多维重构方法
CN110322217A (zh) * 2019-06-11 2019-10-11 同济大学 基于模板的制造云服务需求分解系统及方法
CN110782123A (zh) * 2019-09-18 2020-02-11 中国平安财产保险股份有限公司 决策方案的匹配方法、装置、计算机设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509170A (zh) * 2011-10-10 2012-06-20 浙江鸿程计算机系统有限公司 一种基于历史轨迹数据挖掘的位置预测系统及方法
CN108876452A (zh) * 2018-06-12 2018-11-23 广东电网有限责任公司 用电客户需求信息获取方法、装置以及电子设备
CN109145031A (zh) * 2018-08-20 2019-01-04 国网安徽省电力有限公司合肥供电公司 一种面向业务市场接入需求的多源数据多维重构方法
CN110322217A (zh) * 2019-06-11 2019-10-11 同济大学 基于模板的制造云服务需求分解系统及方法
CN110782123A (zh) * 2019-09-18 2020-02-11 中国平安财产保险股份有限公司 决策方案的匹配方法、装置、计算机设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113220291A (zh) * 2021-04-30 2021-08-06 上海适享文化传播有限公司 通过抽象程序调用的一种高复用的代码实现方法

Similar Documents

Publication Publication Date Title
Sun et al. Feature selection using rough entropy-based uncertainty measures in incomplete decision systems
JP4332129B2 (ja) 文書分類プログラム、文書分類方法および文書分類装置
US11416552B2 (en) Graph updating apparatus, graph updating method and program
CN111209974A (zh) 基于张量分解的异构大数据核心特征提取的方法及系统
Bharill et al. Fuzzy based clustering algorithms to handle big data with implementation on Apache Spark
CN106599122B (zh) 一种基于垂直分解的并行频繁闭序列挖掘方法
Ben HajKacem et al. STiMR k-means: an efficient clustering method for big data
Sowkuntla et al. MapReduce based parallel attribute reduction in Incomplete Decision Systems
Grassia et al. Learning multi-stage sparsification for maximum clique enumeration
WO2008073055A1 (en) Method and device of determining co-clusters from a dataset
CN111639182A (zh) 一种项目需求分析方法和系统
Ruberto et al. Genetic programming with semantic equivalence classes
Jain et al. Solving inexact graph isomorphism problems using neural networks
JP2012079225A (ja) 協調フィルタリング処理方法およびプログラム
US20220188647A1 (en) Model learning apparatus, data analysis apparatus, model learning method and program
Münker et al. CAD-Based Product Partitioning for Automated Disassembly Sequence Planning with Community Detection
CN113052222A (zh) 特征分箱方法、电子设备及存储介质
Fleites et al. Large-Scale Correlation-Based Semantic Classification Using MapReduce.
Gupta et al. Fuzzy rough set-based feature selection for text categorization
Pollner et al. Parallel clustering with CFinder
Mirzal Similarity-based matrix completion algorithm for latent semantic indexing
Esgin et al. Extracting process hierarchies by multi-sequence alignment adaptations
WO2006013549A1 (en) Method and apparatus for automatic pattern analysis
Jittawiriyanukoon Granularity analysis of classification and estimation for complex datasets with MOA
Bożejko et al. Parallel single-thread strategies in scheduling

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200908