CN111931945A - 基于标签引擎的数据处理方法、装置、设备及存储介质 - Google Patents
基于标签引擎的数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111931945A CN111931945A CN202010761515.9A CN202010761515A CN111931945A CN 111931945 A CN111931945 A CN 111931945A CN 202010761515 A CN202010761515 A CN 202010761515A CN 111931945 A CN111931945 A CN 111931945A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- data
- tag
- label
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 28
- 238000010801 machine learning Methods 0.000 claims abstract description 199
- 238000012545 processing Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 36
- 230000015654 memory Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012805 post-processing Methods 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000007499 fusion processing Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本申请公开了一种基于标签引擎的数据处理方法、装置、设备和存储介质。涉及人工智能的数据处理技术领域,尤其涉及标签引擎技术、深度学习技术和大数据技术领域。具体实现方案为:若监测到存储空间中的标签数据满足预设条件,则接入机器学习设备;向所述机器学习设备发送所述标签数据,以使所述机器学习设备处理所述标签数据,得到预测结果;获取所述机器学习设备输出的预测结果。能够实现将机器学习模型与标签引擎相结合,来进行大数据的处理,为标签引擎的数据处理提供了一种新思路。
Description
技术领域
本申请涉及人工智能的数据处理技术领域,尤其涉及标签引擎技术、深度学习技术和大数据技术领域,具体涉及一种基于标签引擎的数据处理方法、装置、设备及存储介质。
背景技术
随着大数据处理和人工智能技术的发展,机器学习模型和标签引擎的应用越来越普遍。为了提高大数据处理的精准性,出现了将机器学习模型和标签引擎相结合,来进行大数据处理的需求。但是受分布式部署的标签引擎和单机部署的机器学习模型的部署环境和工作方式的限制,该需求目前还无法实现,亟需改进。
发明内容
本公开提供了一种基于标签引擎的数据处理方法、装置、设备及存储介质。
根据本公开的一方面,提供了一种基于标签引擎的数据处理方法,包括:
若监测到存储空间中的标签数据满足预设条件,则接入机器学习设备;
向所述机器学习设备发送所述标签数据,以使所述机器学习设备处理所述标签数据,得到预测结果;
获取所述机器学习设备输出的预测结果。
根据本公开的另一方面,提供了一种基于标签引擎的数据处理装置,包括:
系统接入模块,用于若监测到存储空间中的标签数据满足预设条件,则接入机器学习设备;
数据发送模块,用于向所述机器学习设备发送所述标签数据,以使所述机器学习设备处理所述标签数据,得到预测结果;
结果获取模块,用于获取所述机器学习设备输出的预测结果。
根据本公开的另一方面,提供了一种电子设备,该电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请任一实施例所述的基于标签引擎的数据处理方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行本申请任一实施例所述的基于标签引擎的数据处理方法。
根据本申请的技术能够实现将机器学习模型与标签引擎相结合,来进行大数据的处理,为标签引擎的数据处理提供了一种新思路。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请实施例提供的一种基于标签引擎的数据处理方法的流程图;
图2是根据本申请实施例提供的另一种基于标签引擎的数据处理方法的流程图;
图3A是根据本申请实施例提供的另一种基于标签引擎的数据处理方法的流程图;
图3B是根据本申请实施例提供的标签引擎的数据处理系统的架构图;
图4是根据本申请实施例提供的一种基于标签引擎的数据处理装置的结构示意图;
图5是用来实现本申请实施例的基于标签引擎的数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请实施例提供的一种基于标签引擎的数据处理方法的流程图。本申请实施例适用于基于标签引擎对大数据进行处理的情况,具体适用于将标签引擎与机器学习模型融合,来对大数据进行处理的情况。例如,将标签引擎和意图预测模型融合,对用户数据进行标签计算任务处理和意图预测的情况。该实施例可以由配置于分布式场景下的标签引擎来执行,具体由配置于标签引擎所属设备内的基于标签引擎的数据处理装置来执行,该装置可以采用软件和/或硬件来实现。可选的,本申请实施例的标签引擎可以是用于对大数据进行标签任务计算的平台,该标签引擎多配置于分布式场景中的,例如,可以是配置在分布式场景下的多台电子设备中,还可以是配置在不同用户的应用程序客户端中。其中,标签引擎的底层配置有多种标签计算任务的计算逻辑,从而实现对大数据进行多种不同标签计算任务的处理。
如图1所示,该方法包括:
S101,若监测到存储空间中的标签数据满足预设条件,则接入机器学习设备。
其中,本申请实施例中的标签数据可以是标签引擎对大数据进行标签计算任务处理后得到的数据。存储空间可以是标签引擎进行数据存储的存储介质。该存储空间可以是:分布式文件系统(Hadoop Distributed File System,HDFS)、关系型数据库管理系统MySQL和专家系统(ExpertSystem,ES)等中的至少一个。机器学习设备可以是部署有至少一个机器学习模型的电子设备,该机器学习设备能够提供目标分类、目标识别或意图识别等模型预测服务。例如,假设该机器学习设备中包含意图预测模型,则该机器学习设备可以调用意图学习模型提供用户意图预测的服务,如预测用户是否为犯罪嫌疑人。
可选的,在本申请实施例中,标签引擎进行标签计算任务处理得到标签数据后,并没有结束对数据的处理,还需要结合机器学习设备对得到的该标签数据进行进一步的预测处理。所以本申请实施例中的标签引擎可以将计算得到的标签数据先存储在存储空间中,当存储空间中的标签数据满足预设条件时,触发标签引擎接入机器学习设备。
可选的,本申请实施例判断标签引擎是否需要接入机器学习设备的预设条件可以有很多,对此不进行限定。例如,可以是监测存储空间中的标签数据的种类和/或数量是否满足机器学习设备执行当前模型预测服务所对应的种类和/或数量的要求,若是,则满足预设条件;还可以是监测标签引擎本次执行标签计算任务的操作是否完成,且计算出的标签数据是否都已存储到存储空间中,若是,则满足预设条件等。
可选的,若标签引擎监测到存储空间中的标签数据已经满足预设条件,此时可以触发执行标签引擎接入机器学习设备的操作,具体的接入方式有很多,对此本实施例不进行限定。例如,可以是通过机器学习设备的跳转链接,接入该机器学习设备,例如,可以是在监测到存储空间中的标签数据满足预设条件时,标签引擎触发启动该调转链接,通过界面链接跳转的方式接入机器学习设备;还可以是通过机器学习设备的调用接口,接入机器学习设备。例如,可以是在监测到存储空间中的标签数据满足预设条件时,标签引擎触发调用该机器学习设备的调用接口,通过接口调用的方式接入机器学习设备。可选的,通过接口调用的方式接入机器学习设备时,可以是采用有线的方式接入,还可以是采用无线的方式接入。本申请实施例的标签引擎优选通过接口调用的方式来接入机器学习设备,这样设置的好处是,能够在用户不知情的前提下,更加快捷方便的接入机器学习设备。
S102,向机器学习设备发送标签数据,以使机器学习设备处理标签数据,得到预测结果。
可选的,本申请实施例中,标签引擎在接入机器学习设备后,可以向机器学习设备发送进行模型预测处理所需使用的标签数据。需要说明的是,该标签数据是标签引擎的存储空间中存储的标签数据。本步骤中,标签引擎在向机器学习设备发送标签数据时,可以是向机器学习设备发送具体的待处理的标签数据,例如,标签引擎可以从存储空间中获取待处理的标签数据,然后将获取的该标签数据发送至已接入的机器学习设备。此时机器学习设备可以直接接收该标签数据,然后输入到进行预测操作的机器学习模型中,进行相关的模型预测处理操作,得到预测结果。还可以是向机器学习设备发送标签数据在存储空间中的存储位置。例如,标签引擎可以将待处理的标签数据在存储空间中的存储地址、或者所属文件名等发送至已接入的机器学习模型。此时机器学习设备在获取到标签数据的存储位置后,访问存储空间,从该存储位置处获取到待处理的标签数据,进而输入到进行预测操作的机器学习模型中,进行相关的模型预测处理操作,得到预测结果。本申请实施例的标签引擎优选向机器学习设备发送标签数据在存储空间中的存储位置,这样设置的好处是可以降低数据发送量,减少标签引擎功耗的同时,提高标签数据传输效率。
S103,获取机器学习设备输出的预测结果。
可选的,本申请实施例中,标签引擎在机器学习设备输出预测结果后,还需要获取机器学习设备输出的预测结果,进行后续操作。由于本申请实施例中的标签引擎部署在分布式场景下,而机器学习设备部署在单机设备场景下,所以需要标签引擎在机器学习设备对所有的标签数据执行完预测处理操作后,主动获取机器学习设备输出的预测结果。
可选的,本步骤的标签引擎可以是通过轮询的方式获取机器学习设备输出的预测结果,具体的,可以是标签引擎每隔预设时间(如一分钟),查看一次机器学习设备是否执行完模型预测处理操作,在每次查询时获取一部分预测结果的操作,还可以是等机器学习设备执行完预处理操作后,执行一次获取全部预测结果的操作。本申请实施例采用轮询的方式获取机器学习设备输出的预测结果,能够保证获取的预测结果的全面性和准确性。
本申请实施例的技术方案,在监测到存储空间中的标签数据满足预设条件时,接入机器学习设备,并向其发送标签数据,以使机器学习设备处理该标签数据,进而获取机器学习设备处理该标签数据输出的预测结果。本申请实施例的技术方案,很好的解决了单机部署的机器学习模型无法嵌入到分布式部署的标签引擎中,对大数据进行标签计算任务和模型预测任务的融合处理的问题。无需将机器学习模型嵌入到标签引擎中,通过借助标签引擎的存储空间和机器学习模型的调用接口,就可以实现将机器学习模型与标签引擎相结合,来进行大数据的处理的方案。为标签引擎的数据处理提供了一种新思路。
图2是根据本申请实施例提供的另一种基于标签引擎的数据处理方法的流程图,本实施例在上述实施例的基础上,进行了进一步的优化,给出了向机器学习设备发送标签数据,以使机器学习设备处理标签数据,得到预测结果的具体情况介绍。如图2所示,该方法具体包括:
S201,若监测到存储空间中的标签数据满足预设条件,则接入机器学习设备。
S202,向机器学习设备发送模型数据和标签数据,以使机器学习设备根据模型数据处理标签数据,得到预测结果。
其中,本申请实施例中的机器学习设备中部署有至少一个机器学习模型;所谓模型数据可以是机器学习设备执行预测处理操作时,使用的机器学习模型的相关参数。该模型数据包括待调用的机器学习模型的模型标识和/或模型参数。其中,模型标识可以是表征机器学习设备中部署的各机器学习模型的唯一性标识。模型参数可以是机器学习模型内各数据处理层的参数。
可选的,在本申请实施例中,标签引擎在接入机器学习设备后,不但要向机器学习设备发送标签数据,如可以是待处理的标签数据,还可以是待处理的标签数据在存储空间中的存储位置。还需要向机器学习设备发送模型数据,即待调用的机器学习模型的模型标识和/或模型参数。此时机器学习设备可以根据模型标识来确定待调用的机器学习模型,然后根据模型参数来配置该机器学习模型的内部参数。进而调用配置好参数的该机器学习模型对待处理的标签数据进行预测处理。可选的,若标签引擎向机器学习设备发送的是标签数据在存储空间中的存储位置,则机器学习设备在执行预测处理之前还需要访问存储空间,从该存储位置处获取待处理的标签数据。
可选的,在本申请实施例中,标签引擎向机器学习设备发送的模型数据可以为多个待调用的机器学习模型的模型标识和/或模型参数。也就是说,本申请实施例可支持标签引擎同时调用多个不同模型预测功能的机器学习模型对标签数据进行批量预测处理,相应的,得到的预测结果也是多个机器学习模型的批量预测结果。
S203,获取机器学习设备输出的预测结果。
本申请实施例的方案,在监测到存储空间中的标签数据满足预设条件时,接入机器学习设备,并向其发送标签数据和模型数据,以使机器学习设备根据该模型数据处理该标签数据,进而获取机器学习设备处理该标签数据输出的预测结果。本申请实施例的方案不但向机器学习设备发送标签数据,还发送模型数据,能够精准配置机器学习设备使用的模型参数,即精准告知机器学习设备需要使用的机器学习模型以及需要为该机器学习模型配置的模型参数。在实现基于标签引擎将标签计算任务处理和模型预测处理相融合的同时,还提高了机器学习设备处理标签数据的精准性。优化了标签引擎的数据处理方案。
图3A是根据本申请实施例提供的另一种基于标签引擎的数据处理方法的流程图;图3B是根据本申请实施例提供的标签引擎的数据处理系统的架构图。本实施例在上述实施例的基础上,进行了进一步的优化,给出了一种基于标签引擎进行数据处理的优选实例。如图3A-3B所示,该方法具体包括:
S301,对待处理数据进行标签计算任务处理,得到标签数据,并将标签数据存储在存储空间中。
其中,标签计算任务可以是对大量的待处理数据进行某一标签的提取任务,对于标签引擎来说,其可以提供多种不同的标签计算任务。例如,可以是统计某个人最近一段时间内的上网次数、购物情况和被摄像1头抓拍次数等。所谓待处理数据可以是需要标签引擎进行分析处理的数据。该待处理数据可以是标签引擎自身通过外部设备或平台等数据源抓取;还可以是用户导入到标签引擎中。
可选的,在本申请实施例中,标签引擎按照标签计算任务的计算逻辑,对待处理数据进行处理,提取待处理数据对应的标签数据,然后将该标签数据存储在存储空间中。可选的,本申请实施例处理后的标签数据可以是一种或多种标签计算任务计算得到的一种或多种类型的标签数据,所以存储在预设存储空间中的标签数据也可以是一种或多种标签计算任务对应的标签数据。
示例性的,如图3B所示,工作人员可以在标签引擎31中输入本次数据处理意图,如批量判断大量用户信息数据中是否存在犯罪嫌疑人,此时标签引擎31在获取到该数据处理意图后,确定需要执行的标签计算任务,如判断用户信息中的各用户最近一周内的上网频率、去商场A的时间、以及被摄像头1抓拍的次数等。标签引擎31可以获取工作人员上传的大量用户信息,也可以是自身抓取包含大量的用户信息,然后基于确定出的三个标签计算任务的计算逻辑,对大量的用户信息进行计算处理,得到三种标签数据,并将处理得到的这三种标签数据都存储在存储空间32中。
S302,若监测到存储空间中的标签数据满足预设条件,则接入机器学习设备。
示例性的,本申请实施例可以是在标签引擎31监测到存储空间32中的标签数据满足预设条件时,接入能够进行犯罪嫌疑人识别的机器学习设备33。优选的,可以标签引擎31可以通过机器学习设备33的调用接口,接入机器学习设备33。
S303,向机器学习设备发送标签数据,以使机器学习设备处理标签数据,得到预测结果。
示例性的,本申请实施例标签引擎31接入机器学习设备33后,可以向机器学习设备33发送标签数据,即对大量用户信息执行三种标签计算任务得到的标签数据。可选的,若标签引擎31发送的是从存储空间32中获取的标签数据,则此时机器学习设备33直接可以得到标签数据,无需与存储空间32交互。若标签引擎31发送的是标签数据在存储空间32中的存储位置,则此时机器学习设备33需要与存储空间32交互(如图3B中的虚线所示),从存储空间32中的该存储位置处获取标签数据。机器学习设备33在得到标签数据后,可以对该标签数据进行模型预测处理,得到预测结果。优选的,本申请实施例的标签引擎31向机器学习设备33发送标签数据的同时,还可以发送包含待调用的机器学习模型的模型标识和/或模型参数的模型数据,以使机器学习设备33根据模型数据处理标签数据,得到预测结果。
S304,获取机器学习设备输出的预测结果。
优选的,本申请实施例中的标签引擎31可以通过轮询的方式获取机器学习设备33输出的预测结果。
S305,加载预测结果进行后处理操作。
其中,本申请实施例中的后处理操作包括:统计处理、聚合处理、格式化处理以及发送至下游设备中的至少一种。
可选的,本申请实施例中,标签引擎在获取机器学习设备输出的预测结果后,可以对该预测结果进行进一步的处理。具体的后处理操作可以包括但不限于:对预测结果进行统计处理;对预测结果进行聚合处理;按照一定的预设格式,对预测结果进行格式化处理;将获取的预测结果发送至下游设备进行处理等中的至少一种。
示例性的,若标签引擎31从机器学习设备33中获取的预测结果是大量的用户信息中那些用户被预测为犯罪嫌疑人,此时可以对预测结果进行统计处理,确定预测出的犯罪嫌疑人的个数;对预测结果进行聚合处理,得到犯罪团伙的名单;对预测出的犯罪嫌疑人按照预测概率从大到小的格式进行格式化排序处理;以及将预测出的犯罪嫌疑人发送至下游公安系统设备中。
本申请实施例的技术方案,标签引擎对待处理的标签数据进行标签任务计算,得到标签数据存储在存储空间中。以便后续需要调用标签数据进行其他处理时,快速查找调用,提高数据处理效率。标签引擎在监测到存储空间中的标签数据满足预设条件时,接入机器学习设备,并向其发送标签数据,以使机器学习设备处理该标签数据,进而获取机器学习设备处理该标签数据输出的预测结果,然后再加载该预测结果进行相关后处理操作。本申请实施例的技术方案,机器学习设备处理标签引擎处理的中间数据,即标签数据,标签引擎又加载处理机器学习设备的预测结果,很好的将模型预测任务融合到标签引擎的任务处理过程中。为标签引擎的数据处理提供了一种新思路。
图4是根据本申请实施例提供的一种基于标签引擎的数据处理装置的结构示意图。本申请实施例适用于基于标签引擎对大数据进行处理的情况,具体适用于:将标签引擎与机器学习模型融合,来对大数据进行处理的情况。例如,将标签引擎和意图预测模型融合,对用户数据进行意图预测的情况。该装置可实现本申请任意实施例所述的基于标签引擎的数据处理方法。该装置可配置于分布式场景下的标签引擎所属设备中。该装置400具体包括:
系统接入模块401,用于若监测到存储空间中的标签数据满足预设条件,则接入机器学习设备;
数据发送模块402,用于向所述机器学习设备发送所述标签数据,以使所述机器学习设备处理所述标签数据,得到预测结果;
结果获取模块403,用于获取所述机器学习设备输出的预测结果。
本申请实施例的技术方案,在监测到存储空间中的标签数据满足预设条件时,接入机器学习设备,并向其发送标签数据,以使机器学习设备处理该标签数据,进而获取机器学习设备处理该标签数据输出的预测结果。本申请实施例的技术方案,很好的解决了单机部署的机器学习模型无法嵌入到分布式部署的标签引擎中,对大数据进行标签计算任务和模型预测任务的融合处理的问题。无需将机器学习模型嵌入到标签引擎中,通过借助标签引擎的存储空间和机器学习模型的调用接口,就可以实现将机器学习模型与标签引擎相结合,来进行大数据的处理的方案。为标签引擎的数据处理提供了一种新思路。
进一步的,所述系统接入模块401具体用于:
通过所述机器学习设备的调用接口,接入所述机器学习设备。
进一步的,所述数据发送模块402具体用于:
向所述机器学习设备发送所述标签数据在所述存储空间中的存储位置。
进一步的,所述数据发送模块403,还具体用于:
向所述机器学习设备发送模型数据和所述标签数据,以使所述机器学习设备根据所述模型数据处理所述标签数据,得到预测结果。
进一步的,所述机器学习设备中部署有至少一个机器学习模型;所述模型数据包括待调用的机器学习模型的模型标识和/或模型参数。
进一步的,所述结果获取模块403具体用于:
通过轮询的方式获取所述机器学习设备输出的预测结果。
进一步的,所述的装置还包括:
任务处理模块,用于对待处理数据进行标签计算任务处理,得到标签数据;
数据存储模块,用于将所述标签数据存储在所述存储空间中。
进一步的,所述的装置还包括:
后处理模块,用于加载所述预测结果进行后处理操作;其中,所述后处理操作包括:统计处理、聚合处理、格式化处理以及发送至下游设备中的至少一种。
进一步的,所述存储空间包括:分布式文件系统、关系型数据库管理系统和专家系统中的至少一个。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图5所示,是根据本申请实施例的基于标签引擎的数据处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示,该电子设备包括:一个或多个处理器501、存储器502,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。
存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的基于标签引擎的数据处理方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的X基于标签引擎的数据处理方法。
存储器502作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的基于标签引擎的数据处理方法对应的程序指令/模块(例如,附图4所示的系统接入模块401、数据发送模块402和结果获取模块403)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的基于标签引擎的数据处理方法。
存储器502可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据基于标签引擎的数据处理方法的电子设备的使用所创建的数据等。此外,存储器502可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至基于标签引擎的数据处理方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
基于标签引擎的数据处理方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与基于标签引擎的数据处理方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
根据本申请实施例的技术方案,在监测到存储空间中的标签数据满足预设条件时,接入机器学习设备,并向其发送标签数据,以使机器学习设备处理该标签数据,进而获取机器学习设备处理该标签数据输出的预测结果。本申请实施例的技术方案,很好的解决了单机部署的机器学习模型无法嵌入到分布式部署的标签引擎中,对大数据进行标签计算任务和模型预测任务的融合处理的问题。无需将机器学习模型嵌入到标签引擎中,通过借助标签引擎的存储空间和机器学习模型的调用接口,就可以实现将机器学习模型与标签引擎相结合,来进行大数据的处理的方案。为标签引擎的数据处理提供了一种新思路。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (20)
1.一种基于标签引擎的数据处理方法,包括:
若监测到存储空间中的标签数据满足预设条件,则接入机器学习设备;
向所述机器学习设备发送所述标签数据,以使所述机器学习设备处理所述标签数据,得到预测结果;
获取所述机器学习设备输出的预测结果。
2.根据权利要求1所述的方法,其中,接入机器学习设备,包括:
通过所述机器学习设备的调用接口,接入所述机器学习设备。
3.根据权利要求1所述的方法,其中,向所述机器学习设备发送所述标签数据,包括:
向所述机器学习设备发送所述标签数据在所述存储空间中的存储位置。
4.根据权利要求1所述的方法,其中,向所述机器学习设备发送所述标签数据,以使所述机器学习设备处理所述标签数据,得到预测结果,包括:
向所述机器学习设备发送模型数据和所述标签数据,以使所述机器学习设备根据所述模型数据处理所述标签数据,得到预测结果。
5.根据权利要求4所述的方法,其中,所述机器学习设备中部署有至少一个机器学习模型;所述模型数据包括待调用的机器学习模型的模型标识和/或模型参数。
6.根据权利要求1所述的方法,其中,获取所述机器学习设备输出的预测结果,包括:
通过轮询的方式获取所述机器学习设备输出的预测结果。
7.根据权利要求1所述的方法,还包括:
对待处理数据进行标签计算任务处理,得到标签数据,并将所述标签数据存储在所述存储空间中。
8.根据权利要求1所述的方法,还包括:
加载所述预测结果进行后处理操作;其中,所述后处理操作包括:统计处理、聚合处理、格式化处理以及发送至下游设备中的至少一种。
9.根据权利要求1所述的方法,其中,所述存储空间包括:分布式文件系统、关系型数据库管理系统和专家系统中的至少一个。
10.一种基于标签引擎的数据处理装置,包括:
系统接入模块,用于若监测到存储空间中的标签数据满足预设条件,则接入机器学习设备;
数据发送模块,用于向所述机器学习设备发送所述标签数据,以使所述机器学习设备处理所述标签数据,得到预测结果;
结果获取模块,用于获取所述机器学习设备输出的预测结果。
11.根据权利要求10所述的装置,其中,所述系统接入模块具体用于:
通过所述机器学习设备的调用接口,接入所述机器学习设备。
12.根据权利要求10所述的装置,其中,所述数据发送模块具体用于:
向所述机器学习设备发送所述标签数据在所述存储空间中的存储位置。
13.根据权利要求10所述的装置,其中,所述数据发送模块,还具体用于:
向所述机器学习设备发送模型数据和所述标签数据,以使所述机器学习设备根据所述模型数据处理所述标签数据,得到预测结果。
14.根据权利要求13所述的装置,其中,所述机器学习设备中部署有至少一个机器学习模型;所述模型数据包括待调用的机器学习模型的模型标识和/或模型参数。
15.根据权利要求10所述的装置,其中,所述结果获取模块具体用于:
通过轮询的方式获取所述机器学习设备输出的预测结果。
16.根据权利要求10所述的装置,还包括:
任务处理模块,用于对待处理数据进行标签计算任务处理,得到标签数据;
数据存储模块,用于将所述标签数据存储在所述存储空间中。
17.根据权利要求10所述的装置,还包括:
后处理模块,用于加载所述预测结果进行后处理操作;其中,所述后处理操作包括:统计处理、聚合处理、格式化处理以及发送至下游设备中的至少一种。
18.根据权利要求10所述的装置,其中,所述存储空间包括:分布式文件系统、关系型数据库管理系统和专家系统中的至少一个。
19.一种电子设备,其中,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的基于标签引擎的数据处理方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的基于标签引擎的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010761515.9A CN111931945B (zh) | 2020-07-31 | 2020-07-31 | 基于标签引擎的数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010761515.9A CN111931945B (zh) | 2020-07-31 | 2020-07-31 | 基于标签引擎的数据处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931945A true CN111931945A (zh) | 2020-11-13 |
CN111931945B CN111931945B (zh) | 2024-10-01 |
Family
ID=73315932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010761515.9A Active CN111931945B (zh) | 2020-07-31 | 2020-07-31 | 基于标签引擎的数据处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931945B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170124487A1 (en) * | 2015-03-20 | 2017-05-04 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing machine learning model training and deployment with a rollback mechanism |
CN106682090A (zh) * | 2016-11-29 | 2017-05-17 | 上海智臻智能网络科技股份有限公司 | 主动交互实现装置、方法及智能语音交互设备 |
CN107103050A (zh) * | 2017-03-31 | 2017-08-29 | 海通安恒(大连)大数据科技有限公司 | 一种大数据建模平台及方法 |
CN107229708A (zh) * | 2017-05-27 | 2017-10-03 | 科技谷(厦门)信息技术有限公司 | 一种个性化出行服务大数据应用系统及方法 |
CN108228830A (zh) * | 2018-01-03 | 2018-06-29 | 广东工业大学 | 一种数据处理系统 |
CN109325541A (zh) * | 2018-09-30 | 2019-02-12 | 北京字节跳动网络技术有限公司 | 用于训练模型的方法和装置 |
US20190132343A1 (en) * | 2016-09-07 | 2019-05-02 | Patternex, Inc. | Method and system for generating synthetic feature vectors from real, labelled feature vectors in artificial intelligence training of a big data machine to defend |
CN109858453A (zh) * | 2019-02-15 | 2019-06-07 | 浪潮通用软件有限公司 | 一种通用的多引擎票据识别系统及方法 |
KR20190088094A (ko) * | 2017-12-29 | 2019-07-26 | 주식회사 아임클라우드 | 자동 학습 데이터 생성을 통한 모델 학습 시스템 및 방법 |
CN110517079A (zh) * | 2019-08-23 | 2019-11-29 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN110990565A (zh) * | 2019-11-20 | 2020-04-10 | 广州商品清算中心股份有限公司 | 一种用于舆情分析的可扩展文本分析系统及方法 |
CN111369011A (zh) * | 2020-04-16 | 2020-07-03 | 光际科技(上海)有限公司 | 机器学习模型应用的方法、装置、计算机设备和存储介质 |
CN111427702A (zh) * | 2020-03-12 | 2020-07-17 | 北京明略软件系统有限公司 | 一种人工智能ai系统及数据处理方法 |
-
2020
- 2020-07-31 CN CN202010761515.9A patent/CN111931945B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170124487A1 (en) * | 2015-03-20 | 2017-05-04 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing machine learning model training and deployment with a rollback mechanism |
US20190132343A1 (en) * | 2016-09-07 | 2019-05-02 | Patternex, Inc. | Method and system for generating synthetic feature vectors from real, labelled feature vectors in artificial intelligence training of a big data machine to defend |
CN106682090A (zh) * | 2016-11-29 | 2017-05-17 | 上海智臻智能网络科技股份有限公司 | 主动交互实现装置、方法及智能语音交互设备 |
CN107103050A (zh) * | 2017-03-31 | 2017-08-29 | 海通安恒(大连)大数据科技有限公司 | 一种大数据建模平台及方法 |
CN107229708A (zh) * | 2017-05-27 | 2017-10-03 | 科技谷(厦门)信息技术有限公司 | 一种个性化出行服务大数据应用系统及方法 |
KR20190088094A (ko) * | 2017-12-29 | 2019-07-26 | 주식회사 아임클라우드 | 자동 학습 데이터 생성을 통한 모델 학습 시스템 및 방법 |
CN108228830A (zh) * | 2018-01-03 | 2018-06-29 | 广东工业大学 | 一种数据处理系统 |
CN109325541A (zh) * | 2018-09-30 | 2019-02-12 | 北京字节跳动网络技术有限公司 | 用于训练模型的方法和装置 |
CN109858453A (zh) * | 2019-02-15 | 2019-06-07 | 浪潮通用软件有限公司 | 一种通用的多引擎票据识别系统及方法 |
CN110517079A (zh) * | 2019-08-23 | 2019-11-29 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN110990565A (zh) * | 2019-11-20 | 2020-04-10 | 广州商品清算中心股份有限公司 | 一种用于舆情分析的可扩展文本分析系统及方法 |
CN111427702A (zh) * | 2020-03-12 | 2020-07-17 | 北京明略软件系统有限公司 | 一种人工智能ai系统及数据处理方法 |
CN111369011A (zh) * | 2020-04-16 | 2020-07-03 | 光际科技(上海)有限公司 | 机器学习模型应用的方法、装置、计算机设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
冷喜武;陈国平;蒋宇;张家琪;曹越峰;: "智能电网监控运行大数据分析系统的数据规范和数据处理", 电力系统自动化, no. 19, 10 October 2018 (2018-10-10) * |
夏冉;: "基于Spark的机器学习Web服务引擎设计", 指挥控制与仿真, no. 01, 15 February 2018 (2018-02-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN111931945B (zh) | 2024-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111831420B (zh) | 用于任务调度的方法、相关装置及计算机程序产品 | |
CN111475750B (zh) | 页面预加载控制方法、装置、系统、设备和存储介质 | |
CN111680517B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN111626202A (zh) | 用于识别视频的方法及装置 | |
CN110532159B (zh) | 数据监听方法、装置、设备及计算机可读存储介质 | |
CN111783952A (zh) | 配置方法、装置、系统、电子设备以及存储介质 | |
CN112561332B (zh) | 模型管理方法、装置、电子设备、存储介质和程序产品 | |
CN112153343A (zh) | 电梯安全监控方法、装置、监控摄像头和存储介质 | |
CN111756832B (zh) | 推送信息的方法、装置、电子设备及计算机可读存储介质 | |
CN112016326A (zh) | 一种地图区域词识别方法、装置、电子设备和存储介质 | |
CN110517079B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN111930539A (zh) | 基于标签引擎的任务管理方法、装置、设备及存储介质 | |
CN112382291B (zh) | 语音交互的处理方法、装置、电子设备及存储介质 | |
CN110995687B (zh) | 一种猫池设备识别方法、装置、设备及存储介质 | |
CN111832070B (zh) | 数据的掩码方法、装置、电子设备和存储介质 | |
CN111738325B (zh) | 图像识别方法、装置、设备以及存储介质 | |
CN113595886A (zh) | 即时通讯消息的处理方法、装置、电子设备及存储介质 | |
CN112382292A (zh) | 基于语音的控制方法和装置 | |
CN111767149A (zh) | 调度方法、装置、设备及存储设备 | |
CN111866071A (zh) | 业务应用的数据上传方法、装置、电子设备及存储介质 | |
CN111931945B (zh) | 基于标签引擎的数据处理方法、装置、设备及存储介质 | |
CN111340222B (zh) | 神经网络模型搜索方法、装置以及电子设备 | |
CN111523036B (zh) | 一种搜索行为挖掘方法、装置和电子设备 | |
CN114661274A (zh) | 用于生成智能合约的方法和装置 | |
CN112015623B (zh) | 报表数据处理的方法、装置、设备及可读存储介质 |
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 |