CN112069226A - 一种数据挖掘模型跨平台共享的方法和存储设备 - Google Patents
一种数据挖掘模型跨平台共享的方法和存储设备 Download PDFInfo
- Publication number
- CN112069226A CN112069226A CN202010806553.1A CN202010806553A CN112069226A CN 112069226 A CN112069226 A CN 112069226A CN 202010806553 A CN202010806553 A CN 202010806553A CN 112069226 A CN112069226 A CN 112069226A
- Authority
- CN
- China
- Prior art keywords
- model
- production environment
- steps
- application program
- pmml
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/547—Remote procedure calls [RPC]; Web services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Stored Programmes (AREA)
Abstract
本发明涉及计算机技术领域，特别涉及一种数据挖掘模型跨平台共享的方法和存储设备。所述一种数据挖掘模型跨平台共享的方法，包括步骤：在模型开发环境中进行模型训练，得有效模型；将所述有效模型导出为预设类型文件；在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务；生产环境的应用程序调用所述服务。上述方法在开发环境与生产环境间建立了“桥梁”，使得生产环境可直接调用服务来获取自己需要的模型和参数，进而执行相关操作，实现了数据挖掘模型在开发环境与生产环境间的平台共享。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种数据挖掘模型跨平台共享的方法和存储设备。
背景技术
智能分析平台需要使用数据挖掘技术(例如关联规则、神经网络、决策树、聚类等)完成数据分析。数据挖掘的开发环境一般采用Python、R等平台，生产环境使用Java平台，数据挖掘模型如何在两种平台间共享成为急需要解决的问题。
发明内容
为此，需要提供一种数据挖掘模型跨平台共享的技术方案，用以解决数据挖掘模型无法在开发环境和生产环境两种平台间共享的问题。
为实现上述目的，本申请在第一方面提供了一种数据挖掘模型跨平台共享的方法，包括步骤：
在模型开发环境中进行模型训练，得有效模型；
将所述有效模型导出为预设类型文件；
在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务；
生产环境的应用程序调用所述服务。
进一步的，所述“将所述有效模型导出为预设类型文件”，还包括步骤：将所述有效模型导出为PKI文件；
所述“在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务”，还包括步骤：将所述PKI文件部署至生产环境的Python模型池，以RestfulAPI方式对外提供服务；
所述“生产环境的应用程序调用所述服务”，还包括步骤：
生产环境的应用程序调用RestfulAPI。
进一步的，还包括步骤：RESTfulAPI接受生产环境的应用程序调用请求，RESTfulAPI根据modelid加载模型，并根据参数加载预测数据、执行预测任务，并返回结果至生产环境的应用程序。
进一步的，还包括步骤：所述“将所述有效模型导出为预设类型文件”，还包括步骤：将所述有效模型导出为PMML文件；
所述“在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务”，还包括步骤：将所述PMML文件注册在生产环境的PMML模型池；
所述“生产环境的应用程序调用所述服务”，还包括步骤：
生产环境的应用程序调用PMMLJava引擎。
进一步的，所述“生产环境的应用程序调用PMMLJava引擎”，还包括步骤：PMMLJava引擎接受生产环境的应用程序调用请求，PMMLJava引擎根据modelid加载模型，并根据参数加载预测数据，执行预测任务，并返回结果至生产环境的应用程序。
本申请在第二方面还提供了一种存储设备，具体技术方案如下：
一种存储设备，其中存储有指令集，所述指令集用于执行：在模型开发环境中进行模型训练，得有效模型；
将所述有效模型导出为预设类型文件；
在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务；
生产环境的应用程序调用所述服务。
进一步的，所述指令集还用于执行：所述“将所述有效模型导出为预设类型文件”，还包括步骤：将所述有效模型导出为PKI文件；
所述“在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务”，还包括步骤：将所述PKI文件部署至生产环境的Python模型池，以RestfulAPI方式对外提供服务；
所述“生产环境的应用程序调用所述服务”，还包括步骤：
生产环境的应用程序调用RestfulAPI。
进一步的，所述指令集还用于执行：RESTfulAPI接受生产环境的应用程序调用请求，RESTfulAPI根据modelid加载模型，并根据参数加载预测数据、执行预测任务，并返回结果至生产环境的应用程序。
进一步的，所述指令集还用于执行：所述“将所述有效模型导出为预设类型文件”，还包括步骤：将所述有效模型导出为PMML文件；
所述“在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务”，还包括步骤：将所述PMML文件注册在生产环境的PMML模型池；
所述“生产环境的应用程序调用所述服务”，还包括步骤：
生产环境的应用程序调用PMMLJava引擎。
进一步的，所述指令集还用于执行：所述“生产环境的应用程序调用PMML Java引擎”，还包括步骤：PMMLJava引擎接受生产环境的应用程序调用请求，PMMLJava引擎根据modelid加载模型，并根据参数加载预测数据，执行预测任务，并返回结果至生产环境的应用程序。
本发明的有益效果是：通过在模型开发环境中进行模型训练，得有效模型；将所述有效模型导出为预设类型文件；在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务；通过上述这些操作，使得开发环境中的有效模型可以生产环境的应用程序可调用的服务类型来呈现，则生产环境的应用程序可直接调用所述服务来获取自己需要的模型等执行自己想要执行的操作。上述方法在开发环境与生产环境间建立了“桥梁”，使得生产环境可直接调用服务来获取自己需要的模型和参数，进而执行相关操作，实现了数据挖掘模型在开发环境与生产环境间的平台共享。
附图说明
图1为具体实施方式所述一种数据挖掘模型跨平台共享的方法的流程图；
图2为具体实施方式所述使用RESTfulAPI跨平台模型共享的示意图；
图3为具体实施方式所述使用RESTfulAPI方式的整体部署示意图；
图4为具体实施方式所述使用PMML文件实现跨平台的模型共享示意图；
图5为具体实施方式所述PMML4.3版本支持的18类挖掘模型；
图6为具体实施方式所述RESTfulAPI和PMML模式的对比示意图；
图7为具体实施方式所述一种存储设备的模块示意图。
附图标记说明：
700、存储设备。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
请参阅图1至图6，在本实施方式中，一种数据挖掘模型跨平台共享的方法可应用在一种存储设备上，所述存储设备包括但不限于：个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备等。在本实施方式中，生产环境的应用程序以Java应用程序为例。实际应用场景中，生产环境的应用程序可以是多种多样的。具体实现如下：
步骤S101：在模型开发环境中进行模型训练，得有效模型。
步骤S102：将所述有效模型导出为预设类型文件。
步骤S103：在生产环境的模型池中对所述预设类型文件执行预设操作。
步骤S104：以预设方式对外提供服务。
步骤S105：生产环境的应用程序调用所述服务。
通过在模型开发环境中进行模型训练，得有效模型；将所述有效模型导出为预设类型文件；在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务；通过上述这些操作，使得开发环境中的有效模型可以Java应用程序可调用的服务类型来呈现，则生产环境的应用程序可直接调用所述服务来获取自己需要的模型等执行自己想要执行的操作。上述方法在开发环境与生产环境间建立了“桥梁”，使得生产环境可直接调用服务来获取自己需要的模型和参数，进而执行相关操作，实现了数据挖掘模型在开发环境与生产环境间的平台共享。
以下通过两种方式来进行模型共享，分别是RESTfulAPI和PMML，以下分别展开具体说明：
请参阅图2和图3，以Python为例，生产环境中存在Python和Java两个平台。该模式将模型视作REST资源，Java和Python通过RESTfulAPI实现跨平台的模型共享。
图2表述了如何将模型变为REST资源，以及如何使用模型进行预测。具体可如下：
1)训练：在模型开发环境中使用样本数据训练模型，得有效模型。训练过程，就是挑选样本数据，使用机器学习算法运算样本数据计算出结果，和真实结果比较。例如：预测国民生产总值，和多种经济指标相关，比如社会总投资额、失业率、社会平均工资等十多项指标，样本数据是包含这些指标和结果的历史数据，历史数据真实的，用这些历史的指标作为输入，经过机器学习算法运算，得出结果，和历史的结果比较，是否接近。通过调整指标的比重和公式，多次计算直至很接近。再拿其他历史数据进行验证，再调整，排除偶然性。整个过程叫训练。其中有效模型的判断也是模型训练的一个过程和环节，经过循环多次历史数据结果验证，和真实数据拟合度高的就是有效的，这个拟合度没有固定或标准值，跟行业和实际业务有关，比如85％还是99％都可能存在。获得有效模型后，执行导出操作。
2)导出：所述“将所述有效模型导出为预设类型文件”，还包括步骤：将所述有效模型导出为PKI文件。
3)注册：所述“在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务”，还包括步骤：将所述PKI文件部署至生产环境的Python模型池，以RestfulAPI方式对外提供服务。其中生产环境的Python模型池可能是一个Python管理的文件目录，也可以使用分布式文件系统，使用Python编写Web服务部署在Python生产环境，以RestfulAPI方式对外提供服务。
4)应用：所述“生产环境的应用程序调用所述服务”，还包括步骤：生产环境的应用程序调用RestfulAPI。生产环境的应用程序调用RestfulAPI后，还包括步骤：RESTfulAPI接受Java应用程序调用请求，RESTfulAPI根据modelid加载模型，并根据参数加载预测数据、执行预测任务，并返回结果至Java应用程序。上述整体部署模式如图3所示。
请参阅图4为使用PMML文件实现跨平台的模型共享。总体过程为：将模型导出为PMML文件，通过运行在生产环境的PMML应用引擎实现模型的共享。在模型开发过程中通过对数据的样本数据进行训练，构建出有效的PMML模型文档，将这个模型注册到生产环境中，通过应用引擎执行运算，产生预测结果。
首先对PMML进行简单介绍：PMML(PredictiveModelMarkupLanguage，预测模型标记语言)是一个基于XMLSchema的挖掘模型定义语言；PMML语言的目标是共享和重用由不同建模工具生成的挖掘模型；经过二十多年的发展，PMML已成为描述数据挖掘模型的事实上的标准。PMML当前版本(PMML4.3)支持18类挖掘模型，如图5所示。以下具体展开说明：
1)训练：在模型开发环境中使用样本数据训练模型。
2)导出：所述“将所述有效模型导出为预设类型文件”，还包括步骤：将所述有效模型导出为PMML文件。
3)注册：所述“在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务”，还包括步骤：将所述PMML文件注册在生产环境的PMML模型池。其中生产环境的PMML模型池可能是一个分布式文件系统。
4)应用：所述“生产环境的应用程序调用所述服务”，还包括步骤：生产环境的应用程序调用PMMLJava引擎。所述“生产环境的应用程序调用PMML Java引擎”，还包括步骤：PMMLJava引擎接受生产环境的应用程序调用请求，PMMLJava引擎根据modelid加载模型，并根据参数加载预测数据，执行预测任务，并返回结果至Java应用程序。Java应用程序将数据保存。
上述两种模式：RESTfulAPI和PMML模式的对比，两者各自的优缺点如图6所示。
请参阅图7，在本实施方式中，一种存储设备700的具体实施方式如下：
一种存储设备700，其中存储有指令集，所述指令集用于执行：在模型开发环境中进行模型训练，得有效模型；
将所述有效模型导出为预设类型文件；
在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务；
生产环境的应用程序调用所述服务。
通过在模型开发环境中进行模型训练，得有效模型；将所述有效模型导出为预设类型文件；在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务；通过上述这些操作，使得开发环境中的有效模型可以Java应用程序可调用的服务类型来呈现，则生产环境的应用程序可直接调用所述服务来获取自己需要的模型等执行自己想要执行的操作。上述方法在开发环境与生产环境间建立了“桥梁”，使得生产环境可直接调用服务来获取自己需要的模型和参数，进而执行相关操作，实现了数据挖掘模型在开发环境与生产环境间的平台共享。
进一步的，所述指令集还用于执行：所述“将所述有效模型导出为预设类型文件”，还包括步骤：将所述有效模型导出为PKI文件。
所述“在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务”，还包括步骤：将所述PKI文件部署至生产环境的Python模型池，以RestfulAPI方式对外提供服务。其中生产环境的Python模型池可能是一个Python管理的文件目录，也可以使用分布式文件系统，使用Python编写Web服务部署在Python生产环境，以RestfulAPI方式对外提供服务。
所述“生产环境的应用程序调用所述服务”，还包括步骤：
生产环境的应用程序调用RestfulAPI。
进一步的，所述指令集还用于执行：RESTfulAPI接受Java应用程序调用请求，RESTfulAPI根据modelid加载模型，并根据参数加载预测数据、执行预测任务，并返回结果至Java应用程序。上述整体部署模式如图3所示。需要说明的是，modelid可用来唯一标识模型，故此可根据modelid从模型池中提取模型。且在模型描述文件中设置有模型的入参(特征)和出参(结果)。根据入参从数据源提取预测数据。其中根据入参从数据源提取预测数据还包括步骤：数据源中保存着预测数据，应用程序调用模型前，首先建立数据源中数据和入参的映射关系，Java应用程序将modelid和映射关系送到RESTfulAPI，RESTfulAPI按照modelid从模型池提取模型，根据映射关系从数据源提取预测数据。
请参阅图4为使用PMML文件实现跨平台的模型共享。总体过程为：将模型导出为PMML文件，通过运行在生产环境的PMML应用引擎实现模型的共享。在模型开发过程中通过对数据的样本数据进行训练，构建出有效的PMML模型文档，将这个模型注册到生产环境中，通过应用引擎执行运算，产生预测结果。
首先对PMML进行简单介绍：PMML(PredictiveModelMarkupLanguage，预测模型标记语言)是一个基于XMLSchema的挖掘模型定义语言；PMML语言的目标是共享和重用由不同建模工具生成的挖掘模型；经过二十多年的发展，PMML已成为描述数据挖掘模型的事实上的标准。PMML当前版本(PMML4.3)支持18类挖掘模型，如图5所示。以下具体展开说明：
进一步的，所述指令集还用于执行：所述“将所述有效模型导出为预设类型文件”，还包括步骤：将所述有效模型导出为PMML文件；
所述“在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务”，还包括步骤：将所述PMML文件注册在生产环境的PMML模型池。其中生产环境的PMML模型池可能是一个分布式文件系统。
所述“生产环境的应用程序调用所述服务”，还包括步骤：生产环境的应用程序调用PMMLJava引擎。进一步的，所述指令集还用于执行：所述“生产环境的应用程序调用PMMLJava引擎”，还包括步骤：PMMLJava引擎接受生产环境的应用程序调用请求，PMMLJava引擎根据modelid加载模型，并根据参数加载预测数据，执行预测任务，并返回结果至Java应用程序。
上述两种模式：RESTfulAPI和PMML模式的对比，两者各自的优缺点如图6所示。
需要说明的是，尽管在本文中已经对上述各实施例进行了描述，但并非因此限制本发明的专利保护范围。因此，基于本发明的创新理念，对本文所述实施例进行的变更和修改，或利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接地将以上技术方案运用在其他相关的技术领域，均包括在本发明的专利保护范围之内。
Claims (10)
1.一种数据挖掘模型跨平台共享的方法，其特征在于，包括步骤：
在模型开发环境中进行模型训练，得有效模型；
将所述有效模型导出为预设类型文件；
在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务；
生产环境的应用程序调用所述服务。
2.根据权利要求1所述的一种数据挖掘模型跨平台共享的方法，其特征在于，
所述“将所述有效模型导出为预设类型文件”，还包括步骤：将所述有效模型导出为PKI文件；
所述“在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务”，还包括步骤：将所述PKI文件部署至生产环境的Python模型池，以Restful API方式对外提供服务；
所述“生产环境的应用程序调用所述服务”，还包括步骤：
生产环境的应用程序调用Restful API。
3.根据权利要求2所述的一种数据挖掘模型跨平台共享的方法，其特征在于，还包括步骤：
RESTful API接受生产环境的应用程序调用请求，RESTful API根据model id加载模型，并根据参数加载预测数据、执行预测任务，并返回结果至生产环境的应用程序。
4.根据权利要求1所述的一种数据挖掘模型跨平台共享的方法，其特征在于，还包括步骤：
所述“将所述有效模型导出为预设类型文件”，还包括步骤：将所述有效模型导出为PMML文件；
所述“在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务”，还包括步骤：将所述PMML文件注册在生产环境的PMML模型池；
所述“生产环境的应用程序调用所述服务”，还包括步骤：
生产环境的应用程序调用PMML Java引擎。
5.根据权利要求4所述的一种数据挖掘模型跨平台共享的方法，其特征在于，
所述“生产环境的应用程序调用PMML Java引擎”，还包括步骤：PMML Java引擎接受生产环境的应用程序调用请求，PMML Java引擎根据model id加载模型，并根据参数加载预测数据执行预测任务，并返回结果至生产环境的应用程序。
6.一种存储设备，其中存储有指令集，其特征在于，所述指令集用于执行：在模型开发环境中进行模型训练，得有效模型；
将所述有效模型导出为预设类型文件；
在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务；
生产环境的应用程序调用所述服务。
7.根据权利要求6所述的一种存储设备，其特征在于，所述指令集还用于执行：所述“将所述有效模型导出为预设类型文件”，还包括步骤：将所述有效模型导出为PKI文件；
所述“在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务”，还包括步骤：将所述PKI文件部署至生产环境的Python模型池，以Restful API方式对外提供服务；
所述“生产环境的应用程序调用所述服务”，还包括步骤：
生产环境的应用程序调用Restful API。
8.根据权利要求7所述的一种存储设备，其特征在于，所述指令集还用于执行：RESTfulAPI接受生产环境的应用程序调用请求，RESTful API根据model id加载模型，并根据参数加载预测数据、执行预测任务，并返回结果至生产环境的应用程序。
9.根据权利要求6所述的一种存储设备，其特征在于，所述指令集还用于执行：所述“将所述有效模型导出为预设类型文件”，还包括步骤：将所述有效模型导出为PMML文件；
所述“在生产环境的模型池中对所述预设类型文件执行预设操作，以预设方式对外提供服务”，还包括步骤：将所述PMML文件注册在生产环境的PMML模型池；
所述“生产环境的应用程序调用所述服务”，还包括步骤：
生产环境的应用程序调用PMML Java引擎。
10.根据权利要求9所述的一种存储设备，其特征在于，所述指令集还用于执行：所述“生产环境的应用程序调用PMML Java引擎”，还包括步骤：PMML Java引擎接受生产环境的应用程序调用请求，PMML Java引擎根据model id加载模型，并根据参数加载预测数据，执行预测任务，并返回结果至生产环境的应用程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010806553.1A CN112069226B (zh) | 2020-08-12 | 2020-08-12 | 一种数据挖掘模型跨平台共享的方法和存储设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010806553.1A CN112069226B (zh) | 2020-08-12 | 2020-08-12 | 一种数据挖掘模型跨平台共享的方法和存储设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112069226A true CN112069226A (zh) | 2020-12-11 |
| CN112069226B CN112069226B (zh) | 2022-05-17 |
Family
ID=73661217
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010806553.1A Active CN112069226B (zh) | 2020-08-12 | 2020-08-12 | 一种数据挖掘模型跨平台共享的方法和存储设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112069226B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070219947A1 (en) * | 2006-03-20 | 2007-09-20 | Microsoft Corporation | Distributed data mining using analysis services servers |
| CN108829415A (zh) * | 2018-05-29 | 2018-11-16 | 努比亚技术有限公司 | 模型加载方法、服务器及计算机可读存储介质 |
| CN110287168A (zh) * | 2019-06-26 | 2019-09-27 | 南京冰鉴信息科技有限公司 | 一种可配置的模型计算分析自定义方法 |
| CN110659261A (zh) * | 2019-09-19 | 2020-01-07 | 成都数之联科技有限公司 | 一种数据挖掘模型发布方法及模型和模型服务管理方法 |
-
2020
- 2020-08-12 CN CN202010806553.1A patent/CN112069226B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070219947A1 (en) * | 2006-03-20 | 2007-09-20 | Microsoft Corporation | Distributed data mining using analysis services servers |
| CN108829415A (zh) * | 2018-05-29 | 2018-11-16 | 努比亚技术有限公司 | 模型加载方法、服务器及计算机可读存储介质 |
| CN110287168A (zh) * | 2019-06-26 | 2019-09-27 | 南京冰鉴信息科技有限公司 | 一种可配置的模型计算分析自定义方法 |
| CN110659261A (zh) * | 2019-09-19 | 2020-01-07 | 成都数之联科技有限公司 | 一种数据挖掘模型发布方法及模型和模型服务管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112069226B (zh) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109191312A (zh) | 一种理赔反欺诈风控方法及装置 | |
| CN111932020B (zh) | 客户流失预测方法和装置 | |
| CN110348705B (zh) | 用于风险控制的方法和装置 | |
| CN110445939B (zh) | 容量资源的预测方法及装置 | |
| CN108566287A (zh) | 一种基于深度学习的集群服务器运维优化方法 | |
| CN116506474B (zh) | 一种基于云边协同的电力微服务分层系统 | |
| CN110458351A (zh) | 基于人流量的区域管理方法、装置、设备及可读存储介质 | |
| CN110888625A (zh) | 基于需求变更和项目风险对代码质量进行控制的方法 | |
| CN112069226B (zh) | 一种数据挖掘模型跨平台共享的方法和存储设备 | |
| CN115016950B (zh) | 一种基于多线程模型的数据分析方法及系统 | |
| CN116880867A (zh) | 基于策略大模型的决策引擎更新方法及装置 | |
| CN112069244B (zh) | 一种基于可视化web页面数据挖掘的方法和存储设备 | |
| CN113703808B (zh) | 组件化的灰度发布方法、装置、设备及存储介质 | |
| CN114491936A (zh) | 高压管汇寿命的确定方法及装置、高压管汇系统 | |
| CN108735214A (zh) | 设备的语音控制方法及装置 | |
| CN111273901B (zh) | 一种可快捷上线部署的机器学习模型的文件格式及部署方法 | |
| CN112905987B (zh) | 账号识别方法、装置、服务器及存储介质 | |
| CN110233941B (zh) | 一种基于马尔科夫模型的热线话务信道预测方法及系统 | |
| CN112579436A (zh) | 一种微服务软件架构识别与度量方法 | |
| CN113570207A (zh) | 用户策略分配方法、装置及电子设备 | |
| CN112882687A (zh) | 一种高效的通用型规则引擎的实现方法 | |
| CN114841267B (zh) | 实时预测方法、装置、电子设备及计算机程序产品 | |
| CN114356405B (zh) | 开源组件函数的匹配方法、装置、计算机设备和存储介质 | |
| CN114124526B (zh) | 一种结合多层次和熵权法的威胁复杂性分析方法 | |
| CN112651447B (zh) | 一种基于本体的资源分类标注方法及系统 |
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 |