CN112101412A - 智能分类垃圾信息处理方法、装置及服务器 - Google Patents
智能分类垃圾信息处理方法、装置及服务器 Download PDFInfo
- Publication number
- CN112101412A CN112101412A CN202010802631.0A CN202010802631A CN112101412A CN 112101412 A CN112101412 A CN 112101412A CN 202010802631 A CN202010802631 A CN 202010802631A CN 112101412 A CN112101412 A CN 112101412A
- Authority
- CN
- China
- Prior art keywords
- service
- classification
- analysis
- target
- list
- 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.)
- Withdrawn
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种智能分类垃圾信息处理方法、装置及服务器,通过将已分类处理的智能分类标签列表的垃圾分类服务元素作为输入元素,以垃圾分类服务标记作为输出元素,构建对应的分类处理目标模型,然后识别待分类处理的智能分类标签列表中每个目标标签源数据所对应的垃圾分类服务对象,由此对每个目标标签源数据所对应的垃圾分类服务对象进行特征识别与预测,生成每个目标标签源数据所对应的垃圾分类服务标记,从而将每个目标标签源数据分别推送至至少一个垃圾服务终端中。如此,可以将复制的智能分类标签按照网络学习推送到分散的垃圾服务终端中,以提高服务推送的精度。
Description
技术领域
本申请涉及通信技术领域,具体而言,涉及一种智能分类垃圾信息处理方法、装置及服务器。
背景技术
现有技术中,针对遍布设置的垃圾服务终端,可以为用户提高诸多分类垃圾回收服务的远程操作,对于不同的场景服务中,垃圾服务终端的用于进行服务匹配的标签源数据各不相同,传统方案中需要单个进行人工培植,操作繁琐,导致后续的服务推送的精度远远不够。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种智能分类垃圾信息处理方法、装置及服务器,可以将复制的智能分类标签按照网络学习推送到分散的垃圾服务终端中,以提高服务推送的精度。
第一方面,本申请提供一种智能分类垃圾信息处理方法,应用于服务器,所述服务器与至少一个垃圾处理区域的垃圾服务终端通信连接,所述方法包括:
获取已分类处理的智能分类标签列表,所述已分类处理的智能分类标签列表中包括多个已根据本次垃圾分类服务去向执行智能分类标签操作的标签源数据,每个已执行智能分类标签操作的标签源数据包括已识别出的垃圾分类服务元素以及该标签源数据对应的垃圾分类服务标记,所述垃圾分类服务元素与至少一个垃圾服务终端的服务场景配置信息相对应,所述垃圾分类服务标记为可利用标记或非可利用标记;
以所述垃圾分类服务元素作为分类利用去向预测网络的输入元素,以所述垃圾分类服务标记作为所述分类利用去向预测网络的输出元素,构建对应的分类利用去向预测网络,将构建好的分类利用去向预测网络作为分类处理目标模型;
识别待分类处理的智能分类标签列表中每个目标标签源数据所对应的垃圾分类服务对象,根据所述分类处理目标模型对所述每个目标标签源数据所对应的垃圾分类服务对象进行特征识别与预测,生成所述每个目标标签源数据所对应的垃圾分类服务标记;
根据所述每个目标标签源数据所对应的垃圾分类服务对象和垃圾分类服务标记,将每个目标标签源数据分别推送至至少一个垃圾服务终端中。
在第一方面的一种可能的设计中,所述垃圾分类服务标记为可利用标记的标签源数据通过以下方式获取得到:
获取可利用垃圾去向服务的标签源数据以及标记可利用垃圾去向服务的标签源数据;
根据所述标记可利用垃圾去向服务的标签源数据的垃圾分类服务元素,生成第一匹配元素段,以及根据所述可利用垃圾去向服务的标签源数据的垃圾分类服务元素,生成第二匹配元素段;
计算所述第一匹配元素段和所述第二匹配元素段之间的共同元素段;
根据所述第一匹配元素段和所述第二匹配元素段之间的共同元素段,从所述标记可利用垃圾去向服务中,筛选出目标标签源数据;
将筛选出的目标标签源数据和所述可利用垃圾去向服务的标签源数据作为所述垃圾分类服务标记为可利用标记的标签源数据。
在第一方面的一种可能的设计中,所述以所述垃圾分类服务元素作为分类利用去向预测网络的输入元素,以所述垃圾分类服务标记作为所述分类利用去向预测网络的输出元素,构建对应的分类利用去向预测网络的步骤,包括:
以所述垃圾分类服务元素作为分类利用去向预测网络的输入元素,将所述垃圾分类服务元素输入到所述分类利用去向预测网络中,通过所述分类利用去向预测网络解析所述垃圾分类服务元素在目标预设数据段内的目标服务特征分类,所述目标服务特征分类包括目标服务分类特征向量列表;
根据对所述目标服务分类特征向量列表进行回归分析处理,得到多个目标服务分类特征向量;
根据所述目标服务分类特征向量所对应的分类特征分段确定多个第一配置服务脚本,所述多个第一配置服务脚本分别为所述多个目标服务分类特征向量在所述分类利用去向预测网络中训练的配置服务脚本,所述分类利用去向预测网络用于学习多个目标服务分类特征向量列表进行回归分析处理之后的目标服务分类特征向量,以及回归分析处理后的各个目标服务分类特征向量在所述分类利用去向预测网络中表达的配置服务脚本,所述多个目标服务分类特征向量列表为在所述目标预设数据段内获取到的多个目标服务分类特征向量所包括的目标服务分类特征向量列表;
按照所述多个第一配置服务脚本中的每个第一配置服务脚本从高优先级到低优先级的顺序,对所述多个第一配置服务脚本进行排序,得到配置服务脚本列表;
基于预设相似权重阈值和所述配置服务脚本列表,确定所述多个目标服务分类特征向量中的目标服务分类特征向量在所述分类利用去向预测网络中表达的配置服务脚本,所述预设相似权重阈值用于指示所述目标服务分类特征向量列表与目标预设数据段内获取的目标服务分类特征向量列表相似部分在所述目标服务分类特征向量列表中所占的权重;
当所述目标服务分类特征向量在所述分类利用去向预测网络中表达的配置服务脚本匹配预设配置服务脚本时,确定所述目标服务特征分类为可学习目标服务特征分类;当确定该目标服务特征分类为可学习目标服务特征分类时,对于所述多个第一配置服务脚本中的每个第一配置服务脚本,根据所述第一配置服务脚本控制所述分类利用去向预测网络学习在所述目标预设数据段内接收的多个目标服务分类特征向量列表进行回归分析处理之后的目标服务分类特征向量,以及回归分析处理后的各个目标服务分类特征向量在所述分类利用去向预测网络中表达的配置服务脚本,并在训练之后生成预测标记;
根据所述预测标记和所述垃圾分类服务标记更新所述分类利用去向预测网络的网络配置信息。
在第一方面的一种可能的设计中,所述根据所述每个目标标签源数据所对应的垃圾分类服务对象和垃圾分类服务标记,将每个目标标签源数据分别推送至至少一个垃圾服务终端中的步骤,包括:
根据所述每个目标标签源数据所对应的垃圾分类服务对象和垃圾分类服务标记,生成对应的第一分类处理服务属性列表;
针对所述第一分类处理服务属性列表中的每个分类处理服务属性,计算该分类处理服务属性与上一次第二分类处理服务属性列表中与该分类处理服务属性所对应的分类处理服务属性之间的服务属性回归参数;
根据所述服务属性回归参数和该分类处理服务属性在所述第一分类处理服务属性列表中所对应的服务解析向量确定所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表;
根据所述第一分类处理服务属性列表与其它第二分类处理服务属性列表在每个分类处理服务属性上的服务解析参考列表确定所述第一分类处理服务属性列表中需推送至至少一个垃圾服务终端的目标标签源数据。
在第一方面的一种可能的设计中,所述根据所述服务属性回归参数和该分类处理服务属性在所述第一分类处理服务属性列表中所对应的服务解析向量确定所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表的步骤,包括:
根据所述服务属性回归参数中服务属性拆分特征的特征权重和特征切换关联关系,确定所述服务属性回归参数中的回归分析元素的服务解析协议特征信息及服务解析特征段的服务解析过程特征信息;
根据所述服务解析协议特征信息确定在预设协议映射集中与所述服务属性回归参数中的回归分析元素相对应的回归分析元素,以及根据所述服务解析过程特征信息确定在所述预设协议映射集中与所述服务属性回归参数中的服务解析特征段相对应的服务解析特征段;
将所述预设协议映射集中的回归分析元素及服务解析特征段进行融合确定该分类处理服务属性所对应的分类处理解析信息;
将所述分类处理解析信息划分为多个服务解析去向元素和多个服务解析关联对象;
针对任意一个服务解析去向元素,将所述服务解析去向元素在所述分类处理解析信息中表示回归分析元素的控制段进行划分得到多个子服务解析去向元素,并确定所述多个子服务解析去向元素的特征切换关联关系;
针对任意一个服务解析关联对象,将所述服务解析关联对象在所述分类处理解析信息中表示回归分析元素的控制段进行划分得到多个子服务解析关联对象,并确定所述多个子服务解析关联对象的解析特征向量;
根据该分类处理服务属性在所述第一分类处理服务属性列表中所对应的服务解析向量,对所述多个子服务解析去向元素的特征切换关联关系和所述多个子服务解析关联对象的解析特征向量进行并集处理,确定所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表。
在第一方面的一种可能的设计中,所述根据该分类处理服务属性在所述第一分类处理服务属性列表中所对应的服务解析向量,对所述多个子服务解析去向元素的特征切换关联关系和所述多个子服务解析关联对象的解析特征向量进行并集处理,确定所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表的步骤,包括:
从所述多个子服务解析去向元素的特征切换关联关系中选择至少部分特征切换关联关系对对应的多个子服务解析关联对象的解析特征向量进行特征转换,得到转换后的解析特征向量;
分别将转换后的解析特征向量进行融合,得到第一融合解析特征向量列表,并根据该分类处理服务属性在所述第一分类处理服务属性列表中所对应的服务解析向量对所述第一融合解析特征向量列表进行向量处理,得到第二融合解析特征向量列表;
调用融合程序,通过融合程序确定所述第一融合解析特征向量列表中包含的每种服务标签的第一融合解析特征向量值以及第二融合解析特征向量列表中包含的每种服务标签的第二融合解析特征向量值;
比对所述第一融合解析特征向量列表中包含的每种服务标签的第一融合解析特征向量值和第二融合解析特征向量列表中包含的每种服务标签的第二融合解析特征向量值,确定每种服务标签的服务解析参数,并根据每种服务标签的服务解析参数确定所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表。
在第一方面的一种可能的设计中,所述根据每种服务标签的服务解析参数确定所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表的步骤,包括:
根据每种服务标签的服务解析参数确定所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性的初始服务解析参考列表,并对所述初始服务解析参考列表中的各初始服务解析参考节点的节点位置和预设服务解析生成关系,生成所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表。
第二方面,本申请实施例还提供一种智能分类垃圾信息处理装置,
应用于服务器,所述服务器与至少一个垃圾服务终端通信连接,所述装置包括:
获取模块,用于获取已分类处理的智能分类标签列表,所述已分类处理的智能分类标签列表中包括多个已根据本次垃圾分类服务去向执行智能分类标签操作的标签源数据,每个已执行智能分类标签操作的标签源数据包括已识别出的垃圾分类服务元素以及该标签源数据对应的垃圾分类服务标记,所述垃圾分类服务元素与至少一个垃圾服务终端的服务场景配置信息相对应,所述垃圾分类服务标记为可利用标记或非可利用标记;
构建模块,用于以所述垃圾分类服务元素作为分类利用去向预测网络的输入元素,以所述垃圾分类服务标记作为所述分类利用去向预测网络的输出元素,构建对应的分类利用去向预测网络,将构建好的分类利用去向预测网络作为分类处理目标模型;
识别生成模块,用于识别待分类处理的智能分类标签列表中每个目标标签源数据所对应的垃圾分类服务对象,根据所述分类处理目标模型对所述每个目标标签源数据所对应的垃圾分类服务对象进行特征识别与预测,生成所述每个目标标签源数据所对应的垃圾分类服务标记;
推送模块,用于根据所述每个目标标签源数据所对应的垃圾分类服务对象和垃圾分类服务标记,将每个目标标签源数据分别推送至至少一个垃圾服务终端中。
第三方面,本申请实施例还提供一种服务器,所述服务器包括处理器、机器可读存储介质和网络接口,所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连,所述网络接口用于与至少一个垃圾服务终端通信连接,所述机器可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述机器可读存储介质中的程序、指令或代码,以执行第一方面或者第一方面中任意一个可能的设计中的智能分类垃圾信息处理方法。
第四方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其在计算机上检测时,使得计算机执行上述第一方面或者第一方面中任意一个可能的设计中的智能分类垃圾信息处理方法。
基于上述任意一个方面,本申请通过将已分类处理的智能分类标签列表的垃圾分类服务元素作为输入元素,以垃圾分类服务标记作为输出元素,构建对应的分类处理目标模型,然后识别待分类处理的智能分类标签列表中每个目标标签源数据所对应的垃圾分类服务对象,根据分类处理目标模型对每个目标标签源数据所对应的垃圾分类服务对象进行特征识别与预测,生成每个目标标签源数据所对应的垃圾分类服务标记,从而根据每个目标标签源数据所对应的垃圾分类服务对象和垃圾分类服务标记,将每个目标标签源数据分别推送至至少一个垃圾服务终端中。如此,可以将复制的智能分类标签按照网络学习推送到分散的垃圾服务终端中,以提高服务推送的精度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的智能分类垃圾信息处理系统的应用场景示意图;
图2为本申请实施例提供的智能分类垃圾信息处理方法的流程示意图之一;
图3为本申请实施例提供的智能分类垃圾信息处理装置的功能模块示意图;
图4为本申请实施例提供的用于实现上述的智能分类垃圾信息处理方法的服务器的结构示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明,方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本申请一种实施例提供的智能分类垃圾信息处理系统10的交互示意图。智能分类垃圾信息处理系统10可以包括服务器100以及与所述服务器100通信连接的垃圾服务终端200,服务器100中可以包括执行指令操作的处理器。图1所示的智能分类垃圾信息处理系统10仅为一种可行的示例,在其它可行的实施例中,该智能分类垃圾信息处理系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
为了解决前述背景技术中的技术问题,图2为本申请实施例提供的智能分类垃圾信息处理方法的流程示意图,本实施例提供的智能分类垃圾信息处理方法可以由图1中所示的服务器100执行,下面对该智能分类垃圾信息处理方法进行详细介绍。
步骤S110,获取已分类处理的智能分类标签列表,已分类处理的智能分类标签列表中包括多个已根据本次垃圾分类服务去向执行智能分类标签操作的标签源数据,每个已执行智能分类标签操作的标签源数据包括已识别出的垃圾分类服务元素以及该标签源数据对应的垃圾分类服务标记,垃圾分类服务元素与至少一个垃圾服务终端200的服务场景配置信息相对应,垃圾分类服务标记为可利用标记或非可利用标记。
步骤S120,以垃圾分类服务元素作为分类利用去向预测网络的输入元素,以垃圾分类服务标记作为分类利用去向预测网络的输出元素,构建对应的分类利用去向预测网络,将构建好的分类利用去向预测网络作为分类处理目标模型。
步骤S130,识别待分类处理的智能分类标签列表中每个目标标签源数据所对应的垃圾分类服务对象,根据分类处理目标模型对每个目标标签源数据所对应的垃圾分类服务对象进行特征识别与预测,生成每个目标标签源数据所对应的垃圾分类服务标记。
步骤S140,根据每个目标标签源数据所对应的垃圾分类服务对象和垃圾分类服务标记,将每个目标标签源数据分别推送至至少一个垃圾服务终端200中。
基于上述步骤,本实施例通过将已分类处理的智能分类标签列表的垃圾分类服务元素作为输入元素,以垃圾分类服务标记作为输出元素,构建对应的分类处理目标模型,然后识别待分类处理的智能分类标签列表中每个目标标签源数据所对应的垃圾分类服务对象,根据分类处理目标模型对每个目标标签源数据所对应的垃圾分类服务对象进行特征识别与预测,生成每个目标标签源数据所对应的垃圾分类服务标记,从而根据每个目标标签源数据所对应的垃圾分类服务对象和垃圾分类服务标记,将每个目标标签源数据分别推送至至少一个垃圾服务终端200中。如此,可以将复制的智能分类标签按照网络学习推送到分散的垃圾服务终端200中,以提高服务推送的精度。
在一种可能的设计中,为了进一步提高服务推送的精度,垃圾分类服务标记为可利用标记的标签源数据可以通过以下方式获取得到:
首先,可以获取可利用垃圾去向服务的标签源数据以及标记可利用垃圾去向服务的标签源数据,并根据标记可利用垃圾去向服务的标签源数据的垃圾分类服务元素,生成第一匹配元素段,以及根据可利用垃圾去向服务的标签源数据的垃圾分类服务元素,生成第二匹配元素段。在此基础上,可以计算第一匹配元素段和第二匹配元素段之间的共同元素段,并根据第一匹配元素段和第二匹配元素段之间的共同元素段,从标记可利用垃圾去向服务中,筛选出目标标签源数据。由此,可以将筛选出的目标标签源数据和可利用垃圾去向服务的标签源数据作为垃圾分类服务标记为可利用标记的标签源数据。
在一种可能的设计中,针对步骤S120,可以以垃圾分类服务元素作为分类利用去向预测网络的输入元素,将垃圾分类服务元素输入到分类利用去向预测网络中,通过分类利用去向预测网络解析垃圾分类服务元素在目标预设数据段内的目标服务特征分类,目标服务特征分类包括目标服务分类特征向量列表。
然后,根据对目标服务分类特征向量列表进行回归分析处理,得到多个目标服务分类特征向量。而后,根据目标服务分类特征向量所对应的分类特征分段确定多个第一配置服务脚本,多个第一配置服务脚本分别为多个目标服务分类特征向量在分类利用去向预测网络中训练的配置服务脚本,分类利用去向预测网络用于学习多个目标服务分类特征向量列表进行回归分析处理之后的目标服务分类特征向量,以及回归分析处理后的各个目标服务分类特征向量在分类利用去向预测网络中表达的配置服务脚本,多个目标服务分类特征向量列表为在目标预设数据段内获取到的多个目标服务分类特征向量所包括的目标服务分类特征向量列表。
在此基础上,可以按照多个第一配置服务脚本中的每个第一配置服务脚本从高优先级到低优先级的顺序,对多个第一配置服务脚本进行排序,得到配置服务脚本列表,并基于预设相似权重阈值和配置服务脚本列表,确定多个目标服务分类特征向量中的目标服务分类特征向量在分类利用去向预测网络中表达的配置服务脚本,预设相似权重阈值用于指示目标服务分类特征向量列表与目标预设数据段内获取的目标服务分类特征向量列表相似部分在目标服务分类特征向量列表中所占的权重。
由此,当目标服务分类特征向量在分类利用去向预测网络中表达的配置服务脚本匹配预设配置服务脚本时,确定目标服务特征分类为可学习目标服务特征分类。当确定该目标服务特征分类为可学习目标服务特征分类时,对于多个第一配置服务脚本中的每个第一配置服务脚本,根据第一配置服务脚本控制分类利用去向预测网络学习在目标预设数据段内接收的多个目标服务分类特征向量列表进行回归分析处理之后的目标服务分类特征向量,以及回归分析处理后的各个目标服务分类特征向量在分类利用去向预测网络中表达的配置服务脚本,并在训练之后生成预测标记,从而根据预测标记和垃圾分类服务标记更新分类利用去向预测网络的网络配置信息。
在一种可能的设计中,针对步骤S140,本实施例可以根据每个目标标签源数据所对应的垃圾分类服务对象和垃圾分类服务标记,生成对应的第一分类处理服务属性列表。然后,可以针对第一分类处理服务属性列表中的每个分类处理服务属性,计算该分类处理服务属性与上一次第二分类处理服务属性列表中与该分类处理服务属性所对应的分类处理服务属性之间的服务属性回归参数。
在此基础上,可以进一步根据服务属性回归参数和该分类处理服务属性在第一分类处理服务属性列表中所对应的服务解析向量确定第一分类处理服务属性列表与第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表。由此,根据第一分类处理服务属性列表与其它第二分类处理服务属性列表在每个分类处理服务属性上的服务解析参考列表确定第一分类处理服务属性列表中需推送至至少一个垃圾服务终端200的目标标签源数据。
例如,可以根据服务属性回归参数中服务属性拆分特征的特征权重和特征切换关联关系,确定服务属性回归参数中的回归分析元素的服务解析协议特征信息及服务解析特征段的服务解析过程特征信息。接着,根据服务解析协议特征信息确定在预设协议映射集中与服务属性回归参数中的回归分析元素相对应的回归分析元素,以及根据服务解析过程特征信息确定在预设协议映射集中与服务属性回归参数中的服务解析特征段相对应的服务解析特征段。然后,尅一和将预设协议映射集中的回归分析元素及服务解析特征段进行融合确定该分类处理服务属性所对应的分类处理解析信息,并将分类处理解析信息划分为多个服务解析去向元素和多个服务解析关联对象。
在此基础上,针对任意一个服务解析去向元素,将服务解析去向元素在分类处理解析信息中表示回归分析元素的控制段进行划分得到多个子服务解析去向元素,并确定多个子服务解析去向元素的特征切换关联关系,同时针对任意一个服务解析关联对象,将服务解析关联对象在分类处理解析信息中表示回归分析元素的控制段进行划分得到多个子服务解析关联对象,并确定多个子服务解析关联对象的解析特征向量。
由此,可以根据该分类处理服务属性在第一分类处理服务属性列表中所对应的服务解析向量,对多个子服务解析去向元素的特征切换关联关系和多个子服务解析关联对象的解析特征向量进行并集处理,确定第一分类处理服务属性列表与第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表。
例如在一种可能的设计中,可以从多个子服务解析去向元素的特征切换关联关系中选择至少部分特征切换关联关系对对应的多个子服务解析关联对象的解析特征向量进行特征转换,得到转换后的解析特征向量。然后,分别将转换后的解析特征向量进行融合,得到第一融合解析特征向量列表,并根据该分类处理服务属性在第一分类处理服务属性列表中所对应的服务解析向量对第一融合解析特征向量列表进行向量处理,得到第二融合解析特征向量列表。
在此基础上,可以调用融合程序,通过融合程序确定第一融合解析特征向量列表中包含的每种服务标签的第一融合解析特征向量值以及第二融合解析特征向量列表中包含的每种服务标签的第二融合解析特征向量值,接着比对第一融合解析特征向量列表中包含的每种服务标签的第一融合解析特征向量值和第二融合解析特征向量列表中包含的每种服务标签的第二融合解析特征向量值,确定每种服务标签的服务解析参数,并根据每种服务标签的服务解析参数确定第一分类处理服务属性列表与第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表。
例如在一种可能的设计中,可以进一步根据每种服务标签的服务解析参数确定第一分类处理服务属性列表与第二分类处理服务属性列表在该分类处理服务属性的初始服务解析参考列表,并对初始服务解析参考列表中的各初始服务解析参考节点的节点位置和预设服务解析生成关系,生成第一分类处理服务属性列表与第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表。
图3为本申请实施例提供的智能分类垃圾信息处理装置300的功能模块示意图,本实施例可以根据上述服务器100执行的方法实施例对该智能分类垃圾信息处理装置300进行功能模块的划分。例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。比如,在采用对应各个功能划分各个功能模块的情况下,图3示出的智能分类垃圾信息处理装置300只是一种装置示意图。其中,智能分类垃圾信息处理装置300可以包括获取模块310、构建模块320、识别生成模块330以及推送模块340,下面分别对该智能分类垃圾信息处理装置300的各个功能模块的功能进行详细阐述。
获取模块310,用于获取已分类处理的智能分类标签列表,已分类处理的智能分类标签列表中包括多个已根据本次垃圾分类服务去向执行智能分类标签操作的标签源数据,每个已执行智能分类标签操作的标签源数据包括已识别出的垃圾分类服务元素以及该标签源数据对应的垃圾分类服务标记,垃圾分类服务元素与至少一个垃圾服务终端200的服务场景配置信息相对应,垃圾分类服务标记为可利用标记或非可利用标记。
构建模块320,用于以垃圾分类服务元素作为分类利用去向预测网络的输入元素,以垃圾分类服务标记作为分类利用去向预测网络的输出元素,构建对应的分类利用去向预测网络,将构建好的分类利用去向预测网络作为分类处理目标模型。
识别生成模块330,用于识别待分类处理的智能分类标签列表中每个目标标签源数据所对应的垃圾分类服务对象,根据分类处理目标模型对每个目标标签源数据所对应的垃圾分类服务对象进行特征识别与预测,生成每个目标标签源数据所对应的垃圾分类服务标记。
推送模块340,用于根据每个目标标签源数据所对应的垃圾分类服务对象和垃圾分类服务标记,将每个目标标签源数据分别推送至至少一个垃圾服务终端200中。
进一步地,图4为本申请实施例提供的用于执行上述智能分类垃圾信息处理方法的服务器100的结构示意图。如图4所示,该服务器100可包括网络接口110、机器可读存储介质120、处理器130以及总线140。处理器130可以是一个或多个,图4中以一个处理器130为例。网络接口110、机器可读存储介质120以及处理器130可以通过总线140或其他方式连接,图4中以通过总线140连接为例。
机器可读存储介质120作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的智能分类垃圾信息处理方法对应的程序指令/模块(例如图3中所示的智能分类垃圾信息处理装置300的获取模块310、构建模块320、识别生成模块330以及推送模块340)。处理器130通过检测存储在机器可读存储介质120中的软件程序、指令以及模块,从而执行终端设备的各种功能应用以及数据处理,即实现上述的智能分类垃圾信息处理方法,在此不再赘述。
机器可读存储介质120可主要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、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,机器可读存储介质120可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-OnlyMemory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DR RAM)。应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合发布节点的存储器。在一些实例中,机器可读存储介质120可进一步包括相对于处理器130远程设置的存储器,这些远程存储器可以通过网络连接至服务器100。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。
处理器130可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。
服务器100可以通过通信接口110和其它设备(例如垃圾服务终端200)进行信息交互。通信接口110可以是电路、总线、收发器或者其它任意可以用于进行信息交互的装置。处理器130可以利用通信接口110收发信息。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本申请实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种智能分类垃圾信息处理方法,其特征在于,应用于服务器,所述服务器与至少一个垃圾处理区域的垃圾服务终端通信连接,所述方法包括:
获取已分类处理的智能分类标签列表,所述已分类处理的智能分类标签列表中包括多个已根据本次垃圾分类服务去向执行智能分类标签操作的标签源数据,每个已执行智能分类标签操作的标签源数据包括已识别出的垃圾分类服务元素以及该标签源数据对应的垃圾分类服务标记,所述垃圾分类服务元素与至少一个垃圾服务终端的服务场景配置信息相对应,所述垃圾分类服务标记为可利用标记或非可利用标记;
以所述垃圾分类服务元素作为分类利用去向预测网络的输入元素,以所述垃圾分类服务标记作为所述分类利用去向预测网络的输出元素,构建对应的分类利用去向预测网络,将构建好的分类利用去向预测网络作为分类处理目标模型;
识别待分类处理的智能分类标签列表中每个目标标签源数据所对应的垃圾分类服务对象,根据所述分类处理目标模型对所述每个目标标签源数据所对应的垃圾分类服务对象进行特征识别与预测,生成所述每个目标标签源数据所对应的垃圾分类服务标记;
根据所述每个目标标签源数据所对应的垃圾分类服务对象和垃圾分类服务标记,将每个目标标签源数据分别推送至至少一个垃圾服务终端中。
2.根据权利要求1所述的智能分类垃圾信息处理方法,其特征在于,所述垃圾分类服务标记为可利用标记的标签源数据通过以下方式获取得到:
获取可利用垃圾去向服务的标签源数据以及标记可利用垃圾去向服务的标签源数据;
根据所述标记可利用垃圾去向服务的标签源数据的垃圾分类服务元素,生成第一匹配元素段,以及根据所述可利用垃圾去向服务的标签源数据的垃圾分类服务元素,生成第二匹配元素段;
计算所述第一匹配元素段和所述第二匹配元素段之间的共同元素段;
根据所述第一匹配元素段和所述第二匹配元素段之间的共同元素段,从所述标记可利用垃圾去向服务中,筛选出目标标签源数据;
将筛选出的目标标签源数据和所述可利用垃圾去向服务的标签源数据作为所述垃圾分类服务标记为可利用标记的标签源数据。
3.根据权利要求1所述的智能分类垃圾信息处理方法,其特征在于,所述以所述垃圾分类服务元素作为分类利用去向预测网络的输入元素,以所述垃圾分类服务标记作为所述分类利用去向预测网络的输出元素,构建对应的分类利用去向预测网络的步骤,包括:
以所述垃圾分类服务元素作为分类利用去向预测网络的输入元素,将所述垃圾分类服务元素输入到所述分类利用去向预测网络中,通过所述分类利用去向预测网络解析所述垃圾分类服务元素在目标预设数据段内的目标服务特征分类,所述目标服务特征分类包括目标服务分类特征向量列表;
根据对所述目标服务分类特征向量列表进行回归分析处理,得到多个目标服务分类特征向量;
根据所述目标服务分类特征向量所对应的分类特征分段确定多个第一配置服务脚本,所述多个第一配置服务脚本分别为所述多个目标服务分类特征向量在所述分类利用去向预测网络中训练的配置服务脚本,所述分类利用去向预测网络用于学习多个目标服务分类特征向量列表进行回归分析处理之后的目标服务分类特征向量,以及回归分析处理后的各个目标服务分类特征向量在所述分类利用去向预测网络中表达的配置服务脚本,所述多个目标服务分类特征向量列表为在所述目标预设数据段内获取到的多个目标服务分类特征向量所包括的目标服务分类特征向量列表;
按照所述多个第一配置服务脚本中的每个第一配置服务脚本从高优先级到低优先级的顺序,对所述多个第一配置服务脚本进行排序,得到配置服务脚本列表;
基于预设相似权重阈值和所述配置服务脚本列表,确定所述多个目标服务分类特征向量中的目标服务分类特征向量在所述分类利用去向预测网络中表达的配置服务脚本,所述预设相似权重阈值用于指示所述目标服务分类特征向量列表与目标预设数据段内获取的目标服务分类特征向量列表相似部分在所述目标服务分类特征向量列表中所占的权重;
当所述目标服务分类特征向量在所述分类利用去向预测网络中表达的配置服务脚本匹配预设配置服务脚本时,确定所述目标服务特征分类为可学习目标服务特征分类;当确定该目标服务特征分类为可学习目标服务特征分类时,对于所述多个第一配置服务脚本中的每个第一配置服务脚本,根据所述第一配置服务脚本控制所述分类利用去向预测网络学习在所述目标预设数据段内接收的多个目标服务分类特征向量列表进行回归分析处理之后的目标服务分类特征向量,以及回归分析处理后的各个目标服务分类特征向量在所述分类利用去向预测网络中表达的配置服务脚本,并在训练之后生成预测标记;
根据所述预测标记和所述垃圾分类服务标记更新所述分类利用去向预测网络的网络配置信息。
4.根据权利要求1所述的智能分类垃圾信息处理方法,其特征在于,所述根据所述每个目标标签源数据所对应的垃圾分类服务对象和垃圾分类服务标记,将每个目标标签源数据分别推送至至少一个垃圾服务终端中的步骤,包括:
根据所述每个目标标签源数据所对应的垃圾分类服务对象和垃圾分类服务标记,生成对应的第一分类处理服务属性列表;
针对所述第一分类处理服务属性列表中的每个分类处理服务属性,计算该分类处理服务属性与上一次第二分类处理服务属性列表中与该分类处理服务属性所对应的分类处理服务属性之间的服务属性回归参数;
根据所述服务属性回归参数和该分类处理服务属性在所述第一分类处理服务属性列表中所对应的服务解析向量确定所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表;
根据所述第一分类处理服务属性列表与其它第二分类处理服务属性列表在每个分类处理服务属性上的服务解析参考列表确定所述第一分类处理服务属性列表中需推送至至少一个垃圾服务终端的目标标签源数据。
5.根据权利要求4所述的智能分类垃圾信息处理方法,其特征在于,所述根据所述服务属性回归参数和该分类处理服务属性在所述第一分类处理服务属性列表中所对应的服务解析向量确定所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表的步骤,包括:
根据所述服务属性回归参数中服务属性拆分特征的特征权重和特征切换关联关系,确定所述服务属性回归参数中的回归分析元素的服务解析协议特征信息及服务解析特征段的服务解析过程特征信息;
根据所述服务解析协议特征信息确定在预设协议映射集中与所述服务属性回归参数中的回归分析元素相对应的回归分析元素,以及根据所述服务解析过程特征信息确定在所述预设协议映射集中与所述服务属性回归参数中的服务解析特征段相对应的服务解析特征段;
将所述预设协议映射集中的回归分析元素及服务解析特征段进行融合确定该分类处理服务属性所对应的分类处理解析信息;
将所述分类处理解析信息划分为多个服务解析去向元素和多个服务解析关联对象;
针对任意一个服务解析去向元素,将所述服务解析去向元素在所述分类处理解析信息中表示回归分析元素的控制段进行划分得到多个子服务解析去向元素,并确定所述多个子服务解析去向元素的特征切换关联关系;
针对任意一个服务解析关联对象,将所述服务解析关联对象在所述分类处理解析信息中表示回归分析元素的控制段进行划分得到多个子服务解析关联对象,并确定所述多个子服务解析关联对象的解析特征向量;
根据该分类处理服务属性在所述第一分类处理服务属性列表中所对应的服务解析向量,对所述多个子服务解析去向元素的特征切换关联关系和所述多个子服务解析关联对象的解析特征向量进行并集处理,确定所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表。
6.根据权利要求5所述的智能分类垃圾信息处理方法,其特征在于,所述根据该分类处理服务属性在所述第一分类处理服务属性列表中所对应的服务解析向量,对所述多个子服务解析去向元素的特征切换关联关系和所述多个子服务解析关联对象的解析特征向量进行并集处理,确定所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表的步骤,包括:
从所述多个子服务解析去向元素的特征切换关联关系中选择至少部分特征切换关联关系对对应的多个子服务解析关联对象的解析特征向量进行特征转换,得到转换后的解析特征向量;
分别将转换后的解析特征向量进行融合,得到第一融合解析特征向量列表,并根据该分类处理服务属性在所述第一分类处理服务属性列表中所对应的服务解析向量对所述第一融合解析特征向量列表进行向量处理,得到第二融合解析特征向量列表;
调用融合程序,通过融合程序确定所述第一融合解析特征向量列表中包含的每种服务标签的第一融合解析特征向量值以及第二融合解析特征向量列表中包含的每种服务标签的第二融合解析特征向量值;
比对所述第一融合解析特征向量列表中包含的每种服务标签的第一融合解析特征向量值和第二融合解析特征向量列表中包含的每种服务标签的第二融合解析特征向量值,确定每种服务标签的服务解析参数,并根据每种服务标签的服务解析参数确定所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表。
7.根据权利要求6所述的智能分类垃圾信息处理方法,其特征在于,所述根据每种服务标签的服务解析参数确定所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表的步骤,包括:
根据每种服务标签的服务解析参数确定所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性的初始服务解析参考列表,并对所述初始服务解析参考列表中的各初始服务解析参考节点的节点位置和预设服务解析生成关系,生成所述第一分类处理服务属性列表与所述第二分类处理服务属性列表在该分类处理服务属性上的服务解析参考列表。
8.一种智能分类垃圾信息处理装置,其特征在于,应用于服务器,所述服务器与至少一个垃圾服务终端通信连接,所述装置包括:
获取模块,用于获取已分类处理的智能分类标签列表,所述已分类处理的智能分类标签列表中包括多个已根据本次垃圾分类服务去向执行智能分类标签操作的标签源数据,每个已执行智能分类标签操作的标签源数据包括已识别出的垃圾分类服务元素以及该标签源数据对应的垃圾分类服务标记,所述垃圾分类服务元素与至少一个垃圾服务终端的服务场景配置信息相对应,所述垃圾分类服务标记为可利用标记或非可利用标记;
构建模块,用于以所述垃圾分类服务元素作为分类利用去向预测网络的输入元素,以所述垃圾分类服务标记作为所述分类利用去向预测网络的输出元素,构建对应的分类利用去向预测网络,将构建好的分类利用去向预测网络作为分类处理目标模型;
识别生成模块,用于识别待分类处理的智能分类标签列表中每个目标标签源数据所对应的垃圾分类服务对象,根据所述分类处理目标模型对所述每个目标标签源数据所对应的垃圾分类服务对象进行特征识别与预测,生成所述每个目标标签源数据所对应的垃圾分类服务标记;
推送模块,用于根据所述每个目标标签源数据所对应的垃圾分类服务对象和垃圾分类服务标记,将每个目标标签源数据分别推送至至少一个垃圾服务终端中。
9.一种服务器,其特征在于,所述服务器包括处理器、机器可读存储介质和网络接口,所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连,所述网络接口用于与至少一个垃圾服务终端通信连接,所述机器可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述机器可读存储介质中的程序、指令或代码,以执行权利要求1-7中任意一项所述的智能分类垃圾信息处理方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有机器可执行指令,当所述机器可执行指令被执行时实现权利要求1-7中任意一项所述的智能分类垃圾信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010802631.0A CN112101412A (zh) | 2020-08-11 | 2020-08-11 | 智能分类垃圾信息处理方法、装置及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010802631.0A CN112101412A (zh) | 2020-08-11 | 2020-08-11 | 智能分类垃圾信息处理方法、装置及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101412A true CN112101412A (zh) | 2020-12-18 |
Family
ID=73753459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010802631.0A Withdrawn CN112101412A (zh) | 2020-08-11 | 2020-08-11 | 智能分类垃圾信息处理方法、装置及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101412A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112579657A (zh) * | 2020-12-24 | 2021-03-30 | 北京志翔能源技术有限公司 | 基于机器学习的数据标签识别与标记方法及系统 |
-
2020
- 2020-08-11 CN CN202010802631.0A patent/CN112101412A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112579657A (zh) * | 2020-12-24 | 2021-03-30 | 北京志翔能源技术有限公司 | 基于机器学习的数据标签识别与标记方法及系统 |
CN112579657B (zh) * | 2020-12-24 | 2024-04-19 | 北京志翔信息技术有限公司 | 基于机器学习的数据标签识别与标记方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111132145B (zh) | 网络通信安全监测方法、装置、服务器及网络通信系统 | |
CN111061678B (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
CN111444422A (zh) | 物流信息推荐方法、装置、物流配送系统及服务器 | |
CN114492601A (zh) | 资源分类模型的训练方法、装置、电子设备及存储介质 | |
CN112800090A (zh) | 结合边缘计算和路径分析的数据处理方法及大数据云平台 | |
CN116319599A (zh) | 一种承载voip业务的信道分配系统及其方法 | |
CN112101412A (zh) | 智能分类垃圾信息处理方法、装置及服务器 | |
CN111680645B (zh) | 一种垃圾分类处理方法及装置 | |
CN110826606A (zh) | 要素匹配方法、装置、服务器及可读存储介质 | |
CN112383436B (zh) | 一种网络监控的方法和装置 | |
CN111814052A (zh) | 移动互联网用户管理方法、装置、服务器及可读存储介质 | |
WO2021169478A1 (zh) | 神经网络模型的融合训练方法及装置 | |
CN113326523A (zh) | 一种隐私计算方法、装置及电子设备 | |
CN112150814B (zh) | 基于智能交通的信息处理方法、装置及智能交通系统 | |
CN111126420B (zh) | 一种建立识别模型的方法及装置 | |
CN112380771B (zh) | 一种土壤侵蚀评估方法、装置及服务器 | |
CN111275089A (zh) | 一种分类模型训练方法及装置、存储介质 | |
CN111539477A (zh) | 水质监测管理方法、装置、服务器及可读存储介质 | |
CN112417668B (zh) | 一种生态保护智能预警方法、装置及服务器 | |
WO2021103589A1 (zh) | 信令分析方法和相关装置 | |
CN111526333A (zh) | 安防监控方法、装置、服务器及可读存储介质 | |
CN112364515B (zh) | 一种生态环境智能监控方法、装置及服务器 | |
CN112380493B (zh) | 一种土壤成分含量检测智能分析方法、装置及服务器 | |
CN112039994B (zh) | 基于互联网的远程监控方法、装置及服务器 | |
CN112579457B (zh) | 基于人工智能的数据架构管控方法及系统 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No.32 Dazhou Road, Yuhuatai District, Nanjing City, Jiangsu Province, 210012 Applicant after: Jin Xueru Address before: Room 212, scientific research building, No.1 building, Jiashan science and Technology Park, north of Beijing Avenue, Maanshan economic and Technological Development Zone, Anhui Province Applicant before: Jin Xueru |
|
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201218 |