CN112163156B - 基于人工智能和云计算的大数据处理方法及云端服务中心 - Google Patents

基于人工智能和云计算的大数据处理方法及云端服务中心 Download PDF

Info

Publication number
CN112163156B
CN112163156B CN202011067443.4A CN202011067443A CN112163156B CN 112163156 B CN112163156 B CN 112163156B CN 202011067443 A CN202011067443 A CN 202011067443A CN 112163156 B CN112163156 B CN 112163156B
Authority
CN
China
Prior art keywords
big data
service
information
mining
semantic description
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.)
Active
Application number
CN202011067443.4A
Other languages
English (en)
Other versions
CN112163156A (zh
Inventor
李德锋
翁海坤
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.)
Qingdao Renke Information Technology Co.,Ltd.
Original Assignee
Qingdao Renke Information Technology Co 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 Qingdao Renke Information Technology Co ltd filed Critical Qingdao Renke Information Technology Co ltd
Priority to CN202110329311.2A priority Critical patent/CN113536107B/zh
Priority to CN202011067443.4A priority patent/CN112163156B/zh
Publication of CN112163156A publication Critical patent/CN112163156A/zh
Application granted granted Critical
Publication of CN112163156B publication Critical patent/CN112163156B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F16/3346—Query execution using probabilistic model
    • 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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
    • G06F16/9562—Bookmark management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种基于人工智能和云计算的大数据处理方法及云端服务中心，通过将经过业务标签激活后的大数据挖掘事件信息和经过业务标签激活后的大数据服务控件进行协调，获取大数据协调服务控件，由此对所能执行的大数据服务控件进行优化。通过将大数据挖掘事件信息和大数据服务控件进行协调，不仅能够克服大数据服务控件在大数据服务进程初始化的业务场景下容易出错的情况，实现对大数据服务控件中的大数据挖掘业务进行业务适配的同时，还可获得具有全局一致性的目标全局大数据服务控件，由此完成决策大数据服务的挖掘业务配置，进而减少在线云计算项目在使用过程中的业务配置错误概率。

Description

基于人工智能和云计算的大数据处理方法及云端服务中心
技术领域
本发明涉及大数据技术领域，具体而言，涉及一种基于人工智能和云计算的大数据处理方法及云端服务中心。
背景技术
大数据（Big Data），是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。
相关技术中，对于产生的在线云端服务，可以反映用户的大数据使用过程中的行为特征信息，因此可以对这些在线云端服务进行分析，从而对大数据推送服务进行预先更新，以减少后续大数据推送服务单独适应性更新时增加的响应时间。并且，为了便于云端服务中心的各在线服务终端的运营需求，可以在运行大数据推送服务的过程中同步生成对应的大数据决策信息，大数据决策信息可以向在线服务终端提供相关的大数据决策部分的大数据服务控件（例如大数据服务的大数据决策配置信息、大数据挖掘方式的配置信息等）的建议，这样以便于减少后续各在线服务终端的工作量。然而发明人研究发现，当前的处理方式中，大数据服务控件在大数据服务进程初始化（例如第一次使用时）的业务场景下，如果没有有效结合大数据挖掘事件进行更新，则容易出现后续的大数据挖掘过程精准度不够的情况，导致后续在线云计算项目在使用过程中的业务配置错误概率也大大提高。
发明内容
为了至少克服现有技术中的上述不足，本发明的目的在于提供一种基于人工智能和云计算的大数据处理方法及云端服务中心，通过获取当前所能执行的大数据挖掘事件信息以及大数据服务控件，然后对二者分别进行业务标签激活，将经过业务标签激活后的大数据挖掘事件信息和经过业务标签激活后的大数据服务控件进行协调，获取大数据协调服务控件，由此对所能执行的大数据服务控件进行优化。通过将大数据挖掘事件信息和大数据服务控件进行协调，不仅能够克服大数据服务控件在大数据服务进程初始化的业务场景下容易出错的情况，实现对大数据服务控件中的大数据挖掘业务进行业务适配的同时，还可获得具有全局一致性的目标全局大数据服务控件，由此完成决策大数据服务的挖掘业务配置，进而减少在线云计算项目在使用过程中的业务配置错误概率。
第一方面，本发明提供一种基于人工智能和云计算的大数据处理方法，应用于云端服务中心，所述云端服务中心与多个在线服务终端通信连接，所述方法包括：
获取预先针对在线云计算项目的大数据决策信息；
获取当前针对所述大数据决策信息所能执行的大数据挖掘事件信息以及大数据服务控件，分别对所述大数据挖掘事件信息和所述大数据服务控件进行业务标签激活，根据经过业务标签激活后的大数据挖掘事件信息，获取大数据挖掘事件的业务挖掘内容；
将所述大数据挖掘事件的业务挖掘内容与经过业务标签激活后的大数据服务控件协调，获取大数据协调服务控件；
根据所述大数据协调服务控件，对所述大数据决策信息所对应的全局大数据服务控件进行自适应性更新，获取目标全局大数据服务控件，并基于所述目标全局大数据服务控件生成当前所能执行的大数据服务控件所对应的大数据挖掘业务的挖掘评价指标信息，完成决策大数据服务的挖掘业务配置，其中，所述挖掘评价指标信息包括主题簇指标数据；
根据预先配置的人工智能模型对所述挖掘评价指标信息进行指标分类，根据指标分类结果执行大数据挖掘操作。
在第一方面的一种可能的实现方式中，所述对所述大数据挖掘事件信息进行业务标签激活的步骤，包括：
对所述大数据挖掘事件信息进行特征提取，获取所述大数据挖掘事件信息的标签矩阵特征；
从所述大数据挖掘事件信息的标签矩阵特征中筛选出符合预设条件的特定标签矩阵特征；
计算所述特定标签矩阵特征的信息词条特征集合；
根据所述信息词条特征集合，对所述大数据挖掘事件信息进行预设业务标签的特征匹配，根据经过所述特征匹配后获取的匹配业务标签，对进行所述大数据挖掘事件信息进行业务标签激活。
在第一方面的一种可能的实现方式中，对所述大数据服务控件进行业务标签激活的步骤，包括：
从所述大数据服务控件中提取动态服务控件部分和非动态服务控件部分，并根据预设分类模板，分类所述动态服务控件部分中的独立大数据挖掘业务和联动大数据挖掘业务；
对所述独立大数据挖掘业务和联动大数据挖掘业务分别进行特征提取，获取所述独立大数据挖掘业务和所述联动大数据挖掘业务的挖掘特征；
从所述挖掘特征中筛选出符合预设条件的特定挖掘特征，计算所述挖掘特征的信息词条特征集合；
根据所述信息词条特征集合，对所述大数据服务控件进行预设业务标签的特征匹配，根据经过所述特征匹配后获取的匹配业务标签，对进行所述大数据服务控件进行业务标签激活。
在第一方面的一种可能的实现方式中，所述根据经过业务标签激活后的大数据挖掘事件信息，获取大数据挖掘事件的业务挖掘内容的步骤，包括：
根据经过业务标签激活后的大数据挖掘事件信息中首个大数据挖掘事件作为关键大数据挖掘事件插入业务挖掘模型中；
以所述首个大数据挖掘事件作为参考大数据挖掘事件，与新加入的当前大数据挖掘事件进行标签矩阵特征匹配；
根据所述首个大数据挖掘事件和所述当前大数据挖掘事件之间相匹配的标签矩阵特征，计算所述首个大数据挖掘事件和所述当前大数据挖掘事件之间的图谱语料关联信息和/或关系化语义描述关联信息；
当计算的是所述首个大数据挖掘事件和所述当前大数据挖掘事件之间的图谱语料关联信息，且所述图谱语料关联信息覆盖第一关联区间时，确定所述当前大数据挖掘事件为关键大数据挖掘事件；
或，当计算的是所述首个大数据挖掘事件和所述当前大数据挖掘事件之间的关系化语义描述关联信息，且所述关系化语义描述关联信息覆盖第二关联区间时，确定所述当前大数据挖掘事件为关键大数据挖掘事件；
或者，当计算的是所述首个大数据挖掘事件和所述当前大数据挖掘事件之间的图谱语料关联信息以及关系化语义描述关联信息，且所述图谱语料关联信息和所述关系化语义描述关联信息均覆盖与之对应的关联区间时，确定所述当前大数据挖掘事件为关键大数据挖掘事件时，将所述当前大数据挖掘事件插入到所述业务挖掘模型中，并与下一个新加入大数据挖掘事件重复执行以上步骤，直至所述大数据挖掘事件信息中的所有大数据挖掘事件处理完毕，完成对所述业务挖掘模型的业务挖掘；
在对所述业务挖掘模型的业务挖掘过程中，当确定所述业务挖掘模型插入新的关键大数据挖掘事件后，在当前已获取的业务挖掘模型中选择与所述新的关键大数据挖掘事件满足预设关联关系的其它关键大数据挖掘事件；
对所有满足预设关联关系的关键大数据挖掘事件之间的知识图谱进行估计，当确定所述知识图谱满足预设知识图谱条件时，获取所述大数据挖掘事件在运行过程中调用的业务挖掘内容。
在第一方面的一种可能的实现方式中，所述将所述大数据挖掘事件的业务挖掘内容与经过业务标签激活后的大数据服务控件协调，获取大数据协调服务控件的步骤，包括：
提取所述大数据挖掘事件的业务挖掘内容的大数据分页数据，并对所述大数据分页数据进行分页元素提取，对得到的所述大数据分页数据对应的第一分页元素进行语义描述特征识别，根据所识别到的语义描述特征得到所述大数据分页数据对应的第一语义描述对象列表；
对所述经过业务标签激活后的大数据服务控件进行分页元素提取，对得到的所述经过业务标签激活后的大数据服务控件对应的第二分页元素进行语义描述特征识别，根据所识别到的语义描述特征得到所述经过业务标签激活后的大数据服务控件对应的第二语义描述对象列表；
获取所述第一语义描述对象列表中保存的第一可视化图形信息，以及将所述第一可视化图形信息转换为对应的第一可视化图形向量；
获取所述第二语义描述对象列表中多个语义描述对象对象各自保存的第二可视化图形信息，以及将每个所述第二可视化图形信息转换为对应的第二可视化图形向量；
计算每个所述第二可视化图形向量与所述第一可视化图形向量的协调可视化图形向量，对每个所述第二可视化图形向量对应的协调可视化图形向量进行排序，根据排序结果从多个所述第二可视化图形向量中选出多个相似可视化图形向量；
对所述多个相似可视化图形向量进行频繁模式项处理，得到频繁模式项特征信息，对所述第一语义描述对象列表和所述第二语义描述对象列表的高频元素特征进行聚类，根据聚类结果得到聚类元素属性；所述聚类元素属性中包含有所述第二语义描述对象列表中各个语义描述对象对象对应的属性信息；
计算所述频繁模式项特征信息和所述聚类元素属性两者的父子层级业务属性信息，并将计算出的结果作为所述第一可视化图形信息的父子层级业务属性特征；
将所述父子层级业务属性特征协调至所述大数据分页数据中设定的可视化编码模拟进程，得到可视化编码业务特征集，对所述可视化编码业务特征集进行语义描述特征识别，得到参考语义描述特征；
协调根据所述第一语义描述对象列表、所述第二语义描述对象列表以及所述参考语义描述特征，得到所述大数据分页数据对应的语义描述矩阵；
将所述大数据分页数据对应的语义描述矩阵中每个连续的语义描述矩阵获得单元，与经过业务标签激活后的大数据服务控件中对应的语义描述矩阵获得单元的获得位置进行协调后，得到大数据协调服务控件。
在第一方面的一种可能的实现方式中，所述协调根据所述第一语义描述对象列表、所述第二语义描述对象列表以及所述参考语义描述特征，得到所述大数据分页数据对应的语义描述矩阵的步骤，包括：
将所述第一语义描述对象列表和所述第二语义描述对象列表分别映射到所述参考语义描述特征中的每个动态轨迹节点上，获得所述第一语义描述对象列表和所述第二语义描述对象列表分别对应的每个动态轨迹节点的大数据推送事件信息；
汇总所述第一语义描述对象列表和所述第二语义描述对象列表分别对应的每个动态轨迹节点的大数据推送事件信息，得到所述大数据分页数据对应的语义描述矩阵。
在第一方面的一种可能的实现方式中，所述根据所述大数据协调服务控件，对所述大数据决策信息所对应的全局大数据服务控件进行自适应性更新，获取目标全局大数据服务控件，并基于所述目标全局大数据服务控件生成当前所能执行的大数据服务控件所对应的大数据挖掘业务的挖掘评价指标信息，完成决策大数据服务的挖掘业务配置的步骤，包括：
获取所述大数据协调服务控件中的每个第一主题层服务以及每个第一主题层服务所关联的全局大数据服务控件中的至少一个第二主题层服务，其中，所述第一主题层服务中包括第一主题层字段，所述第二主题层服务中包括第二主题层字段；
将所述第一主题层服务按照每个相同的主题层服务构成节点与至少一个第二主题层服务对应的主题层服务构成节点进行合并后，得到合并主题层服务；
将所述第一主题层服务和至少一个第二主题层服务添加到预设的自适应性更新队列，并基于所述自适应性更新队列建立所述第一主题层服务的多个第一自适应性更新参数以及所述第二主题层服务的多个第二自适应性更新参数；
根据每个第一自适应性更新参数确定所述第一主题层字段的第一字段更新规则信息，并根据每个第二自适应性更新参数确定所述第二主题层字段的第二字段更新规则信息，而后将所述第一字段更新规则信息和所述第二字段更新规则信息映射至全局更新模型，得到所述第一字段更新规则信息对应的第一主题层服务特征以及所述第二字段更新规则信息对应的第二主题层服务特征，并确定所述全局更新模型对应于所述合并主题层服务的多个全局更新对象，对所述多个全局更新对象进行汇总得到至少多个不同类别的全局更新服务列表，针对每个全局更新服务列表，在预设的更新进程中更新所述全局更新服务列表中的每个全局更新对象对应所述第一主题层服务特征的第一更新服务内容和对应所述第二主题层服务特征的第二更新服务内容；
根据所述全局更新服务列表中的每个全局更新对象对应的第一更新服务内容和第二更新服务内容的更新结果，在所述大数据决策信息所对应的全局大数据服务控件中执行更新，获得目标全局大数据服务控件；
基于所述目标全局大数据服务控件生成当前所能执行的大数据服务控件所对应的大数据挖掘业务的大数据服务控件内容，作为对应的挖掘评价指标信息，基于所述挖掘评价指标信息完成决策大数据服务的挖掘业务配置。
在第一方面的一种可能的实现方式中，所述将所述第一主题层服务和至少一个第二主题层服务添加到预设的自适应性更新队列的步骤，包括：
确定所述自适应性更新队列的语义描述图谱配置信息；其中，所述语义描述图谱配置信息用于表征所述自适应性更新队列对先后添加到的主题层服务进行处理时所分配的语义描述图谱，所述语义描述图谱用于表征所述自适应性更新队列对添加到的主题层服务进行更新时的主题层语义转换信息；
基于所述语义描述图谱配置信息，确定将所述第一主题层服务添加到所述自适应性更新队列所对应的第一主题层语义转换信息以及将所述第二主题层服务添加到所述自适应性更新队列所对应的第二主题层语义转换信息；
根据所述第一主题层语义转换信息和所述第二主题层语义转换信息确定在将所述第一主题层服务和所述第二主题层服务添加到所述自适应性更新队列时是否存在扩充联动业务；其中，所述扩充联动业务用于表征所述自适应性更新队列的更新过程存在扩充联动的业务情况；
若否，则对所述第二主题层语义转换信息进行调整得到第三主题层语义转换信息，并基于所述第一主题层语义转换信息和所述第三主题层语义转换信息将所述第一主题层服务和所述第二主题层服务添加到所述自适应性更新队列，其中，所述第三主题层语义转换信息与所述第二主题层语义转换信息之间的语义转换区间与所述第一主题层语义转换信息和所述第二主题层语义转换信息之间的语义转换区间匹配；
若是，则持续采用所述第一主题层语义转换信息和所述第二主题层语义转换信息将所述第一主题层服务和所述第二主题层服务添加到所述自适应性更新队列。
譬如，在第一方面的一种可能的实现方式中，所述获取预先针对在线云计算项目的大数据决策信息的步骤，包括：
在所述在线服务终端的任意一个在线云端服务调用的状态下，从对应的区块链中确定出所述在线云端服务所覆盖的第一数据共享服务对象的共享数据项目中的共享记录窗口信息，并确定出能够表征所述共享记录窗口信息的第一共享订阅对象集合，其中，所述共享记录窗口信息对应有共享记录窗口；
从所述区块链中确定第二数据共享服务对象的共享数据项目，得到能够表征所述第二数据共享服务对象的共享数据项目的第二共享订阅对象集合，其中，所述第二数据共享服务对象的共享数据项目为与所述第一数据共享服务对象的共享数据项目相关联的数据共享服务对象的共享数据项目；
将所述第二共享订阅对象集合与所述第一共享订阅对象集合进行匹配，基于匹配结果从所述第二共享订阅对象集合中选取出与所述第一共享订阅对象集合中共享订阅对象相匹配的目标共享订阅对象，得到目标共享订阅对象集合；
基于所述目标共享订阅对象集合确定出所述第二数据共享服务对象的共享数据项目中与所述第一数据共享服务对象的共享数据项目的共享记录窗口信息相匹配的目标共享记录窗口信息，其中，所述目标共享记录窗口信息对应有与所述第一数据共享服务对象的共享数据项目中共享记录窗口信息的共享记录窗口相匹配的共享记录窗口；
根据所述在线服务终端的所有调用的在线云端服务所对应的目标共享记录窗口信息所对应的大数据配置信息，对所述在线服务终端的大数据推送服务进行更新；
获取所述在线服务终端的在线云计算项目针对所述大数据推送服务的大数据推送记录信息，生成所述在线云计算项目的大数据推送事项参数；
根据所述在线云计算项目的大数据推送事项参数，获取所述在线云计算项目的大数据推送分配信息和大数据推送共享配置信息，所述大数据推送分配信息包括大数据推送分配对象和大数据推送分配覆盖业务，所述大数据推送共享配置信息包括共享配置对象和共享配置覆盖业务；
根据所述大数据推送分配覆盖业务和共享配置覆盖业务，构建所述大数据推送分配对象和所述共享配置对象之间的大数据服务关系，并基于所述大数据推送分配对象、共享配置对象和大数据服务关系进行特征提取，得到所述在线云计算项目的候选大数据推送分配特征和候选共享配置特征；
基于所述候选大数据推送分配特征和候选共享配置特征生成所述在线云计算项目的大数据决策信息。
第二方面，本发明实施例还提供一种基于大数据和云计算的信息流处理装置，应用于云端服务中心，所述云端服务中心与多个在线服务终端通信连接，所述装置包括：
第一获取模块，用于获取预先针对在线云计算项目的大数据决策信息；
第二获取模块，用于获取当前针对所述大数据决策信息所能执行的大数据挖掘事件信息以及大数据服务控件，分别对所述大数据挖掘事件信息和所述大数据服务控件进行业务标签激活，根据经过业务标签激活后的大数据挖掘事件信息，获取大数据挖掘事件的业务挖掘内容；
协调模块，用于将所述大数据挖掘事件的业务挖掘内容与经过业务标签激活后的大数据服务控件协调，获取大数据协调服务控件；
自适应性更新模块，用于根据所述大数据协调服务控件，对所述大数据决策信息所对应的全局大数据服务控件进行自适应性更新，获取目标全局大数据服务控件，并基于所述目标全局大数据服务控件生成当前所能执行的大数据服务控件所对应的大数据挖掘业务的挖掘评价指标信息，完成决策大数据服务的挖掘业务配置，其中，所述挖掘评价指标信息包括主题簇指标数据；
指标分类模块，用于根据预先配置的人工智能模型对所述挖掘评价指标信息进行指标分类，根据指标分类结果执行大数据挖掘操作。
第三方面，本发明实施例还提供一种基于大数据和云计算的信息流处理系统，所述基于大数据和云计算的信息流处理系统包括云端服务中心以及与所述云端服务中心通信连接的多个在线服务终端；
所述云端服务中心，用于：
获取预先针对在线云计算项目的大数据决策信息；
获取当前针对所述大数据决策信息所能执行的大数据挖掘事件信息以及大数据服务控件，分别对所述大数据挖掘事件信息和所述大数据服务控件进行业务标签激活，根据经过业务标签激活后的大数据挖掘事件信息，获取大数据挖掘事件的业务挖掘内容；
将所述大数据挖掘事件的业务挖掘内容与经过业务标签激活后的大数据服务控件协调，获取大数据协调服务控件；
根据所述大数据协调服务控件，对所述大数据决策信息所对应的全局大数据服务控件进行自适应性更新，获取目标全局大数据服务控件，并基于所述目标全局大数据服务控件生成当前所能执行的大数据服务控件所对应的大数据挖掘业务的挖掘评价指标信息，完成决策大数据服务的挖掘业务配置，其中，所述挖掘评价指标信息包括主题簇指标数据；
根据预先配置的人工智能模型对所述挖掘评价指标信息进行指标分类，根据指标分类结果执行大数据挖掘操作。
第四方面，本发明实施例还提供一种云端服务中心，所述云端服务中心包括处理器、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在线服务终端通信连接，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实现方式中的基于人工智能和云计算的大数据处理方法。
第五方面，本发明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，当其被执行时，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实现方式中的基于人工智能和云计算的大数据处理方法。
基于上述任意一个方面，本发明通过获取当前所能执行的大数据挖掘事件信息以及大数据服务控件，然后对二者分别进行业务标签激活，将经过业务标签激活后的大数据挖掘事件信息和经过业务标签激活后的大数据服务控件进行协调，获取大数据协调服务控件，大数据协调服务控件实际上就是利用经过业务标签激活后的大数据挖掘事件信息对经过业务标签激活后的大数据服务控件进行优化，也即是对所能执行的大数据服务控件进行优化。在此基础上，在获取经过局部优化后的大数据服务控件后，再根据大数据协调服务控件，对全局大数据服务控件进行自适应性更新，从而获取目标全局大数据服务控件。由此，通过获取当前所能执行的大数据挖掘事件信息以及大数据服务控件，然后对二者分别进行业务标签激活，将经过业务标签激活后的大数据挖掘事件信息和经过业务标签激活后的大数据服务控件进行协调，获取大数据协调服务控件，由此对所能执行的大数据服务控件进行优化。通过将大数据挖掘事件信息和大数据服务控件进行协调，不仅能够克服大数据服务控件在大数据服务进程初始化的业务场景下容易出错的情况，实现对大数据服务控件中的大数据挖掘业务进行业务适配的同时，还可获得具有全局一致性的目标全局大数据服务控件，由此完成决策大数据服务的挖掘业务配置，进而减少在线云计算项目在使用过程中的业务配置错误概率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，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它相关的附图。
图1为本发明实施例提供的基于大数据和云计算的信息流处理系统的应用场景示意图；
图2为本发明实施例提供的基于人工智能和云计算的大数据处理方法的流程示意图；
图3为本发明实施例提供的基于大数据和云计算的信息流处理装置的功能模块示意图；
图4为本发明实施例提供的用于实现上述的基于人工智能和云计算的大数据处理方法的云端服务中心的结构组件示意框图。
具体实施方式
下面结合说明书附图对本发明进行具体说明，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是本发明一种实施例提供的基于大数据和云计算的信息流处理系统10的交互示意图。基于大数据和云计算的信息流处理系统10可以包括云端服务中心100以及与云端服务中心100通信连接的在线服务终端200。图1所示的基于大数据和云计算的信息流处理系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据和云计算的信息流处理系统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。
本实施例中，在线服务终端200可以包括移动设备、平板计算机、膝上型计算机等或其任意组合。在一些实施例中，移动设备可以包括物联网设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，物联网设备可以包括智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等，或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理、游戏设备等，或其任意组合。在一些实施例中，虚拟现实设备和增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合。例如，虚拟现实设备和增强现实设备可以包括各种虚拟现实产品等。
基于本发明提供的技术方案的发明构思出发，本发明提供的云端服务中心100可以应用在例如智慧医疗、智慧城市管理、智慧工业互联网、通用业务监控管理等可以应用大数据技术或者是云计算技术等的场景中，再比如，还可以应用在包括但不限于新能源汽车系统管理、智能云办公、云平台数据处理、云游戏数据处理、云直播处理、云汽车管理平台、区块链金融数据服务平台等，但不限于此。
本实施例中，基于大数据和云计算的信息流处理系统10中的云端服务中心100和在线服务终端200可以通过配合执行以下方法实施例所描述的基于人工智能和云计算的大数据处理方法，具体云端服务中心100和在线服务终端200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题，图2为本发明实施例提供的基于人工智能和云计算的大数据处理方法的流程示意图，本实施例提供的基于人工智能和云计算的大数据处理方法可以由图1中所示的云端服务中心100执行，下面对该基于人工智能和云计算的大数据处理方法进行详细介绍。
步骤S110，获取预先针对在线云计算项目的大数据决策信息。
步骤S120，获取当前针对大数据决策信息所能执行的大数据挖掘事件信息以及大数据服务控件，分别对大数据挖掘事件信息和大数据服务控件进行业务标签激活，根据经过业务标签激活后的大数据挖掘事件信息，获取大数据挖掘事件的业务挖掘内容。
步骤S130，将大数据挖掘事件的业务挖掘内容与经过业务标签激活后的大数据服务控件协调，获取大数据协调服务控件。
步骤S140，根据大数据协调服务控件，对大数据决策信息所对应的全局大数据服务控件进行自适应性更新，获取目标全局大数据服务控件，并基于目标全局大数据服务控件生成当前所能执行的大数据服务控件所对应的大数据挖掘业务的挖掘评价指标信息，完成决策大数据服务的挖掘业务配置。
步骤S150，根据预先配置的人工智能模型对挖掘评价指标信息进行指标分类，根据指标分类结果执行大数据挖掘操作。
本实施例中，在线云计算项目可以是指在线服务终端200预先订阅的云计算服务，例如针对某个特定订阅业务的大数据收集服务等，或者也可以是一些大数据收集服务组合，例如由同一功能开发包组成的大数据收集服务组合等，具体不作限定。
本实施例中，针对步骤S120，大数据决策信息中可以提供相关的大数据决策部分的大数据决策服务节点，但是并不是所有的大数据决策服务节点都是处于启动状态，可能某些大数据决策服务节点处于维护，或者特定权限的状态下，因此首先需要获取当前针对大数据决策信息所能执行的大数据决策服务节点，然后获取该大数据决策服务节点所关联的大数据挖掘事件信息以及大数据服务控件。其中，值得说明的是，大数据挖掘事件信息可以是指在大数据服务过程中需要挖掘的业务事件信息，业务事件信息可以表示每个业务事件的起始事件启动对象到结束事件启动对象之间的事件记录信息以及每个业务事件的信息采集的响应信息，而大数据服务控件可以表示具体的大数据推送规则配置信息、大数据推送方式的配置信息等。基于此，参照前述背景技术所获知的技术问题可知，相关技术中，大数据服务控件在大数据服务进程初始化（例如第一次使用时）的业务场景下，如果没有有效结合大数据挖掘事件进行更新，则极其容易存在出错，因为大数据挖掘事件可以反映大数据推送过程中的大数据推送规则、大数据推送方式的运行情况和运行策略，如果不进行优化则可能会导致后续在线云计算项目在使用过程中的业务配置错误概率也大大提高。
本实施例中，大数据决策信息所对应的全局大数据服务控件可以是指大数据决策信息提供的相关的大数据决策部分的大数据决策服务节点所属的总的大数据服务控件，该全局大数据服务控件可以表示整个在线云计算项目订阅的大数据决策部分的大数据服务控件，但是通常不会全部使用到，然而考虑到之后用户通常可能会选择全局大数据服务控件来进行整体大数据推送配置，因此还需要在对大数据服务控件中的大数据挖掘业务进行业务适配的同时，进一步获得具有全局一致性的目标全局大数据服务控件，以便于完成决策大数据服务的整体挖掘业务配置。
本实施例中，挖掘评价指标信息可以包括主题簇指标数据，主题簇指标数据可以包括针对每个主题服务的指标配置数据，以便于后续的大数据挖掘。
本实施例中，针对步骤S150，在根据预先配置的人工智能模型对挖掘评价指标信息进行指标分类，根据指标分类结果执行大数据挖掘操作的过程中，该人工智能模型可以是具有语义分析分类功能的任意网络模型，可以通过收集相关的训练样本和对应的标记分类标签进行训练获得，其中训练样本可以是指标配置样本数据，具体训练的方式可以参照现有技术即可，其不属于本发明实施例旨在重点表达的内容，在此不作赘述。
基于上述步骤，本实施例通过获取当前所能执行的大数据挖掘事件信息以及大数据服务控件，然后对二者分别进行业务标签激活，将经过业务标签激活后的大数据挖掘事件信息和经过业务标签激活后的大数据服务控件进行协调，获取大数据协调服务控件，大数据协调服务控件实际上就是利用经过业务标签激活后的大数据挖掘事件信息对经过业务标签激活后的大数据服务控件进行优化，也即是对所能执行的大数据服务控件进行优化。在此基础上，在获取经过局部优化后的大数据服务控件后，再根据大数据协调服务控件，对全局大数据服务控件进行自适应性更新，从而获取目标全局大数据服务控件。由此，通过获取当前所能执行的大数据挖掘事件信息以及大数据服务控件，然后对二者分别进行业务标签激活，将经过业务标签激活后的大数据挖掘事件信息和经过业务标签激活后的大数据服务控件进行协调，获取大数据协调服务控件，由此对所能执行的大数据服务控件进行优化。通过将大数据挖掘事件信息和大数据服务控件进行协调，不仅能够克服大数据服务控件在大数据服务进程初始化的业务场景下容易出错的情况，实现对大数据服务控件中的大数据挖掘业务进行业务适配的同时，还可获得具有全局一致性的目标全局大数据服务控件，由此完成决策大数据服务的挖掘业务配置，进而减少在线云计算项目在使用过程中的业务配置错误概率。
在一种可能的实现方式中，针对步骤S120，在对大数据挖掘事件信息进行业务标签激活的过程中，可以对大数据挖掘事件信息进行特征提取，获取大数据挖掘事件信息的标签矩阵特征。然后，从大数据挖掘事件信息的标签矩阵特征中筛选出符合预设条件的特定标签矩阵特征，计算特定标签矩阵特征的信息词条特征集合。由此，可以根据信息词条特征集合，对大数据挖掘事件信息进行预设业务标签的特征匹配，根据经过特征匹配后获取的匹配业务标签，对进行大数据挖掘事件信息进行业务标签激活。
在一种可能的实现方式中，针对步骤S120，在对大数据服务控件进行业务标签激活的过程中，可以从大数据服务控件中提取动态服务控件部分和非动态服务控件部分，并根据预设分类模板，分类动态服务控件部分中的独立大数据挖掘业务和联动大数据挖掘业务。这样，通过分类动态服务控件部分中的独立大数据挖掘业务和联动大数据挖掘业务，可以便于在对大数据服务控件进行业务标签激活时减少匹配工作量。在此基础上，对独立大数据挖掘业务和联动大数据挖掘业务分别进行特征提取，获取独立大数据挖掘业务和联动大数据挖掘业务的挖掘特征。接着，从挖掘特征中筛选出符合预设条件的特定挖掘特征，计算挖掘特征的信息词条特征集合。由此，可以根据信息词条特征集合，对大数据服务控件进行预设业务标签的特征匹配，根据经过特征匹配后获取的匹配业务标签，对进行大数据服务控件进行业务标签激活。
在一种可能的实现方式中，仍旧针对步骤S120，在根据经过业务标签激活后的大数据挖掘事件信息，获取大数据挖掘事件的业务挖掘内容的过程中，可以通过以下示例性的子步骤来实现。
子步骤S121，根据经过业务标签激活后的大数据挖掘事件信息中首个大数据挖掘事件作为关键大数据挖掘事件插入业务挖掘模型中。
子步骤S122，以首个大数据挖掘事件作为参考大数据挖掘事件，与新加入的当前大数据挖掘事件进行标签矩阵特征匹配。
子步骤S123，根据首个大数据挖掘事件和当前大数据挖掘事件之间相匹配的标签矩阵特征，计算首个大数据挖掘事件和当前大数据挖掘事件之间的图谱语料关联信息和/或关系化语义描述关联信息。
例如，当计算的是首个大数据挖掘事件和当前大数据挖掘事件之间的图谱语料关联信息，且图谱语料关联信息覆盖第一关联区间时，确定当前大数据挖掘事件为关键大数据挖掘事件。
又例如，当计算的是首个大数据挖掘事件和当前大数据挖掘事件之间的关系化语义描述关联信息，且关系化语义描述关联信息覆盖第二关联区间时，确定当前大数据挖掘事件为关键大数据挖掘事件。
又例如，当计算的是首个大数据挖掘事件和当前大数据挖掘事件之间的图谱语料关联信息以及关系化语义描述关联信息，且图谱语料关联信息和关系化语义描述关联信息均覆盖与之对应的关联区间时，确定当前大数据挖掘事件为关键大数据挖掘事件时，将当前大数据挖掘事件插入到业务挖掘模型中，并与下一个新加入大数据挖掘事件重复执行以上步骤，直至大数据挖掘事件信息中的所有大数据挖掘事件处理完毕，完成对业务挖掘模型的业务挖掘。
子步骤S124，在对业务挖掘模型的业务挖掘过程中，当确定业务挖掘模型插入新的关键大数据挖掘事件后，在当前已获取的业务挖掘模型中选择与新的关键大数据挖掘事件满足预设关联关系的其它关键大数据挖掘事件。
子步骤S125，对所有满足预设关联关系的关键大数据挖掘事件之间的知识图谱进行估计，当确定知识图谱满足预设知识图谱条件时，获取大数据挖掘事件在运行过程中调用的业务挖掘内容。
在一种可能的实现方式中，进一步针对步骤S130，在将大数据挖掘事件的业务挖掘内容与经过业务标签激活后的大数据服务控件协调，获取大数据协调服务控件的过程中，可以通过以下示例性的子步骤来实现。
子步骤S131，提取大数据挖掘事件的业务挖掘内容的大数据分页数据，并对大数据分页数据进行分页元素提取，对得到的大数据分页数据对应的第一分页元素进行语义描述特征识别，根据所识别到的语义描述特征得到大数据分页数据对应的第一语义描述对象列表。
子步骤S132，对经过业务标签激活后的大数据服务控件进行分页元素提取，对得到的经过业务标签激活后的大数据服务控件对应的第二分页元素进行语义描述特征识别，根据所识别到的语义描述特征得到经过业务标签激活后的大数据服务控件对应的第二语义描述对象列表。
子步骤S133，获取第一语义描述对象列表中保存的第一可视化图形信息，以及将第一可视化图形信息转换为对应的第一可视化图形向量。
子步骤S134，获取第二语义描述对象列表中多个语义描述对象对象各自保存的第二可视化图形信息，以及将每个第二可视化图形信息转换为对应的第二可视化图形向量。
子步骤S135，计算每个第二可视化图形向量与第一可视化图形向量的协调可视化图形向量，对每个第二可视化图形向量对应的协调可视化图形向量进行排序，根据排序结果从多个第二可视化图形向量中选出多个相似可视化图形向量。
子步骤S136，对多个相似可视化图形向量进行频繁模式项处理，得到频繁模式项特征信息，对第一语义描述对象列表和第二语义描述对象列表的高频元素特征进行聚类，根据聚类结果得到聚类元素属性。聚类元素属性中包含有第二语义描述对象列表中各个语义描述对象对象对应的属性信息。
子步骤S137，计算频繁模式项特征信息和聚类元素属性两者的父子层级业务属性信息，并将计算出的结果作为第一可视化图形信息的父子层级业务属性特征。
子步骤S138，将父子层级业务属性特征协调至大数据分页数据中设定的可视化编码模拟进程，得到可视化编码业务特征集，对可视化编码业务特征集进行语义描述特征识别，得到参考语义描述特征。
子步骤S139，协调根据第一语义描述对象列表、第二语义描述对象列表以及参考语义描述特征，得到大数据分页数据对应的语义描述矩阵。
例如，在一种可能的示例中，可以将第一语义描述对象列表和第二语义描述对象列表分别映射到参考语义描述特征中的每个动态轨迹节点上，获得第一语义描述对象列表和第二语义描述对象列表分别对应的每个动态轨迹节点的大数据推送事件信息。
然后，汇总第一语义描述对象列表和第二语义描述对象列表分别对应的每个动态轨迹节点的大数据推送事件信息，得到大数据分页数据对应的语义描述矩阵。
子步骤S1391，将大数据分页数据对应的语义描述矩阵中每个连续的语义描述矩阵获得单元，与经过业务标签激活后的大数据服务控件中对应的语义描述矩阵获得单元的获得位置进行协调后，得到大数据协调服务控件。
在一种可能的实现方式中，进一步针对步骤S140，可以通过以下示例性的子步骤来实现。
子步骤S141，获取大数据协调服务控件中的每个第一主题层服务以及每个第一主题层服务所关联的全局大数据服务控件中的至少一个第二主题层服务，其中，第一主题层服务中包括第一主题层字段，第二主题层服务中包括第二主题层字段。
子步骤S142，将第一主题层服务按照每个相同的主题层服务构成节点与至少一个第二主题层服务对应的主题层服务构成节点进行合并后，得到合并主题层服务。
子步骤S143，将第一主题层服务和至少一个第二主题层服务添加到预设的自适应性更新队列，并基于自适应性更新队列建立第一主题层服务的多个第一自适应性更新参数以及第二主题层服务的多个第二自适应性更新参数。
例如，可以确定自适应性更新队列的语义描述图谱配置信息。其中，语义描述图谱配置信息用于表征自适应性更新队列对先后添加到的主题层服务进行处理时所分配的语义描述图谱，语义描述图谱用于表征自适应性更新队列对添加到的主题层服务进行更新时的主题层语义转换信息。
在此基础上，基于语义描述图谱配置信息，确定将第一主题层服务添加到自适应性更新队列所对应的第一主题层语义转换信息以及将第二主题层服务添加到自适应性更新队列所对应的第二主题层语义转换信息。
接着，可以根据第一主题层语义转换信息和第二主题层语义转换信息确定在将第一主题层服务和第二主题层服务添加到自适应性更新队列时是否存在扩充联动业务。其中，扩充联动业务用于表征自适应性更新队列的更新过程存在扩充联动的业务情况。
若在将第一主题层服务和第二主题层服务添加到自适应性更新队列时不存在扩充联动业务，则对第二主题层语义转换信息进行调整得到第三主题层语义转换信息，并基于第一主题层语义转换信息和第三主题层语义转换信息将第一主题层服务和第二主题层服务添加到自适应性更新队列，其中，第三主题层语义转换信息与第二主题层语义转换信息之间的语义转换区间与第一主题层语义转换信息和第二主题层语义转换信息之间的语义转换区间匹配。
若在将第一主题层服务和第二主题层服务添加到自适应性更新队列时存在扩充联动业务，则持续采用第一主题层语义转换信息和第二主题层语义转换信息将第一主题层服务和第二主题层服务添加到自适应性更新队列。
子步骤S144，根据每个第一自适应性更新参数确定第一主题层字段的第一字段更新规则信息，并根据每个第二自适应性更新参数确定第二主题层字段的第二字段更新规则信息，而后将第一字段更新规则信息和第二字段更新规则信息映射至全局更新模型，得到第一字段更新规则信息对应的第一主题层服务特征以及第二字段更新规则信息对应的第二主题层服务特征，并确定全局更新模型对应于合并主题层服务的多个全局更新对象，对多个全局更新对象进行汇总得到至少多个不同类别的全局更新服务列表，针对每个全局更新服务列表，在预设的更新进程中更新全局更新服务列表中的每个全局更新对象对应第一主题层服务特征的第一更新服务内容和对应第二主题层服务特征的第二更新服务内容。
子步骤S145，根据全局更新服务列表中的每个全局更新对象对应的第一更新服务内容和第二更新服务内容的更新结果，在大数据决策信息所对应的全局大数据服务控件中执行更新，获得目标全局大数据服务控件。
子步骤S146，基于目标全局大数据服务控件生成当前所能执行的大数据服务控件所对应的大数据挖掘业务的大数据服务控件内容，作为对应的挖掘评价指标信息，基于挖掘评价指标信息完成决策大数据服务的挖掘业务配置。
在上述描述的基础上，进一步针对步骤S110，可以通过以下示例性的子步骤来实现。
子步骤S111，在在线服务终端200的任意一个在线云端服务调用的状态下，从对应的区块链中确定出在线云端服务所覆盖的第一数据共享服务对象的共享数据项目中的共享记录窗口信息，并确定出能够表征共享记录窗口信息的第一共享订阅对象集合。
例如，可以从对应的区块链中确定出在线云端服务所包括的大数据推送记录节点对应的第一数据共享服务对象的共享数据项目中的共享记录窗口信息，并确定出能够表征共享记录窗口信息的第一共享订阅对象集合。
子步骤S112，从区块链中确定第二数据共享服务对象的共享数据项目，得到能够表征第二数据共享服务对象的共享数据项目的第二共享订阅对象集合。
其中，第二数据共享服务对象的共享数据项目为与第一数据共享服务对象的共享数据项目相关联的数据共享服务对象的共享数据项目。例如，与第一数据共享服务对象的共享数据项目相关联的数据共享服务对象的共享数据项目可以是指存在同一种在线云端服务沿用行为的数据共享服务对象的共享数据项目。
子步骤S113，将第二共享订阅对象集合与第一共享订阅对象集合进行匹配，基于匹配结果从第二共享订阅对象集合中选取出与第一共享订阅对象集合中共享订阅对象相匹配的目标共享订阅对象，得到目标共享订阅对象集合。
子步骤S114，基于目标共享订阅对象集合确定出第二数据共享服务对象的共享数据项目中与第一数据共享服务对象的共享数据项目的共享记录窗口信息相匹配的目标共享记录窗口信息。
步骤S115，根据所述在线服务终端200的所有调用的在线云端服务所对应的目标共享记录窗口信息所对应的大数据配置信息，对所述在线服务终端200的大数据推送服务进行更新。
步骤S116，获取所述在线服务终端200的在线云计算项目针对所述大数据推送服务的大数据推送记录信息，生成所述在线云计算项目的大数据推送事项参数。
步骤S117，根据在线云计算项目的大数据推送事项参数，获取在线云计算项目的大数据推送分配信息和大数据推送共享配置信息，大数据推送分配信息包括大数据推送分配对象和大数据推送分配覆盖业务，大数据推送共享配置信息包括共享配置对象和共享配置覆盖业务。
步骤S118，根据大数据推送分配覆盖业务和共享配置覆盖业务，构建大数据推送分配对象和共享配置对象之间的大数据服务关系，并基于大数据推送分配对象、共享配置对象和大数据服务关系进行特征提取，得到在线云计算项目的候选大数据推送分配特征和候选共享配置特征。
步骤S119，基于候选大数据推送分配特征和候选共享配置特征生成在线云计算项目的大数据决策信息。
其中，目标共享记录窗口信息对应有与第一数据共享服务对象的共享数据项目中共享记录窗口信息的共享记录窗口相匹配的共享记录窗口。
本实施例中，数据共享服务对象可以是指在线云端服务的执行过程中所相关的大数据推送配置内容的共享服务对象，例如经由某个共享服务网点站点的服务对象。
本实施例中，共享记录窗口信息对应有共享记录窗口，共享记录窗口可以是指在大数据推送记录过程中调用共享服务的服务对象窗口。
本实施例中，共享订阅对象可以是指用于反映共享记录窗口信息的调用素材内容的共享订阅对象信息，例如音视频调用服务的共享订阅对象信息、在线大数据调用服务的共享订阅对象信息等，但不限制与此。
本实施例中，在线云端服务可以是指在大数据推送记录过程中调用的云端订阅服务。
本实施例中，在线服务终端200订阅的大数据推送服务可以是指在线服务终端200预先注册可以用于执行云计算处理（例如信息分配、信息协调等）的数据推送服务，具体可以以软件服务的形式运行。
基于上述步骤，通过确定出在线云端服务所覆盖的第一数据共享服务对象的共享数据项目中的共享记录窗口信息，而后确定出第二数据共享服务对象的共享数据项目中与第一数据共享服务对象的共享数据项目的共享记录窗口信息相匹配的目标共享记录窗口信息后，对在线服务终端200的大数据推送服务进行更新。如此，考虑到了针对在线云端服务存在关联的数据共享服务对象的共享数据项目的更新变化情况，由此可以结合反映业务动态变化的目标共享记录窗口信息进行后续的大数据推送服务的更新，进而扩展后续大数据推送更新的覆盖范围。
此外，通过考虑在线云计算项目的大数据推送分配信息和大数据推送共享配置信息的覆盖业务的大数据服务关系，以及大数据推送分配信息和共享配置信息之间的相互影响关系，可以对满足用户需求的大数据决策信息进行准确的生成。
譬如，本实施例中，大数据推送记录信息可以用于表征在线服务终端200的在线云计算项目在对大数据推送服务在执行过程中产生的执行过程信息，在此不作具体限定。此外，在线云计算项目的大数据推送事项参数可以用于表征在线云计算项目在针对大数据推送服务在大数据推送执行过程中执行完成的大数据推送事项内容，例如大数据推送操作行为信息和大数据推送共享配置信息。因此可以根据在线云计算项目的大数据推送事项参数，具体获取在线云计算项目的大数据推送操作行为信息和大数据推送共享配置信息。
譬如，本实施例中，大数据推送操作行为信息例如可以包括大数据推送操作对象和大数据推送操作流程信息，大数据推送共享配置信息例如可以包括共享配置对象和共享配置覆盖业务。
在一些可能的实现方式中，譬如针对步骤S119，可以对在线云计算项目进行响应业务特征提取，得到在线云计算项目的响应业务特征，然后对在线云计算项目的响应业务特征、生成大数据推送描述特征向量和候选共享配置特征进行特征协调，得到协调特征，从而根据协调特征生成在线云计算项目的大数据决策信息。譬如，可以根据协调特征中的每个特征向量所表征的大数据推送建议标签，生成在线云计算项目的大数据决策信息。
基于上述步骤，本实施例通过获取在线服务终端200的在线云计算项目针对大数据推送服务的大数据推送记录信息，生成在线云计算项目的大数据推送事项参数，从而基于大数据推送事项参数进一步考虑在线云计算项目在实际业务服务使用过程中的大数据推送操作行为信息和大数据推送共享配置信息的覆盖业务的大数据服务关系，以及业务审批办理信息和共享配置信息之间的相互影响关系，可以对满足用户需求的大数据决策信息进行准确的生成。如此，通过对满足用户需求的大数据决策信息进行准确的生成后进行进一步建议展示，相较于传统针对大数据推送记录信息的全局化分析的方式，可以提升建议展示的准确度。
譬如，在一种可能的实现方式中，针对步骤S114，本实施例可以基于第一共享订阅对象集合中第一共享订阅对象与目标共享订阅对象集合中与第一共享订阅对象相对应的目标共享订阅对象，确定出关键共享订阅对象，得到关键共享订阅对象集合。在此基础上，可以从关键共享订阅对象集合中选取出满足预设规则的目标关键共享订阅对象。譬如，预设规则可以是指共享订阅对象的特征重要程度满足预设重要程度。
由此，可以基于第一共享订阅对象集合以及目标关键共享订阅对象确定出第二数据共享服务对象的共享数据项目中的目标共享记录窗口信息，其中，目标关键共享订阅对象位于目标共享记录窗口信息的关键会话运行服务。例如，可以基于第一共享订阅对象集合以及目标关键共享订阅对象所表征的目标共享记录窗口，来确定出第二数据共享服务对象的共享数据项目中的目标共享记录窗口信息。
图3为本公开实施例提供的基于大数据和云计算的信息流处理装置300的功能模块示意图，本实施例可以根据上述云端服务中心100执行的方法实施例对该基于大数据和云计算的信息流处理装置300进行功能模块的划分，也即该基于大数据和云计算的信息流处理装置300所对应的以下各个功能模块可以用于执行上述云端服务中心100执行的各个方法实施例。其中，该基于大数据和云计算的信息流处理装置300可以包括第一获取模块310、第二获取模块320、协调模块330、自适应性更新模块340以及指标分类模块350，下面分别对该基于大数据和云计算的信息流处理装置300的各个功能模块的功能进行详细阐述。
第一获取模块310，用于获取预先针对在线云计算项目的大数据决策信息。其中，第一获取模块310可以用于执行上述的步骤S110，关于第一获取模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。
第二获取模块320，用于获取当前针对所述大数据决策信息所能执行的大数据挖掘事件信息以及大数据服务控件，分别对所述大数据挖掘事件信息和所述大数据服务控件进行业务标签激活，根据经过业务标签激活后的大数据挖掘事件信息，获取大数据挖掘事件的业务挖掘内容。其中，第二获取模块320可以用于执行上述的步骤S120，关于第二获取模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。
协调模块330，用于将所述大数据挖掘事件的业务挖掘内容与经过业务标签激活后的大数据服务控件协调，获取大数据协调服务控件。其中，协调模块330可以用于执行上述的步骤S130，关于协调模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。
自适应性更新模块340，用于根据所述大数据协调服务控件，对所述大数据决策信息所对应的全局大数据服务控件进行自适应性更新，获取目标全局大数据服务控件，并基于所述目标全局大数据服务控件生成当前所能执行的大数据服务控件所对应的大数据挖掘业务的挖掘评价指标信息，完成决策大数据服务的挖掘业务配置。其中，自适应性更新模块340可以用于执行上述的步骤S140，关于自适应性更新模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。
指标分类模块350，用于根据预先配置的人工智能模型对所述挖掘评价指标信息进行指标分类，根据指标分类结果执行大数据挖掘操作。其中，指标分类模块350可以用于执行上述的步骤S150，关于指标分类模块350的详细实现方式可以参照上述针对步骤S150的详细描述即可。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，第一获取模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上第一获取模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。
图4示出了本公开实施例提供的用于实现上述的控制设备的云端服务中心100的硬件结构示意图，如图4所示，云端服务中心100可包括处理器110、机器可读存储介质120、总线130以及收发器140。
在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令（例如图3中所示的基于大数据和云计算的信息流处理装置300包括的第一获取模块310、第二获取模块320、协调模块330、自适应性更新模块340以及指标分类模块350），使得处理器110可以执行如上方法实施例的基于人工智能和云计算的大数据处理方法，其中，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的在线服务终端200进行数据收发。
处理器110的具体实现过程可参见上述云端服务中心100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图4所示的实施例中，应理解，处理器可以是全局规则重合匹配进程(英文：Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(英文：Digital Signal Processor，DSP)、专用集成电路(英文：ApplicationSpecificIntegrated Circuit，ASIC)等。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。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
机器可读存储介质120可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线130可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本发明附图中的总线并不限定仅有一根总线或一种类型的总线。
此外，本发明实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于区块链离线大数据推送的验证处理方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同图谱语料两次或多次提及的“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对它们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或数字金融服务终端上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本说明书所述处理元素和列表的顺序、数字字母的使用、或其它名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过互动业务实现，但是也可以只通过软件的解决方案得以实现，如在现有的数字金融服务终端或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其它的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (9)

1.一种基于人工智能和云计算的大数据处理方法，其特征在于，应用于云端服务中心，所述云端服务中心与多个在线服务终端通信连接，所述方法包括：
获取预先针对在线云计算项目的大数据决策信息；
获取当前针对所述大数据决策信息所能执行的大数据挖掘事件信息以及大数据服务控件，分别对所述大数据挖掘事件信息和所述大数据服务控件进行业务标签激活，根据经过业务标签激活后的大数据挖掘事件信息，获取大数据挖掘事件的业务挖掘内容；
将所述大数据挖掘事件的业务挖掘内容与经过业务标签激活后的大数据服务控件协调，获取大数据协调服务控件；
根据所述大数据协调服务控件，对所述大数据决策信息所对应的全局大数据服务控件进行自适应性更新，获取目标全局大数据服务控件，并基于所述目标全局大数据服务控件生成当前所能执行的大数据服务控件所对应的大数据挖掘业务的挖掘评价指标信息，完成决策大数据服务的挖掘业务配置，其中，所述挖掘评价指标信息包括主题簇指标数据；
根据预先配置的人工智能模型对所述挖掘评价指标信息进行指标分类，根据指标分类结果执行大数据挖掘操作；
所述将所述大数据挖掘事件的业务挖掘内容与经过业务标签激活后的大数据服务控件协调，获取大数据协调服务控件的步骤，包括：
提取所述大数据挖掘事件的业务挖掘内容的大数据分页数据，并对所述大数据分页数据进行分页元素提取，对得到的所述大数据分页数据对应的第一分页元素进行语义描述特征识别，根据所识别到的语义描述特征得到所述大数据分页数据对应的第一语义描述对象列表；
对所述经过业务标签激活后的大数据服务控件进行分页元素提取，对得到的所述经过业务标签激活后的大数据服务控件对应的第二分页元素进行语义描述特征识别，根据所识别到的语义描述特征得到所述经过业务标签激活后的大数据服务控件对应的第二语义描述对象列表；
获取所述第一语义描述对象列表中保存的第一可视化图形信息，以及将所述第一可视化图形信息转换为对应的第一可视化图形向量；
获取所述第二语义描述对象列表中多个语义描述对象对象各自保存的第二可视化图形信息，以及将每个所述第二可视化图形信息转换为对应的第二可视化图形向量；
计算每个所述第二可视化图形向量与所述第一可视化图形向量的协调可视化图形向量，对每个所述第二可视化图形向量对应的协调可视化图形向量进行排序，根据排序结果从多个所述第二可视化图形向量中选出多个相似可视化图形向量；
对所述多个相似可视化图形向量进行频繁模式项处理，得到频繁模式项特征信息，对所述第一语义描述对象列表和所述第二语义描述对象列表的高频元素特征进行聚类，根据聚类结果得到聚类元素属性；所述聚类元素属性中包含有所述第二语义描述对象列表中各个语义描述对象对象对应的属性信息；
计算所述频繁模式项特征信息和所述聚类元素属性两者的父子层级业务属性信息，并将计算出的结果作为所述第一可视化图形信息的父子层级业务属性特征；
将所述父子层级业务属性特征协调至所述大数据分页数据中设定的可视化编码模拟进程，得到可视化编码业务特征集，对所述可视化编码业务特征集进行语义描述特征识别，得到参考语义描述特征；
协调根据所述第一语义描述对象列表、所述第二语义描述对象列表以及所述参考语义描述特征，得到所述大数据分页数据对应的语义描述矩阵；
将所述大数据分页数据对应的语义描述矩阵中每个连续的语义描述矩阵获得单元，与经过业务标签激活后的大数据服务控件中对应的语义描述矩阵获得单元的获得位置进行协调后，得到大数据协调服务控件。
2.根据权利要求1所述的基于人工智能和云计算的大数据处理方法，其特征在于，所述对所述大数据挖掘事件信息进行业务标签激活的步骤，包括：
对所述大数据挖掘事件信息进行特征提取，获取所述大数据挖掘事件信息的标签矩阵特征；
从所述大数据挖掘事件信息的标签矩阵特征中筛选出符合预设条件的特定标签矩阵特征；
计算所述特定标签矩阵特征的信息词条特征集合；
根据所述信息词条特征集合，对所述大数据挖掘事件信息进行预设业务标签的特征匹配，根据经过所述特征匹配后获取的匹配业务标签，对进行所述大数据挖掘事件信息进行业务标签激活。
3.根据权利要求1所述的基于人工智能和云计算的大数据处理方法，其特征在于，对所述大数据服务控件进行业务标签激活的步骤，包括：
从所述大数据服务控件中提取动态服务控件部分和非动态服务控件部分，并根据预设分类模板，分类所述动态服务控件部分中的独立大数据挖掘业务和联动大数据挖掘业务；
对所述独立大数据挖掘业务和联动大数据挖掘业务分别进行特征提取，获取所述独立大数据挖掘业务和所述联动大数据挖掘业务的挖掘特征；
从所述挖掘特征中筛选出符合预设条件的特定挖掘特征，计算所述挖掘特征的信息词条特征集合；
根据所述信息词条特征集合，对所述大数据服务控件进行预设业务标签的特征匹配，根据经过所述特征匹配后获取的匹配业务标签，对进行所述大数据服务控件进行业务标签激活。
4.根据权利要求2所述的基于人工智能和云计算的大数据处理方法，其特征在于，所述根据经过业务标签激活后的大数据挖掘事件信息，获取大数据挖掘事件的业务挖掘内容的步骤，包括：
根据经过业务标签激活后的大数据挖掘事件信息中首个大数据挖掘事件作为关键大数据挖掘事件插入业务挖掘模型中；
以所述首个大数据挖掘事件作为参考大数据挖掘事件，与新加入的当前大数据挖掘事件进行标签矩阵特征匹配；
根据所述首个大数据挖掘事件和所述当前大数据挖掘事件之间相匹配的标签矩阵特征，计算所述首个大数据挖掘事件和所述当前大数据挖掘事件之间的图谱语料关联信息和/或关系化语义描述关联信息；
当计算的是所述首个大数据挖掘事件和所述当前大数据挖掘事件之间的图谱语料关联信息，且所述图谱语料关联信息覆盖第一关联区间时，确定所述当前大数据挖掘事件为关键大数据挖掘事件；
或，当计算的是所述首个大数据挖掘事件和所述当前大数据挖掘事件之间的关系化语义描述关联信息，且所述关系化语义描述关联信息覆盖第二关联区间时，确定所述当前大数据挖掘事件为关键大数据挖掘事件；
或者，当计算的是所述首个大数据挖掘事件和所述当前大数据挖掘事件之间的图谱语料关联信息以及关系化语义描述关联信息，且所述图谱语料关联信息和所述关系化语义描述关联信息均覆盖与之对应的关联区间时，确定所述当前大数据挖掘事件为关键大数据挖掘事件时，将所述当前大数据挖掘事件插入到所述业务挖掘模型中，并与下一个新加入大数据挖掘事件重复执行以上步骤，直至所述大数据挖掘事件信息中的所有大数据挖掘事件处理完毕，完成对所述业务挖掘模型的业务挖掘；
在对所述业务挖掘模型的业务挖掘过程中，当确定所述业务挖掘模型插入新的关键大数据挖掘事件后，在当前已获取的业务挖掘模型中选择与所述新的关键大数据挖掘事件满足预设关联关系的其它关键大数据挖掘事件；
对所有满足预设关联关系的关键大数据挖掘事件之间的知识图谱进行估计，当确定所述知识图谱满足预设知识图谱条件时，获取所述大数据挖掘事件在运行过程中调用的业务挖掘内容。
5.根据权利要求1所述的基于人工智能和云计算的大数据处理方法，其特征在于，所述协调根据所述第一语义描述对象列表、所述第二语义描述对象列表以及所述参考语义描述特征，得到所述大数据分页数据对应的语义描述矩阵的步骤，包括：
将所述第一语义描述对象列表和所述第二语义描述对象列表分别映射到所述参考语义描述特征中的每个动态轨迹节点上，获得所述第一语义描述对象列表和所述第二语义描述对象列表分别对应的每个动态轨迹节点的大数据推送事件信息；
汇总所述第一语义描述对象列表和所述第二语义描述对象列表分别对应的每个动态轨迹节点的大数据推送事件信息，得到所述大数据分页数据对应的语义描述矩阵。
6.根据权利要求1-5中任意一项所述的基于人工智能和云计算的大数据处理方法，其特征在于，所述根据所述大数据协调服务控件，对所述大数据决策信息所对应的全局大数据服务控件进行自适应性更新，获取目标全局大数据服务控件，并基于所述目标全局大数据服务控件生成当前所能执行的大数据服务控件所对应的大数据挖掘业务的挖掘评价指标信息，完成决策大数据服务的挖掘业务配置的步骤，包括：
获取所述大数据协调服务控件中的每个第一主题层服务以及每个第一主题层服务所关联的全局大数据服务控件中的至少一个第二主题层服务，其中，所述第一主题层服务中包括第一主题层字段，所述第二主题层服务中包括第二主题层字段；
将所述第一主题层服务按照每个相同的主题层服务构成节点与至少一个第二主题层服务对应的主题层服务构成节点进行合并后，得到合并主题层服务；
将所述第一主题层服务和至少一个第二主题层服务添加到预设的自适应性更新队列，并基于所述自适应性更新队列建立所述第一主题层服务的多个第一自适应性更新参数以及所述第二主题层服务的多个第二自适应性更新参数；
根据每个第一自适应性更新参数确定所述第一主题层字段的第一字段更新规则信息，并根据每个第二自适应性更新参数确定所述第二主题层字段的第二字段更新规则信息，而后将所述第一字段更新规则信息和所述第二字段更新规则信息映射至全局更新模型，得到所述第一字段更新规则信息对应的第一主题层服务特征以及所述第二字段更新规则信息对应的第二主题层服务特征，并确定所述全局更新模型对应于所述合并主题层服务的多个全局更新对象，对所述多个全局更新对象进行汇总得到至少多个不同类别的全局更新服务列表，针对每个全局更新服务列表，在预设的更新进程中更新所述全局更新服务列表中的每个全局更新对象对应所述第一主题层服务特征的第一更新服务内容和对应所述第二主题层服务特征的第二更新服务内容；
根据所述全局更新服务列表中的每个全局更新对象对应的第一更新服务内容和第二更新服务内容的更新结果，在所述大数据决策信息所对应的全局大数据服务控件中执行更新，获得目标全局大数据服务控件；
基于所述目标全局大数据服务控件生成当前所能执行的大数据服务控件所对应的大数据挖掘业务的大数据服务控件内容，作为对应的挖掘评价指标信息，基于所述挖掘评价指标信息完成决策大数据服务的挖掘业务配置。
7.根据权利要求6所述的基于人工智能和云计算的大数据处理方法，其特征在于，所述将所述第一主题层服务和至少一个第二主题层服务添加到预设的自适应性更新队列的步骤，包括：
确定所述自适应性更新队列的语义描述图谱配置信息；其中，所述语义描述图谱配置信息用于表征所述自适应性更新队列对先后添加到的主题层服务进行处理时所分配的语义描述图谱，所述语义描述图谱用于表征所述自适应性更新队列对添加到的主题层服务进行更新时的主题层语义转换信息；
基于所述语义描述图谱配置信息，确定将所述第一主题层服务添加到所述自适应性更新队列所对应的第一主题层语义转换信息以及将所述第二主题层服务添加到所述自适应性更新队列所对应的第二主题层语义转换信息；
根据所述第一主题层语义转换信息和所述第二主题层语义转换信息确定在将所述第一主题层服务和所述第二主题层服务添加到所述自适应性更新队列时是否存在扩充联动业务；其中，所述扩充联动业务用于表征所述自适应性更新队列的更新过程存在扩充联动的业务情况；
若否，则对所述第二主题层语义转换信息进行调整得到第三主题层语义转换信息，并基于所述第一主题层语义转换信息和所述第三主题层语义转换信息将所述第一主题层服务和所述第二主题层服务添加到所述自适应性更新队列，其中，所述第三主题层语义转换信息与所述第二主题层语义转换信息之间的语义转换区间与所述第一主题层语义转换信息和所述第二主题层语义转换信息之间的语义转换区间匹配；
若是，则持续采用所述第一主题层语义转换信息和所述第二主题层语义转换信息将所述第一主题层服务和所述第二主题层服务添加到所述自适应性更新队列。
8.一种云端服务中心，其特征在于，所述云端服务中心包括处理器、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在线服务终端通信连接，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中任意一项的基于人工智能和云计算的大数据处理方法。
9.一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存储有程序、指令或代码，当所述计算机可读存储介质中的程序、指令或代码被执行时，实现权利要求1-7中任意一项的基于人工智能和云计算的大数据处理方法。
CN202011067443.4A 2020-10-06 2020-10-06 基于人工智能和云计算的大数据处理方法及云端服务中心 Active CN112163156B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110329311.2A CN113536107B (zh) 2020-10-06 2020-10-06 基于区块链的大数据决策方法、系统及云端服务中心
CN202011067443.4A CN112163156B (zh) 2020-10-06 2020-10-06 基于人工智能和云计算的大数据处理方法及云端服务中心

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011067443.4A CN112163156B (zh) 2020-10-06 2020-10-06 基于人工智能和云计算的大数据处理方法及云端服务中心

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202110329311.2A Division CN113536107B (zh) 2020-10-06 2020-10-06 基于区块链的大数据决策方法、系统及云端服务中心

Publications (2)

Publication Number Publication Date
CN112163156A CN112163156A (zh) 2021-01-01
CN112163156B true CN112163156B (zh) 2021-04-30

Family

ID=73861084

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202011067443.4A Active CN112163156B (zh) 2020-10-06 2020-10-06 基于人工智能和云计算的大数据处理方法及云端服务中心
CN202110329311.2A Active CN113536107B (zh) 2020-10-06 2020-10-06 基于区块链的大数据决策方法、系统及云端服务中心

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202110329311.2A Active CN113536107B (zh) 2020-10-06 2020-10-06 基于区块链的大数据决策方法、系统及云端服务中心

Country Status (1)

Country Link
CN (2) CN112163156B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112532750B (zh) * 2021-01-18 2021-06-22 深圳博士创新技术转移有限公司 一种大数据推送处理方法、系统及云平台
CN113568900A (zh) * 2021-02-06 2021-10-29 高云 基于人工智能的大数据清洗方法及云服务器
CN112949746B (zh) * 2021-03-23 2022-02-25 中科柏诚科技（北京）股份有限公司 应用于用户行为分析的大数据处理方法及人工智能服务器
CN114840286B (zh) * 2021-06-16 2023-07-14 工信(北京)产业发展研究院有限公司 基于大数据的业务处理方法及服务器
CN114637994B (zh) * 2022-03-31 2022-09-30 安徽米娱科技有限公司 基于人工智能的网络安全数据获取方法、系统及云平台
CN117726148B (zh) * 2024-02-08 2024-04-26 中航信移动科技有限公司 一种服务器的适配度确定方法、电子设备及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080253611A1 (en) * 2007-04-11 2008-10-16 Levi Kennedy Analyst cueing in guided data extraction
US9892177B2 (en) * 2013-07-11 2018-02-13 Salesforce.Com, Inc. Systems and methods for interacting with external content objects
CN105956048A (zh) * 2016-04-27 2016-09-21 上海遥薇(集团)有限公司 一种社区服务大数据算法挖掘系统
CN106603624B (zh) * 2016-10-27 2020-01-07 深信服科技股份有限公司 数据挖掘系统及其实现方法
CN109389423A (zh) * 2018-09-19 2019-02-26 广东长城宽带网络服务有限公司 一种基于大数据融合商业的营销使用方法
CN109753563B (zh) * 2019-03-28 2019-09-10 深圳市酷开网络科技有限公司 基于大数据的标签提取方法、装置及计算机可读存储介质
CN110442762B (zh) * 2019-08-08 2022-02-08 厦门久凌创新科技有限公司 基于云平台大数据的大数据处理方法
CN110795638A (zh) * 2019-11-13 2020-02-14 北京百度网讯科技有限公司 用于输出信息的方法和装置
CN111161017A (zh) * 2019-12-10 2020-05-15 北京航天云路有限公司 一种基于移动终端和区块链的云端营销系统及方法

Also Published As

Publication number Publication date
CN113536107A (zh) 2021-10-22
CN112163156A (zh) 2021-01-01
CN113536107B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN112163156B (zh) 基于人工智能和云计算的大数据处理方法及云端服务中心
CN112163625B (zh) 基于人工智能和云计算的大数据挖掘方法及云端服务中心
CN112184872B (zh) 基于大数据和云计算的游戏渲染优化方法及云端计算中心
CN112182098B (zh) 基于云计算和大数据的信息推送方法及信息推送服务器
CN112199580B (zh) 面向云计算和大数据定位的业务处理方法及人工智能平台
CN113392174A (zh) 基于大数据和人工智能的信息解析方法及系统
CN112100193B (zh) 基于大数据和云计算的业务处理方法及电子商务协同平台
CN111813532B (zh) 一种基于多任务机器学习模型的图像管理方法及装置
CN112187890B (zh) 基于云计算和大数据的信息分发方法及区块链金融云中心
CN111931063B (zh) 基于区块链和人工智能的信息推送处理方法及云服务平台
CN112115162A (zh) 基于电子商务云计算的大数据处理方法及人工智能服务器
CN114492601A (zh) 资源分类模型的训练方法、装置、电子设备及存储介质
CN112199715B (zh) 基于区块链和云计算的对象生成方法及数字金融服务中心
CN112199733B (zh) 基于区块链和云计算的信息处理方法及数字金融服务中心
CN111949891B (zh) 一种基于车辆轨迹聚类的个性化信息推荐方法及系统
CN112114907A (zh) 基于电子商务云计算的应用加载方法及人工智能计算中心
CN112182413B (zh) 一种基于教学大数据的智能推荐方法及服务器
CN115565046A (zh) 一种用于图像对象识别的方法、系统、装置和介质
US20240037775A1 (en) Method, system and non-transitory computer-readable recording medium for creating training datasets for model training
CN112135172A (zh) 一种基于弱网的音视频处理方法及系统
CN112905877A (zh) 基于云计算的化妆品信息检测方法及化妆品电商云平台
CN112347349A (zh) 基于大数据的化妆品服务处理方法及化妆品电商云平台
CN112487074A (zh) 基于大数据定位和云计算的软件调用方法及软件服务平台

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
CB03 Change of inventor or designer information

Inventor after: Li Defeng

Inventor after: Weng Haikun

Inventor before: Weng Haikun

CB03 Change of inventor or designer information
TA01 Transfer of patent application right

Effective date of registration: 20210414

Address after: 266000 room 114, building 3, 288 Ningxia road, Shinan District, Qingdao City, Shandong Province

Applicant after: Qingdao Renke Information Technology Co.,Ltd.

Address before: 518061 A703, industrialization complex building, Yuexing Sandao Virtual University Park, Xuefu Road, Nanshan District, Shenzhen City, Guangdong Province

Applicant before: Weng Haikun

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant