CN112199580A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN112199580A
CN112199580A CN202010951240.5A CN202010951240A CN112199580A CN 112199580 A CN112199580 A CN 112199580A CN 202010951240 A CN202010951240 A CN 202010951240A CN 112199580 A CN112199580 A CN 112199580A
Authority
CN
China
Prior art keywords
scene
interest
vector
information
service
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
Application number
CN202010951240.5A
Other languages
English (en)
Other versions
CN112199580B (zh
Inventor
卞美玲
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.)
Zhiguanghailian Big Data Technology Co.,Ltd.
Original Assignee
卞美玲
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 卞美玲 filed Critical 卞美玲
Priority to CN202110364178.4A priority Critical patent/CN112905901A/zh
Priority to CN202110364193.9A priority patent/CN112905902A/zh
Priority to CN202010951240.5A priority patent/CN112199580B/zh
Publication of CN112199580A publication Critical patent/CN112199580A/zh
Application granted granted Critical
Publication of CN112199580B publication Critical patent/CN112199580B/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
    • G06F16/20—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
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供一种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，通过对每个业务处理终端的大数据业务轨迹信息的意图潜在点进行分析，并根据目标意图潜在点的历史会话意图信息，确定出目标意图潜在点对应的服务兴趣项目集合，由此可以向业务处理设备请求订阅服务兴趣项目集合对应的订阅服务，提高各种线上数据服务的应用范围，并且还可以进一步根据业务处理设备从服务兴趣项目集合对应的订阅服务中选择的目标订阅服务，对下一次向业务处理设备下发的云计算下发任务进行更新，这样通过闭环反馈的方式可以不但提高分析的大数据业务轨迹信息与用户实际意图的匹配度，进而不断优化后续推荐的订阅服务。

Description

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
技术领域
本申请涉及云计算和大数据定位技术领域，具体而言，涉及一种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。
背景技术
随着云计算和大数据技术的快速发展，其应用范围也越来越广，通过应用云端人工智能平台强大的云计算能力，针对每个业务处理终端分发对应的云计算下发任务，以指示业务处理终端上传需要进行云计算分析的大数据业务信息，由此对业务处理终端上传的大数据业务信息进行分析，从而识别出大量用户的意图发展规律，以便于后续的业务服务更新和产品技术研发。
对于每个业务处理终端的大数据业务轨迹信息，可以从一定程度上反映使用该业务处理终端的用户在使用应用互联网服务的兴趣项目，如果可以准确分析出这些兴趣项目，那么可以为相关用户推荐各种各样相关的订阅服务，从而提高各种线上数据服务的应用范围，这也成为本领域亟待解决的技术问题。
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，通过对每个业务处理终端的大数据业务轨迹信息的意图潜在点进行分析，并根据目标意图潜在点的历史会话意图信息，确定出目标意图潜在点对应的服务兴趣项目集合，由此可以向业务处理设备请求订阅服务兴趣项目集合对应的订阅服务，提高各种线上数据服务的应用范围，并且还可以进一步根据业务处理设备从服务兴趣项目集合对应的订阅服务中选择的目标订阅服务，对下一次向业务处理设备下发的云计算下发任务进行更新，这样通过闭环反馈的方式可以不但提高分析的大数据业务轨迹信息与用户实际意图的匹配度，进而不断优化后续推荐的订阅服务。
第一方面，本申请提供一种面向云计算和大数据定位的业务处理方法，应用于人工智能平台，所述人工智能平台与多个业务处理设备通信连接，所述方法包括：
接收所述业务处理设备发送的针对云计算下发任务的大数据业务轨迹信息，提取所述大数据业务轨迹信息的目标意图标注信息；其中，所述目标意图标注信息包括目标意图潜在点；
根据所述目标意图潜在点的历史会话意图信息，确定出所述目标意图潜在点对应的服务兴趣项目集合，其中，所述历史会话意图信息为所述人工智能平台对业务处理设备在订阅应用场景下生成的周期性收集数据集合以及所述周期性收集数据集合所对应的目标参考互动服务进行人工智能分析获得的历史会话意图信息；
向所述业务处理设备请求订阅所述服务兴趣项目集合对应的订阅服务；
根据所述业务处理设备从所述服务兴趣项目集合对应的订阅服务中选择的目标订阅服务，对下一次向所述业务处理设备下发的云计算下发任务进行更新。
在第一方面的一种可能的实现方式中，所述根据所述目标意图潜在点的历史会话意图信息，确定出所述目标意图潜在点对应的服务兴趣项目集合的步骤，包括：
从所述目标意图潜在点的历史会话意图信息中获取参考问题描述表示和所述参考问题描述表示的非文本因子信息，所述非文本因子信息表示所述参考问题描述表示中每个描述向量组合对应的服务项目属性状态；
根据所述非文本因子信息对所述参考问题描述表示进行处理，生成所述参考问题描述表示的应答多值属性信息；
对所述参考问题描述表示和所述应答多值属性信息进行兴趣点情景参数提取，从提取得到的当前兴趣点情景参数信息中确定与所述应答多值属性信息对应的第一兴趣点情景向量集对应的第二兴趣点情景向量集；
对所述第一兴趣点情景向量集和所述第二兴趣点情景向量集进行特征融合，得到第三兴趣点情景向量集；
根据所述第三兴趣点情景向量集输出所述参考问题描述表示对应的目标服务兴趣项目集合。
在第一方面的一种可能的实现方式中，所述根据所述非文本因子信息对所述参考问题描述表示进行处理，生成所述参考问题描述表示的应答多值属性信息的步骤，包括：
对所述参考问题描述表示进行兴趣点情景参数提取，对得到的所述参考问题描述表示对应的第一兴趣点情景参数进行情景动态轨迹识别，根据所识别到的情景动态轨迹得到所述参考问题描述表示对应的第一情景交互话题集合；
对所述非文本因子信息进行兴趣点情景参数提取，对得到的所述非文本因子信息对应的第二兴趣点情景参数进行情景动态轨迹识别，根据所识别到的情景动态轨迹得到所述非文本因子信息对应的第二情景交互话题集合；
获取所述第一情景交互话题集合中保存的第一话题演化分布信息，以及将所述第一话题演化分布信息转换为对应的第一话题演化分布向量；
获取所述第二情景交互话题集合中多个情景交互话题对象各自保存的第二话题演化分布信息，以及将每个所述第二话题演化分布信息转换为对应的第二话题演化分布向量；
计算每个所述第二话题演化分布向量与所述第一话题演化分布向量的融合分布向量；
对每个所述第二话题演化分布向量对应的融合分布向量进行排序，根据排序结果从多个所述第二话题演化分布向量中选出多个相似话题演化分布向量；
对所述多个相似话题演化分布向量进行粒子群算法处理，得到粒子群特征向量；
对所述第一情景交互话题集合和所述第二情景交互话题集合的话题特征向量进行高斯概率密度计算，根据计算得到的高斯概率密度得到话题表征参数向量；所述话题表征参数向量中包含有所述第二情景交互话题集合中各个情景交互话题对象对应的影响参数；
计算所述粒子群特征向量和所述话题表征参数向量两者的融合特征向量，并将计算出的结果作为所述第一话题演化分布信息的话题演化情景描述；
将所述话题演化情景描述隐马尔可夫挖掘至所述参考问题描述表示中设定的参考问题表示片段，得到初始话题隐马尔可夫会话意图信息；
对所述初始话题隐马尔可夫会话意图信息进行情景动态轨迹识别，得到参考情景动态轨迹；
根据所述第一情景交互话题集合、所述第二情景交互话题集合以及所述参考情景动态轨迹，得到所述参考问题描述表示对应的所述应答多值属性信息。
在第一方面的一种可能的实现方式中，所述根据所述第一情景交互话题集合、所述第二情景交互话题集合以及所述参考情景动态轨迹，得到所述参考问题描述表示对应的所述应答多值属性信息的步骤，包括：
将所述第一情景交互话题集合和所述第二情景交互话题集合分别映射到所述参考情景动态轨迹中的每个动态轨迹节点上，获得所述第一情景交互话题集合和所述第二情景交互话题集合分别对应的每个动态轨迹节点的映射属性信息；
汇总所述第一情景交互话题集合和所述第二情景交互话题集合分别对应的每个动态轨迹节点的映射属性信息，得到所述参考问题描述表示对应的所述应答多值属性信息。
在第一方面的一种可能的实现方式中，所述对所述参考问题描述表示和所述应答多值属性信息进行兴趣点情景参数提取，从提取得到的当前兴趣点情景参数信息中确定与所述应答多值属性信息对应的第一兴趣点情景向量集对应的第二兴趣点情景向量集的步骤，包括：
对所述参考问题描述表示和所述应答多值属性信息进行兴趣点情景参数提取，得到所述参考问题描述表示和所述应答多值属性信息的兴趣点情景参数中映射的当前兴趣点情景参数信息；所述当前兴趣点情景参数信息包括多个兴趣点情景元素的情景描述信息；
从所述当前兴趣点情景参数信息包含的多个兴趣点情景元素的情景描述信息中确定所述第一兴趣点情景向量集的相似情景描述信息，并将所述相似情景描述信息作为所述第二兴趣点情景向量集。
在第一方面的一种可能的实现方式中，所述对所述第一兴趣点情景向量集和所述第二兴趣点情景向量集进行特征融合，得到第三兴趣点情景向量集的步骤，包括：
将所述第一兴趣点情景向量集和所述第二兴趣点情景向量集分别输入预设的人工智能分析模型中，以使所述人工智能分析模型分别输出所述第一兴趣点情景向量集和所述第二兴趣点情景向量集各自的决策兴趣点情景向量集，得到第一目标兴趣点情景向量集和第二目标兴趣点情景向量集；
对所述第一目标兴趣点情景向量集进行粒子群算法计算，得到第一主题粒子群计算信息；对所述第一目标兴趣点情景向量集进行兴趣点情景参数提取，并对提取得到的兴趣点情景向量集进行粒子群算法计算，得到第二主题粒子群计算信息，计算所述第一主题粒子群计算信息和所述第二主题粒子群计算信息的融合计算信息，得到与所述第一目标兴趣点情景向量集对应的第一决策情景向量集；
对所述第二目标兴趣点情景向量集进行粒子群算法计算，得到第三主题粒子群计算信息；对所述第二目标兴趣点情景向量集进行兴趣点情景参数提取，并对提取得到的兴趣点情景向量集进行粒子群算法计算，得到第四主题粒子群计算信息，计算所述第三主题粒子群计算信息和所述第四主题粒子群计算信息的融合计算信息，得到与所述第二目标兴趣点情景向量集对应的第二决策情景向量集；
计算所述第一决策情景向量集和所述第二决策情景向量集两者的融合特征集，将得到的融合特征集作为所述第三兴趣点情景向量集。
在第一方面的一种可能的实现方式中，所述根据所述第三兴趣点情景向量集输出所述参考问题描述表示对应的目标服务兴趣项目集合的步骤，包括：
获取所述第三兴趣点情景向量集中的多条兴趣点情景描述向量、以及与每个兴趣点情景描述向量组合对应的人工智能分析策略，所述兴趣点情景描述向量包括第一兴趣点情景描述向量和第二兴趣点情景描述向量，其中，所述第一兴趣点情景描述向量和第二兴趣点情景描述向量为相互之间存在映射关联兴趣点情景描述向量组合；
对所述第三兴趣点情景向量集进行隐马尔可夫挖掘，以输出每个第一兴趣点情景描述向量组合对应的第一参考隐马尔可夫挖掘对象、以及所述第三兴趣点情景向量集对应的目标隐马尔可夫挖掘对象；
计算所述目标隐马尔可夫挖掘对象和每个所述第一参考隐马尔可夫挖掘对象之间的关联度，以得到对应的每条第一兴趣点情景描述向量和所述第三兴趣点情景向量集之间的隐马尔可夫挖掘对象相似参数；
识别出每个第一兴趣点情景描述向量中的所有情景服务数据段、以及计算出每个第一兴趣点情景描述向量各自对应的高斯概率密度；
根据所述所有情景服务数据段和所述高斯概率密度，生成对应的兴趣点情景描述向量的情景服务分布图谱；
根据所述人工智能分析策略生成每个兴趣点情景描述向量组合对应的分布图谱标签；
利用所述分布图谱标签对应的每条情景服务分布图谱，得到每个兴趣点情景描述向量各自的第一情景分簇；
根据所述第二兴趣点情景描述向量组合每个兴趣点情景描述向量组合对应的第一参考隐马尔可夫挖掘对象进行聚类，得到每个兴趣点情景描述向量的第二情景分簇；
根据所述第一情景分簇和第二情景分簇，在所述多条兴趣点情景描述向量中确定出目标兴趣点情景描述向量；
将所述目标兴趣点情景描述向量组合对应的第一参考隐马尔可夫挖掘对象作为第二隐马尔可夫挖掘对象，并将所述第二隐马尔可夫挖掘对象隐马尔可夫挖掘至所述第三兴趣点情景向量集中，以输出所述参考问题描述表示对应的目标服务兴趣项目集合。
在第一方面的一种可能的实现方式中，所述人工智能分析策略包括对所述兴趣点情景描述向量的向量结构聚类策略、以及所述兴趣点情景描述向量组合对应的特征值聚类策略；
所述根据所述人工智能分析策略生成每个兴趣点情景描述向量组合对应的分布图谱标签的步骤，包括：
根据所述特征值聚类策略对所述兴趣点情景描述向量进行特征值聚类，生成所述兴趣点情景描述向量组合对应的服务兴趣项目集合特征值；
根据所述向量结构聚类策略对所述兴趣点情景描述向量进行向量结构聚类，生成所述兴趣点情景描述向量组合对应的向量结构聚类结果；
根据所述服务兴趣项目集合特征值和所述向量结构聚类结果，生成对应所述兴趣点情景描述向量的分布图谱标签。
在第一方面的一种可能的实现方式中，所述方法还包括：
获取所述目标意图潜在点的历史会话意图信息；
所述获取所述目标意图潜在点的历史会话意图信息的步骤，包括：
从所述业务处理设备中获取所述业务处理设备在订阅应用场景下生成的周期性收集数据集合以及所述周期性收集数据集合所对应的目标参考互动服务；
获取所述云计算下发任务所对应的任务订阅项目在所述目标参考互动服务下的订阅内容节点，并按照预定的目标内容标签归类对各个目标参考互动服务下的订阅内容节点进行归类，分别生成每个目标内容标签归类的订阅内容节点集合；
针对每个目标内容标签归类，获取该目标内容标签归类的订阅内容节点集合中每个订阅内容节点匹配于所述周期性收集数据集合的订阅关联意图数据，并基于目标内容标签归类对应的请求订阅内容特征对每个目标内容标签归类的订阅关联意图数据集合进行人工智能分析，得到各个目标内容标签归类的历史会话意图信息；
从所述各个目标内容标签归类的历史会话意图信息中获得所述目标意图潜在点包括的标记目标内容标签归类的历史会话意图信息。
第二方面，本申请实施例还提供一种面向云计算和大数据定位的业务处理装置，应用于人工智能平台，所述人工智能平台与多个业务处理设备通信连接，所述装置包括：
接收模块，用于接收所述业务处理设备发送的针对云计算下发任务的大数据业务轨迹信息，提取所述大数据业务轨迹信息的目标意图标注信息；其中，所述目标意图标注信息包括目标意图潜在点；
确定模块，用于根据所述目标意图潜在点的历史会话意图信息，确定出所述目标意图潜在点对应的服务兴趣项目集合，其中，所述历史会话意图信息为所述人工智能平台对业务处理设备在订阅应用场景下生成的周期性收集数据集合以及所述周期性收集数据集合所对应的目标参考互动服务进行人工智能分析获得的历史会话意图信息；
请求订阅模块，用于向所述业务处理设备请求订阅所述服务兴趣项目集合对应的订阅服务；
更新模块，用于根据所述业务处理设备从所述服务兴趣项目集合对应的订阅服务中选择的目标订阅服务，对下一次向所述业务处理设备下发的云计算下发任务进行更新。
第三方面，本申请实施例还提供一种面向云计算和大数据定位的业务处理系统，所述面向云计算和大数据定位的业务处理系统包括人工智能平台以及与所述人工智能平台通信连接的多个业务处理设备；
所述人工智能平台，用于接收所述业务处理设备发送的针对云计算下发任务的大数据业务轨迹信息，提取所述大数据业务轨迹信息的目标意图标注信息；其中，所述目标意图标注信息包括目标意图潜在点；
所述人工智能平台，用于根据所述目标意图潜在点的历史会话意图信息，确定出所述目标意图潜在点对应的服务兴趣项目集合，其中，所述历史会话意图信息为所述人工智能平台对业务处理设备在订阅应用场景下生成的周期性收集数据集合以及所述周期性收集数据集合所对应的目标参考互动服务进行人工智能分析获得的历史会话意图信息；
所述人工智能平台，用于向所述业务处理设备请求订阅所述服务兴趣项目集合对应的订阅服务；
所述人工智能平台，用于根据所述业务处理设备从所述服务兴趣项目集合对应的订阅服务中选择的目标订阅服务，对下一次向所述业务处理设备下发的云计算下发任务进行更新。
第四方面，本申请实施例还提供一种人工智能平台，所述人工智能平台包括处理器、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业务处理设备通信连接，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面向云计算和大数据定位的业务处理方法。
第五方面，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面向云计算和大数据定位的业务处理方法。
基于上述任意一个方面，本申请通过对每个业务处理终端的大数据业务轨迹信息的意图潜在点进行分析，并根据目标意图潜在点的历史会话意图信息，确定出目标意图潜在点对应的服务兴趣项目集合，由此可以向业务处理设备请求订阅服务兴趣项目集合对应的订阅服务，提高各种线上数据服务的应用范围，并且还可以进一步根据业务处理设备从服务兴趣项目集合对应的订阅服务中选择的目标订阅服务，对下一次向业务处理设备下发的云计算下发任务进行更新，这样通过闭环反馈的方式可以不但提高分析的大数据业务轨迹信息与用户实际意图的匹配度，进而不断优化后续推荐的订阅服务。
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调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它相关的附图。
图1为本申请实施例提供的面向云计算和大数据定位的业务处理系统的应用场景示意图；
图2为本申请实施例提供的面向云计算和大数据定位的业务处理方法的流程示意图；
图3为本申请实施例提供的面向云计算和大数据定位的业务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面向云计算和大数据定位的业务处理方法的人工智能平台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面向云计算和大数据定位的业务处理系统10的交互示意图。面向云计算和大数据定位的业务处理系统10可以包括人工智能平台100以及与人工智能平台100通信连接的业务处理设备200。图1所示的面向云计算和大数据定位的业务处理系统10仅为一种可行的示例，在其它可行的实施例中，该面向云计算和大数据定位的业务处理系统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，业务处理设备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。
本实施例中，面向云计算和大数据定位的业务处理系统10中的人工智能平台100和业务处理设备200可以通过配合执行以下方法实施例所描述的面向云计算和大数据定位的业务处理方法，具体人工智能平台100和业务处理设备200的执行步骤部分可以参照以下方法实施例的详细描述。
基于本申请提供的技术方案的发明构思出发，本申请提供的人工智能平台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。
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面向云计算和大数据定位的业务处理方法的流程示意图，本实施例提供的面向云计算和大数据定位的业务处理方法可以由图1中所示的人工智能平台100执行，下面对该面向云计算和大数据定位的业务处理方法进行详细介绍。
步骤S110，接收业务处理设备200发送的针对云计算下发任务的大数据业务轨迹信息，提取大数据业务轨迹信息的目标意图标注信息。
步骤S120，根据目标意图潜在点的历史会话意图信息，确定出目标意图潜在点对应的服务兴趣项目集合。
步骤S130，向业务处理设备200请求订阅服务兴趣项目集合对应的订阅服务。
本实施例中，目标意图标注信息例如可以包括目标意图潜在点，目标意图潜在点可以用于表示存在针对目标业务节点的意图倾向的数据段。譬如，在提取大数据业务轨迹信息的目标意图标注信息的过程中，可以提取大数据业务轨迹信息中存在业务轨迹持续时间大于预设时间段的数据段作为目标意图标注信息。
本实施例中，历史会话意图信息可以为人工智能平台对业务处理设备200在订阅应用场景下生成的周期性收集数据集合以及周期性收集数据集合所对应的目标参考互动服务进行人工智能分析获得的历史会话意图信息。其中，周期性收集数据可以是指对于每一次应用业务使用过程而言，通常会包括多个业务统计单元，例如可以包括但不限于业务点击统计单元、业务反馈统计单元等等。其中，目标参考互动服务可以用于表示具体业务互动过程中获取的场景服务，例如视频场景服务、音频场景服务、在线聊天场景服务等。
基于上述步骤，本实施例通过对每个业务处理终端的大数据业务轨迹信息的意图潜在点进行分析，并根据目标意图潜在点的历史会话意图信息，确定出目标意图潜在点对应的服务兴趣项目集合，由此可以向业务处理设备请求订阅服务兴趣项目集合对应的订阅服务，提高各种线上数据服务的应用范围，并且还可以进一步根据业务处理设备从服务兴趣项目集合对应的订阅服务中选择的目标订阅服务，对下一次向业务处理设备下发的云计算下发任务进行更新，这样通过闭环反馈的方式可以不但提高分析的大数据业务轨迹信息与用户实际意图的匹配度，进而不断优化后续推荐的订阅服务。
在一种可能的实现方式中，针对步骤S120，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S121，从目标意图潜在点的历史会话意图信息中获取参考问题描述表示和参考问题描述表示的非文本因子信息，非文本因子信息可以表示参考问题描述表示中每个描述向量组合对应的服务项目属性状态。
子步骤S122，根据非文本因子信息对参考问题描述表示进行处理，生成参考问题描述表示的应答多值属性信息。
子步骤S123，对参考问题描述表示和应答多值属性信息进行兴趣点情景参数提取，从提取得到的当前兴趣点情景参数信息中确定与应答多值属性信息对应的第一兴趣点情景向量集对应的第二兴趣点情景向量集。
子步骤S124，对第一兴趣点情景向量集和第二兴趣点情景向量集进行特征融合，得到第三兴趣点情景向量集。
子步骤S125，根据第三兴趣点情景向量集输出参考问题描述表示对应的目标服务兴趣项目集合。
示例性地，在子步骤S122中，可以通过以下具体的实施方式来实现。
（1）对参考问题描述表示进行兴趣点情景参数提取，对得到的参考问题描述表示对应的第一兴趣点情景参数进行情景动态轨迹识别，根据所识别到的情景动态轨迹得到参考问题描述表示对应的第一情景交互话题集合。
（2）对非文本因子信息进行兴趣点情景参数提取，对得到的非文本因子信息对应的第二兴趣点情景参数进行情景动态轨迹识别，根据所识别到的情景动态轨迹得到非文本因子信息对应的第二情景交互话题集合。
（3）获取第一情景交互话题集合中保存的第一话题演化分布信息，以及将第一话题演化分布信息转换为对应的第一话题演化分布向量。
（4）获取第二情景交互话题集合中多个情景交互话题对象各自保存的第二话题演化分布信息，以及将每个第二话题演化分布信息转换为对应的第二话题演化分布向量。
（5）计算每个第二话题演化分布向量与第一话题演化分布向量的融合分布向量。
（6）对每个第二话题演化分布向量对应的融合分布向量进行排序，根据排序结果从多个第二话题演化分布向量中选出多个相似话题演化分布向量。
（7）对多个相似话题演化分布向量进行粒子群算法处理，得到粒子群特征向量。
（8）对第一情景交互话题集合和第二情景交互话题集合的话题特征向量进行高斯概率密度计算，根据计算得到的高斯概率密度得到话题表征参数向量。话题表征参数向量中包含有第二情景交互话题集合中各个情景交互话题对象对应的影响参数。
（9）计算粒子群特征向量和话题表征参数向量两者的融合特征向量，并将计算出的结果作为第一话题演化分布信息的话题演化情景描述。
（10）将话题演化情景描述隐马尔可夫挖掘至参考问题描述表示中设定的参考问题表示片段，得到初始话题隐马尔可夫会话意图信息。
（11）对初始话题隐马尔可夫会话意图信息进行情景动态轨迹识别，得到参考情景动态轨迹。
（12）根据第一情景交互话题集合、第二情景交互话题集合以及参考情景动态轨迹，得到参考问题描述表示对应的应答多值属性信息。
示例性地，在子步骤S123中，可以通过以下具体的实施方式来实现。
（1）对参考问题描述表示和应答多值属性信息进行兴趣点情景参数提取，得到参考问题描述表示和应答多值属性信息的兴趣点情景参数中映射的当前兴趣点情景参数信息。
本实施例中，当前兴趣点情景参数信息包括多个兴趣点情景元素的情景描述信息。
（2）从当前兴趣点情景参数信息包含的多个兴趣点情景元素的情景描述信息中确定第一兴趣点情景向量集的相似情景描述信息，并将相似情景描述信息作为第二兴趣点情景向量集。
示例性地，在子步骤S124中，可以通过以下具体的实施方式来实现。
（1）将第一兴趣点情景向量集和第二兴趣点情景向量集分别输入预设的人工智能分析模型中，以使人工智能分析模型分别输出第一兴趣点情景向量集和第二兴趣点情景向量集各自的决策兴趣点情景向量集，得到第一目标兴趣点情景向量集和第二目标兴趣点情景向量集。
（2）对第一目标兴趣点情景向量集进行粒子群算法计算，得到第一主题粒子群计算信息。对第一目标兴趣点情景向量集进行兴趣点情景参数提取，并对提取得到的兴趣点情景向量集进行粒子群算法计算，得到第二主题粒子群计算信息，计算第一主题粒子群计算信息和第二主题粒子群计算信息的融合计算信息，得到与第一目标兴趣点情景向量集对应的第一决策情景向量集。
（3）对第二目标兴趣点情景向量集进行粒子群算法计算，得到第三主题粒子群计算信息。对第二目标兴趣点情景向量集进行兴趣点情景参数提取，并对提取得到的兴趣点情景向量集进行粒子群算法计算，得到第四主题粒子群计算信息，计算第三主题粒子群计算信息和第四主题粒子群计算信息的融合计算信息，得到与第二目标兴趣点情景向量集对应的第二决策情景向量集。
（4）计算第一决策情景向量集和第二决策情景向量集两者的融合特征集，将得到的融合特征集作为第三兴趣点情景向量集。
示例性地，在子步骤S125中，可以通过以下具体的实施方式来实现。
（1）获取第三兴趣点情景向量集中的多条兴趣点情景描述向量、以及与每个兴趣点情景描述向量组合对应的人工智能分析策略，兴趣点情景描述向量包括第一兴趣点情景描述向量和第二兴趣点情景描述向量，其中，第一兴趣点情景描述向量和第二兴趣点情景描述向量为相互之间存在映射关联兴趣点情景描述向量组合。
（2）对第三兴趣点情景向量集进行隐马尔可夫挖掘，以输出每个第一兴趣点情景描述向量组合对应的第一参考隐马尔可夫挖掘对象、以及第三兴趣点情景向量集对应的目标隐马尔可夫挖掘对象。
（3）计算目标隐马尔可夫挖掘对象和每个第一参考隐马尔可夫挖掘对象之间的关联度，以得到对应的每条第一兴趣点情景描述向量和第三兴趣点情景向量集之间的隐马尔可夫挖掘对象相似参数。
（4）识别出每个第一兴趣点情景描述向量中的所有情景服务数据段、以及计算出每个第一兴趣点情景描述向量各自对应的高斯概率密度。
（5）根据所有情景服务数据段和高斯概率密度，生成对应的兴趣点情景描述向量的情景服务分布图谱。
（6）根据人工智能分析策略生成每个兴趣点情景描述向量组合对应的分布图谱标签。
作为一种示例，人工智能分析策略可以包括对兴趣点情景描述向量的向量结构聚类策略、以及兴趣点情景描述向量组合对应的特征值聚类策略。基于此，可以根据特征值聚类策略对兴趣点情景描述向量进行特征值聚类，生成兴趣点情景描述向量组合对应的服务兴趣项目集合特征值，然后根据向量结构聚类策略对兴趣点情景描述向量进行向量结构聚类，生成兴趣点情景描述向量组合对应的向量结构聚类结果，由此可以根据服务兴趣项目集合特征值和向量结构聚类结果，生成对应兴趣点情景描述向量的分布图谱标签。
（7）利用分布图谱标签对应的每条情景服务分布图谱，得到每个兴趣点情景描述向量各自的第一情景分簇。
（8）根据第二兴趣点情景描述向量组合每个兴趣点情景描述向量组合对应的第一参考隐马尔可夫挖掘对象进行聚类，得到每个兴趣点情景描述向量的第二情景分簇。
（9）根据第一情景分簇和第二情景分簇，在多条兴趣点情景描述向量中确定出目标兴趣点情景描述向量。
（10）将目标兴趣点情景描述向量组合对应的第一参考隐马尔可夫挖掘对象作为第二隐马尔可夫挖掘对象，并将第二隐马尔可夫挖掘对象隐马尔可夫挖掘至第三兴趣点情景向量集中，以输出参考问题描述表示对应的目标服务兴趣项目集合。
示例性地，兴趣点情景描述向量还包括第三兴趣点情景描述向量，在（7）之前，还可以计算每个第一参考隐马尔可夫挖掘对象相对于第三兴趣点情景描述向量所对应的参照隐马尔可夫挖掘对象集合中每个参照隐马尔可夫挖掘对象的隐马尔可夫挖掘平移参数，然后对每个第一参考隐马尔可夫挖掘对象对应的所有隐马尔可夫挖掘平移参数进行融合，得到每个第一参考隐马尔可夫挖掘对象对应的融合隐马尔可夫挖掘参数。
在此参考上，可以根据每个第一参考隐马尔可夫挖掘对象对应的融合隐马尔可夫挖掘参数，对所有第一参考隐马尔可夫挖掘对象按序排列，以根据每个第一参考隐马尔可夫挖掘对象排列后的顺序，确定每个第一参考隐马尔可夫挖掘对象各自的优先级参数，然后根据每个第一参考隐马尔可夫挖掘对象各自的优先级参数，对每个第一参考隐马尔可夫挖掘对象各自对应的融合隐马尔可夫挖掘参数进行处理，生成每个兴趣点情景描述向量的加权融合隐马尔可夫挖掘参数。
这样，在（7）中，即可利用分布图谱标签对应的每个情景服务分布图谱对每个兴趣点情景描述向量的加权融合隐马尔可夫挖掘参数进行聚类，得到每个兴趣点情景描述向量组合对应的第一情景分簇。
在一种可能的实现方式中，在步骤S120之前，本实施例提供的面向云计算和大数据定位的业务处理方法还可以包括步骤S101，获取目标意图潜在点的历史会话意图信息。
例如，步骤S101具体可以通过以下子步骤来实现。
子步骤S1011，从每个业务处理设备200中获取每个业务处理设备200在订阅应用场景下生成的周期性收集数据集合以及所述周期性收集数据集合所对应的目标参考互动服务。
步骤S1012，获取所述云计算下发任务所对应的任务订阅项目在所述目标参考互动服务下的订阅内容节点，并按照预定的目标内容标签归类对各个目标参考互动服务下的订阅内容节点进行归类，分别生成每个目标内容标签归类的订阅内容节点集合。
其中，订阅内容节点可以用于表示所述云计算下发任务所对应的任务订阅项目在每个周期性收集数据的目标参考互动服务下的具体应用的内容统计标签，例如智慧语音内容统计标签、在线购物内容统计标签等。
本实施例中，预定的目标内容标签归类可以根据实际设计需求进行灵活选择，主要用于表征为不同用户提供的订阅请求订阅选定菜单，在此不作详细限定。
步骤S1013，针对每个目标内容标签归类，获取该目标内容标签归类的订阅内容节点集合中每个订阅内容节点匹配于所述周期性收集数据集合的订阅关联意图数据，并基于目标内容标签归类对应的请求订阅内容特征对每个目标内容标签归类的订阅关联意图数据集合进行人工智能分析，得到各个目标内容标签归类的历史会话意图信息。
步骤S1014，从所述各个目标内容标签归类的历史会话意图信息中获得所述目标意图潜在点包括的标记目标内容标签归类的历史会话意图信息。
基于上述步骤，本实施例通过考虑所述云计算下发任务所对应的任务订阅项目在周期性收集数据集合所对应的目标参考互动服务下的订阅内容节点，然后基于预定的目标内容标签归类对各个目标参考互动服务下的订阅内容节点进行归类，从而考虑到不同目标参考互动服务和目标内容标签归类的差异，由此基于目标内容标签归类对应的请求订阅内容特征对每个目标内容标签归类的订阅关联意图数据集合进行人工智能分析，可以决策提高人工智能分析的精确性，使得人工智能分析结果更能够匹配实际的业务场景。
在一种可能的实现方式中，譬如，针对步骤S1013，在获取该目标内容标签归类的订阅内容节点集合中每个订阅内容节点匹配于所述周期性收集数据集合的订阅关联意图数据的过程中，还可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S10131，获取该目标内容标签归类的订阅内容节点集合中每个订阅内容节点相关的订阅内容构建特征。
子步骤S10132，根据每个订阅内容节点相关的订阅内容构建特征从周期性收集数据集合中匹配对应的目标数据区域。
子步骤S10133，根据每个订阅内容节点相关的订阅内容构建特征匹配的目标数据区域中每个业务记录板块对应的订阅关联意图属性，确定该目标内容标签归类的订阅内容节点集合中每个订阅内容节点匹配于周期性收集数据集合的订阅关联意图数据。
在一种可能的实现方式中，譬如，针对步骤S1013，在基于目标内容标签归类对应的请求订阅内容特征对每个目标内容标签归类的订阅关联意图数据集合进行人工智能分析的过程中，可以通过以下子步骤来实现。
子步骤S10134，基于目标内容标签归类对应的请求订阅内容特征确定每个目标内容标签归类的每个请求订阅标签信息的请求订阅标签信息参数以及请求订阅标签信息所覆盖的标签覆盖对象。
子步骤S10135，根据每个目标内容标签归类中请求订阅标签信息的请求订阅标签信息参数以及请求订阅标签信息所覆盖的标签覆盖对象确定每个目标内容标签归类中对请求订阅标签信息进行人工智能分析所需要的人工智能分析组件的跟踪参数。
子步骤S10136，根据每个请求订阅标签信息所需要的人工智能分析组件的跟踪参数，将每个人工智能分析组件确定为一跟踪对象，该跟踪对象所对应的意图跟踪信息为该请求订阅标签信息包含的当前已配置的目标内容标签归类的意图跟踪信息之外的意图跟踪信息。
子步骤S10137，根据跟踪对象对应的意图跟踪信息，建立跟踪对象的意图服务节点，并确定意图服务节点的覆盖项目，得到覆盖项目中第一跟踪对象对每个目标内容标签归类的订阅关联意图数据集合进行人工智能分析的初步会话意图信息。
子步骤S10138，在按照跟踪对象的层级依次对第一跟踪对象之后的每一跟踪对象进行初步会话意图信息筛选时，对该跟踪对象及该跟踪对象之后的每一跟踪对象的初步会话意图信息进行筛选，根据筛选后的初步会话意图信息，重新建立跟踪对象的意图服务节点，确定重新建立的意图服务节点的覆盖项目，得到该重新建立的意图服务节点的覆盖项目中该跟踪对象的筛选初步会话意图信息。
子步骤S10139，在得到所有跟踪对象的筛选初步会话意图信息后，将所有跟踪对象的筛选初步会话意图信息作为人工智能分析结果。
在一种可能的实现方式中，譬如，在步骤S1013之后，还可以包括以下步骤：
步骤S1015，在人工智能分析过程中判断是否存在用于表示订阅内容节点存在可更新业务的可更新兴趣点情景向量集，并在检测到可更新兴趣点情景向量集时，提取人工智能分析的可更新兴趣点情景向量集对应的第一订阅内容节点的第一订阅关联意图以及与第一订阅内容节点存在可更新业务关系的至少一个第二订阅内容节点的第二订阅关联意图；
步骤S1016，根据预设人工智能模型确定第一订阅关联意图和至少一个第二订阅关联意图之间的全局历史会话意图信息。
在一种可能的实现方式中，譬如，针对步骤S1015，可以从人工智能分析过程中产生的人工智能分析记录信息中提取人工智能分析的可更新兴趣点情景向量集对应的第一订阅内容节点的第一订阅关联意图以及与第一订阅内容节点存在可更新业务关系的至少一个第二订阅内容节点的第二订阅关联意图。其中，与第一订阅内容节点存在可更新业务关系的至少一个第二订阅内容节点可以是指与第一订阅内容节点存在相关联的联动效应的第二订阅内容节点。
例如，如果某个订阅内容节点需要在第一订阅内容节点挖掘的过程中扩展挖掘，那么该订阅内容节点可以理解为与第一订阅内容节点存在可更新业务关系的第二订阅内容节点。
在一种可能的实现方式中，譬如，针对步骤S1016，可以通过以下示例性的子步骤实现，详细描述如下。
子步骤S10161，将第一订阅关联意图按照每个相同的订阅关联意图节点与至少一个第二订阅关联意图对应的订阅关联意图节点进行融合后，得到融合订阅关联意图。
子步骤S10162，将第一订阅关联意图和至少一个第二订阅关联意图添加到预设的意图分布图谱队列，并基于意图分布图谱队列建立第一订阅关联意图的多个第一意图分布图谱参数以及第二订阅关联意图的多个第二意图分布图谱参数。
子步骤S10163，根据每个第一意图分布图谱参数确定第一订阅内容节点的第一意图语义信息，并根据每个第二意图分布图谱参数确定第二订阅内容节点的第二意图语义信息，而后将第一意图语义信息和第二意图语义信息映射至会话服务特征模型，得到第一意图语义信息对应的第一订阅关联意图特征以及第二意图语义信息对应的第二订阅关联意图特征，并确定会话服务特征模型对应于融合订阅关联意图的多个会话问题对象，对多个会话问题对象进行汇总得到至少多个不同类别的会话问题挖掘列表，针对每个会话问题挖掘列表，在预设的人工智能分析进程中挖掘会话问题挖掘列表中的每个会话问题对象对应第一订阅关联意图特征的第一会话生成特征和对应第二订阅关联意图特征的第二会话生成特征。
子步骤S10164，根据会话问题挖掘列表中的每个会话问题对象对应的第一会话生成特征和第二会话生成特征的挖掘结果，按照知识预料的预设优先级进行拼接生成的意图信息流，对拼接生成的意图信息流进行还原，确定第一订阅内容节点和至少一个第二订阅内容节点的全局历史会话意图信息。
如此，可以在实际人工智能分析过程中针对性地以关联的订阅内容节点为独立挖掘目标进行后续的人工智能分析。
在一种可能的实现方式中，针对步骤S10164，譬如，在对拼接生成的意图信息流进行还原，确定第一订阅内容节点和至少一个第二订阅内容节点的全局历史会话意图信息的过程中，可以对拼接生成的意图信息流按照每个对应的模拟挖掘节点进行逆转换，以获得第一订阅内容节点和至少一个第二订阅内容节点的全局历史会话意图信息。
图3为本公开实施例提供的面向云计算和大数据定位的业务处理装置300的功能模块示意图，本实施例可以根据上述人工智能平台100执行的方法实施例对该面向云计算和大数据定位的业务处理装置300进行功能模块的划分，也即该面向云计算和大数据定位的业务处理装置300所对应的以下各个功能模块可以用于执行上述人工智能平台100执行的各个方法实施例。其中，该面向云计算和大数据定位的业务处理装置300可以包括接收模块310、确定模块320、请求订阅模块330以及更新模块340，下面分别对该面向云计算和大数据定位的业务处理装置300的各个功能模块的功能进行详细阐述。
接收模块310，用于接收所述业务处理设备200发送的针对云计算下发任务的大数据业务轨迹信息，提取所述大数据业务轨迹信息的目标意图标注信息；其中，所述目标意图标注信息包括目标意图潜在点。其中，接收模块310可以用于执行上述的步骤S110，关于接收模块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。
确定模块320，用于根据所述目标意图潜在点的历史会话意图信息，确定出所述目标意图潜在点对应的服务兴趣项目集合，其中，所述历史会话意图信息为所述人工智能平台对业务处理设备200在订阅应用场景下生成的周期性收集数据集合以及所述周期性收集数据集合所对应的目标参考互动服务进行人工智能分析获得的历史会话意图信息。其中，确定模块320可以用于执行上述的步骤S120，关于确定模块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。
请求订阅模块330，用于向所述业务处理设备200请求订阅所述服务兴趣项目集合对应的订阅服务。其中，请求订阅模块330可以用于执行上述的步骤S130，关于请求订阅模块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。
更新模块340，用于根据所述业务处理设备从所述服务兴趣项目集合对应的订阅服务中选择的目标订阅服务，对下一次向所述业务处理设备下发的云计算下发任务进行更新。其中，更新模块340可以用于执行上述的步骤S140，关于更新模块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。
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，接收模块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接收模块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人工智能平台100的硬件结构示意图，如图4所示，人工智能平台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中所示的面向云计算和大数据定位的业务处理装置300包括的接收模块310、确定模块320、请求订阅模块330以及更新模块340），使得处理器110可以执行如上方法实施例的面向云计算和大数据定位的业务处理方法，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，从而可以与前述的业务处理设备200进行数据收发。
处理器110的具体实现过程可参见上述人工智能平台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，处理器可以是全局业务互动匹配进程(英文：Central Processing Unit，CPU)，还可以是其他通用处理器、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，本申请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，本申请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支付的验证处理方法。
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，本说明书中在不同位置两次或多次提及的“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，或对他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，或其他编程语言等。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、或其他名称的使用，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。其他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 (10)

1.一种面向云计算和大数据定位的业务处理方法，其特征在于，应用于人工智能平台，所述人工智能平台与多个业务处理设备通信连接，所述方法包括：
接收所述业务处理设备发送的针对云计算下发任务的大数据业务轨迹信息，提取所述大数据业务轨迹信息的目标意图标注信息；其中，所述目标意图标注信息包括目标意图潜在点；
根据所述目标意图潜在点的历史会话意图信息，确定出所述目标意图潜在点对应的服务兴趣项目集合，其中，所述历史会话意图信息为所述人工智能平台对业务处理设备在订阅应用场景下生成的周期性收集数据集合以及所述周期性收集数据集合所对应的目标参考互动服务进行人工智能分析获得的历史会话意图信息；
根据所述目标意图潜在点对应的服务兴趣项目集合，向所述业务处理设备请求订阅所述服务兴趣项目集合对应的订阅服务；
根据所述业务处理设备从所述服务兴趣项目集合对应的订阅服务中选择的目标订阅服务，对下一次向所述业务处理设备下发的云计算下发任务进行更新。
2.根据权利要求1所述的面向云计算和大数据定位的业务处理方法，其特征在于，所述根据所述目标意图潜在点的历史会话意图信息，确定出所述目标意图潜在点对应的服务兴趣项目集合的步骤，包括：
从所述目标意图潜在点的历史会话意图信息中获取参考问题描述表示和所述参考问题描述表示的非文本因子信息，所述非文本因子信息表示所述参考问题描述表示中每个描述向量组合对应的服务项目属性状态；
根据所述非文本因子信息对所述参考问题描述表示进行处理，生成所述参考问题描述表示的应答多值属性信息；
对所述参考问题描述表示和所述应答多值属性信息进行兴趣点情景参数提取，从提取得到的当前兴趣点情景参数信息中确定与所述应答多值属性信息对应的第一兴趣点情景向量集对应的第二兴趣点情景向量集；
对所述第一兴趣点情景向量集和所述第二兴趣点情景向量集进行特征融合，得到第三兴趣点情景向量集；
根据所述第三兴趣点情景向量集输出所述参考问题描述表示对应的目标服务兴趣项目集合。
3.根据权利要求1所述的面向云计算和大数据定位的业务处理方法，其特征在于，所述根据所述非文本因子信息对所述参考问题描述表示进行处理，生成所述参考问题描述表示的应答多值属性信息的步骤，包括：
对所述参考问题描述表示进行兴趣点情景参数提取，对得到的所述参考问题描述表示对应的第一兴趣点情景参数进行情景动态轨迹识别，根据所识别到的情景动态轨迹得到所述参考问题描述表示对应的第一情景交互话题集合；
对所述非文本因子信息进行兴趣点情景参数提取，对得到的所述非文本因子信息对应的第二兴趣点情景参数进行情景动态轨迹识别，根据所识别到的情景动态轨迹得到所述非文本因子信息对应的第二情景交互话题集合；
获取所述第一情景交互话题集合中保存的第一话题演化分布信息，以及将所述第一话题演化分布信息转换为对应的第一话题演化分布向量；
获取所述第二情景交互话题集合中多个情景交互话题对象各自保存的第二话题演化分布信息，以及将每个所述第二话题演化分布信息转换为对应的第二话题演化分布向量；
计算每个所述第二话题演化分布向量与所述第一话题演化分布向量的融合分布向量；
对每个所述第二话题演化分布向量对应的融合分布向量进行排序，根据排序结果从多个所述第二话题演化分布向量中选出多个相似话题演化分布向量；
对所述多个相似话题演化分布向量进行粒子群算法处理，得到粒子群特征向量；
对所述第一情景交互话题集合和所述第二情景交互话题集合的话题特征向量进行高斯概率密度计算，根据计算得到的高斯概率密度得到话题表征参数向量；所述话题表征参数向量中包含有所述第二情景交互话题集合中各个情景交互话题对象对应的影响参数；
计算所述粒子群特征向量和所述话题表征参数向量两者的融合特征向量，并将计算出的结果作为所述第一话题演化分布信息的话题演化情景描述；
将所述话题演化情景描述隐马尔可夫挖掘至所述参考问题描述表示中设定的参考问题表示片段，得到初始话题隐马尔可夫会话意图信息；
对所述初始话题隐马尔可夫会话意图信息进行情景动态轨迹识别，得到参考情景动态轨迹；
根据所述第一情景交互话题集合、所述第二情景交互话题集合以及所述参考情景动态轨迹，得到所述参考问题描述表示对应的所述应答多值属性信息。
4.根据权利要求3所述的面向云计算和大数据定位的业务处理方法，其特征在于，所述根据所述第一情景交互话题集合、所述第二情景交互话题集合以及所述参考情景动态轨迹，得到所述参考问题描述表示对应的所述应答多值属性信息的步骤，包括：
将所述第一情景交互话题集合和所述第二情景交互话题集合分别映射到所述参考情景动态轨迹中的每个动态轨迹节点上，获得所述第一情景交互话题集合和所述第二情景交互话题集合分别对应的每个动态轨迹节点的映射属性信息；
汇总所述第一情景交互话题集合和所述第二情景交互话题集合分别对应的每个动态轨迹节点的映射属性信息，得到所述参考问题描述表示对应的所述应答多值属性信息。
5.根据权利要求2所述的面向云计算和大数据定位的业务处理方法，其特征在于，所述对所述参考问题描述表示和所述应答多值属性信息进行兴趣点情景参数提取，从提取得到的当前兴趣点情景参数信息中确定与所述应答多值属性信息对应的第一兴趣点情景向量集对应的第二兴趣点情景向量集的步骤，包括：
对所述参考问题描述表示和所述应答多值属性信息进行兴趣点情景参数提取，得到所述参考问题描述表示和所述应答多值属性信息的兴趣点情景参数中映射的当前兴趣点情景参数信息；所述当前兴趣点情景参数信息包括多个兴趣点情景元素的情景描述信息；
从所述当前兴趣点情景参数信息包含的多个兴趣点情景元素的情景描述信息中确定所述第一兴趣点情景向量集的相似情景描述信息，并将所述相似情景描述信息作为所述第二兴趣点情景向量集。
6.根据权利要求2所述的面向云计算和大数据定位的业务处理方法，其特征在于，所述对所述第一兴趣点情景向量集和所述第二兴趣点情景向量集进行特征融合，得到第三兴趣点情景向量集的步骤，包括：
将所述第一兴趣点情景向量集和所述第二兴趣点情景向量集分别输入预设的人工智能分析模型中，以使所述人工智能分析模型分别输出所述第一兴趣点情景向量集和所述第二兴趣点情景向量集各自的决策兴趣点情景向量集，得到第一目标兴趣点情景向量集和第二目标兴趣点情景向量集；
对所述第一目标兴趣点情景向量集进行粒子群算法计算，得到第一主题粒子群计算信息；对所述第一目标兴趣点情景向量集进行兴趣点情景参数提取，并对提取得到的兴趣点情景向量集进行粒子群算法计算，得到第二主题粒子群计算信息，计算所述第一主题粒子群计算信息和所述第二主题粒子群计算信息的融合计算信息，得到与所述第一目标兴趣点情景向量集对应的第一决策情景向量集；
对所述第二目标兴趣点情景向量集进行粒子群算法计算，得到第三主题粒子群计算信息；对所述第二目标兴趣点情景向量集进行兴趣点情景参数提取，并对提取得到的兴趣点情景向量集进行粒子群算法计算，得到第四主题粒子群计算信息，计算所述第三主题粒子群计算信息和所述第四主题粒子群计算信息的融合计算信息，得到与所述第二目标兴趣点情景向量集对应的第二决策情景向量集；
计算所述第一决策情景向量集和所述第二决策情景向量集两者的融合特征集，将得到的融合特征集作为所述第三兴趣点情景向量集。
7.根据权利要求2所述的面向云计算和大数据定位的业务处理方法，其特征在于，所述根据所述第三兴趣点情景向量集输出所述参考问题描述表示对应的目标服务兴趣项目集合的步骤，包括：
获取所述第三兴趣点情景向量集中的多条兴趣点情景描述向量、以及与每个兴趣点情景描述向量组合对应的人工智能分析策略，所述兴趣点情景描述向量包括第一兴趣点情景描述向量和第二兴趣点情景描述向量，其中，所述第一兴趣点情景描述向量和第二兴趣点情景描述向量为相互之间存在映射关联兴趣点情景描述向量组合；
对所述第三兴趣点情景向量集进行隐马尔可夫挖掘，以输出每个第一兴趣点情景描述向量组合对应的第一参考隐马尔可夫挖掘对象、以及所述第三兴趣点情景向量集对应的目标隐马尔可夫挖掘对象；
计算所述目标隐马尔可夫挖掘对象和每个所述第一参考隐马尔可夫挖掘对象之间的关联度，以得到对应的每条第一兴趣点情景描述向量和所述第三兴趣点情景向量集之间的隐马尔可夫挖掘对象相似参数；
识别出每个第一兴趣点情景描述向量中的所有情景服务数据段、以及计算出每个第一兴趣点情景描述向量各自对应的高斯概率密度；
根据所述所有情景服务数据段和所述高斯概率密度，生成对应的兴趣点情景描述向量的情景服务分布图谱；
根据所述人工智能分析策略生成每个兴趣点情景描述向量组合对应的分布图谱标签；
利用所述分布图谱标签对应的每条情景服务分布图谱，得到每个兴趣点情景描述向量各自的第一情景分簇；
根据所述第二兴趣点情景描述向量组合每个兴趣点情景描述向量组合对应的第一参考隐马尔可夫挖掘对象进行聚类，得到每个兴趣点情景描述向量的第二情景分簇；
根据所述第一情景分簇和第二情景分簇，在所述多条兴趣点情景描述向量中确定出目标兴趣点情景描述向量；
将所述目标兴趣点情景描述向量组合对应的第一参考隐马尔可夫挖掘对象作为第二隐马尔可夫挖掘对象，并将所述第二隐马尔可夫挖掘对象隐马尔可夫挖掘至所述第三兴趣点情景向量集中，以输出所述参考问题描述表示对应的目标服务兴趣项目集合。
8.根据权利要求7所述的面向云计算和大数据定位的业务处理方法，其特征在于，所述人工智能分析策略包括对所述兴趣点情景描述向量的向量结构聚类策略、以及所述兴趣点情景描述向量组合对应的特征值聚类策略；
所述根据所述人工智能分析策略生成每个兴趣点情景描述向量组合对应的分布图谱标签的步骤，包括：
根据所述特征值聚类策略对所述兴趣点情景描述向量进行特征值聚类，生成所述兴趣点情景描述向量组合对应的服务兴趣项目集合特征值；
根据所述向量结构聚类策略对所述兴趣点情景描述向量进行向量结构聚类，生成所述兴趣点情景描述向量组合对应的向量结构聚类结果；
根据所述服务兴趣项目集合特征值和所述向量结构聚类结果，生成对应所述兴趣点情景描述向量的分布图谱标签。
9.根据权利要求1-8中任意一项所述的面向云计算和大数据定位的业务处理方法，其特征在于，所述方法还包括：
获取所述目标意图潜在点的历史会话意图信息；
所述获取所述目标意图潜在点的历史会话意图信息的步骤，包括：
从所述业务处理设备中获取所述业务处理设备在订阅应用场景下生成的周期性收集数据集合以及所述周期性收集数据集合所对应的目标参考互动服务；
获取所述云计算下发任务所对应的任务订阅项目在所述目标参考互动服务下的订阅内容节点，并按照预定的目标内容标签归类对各个目标参考互动服务下的订阅内容节点进行归类，分别生成每个目标内容标签归类的订阅内容节点集合；
针对每个目标内容标签归类，获取该目标内容标签归类的订阅内容节点集合中每个订阅内容节点匹配于所述周期性收集数据集合的订阅关联意图数据，并基于目标内容标签归类对应的请求订阅内容特征对每个目标内容标签归类的订阅关联意图数据集合进行人工智能分析，得到各个目标内容标签归类的历史会话意图信息；
从所述各个目标内容标签归类的历史会话意图信息中获得所述目标意图潜在点包括的标记目标内容标签归类的历史会话意图信息。
10.一种人工智能平台，其特征在于，所述人工智能平台包括处理器、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业务处理设备通信连接，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1-9中任意一项的面向云计算和大数据定位的业务处理方法。
CN202010951240.5A 2020-09-11 2020-09-11 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 Active CN112199580B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110364178.4A CN112905901A (zh) 2020-09-11 2020-09-11 面向大数据定位的服务兴趣提取方法、系统及平台
CN202110364193.9A CN112905902A (zh) 2020-09-11 2020-09-11 面向云计算和人工智能的会话意图提取方法及系统
CN202010951240.5A CN112199580B (zh) 2020-09-11 2020-09-11 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010951240.5A CN112199580B (zh) 2020-09-11 2020-09-11 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

Related Child Applications (2)

Application Number Title Priority Date Filing Date
CN202110364178.4A Division CN112905901A (zh) 2020-09-11 2020-09-11 面向大数据定位的服务兴趣提取方法、系统及平台
CN202110364193.9A Division CN112905902A (zh) 2020-09-11 2020-09-11 面向云计算和人工智能的会话意图提取方法及系统

Publications (2)

Publication Number Publication Date
CN112199580A true CN112199580A (zh) 2021-01-08
CN112199580B CN112199580B (zh) 2021-05-28

Family

ID=74016259

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202110364178.4A Withdrawn CN112905901A (zh) 2020-09-11 2020-09-11 面向大数据定位的服务兴趣提取方法、系统及平台
CN202110364193.9A Withdrawn CN112905902A (zh) 2020-09-11 2020-09-11 面向云计算和人工智能的会话意图提取方法及系统
CN202010951240.5A Active CN112199580B (zh) 2020-09-11 2020-09-11 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

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN202110364178.4A Withdrawn CN112905901A (zh) 2020-09-11 2020-09-11 面向大数据定位的服务兴趣提取方法、系统及平台
CN202110364193.9A Withdrawn CN112905902A (zh) 2020-09-11 2020-09-11 面向云计算和人工智能的会话意图提取方法及系统

Country Status (1)

Country Link
CN (3) CN112905901A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112685478A (zh) * 2021-02-23 2021-04-20 张雪君 针对云业务和用户画像挖掘的信息处理方法及云服务器
CN113032547A (zh) * 2021-03-31 2021-06-25 龙关玲 基于人工智能的大数据处理方法、系统及云平台
CN113435948A (zh) * 2021-08-25 2021-09-24 汇通达网络股份有限公司 一种电商平台数据监测方法及系统
WO2024055737A1 (en) * 2022-09-14 2024-03-21 International Business Machines Corporation Transforming an application into a microservice architecture

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113593533B (zh) * 2021-09-10 2023-05-02 平安科技（深圳）有限公司 基于意图识别的流程节点跳转方法、装置、设备及介质
CN113643007B (zh) * 2021-10-14 2022-02-08 杭银消费金融股份有限公司 基于可视化的研发项目工单处理方法及系统
CN114470758B (zh) * 2022-01-17 2022-08-02 上海光追网络科技有限公司 基于vr的人物动作数据处理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107015872A (zh) * 2016-12-09 2017-08-04 上海壹账通金融科技有限公司 监控数据的处理方法及装置
CN107301197A (zh) * 2017-05-12 2017-10-27 上海瀚银信息技术有限公司 一种业务数据跟踪处理系统及方法
CN109726240A (zh) * 2018-12-26 2019-05-07 亚信科技（中国）有限公司 实时业务轨迹跟踪方法和实时业务轨迹处理方法
CN110888912A (zh) * 2019-10-15 2020-03-17 中国人民解放军国防科技大学 基于时空大数据的目标行为语义轨迹预测方法
CN111353679A (zh) * 2018-12-24 2020-06-30 陕西天朗嘉业科技发展有限公司 一种基于云计算和大数据的智慧城市服务平台

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107015872A (zh) * 2016-12-09 2017-08-04 上海壹账通金融科技有限公司 监控数据的处理方法及装置
CN107301197A (zh) * 2017-05-12 2017-10-27 上海瀚银信息技术有限公司 一种业务数据跟踪处理系统及方法
CN111353679A (zh) * 2018-12-24 2020-06-30 陕西天朗嘉业科技发展有限公司 一种基于云计算和大数据的智慧城市服务平台
CN109726240A (zh) * 2018-12-26 2019-05-07 亚信科技（中国）有限公司 实时业务轨迹跟踪方法和实时业务轨迹处理方法
CN110888912A (zh) * 2019-10-15 2020-03-17 中国人民解放军国防科技大学 基于时空大数据的目标行为语义轨迹预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112685478A (zh) * 2021-02-23 2021-04-20 张雪君 针对云业务和用户画像挖掘的信息处理方法及云服务器
CN112685478B (zh) * 2021-02-23 2022-01-14 爱云保(上海)科技有限公司 针对云业务和用户画像挖掘的信息处理方法及云服务器
CN113032547A (zh) * 2021-03-31 2021-06-25 龙关玲 基于人工智能的大数据处理方法、系统及云平台
CN113032547B (zh) * 2021-03-31 2021-12-07 三峡高科信息技术有限责任公司 基于人工智能的大数据处理方法、系统及云平台
CN113435948A (zh) * 2021-08-25 2021-09-24 汇通达网络股份有限公司 一种电商平台数据监测方法及系统
WO2024055737A1 (en) * 2022-09-14 2024-03-21 International Business Machines Corporation Transforming an application into a microservice architecture

Also Published As

Publication number Publication date
CN112905902A (zh) 2021-06-04
CN112199580B (zh) 2021-05-28
CN112905901A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
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
CN112464084B (zh) 基于大数据定位和人工智能的业务优化方法及云计算中心
CN113536107B (zh) 基于区块链的大数据决策方法、系统及云端服务中心
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
CN112199581B (zh) 面向云计算和信息安全的云服务管理方法及人工智能平台
CN113051345A (zh) 基于云计算和大数据的信息推送方法、系统及金融服务器
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
CN111611478A (zh) 信息推荐方法、装置和电子设备
WO2019242442A1 (zh) 基于多模型特征的恶意软件识别方法、系统及相关装置
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
CN112069406B (zh) 基于区块链离线支付的信息推送方法及云服务推送平台
CN112308627B (zh) 基于区块链和人工智能的广告数据接入方法及大数据中心
CN112684396B (zh) 电能表运行误差监测模型的数据预处理方法及系统
CN114360027A (zh) 一种特征提取网络的训练方法、装置及电子设备
US11436412B2 (en) Predictive event searching utilizing a machine learning model trained using dynamically-generated event tags
CN112199715A (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
CN112966066A (zh) 基于区块链和金融订阅的信息生成方法、系统及服务中心
CN112948251A (zh) 软件自动测试方法及装置
CN117575894A (zh) 图像生成方法、装置、电子设备和计算机可读存储介质
CN112837040A (zh) 应用于智能电网的电力数据管理方法及系统
CN117975072A (zh) 主干网络搜索方法、目标检测网络构建方法、装置、设备
CN114582521A (zh) 应用于医疗大数据挖掘的个性化推荐方法及医疗ai系统
CN115796272A (zh) 基于深度学习平台的模型训练方法、数据处理方法和装置
CN116028235A (zh) 自媒体信息处理方法、装置、电子设备及存储介质

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
TA01 Transfer of patent application right

Effective date of registration: 20210508

Address after: 550008 room B401, auxiliary room of standard workshop, Jinyang science and Technology Industrial Park, high tech Zone, Guiyang City, Guizhou Province

Applicant after: Zhiguanghailian Big Data Technology Co.,Ltd.

Address before: Room 309, building A5, phase 2, Yunnan University Science Park, Kunming high tech Zone, Yunnan 650106

Applicant before: Bian Meiling

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