CN112650787A - 基于大数据和云计算的数据挖掘方法及人工智能服务器 - Google Patents
基于大数据和云计算的数据挖掘方法及人工智能服务器 Download PDFInfo
- Publication number
- CN112650787A CN112650787A CN202011554312.9A CN202011554312A CN112650787A CN 112650787 A CN112650787 A CN 112650787A CN 202011554312 A CN202011554312 A CN 202011554312A CN 112650787 A CN112650787 A CN 112650787A
- Authority
- CN
- China
- Prior art keywords
- service
- mining
- data
- target
- service state
- 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- Withdrawn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
- 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供一种基于大数据和云计算的数据挖掘方法及人工智能服务器,基于预先定义的业务数据挖掘标签序列确定当前所属的业务数据挖掘标签,不同的业务数据挖掘标签具有不同的数据挖掘策略,针对当前的业务数据挖掘标签即可获取对应的数据挖掘策略,不同的数据挖掘策略作为定义业务状态迁移图谱的依据,能够解决业务状态迁移图谱维度单一的问题,从而达到更好的数据挖掘效果,在业务处理大数据挖掘的过程中提升准确性。
Description
技术领域
本申请涉及大数据挖掘技术领域,具体而言,涉及一种基于大数据和云计算的数据挖掘方法及人工智能服务器。
背景技术
在对现有技术的研究和实践过程中,数据挖掘(Data Mining)是数据库知识发现(Knowledge-Discovery in Databases,KDD)中的一个步骤,一般是指从大量的数据中自动搜索隐藏于其中的特殊关系型的信息的过程,数据挖掘在技术上的定义是指从大量的、不完全的、有噪声的、模糊的和随机的数据中,提取隐含在其中的、事先不知道的,但又有潜在有用信息和知识的过程,应用领域为情报检索、情报分析、模式识别等。
相关技术中,在数据挖掘过程中,需要设计一个定义于业务挖掘过程中的业务状态迁移图谱,业务状态迁移图谱的准确性直接影响到挖掘过程的准确性。然而,现有的业务状态迁移图谱维度较为单一,在实际挖掘中,往往存在多种的数据挖掘策略,由此单一的业务状态迁移图谱维度会导致数据挖掘效果较差。
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基于大数据和云计算的数据挖掘方法及人工智能服务器,基于预先定义的业务数据挖掘标签序列确定当前所属的业务数据挖掘标签,不同的业务数据挖掘标签具有不同的数据挖掘策略,针对当前的业务数据挖掘标签即可获取对应的数据挖掘策略,不同的数据挖掘策略作为定义业务状态迁移图谱的依据,能够解决业务状态迁移图谱维度单一的问题,从而达到更好的数据挖掘效果,在业务处理大数据挖掘的过程中提升准确性。
第一方面,本申请提供一种基于大数据和云计算的数据挖掘方法,应用于人工智能服务器,所述人工智能服务器与所述多个用户业务处理设备通信连接,所述方法包括:
获取所述用户业务处理设备的目标业务处理大数据所对应的起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态;
根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定目标业务数据挖掘标签,其中,所述目标业务数据挖掘标签包含于业务数据挖掘标签序列中,所述业务数据挖掘标签序列包括至少两种业务数据挖掘标签,每种业务数据挖掘标签对应于至少一组数据挖掘策略,所述目标业务数据挖掘标签对应于多个数据挖掘策略;
根据所述目标业务数据挖掘标签获取多个数据挖掘策略,其中,每组数据挖掘策略用于表示业务处理大数据在量化业务状态变化参数上的变化情况,所述量化业务状态变化参数为业务状态变化参数的业务状态更新率;
基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述多个数据挖掘策略确定所述目标业务处理大数据所对应的业务状态迁移图谱,根据所述业务状态迁移图谱对所述目标业务处理大数据进行业务数据挖掘。
在第一方面的一种可能的设计示例中,所述获取所述用户业务处理设备的目标业务处理大数据所对应的起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态的步骤,包括:
获取所述目标业务处理大数据的业务状态信息,根据所述目标业务处理大数据的业务状态信息确定所述起始业务状态变化参数以及所述起始业务状态;
获取所述目标业务处理大数据的业务模式信息以及业务处理大数据状态信息,根据所述业务模式信息以及所述业务处理大数据状态信息确定所述目标业务状态变化参数以及所述目标业务状态;
所述根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定目标业务数据挖掘标签的步骤,包括:
根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定多个挖掘溯源方式,其中,每个挖掘溯源方式对应一组数据挖掘策略;
根据所述多个挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签。
在第一方面的一种可能的设计示例中,所述根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定多个挖掘溯源方式的步骤,包括:
若所述起始业务状态大于持续预设时间不变的业务状态,所述起始业务状态变化参数在第一业务状态变化参数区间内,且所述目标业务状态变化参数在第二业务状态变化参数区间内,则确定所述多个挖掘溯源方式包括默认挖掘任务;
所述根据所述多个挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签,包括:
根据所述默认挖掘任务,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签为默认数据挖掘场景;
所述根据所述目标业务数据挖掘标签获取多个数据挖掘策略,包括:
根据所述默认数据挖掘场景,获取所述默认挖掘任务所对应的数据挖掘策略;
所述基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述多个数据挖掘策略确定所述目标业务处理大数据所对应的业务状态迁移图谱,包括:
根据所述默认挖掘任务所对应的数据挖掘策略、所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,计算得到目标业务数据范围内不同业务节点所对应的业务状态;
根据所述目标业务数据范围内不同业务节点所对应的业务状态,生成所述目标业务处理大数据所对应的业务状态迁移图谱。
在第一方面的一种可能的设计示例中,所述根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定多个挖掘溯源方式,包括:
在第一业务数据范围内,若所述起始业务状态大于持续预设时间不变的业务状态,所述起始业务状态变化参数大于第一阈值,且所述目标业务状态变化参数小于或等于0,则确定所述多个挖掘溯源方式包括减量挖掘溯源方式;
在第二业务数据范围内,若所述起始业务状态大于持续预设时间不变的业务状态,且所述目标业务状态变化参数小于第二阈值,则确定所述多个挖掘溯源方式还包括减量激活挖掘溯源方式,其中,所述第二阈值小于0,所述第二业务数据范围为所述第一业务数据范围相关联的下一个业务数据范围;
所述根据所述多个挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签的步骤,包括:
根据所述减量挖掘溯源方式以及所述减量激活挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签为减量激活标签;
所述根据所述目标业务数据挖掘标签获取多个数据挖掘策略的步骤,包括:
根据所述减量激活标签,获取所述减量挖掘溯源方式所对应的数据挖掘策略,根据所述减量激活标签,获取所述减量激活挖掘溯源方式所对应的数据挖掘策略;
所述基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述多个数据挖掘策略确定所述目标业务处理大数据所对应的业务状态迁移图谱的步骤,包括:
基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述减量挖掘溯源方式所对应的数据挖掘策略以及所述减量激活挖掘溯源方式所对应的数据挖掘策略,确定所述目标业务处理大数据在所述第一业务数据范围内不同业务节点所对应的业务状态,以及所述目标业务处理大数据在所述第二业务数据范围内不同业务节点所对应的业务状态;
根据所述第一业务数据范围内不同业务节点所对应的业务状态,以及所述第二业务数据范围内不同业务节点所对应的业务状态,生成所述目标业务处理大数据所对应的业务状态迁移图谱。
在第一方面的一种可能的设计示例中,所述根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定多个挖掘溯源方式的步骤,包括:
在第一业务数据范围内,若所述起始业务状态大于持续预设时间不变的业务状态,所述起始业务状态变化参数小于第三阈值,且所述目标业务状态变化参数大于或等于0,则确定所述多个挖掘溯源方式包括增量挖掘溯源方式;
在第二业务数据范围内,若所述起始业务状态大于持续预设时间不变的业务状态,所述起始业务状态变化参数在第一业务状态变化参数区间内,且所述目标业务状态变化参数在第二业务状态变化参数区间内,则确定所述多个挖掘溯源方式包括默认挖掘挖掘溯源方式,其中,所述第二业务数据范围为所述第一业务数据范围相关联的下一个业务数据范围;
在第三业务数据范围内,若所述起始业务状态大于持续预设时间不变的业务状态,所述起始业务状态变化参数大于第一阈值,且所述目标业务状态变化参数小于或等于0,则确定所述多个挖掘溯源方式包括减量挖掘溯源方式,其中,所述第三业务数据范围为所述第二业务数据范围相关联的下一个业务数据范围;
所述根据所述多个挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签的步骤,包括:
根据所述增量挖掘溯源方式、所述默认挖掘挖掘溯源方式以及所述减量挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签为挖掘增减量切换标签;
所述根据所述目标业务数据挖掘标签获取多个数据挖掘策略的步骤,包括:
根据所述挖掘增减量切换标签,获取所述增量挖掘溯源方式所对应的数据挖掘策略,根据所述挖掘增减量切换标签,获取所述默认挖掘挖掘溯源方式所对应的数据挖掘策略,根据所述挖掘增减量切换标签,获取所述减量挖掘溯源方式所对应的数据挖掘策略;
所述基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述多个数据挖掘策略确定所述目标业务处理大数据所对应的业务状态迁移图谱的步骤,包括:
基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述增量挖掘溯源方式所对应的数据挖掘策略、所述默认挖掘挖掘溯源方式所对应的数据挖掘策略以及所述减量挖掘溯源方式所对应的数据挖掘策略,确定所述目标业务处理大数据在所述第一业务数据范围内不同业务节点所对应的业务状态、所述目标业务处理大数据在所述第二业务数据范围内不同业务节点所对应的业务状态以及所述目标业务处理大数据在所述第三业务数据范围内不同业务节点所对应的业务状态;
根据所述第一业务数据范围内不同业务节点所对应的业务状态、所述第二业务数据范围内不同业务节点所对应的业务状态以及所述第三业务数据范围内不同业务节点所对应的业务状态,生成所述目标业务处理大数据所对应的业务状态迁移图谱。
在第一方面的一种可能的设计示例中,所述根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定多个挖掘溯源方式的步骤,包括:
若所述起始业务状态变化参数以及所述起始业务状态等于持续预设时间不变的业务状态,且所述目标业务状态变化参数大于0,则确定所述多个挖掘溯源方式包括起始增量挖掘溯源方式;
所述根据所述多个挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签,包括:
根据所述起始增量挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签为数据挖掘起始增量标签;
所述根据所述目标业务数据挖掘标签获取多个数据挖掘策略,包括:
根据所述数据挖掘起始增量标签,获取所述起始增量挖掘溯源方式所对应的数据挖掘策略;
所述基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述多个数据挖掘策略确定所述目标业务处理大数据所对应的业务状态迁移图谱,包括:
根据所述起始增量挖掘溯源方式所对应的数据挖掘策略、所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,计算得到目标业务数据范围内不同业务节点所对应的业务状态;
根据所述目标业务数据范围内不同业务节点所对应的业务状态,生成所述目标业务处理大数据所对应的业务状态迁移图谱。
在第一方面的一种可能的设计示例中,所述根据所述业务状态迁移图谱对所述目标业务处理大数据进行业务数据挖掘的步骤,包括:
生成与所述业务状态迁移图谱中的各个业务状态迁移单元分别对应的迁移特征;其中,所述迁移特征包括所述业务状态迁移单元中包含的第一业务状态对象和第二业务状态对象,以及所述第一业务状态对象与所述第二业务状态对象之间的迁移业务数据的特征表示;
若所述目标业务处理大数据的业务数据挖掘策略中包括所述第一业务状态对象对应的业务标签分布且不包括所述第二业务状态对象对应的业务标签分布,则在所述业务数据挖掘策略中增加所述第二业务状态对象对应的业务标签分布,以及所述第一业务状态对象与所述第二业务状态对象之间的迁移业务数据的特征表示对应的迁移挖掘关系;
若所述业务数据挖掘策略中包括所述第二业务状态对象对应的业务标签分布且不包括所述第一业务状态对象对应的业务标签分布,则在所述业务数据挖掘策略中增加所述第一业务状态对象对应的业务标签分布,以及所述第一业务状态对象与所述第二业务状态对象之间的迁移业务数据的特征表示对应的迁移挖掘关系;
若所述目标业务处理大数据的业务数据挖掘策略中包括所述第一业务状态对象对应的业务标签分布和所述第二业务状态对象对应的业务标签分布,则在所述业务数据挖掘策略中增加所述第一业务状态对象与所述第二业务状态对象之间的迁移业务数据的特征表示对应的迁移挖掘关系,所述业务数据挖掘策略用于反映所述业务状态迁移图谱中包含的业务状态对象以及所述业务状态对象之间的关系;
从所述业务数据挖掘策略中提取目标挖掘策略板块,所述目标挖掘策略板块是所述业务状态迁移图谱中的部分预设迁移区域对应的部分业务数据挖掘策略;
生成与所述目标挖掘策略板块对应的挖掘进程,以基于所述目标挖掘策略板块对应的挖掘进程对所述目标业务处理大数据进行数据挖掘,所述挖掘进程与所述目标挖掘策略板块对应的预设迁移区域相关。
在第一方面的一种可能的设计示例中,所述业务数据挖掘策略包括多个业务标签分布,一个业务标签分布对应于一个业务状态对象,任意两个业务标签分布之间的迁移挖掘关系用于指示所述两个业务标签分布对应的业务状态对象之间的关系;
所述从所述业务数据挖掘策略中提取目标挖掘策略板块,包括:
获取所述业务数据挖掘策略中各个业务标签分布的挖掘权重,所述业务标签分布的挖掘权重用于指示所述业务标签分布对应的业务状态对象在所述业务状态迁移图谱中的业务影响因子;
将所述业务数据挖掘策略中所述挖掘权重满足要求的业务标签分布确定为候选业务标签分布;
若所述候选业务标签分布的扩展标签分布中不包括其它候选业务标签分布,则确定所述候选业务标签分布为目标业务标签分布;
若所述候选业务标签分布的扩展标签分布中包括其它候选业务标签分布,则从所述候选业务标签分布和所述其它候选业务标签分布中确定所述目标业务标签分布;其中,所述扩展标签分布是指以所述候选业务标签分布为参考标签分布,与所述候选业务标签分布之间的关联度大于预设关联度的业务标签分布;
对于每一个目标业务标签分布,获取所述目标业务标签分布对应的目标挖掘策略板块,所述目标挖掘策略板块中包括所述目标业务标签分布以及与所述目标业务标签分布之间具有迁移挖掘关系映射的关联业务标签分布。
在第一方面的一种可能的设计示例中,所述挖掘进程由挖掘进程分布网络对所述目标挖掘策略板块进行处理后生成,所述挖掘进程分布网络包括正向挖掘配置单元和负向挖掘配置单元;
所述生成与所述目标挖掘策略板块对应的挖掘进程,包括:
通过所述正向挖掘配置单元对所述目标挖掘策略板块进行正向挖掘配置,得到所述与目标挖掘策略板块对应的挖掘配置信息,所述挖掘配置信息是指所述挖掘进程对应的挖掘节点集合的正向挖掘配置信息;
通过所述负向挖掘配置单元对与所述目标挖掘策略板块对应的挖掘配置信息进行负向挖掘配置,得到与所述目标挖掘策略板块对应的挖掘进程;
譬如,在第一方面的一种可能的设计示例中,所述正向挖掘配置单元包括挖掘转化模块、挖掘拆分模块、挖掘封装模块、正向挖掘配置模块、挖掘融合模块和分配模块;
所述通过所述正向挖掘配置单元对所述目标挖掘策略板块进行正向挖掘配置,得到与所述目标挖掘策略板块对应的挖掘配置信息,包括:
采用所述挖掘转化模块将所述目标挖掘策略板块转换为挖掘转换图谱;其中,所述挖掘转换图谱中包括第一业务标签分布和第二业务标签分布,所述第一业务标签分布是指所述目标挖掘策略板块中的业务标签分布,所述第二业务标签分布是指所述目标挖掘策略板块中的迁移挖掘关系转换为的业务标签分布;
采用所述挖掘拆分模块对所述挖掘转换图谱进行拆分,得到第一挖掘策略板块、第二挖掘策略板块、第三挖掘策略板块和第四挖掘策略板块;其中,所述第一挖掘策略板块是指所述第一业务标签分布与所述第二业务标签分布之间两两关联的挖掘策略板块,所述第二挖掘策略板块是指所述挖掘转换图谱对应的双向挖掘关系图谱,所述第三挖掘策略板块是指所述挖掘转换图谱,所述第四挖掘策略板块是指所述挖掘转换图谱对应的逆向挖掘关系图谱;
采用所述挖掘封装模块对所述第一挖掘策略板块、所述第二挖掘策略板块、所述第三挖掘策略板块和所述第四挖掘策略板块分别进行挖掘封装;
采用所述正向挖掘配置模块对封装后的各个挖掘策略板块进行正向挖掘配置;
采用所述挖掘融合模块对正向挖掘配置后的各个挖掘策略板块进行信息拼接,得到所述目标挖掘策略板块的正向挖掘配置信息;
采用所述分配模块对所述目标挖掘策略板块的正向挖掘配置信息进行处理,得到与所述目标挖掘策略板块对应的挖掘配置信息;
譬如,在第一方面的一种可能的设计示例中,所述在所述业务数据挖掘策略中增加所述第二业务状态对象对应的业务标签分布,以及所述第一业务状态对象与所述第二业务状态对象之间的迁移业务数据的特征表示对应的迁移挖掘关系之后,还包括:
更新所述第一业务状态对象对应的业务标签分布的挖掘权重;其中,所述第一业务状态对象对应的业务标签分布的挖掘权重用于指示所述第一业务状态对象在所述业务状态迁移图谱中的业务影响因子;
譬如,在第一方面的一种可能的设计示例中,所述在所述业务数据挖掘策略中增加所述第一业务状态对象对应的业务标签分布,以及所述第一业务状态对象与所述第二业务状态对象之间的迁移业务数据的特征表示对应的迁移挖掘关系之后,还包括:
更新所述第二业务状态对象对应的业务标签分布的挖掘权重;其中,所述第二业务状态对象对应的业务标签分布的挖掘权重用于指示所述第二业务状态对象在所述业务状态迁移图谱中的业务影响因子。
第二方面,本申请实施例还提供一种基于大数据和云计算的数据挖掘装置,应用于人工智能服务器,所述人工智能服务器与多个用户业务处理设备通信连接,所述人工智能服务器基于云计算平台实现,所述装置包括:
第一获取模块,用于获取所述用户业务处理设备的目标业务处理大数据所对应的起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态;
确定模块,用于根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定目标业务数据挖掘标签,其中,所述目标业务数据挖掘标签包含于业务数据挖掘标签序列中,所述业务数据挖掘标签序列包括至少两种业务数据挖掘标签,每种业务数据挖掘标签对应于至少一组数据挖掘策略,所述目标业务数据挖掘标签对应于多个数据挖掘策略;
第二获取模块,用于根据所述目标业务数据挖掘标签获取多个数据挖掘策略,其中,每组数据挖掘策略用于表示业务处理大数据在量化业务状态变化参数上的变化情况,所述量化业务状态变化参数为业务状态变化参数的业务状态更新率;
挖掘模块,用于基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述多个数据挖掘策略确定所述目标业务处理大数据所对应的业务状态迁移图谱,根据所述业务状态迁移图谱对所述目标业务处理大数据进行业务数据挖掘。
第三方面,本申请实施例还提供一种基于大数据和云计算的数据挖掘系统,所述基于大数据和云计算的数据挖掘系统包括人工智能服务器以及与所述人工智能服务器通信连接的多个用户业务处理设备;
所述人工智能服务器,用于:
获取所述用户业务处理设备的目标业务处理大数据所对应的起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态;
根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定目标业务数据挖掘标签,其中,所述目标业务数据挖掘标签包含于业务数据挖掘标签序列中,所述业务数据挖掘标签序列包括至少两种业务数据挖掘标签,每种业务数据挖掘标签对应于至少一组数据挖掘策略,所述目标业务数据挖掘标签对应于多个数据挖掘策略;
根据所述目标业务数据挖掘标签获取多个数据挖掘策略,其中,每组数据挖掘策略用于表示业务处理大数据在量化业务状态变化参数上的变化情况,所述量化业务状态变化参数为业务状态变化参数的业务状态更新率;
基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述多个数据挖掘策略确定所述目标业务处理大数据所对应的业务状态迁移图谱,根据所述业务状态迁移图谱对所述目标业务处理大数据进行业务数据挖掘。
第四方面,本申请实施例还提供一种人工智能服务器,所述人工智能服务器包括处理器、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用户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设计示例中的基于大数据和云计算的数据挖掘方法。
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设计示例中的基于大数据和云计算的数据挖掘方法。
基于上述任意一个方面,本申请首先获取所述用户业务处理设备的目标业务处理大数据所对应的起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态,然后可根据起始业务状态变化参数、起始业务状态以及目标业务状态变化参数,确定目标业务数据挖掘标签,并且可以根据目标业务数据挖掘标签获取多个数据挖掘策略,再基于起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态,通过多个数据挖掘策略确定目标业务处理大数据所对应的业务状态迁移图谱,最后根据业务状态迁移图谱对目标业务处理大数据进行数据挖掘。通过上述方式,基于预先定义的业务数据挖掘标签序列确定当前所属的业务数据挖掘标签,不同的业务数据挖掘标签具有不同的数据挖掘策略,针对当前的业务数据挖掘标签即可获取对应的数据挖掘策略,不同的数据挖掘策略作为定义业务状态迁移图谱的依据,能够解决业务状态迁移图谱维度单一的问题,从而达到更好的数据挖掘效果,在业务处理大数据挖掘的过程中提升准确性。
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基于大数据和云计算的数据挖掘系统的应用场景示意图;
图2为本申请实施例提供的基于大数据和云计算的数据挖掘方法的流程示意图;
图3为本申请实施例提供的基于大数据和云计算的数据挖掘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基于大数据和云计算的数据挖掘方法的人工智能服务器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基于大数据和云计算的数据挖掘系统10的交互示意图。基于大数据和云计算的数据挖掘系统10可以包括人工智能服务器100以及与人工智能服务器100通信连接的用户业务处理设备200。图1所示的基于大数据和云计算的数据挖掘系统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数据挖掘系统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。
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服务器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数据挖掘系统10中的人工智能服务器100和用户业务处理设备200可以通过配合执行以下方法实施例所描述的基于大数据和云计算的数据挖掘方法,具体人工智能服务器100和用户业务处理设备200的执行步骤部分可以参照以下方法实施例的详细描述。
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基于大数据和云计算的数据挖掘方法的流程示意图,本实施例提供的基于大数据和云计算的数据挖掘方法可以由图1中所示的人工智能服务器100执行,下面对该基于大数据和云计算的数据挖掘方法进行详细介绍。
步骤S110,获取所述用户业务处理设备200的目标业务处理大数据所对应的起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态。
本实施例中,本实施例可以获取目标业务处理大数据当前的起始业务状态变化参数(Q0)、起始业务状态(X0)、目标业务状态变化参数(QT)以及目标业务状态(XT)。其中,起始业务状态变化参数(Q0)表示目标业务处理大数据当前业务数据范围对应的业务状态变化参数,起始业务状态(X0)表示目标业务处理大数据当前时间对应的业务状态,目标业务状态变化参数(QT)表示目标业务处理大数据在未来时间范围内基于用户软件使用计划需要达到的业务状态变化参数,目标业务状态(XT)表示目标业务处理大数据在未来时间范围内用户软件使用计划需要达到的业务状态。
其中,业务状态可以是指业务进行过程中的实时状态,例如请求状态、访问状态、操作状态等,业务状态变化参数可以是指业务进行过程中的实时状态所对应的状态变化值,例如对于请求状态而言,由发起一次针对A业务的信息获取请求到后续可能发起三次针对A业务的信息获取请求,那么状态变化值可以为2。
步骤S120,根据起始业务状态变化参数、起始业务状态以及目标业务状态变化参数,确定目标业务数据挖掘标签。
本实施例中,目标业务数据挖掘标签包含于业务数据挖掘标签序列中,业务数据挖掘标签序列包括至少两种业务数据挖掘标签,每种业务数据挖掘标签对应于至少一组数据挖掘策略,目标业务数据挖掘标签对应于多个数据挖掘策略。
本实施例中,人工智能服务器根据可以结合起始业务状态变化参数(Q0)和目标业务状态变化参数(QT),判断目标业务处理大数据所处的业务数据挖掘标签。例如,是否需要减量激活(如减少预设数据挖掘范围),或者是否需要增量激活(如增加预设数据挖掘范围)等。
例如,人工智能服务器需要从至少两种业务数据挖掘标签中确定目标业务处理大数据所处的目标业务数据挖掘标签,由于一种业务数据挖掘标签通常由至少一个挖掘溯源方式组成,每个挖掘溯源方式对应于一组数据挖掘策略,因此,根据目标业务数据挖掘标签包括的多个挖掘溯源方式,可获取对应的多个数据挖掘策略,每组数据挖掘策略对应于一个挖掘溯源方式。
步骤S130,根据目标业务数据挖掘标签获取多个数据挖掘策略,其中,每组数据挖掘策略用于表示业务处理大数据在量化业务状态变化参数上的变化情况,量化业务状态变化参数为业务状态变化参数的业务状态更新率。
本实施例中,人工智能服务器基于目标业务数据挖掘标签可以获取多个数据挖掘策略,如N个数据挖掘策略。例如,目标业务数据挖掘标签为“数据挖掘起始增量标签”,且该“数据挖掘起始增量标签”仅包括“起始增量标签”,因此,人工智能服务器需要获取“起始增量标签”对应的数据挖掘策略即可,此时N等于1,即获取一组数据挖掘策略。又例如,目标业务数据挖掘标签为“减量激活标签”,且该“减量激活标签”包括“减量标签”和“减量激活标签”,因此,人工智能服务器需要获取“减量标签”的数据挖掘策略以及“减量激活标签”的数据挖掘策略,此时N等于2,即获取两组数据挖掘策略。
需要说明的是,每组数据挖掘策略可以用于表示业务处理大数据在后续数据过程中的挖掘进程情况。
步骤S140,基于起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态,通过多个数据挖掘策略确定目标业务处理大数据所对应的业务状态迁移图谱,根据业务状态迁移图谱控制目标业务处理大数据挖掘。
本实施例中,人工智能服务器采用多个数据挖掘策略,对已经获取到的起始业务状态变化参数(Q0)、起始业务状态(X0)、目标业务状态变化参数(QT)以及目标业务状态(XT)进行计算,得到一条业务状态迁移图谱,该业务状态迁移图谱可以是连续的业务状态对象的连接分布,用于表示业务状态对象之间的关系。
基于上述步骤,本实施例首先获取所述用户业务处理设备200的目标业务处理大数据所对应的起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态,然后可根据起始业务状态变化参数、起始业务状态以及目标业务状态变化参数,确定目标业务数据挖掘标签,并且可以根据目标业务数据挖掘标签获取多个数据挖掘策略,再基于起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态,通过多个数据挖掘策略确定目标业务处理大数据所对应的业务状态迁移图谱,最后根据业务状态迁移图谱控制目标业务处理大数据挖掘。通过上述方式,基于预先定义的业务数据挖掘标签序列确定当前所属的业务数据挖掘标签,不同的业务数据挖掘标签具有不同的数据挖掘策略,针对当前的业务数据挖掘标签即可获取对应的数据挖掘策略,不同的数据挖掘策略作为定义业务状态迁移图谱的依据,能够解决业务状态迁移图谱维度单一的问题,从而达到更好的数据挖掘效果,在业务处理大数据挖掘的过程中提升准确性。
在一种可能的设计示例中,针对步骤S110,在获取所述用户业务处理设备200的目标业务处理大数据所对应的起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态的流程中,可以通过以下子步骤实现,具体描述参见如下。
子步骤S111,获取目标业务处理大数据的业务状态信息,根据目标业务处理大数据的业务状态信息确定起始业务状态变化参数以及起始业务状态。
子步骤S112,获取目标业务处理大数据的业务模式信息以及业务处理大数据状态信息,根据业务模式信息以及业务处理大数据状态信息确定目标业务状态变化参数以及目标业务状态。
本实施例中,业务模式信息可以是指当前业务相关的数据服务模式,如公共数据服务模式,私人数据服务模式等。
这样,针对步骤S120,在根据起始业务状态变化参数、起始业务状态以及目标业务状态变化参数,确定目标业务数据挖掘标签的流程中,可以通过以下子步骤实现,具体描述参见如下。
子步骤S121,根据起始业务状态变化参数、起始业务状态以及目标业务状态变化参数,确定多个挖掘溯源方式,其中,每个挖掘溯源方式对应一组数据挖掘策略。
子步骤S122,根据多个挖掘溯源方式,从业务数据挖掘标签序列中确定目标业务处理大数据所对应的目标业务数据挖掘标签。
接下来将给出本申请实施例一些可能的实施方式对上述实施例进行进一步说明。
在一种可能的设计示例中,对于子步骤S121,若起始业务状态大于持续预设时间不变的业务状态,起始业务状态变化参数在第一业务状态变化参数区间内,且目标业务状态变化参数在第二业务状态变化参数区间内,则确定多个挖掘溯源方式包括默认挖掘任务。
这样,针对子步骤S122,可以根据默认挖掘任务,从业务数据挖掘标签序列中确定目标业务处理大数据所对应的目标业务数据挖掘标签为默认数据挖掘场景。
这样,针对步骤S130,可以根据默认数据挖掘场景,获取默认挖掘任务所对应的数据挖掘策略。
这样,针对步骤S140,可以根据默认挖掘任务所对应的数据挖掘策略、起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态,计算得到目标业务数据范围内不同业务节点所对应的业务状态,从而可以根据目标业务数据范围内不同业务节点所对应的业务状态,生成目标业务处理大数据所对应的业务状态迁移图谱。
在另一种可能的设计示例中,对于子步骤S121,在第一业务数据范围内,若起始业务状态大于持续预设时间不变的业务状态,起始业务状态变化参数大于第一阈值,且目标业务状态变化参数小于或等于0,则确定多个挖掘溯源方式包括减量挖掘溯源方式。同时,在第二业务数据范围内,若起始业务状态大于持续预设时间不变的业务状态,且目标业务状态变化参数小于第二阈值,则确定多个挖掘溯源方式还包括减量激活挖掘溯源方式,其中,第二阈值小于0,第二业务数据范围为第一业务数据范围相关联的下一个业务数据范围。
这样,针对子步骤S122,可以根据减量挖掘溯源方式以及减量激活挖掘溯源方式,从业务数据挖掘标签序列中确定目标业务处理大数据所对应的目标业务数据挖掘标签为减量激活标签。
这样,针对步骤S130,可以根据减量激活标签,获取减量挖掘溯源方式所对应的数据挖掘策略,根据减量激活标签,获取减量激活挖掘溯源方式所对应的数据挖掘策略。
这样,针对步骤S140,可以基于起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态,通过减量挖掘溯源方式所对应的数据挖掘策略以及减量激活挖掘溯源方式所对应的数据挖掘策略,确定目标业务处理大数据在第一业务数据范围内不同业务节点所对应的业务状态,以及目标业务处理大数据在第二业务数据范围内不同业务节点所对应的业务状态。然后,根据第一业务数据范围内不同业务节点所对应的业务状态,以及第二业务数据范围内不同业务节点所对应的业务状态,生成目标业务处理大数据所对应的业务状态迁移图谱。
在另一种可能的设计示例中,对于子步骤S121,在第一业务数据范围内,若起始业务状态大于持续预设时间不变的业务状态,起始业务状态变化参数小于第三阈值,且目标业务状态变化参数大于或等于0,则确定多个挖掘溯源方式包括增量挖掘溯源方式。同时,在第二业务数据范围内,若起始业务状态大于持续预设时间不变的业务状态,起始业务状态变化参数在第一业务状态变化参数区间内,且目标业务状态变化参数在第二业务状态变化参数区间内,则确定多个挖掘溯源方式包括默认挖掘挖掘溯源方式,其中,第二业务数据范围为第一业务数据范围相关联的下一个业务数据范围。并且,在第三业务数据范围内,若起始业务状态大于持续预设时间不变的业务状态,起始业务状态变化参数大于第一阈值,且目标业务状态变化参数小于或等于0,则确定多个挖掘溯源方式包括减量挖掘溯源方式,其中,第三业务数据范围为第二业务数据范围相关联的下一个业务数据范围。
这样,针对子步骤S122,可以根据增量挖掘溯源方式、默认挖掘挖掘溯源方式以及减量挖掘溯源方式,从业务数据挖掘标签序列中确定目标业务处理大数据所对应的目标业务数据挖掘标签为挖掘增减量切换标签。
这样,针对步骤S130,可以根据挖掘增减量切换标签,获取增量挖掘溯源方式所对应的数据挖掘策略,根据挖掘增减量切换标签,获取默认挖掘挖掘溯源方式所对应的数据挖掘策略,根据挖掘增减量切换标签,获取减量挖掘溯源方式所对应的数据挖掘策略。
这样,针对步骤S140,可以基于起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态,通过增量挖掘溯源方式所对应的数据挖掘策略、默认挖掘挖掘溯源方式所对应的数据挖掘策略以及减量挖掘溯源方式所对应的数据挖掘策略,确定目标业务处理大数据在第一业务数据范围内不同业务节点所对应的业务状态、目标业务处理大数据在第二业务数据范围内不同业务节点所对应的业务状态以及目标业务处理大数据在第三业务数据范围内不同业务节点所对应的业务状态。然后,根据第一业务数据范围内不同业务节点所对应的业务状态、第二业务数据范围内不同业务节点所对应的业务状态以及第三业务数据范围内不同业务节点所对应的业务状态,生成目标业务处理大数据所对应的业务状态迁移图谱。
在另一种可能的设计示例中,对于子步骤S121,若起始业务状态变化参数以及起始业务状态等于持续预设时间不变的业务状态,且目标业务状态变化参数大于0,则确定多个挖掘溯源方式包括起始增量挖掘溯源方式。
这样,针对子步骤S122,可以根据起始增量挖掘溯源方式,从业务数据挖掘标签序列中确定目标业务处理大数据所对应的目标业务数据挖掘标签为数据挖掘起始增量标签。
这样,针对步骤S130,可以根据数据挖掘起始增量标签,获取起始增量挖掘溯源方式所对应的数据挖掘策略。
这样,针对步骤S140,可以根据起始增量挖掘溯源方式所对应的数据挖掘策略、起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态,计算得到目标业务数据范围内不同业务节点所对应的业务状态。然后,根据目标业务数据范围内不同业务节点所对应的业务状态,生成目标业务处理大数据所对应的业务状态迁移图谱。
在一种可能的设计示例中,基于以上示例的基础上,进一步针对步骤S140,在根据业务状态迁移图谱对目标业务处理大数据进行业务数据挖掘的流程中,可以通过以下子步骤实现,具体描述参见如下。
子步骤S141,生成与业务状态迁移图谱中的各个业务状态迁移单元分别对应的迁移特征。其中,迁移特征包括业务状态迁移单元中包含的第一业务状态对象和第二业务状态对象,以及第一业务状态对象与第二业务状态对象之间的迁移业务数据的特征表示。
子步骤S142,若目标业务处理大数据的业务数据挖掘策略中包括第一业务状态对象对应的业务标签分布且不包括第二业务状态对象对应的业务标签分布,则在业务数据挖掘策略中增加第二业务状态对象对应的业务标签分布,以及第一业务状态对象与第二业务状态对象之间的迁移业务数据的特征表示对应的迁移挖掘关系。
子步骤S143,若业务数据挖掘策略中包括第二业务状态对象对应的业务标签分布且不包括第一业务状态对象对应的业务标签分布,则在业务数据挖掘策略中增加第一业务状态对象对应的业务标签分布,以及第一业务状态对象与第二业务状态对象之间的迁移业务数据的特征表示对应的迁移挖掘关系。
子步骤S144,若目标业务处理大数据的业务数据挖掘策略中包括第一业务状态对象对应的业务标签分布和第二业务状态对象对应的业务标签分布,则在业务数据挖掘策略中增加第一业务状态对象与第二业务状态对象之间的迁移业务数据的特征表示对应的迁移挖掘关系,业务数据挖掘策略用于反映业务状态迁移图谱中包含的业务状态对象以及业务状态对象之间的关系。
子步骤S145,从业务数据挖掘策略中提取目标挖掘策略板块,目标挖掘策略板块是业务状态迁移图谱中的部分预设迁移区域对应的部分业务数据挖掘策略。
子步骤S146,生成与目标挖掘策略板块对应的挖掘进程,以基于目标挖掘策略板块对应的挖掘进程对目标业务处理大数据进行数据挖掘,挖掘进程与目标挖掘策略板块对应的预设迁移区域相关。
在本申请实施例中,上述目标业务处理大数据可以是某个业务数据区域的完整业务数据区域,也可以是某个业务数据区域的部分业务数据区域。可选地,在获取某个业务数据区域之后,可以根据业务数据区域结构自动对该业务数据区域进行划分,确定该业务数据区域中的重点描述信息,进而将该重点描述信息作为目标业务处理大数据。当然,在实际运用中,在获取某个业务数据区域之后,也可以由工作人员基于预设迁移区域进行提取,获取该业务数据区域的重点描述信息,进而得到上述目标业务处理大数据。
本实施例中,业务数据挖掘策略用于反映上述目标业务处理大数据中包含的业务状态对象以及该业务状态对象之间的挖掘服务关系。例如,该业务数据挖掘策略可以为目标业务处理大数据对应的知识图谱。在本申请实施例中,在获取上述目标业务处理大数据之后,对该目标业务处理大数据的预设迁移区域进行挖掘策略配置,生成该目标业务处理大数据对应的业务数据挖掘策略。
可选地,在获取上述目标业务处理大数据之后,可以从目标业务处理大数据中提取业务状态对象,并确定业务状态对象之间的关系,进而基于该业务状态对象以及业务状态对象之间的关系,构建上述目标业务处理大数据对应的业务数据挖掘策略。
本实施例中,目标挖掘策略板块是目标业务处理大数据中的部分预设迁移区域对应的部分业务数据挖掘策略。在本申请实施例中,在获取上述业务数据挖掘策略之后,从上述业务数据挖掘策略中提取目标挖掘策略板块。
在一种可能的设计示例中,可以基于针对上述业务数据挖掘策略的划分处理,从该业务数据挖掘策略中获取目标挖掘策略板块。可选地,在获取上述目标业务处理大数据对应的业务数据挖掘策略之后,依据该业务数据挖掘策略的构造,对该业务数据挖掘策略进行划分,进而从该业务数据挖掘策略中获取上述目标挖掘策略板块。其中,一个目标挖掘策略板块对应上述目标业务处理大数据中的部分预设迁移区域对应的部分业务数据挖掘策略。
在另一种可能的设计示例中,该可以基于业务数据挖掘策略中包含的信息的业务影响因子,从该业务数据挖掘策略中获取目标挖掘策略板块。可选地,上述业务数据挖掘策略中包括多个业务标签分布,一个业务标签分布对应一个业务状态对象,任意两个业务标签分布之间的迁移挖掘关系用于指示该两个业务标签分布对应的业务状态对象之间的关系。其中,上述业务数据挖掘策略中的每个业务标签分布对应有标签分布名称和标签分布的挖掘权重,每条迁移挖掘关系对应有迁移挖掘关系名称和迁移挖掘关系的挖掘权重。上述标签分布名称是指标签分布对应的业务状态对象名称,上述标签分布的挖掘权重用于指示标签分布对应的业务状态对象在上述目标业务处理大数据中的业务影响因子,上述迁移挖掘关系名称是指迁移挖掘关系对应的关系名称,上述迁移挖掘关系的挖掘权重用于是指迁移挖掘关系对应的关系在上述目标业务处理大数据中的业务影响因子。
在一种可能的设计示例中,在获取上述业务数据挖掘策略之后,基于该业务数据挖掘策略中的业务标签分布的挖掘权重,确定该业务标签分布对应的业务状态对象在上述目标业务处理大数据中的业务影响因子,若该业务标签分布对应的业务状态对象在目标业务处理大数据中重要,则基于该业务标签分布从上述业务数据挖掘策略中获取目标挖掘策略板块;在另一种可能的设计示例中,在获取上述业务数据挖掘策略之后,基于该业务数据挖掘策略中的迁移挖掘关系的挖掘权重,确定该迁移挖掘关系对应的关系在上述目标业务处理大数据中的业务影响因子,若该迁移挖掘关系对应的关系在目标业务处理大数据中重要,则基于该迁移挖掘关系从上述业务数据挖掘策略中获取目标挖掘策略板块。可选地,上述挖掘权重中可以包括用于表征重要程序的标识信息,如非常重要、重要、比较重要、一般、不太重要、不重要等;或者,上述挖掘权重中包括业务状态对象或关系在目标业务处理大数据中的出现次数。
需要说明的一点是,在本申请实施例中,可以从上述业务数据挖掘策略中提取出一个或多个目标挖掘策略板块,本申请实施例对此不作限定。
本实施例中,挖掘进程与上述目标挖掘策略板块对应的预设迁移区域相关。可选地,挖掘进程为针对上述目标挖掘策略板块对应的预设迁移区域的提问。在本申请实施例中,在获取上述目标挖掘策略板块之后,基于该目标挖掘策略板块,生成与该目标挖掘策略板块对应的挖掘进程。
可选地,上述挖掘进程由挖掘进程分布网络对上述目标挖掘策略板块进行处理后生成,在获取上述目标挖掘策略板块之后,将该目标挖掘策略板块输入至挖掘进程分布网络,进而获取该挖掘进程分布网络输出的挖掘节点集合。其中,该挖掘节点集合为上述挖掘进程对应的挖掘节点集合,在获取上述挖掘节点集合之后,可以依据该挖掘节点集合中各个分词的输出顺序,对该挖掘节点集合进行拼接,进而得到上述与目标挖掘策略板块对应的挖掘进程。
基于上述子步骤,通过目标业务处理大数据对应的目标挖掘策略板块获取该与该目标业务处理大数据对应的挖掘进程,能够基于目标业务处理大数据自动生成与该目标业务处理大数据相关的挖掘进程,不需要结合目标业务处理大数据和挖掘进程结果生成挖掘进程,扩大挖掘进程生成方法的使用范围与领域,使得在无需获取答案的情况下也能够生成与目标业务处理大数据相关的挖掘进程,获取挖掘进程时所需准备的内容少,挖掘进程生成要求降低,使得挖掘进程的生成更加灵活;而且,从目标业务处理大数据对应的业务数据挖掘策略中提取目标挖掘策略板块,且业务数据挖掘策略用于反映目标业务处理大数据中包含的业务状态对象以及业务状态对象之间的关系,保证目标挖掘策略板块能够准确反映目标业务处理大数据中的预设迁移区域,有效地提高所生成的挖掘进程与目标业务处理大数据的关联性,保证挖掘进程的准确性。
在一种可能的设计示例中,业务数据挖掘策略可以包括多个业务标签分布,一个业务标签分布对应于一个业务状态对象,任意两个业务标签分布之间的迁移挖掘关系用于指示两个业务标签分布对应的业务状态对象之间的关系。
这样,针对子步骤S145,在从业务数据挖掘策略中提取目标挖掘策略板块的流程中,可以通过以下实施方式实现。
(1)获取业务数据挖掘策略中各个业务标签分布的挖掘权重,业务标签分布的挖掘权重用于指示业务标签分布对应的业务状态对象在业务状态迁移图谱中的业务影响因子。
(2)将业务数据挖掘策略中挖掘权重满足要求的业务标签分布确定为候选业务标签分布。
(3)若候选业务标签分布的扩展标签分布中不包括其它候选业务标签分布,则确定候选业务标签分布为目标业务标签分布。
(4)若候选业务标签分布的扩展标签分布中包括其它候选业务标签分布,则从候选业务标签分布和其它候选业务标签分布中确定目标业务标签分布。其中,扩展标签分布是指以候选业务标签分布为参考标签分布,与候选业务标签分布之间的关联度大于预设关联度的业务标签分布。
(5)对于每一个目标业务标签分布,获取目标业务标签分布对应的目标挖掘策略板块,目标挖掘策略板块中包括目标业务标签分布以及与目标业务标签分布之间具有迁移挖掘关系映射的关联业务标签分布。
在一种可能的设计示例中,挖掘进程可以由挖掘进程分布网络对目标挖掘策略板块进行处理后生成,挖掘进程分布网络包括正向挖掘配置单元和负向挖掘配置单元。
这样,针对子步骤S146,在生成与目标挖掘策略板块对应的挖掘进程的过程中,可以通过以下实施方式实现。
(1)通过正向挖掘配置单元对目标挖掘策略板块进行正向挖掘配置,得到与目标挖掘策略板块对应的挖掘配置信息,挖掘配置信息是指挖掘进程对应的挖掘节点集合的正向挖掘配置信息。
(2)通过负向挖掘配置单元对与目标挖掘策略板块对应的挖掘配置信息进行负向挖掘配置,得到与目标挖掘策略板块对应的挖掘进程。
譬如,在一种可能的设计示例中,上述的正向挖掘配置单元包括挖掘转化模块、挖掘拆分模块、挖掘封装模块、正向挖掘配置模块、挖掘融合模块和分配模块。
这样,在通过正向挖掘配置单元对目标挖掘策略板块进行正向挖掘配置,得到与目标挖掘策略板块对应的挖掘配置信息的过程中,可以采用挖掘转化模块将目标挖掘策略板块转换为挖掘转换图谱。
其中,挖掘转换图谱中包括第一业务标签分布和第二业务标签分布,第一业务标签分布是指目标挖掘策略板块中的业务标签分布,第二业务标签分布是指目标挖掘策略板块中的迁移挖掘关系转换为的业务标签分布。
然后,可以采用挖掘拆分模块对挖掘转换图谱进行拆分,得到第一挖掘策略板块、第二挖掘策略板块、第三挖掘策略板块和第四挖掘策略板块。其中,第一挖掘策略板块是指第一业务标签分布与第二业务标签分布之间两两关联的挖掘策略板块,第二挖掘策略板块是指挖掘转换图谱对应的双向挖掘关系图谱,第三挖掘策略板块是指挖掘转换图谱,第四挖掘策略板块是指挖掘转换图谱对应的逆向挖掘关系图谱。
接着,可以采用挖掘封装模块对第一挖掘策略板块、第二挖掘策略板块、第三挖掘策略板块和第四挖掘策略板块分别进行挖掘封装。
接着,可以采用正向挖掘配置模块对封装后的各个挖掘策略板块进行正向挖掘配置,并采用挖掘融合模块对正向挖掘配置后的各个挖掘策略板块进行信息拼接,得到目标挖掘策略板块的正向挖掘配置信息,从而采用分配模块对目标挖掘策略板块的正向挖掘配置信息进行处理,得到与目标挖掘策略板块对应的挖掘配置信息。
譬如,在一种可能的设计示例中,在子步骤S142之后,还可以进一步更新第一业务状态对象对应的业务标签分布的挖掘权重。其中,第一业务状态对象对应的业务标签分布的挖掘权重用于指示第一业务状态对象在业务状态迁移图谱中的业务影响因子。
譬如,在一种可能的设计示例中,在子步骤S143之后,还可以进一步更新第二业务状态对象对应的业务标签分布的挖掘权重。其中,第二业务状态对象对应的业务标签分布的挖掘权重用于指示第二业务状态对象在业务状态迁移图谱中的业务影响因子。
图3为本公开实施例提供的基于大数据和云计算的数据挖掘装置300的功能模块示意图,本实施例可以根据上述人工智能服务器100执行的方法实施例对该基于大数据和云计算的数据挖掘装置300进行功能模块的划分,也即该基于大数据和云计算的数据挖掘装置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服务器100执行的各个方法实施例。其中,该基于大数据和云计算的数据挖掘装置300可以包括第一获取模块310、确定模块320、第二获取模块330以及挖掘模块340,下面分别对该基于大数据和云计算的数据挖掘装置300的各个功能模块的功能进行详细阐述。
第一获取模块310,用于获取所述用户业务处理设备200的目标业务处理大数据所对应的起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态。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。
确定模块320,用于根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定目标业务数据挖掘标签,其中,所述目标业务数据挖掘标签包含于业务数据挖掘标签序列中,所述业务数据挖掘标签序列包括至少两种业务数据挖掘标签,每种业务数据挖掘标签对应于至少一组数据挖掘策略,所述目标业务数据挖掘标签对应于多个数据挖掘策略。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
第二获取模块330,用于根据所述目标业务数据挖掘标签获取多个数据挖掘策略,其中,每组数据挖掘策略用于表示业务处理大数据在量化业务状态变化参数上的变化情况,所述量化业务状态变化参数为业务状态变化参数的业务状态更新率。其中,第二获取模块330可以用于执行上述的步骤S130,关于第二获取模块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。
挖掘模块340,用于基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述多个数据挖掘策略确定所述目标业务处理大数据所对应的业务状态迁移图谱,根据所述业务状态迁移图谱对所述目标业务处理大数据进行业务数据挖掘。其中,挖掘模块340可以用于执行上述的步骤S140,关于挖掘模块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业务状态对象上,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。
图4示出了本公开实施例提供的用于实现上述的基于大数据和云计算的数据挖掘方法的人工智能服务器100的硬件结构示意图,如图4所示,人工智能服务器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数据挖掘装置300包括的第一获取模块310、确定模块320、第二获取模块330以及挖掘模块340),使得处理器110可以执行如上方法实施例的基于大数据和云计算的数据挖掘方法,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,从而可以与前述的用户业务处理设备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服务器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,处理器可以是中央处理器(英文:CentralProcessing Unit,CPU),还可以是其它通用处理器、数字信号处理器(英文:DigitalSignal Processor,DSP)、专用集成电路(英文:Application SpecificIntegratedCircuit,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,实现如上基于大数据和云计算的数据挖掘方法。
最后,应当理解的是,本说明书中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)
1.一种基于大数据和云计算的数据挖掘方法,其特征在于,应用于人工智能服务器,所述人工智能服务器与多个用户业务处理设备通信连接,所述人工智能服务器基于云计算平台实现,所述方法包括:
获取所述用户业务处理设备的目标业务处理大数据所对应的起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态;
根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定目标业务数据挖掘标签,其中,所述目标业务数据挖掘标签包含于业务数据挖掘标签序列中,所述业务数据挖掘标签序列包括至少两种业务数据挖掘标签,每种业务数据挖掘标签对应于至少一组数据挖掘策略,所述目标业务数据挖掘标签对应于多个数据挖掘策略;
根据所述目标业务数据挖掘标签获取多个数据挖掘策略,其中,每组数据挖掘策略用于表示业务处理大数据在量化业务状态变化参数上的变化情况,所述量化业务状态变化参数为业务状态变化参数的业务状态更新率;
基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述多个数据挖掘策略确定所述目标业务处理大数据所对应的业务状态迁移图谱,根据所述业务状态迁移图谱对所述目标业务处理大数据进行业务数据挖掘。
2.根据权利要求1所述的基于大数据和云计算的数据挖掘方法,其特征在于,所述获取所述用户业务处理设备的目标业务处理大数据所对应的起始业务状态变化参数、起始业务状态、目标业务状态变化参数以及目标业务状态的步骤,包括:
获取所述目标业务处理大数据的业务状态信息,根据所述目标业务处理大数据的业务状态信息确定所述起始业务状态变化参数以及所述起始业务状态;
获取所述目标业务处理大数据的业务模式信息以及业务处理大数据状态信息,根据所述业务模式信息以及所述业务处理大数据状态信息确定所述目标业务状态变化参数以及所述目标业务状态;
所述根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定目标业务数据挖掘标签的步骤,包括:
根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定多个挖掘溯源方式,其中,每个挖掘溯源方式对应一组数据挖掘策略;
根据所述多个挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签。
3.根据权利要求2所述的基于大数据和云计算的数据挖掘方法,其特征在于,所述根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定多个挖掘溯源方式的步骤,包括:
若所述起始业务状态大于持续预设时间不变的业务状态,所述起始业务状态变化参数在第一业务状态变化参数区间内,且所述目标业务状态变化参数在第二业务状态变化参数区间内,则确定所述多个挖掘溯源方式包括默认挖掘任务;
所述根据所述多个挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签,包括:
根据所述默认挖掘任务,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签为默认数据挖掘场景;
所述根据所述目标业务数据挖掘标签获取多个数据挖掘策略,包括:
根据所述默认数据挖掘场景,获取所述默认挖掘任务所对应的数据挖掘策略;
所述基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述多个数据挖掘策略确定所述目标业务处理大数据所对应的业务状态迁移图谱,包括:
根据所述默认挖掘任务所对应的数据挖掘策略、所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,计算得到目标业务数据范围内不同业务节点所对应的业务状态;
根据所述目标业务数据范围内不同业务节点所对应的业务状态,生成所述目标业务处理大数据所对应的业务状态迁移图谱。
4.根据权利要求2所述的基于大数据和云计算的数据挖掘方法,其特征在于,所述根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定多个挖掘溯源方式,包括:
在第一业务数据范围内,若所述起始业务状态大于持续预设时间不变的业务状态,所述起始业务状态变化参数大于第一阈值,且所述目标业务状态变化参数小于或等于0,则确定所述多个挖掘溯源方式包括减量挖掘溯源方式;
在第二业务数据范围内,若所述起始业务状态大于持续预设时间不变的业务状态,且所述目标业务状态变化参数小于第二阈值,则确定所述多个挖掘溯源方式还包括减量激活挖掘溯源方式,其中,所述第二阈值小于0,所述第二业务数据范围为所述第一业务数据范围相关联的下一个业务数据范围;
所述根据所述多个挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签的步骤,包括:
根据所述减量挖掘溯源方式以及所述减量激活挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签为减量激活标签;
所述根据所述目标业务数据挖掘标签获取多个数据挖掘策略的步骤,包括:
根据所述减量激活标签,获取所述减量挖掘溯源方式所对应的数据挖掘策略,根据所述减量激活标签,获取所述减量激活挖掘溯源方式所对应的数据挖掘策略;
所述基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述多个数据挖掘策略确定所述目标业务处理大数据所对应的业务状态迁移图谱的步骤,包括:
基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述减量挖掘溯源方式所对应的数据挖掘策略以及所述减量激活挖掘溯源方式所对应的数据挖掘策略,确定所述目标业务处理大数据在所述第一业务数据范围内不同业务节点所对应的业务状态,以及所述目标业务处理大数据在所述第二业务数据范围内不同业务节点所对应的业务状态;
根据所述第一业务数据范围内不同业务节点所对应的业务状态,以及所述第二业务数据范围内不同业务节点所对应的业务状态,生成所述目标业务处理大数据所对应的业务状态迁移图谱。
5.根据权利要求2所述的基于大数据和云计算的数据挖掘方法,其特征在于,所述根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定多个挖掘溯源方式的步骤,包括:
在第一业务数据范围内,若所述起始业务状态大于持续预设时间不变的业务状态,所述起始业务状态变化参数小于第三阈值,且所述目标业务状态变化参数大于或等于0,则确定所述多个挖掘溯源方式包括增量挖掘溯源方式;
在第二业务数据范围内,若所述起始业务状态大于持续预设时间不变的业务状态,所述起始业务状态变化参数在第一业务状态变化参数区间内,且所述目标业务状态变化参数在第二业务状态变化参数区间内,则确定所述多个挖掘溯源方式包括默认挖掘挖掘溯源方式,其中,所述第二业务数据范围为所述第一业务数据范围相关联的下一个业务数据范围;
在第三业务数据范围内,若所述起始业务状态大于持续预设时间不变的业务状态,所述起始业务状态变化参数大于第一阈值,且所述目标业务状态变化参数小于或等于0,则确定所述多个挖掘溯源方式包括减量挖掘溯源方式,其中,所述第三业务数据范围为所述第二业务数据范围相关联的下一个业务数据范围;
所述根据所述多个挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签的步骤,包括:
根据所述增量挖掘溯源方式、所述默认挖掘挖掘溯源方式以及所述减量挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签为挖掘增减量切换标签;
所述根据所述目标业务数据挖掘标签获取多个数据挖掘策略的步骤,包括:
根据所述挖掘增减量切换标签,获取所述增量挖掘溯源方式所对应的数据挖掘策略,根据所述挖掘增减量切换标签,获取所述默认挖掘挖掘溯源方式所对应的数据挖掘策略,根据所述挖掘增减量切换标签,获取所述减量挖掘溯源方式所对应的数据挖掘策略;
所述基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述多个数据挖掘策略确定所述目标业务处理大数据所对应的业务状态迁移图谱的步骤,包括:
基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述增量挖掘溯源方式所对应的数据挖掘策略、所述默认挖掘挖掘溯源方式所对应的数据挖掘策略以及所述减量挖掘溯源方式所对应的数据挖掘策略,确定所述目标业务处理大数据在所述第一业务数据范围内不同业务节点所对应的业务状态、所述目标业务处理大数据在所述第二业务数据范围内不同业务节点所对应的业务状态以及所述目标业务处理大数据在所述第三业务数据范围内不同业务节点所对应的业务状态;
根据所述第一业务数据范围内不同业务节点所对应的业务状态、所述第二业务数据范围内不同业务节点所对应的业务状态以及所述第三业务数据范围内不同业务节点所对应的业务状态,生成所述目标业务处理大数据所对应的业务状态迁移图谱。
6.根据权利要求2所述的基于大数据和云计算的数据挖掘方法,其特征在于,所述根据所述起始业务状态变化参数、所述起始业务状态以及所述目标业务状态变化参数,确定多个挖掘溯源方式的步骤,包括:
若所述起始业务状态变化参数以及所述起始业务状态等于持续预设时间不变的业务状态,且所述目标业务状态变化参数大于0,则确定所述多个挖掘溯源方式包括起始增量挖掘溯源方式;
所述根据所述多个挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签,包括:
根据所述起始增量挖掘溯源方式,从所述业务数据挖掘标签序列中确定所述目标业务处理大数据所对应的目标业务数据挖掘标签为数据挖掘起始增量标签;
所述根据所述目标业务数据挖掘标签获取多个数据挖掘策略,包括:
根据所述数据挖掘起始增量标签,获取所述起始增量挖掘溯源方式所对应的数据挖掘策略;
所述基于所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,通过所述多个数据挖掘策略确定所述目标业务处理大数据所对应的业务状态迁移图谱,包括:
根据所述起始增量挖掘溯源方式所对应的数据挖掘策略、所述起始业务状态变化参数、所述起始业务状态、所述目标业务状态变化参数以及所述目标业务状态,计算得到目标业务数据范围内不同业务节点所对应的业务状态;
根据所述目标业务数据范围内不同业务节点所对应的业务状态,生成所述目标业务处理大数据所对应的业务状态迁移图谱。
7.根据权利要求1-6中任意一项所述的基于大数据和云计算的数据挖掘方法,其特征在于,所述根据所述业务状态迁移图谱对所述目标业务处理大数据进行业务数据挖掘的步骤,包括:
生成与所述业务状态迁移图谱中的各个业务状态迁移单元分别对应的迁移特征;其中,所述迁移特征包括所述业务状态迁移单元中包含的第一业务状态对象和第二业务状态对象,以及所述第一业务状态对象与所述第二业务状态对象之间的迁移业务数据的特征表示;
若所述目标业务处理大数据的业务数据挖掘策略中包括所述第一业务状态对象对应的业务标签分布且不包括所述第二业务状态对象对应的业务标签分布,则在所述业务数据挖掘策略中增加所述第二业务状态对象对应的业务标签分布,以及所述第一业务状态对象与所述第二业务状态对象之间的迁移业务数据的特征表示对应的迁移挖掘关系;
若所述业务数据挖掘策略中包括所述第二业务状态对象对应的业务标签分布且不包括所述第一业务状态对象对应的业务标签分布,则在所述业务数据挖掘策略中增加所述第一业务状态对象对应的业务标签分布,以及所述第一业务状态对象与所述第二业务状态对象之间的迁移业务数据的特征表示对应的迁移挖掘关系;
若所述目标业务处理大数据的业务数据挖掘策略中包括所述第一业务状态对象对应的业务标签分布和所述第二业务状态对象对应的业务标签分布,则在所述业务数据挖掘策略中增加所述第一业务状态对象与所述第二业务状态对象之间的迁移业务数据的特征表示对应的迁移挖掘关系,所述业务数据挖掘策略用于反映所述业务状态迁移图谱中包含的业务状态对象以及所述业务状态对象之间的关系;
从所述业务数据挖掘策略中提取目标挖掘策略板块,所述目标挖掘策略板块是所述业务状态迁移图谱中的部分预设迁移区域对应的部分业务数据挖掘策略;
生成与所述目标挖掘策略板块对应的挖掘进程,以基于所述目标挖掘策略板块对应的挖掘进程对所述目标业务处理大数据进行数据挖掘,所述挖掘进程与所述目标挖掘策略板块对应的预设迁移区域相关。
8.根据权利要求1所述的基于大数据和云计算的数据挖掘方法,其特征在于,所述业务数据挖掘策略包括多个业务标签分布,一个业务标签分布对应于一个业务状态对象,任意两个业务标签分布之间的迁移挖掘关系用于指示所述两个业务标签分布对应的业务状态对象之间的关系;
所述从所述业务数据挖掘策略中提取目标挖掘策略板块,包括:
获取所述业务数据挖掘策略中各个业务标签分布的挖掘权重,所述业务标签分布的挖掘权重用于指示所述业务标签分布对应的业务状态对象在所述业务状态迁移图谱中的业务影响因子;
将所述业务数据挖掘策略中所述挖掘权重满足要求的业务标签分布确定为候选业务标签分布;
若所述候选业务标签分布的扩展标签分布中不包括其它候选业务标签分布,则确定所述候选业务标签分布为目标业务标签分布;
若所述候选业务标签分布的扩展标签分布中包括其它候选业务标签分布,则从所述候选业务标签分布和所述其它候选业务标签分布中确定所述目标业务标签分布;其中,所述扩展标签分布是指以所述候选业务标签分布为参考标签分布,与所述候选业务标签分布之间的关联度大于预设关联度的业务标签分布;
对于每一个目标业务标签分布,获取所述目标业务标签分布对应的目标挖掘策略板块,所述目标挖掘策略板块中包括所述目标业务标签分布以及与所述目标业务标签分布之间具有迁移挖掘关系映射的关联业务标签分布。
9.根据权利要求1所述的基于大数据和云计算的数据挖掘方法,其特征在于,所述挖掘进程由挖掘进程分布网络对所述目标挖掘策略板块进行处理后生成,所述挖掘进程分布网络包括正向挖掘配置单元和负向挖掘配置单元;
所述生成与所述目标挖掘策略板块对应的挖掘进程,包括:
通过所述正向挖掘配置单元对所述目标挖掘策略板块进行正向挖掘配置,得到与所述目标挖掘策略板块对应的挖掘配置信息,所述挖掘配置信息是指所述挖掘进程对应的挖掘节点集合的正向挖掘配置信息;
通过所述负向挖掘配置单元对与所述目标挖掘策略板块对应的挖掘配置信息进行负向挖掘配置,得到与所述目标挖掘策略板块对应的挖掘进程。
10.一种人工智能服务器,其特征在于,所述人工智能服务器包括处理器、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用户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中任意一项的基于大数据和云计算的数据挖掘方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011554312.9A CN112650787A (zh) | 2020-12-24 | 2020-12-24 | 基于大数据和云计算的数据挖掘方法及人工智能服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011554312.9A CN112650787A (zh) | 2020-12-24 | 2020-12-24 | 基于大数据和云计算的数据挖掘方法及人工智能服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112650787A true CN112650787A (zh) | 2021-04-13 |
Family
ID=75362704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011554312.9A Withdrawn CN112650787A (zh) | 2020-12-24 | 2020-12-24 | 基于大数据和云计算的数据挖掘方法及人工智能服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112650787A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115756336A (zh) * | 2022-12-02 | 2023-03-07 | 邵健康 | 基于存储服务系统的数据迁移处理方法、系统及云平台 |
-
2020
- 2020-12-24 CN CN202011554312.9A patent/CN112650787A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115756336A (zh) * | 2022-12-02 | 2023-03-07 | 邵健康 | 基于存储服务系统的数据迁移处理方法、系统及云平台 |
CN115756336B (zh) * | 2022-12-02 | 2023-09-15 | 深圳市大道四九科技有限公司 | 基于存储服务系统的数据迁移处理方法、系统及云平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107562513B (zh) | 一种基于java的智能合约生命周期的管理方法 | |
CN108492005B (zh) | 项目数据处理方法、装置、计算机设备和存储介质 | |
CN109614433A (zh) | 业务系统间数据血缘的识别方法、装置、设备及存储介质 | |
CN111177876B (zh) | 一种社区发现方法、装置及电子设备 | |
CN117474091A (zh) | 一种知识图谱构建方法、装置、设备及存储介质 | |
CN116304341A (zh) | 基于用户网络大数据的欺诈判别方法及系统 | |
CN112650787A (zh) | 基于大数据和云计算的数据挖掘方法及人工智能服务器 | |
CN110737425A (zh) | 一种计费平台系统的应用程序的建立方法及装置 | |
CN111274202A (zh) | 电子合同生成方法、装置、计算机设备及存储介质 | |
CN111949720B (zh) | 基于大数据和人工智能的数据分析方法及云端数据服务器 | |
CN112068812B (zh) | 一种微服务生成方法、装置、计算机设备和存储介质 | |
CN112783508A (zh) | 文件的编译方法、装置、设备以及存储介质 | |
TWI835478B (zh) | 一種操作行為識別方法、裝置、電腦設備及電腦可讀存儲介質 | |
CN115883392A (zh) | 算力网络的数据感知方法、装置、电子设备及存储介质 | |
CN116320033A (zh) | 一种资源调度优化方法及装置 | |
CN112507010B (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
CN115168509A (zh) | 风控数据的处理方法及装置、存储介质、计算机设备 | |
CN114817288A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN112600933A (zh) | 基于大数据和云计算的服务推送方法及人工智能服务器 | |
CN110177006B (zh) | 基于接口预测模型的节点测试方法及装置 | |
CN112733134A (zh) | 基于大数据和区块链的信息安全防护方法及数字金融平台 | |
CN113821251A (zh) | 基于人工智能的代码优化方法、装置、设备和存储介质 | |
CN113343577A (zh) | 一种参数优化方法、装置、计算机设备及可读存储介质 | |
CN112837040B (zh) | 应用于智能电网的电力数据管理方法及系统 | |
CN111258879A (zh) | 一种基于页面采集的业务测试调度方法、装置及智能终端 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210413 |