CN112686559B - 基于大数据和人工智能的成果转化在线供需匹配方法 - Google Patents
基于大数据和人工智能的成果转化在线供需匹配方法 Download PDFInfo
- Publication number
- CN112686559B CN112686559B CN202110013236.9A CN202110013236A CN112686559B CN 112686559 B CN112686559 B CN 112686559B CN 202110013236 A CN202110013236 A CN 202110013236A CN 112686559 B CN112686559 B CN 112686559B
- Authority
- CN
- China
- Prior art keywords
- information
- matching
- user
- node
- dimension
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于大数据和人工智能的成果转化在线供需匹配方法。该方法包括以下步骤:提取用户信息的有效信息,构建匹配统计空间按照匹配比例对节点进行子区域划分,将预设时间内的用户信息分配至最接近的子区域进行匹配,将匹配结果发送给用户,获得用户的反馈信息,根据用户的反馈信息对维度权值进行更新调整,根据需求信息和供应信息的相似度与更新的维度权值获得匹配权值,根据匹配权值通过选择最优节点对用户信息进行实时匹配,获得实时的匹配结果。本发明实施例能够根据用户的多维需求进行匹配,以满足用户的实际需求,能够根据用户的反馈信息进行去中心化的在线供需匹配,提高匹配效率,提高匹配准确度。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于大数据和人工智能的成果转化在线供需匹配方法。
背景技术
在当今的知识经济时代,技术创新已然成为企业的第一生产力和竞争力,是企业生存和发展的推进器,然而许多中小型企业面临着企业内部不具备独立研发高科技产品的能力的窘境;与此同时,许多科研院所、高校的科研成果仅仅停留在理论阶段,未得到实践应用上面的验证、推广与应用。由此可知,目前我国科技成果转化效率很低,需要一种有效的机制和途径,将专家们的科技成果转化到生产第一线。
目前的科技成果转移与转化线下主要靠举办活动、会议、面对面洽谈等等方式来实现,沟通和成功的效率很低;线上则是将专家的信息以及相关的资质信息展示在平台上,以供企业需求方参考并寻求合作,而线上供需匹配的方式一般为中心化匹配,即存在一个中心平台,统一进行供需匹配,当中心平台出现异常时,所有匹配策略的可信度将会降低,且中心化导致整体匹配的速度较慢。
发明内容
为了解决上述技术问题,本发明提供一种基于大数据和人工智能的成果转化在线供需匹配方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种基于大数据和人工智能的成果转化在线供需匹配方法,该方法包括以下步骤:
采集用户信息,根据预设的N类关键词对用户信息进行有效信息的提取,用户信息包括需求信息或供应信息;
根据用户对关键词的关注度将用户信息分配至最接近的子区域,将需求信息和供应信息在子区域内进行匹配,将匹配结果发送给用户;子区域中包括多个节点;
获得匹配结果的用户反馈信息,用户反馈信息包括对N类关键词的关注度,根据关注度获得相应节点的维度权值,根据每个节点当前的维度权值和关注度对维度权值进行更新;
根据需求信息和供应信息的相似度与维度权值获取需求信息和供应信息的匹配权值,根据匹配权值通过选择子区域内最优的节点对需求信息和供应信息进行实时匹配,获得实时的匹配结果。
优选的,子区域是根据匹配统计空间的历史匹配比例将节点划分的区域;匹配统计空间是根据预设的N类关键词的关注度构建的N维统计空间。
优选的,维度权值进行更新的方法为:
以每类关键词的关注度权值为坐标轴对每个节点构建节点分析空间,对于每个节点分析空间,节点的初始位置记为分析点,在该节点上需求信息和供应信息每匹配一次对分析点进行一次更新,获得更新的维度权值。
优选的,根据节点当前的维度权值和关注度对维度权值进行更新包括:当对于同一类关键词,需求信息与供应信息都不关注时,当前的维度权值为0时,维度权值不更新;当前的维度权值为正值时,维度权值按照公式X=αx-(1-α)进行更新;其中,X为该维度更新后的维度权值,x为更新前的维度权值,α为遗忘系数。
优选的,根据节点当前的维度权值和关注度对维度权值进行更新还包括:当对于同一类关键词,需求信息与供应信息都关注时,维度权值按公式X=αx+(1-α)进行更新;其中,X为该维度更新后的维度权值,x为更新前的维度权值,α为遗忘系数。
优选的,根据节点当前的维度权值和关注度对维度权值进行更新还包括:对于同一类关键词,需求信息关注而供应信息不关注,或者是供应信息关注而需求信息不关注时,根据关注度不同的取值情况对当前的维度权值进行相应的更新。
优选的,维度权值进行更新时根据用户反馈信息获取更新顺序。
优选的,最优的节点的选择步骤包括:
以用户所关注的关键词为关注信息构建用户匹配空间,将用户信息在用户匹配空间生成的用户点遍历映射到所有节点分析空间中,选取与用户点的欧氏距离最小的节点作为最优节点;
当最优节点未饱和时,选取最优节点进行匹配;当最优节点饱和时,选取次优的节点进行匹配,重复该步骤,直至寻找到未饱和节点。
本发明实施例具有如下有益效果:
1.根据用户的关注情况为其匹配相应的节点,能够根据用户的反馈信息进行去中心化的在线供需匹配,提高匹配效率,从多维角度提高匹配的成功率,由于是多个节点,某一个节点异常时,匹配策略可以自适应的调整,提高了可信度。
2.根据用户的反馈信息动态调节节点子区域,能够避免出现节点冗余或节点缺失的情况,根据节点变动结果动态调整节点匹配的权值,提高节点的可用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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附图。
图1为本发明一个实施例所提供的一种基于大数据和人工智能的成果转化在线供需匹配方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于大数据和人工智能的成果转化在线供需匹配方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于大数据和人工智能的成果转化在线供需匹配方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于大数据和人工智能的成果转化在线供需匹配方法的流程图,该方法包括以下步骤:
步骤S100,采集用户信息,根据预设的N类关键词对用户信息进行有效信息的提取,用户信息包括需求信息或供应信息。
具体的步骤包括:
1)需求端发送需求信息,通过标准化处理获得成果转化需求信息,供应端发送供应信息,通过标准化处理获得成果转化供应信息。
需要说明的是,供需匹配平台不包含中心节点,由多个节点构成,多个节点根据后续的统计分析,赋予可更新的标识信息。
2)对采集的需求信息和供应信息进行有效信息提取,即规范化处理,将用户信息中冗余信息删除,将有效信息按标准格式调整,以便于后续的匹配。
在本发明实施例中,规范化处理采用现有分词技术实现,在其他实施例中,还可以采用其他的能够实现相同功能的技术手段。
有效信息和冗余信息由平台搭建方设置,有效信息为预设的N类关键词,由平台搭建方自由选择成果转化关键词的类型及数量,并根据实际情况调整。
作为一个示例,本发明实施例选择“转化策略”“转化形式”“转化时长”作为成果转化关键词类型,成果转化关键词数量为3。上述成果转化关键词中,转化策略包括技术入股、技术转让、技术服务;转化形式包括产品、服务、工艺、样品、样机、专利;转化时长包括六个月、十二个月、十八个月、二十四个月、三十个月。
需要说明的是,关键词在确定后不可更改,以确保后续分析的准确性。
步骤S200,根据用户对关键词的关注度将用户信息分配至最接近的子区域,将需求信息和供应信息在子区域内进行匹配,将匹配结果发送给用户;子区域中包括多个节点。
具体的步骤包括:
1)构建匹配统计空间。根据确定的关键词数量N,构建N维空间,每个坐标轴代表一类关键词的关注度,且各轴值域均为[-1,1],用于表示用户对该轴的关注度,数值为1,代表十分关注,数值为-1,代表不关注。
2)在预设时间内,需求信息和供应信息每进行一次匹配均在匹配统计空间中生成一个新的统计点,根据用户对每类关键词的关注度获取该点在匹配统计空间中的坐标,即根据某维度的需求信息和供应信息的关注度均值确定该坐标轴的取值。
需要说明的是,值均为负的象限所包含的信息为无效信息,不进行统计处理。
3)对匹配统计空间中的各点进行分象限统计,共有2N个象限,对应2N个子区域,获取每个子区域内的统计点占匹配统计空间中的所有统计点的比例,将该比例与节点的总数相乘,即为各个子区域分配节点的数量。
需要说明的是,当前预设时间的子区域划分结果作为下一预设时间的初始子区域。初始预设时间未划分子区域时,节点均匀分配在除无效信息所在的子区域之外的子区域内。
需要说明的是,预设时间为平台搭建方设置的重置节点信息的时间,作为一个示例,本发明实施例中预设时间为三个月。
通过对各个子区域分配节点,在预设时间内为节点赋予临时标识,用户的需求和供应信息均会寻找对应临时标识,提高了匹配成功的概率,且提高了节点的利用率,避免出现节点冗余或者节点缺失的情况。
将节点分至多个子区域,实现资源的动态调整,避免出现节点冗余的情况。
4)以所述用户所关注的关键词为关注信息构建N维用户匹配空间,该空间仅包含用户的关注信息,与匹配统计空间一致,以每类关键词的关注度作为坐标轴,各轴值域均为[-1,1],根据用户信息在用户匹配空间生成的用户点所位于的象限将用户信息分配至对应的节点子区域。
根据用户的关注信息进行用户的分配,能够提高匹配成功的概率。
5)选择匹配的子区域内随机的节点,通过KM匹配算法进行匹配。
每个节点均固定接收m个需求信息和m个供应信息,确保可实时在线进行匹配,当单个节点接收到足够的需求信息和供应信息时通过KM算法进行匹配。
作为一个示例,在本发明实施例中m=3。
需要说明的是,每一预设时间内的初始匹配,匹配权值默认为相同正值,也即随机匹配。
步骤S300,获得匹配结果的用户反馈信息,用户反馈信息包括对N类关键词的关注度,根据关注度获得相应节点的维度权值,根据每个节点当前的维度权值和关注度对维度权值进行更新。
具体的步骤包括:
1)根据用户反馈的关注度信息对每个节点构建节点分析空间。
具体的,节点分析空间的各个维度分别为上述N个维度的关注度权值,关注度权值由关注度均值归一化获取,取值范围为[0,1]。
需要说明的是,无论用户认为匹配结果是否符合需求,平台均向用户申请获取反馈信息。
2)将节点的初始位置记为分析点,在该节点上每匹配一次对分析点进行一次更新。
更新的步骤包括:
a)当用户反馈的关注度均为负值时,即对于同一类关键词需求信息与供应信息都不关注时,若当前的维度权值为0,则不进行更新;若当前维度权值为正值,按照公式X=αx-(1-α)对维度权值进行更新,此时新获取的维度权值设置为1。
其中,X为该维度更新后的维度权值,x为更新前的维度权值,α为遗忘系数。
作为一个示例,本发明实施例中,α初始取值为0.5。
该步骤能够降低该维度权值对整体匹配的影响。
b)当用户反馈的关注度符号均为正值时,即对于同一类关键词需求信息与供应信息都关注时,权值按公式X=αx+(1-α)对维度权值进行更新,此时新获取的维度权值设置为1,以确保更新后的权值可快速生效。
c)当用户反馈的关注度符号相异时,即对于同一类关键词,需求信息关注而供应信息不关注,或者是供应信息关注而需求信息不关注时,根据关注度不同的取值情况对当前的维度权值进行相应的更新:当反馈关注度中正值大于等于负值的绝对值时,按公式对维度权值进行更新;当反馈关注度中负值的绝对值大于正值,按公式/>对维度权值进行更新。
其中,ε为反馈关注度中的正值与负值绝对值的比值,x′为新获取的该维度的维度权值。
对于符号相异的情况,如步骤c)中的式子所示,增长速率随维度权值增大而增大,差异越大维度权值更新的越快,以提高节点匹配时对该维度的关注度,减少误匹配概率。
需要说明的是,由于某维度权值持续更新后,对于后续匹配的影响会逐渐变大,此时为了避免单一维度对整体匹配的影响过大,对维度权值更新累积值进行分析,设某维度当前更新后的维度权值相较于k次更新前的维度权值,累积值为ΔX,k次更新前各维度的正维度权值均值设为在/>时,根据/>调节遗忘系数的值,即/>在/>时,将k-1赋予k,重复本步骤,以确保遗忘系数不大于1。
其中k为超参数,代表累积次数,初始值由人为设定。
作为一个示例,本发明实施例设置初始值为10。
需要说明的是,将用户反馈信息分为成功与失败,即用户认为匹配结果符合需求为成功,否则为失败。各维度权值更新的顺序根据用户反馈决定,失败的优先更新;对于同为成功或者同为失败的情况,根据匹配权值决定更新顺序,匹配权值小的优先更新。设置更新顺序能够避免较为重要的信息更早遗忘。
动态更新节点的维度权值,能够提高节点的可用性,避免在子区域内出现节点闲置的情况。
步骤S400,根据需求信息和供应信息的相似度与维度权值获取需求信息和供应信息的匹配权值,根据匹配权值通过选择子区域内最优的节点对需求信息和供应信息进行实时匹配,获得实时的匹配结果。
具体的步骤包括:
1)在步骤S300中已获取节点各维度的维度权值,在匹配时根据某一需求信息和另一供应信息计算各维度需求信息和供应信息的相似度并乘上维度对应的维度权值后求和,即为二者的匹配权值。
2)选择最优节点。
具体步骤包括:
a)将用户信息在用户匹配空间生成的用户点遍历映射到所有节点分析空间中,选取与用户点的欧氏距离最小的节点为最优节点。
将用户信息中对每类关键词的关注度通过归一化,转换为权值区间[0,1],与节点统计空间一致,通过遍历节点计算用户点与节点的欧式距离,选取距离最小的节点作为最优节点。
b)判断最优节点是否饱和,若未饱和,选取最优节点进行匹配;若饱和,选取次优的节点进行匹配,重复该步骤,直至寻找到未饱和节点。
饱和即为节点已接受到三个相同类别用户信息,此时节点饱和,不接受新的需求信息或接受信息;选取次优的节点进行匹配,若仍旧饱和,选取更次优的节点,重复直至寻找到未饱和的节点;需要说明的是,若多个节点与用户点的距离相同,对其进行随机排序后按照排序顺序进行匹配。
3)根据获取的匹配权值将用户信息与节点通过KM算法进行实时匹配。
与步骤S200的匹配方法相同,每个节点均固定接收三个需求信息和三个供应信息,确保可实时在线进行匹配,当单个节点接收到足够的需求信息和供应信息时通过KM算法进行匹配,本次匹配为实时匹配,KM算法的匹配权值为实时的匹配权值。
此种匹配方法能够确保匹配的局部最优,避免出现进行单个最优匹配时其他的匹配结果较差的情况。
综上所述,本发明实施例通过提取用户的有效信息,构建匹配统计空间对平台的节点进行子区域划分,将预设时间内的用户信息分配至最近的子区域进行匹配,将匹配结果发送给用户,获得用户的反馈信息对维度权值进行更新调整,根据需求信息和供应信息的相似度与更新的维度权值,获得匹配权值,根据匹配权值通过选择最优节点对用户信息进行实时匹配,获得实时的匹配结果。本发明实施例的供需匹配方法可以根据用户的多维需求进行匹配,以满足用户的实际需求,能够根据用户的反馈信息进行去中心化的在线供需匹配,提高匹配效率,提高匹配准确度。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.基于大数据和人工智能的成果转化在线供需匹配方法,其特征在于,所述方法包括以下步骤:
采集用户信息,根据预设的N类关键词对所述用户信息进行有效信息的提取,所述用户信息包括需求信息或供应信息;
根据用户对所述关键词的关注度将所述用户信息分配至最接近的子区域,将所述需求信息和供应信息在所述子区域内进行匹配,将匹配结果发送给所述用户;所述子区域中包括多个节点;
获得所述匹配结果的用户反馈信息,所述用户反馈信息包括对所述N类关键词的关注度,根据所述关注度获得相应节点的维度权值,根据每个所述节点当前的维度权值和所述关注度对所述维度权值进行更新;
根据所述需求信息和所述供应信息的相似度与所述维度权值获取所述需求信息和所述供应信息的匹配权值,根据所述匹配权值通过选择所述子区域内最优的所述节点对所述需求信息和供应信息进行实时匹配,获得实时的匹配结果;
所述子区域是根据匹配统计空间的历史匹配比例将节点划分的区域;所述匹配统计空间是根据预设的N类关键词的关注度构建的N维统计空间;
所述维度权值进行更新的方法为:
以每类关键词的关注度权值为坐标轴对每个所述节点构建节点分析空间,对于每个所述节点分析空间,所述节点的初始位置记为分析点,在该所述节点上所述需求信息和所述供应信息每匹配一次对所述分析点进行一次更新,获得更新的所述维度权值;
所述根据所述节点当前的维度权值和所述关注度对所述维度权值进行更新包括:当对于同一类所述关键词,所述需求信息与所述供应信息都不关注时,所述当前的维度权值为0时,所述维度权值不更新;所述当前的维度权值为正值时,所述维度权值按照公式X=αx-(1-α)进行更新;其中,X为该维度更新后的维度权值,x为更新前的维度权值,α为遗忘系数。
2.根据权利要求1所述的方法,其特征在于,所述根据所述节点当前的维度权值和所述关注度对所述维度权值进行更新还包括:当对于同一类所述关键词,所述需求信息与所述供应信息都关注时,所述维度权值按公式X=αx+(1-α)进行更新;其中,X为该维度更新后的维度权值,x为更新前的维度权值,α为遗忘系数。
3.根据权利要求1所述的方法,其特征在于,所述根据所述节点当前的维度权值和所述关注度对所述维度权值进行更新还包括:对于同一类所述关键词,所述需求信息关注而所述供应信息不关注,或者所述供应信息关注而所述需求信息不关注时,根据所述关注度不同的取值情况对所述当前的维度权值进行相应的更新。
4.根据权利要求1至3中任一权利要求所述的方法,其特征在于,所述维度权值进行更新时根据所述用户反馈信息获取更新顺序。
5.根据权利要求1所述的方法,其特征在于,所述最优的所述节点的选择步骤包括:
以所述用户所关注的所述关键词为关注信息构建用户匹配空间,将所述用户信息在所述用户匹配空间生成的用户点遍历映射到所有所述节点分析空间中,选取与用户点的欧氏距离最小的所述节点作为最优节点;
当所述最优节点未饱和时,选取所述最优节点进行匹配;当所述最优节点饱和时,选取次优的节点进行匹配,重复该步骤,直至寻找到未饱和节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110013236.9A CN112686559B (zh) | 2021-01-06 | 2021-01-06 | 基于大数据和人工智能的成果转化在线供需匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110013236.9A CN112686559B (zh) | 2021-01-06 | 2021-01-06 | 基于大数据和人工智能的成果转化在线供需匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112686559A CN112686559A (zh) | 2021-04-20 |
CN112686559B true CN112686559B (zh) | 2023-05-19 |
Family
ID=75455949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110013236.9A Active CN112686559B (zh) | 2021-01-06 | 2021-01-06 | 基于大数据和人工智能的成果转化在线供需匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686559B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240399A (zh) * | 2021-05-31 | 2021-08-10 | 东莞理工学院 | 科技创新与产业转化的供需匹配方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2004925C1 (ru) * | 1991-05-23 | 1993-12-15 | Станислав Васильевич Кизима | Устройство дл вычислени многомерных полиномов |
CN103049516A (zh) * | 2012-12-14 | 2013-04-17 | 北京神州绿盟信息安全科技股份有限公司 | 一种数据处理方法及装置 |
CN111400507A (zh) * | 2020-06-05 | 2020-07-10 | 浙江口碑网络技术有限公司 | 实体匹配方法及其装置 |
CN111414540A (zh) * | 2020-03-20 | 2020-07-14 | 张明 | 在线学习推荐方法、装置、在线学习系统及服务器 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100504710C (zh) * | 2007-09-20 | 2009-06-24 | 华中科技大学 | 高电源抑制的带隙基准源 |
CN102999377B (zh) * | 2012-11-30 | 2015-06-10 | 北京东方通科技股份有限公司 | 服务并发访问控制方法及装置 |
CN103646061B (zh) * | 2013-12-02 | 2017-02-15 | 东南大学 | 面向服务的需求分析方法 |
CN106372087B (zh) * | 2015-07-23 | 2019-12-13 | 北京大学 | 一种面向信息检索的信息地图生成方法及其动态更新方法 |
US9665885B1 (en) * | 2016-08-29 | 2017-05-30 | Metadata, Inc. | Methods and systems for targeted demand generation based on ideal customer profiles |
CN106383894A (zh) * | 2016-09-23 | 2017-02-08 | 深圳市由心网络科技有限公司 | 一种企业供需信息匹配方法和装置 |
CA3020971A1 (en) * | 2018-01-12 | 2019-07-12 | Thomson Reuters (Tax & Accounting) Inc. | Clustering and tagging engine for use in product support systems |
CN109460506B (zh) * | 2018-09-28 | 2021-07-16 | 昆明理工大学 | 一种用户需求驱动的资源匹配推送方法 |
CN111078862A (zh) * | 2019-12-06 | 2020-04-28 | 武汉理工大学 | 一种高校院所科技成果主动推送方法及装置 |
CN111078203B (zh) * | 2019-12-21 | 2022-04-05 | 西安交通大学 | 一种支持创客与小微企业孵化的4m1t创新系统 |
CN111552870A (zh) * | 2020-04-01 | 2020-08-18 | 深圳壹账通智能科技有限公司 | 对象推荐方法、电子装置及存储介质 |
CN112131246A (zh) * | 2020-09-28 | 2020-12-25 | 范馨月 | 基于自然语言语义解析的数据中心智能查询统计方法 |
-
2021
- 2021-01-06 CN CN202110013236.9A patent/CN112686559B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2004925C1 (ru) * | 1991-05-23 | 1993-12-15 | Станислав Васильевич Кизима | Устройство дл вычислени многомерных полиномов |
CN103049516A (zh) * | 2012-12-14 | 2013-04-17 | 北京神州绿盟信息安全科技股份有限公司 | 一种数据处理方法及装置 |
CN111414540A (zh) * | 2020-03-20 | 2020-07-14 | 张明 | 在线学习推荐方法、装置、在线学习系统及服务器 |
CN111400507A (zh) * | 2020-06-05 | 2020-07-10 | 浙江口碑网络技术有限公司 | 实体匹配方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112686559A (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20080126523A1 (en) | Hierarchical clustering of large-scale networks | |
CN106775705B (zh) | 一种软件模块划分方法 | |
CN112686559B (zh) | 基于大数据和人工智能的成果转化在线供需匹配方法 | |
CN111985623A (zh) | 基于最大化互信息和图神经网络的属性图群组发现方法 | |
US20220318712A1 (en) | Method and system for optimization of task management issue planning | |
CN116226689A (zh) | 一种基于高斯混合模型的配电网典型运行场景生成方法 | |
US20220111979A1 (en) | Method for task planning of space information network based resource interchange | |
CN110119268B (zh) | 基于人工智能的工作流优化方法 | |
CN109460506B (zh) | 一种用户需求驱动的资源匹配推送方法 | |
CN111292201A (zh) | 一种基于Apriori和RETE的电力通信网现场运维信息推送的方法 | |
Li et al. | Parallel k-dominant skyline queries over uncertain data streams with capability index | |
CN114625493B (zh) | 基于改进天牛须智能方法的Kubernetes集群资源调度方法 | |
Mahato | Load balanced transaction scheduling in on-demand computing using cuckoo search-ant colony optimization | |
US9292555B2 (en) | Information processing device | |
US7320006B2 (en) | Hierarchical database management | |
CN116629374B (zh) | 一种针对异构特征空间学件的查搜与复用方法 | |
CN117812185B (zh) | 一种智能外呼系统的管控方法及系统 | |
Yoon et al. | GDFed: Dynamic Federated Learning for Heterogenous Device Using Graph Neural Network | |
Liang et al. | Collaborative Edge Service Placement for Maximizing QoS with Distributed Data Cleaning | |
CN113535809A (zh) | 一种用于授信行业的分布式多内核决策系统及方法 | |
CN118296106A (zh) | 一种细粒度特征感知的rdf数据自适应划分方法、装置及介质 | |
CN110019413A (zh) | 基于关联规则的海量物联网数据挖掘系统 | |
CN117311801B (zh) | 一种基于网络化结构特征的微服务拆分方法 | |
Borelli et al. | Use of multilevel resource clustering for service placement in fog computing environments | |
Sengupta et al. | Modified K-Means Algorithm for Big Data Clustering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |