CN112732398B - 一种基于人工智能的大数据可视化管理方法及系统 - Google Patents
一种基于人工智能的大数据可视化管理方法及系统 Download PDFInfo
- Publication number
- CN112732398B CN112732398B CN202110141491.1A CN202110141491A CN112732398B CN 112732398 B CN112732398 B CN 112732398B CN 202110141491 A CN202110141491 A CN 202110141491A CN 112732398 B CN112732398 B CN 112732398B
- Authority
- CN
- China
- Prior art keywords
- partition
- page
- visualization
- sharing
- interaction
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 222
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 40
- 238000013079 data visualisation Methods 0.000 title claims abstract description 38
- 230000003993 interaction Effects 0.000 claims abstract description 456
- 238000005192 partition Methods 0.000 claims abstract description 258
- 238000012545 processing Methods 0.000 claims abstract description 111
- 230000004927 fusion Effects 0.000 claims abstract description 104
- 230000000007 visual effect Effects 0.000 claims abstract description 90
- 238000000034 method Methods 0.000 claims abstract description 58
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 230000002452 interceptive effect Effects 0.000 claims description 229
- 238000012800 visualization Methods 0.000 claims description 162
- 238000004458 analytical method Methods 0.000 claims description 100
- 238000012482 interaction analysis Methods 0.000 claims description 79
- 238000000605 extraction Methods 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000013523 data management Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 164
- 230000006870 function Effects 0.000 description 34
- 230000011218 segmentation Effects 0.000 description 17
- 230000000295 complement effect Effects 0.000 description 13
- 238000010276 construction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000013073 enabling process Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/176—Support for shared access to files; File sharing support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本发明涉及数据处理技术领域,涉及一种基于人工智能的大数据可视化管理方法及系统。本发明同时考虑初始可视化页面和当前可视化页面,对初始页面特征和当前页面特征进行融合,得到可视化页面融合页面特征,并对可视化页面融合页面特征和待共享分区的待共享分区特征进行关联映射处理,以确定待共享分区中每一功能分区与目标数据交互共享对象之间的功能关联度,进而实现对目标数据交互共享对象的实时可视化共享处理。本发明同时考虑初始可视化页面和当前可视化页面,实现对目标数据交互共享对象的实时可视化共享处理,能够在比较低的时间复杂度下捕获目标数据交互共享对象的状态变化,提高目标对象的可视化共享的准确率。
Description
技术领域
本发明涉及数据处理技术领域,具体而言,涉及一种基于人工智能的大数据可视化管理方法及系统。
背景技术
相关技术中,通过建设一个教学大数据管理平台和数据治理交换平台,打通各业务系统、业务应用间的数据管道,可以解决数据间的孤立问题。从而在满足业务需求的基础上,实现数据的多维度分析和便捷高效的可视化展现,保证在便捷、直观、可视化的操作界面上,对学校教学管理业务一目了然,辅助管理者在大数据的支持下,实现管理决策的科学化。
基于此,如何对高校管理微服务数据进行有效的交互共享处理,以便于保证后续数据的多维度分析过程的准确性,是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,本发明的目的在于提供一种基于人工智能的大数据可视化管理方法及系统,同时考虑初始可视化页面和当前可视化页面,对初始页面特征和当前页面特征进行融合,得到可视化页面融合页面特征,并对可视化页面融合页面特征和待共享分区的待共享分区特征进行关联映射处理,以确定待共享分区中每一功能分区与目标数据交互共享对象之间的功能关联度,进而实现对目标数据交互共享对象的实时可视化共享处理。如此,由于同时考虑初始可视化页面和当前可视化页面,实现对目标数据交互共享对象的实时可视化共享处理,能够在比较低的时间复杂度下捕获目标数据交互共享对象的状态变化,提高目标对象的可视化共享的准确率。
第一方面,本发明提供一种基于人工智能的大数据可视化管理方法,应用于高校管理平台服务器,所述高校管理平台服务器与多个高校管理终端通信连接,所述方法包括:
获取高校管理微服务数据所对应的数据交互共享类别,并接收针对所述高校管理微服务数据的目标可视化处理指令;所述目标可视化处理指令中包括初始可视化页面、当前可视化页面和待共享展示页面,所述初始可视化页面中包括所述数据交互共享类别对应的目标数据交互共享对象;
响应于所述目标可视化处理指令,根据所述数据交互共享类别对所述初始可视化页面、所述当前可视化页面和所述待共享展示页面对应的待共享分区分别进行特征提取,对应得到初始分区特征、当前分区特征和待跟踪分区特征;所述待共享分区中包括至少两个功能分区;
对所述初始分区特征和所述当前分区特征进行融合,得到融合特征;
对所述融合特征和所述待跟踪分区特征进行关联映射处理,得到每一所述功能分区与所述目标数据交互共享对象之间的功能关联度,并根据所述功能关联度,在所述至少两个功能分区中确定所述目标可视化处理指令的可视化处理结果,并输出所述可视化处理结果。
在第一方面的一种可替换的方案中,所述对所述初始分区特征和所述当前分区特征进行融合,得到融合特征的步骤,包括:
获取所述初始分区特征的第一配置属性、和所述当前分区特征的第二配置属性;
根据所述第一配置属性和所述第二配置属性,确定所述初始分区特征与所述当前分区特征之间的配置匹配度分布;
获取所述当前分区特征的第三配置属性和第一融合参数,根据所述配置匹配度分布、所述第三配置属性和所述第一融合参数,确定配置融合特征在每一维度上的值,以得到配置融合特征;
获取所述初始分区特征的第一分区属性、和所述当前分区特征的第二分区属性;
根据所述第一分区属性和所述第二分区属性,确定所述初始分区特征与所述当前分区特征之间的分区匹配度分布;
获取所述当前分区特征的第三分区属性和第二融合参数,根据所述分区匹配度分布、所述第三分区属性和所述第二融合参数,确定业务融合特征在每一维度上的特征值,以得到业务融合特征;
获取所述初始分区特征,对所述初始分区特征、所述配置融合特征和所述业务融合特征的每一相应节点的特征分量进行加权,得到对应节点的特征加权分量;
根据全部节点的特征加权分量,确定所述融合特征。
在第一方面的一种可替换的方案中,所述方法还包括:
获取当前可视化节点之前且与所述当前可视化节点相邻的历史可视化节点的历史可视化页面、和根据所述历史可视化节点的可视化处理结果确定的历史可视化页面;
根据所述历史可视化页面和所述历史可视化页面,确定所述当前可视化页面。
在第一方面的一种可替换的方案中,所述方法还包括:
在对所述待共享分区进行可视化共享之前的初始化阶段,对当前可视化节点之前且与所述当前可视化节点相邻的历史可视化节点的历史可视化页面进行初始化处理,得到初始化可视化页面;
将所述初始化可视化页面确定为所述初始可视化页面。
在第一方面的一种可替换的方案中,所述初始可视化页面和所述当前可视化页面页面拼接形成一页面拼接可视化页面,所述融合特征是所述页面拼接可视化页面的分区特征表示;
所述对所述融合特征和所述待跟踪分区特征进行关联映射处理,得到每一所述功能分区与所述目标数据交互共享对象之间的功能关联度,包括:
确定每一所述功能分区在所述待跟踪分区特征中对应的子分区特征
在所述待共享分区中,通过更新所述页面拼接可视化页面,以确定每一所述功能分区与所述目标数据交互共享对象之间的所述功能关联度。
在第一方面的一种可替换的方案中,所述根据所述功能关联度,在所述至少两个功能分区中确定所述目标可视化处理指令的可视化处理结果,包括:
根据所述功能关联度,在所述至少两个功能分区中确定所述目标数据交互共享对象所在的目标功能分区;
将所述目标功能分区确定为所述目标可视化处理指令的可视化处理结果。
在第一方面的一种可替换的方案中,所述方法还包括:
根据每一所述功能分区与所述目标数据交互共享对象之间的所述功能关联度,确定每一所述功能分区的展示重要性程度;其中,所述功能关联度越高,对应功能分区的所述展示重要性程度越大;
根据所述展示重要性程度,构建与所述待共享分区对应的重要性程度图谱;
对应地,所述根据所述功能关联度,在所述至少两个功能分区中确定所述目标数据交互共享对象所在的目标功能分区,包括:
在所述重要性程度图谱中,将最大展示重要性程度所对应的功能分区,确定为所述目标功能分区。
在第一方面的一种可替换的方案中,所述方法还包括:
采用可视化页面特征提取模型进行所述特征提取、所述融合和所述关联映射处理,以得到所述待共享分区中的每一所述功能分区与所述目标数据交互共享对象之间的功能关联度;
其中,所述可视化页面特征提取模型采用以下步骤进行训练:
将标定初始可视化页面、标定可视化页面和标定共享展示页面输入至所述可视化页面特征提取模型中;所述标定初始可视化页面中包括标定目标数据交互共享对象;
通过所述可视化页面特征提取模型中的特征提取网络,对所述标定初始可视化页面、所述标定可视化页面和所述标定共享展示页面分别进行特征提取,对应得到标定初始分区特征、标定分区特征和标定跟踪分区特征;
通过所述可视化页面特征提取模型中的配置特征页面拼接网络,对所述标定初始分区特征和所述标定分区特征进行配置特征融合,得到标定配置融合特征;
通过所述可视化页面特征提取模型中的业务特征页面拼接网络,对所述标定初始分区特征和所述标定分区特征进行业务特征融合,得到标定业务融合特征;
通过所述可视化页面特征提取模型中的页面拼接特征融合单元,对所述标定配置融合特征和所述标定业务融合特征进行融合,得到标定融合特征;
通过所述可视化页面特征提取模型中的关联映射处理单元,对所述标定融合特征和所述标定跟踪分区特征进行关联映射处理,得到所述标定共享展示页面中的每一子标定区域与所述标定目标数据交互共享对象之间的标定功能关联度;
将每一子标定区域的所述标定功能关联度输入至预设差异函数网络中,得到差异计算值;
根据所述差异计算值,对所述特征提取网络、所述配置特征页面拼接网络和所述业务特征页面拼接网络中的权重参数进行更新,得到更新后的可视化页面特征提取模型。
在第一方面的一种可替换的方案中,所述获取高校管理微服务数据所对应的数据交互共享类别的步骤,包括:
获取待交互共享的高校管理微服务数据,并获取所述高校管理微服务数据所关联的多个高校管理业务通道的业务通道对象信息;
解析所述业务通道对象信息为相应的业务通道标签序列,将所述业务通道标签序列输入已配置的交互解析模型中的对应交互分析模块;其中,每个交互分析模块至少包含一个分析程序层,每个交互分析模块的分析程序层处理一个高校管理业务通道相应的业务通道标签序列;
通过所述交互解析模型中的分类模块,根据多个所述交互分析模块所输出的交互分析特征进行分类,输出所述高校管理微服务数据所对应的数据交互共享类别;
根据所述高校管理微服务数据所对应的数据交互共享类别,对所述高校管理微服务数据进行大数据交互共享。
第二方面,本发明实施例还提供一种基于人工智能的大数据可视化管理装置,应用于高校管理平台服务器,所述高校管理平台服务器与多个高校管理终端通信连接,所述装置包括:
获取模块,用于获取高校管理微服务数据所对应的数据交互共享类别,并接收针对所述高校管理微服务数据的目标可视化处理指令;所述目标可视化处理指令中包括初始可视化页面、当前可视化页面和待共享展示页面,所述初始可视化页面中包括所述数据交互共享类别对应的目标数据交互共享对象;
提取模块,用于响应于所述目标可视化处理指令,根据所述数据交互共享类别对所述初始可视化页面、所述当前可视化页面和所述待共享展示页面对应的待共享分区分别进行特征提取,对应得到初始分区特征、当前分区特征和待跟踪分区特征;所述待共享分区中包括至少两个功能分区;
融合模块,用于对所述初始分区特征和所述当前分区特征进行融合,得到融合特征;
确定模块,用于对所述融合特征和所述待跟踪分区特征进行关联映射处理,得到每一所述功能分区与所述目标数据交互共享对象之间的功能关联度,并根据所述功能关联度,在所述至少两个功能分区中确定所述目标可视化处理指令的可视化处理结果,并输出所述可视化处理结果。
第三方面,本发明实施例还提供一种基于人工智能的大数据可视化管理系统,所述基于人工智能的大数据可视化管理系统包括高校管理平台服务器以及与所述高校管理平台服务器通信连接的多个高校管理终端;
所述高校管理平台服务器,用于:
获取高校管理微服务数据所对应的数据交互共享类别,并接收针对所述高校管理微服务数据的目标可视化处理指令;所述目标可视化处理指令中包括初始可视化页面、当前可视化页面和待共享展示页面,所述初始可视化页面中包括所述数据交互共享类别对应的目标数据交互共享对象;
响应于所述目标可视化处理指令,根据所述数据交互共享类别对所述初始可视化页面、所述当前可视化页面和所述待共享展示页面对应的待共享分区分别进行特征提取,对应得到初始分区特征、当前分区特征和待跟踪分区特征;所述待共享分区中包括至少两个功能分区;
对所述初始分区特征和所述当前分区特征进行融合,得到融合特征;
对所述融合特征和所述待跟踪分区特征进行关联映射处理,得到每一所述功能分区与所述目标数据交互共享对象之间的功能关联度,并根据所述功能关联度,在所述至少两个功能分区中确定所述目标可视化处理指令的可视化处理结果,并输出所述可视化处理结果。
第四方面,本发明实施例还提供一种高校管理平台服务器,所述高校管理平台服务器包括处理器、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高校管理终端通信连接,所述机器可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述机器可读存储介质中的程序、指令或代码,以执行第一方面或者第一方面中任意一个可能的设计示例中的基于人工智能的大数据可视化管理方法。
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设计示例中的基于人工智能的大数据可视化管理方法。
根据上述任意一个方面,本发明同时考虑初始可视化页面和当前可视化页面,对初始页面特征和当前页面特征进行融合,得到可视化页面融合页面特征,并对可视化页面融合页面特征和待共享分区的待共享分区特征进行关联映射处理,以确定待共享分区中每一功能分区与目标数据交互共享对象之间的功能关联度,进而实现对目标数据交互共享对象的实时可视化共享处理。如此,由于同时考虑初始可视化页面和当前可视化页面,实现对目标数据交互共享对象的实时可视化共享处理,能够在比较低的时间复杂度下捕获目标数据交互共享对象的状态变化,提高目标对象的可视化共享的准确率。
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人工智能的大数据可视化管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的大数据可视化管理方法的流程示意图;
图3为本发明实施例提供的基于人工智能的大数据可视化管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的大数据可视化管理方法的高校管理平台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人工智能的大数据可视化管理系统10的交互示意图。基于人工智能的大数据可视化管理系统10可以包括高校管理平台服务器100以及与高校管理平台服务器100通信连接的高校管理终端200。图1所示的基于人工智能的大数据可视化管理系统10仅为一种可行的示例,在其它可行的实施例中,该基于人工智能的大数据可视化管理系统10也可以仅包括图1所示组成部分的其中的至少部分或者还可以包括其它的组成部分。
本实施例中,基于人工智能的大数据可视化管理系统10中的高校管理平台服务器100和高校管理终端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的大数据可视化管理方法,具体高校管理平台服务器100和高校管理终端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的大数据可视化管理方法的流程示意图,本实施例提供的基于人工智能的大数据可视化管理方法可以由图1中所示的高校管理平台服务器100执行,下面对该基于人工智能的大数据可视化管理方法进行详细介绍。
步骤S110,获取高校管理微服务数据所对应的数据交互共享类别,并接收针对高校管理微服务数据的目标可视化处理指令。
本实施例中,目标可视化处理指令中可以包括初始可视化页面、当前可视化页面和待共享展示页面,初始可视化页面中包括数据交互共享类别对应的目标数据交互共享对象。
步骤S120,响应于目标可视化处理指令,根据数据交互共享类别对初始可视化页面、当前可视化页面和待共享展示页面对应的待共享分区分别进行特征提取,对应得到初始分区特征、当前分区特征和待跟踪分区特征。待共享分区中包括至少两个功能分区。
例如,可以依据数据交互共享类别所对应的可视化页面特征提取模型对初始可视化页面、当前可视化页面和待共享展示页面对应的待共享分区分别进行特征提取,对应得到初始分区特征、当前分区特征和待跟踪分区特征。具体可视化页面特征提取模型的训练方式将在后文中进行描述,此处暂不提及。
步骤S130,对初始分区特征和当前分区特征进行融合,得到融合特征。
步骤S140,对融合特征和待跟踪分区特征进行关联映射处理,得到每一功能分区与目标数据交互共享对象之间的功能关联度,并根据功能关联度,在至少两个功能分区中确定目标可视化处理指令的可视化处理结果,并输出可视化处理结果。
基于以上步骤,本实施例同时考虑初始可视化页面和当前可视化页面,对初始页面特征和当前页面特征进行融合,得到可视化页面融合页面特征,并对可视化页面融合页面特征和待共享分区的待共享分区特征进行关联映射处理,以确定待共享分区中每一功能分区与目标数据交互共享对象之间的功能关联度,进而实现对目标数据交互共享对象的实时可视化共享处理。如此,由于同时考虑初始可视化页面和当前可视化页面,实现对目标数据交互共享对象的实时可视化共享处理,能够在比较低的时间复杂度下捕获目标数据交互共享对象的状态变化,提高目标对象的可视化共享的准确率。
在一种可替换的方案中,针对步骤S130,在对初始分区特征和当前分区特征进行融合,得到融合特征的流程中,可以通过以下步骤实现,详细描述如下。
子步骤S131,获取初始分区特征的第一配置属性、和当前分区特征的第二配置属性。
子步骤S132,根据第一配置属性和第二配置属性,确定初始分区特征与当前分区特征之间的配置匹配度分布。
子步骤S133,获取当前分区特征的第三配置属性和第一融合参数,根据配置匹配度分布、第三配置属性和第一融合参数,确定配置融合特征在每一维度上的值,以得到配置融合特征。
子步骤S134,获取初始分区特征的第一分区属性、和当前分区特征的第二分区属性。
子步骤S135,根据第一分区属性和第二分区属性,确定初始分区特征与当前分区特征之间的分区匹配度分布。
子步骤S136,获取当前分区特征的第三分区属性和第二融合参数,根据分区匹配度分布、第三分区属性和第二融合参数,确定业务融合特征在每一维度上的特征值,以得到业务融合特征。
子步骤S137,获取初始分区特征,对初始分区特征、配置融合特征和业务融合特征的每一相应节点的特征分量进行加权,得到对应节点的特征加权分量。
子步骤S138,根据全部节点的特征加权分量,确定融合特征。
在一种可替换的方案中,在上述基础上,还可以获取当前可视化节点之前且与当前可视化节点相邻的历史可视化节点的历史可视化页面、和根据历史可视化节点的可视化处理结果确定的历史可视化页面,并根据历史可视化页面和历史可视化页面,确定当前可视化页面。
在一种可替换的方案中,在上述基础上,还可以在对待共享分区进行可视化共享之前的初始化阶段,对当前可视化节点之前且与当前可视化节点相邻的历史可视化节点的历史可视化页面进行初始化处理,得到初始化可视化页面,并将初始化可视化页面确定为初始可视化页面。
在一种可替换的方案中,在上述基础上,初始可视化页面和当前可视化页面页面拼接形成一页面拼接可视化页面,融合特征是页面拼接可视化页面的分区特征表示。
这样,针对步骤S140,在对融合特征和待跟踪分区特征进行关联映射处理,得到每一功能分区与目标数据交互共享对象之间的功能关联度的流程中,可以通过以下步骤实现,详细描述如下。
子步骤S141,确定每一功能分区在待跟踪分区特征中对应的子分区特征
子步骤S142,在待共享分区中,通过更新页面拼接可视化页面,以确定每一功能分区与目标数据交互共享对象之间的功能关联度。
这样,针对步骤S140,在根据功能关联度,在至少两个功能分区中确定目标可视化处理指令的可视化处理结果的流程中,可以通过以下步骤实现,详细描述如下。
子步骤S143,根据功能关联度,在至少两个功能分区中确定目标数据交互共享对象所在的目标功能分区。
子步骤S144,将目标功能分区确定为目标可视化处理指令的可视化处理结果。
在一种可替换的方案中,在上述基础上,还可以根据每一功能分区与目标数据交互共享对象之间的功能关联度,确定每一功能分区的展示重要性程度。其中,功能关联度越高,对应功能分区的展示重要性程度越大。
然后,根据展示重要性程度,构建与待共享分区对应的重要性程度图谱。
对应地,根据功能关联度,在至少两个功能分区中确定目标数据交互共享对象所在的目标功能分区的过程中,可以在重要性程度图谱中,将最大展示重要性程度所对应的功能分区,确定为目标功能分区。
在一种可替换的方案中,在上述基础上,还可以采用可视化页面特征提取模型进行特征提取、融合和关联映射处理,以得到待共享分区中的每一功能分区与目标数据交互共享对象之间的功能关联度。
其中,可视化页面特征提取模型采用以下步骤进行训练:
(1)将标定初始可视化页面、标定可视化页面和标定共享展示页面输入至可视化页面特征提取模型中。标定初始可视化页面中包括标定目标数据交互共享对象。
(2)通过可视化页面特征提取模型中的特征提取网络,对标定初始可视化页面、标定可视化页面和标定共享展示页面分别进行特征提取,对应得到标定初始分区特征、标定分区特征和标定跟踪分区特征。
(3)通过可视化页面特征提取模型中的配置特征页面拼接网络,对标定初始分区特征和标定分区特征进行配置特征融合,得到标定配置融合特征。
(4)通过可视化页面特征提取模型中的业务特征页面拼接网络,对标定初始分区特征和标定分区特征进行业务特征融合,得到标定业务融合特征。
(5)通过可视化页面特征提取模型中的页面拼接特征融合单元,对标定配置融合特征和标定业务融合特征进行融合,得到标定融合特征。
(6)通过可视化页面特征提取模型中的关联映射处理单元,对标定融合特征和标定跟踪分区特征进行关联映射处理,得到标定共享展示页面中的每一子标定区域与标定目标数据交互共享对象之间的标定功能关联度。
(7)将每一子标定区域的标定功能关联度输入至预设差异函数网络中,得到差异计算值。
(8)根据差异计算值,对特征提取网络、配置特征页面拼接网络和业务特征页面拼接网络中的权重参数进行更新,得到更新后的可视化页面特征提取模型。
在一种可替换的方案中,针对步骤S110,在获取高校管理微服务数据所对应的数据交互共享类别的流程中,可以通过以下步骤实现,详细描述如下。
步骤S111,获取待交互共享的高校管理微服务数据,并获取高校管理微服务数据所关联的多个高校管理业务通道的业务通道对象信息。
本实施例中,高校管理微服务数据可以是指微服务运行数据的集合,业务操作数据可以是微服务的发起操作、微服务的浏览操作、微服务的互动操作和微服务中的相关设置信息的变更操作等,但不限于此。
其中,高校管理业务通道是数据定义实体元素中具有业务共享意义的连成一片的数据定义实体元素集合配置而成的高校管理业务通道,可以用于控制业务共享的过程。
一种可替代的方案中,高校管理微服务数据中包含微服务教学区和微服务教学区内容等。不同微服务教学区下的微服务教学区内容属于不同的高校管理业务通道。高校管理平台服务器100可从高校管理微服务数据的数据定义实体元素名称开始扫描,将当前扫描到的微服务教学区内容归属于前次扫描到的微服务教学区下的微服务教学区内容,可通过获取高校管理微服务数据中的多个微服务教学区,来对应获取多个高校管理业务通道的业务通道对象信息。
一种可替代的方案中,高校管理平台服务器100可获取多个高校管理业务通道各自对应的协同联动接口,按照协同联动接口,从高校管理微服务数据中确定相应的高校管理业务通道,并从确定的多个高校管理业务通道中获取业务通道对象信息。
步骤S112,解析业务通道对象信息为相应的业务通道标签序列,将业务通道标签序列输入已配置的交互解析模型中的对应交互分析模块。其中,每个交互分析模块至少包含一个分析程序层,每个交互分析模块的分析程序层处理一个高校管理业务通道相应的业务通道标签序列。
其中,业务通道标签序列是具有排列顺序的数据定义实体元素集合。例如,高校管理平台服务器100可在获取到高校管理微服务数据所关联的多个高校管理业务通道的业务通道对象信息后,采用数据定义实体分段的方式对业务通道对象信息进行数据定义实体分段。高校管理平台服务器100对业务通道对象信息进行数据定义实体分段后,将数据定义实体分段得到的数据定义实体元素进行数据定义实体元素进行实体图谱构建,得到与业务通道对象信息相应的业务通道标签序列。
一种可替代的方案中,高校管理平台服务器100可将数据定义实体分段所得的数据定义实体元素,按照在业务通道对象信息中的关联关系进行数据定义实体元素进行实体图谱构建,得到与业务通道对象信息相应的业务通道标签序列。一种可替代的方案中,高校管理平台服务器100可将数据定义实体分段所得的数据定义实体元素,以随机序列的方式进行数据定义实体元素进行实体图谱构建,得到与业务通道对象信息相应的业务通道标签序列。
其中,分析程序层可以包括卷积层,在分析程序层的卷积层中,存在多个特征图,每个特征图包括多个神经元,同一个特征图的所有神经元共用一个卷积核。卷积核就是相应神经元的权值,卷积核代表一个特征。卷积核一般以随机小数矩阵的形式初始化,在网络的配置过程中将学习得到合理的卷积核,卷积层可以减少神经网络中各层之间的连接,同时又降低了过拟合的风险。在本实施例中,卷积层可以有一层也可以有多层。
交互解析模型是可以具有多组交互分析模块,可以输入多组数据。从每一组交互分析模块输入的数据都有单独的分析程序层进行处理,最后,分类模块将不同交互分析模块的输出拼接到一起作为分类模块的输入。
本实施例所采用的交互解析模型中可将前置层输出的特征矩阵关联为对应于每一预设数据交互共享类别的数据,从而通过回归层输出输入的多组业务通道标签序列所对应的数据交互共享类别。
例如,高校管理平台服务器100可获取到与业务通道标签序列相应的业务通道对象信息所对应的高校管理业务通道相对应的交互分析模块,再将业务通道标签序列输入已配置的交互解析模型中的对应交互分析模块。其中,每个交互分析模块至少包含一个分析程序层,每个交互分析模块的分析程序层处理一个高校管理业务通道相应的业务通道标签序列。
一种可替代的方案中,高校管理平台服务器100在配置交互解析模型时,可预先设置输入的业务通道标签序列与交互分析模块的对应关系。比如,在业务通道标签序列中添加与相应的高校管理业务通道对应的标识,再设置交互解析模型中不同的交互分析模块分别只能输入一个标识所对应的业务通道标签序列。这样,可以保证在交互解析模型的配置过程中,对应的交互分析模块的配置算法可以正确地配置对应的数据。将业务通道标签序列输入已配置的交互解析模型中的交互分析模块时,根据预先设置的输入的业务通道标签序列与交互分析模块的对应关系,将业务通道标签序列输入对应的交互分析模块。
步骤S113,通过交互解析模型中的分类模块,根据多个交互分析模块所输出的交互分析特征进行分类,输出高校管理微服务数据所对应的数据交互共享类别。
例如,高校管理平台服务器100可将多个交互分析模块所输出的交互分析特征进行拼接,得到拼接交互分析特征,将拼接交互分析特征作为已配置的交互解析模型中的分类模块的输入,通过分类模块输出高校管理微服务数据所对应的数据交互共享类别。
一种可替代的方案中,高校管理平台服务器100可通过已配置的交互解析模型中的分类模块输出高校管理微服务数据所对应的每个预设数据交互共享类别的交互共享关联度,将待交互共享的高校管理微服务数据分类到最大交互共享关联度所对应的数据交互共享类别。
步骤S114,根据高校管理微服务数据所对应的数据交互共享类别,对高校管理微服务数据进行大数据交互共享。
基于上述步骤,将待交互共享的高校管理微服务数据所关联的多个高校管理业务通道的业务通道对象信息解析为相应的业务通道标签序列,通过将业务通道标签序列分别输入已配置的交互解析模型中的,与业务通道标签序列所对应的高校管理业务通道相对应的交互分析模块,每个交互分析模块的分析程序层处理一个高校管理业务通道相应的业务通道标签序列,可对待交互共享的高校管理微服务数据的多组业务通道标签序列进行卷积处理。再通过交互解析模型中的分类模块,根据多个交互分析模块所输出的交互分析特征进行分类,输出高校管理微服务数据所对应的数据交互共享类别。这样,可充分利用待交互共享的高校管理微服务数据所关联的多个高校管理业务通道的业务通道对象信息,通过结合实际应用过程中的不同高校管理业务通道进行针对性地交互共享配置,使得各个高校管理业务通道的业务通道对象信息可以利用到后续的交互共享过程中的相互交互共享互补,大大提高了交互共享准确率。
一种可替代的方案中,针对步骤S112,可以对业务通道对象信息进行数据定义实体分段,以数据定义实体元素为单位,将数据定义实体分段所得的数据定义实体元素按照在业务通道对象信息中的关联关系进行数据定义实体元素进行实体图谱构建,得到与业务通道对象信息相应的业务通道标签序列。
例如,高校管理平台服务器100可对获取的业务通道对象信息,采用数据定义实体分段算法进行数据定义实体分段。将业务通道对象信息进行数据定义实体分段后,以数据定义实体元素为单位,将数据定义实体分段所得的数据定义实体元素按照在业务通道对象信息中的关联关系进行数据定义实体元素进行实体图谱构建,得到与业务通道对象信息相应的业务通道标签序列。
上述实施例中,对业务通道对象信息进行数据定义实体分段,再以数据定义实体元素为单位,将数据定义实体分段所得的数据定义实体元素按照在业务通道对象信息中的关联关系进行数据定义实体元素进行实体图谱构建,可以得到与业务通道对象信息相应的业务通道标签序列。
一种可替代的方案中,以数据定义实体元素为单位,将数据定义实体分段所得的数据定义实体元素按照在业务通道对象信息中的关联关系进行数据定义实体元素进行实体图谱构建,得到与业务通道对象信息相应的业务通道标签序列的步骤包括:以数据定义实体元素为单位,将数据定义实体分段所得的数据定义实体元素按照在业务通道对象信息中的关联关系进行数据定义实体元素进行实体图谱构建,得到选定业务通道标签序列。当业务通道对象信息为非模板格式结构信息时,将选定业务通道标签序列调整为预设数据定义实体元素数量的业务通道标签序列,且调整后得到的业务通道标签序列与业务通道对象信息相应;当业务通道对象信息为模板格式结构信息时,将选定业务通道标签序列直接作为与业务通道对象信息相应的业务通道标签序列。
其中值得说明的是,非模板格式结构信息是以非标准配置结构呈现的业务通道对象信息。模板格式结构信息是以标准配置结构呈现的业务通道对象信息,例如,高校管理平台服务器100对业务通道对象信息进行数据定义实体分段后,以数据定义实体元素为单位,将数据定义实体分段所得的数据定义实体元素按照在业务通道对象信息中的关联关系进行数据定义实体元素进行实体图谱构建,得到选定业务通道标签序列。
一种可替代的方案中,业务通道对象信息为非模板格式结构信息,比如某个高校管理业务通道中的业务通道对象信息由至少一个非标准配置结构组成。在实际情况下,业务通道对象信息为非标准配置结构时,有些业务通道对象信息的数据定义实体元素多,有些业务通道对象信息的数据定义实体元素少,甚至有时内容数量差异巨大。此时,高校管理平台服务器100对业务通道对象信息为非标准配置结构的业务通道对象信息进行数据定义实体分段得到选定业务通道标签序列后,统计选定业务通道标签序列的数据定义实体元素数量,当选定业务通道标签序列的数据定义实体元素数量大于预设数据定义实体元素数量时,只取选定业务通道标签序列中的预设数据定义实体元素数量的数据定义实体元素,组成与业务通道对象信息相应的业务通道标签序列。当选定业务通道标签序列的数据定义实体元素数量小于预设数据定义实体元素数量时,在选定业务通道标签序列的后面补充数据定义实体元素,使得补充数据定义实体元素后的选定业务通道标签序列的数据定义实体元素数量为预设数据定义实体元素数量。
例如,预设数量为200。当选定业务通道标签序列的数据定义实体元素数量大于200时,只取前200个数据定义实体元素作为与业务通道对象信息相应的业务通道标签序列。或者,当选定业务通道标签序列的数据定义实体元素数量大于200时,从选定业务通道标签序列中随机抽取200个数据定义实体元素,组成新的业务通道标签序列,作为与业务通道对象信息相应的业务通道标签序列。当选定业务通道标签序列的数据定义实体元素数量小于200时,在选定业务通道标签序列的后面补充数据定义实体元素,使得补充数据定义实体元素后的选定业务通道标签序列的数据定义实体元素数量为200。
一种可替代的方案中,业务通道对象信息为模板格式结构信息,选定业务通道标签序列则可以直接作为与业务通道对象信息相应的业务通道标签序列。其中,模板格式结构信息是具有特定格式的数据定义实体元素的集合,比如数据定义实体元素标签版块中的业务通道对象信息是一系列的数据定义实体元素集。
上述实施例中,由于业务通道对象信息的呈现结构及业务通道对象信息的内容数量的差异,对不同呈现结构的业务通道对象信息进行数据定义实体分段得到选定业务通道标签序列,采取不同的方式获取与业务通道对象信息相应的业务通道标签序列,可避免由业务通道对象信息的呈现结构,或业务通道对象信息的数量差异等对待交互共享的高校管理微服务数据进行分类时产生的影响,进一步提高了高校管理微服务数据的分类准确率。
一种可替代的方案中,针对步骤S113,可以通过以下示例性的子步骤实现,详细描述如下。
子步骤S1131,拼接多个交互分析模块所输出的交互分析特征,得到拼接交互分析特征。
例如,高校管理平台服务器100将多组业务通道标签序列分别输入已配置的交互解析模型中的交互分析模块后,每个交互分析模块分别输出与输入的业务通道标签序列相应的交互分析特征。输出的交互分析特征是已配置的交互解析模型中的卷积层对数据定义实体元素交互分析特征进行卷积后输出的业务通道标签序列的特征交互分析特征。按输出交互分析特征的顺序拼接多个交互分析模块所输出的交互分析特征,得到拼接交互分析特征。
子步骤S1132,通过交互解析模型中的分类模块,将拼接交互分析特征分类为对应于每个预设数据交互共享类别的交互共享关联度。
子步骤S1133,从分类的交互共享关联度中选择最大的交互共享关联度。
例如,高校管理平台服务器100可通过将待交互共享的高校管理微服务数据分类到每个预设数据交互共享类别的交互共享关联度进行逐一比较,确定上述交互共享关联度中的最大交互共享关联度。
子步骤S1134,将最大的交互共享关联度所对应的预设数据交互共享类别,输出为高校管理微服务数据所对应的数据交互共享类别。
例如,高校管理平台服务器100可将待交互共享的高校管理微服务数据分类到最大的交互共享关联度所对应的预设数据交互共享类别。
上述实施例中,拼接多个交互分析模块所输出的交互分析特征,得到拼接交互分析特征,通过交互解析模型中的分类模块,将拼接交互分析特征分类为对应于每个预设数据交互共享类别的交互共享关联度,再将最大的交互共享关联度所对应的预设数据交互共享类别,输出为高校管理微服务数据所对应的数据交互共享类别,可充分利用待交互共享的高校管理微服务数据中的各业务通道对象信息,使得各个高校管理业务通道的业务通道对象信息可以利用到后续的交互共享过程中的相互交互共享互补,大大提高了交互共享准确率。
一种可替代的方案中,每个交互分析模块还可以包含预设的分析预置要求,每个高校管理业务通道相应的业务通道标签序列包含有业务通道数据层,针对步骤S112,具体可以读取业务通道标签序列的业务通道数据层,当读取的业务通道数据层符合对应的交互分析模块的分析预置要求时,将业务通道标签序列输入至对应的交互分析模块,否则提示业务通道标签序列不满足分析预置要求。
其中,预设的分析预置要求是高校管理平台服务器100预先设置的允许业务通道标签序列输入的条件。每个交互分析模块包含预设的分析预置要求,具体可以是每个交互分析模块仅允许包含有特定的业务通道数据层的业务通道标签序列输入。业务通道数据层是一种特定的标记,可以用来区分不同的推送类型。业务通道数据层具体可以是字母、符号、图像以及汉字中的至少一种。在本实施例中,业务通道标签序列的业务通道数据层可以用来唯一标识相应的高校管理业务通道,比如高校管理业务通道的服务名称。
例如,高校管理平台服务器100在将业务通道标签序列输入交互分析模块前,可读取待输入的业务通道标签序列的业务通道数据层,判断读取的业务通道数据层是否符合对应的交互分析模块的分析预置要求。当读取的业务通道数据层符合对应的交互分析模块的分析预置要求时,将业务通道标签序列输入至对应的交互分析模块,否则提示业务通道标签序列不满足分析预置要求。
举例说明,假设当前的一个交互分析模块的分析预置要求是仅允许包含有“S11”业务通道数据层的业务通道标签序列输入,当高校管理平台服务器100提取的业务通道标签序列的业务通道数据层为“S11”时,高校管理平台服务器100可将该业务通道标签序列输入至对应的交互分析模块。当高校管理平台服务器100提取的业务通道标签序列的业务通道数据层不是“S11”,比如是“S2”时,高校管理平台服务器100则提示业务通道标签序列不满足分析预置要求。
上述实施例中,根据每个交互分析模块包含的预设的分析预置要求,控制只有符合分析预置要求的业务通道数据层所对应的业务通道标签序列才可被输入,可保证输入至交互分析模块的业务通道标签序列是正确的,避免了因业务通道标签序列的误输入而影响交互解析模型的适用性,提高了高校管理微服务数据的分类准确率。
一种可替代的方案中,每个交互分析模块包含各自预设的数据定义实体元素数量要求,针对步骤S112,具体可以确定业务通道标签序列的数据定义实体元素数量,当确定的数据定义实体元素数量符合对应的交互分析模块的数据定义实体元素数量要求时,将业务通道标签序列输入至对应的交互分析模块,否则提示业务通道标签序列不满足数据定义实体元素数量要求。
其中,预设的数据定义实体元素数量要求是高校管理平台服务器100预先设置的输入交互分析模块的业务通道标签序列的数据定义实体元素数量所需满足的条件。每个交互分析模块包含各自预设的数据定义实体元素数量要求,具体可以是每个交互分析模块仅允许数据定义实体元素数量大于、小于或等于预设数量的业务通道标签序列输入,或者是交互分析模块仅允许数据定义实体元素数量在预设范围内的业务通道标签序列输入。
例如,高校管理平台服务器100将业务通道标签序列输入交互分析模块前,可统计业务通道标签序列的数据定义实体元素数量,判断统计的数据定义实体元素数量是否符合对应的交互分析模块的数据定义实体元素数量要求。当统计的数据定义实体元素数量符合对应的交互分析模块的数据定义实体元素数量要求时,将业务通道标签序列输入至对应的交互分析模块,否则提示业务通道标签序列不满足数据定义实体元素数量要求。
一种可替代的方案中,高校管理平台服务器100设置每个交互分析模块仅允许特定数据定义实体元素数量的业务通道标签序列输入,将业务通道对象信息解析为相应的业务通道标签序列时,将不同高校管理业务通道对应的业务通道标签序列分别调整为与相应的交互分析模块所对应的特定数据定义实体元素数量的业务通道标签序列,再将业务通道标签序列分别输入至已配置的交互解析模型中的对应交互分析模块。
上述实施例中,根据每个交互分析模块包含的各自预设的数据定义实体元素数量要求,控制只有符合数据定义实体元素数量要求的业务通道标签序列才可被输入,可保证输入至交互分析模块的业务通道标签序列是正确的,避免了因业务通道标签序列的误输入而影响交互解析模型的适用性。
在以上描述的基础上,在一种可能的设计实例中,交互解析模型通过以下步骤配置获得,具体描述如下。
步骤S1101,获取选定高校管理微服务数据,确定选定高校管理微服务数据所关联的模板格式结构信息。
步骤S1102,将预设的目标交互要求分别与每个选定高校管理微服务数据的模板格式结构信息匹配,当匹配成功时,将相应的选定高校管理微服务数据作为高校管理微服务数据样本。
步骤S1103,获取匹配成功的目标交互要求所对应的预设数据交互共享类别,将预设数据交互共享类别标注为高校管理微服务数据样本相应的数据交互共享类别。
步骤S1104,获取高校管理微服务数据样本所关联的多个高校管理业务通道的业务通道对象信息,解析业务通道对象信息为相应的业务通道标签序列,将业务通道标签序列输入交互解析模型中的对应交互分析模块。其中,每个交互分析模块至少包含一个分析程序层,每个交互分析模块的分析程序层处理一个高校管理业务通道相应的业务通道标签序列。
步骤S1105,拼接多个交互分析模块所输出的交互分析特征,得到拼接交互分析特征,通过交互解析模型中的分类模块,将拼接交互分析特征分类为对应于每个预设数据交互共享类别的交互共享关联度。
步骤S1106,从分类的交互共享关联度中选择最大的交互共享关联度,将最大的交互共享关联度所对应的预设数据交互共享类别,输出为待定分类信息,根据待定分类信息与数据交互共享类别的差异值,调整交互解析模型的模型参数,并继续配置,直至满足配置停止条件时结束配置,获得交互解析模型。
本实施例中,可以将业务通道标签序列输入交互解析模型中的对应交互分析模块。其中,每个交互分析模块至少包含一个分析程序层,每个交互分析模块的分析程序层处理一个高校管理业务通道相应的业务通道标签序列。
例如,高校管理平台服务器100可获取到与业务通道标签序列相应的业务通道对象信息所对应的高校管理业务通道相对应的交互分析模块,再将高校管理微服务数据样本所对应的业务通道标签序列分别输入交互解析模型中的对应的交互分析模块。其中,每个交互分析模块至少包含一个分析程序层,每个交互分析模块的分析程序层处理一个高校管理业务通道相应的业务通道标签序列。
其中,待定分类信息是在配置过程中,向交互解析模型输入高校管理微服务数据样本后,由该交互解析模型所输出的分类结果。
例如,高校管理平台服务器100可将多个交互分析模块所输出的交互分析特征进行拼接,得到拼接交互分析特征。将拼接交互分析特征作为交互解析模型中的分类模块的输入,通过分类模块输出高校管理微服务数据样本所对应的数据交互共享类别,将在模型配置过程中输出的数据交互共享类别作为待定分类信息。
一种可替代的方案中,在交互解析模型的配置过程中,高校管理平台服务器100可通过交互解析模型中的分类模块输出高校管理微服务数据样本所对应的每个预设数据交互共享类别的交互共享关联度,将高校管理微服务数据样本分类到最大交互共享关联度所对应的数据交互共享类别,将该数据交互共享类别对应的数据交互共享类别作为待定分类信息。
其中,其中,配置停止条件是结束交互解析模型配置的条件。配置停止条件可以是达到预设的迭代次数,或者是调整模型参数后的交互解析模型的分类性能指标达到预设指标。调整交互解析模型的模型参数,是对交互解析模型的模型参数进行调整。
例如,高校管理平台服务器100可比较待定分类信息与预设数据交互共享类别的差异值,从而朝减少差异值的方向,调整交互解析模型的模型参数。如果调整模型参数后,不满足配置停止条件,则返回步骤S1104继续配置,直到满足配置停止条件时结束配置。
一种可替代的方案中,待定分类信息与预设数据交互共享类别的差异值可以用代价函数来衡量。代价函数是模型参数的函数,能够衡量交互解析模型的待定分类信息与预设数据交互共享类别之间的差异值的函数。高校管理平台服务器100可在代价函数的值小于预先设定的值时结束配置,得到用于对高校管理微服务数据进行分类的交互解析模型。可以选择交叉熵或均方误差等函数作为代价函数。
这样,通过将与高校管理微服务数据样本所关联的多个高校管理业务通道的业务通道对象信息相应的业务通道标签序列,分别输入交互解析模型中的与业务通道标签序列所对应的高校管理业务通道相对应的交互分析模块,每个交互分析模块的分析程序层处理一个高校管理业务通道相应的业务通道标签序列,可对高校管理微服务数据样本的多组业务通道标签序列进行卷积处理。再通过分类模块输出的待定分类信息与相应的数据交互共享类别的差异值调整模型参数,来配置交互解析模型。这样,通过高校管理微服务数据样本中的多个高校管理业务通道的业务通道对象信息来配置交互解析模型,使得配置好的交互解析模型能对待交互共享的高校管理微服务数据分类其对应的数据交互共享类别。
其中,目标交互要求是当选定高校管理微服务数据同时满足多个条件时,才能将预设数据交互共享类别标注为该选定高校管理微服务数据相应的数据交互共享类别。目标交互要求,是某个选定高校管理微服务数据属于某个目标交互要求所对应的数据交互共享类别的充分不必要条件。
关于目标交互要求,举例说明,对于“A”数据交互共享类别,可设置多个目标交互要求,比如,当选定高校管理微服务数据对应的高校管理业务通道的业务通道对象信息中必须同时包含“A1”,“A2”,“A3”,“A4”和“A5”中的三个及以上,才将该选定高校管理微服务数据标注为“A”数据交互共享类别。
例如,高校管理平台服务器100可预先设置多个目标交互要求,再通过多个目标交互要求对每个选定高校管理微服务数据的模板格式结构信息进行自动匹配。
例如,当将预设的多条目标交互要求中有一条与选定高校管理微服务数据的模板格式结构信息相匹配时,即可认为匹配成功,高校管理平台服务器100将匹配成功的选定高校管理微服务数据作为高校管理微服务数据样本。
例如,高校管理平台服务器100可在将预设的目标交互要求分别与每个选定高校管理微服务数据的模板格式结构信息匹配时,将匹配成功的选定高校管理微服务数据及相应的目标交互要求所对应的预设数据交互共享类别记录下来,并获取目标交互要求所对应的预设数据交互共享类别。
例如,高校管理平台服务器100可将与高校管理微服务数据样本匹配成功的目标交互要求所对应的预设数据交互共享类别,标注为该高校管理微服务数据样本的数据交互共享类别。
上述实施例中,高校管理平台服务器100通过预设的目标交互要求分别与每个选定高校管理微服务数据的模板格式结构信息匹配,来获取高校管理微服务数据样本和相应的数据交互共享类别,这样通过多个目标交互要求,自动化地与选定高校管理微服务数据进行匹配,在保证了获取的高校管理微服务数据样本和相应的数据交互共享类别的准确性的前提下,提高了对选定高校管理微服务数据进行标注的效率。
上述实施例中,由于业务通道对象信息的呈现结构及业务通道对象信息的内容数量的差异值,对不同呈现结构的业务通道对象信息进行数据定义实体分段得到选定业务通道标签序列,采取不同的方式获取与业务通道对象信息相应的业务通道标签序列。在通过获取的业务通道标签序列对交互解析模型进行模型配置时,可避免由业务通道对象信息的呈现结构,或业务通道对象信息的数量差异等对模型配置产生的影响,可以提高用于高校管理微服务数据分类的交互解析模型的分类准确率。
一种可替代的方案中,拼接多个交互分析模块所输出的交互分析特征,得到拼接交互分析特征。通过交互解析模型中的分类模块,将拼接交互分析特征分类为对应于每个预设数据交互共享类别的交互共享关联度,从分类的交互共享关联度中选择最大的交互共享关联度,将最大的交互共享关联度所对应的预设数据交互共享类别,输出为待定分类信息。
例如,高校管理平台服务器100将高校管理微服务数据样本的多组业务通道标签序列分别输入交互解析模型中的交互分析模块后,每个交互分析模块分别输出与输入的业务通道标签序列相应的交互分析特征。按输出交互分析特征的顺序拼接多个交互分析模块所输出的交互分析特征,得到拼接交互分析特征。高校管理平台服务器100将拼接的交互分析特征作为分类模块的输入,通过交互解析模型中的分类模块,对拼接交互分析特征进行降维后,再关联为对应于每个预设数据交互共享类别的交互共享关联度。高校管理平台服务器100将高校管理微服务数据样本分类到每个预设数据交互共享类别的交互共享关联度进行逐一比较,确定上述交互共享关联度中的最大交互共享关联度,将最大的交互共享关联度所对应的预设数据交互共享类别,输出为高校管理微服务数据样本所对应的数据交互共享类别的待定分类信息。
上述实施例中,拼接多个交互分析模块所输出的交互分析特征,得到拼接交互分析特征,通过交互解析模型中的分类模块,将拼接交互分析特征分类为对应于每个预设数据交互共享类别的交互共享关联度,再将最大的交互共享关联度所对应的预设数据交互共享类别,输出为高校管理微服务数据样本所对应的数据交互共享类别的待定分类信息。可充分利用高校管理微服务数据样本中的各业务通道对象信息,使得各个高校管理业务通道的业务通道对象信息可以相互印证补充,提高了用于高校管理微服务数据分类的交互解析模型的分类准确率。
一种可替代的方案中,进一步针对步骤S114,可以通过以下示例性的子步骤实现,详细描述如下。
步骤S1141,获取交互共享服务发送的包括至少一个交互通道的待交互共享接口,并获取交互通道的业务特征数据,并根据业务特征数据,分别获取交互通道基于热点交互共享策略和非热点交互共享策略的总交互共享属性和初始节点交互共享属性。
本实施例中,高校管理平台服务器100中运行有多个基于云计算实现的交互共享服务,交互共享服务用于对异常行为信息进行交互共享并上报。
其中,总交互共享属性可以是用于描述交互通道总信息的交互共享属性,总交互共享属性能表征总的交互共享信息,其关注交互共享的总性,噪声较强。节点交互共享属性可以是用于描述交互通道单元信息的交互共享属性,可以是至少一个单元过程对应的交互共享属性,节点交互共享属性的交互属性可以少于总交互共享属性,节点交互共享属性所关注的区域更小,旨在生成更多的交互共享细节。
一种可替代的方案中,以特定权限交互通道为例,总交互共享属性可以是表征总特定权限交互对象的情况的特定权限交互对象的总交互共享属性,该特定权限交互对象的总交互共享属性包含有模糊的总特定权限交互对象的信息,节点交互共享属性可以是表征业务访问单元、业务读取单元、业务写入单元的关键交互共享目标交互共享属性,这个关键交互共享目标交互共享属性包含有更明确的单元区域细节信息。
一种可替代的方案中,基于热点交互共享策略的总交互共享属性可以为总热点交互共享策略的交互共享属性,基于非热点交互共享策略的总交互共享属性可以为总非热点交互共享策略的交互共享属性。基于热点交互共享策略的初始节点交互共享属性可以为初始节点热点交互共享策略的交互共享属性,基于非热点交互共享策略的初始节点交互共享属性可以为初始单元非热点交互共享策略的交互共享属性。
一种可替代的方案中,可以根据热点交互共享策略特征信息获取交互通道的总热点交互共享策略的交互共享属性和初始节点热点交互共享策略的交互共享属性,根据非热点交互共享策略特征信息获取交互通道的总非热点交互共享策略的交互共享属性和初始单元非热点交互共享策略的交互共享属性。
步骤S1142,对初始节点交互共享属性进行交互共享网关补充处理,得到目标节点交互共享属性。
本实施例中,对初始节点交互共享属性进行交互共享网关补充处理,交互共享网关补充处理之后得到的交互共享作为目标节点交互共享属性。例如,可以是分别对初始节点热点交互共享策略的交互共享属性和初始单元非热点交互共享策略的交互共享属性进行交互共享网关补充处理,得到目标节点热点交互共享策略的交互共享属性和目标单元非热点交互共享策略的交互共享属性,作为该目标节点交互共享属性。
其中,交互共享网关补充处理可以指对交互共享过程进行补充交互共享网关集进行补充处理。该补充处理可以是进行交互共享网关的相似交互共享网关增加处理。交互共享网关可以是指恶意信息交互共享过程中生成的交互共享网关描述信息,然而在很多情况下,很多交互共享网关都具有相类似的其它关联交互共享网关,因此通过对交互共享过程进行补充交互共享网关集进行补充处理来进行后续的交互共享模型更新,可以增加更多的交互共享网关方面的数据信息。
步骤S1143,分别基于热点交互共享策略和非热点交互共享策略,对总交互共享属性和目标节点交互共享属性进行属性融合,得到目标热点交互共享关系信息和目标非热点交互共享关系信息。
其中,目标热点交互共享关系信息为整合了总热点交互共享策略特征和节点热点交互共享策略特征得到的热点交互共享关系信息,目标非热点交互共享关系信息为整合了总非热点交互共享策略特征和单元非热点交互共享策略特征得到的非热点交互共享关系信息。此外,目标热点交互共享关系信息和目标非热点交互共享关系信息均可以为策略节点配置集。
本实施例中,对总交互共享属性和目标节点交互共享属性进行属性融合,可以得到包含总特征和单元特征的目标交互共享信息,该目标交互共享信息包括目标热点交互共享关系信息和目标非热点交互共享关系信息。
一种可替代的方案中,本步骤基于热点交互共享策略对总交互共享属性和目标节点交互共享属性进行属性融合得到目标热点交互共享关系信息,基于非热点交互共享策略对总交互共享属性和目标节点交互共享属性进行属性融合得到目标非热点交互共享关系信息。
一种可替代的方案中,可以对总交互共享属性也进行交互共享网关补充处理,并对交互共享网关补充处理之后的总交互共享属性与目标节点交互共享属性进行属性融合,得到对应的目标热点交互共享关系信息和目标非热点交互共享关系信息。
步骤S1144,根据目标热点交互共享关系信息和目标非热点交互共享关系信息进行交互共享模型更新处理,得到目标交互共享模型,并将目标交互共享模型对待交互共享接口进行交互共享。
基于上述步骤,本实施例根据业务特征数据分别获取交互通道基于热点交互共享策略和非热点交互共享策略的总交互共享属性和初始节点交互共享属性,并对初始节点交互共享属性进行交互共享网关补充处理,得到目标节点交互共享属性,分别基于热点交互共享策略和非热点交互共享策略,对总交互共享属性和目标节点交互共享属性进行属性融合,得到交互共享网关补充的目标热点交互共享关系信息和目标非热点交互共享关系信息,从而使得根据目标热点交互共享关系信息和目标非热点交互共享关系信息更新得到的目标交互共享模型,可以补充更多的交互共享网关方面的数据信息,提高后续交互共享效果。
在一种可能的实施方式中,针对步骤S1142,在对初始节点交互共享属性进行交互共享网关补充处理,得到目标节点交互共享属性的流程中,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S11421,获取初始节点交互共享属性的交互共享网关描述信息。
子步骤S11422,从预先配置的交互共享网关描述信息预设集合中匹配与交互共享网关描述信息存在关联关系的目标交互共享网关描述信息。
本实施例中,存在关联关系可以是指存在层级关系或者并列关系,如针对交互共享网关A而言,与其存在关联关系的目标交互共享网关可以是指交互共享网关A1上一层级下的其它交互共享网关A2、交互共享网关A3等,交互共享网关A1可以与交互共享网关A2、交互共享网关A3存在并列关系,或者交互共享网关A1的上一层级的交互共享网关A也可以是与其存在关联关系的目标交互共享网关。
子步骤S11423,根据目标交互共享网关描述信息对初始节点交互共享属性进行与目标交互共享网关描述信息匹配的交互共享属性的补充,获得目标节点交互共享属性。
本实施例中,可以将该交互共享服务对应的目标交互共享网关描述信息的匹配的交互共享属性补充到初始节点交互共享属性,获得目标节点交互共享属性。
在一种可能的实施方式中,交互通道可以为特定权限交互通道,目标节点交互共享属性可以包括特定权限交互对象的关键交互共享目标对应的关键交互共享目标交互共享属性。这样,在步骤S1143中,可以分别对各个关键交互共享目标交互共享属性的补充属性分区进行交互属性统一,以得到与总交互共享属性的属性内容相同的统一关键交互共享目标交互共享属性,将各个统一关键交互共享目标交互共享属性进行合并,得到特定权限交互对象的节点交互共享属性,分别基于热点交互共享策略和非热点交互共享策略,对总交互共享属性和特定权限交互对象的节点交互共享属性进行属性融合,得到目标热点交互共享关系信息和目标非热点交互共享关系信息。
再例如,在另一种可能的实施方式中,总交互共享属性包括总热点交互共享策略的交互共享属性和总非热点交互共享策略的交互共享属性,目标节点交互共享属性包括节点热点交互共享策略的交互共享属性和单元非热点交互共享策略的交互共享属性。这样,在步骤S1143中,可以对总热点交互共享策略的交互共享属性和节点热点交互共享策略的交互共享属性进行属性融合,对属性融合的交互共享属性进行配置以对总热点交互共享策略特征和节点热点交互共享策略特征进行整合,得到目标热点交互共享关系信息,在各个交互共享启用流程内对总非热点交互共享策略的交互共享属性和单元非热点交互共享策略的交互共享属性进行属性融合,对各个交互共享启用流程属性融合的交互共享属性进行配置以对总非热点交互共享策略特征和单元非热点交互共享策略特征进行整合,得到目标非热点交互共享关系信息。
其中,总交互共享属性和目标节点交互共享属性均可对应有至少一个交互共享启用流程,这样,可以在各个交互共享启用流程内对总热点交互共享策略的交互共享属性和节点热点交互共享策略的交互共享属性进行属性融合,对各个交互共享启用流程属性融合的交互共享属性进行配置以对总热点交互共享策略特征和节点热点交互共享策略特征进行整合,得到目标热点交互共享关系信息。
在一种可能的实施方式中,针对步骤S1141,在获取交互通道的业务特征数据的流程中,可以对交互通道进行逐数据项目的交互共享特征提取,然后根据逐数据项目的交互共享特征提取的结果得到交互通道的热点交互共享策略特征信息和非热点交互共享策略特征信息,作为业务特征数据。
在一种可能的实施方式中,仍旧针对步骤S1141,在根据业务特征数据,分别获取交互通道基于热点交互共享策略和非热点交互共享策略的总交互共享属性和初始节点交互共享属性的流程中,可以由总交互共享引用网络根据业务特征数据对交互通道进行交互共享引用,得到总交互共享属性,并由单元交互共享引用网络根据业务特征数据对交互通道进行交互共享引用,得到初始节点交互共享属性。
其中,单元交互共享引用网络可以包括特定权限交互对象的关键交互共享目标交互共享引用网络。交互共享引用是指从原始的交互共享记录数据日志中捕捉出对应关键交互共享目标的交互共享属性,具体可以参照现有技术中的数据定位和引用方案,此次不作限定。
这样,在由单元交互共享引用网络根据业务特征数据对交互通道进行交互共享引用,得到初始节点交互共享属性的过程中,可以由特定权限交互对象的关键交互共享目标交互共享引用网络,根据业务特征数据对交互通道进行交互共享引用,将得到的关键交互共享目标交互共享属性确定为初始节点交互共享属性。
在一种可能的实施方式中,针对步骤S1144,在根据目标热点交互共享关系信息和目标非热点交互共享关系信息进行交互共享模型更新处理,得到目标交互共享模型的流程中,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S11441,将目标热点交互共享关系信息和目标非热点交互共享关系信息按照每个交互共享节点组合关联为目标交互共享关系信息,获取目标交互共享关系信息所包括的至少两个交互共享节点,获取至少两个交互共享节点中的每个交互共享节点的交互共享特征信息。
子步骤S11442,基于每个交互共享节点的交互共享特征信息,确定针对目标交互共享关系信息的总加权交互共享特征信息。
子步骤S11443,基于每个交互共享节点的交互共享特征信息在交互共享分布标签上的交互共享特征标签分量,确定目标交互共享关系信息在交互共享分布标签上的分布式交互共享特征信息。
子步骤S11444,根据总加权交互共享特征信息和分布式交互共享特征信息,确定目标交互共享关系信息针对与交互共享分布标签相关联的交互共享调用操作的深度学习交互共享模型,基于深度学习交互共享模型进行交互共享模型更新处理,得到目标交互共享模型,并将目标交互共享模型对待交互共享接口进行交互共享。
如此,可以根据目标交互共享关系信息的分布式交互共享特征信息与总加权交互共享特征信息之间的关系来确定对目标交互共享关系信息相关的深度学习交互共享模型,从而进行交互共享模型更新,便于对交互共享模型进行多重安全交互共享系统之间的交互共享配合规则的迭代更新,进而提高交互共享效果。
在一种可能的实施方式中,针对子步骤S11442,可以通过以下示例性的实施方式来实现:
(1)获取每个交互共享节点的交互共享特征信息分别包括的结构化交互共享分布标签的分布特征加权分量非结构化交互共享分布标签的分布特征分量。
(2)基于每个交互共享节点分别对应的结构化交互共享分布标签的分布特征加权分量非结构化交互共享分布标签的分布特征分量,确定每个交互共享节点分别对应的单元分布特征分量分布。
(3)根据每个交互共享节点分别对应的单元分布特征分量分布、以及至少两个交互共享节点的节点数量,确定总加权交互共享特征信息。
在一种可能的实施方式中,交互共享分布标签可以包括结构化交互共享分布标签,每个交互共享节点的交互共享特征信息在交互共享分布标签上的交互共享特征标签分量,包括结构化交互共享分布标签的分布特征分量。
这样,针对子步骤S11443,可以通过以下示例性的实施方式来实现:
(1)获取每个交互共享节点的交互共享特征信息分别在结构化交互共享分布标签上的结构化交互共享分布标签的分布特征分量。
(2)根据每个交互共享节点分别在结构化交互共享分布标签上的结构化交互共享分布标签的分布特征分量,确定每个交互共享节点分别对应的结构化交互共享分布标签值。
(3)根据每个交互共享节点分别对应的结构化交互共享分布标签值、以及至少两个交互共享节点的节点数量,确定分布式交互共享特征信息。
在一种可能的实施方式中,交互共享分布标签还可以包括非结构化交互共享分布标签,每个交互共享节点的交互共享特征信息在交互共享分布标签上的交互共享特征标签分量,包括非结构化交互共享分布标签的分布特征分量。
这样,针对子步骤S11443,可以通过以下示例性的实施方式来实现:
(4)获取每个交互共享节点的交互共享特征信息分别在非结构化交互共享分布标签上的非结构化交互共享分布标签的分布特征分量。
(5)根据每个交互共享节点分别在非结构化交互共享分布标签上的非结构化交互共享分布标签的分布特征分量,确定每个交互共享节点分别对应的非结构化交互共享分布标签值。
(6)根据每个交互共享节点分别对应的非结构化交互共享分布标签值、以及至少两个交互共享节点的节点数量,确定分布式交互共享特征信息。
图3为本公开实施例提供的基于人工智能的大数据可视化管理装置300的功能模块示意图,本实施例可以根据上述高校管理平台服务器100执行的方法实施例对该基于人工智能的大数据可视化管理装置300进行功能模块的划分,也即该基于人工智能的大数据可视化管理装置300所对应的以下各个功能模块可以用于执行上述高校管理平台服务器100执行的各个方法实施例。其中,该基于人工智能的大数据可视化管理装置300可以包括获取模块310、提取模块320、融合模块330以及确定模块340,下面分别对该基于人工智能的大数据可视化管理装置300的各个功能模块的功能进行详细阐述。
获取模块310,用于获取高校管理微服务数据所对应的数据交互共享类别,并接收针对高校管理微服务数据的目标可视化处理指令;目标可视化处理指令中包括初始可视化页面、当前可视化页面和待共享展示页面,初始可视化页面中包括数据交互共享类别对应的目标数据交互共享对象。其中,获取模块310可以用于执行上述的步骤S110,关于获取模块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。
提取模块320,用于响应于目标可视化处理指令,根据数据交互共享类别对初始可视化页面、当前可视化页面和待共享展示页面对应的待共享分区分别进行特征提取,对应得到初始分区特征、当前分区特征和待跟踪分区特征;待共享分区中包括至少两个功能分区。其中,提取模块320可以用于执行上述的步骤S120,关于提取模块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
融合模块330,用于对初始分区特征和当前分区特征进行融合,得到融合特征。其中,融合模块330可以用于执行上述的步骤S130,关于融合模块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。
确定模块340,用于对融合特征和待跟踪分区特征进行关联映射处理,得到每一功能分区与目标数据交互共享对象之间的功能关联度,并根据功能关联度,在至少两个功能分区中确定目标可视化处理指令的可视化处理结果,并输出可视化处理结果。其中,确定模块340可以用于执行上述的步骤S140,关于确定模块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,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人工智能的大数据可视化管理方法的高校管理平台服务器100的硬件结构示意图,如图4所示,高校管理平台服务器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中所示的基于人工智能的大数据可视化管理装置300包括的获取模块310、提取模块320、融合模块330以及确定模块340),使得处理器110可以执行如上方法实施例的基于人工智能的大数据可视化管理方法,其特征在于,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,从而可以与前述的高校管理终端200进行数据收发。
处理器110的具体实现过程可参见上述高校管理平台服务器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)总线或补充工业标准体系结构(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,实现如上基于人工智能的大数据可视化管理方法。
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 (8)
1.一种基于人工智能的大数据可视化管理方法,其特征在于,应用于高校管理平台服务器,所述高校管理平台服务器与多个高校管理终端通信连接,所述方法包括:
获取高校管理微服务数据所对应的数据交互共享类别,并接收针对所述高校管理微服务数据的目标可视化处理指令;所述目标可视化处理指令中包括初始可视化页面、当前可视化页面和待共享展示页面,所述初始可视化页面中包括所述数据交互共享类别对应的目标数据交互共享对象;
响应于所述目标可视化处理指令,根据所述数据交互共享类别对所述初始可视化页面、所述当前可视化页面和所述待共享展示页面对应的待共享分区分别进行特征提取,对应得到初始分区特征、当前分区特征和待跟踪分区特征;所述待共享分区中包括至少两个功能分区;
对所述初始分区特征和所述当前分区特征进行融合,得到融合特征;
对所述融合特征和所述待跟踪分区特征进行关联映射处理,得到每一所述功能分区与所述目标数据交互共享对象之间的功能关联度,并根据所述功能关联度,在所述至少两个功能分区中确定所述目标可视化处理指令的可视化处理结果,并输出所述可视化处理结果;
其中,所述方法还包括:
获取当前可视化节点之前且与所述当前可视化节点相邻的历史可视化节点的历史可视化页面、和根据所述历史可视化节点的可视化处理结果确定的历史可视化页面;
根据所述历史可视化页面和所述历史可视化页面,确定所述当前可视化页面;
其中,所述方法还包括:
在对所述待共享分区进行可视化共享之前的初始化阶段,对当前可视化节点之前且与所述当前可视化节点相邻的历史可视化节点的历史可视化页面进行初始化处理,得到初始化可视化页面;
将所述初始化可视化页面确定为所述初始可视化页面。
2.根据权利要求1所述的基于人工智能的大数据可视化管理方法,其特征在于,所述对所述初始分区特征和所述当前分区特征进行融合,得到融合特征的步骤,包括:
获取所述初始分区特征的第一配置属性、和所述当前分区特征的第二配置属性;
根据所述第一配置属性和所述第二配置属性,确定所述初始分区特征与所述当前分区特征之间的配置匹配度分布;
获取所述当前分区特征的第三配置属性和第一融合参数,根据所述配置匹配度分布、所述第三配置属性和所述第一融合参数,确定配置融合特征在每一维度上的值,以得到配置融合特征;
获取所述初始分区特征的第一分区属性、和所述当前分区特征的第二分区属性;
根据所述第一分区属性和所述第二分区属性,确定所述初始分区特征与所述当前分区特征之间的分区匹配度分布;
获取所述当前分区特征的第三分区属性和第二融合参数,根据所述分区匹配度分布、所述第三分区属性和所述第二融合参数,确定业务融合特征在每一维度上的特征值,以得到业务融合特征;
获取所述初始分区特征,对所述初始分区特征、所述配置融合特征和所述业务融合特征的每一相应节点的特征分量进行加权,得到对应节点的特征加权分量;
根据全部节点的特征加权分量,确定所述融合特征。
3.根据权利要求1所述的基于人工智能的大数据可视化管理方法,其特征在于,所述初始可视化页面和所述当前可视化页面页面拼接形成一页面拼接可视化页面,所述融合特征是所述页面拼接可视化页面的分区特征表示;
所述对所述融合特征和所述待跟踪分区特征进行关联映射处理,得到每一所述功能分区与所述目标数据交互共享对象之间的功能关联度,包括:
确定每一所述功能分区在所述待跟踪分区特征中对应的子分区特征
在所述待共享分区中,通过更新所述页面拼接可视化页面,以确定每一所述功能分区与所述目标数据交互共享对象之间的所述功能关联度。
4.根据权利要求1所述的基于人工智能的大数据可视化管理方法,其特征在于,所述根据所述功能关联度,在所述至少两个功能分区中确定所述目标可视化处理指令的可视化处理结果,包括:
根据所述功能关联度,在所述至少两个功能分区中确定所述目标数据交互共享对象所在的目标功能分区;
将所述目标功能分区确定为所述目标可视化处理指令的可视化处理结果。
5.根据权利要求4所述的基于人工智能的大数据可视化管理方法,其特征在于,所述方法还包括:
根据每一所述功能分区与所述目标数据交互共享对象之间的所述功能关联度,确定每一所述功能分区的展示重要性程度;其中,所述功能关联度越高,对应功能分区的所述展示重要性程度越大;
根据所述展示重要性程度,构建与所述待共享分区对应的重要性程度图谱;
对应地,所述根据所述功能关联度,在所述至少两个功能分区中确定所述目标数据交互共享对象所在的目标功能分区,包括:
在所述重要性程度图谱中,将最大展示重要性程度所对应的功能分区,确定为所述目标功能分区。
6.根据权利要求1所述的基于人工智能的大数据可视化管理方法,其特征在于,所述方法还包括:
采用可视化页面特征提取模型进行所述特征提取、所述融合和所述关联映射处理,以得到所述待共享分区中的每一所述功能分区与所述目标数据交互共享对象之间的功能关联度;
其中,所述可视化页面特征提取模型采用以下步骤进行训练:
将标定初始可视化页面、标定可视化页面和标定共享展示页面输入至所述可视化页面特征提取模型中;所述标定初始可视化页面中包括标定目标数据交互共享对象;
通过所述可视化页面特征提取模型中的特征提取网络,对所述标定初始可视化页面、所述标定可视化页面和所述标定共享展示页面分别进行特征提取,对应得到标定初始分区特征、标定分区特征和标定跟踪分区特征;
通过所述可视化页面特征提取模型中的配置特征页面拼接网络,对所述标定初始分区特征和所述标定分区特征进行配置特征融合,得到标定配置融合特征;
通过所述可视化页面特征提取模型中的业务特征页面拼接网络,对所述标定初始分区特征和所述标定分区特征进行业务特征融合,得到标定业务融合特征;
通过所述可视化页面特征提取模型中的页面拼接特征融合单元,对所述标定配置融合特征和所述标定业务融合特征进行融合,得到标定融合特征;
通过所述可视化页面特征提取模型中的关联映射处理单元,对所述标定融合特征和所述标定跟踪分区特征进行关联映射处理,得到所述标定共享展示页面中的每一子标定区域与所述标定目标数据交互共享对象之间的标定功能关联度;
将每一子标定区域的所述标定功能关联度输入至预设差异函数网络中,得到差异计算值;
根据所述差异计算值,对所述特征提取网络、所述配置特征页面拼接网络和所述业务特征页面拼接网络中的权重参数进行更新,得到更新后的可视化页面特征提取模型。
7.根据权利要求1-6中任意一项所述的基于人工智能的大数据可视化管理方法,其特征在于,所述获取高校管理微服务数据所对应的数据交互共享类别的步骤,包括:
获取待交互共享的高校管理微服务数据,并获取所述高校管理微服务数据所关联的多个高校管理业务通道的业务通道对象信息;
解析所述业务通道对象信息为相应的业务通道标签序列,将所述业务通道标签序列输入已配置的交互解析模型中的对应交互分析模块;其中,每个交互分析模块至少包含一个分析程序层,每个交互分析模块的分析程序层处理一个高校管理业务通道相应的业务通道标签序列;
通过所述交互解析模型中的分类模块,根据多个所述交互分析模块所输出的交互分析特征进行分类,输出所述高校管理微服务数据所对应的数据交互共享类别;
根据所述高校管理微服务数据所对应的数据交互共享类别,对所述高校管理微服务数据进行大数据交互共享。
8.一种基于人工智能的大数据可视化管理系统,其特征在于,所述基于人工智能的大数据可视化管理系统包括高校管理平台服务器以及与所述高校管理平台服务器通信连接的多个高校管理终端;
所述高校管理平台服务器,用于:
获取高校管理微服务数据所对应的数据交互共享类别,并接收针对所述高校管理微服务数据的目标可视化处理指令;所述目标可视化处理指令中包括初始可视化页面、当前可视化页面和待共享展示页面,所述初始可视化页面中包括所述数据交互共享类别对应的目标数据交互共享对象;
响应于所述目标可视化处理指令,根据所述数据交互共享类别对所述初始可视化页面、所述当前可视化页面和所述待共享展示页面对应的待共享分区分别进行特征提取,对应得到初始分区特征、当前分区特征和待跟踪分区特征;所述待共享分区中包括至少两个功能分区;
对所述初始分区特征和所述当前分区特征进行融合,得到融合特征;
对所述融合特征和所述待跟踪分区特征进行关联映射处理,得到每一所述功能分区与所述目标数据交互共享对象之间的功能关联度,并根据所述功能关联度,在所述至少两个功能分区中确定所述目标可视化处理指令的可视化处理结果,并输出所述可视化处理结果;
其中,所述高校管理平台服务器,还用于:
获取当前可视化节点之前且与所述当前可视化节点相邻的历史可视化节点的历史可视化页面、和根据所述历史可视化节点的可视化处理结果确定的历史可视化页面;
根据所述历史可视化页面和所述历史可视化页面,确定所述当前可视化页面;
其中,所述高校管理平台服务器,还用于:
在对所述待共享分区进行可视化共享之前的初始化阶段,对当前可视化节点之前且与所述当前可视化节点相邻的历史可视化节点的历史可视化页面进行初始化处理,得到初始化可视化页面;
将所述初始化可视化页面确定为所述初始可视化页面。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110141491.1A CN112732398B (zh) | 2021-02-02 | 2021-02-02 | 一种基于人工智能的大数据可视化管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110141491.1A CN112732398B (zh) | 2021-02-02 | 2021-02-02 | 一种基于人工智能的大数据可视化管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112732398A CN112732398A (zh) | 2021-04-30 |
CN112732398B true CN112732398B (zh) | 2021-08-20 |
Family
ID=75595424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110141491.1A Active CN112732398B (zh) | 2021-02-02 | 2021-02-02 | 一种基于人工智能的大数据可视化管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112732398B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070130318A1 (en) * | 2005-11-02 | 2007-06-07 | Christopher Roast | Graphical support tool for image based material |
CN108280644B (zh) * | 2018-01-10 | 2021-08-03 | 华控清交信息科技(北京)有限公司 | 群组成员关系数据可视化方法及系统 |
CN110532188B (zh) * | 2019-08-30 | 2021-06-29 | 北京三快在线科技有限公司 | 页面展示测试的方法和装置 |
CN111506310B (zh) * | 2020-03-24 | 2024-04-05 | 深圳赛安特技术服务有限公司 | 生成多平台样式的方法、装置、设备及存储介质 |
CN111984891A (zh) * | 2020-08-07 | 2020-11-24 | 游艺星际(北京)科技有限公司 | 页面展示方法、装置、电子设备和存储介质 |
-
2021
- 2021-02-02 CN CN202110141491.1A patent/CN112732398B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112732398A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10719301B1 (en) | Development environment for machine learning media models | |
US20230195845A1 (en) | Fast annotation of samples for machine learning model development | |
EP3869385B1 (en) | Method for extracting structural data from image, apparatus and device | |
CN110554958B (zh) | 图数据库测试方法、系统、设备和存储介质 | |
WO2020144508A1 (en) | Representative-based metric learning for classification and few-shot object detection | |
CN112711578B (zh) | 用于云计算业务的大数据去噪方法及云计算金融服务器 | |
US11562179B2 (en) | Artificial intelligence system for inspecting image reliability | |
CN113657202B (zh) | 构件识别方法、构建训练集方法、装置、设备及存储介质 | |
CN111178196B (zh) | 一种细胞分类的方法、装置及设备 | |
CN115546525A (zh) | 多视图聚类方法、装置、电子设备及存储介质 | |
CN115964432A (zh) | 基于大数据可视化的用户操作异常分析方法及系统 | |
CN112711580B (zh) | 用于云计算业务的大数据挖掘方法及云计算金融服务器 | |
CN112764839B (zh) | 一种用于管理服务平台的大数据配置方法及系统 | |
CN113282421A (zh) | 基于人工智能和云计算的业务分析方法及人工智能服务器 | |
CN117475253A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN112732398B (zh) | 一种基于人工智能的大数据可视化管理方法及系统 | |
CN117313141A (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
CN112967138A (zh) | 基于区块链和云计算的信息推送方法及信息推送系统 | |
Wang et al. | LiDAR–camera fusion for road detection using a recurrent conditional random field model | |
CN114915446A (zh) | 一种融合先验知识的智能网络安全检测方法 | |
CN115878989A (zh) | 模型训练方法、装置及存储介质 | |
CN112927004A (zh) | 用于大数据画像的信息云计算分析方法及信息推送服务器 | |
CN112182413A (zh) | 一种基于教学大数据的智能推荐方法及服务器 | |
CN116996403B (zh) | 应用ai模型的网络流量诊断方法及系统 | |
CN113537363B (zh) | 一种异常对象检测方法及装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
PP01 | Preservation of patent right | ||
PP01 | Preservation of patent right |
Effective date of registration: 20230919 Granted publication date: 20210820 |