CN112818186A - 信息跟踪方法、装置、电子设备及存储介质 - Google Patents
信息跟踪方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112818186A CN112818186A CN202110087208.1A CN202110087208A CN112818186A CN 112818186 A CN112818186 A CN 112818186A CN 202110087208 A CN202110087208 A CN 202110087208A CN 112818186 A CN112818186 A CN 112818186A
- Authority
- CN
- China
- Prior art keywords
- tracking
- analysis result
- feedback
- information
- group
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 156
- 230000001149 cognitive effect Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009193 crawling Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000019771 cognition Effects 0.000 description 26
- 230000006870 function Effects 0.000 description 10
- 241000220225 Malus Species 0.000 description 8
- 235000013399 edible fruits Nutrition 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000750 progressive effect Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 235000021016 apples Nutrition 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
- G06F16/903—Querying
- G06F16/9038—Presentation of query results
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域,提供一种信息跟踪方法、装置、电子设备及存储介质,所述方法包括:接收客户端发送的第一跟踪问题,根据第一跟踪问题获取第一跟踪群体;根据第一跟踪问题和第一跟踪群体创建第一跟踪问题的星型结构;根据星型结构采集第一跟踪群体中每个成员的反馈结果,确定得到第一跟踪问题的多个第一反馈结果;基于多个第一反馈结果进行共同认知分析,得到第一跟踪问题对应的第一分析结果;通过星型结构将第一分析结果发送至第一跟踪群体的每个成员。本发明根据多个第一反馈结果进行共同认知分析,得到跟踪问题的第一分析结果,避免得到的反馈结果不被认可的现象,提高了信息跟踪的准确率。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种信息跟踪方法、装置、电子设备及存储介质。
背景技术
信息跟踪是实际生活中常见的信息获取途径,现有技术主要提供的是基于碎片堆积形式的搜索服务,信息跟踪得到的同质化信息多,信息结构随意性严重,并且信息跟踪服务的各个参与群体相互之间不信任,得到的跟踪信息的反馈结果片面,认可度低,导致跟踪信息的反馈结果准确率低,发送效率低下。
发明内容
鉴于以上内容,有必要提出一种信息跟踪方法、装置、电子设备及存储介质,根据多个第一反馈结果进行共同认知分析,得到跟踪问题的第一分析结果,避免得到的反馈结果不被认可的现象,提高了信息跟踪的准确率。
本发明的第一方面提供一种信息跟踪方法,所述方法包括:
接收客户端发送的第一跟踪问题,根据所述第一跟踪问题获取第一跟踪群体;
根据所述第一跟踪问题和所述第一跟踪群体创建所述第一跟踪问题的星型结构;
根据所述星型结构采集所述第一跟踪群体中每个成员的反馈结果,确定得到所述第一跟踪问题的多个第一反馈结果;
基于所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果;
通过所述星型结构将所述第一分析结果发送至所述第一跟踪群体的每个成员。
可选的,所述基于所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果包括:
对所述多个第一反馈结果进行去重处理得到多个第二反馈结果;
按照预设的投票方法对所述多个第二反馈结果进行投票,确定所述第一跟踪问题对应的第一投票数;
将所述第一跟踪问题对应的第一投票数与预设的票数阈值进行比较;
当所述第一跟踪问题对应的投票数小于或者等于所述预设的票数阈值时,计算每个第二反馈结果的第二投票数;
对所述第二投票数进行降序排序,从排序结果中选取排序在前的预设数量的第二反馈结果作为所述第一跟踪问题对应的第一分析结果。
可选的,所述方法还包括:
当接收到对所述星型结构的跟踪分支节点的跟踪请求时,解析所述跟踪请求获得目标跟踪问题;
基于所述目标跟踪问题获取第二跟踪群体,采集所述第二跟踪群体中每个成员的预设数量的反馈结果,得到多个第三反馈结果;
基于所述多个第三反馈结果进行共同认知分析,得到所述目标跟踪问题对应的第二分析结果;
判断所述第二分析结果是否满足预设的生成新的星型结构条件;
当所述第二分析结果满足预设的生成新的星型结构条件时,确定生成新的星型结构。
可选的,所述判断所述第二分析结果是否满足预设的生成新的星型结构条件包括:
获取所述目标跟踪问题的第三投票数;
按照预设的权重计算规则对所述第三投票数进行计算得到目标权重阈值;
计算所述第二分析结果中每个第三反馈结果的投票权重;
将所述目标权重阈值与所述第二分析结果中每个第三反馈结果的投票权重进行比较;
当所述第二分析结果中每个第三反馈结果的投票权重大于或者等于所述目标权重阈值时,确定所述第二分析结果满足所述预设的生成新的星型结构条件。
可选的,所述确定生成新的星型结构包括:
将所述跟踪分支节点转换为目标跟踪问题的中央节点;
将所述第二跟踪群体的每个成员转换为所述目标跟踪问题的中央节点的分支节点;
将所述目标跟踪问题的中央节点分别与所述目标跟踪问题的中央节点的分支节点进行连线生成所述目标跟踪问题对应的新的星型结构。
可选的,在所述确定生成新的星型结构之后,所述方法还包括:
将所述第二分析结果发送至所述第一跟踪群体的每个成员;和/或
将所述第二分析结果发送至所述第二跟踪群体的每个成员。
可选的,所述根据所述第一跟踪问题获取第一跟踪群体包括:
提取所述第一跟踪问题中的多个关键字段;
基于所述多个关键字段采用网络爬虫技术从多个预设的数据源中进行爬取得到第一数据;
对所述第一数据进行预处理得到第二数据;
从所述第二数据中提取多个特征属性,将所述多个特征属性输入至预先训练好的群体分类模型中得到第一跟踪群体标识;
根据所述第一跟踪群体标识确定第一跟踪群体。
本发明的第二方面提供一种信息跟踪装置,所述装置包括:
接收模块,用于接收客户端发送的第一跟踪问题,根据所述第一跟踪问题获取第一跟踪群体;
创建模块,用于根据所述第一跟踪问题和所述第一跟踪群体创建所述第一跟踪问题的星型结构;
确定模块,用于根据所述星型结构采集所述第一跟踪群体中每个成员的反馈结果,确定得到所述第一跟踪问题的多个第一反馈结果;
分析模块,用于基于所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果;
发送模块,用于通过所述星型结构将所述第一分析结果发送至所述第一跟踪群体的每个成员。
本发明的第三方面提供一种电子设备,所述电子设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现所述的信息跟踪方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述的信息跟踪方法。
综上所述,本发明所述的信息跟踪方法、装置、电子设备及存储介质,一方面,基于所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果,由于所述第一分析结果代表大部分成员对所述待跟踪问题的共同认知的反馈结果,避免所述跟踪问题对应的反馈结果为每个成员的个体反馈结果出现对所述个体反馈结果不认可的现象,提高了所述信息跟踪的准确率;另一方面,通过所述星型结构将所述第一分析结果发送至所述第一跟踪群体的每个成员,提高了跟踪信息发送的效率;最后,通过在生成新的星型结构之后,将所述第二分析结果发送至所述第一跟踪群体的每个成员和所述第二跟踪群体的每个成员,采用递进连接的关系进行信息跟踪,有效减少了重复信息的跟踪发送,提高了信息跟踪的效率,并且将新的星型结构的第二分析结构反馈至所述第一跟踪群体的每个成员,第一跟踪群体的每个成员被动的接收发送的更深层次的知识,提高了信息跟踪的多样性。
附图说明
图1是本发明实施例一提供的信息跟踪方法的流程图。
图2是本发明实施例二提供的信息跟踪装置的结构图。
图3是本发明实施例三提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
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。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例一
图1是本发明实施例一提供的信息跟踪方法的流程图。
在本实施例中,所述信息跟踪方法可以应用于电子设备中,对于需要进行信息跟踪的电子设备,可以直接在电子设备上集成本发明的方法所提供的信息跟踪的功能,或者以软件开发工具包(Software Development Kit,SKD)的形式运行在电子设备中。
如图1所示,所述信息跟踪方法具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略。
S11,接收客户端发送的第一跟踪问题,根据所述第一跟踪问题获取第一跟踪群体。
本实施例中,所述第一跟踪问题是指用于进行信息跟踪的信息标识,所述第一跟踪群体是指对所述第一跟踪问题感兴趣的群体,具体地,所述根据所述第一跟踪问题获取第一跟踪群体包括:
提取所述第一跟踪问题中的多个关键字段;
基于所述多个关键字段采用网络爬虫技术从多个预设的数据源中进行爬取得到第一数据;
对所述第一数据进行预处理得到第二数据;
从所述第二数据中提取多个特征属性,将所述多个特征属性输入至预先训练好的群体分类模型中得到第一跟踪群体标识;
根据所述第一跟踪群体标识确定第一跟踪群体。
本实施例中,每个跟踪问题中包含有多个关键字段,根据所述多个关键字段采用网络爬虫技术进行数据爬取,并将爬取到的第一数据进行预处理得到第二数据,具体地,所述预处理包括去重、格式转换等,所述群体分类模型的预先训练好的,并且所述群体分类模型不断的进行更新,将所述第二数据中的多个特征属性输入至预先训练好的群体分类模型中得到第一跟踪群体标识,根据所述第一跟踪群体标识确定第一跟踪群体,提高了得到第一跟踪群体的准确率。
S12,根据所述第一跟踪问题和所述第一跟踪群体创建所述第一跟踪问题的星型结构。
本实施例中,星型结构是指通常采用集线器或交换机作为网络的中央节点,网络中的每一台计算机都通过网卡连接到中央节点,计算机之间通过中央节点进行信息交换,各节点呈星状分布,本实施例所述的星型结构是根据所述第一跟踪问题和所述第一跟踪群体创建所述第一跟踪问题的星型结构,具体地,所述星型结构的构建过程包括:
将所述第一跟踪问题转换为对应的星型结构的中央节点;
将所述第一跟踪群体的每个成员转换为对应的星型结构的中央节点的分支节点;
根据所述星型结构的中央节点和所述星型结构的中央节点的分支节点创建所述第一跟踪问题的星型结构。
本实施例中,通过将所述第一跟踪问题转换为对应的星型结构的中央节点,将所述第一跟踪群体的每个成员转换为对应的星型结构的中央节点的分支节点,进行连线构建所述第一跟踪问题对应的星型结构,根据所述星型结构针对所述第一跟踪问题进行跟踪信息的交互,提高了跟踪信息传输过程的安全性。
S13,根据所述星型结构采集所述第一跟踪群体中每个成员的反馈结果,确定得到所述第一跟踪问题的多个第一反馈结果。
本实施例中,所述多个第一反馈结果是对所述星型结构的分支节点对应的成员的反馈结果进行采集,每个成员的反馈结果的数量可以相同,也可以不同。
S14,基于所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果。
本实施例中,所述共同认知是指多个客户对同一个跟踪问题的共同认知,根据所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果,例如,针对的第一跟踪问题为:苹果是一种水果吗?通过对所述第一跟踪群体的多个反馈结果进行共同认知分析得到第一分析结果为:苹果是一种水果。
可选地,所述基于所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果包括:
对所述多个第一反馈结果进行去重处理得到多个第二反馈结果;
按照预设的投票方法对所述多个第二反馈结果进行投票,确定所述第一跟踪问题对应的第一投票数;
将所述第一跟踪问题对应的第一投票数与预设的票数阈值进行比较;
当所述第一跟踪问题对应的投票数小于或者等于所述预设的票数阈值时,计算每个第二反馈结果的第二投票数;
对所述第二投票数进行降序排序,从排序结果中选取排序在前的预设数量的第二反馈结果作为所述第一跟踪问题对应的第一分析结果。
本实施例中,在得到所述第一跟踪群体反馈的多个第一反馈结果之后,需要对所述多个第一反馈结果进行去重处理,减少数据,提高所述信息跟踪的跟踪效率。
本实施例中,对去重处理后的多个第二反馈结果进行投票,根据投票结果确定所述第一跟踪问题对应的第一分析结果,在投票过程中,所述投票方法可以预先设置,例如,每个成员一次可以投5票。
示例性地,针对的第一跟踪问题为:苹果是一种水果吗?提取对关键字段:“苹果”和“水果”感兴趣的第一跟踪群体,所述第一跟踪群体的每个成员反馈的第一反馈结果可能为“是”“不是”等其他反馈结果,根据反馈的多个第二反馈结果进行投票,确定所述第一跟踪问题对应的第一分析结果。
本实施例中,通过验证投票数量分析投票过程中是否出现异常,提高了得到所述第一跟踪问题对应的第一投票数的准确率。
本实施例中,每个第二反馈结果对应的投票越多,代表共同认知度越高,从所述投票结果中选取投票靠前的预设数据的第二反馈结果作为所述第一跟踪问题对应的第一分析结果,确定第一分析结果的共同认知度越高,提高了所述信息跟踪的准确率。
进一步地,所述方法还包括:
当所述第一跟踪问题对应的投票数大于所述预设的票数阈值时,确定所述第一跟踪问题对应的投票数异常;
当确定所述第一跟踪问题对应的投票数异常时,发送重新投票的指令至所述第一跟踪群体的每个成员。
本实施例中,通过对所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果,由于所述第一分析结果代表大部分成员对所述待跟踪问题的共同认知的反馈结果,避免所述跟踪问题对应的反馈结果为每个成员的个体反馈结果出现对所述个体反馈结果不认可的现象,提高了所述信息跟踪的准确率。
S15,通过所述星型结构将所述第一分析结果发送至所述第一跟踪群体的每个成员。
本实施例中,由于所述第一分析结果中包含有所述第一跟踪群体对所述第一个跟踪问题的共同认知,通过所述星型结构将所述第一分析结果发送至所述第一跟踪群体的每个成员,每个成员接收到的第一分析结果的时间同步,提高了所述信息跟踪的效率。
进一步地,所述方法还包括:
当监测到所述星型结构在预设时间段内未增加新的跟踪分支时,对所述星型结构进行版本化处理;
将版本化处理后的所述星型结构作为所述第一跟踪问题的知识源。
本实施例中,可以预先设置时间段,例如,可以预先设置的时间段为5天或者7天,当在7天后还未监测到所述星型结构未增加新的跟踪分支,或者未更新所述星型结构时,确定所述第一跟踪问题得到的第一分析结果的共同认知度高,对所述星型结构进行版本化处理,并将所述版本化处理后的所述星型结构作为所述第一跟踪问题的知识源,具体地,所述知识源可以作为公共数据,星型结构中的每个成员都可以读取所述知识源中的数据,避免了相同的跟踪问题重复跟踪的现象,提高了所述信息跟踪的发送度。
进一步地,所述方法还包括:
当接收到对所述星型结构的跟踪分支节点的跟踪请求时,解析所述跟踪请求获得目标跟踪问题;
基于所述目标跟踪问题获取第二跟踪群体,采集所述第二跟踪群体中每个成员的预设数量的反馈结果,得到多个第三反馈结果;
基于所述多个第三反馈结果进行共同认知分析,得到所述目标跟踪问题对应的第二分析结果;
判断所述第二分析结果是否满足预设的生成新的星型结构条件;
当所述第二分析结果满足预设的生成新的星型结构条件时,确定生成新的星型结构。
本实施例中,当客户对所述星型结构中的跟踪问题想要更进一步的跟踪时,向所述星型结构感兴趣的跟踪分支节点发送跟踪请求,解析所述跟踪请求获得目标跟踪问题,例如,针对的第一跟踪问题:“苹果是一种水果吗”,进一步提出了目标跟踪问题“苹果属于什么科”,基于所述目标跟踪问题增加新的对所述目标跟踪问题感兴趣的第二跟踪群体,根据所述第二跟踪群体的多个第三反馈结果进行共同认知分析,确定所述第二跟踪群体对所述目标跟踪问题的共同认知,在获得共同认知对应的第二分析结果时,判断所述第二分析结果是否满足预设的生成新的星型结构条件,根据判断结果确定是否在所述星型结构的基础上扩充新的星型结构,当确定第二分析结果满足预设的生成新的星型结构条件时,确定生成新的星型结构,并将所述新的星型结构与所述星型结构进行合并,形成新的知识群体,而新的知识群体可以无障碍的获取中心节点,即中心成员的知识库,从而有效减少重复的信息跟踪成本,不断地通过递进式的跟踪信息,提高了信息跟踪的准确性。
本实施例中,根据星型结构分支的质量,星型结构中的成员进行有效性反馈,定期进行信息跟踪的分支层级的剪枝操作,动态的维护当前跟踪信息的学习认知复杂度,方便新加入成员以最平滑的认知曲线进行认知。
进一步地,所述判断所述第二分析结果是否满足预设的生成新的星型结构条件包括:
获取所述目标跟踪问题的第三投票数;
按照预设的权重计算规则对所述第三投票数进行计算得到目标权重阈值;
计算所述第二分析结果中每个第三反馈结果的投票权重;
将所述目标权重阈值与所述第二分析结果中每个第三反馈结果的投票权重进行比较;
当所述第二分析结果中每个第三反馈结果的投票权重大于或者等于所述目标权重阈值时,确定所述第二分析结果满足所述预设的生成新的星型结构条件。
本实施例中,所述目标权重阈值不是预先设置的,是按照预设的权重计算规则对所述目标跟踪问题的第三投票数进行计算得到的,并将所述目标权重阈值与所述第二分析结果中的每个第三反馈结果的投票权重进行比对,根据比对结果确定是否满足预设的生成新的星型结构条件,提高了生成的星型结构的准确率。
进一步地,所述确定生成新的星型结构包括:
将所述跟踪分支节点转换为目标跟踪问题的中央节点;
将所述第二跟踪群体的每个成员转换为所述目标跟踪问题的中央节点的分支节点;
将所述目标跟踪问题的中央节点分别与所述目标跟踪问题的中央节点的分支节点进行连线生成所述目标跟踪问题对应的新的星型结构。
进一步地,在确定生成新的星型结构之后,所述方法还包括:
将所述第二分析结果发送至所述第一跟踪群体的每个成员;和/或
将所述第二分析结果发送至所述第二跟踪群体的每个成员。
本实施例中,通过在生成新的星型结构之后,将所述第二分析结果发送至所述第一跟踪群体的每个成员和所述第二跟踪群体的每个成员,采用递进连接的关系进行信息跟踪,有效减少了重复信息的跟踪发送,提高了信息跟踪的效率。并且将新的星型结构的第二分析结构反馈至所述第一跟踪群体的每个成员,第一跟踪群体的每个成员被动的接收发送的更深层次的知识,提高了信息跟踪的多样性。
进一步地,所述方法还包括:
当所述第二分析结果不满足预设的生成新的星型结构的生成条件时,删除所述目标跟踪问题。
本实施例中,当所述第二分析结果不满足预设的生成新的星型结构条件时,确定针对所述目标跟踪问题的共同认知度不高,得到的反馈结果的准确率不高,故不能将所述多个第三反馈结果作为所述目标跟踪问题的反馈信息进行发送,提高信息跟踪的准确率。
综上所述,本实施例所述的信息跟踪方法,通过接收客户端发送的第一跟踪问题,根据所述第一跟踪问题获取第一跟踪群体;根据所述第一跟踪问题和所述第一跟踪群体创建所述第一跟踪问题的星型结构;根据所述星型结构采集所述第一跟踪群体中每个成员的反馈结果,确定得到所述第一跟踪问题的多个第一反馈结果;基于所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果;通过所述星型结构将所述第一分析结果发送至所述第一跟踪群体的每个成员。
本实施例,一方面,基于所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果,由于所述第一分析结果代表大部分成员对所述待跟踪问题的共同认知的反馈结果,避免所述跟踪问题对应的反馈结果为每个成员的个体反馈结果出现对所述个体反馈结果不认可的现象,提高了所述信息跟踪的准确率;另一方面,通过所述星型结构将所述第一分析结果发送至所述第一跟踪群体的每个成员,提高了跟踪信息发送的效率;最后,通过在生成新的星型结构之后,将所述第二分析结果发送至所述第一跟踪群体的每个成员和所述第二跟踪群体的每个成员,采用递进连接的关系进行信息跟踪,有效减少了重复信息的跟踪发送,提高了信息跟踪的效率,并且将新的星型结构的第二分析结构反馈至所述第一跟踪群体的每个成员,第一跟踪群体的每个成员被动的接收发送的更深层次的知识,提高了信息跟踪的多样性。
实施例二
图2是本发明实施例二提供的信息跟踪装置的结构图。
在一些实施例中,所述信息跟踪装置20可以包括多个由程序代码段所组成的功能模块。所述信息跟踪装置20中的各个程序段的程序代码可以存储于电子设备的存储器中,并由所述至少一个处理器所执行,以执行(详见图1描述)信息跟踪的功能。
本实施例中,所述信息跟踪装置20根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:接收模块201、创建模块202、确定模块203、分析模块204、发送模块205、解析模块206及删除模块207。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
接收模块201,用于接收客户端发送的第一跟踪问题,根据所述第一跟踪问题获取第一跟踪群体。
本实施例中,所述第一跟踪问题是指用于进行信息跟踪的信息标识,所述第一跟踪群体是指对所述第一跟踪问题感兴趣的群体,具体地,所述接收模块201根据所述第一跟踪问题获取第一跟踪群体包括:
提取所述第一跟踪问题中的多个关键字段;
基于所述多个关键字段采用网络爬虫技术从多个预设的数据源中进行爬取得到第一数据;
对所述第一数据进行预处理得到第二数据;
从所述第二数据中提取多个特征属性,将所述多个特征属性输入至预先训练好的群体分类模型中得到第一跟踪群体标识;
根据所述第一跟踪群体标识确定第一跟踪群体。
本实施例中,每个跟踪问题中包含有多个关键字段,根据所述多个关键字段采用网络爬虫技术进行数据爬取,并将爬取到的第一数据进行预处理得到第二数据,具体地,所述预处理包括去重、格式转换等,所述群体分类模型的预先训练好的,并且所述群体分类模型不断的进行更新,将所述第二数据中的多个特征属性输入至预先训练好的群体分类模型中得到第一跟踪群体标识,根据所述第一跟踪群体标识确定第一跟踪群体,提高了得到第一跟踪群体的准确率。
创建模块202,用于根据所述第一跟踪问题和所述第一跟踪群体创建所述第一跟踪问题的星型结构。
本实施例中,星型结构是指通常采用集线器或交换机作为网络的中央节点,网络中的每一台计算机都通过网卡连接到中央节点,计算机之间通过中央节点进行信息交换,各节点呈星状分布,本实施例所述的星型结构是根据所述第一跟踪问题和所述第一跟踪群体创建所述第一跟踪问题的星型结构,具体地,所述星型结构的构建过程包括:
将所述第一跟踪问题转换为对应的星型结构的中央节点;
将所述第一跟踪群体的每个成员转换为对应的星型结构的中央节点的分支节点;
根据所述星型结构的中央节点和所述星型结构的中央节点的分支节点创建所述第一跟踪问题的星型结构。
本实施例中,通过将所述第一跟踪问题转换为对应的星型结构的中央节点,将所述第一跟踪群体的每个成员转换为对应的星型结构的中央节点的分支节点,进行连线构建所述第一跟踪问题对应的星型结构,根据所述星型结构针对所述第一跟踪问题进行跟踪信息的交互,提高了跟踪信息传输过程的安全性。
确定模块203,用于根据所述星型结构采集所述第一跟踪群体中每个成员的反馈结果,确定得到所述第一跟踪问题的多个第一反馈结果。
本实施例中,所述多个第一反馈结果是对所述星型结构的分支节点对应的成员的反馈结果进行采集,每个成员的反馈结果的数量可以相同,也可以不同。
分析模块204,用于基于所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果。
本实施例中,所述共同认知是指多个客户对同一个跟踪问题的共同认知,根据所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果,例如,针对的第一跟踪问题为:苹果是一种水果吗?通过对所述第一跟踪群体的多个反馈结果进行共同认知分析得到第一分析结果为:苹果是一种水果。
可选地,所述分析模块204基于所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果包括:
对所述多个第一反馈结果进行去重处理得到多个第二反馈结果;
按照预设的投票方法对所述多个第二反馈结果进行投票,确定所述第一跟踪问题对应的第一投票数;
将所述第一跟踪问题对应的第一投票数与预设的票数阈值进行比较;
当所述第一跟踪问题对应的投票数小于或者等于所述预设的票数阈值时,计算每个第二反馈结果的第二投票数;
对所述第二投票数进行降序排序,从排序结果中选取排序在前的预设数量的第二反馈结果作为所述第一跟踪问题对应的第一分析结果。
本实施例中,在得到所述第一跟踪群体反馈的多个第一反馈结果之后,需要对所述多个第一反馈结果进行去重处理,减少数据,提高所述信息跟踪的跟踪效率。
本实施例中,对去重处理后的多个第二反馈结果进行投票,根据投票结果确定所述第一跟踪问题对应的第一分析结果,在投票过程中,所述投票方法可以预先设置,例如,每个成员一次可以投5票。
示例性地,针对的第一跟踪问题为:苹果是一种水果吗?提取对关键字段:“苹果”和“水果”感兴趣的第一跟踪群体,所述第一跟踪群体的每个成员反馈的第一反馈结果可能为“是”“不是”等其他反馈结果,根据反馈的多个第二反馈结果进行投票,确定所述第一跟踪问题对应的第一分析结果。
本实施例中,通过验证投票数量分析投票过程中是否出现异常,提高了得到所述第一跟踪问题对应的第一投票数的准确率。
本实施例中,每个第二反馈结果对应的投票越多,代表共同认知度越高,从所述投票结果中选取投票靠前的预设数据的第二反馈结果作为所述第一跟踪问题对应的第一分析结果,确定第一分析结果的共同认知度越高,提高了所述信息跟踪的准确率。
进一步地,当所述第一跟踪问题对应的投票数大于所述预设的票数阈值时,确定所述第一跟踪问题对应的投票数异常;当确定所述第一跟踪问题对应的投票数异常时,发送重新投票的指令至所述第一跟踪群体的每个成员。
本实施例中,通过对所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果,由于所述第一分析结果代表大部分成员对所述待跟踪问题的共同认知的反馈结果,避免所述跟踪问题对应的反馈结果为每个成员的个体反馈结果出现对所述个体反馈结果不认可的现象,提高了所述信息跟踪的准确率。
发送模块205,用于通过所述星型结构将所述第一分析结果发送至所述第一跟踪群体的每个成员。
本实施例中,由于所述第一分析结果中包含有所述第一跟踪群体对所述第一个跟踪问题的共同认知,通过所述星型结构将所述第一分析结果发送至所述第一跟踪群体的每个成员,每个成员接收到的第一分析结果的时间同步,提高了所述信息跟踪的效率。
进一步地,当监测到所述星型结构在预设时间段内未增加新的跟踪分支时,对所述星型结构进行版本化处理;将版本化处理后的所述星型结构作为所述第一跟踪问题的知识源。
本实施例中,可以预先设置时间段,例如,可以预先设置的时间段为5天或者7天,当在7天后还未监测到所述星型结构未增加新的跟踪分支,或者未更新所述星型结构时,确定所述第一跟踪问题得到的第一分析结果的共同认知度高,对所述星型结构进行版本化处理,并将所述版本化处理后的所述星型结构作为所述第一跟踪问题的知识源,具体地,所述知识源可以作为公共数据,星型结构中的每个成员都可以读取所述知识源中的数据,避免了相同的跟踪问题重复跟踪的现象,提高了所述信息跟踪的发送度。
进一步地,解析模块206,用于当接收到对所述星型结构的跟踪分支节点的跟踪请求时,解析所述跟踪请求获得目标跟踪问题;基于所述目标跟踪问题获取第二跟踪群体,采集所述第二跟踪群体中每个成员的预设数量的反馈结果,得到多个第三反馈结果;基于所述多个第三反馈结果进行共同认知分析,得到所述目标跟踪问题对应的第二分析结果;判断所述第二分析结果是否满足预设的生成新的星型结构条件;当所述第二分析结果满足预设的生成新的星型结构条件时,确定生成新的星型结构。
本实施例中,当客户对所述星型结构中的跟踪问题想要更进一步的跟踪时,向所述星型结构感兴趣的跟踪分支节点发送跟踪请求,解析所述跟踪请求获得目标跟踪问题,例如,针对的第一跟踪问题:“苹果是一种水果吗”,进一步提出了目标跟踪问题“苹果属于什么科”,基于所述目标跟踪问题增加新的对所述目标跟踪问题感兴趣的第二跟踪群体,根据所述第二跟踪群体的多个第三反馈结果进行共同认知分析,确定所述第二跟踪群体对所述目标跟踪问题的共同认知,在获得共同认知对应的第二分析结果时,判断所述第二分析结果是否满足预设的生成新的星型结构条件,根据判断结果确定是否在所述星型结构的基础上扩充新的星型结构,当确定第二分析结果满足预设的生成新的星型结构条件时,确定生成新的星型结构,并将所述新的星型结构与所述星型结构进行合并,形成新的知识群体,而新的知识群体可以无障碍的获取中心节点,即中心成员的知识库,从而有效减少重复的信息跟踪成本,不断地通过递进式的跟踪信息,提高了信息跟踪的准确性。
本实施例中,根据星型结构分支的质量,星型结构中的成员进行有效性反馈,定期进行信息跟踪的分支层级的剪枝操作,动态的维护当前跟踪信息的学习认知复杂度,方便新加入成员以最平滑的认知曲线进行认知。
进一步地,所述判断所述第二分析结果是否满足预设的生成新的星型结构条件包括:
获取所述目标跟踪问题的第三投票数;
按照预设的权重计算规则对所述第三投票数进行计算得到目标权重阈值;
计算所述第二分析结果中每个第三反馈结果的投票权重;
将所述目标权重阈值与所述第二分析结果中每个第三反馈结果的投票权重进行比较;
当所述第二分析结果中每个第三反馈结果的投票权重大于或者等于所述目标权重阈值时,确定所述第二分析结果满足所述预设的生成新的星型结构条件。
本实施例中,所述目标权重阈值不是预先设置的,是按照预设的权重计算规则对所述目标跟踪问题的第三投票数进行计算得到的,并将所述目标权重阈值与所述第二分析结果中的每个第三反馈结果的投票权重进行比对,根据比对结果确定是否满足预设的生成新的星型结构条件,提高了生成的星型结构的准确率。
进一步地,所述确定生成新的星型结构包括:
将所述跟踪分支节点转换为目标跟踪问题的中央节点;
将所述第二跟踪群体的每个成员转换为所述目标跟踪问题的中央节点的分支节点;
将所述目标跟踪问题的中央节点分别与所述目标跟踪问题的中央节点的分支节点进行连线生成所述目标跟踪问题对应的新的星型结构。
进一步地,在确定生成新的星型结构之后,所述发送模块205,还用于将所述第二分析结果发送至所述第一跟踪群体的每个成员;和/或
将所述第二分析结果发送至所述第二跟踪群体的每个成员。
本实施例中,通过在生成新的星型结构之后,将所述第二分析结果发送至所述第一跟踪群体的每个成员和所述第二跟踪群体的每个成员,采用递进连接的关系进行信息跟踪,有效减少了重复信息的跟踪发送,提高了信息跟踪的效率。并且将新的星型结构的第二分析结构反馈至所述第一跟踪群体的每个成员,第一跟踪群体的每个成员被动的接收发送的更深层次的知识,提高了信息跟踪的多样性。
进一步地,删除模块207,用于当所述第二分析结果不满足预设的生成新的星型结构的生成条件时,删除所述目标跟踪问题。
本实施例中,当所述第二分析结果不满足预设的生成新的星型结构条件时,确定针对所述目标跟踪问题的共同认知度不高,得到的反馈结果的准确率不高,故不能将所述多个第三反馈结果作为所述目标跟踪问题的反馈信息进行发送,提高信息跟踪的准确率。
综上所述,本实施例所述的信息跟踪装置,通过接收客户端发送的第一跟踪问题,根据所述第一跟踪问题获取第一跟踪群体;根据所述第一跟踪问题和所述第一跟踪群体创建所述第一跟踪问题的星型结构;根据所述星型结构采集所述第一跟踪群体中每个成员的反馈结果,确定得到所述第一跟踪问题的多个第一反馈结果;基于所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果;通过所述星型结构将所述第一分析结果发送至所述第一跟踪群体的每个成员。
本实施例,一方面,基于所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果,由于所述第一分析结果代表大部分成员对所述待跟踪问题的共同认知的反馈结果,避免所述跟踪问题对应的反馈结果为每个成员的个体反馈结果出现对所述个体反馈结果不认可的现象,提高了所述信息跟踪的准确率;另一方面,通过所述星型结构将所述第一分析结果发送至所述第一跟踪群体的每个成员,提高了跟踪信息发送的效率;最后,通过在生成新的星型结构之后,将所述第二分析结果发送至所述第一跟踪群体的每个成员和所述第二跟踪群体的每个成员,采用递进连接的关系进行信息跟踪,有效减少了重复信息的跟踪发送,提高了信息跟踪的效率,并且将新的星型结构的第二分析结构反馈至所述第一跟踪群体的每个成员,第一跟踪群体的每个成员被动的接收发送的更深层次的知识,提高了信息跟踪的多样性。
实施例三
参阅图3所示,为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中,所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解,图3示出的电子设备的结构并不构成本发明实施例的限定,既可以是总线型结构,也可以是星形结构,所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述电子设备3是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的电子设备,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述电子设备3仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器31用于存储程序代码和各种数据,例如安装在所述电子设备3中的信息跟踪装置20,并在电子设备3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
在一些实施例中,所述至少一个处理器32可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述电子设备3的控制核心(Control Unit),利用各种接口和线路连接整个电子设备3的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块,以及调用存储在所述存储器31内的数据,以执行电子设备3的各种功能和处理数据。
在一些实施例中,所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出,所述电子设备3还可以包括给各个部件供电的电源(比如电池),可选的,电源可以通过电源管理装置与所述至少一个处理器32逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在进一步的实施例中,结合图2,所述至少一个处理器32可执行所述电子设备3的操作装置以及安装的各类应用程序(如所述的信息跟踪装置20)、程序代码等,例如,上述的各个模块。
所述存储器31中存储有程序代码,且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如,图2中所述的各个模块是存储在所述存储器31中的程序代码,并由所述至少一个处理器32所执行,从而实现所述各个模块的功能以达到信息跟踪的目的。
在本发明的一个实施例中,所述存储器31存储多个指令,所述多个指令被所述至少一个处理器32所执行以实现信息跟踪的功能。
具体地,所述至少一个处理器32对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。本发明中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种信息跟踪方法,其特征在于,所述方法包括:
接收客户端发送的第一跟踪问题,根据所述第一跟踪问题获取第一跟踪群体;
根据所述第一跟踪问题和所述第一跟踪群体创建所述第一跟踪问题的星型结构;
根据所述星型结构采集所述第一跟踪群体中每个成员的反馈结果,确定得到所述第一跟踪问题的多个第一反馈结果;
基于所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果;
通过所述星型结构将所述第一分析结果发送至所述第一跟踪群体的每个成员。
2.如权利要求1所述的信息跟踪方法,其特征在于,所述基于所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果包括:
对所述多个第一反馈结果进行去重处理得到多个第二反馈结果;
按照预设的投票方法对所述多个第二反馈结果进行投票,确定所述第一跟踪问题对应的第一投票数;
将所述第一跟踪问题对应的第一投票数与预设的票数阈值进行比较;
当所述第一跟踪问题对应的投票数小于或者等于所述预设的票数阈值时,计算每个第二反馈结果的第二投票数;
对所述第二投票数进行降序排序,从排序结果中选取排序在前的预设数量的第二反馈结果作为所述第一跟踪问题对应的第一分析结果。
3.如权利要求1或2所述的信息跟踪方法,其特征在于,所述方法还包括:
当接收到对所述星型结构的跟踪分支节点的跟踪请求时,解析所述跟踪请求获得目标跟踪问题;
基于所述目标跟踪问题获取第二跟踪群体,采集所述第二跟踪群体中每个成员的预设数量的反馈结果,得到多个第三反馈结果;
基于所述多个第三反馈结果进行共同认知分析,得到所述目标跟踪问题对应的第二分析结果;
判断所述第二分析结果是否满足预设的生成新的星型结构条件;
当所述第二分析结果满足预设的生成新的星型结构条件时,确定生成新的星型结构。
4.如权利要求3所述的信息跟踪方法,其特征在于,所述判断所述第二分析结果是否满足预设的生成新的星型结构条件包括:
获取所述目标跟踪问题的第三投票数;
按照预设的权重计算规则对所述第三投票数进行计算得到目标权重阈值;
计算所述第二分析结果中每个第三反馈结果的投票权重;
将所述目标权重阈值与所述第二分析结果中每个第三反馈结果的投票权重进行比较;
当所述第二分析结果中每个第三反馈结果的投票权重大于或者等于所述目标权重阈值时,确定所述第二分析结果满足所述预设的生成新的星型结构条件。
5.如权利要求3所述的信息跟踪方法,其特征在于,所述确定生成新的星型结构包括:
将所述跟踪分支节点转换为目标跟踪问题的中央节点;
将所述第二跟踪群体的每个成员转换为所述目标跟踪问题的中央节点的分支节点;
将所述目标跟踪问题的中央节点分别与所述目标跟踪问题的中央节点的分支节点进行连线生成所述目标跟踪问题对应的新的星型结构。
6.如权利要求3所述的信息跟踪方法,其特征在于,在所述确定生成新的星型结构之后,所述方法还包括:
将所述第二分析结果发送至所述第一跟踪群体的每个成员;和/或
将所述第二分析结果发送至所述第二跟踪群体的每个成员。
7.如权利要求1所述的信息跟踪方法,其特征在于,所述根据所述第一跟踪问题获取第一跟踪群体包括:
提取所述第一跟踪问题中的多个关键字段;
基于所述多个关键字段采用网络爬虫技术从多个预设的数据源中进行爬取得到第一数据;
对所述第一数据进行预处理得到第二数据;
从所述第二数据中提取多个特征属性,将所述多个特征属性输入至预先训练好的群体分类模型中得到第一跟踪群体标识;
根据所述第一跟踪群体标识确定第一跟踪群体。
8.一种信息跟踪装置,其特征在于,所述装置包括:
接收模块,用于接收客户端发送的第一跟踪问题,根据所述第一跟踪问题获取第一跟踪群体;
创建模块,用于根据所述第一跟踪问题和所述第一跟踪群体创建所述第一跟踪问题的星型结构;
确定模块,用于根据所述星型结构采集所述第一跟踪群体中每个成员的反馈结果,确定得到所述第一跟踪问题的多个第一反馈结果;
分析模块,用于基于所述多个第一反馈结果进行共同认知分析,得到所述第一跟踪问题对应的第一分析结果;
发送模块,用于通过所述星型结构将所述第一分析结果发送至所述第一跟踪群体的每个成员。
9.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至7中任意一项所述的信息跟踪方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的信息跟踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087208.1A CN112818186A (zh) | 2021-01-22 | 2021-01-22 | 信息跟踪方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110087208.1A CN112818186A (zh) | 2021-01-22 | 2021-01-22 | 信息跟踪方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112818186A true CN112818186A (zh) | 2021-05-18 |
Family
ID=75859080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110087208.1A Pending CN112818186A (zh) | 2021-01-22 | 2021-01-22 | 信息跟踪方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112818186A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040015465A1 (en) * | 2002-06-25 | 2004-01-22 | Gill Susan P. | Trace cognitive process model and knowledge processor |
CN103425776A (zh) * | 2013-08-15 | 2013-12-04 | 电子科技大学 | 一种多用户知识库协作方法 |
CN103455592A (zh) * | 2013-08-30 | 2013-12-18 | 广州网易计算机系统有限公司 | 一种问答方法、装置及系统 |
CN104254865A (zh) * | 2012-02-29 | 2014-12-31 | 爱本卜公司 | 凭经验的专家确定和问题路由系统和方法 |
CN105095456A (zh) * | 2015-07-27 | 2015-11-25 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN105488039A (zh) * | 2014-09-15 | 2016-04-13 | 华为技术有限公司 | 一种问询方法及装置 |
CN108509218A (zh) * | 2018-03-05 | 2018-09-07 | 中国人民解放军国防科技大学 | 基于Codepedia众包平台的第三方工具优化方法 |
CN108628903A (zh) * | 2017-03-23 | 2018-10-09 | 深圳市分享投融网络有限公司 | 基于互联网特定内容多人有偿知识共享的方法及装置 |
CN109446309A (zh) * | 2018-10-30 | 2019-03-08 | 天津字节跳动科技有限公司 | 问题反馈方法及装置 |
CN110070333A (zh) * | 2019-03-19 | 2019-07-30 | 平安普惠企业管理有限公司 | 智能问卷调查方法、装置、计算机设备及存储介质 |
-
2021
- 2021-01-22 CN CN202110087208.1A patent/CN112818186A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040015465A1 (en) * | 2002-06-25 | 2004-01-22 | Gill Susan P. | Trace cognitive process model and knowledge processor |
CN104254865A (zh) * | 2012-02-29 | 2014-12-31 | 爱本卜公司 | 凭经验的专家确定和问题路由系统和方法 |
CN103425776A (zh) * | 2013-08-15 | 2013-12-04 | 电子科技大学 | 一种多用户知识库协作方法 |
CN103455592A (zh) * | 2013-08-30 | 2013-12-18 | 广州网易计算机系统有限公司 | 一种问答方法、装置及系统 |
CN105488039A (zh) * | 2014-09-15 | 2016-04-13 | 华为技术有限公司 | 一种问询方法及装置 |
CN105095456A (zh) * | 2015-07-27 | 2015-11-25 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN108628903A (zh) * | 2017-03-23 | 2018-10-09 | 深圳市分享投融网络有限公司 | 基于互联网特定内容多人有偿知识共享的方法及装置 |
CN108509218A (zh) * | 2018-03-05 | 2018-09-07 | 中国人民解放军国防科技大学 | 基于Codepedia众包平台的第三方工具优化方法 |
CN109446309A (zh) * | 2018-10-30 | 2019-03-08 | 天津字节跳动科技有限公司 | 问题反馈方法及装置 |
CN110070333A (zh) * | 2019-03-19 | 2019-07-30 | 平安普惠企业管理有限公司 | 智能问卷调查方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
南亚会;丁晓倩;: "基于无线传感器网络的单目标跟踪系统设计", 西安文理学院学报(自然科学版), no. 01, pages 77 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112948275A (zh) | 测试数据生成方法、装置、设备及存储介质 | |
CN113190426B (zh) | 一种大数据评分系统稳定性监控方法 | |
CN115237857A (zh) | 日志处理方法、装置、计算机设备及存储介质 | |
CN113379391A (zh) | 工单处理方法、装置、电子设备及计算机可读存储介质 | |
WO2023040145A1 (zh) | 基于人工智能的文本分类方法、装置、电子设备及介质 | |
CN113674065B (zh) | 基于服务触点的业务推荐方法、装置、电子设备及介质 | |
CN111651452B (zh) | 数据存储方法、装置、计算机设备及存储介质 | |
CN117520351A (zh) | 基于对象存储的数据入湖方法、装置、设备及介质 | |
CN112541640A (zh) | 资源的权限管理方法、装置、电子设备及计算机存储介质 | |
CN116108276A (zh) | 基于人工智能的信息推荐方法、装置及相关设备 | |
CN117130888A (zh) | 基于历史数据和机器学习的服务器自动调优方法及系统 | |
CN114817408B (zh) | 调度资源识别方法、装置、电子设备及存储介质 | |
CN114841165B (zh) | 用户数据分析及展示方法、装置、电子设备及存储介质 | |
CN112818186A (zh) | 信息跟踪方法、装置、电子设备及存储介质 | |
CN116089446A (zh) | 一种结构化查询语句的优化控制方法及装置 | |
CN115061895A (zh) | 业务流程编排方法、装置、电子设备及存储介质 | |
CN114239538A (zh) | 断言处理方法、装置、计算机设备及存储介质 | |
CN114691782A (zh) | 数据库表增量同步方法、装置及存储介质 | |
CN114490137A (zh) | 业务数据实时统计方法、装置、电子设备及可读存储介质 | |
CN114399318B (zh) | 链路处理方法、装置、计算机设备及存储介质 | |
CN113689246B (zh) | 基于人工智能的网站监控方法、装置、电子设备及介质 | |
CN114598624B (zh) | 集群监控方法、装置、电子设备及可读存储介质 | |
CN114201212B (zh) | 配置文件处理方法、装置、计算机设备及存储介质 | |
CN113722590B (zh) | 基于人工智能的医学信息推荐方法、装置、设备及介质 | |
CN116401123A (zh) | 基于人工智能的日志处理方法、装置及相关设备 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210518 |