CN112860994A - 结合大数据服务的业务数据推送方法及深度学习服务系统 - Google Patents
结合大数据服务的业务数据推送方法及深度学习服务系统 Download PDFInfo
- Publication number
- CN112860994A CN112860994A CN202110156774.3A CN202110156774A CN112860994A CN 112860994 A CN112860994 A CN 112860994A CN 202110156774 A CN202110156774 A CN 202110156774A CN 112860994 A CN112860994 A CN 112860994A
- Authority
- CN
- China
- Prior art keywords
- data
- service
- interaction
- target
- interactive
- 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- Withdrawn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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开实施例提供一种结合大数据服务的业务数据推送方法及深度学习服务系统,针对第一数据分区对应的第一数据分区属性特征,通过交叠属性特征定位的方式在第二互动过程数据中确定对应的交叠属性特征,并结合第二数据分区属性特征和交叠属性特征之间的对比信息,对第一数据分区属性特征和第二数据分区属性特征的对比结果进行过滤,最终得到符合要求的位于第一互动过程数据和第二互动过程数据内的目标互动兴趣点进行融合,提高了目标互动兴趣点的融合效率,以及提高了目标互动兴趣点的融合准确率,并且基于各个融合目标互动兴趣点的目标互动过程数据对业务互动终端的大数据推送服务进行业务更新后进行业务推送,提高业务推送精度。
Description
技术领域
本公开涉及人工智能技术领域,示例性地,涉及一种结合大数据服务的业务数据推送方法及深度学习服务系统。
背景技术
随着深度学习技术的不断发展,通过深度学习进行业务互动过程中的场景识别后,可以针对性学习业务互动过程中的关键场景对象的数据信息,进而可以为业务优化和更新提供信息决策和数据支持。
相关技术中,在进行业务场景识别后,需要进行关键业务互动数据集的兴趣点挖掘,以便于针对性地进行大数据推送服务的改进,从而基于改进的大数据推送服务进行信息推送优化,例如基于改进的大数据推送服务中相对应的推送标签从热点数据源中匹配对应的资讯内容进行推送。然而,对于不同互动节点而言,如果都单独进行挖掘将会带来较大的计算量,并且挖掘的特征维度较为单一,如何提高不同互动节点的互动兴趣点的融合效率和融合准确率,进而提高大数据推送服务的更新效率和更新准确率,是本领域亟待研究的问题。
发明内容
为了至少克服现有技术中的上述不足,本公开的目的在于提供一种结合大数据服务的业务数据推送方法及深度学习服务系统。
第一方面,本公开提供一种结合大数据服务的业务数据推送方法,应用于深度学习服务系统,所述深度学习服务系统与多个业务互动终端通信连接,所述方法包括:
根据所述业务互动终端的各个业务互动事件的目标互动场景属性获取所述业务互动终端的关键业务互动数据集;
获取所述关键业务互动数据集中的第一互动过程数据和第二互动过程数据,其中,所述关键业务互动数据集中包括在业务互动场景中生成的互动过程数据;
对所述第一互动过程数据和所述第二互动过程数据进行互动兴趣点识别,得到所述第一互动过程数据中与所述目标互动兴趣点对应的第一数据分区,和所述第二互动过程数据中与所述目标互动兴趣点对应的第二数据分区;
针对所述第一数据分区对应的第一数据分区属性特征,在所述第二互动过程数据中进行交叠属性特征定位,得到对应的交叠属性特征;
根据所述第二数据分区对应的第二数据分区属性特征和所述交叠属性特征,对所述第一互动过程数据和所述第二互动过程数据内的所述目标互动兴趣点进行融合,并基于各个融合目标互动兴趣点的目标互动过程数据对所述业务互动终端的大数据推送服务进行业务更新后,基于业务更新后的大数据推送服务进行业务推送。
在第一方面的一种可能的设计思路中,所述基于各个融合目标互动兴趣点的目标互动过程数据对所述业务互动终端的大数据推送服务进行业务更新后,基于业务更新后的大数据推送服务进行业务推送的步骤,包括:
获取所述各个融合目标互动兴趣点的目标互动过程数据中包含目标更新服务标签分量的目标服务标签数据,对所述目标服务标签数据进行分组处理,得到所述目标服务标签数据对应的分组服务标签数据;
获取所述目标服务标签数据对应的目标更新进程,通过所述目标更新进程从所述分组服务标签数据中提取第一服务标签分量特征和第二服务标签分量特征,将所述第一服务标签分量特征和所述第二服务标签分量特征进行映射融合,得到与所述目标服务标签数据相关联的服务标签标签融合特征;
根据所述服务标签标签融合特征、所述目标更新进程,对所述分组服务标签数据进行服务标签更新分量分析,得到所述分组服务标签数据对应的服务标签更新分量分析结果;
若所述服务标签更新分量分析结果指示所述目标服务标签数据中存在满足服务标签更新条件的分组服务标签数据,则将所述目标更新服务标签分量确定为待更新对象,并基于所述待更新对象以及所述待更新对象对应的满足服务标签更新条件的分组服务标签数据对所述业务互动终端的大数据推送服务进行更新。
譬如,在第一方面的一种可能的设计思路中,所述基于所述待更新对象以及所述待更新对象对应的满足服务标签更新条件的分组服务标签数据对所述业务互动终端的大数据推送服务进行更新的步骤,包括:
提取所述待更新对象对应的满足服务标签更新条件的分组服务标签数据中每个目标服务标签标识所对应的服务标签数据源,在从所述服务标签数据源的数据源接口中获取所述服务标签数据源在数据源索引时所关联的原始源服务元素列表的同时,并行地提取所述服务标签数据源的推送源特征分量;
基于提取到的推送源特征分量确定用于对所述原始源服务元素列表进行数据源索引分析的数据源索引处理兴趣架构信息,从所述数据源索引处理兴趣架构信息中提取出多个待使用的兴趣架构运行信息节点的兴趣架构参数以及不同兴趣架构运行信息节点之间的兴趣架构共享信息,根据所述兴趣架构参数和所述兴趣架构共享信息对多个待使用的兴趣架构运行信息节点进行数据源索引处理得到至少两个目标兴趣架构运行信息元素;其中,所述目标兴趣架构运行信息元素的兴趣架构参数的运行环境区间位于设定区间内且不同的目标兴趣架构运行信息元素之间的兴趣架构共享信息的差异度小于设定值;
通过所述目标兴趣架构运行信息元素对所述原始源服务元素列表进行数据源索引分析,得到待更新源服务元素列表;
根据预先确定出的目标推送源特征分量确定所述待更新源服务元素列表的热点数据源索引库更新分布,以及根据确定出的所述待更新源服务元素列表中的业务标签确定所述待更新源服务元素列表的热点数据源索引库扩展分布;
基于所述热点数据源索引库更新分布和所述热点数据源索引库扩展分布对所述待更新源服务元素列表进行关键更新服务标签标识提取,得到关键更新服务标签标识集;
基于所述关键更新服务标签标识集对所述业务互动终端的大数据推送服务进行更新。
第二方面,本公开实施例还提供一种结合大数据服务的业务数据推送系统,所述结合大数据服务的业务数据推送系统包括深度学习服务系统以及与所述深度学习服务系统通信连接的多个业务互动终端;
所述深度学习服务系统,用于:
获取待挖掘的目标金融业务支付数据,对所述目标金融业务支付数据进行分量提取,得到目标业务支付分量,所述目标业务支付分量包括所述目标金融业务支付数据对应的目标支付业务场景分量,所述目标金融业务支付数据为所述业务互动终端的历史金融业务支付数据;
获取所述目标金融业务支付数据中的目标支付指向业务,确定所述目标支付指向业务对应的第一相关支付指向业务;
根据所述第一相关支付指向业务的业务描述分量以及对应的业务热度信息,确定所述目标支付指向业务对应的目标主题描述分量,其中,所述业务热度信息根据所述目标支付业务场景分量与频繁项订阅场景分量之间的相关性参数得到,所述频繁项订阅场景分量为表示支付指向业务的频繁项订阅场景的分量;
将所述目标业务支付分量与所述目标支付指向业务对应的目标主题描述分量进行联接,得到目标联接分量,根据所述目标联接分量确定所述目标金融业务支付数据对应的挖掘信息。
根据上述任意一个方面,本公开提供的实施方式中,针对第一数据分区对应的第一数据分区属性特征,通过交叠属性特征定位的方式在第二互动过程数据中确定对应的交叠属性特征,并结合第二数据分区属性特征和交叠属性特征之间的对比信息,对第一数据分区属性特征和第二数据分区属性特征的对比结果进行过滤,最终得到符合要求的位于第一互动过程数据和第二互动过程数据内的目标互动兴趣点进行融合,提高了目标互动兴趣点的融合效率,以及提高了目标互动兴趣点的融合准确率,并且基于各个融合目标互动兴趣点的目标互动过程数据对业务互动终端的大数据推送服务进行业务更新后进行业务推送,提高业务推送精度。
附图说明
为了更清楚地说明本公开实施例的技术方案,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公开的某些实施例,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为本公开实施例提供的结合大数据服务的业务数据推送系统的应用场景示意图;
图2为本公开实施例提供的结合大数据服务的业务数据推送方法的流程示意图;
图3为本公开实施例提供的结合大数据服务的业务数据推送装置的功能模块示意图;
图4为本公开实施例提供的用于实现上述的结合大数据服务的业务数据推送方法的深度学习服务系统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公开进行具体说明,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是本公开一种实施例提供的结合大数据服务的业务数据推送系统10的交互示意图。结合大数据服务的业务数据推送系统10可以包括深度学习服务系统100以及与深度学习服务系统100通信连接的业务互动终端200。图1所示的结合大数据服务的业务数据推送系统10仅为一种可行的示例,在其它可行的实施例中,该结合大数据服务的业务数据推送系统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。
在一种可能的设计思路中,结合大数据服务的业务数据推送系统10中的深度学习服务系统100和业务互动终端200可以通过配合执行以下方法实施例所描述的结合大数据服务的业务数据推送方法,具体深度学习服务系统100和业务互动终端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为本公开实施例提供的结合大数据服务的业务数据推送方法的流程示意图,本实施例提供的结合大数据服务的业务数据推送方法可以由图1中所示的深度学习服务系统100执行,下面对该结合大数据服务的业务数据推送方法进行详细介绍。
步骤S110,根据所述业务互动终端的各个业务互动事件的目标互动场景属性获取所述业务互动终端的关键业务互动数据集。
步骤S120,获取关键业务互动数据集中的第一互动过程数据和第二互动过程数据。
本实施例中,关键业务互动数据集中包括在业务互动场景中生成的互动过程数据,其中,第一互动过程数据和第二互动过程数据即为在业务互动场景采集该过程中生成的互动过程数据。
在获取第一互动过程数据和第二互动过程数据时,例如可以包括如下方式中的至少一种:
第一,从采集的关键业务互动数据集中依次获取相关联的互动过程数据作为第一互动过程数据和第二互动过程数据;
示意性的,首先将关键业务互动数据集中的第一个互动过程数据作为第一互动过程数据,将第二个互动过程数据作为第二互动过程数据,识别完毕后,将第二个互动过程数据作为第一互动过程数据,将第三帧视频在座位第二互动过程数据进行识别,以此类推;或,首先将关键业务互动数据集中的第一个互动过程数据作为第一互动过程数据,将第二个互动过程数据作为第二互动过程数据,识别完毕后,将第三帧互动过程数据作为第一互动过程数据,将第四帧视频在座位第二互动过程数据进行识别,以此类推。
第二,从关键业务互动数据集中,针对每一个互动过程数据,进行与预设个数差别范围内的互动过程数据之间的匹配关联;
示意性的,预设个数差别范围为2个,则首先将关键业务互动数据集中的第一个互动过程数据作为第一互动过程数据,将第二个互动过程数据作为第二互动过程数据,识别完毕后,将第一个互动过程数据作为第一互动过程数据,将第三帧视频再作为第二互动过程数据进行识别,以此类推。
第三,从关键业务互动数据集中随机抽取两个互动过程数据进行识别,直至采集的匹配数达到要求匹配数。
在一种可能的设计思路中,关键业务互动数据集中包括的是采集设备采集到的关键业务互动数据集中的所有互动过程数据;或,关键业务互动数据集中包括采集设备采集的关键业务互动数据集中的指定互动过程数据,如:关键业务互动数据集中的关键互动过程数据(如互动频率大于预设频率的互动过程数据)。
步骤S130,对第一互动过程数据和第二互动过程数据进行互动兴趣点识别,得到第一互动过程数据中与目标互动兴趣点对应的第一数据分区,和第二互动过程数据中与目标互动兴趣点对应的第二数据分区。
本实施例中,互动兴趣点识别用于对互动过程数据内的目标互动兴趣点进行识别。在一种可能的设计思路中,将第一互动过程数据和第二互动过程数据输入至兴趣点行为模型,得到第一互动过程数据中与目标互动兴趣点对应的第一数据分区,以及得到第二互动过程数据中与目标互动兴趣点对应的第二数据分区,其中,兴趣点行为模型为预先训练得到的神经网络模型。
在对互动过程数据中的目标互动兴趣点进行识别时,首先提取互动过程数据的互动过程特征,从而通过互动过程特征对互动过程数据中是否包含目标互动兴趣点,以及当互动过程数据中包含目标互动兴趣点时,该目标互动兴趣点在互动过程数据中的区域进行识别。
即,在一种可能的设计思路中,在对第一互动过程数据和第二互动过程数据进行互动兴趣点识别时,在第一互动过程数据中包括目标互动兴趣点时,识别得到目标互动兴趣点在第一互动过程数据中所处的第一数据分区;同理,在第二互动过程数据中包括目标互动兴趣点时,识别得到目标互动兴趣点在第二互动过程数据中所处的第二数据分区。
其中,针对第一互动过程数据和第二互动过程数据的互动兴趣点识别是分别进行的,也即,可以先对第一互动过程数据进行互动兴趣点识别,也可以先对第二互动过程数据进行互动兴趣点识别,还可以第一互动过程数据和第二互动过程数据的互动兴趣点识别同步进行。
步骤S140,针对第一数据分区对应的第一数据分区属性特征,在第二数据分区中进行交叠属性特征定位,得到对应的交叠属性特征。
在一种可能的设计思路中,该第一数据分区对应的第一数据分区属性特征为第一数据分区内的指定互动过程元素,如:第一数据分区属性特征为第一数据分区内的全局互动过程元素,则对应的第二数据分区属性特征为第二数据分区的全局互动过程元素。
在一种可能的设计思路中,当第一互动过程数据和第二互动过程数据为对应同一场景采集到的互动过程数据,则第一互动过程数据和第二互动过程数据之间存在交叠属性特征的约束关系,该交叠属性特征的约束关系需要根据第一互动过程数据和第二互动过程数据之间的互动关系确定得到。
在一种可能的设计思路中,首先确定第一互动过程数据和第二互动过程数据对应的目标互动图谱,从而基于目标互动图谱得到第一数据分区属性特征在对第二互动过程数据中对应的交叠属性特征。
示意性的,假设在业务互动场景的某一互动节点处存在一个互动发起行为X,分别在第一互动过程数据和第二互动过程数据中被观测采集到,在第一互动过程数据中的映射区为XL,在第二互动过程数据中的映射区为XR,第一互动过程数据的映射区核心为OL,第二互动过程数据420的映射区核心为OR。根据业务约束关系,从OL到互动发起行为X的射线在第二互动过程数据上的映射为一个直接映射关系,并且XR必然落在该直接映射关系上,该直接映射关系的映射特征称为交叠属性特征。为了估计第一互动过程数据中每个节点在第二互动过程数据中对应的交叠属性特征,需要通过匹配估计出目标互动图谱。
例如,本实施例中,目标互动图谱用于表示第一互动过程数据在第二互动过程数据中的交叠属性特征关联信息,从而根据目标互动图谱和第一数据分区属性特征,能够直接得到该第一数据分区属性特征在第二互动过程数据内对应的交叠属性特征。
其中,目标互动图谱的构建过程中,首先针对第一互动过程数据中的第一互动过程元素,在第一互动过程数据中确定对应匹配的第二互动过程元素。在确定对应匹配的第二互动过程元素时,确定与该第一互动过程元素匹配度最高的一个第二互动过程元素,或确定与该第一互动过程元素匹配度最高的多个第二互动过程元素,如:两个或更多第二互动过程元素。根据第一互动过程元素和第二互动过程元素的对比结果,确定第一互动过程数据和第二互动过程数据对应的目标互动图谱,该目标互动图谱即用于表示第一互动过程数据在第二互动过程数据中的交叠属性特征关联信息。
针对第一数据分区对应的第一数据分区属性特征,基于目标互动图谱在第二互动过程数据中进行交叠属性特征定位,得到对应的交叠属性特征。
在一种可能的设计思路中,由于目标互动图谱用于表示第一互动过程数据和第二互动过程数据之间的交叠属性特征约束关系,从而,基于第一数据分区属性特征直接映射至第二互动过程数据中,则可直接根据目标互动图谱得到与该第一数据分区属性特征对应的交叠属性特征。
步骤S150,根据所述第二数据分区对应的第二数据分区属性特征和所述交叠属性特征,对所述第一互动过程数据和所述第二互动过程数据内的所述目标互动兴趣点进行融合,并基于各个融合目标互动兴趣点的目标互动过程数据对所述业务互动终端的大数据推送服务进行业务更新后,基于业务更新后的大数据推送服务进行业务推送。
例如,在一种可能的设计思路中,将第二数据分区属性特征与交叠属性特征进行分别对比得到至少一组对比信息,基于预设对比条件,从至少一组对比信息中剔除不符合预设对比条件的对比信息,得到目标对比信息,根据目标对比信息对第一互动过程数据和第二互动过程数据内的目标互动兴趣点进行融合。
在通过预设对比条件对对比信息进行筛选过滤后,剩下符合预设对比条件的目标对比信息,即为第一互动过程数据和第二互动过程数据内目标互动兴趣点符合融合条件的对比信息。
综上所述,本公开实施例提供的目标互动兴趣点的融合方法,针对第一数据分区对应的第一数据分区属性特征,通过交叠属性特征定位的方式在第二互动过程数据中确定对应的交叠属性特征,并结合第二数据分区属性特征和交叠属性特征之间的对比信息,对第一数据分区属性特征和第二数据分区属性特征的对比结果进行过滤,最终得到符合要求的位于第一互动过程数据和第二互动过程数据内的目标互动兴趣点进行融合,提高了目标互动兴趣点的融合效率,以及提高了目标互动兴趣点的融合准确率。
在一个可选的实施例中,约束方式包括业务互动形式约束、属性特征差异约束等方式,例如在另一种可能的实施例中,以上方法可以通过下述步骤实现。
步骤S210,获取关键业务互动数据集中的第一互动过程数据和第二互动过程数据。
关键业务互动数据集中包括在业务互动场景中生成的互动过程数据,其中,第一互动过程数据和第二互动过程数据即为在业务互动场景采集该过程中生成的互动过程数据。
步骤S220,对第一互动过程数据和第二互动过程数据进行互动兴趣点识别,得到第一互动过程数据中与目标互动兴趣点对应的第一数据分区,和第二互动过程数据中与目标互动兴趣点对应的第二数据分区。
互动兴趣点识别用于对互动过程数据内的目标互动兴趣点进行识别。在一种可能的设计思路中,将第一互动过程数据和第二互动过程数据输入至兴趣点行为模型,得到第一互动过程数据中与目标互动兴趣点对应的第一数据分区,以及得到第二互动过程数据中与目标互动兴趣点对应的第二数据分区,其中,兴趣点行为模型为预先训练得到的神经网络模型。
在对互动过程数据中的目标互动兴趣点进行识别时,首先提取互动过程数据的互动过程特征,从而通过互动过程特征对互动过程数据中是否包含目标互动兴趣点,以及当互动过程数据中包含目标互动兴趣点时,该目标互动兴趣点在互动过程数据中的区域进行识别。
步骤S230,针对第一互动过程数据中的第一互动过程元素,在第二互动过程数据中确定对应匹配的第二互动过程元素。
步骤S240,根据第一互动过程元素和第二互动过程元素的对比结果,确定第一互动过程数据和第二互动过程数据对应的目标互动图谱。
目标互动图谱用于表示第一互动过程数据在第二互动过程数据中的交叠属性特征关联信息。
在确定第一互动过程元素和第二互动过程元素的对比结果时,首先分别对第一互动过程数据和第二互动过程数据计算互动过程元素以及描述子,描述子用于描述互动过程元素的多维空间特征,然后使用KNN算法在描述子控件中搜索每个第一互动过程元素在第二互动过程数据中匹配度最高的两个近邻匹配。
步骤S250,针对第一数据分区对应的第一数据分区属性特征,基于目标互动图谱在第二互动过程数据中进行交叠属性特征定位,得到对应的交叠属性特征。
在一种可能的设计思路中,由于目标互动图谱用于表示第一互动过程数据和第二互动过程数据之间的交叠属性特征约束关系,从而,基于第一数据分区属性特征直接映射至第二互动过程数据中,则可直接根据目标互动图谱得到与该第一数据分区属性特征对应的交叠属性特征。
步骤S260,,将第二数据分区属性特征与交叠属性特征进行分别对比得到至少一组对比信息。
交叠属性特征即为与第一数据分区属性特征对应的交叠属性特征,其中,根据第一互动过程数据中第一数据分区的数量,第二互动过程数据中对应有相同数量的交叠属性特征。在一种可能的设计思路中,得到目标互动图谱后,对于第一互动过程数据中的每个第一数据分区对象的中心,都可以计算得到一条在第二互动过程数据中的交叠属性特征,假设第一互动过程数据中有N个第一数据分区,第二互动过程数据中包括M个第二数据分区,则分别计算第二互动过程数据中每个第二数据分区的第二数据分区属性特征到每条交叠属性特征的属性特征差异,从而得到一个N×M的属性特征差异互动图谱,N、M皆为正整数。该属性特征差异互动图谱代表了第一互动过程数据中所有第一数据分区到第二互动过程数据中的所有第二数据分区的匹配误差。
将第二数据分区属性特征分别与每一条交叠属性特征进行匹配,得到对比信息。例如,第二互动过程数据中存在3个第二数据分区,也即存在3个第二数据分区属性特征第一数据分区属性特征在第二互动过程数据中包括2条交叠属性特征,则存在对应6组对比信息。
步骤S270,基于预设对比条件,从至少一组对比信息中剔除不符合预设对比条件的对比信息,得到目标对比信息。
仅根据交叠属性特征匹配属性特征差异,无法处理同时落在交叠属性特征附近两个以上的点。因此需要利用更多的先验知识来抑制错误的框匹配。
在根据预设对比条件剔除对比信息时,包括如下方式中的至少一种:
第一,根据第一互动过程元素和第二互动过程元素的对比结果,确定对关键业务互动数据集进行数据控制的业务互动形式数据,从至少一组对比信息中剔除不符合业务互动形式数据的对比信息。
例如,可以根据匹配互动过程元素的平均互动趋势,估算互动的业务趋势。
第二,确定对比信息中,第二数据分区属性特征与交叠属性特征之间的属性特征差异,从至少一组对比信息中剔除属性特征差异大于预设属性特征差异阈值的对比信息。
在一种可能的设计思路中,还需要对第一互动过程数据和第二互动过程数据进行场景比对,即获取第一互动过程数据和第二互动过程数据在关联过程中产生的互动状态特征,其中,互动状态特征是根据第一互动过程数据的第一互动过程元素、第二互动过程数据的第二互动过程元素以及第一互动过程数据和第二互动过程数据之间的交叠属性特征关联信息生成的。其中,互动状态特征所参考的第一互动过程元素和第二互动过程元素为匹配过滤后的互动过程元素,也即,对对比信息进行过滤后的第一互动过程元素和第二互动过程元素。
基于互动状态特征确定第一互动过程数据和第二互动过程数据的场景相关情况,响应于场景相关情况用于指示第一互动过程数据和第二互动过程数据的场景关联度达到要求关联度,确定第一互动过程数据和第二互动过程数据内的目标互动兴趣点符合融合要求。
在一种可能的设计思路中,首先判断第一互动过程数据和第二互动过程数据对应的互动过程偏移量是否小于要求互动过程偏移量阈值,以及判断第一互动过程数据和第二互动过程数据的互动激活时序是否小于时序阈值。如果不符合上述两个条件,则确定为不同场景,否则继续对互动状态特征进行判断。
其中,互动状态特征中包括如下状态量中的至少一种:
(1)第一互动过程数据的第一互动过程元素的数量;其中,第一互动过程元素为匹配过滤后的互动过程元素。
(2)第二互动过程数据的第二互动过程元素的数量;其中,第二互动过程元素为匹配过滤后的互动过程元素。
(3)符合互动过程元素预设对比条件的匹配数量,也即,符合上述步骤S240中的预设对比条件的匹配数量。
(4)交叠属性特征约束匹配中,描述子的平均欧氏属性特征差异。
(5)交叠属性特征约束匹配中,描述子的最小欧氏属性特征差异。
(6)交叠属性特征约束匹配中,描述子的最大欧氏属性特征差异。
值得注意的是,上述属性特征差异表达上,以欧氏属性特征差异为例进行说明,实际操作中,还可以采用其它属性特征差异计算方式,如:余弦属性特征差异、曼哈顿属性特征差异、切比雪夫属性特征差异等,本公开实施例对此不加以限定。
将上述互动状态特征输入至支持向量机分类器,该分类器输出当前两张互动过程数据是否为同一场景的判断结果。其中,在对分类器进行使用前,首先人工标注了一批场景分类的数据作为训练集,预先训练该分类器。
步骤S280,根据目标对比信息对第一互动过程数据和第二互动过程数据内的目标互动兴趣点进行融合。
在通过预设对比条件对对比信息进行筛选过滤后,剩下符合预设对比条件的目标对比信息,即为第一互动过程数据和第二互动过程数据内目标互动兴趣点符合融合条件的对比信息。
这样,本实施例针对第一数据分区对应的第一数据分区属性特征,通过交叠属性特征定位的方式在第二互动过程数据中确定对应的交叠属性特征,并结合第二数据分区属性特征和交叠属性特征之间的对比信息,对第一数据分区属性特征和第二数据分区属性特征的对比结果进行过滤,最终得到符合要求的位于第一互动过程数据和第二互动过程数据内的目标互动兴趣点进行融合,提高了目标互动兴趣点的融合效率,以及提高了目标互动兴趣点的融合准确率。
此外,通过场景匹配,首先过滤掉不符合场景要求的两张互动过程数据,也即,当两个互动过程数据不处于同一场景时,则无法对该两张图像进行目标互动兴趣点的融合,故,优先进行过滤,提高了目标互动兴趣点的融合效率。
再者,通过以上业务互动形式,对第二数据分区和交叠属性特征之间的匹配进行过滤,从而将不符合业务互动形式的对比信息进行过滤,提高了交叠属性特征与第二数据分区属性特征的匹配效率。
在一种可能的设计思路中,第一互动过程数据中还包括第一业务互动空间,第二互动过程数据中包括第二业务互动空间,在以上方案的基础上,可以进一步确定第一数据分区和第二数据分区的第一关联关系。
也即,确定第一互动过程数据中的第一数据分区与第二互动过程数据中的第二数据分区之间的对比信息,具体确定过程请参考如上实施例,此处不再赘述。
然后,可以根据第一关联关系确定第一业务互动空间和第二业务互动空间之间的第二关联关系。
在一种可能的设计思路中,根据第二业务互动空间中,第二数据分区的数量,将第二业务互动空间与第一互动过程数据内的第一业务互动空间进行关联,得到第二关联关系。
互动行为关联只关注互动元素数据分区(即第一数据分区和第二数据分区)之间的匹配,然而,逻辑上属于同一个组的数据分区应该在互动行为具有一致的业务片段标识,也即,处于同一第一业务互动空间内的第一数据分区具有一致的业务片段ID,该业务片段ID对应第一业务互动空间。为了消除互动行为数据分区匹配带来的歧义,可以设计一个投票机制。首先统计第二互动过程数据中每个第二业务互动空间中第二数据分区的业务片段ID的分布情况(每个业务片段ID对应的数据分区数量称为该业务片段ID的支持度),以及每个业务片段ID的最小匹配误差。融合的原则为优先选取支持度高的业务片段ID分配为该组的业务片段ID,当两个业务片段ID支持度相同时,选取最小匹配误差更小的那个业务片段ID进行分配。在该步骤之后,得到第二互动过程数据中每个第二业务互动空间与第一互动过程数据中第一业务互动空间的关联结果,其中无法关联的集合为新的业务片段。
这样,可以根据第一关联关系和第二关联关系对目标互动兴趣点进行融合。
可选地,根据上述第一数据分区和第二数据分区之间的第一关联关系,以及第一业务互动空间和第二业务互动空间之间的第二关联关系,对目标互动兴趣点进行融合,得到在两个互动过程数据中实现为同一个实体的互动元素。
例如,假设在第一互动过程数据A0中包括识别得到的第一数据分区A1、第一数据分区A2、第一数据分区A3,以及第一业务互动空间A4,第二互动过程数据B0中包括识别得到的第二数据分区B1、第二数据分区B2以及第二业务互动空间B3,根据关联关系,确定第一数据分区A1与第二数据分区B2匹配、第一数据分区A2和第二数据分区B3匹配,第一业务互动空间A3与第二业务互动空间B3匹配,从而得到第一互动过程数据和第二互动过程数据的融合方式。
这样,针对第一数据分区对应的第一数据分区属性特征,通过交叠属性特征定位的方式在第二互动过程数据中确定对应的交叠属性特征,并结合第二数据分区属性特征和交叠属性特征之间的对比信息,对第一数据分区属性特征和第二数据分区属性特征的对比结果进行过滤,最终得到符合要求的位于第一互动过程数据和第二互动过程数据内的目标互动兴趣点进行融合,提高了目标互动兴趣点的融合效率,以及提高了目标互动兴趣点的融合准确率。
并且,通过对互动元素对应的数据分区进行关联,以及根据数据分区对互动元素所处的互动分区进行关联,从而提高了相同实体互动元素之间的关联准确率,避免数据分区关联的误差。
对于,目标互动兴趣点的融合过程,可以通过以下示例性的实施方式实现。
(1)互动行为聚类。
也即,在互动过程数据内部对目标互动兴趣点对应的区域进行识别,以及对属于同一业务片段的区域通过业务互动空间的方式进行框选。
(2)互动行为关联。
其中,在互动行为关联的过程中,首先进行两个互动过程数据之间的互动过程元素提取和匹配,从而根据提取的互动过程元素的对比信息计算目标互动图谱,以及计算交叠属性特征属性特征差异互动图谱。即将第一互动过程数据中第一数据分区的第一数据分区属性特征映射至第二图像中,得到在第二互动过程数据中对应的交叠属性特征,计算第二互动过程数据中第二数据分区的第二数据分区属性特征与交叠属性特征之间的属性特征差异,得到交叠属性特征属性特征差异互动图谱。
判断两个互动过程的场景是否相同,如果不相同,则结束流程不做融合,如果相同根据预设对比条件进行错误匹配抑制,以及通过匈牙利算法进行分配匹配。
(3)关联融合。
根据数据分区之间的第一关联关系和互动分区之间的第二关联关系进行关联融合,最终得到融合的目标互动兴趣点。
这样,可以针对第一数据分区对应的第一数据分区属性特征,通过交叠属性特征定位的方式在第二互动过程数据中确定对应的交叠属性特征,并结合第二数据分区属性特征和交叠属性特征之间的对比信息,对第一数据分区属性特征和第二数据分区属性特征的对比结果进行过滤,最终得到符合要求的位于第一互动过程数据和第二互动过程数据内的目标互动兴趣点进行融合,提高了目标互动兴趣点的融合效率,以及提高了目标互动兴趣点的融合准确率。
在一种可能的设计思路中,对于步骤S110,在根据业务互动终端的各个业务互动事件的目标互动场景属性获取业务互动终端的关键业务互动数据集的流程中,可以通过以下步骤实现。
步骤S111,获取业务互动事件对应的目标互动响应数据和目标业务应答数据,并提取目标互动响应数据的互动响应数据分量和目标业务应答数据的业务数据分量。
在一种可能的设计思路中,业务互动事件是指需要进行业务场景识别的任一业务互动事件。需要说明的是,业务互动事件可能是实际业务场景中发起的业务互动事件,也可能是模拟的业务互动事件,在此不作限定。当业务互动事件为模拟的业务互动事件时,业务互动事件可能是经过模拟器模拟生成的互动数据流等。
无论是哪种业务互动事件,在进行业务场景识别的过程中,业务互动事件处于业务互动程序的业务区域,在接收到业务场景识别指令后,业务互动程序采集业务互动事件对应的目标互动响应数据(即在互动过程中针对每个互动指令产生直接业务响应的数据,如互动内容的反馈响应数据),由此,业务互动程序获取业务互动事件对应的目标互动响应数据。
在一种可能的设计思路中,除获取业务互动事件对应的目标互动响应数据外,还可以获取业务互动事件对应的目标业务应答数据(即在互动过程中针对每个业务应答节点或业务沟通节点产生双向反馈应答的数据,如互动内容的反馈响应数据的应答内容数据)。业务行为在互动过程中,触发业务应答节点或业务沟通节点时会产生应答,所产生业务应答数据中,不仅包含应答过程的业务跨度信息,亦包含应答业务层或业务应答节点本身的应答标签信息。在一种可能的设计思路中,满足条件的业务应答数据可以是指在产生业务应答数据后的参考时序段或者业务段内接收到的业务应答数据。参考时序段或者业务段可以根据经验设置,也可以根据应用场景灵活调整,在此不作具体限定。在产生业务应答数据后的参考时序段或者业务段内接收到的业务应答数据可以视为业务互动事件应答的业务数据,较少其它业务应答数据的干扰。在一种可能的设计思路中,在实际场景中,在向业务互动事件产生业务应答数据后,除了可以接收到业务应答数据外,还可以接收到产生业务互动行为的直接业务数据,直接业务数据的业务跨度相比业务应答数据更短,业务层属性区别相对业务应答数据更少,因此,将此部分直接业务数据进行过滤剔除,可以从一定程度上避免直接业务数据的不良影响。
在此需要说明的是,业务互动事件对应的目标业务应答数据可能是指由业务互动事件对产生的业务互动行为进行应答后的真实业务应答数据,也可能是指预先准备好的模拟业务应答数据。示例性地,假设在对业务互动事件进行业务场景识别的过程中,业务应答组件被设置为未激活状态,并且在业务互动事件的节点处模拟反馈预先准备好的其它对象的业务应答数据,此种情况下,获取的业务互动事件对应的目标业务应答数据为预先准备好的模拟业务应答数据。
需要说明的是,对于业务互动事件为真实互动事件的情况,若业务互动事件对应的目标业务应答数据是指由业务互动事件对产生的业务互动行为进行应答后的真实业务应答数据,则业务互动事件对应的目标业务应答数据为真实的应答的业务应答数据。
在一种可能的设计思路中,在获取目标互动响应数据和目标业务应答数据后,可以提取目标互动响应数据的互动响应数据分量和目标业务应答数据的业务数据分量,进而便于利用互动响应数据分量和业务数据分量实现后续的业务场景识别过程。
在一种可能的设计思路中,业务场景识别过程可以调用业务场景识别单元实现。业务场景识别单元包括响应分量提取单元、应答分量提取单元、响应场景属性预测单元、应答场景属性预测单元和目标分量映射单元。业务场景识别单元通过配置得到,配置得到业务场景识别单元的过程可以在终端进行,也可以在服务器进行,在此不作具体限定。配置得到业务场景识别单元的过程详见下述的实施例,此处暂不赘述。
在业务场景识别单元中,响应分量提取单元用于提取互动响应数据的分量,本公开实施例对响应分量提取单元的单元结构不加以限定,只要能够起到提取互动响应数据分量的功能即可。示例性地,响应分量提取单元的单元结构为卷积神经单元。应答分量提取单元用于业务数据的分量,本公开实施例对应答分量提取单元的单元结构同样不加以限定,示例性地,应答分量提取单元的单元结构同样也可以为卷积神经单元。需要说明的是,即使响应分量提取单元和应答分量提取单元的单元结构均为卷积神经单元,由于响应分量提取单元和应答分量提取单元针对的分量提取对象不同,所以卷积神经单元具有不同的参数。
在一种可能的设计思路中,提取目标互动响应数据的互动响应数据分量和目标业务应答数据的业务数据分量的方式为:调用响应分量提取单元提取目标互动响应数据的互动响应数据分量;调用应答分量提取单元提取目标业务应答数据的业务数据分量。
由于本公开实施例中的互动响应数据分量和业务数据分量用于进行业务场景识别,所以互动响应数据分量和业务数据分量均携带业务场景识别方面的信息,以便于根据互动响应数据分量和业务数据分量执行后续的业务场景识别过程。在一种可能的设计思路中,业务数据分量可以为向量,通过对业务数据分量组合对应的向量进行标准化,可以获知应答业务层是否包含复杂业务沟通节点,以及复杂业务沟通节点是否包含真实业务互动行为。在一种可能的设计思路中,互动响应数据分量和业务数据分量除均携带业务场景识别方面的信息外,还可以均携带业务跨度和业务层级方面的信息,以便于进一步提高根据互动响应数据分量和业务数据分量进行业务场景识别的可靠性。业务跨度和业务层级方面的信息用于指示业务执行对象与业务互动事件之间的业务跨度和业务层级。
示例性地,对于业务数据分量而言,业务执行对象与业务互动事件之间的业务跨度和业务层级是指业务执行对象的业务覆盖节点(例如主要应答业务沟通节点)与业务互动事件的业务覆盖节点之间的业务跨度和业务层级。
步骤S112,对互动响应数据分量进行场景属性预测,根据场景属性预测信息得到业务互动事件的响应互动场景属性,并对业务数据分量进行场景属性预测,根据场景属性预测信息得到业务互动事件的应答互动场景属性。
本实施例中,互动响应数据分量携带业务场景识别方面的信息,在提取到互动响应数据分量后,对互动响应数据分量进行场景属性预测,根据场景属性预测信息得到业务互动事件的响应互动场景属性。该响应互动场景属性用于指示业务互动事件在互动响应数据层面的互动场景属性。响应互动场景属性指示的含义包括:业务互动事件为关键场景对象,或者,业务互动事件为非关键场景对象。
业务数据分量同样携带业务场景识别方面的信息,在提取到业务数据分量后,对业务数据分量进行场景属性预测,根据场景属性预测信息得到业务互动事件的应答互动场景属性。该应答互动场景属性用于指示业务互动事件在业务应答数据层面的互动场景属性。应答互动场景属性指示的含义包括:业务互动事件为关键场景对象,或者,业务互动事件为非关键场景对象。
需要说明的是,本公开实施例中提及的业务互动事件为关键场景对象是指业务互动事件具有真实的业务互动行为,业务互动事件为非关键场景对象是指业务互动事件不具有真实的业务互动行为。
对于调用业务场景识别单元实现业务场景识别过程的情况,业务场景识别单元中的响应场景属性预测单元用于对互动响应数据分量进行场景属性预测,以根据场景属性预测信息得到互动响应数据层面的互动场景属性;业务场景识别单元中的应答场景属性预测单元用于对业务数据分量进行场景属性预测,以根据场景属性预测信息得到业务应答数据层面的互动场景属性。本公开实施例对响应场景属性预测单元和应答场景属性预测单元的单元结构不加以限定,响应场景属性预测单元和应答场景属性预测单元的单元结构可以相同,也可以不同。示例性地,响应场景属性预测单元和应答场景属性预测单元均可以包括ReLU函数层,利用ReLU函数层进行场景属性预测并输出互动场景属性。
在一种可能的设计思路中,对互动响应数据分量进行场景属性预测,根据场景属性预测信息得到业务互动事件的响应互动场景属性,包括:调用响应场景属性预测单元对互动响应数据分量进行场景属性预测,根据场景属性预测信息得到业务互动事件的响应互动场景属性。对业务数据分量进行场景属性预测,根据场景属性预测信息得到业务互动事件的应答互动场景属性,包括:调用应答场景属性预测单元对业务数据分量进行场景属性预测,根据场景属性预测信息得到业务互动事件的应答互动场景属性。
对分量进行场景属性预测后,可以得到场景属性预测信息,该场景属性预测信息中包括不同类别的置信度。在一种可能的设计思路中,场景属性预测的过程可视为二分类过程,场景属性预测信息中包括关键场景对象类别的置信度和非关键场景对象类别的置信度。无论是对互动响应数据分量进行场景属性预测,还是对业务数据分量进行场景属性预测,在场景属性预测后,均可以得到包括关键场景对象类别的置信度和非关键场景对象类别的置信度的场景属性预测信息,进而根据场景属性预测信息得到待分类对应的互动场景属性。
在一种可能的设计思路中,对互动响应数据分量进行场景属性预测,根据场景属性预测信息得到业务互动事件的响应互动场景属性的方式包括但不限于以下两种。
可替代方案A:将对互动响应数据分量进行场景属性预测后得到场景属性预测信息作为业务互动事件的响应互动场景属性。
在此种可替代方案A下,业务互动事件的响应互动场景属性中同样包括关键场景对象类别的置信度和非关键场景对象类别的置信度,根据关键场景对象类别的置信度和非关键场景对象类别的置信度的大小关系,确定响应互动场景属性指示的具体属性含义。
可替代方案B当对互动响应数据分量进行场景属性预测后得到场景属性预测信息中的关键场景对象类别的置信度大于非关键场景对象类别的置信度时,将业务互动事件为关键场景对象作为业务互动事件的响应互动场景属性;当对互动响应数据分量进行场景属性预测后得到场景属性预测信息中关键场景对象类别的置信度小于非关键场景对象类别的置信度时,将业务互动事件为非关键场景对象作为业务互动事件的响应互动场景属性。
在此种可替代方案B下,响应互动场景属性直接指示业务互动事件是否为非关键场景对象。
类似地,对业务数据分量进行场景属性预测,根据场景属性预测信息得到业务互动事件的应答互动场景属性的方式包括两种:将对业务数据分量进行场景属性预测后得到场景属性预测信息作为业务互动事件的应答互动场景属性。或者,当对业务数据分量进行场景属性预测后得到场景属性预测信息中的关键场景对象类别的置信度大于非关键场景对象类别的置信度时,将业务互动事件为关键场景对象作为业务互动事件的应答互动场景属性;当对业务数据分量进行场景属性预测后得到场景属性预测信息中关键场景对象类别的置信度小于非关键场景对象类别的置信度时,将业务互动事件为非关键场景对象作为业务互动事件的应答互动场景属性。
响应互动场景属性和应答互动场景属性为业务互动事件在两个不同层面的互动场景属性,响应互动场景属性和应答互动场景属性均可认为是业务互动事件的初步互动场景属性,直接根据响应互动场景属性和第二检测结果难以准确确定业务互动事件的最终互动场景属性。需要进一步根据步骤S113判断目标互动响应数据和目标业务应答数据是否来自同一对象,在确定目标互动响应数据和目标业务应答数据是否来自同一对象的基础上,结合响应互动场景属性和应答互动场景属性,确定业务互动事件的最终互动场景属性,此种方式确定的互动场景属性可靠性高。
步骤S113,对互动响应数据分量和业务数据分量进行分量映射处理,得到互动响应数据分量和业务数据分量的分量映射信息。
在根据步骤S112得到互动响应数据分量和业务数据分量后,对互动响应数据分量和业务数据分量进行分量映射处理,以得到互动响应数据分量和业务数据分量的分量映射信息。互动响应数据分量和业务数据分量的分量映射信息用于指示互动响应数据分量和业务数据分量是否存在映射关联关系。互动响应数据分量和业务数据分量是否存在映射关联关系可以用于说明互动响应数据分量和业务数据分量是否来自同一对象。当互动响应数据分量和业务数据分量的分量映射信息指示互动响应数据分量和业务数据分量存在映射关联关系时,说明互动响应数据分量和业务数据分量来自同一对象;当互动响应数据分量和业务数据分量的分量映射信息指示互动响应数据分量和业务数据分量映射失败时,说明互动响应数据分量和业务数据分量可能来自不同对象。
需要说明的是,虽然目标对象和目标业务应答数据均是业务互动事件对应的,但是可能不均来自于业务互动事件。例如,对于业务应答组件被设置为未激活状态,在业务互动事件的节点处预先配置预先准备好的其它对象的业务应答数据的情况下,获取的业务互动事件对应的目标业务应答数据为预先准备好的模拟业务应答数据。此时,目标互动响应数据来自业务互动事件,目标业务应答数据来自其它对象,目标互动响应数据和目标业务应答数据来自不同对象。此种情况下,目标互动响应数据对应的互动响应数据分量和目标业务应答数据对应的业务数据分量来自不同对象。
对于调用业务场景识别单元实现业务场景识别过程的情况,业务场景识别单元中的目标分量映射单元用于对互动响应数据分量和业务数据分量进行分量映射处理,以判断互动响应数据分量和业务数据分量是否匹配。在一种可能的设计思路中,对互动响应数据分量和业务数据分量进行分量映射处理,得到互动响应数据分量和业务数据分量的分量映射信息的方式为:调用目标分量映射单元对互动响应数据分量和业务数据分量进行分量映射处理,得到互动响应数据分量和业务数据分量的分量映射信息。
在一种可能的设计思路中,目标分量映射单元的单元结构包括但不限于以下两种情况。
情况一:目标分量映射单元包括目标关联参数计算子单元。
目标关联参数计算子单元用于计算两个分量之间的关联参数值。
在一种可能的设计思路中,在此种情况之下,调用目标分量映射单元对互动响应数据分量和业务数据分量进行分量映射处理,得到互动响应数据分量和业务数据分量的分量映射信息的过程为:将互动响应数据分量和业务数据分量输入目标关联参数计算子单元,得到目标关联参数计算子单元计算的互动响应数据分量和业务数据分量之间的关联参数值,将互动响应数据分量和业务数据分量之间的关联参数值作为互动响应数据分量和业务数据分量的分量映射信息。此时,分量映射信息为关联参数值(如相似度值)。
在此种获取分量映射信息的情况下,分量映射信息指示互动响应数据分量和业务数据分量存在映射关联关系是指关联参数值指示互动响应数据分量和业务数据分量存在映射关联关系。在一种可能的设计思路中,关联参数值指示互动响应数据分量和业务数据分量存在映射关联关系是指关联参数值不小于目标关联参数阈值。由于当互动响应数据分量和业务数据分量存在映射关联关系时,说明互动响应数据分量和业务数据分量来自同一对象。所以,当关联参数值不小于目标关联参数阈值时,说明互动响应数据分量和业务数据分量均来自业务互动事件。需要说明的是,目标关联参数阈值可以根据经验设置,也可以根据应用场景灵活调整,在此不作具体限定。
在一种可能的设计思路中,目标关联参数计算子单元的主体为一个关联参数计算互动图谱,互动响应数据分量和业务数据分量均为向量,在目标关联参数计算子单元中,计算互动响应数据分量组合对应的向量、关联参数计算互动图谱和业务数据分量组合对应的向量这三者之间的乘积,将乘积作为互动响应数据分量和业务数据分量之间的关联参数值。
情况二:目标分量映射单元包括目标分量融合子单元和目标场景属性预测子单元。
目标分量融合子单元用于将两个分量进行融合,目标场景属性预测子单元用于对融合后的分量进行场景属性预测。
在一种可能的设计思路中,在此种情况之下,调用目标分量映射单元对互动响应数据分量和业务数据分量进行分量映射处理,得到互动响应数据分量和业务数据分量的分量映射信息的过程为:将互动响应数据分量和业务数据分量输入目标分量融合子单元进行融合,得到目标融合分量,调用目标场景属性预测子单元对目标融合分量进行场景属性预测,得到目标场景属性预测信息,将目标场景属性预测信息作为互动响应数据分量和业务数据分量的分量映射信息。此时,分量映射信息为目标场景属性预测信息。
在目标分量融合子单元中,对互动响应数据分量和业务数据分量进行融合的方式可以是指将互动响应数据分量和业务数据分量进行加和,也可以是指将互动响应数据分量和业务数据分量进行拼接,在此不作具体限定。目标场景属性预测子单元可以包括ReLU函数层,利用ReLU函数层对目标融合分量进行场景属性预测并得到场景属性预测信息。
在一种可能的设计思路中,目标场景属性预测信息中包括第一置信度和第二置信度这两个置信度,第一置信度表示互动响应数据分量和业务数据分量来自同一对象的置信度,第二置信度表示互动响应数据分量和业务数据分量来自不同对象的置信度。
在此种获取分量映射信息的情况下,分量映射信息指示互动响应数据分量和业务数据分量存在映射关联关系是指目标场景属性预测信息指示互动响应数据分量和业务数据分量存在映射关联关系。在一种可能的设计思路中,目标场景属性预测信息指示互动响应数据分量和业务数据分量存在映射关联关系是指目标场景属性预测信息中第一置信度大于第二置信度。由于当互动响应数据分量和业务数据分量存在映射关联关系时,说明互动响应数据分量和业务数据分量来自同一对象。所以,当目标场景属性预测信息中第一置信度大于第二置信度时,说明互动响应数据分量和业务数据分量均来自业务互动事件。
步骤S114,根据响应互动场景属性、应答互动场景属性和分量映射信息,确定业务互动事件的目标互动场景属性。
在根据步骤S112得到响应互动场景属性和应答互动场景属性,以及根据步骤S113得到分量映射信息后,通过综合考虑响应互动场景属性、应答互动场景属性和分量映射信息来确定业务互动事件的目标互动场景属性。此种方式既考虑业务互动事件在互动响应数据层面和业务应答数据层面各自的互动场景属性,又考虑了互动响应数据对应的互动响应数据分量和业务应答数据对应的业务数据分量的分量映射信息,确定的业务互动事件的目标互动场景属性较准确,能够有效考虑被动互动。
在一种可能的设计思路中,根据响应互动场景属性、应答互动场景属性和分量映射信息,确定业务互动事件的目标互动场景属性的方式为:响应于响应互动场景属性指示业务互动事件为关键场景对象,应答互动场景属性指示业务互动事件为关键场景对象,分量映射信息指示互动响应数据分量和业务数据分量存在映射关联关系,将关键场景对象所对应的场景属性作为业务互动事件的目标互动场景属性。其中,响应互动场景属性指示业务互动事件为关键场景对象说明在互动响应数据层面确定业务互动事件为关键场景对象,应答互动场景属性指示业务互动事件为关键场景对象说明在业务应答数据层面确定业务互动事件为关键场景对象,互动响应数据分量和业务数据分量存在映射关联关系说明互动响应数据分量和业务数据分量来自同一对象(即均来自业务互动事件)。也就是说,当在互动响应数据层面和业务应答数据层面均确定业务互动事件为关键场景对象,并且确定目标互动响应数据对应的互动响应数据分量和目标业务应答数据对应的业务数据分量均来自业务互动事件时,认为业务互动事件的业务场景识别通过。
在一种可能的设计思路中,根据响应互动场景属性、应答互动场景属性和分量映射信息,确定业务互动事件的目标互动场景属性的方式为:响应于响应互动场景属性指示业务互动事件为关键场景对象,应答互动场景属性指示业务互动事件为关键场景对象,分量映射信息指示互动响应数据分量和业务数据分量映射失败,将业务场景识别未通过作为业务互动事件的目标互动场景属性。也就是说,虽然当互动响应数据层面和业务应答数据层面均确定业务互动事件为关键场景对象,但是由于互动响应数据分量和业务数据分量来自不同对象,所以在至少一个层面确定的业务互动事件为关键场景对象的结果是不可靠的,此时认为业务互动事件的业务场景识别未通过。
需要说明的是,在对业务互动事件进行业务互动行为识别的过程中,除对业务互动事件进行业务场景识别外,还需要对业务互动事件进行历史场景识别,当业务场景识别和历史场景识别均通过时,说明业务互动事件的业务互动行为识别通过。本公开实施例仅限定对业务互动事件进行涉及业务场景识别过程,对业务互动事件进行历史场景识别的过程不加以限定。需要说明的是,本公开实施例对业务场景识别和历史场景识别的先后顺序不加以限定。示例性地,先对业务互动事件进行业务场景识别,在业务场景识别通过后,再对业务互动事件进行历史场景识别。当然,也可以先对业务互动事件进行历史场景识别,在历史场景识别通过后,再对业务互动事件进行业务场景识别。
相比于相关技术中,根据互动响应数据进行的业务场景识别,本公开实施例提供的业务场景识别方法中,引入的业务应答数据不仅可以直接用于业务场景识别,使其配合互动响应数据进行检测可以获得更加鲁棒的检测性能。
在一种可能的设计思路中,获取业务互动事件对应的互动响应数据和业务应答数据,进而提取互动响应数据分量和业务数据分量,通过综合考虑根据互动响应数据分量得到的互动场景属性、根据业务数据分量得到的互动场景属性以及互动响应数据分量和业务数据分量的分量映射信息,确定业务互动事件的互动场景属性。在此种业务场景识别的过程中,除考虑互动响应数据方面的信息外,还考虑业务应答数据方面的信息以及两个方面之间的匹配信息,考虑的信息较全面,识别稳定性较高,有利于提高互动场景属性的准确度,业务场景识别效果更高。
步骤S115,将目标互动场景属性为关键场景对象所对应的场景属性的各个业务互动事件的业务互动数据集确定为业务互动终端的关键业务互动数据集
譬如,在一种可能的设计思路中,针对配置过程,可以获取标的业务互动数据集,标的业务互动数据集包括至少两个标的业务互动数据子集,不同标的业务互动数据子集对应不同互动对象,任一标的业务互动数据子集包括任一互动对象对应的至少一个标的业务互动数据,任一互动对象对应的任一标的业务互动数据包括任一互动对象对应的任一互动响应数据和任一互动响应数据对应的业务应答数据。在至少两个标的业务互动数据子集中分别选取标的业务互动数据构成目标标的业务互动数据,根据目标标的业务互动数据对待配置的业务场景识别单元中的标的响应分量提取单元、标的应答分量提取单元、标的响应场景属性预测单元、标的应答场景属性预测单元以及标的分量映射单元进行配置,得到业务场景识别单元,业务场景识别单元包括响应分量提取单元、应答分量提取单元、响应场景属性预测单元、应答场景属性预测单元以及目标分量映射单元。
例如,可以调用标的响应分量提取单元提取目标标的业务互动数据中的互动响应数据的标的互动响应数据分量。调用标的应答分量提取单元提取目标标的业务互动数据中的业务应答数据的标的业务数据分量。调用标的响应场景属性预测单元对标的互动响应数据分量进行场景属性预测,根据场景属性预测信息得到标的响应互动场景属性。调用标的应答场景属性预测单元对标的业务数据分量进行场景属性预测,根据场景属性预测信息得到标的应答互动场景属性。根据标的互动响应数据分量和标的业务数据分量,构成标定分量集合,任一标定分量集合由一个标的互动响应数据分量和一个标的业务数据分量构成。根据标的响应互动场景属性对标的响应场景属性预测单元进行配置。根据标的应答互动场景属性对标的应答场景属性预测单元进行配置。根据标定分量集合对标的分量映射单元进行配置,根据标的响应互动场景属性和标定分量集合对标的响应分量提取单元进行配置。根据标的应答互动场景属性和标定分量集合对标的应答分量提取单元进行配置。 响应于配置得到响应分量提取单元、应答分量提取单元、响应场景属性预测单元、应答场景属性预测单元和目标分量映射单元,得到业务场景识别单元。
图3为本公开实施例提供的结合大数据服务的业务数据推送装置300的功能模块示意图,下面分别对该结合大数据服务的业务数据推送装置300的各个功能模块的功能进行详细阐述。
第一获取模块310,用于根据业务互动终端的各个业务互动事件的目标互动场景属性获取业务互动终端的关键业务互动数据集;
第二获取模块320,用于获取关键业务互动数据集中的第一互动过程数据和第二互动过程数据,其中,关键业务互动数据集中包括在业务互动场景中生成的互动过程数据;
识别模块330,用于对第一互动过程数据和第二互动过程数据进行互动兴趣点识别,得到第一互动过程数据中与目标互动兴趣点对应的第一数据分区,和第二互动过程数据中与目标互动兴趣点对应的第二数据分区;
定位模块340,用于针对第一数据分区对应的第一数据分区属性特征,在第二互动过程数据中进行交叠属性特征定位,得到对应的交叠属性特征;
更新模块350,用于根据第二数据分区对应的第二数据分区属性特征和交叠属性特征,对第一互动过程数据和第二互动过程数据内的目标互动兴趣点进行融合,并基于各个融合目标互动兴趣点的目标互动过程数据对业务互动终端的大数据推送服务进行业务更新后,基于业务更新后的大数据推送服务进行业务推送。
图4示出了本公开实施例提供的用于实现上述的结合大数据服务的业务数据推送方法的深度学习服务系统100的硬件结构示意图,如图4所示,深度学习服务系统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,使得处理器110可以执行如上方法实施例的结合大数据服务的业务数据推送方法,处理器110、机器可读存储介质120以及收发器140通过总线130连接,处理器110可以用于控制收发器140的收发动作,从而可以与前述的业务互动终端200进行数据收发。
处理器110的具体实现过程可参见上述深度学习服务系统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。
此外,本公开实施例还提供一种可读存储介质,所述可读存储介质中预设有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上结合大数据服务的业务数据推送方法。
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)
1.一种结合大数据服务的业务数据推送方法,其特征在于,应用于深度学习服务系统,所述深度学习服务系统与所述多个业务互动终端通信连接,所述方法包括:
根据所述业务互动终端的各个业务互动事件的目标互动场景属性获取所述业务互动终端的关键业务互动数据集;
获取所述关键业务互动数据集中的第一互动过程数据和第二互动过程数据,其中,所述关键业务互动数据集中包括在业务互动场景中生成的互动过程数据;
对所述第一互动过程数据和所述第二互动过程数据进行互动兴趣点识别,得到所述第一互动过程数据中与所述目标互动兴趣点对应的第一数据分区,和所述第二互动过程数据中与所述目标互动兴趣点对应的第二数据分区;
针对所述第一数据分区对应的第一数据分区属性特征,在所述第二互动过程数据中进行交叠属性特征定位,得到对应的交叠属性特征;
根据所述第二数据分区对应的第二数据分区属性特征和所述交叠属性特征,对所述第一互动过程数据和所述第二互动过程数据内的所述目标互动兴趣点进行融合,并基于各个融合目标互动兴趣点的目标互动过程数据对所述业务互动终端的大数据推送服务进行业务更新后,基于业务更新后的大数据推送服务进行业务推送。
2.根据权利要求1所述的结合大数据服务的业务数据推送方法,其特征在于,所述根据所述第二数据分区内的第二数据分区属性特征和所述交叠属性特征,对所述第一互动过程数据和所述第二互动过程数据内的所述目标互动兴趣点进行融合,包括:
将所述第二数据分区属性特征与所述交叠属性特征进行分别对比得到至少一组对比信息;
基于预设对比条件,从所述至少一组对比信息中剔除不符合所述预设对比条件的对比信息,得到目标对比信息;
根据所述目标对比信息对所述第一互动过程数据和所述第二互动过程数据内的所述目标互动兴趣点进行融合。
3.根据权利要求2所述的结合大数据服务的业务数据推送方法,其特征在于,所述针对所述第一数据分区对应的第一数据分区属性特征,在所述第二互动过程数据中进行交叠属性特征定位,得到对应的交叠属性特征,包括:
针对所述第一互动过程数据中的第一互动过程元素,在所述第二互动过程数据中确定对应匹配的第二互动过程元素;
根据所述第一互动过程元素和所述第二互动过程元素的对比结果,确定所述第一互动过程数据和所述第二互动过程数据对应的目标互动图谱,所述目标互动图谱用于表示所述第一互动过程数据在所述第二互动过程数据中的交叠属性特征关联信息;
针对所述第一数据分区对应的所述第一数据分区属性特征,基于所述目标互动图谱在所述第二互动过程数据中进行交叠属性特征定位,得到对应的所述交叠属性特征。
4.根据权利要求3所述的结合大数据服务的业务数据推送方法,其特征在于,所述从所述至少一组对比信息中剔除不符合所述预设对比条件的对比信息,包括:
根据所述第一互动过程元素和所述第二互动过程元素的对比结果,确定对所述关键业务互动数据集进行数据控制的业务互动形式数据;
从所述至少一组对比信息中剔除不符合所述业务互动形式数据的对比信息。
5.根据权利要求2所述的结合大数据服务的业务数据推送方法,其特征在于,所述从所述至少一组对比信息中剔除不符合所述预设对比条件的对比信息,包括:
确定所述对比信息中,所述第二数据分区属性特征与所述交叠属性特征之间的属性特征差异;
从所述至少一组对比信息中剔除属性特征差异大于预设属性特征差异阈值的对比信息。
6.根据权利要求1-5任意一项所述的结合大数据服务的业务数据推送方法,其特征在于,所述根据所述第二数据分区对应的第二数据分区属性特征和所述交叠属性特征,对所述第一互动过程数据和所述第二互动过程数据内的所述目标互动兴趣点进行融合之前,还包括:
获取所述第一互动过程数据和所述第二互动过程数据在关联过程中产生的互动状态特征,所述互动状态特征是根据所述第一互动过程数据的第一互动过程元素、所述第二互动过程数据的第二互动过程元素以及所述第一互动过程数据和所述第二互动过程数据之间的交叠属性特征关联信息生成的;
基于所述互动状态特征确定所述第一互动过程数据和所述第二互动过程数据的场景相关情况;
响应于所述场景相关情况用于指示所述第一互动过程数据和所述第二互动过程数据的场景关联度达到要求关联度,确定所述第一互动过程数据和所述第二互动过程数据内的所述目标互动兴趣点符合融合要求。
7.根据权利要求1-5任意一项所述的结合大数据服务的业务数据推送方法,其特征在于,所述对所述第一互动过程数据和所述第二互动过程数据进行互动兴趣点识别之后,还包括:
根据所述互动兴趣点识别得到所述第一互动过程数据中的第一业务互动空间,和所述第二互动过程数据中的第二业务互动空间,所述第一业务互动空间中包括至少两个处于同一业务片段的所述第一数据分区,所述第二业务互动空间中包括至少两个处于同一业务片段的所述第二数据分区;
所述对所述第一互动过程数据和所述第二互动过程数据内的所述目标互动兴趣点进行融合,包括:
确定所述第一数据分区和所述第二数据分区之间的第一关联关系;
根据所述第一关联关系确定所述第一业务互动空间和所述第二业务互动空间之间的第二关联关系;
根据所述第一关联关系和所述第二关联关系对所述目标互动兴趣点进行融合;
其中,所述根据所述第一关联关系确定所述第一业务互动空间和所述第二业务互动空间之间的第二关联关系,包括:
根据所述第二业务互动空间中,所述第二数据分区的数量,将所述第二业务互动空间与所述第一互动过程数据内的所述第一业务互动空间进行关联,得到所述第二关联关系。
8.根据权利要求1-7任意一项所述的结合大数据服务的业务数据推送方法,其特征在于,所述根据所述业务互动终端的各个业务互动事件的目标互动场景属性获取所述业务互动终端的关键业务互动数据集的步骤,包括:
获取业务互动事件对应的目标互动响应数据和目标业务应答数据,并提取所述目标互动响应数据的互动响应数据分量和所述目标业务应答数据的业务数据分量;
对所述互动响应数据分量进行场景属性预测,根据场景属性预测信息得到所述业务互动事件的响应互动场景属性,并对所述业务数据分量进行场景属性预测,根据场景属性预测信息得到所述业务互动事件的应答互动场景属性;
对所述互动响应数据分量和所述业务数据分量进行分量映射处理,得到所述互动响应数据分量和所述业务数据分量的分量映射信息;
根据所述响应互动场景属性、所述应答互动场景属性和所述分量映射信息,确定所述业务互动事件的目标互动场景属性;
将所述目标互动场景属性为关键场景对象所对应的场景属性的各个业务互动事件的业务互动数据集确定为所述业务互动终端的关键业务互动数据集。
9.根据权利要求1-7任意一项所述的结合大数据服务的业务数据推送方法,其特征在于,所述基于各个融合目标互动兴趣点的目标互动过程数据对所述业务互动终端的大数据推送服务进行业务更新后,基于业务更新后的大数据推送服务进行业务推送的步骤,包括:
获取所述各个融合目标互动兴趣点的目标互动过程数据中包含目标更新服务标签分量的目标服务标签数据,对所述目标服务标签数据进行分组处理,得到所述目标服务标签数据对应的分组服务标签数据;
获取所述目标服务标签数据对应的目标更新进程,通过所述目标更新进程从所述分组服务标签数据中提取第一服务标签分量特征和第二服务标签分量特征,将所述第一服务标签分量特征和所述第二服务标签分量特征进行映射融合,得到与所述目标服务标签数据相关联的服务标签标签融合特征;
根据所述服务标签标签融合特征、所述目标更新进程,对所述分组服务标签数据进行服务标签更新分量分析,得到所述分组服务标签数据对应的服务标签更新分量分析结果;
若所述服务标签更新分量分析结果指示所述目标服务标签数据中存在满足服务标签更新条件的分组服务标签数据,则将所述目标更新服务标签分量确定为待更新对象,并基于所述待更新对象以及所述待更新对象对应的满足服务标签更新条件的分组服务标签数据对所述业务互动终端的大数据推送服务进行更新。
10.一种深度学习服务系统,其特征在于,所述深度学习服务系统包括处理器、机器可读存储介质和单元接口,所述机器可读存储介质、所述单元接口以及所述处理器之间通过总线系统相关联,所述单元接口用于与至少一个业务互动终端通信连接,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,以执行权利要求1-9中任意一项的结合大数据服务的业务数据推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110156774.3A CN112860994A (zh) | 2021-02-04 | 2021-02-04 | 结合大数据服务的业务数据推送方法及深度学习服务系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110156774.3A CN112860994A (zh) | 2021-02-04 | 2021-02-04 | 结合大数据服务的业务数据推送方法及深度学习服务系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112860994A true CN112860994A (zh) | 2021-05-28 |
Family
ID=75987896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110156774.3A Withdrawn CN112860994A (zh) | 2021-02-04 | 2021-02-04 | 结合大数据服务的业务数据推送方法及深度学习服务系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112860994A (zh) |
-
2021
- 2021-02-04 CN CN202110156774.3A patent/CN112860994A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111708785B (zh) | 大数据挖掘处理方法、装置及云平台 | |
CN113051345A (zh) | 基于云计算和大数据的信息推送方法、系统及金融服务器 | |
CN113449011A (zh) | 基于大数据预测的信息推送更新方法及大数据预测系统 | |
CN112818343B (zh) | 一种区块链大数据分析预警方法、系统及云平台 | |
CN113343073A (zh) | 基于大数据和人工智能的信息欺诈识别方法及大数据系统 | |
CN112187890B (zh) | 基于云计算和大数据的信息分发方法及区块链金融云中心 | |
CN112765386A (zh) | 基于大数据和互联网的信息管理方法、系统及云服务器 | |
CN114221991B (zh) | 基于大数据的会话推荐反馈处理方法及深度学习服务系统 | |
CN112115996A (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
Song et al. | Few-shot open-set recognition using background as unknowns | |
CN112199715B (zh) | 基于区块链和云计算的对象生成方法及数字金融服务中心 | |
CN116737800A (zh) | 应用于供应链平台服务的大数据挖掘方法及系统 | |
CN112860994A (zh) | 结合大数据服务的业务数据推送方法及深度学习服务系统 | |
CN111814909B (zh) | 基于网络直播和在线电商带货的信息处理方法及云服务器 | |
CN116303600A (zh) | 一种基础测绘数据整合方法及系统 | |
CN113098884A (zh) | 基于大数据的网络安全监控方法、云平台系统及介质 | |
CN111800790B (zh) | 基于云计算和5g互联的信息解析方法及人机协同云平台 | |
CN114547440A (zh) | 基于互联网大数据的用户画像挖掘方法及人工智能云系统 | |
CN110177006B (zh) | 基于接口预测模型的节点测试方法及装置 | |
CN113935034A (zh) | 基于图神经网络的恶意代码家族分类方法、装置和存储介质 | |
CN113032547A (zh) | 基于人工智能的大数据处理方法、系统及云平台 | |
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 | |
CN113157293A (zh) | 结合大数据服务的业务场景识别方法及深度学习服务系统 | |
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 | |
CN114219516B (zh) | 基于大数据的信息流会话推荐方法及深度学习服务系统 |
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 |
Application publication date: 20210528 |
|
WW01 | Invention patent application withdrawn after publication |