CN113052269B - 智能协同识别方法、系统、设备及介质 - Google Patents

智能协同识别方法、系统、设备及介质 Download PDF

Info

Publication number
CN113052269B
CN113052269B CN202110472018.1A CN202110472018A CN113052269B CN 113052269 B CN113052269 B CN 113052269B CN 202110472018 A CN202110472018 A CN 202110472018A CN 113052269 B CN113052269 B CN 113052269B
Authority
CN
China
Prior art keywords
identification
intelligent
data
detected
identification data
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
Application number
CN202110472018.1A
Other languages
English (en)
Other versions
CN113052269A (zh
Inventor
张军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai DC Science Co Ltd
Original Assignee
Shanghai DC Science Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai DC Science Co Ltd filed Critical Shanghai DC Science Co Ltd
Priority to CN202110472018.1A priority Critical patent/CN113052269B/zh
Publication of CN113052269A publication Critical patent/CN113052269A/zh
Application granted granted Critical
Publication of CN113052269B publication Critical patent/CN113052269B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了智能协同识别方法、系统、设备及介质，获取待解析智能识别数据对应的协同处理数据获取识别指标，根据识别指标确定待解析智能识别数据对应的目标识别策略，待处理识别模型包括所有区分识别策略和样本采集识别策略，识别指标与协同处理过程中对应的识别指标保持一致，最后根据目标识别策略对待解析智能识别数据对应的协同处理数据进行解析得到对应的解析智能识别数据。因此获取待解析智能识别数据对应的识别指标，该识别指标与协同处理过程中对应的识别指标保持一致，即在解析过程中重复协同处理过程中的识别指标，再根据识别指标确定目标识别策略，最后根据目标识别策略进行解析从而能够得到准确的解析智能识别数据。

Description

智能协同识别方法、系统、设备及介质
技术领域
本公开涉及数据识别技术领域，特别涉及智能协同识别方法、系统、设备及介质。
背景技术
“开放与整合”已成为协同软件发展的大势所趋。因为用户需要的不再是一个简单的办公软件，而是富有智慧和生命力的协同办公平台，要求从底层支持跨平台、多语言，无限制动态拓展，实现办公、业务、决策的一体化管理。
随着协同软件的普及，各软件商都推出自己的协同软件，应该讲各具特色，在一些企业的协同办公过程中，起到了一定的作用，但随着协同理念的发展，企业对智能协同的要求越来越迫切。到底什么是智能协同软件，智能协同改怎样去理解，易协软件经过与各行业企业的沟通，发现企业在经过多年的信息化建设，对协同的理解更加深入，要求也更高。但是，在智能协同识别存在一些技术上的缺陷。
发明内容
为改善相关技术中存在的上述背景技术存在的技术问题，本公开提供了智能协同识别方法、系统、设备及介质。
本申请提供了一种智能协同识别方法，所述方法包括：
获取待检测智能识别数据；
获取所述待检测智能识别数据对应的识别指标，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，所述识别指标在解析过程中重复，所述待处理识别模型包括所有区分识别策略和样本采集识别策略；
根据所述目标识别策略对所述待检测智能识别数据进行协同处理得到所述待检测智能识别数据对应的协同处理数据。
优选地，所述获取所述待检测智能识别数据对应的识别指标，包括：
获取所述待检测智能识别数据对应的数据类别，根据所述数据类别获取所述待检测智能识别数据对应的识别指标。
优选地，所述获取所述待检测智能识别数据对应的识别指标，包括：
获取所述待检测智能识别数据对应的内容信息，获取所述待检测智能识别数据对应的初始区分信息和第一识别标准值；
所述根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，包括：根据所述内容信息和所述初始区分信息确定得到对应的识别结果；根据所述识别结果和所述第一识别标准值确定所述待检测智能识别数据对应的目标识别策略。
优选地，所述获取所述待检测智能识别数据对应的识别指标，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，包括：
确定目标适配类别协同处理集在所述待检测智能识别数据对应的相邻协同处理的智能识别数据中的占比；
根据所述占比确定所述待检测智能识别数据对应的目标识别策略。
优选地，所述根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，包括：
确定相邻协同处理的智能识别数据中的协同处理集在所述相邻协同处理的智能识别数据中的占比；
当所述占比大于第二识别标准值时，确定所述目标识别策略为样本采集识别策略。
优选地，所述方法还包括：
获取所述待检测智能识别数据对应的识别系数对应的识别策略；
根据所述识别策略确定所述第二识别标准值。
优选地，所述获取所述待检测智能识别数据对应的识别指标，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，包括：
获取所述待检测智能识别数据对应的当前识别特征矢量；
获取所述待检测智能识别数据对应的识别特征矢量识别标准值；
根据所述当前识别特征矢量与所述识别特征矢量识别标准值的映射关系确定所述待检测智能识别数据对应的识别策略。
本申请提供了一种智能协同识别系统，所述系统包括数据采集端和终端设备，所述数据采集端和所述终端设备通信连接，所述终端设备包括：
数据获取模块，用于获取待检测智能识别数据；
数据解析模块，用于获取所述待检测智能识别数据对应的识别指标，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，所述识别指标在解析过程中重复，所述待处理识别模型包括所有区分识别策略和样本采集识别策略；
协同处理模块，用于根据所述目标识别策略对所述待检测智能识别数据进行协同处理得到所述待检测智能识别数据对应的协同处理数据。
本申请提供了一种终端设备，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现上述任一项所述的方法。
本申请提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述任一项所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果。
智能协同识别方法、系统、设备及介质，获取待解析智能识别数据对应的协同处理数据，获取待解析智能识别数据对应的识别指标，根据识别指标确定待解析智能识别数据对应的目标识别策略，目标识别策略为待处理识别模型中的一类，待处理识别模型包括所有区分识别策略和样本采集识别策略，识别指标与协同处理过程中对应的识别指标保持一致，最后根据目标识别策略对待解析智能识别数据对应的协同处理数据进行解析，得到对应的解析智能识别数据。因此进行解析时，获取待解析智能识别数据对应的识别指标，该识别指标与协同处理过程中对应的识别指标保持一致，即在解析过程中重复协同处理过程中的识别指标，再根据识别指标确定目标识别策略，最后根据目标识别策略进行解析的，从而能够得到准确的解析智能识别数据。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1为本发明实施例所提供的智能协同识别系统的架构示意图；
图2为本发明实施例所提供的智能协同识别方法的流程图；
图3为本发明实施例所提供的智能协同识别装置的功能模块框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了便于对上述的智能协同识别方法及装置进行阐述，请结合参考图1，提供了本发明实施例所公开的智能协同识别系统100的通信架构示意图。其中，所述智能协同识别系统100可以包括数据处理服务器300以及数据采集端200，所述数据处理服务器300与所述数据采集端200通信连接。
在具体的实施方式中，数据处理服务器300可以是台式电脑、平板电脑、笔记本电脑、手机或者其他能够实现数据处理以及数据通信的数据处理服务器，在此不作过多限定。
在上述基础上，请结合参阅图2，为本发明实施例所提供的智能协同识别方法的流程示意图，所述智能协同识别方法可以应用于图1中的数据处理服务器300，进一步地，所述智能协同识别方法具体可以包括以下步骤S21-步骤S23所描述的内容。
步骤S21，获取待检测智能识别数据。
示例性的，所述待检测智能识别数据是通过数据采集端采集到的实时数据，具体可以是用户信息数据、用户行为数据、交易数据等。
步骤S22，获取所述待检测智能识别数据对应的识别指标，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，所述识别指标在解析过程中重复，所述待处理识别模型包括所有区分识别策略和样本采集识别策略。
示例性的，所述识别指标表示用于识别待检测智能识别数据可用数据的标准。所述目标识别策略表示识别指标通过待处理识别模型确定出满足质变的范围区间。
步骤S23，根据所述目标识别策略对所述待检测智能识别数据进行协同处理得到所述待检测智能识别数据对应的协同处理数据。
示例性的，所述协同处理数据表示最终待检测智能识别数据能进行协同处理的数据集合。
可以理解，在执行上述步骤S21-步骤S23所描述的内容时，获取待解析智能识别数据对应的协同处理数据，获取待解析智能识别数据对应的识别指标，根据识别指标确定待解析智能识别数据对应的目标识别策略，目标识别策略为待处理识别模型中的一类，待处理识别模型包括所有区分识别策略和样本采集识别策略，识别指标与协同处理过程中对应的识别指标保持一致，最后根据目标识别策略对待解析智能识别数据对应的协同处理数据进行解析，得到对应的解析智能识别数据。因此进行解析时，获取待解析智能识别数据对应的识别指标，该识别指标与协同处理过程中对应的识别指标保持一致，即在解析过程中重复协同处理过程中的识别指标，再根据识别指标确定目标识别策略，最后根据目标识别策略进行解析的，从而能够得到准确的解析智能识别数据。
在实际操作过程中，发明人发现，所述获取所述待检测智能识别数据对应的识别指标，存在待检测智能识别数据不可靠的问题，从而难以可靠地获得对应的识别指标，为了改善上述问题，步骤S22所描述的所述获取所述待检测智能识别数据对应的识别指标的步骤，具体可以包括以下步骤S221所描述的内容。
步骤S221，获取所述待检测智能识别数据对应的数据类别，根据所述数据类别获取所述待检测智能识别数据对应的识别指标。
可以理解，在执行上述步骤S221所描述的内容时，获取所述待检测智能识别数据对应的识别指标，避免待检测智能识别数据不可靠的问题，从而能够可靠地获得对应的识别指标。
在实际操作过程中，发明人发现，所述获取所述待检测智能识别数据对应的识别指标，存在识别到的识别指标不精确的问题，从而难以精确地获得识别指标，为了改善上述问题，步骤S22所描述的获取所述待检测智能识别数据对应的识别指标的步骤，具体可以包括以下步骤a1-步骤a3所描述的内容。
步骤a1，获取所述待检测智能识别数据对应的内容信息，获取所述待检测智能识别数据对应的初始区分信息和第一识别标准值。
步骤a2，所述根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，包括：根据所述内容信息和所述初始区分信息确定得到对应的识别结果。
步骤a3，根据所述识别结果和所述第一识别标准值确定所述待检测智能识别数据对应的目标识别策略。
可以理解，在执行上述步骤a1-步骤a3所描述的内容时，获取所述待检测智能识别数据对应的识别指标，避免识别到的识别指标不精确的问题，从而能够精确地获得识别指标。
在实际操作过程中，发明人发现，所述获取所述待检测智能识别数据对应的识别指标，在根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略时，存在模型计算不精确的问题，从而难以精确地得到目标识别策略，为了改善上述技术问题，步骤S22所描述的获取所述待检测智能识别数据对应的识别指标，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略的步骤，具体可以包括以下步骤w1和步骤w2所描述的内容。
步骤w1，确定目标适配类别协同处理集在所述待检测智能识别数据对应的相邻协同处理的智能识别数据中的占比。
步骤w2，根据所述占比确定所述待检测智能识别数据对应的目标识别策略。
可以理解，在执行上述步骤w1和步骤w2所描述的内容时，获取所述待检测智能识别数据对应的识别指标，在根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略时，避免模型计算不精确的问题，从而能够精确地得到目标识别策略。
在实际操作过程中，发明人发现，所述根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略时，存在计算比例不准确地的问题，从而难以精确地得到目标识别策略，为了改善上述技术问题，步骤S22所描述的根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略的步骤，具体可以包括以下步骤e1和步骤e2所描述的内容。
步骤e1确定相邻协同处理的智能识别数据中的协同处理集在所述相邻协同处理的智能识别数据中的占比。
步骤e2，当所述占比大于第二识别标准值时，确定所述目标识别策略为样本采集识别策略。
可以理解，在执行上述步骤e1和步骤e2所描述的内容时，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略时，避免计算比例不准确地的问题，从而能够精确地得到目标识别策略。
基于上述基础，还包括以下步骤r1和步骤r2所描述的内容。
步骤r1，获取所述待检测智能识别数据对应的识别系数对应的识别策略。
步骤r2，根据所述识别策略确定所述第二识别标准值。
可以理解，在执行上述步骤r1和步骤r2所描述的内容时，通过识别策略能精确地确定出第二识别标准值。
在实际操作过程中，发明人发现，所述获取所述待检测智能识别数据对应的识别指标，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略时，存在映射关系不紊乱的问题，从而难以准确地得到目标识别策略，为了改善上述技术问题，步骤S22所描述的所述获取所述待检测智能识别数据对应的识别指标，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略的步骤，具体可以包括以下步骤t1-步骤t3所描述的内容。
步骤t1，获取所述待检测智能识别数据对应的当前识别特征矢量。
步骤t2，获取所述待检测智能识别数据对应的识别特征矢量识别标准值。
步骤t3，根据所述当前识别特征矢量与所述识别特征矢量识别标准值的映射关系确定所述待检测智能识别数据对应的识别策略。
可以理解，在执行上述步骤t1-步骤t3所描述的内容时，获取所述待检测智能识别数据对应的识别指标，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略时，避免映射关系不紊乱的问题，从而能够准确地得到目标识别策略。
在实际操作过程中，发明人发现，根据所述目标识别策略对所述待检测智能识别数据进行协同处理时，存在相关数据不精确地的问题，从而难以精确地得到所述待检测智能识别数据对应的协同处理数据，为了改善上述技术问题，步骤S23所描述的根据所述目标识别策略对所述待检测智能识别数据进行协同处理得到所述待检测智能识别数据对应的协同处理数据的步骤，具体可以包括以下步骤S231和步骤S232所描述的内容。
步骤S231，根据所述目标识别策略对所述待检测智能识别数据进行处理，得到待协同处理集。
步骤S232，在所述待协同处理集的区分下，对所述待协同处理集进行协同处理得到所述待检测智能识别数据对应的协同处理数据。
可以理解，在执行上述步骤S231和步骤S232所描述的内容时，根据所述目标识别策略对所述待检测智能识别数据进行协同处理时，避免相关数据不精确地的问题，从而能够精确地得到所述待检测智能识别数据对应的协同处理数据。
在实际操作过程中，发明人发现，所述获取所述待检测智能识别数据对应的识别指标，存在相关数据重复的问题，从而难以精确的得到识别指标，为了改善上述技术问题，步骤S22所描述的所述获取所述待检测智能识别数据对应的识别指标的步骤，具体可以包括以下步骤o1和步骤o2所描述的内容。
步骤o1，当所述识别指标为传输至解析端的协同处理数据。
步骤o2，和/或根据所述传输至解析端的协同处理数据得到的处理数据结果时，确定所述识别指标为在解析过程中重复的指标。
可以理解，在执行上述步骤o1和步骤o2所描述的内容时，获取所述待检测智能识别数据对应的识别指标，避免相关数据重复的问题，从而能够精确的得到识别指标。
在实际操作过程中，发明人发现，所述根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，存在相关数据混乱的情况，从而难以精确地得到目标识别策略，为了改善上述技术问题，步骤S22所描述的所述根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略的步骤，具体可以包括以下步骤n1-步骤n5所描述的内容。
步骤n1，获取所述待检测智能识别数据对应的相邻协同处理的智能识别数据中的相邻协同处理集。
步骤n2，确定所述相邻协同处理集对应的训练模型识别值。
步骤n3，根据所述训练模型识别值将所述相邻协同处理集分类到训练模型集合中的目标训练模型组合，所述训练模型组合集合中的各个预处理训练模型组合分别对应不同的训练模型识别值区间。
步骤n4，获取预处理训练模型组合与所述待处理识别模型之间的关联关系。
步骤n5，根据所述预处理训练模型组合与所述待处理识别模型之间的关联关系和所述目标训练模型组合确定所述待检测智能识别数据对应的目标识别策略。
可以理解，在执行上述步骤n1-步骤n5所描述的内容时，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，避免相关数据混乱的情况，从而能够精确地得到目标识别策略。
在实际操作过程中，发明人发现，所述根据所述识别指标从待处理识别模型中，存在识别指标和待处理识别模型不存在关联性，从而不能精确地确定所述待检测智能识别数据对应的目标识别策略，为了改善上述技术问题，步骤S22所描述的所述根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略的步骤，具体可以包括以下步骤k1-步骤k3所描述的内容。
步骤k1，确定所述待检测智能识别数据对应的相邻构建集对应的目标识别内容相似度。
步骤k2，获取预处理识别内容相似度与所述待处理识别模型之间的关联关系。
步骤k3，根据所述关联关系，确定与所述目标识别内容相似度对应的目标识别策略。
可以理解，在执行上述步骤k1-步骤k3所描述的内容时，根据所述识别指标从待处理识别模型中，避免识别指标和待处理识别模型不存在关联性，从而能够精确地确定所述待检测智能识别数据对应的目标识别策略。
基于上述同样的发明构思，请结合参阅图3，还提供了智能协同识别装置500的功能训练模型框图，关于所述智能协同识别装置500的详细描述如下。
智能协同识别装置500，应用于数据处理服务器，所述装置500包括：
数据获取模块510，用于获取待检测智能识别数据；
数据解析模块520，用于获取所述待检测智能识别数据对应的识别指标，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，所述识别指标在解析过程中重复，所述待处理识别模型包括所有区分识别策略和样本采集识别策略；
协同处理模块530，用于根据所述目标识别策略对所述待检测智能识别数据进行协同处理得到所述待检测智能识别数据对应的协同处理数据。
进一步地，所述数据解析模块520，具体用于：
获取所述待检测智能识别数据对应的数据类别，根据所述数据类别获取所述待检测智能识别数据对应的识别指标。
进一步地，所述数据解析模块520，具体用于：
获取所述待检测智能识别数据对应的内容信息，获取所述待检测智能识别数据对应的初始区分信息和第一识别标准值；
所述根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，包括：根据所述内容信息和所述初始区分信息确定得到对应的识别结果；
根据所述识别结果和所述第一识别标准值确定所述待检测智能识别数据对应的目标识别策略。
进一步地，所述数据解析模块520，具体用于：
确定目标适配类别协同处理集在所述待检测智能识别数据对应的相邻协同处理的智能识别数据中的占比；
根据所述占比确定所述待检测智能识别数据对应的目标识别策略。
进一步地，所述数据解析模块520，具体用于：
确定相邻协同处理的智能识别数据中的协同处理集在所述相邻协同处理的智能识别数据中的占比；
当所述占比大于第二识别标准值时，确定所述目标识别策略为样本采集识别策略。
进一步地，所述数据解析模块520，具体用于：
获取所述待检测智能识别数据对应的当前识别特征矢量；
获取所述待检测智能识别数据对应的识别特征矢量识别标准值；
根据所述当前识别特征矢量与所述识别特征矢量识别标准值的映射关系确定所述待检测智能识别数据对应的识别策略。
进一步地，协同处理模块530，具体用于：
根据所述目标识别策略对所述待检测智能识别数据进行处理，得到待协同处理集；
在所述待协同处理集的区分下，对所述待协同处理集进行协同处理得到所述待检测智能识别数据对应的协同处理数据。
进一步地，所述数据解析模块520，具体用于：
当所述识别指标为传输至解析端的协同处理数据；
和/或根据所述传输至解析端的协同处理数据得到的处理数据结果时，确定所述识别指标为在解析过程中重复的指标。
进一步地，所述数据解析模块520，具体用于：
获取所述待检测智能识别数据对应的相邻协同处理的智能识别数据中的相邻协同处理集；
确定所述相邻协同处理集对应的训练模型识别值；
根据所述训练模型识别值将所述相邻协同处理集分类到训练模型集合中的目标训练模型组合，所述训练模型组合集合中的各个预处理训练模型组合分别对应不同的训练模型识别值区间；
获取预处理训练模型组合与所述待处理识别模型之间的关联关系；
根据所述预处理训练模型组合与所述待处理识别模型之间的关联关系和所述目标训练模型组合确定所述待检测智能识别数据对应的目标识别策略。
综上智能协同识别方法、系统、设备及介质，获取待解析智能识别数据对应的协同处理数据，获取待解析智能识别数据对应的识别指标，根据识别指标确定待解析智能识别数据对应的目标识别策略，目标识别策略为待处理识别模型中的一类，待处理识别模型包括所有区分识别策略和样本采集识别策略，识别指标与协同处理过程中对应的识别指标保持一致，最后根据目标识别策略对待解析智能识别数据对应的协同处理数据进行解析，得到对应的解析智能识别数据。因此进行解析时，获取待解析智能识别数据对应的识别指标，该识别指标与协同处理过程中对应的识别指标保持一致，即在解析过程中重复协同处理过程中的识别指标，再根据识别指标确定目标识别策略，最后根据目标识别策略进行解析的，从而能够得到准确的解析智能识别数据。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其区间执行各种修改和改变。本发明的区间仅由所附的权利要求来限制。

Claims (7)

1.一种智能协同识别方法，其特征在于，所述方法包括：
获取待检测智能识别数据；
获取所述待检测智能识别数据对应的识别指标，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，所述识别指标在解析过程中重复，所述待处理识别模型包括所有区分识别策略和样本采集识别策略；
根据所述目标识别策略对所述待检测智能识别数据进行协同处理得到所述待检测智能识别数据对应的协同处理数据；
其中，所述获取所述待检测智能识别数据对应的识别指标，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，包括：
确定目标适配类别协同处理集在所述待检测智能识别数据对应的相邻协同处理的智能识别数据中的占比；
根据所述占比确定所述待检测智能识别数据对应的目标识别策略；
其中，所述根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，包括：
确定相邻协同处理的智能识别数据中的协同处理集在所述相邻协同处理的智能识别数据中的占比；
当所述占比大于第二识别标准值时，确定所述目标识别策略为样本采集识别策略；
其中，所述方法还包括：
获取所述待检测智能识别数据对应的识别系数对应的识别策略；
根据所述识别策略确定所述第二识别标准值。
2.根据权利要求1所述的方法，其特征在于，所述获取所述待检测智能识别数据对应的识别指标，包括：
获取所述待检测智能识别数据对应的数据类别，根据所述数据类别获取所述待检测智能识别数据对应的识别指标。
3.根据权利要求1所述的方法，其特征在于，所述获取所述待检测智能识别数据对应的识别指标，包括：
获取所述待检测智能识别数据对应的内容信息，获取所述待检测智能识别数据对应的初始区分信息和第一识别标准值；
所述根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，包括：根据所述内容信息和所述初始区分信息确定得到对应的识别结果；
根据所述识别结果和所述第一识别标准值确定所述待检测智能识别数据对应的目标识别策略。
4.根据权利要求1所述的方法，其特征在于，所述获取所述待检测智能识别数据对应的识别指标，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，包括：
获取所述待检测智能识别数据对应的当前识别特征矢量；
获取所述待检测智能识别数据对应的识别特征矢量识别标准值；
根据所述当前识别特征矢量与所述识别特征矢量识别标准值的映射关系确定所述待检测智能识别数据对应的识别策略。
5.一种智能协同识别系统，其特征在于，所述系统包括数据采集端和终端设备，所述数据采集端和所述终端设备通信连接，所述终端设备包括：
数据获取模块，用于获取待检测智能识别数据；
数据解析模块，用于获取所述待检测智能识别数据对应的识别指标，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，所述识别指标在解析过程中重复，所述待处理识别模型包括所有区分识别策略和样本采集识别策略；
协同处理模块，用于根据所述目标识别策略对所述待检测智能识别数据进行协同处理得到所述待检测智能识别数据对应的协同处理数据；
其中，所述获取所述待检测智能识别数据对应的识别指标，根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，包括：
确定目标适配类别协同处理集在所述待检测智能识别数据对应的相邻协同处理的智能识别数据中的占比；
根据所述占比确定所述待检测智能识别数据对应的目标识别策略；
其中，所述根据所述识别指标从待处理识别模型中确定所述待检测智能识别数据对应的目标识别策略，包括：
确定相邻协同处理的智能识别数据中的协同处理集在所述相邻协同处理的智能识别数据中的占比；
当所述占比大于第二识别标准值时，确定所述目标识别策略为样本采集识别策略；
获取所述待检测智能识别数据对应的识别系数对应的识别策略；
根据所述识别策略确定所述第二识别标准值。
6.一种终端设备，其特征在于，包括互相之间通信的处理器和存储器，所述处理器用于从所述存储器中调取计算机程序，并通过运行所述计算机程序实现权利要求1-4任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时实现权利要求1-4任一项所述的方法。
CN202110472018.1A 2021-04-29 2021-04-29 智能协同识别方法、系统、设备及介质 Active CN113052269B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110472018.1A CN113052269B (zh) 2021-04-29 2021-04-29 智能协同识别方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110472018.1A CN113052269B (zh) 2021-04-29 2021-04-29 智能协同识别方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN113052269A CN113052269A (zh) 2021-06-29
CN113052269B true CN113052269B (zh) 2022-09-20

Family

ID=76517867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110472018.1A Active CN113052269B (zh) 2021-04-29 2021-04-29 智能协同识别方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN113052269B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340246A (zh) * 2020-02-26 2020-06-26 未来地图(深圳)智能科技有限公司 用于企业智能决策分析的处理方法、装置和计算机设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915115B (zh) * 2019-05-10 2024-07-19 北京沃东天骏信息技术有限公司 执行策略设置方法和装置
CN110532266A (zh) * 2019-08-28 2019-12-03 京东数字科技控股有限公司 一种数据处理的方法和装置
CN110766272A (zh) * 2019-09-11 2020-02-07 国网浙江省电力有限公司杭州供电公司 基于id3决策树算法的电力业务协同分类方法及系统
CN112651520B (zh) * 2021-01-08 2023-11-17 中国科学院自动化研究所 基于数据和知识驱动的工业物联网设备协同管控系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340246A (zh) * 2020-02-26 2020-06-26 未来地图(深圳)智能科技有限公司 用于企业智能决策分析的处理方法、装置和计算机设备

Also Published As

Publication number Publication date
CN113052269A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN109582793B (zh) 模型训练方法、客服系统及数据标注系统、可读存储介质
CN111414457A (zh) 基于联邦学习的智能问答方法、装置、设备及存储介质
CN109753561B (zh) 一种自动回复的生成方法及装置
CN112199376B (zh) 一种基于聚类分析的标准知识库管理方法及系统
CN112860873B (zh) 智能应答方法、装置及存储介质
CN113052269B (zh) 智能协同识别方法、系统、设备及介质
CN114417405A (zh) 一种基于人工智能的隐私业务数据分析方法及服务器
CN112069269B (zh) 基于大数据和多维特征的数据溯源方法及大数据云服务器
CN114328942A (zh) 关系抽取方法、装置、设备、存储介质和计算机程序产品
CN111898555B (zh) 基于图像与文本的图书盘点识别方法、装置、设备及系统
CN116071609A (zh) 基于目标特征动态自适应提取的小样本图像分类方法
CN116578499A (zh) 公共组件功能变更影响的智能化分析测试方法及其系统
CN111309882A (zh) 用于实现智能客服问答的方法和装置
CN115670397A (zh) 一种ppg伪迹识别方法、装置、存储介质及电子设备
CN113868396A (zh) 基于知识图谱的任务类智能对话构建方法及系统
CN115269673A (zh) 应用人工智能的业务大数据处理方法及系统
CN111027667B (zh) 意图类别的识别方法和装置
CN114625612A (zh) 基于大数据办公的用户行为分析方法及服务系统
CN114266941A (zh) 一种快速检测图像样本标注成果数据方法
CN110955727B (zh) 学生作业自动记录系统
CN113239034A (zh) 一种基于人工智能的大数据资源整合方法、系统及云平台
CN113657440A (zh) 一种基于用户特征聚类的拒绝样本推断方法和装置
CN118035764B (zh) 数据主体的确定方法、装置及电子设备
CN116823069B (zh) 基于文本分析的智能客服服务质检方法及相关设备
CN112559873B (zh) 一种基于智慧教育的用户推荐系统

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
GR01 Patent grant
GR01 Patent grant