CN113486086A - 一种基于特征工程的数据挖掘方法及系统 - Google Patents
一种基于特征工程的数据挖掘方法及系统 Download PDFInfo
- Publication number
- CN113486086A CN113486086A CN202110749005.4A CN202110749005A CN113486086A CN 113486086 A CN113486086 A CN 113486086A CN 202110749005 A CN202110749005 A CN 202110749005A CN 113486086 A CN113486086 A CN 113486086A
- Authority
- CN
- China
- Prior art keywords
- data
- mining
- determining
- characteristic
- boundary
- 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
- 238000007418 data mining Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005065 mining Methods 0.000 claims abstract description 54
- 230000008030 elimination Effects 0.000 claims description 21
- 238000003379 elimination reaction Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06F16/20—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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于特征工程的数据挖掘方法及系统,应用于数据挖掘技术领域,首先利用数据挖掘请求初步确定特征因子,根据特征因子剔除无关数据,然后通过计算相关数据与数据挖掘请求的关联度,进行二次剔除,得到第一挖掘数据;最后判断第一挖掘数据是否属于允许误差,最终得到与用户定制的数据最精准的数据。本发明能够根据客户个性化需求获得更加准确的数据。
Description
技术领域
本发明涉及数据挖掘技术领域,更具体的说是涉及一种基于特征工程的数据挖掘方法及系统。
背景技术
近些年来,由于全球信息技术的迅速发展和互联网的快速普及造成了数据过量和信息爆炸,人们迫切需要将这些数据转换成有用的信息和知识并加以利用。这就需要用到数据挖掘技术。数据挖掘技术一般是指从大量的数据中通过算法搜索出隐藏信息的方法。数据挖掘技术广泛应用在很多行业,如金融业、通信业、交通业、大型零售业及保险业等行业。
传统的数据挖掘软件因为标准化的分析,不能处理个性化的需求,不能给用户带来很高的满意度。因此,急需开发出一种可以处理客户个性化需求的数据挖掘方法。
发明内容
有鉴于此,本发明提供了一种基于特征工程的数据挖掘方法及系统,能够根据客户个性化需求获得更加准确的数据。
为了实现上述目的,本发明提供如下技术方案:
一种基于特征工程的数据挖掘方法,具体步骤包括如下:
根据数据挖掘请求确定特征因子;
获取数据集,基于所述特征因子对所述数据集进行分类,分为相关数据和无关数据,并剔除无关数据;
利用所述相关数据确定关联度,根据所述关联度进行二次剔除,得到第一挖掘数据;
构建多元回归方程,并确定误差允许边界;
判断第一挖掘数据是否在误差允许边界内,若在,则输出第一挖掘数据;若不在,则输出第二挖掘数据,所述第二挖掘数据为剔除误差允许边界外之后的第一挖掘数据。
优选的,在上述的一种基于特征工程的数据挖掘方法中,根据数据挖掘请求确定特征因子具体步骤包括:
构建特征因子确定函数模型;
输入数据至少两次,并且前后两次输入的数据仅有一个特征因子不同;
根据所述特征因子确定函数模型,确定特征因子。
优选的,在上述的一种基于特征工程的数据挖掘方法中,得到第一挖掘数据的具体步骤包括:
将所述相关数据构建特征方程,得到特征矩阵A;
确定关联度,构建关联度矩阵B;
根据G=A×B,得到第一挖掘数据矩阵G。
优选的,在上述的一种基于特征工程的数据挖掘方法中,所述多元回归方程具体表达式为:
y=β0+β1x1+β2x2+...+βnxn;
其中,β0,β1,β2,...,βn表示回归系数;x1,x2,…,xn为二次剔除后的特征因子。
优选的,在上述的一种基于特征工程的数据挖掘方法中,确定误差允许边界的具体步骤包括:
提取多元回归方程在坐标系中的坐标组;
通过预设的边界直线函数拟合算法确定边界函数;
任选其中一个坐标组,计算所述坐标组到边界函数的距离值;
判断所述距离值与预设的距离阈值的大小,确定是否为误差允许边界内的坐标点。
一种基于特征工程的数据挖掘系统,包括:
特征因子确定模块,用于根据数据挖掘请求确定特征因子;
数据集获取模块,用户获取数据集,基于所述特征因子对所述数据集进行分类,分为相关数据和无关数据,并剔除无关数据;
二次剔除模块,利用所述相关数据确定关联度,根据所述关联度进行二次剔除,得到第一挖掘数据;
边界确定模块,构建多元回归方程,并确定误差允许边界;
判断第一挖掘数据是否在误差允许边界内,若在,则输出第一挖掘数据;若不在,则输出第二挖掘数据,所述第二挖掘数据为剔除误差允许边界外之后的第一挖掘数据。
优选的,在上述的一种基于特征工程的数据挖掘系统中,所述特征因子确定模块包括:特征因子函数单元、变量输入单元和特征因子输出单元,所述特征因子函数单元构建特征因子确定函数模型;通过所述变量输出单元输入数据至少两次,并且前后两次输入的数据仅有一个特征因子不同;根据所述特征因子确定函数模型,确定特征因子并利用所述特征因子输出单元输出。
优选的,在上述的一种基于特征工程的数据挖掘系统中,二次剔除模块包括:关联度确定单元、特征确定单元和第一挖掘数据输出单元;所述特征确定单元将所述相关数据构建特征方程,得到特征矩阵A;所述关联度确定单元确定关联度,构建关联度矩阵B;所述第一挖掘数据输出单元,根据G=A×B,得到第一挖掘数据矩阵G。
优选的,在上述的一种基于特征工程的数据挖掘系统中,边界确定模块包括:
坐标组提取单元,提取多元回归方程在坐标系中的坐标组;
边界函数确定单元,通过预设的边界直线函数拟合算法确定边界函数;
距离值计算单元,任选其中一个坐标组,计算所述坐标组到边界函数的距离值;
坐标点判断单元,判断所述距离值与预设的距离阈值的大小,确定是否为误差允许边界内的坐标点。
优选的,在上述的一种基于特征工程的数据挖掘系统中,所述边界确定模块还包括:多元回归方程确定单元,具体表达式为:
y=β0+β1x1+β2x2+...+βnxn;
其中,β0,β1,β2,...,βn表示回归系数;x1,x2,…,xn为二次剔除后的特征因子。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于特征工程的数据挖掘方法及系统,能够根据客户个性化需求获得更加准确的数据;首先利用数据挖掘请求初步确定特征因子,根据特征因子剔除无关数据,然后通过计算相关数据与数据挖掘请求的关联度,进行二次剔除,得到第一挖掘数据;最后判断第一挖掘数据是否属于允许误差,最终得到与用户定制的数据最精准的数据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明的方法流程图;
图2附图为本发明的结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例以获取某设备故障数据,以及故障原因等;
本发明的实施例公开了一种基于特征工程的数据挖掘方法,如图1所示,具体步骤包括如下:
根据数据挖掘请求确定特征因子;
获取数据集,基于所述特征因子对所述数据集进行分类,分为相关数据和无关数据,并剔除无关数据;
利用所述相关数据确定关联度,根据所述关联度进行二次剔除,得到第一挖掘数据;
构建多元回归方程,并确定误差允许边界;
判断第一挖掘数据是否在误差允许边界内,若在,则输出第一挖掘数据;若不在,则输出第二挖掘数据,所述第二挖掘数据为剔除误差允许边界外之后的第一挖掘数据。
为了进一步优化上述技术方案,根据数据挖掘请求确定特征因子具体步骤包括:
构建特征因子确定函数模型;
输入数据至少两次,并且前后两次输入的数据仅有一个特征因子不同;
根据所述特征因子确定函数模型,确定特征因子。
例如,特征因子确定函数模型Z=M×N,其中,M表示特征因子参数矩阵,N表示权重矩阵;改变其中某一特征因子的参数得到不同表征结果,说明当前改变的特征因子为相关数据。
进一步,获取设备故障的各项参数、设备型号、发生故障的天气、温度、操作等;
利用聚类算法将上述特征因子进行聚类,删除无关数据,例如操作人员并无不当操作,那么操作人员的操作显然属于无关数据。
为了进一步优化上述技术方案,得到第一挖掘数据的具体步骤包括:
将所述相关数据构建特征方程,得到特征矩阵A;
确定关联度,构建关联度矩阵B;
根据G=A×B,得到第一挖掘数据矩阵G。
进一步,计算时间变化过程中设备故障参数;
前后时刻设备故障参数进行作差;
计算两极最大值和最小值;
最后计算关联系数,得到关联度。
为了进一步优化上述技术方案,所述多元回归方程具体表达式为:
y=β0+β1x1+β2x2+…+βnxn;
其中,β0,β1,β2,...,βn表示回归系数;x1,x2,…,xn为二次剔除后的特征因子。
进一步,例如x1,x2,…,xn分别表示设备类型、故障时间、故障表征等。
为了进一步优化上述技术方案,确定误差允许边界的具体步骤包括:
提取多元回归方程在坐标系中的坐标组;
通过预设的边界直线函数拟合算法确定边界函数;
任选其中一个坐标组,计算所述坐标组到边界函数的距离值;
判断所述距离值与预设的距离阈值的大小,确定是否为误差允许边界内的坐标点。
一种基于特征工程的数据挖掘系统,如图2所示,包括:
特征因子确定模块,用于根据数据挖掘请求确定特征因子;
数据集获取模块,用户获取数据集,基于所述特征因子对所述数据集进行分类,分为相关数据和无关数据,并剔除无关数据;
二次剔除模块,利用所述相关数据确定关联度,根据所述关联度进行二次剔除,得到第一挖掘数据;
边界确定模块,构建多元回归方程,并确定误差允许边界;
判断第一挖掘数据是否在误差允许边界内,若在,则输出第一挖掘数据;若不在,则输出第二挖掘数据,所述第二挖掘数据为剔除误差允许边界外之后的第一挖掘数据。
为了进一步优化上述技术方案,所述特征因子确定模块包括:特征因子函数单元、变量输入单元和特征因子输出单元,所述特征因子函数单元构建特征因子确定函数模型;通过所述变量输出单元输入数据至少两次,并且前后两次输入的数据仅有一个特征因子不同;根据所述特征因子确定函数模型,确定特征因子并利用所述特征因子输出单元输出。
为了进一步优化上述技术方案,二次剔除模块包括:关联度确定单元、特征确定单元和第一挖掘数据输出单元;所述特征确定单元将所述相关数据构建特征方程,得到特征矩阵A;所述关联度确定单元确定关联度,构建关联度矩阵B;所述第一挖掘数据输出单元,根据G=A×B,得到第一挖掘数据矩阵G。
为了进一步优化上述技术方案,边界确定模块包括:
坐标组提取单元,提取多元回归方程在坐标系中的坐标组;
边界函数确定单元,通过预设的边界直线函数拟合算法确定边界函数;
距离值计算单元,任选其中一个坐标组,计算所述坐标组到边界函数的距离值;
坐标点判断单元,判断所述距离值与预设的距离阈值的大小,确定是否为误差允许边界内的坐标点。
为了进一步优化上述技术方案,所述边界确定模块还包括:多元回归方程确定单元,具体表达式为:
y=β0+β1x1+β2x2+…+βnxn;
其中,β0,β1,β2,…,βn表示回归系数;x1,x2,…,xn为二次剔除后的特征因子。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于特征工程的数据挖掘方法,其特征在于,具体步骤包括如下:根据数据挖掘请求确定特征因子;
获取数据集,基于所述特征因子对所述数据集进行分类,分为相关数据和无关数据,并剔除无关数据;
利用所述相关数据确定关联度,根据所述关联度进行二次剔除,得到第一挖掘数据;
构建多元回归方程,并确定误差允许边界;
判断第一挖掘数据是否在误差允许边界内,若在,则输出第一挖掘数据;若不在,则输出第二挖掘数据,所述第二挖掘数据为剔除误差允许边界外之后的第一挖掘数据。
2.根据权利要求1所述的一种基于特征工程的数据挖掘方法,其特征在于,根据数据挖掘请求确定特征因子具体步骤包括:
构建特征因子确定函数模型;
输入数据至少两次,并且前后两次输入的数据仅有一个特征因子不同;
根据所述特征因子确定函数模型,确定特征因子。
3.根据权利要求1所述的一种基于特征工程的数据挖掘方法,其特征在于,得到第一挖掘数据的具体步骤包括:
将所述相关数据构建特征方程,得到特征矩阵A;
确定关联度,构建关联度矩阵B;
根据G=A×B,得到第一挖掘数据矩阵G。
4.根据权利要求1所述的一种基于特征工程的数据挖掘方法,其特征在于,所述多元回归方程具体表达式为:
y=β0+β1x1+β2x2+...+βnxn;
其中,β0,β1,β2,...,βn表示回归系数;x1,x2,...,xn为二次剔除后的特征因子。
5.根据权利要求1所述的一种基于特征工程的数据挖掘方法,其特征在于,确定误差允许边界的具体步骤包括:
提取多元回归方程在坐标系中的坐标组;
通过预设的边界直线函数拟合算法确定边界函数;
任选其中一个坐标组,计算所述坐标组到边界函数的距离值;
判断所述距离值与预设的距离阈值的大小,确定是否为误差允许边界内的坐标点。
6.一种基于特征工程的数据挖掘系统,其特征在于,包括:
特征因子确定模块,用于根据数据挖掘请求确定特征因子;
数据集获取模块,用户获取数据集,基于所述特征因子对所述数据集进行分类,分为相关数据和无关数据,并剔除无关数据;
二次剔除模块,利用所述相关数据确定关联度,根据所述关联度进行二次剔除,得到第一挖掘数据;
边界确定模块,构建多元回归方程,并确定误差允许边界;
判断第一挖掘数据是否在误差允许边界内,若在,则输出第一挖掘数据;若不在,则输出第二挖掘数据,所述第二挖掘数据为剔除误差允许边界外之后的第一挖掘数据。
7.根据权利要求6所述的一种基于特征工程的数据挖掘系统,其特征在于,所述特征因子确定模块包括:特征因子函数单元、变量输入单元和特征因子输出单元,所述特征因子函数单元构建特征因子确定函数模型;通过所述变量输出单元输入数据至少两次,并且前后两次输入的数据仅有一个特征因子不同;根据所述特征因子确定函数模型,确定特征因子并利用所述特征因子输出单元输出。
8.根据权利要求6所述的一种基于特征工程的数据挖掘系统,其特征在于,二次剔除模块包括:关联度确定单元、特征确定单元和第一挖掘数据输出单元;所述特征确定单元将所述相关数据构建特征方程,得到特征矩阵A;
所述关联度确定单元确定关联度,构建关联度矩阵B;
所述第一挖掘数据输出单元,根据G=A×B,得到第一挖掘数据矩阵G。
9.根据权利要求6所述的一种基于特征工程的数据挖掘系统,其特征在于,边界确定模块包括:
坐标组提取单元,提取多元回归方程在坐标系中的坐标组;
边界函数确定单元,通过预设的边界直线函数拟合算法确定边界函数;
距离值计算单元,任选其中一个坐标组,计算所述坐标组到边界函数的距离值;
坐标点判断单元,判断所述距离值与预设的距离阈值的大小,确定是否为误差允许边界内的坐标点。
10.根据权利要求9所述的一种基于特征工程的数据挖掘系统,其特征在于,所述边界确定模块还包括:多元回归方程确定单元,具体表达式为:
y=β0+β1x1+β2x2+...+βnxn;
其中,β0,β1,β2,...,βn表示回归系数;x1,x2,...,xn为二次剔除后的特征因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110749005.4A CN113486086A (zh) | 2021-07-01 | 2021-07-01 | 一种基于特征工程的数据挖掘方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110749005.4A CN113486086A (zh) | 2021-07-01 | 2021-07-01 | 一种基于特征工程的数据挖掘方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113486086A true CN113486086A (zh) | 2021-10-08 |
Family
ID=77940162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110749005.4A Pending CN113486086A (zh) | 2021-07-01 | 2021-07-01 | 一种基于特征工程的数据挖掘方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486086A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115292388A (zh) * | 2022-09-29 | 2022-11-04 | 广州天维信息技术股份有限公司 | 一种基于历史数据的方案自动挖掘系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163301A (zh) * | 2011-04-12 | 2011-08-24 | 上海大学 | 基于bp人工神经网络的农作物害虫发生量的预测方法 |
CN107085727A (zh) * | 2017-03-28 | 2017-08-22 | 深圳怡化电脑股份有限公司 | 一种图像边界函数的确定方法及其装置 |
CN109753632A (zh) * | 2018-11-01 | 2019-05-14 | 北京理工大学 | 一种基于数据挖掘的表面粗糙度监测模型及构建方法 |
CN110491490A (zh) * | 2019-07-11 | 2019-11-22 | 深圳市翩翩科技有限公司 | 一种医生评估方法及装置 |
CN111066562A (zh) * | 2019-12-24 | 2020-04-28 | 北京农业信息技术研究中心 | 一种葡萄霜霉病预测方法及系统 |
CN111178382A (zh) * | 2019-11-26 | 2020-05-19 | 国网浙江省电力有限公司湖州供电公司 | 一种基于工单数据挖掘的抢修服务预测分析方法 |
CN112819608A (zh) * | 2021-02-05 | 2021-05-18 | 建信金融科技有限责任公司 | 一种基于多元回归与时间序列的区域信贷预测方法及系统 |
-
2021
- 2021-07-01 CN CN202110749005.4A patent/CN113486086A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163301A (zh) * | 2011-04-12 | 2011-08-24 | 上海大学 | 基于bp人工神经网络的农作物害虫发生量的预测方法 |
CN107085727A (zh) * | 2017-03-28 | 2017-08-22 | 深圳怡化电脑股份有限公司 | 一种图像边界函数的确定方法及其装置 |
CN109753632A (zh) * | 2018-11-01 | 2019-05-14 | 北京理工大学 | 一种基于数据挖掘的表面粗糙度监测模型及构建方法 |
CN110491490A (zh) * | 2019-07-11 | 2019-11-22 | 深圳市翩翩科技有限公司 | 一种医生评估方法及装置 |
CN111178382A (zh) * | 2019-11-26 | 2020-05-19 | 国网浙江省电力有限公司湖州供电公司 | 一种基于工单数据挖掘的抢修服务预测分析方法 |
CN111066562A (zh) * | 2019-12-24 | 2020-04-28 | 北京农业信息技术研究中心 | 一种葡萄霜霉病预测方法及系统 |
CN112819608A (zh) * | 2021-02-05 | 2021-05-18 | 建信金融科技有限责任公司 | 一种基于多元回归与时间序列的区域信贷预测方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115292388A (zh) * | 2022-09-29 | 2022-11-04 | 广州天维信息技术股份有限公司 | 一种基于历史数据的方案自动挖掘系统 |
CN115292388B (zh) * | 2022-09-29 | 2023-01-24 | 广州天维信息技术股份有限公司 | 一种基于历史数据的方案自动挖掘系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107193876B (zh) | 一种基于最近邻knn算法的缺失数据填补方法 | |
CN109522420B (zh) | 一种获取学习需求的方法及系统 | |
CN102799591A (zh) | 一种提供推荐词的方法及装置 | |
CN110781381B (zh) | 基于神经网络的数据验证方法、装置、设备及存储介质 | |
US20070233436A1 (en) | Structural analysis apparatus, structural analysis method, and structural analysis program | |
CN103885937A (zh) | 基于核心词相似度判断企业中文名称重复的方法 | |
CN111680165B (zh) | 信息匹配方法、装置、可读存储介质和电子设备 | |
CN106296286A (zh) | 广告点击率的预估方法和预估装置 | |
CN104951478A (zh) | 信息处理方法和信息处理装置 | |
CN108345689B (zh) | 商标注册成功率查询方法、装置、商标注册方法、装置 | |
CN115293332A (zh) | 一种图神经网络的训练方法、装置、设备及存储介质 | |
CN112508456A (zh) | 食品安全风险评估方法、系统、计算机设备及存储介质 | |
CN112685324A (zh) | 一种生成测试方案的方法及系统 | |
CN116629606A (zh) | 一种基于电力数据的产业链预警方法、装置、设备及介质 | |
CN107766229B (zh) | 一种利用蜕变测试评价商品搜索系统正确性的方法 | |
CN113486086A (zh) | 一种基于特征工程的数据挖掘方法及系统 | |
CN108984777B (zh) | 客户服务方法、装置和计算机可读存储介质 | |
CN117112336B (zh) | 智能通信设备异常检测方法、设备、存储介质及装置 | |
CN113850523A (zh) | 基于数据补全的esg指数确定方法及相关产品 | |
CN117252186A (zh) | 基于xai的信息处理方法、装置、设备及存储介质 | |
CN111382265B (zh) | 搜索方法、装置、设备和介质 | |
CN114312930B (zh) | 基于日志数据的列车运行异常诊断方法和装置 | |
CN115344495A (zh) | 批量任务测试的数据分析方法、装置、计算机设备及介质 | |
CN114443493A (zh) | 一种测试案例生成方法、装置、电子设备和存储介质 | |
CN112598471A (zh) | 一种产品的推荐方法、推荐装置及电子设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211008 |
|
RJ01 | Rejection of invention patent application after publication |