CN113590952A - 一种数据中心构建的方法及系统 - Google Patents
一种数据中心构建的方法及系统 Download PDFInfo
- Publication number
- CN113590952A CN113590952A CN202110867991.3A CN202110867991A CN113590952A CN 113590952 A CN113590952 A CN 113590952A CN 202110867991 A CN202110867991 A CN 202110867991A CN 113590952 A CN113590952 A CN 113590952A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- interest content
- current
- interest
- construction
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 309
- 238000010276 construction Methods 0.000 claims abstract description 207
- 230000002452 interceptive effect Effects 0.000 claims abstract description 30
- 230000003993 interaction Effects 0.000 claims description 63
- 238000012545 processing Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 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
- G06F16/95—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/12—Payment architectures specially adapted for electronic shopping systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供的一种数据中心构建的方法及系统,将当前支付互动数据划分为多个数据种类,按照获取各种类的兴趣内容构建数据,基于各种类的兴趣内容构建数据构建当前支付互动数据的兴趣内容特征向量。在遍历到当前种类的时候,就可获取到当前种类的兴趣内容构建数据,相较于遍历完支付互动数据的种类才能获取到当前种类的兴趣内容构建数据的方式,能够提高获取当前种类的兴趣内容构建数据的实时性,降低获取当前种类的兴趣内容构建数据时所需要耗费的时间资源。在获取当前种类的兴趣内容构建数据时,综合考虑了已经获取到的种类的兴趣内容构建数据,能够提高获取到的当前种类的兴趣内容构建数据的准确性,进而提高对当前数据中心构建的的有效性。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种数据中心构建的方法及系统。
背景技术
在数据化时代中,相关支付数据量不断的累积,这样就可能导致相关支付数据堆积,从而无法进行及时的处理,这样就需要构建一个数据中心对相关支付数据进行及时的处理,能快速的东西的购买。然后,在构建相关支付数据技术中,还存在一些缺陷。
发明内容
鉴于此,本申请提供了一种数据中心构建的方法及系统。
第一方面,提供一种数据中心构建的方法,包括:
将当前支付互动数据划分为多个数据种类;
按照将每个所述种类作为当前种类,获取所述当前种类的兴趣内容构建数据,其中,获取所述当前种类的兴趣内容构建数据时用到了已经获取到的种类的兴趣内容构建数据;
基于所述兴趣内容构建数据构建所述当前支付互动数据的兴趣内容特征向量。
进一步地,所述兴趣内容构建数据包括兴趣内容构建加权系数,所述获取所述当前种类的兴趣内容构建数据,包括:
获取所述当前种类的兴趣内容特征向量和对应历史种类的兴趣内容特征向量;
基于所述兴趣内容特征向量获取所述当前种类与对应所述历史种类的兴趣内容误特征向量差量;
基于所述兴趣内容误特征向量差量获取所述当前种类的兴趣内容构建加权系数,所述兴趣内容误特征向量差量与所述兴趣内容构建加权系数比例。
进一步地,所述兴趣内容构建数据还包括兴趣内容构建特征向量,所述获取所述当前种类的兴趣内容构建数据,包括:
基于所述当前种类的兴趣内容构建加权系数和对应的所述兴趣内容误特征向量差量,获取所述当前种类的兴趣内容构建特征向量;
所述基于所述兴趣内容构建数据构建所述当前支付互动数据的兴趣内容特征向量,包括:基于所述兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量;
其中,所述基于所述当前种类的兴趣内容构建加权系数和对应的所述兴趣内容误特征向量差量,获取所述当前种类的兴趣内容构建特征向量,包括:
基于所述当前种类的兴趣内容构建加权系数和所述已经获取到的种类的兴趣内容构建加权系数,对所述当前种类的兴趣内容误特征向量差量和所述已经获取到的种类的兴趣内容误特征向量差量进行加权平均,得到所述当前种类的兴趣内容构建特征向量;
其中,在所述基于所述兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量之前,还包括:
将所述当前种类的兴趣内容构建特征向量转换为所述当前种类所在行的最后一个种类的所述兴趣内容构建特征向量;
其中,所述基于所述兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量,包括:
对所述当前支付互动数据的兴趣内容构建特征向量进行特征提取处理,得到所述当前支付互动数据最终的兴趣内容构建特征向量,其中,所述当前支付互动数据的兴趣内容构建特征向量由所述当前支付互动数据中每个所述种类的兴趣内容构建特征向量组成;
基于所述当前支付互动数据最终的兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量。
进一步地,所述基于所述兴趣内容特征向量获取所述当前种类与对应所述历史种类的兴趣内容误特征向量差量,包括:
获取所述当前种类的兴趣内容特征向量和对应所述历史种类的兴趣内容特征向量的比较特征向量;
获取所述比较特征向量与1的特征向量差量的相对特征向量,并将所述相对特征向量作为所述当前种类与对应所述历史种类的兴趣内容误特征向量差量;
所述基于所述当前支付互动数据最终的兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量,包括:将所述各支付关键内容的兴趣内容特征向量与所述最终的兴趣内容构建特征向量对应相乘,得到构建结果。
进一步地,所述基于所述兴趣内容特征向量获取所述当前种类与对应所述历史种类的兴趣内容误特征向量差量,包括:
获取所述当前种类的兴趣内容特征向量与对应所述历史种类的兴趣内容特征向量之间的特征向量差量,并将所述特征向量差量的相对特征向量作为所述当前种类与对应所述历史种类的兴趣内容误特征向量差量;
所述基于所述当前支付互动数据最终的兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量,包括:将所述各支付关键内容的兴趣内容特征向量与所述最终的兴趣内容构建特征向量对应相加,得到构建结果。
第二方面,提供一种数据中心构建的系统,包括数据采集端和数据处理终端,所述数据采集端和所述数据处理终端通信连接,所述数据处理终端具体用于:
将当前支付互动数据划分为多个数据种类;
按照将每个所述种类作为当前种类,获取所述当前种类的兴趣内容构建数据,其中,获取所述当前种类的兴趣内容构建数据时用到了已经获取到的种类的兴趣内容构建数据;
基于所述兴趣内容构建数据构建所述当前支付互动数据的兴趣内容特征向量。
进一步地,所述数据处理终端具体用于:
获取所述当前种类的兴趣内容特征向量和对应历史种类的兴趣内容特征向量;
基于所述兴趣内容特征向量获取所述当前种类与对应所述历史种类的兴趣内容误特征向量差量;
基于所述兴趣内容误特征向量差量获取所述当前种类的兴趣内容构建加权系数,所述兴趣内容误特征向量差量与所述兴趣内容构建加权系数比例。
进一步地,所述数据处理终端具体用于:
基于所述当前种类的兴趣内容构建加权系数和对应的所述兴趣内容误特征向量差量,获取所述当前种类的兴趣内容构建特征向量;
所述基于所述兴趣内容构建数据构建所述当前支付互动数据的兴趣内容特征向量,包括:基于所述兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量;
其中,所述数据处理终端具体用于:
基于所述当前种类的兴趣内容构建加权系数和所述已经获取到的种类的兴趣内容构建加权系数,对所述当前种类的兴趣内容误特征向量差量和所述已经获取到的种类的兴趣内容误特征向量差量进行加权平均,得到所述当前种类的兴趣内容构建特征向量;
其中,所述数据处理终端具体还用于:
将所述当前种类的兴趣内容构建特征向量转换为所述当前种类所在行的最后一个种类的所述兴趣内容构建特征向量;
其中,所述数据处理终端具体用于:
对所述当前支付互动数据的兴趣内容构建特征向量进行特征提取处理,得到所述当前支付互动数据最终的兴趣内容构建特征向量,其中,所述当前支付互动数据的兴趣内容构建特征向量由所述当前支付互动数据中每个所述种类的兴趣内容构建特征向量组成;
基于所述当前支付互动数据最终的兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量。
进一步地,所述数据处理终端具体用于:
获取所述当前种类的兴趣内容特征向量和对应所述历史种类的兴趣内容特征向量的比较特征向量;
获取所述比较特征向量与1的特征向量差量的相对特征向量,并将所述相对特征向量作为所述当前种类与对应所述历史种类的兴趣内容误特征向量差量;
所述基于所述当前支付互动数据最终的兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量,包括:将所述各支付关键内容的兴趣内容特征向量与所述最终的兴趣内容构建特征向量对应相乘,得到构建结果。
进一步地,所述数据处理终端具体用于:
获取所述当前种类的兴趣内容特征向量与对应所述历史种类的兴趣内容特征向量之间的特征向量差量,并将所述特征向量差量的相对特征向量作为所述当前种类与对应所述历史种类的兴趣内容误特征向量差量;
所述基于所述当前支付互动数据最终的兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量,包括:将所述各支付关键内容的兴趣内容特征向量与所述最终的兴趣内容构建特征向量对应相加,得到构建结果。
本申请实施例所提供的一种数据中心构建的方法及系统,将当前支付互动数据划分为多个数据种类,按照获取各种类的兴趣内容构建数据,基于各种类的兴趣内容构建数据构建当前支付互动数据的兴趣内容特征向量。其中,在遍历到当前种类的时候,就可获取到当前种类的兴趣内容构建数据,相较于遍历完支付互动数据的种类才能获取到当前种类的兴趣内容构建数据的方式,能够提高获取当前种类的兴趣内容构建数据的实时性,降低获取当前种类的兴趣内容构建数据时所需要耗费的时间资源。另外,在获取当前种类的兴趣内容构建数据时,综合考虑了已经获取到的种类的兴趣内容构建数据,能够提高获取到的当前种类的兴趣内容构建数据的准确性,进而提高对当前数据中心构建的的有效性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,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他相关的附图。
图1为本申请实施例所提供的一种数据中心构建的方法的流程图。
图2为本申请实施例所提供的一种数据中心构建的装置的框图。
图3为本申请实施例所提供的一种数据中心构建的系统的架构图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本申请技术方案做详细的说明,应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明,而不是对本申请技术方案的限定,在不冲突的情况下,本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1,示出了一种数据中心构建的方法,该方法可以包括以下步骤100-步骤300所描述的技术方案。
步骤100,将当前支付互动数据划分为多个数据种类。
步骤200,按照将每个所述种类作为当前种类,获取所述当前种类的兴趣内容构建数据。
举例而言,获取所述当前种类的兴趣内容构建数据时用到了已经获取到的种类的兴趣内容构建数据。
步骤300,基于所述兴趣内容构建数据构建所述当前支付互动数据的兴趣内容特征向量。
举例而言,兴趣内容特征向量用于表征关键支付互动数据。
可以理解,在执行上述步骤100-步骤300所描述的技术方案时,将当前支付互动数据划分为多个数据种类,按照获取各种类的兴趣内容构建数据,基于各种类的兴趣内容构建数据构建当前支付互动数据的兴趣内容特征向量。其中,在遍历到当前种类的时候,就可获取到当前种类的兴趣内容构建数据,相较于遍历完支付互动数据的种类才能获取到当前种类的兴趣内容构建数据的方式,能够提高获取当前种类的兴趣内容构建数据的实时性,降低获取当前种类的兴趣内容构建数据时所需要耗费的时间资源。另外,在获取当前种类的兴趣内容构建数据时,综合考虑了已经获取到的种类的兴趣内容构建数据,能够提高获取到的当前种类的兴趣内容构建数据的准确性,进而提高对当前数据中心构建的的有效性。
在一种可转换的实施例中,发明人发现,兴趣内容构建数据包括兴趣内容构建加权系数,所述获取所述当前种类的兴趣内容构建数据时,存在兴趣内容特征向量和对应历史种类的兴趣内容特征向量不准确的问题,从而难以准确地获取所述当前种类的兴趣内容构建数据,为了改善上述技术问题,步骤200所描述的兴趣内容构建数据包括兴趣内容构建加权系数,所述获取所述当前种类的兴趣内容构建数据的步骤,具体可以包括以下步骤q1-步骤q3所描述的技术方案。
步骤q1,获取所述当前种类的兴趣内容特征向量和对应历史种类的兴趣内容特征向量。
步骤q2,基于所述兴趣内容特征向量获取所述当前种类与对应所述历史种类的兴趣内容误特征向量差量。
步骤q3,基于所述兴趣内容误特征向量差量获取所述当前种类的兴趣内容构建加权系数,所述兴趣内容误特征向量差量与所述兴趣内容构建加权系数比例。
可以理解,在执行上述步骤q1-步骤q3所描述的技术方案时,兴趣内容构建数据包括兴趣内容构建加权系数,所述获取所述当前种类的兴趣内容构建数据时,改善兴趣内容特征向量和对应历史种类的兴趣内容特征向量不准确的问题,从而能够准确地获取所述当前种类的兴趣内容构建数据。
在一种可转换的实施例中,发明人发现,兴趣内容构建数据还包括兴趣内容构建特征向量,所述获取所述当前种类的兴趣内容构建数据时,存在特征向量差量不准确的问题,从而难以准确地获取所述当前种类的兴趣内容构建数据,为了改善上述技术问题,步骤200所描述的兴趣内容构建数据还包括兴趣内容构建特征向量,所述获取所述当前种类的兴趣内容构建数据的步骤,具体可以包括以下步骤w1和步骤w2所描述的技术方案。
步骤w1,基于所述当前种类的兴趣内容构建加权系数和对应的所述兴趣内容误特征向量差量,获取所述当前种类的兴趣内容构建特征向量。
步骤w2,所述基于所述兴趣内容构建数据构建所述当前支付互动数据的兴趣内容特征向量。
示例性的,基于所述兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量。
可以理解,在执行上述步骤w1和步骤w2所描述的技术方案时,兴趣内容构建数据还包括兴趣内容构建特征向量,所述获取所述当前种类的兴趣内容构建数据时,改善特征向量差量不准确的问题,从而能够准确地获取所述当前种类的兴趣内容构建数据。
在一种可转换的实施例中,发明人发现,基于所述当前种类的兴趣内容构建加权系数和对应的所述兴趣内容误特征向量差量时,存在加权系数不精确的问题,从而难以精确地获取所述当前种类的兴趣内容构建特征向量,为了改善上述技术问题,步骤w1所描述的基于所述当前种类的兴趣内容构建加权系数和对应的所述兴趣内容误特征向量差量,获取所述当前种类的兴趣内容构建特征向量的步骤,具体可以包括以下步骤w11所描述的技术方案。
步骤w11,基于所述当前种类的兴趣内容构建加权系数和所述已经获取到的种类的兴趣内容构建加权系数,对所述当前种类的兴趣内容误特征向量差量和所述已经获取到的种类的兴趣内容误特征向量差量进行加权平均,得到所述当前种类的兴趣内容构建特征向量。
可以理解,在执行上述步骤w11所描述的技术方案时,基于所述当前种类的兴趣内容构建加权系数和对应的所述兴趣内容误特征向量差量时,改善加权系数不精确的问题,从而能够精确地获取所述当前种类的兴趣内容构建特征向量。
基于上述基础,在所述基于所述兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量之前,还可以包括以下步骤e1所描述的技术方案。
步骤e1,将所述当前种类的兴趣内容构建特征向量转换为所述当前种类所在行的最后一个种类的所述兴趣内容构建特征向量。
可以理解,在执行上述步骤e1所描述的技术方案时,通过精确的转换,从而提高兴趣内容构建特征向量的精度。
在一种可替换的实施例中,发明人发现,基于所述兴趣内容构建特征向量时,存在兴趣内容构建特征向量不准确的问题,从而难以准确地构建所述当前支付互动数据的兴趣内容特征向量,为了改善上述技术问题,步骤w2所描述的基于所述兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量的步骤,具体可以包括以下步骤w21和步骤w22所描述的技术方案。
步骤w21,对所述当前支付互动数据的兴趣内容构建特征向量进行特征提取处理,得到所述当前支付互动数据最终的兴趣内容构建特征向量。
示例性的,所述当前支付互动数据的兴趣内容构建特征向量由所述当前支付互动数据中每个所述种类的兴趣内容构建特征向量组成。
步骤w22,基于所述当前支付互动数据最终的兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量。
可以理解,在执行上述步骤w21和步骤w22所描述的技术方案时,基于所述兴趣内容构建特征向量时,改善兴趣内容构建特征向量不准确的问题,从而能够准确地构建所述当前支付互动数据的兴趣内容特征向量。
在一种可替换的实施例中,发明人发现,基于所述兴趣内容特征向量时,存在比较特征向量不精确的问题,从而难以精确地获取所述当前种类与对应所述历史种类的兴趣内容误特征向量差量,为了改善上述技术问题,步骤q2所描述的基于所述兴趣内容特征向量获取所述当前种类与对应所述历史种类的兴趣内容误特征向量差量的步骤,具体可以包括以下步骤q21-步骤q23所描述的技术方案。
步骤q21,获取所述当前种类的兴趣内容特征向量和对应所述历史种类的兴趣内容特征向量的比较特征向量。
步骤q22,获取所述比较特征向量与1的特征向量差量的相对特征向量,并将所述相对特征向量作为所述当前种类与对应所述历史种类的兴趣内容误特征向量差量。
步骤q23,所述基于所述当前支付互动数据最终的兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量。
示例性的,将所述各支付关键内容的兴趣内容特征向量与所述最终的兴趣内容构建特征向量对应相乘,得到构建结果。
可以理解,在执行上述步骤q21-步骤q23所描述的技术方案时,基于所述兴趣内容特征向量时,改善比较特征向量不精确的问题,从而能够精确地获取所述当前种类与对应所述历史种类的兴趣内容误特征向量差量。
在一种可替换的实施例中,发明人发现,基于所述兴趣内容特征向量时,存在兴趣内容误特征向量差量不精确的问题,从而难以精确地获取所述当前种类与对应所述历史种类的兴趣内容误特征向量差量,为了改善上述技术问题,步骤q2所描述的基于所述兴趣内容特征向量获取所述当前种类与对应所述历史种类的兴趣内容误特征向量差量的步骤,具体可以包括以下步骤r1和步骤r2所描述的技术方案。
步骤r1,获取所述当前种类的兴趣内容特征向量与对应所述历史种类的兴趣内容特征向量之间的特征向量差量,并将所述特征向量差量的相对特征向量作为所述当前种类与对应所述历史种类的兴趣内容误特征向量差量。
步骤r2,所述基于所述当前支付互动数据最终的兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量,包括:将所述各支付关键内容的兴趣内容特征向量与所述最终的兴趣内容构建特征向量对应相加,得到构建结果。
可以理解,在执行上述步骤r1和步骤r2所描述的技术方案时,基于所述兴趣内容特征向量时,改善兴趣内容误特征向量差量不精确的问题,从而能够精确地获取所述当前种类与对应所述历史种类的兴趣内容误特征向量差量。
基于上述基础,在所述基于所述兴趣内容特征向量获取所述当前种类与对应历史种类的兴趣内容误特征向量差量之后,还可以包括以下步骤a1和步骤a2所描述的技术方案。
步骤a1,判断所述当前种类与对应历史种类的兴趣内容误特征向量差量是否小于预设阈特征向量。
步骤a2,若小于,则对所述当前种类的兴趣内容特征向量和对应所述历史种类的兴趣内容特征向量进行加权处理得到加权兴趣内容特征向量,并将所述历史种类的兴趣内容特征向量转换为所述加权兴趣内容特征向量。
可以理解,在执行上述步骤a1和步骤a2所描述的技术方案时,通过多维度的判断,从而提高判断精度。
在一种可能的实施例中,可以包括以下步骤s1所描述的技术方案。
步骤s1,所述当前种类的兴趣内容特征向量为所述当前种类中各支付关键内容的兴趣内容均特征向量,所述历史种类的兴趣内容特征向量为所述历史种类中所述各支付关键内容的兴趣内容均特征向量。
可以理解,在执行上述步骤s1所描述的技术方案时,通过兴趣内容均特征向量,从而提高各支付关键内容的兴趣内容均特征向量的精度。
在上述基础上,请结合参阅图2,提供了一种数据中心构建的装置200,应用于数据处理终端,所述装置包括:
数据划分模块210,用于将当前支付互动数据划分为多个数据种类;
数据构建模块220,用于按照将每个所述种类作为当前种类,获取所述当前种类的兴趣内容构建数据,其中,获取所述当前种类的兴趣内容构建数据时用到了已经获取到的种类的兴趣内容构建数据;
内容构建模块230,用于基于所述兴趣内容构建数据构建所述当前支付互动数据的兴趣内容特征向量。
在上述基础上,请结合参阅图3,示出了一种数据中心构建的系统300,包括互相之间通信的处理器310和存储器320,所述处理器310用于从所述存储器320中读取计算机程序并执行,以实现上述的方法。
在上述基础上,还提供了一种计算机可读存储介质,其上存储的计算机程序在运行时实现上述的方法。
综上,基于上述方案,将当前支付互动数据划分为多个数据种类,按照获取各种类的兴趣内容构建数据,基于各种类的兴趣内容构建数据构建当前支付互动数据的兴趣内容特征向量。其中,在遍历到当前种类的时候,就可获取到当前种类的兴趣内容构建数据,相较于遍历完支付互动数据的种类才能获取到当前种类的兴趣内容构建数据的方式,能够提高获取当前种类的兴趣内容构建数据的实时性,降低获取当前种类的兴趣内容构建数据时所需要耗费的时间资源。另外,在获取当前种类的兴趣内容构建数据时,综合考虑了已经获取到的种类的兴趣内容构建数据,能够提高获取到的当前种类的兴趣内容构建数据的准确性,进而提高对当前数据中心构建的的有效性。
应当理解,上述所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、VisualBasic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种数据中心构建的方法,其特征在于,包括:
将当前支付互动数据划分为多个数据种类;
按照将每个所述种类作为当前种类,获取所述当前种类的兴趣内容构建数据,其中,获取所述当前种类的兴趣内容构建数据时用到了已经获取到的种类的兴趣内容构建数据;
基于所述兴趣内容构建数据构建所述当前支付互动数据的兴趣内容特征向量。
2.根据权利要求1所述的方法,其特征在于,所述兴趣内容构建数据包括兴趣内容构建加权系数,所述获取所述当前种类的兴趣内容构建数据,包括:
获取所述当前种类的兴趣内容特征向量和对应历史种类的兴趣内容特征向量;
基于所述兴趣内容特征向量获取所述当前种类与对应所述历史种类的兴趣内容误特征向量差量;
基于所述兴趣内容误特征向量差量获取所述当前种类的兴趣内容构建加权系数,所述兴趣内容误特征向量差量与所述兴趣内容构建加权系数比例。
3.根据权利要求2所述的方法,其特征在于,所述兴趣内容构建数据还包括兴趣内容构建特征向量,所述获取所述当前种类的兴趣内容构建数据,包括:
基于所述当前种类的兴趣内容构建加权系数和对应的所述兴趣内容误特征向量差量,获取所述当前种类的兴趣内容构建特征向量;
所述基于所述兴趣内容构建数据构建所述当前支付互动数据的兴趣内容特征向量,包括:基于所述兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量;
其中,所述基于所述当前种类的兴趣内容构建加权系数和对应的所述兴趣内容误特征向量差量,获取所述当前种类的兴趣内容构建特征向量,包括:
基于所述当前种类的兴趣内容构建加权系数和所述已经获取到的种类的兴趣内容构建加权系数,对所述当前种类的兴趣内容误特征向量差量和所述已经获取到的种类的兴趣内容误特征向量差量进行加权平均,得到所述当前种类的兴趣内容构建特征向量;
其中,在所述基于所述兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量之前,还包括:
将所述当前种类的兴趣内容构建特征向量转换为所述当前种类所在行的最后一个种类的所述兴趣内容构建特征向量;
其中,所述基于所述兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量,包括:
对所述当前支付互动数据的兴趣内容构建特征向量进行特征提取处理,得到所述当前支付互动数据最终的兴趣内容构建特征向量,其中,所述当前支付互动数据的兴趣内容构建特征向量由所述当前支付互动数据中每个所述种类的兴趣内容构建特征向量组成;
基于所述当前支付互动数据最终的兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量。
4.根据权利要求3所述的方法,其特征在于,所述基于所述兴趣内容特征向量获取所述当前种类与对应所述历史种类的兴趣内容误特征向量差量,包括:
获取所述当前种类的兴趣内容特征向量和对应所述历史种类的兴趣内容特征向量的比较特征向量;
获取所述比较特征向量与1的特征向量差量的相对特征向量,并将所述相对特征向量作为所述当前种类与对应所述历史种类的兴趣内容误特征向量差量;
所述基于所述当前支付互动数据最终的兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量,包括:将所述各支付关键内容的兴趣内容特征向量与所述最终的兴趣内容构建特征向量对应相乘,得到构建结果。
5.根据权利要求3所述的方法,其特征在于,所述基于所述兴趣内容特征向量获取所述当前种类与对应所述历史种类的兴趣内容误特征向量差量,包括:
获取所述当前种类的兴趣内容特征向量与对应所述历史种类的兴趣内容特征向量之间的特征向量差量,并将所述特征向量差量的相对特征向量作为所述当前种类与对应所述历史种类的兴趣内容误特征向量差量;
所述基于所述当前支付互动数据最终的兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量,包括:将所述各支付关键内容的兴趣内容特征向量与所述最终的兴趣内容构建特征向量对应相加,得到构建结果。
6.一种数据中心构建的系统,其特征在于,包括数据采集端和数据处理终端,所述数据采集端和所述数据处理终端通信连接,所述数据处理终端具体用于:
将当前支付互动数据划分为多个数据种类;
按照将每个所述种类作为当前种类,获取所述当前种类的兴趣内容构建数据,其中,获取所述当前种类的兴趣内容构建数据时用到了已经获取到的种类的兴趣内容构建数据;
基于所述兴趣内容构建数据构建所述当前支付互动数据的兴趣内容特征向量。
7.根据权利要求6所述的系统,其特征在于,所述数据处理终端具体用于:
获取所述当前种类的兴趣内容特征向量和对应历史种类的兴趣内容特征向量;
基于所述兴趣内容特征向量获取所述当前种类与对应所述历史种类的兴趣内容误特征向量差量;
基于所述兴趣内容误特征向量差量获取所述当前种类的兴趣内容构建加权系数,所述兴趣内容误特征向量差量与所述兴趣内容构建加权系数比例。
8.根据权利要求7所述的系统,其特征在于,所述数据处理终端具体用于:
基于所述当前种类的兴趣内容构建加权系数和对应的所述兴趣内容误特征向量差量,获取所述当前种类的兴趣内容构建特征向量;
所述基于所述兴趣内容构建数据构建所述当前支付互动数据的兴趣内容特征向量,包括:基于所述兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量;
其中,所述数据处理终端具体用于:
基于所述当前种类的兴趣内容构建加权系数和所述已经获取到的种类的兴趣内容构建加权系数,对所述当前种类的兴趣内容误特征向量差量和所述已经获取到的种类的兴趣内容误特征向量差量进行加权平均,得到所述当前种类的兴趣内容构建特征向量;
其中,所述数据处理终端具体还用于:
将所述当前种类的兴趣内容构建特征向量转换为所述当前种类所在行的最后一个种类的所述兴趣内容构建特征向量;
其中,所述数据处理终端具体用于:
对所述当前支付互动数据的兴趣内容构建特征向量进行特征提取处理,得到所述当前支付互动数据最终的兴趣内容构建特征向量,其中,所述当前支付互动数据的兴趣内容构建特征向量由所述当前支付互动数据中每个所述种类的兴趣内容构建特征向量组成;
基于所述当前支付互动数据最终的兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量。
9.根据权利要求8所述的系统,其特征在于,所述数据处理终端具体用于:
获取所述当前种类的兴趣内容特征向量和对应所述历史种类的兴趣内容特征向量的比较特征向量;
获取所述比较特征向量与1的特征向量差量的相对特征向量,并将所述相对特征向量作为所述当前种类与对应所述历史种类的兴趣内容误特征向量差量;
所述基于所述当前支付互动数据最终的兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量,包括:将所述各支付关键内容的兴趣内容特征向量与所述最终的兴趣内容构建特征向量对应相乘,得到构建结果。
10.根据权利要求8所述的系统,其特征在于,所述数据处理终端具体用于:
获取所述当前种类的兴趣内容特征向量与对应所述历史种类的兴趣内容特征向量之间的特征向量差量,并将所述特征向量差量的相对特征向量作为所述当前种类与对应所述历史种类的兴趣内容误特征向量差量;
所述基于所述当前支付互动数据最终的兴趣内容构建特征向量构建所述当前支付互动数据的兴趣内容特征向量,包括:将所述各支付关键内容的兴趣内容特征向量与所述最终的兴趣内容构建特征向量对应相加,得到构建结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110867991.3A CN113590952B (zh) | 2021-07-30 | 2021-07-30 | 一种数据中心构建的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110867991.3A CN113590952B (zh) | 2021-07-30 | 2021-07-30 | 一种数据中心构建的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113590952A true CN113590952A (zh) | 2021-11-02 |
CN113590952B CN113590952B (zh) | 2023-10-24 |
Family
ID=78252173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110867991.3A Active CN113590952B (zh) | 2021-07-30 | 2021-07-30 | 一种数据中心构建的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113590952B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104090886A (zh) * | 2013-12-09 | 2014-10-08 | 深圳市腾讯计算机系统有限公司 | 构建用户实时画像的方法及装置 |
US20140365460A1 (en) * | 2013-06-10 | 2014-12-11 | Microsoft Corporation | Adaptable real-time feed for site population |
CN107358535A (zh) * | 2017-07-10 | 2017-11-17 | 深圳乐信软件技术有限公司 | 一种社区发现方法及装置 |
CN108256907A (zh) * | 2018-01-09 | 2018-07-06 | 北京腾云天下科技有限公司 | 一种客户分群模型的构建方法和计算设备 |
CN111274330A (zh) * | 2020-01-15 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 一种目标对象确定方法、装置、计算机设备及存储介质 |
CN111680218A (zh) * | 2020-06-10 | 2020-09-18 | 网易传媒科技(北京)有限公司 | 用户兴趣识别方法、装置、电子设备及存储介质 |
CN111897864A (zh) * | 2020-08-13 | 2020-11-06 | 创智和宇信息技术股份有限公司 | 一种基于互联网ai外呼的专家库数据抽取方法及系统 |
CN112308419A (zh) * | 2020-10-30 | 2021-02-02 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及计算机存储介质 |
CN113010536A (zh) * | 2021-04-21 | 2021-06-22 | 中国平安人寿保险股份有限公司 | 基于流式数据处理的用户标签获取方法及装置 |
-
2021
- 2021-07-30 CN CN202110867991.3A patent/CN113590952B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140365460A1 (en) * | 2013-06-10 | 2014-12-11 | Microsoft Corporation | Adaptable real-time feed for site population |
CN104090886A (zh) * | 2013-12-09 | 2014-10-08 | 深圳市腾讯计算机系统有限公司 | 构建用户实时画像的方法及装置 |
CN107358535A (zh) * | 2017-07-10 | 2017-11-17 | 深圳乐信软件技术有限公司 | 一种社区发现方法及装置 |
CN108256907A (zh) * | 2018-01-09 | 2018-07-06 | 北京腾云天下科技有限公司 | 一种客户分群模型的构建方法和计算设备 |
CN111274330A (zh) * | 2020-01-15 | 2020-06-12 | 腾讯科技(深圳)有限公司 | 一种目标对象确定方法、装置、计算机设备及存储介质 |
CN111680218A (zh) * | 2020-06-10 | 2020-09-18 | 网易传媒科技(北京)有限公司 | 用户兴趣识别方法、装置、电子设备及存储介质 |
CN111897864A (zh) * | 2020-08-13 | 2020-11-06 | 创智和宇信息技术股份有限公司 | 一种基于互联网ai外呼的专家库数据抽取方法及系统 |
CN112308419A (zh) * | 2020-10-30 | 2021-02-02 | 深圳前海微众银行股份有限公司 | 数据处理方法、装置、设备及计算机存储介质 |
CN113010536A (zh) * | 2021-04-21 | 2021-06-22 | 中国平安人寿保险股份有限公司 | 基于流式数据处理的用户标签获取方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113590952B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113886468A (zh) | 基于互联网的在线互动数据挖掘方法及系统 | |
CN113378554A (zh) | 一种医疗信息智能交互的方法及系统 | |
CN115757370A (zh) | 基于物联网的用户信息通信方法及系统 | |
CN113590952A (zh) | 一种数据中心构建的方法及系统 | |
CN113485203B (zh) | 一种智能控制网络资源共享的方法及系统 | |
CN113380363B (zh) | 基于人工智能的医疗数据质量评价方法及系统 | |
CN113610373A (zh) | 基于智能制造的信息决策处理方法及系统 | |
CN113360562A (zh) | 基于人工智能与大数据的接口配对方法、系统及云平台 | |
CN114187552A (zh) | 一种机房动力环境监控方法及系统 | |
CN114168410A (zh) | 基于大数据的智能控制蒸发冷却方法及系统 | |
CN113380352A (zh) | 基于医疗微服务编排中间语言描述方法及系统 | |
CN113947709A (zh) | 基于人工智能的图像处理方法及系统 | |
CN115409510B (zh) | 一种在线交易安全系统及方法 | |
CN113609362A (zh) | 基于5g的数据管理方法及系统 | |
CN115345226A (zh) | 结合云计算的能耗统计方法及系统 | |
CN113645604B (zh) | 基于智慧医疗的病房呼救方法及系统 | |
CN113610117B (zh) | 基于深度数据的水下传感数据处理方法及系统 | |
CN114611478A (zh) | 一种基于人工智能的信息处理方法、系统及云平台 | |
CN113608689A (zh) | 基于边缘计算的数据缓存方法及系统 | |
CN113269269A (zh) | 基于大数据的数据降维方法、系统及云平台 | |
CN113610133A (zh) | 一种激光数据和视觉数据融合方法及系统 | |
CN113590951A (zh) | 一种感知数据处理方法及系统 | |
CN115374107A (zh) | 基于大数据的电力负荷分析方法及系统 | |
CN113611426A (zh) | 一种移动医疗数据配对的方法及系统 | |
CN113609931A (zh) | 基于神经网络的人脸识别方法及系统 |
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 |