CN114691630B - 一种智慧供应链大数据共享方法及系统 - Google Patents
一种智慧供应链大数据共享方法及系统 Download PDFInfo
- Publication number
- CN114691630B CN114691630B CN202210614507.0A CN202210614507A CN114691630B CN 114691630 B CN114691630 B CN 114691630B CN 202210614507 A CN202210614507 A CN 202210614507A CN 114691630 B CN114691630 B CN 114691630B
- Authority
- CN
- China
- Prior art keywords
- training
- event data
- service event
- supply chain
- training service
- 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
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
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/176—Support for shared access to files; File sharing support
-
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种智慧供应链大数据共享方法及系统,通过获取各个智慧供应链服务终端所对应的供应链服务事件数据,依据供应链服务事件数据,基于深度学习训练完成的供应链关注挖掘模型获取供应链服务关注变量,基于供应链服务关注变量以及第一目标数量个衍生关注变量,从衍生供应链数据库中获取供应链服务事件数据的共享搜索数据,基于共享搜索数据,生成供应链服务事件数据的共享大数据,以结合供应链服务事件数据的共享大数据与供应链服务事件数据进行共享关联配置,从而可以在供应链服务事件数据的基础上进一步共享关联配置更多的共享大数据,从而为后续的数据整合提供关联数据支持。
Description
技术领域
本申请涉及大数据共享技术领域,具体而言,涉及一种智慧供应链大数据共享方法及系统。
背景技术
现如今,客户偏好的各种数据的持续增长正在迅速改变供应链服务商的经营方式,并突出了对加强数据管理和分析的强烈需求。大数据分析(指大型和复杂的数据集)的好处是显而易见的:大数据可以完全改变组织的工作方式,在效率、成本、可见性和客户满意度方面产生巨大差异。基于此,针对各种供应链服务节点(如分布在各种供应链区域的服务网点)的供应链服务事件数据,如何进一步共享关联配置更多的共享大数据,从而为后续的数据整合提供关联数据支持,是本领域亟待研究的重要方向。
发明内容
为了至少克服现有技术中的上述不足,本申请的目的在于提供一种智慧供应链大数据共享方法及系统。
第一方面,本申请提供一种智慧供应链大数据共享方法,应用于智慧供应链大数据共享系统,所述方法包括:
获取各个智慧供应链服务终端所对应的供应链服务事件数据;
依据所述供应链服务事件数据,基于深度学习训练完成的供应链关注挖掘模型获取供应链服务关注变量;
基于所述供应链服务关注变量以及第一目标数量个衍生关注变量,从衍生供应链数据库中获取所述供应链服务事件数据的共享搜索数据,其中,所述共享搜索数据包括第二目标数量个共享服务事件数据;
基于所述共享搜索数据,生成所述供应链服务事件数据的共享大数据,以结合所述供应链服务事件数据的共享大数据与所述供应链服务事件数据进行共享关联配置。
第二方面,本申请实施例还提供一种智慧供应链大数据共享系统,所述智慧供应链大数据共享系统包括处理器和机器可读存储介质,所述机器可读存储介质中存储有计算机程序,所述计算机程序结合该处理器加载并执行以实现以上第一方面的智慧供应链大数据共享方法。
结合以上方面,通过获取各个智慧供应链服务终端所对应的供应链服务事件数据,依据供应链服务事件数据,基于深度学习训练完成的供应链关注挖掘模型获取供应链服务关注变量,基于供应链服务关注变量以及第一目标数量个衍生关注变量,从衍生供应链数据库中获取供应链服务事件数据的共享搜索数据,基于共享搜索数据,生成供应链服务事件数据的共享大数据,以结合供应链服务事件数据的共享大数据与供应链服务事件数据进行共享关联配置,从而可以在供应链服务事件数据的基础上进一步共享关联配置更多的共享大数据,从而为后续的数据整合提供关联数据支持。
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启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,还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的智慧供应链大数据共享方法的流程示意图;
图2为本申请实施例提供的用于实现上述的智慧供应链大数据共享方法的智慧供应链大数据共享系统的结构示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围的情况下,本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
本申请中所使用的术语仅用于描述特定的示例性实施例,并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式,除非上下文明确提示例外情形。还应当理解,如在本申请说明书中,术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件,但并不排除存在或添加一个或以上其它特征、整体、步骤、操作、组件、部件和/或其组合的情况。
结合以下对附图的描述,本申请的这些和其它的特征、特点以及相关结构元件的功能和操作方法,以及部件组合和制造经济性,可以变得更加显而易见,这些附图都构成本申请说明书的一部分。然而,应当理解的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当理解的是,附图并不是按比例绘制的。
本申请中使用了流程图用来说明结合本申请的一些实施例的系统所执行的操作。应当理解的是,流程图中的操作可以不按顺序执行。相反,可以基于倒序或同时处理各种步骤。此外,可以向流程图添加一个或以上其它操作。也可以从流程图中删除一个或以上操作。
下面结合说明书附图对本申请进行具体说明,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。
步骤S110、获取基础训练服务事件数据组合序列以及扩展训练服务事件数据组合序列,其中,基础训练服务事件数据组合序列包括用于对基础供应链关注挖掘模型进行模型调优的多个基础训练服务事件数据组合,扩展训练服务事件数据组合序列包括共享错误的多个扩展训练服务事件数据组合;
在一些可能的实施方式中,供应链关注挖掘模型训练装置获取基础训练服务事件数据组合序列以及扩展训练服务事件数据组合序列。其中,基础训练服务事件数据组合序列包括标记为关联的基础训练服务事件数据组合,各基础训练服务事件数据组合由两个基础训练服务事件数据构成。而扩展训练服务事件数据组合序列包括标记为关联,且,携带“共享错误”的扩展训练服务事件数据组合。
例如,将基础训练服务事件数据组合加载到基础供应链关注挖掘模型,由基础供应链关注挖掘模型输出各基础训练服务事件数据的关注变量,两个基础训练服务事件数据的关注变量能够表征共享服务事件数据之间的关联参数值。可根据数据矩阵对基础供应链关注挖掘模型进行训练,其中,数据矩阵包括关联的基础训练服务事件数据组合以及一个与基础训练服务事件数据组合关联参数值较高的基础训练服务事件数据。
步骤S120、基于扩展训练服务事件数据组合序列,获取基础训练服务事件数据组合序列中各基础训练服务事件数据组合的训练先验数据,确定延伸训练服务事件数据组合序列,其中,延伸训练服务事件数据组合序列包括标定了共享错误的延伸训练服务事件数据组合以及标定了共享正确的延伸训练服务事件数据组合;
步骤S130、基于延伸训练服务事件数据组合序列以及扩展训练服务事件数据组合序列,配置训练服务事件数据矩阵序列,其中,训练服务事件数据矩阵序列包括一个或多个训练服务事件数据矩阵,训练服务事件数据矩阵包括多个标定了共享错误的训练服务事件数据或共享正确的训练服务事件数据;
在一些可能的实施方式中,将延伸训练服务事件数据组合序列和扩展训练服务事件数据组合序列作为一个共同的训练数据序列,然后从这些训练服务事件数据组合中分别选出一个或多个训练服务事件数据矩阵,由此,确定训练服务事件数据矩阵序列。
步骤S140、依据训练服务事件数据矩阵序列,基于初始化供应链关注挖掘模型获取各训练服务事件数据矩阵中各训练共享服务事件数据所对应的目标关注变量,其中,初始化供应链关注挖掘模型与基础供应链关注挖掘模型采用相同的模型权重信息层架构,且,初始化供应链关注挖掘模型的模型权重信息层权重信息与基础供应链关注挖掘模型的模型权重信息层权重信息相同;
在一些可能的实施方式中,将训练服务事件数据矩阵序列中的各个训练服务事件数据矩阵分别加载到初始化供应链关注挖掘模型,由初始化供应链关注挖掘模型输出各训练服务事件数据矩阵中各训练共享服务事件数据所对应的目标关注变量。其中,初始化供应链关注挖掘模型与基础供应链关注挖掘模型采用相同的模型权重信息层架构以及相同的模型权重信息层权重信息。
步骤S150、针对于各训练服务事件数据矩阵,基于各训练服务事件数据所对应的训练先验数据以及各训练共享服务事件数据所对应的目标关注变量,对初始化供应链关注挖掘模型进行模型调优和参数层选取,直到模型收敛,确定深度学习训练完成的供应链关注挖掘模型。
一些可能的实施方式中,基于扩展训练服务事件数据组合序列,获取基础训练服务事件数据组合序列中各基础训练服务事件数据组合的训练先验数据,确定延伸训练服务事件数据组合序列,一种具体实施方式可以是:
依据基础训练服务事件数据组合序列,基于基础供应链关注挖掘模型获取各基础训练服务事件数据所对应的第一关注变量,其中,基础训练服务事件数据组合序列包括2Q个基础训练服务事件数据,Q为大于1的整数;依据扩展训练服务事件数据组合序列,基于基础供应链关注挖掘模型获取各扩展训练服务事件数据所对应的第二关注变量,其中,扩展训练服务事件数据组合序列包括2W个扩展训练服务事件数据,W为大于1的整数;基于各扩展训练服务事件数据所对应的第二关注变量,对2W个扩展训练服务事件数据进行分簇,确定多个关注分簇簇心,其中,各关注分簇簇心对应于一种共享错误的设定标识;基于多个关注分簇簇心,获取各扩展训练服务事件数据组合中各扩展训练服务事件数据所对应的最小偏差度,确定2W个最小偏差度;基于多个关注分簇簇心,获取各基础训练服务事件数据所对应的第一关注变量分别与各关注分簇簇心的偏差度;基于各基础训练服务事件数据所对应的第一关注变量分别与各关注分簇簇心的偏差度与设定偏差度之间的比较信息,对基础训练服务事件数据组合序列中的各基础训练服务事件数据组合进行训练依据标注,确定延伸训练服务事件数据组合序列,其中,设定偏差度为基于2W个最小偏差度确定的。
在一些可能的实施方式中,介绍了一种标注基础训练服务事件数据组合的方式。由前述实施例可知,各训练服务事件数据组合由两个训练服务事件数据构成,即基础训练服务事件数据组合序列包括2Q个基础训练服务事件数据,扩展训练服务事件数据组合序列包括2W个扩展训练服务事件数据,Q和W均为大于1的整数。
例如,将属于同一个基础训练服务事件数据组合的两个基础训练服务事件数据分别加载到基础供应链关注挖掘模型,由基础供应链关注挖掘模型输出各基础训练服务事件数据的第一关注变量。类似地,将属于同一个扩展训练服务事件数据组合的两个扩展训练服务事件数据分别加载到基础供应链关注挖掘模型,由基础供应链关注挖掘模型输出各扩展训练服务事件数据的第二关注变量。
其中,关注分簇算法包含但不仅限于K均值聚类算法。
在以上你描述的基础上,分别计算各扩展训练服务事件数据组合的两个扩展训练服务事件数据与最近的关注分簇簇心之间的偏差度,由于总共有2W个扩展训练服务事件数据,因此,可得到2W个最小偏差度。基于2W个最小偏差度可确定一个设定偏差度。此外,还需要分别计算各第一关注变量与各关注分簇簇心之间的偏差度,由此,依据这些偏差度与设定偏差度之间的大小关系,可实现对各基础训练服务事件数据组合的标注,最终得到延伸训练服务事件数据组合序列。
一种可能的实施方式中,基于各基础训练服务事件数据所对应的第一关注变量分别与各关注分簇簇心的偏差度与设定偏差度之间的比较信息,对基础训练服务事件数据组合序列中的各基础训练服务事件数据组合进行训练依据标注,确定延伸训练服务事件数据组合序列,一种具体实施方式可以是:将2W个最小偏差度中的最大偏差度作为设定偏差度;如果第一关注变量与关注分簇簇心的偏差度小于设定偏差度,则将第一关注变量所对应的基础训练服务事件数据标定了共享错误的延伸训练服务事件数据;如果第一关注变量与关注分簇簇心的偏差度不小于设定偏差度,则将第一关注变量所对应的基础训练服务事件数据标定了共享正确的延伸训练服务事件数据;将对应于同一个基础训练服务事件数据组合的两个延伸训练服务事件数据作为一个延伸训练服务事件数据组合,直至得到延伸训练服务事件数据组合序列。
在一些可能的实施方式中,设定偏差度可基于2W个最小偏差度确定,本申请将2W个最小偏差度中的最大偏差度作为设定偏差度。可选地,也可以将2W个最小偏差度的平均值作为设定偏差度。
在一种可能的实施方式中,将对应于同一个基础训练服务事件数据组合的两个延伸训练服务事件数据作为一个延伸训练服务事件数据组合,一种具体实施方式可以是:如果对应于同一个基础训练服务事件数据组合的一个延伸训练服务事件数据标定了共享错误的延伸训练服务事件数据,且,另一个延伸训练服务事件数据标定了共享正确的延伸训练服务事件数据,则将另一个延伸训练服务事件数据标定了共享错误的延伸训练服务事件数据。
在一些可能的实施方式中,基于延伸训练服务事件数据组合序列以及扩展训练服务事件数据组合序列,配置训练服务事件数据矩阵序列,一种具体实施方式可以是:
从延伸训练服务事件数据组合序列以及扩展训练服务事件数据组合序列中获取关联训练服务事件数据组合;
从延伸训练服务事件数据组合序列以及扩展训练服务事件数据组合序列中移除关联训练服务事件数据组合,确定(Q+W-1)个训练服务事件数据组合,其中,延伸训练服务事件数据组合序列包括Q个延伸训练服务事件数据组合,扩展训练服务事件数据组合序列包括W个扩展训练服务事件数据组合,其中,Q与W均为大于1的整数;从(Q+W-1)个训练服务事件数据组合的各训练服务事件数据组合中分别选择一个训练服务事件数据,确定(Q+W-1)个训练服务事件数据;计算(Q+W-1)个训练服务事件数据中各训练服务事件数据与关联训练服务事件数据组合之间的偏差度,确定(Q+W-1)个数据偏差度;从(Q+W-1)个数据偏差度中获取数据偏差度最小的前R个数据偏差度,其中,R为不小于1的整数;将R个数据偏差度中各数据偏差度所对应的训练服务事件数据分别与关联训练服务事件数据组合进行组合,确定R个训练服务事件数据矩阵,其中,R个训练服务事件数据矩阵包含于训练服务事件数据矩阵序列。
例如,从一个批次T的训练数据序列(即,Q个延伸训练服务事件数据组合以及W个扩展训练服务事件数据组合)中提取一个关联训练服务事件数据组合(即,携带关联的两个训练服务事件数据),因此,该关联训练服务事件数据组合可能是延伸训练服务事件数据组合,也可能是扩展训练服务事件数据组合,此处不做限定。假设一个批次T有(Q+W)个训练服务事件数据组合,那么对于关联训练服务事件数据组合而言,从剩余(Q+W-1)个训练服务事件数据组合的各训练服务事件数据组合中,分别随机选择一个训练服务事件数据,即得到(Q+W-1)个训练服务事件数据。在以上你描述的基础上,分别计算(Q+W-1)个训练服务事件数据中各训练服务事件数据与关联训练服务事件数据组合之间的偏差度,例如,似训练服务事件数据组合包括训练服务事件数据A和训练服务事件数据B,而(Q+W-1)个训练服务事件数据中包括训练服务事件数据C,因此,训练服务事件数据C所对应的数据偏差度可包括训练服务事件数据C分别与训练服务事件数据A和训练服务事件数据B之间的偏差度之和,或者,偏差度的平均值。在以上你描述的基础上,确定(Q+W-1)个数据偏差度。
将(Q+W-1)个数据偏差度从小到大排列之和,取前R个数据偏差度所对应的训练服务事件数据(例如,训练服务事件数据C)作为负样本,并与关联训练服务事件数据组合组成一个训练服务事件数据矩阵。假设R为10,那么各训练服务事件数据产生10个训练服务事件数据矩阵,整个批次T可得到10*(Q+W)个训练服务事件数据矩阵。
其中,在对基础供应链关注挖掘模型进行模型调优时所根据的训练服务事件数据矩阵,也可以根据类似的方式产生,此处不做赘述。
在一种可能的实施方式中,针对于各训练服务事件数据矩阵,基于各训练服务事件数据所对应的训练先验数据以及各训练共享服务事件数据所对应的目标关注变量,对初始化供应链关注挖掘模型进行模型调优和参数层选取,一种具体实施方式可以是:针对于各训练服务事件数据矩阵,基于训练服务事件数据矩阵中各训练服务事件数据所对应的训练先验数据,生成根据目标训练代价函数层;针对于各训练服务事件数据矩阵,依据训练共享服务事件数据所对应的目标关注变量,根据目标训练代价函数层确定训练服务事件数据矩阵所对应的训练代价值;基于各训练服务事件数据矩阵所对应的训练代价值,输出全局训练代价值;根据全局训练代价值;对初始化供应链关注挖掘模型进行模型调优和参数层选取。
在一些可能的实施方式中,介绍了一种依据训练服务事件数据矩阵组合初始化供应链关注挖掘模型进行模型调优和参数层选取的方式。由前述实施例可知,初始化供应链关注挖掘模型与基础供应链关注挖掘模型采用相同的模型权重信息层架构和模型权重信息层权重信息,因此,可根据基础供应链关注挖掘模型的模型权重信息作为初始化供应链关注挖掘模型的初始化模型权重信息。
在一种可能的实施方式中,基于训练服务事件数据矩阵中各训练服务事件数据所对应的训练先验数据,生成根据目标训练代价函数层,一种具体实施方式可以是:
若训练服务事件数据矩阵中各训练服务事件数据均为共享正确的训练服务事件数据,则确定调用第一训练代价函数层,其中,第一训练代价函数层包括数据矩阵训练代价函数层以及一致性训练代价函数层。
依据训练共享服务事件数据所对应的目标关注变量,根据目标训练代价函数层确定训练服务事件数据矩阵所对应的训练代价值,一种具体实施方式可以是:基于基础供应链关注挖掘模型获取训练共享服务事件数据所对应的基础关注变量;依据训练共享服务事件数据所对应的目标关注变量,根据第一训练代价函数层所包括的数据矩阵训练代价函数层计算获得矩阵训练代价值;依据训练共享服务事件数据所对应的目标关注变量以及基础关注变量,根据第一训练代价函数层所包括的一致性训练代价函数层计算获得一致性训练代价值;基于矩阵训练代价值和一致性训练代价值确定训练服务事件数据矩阵所对应的训练代价值。
在一种可能的实施方式中,基于训练服务事件数据矩阵中各训练服务事件数据所对应的训练先验数据,生成根据目标训练代价函数层,一种具体实施方式可以是:若训练服务事件数据矩阵中两个训练服务事件数据为共享正确的训练服务事件数据,且,一个训练服务事件数据为共享错误的训练服务事件数据,则确定调用第二训练代价函数层,其中,第二训练代价函数层包括基础数据矩阵训练代价函数层、目标数据矩阵训练代价函数层以及一致性训练代价函数层。
依据训练共享服务事件数据所对应的目标关注变量,根据目标训练代价函数层确定训练服务事件数据矩阵所对应的训练代价值,一种具体实施方式可以是:基于基础供应链关注挖掘模型获取训练共享服务事件数据所对应的基础关注变量;依据训练共享服务事件数据所对应的基础关注变量,根据第二训练代价函数层所包括基础数据矩阵训练代价函数层计算获得基础矩阵训练代价值;依据训练共享服务事件数据所对应的目标关注变量,根据第二训练代价函数层所包括目标数据矩阵训练代价函数层计算获得目标矩阵训练代价值;依据训练服务事件数据所对应的目标关注变量以及基础关注变量,根据第二训练代价函数层所包括的一致性训练代价函数层计算获得一致性训练代价值;基于基础矩阵训练代价值、目标矩阵训练代价值与一致性训练代价值确定训练服务事件数据矩阵所对应的训练代价值。
在一种可能的实施方式中,基于训练服务事件数据矩阵中各训练服务事件数据所对应的训练先验数据,生成根据目标训练代价函数层,一种具体实施方式可以是:若训练服务事件数据矩阵中两个训练服务事件数据为共享错误的训练服务事件数据,且,一个训练服务事件数据为共享错误的正确共享服务事件数据,则确定调用第三训练代价函数层,其中,第三训练代价函数层包括基础数据矩阵训练代价函数层、目标数据矩阵训练代价函数层以及一致性训练代价函数层。
依据训练共享服务事件数据所对应的目标关注变量,根据目标训练代价函数层确定训练服务事件数据矩阵所对应的训练代价值,一种具体实施方式可以是:
基于基础供应链关注挖掘模型获取训练共享服务事件数据所对应的基础关注变量;依据训练共享服务事件数据所对应的基础关注变量,根据第三训练代价函数层所包括基础数据矩阵训练代价函数层计算获得基础矩阵训练代价值;依据训练共享服务事件数据所对应的目标关注变量,根据第三训练代价函数层所包括目标数据矩阵训练代价函数层计算获得目标矩阵训练代价值;依据训练服务事件数据所对应的目标关注变量以及基础关注变量,根据第三训练代价函数层所包括的一致性训练代价函数层计算获得一致性训练代价值;基于基础矩阵训练代价值、目标矩阵训练代价值与一致性训练代价值确定训练服务事件数据矩阵所对应的训练代价值。
在一种可能的实施方式中,基于训练服务事件数据矩阵中各训练服务事件数据所对应的训练先验数据,生成根据目标训练代价函数层,一种具体实施方式可以是:若训练服务事件数据矩阵中各训练服务事件数据均为共享错误的训练服务事件数据,则确定调用第四训练代价函数层,其中,第一训练代价函数层包括数据矩阵训练代价函数层;依据训练共享服务事件数据所对应的目标关注变量,根据目标训练代价函数层确定训练服务事件数据矩阵所对应的训练代价值,一种具体实施方式可以是:依据训练共享服务事件数据所对应的目标关注变量,根据第四训练代价函数层所包括的数据矩阵训练代价函数层计算获得训练服务事件数据矩阵所对应的训练代价值。
在以上描述的基础上,下面结合图1介绍本申请实施例的应用实施例。
步骤S210、获取各个智慧供应链服务终端所对应的供应链服务事件数据。
在一些可能的实施方式中,可以通过智慧供应链大数据共享系统获取供应链服务事件数据,例如,智慧供应链服务终端上传了一个供应链服务事件数据。其中,供应链服务事件数据可用于进行共享大数据。示例性地,供应链服务事件数据可以是指供应链的线上应用的服务使用过程中相关供应链用户的操作行为事件,如订阅行为事件、分享行为事件等,但不限制与此。
步骤S220、依据供应链服务事件数据,基于深度学习训练完成的供应链关注挖掘模型获取供应链服务关注变量。
在一些可能的实施方式中,智慧供应链大数据共享系统将供应链服务事件数据加载到深度学习训练完成的供应链关注挖掘模型,由深度学习训练完成的供应链关注挖掘模型输出目标关注变量。
其中,深度学习训练完成的供应链关注挖掘模型为根据上述实施例提供的方法训练得到的。
步骤S230、基于供应链服务关注变量以及第一目标数量个衍生关注变量,从衍生供应链数据库中获取供应链服务事件数据的共享搜索数据,其中,共享搜索数据包括第二目标数量个共享服务事件数据;
在一些可能的实施方式中,智慧供应链大数据共享系统可分别计算目标关注变量与第一目标数量个衍生关注变量之间的偏差度,从而得到第一目标数量个偏差度,其中,偏差度越小,表示关联度越高。
步骤S240、基于所述共享搜索数据,生成所述供应链服务事件数据的共享大数据,以结合所述供应链服务事件数据的共享大数据与所述供应链服务事件数据进行共享关联配置。
在一些可能的实施方式中,智慧供应链大数据共享系统基于前述的第二目标数量个共享服务事件数据,可确定供应链服务事件数据的共享大数据。例如,可将第二目标数量个共享服务事件数据中与供应链服务事件数据之间偏差度最小的共享服务事件数据作为共享大数据。或者,将第二目标数量个共享服务事件数据中与供应链服务事件数据之间偏差度小于偏差度阈值的一个或多个共享服务事件数据作为共享大数据。其中,共享大数据不仅可以包括共享服务事件数据,还可以包括共享服务事件数据的热点分布,由此结合所述供应链服务事件数据的共享大数据与所述供应链服务事件数据进行共享关联配置,可以便于后续数据整合。
在一种可能的实施方式中,基于供应链服务关注变量以及第一目标数量个衍生关注变量,从衍生供应链数据库中获取供应链服务事件数据的共享搜索数据,一种具体实施方式可以是:获取供应链服务关注变量与第一目标数量个衍生关注变量中各衍生关注变量之间的第一偏差度,确定第一目标数量个第一偏差度,其中,各衍生关注变量为一个关注分簇的关注分簇簇心;基于第一目标数量个第一偏差度,从第一目标数量个关注分簇成员中获取一个或多个关注分簇成员获取供应链服务关注变量与一个或多个关注分簇成员中各共享服务事件数据之间的第二偏差度;基于各共享服务事件数据之间的第二偏差度,将衍生供应链数据库中的第二目标数量个共享服务事件数据作为供应链服务事件数据的共享搜索数据。
例如,关注分簇簇心可表示为衍生关注变量。在共享服务事件数据检索中,将目标关注变量分别与各衍生关注变量进行偏差度计算,确定第一目标数量个第一偏差度。从第一目标数量个第一偏差度中找到最小的L个(L为不小于1的整数)第一偏差度,即得到L个索引。在以上你描述的基础上,从第一目标数量个关注分簇成员中获取L个关注分簇成员,各关注分簇成员包括一个或多个共享服务事件数据。将L个关注分簇成员中的各个共享服务事件数据作为候选共享服务事件数据,并计算目标关注变量与各候选共享服务事件数据进行偏差度计算,确定多个第二偏差度。最后,从这些第二偏差度中选择最小的第二目标数量个第二偏差度,由此,可将第二目标数量个第二偏差度所对应的第二目标数量个共享服务事件数据作为供应链服务事件数据的共享搜索数据。
在一种可能的实施方式中,衍生供应链数据库包括P个共享服务事件数据,其中,P为不小于1的整数;基于供应链服务关注变量以及第一目标数量个衍生关注变量,从衍生供应链数据库中获取供应链服务事件数据的共享搜索数据之前,还可以包括:基于共享服务事件数据的关注变量,对P个共享服务事件数据进行分簇,确定第一目标数量个关注分簇成员以及各关注分簇成员的关注分簇簇心;将第一目标数量个关注分簇中的各关注分簇簇心作为衍生关注变量,确定第一目标数量个衍生关注变量。
基于以上步骤,本实施例通过获取各个智慧供应链服务终端所对应的供应链服务事件数据,依据供应链服务事件数据,基于深度学习训练完成的供应链关注挖掘模型获取供应链服务关注变量,基于供应链服务关注变量以及第一目标数量个衍生关注变量,从衍生供应链数据库中获取供应链服务事件数据的共享搜索数据,基于共享搜索数据,生成供应链服务事件数据的共享大数据,以结合供应链服务事件数据的共享大数据与供应链服务事件数据进行共享关联配置,从而可以在供应链服务事件数据的基础上进一步共享关联配置更多的共享大数据,从而为后续的数据整合提供关联数据支持。
图2示出了本申请实施例提供的用于实现上述的智慧供应链大数据共享方法的智慧供应链大数据共享系统100的硬件结构意图,如图2所示,智慧供应链大数据共享系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。
在一些实施例中,智慧供应链大数据共享系统100可以是单个服务器,也可以是服务器组。该服务器组可以是集中式的,也可以是分布式的(例如,智慧供应链大数据共享系统100可以是分布式的系统)。在一些实施例中,智慧供应链大数据共享系统100可以是本地的,也可以是远程的。例如,智慧供应链大数据共享系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如,智慧供应链大数据共享系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些实施例中,智慧供应链大数据共享系统100可以在云平台上实施。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多个云等或其任意组合。
机器可读存储介质120可以储存数据和/或指令。在一些实施例中,机器可读存储介质120可以存储从外部终端该数据。在一些实施例中,机器可读存储介质120可以储存智慧供应链大数据共享系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些实施例中,机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROL)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAL)。示例性RAL可包括主动随机存取存储器(DRAL)、双倍数据速率同步主动随机存取存储器(DDR SDRAL)、被动随机存取存储器(SRAL)、晶闸管随机存取存储器(T-RAL)和零电容随机存取存储器(Z-RAL)等。示例性只读存储器可以包括掩模型只读存储器(LROL)、可编程只读存储器(PROL)、可擦除可编程只读存储器(PEROL)、电可擦除可编程只读存储器(EEPROL)、光盘只读存储器(CD-ROL)和数字多功能磁盘只读存储器等。在一些实施例中,机器可读存储介质120可以在云平台上实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云,多层云等,或其任意组合。
在具体实现过程中,多个处理器110执行机器可读存储介质120存储的计算机可执行指令,使得处理器110可以执行如上方法实施例的智慧供应链大数据共享方法,处理器110、机器可读存储介质120以及通信单元140依据总线130连接,处理器110可以用于控制通信单元140的收发动作。
处理器110的具体实现过程可参见上述智慧供应链大数据共享系统100执行的每个方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
此外,本申请实施例还提供一种可读存储介质,该可读存储介质中预设有计算机可执行指令,当处理器执行该计算机可执行指令时,实现如上智慧供应链大数据共享方法。
应当理解的是,以上描述仅出于说明的目的,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以结合本申请的描述,做出多种修改和变化。然而,这些修改和变化不会背离本申请的范围。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明公开仅作为示例,并不构成对本申请的限制。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。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请多个实施例相关的某一特征、结构或特性。因此,应当强调并注意的是,本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外,本申请的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本申请的各方面可以依据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过程、机器、产品或物质的组合,或对其任何新的和有用的改良。相应地,本申请的每个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)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“单元”、“模块”或“系统”。此外,本申请公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式,其中计算机可读程序代码包含在其中。
计算机可读信号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。此类传播信号可以有多种形式,包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号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,该介质可以依据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。位于计算机可读信号介质上的程序编码可以依据任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质等或其任意组合。
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以上程序语言编写,包括面向主体编程语言如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、Visual Basic、ForOPan 2003、Perl、COBOL 2002、PHP、ABAP,主动编程语言如Python、Ruby和Groovy,或其它编程语言等。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,远程计算机可以依据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(例如依据因特网),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、或其它名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中依据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依据硬件设备实现,但是也可以只依据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,从而帮助对一个或以上发明实施例的理解,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。同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,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。
Claims (9)
1.一种智慧供应链大数据共享方法,其特征在于,应用于智慧供应链大数据共享系统,该方法包括:
获取各个智慧供应链服务终端所对应的供应链服务事件数据;
依据所述供应链服务事件数据,基于深度学习训练完成的供应链关注挖掘模型获取供应链服务关注变量;
基于所述供应链服务关注变量以及第一目标数量个衍生关注变量,从衍生供应链数据库中获取所述供应链服务事件数据的共享搜索数据,其中,所述共享搜索数据包括第二目标数量个共享服务事件数据;
基于所述共享搜索数据,生成所述供应链服务事件数据的共享大数据,以结合所述供应链服务事件数据的共享大数据与所述供应链服务事件数据进行共享关联配置;
所述供应链关注挖掘模型的训练步骤,包括:
获取基础训练服务事件数据组合序列以及扩展训练服务事件数据组合序列,其中,所述基础训练服务事件数据组合序列包括用于对基础供应链关注挖掘模型进行模型调优的多个基础训练服务事件数据组合,所述扩展训练服务事件数据组合序列包括共享错误的多个扩展训练服务事件数据组合;
基于所述扩展训练服务事件数据组合序列,获取所述基础训练服务事件数据组合序列中各基础训练服务事件数据组合的训练先验数据,确定延伸训练服务事件数据组合序列,其中,所述延伸训练服务事件数据组合序列包括标定了共享错误的延伸训练服务事件数据组合以及标定了共享正确的延伸训练服务事件数据组合;基于所述延伸训练服务事件数据组合序列以及所述扩展训练服务事件数据组合序列,配置训练服务事件数据矩阵序列,其中,所述训练服务事件数据矩阵序列包括一个或多个训练服务事件数据矩阵,训练服务事件数据矩阵包括多个标定了共享错误的训练服务事件数据或共享正确的训练服务事件数据;
依据所述训练服务事件数据矩阵序列,基于初始化供应链关注挖掘模型获取各训练服务事件数据矩阵中各训练共享服务事件数据所对应的目标关注变量,其中,所述初始化供应链关注挖掘模型与所述基础供应链关注挖掘模型采用相同的模型权重信息层架构,且,所述初始化供应链关注挖掘模型的模型权重信息层权重信息与所述基础供应链关注挖掘模型的模型权重信息层权重信息相同;
针对于所述各训练服务事件数据矩阵,基于所述各训练服务事件数据所对应的训练先验数据以及所述各训练共享服务事件数据所对应的目标关注变量,对所述初始化供应链关注挖掘模型进行模型调优和参数层选取,直到模型收敛,确定深度学习训练完成的供应链关注挖掘模型;
其中,所述衍生供应链数据库包括P个共享服务事件数据,其中,P为不小于1的整数,基于所述供应链服务关注变量以及第一目标数量个衍生关注变量,从衍生供应链数据库中获取所述供应链服务事件数据的共享搜索数据的步骤之前,所述方法还包括:
基于共享服务事件数据的关注变量,对P个共享服务事件数据进行分簇,确定第一目标数量个关注分簇成员以及各关注分簇成员的关注分簇簇心;将第一目标数量个关注分簇中的各关注分簇簇心作为衍生关注变量,确定第一目标数量个衍生关注变量。
2.根据权利要求1所述的智慧供应链大数据共享方法,其特征在于,所述基于所述供应链服务关注变量以及第一目标数量个衍生关注变量,从衍生供应链数据库中获取所述供应链服务事件数据的共享搜索数据,包括:
获取所述供应链服务关注变量与第一目标数量个衍生关注变量中各衍生关注变量之间的第一偏差度,确定第一目标数量个第一偏差度,其中,所述各衍生关注变量为一个关注分簇的关注分簇簇心;
基于所述第一目标数量个第一偏差度,从第一目标数量个关注分簇成员中获取一个或多个关注分簇成员;
获取所述供应链服务关注变量与所述一个或多个关注分簇成员中各共享服务事件数据之间的第二偏差度;
基于所述各共享服务事件数据之间的第二偏差度,将所述衍生供应链数据库中的所述第二目标数量个共享服务事件数据作为所述供应链服务事件数据的所述共享搜索数据。
3.根据权利要求1所述的智慧供应链大数据共享方法,其特征在于,所述基于所述扩展训练服务事件数据组合序列,获取所述基础训练服务事件数据组合序列中各基础训练服务事件数据组合的训练先验数据,确定延伸训练服务事件数据组合序列,包括:
依据所述基础训练服务事件数据组合序列,基于所述基础供应链关注挖掘模型获取各基础训练服务事件数据所对应的第一关注变量,其中,所述基础训练服务事件数据组合序列包括2Q个基础训练服务事件数据,Q为大于1的整数;
依据所述扩展训练服务事件数据组合序列,基于所述基础供应链关注挖掘模型获取各扩展训练服务事件数据所对应的第二关注变量,其中,所述扩展训练服务事件数据组合序列包括2W个扩展训练服务事件数据,W为大于1的整数;
基于所述各扩展训练服务事件数据所对应的第二关注变量,对所述2W个扩展训练服务事件数据进行分簇,确定多个关注分簇簇心,其中,各关注分簇簇心对应于一种共享错误的设定标识;
基于所述多个关注分簇簇心,获取各扩展训练服务事件数据组合中各扩展训练服务事件数据所对应的最小偏差度,确定2W个最小偏差度;
基于所述多个关注分簇簇心,获取所述各基础训练服务事件数据所对应的第一关注变量分别与各关注分簇簇心的偏差度;
基于所述各基础训练服务事件数据所对应的第一关注变量分别与各关注分簇簇心的偏差度与设定偏差度之间的比较信息,对所述基础训练服务事件数据组合序列中的各基础训练服务事件数据组合进行训练依据标注,确定延伸训练服务事件数据组合序列,其中,所述设定偏差度为基于所述2W个最小偏差度确定的。
4.根据权利要求3所述的智慧供应链大数据共享方法,其特征在于,所述基于所述各基础训练服务事件数据所对应的第一关注变量分别与各关注分簇簇心的偏差度与设定偏差度之间的比较信息,对所述基础训练服务事件数据组合序列中的各基础训练服务事件数据组合进行训练依据标注,确定延伸训练服务事件数据组合序列,包括:
将所述2W个最小偏差度中的最大偏差度作为所述设定偏差度;
如果第一关注变量与关注分簇簇心的偏差度小于所述设定偏差度,则将所述第一关注变量所对应的基础训练服务事件数据标定了共享错误的延伸训练服务事件数据;
如果第一关注变量与关注分簇簇心的偏差度不小于所述设定偏差度,则将所述第一关注变量所对应的基础训练服务事件数据标定了共享正确的延伸训练服务事件数据;
将对应于同一个基础训练服务事件数据组合的两个延伸训练服务事件数据作为一个延伸训练服务事件数据组合,直至得到所述延伸训练服务事件数据组合序列。
5.根据权利要求4所述的智慧供应链大数据共享方法,其特征在于,所述将对应于同一个基础训练服务事件数据组合的两个延伸训练服务事件数据作为一个延伸训练服务事件数据组合,包括:
如果对应于同一个基础训练服务事件数据组合的一个延伸训练服务事件数据标定了共享错误的延伸训练服务事件数据,且,另一个延伸训练服务事件数据标定了共享正确的延伸训练服务事件数据,则将所述另一个延伸训练服务事件数据标定了共享错误的延伸训练服务事件数据。
6.根据权利要求1所述的智慧供应链大数据共享方法,其特征在于,所述基于所述延伸训练服务事件数据组合序列以及所述扩展训练服务事件数据组合序列,配置训练服务事件数据矩阵序列,包括:
从所述延伸训练服务事件数据组合序列以及所述扩展训练服务事件数据组合序列中获取关联训练服务事件数据组合;
从所述延伸训练服务事件数据组合序列以及所述扩展训练服务事件数据组合序列中移除所述关联训练服务事件数据组合,确定(Q+W-1)个训练服务事件数据组合,其中,所述延伸训练服务事件数据组合序列包括Q个延伸训练服务事件数据组合,所述扩展训练服务事件数据组合序列包括W个扩展训练服务事件数据组合,其中,所述Q与所述W均为大于1的整数;
从(Q+W-1)个训练服务事件数据组合的各训练服务事件数据组合中分别选择一个训练服务事件数据,确定(Q+W-1)个训练服务事件数据;
计算所述(Q+W-1)个训练服务事件数据中各训练服务事件数据与所述关联训练服务事件数据组合之间的偏差度,确定(Q+W-1)个数据偏差度;
从所述(Q+W-1)个数据偏差度中获取数据偏差度最小的前R个数据偏差度,其中,所述R为不小于1的整数;
将所述R个数据偏差度中各数据偏差度所对应的训练服务事件数据分别与所述关联训练服务事件数据组合进行组合,确定R个训练服务事件数据矩阵,其中,所述R个训练服务事件数据矩阵包含于所述训练服务事件数据矩阵序列。
7.根据权利要求1所述的智慧供应链大数据共享方法,其特征在于,所述针对于所述各训练服务事件数据矩阵,基于所述各训练服务事件数据所对应的训练先验数据以及所述各训练共享服务事件数据所对应的目标关注变量,对所述初始化供应链关注挖掘模型进行模型调优和参数层选取,包括:
针对于所述各训练服务事件数据矩阵,基于训练服务事件数据矩阵中各训练服务事件数据所对应的训练先验数据,生成根据目标训练代价函数层;
针对于所述各训练服务事件数据矩阵,依据训练共享服务事件数据所对应的目标关注变量,根据所述目标训练代价函数层确定训练服务事件数据矩阵所对应的训练代价值;
基于所述各训练服务事件数据矩阵所对应的训练代价值,输出全局训练代价值;
根据所述全局训练代价值,对所述初始化供应链关注挖掘模型进行模型调优和参数层选取;
其中,所述基于训练服务事件数据矩阵中各训练服务事件数据所对应的训练先验数据,生成根据目标训练代价函数层,包括:
如果所述训练服务事件数据矩阵中各训练服务事件数据均为共享正确的训练服务事件数据,则确定调用第一训练代价函数层,其中,所述第一训练代价函数层包括数据矩阵训练代价函数层以及一致性训练代价函数层;
所述依据训练共享服务事件数据所对应的目标关注变量,根据所述目标训练代价函数层确定训练服务事件数据矩阵所对应的训练代价值,包括:
基于所述基础供应链关注挖掘模型获取训练共享服务事件数据所对应的基础关注变量;
依据训练共享服务事件数据所对应的目标关注变量,根据所述第一训练代价函数层所包括的数据矩阵训练代价函数层计算获得矩阵训练代价值;
依据训练共享服务事件数据所对应的目标关注变量以及基础关注变量,根据所述第一训练代价函数层所包括的一致性训练代价函数层计算获得一致性训练代价值;
基于所述矩阵训练代价值和所述一致性训练代价值确定所述训练服务事件数据矩阵所对应的训练代价值;
其中,所述基于训练服务事件数据矩阵中各训练服务事件数据所对应的训练先验数据,生成根据目标训练代价函数层,包括:
如果所述训练服务事件数据矩阵中两个训练服务事件数据为共享正确的训练服务事件数据,且,一个训练服务事件数据为共享错误的训练服务事件数据,则确定调用第二训练代价函数层,其中,所述第二训练代价函数层包括基础数据矩阵训练代价函数层、目标数据矩阵训练代价函数层以及一致性训练代价函数层;
所述依据训练共享服务事件数据所对应的目标关注变量,根据所述目标训练代价函数层确定训练服务事件数据矩阵所对应的训练代价值,包括:
基于所述基础供应链关注挖掘模型获取训练共享服务事件数据所对应的基础关注变量;
依据训练共享服务事件数据所对应的基础关注变量,根据所述第二训练代价函数层所包括基础数据矩阵训练代价函数层计算获得基础矩阵训练代价值;
依据训练共享服务事件数据所对应的目标关注变量,根据所述第二训练代价函数层所包括目标数据矩阵训练代价函数层计算获得目标矩阵训练代价值;
依据训练服务事件数据所对应的目标关注变量以及基础关注变量,根据所述第二训练代价函数层所包括的一致性训练代价函数层计算获得一致性训练代价值;
基于所述基础矩阵训练代价值、所述目标矩阵训练代价值与所述一致性训练代价值确定所述训练服务事件数据矩阵所对应的训练代价值;
其中,所述基于训练服务事件数据矩阵中各训练服务事件数据所对应的训练先验数据,生成根据目标训练代价函数层,包括:
如果所述训练服务事件数据矩阵中两个训练服务事件数据为共享错误的训练服务事件数据,且,一个训练服务事件数据为共享错误的正确共享服务事件数据,则确定调用第三训练代价函数层,其中,所述第三训练代价函数层包括基础数据矩阵训练代价函数层、目标数据矩阵训练代价函数层以及一致性训练代价函数层;
所述依据训练共享服务事件数据所对应的目标关注变量,根据所述目标训练代价函数层确定训练服务事件数据矩阵所对应的训练代价值,包括:
基于所述基础供应链关注挖掘模型获取训练共享服务事件数据所对应的基础关注变量;
依据训练共享服务事件数据所对应的基础关注变量,根据所述第三训练代价函数层所包括基础数据矩阵训练代价函数层计算获得基础矩阵训练代价值;
依据训练共享服务事件数据所对应的目标关注变量,根据所述第三训练代价函数层所包括目标数据矩阵训练代价函数层计算获得目标矩阵训练代价值;
依据训练服务事件数据所对应的目标关注变量以及基础关注变量,根据所述第三训练代价函数层所包括的一致性训练代价函数层计算获得一致性训练代价值;
基于所述基础矩阵训练代价值、所述目标矩阵训练代价值与所述一致性训练代价值确定所述训练服务事件数据矩阵所对应的训练代价值;
其中,所述基于训练服务事件数据矩阵中各训练服务事件数据所对应的训练先验数据,生成根据目标训练代价函数层,包括:
如果所述训练服务事件数据矩阵中各训练服务事件数据均为共享错误的训练服务事件数据,则确定调用第四训练代价函数层,其中,所述第一训练代价函数层包括数据矩阵训练代价函数层;
所述依据训练共享服务事件数据所对应的目标关注变量,根据所述目标训练代价函数层确定训练服务事件数据矩阵所对应的训练代价值,包括:
依据训练共享服务事件数据所对应的目标关注变量,根据所述第四训练代价函数层所包括的数据矩阵训练代价函数层计算获得所述训练服务事件数据矩阵所对应的训练代价值。
8.一种智慧供应链大数据共享系统,其特征在于,所述智慧供应链大数据共享系统包括处理器和机器可读存储介质,该机器可读存储介质中存储有机器可执行指令,该机器可执行指令由该处理器加载并执行以实现权利要求1-7中任意一项的智慧供应链大数据共享方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有机器可执行指令,该机器可执行指令由智慧供应链大数据共享系统加载并执行以实现权利要求1-7中任意一项的智慧供应链大数据共享方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210614507.0A CN114691630B (zh) | 2022-06-01 | 2022-06-01 | 一种智慧供应链大数据共享方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210614507.0A CN114691630B (zh) | 2022-06-01 | 2022-06-01 | 一种智慧供应链大数据共享方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114691630A CN114691630A (zh) | 2022-07-01 |
CN114691630B true CN114691630B (zh) | 2022-08-19 |
Family
ID=82131384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210614507.0A Active CN114691630B (zh) | 2022-06-01 | 2022-06-01 | 一种智慧供应链大数据共享方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114691630B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116303805B (zh) * | 2023-05-22 | 2023-07-25 | 北京恒歌科技有限公司 | 一种基于区块链的地理空间基础数据共享方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221011A (zh) * | 2021-05-27 | 2021-08-06 | 苏州聚慧邦信息科技有限公司 | 基于大数据的智慧办公信息推送方法及系统 |
CN113793101A (zh) * | 2021-09-15 | 2021-12-14 | 上海帅奇软件有限公司 | 一种智慧供应链大数据共享方法及系统 |
CN114254985A (zh) * | 2021-09-21 | 2022-03-29 | 毛海亮 | 一种基于供应链的智能金融服务方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9165333B2 (en) * | 2008-12-15 | 2015-10-20 | Sap Se | Systems and methods for supply chain event visualization |
US8811620B2 (en) * | 2011-02-14 | 2014-08-19 | Sap Ag | Secure sharing of item level data in the cloud |
US11106984B2 (en) * | 2017-09-21 | 2021-08-31 | Accenture Global Solutions Limited | Adaptive predictive analytics for design modification requests |
CN114117240B (zh) * | 2021-12-09 | 2022-07-08 | 北京国信达数据技术有限公司 | 基于大数据需求分析的互联网内容推送方法及ai系统 |
-
2022
- 2022-06-01 CN CN202210614507.0A patent/CN114691630B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221011A (zh) * | 2021-05-27 | 2021-08-06 | 苏州聚慧邦信息科技有限公司 | 基于大数据的智慧办公信息推送方法及系统 |
CN113793101A (zh) * | 2021-09-15 | 2021-12-14 | 上海帅奇软件有限公司 | 一种智慧供应链大数据共享方法及系统 |
CN114254985A (zh) * | 2021-09-21 | 2022-03-29 | 毛海亮 | 一种基于供应链的智能金融服务方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于SOA的供应链信息共享系统研究;黎英等;《物流技术》;20060725(第07期);第217-220页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114691630A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109559234B (zh) | 一种区块链状态数据的存储方法、设备和存储介质 | |
US10354201B1 (en) | Scalable clustering for mixed machine learning data | |
US11200511B1 (en) | Adaptive sampling of training data for machine learning models based on PAC-bayes analysis of risk bounds | |
US10268749B1 (en) | Clustering sparse high dimensional data using sketches | |
US20200034750A1 (en) | Generating artificial training data for machine-learning | |
CN109583594B (zh) | 深度学习训练方法、装置、设备及可读存储介质 | |
CN110798467B (zh) | 目标对象识别方法、装置、计算机设备及存储介质 | |
CN110414569B (zh) | 聚类实现方法及装置 | |
US20160378765A1 (en) | Concept expansion using tables | |
CN114691630B (zh) | 一种智慧供应链大数据共享方法及系统 | |
CN111475511A (zh) | 基于树状结构的数据存储方法、访问方法、装置及设备 | |
CN113285960A (zh) | 一种服务数据共享云平台的数据加密方法及系统 | |
CN115730507A (zh) | 模型引擎的构建、核函数处理方法、设备及存储介质 | |
CN111090401B (zh) | 存储设备性能预测方法及装置 | |
CN114564523B (zh) | 针对智慧虚拟场景的大数据漏洞分析方法及云端ai系统 | |
CN113868544B (zh) | 一种智能化业务档案处理方法及业务服务器 | |
CN115827646A (zh) | 索引配置方法、装置和电子设备 | |
CN116028832A (zh) | 一种样本聚类处理方法、装置、存储介质及电子设备 | |
CN115454781A (zh) | 基于企业架构系统的数据可视化展现方法及系统 | |
CN113435948B (zh) | 一种电商平台数据监测方法及系统 | |
CN113761033B (zh) | 基于档案数字化管理的信息整理方法及系统 | |
CN113448876B (zh) | 一种业务测试方法、装置、计算机设备及存储介质 | |
CN114816719A (zh) | 多任务模型的训练方法及装置 | |
CN110059880B (zh) | 一种服务发现方法及装置 | |
CN113064720B (zh) | 对象分配方法、装置、服务器及存储介质 |
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 |