CN114742423B - 一种随机分组方法、装置、设备及介质 - Google Patents
一种随机分组方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114742423B CN114742423B CN202210415250.6A CN202210415250A CN114742423B CN 114742423 B CN114742423 B CN 114742423B CN 202210415250 A CN202210415250 A CN 202210415250A CN 114742423 B CN114742423 B CN 114742423B
- Authority
- CN
- China
- Prior art keywords
- grouping
- grouped
- condition
- cluster
- preset
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000007621 cluster analysis Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 75
- 230000011218 segmentation Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 239000012634 fragment Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063118—Staff planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Educational Technology (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术,揭露一种随机分组方法,包括:当分组条件标签唯一时,根据所述分组条件标签和所述对象特征,对所有待分组成员进行聚类分析得到目标聚类簇,随机选择每个所述目标聚类簇中待分组成员依次添加到每个预设的分组池中,得到单条件分组小组,当所述分组条件标签不唯一时,利用预设的聚类算法得到同时满足所有分组条件标签的交集聚类簇,随机选择每个所述交集聚类簇中的待分组成员依次添加到每个所述预设的分组池中,利用随机法将所述交集聚类簇之外的待分组成员依次投递到每个所述预设的分组池中,得到多条件分组小组。本发明还提出一种随机分组装置、电子设备以及计算机可读存储介质。本发明可以提升分组的随机性和均匀性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种随机分组方法、装置、电子设备及计算机可读存储介质。
背景技术
在教育培训领域,无论是线上课堂还是线下课堂,都涉及对学员进行分组的活动。例如,将学员分成等量人数的小组进行主题讨论、游戏互动等。
当前较为常见的学员分组方法,一般依赖学员的空间顺序、性别、学号等自然属性信息进行分类,例如,按照同排座位为一组、按照学号范围进行分组,按照性别分组,或者按照线上同学打卡的地理位置划分小组。
这种分组方式往往缺少随机性,在长期的教学活动中,有可能很多学员每次都分在同一组,分组比较固化,学员的体验比较差,也不利用课堂的互动,学习信息的交流。
同时,这种分组方式较少考虑学员自然属性之外的其他特征,例如,能力专长、兴趣爱好等,导致每个小组之间的学员也不够均匀,有的小组学员可能动手能力都比较好的,有的小组学员可能整体动手能力比较偏差。
发明内容
本发明提供一种随机分组方法、装置、电子设备及计算机可读存储介质,其主要目的在于提升分组的随机性和均匀性。
为实现上述目的,本发明提供的一种随机分组方法,包括:
获取分组约束条件信息,解析所述分组约束条件信息,得到分组条件标签;
获取待分组成员信息,提取每个所述待分组成员信息对应的对象特征;
当所述分组条件标签唯一时,根据所述分组条件标签和所述对象特征,对所有待分组成员进行聚类分析,得到预设数量的目标聚类簇;
随机选择每个所述目标聚类簇中待分组成员依次添加到每个预设的分组池中,得到单条件分组小组;
当所述分组条件标签不唯一时,利用预设的聚类算法得到同时满足所有分组条件标签的交集聚类簇,随机选择每个所述交集聚类簇中的待分组成员依次添加到每个所述预设的分组池中;
利用随机法将所述交集聚类簇之外的待分组成员依次投递到每个所述预设的分组池中,得到多条件分组小组。
可选地,所述解析所述分组约束条件信息,得到分组条件标签,包括:
对所述分组预设条件信息进行分词,将每个分词作为候选词;
利用预设的关键词提取工具,从所述候选词中筛选出关键词;
根据预设的分组条件标签与关键词之间的映射关系,获取所述关键词对应的分组条件标签。
可选地,所述提取每个所述待分组成员信息对应的对象特征,包括:
将所述待分组成员信息进行分词,得到预设数量的文本分词;
分别将所述预设数量的文本分词转换为词向量,将所述词向量拼接为向量矩阵;
从所述多个文本分词中逐个选取其中一个文本分词为目标分词,根据所述目标分词的词向量及所述文本向量矩阵,计算所述目标分词的关键值;
按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词;
将所述特征分词的词向量拼接得到所述待分组成员信息对应的对象特征。
可选地,所述根据所述目标分词的词向量及所述文本向量矩阵,计算所述目标分词的关键值,包括:
利用如下关键值算法计算所述目标分词的关键值:
其中,K为所述关键值,|W|为所述文本向量矩阵,T为矩阵转置符号,||为求模符号,为所述目标分词的词向量。
可选地,所述根据所述分组条件标签和所述对象特征,对所有待分组成员进行聚类分析,得到预设数量的目标聚类簇,包括:
提取所述分组条件标签对应的条件特征,并将所述条件特征进行向量映射,得到条件特征向量;
将每个所述对象特征进行向量映射,得到对象特征向量集;
从所述对象特征向量集中,随机选取预设数量的对象特征向量作为聚类中心;
依次计算所述对象特征向量集中每个对象特征向量到所述聚类中心的聚类距离,并将每个所述对象特征向量划分到聚类距离最小的聚类中心对应的类别中,得到多个类别簇;
计算所述聚类中心与所述条件特征向量之间的条件距离,并判断所述条件距离是否满足预设的条件距离阈值;
若所述条件距离不满足所述预设的条件距离阈值,则重新计算每个类别簇的聚类中心,并返回上述的依次计算所述对象特征向量集中每个对象特征向量到所述聚类中心的聚类距离的步骤;
若所述条件距离满足所述预设的条件距离阈值,则将最后得到的聚类簇作为目标聚类簇。
可选地,所述重新计算每个类别簇的聚类中心,包括:
利用如下聚类公式计算每个类别簇的聚类中心:
其中,Ei表示第i个聚类中心,Ci表示第i个类别簇,x为类别簇中的对象特征向量。
可选地,所述随机选择每个所述目标聚类簇中待分组成员依次添加到每个预设的分组池中,得到分组小组,包括:
将所述预设的分池组进行随机排列,得到分池组队列;
依次从所有所述目标聚类簇中随机选择一个目标聚类簇作为分拨簇;
每次从所述分拨簇中随机选择一个待分组成员按照所述分组池队列的顺序,添加到对应的分池组中,直到所述分拨簇中的待分组成员为空;
将每个所述分组池作为一个分组小组。
为了解决上述问题,本发明还提供一种随机分组装置,所述装置包括:
分组条件解析模块,用于获取分组约束条件信息,解析所述分组约束条件信息,得到分组条件标签;
成员特征提取模块,用于获取待分组成员信息,提取每个所述待分组成员信息对应的对象特征;
单条件随机分组模块,用于根据所述分组条件标签和所述对象特征,对所有待分组成员进行聚类分析,得到预设数量的目标聚类簇,聚类成员随机分组模块,用于随机选择每个所述目标聚类簇中待分组成员依次添加到每个预设的分组池中,得到单条件分组小组;
多条件随机分组模块,用于利用预设的聚类算法得到同时满足所有分组条件标签的交集聚类簇,随机选择每个所述交集聚类簇中的待分组成员依次添加到每个所述预设的分组池中,利用随机法将所述交集聚类簇之外的待分组成员依次投递到每个所述预设的分组池中,得到多条件分组小组。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的程序以实现上述所述的一种随机分组方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的一种随机分组方法。
本发明申请利用分组条件标签和待分组成员的对象特征,对所有待分组成员进行聚类分析,当所述分组条件标签唯一时,得到单条件分组小组,所述单条件分组小组中的成员是符合某一分组条件标签聚类后的成员,具有均匀和随机性。当所述分组条件标签不唯一时,先识别同时满足所有分组条件标签的交集聚类簇,将所述所述交集聚类簇中的待分组成员依次添加到每个所述预设的分组池,保证了每个分组池成员的均匀性和随机性,再将所述交集聚类簇中其他待分组成员随机分布到所述分组池,保证了分组池的随机性,最后得到多条件分组小组。
附图说明
图1为本发明一实施例提供的一种随机分组方法的流程示意图;
图2为本发明一实施例提供的一种随机分组方法中其中一个步骤的详细实施流程示意图;
图3为本发明一实施例提供的一种随机分组方法中其中一个步骤的详细实施流程示意图;
图4为本发明一实施例提供的一种随机分组方法中其中一个步骤的详细实施流程示意图;
图5为本发明一实施例提供的一种随机分组方法中其中一个步骤的详细实施流程示意图;
图6为本发明一实施例提供的随机分组装置的功能模块图;
图7为本发明一实施例提供的实现所述一种随机分组方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种随机分组方法。所述一种随机分组方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述一种随机分组方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的一种随机分组方法的流程示意图。在本实施例中,所述一种随机分组方法包括:
S1、获取分组约束条件信息,解析所述分组约束条件信息,得到分组条件标签;
本发明实施例中,所述分组约束条件信息可以是指用户输入的关于分组要求的非结构化的文本内容,例如,“按成绩分组,每个小组成员的成绩比较均匀。”也可以是用户在预设界面,根据界面提示输入分组约束条件而产生的JSON格式的接口文件。
本发明实施例中,所述分组条件标签是对分组条件进行分类的标签,包括但不限于成绩标签、性别标签、年龄标签、学号标签、地域标签等。
详细地,参阅图2所示,所述解析所述分组约束条件信息,得到分组条件标签,包括S11-S13:
S11、对所述分组预设条件信息进行分词,将每个分词作为候选词;
S12、利用预设的关键词提取工具,从所述候选词中筛选出关键词;
S13、根据预设的分组条件标签与关键词之间的映射关系,获取所述关键词对应的分组条件标签。
本发明实施例中,所述预设的关键词提取工具可以是jieba、SnowNLP、Textrank4zh等常见的关键词提取工具。
本发明另一可选实施例中,可以利用Python脚本提取所述分组约束条件信息中的关键词。
本发明实施例中,所述预设的分组条件标签与关键词之间的映射关系用来定义分组条件标签与关键词之间的对应关系。例如,关键词为分数,对应的分组条件标签为成绩标签,关键词为女性,对应的分组条件标签为性别标签。
S2、获取待分组成员信息,提取每个所述待分组成员信息对应的对象特征;
本发明实施例中,可以从预设的第三方数据库中获取待分组成员信息。示例性地,以线上或线下课堂对学员分组为例,所述待分组成员信息是指围绕线上或线下课堂相关的学员个人信息,包括学员自然属性信息,例如,学员姓名、性别、年龄、学号、学历、家庭住址等自然属性信息,还可以包含学员学习行为信息,例如,学员每科目成绩、学员结业成绩、学员综合考评评分、学员参与的课程类型等学习行为信息。
详细地,参阅图3所示,所述提取每个所述待分组成员信息对应的对象特征,包括S21-S25:
S21、将所述待分组成员信息进行分词,得到预设数量的文本分词;
S22、分别将所述预设数量的文本分词转换为词向量,将所述词向量拼接为向量矩阵;
S23、从所述多个文本分词中逐个选取其中一个文本分词为目标分词,根据所述目标分词的词向量及所述文本向量矩阵,计算所述目标分词的关键值;
S24、按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词;
S25、将所述特征分词的词向量拼接得到所述待分组成员信息对应的对象特征。
具体地,所述根据所述目标分词的词向量与所述文本向量矩阵,计算所述目标分词的关键值,包括:
利用如下关键值算法计算所述目标分词的关键值:
其中,K为所述关键值,|W|为所述文本向量矩阵,T为矩阵转置符号,||为求模符号,为所述目标分词的词向量。
本发明实施例中,按照每一个文本分词的关键值从大到小的顺序从所述将所述多个文本分词中选取预设数量的文本分词为特征分词。
例如,所述多个文本分词包括:文本分词A、文本分词B和文本分词C,其中,文本分词A的关键值为80,文本分词B的关键值为70,文本分词C的关键值为30,若预设数量为2,则按照所述关键值从大到小的顺序,选取文本分词A和文本分词B为特征分词,并将所述文本分词A和所述文本分词B的词向量进行拼接,得到所述待分组成员信息对应的对象特征。
S3、当所述分组条件标签唯一时,根据所述分组条件标签和所述对象特征,对所有待分组成员进行聚类分析,得到预设数量的目标聚类簇;
本发明实施例中,所述分组条件标签唯一是指仅按一种条件标签进行分组,例如,仅按成绩分组或仅按性别进行分组。
本发明实施例中,所述聚类分析可以采用条件欧式聚类点云分割算法或者K-Means或DBSCAN等聚类算法实现。
详细地,参阅图4所示,所述根据所述分组条件标签和所述对象特征,对所有待分组成员进行聚类分析,得到预设数量的目标聚类簇,包括S31-S37:
S31、提取所述分组条件标签对应的条件特征,并将所述条件特征进行向量映射,得到条件特征向量;
S32、将每个所述对象特征进行向量映射,得到对象特征向量集;
S33、从所述对象特征向量集中,随机选取预设数量的对象特征向量作为聚类中心;
S34、依次计算所述对象特征向量集中每个对象特征向量到所述聚类中心的聚类距离,并将每个所述对象特征向量划分到聚类距离最小的聚类中心对应的类别中,得到多个类别簇;
S35、计算所述聚类中心与所述条件特征向量之间的条件距离,并判断所述条件距离是否满足预设的条件距离阈值;
S36、若所述条件距离不满足所述预设的条件距离阈值,则重新计算每个类别簇的聚类中心,并返回上述的依次计算所述对象特征向量集中每个对象特征向量到所述聚类中心的聚类距离的步骤;
S37、若所述条件距离满足所述预设的条件距离阈值,则将最后得到的聚类簇作为目标聚类簇。
本发明实施例中,所述分组条件标签是由自然语言组成的,若直接对所述分组条件标签进行分析,会占用大量的计算资源,导致分析的效率低下,因此,可将所述分组条件标签转换为条件特征向量,进而将由自然语言表达的条件特征向量转换为数值形式。
本发明实施例中,所述聚类中心与所述条件特征向量之间的条件距离,以及所述对象特征向量集中每个对象特征向量到所述聚类中心的聚类距离可以为欧氏距离、曼哈顿距离及切比雪夫距离等。
详细地,所述重新计算每个类别簇的聚类中心,包括:
利用如下聚类公式计算每个类别簇的聚类中心:
其中,Ei表示第i个聚类中心,Ci表示第i个类别簇,x为类别簇中的对象特征向量。
本发明实施例中,所述预设数量可以与实际需要分组的数量保持一致。所述预设的条件距离阈值可以根据实际情况设置。
本发明实施例中,相对于同一所述分组条件标签,每个所述目标聚类簇代表一种符合所述条件标签的取值范围,例如,所述分组条件标签为成绩标签,则每个所述目标聚类簇是代表不同分数段的待分组成员的集和。
S4、随机选择每个所述目标聚类簇中待分组成员依次添加到每个预设的分组池中,得到单条件分组小组;
本发明实施例中,所述预设的分组池与实际分组一一对应,即在实际应用中,需要将学员划分成几组,就设置几个分组池,较佳地,可以为每个所述预设的分组池分配一个临时缓存,用于存储所述分组池对应的成员数据。
详细地,参阅图5所示所述将每个所述目标聚类簇中待分组成员依次添加到每个预设的分组池中,得到分组小组,包括S41-S43:
S41、将所述预设的分池组进行随机排列,得到分池组队列;
S42、依次从所有所述目标聚类簇中随机选择一个目标聚类簇作为分拨簇;
S43、每次从所述分拨簇中随机选择一个待分组成员按照所述分组池队列的顺序,添加到对应的分池组中,直到所述分拨簇中的待分组成员为空。
S44、将每个所述分组池作为一个分组小组。
本发明实施例中,通过随机选择每个所述目标聚类簇中待分组成员依次添加到每个预设的分组池中,一方面,每个所述分组池中的成员具有随机性,另一方面,每份所述分组池都涵盖了不同目标聚类簇中的成员,每个所述分组池中的成员比较均匀。
S5、当所述分组条件标签不唯一时,利用预设的聚类算法得到同时满足所有分组条件标签的交集聚类簇,随机选择每个所述交集聚类簇中的待分组成员依次添加到每个所述预设的分组池中;
本发明实施例中,所述分组条件标签不唯一是指分组条件标签包含2个或2个以上,例如,按成绩和地理位置分组。
本发明实施例中,所述预设的聚类算法可以采用条件欧式聚类点云分割算法或者K-Means或DBSCAN等聚类算法。
详细地,所述预设的聚类算法得到同时满足所有分组条件标签的交集聚类簇,包括:根据每种所述分组条件标签及所述待分组成员的对象特征,对所有待分组成员进行聚类分析,得到每种所述分组条件标签对应的条件聚类簇;从所有所述条件聚类簇中,识别同时分布在所有不同条件标签对应的条件聚类聚的待分组成员,将识别到的待分组成员划分为一个交集聚类簇。
本发明实施例中,所述根据每种所述分组条件标签及所述待分组成员的对象特征,对所有待分组成员进行聚类分析的方法可以与所述当所述分组条件标签唯一时,根据所述分组条件标签和所述对象特征,对所有待分组成员进行聚类分析的方法相同。
本发明实施例中,每个所述交集聚类簇代表每种分组条件标签在不同范围内的一种集和,例如,所述分组条件标签包括成绩条件标签、地理位置条件标签,其中,一个所述交集聚类簇可以是成绩为A至A+,且地理位置为某某社区的成员,另一个所述交集聚类簇可以是成绩为B至B+,且地理位置为某某社区的成员。因此,可以理解的是,所述交集聚类簇中的待分组成员对分组小组的均匀性起着至关重要的作用。
本发明实施例中,所述随机选择每个所述交集聚类簇中的待分组成员依次添加到每个所述预设的分组池中的方法可以和所述将每个所述目标聚类簇中待分组成员依次添加到每个预设的分组池中方法一致。
本发明实施例通过将所述交集聚类簇中的待分组成员划分到所述分组池中,可以实现同时所有分组条件标签上具有交集的待分组成员均匀随机的分布到每个所述分组池,保持了每个分组池的均匀性和随机性。
S6、利用随机法将所述交集聚类簇之外的待分组成员依次投递到每个所述预设的分组池中,得到多条件分组小组。
本发明实施例中,所述交集聚类簇之外的待分组成员分布在不同的所述分组条件标签上,例如,一部分待分组成员分布在学习成绩为A至A+阶段,但是所述待分组成员的地理位置可能分布在不同的小区,因此,针对所有分组条件标签,所述所述交集聚类簇之外的待分组成员不具有均匀性。
本发明一可选实施例中,所述利用随机法将所述交集聚类簇之外的待分组成员依次投递到每个所述预设的分组池中,得到多条件分组小组,包括:利用所述随机法将所述交集聚类簇之外的待分组成员随机排列成一个成员队列;将所述预设的分组池随机排列成一个分组池序列;根据所述成员队列的排序,每次选择一个待分组成员按照所述分组池序列的顺序投递到一个分组池中,直到所述成员队列为空。
本发明实施例中,所述随机法可以是随机排序法。
本发明实施例中,利用随机法将所述交集聚类簇之外的待分组成员随机投递到每个所述分池组中,保持了每个所述分池组成员的随机性。
本发明申请利用分组条件标签和待分组成员的对象特征,对所有待分组成员进行聚类分析,当所述分组条件标签唯一时,得到单条件分组小组,所述单条件分组小组中的成员是符合某一分组条件标签聚类后的成员,具有均匀和随机性。当所述分组条件标签不唯一时,先识别同时满足所有分组条件标签的交集聚类簇,将所述所述交集聚类簇中的待分组成员依次添加到每个所述预设的分组池,保证了每个分组池成员的均匀性和随机性,再将所述交集聚类簇中其他待分组成员随机分布到所述分组池,保证了分组池的随机性,最后得到多条件分组小组。
如图6所示,是本发明一实施例提供的随机分组装置的功能模块图。
本发明所述随机分组装置100可以安装于电子设备中。根据实现的功能,所述随机分组装置100可以包括分组条件解析模块101、成员特征提取模块102、单条件随机分组模块103及多条件随机分组模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述分组条件解析模块101,用于获取分组约束条件信息,解析所述分组约束条件信息,得到分组条件标签;
所述成员特征提取模块102,用于获取待分组成员信息,提取每个所述待分组成员信息对应的对象特征;
所述单条件随机分组模块103,用于根据所述分组条件标签和所述对象特征,对所有待分组成员进行聚类分析,得到预设数量的目标聚类簇,随机选择每个所述目标聚类簇中待分组成员依次添加到每个预设的分组池中,得到单条件分组小组;
所述多条件随机分组模块104,用于利用预设的聚类算法得到同时满足所有分组条件标签的交集聚类簇,随机选择每个所述交集聚类簇中的待分组成员依次添加到每个所述预设的分组池中,利用随机法将所述交集聚类簇之外的待分组成员依次投递到每个所述预设的分组池中,得到多条件分组小组。
详细地,本发明实施例中所述随机分组装置100中的各个模块在使用时采用与上述的图1至图5中所述的一种随机分组方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图7所示,是本发明一实施例提供的实现一种随机分组方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如随机分组程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如随机分组程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如随机分组程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图7仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图7示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的随机分组程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取分组约束条件信息,解析所述分组约束条件信息,得到分组条件标签;
获取待分组成员信息,提取每个所述待分组成员信息对应的对象特征;
当所述分组条件标签唯一时,根据所述分组条件标签和所述对象特征,对所有待分组成员进行聚类分析,得到预设数量的目标聚类簇;
随机选择每个所述目标聚类簇中待分组成员依次添加到每个预设的分组池中,得到单条件分组小组;
当所述分组条件标签不唯一时,利用预设的聚类算法得到同时满足所有分组条件标签的交集聚类簇,随机选择每个所述交集聚类簇中的待分组成员依次添加到每个所述预设的分组池中;
利用随机法将所述交集聚类簇之外的待分组成员依次投递到每个所述预设的分组池中,得到多条件分组小组。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取分组约束条件信息,解析所述分组约束条件信息,得到分组条件标签;
获取待分组成员信息,提取每个所述待分组成员信息对应的对象特征;
根据所述分组条件标签和所述对象特征,对所有待分组成员进行聚类分析,得到预设数量的目标聚类簇;
当所述分组条件标签唯一时,随机选择每个所述目标聚类簇中待分组成员依次添加到每个预设的分组池中,得到单条件分组小组;
当所述分组条件标签不唯一时,利用预设的聚类算法得到同时满足所有分组条件标签的交集聚类簇,随机选择每个所述交集聚类簇中的待分组成员依次添加到每个所述预设的分组池中;
利用随机法将所述交集聚类簇之外的待分组成员依次投递到每个所述预设的分组池中,得到多条件分组小组。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (6)
1.一种随机分组方法,其特征在于,所述方法包括:
获取分组约束条件信息,解析所述分组约束条件信息,得到分组条件标签;
获取待分组成员信息,提取每个所述待分组成员信息对应的对象特征;
当所述分组条件标签唯一时,根据所述分组条件标签和所述对象特征,对所有待分组成员进行聚类分析,得到预设数量的目标聚类簇,随机选择每个所述目标聚类簇中待分组成员依次添加到每个预设的分组池中,得到单条件分组小组;
当所述分组条件标签不唯一时,根据所述分组条件标签和所述对象特征,利用预设的聚类算法得到同时满足所有分组条件标签的交集聚类簇,随机选择每个所述交集聚类簇中的待分组成员依次添加到每个所述预设的分组池中,
利用随机法将所述交集聚类簇之外的待分组成员依次投递到每个所述预设的分组池中,得到多条件分组小组;
其中,所述解析所述分组约束条件信息,得到分组条件标签,包括:对所述分组约束条件信息进行分词,将每个分词作为候选词;利用预设的关键词提取工具,从所述候选词中筛选出关键词;根据预设的分组条件标签与关键词之间的映射关系,获取所述关键词对应的分组条件标签;
所述提取每个所述待分组成员信息对应的对象特征,包括:将所述待分组成员信息进行分词,得到多个文本分词;分别将所述多个文本分词转换为词向量,将所述词向量拼接为文本向量矩阵;从所述多个文本分词中逐个选取其中一个文本分词为目标分词,根据所述目标分词的词向量及所述文本向量矩阵,计算所述目标分词的关键值;按照所述关键值从大到小的顺序从所述多个文本分词中选取预设数量的文本分词为特征分词;将所述特征分词的词向量拼接得到所述待分组成员信息对应的对象特征;
所述根据所述分组条件标签和所述对象特征,对所有待分组成员进行聚类分析,得到预设数量的目标聚类簇,包括:提取所述分组条件标签对应的条件特征,并将所述条件特征进行向量映射,得到条件特征向量;将每个所述对象特征进行向量映射,得到对象特征向量集;从所述对象特征向量集中,随机选取预设数量的对象特征向量作为聚类中心;依次计算所述对象特征向量集中每个对象特征向量到所述聚类中心的聚类距离,并将每个所述对象特征向量划分到聚类距离最小的聚类中心对应的类别中,得到多个类别簇;计算所述聚类中心与所述条件特征向量之间的条件距离,并判断所述条件距离是否满足预设的条件距离阈值;若所述条件距离不满足所述预设的条件距离阈值,则重新计算每个类别簇的聚类中心,并返回上述的依次计算所述对象特征向量集中每个对象特征向量到所述聚类中心的聚类距离的步骤;若所述条件距离满足所述预设的条件距离阈值,则将最后得到的聚类簇作为目标聚类簇;
所述随机选择每个所述目标聚类簇中待分组成员依次添加到每个预设的分组池中,得到单条件分组小组,包括:将所述预设的分池组进行随机排列,得到分池组队列;依次从所有所述目标聚类簇中随机选择一个目标聚类簇作为分拨簇;每次从所述分拨簇中随机选择一个待分组成员按照所述分组池队列的顺序,添加到对应的分池组中,直到所述分拨簇中的待分组成员为空;将每个所述分组池作为一个分组小组。
2.如权利要求1所述的一种随机分组方法,其特征在于,所述根据所述目标分词的词向量及所述文本向量矩阵,计算所述目标分词的关键值,包括:
利用如下关键值算法计算所述目标分词的关键值:
其中,K为所述关键值,|W|为所述文本向量矩阵,T为矩阵转置符号,||为求模符号,为所述目标分词的词向量。
3.如权利要求1所述的一种随机分组方法,其特征在于,所述重新计算每个类别簇的聚类中心,包括:
利用如下聚类公式计算每个类别簇的聚类中心:
其中,Ei表示第i个聚类中心,Ci表示第i个类别簇,x为类别簇中的对象特征向量。
4.一种随机分组装置,用于实现如权利要求1至3中任意一项所述的一种随机分组方法,其特征在于,所述装置包括:
分组条件解析模块,用于获取分组约束条件信息,解析所述分组约束条件信息,得到分组条件标签;
成员特征提取模块,用于获取待分组成员信息,提取每个所述待分组成员信息对应的对象特征;
单条件随机分组模块,用于根据所述分组条件标签和所述对象特征,对所有待分组成员进行聚类分析,得到预设数量的目标聚类簇,随机选择每个所述目标聚类簇中待分组成员依次添加到每个预设的分组池中,得到单条件分组小组;
多条件随机分组模块,用于根据所述分组条件标签和所述对象特征,利用预设的聚类算法得到同时满足所有分组条件标签的交集聚类簇,随机选择每个所述交集聚类簇中的待分组成员依次添加到每个所述预设的分组池中,利用随机法将所述交集聚类簇之外的待分组成员依次投递到每个所述预设的分组池中,得到多条件分组小组。
5.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至3中任意一项所述的一种随机分组方法。
6.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3中任意一项所述的一种随机分组方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210415250.6A CN114742423B (zh) | 2022-04-20 | 2022-04-20 | 一种随机分组方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210415250.6A CN114742423B (zh) | 2022-04-20 | 2022-04-20 | 一种随机分组方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114742423A CN114742423A (zh) | 2022-07-12 |
CN114742423B true CN114742423B (zh) | 2023-08-25 |
Family
ID=82284447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210415250.6A Active CN114742423B (zh) | 2022-04-20 | 2022-04-20 | 一种随机分组方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114742423B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929218A (zh) * | 2019-11-21 | 2020-03-27 | 中国中医科学院 | 一种差异最小化随机分组方法及系统 |
CN111709640A (zh) * | 2020-06-15 | 2020-09-25 | 浙江大学 | 一种针对教育场景的特征均衡智能分组方法 |
CN112364234A (zh) * | 2020-10-23 | 2021-02-12 | 北京师范大学 | 一种在线讨论的自动分组系统 |
CN113038197A (zh) * | 2021-03-01 | 2021-06-25 | 北京安博创赢教育科技有限责任公司 | 用于直播教学课堂的分组方法、装置、介质和电子设备 |
CN114220504A (zh) * | 2021-12-15 | 2022-03-22 | 浙江太美医疗科技股份有限公司 | 一种随机分组方法、装置及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9202178B2 (en) * | 2014-03-11 | 2015-12-01 | Sas Institute Inc. | Computerized cluster analysis framework for decorrelated cluster identification in datasets |
US11188566B2 (en) * | 2018-10-25 | 2021-11-30 | International Business Machines Corporation | Grouping of objects into clusters in an object-based storage environment |
-
2022
- 2022-04-20 CN CN202210415250.6A patent/CN114742423B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929218A (zh) * | 2019-11-21 | 2020-03-27 | 中国中医科学院 | 一种差异最小化随机分组方法及系统 |
CN111709640A (zh) * | 2020-06-15 | 2020-09-25 | 浙江大学 | 一种针对教育场景的特征均衡智能分组方法 |
CN112364234A (zh) * | 2020-10-23 | 2021-02-12 | 北京师范大学 | 一种在线讨论的自动分组系统 |
CN113038197A (zh) * | 2021-03-01 | 2021-06-25 | 北京安博创赢教育科技有限责任公司 | 用于直播教学课堂的分组方法、装置、介质和电子设备 |
CN114220504A (zh) * | 2021-12-15 | 2022-03-22 | 浙江太美医疗科技股份有限公司 | 一种随机分组方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114742423A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
CN114722281A (zh) | 基于用户画像及用户选课行为的培训课程配置方法、装置 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN114186132A (zh) | 信息推荐方法、装置、电子设备及存储介质 | |
CN114913371A (zh) | 多任务学习模型训练方法、装置、电子设备及存储介质 | |
CN113627160B (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
CN113837631A (zh) | 员工评价方法、装置、电子设备及可读存储介质 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN113722533A (zh) | 信息推送方法、装置、电子设备及可读存储介质 | |
CN113157739A (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN114742423B (zh) | 一种随机分组方法、装置、设备及介质 | |
CN116401602A (zh) | 事件检测方法、装置、设备及计算机可读介质 | |
CN113657499B (zh) | 基于特征选择的权益分配方法、装置、电子设备及介质 | |
CN115982454A (zh) | 基于用户画像的问卷推送方法、装置、设备及存储介质 | |
CN114595321A (zh) | 问题标注方法、装置、电子设备及存储介质 | |
CN115238179A (zh) | 项目推送方法、装置、电子设备及计算机可读存储介质 | |
CN114722280A (zh) | 基于用户画像的课程推荐方法、装置、设备及存储介质 | |
CN113706019A (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
CN114723488B (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN113656703B (zh) | 基于新上线课程的智能推荐方法、装置、设备及存储介质 | |
CN114757541B (zh) | 基于培训行为数据的绩效分析方法、装置、设备及介质 | |
CN114969651B (zh) | 基于大数据ai技术的智能风控体系构建方法及装置 |
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 |