CN114861112B - 基于数据存取和大数据分类的信息分发方法及系统 - Google Patents
基于数据存取和大数据分类的信息分发方法及系统 Download PDFInfo
- Publication number
- CN114861112B CN114861112B CN202210781135.0A CN202210781135A CN114861112B CN 114861112 B CN114861112 B CN 114861112B CN 202210781135 A CN202210781135 A CN 202210781135A CN 114861112 B CN114861112 B CN 114861112B
- Authority
- CN
- China
- Prior art keywords
- service data
- event
- field
- interaction
- knowledge
- 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 52
- 230000003993 interaction Effects 0.000 claims abstract description 274
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000005065 mining Methods 0.000 claims description 77
- 238000006243 chemical reaction Methods 0.000 claims description 73
- 238000012360 testing method Methods 0.000 claims description 63
- 238000013473 artificial intelligence Methods 0.000 claims description 50
- 230000002452 interceptive effect Effects 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013461 design Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002994 raw material Substances 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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
- G06F16/906—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的基于数据存取和大数据分类的信息分发方法及系统，可以利用AI技术预先进行目标云服务数据的交互事件识别，从而得到事件拆解信息，该事件拆解信息能够在事件层面实现目标云服务数据的分类处理，基于此，在接收到信息分发请求时，能够基于该请求确定对应的目标交互事件，从而结合目标交互事件以及事件拆解信息从目标云服务数据中进行指定云服务数据的抽取和筛选，然后分发指定云服务数据。如此设计，能够从事件层面精准定位需要分发的指定云服务数据，以提高数据分发的效率和智能化程度。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种基于数据存取和大数据分类的信息分发方法及系统。
背景技术
数据时代（SJERA）为适应不同类型、不同发展阶段企业或者个人的上网要求，提供有包括域名注册、主机、企业邮局、系统集成在内的完整的网络平台服务。当下，各类服务的正常运行通常需要进行数据信息的分发处理。然而面对庞大的数据集，提高数据分发的效率是保障数据处理质量的关键因素，但是大部分技术难以实现这一目的。
发明内容
为改善相关技术中存在的技术问题，本发明提供了一种基于数据存取和大数据分类的信息分发方法及系统。
第一方面，本发明实施例提供了一种基于数据存取和大数据分类的信息分发方法，应用于信息分发系统，所述方法包括：
利用人工智能算法中的多功能模型以及预设服务交互描述短语，对目标云服务数据进行交互事件识别，得到所述目标云服务数据对应的事件拆解信息；
在接收到信息分发请求时，结合所述事件拆解信息从所述目标云服务数据中抽取出指定云服务数据，将所述指定云服务数据进行分发。
在一些可能的实施例中，利用人工智能算法中的多功能模型以及预设服务交互描述短语，对目标云服务数据进行交互事件识别，得到所述目标云服务数据对应的事件拆解信息，包括：
获得目标云服务数据及若干个预设服务交互描述短语，其中，所述预设服务交互描述短语的数目多于所述目标云服务数据中服务交互事件的数目；
将所述目标云服务数据加载至完成配置的人工智能算法的第一数据知识挖掘模型中，得到所述目标云服务数据的第一服务数据知识字段；
将所述第一服务数据知识字段及各所述预设服务交互描述短语加载至所述人工智能算法的第一交互事件识别模型中，得到第二服务数据知识字段及若干个交互事件描述字段，其中，所述交互事件描述字段的数目与所述预设服务交互描述短语的数目一致；
将所述交互事件描述字段加载至所述人工智能算法的多层感知机模型中，分别确定出各所述交互事件描述字段的事件区分标签及可调变量；
依次通过各所述可调变量对所述人工智能算法的可调交互事件识别模型进行模型变量修改，得到若干个第二交互事件识别模型，其中，所述第二交互事件识别模型的数目与所述预设服务交互描述短语的数目一致；
依据所述第二服务数据知识字段及各所述第二交互事件识别模型，得到所述目标云服务数据的事件拆解信息。
在一些可能的实施例中，所述人工智能算法的第一交互事件识别模型包括特征字段挖掘单元及特征字段转换单元；所述将所述第一服务数据知识字段及各所述预设服务交互描述短语加载至所述人工智能算法的第一交互事件识别模型中，得到第二服务数据知识字段及若干个交互事件描述字段，包括：
基于所述第一交互事件识别模型的特征字段挖掘单元对所述第一服务数据知识字段进行特征字段挖掘，得到第二服务数据知识字段；
将所述第二服务数据知识字段及各所述预设服务交互描述短语加载至所述第一交互事件识别模型的特征字段转换单元中，得到若干个交互事件描述字段。
在一些可能的实施例中，所述特征字段挖掘单元包括若干个特征字段挖掘节点；所述基于所述第一交互事件识别模型的特征字段挖掘单元对所述第一服务数据知识字段进行特征字段挖掘，得到第二服务数据知识字段，包括：
对于所述第一服务数据知识字段中的各个知识字段成员，基于所述特征字段挖掘单元的第一个特征字段挖掘节点确定所述第一服务数据知识字段中的各知识字段成员针对该知识字段成员的偏置因子，并结合偏置因子对该知识字段成员与所述第一服务数据知识字段中的剩余知识字段成员进行全局运算处理，得到该知识字段成员的处理后的知识字段成员，其中，所述第一个特征字段挖掘节点生成的服务数据知识字段包含所述第一服务数据知识字段中各知识字段成员的处理后的知识字段成员；
对于第i-1个特征字段挖掘单元生成的服务数据知识字段中的各个知识字段成员，基于所述特征字段挖掘单元的第i个特征字段挖掘节点确定所述第i-1个特征字段挖掘单元生成的服务数据知识字段中的各知识字段成员针对该知识字段成员的偏置因子，并结合偏置因子对该知识字段成员与所述第i-1个特征字段挖掘单元生成的服务数据知识字段中的剩余知识字段成员进行全局运算处理，得到该知识字段成员的处理后的知识字段成员；
其中，i大于等于2小于等于K，K为所述特征字段挖掘单元中特征字段挖掘节点的数目，所述第i个特征字段挖掘节点生成的服务数据知识字段包含所述i-1个特征字段挖掘单元生成的第二服务数据知识字段中各知识字段成员的处理后的知识字段成员，第二服务数据知识字段为第K个特征字段挖掘节点生成的服务数据知识字段。
在一些可能的实施例中，所述特征字段转换单元包括若干个特征字段转换节点；所述将所述第二服务数据知识字段及各所述预设服务交互描述短语加载至所述第一交互事件识别模型的特征字段转换单元中，得到若干个交互事件描述字段，包括：
对于各所述预设服务交互描述短语中的各个预设服务交互描述短语，将该预设服务交互描述短语及所述第二服务数据知识字段加载至所述特征字段转换单元的第一个特征字段转换节点，得到第一个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语；
将第g-1个特征字段转换节点生成的该预设服务交互描述短语对应的联动关联描述短语及所述第二服务数据知识字段加载至第g个特征字段转换节点中，得到第g个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语；
其中，g大于等于2小于等于B，B为所述特征字段转换单元中特征字段转换节点的数目，该预设服务交互描述短语的交互事件描述字段为第B个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语。
在一些可能的实施例中，所述将第g-1个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语及所述第二服务数据知识字段加载至第g个特征字段转换节点中，得到第g个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语，包括：
将第g-1个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语及所述第二服务数据知识字段加载至第g个特征字段转换节点中，利用第g个特征字段转换节点确定传入的联动关联描述短语相对于所述第二服务数据知识字段中各描述短语的偏置因子，并利用该偏置因子对所述第二服务数据知识字段中各描述短语进行全局运算处理，得到第g个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语。
在一些可能的实施例中，所述依据所述第二服务数据知识字段及各所述第二交互事件识别模型，得到所述目标云服务数据的事件拆解信息，包括：
将所述第二服务数据知识字段加载至所述人工智能算法的第二数据知识挖掘模型中，得到所述目标云服务数据的第三服务数据知识字段，其中，所述第二数据知识挖掘模型用于对所述第二服务数据知识字段进行字段映射；
将所述目标云服务数据的第三服务数据知识字段分别加载至各所述第二交互事件识别模型，得到所述目标云服务数据的事件拆解信息。
在一些可能的实施例中，配置人工智能算法的思路为：
获得示例型云服务数据及若干个示例型服务交互描述短语，其中，所述示例型服务交互描述短语的数目多于所述示例型云服务数据中服务交互事件的数目；
将所述示例型云服务数据及各所述示例型服务交互描述短语加载至人工智能算法中，得到所述示例型云服务数据的若干个事件拆解测试信息，其中，所述事件拆解测试信息的数目与所述示例型服务交互描述短语的数目一致；
依据所述示例型云服务数据的各事件拆解测试信息及所述示例型云服务数据的各交互事件拆解注释，确定所述示例型云服务数据中各服务交互事件的拆解质量评分；
通过各所述拆解质量评分改进人工智能算法的算法变量及所述示例型服务交互描述短语的注释；
采用剩余的示例型云服务数据对人工智能算法再次进行配置，直到符合设定的配置终止要求，得到完成配置的人工智能算法及所述若干个预设服务交互描述短语。
在一些可能的实施例中，所述依据所述示例型云服务数据的各事件拆解测试信息及所述示例型云服务数据的各交互事件拆解注释，确定所述示例型云服务数据中各服务交互事件的拆解质量评分，包括：
对于所述示例型云服务数据的各事件拆解测试信息，确定该事件拆解测试信息的拆解细节特征；
对于所述示例型云服务数据的各交互事件拆解注释，确定该交互事件拆解注释的拆解细节特征；
对于所述示例型云服务数据的各交互事件拆解注释，将该交互事件拆解注释的拆解细节特征分别与各事件拆解测试信息的拆解细节特征进行配对，得到该交互事件拆解注释配对的事件拆解测试信息；
对于所述示例型云服务数据的各交互事件拆解注释，确定该交互事件拆解注释的拆解细节特征与该交互事件拆解注释配对的事件拆解测试信息的拆解细节特征的量化比较值，得到该交互事件拆解注释对应的服务交互事件的拆解质量评分。
在一些可能的实施例中，所述对于所述示例型云服务数据的各事件拆解测试信息，确定该事件拆解测试信息的拆解细节特征，包括：对于所述示例型云服务数据的各事件拆解测试信息，确定该事件拆解测试信息中服务交互事件的事件主题词；分别确定各事件文本词与该事件拆解测试信息中服务交互事件的事件主题词的词语逻辑关联数据，得到该事件拆解测试信息的拆解细节特征。
第二方面，本发明还提供了一种信息分发系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述所述的方法。
应用于本发明实施例，可以利用AI技术预先进行目标云服务数据的交互事件识别，从而得到事件拆解信息，该事件拆解信息能够在事件层面实现目标云服务数据的分类处理，基于此，在接收到信息分发请求时，能够基于该请求确定对应的目标交互事件，从而结合目标交互事件以及事件拆解信息从目标云服务数据中进行指定云服务数据的抽取和筛选，然后分发指定云服务数据。如此设计，能够从事件层面精准定位需要分发的指定云服务数据，以提高数据分发的效率和智能化程度。
进一步地，在进行数据分发之前能够实现目标云服务数据的事件拆解处理，可以利用服务交互描述短语和交互事件识别模型，对目标云服务数据的数据描述向量进行差异化挖掘和整理，预设服务交互描述短语的数目多于目标云服务数据中服务交互事件的数目，从而目标云服务数据中的各个服务交互事件都可以匹配个性化的事件描述。这样一来，可以通过多层感知机模型来对服务交互事件的事件区分标签和拆解数据集进行识别，可调交互事件识别模型中的算法变量由多层感知机模型生成，可以智能化地进行模型变量修改，从而对于各个服务交互事件服务交互事件可以针对性确定对应的拆解数据集，可以进行精准可信的服务交互事件拆解，从而保障后续数据分发处理的针对性。
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是本发明实施例提供的一种信息分发系统的硬件结构示意图。
图2是本发明实施例提供的一种基于数据存取和大数据分类的信息分发方法的流程示意图。
图3是本发明实施例提供的一种基于数据存取和大数据分类的信息分发方法的应用环境的通信架构示意图。
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发明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、本发明的一些方面相一致的装置和方法的例子。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在信息分发系统、计算机设备或者类似的运算装置中执行。以运行在信息分发系统上为例，图1是本发明实施例的实施一种基于数据存取和大数据分类的信息分发方法的信息分发系统的硬件结构框图。如图1所示，信息分发系统10可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述信息分发系统还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述信息分发系统的结构造成限定。例如，信息分发系统10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种基于数据存取和大数据分类的信息分发方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至信息分发系统10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括信息分发系统10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
基于此，请参阅图2，图2是本发明实施例所提供的一种基于数据存取和大数据分类的信息分发方法的流程示意图，该方法应用于信息分发系统，进一步可以包括以下内容描述的技术方案。
步骤（1）、利用人工智能算法中的多功能模型以及预设服务交互描述短语，对目标云服务数据进行交互事件识别，得到所述目标云服务数据对应的事件拆解信息。
在实际应用时，人工智能算法中的多功能模型可以通过不同的机器学习模型组合得到，对目标云服务数据进行交互事件识别的目的是区分出不同交互事件所对应的云服务数据，该事件拆解信息可以用于表征不同交互事件的拆解结果以及不同交互事件对应的拆解数据集。
步骤（2）、在接收到信息分发请求时，结合所述事件拆解信息从所述目标云服务数据中抽取出指定云服务数据，将所述指定云服务数据进行分发。
在步骤（1）的基础上，如果接收到信息分发请求，可以基于信息分发请求确定出所对应的目标交互事件，然后基于目标交互事件以及事件拆解信息从目标云服务数据中抽取出指定云服务数据，该指定云服务数据与目标交互事件匹配，可以理解为目标交互事件的拆解数据集或者拆解数据集的一部分，从而可以将指定云服务数据针对性地进行分发，避免直接将目标云服务数据整体分发，能够提高数据分发的效率和智能化程度。
在本发明实施例中，针对目标云服务数据的交互事件识别和拆解是关键环节，基于此，下文对步骤（1）进行了示例性的介绍说明，在一些可能的示例下，上述步骤利用人工智能算法中的多功能模型以及预设服务交互描述短语，对目标云服务数据进行交互事件识别，得到所述目标云服务数据对应的事件拆解信息，可以通过如下技术方案实现。
Step11，获得目标云服务数据及若干个设定服务交互描述短语。
对于本发明实施例而言，所述预设服务交互描述短语的数目多于所述目标云服务数据中服务交互事件的数目。
在本发明实施例中，目标云服务数据可以为需要进行服务交互事件拆解的各类云服务数据，举例而言，目标云服务数据比如可以是跨境电商服务数据、虚拟现实服务数据等。预设服务交互描述短语可以为人工智能算法配置流程中得到的服务交互描述短语，也可以为通过人工智能算法识别到的与服务交互事件存在联系的关键描述短语，用于对不同的服务交互事件进行特征匹配，服务交互描述短语可以是特征向量或者描述数组。
Step12，将所述目标云服务数据加载至完成配置的人工智能算法的第一数据知识挖掘模型中，得到所述目标云服务数据的第一服务数据知识字段。
在本发明实施例中，第一数据知识挖掘模型可以是人工智能算法中的核心模型，用于挖掘目标云服务数据的服务数据知识字段（比如数据特征/知识特征），从而得到目标云服务数据的第一服务数据知识字段（可以当作服务数据知识特征理解）。第一数据知识挖掘模型可以为任意类别的关键描述短语挖掘模型，比如，GCN、RNN、DNN等。
Step13，将所述第一服务数据知识字段及各所述预设服务交互描述短语加载至所述人工智能算法的第一交互事件识别模型中，得到第二服务数据知识字段及若干个交互事件描述字段。
其中，所述交互事件描述字段的数目与所述预设服务交互描述短语的数目一致。
在本发明实施例中，利用人工智能算法的第一交互事件识别模型对第一服务数据知识字段进行知识字段更新，得到目标云服务数据的第二服务数据知识字段；利用第一交互事件识别模型将第二服务数据知识字段分别与每个预设服务交互描述短语进行组合，得到各预设服务交互描述短语各自对应的交互事件描述字段。
举例而言，交互事件描述字段用于反映不同交互事件的特征信息，比如跨境电商业务会话事件、虚拟现实场景活动事件等。
Step14，将所述交互事件描述字段加载至所述人工智能算法的多层感知机模型中，分别确定出各所述交互事件描述字段的事件区分标签及可调变量。
在本发明实施例中，多层感知机模型（预测网络）的示例架构可以参阅部分技术中的多层感知机模型架构，在一些示例中，多层感知机模型可以为级联式的分类子模型。结合人工智能算法的多层感知机模型分别对各交互事件描述字段进行分析，分别确定出每一交互事件描述字段的事件区分标签及可调变量（动态参数）。其中，对于任一交互事件描述字段，该交互事件描述字段的可调变量用于对可调交互事件识别模型进行模型变量修改（也可以理解为模型变量配置），得到该交互事件描述字段对应的第二交互事件识别模型；该交互事件描述字段的事件区分标签用于表示该交互事件描述字段对应的第二交互事件识别模型所得到的事件拆解信息的类别，比如，电商物品咨询事件类型或信息安全关注事件类型等。
Step15，依次通过各所述可调变量对所述人工智能算法的可调交互事件识别模型进行模型变量修改，得到若干个第二交互事件识别模型。
其中，所述第二交互事件识别模型的数目与所述预设服务交互描述短语的数目一致。
在本发明实施例中，针对每一交互事件描述字段的可调变量，利用该交互事件描述字段的可调变量对可调交互事件识别模型进行模型变量修改，得到该交互事件描述字段对应的第二交互事件识别模型，最后得到若干个第二交互事件识别模型。
Step16，依据所述第二服务数据知识字段及各所述第二交互事件识别模型，得到所述目标云服务数据的事件拆解信息。
在本发明实施例中，第二交互事件识别模型可以只包括特征字段挖掘单元。通过第二交互事件识别模型确定每个服务交互事件的拆解信息集，得到目标云服务数据中服务交互事件的事件拆解信息。在一些示例中，基于第二服务数据知识字段，各个第二交互事件识别模型都会生成一个事件拆解信息及可信系数，针对可信系数低于设定可信系数值的事件拆解信息，判断为低质量的事件拆解信息；针对可信系数不低于设定可信系数值的事件拆解信息，判断为高质量的事件拆解信息；将各高质量的事件拆解信息作为目标云服务数据的事件拆解信息。
最后得到的事件拆解信息的数目与目标云服务数据中服务交互事件的数目一致，小于预设服务交互描述短语的数目。如果有B个预设服务交互描述短语，目标云服务数据中有K个服务交互事件，B>K，则借助第一交互事件识别模型会得到B个交互事件描述字段，其中，预设服务交互描述短语与交互事件描述字段逐一对应；并且第二交互事件识别模型的数目也为B个，每个第二交互事件识别模型可以得到一个事件拆解信息及其可信系数，总共得到B个事件拆解信息和B个可信系数，每个事件拆解信息对应一个可信系数，其中有K个事件拆解信息的可信系数是大于设定可信系数值，认为是准确的事件拆解信息，作为最后得到的事件拆解信息；而另外（B-K）个事件拆解信息的可信系数是小于或等于设定可信系数值的，认为是不准确的事件拆解信息，需要进行删除。
在本发明实施例中，利用服务交互描述短语和交互事件识别模型，对目标云服务数据的数据描述向量进行差异化挖掘和整理，预设服务交互描述短语的数目多于目标云服务数据中服务交互事件的数目，从而目标云服务数据中的各个服务交互事件都可以匹配个性化的事件描述；这样一来，可以通过多层感知机模型来对服务交互事件的事件区分标签和拆解数据集进行识别，可调交互事件识别模型中的算法变量由多层感知机模型生成，可以智能化地进行模型变量修改，从而对于各个服务交互事件服务交互事件可以针对性确定对应的拆解数据集，可以进行精准可信的服务交互事件拆解，从而保障后续数据分发处理的针对性。
对于一种可能的技术方案而言，所述人工智能算法的第一交互事件识别模型包括特征字段挖掘单元及特征字段转换单元。基于此，所述将所述第一服务数据知识字段及各所述预设服务交互描述短语加载至所述人工智能算法的第一交互事件识别模型中，得到第二服务数据知识字段及若干个交互事件描述字段，可以包括如下Step131和Step132。
Step131，基于所述第一交互事件识别模型的特征字段挖掘单元对所述第一服务数据知识字段进行特征字段挖掘，得到第二服务数据知识字段。
在本发明实施例中，第一交互事件识别模型包括特征字段挖掘单元（编码器）及特征字段转换单元（解码器）。在一些示例中，特征字段挖掘单元由若干个卷积单元（特征字段挖掘节点）组成，各个特征字段挖掘节点通过特征融合实现新的特征输出。
对于一种可能的技术方案而言，所述基于所述第一交互事件识别模型的特征字段挖掘单元对所述第一服务数据知识字段进行特征字段挖掘，得到第二服务数据知识字段，可以包括如下Step1311和Step1312。
Step1311，对于所述第一服务数据知识字段中的各个知识字段成员，基于所述特征字段挖掘单元的第一个特征字段挖掘节点确定所述第一服务数据知识字段中的各知识字段成员针对该知识字段成员的偏置因子，并结合偏置因子对该知识字段成员与所述第一服务数据知识字段中的剩余知识字段成员进行全局运算处理，得到该知识字段成员的处理后的知识字段成员。
进一步地，所述第一个特征字段挖掘节点生成的服务数据知识字段包含所述第一服务数据知识字段中各知识字段成员的处理后的知识字段成员。
在本发明实施例中，知识字段成员可以理解为第一服务数据知识字段中的各个特征元素，偏置因子可以理解为权重系数。
Step1312，对于第i-1个特征字段挖掘单元生成的服务数据知识字段中的各个知识字段成员，基于所述特征字段挖掘单元的第i个特征字段挖掘节点确定所述第i-1个特征字段挖掘单元生成的服务数据知识字段中的各知识字段成员针对该知识字段成员的偏置因子，并结合偏置因子对该知识字段成员与所述第i-1个特征字段挖掘单元生成的服务数据知识字段中的剩余知识字段成员进行全局运算处理，得到该知识字段成员的处理后的知识字段成员。
其中，i大于等于2小于等于K，K为所述特征字段挖掘单元中特征字段挖掘节点的数目，所述第g个特征字段挖掘节点生成的服务数据知识字段包含所述i-1个特征字段挖掘单元生成的第二服务数据知识字段中各知识字段成员的处理后的知识字段成员，第二服务数据知识字段为第K个特征字段挖掘节点生成的服务数据知识字段。
Step132，将所述第二服务数据知识字段及各所述预设服务交互描述短语加载至所述第一交互事件识别模型的特征字段转换单元中，得到若干个交互事件描述字段。
在本发明实施例中，预设服务交互描述短语通过特征字段转换单元在第二服务数据知识字段中挖掘和组合与其匹配度较高的数据，从而获得每个服务交互事件对应的细节输出，可以理解为交互事件描述字段。在一些示例中，一个特征字段转换单元通常由若干个解码单元（特征字段转换节点）组成。每个特征字段转换节点有两个原料：关联描述短语和服务数据知识字段。
对于一种可能的技术方案而言，所述特征字段转换单元包括若干个特征字段转换节点；鉴于此，所述将所述第二服务数据知识字段及各所述预设服务交互描述短语加载至所述第一交互事件识别模型的特征字段转换单元中，得到若干个交互事件描述字段，可以包括如下Step1321和Step1322。
Step1321，对于各所述预设服务交互描述短语中的各个预设服务交互描述短语，将该预设服务交互描述短语及所述第二服务数据知识字段加载至所述特征字段转换单元的第一个特征字段转换节点，得到第一个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语。
Step1322，将第g-1个特征字段转换节点生成的该预设服务交互描述短语对应的联动关联描述短语及所述第二服务数据知识字段加载至第g个特征字段转换节点中，得到第g个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语；
其中，g大于等于2小于等于B，B为所述特征字段转换单元中特征字段转换节点的数目，该预设服务交互描述短语的交互事件描述字段为第B个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语。
在本发明实施例中，如果输入关联描述短语（示例性的，第1个特征字段转换节点传入的为预设服务交互描述短语，第g个特征字段转换节点传入的为第g-1个特征字段转换节点生成的联动关联描述短语）的数目为Z，第二服务数据知识字段中服务数据知识字段的个数为B，在单个特征字段转换节点内，为每个传入的关联描述短语计算其和B个服务数据知识字段的联系，根据该联系确定出B个偏置因子，然后基于偏置因子对B个服务数据知识字段进行全局运算处理（加权融合），得到完成融合后的联动关联描述短语（融合特征）。
对于一种可能的技术方案而言，所述将第g-1个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语及所述第二服务数据知识字段加载至第g个特征字段转换节点中，得到第g个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语，可以包括如下内容：将第g-1个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语及所述第二服务数据知识字段加载至第g个特征字段转换节点中，利用第g个特征字段转换节点确定传入的联动关联描述短语相对于所述第二服务数据知识字段中各描述短语的偏置因子，并利用该偏置因子对所述第二服务数据知识字段中各描述短语进行全局运算处理，得到第g个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语。
在本发明实施例中，每个特征字段转换节点依旧会输出Z个联动关联描述短语。在特征字段转换节点的节点簇中，持续优化的联动关联描述短语，而服务数据知识字段处于维持状态。最后特征字段转换单元生成的Z个联动关联描述短语认为目标云服务数据中的全部交互事件描述字段。
进一步地，为了方便第二交互事件识别模型获得每个服务交互事件的拆解信息集，可以第一交互事件识别模型中生成的第二服务数据知识字段，增加一个数据知识挖掘模型。对于一种可能的技术方案而言，所述依据所述第二服务数据知识字段及各所述第二交互事件识别模型，得到所述目标云服务数据的事件拆解信息，可以包括如下Step161和Step162。
Step161，将所述第二服务数据知识字段加载至所述人工智能算法的第二数据知识挖掘模型中，得到所述目标云服务数据的第三服务数据知识字段。
其中，所述第二数据知识挖掘模型用于对所述第二服务数据知识字段进行字段映射。字段映射可以理解为特征转换。
Step162，将所述目标云服务数据的第三服务数据知识字段分别加载至各所述第二交互事件识别模型，得到所述目标云服务数据的事件拆解信息。
在本发明实施例中，第二数据知识挖掘模型用于对第二服务数据知识字段进行字段映射，从而得到适用于第二交互事件识别模型的第三服务数据知识字段。第二数据知识挖掘模型的模型架构可以根据实际情况确定。
本发明实施例还提供了一种人工智能算法的配置思路，示例性的可以包括Step21-Step24。
Step21，获得示例型云服务数据及若干个示例型服务交互描述短语。
其中，所述示例型服务交互描述短语的数目多于所述示例型云服务数据中服务交互事件的数目。
在本发明实施例中，示例型云服务数据可以理解为样本云服务数据/参考云服务数据。示例型服务交互描述短语可以理解为样本服务交互描述短语/参考服务交互描述短语。
在本发明实施例中，在示例型云服务数据集中挑选当前配置所需要使用的示例型云服务数据。示例型服务交互描述短语可以是任意确定的，需要确保示例型服务交互描述短语的数目多于示例型云服务数据中服务交互事件的数目。
Step21，将所述示例型云服务数据及各所述示例型服务交互描述短语加载至人工智能算法中，得到所述示例型云服务数据的若干个事件拆解测试信息。
其中，所述事件拆解测试信息的数目与所述示例型服务交互描述短语的数目一致。
在本发明实施例中，人工智能算法的架构可以参阅以上示例中人工智能算法的架构；示例型云服务数据的事件拆解测试信息的获得过程可以参阅上文示例中目标云服务数据的事件拆解信息的获得过程，其中，示例型云服务数据的若干个事件拆解测试信息包括各个第二交互事件识别模型生成的事件拆解测试信息，而并不仅限于可信系数不低于设定可信系数值的事件拆解测试信息。
Step23，依据所述示例型云服务数据的各事件拆解测试信息及所述示例型云服务数据的各交互事件拆解注释，确定所述示例型云服务数据中各服务交互事件的拆解质量评分。
在本发明实施例中，拆解质量评分可以理解为拆解偏差值。可以根据示例型云服务数据的各事件拆解测试信息及各交互事件拆解注释，通过设定代价函数确定示例型云服务数据中各服务交互事件的拆解质量评分，设定代价函数可以基于真实需求灵活配置，交互事件拆解注释可以理解为交互事件拆解的先验标签或者先验注释。
对于一种可能的技术方案而言，所述依据所述示例型云服务数据的各事件拆解测试信息及所述示例型云服务数据的各交互事件拆解注释，确定所述示例型云服务数据中各服务交互事件的拆解质量评分，包括Step231-Step234所描述的内容。
Step231，对于所述示例型云服务数据的各事件拆解测试信息，确定该事件拆解测试信息的拆解细节特征。
对于一种可能的技术方案而言，所述对于所述示例型云服务数据的各事件拆解测试信息，确定该事件拆解测试信息的拆解细节特征，可以包括如下内容：对于所述示例型云服务数据的各事件拆解测试信息，确定该事件拆解测试信息中服务交互事件的事件主题词；分别确定各事件文本词与该事件拆解测试信息中服务交互事件的事件主题词的词语逻辑关联数据，得到该事件拆解测试信息的拆解细节特征。
在本发明实施例中，事件主题词可以理解为关键点。进一步地，事件主题词的词语逻辑关联数据可以理解为事件主题词的向量。
Step232，对于所述示例型云服务数据的各交互事件拆解注释，确定该交互事件拆解注释的拆解细节特征。
在本发明实施例中，交互事件拆解注释可以是手动注释的，交互事件拆解注释的拆解细节特征（比如不用的事件描述）的处理思路可以参阅事件拆解测试信息的拆解细节特征的处理思路，本发明实施例在此不作描述。
Step233，对于所述示例型云服务数据的各交互事件拆解注释，将该交互事件拆解注释的拆解细节特征分别与各事件拆解测试信息的拆解细节特征进行配对，得到该交互事件拆解注释配对的事件拆解测试信息。
Step234，对于所述示例型云服务数据的各交互事件拆解注释，确定该交互事件拆解注释的拆解细节特征与该交互事件拆解注释配对的事件拆解测试信息的拆解细节特征的量化比较值，得到该交互事件拆解注释对应的服务交互事件的拆解质量评分。
在本发明实施例中，基于各事件拆解测试信息的拆解细节特征与各交互事件拆解注释的拆解细节特征，计算交互事件拆解注释与事件拆解测试信息的配对度，配对度的处理思路可以基于真实需求灵活配置，比如：用分团代价加拆解代价作为交互事件拆解注释与事件拆解测试信息的配对度。通过计算所有交互事件拆解注释与事件拆解测试信息之间的代价，便可以得到交互事件拆解注释与事件拆解测试信息之间的配对分布列表。如果有Z个事件拆解测试信息，K个交互事件拆解注释，则配对分布列表的大小可以为Z*K。对配对分布列表进行迭代运算，可以为每个事件拆解测试信息在迭代运算的基础上确定和其最配对的先验值，此先验值可以为配置流程中此事件拆解测试信息对应的配置先验值。由于一个先验值对应配对一个事件拆解测试信息，而事件拆解测试信息的数目在一定程度上高于云服务数据中的服务交互事件数，因此会有一定数目的事件拆解测试信息未配对到先验值，这些事件拆解测试信息说明是消极示例。
Step24，通过各所述拆解质量评分改进人工智能算法的算法变量及所述示例型服务交互描述短语的注释。
在本发明实施例中，在人工智能算法开始配置时，示例型服务交互描述短语可以是任意确定的，在人工智能算法的配置流程中，示例型服务交互描述短语的注释会根据拆解质量评分而进行调整。完成配置后，示例型服务交互描述短语的注释维持不变，可以为上述实施例中的预设服务交互描述短语。
Step25，采用剩余的示例型云服务数据对人工智能算法再次进行配置，直到符合设定的配置终止要求，得到完成配置的人工智能算法及所述若干个预设服务交互描述短语。
在本发明实施例中，配置终止要求可以基于真实需求灵活配置，比如：可以为人工智能算法的代价趋于稳定或者符合设定的配置轮数等。
在本发明实施例中，通过这种智能化的思路进行积极/消极示例的区分，能够进一步地削弱算法配置中的额外配置步骤，进而能够显著提高算法的处理效率和处理精度。
基于上述相同或相似的发明构思，如图3所示，本发明实施例还提供了一种基于数据存取和大数据分类的信息分发方法的应用环境的通信架构示意图，包括互相之间通信的信息分发系统10和数据交互设备20，信息分发系统10和数据交互设备20在运行时实现或者部分实现上述方法实施例所描述的技术方案。
进一步地，本发明实施例还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于数据存取和大数据分类的信息分发方法，其特征在于，应用于信息分发系统，所述方法包括：
利用人工智能算法中的多功能模型以及预设服务交互描述短语，对目标云服务数据进行交互事件识别，得到所述目标云服务数据对应的事件拆解信息；
在接收到信息分发请求时，结合所述事件拆解信息从所述目标云服务数据中抽取出指定云服务数据，将所述指定云服务数据进行分发；
利用人工智能算法中的多功能模型以及预设服务交互描述短语，对目标云服务数据进行交互事件识别，得到所述目标云服务数据对应的事件拆解信息，包括：
获得目标云服务数据及若干个预设服务交互描述短语，其中，所述预设服务交互描述短语的数目多于所述目标云服务数据中服务交互事件的数目；
将所述目标云服务数据加载至完成配置的人工智能算法的第一数据知识挖掘模型中，得到所述目标云服务数据的第一服务数据知识字段；
将所述第一服务数据知识字段及各所述预设服务交互描述短语加载至所述人工智能算法的第一交互事件识别模型中，得到第二服务数据知识字段及若干个交互事件描述字段，其中，所述交互事件描述字段的数目与所述预设服务交互描述短语的数目一致；
将所述交互事件描述字段加载至所述人工智能算法的多层感知机模型中，分别确定出各所述交互事件描述字段的事件区分标签及可调变量；
依次通过各所述可调变量对所述人工智能算法的可调交互事件识别模型进行模型变量修改，得到若干个第二交互事件识别模型，其中，所述第二交互事件识别模型的数目与所述预设服务交互描述短语的数目一致；
依据所述第二服务数据知识字段及各所述第二交互事件识别模型，得到所述目标云服务数据的事件拆解信息；
其中，所述可调变量为动态参数；
其中，针对每一交互事件描述字段的可调变量，利用该交互事件描述字段的可调变量对可调交互事件识别模型进行模型变量修改，得到该交互事件描述字段对应的第二交互事件识别模型，最后得到若干个第二交互事件识别模型。
2.根据权利要求1所述的方法，其特征在于，所述人工智能算法的第一交互事件识别模型包括特征字段挖掘单元及特征字段转换单元；所述将所述第一服务数据知识字段及各所述预设服务交互描述短语加载至所述人工智能算法的第一交互事件识别模型中，得到第二服务数据知识字段及若干个交互事件描述字段，包括：
基于所述第一交互事件识别模型的特征字段挖掘单元对所述第一服务数据知识字段进行特征字段挖掘，得到第二服务数据知识字段；
将所述第二服务数据知识字段及各所述预设服务交互描述短语加载至所述第一交互事件识别模型的特征字段转换单元中，得到若干个交互事件描述字段。
3.根据权利要求2所述的方法，其特征在于，所述特征字段挖掘单元包括若干个特征字段挖掘节点；所述基于所述第一交互事件识别模型的特征字段挖掘单元对所述第一服务数据知识字段进行特征字段挖掘，得到第二服务数据知识字段，包括：
对于所述第一服务数据知识字段中的各个知识字段成员，基于所述特征字段挖掘单元的第一个特征字段挖掘节点确定所述第一服务数据知识字段中的各知识字段成员针对该知识字段成员的偏置因子，并结合偏置因子对该知识字段成员与所述第一服务数据知识字段中的剩余知识字段成员进行全局运算处理，得到该知识字段成员的处理后的知识字段成员，其中，所述第一个特征字段挖掘节点生成的服务数据知识字段包含所述第一服务数据知识字段中各知识字段成员的处理后的知识字段成员；
对于第i-1个特征字段挖掘单元生成的服务数据知识字段中的各个知识字段成员，基于所述特征字段挖掘单元的第i个特征字段挖掘节点确定所述第i-1个特征字段挖掘单元生成的服务数据知识字段中的各知识字段成员针对该知识字段成员的偏置因子，并结合偏置因子对该知识字段成员与所述第i-1个特征字段挖掘单元生成的服务数据知识字段中的剩余知识字段成员进行全局运算处理，得到该知识字段成员的处理后的知识字段成员；
其中，i大于等于2小于等于K，K为所述特征字段挖掘单元中特征字段挖掘节点的数目，所述第i个特征字段挖掘节点生成的服务数据知识字段包含所述i-1个特征字段挖掘单元生成的第二服务数据知识字段中各知识字段成员的处理后的知识字段成员，第二服务数据知识字段为第K个特征字段挖掘节点生成的服务数据知识字段。
4.根据权利要求3所述的方法，其特征在于，所述特征字段转换单元包括若干个特征字段转换节点；所述将所述第二服务数据知识字段及各所述预设服务交互描述短语加载至所述第一交互事件识别模型的特征字段转换单元中，得到若干个交互事件描述字段，包括：
对于各所述预设服务交互描述短语中的各个预设服务交互描述短语，将该预设服务交互描述短语及所述第二服务数据知识字段加载至所述特征字段转换单元的第一个特征字段转换节点，得到第一个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语；
将第g-1个特征字段转换节点生成的该预设服务交互描述短语对应的联动关联描述短语及所述第二服务数据知识字段加载至第g个特征字段转换节点中，得到第g个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语；
其中，g大于等于2小于等于B，B为所述特征字段转换单元中特征字段转换节点的数目，该预设服务交互描述短语的交互事件描述字段为第B个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语。
5.根据权利要求4所述的方法，其特征在于，所述将第g-1个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语及所述第二服务数据知识字段加载至第g个特征字段转换节点中，得到第g个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语，包括：
将第g-1个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语及所述第二服务数据知识字段加载至第g个特征字段转换节点中，利用第g个特征字段转换节点确定传入的联动关联描述短语相对于所述第二服务数据知识字段中各描述短语的偏置因子，并利用该偏置因子对所述第二服务数据知识字段中各描述短语进行全局运算处理，得到第g个特征字段转换节点生成的该预设服务交互描述短语的联动关联描述短语。
6.根据权利要求1所述的方法，其特征在于，所述依据所述第二服务数据知识字段及各所述第二交互事件识别模型，得到所述目标云服务数据的事件拆解信息，包括：
将所述第二服务数据知识字段加载至所述人工智能算法的第二数据知识挖掘模型中，得到所述目标云服务数据的第三服务数据知识字段，其中，所述第二数据知识挖掘模型用于对所述第二服务数据知识字段进行字段映射；
将所述目标云服务数据的第三服务数据知识字段分别加载至各所述第二交互事件识别模型，得到所述目标云服务数据的事件拆解信息。
7.根据权利要求1所述的方法，其特征在于，配置人工智能算法的思路为：
获得示例型云服务数据及若干个示例型服务交互描述短语，其中，所述示例型服务交互描述短语的数目多于所述示例型云服务数据中服务交互事件的数目；
将所述示例型云服务数据及各所述示例型服务交互描述短语加载至人工智能算法中，得到所述示例型云服务数据的若干个事件拆解测试信息，其中，所述事件拆解测试信息的数目与所述示例型服务交互描述短语的数目一致；
依据所述示例型云服务数据的各事件拆解测试信息及所述示例型云服务数据的各交互事件拆解注释，确定所述示例型云服务数据中各服务交互事件的拆解质量评分；
通过各所述拆解质量评分改进人工智能算法的算法变量及所述示例型服务交互描述短语的注释；
采用剩余的示例型云服务数据对人工智能算法再次进行配置，直到符合设定的配置终止要求，得到完成配置的人工智能算法及所述若干个预设服务交互描述短语。
8.根据权利要求7所述的方法，其特征在于，所述依据所述示例型云服务数据的各事件拆解测试信息及所述示例型云服务数据的各交互事件拆解注释，确定所述示例型云服务数据中各服务交互事件的拆解质量评分，包括：
对于所述示例型云服务数据的各事件拆解测试信息，确定该事件拆解测试信息的拆解细节特征；
对于所述示例型云服务数据的各交互事件拆解注释，确定该交互事件拆解注释的拆解细节特征；
对于所述示例型云服务数据的各交互事件拆解注释，将该交互事件拆解注释的拆解细节特征分别与各事件拆解测试信息的拆解细节特征进行配对，得到该交互事件拆解注释配对的事件拆解测试信息；
对于所述示例型云服务数据的各交互事件拆解注释，确定该交互事件拆解注释的拆解细节特征与该交互事件拆解注释配对的事件拆解测试信息的拆解细节特征的量化比较值，得到该交互事件拆解注释对应的服务交互事件的拆解质量评分；
其中，所述对于所述示例型云服务数据的各事件拆解测试信息，确定该事件拆解测试信息的拆解细节特征，包括：对于所述示例型云服务数据的各事件拆解测试信息，确定该事件拆解测试信息中服务交互事件的事件主题词；分别确定各事件文本词与该事件拆解测试信息中服务交互事件的事件主题词的词语逻辑关联数据，得到该事件拆解测试信息的拆解细节特征。
9.一种信息分发系统，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210781135.0A CN114861112B (zh) | 2022-07-05 | 2022-07-05 | 基于数据存取和大数据分类的信息分发方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210781135.0A CN114861112B (zh) | 2022-07-05 | 2022-07-05 | 基于数据存取和大数据分类的信息分发方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114861112A CN114861112A (zh) | 2022-08-05 |
| CN114861112B true CN114861112B (zh) | 2022-09-20 |
Family
ID=82626086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210781135.0A Active CN114861112B (zh) | 2022-07-05 | 2022-07-05 | 基于数据存取和大数据分类的信息分发方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114861112B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115618377B (zh) * | 2022-09-27 | 2023-10-27 | 北京国联视讯信息技术股份有限公司 | 一种数据保密处理方法、系统及云平台 |
| CN115766725B (zh) * | 2022-12-06 | 2023-11-07 | 北京国联视讯信息技术股份有限公司 | 基于工业互联网的数据处理方法及系统 |
| CN115905924B (zh) * | 2022-12-06 | 2023-08-11 | 济南亚海凛米网络科技服务有限公司 | 基于人工智能物联网的数据处理方法、系统及云平台 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110147436A (zh) * | 2019-03-18 | 2019-08-20 | 清华大学 | 一种基于教育知识图谱与文本的混合自动问答方法 |
| CA3042921A1 (en) * | 2018-05-10 | 2019-11-10 | Royal Bank Of Canada | Machine natural language processing for summarization and sentiment analysis |
| CN111930856A (zh) * | 2020-07-06 | 2020-11-13 | 北京邮电大学 | 领域知识图谱本体和数据的构建方法、装置和系统 |
| CN111967038A (zh) * | 2019-09-30 | 2020-11-20 | 华控清交信息科技(北京)有限公司 | 数据处理系统、方法、设备、编辑器及存储介质 |
| CN114637885A (zh) * | 2022-02-24 | 2022-06-17 | 杭州网易云音乐科技有限公司 | 模型训练方法、多样性评分确定方法、介质、装置及设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11074495B2 (en) * | 2013-02-28 | 2021-07-27 | Z Advanced Computing, Inc. (Zac) | System and method for extremely efficient image and pattern recognition and artificial intelligence platform |
| US11727266B2 (en) * | 2019-08-02 | 2023-08-15 | International Business Machines Corporation | Annotating customer data |
| CN113190597A (zh) * | 2020-12-04 | 2021-07-30 | 崔秀芬 | 基于人工智能的交互意图知识网络配置方法及系统 |
-
2022
- 2022-07-05 CN CN202210781135.0A patent/CN114861112B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3042921A1 (en) * | 2018-05-10 | 2019-11-10 | Royal Bank Of Canada | Machine natural language processing for summarization and sentiment analysis |
| CN110147436A (zh) * | 2019-03-18 | 2019-08-20 | 清华大学 | 一种基于教育知识图谱与文本的混合自动问答方法 |
| CN111967038A (zh) * | 2019-09-30 | 2020-11-20 | 华控清交信息科技(北京)有限公司 | 数据处理系统、方法、设备、编辑器及存储介质 |
| CN111930856A (zh) * | 2020-07-06 | 2020-11-13 | 北京邮电大学 | 领域知识图谱本体和数据的构建方法、装置和系统 |
| CN114637885A (zh) * | 2022-02-24 | 2022-06-17 | 杭州网易云音乐科技有限公司 | 模型训练方法、多样性评分确定方法、介质、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114861112A (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114861112B (zh) | 基于数据存取和大数据分类的信息分发方法及系统 | |
| CN109815339B (zh) | 基于TextCNN知识抽取方法、装置、计算机设备及存储介质 | |
| CN111066021A (zh) | 使用随机文档嵌入的文本数据表示学习 | |
| CN113627447B (zh) | 标签识别方法、装置、计算机设备、存储介质及程序产品 | |
| US11551437B2 (en) | Collaborative information extraction | |
| CN113298197B (zh) | 数据聚类方法、装置、设备及可读存储介质 | |
| CN113557534A (zh) | 深度森林模型开发和训练 | |
| CN114186076A (zh) | 知识图谱构建方法、装置、设备和计算机可读存储介质 | |
| CN114626380A (zh) | 实体识别的方法和装置、电子设备和存储介质 | |
| CN114492601A (zh) | 资源分类模型的训练方法、装置、电子设备及存储介质 | |
| CN115455151A (zh) | 一种ai情绪可视化识别方法、系统及云平台 | |
| CN113486173A (zh) | 文本标注神经网络模型及其标注方法 | |
| CN114398973B (zh) | 一种媒体内容标签识别方法、装置、设备及存储介质 | |
| CN111078855A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
| CN113486659B (zh) | 文本匹配方法、装置、计算机设备及存储介质 | |
| CN114281984A (zh) | 一种风险检测方法、装置、设备及计算机可读存储介质 | |
| CN114462582A (zh) | 基于卷积神经网络模型的数据处理方法及装置、设备 | |
| CN112749556B (zh) | 多语言模型的训练方法和装置、存储介质和电子设备 | |
| CN113254649A (zh) | 敏感内容识别模型的训练方法、文本识别方法及相关装置 | |
| CN111444335A (zh) | 中心词的提取方法及装置 | |
| CN114580354B (zh) | 基于同义词的信息编码方法、装置、设备和存储介质 | |
| CN114676836A (zh) | 用于多源域适应学习的计算机系统及其的方法 | |
| CN114676705A (zh) | 一种对话关系处理方法、计算机及可读存储介质 | |
| CN112417260A (zh) | 本地化推荐方法、装置及存储介质 | |
| CN113886547B (zh) | 基于人工智能的客户实时对话转接方法、装置和电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231130 Address after: Room 312, Building A1-1, Xuelang Town Data Innovation Center, No.1 Fengrun Road, Wuxi Economic Development Zone, Wuxi City, Jiangsu Province, China, 214124 Patentee after: Wuxi Qumi Digital Technology Co.,Ltd. Address before: 510000 rooms 4210-4211 and 4212-4214, second floor, No. 37 yuangangheng Road, Tianhe District, Guangzhou City, Guangdong Province Patentee before: Guangzhou Qumi Network Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240109 Address after: Rooms 4210-4211, 4212-4214, 2nd floor, No. 37 Yuangang Heng Road, Tianhe District, Guangzhou City, Guangdong Province, 510000 (office only) Patentee after: Guangzhou Qumi Network Technology Co.,Ltd. Address before: Room 312, Building A1-1, Xuelang Town Data Innovation Center, No.1 Fengrun Road, Wuxi Economic Development Zone, Wuxi City, Jiangsu Province, China, 214124 Patentee before: Wuxi Qumi Digital Technology Co.,Ltd. |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Information distribution methods and systems based on data access and big data classification Granted publication date: 20220920 Pledgee: Guangdong Development Bank Limited by Share Ltd. Guangzhou branch Pledgor: Guangzhou Qumi Network Technology Co.,Ltd. Registration number: Y2024980001699 |