CN115373688A - 一种软件开发线程的优化方法、系统及云平台 - Google Patents
一种软件开发线程的优化方法、系统及云平台 Download PDFInfo
- Publication number
- CN115373688A CN115373688A CN202211166237.8A CN202211166237A CN115373688A CN 115373688 A CN115373688 A CN 115373688A CN 202211166237 A CN202211166237 A CN 202211166237A CN 115373688 A CN115373688 A CN 115373688A
- Authority
- CN
- China
- Prior art keywords
- service data
- key service
- attribute
- fusion
- data
- 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 40
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 139
- 230000004927 fusion Effects 0.000 claims abstract description 132
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000005065 mining Methods 0.000 claims description 33
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000009795 derivation Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 2
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000003860 storage Methods 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
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 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
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/40—Transformation of program code
- G06F8/41—Compilation
- G06F8/44—Encoding
- G06F8/443—Optimisation
-
- 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
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供的一种软件开发线程的优化方法、系统及云平台，通过对进行重要内容识别后得到的第一关键业务数据进行聚类操作，得到若干个第二关键业务数据，并通过对所述第二关键业务数据进行关联识别和属性关联识别，可以同时对所述第二关键业务数据进行干扰识别和属性异常识别，由此可以提高所述待处理的业务数据的识别效率；之后再基于第一干扰知识向量和第一属性异常向量进行识别处理，提高了待处理的业务数据对应的目标融合结果的精确性；对所述目标融合结果进行优化，这样一来，可以保障优化结果的准确性和可靠性，从而提高软件开发线程的优化的可靠性和可信度。
Description
技术领域
本申请涉及数据优化技术领域，具体而言，涉及一种软件开发线程的优化方法、系统及云平台。
背景技术
网络数据处理是网络信息计量学的重要组成部分，也是当前网络界、新闻传播界、信息管理界都十分关注的热点研究领域之一。有科学价值的数据库，应能实现基于数据库的数据挖掘和科学研究。数据库是支持知识发现的基础工程。要获得高信息含量的、有用的知识，理想情况是原始数据是不含噪声的正确数据。
在对软件开发线程进行开发时需要尽可能减小干扰或者噪声等问题，但是，在实际操作过程中，一直无法规避干扰或者噪声等问题，这样一来就难以确保软件开发线程计算的准确性和可靠性。
发明内容
为改善相关技术中存在的技术问题，本申请提供了一种软件开发线程的优化方法、系统及云平台。
第一方面，提供一种软件开发线程的优化方法，所述方法至少包括：获得待处理的业务数据，并对所述待处理的业务数据进行重要内容识别，得到涵盖若干种属性的第一关键业务数据；对所述第一关键业务数据的属性进行聚类操作，得到若干个第二关键业务数据；对所述第二关键业务数据进行关联识别，确定所述第二关键业务数据对应的第一干扰知识向量；以及对所述第二关键业务数据进行属性关联识别，确定所述第二关键业务数据对应的第一属性异常向量；通过各个第二关键业务数据对应的第一干扰知识向量和第一属性异常向量，确定每一所述第二关键业务数据逐一对应的融合数据；结合每一所述第二关键业务数据逐一对应的融合数据，确定所述待处理的业务数据对应的第一融合特征，以及结合所述第一关键业务数据进行二次融合处理，确定所述待处理的业务数据对应的第二融合特征，所述第一融合特征和所述第二融合特征组成所述待处理的业务数据对应的目标融合结果；对所述目标融合结果进行优化，得到优化结果。
在一种独立实施的实施例中，在得到所述第一关键业务数据之后，所述方法还包括：对所述第一关键业务数据进行评估处理；所述对所述第一关键业务数据的属性进行聚类操作，得到若干个第二关键业务数据，包括：基于事先设定的若干个目标属性数量对经过评估处理的所述第一关键业务数据的属性进行聚类操作，得到若干个事先设定分团，每个事先设定分团的属性向量组成一个第二关键业务数据；其中，各第二关键业务数据所涵盖的属性数量不完全一致。
在一种独立实施的实施例中，所述对所述第二关键业务数据进行关联识别，确定所述第二关键业务数据对应的第一干扰知识向量，包括：针对随机一个所述第二关键业务数据，基于人工智能线程依次确定该第二关键业务数据的各属性逐一对应的第一干扰知识向量；该第二关键业务数据的各属性逐一对应的第一干扰知识向量组成该第二关键业务数据对应的第一干扰知识向量。
在一种独立实施的实施例中，所述方法还包括根据以下方法确定第二关键业务数据的各属性对应的第一干扰知识向量：针对随机一个第二关键业务数据的任一属性，将该属性之前的属性的属性向量加载至所述人工智能线程，确定该属性对应的第一干扰知识向量；任一第二关键业务数据的第一个属性对应的第一干扰知识向量为空。
在一种独立实施的实施例中，所述对所述第二关键业务数据进行属性关联识别，确定所述第二关键业务数据对应的第一属性异常向量，包括：针对第X+1个第二关键业务数据，将前X个第二关键业务数据加载至属性反馈线程，确定第X+1个第二关键业务数据对应的第一属性异常向量；其中，X为大于0的整数，第一个第二关键业务数据的第一属性异常向量为空，第X+1个第二关键业务数据的属性在所述第一关键业务数据中的属性标签大于前X个第二关键业务数据的属性标签。
在一种独立实施的实施例中，所述通过各个第二关键业务数据对应的第一干扰知识向量和第一属性异常向量，确定每一所述第二关键业务数据逐一对应的融合数据，包括：确定与所述待处理的业务数据对应的置信度挖掘向量；针对随机一个第二关键业务数据，基于该第二关键业务数据对应的第一干扰知识向量、第一属性异常向量以及所述置信度挖掘向量，确定该第二关键业务数据对应的融合数据。
在一种独立实施的实施例中，所述确定与所述待处理的业务数据对应的置信度挖掘向量，包括：基于指定挖掘单元对所述第一关键业务数据进行挖掘处理，得到所述待处理的业务数据对应的第三关键业务数据；对所述第三关键业务数据进行评估处理，并基于指定衍生单元对评估处理后的所述第三关键业务数据进行衍生处理，得到所述置信度挖掘向量。
在一种独立实施的实施例中，所述结合所述第一关键业务数据进行二次融合处理，确定所述待处理的业务数据对应的第二融合特征，包括：在结合所述第一关键业务数据得到评估处理后的第三关键业务数据后，将评估处理后的第三关键业务数据加载至第一特征融合线程，得到所述第一特征融合线程输出的第二融合特征。
在一种独立实施的实施例中，所述针对随机一个第二关键业务数据，基于该第二关键业务数据对应的第一干扰知识向量、第一属性异常向量以及所述置信度挖掘向量，确定该第二关键业务数据对应的融合数据，包括：对所述第一干扰知识向量、第一属性异常向量以及置信度挖掘向量进行整合处理，得到整合处理后的目标向量数量；基于AI线程对所述目标向量数量进行重要内容识别，生成该第二关键业务数据对应的融合数据。
在一种独立实施的实施例中，所述结合每一所述第二关键业务数据逐一对应的融合数据，确定所述待处理的业务数据对应的第一融合特征，包括：将所述第一关键业务数据和各第二关键业务数据逐一对应的融合数据输出至第二特征融合线程，得到所述第二特征融合线程输出的第一融合特征。
第二方面，提供一种软件开发线程的优化系统，包括：数据优化云平台和数据采集端，所述数据优化云平台和所述数据采集端通信连接；
其中，所述数据优化云平台，用于：获得待处理的业务数据，并对所述待处理的业务数据进行重要内容识别，得到涵盖若干种属性的第一关键业务数据；对所述第一关键业务数据的属性进行聚类操作，得到若干个第二关键业务数据；对所述第二关键业务数据进行关联识别，确定所述第二关键业务数据对应的第一干扰知识向量；以及对所述第二关键业务数据进行属性关联识别，确定所述第二关键业务数据对应的第一属性异常向量；通过各个第二关键业务数据对应的第一干扰知识向量和第一属性异常向量，确定每一所述第二关键业务数据逐一对应的融合数据；结合每一所述第二关键业务数据逐一对应的融合数据，确定所述待处理的业务数据对应的第一融合特征，以及结合所述第一关键业务数据进行二次融合处理，确定所述待处理的业务数据对应的第二融合特征，所述第一融合特征和所述第二融合特征组成所述待处理的业务数据对应的目标融合结果；对所述目标融合结果进行优化，得到优化结果。
第三方面，提供一种数据优化云平台，包括：存储器，用于存储计算机程序；与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现上述的方法。
本申请实施例所提供的一种软件开发线程的优化方法、系统及云平台，通过对进行重要内容识别后得到的第一关键业务数据进行聚类操作，得到若干个第二关键业务数据，并通过对所述第二关键业务数据进行关联识别和属性关联识别，可以同时对所述第二关键业务数据进行干扰识别和属性异常识别，由此可以提高所述待处理的业务数据的识别效率；之后再基于第一干扰知识向量和第一属性异常向量进行识别处理，提高了待处理的业务数据对应的目标融合结果的精确性；对所述目标融合结果进行优化，这样一来，可以保障优化结果的准确性和可靠性，从而提高软件开发线程的优化的可靠性和可信度。
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软件开发线程的优化方法的流程图。
图2为本申请实施例所提供的一种软件开发线程的优化装置的框图。
图3为本申请实施例所提供的一种数据优化云平台的硬件结构示意图。
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，示出了一种软件开发线程的优化方法，该方法可以包括以下步骤S101-S105所描述的技术方案。
S101：获得待处理的业务数据，并对所述待处理的业务数据进行重要内容识别，得到涵盖若干种属性的第一关键业务数据。
S102：对所述第一关键业务数据的属性进行聚类操作，得到若干个第二关键业务数据。
S103：对所述第二关键业务数据进行关联识别，确定所述第二关键业务数据对应的第一干扰知识向量；以及对所述第二关键业务数据进行属性关联识别，确定所述第二关键业务数据对应的第一属性异常向量。
S104：通过各个第二关键业务数据对应的第一干扰知识向量和第一属性异常向量，确定每一所述第二关键业务数据逐一对应的融合数据。
S105：结合每一所述第二关键业务数据逐一对应的融合数据，确定所述待处理的业务数据对应的第一融合特征，以及结合所述第一关键业务数据进行二次融合处理，确定所述待处理的业务数据对应的第二融合特征，所述第一融合特征和所述第二融合特征组成所述待处理的业务数据对应的目标融合结果；对所述目标融合结果进行优化，得到优化结果。
以下内容时针对上述步骤进行进一步的解释。
针对S101，所述待处理的业务数据即为需要进行识别的数据，在对所述待处理的业务数据进行重要内容识别时，可以将所述待处理的业务数据加载至重要内容识别线程中，得到所述重要内容识别线程输出的所述待处理的业务数据对应的第一关键业务数据。
进一步的，在得到所述第一关键业务数据之后，还可以对所述第一关键业务数据进行评估处理，以便于后续根据评估处理后的第一关键业务数据进行相应处理，从而确保所述待处理的业务数据的识别准确性。
S102：对所述第一关键业务数据的属性进行聚类操作，得到若干个第二关键业务数据。
对于一些可能实施的实施例中，在对所述第一关键业务数据的属性进行聚类操作时，可以基于事先设定的若干个目标属性数量对经过评估处理的所述第一关键业务数据的属性进行聚类操作，得到若干个事先设定分团，每个事先设定分团的属性向量组成一个第二关键业务数据；其中，各第二关键业务数据所涵盖的属性数量不完全一致。
S103：对所述第二关键业务数据进行关联识别，确定所述第二关键业务数据对应的第一干扰知识向量；以及对所述第二关键业务数据进行属性关联识别，确定所述第二关键业务数据对应的第一属性异常向量。
对于一些可能实施的实施例中，针对随机一个所述第二关键业务数据，在确定该第二关键业务数据对应的第一干扰知识向量时，可以基于人工智能线程依次确定该第二关键业务数据的各属性逐一对应的第一干扰知识向量；该第二关键业务数据的各属性逐一对应的第一干扰知识向量组成该第二关键业务数据对应的第一干扰知识向量。
示例性的，在确定随机一个所述第二关键业务数据的各属性逐一对于的第一干扰定位时，可以根据该第二关键业务数据中各属性的属性标签，从小到大依次确定每一属性逐一对应的第一干扰知识向量。
对于一些可能实施的实施例中，针对随机一个第二关键业务数据的任一属性，在确定该属性对应的第一干扰知识向量时，可以将该属性之前的属性的属性向量加载至所述人工智能线程，确定该属性对应的第一干扰知识向量。
这里，该属性之前的属性的属性向量即为该属性之前各属性的向量，任一第二关键业务数据的第一个属性对应的第一干扰知识向量为空，各第二关键业务数据的第一个属性并不一定是第一关键业务数据的第一个属性。
对于一些可能实施的实施例中，针对第X+1个第二关键业务数据，在确定该第二关键业务数据对应的第一属性异常向量时，可以将前X个第二关键业务数据加载至属性反馈线程，确定第X+1个第二关键业务数据对应的第一属性异常向量。
其中，X为大于0的整数，第一个第二关键业务数据的第一属性异常向量为空，第X+1个第二关键业务数据的属性在所述第一关键业务数据中的属性标签大于前X个第二关键业务数据的属性标签。
示例性的，在确定所述第二关键业务数据对应的第一属性异常向量时，可以结合每一第二关键业务数据中的属性在所述第一关键业务数据中的属性标签，由小到大逐一进行确定，从而得到各所述第二关键业务数据逐一对应的第一属性异常向量。
这样一来，通过将该第二关键业务数据之前的第二关键业务数据加载至属性反馈线程，可以确定该第二关键业务数据与之前各第二关键业务数据的属性冗余，从而能够更好的进行识别处理，提高数据的识别效率。
S104：通过各个第二关键业务数据对应的第一干扰知识向量和第一属性异常向量，确定每一所述第二关键业务数据逐一对应的融合数据。
对于一些可能实施的实施例中，可以通过以下步骤确定每一第二关键业务数据逐一对应的融合数据的步骤，具体可以包括以下步骤。
S301：确定与所述待处理的业务数据对应的置信度挖掘向量。
对于一些可能实施的实施例中，可以通过以下步骤确定与所述待处理的业务数据对应的置信度挖掘向量的步骤，具体可以包括以下步骤。
S3011：基于指定挖掘单元对所述第一关键业务数据进行挖掘处理，得到所述待处理的业务数据对应的第三关键业务数据。
示例性的，在基于指定挖掘单元对所述第一关键业务数据进行挖掘处理时，可以将所述待处理的业务数据对应的第一关键业务数据加载至所述指定挖掘单元，得到所述指定挖掘单元输出的所述待处理的业务数据对应的第三关键业务数据。
S3012：对所述第三关键业务数据进行评估处理，并基于指定衍生单元对评估处理后的所述第三关键业务数据进行衍生处理，得到所述置信度挖掘向量。
示例性的，在基于指定衍生单元对评估处理后的所述第三关键业务数据进行衍生处理时，可以将所述待处理的业务数据对应的评估处理后的第三关键业务数据加载至所述指定衍生单元，得到所述指定衍生单元输出的所述待处理的业务数据对应的置信度挖掘向量。
S302：针对随机一个第二关键业务数据，基于该第二关键业务数据对应的第一干扰知识向量、第一属性异常向量以及所述置信度挖掘向量，确定该第二关键业务数据对应的融合数据。
这样一来，针对随机一个所述第二关键业务数据，可以依次确定该第二关键业务数据中各属性逐一对应的融合数据，各属性逐一对应的融合数据组成该第二关键业务数据对应的融合数据。
对于一些可能实施的实施例中，可以通过以下步骤确定第二关键业务数据对应的融合数据的步骤，具体可以包括如下内容。
S3021：对所述第一干扰知识向量、第一属性异常向量以及置信度挖掘向量进行整合处理，得到整合处理后的目标向量数量。
这样一来，针对随机一个第二关键业务数据的随机一个属性，在对所述第一干扰知识向量、第一属性异常向量以及置信度挖掘向量进行整合处理时，可以依照事先设定的整合分布将该属性对应的第一干扰知识向量、该属性所在的第二关键业务数据对应的第一属性异常向量以及可信度挖掘向量进行整合处理，从而得到整合处理的目标向量数量。
S3022：基于AI线程对所述目标向量数量进行重要内容识别，生成该第二关键业务数据对应的融合数据。
用于对随机一个所述第二关键业务数据中的各属性逐一对应的目标向量数量进行重要内容识别，从而得到该第二关键业务数据中各属性逐一对应的融合数据，各属性逐一对应的融合数据组成该第二关键业务数据对应的融合数据。
这样一来，通过对所述第一干扰知识向量、第一属性异常向量以及置信度挖掘向量进行整合处理，并基于AI线程对整合处理后得到的目标向量数量进行重要内容识别，使得得到的第二关键业务数据对应的融合数据中涵盖了待处理的业务数据在若干个维度下的融合数据，从而可以提高所述待处理的业务数据的识别效率。
S105：结合每一所述第二关键业务数据逐一对应的融合数据，确定所述待处理的业务数据对应的第一融合特征，以及结合所述第一关键业务数据进行二次融合处理，确定所述待处理的业务数据对应的第二融合特征，所述第一融合特征和所述第二融合特征组成所述待处理的业务数据对应的目标融合结果；对所述目标融合结果进行优化，得到优化结果。
对于一些可能实施的实施例中，在确定所述待处理的业务数据对应的第一融合特征时，可以将所述第一关键业务数据和各第二关键业务数据逐一对应的融合数据输出至第二特征融合线程，得到所述第二特征融合线程输出的第一融合特征。
对于一些可能实施的实施例中，在确定所述待处理的业务数据对应的第二融合特征时，可以在结合所述第一关键业务数据得到评估处理后的第三关键业务数据后，将评估处理后的第三关键业务数据加载至第一特征融合线程，得到所述第一特征融合线程输出的第二融合特征。
本公开实施例提供的软件开发线程的优化方法，通过对进行重要内容识别后得到的第一关键业务数据进行聚类操作，得到若干个第二关键业务数据，并通过对所述第二关键业务数据进行关联识别和属性关联识别，可以同时对所述第二关键业务数据进行干扰识别和属性异常识别，由此可以提高所述待处理的业务数据的识别效率；之后再基于第一干扰知识向量和第一属性异常向量进行识别处理，提高了待处理的业务数据对应的目标融合结果的精确性；对所述目标融合结果进行优化，这样一来，可以保障优化结果的准确性和可靠性，从而提高软件开发线程的优化的可靠性和可信度。
在一种可能实施的实施例中，还可以包括S601-S602所描述的内容。
S601：获得目标融合结果。
S602：对所述目标融合结果进行衍生，得到所述待处理的业务数据。
以下内容时针对上述步骤进行进一步的解释。
对于一些可能实施的实施例中，还可包括如下步骤。
S701：对所述目标融合结果进行第一衍生处理，得到若干个第二关键业务数据。
这里，所述目标融合结果包括第一融合特征和第二融合特征，所述第二融合特征用于对所述第一融合特征进行压缩处理，因此在对所述目标融合结果进行第一衍生处理时，可以先对所述目标融合结果中的第一融合特征先进行衍生处理，然后再对所述目标融合结果中的第二融合特征进行衍生处理。
对于一些可能实施的实施例中，还可以包括以下步骤。
S7011：对所述目标融合结果中的第二融合特征进行衍生处理，得到待处理的业务数据对应的置信度挖掘向量。
示例性的，对所述第四关键业务数据进行衍生处理的过程与上文对所述第三关键业务数据进行衍生处理的过程相同，可以结合所述指定衍生单元对所述第四关键业务数据进行衍生处理，从而得到所述置信度挖掘向量。
S7012：针对待处理的第Y+1个属性，对已处理的前Y个属性的向量进行关联识别和属性关联识别，确定所述第Y+1个属性对应的融合数据。
S7013：基于第Y+1个属性对应的融合数据对所述目标融合结果中的第一融合特征进行衍生处理，确定第Y+1个属性的向量；其中，属于同一事先设定分团的各属性的向量组成一个第二关键业务数据。
S702：将所述若干个第二关键业务数据的属性进行整合，得到第一关键业务数据。
S703：对所述第一关键业务数据进行第二衍生处理，得到所述待处理的业务数据。
在上述基础上，请结合参阅图2，提供了一种软件开发线程的优化装置200，应用于软件开发线程的优化系统，所述装置包括：
业务数据获得模块210，用于获得待处理的业务数据，并对所述待处理的业务数据进行重要内容识别，得到涵盖若干种属性的第一关键业务数据；
干扰向量确定模块220，用于对所述第一关键业务数据的属性进行聚类操作，得到若干个第二关键业务数据；对所述第二关键业务数据进行关联识别，确定所述第二关键业务数据对应的第一干扰知识向量；
异常向量确定模块230，用于以及对所述第二关键业务数据进行属性关联识别，确定所述第二关键业务数据对应的第一属性异常向量；
融合数据确定模块240，用于通过各个第二关键业务数据对应的第一干扰知识向量和第一属性异常向量，确定每一所述第二关键业务数据逐一对应的融合数据；
优化结果确定模块250，用于结合每一所述第二关键业务数据逐一对应的融合数据，确定所述待处理的业务数据对应的第一融合特征，以及结合所述第一关键业务数据进行二次融合处理，确定所述待处理的业务数据对应的第二融合特征，所述第一融合特征和所述第二融合特征组成所述待处理的业务数据对应的目标融合结果；对所述目标融合结果进行优化，得到优化结果。
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，通过对进行重要内容识别后得到的第一关键业务数据进行聚类操作，得到若干个第二关键业务数据，并通过对所述第二关键业务数据进行关联识别和属性关联识别，可以同时对所述第二关键业务数据进行干扰识别和属性异常识别，由此可以提高所述待处理的业务数据的识别效率；之后再基于第一干扰知识向量和第一属性异常向量进行识别处理，提高了待处理的业务数据对应的目标融合结果的精确性；对所述目标融合结果进行优化，这样一来，可以保障优化结果的准确性和可靠性，从而提高软件开发线程的优化的可靠性和可信度。
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、Visual Basic、Fortran 2003、Perl、COBOL 2002、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)
1.一种软件开发线程的优化方法，其特征在于，所述方法至少包括：
获得所述待处理的业务数据，并对所述待处理的业务数据进行重要内容识别，得到涵盖若干种属性的第一关键业务数据；
对所述第一关键业务数据的属性进行聚类操作，得到若干个第二关键业务数据；对所述第二关键业务数据进行关联识别，确定所述第二关键业务数据对应的第一干扰知识向量；
以及对所述第二关键业务数据进行属性关联识别，确定所述第二关键业务数据对应的第一属性异常向量；
通过各个第二关键业务数据对应的第一干扰知识向量和第一属性异常向量，确定每一所述第二关键业务数据逐一对应的融合数据；
结合每一所述第二关键业务数据逐一对应的融合数据，确定所述待处理的业务数据对应的第一融合特征，以及结合所述第一关键业务数据进行二次融合处理，确定所述待处理的业务数据对应的第二融合特征，所述第一融合特征和所述第二融合特征组成所述待处理的业务数据对应的目标融合结果；对所述目标融合结果进行优化，得到优化结果。
2.如权利要求1所述的方法，其特征在于，在得到所述第一关键业务数据之后，所述方法还包括：对所述第一关键业务数据进行评估处理；所述对所述第一关键业务数据的属性进行聚类操作，得到若干个第二关键业务数据，包括：基于事先设定的若干个目标属性数量对经过评估处理的所述第一关键业务数据的属性进行聚类操作，得到若干个事先设定分团，每个事先设定分团的属性向量组成一个第二关键业务数据；其中，各第二关键业务数据所涵盖的属性数量不完全一致。
3.如权利要求1或2所述的方法，其特征在于，所述对所述第二关键业务数据进行关联识别，确定所述第二关键业务数据对应的第一干扰知识向量，包括：
针对随机一个所述第二关键业务数据，基于人工智能线程依次确定该第二关键业务数据的各属性逐一对应的第一干扰知识向量；
该第二关键业务数据的各属性逐一对应的第一干扰知识向量组成该第二关键业务数据对应的第一干扰知识向量。
4.如权利要求3所述的方法，其特征在于，所述方法还包括根据以下方法确定第二关键业务数据的各属性对应的第一干扰知识向量：针对随机一个第二关键业务数据的任一属性，将该属性之前的属性的属性向量加载至所述人工智能线程，确定该属性对应的第一干扰知识向量；任一第二关键业务数据的第一个属性对应的第一干扰知识向量为空。
5.如权利要求4所述的方法，其特征在于，所述对所述第二关键业务数据进行属性关联识别，确定所述第二关键业务数据对应的第一属性异常向量，包括：
针对第X+1个第二关键业务数据，将前X个第二关键业务数据加载至属性反馈线程，确定第X+1个第二关键业务数据对应的第一属性异常向量；其中，X为大于0的整数，第一个第二关键业务数据的第一属性异常向量为空，第X+1个第二关键业务数据的属性在所述第一关键业务数据中的属性标签大于前X个第二关键业务数据的属性标签。
6.如权利要求5所述的方法，其特征在于，所述通过各个第二关键业务数据对应的第一干扰知识向量和第一属性异常向量，确定每一所述第二关键业务数据逐一对应的融合数据，包括：
确定与所述待处理的业务数据对应的置信度挖掘向量；
针对随机一个第二关键业务数据，基于该第二关键业务数据对应的第一干扰知识向量、第一属性异常向量以及所述置信度挖掘向量，确定该第二关键业务数据对应的融合数据。
7.如权利要求6所述的方法，其特征在于，所述确定与所述待处理的业务数据对应的置信度挖掘向量，包括：
基于指定挖掘单元对所述第一关键业务数据进行挖掘处理，得到所述待处理的业务数据对应的第三关键业务数据；
对所述第三关键业务数据进行评估处理，并基于指定衍生单元对评估处理后的所述第三关键业务数据进行衍生处理，得到所述置信度挖掘向量。
8.如权利要求7所述的方法，其特征在于，所述结合所述第一关键业务数据进行二次融合处理，确定所述待处理的业务数据对应的第二融合特征，包括：在结合所述第一关键业务数据得到评估处理后的第三关键业务数据后，将评估处理后的第三关键业务数据加载至第一特征融合线程，得到所述第一特征融合线程输出的第二融合特征；
其中，所述针对随机一个第二关键业务数据，基于该第二关键业务数据对应的第一干扰知识向量、第一属性异常向量以及所述置信度挖掘向量，确定该第二关键业务数据对应的融合数据，包括：
对所述第一干扰知识向量、第一属性异常向量以及置信度挖掘向量进行整合处理，得到整合处理后的目标向量数量；
基于AI线程对所述目标向量数量进行重要内容识别，生成该第二关键业务数据对应的融合数据；
其中，所述结合每一所述第二关键业务数据逐一对应的融合数据，确定所述待处理的业务数据对应的第一融合特征，包括：将所述第一关键业务数据和各第二关键业务数据逐一对应的融合数据输出至第二特征融合线程，得到所述第二特征融合线程输出的第一融合特征。
9.一种软件开发线程的优化系统，其特征在于，包括：数据优化云平台和数据采集端，所述数据优化云平台和所述数据采集端通信连接；
其中，所述数据优化云平台，用于：获得待处理的业务数据，并对所述待处理的业务数据进行重要内容识别，得到涵盖若干种属性的第一关键业务数据；对所述第一关键业务数据的属性进行聚类操作，得到若干个第二关键业务数据；对所述第二关键业务数据进行关联识别，确定所述第二关键业务数据对应的第一干扰知识向量；以及对所述第二关键业务数据进行属性关联识别，确定所述第二关键业务数据对应的第一属性异常向量；通过各个第二关键业务数据对应的第一干扰知识向量和第一属性异常向量，确定每一所述第二关键业务数据逐一对应的融合数据；结合每一所述第二关键业务数据逐一对应的融合数据，确定所述待处理的业务数据对应的第一融合特征，以及结合所述第一关键业务数据进行二次融合处理，确定所述待处理的业务数据对应的第二融合特征，所述第一融合特征和所述第二融合特征组成所述待处理的业务数据对应的目标融合结果；对所述目标融合结果进行优化，得到优化结果。
10.一种数据优化云平台，其特征在于，包括：
存储器，用于存储计算机程序；
与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现权利要求1-8任意一项所述的系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211166237.8A CN115373688B (zh) | 2022-09-23 | 2022-09-23 | 一种软件开发线程的优化方法、系统及云平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211166237.8A CN115373688B (zh) | 2022-09-23 | 2022-09-23 | 一种软件开发线程的优化方法、系统及云平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115373688A true CN115373688A (zh) | 2022-11-22 |
| CN115373688B CN115373688B (zh) | 2023-07-14 |
Family
ID=84070657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211166237.8A Active CN115373688B (zh) | 2022-09-23 | 2022-09-23 | 一种软件开发线程的优化方法、系统及云平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115373688B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117421611A (zh) * | 2023-12-19 | 2024-01-19 | 河北金隅鼎鑫水泥有限公司 | 一种水泥制造厂的废气成分过滤方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105426356A (zh) * | 2015-10-29 | 2016-03-23 | 杭州九言科技股份有限公司 | 一种目标信息识别方法和装置 |
| US20180144041A1 (en) * | 2016-11-21 | 2018-05-24 | International Business Machines Corporation | Transaction discovery in a log sequence |
| WO2020010569A1 (zh) * | 2018-07-12 | 2020-01-16 | 深圳齐心集团股份有限公司 | 大数据综合分析处理服务系统 |
| CN110826630A (zh) * | 2019-11-08 | 2020-02-21 | 哈尔滨工业大学 | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 |
| CN111242218A (zh) * | 2020-01-13 | 2020-06-05 | 河南科技大学 | 融合用户多属性信息的跨社交网络用户身份识别方法 |
| US20210191757A1 (en) * | 2019-12-19 | 2021-06-24 | Red Hat, Inc. | Sub-idle thread priority class |
| CN113298504A (zh) * | 2021-06-25 | 2021-08-24 | 东莞市爱学爱玩教育科技有限公司 | 基于人工智能的业务大数据分组识别方法及系统 |
| CN214328652U (zh) * | 2020-11-10 | 2021-10-01 | 曹剑聪 | 一种市政道路用可调节护栏 |
| CN114547254A (zh) * | 2022-03-04 | 2022-05-27 | 九江市杰南科技有限公司 | 一种基于大数据话题分析的风险识别方法及服务器 |
-
2022
- 2022-09-23 CN CN202211166237.8A patent/CN115373688B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105426356A (zh) * | 2015-10-29 | 2016-03-23 | 杭州九言科技股份有限公司 | 一种目标信息识别方法和装置 |
| US20180144041A1 (en) * | 2016-11-21 | 2018-05-24 | International Business Machines Corporation | Transaction discovery in a log sequence |
| WO2020010569A1 (zh) * | 2018-07-12 | 2020-01-16 | 深圳齐心集团股份有限公司 | 大数据综合分析处理服务系统 |
| CN110826630A (zh) * | 2019-11-08 | 2020-02-21 | 哈尔滨工业大学 | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 |
| US20210191757A1 (en) * | 2019-12-19 | 2021-06-24 | Red Hat, Inc. | Sub-idle thread priority class |
| CN111242218A (zh) * | 2020-01-13 | 2020-06-05 | 河南科技大学 | 融合用户多属性信息的跨社交网络用户身份识别方法 |
| CN214328652U (zh) * | 2020-11-10 | 2021-10-01 | 曹剑聪 | 一种市政道路用可调节护栏 |
| CN113298504A (zh) * | 2021-06-25 | 2021-08-24 | 东莞市爱学爱玩教育科技有限公司 | 基于人工智能的业务大数据分组识别方法及系统 |
| CN114547254A (zh) * | 2022-03-04 | 2022-05-27 | 九江市杰南科技有限公司 | 一种基于大数据话题分析的风险识别方法及服务器 |
Non-Patent Citations (3)
| Title |
|---|
| A. MUNIR, E. BLASCH, J. KWON, J. KONG AND A. AVED: "Artificial Intelligence and Data Fusion at the Edge", 《IEEE AEROSPACE AND ELECTRONIC SYSTEMS MAGAZINE》 * |
| 吉启涛: "基于Spark的多密度聚类算法改进研究及其在文本挖掘中的应用", 《东华理工大学 硕士学位论文集》 * |
| 小吴的日常: "多模态数据融合算法研究（Research on Multimodal Data Fusion Methods）赵亮", 《HTTPS://WWW.CNBLOGS.COM/WUPIAO/ARTICLES/11693143.HTML》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117421611A (zh) * | 2023-12-19 | 2024-01-19 | 河北金隅鼎鑫水泥有限公司 | 一种水泥制造厂的废气成分过滤方法及系统 |
| CN117421611B (zh) * | 2023-12-19 | 2024-04-30 | 河北金隅鼎鑫水泥有限公司 | 一种水泥制造厂的废气成分过滤方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115373688B (zh) | 2023-07-14 |
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 | |
| CN114168747A (zh) | 基于云服务的知识库构建方法及系统 | |
| CN115373688A (zh) | 一种软件开发线程的优化方法、系统及云平台 | |
| CN113903473A (zh) | 基于人工智能的医疗信息智能交互的方法及系统 | |
| CN115481197B (zh) | 一种分布式数据处理方法、系统及云平台 | |
| CN113947709A (zh) | 基于人工智能的图像处理方法及系统 | |
| CN115512344A (zh) | 一种三维实景图像识别处理方法、系统及云平台 | |
| CN114329116B (zh) | 基于人工智能的智慧园区资源匹配度分析方法及系统 | |
| CN113626538B (zh) | 基于大数据的医疗信息智能分类的方法及系统 | |
| CN115359203A (zh) | 一种三维高精度地图生成方法、系统及云平台 | |
| CN114691830B (zh) | 一种基于大数据的网络安全分析方法及系统 | |
| CN114911850B (zh) | 一种基于虚拟现实的磁悬浮失重控制方法及系统 | |
| CN115563153B (zh) | 基于人工智能的任务批量处理方法、系统及服务器 | |
| CN114090858B (zh) | 基于自动化爬虫的资源池对象数据获取方法及系统 | |
| CN116094752A (zh) | 一种安全管理策略生成方法及系统 | |
| CN115371848A (zh) | 一种热能信息监控方法及系统 | |
| CN115455406A (zh) | 一种网络信息的风险检测方法及系统 | |
| CN115455803A (zh) | 一种室内能耗信息分析方法及系统 | |
| CN113626559A (zh) | 基于语义的网络文档智能检索的方法及系统 | |
| CN115345143A (zh) | 基于数据中心的能耗检测方法及系统 | |
| CN116841997A (zh) | 一种隐患治理率计算方法及系统 | |
| CN116166670A (zh) | 基于数字工厂的数据归档方法、系统及云平台 | |
| CN115455070A (zh) | 一种电流信号的数据管控方法及系统 | |
| CN114139870A (zh) | 基于人工智能的智能建筑管理方法及系统 | |
| CN115357925A (zh) | 一种加密处理方法、系统及云平台 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230619 Address after: 606, Building F1, TCL Science park, No. 1001, Zhongshan Park Road, Shuguang Community, Xili Street, Nanshan District, Shenzhen, Guangdong 518051 Applicant after: Shenzhen Yuanyushi Technology Development Co.,Ltd. Address before: 678000 115 Taibao South Road, Longyang District, Baoshan City, Yunnan Province Applicant before: Cao Zhaoqiang |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| 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: An optimization method, system, and cloud platform for software development threads Granted publication date: 20230714 Pledgee: Shenzhen Rural Commercial Bank Co.,Ltd. Nanshan Sub branch Pledgor: Shenzhen Yuanyushi Technology Development Co.,Ltd. Registration number: Y2024980011323 |