CN115510331A - 一种基于闲置量聚合的共享资源匹配方法 - Google Patents
一种基于闲置量聚合的共享资源匹配方法 Download PDFInfo
- Publication number
- CN115510331A CN115510331A CN202211420499.2A CN202211420499A CN115510331A CN 115510331 A CN115510331 A CN 115510331A CN 202211420499 A CN202211420499 A CN 202211420499A CN 115510331 A CN115510331 A CN 115510331A
- Authority
- CN
- China
- Prior art keywords
- resource
- resources
- matching
- attribute
- idle
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- 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
-
- 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
Abstract
本发明提供了一种基于闲置量聚合的共享资源匹配方法,涉及资源匹配技术领域,其方法包括:获取目标群体的资源需求信息;获取目标平台的共享闲置资源,确定存在的闲置资源类型;提取所述资源需求信息中的需求资源类型,与所述闲置资源类型进行相似度匹配,筛选得到候选资源;对所述候选资源进行资源偏好评估;根据资源偏好评估结果与所述目标需求信息中的需求偏好特征,从所述候选资源中筛选与所述目标群体最优匹配的资源。通过对共享闲置资源的类型与资源偏好的确定,以及与目标群体的需求信息进行相似度匹配,可以提高匹配速度,保证了对闲置资源匹配的精确度以及可靠性。
Description
技术领域
本发明涉及资源匹配技术领域,特别涉及一种基于闲置量聚合的共享资源匹配方法。
背景技术
资源是一切可被人类开发和利用的物质、能量和信息。有史以来,人类一直通过使用资源来促使经济的快速发展,进而保证物质与精神方面的丰富性。但同时,也不可避免的出现资源利用率低以及资源浪费的情况。所以对未被利用的资源或是称为闲置资源进行充分利用以及探索科学快速的资源匹配策略,做到大幅度提高资源的作用率以及减少资源浪费就显得尤为重要。
因此,本发明提出了一种基于闲置量聚合的共享资源匹配方法。
发明内容
本发明提供一种基于闲置量聚合的共享资源匹配方法,用以基于获取的目标群体的资源需求信息以及闲置资源,对需求资源类型和闲置资源类型进行相似度匹配,再通过资源偏好评估与需求偏好特征的匹配结果来筛选得到与目标群体最优匹配的资源,保证了闲置资源的匹配精确度,以及提高了资源利用率。
本发明提供一种基于闲置量聚合的共享资源匹配方法,包括:
步骤1:获取目标群体的资源需求信息;
步骤2:获取目标平台的共享闲置资源,确定存在的闲置资源类型;
步骤3:提取所述资源需求信息中的需求资源类型,与所述闲置资源类型进行相似度匹配,筛选得到候选资源;
步骤4:对所述候选资源进行资源偏好评估;
步骤5:根据资源偏好评估结果与所述目标需求信息中的需求偏好特征,从所述候选资源中筛选与所述目标群体最优匹配的资源。
优选的,获取目标群体的资源需求信息,包括:
确定目标群体在各预设时间段的多维请求数据;
对所述请求数据进行标准化处理,并根据处理结果,对请求数据进行聚类划分;
确定每个聚类划分结果的聚类样本数量,并筛选聚类样本数量大于预设数量的第一划分结果,并提取所述第一划分结果的中心请求;
基于提取的所有中心请求,得到所述目标群体的资源需求信息。
优选的,获取目标平台的共享闲置资源,确定存在的闲置资源类型,包括:
检索目标平台的共享资源池,确定在各预设时间段存在的闲置资源;
对所述闲置资源的数据进行标准化处理;
对处理后的闲置资源数据进行聚类处理,获取多个资源类并确定每个资源类的共享资源类型。
优选的,所述共享资源池用于存储和管理不同时段下的闲置资源,用于与目标群体的资源需求信息匹配。
优选的,提取所述资源需求信息中的资源需求类型,与所述闲置资源类型进行相似度匹配,筛选得到候选资源,包括:
将所述目标群体的需求信息中每个中心请求依次与所述处理后的闲置资源数据对应的每个资源类的类中心进行第一匹配,得到与每个中心请求相关的请求阵列,其中,所述请求阵列中的每个元素包含匹配值以及类中心编号;
对每个请求阵列中处于第一预设范围的匹配值进行第一标记、处于第二预设范围的匹配值进行第二标记;
确定同个请求阵列中第一标记的第一个数,同时,确定同个请求阵列中第二标记的第二个数;
基于所述同个请求阵列的第一个数以及第二个数,确定所述同个请求阵列的待抽取数量;
对所述同个请求阵列中的匹配值进行由大到小排序,并按照所述待抽取数量进行匹配值的锁定,进而获取到与类中心编号一致的类中心资源;
基于所获取的所有中心请求的类中心资源,得到待筛选资源;
获取每个中心请求的资源需求类型,并与所述闲置资源类型进行第二匹配;
根据第二匹配结果,从所述待筛选资源中筛选得到候选资源。
优选的,对所述候选资源进行资源偏好评估,包括:
确定所述候选资源中所有候选子资源分别包含的第一资源信息;
对每个候选子资源的第一资源信息进行属性分类操作,并按照分类结果,形成对应候选子资源的属性清单;
基于历史清单中的属性、历史资源以及历史清单中的属性与对应历史资源的权重匹配关系,对初始分析模型进行训练学习得到权重分析模型;
基于所述权重分析模型,对每个候选子资源的属性清单以及匹配的候选子资源进行权重分析,得到对应属性清单中每个属性的权重分析系数;
筛选权重分析系数最大的第一属性以及权重分析系数第二大的第二属性为对应候选子资源的关键属性;
将每个候选子资源对应筛选的关键属性进行系数叠加,作为对应候选子资源的优先系数;
基于所述优先系数,对对应候选子资源进行偏好标注,并得到所述候选资源的资源偏好结果。
优选的,根据资源偏好评估结果与所述目标需求信息中的需求偏好特征,从所述候选资源中筛选与所述目标群体最优匹配的资源,包括:
确定所述目标需求信息中的需求偏好特征;
获取从所述目标需求信息中所提取的不同资源需求类型对应的属性预设匹配阈值;
确定所述关键属性中的第一属性和第二属性分别对应的第一匹配阈值以及第二匹配阈值;
根据预设匹配模型,且结合所述属性预设匹配阈值以及第一匹配阈值、第二匹配阈值,将所述需求偏好特征与资源偏好结果依次进行属性匹配,得到匹配结果;
根据所述匹配结果,从所述候选资源中筛选出与所述目标群体最优匹配的资源。
优选的,根据预设匹配模型,且结合所述属性预设匹配阈值以及第一匹配阈值、第二匹配阈值,将所述需求偏好特征与资源偏好结果依次进行属性匹配,得到匹配结果,包括:
调取所述资源偏好结果中的第一属性与需求偏好特征的每条需求资源与第一属性类型一致的关键属性,输入预设匹配模型中进行相似度匹配,生成第一匹配值;
若所述第一匹配值大于第一匹配阈值,保留所述资源偏好结果对应的候选子资源,得到第一类资源集合;
将所述第一类资源集合中每个候选子资源对应的资源偏好结果中的第二属性与需求偏好特征的每条需求资源与第二属性类型一致的属性,输入预设匹配模型中生成第二匹配值;
若所述第二匹配值大于第二匹配阈值,保留所述资源偏好结果对应的候选子资源,得到第二类资源集合;
当所述第二类资源集合中的候选子资源仅存在一个时,确定所述候选子资源为所述目标群体最优匹配的资源;
当所述第二类资源集合中的候选子资源个数为两个或两个以上时,确定所述候选子资源作为目标资源输出;
确定所述目标资源的属性特征并建立属性序列;
将所述目标资源对应的属性序列中的所有元素与目标群体的不同需求资源类型对应的属性特征进行关联度分析,获取关联度分析结果;
基于所述关联度分析结果,从所述目标资源中筛选得到与所述目标群体最优匹配的资源。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于闲置量聚合的共享资源匹配方法的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供一种基于闲置量聚合的共享资源匹配方法,如图1所示,包括:
步骤1:获取目标群体的资源需求信息;
步骤2:获取目标平台的共享闲置资源,确定存在的闲置资源类型;
步骤3:提取所述资源需求信息中的需求资源类型,与所述闲置资源类型进行相似度匹配,筛选得到候选资源;
步骤4:对所述候选资源进行资源偏好评估;
步骤5:根据资源偏好评估结果与所述目标需求信息中的需求偏好特征,从所述候选资源中筛选与所述目标群体最优匹配的资源。
该实施例中,资源需求信息是指目标群体的请求信息以及请求资源数据。
该实施例中,共享闲置资源指的是目标平台内暂且未被利用,可供流通使用的共享资源;其中,目标平台是指能够扩展、向其他用户提供基础服务、数据、数据服务的提供商。
该实施例中,闲置资源类型与需求资源类型的获取是为了后续将资源匹配的过程缩小到同类型或近似类型的集合之间,提高资源匹配效率。
该实施例中,比如存在资源需求信息中的需求资源类型a1,闲置资源类型b1和b2;将a1与b1,b2分别进行相似度操作并进行对比,确定a1与b1的相似度值更大,此时确定资源类型为b1的闲置资源为候选资源。
该实施例中,资源偏好指的是资源本身的综合性能以及功能的倾向性,通过对候选资源进行资源偏好评估,来获取候选资源的更具倾向性的综合性能与功能,便于从候选资源中筛选与目标群体所需求的最优匹配的资源。
该实施例中,需求偏好特征指的是目标群体筛选资源时所考虑的主观并具有倾向性的指标,比如,偏好购买电器的资源,那么确定的候选资源就应该与电器资源等相关。
上述技术方案的有益效果是:基于获取的目标群体的资源需求信息以及闲置资源,对需求资源类型和闲置资源类型进行相似度匹配,再通过资源偏好评估与需求偏好特征的匹配结果来筛选得到与目标群体最优匹配的资源,保证了闲置资源的匹配精确度,以及提高了资源利用率。
本发明实施例提供一种基于闲置量聚合的共享资源匹配方法,获取目标群体的资源需求信息,包括:
确定目标群体在各预设时间段的多维请求数据;
对所述请求数据进行标准化处理,并根据处理结果,对请求数据进行聚类划分;
确定每个聚类划分结果的聚类样本数量,并筛选聚类样本数量大于预设数量的第一划分结果,并提取所述第一划分结果的中心请求;
基于提取的所有中心请求,得到所述目标群体的资源需求信息。
该实施例中,对请求数据标准化处理是为了消除不同维度量纲的影响,便于对请求数据进行聚类;其中,聚类是指将数据划分为由类似的数据对象组成的多个类。
该实施例中,聚类划分结果是指将标准化处理后的目标群体的多维请求数据划分成由类似的请求数据对象组成的多个类。
该实施例中,聚类样本数量指的是每个聚类划分结果内的请求数据个数。
该实施例中,预设数量是提前设定好的,比如假设预设数量为m,存在聚类划分结果1,2,3,通过对聚类划分结果1,2,3的聚类样本数量进行统计,得出聚类划分结果1,2的聚类样本数量大于m,聚类划分结果3的聚类样本数量小于m,此时确定聚类划分结果1,2为第一划分结果。
该实施例中,中心请求指的是对应聚类划分结果中的聚类中心,也就是聚类划分结果中其余请求围绕的中心请求进行展开。
上述技术方案的有益效果是:通过对目标群体的多维请求数据标准化后聚类得到聚类划分结果,提高了聚类准确度;再基于预设数量,从聚类划分结果中筛选得到第一划分结果,进而获取第一划分结果的中心请求,可以有效实现对目标群体的资源需求信息的获取。
本发明实施例提供一种基于闲置量聚合的共享资源匹配方法,获取目标平台的共享闲置资源,确定存在的闲置资源类型,包括:
检索目标平台的共享资源池,确定在各预设时间段存在的闲置资源;
对所述闲置资源的数据进行标准化处理;
对处理后的闲置资源数据进行聚类处理,获取多个资源类并确定每个资源类的共享资源类型。
该实施例中,共享资源池是为了存储和管理不同时段下的闲置资源,以及用于与目标群体的资源需求信息匹配。
该实施例中,预设时间段是预先设定好的;闲置资源指的是检索共享资源池后得到的暂且未被利用、可供流通使用的资源。
该实施例中,对闲置资源的数据标准化处理是为了消除不同维度量纲的影响,便于对闲置资源的数据进行聚类。
该实施例中,资源类是指将标准化处理后的闲置资源的数据划分成由类似的闲置资源的数据组成的多个类;共享资源类型的获取是基于对每个资源类进行分析得到的。
上述技术方案的有益效果是:通过检索共享资源池获取闲置资源,并对闲置资源数据标准化处理后再聚类,得到若干资源类,以及确定每个资源类的资源类型,可以有效保证聚类的准确度,确定存在的闲置资源的类型。
本发明实施例提供一种基于闲置量聚合的共享资源匹配方法,提取所述资源需求信息中的需求资源类型,与所述闲置资源类型进行相似度匹配,筛选得到候选资源,包括:
将所述目标群体的需求信息中每个中心请求依次与所述处理后的闲置资源数据对应的每个资源类的类中心进行第一匹配,得到与每个中心请求相关的请求阵列,其中,所述请求阵列中的每个元素包含匹配值以及类中心编号;
对每个请求阵列中处于第一预设范围的匹配值进行第一标记、处于第二预设范围的匹配值进行第二标记;
确定同个请求阵列中第一标记的第一个数,同时,确定同个请求阵列中第二标记的第二个数;
基于所述同个请求阵列的第一个数以及第二个数,确定所述同个请求阵列的待抽取数量;
对所述同个请求阵列中的匹配值进行由大到小排序,并按照所述待抽取数量进行匹配值的锁定,进而获取到与类中心编号一致的类中心资源;
基于所获取的所有中心请求的类中心资源,得到待筛选资源;
获取每个中心请求的资源需求类型,并与所述闲置资源类型进行第二匹配;
根据第二匹配结果,从所述待筛选资源中筛选得到候选资源。
该实施例中,类中心指的是资源类的中心,用来近似代表对应资源类中的所有数据,与每个中心请求进行第一匹配。
该实施中,比如,存在中心请求1的请求阵列N中的匹配值n1为0.7,匹配值n2为0.3,此时对匹配值n1进行第二标记,对匹配值n2进行第一标记。
该实施例中,第一个数指的是请求阵列中被第一标记的匹配值的数量,第二个数指的是请求阵列中被第二标记的匹配值的数量;待抽取数量指的是每个请求阵列中应该提取的匹配值的数量,通过运算公式得出。
该实施例中,比如,存在中心请求2的请求阵列M,对所述请求阵列M中的匹配值进
行由大到小排序,得到 此时已知待抽取数量为3的情况下,对
请求阵列M中的匹配值进行锁定,并获取对应的类中心编号,确
定与类编号一致的类中心资源为中心请求2的待筛选资源。
上述技术方案的有益效果是:通过把目标需求信息中的每个中心请求数据与每个资源类的类中心进行匹配可得到待筛选资源;又通过将每个中心请求的资源需求类型与待筛选资源类型进行匹配筛选得到候选资源,可以实现从大量闲置资源中,快速找到与目标群体的需求资源类型一致的候选资源,为后续寻找最优匹配资源提供基础。
本发明实施例提供一种基于闲置量聚合的共享资源匹配方法,对所述候选资源进行资源偏好评估,包括:
确定所述候选资源中所有候选子资源分别包含的第一资源信息;
对每个候选子资源的第一资源信息进行属性分类操作,并按照分类结果,形成对应候选子资源的属性清单;
基于历史清单中的属性、历史资源以及历史清单中的属性与对应历史资源的权重匹配关系,对初始分析模型进行训练学习得到权重分析模型;
基于所述权重分析模型,对每个候选子资源的属性清单以及匹配的候选子资源进行权重分析,得到对应属性清单中每个属性的权重分析系数;
筛选权重分析系数最大的第一属性以及权重分析系数第二大的第二属性为对应候选子资源的关键属性;
将每个候选子资源对应筛选的关键属性进行系数叠加,作为对应候选子资源的优先系数;
基于所述优先系数,对对应候选子资源进行偏好标注,并得到所述候选资源的资源偏好结果。
该实施例中,第一资源信息是指每个候选子资源的对应全部属性信息;属性清单是通过对所述第一资源信息进行分类后再进行记录得到的。
该实施例中,权重匹配关系是指历史清单中的属性与对应历史资源的匹配程度以及倾向性;其中,历史清单是根据将目标平台中历史资源属性进行属性分类再记录得到的。
该实施例中,假设,存在候选子资源A的属性清单a,以及属性清单a中包含有属性1、2、3,将所述属性1、2、3分别输入权重分析模型中,与候选子资源A进行权重分析,得到对应权重分析系数a1、a2和a3;又因为a1大于a2,a2大于a3,故确定属性1和属性2为候选子资源A的关键属性。
该实施例中,比如存在候选子资源B、候选子资源B的关键属性4、5以及对应的权重分系数b1和b2,此时,确定候选子资源B的优先系数为b1+b2;且b1+b2用于对候选子资源B偏好标注。
上述技术方案的有益效果是:通过对候选资源中的所有候选子资源的资源信息进行属性分类,可得到对应候选子资源的属性清单;基于权重分析模型,对每个候选子资源的属性清单进行权重分析,有利于确定每个候选子资源的关键属性,并根据所述关键属性得到对应候选子资源的优先系数后进行偏好标注,从而获取候选资源的资源偏好结果,便于后续所述候选资源中筛选得到所述目标群体最优匹配的资源。
本发明实施例提供一种基于闲置量聚合的共享资源匹配方法,根据资源偏好评估结果与所述目标需求信息中的需求偏好特征,从所述候选资源中筛选与所述目标群体最优匹配的资源,包括:
确定所述目标需求信息中的需求偏好特征;
获取从所述目标需求信息中所提取的不同资源需求类型对应的属性预设匹配阈值;
确定所述关键属性中的第一属性和第二属性分别对应的第一匹配阈值以及第二匹配阈值;
根据预设匹配模型,且结合所述属性预设匹配阈值以及第一匹配阈值、第二匹配阈值,将所述需求偏好特征与资源偏好结果依次进行属性匹配,得到匹配结果;
根据所述匹配结果,从所述候选资源中筛选出与所述目标群体最优匹配的资源。
该实施例中,需求偏好特征是基于全部需求资源的关键属性信息得到的。
该实施例中,属性预设匹配阈值是提前设置好的,指的是属性之间能够匹配的临界值;其中第一属性与第二属性分别对应的第一匹配阈值和第二匹配阈值均为0.85。
该实施例中,以第一匹配阈值和第二匹配阈值为参照值,将需求偏好特征与资源偏好结果分别对应的属性输入预设匹配模型中进行匹配得到资源集合,并作为匹配结果输出。
上述技术方案的有益效果是:通过获取属性预设匹配阈值,确定了关键属性的对应匹配阈值;再通过预设匹配模型对需求偏好特征与资源偏好结果分别对应的属性进行匹配得到匹配结果;按照所述匹配结果,可实现从所述候选资源中筛选出于所述目标群体最优匹配的资源。
本发明实施例提供一种基于闲置量聚合的共享资源匹配方法,根据预设匹配模型,且结合所述属性预设匹配阈值以及第一匹配阈值、第二匹配阈值,将所述需求偏好特征与资源偏好结果依次进行属性匹配,得到匹配结果,包括:
调取所述资源偏好结果中的第一属性与需求偏好特征的每条需求资源与第一属性类型一致的关键属性,输入预设匹配模型中进行相似度匹配,生成第一匹配值;
若所述第一匹配值大于第一匹配阈值,保留所述资源偏好结果对应的候选子资源,得到第一类资源集合;
将所述第一类资源集合中每个候选子资源对应的资源偏好结果中的第二属性与需求偏好特征的每条需求资源与第二属性类型一致的属性,输入预设匹配模型中生成第二匹配值;
若所述第二匹配值大于第二匹配阈值,保留所述资源偏好结果对应的候选子资源,得到第二类资源集合;
当所述第二类资源集合中的候选子资源仅存在一个时,确定所述候选子资源为所述目标群体最优匹配的资源;
当所述第二类资源集合中的候选子资源个数为两个或两个以上时,确定所述候选子资源作为目标资源输出;
确定所述目标资源的属性特征并建立属性序列;
将所述目标资源对应的属性序列中的所有元素与目标群体的不同需求资源类型对应的属性特征进行关联度分析,获取关联度分析结果;
基于所述关联度分析结果,从所述目标资源中筛选得到与所述目标群体最优匹配的资源。
该实施例中,比如,资源偏好结果中存在第一属性1、2、3,以及确定对应候选子资源分别是a、b、c,需求偏好特征中存在需求资源A;将所述第一属性1、2、3分别输入预设匹配模型中与需求资源A的与第一属性类型一致的关键属性进行匹配,得到的第一匹配值分别为0.9、0.81和0.86;此时,第一属性1和3的第一匹配值0.9和0.86大于第一预设匹配阈值0.85,故保留第一属性1和第一属性3对应的候选子资源a和候选子资源c;再将候选子资源a和c对应的第二属性3、4分别输入预设匹配模型中与需求偏好特征中需求资源A中与第二属性类型一致的关键属性进行匹配,得到第二匹配值分别是0.9和0.84;此时,因为0.9大于第二匹配阈值0.85,保留第二属性3对应的候选子资源c,此时候选子资源c为需求资源A的最优匹配资源。
该实施例中,比如,存在第二类资源集合m和n,且第二类资源集合m中包含有候选子资源1、2、3,候选子资源个数大于两个,此时确定所述候选子资源1、2、3为目标资源。
该实施例中,属性序列是基于目标资源的属性特征构建得到的。
该实施例中,关联度分析结果的获取是通过将目标资源对应的属性序列中的所有元素构建得到的目标向量与目标群体的不同需求资源类型对应的属性特征构建得到的需求向量进行关联度分析,得到对应关联度并进行降序排序。
其中,关联度获取公式如下:
确定关联度最大的对应目标向量为最优匹配向量;
根据所述最优匹配向量,确定对应目标资源为最优匹配的资源。
上述技术方案的有益效果是:通过将需求偏好特征与资源偏好结果依次进行属性匹配,可实现从候选资源中筛选得到目标资源;分析所述目标资源的属性特征与目标群体的不同需求资源类型的属性特征之间的关联度,并根据分析结果,可从目标资源中筛选得到与目标群体最优匹配的资源,保证了从候选资源中快速且精准的筛选出最优匹配资源的可靠性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于闲置量聚合的共享资源匹配方法,其特征在于,包括:
步骤1:获取目标群体的资源需求信息;
步骤2:获取目标平台的共享闲置资源,确定存在的闲置资源类型;
步骤3:提取所述资源需求信息中的需求资源类型,与所述闲置资源类型进行相似度匹配,筛选得到候选资源;
步骤4:对所述候选资源进行资源偏好评估;
步骤5:根据资源偏好评估结果与所述目标需求信息中的需求偏好特征,从所述候选资源中筛选与所述目标群体最优匹配的资源。
2.如权利要求1所述的基于闲置量聚合的共享资源匹配方法,其特征在于,获取目标群体的资源需求信息,包括:
确定目标群体在各预设时间段的多维请求数据;
对所述请求数据进行标准化处理,并根据处理结果,对请求数据进行聚类划分;
确定每个聚类划分结果的聚类样本数量,并筛选聚类样本数量大于预设数量的第一划分结果,并提取所述第一划分结果的中心请求;
基于提取的所有中心请求,得到所述目标群体的资源需求信息。
3.如权利要求2所述的基于闲置量聚合的共享资源匹配方法,其特征在于,获取目标平台的共享闲置资源,确定存在的闲置资源类型,包括:
检索目标平台的共享资源池,确定在各预设时间段存在的闲置资源;
对所述闲置资源的数据进行标准化处理;
对处理后的闲置资源数据进行聚类处理,获取多个资源类并确定每个资源类的共享资源类型。
4.如权利要求3所述的基于闲置量聚合的共享资源匹配方法,其特征在于:所述共享资源池用于存储和管理不同时段下的闲置资源,用于与目标群体的资源需求信息匹配。
5.如权利要求3所述的基于闲置量聚合的共享资源匹配方法,其特征在于,提取所述资源需求信息中的资源需求类型,与所述闲置资源类型进行相似度匹配,筛选得到候选资源,包括:
将所述目标群体的需求信息中每个中心请求依次与所述处理后的闲置资源数据对应的每个资源类的类中心进行第一匹配,得到与每个中心请求相关的请求阵列,其中,所述请求阵列中的每个元素包含匹配值以及类中心编号;
对每个请求阵列中处于第一预设范围的匹配值进行第一标记、处于第二预设范围的匹配值进行第二标记;
确定同个请求阵列中第一标记的第一个数,同时,确定同个请求阵列中第二标记的第二个数;
基于所述同个请求阵列的第一个数以及第二个数,确定所述同个请求阵列的待抽取数量;
对所述同个请求阵列中的匹配值进行由大到小排序,并按照所述待抽取数量进行匹配值的锁定,进而获取到与类中心编号一致的类中心资源;
基于所获取的所有中心请求的类中心资源,得到待筛选资源;
获取每个中心请求的资源需求类型,并与所述闲置资源类型进行第二匹配;
根据第二匹配结果,从所述待筛选资源中筛选得到候选资源。
6.如权利要求1所述的基于闲置量聚合的共享资源匹配方法,其特征在于,对所述候选资源进行资源偏好评估,包括:
确定所述候选资源中所有候选子资源分别包含的第一资源信息;
对每个候选子资源的第一资源信息进行属性分类操作,并按照分类结果,形成对应候选子资源的属性清单;
基于历史清单中的属性、历史资源以及历史清单中的属性与对应历史资源的权重匹配关系,对初始分析模型进行训练学习得到权重分析模型;
基于所述权重分析模型,对每个候选子资源的属性清单以及匹配的候选子资源进行权重分析,得到对应属性清单中每个属性的权重分析系数;
筛选权重分析系数最大的第一属性以及权重分析系数第二大的第二属性为对应候选子资源的关键属性;
将每个候选子资源对应筛选的关键属性进行系数叠加,作为对应候选子资源的优先系数;
基于所述优先系数,对对应候选子资源进行偏好标注,并得到所述候选资源的资源偏好结果。
7.如权利要求1所述的基于闲置量聚合的共享资源匹配方法,其特征在于,根据资源偏好评估结果与所述目标需求信息中的需求偏好特征,从所述候选资源中筛选与所述目标群体最优匹配的资源,包括:
确定所述目标需求信息中的需求偏好特征;
获取从所述目标需求信息中所提取的不同资源需求类型对应的属性预设匹配阈值;
确定所述关键属性中的第一属性和第二属性分别对应的第一匹配阈值以及第二匹配阈值;
根据预设匹配模型,且结合所述属性预设匹配阈值以及第一匹配阈值、第二匹配阈值,将所述需求偏好特征与资源偏好结果依次进行属性匹配,得到匹配结果;
根据所述匹配结果,从所述候选资源中筛选出与所述目标群体最优匹配的资源。
8.如权利要求7所述的基于闲置量聚合的共享资源匹配方法,其特征在于,根据预设匹配模型,且结合所述属性预设匹配阈值以及第一匹配阈值、第二匹配阈值,将所述需求偏好特征与资源偏好结果依次进行属性匹配,得到匹配结果,包括:
调取所述资源偏好结果中的第一属性与需求偏好特征的每条需求资源与第一属性类型一致的关键属性,输入预设匹配模型中进行相似度匹配,生成第一匹配值;
若所述第一匹配值大于第一匹配阈值,保留所述资源偏好结果对应的候选子资源,得到第一类资源集合;
将所述第一类资源集合中每个候选子资源对应的资源偏好结果中的第二属性与需求偏好特征的每条需求资源与第二属性类型一致的属性,输入预设匹配模型中生成第二匹配值;
若所述第二匹配值大于第二匹配阈值,保留所述资源偏好结果对应的候选子资源,得到第二类资源集合;
当所述第二类资源集合中的候选子资源仅存在一个时,确定所述候选子资源为所述目标群体最优匹配的资源;
当所述第二类资源集合中的候选子资源个数为两个或两个以上时,确定所述候选子资源作为目标资源输出;
确定所述目标资源的属性特征并建立属性序列;
将所述目标资源对应的属性序列中的所有元素与目标群体的不同需求资源类型对应的属性特征进行关联度分析,获取关联度分析结果;
基于所述关联度分析结果,从所述目标资源中筛选得到与所述目标群体最优匹配的资源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211420499.2A CN115510331B (zh) | 2022-11-15 | 2022-11-15 | 一种基于闲置量聚合的共享资源匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211420499.2A CN115510331B (zh) | 2022-11-15 | 2022-11-15 | 一种基于闲置量聚合的共享资源匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115510331A true CN115510331A (zh) | 2022-12-23 |
CN115510331B CN115510331B (zh) | 2023-03-14 |
Family
ID=84513877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211420499.2A Active CN115510331B (zh) | 2022-11-15 | 2022-11-15 | 一种基于闲置量聚合的共享资源匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115510331B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738444A (zh) * | 2023-08-15 | 2023-09-12 | 山东省计算中心(国家超级计算济南中心) | 基于夏普利值的数据安全共享平台多方贡献度评估方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030236854A1 (en) * | 2002-06-13 | 2003-12-25 | Shiron Satellite Communication Ltd. | System and method for dynamic allocation of a resource |
JP2006033646A (ja) * | 2004-07-20 | 2006-02-02 | Sony Corp | 情報処理システム及び情報処理方法、並びにコンピュータプログラム |
CN102033909A (zh) * | 2010-11-19 | 2011-04-27 | 南京大学 | 支持弹性云计算平台开发的资源外包方法 |
US20150317607A1 (en) * | 2014-05-05 | 2015-11-05 | Groove Technologies, Inc. | System and Method for Matching Job Candidates to Job Opportunities |
CN106446959A (zh) * | 2016-10-10 | 2017-02-22 | 北京邮电大学 | 一种云计算资源动态匹配方法及装置 |
CN107181820A (zh) * | 2017-06-30 | 2017-09-19 | 南京理工大学 | 移动自组织云中社会利益最大化资源共享方法 |
CN111597254A (zh) * | 2020-04-14 | 2020-08-28 | 口碑(上海)信息技术有限公司 | 资源数据的共享方法、装置及设备 |
KR102154446B1 (ko) * | 2019-11-14 | 2020-09-09 | 한국전자기술연구원 | 분산·협업형 컨테이너 플랫폼 환경에서의 자원 균등 배분을 위한 고속 스케줄링 방법 |
CN112966916A (zh) * | 2021-02-26 | 2021-06-15 | 特斯联科技集团有限公司 | 一种基于深度学习的社区空闲资源分享方法和系统 |
CN114417577A (zh) * | 2021-12-30 | 2022-04-29 | 浙江省科技信息研究院 | 跨平台资源调度与优化控制方法 |
-
2022
- 2022-11-15 CN CN202211420499.2A patent/CN115510331B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030236854A1 (en) * | 2002-06-13 | 2003-12-25 | Shiron Satellite Communication Ltd. | System and method for dynamic allocation of a resource |
JP2006033646A (ja) * | 2004-07-20 | 2006-02-02 | Sony Corp | 情報処理システム及び情報処理方法、並びにコンピュータプログラム |
CN102033909A (zh) * | 2010-11-19 | 2011-04-27 | 南京大学 | 支持弹性云计算平台开发的资源外包方法 |
US20150317607A1 (en) * | 2014-05-05 | 2015-11-05 | Groove Technologies, Inc. | System and Method for Matching Job Candidates to Job Opportunities |
CN106446959A (zh) * | 2016-10-10 | 2017-02-22 | 北京邮电大学 | 一种云计算资源动态匹配方法及装置 |
CN107181820A (zh) * | 2017-06-30 | 2017-09-19 | 南京理工大学 | 移动自组织云中社会利益最大化资源共享方法 |
KR102154446B1 (ko) * | 2019-11-14 | 2020-09-09 | 한국전자기술연구원 | 분산·협업형 컨테이너 플랫폼 환경에서의 자원 균등 배분을 위한 고속 스케줄링 방법 |
CN111597254A (zh) * | 2020-04-14 | 2020-08-28 | 口碑(上海)信息技术有限公司 | 资源数据的共享方法、装置及设备 |
CN112966916A (zh) * | 2021-02-26 | 2021-06-15 | 特斯联科技集团有限公司 | 一种基于深度学习的社区空闲资源分享方法和系统 |
CN114417577A (zh) * | 2021-12-30 | 2022-04-29 | 浙江省科技信息研究院 | 跨平台资源调度与优化控制方法 |
Non-Patent Citations (3)
Title |
---|
QI CHEN ETC.: "Optimal Sharing Strategies of Idle Manufacturing Resource Considering the Effect of Supply-Demand Matching", 《 2019 INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING AND SYSTEMS MANAGEMENT (IESM)》 * |
吴翠: "基于共享平台的供应链闲置资源动态优化配置策略研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
张健: "云制造平台资源服务匹配方法研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738444A (zh) * | 2023-08-15 | 2023-09-12 | 山东省计算中心(国家超级计算济南中心) | 基于夏普利值的数据安全共享平台多方贡献度评估方法 |
CN116738444B (zh) * | 2023-08-15 | 2023-10-31 | 山东省计算中心(国家超级计算济南中心) | 基于夏普利值的数据安全共享平台多方贡献度评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115510331B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073568B (zh) | 关键词提取方法和装置 | |
CN106651057B (zh) | 一种基于安装包序列表的移动端用户年龄预测方法 | |
WO2017097231A1 (zh) | 话题处理方法及装置 | |
US20030225763A1 (en) | Self-improving system and method for classifying pages on the world wide web | |
CN112395506A (zh) | 一种资讯推荐方法、装置、电子设备和存储介质 | |
US8788503B1 (en) | Content identification | |
CN108090216B (zh) | 一种标签预测方法、装置及存储介质 | |
Lancia | T-LAB pathways to thematic analysis | |
WO2022089467A1 (zh) | 视频数据的排序方法、装置、计算机设备和存储介质 | |
CN107832456A (zh) | 一种基于临界值数据划分的并行knn文本分类方法 | |
CN115510331B (zh) | 一种基于闲置量聚合的共享资源匹配方法 | |
CN109063171B (zh) | 基于语义的资源匹配方法 | |
CN112036476A (zh) | 基于二分类业务的数据特征选择方法、装置及计算机设备 | |
CN109960730B (zh) | 一种基于特征扩展的短文本分类方法、装置以及设备 | |
CN113051462A (zh) | 一种多分类模型训练方法、系统及装置 | |
CN107193940A (zh) | 大数据优化分析方法 | |
KR101064256B1 (ko) | 최대 개념강도 인지기법을 이용한 최적의 데이터베이스 선택장치 및 그 방법 | |
CN116243869A (zh) | 数据处理方法、装置及电子设备 | |
CN115687352A (zh) | 一种存储的方法及装置 | |
CN113656575B (zh) | 训练数据的生成方法、装置、电子设备及可读介质 | |
CN113157814B (zh) | 关系数据库下查询驱动的智能工作负载分析方法 | |
CN115018255A (zh) | 一种基于集成学习数据挖掘技术的旅游景区评价信息质量有效性分析方法 | |
CN116842936A (zh) | 关键词识别方法、装置、电子设备和计算机可读存储介质 | |
CN114328937A (zh) | 一种科研机构信息处理方法及装置 | |
CN107103095A (zh) | 基于高性能网络架构的数据计算方法 |
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 |