CN115544385A - 平台推荐方法、电子设备和计算机可读存储介质 - Google Patents
平台推荐方法、电子设备和计算机可读存储介质 Download PDFInfo
- Publication number
- CN115544385A CN115544385A CN202211470690.8A CN202211470690A CN115544385A CN 115544385 A CN115544385 A CN 115544385A CN 202211470690 A CN202211470690 A CN 202211470690A CN 115544385 A CN115544385 A CN 115544385A
- Authority
- CN
- China
- Prior art keywords
- platform
- target
- recommendation
- feature information
- weight
- 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
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种平台推荐方法、电子设备和计算机可读存储介质,该方法包括:将智能方案包含的基础算法作为目标算法,基于多种基础算法在多个类型的平台上运行的历史数据,确定多个参考维度内每个目标算法在多个类型的平台上运行时的初始特征信息;对每个参考维度内每种目标算法与同一平台之间的初始特征信息进行融合,得到每个参考维度内每个平台对应的融合特征信息;对同一平台对应在多个参考维度内的融合特征信息进行融合,得到每个平台对应的目标特征信息;将每个平台对应的目标特征信息输入至推荐模型,得到智能方案对应的目标平台;推荐模型基于历史数据中基础算法与平台的匹配信息训练后获得。上述方案,能够提高平台推荐的效率和准确率。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种平台推荐方法、电子设备和计算机可读存储介质。
背景技术
随着智能化设备的不断发展,智能化设备对应的智能方案对应至少一种目标算法,而不同类型的目标算法对平台的性能需求有一定的差异,而不同的平台所能提供的性能也有所差异,因此,如何推荐与智能方案相匹配的平台愈发得到关注。现有技术中,通常是由开发者根据经验选择平台,或者将当前的智能方案应用到已知的所有平台上分别运行,从而筛选出匹配的平台,但是,基于开发者经验的方式过于依据主观经验会导致部分推荐结果不准确,基于穷举试错的方式会导致平台推荐的效率极低且成本高。有鉴于此,如何提高平台推荐的效率和准确率成为亟待解决的问题。
发明内容
本申请主要解决的技术问题是提供一种平台推荐方法、电子设备和计算机可读存储介质,能够提高平台推荐的效率和准确率。
为解决上述技术问题,本申请第一方面提供一种平台推荐方法,该方法包括:将智能方案包含的基础算法作为目标算法,基于多种所述基础算法在多个类型的平台上运行的历史数据,确定多个参考维度内每个所述目标算法在多个类型的平台上运行时的初始特征信息;对每个所述参考维度内每种所述目标算法与同一所述平台之间的所述初始特征信息进行融合,得到每个所述参考维度内每个所述平台对应的融合特征信息;对同一所述平台对应在多个所述参考维度内的所述融合特征信息进行融合,得到每个所述平台对应的目标特征信息;将每个所述平台对应的所述目标特征信息输入至推荐模型,得到所述智能方案对应的目标平台;其中,所述推荐模型基于所述历史数据中多种所述基础算法与所述平台的匹配信息训练后获得。
为解决上述技术问题,本申请第二方面提供一种电子设备,该电子设备包括:相互耦接的存储器和处理器,其中,所述存储器存储有程序数据,所述处理器调用所述程序数据以执行上述第一方面所述的方法。
为解决上述技术问题,本申请第三方面提供一种计算机可读存储介质,其上存储有程序数据,所述程序数据被处理器执行时实现上述第一方面所述的方法。
上述方案,将智能方案包含的基础算法作为目标算法,从多种基础算法在多个类型的平台上运行的历史数据中,确定多个参考维度内每个目标算法在多个类型的平台上运行时的初始特征信息,在每个参考维度内,对每种目标算法与同一平台之间的所有初始特征信息进行融合,遍历参考维度内的所有平台后,得到每个参考维度内每个平台对应的融合特征信息,从而降低特征维度,对同一平台对应在多个参考维度内的融合特征信息进行融合,得到每个平台对应的目标特征信息,从而兼顾不同参考维度内的融合特征信息提高了目标特征信息的抽象能力,并在转换融合过程中保留了初始特征信息的特点,进而,将每个平台对应的目标特征信息输入至推荐模型,得到智能方案对应的目标平台,其中,推荐模型基于历史数据中多种基础算法与平台的匹配信息训练后获得。故此,在获得一个智能方案对应的所有目标算法后,基于与目标算法相关的历史数据得到初始特征信息,并对初始特征信息进行融合转换后得到目标特征信息,从而利用推荐模型基于目标特征信息对智能方案对应的目标平台做出推荐,提高平台推荐的效率和准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。其中:
图1是本申请平台推荐方法一实施方式的流程示意图;
图2是本申请平台推荐方法另一实施方式的流程示意图;
图3是本申请电子设备一实施方式的结构示意图;
图4是本申请计算机可读存储介质一实施方式的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。此外,本文中的“多”表示两个或者多于两个。
本申请所提供的平台推荐方法用于对智能方案所匹配的平台进行推荐,其中,平台可以与芯片相关也可以与系统版本相关。本申请所提供的平台推荐方法的执行主体为能够调用历史数据的处理器,其中,历史数据包括多种基础算法在多个类型的平台上运行后的数据。
请参阅图1,图1是本申请平台推荐方法一实施方式的流程示意图,该方法包括:
S101:将智能方案包含的基础算法作为目标算法,基于多种基础算法在多个类型的平台上运行的历史数据,确定多个参考维度内每个目标算法在多个类型的平台上运行时的初始特征信息。
具体地,将智能方案包含的基础算法作为目标算法,从多种基础算法在多个类型的平台上运行的历史数据中,确定多个参考维度内每个目标算法在多个类型的平台上运行时的初始特征信息。
在一应用方式中,获得智能方案并确定智能方案中所包含的所有基础算法,将智能方案所包含的基础算法作为目标算法,获得多种基础算法在多个类型的平台上运行的历史数据,从历史数据中基于算法运行时间和算法资源占用至少两个参考维度,挖掘每个目标算法在多个类型的平台上运行时的初始特征信息。
在另一应用方式中,获得智能方案并确定智能方案中所包含的所有基础算法,将智能方案所包含的基础算法作为目标算法,获得多种基础算法在多个类型的平台上运行的历史数据,从历史数据中基于算力占用、内存占用、处理器占用和成本占用至少四个参考维度,挖掘每个目标算法在多个类型的平台上运行时的初始特征信息。
在一具体应用场景中,获得智能方案从智能方案中提取所有基础算法,得到至少一种基础算法作为目标算法,获取所有基础算法在多个类型的平台上运行的历史数据,从历史数据中确定所有目标算法分别在多个类型的平台上运行时多个参考维度内的初始特征信息。上述过程利用公式表示如下:
其中,m表示目标算法的种类,n表示平台的类型,fk表示第k个参考维度,zmn表示第m种目标算法在第n个类型的平台上运行时第k个参考维度内的初始特征信息,F表示所有参考维度内所有特征信息的集合。
S102:对每个参考维度内每种目标算法与同一平台之间的初始特征信息进行融合,得到每个参考维度内每个平台对应的融合特征信息。
具体地,在每个参考维度内,对每种目标算法与同一平台之间的所有初始特征信息进行融合,遍历参考维度内的所有平台后,得到每个参考维度内每个平台对应的融合特征信息,从而降低特征维度。
在一实施方式中,将每个参考维度内每种目标算法与同一平台之间的所有初始特征分别输入至第一融合模型,以使第一融合模型将每种目标算法与同一平台之间的初始特征信息进行融合,得到每个参考维度内每个平台对应的融合特征信息,其中,第一融合模型经过预先训练,用于根据基础算法与平台之间的初始特征信息,筛选至少部分初始特征信息相叠加以得到融合特征信息,从而通过第一融合模型提高特征融合的效率。
在另一实施方式中,对每个参考维度内每种目标算法与同一平台之间的初始特征信息进行加权求和,得到每个参考维度内每个平台对应的融合特征信息。
具体地,在每个参考维度内,对每种目标算法与同一平台之间的所有初始特征信息进行加权求和,从而将每种目标算法与同一平台之间的所有初始特征信息融合至融合特征信息中,并降低获取融合特征信息的难度,遍历参考维度内的所有平台后,得到每个参考维度内每个平台对应的融合特征信息。
在一应用方式中,利用第一权重对每个参考维度内每种目标算法与同一平台之间的初始特征信息进行加权求和,从而在每个参考维度内得到每个平台对应的融合特征信息。其中,第一权重与每种目标算法在同一平台上运行的时间相关。
在另一应用方式中,利用第一权重对每个参考维度内每种目标算法与同一平台之间的初始特征信息进行加权求和,从而在每个参考维度内得到每个平台对应的融合特征信息。其中,第一权重与每种目标算法在同一平台上运行的算力消耗相关。
在一应用场景中,对每个参考维度内每种目标算法与同一平台之间的初始特征信息进行加权求和,得到每个参考维度内每个平台对应的融合特征信息,包括:基于每种目标算法在同一平台上运行的时间以及目标算法在同一平台上运行的总时间,确定同一平台上每种目标算法对应的第一权重;在每个参考维度内遍历所有平台,利用第一权重对每种目标算法与同一平台之间的初始特征信息进行加权求和,得到每个参考维度内每个平台对应的融合特征信息。
具体地,针对每种类型的平台,获得所有目标算法在同一平台上运行的总时间,基于每种目标算法在对应的平台上运行的时间与总时间的比值,得到同一平台上每种目标算法对应的第一权重,针对每个参考维度,遍历参考维度内的所有平台,利用第一权重对每种目标算法与同一平台之间的初始特征信息进行加权求和,得到每个参考维度内每个平台对应的融合特征信息,从而降低融合特征信息的特征维度,同时通过运行时间决定第一权重进行加权求和,保证原有的初始特征信息的特点信息。
可选地,将所有目标算法在当前选择的平台上运行的时间进行累加,得到总时间,将每种目标算法在当前选择的平台上运行的时间与总时间求取比值,得到同一平台上每种目标算法对应的第一权重,从而通过耗时决定第一权重并确保第一权重之和为1,保证原有的初始特征信息的特点信息。
在一具体应用场景中,请再次参阅公式(1),在每个参考维度内遍历n个平台,对所有目标算法在对应的平台内运行时的特征信息进行加权求和,对应在公式(1)中也就是在每个参考维度内依次对每一列的特征信息进行加权求和,从而得到融合特征信息。上述过程利用公式表示如下:
F'= {f1[a1,…,an],f2[b1,…,bn],…,fk[z1,…,zn]} (2)
其中,F'表示所有参考维度内所有融合特征信息的集合,以a1为例,a1=a11*α1+⋯ +am1*αm,其中,α1…αm为第一权重,对应所有目标算法分别与第一种类型的平台之间的第一权重,其中,以αm为例,αm=tm/t total ,tm表示第m种目标算法在对应的平台上运行的时间,t total 表示所有目标算法在对应的平台上运行的总时间。
S103:对同一平台对应在多个参考维度内的融合特征信息进行融合,得到每个平台对应的目标特征信息。
具体地,遍历所有类型的平台,对同一平台对应在多个参考维度内的融合特征信息进行融合,得到每个平台对应的目标特征信息,从而兼顾不同参考维度内的融合特征信息提高了目标特征信息的抽象能力,并在转换融合过程中保留了初始特征信息的特点。
在一实施方式中,将同一平台对应在多个参考维度内的融合特征信息分别输入至第二融合模型,以使第二融合模型将同一平台在不同参考维度内的融合特征信息进行融合,得到每个平台对应的目标特征信息,其中,第二融合模型经过预先训练,用于根据同一平台在不同参考维度内的融合特征信息,筛选至少部分初始特征信息相叠加以得到目标特征信息,从而通过第二融合模型提高特征融合的效率。
在另一实施方式中,对同一平台对应在多个参考维度内的融合特征信息进行加权求和,得到每个平台对应的目标特征信息。
具体地,遍历所有类型的平台,对同一平台对应在多个参考维度内的融合特征信息进行加权求和,从而将同一平台对应在不同参考维度内的所有融合特征信息融合至目标特征信息中,并降低获取目标特征信息的难度,得到每个平台对应的目标特征信息,以兼顾不同参考维度内的融合特征信息提高了目标特征信息的抽象能力,并在转换融合过程中保留了初始特征信息的特点。
在一应用方式中,利用第二权重对同一平台对应在多个参考维度内的融合特征信息进行加权求和,得到每个平台对应的目标特征信息。其中,第二权重与参考维度的类型相关,每个参考维度对应有初始权值,其中,参考维度包括算法运行时间和算法资源占用,算法运行时间对应的初始权值小于算法资源占用对应的初始权值,通过初始权值设置确定不同参考维度对目标特征信息的影响程度。
在另一应用方式中,利用第二权重对同一平台对应在多个参考维度内的融合特征信息进行加权求和,得到每个平台对应的目标特征信息。其中,第二权重与参考维度的类型相关,每个参考维度对应有初始权值,其中,参考维度包括算力占用、内存占用、处理器占用和成本占用,算力占用和内存占用对应的初始权值大于处理器占用和成本占用对应的初始权值,通过初始权值设置,保证了算力、内存等重要参考维度的影响,同时也兼顾了其它参考维度的隐藏特点信息。
在一应用场景中,对同一平台对应在多个参考维度内的融合特征信息进行加权求和,得到每个平台对应的目标特征信息,包括:基于每个参考维度对应的维度类型,确定每个参考维度对应的第二权重;其中,每个维度类型对应有权重区间;遍历所有平台,利用第二权重对同一平台对应在所有参考维度内的融合特征信息进行加权求和,得到每个平台对应的目标特征信息。
具体地,每个参考维度对应有权重区间,不同的维度类型对应有各自的权重区间,每个参考维度对应的第二权重从权重区间中选取,得到每个参考维度对应的第二权重,提取同一平台对应在所有参考维度内的融合特征信息并利用第二权重进行加权求和,得到各个类型的平台对应的目标特征信息,从而提高特征的抽象能力,并在特征转换、融合过程中保存原有的初始特征信息的特点信息。
可选地,维度类型包括算力占用、内存占用、处理器占用和成本占用,算力占用和内存占用对应的权重区间大于处理器占用和成本占用对应的权重区间,通过设置权重区间,保证了算力、内存等重要特征信息的影响,同时也兼顾了其它特征信息的隐藏特点信息,以提高目标特征信息的合理性。其中,算力占用对应算法在平台上运行时的算力消耗,内存占用对应算法在平台上运行时的内存消耗,处理器占用对应算法在平台上运行时的处理器性能消耗,成本占用对应平台对应的芯片等硬件资源的成本支出。
在一具体应用场景中,请再次参阅公式(2),从各个参考维度内提取同一平台对应的融合特征信息,对同一平台对应的融合特征信息进行加权求和得到目标特征信息。上述过程利用公式表示如下:
F''={p1,p2,…,pn} (3)
其中,F''表示所有类型的平台对应的目标特征信息的集合,以p1为例,p1=a1*β1+ ⋯+z1* βk,其中,β1…βk为第二权重,对应每个参考维度分别对应的初始权值。当参考维度包括算力占用、内存占用、处理器占用和成本占用时,算力占用和内存占用对应的权重区间为0.2-0.4,处理器占用和成本占用对应的权重区间为0.1-0.2,且算力占用、内存占用、处理器占用和成本占用对应的所有第二权重之和为1,在其他具体应用场景中,权重区间也可以设置为其他数值,本申请对此不做具体限制。
S104:将每个平台对应的目标特征信息输入至推荐模型,得到智能方案对应的目标平台,其中,推荐模型基于历史数据中多种基础算法与平台的匹配信息训练后获得。
具体地,将所有类型的平台对应的目标特征信息的集合输入至推荐模型,以使推荐模型基于目标特征信息为智能方案对应的平台进行推荐,得到智能方案对应的目标平台。
进一步地,推荐模型基于历史数据中不同的基础算法最终匹配的平台所对应的匹配信息预先训练后获得,目标特征信息基于智能方案包含的基础算法在不同类型平台上运行时的初始特征信息转换后获得,推荐模型在获得所有类型的平台对应的目标特征信息后,基于目标特征信息对智能方案所匹配的平台进行推荐,得到智能方案匹配的目标平台。
在一应用方式中,推荐模型基于所有平台对应的目标特征信息对各个类型的平台与智能方案的匹配度进行评分,将评分最高的平台作为智能方案对应的目标平台。
在另一应用方式中,推荐模型基于所有平台对应的目标特征信息给出智能方案与所有类型的平台之间的推荐值和置信度,在置信度数值处于前三的平台中选择推荐值最高的平台作为智能方案对应的目标平台。
上述方案,将智能方案包含的基础算法作为目标算法,从多种基础算法在多个类型的平台上运行的历史数据中,确定多个参考维度内每个目标算法在多个类型的平台上运行时的初始特征信息,在每个参考维度内,对每种目标算法与同一平台之间的所有初始特征信息进行融合,遍历参考维度内的所有平台后,得到每个参考维度内每个平台对应的融合特征信息,从而降低特征维度,对同一平台对应在多个参考维度内的融合特征信息进行融合,得到每个平台对应的目标特征信息,从而兼顾不同参考维度内的融合特征信息提高了目标特征信息的抽象能力,并在转换融合过程中保留了初始特征信息的特点,进而,将每个平台对应的目标特征信息输入至推荐模型,得到智能方案对应的目标平台,其中,推荐模型基于历史数据中多种基础算法与平台的匹配信息训练后获得。故此,在获得一个智能方案对应的所有目标算法后,基于与目标算法相关的历史数据得到初始特征信息,并对初始特征信息进行融合转换后得到目标特征信息,从而利用推荐模型基于目标特征信息对智能方案对应的目标平台做出推荐,提高平台推荐的效率和准确率。
请参阅图2,图2是本申请平台推荐方法另一实施方式的流程示意图,该方法包括:
S201:将智能方案包含的基础算法作为目标算法,基于多种基础算法在多个类型的平台上运行的历史数据,确定多个参考维度内每个目标算法在多个类型的平台上运行时的初始特征信息。
具体地,获得智能方案并提取智能方案中的所有基础算法作为目标算法,从多种基础算法在多个类型的平台上运行的历史数据,挖掘获取多个参考维度内每个目标算法在多个类型的平台上运行时的初始特征信息,具体可参阅上述实施例,本申请对此不再赘述。
S202:对每个参考维度内每种目标算法与同一平台之间的初始特征信息进行融合,得到每个参考维度内每个平台对应的融合特征信息。
具体地,对每种目标算法与同一平台之间的所有初始特征进行融合,遍历参考维度内的所有平台后,得到每个参考维度内每个平台对应的融合特征信息,具体可参阅上述实施例,本申请对此不再赘述。
S203:对同一平台对应在多个参考维度内的融合特征信息进行融合,得到每个平台对应的目标特征信息。
具体地,遍历所有类型的平台,对同一平台对应在多个参考维度内的融合特征信息进行融合,得到每个平台对应的目标特征信息,具体可参阅上述实施例,本申请对此不再赘述。
S204:将每个平台对应的目标特征信息输入至推荐模型,得到每个分类器输出的推荐平台,其中,推荐模型包括多个分类器。
具体地,推荐模型包括多个分类器,每个分类器均基于历史数据中多种基础算法与平台的匹配信息训练后获得,将每个平台对应的目标特征信息输入至推荐模型后,得到推荐模型中每个分类器分别输出的推荐平台。
在一应用场景中,历史数据中包括不同的算法与其最匹配的平台之间的匹配信息,其中,匹配信息包括S={(s1,p1),…(sj,pi)},其中,(sj,pi)表示第j个任一智能方案中的算法选择了第i个平台落地,S表示不同算法与最合适平台的集合,推荐模型中的所有分类器利用匹配信息进行训练直至所有分类器的损失达到收敛条件,得到推荐模型表示为S={m1,m2,…,mg},其中,mg表示训练出的第g个分类器,当推荐模型得到目标特征信息后,每个分类器输出各自的推荐平台作为初始的推荐结果表示为R={r1,r2,…,rg}。
S205:在所有分类器输出的推荐平台中,确定智能方案对应的目标平台。
具体地,在所有分类器输出的所有推荐平台中,按照预设的规则选择一个推荐平台作为智能方案对应的目标平台,从而提高推荐模型的泛化能力,降低单个分类器的推荐结果不准确所造成的影响,提高整个推荐模型的稳定性和鲁棒性。
在一应用方式中,每个分类器对应有第三权重;在所有分类器输出的推荐平台中,确定智能方案对应的目标平台,包括:将相同类型的推荐平台对应的第三权重相加,得到每个类型的推荐平台对应的推荐权重;将推荐权重最大的推荐平台作为智能方案对应的目标平台。
具体地,每个分类器对应的第三权重对应有初始值,当获得所有分类器输出的推荐平台后,将类型相同的推荐平台所对应的分类器的第三权重相加,得到每个类型的推荐平台的推荐权重,将推荐权重最大的推荐平台作为智能方案对应的目标平台,提高目标平台与智能方案的匹配度。
在一应用场景中,每个分类器对应的初始值默认相同,例如均为0.5,从而为不同的分类器设置相同的初始值,并选择推荐权重最高的推荐平台作为目标平台。
在另一应用场景中,每个分类器对应的初始值与分类器训练阶段的损失值负相关,损失值越大的分类器对应的初始值越大,且初始值在0-1之间,从而为不同的分类器设置不同的初始值,提高目标平台推荐时的精度。
可选地,当存在至少两种类型的平台对应的推荐权值并列最高时,将推荐权值并列最高的推荐平台作为待筛选平台,基于多种目标算法在所有待筛选平台上运行的历史数据,确定多个参考维度内每个目标算法在各个待筛选平台上运行时的初始特征信息,并返回至步骤S202,从而进行重复筛选直至获得推荐权值最高的推荐平台,得到智能方案对应的目标平台。
在一实施方式中,将推荐权重最大的推荐平台作为智能方案对应的目标平台之后,包括:基于目标平台将所有分类器分成第一分类器和第二分类器;其中,第一分类器输出的推荐平台的类型与目标平台的类型相同,第二分类器输出的推荐平台的类型与目标平台的类型不同;将第一分类器对应的第三权重加上预设增量,更新第一分类器对应的第三权重,将第二分类器对应的第三权重减去预设减量,更新第二分类器对应的第三权重;其中,所有分类器的第三权重大于或等于权重最小值,且小于或等于权重最大值。
具体地,将输出的推荐平台与目标平台相同的分类器作为第一分类器,将输出的推荐平台与目标平台不相同的分类器作为第二分类器,为第一分类器的第三权重在当前值的基础上加上预设增量,从而提高推荐结果被采纳的分类器对应的权重,为第二分类器的第三权重在当前值的基础上减去预设减量,从而减小推荐结果未被采纳的分类器对应的权重,提高所有分类器对应的第三权重的合理性,并使得推荐模型中所有分类器能够在应用过程中自适应地调整第三权重,提高推荐权重的准确率从而得到更准确的目标平台。
可以理解的是,第三权重对应有最小值和最大值,任一分类器对应的第三权重在调整过程中不小于最小值不大于最大值。
在一具体应用场景中,第三权重的初始值均为0.5,预设增量和预设减量均为0.1,当分类器所输出的推荐平台与目标平台相同时,为对应的分类器的第三权重的当前值加上0.1,当分类器所输出的推荐平台与目标平台不一致时,为对应的分类器的第三权重的当前值减去0.1,任一分类器对应的第三权重减小至0后不再减小,增加至1后不再增加。
在本实施例中,推荐模型包括多个分类器,基于多个分类器的第三权重进行加权投票,将类型相同的推荐平台对应的第三权重相加,最终输出权重最大的推荐平台作为目标平台,对输出结果与目标平台相同的分类器对应的第三权重,加以权重奖励,而输出结果与目标平台不相同的分类器对应的第三权重,施以权重惩罚,并设定权重浮动区间,降低偶然事件造成的影响,不仅提高了推荐模型的泛化能力,还赋予了模型的动态调整能力,在动态调整中自学习基于不同智能算法解决方案的特点选择最合适的平台。
请参阅图3,图3是本申请电子设备一实施方式的结构示意图,该电子设备30包括相互耦接的存储器301和处理器302,其中,存储器301存储有程序数据(图未示),处理器302调用程序数据以实现上述任一实施例中的基于视频帧的属性分类方法,相关内容的说明请参见上述方法实施例的详细描述,在此不再赘叙。
请参阅图4,图4是本申请计算机可读存储介质一实施方式的结构示意图,该计算机可读存储介质40存储有程序数据400,该程序数据400被处理器执行时实现上述任一实施例中的基于视频帧的属性分类方法,相关内容的说明请参见上述方法实施例的详细描述,在此不再赘叙。
需要说明的是,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施方式方案的目的。
另外,在本申请各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
集成的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取存储介质中。基于这样的理解,本申请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全部或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,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施方式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。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种平台推荐方法,其特征在于,所述方法包括:
将智能方案包含的基础算法作为目标算法,基于多种所述基础算法在多个类型的平台上运行的历史数据,确定多个参考维度内每个所述目标算法在多个类型的平台上运行时的初始特征信息;
对每个所述参考维度内每种所述目标算法与同一所述平台之间的所述初始特征信息进行融合,得到每个所述参考维度内每个所述平台对应的融合特征信息;
对同一所述平台对应在多个所述参考维度内的所述融合特征信息进行融合,得到每个所述平台对应的目标特征信息;
将每个所述平台对应的所述目标特征信息输入至推荐模型,得到所述智能方案对应的目标平台;其中,所述推荐模型基于所述历史数据中多种所述基础算法与所述平台的匹配信息训练后获得。
2.根据权利要求1所述的平台推荐方法,其特征在于,所述对每个所述参考维度内每种所述目标算法与同一所述平台之间的所述初始特征信息进行融合,得到每个所述参考维度内每个所述平台对应的融合特征信息,包括:
对每个所述参考维度内每种所述目标算法与同一所述平台之间的所述初始特征信息进行加权求和,得到每个所述参考维度内每个所述平台对应的融合特征信息。
3.根据权利要求2所述的平台推荐方法,其特征在于,所述对每个所述参考维度内每种所述目标算法与同一所述平台之间的所述初始特征信息进行加权求和,得到每个所述参考维度内每个所述平台对应的融合特征信息,包括:
基于每种目标算法在同一所述平台上运行的时间以及所述目标算法在同一所述平台上运行的总时间,确定同一所述平台上每种所述目标算法对应的第一权重;
在每个所述参考维度内遍历所有所述平台,利用所述第一权重对每种所述目标算法与同一所述平台之间的所述初始特征信息进行加权求和,得到每个所述参考维度内每个所述平台对应的融合特征信息。
4.根据权利要求1所述的平台推荐方法,其特征在于,所述对同一所述平台对应在多个所述参考维度内的所述融合特征信息进行融合,得到每个所述平台对应的目标特征信息,包括:
对同一所述平台对应在多个所述参考维度内的所述融合特征信息进行加权求和,得到每个所述平台对应的目标特征信息。
5.根据权利要求4所述的平台推荐方法,其特征在于,所述对同一所述平台对应在多个所述参考维度内的所述融合特征信息进行加权求和,得到每个所述平台对应的目标特征信息,包括:
基于每个所述参考维度对应的维度类型,确定每个所述参考维度对应的第二权重;其中,每个所述维度类型对应有权重区间;
遍历所有所述平台,利用所述第二权重对同一所述平台对应在所有所述参考维度内的所述融合特征信息进行加权求和,得到每个所述平台对应的目标特征信息;
其中,所述维度类型包括算力占用、内存占用、处理器占用和成本占用,所述算力占用和所述内存占用对应的权重区间大于所述处理器占用和所述成本占用对应的权重区间。
6.根据权利要求1所述的平台推荐方法,其特征在于,所述推荐模型包括多个分类器,所述将每个所述平台对应的所述目标特征信息输入至推荐模型,得到所述智能方案对应的目标平台,包括:
将每个所述平台对应的所述目标特征信息输入至推荐模型,得到每个所述分类器输出的推荐平台;
在所有所述分类器输出的所述推荐平台中,确定所述智能方案对应的所述目标平台。
7.根据权利要求6所述的平台推荐方法,其特征在于,每个所述分类器对应有第三权重;
所述在所有所述分类器输出的所述推荐平台中,确定所述智能方案对应的所述目标平台,包括:
将相同类型的所述推荐平台对应的所述第三权重相加,得到每个类型的所述推荐平台对应的推荐权重;
将所述推荐权重最大的所述推荐平台作为所述智能方案对应的目标平台。
8.根据权利要求7所述的平台推荐方法,其特征在于,所述将所述推荐权重最大的所述推荐平台作为所述智能方案对应的目标平台之后,包括:
基于所述目标平台将所有所述分类器分成第一分类器和第二分类器;其中,所述第一分类器输出的所述推荐平台的类型与所述目标平台的类型相同,所述第二分类器输出的所述推荐平台的类型与所述目标平台的类型不同;
将所述第一分类器对应的第三权重加上预设增量,更新所述第一分类器对应的第三权重,将所述第二分类器对应的第三权重减去预设减量,更新所述第二分类器对应的第三权重;其中,所有所述分类器的第三权重大于或等于权重最小值,且小于或等于权重最大值。
9.一种电子设备,其特征在于,包括:相互耦接的存储器和处理器,其中,所述存储器存储有程序数据,所述处理器调用所述程序数据以执行如权利要求1-8中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有程序数据,其特征在于,所述程序数据被处理器执行时实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211470690.8A CN115544385B (zh) | 2022-11-22 | 2022-11-22 | 平台推荐方法、电子设备和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211470690.8A CN115544385B (zh) | 2022-11-22 | 2022-11-22 | 平台推荐方法、电子设备和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115544385A true CN115544385A (zh) | 2022-12-30 |
CN115544385B CN115544385B (zh) | 2023-04-04 |
Family
ID=84721369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211470690.8A Active CN115544385B (zh) | 2022-11-22 | 2022-11-22 | 平台推荐方法、电子设备和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115544385B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
CN111291266A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技(北京)有限公司 | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
CN113609392A (zh) * | 2021-08-06 | 2021-11-05 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法、待推荐内容确定方法和相关装置 |
CN113626719A (zh) * | 2021-10-12 | 2021-11-09 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备、存储介质及计算机程序产品 |
WO2022161202A1 (zh) * | 2021-01-27 | 2022-08-04 | 腾讯科技(深圳)有限公司 | 多媒体资源分类模型训练方法和多媒体资源推荐方法 |
CN115080836A (zh) * | 2021-03-10 | 2022-09-20 | 腾讯科技(北京)有限公司 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
-
2022
- 2022-11-22 CN CN202211470690.8A patent/CN115544385B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162703A (zh) * | 2019-05-13 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 内容推荐方法、训练方法、装置、设备及存储介质 |
US20210326674A1 (en) * | 2019-05-13 | 2021-10-21 | Tencent Technology (Shenzhen) Company Limited | Content recommendation method and apparatus, device, and storage medium |
CN111291266A (zh) * | 2020-02-13 | 2020-06-16 | 腾讯科技(北京)有限公司 | 基于人工智能的推荐方法、装置、电子设备及存储介质 |
WO2022161202A1 (zh) * | 2021-01-27 | 2022-08-04 | 腾讯科技(深圳)有限公司 | 多媒体资源分类模型训练方法和多媒体资源推荐方法 |
CN115080836A (zh) * | 2021-03-10 | 2022-09-20 | 腾讯科技(北京)有限公司 | 基于人工智能的信息推荐方法、装置、电子设备及存储介质 |
CN113609392A (zh) * | 2021-08-06 | 2021-11-05 | 腾讯科技(深圳)有限公司 | 一种内容推荐方法、待推荐内容确定方法和相关装置 |
CN113626719A (zh) * | 2021-10-12 | 2021-11-09 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置、设备、存储介质及计算机程序产品 |
Non-Patent Citations (1)
Title |
---|
李家浩: "《基于知识图谱的个性化推荐算法研究》", 《CNKI优秀硕士学位论文全文库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115544385B (zh) | 2023-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11755769B2 (en) | Differentially private query budget refunding | |
CN111309983A (zh) | 基于异构图进行业务处理的方法及装置 | |
CN110009486B (zh) | 一种欺诈检测的方法、系统、设备及计算机可读存储介质 | |
CN110490203A (zh) | 图像分割方法及装置、电子设备和计算机可读存储介质 | |
WO2023165271A1 (zh) | 知识图谱的构建、和图计算 | |
CN114359563B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN113807940A (zh) | 信息处理和欺诈行为识别方法、装置、设备及存储介质 | |
CN111275106A (zh) | 对抗样本生成方法、装置及计算机设备 | |
CN115544385B (zh) | 平台推荐方法、电子设备和计算机可读存储介质 | |
CN111553401B (zh) | 一种应用在云服务推荐中基于图模型的QoS预测方法 | |
US20070239553A1 (en) | Collaborative filtering using cluster-based smoothing | |
CN115277264B (zh) | 一种基于联邦学习的字幕生成方法、电子设备及存储介质 | |
CN110969483A (zh) | 一种识别商户位置的方法、装置及电子设备 | |
CN113448876B (zh) | 一种业务测试方法、装置、计算机设备及存储介质 | |
CN115841068A (zh) | 一种针对用户的干预执行方法、装置以及设备 | |
CN113157767B (zh) | 一种风险数据监控方法、装置以及设备 | |
CN114997621A (zh) | 基于信任和意见相似度综合关系的方案筛选方法及系统 | |
CN114092162A (zh) | 推荐质量确定方法、推荐质量确定模型的训练方法及装置 | |
CN114024912A (zh) | 一种基于改造chameleon算法的网络流量应用识别分析方法及系统 | |
CN111783835A (zh) | 一种数据降维方法、装置及系统 | |
CN112381620A (zh) | 产品推荐方法、装置、电子设备及计算机可读存储介质 | |
CN112364258A (zh) | 基于图谱的推荐方法、系统、存储介质及电子设备 | |
CN110264333A (zh) | 一种风险规则确定方法和装置 | |
CN110765345A (zh) | 搜索方法、装置以及设备 | |
CN115391662A (zh) | 一种基于物品属性采样的个性化推荐方法、装置及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |