CN115576999A - 基于云平台的任务数据处理方法、装置、设备及存储介质 - Google Patents
基于云平台的任务数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115576999A CN115576999A CN202211577318.7A CN202211577318A CN115576999A CN 115576999 A CN115576999 A CN 115576999A CN 202211577318 A CN202211577318 A CN 202211577318A CN 115576999 A CN115576999 A CN 115576999A
- Authority
- CN
- China
- Prior art keywords
- task
- data
- target
- characteristic
- task 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
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- 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)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大数据领域,公开了一种基于云平台的任务数据处理方法、装置、设备及存储介质,用于提高任务数据处理的准确率。所述方法包括:根据第一任务搜索方案,对目标请求进行任务数据搜索,得到目标任务数据;将目标任务数据输入第一任务数据分析模型进行任务特征分析,得到第一分析结果;将目标任务数据输入第二任务数据分析模型进行任务状态分析,得到第二分析结果;对第一分析结果和第二分析结果进行结果特征融合,生成任务特征集合;对任务特征集合进行特征分布提取,得到目标特征分布;根据目标特征分布对第一任务搜索方案进行搜索方案优化,得到第二任务搜索方案,并根据第二任务搜索方案对目标请求进行下一轮任务数据搜索。
Description
技术领域
本发明涉及大数据领域,尤其涉及一种基于云平台的任务数据处理方法、装置、设备及存储介质。
背景技术
云平台作为一种新型的商业服务模式,正在逐渐成为计算机产业的重要发展方向,越来越受到研究人员和大众的关注。云平台在执行数据搜索任务时可以大幅提高数据搜索的准确率和效率。
现有方案中没有对搜索到的任务数据进行全面的分析,进而导致任务数据不完整,即现有方案的任务搜索准确率较低。
发明内容
本发明提供了一种基于云平台的任务数据处理方法、装置、设备及存储介质,用于提高任务数据处理的准确率。
本发明第一方面提供了一种基于云平台的任务数据处理方法,所述基于云平台的任务数据处理方法包括:根据预置的第一任务搜索方案,对目标请求进行任务数据搜索,得到所述目标请求对应的目标任务数据;对所述目标任务数据进行任务数据拆分,得到多个子任务数据,并将所述多个子任务数据输入预置的第一任务数据分析模型进行任务特征分析,得到第一分析结果;对所述目标任务数据进行任务属性提取,得到属性数据,并将所述属性数据输入预置的第二任务数据分析模型进行任务状态分析,得到第二分析结果;分别提取所述第一分析结果和所述第二分析结果对应的多个第一特征值和多个第二特征值,并根据所述多个第一特征值和所述多个第二特征值对所述第一分析结果和所述第二分析结果进行结果特征融合,生成所述目标任务数据对应的任务特征集合;获取所述第一任务搜索方案对应的权重数据,并根据所述权重数据对所述任务特征集合进行特征分布提取,得到目标特征分布;根据所述目标特征分布对所述第一任务搜索方案进行搜索方案优化,得到第二任务搜索方案,并根据所述第二任务搜索方案对所述目标请求进行下一轮任务数据搜索。
结合第一方面,在本发明第一方面的第一实施方式中,所述对所述目标任务数据进行任务数据拆分,得到多个子任务数据,并将所述多个子任务数据输入预置的第一任务数据分析模型进行任务特征分析,得到第一分析结果,包括:对所述目标任务数据进行任务数据拆分,得到多个子任务数据;调用预置的第一任务数据分析模型分别对所述多个子任务数据进行任务特征识别,得到每个子任务数据对应的子任务特征;对每个子任务数据对应的子任务特征进行特征合并,得到初始任务特征;对所述初始任务特征进行标准结果映射,得到第一分析结果。
结合第一方面,在本发明第一方面的第二实施方式中,所述对所述目标任务数据进行任务属性提取,得到属性数据,并将所述属性数据输入预置的第二任务数据分析模型进行任务状态分析,得到第二分析结果,包括:对所述目标任务数据进行任务属性提取,得到所述目标任务数据对应的属性数据;将所述属性数据输入预置的第二任务数据分析模型,并通过所述第二任务数据分析模型对所述属性数据进行属性特征提取,得到目标属性特征;对所述目标属性特征进行任务状态匹配,得到第二分析结果。
结合第一方面,在本发明第一方面的第三实施方式中,所述分别提取所述第一分析结果和所述第二分析结果对应的多个第一特征值和多个第二特征值,并根据所述多个第一特征值和所述多个第二特征值对所述第一分析结果和所述第二分析结果进行结果特征融合,生成所述目标任务数据对应的任务特征集合,包括:对所述第一分析结果进行特征值映射,得到多个第一特征值,并对所述第二分析结果进行特征值转换,得到多个第二特征值;计算所述多个第一特征值的平均值,得到第一目标均值,并计算所述多个第二特征值的平均值,得到第二目标均值;对所述多个第一特征值和所述第一目标均值进行比较,得到第一比较结果,并根据所述第一比较结果生成第一特征异常值;对所述多个第二特征值和所述第二目标均值进行比较,得到第二比较结果,并根据所述第二比较结果生成第二特征异常值;将所述第一特征异常值和所述第二特征异常值作为集合元素,并根据所述集合元素生成任务特征集合。
结合第一方面,在本发明第一方面的第四实施方式中,所述获取所述第一任务搜索方案对应的权重数据,并根据所述权重数据对所述任务特征集合进行特征分布提取,得到目标特征分布,包括:获取所述第一任务搜索方案对应的权重数据;根据所述权重数据构建所述任务特征集合对应的特征分布曲线;对所述特征分布曲线进行特征比对,得到特征比对结果;对所述特征比对结果进行特征元素分布检测,得到目标特征分布。
结合第一方面,在本发明第一方面的第五实施方式中,所述根据所述目标特征分布对所述第一任务搜索方案进行搜索方案优化,得到第二任务搜索方案,并根据所述第二任务搜索方案对所述目标请求进行下一轮任务数据搜索,包括:根据所述目标特征分布对所述第一任务搜索方案进行概率预测,得到概率预测值;对所述概率预测值进行任务搜索方案查询,得到目标任务搜索方案;根据所述目标任务搜索方案对所述第一任务搜索方案进行投放方案改进,得到第二任务搜索方案;根据所述第二任务搜索方案,对所述目标请求进行下一轮任务数据搜索。
结合第一方面,在本发明第一方面的第六实施方式中,所述基于云平台的任务数据处理方法还包括:将所述目标特征分布输入预置的分布预测模型,通过所述分布预测模型计算所述目标特征分布对应的目标概率值;根据所述目标概率值对所述目标任务数据进行异常类型匹配,得到所述目标任务数据对应的异常类型。
本发明第二方面提供了一种基于云平台的任务数据处理装置,所述基于云平台的任务数据处理装置包括:
搜索模块,用于根据预置的第一任务搜索方案,对目标请求进行任务数据搜索,得到所述目标请求对应的目标任务数据;
分析模块,用于对所述目标任务数据进行任务数据拆分,得到多个子任务数据,并将所述多个子任务数据输入预置的第一任务数据分析模型进行任务特征分析,得到第一分析结果;
提取模块,用于对所述目标任务数据进行任务属性提取,得到属性数据,并将所述属性数据输入预置的第二任务数据分析模型进行任务状态分析,得到第二分析结果;
融合模块,用于分别提取所述第一分析结果和所述第二分析结果对应的多个第一特征值和多个第二特征值,并根据所述多个第一特征值和所述多个第二特征值对所述第一分析结果和所述第二分析结果进行结果特征融合,生成所述目标任务数据对应的任务特征集合;
处理模块,用于获取所述第一任务搜索方案对应的权重数据,并根据所述权重数据对所述任务特征集合进行特征分布提取,得到目标特征分布;
优化模块,用于根据所述目标特征分布对所述第一任务搜索方案进行搜索方案优化,得到第二任务搜索方案,并根据所述第二任务搜索方案对所述目标请求进行下一轮任务数据搜索。
结合第二方面,在本发明第二方面的第一实施方式中,所述分析模块具体用于:对所述目标任务数据进行任务数据拆分,得到多个子任务数据;调用预置的第一任务数据分析模型分别对所述多个子任务数据进行任务特征识别,得到每个子任务数据对应的子任务特征;对每个子任务数据对应的子任务特征进行特征合并,得到初始任务特征;对所述初始任务特征进行标准结果映射,得到第一分析结果。
结合第二方面,在本发明第二方面的第二实施方式中,所述提取模块具体用于:对所述目标任务数据进行任务属性提取,得到所述目标任务数据对应的属性数据;将所述属性数据输入预置的第二任务数据分析模型,并通过所述第二任务数据分析模型对所述属性数据进行属性特征提取,得到目标属性特征;对所述目标属性特征进行任务状态匹配,得到第二分析结果。
结合第二方面,在本发明第二方面的第三实施方式中,所述融合模块具体用于:对所述第一分析结果进行特征值映射,得到多个第一特征值,并对所述第二分析结果进行特征值转换,得到多个第二特征值;计算所述多个第一特征值的平均值,得到第一目标均值,并计算所述多个第二特征值的平均值,得到第二目标均值;对所述多个第一特征值和所述第一目标均值进行比较,得到第一比较结果,并根据所述第一比较结果生成第一特征异常值;对所述多个第二特征值和所述第二目标均值进行比较,得到第二比较结果,并根据所述第二比较结果生成第二特征异常值;将所述第一特征异常值和所述第二特征异常值作为集合元素,并根据所述集合元素生成任务特征集合。
结合第二方面,在本发明第二方面的第四实施方式中,所述处理模块具体用于:获取所述第一任务搜索方案对应的权重数据;根据所述权重数据构建所述任务特征集合对应的特征分布曲线;对所述特征分布曲线进行特征比对,得到特征比对结果;对所述特征比对结果进行特征元素分布检测,得到目标特征分布。
结合第二方面,在本发明第二方面的第五实施方式中,所述优化模块具体用于:根据所述目标特征分布对所述第一任务搜索方案进行概率预测,得到概率预测值;对所述概率预测值进行任务搜索方案查询,得到目标任务搜索方案;根据所述目标任务搜索方案对所述第一任务搜索方案进行投放方案改进,得到第二任务搜索方案;根据所述第二任务搜索方案,对所述目标请求进行下一轮任务数据搜索。
结合第二方面,在本发明第二方面的第六实施方式中,所述基于云平台的任务数据处理装置还包括:匹配模块,用于将所述目标特征分布输入预置的分布预测模型,通过所述分布预测模型计算所述目标特征分布对应的目标概率值;根据所述目标概率值对所述目标任务数据进行异常类型匹配,得到所述目标任务数据对应的异常类型。
本发明第三方面提供了一种基于云平台的任务数据处理设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于云平台的任务数据处理设备执行上述的基于云平台的任务数据处理方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于云平台的任务数据处理方法。
本发明提供的技术方案中,根据第一任务搜索方案,对目标请求进行任务数据搜索,得到目标任务数据;将目标任务数据输入第一任务数据分析模型进行任务特征分析,得到第一分析结果;将目标任务数据输入第二任务数据分析模型进行任务状态分析,得到第二分析结果;对第一分析结果和第二分析结果进行结果特征融合,生成任务特征集合;对任务特征集合进行特征分布提取,得到目标特征分布;根据目标特征分布对第一任务搜索方案进行搜索方案优化,得到第二任务搜索方案,并根据第二任务搜索方案对目标请求进行下一轮任务数据搜索,本发明通过对目标任务数据进行任务状态分析和任务特征分析,使得对目标任务数据的搜索方案优化更加准确,再根据第二任务搜索方案对目标请求进行下一轮任务数据搜索,提高了任务数据搜索的准确率。
附图说明
图1为本发明实施例中基于云平台的任务数据处理方法的一个实施例示意图;
图2为本发明实施例中对目标任务数据进行任务属性提取的流程图;
图3为本发明实施例中对第一分析结果和第二分析结果进行结果特征融合的流程图;
图4为本发明实施例中根据权重数据对任务特征集合进行特征分布提取的流程图;
图5为本发明实施例中基于云平台的任务数据处理装置的一个实施例示意图;
图6为本发明实施例中基于云平台的任务数据处理装置的另一个实施例示意图;
图7为本发明实施例中基于云平台的任务数据处理设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于云平台的任务数据处理方法、装置、设备及存储介质,用于提高任务数据处理的准确率。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”、“第三”、“第四”等(如果存在)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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中基于云平台的任务数据处理方法的一个实施例包括:
S101、根据预置的第一任务搜索方案,对目标请求进行任务数据搜索,得到目标请求对应的目标任务数据;
可以理解的是,本发明的执行主体可以为基于云平台的任务数据处理装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器在进行任务数据搜索时,首先根据任务搜索数据接口获取任务文件对应的数据所在的存储路径,然后根据搜索条件和存储路径搜索存储内符合搜索条件的数据,得到目标请求对应的目标任务数据。
S102、对目标任务数据进行任务数据拆分,得到多个子任务数据,并将多个子任务数据输入预置的第一任务数据分析模型进行任务特征分析,得到第一分析结果;
具体的,服务器获取目标任务数据对应数据库的数据库配置信息,该数据库配置信息包括数据访问权限及数据量信息,根据数据库配置信息划分数据库资源,同时根据划分后的数据库资源对目标任务数据进行数据拆分,得到多个子任务数据,进一步的,服务器将多个子任务数据输入第一任务数据分析模型进行任务特征分析,得到第一分析结果。
其中,在进行任务特征分析时,基于第一任务数据分析模型,服务器根据预设运算规则和预设特征库中对应的分解文件数据对多个子任务数据进行分析,得到第一分析结果。
S103、对目标任务数据进行任务属性提取,得到属性数据,并将属性数据输入预置的第二任务数据分析模型进行任务状态分析,得到第二分析结果;
需要说明的是,读取任务属性,根据任务属性中的数据类型,对目标任务数据进行任务属性提取,读取分类得到的数据中的主分类列表,获取目标任务数据中文件的数据标识信息,根据数据标识信息获取数据中的属性数据,进一步的,服务器将属性数据输入预置的第二任务数据分析模型进行任务状态分析,得到第二分析结果。
其中,在进行任务状态分析时,利用预设的第二任务数据分析模型,对当前任务状态进行归因分析,确定任务状态事件,得到该任务状态事件对应的任务状态原因类别,根据任务状态事件及其原因类别,利用第二任务数据分析模型,生成得到第二分析结果。
S104、分别提取第一分析结果和第二分析结果对应的多个第一特征值和多个第二特征值,并根据多个第一特征值和多个第二特征值对第一分析结果和第二分析结果进行结果特征融合,生成目标任务数据对应的任务特征集合;
具体的,按照预设的时间区间,查询第一分析结果和第二分析结果的特征提取状态,并根据获取到的特征状态分别提取第一分析结果和第二分析结果对应的多个第一特征值和多个第二特征值,并根据多个第一特征值和多个第二特征值对第一分析结果和第二分析结果进行结果特征融合,生成目标任务数据对应的任务特征集合。
其中,在进行结果特征融合时,对第一分析结果和第二分析结果进行特征值分解提取特征值子空间,并选取最大的特征值和其对应的特征向量,其余特征值在保证第一分析结果和第二分析结果迹不变的情况下取相同值,将矩阵的求逆运算简化为向量的乘法运算,生成目标任务数据对应的任务特征集合。
S105、获取第一任务搜索方案对应的权重数据,并根据权重数据对任务特征集合进行特征分布提取,得到目标特征分布;
具体的,对第一任务搜索方案提取连续的关键词ID,将关键词ID转为特征矩阵,并通过预置的权重信息数据库进行权重分析,得到与该关键词ID及特征矩阵对应的权重数据,进一步的,服务器根据该权重数据对任务特征集合进行特征分布提取,得到目标特征分布。
S106、根据目标特征分布对第一任务搜索方案进行搜索方案优化,得到第二任务搜索方案,并根据第二任务搜索方案对目标请求进行下一轮任务数据搜索。
具体的,根据目标特征分布的相关分布结果集合,确定当前搜索方案对应的至少一个候选优化方案,相关分布结果集合中包括多个相关搜索结果,根据目标优化方案,对第一任务搜索方案进行搜索方案优化,得到第二任务搜索方案,并根据第二任务搜索方案对目标请求进行下一轮任务数据搜索。
本发明实施例中,根据第一任务搜索方案,对目标请求进行任务数据搜索,得到目标任务数据;将目标任务数据输入第一任务数据分析模型进行任务特征分析,得到第一分析结果;将目标任务数据输入第二任务数据分析模型进行任务状态分析,得到第二分析结果;对第一分析结果和第二分析结果进行结果特征融合,生成任务特征集合;对任务特征集合进行特征分布提取,得到目标特征分布;根据目标特征分布对第一任务搜索方案进行搜索方案优化,得到第二任务搜索方案,并根据第二任务搜索方案对目标请求进行下一轮任务数据搜索,本发明通过对目标任务数据进行任务状态分析和任务特征分析,使得对目标任务数据的搜索方案优化更加准确,再根据第二任务搜索方案对目标请求进行下一轮任务数据搜索,提高了任务数据搜索的准确率。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)对目标任务数据进行任务数据拆分,得到多个子任务数据;
(2)调用预置的第一任务数据分析模型分别对多个子任务数据进行任务特征识别,得到每个子任务数据对应的子任务特征;
(3)对每个子任务数据对应的子任务特征进行特征合并,得到初始任务特征;
(4)对初始任务特征进行标准结果映射,得到第一分析结果。
具体的,服务器判断目标任务数据的数据源的类型,若数据源是关系数据库,则根据目标任务数据的类型选择相应的查询语句,解析查询语句,根据解析结果判定查询语句的复杂度,若复杂度满足预设条件,则查询目标任务数据的数据量,根据目标任务数据的数据量,从预设的拆分策略中选取对应的拆分策略,预设的拆分策略包括分页拆分策略、主键字段拆分策略和不拆分策略;根据选取的拆分策略对当前任务进行拆分,得到多个子任务数据,调用预置的第一任务数据分析模型分别对多个子任务数据进行任务特征识别,得到每个子任务数据对应的子任务特征,获取每个子任务数据对应的子任务特征,确定预定子任务特征以及待更新任务,在每个子任务数据对应的子任务特征未合并的子任务特征中,根据与待更新任务的相对位置,确定第一集合,在第一集合中确定第一子集合以及第二子集合,确定第二子集合中是否存在具有结构划分语义的划分子任务特征,在不存在划分子任务特征时,将第一子集合中的子任务特征与预定子任务特征进行合并,得到初始任务特征,对初始任务特征进行标准结果映射,得到第一分析结果。
在一具体实施例中,如图2所示,执行步骤S103的过程可以具体包括如下步骤:
S201、对目标任务数据进行任务属性提取,得到目标任务数据对应的属性数据;
S202、将属性数据输入预置的第二任务数据分析模型,并通过第二任务数据分析模型对属性数据进行属性特征提取,得到目标属性特征;
S203、对目标属性特征进行任务状态匹配,得到第二分析结果。
具体的,服务器对目标任务数据进行预处理,通过预置的多任务卷积神经网络模型对预处理后的目标任务数据提取出属性特征和数据全局特征,将属性数据输入预置的第二任务数据分析模型,并通过第二任务数据分析模型对属性数据进行属性特征提取,得到目标属性特征,对目标属性特征进行任务状态匹配,得到第二分析结果。
在一具体实施例中,如图3所示,执行步骤S104的过程可以具体包括如下步骤:
S301、对第一分析结果进行特征值映射,得到多个第一特征值,并对第二分析结果进行特征值转换,得到多个第二特征值;
S302、计算多个第一特征值的平均值,得到第一目标均值,并计算多个第二特征值的平均值,得到第二目标均值;
S303、对多个第一特征值和第一目标均值进行比较,得到第一比较结果,并根据第一比较结果生成第一特征异常值;
S304、对多个第二特征值和第二目标均值进行比较,得到第二比较结果,并根据第二比较结果生成第二特征异常值;
S305、将第一特征异常值和第二特征异常值作为集合元素,并根据集合元素生成任务特征集合。
具体的,服务器对第一分析结果进行特征值映射,得到多个第一特征值,并对第二分析结果进行特征值转换,得到多个第二特征值,其中,服务器提取分析结果的多个数据特征值,对多个数据特征值进行分箱,得到多个分箱数据序列,根据分箱数据序列计算数据特征值的特征插值,当数据特征值中不存在缺失值时,则将特征插值及分箱区间边界值分别进行特征映射,得到分析结果的映射数据,当数据特征值中存在缺失值时,则将缺失值、特征插值和分箱区间边界值分别进行特征映射,得到分析结果的映射数据,计算多个第一特征值的平均值,得到第一目标均值,并计算多个第二特征值的平均值,得到第二目标均值,对多个第一特征值和第一目标均值进行比较,得到第一比较结果,并根据第一比较结果生成第一特征异常值,对多个第二特征值和第二目标均值进行比较,得到第二比较结果,并根据第二比较结果生成第二特征异常值;
进一步的,服务器将第一特征异常值和第二特征异常值作为集合元素,并根据集合元素生成任务特征集合,其中,识别特征异常值中的包含一个或多个子值的集合类元素,检查集合类元素中的各子元素是否符合集合类元素的集合属性,以及输出检查的结果,最终根据检查结果生成任务特征集。
在一具体实施例中,如图4所示,执行步骤S105的过程可以具体包括如下步骤:
S401、获取第一任务搜索方案对应的权重数据;
S402、根据权重数据构建任务特征集合对应的特征分布曲线;
S403、对特征分布曲线进行特征比对,得到特征比对结果;
S404、对特征比对结果进行特征元素分布检测,得到目标特征分布。
具体的,服务器获取第一任务搜索方案中的指标的指标数据,确定每个模板任务搜索方案的正向性,确定指标的大小对评价结果的影响,对各项指标数据进行标准化,获取第一任务搜索方案对应的权重数据,进一步的,服务器根据权重数据构建任务特征集合对应的特征分布曲线,进而服务器对特征分布曲线提取数据特征码,按照数据特征码生成特征码文件,比对与模板特征码文件是否一致,得到特征比对结果,最终服务器对特征比对结果进行特征元素分布检测,得到目标特征分布。
其中,在服务器进行特征元素分布检测时,根据设定的元素分布轨迹上的每个分析点的元素特征谱线,进而服务器根据该元素特征谱线进行分布检测,得到目标特征分布。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)根据目标特征分布对第一任务搜索方案进行概率预测,得到概率预测值;
(2)对概率预测值进行任务搜索方案查询,得到目标任务搜索方案;
(3)根据目标任务搜索方案对第一任务搜索方案进行投放方案改进,得到第二任务搜索方案;
(4)根据第二任务搜索方案,对目标请求进行下一轮任务数据搜索。
具体的,服务器获取第一任务搜索方案的目标特征分布,将目标特征分布输入至预设概率预测模型中进行概率预测,得到第一任务搜索方案对应的多个概率,并对该多个概率进行筛选,得到概率预测值,进一步的,服务器对概率预测值进行任务搜索方案查询,得到目标任务搜索方,根据目标任务搜索方案对第一任务搜索方案进行投放方案改进,得到第二任务搜索方案,根据第二任务搜索方案,对目标请求进行下一轮任务数据搜索。
在一具体实施例中,基于云平台的任务数据处理方法还包括如下步骤:
(1)将目标特征分布输入预置的分布预测模型,通过分布预测模型计算目标特征分布对应的目标概率值;
(2)根据目标概率值对目标任务数据进行异常类型匹配,得到目标任务数据对应的异常类型。
具体的,将目标特征分布输入预置的分布预测模型,通过分布预测模型计算目标特征分布对应的目标概率值,其中,服务器通过获取目标特征分布,基于给定的预测时间段统计目标特征分布的元素特征,并基于元素特征统计任意两个分布元素的概率分布信息,进一步的,服务器根据该概率分布信息对目标特征分布对应的概率值进行计算,得到目标概率值。进一步的,服务器根据该目标概率值对目标任务数据进行异常类型匹配,在进行异常类型匹配时,服务器对该目标概率值进行数值分析,判断该目标概率值是否满足预设的阈值要求,得到对应的阈值分析结果,最终服务器根据该阈值分析结果进行异常类型匹配,得到目标任务数据对应的异常类型。
上面对本发明实施例中基于云平台的任务数据处理方法进行了描述,下面对本发明实施例中基于云平台的任务数据处理装置进行描述,请参阅图5,本发明实施例中基于云平台的任务数据处理装置一个实施例包括:
搜索模块501,用于根据预置的第一任务搜索方案,对目标请求进行任务数据搜索,得到所述目标请求对应的目标任务数据;
分析模块502,用于对所述目标任务数据进行任务数据拆分,得到多个子任务数据,并将所述多个子任务数据输入预置的第一任务数据分析模型进行任务特征分析,得到第一分析结果;
提取模块503,用于对所述目标任务数据进行任务属性提取,得到属性数据,并将所述属性数据输入预置的第二任务数据分析模型进行任务状态分析,得到第二分析结果;
融合模块504,用于分别提取所述第一分析结果和所述第二分析结果对应的多个第一特征值和多个第二特征值,并根据所述多个第一特征值和所述多个第二特征值对所述第一分析结果和所述第二分析结果进行结果特征融合,生成所述目标任务数据对应的任务特征集合;
处理模块505,用于获取所述第一任务搜索方案对应的权重数据,并根据所述权重数据对所述任务特征集合进行特征分布提取,得到目标特征分布;
优化模块506,用于根据所述目标特征分布对所述第一任务搜索方案进行搜索方案优化,得到第二任务搜索方案,并根据所述第二任务搜索方案对所述目标请求进行下一轮任务数据搜索。
通过上述各个组成部分的协同合作,根据第一任务搜索方案,对目标请求进行任务数据搜索,得到目标任务数据;将目标任务数据输入第一任务数据分析模型进行任务特征分析,得到第一分析结果;将目标任务数据输入第二任务数据分析模型进行任务状态分析,得到第二分析结果;对第一分析结果和第二分析结果进行结果特征融合,生成任务特征集合;对任务特征集合进行特征分布提取,得到目标特征分布;根据目标特征分布对第一任务搜索方案进行搜索方案优化,得到第二任务搜索方案,并根据第二任务搜索方案对目标请求进行下一轮任务数据搜索,本发明通过对目标任务数据进行任务状态分析和任务特征分析,使得对目标任务数据的搜索方案优化更加准确,再根据第二任务搜索方案对目标请求进行下一轮任务数据搜索,提高了任务数据搜索的准确率。
请参阅图6,本发明实施例中基于云平台的任务数据处理装置另一个实施例包括:
搜索模块501,用于根据预置的第一任务搜索方案,对目标请求进行任务数据搜索,得到所述目标请求对应的目标任务数据;
分析模块502,用于对所述目标任务数据进行任务数据拆分,得到多个子任务数据,并将所述多个子任务数据输入预置的第一任务数据分析模型进行任务特征分析,得到第一分析结果;
提取模块503,用于对所述目标任务数据进行任务属性提取,得到属性数据,并将所述属性数据输入预置的第二任务数据分析模型进行任务状态分析,得到第二分析结果;
融合模块504,用于分别提取所述第一分析结果和所述第二分析结果对应的多个第一特征值和多个第二特征值,并根据所述多个第一特征值和所述多个第二特征值对所述第一分析结果和所述第二分析结果进行结果特征融合,生成所述目标任务数据对应的任务特征集合;
处理模块505,用于获取所述第一任务搜索方案对应的权重数据,并根据所述权重数据对所述任务特征集合进行特征分布提取,得到目标特征分布;
优化模块506,用于根据所述目标特征分布对所述第一任务搜索方案进行搜索方案优化,得到第二任务搜索方案,并根据所述第二任务搜索方案对所述目标请求进行下一轮任务数据搜索。
可选的,所述提取模块503具体用于:对所述目标任务数据进行任务属性提取,得到所述目标任务数据对应的属性数据;将所述属性数据输入预置的第二任务数据分析模型,并通过所述第二任务数据分析模型对所述属性数据进行属性特征提取,得到目标属性特征;对所述目标属性特征进行任务状态匹配,得到第二分析结果。
可选的,所述融合模块504具体用于:对所述第一分析结果进行特征值映射,得到多个第一特征值,并对所述第二分析结果进行特征值转换,得到多个第二特征值;计算所述多个第一特征值的平均值,得到第一目标均值,并计算所述多个第二特征值的平均值,得到第二目标均值;对所述多个第一特征值和所述第一目标均值进行比较,得到第一比较结果,并根据所述第一比较结果生成第一特征异常值;对所述多个第二特征值和所述第二目标均值进行比较,得到第二比较结果,并根据所述第二比较结果生成第二特征异常值;将所述第一特征异常值和所述第二特征异常值作为集合元素,并根据所述集合元素生成任务特征集合。
可选的,所述处理模块505具体用于:获取所述第一任务搜索方案对应的权重数据;根据所述权重数据构建所述任务特征集合对应的特征分布曲线;对所述特征分布曲线进行特征比对,得到特征比对结果;对所述特征比对结果进行特征元素分布检测,得到目标特征分布。
可选的,所述优化模块506具体用于:根据所述目标特征分布对所述第一任务搜索方案进行概率预测,得到概率预测值;对所述概率预测值进行任务搜索方案查询,得到目标任务搜索方案;根据所述目标任务搜索方案对所述第一任务搜索方案进行投放方案改进,得到第二任务搜索方案;根据所述第二任务搜索方案,对所述目标请求进行下一轮任务数据搜索。
可选的,所述基于云平台的任务数据处理装置还包括:
匹配模块507,用于将所述目标特征分布输入预置的分布预测模型,通过所述分布预测模型计算所述目标特征分布对应的目标概率值;根据所述目标概率值对所述目标任务数据进行异常类型匹配,得到所述目标任务数据对应的异常类型。
本发明实施例中,根据第一任务搜索方案,对目标请求进行任务数据搜索,得到目标任务数据;将目标任务数据输入第一任务数据分析模型进行任务特征分析,得到第一分析结果;将目标任务数据输入第二任务数据分析模型进行任务状态分析,得到第二分析结果;对第一分析结果和第二分析结果进行结果特征融合,生成任务特征集合;对任务特征集合进行特征分布提取,得到目标特征分布;根据目标特征分布对第一任务搜索方案进行搜索方案优化,得到第二任务搜索方案,并根据第二任务搜索方案对目标请求进行下一轮任务数据搜索,本发明通过对目标任务数据进行任务状态分析和任务特征分析,使得对目标任务数据的搜索方案优化更加准确,再根据第二任务搜索方案对目标请求进行下一轮任务数据搜索,提高了任务数据搜索的准确率。
上面图5和图6从模块化功能实体的角度对本发明实施例中的基于云平台的任务数据处理装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于云平台的任务数据处理设备进行详细描述。
图7是本发明实施例提供的一种基于云平台的任务数据处理设备的结构示意图,该基于云平台的任务数据处理设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对基于云平台的任务数据处理设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在基于云平台的任务数据处理设备600上执行存储介质630中的一系列指令操作。
基于云平台的任务数据处理设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无目标特征分布络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图7示出的基于云平台的任务数据处理设备结构并不构成对基于云平台的任务数据处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种基于云平台的任务数据处理设备,所述基于云平台的任务数据处理设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述基于云平台的任务数据处理方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述基于云平台的任务数据处理方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述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)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(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于云平台的任务数据处理方法,其特征在于,所述基于云平台的任务数据处理方法包括:
根据预置的第一任务搜索方案,对目标请求进行任务数据搜索,得到所述目标请求对应的目标任务数据;
对所述目标任务数据进行任务数据拆分,得到多个子任务数据,并将所述多个子任务数据输入预置的第一任务数据分析模型进行任务特征分析,得到第一分析结果;
对所述目标任务数据进行任务属性提取,得到属性数据,并将所述属性数据输入预置的第二任务数据分析模型进行任务状态分析,得到第二分析结果;
分别提取所述第一分析结果和所述第二分析结果对应的多个第一特征值和多个第二特征值,并根据所述多个第一特征值和所述多个第二特征值对所述第一分析结果和所述第二分析结果进行结果特征融合,生成所述目标任务数据对应的任务特征集合;
获取所述第一任务搜索方案对应的权重数据,并根据所述权重数据对所述任务特征集合进行特征分布提取,得到目标特征分布;
根据所述目标特征分布对所述第一任务搜索方案进行搜索方案优化,得到第二任务搜索方案,并根据所述第二任务搜索方案对所述目标请求进行下一轮任务数据搜索。
2.根据权利要求1所述的基于云平台的任务数据处理方法,其特征在于,所述对所述目标任务数据进行任务数据拆分,得到多个子任务数据,并将所述多个子任务数据输入预置的第一任务数据分析模型进行任务特征分析,得到第一分析结果,包括:
对所述目标任务数据进行任务数据拆分,得到多个子任务数据;
调用预置的第一任务数据分析模型分别对所述多个子任务数据进行任务特征识别,得到每个子任务数据对应的子任务特征;
对每个子任务数据对应的子任务特征进行特征合并,得到初始任务特征;
对所述初始任务特征进行标准结果映射,得到第一分析结果。
3.根据权利要求1所述的基于云平台的任务数据处理方法,其特征在于,所述对所述目标任务数据进行任务属性提取,得到属性数据,并将所述属性数据输入预置的第二任务数据分析模型进行任务状态分析,得到第二分析结果,包括:
对所述目标任务数据进行任务属性提取,得到所述目标任务数据对应的属性数据;
将所述属性数据输入预置的第二任务数据分析模型,并通过所述第二任务数据分析模型对所述属性数据进行属性特征提取,得到目标属性特征;
对所述目标属性特征进行任务状态匹配,得到第二分析结果。
4.根据权利要求1所述的基于云平台的任务数据处理方法,其特征在于,所述分别提取所述第一分析结果和所述第二分析结果对应的多个第一特征值和多个第二特征值,并根据所述多个第一特征值和所述多个第二特征值对所述第一分析结果和所述第二分析结果进行结果特征融合,生成所述目标任务数据对应的任务特征集合,包括:
对所述第一分析结果进行特征值映射,得到多个第一特征值,并对所述第二分析结果进行特征值转换,得到多个第二特征值;
计算所述多个第一特征值的平均值,得到第一目标均值,并计算所述多个第二特征值的平均值,得到第二目标均值;
对所述多个第一特征值和所述第一目标均值进行比较,得到第一比较结果,并根据所述第一比较结果生成第一特征异常值;
对所述多个第二特征值和所述第二目标均值进行比较,得到第二比较结果,并根据所述第二比较结果生成第二特征异常值;
将所述第一特征异常值和所述第二特征异常值作为集合元素,并根据所述集合元素生成任务特征集合。
5.根据权利要求1所述的基于云平台的任务数据处理方法,其特征在于,所述获取所述第一任务搜索方案对应的权重数据,并根据所述权重数据对所述任务特征集合进行特征分布提取,得到目标特征分布,包括:
获取所述第一任务搜索方案对应的权重数据;
根据所述权重数据构建所述任务特征集合对应的特征分布曲线;
对所述特征分布曲线进行特征比对,得到特征比对结果;
对所述特征比对结果进行特征元素分布检测,得到目标特征分布。
6.根据权利要求1所述的基于云平台的任务数据处理方法,其特征在于,所述根据所述目标特征分布对所述第一任务搜索方案进行搜索方案优化,得到第二任务搜索方案,并根据所述第二任务搜索方案对所述目标请求进行下一轮任务数据搜索,包括:
根据所述目标特征分布对所述第一任务搜索方案进行概率预测,得到概率预测值;
对所述概率预测值进行任务搜索方案查询,得到目标任务搜索方案;
根据所述目标任务搜索方案对所述第一任务搜索方案进行投放方案改进,得到第二任务搜索方案;
根据所述第二任务搜索方案,对所述目标请求进行下一轮任务数据搜索。
7.根据权利要求1所述的基于云平台的任务数据处理方法,其特征在于,所述基于云平台的任务数据处理方法还包括:
将所述目标特征分布输入预置的分布预测模型,通过所述分布预测模型计算所述目标特征分布对应的目标概率值;
根据所述目标概率值对所述目标任务数据进行异常类型匹配,得到所述目标任务数据对应的异常类型。
8.一种基于云平台的任务数据处理装置,其特征在于,所述基于云平台的任务数据处理装置包括:
搜索模块,用于根据预置的第一任务搜索方案,对目标请求进行任务数据搜索,得到所述目标请求对应的目标任务数据;
分析模块,用于对所述目标任务数据进行任务数据拆分,得到多个子任务数据,并将所述多个子任务数据输入预置的第一任务数据分析模型进行任务特征分析,得到第一分析结果;
提取模块,用于对所述目标任务数据进行任务属性提取,得到属性数据,并将所述属性数据输入预置的第二任务数据分析模型进行任务状态分析,得到第二分析结果;
融合模块,用于分别提取所述第一分析结果和所述第二分析结果对应的多个第一特征值和多个第二特征值,并根据所述多个第一特征值和所述多个第二特征值对所述第一分析结果和所述第二分析结果进行结果特征融合,生成所述目标任务数据对应的任务特征集合;
处理模块,用于获取所述第一任务搜索方案对应的权重数据,并根据所述权重数据对所述任务特征集合进行特征分布提取,得到目标特征分布;
优化模块,用于根据所述目标特征分布对所述第一任务搜索方案进行搜索方案优化,得到第二任务搜索方案,并根据所述第二任务搜索方案对所述目标请求进行下一轮任务数据搜索。
9.一种基于云平台的任务数据处理设备,其特征在于,所述基于云平台的任务数据处理设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于云平台的任务数据处理设备执行如权利要求1-7中任一项所述的基于云平台的任务数据处理方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的基于云平台的任务数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211577318.7A CN115576999B (zh) | 2022-12-09 | 2022-12-09 | 基于云平台的任务数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211577318.7A CN115576999B (zh) | 2022-12-09 | 2022-12-09 | 基于云平台的任务数据处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115576999A true CN115576999A (zh) | 2023-01-06 |
CN115576999B CN115576999B (zh) | 2023-03-10 |
Family
ID=84590328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211577318.7A Active CN115576999B (zh) | 2022-12-09 | 2022-12-09 | 基于云平台的任务数据处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115576999B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663938A (zh) * | 2023-07-28 | 2023-08-29 | 珠海大横琴泛旅游发展有限公司 | 基于企业数据中台系统的信息化管理方法及其相关装置 |
CN116842240A (zh) * | 2023-08-30 | 2023-10-03 | 山东海博科技信息系统股份有限公司 | 一种基于全链路治理管控的数据治理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779307A (zh) * | 2016-11-22 | 2017-05-31 | 崔岩 | 第四方管理系统的数据处理方法及系统 |
CN108734299A (zh) * | 2017-04-19 | 2018-11-02 | 埃森哲环球解决方案有限公司 | 量子计算机器学习模块 |
CN114565316A (zh) * | 2022-03-11 | 2022-05-31 | 平安国际智慧城市科技股份有限公司 | 基于微服务架构的任务发布方法、及相关设备 |
CN114819490A (zh) * | 2022-03-16 | 2022-07-29 | 深圳市工易付电子科技有限公司 | 任务发布方法、装置、设备及存储介质 |
CN115147020A (zh) * | 2022-09-02 | 2022-10-04 | 深圳装速配科技有限公司 | 装修数据处理方法、装置、设备及存储介质 |
-
2022
- 2022-12-09 CN CN202211577318.7A patent/CN115576999B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779307A (zh) * | 2016-11-22 | 2017-05-31 | 崔岩 | 第四方管理系统的数据处理方法及系统 |
CN108734299A (zh) * | 2017-04-19 | 2018-11-02 | 埃森哲环球解决方案有限公司 | 量子计算机器学习模块 |
CN114565316A (zh) * | 2022-03-11 | 2022-05-31 | 平安国际智慧城市科技股份有限公司 | 基于微服务架构的任务发布方法、及相关设备 |
CN114819490A (zh) * | 2022-03-16 | 2022-07-29 | 深圳市工易付电子科技有限公司 | 任务发布方法、装置、设备及存储介质 |
CN115147020A (zh) * | 2022-09-02 | 2022-10-04 | 深圳装速配科技有限公司 | 装修数据处理方法、装置、设备及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663938A (zh) * | 2023-07-28 | 2023-08-29 | 珠海大横琴泛旅游发展有限公司 | 基于企业数据中台系统的信息化管理方法及其相关装置 |
CN116842240A (zh) * | 2023-08-30 | 2023-10-03 | 山东海博科技信息系统股份有限公司 | 一种基于全链路治理管控的数据治理系统 |
CN116842240B (zh) * | 2023-08-30 | 2023-12-01 | 山东海博科技信息系统股份有限公司 | 一种基于全链路治理管控的数据治理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115576999B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115576999B (zh) | 基于云平台的任务数据处理方法、装置、设备及存储介质 | |
CN110888849B (zh) | 一种在线日志解析方法、系统及其电子终端设备 | |
CN115826645B (zh) | 一种激光器的温度控制方法、装置、设备及存储介质 | |
CN109857784A (zh) | 一种大数据统计分析系统 | |
EP3299968A1 (en) | Big data calculation method and system | |
US10970295B2 (en) | Collecting statistics in unconventional database environments | |
CN115641162A (zh) | 一种基于建筑工程造价的预测数据分析系统和方法 | |
CN113609261A (zh) | 基于网络信息安全的知识图谱的漏洞信息挖掘方法和装置 | |
CN112287603A (zh) | 一种基于机器学习的预测模型构建方法、装置和电子设备 | |
CN112364014A (zh) | 数据查询方法、装置、服务器及存储介质 | |
CN114399367A (zh) | 保险产品推荐方法、装置、设备及存储介质 | |
CN115905373B (zh) | 一种数据查询以及分析方法、装置、设备及存储介质 | |
CN116595918B (zh) | 快速逻辑等价性验证方法、装置、设备及存储介质 | |
CN115147020B (zh) | 装修数据处理方法、装置、设备及存储介质 | |
CN113517998B (zh) | 预警配置数据的处理方法、装置、设备及存储介质 | |
CN111260155A (zh) | 粮食加工的工序优化方法、装置、电子设备及存储介质 | |
CN115689656A (zh) | 基于物联网的广告投放方法、装置、设备及存储介质 | |
CN115098679A (zh) | 文本分类标注样本的异常检测方法、装置、设备及介质 | |
CN110990271A (zh) | 代码性能检测方法、装置、设备及存储介质 | |
CN114707911B (zh) | 一种结合云计算的跨境电商信息风险分析方法及服务器 | |
CN114692595B (zh) | 一种基于文本匹配的重复冲突方案检测方法 | |
CN113721978B (zh) | 一种混源软件中开源成分检测的方法和系统 | |
CN110096529B (zh) | 一种基于多维矢量数据的网络数据挖掘方法和系统 | |
Stefanopoulos et al. | Scalable Distributed Trajectory Clustering Using Apache Spark. | |
CN115455921A (zh) | 批量报表计算用报表单元格计算次序的确定方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |