CN115658675A - 应用于数据处理的噪声优化方法及ai系统 - Google Patents
应用于数据处理的噪声优化方法及ai系统 Download PDFInfo
- Publication number
- CN115658675A CN115658675A CN202211552998.7A CN202211552998A CN115658675A CN 115658675 A CN115658675 A CN 115658675A CN 202211552998 A CN202211552998 A CN 202211552998A CN 115658675 A CN115658675 A CN 115658675A
- Authority
- CN
- China
- Prior art keywords
- noise
- online service
- service information
- event
- initial online
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 214
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 88
- 239000013598 vector Substances 0.000 claims abstract description 63
- 238000005065 mining Methods 0.000 claims abstract description 61
- 238000013441 quality evaluation Methods 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims description 47
- 238000009826 distribution Methods 0.000 claims description 46
- 238000000556 factor analysis Methods 0.000 claims description 41
- 238000013075 data extraction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000007670 refining Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供的应用于数据处理的噪声优化方法及AI系统，在确定业务处理事件的目标噪声项描述特征时，可以此外引入初始在线业务信息对应的噪声项描述特征和信任分析结果，提升了噪声挖掘和分析精度；此外鉴于结合信息质量评价向量确定每一所述初始在线业务信息所对应业务处理事件的不低于一个层级的噪声项描述特征，可以得到选定业务项目中业务处理事件在每一所述层级的目标噪声项描述特征，能够输出尽可能完整准确的分析层级，这样可以基于不同分析层级的目标噪声项描述特征对业务处理事件进行针对性且灵活的噪声优化处理，减少相关数据信息的噪声比率，提高数据信息的利用效率。
Description
技术领域
本发明涉及人工智能与数据处理技术领域，特别涉及一种应用于数据处理的噪声优化方法及AI系统。
背景技术
随着在线业务的普及，各类数据信息在云端呈现指数型增长，这给相关的处理系统带来了不小的压力。比如，云端的各类数据信息或多或少携带一些数据噪声，如果不对这些数据噪声加以处理和优化，可能会对正常的数据业务开展产生负面影响。
发明内容
为改善相关技术中存在的技术问题，本发明提供了一种应用于数据处理的噪声优化方法及AI系统。
第一方面，本发明实施例提供了一种应用于数据处理的噪声优化方法，应用于噪声优化系统，所述方法包括：提炼待优化在线业务运营报告对应的信息质量评价向量；所述待优化在线业务运营报告包含指向选定业务项目中不低于一个业务处理事件获取的若干个初始在线业务信息；结合所述信息质量评价向量，确定每一所述初始在线业务信息对应的事件噪声挖掘结果；所述事件噪声挖掘结果包括所述初始在线业务信息所对应业务处理事件的不低于一个层级的噪声项描述特征；对所述信息质量评价向量进行信任因子分析，得到每一所述初始在线业务信息对应的信任分析结果；所述信任分析结果表示所述初始在线业务信息的数据提取复杂性，且所述初始在线业务信息的信任分析结果与所述初始在线业务信息的数据提取复杂性存在第一指定联系；结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征；基于所述目标噪声项描述特征进行所述业务处理事件的噪声优化处理。
由此可见，鉴于在对待优化在线业务运营报告进行分析时，不仅获取了每一初始在线业务信息所对应业务处理事件的噪声项描述特征，还获取了每一初始在线业务信息对应的信任分析结果，在确定业务处理事件的目标噪声项描述特征时，可以此外引入初始在线业务信息对应的噪声项描述特征和信任分析结果，提升了噪声挖掘和分析精度；此外鉴于结合信息质量评价向量确定每一所述初始在线业务信息所对应业务处理事件的不低于一个层级的噪声项描述特征，可以得到选定业务项目中业务处理事件在每一所述层级的目标噪声项描述特征，能够输出尽可能完整准确的分析层级，这样可以基于不同分析层级的目标噪声项描述特征对业务处理事件进行针对性且灵活的噪声优化处理，减少相关数据信息的噪声比率，提高数据信息的利用效率。
对于一些可能的技术方案而言，所述事件噪声挖掘结果包括所述初始在线业务信息所对应业务处理事件的分布层级的噪声分布特征；所述结合所述信息质量评价向量，确定每一所述初始在线业务信息对应的事件噪声挖掘结果，包括：对所述信息质量评价向量进行噪声分布解析，确定每一所述初始在线业务信息对应的噪声分布特征；所述噪声分布特征表示所述初始在线业务信息所对应业务处理事件的定位数据；所述结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征，包括：结合设定的信任因子判定值和每一所述初始在线业务信息对应的信任分析结果，在所述若干个初始在线业务信息中抽样得到若干个业务处理事件的初始在线业务信息；结合每一所述业务处理事件的初始在线业务信息对应的噪声分布特征，对所述若干个业务处理事件的初始在线业务信息进行分团，得到选定业务项目中每一所述业务处理事件对应的事件业务信息簇和每一所述业务处理事件在所述分布层级的目标噪声分布特征。
由此可见，鉴于该事件噪声挖掘结果包括初始在线业务信息所对应业务处理事件的分布层级的噪声分布特征，在得到每一初始在线业务信息对应的噪声分布特征之后，鉴于该噪声分布特征表征了初始在线业务信息所对应业务处理事件的定位数据，进而可以通过对每一初始在线业务信息的定位数据进行分团，实现对待优化在线业务运营报告的拆解，得到选定业务项目中每一所述业务处理事件对应的事件业务信息簇和每一所述业务处理事件在所述分布层级的目标噪声分布特征；此外，鉴于在对待优化在线业务运营报告进行拆解之前，先结合每一初始在线业务信息对应的信任因子信息对若干个初始在线业务信息进行针对性筛除，得到了提取精度较佳的若干个业务处理事件的初始在线业务信息，再结合若干个业务处理事件的初始在线业务信息对应的噪声分布特征进行分团，可以得到尽可能准确可靠的噪声处理结果。
对于一些可能的技术方案而言，所述对所述信息质量评价向量进行噪声分布解析，确定每一所述初始在线业务信息对应的噪声分布特征，包括：结合所述信息质量评价向量，确定每一所述初始在线业务信息对应的定位误差；所述定位误差表示所述初始在线业务信息与所述初始在线业务信息所对应业务处理事件的核心数据单元之间相对分布关系；结合每一所述初始在线业务信息对应的初始在线业务信息分布和定位误差，确定每一所述初始在线业务信息对应的噪声分布特征；所述噪声分布特征为所述初始在线业务信息所对应业务处理事件的核心数据单元的多维分布变量。
对于一些可能的技术方案而言，所述事件噪声挖掘结果包括所述初始在线业务信息所对应业务处理事件的热力状态层级的热力状态特征；所述结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征，还包括：对于各所述业务处理事件，结合所述业务处理事件对应的在线业务运营报告合中的每一业务处理事件的初始在线业务信息的热力状态特征，确定所述业务处理事件在所述热力状态层级的目标热力状态特征。
由此可见，在确定每一业务处理事件对应的若干个业务处理事件的初始在线业务信息之后，结合每一初始在线业务信息对应的热力状态特征，确定当前业务处理事件对应的目标热力状态特征。鉴于若干个业务处理事件的初始在线业务信息都对应同一个业务处理事件，且信任因子都大于预设信任因子判定值，这样得到的目标热力状态特征的精度更佳。
对于一些可能的技术方案而言，事件噪声挖掘结果包括所述初始在线业务信息所对应业务处理事件的多元回归层级的多元回归特征；所述结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征，还包括：对于各所述业务处理事件，结合所述业务处理事件对应的在线业务运营报告合中的每一业务处理事件的初始在线业务信息的多元回归特征，确定所述业务处理事件在所述多元回归层级的目标多元回归特征。
由此可见，在确定每一业务处理事件对应的若干个业务处理事件的初始在线业务信息之后，结合每一初始在线业务信息对应的多元回归特征，确定当前业务处理事件对应的目标多元回归特征。鉴于若干个业务处理事件的初始在线业务信息都对应同一个业务处理事件，且信任因子都大于预设信任因子判定值，这样得到的目标多元回归特征的精度更佳。
对于一些可能的技术方案而言，所述提炼待优化在线业务运营报告对应的信息质量评价向量，包括：获取基础在线业务运营报告；对所述基础在线业务运营报告进行设定操作，得到针对所述不低于一个业务处理事件获取的若干个初始在线业务信息；对所述若干个初始在线业务信息进行向量挖掘，得到所述待优化在线业务运营报告对应的信息质量评价向量。
由此可见，通过对基础在线业务运营报告进行设定操作，得到针对所述不低于一个业务处理事件获取的若干个初始在线业务信息，相较于立刻对基础在线业务运营报告进行处理的技术，不但能够规避过多的资源开销，还可以去除基础在线业务运营报告中的高信噪比的在线业务信息，提升了全局层面下噪声分析处理的效率。
对于一些可能的技术方案而言，所述应用于数据处理的噪声优化方法由联合神经网络执行，所述应用于数据处理的噪声优化方法包括：所述联合神经网络中的向量挖掘模块提炼待优化在线业务运营报告对应的信息质量评价向量；所述联合神经网络中的事件噪声分析模块结合所述信息质量评价向量，确定每一所述初始在线业务信息对应的事件噪声挖掘结果；所述联合神经网络中的信任因子分析模块对所述信息质量评价向量进行信任因子分析，得到每一所述初始在线业务信息对应的信任分析结果；所述联合神经网络中的噪声项处理模块结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征。
对于一些可能的技术方案而言，所述联合神经网络的调试步骤为：获取针对业务项目示例中不低于一个示例业务处理事件获取的若干个示例初始在线业务信息和每一所述示例初始在线业务信息所对应业务处理事件的不低于一个层级的先验噪声项描述特征；通过通用的联合神经网络对所述若干个示例初始在线业务信息进行业务处理事件噪声分析和信任因子分析，得到每一所述示例初始在线业务信息的信任因子估计结果和每一所述示例初始在线业务信息所对应业务处理事件的每一所述层级的噪声项描述特征估计结果；结合每一所述示例初始在线业务信息所对应业务处理事件的不低于一个层级的先验噪声项描述特征、每一所述示例初始在线业务信息的信任因子估计结果和每一所述示例初始在线业务信息所对应业务处理事件的每一所述层级的噪声项描述特征估计结果，对所述通用的联合神经网络的网络变量进行改进，得到调试后的联合神经网络。
由此可见调试得到的联合神经网络可以在对待优化在线业务运营报告进行分析时，此外获取了每一初始在线业务信息所对应业务处理事件的噪声项描述特征和每一初始在线业务信息对应的信任分析结果，在确定业务处理事件的目标噪声项描述特征时，可以此外引入初始在线业务信息对应的噪声项描述特征和信任分析结果，提升了噪声挖掘和分析精度；此外鉴于结合信息质量评价向量确定每一所述初始在线业务信息所对应业务处理事件的不低于一个层级的噪声项描述特征，可以得到选定业务项目中业务处理事件在每一所述层级的目标噪声项描述特征，能够输出尽可能完整准确的分析层级。
对于一些可能的技术方案而言，所述联合神经网络包括向量挖掘模块、信任因子分析模块和不低于一个层级对应的事件噪声分析模块；所述通过通用的联合神经网络对所述若干个示例初始在线业务信息进行业务处理事件噪声分析和信任因子分析，得到每一所述示例初始在线业务信息的信任因子估计结果和每一所述示例初始在线业务信息所对应业务处理事件的每一所述层级的噪声项描述特征估计结果，包括：通过所述向量挖掘模块对所述若干个示例初始在线业务信息进行向量挖掘，得到示例信息质量评价向量；对于各所述层级，结合所述层级对应的事件噪声分析模块对所述示例信息质量评价向量进行所述层级对应的业务处理事件噪声分析，得到每一所述示例初始在线业务信息在所述层级对应的噪声项描述特征估计结果；结合所述信任因子分析模块对所述示例信息质量评价向量进行信任因子分析，得到每一所述示例初始在线业务信息的信任因子估计结果。
对于一些可能的技术方案而言，所述结合每一所述示例初始在线业务信息所对应业务处理事件的不低于一个层级的先验噪声项描述特征、每一所述示例初始在线业务信息的信任因子估计结果和每一所述示例初始在线业务信息所对应业务处理事件的每一所述层级的噪声项描述特征估计结果，对所述通用的联合神经网络的网络变量进行改进，得到调试后的联合神经网络，包括：对于各所述层级，结合每一所述示例初始在线业务信息在所述层级对应的噪声项描述特征估计结果和所述示例初始在线业务信息所对应业务处理事件在所述层级的先验噪声项描述特征，确定所述层级对应的网络代价指数；结合所述层级对应的网络代价指数，对所述通用的联合神经网络中所述层级对应的事件噪声分析模块的网络变量进行改进，得到调试后的事件噪声分析模块；结合每一所述示例初始在线业务信息在每一所述层级对应的网络代价指数和每一所述示例初始在线业务信息的信任因子估计结果，确定信任因子网络代价指数；结合所述信任因子网络代价指数对所述信任因子分析模块的网络变量进行改进，得到调试后的信任因子分析模块；结合所述调试后的信任因子分析模块和每一所述层级对应的所述调试后的事件噪声分析模块，得到调试后的联合神经网络。
对于一些可能的技术方案而言，所述结合每一所述示例初始在线业务信息在每一所述层级对应的网络代价指数和每一所述示例初始在线业务信息的信任因子估计结果，确定信任因子网络代价指数，包括：对于各所述示例初始在线业务信息，获取所述示例初始在线业务信息在每一所述层级对应的网络代价指数；结合每一所述层级对应的网络代价偏心度，确定所述示例初始在线业务信息的噪声网络代价指数；将每一所述示例初始在线业务信息的噪声网络代价指数和每一所述示例初始在线业务信息的信任因子估计结果加载到设定的信任因子代价算法，得到所述信任因子网络代价指数；其中，所述信任因子代价算法包括第一代价指标和第二代价指标，所述第一代价指标与所述信任因子估计结果和所述噪声网络代价指数存在第二指定联系，所述第二代价指标与所述信任因子估计结果存在第一指定联系；在所述信任因子代价算法达到稳定条件的基础上，若干个所述示例初始在线业务信息的噪声网络代价指数与所述信任因子分析模块生成的若干个所述示例初始在线业务信息的信任因子估计结果存在第一指定联系。
由此可见，在对信任因子分析模块进行调试时，鉴于该信任因子代价算法此外与该示例初始在线业务信息的噪声网络代价指数和示例初始在线业务信息的噪声网络代价指数相关，且在所述信任因子代价算法达到稳定条件的基础上，若干个所述示例初始在线业务信息的噪声网络代价指数与所述信任因子分析模块生成的若干个所述示例初始在线业务信息的信任因子估计结果存在第一指定联系，可以使得调试后的信任因子分析模块可以针对不同数据提取复杂性的初始在线业务信息，得到与该数据提取复杂性存在第一指定联系的信任因子，进而可以在结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征时，提升目标噪声项描述特征的精度和可信度。
第二方面，本发明还提供了一种应用于数据处理的噪声优化AI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，以实现上述的方法。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
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应用于数据处理的噪声优化方法的流程示意图。
图2是本发明实施例提供的一种应用于数据处理的噪声优化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噪声优化系统、计算机设备或者类似的运算装置中执行。以运行在噪声优化系统上为例，噪声优化系统10可以包括一个或多个处理器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，上述噪声优化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，上述结构仅为示意，其并不对上述噪声优化系统的结构造成限定。例如，噪声优化系统10还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。
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应用于数据处理的噪声优化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噪声优化系统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噪声优化系统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1，图1是本发明实施例所提供的一种应用于数据处理的噪声优化方法的流程示意图，该方法应用于噪声优化系统，进一步可以包括步骤1-步骤4描述的技术方案。
步骤1、噪声优化系统提炼待优化在线业务运营报告对应的信息质量评价向量。
在本发明实施例中，所述待优化在线业务运营报告包含指向选定业务项目中不低于一个业务处理事件获取的若干个初始在线业务信息。进一步地，在线业务运营报告可以是针对电子商务、云游戏、区块链、数字政企等业务的交互记录日志，选定的业务项目可以根据电子商务、云游戏、区块链、数字政企等业务领域适应性选取。业务处理事件可以是选定业务项目中的存在“用户-服务器”交互的事件，而初始在线业务信息则用于记录这些交互过程，初始在线业务信息一般携带部分噪声信息，比如垃圾文件、缓存数据等。此外，信息质量评价向量可以表征待优化在线业务运营报告的信息质量特征，比如基于携带的噪声的特征确定信息质量评价向量。
步骤2、结合所述信息质量评价向量，确定每一所述初始在线业务信息对应的事件噪声挖掘结果。
在本发明实施例中，所述事件噪声挖掘结果包括所述初始在线业务信息所对应业务处理事件的不低于一个层级的噪声项描述特征。不同层级的噪声项描述特征反映业务处理事件的不同噪声属性或者噪声要素，比如可以是临时噪声、本地噪声、漏洞噪声等，在此不作限定。
步骤3、对所述信息质量评价向量进行信任因子分析，得到每一所述初始在线业务信息对应的信任分析结果。
在本发明实施例中，所述信任分析结果表示所述初始在线业务信息的数据提取复杂性，且所述初始在线业务信息的信任分析结果与所述初始在线业务信息的数据提取复杂性存在第一指定联系。进一步地，信任因子可以理解为置信度，数据提取复杂性反映初始在线业务信息的提取难易程度，而第一指定联系则可以理解为负相关关系。
步骤4、结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征；基于所述目标噪声项描述特征进行所述业务处理事件的噪声优化处理。
在本发明实施例中，在确定出业务处理事件在不低于一个所述层级的目标噪声项描述特征之后，可以根据目标噪声项描述特征进行业务处理事件的针对性噪声优化处理，比如目标噪声项描述特征反映数据空间占用问题，则可以对业务处理事件进行噪声清洗，又比如目标噪声项描述特征反映业务处理误导问题（比如在供应链金融的文本分析中存在“岳不群”这一噪声字段），则可以对业务处理事件进行噪声修正（比如将“岳不群”修改为“XXX企业”）。
可以理解的是，应用于步骤1-步骤4，鉴于在对待优化在线业务运营报告进行分析时，不仅获取了每一初始在线业务信息所对应业务处理事件的噪声项描述特征，还获取了每一初始在线业务信息对应的信任分析结果，在确定业务处理事件的目标噪声项描述特征时，可以此外引入初始在线业务信息对应的噪声项描述特征和信任分析结果，提升了噪声挖掘和分析精度；此外鉴于结合信息质量评价向量确定每一所述初始在线业务信息所对应业务处理事件的不低于一个层级的噪声项描述特征，可以得到选定业务项目中业务处理事件在每一所述层级的目标噪声项描述特征，能够输出尽可能完整准确的分析层级，这样可以基于不同分析层级的目标噪声项描述特征对业务处理事件进行针对性且灵活的噪声优化处理，减少相关数据信息的噪声比率，提高数据信息的利用效率。
在一些可能的设计思路下，所述事件噪声挖掘结果可以包括所述初始在线业务信息所对应业务处理事件的分布层级（比如位置层面）的噪声分布特征。基于此，所述结合所述信息质量评价向量，确定每一所述初始在线业务信息对应的事件噪声挖掘结果，可以包括如下内容：对所述信息质量评价向量进行噪声分布解析（噪声位置解析），确定每一所述初始在线业务信息对应的噪声分布特征；所述噪声分布特征表示所述初始在线业务信息所对应业务处理事件的定位数据（业务处理事件在整个运营报告中的分布情况）；所述结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征，包括：结合设定的信任因子判定值和每一所述初始在线业务信息对应的信任分析结果，在所述若干个初始在线业务信息中抽样/筛选得到若干个业务处理事件的初始在线业务信息；结合每一所述业务处理事件的初始在线业务信息对应的噪声分布特征，对所述若干个业务处理事件的初始在线业务信息进行分团（可以理解为聚类处理），得到选定业务项目中每一所述业务处理事件对应的事件业务信息簇和每一所述业务处理事件在所述分布层级的目标噪声分布特征。
由此可见，鉴于该事件噪声挖掘结果包括初始在线业务信息所对应业务处理事件的分布层级的噪声分布特征，在得到每一初始在线业务信息对应的噪声分布特征之后，鉴于该噪声分布特征表征了初始在线业务信息所对应业务处理事件的定位数据，进而可以通过对每一初始在线业务信息的定位数据进行分团，实现对待优化在线业务运营报告的拆解，得到选定业务项目中每一所述业务处理事件对应的事件业务信息簇和每一所述业务处理事件在所述分布层级的目标噪声分布特征；此外，鉴于在对待优化在线业务运营报告进行拆解之前，先结合每一初始在线业务信息对应的信任因子信息对若干个初始在线业务信息进行针对性筛除，得到了提取精度较佳的若干个业务处理事件的初始在线业务信息，再结合若干个业务处理事件的初始在线业务信息对应的噪声分布特征进行分团，可以得到尽可能准确可靠的噪声处理结果
在一些可独立实施的设计思路中，所述事件噪声挖掘结果包括所述初始在线业务信息所对应业务处理事件的热力状态层级（噪声活跃度层面）的热力状态特征（噪声活跃性）。基于此，所述结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征，还包括：对于各所述业务处理事件，结合所述业务处理事件对应的在线业务运营报告合中的每一业务处理事件的初始在线业务信息的热力状态特征，确定所述业务处理事件在所述热力状态层级的目标热力状态特征。如此设计，能够准确确定出业务处理事件的不同活跃状态的噪声特征，便于后续基于噪声热度进行优化处理。
在一些可独立实施的设计思路中，所述事件噪声挖掘结果包括所述初始在线业务信息所对应业务处理事件的多元回归层级（可以理解为分类层面）的多元回归特征。基于此，所述结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征，还包括：对于各所述业务处理事件，结合所述业务处理事件对应的在线业务运营报告合中的每一业务处理事件的初始在线业务信息的多元回归特征，确定所述业务处理事件在所述多元回归层级的目标多元回归特征。如此设计，便于后续结合目标多元回归特征进行差异化的噪声优化处理。
在一些可能的实施例中，所述提炼待优化在线业务运营报告对应的信息质量评价向量，可以包括如下内容：获取基础在线业务运营报告（可以理解为原始的在线业务运营报告）；对所述基础在线业务运营报告进行设定操作（可以理解为预处理），得到针对所述不低于一个业务处理事件获取的若干个初始在线业务信息；对所述若干个初始在线业务信息进行向量挖掘，得到所述待优化在线业务运营报告对应的信息质量评价向量。
由此可见，通过对基础在线业务运营报告进行设定操作，得到针对所述不低于一个业务处理事件获取的若干个初始在线业务信息，相较于立刻对基础在线业务运营报告进行处理的技术，不但能够规避过多的资源开销，还可以去除基础在线业务运营报告中的高信噪比的在线业务信息，提升了全局层面下噪声分析处理的效率。
在另一些可能的设计思路下，所述应用于数据处理的噪声优化方法由联合神经网络（可以是级联的卷积神经网络）执行，所述应用于数据处理的噪声优化方法包括：所述联合神经网络中的向量挖掘模块（可以是特征提取层）提炼待优化在线业务运营报告对应的信息质量评价向量；所述联合神经网络中的事件噪声分析模块（可以是噪声挖掘层）结合所述信息质量评价向量，确定每一所述初始在线业务信息对应的事件噪声挖掘结果；所述联合神经网络中的信任因子分析模块（可以是置信度计算层）对所述信息质量评价向量进行信任因子分析，得到每一所述初始在线业务信息对应的信任分析结果；所述联合神经网络中的噪声项处理模块（可以是噪声项分析层）结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征。
在上述内容的基础上，在一些独立性实施例中，还可以对联合神经网络进行调试处理，示例性的调试方案包括步骤A-步骤C。
步骤A、获取针对业务项目示例（样本业务项目）中不低于一个示例业务处理事件（业务处理事件样例）获取的若干个示例初始在线业务信息（初始在线业务信息样例）和每一所述示例初始在线业务信息所对应业务处理事件的不低于一个层级的先验噪声项描述特征（真实的噪声项描述特征）。
步骤B、通过通用的联合神经网络（可以理解为基础的CNN网络）对所述若干个示例初始在线业务信息进行业务处理事件噪声分析和信任因子分析，得到每一所述示例初始在线业务信息的信任因子估计结果和每一所述示例初始在线业务信息所对应业务处理事件的每一所述层级的噪声项描述特征估计结果。
在本发明实施例中，估计结果可以理解为预测结果或者测试结果，用于后续进行真值比对分析以进行损失函数确定和网络参数改进。
步骤C、结合每一所述示例初始在线业务信息所对应业务处理事件的不低于一个层级的先验噪声项描述特征、每一所述示例初始在线业务信息的信任因子估计结果和每一所述示例初始在线业务信息所对应业务处理事件的每一所述层级的噪声项描述特征估计结果，对所述通用的联合神经网络的网络变量（可以理解为模型配置参数）进行改进，得到调试后的联合神经网络。
可以理解的是，应用于步骤A-步骤C，由此可见调试得到的联合神经网络可以在对待优化在线业务运营报告进行分析时，此外获取了每一初始在线业务信息所对应业务处理事件的噪声项描述特征和每一初始在线业务信息对应的信任分析结果，在确定业务处理事件的目标噪声项描述特征时，可以此外引入初始在线业务信息对应的噪声项描述特征和信任分析结果，提升了噪声挖掘和分析精度；此外鉴于结合信息质量评价向量确定每一所述初始在线业务信息所对应业务处理事件的不低于一个层级的噪声项描述特征，可以得到选定业务项目中业务处理事件在每一所述层级的目标噪声项描述特征，能够输出尽可能完整准确的分析层级。
在一些示例性实施例中，所述联合神经网络包括向量挖掘模块、信任因子分析模块和不低于一个层级对应的事件噪声分析模块。基于此，所述通过通用的联合神经网络对所述若干个示例初始在线业务信息进行业务处理事件噪声分析和信任因子分析，得到每一所述示例初始在线业务信息的信任因子估计结果和每一所述示例初始在线业务信息所对应业务处理事件的每一所述层级的噪声项描述特征估计结果，包括：通过所述向量挖掘模块对所述若干个示例初始在线业务信息进行向量挖掘，得到示例信息质量评价向量；对于各所述层级，结合所述层级对应的事件噪声分析模块对所述示例信息质量评价向量进行所述层级对应的业务处理事件噪声分析，得到每一所述示例初始在线业务信息在所述层级对应的噪声项描述特征估计结果；结合所述信任因子分析模块对所述示例信息质量评价向量进行信任因子分析，得到每一所述示例初始在线业务信息的信任因子估计结果。
在一些示例性实施例中，所述结合每一所述示例初始在线业务信息所对应业务处理事件的不低于一个层级的先验噪声项描述特征、每一所述示例初始在线业务信息的信任因子估计结果和每一所述示例初始在线业务信息所对应业务处理事件的每一所述层级的噪声项描述特征估计结果，对所述通用的联合神经网络的网络变量进行改进，得到调试后的联合神经网络，包括：对于各所述层级，结合每一所述示例初始在线业务信息在所述层级对应的噪声项描述特征估计结果和所述示例初始在线业务信息所对应业务处理事件在所述层级的先验噪声项描述特征，确定所述层级对应的网络代价指数（可以理解为损失函数值）；结合所述层级对应的网络代价指数，对所述通用的联合神经网络中所述层级对应的事件噪声分析模块的网络变量进行改进，得到调试后的事件噪声分析模块；结合每一所述示例初始在线业务信息在每一所述层级对应的网络代价指数和每一所述示例初始在线业务信息的信任因子估计结果，确定信任因子网络代价指数；结合所述信任因子网络代价指数对所述信任因子分析模块的网络变量进行改进，得到调试后的信任因子分析模块；结合所述调试后的信任因子分析模块和每一所述层级对应的所述调试后的事件噪声分析模块，得到调试后的联合神经网络。
对于一些可能的实施例而言，所述结合每一所述示例初始在线业务信息在每一所述层级对应的网络代价指数和每一所述示例初始在线业务信息的信任因子估计结果，确定信任因子网络代价指数，包括：对于各所述示例初始在线业务信息，获取所述示例初始在线业务信息在每一所述层级对应的网络代价指数；结合每一所述层级对应的网络代价偏心度（可以理解为损失权重值），确定所述示例初始在线业务信息的噪声网络代价指数（可以理解为噪声特征损失值）；将每一所述示例初始在线业务信息的噪声网络代价指数和每一所述示例初始在线业务信息的信任因子估计结果加载到设定的信任因子代价算法，得到所述信任因子网络代价指数（可以理解为信任因子损失值）；其中，所述信任因子代价算法包括第一代价指标和第二代价指标，所述第一代价指标与所述信任因子估计结果和所述噪声网络代价指数存在第二指定联系，所述第二代价指标与所述信任因子估计结果存在第一指定联系；在所述信任因子代价算法达到稳定条件的基础上，若干个所述示例初始在线业务信息的噪声网络代价指数与所述信任因子分析模块生成的若干个所述示例初始在线业务信息的信任因子估计结果存在第一指定联系。
在本发明实施例中，代价指标可以但不限于作损失项理解，稳定条件可以理解为信任因子代价算法（信息因子损失函数）收敛或者区域稳定。进一步地，第二指定联系可以理解为正相关。由此可见，在对信任因子分析模块进行调试时，鉴于该信任因子代价算法此外与该示例初始在线业务信息的噪声网络代价指数和示例初始在线业务信息的噪声网络代价指数相关，且在所述信任因子代价算法达到稳定条件的基础上，若干个所述示例初始在线业务信息的噪声网络代价指数与所述信任因子分析模块生成的若干个所述示例初始在线业务信息的信任因子估计结果存在第一指定联系，可以使得调试后的信任因子分析模块可以针对不同数据提取复杂性的初始在线业务信息，得到与该数据提取复杂性存在第一指定联系的信任因子，进而可以在结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征时，提升目标噪声项描述特征的精度和可信度。
基于上述相同或相似的发明构思，请结合参阅图2，还提供了一种应用于数据处理的噪声优化方法的应用环境30的架构示意图，包括互相之间通信的噪声优化系统10和在线业务服务系统20，噪声优化系统10和在线业务服务系统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，还提供了一种计算机可读存储介质，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 (10)
1.一种应用于数据处理的噪声优化方法，其特征在于，应用于噪声优化系统，所述方法包括：
提炼所述待优化在线业务运营报告对应的信息质量评价向量；所述待优化在线业务运营报告包含指向选定业务项目中不低于一个业务处理事件获取的若干个初始在线业务信息；
结合所述信息质量评价向量，确定每一所述初始在线业务信息对应的事件噪声挖掘结果；所述事件噪声挖掘结果包括所述初始在线业务信息所对应业务处理事件的不低于一个层级的噪声项描述特征；
对所述信息质量评价向量进行信任因子分析，得到每一所述初始在线业务信息对应的信任分析结果；所述信任分析结果表示所述初始在线业务信息的数据提取复杂性，且所述初始在线业务信息的信任分析结果与所述初始在线业务信息的数据提取复杂性存在第一指定联系；
结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征；基于所述目标噪声项描述特征进行所述业务处理事件的噪声优化处理。
2.根据权利要求1所述的方法，其特征在于，所述事件噪声挖掘结果包括所述初始在线业务信息所对应业务处理事件的分布层级的噪声分布特征；所述结合所述信息质量评价向量，确定每一所述初始在线业务信息对应的事件噪声挖掘结果，包括：对所述信息质量评价向量进行噪声分布解析，确定每一所述初始在线业务信息对应的噪声分布特征；所述噪声分布特征表示所述初始在线业务信息所对应业务处理事件的定位数据；
所述结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征，包括：结合设定的信任因子判定值和每一所述初始在线业务信息对应的信任分析结果，在所述若干个初始在线业务信息中抽样得到若干个业务处理事件的初始在线业务信息；
结合每一所述业务处理事件的初始在线业务信息对应的噪声分布特征，对所述若干个业务处理事件的初始在线业务信息进行分团，得到选定业务项目中每一所述业务处理事件对应的事件业务信息簇和每一所述业务处理事件在所述分布层级的目标噪声分布特征。
3.根据权利要求2所述的方法，其特征在于，所述事件噪声挖掘结果包括所述初始在线业务信息所对应业务处理事件的热力状态层级的热力状态特征；
所述结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征，还包括：对于各所述业务处理事件，结合所述业务处理事件对应的在线业务运营报告合中的每一业务处理事件的初始在线业务信息的热力状态特征，确定所述业务处理事件在所述热力状态层级的目标热力状态特征。
4.根据权利要求3所述的方法，其特征在于，所述事件噪声挖掘结果包括所述初始在线业务信息所对应业务处理事件的多元回归层级的多元回归特征；
所述结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征，还包括：对于各所述业务处理事件，结合所述业务处理事件对应的在线业务运营报告合中的每一业务处理事件的初始在线业务信息的多元回归特征，确定所述业务处理事件在所述多元回归层级的目标多元回归特征。
5.根据权利要求1所述的方法，其特征在于，所述提炼待优化在线业务运营报告对应的信息质量评价向量，包括：
获取基础在线业务运营报告；对所述基础在线业务运营报告进行设定操作，得到针对所述不低于一个业务处理事件获取的若干个初始在线业务信息；
对所述若干个初始在线业务信息进行向量挖掘，得到所述待优化在线业务运营报告对应的信息质量评价向量。
6.根据权利要求1所述的方法，其特征在于，所述应用于数据处理的噪声优化方法由联合神经网络执行，所述应用于数据处理的噪声优化方法包括：
所述联合神经网络中的向量挖掘模块提炼待优化在线业务运营报告对应的信息质量评价向量；
所述联合神经网络中的事件噪声分析模块结合所述信息质量评价向量，确定每一所述初始在线业务信息对应的事件噪声挖掘结果；
所述联合神经网络中的信任因子分析模块对所述信息质量评价向量进行信任因子分析，得到每一所述初始在线业务信息对应的信任分析结果；
所述联合神经网络中的噪声项处理模块结合每一所述初始在线业务信息对应的事件噪声挖掘结果和信任分析结果，确定每一所述业务处理事件在不低于一个所述层级的目标噪声项描述特征。
7.根据权利要求6所述的方法，其特征在于，所述联合神经网络的调试步骤为：
获取针对业务项目示例中不低于一个示例业务处理事件获取的若干个示例初始在线业务信息和每一所述示例初始在线业务信息所对应业务处理事件的不低于一个层级的先验噪声项描述特征；
通过通用的联合神经网络对所述若干个示例初始在线业务信息进行业务处理事件噪声分析和信任因子分析，得到每一所述示例初始在线业务信息的信任因子估计结果和每一所述示例初始在线业务信息所对应业务处理事件的每一所述层级的噪声项描述特征估计结果；
结合每一所述示例初始在线业务信息所对应业务处理事件的不低于一个层级的先验噪声项描述特征、每一所述示例初始在线业务信息的信任因子估计结果和每一所述示例初始在线业务信息所对应业务处理事件的每一所述层级的噪声项描述特征估计结果，对所述通用的联合神经网络的网络变量进行改进，得到调试后的联合神经网络。
8.根据权利要求6-7所述的方法，其特征在于，所述联合神经网络包括向量挖掘模块、信任因子分析模块和不低于一个层级对应的事件噪声分析模块；所述通过通用的联合神经网络对所述若干个示例初始在线业务信息进行业务处理事件噪声分析和信任因子分析，得到每一所述示例初始在线业务信息的信任因子估计结果和每一所述示例初始在线业务信息所对应业务处理事件的每一所述层级的噪声项描述特征估计结果，包括：通过所述向量挖掘模块对所述若干个示例初始在线业务信息进行向量挖掘，得到示例信息质量评价向量；对于各所述层级，结合所述层级对应的事件噪声分析模块对所述示例信息质量评价向量进行所述层级对应的业务处理事件噪声分析，得到每一所述示例初始在线业务信息在所述层级对应的噪声项描述特征估计结果；结合所述信任因子分析模块对所述示例信息质量评价向量进行信任因子分析，得到每一所述示例初始在线业务信息的信任因子估计结果；
其中，所述结合每一所述示例初始在线业务信息所对应业务处理事件的不低于一个层级的先验噪声项描述特征、每一所述示例初始在线业务信息的信任因子估计结果和每一所述示例初始在线业务信息所对应业务处理事件的每一所述层级的噪声项描述特征估计结果，对所述通用的联合神经网络的网络变量进行改进，得到调试后的联合神经网络，包括：对于各所述层级，结合每一所述示例初始在线业务信息在所述层级对应的噪声项描述特征估计结果和所述示例初始在线业务信息所对应业务处理事件在所述层级的先验噪声项描述特征，确定所述层级对应的网络代价指数；结合所述层级对应的网络代价指数，对所述通用的联合神经网络中所述层级对应的事件噪声分析模块的网络变量进行改进，得到调试后的事件噪声分析模块；结合每一所述示例初始在线业务信息在每一所述层级对应的网络代价指数和每一所述示例初始在线业务信息的信任因子估计结果，确定信任因子网络代价指数；结合所述信任因子网络代价指数对所述信任因子分析模块的网络变量进行改进，得到调试后的信任因子分析模块；结合所述调试后的信任因子分析模块和每一所述层级对应的所述调试后的事件噪声分析模块，得到调试后的联合神经网络。
9.一种应用于数据处理的噪声优化AI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，以实现权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211552998.7A CN115658675B (zh) | 2022-12-06 | 2022-12-06 | 应用于数据处理的噪声优化方法及ai系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211552998.7A CN115658675B (zh) | 2022-12-06 | 2022-12-06 | 应用于数据处理的噪声优化方法及ai系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115658675A true CN115658675A (zh) | 2023-01-31 |
| CN115658675B CN115658675B (zh) | 2023-11-14 |
Family
ID=85019782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211552998.7A Active CN115658675B (zh) | 2022-12-06 | 2022-12-06 | 应用于数据处理的噪声优化方法及ai系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115658675B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080306830A1 (en) * | 2007-06-07 | 2008-12-11 | Cliquality, Llc | System for rating quality of online visitors |
| CN107730115A (zh) * | 2017-10-17 | 2018-02-23 | 云南大学 | 一种基于ahp的多源位置轨迹数据的质量评估方法 |
| CN109547230A (zh) * | 2017-09-22 | 2019-03-29 | 中国移动通信集团浙江有限公司 | 一种基于权重的互联网缓存资源服务质量评价方法及系统 |
| CN113436716A (zh) * | 2021-08-26 | 2021-09-24 | 南京天溯自动化控制系统有限公司 | 医院后勤运营管理生态平台 |
| CN113505064A (zh) * | 2021-07-07 | 2021-10-15 | 广东电力信息科技有限公司 | 一种基于异构信息流的电力大数据业务系统测试方法 |
| CN114638234A (zh) * | 2022-03-31 | 2022-06-17 | 房宏伟 | 应用于线上业务办理的大数据挖掘方法及系统 |
-
2022
- 2022-12-06 CN CN202211552998.7A patent/CN115658675B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080306830A1 (en) * | 2007-06-07 | 2008-12-11 | Cliquality, Llc | System for rating quality of online visitors |
| CN109547230A (zh) * | 2017-09-22 | 2019-03-29 | 中国移动通信集团浙江有限公司 | 一种基于权重的互联网缓存资源服务质量评价方法及系统 |
| CN107730115A (zh) * | 2017-10-17 | 2018-02-23 | 云南大学 | 一种基于ahp的多源位置轨迹数据的质量评估方法 |
| CN113505064A (zh) * | 2021-07-07 | 2021-10-15 | 广东电力信息科技有限公司 | 一种基于异构信息流的电力大数据业务系统测试方法 |
| CN113436716A (zh) * | 2021-08-26 | 2021-09-24 | 南京天溯自动化控制系统有限公司 | 医院后勤运营管理生态平台 |
| CN114638234A (zh) * | 2022-03-31 | 2022-06-17 | 房宏伟 | 应用于线上业务办理的大数据挖掘方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| CARLO BATINI等: "methodologies for data quality assessment and improvement" * |
| 吴天舒;陈蜀宇;吴朋;: "基于应力波分析的状态监控与故障预测研究" * |
| 陈丹霞等: "珠三角地区出口制造业宏观质量评价指标设定" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115658675B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114840486B (zh) | 用户行为数据采集方法、系统及云平台 | |
| CN108959370B (zh) | 一种基于知识图谱中实体相似度的社区发现方法及装置 | |
| CN111598461B (zh) | 一种基于企业知识图谱实时的风险泛化与传导分析方法 | |
| CN110679114A (zh) | 一种估计数据对象可删除性的方法 | |
| Debattista et al. | Quality assessment of linked datasets using probabilistic approximation | |
| CN115271407A (zh) | 基于人工智能的工业互联网数据处理方法及系统 | |
| CN115658675A (zh) | 应用于数据处理的噪声优化方法及ai系统 | |
| CN115712843A (zh) | 基于人工智能的数据匹配检测处理方法及系统 | |
| CN115438267A (zh) | 基于大数据的画像分析处理方法及系统 | |
| CN115766725A (zh) | 基于工业互联网的数据处理方法及系统 | |
| CN115422552A (zh) | 基于物联网的信息交互方法、系统及云平台 | |
| CN112861115B (zh) | 基于区块链安全认证的加密策略调用方法及云认证服务器 | |
| CN112860759B (zh) | 基于区块链安全认证的大数据挖掘方法及云认证服务系统 | |
| CN113190255A (zh) | 一种大数据在线话题服务升级方法、服务器及存储介质 | |
| CN115801338B (zh) | 基于加密流量控制网关的数据处理方法及系统 | |
| US9690789B2 (en) | Archive systems and methods | |
| Wu et al. | Corroborating Facts from Affirmative Statements. | |
| CN117591673B (zh) | 日志分组方法、装置、设备及存储介质 | |
| CN114816512B (zh) | 一种资源池构建方法、系统及云平台 | |
| US11449487B1 (en) | Efficient indexing of columns with inappropriate data types in relational databases | |
| CN115794785B (zh) | 基于大数据的电商数据筛查方法、系统及云平台 | |
| CN115174633B (zh) | 工业互联网业务数据处理方法、系统及云平台 | |
| WO2023173964A1 (en) | Intelligently optimized machine learning models | |
| Maroušek | Efficient kNN classification of malware from HTTPS data | |
| Spillner et al. | PICav: Precise, Iterative, and Complement-Based Cloud Storage Availability Calculation Scheme |
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: 20231024 Address after: Room 09, 8th Floor, Building 16, Phase 2, Xincheng Science and Technology Park, No. 662 Qingshan Road, Changsha High tech Development Zone, Changsha City, Hunan Province, 410205 Applicant after: Hunan Fengyun Tongda Information Technology Co.,Ltd. Address before: No. 1005, Huancheng Road, Honghuagang District, Zunyi City, Guizhou Province, 563000 Applicant before: Zunyi Zhongzhong Network Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |