CN115756576B - 软件开发包的翻译方法及软件开发系统 - Google Patents
软件开发包的翻译方法及软件开发系统 Download PDFInfo
- Publication number
- CN115756576B CN115756576B CN202211171295.XA CN202211171295A CN115756576B CN 115756576 B CN115756576 B CN 115756576B CN 202211171295 A CN202211171295 A CN 202211171295A CN 115756576 B CN115756576 B CN 115756576B
- Authority
- CN
- China
- Prior art keywords
- data
- computer language
- language data
- tag
- behavior
- 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.)
- Active
Links
- 238000013519 translation Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 199
- 230000006399 behavior Effects 0.000 claims description 234
- 238000012545 processing Methods 0.000 claims description 28
- 230000001323 posttranslational effect Effects 0.000 claims description 14
- 238000000611 regression analysis Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 3
- 230000003542 behavioural effect Effects 0.000 claims 2
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 4
- 239000011159 matrix 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
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development 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
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000005065 mining 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
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 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
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- Machine Translation (AREA)
Abstract
本申请提供的软件开发包的翻译方法及软件开发系统,根据原始翻译后行为数据,读取出待挖掘计算机语言数据中的重要信息翻译结果;由于本发明实施例可以根据标签知识向量和指定样本行为知识向量,得到计算机语言数据对应的行为数据,以及根据标签知识向量,确定标签匹配数据,如此可以根据对计算机语言数据对应的行为数据和标签匹配数据翻译操作得到的原始翻译后行为数据,全面且准确地读取出待挖掘计算机语言数据中的重要信息翻译结果,也即全面且准确地读取出目标行为在待挖掘计算机语言数据中的重要信息翻译结果。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及软件开发包的翻译方法及软件开发系统。
背景技术
随着科技的不断发展,在对软件开发包进行翻译的事,可能存在翻译异常或者翻译不准确的问题。从而难以确保重要信息翻译结果准确性和可靠性。因此,亟需一种技术方案以改善上述技术问题。
发明内容
为改善相关技术中存在的技术问题,本申请提供了软件开发包的翻译方法及软件开发系统。
第一方面,提供一种软件开发包的翻译方法,应用于软件开发系统,所述方法至少包括:获待挖掘计算机语言数据,并对所述待挖掘计算机语言数据进行分类,得到不少于两个计算机语言数据标签;对所述计算机语言数据标签进行重要内容识别,得到所述计算机语言数据标签的标签知识向量,所述标签知识向量为所述计算机语言数据标签的执行行为知识向量;结合所述标签知识向量和指定样本行为知识向量,获得所述计算机语言数据标签的计算机语言数据对应的行为数据,所述指定样本行为知识向量为指定的用于对所述待挖掘计算机语言数据中目标行为进行行为解析操作,所述计算机语言数据对应的行为数据为各个所述计算机语言数据标签对所述待挖掘计算机语言数据中目标行为进行执行的数据;结合所述标签知识向量,确定所述计算机语言数据标签之间的标签匹配数据,所述标签匹配数据为所述待挖掘计算机语言数据的计算机语言数据标签之间存在联系的数据;将所述计算机语言数据对应的行为数据和所述标签匹配数据进行翻译操作,得到原始翻译后行为数据;结合所述原始翻译后行为数据,读取出所述待挖掘计算机语言数据中的重要信息翻译结果。
在一种独立实施的实施例中,所述结合所述标签知识向量和指定样本行为知识向量,获得所述计算机语言数据标签的计算机语言数据对应的行为数据,包括:结合所述标签知识向量和指定样本行为知识向量,确定各个计算机语言数据标签的待定知识向量置信度;结合所述指定样本行为知识向量,从所述待定知识向量置信度挑选出各个计算机语言数据标签的知识向量置信度;将各个计算机语言数据标签的所述知识向量置信度视为各个计算机语言数据标签的计算机语言数据对应的行为数据。
在一种独立实施的实施例中,所述结合所述标签知识向量和指定样本行为知识向量,确定各个计算机语言数据标签的待定知识向量置信度,包括:结合所述标签知识向量和指定样本行为知识向量,确定所述待挖掘计算机语言数据的不少于两个原始重要数据;对所述原始重要数据进行翻译操作,得到所述各个计算机语言数据标签的待定知识向量置信度。
在一种独立实施的实施例中,所述结合所述标签知识向量,确定所述计算机语言数据标签之间的标签匹配数据,包括:结合所述标签知识向量和指定样本行为知识向量,确定所述计算机语言数据标签之间的待定匹配系数;结合所述标签知识向量,从所述待定匹配系数中挑选匹配系数;结合所述匹配系数,生成所述计算机语言数据标签之间的标签匹配数据。
在一种独立实施的实施例中,所述将所述计算机语言数据对应的行为数据和所述标签匹配数据进行翻译操作,得到原始翻译后行为数据,包括:根据计算机语言数据对应的行为数据对标签匹配数据进行拼接处理,得到拼接后行为数据;根据拼接后行为数据,确定原始翻译后行为数据。
在一种独立实施的实施例中,所述原始翻译后行为数据包括若干原始翻译后行为数据;所述结合所述原始翻译后行为数据,读取出所述待挖掘计算机语言数据中的重要信息翻译结果,包括:将所述若干原始翻译后行为数据进行翻译操作,得到目标翻译后行为数据;结合所述目标翻译后行为数据,读取出所述待挖掘计算机语言数据中的重要信息翻译结果。
在一种独立实施的实施例中,所述结合所述目标翻译后行为数据,读取出所述待挖掘计算机语言数据中的重要信息翻译结果,包括:结合所述目标翻译后行为数据,确定所述待挖掘计算机语言数据对应的目标定位计算机语言数据;结合所述目标定位计算机语言数据,读取出所述待挖掘计算机语言数据中的重要信息翻译结果。
在一种独立实施的实施例中,所述标签知识向量为采用配置后计算机语言数据处理线程进行重要内容识别得到的重要数据;所述对所述计算机语言数据标签进行重要内容识别之前,所述方法还包括:获得计算机语言数据范例簇,所述计算机语言数据范例簇包括不少于一个记录类型指示的计算机语言数据范例;采用待配置计算机语言数据处理线程对计算机语言数据范例进行衍生,得到衍生后范例重要数据;结合所述衍生后范例重要数据,对所述计算机语言数据范例进行回归分析,得到所述计算机语言数据范例的回归分析结果;结合所述回归分析结果和所述类型指示,对所述待配置计算机语言数据处理线程的线程系数进行反馈,得到配置后计算机语言数据处理线程。
第二方面,提供一种软件开发包的翻译方法及软件开发系统,包括互相之间通信的处理器和存储器,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。
本申请实施例所提供的软件开发包的翻译方法及软件开发系统,可以获待挖掘计算机语言数据,并对待挖掘计算机语言数据进行分类,得到不少于两个计算机语言数据标签;对计算机语言数据标签进行重要内容识别,得到计算机语言数据标签的标签知识向量,标签知识向量为计算机语言数据标签的执行行为知识向量;根据标签知识向量和指定样本行为知识向量,获得计算机语言数据标签的计算机语言数据对应的行为数据,指定样本行为知识向量为指定的用于对待挖掘计算机语言数据中目标行为进行行为解析操作,计算机语言数据对应的行为数据为各个计算机语言数据标签对待挖掘计算机语言数据中目标行为进行执行的数据;根据标签知识向量,确定计算机语言数据标签之间的标签匹配数据,标签匹配数据为待挖掘计算机语言数据的计算机语言数据标签之间存在联系的数据;将计算机语言数据对应的行为数据和标签匹配数据进行翻译操作,得到原始翻译后行为数据;根据原始翻译后行为数据,读取出待挖掘计算机语言数据中的重要信息翻译结果;由于本发明实施例可以根据标签知识向量和指定样本行为知识向量,得到计算机语言数据对应的行为数据,以及根据标签知识向量,确定标签匹配数据,如此可以根据对计算机语言数据对应的行为数据和标签匹配数据翻译操作得到的原始翻译后行为数据,全面且准确地读取出待挖掘计算机语言数据中的重要信息翻译结果,也即全面且准确地读取出目标行为在待挖掘计算机语言数据中的重要信息翻译结果。
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包的翻译方法及软件开发系统方法的流程图。
图2为本申请实施例所提供的一种软件开发包的翻译方法及软件开发系统装置的框图。
图3为本申请实施例所提供的一种软件开发包的翻译方法及软件开发系统的架构图。
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包的翻译方法及软件开发系统方法,该方法可以包括以下步骤S101-S106所描述的技术方案。
S101、获待挖掘计算机语言数据,并对待挖掘计算机语言数据进行分类,得到不少于两个计算机语言数据标签。
其中,待挖掘计算机语言数据可以是随机的计算机语言数据,譬如,待挖掘计算机语言数据可以是交互数据,可以是研发数据;等等。
本发明实施例对待挖掘计算机语言数据进行分类,得到不少于两个计算机语言数据标签的方式可以有多种,如下:譬如,人工智能线程对待挖掘计算机语言数据进行分类,得到不少于两个计算机语言数据标签。
S102、对计算机语言数据标签进行重要内容识别,得到计算机语言数据标签的标签知识向量。
其中,标签知识向量可以是指表征计算机语言数据标签特征的信息,示例性的标签知识向量为计算机语言数据标签的执行行为知识向量。
示例性的,可以对计算机语言数据标签进行语义重要内容识别,得到计算机语言数据标签的标签知识向量。
本发明实施例对计算机语言数据标签进行重要内容识别,得到计算机语言数据标签的标签知识向量的方式有多种,如下:譬如,本发明实施例可以采用现有的相关技术中的人工智能线程对计算机语言数据标签进行重要内容识别,得到计算机语言数据标签的标签知识向量。
又譬如,本发明实施例可以采用配置后计算机语言数据处理线程对计算机语言数据标签进行重要内容识别,得到计算机语言数据标签的标签知识向量。
其中,配置后计算机语言数据处理线程可以为对待配置计算机语言数据处理线程进行配置后得到的线程。本发明实施例可以对待配置计算机语言数据处理线程进行配置,如下所示:譬如,可以获得计算机语言数据范例簇,计算机语言数据范例簇包括不少于一个记录类型指示的计算机语言数据范例;采用待配置计算机语言数据处理线程对计算机语言数据范例进行衍生,得到衍生后范例重要数据;根据衍生后范例重要数据,对计算机语言数据范例进行回归分析,得到计算机语言数据范例的回归分析结果;根据回归分析结果和类型指示,对待配置计算机语言数据处理线程的线程系数进行反馈,得到配置后计算机语言数据处理线程。
S103、根据标签知识向量和指定样本行为知识向量,获得计算机语言数据标签的计算机语言数据对应的行为数据。
其中,指定样本行为知识向量为指定的用于对待挖掘计算机语言数据中目标行为进行行为解析操作。目标行为可以是指待挖掘计算机语言数据中待定位的对象。示例性的,指定样本行为知识向量可以是在先配置完成的重要数据,该指定样本行为知识向量也可以是人工智能线程原始化的重要数据。
其中,计算机语言数据对应的行为数据为各个计算机语言数据标签对待挖掘计算机语言数据中目标行为进行执行的数据,计算机语言数据对应的行为数据具体可以表现为各个计算机语言数据标签对待挖掘计算机语言数据中目标行为进行挖掘的程度,譬如,计算机语言数据对应的行为数据表现为各个计算机语言数据标签对待挖掘计算机语言数据中目标行为进行定位的知识向量置信度,计算机语言数据对应的行为数据的表征形式可以为数值。
本发明实施例根据标签知识向量和指定样本行为知识向量,获得计算机语言数据标签的计算机语言数据对应的行为数据的方式可以如步骤A1至A3所描述的内容。
A1、根据标签知识向量和指定样本行为知识向量,确定各个计算机语言数据标签的待定知识向量置信度。
本发明实施例根据标签知识向量和指定样本行为知识向量,确定各个计算机语言数据标签的待定知识向量置信度的方式有多种,如下:
譬如,指定样本行为知识向量包括若干指定样本行为知识向量;可以计算标签知识向量和指定样本行为知识向量之间的目标相似度,得到各个计算机语言数据标签针对指定样本行为知识向量的目标相似度;针对各个计算机语言数据标签,对计算机语言数据标签对应的目标相似度进行无量纲简化处理,得到各个计算机语言数据标签的待定知识向量置信度。
又譬如,可以根据标签知识向量和指定样本行为知识向量,计算待挖掘计算机语言数据的不少于两个原始重要数据;对原始重要数据进行翻译操作,得到各个计算机语言数据标签的待定知识向量置信度。
其中,本发明实施例根据标签知识向量和指定样本行为知识向量,计算待挖掘计算机语言数据的不少于两个原始重要数据的方式可以为:获得不少于两个关联模型;针对各个关联模型,采用各个关联模型对标签知识向量和指定样本行为知识向量进行关联处理,得到各个关联模型对应的原始重要数据,得到待挖掘计算机语言数据的不少于两个原始重要数据。
其中,原始重要数据可以由矩阵的形式表征,基于此,本发明实施例对原始重要数据进行翻译操作,得到各个计算机语言数据标签的待定知识向量置信度可以为:计算不少于两个原始重要数据的平均值,得到各个计算机语言数据标签的待定知识向量置信度。
A2、根据指定样本行为知识向量,从待定知识向量置信度挑选出各个计算机语言数据标签的知识向量置信度。
其中,指定样本行为知识向量可以与计算机语言数据标签对应的标签知识向量具有对应关系,待定知识向量置信度为对标签知识向量与指定样本行为知识向量处理后得到的置信度,基于此,本发明实施例可以指定样本行为知识向量,从待定知识向量置信度挑选出各个计算机语言数据标签对应的知识向量置信度。
A3、将各个计算机语言数据标签的知识向量置信度视为各个计算机语言数据标签的计算机语言数据对应的行为数据。
为了能够更加准确地确定出待挖掘计算机语言数据中目标行为的重要信息翻译结果,本发明实施例还可以结合计算机语言数据标签之间的标签匹配数据对待挖掘计算机语言数据中的重要信息翻译结果进行定位。
S104、根据标签知识向量,确定计算机语言数据标签之间的标签匹配数据。
其中,标签匹配数据可以是表征待挖掘计算机语言数据中计算机语言数据标签之间存在联系的数据,标签匹配数据的表征形式可以为矩阵。
本发明实施例根据标签知识向量,确定计算机语言数据标签之间的标签匹配数据的方式可以如下:譬如,可以根据标签知识向量和指定样本行为知识向量,计算计算机语言数据标签之间的待定匹配系数;根据标签知识向量,从待定匹配系数中挑选匹配系数;根据匹配系数,生成计算机语言数据标签之间的标签匹配数据。
其中,根据标签知识向量和指定样本行为知识向量,计算计算机语言数据标签之间的待定匹配系数的方式可以为:可以根据标签知识向量和指定样本行为知识向量,计算待挖掘计算机语言数据的不少于两个参考重要数据;对参考重要数据进行翻译操作,得到计算机语言数据标签之间的待定匹配系数。
参考重要数据可以以矩阵的形式表征,基于此,本发明实施例对参考重要数据进行翻译操作,得到计算机语言数据标签之间的待定匹配系数可以为:计算不少于两个参考重要数据的平均值,得到计算机语言数据标签之间的待定匹配系数。
S105、将计算机语言数据对应的行为数据和标签匹配数据进行翻译操作,得到原始翻译后行为数据。
本发明实施例根据计算机语言数据对应的行为数据和标签匹配数据翻译操作得到的原始翻译后行为数据,可以更全面且准确地在待挖掘计算机语言数据中读取出重要信息翻译结果。原始翻译后行为数据可以是指对计算机语言数据对应的行为数据和标签匹配数据进行翻译操作所得到的信息。
示例性的,计算机语言数据对应的行为数据包括各个计算机语言数据标签对应的知识向量置信度,基于此,本发明实施例将计算机语言数据对应的行为数据和标签匹配数据进行翻译操作的方式可以为:可以根据计算机语言数据对应的行为数据对标签匹配数据进行拼接处理,得到拼接后行为数据;根据拼接后行为数据,确定原始翻译后行为数据。
S106、根据原始翻译后行为数据,读取出待挖掘计算机语言数据中的重要信息翻译结果。
其中,重要信息翻译结果是指目标行为在待挖掘计算机语言数据中的计算机语言数据标签。
其中,原始翻译后行为数据包括若干原始翻译后行为数据,基于此,本发明实施例将计算机语言数据对应的行为数据和标签匹配数据进行翻译操作,得到原始翻译后行为数据的方式可以如步骤B1至B2所描述的内容。
B1、将若干原始翻译后行为数据进行翻译操作,得到目标翻译后行为数据。
B2、根据目标翻译后行为数据,读取出待挖掘计算机语言数据中的重要信息翻译结果。
本发明实施例根据目标翻译后行为数据,读取出待挖掘计算机语言数据中的重要信息翻译结果的方式可以如下:譬如,可以根据目标翻译后行为数据,确定待挖掘计算机语言数据对应的目标定位计算机语言数据;根据目标定位计算机语言数据,读取出待挖掘计算机语言数据中的重要信息翻译结果。
本发明实施例可以获待挖掘计算机语言数据,并对待挖掘计算机语言数据进行分类,得到不少于两个计算机语言数据标签;对计算机语言数据标签进行重要内容识别,得到计算机语言数据标签的标签知识向量,标签知识向量为计算机语言数据标签的执行行为知识向量;根据标签知识向量和指定样本行为知识向量,获得计算机语言数据标签的计算机语言数据对应的行为数据,指定样本行为知识向量为指定的用于对待挖掘计算机语言数据中目标行为进行行为解析操作,计算机语言数据对应的行为数据为各个计算机语言数据标签对待挖掘计算机语言数据中目标行为进行执行的数据;根据标签知识向量,确定计算机语言数据标签之间的标签匹配数据,标签匹配数据为待挖掘计算机语言数据的计算机语言数据标签之间存在联系的数据;将计算机语言数据对应的行为数据和标签匹配数据进行翻译操作,得到原始翻译后行为数据;根据原始翻译后行为数据,读取出待挖掘计算机语言数据中的重要信息翻译结果;由于本发明实施例可以根据标签知识向量和指定样本行为知识向量,得到计算机语言数据对应的行为数据,以及根据标签知识向量,确定标签匹配数据,如此可以根据对计算机语言数据对应的行为数据和标签匹配数据翻译操作得到的原始翻译后行为数据,全面且准确地读取出待挖掘计算机语言数据中的重要信息翻译结果,也即全面且准确地读取出目标行为在待挖掘计算机语言数据中的重要信息翻译结果。
一种软件开发包的翻译方法,具体流程如步骤S201至步骤S210所描述的内容。
S201、获得计算机语言数据范例簇。
其中,计算机语言数据范例簇包括不少于一个记录类型指示的计算机语言数据范例。
S202、采用待配置计算机语言数据处理线程对计算机语言数据范例进行衍生,得到衍生后范例重要数据。
S203、根据衍生后范例重要数据,对计算机语言数据范例进行回归分析,得到计算机语言数据范例的回归分析结果。
S204、根据回归分析结果和类型指示,对待配置计算机语言数据处理线程的线程系数进行反馈,得到配置后计算机语言数据处理线程。
S205、获待挖掘计算机语言数据,并对待挖掘计算机语言数据进行分类,得到不少于两个计算机语言数据标签。
本发明实施例对待挖掘计算机语言数据进行分类,得到不少于两个计算机语言数据标签的方式可以如下:
譬如,采用配置后计算机语言数据处理线程对待挖掘计算机语言数据进行分类,得到不少于两个计算机语言数据标签。
S206、采用配置后计算机语言数据处理线程对计算机语言数据标签进行重要内容识别,得到计算机语言数据标签的标签知识向量。
S207、根据标签知识向量和指定样本行为知识向量,获得计算机语言数据标签的计算机语言数据对应的行为数据。
其中,本发明实施例的指定样本行为知识向量是配置后计算机语言数据处理线程原始化的重要数据。
如图3所示,本发明实施例根据标签知识向量和指定样本行为知识向量,获得计算机语言数据标签的计算机语言数据对应的行为数据的方式可以如A1至A3所描述的内容。
A1、根据标签知识向量和指定样本行为知识向量,确定各个计算机语言数据标签的待定知识向量置信度。
本发明实施例根据标签知识向量和指定样本行为知识向量,确定各个计算机语言数据标签的待定知识向量置信度的方式可以如下:
譬如,可以根据标签知识向量和指定样本行为知识向量,计算待挖掘计算机语言数据的不少于两个原始重要数据;对原始重要数据进行翻译操作,得到各个计算机语言数据标签的待定知识向量置信度。
A2、根据指定样本行为知识向量,从待定知识向量置信度挑选出各个计算机语言数据标签的知识向量置信度。
其中,指定样本行为知识向量可以与计算机语言数据标签对应的标签知识向量具有对应关系,待定知识向量置信度为对标签知识向量与指定样本行为知识向量处理后得到的置信度,基于此,本发明实施例可以指定样本行为知识向量,从待定知识向量置信度挑选出各个计算机语言数据标签对应的知识向量置信度。
基于上述,本发明实施例可以从待定知识向量置信度集合中的待定知识向量置信度挑选出各个计算机语言数据标签的知识向量置信度,各个计算机语言数据标签的知识向量置信度可以表示为 反映了各个计算机语言数据标签对待挖掘计算机语言数据中目标行为进行定位所做出的贡献大小,因此, 可以当做计算机语言数据处理线程对每个计算机语言数据标签的响应程度。各个计算机语言数据标签的知识向量置信度可以是指指定样本行为知识向量对应的各个计算机语言数据标签的知识向量置信度,即 建模了指定样本行为知识向量和各个计算机语言数据标签之间的关联情况。
A3、将各个计算机语言数据标签的知识向量置信度视为各个计算机语言数据标签的计算机语言数据对应的行为数据。
S208、根据标签知识向量,确定计算机语言数据标签之间的标签匹配数据。
其中,标签匹配数据可以是表征待挖掘计算机语言数据中计算机语言数据标签之间存在联系的数据,标签匹配数据的表征形式可以为数值。
本发明实施例根据标签知识向量,确定计算机语言数据标签之间的标签匹配数据的方式可以如下:譬如,可以根据标签知识向量和指定样本行为知识向量,计算计算机语言数据标签之间的待定匹配系数;根据标签知识向量,从待定匹配系数中挑选匹配系数;根据匹配系数,生成计算机语言数据标签之间的标签匹配数据。
S209、将计算机语言数据对应的行为数据和标签匹配数据进行翻译操作,得到原始翻译后行为数据。
本发明实施例为了能够全面且准确地读取出重要信息翻译结果,对计算机语言数据对应的行为数据和标签匹配数据进行了结合。
其中,计算机语言数据对应的行为数据包括各个计算机语言数据标签对应的知识向量置信度,基于此,本发明实施例将计算机语言数据对应的行为数据和标签匹配数据进行翻译操作的方式可以为:根据计算机语言数据对应的行为数据对标签匹配数据进行拼接处理,得到拼接后行为数据;根据拼接后行为数据,确定原始翻译后行为数据。
S210、根据原始翻译后行为数据,在待挖掘计算机语言数据中读取出待挖掘计算机语言数据中的重要信息翻译结果。
在本发明实施例中,配置后计算机语言数据处理线程的各个衍生模块对应有原始翻译后行为数据 也即,原始翻译后行为数据包括若干原始翻译后行为数据,基于此,本发明实施例将计算机语言数据对应的行为数据和标签匹配数据进行翻译操作,得到原始翻译后行为数据的方式可以如下:譬如,可以将若干原始翻译后行为数据进行翻译操作,得到目标翻译后行为数据;根据目标翻译后行为数据,读取出待挖掘计算机语言数据中的重要信息翻译结果。
其中,原始翻译后行为数据可以以矩阵的形式表征,即,原始翻译后行为数据可以表征为 基于此,本发明实施例将若干原始翻译后行为数据进行翻译操作,得到目标翻译后行为数据的方式可以为:可以计算若干原始翻译后行为数据的原始平均值,该原始平均值即为目标翻译后行为数据。
基于此,本发明实施例根据目标翻译后行为数据,在待挖掘计算机语言数据中读取出重要信息翻译结果的方式可以如下:譬如,可以根据目标翻译后行为数据,确定待挖掘计算机语言数据对应的目标定位计算机语言数据;根据目标定位计算机语言数据,读取出待挖掘计算机语言数据中的重要信息翻译结果。
本发明实施例可以获待挖掘计算机语言数据,并对待挖掘计算机语言数据进行分类,得到不少于两个计算机语言数据标签;对计算机语言数据标签进行重要内容识别,得到计算机语言数据标签的标签知识向量,标签知识向量为计算机语言数据标签的执行行为知识向量;根据标签知识向量和指定样本行为知识向量,获得计算机语言数据标签的计算机语言数据对应的行为数据,指定样本行为知识向量为指定的用于对待挖掘计算机语言数据中目标行为进行行为解析操作,计算机语言数据对应的行为数据为各个计算机语言数据标签对待挖掘计算机语言数据中目标行为进行执行的数据;根据标签知识向量,确定计算机语言数据标签之间的标签匹配数据,标签匹配数据为待挖掘计算机语言数据的计算机语言数据标签之间存在联系的数据;将计算机语言数据对应的行为数据和标签匹配数据进行翻译操作,得到原始翻译后行为数据;根据原始翻译后行为数据,读取出待挖掘计算机语言数据中的重要信息翻译结果;由于本发明实施例可以根据标签知识向量和指定样本行为知识向量,得到计算机语言数据对应的行为数据,以及根据标签知识向量,确定标签匹配数据,如此可以根据对计算机语言数据对应的行为数据和标签匹配数据翻译操作得到的原始翻译后行为数据,全面且准确地读取出待挖掘计算机语言数据中的重要信息翻译结果,也即全面且准确地读取出目标行为在待挖掘计算机语言数据中的重要信息翻译结果。
在上述基础上,请结合参阅图2,提供了一种软件开发包的翻译方法及软件开发系统装置200,应用于软件开发包的翻译方法及软件开发系统,所述装置包括:
标签分类模块210,用于获待挖掘计算机语言数据,并对所述待挖掘计算机语言数据进行分类,得到不少于两个计算机语言数据标签;
向量识别模块220,用于对所述计算机语言数据标签进行重要内容识别,得到所述计算机语言数据标签的标签知识向量,所述标签知识向量为所述计算机语言数据标签的执行行为知识向量;
数据获得模块230,用于结合所述标签知识向量和指定样本行为知识向量,获得所述计算机语言数据标签的计算机语言数据对应的行为数据,所述指定样本行为知识向量为指定的用于对所述待挖掘计算机语言数据中目标行为进行行为解析操作,所述计算机语言数据对应的行为数据为各个所述计算机语言数据标签对所述待挖掘计算机语言数据中目标行为进行执行的数据;
数据匹配模块240,用于结合所述标签知识向量,确定所述计算机语言数据标签之间的标签匹配数据,所述标签匹配数据为所述待挖掘计算机语言数据的计算机语言数据标签之间存在联系的数据;
结果翻译模块250,用于将所述计算机语言数据对应的行为数据和所述标签匹配数据进行翻译操作,得到原始翻译后行为数据;结合所述原始翻译后行为数据,读取出所述待挖掘计算机语言数据中的重要信息翻译结果。
在上述基础上,请结合参阅图3,示出了一种软件开发包的翻译方法及软件开发系统300,包括互相之间通信的处理器310和存储器320,所述处理器310用于从所述存储器320中读取计算机程序并执行,以实现上述的方法。
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,可以获待挖掘计算机语言数据,并对待挖掘计算机语言数据进行分类,得到不少于两个计算机语言数据标签;对计算机语言数据标签进行重要内容识别,得到计算机语言数据标签的标签知识向量,标签知识向量为计算机语言数据标签的执行行为知识向量;根据标签知识向量和指定样本行为知识向量,获得计算机语言数据标签的计算机语言数据对应的行为数据,指定样本行为知识向量为指定的用于对待挖掘计算机语言数据中目标行为进行行为解析操作,计算机语言数据对应的行为数据为各个计算机语言数据标签对待挖掘计算机语言数据中目标行为进行执行的数据;根据标签知识向量,确定计算机语言数据标签之间的标签匹配数据,标签匹配数据为待挖掘计算机语言数据的计算机语言数据标签之间存在联系的数据;将计算机语言数据对应的行为数据和标签匹配数据进行翻译操作,得到原始翻译后行为数据;根据原始翻译后行为数据,读取出待挖掘计算机语言数据中的重要信息翻译结果;由于本发明实施例可以根据标签知识向量和指定样本行为知识向量,得到计算机语言数据对应的行为数据,以及根据标签知识向量,确定标签匹配数据,如此可以根据对计算机语言数据对应的行为数据和标签匹配数据翻译操作得到的原始翻译后行为数据,全面且准确地读取出待挖掘计算机语言数据中的重要信息翻译结果,也即全面且准确地读取出目标行为在待挖掘计算机语言数据中的重要信息翻译结果。
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 (7)
1.一种软件开发包的翻译方法,其特征在于,应用于软件开发系统,所述方法至少包括:
获待挖掘计算机语言数据,并对所述待挖掘计算机语言数据进行分类,得到不少于两个所述计算机语言数据标签;
对所述计算机语言数据标签进行重要内容识别,得到所述计算机语言数据标签的标签知识向量,所述标签知识向量为所述计算机语言数据标签的执行行为知识向量;
结合所述标签知识向量和指定样本行为知识向量,获得所述计算机语言数据标签的计算机语言数据对应的行为数据,所述指定样本行为知识向量为指定的用于对所述待挖掘计算机语言数据中目标行为进行行为解析操作,所述计算机语言数据对应的行为数据为各个所述计算机语言数据标签对所述待挖掘计算机语言数据中目标行为进行执行的数据;
结合所述标签知识向量,确定所述计算机语言数据标签之间的标签匹配数据,所述标签匹配数据为所述待挖掘计算机语言数据的计算机语言数据标签之间存在联系的数据;
将所述计算机语言数据对应的行为数据和所述标签匹配数据进行翻译操作,得到原始翻译后行为数据;结合所述原始翻译后行为数据,读取出所述待挖掘计算机语言数据中的重要信息翻译结果;所述结合所述标签知识向量和指定样本行为知识向量,获得所述计算机语言数据标签的计算机语言数据对应的行为数据,包括:
结合所述标签知识向量和指定样本行为知识向量,确定各个计算机语言数据标签的待定知识向量置信度;
结合所述指定样本行为知识向量,从所述待定知识向量置信度挑选出各个计算机语言数据标签的知识向量置信度;
将各个计算机语言数据标签的所述知识向量置信度视为各个计算机语言数据标签的计算机语言数据对应的行为数据;所述结合所述标签知识向量和指定样本行为知识向量,确定各个计算机语言数据标签的待定知识向量置信度,包括:
结合所述标签知识向量和指定样本行为知识向量,确定所述待挖掘计算机语言数据的不少于两个原始重要数据;
对所述原始重要数据进行翻译操作,得到所述各个计算机语言数据标签的待定知识向量置信度。
2.根据权利要求1所述的软件开发包的翻译方法,其特征在于,所述结合所述标签知识向量,确定所述计算机语言数据标签之间的标签匹配数据,包括:
所述结合所述标签知识向量和指定样本行为知识向量,确定所述计算机语言数据标签之间的待定匹配系数;
结合所述标签知识向量,从所述待定匹配系数中挑选匹配系数;
结合所述匹配系数,生成所述计算机语言数据标签之间的标签匹配数据。
3.根据权利要求1所述的软件开发包的翻译方法,其特征在于,所述将所述计算机语言数据对应的行为数据和所述标签匹配数据进行翻译操作,得到原始翻译后行为数据,包括:根据计算机语言数据对应的行为数据对标签匹配数据进行拼接处理,得到拼接后行为数据;根据拼接后行为数据,确定原始翻译后行为数据。
4.根据权利要求1所述的软件开发包的翻译方法,其特征在于,所述原始翻译后行为数据包括若干原始翻译后行为数据;所述结合所述原始翻译后行为数据,读取出所述待挖掘计算机语言数据中的重要信息翻译结果,包括:将所述若干原始翻译后行为数据进行翻译操作,得到目标翻译后行为数据;结合所述目标翻译后行为数据,读取出所述待挖掘计算机语言数据中的重要信息翻译结果。
5.根据权利要求4所述的软件开发包的翻译方法,其特征在于,所述结合所述目标翻译后行为数据,读取出所述待挖掘计算机语言数据中的重要信息翻译结果,包括:结合所述目标翻译后行为数据,确定所述待挖掘计算机语言数据对应的目标定位计算机语言数据;结合所述目标定位计算机语言数据,读取出所述待挖掘计算机语言数据中的重要信息翻译结果。
6.根据权利要求1所述的软件开发包的翻译方法,其特征在于,所述标签知识向量为采用配置后计算机语言数据处理线程进行重要内容识别得到的重要数据;所述对所述计算机语言数据标签进行重要内容识别之前,所述方法还包括:
获得计算机语言数据范例簇,所述计算机语言数据范例簇包括不少于一个记录类型指示的计算机语言数据范例;
采用待配置计算机语言数据处理线程对计算机语言数据范例进行衍生,得到衍生后范例重要数据;
结合所述衍生后范例重要数据,对所述计算机语言数据范例进行回归分析,得到所述计算机语言数据范例的回归分析结果;
结合所述回归分析结果和所述类型指示,对所述待配置计算机语言数据处理线程的线程系数进行反馈,得到配置后计算机语言数据处理线程。
7.一种软件开发包的翻译方法及软件开发系统,其特征在于,包括互相之间通信的处理器和存储器,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1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211171295.XA CN115756576B (zh) | 2022-09-26 | 2022-09-26 | 软件开发包的翻译方法及软件开发系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211171295.XA CN115756576B (zh) | 2022-09-26 | 2022-09-26 | 软件开发包的翻译方法及软件开发系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115756576A CN115756576A (zh) | 2023-03-07 |
CN115756576B true CN115756576B (zh) | 2023-12-12 |
Family
ID=85351931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211171295.XA Active CN115756576B (zh) | 2022-09-26 | 2022-09-26 | 软件开发包的翻译方法及软件开发系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115756576B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287499A (zh) * | 2019-06-26 | 2019-09-27 | 一带科技服务(北京)有限公司 | 翻译方法、装置及综合平台 |
CN111539229A (zh) * | 2019-01-21 | 2020-08-14 | 波音公司 | 神经机器翻译模型训练方法、神经机器翻译方法及装置 |
CN112633017A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 翻译模型训练、翻译处理方法、装置、设备和存储介质 |
CN113360598A (zh) * | 2021-04-12 | 2021-09-07 | 深圳市家家顺物联科技有限公司 | 基于人工智能的匹配方法、装置、电子设备及存储介质 |
CN114023337A (zh) * | 2021-10-12 | 2022-02-08 | 湖北文理学院 | 一种深度学习中端到端的宠物语言翻译方法 |
CN114327492A (zh) * | 2020-09-30 | 2022-04-12 | 华为技术有限公司 | 一种代码翻译方法、装置及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170214611A1 (en) * | 2016-01-21 | 2017-07-27 | Language Line Services, Inc. | Sip header configuration for identifying data for language interpretation/translation |
-
2022
- 2022-09-26 CN CN202211171295.XA patent/CN115756576B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539229A (zh) * | 2019-01-21 | 2020-08-14 | 波音公司 | 神经机器翻译模型训练方法、神经机器翻译方法及装置 |
CN110287499A (zh) * | 2019-06-26 | 2019-09-27 | 一带科技服务(北京)有限公司 | 翻译方法、装置及综合平台 |
CN114327492A (zh) * | 2020-09-30 | 2022-04-12 | 华为技术有限公司 | 一种代码翻译方法、装置及设备 |
CN112633017A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 翻译模型训练、翻译处理方法、装置、设备和存储介质 |
CN113360598A (zh) * | 2021-04-12 | 2021-09-07 | 深圳市家家顺物联科技有限公司 | 基于人工智能的匹配方法、装置、电子设备及存储介质 |
CN114023337A (zh) * | 2021-10-12 | 2022-02-08 | 湖北文理学院 | 一种深度学习中端到端的宠物语言翻译方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115756576A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111143226B (zh) | 自动化测试方法及装置、计算机可读存储介质、电子设备 | |
CN116112746B (zh) | 在线教育直播视频压缩方法及系统 | |
CN115732050A (zh) | 一种医疗大数据信息智能采集方法及系统 | |
CN113239229A (zh) | 一种智能筛选数据处理方法、系统及云平台 | |
CN116737975A (zh) | 应用于图像分析的公共卫生数据查询方法及系统 | |
CN115373688B (zh) | 一种软件开发线程的优化方法、系统及云平台 | |
CN115756576B (zh) | 软件开发包的翻译方法及软件开发系统 | |
CN117037982A (zh) | 一种医疗大数据信息智能采集方法及系统 | |
CN115359203B (zh) | 一种三维高精度地图生成方法、系统及云平台 | |
CN116739184A (zh) | 一种滑坡预测方法及系统 | |
CN115514570B (zh) | 一种网络诊断处理方法、系统及云平台 | |
CN116468534A (zh) | 一种集体经济组织信用信息等级分析方法及系统 | |
CN115473822B (zh) | 一种5g智能网关数据传输方法、系统及云平台 | |
CN116486269A (zh) | 基于图像分析的桥梁裂缝识别方法及系统 | |
CN116250790A (zh) | 基于人工智能的智能控制拖鞋烘干的方法及系统 | |
CN114779923A (zh) | 一种基于超声波的vr仿真场景定位方法及系统 | |
CN113609931B (zh) | 基于神经网络的人脸识别方法及系统 | |
CN115563153B (zh) | 基于人工智能的任务批量处理方法、系统及服务器 | |
CN114911850B (zh) | 一种基于虚拟现实的磁悬浮失重控制方法及系统 | |
CN115292301B (zh) | 基于人工智能的任务数据异常监测处理方法及系统 | |
CN115409510B (zh) | 一种在线交易安全系统及方法 | |
CN113407173B (zh) | 一种医疗微服务器的表达式进行可视化编程的方法及系统 | |
CN113645063B (zh) | 基于边缘计算的智能集成数据的方法及系统 | |
CN113643818B (zh) | 基于区域数据的医疗数据集成数据的方法及系统 | |
CN115564476A (zh) | 广告播放进度调节方法、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 |
Effective date of registration: 20231121 Address after: Room 1408, 14th Floor, No. 345 Changzhi Road, Taiyuan Xuefu Park, Shanxi Comprehensive Reform Demonstration Zone, Taiyuan City, Shanxi Province, 030000 Applicant after: Shanxi Digital Government Construction and Operation Co.,Ltd. Address before: No. 30, South Ring Road, Changping District, Beijing 102200 Applicant before: Zhao Yingying |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |