CN115760216A - 基于人工智能的订单数据分析方法及系统 - Google Patents
基于人工智能的订单数据分析方法及系统 Download PDFInfo
- Publication number
- CN115760216A CN115760216A CN202211553080.4A CN202211553080A CN115760216A CN 115760216 A CN115760216 A CN 115760216A CN 202211553080 A CN202211553080 A CN 202211553080A CN 115760216 A CN115760216 A CN 115760216A
- Authority
- CN
- China
- Prior art keywords
- data
- element knowledge
- business
- analyzed
- linkage
- 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.)
- Withdrawn
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供的基于人工智能的订单数据分析方法及系统,鉴于业务需求数据和联动特征数据都是基于第一订单要素知识关系链进行提炼的,业务需求数据和联动特征数据的提炼结果之间不存在干扰;联动特征数据时基于第一订单要素知识关系链进行提炼的,因此在进行联动特征数据回归分析的过程中,可以结合待分析业务订单数据的整体层面的特征信息,提炼得到的联动特征数据尽可能准确完整,进而提炼得到的待分析业务订单数据中的目标业务需求之间的联动描述准确性也能够得到保障。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种基于人工智能的订单数据分析方法及系统。
背景技术
人工智能作为新一代前言技术,其涉足的范围较为广泛,诸如机器视觉,指纹识别,人脸识别,视网膜识别,虹膜识别,掌纹识别,专家系统,自动规划,智能搜索,定理证明,自动程序设计,智能控制,机器人学,语言和图像理解和遗传编程等,都是人工智能所应用的具体领域。现目前,人工智能的应用在用户需求领域的热度越来越高,而如何在传统的需求分析技术上进行突破是目前的一个技术难关。
发明内容
为改善相关技术中存在的技术问题,本发明提供了一种基于人工智能的订单数据分析方法及系统。
第一方面,本发明实施例提供了一种基于人工智能的订单数据分析方法,应用于订单数据分析系统,所述方法包括:在接收到订单数据分析请求时,从云数据库中调取待分析业务订单数据;对所述待分析业务订单数据进行要素知识挖掘,确定所述待分析业务订单数据对应的第一订单要素知识关系链;结合所述第一订单要素知识关系链,进行业务需求回归分析,确定所述待分析业务订单数据中的业务需求数据;以及结合所述第一订单要素知识关系链进行联动特征提炼,确定所述待分析业务订单数据的联动特征数据;将所述业务需求数据与所述联动特征数据进行配对,确定所述待分析业务订单数据中的目标业务需求之间的联动描述。
本发明实施例提供的基于人工智能的订单数据分析方法,在挖掘出待分析业务订单数据对应的第一订单要素知识关系链后,能够并行基于第一订单要素知识关系链进行业务需求回归分析和联动特征提炼,提炼得到待分析业务订单数据中的业务需求数据和联动特征数据,然后将业务需求数据和联动特征数据进行配对,确定待分析业务订单数据中的目标业务需求之间的联动描述。这样,鉴于业务需求数据和联动特征数据都是基于第一订单要素知识关系链进行提炼的,业务需求数据和联动特征数据的提炼结果之间不存在干扰;联动特征数据时基于第一订单要素知识关系链进行提炼的,因此在进行联动特征数据回归分析的过程中,可以结合待分析业务订单数据的整体层面的特征信息,提炼得到的联动特征数据尽可能准确完整,进而提炼得到的待分析业务订单数据中的目标业务需求之间的联动描述准确性也能够得到保障。
在一些独立性实施例中,所述对所述待分析业务订单数据进行要素知识挖掘,确定所述待分析业务订单数据对应的第一订单要素知识关系链,包括:对所述待分析业务订单数据进行要素知识挖掘,得到所述待分析业务订单数据对应的过渡型要素知识分布;对于所述过渡型要素知识分布中的每个要素知识成员,结合所述过渡型要素知识分布中除该要素知识成员外的剩余要素知识成员的AI描述变量,对该要素知识成员的AI描述变量进行更新,得到所述第一订单要素知识关系链。
可见,在对待分析业务订单数据进行要素知识挖掘时,可以考虑的要素知识仅仅是该数据块的邻居数据块的要素知识,因而所得的过渡型要素知识分布中,每个要素知识成员的AI描述变量的覆盖范围较小,基于此,通过对过渡型要素知识分布中每个要素知识成员的AI描述变量进行更新,可以使得每个要素知识成员拼接整体层面的特征信息,由此在基于第一订单要素知识关系链进行业务需求回归分析和联动特征提炼时尽可能保障准确性和可靠性。
在一些独立性实施例中,所述结合所述第一订单要素知识关系链,进行业务需求回归分析,确定所述待分析业务订单数据中的业务需求数据,包括:反复实施如下内容,直到满足设定迭代轮数:基于事先调试的用作查询所述待分析业务订单数据中的业务需求描述字段的第一要素知识查询向量关系链,从所述第一订单要素知识关系链中筛选与所述第一要素知识查询向量关系链配对的第一已匹配要素知识关系链;将所述第一已匹配要素知识关系链与所述第一要素知识查询向量关系链拼接,作为新的第一要素知识查询向量关系链,并跳转到实施筛选第一已匹配要素知识关系链的步骤;基于最后一轮筛选到的所述第一已匹配要素知识关系链,确定所述待分析业务订单数据中的业务需求数据。
可见,在基于多次筛选到第一已匹配要素知识关系链,确定待分析业务订单数据中的业务需求数据时,确定的业务需求数据的准确度得以保障。
在一些独立性实施例中,所述基于事先调试的用作查询所述待分析业务订单数据中的业务需求描述字段的第一要素知识查询向量关系链,从所述第一订单要素知识关系链中筛选与所述第一要素知识查询向量关系链配对的第一已匹配要素知识关系链,包括:将所述第一订单要素知识关系链分别进行第一AI特征变换处理和第二AI特征变换处理,得到第一已映射要素知识关系链和第二已映射要素知识关系链;所述第一AI特征变换处理和所述第二AI特征变换处理对应的特征变换变量数据存在差异,所述特征变换变量数据为事先完成调试的;结合所述第一已映射要素知识关系链和所述第一要素知识查询向量关系链,确定所述第一已映射要素知识关系链与所述第一要素知识查询向量关系链之间的共性评分列表;结合所述共性评分列表和所述第二已映射要素知识关系链,确定所述第一已匹配要素知识关系链。
在一些独立性实施例中,所述业务需求数据包括:所述待分析业务订单数据中的业务需求的主题关键词、所述业务需求对应的需求偏好数据、以及所述业务需求对应的捕捉窗口的分布数据。
在一些独立性实施例中,所述结合所述第一订单要素知识关系链进行联动特征提炼,确定所述待分析业务订单数据的联动特征数据,包括:反复实施如下内容,直到满足所述设定迭代轮数:基于事先调试的用作查询所述待分析业务订单数据中联动描述字段的第二要素知识查询向量关系链,从所述第一订单要素知识关系链中筛选与所述第二要素知识查询向量关系链配对的第二已匹配要素知识关系链;结合所述第二已匹配要素知识关系链,从与当前轮迭代轮数配对的所述第一已匹配要素知识关系链中筛选与所述第二已匹配要素知识关系链配对的第三已匹配要素知识关系链;将所述第三已匹配要素知识关系链、所述第二已匹配要素知识关系链、以及所述第二要素知识查询向量关系链拼接,作为新的第二要素知识查询向量关系链,并跳转到实施筛选第二已匹配要素知识关系链的步骤;基于最后一轮筛选到的所述第二已匹配要素知识关系链和第三已匹配要素知识关系链,确定所述待分析业务订单数据的联动特征数据。
可见,在确定业务需求与业务需求之间的联动描述时,不仅需引入联动细节的特征信息,还需引入订单数据中业务需求的特征信息,基于此,通过从第一已匹配要素知识关系链中筛选与第二已匹配要素知识关系链配对的第三已匹配要素知识关系链,然后结合第三已匹配要素知识关系链去确定待分析业务需求的联动特征数据,这样确定的联动特征数据的准确度得以保障。
在一些独立性实施例中,所述联动特征数据包括:连接特征数组、所述连接特征数组对应的连接特征种类、以及触发所述连接特征数组对应的联动项目的第一需求偏好数据和第二需求偏好数据;其中,所述连接特征数组为从触发所述连接特征种类对应的联动项目的第一业务需求所对应的分布特征,指向触发所述连接特征种类对应的联动项目的第二业务需求所对应的分布特征的量化数组。
在一些独立性实施例中,所述将所述业务需求数据与所述联动特征数据进行配对,确定所述待分析业务订单数据中的目标业务需求之间的联动描述,包括:针对联动特征数据中的任一连接特征数组,结合所述业务需求数据中每个业务需求对应的捕捉窗口的分布数据、以及该连接特征数组,确定随机两个捕捉窗口与该连接特征数组之间的第一特征差异度;以及,结合所述随机两个捕捉窗口对应的需求偏好数据、以及该连接特征数组对应的第一需求偏好数据和第二需求偏好数据,确定所述随机两个捕捉窗口与该连接特征数组之间的第二特征差异度;基于每个连接特征数组在所述随机两个捕捉窗口下对应的所述第二特征差异度和所述第一特征差异度,确定所述待分析业务订单数据中的目标业务需求之间的联动描述。
可见,在确定待分析业务订单数据中的目标业务需求之间的联动描述时,综合第一特征差异度和第二特征差异度,可以规避只分析一种特征差异度而造成目标业务需求之间的联动描述的提炼准确性下降。
在一些独立性实施例中,所述基于每个连接特征数组在所述随机两个捕捉窗口下对应的所述第二特征差异度和所述第一特征差异度,确定所述待分析业务订单数据中的目标业务需求之间的联动描述,包括:基于每个连接特征数组在所述随机两个捕捉窗口下对应的所述第二特征差异度和所述第一特征差异度、以及所述不同业务需求的主题关键词的可信因子,确定所述待分析业务订单数据中的目标业务需求之间的联动描述。
可见,在确定待分析业务订单数据中的目标业务需求之间的联动描述时,结合主题关键词的可信因子,可以提高目标业务需求之间关联特征/联动特征的提炼准确性。
在一些独立性实施例中,所述基于每个连接特征数组在所述随机两个捕捉窗口下对应的所述第二特征差异度和所述第一特征差异度、以及所述不同业务需求的主题关键词的可信因子,确定所述待分析业务订单数据中的目标业务需求之间的联动描述,包括:基于每个连接特征数组在所述随机两个捕捉窗口下对应的所述第二特征差异度和所述第一特征差异度、以及所述不同业务需求的主题关键词的可信因子,确定每个连接特征数组在所述随机两个捕捉窗口下的配对误差;针对任一个连接特征数组,确定与该连接特征数组对应的配对误差最小的两个目标捕捉窗口;基于每个连接特征数组对应的目标捕捉窗口的业务需求的可信因子、以及每个连接特征数组对应的连接特征种类的可信因子,确定所述待分析业务订单数据中的目标业务需求之间的联动描述。
在一些独立性实施例中,在接收到订单数据分析请求时,从云数据库中调取待分析业务订单数据后,确定所述待分析业务订单数据中的目标业务需求之间的联动描述的步骤是通过AI机器学习模型实现的;所述AI机器学习模型在调试过程中通过确定以下模型质量指标进行调试:反映业务需求回归分析质量的第一模型质量指标、反映联动特征提炼质量的第二模型质量指标、反映多元回归分析质量的第三模型质量指标;其中,所述第一模型质量指标包括估计的业务需求对应的捕捉窗口的分布数据与先验的捕捉窗口的分布数据之间的代价数据,和估计的业务需求的主题关键词与先验的业务需求的主题关键词之间的代价数据;所述第二模型质量指标包括估计的连接特征数组与先验的连接特征数组之间的代价数据,和估计的连接特征种类的可信因子;所述第三模型质量指标包括所述业务需求数据中每个业务需求的偏好关注面数据之间的比较结果、以及所述联动特征数据和所述业务需求数据中同一业务需求的偏好关注面数据之间的类似程度值。
可见,AI机器学习模型在调试过程中,通过综合多类模型质量指标,针对性的更新AI机器学习模型的不同的模型层,提高了AI机器学习模型的调试效率及准确性。
第二方面,本发明还提供了一种订单数据分析系统,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基于人工智能的订单数据分析方法的流程示意图。
图2是本发明实施例提供的一种基于人工智能的订单数据分析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订单数据分析系统、计算机设备或者类似的运算装置中执行。以运行在订单数据分析系统上为例,订单数据分析系统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,上述订单数据分析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,其并不对上述订单数据分析系统的结构造成限定。例如,订单数据分析系统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基于人工智能的订单数据分析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订单数据分析系统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订单数据分析系统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(RadioFrequency,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基于人工智能的订单数据分析方法的流程示意图,该方法应用于订单数据分析系统,进一步可以包括S1-S5描述的技术方案。
S1、在接收到订单数据分析请求时,从云数据库中调取待分析业务订单数据。
例如,订单数据分析系统可以接收订单服务商平台发送的订单数据分析请求,然后从安全等级较高的云数据库中调取与订单数据分析请求对应的待分析业务订单数据进行订单分析。其中,待分析业务订单数据可以是Web3.0的各类业务服务的订单数据,比如软件产品订单数据、数字服务产品订单数据等,包括但不限于购物APP、社交APP、政企APP等业务产品的订单数据。
S2、对所述待分析业务订单数据进行要素知识挖掘,确定所述待分析业务订单数据对应的第一订单要素知识关系链。
例如,要素知识挖掘可以理解为特征提取或者特征挖掘,要素知识能够反映待分析业务订单数据的特征信息,示例性可以通过AI模型/专家系统模型实现提取,基于此,所得到的第一订单要素知识关系链可以理解为待分析业务订单数据的订单要素知识特征的队列或者集合,也可以理解为待分析业务订单数据的订单要素知识特征的特征图。
S3、结合所述第一订单要素知识关系链,进行业务需求回归分析,确定所述待分析业务订单数据中的业务需求数据。
例如,业务需求回归分析可以理解为业务需求的预测处理,业务需求包括用户针对业务产品的需求、针对业务服务的需求等,比如购物APP中的商品并购需求,又比如社交APP中的一键美颜消除需求等。基于此,可以得到待分析业务订单数据中的业务需求信息。业务需求可以是一项或者多项。
S4、结合所述第一订单要素知识关系链进行联动特征提炼,确定所述待分析业务订单数据的联动特征数据。
例如,联动特征提炼可以理解为针对第一订单要素知识关系链实现的关系特征预测处理,所得到的联动特征数据能够反映待分析业务订单数据中不同维度下的特征信息的联系情况或者关系情况,能够作为完整描绘待分析业务订单数据的特征信息的其中一个关键依据。
S5、将所述业务需求数据与所述联动特征数据进行配对,确定所述待分析业务订单数据中的目标业务需求之间的联动描述。
例如,通过匹配所述业务需求数据与所述联动特征数据,能够实现对不同的业务需求之间的关系的整理,从而得到不同业务需求之间的关系特征,该关系特征能够进一步指导针对需求层面的大数据推送处理,还能够深入剖析用户画像,提高订单数据分析和用户需求分析的智能化程度。
可以理解,实施上述S1-S5,在挖掘出待分析业务订单数据对应的第一订单要素知识关系链后,能够并行基于第一订单要素知识关系链进行业务需求回归分析和联动特征提炼,提炼得到待分析业务订单数据中的业务需求数据和联动特征数据,然后将业务需求数据和联动特征数据进行配对,确定待分析业务订单数据中的目标业务需求之间的联动描述。这样,鉴于业务需求数据和联动特征数据都是基于第一订单要素知识关系链进行提炼的,业务需求数据和联动特征数据的提炼结果之间不存在干扰;联动特征数据时基于第一订单要素知识关系链进行提炼的,因此在进行联动特征数据回归分析的过程中,可以结合待分析业务订单数据的整体层面的特征信息,提炼得到的联动特征数据尽可能准确完整,进而提炼得到的待分析业务订单数据中的目标业务需求之间的联动描述准确性也能够得到保障。
在一些独立性实施例中,S2中的对所述待分析业务订单数据进行要素知识挖掘,确定所述待分析业务订单数据对应的第一订单要素知识关系链,可以包括S21和S22所描述的内容。
S21、对所述待分析业务订单数据进行要素知识挖掘,得到所述待分析业务订单数据对应的过渡型要素知识分布。
其中,过渡型要素知识分布可以理解为待分析业务订单数据的初始特征图或者中间特征图。
S22、对于所述过渡型要素知识分布中的每个要素知识成员,结合所述过渡型要素知识分布中除该要素知识成员外的剩余要素知识成员的AI描述变量,对该要素知识成员的AI描述变量进行更新,得到所述第一订单要素知识关系链。
其中,要素知识成员可以是构成过渡型要素知识分布的最小单位,因而可以理解为要素知识特征点或者要素知识点。进一步地,AI描述变量可以作现有的描述值或者特征值理解。而对AI描述变量进行更新可以实现对AI描述变量的调整处理。
基于此,通过上述S21和S22,在对待分析业务订单数据进行要素知识挖掘时,可以考虑的要素知识仅仅是该数据块的邻居数据块的要素知识,因而所得的过渡型要素知识分布中,每个要素知识成员的AI描述变量的覆盖范围较小,基于此,通过对过渡型要素知识分布中每个要素知识成员的AI描述变量进行更新,可以使得每个要素知识成员拼接整体层面的特征信息,由此在基于第一订单要素知识关系链进行业务需求回归分析和联动特征提炼时尽可能保障准确性和可靠性。
在一些独立性实施例中,S3中的结合所述第一订单要素知识关系链,进行业务需求回归分析,确定所述待分析业务订单数据中的业务需求数据,可以包括:反复实施如下S31-S33,直到满足设定迭代轮数。
S31、基于事先调试的用作查询所述待分析业务订单数据中的业务需求描述字段的第一要素知识查询向量关系链,从所述第一订单要素知识关系链中筛选与所述第一要素知识查询向量关系链配对的第一已匹配要素知识关系链。
例如,要素知识查询向量关系链可以理解为查询向量的序列或者查询向量的队列,查询向量的具体示例可以根据现有技术作适应性理解,在此不作赘述。
S32、将所述第一已匹配要素知识关系链与所述第一要素知识查询向量关系链拼接,作为新的第一要素知识查询向量关系链,并跳转到实施筛选第一已匹配要素知识关系链的步骤。
例如,关系链的拼接可以理解为关系链的融合处理,也即特征融合处理。
S33、基于最后一轮筛选到的所述第一已匹配要素知识关系链,确定所述待分析业务订单数据中的业务需求数据。
可以理解的是,应用于S31-S33,在基于多次筛选到第一已匹配要素知识关系链,确定待分析业务订单数据中的业务需求数据时,确定的业务需求数据的准确度得以保障。
在一些独立性实施例中,S31中的基于事先调试的用作查询所述待分析业务订单数据中的业务需求描述字段的第一要素知识查询向量关系链,从所述第一订单要素知识关系链中筛选与所述第一要素知识查询向量关系链配对的第一已匹配要素知识关系链,可以包括S311-S313所描述的技术方案。
S311、将所述第一订单要素知识关系链分别进行第一AI特征变换处理和第二AI特征变换处理,得到第一已映射要素知识关系链和第二已映射要素知识关系链;所述第一AI特征变换处理和所述第二AI特征变换处理对应的特征变换变量数据存在差异,所述特征变换变量数据为事先完成调试的。
例如,AI特征变换处理可以理解为特征映射处理,示例性可以是全连接映射处理,在映射处理过程中,特征变换变量数据(映射参数)不同,所得到的映射处理结果也存在差异。
S312、结合所述第一已映射要素知识关系链和所述第一要素知识查询向量关系链,确定所述第一已映射要素知识关系链与所述第一要素知识查询向量关系链之间的共性评分列表。
例如,共性评分列表可以反映不同关系链之间的相似度,通常可以通过余弦距离或者欧式距离计算得到。
S313、结合所述共性评分列表和所述第二已映射要素知识关系链,确定所述第一已匹配要素知识关系链。
应用于S311-S313,能够基于映射处理和相似度的计算准确确定出第一已匹配要素知识关系链。
在一些独立性实施例中,所述业务需求数据包括:所述待分析业务订单数据中的业务需求的主题关键词、所述业务需求对应的需求偏好数据、以及所述业务需求对应的捕捉窗口的分布数据。
例如,业务需求的主题关键词可以理解为业务需求的类别,业务需求对应的需求偏好数据可以理解为语义信息,业务需求对应的捕捉窗口的分布数据可以理解为业务需求的可视化定位窗口的位置数据。
在一些独立性实施例中,S4中的结合所述第一订单要素知识关系链进行联动特征提炼,确定所述待分析业务订单数据的联动特征数据,可以包括:反复实施S41-S44,直到满足所述设定迭代轮数。
S41、基于事先调试的用作查询所述待分析业务订单数据中联动描述字段的第二要素知识查询向量关系链,从所述第一订单要素知识关系链中筛选与所述第二要素知识查询向量关系链配对的第二已匹配要素知识关系链。
其中,联动描述字段可以理解为关系特征。
S42、结合所述第二已匹配要素知识关系链,从与当前轮迭代轮数配对的所述第一已匹配要素知识关系链中筛选与所述第二已匹配要素知识关系链配对的第三已匹配要素知识关系链。
S43、将所述第三已匹配要素知识关系链、所述第二已匹配要素知识关系链、以及所述第二要素知识查询向量关系链拼接,作为新的第二要素知识查询向量关系链,并跳转到实施筛选第二已匹配要素知识关系链的步骤。
S44、基于最后一轮筛选到的所述第二已匹配要素知识关系链和第三已匹配要素知识关系链,确定所述待分析业务订单数据的联动特征数据。
可以理解的是,应用于S41-S44,在确定业务需求与业务需求之间的联动描述时,不仅需引入联动细节的特征信息,还需引入订单数据中业务需求的特征,基于此,通过从第一已匹配要素知识关系链中筛选与第二已匹配要素知识关系链配对的第三已匹配要素知识关系链,然后结合第三已匹配要素知识关系链去确定待分析业务需求的联动特征数据,这样确定的联动特征数据(关系结果信息)的准确度得以保障。
在一些独立性实施例中,所述联动特征数据包括:连接特征数组(关系向量)、所述连接特征数组对应的连接特征种类(关系类别)、以及触发所述连接特征数组对应的联动项目(关系项)的第一需求偏好数据(需求语义)和第二需求偏好数据;其中,所述连接特征数组为从触发所述连接特征种类对应的联动项目的第一业务需求所对应的分布特征(位置特征),指向触发所述连接特征种类对应的联动项目的第二业务需求所对应的分布特征的量化数组(向量)。
在一些独立性实施例中,S5中的将所述业务需求数据与所述联动特征数据进行配对,确定所述待分析业务订单数据中的目标业务需求之间的联动描述,可以包括S51-S53所描述的技术方案。
S51、针对联动特征数据中的任一连接特征数组,结合所述业务需求数据中每个业务需求对应的捕捉窗口的分布数据、以及该连接特征数组,确定随机两个捕捉窗口与该连接特征数组之间的第一特征差异度。
例如,第一特征差异度可以基于订单数据的特征层面确定,比如可以基于余弦距离计算得到。
S52、结合所述随机两个捕捉窗口对应的需求偏好数据、以及该连接特征数组对应的第一需求偏好数据和第二需求偏好数据,确定所述随机两个捕捉窗口与该连接特征数组之间的第二特征差异度。
例如,第二特征差异度可以基于需求语义的特征层面确定,比如可以基于欧式距离计算得到。
S53、基于每个连接特征数组在所述随机两个捕捉窗口下对应的所述第二特征差异度和所述第一特征差异度,确定所述待分析业务订单数据中的目标业务需求之间的联动描述。
进一步地,该联动描述可以通过量化模式记录目标业务需求之间的关系,从而提高后续调用联动描述的效率。
可见,基于S51-S53,在确定待分析业务订单数据中的目标业务需求之间的联动描述时,综合第一特征差异度和第二特征差异度,可以规避只分析一种特征差异度而造成目标业务需求之间的联动描述的提炼准确性下降。
在一些独立性实施例中,S53中的基于每个连接特征数组在所述随机两个捕捉窗口下对应的所述第二特征差异度和所述第一特征差异度,确定所述待分析业务订单数据中的目标业务需求之间的联动描述,可以通过如下技术方案实现:基于每个连接特征数组在所述随机两个捕捉窗口下对应的所述第二特征差异度和所述第一特征差异度、以及所述不同业务需求的主题关键词的可信因子,确定所述待分析业务订单数据中的目标业务需求之间的联动描述。可见,在确定待分析业务订单数据中的目标业务需求之间的联动描述时,结合主题关键词的可信因子(比如可以是置信度),可以提高目标业务需求之间关联特征/联动特征的提炼准确性。
在一些独立性实施例中,上述基于每个连接特征数组在所述随机两个捕捉窗口下对应的所述第二特征差异度和所述第一特征差异度、以及所述不同业务需求的主题关键词的可信因子,确定所述待分析业务订单数据中的目标业务需求之间的联动描述,可以包括S531-S533。
S531、基于每个连接特征数组在所述随机两个捕捉窗口下对应的所述第二特征差异度和所述第一特征差异度、以及所述不同业务需求的主题关键词的可信因子,确定每个连接特征数组在所述随机两个捕捉窗口下的配对误差。
其中,配对误差可以理解为匹配误差或者匹配偏差。
S532、针对任一个连接特征数组,确定与该连接特征数组对应的配对误差最小的两个目标捕捉窗口。
S533、基于每个连接特征数组对应的目标捕捉窗口的业务需求的可信因子、以及每个连接特征数组对应的连接特征种类的可信因子,确定所述待分析业务订单数据中的目标业务需求之间的联动描述。
应用于S531-S533,能够基于配对误差确定出匹配度最高的目标捕捉窗口,进而结合可信因子进行连接特征种类分析,以准确得到目标业务需求之间的联动描述。
在一些独立性实施例中,在接收到订单数据分析请求时,从云数据库中调取待分析业务订单数据后,确定所述待分析业务订单数据中的目标业务需求之间的联动描述的步骤是通过AI机器学习模型实现的;所述AI机器学习模型在调试过程中通过确定以下模型质量指标进行调试:反映业务需求回归分析质量(需求预测损失)的第一模型质量指标、反映联动特征提炼质量(特征挖掘损失)的第二模型质量指标、反映多元回归分析质量(语义分析损失)的第三模型质量指标。
进一步地,所述第一模型质量指标包括估计的业务需求对应的捕捉窗口的分布数据与先验的捕捉窗口的分布数据之间的代价数据,和估计的业务需求的主题关键词与先验的业务需求的主题关键词之间的代价数据;所述第二模型质量指标包括估计的连接特征数组与先验的连接特征数组之间的代价数据,和估计的连接特征种类的可信因子;所述第三模型质量指标包括所述业务需求数据中每个业务需求的偏好关注面数据之间的比较结果、以及所述联动特征数据和所述业务需求数据中同一业务需求的偏好关注面数据之间的类似程度值。
此外,代价数据可以理解为损失,模型质量指标可以作损失值理解,而比较结果可以理解为差异值,类似程度值可以理解为相似度。可见,AI机器学习模型在调试过程中,通过综合多类模型质量指标,针对性的更新AI机器学习模型的不同的模型层,提高了AI机器学习模型的调试效率及准确性。
基于上述相同或相似的发明构思,请结合参阅图2,还提供了一种基于人工智能的订单数据分析方法的应用环境30的架构示意图,包括互相之间通信的订单数据分析系统10和订单服务商平台20,订单数据分析系统10和订单服务商平台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)
1.一种基于人工智能的订单数据分析方法,其特征在于,应用于订单数据分析系统,所述方法包括:
在接收到所述订单数据分析请求时,从云数据库中调取待分析业务订单数据;对所述待分析业务订单数据进行要素知识挖掘,确定所述待分析业务订单数据对应的第一订单要素知识关系链;
结合所述第一订单要素知识关系链,进行业务需求回归分析,确定所述待分析业务订单数据中的业务需求数据;结合所述第一订单要素知识关系链进行联动特征提炼,确定所述待分析业务订单数据的联动特征数据;
将所述业务需求数据与所述联动特征数据进行配对,确定所述待分析业务订单数据中的目标业务需求之间的联动描述。
2.根据权利要求1所述的方法,其特征在于,所述对所述待分析业务订单数据进行要素知识挖掘,确定所述待分析业务订单数据对应的第一订单要素知识关系链,包括:
对所述待分析业务订单数据进行要素知识挖掘,得到所述待分析业务订单数据对应的过渡型要素知识分布;
对于所述过渡型要素知识分布中的每个要素知识成员,结合所述过渡型要素知识分布中除该要素知识成员外的剩余要素知识成员的AI描述变量,对该要素知识成员的AI描述变量进行更新,得到所述第一订单要素知识关系链。
3.根据权利要求2所述的方法,其特征在于,所述结合所述第一订单要素知识关系链,进行业务需求回归分析,确定所述待分析业务订单数据中的业务需求数据,包括:反复实施如下内容,直到满足设定迭代轮数:
基于事先调试的用作查询所述待分析业务订单数据中的业务需求描述字段的第一要素知识查询向量关系链,从所述第一订单要素知识关系链中筛选与所述第一要素知识查询向量关系链配对的第一已匹配要素知识关系链;
将所述第一已匹配要素知识关系链与所述第一要素知识查询向量关系链拼接,作为新的第一要素知识查询向量关系链,并跳转到实施筛选第一已匹配要素知识关系链的步骤;
基于最后一轮筛选到的所述第一已匹配要素知识关系链,确定所述待分析业务订单数据中的业务需求数据。
4.根据权利要求3所述的方法,其特征在于,所述基于事先调试的用作查询所述待分析业务订单数据中的业务需求描述字段的第一要素知识查询向量关系链,从所述第一订单要素知识关系链中筛选与所述第一要素知识查询向量关系链配对的第一已匹配要素知识关系链,包括:
将所述第一订单要素知识关系链分别进行第一AI特征变换处理和第二AI特征变换处理,得到第一已映射要素知识关系链和第二已映射要素知识关系链;所述第一AI特征变换处理和所述第二AI特征变换处理对应的特征变换变量数据存在差异,所述特征变换变量数据为事先完成调试的;
结合所述第一已映射要素知识关系链和所述第一要素知识查询向量关系链,确定所述第一已映射要素知识关系链与所述第一要素知识查询向量关系链之间的共性评分列表;
结合所述共性评分列表和所述第二已映射要素知识关系链,确定所述第一已匹配要素知识关系链;
其中,所述业务需求数据包括:所述待分析业务订单数据中的业务需求的主题关键词、所述业务需求对应的需求偏好数据、以及所述业务需求对应的捕捉窗口的分布数据。
5.根据权利要求3所述的方法,其特征在于,所述结合所述第一订单要素知识关系链进行联动特征提炼,确定所述待分析业务订单数据的联动特征数据,包括:
反复实施如下内容,直到满足所述设定迭代轮数:
基于事先调试的用作查询所述待分析业务订单数据中联动描述字段的第二要素知识查询向量关系链,从所述第一订单要素知识关系链中筛选与所述第二要素知识查询向量关系链配对的第二已匹配要素知识关系链;
结合所述所述第二已匹配要素知识关系链,从与当前轮迭代轮数配对的所述第一已匹配要素知识关系链中筛选与所述第二已匹配要素知识关系链配对的第三已匹配要素知识关系链;
将所述第三已匹配要素知识关系链、所述第二已匹配要素知识关系链、以及所述第二要素知识查询向量关系链拼接,作为新的第二要素知识查询向量关系链,并跳转到实施筛选第二已匹配要素知识关系链的步骤;
基于最后一轮筛选到的所述第二已匹配要素知识关系链和第三已匹配要素知识关系链,确定所述待分析业务订单数据的联动特征数据。
6.根据权利要求1所述的方法,其特征在于,所述联动特征数据包括:连接特征数组、所述连接特征数组对应的连接特征种类、以及触发所述连接特征数组对应的联动项目的第一需求偏好数据和第二需求偏好数据;其中,所述连接特征数组为从触发所述连接特征种类对应的联动项目的第一业务需求所对应的分布特征,指向触发所述连接特征种类对应的联动项目的第二业务需求所对应的分布特征的量化数组。
7.根据权利要求6所述的方法,其特征在于,所述将所述业务需求数据与所述联动特征数据进行配对,确定所述待分析业务订单数据中的目标业务需求之间的联动描述,包括:针对联动特征数据中的任一连接特征数组,结合所述业务需求数据中每个业务需求对应的捕捉窗口的分布数据、以及该连接特征数组,确定随机两个捕捉窗口与该连接特征数组之间的第一特征差异度;以及,结合所述随机两个捕捉窗口对应的需求偏好数据、以及该连接特征数组对应的第一需求偏好数据和第二需求偏好数据,确定所述随机两个捕捉窗口与该连接特征数组之间的第二特征差异度;基于每个连接特征数组在所述随机两个捕捉窗口下对应的所述第二特征差异度和所述第一特征差异度,确定所述待分析业务订单数据中的目标业务需求之间的联动描述;
其中,所述基于每个连接特征数组在所述随机两个捕捉窗口下对应的所述第二特征差异度和所述第一特征差异度,确定所述待分析业务订单数据中的目标业务需求之间的联动描述,包括:基于每个连接特征数组在所述随机两个捕捉窗口下对应的所述第二特征差异度和所述第一特征差异度、以及不同业务需求的主题关键词的可信因子,确定所述待分析业务订单数据中的目标业务需求之间的联动描述;
其中,所述基于每个连接特征数组在所述随机两个捕捉窗口下对应的所述第二特征差异度和所述第一特征差异度、以及所述不同业务需求的主题关键词的可信因子,确定所述待分析业务订单数据中的目标业务需求之间的联动描述,包括:基于每个连接特征数组在所述随机两个捕捉窗口下对应的所述第二特征差异度和所述第一特征差异度、以及所述不同业务需求的主题关键词的可信因子,确定每个连接特征数组在所述随机两个捕捉窗口下的配对误差;针对任一个连接特征数组,确定与该连接特征数组对应的配对误差最小的两个目标捕捉窗口;基于每个连接特征数组对应的目标捕捉窗口的业务需求的可信因子、以及每个连接特征数组对应的连接特征种类的可信因子,确定所述待分析业务订单数据中的目标业务需求之间的联动描述。
8.根据权利要求1所述的方法,其特征在于,在接收到订单数据分析请求时,从云数据库中调取待分析业务订单数据后,确定所述待分析业务订单数据中的目标业务需求之间的联动描述的步骤是通过AI机器学习模型实现的;所述AI机器学习模型在调试过程中通过确定以下模型质量指标进行调试:反映业务需求回归分析质量的第一模型质量指标、反映联动特征提炼质量的第二模型质量指标、反映多元回归分析质量的第三模型质量指标;
所述第一模型质量指标包括估计的业务需求对应的捕捉窗口的分布数据与先验的捕捉窗口的分布数据之间的代价数据,和估计的业务需求的主题关键词与先验的业务需求的主题关键词之间的代价数据;
所述第二模型质量指标包括估计的连接特征数组与先验的连接特征数组之间的代价数据,和估计的连接特征种类的可信因子;
所述第三模型质量指标包括所述业务需求数据中每个业务需求的偏好关注面数据之间的比较结果、以及所述联动特征数据和所述业务需求数据中同一业务需求的偏好关注面数据之间的类似程度值。
9.一种订单数据分析系统,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 |
---|---|---|---|
CN202211553080.4A CN115760216A (zh) | 2022-12-06 | 2022-12-06 | 基于人工智能的订单数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211553080.4A CN115760216A (zh) | 2022-12-06 | 2022-12-06 | 基于人工智能的订单数据分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115760216A true CN115760216A (zh) | 2023-03-07 |
Family
ID=85343496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211553080.4A Withdrawn CN115760216A (zh) | 2022-12-06 | 2022-12-06 | 基于人工智能的订单数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760216A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797008A (zh) * | 2023-07-05 | 2023-09-22 | 广州爱齐福珠宝有限公司 | 基于人工智能的珠宝生产控制方法及系统 |
CN117421705A (zh) * | 2023-11-02 | 2024-01-19 | 升励五金(深圳)有限公司 | 应用于智能化生产的信息分析方法及系统 |
-
2022
- 2022-12-06 CN CN202211553080.4A patent/CN115760216A/zh not_active Withdrawn
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797008A (zh) * | 2023-07-05 | 2023-09-22 | 广州爱齐福珠宝有限公司 | 基于人工智能的珠宝生产控制方法及系统 |
CN116797008B (zh) * | 2023-07-05 | 2024-05-24 | 广州爱齐福珠宝有限公司 | 基于人工智能的珠宝生产控制方法及系统 |
CN117421705A (zh) * | 2023-11-02 | 2024-01-19 | 升励五金(深圳)有限公司 | 应用于智能化生产的信息分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115760216A (zh) | 基于人工智能的订单数据分析方法及系统 | |
CN111523306A (zh) | 文本的纠错方法、装置和系统 | |
US8659390B2 (en) | Method and system for generating a biometric query plan | |
CN111931844B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
AU2021359241A1 (en) | Learning-based workload resource optimization for database management systems | |
US20200042643A1 (en) | Heuristic q&a system | |
CN115374186B (zh) | 基于大数据的数据处理方法及ai系统 | |
CN114492601A (zh) | 资源分类模型的训练方法、装置、电子设备及存储介质 | |
CN111026853A (zh) | 目标问题的确定方法、装置、服务器和客服机器人 | |
CN115470905A (zh) | 一种大数据分析处理方法及系统 | |
US20230067285A1 (en) | Linkage data generator | |
CN115203282A (zh) | 结合深度学习的智慧企服用户数据处理方法及系统 | |
US9256597B2 (en) | System, method and computer program for correcting machine translation information | |
KR102156249B1 (ko) | 변분 순환 오토인코딩 방식의 자동 색인 시스템 및 방법 | |
CN115438267A (zh) | 基于大数据的画像分析处理方法及系统 | |
CN115563069A (zh) | 基于人工智能的数据共享处理方法、系统及云平台 | |
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 | |
CN115712843A (zh) | 基于人工智能的数据匹配检测处理方法及系统 | |
CN115422552A (zh) | 基于物联网的信息交互方法、系统及云平台 | |
CN114898184A (zh) | 模型训练方法、数据处理方法、装置及电子设备 | |
CN115221135A (zh) | 一种工业互联网数据的共享方法及系统 | |
CN112396477A (zh) | 业务预测模型的构建方法及装置 | |
CN115658675B (zh) | 应用于数据处理的噪声优化方法及ai系统 | |
CN115801338B (zh) | 基于加密流量控制网关的数据处理方法及系统 | |
CN115756968A (zh) | 基于网络的数据备份方法、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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230307 |