CN116074317B - 一种基于大数据的业务资源共享方法及服务器 - Google Patents
一种基于大数据的业务资源共享方法及服务器 Download PDFInfo
- Publication number
- CN116074317B CN116074317B CN202310136188.1A CN202310136188A CN116074317B CN 116074317 B CN116074317 B CN 116074317B CN 202310136188 A CN202310136188 A CN 202310136188A CN 116074317 B CN116074317 B CN 116074317B
- Authority
- CN
- China
- Prior art keywords
- resource
- sharing
- exemplary
- update information
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000004044 response Effects 0.000 claims abstract description 52
- 239000013598 vector Substances 0.000 claims description 115
- 230000009466 transformation Effects 0.000 claims description 91
- 238000011156 evaluation Methods 0.000 claims description 63
- 238000004458 analytical method Methods 0.000 claims description 48
- 238000004422 calculation algorithm Methods 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000014509 gene expression Effects 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 24
- 238000012545 processing Methods 0.000 description 11
- 230000008485 antagonism Effects 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000007670 refining Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供基于大数据的业务资源共享方法及服务器,能够在共享规则特征和任务重要性权重的配置过程中,结合阶段资源共享更新信息及其配置指示尽可能规避资源请求应答会话更新导致的决策偏差,以保障确定出的共享规则特征和任务重要性权重的精度及可信度,以便通过已配置的共享规则特征和已配置的任务重要性权重实现灵活智能且差异化的资源共享,尽可能减少生硬不变的共享规则特征以及生硬不变的任务重要性权重对资源共享的限制。
Description
技术领域
本申请涉及大数据共享技术领域,尤其涉及一种基于大数据的业务资源共享方法及服务器。
背景技术
在网络时代,数据资源信息的共享非常重要,通过数据资源信息共享处理,能够提高资源利用率,减少存储压力。然而,随着共享技术的不断普及,传统共享技术难以灵活应对当下的共享需求。比如,传统共享技术的处理方式大多较为死板和生硬,难以实现针对性、差异化的资源共享。
发明内容
本申请提供一种基于大数据的业务资源共享方法及服务器,为实现上述技术目的,本申请采用如下技术方案。
第一方面是一种基于大数据的业务资源共享方法,应用于业务资源共享服务器,所述方法包括:获得在线业务文本化资源集、资源共享更新信息和在线业务文本化资源集中每个在线业务文本化资源的共享决策信息;其中,每个在线业务文本化资源包含具有联系的第一在线业务文本化资源和第二在线业务文本化资源,资源共享更新信息包括第一在线业务文本化资源与第二在线业务文本化资源之间的阶段资源共享更新信息和场景资源共享更新信息,阶段资源共享更新信息是基于资源共享分析算法的更新所产生的,场景资源共享更新信息是基于资源共享分析算法的更新和资源请求应答会话的更新所产生的,且共享决策信息包括共享规则特征和任务重要性权重;通过在线业务文本化资源集和资源共享更新信息,推演得到共享任务执行依据;其中,共享任务执行依据包括阶段资源共享更新信息的配置指示;通过阶段资源共享更新信息和配置指示,对共享规则特征和任务重要性权重进行配置,获得已配置的共享规则特征和已配置的任务重要性权重。
实施本申请实施例,获得在线业务文本化资源集、资源共享更新信息和在线业务文本化资源集中每个在线业务文本化资源的共享决策信息,且每个在线业务文本化资源包含具有联系的第一在线业务文本化资源和第二在线业务文本化资源,资源共享更新信息包括第一在线业务文本化资源与第二在线业务文本化资源之间的阶段资源共享更新信息和场景资源共享更新信息,阶段资源共享更新信息是基于资源共享分析算法的更新所产生的,场景资源共享更新信息是基于资源共享分析算法的更新和资源请求应答会话的更新所产生的,共享决策信息包括共享规则特征和任务重要性权重,基于此,再通过在线业务文本化资源集和资源共享更新信息,推演得到共享任务执行依据,且共享任务执行依据包括阶段资源共享更新信息的配置指示,并通过阶段资源共享更新信息和配置指示,对共享规则特征和任务重要性权重进行配置,获得已配置的共享规则特征和已配置的任务重要性权重。
可见,通过引入AI技术进行处理,将场景资源共享更新信息作为是基于资源共享分析算法的更新和资源请求应答会话的更新所产生的,并在在线业务文本化资源分析时,考虑场景资源共享更新信息和基于资源共享分析算法的更新所产生的阶段资源共享更新信息,推演出阶段资源共享更新信息的配置指示,以便在后续共享规则特征和任务重要性权重的配置过程中,结合阶段资源共享更新信息及其配置指示尽可能规避资源请求应答会话更新导致的决策偏差,以保障确定出的共享规则特征和任务重要性权重的精度及可信度,以便通过已配置的共享规则特征和已配置的任务重要性权重实现灵活智能且差异化的资源共享,尽可能减少生硬不变的共享规则特征以及生硬不变的任务重要性权重对资源共享的限制。
在一个实施例中,通过在线业务文本化资源集和资源共享更新信息,推演得到共享任务执行依据,包括:通过第一在线业务文本化资源和第二在线业务文本化资源的文本资源知识向量,获得第一在线业务文本化资源与第二在线业务文本化资源之间的文本资源联系特征,并通过阶段资源共享更新信息将第一在线业务文本化资源中文本段落信息进行向量空间变换,获得第一在线业务文本化资源中文本段落信息在第二在线业务文本化资源中的第一向量空间变换标签;通过第一向量空间变换标签在文本资源联系特征中遍历,获得目标文本资源联系特征;通过目标文本资源联系特征、阶段资源共享更新信息和场景资源共享更新信息,获得共享任务执行依据。
实施本申请实施例,通过第一在线业务文本化资源和第二在线业务文本化资源的文本资源知识向量,获得第一在线业务文本化资源与第二在线业务文本化资源之间的文本资源联系特征,并通过阶段资源共享更新信息将第一在线业务文本化资源中文本段落信息进行向量空间变换,获得第一在线业务文本化资源中文本段落信息在第二在线业务文本化资源中的第一向量空间变换标签,基于此,通过第一向量空间变换标签在文本资源联系特征中遍历,获得目标文本资源联系特征,从而通过目标文本资源联系特征、阶段资源共享更新信息和场景资源共享更新信息,获得共享任务执行依据,即在第一在线业务文本化资源和第二在线业务文本化资源两者的文本资源联系特征中遍历目标文本资源联系特征的过程中,考虑通过资源共享分析算法更新而生成的阶段资源共享更新信息,能够有效减少资源请求应答会话更新所带来的干扰,以提高配置共享规则特征和任务重要性权重的准确性。
在一个实施例中,通过目标文本资源联系特征、阶段资源共享更新信息和场景资源共享更新信息,获得共享任务执行依据,包括:通过目标文本资源联系特征进行提炼,获得第一共享需求知识表达,并通过阶段资源共享更新信息和场景资源共享更新信息进行提炼,获得第二共享需求知识表达;通过第一共享需求知识表达和第二共享需求知识表达,推演得到共享任务执行依据。
实施本申请实施例,通过目标文本资源联系特征进行提炼,获得第一共享需求知识表达,并通过阶段资源共享更新信息和场景资源共享更新信息进行提炼,获得第二共享需求知识表达,基于此再通过第一共享需求知识表达和第二共享需求知识表达,推演得到共享任务执行依据,这样可以在推演之前分别提取资源共享更新信息和文本资源联系特征的深层次细节,提高之后推演处理的准确度。
在一个实施例中,共享决策信息还包括会话捕捉窗口,会话捕捉窗口用于指示在线业务文本化资源中更新的资源请求应答会话,共享任务执行依据还包括偏心因子列表和会话捕捉窗口的捕捉窗口配置信息,偏心因子列表包括在线业务文本化资源中各文本段落信息的偏心因子;通过阶段资源共享更新信息和配置指示,对共享规则特征和任务重要性权重进行配置,获得已配置的共享规则特征和已配置的任务重要性权重,包括:通过会话捕捉窗口、捕捉窗口配置信息和偏心因子列表进行组合,获得目标偏心因子矩阵,并通过配置指示对第一向量空间变换标签进行更正,获得已更正标签;其中,目标偏心因子矩阵包括在线业务文本化资源中各文本段落信息的贡献值,第一向量空间变换标签为第一在线业务文本化资源中文本段落信息通过阶段资源共享更新信息映射在第二在线业务文本化资源的文本段落标签;通过已更正标签和目标偏心因子矩阵,配置得到已配置的共享规则特征和已配置的任务重要性权重。
实施本申请实施例,共享决策信息还可以调整为包括会话捕捉窗口,会话捕捉窗口用于指示在线业务文本化资源中更新的资源请求应答会话,共享任务执行依据还可以调整为包括偏心因子列表和会话捕捉窗口的捕捉窗口配置信息,且偏心因子列表包括在线业务文本化资源中各文本段落信息的偏心因子,基于此,通过会话捕捉窗口、捕捉窗口配置信息和偏心因子列表进行组合,获得目标偏心因子矩阵,并通过配置指示对第一向量空间变换标签进行更正,获得已更正标签,且目标偏心因子矩阵包括在线业务文本化资源中各文本段落信息的贡献值,第一向量空间变换标签为第一在线业务文本化资源中文本段落信息通过阶段资源共享更新信息映射在第二在线业务文本化资源的文本段落标签,从而通过已更正标签和目标偏心因子矩阵,配置得到已配置的共享规则特征和已配置的任务重要性权重,进而在共享规则特征和任务重要性权重的配置过程中,有目的地增设用于指示存在更新的资源请求应答会话的会话捕捉窗口,并结合偏心因子列表获得目标偏心因子矩阵,从而为之后的资源共享更新信息处理提供指导,利于保障配置共享规则特征和任务重要性权重的准确性。
在一个实施例中,配置指示包括第一在线业务文本化资源中文本段落信息的更正依据向量,通过配置指示对第一向量空间变换标签进行更正,获得已更正标签,包括:将第一在线业务文本化资源中文本段落信息的更正依据向量加上文本段落信息在第二在线业务文本化资源中的第一向量空间变换标签,获得文本段落信息的已更正标签。
实施本申请实施例,配置指示包括第一在线业务文本化资源中文本段落信息的更正依据向量,并将第一在线业务文本化资源中文本段落信息的更正依据向量加上文本段落信息在第二在线业务文本化资源中的第一向量空间变换标签,获得文本段落信息的已更正标签,通过直接推演第一在线业务文本化资源中文本段落信息的更正依据向量,可以基于及时的信息融合获得文本段落信息在仅通过资源共享分析算法更新之后的已更正标签,以便减少确定文本段落信息仅通过资源共享分析算法更新之后的已更正标签的运算压力,利于保障配置共享规则特征和任务重要性权重的及时性。
在一个实施例中,通过会话捕捉窗口、捕捉窗口配置信息和偏心因子列表进行组合,获得目标偏心因子矩阵,包括:通过捕捉窗口配置信息对会话捕捉窗口进行更正,获得已更正会话捕捉窗口;其中,已更正会话捕捉窗口包括在线业务文本化资源中文本段落信息与存在更新的资源请求应答会话的适配系数,且适配系数与在线业务文本化资源中文本段落信息属于存在更新的资源请求应答会话的几率具有预设量化关系;通过偏心因子列表和已更正会话捕捉窗口进行组合,获得目标偏心因子矩阵。
实施本申请实施例,通过捕捉窗口配置信息对会话捕捉窗口进行更正,获得已更正会话捕捉窗口,且已更正会话捕捉窗口包括在线业务文本化资源中文本段落信息与存在更新的资源请求应答会话的适配系数,而适配系数与在线业务文本化资源中文本段落信息属于存在更新的资源请求应答会话的几率具有预设量化关系,然后再通过偏心因子列表和已更正会话捕捉窗口进行组合,获得目标偏心因子矩阵,从而能够从文本段落信息自身的偏心因子以及文本段落信息与存在更新的资源请求应答会话的适配系数两个层面综合分析文本段落信息的贡献值,进而能够利于保障后续配置共享规则特征和任务重要性权重的精度和可靠性。
在一个实施例中,共享任务执行依据还包括衍生资源共享更新信息,衍生资源共享更新信息是基于资源请求应答会话的更新所产生的;在通过阶段资源共享更新信息和配置指示,对共享规则特征和任务重要性权重进行配置,获得已配置的共享规则特征和已配置的任务重要性权重之后,方法还包括:通过已配置的共享规则特征和已配置的任务重要性权重,获得已配置的阶段资源共享更新信息,并通过衍生资源共享更新信息和已配置的阶段资源共享更新信息,获得已配置的场景资源共享更新信息;通过已配置的阶段资源共享更新信息和已配置的场景资源共享更新信息,获得已配置的资源共享更新信息,并通过已配置的共享规则特征和已配置的任务重要性权重,获得已配置的共享决策信息;返回执行“通过在线业务文本化资源集和资源共享更新信息,推演得到共享任务执行依据”,直到返回次数达到预设次数。
实施本申请实施例,共享任务执行依据还可以调整为包括衍生资源共享更新信息,且衍生资源共享更新信息是基于资源请求应答会话的更新所产生的,通过此通过已配置的共享规则特征和已配置的任务重要性权重,获得已配置的阶段资源共享更新信息,并通过衍生资源共享更新信息和已配置的阶段资源共享更新信息,获得已配置的场景资源共享更新信息,从而通过已配置的阶段资源共享更新信息和已配置的场景资源共享更新信息,获得已配置的资源共享更新信息,并通过已配置的共享规则特征和已配置的任务重要性权重,获得已配置的共享决策信息,进而返回执行“通过在线业务文本化资源集和资源共享更新信息,推演得到共享任务执行依据”,直到返回次数达到预设次数,从而在在线业务文本化资源分析时,通过将场景资源共享更新信息拆分为阶段资源共享更新信息和衍生资源共享更新信息,并反复进行循环配置,避免仅执行一次配置的偏差,基于循环循环配置,能够保障原料数据的全面性,从而可以利于提高共享规则特征和任务重要性权重的精度及可信度。
在一个实施例中,通过已配置的共享规则特征和已配置的任务重要性权重,获得已配置的阶段资源共享更新信息,包括:通过已配置的共享规则特征、已配置的任务重要性权重和第一在线业务文本化资源中文本段落信息的文本段落标签进行向量空间变换,获得第一在线业务文本化资源中文本段落信息映射在第二在线业务文本化资源的第二向量空间变换标签;通过第一在线业务文本化资源中文本段落信息映射在第二在线业务文本化资源的第二向量空间变换标签和第一在线业务文本化资源中文本段落信息在第二在线业务文本化资源中的指定文本范围之间的差别,获得已配置的阶段资源共享更新信息;其中,指定文本范围为在虚设资源共享分析算法不存在更新的前提下,第一在线业务文本化资源中文本段落信息所属的资源单元映射在第二在线业务文本化资源的文本段落标签。
实施本申请实施例,通过已配置的共享规则特征、已配置的任务重要性权重和第一在线业务文本化资源中文本段落信息的文本段落标签进行向量空间变换,获得第一在线业务文本化资源中文本段落信息映射在第二在线业务文本化资源的第二向量空间变换标签,并通过第一在线业务文本化资源中文本段落信息映射在第二在线业务文本化资源的第二向量空间变换标签和第一在线业务文本化资源中文本段落信息在第二在线业务文本化资源中的指定文本范围之间的差别,获得已配置的阶段资源共享更新信息,且指定文本范围为在虚设资源共享分析算法不存在更新的前提下,第一在线业务文本化资源中文本段落信息所属的资源单元映射在第二在线业务文本化资源的文本段落标签,从而在循环时,通过已配置的共享规则特征和已配置的任务重要性权重进一步再次向量空间变换,并在资源共享分析算法没有更新的虚设前提下,确定出第一在线业务文本化资源中文本段落信息所属的资源单元映射在第二在线业务文本化资源的文本段落标签,从而结合再次向量空间变换标签确定出已配置的阶段资源共享更新信息,利于保障已配置的阶段资源共享更新信息的精度和可信度。
在一个实施例中,通过衍生资源共享更新信息和已配置的阶段资源共享更新信息,获得已配置的场景资源共享更新信息,包括:根据衍生资源共享更新信息和已配置的阶段资源共享更新信息,获得已配置的场景资源共享更新信息。
实施本申请实施例,将推演得到的衍生资源共享更新信息和已配置的阶段资源共享更新信息进行融合,便可以获得已配置的场景资源共享更新信息,这样能够及时精准地确定已配置的场景资源共享更新信息,利于保障配置共享规则特征和任务重要性权重的及时性。
在一个独立性实施例中,所述方法通过专家系统模型实现,所述专家系统模型的优化学习思路包括:获得示例型在线业务文本化资源集、示例型资源共享更新信息和示例型在线业务文本化资源集中每一示例型在线业务文本化资源的示例型共享决策信息;其中,每一示例型在线业务文本化资源包含具有联系的第一示例型在线业务文本化资源和第二示例型在线业务文本化资源,示例型资源共享更新信息包括第一示例型在线业务文本化资源与第二示例型在线业务文本化资源之间的示例型阶段资源共享更新信息和示例型场景资源共享更新信息,示例型阶段资源共享更新信息是基于资源共享分析算法的更新所产生的,示例型场景资源共享更新信息是基于资源共享分析算法的更新和资源请求应答会话的更新所产生的,且示例型共享决策信息包括示例型共享规则特征和示例型任务重要性权重;通过专家系统模型对示例型在线业务文本化资源集和示例型资源共享更新信息进行推演,获得示例型共享任务执行依据;其中,示例型共享任务执行依据包括示例型阶段资源共享更新信息的示例型配置指示;通过示例型阶段资源共享更新信息和示例型配置指示,对示例型共享规则特征和示例型任务重要性权重进行配置,获得已配置的示例型共享规则特征和已配置的示例型任务重要性权重;通过已配置的示例型共享规则特征和已配置的示例型任务重要性权重进行模型学习评价运算,获得专家系统模型的模型学习评价变量;通过模型学习评价变量,调节专家系统模型的模型参量。
实施本申请实施例,将场景资源共享更新信息作为是基于资源共享分析算法的更新和资源请求应答会话的更新所产生的,并在在线业务文本化资源分析时,考虑场景资源共享更新信息和基于资源共享分析算法的更新所产生的阶段资源共享更新信息,推演出阶段资源共享更新信息的配置指示,以便在后续共享规则特征和任务重要性权重的配置过程中,结合阶段资源共享更新信息及其配置指示尽可能规避资源请求应答会话更新导致的决策偏差,能够提升专家系统模型的性能,利于保障利用专家系统模型在推演过程中获得共享任务执行依据的精度及可信度,进而能够提升推演过程中共享规则特征和任务重要性权重的准确度。
在一个实施例中,示例型共享决策信息还包括示例型会话捕捉窗口,示例型会话捕捉窗口用于指示示例型在线业务文本化资源中更新的资源请求应答会话,示例型共享任务执行依据还包括示例型衍生资源共享更新信息和示例型会话捕捉窗口的示例型捕捉窗口配置信息,且示例型衍生资源共享更新信息是基于资源请求应答会话的更新所产生的,模型学习评价变量包括基于会话捕捉窗口的模型学习评价;在通过示例型阶段资源共享更新信息和示例型配置指示,对示例型共享规则特征和示例型任务重要性权重进行配置,获得已配置的示例型共享规则特征和已配置的示例型任务重要性权重之后,方法还包括:通过示例型衍生资源共享更新信息、已配置的示例型共享规则特征和已配置的示例型任务重要性权重,获得已配置的示例型场景资源共享更新信息;通过已配置的示例型共享规则特征和已配置的示例型任务重要性权重进行模型学习评价运算,获得专家系统模型的模型学习评价变量,包括:通过示例型捕捉窗口配置信息和示例型会话捕捉窗口,获得示例型会话捕捉窗口在算法层面配置获得的第一会话捕捉窗口估测结果,并通过已配置的示例型场景资源共享更新信息、已配置的示例型共享规则特征和已配置的示例型任务重要性权重,获得示例型会话捕捉窗口在资源共享更新信息层面配置获得的第二会话捕捉窗口估测结果;通过第一会话捕捉窗口估测结果和第二会话捕捉窗口估测结果之间的差别,获得基于会话捕捉窗口的模型学习评价。
实施本申请实施例,示例型共享决策信息还包括示例型会话捕捉窗口,示例型会话捕捉窗口用于指示示例型在线业务文本化资源中更新的资源请求应答会话,示例型共享任务执行依据还包括示例型衍生资源共享更新信息和示例型会话捕捉窗口的示例型捕捉窗口配置信息,且示例型衍生资源共享更新信息是基于资源请求应答会话的更新所产生的,模型学习评价变量包括基于会话捕捉窗口的模型学习评价,则在获得已配置的示例型共享规则特征和已配置的示例型任务重要性权重之后,先通过示例型衍生资源共享更新信息、已配置的示例型共享规则特征和已配置的示例型任务重要性权重,获得已配置的示例型场景资源共享更新信息,再通过示例型捕捉窗口配置信息和示例型会话捕捉窗口,获得示例型会话捕捉窗口在算法层面配置获得的第一会话捕捉窗口估测结果,并通过已配置的示例型场景资源共享更新信息、已配置的示例型共享规则特征和已配置的示例型任务重要性权重,获得示例型会话捕捉窗口在资源共享更新信息层面配置获得的第二会话捕捉窗口估测结果,以及通过第一会话捕捉窗口估测结果和第二会话捕捉窗口估测结果之间的差别,获得基于会话捕捉窗口的模型学习评价,因而在优化学习过程中不具备先验会话捕捉窗口的基础上,也能够通过已配置的示例型场景资源共享更新信息、已配置的示例型共享规则特征和已配置的示例型任务重要性权重生成会话捕捉窗口标注信息,从而实现基于标注信息的优化学习,利于在提升性能的基础上,降低优化学习过程对标注信息的苛求。
在一个实施例中,通过已配置的示例型场景资源共享更新信息、已配置的示例型共享规则特征和已配置的示例型任务重要性权重,获得示例型会话捕捉窗口在资源共享更新信息层面配置获得的第二会话捕捉窗口估测结果,包括:通过已配置的示例型共享规则特征、已配置的示例型任务重要性权重和第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签进行向量空间变换,获得第一示例型在线业务文本化资源中示例型文本段落信息映射在第二示例型在线业务文本化资源的第一示例型向量空间变换标签;以及,通过已配置的示例型场景资源共享更新信息和第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签进行向量空间变换,获得第一示例型在线业务文本化资源中示例型文本段落信息映射在第二示例型在线业务文本化资源的第二示例型向量空间变换标签;通过第一示例型向量空间变换标签和第二示例型向量空间变换标签之间的差别,获得第二会话捕捉窗口估测结果。
实施本申请实施例,通过已配置的示例型共享规则特征、已配置的示例型任务重要性权重和第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签进行向量空间变换,获得第一示例型在线业务文本化资源中示例型文本段落信息映射在第二示例型在线业务文本化资源的第一示例型向量空间变换标签,进一步地,通过已配置的示例型场景资源共享更新信息和第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签进行向量空间变换,获得第一示例型在线业务文本化资源中示例型文本段落信息映射在第二示例型在线业务文本化资源的第二示例型向量空间变换标签,并通过第一示例型向量空间变换标签和第二示例型向量空间变换标签之间的差别,获得第二会话捕捉窗口估测结果,因而可以从通过共享规则特征、任务重要性权重进行向量空间变换的文本段落标签以及利用场景资源共享更新信息进行向量空间变换的文本范围两者之间的差别,确定出属于存在更新的资源请求应答会话的示例型文本段落信息,以获得第二会话捕捉窗口估测结果,利于保障生成的会话捕捉窗口标注信息的精度。
在一个实施例中,通过第一示例型向量空间变换标签和第二示例型向量空间变换标签之间的差别,获得第二会话捕捉窗口估测结果,包括:通过第一示例型向量空间变换标签与第二示例型向量空间变换标签之间的标签差值对比预设决策值,获得示例型文本段落信息的示例型会话捕捉窗口变量;其中,示例型会话捕捉窗口变量表征示例型文本段落信息是否属于存在更新的资源请求应答会话;通过每一示例型文本段落信息的示例型会话捕捉窗口变量,获得第二会话捕捉窗口估测结果。
实施本申请实施例,通过第一示例型向量空间变换标签与第二示例型向量空间变换标签之间的标签差值对比预设决策值,获得示例型文本段落信息的示例型会话捕捉窗口变量,且示例型会话捕捉窗口变量表征示例型文本段落信息是否属于存在更新的资源请求应答会话,并通过每一示例型文本段落信息的示例型会话捕捉窗口变量,获得第二会话捕捉窗口估测结果,这样基于标签差值与预设决策值的比较分析,便能够获得示例型文本段落信息的示例型会话捕捉窗口变量,并结合每一示例型文本段落信息的示例型会话捕捉窗口变量,便可获得第二会话捕捉窗口估测结果,能够利于减少确定示例型会话捕捉窗口变量的运算压力。
在一个实施例中,示例型共享决策信息还包括示例型会话捕捉窗口,示例型会话捕捉窗口用于指示示例型在线业务文本化资源中更新的资源请求应答会话,且模型学习评价变量包括基于文本段落对抗的模型学习评价;在通过已配置的示例型共享规则特征和已配置的示例型任务重要性权重进行模型学习评价运算,获得专家系统模型的模型学习评价变量之前,方法还包括:通过每一与第一示例型在线业务文本化资源具有关联的第二示例型在线业务文本化资源的示例型会话捕捉窗口进行组合,获得示例型组合标识;通过已配置的示例型共享规则特征和已配置的示例型任务重要性权重进行模型学习评价运算,获得专家系统模型的模型学习评价变量,包括:通过已配置的示例型共享规则特征、已配置的示例型任务重要性权重和第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签进行向量空间变换,获得第一示例型在线业务文本化资源中示例型文本段落信息映射在第二示例型在线业务文本化资源的第一示例型向量空间变换标签;通过第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签,获得第一示例型在线业务文本化资源中示例型文本段落信息的第一示例型词袋特征值,并通过第一示例型在线业务文本化资源中示例型文本段落信息的第一示例型向量空间变换标签,获得第一示例型在线业务文本化资源中示例型文本段落信息的第二示例型词袋特征值,以及通过示例型组合标识,获得第一示例型在线业务文本化资源中示例型文本段落信息的组合会话捕捉窗口变量;通过第一示例型词袋特征值、第二示例型词袋特征值和组合会话捕捉窗口变量,获得基于文本段落对抗的模型学习评价。
实施本申请实施例,在计算模型学习评价变量之前,先通过每一与第一示例型在线业务文本化资源具有关联的第二示例型在线业务文本化资源的示例型会话捕捉窗口进行组合,获得示例型组合标识,再通过已配置的示例型共享规则特征、已配置的示例型任务重要性权重和第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签进行向量空间变换,获得第一示例型在线业务文本化资源中示例型文本段落信息映射在第二示例型在线业务文本化资源的第一示例型向量空间变换标签,基于此,通过第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签,获得第一示例型在线业务文本化资源中示例型文本段落信息的第一示例型词袋特征值,并通过第一示例型在线业务文本化资源中示例型文本段落信息的第一示例型向量空间变换标签,获得第一示例型在线业务文本化资源中示例型文本段落信息的第二示例型词袋特征值,以及通过示例型组合标识,获得第一示例型在线业务文本化资源中示例型文本段落信息的组合会话捕捉窗口变量,从而通过第一示例型词袋特征值、第二示例型词袋特征值和组合会话捕捉窗口变量,获得基于文本段落对抗的模型学习评价,进而通过组合与第一示例型在线业务文本化资源具有关联的第二示例型在线业务文本化资源的示例型会话捕捉窗口,获得示例型组合标识,并在基于文本段落对抗的模型学习评价运算过程中偏向该示例型组合标识,利于通过示例型组合标识尽可能地减少受到的学习对抗,可以显著提高基于文本段落对抗的模型学习评价的运算精度,利于保障专家系统模型的性能。
在一个实施例中,通过第一示例型词袋特征值、第二示例型词袋特征值和组合会话捕捉窗口变量,获得基于文本段落对抗的模型学习评价,包括:获得第一示例型词袋特征值和第二示例型词袋特征值之间的特征值之差;利用组合会话捕捉窗口变量对特征值之差进行运算,获得目标特征值之差;通过每一示例型文本段落信息的目标特征值之差,获得基于文本段落对抗的模型学习评价。
实施本申请实施例,通过获得第一示例型词袋特征值和第二示例型词袋特征值之间的特征值之差,并利用组合会话捕捉窗口变量对特征值之差进行运算,获得目标特征值之差,从而通过每一示例型文本段落信息的目标特征值之差,获得基于文本段落对抗的模型学习评价,因而通过利用组合会话捕捉窗口变量对特征值之差进行运算,从而避免相似文本段落的学习抑制,利于减少基于文本段落对抗的模型学习评价的负载压力。
在一个实施例中,获得第一示例型词袋特征值和第二示例型词袋特征值之间的特征值之差,包括:通过特征相似策略计算第一示例型词袋特征值和第二示例型词袋特征值,获得第一结果,并通过设定注意力权重计算第一示例型词袋特征值和第二示例型词袋特征值,获得第二结果;通过第一结果和第二结果进行运算,获得特征值之差。
实施本申请实施例,在计算特征值之差时,结合特征相似策略和设定注意力权重两个层面进行综合分析,利于提高特征值之差的精度。
第二方面是一种业务资源共享服务器,包括存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;其中,当所述处理器执行所述计算机指令时,使得所述业务资源共享服务器执行第一方面的方法。
第三方面是一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时执行第一方面的方法。
根据本申请的一个实施例,获得在线业务文本化资源集、资源共享更新信息和在线业务文本化资源集中每个在线业务文本化资源的共享决策信息,且每个在线业务文本化资源包含具有联系的第一在线业务文本化资源和第二在线业务文本化资源,资源共享更新信息包括第一在线业务文本化资源与第二在线业务文本化资源之间的阶段资源共享更新信息和场景资源共享更新信息,阶段资源共享更新信息是基于资源共享分析算法的更新所产生的,场景资源共享更新信息是基于资源共享分析算法的更新和资源请求应答会话的更新所产生的,共享决策信息包括共享规则特征和任务重要性权重,基于此,再通过在线业务文本化资源集和资源共享更新信息,推演得到共享任务执行依据,且共享任务执行依据包括阶段资源共享更新信息的配置指示,并通过阶段资源共享更新信息和配置指示,对共享规则特征和任务重要性权重进行配置,获得已配置的共享规则特征和已配置的任务重要性权重。通过引入AI技术进行处理,将场景资源共享更新信息作为是基于资源共享分析算法的更新和资源请求应答会话的更新所产生的,并在在线业务文本化资源分析时,考虑场景资源共享更新信息和基于资源共享分析算法的更新所产生的阶段资源共享更新信息,推演出阶段资源共享更新信息的配置指示,以便在后续共享规则特征和任务重要性权重的配置过程中,结合阶段资源共享更新信息及其配置指示尽可能规避资源请求应答会话更新导致的决策偏差,以保障确定出的共享规则特征和任务重要性权重的精度及可信度,以便通过已配置的共享规则特征和已配置的任务重要性权重实现灵活智能且差异化的资源共享,尽可能减少生硬不变的共享规则特征以及生硬不变的任务重要性权重对资源共享的限制。
附图说明
图1为本申请实施例提供的基于大数据的业务资源共享方法的流程示意图。
具体实施方式
图1示出了本申请实施例提供的基于大数据的业务资源共享方法的流程示意图,基于大数据的业务资源共享方法可以通过业务资源共享服务器实现,业务资源共享服务器可以包括存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;其中,当所述处理器执行所述计算机指令时,使得所述业务资源共享服务器执行如下步骤。
S1、获得在线业务文本化资源集、资源共享更新信息和所述在线业务文本化资源集中每个在线业务文本化资源的共享决策信息。
在本申请实施例中,所述每个在线业务文本化资源包含具有联系的第一在线业务文本化资源和第二在线业务文本化资源。第一在线业务文本化资源和第二在线业务文本化资源可以是在时间上连续的在线业务文本化资源。比如,第一在线业务文本化资源和第二在线业务文本化资源是针对同一政企事务办理的在线业务文本化资源,也可以值针对同一应用软件开发任务的在线业务文本化资源。
进一步地,所述资源共享更新信息包含所述第一在线业务文本化资源与所述第二在线业务文本化资源之间的阶段资源共享更新信息和场景资源共享更新信息,所述阶段资源共享更新信息是基于资源共享分析算法的更新所产生的,所述场景资源共享更新信息是基于资源共享分析算法的更新和资源请求应答会话的更新所产生的。举例而言,阶段资源共享更新信息可以是由于资源共享分析算法(可以通过编程得到)的算法处理逻辑变化造成的,在持续的资源共享分析过程中,资源共享分析算法的算法处理逻辑会存在更新,由此会造成选中得到的在线业务文本化资源的可共享内容存在更新。此外,场景资源共享更新信息是由于资源共享分析算法的更新以及资源请求应答会话的更新共同造成的。资源请求应答会话在不同时期的共享交互需求不同,比如资源请求应答会话在时期P1的共享交互需求为r1,在时期P2的共享交互需求为r2,通过共享交互需求为r1和共享交互需求为r2可以确定出针对于相同资源请求应答会话的更新情况,比如共享需求内容变化、共享方的隐私保护等级变化、共享时效性要求变化等。
对于另一些示例而言,所述共享决策信息包括共享规则特征和任务重要性权重。进一步地,共享决策信息可以作共享任务执行参考理解,共享规则特征通过特征向量或者描述数组记录不同资源请求应答会话的资源共享规则/要求,而任务重要性权重可以理解为资源请求应答会话的共享需求度或者共享紧急程度,表征资源请求应答会话在资源共享选中过程中的优先级。
S2、通过所述在线业务文本化资源集和所述资源共享更新信息,推演得到共享任务执行依据。
在本申请实施例中,所述共享任务执行依据包含所述阶段资源共享更新信息的配置指示。对于一些示例而言,由于资源共享分析算法的算法处理逻辑更新和变量制动更正可能导致阶段资源共享更新信息的精度下降,由此可能导致资源请求应答会话的共享规则特征和任务重要性权重出现误差,这对后续的资源共享决策可能带来干扰,为此,可以基于在线业务文本化资源集以及资源共享更新信息确定出阶段资源共享更新信息的配置指示,该阶段资源共享更新信息的配置指示能够指导所述共享规则特征和所述任务重要性权重进行的配置。
可选的,S2所描述的通过所述在线业务文本化资源集和所述资源共享更新信息,推演得到共享任务执行依据,可以包括S21-S23。
S21、通过所述第一在线业务文本化资源和所述第二在线业务文本化资源的文本资源知识向量,获得所述第一在线业务文本化资源与所述第二在线业务文本化资源之间的文本资源联系特征,并通过所述阶段资源共享更新信息将所述第一在线业务文本化资源中文本段落信息进行向量空间变换,获得所述第一在线业务文本化资源中文本段落信息在所述第二在线业务文本化资源中的第一向量空间变换标签。
对于一些示例而言,文本资源知识向量可以理解为所述第一在线业务文本化资源和所述第二在线业务文本化资源的可共享内容,用于描述资源共享选择过程中的特征,而文本资源联系特征可以反映所述第一在线业务文本化资源与所述第二在线业务文本化资源之间的相似资源特征,用于进行所述第一在线业务文本化资源与所述第二在线业务文本化资源的综合分析处理。
此外,文本段落信息可以理解为第一在线业务文本化资源中的一部分,比如第一在线业务文本化资源中的资源请求应答会话session1对应的数据集或者资源单元。如果第一在线业务文本化资源为文章,则文本段落信息可以理解为文本段落或者句子。
在上述内容的基础上,文本段落信息在所述第二在线业务文本化资源中的第一向量空间变换标签可以理解为文本段落信息在所述第二在线业务文本化资源中的第一向量空间变换位置,比如第一在线业务文本化资源和第二在线业务文本化资源都是文章,则可以将资源请求应答会话session1对应的实体从第一在线业务文本化资源中向量空间变换到第二在线业务文本化资源中,从而确定出对应的第一向量空间变换标签,相关的向量空间变换可以结合传统的特征映射处理实现,在此不作赘述。
S22、通过所述第一向量空间变换标签在所述文本资源联系特征中遍历,获得目标文本资源联系特征。
比如,可以结合第一向量空间变换标签对应的定位数据对应遍历文本资源联系特征,以定位出目标文本资源联系特征。
S23、通过所述目标文本资源联系特征、所述阶段资源共享更新信息和所述场景资源共享更新信息,获得所述共享任务执行依据。
在实际实施时,S23所描述的通过所述目标文本资源联系特征、所述阶段资源共享更新信息和所述场景资源共享更新信息,获得所述共享任务执行依据,可以通过如下技术方案实现:通过所述目标文本资源联系特征进行提炼,获得第一共享需求知识表达,并通过所述阶段资源共享更新信息和所述场景资源共享更新信息进行提炼,获得第二共享需求知识表达;通过所述第一共享需求知识表达和所述第二共享需求知识表达,推演得到所述共享任务执行依据。
对于一些示例而言,目标文本资源联系特征能够反映不同选中信息之间的关联,基于此进行共享需求知识表达提炼(可基于传统的CNN模型中的卷积层实现),能够完整地得到共享需求知识表达的变化情况,而基于所述阶段资源共享更新信息和所述场景资源共享更新信息进行提炼,能够考虑第二共享需求知识表达所对应的误差,这样结合两类共享需求知识表达能够准确可靠地确定出共享任务执行依据。
S3、通过所述阶段资源共享更新信息和所述配置指示,对所述共享规则特征和所述任务重要性权重进行配置,获得已配置的共享规则特征和已配置的任务重要性权重。
在本申请实施例中,配置指示用于对共享规则特征以及任务重要性权重进行更新更正,从而避免由于资源共享更新信息导致的共享规则特征的误差/重复/丢失,同时也避免任务重要性权重的突变。
优选的,所述共享决策信息还包括会话捕捉窗口,所述会话捕捉窗口用于指示所述在线业务文本化资源中更新的资源请求应答会话。进一步地,会话捕捉窗口可以一直捕捉存在存在更新的资源请求应答会话,从而保障资源请求应答会话分析处理的连续性。此外,所述共享任务执行依据还包括偏心因子列表和所述会话捕捉窗口的捕捉窗口配置信息,所述偏心因子列表包含所述在线业务文本化资源中各文本段落信息的偏心因子。进一步地,偏心因子列表可以理解为偏置权值分布或者偏置权值列表,捕捉窗口配置信息用于对会话捕捉窗口进行调校处理,避免会话捕捉窗口出现不匹配的问题。
相应地,S3所描述的通过所述阶段资源共享更新信息和所述配置指示,对所述共享规则特征和所述任务重要性权重进行配置,获得已配置的共享规则特征和已配置的任务重要性权重,可以包括S31和S32所描述的内容。
S31、通过所述会话捕捉窗口、所述捕捉窗口配置信息和所述偏心因子列表进行组合,获得目标偏心因子矩阵,并通过所述配置指示对第一向量空间变换标签进行更正,获得已更正标签。
在本申请实施例中,所述目标偏心因子矩阵包含所述在线业务文本化资源中各文本段落信息的贡献值(重要程度),所述第一向量空间变换标签为所述第一在线业务文本化资源中文本段落信息通过所述阶段资源共享更新信息映射在所述第二在线业务文本化资源的文本段落标签(文本段落分布位置)。对于另一些示例而言,目标偏心因子矩阵可以理解为贡献值矩阵,通过融合所述会话捕捉窗口、所述捕捉窗口配置信息和所述偏心因子列表得到。
可选地,S31所描述的通过所述会话捕捉窗口、所述捕捉窗口配置信息和所述偏心因子列表进行组合,获得目标偏心因子矩阵,可以包括如下内容:通过所述捕捉窗口配置信息对所述会话捕捉窗口进行更正,获得已更正会话捕捉窗口;其中,所述已更正会话捕捉窗口包含所述在线业务文本化资源中文本段落信息与存在更新的资源请求应答会话的适配系数,且所述适配系数与所述在线业务文本化资源中文本段落信息属于存在更新的资源请求应答会话的几率具有预设量化关系;通过所述偏心因子列表和所述已更正会话捕捉窗口进行组合,获得所述目标偏心因子矩阵。该预设量化关系可以是正相关关系。
可选地,所述配置指示包含所述第一在线业务文本化资源中文本段落信息的更正依据向量。基于此,S31所描述的通过所述配置指示对第一向量空间变换标签进行更正,获得已更正标签,可以包括如下内容:将所述第一在线业务文本化资源中文本段落信息的更正依据向量与所述文本段落信息在所述第二在线业务文本化资源中的第一向量空间变换标签进行加权,获得所述文本段落信息的已更正标签。
S32、通过所述已更正标签和所述目标偏心因子矩阵,配置得到所述已配置的共享规则特征和所述已配置的任务重要性权重。
对于一些示例而言,已更正标签可以理解为配置位置,基于此,综合考虑配置位置以及目标偏心因子矩阵,能够从贡献值、偏心因子等方面偏向共享规则特征和任务重要性权重的配置更正要求,从而确保得到的已配置的共享规则特征和所述已配置的任务重要性权重的精度和可信度。
在另外的一些示例下,所述共享任务执行依据还包括衍生资源共享更新信息,所述衍生资源共享更新信息是基于资源请求应答会话的更新所产生的。举例而言,衍生资源共享更新信息可以侧重于偏向资源请求应答会话的文本段落更新情况,基于此,在所述通过所述阶段资源共享更新信息和所述配置指示,对所述共享规则特征和所述任务重要性权重进行配置,获得已配置的共享规则特征和已配置的任务重要性权重的步骤之后,该方法还可以包括如下内容。
S41、通过所述已配置的共享规则特征和所述已配置的任务重要性权重,获得已配置的阶段资源共享更新信息,并通过所述衍生资源共享更新信息和所述已配置的阶段资源共享更新信息,获得已配置的场景资源共享更新信息。
可选的,S41所描述的通过所述已配置的共享规则特征和所述已配置的任务重要性权重,获得已配置的阶段资源共享更新信息,可以包括如下内容:通过所述已配置的共享规则特征、所述已配置的任务重要性权重和所述第一在线业务文本化资源中文本段落信息的文本段落标签进行向量空间变换,获得所述第一在线业务文本化资源中文本段落信息映射在所述第二在线业务文本化资源的第二向量空间变换标签;通过所述第一在线业务文本化资源中文本段落信息映射在所述第二在线业务文本化资源的第二向量空间变换标签和所述第一在线业务文本化资源中文本段落信息在所述第二在线业务文本化资源中的指定文本范围之间的差别(文本范围差异),获得所述已配置的阶段资源共享更新信息;其中,所述指定文本范围为在虚设资源共享分析算法不存在更新的前提下,所述第一在线业务文本化资源中文本段落信息所属的资源单元映射在所述第二在线业务文本化资源的文本段落标签。如此,在循环时,通过已配置的共享规则特征和已配置的任务重要性权重进一步再次向量空间变换,并在资源共享分析算法没有更新的虚设前提下,确定出第一在线业务文本化资源中文本段落信息所属的资源单元映射在第二在线业务文本化资源的文本段落标签,从而结合再次向量空间变换标签确定出已配置的阶段资源共享更新信息,利于保障已配置的阶段资源共享更新信息的精度和可信度。
可选的,所述通过所述衍生资源共享更新信息和所述已配置的阶段资源共享更新信息,获得已配置的场景资源共享更新信息,包括:根据所述衍生资源共享更新信息和所述已配置的阶段资源共享更新信息,获得所述已配置的场景资源共享更新信息。如此,将推演得到的衍生资源共享更新信息和已配置的阶段资源共享更新信息进行融合,便可以获得已配置的场景资源共享更新信息,这样能够及时精准地确定已配置的场景资源共享更新信息,利于保障配置共享规则特征和任务重要性权重的及时性。
S42、通过所述已配置的阶段资源共享更新信息和所述已配置的场景资源共享更新信息,获得已配置的资源共享更新信息,并通过所述已配置的共享规则特征和已配置的任务重要性权重,获得已配置的共享决策信息。
S43、返回执行所述通过所述在线业务文本化资源集和所述资源共享更新信息,推演得到共享任务执行依据。
应用于S41-S43,共享任务执行依据还可以调整为包括衍生资源共享更新信息,且衍生资源共享更新信息是基于资源请求应答会话的更新所产生的,通过此通过已配置的共享规则特征和已配置的任务重要性权重,获得已配置的阶段资源共享更新信息,并通过衍生资源共享更新信息和已配置的阶段资源共享更新信息,获得已配置的场景资源共享更新信息,从而通过已配置的阶段资源共享更新信息和已配置的场景资源共享更新信息,获得已配置的资源共享更新信息,并通过已配置的共享规则特征和已配置的任务重要性权重,获得已配置的共享决策信息,进而返回执行“通过在线业务文本化资源集和资源共享更新信息,推演得到共享任务执行依据”,直到返回次数达到预设次数,从而在在线业务文本化资源分析时,通过将场景资源共享更新信息拆分为阶段资源共享更新信息和衍生资源共享更新信息,并反复进行循环配置,避免仅执行一次配置的偏差,基于循环循环配置,能够保障原料数据的全面性,从而可以利于提高共享规则特征和任务重要性权重的精度及可信度。
在一些独立性的设计思路下,所述方法通过专家系统模型实现,所述专家系统模型的优化学习思路包括如下S51-S55。
S51、获得示例型在线业务文本化资源集、示例型资源共享更新信息和所述示例型在线业务文本化资源集中每一示例型在线业务文本化资源的示例型共享决策信息;其中,所述每一示例型在线业务文本化资源包含具有联系的第一示例型在线业务文本化资源和第二示例型在线业务文本化资源,所述示例型资源共享更新信息包含所述第一示例型在线业务文本化资源与所述第二示例型在线业务文本化资源之间的示例型阶段资源共享更新信息和示例型场景资源共享更新信息,所述示例型阶段资源共享更新信息是基于资源共享分析算法的更新所产生的,所述示例型场景资源共享更新信息是基于资源共享分析算法的更新和资源请求应答会话的更新所产生的,且所述示例型共享决策信息包括示例型共享规则特征和示例型任务重要性权重。
S52、通过所述专家系统模型对所述示例型在线业务文本化资源集和所述示例型资源共享更新信息进行推演,获得示例型共享任务执行依据;其中,所述示例型共享任务执行依据包含所述示例型阶段资源共享更新信息的示例型配置指示。
S53、通过所述示例型阶段资源共享更新信息和所述示例型配置指示,对所述示例型共享规则特征和所述示例型任务重要性权重进行配置,获得已配置的示例型共享规则特征和已配置的示例型任务重要性权重。
S54、通过所述已配置的示例型共享规则特征和所述已配置的示例型任务重要性权重进行模型学习评价运算,获得所述专家系统模型的模型学习评价变量。可选地,模型学习评价运算可以理解为计算模型训练的损失函数,因此模型学习评价变量可以理解为损失函数,比如交叉熵损失函数。而专家系统模型的类似和结构只要能够实现本方案即可,比如可以是残差网络、长短期记忆神经网络等。
S55、通过所述模型学习评价变量,调节所述专家系统模型的模型参量。
在本申请实施例中,模型参量可以理解为模型参数,示例型的数据信息可以理解为针对专家系统模型的学习训练事先获得的已知样本。
应用于S51-S55,将场景资源共享更新信息作为是基于资源共享分析算法的更新和资源请求应答会话的更新所产生的,并在在线业务文本化资源分析时,考虑场景资源共享更新信息和基于资源共享分析算法的更新所产生的阶段资源共享更新信息,推演出阶段资源共享更新信息的配置指示,以便在后续共享规则特征和任务重要性权重的配置过程中,结合阶段资源共享更新信息及其配置指示尽可能规避资源请求应答会话更新导致的决策偏差,能够提升专家系统模型的性能,利于保障利用专家系统模型在推演过程中获得共享任务执行依据的精度及可信度,进而能够提升推演过程中共享规则特征和任务重要性权重的准确度
进一步地,所述示例型共享决策信息还包括示例型会话捕捉窗口,所述示例型会话捕捉窗口用于指示所述示例型在线业务文本化资源中更新的资源请求应答会话,所述示例型共享任务执行依据还包括示例型衍生资源共享更新信息和所述示例型会话捕捉窗口的示例型捕捉窗口配置信息,且所述示例型衍生资源共享更新信息是基于资源请求应答会话的更新所产生的,所述模型学习评价变量包括基于会话捕捉窗口的模型学习评价。
基于此,在所述通过所述示例型阶段资源共享更新信息和所述示例型配置指示,对所述示例型共享规则特征和所述示例型任务重要性权重进行配置,获得已配置的示例型共享规则特征和已配置的示例型任务重要性权重之后,所述方法还包括:通过所述示例型衍生资源共享更新信息、所述已配置的示例型共享规则特征和所述已配置的示例型任务重要性权重,获得已配置的示例型场景资源共享更新信息。基于此,S54通过所述已配置的示例型共享规则特征和所述已配置的示例型任务重要性权重进行模型学习评价运算,获得所述专家系统模型的模型学习评价变量,包括:S541、通过所述示例型捕捉窗口配置信息和所述示例型会话捕捉窗口,获得所述示例型会话捕捉窗口在算法层面配置获得的第一会话捕捉窗口估测结果,并通过所述已配置的示例型场景资源共享更新信息、所述已配置的示例型共享规则特征和所述已配置的示例型任务重要性权重,获得所述示例型会话捕捉窗口在资源共享更新信息层面配置获得的第二会话捕捉窗口估测结果;S542、通过所述第一会话捕捉窗口估测结果和所述第二会话捕捉窗口估测结果之间的差别,获得所述基于会话捕捉窗口的模型学习评价。
在本申请实施例中,模型学习评价变量可以包括不同种类的模型学习评价,基于会话捕捉窗口的模型学习评价作为其中的一类,表征会话捕捉窗口处理过程中的损失。基于此,在优化学习过程中不具备先验会话捕捉窗口的基础上,也能够通过已配置的示例型场景资源共享更新信息、已配置的示例型共享规则特征和已配置的示例型任务重要性权重生成会话捕捉窗口标注信息,从而实现基于标注信息的优化学习,利于在提升性能的基础上,降低优化学习过程对标注信息的苛求。
可选地,S541所描述的通过所述已配置的示例型场景资源共享更新信息、所述已配置的示例型共享规则特征和所述已配置的示例型任务重要性权重,获得所述示例型会话捕捉窗口在资源共享更新信息层面配置获得的第二会话捕捉窗口估测结果,可以包括如下S5411-S5433。
S5411、通过所述已配置的示例型共享规则特征、所述已配置的示例型任务重要性权重和所述第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签进行向量空间变换,获得所述第一示例型在线业务文本化资源中示例型文本段落信息映射在所述第二示例型在线业务文本化资源的第一示例型向量空间变换标签。
S5412、通过所述已配置的示例型场景资源共享更新信息和所述第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签进行向量空间变换,获得所述第一示例型在线业务文本化资源中示例型文本段落信息映射在所述第二示例型在线业务文本化资源的第二示例型向量空间变换标签。
S5413、通过所述第一示例型向量空间变换标签和所述第二示例型向量空间变换标签之间的差别,获得所述第二会话捕捉窗口估测结果。
应用于S5411-S5413,可以从通过共享规则特征、任务重要性权重进行向量空间变换的文本段落标签以及利用场景资源共享更新信息进行向量空间变换的文本范围两者之间的差别,确定出属于存在更新的资源请求应答会话的示例型文本段落信息,以获得第二会话捕捉窗口估测结果,利于保障生成的会话捕捉窗口标注信息的精度。
进一步地,S5413所描述的所述通过所述第一示例型向量空间变换标签和所述第二示例型向量空间变换标签之间的差别,获得所述第二会话捕捉窗口估测结果,可以包括如下内容:通过所述第一示例型向量空间变换标签与所述第二示例型向量空间变换标签之间的标签差值对比预设决策值,获得所述示例型文本段落信息的示例型会话捕捉窗口变量;其中,所述示例型会话捕捉窗口变量表征所述示例型文本段落信息是否属于所述存在更新的资源请求应答会话;通过每一所述示例型文本段落信息的示例型会话捕捉窗口变量,获得所述第二会话捕捉窗口估测结果。可以理解的是,通过第一示例型向量空间变换标签与第二示例型向量空间变换标签之间的标签差值对比预设决策值,获得示例型文本段落信息的示例型会话捕捉窗口变量,且示例型会话捕捉窗口变量表征示例型文本段落信息是否属于存在更新的资源请求应答会话,并通过每一示例型文本段落信息的示例型会话捕捉窗口变量,获得第二会话捕捉窗口估测结果,这样基于标签差值与预设决策值的比较分析,便能够获得示例型文本段落信息的示例型会话捕捉窗口变量,并结合每一示例型文本段落信息的示例型会话捕捉窗口变量,便可获得第二会话捕捉窗口估测结果,能够利于减少确定示例型会话捕捉窗口变量的运算压力。
优选的,所述示例型共享决策信息还包括示例型会话捕捉窗口,所述示例型会话捕捉窗口用于指示所述示例型在线业务文本化资源中更新的资源请求应答会话,且所述模型学习评价变量包括基于文本段落对抗的模型学习评价。基于此,在所述通过所述已配置的示例型共享规则特征和所述已配置的示例型任务重要性权重进行模型学习评价运算,获得所述专家系统模型的模型学习评价变量之前,所述方法还包括:通过每一与所述第一示例型在线业务文本化资源具有所述关联的第二示例型在线业务文本化资源的示例型会话捕捉窗口进行组合,获得示例型组合标识。进一步地,所述通过所述已配置的示例型共享规则特征和所述已配置的示例型任务重要性权重进行模型学习评价运算,获得所述专家系统模型的模型学习评价变量,包括:通过所述已配置的示例型共享规则特征、所述已配置的示例型任务重要性权重和所述第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签进行向量空间变换,获得所述第一示例型在线业务文本化资源中示例型文本段落信息映射在所述第二示例型在线业务文本化资源的第一示例型向量空间变换标签;通过所述第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签,获得所述第一示例型在线业务文本化资源中示例型文本段落信息的第一示例型词袋特征值,并通过所述第一示例型在线业务文本化资源中示例型文本段落信息的第一示例型向量空间变换标签,获得所述第一示例型在线业务文本化资源中示例型文本段落信息的第二示例型词袋特征值,以及通过所述示例型组合标识,获得所述第一示例型在线业务文本化资源中示例型文本段落信息的组合会话捕捉窗口变量;通过所述第一示例型词袋特征值、所述第二示例型词袋特征值和所述组合会话捕捉窗口变量,获得所述基于文本段落对抗的模型学习评价。
可以理解的是,在计算模型学习评价变量之前,先通过每一与第一示例型在线业务文本化资源具有关联的第二示例型在线业务文本化资源的示例型会话捕捉窗口进行组合,获得示例型组合标识,再通过已配置的示例型共享规则特征、已配置的示例型任务重要性权重和第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签进行向量空间变换,获得第一示例型在线业务文本化资源中示例型文本段落信息映射在第二示例型在线业务文本化资源的第一示例型向量空间变换标签,基于此,通过第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签,获得第一示例型在线业务文本化资源中示例型文本段落信息的第一示例型词袋特征值,并通过第一示例型在线业务文本化资源中示例型文本段落信息的第一示例型向量空间变换标签,获得第一示例型在线业务文本化资源中示例型文本段落信息的第二示例型词袋特征值,以及通过示例型组合标识,获得第一示例型在线业务文本化资源中示例型文本段落信息的组合会话捕捉窗口变量,从而通过第一示例型词袋特征值、第二示例型词袋特征值和组合会话捕捉窗口变量,获得基于文本段落对抗的模型学习评价,进而通过组合与第一示例型在线业务文本化资源具有关联的第二示例型在线业务文本化资源的示例型会话捕捉窗口,获得示例型组合标识,并在基于文本段落对抗的模型学习评价运算过程中偏向该示例型组合标识,利于通过示例型组合标识尽可能地减少受到的学习对抗,可以有效提高基于文本段落对抗的模型学习评价的运算精度,利于保障专家系统模型的性能。
优选的,通过所述第一示例型词袋特征值、所述第二示例型词袋特征值和所述组合会话捕捉窗口变量,获得所述基于文本段落对抗的模型学习评价,包括:获得所述第一示例型词袋特征值和所述第二示例型词袋特征值之间的特征值之差;利用所述组合会话捕捉窗口变量对所述特征值之差进行运算,获得目标特征值之差;通过每一所述示例型文本段落信息的目标特征值之差,获得所述基于文本段落对抗的模型学习评价。如此,通过获得第一示例型词袋特征值和第二示例型词袋特征值之间的特征值之差,并利用组合会话捕捉窗口变量对特征值之差进行运算,获得目标特征值之差,从而通过每一示例型文本段落信息的目标特征值之差,获得基于文本段落对抗的模型学习评价,因而通过利用组合会话捕捉窗口变量对特征值之差进行运算,从而避免相似文本段落的学习抑制,利于减少基于文本段落对抗的模型学习评价的负载压力。
进一步地,所述获得所述第一示例型词袋特征值和所述第二示例型词袋特征值之间的特征值之差,包括:通过特征相似策略计算所述第一示例型词袋特征值和所述第二示例型词袋特征值,获得第一结果,并通过设定注意力权重计算所述第一示例型词袋特征值和所述第二示例型词袋特征值,获得第二结果;通过所述第一结果和所述第二结果进行运算,获得所述特征值之差。这样,在计算特征值之差时,结合特征相似策略和设定注意力权重两个层面进行综合分析,利于提高特征值之差的精度。
可以理解,基于上述方案,通过对共享规则特征和任务重要性权重的配置调整,能够在基于在线业务文本化资源集进行资源共享时灵活依据共享规则特征和任务重要性权重进行针对性且差异化的资源共享,避免生硬机械地将在线业务文本化资源集的全部内容进行共享,提高了资源共享的效率和智能化程度,同时减少了无差别共享可能带来的信息泄露。
以上所述,仅为本申请的示例性实施方式。熟悉本技术领域的技术人员根据本申请提供的具体实施方式,可想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (7)
1.一种基于大数据的业务资源共享方法,其特征在于,应用于业务资源共享服务器,所述方法包括:
获得在线业务文本化资源集、资源共享更新信息和所述在线业务文本化资源集中每个在线业务文本化资源的共享决策信息;其中,所述每个在线业务文本化资源包含具有联系的第一在线业务文本化资源和第二在线业务文本化资源,所述资源共享更新信息包含所述第一在线业务文本化资源与所述第二在线业务文本化资源之间的阶段资源共享更新信息和场景资源共享更新信息,所述阶段资源共享更新信息是基于资源共享分析算法的更新所产生的,所述场景资源共享更新信息是基于资源共享分析算法的更新和资源请求应答会话的更新所产生的,且所述共享决策信息包括共享规则特征和任务重要性权重;
通过所述在线业务文本化资源集和所述资源共享更新信息,推演得到共享任务执行依据;其中,所述共享任务执行依据包含所述阶段资源共享更新信息的配置指示;通过所述阶段资源共享更新信息和所述配置指示,对所述共享规则特征和所述任务重要性权重进行配置,获得已配置的共享规则特征和已配置的任务重要性权重;
其中,所述共享决策信息还包括会话捕捉窗口,所述会话捕捉窗口用于指示所述在线业务文本化资源中更新的资源请求应答会话,所述共享任务执行依据还包括偏心因子列表和所述会话捕捉窗口的捕捉窗口配置信息,所述偏心因子列表包含所述在线业务文本化资源中各文本段落信息的偏心因子;所述通过所述阶段资源共享更新信息和所述配置指示,对所述共享规则特征和所述任务重要性权重进行配置,获得已配置的共享规则特征和已配置的任务重要性权重,包括:通过所述会话捕捉窗口、所述捕捉窗口配置信息和所述偏心因子列表进行组合,获得目标偏心因子矩阵,并通过所述配置指示对第一向量空间变换标签进行更正,获得已更正标签;其中,所述目标偏心因子矩阵包含所述在线业务文本化资源中各文本段落信息的贡献值,所述第一向量空间变换标签为所述第一在线业务文本化资源中文本段落信息通过所述阶段资源共享更新信息映射在所述第二在线业务文本化资源的文本段落标签;通过所述已更正标签和所述目标偏心因子矩阵,配置得到所述已配置的共享规则特征和所述已配置的任务重要性权重;
其中,所述通过所述会话捕捉窗口、所述捕捉窗口配置信息和所述偏心因子列表进行组合,获得目标偏心因子矩阵,包括:通过所述捕捉窗口配置信息对所述会话捕捉窗口进行更正,获得已更正会话捕捉窗口;其中,所述已更正会话捕捉窗口包含所述在线业务文本化资源中文本段落信息与存在更新的资源请求应答会话的适配系数,且所述适配系数与所述在线业务文本化资源中文本段落信息属于存在更新的资源请求应答会话的几率具有预设量化关系;通过所述偏心因子列表和所述已更正会话捕捉窗口进行组合,获得所述目标偏心因子矩阵;
其中,所述共享任务执行依据还包括衍生资源共享更新信息,所述衍生资源共享更新信息是基于资源请求应答会话的更新所产生的;在所述通过所述阶段资源共享更新信息和所述配置指示,对所述共享规则特征和所述任务重要性权重进行配置,获得已配置的共享规则特征和已配置的任务重要性权重之后,所述方法还包括:通过所述已配置的共享规则特征和所述已配置的任务重要性权重,获得已配置的阶段资源共享更新信息,并通过所述衍生资源共享更新信息和所述已配置的阶段资源共享更新信息,获得已配置的场景资源共享更新信息;通过所述已配置的阶段资源共享更新信息和所述已配置的场景资源共享更新信息,获得已配置的资源共享更新信息,并通过所述已配置的共享规则特征和已配置的任务重要性权重,获得已配置的共享决策信息;返回执行所述通过所述在线业务文本化资源集和所述资源共享更新信息,推演得到共享任务执行依据,直到返回次数达到预设次数;
其中,所述方法通过专家系统模型实现,所述专家系统模型的优化学习思路包括:获得示例型在线业务文本化资源集、示例型资源共享更新信息和示例型在线业务文本化资源集中每一示例型在线业务文本化资源的示例型共享决策信息;其中,每一示例型在线业务文本化资源包含具有联系的第一示例型在线业务文本化资源和第二示例型在线业务文本化资源,示例型资源共享更新信息包括第一示例型在线业务文本化资源与第二示例型在线业务文本化资源之间的示例型阶段资源共享更新信息和示例型场景资源共享更新信息,示例型阶段资源共享更新信息是基于资源共享分析算法的更新所产生的,示例型场景资源共享更新信息是基于资源共享分析算法的更新和资源请求应答会话的更新所产生的,且示例型共享决策信息包括示例型共享规则特征和示例型任务重要性权重;通过专家系统模型对示例型在线业务文本化资源集和示例型资源共享更新信息进行推演,获得示例型共享任务执行依据;其中,示例型共享任务执行依据包括示例型阶段资源共享更新信息的示例型配置指示;通过示例型阶段资源共享更新信息和示例型配置指示,对示例型共享规则特征和示例型任务重要性权重进行配置,获得已配置的示例型共享规则特征和已配置的示例型任务重要性权重;通过已配置的示例型共享规则特征和已配置的示例型任务重要性权重进行模型学习评价运算,获得专家系统模型的模型学习评价变量;通过模型学习评价变量,调节专家系统模型的模型参量;
其中,示例型共享决策信息还包括示例型会话捕捉窗口,示例型会话捕捉窗口用于指示示例型在线业务文本化资源中更新的资源请求应答会话,示例型共享任务执行依据还包括示例型衍生资源共享更新信息和示例型会话捕捉窗口的示例型捕捉窗口配置信息,且示例型衍生资源共享更新信息是基于资源请求应答会话的更新所产生的,模型学习评价变量包括基于会话捕捉窗口的模型学习评价;在通过示例型阶段资源共享更新信息和示例型配置指示,对示例型共享规则特征和示例型任务重要性权重进行配置,获得已配置的示例型共享规则特征和已配置的示例型任务重要性权重之后,方法还包括:通过示例型衍生资源共享更新信息、已配置的示例型共享规则特征和已配置的示例型任务重要性权重,获得已配置的示例型场景资源共享更新信息;通过已配置的示例型共享规则特征和已配置的示例型任务重要性权重进行模型学习评价运算,获得专家系统模型的模型学习评价变量,包括:通过示例型捕捉窗口配置信息和示例型会话捕捉窗口,获得示例型会话捕捉窗口在算法层面配置获得的第一会话捕捉窗口估测结果,并通过已配置的示例型场景资源共享更新信息、已配置的示例型共享规则特征和已配置的示例型任务重要性权重,获得示例型会话捕捉窗口在资源共享更新信息层面配置获得的第二会话捕捉窗口估测结果;通过第一会话捕捉窗口估测结果和第二会话捕捉窗口估测结果之间的差别,获得基于会话捕捉窗口的模型学习评价;
其中,通过已配置的示例型场景资源共享更新信息、已配置的示例型共享规则特征和已配置的示例型任务重要性权重,获得示例型会话捕捉窗口在资源共享更新信息层面配置获得的第二会话捕捉窗口估测结果,包括:通过已配置的示例型共享规则特征、已配置的示例型任务重要性权重和第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签进行向量空间变换,获得第一示例型在线业务文本化资源中示例型文本段落信息映射在第二示例型在线业务文本化资源的第一示例型向量空间变换标签;以及,通过已配置的示例型场景资源共享更新信息和第一示例型在线业务文本化资源中示例型文本段落信息的示例型文本段落标签进行向量空间变换,获得第一示例型在线业务文本化资源中示例型文本段落信息映射在第二示例型在线业务文本化资源的第二示例型向量空间变换标签;通过第一示例型向量空间变换标签和第二示例型向量空间变换标签之间的差别,获得第二会话捕捉窗口估测结果。
2.如权利要求1所述的方法,其特征在于,所述通过所述在线业务文本化资源集和所述资源共享更新信息,推演得到共享任务执行依据,包括:
通过所述第一在线业务文本化资源和所述第二在线业务文本化资源的文本资源知识向量,获得所述第一在线业务文本化资源与所述第二在线业务文本化资源之间的文本资源联系特征,并通过所述阶段资源共享更新信息将所述第一在线业务文本化资源中文本段落信息进行向量空间变换,获得所述第一在线业务文本化资源中文本段落信息在所述第二在线业务文本化资源中的第一向量空间变换标签;
通过所述第一向量空间变换标签在所述文本资源联系特征中遍历,获得目标文本资源联系特征;
通过所述目标文本资源联系特征、所述阶段资源共享更新信息和所述场景资源共享更新信息,获得所述共享任务执行依据。
3.如权利要求2所述的方法,其特征在于,所述通过所述目标文本资源联系特征、所述阶段资源共享更新信息和所述场景资源共享更新信息,获得所述共享任务执行依据,包括:
通过所述目标文本资源联系特征进行提炼,获得第一共享需求知识表达,并通过所述阶段资源共享更新信息和所述场景资源共享更新信息进行提炼,获得第二共享需求知识表达;
通过所述第一共享需求知识表达和所述第二共享需求知识表达,推演得到所述共享任务执行依据。
4.如权利要求1所述的方法,其特征在于,所述配置指示包含所述第一在线业务文本化资源中文本段落信息的更正依据向量,所述通过所述配置指示对第一向量空间变换标签进行更正,获得已更正标签,包括:根据所述第一在线业务文本化资源中文本段落信息的更正依据向量加上所述文本段落信息在所述第二在线业务文本化资源中的第一向量空间变换标签,获得所述文本段落信息的已更正标签。
5.如权利要求1所述的方法,其特征在于,所述通过所述已配置的共享规则特征和所述已配置的任务重要性权重,获得已配置的阶段资源共享更新信息,包括:
通过所述已配置的共享规则特征、所述已配置的任务重要性权重和所述第一在线业务文本化资源中文本段落信息的文本段落标签进行向量空间变换,获得所述第一在线业务文本化资源中文本段落信息映射在所述第二在线业务文本化资源的第二向量空间变换标签;
通过所述第一在线业务文本化资源中文本段落信息映射在所述第二在线业务文本化资源的第二向量空间变换标签和所述第一在线业务文本化资源中文本段落信息在所述第二在线业务文本化资源中的指定文本范围之间的差别,获得所述已配置的阶段资源共享更新信息;
其中,所述指定文本范围为在虚设资源共享分析算法不存在更新的前提下,所述第一在线业务文本化资源中文本段落信息所属的资源单元映射在所述第二在线业务文本化资源的文本段落标签。
6.如权利要求1所述的方法,其特征在于,所述通过所述衍生资源共享更新信息和所述已配置的阶段资源共享更新信息,获得已配置的场景资源共享更新信息,包括:根据所述衍生资源共享更新信息和所述已配置的阶段资源共享更新信息,获得所述已配置的场景资源共享更新信息。
7.一种业务资源共享服务器,其特征在于,包括:存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;其中,当所述处理器执行所述计算机指令时,使得所述业务资源共享服务器执行如权利要求1-6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310136188.1A CN116074317B (zh) | 2023-02-20 | 2023-02-20 | 一种基于大数据的业务资源共享方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310136188.1A CN116074317B (zh) | 2023-02-20 | 2023-02-20 | 一种基于大数据的业务资源共享方法及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116074317A CN116074317A (zh) | 2023-05-05 |
CN116074317B true CN116074317B (zh) | 2024-03-26 |
Family
ID=86181869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310136188.1A Active CN116074317B (zh) | 2023-02-20 | 2023-02-20 | 一种基于大数据的业务资源共享方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116074317B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116245260B (zh) * | 2023-05-12 | 2023-08-08 | 国网吉林省电力有限公司信息通信公司 | 基于变电站资源部署5g基站的优化方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015036817A1 (en) * | 2013-09-15 | 2015-03-19 | Yogesh Chunilal Rathod | Structured updated status, requests, user data & programming based presenting & accessing of connections |
WO2017129017A1 (zh) * | 2016-01-28 | 2017-08-03 | 腾讯科技(深圳)有限公司 | 资源分享方法、资源获取方法、终端及服务器 |
CN111209738A (zh) * | 2019-12-31 | 2020-05-29 | 浙江大学 | 一种联合文本分类的多任务命名实体识别方法 |
CN111581350A (zh) * | 2020-04-30 | 2020-08-25 | 识因智能科技(北京)有限公司 | 一种基于预训练语言模型的多任务学习阅读理解方法 |
CN113553510A (zh) * | 2021-07-30 | 2021-10-26 | 华侨大学 | 一种文本信息推荐方法、装置及可读介质 |
KR20210146671A (ko) * | 2020-05-27 | 2021-12-06 | 삼성생명보험주식회사 | 고객 상담 기록 분석 방법 |
CN114553658A (zh) * | 2022-03-07 | 2022-05-27 | 哈尔滨垚邝科技有限公司 | 一种基于云计算的资源共享安全处理方法及服务器 |
CN115203498A (zh) * | 2022-06-30 | 2022-10-18 | 寇占香 | 应用专家系统的数据信息推送分析方法及系统 |
CN115438117A (zh) * | 2022-09-26 | 2022-12-06 | 创域智能(常熟)网联科技有限公司 | 应用人工智能的业务大数据挖掘方法、服务器及存储介质 |
CN115471108A (zh) * | 2022-09-27 | 2022-12-13 | 陈浩川 | 数据分析决策方法、系统及大数据资源中心 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008056349A2 (en) * | 2006-11-06 | 2008-05-15 | I-Spade Technologies Ltd. | Media session identification method for ip networks |
US9779368B2 (en) * | 2013-12-02 | 2017-10-03 | Business Objects Software Ltd. | Dynamic inheritance of metadata concepts from project resources into a semantic model |
US20220198007A1 (en) * | 2020-12-18 | 2022-06-23 | Citrix Systems, Inc. | Systems and methods for performing url closure check in distributed systems |
-
2023
- 2023-02-20 CN CN202310136188.1A patent/CN116074317B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015036817A1 (en) * | 2013-09-15 | 2015-03-19 | Yogesh Chunilal Rathod | Structured updated status, requests, user data & programming based presenting & accessing of connections |
WO2017129017A1 (zh) * | 2016-01-28 | 2017-08-03 | 腾讯科技(深圳)有限公司 | 资源分享方法、资源获取方法、终端及服务器 |
CN111209738A (zh) * | 2019-12-31 | 2020-05-29 | 浙江大学 | 一种联合文本分类的多任务命名实体识别方法 |
CN111581350A (zh) * | 2020-04-30 | 2020-08-25 | 识因智能科技(北京)有限公司 | 一种基于预训练语言模型的多任务学习阅读理解方法 |
KR20210146671A (ko) * | 2020-05-27 | 2021-12-06 | 삼성생명보험주식회사 | 고객 상담 기록 분석 방법 |
CN113553510A (zh) * | 2021-07-30 | 2021-10-26 | 华侨大学 | 一种文本信息推荐方法、装置及可读介质 |
CN114553658A (zh) * | 2022-03-07 | 2022-05-27 | 哈尔滨垚邝科技有限公司 | 一种基于云计算的资源共享安全处理方法及服务器 |
CN115203498A (zh) * | 2022-06-30 | 2022-10-18 | 寇占香 | 应用专家系统的数据信息推送分析方法及系统 |
CN115438117A (zh) * | 2022-09-26 | 2022-12-06 | 创域智能(常熟)网联科技有限公司 | 应用人工智能的业务大数据挖掘方法、服务器及存储介质 |
CN115471108A (zh) * | 2022-09-27 | 2022-12-13 | 陈浩川 | 数据分析决策方法、系统及大数据资源中心 |
Non-Patent Citations (3)
Title |
---|
Urban Activity Summarization with Geo-Tagged Social Media Data;Chunhui Wang etc;《IEEE》;全文 * |
企业集团财务共享服务中心问题研究——以苏宁云商财务共享服务中心为例;陈肯;《中国优秀硕士论文电子期刊网》(第7期);第1-57页 * |
大数据时代档案信息资源共享平台数据交互服务的研究;卞咸杰;;浙江档案(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116074317A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3703332B1 (en) | Graph structure model training and junk account identification | |
EP3767536A1 (en) | Latent code for unsupervised domain adaptation | |
CN116074317B (zh) | 一种基于大数据的业务资源共享方法及服务器 | |
CN115064166B (zh) | 车辆语音交互方法、服务器和存储介质 | |
KR102156757B1 (ko) | 기계 학습을 이용한 신용 평가를 위한 시스템, 방법, 및 컴퓨터 프로그램 | |
CN112084301B (zh) | 文本修正模型的训练方法及装置、文本修正方法及装置 | |
CN114492843A (zh) | 一种基于半监督学习的分类方法、设备及存储介质 | |
CN114169389A (zh) | 一种类别扩增的目标检测模型训练方法和存储设备 | |
CN115022080A (zh) | 应用于智慧云的数据攻击处理方法及服务器 | |
CN109597739A (zh) | 人机对话中的语音日志服务方法及系统 | |
WO2021001517A1 (en) | Question answering systems | |
CN111461353A (zh) | 一种模型训练的方法和系统 | |
CN111027591A (zh) | 一种面向大规模集群系统的节点故障预测方法 | |
CN116232925A (zh) | 基于数字金融服务的大数据挖掘方法及系统 | |
US11509732B2 (en) | Smart service orchestrator | |
CN117114695B (zh) | 基于钢铁行业智能客服的交互方法及装置 | |
CN117493530B (zh) | 资源需求分析方法、装置、电子设备以及存储介质 | |
CN116306574B (zh) | 应用于智慧风控任务分析的大数据挖掘方法及服务器 | |
CN111209414B (zh) | 基于影像资料调用业务场景实现资料冷热分离存储的方法 | |
US20230377004A1 (en) | Systems and methods for request validation | |
CN114546706B (zh) | 一种应用于深度学习的应用程序缺陷分析方法及服务器 | |
CN117273166A (zh) | 一种信息处理方法及装置 | |
CN115712903A (zh) | 采用人工智能决策的软件会话风险分析方法及大数据系统 | |
CN117076622A (zh) | 答复信息的生成方法、装置、存储介质及电子设备 | |
Rubens et al. | Active learning in black-box settings |
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: 20240304 Address after: 830000 floor E1, 5, Xinjiang Software Park, 455 Kanas Hubei Road, Urumqi Economic and Technological Development Zone, Xinjiang Uygur Autonomous Region Applicant after: Xinjiang Bada Technology Development Co.,Ltd. Country or region after: China Address before: No. 79 Tongtan Road, Changyi District, Jilin City, Jilin Province, 132001 Applicant before: Wang Chunhui Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |