CN116155751A - 消息发送通道的配置方法及装置 - Google Patents
消息发送通道的配置方法及装置 Download PDFInfo
- Publication number
- CN116155751A CN116155751A CN202310426474.1A CN202310426474A CN116155751A CN 116155751 A CN116155751 A CN 116155751A CN 202310426474 A CN202310426474 A CN 202310426474A CN 116155751 A CN116155751 A CN 116155751A
- Authority
- CN
- China
- Prior art keywords
- attribute
- decision tree
- node
- message
- channel
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003066 decision tree Methods 0.000 claims abstract description 173
- 230000005540 biological transmission Effects 0.000 claims description 19
- 230000006698 induction Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 230000032683 aging Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001550 time effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- WNTGYJSOUMFZEP-UHFFFAOYSA-N 2-(4-chloro-2-methylphenoxy)propanoic acid Chemical compound OC(=O)C(C)OC1=CC=C(Cl)C=C1C WNTGYJSOUMFZEP-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/04—Real-time or near real-time messaging, e.g. instant messaging [IM]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/07—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail characterised by the inclusion of specific contents
- H04L51/10—Multimedia information
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Algebra (AREA)
- Multimedia (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开提供一种消息发送通道的配置方法及装置,所述方法包括:根据待发送的消息的属性值,从决策树集合中,选取与所述消息匹配的目标决策树,所述决策树集合中的各决策树是通过对样例集的学习得到的;根据所述目标决策树,确定所述消息对应的通道配置信息;根据所述通道配置信息,为所述消息配置发送通道。本公开的实施例能够提高消息发送通道的配置效率及配置准确率。
Description
技术领域
本公开涉及通信技术领域,尤其涉及一种消息发送通道的配置方法及装置。
背景技术
随着通信技术的发展,消息越来越多样化,从早期的传统短消息,发展到多媒体消息、5G消息以及国际短消息,消息的属性在不断扩展,相应地,发送消息的通道的属性也在不断扩展。
目前,消息发送的策略是消息找通道,即发送消息时,动态为消息配置发送通道。相关技术中,消息发送通道通常由人工或程序根据消息及通道的属性进行动态配置。然而,由于消息数量庞大且消息及通道的属性在不断扩展,通过人工或程序对消息发送通道进行配置时,存在过程繁琐、容易出错等问题,从而影响消息发送通道的配置效率及配置准确率。
需要说明的是,公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本公开实施例提供一种消息发送通道的配置方法及装置。
本公开实施例的第一方面,
提供了一种消息发送通道的配置方法,所述方法包括:
根据待发送的消息的属性值,从决策树集合中,选取与所述消息匹配的目标决策树,所述决策树集合中的各决策树是通过对样例集的学习得到的;
根据所述目标决策树,确定所述消息对应的通道配置信息;
根据所述通道配置信息,为所述消息配置发送通道。
在一种可能的实现方式中,所述方法还包括:
从第一属性集中,选取待学习的第二属性集,所述第一属性集是指消息及通道的所有属性的集合;
根据预设的样例集及所述第二属性集,通过决策树归纳的学习方式,建立所述决策树集合。
在一种可能的实现方式中,所述从第一属性集中,选取待学习的第二属性集,包括:
根据所述样例集,确定所述第一属性集中各属性的熵;
将所述第一属性集中熵大于或等于预设的熵阈值的属性,确定为待学习的属性;
将所述待学习的属性,加入第二属性集。
在一种可能的实现方式中,所述根据预设的样例集及所述第二属性集,通过决策树归纳的学习方式,建立所述决策树集合,包括:
根据所述样例集中的样例的输入属性,确定多个信息组合;
根据所述样例集及所述第二属性集中各属性的熵,确定所述第二属性集中各属性的信息增益;
根据所述样例集及所述第二属性集中各属性的信息增益,通过决策树归纳的学习方式,建立与各个信息组合对应的决策树。
在一种可能的实现方式中,所述根据所述样例集及所述第二属性集中各属性的信息增益,通过决策树归纳的学习方式,建立与各个信息组合对应的决策树,包括:
对于任一信息组合,从所述第二属性集中,选取信息增益最大的属性作为与所述信息组合对应的决策树的根节点的属性;
根据所述根节点的属性值及所述样例集,确定与所述根节点的各属性值对应的样例子集;
根据与所述根节点的各属性值对应的样例子集,建立所述根节点的下一级节点,下一级节点为叶节点或分支节点;
在下一级节点为分支节点的情况下,从所述第二属性集的剩余属性中,选取信息增益最大的属性作为所述分支节点的属性;
根据所述分支节点的属性值及所述样例集,确定与所述分支节点的各属性值对应的样例子集;
根据与所述分支节点的各属性值对应的样例子集,建立所述分支节点的下一级节点;
从下述步骤开始重复执行,直到满足预设的学习结束条件:在下一级节点为分支节点的情况下,从所述第二属性集的剩余属性中,选取信息增益最大的属性作为所述分支节点的属性;
将最终得到的决策树确定为与所述信息组合对应的决策树。
在一种可能的实现方式中,所述根据与所述根节点的各属性值对应的样例子集,建立所述根节点的下一级节点,包括:
对于所述根节点的任一属性值,在与所述属性值对应的样例子集中的样例均为正样例或反样例的情况下,确定所述根节点的、与所述属性值对应的下一级节点为叶节点;或者,
在与所述属性值对应的样例子集中既包括正样例也包括反样例的情况下,确定所述根节点的、与所述属性值对应的下一级节点为分支节点。
在一种可能的实现方式中,所述决策树集合中的各决策树包括属性为是的叶节点,
所述根据所述目标决策树,确定所述消息对应的通道配置信息,包括:
从所述目标决策树的叶节点中,确定出第一叶节点,所述第一叶节点是的属性为是;
根据所述第一叶节点在所述目标决策树中的路径及所述消息的属性值,确定所述消息对应的通道配置信息。
本公开实施例的第二方面,
提供了一种消息发送通道的配置装置,所述装置包括:
目标决策树选取模块,用于根据待发送的消息的属性值,从决策树集合中,选取与所述消息匹配的目标决策树,所述决策树集合中的各决策树是通过对样例集的学习得到的;
通道配置信息确定模块,用于根据所述目标决策树,确定所述消息对应的通道配置信息;
发送通道配置模块,用于根据所述通道配置信息,为所述消息配置发送通道。
本公开实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本公开实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本公开实施例的消息发送通道的配置方法,能够根据待发送的消息的属性值,从通过样例学习得到的决策树集合中,选取与该消息匹配的目标决策树,然后根据目标决策树,确定该消息对应的通道配置信息,并根据通道配置信息,为该消息配置发送通道,从而能够根据通过样例学习得到的决策树,自动为消息配置发送通道。通过这种方式,不仅能够提高消息发送通道的配置效率,而且能够提高消息发送通道的配置准确率。
附图说明
图1为本公开实施例的决策树的示意图;
图2为本公开实施例的消息发送通道的配置方法的一种流程示意图;
图3为本公开实施例的消息发送通道的配置方法的另一种流程示意图;
图4为本公开实施例的消息发送通道的配置装置的结构示意图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本公开的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
应当理解,在本公开中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本公开中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本公开中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本公开的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
为了提高消息发送通道的配置效率及配置准确率,本公开实施例提供了一种消息发送通道的配置方法,该方法包括:根据待发送的消息的属性值,从决策树集合中,选取与所述消息匹配的目标决策树,所述决策树集合中的各决策树是通过对样例集的学习得到的;根据所述目标决策树,确定所述消息对应的通道配置信息;根据所述通道配置信息,为所述消息配置发送通道。
本公开实施例的消息发送通道的配置方法,能够根据待发送的消息的属性值,从通过样例学习得到的决策树集合中,选取与该消息匹配的目标决策树,然后根据目标决策树,确定该消息对应的通道配置信息,并根据通道配置信息,为该消息配置发送通道,从而能够根据通过样例学习得到的决策树,自动为消息配置发送通道。通过这种方式,不仅能够提高消息发送通道的配置效率,而且能够提高消息发送通道的配置准确率。
在一种可能的实现方式中,在应用本公开实施例的消息发送通道的配置方法之前,需确定消息的属性及属性值、通道的属性及属性值。举例来说,消息的属性可包括消息类型、发送策略、时效要求及到达要求;消息类型的属性值可例如是普通信息、超信-多媒体信息、5G信息或国际信息;发送策略的属性值可例如是立即发送或预约发送;时效要求的属性值可例如是立即(例如用于发送验证码的信息,其时效要求的属性值通常为立即)或可延迟;到达要求的属性值可例如是极高、高、中或低,这里的到达要求的属性值可通过对到达率(连续值)进行离散化之后确定,例如,到达率大于99%对应属性值“极高”,到达率95%-99%对应属性值“高”,到达率90%-95%对应属性值“中”,到达率小于90%对应属性值“低”。
通道的属性可包括通道协议类型、通道归属、通道速率、通道类型、通道费用、通道运营商及通道空闲情况。通道协议类型的属性值可例如是CMPP(China Mobile Peer toPeer,中国移动通信互联网信息网关接口协议)、SMGP(Short Message Gateway Protocol,短消息网关协议)、SGIP(Short Message Gateway Interface Protocol,中国联合通信公司短消息网关系统接口协议)或SMPP(short message peer to peer,短消息对等协议)。通道归属的属性值可例如是全国或省份。通道速率的属性值可例如是高、中或低,这里的通道速率的属性值可通过对通道速率值(连续值)进行离散化之后确定。通道类型的属性值可例如是超信专用通道、5G专用通道、国际信息专用通道或普通通道。通道费用的属性值可例如是高、中或低,这里的通道费用的属性值可通过对通道费用值(连续值)进行离散化之后确定。通道运营商的属性值可例如是全网、中国移动、中国联通或中国电信。通道空闲情况的属性值可例如是空闲或不空闲。
需要说明的是,上述仅对消息的属性及属性值、通道的属性及属性值进行了示例性地说明。在实际应用中,本领域技术可根据实际情况对消息的属性及属性值、通道的属性及属性值的具体内容进行设置,也可随业务发展对其进行扩展。本公开对消息的属性及属性值、通道的属性及属性值的具体内容均不作限制。
在一种可能的实现方式中,确定消息的属性及属性值、通道的属性及属性值后,可根据消息的属性及属性值、通道的属性及属性值及历史数据,建立样例集。样例集中的样例包括输入属性及通道发送情况。其中,输入属性可包括消息的属性及通道的属性。通道发送情况可用于指样例是否发送成功。若样例发送成功,则通道发送情况的值为是。若样例发送失败,则通道发送情况的值为否。例如,假设样例的输入属性包括发送策略(属性值为立即或预约)、到达要求(属性值为高、中或低)、时效要求(属性值为立即或可延迟)、通道归属(属性值为全国或省份)、通道运营商(属性值为中国联通、中国移动、中国电信或全网)、通道费用(属性值为高、中或低)、通道速率(属性值为高、中或低)、通道空闲情况(属性值为空闲或不空闲),可根据样例的输入属性及历史数据,来建立样例集。下述表1示出了样例集中的样例的示意。
表1样例示意表
在一种可能的实现方式中,可根据通道发送情况的值,将样例集中的样例分为正样例及反样例。其中,正样例是指通道发送情况的值为“是”的样例,例如表1中的样例x3、x7、x8、x10、x12均为正样例;反样例是指通道发送情况的值为“否”的样例,例如表1中的样例x1、x2、x4、x5、x6、x9、x11均为反样例。
需要说明的是,以上仅对样例集中的样例进行了示例性地说明,在实际应用中,本领域技术人员可根据实际情况对样例的具体内容进行设置,本公开对此不作限制。
在一种可能的实现方式中,在应用本公开实施例的消息发送通道的配置方法时,需建立决策树集合。本公开实施例的消息发送通道的配置方法,可包括:从第一属性集中,选取待学习的第二属性集,所述第一属性集是指消息及通道的所有属性的集合;根据预设的样例集及所述第二属性集,通过决策树归纳的学习方式,建立所述决策树集合。
可将消息及通道的所有属性的集合看作是第一属性集。本公开实施例中的决策树归纳学习的方式可以看作是一种贪婪搜索策略,可用于极小化树的深度,因此,第一属性集中,有的属性需要学习,有的属性则不需要学习,那么,可从第一属性集中,选取待学习的第二属性集。例如,对于通道类型这一属性,5G信息通过5G专用通道来发送,国际信息通过国际信息专用通道来发送,可知,在发送消息时,可通过消息类型来直接确定对应的通道类型,而无需对通道类型这一属性加以学习。
在一种可能的实现方式中,从第一属性集中选取待学习的第二属性集时,可首先根据样例集,确定第一属性集中各属性的熵。属性的熵可用于度量属性的不确定性。可根据属性的熵来确定属性是否需要学习。一个属性的熵越大,该属性的不确定性就越高,对其进行学习的需求也就越高;一个属性的熵越小,该属性的不确定性就越小,对其进行学习的需求也就越低。
公式(1)中,为正整数,表示属性/>的属性值的取值共有/>个,例如,假设属性为通道费用,其属性值为高、中或低,那么,通道费用的属性值的取值共有3个,;/>表示属性/>的第/>个属性值,/>为正整数且/>;/>表示属性值/>的出现概率,/>表示属性/>的第/>个属性值的熵。
公式(1)中各个变量的取值,可从样例集中直接获取,也可通过对样例集中的数据进行统计计算的方式得出,这里不再赘述。
得到第一属性集中各属性的熵后,可将各属性的熵分别与预设的熵阈值进行比较。对于第一属性集中的任一属性,如果该属性的熵大于或等于熵阈值,则可将该属性确定为待学习的属性,将其加入第二属性集;如果该属性的熵小于熵阈值,则可认为该属性无需学习,无需加入第二属性集。
通过这种方式,能够根据第一属性集中各属性的熵,从第一属性集中选取待学习的第二属性值,快速准确,从而能够提高处理效率。
在一种可能的实现方式中,得到第二属性集后,可根据样例集及第二属性集,通过决策树归纳的学习方式,建立决策树集合。建立决策树集合时,可首先根据样例集中的样例的输入属性,确定多个信息组合。这里可根据样例的输入属性中的一个或多个属性来确定信息组合。例如,在样例的输入属性包括通道类型、通道运营商的情况下,可根据通道类型及通道运营商来建立多个信息组合:信息组合1(超信专用通道,中国移动)、信息组合2(超信专用通道,中国联通)、信息组合3(5G专用通道,中国电信)、信息组合4(普通通道,中国移动)、信息组合5(普通信息、普通通道)等。
在一种可能的实现方式中,确定信息组合时,可使用输入属性中不参与学习的属性,也可使用输入属性中用户重点关注的属性,例如时效要求、通道费用等。本领域技术人员可根据实际情况来确定信息组合的具体内容,本公开对此不作限制。
在一种可能的实现方式中,建立决策树集合时,还可根据样例集及第二属性集中各属性的熵,确定第二属性集中各属性的信息增益。对于第二属性集中的任一属性,该属性的信息增益可通过下述方式来确定:可首先确定该属性的熵及该属性对应的正样例的熵,然后计算该属性的信息增益,具体的,可将该属性的熵与该属性对应的正样例的熵的差值,确定为该属性的信息增益,即,属性的信息增益=属性的熵-属性对应的正样例的熵。
其中,属性的熵可通过上述公式(1)来计算。属性对应的正样例的熵也可通过上述公式(1)来计算,在计算属性对应的正样例的熵时,公式(1)中的用于表示样例集中与属性值/>对应的正样例的出现概率。下述表2为属性的信息增益的示意表。
表2属性的信息增益的示意表
在一种可能的实现方式中,确定多个信息组合及第二属性集中各属性的信息增益后,可根据样例集及第二属性集中各属性的信息增益,通过决策树归纳的学习方式,建立与各个信息组合对应的决策树。也就是说,决策树集合中包括多个决策树,每个决策树均有对应的信息组合作为该决策树的标签或关键词,便于从决策树集合中查找所需的决策树。
在一种可能的实现方式中,对于任一信息组合,建立与该信息组合对应的决策树时,可首先从第二属性集中,选取信息增益最大的属性,并将选取的属性作为与该信息组合对应的决策树的根节点的属性;然后根据根节点的属性值及样例集,确定与根节点的各属性值对应的样例子集,也就是说,可根据样例集,对根节点的各属性进行归纳学习。具体可例如,根据表2所示的属性的信息增益,信息增益最大的属性为“通道速率”,那么可将决策树的根节点的属性设置为“通道速率”,其属性值为“高”、“中”、“低”这三个值,对于样例集中的任一样例,可根据“通道速率”的属性值,将其归纳到属性值对应的样例子集中。之后根据与根节点的各属性值对应的样例子集,建立根节点的下一级节点。下一级节点为叶节点或分支节点。根节点的下一级节点的数量与根节点的属性值的数量相同。
建立根节点的下一级节点时,对于根节点的任一属性值,在与该属性值对应的样例子集中的样例均为正样例或反样例的情况下,确定根节点的、与该属性值对应的下一级节点为叶节点。叶节点的属性可通过下述方式来确定:在与该叶节点对应的样例子集中的样例均为正样例的情况下,可确定该叶子节点的属性为“是”;在与该叶节点对应的样例子集中的样例均为反样例的情况下,可确定该叶子节点的属性为“否”。
建立根节点的下一级节点时,对于根节点的任一属性值,在与该属性值对应的样例子集中既包括正样例也包括反样例的情况下,可确定根节点的、与该属性值对应的下一级节点为分支节点。
在下一级节点为分支节点的情况下,可从第二属性集的剩余属性(第二属性集中除了已选取的属性之外剩余的属性)中,选取信息增益最大的属性作为分支节点的属性;然后根据分支节点的属性值及样例集,确定与分支节点的各属性值对应的样例子集,也就是说,可根据样例集,对分支节点的各属性进行归纳学习。之后根据与分支节点的各属性值对应的样例子集,建立分支节点的下一级节点。之后重复本段的处理过程,直到满足预设的学习结束条件,然后将最终得到的决策树确定为与信息组合对应的决策树。其中,学习结束条件可例如学习轮次达到预设轮次、第二属性集的剩余属性为空、分支节点的下一级节点均为叶节点等。本领域技术人员可根据实际情况来设置学习结束条件的具体内容,本公开对此不作限制。
下面将结合表1所示样例集中的样例、表2所示的属性的信息增益,以信息组合5(普通信息、普通通道)为例,对与信息组合5对应的决策树的建立过程进行示例性地说明。
假设第二属性集包括的属性为:发送策略、到达要求、时效要求、通道归属、通道运营商、通道费用、通道速率及通道空闲情况。
建立与信息组合5对应的决策树时,可首先从第二属性集中,选取信息增益最大的属性“通道速率”,并将选取的属性“通道速率”作为与信息组合5对应的决策树的根节点的属性。
属性“通道速率”的属性值包括高、中、低这三种,可根据样例集,对根节点的各属性值进行归纳学习。具体的,对于样例集中的任一样例,可根据“通道速率”的属性值,将该样例归纳到属性值对应的样例子集中。也就是说,可根据属性“通道速率”的属性值,从样例集中确定出与各属性值对应的样例子集:与属性值“高”对应的样例子集包括样例x1、x8、x9、x12;与属性值“中”对应的样例子集包括样例x3、x7、x10;与属性值“低”对应的样例子集包括样例x2、x4、x5、x6、x11。
然后根据与根节点(也看作是“通道速率”节点)的各属性值(高、中、低)对应的样例子集,建立根节点的下一级节点:与属性值“低”对应的样例子集中,各样例均为反样例,那么,可确定根节点的、与属性值“低”对应的下一级节点为叶节点,其属性为“否”;与属性值“中”对应的样例子集中,各样例均为正样例,那么,可确定根节点的、与属性值“中”对应的下一级节点为叶节点,其属性为“是”;与属性值“高”对应的样例子集中,既包括正样例(样例x8、x12)也包括反样例(样例x1、x9),那么,可确定根节点的、与属性值“高”对应的下一级节点为分支节点。
在根节点的、与属性值“高”对应的下一级节点为分支节点的情况下,可从第二属性集的剩余属性(除已选取的“通道速率”之外的其他属性)中,选取信息增益最大的属性“通道运营商”,并将选取的属性“通道运营商”作为根节点的、与属性值“高”对应的下一级节点(即分支节点)的属性,可将该节点看作是“通道运营商”节点。
属性“通道运营商”的属性值包括全网、中国移动、中国联通、中国电信这四种,可根据样例集,对“通道运营商”节点的各属性进行归纳学习。具体的,对于样例集中的任一样例,可根据“通道速率”的属性值、“通道运营商”的属性值,将该样例归纳到决策树的相关节点对应的样例子集中。也就是说,可根据属性“通道运营商”的属性值,以及“通道运营商”节点自身的限制条件(即属性“通道速率”的属性值为“高”),从样例集中确定出与“通道运营商”的各属性值对应的样例子集:与属性值“全网”对应的样例子集包括样例x1、x8、x12;与属性值“中国联通”对应的样例子集包括样例x9;与属性值“中国移动”对应的样例子集为空;与属性值“中国电信”对应的样例子集为空。
然后根据与分支节点(“通道运营商”节点)的各属性值(全网、中国移动、中国联通、中国电信)对应的样例子集,建立“通道运营商”节点的下一级节点:与属性值“中国联通”对应的样例子集中,各样例均为反样例,那么,可确定“通道运营商”节点的、与属性值“中国联通”对应的下一级节点为叶节点,其属性为“否”;与属性值“全网”对应的样例子集中,既包括正样例(样例x8、x12)也包括反样例(样例x1),那么,可确定“通道运营商”节点的、与属性值“全网”对应的下一级节点为分支节点;与属性值“中国移动”、“中国电信”对应的样例子集为空,表示本轮未学习到相关样例,可以不在决策树中进行表示。
在“通道运营商”节点的、与属性值“全网”对应的下一级节点为分支节点的情况下,可从第二属性集的剩余属性(除已选取的“通道速率”、“通道运营商”之外的其他属性)中,选取信息增益最大的属性“时效要求”,并将选取的属性“时效要求”作为“通道运营商”节点的、与属性值“全网”对应的下一级节点(即分支节点)的属性,可将该节点看作是“时效要求”节点。
属性“时效要求”的属性值包括立即、可延迟这两种,可根据样例集,对“时效要求”节点的各属性进行归纳学习。具体的,对于样例集中的任一样例,可根据“通道速率”的属性值、“通道运营商”的属性值、“时效要求”的属性值,将该样例归纳到决策树的相关节点对应的样例子集中。也就是说,可根据属性“时效要求”的属性值,以及“时效要求”节点自身的限制条件(即属性“通道速率”的属性值为“高”且属性“通道运营商”的属性值为“全网”),从样例集中确定出与各属性值对应的样例子集:与属性值“可延迟”对应的样例子集包括样例x8、x12;与属性值“立即”对应的样例子集为空。
然后根据与分支节点(“时效要求”节点)的各属性值(立即、可延迟)对应的样例子集,建立“时效要求”节点的下一级节点:与属性值“可延迟”对应的样例子集中,各样例均为正样例,那么,可确定“时效要求”节点的、与属性值“可延迟”对应下一级节点为叶节点,其属性为“是”;属性值“立即”对应的样例子集为空,表示本轮未学习到相关样例,可以不在决策树中进行表示。
“时效要求”节点的下一级节点均为叶节点,本轮学习完成,可进行下一轮学习,直到满足预设的学习结束条件,然后将最后得到的决策树确定为与信息组合5对应的决策树。
图1为本公开实施例的决策树的示意图。图1中的决策树是根据表1所示的样例集中的样例及表2所示的属性的信息增益,在归纳学习的过程中得到的中间决策树。
如图1所示,该中间决策树的根节点150为“通道速率”(表2中信息增益最大的属性)节点,根节点150的下一级节点为:分支节点161(“通道运营商”节点,这里的“通道运营商”为表2中除“通道速率”属性外信息增益最大的属性)、叶节点162(属性为“是”)及叶节点163(属性为“否”),其中,分支节点161与根节点150的属性值“高”相对应,叶节点162与根节点150的属性值“中”相对应,叶节点163与根节点150的属性值“低”相对应;
分支节点161的下一级节点为:分支节点171(“时效要求”节点,这里的“时效要求”为表2中除“通道速率”、“通道运行商”属性外信息增益最大的属性)、叶节点172(属性为“否”),其中,分支节点171与分支节点161的属性值“全网”相对应,叶节点172与分支节点161的属性值“中国联通”相对应。
分支节点171的下一级节点为:叶节点181(属性为“是”),叶节点181与分支节点171的属性值“可延迟”相对应。
在一种可能的实现方式中,随着历史数据的更新(例如扩展新业务导致的消息或通道的属性/属性值的更新),样例集也会随之更新,可根据更新后的样例集,通过决策树归纳的学习方式,对本公开实施例的决策树集合中的决策树进行更新。在一个示例中,可使用与建立决策树类似的方式,对决策树集合中的决策树进行更新。在另一个示例中,可通过将更新后的样例集的各个样例分别与决策树集合中的决策树进行匹配的方式,对决策树集合中的决策树进行更新,具体可例如:对于某一决策树,如果一个样例与该决策树匹配成功,则可认为该决策树中已包含该样例对应的路径,无需再学习该样例;如果两者没有匹配成功,则判断该样例是否适用于该决策树,如果该样例适用于该决策树,则可根据该样例对决策树进行调整,从而实现决策树的更新。
在一种可能的实现方式中,在决策树的建立过程中,如果决策树的一个节点的下一级节点中存在多个分支节点,则可以选择熵最大的分支节点进行优先学习,并将其他待学习的分支节点的属性设置“是/否”,表示其对应的样例子集中既有正样例又有反样例,为后续待学习节点。其中,分支节点的熵是指分支节点对应的属性值的熵。
图2为本公开实施例的消息发送通道的配置方法的一种流程示意图。如图2所示,该方法包括:
步骤S210,根据待发送的消息的属性值,从决策树集合中,选取与所述消息匹配的目标决策树。
发送消息时,可确定待发送的消息的属性值,然后根据待发送的消息的属性值,从决策树集合中,选取出与该消息匹配的目标决策树。例如,可通过将待发送的消息的属性值与决策树集合中各决策树对应的信息组合进行匹配,并将匹配度最高的决策树,确定为与该消息匹配的目标决策树。
步骤S220,根据所述目标决策树,确定所述消息对应的通道配置信息。
确定出目标决策树后,可根据目标决策树,确定待发送的消息对应的通道配置信息。具体的,可从目标决策树的叶节点中,确定出第一叶节点,第一叶节点的属性为是。也就是说,可将目标决策树的叶节点分为两类,属性为是的第一叶节点以及属性为否的第二叶节点。
然后可根据第一叶节点在目标决策树中的路径及待发送的消息的属性值,确定该消息对应的通道配置信息。具体的,可首先根据第一叶节点在目标决策树中的路径,确定候选配置信息。例如,假设图1中的决策树为目标决策树,其包括2个第一叶节点,分别为叶节点162和叶节点181,则候选配置信息为两个:候选配置信息1(通道速率为中)和候选配置信息2(通道速率为高+通道运营商为全网+时效要求为可延迟)。
然后可根据待发送的消息的属性值,从候选配置信息中,选取出与待发送的消息的匹配度最高的候选配置信息,再根据选取出的候选配置信息,确定待发送的消息对应的通道配置信息。例如,假设选取出与待发送的消息的匹配度最高的候选配置信息为候选配置信息2(通道速率为高+通道运营商为全网+时效要求为可延迟),根据候选配置信息2,可确定出待发送的消息对应的通道配置信息为:通道速率为高+通道运营商为全网+时效要求为可延迟。
此外,在确定与待发送的消息对应的通道配置信息时,还可考虑通道费用等其他用户较为关注的属性,本公开对此不作限制。
步骤S230,根据所述通道配置信息,为所述消息配置发送通道。
确定出待发送的消息对应的通道配置信息后,可根据该通道配置信息,为该消息配置发送通道,以便通过配置好的发送通道发送消息。
图3为本公开实施例的消息发送通道的配置方法的另一种流程示意图。如图3所示,该方法包括:
步骤S310,从第一属性集中,选取待学习的第二属性集,所述第一属性集是指消息及通道的所有属性的集合;
步骤S320,根据预设的样例集及所述第二属性集,通过决策树归纳的学习方式,建立决策树集合;
步骤S330,根据待发送的消息的属性值,从决策树集合中,选取与所述消息匹配的目标决策树;
步骤S340,根据所述目标决策树,确定所述消息对应的通道配置信息;
步骤S350,根据所述通道配置信息,为所述消息配置发送通道。
本公开实施例的消息发送通道的配置方法,能够根据待发送的消息的属性值,从通过样例学习得到的决策树集合中,选取与该消息匹配的目标决策树,然后根据目标决策树,确定该消息对应的通道配置信息,并根据通道配置信息,为该消息配置发送通道,从而能够根据通过样例学习得到的决策树,自动为消息配置发送通道。通过这种方式,不仅能够提高消息发送通道的配置效率,而且能够提高消息发送通道的配置准确率。
图4为本公开实施例的消息发送通道的配置装置的结构示意图。如图4所示,所述装置包括:
目标决策树选取模块41,用于根据待发送的消息的属性值,从决策树集合中,选取与所述消息匹配的目标决策树,所述决策树集合中的各决策树是通过对样例集的学习得到的;
通道配置信息确定模块42,用于根据所述目标决策树,确定所述消息对应的通道配置信息;
发送通道配置模块43,用于根据所述通道配置信息,为所述消息配置发送通道。
在一种可能的实现方式中,所述装置还包括:属性集选取模块,用于从第一属性集中,选取待学习的第二属性集,所述第一属性集是指消息及通道的所有属性的集合;决策树集合建立模块,用于根据预设的样例集及所述第二属性集,通过决策树归纳的学习方式,建立所述决策树集合。
在一种可能的实现方式中,所述属性集选取模块,用于:根据所述样例集,确定所述第一属性集中各属性的熵;将所述第一属性集中熵大于或等于预设的熵阈值的属性,确定为待学习的属性;将所述待学习的属性,加入第二属性集。
在一种可能的实现方式中,所述决策树集合建立模块,用于:根据所述样例集中的样例的输入属性,确定多个信息组合;根据所述样例集及所述第二属性集中各属性的熵,确定所述第二属性集中各属性的信息增益;根据所述样例集及所述第二属性集中各属性的信息增益,通过决策树归纳的学习方式,建立与各个信息组合对应的决策树。
在一种可能的实现方式中,所述根据所述样例集及所述第二属性集中各属性的信息增益,通过决策树归纳的学习方式,建立与各个信息组合对应的决策树,包括:对于任一信息组合,从所述第二属性集中,选取信息增益最大的属性作为与所述信息组合对应的决策树的根节点的属性;根据所述根节点的属性值及所述样例集,确定与所述根节点的各属性值对应的样例子集;根据与所述根节点的各属性值对应的样例子集,建立所述根节点的下一级节点,下一级节点为叶节点或分支节点;在下一级节点为分支节点的情况下,从所述第二属性集的剩余属性中,选取信息增益最大的属性作为所述分支节点的属性;根据所述分支节点的属性值及所述样例集,确定与所述分支节点的各属性值对应的样例子集;根据与所述分支节点的各属性值对应的样例子集,建立所述分支节点的下一级节点;从下述步骤开始重复执行,直到满足预设的学习结束条件:在下一级节点为分支节点的情况下,从所述第二属性集的剩余属性中,选取信息增益最大的属性作为所述分支节点的属性;将最终得到的决策树确定为与所述信息组合对应的决策树。
在一种可能的实现方式中,所述根据与所述根节点的各属性值对应的样例子集,建立所述根节点的下一级节点,包括:对于所述根节点的任一属性值,在与所述属性值对应的样例子集中的样例均为正样例或反样例的情况下,确定所述根节点的、与所述属性值对应的下一级节点为叶节点;或者,在与所述属性值对应的样例子集中既包括正样例也包括反样例的情况下,确定所述根节点的、与所述属性值对应的下一级节点为分支节点。
在一种可能的实现方式中,所述决策树集合中的各决策树包括属性为是的叶节点,所述通道配置信息确定模块42,用于:从所述目标决策树的叶节点中,确定出第一叶节点,所述第一叶节点是的属性为是;根据所述第一叶节点在所述目标决策树中的路径及所述消息的属性值,确定所述消息对应的通道配置信息。
本公开的实施例还提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为调用所述存储器存储的指令,以执行上述实施例所述的方法。
本公开的实施例还提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述实施例所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
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系统、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、程序段或指令的一部分,所述模块、程序段或指令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。在有些作为替换的实现中,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。
注意,除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (10)
1.一种消息发送通道的配置方法,其特征在于,所述方法包括:
根据待发送的消息的属性值,从决策树集合中,选取与所述消息匹配的目标决策树,所述决策树集合中的各决策树是通过对样例集的学习得到的;
根据所述目标决策树,确定所述消息对应的通道配置信息;
根据所述通道配置信息,为所述消息配置发送通道。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
从第一属性集中,选取待学习的第二属性集,所述第一属性集是指消息及通道的所有属性的集合;
根据预设的样例集及所述第二属性集,通过决策树归纳的学习方式,建立所述决策树集合。
3.根据权利要求2所述的方法,其特征在于,所述从第一属性集中,选取待学习的第二属性集,包括:
根据所述样例集,确定所述第一属性集中各属性的熵;
将所述第一属性集中熵大于或等于预设的熵阈值的属性,确定为待学习的属性;
将所述待学习的属性,加入第二属性集。
4.根据权利要求2所述的方法,其特征在于,所述根据预设的样例集及所述第二属性集,通过决策树归纳的学习方式,建立所述决策树集合,包括:
根据所述样例集中的样例的输入属性,确定多个信息组合;
根据所述样例集及所述第二属性集中各属性的熵,确定所述第二属性集中各属性的信息增益;
根据所述样例集及所述第二属性集中各属性的信息增益,通过决策树归纳的学习方式,建立与各个信息组合对应的决策树。
5.根据权利要求4所述的方法,其特征在于,所述根据所述样例集及所述第二属性集中各属性的信息增益,通过决策树归纳的学习方式,建立与各个信息组合对应的决策树,包括:
对于任一信息组合,从所述第二属性集中,选取信息增益最大的属性作为与所述信息组合对应的决策树的根节点的属性;
根据所述根节点的属性值及所述样例集,确定与所述根节点的各属性值对应的样例子集;
根据与所述根节点的各属性值对应的样例子集,建立所述根节点的下一级节点,下一级节点为叶节点或分支节点;
在下一级节点为分支节点的情况下,从所述第二属性集的剩余属性中,选取信息增益最大的属性作为所述分支节点的属性;
根据所述分支节点的属性值及所述样例集,确定与所述分支节点的各属性值对应的样例子集;
根据与所述分支节点的各属性值对应的样例子集,建立所述分支节点的下一级节点;
从下述步骤开始重复执行,直到满足预设的学习结束条件:在下一级节点为分支节点的情况下,从所述第二属性集的剩余属性中,选取信息增益最大的属性作为所述分支节点的属性;
将最终得到的决策树确定为与所述信息组合对应的决策树。
6.根据权利要求5所述的方法,其特征在于,所述根据与所述根节点的各属性值对应的样例子集,建立所述根节点的下一级节点,包括:
对于所述根节点的任一属性值,在与所述属性值对应的样例子集中的样例均为正样例或反样例的情况下,确定所述根节点的、与所述属性值对应的下一级节点为叶节点;或者,
在与所述属性值对应的样例子集中既包括正样例也包括反样例的情况下,确定所述根节点的、与所述属性值对应的下一级节点为分支节点。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,所述决策树集合中的各决策树包括属性为是的叶节点,
所述根据所述目标决策树,确定所述消息对应的通道配置信息,包括:
从所述目标决策树的叶节点中,确定出第一叶节点,所述第一叶节点是的属性为是;
根据所述第一叶节点在所述目标决策树中的路径及所述消息的属性值,确定所述消息对应的通道配置信息。
8.一种消息发送通道的配置装置,其特征在于,所述装置包括:
目标决策树选取模块,用于根据待发送的消息的属性值,从决策树集合中,选取与所述消息匹配的目标决策树,所述决策树集合中的各决策树是通过对样例集的学习得到的;
通道配置信息确定模块,用于根据所述目标决策树,确定所述消息对应的通道配置信息;
发送通道配置模块,用于根据所述通道配置信息,为所述消息配置发送通道。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310426474.1A CN116155751A (zh) | 2023-04-20 | 2023-04-20 | 消息发送通道的配置方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310426474.1A CN116155751A (zh) | 2023-04-20 | 2023-04-20 | 消息发送通道的配置方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116155751A true CN116155751A (zh) | 2023-05-23 |
Family
ID=86362204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310426474.1A Pending CN116155751A (zh) | 2023-04-20 | 2023-04-20 | 消息发送通道的配置方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116155751A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110135590A (zh) * | 2019-04-15 | 2019-08-16 | 平安科技(深圳)有限公司 | 信息处理方法、装置、介质及电子设备 |
US20190266429A1 (en) * | 2018-02-23 | 2019-08-29 | Qualcomm Incorporated | Constrained random decision forest for object detection |
US20210357783A1 (en) * | 2020-05-18 | 2021-11-18 | Optum Services (Ireland) Limited | Data prioritization across predictive input channels |
CN113676741A (zh) * | 2021-07-19 | 2021-11-19 | Oppo广东移动通信有限公司 | 数据传输方法、装置、存储介质及电子设备 |
CN114554496A (zh) * | 2022-02-22 | 2022-05-27 | 国网浙江省电力有限公司信息通信分公司 | 基于机器学习的5g网络切片资源分配方法 |
CN114595695A (zh) * | 2022-01-21 | 2022-06-07 | 华东师范大学 | 一种用于少样本意图识别系统的自训练模型构建方法 |
CN115633317A (zh) * | 2022-12-21 | 2023-01-20 | 北京金楼世纪科技有限公司 | 一种消息通道配置方法和系统 |
CN115759251A (zh) * | 2022-11-29 | 2023-03-07 | 青岛大学 | 一种决策树训练方法、装置、计算机设备以及存储介质 |
-
2023
- 2023-04-20 CN CN202310426474.1A patent/CN116155751A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190266429A1 (en) * | 2018-02-23 | 2019-08-29 | Qualcomm Incorporated | Constrained random decision forest for object detection |
CN110135590A (zh) * | 2019-04-15 | 2019-08-16 | 平安科技(深圳)有限公司 | 信息处理方法、装置、介质及电子设备 |
US20210357783A1 (en) * | 2020-05-18 | 2021-11-18 | Optum Services (Ireland) Limited | Data prioritization across predictive input channels |
CN113676741A (zh) * | 2021-07-19 | 2021-11-19 | Oppo广东移动通信有限公司 | 数据传输方法、装置、存储介质及电子设备 |
CN114595695A (zh) * | 2022-01-21 | 2022-06-07 | 华东师范大学 | 一种用于少样本意图识别系统的自训练模型构建方法 |
CN114554496A (zh) * | 2022-02-22 | 2022-05-27 | 国网浙江省电力有限公司信息通信分公司 | 基于机器学习的5g网络切片资源分配方法 |
CN115759251A (zh) * | 2022-11-29 | 2023-03-07 | 青岛大学 | 一种决策树训练方法、装置、计算机设备以及存储介质 |
CN115633317A (zh) * | 2022-12-21 | 2023-01-20 | 北京金楼世纪科技有限公司 | 一种消息通道配置方法和系统 |
Non-Patent Citations (1)
Title |
---|
曹洁: "《Spark大数据分析技术Scala版》", vol. 1, 北京航空航天大学出版社, pages: 181 - 183 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9727574B2 (en) | System and method for applying an efficient data compression scheme to URL parameters | |
CN111400504B (zh) | 企业关键人的识别方法和装置 | |
CN112154420B (zh) | 自动智能云服务测试工具 | |
CN111968648B (zh) | 语音识别方法、装置、可读介质及电子设备 | |
CN113516501A (zh) | 一种基于图神经网络的用户通信行为预测方法和装置 | |
CN114428907B (zh) | 信息搜索方法、装置、电子设备及存储介质 | |
CN112052413A (zh) | Url模糊匹配方法、装置和系统 | |
CN107708076B (zh) | 用于推送接入信息的方法和设备 | |
CN108696418B (zh) | 一种社交网络中隐私保护方法及装置 | |
CN116155751A (zh) | 消息发送通道的配置方法及装置 | |
CN111315026B (zh) | 信道的选择方法、装置、网关及计算机可读存储介质 | |
CN107026788B (zh) | 终端应用的讨论组中消息屏蔽的方法及终端 | |
WO2018203510A1 (ja) | 質問推定装置 | |
CN117424764B (zh) | 系统资源访问请求信息处理方法、装置、电子设备和介质 | |
CN115334003B (zh) | 一种基于汇聚分流设备的数据流处理方法及系统 | |
CN114781408B (zh) | 同传翻译模型的训练方法、装置及电子设备 | |
CN112580803B (zh) | 模型获取方法、装置、电子设备、存储介质和程序产品 | |
CN114449031B (zh) | 信息获取方法、装置、设备和存储介质 | |
CN115460110B (zh) | 基于链路预测的异常as_path检测方法及装置 | |
CN116560665B (zh) | 数据生成和处理的方法和装置、信用卡营销规则引擎系统 | |
CN110704629B (zh) | 一种确定字符集的方法和装置 | |
CN115752496A (zh) | 路径搜索方法、装置、电子设备和存储介质 | |
CN112162872A (zh) | 消息处理方法及装置、存储介质、电子装置 | |
CN117668560A (zh) | 模型训练、插件预测方法、装置、设备、介质及产品 | |
CN116541834A (zh) | 恶意模型切片溯源方法和恶意模型切片传播路径溯源方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230523 |
|
RJ01 | Rejection of invention patent application after publication |