CN116167336A - 基于云计算的传感器数据加工方法、云服务器及介质 - Google Patents
基于云计算的传感器数据加工方法、云服务器及介质 Download PDFInfo
- Publication number
- CN116167336A CN116167336A CN202310435941.7A CN202310435941A CN116167336A CN 116167336 A CN116167336 A CN 116167336A CN 202310435941 A CN202310435941 A CN 202310435941A CN 116167336 A CN116167336 A CN 116167336A
- Authority
- CN
- China
- Prior art keywords
- quality inspection
- text
- vector
- sequence
- bucket
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/103—Formatting, i.e. changing of presentation of documents
- G06F40/117—Tagging; Marking up; Designating a block; Setting of attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
Abstract
本申请实施例提供的基于云计算的传感器数据加工方法,基于事先调校得到的目标质检文本优化算法对传感器检测文本序列进行质检结果分类,效率和准确性高。在算法迭代过程中,基于目标质检文本优化算法获得的质检语义向量和基于质检文本优化算法获得的质检语义向量匹配性更强,在调用目标质检文本优化算法对质检文本序列再次进行文本向量抽取,文本向量的抽取效率更高,便于实现更快的质检结果检测和文本标记。
Description
技术领域
本申请涉及但不限于人工智能技术领域,尤其涉及一种基于云计算的传感器数据加工方法、云服务器及介质。
背景技术
传感器生产线中,传感器的质检工作是保证产品良率的重要环节。通常而言,对于高精度传感器,在质检过程中,涉及传感器常温蠕变、恢复、TCO、TCSPAN等进行检测,并由质检员或自动化设备进行检测过程的质检记录,如检测事项、检测方式、检测次数、检测结果等,以在后续流程完成质检结果确定。对于基数庞大的检测场景,可将各生产线的检测记录汇集到云端进行统一自动识别,这要求云端检测识别的准确率和效率满足一定的要求,因此,需要一种部署在云端的能准确高效进行检测记录检测,完成数据优质加工的方法。
发明内容
有鉴于此,本申请实施例至少提供一种基于云计算的传感器数据加工方法。
本申请实施例的技术方案是这样实现的:
一方面,本申请实施例提供一种基于云计算的传感器数据加工方法,应用于云服务器,所述方法包括:
获取传感器检测文本序列,所述传感器检测文本序列为针对目标生产线的传感器进行检测后记录的质检文本;
将所述传感器检测文本序列输入目标质检文本优化算法,通过所述目标质检文本优化算法对所述传感器检测文本序列进行检测,得到所述传感器检测文本序列对应的质检结果;
基于所述质检结果对所述传感器检测文本序列进行标记,得到标记文本序列;
其中,所述目标质检文本优化算法通过以下操作进行迭代:
获取迭代质检文本优化算法的示例文本库,所述示例文本库包括不少于一个匹配质检结果标记的示例质检文本序列,所述示例质检文本序列为所述质检文本优化算法已经检测的质检文本序列;
对所述示例质检文本序列进行文本向量抽取,得到所述示例质检文本序列对应的质检语义向量,以及对所述质检语义向量和所述质检结果标记对应的目标分桶的质心文本向量进行拼接,获得所述示例质检文本序列的拼接文本向量;
通过所述拼接文本向量和所述质检语义向量,对所述目标分桶的质心文本向量进行调节,得到所述目标分桶的调节质心文本向量;
对所述质检语义向量和所述目标分桶的调节质心文本向量进行拼接,获得所述示例质检文本序列的调节拼接文本向量;
通过所述调节拼接文本向量确定所述拼接文本向量和所述调节拼接文本向量之间的匹配代价结果,并获取所述质检文本优化算法的分类代价结果;
通过所述分类代价结果和所述匹配代价结果对所述质检文本优化算法进行调校,得到所述质检文本优化算法迭代后的目标质检文本优化算法。
在一些实施例中,所述通过所述拼接文本向量和所述质检语义向量,对所述目标分桶的质心文本向量进行调节,得到所述目标分桶的调节质心文本向量,包括:
通过所述拼接文本向量,确定所述示例质检文本序列的预估质检结果标记;
通过所述质检语义向量和所述预估质检结果标记,对所述目标分桶的质心文本向量进行调节,得到所述目标分桶的调节质心文本向量。
在一些实施例中,所述对所述示例质检文本序列进行文本向量抽取,得到所述示例质检文本序列对应的质检语义向量,包括:
基于所述质检文本优化算法中的文本向量抽取网络对所述示例质检文本序列进行文本向量抽取,得到所述示例质检文本序列对应的原始质检语义向量;
基于所述质检文本优化算法中的文本向量归总网络对所述原始质检语义向量进行文本向量归总,得到所述示例质检文本序列对应的质检语义向量;
所述通过所述质检语义向量和所述预估质检结果标记,对所述目标分桶的质心文本向量进行调节,得到所述目标分桶的调节质心文本向量,包括:
获取所述质检语义向量对应的第一向量投影角度,并获取所述原始质检语义向量的第二向量投影角度;
通过所述第一向量投影角度、所述第二向量投影角度和所述预估质检结果标记,对所述目标分桶的质心文本向量进行调节,得到所述目标分桶的调节质心文本向量;
其中,所述通过所述第一向量投影角度、所述第二向量投影角度和所述预估质检结果标记,对所述目标分桶的质心文本向量进行调节,得到所述目标分桶的调节质心文本向量,包括:
获取所述目标分桶的质心文本向量的第三向量投影角度;
通过所述第一向量投影角度、所述第二向量投影角度、所述第三向量投影角度和所述预估质检结果标记,对所述目标分桶的质心文本向量进行调节,得到所述目标分桶的调节质心文本向量。
在一些实施例中,所述质检文本优化算法还包括质心归总网络,所述方法还包括:
获取所述质检结果标记对应的目标分桶的原始质心文本向量;
基于所述质检文本优化算法的质心归总网络对所述原始质心文本向量进行归总,得到所述质检结果标记对应的目标分桶的质心文本向量。
在一些实施例中,所述获取迭代质检文本优化算法的示例文本库,包括:
获取所述质检文本优化算法已经检测的质检文本序列;
在所述质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组,并通过所述待指示质检文本分桶组对所述质检文本序列进行标记指示,得到匹配质检结果标记的质检文本序列;
通过所述匹配质检结果标记的质检文本序列,确定迭代质检文本优化算法的示例文本库;
所述获取所述质检文本优化算法已经检测的质检文本序列,包括:
获取所述质检文本优化算法已经检测的已检测质检文本序列;
获取所述已检测质检文本序列的重要文本单元,通过所述重要文本单元确定所述已检测质检文本序列对应的内容合格系数;
将达到预设内容合格系数的内容合格系数对应的已检测质检文本序列确定为所述质检文本优化算法已经检测的质检文本序列。
在一些实施例中,所述通过所述重要文本单元确定所述已检测质检文本序列对应的内容合格系数,包括:
获取所述已检测质检文本序列的多个内容合格认证算子;
基于所述内容合格认证算子,通过所述重要文本单元获取所述已检测质检文本序列的多个原始内容合格系数;
通过所述原始内容合格系数获取所述已检测质检文本序列对应的内容合格系数;
其中,所述已检测质检文本序列包含多个合格认证层面,每一所述合格认证层面对应一个合格认证层面算子;
所述基于所述内容合格认证算子,通过所述重要文本单元获取所述已检测质检文本序列的多个原始内容合格系数,通过所述原始内容合格系数获取所述已检测质检文本序列对应的内容合格系数,包括:
基于所述合格认证层面算子,通过所述重要文本单元获取所述已检测质检文本序列针对每一合格认证层面的原始内容合格系数;
对每一所述原始内容合格系数进行系数调整,得到所述已检测质检文本序列对应的内容合格系数;
在所述基于所述合格认证层面算子,通过所述重要文本单元确定所述已检测质检文本序列对应的内容合格系数之前,所述方法还包括:
获取待调校合格认证层面算子的第一示例文本库,所述第一示例文本库包括多个第一示例质检文本序列;
获取所述第一示例质检文本序列的示例重要文本单元,通过所述示例重要文本单元确定所述待调校合格认证层面算子的度量代价结果和相对动态代价结果;
通过所述度量代价结果和相对动态代价结果对所述待调校合格认证层面算子进行调校,得到合格认证层面算子。
在一些实施例中,所述已检测质检文本序列的多个内容合格认证算子包括第一内容合格认证算子和第二内容合格认证算子,所述通过所述重要文本单元确定所述已检测质检文本序列对应的内容合格系数,包括:
基于所述第一内容合格认证算子,通过所述重要文本单元获取所述已检测质检文本序列对应的第一原始内容合格系数;
基于所述第二内容合格认证算子,通过所述重要文本单元获取所述已检测质检文本序列对应的第二原始内容合格系数;
在所述第一原始内容合格系数和所述第二原始内容合格系数中选取所述已检测质检文本序列对应的内容合格系数;
其中,所述在所述第一原始内容合格系数和所述第二原始内容合格系数中选取所述已检测质检文本序列对应的内容合格系数,包括:
获取事先设置的门槛系数;
当所述第一原始内容合格系数和所述第二原始内容合格系数都不大于所述事先设置的门槛系数时,将所述第一原始内容合格系数确定为所述已检测质检文本序列对应的内容合格系数;
当所述第一原始内容合格系数和所述第二原始内容合格系数都大于所述事先设置的门槛系数时,将所述第二原始内容合格系数确定为所述已检测质检文本序列对应的内容合格系数。
在一些实施例中,所述从所述质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组,包括:
通过所述质检文本序列对应的质检文本分桶中质检语义向量,确定所述质检文本序列对应的质检文本分桶之间的相关性变量;
通过所述相关性变量从所述质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组;
其中,所述通过所述相关性变量从所质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组,包括:
通过所述质检文本序列对应的质检文本分桶和所述相关性变量生成质检文本序列图谱,所述质检文本序列图谱包括多个元和多个牵引,每个所述元表征所述质检文本序列对应的质检文本分桶,所述牵引的权值表征所述质检文本序列对应的质检文本分桶之间的相关性变量;
通过所述质检文本序列图谱中牵引的权值对所述质检文本序列图谱进行牵引关系修正,得到符合期望的牵引关系的质检文本序列图谱;
在所述符合期望的牵引关系的质检文本序列图谱中选取元组,所述元组对应所述待指示质检文本分桶组;
所述通过所述待指示质检文本分桶组对所述质检文本序列进行标记指示,得到匹配质检结果标记的质检文本序列,包括:
获取所述待指示质检文本分桶组中质检文本序列对应的多个层面信息;
将所述待指示质检文本分桶组和所述层面信息发送至辅助终端;
获取所述辅助终端通过所述层面信息对所述待指示质检文本分桶组中质检文本序列进行标记指示的标记结果,得到匹配质检结果标记的质检文本序列。
另一方面中,还提供一种云服务器,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以上所述方法中的步骤。
又一方面中,还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以上所述方法中的步骤。
本申请实施例至少包括如下有益效果:本申请实施例提供的基于云计算的传感器数据加工方法,在对传感器数据进行标记时,通过获取传感器检测文本序列,该传感器检测文本序列为针对目标生产线的传感器进行检测后记录的质检文本,然后将传感器检测文本序列输入目标质检文本优化算法,通过目标质检文本优化算法对传感器检测文本序列进行检测,得到传感器检测文本序列对应的质检结果;再基于质检结果对传感器检测文本序列进行标记,得到标记文本序列。上述过程基于事先调校得到的目标质检文本优化算法对传感器检测文本序列进行质检结果分类,效率和准确性高。因为在对目标质检文本优化算法进行调校时,通过获取迭代质检文本优化算法的示例文本库,该示例文本库包括不少于一个匹配质检结果标记的示例质检文本序列,示例质检文本序列为质检文本优化算法已经检测的质检文本序列,对示例质检文本序列进行文本向量抽取,得到示例质检文本序列对应的质检语义向量,以及对质检语义向量和质检结果标记对应的目标分桶的质心文本向量进行拼接,获得示例质检文本序列的拼接文本向量,这样可通过拼接文本向量和质检语义向量对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量,以在对质检语义向量和目标分桶的调节质心文本向量进行拼接,获得示例质检文本序列的调节拼接文本向量后,可通过调节拼接文本向量确定拼接文本向量和调节拼接文本向量之间的匹配代价结果,并确定质检文本优化算法的分类代价结果,以及通过分类代价结果和匹配代价结果对质检文本优化算法进行调校,得到质检文本优化算法迭代后的目标质检文本优化算法,那么,基于目标质检文本优化算法获得的质检语义向量和基于质检文本优化算法获得的质检语义向量匹配性更强,在调用目标质检文本优化算法对质检文本序列再次进行文本向量抽取,文本向量的抽取效率更高,便于实现更快的质检结果识别和文本标记。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本申请的技术方案。
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,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的一种基于云计算的传感器数据加工方法的实现流程示意图。
图2为申请实施例提供的目标质检文本优化算法的迭代流程示意图。
图3为本申请实施例提供的一种数据加工装置的组成结构示意图。
图4为本申请实施例提供的一种云服务器的硬件实体示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图和实施例对本申请的技术方案进一步详细阐述,所描述的实施例不应视为对本申请的限制,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它实施例,都属于本申请保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请的目的,不是旨在限制本申请。
本申请实施例提供一种基于云计算的传感器数据加工方法,该方法可以由云服务器的处理器执行。
图1为本申请实施例提供的一种基于云计算的传感器数据加工方法的实现流程示意图,如图1所示,该方法包括如下操作S110至操作S130:
操作S110:获取传感器检测文本序列。
在本申请实施例中,传感器检测文本序列是针对目标生产线的传感器进行检测后记录的质检文本,例如对传感器进行外观缺陷、常温蠕变、蠕变回归、TCO等维度进行检测后记录的质检文本,传感器检测文本序列中包括多个文本单元。
操作S120:将传感器检测文本序列输入目标质检文本优化算法,通过目标质检文本优化算法对传感器检测文本序列进行检测,得到传感器检测文本序列对应的质检结果。
目标质检文本优化算法为基于神经网络算法进行调校得到的算法,神经网络算法可以是卷积神经网络、深度神经网络、循环神经网络等。通过目标质检文本优化算法对传感器检测文本序列进行检测,得到的质检结果是对应的传感器的质检结果,例如良率、缺陷点位、故障环节等。
.操作S130:基于质检结果对传感器检测文本序列进行标记,得到标记文本序列。
标记文本序列中标记的可以是对应的质检结果,其可以通过任意形式进行标记,例如通过标记A、B、C匹配不同的质检结果。
可以理解,确保质检标记确定的高效准确,取决于目标质检文本优化算法的性能,其算法调校迭代的过程至关重要,下面介绍算法的迭代过程,请参照图2,具体包括如下操作流程:
操作T110:获取迭代质检文本优化算法的示例文本库。
示例文本库包括不少于一个匹配质检结果标记的示例质检文本序列,质检结果标记表征示例质检文本序列的实际质检结果,示例质检文本序列为质检文本优化算法已经检测的质检文本序列。
为了维持目标质检文本优化算法对质检结果的高准确识别,算法需要定期迭代,示例文本库中的样本亦是不断迭代。作为一种实施方式,云服务器将质检文本优化算法已经检测的已检测质检文本序列均作为质检文本优化算法已经检测的质检文本序列。在一个实施方式中,云服务器在质检文本优化算法已经检测的已检测质检文本序列中选取M个已检测质检文本序列确定为质检文本优化算法已经检测的质检文本序列,M为预设数值,具体不做限定。
获取迭代质检文本优化算法的示例文本库例如为:获取质检文本优化算法已经检测的已检测质检文本序列;再获取已检测质检文本序列的重要文本单元,通过重要文本单元确定已检测质检文本序列对应的内容合格系数;将达到预设内容合格系数的内容合格系数对应的已检测质检文本序列确定为质检文本优化算法已经检测的质检文本序列。
通过已检测质检文本序列的重要文本单元(例如重要性较高的检测项目),确定已检测质检文本序列对应的内容合格系数,内容合格系数的数值与算法的调校效果正相关,接着将达到预设内容合格系数的内容合格系数对应的已检测质检文本序列确定为质检文本优化算法已经检测的质检文本序列,这样将内容合格系数低的已检测质检文本序列进行拦截,通过示例文本库迭代质检文本优化算法的效率得到提升。通过重要文本单元确定已检测质检文本序列对应的内容合格系数可以是基于重要文本单元确定已检测质检文本序列的检测项目标准化程度、数据记录完整性等,基于各层面确定已检测质检文本序列对应的内容合格系数,进一步地,基于内容合格认证算子,通过重要文本单元确定已检测质检文本序列的内容合格系数。
在基于内容合格认证算子通过重要文本单元确定已检测质检文本序列的内容合格系数时,如果单就单个内容合格认证算子通过重要文本单元确定已检测质检文本序列的内容合格系数,获取的内容合格系数的准确度可能较低,这种情况下,为了提高内容合格系数的准确度,本申请实施例中,通过重要文本单元确定已检测质检文本序列对应的内容合格系数,包括:获取已检测质检文本序列的多个内容合格认证算子;基于内容合格认证算子,通过重要文本单元获取已检测质检文本序列的多个原始内容合格系数;通过原始内容合格系数获取已检测质检文本序列对应的内容合格系数。例如,将多个原始内容合格系数进行系数调整,获得已检测质检文本序列对应的内容合格系数,系数调整的过程可以是对原始内容合格系数按照对应的权值进行加权的过程。在其他实施方式中,可在多个原始内容合格系数中选取一原始内容合格系数确定为已检测质检文本序列对应的内容合格系数,通过多个内容合格认证算子得到已检测质检文本序列的多个原始内容合格系数,再通过多个原始内容合格系数确定已检测质检文本序列的内容合格系数,使得已检测质检文本序列的内容合格系数提高。
可选地,已检测质检文本序列包含多个合格认证层面,每一合格认证层面对应一个合格认证层面算子,则内容合格认证算子为合格认证层面算子,基于内容合格认证算子,通过重要文本单元获取已检测质检文本序列的多个原始内容合格系数,通过原始内容合格系数获取已检测质检文本序列对应的内容合格系数,则包括:基于合格认证层面算子,通过重要文本单元获取已检测质检文本序列针对每一合格认证层面的原始内容合格系数;对每一原始内容合格系数进行系数调整,得到已检测质检文本序列对应的内容合格系数。合格认证层面表示对已检测质检文本序列合格与否起到影响的评估层面,例如已检测质检文本序列的检测项目数量、项目检测次数、信息记录规范性等。此处的系数调整可以是将每一个原始内容合格系数相加或将原始内容合格系数与原始内容合格系数对应的权重作积再将作积结果相加得到的过程。每一合格认证层面对应一个合格认证层面算子,再基于合格认证层面算子得到已检测质检文本序列针对每一合格认证层面的原始内容合格系数,最后对每一原始内容合格系数进行系数调整,得到已检测质检文本序列对应的内容合格系数,这样在不同合格认证层面得到内容合格系数,内容合格系数的准确度得到提高。
本申请实施例中,基于合格认证层面算子,通过重要文本单元确定已检测质检文本序列对应的内容合格系数之前,方法还包括对合格认证层面算子进行调校,例如包括:获取待调校合格认证层面算子的第一示例文本库,第一示例文本库包括多个第一示例质检文本序列;获取第一示例质检文本序列的示例重要文本单元,通过示例重要文本单元确定待调校合格认证层面算子的度量代价结果和相对动态代价结果,通过度量代价结果和相对动态代价结果对待调校合格认证层面算子进行调校,得到合格认证层面算子。
具体而言,可基于距离学习(Metric learning),通过重要文本单元确定待调校合格认证层面算子的度量代价结果,例如确定待调校合格认证层面算子的度量代价结果包括:在第一示例质检文本序列对应的第一模板集合中选取第一示例质检文本序列对应的真示例质检文本序列,在第二模板集合中选取第一示例质检文本序列对应的多个假示例质检文本序列,第二模板集合为第一示例文本库对应的模板集合中除第一模板集合外的模板集合。通过第一示例质检文本序列的示例重要文本单元和真示例质检文本序列的示例重要文本单元,确定第一示例质检文本序列和真示例质检文本序列之间的向量距离D1,通过第一示例质检文本序列的示例重要文本单元和假示例质检文本序列的示例重要文本单元,确定第一示例质检文本序列和假示例质检文本序列之间的向量距离D2,通过向量距离D1和向量距离D2确定待调校合格认证层面算子的度量代价结果。
可选地,通过示例重要文本单元确定待调校合格认证层面算子的相对动态代价结果(即Anchor cost)可以通过获取第一示例质检文本序列对应的对比指示信息,获取对比指示信息对应的分值跨度,通过示例重要文本单元确定第一示例质检文本序列的估计分值,通过对比指示信息、估计分值和对比指示信息对应的分值跨度来确定待调校合格认证层面算子的相对动态代价结果。对比指示信息代表是或否,例如为Y和N,也就是说在对待调校合格认证层面算子进行调校时,待调校合格认证层面算子对第一示例质检文本序列的识别只包含两种结果,但是某些合格认证层面具有多个不同结果,则在待调校合格认证层面算子的调校过程中,对比指示信息仅包含Y和N,会造成基于合格认证层面算子得到分值不够准确。基于上述问题,一种解决方案中,通过重要文本单元获取待调校合格认证层面算子的相对动态代价结果,包括:获取第一示例质检文本序列对应的对比指示信息,对比指示信息可以代表合格认证层面的级别,通过重要文本单元获取第一示例质检文本序列的估计分值,通过对比指示信息、扰动估计分值和对比指示信息对应的分值跨度来确定待调校合格认证层面算子的相对动态代价结果。上述过程中,合格认证层面的级别表示合格认证层面的规范度,合格认证层面的级别和规范度正相关。
通过对比指示信息、估计分值和对比指示信息对应的分值跨度,确定待调校合格认证层面算子的相对动态代价结果例如可以通过对比指示信息和估计分值确定待调校相对动态代价结果,然后通过对比指示信息对应的分值跨度,确定对比指示信息对应的对比分值,再通过估计分值和对比指示信息对应的对比分值间的差异对待调校相对动态代价结果进行调节以获得待调校合格认证层面算子的相对动态代价结果。这样一来,基于合格认证层面算子获取的质检文本序列的质量更高,进一步提高标记的准确性。
本申请实施例通过度量代价结果和相对动态代价结果对待调校合格认证层面算子进行调校,通过度量代价结果对待调校合格认证层面算子进行调校,度量代价结果包括真示例质检文本序列间的相似性和真示例质检文本序列与假示例质检文本序列间的相似性,对比二分类代价结果而言,对待调校合格认证层面算子进行调校,通过度量代价结果对待调校合格认证层面算子进行调校得到的合格认证层面算子在进行合格内容分析的准确性更高,而在通过相对动态代价结果对待调校合格认证层面算子进行调校时,对比于二分类代价结果的局限,相对动态代价结果可以通过真预估可信系数和假预估可信系数的差异确定示例的预估困难度,以基于困难度进行适应性代价修正,以对分值跨度进行限定,使过拟合的发生概率降低,加强合格认证层面算子进行指标评估的准确度。
其他实施方案中,为了获得更准确的内容合格系数,已检测质检文本序列的多个内容合格认证算子包括第一内容合格认证算子和第二内容合格认证算子,那么通过重要文本单元确定已检测质检文本序列对应的内容合格系数,包括:基于第一内容合格认证算子,通过重要文本单元获取已检测质检文本序列对应的第一原始内容合格系数;基于第二内容合格认证算子,通过重要文本单元获取已检测质检文本序列对应的第二原始内容合格系数;在第一原始内容合格系数和第二原始内容合格系数中选取已检测质检文本序列对应的内容合格系数。
第一内容合格认证算子和第二内容合格认证算子可一起通过已检测质检文本序列的各合格认证层面确定已检测质检文本序列的第一原始内容合格系数和第二原始内容合格系数,使第一原始内容合格系数和第二原始内容合格系数准确度更高。合格认证层面算子的调校时使用约束学习,则待调校合格认证层面算子的调校受第一示例质检文本序列的标记精度和速度决定,此时,为了获取的内容合格系数更高,第一内容合格认证算子和第二内容合格认证算子可以是无约束进行调校的算子。
在第一原始内容合格系数和第二原始内容合格系数中选取已检测质检文本序列对应的内容合格系数,包括:获取事先设置的门槛系数;在第一原始内容合格系数和第二原始内容合格系数都不大于事先设置的门槛系数时,将第一原始内容合格系数确定为已检测质检文本序列对应的内容合格系数;在第一原始内容合格系数和第二原始内容合格系数都大于事先设置的门槛系数时,将第二原始内容合格系数确定为已检测质检文本序列对应的内容合格系数。
本申请实施例将能获取不合格质检文本序列更准确的内容合格系数的内容合格认证算子作为第一内容合格认证算子,将能获取合格质检文本序列更准确的内容合格系数的内容合格认证算子作为第二内容合格认证算子,并基于第一内容合格认证算子和第二内容合格认证算子获取各类质量的已检测质检文本序列的原始内容合格系数,这样提升已检测质检文本序列对应的内容合格系数的准确度。可是,基于第一内容合格认证算子确定已检测质检文本序列对应的第一原始内容合格系数和基于第二内容合格认证算子确定已检测质检文本序列对应的第二原始内容合格系数的过程中,不能确定已检测质检文本序列的合格与否。考虑到这一点,可以通过获取事先设置的门槛系数,当第一原始内容合格系数和第二原始内容合格系数都不大于事先设置的门槛系数时,表示已检测质检文本序列是不合格的质检文本序列,将第一原始内容合格系数确定为已检测质检文本序列对应的内容合格系数,当第一原始内容合格系数和第二原始内容合格系数都大于事先设置的门槛系数时,表示已检测质检文本序列是合格优秀的质检文本序列,将第二原始内容合格系数确定为已检测质检文本序列对应的内容合格系数,通过不同内容合格认证算子得到各类质量的已检测质检文本序列的原始内容合格系数,已检测质检文本序列对应的内容合格系数的准确度得到提高。
在调校第一内容合格认证算子和第二内容合格认证算子时,可基于质检文本优化算法对已检测质检文本序列进行检测得到质检结果,通过质检结果和待调校第一内容合格认证算子的第一示例内容合格系数得到第一目标代价,通过第一目标代价对待调校第一内容合格认证算子进行调校,获得第一内容合格认证算子。第二内容合格认证算子的调校方式可以和第一内容合格认证算子一致。
其他实施方案中,获取迭代质检文本优化算法的示例文本库,包括:获取质检文本优化算法已经检测的质检文本序列;在质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组,通过待指示质检文本分桶组对质检文本序列进行标记指示,得到匹配质检结果标记的质检文本序列;通过匹配质检结果标记的质检文本序列,确定迭代质检文本优化算法的示例文本库。
获取到质检文本优化算法已经检测的质检文本序列后,对质检文本序列进行分桶(例如K-means算法实现),获得质检文本序列对应的质检文本分桶,之后在质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组,通过待指示质检文本分桶组对质检文本序列进行标记指示,得到匹配质检结果标记的质检文本序列,接着通过匹配质检结果标记的质检文本序列,确定迭代质检文本优化算法的示例文本库。通过待指示质检文本分桶组对质检文本序列进行标记指示,实质上是判断待指示质检文本分桶组之间的质检文本序列是不是同类质检文本序列。比如将待指示质检文本分桶组的质检文本序列发送给辅助终端,辅助终端分析待指示质检文本分桶组之间的质检文本序列是否为同类质检文本序列。
另一实施方案中,在质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组,包括:在备选质检文本分桶中选取第一待指示质检文本分桶,在备选质检文本分桶中选取M个第二待指示质检文本分桶分别与第一待指示质检文本分桶构建得到待指示质检文本分桶组。基于此得到的待指示质检文本分桶组数量较多,标记错误的概率变大,作为解决方案,在质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组的过程包括:通过质检文本序列对应的质检文本分桶中质检语义向量,确定质检文本序列对应的质检文本分桶之间的相关性变量(表征关联度),通过相关性变量从质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组。
云服务器通过两个质检文本序列对应的质检文本分桶的质心质检语义向量确定两个质检文本序列对应的质检文本分桶之间的相似程度,通过质检文本序列对应的质检文本分桶中质检文本序列的个数与全部质检文本序列的个数确定质检文本序列对应的质检文本分桶的质检结果标记出现率,再通过质检文本序列对应的质检文本分桶的质检结果标记出现率和集合匹配评分,确定质检文本序列对应的质检文本分桶之间的相关性变量。
得到质检文本序列对应的质检文本分桶后,通过质检文本序列对应的质检文本分桶中质检文本序列对应的质检语义向量,得到质检文本序列对应的质检文本分桶之间的相关性变量,然后通过相关性变量在质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组,相关性变量越大,两个质检文本序列对应的质检文本分桶匹配的可信度越高,将两个质检文本序列对应的质检文本分桶确定为待指示质检文本分桶组,精减待指示质检文本分桶组的数量。
其他实施方案中,通过相关性变量在质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组,例如可以包括:通过质检文本序列对应的质检文本分桶和相关性变量生成质检文本序列图谱,质检文本序列图谱包括多个元和多个牵引,每个元表征质检文本序列对应的质检文本分桶,牵引的权值表征质检文本序列对应的质检文本分桶之间的相关性变量;通过质检文本序列图谱中牵引的权值对质检文本序列图谱进行牵引关系修正,得到符合期望的牵引关系的质检文本序列图谱;在符合期望的牵引关系的质检文本序列图谱中选取元组,元组对应待指示质检文本分桶组。一种实施方式中,符合期望的牵引关系代表牵引的形状是非圆形的,通过质检文本序列图谱中牵引的权值对质检文本序列图谱进行牵引关系修正,得到符合期望的牵引关系的质检文本序列图谱的方式可以通过柯鲁斯卡尔算子进行,通过质检文本序列对应的质检文本分桶和相关性变量生成质检文本序列图谱,质检文本序列图谱包括多个元和多个牵引,每个元表征质检文本序列对应的质检文本分桶,元可以理解为节点,牵引的权值表示质检文本序列对应的质检文本分桶间的相关性变量,牵引可理解为边,之后通过质检文本序列图谱中牵引的权值对质检文本序列图谱进行牵引关系修正,得到符合期望的牵引关系的质检文本序列图谱,最后从符合期望的牵引关系的质检文本序列图谱中选取元组,元组对应待指示质检文本分桶组,采用质检文本序列图谱,通过相关性变量得到待指示质检文本分桶组,待指示质检文本分桶组的个数得到精减,同时获得准确的待指示质检文本分桶组。
其他实施方案中,可以在调校时对数据进行增量和动态标记,在质检文本序列对应的质检文本分桶中选取备选质检文本分桶,然后通过备选质检文本分桶确定待指示质检文本分桶组。例如质检文本优化算法反复对已经检测的质检文本序列进行分桶,并对分桶后得到的质检文本分桶进行筛选,得到筛选后的质检文本分桶,对筛选后的质检文本分桶进行处理,再基于辅助终端或者人工对处理后质检文本分桶进行标记,得到指示信息,将相同文本处理后的质检文本分桶组合为成一个质检文本分桶,得到示例文本库。
在获取质检文本序列的分析难度时,可依据文本稠密系数进行分析,文本稠密系数越小,质检文本序列越好分析,在通过质检文本序列对应的质检文本分桶中质检语义向量,确定质检文本序列对应的质检文本分桶之间的相关性变量,通过相关性变量从质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组,包括:通过质检文本序列的质检语义向量,确定质检文本序列对应的质检文本分桶的文本稠密系数,文本稠密系数表示质检文本序列的可鉴别性;在质检文本序列对应的质检文本分桶中选取符合预设系数的文本稠密系数对应的质检文本分桶,得到备选质检文本分桶;通过备选质检文本分桶中质检语义向量,确定备选质检文本分桶之间的相关性变量;通过相关性变量从备选质检文本分桶中选取待指示质检文本分桶组。通过质检文本序列对应的质检文本分桶和相关性变量生成质检文本序列图谱,质检文本序列图谱包括多个元和多个牵引,每个元表征质检文本序列对应的质检文本分桶,牵引的权值表征质检文本序列对应的质检文本分桶之间的相关性变量,包括:通过备选质检文本分桶和相关性变量生成质检文本序列图谱,质检文本序列图谱包括多个元和多个牵引,每个元表征备选质检文本分桶,牵引的权值表征备选质检文本分桶之间的相关性变量。
本申请实施例通过通过质检文本序列的质检语义向量,得到质检文本序列对应的质检文本分桶的文本稠密系数用于表示可鉴别性,然后通过文本稠密系数在质检文本序列对应的质检文本分桶中选取符合预设权值的文本稠密系数对应的质检文本分桶,得到备选质检文本分桶。这样一来,在通过备选质检文本分桶对质检文本优化算法进行调校的过程获取的目标质检文本优化算法的获取成功率(获取到质检结果的概率)得到提高。通过质检文本序列的质检语义向量,确定质检文本序列对应的质检文本分桶的文本稠密系数例如是通过确定各个质检文本序列对应的质检文本分桶的质心文本向量和质检文本序列的质检语义向量之间的匹配评分,再通过质检文本序列的质检语义向量,确定质检文本序列对应的第一预估可信系数和第二预估可信系数,通过第一预估可信系数、第二预估可信系数和匹配评分确定质检文本序列的文本稠密系数。第一预估可信系数和第二预估可信系数例如是质检文本优化算法对质检文本序列的预估可信系数中的两个,比如第一预估可信系数为质检文本优化算法预估质检文本序列的第一大的可信系数,第二预估可信系数为质检文本优化算法预估质检文本序列的第二大的可信系数,可信系数可以通过概率、置信水平、支持度等表示。
需要说明的是,在示例样本的获取数量不足时,测试集具有示例文本库中没有的示例文本,若直接在质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组,通过待指示质检文本分桶组对质检文本序列进行标记指示得到匹配质检结果标记的质检文本序列,可能影响通过匹配质检结果标记的质检文本序列进行调校获得的质检文本优化算法的获取成功率,为了解决该问题,通过质检文本序列的质检语义向量,确定质检文本序列对应的质检文本分桶的文本稠密系数,在质检文本序列对应的质检文本分桶中选取符合预设权值的文本稠密系数对应的质检文本分桶,得到备选质检文本分桶的过程可以包括:获取质检文本序列的质检文本分桶的质检结果标记出现率;在质检文本序列的质检文本分桶选取符合预设出现率的质检结果标记出现率的质检文本分桶,得到基础质检文本分桶;通过基础质检文本分桶中质检文本序列的质检语义向量,确定基础质检文本分桶的文本稠密系数;在基础质检文本分桶中选取满足预设权值的文本稠密系数对应的质检文本分桶,得到备选质检文本分桶,质检结果标记出现率可以是质检结果标记出现次数和总的质检文本序列的个数的商。上述过程不直接在质检文本序列对应的质检文本分桶中确定备选质检文本分桶,而是先通过质检结果标记出现率在质检文本分桶选取达到预设出现率的质检结果标记出现率的质检文本分桶,得到基础质检文本分桶,然后通过基础质检文本分桶中质检文本序列的质检语义向量,确定基础质检文本分桶的文本稠密系数,以及通过文本稠密系数得到备选质检文本分桶,由于质检结果标记出现率和质检结果标记对应的示例的获取难度负相关,那么可使示例文本库和测试集的差异在可控范围,原始质检文本分桶中质检文本序列的获取较容易,对质检文本优化算法的获取成功率的影响被降低。
得到待指示质检文本分桶组后,通过待指示质检文本分桶组对质检文本序列进行标记指示,得到匹配质检结果标记的质检文本序列。具体地,通过待指示质检文本分桶组对质检文本序列进行标记指示,得到匹配质检结果标记的质检文本序列,包括:获取待指示质检文本分桶组中质检文本序列对应的多个层面信息;将待指示质检文本分桶组以及层面信息发送至辅助终端;获取辅助终端通过所述层面信息,对待指示质检文本分桶组中质检文本序列进行标记指示的标记结果,得到匹配质检结果标记的质检文本序列。
操作T120:对示例质检文本序列进行文本向量抽取,得到示例质检文本序列对应的质检语义向量,以及对质检语义向量和质检结果标记对应的目标分桶的质心文本向量进行拼接,获得示例质检文本序列的拼接文本向量。
本申请可以基于质检文本优化算法中的文本向量抽取网络对示例质检文本序列进行文本向量抽取得到示例质检文本序列对应的质检语义向量,另一实施方案中,还可以基于质检文本优化算法中的文本向量抽取网络对示例质检文本序列进行文本向量抽取,得到示例质检文本序列对应的原始质检语义向量,再基于质检文本优化算法中的文本向量归总网络对原始质检语义向量进行文本向量归总(即完成特征映射的过程),获得示例质检文本序列对应的质检语义向量。例如,质检文本优化算法中的文本向量归总网络包括第一归一映射层和第一变换层,归一映射层为全连接,可以降低维度减少运算量,变换层可以是任意激活函数。基于质检文本优化算法中的文本向量归总网络对原始质检语义向量进行文本向量归总,得到示例质检文本序列对应的质检语义向量,包括:基于质检文本优化算法中的第一归一映射层,对原始质检语义向量进行维度变换归一,得到示例质检文本序列对应的降维质检语义向量,再基于质检文本优化算法中第一变换层对降维质检语义向量进行激活以获得示例质检文本序列对应的质检语义向量。
其他实施方案中,质检文本优化算法中的文本向量归总网络可以为残差网络以改善梯度爆炸消失等问题,质检文本优化算法中的文本向量归总网络还包括第二归一映射层,基于质检文本优化算法中的第一变换层对降维质检语义向量进行非线性的文本向量归总,获得示例质检文本序列对应的质检语义向量,可以是基于质检文本优化算法中的第一变换层对压缩后的质检语义向量进行非线性文本向量归总,得到示例质检文本序列对应的非线性质检语义向量,然后基于质检文本优化算法中第二归一映射层对非线性质检语义向量进行维度逆变换完成维数提高,获得示例质检文本序列对应的高维质检语义向量,最后通过高维质检语义向量和原始质检语义向量来确定示例质检文本序列对应的质检语义向量。
其他实施方案中,质检文本优化算法中还包括质心归总网络,其具体的网络架构可以是和文本向量归总网络相同,那么,方法还可以包括:获取质检结果标记对应的目标分桶的原始质心文本向量;基于质检文本优化算法的质心归总网络对原始质心文本向量进行归总,得到质检结果标记对应的目标分桶的质心文本向量。作为一种实施方式,质心归总网络的网络配置变量和文本向量归总网络相同,调校好的质检文本优化算法即获得文本向量归总网络的网络配置变量,然后将文本向量归总网络的网络配置变量迁移到质心归总网络进行使用。
操作T130:通过拼接文本向量和质检语义向量对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量。
例如,通过拼接文本向量确定示例质检文本序列的预估质检结果标记,然后通过质检语义向量和预估质检结果标记对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量,还可以通过拼接文本向量确定示例质检文本序列的预估质检结果标记,然后通过质检语义向量、预估质检结果标记和目标分桶的原始质心文本向量对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量。如果通过拼接文本向量确定示例质检文本序列的预估质检结果标记,然后通过质检语义向量和预估质检结果标记对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量,通过质检语义向量和预估质检结果标记,对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量的过程包括:获取质检语义向量对应的第一向量投影角度,向量投影角度可以表征其方向信息,同时获取原始质检语义向量的第二向量投影角度;通过第一向量投影角度、第二向量投影角度和预估质检结果标记对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量。通过第一向量投影角度、第二向量投影角度和预估质检结果标记,对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量,这样可以从边界层面对目标分桶的质心文本向量进行调节,约束目标分桶的质心文本向量边界,获得目标分桶的调节质心文本向量。另外,通过质检语义向量和预估质检结果标记对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量,还可以是:获取质检语义向量对应的第一向量投影角度,并获取目标分桶的质心文本向量的第三向量投影角度;通过第一向量投影角度、第三向量投影角度和预估质检结果标记对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量。其他实施方案中,通过第一向量投影角度、第二向量投影角度和预估质检结果标记对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量,可以包括:获取第一向量投影角度对应的投影偏心系数(即对应方向的权重值)和第二向量投影角度对应的投影偏心系数;通过第一向量投影角度对应的投影偏心系数对第一向量投影角度进行调节,得到调节后第一向量投影角度,并通过第二向量投影角度对应的投影偏心系数对第二向量投影角度进行调节,得到调节后第二向量投影角度;通过调节后第一向量投影角度和调节后第二向量投影角度,确定原始质检语义向量和质检语义向量之间的第一角度;通过第一角度和预估质检结果标记对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量。此外,通过第一向量投影角度、第二向量投影角度和预估质检结果标记,对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量,还可以是:获取目标分桶的质心文本向量的第三向量投影角度;通过第一向量投影角度、第二向量投影角度、第三向量投影角度和预估质检结果标记对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量。其中,通过第一向量投影角度、第二向量投影角度、第三向量投影角度和预估质检结果标记,对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量,比如通过第一向量投影角度和第二向量投影角度,确定原始质检语义向量和质检语义向量的第一向量夹角;通过第二向量投影角度和第三向量投影角度,确定原始质检语义向量和目标分桶的质心文本向量之间的第二向量夹角;通过第一向量夹角、第二向量夹角和预估质检结果标记对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量。其他实施方案中,通过第一向量夹角、第二向量夹角和预估质检结果标记对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量,具体包括:确定第一向量夹角和第二向量夹角之间的差值;通过该差值、预估质检结果标记和质检结果标记对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量。目标分桶的质心文本向量可以是目标分桶的原始质心文本向量,还可以对目标分桶的原始质心文本向量投影获得的向量,基于第一向量夹角和第二向量夹角的差值约束目标分桶的质心文本向量的边界,通过目标分桶的调节后质心获取的匹配代价结果调试质检文本优化算法过程,质检文本优化算法可以具有更好的性能。
操作T140:对质检语义向量和目标分桶的调节质心文本向量进行拼接,获得示例质检文本序列的调节拼接文本向量。
对质检语义向量和目标分桶的调节质心文本向量进行拼接,获得示例质检文本序列的调节拼接文本向量具体和对质检语义向量和质检结果标记对应的目标分桶的质心文本向量进行拼接,获得示例质检文本序列的拼接文本向量的内容的过程类似。
操作T150:通过调节拼接文本向量,确定拼接文本向量和调节拼接文本向量之间的匹配代价结果,并获取质检文本优化算法的分类代价结果。
拼接文本向量和调节拼接文本向量之间的匹配代价结果,即质检语义向量和调节拼接文本向量的兼容性代价,例如对调节拼接文本向量和质检语义向量进行第一拼接,获得示例质检文本序列的目标拼接文本向量,然后通过目标拼接文本向量获取拼接文本向量和调节拼接文本向量之间的匹配代价结果,还可以对调节拼接文本向量和原始质检语义向量进行第一拼接,获得示例质检文本序列的目标拼接文本向量,然后通过目标拼接文本向量获取拼接文本向量和调节拼接文本向量之间的匹配代价结果。第一拼接为确定调节拼接文本向量和原始质检语义向量差异的过程,例如二者相乘。基于质检文本优化算法对质检文本序列进行检测时,通过质检文本序列对质检文本优化算法进行迭代,然而基于迭代后的质检文本优化算法挖掘的质检语义向量和文本库中的向量不匹配(即不能直接确定迭代后的质检文本优化算法获取的质检语义向量与文本库中的向量的相似性,无法兼容),需要通过迭代后的质检文本优化算法再次获取文本库中质检文本序列的文本向量,使得检测速度受阻。本申请实施例对质检语义向量和质检结果标记对应的目标分桶的质心文本向量进行拼接,获得示例质检文本序列的拼接文本向量,可以通过拼接文本向量和质检语义向量对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量,在对质检语义向量和目标分桶的调节质心文本向量进行拼接,获得示例质检文本序列的调节拼接文本向量后,可通过调节拼接文本向量确定拼接文本向量和调节拼接文本向量之间的匹配代价结果,再通过匹配代价结果对质检文本优化算法进行调校,对目标分桶的质心文本向量的调节,保存目标分桶的质心文本向量的信息,使得通过目标质检文本优化算法获取的质检语义向量和基于质检文本优化算法获取的质检语义向量具有更好的匹配性,确保检测效率。此外,与直接通过目标分桶的质心文本向量确定匹配代价结果的方式相比,通过目标分桶的质心文本向量进行调节,然后通过目标分桶的调节质心文本向量确定匹配代价结果,可以让质检文本优化算法的调校速度更快。
操作T160:通过分类代价结果和匹配代价结果对质检文本优化算法进行调校,得到质检文本优化算法迭代后的目标质检文本优化算法。
例如,将分类代价结果和匹配代价结果相加得到质检文本优化算法的目标代价,还可以获取分类代价结果和匹配代价结果各自对应的权重,加权求和获得目标代价。当目标代价大于或等于预设代价时,通过目标代价迭代质检文本修正算法的配置参数,再次迭代对示例质检文本序列进行文本向量抽取,得到示例质检文本序列对应的质检语义向量的过程。
基于目标质检文本优化算法进行检测后,将目标质检文本优化算法中的文本向量归总网络和质心归总网络摒弃,减少无用配置参数。
上述实施例通过获取迭代质检文本优化算法的示例文本库,该示例文本库包括不少于一个匹配质检结果标记的示例质检文本序列,示例质检文本序列为质检文本优化算法已经检测的质检文本序列,对示例质检文本序列进行文本向量抽取,得到示例质检文本序列对应的质检语义向量,以及对质检语义向量和质检结果标记对应的目标分桶的质心文本向量进行拼接,获得示例质检文本序列的拼接文本向量,这样可通过拼接文本向量和质检语义向量对目标分桶的质心文本向量进行调节,得到目标分桶的调节质心文本向量,以在对质检语义向量和目标分桶的调节质心文本向量进行拼接,获得示例质检文本序列的调节拼接文本向量后,可通过调节拼接文本向量确定拼接文本向量和调节拼接文本向量之间的匹配代价结果,并确定质检文本优化算法的分类代价结果,以及通过分类代价结果和匹配代价结果对质检文本优化算法进行调校,得到质检文本优化算法迭代后的目标质检文本优化算法,那么,基于目标质检文本优化算法获得的质检语义向量和基于质检文本优化算法获得的质检语义向量匹配性更强,在调用目标质检文本优化算法对质检文本序列再次进行文本向量抽取,文本向量的抽取效率更高,便于实现更快的质检结果识别和文本标记。
基于前述的实施例,本申请实施例提供一种数据加工装置,该装置所包括的各单元、以及各单元所包括的各模块,可以通过计算机设备中的处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(Central ProcessingUnit,CPU)、微处理器(Microprocessor Unit,MPU)、数字信号处理器(Digital SignalProcessor,DSP)或现场可编程门阵列(Field Programmable Gate Array,FPGA)等。
图3为本申请实施例提供的一种数据加工装置的组成结构示意图,如图3所示,数据加工装置200包括:
文本获取模块210,用于获取传感器检测文本序列,所述传感器检测文本序列为针对目标生产线的传感器进行检测后记录的质检文本;
算法应用模块220,用于将所述传感器检测文本序列输入目标质检文本优化算法,通过所述目标质检文本优化算法对所述传感器检测文本序列进行检测,得到所述传感器检测文本序列对应的质检结果;
文本标记模块230,用于基于所述质检结果对所述传感器检测文本序列进行标记,得到标记文本序列;
算法调校模块240,用于对所述目标质检文本优化算法进行迭代,在迭代过程中,获取迭代质检文本优化算法的示例文本库,所述示例文本库包括不少于一个匹配质检结果标记的示例质检文本序列,所述示例质检文本序列为所述质检文本优化算法已经检测的质检文本序列;对所述示例质检文本序列进行文本向量抽取,得到所述示例质检文本序列对应的质检语义向量,以及对所述质检语义向量和所述质检结果标记对应的目标分桶的质心文本向量进行拼接,获得所述示例质检文本序列的拼接文本向量;通过所述拼接文本向量和所述质检语义向量,对所述目标分桶的质心文本向量进行调节,得到所述目标分桶的调节质心文本向量;对所述质检语义向量和所述目标分桶的调节质心文本向量进行拼接,获得所述示例质检文本序列的调节拼接文本向量;通过所述调节拼接文本向量确定所述拼接文本向量和所述调节拼接文本向量之间的匹配代价结果,并获取所述质检文本优化算法的分类代价结果;通过所述分类代价结果和所述匹配代价结果对所述质检文本优化算法进行调校,得到所述质检文本优化算法迭代后的目标质检文本优化算法。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。在一些实施例中,本申请实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法,对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的基于云计算的传感器数据加工方法,并作为独立的产品销售或使用时,也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,本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该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、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件、软件或固件,或者硬件、软件、固件三者之间的任意结合。
本申请实施例提供一种云服务器,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的,也可以是非瞬时性的。
本申请实施例提供一种计算机程序,包括计算机可读代码,在所述计算机可读代码在计算机设备中运行的情况下,所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机程序产品,所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,所述计算机程序被计算机读取并执行时,实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一些实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
这里需要指出的是:上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
图4为本申请实施例提供的一种云服务器的硬件实体示意图,如图4所示,该云服务器1000的硬件实体包括:处理器1001和存储器1002,其中,存储器1002存储有可在处理器1001上运行的计算机程序,处理器1001执行程序时实现上述任一实施例的方法中的步骤。
存储器1002存储有可在处理器上运行的计算机程序,存储器1002配置为存储由处理器1001可执行的指令和应用,还可以缓存待处理器1001以及模型训练设备1000中各模块待处理或已经处理的数据(例如,图像数据、音频数据、语音通信数据和视频通信数据),可以通过闪存(FLASH)或随机访问存储器(Random Access Memory,RAM)实现。
处理器1001执行程序时实现上述任一项的模型训练方法的步骤。处理器1001通常控制模型训练设备1000的总体操作。
本申请实施例提供一种计算机存储介质,计算机存储介质存储有一个或者多个程序,该一个或者多个程序可被一个或者多个处理器执行,以实现如上任一实施例的模型训练方法的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。上述处理器可以为目标用途集成电路(Application Specific Integrated Circuit,ASIC)、数字信号处理器(DigitalSignal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(Programmable Logic Device,PLD)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地,实现上述处理器功能的电子器件还可以为其它,本申请实施例不作具体限定。
上述计算机存储介质/存储器可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器;也可以是包括上述存储器之一或任意组合的各种终端,如移动电话、计算机、平板设备、个人数字助理等。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各步骤/过程的序号的大小并不意味着执行顺序的先后,各步骤/过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。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、物品或者装置不仅包括那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元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,也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,本申请的技术方案本质上或者说对相关技术做出贡献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、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于云计算的传感器数据加工方法,其特征在于,应用于云服务器,所述方法包括:
获取传感器检测文本序列,所述传感器检测文本序列为针对目标生产线的传感器进行检测后记录的质检文本;
将所述传感器检测文本序列输入目标质检文本优化算法,通过所述目标质检文本优化算法对所述传感器检测文本序列进行检测,得到所述传感器检测文本序列对应的质检结果;
基于所述质检结果对所述传感器检测文本序列进行标记,得到标记文本序列;
其中,所述目标质检文本优化算法通过以下操作进行迭代:
获取迭代质检文本优化算法的示例文本库,所述示例文本库包括不少于一个匹配质检结果标记的示例质检文本序列,所述示例质检文本序列为所述质检文本优化算法已经检测的质检文本序列;
对所述示例质检文本序列进行文本向量抽取,得到所述示例质检文本序列对应的质检语义向量,以及对所述质检语义向量和所述质检结果标记对应的目标分桶的质心文本向量进行拼接,获得所述示例质检文本序列的拼接文本向量;
通过所述拼接文本向量和所述质检语义向量,对所述目标分桶的质心文本向量进行调节,得到所述目标分桶的调节质心文本向量;
对所述质检语义向量和所述目标分桶的调节质心文本向量进行拼接,获得所述示例质检文本序列的调节拼接文本向量;
通过所述调节拼接文本向量确定所述拼接文本向量和所述调节拼接文本向量之间的匹配代价结果,并获取所述质检文本优化算法的分类代价结果;
通过所述分类代价结果和所述匹配代价结果对所述质检文本优化算法进行调校,得到所述质检文本优化算法迭代后的目标质检文本优化算法。
2.根据权利要求1所述的基于云计算的传感器数据加工方法,其特征在于,所述通过所述拼接文本向量和所述质检语义向量,对所述目标分桶的质心文本向量进行调节,得到所述目标分桶的调节质心文本向量,包括:
通过所述拼接文本向量,确定所述示例质检文本序列的预估质检结果标记;
通过所述质检语义向量和所述预估质检结果标记,对所述目标分桶的质心文本向量进行调节,得到所述目标分桶的调节质心文本向量。
3.根据权利要求2所述的基于云计算的传感器数据加工方法,其特征在于,所述对所述示例质检文本序列进行文本向量抽取,得到所述示例质检文本序列对应的质检语义向量,包括:
基于所述质检文本优化算法中的文本向量抽取网络对所述示例质检文本序列进行文本向量抽取,得到所述示例质检文本序列对应的原始质检语义向量;
基于所述质检文本优化算法中的文本向量归总网络对所述原始质检语义向量进行文本向量归总,得到所述示例质检文本序列对应的质检语义向量;
所述通过所述质检语义向量和所述预估质检结果标记,对所述目标分桶的质心文本向量进行调节,得到所述目标分桶的调节质心文本向量,包括:
获取所述质检语义向量对应的第一向量投影角度,并获取所述原始质检语义向量的第二向量投影角度;
通过所述第一向量投影角度、所述第二向量投影角度和所述预估质检结果标记,对所述目标分桶的质心文本向量进行调节,得到所述目标分桶的调节质心文本向量;
其中,所述通过所述第一向量投影角度、所述第二向量投影角度和所述预估质检结果标记,对所述目标分桶的质心文本向量进行调节,得到所述目标分桶的调节质心文本向量,包括:
获取所述目标分桶的质心文本向量的第三向量投影角度;
通过所述第一向量投影角度、所述第二向量投影角度、所述第三向量投影角度和所述预估质检结果标记,对所述目标分桶的质心文本向量进行调节,得到所述目标分桶的调节质心文本向量。
4.根据权利要求3所述的基于云计算的传感器数据加工方法,其特征在于,所述质检文本优化算法还包括质心归总网络,所述方法还包括:
获取所述质检结果标记对应的目标分桶的原始质心文本向量;
基于所述质检文本优化算法的质心归总网络对所述原始质心文本向量进行归总,得到所述质检结果标记对应的目标分桶的质心文本向量。
5.根据权利要求4所述的基于云计算的传感器数据加工方法,其特征在于,所述获取迭代质检文本优化算法的示例文本库,包括:
获取所述质检文本优化算法已经检测的质检文本序列;
在所述质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组,并通过所述待指示质检文本分桶组对所述质检文本序列进行标记指示,得到匹配质检结果标记的质检文本序列;
通过所述匹配质检结果标记的质检文本序列,确定迭代质检文本优化算法的示例文本库;
所述获取所述质检文本优化算法已经检测的质检文本序列,包括:
获取所述质检文本优化算法已经检测的已检测质检文本序列;
获取所述已检测质检文本序列的重要文本单元,通过所述重要文本单元确定所述已检测质检文本序列对应的内容合格系数;
将达到预设内容合格系数的内容合格系数对应的已检测质检文本序列确定为所述质检文本优化算法已经检测的质检文本序列。
6.根据权利要求5所述的基于云计算的传感器数据加工方法,其特征在于,所述通过所述重要文本单元确定所述已检测质检文本序列对应的内容合格系数,包括:
获取所述已检测质检文本序列的多个内容合格认证算子;
基于所述内容合格认证算子,通过所述重要文本单元获取所述已检测质检文本序列的多个原始内容合格系数;
通过所述原始内容合格系数获取所述已检测质检文本序列对应的内容合格系数;
其中,所述已检测质检文本序列包含多个合格认证层面,每一所述合格认证层面对应一个合格认证层面算子;
所述基于所述内容合格认证算子,通过所述重要文本单元获取所述已检测质检文本序列的多个原始内容合格系数,通过所述原始内容合格系数获取所述已检测质检文本序列对应的内容合格系数,包括:
基于所述合格认证层面算子,通过所述重要文本单元获取所述已检测质检文本序列针对每一合格认证层面的原始内容合格系数;
对每一所述原始内容合格系数进行系数调整,得到所述已检测质检文本序列对应的内容合格系数;
在所述基于所述合格认证层面算子,通过所述重要文本单元确定所述已检测质检文本序列对应的内容合格系数之前,所述方法还包括:
获取待调校合格认证层面算子的第一示例文本库,所述第一示例文本库包括多个第一示例质检文本序列;
获取所述第一示例质检文本序列的示例重要文本单元,通过所述示例重要文本单元确定所述待调校合格认证层面算子的度量代价结果和相对动态代价结果;
通过所述度量代价结果和相对动态代价结果对所述待调校合格认证层面算子进行调校,得到合格认证层面算子。
7.根据权利要求6所述的基于云计算的传感器数据加工方法,其特征在于,所述已检测质检文本序列的多个内容合格认证算子包括第一内容合格认证算子和第二内容合格认证算子,所述通过所述重要文本单元确定所述已检测质检文本序列对应的内容合格系数,包括:
基于所述第一内容合格认证算子,通过所述重要文本单元获取所述已检测质检文本序列对应的第一原始内容合格系数;
基于所述第二内容合格认证算子,通过所述重要文本单元获取所述已检测质检文本序列对应的第二原始内容合格系数;
在所述第一原始内容合格系数和所述第二原始内容合格系数中选取所述已检测质检文本序列对应的内容合格系数;
其中,所述在所述第一原始内容合格系数和所述第二原始内容合格系数中选取所述已检测质检文本序列对应的内容合格系数,包括:
获取事先设置的门槛系数;
当所述第一原始内容合格系数和所述第二原始内容合格系数都不大于所述事先设置的门槛系数时,将所述第一原始内容合格系数确定为所述已检测质检文本序列对应的内容合格系数;
当所述第一原始内容合格系数和所述第二原始内容合格系数都大于所述事先设置的门槛系数时,将所述第二原始内容合格系数确定为所述已检测质检文本序列对应的内容合格系数。
8.根据权利要求5所述的基于云计算的传感器数据加工方法,其特征在于,所述在所述质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组,包括:
通过所述质检文本序列对应的质检文本分桶中质检语义向量,确定所述质检文本序列对应的质检文本分桶之间的相关性变量;
通过所述相关性变量从所述质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组;
其中,所述通过所述相关性变量从所质检文本序列对应的质检文本分桶中选取待指示质检文本分桶组,包括:
通过所述质检文本序列对应的质检文本分桶和所述相关性变量生成质检文本序列图谱,所述质检文本序列图谱包括多个元和多个牵引,每个所述元表征所述质检文本序列对应的质检文本分桶,所述牵引的权值表征所述质检文本序列对应的质检文本分桶之间的相关性变量;
通过所述质检文本序列图谱中牵引的权值对所述质检文本序列图谱进行牵引关系修正,得到符合期望的牵引关系的质检文本序列图谱;
在所述符合期望的牵引关系的质检文本序列图谱中选取元组,所述元组对应所述待指示质检文本分桶组;
所述通过所述待指示质检文本分桶组对所述质检文本序列进行标记指示,得到匹配质检结果标记的质检文本序列,包括:
获取所述待指示质检文本分桶组中质检文本序列对应的多个层面信息;
将所述待指示质检文本分桶组和所述层面信息发送至辅助终端;
获取所述辅助终端通过所述层面信息对所述待指示质检文本分桶组中质检文本序列进行标记指示的标记结果,得到匹配质检结果标记的质检文本序列。
9.一种云服务器,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至8任一项所述方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310435941.7A CN116167336B (zh) | 2023-04-22 | 2023-04-22 | 基于云计算的传感器数据加工方法、云服务器及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310435941.7A CN116167336B (zh) | 2023-04-22 | 2023-04-22 | 基于云计算的传感器数据加工方法、云服务器及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116167336A true CN116167336A (zh) | 2023-05-26 |
CN116167336B CN116167336B (zh) | 2023-07-07 |
Family
ID=86422243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310435941.7A Active CN116167336B (zh) | 2023-04-22 | 2023-04-22 | 基于云计算的传感器数据加工方法、云服务器及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167336B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383390A (zh) * | 2023-06-05 | 2023-07-04 | 南京数策信息科技有限公司 | 一种用于经营管理信息的非结构化数据存储方法及云平台 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469192A (zh) * | 2016-08-30 | 2017-03-01 | 北京奇艺世纪科技有限公司 | 一种文本相关性的确定方法及装置 |
CN114281931A (zh) * | 2021-09-09 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 文本匹配方法、装置、设备、介质及计算机程序产品 |
CN114676307A (zh) * | 2022-04-21 | 2022-06-28 | 平安科技(深圳)有限公司 | 基于用户检索的排序模型训练方法、装置、设备及介质 |
CN114780727A (zh) * | 2022-04-24 | 2022-07-22 | 润联软件系统(深圳)有限公司 | 基于强化学习的文本分类方法、装置、计算机设备及介质 |
CN115495553A (zh) * | 2022-09-20 | 2022-12-20 | 中国平安人寿保险股份有限公司 | 查询文本排序方法、装置、计算机设备及存储介质 |
WO2023045184A1 (zh) * | 2021-09-26 | 2023-03-30 | 平安科技(深圳)有限公司 | 一种文本类别识别方法、装置、计算机设备及介质 |
-
2023
- 2023-04-22 CN CN202310435941.7A patent/CN116167336B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469192A (zh) * | 2016-08-30 | 2017-03-01 | 北京奇艺世纪科技有限公司 | 一种文本相关性的确定方法及装置 |
CN114281931A (zh) * | 2021-09-09 | 2022-04-05 | 腾讯科技(深圳)有限公司 | 文本匹配方法、装置、设备、介质及计算机程序产品 |
WO2023045184A1 (zh) * | 2021-09-26 | 2023-03-30 | 平安科技(深圳)有限公司 | 一种文本类别识别方法、装置、计算机设备及介质 |
CN114676307A (zh) * | 2022-04-21 | 2022-06-28 | 平安科技(深圳)有限公司 | 基于用户检索的排序模型训练方法、装置、设备及介质 |
CN114780727A (zh) * | 2022-04-24 | 2022-07-22 | 润联软件系统(深圳)有限公司 | 基于强化学习的文本分类方法、装置、计算机设备及介质 |
CN115495553A (zh) * | 2022-09-20 | 2022-12-20 | 中国平安人寿保险股份有限公司 | 查询文本排序方法、装置、计算机设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116383390A (zh) * | 2023-06-05 | 2023-07-04 | 南京数策信息科技有限公司 | 一种用于经营管理信息的非结构化数据存储方法及云平台 |
CN116383390B (zh) * | 2023-06-05 | 2023-08-08 | 南京数策信息科技有限公司 | 一种用于经营管理信息的非结构化数据存储方法及云平台 |
Also Published As
Publication number | Publication date |
---|---|
CN116167336B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111309912B (zh) | 文本分类方法、装置、计算机设备及存储介质 | |
CN110222170B (zh) | 一种识别敏感数据的方法、装置、存储介质及计算机设备 | |
CN111507370A (zh) | 获得自动标注图像中检查标签的样本图像的方法和装置 | |
CN111858242A (zh) | 一种系统日志异常检测方法、装置及电子设备和存储介质 | |
CN110135505B (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
CN116152257B (zh) | 应用于传感器的检测信息优化方法、服务器及介质 | |
CN116167336B (zh) | 基于云计算的传感器数据加工方法、云服务器及介质 | |
CN111967535B (zh) | 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 | |
CN114022904B (zh) | 一种基于两阶段的噪声鲁棒行人重识别方法 | |
US11721229B2 (en) | Question correction method, device, electronic equipment and storage medium for oral calculation questions | |
CN117171696B (zh) | 一种基于物联网的传感器生产监测方法及系统 | |
CN117173172B (zh) | 一种基于机器视觉的硅胶成型效果检测方法及系统 | |
CN117669394B (zh) | 一种山区峡谷桥梁长期性能综合评估方法及系统 | |
CN113177644A (zh) | 一种基于词嵌入和深度时序模型的自动建模系统 | |
CN110808947B (zh) | 一种自动化的脆弱性量化评估方法及系统 | |
CN115620083A (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
CN111488927B (zh) | 分类阈值确定方法、装置、电子设备及存储介质 | |
CN105824871B (zh) | 一种图片检测方法与设备 | |
CN114240928A (zh) | 板卡质量的分区检测方法、装置、设备及可读存储介质 | |
CN111507420A (zh) | 轮胎信息获取方法、装置、计算机设备和存储介质 | |
CN110555338A (zh) | 对象识别方法和装置、神经网络生成方法和装置 | |
CN116486178B (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN118037738B (zh) | 一种沥青路面灌缝胶黏结性能检测方法及设备 | |
CN116541713B (zh) | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 | |
CN117333493B (zh) | 一种基于机器视觉的显示器底座生产用检测系统以及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |