CN116167781B - 基于人工智能的商品溯源数据处理方法及云平台 - Google Patents

Abstract

本发明涉及深度学习神经网络和数据处理技术领域，特别涉及一种基于人工智能的商品溯源数据处理方法及云平台。在神经网络调试过程中，将商品生产全链条监测学习报告的跨模态生产监测记录作为调试学习参考，并未限定实际商品类别下的商品生产全链条监测报告的调试学习参考，从而使调试得到的全链条生产溯源知识挖掘网络，具有确定出可以应对各类商品溯源服务器的选定商品生产全链条监测报告的共有特征的性能，在之后的溯源知识获取申请处理过程中，规避了基于不同商品溯源服务器对相同的商品生产全链条监测报告进行反复处理的问题，这样可以节约人工智能云平台的运算开销，提高商品溯源处理的时效性。

Description

基于人工智能的商品溯源数据处理方法及云平台

技术领域

本发明涉及深度学习神经网络和数据处理技术领域，特别涉及一种基于人工智能的商品溯源数据处理方法及云平台。

背景技术

当今时代是数据为王的大数据时代，并由此催生了数据科学这一新兴学科。数据科学是一门多学科交叉的综合学科，包含数据获取、数据分析、数据管理、人工智能、统计优化和数据可视化等内容，逐渐成为探明大数据集本源，并把大数据转换成可执行智能的有效方法。作为其中一个数据应用场景，商品溯源离不开人工智能和大数据。随着各类商品类型的激增，传统技术在进行商品溯源处理时存在运算开销大和时效性低下的问题。

发明内容

为改善相关技术中存在的技术问题，本发明提供了一种基于人工智能的商品溯源数据处理方法及云平台。

第一方面，本发明实施例提供了一种基于人工智能的商品溯源数据处理方法，应用于人工智能云平台，所述方法包括：所述方法至少包括：

响应于商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，下发通过泛化全链条生产溯源知识挖掘网络对所述选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告进行全链条生产溯源知识挖掘所得到的所述选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量；

将所述选定商品生产全链条监测关键词与所述选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量对应保存到泛化全链条生产溯源牵涉知识向量集中，以在之后响应任意商品溯源服务器上传的包含所述选定商品生产全链条监测关键词的溯源知识获取申请时，下发与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量；

其中，所述泛化全链条生产溯源知识挖掘网络是通过对全链条生产溯源知识挖掘网络与跨模态溯源知识挖掘网络进行协同学习得到的，每个网络调试学习示例包括商品生产全链条监测学习报告与所述商品生产全链条监测学习报告的跨模态生产监测记录，所述全链条生产溯源知识挖掘网络是根据基于若干个所述网络调试学习示例所确定的配对调试代价指标进行优化所得到的，所述配对调试代价指标，根据通过所述全链条生产溯源知识挖掘网络对所述商品生产全链条监测学习报告进行全链条生产溯源知识挖掘所得到的全链条生产溯源牵涉知识向量与通过所述跨模态溯源知识挖掘网络对所述跨模态生产监测记录进行全链条生产溯源知识挖掘所得到的跨模态溯源知识之间的适配支持率确定。

在一些优选的示例中，所述响应于商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，下发通过泛化全链条生产溯源知识挖掘网络对所述选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告进行全链条生产溯源知识挖掘所得到的所述选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量，包括：

响应于商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，结合所述选定商品生产全链条监测关键词，获取与所述选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告，并通过泛化全链条生产溯源知识挖掘网络对所述选定商品生产全链条监测报告进行全链条生产溯源知识挖掘，得到与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量，基于所述溯源知识获取申请，发送与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量。

在一些优选的示例中，所述在之后响应任意商品溯源服务器上传的包含所述选定商品生产全链条监测关键词的溯源知识获取申请时，下发与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量，包括：

在之后响应任意商品溯源服务器上传的包含所述选定商品生产全链条监测关键词的溯源知识获取申请时，结合商品生产全链条监测关键词与泛化全链条生产溯源牵涉知识向量之间的关联描述，检索所述泛化全链条生产溯源牵涉知识向量集中是否存在与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量；

如果检索到所述泛化全链条生产溯源牵涉知识向量集中存在与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量，则基于所述溯源知识获取申请，将从所述泛化全链条生产溯源牵涉知识向量集中检索出的与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量进行下发。

在一些优选的示例中，所述方法还包括：

响应于获得改进的泛化全链条生产溯源知识挖掘网络时，则删除所述泛化全链条生产溯源牵涉知识向量集记载的泛化全链条生产溯源牵涉知识向量。

在一些优选的示例中，所述方法还包括：

如果接收到商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，下发通过改进的泛化全链条生产溯源知识挖掘网络对所述选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告进行全链条生产溯源知识挖掘所得到的所述选定商品生产全链条监测报告的改进的泛化全链条生产溯源牵涉知识向量；

将所述选定商品生产全链条监测关键词与所述选定商品生产全链条监测报告的改进的泛化全链条生产溯源牵涉知识向量对应保存到泛化全链条生产溯源牵涉知识向量集中，以在之后响应任意商品溯源服务器上传的包含所述选定商品生产全链条监测关键词的溯源知识获取申请时，下发与所述选定商品生产全链条监测关键词对应的改进的泛化全链条生产溯源牵涉知识向量。

在一些优选的示例中，所述泛化全链条生产溯源知识挖掘网络的调试步骤包括：

获取若干个网络调试学习示例；

通过全链条生产溯源知识挖掘网络，对各所述网络调试学习示例的商品生产全链条监测学习报告进行全链条生产溯源知识挖掘，得到各所述网络调试学习示例的全链条生产溯源牵涉知识向量；

通过跨模态溯源知识挖掘网络，对各所述网络调试学习示例的跨模态生产监测记录进行全链条生产溯源知识挖掘，得到各所述网络调试学习示例的跨模态溯源知识；

结合相同网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第一知识配对训练代价；

结合每两个网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第二知识配对训练代价；

结合所述第一知识配对训练代价与所述第二知识配对训练代价，确定配对调试代价指标；

根据所述配对调试代价指标，对所述全链条生产溯源知识挖掘网络和所述跨模态溯源知识挖掘网络进行协同学习，将完成调试的全链条生产溯源知识挖掘网络，作为所述泛化全链条生产溯源知识挖掘网络。

在一些优选的示例中，所述结合相同网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第一知识配对训练代价，包括：

对于每个网络调试学习示例，确定所述网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识之间的相关性系数，得到各所述网络调试学习示例的类内知识向量适配支持率，根据各所述网络调试学习示例的类内知识向量适配支持率，确定第一知识配对训练代价；

所述结合每两个网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第二知识配对训练代价，包括：

对于每个网络调试学习示例，确定所述网络调试学习示例的全链条生产溯源牵涉知识向量与除所述网络调试学习示例之外的各个网络调试学习示例的跨模态溯源知识之间的相关性系数，得到各所述网络调试学习示例的类间知识向量适配支持率，根据各所述网络调试学习示例的类间知识向量适配支持率，确定第二知识配对训练代价；

所述结合所述第一知识配对训练代价与所述第二知识配对训练代价，确定配对调试代价指标，包括：

结合各所述网络调试学习示例的类内知识向量适配支持率与各所述类间知识向量适配支持率，确定配对调试代价指标，所述配对调试代价指标与所述类内知识向量适配支持率具有第一量化关系，且与所述类间知识向量适配支持率具有第二量化关系。

在一些优选的示例中，所述结合各所述网络调试学习示例的类内知识向量适配支持率与各所述类间知识向量适配支持率，确定配对调试代价指标，包括：

确定各所述类内知识向量适配支持率的全局概率分布差异评价，确定各所述类间知识向量适配支持率的全局概率分布差异评价；

结合各所述类内知识向量适配支持率的全局概率分布差异评价与各所述类间知识向量适配支持率的全局概率分布差异评价，确定配对调试代价指标。

在一些优选的示例中，所述根据所述配对调试代价指标，对所述全链条生产溯源知识挖掘网络和所述跨模态溯源知识挖掘网络进行协同学习，将完成调试的全链条生产溯源知识挖掘网络，作为所述泛化全链条生产溯源知识挖掘网络，包括：

依据收敛所述配对调试代价指标的规则，改进所述全链条生产溯源知识挖掘网络和所述跨模态溯源知识挖掘网络的模型配置变量后，跳转至所述获取若干个网络调试学习示例的步骤继续调试，直到符合调试终止要求时为止，得到所述泛化全链条生产溯源知识挖掘网络。

第二方面，本发明还提供了一种人工智能云平台，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。

第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

鉴于泛化全链条生产溯源知识挖掘网络是将全链条生产溯源知识挖掘网络与跨模态溯源知识挖掘网络通过若干个网络调试学习示例进行协同学习得到，在神经网络调试过程中，将商品生产全链条监测学习报告的跨模态生产监测记录作为调试学习参考，并未限定实际商品类别下的商品生产全链条监测报告的调试学习参考，从而使调试得到的全链条生产溯源知识挖掘网络，具有确定出可以应对各类商品溯源服务器的选定商品生产全链条监测报告的共有特征的性能，从而，响应于商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，下发通过泛化全链条生产溯源知识挖掘网络对选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告进行全链条生产溯源知识挖掘所得到的选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量，并将选定商品生产全链条监测关键词与选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量对应保存到泛化全链条生产溯源牵涉知识向量集中，如此，在之后响应任意商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请时，下发与选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量，规避了基于不同商品溯源服务器对相同的商品生产全链条监测报告进行反复处理的问题，这样可以节约人工智能云平台的运算开销，提高商品溯源处理的时效性。

进一步地，通过获取若干个网络调试学习示例，每个网络调试学习示例包括商品生产全链条监测学习报告以及与商品生产全链条监测学习报告对应的跨模态生产监测记录。通过全链条生产溯源知识挖掘网络，对各网络调试学习示例的商品生产全链条监测学习报告进行全链条生产溯源知识挖掘，得到各网络调试学习示例的全链条生产溯源牵涉知识向量。通过跨模态溯源知识挖掘网络，对各网络调试学习示例的跨模态生产监测记录进行全链条生产溯源知识挖掘，得到各网络调试学习示例的跨模态溯源知识。如此，每个网络调试学习示例存在所对应的全链条生产溯源牵涉知识向量和跨模态溯源知识。结合相同网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第一知识配对训练代价，以表征相对应的全链条生产溯源牵涉知识向量和跨模态溯源知识之间的差别。结合每两个网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第二知识配对训练代价，以表征不对应的全链条生产溯源牵涉知识向量和跨模态溯源知识之间的差异。结合第一知识配对训练代价与第二知识配对训练代价，确定配对调试代价指标。根据配对调试代价指标，对全链条生产溯源知识挖掘网络和跨模态溯源知识挖掘网络进行协同学习，在神经网络调试过程中，将商品生产全链条监测学习报告的跨模态生产监测记录作为调试学习参考，并未限定实际商品类别下的商品生产全链条监测报告的调试学习参考，从而使调试得到的全链条生产溯源知识挖掘网络，具有确定出可以应对各类商品溯源服务器的选定商品生产全链条监测报告的共有特征的性能，如此，该完成调试的全链条生产溯源知识挖掘网络作为泛化全链条生产溯源知识挖掘网络时，可以准确可靠第挖掘得到匹配不同商品类别的泛化全链条生产溯源牵涉知识向量。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是本发明实施例提供的一种基于人工智能的商品溯源数据处理方法的流程示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本发明实施例所提供的方法实施例可以在人工智能云平台、计算机设备或者类似的运算装置中执行。以运行在人工智能云平台上为例，人工智能云平台可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器，可选地，上述人工智能云平台还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述人工智能云平台的结构造成限定。例如，人工智能云平台还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。

存储器可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种基于人工智能的商品溯源数据处理方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至人工智能云平台。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括人工智能云平台的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

基于此，请参阅图1，图1是本发明实施例所提供的一种基于人工智能的商品溯源数据处理方法的流程示意图，该方法应用于人工智能云平台，进一步可以包括步骤100和步骤200。

步骤100、响应于商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，下发通过泛化全链条生产溯源知识挖掘网络对所述选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告进行全链条生产溯源知识挖掘所得到的所述选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量。

举例而言，商品溯源服务器可以向人工智能云平台上传携带选定商品生产全链条监测关键词（待溯源商品类别）的溯源知识获取申请，溯源知识获取申请用于请求相关的商品溯源特征。泛化全链条生产溯源知识挖掘网络可以理解为通用的或者适用性较广的全链条生产溯源知识挖掘网络，该全链条生产溯源知识挖掘网络可以理解为全链条生产溯源知识的特征提取网络，全链条生产溯源知识可以用于反映商品生产过程中的可视化溯源牵涉特征。基于此，通过对选定商品生产全链条监测报告进行全链条生产溯源知识挖掘，可以得到对应的泛化全链条生产溯源牵涉知识向量并返回给商品溯源服务器。

本发明实施例中，待溯源商品类别包括但不限于实体商品、软件商品等。泛化全链条生产溯源牵涉知识向量可以理解为通用的商品生产溯源特征，泛化全链条生产溯源牵涉知识向量记载了相关商品在整个生产过程中的上下游质检特征、生产环境特征等用于进行商品溯源分析的特征，且泛化全链条生产溯源牵涉知识向量能够将不同溯源特征之间的关联关系和依存关系通过特征变量的形式进行记载，从而便于商品溯源服务器进行一系列的商品溯源数据分析处理。

本发明实施例中，所述泛化全链条生产溯源知识挖掘网络是通过对全链条生产溯源知识挖掘网络与跨模态溯源知识挖掘网络进行协同学习得到的。其中，全链条生产溯源知识挖掘网络侧重于可视化溯源牵涉特征的挖掘，跨模态溯源知识挖掘网络侧重于语音/音频溯源牵涉特征的挖掘，基于此，可以利用关注不同特征维度的挖掘网络进行协同学习训练，从而得到泛化全链条生产溯源知识挖掘网络。

进一步地，每个网络调试学习示例包括商品生产全链条监测学习报告与所述商品生产全链条监测学习报告的跨模态生产监测记录，所述全链条生产溯源知识挖掘网络是根据基于若干个所述网络调试学习示例所确定的配对调试代价指标进行优化所得到的。其中，网络调试学习示例可以理解为样本数据，商品生产全链条监测学习报告为可视化商品生产全链条监测报告的样本，跨模态生产监测记录为音频形式的商品生产监测记录。此外，配对调试代价指标可以理解为匹配代价函数或者匹配损失函数。

更近一步地，所述配对调试代价指标，根据通过所述全链条生产溯源知识挖掘网络对所述商品生产全链条监测学习报告进行全链条生产溯源知识挖掘所得到的全链条生产溯源牵涉知识向量与通过所述跨模态溯源知识挖掘网络对所述跨模态生产监测记录进行全链条生产溯源知识挖掘所得到的跨模态溯源知识之间的适配支持率确定。其中，全链条生产溯源牵涉知识向量和跨模态溯源知识分别对应于可视化维度的商品溯源特征以及语音音频维度的商品溯源特征，基于此，全链条生产溯源牵涉知识向量和跨模态溯源知识之间的适配支持率可以理解为匹配度或者适配率。

步骤200、将所述选定商品生产全链条监测关键词与所述选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量对应保存到泛化全链条生产溯源牵涉知识向量集中，以在之后响应任意商品溯源服务器上传的包含所述选定商品生产全链条监测关键词的溯源知识获取申请时，下发与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量。

本发明实施例中，泛化全链条生产溯源牵涉知识向量集可以是存储在云服务空间的多个泛化全链条生产溯源牵涉知识向量组成的集合，因此泛化全链条生产溯源牵涉知识向量集也可以理解为泛化全链条生产溯源牵涉知识向量池。在此基础上，通过将泛化全链条生产溯源牵涉知识向量保存到泛化全链条生产溯源牵涉知识向量集中，可以便于后期的快速调用和下发。比如，在后续接收到其他商品溯源服务器上传的包含所述选定商品生产全链条监测关键词的溯源知识获取申请时，可以直接通过从泛化全链条生产溯源牵涉知识向量集进行泛化全链条生产溯源牵涉知识向量调取并下发，从而提高泛化全链条生产溯源牵涉知识向量的确定时效性。

示例性的，人工智能云平台在接收到商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请时，首先需要判断云服务空间中是否存储有用于记录“选定商品生产全链条监测关键词-泛化全链条生产溯源牵涉知识向量”这一对数据的二元组标识，如果云服务空间中没有存储该二元组标识，则表明人工智能云平台是第一次接收到商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，在此基础上执行步骤100中的“下发通过泛化全链条生产溯源知识挖掘网络对所述选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告进行全链条生产溯源知识挖掘所得到的所述选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量”。

更进一步地，针对步骤200，首先将选定商品生产全链条监测关键词与所述选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量对应保存到泛化全链条生产溯源牵涉知识向量集中，并将用于记录“选定商品生产全链条监测关键词-泛化全链条生产溯源牵涉知识向量”这一对数据的二元组标识存储到云服务空间中，这样一来，云服务空间中同时存储了二元组标识，以及“选定商品生产全链条监测关键词+泛化全链条生产溯源牵涉知识向量”。基于此，之后响应任意商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请时，下发与选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量。

可见，应用步骤100和步骤200，鉴于泛化全链条生产溯源知识挖掘网络是将全链条生产溯源知识挖掘网络与跨模态溯源知识挖掘网络通过若干个网络调试学习示例进行协同学习得到，在神经网络调试过程中，将商品生产全链条监测学习报告的跨模态生产监测记录作为调试学习参考（学习监督），并未限定实际商品类别下的商品生产全链条监测报告的调试学习参考，从而使调试得到的全链条生产溯源知识挖掘网络，具有确定出可以应对各类商品溯源服务器的选定商品生产全链条监测报告的共有特征的性能，从而，响应于商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，下发通过泛化全链条生产溯源知识挖掘网络对选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告进行全链条生产溯源知识挖掘所得到的选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量，并将选定商品生产全链条监测关键词与选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量对应保存到泛化全链条生产溯源牵涉知识向量集中，如此，在之后响应任意商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请时，下发与选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量，规避了基于不同商品溯源服务器对相同的商品生产全链条监测报告进行反复处理的问题，这样可以节约人工智能云平台的运算开销，提高商品溯源处理的时效性。

在一些示例性实施例中，步骤100中的响应于商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，下发通过泛化全链条生产溯源知识挖掘网络对所述选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告进行全链条生产溯源知识挖掘所得到的所述选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量，包括步骤101。

步骤101、响应于商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，结合所述选定商品生产全链条监测关键词，获取与所述选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告，并通过泛化全链条生产溯源知识挖掘网络对所述选定商品生产全链条监测报告进行全链条生产溯源知识挖掘，得到与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量，基于所述溯源知识获取申请，发送与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量。

本发明实施例中，对所述选定商品生产全链条监测报告进行全链条生产溯源知识挖掘，可以利用泛化全链条生产溯源知识挖掘网络中的卷积组件（卷积层）实现，进一步地可以选择配置了残差子网的卷积组件，这样可以避免梯度爆炸，从而确保所得到的泛化全链条生产溯源牵涉知识向量的准确性和完整性，这样可以将准确完整的泛化全链条生产溯源牵涉知识向量发送给商品溯源服务器，以保障商品溯源服务器的相关商品溯源任务的执行。

在一些示例性设计思路下，步骤200中的在之后响应任意商品溯源服务器上传的包含所述选定商品生产全链条监测关键词的溯源知识获取申请时，下发与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量，包括步骤201-步骤202。

步骤201、在之后响应任意商品溯源服务器上传的包含所述选定商品生产全链条监测关键词的溯源知识获取申请时，结合商品生产全链条监测关键词与泛化全链条生产溯源牵涉知识向量之间的关联描述，检索所述泛化全链条生产溯源牵涉知识向量集中是否存在与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量。

本发明实施例中，商品生产全链条监测关键词与泛化全链条生产溯源牵涉知识向量之间的关联描述用于反映商品生产全链条监测关键词与泛化全链条生产溯源牵涉知识向量之间映射关系，基于此，可以在泛化全链条生产溯源牵涉知识向量集中准确检索是否存在与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量。

步骤202、如果检索到所述泛化全链条生产溯源牵涉知识向量集中存在与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量，则基于所述溯源知识获取申请，将从所述泛化全链条生产溯源牵涉知识向量集中检索出的与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量进行下发。

继续以响应任意商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请为例，人工智能云平台在接收到任意商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请时，由于云服务空间中存储了二元组标识，则人工智能云平台可以通过二元组标识中的“选定商品生产全链条监测关键词”判定是第二次接收到包含选定商品生产全链条监测关键词的溯源知识获取申请，在此基础上，可以基于选定商品生产全链条监测关键词与泛化全链条生产溯源牵涉知识向量之间的关联描述，在云服务空间中进行检索，如果检索到云服务空间中存在与选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量，则将泛化全链条生产溯源牵涉知识向量返回给任意商品溯源服务器。

在另一种可能的实施例下，如果未检索到所述泛化全链条生产溯源牵涉知识向量集中存在与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量，则基于所述溯源知识获取申请，向所述任意商品溯源服务器发送获取失败反馈提醒。在这种情况下，在未检索到对应的泛化全链条生产溯源牵涉知识向量时返回获取失败反馈提醒，如此，可以应对时效性较高的商品溯源任务环境，避免在确定或者获取泛化全链条生产溯源牵涉知识向量环节分配较多的计算资源。示例性的，如果未检索到对应的泛化全链条生产溯源牵涉知识向量，为了提高时效性，无需对溯源知识获取申请进行进一步的分析处理。

可以理解，在实际实施过程中，云服务空间的存储稳定性需要考虑在内，也即：即使云服务空间中在先存储了选定商品生产全链条监测关键词与泛化全链条生产溯源牵涉知识向量，如果云服务空间由于自身或者外界原因导致存储的选定商品生产全链条监测关键词与泛化全链条生产溯源牵涉知识向量丢失，则不同的检索结果也应当考虑在内。

示例性的，继续以响应任意商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请为例，人工智能云平台在接收到任意商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请时，由于云服务空间中存储了二元组标识，则人工智能云平台可以通过二元组标识中的“选定商品生产全链条监测关键词”判定是第二次接收到包含选定商品生产全链条监测关键词的溯源知识获取申请，又由于云服务空间中丢失了选定商品生产全链条监测关键词与泛化全链条生产溯源牵涉知识向量的存储信息，在此基础上，人工智能云平台通过选定商品生产全链条监测关键词无法在云服务空间中检索出泛化全链条生产溯源牵涉知识向量，则基于溯源知识获取申请，向任意商品溯源服务器反馈“获取失败反馈提醒”；进一步地，人工智能云平台可以对此次“获取失败反馈提醒”的反馈进行记录。这样，如果之后人工智能云平台通过数据容灾恢复出了泛化全链条生产溯源牵涉知识向量，则可以重新将泛化全链条生产溯源牵涉知识向量返回给任意商品溯源服务器（在返回之前需经过任意商品溯源服务器的同意）。

可见，应用于步骤201-步骤202，能够基于映射关系在泛化全链条生产溯源牵涉知识向量集中准确检索是否存在与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量，在检索到对应的泛化全链条生产溯源牵涉知识向量之后进行下发。

在一些可独立的实施例中，所述方法还包括步骤300。

步骤300、响应于获得改进的泛化全链条生产溯源知识挖掘网络时，则删除所述泛化全链条生产溯源牵涉知识向量集记载的泛化全链条生产溯源牵涉知识向量。

可见，如果泛化全链条生产溯源知识挖掘网络存在更新，则之前挖掘得到的泛化全链条生产溯源牵涉知识向量同样需要更新，基于此，可以删除所述泛化全链条生产溯源牵涉知识向量集记载的泛化全链条生产溯源牵涉知识向量，从而释放泛化全链条生产溯源牵涉知识向量集对应的存储空间，以便之后存储更优质的泛化全链条生产溯源牵涉知识向量。需要注意的是，人工智能云平台在删除泛化全链条生产溯源牵涉知识向量集记载的泛化全链条生产溯源牵涉知识向量的同时，需要将对应的二元组标识一并进行删除，换言之，人工智能云平台在获得改进的泛化全链条生产溯源知识挖掘网络之后，需要对云服务空间进行彻底的清零处理。

在一些可独立的实施例中，所述方法还包括步骤400和步骤500。

步骤400、如果接收到商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，下发通过改进的泛化全链条生产溯源知识挖掘网络对所述选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告进行全链条生产溯源知识挖掘所得到的所述选定商品生产全链条监测报告的改进的泛化全链条生产溯源牵涉知识向量。

步骤500、将所述选定商品生产全链条监测关键词与所述选定商品生产全链条监测报告的改进的泛化全链条生产溯源牵涉知识向量对应保存到泛化全链条生产溯源牵涉知识向量集中，以在之后响应任意商品溯源服务器上传的包含所述选定商品生产全链条监测关键词的溯源知识获取申请时，下发与所述选定商品生产全链条监测关键词对应的改进的泛化全链条生产溯源牵涉知识向量。

可见，通过实施步骤400和步骤500，能够跟随泛化全链条生产溯源知识挖掘网络的改进更新节奏进行同步的泛化全链条生产溯源牵涉知识向量挖掘，从而得到改进的泛化全链条生产溯源牵涉知识向量并下发，这样可以保障泛化全链条生产溯源牵涉知识向量的实时更新，从而提高泛化全链条生产溯源牵涉知识向量的特征表征性能。

就步骤300-步骤500而言，如果获得改进的泛化全链条生产溯源知识挖掘网络，则删除泛化全链条生产溯源牵涉知识向量集记载的泛化全链条生产溯源牵涉知识向量。示例性的，步骤100中的泛化全链条生产溯源知识挖掘网络和步骤300中的改进的泛化全链条生产溯源知识挖掘网络不同，如果人工智能云平台获取到改进的泛化全链条生产溯源知识挖掘网络，由于改进的泛化全链条生产溯源知识挖掘网络的知识挖掘性能优于泛化全链条生产溯源知识挖掘网络，为保障整体方案的质量，需要对云服务空间中的泛化全链条生产溯源牵涉知识向量集进行主动删除，以便之后重新存储更为优质的泛化全链条生产溯源牵涉知识向量（也即改进的泛化全链条生产溯源牵涉知识向量），同时删除对应的二元组标识。

因此，在人工智能云平台获得改进的泛化全链条生产溯源知识挖掘网络并删除泛化全链条生产溯源牵涉知识向量集记载的泛化全链条生产溯源牵涉知识向量的前提下，如果接收到接收到商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，则需要通过改进的泛化全链条生产溯源知识挖掘网络挖掘选定商品生产全链条监测关键词对应的改进的泛化全链条生产溯源牵涉知识向量，然后将改进的泛化全链条生产溯源牵涉知识向量返回给商品溯源服务器，并将选定商品生产全链条监测关键词和改进的泛化全链条生产溯源牵涉知识向量关联存储到泛化全链条生产溯源牵涉知识向量集。

为便于理解，下面以一整体示例进行介绍。

（1）、人工智能云平台在接收到商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请时，判断云服务空间中是否存储有用于记录“选定商品生产全链条监测关键词-泛化全链条生产溯源牵涉知识向量”这一对数据的二元组标识，如果云服务空间中没有存储该二元组标识（且人工智能云平台没有获取改进的泛化全链条生产溯源知识挖掘网络），则下发通过泛化全链条生产溯源知识挖掘网络对所述选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告进行全链条生产溯源知识挖掘所得到的所述选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量”。

（2）、人工智能云平台将选定商品生产全链条监测关键词与所述选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量对应保存到泛化全链条生产溯源牵涉知识向量集中，并在云服务空间中对应存储二元组标识，之后响应任意商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，在云服务空间中对应存储了二元组标识的基础上，如果人工智能云平台通过选定商品生产全链条监测关键词在云服务空间中检索出泛化全链条生产溯源牵涉知识向量，则下发与选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量给任意商品溯源服务器。此外，在云服务空间中对应存储了二元组标识且人工智能云平台没有获取改进的泛化全链条生产溯源知识挖掘网络的基础上，如果人工智能云平台通过选定商品生产全链条监测关键词在云服务空间中无法检索出泛化全链条生产溯源牵涉知识向量，则基于溯源知识获取申请，向任意商品溯源服务器反馈“获取失败反馈提醒”。

（3）、如果人工智能云平台获得改进的泛化全链条生产溯源知识挖掘网络，则表明需要重新进行知识挖掘，在此基础上首先删除泛化全链条生产溯源牵涉知识向量集记载的泛化全链条生产溯源牵涉知识向量（由之前的泛化全链条生产溯源知识挖掘网络挖掘得到的泛化全链条生产溯源牵涉知识向量），并删除对应的二元组标识。在这种情况下，云服务空间中的泛化全链条生产溯源牵涉知识向量集以及二元组标识相当于“主动清零”，基于此，人工智能云平台如果接收到接收到商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，则需要通过改进的泛化全链条生产溯源知识挖掘网络挖掘选定商品生产全链条监测关键词对应的改进的泛化全链条生产溯源牵涉知识向量，然后将改进的泛化全链条生产溯源牵涉知识向量返回给商品溯源服务器，并将选定商品生产全链条监测关键词和改进的泛化全链条生产溯源牵涉知识向量关联存储到泛化全链条生产溯源牵涉知识向量集（同时存储选定商品生产全链条监测关键词和改进的泛化全链条生产溯源牵涉知识向量对应的二元组标识）。之后针对任意商品溯源服务器的响应操作可以结合上述相关内容，在此不作赘述。

可见，人工智能云平台在执行上述技术方案时需要考虑如下至少两个条件：条件1，云服务空间中是否存储了二元组标识；条件2，人工智能云平台是否获得了改进的泛化全链条生产溯源知识挖掘网络。在实际实施时，可以通过这两个条件进行联合决策，从而保障本发明实施例的正常实施。比如，基于条件1，如果存在二元组标识，则表明是第二次获取选定商品生产全链条监测关键词，因而可以基于二元组标识对应的选定商品生产全链条监测关键词进行检索；如果不存在二元组标识且人工智能云平台没有获取改进的泛化全链条生产溯源知识挖掘网络，则表明是第一次获得选定商品生产全链条监测关键词，因而可以通过泛化全链条生产溯源知识挖掘网络进行泛化全链条生产溯源牵涉知识向量的挖掘然后进行返回。

在一些可独立的实施例中，所述泛化全链条生产溯源知识挖掘网络的调试步骤包括S10-S70。

S10、获取若干个网络调试学习示例，每个所述网络调试学习示例包括商品生产全链条监测学习报告以及与所述商品生产全链条监测学习报告对应的跨模态生产监测记录。

本发明实施例中，商品生产全链条监测学习报告可以理解为可视化维度的训练样本报告，跨模态生产监测记录可以理解为语音音频维度的训练样本报告。

S20、通过全链条生产溯源知识挖掘网络，对各所述网络调试学习示例的商品生产全链条监测学习报告进行全链条生产溯源知识挖掘，得到各所述网络调试学习示例的全链条生产溯源牵涉知识向量。

S30、通过跨模态溯源知识挖掘网络，对各所述网络调试学习示例的跨模态生产监测记录进行全链条生产溯源知识挖掘，得到各所述网络调试学习示例的跨模态溯源知识。

S40、结合相同网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第一知识配对训练代价。

S50、结合每两个网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第二知识配对训练代价。

S60、结合所述第一知识配对训练代价与所述第二知识配对训练代价，确定配对调试代价指标。

本发明实施例中，第一知识配对训练代价可以理解为正例配对代价，第二知识配对训练代价可以理解为负例配对代价。

S70、根据所述配对调试代价指标，对所述全链条生产溯源知识挖掘网络和所述跨模态溯源知识挖掘网络进行协同学习，将完成调试的全链条生产溯源知识挖掘网络，作为所述泛化全链条生产溯源知识挖掘网络。

可以理解，通过S10-S70，可以引入第一知识配对训练代价和第二知识配对训练代价确定综合的配对调试代价指标，从而利用配对调试代价指标实现所述全链条生产溯源知识挖掘网络和所述跨模态溯源知识挖掘网络的协同学习调试，以得到适用性更广的泛化全链条生产溯源知识挖掘网络。

在一些可选的示例中，S40中的结合相同网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第一知识配对训练代价，包括S401：对于每个网络调试学习示例，确定所述网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识之间的相关性系数，得到各所述网络调试学习示例的类内知识向量适配支持率，根据各所述网络调试学习示例的类内知识向量适配支持率，确定第一知识配对训练代价。

本发明实施例中，相关性系数用于反映网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识之间的相似性，而类内知识向量适配支持率可以理解为类内特征的匹配度，基于此，可以准确确定第一知识配对训练代价。

进一步地，S50中的结合每两个网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第二知识配对训练代价，包括S501：对于每个网络调试学习示例，确定所述网络调试学习示例的全链条生产溯源牵涉知识向量与除所述网络调试学习示例之外的各个网络调试学习示例的跨模态溯源知识之间的相关性系数，得到各所述网络调试学习示例的类间知识向量适配支持率，根据各所述网络调试学习示例的类间知识向量适配支持率，确定第二知识配对训练代价。

本发明实施例中，类间知识向量适配支持率可以理解为类间特征的匹配度，基于此，可以准确确定第二知识配对训练代价。

基于此，S60中的结合所述第一知识配对训练代价与所述第二知识配对训练代价，确定配对调试代价指标，包括S601：结合各所述网络调试学习示例的类内知识向量适配支持率与各所述类间知识向量适配支持率，确定配对调试代价指标，所述配对调试代价指标与所述类内知识向量适配支持率具有第一量化关系，且与所述类间知识向量适配支持率具有第二量化关系。

本发明实施例中，第一量化关系例如可以是负相关关系，第二量化关系例如可以是正相关关系。可见，应用上述S401-S601，可以引入类内知识向量适配支持率和类间知识向量适配支持率确定配对调试代价指标，这样可以避免类内类间的特征适配分析的互相干扰和影响，从而准确确定配对调试代价指标，以保障网络调试训练学习的准确性和可靠性。

在另一些可能的实施例中，S601所描述的所述结合各所述网络调试学习示例的类内知识向量适配支持率与各所述类间知识向量适配支持率，确定配对调试代价指标，包括S6011和S6012。

S6011、确定各所述类内知识向量适配支持率的全局概率分布差异评价，确定各所述类间知识向量适配支持率的全局概率分布差异评价。

S6012、结合各所述类内知识向量适配支持率的全局概率分布差异评价与各所述类间知识向量适配支持率的全局概率分布差异评价，确定配对调试代价指标。

本发明实施例中，全局概率分布差异评价可以理解为交叉熵的加权结果，基于此，通过结合各所述类内知识向量适配支持率的全局概率分布差异评价与各所述类间知识向量适配支持率的全局概率分布差异评价进行配对调试代价指标的确定，可以确保配对调试代价指标的准确性和可信度。

在上述内容的基础上，S70中的所述根据所述配对调试代价指标，对所述全链条生产溯源知识挖掘网络和所述跨模态溯源知识挖掘网络进行协同学习，将完成调试的全链条生产溯源知识挖掘网络，作为所述泛化全链条生产溯源知识挖掘网络，包括S701：依据收敛所述配对调试代价指标的规则，改进所述全链条生产溯源知识挖掘网络和所述跨模态溯源知识挖掘网络的模型配置变量后，跳转至所述获取若干个网络调试学习示例的步骤继续调试，直到符合调试终止要求时为止，得到所述泛化全链条生产溯源知识挖掘网络。

如此，通过实现所述配对调试代价指标的收敛，可以实现泛化全链条生产溯源知识挖掘网络的逐渐稳定，从而保障泛化全链条生产溯源知识挖掘网络在之后应用阶段的性能。

在一些可独立的实施例中，泛化全链条生产溯源知识挖掘网络的调试方法包括：获取若干个网络调试学习示例，每个所述网络调试学习示例包括商品生产全链条监测学习报告以及与所述商品生产全链条监测学习报告对应的跨模态生产监测记录；通过全链条生产溯源知识挖掘网络，对各所述网络调试学习示例的商品生产全链条监测学习报告进行全链条生产溯源知识挖掘，得到各所述网络调试学习示例的全链条生产溯源牵涉知识向量；通过跨模态溯源知识挖掘网络，对各所述网络调试学习示例的跨模态生产监测记录进行全链条生产溯源知识挖掘，得到各所述网络调试学习示例的跨模态溯源知识；结合相同网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第一知识配对训练代价；结合每两个网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第二知识配对训练代价；结合所述第一知识配对训练代价与所述第二知识配对训练代价，确定配对调试代价指标；根据所述配对调试代价指标，对所述全链条生产溯源知识挖掘网络和所述跨模态溯源知识挖掘网络进行协同学习，将完成调试的全链条生产溯源知识挖掘网络，作为泛化全链条生产溯源知识挖掘网络。

通过获取若干个网络调试学习示例，每个网络调试学习示例包括商品生产全链条监测学习报告以及与商品生产全链条监测学习报告对应的跨模态生产监测记录。通过全链条生产溯源知识挖掘网络，对各网络调试学习示例的商品生产全链条监测学习报告进行全链条生产溯源知识挖掘，得到各网络调试学习示例的全链条生产溯源牵涉知识向量。通过跨模态溯源知识挖掘网络，对各网络调试学习示例的跨模态生产监测记录进行全链条生产溯源知识挖掘，得到各网络调试学习示例的跨模态溯源知识。如此，每个网络调试学习示例存在所对应的全链条生产溯源牵涉知识向量和跨模态溯源知识。结合相同网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第一知识配对训练代价，以表征相对应的全链条生产溯源牵涉知识向量和跨模态溯源知识之间的差别。结合每两个网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第二知识配对训练代价，以表征不对应的全链条生产溯源牵涉知识向量和跨模态溯源知识之间的差异。结合第一知识配对训练代价与第二知识配对训练代价，确定配对调试代价指标。根据配对调试代价指标，对全链条生产溯源知识挖掘网络和跨模态溯源知识挖掘网络进行协同学习，在神经网络调试过程中，将商品生产全链条监测学习报告的跨模态生产监测记录作为调试学习参考，并未限定实际商品类别下的商品生产全链条监测报告的调试学习参考，从而使调试得到的全链条生产溯源知识挖掘网络，具有确定出可以应对各类商品溯源服务器的选定商品生产全链条监测报告的共有特征的性能，如此，该完成调试的全链条生产溯源知识挖掘网络作为泛化全链条生产溯源知识挖掘网络时，可以准确可靠第挖掘得到匹配不同商品类别的泛化全链条生产溯源牵涉知识向量。

进一步地，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于人工智能的商品溯源数据处理方法，其特征在于，应用于人工智能云平台，所述方法至少包括：

响应于商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，下发通过泛化全链条生产溯源知识挖掘网络对所述选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告进行全链条生产溯源知识挖掘所得到的所述选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量；

将所述选定商品生产全链条监测关键词与所述选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量对应保存到泛化全链条生产溯源牵涉知识向量集中，以在之后响应任意商品溯源服务器上传的包含所述选定商品生产全链条监测关键词的溯源知识获取申请时，下发与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量；

其中，所述泛化全链条生产溯源知识挖掘网络是通过对全链条生产溯源知识挖掘网络与跨模态溯源知识挖掘网络进行协同学习得到的，每个网络调试学习示例包括商品生产全链条监测学习报告与所述商品生产全链条监测学习报告的跨模态生产监测记录，所述全链条生产溯源知识挖掘网络是根据基于若干个所述网络调试学习示例所确定的配对调试代价指标进行优化所得到的，所述配对调试代价指标，根据通过所述全链条生产溯源知识挖掘网络对所述商品生产全链条监测学习报告进行全链条生产溯源知识挖掘所得到的全链条生产溯源牵涉知识向量与通过所述跨模态溯源知识挖掘网络对所述跨模态生产监测记录进行全链条生产溯源知识挖掘所得到的跨模态溯源知识之间的适配支持率确定；

其中，所述泛化全链条生产溯源知识挖掘网络的调试步骤包括：

获取若干个网络调试学习示例；

通过全链条生产溯源知识挖掘网络，对各所述网络调试学习示例的商品生产全链条监测学习报告进行全链条生产溯源知识挖掘，得到各所述网络调试学习示例的全链条生产溯源牵涉知识向量；

通过跨模态溯源知识挖掘网络，对各所述网络调试学习示例的跨模态生产监测记录进行全链条生产溯源知识挖掘，得到各所述网络调试学习示例的跨模态溯源知识；

结合相同网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第一知识配对训练代价；

结合每两个网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第二知识配对训练代价；

结合所述第一知识配对训练代价与所述第二知识配对训练代价，确定配对调试代价指标；

根据所述配对调试代价指标，对所述全链条生产溯源知识挖掘网络和所述跨模态溯源知识挖掘网络进行协同学习，将完成调试的全链条生产溯源知识挖掘网络，作为所述泛化全链条生产溯源知识挖掘网络；

其中，所述结合相同网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第一知识配对训练代价，包括：

对于每个网络调试学习示例，确定所述网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识之间的相关性系数，得到各所述网络调试学习示例的类内知识向量适配支持率，根据各所述网络调试学习示例的类内知识向量适配支持率，确定第一知识配对训练代价；

所述结合每两个网络调试学习示例的全链条生产溯源牵涉知识向量与跨模态溯源知识生成第二知识配对训练代价，包括：

对于每个网络调试学习示例，确定所述网络调试学习示例的全链条生产溯源牵涉知识向量与除所述网络调试学习示例之外的各个网络调试学习示例的跨模态溯源知识之间的相关性系数，得到各所述网络调试学习示例的类间知识向量适配支持率，根据各所述网络调试学习示例的类间知识向量适配支持率，确定第二知识配对训练代价；

所述结合所述第一知识配对训练代价与所述第二知识配对训练代价，确定配对调试代价指标，包括：

结合各所述网络调试学习示例的类内知识向量适配支持率与各所述类间知识向量适配支持率，确定配对调试代价指标，所述配对调试代价指标与所述类内知识向量适配支持率具有第一量化关系，且与所述类间知识向量适配支持率具有第二量化关系。

2.如权利要求1所述的方法，其特征在于，所述响应于商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，下发通过泛化全链条生产溯源知识挖掘网络对所述选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告进行全链条生产溯源知识挖掘所得到的所述选定商品生产全链条监测报告的泛化全链条生产溯源牵涉知识向量，包括：

响应于商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，结合所述选定商品生产全链条监测关键词，获取与所述选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告，并通过泛化全链条生产溯源知识挖掘网络对所述选定商品生产全链条监测报告进行全链条生产溯源知识挖掘，得到与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量，基于所述溯源知识获取申请，发送与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量。

3.如权利要求1所述的方法，其特征在于，所述在之后响应任意商品溯源服务器上传的包含所述选定商品生产全链条监测关键词的溯源知识获取申请时，下发与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量，包括：

在之后响应任意商品溯源服务器上传的包含所述选定商品生产全链条监测关键词的溯源知识获取申请时，结合商品生产全链条监测关键词与泛化全链条生产溯源牵涉知识向量之间的关联描述，检索所述泛化全链条生产溯源牵涉知识向量集中是否存在与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量；

如果检索到所述泛化全链条生产溯源牵涉知识向量集中存在与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量，则基于所述溯源知识获取申请，将从所述泛化全链条生产溯源牵涉知识向量集中检索出的与所述选定商品生产全链条监测关键词对应的泛化全链条生产溯源牵涉知识向量进行下发。

4.如权利要求1所述的方法，其特征在于，所述方法还包括：

响应于获得改进的泛化全链条生产溯源知识挖掘网络时，则删除所述泛化全链条生产溯源牵涉知识向量集记载的泛化全链条生产溯源牵涉知识向量。

5.如权利要求4所述的方法，其特征在于，所述方法还包括：

如果接收到商品溯源服务器上传的包含选定商品生产全链条监测关键词的溯源知识获取申请，下发通过改进的泛化全链条生产溯源知识挖掘网络对所述选定商品生产全链条监测关键词对应的选定商品生产全链条监测报告进行全链条生产溯源知识挖掘所得到的所述选定商品生产全链条监测报告的改进的泛化全链条生产溯源牵涉知识向量；

将所述选定商品生产全链条监测关键词与所述选定商品生产全链条监测报告的改进的泛化全链条生产溯源牵涉知识向量对应保存到泛化全链条生产溯源牵涉知识向量集中，以在之后响应任意商品溯源服务器上传的包含所述选定商品生产全链条监测关键词的溯源知识获取申请时，下发与所述选定商品生产全链条监测关键词对应的改进的泛化全链条生产溯源牵涉知识向量。

6.如权利要求1所述的方法，其特征在于，所述结合各所述网络调试学习示例的类内知识向量适配支持率与各所述类间知识向量适配支持率，确定配对调试代价指标，包括：

确定各所述类内知识向量适配支持率的全局概率分布差异评价，确定各所述类间知识向量适配支持率的全局概率分布差异评价；

结合各所述类内知识向量适配支持率的全局概率分布差异评价与各所述类间知识向量适配支持率的全局概率分布差异评价，确定配对调试代价指标。

7.如权利要求1所述的方法，其特征在于，所述根据所述配对调试代价指标，对所述全链条生产溯源知识挖掘网络和所述跨模态溯源知识挖掘网络进行协同学习，将完成调试的全链条生产溯源知识挖掘网络，作为所述泛化全链条生产溯源知识挖掘网络，包括：

依据收敛所述配对调试代价指标的规则，改进所述全链条生产溯源知识挖掘网络和所述跨模态溯源知识挖掘网络的模型配置变量后，跳转至所述获取若干个网络调试学习示例的步骤继续调试，直到符合调试终止要求时为止，得到所述泛化全链条生产溯源知识挖掘网络。

8.一种人工智能云平台，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-7任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现权利要求1-7任一项所述的方法。

Images