CN116187094B - 一种基于工作情况实时分析的质量工作预测系统 - Google Patents
一种基于工作情况实时分析的质量工作预测系统 Download PDFInfo
- Publication number
- CN116187094B CN116187094B CN202310415264.2A CN202310415264A CN116187094B CN 116187094 B CN116187094 B CN 116187094B CN 202310415264 A CN202310415264 A CN 202310415264A CN 116187094 B CN116187094 B CN 116187094B
- Authority
- CN
- China
- Prior art keywords
- information
- model
- target
- public opinion
- undetermined
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本申请公开了一种基于工作情况实时分析的质量工作预测系统,涉及基于特定计算机模型的数据处理系统技术领域,尤其涉及一种基于工作情况实时分析的质量工作预测系统。本说明书中的系统基于历史上生成的历史的信息生成样本信息,并根据样本信息表现出的历史的信息走向,确定多维空间待定模型的权重值,进而得到目标模型,该目标模型能够体现出历史上的信息的走向。此外,构建中间模型的过程中,以将样本信息对应的特征点均匀分布在模型空间中为目标,对样本信息对应的特征点在除目标维度以外的其他维度上的特征值进行拟合,由此得到的中间模型能够至少在目标维度上体现出样本信息传达的不同的维度的信息广度。
Description
技术领域
本申请涉及基于特定计算机模型的数据处理系统技术领域,尤其涉及一种基于工作情况实时分析的质量工作预测系统。
背景技术
目前,以信息技术为代表的新的产业技术革命对人类社会的发展产生了深远的影响。随着时代的发展以及信息技术的进步,信息的公开、信息的发布等信息处理手段,一定程度地承担了信息传达的职能。
信息(例如目标事件的信息)的公开和发布,较大可能的会引起针对信息相关的反馈,这些具有反馈属性的信息,可以称为信息。随着时间的延续,群众对目标事件的态度可能会发生变化,若能够察觉出这些变化,将有利于对信息的反馈进行更为准确的衡量。
发明内容
本申请实施例提供了一种基于工作情况实时分析的质量工作预测系统,以至少部分的解决上述技术问题。
本申请实施例采用下述技术方案:
第一方面,本申请实施例提供一种基于工作情况实时分析的质量工作预测系统,所述系统包括:
信息获取模块,配置为:确定待分析的质量工作事件,以及实时地获取距当前时刻第一指定时长的历史时间段内生成的、针对所述质量工作事件的部分历史的信息,作为样本信息;
建模模块,配置为:为所述质量工作事件建立多维空间待定模型,所述多维空间待定模型包含模型边界和所述模型边界圈选的模型空间;
模型处理模块,配置为:将建立所述多维空间待定模型时采用的部分维度,作为目标维度;确定所述样本信息分别对应于每个所述目标维度的特征值,所述特征值用于表征所述样本信息对应的特征点在所述模型空间内的坐标;以将所述样本信息对应的特征点均匀分布在所述模型空间中为目标,对所述样本信息对应的所述特征点在除所述目标维度以外的其他维度上的特征值进行拟合,根据所述拟合得到的结果,为除所述目标维度以外的其他维度分别制定其各自的权重值,得到中间模型;
信息处理模块,配置为:确定所述历史的信息在所述中间模型对应的各个维度的特征值,得到所述历史的信息对应的特征点;将所述历史的信息对应的特征点添加至所述中间模型中,得到目标模型;
预测模块,配置为:基于所述目标模型对目标信息进行处理,得到针对所述质量工作事件的预测结果;所述目标信息是:针对所述质量工作事件、且在所述当前时刻之后生成的信息。
在本说明书一个可选的实施例中,所述信息获取模块具体配置为:
实时地获取距当前时刻第一指定时长的历史时间段内生成的、针对所述质量工作事件的历史的信息;
对所述历史的信息进行随机采样,得到第一备选信息;
从所述第一备选信息中筛选出指定数量个,作为所述样本信息,使得任意两个所述样本信息的生成时刻之间的时间间隔不小于第二指定时长。
在本说明书一个可选的实施例中,所述第二指定时长与所述第一指定时长正相关、且所述指定数量与所述第一指定时长正相关。
在本说明书一个可选的实施例中,所述指定数量还与指定相似度负相关;所述指定相似度是对所述历史的信息进行随机采样时,任意相邻两次采样得到第一备选信息之间的相似度的最大值。
在本说明书一个可选的实施例中,所述维度包含:发布所述信息的时刻、所述信息与所述质量工作事件的匹配度、发布所述信息的用户的画像、发布所述信息的信息平台的属性、所述信息的情感极性。
在本说明书一个可选的实施例中,所述预测模块具体配置为:
确定所述历史的信息对应的特征点在所述目标模型的模型空间中的分布密度,作为基准密度;
基于所述目标模型在所述维度上的权重值,确定所述目标信息在所述模型空间中的特征点,作为目标点;
确定所述目标点在所述目标模型的模型空间中的分布密度,作为目标密度;
根据所述基准密度和所述目标密度的差异,得到针对所述质量工作事件的预测结果。
在本说明书一个可选的实施例中,所述预测模块具体配置为:
获取针对所述质量工作事件、且在所述当前时刻之后生成的信息,作为第二备选信息;
基于预设的语义模型,从所述第二备选信息中,确定出语义不清的信息,作为待定信息;
将所述第二备选信息中除所述待定信息以外的信息,作为所述目标信息。
在本说明书一个可选的实施例中,所述预测模块还配置为:
基于所述目标模型在所述维度上的权重值,确定所述待定信息在所述模型空间中的特征点,作为待定点;
确定所述待定点在所述目标模型的模型空间中的分布密度,作为待定密度;
若所述待定密度和所述目标密度的差异,与所述基准密度和所述目标密度的差异大于预设的差异阈值,则生成调整指令,发送至所述信息获取模块。
在本说明书一个可选的实施例中,所述信息获取模块还配置为:
在所述调整指令的触发下,基于生成时刻早于所述待定信息的信息,重新生成样本信息,发送至所述模型处理模块,使得所述模型处理模块根据所述重新生成的样本信息重新生成中间模型。
在本说明书一个可选的实施例中,所述信息处理模块还配置为:
根据所述重新生成的所述中间模型,重新生成目标模型。
第二方面,本申请实施例还提供一种电子设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行第一方面所述的系统执行的步骤。
第三方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的电子设备执行时,使得所述电子设备执行第一方面所述的系统执行的步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
本说明书涉及基于特定计算机模型的数据处理系统技术领域,尤其涉及一种基于工作情况实时分析的质量工作预测系统。本说明书中的系统基于历史上生成的历史的信息生成样本信息,并根据样本信息表现出的历史的信息走向,确定多维空间待定模型的权重值,进而得到目标模型,该目标模型能够体现出历史上的信息的走向。此外,构建中间模型的过程中,以将样本信息对应的特征点均匀分布在模型空间中为目标,对样本信息对应的特征点在除目标维度以外的其他维度上的特征值进行拟合,由此得到的中间模型能够至少在目标维度上体现出样本信息传达的不同的维度的信息广度,由此确定出的各维度的权重值能够使得后续得到的目标模型能够较为敏感的识别出信息风向的变化,进而提高预测结果的准确性和及时性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本说明书实施例提供的一种基于工作情况实时分析的质量工作预测系统的结构示意图;
图2为本说明书实施例提供的一种多维空间待定模型的示意图;
图3为本说明书实施例提供的一种中间模型的示意图;
图4为本说明书实施例中一种电子设备的结构示意图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本申请能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其它元件、材料、方法所替代。在某些情况下,本申请相关的一些操作并没有在说明书中显示或者描述,这是为了避免本申请的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
以下结合附图,详细说明本申请各实施例提供的技术方案。
本说明书中的基于工作情况实时分析的质量工作预测系统,是基于特定计算机模型(即目标模型)的数据处理系统。现就系统的构成、以及构成系统的至少部分模块的功能进行说明。
本说明书中的基于工作情况实时分析的质量工作预测系统是由计算机设备构成的系统。系统的模块之间通信连接,以实现数据交互。如图1所示,本说明书中的系统包括:信息获取模块、建模模块、模型处理模块、信息处理模块、以及预测模块。现就几个模块分别进行说明:
1)信息获取模块。
信息获取模块,配置为:确定待分析的质量工作事件,以及实时地获取距当前时刻第一指定时长的历史时间段内生成的、针对所述质量工作事件的部分历史的信息,作为样本信息。
本说明书中的信息获取模块可以和若干个(一个或一个以上)信息平台通信连接,以将信息平台作为数据源,进而获取到信息。相关技术中具备信息发布功能的网站、机构、介质,均可作为本说明书中的信息平台。示例性地,某某贴吧、某某论坛即为本说明书中的信息平台。
本说明书中的质量工作事件是由事件发布方发布的一条信息(可称为事件信息)。事件发布方可以是诸如企业之类的机构,也可以是诸如某某公益会这样的团体。由于质量工作事件是由一方对信息表达的含义的一定程度的揣测和归纳,则使得执行质量工作事件得到的结果具有一定的预测的性质。
示例性地,事件信息可以是:某日起组织团建。信息可以是:上周已经团建过了。得到的预测结果是:事件信息传达了不合理的信息。
在本说明书一个可选的实施例中,第一指定时长可以是预设的时长,例如2天、3周等。若第一指定时长是2天,则历史的信息即为过去两天内生成的针对质量工作事件的信息。
本步骤中得到的样本信息并非信息获取模块获取到的全部信息,也就是说,样本信息的信息量交全部的信息的信息量要少。
在本说明书一个可选的实施例中,可以实时地获取距当前时刻第一指定时长的历史时间段内生成的、针对所述质量工作事件的历史的信息;对所述历史的信息进行随机采样(在其他可选的实施例中,还可以采用均匀分布采样、离散分布采样等),得到第一备选信息;从所述第一备选信息中筛选出指定数量个,作为样本信息,使得任意两个样本信息的生成时刻之间的时间间隔不小于第二指定时长。
在该实施例中,由于任意两个样本信息之间的时间间隔均不小于第二指定时长,使得得到的样本信息能够体现出信息对质量工作事件的态度随时间发生的变化。由于,样本信息是采样得到的,具有一定的随机性,则样本信息能够较为从较为广泛的维度覆盖民意。
示例性地,本说明书中的维度可以包含:发布所述信息的时刻、所述信息与所述质量工作事件的匹配度、发布所述信息的用户的画像、发布所述信息的信息平台的属性、所述信息的情感极性。
关于匹配度,相关技术中可以用于确定信息之间的匹配度的技术手段,在条件允许的情况下,均适用于本说明书。继续前述关于团建的实施例,假如一条信息是:团建很好,但是时间不合适。该信息确实是针对该质量工作事件的,且明确表达了是针对“时间”这一要素的观点,该信息对质量工作事件的针对性较强,且表达明确,则其与质量工作事件的匹配度较高。假如一信息是:啥啊。该信息可能未必是针对该质量工作事件的,而且其具体语义不详,则其与质量工作事件的匹配度不高。
关于用户的画像。用户即为信息的发布者。实际上,用户的画像是对多个维度的概括。
关于信息平台的属性。信息平台的属性可以是以下任一种,娱乐、论坛、企业内部网站、邮件等。
在本说明书进一步可选的实施例中,所述第二指定时长与所述第一指定时长正相关、且所述指定数量与所述第一指定时长正相关。在该实施例中,在第一指定时长和第二指定时长之间建立关联性,能够有效保障得到的样本信息在时间上的分布的均匀性,能够有效地提高样本信息对民意随时间变化的表征能力。在指定数量和第一指定时长之间建立关联性,能够有效的保障样本对民意表达的覆盖范围。进而保障输出的预测结果的准确性和客观性。
在其他可选的实施例中,所述指定数量还与指定相似度负相关;所述指定相似度是对所述历史的信息进行随机采样时,任意相邻两次采样得到第一备选信息之间的相似度的最大值。
2)建模模块。
建模模块,配置为:为所述质量工作事件建立多维空间待定模型,所述多维空间待定模型包含模型边界和所述模型边界圈选的模型空间。
本说明书中的模型(包含本步骤中的多维空间待定模型、以及后续步骤中的中间模型等),可以理解为由模型边界围起来的一个多维体。该多维体内部的多维空间即为模型空间。模型空间中应填充有特征点,本步骤中的多维空间待定模型中尚未填充有特征点。在即将得到的中间模型、目标模型中是填充有特征点的。在目标模型中,宏观来看,特征点在模型空间中分布是不均匀的,导致模型空间中不同区域的特征点的分布密度不同。本步骤建立的多维空间待定模型各个维度的权重值初始值为1。在后续步骤中,会对维度的权重值进行调整。特征点在不同维度的取值(加权之后的)即为特征点在对应维度的坐标。模型边界可以理解为模型在各个维度的取值范围,可以是预设的。示例性地,如图2所示的多维空间待定模型的示意图,v1至vm是m个维度,w1至wm是m个权重值,多维空间待定模型中的一列即为一个特征点在模型空间中的坐标。由于多维空间待定模型中此时无特征点,则各个特征值均为Null,可以理解为模型空间中处处为空。
3)模型处理模块。
模型处理模块,配置为:将建立所述多维空间待定模型时采用的部分维度,作为目标维度;确定所述样本信息分别对应于每个目标维度的特征值,所述特征值用于表征所述样本信息对应的特征点在所述模型空间内的坐标;以将所述样本信息对应的特征点均匀分布在所述模型空间中为目标,对所述样本信息对应的特征点在除所述目标维度以外的其他维度上的特征值进行拟合,根据拟合得到的结果,为除所述目标维度以外的其他维度分别制定其各自的权重值,得到中间模型。
在本说明书一个可选地实施例中,可以对多维空间待定模型对应的各个维度进行采样(例如随机采样等),得到目标维度。在本说明书另一个可选的实施例中,可以根据预设的业务目标确定目标维度,示例性地,将业务目标表示出的关注度最高的维度作为目标维度。
确定特征值的过程即为对信息的某一个维度的属性进行量化的过程,在相关技术中,能够实现信息量化的技术手段,在条件允许的情况下,均适用于本说明书。由于量化手段众多,在此不一一例举。
示例性地,对情感极性这一维度,模型边界表示出的取值范围是[1,100],其中“1”表示极端的消极情感,“100”表示极端的积极情感,则前述的信息:团建很好,但是时间不合适,在情感极性这一维度的特征值可能是50。
仍然以情感极性这一维度为例,假如样本信息共10个,在情感极性特征值这一维度的特征值取值为“20”的样本信息有6个、取值为“40”的样本信息有4个,可见样本信息在情感极性维度的特征值的分布集中在[20,40]这个区间。此时应该对情感极性这个维度设置权重值,使得[20,40]这个区间经加权之后接近于[1,100],将该权重值作为情感极性维度的权重值。在相关技术中,能够实现取值区间的拟合的技术手段众多,在此不一一例举。本说明书仅以情感极性维度作为示例,对拟合的过程进行说明,针对其他维度,也采用相同的拟合方式。
基于前述的样本信息的获取方式,通过本步骤得到的中间模型至少能够在维度的“广度”方面,较大程度的对信息可能的走向进行覆盖。试想,在情感极性这个维度,将权重值设定后的特征值在取值为40时可以被等同于效果为80。若线上使用时,出现了一条信息的未加权的特征值是70,远高于此前的最大值40,则其经权重值加权之后将接近于最大值100,远高于未加权之前的70,进而使得该信息表达的情感极性更为突出、更容易为察觉到,进而体现在预测结果中。为避免特征值加权之后超过模型边界,在一个可选的实施例中,在对各个信息的特征值进行加权之后,还对加权的结果进行归一化。
本说明书中的模型处理模块旨在得到中间模型。示例性的,中间模型可以如图3所示,中间模型中已经有部分位置出现了特征点(即,特征值不为null)。
4)信息处理模块。
信息处理模块,配置为:确定所述历史的信息在所述中间模型对应的各个维度的特征值,得到所述历史的信息对应的特征点;将所述历史的信息对应的特征点添加至所述中间模型中,得到目标模型;
信息处理模块的主要功能是基于对信息进行的处理,使得中间模型更适于线上使用,进而得到目标模型。信息处理模块进行信息处理时采用的是前述步骤中获取到的所有的历史的信息,而非仅仅是样本信息。经所有的历史的信息各自对应的特征点填充的模型(即,目标模型),各特征点在模型空间中的分布,即能够体现出历史信息的趋势。
5)预测模块。
预测模块,配置为:基于所述目标模型对目标信息进行处理,得到针对所述质量工作事件的预测结果;所述目标信息是:针对所述质量工作事件、且在所述当前时刻之后生成的信息。
在得到目标模型之后,即可以将目标模型应用于线上。此时,信息获取模块继续获取信息(该信息可以是从前述的信息平台获取到的,也可以是从其他的信息平台获取到的)。通过预测模块得到的预测结果能够确定出信息走向。例如,以用户的画像中的性别维度为例。在当前时刻之前,针对某一质量工作事件的信息中,发布信息的用户男性为主,此后女性用户逐渐增加。女性用户增加的趋势即为预测结果的构成之一。
在本说明书一个可选的实施例中,预测模块进行预测的过程可以是:确定所述历史的信息对应的特征点在所述目标模型的模型空间中的分布密度,作为基准密度;基于所述目标模型在所述维度上的权重值,确定所述目标信息在所述模型空间中的特征点,作为目标点;确定所述目标点在所述目标模型的模型空间中的分布密度,作为目标密度;根据所述基准密度和所述目标密度的差异,得到针对所述质量工作事件的预测结果;所述预测结果表示出所述目标信息相较于所述历史的信息在不同维度上的变化趋势。
在本说明书一个可选的实施例中,在当前时刻之后生成的所有信息均可以作为本说明书中的目标信息。此时的目标信息用于识别信息走向。
在另一个可选的实施例中,当前时刻之后生成的所有信息中的一部分,可以作为本说明书中的目标信息。此时的目标信息用于识别信息走向,而除目标信息以外的信息用于对目标模型进行修正。
现就如何在修正目标模型的实施例中筛选出目标信息进行说明。预测模块获取针对所述质量工作事件、且在所述当前时刻之后生成的信息,作为第二备选信息;基于预设的语义模型,从所述第二备选信息中,确定出语义不清的信息,作为待定信息;将所述第二备选信息中除所述待定信息以外的信息,作为目标信息。相关技术中用于语义识别的语义模型,在条件允许的情况下,均适用于本说明书。例如,前述示例中的信息:啥啊。就属于语义不清的信息。
之后,预测模块基于所述目标模型在所述维度上的权重值,确定所述待定信息在所述模型空间中的特征点,作为待定点;确定所述待定点在所述目标模型的模型空间中的分布密度,作为待定密度;若所述待定密度和所述目标密度的差异,与所述基准密度和所述目标密度的差异大于预设的差异阈值,则生成调整指令,发送至所述信息获取模块。
若待定密度和所述目标密度的差异,与所述基准密度和所述目标密度的差异大于预设的差异阈值,则说明待定信息表明其至少一个维度上的属性相较于确定目标模型时采用历史的信息、或者目标信息出现较为鲜明的差异。示例性地,在历史的信息和目标信息中,用户多为30岁以上的人;而待定信息的用户的年龄多为20岁以下,表明年龄更小的人群开始加入到对质量工作事件的讨论中,这些较为年轻的用户在进行表达,虽然语义尚不十分明确,但是这一动向值得关注,此前生成的目标模型已经不再适于预测这些较为年轻的用户的信息了。
此后,信息获取模块在所述调整指令的触发下,基于生成时刻早于所述待定信息的信息,重新生成样本信息,发送至所述模型处理模块,使得所述模型处理模块根据所述重新生成的样本信息重新生成中间模型,信息处理模块根据所述重新生成的所述中间模型,重新生成目标模型,以实现对目标模型的修正。
重新生成目标模型主要的目的之一是重新制定各个维度的权重值。在该实施例中,对模型的修正采用的是生成时刻早于所述待定信息的历史的信息,这些信息相较于待定信息是历史的信息,但不至于过于久远。待定信息的主要作用是判断触发模型修正的时刻。通常情况下,待定信息是会被舍弃的,这就使得待定信息所传达的内容通常不会体现在目标模型中。一方面,若这些待定信息的确是由于非法的攻击行为形成的,那么对其进行舍弃能够降低攻击造成的风险;另一方面,若待定信息是基于合法行为生成的,只是由于用户群体的某方面特征(例如年龄较小,没有完成相当的教育,导致语言表达条理性不强)造成的这些信息语义不详,那直接舍弃将有损于预测结果的全面性。倘若已经有用户关注到待定信息传达的内容,则应该存在除发布待定信息的用户以外的其他用户也开始针对质量工作事件活跃起来,也就是说,信息的风向有发生转变的预兆,应当对模型进行修正。可见,该实施例对模型修正的时机的设计,能够提高目标模型对信息风向变化的敏感程度。
在本说明书进一步可选的实施例中,可以预先地将模型空间划分为若干个模型区域,在执行模型修正之前,首先确定待定信息对应的特征点在不同的模型区域中的分布密度的最大取值和第二大取值之间的差值,判断该差值是否大于预设的差值阈值,若是,则在模型修正过程中重新确定目标维度,使得通过采样的方式得到的目标维度的数量不小于总的目标维度的数量的半数。若否,则沿用此前的目标维度。若重新确定目标维度之后,在得到的修正后的目标模型中,重新得到的差值仍大于预设的差值阈值,则再次重新确定目标维度,直至判断结果为否。
能够理解,上述基于工作情况实时分析的质量工作预测系统,能够实现前述实施例中提供的基于工作情况实时分析的质量工作预测系统的技术效果,关于基于工作情况实时分析的质量工作预测系统对应的方法,此处不再赘述。
图4是本申请的一个实施例电子设备的结构示意图。请参考图4,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成一种基于工作情况实时分析的质量工作预测装置。处理器,执行存储器所存放的程序,并具体用于执行前述任意一种基于工作情况实时分析的质量工作预测系统执行的方法步骤。
上述如本申请图1所示实施例揭示的一种基于工作情况实时分析的质量工作预测系统执行的方法步骤可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述系统执行的方法步骤。
该电子设备还可执行图1中一种基于工作情况实时分析的质量工作预测系统执行的方法步骤,并实现图1所示实施例的功能,本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,执行前述的任意一种基于工作情况实时分析的质量工作预测系统执行的方法步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种基于工作情况实时分析的质量工作预测系统,其特征在于,所述系统包括:
信息获取模块,配置为:确定待分析的质量工作事件,以及实时地获取距当前时刻第一指定时长的历史时间段内生成的、针对所述质量工作事件的部分历史的舆论信息,作为样本信息;其中,所述质量工作事件是由事件发布方发布的一条信息;
建模模块,配置为:为所述质量工作事件建立多维空间待定模型,所述多维空间待定模型包含模型边界和所述模型边界圈选的模型空间;其中,所述模型边界为所述多维空间待定模型在各个维度的取值范围;所述维度包含:发布所述舆论信息的时刻、所述舆论信息与所述质量工作事件的匹配度、发布所述舆论信息的用户的画像、发布所述舆论信息的信息平台的属性、所述舆论信息的情感极性;
模型处理模块,配置为:将建立所述多维空间待定模型时采用的部分所述维度,作为目标维度;确定所述样本信息分别对应于每个所述目标维度的特征值,所述特征值用于表征所述样本信息对应的特征点在所述模型空间内的坐标;以将所述样本信息对应的特征点均匀分布在所述模型空间中为目标,对所述样本信息对应的所述特征点在除所述目标维度以外的其他维度上的特征值进行拟合,根据所述拟合得到的结果,为除所述目标维度以外的其他维度分别制定其各自的权重值,得到中间模型;
信息处理模块,配置为:确定所述历史的舆论信息在所述中间模型对应的各个维度的特征值,得到所述历史的舆论信息对应的特征点;将所述历史的舆论信息对应的特征点添加至所述中间模型中,得到目标模型;
预测模块,配置为:基于所述目标模型对目标信息进行处理,得到针对所述质量工作事件的预测结果;所述目标信息是:针对所述质量工作事件、且在所述当前时刻之后生成的舆论信息;其中,所述预测结果用于表征所述质量工作事件的合理性,和/或,针对所述质量工作事件的舆论走向;所述预测模块确定所述历史的舆论信息对应的特征点在所述目标模型的模型空间中的分布密度,作为基准密度;基于所述目标模型在所述维度上的权重值,确定所述目标信息在所述模型空间中的特征点,作为目标点;确定所述目标点在所述目标模型的模型空间中的分布密度,作为目标密度;根据所述基准密度和所述目标密度的差异,得到针对所述质量工作事件的预测结果,所述预测结果表示出所述目标信息相较于所述历史的舆论信息在不同维度上的变化趋势。
2.如权利要求1所述系统,其特征在于,所述信息获取模块具体配置为:
实时地获取距当前时刻第一指定时长的历史时间段内生成的、针对所述质量工作事件的历史的舆论信息;
对所述历史的舆论信息进行随机采样,得到第一备选信息;
从所述第一备选信息中筛选出指定数量个,作为所述样本信息,使得任意两个所述样本信息的生成时刻之间的时间间隔不小于第二指定时长。
3.如权利要求2所述系统,其特征在于,所述第二指定时长与所述第一指定时长正相关、且所述指定数量与所述第一指定时长正相关。
4.如权利要求3所述系统,其特征在于,所述指定数量还与指定相似度负相关;所述指定相似度是对所述历史的舆论信息进行随机采样时,任意相邻两次采样得到第一备选信息之间的相似度的最大值。
5.如权利要求1所述系统,其特征在于,所述预测模块具体配置为:
获取针对所述质量工作事件、且在所述当前时刻之后生成的舆论信息,作为第二备选信息;
基于预设的语义模型,从所述第二备选信息中,确定出语义不清的信息,作为待定信息;
将所述第二备选信息中除所述待定信息以外的信息,作为所述目标信息。
6.如权利要求5所述系统,其特征在于,所述预测模块还配置为:
基于所述目标模型在所述维度上的权重值,确定所述待定信息在所述模型空间中的特征点,作为待定点;
确定所述待定点在所述目标模型的模型空间中的分布密度,作为待定密度;
若所述待定密度和所述目标密度的差异,与所述基准密度和所述目标密度的差异大于预设的差异阈值,则生成调整指令,发送至所述信息获取模块。
7.如权利要求6所述系统,其特征在于,所述信息获取模块还配置为:
在所述调整指令的触发下,基于生成时刻早于所述待定信息的舆论信息,重新生成样本信息,发送至所述模型处理模块,使得所述模型处理模块根据所述重新生成的样本信息重新生成中间模型。
8.如权利要求7所述系统,其特征在于,所述信息处理模块还配置为:
根据所述重新生成的所述中间模型,重新生成目标模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310415264.2A CN116187094B (zh) | 2023-04-18 | 2023-04-18 | 一种基于工作情况实时分析的质量工作预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310415264.2A CN116187094B (zh) | 2023-04-18 | 2023-04-18 | 一种基于工作情况实时分析的质量工作预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116187094A CN116187094A (zh) | 2023-05-30 |
CN116187094B true CN116187094B (zh) | 2023-07-04 |
Family
ID=86434737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310415264.2A Active CN116187094B (zh) | 2023-04-18 | 2023-04-18 | 一种基于工作情况实时分析的质量工作预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116187094B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608200A (zh) * | 2015-12-28 | 2016-05-25 | 湖南蚁坊软件有限公司 | 一种网络舆论趋势预测分析方法 |
CN113342972A (zh) * | 2021-05-24 | 2021-09-03 | 支付宝(杭州)信息技术有限公司 | 舆情识别模型训练方法、系统以及舆情风险监测方法和系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005106656A2 (en) * | 2004-04-16 | 2005-11-10 | Fortelligent, Inc. | Predictive modeling |
US8762298B1 (en) * | 2011-01-05 | 2014-06-24 | Narus, Inc. | Machine learning based botnet detection using real-time connectivity graph based traffic features |
CN104850893A (zh) * | 2014-12-01 | 2015-08-19 | 厦门易联创质检技术服务有限公司 | 基于三维评价与时域追溯的质量感知信息管理方法和系统 |
CN109272396B (zh) * | 2018-08-20 | 2023-05-02 | 平安科技(深圳)有限公司 | 客户风险预警方法、装置、计算机设备和介质 |
US11552976B2 (en) * | 2018-10-15 | 2023-01-10 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for social network analysis on dark web forums to predict enterprise cyber incidents |
CN110322349B (zh) * | 2019-06-25 | 2023-08-22 | 创新先进技术有限公司 | 一种数据的处理方法、装置及设备 |
CN110534192B (zh) * | 2019-07-24 | 2023-12-26 | 大连理工大学 | 一种基于深度学习的肺结节良恶性识别方法 |
CN112750203B (zh) * | 2021-01-21 | 2023-10-31 | 脸萌有限公司 | 模型重建方法、装置、设备及存储介质 |
CN115048487B (zh) * | 2022-05-30 | 2024-05-03 | 平安科技(深圳)有限公司 | 基于人工智能的舆情分析方法、装置、计算机设备及介质 |
CN115907144A (zh) * | 2022-11-21 | 2023-04-04 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种事件的预测方法、装置、终端设备以及存储介质 |
-
2023
- 2023-04-18 CN CN202310415264.2A patent/CN116187094B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608200A (zh) * | 2015-12-28 | 2016-05-25 | 湖南蚁坊软件有限公司 | 一种网络舆论趋势预测分析方法 |
CN113342972A (zh) * | 2021-05-24 | 2021-09-03 | 支付宝(杭州)信息技术有限公司 | 舆情识别模型训练方法、系统以及舆情风险监测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116187094A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7210531B2 (ja) | ニューラルアーキテクチャ検索 | |
EP3893154A1 (en) | Recommendation model training method and related apparatus | |
CN110619423A (zh) | 多任务预测方法、装置、电子设备及存储介质 | |
US20150095267A1 (en) | Techniques to dynamically generate real time frequently asked questions from forum data | |
WO2019114423A1 (zh) | 对模型预测值进行融合的方法、装置和设备 | |
WO2019205325A1 (zh) | 确定用户风险等级的方法、终端设备及计算机可读存储介质 | |
CN104679646B (zh) | 一种用于检测sql代码缺陷的方法和装置 | |
CN110955903B (zh) | 基于智能图计算的隐私资源权限控制方法、装置及设备 | |
WO2022156731A1 (zh) | 信息处理方法及装置、服务器及用户设备 | |
CN110743169B (zh) | 基于区块链的防作弊方法及系统 | |
CN116362823A (zh) | 用于行为稀疏场景的推荐模型训练方法、推荐方法及装置 | |
CN116187094B (zh) | 一种基于工作情况实时分析的质量工作预测系统 | |
CN113420323A (zh) | 数据共享方法及终端设备 | |
CN110502635B (zh) | 信息质量评价方法及装置 | |
CN110969549B (zh) | 一种司法数据处理方法及系统 | |
CN116738293A (zh) | 一种业务评价处理方法、装置及电子设备 | |
CN113269259B (zh) | 一种目标信息的预测方法及装置 | |
CN114547116A (zh) | 一种数据推送方法、装置、设备和介质 | |
CN111858862B (zh) | 一种答复推荐方法、答复推荐装置及电子设备 | |
CN113627148A (zh) | 一种知识库中知识的自动关联方法及装置 | |
CN110942192A (zh) | 犯罪概率的确定方法及装置 | |
CN112100025A (zh) | 一种日志精简方法、装置、电子设备和计算机可读介质 | |
US20140181210A1 (en) | Platform System | |
CN108255892B (zh) | Cookie生命周期的计算方法及装置 | |
CN110705736A (zh) | 宏观经济预测方法、装置、计算机设备及存储介质 |
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 |