CN116595224A - 针对在线业务会话的大数据存储优化方法及服务器 - Google Patents
针对在线业务会话的大数据存储优化方法及服务器 Download PDFInfo
- Publication number
- CN116595224A CN116595224A CN202310362684.9A CN202310362684A CN116595224A CN 116595224 A CN116595224 A CN 116595224A CN 202310362684 A CN202310362684 A CN 202310362684A CN 116595224 A CN116595224 A CN 116595224A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- service session
- data
- session information
- linear
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 84
- 238000013500 data storage Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 claims abstract description 106
- 238000000605 extraction Methods 0.000 claims description 114
- 230000008030 elimination Effects 0.000 claims description 69
- 238000003379 elimination reaction Methods 0.000 claims description 69
- 238000009826 distribution Methods 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 54
- 238000012216 screening Methods 0.000 claims description 26
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 40
- 238000012502 risk assessment Methods 0.000 description 28
- 206010000117 Abnormal behaviour Diseases 0.000 description 26
- 238000012512 characterization method Methods 0.000 description 22
- 230000004927 fusion Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 7
- 230000009467 reduction Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000007906 compression Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本申请涉及大数据和智慧业务技术领域,提供一种针对在线业务会话的大数据存储优化方法及服务器,在对业务会话信息进行优化存储标签确定时,不但要判断业务会话信息中的活动事件对应的记录数据是否存在异常,还需要在活动事件对应的记录数据存在异常时,结合去冗余策略线性知识对待处理业务会话信息的数据存储需求进行解析,从而依据数据存储需求信息来对待处理业务会话信息进行优化存储标签确定。这样一来,可以提高业务会话信息的优化存储标签确定精度。如此,能够通过大数据优化存储标签指导待处理业务会话信息的优化存储,从而减少存储压力,并尽可能保障待处理业务会话信息的可用性。
Description
技术领域
本申请涉及大数据和智慧业务技术领域,尤其涉及一种针对在线业务会话的大数据存储优化方法及服务器。
背景技术
大数据和人工智能时代下的数据信息存储成为日常生活、工作中的一个重要环节。随着各类智慧业务数据信息的暴增,相关数据存储技术所面临的存储压力也越来越大。诸如智慧城市管理业务、数字化虚拟空间业务等智慧业务的数据信息呈指数级增长,而为了缓解存储压力,对业务数据信息进行优化存储成为现在的工作重点。
发明内容
本申请提供一种针对在线业务会话的大数据存储优化方法及服务器,为实现上述技术目的,本申请采用如下技术方案。
第一方面是一种针对在线业务会话的大数据存储优化方法,应用于大数据优化服务器,所述方法包括:
响应于待处理业务会话信息中活动事件对应的记录数据存在异常,获取所述待处理业务会话信息对应的目标冗余数据去除策略;
对所述待处理业务会话信息和所述目标冗余数据去除策略进行AI知识提炼,得到所述待处理业务会话信息的业务会话线性知识和所述目标冗余数据去除策略的去冗余策略线性知识;
对所述待处理业务会话信息的业务会话线性知识和所述目标冗余数据去除策略的去冗余策略线性知识进行AI知识聚合,得到目标联动优化决策知识;
依据所述目标联动优化决策知识对所述待处理业务会话信息的数据存储需求进行解析,得到数据存储需求信息;
结合所述数据存储需求信息确定所述待处理业务会话信息的大数据优化存储标签。
在一些可能的示例中,所述对所述待处理业务会话信息和所述目标冗余数据去除策略进行AI知识提炼,得到所述待处理业务会话信息的业务会话线性知识和所述目标冗余数据去除策略的去冗余策略线性知识,包括:通过AI知识提炼单元对所述待处理业务会话信息和所述目标冗余数据去除策略进行AI知识提炼;
所述AI知识提炼单元包括业务会话处理模型和去冗余策略处理模型,所述通过AI知识提炼单元对所述待处理业务会话信息和所述目标冗余数据去除策略进行AI知识提炼,包括:采用完成调试的业务会话处理模型对所述待处理业务会话信息进行业务会话信息的AI知识提炼,得到所述待处理业务会话信息的业务会话线性知识;采用完成调试的去冗余策略处理模型对所述目标冗余数据去除策略进行冗余数据去除策略的AI知识提炼,得到所述目标冗余数据去除策略的去冗余策略线性知识。
在一些可能的示例中,所述通过AI知识提炼单元对所述待处理业务会话信息和所述目标冗余数据去除策略进行AI知识提炼之前,还包括:
获取初始AI算法,所述初始AI算法包括AI知识提炼单元、AI知识分析单元和AI知识生成单元;
获取样本数据集,所述样本数据集包括业务会话信息样本和所述业务会话信息样本对应的冗余数据去除策略样本;
结合所述业务会话信息样本调试初始的业务会话处理模型,得到完成调试的业务会话处理模型;
结合所述冗余数据去除策略样本调试初始的去冗余策略处理模型,得到完成调试的去冗余策略处理模型;
采用所述完成调试的业务会话处理模型和所述完成调试的去冗余策略处理模型,对所述业务会话信息样本和所述冗余数据去除策略样本进行AI知识提炼,得到所述业务会话信息样本的业务会话线性知识和所述冗余数据去除策略样本的去冗余策略线性知识;
结合所述业务会话信息样本的业务会话线性知识和所述冗余数据去除策略样本的去冗余策略线性知识调试初始的AI知识分析单元和AI知识生成单元,得到完成调试的AI知识分析单元和AI知识生成单元。
在一些可能的示例中,所述完成调试的业务会话处理模型包括低阶AI知识提炼单元、AI知识筛选单元、高阶AI知识提炼单元和AI知识下采样单元,采用完成调试的业务会话处理模型对所述待处理业务会话信息进行业务会话信息的AI知识提炼,得到所述待处理业务会话信息的业务会话线性知识,包括:
采用所述低阶AI知识提炼单元对所述待处理业务会话信息进行低阶AI知识提炼,得到低阶业务会话线性知识;
采用所述AI知识筛选单元对所述低阶业务会话线性知识进行筛选,得到业务会话筛选知识;
采用所述高阶AI知识提炼单元对所述业务会话筛选知识进行高阶AI知识提炼,得到高阶业务会话线性知识;
采用所述AI知识下采样单元对所述高阶业务会话线性知识进行知识降采样,得到所述待处理业务会话信息的业务会话线性知识。
在一些可能的示例中,所述采用所述AI知识筛选单元对所述低阶业务会话线性知识进行筛选,得到业务会话筛选知识,包括:
基于所述低阶业务会话线性知识进行滑动处理,得到知识滑动窗口,其中,所述知识滑动窗口与原始知识窗口存在重叠;
对所述低阶业务会话线性知识上的知识滑动窗口进行筛选处理,得到业务会话筛选知识。
在一些可能的示例中,所述高阶AI知识提炼单元包括多个局部AI知识提炼单元,所述采用所述高阶AI知识提炼单元对所述业务会话筛选知识进行高阶AI知识提炼,得到高阶业务会话线性知识,包括:
将当前局部AI知识提炼单元生成的AI线性知识关系网与上一局部AI知识提炼单元生成的AI线性知识关系网进行AI知识聚合,得到联动优化决策知识关系网;
将所述联动优化决策知识关系网加载到后一局部AI知识提炼单元进行高阶AI知识提炼;
获取末尾局部AI知识提炼单元生成的AI线性知识关系网,得到高阶业务会话线性知识。
在一些可能的示例中,所述将当前局部AI知识提炼单元生成的AI线性知识关系网与上一局部AI知识提炼单元生成的AI线性知识关系网进行AI知识聚合,包括:
当当前局部AI知识提炼单元生成的AI线性知识关系网与上一局部AI知识提炼单元生成的AI线性知识关系网的尺寸不相同时,结合当前局部AI知识提炼单元中设定的滑动平均单元,对当前局部AI知识提炼单元生成的AI线性知识关系网进行滑动平均处理,以扩展当前局部AI知识提炼单元生成的AI线性知识关系网的尺寸;
对扩展尺寸后的当前局部AI知识提炼单元生成的AI线性知识关系网与上一局部AI知识提炼单元生成的AI线性知识关系网进行加权。
在一些可能的示例中,所述采用所述去冗余策略处理模型对所述目标冗余数据去除策略进行冗余数据去除策略的AI知识提炼,得到所述目标冗余数据去除策略的去冗余策略线性知识,包括:
提取所述目标冗余数据去除策略的去除规则要素特征、去除规则分布特征和策略反馈特征;
对所述目标冗余数据去除策略的去除规则要素特征、去除规则分布特征和策略反馈特征进行特征知识连接,得到所述目标冗余数据去除策略的去冗余策略线性知识。
在一些可能的示例中,所述对所述待处理业务会话信息的业务会话线性知识和所述目标冗余数据去除策略的去冗余策略线性知识进行AI知识聚合,得到目标联动优化决策知识,包括:
将所述待处理业务会话信息的业务会话线性知识的第一知识成员集与所述目标冗余数据去除策略的去冗余策略线性知识的第二知识成员集进行知识连接,得到目标联动优化决策知识。
在一些可能的示例中,所述结合所述数据存储需求信息确定所述待处理业务会话信息的大数据优化存储标签,包括:
当所述数据存储需求信息为设定数据存储需求时,确定所述待处理业务会话信息的大数据优化存储标签属于第一优化存储标签;
当所述数据存储需求信息为空时,确定所述待处理业务会话信息的大数据优化存储标签属于第二优化存储标签。
在一些可能的示例中,还包括:
当所述待处理业务会话信息的大数据优化存储标签属于第一优化存储标签时,对所述待处理业务会话信息进行数据共享;
当检测到待处理业务会话信息中活动事件对应的记录数据不存在异常时,对所述待处理业务会话信息进行数据共享。
在一些可能的示例中,所述对所述待处理业务会话信息进行数据共享,包括:
确定在线业务大数据的第一数据共享置信度,所述在线业务大数据中包括所述待处理业务会话信息和所述目标冗余数据去除策略;
依据所述第一优化存储标签与共享数据库之间的匹配特征,确定所述待处理业务会话信息的大数据优化存储标签所对应的目标共享数据库;
将所述在线业务大数据添加到所述目标共享数据库中;
确定数据请求系统的共享请求标识;当所述数据请求系统的共享请求标识指向所述目标共享数据库时,结合所述第一数据共享置信度向所述数据请求系统共享所述在线业务大数据。
在一些可能的示例中,所述方法还包括:
如果所述大数据优化存储标签表征所述数据存储需求信息与所述活动事件所对应的缺失信息无关,则根据所述数据存储需求信息对所述待处理业务会话信息进行去冗余存储;
如果所述大数据优化存储标签表征所述数据存储需求信息与所述活动事件所对应的缺失信息相关,则拒绝执行所述待处理业务会话信息的去冗余存储。
第二方面是一种大数据优化服务器,包括存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;其中,当所述处理器执行所述计算机指令时,使得所述大数据优化服务器执行第一方面的方法。
第三方面是一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在运行时执行第一方面的方法。
在本申请中,当检测到待处理业务会话信息中的活动事件对应的记录数据存在异常时,则获取待处理业务会话信息对应的目标冗余数据去除策略,结合业务会话信息和冗余数据去除策略两个关注面的特征知识,对待处理业务会话信息的数据存储需求进行解析,结合得到的数据存储需求信息对待处理业务会话信息进行优化存储标签确定,得到业务会话信息的优化存储标签。即在对业务会话信息进行优化存储标签确定时,不但要判断业务会话信息中的活动事件对应的记录数据是否存在异常,还需要在活动事件对应的记录数据存在异常时,结合去冗余策略线性知识对待处理业务会话信息的数据存储需求进行解析,从而依据数据存储需求信息来对待处理业务会话信息进行优化存储标签确定。这样一来,可以提高业务会话信息的优化存储标签确定精度。如此,能够通过大数据优化存储标签指导待处理业务会话信息的优化存储,从而减少存储压力,并尽可能保障待处理业务会话信息的可用性。
附图说明
图1为本申请实施例提供的针对在线业务会话的大数据存储优化方法的流程示意图。
具体实施方式
以下,术语“第一”、“第二”和“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”或“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。
图1示出了本申请实施例提供的针对在线业务会话的大数据存储优化方法的流程示意图,针对在线业务会话的大数据存储优化方法可以通过大数据优化服务器实现,大数据优化服务器可以包括存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;其中,当所述处理器执行所述计算机指令时,使得所述大数据优化服务器执行步骤11-步骤15。
步骤11、响应于待处理业务会话信息中活动事件对应的记录数据存在异常,获取待处理业务会话信息对应的目标冗余数据去除策略。
在本发明实施例中,待处理业务会话信息为流式的在线业务大数据中的业务会话信息,该在线业务大数据可以包括不同类型的业务数据。目标冗余数据去除策略为与待处理业务会话信息存在联系的冗余数据去除策略,比如待处理业务会话信息为政企业务会话中的某一组业务会话信息,则目标冗余数据去除策略为该政企业务会话的冗长的企业命名的简化策略,再如,待处理业务会话信息为互联网金融业务会话中的问答记录,则目标冗余数据去除策略可以为互联网金融业务会话的相同问答的去重规则。
大数据优化服务器可以从业务平台服务器处获取待处理业务会话信息和目标冗余数据去除策略;或者,大数据优化服务器可以从其他系统中获取待处理业务会话信息和目标冗余数据去除策略。比如,假设用户终端通过业务平台服务器向大数据优化服务器上传政企业务会话,大数据优化服务器获取到该政企业务会话后,可以从该政企业务会话中选取多组业务会话信息形成业务会话信息集;其中,待处理业务会话信息可以为该业务会话信息集中的任一业务会话信息,目标冗余数据去除策略为该政企业务会话的冗长的企业命名的简化策略。
进一步地,待处理业务会话信息中的活动事件为业务会话信息中的会话交互事件,比如业务办理事件、业务咨询事件等。活动事件对应的记录数据存在异常表示了业务会话信息中的活动事件对应的记录数据存在错误或者丢失。比如活动事件是业务办理事件时,正常的业务办理事件应该包括业务请求数据、身份认证数据、服务应答数据和回访反馈数据等;当待处理业务会话信息中业务办理事件没有服务应答数据时,待处理业务会话信息中活动事件对应的记录数据存在异常,即业务会话信息中活动事件不是完整的;当待处理业务会话信息中的业务办理事件包括所有环节数据,则待处理业务会话信息中活动事件对应的记录数据不存在异常。
在一些示例下,大数据优化服务器可以通过业务会话信息的检测网络来对业务会话信息中活动事件的异常状态/正常状态进行检测,得到待处理业务会话信息中活动事件的异常状态/正常状态。其中,该业务会话信息的检测网络可以为AI算法。
步骤12、对待处理业务会话信息和目标冗余数据去除策略进行AI知识提炼,得到待处理业务会话信息的业务会话线性知识和目标冗余数据去除策略的去冗余策略线性知识。
在本发明实施例中,待处理业务会话线性知识可以理解为待处理业务会话信息的用户行为文本向量、服务应答文本向量、会话时序文本向量和回访反馈文本向量等。去冗余策略线性知识表示了目标冗余数据去除策略中的去冗余规则向量。示例性的,待处理业务会话线性知识用于反映待处理业务会话信息的一系列特征信息,去冗余策略线性知识用于反映目标冗余数据去除策略的去冗余规则所对应的特征信息。
通过AI知识提炼单元对待处理业务会话信息和目标冗余数据去除策略进行AI知识提炼,AI知识提炼的示例性设计思路不限,可以通过如下设计思路实现。其中,AI知识提炼单元可以理解为特征提取单元或者特征提取层,本领域技术人员可知晓,关于AI知识的理解可以结合人工智能及其专家系统分支实现。
在一些示例下,AI知识提炼单元包括业务会话处理模型和去冗余策略处理模型,通过AI知识提炼单元对待处理业务会话信息和目标冗余数据去除策略进行AI知识提炼,可以通过如下步骤实现。
(1)大数据优化服务器采用完成调试的业务会话处理模型对待处理业务会话信息进行业务会话信息的AI知识提炼,得到待处理业务会话信息的业务会话线性知识。
其中,完成调试的业务会话处理模型包括低阶AI知识提炼单元、AI知识筛选单元、高阶AI知识提炼单元和AI知识下采样单元。比如,低阶AI知识提炼单元和高阶AI知识提炼单元分别对应浅层特征提取层和深层特征提取层,AI知识筛选单元可以理解为特征抽取层,AI知识下采样单元可以理解为特征池化层。
进一步地,采用完成调试的业务会话处理模型对待处理业务会话信息进行业务会话信息的AI知识提炼,得到待处理业务会话信息的业务会话线性知识,可以通过如下步骤实现:大数据优化服务器采用低阶AI知识提炼单元对待处理业务会话信息进行低阶AI知识提炼,得到低阶业务会话线性知识。采用AI知识筛选单元对低阶业务会话线性知识进行筛选,得到业务会话筛选知识。
比如,基于低阶业务会话线性知识进行滑动处理,得到知识滑动窗口,其中,知识滑动窗口与原始知识窗口存在重叠;对低阶业务会话线性知识上的知识滑动窗口进行筛选处理,得到业务会话筛选知识。进一步地,可以在低阶业务会话线性知识中进行滑动操作,从而得到知识滑动窗口,知识滑动窗口中包括至少部分低阶业务会话线性知识,相应的,原始知识窗口也包括至少部分低阶业务会话线性知识,在此基础上对低阶业务会话线性知识上的知识滑动窗口进行筛选处理,可以确保业务会话筛选知识(抽样特征)的准确性,避免业务会话筛选知识出现跳变。
大数据优化服务器采用高阶AI知识提炼单元对业务会话筛选知识进行高阶AI知识提炼,得到高阶业务会话线性知识。比如,高阶AI知识提炼单元包括多个局部AI知识提炼单元(子特征提取层)。比如,该高阶AI知识提炼单元可以包括多个Residual Node(残差节点),即每个局部AI知识提炼单元对应一个Residual Node。
示例性的,大数据优化服务器将当前局部AI知识提炼单元生成的AI线性知识关系网与上一局部AI知识提炼单元生成的AI线性知识关系网进行AI知识聚合,得到联动优化决策知识关系网;将联动优化决策知识关系网加载到后一局部AI知识提炼单元进行高阶AI知识提炼。
在本发明实施例中,AI线性知识关系网可以理解AI线性知识矩阵,AI知识聚合可以理解为特征融合处理,适应性的,联动优化决策知识关系网可以理解为完成融合的AI线性知识矩阵。
在当前局部AI知识提炼单元生成的AI线性知识关系网与上一局部AI知识提炼单元生成的AI线性知识关系网的尺寸不相同时,结合当前局部AI知识提炼单元中设定的滑动平均单元,对当前局部AI知识提炼单元生成的AI线性知识关系网进行滑动平均处理,以扩展当前局部AI知识提炼单元生成的AI线性知识关系网的尺寸;对扩展尺寸后的当前局部AI知识提炼单元生成的AI线性知识关系网与上一局部AI知识提炼单元生成的AI线性知识关系网进行加权。
在当前局部AI知识提炼单元生成的AI线性知识关系网与上一局部AI知识提炼单元生成的AI线性知识关系网的尺寸一致时,对当前局部AI知识提炼单元生成的AI线性知识关系网与上一局部AI知识提炼单元生成的AI线性知识关系网进行加权。
在本发明实施例中,上述尺寸可以作特征维度理解,滑动平均单元的功能和卷积单元的功能一致,用于实现特征矩阵的卷积处理。
大数据优化服务器获取末尾局部AI知识提炼单元生成的AI线性知识关系网,得到高阶业务会话线性知识。采用AI知识下采样单元对高阶业务会话线性知识进行知识降采样,得到待处理业务会话信息的业务会话线性知识。
可见,上述设计思路通过低阶AI知识提炼单元、AI知识筛选单元、高阶AI知识提炼单元和AI知识下采样单元的级联式处理,能够在保障业务会话线性知识的特征识别度的前提下,尽可能减少业务会话线性知识的存储和使用开销,还能够避免业务会话线性知识出现跳变。
(2)大数据优化服务器采用完成调试的去冗余策略处理模型对目标冗余数据去除策略进行冗余数据去除策略的AI知识提炼,得到目标冗余数据去除策略的去冗余策略线性知识。比如,大数据优化服务器提取目标冗余数据去除策略的去除规则要素特征、去除规则分布特征和策略反馈特征;对目标冗余数据去除策略的去除规则要素特征、去除规则分布特征和策略反馈特征进行特征知识连接,得到目标冗余数据去除策略的去冗余策略线性知识。
在本发明实施例中,去除规则要素特征、去除规则分布特征和策略反馈特征分别对应冗余去除的触发条件特征,冗余去除的先后执行顺序特征以及冗余去除的数据可用性特征。在上述基础上,通过将目标冗余数据去除策略在不同层面下的特征进行连接融合,能够保障去冗余策略线性知识的完整性和去冗余策略的细节表征能力。
通过AI知识提炼单元对待处理业务会话信息和目标冗余数据去除策略进行AI知识提炼之前,还执行以下步骤:获取初始AI算法,初始AI算法包括AI知识提炼单元、AI知识分析单元和AI知识生成单元;获取样本数据集,样本数据集包括业务会话信息样本和业务会话信息样本对应的冗余数据去除策略样本;即业务会话信息样本和冗余数据去除策略样本是二元组数据;通过二元组数据表达的细节特征来确定业务会话信息样本和冗余数据去除策略样本的标识,业务会话信息样本和冗余数据去除策略样本的标识是一一对应的。
进一步地,结合业务会话信息样本调试初始的业务会话处理模型,得到完成调试的业务会话处理模型;结合冗余数据去除策略样本调试初始的去冗余策略处理模型,得到完成调试的去冗余策略处理模型。采用完成调试的业务会话处理模型和完成调试的去冗余策略处理模型,对业务会话信息样本和冗余数据去除策略样本进行AI知识提炼,得到业务会话信息样本的业务会话线性知识和冗余数据去除策略样本的去冗余策略线性知识。结合业务会话信息样本的业务会话线性知识和冗余数据去除策略样本的去冗余策略线性知识调试初始的AI知识分析单元和AI知识生成单元,得到完成调试的AI知识分析单元和AI知识生成单元。
比如,将业务会话信息样本的业务会话线性知识和冗余数据去除策略样本的去冗余策略线性知识进行AI知识聚合,得到调试联动优化决策知识,采用该调试联动优化决策知识调试初始的AI知识分析单元和AI知识生成单元。
因此,大数据优化服务器分别对业务会话处理模型和去冗余策略处理模型进行调试,将完成调试的业务会话处理模型和去冗余策略处理模型用于挖掘AI知识,再对AI知识分析单元和AI知识生成单元进行调试,这样可以使提高模型收敛的效率。
在一些示例下,业务会话处理模型可以为Transformer模型,去冗余策略处理模型可以为决策树模型。进一步地,采用完成调试的Transformer模型对待处理业务会话信息进行AI知识提炼,得到待处理业务会话信息的业务会话线性知识;采用完成调试的决策树模型对目标冗余数据去除策略进行AI知识提炼,得到待处理业务会话信息的去冗余策略线性知识。
步骤13、对待处理业务会话信息的业务会话线性知识和目标冗余数据去除策略的去冗余策略线性知识进行AI知识聚合,得到目标联动优化决策知识。
其中,目标联动优化决策知识为引入了目标冗余数据去除策略的去冗余策略线性知识和待处理业务会话信息的业务会话线性知识的AI线性知识关系网。联动优化决策知识中包括了业务会话信息关注面的特征知识和冗余数据去除策略关注面的特征知识,结合冗余数据去除策略关注面的特征知识能够更好挖掘出待处理业务会话信息所表达的细节特征。
对待处理业务会话信息的业务会话线性知识和目标冗余数据去除策略的去冗余策略线性知识进行AI知识聚合的示例性设计思路不限。在一些示例下,可以将待处理业务会话信息的业务会话线性知识的第一知识成员集与目标冗余数据去除策略的去冗余策略线性知识的第二知识成员集进行知识连接,得到目标联动优化决策知识。在一些示例下,也可以将目标冗余数据去除策略的去冗余策略线性知识的第一知识成员集与待处理业务会话信息的业务会话线性知识的第二知识成员集进行知识连接,得到目标联动优化决策知识。其中,第一知识成员集可以为末端的知识成员集,第二知识成员集可以为首端的知识成员集,本领域技术人员可知晓,在进行知识连接时,可以根据知识特征矩阵的行或者列进行对应拼接,在此不展开介绍。
步骤14、依据目标联动优化决策知识对待处理业务会话信息的数据存储需求进行解析,得到数据存储需求信息。
数据存储需求信息可以反映待处理业务会话信息的数据压缩存储标签或者针对不同场景的压缩存储需求。以待处理业务会话信息中的活动事件为业务办理事件为例,数据存储需求信息可以包括但不限于事件类别存储需求、身份信息存储需求、流程节点信息压缩需求。其中,事件类别存储需求和身份信息存储需求反映需要对事件类别和身份信息进行完整地存储,流程节点信息压缩需求反映需要对流程节点信息进行适当压缩(一般而言,流程节点信息中存在的冗余数据信息较多)。
在一些示例下,可将目标联动优化决策知识输入步骤12中完成调试的AI知识分析单元(可以理解为全连接层)和AI知识生成单元(可以理解为输出层)来识别待处理业务会话信息的数据存储需求,得到数据存储需求信息。
步骤15、结合数据存储需求信息确定待处理业务会话信息的大数据优化存储标签。
其中,大数据优化存储标签表征待处理业务会话信息表达的细节特征的异常状态/正常状态;大数据优化存储标签包括第一优化存储标签和第二优化存储标签。其中,第一优化存储标签表征待处理业务会话信息表达的细节特征的异常状态/正常状态为正常;第二优化存储标签表征待处理业务会话信息表达的细节特征的异常状态/正常状态为异常。
在一些示例下,当数据存储需求信息为设定数据存储需求时,确定待处理业务会话信息的大数据优化存储标签属于第一优化存储标签。当数据存储需求信息为空时,确定待处理业务会话信息的大数据优化存储标签属于第二优化存储标签。其中,设定数据存储需求为依据实际应用情况进行设置的数据存储需求。
举例而言,如果数据存储需求信息为事件类别存储需求+身份信息存储需求,则表明待处理业务会话信息所存在的信息包含事件类别信息和身份信息,在此情况下,可以确定待处理业务会话信息的大数据优化存储标签表征待处理业务会话信息所表达的细节特征是正常的,可以对事件类别信息和身份信息进行完整存储,而对其他信息进行适应性的压缩存储。如果数据存储需求信息为空,则表明待处理业务会话信息的大数据优化存储标签表征待处理业务会话信息所表达的细节特征是异常的,待处理业务会话信息的信息可能存在缺失,在这种情况下,如果对待处理业务会话信息进行强行压缩存储,可能导致更多信息的失真。
在一些示例下,当检测到待处理业务会话信息中活动事件对应的记录数据不存在异常时,确定待处理业务会话信息的大数据优化存储标签属于第一优化存储标签,即待处理业务会话信息表达的细节特征也是正常的,待处理业务会话信息中的关键信息和重要信息是完整的。
在一些示例下,当大数据优化服务器检测到待处理业务会话信息中活动事件对应的记录数据不存在异常时,对待处理业务会话信息进行数据共享。在一些示例下,当大数据优化服务器确定待处理业务会话信息的大数据优化存储标签属于第一优化存储标签时,说明待处理业务会话信息表达的细节特征是正常,可以对该业务会话信息进行数据共享。当待处理业务会话信息的大数据优化存储标签属于第二优化存储标签时,比如,AI知识生成单元的输出结果表征待处理业务会话信息的数据存储需求为空时,待处理业务会话信息表达的细节特征不是完整的,则不对待处理业务会话信息进行数据共享。
示例性的,大数据优化服务器可以获取一个业务会话信息集,确定该业务会话信息集中的所有业务会话信息的优化存储标签是否属于第一优化存储标签,当某一业务会话信息属于第一优化存储标签时,则保留该业务会话信息作为待共享信息,当属于第二优化存储标签时,则从业务会话信息集中删除该业务会话信息。进而大数据优化服务器可以将处理后的业务会话信息集中的业务会话信息发送给业务平台服务器,以便业务平台服务器进行数据共享。
在一些示例下,在线业务大数据中包括待处理业务会话信息和目标冗余数据去除策略,大数据优化服务器确定在线业务大数据的第一数据共享置信度(数据共享权重)。比如,当待处理业务会话信息的大数据优化存储标签属于第一优化存储标签时,将第一数据共享置信度确定为第一共享权值,该第一共享权值表示该在线业务大数据被共享的概率较大;若在线业务大数据中包括多个业务会话信息,在后续确定业务会话信息的优化存储标签时,每得到一个业务会话信息的大数据优化存储标签属于第二优化存储标签时,可以减小第一数据共享置信度。再如,假设大数据优化服务器从在线业务大数据中获取业务会话信息集,该业务会话信息集中包括多个业务会话信息,确定该多个业务会话信息中业务会话信息的大数据优化存储标签属于第一优化存储标签的业务会话信息的数目,依据该数目占业务会话信息集中业务会话信息的全部数目的比例,依据该比例确定第一数据共享置信度。
进一步地,大数据优化服务器依据第一优化存储标签与共享数据库之间的匹配特征(映射关系),确定待处理业务会话信息的大数据优化存储标签所对应的目标共享数据库;大数据优化服务器将在线业务大数据添加到该目标共享数据库中。比如,可以设置第一优化存储标签与共享数据库之间的匹配特征的映射列表,当确定了待处理业务会话信息的大数据优化存储标签时,则依据该匹配特征确定对应的目标共享数据库,然后将在线业务大数据存储在目标共享数据库中。
大数据优化服务器确定数据请求系统的共享请求标识;当数据请求系统的共享请求标识指向目标共享数据库时,结合第一数据共享置信度向用户共享在线业务大数据。大数据优化服务器可以依据第一数据共享置信度确定共享次数;依据共享次数共享该在线业务大数据,可理解,权重与被共享的次数呈正相关。
当待处理业务会话信息的大数据优化存储标签属于第二优化存储标签时,大数据优化服务器可以确定在线业务大数据的第二数据共享置信度;比如确定第二数据共享置信度为第二共享权值,该第二共享权值用于表示该在线业务大数据被共享的概率较小。比如,大数据优化服务器可以依据第二数据共享置信度确定共享次数;依据共享次数共享在线业务大数据,权重与被共享的次数呈正相关。
通过本申请提供的方法可以响应于待处理业务会话信息中活动事件对应的记录数据存在异常,获取待处理业务会话信息对应的目标冗余数据去除策略;对待处理业务会话信息和目标冗余数据去除策略进行AI知识提炼,得到待处理业务会话信息的业务会话线性知识和目标冗余数据去除策略的去冗余策略线性知识;对待处理业务会话信息的业务会话线性知识和目标冗余数据去除策略的去冗余策略线性知识进行AI知识聚合,得到目标联动优化决策知识;依据目标联动优化决策知识对待处理业务会话信息的数据存储需求进行解析,得到数据存储需求信息;结合数据存储需求信息确定待处理业务会话信息的大数据优化存储标签。
在本申请中,当检测到待处理业务会话信息中的活动事件对应的记录数据存在异常时,则获取待处理业务会话信息对应的目标冗余数据去除策略;提取待处理业务会话信息和目标冗余数据去除策略两个关注面的特征知识,并对该两个关注面的特征知识进行组合得到多关注面的特征知识;然后结合多关注面特征对待处理业务会话信息的数据存储需求进行解析,得到数据存储需求信息;结合该数据存储需求信息对待处理业务会话信息进行优化存储决策分析;结合业务会话信息和冗余数据去除策略的特征能够识别出业务会话信息的数据存储需求,依据业务会话信息的数据存储需求能够尽可能精准地检测出业务会话信息表达的细节特征是否正常;这样一来,提高了针对业务会话信息进行优化存储决策的精度。当待处理业务会话信息的大数据优化存储标签属于第一优化存储标签,或者检测到待处理业务会话信息中的活动事件为正常时,待处理业务会话信息表达的细节特征正常,则对待处理业务会话信息进行数据共享;这样一来,提高了数据共享的可靠性。
在上述基础上,在活动事件对应的记录数据存在异常时,结合去冗余策略线性知识对待处理业务会话信息的数据存储需求进行解析,从而依据数据存储需求信息来对待处理业务会话信息进行优化存储标签确定,如果活动事件对应的记录数据所缺失的部分与数据存储需求无关,则可以对待处理业务会话信息进行适应性的压缩存储,如果如果活动事件对应的记录数据所缺失的部分与数据存储需求相关,则不能对待处理业务会话信息进行适应性的压缩存储。
基于此,在一些可独立的实施例中,在结合所述数据存储需求信息确定所述待处理业务会话信息的大数据优化存储标签之后,所述方法还包括:如果所述大数据优化存储标签表征所述数据存储需求信息与所述活动事件所对应的缺失信息无关,则根据所述数据存储需求信息对所述待处理业务会话信息进行去冗余存储;如果所述大数据优化存储标签表征所述数据存储需求信息与所述活动事件所对应的缺失信息相关,则拒绝执行所述待处理业务会话信息的去冗余存储。
基于此,在一些可独立的实施例中,在根据所述数据存储需求信息对所述待处理业务会话信息进行去冗余存储之后,所述方法还包括:响应于数据应用设备针对完成去冗余存储的待处理业务会话信息的调用请求,对所述数据应用设备进行风险预测,得到所述数据应用设备的风险预测结果;在所述风险预测结果表征所述数据应用设备不存在数据安全风险时,将完成去冗余存储的待处理业务会话信息发送给所述数据应用设备。
可以理解,在完成对待处理业务会话信息的去冗余存储之后,如果数据应用设备想主动调用待处理业务会话信息(数据应用设备不在共享的白名单之内),则大数据优化服务器需要先对数据应用设备进行风险预测,以保障数据应用设备不存在数据安全风险时进行信息下发,从而保障待处理业务会话信息的安全性。
基于此,在一些可独立的实施例中,所述对所述数据应用设备进行风险预测,得到所述数据应用设备的风险预测结果,包括:获取所述数据应用设备的风险测评文档序列,其中,所述风险测评文档序列包括流式的P组风险测评文档,所述P为大于或等于1的整数;根据所述风险测评文档序列获取异常行为文档序列,其中,所述异常行为文档序列包括流式的P组异常行为文档;基于所述风险测评文档序列,通过风险预测算法所包括的第一文档挖掘模型获取风险测评特征分布序列,其中,所述风险测评特征分布序列包括P个风险测评特征分布;基于所述异常行为文档序列,通过所述风险预测算法所包括的第二文档挖掘模型获取异常行为特征分布序列,其中,所述异常行为特征分布序列包括P个异常行为特征分布;基于所述风险测评特征分布序列以及所述异常行为特征分布序列,通过所述风险预测算法所包括的风险决策模型获取所述风险测评文档所对应的风险决策观点;根据所述风险决策观点确定所述风险测评文档序列的风险预测结果。
在本发明实施例中,通过从风险测评文档中分离出异常行为文档,然后综合风险测评文档和分离得到的异常行为文档进行风险决策,可以保障风险决策观点的精度和可信度,从而提高风险预测结果的准确性。
基于此,在一些可独立的实施例中,所述基于所述风险测评特征分布序列以及所述异常行为特征分布序列,通过所述风险预测算法所包括的风险决策模型获取所述风险测评文档序列所对应的风险决策观点,包括:基于所述风险测评特征分布序列,通过所述风险预测算法所包括的第一局部聚焦模型获取P个第一知识表征,其中,每个第一知识表征对应于一个风险测评特征分布;基于所述异常行为特征分布序列,通过所述风险预测算法所包括的第二局部聚焦模型获取P个第二知识表征,其中,每个第二知识表征对应于一个异常行为特征分布;对所述P个第一知识表征以及所述P个第二知识表征进行拼接处理,得到P个目标知识表征,其中,每个目标知识表征包括一个第一知识表征以及一个第二知识表征;基于所述P个目标知识表征,通过所述风险预测算法所包括的所述风险决策模型获取所述风险测评文档序列所对应的风险决策观点。
基于此,在一些可独立的实施例中,所述基于所述风险测评特征分布序列,通过所述风险预测算法所包括的第一局部聚焦模型获取P个第一知识表征,包括:针对所述风险测评特征分布序列中的每组风险测评特征分布,通过所述第一局部聚焦模型所包括的局部精简层获取第一局部精简特征分布,其中,所述第一局部聚焦模型属于所述风险预测算法;针对所述风险测评特征分布序列中的每组风险测评特征分布,通过所述第一局部聚焦模型所包括的全局精简层获取第一全局精简特征分布;针对所述风险测评特征分布序列中的每组风险测评特征分布,基于所述第一局部精简特征分布以及所述第一全局精简特征分布,通过所述第一局部聚焦模型所包括的空洞卷积单元获取第一聚合特征分布;针对所述风险测评特征分布序列中的每组风险测评特征分布,基于所述第一聚合特征分布以及所述风险测评特征分布,通过所述第一局部聚焦模型所包括的第一全局精简层获取第一知识表征。
基于此,在一些可独立的实施例中,所述基于所述异常行为特征分布序列,通过所述风险预测算法所包括的第二局部聚焦模型获取P个第二知识表征,包括:针对所述异常行为特征分布序列中的每组异常行为特征分布,通过所述第二局部聚焦模型所包括的局部精简层获取第二局部精简特征分布,其中,所述第二局部聚焦模型属于所述风险预测算法;针对所述异常行为特征分布序列中的每组异常行为特征分布,通过所述第二局部聚焦模型所包括的全局精简层获取第二全局精简特征分布;针对所述异常行为特征分布序列中的每组异常行为特征分布,基于所述第二局部精简特征分布以及所述第二全局精简特征分布,通过所述第二局部聚焦模型所包括的空洞卷积单元获取第二聚合特征分布;针对所述异常行为特征分布序列中的每组异常行为特征分布,基于所述第二聚合特征分布以及所述异常行为特征分布,通过所述第二局部聚焦模型所包括的第二全局精简层获取第二知识表征。
基于此,在一些可独立的实施例中,所述P为大于1的整数;所述基于所述P个目标知识表征,通过所述风险预测算法所包括的所述风险决策模型获取所述风险测评文档序列所对应的风险决策观点,包括:基于所述P个目标知识表征,通过所述风险预测算法所包括的第三局部聚焦模型获取融合知识表征,其中,所述融合知识表征为根据所述P个目标知识表征以及P个优先系数确定的,每个目标知识表征对应于一个优先系数;基于所述融合知识表征,通过所述风险预测算法所包括的所述风险决策模型获取所述风险测评文档序列所对应的风险决策观点。
基于此,在一些可独立的实施例中,所述基于所述P个目标知识表征,通过所述风险预测算法所包括的第三局部聚焦模型获取融合知识表征,包括:基于所述P个目标知识表征,通过所述第三局部聚焦模型所包括的第一模型节点获取P个第一局部知识表征,其中,所述第三局部聚焦模型属于所述风险预测算法;基于所述P个第一局部知识表征,通过所述第三局部聚焦模型所包括的第二模型节点获取P个第二局部知识表征;根据所述P个第二局部知识表征确定P个优先系数,其中,每个优先系数对应于一个目标知识表征;根据所述P个目标知识表征以及P个优先系数,确定所述融合知识表征。
基于此,在一些可独立的实施例中,所述P为大于1的整数;所述基于所述风险测评特征分布序列以及所述异常行为特征分布序列,通过所述风险预测算法所包括的风险决策模型获取所述风险测评文档所对应的风险决策观点,包括:基于所述风险测评特征分布序列,通过所述风险预测算法所包括的第一全局精简层获取P个第一知识表征,其中,每个第一知识表征对应于一个风险测评特征分布;基于所述异常行为特征分布序列,通过所述风险预测算法所包括的第二全局精简层获取P个第二知识表征,其中,每个第二知识表征对应于一个异常行为特征分布;对所述P个第一知识表征以及所述P个第二知识表征进行拼接处理,得到P个目标知识表征,其中,每个目标知识表征包括一个第一知识表征以及一个第二知识表征;基于所述P个目标知识表征,通过所述风险预测算法所包括的第三局部聚焦模型获取融合知识表征,其中,所述融合知识表征为根据所述P个目标知识表征以及P个优先系数确定的,每个目标知识表征对应于一个优先系数;基于所述融合知识表征,通过所述风险预测算法所包括的所述风险决策模型获取所述风险测评文档序列所对应的风险决策观点。
以上所述,仅为本申请的具体实施方式。熟悉本技术领域的技术人员根据本申请提供的具体实施方式,可想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种针对在线业务会话的大数据存储优化方法,其特征在于,应用于大数据优化服务器,所述方法包括:
响应于待处理业务会话信息中活动事件对应的记录数据存在异常,获取所述待处理业务会话信息对应的目标冗余数据去除策略;
对所述待处理业务会话信息和所述目标冗余数据去除策略进行AI知识提炼,得到所述待处理业务会话信息的业务会话线性知识和所述目标冗余数据去除策略的去冗余策略线性知识;
对所述待处理业务会话信息的业务会话线性知识和所述目标冗余数据去除策略的去冗余策略线性知识进行AI知识聚合,得到目标联动优化决策知识;
依据所述目标联动优化决策知识对所述待处理业务会话信息的数据存储需求进行解析,得到数据存储需求信息;
结合所述数据存储需求信息确定所述待处理业务会话信息的大数据优化存储标签。
2.根据权利要求1所述的针对在线业务会话的大数据存储优化方法,其特征在于,所述对所述待处理业务会话信息和所述目标冗余数据去除策略进行AI知识提炼,得到所述待处理业务会话信息的业务会话线性知识和所述目标冗余数据去除策略的去冗余策略线性知识,包括:通过AI知识提炼单元对所述待处理业务会话信息和所述目标冗余数据去除策略进行AI知识提炼;
所述AI知识提炼单元包括业务会话处理模型和去冗余策略处理模型,所述通过AI知识提炼单元对所述待处理业务会话信息和所述目标冗余数据去除策略进行AI知识提炼,包括:采用完成调试的业务会话处理模型对所述待处理业务会话信息进行业务会话信息的AI知识提炼,得到所述待处理业务会话信息的业务会话线性知识;采用完成调试的去冗余策略处理模型对所述目标冗余数据去除策略进行冗余数据去除策略的AI知识提炼,得到所述目标冗余数据去除策略的去冗余策略线性知识。
3.根据权利要求2所述的针对在线业务会话的大数据存储优化方法,其特征在于,所述通过AI知识提炼单元对所述待处理业务会话信息和所述目标冗余数据去除策略进行AI知识提炼之前,还包括:
获取初始AI算法,所述初始AI算法包括AI知识提炼单元、AI知识分析单元和AI知识生成单元;
获取样本数据集,所述样本数据集包括业务会话信息样本和所述业务会话信息样本对应的冗余数据去除策略样本;
结合所述业务会话信息样本调试初始的业务会话处理模型,得到完成调试的业务会话处理模型;
结合所述冗余数据去除策略样本调试初始的去冗余策略处理模型,得到完成调试的去冗余策略处理模型;
采用所述完成调试的业务会话处理模型和所述完成调试的去冗余策略处理模型,对所述业务会话信息样本和所述冗余数据去除策略样本进行AI知识提炼,得到所述业务会话信息样本的业务会话线性知识和所述冗余数据去除策略样本的去冗余策略线性知识;
结合所述业务会话信息样本的业务会话线性知识和所述冗余数据去除策略样本的去冗余策略线性知识调试初始的AI知识分析单元和AI知识生成单元,得到完成调试的AI知识分析单元和AI知识生成单元。
4.根据权利要求2所述的针对在线业务会话的大数据存储优化方法,其特征在于,所述完成调试的业务会话处理模型包括低阶AI知识提炼单元、AI知识筛选单元、高阶AI知识提炼单元和AI知识下采样单元,采用完成调试的业务会话处理模型对所述待处理业务会话信息进行业务会话信息的AI知识提炼,得到所述待处理业务会话信息的业务会话线性知识,包括:采用所述低阶AI知识提炼单元对所述待处理业务会话信息进行低阶AI知识提炼,得到低阶业务会话线性知识;采用所述AI知识筛选单元对所述低阶业务会话线性知识进行筛选,得到业务会话筛选知识;采用所述高阶AI知识提炼单元对所述业务会话筛选知识进行高阶AI知识提炼,得到高阶业务会话线性知识;采用所述AI知识下采样单元对所述高阶业务会话线性知识进行知识降采样,得到所述待处理业务会话信息的业务会话线性知识;
其中,所述采用所述AI知识筛选单元对所述低阶业务会话线性知识进行筛选,得到业务会话筛选知识,包括:基于所述低阶业务会话线性知识进行滑动处理,得到知识滑动窗口,其中,所述知识滑动窗口与原始知识窗口存在重叠;对所述低阶业务会话线性知识上的知识滑动窗口进行筛选处理,得到业务会话筛选知识;
其中,所述高阶AI知识提炼单元包括多个局部AI知识提炼单元,所述采用所述高阶AI知识提炼单元对所述业务会话筛选知识进行高阶AI知识提炼,得到高阶业务会话线性知识,包括:将当前局部AI知识提炼单元生成的AI线性知识关系网与上一局部AI知识提炼单元生成的AI线性知识关系网进行AI知识聚合,得到联动优化决策知识关系网;将所述联动优化决策知识关系网加载到后一局部AI知识提炼单元进行高阶AI知识提炼;获取末尾局部AI知识提炼单元生成的AI线性知识关系网,得到高阶业务会话线性知识;
其中,所述将当前局部AI知识提炼单元生成的AI线性知识关系网与上一局部AI知识提炼单元生成的AI线性知识关系网进行AI知识聚合,包括:当当前局部AI知识提炼单元生成的AI线性知识关系网与上一局部AI知识提炼单元生成的AI线性知识关系网的尺寸不相同时,结合当前局部AI知识提炼单元中设定的滑动平均单元,对当前局部AI知识提炼单元生成的AI线性知识关系网进行滑动平均处理,以扩展当前局部AI知识提炼单元生成的AI线性知识关系网的尺寸;对扩展尺寸后的当前局部AI知识提炼单元生成的AI线性知识关系网与上一局部AI知识提炼单元生成的AI线性知识关系网进行加权。
5.根据权利要求2所述的针对在线业务会话的大数据存储优化方法,其特征在于,所述采用所述去冗余策略处理模型对所述目标冗余数据去除策略进行冗余数据去除策略的AI知识提炼,得到所述目标冗余数据去除策略的去冗余策略线性知识,包括:
提取所述目标冗余数据去除策略的去除规则要素特征、去除规则分布特征和策略反馈特征;
对所述目标冗余数据去除策略的去除规则要素特征、去除规则分布特征和策略反馈特征进行特征知识连接,得到所述目标冗余数据去除策略的去冗余策略线性知识。
6.根据权利要求1所述的针对在线业务会话的大数据存储优化方法,其特征在于,所述对所述待处理业务会话信息的业务会话线性知识和所述目标冗余数据去除策略的去冗余策略线性知识进行AI知识聚合,得到目标联动优化决策知识,包括:
将所述待处理业务会话信息的业务会话线性知识的第一知识成员集与所述目标冗余数据去除策略的去冗余策略线性知识的第二知识成员集进行知识连接,得到目标联动优化决策知识。
7.根据权利要求1所述的针对在线业务会话的大数据存储优化方法,其特征在于,所述结合所述数据存储需求信息确定所述待处理业务会话信息的大数据优化存储标签,包括:当所述数据存储需求信息为设定数据存储需求时,确定所述待处理业务会话信息的大数据优化存储标签属于第一优化存储标签;当所述数据存储需求信息为空时,确定所述待处理业务会话信息的大数据优化存储标签属于第二优化存储标签;
其中,所述方法还包括:当所述待处理业务会话信息的大数据优化存储标签属于第一优化存储标签时,对所述待处理业务会话信息进行数据共享;当检测到待处理业务会话信息中活动事件对应的记录数据不存在异常时,对所述待处理业务会话信息进行数据共享;
其中,所述对所述待处理业务会话信息进行数据共享,包括:确定在线业务大数据的第一数据共享置信度,所述在线业务大数据中包括所述待处理业务会话信息和所述目标冗余数据去除策略;依据所述第一优化存储标签与共享数据库之间的匹配特征,确定所述待处理业务会话信息的大数据优化存储标签所对应的目标共享数据库;将所述在线业务大数据添加到所述目标共享数据库中;确定数据请求系统的共享请求标识;当所述数据请求系统的共享请求标识指向所述目标共享数据库时,结合所述第一数据共享置信度向所述数据请求系统共享所述在线业务大数据。
8.根据权利要求1所述的针对在线业务会话的大数据存储优化方法,其特征在于,所述方法还包括:
如果所述大数据优化存储标签表征所述数据存储需求信息与所述活动事件所对应的缺失信息无关,则根据所述数据存储需求信息对所述待处理业务会话信息进行去冗余存储;
如果所述大数据优化存储标签表征所述数据存储需求信息与所述活动事件所对应的缺失信息相关,则拒绝执行所述待处理业务会话信息的去冗余存储。
9.一种大数据优化服务器,其特征在于,包括:存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;其中,当所述处理器执行所述计算机指令时,使得所述大数据优化服务器执行如权利要求1-8中任意一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在运行时如权利要求1-8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310362684.9A CN116595224A (zh) | 2023-04-07 | 2023-04-07 | 针对在线业务会话的大数据存储优化方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310362684.9A CN116595224A (zh) | 2023-04-07 | 2023-04-07 | 针对在线业务会话的大数据存储优化方法及服务器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116595224A true CN116595224A (zh) | 2023-08-15 |
Family
ID=87598015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310362684.9A Pending CN116595224A (zh) | 2023-04-07 | 2023-04-07 | 针对在线业务会话的大数据存储优化方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116595224A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756298A (zh) * | 2023-08-18 | 2023-09-15 | 太仓市律点信息技术有限公司 | 面向云数据库的ai会话信息优化方法及大数据优化服务器 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200312348A1 (en) * | 2019-03-25 | 2020-10-01 | Cisco Technology, Inc. | Extracting knowledge from collaborative support sessions |
CN114203304A (zh) * | 2021-11-15 | 2022-03-18 | 陈立昆 | 基于智慧医疗大数据的信息推送方法及智慧医疗云服务器 |
CN114610795A (zh) * | 2022-03-15 | 2022-06-10 | 温永强 | 应用于大数据挖掘的数字化业务信息处理方法及服务器 |
WO2022252363A1 (zh) * | 2021-06-03 | 2022-12-08 | 腾讯云计算(北京)有限责任公司 | 数据处理方法、计算机设备以及可读存储介质 |
CN115757745A (zh) * | 2022-12-01 | 2023-03-07 | 潍坊羞摆信息科技有限公司 | 基于人工智能的业务场景控制方法、系统及云平台 |
CN115905654A (zh) * | 2022-08-29 | 2023-04-04 | 中国工商银行股份有限公司 | 业务数据的处理方法、装置、设备、存储介质和程序产品 |
-
2023
- 2023-04-07 CN CN202310362684.9A patent/CN116595224A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200312348A1 (en) * | 2019-03-25 | 2020-10-01 | Cisco Technology, Inc. | Extracting knowledge from collaborative support sessions |
WO2022252363A1 (zh) * | 2021-06-03 | 2022-12-08 | 腾讯云计算(北京)有限责任公司 | 数据处理方法、计算机设备以及可读存储介质 |
CN114203304A (zh) * | 2021-11-15 | 2022-03-18 | 陈立昆 | 基于智慧医疗大数据的信息推送方法及智慧医疗云服务器 |
CN114610795A (zh) * | 2022-03-15 | 2022-06-10 | 温永强 | 应用于大数据挖掘的数字化业务信息处理方法及服务器 |
CN115905654A (zh) * | 2022-08-29 | 2023-04-04 | 中国工商银行股份有限公司 | 业务数据的处理方法、装置、设备、存储介质和程序产品 |
CN115757745A (zh) * | 2022-12-01 | 2023-03-07 | 潍坊羞摆信息科技有限公司 | 基于人工智能的业务场景控制方法、系统及云平台 |
Non-Patent Citations (1)
Title |
---|
黄粟: "云存储中高效访问控制的相关研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 7 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756298A (zh) * | 2023-08-18 | 2023-09-15 | 太仓市律点信息技术有限公司 | 面向云数据库的ai会话信息优化方法及大数据优化服务器 |
CN116756298B (zh) * | 2023-08-18 | 2023-10-20 | 太仓市律点信息技术有限公司 | 面向云数据库的ai会话信息优化方法及大数据优化服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11614867B2 (en) | Distributed storage system-based data processing method and storage device | |
Li et al. | Cycle-consistent conditional adversarial transfer networks | |
Lee et al. | Compressive visual representations | |
CN112162999A (zh) | 基于交互式云计算的大数据处理方法及人工智能服务器 | |
CN107896170B (zh) | 保险应用系统的监控方法及装置 | |
CN116414948A (zh) | 基于云数据和人工智能的异常数据挖掘方法及软件产品 | |
CN113705981B (zh) | 一种基于大数据的异常监测的方法及装置 | |
CN115174231B (zh) | 一种基于AI Knowledge Base的网络欺诈分析方法及服务器 | |
CN111444072B (zh) | 客户端的异常识别方法、装置、计算机设备和存储介质 | |
CN116595224A (zh) | 针对在线业务会话的大数据存储优化方法及服务器 | |
CN111241850B (zh) | 提供业务模型的方法及装置 | |
CN115374185A (zh) | 应用于数据管理仓库的容灾方法及系统 | |
CN113722719A (zh) | 针对安全拦截大数据分析的信息生成方法及人工智能系统 | |
CN115471108A (zh) | 数据分析决策方法、系统及大数据资源中心 | |
CN114417405B (zh) | 一种基于人工智能的隐私业务数据分析方法及服务器 | |
CN113468404A (zh) | 基于大数据挖掘的推送资源确定方法及云计算ai服务系统 | |
CN115658620B (zh) | 一种基于大数据的数据授权共享方法及系统 | |
US11488023B2 (en) | Adaptability calculation method, adaptability calculation device, identification method, identification device, and computer-readable recording medium | |
CN116484368A (zh) | 基于数字视觉智能的云业务操作风险识别方法及软件产品 | |
CN114580734A (zh) | 结合大数据的数字化社交网络信息优化方法及服务器 | |
CN114625612A (zh) | 基于大数据办公的用户行为分析方法及服务系统 | |
CN113505375A (zh) | 一种基于大数据安防的在线办公漏洞识别方法及服务器 | |
CN114201199A (zh) | 基于信息安全大数据的防护升级方法及信息安全系统 | |
JP2022103894A (ja) | リスク評価装置及びリスク評価方法 | |
CN111784359A (zh) | 多模式风控分级容灾方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231025 Address after: No. 42 Furong East Road, Qujiang New District, Xi'an City, Shaanxi Province, 710061 Applicant after: Wang Xiaodong Address before: 710061 No. 51 Furong East Road, Qujiang New District, Xi'an City, Shaanxi Province Applicant before: Xi'an Weixiong Electronic Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right |