CN116703332A - 一种基于微服务架构的石油问卷调查分析系统及方法 - Google Patents
一种基于微服务架构的石油问卷调查分析系统及方法 Download PDFInfo
- Publication number
- CN116703332A CN116703332A CN202310937141.5A CN202310937141A CN116703332A CN 116703332 A CN116703332 A CN 116703332A CN 202310937141 A CN202310937141 A CN 202310937141A CN 116703332 A CN116703332 A CN 116703332A
- Authority
- CN
- China
- Prior art keywords
- data
- questionnaire
- result
- petroleum
- micro
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 94
- 239000003208 petroleum Substances 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011835 investigation Methods 0.000 title abstract description 29
- 238000013461 design Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 36
- 238000013500 data storage Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 10
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000002955 isolation Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于微服务架构的石油问卷调查分析系统及方法，涉及石油安全分析技术领域，通过独立部署的若干应用模块以及用户的请求消息提供问卷设计、问卷发布以及问卷结果分析的服务，实现了微服务架构设计；由于微服务架构具有高并发、高可用性的特点，各个应用模块独立均能够独立提供相应的业务服务，并发完成石油安全调查过程中大规模问卷数据生成、问卷分析及处理的需求，提高了问卷调查及分析效率，及时发现石油行业潜在的安全问题；同时，所述系统能够自动对测后问卷信度进行评价，提供了问卷分析结果的可靠性参考，准确发现石油行业潜在的安全隐患，具有良好的实用性。
Description
技术领域
本发明涉及石油安全分析技术领域，具体地，涉及一种基于微服务架构的石油问卷调查分析系统及方法。
背景技术
当今的石油行业面临着诸多安全风险和挑战，石油行业的各个作业流程中，如原油勘探和开采、炼油加工、输送、贮存、销售以及配送环节都存在着不同程度的风险，这些风险严重威胁着从业人员以及公众的生命安全。因此，石油行业的相关从业人员通常需要接受完备的岗前安全培训，以提高对异常情况的处置能力，降低石油行业中存在的安全隐患。现有技术通常通过问卷调查的方式对从业人员的安全意识进行评估，了解从业人员是否达到了安全培训的预期目标，分析从业人员安全意识薄弱点，确定石油行业潜在的安全问题，完成行业安全调查。传统的安全调查及分析方法主要是通过问卷调查的方式进行的，现有的问卷自动调查分析系统通常采用单体式架构实现，然而，通过单体模块逐一实现问卷的设计、发布以及分析工作，需要耗费大量的时间成本，不能满足石油行业中复杂的安全风险情况以及大规模数据分析的需求，同时，现有基于单体式架构的石油问卷调查分析系统在出现异常时，需要对整个模块进行维护，系统维护成本较高。
发明内容
为了提高对石油安全调查过程中完成问卷设计、问卷发布以及问卷分析任务的效率，提高问卷调查及分析系统的灵活性，及时发现石油行业潜在的安全问题，本发明提供了一种基于微服务架构的石油问卷调查分析系统，所述基于微服务架构的石油问卷调查分析系统包括：
请求响应单元，用于获得请求消息，根据所述请求消息访问业务服务单元中对应的应用模块；
业务服务单元，包括若干应用模块，所述应用模块根据数据存储单元存储的数据提供相应的服务，所述应用模块至少包括问卷设计模块、问卷发布模块和问卷分析模块，所述应用模块均独立部署于所述业务服务单元中；
数据存储单元，用于为所述业务服务单元中的所述应用模块提供数据支撑；
其中，所述问卷设计模块用于生成问卷，获得第一数据，所述第一数据用于表示问卷内容，包括至少一个题目数据；所述问卷发布模块用于将所述第一数据推送给目标用户，获得所述目标用户返回的第二数据；所述问卷分析模块用于分析所述第二数据，获得第一结果。
其中，本系统包括请求响应单元、业务服务单元和数据存储单元，将问卷调查及分析过程拆分成了松耦合的独立应用模块，并将所述应用模块独立部署于业务服务单元中，系统通过所述请求响应单元获得用户提出的请求消息，并根据请求消息访问业务服务单元，获得相应的一个或多个服务，所述数据存储单元用于为所述引用模块提供数据支撑。由于微服务架构具有高并发、高可用性的特点，能够根据所述请求消息独立完成用户的请求，因此所述若干应用模块均独立部署于业务服务单元中，通过相互引用的方式完成数据共享，灵活、并发的完成了问卷调查及分析过程中的部分或全部功能，适用于石油安全问卷调查分析情境中的大规模问卷数据生成、问卷分析及处理的需求，提高了问卷调查及分析效率，及时发现石油行业潜在的安全问题，具有良好的实用性。
进一步的，由于问卷中包括至少一个题目数据，而问卷题目通常分为开放式题目和封闭式题目，其中，开放式题目即没有对应的标准答案的题目，封闭式题目即有对应的标准答案的题目，对于不同的题目类型，使用的分析或评价方法存在差异，因此，为了便于分析问卷结果，获得对应的石油行业安全问题，需要对问卷题目进行分类，所述问卷分析模块还用于对所述题目数据进行分类，获得第一分类结果；所述数据存储单元还用于根据所述第一分类结果存储所述第一数据以及与所述第一数据对应的第二数据。
进一步的，为了保证问卷调查结果的可靠性，提高对问卷结果进行分析后所获得的石油安全隐患信息的准确性，需要根据测验后获得的结果对问卷信度进行评价，通过分半信度评价的方式描述问卷调查结果的可靠程度，因此，所述问卷分析模块还用于对所述第一数据进行分半处理，获得分半结果，所述分半结果包括至少两个子问卷；根据所述分半结果对所述第一数据进行评估，获得第三数据，所述第三数据用于表示所述第一数据对应问卷的有效性。
进一步的，对问卷进行分半信度评价即在问卷测验后将问卷题目分为等价的两半，通过等价的两份子问卷评价问卷题目的内部一致性，问卷题目的内部一致性高，说明该问卷是可靠的；要保证分半信度评价的准确性，关键在于保证问卷的分半结果是准确的，现有技术中通常根据题目序号将问卷分为题目数量相等的两半，但石油安全问卷所涉及的安全知识非常广泛，单份问卷中可能存在多道相同或相似的题目，根据题目序号将问卷分为两半的分半方法获得的子问卷不能保证等价性，因此，为了保证分半处理后所获得的子问卷等价，提高分半信度评价的准确性，所述问卷分析模块对所述第一数据进行分半处理的具体方法为：
步骤1：建立语言模型，根据所述语言模型计算所述第一数据中每个所述题目数据的特征向量，获得第四数据；
步骤2：指定聚类类别数k，k为正整数，初始化所述第四数据中k个特征向量作为聚类中心，每个所述聚类中心分别对应一个类；
步骤3：分别计算所述第四数据中每个特征向量和所述聚类中心的距离，将所述第四数据中的每个特征向量分类到距离最近的聚类中心所对应的类中；
步骤4：重新计算每个类的聚类中心；
步骤5：返回执行步骤3，直至所述聚类中心和所述第四数据间的均方误差收敛，获得聚类结果，然后执行步骤6；
步骤6：遍历所述聚类中心，获得所述聚类中心中包含特征向量数量的最小值，根据所述最小值和所述聚类结果确定分半系数，并根据所述分半系数对问卷进行分割，获得至少两个子问卷。
进一步的，由于在评价问卷分半信度时，对问卷进行分半处理所获得的所述子问卷中，每一份子问卷的题目类型和题目内容均是等价的，因此，若原始问卷具有良好的信度，分半后的子问卷具有良好的内部一致性，则目标用户在所述子问卷中的得分应相似，因此，所述问卷分析模块根据所述分半结果对所述第一数据进行评估，获得第三数据的具体方法为：
分别获得所述子问卷对应的第二数据，判断所述子问卷对应的第二数据间的一致性，获得所述第三数据。
进一步的，在对目标用户进行问卷调查时，可能存在答案格式不规范、重复作答、作答时间不合格和答案冲突等无效问卷，为了筛除无效问卷，保证分析结果的可靠性，所述第二数据包括答题时间数据、用户答案数据和标准答案数据，所述问卷分析模块还用于根据所述答题时间数据、所述用户答案数据和所述标准答案数据对所述第二数据进行筛选。
进一步的，为了根据问卷结果获得目标用户对石油安全知识的掌握情况，并了解目标用户对于石油安全培训以及石油安全处置的需求，所述第一分类结果包括开放式题目和封闭式题目，所述问卷分析模块还用于所述开放式题目对应的第二数据进行分析，获得诉求词云；对所述封闭式题目对应的第二数据进行分析，获得预警词云。
由于所述若干应用模块均独立部署于业务服务单元中，通过相互引用的方式完成数据共享，且所述若干应用模块均基于所述数据存储单元提供的数据实现相应的功能，因此所述若干应用模块在访问所述数据存储单元时，可能由于业务需要对相同的数据进行读写操作，导致出现脏读、幻读以及不可重复读的数据读写异常，因此，为了避免所述若干应用模块并发处理相同数据导致的读写异常，所述基于微服务架构的石油问卷调查分析系统还包括数据同步单元，所述数据同步单元用于设置所述应用模块的权限，所述权限用于表示应用模块访问所述数据存储单元的隔离级别。
进一步的，由于石油行业中涉及的安全知识非常广泛，对于石油行业不同岗位的从业人员，其对不同类型的安全知识掌握程度要求不相同，一般的，对于与本岗位相关的石油安全知识掌握程度的要求高于对于与本岗位不相关的石油安全知识掌握程度；因此，为了根据目标用户的从业岗位对问卷结果进行适应性评价，准确获得石油行业中由于从业人员安全意识不达标而导致的潜在安全风险，所述应用模块还包括身份认证模块，所述身份认证模块用于获得所述目标用户的身份信息和岗位信息，所述问卷分析模块根据所述身份信息和所述岗位信息分析所述第二数据，获得第二结果。
进一步的，在用户完成问卷时，可能由于安全知识掌握不完善而出现作答错误的情况，为了针对用户存在的问题进一步挖掘潜在的安全意识隐患，需要在目标用户对问卷进行作答的同时根据当前作答情况更新后续的问卷内容，所述问卷分析模块分析所述第二数据，获得第一结果后，还用于将所述第一结果发送至所述问卷设计模块；所述问卷设计模块还用于根据所述第一结果更新所述第一数据，所述问卷发布模块还用于将更新后的第一数据推送给目标用户，完成了对目标用户知识漏洞的定位，能够获得准确、全面的问卷调查结果。
为实现上述发明目的，本发明还提供了一种基于微服务架构的石油问卷调查分析方法，所述方法包括以下步骤：
请求响应步骤，包括获得请求消息，根据所述请求消息访问业务服务步骤；
数据建设步骤，包括建立数据库，所述数据库用于为业务服务步骤提供数据支撑；
业务服务步骤，包括根据所述请求消息生成问卷，获得第一数据，所述第一数据用于表示问卷内容，包括至少一个题目数据；将所述第一数据推送给目标用户，并获得目标用户返回的第二数据；分析所述第二数据，获得第一结果。
其中，本方法包括请求相应步骤、数据建设步骤和业务服务步骤，数据建设步骤建立数据库，为本基于微服务架构的石油问卷调查分析方法提供数据支撑，请求相应步骤首先获得用户发出的请求消息，再根据所述请求消息访问业务服务步骤，完成问卷生成、问卷推送以及问卷结果分析需求，获得石油安全问卷分析结果；所述业务服务步骤中问卷生成、问卷推送以及问卷结果分析基于微服务架构的应用模块实现，具有高并发、高可用性的特点，适用于石油安全问卷调查分析情境中的大规模数据分析及处理需求，具有良好的实用性。
进一步的，由于问卷中包括至少一个题目数据，而问卷题目通常分为开放式题目和封闭式透镜，其中，开放式题目为没有对应的标准答案的题目，封闭式题目为有对应的标准答案的题目，为了针对不同的问卷题目类型对问卷结果进行分析，所述业务服务步骤中分析所述第二数据，获得第一结果的具体方法为：
将所述第一数据与所述第二数据进行匹配，获得匹配结果；
对所述第一数据进行分类，将所述第一数据分为开放式题目和封闭式题目；
根据所述匹配结果对所述第一数据中的开放式题目进行评分，获得问卷得分；
根据所述匹配结果对所述第一数据中的封闭式题目进行特征提取，获得问卷关键词；
分析所述问卷得分和所述问卷关键词，获得第一结果。
进一步的，在对目标用户进行问卷调查后，针对问卷结果进行分析可以获得目标用于对于石油安全知识的掌握情况，从而发现潜在的石油安全隐患；为了针对发现的安全隐患对目标用户进行强化培训，消除已知的安全隐患，所述业务服务步骤还包括：
根据所述第一结果对目标用户进行分类，根据第一次问卷调查结果将存在相同或相似问题的用户分为相同的类进行二次培训，获得第二分类结果，其中，所述第二分类结果用于区分目标用户安全知识的掌握程度；
针对所述第二分类结果中的每一类，生成对应的问卷，获得第五数据，并获得目标用户返回的第六数据；其中，所述第五数据用于表示问卷内容，包括至少一个题目数据，分析所述第六数据即可判断是否消除了已知的石油安全隐患。
进一步的，为了保证问卷调查结果的可靠性，提高对问卷结果进行分析后所获得的石油安全隐患信息的准确性，需要根据测验后获得的结果对问卷信度进行评价，通过分半信度评价的方式描述问卷调查结果的可靠程度，因此，所述业务服务步骤还包括对所述第一数据进行分半处理，获得分半结果，所述分半结果包括至少两个子问卷；根据所述分半结果对所述第一数据进行评估，获得第三数据，所述第三数据用于表示所述第一数据对应问卷的有效性。
进一步的，对问卷进行分半信度评价即在问卷测验后将问卷题目分为等价的两半，通过等价的两份子问卷评价问卷题目的内部一致性，问卷题目的内部一致性高，说明该问卷是可靠的；要保证分半信度评价的可靠性，关键在于保证问卷的分半结果是准确的，现有技术中通常根据题目序号将问卷分为题目数量相等的两半，但石油安全问卷所涉及的安全知识非常广泛，单份问卷中可能存在多道相同或相似的题目，根据题目序号将问卷分为两半的分半方法所获得的子问卷不能保证等价性，因此，为了保证分半处理后所获得子问卷等价，提高分半信度评价的准确性，对所述第一数据进行分半处理的具体方法为：
步骤a：建立语言模型，根据所述语言模型计算所述第一数据中每个所述题目数据的特征向量，获得第四数据；
步骤b：指定聚类类别数k，k为正整数，初始化所述第四数据中k个特征向量作为聚类中心，每个所述聚类中心分别对应一个类；
步骤c：分别计算所述第四数据中每个特征向量和所述聚类中心的距离，将所述第四数据中的每个特征向量分类到距离最近的聚类中心所对应的类中；
步骤d：重新计算每个类的聚类中心；
步骤e：返回执行步骤c，直至所述聚类中心和所述第四数据间的均方误差收敛，获得聚类结果，然后执行步骤f；
步骤f：遍历所述聚类中心，获得所述聚类中心中包含特征向量数量的最小值，根据所述最小值和所述聚类结果确定分半系数，并根据所述分半系数对问卷进行分割，获得至少两个子问卷。
进一步的，由于在评价问卷的分半信度时，对问卷进行分半处理所获得的所述子分卷中，每一份子问卷的题目类型和题目内容均是等价的，因此，若原始问卷具有良好的信度，分半后的子问卷具有良好的内部一致性，则目标用户在不同子问卷中的得分应相似，因此，所述根据所述分半结果对所述第一数据进行评估，获得第三数据的具体方法为：
分别获得所述子问卷对应的第二数据，判断所述子问卷对应的第二数据间的一致性，获得所述第三数据。
本发明所提供的一种基于微服务架构的石油问卷调查分析系统及方法通过独立部署的若干应用模块以及用户的请求消息完成问卷设计、问卷发布以及问卷结果分析任务，实现了微服务架构设计；由于微服务架构具有高并发、高可用性的特点，各个应用模块独立均能够独立提供相应的业务服务，并发完成石油安全调查过程中大规模问卷数据生成、问卷分析及处理的需求，提高了问卷调查及分析效率，及时发现石油行业潜在的安全问题；同时，所述系统能够自动对测后问卷信度进行评价，提供了问卷分析结果的可靠性参考，准确发现石油行业潜在的安全隐患，具有良好的实用性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，并不构成对本发明实施例的限定；
图1是本发明中基于微服务架构的石油问卷调查分析系统组成示意图；
图2是本发明中基于微服务架构的石油问卷调查分析方法流程示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一
请参考图1，本发明实施例一提供了一种基于微服务架构的石油问卷调查分析系统，所述基于微服务架构的石油问卷调查分析系统包括：
请求响应单元，用于获得请求消息，根据所述请求消息访问业务服务单元中对应的应用模块；
业务服务单元，包括若干应用模块，所述应用模块根据数据存储单元存储的数据提供相应的服务，所述应用模块至少包括问卷设计模块、问卷发布模块和问卷分析模块，所述应用模块均独立部署于所述业务服务单元中；
数据存储单元，用于为所述业务服务单元中的所述应用模块提供数据支撑；
其中，所述问卷设计模块用于生成问卷，获得第一数据，所述第一数据用于表示问卷内容，包括至少一个题目数据；所述问卷发布模块用于将所述第一数据推送给目标用户，获得所述目标用户返回的第二数据；所述问卷分析模块用于分析所述第二数据，获得第一结果。
其中，所述问卷设计模块、所述问卷发布模块和所述问卷分析模块基于微服务架构独立部署于所述业务服务单元中，具体的，所述微服务架构可以基于Vue前端框架、SpringBoot和SpringCloud结合的后端微服务框架实现；Vue前端框架是一个快速、高效的JavaScript库，能够便捷的实现前端复杂用户界面的开发；SpringBoot是基于Java的快速应用开发框架，而SpringCloud提供了服务发现、负载均衡、断路器以及配置管理等功能等用于构建分布式系统的工具；其中，所述问卷设计模块、所述问卷发布模块和所述问卷分析模块还可以基于Netflix OSS、Docker或Kubernetes等技术栈搭建，具体技术栈的选择根据实际需要确定，本实施例在此不做具体限定。
其中，在本实施例中，所述问卷分析模块还用于对所述题目数据进行分类，获得第一分类结果；所述数据存储单元还用于根据所述第一分类结果存储所述第一数据以及与所述第一数据对应的第二数据。
其中，所述第一数据对应的问卷中包括至少一个题目数据，问卷题目通常根据是否有标准答案分为开放式题目和封闭式题目，开放式题目即没有对应的标准答案的题目，封闭式题目即有对应的标准答案的题目，对于不同的题目类型，适用的分析或评价方法存在差异，具体的，所述问卷分析模块可以根据是否有预设答案、是否有题目选项、题目对应的等特征对所述问卷题目进行分类，具体分类标准根据实际需要确定，本实施例在此不做具体限定。
其中，在本实施例中，所述问卷分析模块还用于对所述第一数据进行分半处理，获得分半结果，所述分半结果包括至少两个子问卷；根据所述分半结果对所述第一数据进行评估，获得第三数据，所述第三数据用于表示所述第一数据对应问卷的有效性。
其中，在本实施例中，所述问卷分析模块对所述第一数据进行分半处理的具体方法为：
步骤1：建立语言模型，根据所述语言模型计算所述第一数据中每个所述题目数据的特征向量，获得第四数据；
步骤2：指定聚类类别数k，k为正整数，初始化所述第四数据中k个特征向量作为聚类中心，每个所述聚类中心分别对应一个类；
步骤3：分别计算所述第四数据中每个特征向量和所述聚类中心的距离，将所述第四数据中的每个特征向量分类到距离最近的聚类中心所对应的类中；
步骤4：重新计算每个类的聚类中心；
步骤5：返回执行步骤3，直至所述聚类中心和所述第四数据间的均方误差收敛，获得聚类结果，然后执行步骤6；
步骤6：遍历所述聚类中心，获得所述聚类中心中包含特征向量数量的最小值，根据所述最小值和所述聚类结果确定分半系数，并根据所述分半系数对问卷进行分割，获得至少两个子问卷。
其中，所述语言模型可以为BERT模型、TextCNN、TextRNN或DPCNN等文本分类模型，所述文本模型将所述第一数据中就没个所述题目数据作为输入，获得对应特征向量，该特征向量用于描述所述第一数据中的题目数据，所述语言模型的具体种类根据实际需要确定，本实施例在此不做具体限定。
其中，所述聚类类别数k为正整数，表示将所述第一数据中对应的若干题目数据被分为相似的k类，所述聚类类别数k可以根据肘部法、轮廓系数确定，具体计算方式根据实际需要确定，本实施例在此不做具体限定。
具体的，获得所述聚类结果后，遍历所述聚类中心，获得所述聚类中心中包含的特征向量数量的最小值n，根据所述最小值和所述确定分半系数m，并根据所述分半系数m对问卷进行分割，获得m个子问卷；其中，特征向量数量最小值n和分半系数m均为正整数，分半系数m小于或等于特征向量数量最小值n，根据所述分半系数m对问卷进行分割即获得聚类结果中的k个题目数据类型，分别将k个题目数据类型中的题目分为m份，最后获得m个子问卷，其中，每个子问卷中均包含全部类型的题目数据。
其中，在本实施例中，所述问卷分析模块根据所述分半结果对所述第一数据进行评估，获得第三数据的具体方法为：
分别获得所述子问卷对应的第二数据，判断所述子问卷对应的第二数据间的一致性，获得所述第三数据。
具体的，对所述第一数据进行评估时，首先分别获得所述子问卷对应的第二数据，根据所述第二数据对所述对每个所述子问卷进行评分，根据所述子问卷的得分情况判断所述子问卷对应的第二数据间的一致性，获得第三数据；其中，根据所述第二数据对所述对每个所述子问卷进行评分的具体评分标准根据实际应用中题目答案确定，本实施例在此不做具体限定，可以根据所述子问卷的得分方差或标准差等特征判断所述子问卷对应的第二数据间的一致性，获得第三数据，其中，具体判断方法与标准根据实际需要确定，本实施例在此不做具体限定。
实施例二
请参考图1，本发明实施例二提供了一种基于微服务架构的石油问卷调查分析系统，在实施例一的基础上，所述第二数据包括答题时间数据、用户答案数据和标准答案数据，所述问卷分析模块还用于根据所述答题时间数据、所述用户答案数据和所述标准答案数据对所述第二数据进行筛选。
其中，所述问卷分析模块还用于根据所述答题时间数据、所述用户答案数据和所述标准答案数据对所述第二数据进行筛选的具体方法为：
根据所述第一数据中包含题目数量确定标准答题时间，判断所述答题时间数据对应的时长和所述标准答题时间的大小关系，若所述答题时间数据对应的时长小于所述标准答题时间，则认为该问卷存在答题时间异常，删除所述第二数据；
根据所述用户答案数据和所述标准答案数据计算所述第二数据的用户得分，确定标准得分，判断所述用户得分和所述标准的大小关系，若所述用户得分小于或等于所述标准得分，则认为该问卷存在答案异常矛盾，删除所述第二数据。
其中，在本实施例中，所述第一分类结果包括开放式题目和封闭式题目，所述问卷分析模块还用于所述开放式题目对应的第二数据进行分析，获得诉求词云；对所述封闭式题目对应的第二数据进行分析，获得预警词云。
其中，所述预警词云和所述诉求词云均可以通过WoldCloud或jieba对所述第二数据进行分析获得，所述预警词云为用于描述石油安全中潜在的安全风险关键词，所述诉求词云为用户描述目标用户关于石油安全培训的诉求关键词，所述预警词云和所述诉求词云的具体提取算法根据实际需要确定，本实施例在此不做具体限定。
其中，由于所述若干应用模块均独立部署于所述业务服务单元中，所述若干应用模块通过相互引用的方式完成数据共享，并均基于数据存储单元提供的数据实现相应的功能，所述若干应用模块在访问所述数据存储的单元时，可能由于并发对相同的数据进行操作而出现脏读、幻读以及不可重复读的数据读写异常，因此，在本实施例中，所述基于微服务架构的问卷调查分析系统还包括数据同步单元，所述数据同步单元用于设置所述应用模块的权限，所述权限用于表示应用模块访问所述数据存储单元的隔离级别。
具体的，脏读即一个事务A读取数据库中的数据时，另一个事务B正在对相同的数据进行修改，事务A读取数据后，事务B对数据的修改操作发生了回滚，导致事务A读取到不存在的脏数据；不可重复读即一个事务A两次读取数据库的数据间隔中，另一个事务B对该数据进行了修改，导致事务A两次读取所获得的数据不一致；幻读即一个事务A对数据进行更新时，事务B插入了新的未更新数据，导致事务A完成更新后发现仍存在待更新数据；所述问卷设计模块访问所述数据存储单元时，可能出现脏读异常，所述问卷发布模块访问所述数据存储单元时，可能出现脏读、不可重复读异常或幻读异常，因此所述数据同步单元设置所述应用模块的权限，所述权限用于表示应用模块访问所述数据存储单元的隔离级别，所述隔离级别包括Read uncommitted（读未提交）、Read committed（读已提交）、Repeatableread（可重复读）、Serializable（串行化），具体隔离级别的设计根据实际需要确定，本实施例在此不做具体限定。
其中，在本实施例中，所述应用模块还包括身份认证模块，所述身份认证模块元用于获得所述目标用户的身份信息和岗位信息，所述问卷分析模块根据所述身份信息和所述岗位信息分析所述第二数据，获得第二结果。
其中，所述目标用户的身份信息用于区分具体的目标用户，所述岗位信息用于表示目标用户的具体工作岗位，所述身份信息和所述岗位信息的具体内容根据实际情况确定，本实施例在此不做具体限定。
所述问卷分析模块分析所述第二数据时，所述问卷分析模块还用于根据岗位类型对所述第一数据中包含的题目数据进行分类，获得分类结果，然后分别计算目标用户在每一类题目中的得分，根据目标用户对应的岗位信息对用户进行评价，具体的，与目标用户的岗位信息相对应的题目的评分标准应高于与目标用户的岗位信息不相对应的题目评分标准，具体评价方法根据实际需要确定，本实施例在此不做具体限定。
其中，在本实施例中，所述问卷分析模块分析所述第二数据，获得第一结果后，还用于将所述第一结果发送至所述问卷设计模块；所述问卷设计模块还用于根据所述第一结果更新所述第一数据，所述问卷发布模块还用于将更新后的第一数据推送给目标用户。
具体的，所述问卷分析模块首先根据岗位类型对所述第一数据中包含的题目数据进行分类，获得分类结果；所述问卷分析模块分析所述第二数据的具体方法为：
对所述第二结果中存在错误的题目数据与所述分类结果进行匹配，获得匹配结果，所述匹配结果用于表示目标用户回答出错的石油知识点；
对所述匹配结果中对应的题目类型进行排序，获得目标题目类型，所述目标题目类型表示目标用户可能存在安全知识漏洞的石油知识点；
所述问卷设计模块根据所述第一结果更新所述第一数据即根据目标用户可能存在安全知识漏洞的石油知识点增加所述第一数据中该类题目数据的数量，便于后续对目标用户进行针对性的问卷调查分析，准确发现石油安全隐患。
实施例三
请参考图2，本发明实施例三提供了一种基于微服务架构的石油问卷调查分析方法，所述方法包括以下步骤：
请求响应步骤，包括获得请求消息，根据所述请求消息访问业务服务步骤；
数据建设步骤，包括建立数据库，所述数据库用于为业务服务步骤提供数据支撑；
业务服务步骤，包括根据所述请求消息生成问卷，获得第一数据，所述第一数据用于表示问卷内容，包括至少一个题目数据；将所述第一数据推送给目标用户，并获得目标用户返回的第二数据；分析所述第二数据，获得第一结果。
其中，所述业务服务步骤中的功能通过问卷设计模块、问卷发布模块和问卷分析模块实现，所述问卷设计模块、所述问卷发布模块和所述问卷分析模块基于微服务架构独立部署，具体的，所述微服务架构可以基于Vue前端框架、Spring Boot和Spring Cloud结合的后端微服务框架实现；Vue前端框架是一个快速、高效的JavaScript库，能够便捷的实现前端复杂用户界面的开发；Spring Boot是基于Java的快速应用开发框架，而Spring Cloud提供了服务发现、负载均衡、断路器以及配置管理等功能等用于构建分布式系统的工具；其中，所述问卷设计模块、所述问卷发布模块和所述问卷分析模块还可以基于Netflix OSS、Docker或Kubernetes等技术栈搭建，具体技术栈的选择根据实际需要确定，本实施例在此不做具体限定。
其中，在本实施例中，所述业务服务步骤中分析所述第二数据，获得第一结果的具体方法为：
将所述第一数据与所述第二数据进行匹配，获得匹配结果；
对所述第一数据进行分类，将所述第一数据分为开放式题目和封闭式题目；
根据所述匹配结果对所述第一数据中的开放式题目进行评分，获得问卷得分；
根据所述匹配结果对所述第一数据中的封闭式题目进行特征提取，获得问卷关键词；
分析所述问卷得分和所述问卷关键词，获得第一结果。
其中，所述业务服务步骤可以通过TF-IDF算法、N-Gram算法以及任意能够完成文本分割的自然语言模型实现对所述第一数据中的封闭式题目进行特征提取，具体算法选择根据实际需要确定，本实施例在此不做具体限定。
其中，在本实施例中，所述业务服务步骤还包括：
根据所述第一结果对目标用户进行分类，获得第二分类结果，所述第二分类结果用于区分目标用户安全知识的掌握程度；
针对所述第二分类结果中的每一类，生成对应的问卷，获得第五数据，并获得目标用户返回的第六数据；其中，所述第五数据用于表示问卷内容，包括至少一个题目数据。
实施例四
请参考图2，本发明实施例四提供了一种基于微服务架构的石油问卷调查分析方法，在实施例三的基础上，所述业务服务步骤还包括对所述第一数据进行分半处理，获得分半结果，所述分半结果包括至少两个子问卷；根据所述分半结果对所述第一数据进行评估，获得第三数据，所述第三数据用于表示所述第一数据对应问卷的有效性。
其中，在本实施例中，对所述第一数据进行分半处理的具体方法为：
步骤a：建立语言模型，根据所述语言模型计算所述第一数据中每个所述题目数据的特征向量，获得第四数据；
步骤b：指定聚类类别数k，k为正整数，初始化所述第四数据中k个特征向量作为聚类中心，每个所述聚类中心分别对应一个类；
步骤c：分别计算所述第四数据中每个特征向量和所述聚类中心的距离，将所述第四数据中的每个特征向量分类到距离最近的聚类中心所对应的类中；
步骤d：重新计算每个类的聚类中心；
步骤e：返回执行步骤c，直至所述聚类中心和所述第四数据间的均方误差收敛，获得聚类结果，然后执行步骤f；
步骤f：遍历所述聚类中心，获得所述聚类中心中包含特征向量数量的最小值，根据所述最小值和所述聚类结果确定分半系数，并根据所述分半系数对问卷进行分割，获得至少两个子问卷。
其中，所述语言模型可以为BERT模型、TextCNN、TextRNN或DPCNN等文本分类模型，所述文本模型将所述第一数据中就没个所述题目数据作为输入，获得对应特征向量，该特征向量用于描述所述第一数据中的题目数据，所述语言模型的具体种类根据实际需要确定，本实施例在此不做具体限定。
其中，所述聚类类别数k为正整数，表示将所述第一数据中对应的若干题目数据被分为相似的k类，所述聚类类别数k可以根据肘部法、轮廓系数确定，具体计算方式根据实际需要确定，本实施例在此不做具体限定。
具体的，获得所述聚类结果后，遍历所述聚类中心，获得所述聚类中心中包含的特征向量数量的最小值n，根据所述最小值和所述确定分半系数m，并根据所述分半系数m对问卷进行分割，获得m个子问卷；其中，特征向量数量最小值n和分半系数m均为正整数，分半系数m小于或等于特征向量数量最小值n，根据所述分半系数m对问卷进行分割即获得聚类结果中的k个题目数据类型，分别将k个题目数据类型中的题目分为m份，最后获得m个子问卷，其中，每个子问卷中均包含全部类型的题目数据。
其中，在本实施例中，所述根据所述分半结果对所述第一数据进行评估，获得第三数据的具体方法为：
分别获得所述子问卷对应的第二数据，判断所述子问卷对应的第二数据间的一致性，获得所述第三数据。
具体的，对所述第一数据进行评估时，首先分别获得所述子问卷对应的第二数据，根据所述第二数据对所述对每个所述子问卷进行评分，根据所述子问卷的得分情况判断所述子问卷对应的第二数据间的一致性，获得第三数据；其中，根据所述第二数据对所述对每个所述子问卷进行评分的具体评分标准根据实际应用中题目答案确定，本实施例在此不做具体限定，可以根据所述子问卷的得分方差或标准差等特征判断所述子问卷对应的第二数据间的一致性，获得第三数据，其中，具体判断方法与标准根据实际需要确定，本实施例在此不做具体限定。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (16)
1.一种基于微服务架构的石油问卷调查分析系统，其特征在于，所述基于微服务架构的石油问卷调查分析系统包括：
请求响应单元，用于获得请求消息，根据所述请求消息访问业务服务单元中对应的应用模块；
业务服务单元，包括若干应用模块，所述应用模块根据数据存储单元存储的数据提供相应的服务，所述应用模块至少包括问卷设计模块、问卷发布模块和问卷分析模块，所述应用模块均独立部署于所述业务服务单元中；
数据存储单元，用于为所述业务服务单元中的所述应用模块提供数据支撑；
其中，所述问卷设计模块用于生成问卷，获得第一数据，所述第一数据用于表示问卷内容，包括至少一个题目数据；所述问卷发布模块用于将所述第一数据推送给目标用户，获得所述目标用户返回的第二数据；所述问卷分析模块用于分析所述第二数据，获得第一结果。
2.根据权利要求1所述的一种基于微服务架构的石油问卷调查分析系统，其特征在于，所述问卷分析模块还用于对所述题目数据进行分类，获得第一分类结果；所述数据存储单元还用于根据所述第一分类结果存储所述第一数据以及与所述第一数据对应的第二数据。
3.根据权利要求1所述的一种基于微服务架构的石油问卷调查分析系统，其特征在于，所述问卷分析模块还用于对所述第一数据进行分半处理，获得分半结果，所述分半结果包括至少两个子问卷；根据所述分半结果对所述第一数据进行评估，获得第三数据，所述第三数据用于表示所述第一数据对应问卷的有效性。
4.根据权利要求3所述的一种基于微服务架构的石油问卷调查分析系统，其特征在于，所述问卷分析模块对所述第一数据进行分半处理的具体方法为：
步骤1：建立语言模型，根据所述语言模型计算所述第一数据中每个所述题目数据的特征向量，获得第四数据；
步骤2：指定聚类类别数k，k为正整数，初始化所述第四数据中k个特征向量作为聚类中心，每个所述聚类中心分别对应一个类；
步骤3：分别计算所述第四数据中每个特征向量和所述聚类中心的距离，将所述第四数据中的每个特征向量分类到距离最近的聚类中心所对应的类中；
步骤4：重新计算每个类的聚类中心；
步骤5：返回执行步骤3，直至所述聚类中心和所述第四数据间的均方误差收敛，获得聚类结果，然后执行步骤6；
步骤6：遍历所述聚类中心，获得所述聚类中心中包含特征向量数量的最小值，根据所述最小值和所述聚类结果确定分半系数，并根据所述分半系数对问卷进行分割，获得至少两个子问卷。
5.根据权利要求3所述的一种基于微服务架构的石油问卷调查分析系统，其特征在于，所述问卷分析模块根据所述分半结果对所述第一数据进行评估，获得第三数据的具体方法为：
分别获得所述子问卷对应的第二数据，判断所述子问卷对应的第二数据间的一致性，获得所述第三数据。
6.根据权利要求1所述的一种基于微服务架构的石油问卷调查分析系统，其特征在于，所述第二数据包括答题时间数据、用户答案数据和标准答案数据，所述问卷分析模块还用于根据所述答题时间数据、所述用户答案数据和所述标准答案数据对所述第二数据进行筛选。
7.根据权利要求2所述的一种基于微服务架构的石油问卷调查分析系统，其特征在于，所述第一分类结果包括开放式题目和封闭式题目，所述问卷分析模块还用于所述开放式题目对应的第二数据进行分析，获得诉求词云；对所述封闭式题目对应的第二数据进行分析，获得预警词云。
8.根据权利要求1所述的一种基于微服务架构的石油问卷调查分析系统，其特征在于，所述基于微服务架构的石油问卷调查分析系统还包括数据同步单元，所述数据同步单元用于设置所述应用模块的权限，所述权限用于表示应用模块访问所述数据存储单元的隔离级别。
9.根据权利要求2所述的一种基于微服务架构的石油问卷调查分析系统，其特征在于，所述应用模块还包括身份认证模块，所述身份认证模块用于获得所述目标用户的身份信息和岗位信息，所述问卷分析模块根据所述身份信息和所述岗位信息分析所述第二数据，获得第二结果。
10.根据权利要求2所述的一种基于微服务架构的石油问卷调查分析系统，其特征在于，所述问卷分析模块分析所述第二数据，获得第一结果后，还用于将所述第一结果发送至所述问卷设计模块；所述问卷设计模块还用于根据所述第一结果更新所述第一数据，所述问卷发布模块还用于将更新后的第一数据推送给目标用户。
11.一种基于微服务架构的石油问卷调查分析方法，其特征在于，所述方法包括以下步骤：
请求响应步骤，包括获得请求消息，根据所述请求消息访问业务服务步骤；
数据建设步骤，包括建立数据库，所述数据库用于为业务服务步骤提供数据支撑；
业务服务步骤，包括根据所述请求消息生成问卷，获得第一数据，所述第一数据用于表示问卷内容，包括至少一个题目数据；将所述第一数据推送给目标用户，并获得目标用户返回的第二数据；分析所述第二数据，获得第一结果。
12.根据权利要求11所述的一种基于微服务架构的石油问卷调查分析方法，其特征在于，业务服务步骤中分析所述第二数据，获得第一结果的具体方法为：
将所述第一数据与所述第二数据进行匹配，获得匹配结果；
对所述第一数据进行分类，将所述第一数据分为开放式题目和封闭式题目；
根据所述匹配结果对所述第一数据中的开放式题目进行评分，获得问卷得分；
根据所述匹配结果对所述第一数据中的封闭式题目进行特征提取，获得问卷关键词；
分析所述问卷得分和所述问卷关键词，获得第一结果。
13.根据权利要求11所述的一种基于微服务架构的石油问卷调查分析方法，其特征在于，所述业务服务步骤还包括：
根据所述第一结果对目标用户进行分类，获得第二分类结果，所述第二分类结果用于区分目标用户安全知识的掌握程度；
针对所述第二分类结果中的每一类，生成对应的问卷，获得第五数据，并获得目标用户返回的第六数据；其中，所述第五数据用于表示问卷内容，包括至少一个题目数据。
14.根据权利要求11所述的一种基于微服务架构的石油问卷调查分析方法，其特征在于，所述业务服务步骤还包括对所述第一数据进行分半处理，获得分半结果，所述分半结果包括至少两个子问卷；根据所述分半结果对所述第一数据进行评估，获得第三数据，所述第三数据用于表示所述第一数据对应问卷的有效性。
15.根据权利要求14所述的一种基于微服务架构的石油问卷调查分析方法，其特征在于，对所述第一数据进行分半处理的具体方法为：
步骤a：建立语言模型，根据所述语言模型计算所述第一数据中每个所述题目数据的特征向量，获得第四数据；
步骤b：指定聚类类别数k，k为正整数，初始化所述第四数据中k个特征向量作为聚类中心，每个所述聚类中心分别对应一个类；
步骤c：分别计算所述第四数据中每个特征向量和所述聚类中心的距离，将所述第四数据中的每个特征向量分类到距离最近的聚类中心所对应的类中；
步骤d：重新计算每个类的聚类中心；
步骤e返回执行步骤c，直至所述聚类中心和所述第四数据间的均方误差收敛，获得聚类结果，然后执行步骤f；
步骤f：遍历所述聚类中心，获得所述聚类中心中包含特征向量数量的最小值，根据所述最小值和所述聚类结果确定分半系数，并根据所述分半系数对问卷进行分割，获得至少两个子问卷。
16.根据权利要求15所述的一种基于微服务架构的石油问卷调查分析方法，其特征在于，所述根据所述分半结果对所述第一数据进行评估，获得第三数据的具体方法为：
分别获得所述子问卷对应的第二数据，判断所述子问卷对应的第二数据间的一致性，获得所述第三数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310937141.5A CN116703332B (zh) | 2023-07-28 | 2023-07-28 | 一种基于微服务架构的石油问卷调查分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310937141.5A CN116703332B (zh) | 2023-07-28 | 2023-07-28 | 一种基于微服务架构的石油问卷调查分析系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116703332A true CN116703332A (zh) | 2023-09-05 |
| CN116703332B CN116703332B (zh) | 2023-10-17 |
Family
ID=87839456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310937141.5A Active CN116703332B (zh) | 2023-07-28 | 2023-07-28 | 一种基于微服务架构的石油问卷调查分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703332B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106844473A (zh) * | 2016-12-23 | 2017-06-13 | 明博教育科技股份有限公司 | 一种基于微服务架构的教师评价分析方法 |
| US20210019674A1 (en) * | 2015-10-28 | 2021-01-21 | Qomplx, Inc. | Risk profiling and rating of extended relationships using ontological databases |
| CN112446644A (zh) * | 2020-12-11 | 2021-03-05 | 福州数据技术研究院有限公司 | 一种提高网络问卷质量的方法及装置 |
| CN113918529A (zh) * | 2021-09-17 | 2022-01-11 | 广州快决测信息科技有限公司 | 基于小程序的问卷调查方法、装置及存储介质 |
| CN114626886A (zh) * | 2022-03-17 | 2022-06-14 | 深圳市万人市场调查股份有限公司 | 一种调查问卷数据分析方法及系统 |
| CN115630613A (zh) * | 2022-12-19 | 2023-01-20 | 长沙冉星信息科技有限公司 | 一种问卷调查中评价类问题的自动编码系统及其方法 |
| US20230208869A1 (en) * | 2018-06-12 | 2023-06-29 | Akitra, Inc. | Generative artificial intelligence method and system configured to provide outputs for company compliance |
-
2023
- 2023-07-28 CN CN202310937141.5A patent/CN116703332B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210019674A1 (en) * | 2015-10-28 | 2021-01-21 | Qomplx, Inc. | Risk profiling and rating of extended relationships using ontological databases |
| CN106844473A (zh) * | 2016-12-23 | 2017-06-13 | 明博教育科技股份有限公司 | 一种基于微服务架构的教师评价分析方法 |
| US20230208869A1 (en) * | 2018-06-12 | 2023-06-29 | Akitra, Inc. | Generative artificial intelligence method and system configured to provide outputs for company compliance |
| CN112446644A (zh) * | 2020-12-11 | 2021-03-05 | 福州数据技术研究院有限公司 | 一种提高网络问卷质量的方法及装置 |
| CN113918529A (zh) * | 2021-09-17 | 2022-01-11 | 广州快决测信息科技有限公司 | 基于小程序的问卷调查方法、装置及存储介质 |
| CN114626886A (zh) * | 2022-03-17 | 2022-06-14 | 深圳市万人市场调查股份有限公司 | 一种调查问卷数据分析方法及系统 |
| CN115630613A (zh) * | 2022-12-19 | 2023-01-20 | 长沙冉星信息科技有限公司 | 一种问卷调查中评价类问题的自动编码系统及其方法 |
Non-Patent Citations (4)
| Title |
|---|
| PIPITWANICHAKARN TANIKAN 等: "Leveraging the technology acceptance model for mobile commerce adoption under distinct stages of adoption:A case of micro businesses", 《ASIA PACIFIC JOURNAL OF MARKETING AND LOGISTICS.》, vol. 33, no. 6, pages 1415 - 1436 * |
| 刘健 等: "数字图书馆微服务评价指标体系构建及实证研究", 《现代图书情报技术》, no. 05, pages 22 - 29 * |
| 杨刚 等: "新媒体环境下科研信息行为与特征分析", 《图书情报工作》, vol. 62, no. 03, pages 78 - 85 * |
| 钟明灯 等: "基于工程教育专业认证的问卷调查法及应用研究", 《长春工程学院学报(社会科学版)》, no. 04, pages 98 - 101 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116703332B (zh) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11720863B2 (en) | Method and system for generating vehicle service content | |
| Guzman et al. | Ensemble methods for app review classification: An approach for software evolution (n) | |
| US10157347B1 (en) | Adaptable systems and methods for processing enterprise data | |
| Wang et al. | Images don’t lie: Duplicate crowdtesting reports detection with screenshot information | |
| Sun et al. | A discriminative model approach for accurate duplicate bug report retrieval | |
| US8346701B2 (en) | Answer ranking in community question-answering sites | |
| US20210042366A1 (en) | Machine-learning system for servicing queries for digital content | |
| Gao et al. | Emerging app issue identification from user feedback: Experience on wechat | |
| Al-Kofahi et al. | Fuzzy set approach for automatic tagging in evolving software | |
| Huberty et al. | Cluster analysis in higher education research | |
| CN113656805B (zh) | 一种面向多源漏洞信息的事件图谱自动构建方法及系统 | |
| CN113742488B (zh) | 基于多任务学习的嵌入式知识图谱补全方法和装置 | |
| CN107784069B (zh) | 一种用于智能诊断学生知识能力的方法 | |
| Arnarsson et al. | Supporting knowledge re-use with effective searches of related engineering documents-a comparison of search engine and natural language processing-based algorithms | |
| Punlumjeak et al. | Big data analytics: Student performance prediction using feature selection and machine learning on microsoft azure platform | |
| CN114090784A (zh) | 一种材料领域知识图谱的实体标签聚类方法及装置 | |
| CN116703332B (zh) | 一种基于微服务架构的石油问卷调查分析系统及方法 | |
| CN108021595A (zh) | 检验知识库三元组的方法及装置 | |
| Mushtaq et al. | Educational data classification framework for community pedagogical content management using data mining | |
| CN109299381B (zh) | 一种基于语义概念的软件缺陷检索和分析系统及方法 | |
| US20180260459A1 (en) | Analytics engine selection management | |
| US11386368B1 (en) | Method for matching students with teachers to achieve optimal student outcomes | |
| US20220406472A1 (en) | System and method for providing medical equipment and medicine information | |
| Gadelha | An approach for traceability recovery between bug reports and test cases. | |
| Azevedo et al. | Automatic analysis of messages in discussion forums |
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 |