CN116737800A - 应用于供应链平台服务的大数据挖掘方法及系统 - Google Patents
应用于供应链平台服务的大数据挖掘方法及系统 Download PDFInfo
- Publication number
- CN116737800A CN116737800A CN202310771418.1A CN202310771418A CN116737800A CN 116737800 A CN116737800 A CN 116737800A CN 202310771418 A CN202310771418 A CN 202310771418A CN 116737800 A CN116737800 A CN 116737800A
- Authority
- CN
- China
- Prior art keywords
- network
- relationship
- relationship network
- group
- relation
- 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.)
- Withdrawn
Links
- 238000007418 data mining Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003012 network analysis Methods 0.000 claims abstract description 108
- 238000005065 mining Methods 0.000 claims abstract description 94
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims description 58
- 230000009467 reduction Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 9
- 238000013075 data extraction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000000875 corresponding effect Effects 0.000 description 99
- 238000004458 analytical method Methods 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 12
- 238000013507 mapping Methods 0.000 description 9
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010835 comparative analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011084 recovery 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- 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
- G06Q50/10—Services
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的应用于供应链平台服务的大数据挖掘方法及系统,涉及人工智能技术领域。在本发明中,依据提取到的具有的第一关系群体的典型关系网,对获取到的初始关系网分析网络进行网络优化操作,以形成目标关系网分析网络;利用目标关系网分析网络包括的主关系网分析模型,将待处理关系网进行关系网重建操作,以输出待处理关系网对应的目标重建关系网;基于待处理关系网和目标重建关系网,对包括的关系网对象进行群体异常挖掘操作,以输出对应的群体异常挖掘结果。基于上述内容,可以在一定程度上提高数据挖掘的可靠度。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种应用于供应链平台服务的大数据挖掘方法及系统。
背景技术
人工智能(Artificial Intelligence,简称AI),是利用数字计算机或者数字计算机控制的计算模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。
人工智能技术的应用场景较多,例如,可以基于人工智能技术,对供应链平台的服务对象进行数据挖掘,例如,可以进行群体异常挖掘操作,但是,在现有技术中,存在着数据挖掘的可靠度不高的问题。
发明内容
有鉴于此,本发明的目的在于提供一种应用于供应链平台服务的大数据挖掘方法及系统,以在一定程度上提高数据挖掘的可靠度。
为实现上述目的,本发明实施例采用如下技术方案:
一种应用于供应链平台服务的大数据挖掘方法,包括:
依据提取到的具有的第一关系群体的典型关系网,对获取到的初始关系网分析网络进行网络优化操作,以形成目标关系网分析网络;
利用所述目标关系网分析网络包括的主关系网分析模型,将待处理关系网进行关系网重建操作,以输出所述待处理关系网对应的目标重建关系网,所述待处理关系网包括的每一个关系网对象属于目标供应链平台的服务对象,所述目标重建关系网包括所述第一关系群体,所述目标重建关系网包括所述第一关系群体是指,所述目标重建关系网包括的关系群体的群体内部关系与所述第一关系群体的群体内部关系一致,所述目标重建关系网中的第一关系群体的群体对外标识性特征和所述待处理关系网中的待处理关系群体的群体对外标识性特征是一样的,在所述待处理关系网中,关系网对象的分布坐标之间的关系至少与对应的属性数据之间的关系具有相关性;
基于所述待处理关系网和所述目标重建关系网,对包括的关系网对象进行群体异常挖掘操作,以输出对应的群体异常挖掘结果,所述群体异常挖掘结果用于反映包括的关系网对象在整体上的行为异常信息,在各关系网中,包括的关系网对象的属性数据为对应的服务对象的行为描述文本数据。
在一些优选的实施例中,在上述应用于供应链平台服务的大数据挖掘方法中,所述依据提取到的具有的第一关系群体的典型关系网,对获取到的初始关系网分析网络进行网络优化操作,以形成目标关系网分析网络的步骤,包括:
确定出初始关系网分析网络的典型关系网簇,所述初始关系网分析网络包括主关系网分析模型和从关系网分析模型,所述主关系网分析模型和所述从关系网分析模型具有的信息挖掘单元,所述典型关系网簇包括主典型关系网子簇和从典型关系网子簇,所述主典型关系网子簇包括A个主典型关系网,每一个主典型关系网都具有第一关系群体,所述从典型关系网子簇包括B个从典型关系网,每一个从典型关系网具有一个第二关系群体,每一个所述主典型关系网包括的关系网对象属于所述目标供应链平台的服务对象,且该关系网对象在所述主典型关系网中的属性数据为对应的服务对象的历史行为描述文本数据;
在所述主典型关系网子簇中,确定出主典型关系网c1,以及,利用所述主关系网分析模型,将所述主典型关系网c1进行关系网重建操作,以输出对应的主重建关系网c2,所述主重建关系网c2包括第一关系群体,所述主重建关系网c2中的第一关系群体的群体对外标识性特征与所述主典型关系网c1中的第一关系群体的群体对外标识性特征是一样的,c不大于A;
在所述从典型关系网子簇中,确定出从典型关系网d1,以及,利用所述主关系网分析模型,将所述从典型关系网d1进行关系网重建操作,以输出对应的从重建关系网d2,所述从重建关系网d2包括第一关系群体,所述从重建关系网d2中的第一关系群体的群体对外标识性特征和所述从典型关系网d1中的第二关系群体的群体对外标识性特征是一样的,d不大于B;
利用所述从关系网分析模型,将所述从典型关系网d1进行关系网重建操作,以输出对应的从重建关系网d3,所述从重建关系网d3和所述从典型关系网d1具有的第二关系群体是一样的;
基于所述主典型关系网c1和所述主重建关系网c2之间的关系网区别信息、所述从典型关系网d1和所述从重建关系网d2之间的关系网区别信息、所述从典型关系网d1和所述从重建关系网d3之间的关系网区别信息,对所述初始关系网分析网络进行网络优化操作,形成目标关系网分析网络。
在一些优选的实施例中,在上述应用于供应链平台服务的大数据挖掘方法中,所述主关系网分析模型包括特征挖掘单元和主特征还原单元;所述利用所述主关系网分析模型,将所述主典型关系网c1进行关系网重建操作,以输出对应的主重建关系网c2的步骤,包括:
利用所述特征挖掘单元,将所述主典型关系网c1进行特征挖掘操作,以形成对应的主关系网特征表示,所述主关系网特征表示携带有所述主典型关系网c1中的第一关系群体的群体对外标识性特征;
利用所述主特征还原单元,将所述主关系网特征表示进行特征还原操作,以输出对应的主重建整体关系网和所述主重建整体关系网的群体标识数据,所述群体标识数据用于反映所述主重建整体关系网中的群体局部关系网;
基于所述主重建整体关系网的群体标识数据,在所述主重建整体关系网中,确定出对应的主重建关系网c2。
在一些优选的实施例中,在上述应用于供应链平台服务的大数据挖掘方法中,所述主关系网分析模型包括特征挖掘单元和主特征还原单元;所述利用所述主关系网分析模型,将所述从典型关系网d1进行关系网重建操作,以输出对应的从重建关系网d2的步骤,包括:
利用所述特征挖掘单元,将所述从典型关系网d1进行征挖掘操作,以形成对应的从关系网特征表示,所述从关系网特征表示携带有所述从典型关系网d1中的第二关系群体的群体对外标识性特征;
利用所述主特征还原单元,将所述从关系网特征表示进行特征还原操作,以输出对应的从重建整体关系网和所述从重建整体关系网的群体标识数据,所述群体标识数据用于反映所述从重建整体关系网中的群体局部关系网;
基于所述从重建整体关系网的群体标识数据,在所述从重建整体关系网中,确定出对应的从重建关系网d2。
在一些优选的实施例中,在上述应用于供应链平台服务的大数据挖掘方法中,所述特征挖掘单元包括第一数量个特征挖掘子单元和一个特征融合子单元,每一个特征挖掘子单元包括一个数据抽取块,第一数量个数据抽取块的大小不一样;
所述第一数量个数据抽取块用于,抽取出加载到所述特征挖掘单元的典型关系网在第一数量个尺寸大小下的关键性数据;
所述特征融合子单元用于,将所述第一数量个尺寸大小下的关键性数据进行融合操作,以形成所述加载到所述特征挖掘单元的典型关系网对应的特征表示,所述加载到所述特征挖掘单元的典型关系网包括所述主典型关系网c1或所述从典型关系网d1。
在一些优选的实施例中,在上述应用于供应链平台服务的大数据挖掘方法中,所述主特征还原单元包括一个变形处理子单元、第二数量个插值处理子单元和一个褶积处理子单元,每一个插值处理子单元包括一个梯度优化块和一个插值处理块;
所述变形处理子单元用于,对加载到所述主特征还原单元的特征表示进行变形操作,以得到对应的变形操作输出数据;
所述第二数量个插值处理子单元用于,将所述变形操作输出数据进行大小调整操作,以形成大小与对应的典型关系网一样的调整操作输出数据;
所述褶积处理子单元用于,将所述调整操作输出数据进行褶积处理操作,以得到所述加载到所述主特征还原单元的特征表示对应的重建关系网,所述加载到所述主特征还原单元的特征表示包括所述主关系网特征表示或所述从关系网特征表示,在所述加载到所述主特征还原单元的特征表示为所述主关系网特征表示的情况下,所述加载到所述主特征还原单元的特征表示对应的重建关系网为主重建整体关系网,在所述加载到所述主特征还原单元的特征表示为所述从关系网特征表示的情况下,所述加载到所述主特征还原单元的特征表示对应的重建关系网为从重建整体关系网。
在一些优选的实施例中,在上述应用于供应链平台服务的大数据挖掘方法中,所述从关系网分析模型包括特征挖掘单元、从特征还原单元和群体确定单元;
所述利用所述从关系网分析模型,将所述从典型关系网d1进行关系网重建操作,以输出对应的从重建关系网d3的步骤,包括:
利用所述特征挖掘单元,将所述从典型关系网d1进行征挖掘操作,以形成对应的从关系网特征表示,所述从关系网特征表示携带有所述从典型关系网d1中的第二关系群体的群体对外标识性特征;
利用所述群体确定单元,将所述从关系网特征表示进行分析操作,以输出所述从典型关系网d1的群体标识参数;
利用所述从特征还原单元,基于所述从典型关系网d1的群体标识参数,将所述从关系网特征表示进行特征还原操作,以形成对应的从还原整体关系网和所述从还原整体关系网的群体标识数据,所述群体标识数据用于反映所述从还原整体关系网中的群体局部关系网;
基于所述从还原整体关系网的群体标识数据,在所述从还原整体关系网中,确定出从重建关系网d3,所述从重建关系网d3的群体标识参数和所述从典型关系网d1的群体标识参数是一样的。
在一些优选的实施例中,在上述应用于供应链平台服务的大数据挖掘方法中,所述从特征还原单元包括一个变形处理子单元、第二数量个插值处理子单元和一个褶积处理子单元,每一个插值处理子单元包括一个梯度优化块、一个插值处理块和一个参数融合处理块;
所述变形处理子单元用于,对加载到所述从特征还原单元的特征表示进行变形操作,以得到对应的变形操作输出数据;
所述第二数量个插值处理子单元用于,将所述变形操作输出数据进行大小调整操作,以形成大小与对应的典型关系网一样的调整操作输出数据;
所述褶积处理子单元用于,将所述调整操作输出数据进行褶积处理操作,以得到所述加载到所述从特征还原单元的特征表示对应的重建关系网;
所述插值处理块,用于将所述变形处理子单元输出的变形操作输出数据的尺寸大小调整到与所述从典型关系网d1的尺寸大小一样;所述参数融合处理块,用于在进行插值操作的过程中加载对应的群体标识参数;所述梯度优化块用于对进行插值操作的过程中的数据进行不同深度的链接。
在一些优选的实施例中,在上述应用于供应链平台服务的大数据挖掘方法中,所述基于所述主典型关系网c1和所述主重建关系网c2之间的关系网区别信息、所述从典型关系网d1和所述从重建关系网d2之间的关系网区别信息、所述从典型关系网d1和所述从重建关系网d3之间的关系网区别信息,对所述初始关系网分析网络进行网络优化操作,形成目标关系网分析网络的步骤,包括:
基于所述主典型关系网c1和所述主重建关系网c2之间的关系网区别信息,确定出对应的网络学习代价第一指标;
基于所述从典型关系网d1和所述从重建关系网d2之间的关系网区别信息,确定出对应的网络学习代价第二指标;
基于所述从典型关系网d1和所述从重建关系网d3之间的关系网区别信息,确定出对应的网络学习代价第三指标;
基于所述网络学习代价第一指标、所述网络学习代价第二指标和所述网络学习代价第三指标,确定出所述初始关系网分析网络的网络学习代价总指标;
基于所述网络学习代价总指标,对所述初始关系网分析网络进行网络优化操作,并在所述网络学习代价总指标的波动程度小于预设波动程度,或者,在所述网络学习代价总指标低于预设指标的情况下,将当前的初始关系网分析网络进行标记,以标记为目标关系网分析网络。
本发明实施例还提供一种应用于供应链平台服务的大数据挖掘系统,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现上述的大数据挖掘方法。
本发明实施例提供的应用于供应链平台服务的大数据挖掘方法及系统,可以先依据提取到的具有的第一关系群体的典型关系网,对获取到的初始关系网分析网络进行网络优化操作,以形成目标关系网分析网络;利用目标关系网分析网络包括的主关系网分析模型,将待处理关系网进行关系网重建操作,以输出待处理关系网对应的目标重建关系网;基于待处理关系网和目标重建关系网,对包括的关系网对象进行群体异常挖掘操作,以输出对应的群体异常挖掘结果。基于前述的内容,由于在进行群体异常挖掘操作之前,会先进行关系网重建操作以得到目标重建关系网,因此,在进行群体异常挖掘操作时,依据不仅包括待处理关系网,还包括目标重建关系网,使得依据更为充分,因此,可以在一定程度上提高数据挖掘的可靠度。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例提供的应用于供应链平台服务的大数据挖掘系统的结构框图。
图2为本发明实施例提供的应用于供应链平台服务的大数据挖掘方法包括的各步骤的流程示意图。
图3为本发明实施例提供的应用于供应链平台服务的大数据挖掘装置包括的各模块的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例只是本发明的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种应用于供应链平台服务的大数据挖掘系统。其中,所述应用于供应链平台服务的大数据挖掘系统可以包括存储器和处理器。
详细地,所述存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件(firmware)的形式,存在的软件功能模块(计算机程序)。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序,从而实现本发明实施例提供的应用于供应链平台服务的大数据挖掘方法。
应当理解的是,在一些可能的实施方式中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(ErasableProgrammable Read-Only Memory,EPROM),电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory,EEPROM)等。
应当理解的是,在一些可能的实施方式中,所述处理器可以是一种通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、片上系统(System on Chip,SoC)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(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。
应当理解的是,在一些可能的实施方式中,所述应用于供应链平台服务的大数据挖掘系统可以是一种具备数据处理能力的服务器。
结合图2,本发明实施例还提供一种应用于供应链平台服务的大数据挖掘方法,可应用于上述应用于供应链平台服务的大数据挖掘系统。其中,所述应用于供应链平台服务的大数据挖掘方法有关的流程所定义的方法步骤,可以由所述应用于供应链平台服务的大数据挖掘系统实现。
下面将对图2所示的具体流程,进行详细阐述。
步骤S110,依据提取到的具有的第一关系群体的典型关系网,对获取到的初始关系网分析网络进行网络优化操作,以形成目标关系网分析网络。
在本发明实施例中,所述应用于供应链平台服务的大数据挖掘系统可以依据提取到的具有的第一关系群体的典型关系网,对获取到的初始关系网分析网络进行网络优化操作,以形成目标关系网分析网络。
步骤S120,利用所述目标关系网分析网络包括的主关系网分析模型,将待处理关系网进行关系网重建操作,以输出所述待处理关系网对应的目标重建关系网。
在本发明实施例中,所述应用于供应链平台服务的大数据挖掘系统可以利用所述目标关系网分析网络包括的主关系网分析模型,将待处理关系网进行关系网重建操作,以输出所述待处理关系网对应的目标重建关系网。所述待处理关系网包括的每一个关系网对象属于目标供应链平台的服务对象,所述目标重建关系网包括所述第一关系群体,所述目标重建关系网包括所述第一关系群体是指,所述目标重建关系网包括的关系群体的群体内部关系与所述第一关系群体的群体内部关系一致,即群体内部的各关系网对象之间的关系一致,所述目标重建关系网中的第一关系群体的群体对外标识性特征和所述待处理关系网中的待处理关系群体的群体对外标识性特征是一样的,所述群体对外标识性特征可以是用于区分关系群体和其它关系网对象的特征,在所述待处理关系网中,关系网对象的分布坐标之间的关系至少与对应的属性数据之间的关系具有相关性,例如,关系网对象的分布坐标之间的距离,可以与对应的属性数据之间的相似度负相关。
步骤S130,基于所述待处理关系网和所述目标重建关系网,对包括的关系网对象进行群体异常挖掘操作,以输出对应的群体异常挖掘结果。
在本发明实施例中,所述应用于供应链平台服务的大数据挖掘系统可以基于所述待处理关系网和所述目标重建关系网,对包括的关系网对象进行群体异常挖掘操作,以输出对应的群体异常挖掘结果。所述群体异常挖掘结果用于反映包括的关系网对象在整体上的行为异常信息,在各关系网中,包括的关系网对象的属性数据为对应的服务对象的行为描述文本数据,该行为描述文本数据用于描述所述关系网对象在目标供应链平台的网络行为。
基于前述的内容,由于在进行群体异常挖掘操作之前,会先进行关系网重建操作以得到目标重建关系网,因此,在进行群体异常挖掘操作时,依据不仅包括待处理关系网,还包括目标重建关系网,使得依据更为充分,因此,可以在一定程度上提高数据挖掘的可靠度。
应当理解的是,在一些可能的实施方式中,上述的步骤S110,可以进一步包括以下所述的各可实施步骤:
确定出初始关系网分析网络的典型关系网簇,所述初始关系网分析网络包括主关系网分析模型和从关系网分析模型,所述主关系网分析模型和所述从关系网分析模型具有的信息挖掘单元(如后文所述的特征挖掘单元),所述典型关系网簇包括主典型关系网子簇和从典型关系网子簇,所述主典型关系网子簇包括A个主典型关系网,每一个主典型关系网都具有第一关系群体,所述从典型关系网子簇包括B个从典型关系网,每一个从典型关系网具有一个第二关系群体,每一个所述主典型关系网包括的关系网对象属于所述目标供应链平台的服务对象,且该关系网对象在所述主典型关系网中的属性数据为对应的服务对象的历史行为描述文本数据,每一个所述从典型关系网包括的关系网对象可以属于所述目标供应链平台的服务对象,也可以属于其它供应链平台的服务对象,且该关系网对象在所述从典型关系网中的属性数据为对应的服务对象的历史行为描述文本数据;另外,每一个所述主典型关系网的具体形式可以与所述待处理关系网一致,每一个所述从典型关系网的具体形式可以与所述待处理关系网一致;
在所述主典型关系网子簇中,确定出主典型关系网c1,以及,利用所述主关系网分析模型,将所述主典型关系网c1进行关系网重建操作,以输出对应的主重建关系网c2,所述主重建关系网c2包括第一关系群体,也就是说,所述主重建关系网c2包括的关系群体的群体内部关系与所述第一关系群体的群体内部关系一致,所述主重建关系网c2中的第一关系群体的群体对外标识性特征与所述主典型关系网c1中的第一关系群体的群体对外标识性特征是一样的,c不大于A,即主典型关系网c1可以是任意一个主典型关系网,或者说,可以依次将每一个主典型关系网作为主典型关系网c1;
在所述从典型关系网子簇中,确定出从典型关系网d1,以及,利用所述主关系网分析模型,将所述从典型关系网d1进行关系网重建操作,以输出对应的从重建关系网d2,所述从重建关系网d2包括第一关系群体,也就是说,所述从重建关系网d2包括的关系群体的群体内部关系与所述第一关系群体的群体内部关系一致,所述从重建关系网d2中的第一关系群体的群体对外标识性特征和所述从典型关系网d1中的第二关系群体的群体对外标识性特征是一样的,d不大于B,即从典型关系网d1可以是任意一个从典型关系网,或者说,可以依次将每一个从典型关系网作为从典型关系网d1;
利用所述从关系网分析模型,将所述从典型关系网d1进行关系网重建操作,以输出对应的从重建关系网d3,所述从重建关系网d3和所述从典型关系网d1具有的第二关系群体是一样的,也就是说,所述从重建关系网d3包括的关系群体的群体内部关系与所述第二关系群体的群体内部关系一致;
基于所述主典型关系网c1和所述主重建关系网c2之间的关系网区别信息、所述从典型关系网d1和所述从重建关系网d2之间的关系网区别信息、所述从典型关系网d1和所述从重建关系网d3之间的关系网区别信息,对所述初始关系网分析网络进行网络优化操作,形成目标关系网分析网络。
应当理解的是,在一些可能的实施方式中,所述主关系网分析模型可以包括特征挖掘单元和主特征还原单元,基于此,所述利用所述主关系网分析模型,将所述主典型关系网c1进行关系网重建操作,以输出对应的主重建关系网c2的步骤,可以进一步包括以下所述的各可实施步骤:
利用所述特征挖掘单元,将所述主典型关系网c1进行特征挖掘操作,以形成对应的主关系网特征表示,所述主关系网特征表示携带有所述主典型关系网c1中的第一关系群体的群体对外标识性特征,也就是说,利用所述特征挖掘单元,挖掘出所述主典型关系网c1的关键信息,例如,所述特征挖掘单元可以是卷积神经网络;
利用所述主特征还原单元,将所述主关系网特征表示进行特征还原操作,以输出对应的主重建整体关系网和所述主重建整体关系网的群体标识数据,所述群体标识数据用于反映所述主重建整体关系网中的群体局部关系网,即对象群体对应的局部关系网,示例性地,所述特征还原操作可以与所述特征挖掘操作的处理过程互逆;
基于所述主重建整体关系网的群体标识数据,在所述主重建整体关系网中,确定出对应的主重建关系网c2。
应当理解的是,在一些可能的实施方式中,所述主关系网分析模型可以包括特征挖掘单元和主特征还原单元,基于此,所述利用所述主关系网分析模型,将所述从典型关系网d1进行关系网重建操作,以输出对应的从重建关系网d2的步骤,可以进一步包括以下所述的各可实施步骤:
利用所述特征挖掘单元,将所述从典型关系网d1进行征挖掘操作,以形成对应的从关系网特征表示,所述从关系网特征表示携带有所述从典型关系网d1中的第二关系群体的群体对外标识性特征,也就是说,利用所述特征挖掘单元,挖掘出所述从典型关系网d1的关键信息;
利用所述主特征还原单元,将所述从关系网特征表示进行特征还原操作,以输出对应的从重建整体关系网和所述从重建整体关系网的群体标识数据,所述群体标识数据用于反映所述从重建整体关系网中的群体局部关系网,即对象群体对应的局部关系网;
基于所述从重建整体关系网的群体标识数据,在所述从重建整体关系网中,确定出对应的从重建关系网d2。
应当理解的是,在一些可能的实施方式中,所述特征挖掘单元可以包括第一数量个特征挖掘子单元(示例性地,在进行网络优化的过程中,调整的网络参数还可以包括该第一数量的具体数值,即对所述特征挖掘单元包括的特征挖掘子单元的数量也可以进行调整优化)和一个特征融合子单元,每一个特征挖掘子单元包括一个数据抽取块,第一数量个数据抽取块的大小不一样,所述第一数量个特征挖掘子单元可以级联连接,如第一个特征挖掘子单元的输出数据作为第二个特征挖掘子单元的输入数据,第二个特征挖掘子单元的输出数据作为第三个特征挖掘子单元的输入数据。
基于此,所述第一数量个数据抽取块用于,抽取出加载到所述特征挖掘单元的典型关系网在第一数量个尺寸大小下的关键性数据,数据的抽取可以是指under-sampling;
所述特征融合子单元用于,将所述第一数量个尺寸大小下的关键性数据进行融合操作,如加权叠加或拼接操作,以形成所述加载到所述特征挖掘单元的典型关系网对应的特征表示,所述加载到所述特征挖掘单元的典型关系网包括所述主典型关系网c1或所述从典型关系网d1。
应当理解的是,在一些可能的实施方式中,所述主特征还原单元可以包括一个变形处理子单元、第二数量个插值处理子单元(示例性地,在进行网络优化的过程中,调整的网络参数还可以包括该第二数量的具体数值,即对所述主特征还原单元包括的插值处理子单元的数量也可以进行调整优化)和一个褶积处理子单元,每一个插值处理子单元可以包括一个梯度优化块和一个插值处理块。基于此,所述变形处理子单元用于,对加载到所述主特征还原单元的特征表示进行变形操作,以得到对应的变形操作输出数据,所述变形处理子单元可以包括reshape函数,具体的处理过程可以参照相关的现有技术。所述第二数量个插值处理子单元用于,将所述变形操作输出数据进行大小调整操作,以形成大小与对应的典型关系网一样的调整操作输出数据。所述褶积处理子单元用于,将所述调整操作输出数据进行褶积处理操作,以得到所述加载到所述主特征还原单元的特征表示对应的重建关系网,所述加载到所述主特征还原单元的特征表示包括所述主关系网特征表示或所述从关系网特征表示,在所述加载到所述主特征还原单元的特征表示为所述主关系网特征表示的情况下,所述加载到所述主特征还原单元的特征表示对应的重建关系网为主重建整体关系网,在所述加载到所述主特征还原单元的特征表示为所述从关系网特征表示的情况下,所述加载到所述主特征还原单元的特征表示对应的重建关系网为从重建整体关系网。
应当理解的是,在一些可能的实施方式中,所述从关系网分析模型可以包括特征挖掘单元、从特征还原单元和群体确定单元,基于此,所述利用所述从关系网分析模型,将所述从典型关系网d1进行关系网重建操作,以输出对应的从重建关系网d3的步骤,可以进一步包括以下所述的各可实施步骤:
利用所述特征挖掘单元,将所述从典型关系网d1进行征挖掘操作,以形成对应的从关系网特征表示,所述从关系网特征表示携带有所述从典型关系网d1中的第二关系群体的群体对外标识性特征,也就是说,利用所述特征挖掘单元,挖掘出所述从典型关系网d1的关键信息;
利用所述群体确定单元,将所述从关系网特征表示进行分析操作,以输出所述从典型关系网d1的群体标识参数,所述群体标识参数可以是身份标识号,例如,不同的典型关系网,具有不同的群体标识参数;
利用所述从特征还原单元,基于所述从典型关系网d1的群体标识参数,将所述从关系网特征表示进行特征还原操作,以形成对应的从还原整体关系网和所述从还原整体关系网的群体标识数据,所述群体标识数据用于反映所述从还原整体关系网中的群体局部关系网;
基于所述从还原整体关系网的群体标识数据,在所述从还原整体关系网中,确定出从重建关系网d3,所述从重建关系网d3的群体标识参数和所述从典型关系网d1的群体标识参数是一样的。
应当理解的是,在一些可能的实施方式中,所述从特征还原单元可以包括一个变形处理子单元、第二数量个插值处理子单元和一个褶积处理子单元,每一个插值处理子单元可以包括一个梯度优化块、一个插值处理块和一个参数融合处理块。其中,所述变形处理子单元用于,对加载到所述从特征还原单元的特征表示进行变形操作,以得到对应的变形操作输出数据,如前相关描述。所述第二数量个插值处理子单元用于,将所述变形操作输出数据进行大小调整操作,以形成大小与对应的典型关系网一样的调整操作输出数据,如前相关描述。所述褶积处理子单元用于,将所述调整操作输出数据进行褶积处理操作,以得到所述加载到所述从特征还原单元的特征表示对应的重建关系网,如前相关描述。所述插值处理块,用于将所述变形处理子单元输出的变形操作输出数据的尺寸大小调整到与所述从典型关系网d1的尺寸大小一样,如前相关描述。所述参数融合处理块,用于在进行插值操作的过程中加载对应的群体标识参数,如将该群体标识参数和输入的特征表示进行融合,再一并进行处理。所述梯度优化块用于对进行插值操作的过程中的数据进行不同深度的链接,例如,将在前的输入数据与在后的输出数据进行叠加,如此,可以实现梯度优化。
应当理解的是,在一些可能的实施方式中,所述基于所述主典型关系网c1和所述主重建关系网c2之间的关系网区别信息、所述从典型关系网d1和所述从重建关系网d2之间的关系网区别信息、所述从典型关系网d1和所述从重建关系网d3之间的关系网区别信息,对所述初始关系网分析网络进行网络优化操作,形成目标关系网分析网络的步骤,可以进一步包括以下所述的各可实施步骤:
基于所述主典型关系网c1和所述主重建关系网c2之间的关系网区别信息,确定出对应的网络学习代价第一指标;
基于所述从典型关系网d1和所述从重建关系网d2之间的关系网区别信息,确定出对应的网络学习代价第二指标;
基于所述从典型关系网d1和所述从重建关系网d3之间的关系网区别信息,确定出对应的网络学习代价第三指标;
基于所述网络学习代价第一指标、所述网络学习代价第二指标和所述网络学习代价第三指标,确定出所述初始关系网分析网络的网络学习代价总指标,如将所述网络学习代价第一指标、所述网络学习代价第二指标和所述网络学习代价第三指标进行加权求和;
基于所述网络学习代价总指标,对所述初始关系网分析网络进行网络优化操作,并在所述网络学习代价总指标的波动程度小于预设波动程度,或者,在所述网络学习代价总指标低于预设指标的情况下,将当前的初始关系网分析网络进行标记,以标记为目标关系网分析网络,例如,可以沿着降低所述网络学习代价总指标的方向,进行网络参数的调整,所述预设波动程度和所述预设指标可以根据实际需求进行配置。
其中,应当理解的是,在一些可能的实施方式中,所述初始关系网分析网络还可以包括主分辨模型和对比分析模型,基于此,所述基于所述主典型关系网c1和所述主重建关系网c2之间的关系网区别信息,确定出对应的网络学习代价第一指标的步骤,可以进一步包括以下所述的各可实施步骤:
利用所述主分辨模型,分别将所述主典型关系网c1和所述主重建关系网c2进行分辨操作,例如,通过进行分辨操作,可以分别将所述主典型关系网c1和所述主重建关系网c2进行真实性分辨;
依据所述主典型关系网c1的分辨操作输出数据和所述主重建关系网c2的分辨操作输出数据(差异),确定出所述网络学习代价第一指标的局部第一代价指标,所述分辨操作输出数据可以是用于反映真实性的概率;
利用所述对比分析模型,将所述主典型关系网c1和所述主重建关系网c2进行差异性分析操作,如计算对应的特征表示之间的差异,如求差计算,以输出对应的差异性分析操作输出数据,所述差异性分析操作输出数据用于表征所述主典型关系网c1和所述主重建关系网c2之间的区别;
依据所述差异性分析操作输出数据,确定出所述网络学习代价第一指标的局部第二代价指标,例如,可以对所述差异性分析操作输出数据进行平方和的计算,再基于计算结果计算出正相关的网络学习代价第一指标的局部第二代价指标,或者,直接作为局部第二代价指标;
对所述网络学习代价第一指标的局部第一代价指标和所述网络学习代价第一指标的局部第二代价指标进行融合,例如,可以进行加权求和计算或直接求和计算,以得到网络学习代价第一指标。
其中,应当理解的是,在一些可能的实施方式中,所述初始关系网分析网络还可以包括主分辨模型和标识性特征分析网络,基于此,所述基于所述从典型关系网d1和所述从重建关系网d2之间的关系网区别信息,确定出对应的网络学习代价第二指标的步骤,可以进一步包括以下所述的各可实施步骤:
利用所述主分辨模型,将所述从重建关系网d2进行分辨操作,也就是说,可以利用所述主分辨模型,将所述从重建关系网d2进行真实性分辨,以得到所述从重建关系网d2具有真实性的概率;
依据所述从重建关系网d2的分辨操作输出数据,确定出所述网络学习代价第二指标的局部第一代价指标,例如,可以计算所述分辨操作输出数据和第一参数之间的绝对差值,然后,可以对该绝对差值进行取对数操作,并将取对数操作的结果作为所述网络学习代价第二指标的局部第一代价指标,或者,可以基于该取对数操作的结果确定局部第一代价指标,所述第一参数的具体数值不受限制,例如,所述第一参数可以等于1;
利用所述标识性特征分析网络,将所述从典型关系网d1和所述从重建关系网d2进行群体对外标识性特征的差异性分析操作,以输出对应的对外标识差异性数据,所述对外标识差异性数据用于表征所述从典型关系网d1和所述从重建关系网d2之间关于群体对外标识性特征的区别,例如,可以利用所述标识性特征分析网络,分别确定出所述从典型关系网d1和所述从重建关系网d2的群体对外标识性特征,然后,可以对群体对外标识性特征进行求差处理,以得到对应的对外标识差异性数据;
依据所述对外标识差异性数据,确定出所述网络学习代价第二指标的局部第二代价指标,例如,可以对所述对外标识差异性数据包括的各参数进行平方和的计算,或者,基于计算结果进行进一步的计算,以得到所述网络学习代价第二指标的局部第二代价指标;
对所述网络学习代价第二指标的局部第一代价指标和所述网络学习代价第二指标的局部第二代价指标进行融合,例如,可以进行加权求和计算或直接求和计算,以得到网络学习代价第二指标。
其中,应当理解的是,在一些可能的实施方式中,所述初始关系网分析网络还可以包括从分辨模型和对比分析模型,基于此,所述基于所述网络学习代价第一指标、所述网络学习代价第二指标和所述网络学习代价第三指标,确定出所述初始关系网分析网络的网络学习代价总指标的步骤,可以进一步包括以下所述的各可实施步骤:
利用所述从分辨模型,分别将所述从典型关系网d1和所述从重建关系网d3进行分辨操作,也就是说,利用所述从分辨模型,分别将所述从典型关系网d1和所述从重建关系网d3进行真实性分辨,以输出所述从典型关系网d1对应的分辨操作输出数据,并输出所述从重建关系网d3对应的分辨操作输出数据;
依据所述从典型关系网d1的分辨操作输出数据和所述从重建关系网d3的分辨操作输出数据,确定出所述网络学习代价第三指标的局部第一代价指标,即所述从典型关系网d1的分辨操作输出数据和所述从重建关系网d3的分辨操作输出数据之间的差异;
利用所述对比分析模型,将所述从典型关系网d1和所述从重建关系网d3进行差异性分析操作,如计算对应的特征表示之间的差异,如求差计算,以输出对应的差异性分析操作输出数据,所述差异性分析操作输出数据用于表征所述从典型关系网d1和所述从重建关系网d3之间的区别;
依据所述差异性分析操作输出数据,确定出所述网络学习代价第三指标的局部第二代价指标,例如,可以对所述差异性分析操作输出数据进行平方和的计算,再基于计算结果计算出正相关的网络学习代价第三指标的局部第二代价指标,或者,直接作为局部第二代价指标;
对所述网络学习代价第三指标的局部第一代价指标和所述网络学习代价第三指标的局部第二代价指标进行融合,例如,可以对所述网络学习代价第三指标的局部第一代价指标和所述网络学习代价第三指标的局部第二代价指标进行加权求和或直接求和计算,以得到网络学习代价第三指标。
其中,应当理解的是,在一些可能的实施方式中,上述的步骤S130,可以进一步包括以下所述的各可实施步骤:
从所述待处理关系网中提取出对象群体对应的局部关系网,并对所述局部关系网进行特征挖掘操作,以形成对应的第一特征表示,可以理解的是,在本发明实施例中,特征表示的具体表现形式可以为向量;
对所述目标重建关系网进行特征挖掘操作,以形成对应的第二特征表示;
基于所述第二特征表示,对所述第一特征表示进行显著性特征分析操作,以输出对应的显著性特征表示,例如,可以基于相应神经网络优化形成的第一映射参数和第二映射参数,分别将所述第二特征表示进行映射操作,以形成对应的第一映射特征表示和第二映射特征表示,然后,可以基于相应神经网络优化形成的第三映射参数,将所述第一特征表示进行映射操作,以形成对应的第三映射特征表示,然后,可以计算第一映射特征表示和第三映射特征表示之间的相似度,然后,可以基于该相似度对第二映射特征表示进行加权,如此,可以实现关联挖掘,得到对应的显著性特征表示;
将所述显著特征表示和所述第一特征表示进行聚合操作,如进行加权叠加或拼接操作,以形成对应的聚合特征表示,以及,对所述聚合特征表示进行异常分析操作,如全连接操作和激活操作,以输出对应的群体异常挖掘结果。
结合图3,本发明实施例还提供一种应用于供应链平台服务的大数据挖掘装置,可应用于上述应用于供应链平台服务的大数据挖掘系统。其中,所述应用于供应链平台服务的大数据挖掘装置可以包括:
网络优化模块,用于依据提取到的具有的第一关系群体的典型关系网,对获取到的初始关系网分析网络进行网络优化操作,以形成目标关系网分析网络;
关系网重建模块,用于利用所述目标关系网分析网络包括的主关系网分析模型,将待处理关系网进行关系网重建操作,以输出所述待处理关系网对应的目标重建关系网,所述待处理关系网包括的每一个关系网对象属于目标供应链平台的服务对象,所述目标重建关系网包括所述第一关系群体,所述目标重建关系网包括所述第一关系群体是指,所述目标重建关系网包括的关系群体的群体内部关系与所述第一关系群体的群体内部关系一致,所述目标重建关系网中的第一关系群体的群体对外标识性特征和所述待处理关系网中的待处理关系群体的群体对外标识性特征是一样的,在所述待处理关系网中,关系网对象的分布坐标之间的关系至少与对应的属性数据之间的关系具有相关性;
群体异常挖掘模块,用于基于所述待处理关系网和所述目标重建关系网,对包括的关系网对象进行群体异常挖掘操作,以输出对应的群体异常挖掘结果,所述群体异常挖掘结果用于反映包括的关系网对象在整体上的行为异常信息,在各关系网中,包括的关系网对象的属性数据为对应的服务对象的行为描述文本数据。
综上所述,本发明提供的应用于供应链平台服务的大数据挖掘方法及系统,可以先依据提取到的具有的第一关系群体的典型关系网,对获取到的初始关系网分析网络进行网络优化操作,以形成目标关系网分析网络;利用目标关系网分析网络包括的主关系网分析模型,将待处理关系网进行关系网重建操作,以输出待处理关系网对应的目标重建关系网;基于待处理关系网和目标重建关系网,对包括的关系网对象进行群体异常挖掘操作,以输出对应的群体异常挖掘结果。基于前述的内容,由于在进行群体异常挖掘操作之前,会先进行关系网重建操作以得到目标重建关系网,因此,在进行群体异常挖掘操作时,依据不仅包括待处理关系网,还包括目标重建关系网,使得依据更为充分,因此,可以在一定程度上提高数据挖掘的可靠度。
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 (10)
1.一种应用于供应链平台服务的大数据挖掘方法,其特征在于,包括:
依据提取到的具有的第一关系群体的典型关系网,对获取到的初始关系网分析网络进行网络优化操作,以形成目标关系网分析网络;
利用所述目标关系网分析网络包括的主关系网分析模型,将待处理关系网进行关系网重建操作,以输出所述待处理关系网对应的目标重建关系网,所述待处理关系网包括的每一个关系网对象属于目标供应链平台的服务对象,所述目标重建关系网包括所述第一关系群体,所述目标重建关系网包括所述第一关系群体是指,所述目标重建关系网包括的关系群体的群体内部关系与所述第一关系群体的群体内部关系一致,所述目标重建关系网中的第一关系群体的群体对外标识性特征和所述待处理关系网中的待处理关系群体的群体对外标识性特征是一样的,在所述待处理关系网中,关系网对象的分布坐标之间的关系至少与对应的属性数据之间的关系具有相关性;
基于所述待处理关系网和所述目标重建关系网,对包括的关系网对象进行群体异常挖掘操作,以输出对应的群体异常挖掘结果,所述群体异常挖掘结果用于反映包括的关系网对象在整体上的行为异常信息,在各关系网中,包括的关系网对象的属性数据为对应的服务对象的行为描述文本数据。
2.如权利要求1所述的应用于供应链平台服务的大数据挖掘方法,其特征在于,所述依据提取到的具有的第一关系群体的典型关系网,对获取到的初始关系网分析网络进行网络优化操作,以形成目标关系网分析网络的步骤,包括:
确定出初始关系网分析网络的典型关系网簇,所述初始关系网分析网络包括主关系网分析模型和从关系网分析模型,所述主关系网分析模型和所述从关系网分析模型具有的信息挖掘单元,所述典型关系网簇包括主典型关系网子簇和从典型关系网子簇,所述主典型关系网子簇包括A个主典型关系网,每一个主典型关系网都具有第一关系群体,所述从典型关系网子簇包括B个从典型关系网,每一个从典型关系网具有一个第二关系群体,每一个所述主典型关系网包括的关系网对象属于所述目标供应链平台的服务对象,且该关系网对象在所述主典型关系网中的属性数据为对应的服务对象的历史行为描述文本数据;
在所述主典型关系网子簇中,确定出主典型关系网c1,以及,利用所述主关系网分析模型,将所述主典型关系网c1进行关系网重建操作,以输出对应的主重建关系网c2,所述主重建关系网c2包括第一关系群体,所述主重建关系网c2中的第一关系群体的群体对外标识性特征与所述主典型关系网c1中的第一关系群体的群体对外标识性特征是一样的,c不大于A;
在所述从典型关系网子簇中,确定出从典型关系网d1,以及,利用所述主关系网分析模型,将所述从典型关系网d1进行关系网重建操作,以输出对应的从重建关系网d2,所述从重建关系网d2包括第一关系群体,所述从重建关系网d2中的第一关系群体的群体对外标识性特征和所述从典型关系网d1中的第二关系群体的群体对外标识性特征是一样的,d不大于B;
利用所述从关系网分析模型,将所述从典型关系网d1进行关系网重建操作,以输出对应的从重建关系网d3,所述从重建关系网d3和所述从典型关系网d1具有的第二关系群体是一样的;
基于所述主典型关系网c1和所述主重建关系网c2之间的关系网区别信息、所述从典型关系网d1和所述从重建关系网d2之间的关系网区别信息、所述从典型关系网d1和所述从重建关系网d3之间的关系网区别信息,对所述初始关系网分析网络进行网络优化操作,形成目标关系网分析网络。
3.如权利要求2所述的应用于供应链平台服务的大数据挖掘方法,其特征在于,所述主关系网分析模型包括特征挖掘单元和主特征还原单元;所述利用所述主关系网分析模型,将所述主典型关系网c1进行关系网重建操作,以输出对应的主重建关系网c2的步骤,包括:
利用所述特征挖掘单元,将所述主典型关系网c1进行特征挖掘操作,以形成对应的主关系网特征表示,所述主关系网特征表示携带有所述主典型关系网c1中的第一关系群体的群体对外标识性特征;
利用所述主特征还原单元,将所述主关系网特征表示进行特征还原操作,以输出对应的主重建整体关系网和所述主重建整体关系网的群体标识数据,所述群体标识数据用于反映所述主重建整体关系网中的群体局部关系网;
基于所述主重建整体关系网的群体标识数据,在所述主重建整体关系网中,确定出对应的主重建关系网c2。
4.如权利要求2所述的应用于供应链平台服务的大数据挖掘方法,其特征在于,所述主关系网分析模型包括特征挖掘单元和主特征还原单元;所述利用所述主关系网分析模型,将所述从典型关系网d1进行关系网重建操作,以输出对应的从重建关系网d2的步骤,包括:
利用所述特征挖掘单元,将所述从典型关系网d1进行征挖掘操作,以形成对应的从关系网特征表示,所述从关系网特征表示携带有所述从典型关系网d1中的第二关系群体的群体对外标识性特征;
利用所述主特征还原单元,将所述从关系网特征表示进行特征还原操作,以输出对应的从重建整体关系网和所述从重建整体关系网的群体标识数据,所述群体标识数据用于反映所述从重建整体关系网中的群体局部关系网;
基于所述从重建整体关系网的群体标识数据,在所述从重建整体关系网中,确定出对应的从重建关系网d2。
5.如权利要求3或4所述的应用于供应链平台服务的大数据挖掘方法,其特征在于,所述特征挖掘单元包括第一数量个特征挖掘子单元和一个特征融合子单元,每一个特征挖掘子单元包括一个数据抽取块,第一数量个数据抽取块的大小不一样;
所述第一数量个数据抽取块用于,抽取出加载到所述特征挖掘单元的典型关系网在第一数量个尺寸大小下的关键性数据;
所述特征融合子单元用于,将所述第一数量个尺寸大小下的关键性数据进行融合操作,以形成所述加载到所述特征挖掘单元的典型关系网对应的特征表示,所述加载到所述特征挖掘单元的典型关系网包括所述主典型关系网c1或所述从典型关系网d1。
6.如权利要求3或4所述的应用于供应链平台服务的大数据挖掘方法,其特征在于,所述主特征还原单元包括一个变形处理子单元、第二数量个插值处理子单元和一个褶积处理子单元,每一个插值处理子单元包括一个梯度优化块和一个插值处理块;
所述变形处理子单元用于,对加载到所述主特征还原单元的特征表示进行变形操作,以得到对应的变形操作输出数据;
所述第二数量个插值处理子单元用于,将所述变形操作输出数据进行大小调整操作,以形成大小与对应的典型关系网一样的调整操作输出数据;
所述褶积处理子单元用于,将所述调整操作输出数据进行褶积处理操作,以得到所述加载到所述主特征还原单元的特征表示对应的重建关系网,所述加载到所述主特征还原单元的特征表示包括所述主关系网特征表示或所述从关系网特征表示,在所述加载到所述主特征还原单元的特征表示为所述主关系网特征表示的情况下,所述加载到所述主特征还原单元的特征表示对应的重建关系网为主重建整体关系网,在所述加载到所述主特征还原单元的特征表示为所述从关系网特征表示的情况下,所述加载到所述主特征还原单元的特征表示对应的重建关系网为从重建整体关系网。
7.如权利要求2所述的应用于供应链平台服务的大数据挖掘方法,其特征在于,所述从关系网分析模型包括特征挖掘单元、从特征还原单元和群体确定单元;
所述利用所述从关系网分析模型,将所述从典型关系网d1进行关系网重建操作,以输出对应的从重建关系网d3的步骤,包括:
利用所述特征挖掘单元,将所述从典型关系网d1进行征挖掘操作,以形成对应的从关系网特征表示,所述从关系网特征表示携带有所述从典型关系网d1中的第二关系群体的群体对外标识性特征;
利用所述群体确定单元,将所述从关系网特征表示进行分析操作,以输出所述从典型关系网d1的群体标识参数;
利用所述从特征还原单元,基于所述从典型关系网d1的群体标识参数,将所述从关系网特征表示进行特征还原操作,以形成对应的从还原整体关系网和所述从还原整体关系网的群体标识数据,所述群体标识数据用于反映所述从还原整体关系网中的群体局部关系网;
基于所述从还原整体关系网的群体标识数据,在所述从还原整体关系网中,确定出从重建关系网d3,所述从重建关系网d3的群体标识参数和所述从典型关系网d1的群体标识参数是一样的。
8.如权利要求7所述的应用于供应链平台服务的大数据挖掘方法,其特征在于,所述从特征还原单元包括一个变形处理子单元、第二数量个插值处理子单元和一个褶积处理子单元,每一个插值处理子单元包括一个梯度优化块、一个插值处理块和一个参数融合处理块;
所述变形处理子单元用于,对加载到所述从特征还原单元的特征表示进行变形操作,以得到对应的变形操作输出数据;
所述第二数量个插值处理子单元用于,将所述变形操作输出数据进行大小调整操作,以形成大小与对应的典型关系网一样的调整操作输出数据;
所述褶积处理子单元用于,将所述调整操作输出数据进行褶积处理操作,以得到所述加载到所述从特征还原单元的特征表示对应的重建关系网;
所述插值处理块,用于将所述变形处理子单元输出的变形操作输出数据的尺寸大小调整到与所述从典型关系网d1的尺寸大小一样;所述参数融合处理块,用于在进行插值操作的过程中加载对应的群体标识参数;所述梯度优化块用于对进行插值操作的过程中的数据进行不同深度的链接。
9.如权利要求2所述的应用于供应链平台服务的大数据挖掘方法,其特征在于,所述基于所述主典型关系网c1和所述主重建关系网c2之间的关系网区别信息、所述从典型关系网d1和所述从重建关系网d2之间的关系网区别信息、所述从典型关系网d1和所述从重建关系网d3之间的关系网区别信息,对所述初始关系网分析网络进行网络优化操作,形成目标关系网分析网络的步骤,包括:
基于所述主典型关系网c1和所述主重建关系网c2之间的关系网区别信息,确定出对应的网络学习代价第一指标;
基于所述从典型关系网d1和所述从重建关系网d2之间的关系网区别信息,确定出对应的网络学习代价第二指标;
基于所述从典型关系网d1和所述从重建关系网d3之间的关系网区别信息,确定出对应的网络学习代价第三指标;
基于所述网络学习代价第一指标、所述网络学习代价第二指标和所述网络学习代价第三指标,确定出所述初始关系网分析网络的网络学习代价总指标;
基于所述网络学习代价总指标,对所述初始关系网分析网络进行网络优化操作,并在所述网络学习代价总指标的波动程度小于预设波动程度,或者,在所述网络学习代价总指标低于预设指标的情况下,将当前的初始关系网分析网络进行标记,以标记为目标关系网分析网络。
10.一种应用于供应链平台服务的大数据挖掘系统,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述处理器用于执行所述计算机程序,以实现权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310771418.1A CN116737800A (zh) | 2023-06-28 | 2023-06-28 | 应用于供应链平台服务的大数据挖掘方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310771418.1A CN116737800A (zh) | 2023-06-28 | 2023-06-28 | 应用于供应链平台服务的大数据挖掘方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116737800A true CN116737800A (zh) | 2023-09-12 |
Family
ID=87911341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310771418.1A Withdrawn CN116737800A (zh) | 2023-06-28 | 2023-06-28 | 应用于供应链平台服务的大数据挖掘方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116737800A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520975A (zh) * | 2023-09-21 | 2024-02-06 | 国网四川省电力公司眉山供电公司 | 一种基于物联网的电力设备智能监测方法及系统 |
-
2023
- 2023-06-28 CN CN202310771418.1A patent/CN116737800A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520975A (zh) * | 2023-09-21 | 2024-02-06 | 国网四川省电力公司眉山供电公司 | 一种基于物联网的电力设备智能监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3869385B1 (en) | Method for extracting structural data from image, apparatus and device | |
CN109325118B (zh) | 不平衡样本数据预处理方法、装置和计算机设备 | |
CN112270686B (zh) | 图像分割模型训练、图像分割方法、装置及电子设备 | |
CN110888911A (zh) | 样本数据处理方法、装置、计算机设备及存储介质 | |
CN111738351A (zh) | 模型训练方法、装置、存储介质及电子设备 | |
CN112560964A (zh) | 基于半监督学习训练中草药病虫害识别模型的方法与系统 | |
CN116109121B (zh) | 基于大数据分析的用户需求挖掘方法及系统 | |
CN111984792A (zh) | 网站分类方法、装置、计算机设备及存储介质 | |
CN111666393A (zh) | 智能问答系统的验证方法、装置、计算机设备及存储介质 | |
CN116737800A (zh) | 应用于供应链平台服务的大数据挖掘方法及系统 | |
CN113887615A (zh) | 图像处理方法、装置、设备和介质 | |
CN116028886A (zh) | 一种基于bim的数据处理方法、系统及云平台 | |
CN115964432A (zh) | 基于大数据可视化的用户操作异常分析方法及系统 | |
CN112241646A (zh) | 车道线识别方法、装置、计算机设备和存储介质 | |
CN116304341A (zh) | 基于用户网络大数据的欺诈判别方法及系统 | |
CN113541985A (zh) | 物联网故障诊断方法、模型的训练方法及相关装置 | |
CN114387656A (zh) | 基于人工智能的换脸方法、装置、设备及存储介质 | |
CN114662006A (zh) | 端云协同推荐系统、方法以及电子设备 | |
CN113361567B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN116361567B (zh) | 应用于云办公的数据处理方法及系统 | |
CN116628138A (zh) | 应用于深度学习的物流订单文本挖掘方法及系统 | |
CN115100541B (zh) | 一种卫星遥感数据的处理方法、系统及云平台 | |
CN112801045B (zh) | 一种文本区域检测方法、电子设备及计算机存储介质 | |
CN116070149A (zh) | 基于人工智能的数据分析方法、系统及云平台 | |
US20230041338A1 (en) | Graph data processing method, device, and computer program product |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230912 |
|
WW01 | Invention patent application withdrawn after publication |