CN116821193B - 一种基于代理模型近似处理的推理查询优化方法及装置 - Google Patents
一种基于代理模型近似处理的推理查询优化方法及装置 Download PDFInfo
- Publication number
- CN116821193B CN116821193B CN202311107124.5A CN202311107124A CN116821193B CN 116821193 B CN116821193 B CN 116821193B CN 202311107124 A CN202311107124 A CN 202311107124A CN 116821193 B CN116821193 B CN 116821193B
- Authority
- CN
- China
- Prior art keywords
- model
- task
- accuracy
- data
- agent
- 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
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 238000001914 filtration Methods 0.000 claims description 81
- 238000003860 storage Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 14
- 239000003795 chemical substances by application Substances 0.000 description 87
- 230000008569 process Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 15
- 230000008451 emotion Effects 0.000 description 12
- 230000006872 improvement Effects 0.000 description 9
- 238000013145 classification model Methods 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- 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
- G06F16/2453—Query optimisation
-
- 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
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种基于代理模型近似处理的推理查询优化方法及装置。所述方法包括:根据预设的目标准确率,确定各任务模型所对应的不同代理模型的准确率参数组合,作为各参数组合;针对每种参数组合,根据该参数组合中每个代理模型对应的准确率,确定该参数组合对应的执行代价;根据每种参数组合对应的执行代价,确定目标参数组合;在接收到查询请求后,调用目标参数组合对应的各代理模型,并通过各代理模型以及各任务模型,按照目标执行顺序依次执行查询请求对应的推理查询任务。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种基于代理模型近似处理的推理查询优化方法及装置。
背景技术
数据分析在诸如交通、金融、医疗、航天以及人文等领域发挥着十分重要的作用,但是随着大数据时代的到来,对海量的数据进行分析的过程愈发复杂。因此,基于机器学习、深度学习技术进行数据分析的方法得到了广泛发展,数据分析以查询的形式进行,并将神经网络模型封装在用户自定义函数(User-Defined Functions, UDFs)中,形成推理算子。这类含有一个或者多个推理算子的查询称为“推理查询”。
然而,即便通过推理查询进行数据分析的方式为数据分析的效率带来一定的提升,但是对于大量的输入数据来说,处理复杂的机器学习推理查询仍然十分耗时,整个推理查询过程的效率较低,耗时较长,甚至造成计算和存储资源的巨大浪费。
因此,如何降低推理查询过程的时间损耗,提高推理查询的整体效率,是一个亟待解决的问题。
发明内容
本说明书提供一种基于代理模型近似处理的推理查询优化方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种基于代理模型近似处理的推理查询优化方法,包括:
获取各任务模型;
根据预设的目标准确率,确定各任务模型所对应的不同代理模型的准确率参数组合,作为各参数组合,其中,不同代理模型对应的准确率不同,所述代理模型用于根据任务模型对应的过滤条件对输入任务模型中的数据进行过滤,所述准确率参数用于表征通过所述准确率参数的代理模型对输入任务模型中的数据进行过滤时,未被过滤的数据占不符合所述过滤条件的数据的比例;
针对每种参数组合,根据该参数组合中每个代理模型对应的准确率,确定该参数组合对应的执行代价;
根据每种参数组合对应的执行代价,确定目标参数组合;
在接收到查询请求后,调用所述目标参数组合对应的各代理模型,并通过各代理模型以及所述各任务模型,按照目标执行顺序依次执行所述查询请求对应的推理查询任务。
可选地,获取各任务模型之前,所述方法还包括:
针对每个任务模型,根据该任务模型对应的过滤条件以及该任务模型对应的数据输入关系,构建该任务模型对应的至少一种准确率参数的代理模型;
针对每种准确率参数的代理模型,确定该准确率参数的代理模型对应的准确率与过滤率之间的映射关系。
可选地,所述准确率与所述过滤率之间呈负相关关系。
可选地,针对每种参数组合,根据该参数组合中每个代理模型对应的准确率,确定该参数组合对应的执行代价,具体包括:
针对该参数组合中的每个准确率参数的代理模型,根据该代理模型对应的准确率以及该代理模型对应的所述映射关系,确定该代理模型对应的过滤率;
根据该代理模型的准确率、过滤率、该代理模型对应任务模型的选择率、该代理模型处理每条数据所使用的时间以及该代理模型对应任务模型处理每条数据所使用的时间,确定该代理模型对应的执行代价;
根据该参数组合中每个准确率参数的代理模型对应的执行代价,确定该参数组合对应的执行代价。
可选地,在接收到查询请求后,调用所述目标参数组合对应的各代理模型,并通过各代理模型以及所述各任务模型,按照目标执行顺序依次执行所述查询请求对应的推理查询任务,具体包括:
确定所述推理查询任务对应的各子任务;
通过各代理模型以及所述各任务模型,按照所述目标执行顺序,依次执行各任务模型对应的子任务;
将所述目标执行顺序中最后一个任务模型对应子任务的执行结果,作为所述推理查询任务对应的查询结果。
可选地,通过各代理模型以及所述各任务模型,按照所述目标执行顺序,依次处理各任务模型对应的子任务,具体包括:
针对每个代理模型,将该代理模型对应子任务的执行结果,作为下一个任务模型对应代理模型的输入数据。
可选地,通过各代理模型以及所述各任务模型,按照目标执行顺序依次执行所述查询请求对应的推理查询任务,具体包括:
针对每个代理模型,基于该代理模型对应的准确率以及过滤率,通过该代理模型对上一任务模型输出的数据进行过滤,并将过滤后的数据输入该代理模型对应的任务模型。
本说明书提供了一种基于代理模型近似处理的推理查询优化装置,包括:
获取模块,获取各任务模型;
第一确定模块,根据预设的目标准确率,确定各任务模型所对应的不同代理模型的准确率参数组合,作为各参数组合,其中,不同代理模型对应的准确率不同,所述代理模型用于根据任务模型对应的过滤条件对输入任务模型中的数据进行过滤,所述准确率参数用于表征通过所述准确率参数的代理模型对输入任务模型中的数据进行过滤时,未被过滤的数据占不符合所述过滤条件的数据的比例;
第二确定模块,针对每种参数组合,根据该参数组合中每个代理模型对应的准确率,确定该参数组合对应的执行代价;
第三确定模块,根据每种参数组合对应的执行代价,确定目标参数组合;
执行模块,在接收到查询请求后,调用所述目标参数组合对应的各代理模型,并通过各代理模型以及所述各任务模型,按照目标执行顺序依次执行所述查询请求对应的推理查询任务。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述基于代理模型近似处理的推理查询方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述基于代理模型近似处理的推理查询方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的基于代理模型近似处理的推理查询方法中,根据预设的目标准确率,确定各任务模型所对应的不同代理模型的准确率参数组合,作为各参数组合;针对每种参数组合,根据该参数组合中每个代理模型对应的准确率,确定该参数组合对应的执行代价;根据每种参数组合对应的执行代价,确定目标参数组合;在接收到查询请求后,调用目标参数组合对应的各代理模型,并通过各代理模型以及各任务模型,按照目标执行顺序依次执行查询请求对应的推理查询任务。
从上述方法可以看出,本方案可以确定出多种不同准确率参数的代理模型组合,并根据各代理模型的准确率参数从中确定出执行代价最为合适的目标参数组合,这样一来,在执行推理查询任务的过程中,可以通过各目标参数的代理模型先根据其准确率参数对数据进行初步过滤,完成的数据的近似处理,而后将过滤后的数据输入任务模型,从而提高任务模型的处理效率,进而提高推理查询的整体效率,降低损耗时间。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中提供的一种现有推理查询过程示意图;
图2为本说明书中提供的一种基于代理模型近似处理的推理查询优化方法的流程示意图;
图3为本说明书中提供的一种代理模型近似处理后的推理查询过程示意图;
图4为本说明书中提供的一种代理模型的准确率和过滤率之间的对应关系的确定过程示意图;
图5为本说明书提供的一种基于代理模型近似处理的推理查询优化装置的示意图;
图6为本说明书提供的一种对应于图2的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
图1为本说明书中提供的一种现有推理查询过程示意图。
其中,查询任务的最终目的是为了分析S地民众对戴口罩的情感态度;图1中箭头上的数字代表传入下一个推理算子的数据量,每个推理算子下面的时间是在其处理一条数据需要花费的时间,、/>以及/>分别表示“主题识别”、“地点标记”以及“情感分析”三个推理算子,/>、/>以及/>分别表示三个推理算子相应的过滤器“主题=口罩”、“地点=S”以及“情感=积极”。
值得注意的是,处理一千万条数据的查询需要花费96小时,并且这些推理算子几乎占据整个查询100%的执行时间,是整个查询执行的瓶颈;另外,查询中不同的推理算子过滤器之间存在相关性,不同地区的民众对于戴口罩的态度存在差异性,也就是,“地点标记”推理算子过滤器和“情感分析”推理算子过滤器之间存在相关性。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图2为本说明书中提供的一种基于代理模型近似处理的推理查询优化方法的流程示意图,包括以下步骤:
S201:获取各任务模型。
S201:根据预设的目标准确率,确定各任务模型所对应的不同代理模型的准确率参数组合,作为各参数组合,其中,不同代理模型对应的准确率不同,所述代理模型用于根据任务模型对应的过滤条件对输入任务模型中的数据进行过滤,所述准确率参数用于表征通过所述准确率参数的代理模型对输入任务模型中的数据进行过滤时,未被过滤的数据占不符合所述过滤条件的数据的比例。
在实际应用中,一个推理查询的形式化描述可以为:查询请求包含推理算子,以及它们分别对应的过滤器/>,以及查询的目标准确率/>,该目标准确率可以是由用户预先设置的,每一个推理算子对应一个任务模型,用于执行其对应的推理查询任务,通过多个任务模型(推理算子)对原始数据进行处理后,可以得到最终的查询结果。
在本说明书中,用于进行数据处理的数据可以为视频数据或图像数据,当然,也可以为音频数据或者文本数据,本说明书对此不做具体限定。上述查询请求对应的推理查询任务可以为对满足要求的数据进行筛选,以根据查询结果进行后续的数据分析。
其中,服务器可以获取各任务模型以及用户预先设置的目标准确率。
以图1所示的查询请求为例,其查询结果为S地民众对“口罩”的情感态度。对应的查询数据可以为通过图像采集设备采集到的视频数据。
在该查询任务中,可以包含有三个任务模型(推理算子),分别用于执行不同的推理查询任务,即主题识别模型、地点标记模型/>、情感分析模型/>,每个任务模型分别对应一个过滤器,包括/>、/>以及/>,过滤器/>、/>以及/>对应的过滤条件分别为“主题=口罩”、“地点=S”、“情感=积极”,三个任务模型及其对应的过滤器分别用于对主题为“口罩”的数据进行筛选,对地点为“S”的数据进行筛选以及对情感表达为“积极”的数据进行筛选。
进一步的,服务器可以根据上述目标准确率,确定各任务模型所对应的不同代理模型的准确率参数组合,作为各参数组合,在本说明书中,代理模型用于根据任务模型对应的过滤条件对输入任务模型中的数据进行过滤,准确率参数用于表征通过准确率参数的代理模型对输入任务模型中的数据进行过滤时,未被过滤的数据占不符合所述过滤条件的数据的比例。
在使用各代理模型之前,服务器可以根据任务模型对应的过滤条件以及数据输入关系,构建各任务模型对应的至少一种准确率参数的代理模型,并针对每种准确率参数的代理模型,确定该准确率参数的代理模型对应的准确率与过滤之间的映射关系。其中,代理模型的过滤率表示其过滤掉的数据数量占输入代理模型的数据的比例。
具体的,代理模型可以为/>五元组,/>是代理模型/>与任务模型之间的数据输入关系,/>是/>要提升的推理算子过滤器的过滤条件,/>是/>相对应的有标签的样本,/>是/>的分类模型,/>是/>的准确率参数和过滤率之间的映射关系。为了便于理解,本说明书提供了一种代理模型近似处理后的推理查询过程示意图,如图3所示。
图3为本说明书中提供的一种代理模型近似处理后的推理查询过程示意图。
其中,代理模型的输入关系/>为/>,对应的过滤条件为/>“主题=口罩”;代理模型/>的输入关系/>为/>,对应的过滤条件为/>“地点=S”;代理模型/>的输入关系/>为/>,对应的过滤条件为/>“情感=积极”。
针对每个代理模型,服务器可以生成其有标签的样本,具体的,服务器可以将中的过滤条件关系应用到最初的输入数据的一个样本(几千条数据)上,然后,使用当前代理模型/>对应任务模型分类器的过滤条件/>来标记这个样本,满足过滤条件/>的数据被标记为正类(+1),否则,被标记为负类(-1);生成图3中/>的正样本/>过程为:在初始输入数据的一个样本上应用/>,然后,使用过滤条件/>“地点=S”来标记这个样本,如果一条数据描述的地点是S,则该数据被标记为正类,否则,被标记为负类。
而后服务器可以训练轻量级的分类模型,具体的,服务器可以在代理模型有标签的样本/>上应用轻量级的分类算法,比如linearSVM,Shallow NNs等,训练得到一个分类模型/>。
之后计算代理模型准确率参数和过滤率/>之间的映射关系/>。为了便于理解,本说明书提供了一种代理模型的准确率和过滤率之间的对应关系的确定过程示意图,如图4所示。
图4为本说明书中提供的一种代理模型的准确率和过滤率之间的对应关系的确定过程示意图。
分类模型可以推断出一条数据/>在正类上的概率值,记为/>;对于线性支持向量机linearSVM,/>,其中,/>是权重矩阵,/>是偏差项;如果,该数据/>将会被过滤掉,不会传递给后序的推理算子处理,以图4为例,当阈值/>时,通过的10条正类数据占全部正类数据的百分比为10/10=100%,也就是,过滤掉5条数据占全部18条数据的百分比为5/18=28%,也就是过滤率;当阈值/>提升到0.4的时候,一个标签为正类的数据被该代理模型误筛掉,导致其准确率/>下降到9/10=90%,此时,该代理模型过滤更多的数据,其过滤率/>提升到8/18=44%;因此,得到准确率/>参数和过滤率/>之间的映射关系/>;值得注意的是,随着准确率/>的上升,其过滤率/>下降。
需要说明的是,在本说明书中,不同代理模型对应不同的准确率参数,而不同准确率参数的代理模型对应的准确率和过滤率之间的映射关系也是不同的。
S203:针对每种参数组合,根据该参数组合中每个代理模型对应的准确率,确定该参数组合对应的执行代价。
S204:根据每种参数组合对应的执行代价,确定目标参数组合。
针对任意参数组合中的每个代理模型,服务器可以根据该代理模型对应的准确率以及该代理模型对应的映射关系,确定该代理模型对应的过滤率,而后根据该代理模型的准确率、过滤率、该代理模型对应任务模型的选择率、该代理模型处理每条数据所使用的时间以及该代理模型对应任务模型处理每条数据所使用的时间,确定该代理模型对应的执行代价,进而根据该参数组合中每个代理模型对应的执行代价,确定该参数组合对应的执行代价,其中,该执行代价可以通过代价函数来进行计算,执行推理查询任务时所消耗的时间越长,该执行代价越大,反之越小。
具体的,一个推理查询任务可以形式化描述为:查询请求包含任务模型,以及它们分别对应的过滤器/>。图2所示推理查询的可以表示为:
一个代理模型及其相应的任务模型和过滤器/>的执行代价函数为:
其中,表示代理模型/>对应的执行代价,/>是代理模型/>的准确率参数,/>是过滤器/>的选择率,/>是代理模型/>处理每条数据花费的使用的时间,是代理模型/>的过滤率,/>是任务模型/>处理每条数据花费的使用的时间。
服务器可以根据参数组合中每个代理模型对应的执行代价,确定参数组合对应的执行代价。
不同参数组合对应的执行代价如表一所示:
表一
表一中列举了三种准确率参数组合,在第一组“主题模型”中,推理算子“主题模型”处理每条数据花费的时间代价为,推理算子过滤器“主题=口罩”的选择率/>;其对应的代理模型/>的准确率参数/>,达到的过滤率,/>处理每条数据花费的时间代价为0.1ms/record,“主题模型”对应参数组合的执行代价为:
在本说明书中,提供查询的目标准确率与其加入的代理模型准确率参数/>之间的关系满足:
;
其中,,/>是任务模型的过滤器/>在其之前的任务模型的过滤器的条件下的选择率。对于优化后的查询过程(如图3所示),/>是/>在其之前的/>,那么,根据代理模型准确率的定义可知,,/>的准确率是其对应的/>的输出结果占/>的输出结果的百分比。
此外,目标准确率可以为用户能够接受的查询结果损失百分比,也就是优化之后的查询执行计划的输出占原始查询输出的百分比。
若将原始推理查询的(图1)的输出结果表示为;基于代理模型近似处理优化后的推理查询(图3)的输出结果表示为/>,则目标准确率。
因此,,为了便于描述,下文仅用/>指代。则基于代理模型近似处理的推理查询的执行代价可以表示为/>。
当目标准确率时,表1列举了三种准确率参数组合满足,以第三组参数组合为例,/>,/>和;当/>,“主题模型”/>处理每条数据花费的时间代价,其过滤器“主题=口罩”/>的选择率/>,则经过处理之后输出七百二十万条数据,同理,/>处理之后的输出为九十万,/>处理之后的输出为五十四万,这个执行计划的执行时间为65.74小时,也就是说,不同准确率参数组合最后的执行时间不同,表1中第二组参数组合相对于第一组参数组合,其执行时间提升了38.01%。
在本说明书中,基于代理模型近似处理的推理查询要求解的问题可以表述为:在准确率空间内,寻找优化之后的查询计划,使得优化之后的查询计划执行时间最小,其中形式化描述为:
;
其中,A表示包含有多种准确率参数组合的准确率空间。由于一个代理模型的过滤率随着准确率的上升而下降,故可能是任何准确率上的非递减函数;当/>时,/>,;/>和/>分别在、/>上单调递增;令/>,;如果/>在/>上是凸的,根据凸函数的定义,对于任意两个点/>和/>,以及/>,;但是,当以及/>时,/>,,也就是说,不成立;因此/>是非凸的,也就是/>是非凸的。
服务器可以根据每种参数组合对应的执行代价,确定出目标参数组合,如将执行代价最小的参数组合作为目标参数组合。其中,服务器可以提供n维的准确率空间,其中的每一个维度对应一个代理模型的准确率参数。
由于代理模型的准确率参数与查询的目标准确率之间满足:,因此,目标参数组合的求解问题,需要在一个满足/>的/>维超平面上搜索,搜索中涉及到的每一组/>是该超平面中的一个点;最后,将该/>维的超平面,按照步长在每个维度上离散化,构建离散的准确率空间/>。目标参数组合的确定过程可以通过准确率分配算法来实现,该准确率分配算法可以表示为:
procedure 准确率分配算法
从原始数据抽取一个样本;
fordo:
在/>上应用过滤条件/>;
for在离散空间/>中do:
fordo:
在/>上应用/>;
如果在/>上满足/>近似,重用/>;否则训练/>;
计算准确率/>和过滤率/>之间的关系;
计算各准确率参数的处理模型的执行代价;
计算各参数组合对应的执行代价;
选取最小的/>,以及/>,并返回。
其中,该算法的输入为一个包含个任务模型/>的查询请求/>以及目标准确率/>,该算法的输出为/>个已经构建好的、分配好准确率参数/>的代理模型/>。
服务器可以首先从原始数据中抽取一个样本,然后,在/>上依次应用,并且物化每个/>之后生成的样本/>,接下来,对于离散超平面/>中的每个准确率组合/>依次构建/>个代理模型。
构建每个代理模型的过程为:首先,在/>应用该代理模型之前的代理模型得到当前样本/>,然后,判断是否能够重用之前的迭代过程中构建该代理模型生产的分类模型,如果能够重用之前已经训练好的、具有/>近似的分类模型,就重用该分类模型;否则,在样本/>上重新训练/>。
服务器构建完个代理模型之后,计算执行代价,并选择最小执行代价/>的及其对应的/>个代理模型/>,得到目标参数组合对应的各代理模型。
S205:在接收到查询请求后,调用所述目标参数组合对应的各代理模型,并通过各代理模型以及所述各任务模型,按照目标执行顺序依次执行所述查询请求对应的推理查询任务。
在服务器接收到用户的查询请求后,可以调用各目标参数组合对应的各代理模型,并通过各代理模型以及所述各任务模型,按照目标执行顺序依次执行所述查询请求对应的推理查询任务。
具体的,服务器可以确定当前查询请求对应推理查询任务对应的各子任务,通过各代理模型以及各任务模型,按照目标执行顺序,依次执行各任务模型对应的子任务;将目标执行顺序中最后一个任务模型对应子任务的执行结果,作为推理查询任务对应的查询结果。
针对每个代理模型,该代理模型对应子任务的执行结果可以作为下一个任务模型对应代理模型的输入数据,服务器可以基于该代理模型对应的准确率以及过滤率,通过该代理模型对上一任务模型输出的数据进行过滤,并将过滤后的数据输入该代理模型对应的任务模型。
上述目标执行顺序可以是服务器预先设置好的,当然,也可以是服务器根据不同执行顺序对应的执行代价所确定出的最优执行顺序。
以图3为例,查询请求“S地民众对戴口罩的情感态度”对应的各子任务分别为识别主题“口罩””、标记地点“S”以及情感分类“积极”,各子任务对应的任务模型分别为“主题识别模型”、“地点标记模型”以及“情感分析模型”。
对于用户输入的查询请求q(地点S的用户对口罩的态度),先通过代理模型对初始数据进行初步过滤,而后将过滤后的数据输入主题识别模型/>,通过其对应过滤器的过滤条件/>对数据进行筛选,并将筛选后的数据作为下一个任务模型(/>)对应代理模型(/>)的输入,之后依次执行后续的代理模型及对应的任务模型,直至得到最终的推理查询结果,即“地点S的用户对口罩为积极态度的数据”。
当然,在实际应用中,上述方法还可以应用于其他场景,例如,根据各地交通摄像头所采集到的图像数据,筛选出S地的公交车出行数据,在此过程中,服务器可以通过本说明书提供的方法确定代理模型的目标参数组合,以按照目标执行顺序以及目标参数组合,通过主题识别模型对应的代理模型及分类器对包含车辆的图像数据进行筛选,通过地点标记模型及其代理模型对地点“S”的图像数据进行筛选以及通过目标识别模型及其代理模型对包含公交车的图像数据进行筛选,进而根据筛选出的数据对地点S的公共交通进行调整以及规划。
从上述方法可以看出,本方案可以确定出多种不同准确率参数的代理模型组合,并根据各代理模型的准确率参数从中确定出执行代价最为合适的目标参数组合,这样一来,在执行推理查询任务的过程中,可以通过各目标参数的代理模型先根据其准确率参数对数据进行初步过滤,完成的数据的近似处理,而后将过滤后的数据输入任务模型,从而提高任务模型的处理效率,进而提高推理查询的整体效率,降低损耗时间。
以上为本说明书的一个或多个实施基于代理模型近似处理的推理查询方法,基于同样的思路,本说明书还提供了相应的基于代理模型近似处理的推理查询装置,如图5所示。
图5为本说明书提供的一种基于代理模型近似处理的推理查询优化装置的示意图,包括:
获取模块501,用于获取各任务模型;
第一确定模块502,用于根据预设的目标准确率,确定各任务模型所对应的不同代理模型的准确率参数组合,作为各参数组合,其中,不同代理模型对应的准确率不同,所述代理模型用于根据任务模型对应的过滤条件对输入任务模型中的数据进行过滤,所述准确率参数用于表征通过所述准确率参数的代理模型对输入任务模型中的数据进行过滤时,未被过滤的数据占不符合所述过滤条件的数据的比例;
第二确定模块503,用于针对每种参数组合,根据该参数组合中每个代理模型对应的准确率,确定该参数组合对应的执行代价;
第三确定模块504,用于根据每种参数组合对应的执行代价,确定目标参数组合;
执行模块505,用于在接收到查询请求后,调用所述目标参数组合对应的各代理模型,并通过各代理模型以及所述各任务模型,按照目标执行顺序依次执行所述查询请求对应的推理查询任务。
可选地,获取各任务模型之前,所述装置还包括:
构建模块506,用于针对每个任务模型,根据该任务模型对应的过滤条件以及该任务模型对应的数据输入关系,构建该任务模型对应的至少一种准确率参数的代理模型;针对每种准确率参数的代理模型,确定该准确率参数的代理模型对应的准确率与过滤率之间的映射关系。
可选地,所述准确率与所述过滤率之间呈负相关关系。
可选地,所述第二确定模块503具体用于,针对该参数组合中的每个准确率参数的代理模型,根据该代理模型对应的准确率以及该代理模型对应的所述映射关系,确定该代理模型对应的过滤率;根据该代理模型的准确率、过滤率、该代理模型对应任务模型的选择率、该代理模型处理每条数据所使用的时间以及该代理模型对应任务模型处理每条数据所使用的时间,确定该代理模型对应的执行代价;根据该参数组合中每个准确率参数的代理模型对应的执行代价,确定该参数组合对应的执行代价。
可选地,所述执行模块505具体用于,通过各代理模型以及所述各任务模型,按照所述目标执行顺序,依次执行各任务模型对应的子任务;将所述目标执行顺序中最后一个任务模型对应子任务的执行结果,作为所述推理查询任务对应的查询结果。
可选地,所述执行模块505具体用于,针对每个代理模型,将该代理模型对应子任务的执行结果,作为下一个任务模型对应代理模型的输入数据。
可选地,所述执行模块505具体用于,针对每个代理模型,基于该代理模型对应的准确率以及过滤率,通过该代理模型对上一任务模型输出的数据进行过滤,并将过滤后的数据输入该代理模型对应的任务模型。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图2提供的一种基于代理模型近似处理的推理查询优化方法。
本说明书还提供了图6所示的一种对应于图2的电子设备的示意结构图。如图6所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。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,以实现上述图2所述的基于代理模型近似处理的推理查询方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(ProgrammableLogic Device, PLD)(例如现场可编程门阵列(Field Programmable Gate Array,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(HardwareDescription Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(AdvancedBoolean Expression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(JavaHardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby HardwareDescription Language)等,目前最普遍使用的是VHDL(Very-High-Speed IntegratedCircuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书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,本说明书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。
本说明书是参照根据本说明书实施例的方法、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,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书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,本说明书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。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (8)
1.一种基于代理模型近似处理的推理查询优化方法,其特征在于,包括:
获取各任务模型,其中,针对每个任务模型,根据该任务模型对应的过滤条件以及该任务模型对应的数据输入关系,构建该任务模型对应的至少一种准确率参数的代理模型,针对每种准确率参数的代理模型,确定该准确率参数的代理模型对应的准确率与过滤率之间的映射关系;
根据预设的目标准确率,确定各任务模型所对应的不同代理模型的准确率参数组合,作为各参数组合,其中,不同代理模型对应的准确率不同,所述代理模型用于根据任务模型对应的过滤条件对输入任务模型中的数据进行过滤,所述准确率参数用于表征通过所述准确率参数的代理模型对输入任务模型中的数据进行过滤时,未被过滤的数据占不符合所述过滤条件的数据的比例;
针对参数组合中的每个准确率参数的代理模型,根据该代理模型对应的准确率以及该代理模型对应的所述映射关系,确定该代理模型对应的过滤率,根据该代理模型的准确率、过滤率、该代理模型对应任务模型的选择率、该代理模型处理每条数据所使用的时间以及该代理模型对应任务模型处理每条数据所使用的时间,确定该代理模型对应的执行代价,针对每种参数组合,根据该参数组合中每个准确率参数的代理模型对应的执行代价,确定该参数组合对应的执行代价;
根据每种参数组合对应的执行代价,确定目标参数组合;
在接收到查询请求后,调用所述目标参数组合对应的各代理模型,并通过各代理模型以及所述各任务模型,按照目标执行顺序依次执行所述查询请求对应的推理查询任务。
2.如权利要求1所述的方法,其特征在于,所述准确率与所述过滤率之间呈负相关关系。
3.如权利要求1所述的方法,其特征在于,在接收到查询请求后,调用所述目标参数组合对应的各代理模型,并通过各代理模型以及所述各任务模型,按照目标执行顺序依次执行所述查询请求对应的推理查询任务,具体包括:
确定所述推理查询任务对应的各子任务;
通过各代理模型以及所述各任务模型,按照所述目标执行顺序,依次执行各任务模型对应的子任务;
将所述目标执行顺序中最后一个任务模型对应子任务的执行结果,作为所述推理查询任务对应的查询结果。
4.如权利要求3所述的方法,其特征在于,通过各代理模型以及所述各任务模型,按照所述目标执行顺序,依次处理各任务模型对应的子任务,具体包括:
针对每个代理模型,将该代理模型对应子任务的执行结果,作为下一个任务模型对应代理模型的输入数据。
5.如权利要求3所述的方法,其特征在于,通过各代理模型以及所述各任务模型,按照目标执行顺序依次执行所述查询请求对应的推理查询任务,具体包括:
针对每个代理模型,基于该代理模型对应的准确率以及过滤率,通过该代理模型对上一任务模型输出的数据进行过滤,并将过滤后的数据输入该代理模型对应的任务模型。
6.一种基于代理模型近似处理的推理查询优化装置,其特征在于,包括:
获取模块,获取各任务模型,其中,针对每个任务模型,根据该任务模型对应的过滤条件以及该任务模型对应的数据输入关系,构建该任务模型对应的至少一种准确率参数的代理模型,针对每种准确率参数的代理模型,确定该准确率参数的代理模型对应的准确率与过滤率之间的映射关系;
第一确定模块,根据预设的目标准确率,确定各任务模型所对应的不同代理模型的准确率参数组合,作为各参数组合,其中,不同代理模型对应的准确率不同,所述代理模型用于根据任务模型对应的过滤条件对输入任务模型中的数据进行过滤,所述准确率参数用于表征通过所述准确率参数的代理模型对输入任务模型中的数据进行过滤时,未被过滤的数据占不符合所述过滤条件的数据的比例;
第二确定模块,针对参数组合中的每个准确率参数的代理模型,根据该代理模型对应的准确率以及该代理模型对应的所述映射关系,确定该代理模型对应的过滤率,根据该代理模型的准确率、过滤率、该代理模型对应任务模型的选择率、该代理模型处理每条数据所使用的时间以及该代理模型对应任务模型处理每条数据所使用的时间,确定该代理模型对应的执行代价,针对每种参数组合,根据该参数组合中每个准确率参数的代理模型对应的执行代价,确定该参数组合对应的执行代价;
第三确定模块,根据每种参数组合对应的执行代价,确定目标参数组合;
执行模块,在接收到查询请求后,调用所述目标参数组合对应的各代理模型,并通过各代理模型以及所述各任务模型,按照目标执行顺序依次执行所述查询请求对应的推理查询任务。
7.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~5任一项所述的方法。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311107124.5A CN116821193B (zh) | 2023-08-30 | 2023-08-30 | 一种基于代理模型近似处理的推理查询优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311107124.5A CN116821193B (zh) | 2023-08-30 | 2023-08-30 | 一种基于代理模型近似处理的推理查询优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116821193A CN116821193A (zh) | 2023-09-29 |
CN116821193B true CN116821193B (zh) | 2024-01-09 |
Family
ID=88120715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311107124.5A Active CN116821193B (zh) | 2023-08-30 | 2023-08-30 | 一种基于代理模型近似处理的推理查询优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116821193B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103491535A (zh) * | 2013-08-31 | 2014-01-01 | 中国人民大学 | 面向传感器网络的隐私保护通用近似查询方法 |
CN107885865A (zh) * | 2017-11-22 | 2018-04-06 | 星环信息科技(上海)有限公司 | 一种代价优化器与代价估计的方法及其设备 |
CN114780589A (zh) * | 2022-04-07 | 2022-07-22 | 中南民族大学 | 多表连接查询方法、装置、设备及存储介质 |
CN116502679A (zh) * | 2023-05-15 | 2023-07-28 | 之江实验室 | 一种模型构建方法、装置、存储介质及电子设备 |
CN116595040A (zh) * | 2023-03-29 | 2023-08-15 | 之江实验室 | 一种过载场景下数据分类查询的优化方法和装置 |
CN116628136A (zh) * | 2023-06-05 | 2023-08-22 | 浙江大学 | 基于声明式推理的协同查询处理方法、系统、电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110019990B (zh) * | 2017-07-14 | 2023-05-23 | 阿里巴巴集团控股有限公司 | 样本筛选的方法和装置、业务对象数据搜索的方法和装置 |
-
2023
- 2023-08-30 CN CN202311107124.5A patent/CN116821193B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103491535A (zh) * | 2013-08-31 | 2014-01-01 | 中国人民大学 | 面向传感器网络的隐私保护通用近似查询方法 |
CN107885865A (zh) * | 2017-11-22 | 2018-04-06 | 星环信息科技(上海)有限公司 | 一种代价优化器与代价估计的方法及其设备 |
CN114780589A (zh) * | 2022-04-07 | 2022-07-22 | 中南民族大学 | 多表连接查询方法、装置、设备及存储介质 |
CN116595040A (zh) * | 2023-03-29 | 2023-08-15 | 之江实验室 | 一种过载场景下数据分类查询的优化方法和装置 |
CN116502679A (zh) * | 2023-05-15 | 2023-07-28 | 之江实验室 | 一种模型构建方法、装置、存储介质及电子设备 |
CN116628136A (zh) * | 2023-06-05 | 2023-08-22 | 浙江大学 | 基于声明式推理的协同查询处理方法、系统、电子设备 |
Non-Patent Citations (2)
Title |
---|
Spatial Query Optimization Utilizing Early Separated Filter and Refinement Strategy;Ho-Hyun Park 等;《Information Systems》;第25卷;1-22 * |
一种基于数据流环境感知的共享过滤算法;李军;张鹏;郭莉;周晓飞;;计算机研究与发展(05);961-968 * |
Also Published As
Publication number | Publication date |
---|---|
CN116821193A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034183B (zh) | 一种目标检测方法、装置及设备 | |
CN116502633A (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
CN116842060B (zh) | 一种基于代理模型重排技术的推理查询优化方法及装置 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN116821193B (zh) | 一种基于代理模型近似处理的推理查询优化方法及装置 | |
CN115545572B (zh) | 一种业务风控的方法、装置、设备及存储介质 | |
CN116152933A (zh) | 一种异常检测模型的训练方法、装置、设备及存储介质 | |
CN114359935A (zh) | 一种模型训练以及表格识别方法及装置 | |
CN109325127B (zh) | 一种风险识别方法和装置 | |
CN111598092A (zh) | 图像中目标区域的确定方法、目标识别方法及装置 | |
CN115862675B (zh) | 一种情感识别方法、装置、设备及存储介质 | |
CN111461352B (zh) | 模型训练、业务节点识别方法、装置及电子设备 | |
CN116028820B (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN117009729B (zh) | 基于softmax的数据处理方法及装置 | |
CN116341642B (zh) | 一种数据处理的方法、装置、存储介质及电子设备 | |
CN115545938B (zh) | 一种执行风险识别业务的方法、装置、存储介质及设备 | |
CN118015316B (zh) | 一种图像匹配模型训练的方法、装置、存储介质、设备 | |
CN117668543A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN114241727A (zh) | 变电设备智能诊断预警系统、方法及装置 | |
CN113673601A (zh) | 一种行为识别方法、装置、存储介质及电子设备 | |
CN114528937A (zh) | 模型训练方法、装置、设备及系统 | |
CN112115952A (zh) | 一种基于全卷积神经网络的图像分类方法、设备及介质 | |
CN117392688A (zh) | 一种图像分类的方法、装置、存储介质以及电子设备 | |
CN117494800A (zh) | 一种基于构建出的核聚变知识图谱的任务执行方法及装置 | |
CN117593002A (zh) | 一种风险识别的方法、装置、存储介质及电子设备 |
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 |