CN116842290A - 数据缓存方法、装置、设备及计算机可读存储介质 - Google Patents
数据缓存方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116842290A CN116842290A CN202310786082.6A CN202310786082A CN116842290A CN 116842290 A CN116842290 A CN 116842290A CN 202310786082 A CN202310786082 A CN 202310786082A CN 116842290 A CN116842290 A CN 116842290A
- Authority
- CN
- China
- Prior art keywords
- data
- cache
- user
- preset
- bit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000000872 buffer Substances 0.000 claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 42
- 230000011218 segmentation Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 17
- 230000004913 activation Effects 0.000 description 10
- 230000003139 buffering effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06F16/95—Retrieval from the web
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
- G06F16/9574—Browsing optimisation, e.g. caching or content distillation of access to content, e.g. by caching
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及金融科技数据处理领域,揭露一种数据缓存方法,包括:监测到用户访问预设页面时,获取所述用户的用户信息,根据所述用户信息生成所述用户的用户类型;获取所述预设页面的历史访问记录,根据所述历史访问记录,生成所述预设页面的热点数据,根据所述用户类型及所述热点数据生成待缓存数据;利用预设的数据缓存链表,根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理。本发明还提出一种数据缓存装置、电子设备及计算机可读存储介质。本发明可以提升金融数据领域的数据缓存定制化水平及降低缓存操作的复杂度。
Description
技术领域
本发明涉及金融科技数据处理领域,尤其涉及一种数据缓存方法、装置、电子设备及计算机可读存储介质。
背景技术
银行、券商、信托、保险、基金、融资租赁等金融企业通常会为用户提供网上服务平台或服务APP,以方便用户进行业务操作,例如,注册会员、实施基金交易、上报保险理赔等。
用户在使用上述服务平台或服务APP的时,系统通常会将一些用户常用业务数据进行缓存,以便能够快速响应用户操作的需要,提升用户使用体验。
当前较多缓存数据是预先确定好的,不同的用户访问相同的业务页面,对应的缓存数据是一定的,即同一APP页面对应的缓存数据是固定的,这种数据缓存方式忽略了操作对象的不同,会存在预先缓存的数据并非是用户需要的情况。
发明内容
本发明提供一种数据缓存方法、装置、电子设备及计算机可读存储介质,其主要目的在于提升金融数据领域的数据缓存定制化水平及降低缓存操作的复杂度。
为实现上述目的,本发明提供的一种基于数据缓存方法,包括:
监测到用户访问预设页面时,获取所述用户的用户信息,根据所述用户信息生成所述用户的用户类型;
获取所述预设页面的历史访问记录,根据所述历史访问记录,生成所述预设页面的热点数据,根据所述用户类型及所述热点数据生成待缓存数据;
利用预设的数据缓存链表,根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理。
可选地,所述根据所述用户信息生成所述用户的用户类型,包括:
提取所述用户信息的文本特征;
计算所述文本特征与预设的用户分类标签之间的相对概率值;
根据所述相对概率值计算每个所述用户分类标签的得分,将得分最高的用户分类标签作为所述用户的用户类型。
可选地,所述提取所述用户信息的文本特征,包括:
对所述用户信息进行分词,得到分词集,并将所述分词集中的每个所述分词转换为词向量;
利用所述分词集及每个所述分词的词向量,构建所述用户信息的文本向量矩阵;
依次选取一个所述分词作为目标分词,根据所述目标分词的词向量及所述文本向量矩阵,计算所述目标分词的关键值;
按照所述关键值从大到小的顺序从所述分词集中选取预设数量的分词作为特征分词;
将所述特征分词的词向量拼接得到所述用户信息的文本特征。
可选地,所述根据所述历史访问记录,生成所述预设页面的热点数据,包括:
从所述历史访问记录中提取用户操作的数据单元;
统计每个所述数据单元的操作频率;
选取所述操作频率大于预设操作频率的数据单元为热点数据。
可选地,所述根据所述用户类型及所述热点数据生成待缓存数据,包括:
获取所述预设页面的页面标签及所述页面标签对应的数据标签集;
根据所述数据标签集对所述热点数据中的每个数据单元打标,得到数据单元标签;
根据预设的用户类型与数据标签之间的映射关系,得到所述用户类型对应的数据单元标签,将所述用户类型对应的数据单元标签对应的数据单元作为所述待缓存数据。
可选地,所述利用预设的数据缓存链表,根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理,包括:
判断所述待缓存数据是否在所述预设的数据缓存链表中;
当所述待缓存数据在所述数据缓存链表中时,将所述待缓存数据对应的缓存位的缓存时间戳设置为当前时间,并将对应的缓存位移至所述数据缓存链表的头部;
当所述待缓存数据不在所述数据缓存链表中时,判断所述数据缓存链表是否已满;
当所述数据缓存链表已满时,释放时间戳最小的缓存位的缓存数据,将释放后的缓存位移至所述数据缓存链表的头部,将缓存时间戳设置为当前时间,将所述待缓存数据存入释放后的缓存位。
当所述数据缓存链表未满时,随机选择一个空的缓存位移至所述数据缓存链表的头部,及将缓存时间戳设置为当前时间,并将所述待缓存数据放入所述空的缓存位。
可选地,所述利用预设的数据缓存链表,根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理,所述方法还包括:
当所述预设的数据缓存链表中新增缓存数据时,将新增缓存数据对应的缓存位对应的使用频率加1;
当所述预设的数据缓存链表中空间已满时,且缓存时间戳最小的缓存位大于1时,释放使用频率最低的缓存位的空间。
为了解决上述问题,本发明还提供一种数据缓存装置,所述装置包括:
缓存数据定制模块,用于监测到用户访问预设页面时,获取所述用户的用户信息,根据所述用户信息生成所述用户的用户类型,获取所述预设页面的历史访问记录,根据所述历史访问记录,生成所述预设页面的热点数据,根据所述用户类型及所述热点数据生成待缓存数据;
数据缓存实施模块,用于利用预设的数据缓存链表,根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的程序以实现上述所述的数据缓存方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的数据缓存方法。
本发明申请根据用户类型及页面热点数据生成待缓存数据,一方面用户类型与用户的实际用户信息相关,另一方面页面热点数据与页面的历史访问记录相关,因此,最终生成的待缓存数据并非是一成不变的,而是根据实际用户信息及页面历史访问数据定制后的数据,这样操作避免了缓存数据太多以及缓存数据一成不变,提升了缓存数据的定制化水平,同时根据缓存时间戳进行数据存储,相较于使用哈希表维护缓存状态,本申请可以降低缓存操作的复杂度。
附图说明
图1为本发明一实施例提供的数据缓存方法的流程示意图;
图2为本发明一实施例提供的数据缓存方法其中一个步骤的详细实施流程示意图;
图3为本发明一实施例提供的数据缓存方法其中一个步骤的详细实施流程示意图;
图4本发明一实施例提供的数据缓存方法其中一个步骤的详细实施流程示意图;
图5为本发明一实施例提供的数据缓存装置的功能模块图;
图6为本发明一实施例提供的实现所述数据缓存方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种数据缓存方法。所述数据缓存方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述数据缓存方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的数据缓存方法的流程示意图。
在本实施例中,所述一种数据缓存方法,包括:
S1、监测到用户访问预设页面时,获取所述用户的用户信息,根据所述用户信息生成所述用户的用户类型;
本发明实施例中,所述预设页面是指银行、券商、信托、保险、基金、融资租赁等金融企业,为用户提供的网上服务平台或服务APP的页面,用户可以通过浏览或操作该预设页面进行相关业务的查询和办理。例如,注册账户、开通某基金的自动交易、查询保险收益等。
本发明实施例中,所述用户信息可以是用户的金融产品属性信息,例如,保险业务用户、基金业务用户、银行储蓄用户等,可以是用户个人基本信息,例如,年龄、职业、性别等,还可以是该用户预设时间段内的金融产品的购买或交易记录。
需要说明的是,所述用户信息是用户授权的可收集的用户信息。
可以理解的是,不同用户针对不同金融产品APP或同一APP的不同页面的操作倾向不同,用户关注的业务数据不同。例如,保险业务用户关注保险相关业务服务,基金用户关注基金相关服务,近期较多浏览某一基金产品的用户,再次浏览该金融产品的相关页面时,所关注的数据与第一次浏览该金融产品的相关页面的用户所关注的数据不同。
本发明实施例中,根据所述用户信息生成所述用户的用户类型的目的在于,支持同一所述预设页面,相较于不同用户类型的缓存数据可实现差异化和定制化。
详细地,参阅图2所示,所述根据所述用户信息生成所述用户的用户类型,包括:
S11、提取所述用户信息的文本特征;
本发明实施例中,所述用户信息是使用自然语言表达的文本内容,若直接对所述用户信息进行分析,会占用大量的计算资源,导致分析的效率低下,因此,可以利用NLP技术(Natural Language Processing,自然语言处理)将所述用户信息转换为文本特征。其中,所述文本特征包括但不限于用户信息对应的关键词特征、金融业务属性特征。
详细地,参阅图3所示,所述提取所述用户信息的文本特征,包括:
S111、对所述用户信息进行分词,得到分词集,并将所述分词集中的每个所述分词转换为词向量;
S112、利用所述分词集及每个所述分词的词向量,构建所述用户信息的文本向量矩阵;
S113、依次选取一个所述分词作为目标分词,根据所述目标分词的词向量及所述文本向量矩阵,计算所述目标分词的关键值;
S114、按照所述关键值从大到小的顺序从所述分词集中选取预设数量的分词作为特征分词;
S115、将所述特征分词的词向量拼接得到所述用户信息的文本特征。
本发明实施例中,可采用Glove(Global Vectors for Word Representation,全局词向量)、Embedding Layer等方法根据每个所述分词的词向量转换为文本向量矩阵。
可以理解的是,所述分词集中并非每一个分词均是该用户信息的文本特征,因此,需要对所述分词集进行筛选,本发明实施例从所述分词集中逐个选取其中一个分词为目标分词,根据所述目标分词的词向量与所述文本向量矩阵计算所述目标分词的关键值,以根据所述关键值筛选出对该用户信息中具有代表性的特征分词,以实现获取该用户信息的文本特征
本发明实施例中,可利用如下关键值算法计算所述目标分词的关键值:
其中,K为所述关键值,|WT|为所述文本向量矩阵的转置矩阵的模,为所述目标分词的词向量的模。
S12、计算所述文本特征与预设的用户分类标签之间的相对概率值;
S13、根据所述相对概率值计算每个所述用户分类标签的得分,将得分最高的用户分类标签作为所述用户的用户类型。
本发明实施例中,所述预设的用户分类标签可以根据实际业务需要进行设置,例如,根据用户的业务属性进行设置,所述用户分类标签可以包括保险业务用户、基金业务用户,还可进一步细分,所述用户分类标签包括车险业务用户、人寿保险业务用户等。还可以是根据用户的历史交易记录进行设置,所述用户分类标签可以是低度潜在业务用户、中度潜在业务用户、高度潜在业务用户。
本发明实施例中,可通过预先训练好的激活函数计算计算所述文本特征与预设的用户分类标签之间的相对概率值,其中,所述预先训练好的激活函数包括但不限于softmax激活函数、sigmoid激活函数、relu激活函数。
S2、获取所述预设页面的历史访问记录,根据所述历史访问记录,生成所述预设页面的热点数据,根据所述用户类型及所述热点数据生成待缓存数据;
本发明实施例中,所述历史访问记录是指预设时间周期内,用户访问该预设页面所发生的操作记录,例如,半年内,该预设页面累计有万次访问记录,该访问记录包括但不限于在该预设页面上所发生的输入数据操作、查询数据操作、删除数据操作等。
本发明实施例中,所述热点数据是指根据所述历史访问记录统计得到的高频操作数据。
详细地,所述根据所述历史访问记录,生成所述预设页面的热点数据,包括:
从所述历史访问记录中提取用户操作的数据单元;
统计每个所述数据单元的操作频率;
选取所述操作频率大于预设操作频率的数据单元为热点数据。
本发明实施例中,所述数据单元是指用户操作的最小数据对象,例如,注册的会员ID、新购入的基金品牌、交易的基金金额等。
本发明实施例中,所述预设操作频率可以根据实际业务情况进行设置。
本发明实施例中,所述预设页面的热点数据的形成,一方面来源于所述预设页面的本身数据内容,一方面考虑该预设页面在实际投入使用的过程中的历史访问记录,这样可以保障最终得到的热点数据符合历史用户操作的情况,保障了热点数据的准确性。
进一步地,本发明实施例结合该预设页面的用户类型及该预设页面的热点数据,生成最终需要进行缓存的数据,一方面用户类型与用户的实际用户信息相关,另一方面页面热点数据与页面的历史访问记录相关,因此,最终生成的待缓存数据并非是一成不变的,而是根据实际用户信息及页面历史访问数据定制后的数据,这样操作避免了缓存数据太多以及缓存数据一成不变,提升了缓存数据的定制化水平。
详细地,参阅图4所示,所述根据所述用户类型及所述热点数据生成待缓存数据,包括:
S21、获取所述预设页面的页面标签及所述页面标签对应的数据标签集;
S22、根据所述数据标签集对所述热点数据中的每个数据单元打标,得到数据单元标签;
S23、根据预设的用户类型与数据标签之间的映射关系,得到所述用户类型对应的数据单元标签,将所述用户类型对应的数据单元标签对应的数据单元作为所述待缓存数据。
本发明实施例中,所述预设的页面标签是指根据实际业务情况对每个所述预设页面进行区分的自定义标签,例如,用户注册标签、基金交易标签、车险理赔标签等。
本发明实施例中,所述页面标签对应的数据标签集是指预先根据每个所述预设页面的页面标签对该预设页面的文本内容进行划分,得到的数据标签集,例如,某一预设页面的页面标签是车险理赔标签,该预设页面对应的数据标签集包括但不限于车辆型号、车辆保险类型、车辆出险类型等数据标签。
本发明实施例中,所述预设的用户类型与数据标签之间的映射关系是指根据实际业务情况,预先设置的用户类型与数据标签之间的对应关系,例如,用户类型为车险业务用户,相应的数据标签包括车辆型号、车辆保险类型、车辆出险类型等。
S3、利用预设的数据缓存链表,根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理。
本发明实施例中,所述预设的数据缓存链表是一种双向链表,每个缓存位都可以采用位图结构,所述预设的数据缓存链表在使用最初,每个缓存位对应的缓存时间戳为0,当数据写入到该数据缓存链表中的缓存位时,对应的缓存位的时间戳更新为当前时间。随着数据的不断写入或删除,所述预设的数据缓存链表中的每个缓存位的时间戳显示为不同的时间。
本发明实施例中,基于常见的LRU算法(Least Recently Used,近最少使用页面置换),根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理。
详细地,所述S3,包括:
判断所述待缓存数据是否在所述预设的数据缓存链表中;
当所述待缓存数据在所述数据缓存链表中时,将所述待缓存数据对应的缓存位的缓存时间戳设置为当前时间,并将对应的缓存位移至所述数据缓存链表的头部;
当所述待缓存数据不在所述数据缓存链表中时,判断所述数据缓存链表是否已满;
当所述数据缓存链表已满时,释放时间戳最小的缓存位的缓存数据,将释放后的缓存位移至所述数据缓存链表的头部,将缓存时间戳设置为当前时间,将所述待缓存数据存入释放后的缓存位。
当所述数据缓存链表未满时,随机选择一个空的缓存位移至所述数据缓存链表的头部,及将缓存时间戳设置为当前时间,并将所述待缓存数据放入所述空的缓存位。
本发明实施例中,利用缓存位的缓存时间戳的早晚对所述预设的数据缓存链表中的缓存位进行数据存储和清空,相较于使用哈希表维护缓存状态,本申请可以降低缓存操作的复杂度。
本发明另一可选实施例中,还可在每个所述缓存位中增加数据使用频率的记录信息,以防止出现多个相同时间戳的缓存位的缓存数据无法进行清除判断的情况。
示例性地,通过下述方法解决多个相同时间戳的缓存位的缓存数据无法进行清除判断的情况:
当所述预设的数据缓存链表中新增缓存数据时,将新增缓存数据对应的缓存位对应的使用频率加1;
当所述预设的数据缓存链表中空间已满时,且缓存时间戳最小的缓存位大于1时,释放使用频率最低的缓存位的空间。
本发明申请根据用户类型及页面热点数据生成待缓存数据,一方面用户类型与用户的实际用户信息相关,另一方面页面热点数据与页面的历史访问记录相关,因此,最终生成的待缓存数据并非是一成不变的,而是根据实际用户信息及页面历史访问数据定制后的数据,这样操作避免了缓存数据太多以及缓存数据一成不变,提升了缓存数据的定制化水平,同时根据缓存时间戳进行数据存储,相较于使用哈希表维护缓存状态,本申请可以降低缓存操作的复杂度。
如图5所示,是本发明一实施例提供的数据缓存装置的功能模块图。
本发明所述数据缓存装置100可以安装于电子设备中。根据实现的功能,所述数据缓存装置100包括缓存数据定制模块101及数据缓存实施模块102:本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述缓存数据定制模块101,用于监测到用户访问预设页面时,获取所述用户的用户信息,根据所述用户信息生成所述用户的用户类型,获取所述预设页面的历史访问记录,根据所述历史访问记录,生成所述预设页面的热点数据,根据所述用户类型及所述热点数据生成待缓存数据;
所述数据缓存实施模块102,用于利用预设的数据缓存链表,根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理。
详细地,所述数据缓存装置100各模块的具体实施方式如下:
步骤一、监测到用户访问预设页面时,获取所述用户的用户信息,根据所述用户信息生成所述用户的用户类型;
本发明实施例中,所述预设页面是指银行、券商、信托、保险、基金、融资租赁等金融企业,为用户提供的网上服务平台或服务APP的页面,用户可以通过浏览或操作该预设页面进行相关业务的查询和办理。例如,注册账户、开通某基金的自动交易、查询保险收益等。
本发明实施例中,所述用户信息可以是用户的金融产品属性信息,例如,保险业务用户、基金业务用户、银行储蓄用户等,可以是用户个人基本信息,例如,年龄、职业、性别等,还可以是该用户预设时间段内的金融产品的购买或交易记录。
需要说明的是,所述用户信息是用户授权的可收集的用户信息。
可以理解的是,不同用户针对不同金融产品APP或同一APP的不同页面的操作倾向不同,用户关注的业务数据不同。例如,保险业务用户关注保险相关业务服务,基金用户关注基金相关服务,近期较多浏览某一基金产品的用户,再次浏览该金融产品的相关页面时,所关注的数据与第一次浏览该金融产品的相关页面的用户所关注的数据不同。
本发明实施例中,根据所述用户信息生成所述用户的用户类型的目的在于,支持同一所述预设页面,相较于不同用户类型的缓存数据可实现差异化和定制化。
详细地,所述根据所述用户信息生成所述用户的用户类型,包括:
步骤A:提取所述用户信息的文本特征;
本发明实施例中,所述用户信息是使用自然语言表达的文本内容,若直接对所述用户信息进行分析,会占用大量的计算资源,导致分析的效率低下,因此,可以利用NLP技术(Natural Language Processing,自然语言处理)将所述用户信息转换为文本特征。其中,所述文本特征包括但不限于用户信息对应的关键词特征、金融业务属性特征。
详细地,所述提取所述用户信息的文本特征,包括:
对所述用户信息进行分词,得到分词集,并将所述分词集中的每个所述分词转换为词向量;
利用所述分词集及每个所述分词的词向量,构建所述用户信息的文本向量矩阵;
依次选取一个所述分词作为目标分词,根据所述目标分词的词向量及所述文本向量矩阵,计算所述目标分词的关键值;
按照所述关键值从大到小的顺序从所述分词集中选取预设数量的分词作为特征分词;
将所述特征分词的词向量拼接得到所述用户信息的文本特征。
本发明实施例中,可采用Glove(Global Vectors for Word Representation,全局词向量)、Embedding Layer等方法根据每个所述分词的词向量转换为文本向量矩阵。
可以理解的是,所述分词集中并非每一个分词均是该用户信息的文本特征,因此,需要对所述分词集进行筛选,本发明实施例从所述分词集中逐个选取其中一个分词为目标分词,根据所述目标分词的词向量与所述文本向量矩阵计算所述目标分词的关键值,以根据所述关键值筛选出对该用户信息中具有代表性的特征分词,以实现获取该用户信息的文本特征
本发明实施例中,可利用如下关键值算法计算所述目标分词的关键值:
其中,K为所述关键值,|WT|为所述文本向量矩阵的转置矩阵的模,为所述目标分词的词向量的模。
步骤B:计算所述文本特征与预设的用户分类标签之间的相对概率值;
步骤C:根据所述相对概率值计算每个所述用户分类标签的得分,将得分最高的用户分类标签作为所述用户的用户类型。
本发明实施例中,所述预设的用户分类标签可以根据实际业务需要进行设置,例如,根据用户的业务属性进行设置,所述用户分类标签可以包括保险业务用户、基金业务用户,还可进一步细分,所述用户分类标签包括车险业务用户、人寿保险业务用户等。还可以是根据用户的历史交易记录进行设置,所述用户分类标签可以是低度潜在业务用户、中度潜在业务用户、高度潜在业务用户。
本发明实施例中,可通过预先训练好的激活函数计算计算所述文本特征与预设的用户分类标签之间的相对概率值,其中,所述预先训练好的激活函数包括但不限于softmax激活函数、sigmoid激活函数、relu激活函数。
步骤二、获取所述预设页面的历史访问记录,根据所述历史访问记录,生成所述预设页面的热点数据,根据所述用户类型及所述热点数据生成待缓存数据;
本发明实施例中,所述历史访问记录是指预设时间周期内,用户访问该预设页面所发生的操作记录,例如,半年内,该预设页面累计有万次访问记录,该访问记录包括但不限于在该预设页面上所发生的输入数据操作、查询数据操作、删除数据操作等。
本发明实施例中,所述热点数据是指根据所述历史访问记录统计得到的高频操作数据。
详细地,所述根据所述历史访问记录,生成所述预设页面的热点数据,包括:
从所述历史访问记录中提取用户操作的数据单元;
统计每个所述数据单元的操作频率;
选取所述操作频率大于预设操作频率的数据单元为热点数据。
本发明实施例中,所述数据单元是指用户操作的最小数据对象,例如,注册的会员ID、新购入的基金品牌、交易的基金金额等。
本发明实施例中,所述预设操作频率可以根据实际业务情况进行设置。
本发明实施例中,所述预设页面的热点数据的形成,一方面来源于所述预设页面的本身数据内容,一方面考虑该预设页面在实际投入使用的过程中的历史访问记录,这样可以保障最终得到的热点数据符合历史用户操作的情况,保障了热点数据的准确性。
进一步地,本发明实施例结合该预设页面的用户类型及该预设页面的热点数据,生成最终需要进行缓存的数据,一方面用户类型与用户的实际用户信息相关,另一方面页面热点数据与页面的历史访问记录相关,因此,最终生成的待缓存数据并非是一成不变的,而是根据实际用户信息及页面历史访问数据定制后的数据,这样操作避免了缓存数据太多以及缓存数据一成不变,提升了缓存数据的定制化水平。
详细地,所述根据所述用户类型及所述热点数据生成待缓存数据,包括:
获取所述预设页面的页面标签及所述页面标签对应的数据标签集;
根据所述数据标签集对所述热点数据中的每个数据单元打标,得到数据单元标签;
根据预设的用户类型与数据标签之间的映射关系,得到所述用户类型对应的数据单元标签,将所述用户类型对应的数据单元标签对应的数据单元作为所述待缓存数据。
本发明实施例中,所述预设的页面标签是指根据实际业务情况对每个所述预设页面进行区分的自定义标签,例如,用户注册标签、基金交易标签、车险理赔标签等。
本发明实施例中,所述页面标签对应的数据标签集是指预先根据每个所述预设页面的页面标签对该预设页面的文本内容进行划分,得到的数据标签集,例如,某一预设页面的页面标签是车险理赔标签,该预设页面对应的数据标签集包括但不限于车辆型号、车辆保险类型、车辆出险类型等数据标签。
本发明实施例中,所述预设的用户类型与数据标签之间的映射关系是指根据实际业务情况,预先设置的用户类型与数据标签之间的对应关系,例如,用户类型为车险业务用户,相应的数据标签包括车辆型号、车辆保险类型、车辆出险类型等。
步骤三、利用预设的数据缓存链表,根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理。
本发明实施例中,所述预设的数据缓存链表是一种双向链表,每个缓存位都可以采用位图结构,所述预设的数据缓存链表在使用最初,每个缓存位对应的缓存时间戳为0,当数据写入到该数据缓存链表中的缓存位时,对应的缓存位的时间戳更新为当前时间。随着数据的不断写入或删除,所述预设的数据缓存链表中的每个缓存位的时间戳显示为不同的时间。
本发明实施例中,基于常见的LRU算法(Least Recently Used,近最少使用页面置换),根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理。
详细地,所述根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理,包括:
判断所述待缓存数据是否在所述预设的数据缓存链表中;
当所述待缓存数据在所述数据缓存链表中时,将所述待缓存数据对应的缓存位的缓存时间戳设置为当前时间,并将对应的缓存位移至所述数据缓存链表的头部;
当所述待缓存数据不在所述数据缓存链表中时,判断所述数据缓存链表是否已满;
当所述数据缓存链表已满时,释放时间戳最小的缓存位的缓存数据,将释放后的缓存位移至所述数据缓存链表的头部,将缓存时间戳设置为当前时间,将所述待缓存数据存入释放后的缓存位。
当所述数据缓存链表未满时,随机选择一个空的缓存位移至所述数据缓存链表的头部,及将缓存时间戳设置为当前时间,并将所述待缓存数据放入所述空的缓存位。
本发明实施例中,利用缓存位的缓存时间戳的早晚对所述预设的数据缓存链表中的缓存位进行数据存储和清空,相较于使用哈希表维护缓存状态,本申请可以降低缓存操作的复杂度。
本发明另一可选实施例中,还可在每个所述缓存位中增加数据使用频率的记录信息,以防止出现多个相同时间戳的缓存位的缓存数据无法进行清除判断的情况。
示例性地,通过下述方法解决多个相同时间戳的缓存位的缓存数据无法进行清除判断的情况:
当所述预设的数据缓存链表中新增缓存数据时,将新增缓存数据对应的缓存位对应的使用频率加1;
当所述预设的数据缓存链表中空间已满时,且缓存时间戳最小的缓存位大于1时,释放使用频率最低的缓存位的空间。
本发明申请根据用户类型及页面热点数据生成待缓存数据,一方面用户类型与用户的实际用户信息相关,另一方面页面热点数据与页面的历史访问记录相关,因此,最终生成的待缓存数据并非是一成不变的,而是根据实际用户信息及页面历史访问数据定制后的数据,这样操作避免了缓存数据太多以及缓存数据一成不变,提升了缓存数据的定制化水平,同时根据缓存时间戳进行数据存储,相较于使用哈希表维护缓存状态,本申请所提供的数据缓存装置可以降低缓存操作的复杂度。
如图6所示,是本发明一实施例提供的实现数据缓存方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如数据缓存。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如数据缓存的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如数据缓存等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图6仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图6示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的数据缓存是多个指令的组合,在所述处理器10中运行时,可以实现:
监测到用户访问预设页面时,获取所述用户的用户信息,根据所述用户信息生成所述用户的用户类型;
获取所述预设页面的历史访问记录,根据所述历史访问记录,生成所述预设页面的热点数据,根据所述用户类型及所述热点数据生成待缓存数据;
利用预设的数据缓存链表,根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
监测到用户访问预设页面时,获取所述用户的用户信息,根据所述用户信息生成所述用户的用户类型;
获取所述预设页面的历史访问记录,根据所述历史访问记录,生成所述预设页面的热点数据,根据所述用户类型及所述热点数据生成待缓存数据;
利用预设的数据缓存链表,根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于全息投影技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、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。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种数据缓存方法,其特征在于,所述方法包括:
监测到用户访问预设页面时,获取所述用户的用户信息,根据所述用户信息生成所述用户的用户类型;
获取所述预设页面的历史访问记录,根据所述历史访问记录,生成所述预设页面的热点数据,根据所述用户类型及所述热点数据生成待缓存数据;
利用预设的数据缓存链表,根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理。
2.如权利要求1所述的数据缓存方法,其特征在于,所述根据所述用户信息生成所述用户的用户类型,包括:
提取所述用户信息的文本特征;
计算所述文本特征与预设的用户分类标签之间的相对概率值;
根据所述相对概率值计算每个所述用户分类标签的得分,将得分最高的用户分类标签作为所述用户的用户类型。
3.如权利要求2所述的数据缓存方法,其特征在于,所述提取所述用户信息的文本特征,包括:
对所述用户信息进行分词,得到分词集,并将所述分词集中的每个所述分词转换为词向量;
利用所述分词集及每个所述分词的词向量,构建所述用户信息的文本向量矩阵;
依次选取一个所述分词作为目标分词,根据所述目标分词的词向量及所述文本向量矩阵,计算所述目标分词的关键值;
按照所述关键值从大到小的顺序从所述分词集中选取预设数量的分词作为特征分词;
将所述特征分词的词向量拼接得到所述用户信息的文本特征。
4.如权利要求1所述的数据缓存方法,其特征在于,所述根据所述历史访问记录,生成所述预设页面的热点数据,包括:
从所述历史访问记录中提取用户操作的数据单元;
统计每个所述数据单元的操作频率;
选取所述操作频率大于预设操作频率的数据单元为热点数据。
5.如权利要求4所述的数据缓存方法,其特征在于,所述根据所述用户类型及所述热点数据生成待缓存数据,包括:
获取所述预设页面的页面标签及所述页面标签对应的数据标签集;
根据所述数据标签集对所述热点数据中的每个数据单元打标,得到数据单元标签;
根据预设的用户类型与数据标签之间的映射关系,得到所述用户类型对应的数据单元标签,将所述用户类型对应的数据单元标签对应的数据单元作为所述待缓存数据。
6.如权利要求1所述的数据缓存方法,其特征在于,所述利用预设的数据缓存链表,根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理,包括:
判断所述待缓存数据是否在所述预设的数据缓存链表中;
当所述待缓存数据在所述数据缓存链表中时,将所述待缓存数据对应的缓存位的缓存时间戳设置为当前时间,并将对应的缓存位移至所述数据缓存链表的头部;
当所述待缓存数据不在所述数据缓存链表中时,判断所述数据缓存链表是否已满;
当所述数据缓存链表已满时,释放时间戳最小的缓存位的缓存数据,将释放后的缓存位移至所述数据缓存链表的头部,将缓存时间戳设置为当前时间,将所述待缓存数据存入释放后的缓存位。
当所述数据缓存链表未满时,随机选择一个空的缓存位移至所述数据缓存链表的头部,及将缓存时间戳设置为当前时间,并将所述待缓存数据放入所述空的缓存位。
7.如权利要求6所述的数据缓存方法,其特征在于,所述利用预设的数据缓存链表,根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理,所述方法还包括:
当所述预设的数据缓存链表中新增缓存数据时,将新增缓存数据对应的缓存位对应的使用频率加1;
当所述预设的数据缓存链表中空间已满时,且缓存时间戳最小的缓存位大于1时,释放使用频率最低的缓存位的空间。
8.一种数据缓存装置,其特征在于,所述装置包括:
缓存数据定制模块,用于监测到用户访问预设页面时,获取所述用户的用户信息,根据所述用户信息生成所述用户的用户类型,获取所述预设页面的历史访问记录,根据所述历史访问记录,生成所述预设页面的热点数据,根据所述用户类型及所述热点数据生成待缓存数据;
数据缓存实施模块,用于利用预设的数据缓存链表,根据数据缓存链表中的缓存位的缓存时间戳越早,相应地缓存位越靠前的原则,对所述待缓存数据进行缓存处理。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的数据缓存方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的数据缓存方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310786082.6A CN116842290A (zh) | 2023-06-29 | 2023-06-29 | 数据缓存方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310786082.6A CN116842290A (zh) | 2023-06-29 | 2023-06-29 | 数据缓存方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116842290A true CN116842290A (zh) | 2023-10-03 |
Family
ID=88172000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310786082.6A Pending CN116842290A (zh) | 2023-06-29 | 2023-06-29 | 数据缓存方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842290A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117971503A (zh) * | 2024-03-29 | 2024-05-03 | 杭州远石科技有限公司 | 一种基于边缘计算的数据缓存方法及系统 |
-
2023
- 2023-06-29 CN CN202310786082.6A patent/CN116842290A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117971503A (zh) * | 2024-03-29 | 2024-05-03 | 杭州远石科技有限公司 | 一种基于边缘计算的数据缓存方法及系统 |
CN117971503B (zh) * | 2024-03-29 | 2024-06-11 | 杭州远石科技有限公司 | 一种基于边缘计算的数据缓存方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801718B (zh) | 用户行为预测方法、装置、设备及介质 | |
CN115002200B (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN114663198A (zh) | 基于用户画像的产品推荐方法、装置、设备及存储介质 | |
CN113626606B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN110751285A (zh) | 神经网络模型的训练方法和系统以及预测方法和系统 | |
CN113688923A (zh) | 订单异常智能检测方法、装置、电子设备及存储介质 | |
CN116842290A (zh) | 数据缓存方法、装置、设备及计算机可读存储介质 | |
CN113868528A (zh) | 资讯推荐方法、装置、电子设备及可读存储介质 | |
CN114781832A (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN113658002B (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
CN114756669A (zh) | 问题意图的智能分析方法、装置、电子设备及存储介质 | |
CN113157739B (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN113705201B (zh) | 基于文本的事件概率预测评估算法、电子设备及存储介质 | |
CN114385815A (zh) | 基于业务需求的新闻筛选方法、装置、设备及存储介质 | |
CN115221323A (zh) | 基于意图识别模型的冷启动处理方法、装置、设备及介质 | |
CN114722146A (zh) | 基于人工智能的供应链资产校验方法、装置、设备及介质 | |
CN115081447A (zh) | 软件开发的需求文档构建方法、装置、设备及存储介质 | |
CN114676307A (zh) | 基于用户检索的排序模型训练方法、装置、设备及介质 | |
CN114780688A (zh) | 基于规则匹配的文本质检方法、装置、设备及存储介质 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113626605A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113806540B (zh) | 文本打标签方法、装置、电子设备及存储介质 | |
CN112214556B (zh) | 标签生成方法、装置、电子设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |