CN116881571B - 基于微服务的数据挖掘方法及系统 - Google Patents
基于微服务的数据挖掘方法及系统 Download PDFInfo
- Publication number
- CN116881571B CN116881571B CN202310933529.8A CN202310933529A CN116881571B CN 116881571 B CN116881571 B CN 116881571B CN 202310933529 A CN202310933529 A CN 202310933529A CN 116881571 B CN116881571 B CN 116881571B
- Authority
- CN
- China
- Prior art keywords
- micro
- service
- sample
- interaction image
- push decision
- 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 49
- 238000007418 data mining Methods 0.000 title claims abstract description 34
- 230000003993 interaction Effects 0.000 claims abstract description 434
- 230000003945 visual behavior Effects 0.000 claims abstract description 144
- 238000005065 mining Methods 0.000 claims abstract description 36
- 230000002452 interceptive effect Effects 0.000 claims description 91
- 238000012545 processing Methods 0.000 claims description 60
- 238000011156 evaluation Methods 0.000 claims description 46
- 230000001629 suppression Effects 0.000 claims description 38
- 238000005728 strengthening Methods 0.000 claims description 17
- 230000005764 inhibitory process Effects 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000007670 refining Methods 0.000 claims 1
- 230000010485 coping Effects 0.000 abstract description 4
- 230000002829 reductive effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening 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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供的基于微服务的数据挖掘方法及系统，不用对微服务交互图像样例进行样例注释，可基于微服务交互图像样例以及微服务交互图像样例所对应的代表性交互图像块对微服务推送决策网络进行调试，从而提升微服务推送决策网络的调试时效性，尽可能减少调试思路中的资源开销，还能够基于推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据提升微服务推送决策网络对不同输入的应对能力，从而提高微服务推送决策网络对待处理微服务交互图像进行服务需求挖掘的精度和可靠性，进而为微服务的精准订阅推送提供准确可靠的分析依据。
Description
技术领域
本发明涉及微服务技术领域，特别涉及一种基于微服务的数据挖掘方法及系统。
背景技术
微服务（micro service）是面向服务的体系结构（SOA）架构样式的一种变体，微服务提倡将单一应用程序划分成一组小的服务，服务之间互相协调、互相配合，为用户提供最终价值。每个服务运行在其独立的进程中，服务与服务间采用轻量级的通信机制互相沟通。
随着微服务在各行业的不断应用和普及，微服务的订阅/推送逐渐成为主流模式之一，而针对微服务的订阅/推送处理的要求也越来越严格。
发明内容
为改善相关技术中存在的技术问题，本发明提供了一种基于微服务的数据挖掘方法及系统。
第一方面，本发明实施例提供了一种基于微服务的数据挖掘方法，应用于微服务数据挖掘系统，所述方法包括：
获取推送决策学习信息和非初始化的微服务推送决策网络，所述推送决策学习信息包括若干个微服务交互图像样例，所述微服务交互图像样例包括至少一个交互图像块；
对于每个微服务交互图像样例，从所述微服务交互图像样例的交互图像块中筛选所述微服务交互图像样例的代表性交互图像块；
基于各个微服务交互图像样例和各个微服务交互图像样例对应的代表性交互图像块，生成推送决策学习二元组，所述推送决策学习二元组包括微服务交互图像样例和代表性交互图像块；
利用所述非初始化的微服务推送决策网络对所述推送决策学习二元组进行图像描述挖掘，得到所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据；
依据所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
在上述方面中，所述推送决策学习二元组包括积极学习样例二元组和消极学习样例二元组；所述基于各个微服务交互图像样例和各个微服务交互图像样例对应的代表性交互图像块，生成推送决策学习二元组，包括：
基于所述微服务交互图像样例和所述微服务交互图像样例的代表性交互图像块，生成积极学习样例二元组；
基于所述微服务交互图像样例和微服务交互图像辅助样例的代表性交互图像块，生成消极学习样例二元组，所述微服务交互图像辅助样例为所述推送决策学习信息中除所述微服务交互图像样例外的剩余微服务交互图像样例。
在上述方面中，所述依据所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络，包括：
确定所述积极学习样例二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据之间的第一共性评价值；
确定所述消极学习样例二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据之间的第二共性评价值；
基于所述积极学习样例二元组对应的第一共性评价值和所述消极学习样例二元组对应的第二共性评价值，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
在上述方面中，所述基于所述积极学习样例二元组对应的第一共性评价值和所述消极学习样例二元组对应的第二共性评价值，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络，包括：
对于每个微服务交互图像样例，基于包含所述微服务交互图像样例的积极学习样例二元组的第一共性评价值、以及包含所述微服务交互图像样例的消极学习样例二元组的第二共性评价值，确定所述微服务交互图像样例的一致性分析代价指标；
对于每个代表性交互图像块，基于包含所述代表性交互图像块的积极学习样例二元组的第一共性评价值、以及包含所述代表性交互图像块的消极学习样例二元组的第二共性评价值，确定所述代表性交互图像块的一致性分析代价指标；
基于各个微服务交互图像样例的一致性分析代价指标和各个代表性交互图像块的一致性分析代价指标，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
在上述方面中，所述基于各个微服务交互图像样例的一致性分析代价指标和各个代表性交互图像块的一致性分析代价指标，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络，包括：
将各个微服务交互图像样例的一致性分析代价指标和各个代表性交互图像块的一致性分析代价指标进行聚合，得到全局调试代价指标；
基于所述全局调试代价指标，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
在上述方面中，所述利用所述非初始化的微服务推送决策网络对所述推送决策学习二元组进行图像描述挖掘，得到所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，包括：
利用所述非初始化的微服务推送决策网络，对所述推送决策学习二元组中的代表性交互图像块进行图像描述挖掘，得到所述代表性交互图像块的可视行为描述数据；
对所述推送决策学习二元组中的微服务交互图像样例进行图像描述子编码，得到所述微服务交互图像样例的图像描述编码特征队列；
通过不同规模的设定卷积处理核对所述微服务交互图像样例的图像描述编码特征队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据。
在上述方面中，所述通过不同规模的设定卷积处理核对所述微服务交互图像样例的图像描述编码特征队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据，包括：
依据位置可调的设定卷积处理核，对所述微服务交互图像样例的图像描述编码特征队列进行局部特征强化操作，得到所述微服务交互图像样例的像素层编码向量队列；
对所述设定卷积处理核进行参数调整处理，得到完成参数调整的设定卷积处理核；
依据所述完成参数调整的设定卷积处理核，对所述微服务交互图像样例的像素层编码向量队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据。
在上述方面中，所述利用所述非初始化的微服务推送决策网络对所述推送决策学习二元组进行图像描述挖掘，得到所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，包括：
对所述推送决策学习二元组中的微服务交互图像样例进行权重抑制操作，得到完成权重抑制的微服务交互图像样例；
利用所述非初始化的微服务推送决策网络，对所述推送决策学习二元组中完成权重抑制的微服务交互图像样例进行图像描述挖掘，得到所述完成权重抑制的微服务交互图像样例的可视行为描述数据；
对所述推送决策学习二元组中的代表性交互图像块进行图像描述挖掘，得到所述代表性交互图像块的可视行为描述数据。
在上述方面中，所述依据所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络，包括：
基于所述完成权重抑制的微服务交互图像样例中各个权重抑制区域中的图像区域预测结果与对应的图像区域先验依据，确定所述完成权重抑制的微服务交互图像样例中各个权重抑制区域的局部权重抑制代价；
将各个权重抑制区域的局部权重抑制代价进行聚合，得到所述完成权重抑制的微服务交互图像样例对应的权重抑制代价指标；
基于所述权重抑制代价指标、所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
第二方面，本发明还提供了一种微服务数据挖掘系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。
第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
本发明实施例提供了一种基于微服务的数据挖掘方法及系统，可以获取推送决策学习信息和非初始化的微服务推送决策网络，所述推送决策学习信息包括若干个微服务交互图像样例，所述微服务交互图像样例包括至少一个交互图像块；对于每个微服务交互图像样例，从所述微服务交互图像样例的交互图像块中筛选所述微服务交互图像样例的代表性交互图像块；基于各个微服务交互图像样例和各个微服务交互图像样例对应的代表性交互图像块，生成推送决策学习二元组，所述推送决策学习二元组包括微服务交互图像样例和代表性交互图像块；利用所述非初始化的微服务推送决策网络对所述推送决策学习二元组进行图像描述挖掘，得到所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据；依据所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
本发明实施例不用对微服务交互图像样例进行样例注释，可基于微服务交互图像样例以及微服务交互图像样例所对应的代表性交互图像块对微服务推送决策网络进行调试，从而提升微服务推送决策网络的调试时效性，尽可能减少调试思路中的资源开销，还能够基于推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据提升微服务推送决策网络对不同输入的应对能力，从而提高微服务推送决策网络对待处理微服务交互图像进行服务需求挖掘的精度和可靠性，进而为微服务的精准订阅推送提供准确可靠的分析依据。
可见，本发明实施例可以改善传统技术难以为微服务的精准订阅推送提供准确可靠的分析依据的问题
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种基于微服务的数据挖掘方法的流程示意图。
实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在微服务数据挖掘系统、计算机设备或者类似的运算装置中执行。以运行在微服务数据挖掘系统上为例，微服务数据挖掘系统可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器，可选地，上述微服务数据挖掘系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述微服务数据挖掘系统的结构造成限定。例如，微服务数据挖掘系统还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。
存储器可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种基于微服务的数据挖掘方法对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至微服务数据挖掘系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括微服务数据挖掘系统的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
基于此，请参阅图1，图1是本发明实施例所提供的一种基于微服务的数据挖掘方法的流程示意图，该方法应用于微服务数据挖掘系统，进一步可以包括步骤101-步骤105。
步骤101、获取推送决策学习信息和非初始化的微服务推送决策网络。
在本发明实施例中，所述推送决策学习信息可以理解为对非初始化的微服务推送决策网络进行调试的调试样例集，推送决策学习信息包括若干个微服务交互图像样例，所述微服务交互图像样例包括至少一个交互图像块。
在本发明实施例中，微服务交互图像可以是用户终端和微服务订阅平台进行交互过程中所生成的可视化交互事件/交互行为记录，比如用户终端所对应的一系列图形化操作行为事件等。而微服务交互图像样例可以理解为调试样例，比如可以是微服务交互样本图像或者已认证微服务交互图像。进一步地，一个交互图像块可以包含至少一个图像单位，图像单位可以为图像区域或者像素集。推送决策学习信息中不同微服务交互图像样例存在差异，换言之，推送决策学习信息中不同微服务交互图像样例之间的相似性不高。
进一步地，该微服务推送决策网络可以是深度残差可逆网络，也可以是其他类型的机器学习模型，在此不作限定。。
在本发明实施例中，该微服务推送决策网络可以用于对微服务交互图像进行服务需求挖掘，比如，对微服务交互图像进行用户终端的订阅需求挖掘等，该订阅需求可以视作相应微服务内容的推送参考或者决策指示。而非初始化的微服务推送决策网络可以理解为预训练的微服务推送决策网络，也即微服务推送决策网络中的网络变量（参数）不是初始化的，而是经过了一定程度训练的。
步骤102、对于每个微服务交互图像样例，从所述微服务交互图像样例的交互图像块中筛选所述微服务交互图像样例的代表性交互图像块。
在一些可能的示例下，微服务交互图像样例可以包括多个微服务交互图像帧样例，可以将微服务交互图像样例对应的频繁图像块视作其对应的代表性交互图像块，代表性交互图像块可以理解为对微服务交互图像样例的总结。在另一些可能的示例下，也可基于图像块挖掘的思路来筛选微服务交互图像样例的代表性交互图像块。
步骤103、基于各个微服务交互图像样例和各个微服务交互图像样例对应的代表性交互图像块，生成推送决策学习二元组。
其中，所述推送决策学习二元组包括微服务交互图像样例和代表性交互图像块。
示例性的，一个推送决策学习二元组包括一个微服务交互图像样例和一个代表性交互图像块。在一些设计思路下，可基于抽取微服务交互图像样例所对应频繁图像块视作图像内容总结，即代表性交互图像块，生产如（微服务交互图像样例，代表性交互图像块）的推送决策学习二元组。
在本发明实施例中，所述推送决策学习二元组包括积极学习样例二元组和消极学习样例二元组。积极学习样例二元组可以理解正样例二元组，消极学习样例二元组可以理解为负样例二元组。则步骤103中的基于各个微服务交互图像样例和各个微服务交互图像样例对应的代表性交互图像块，生成推送决策学习二元组，可以包括步骤1031-步骤1032。
步骤1031、基于所述微服务交互图像样例和所述微服务交互图像样例的代表性交互图像块，生成积极学习样例二元组。
步骤1032、基于所述微服务交互图像样例和微服务交互图像辅助样例的代表性交互图像块，生成消极学习样例二元组，所述微服务交互图像辅助样例为所述推送决策学习信息中除所述微服务交互图像样例外的剩余微服务交互图像样例。
在本发明实施例中，如果推送决策学习二元组中的代表性交互图像块源自该推送决策学习二元组中的微服务交互图像样例，则该推送决策学习二元组为积极学习样例二元组；如果推送决策学习二元组中的代表性交互图像块不是源自该推送决策学习二元组中的微服务交互图像样例，而是源自推送决策学习信息中其他的微服务交互图像样例，则该推送决策学习二元组为消极学习样例二元组。
示例性地，推送决策学习二元组中的微服务交互图像样例可以是不包含其代表性交互图像块的图像，若该代表性交互图像块为微服务交互图像样例的频繁图像块，则推送决策学习二元组中的微服务交互图像样例也可以理解为该微服务交互图像样例对应的主要图像内容。
对于一些示例而言，比如推送决策学习信息包括X个微服务交互图像样例，每个微服务交互图像样例存在一个代表性交互图像块。对于每个微服务交互图像样例，可以将其对应的代表性交互图像块视作其积极样例，将推送决策学习信息中剩余微服务交互图像样例的代表性交互图像块视作其消极样例，则该微服务交互图像样例有1个积极学习样例二元组，以及X-1个消极学习样例二元组，积极学习样例二元组是由该微服务交互图像样例和该微服务交互图像样例的代表性交互图像块生成的，消极学习样例二元组是由该微服务交互图像样例和推送决策学习信息中剩余微服务交互图像样例的代表性交互图像块生成的。
步骤104、利用所述非初始化的微服务推送决策网络对所述推送决策学习二元组进行图像描述挖掘，得到所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据。
在本发明实施例中，步骤104中的利用所述非初始化的微服务推送决策网络对所述推送决策学习二元组进行图像描述挖掘，得到所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，可以包括步骤1041-步骤1043。
步骤1041、利用所述非初始化的微服务推送决策网络，对所述推送决策学习二元组中的代表性交互图像块进行图像描述挖掘，得到所述代表性交互图像块的可视行为描述数据。
步骤1042、对所述推送决策学习二元组中的微服务交互图像样例进行图像描述子编码，得到所述微服务交互图像样例的图像描述编码特征队列。
步骤1043、通过不同规模的设定卷积处理核对所述微服务交互图像样例的图像描述编码特征队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据。
其中，对微服务交互图像样例进行图像描述子编码（可以理解为对微服务交互图像样例进行图像描述子的提取挖掘处理），示例性可以理解为对微服务交互图像样例中各个图像单位进行图像描述子编码，得到各个图像单位的编码特征，获取微服务交互图像样例的图像描述编码特征队列，微服务交互图像样例的图像描述编码特征队列可以包含其中各个图像单位的编码特征（也可以理解为嵌入特征）。换言之，可视行为描述数据可以理解为用户终端和微服务订阅平台交互时的图形化行为数据对应的特征信息。
本发明实施例中，可以使用相同网络分别对代表性交互图像块和微服务交互图像样例进行图像描述挖掘。其中，对代表性交互图像块的图像描述挖掘过程可以结合针对微服务交互图像样例的图像描述挖掘思路，也可以通过其他的图像描述挖掘思路实现。
示例性地，若推送决策学习信息包括X个微服务交互图像样例，将除代表性交互图像块外的微服务交互图像样例视为微服务交互图像样例的主要图像内容，依据属于同一微服务交互图像样例的主要图像内容和代表性交互图像块，生成积极学习样例二元组，将属于不同微服务交互图像样例的主要图像内容和代表性交互图像块视作消极学习样例二元组；若微服务交互图像样例的代表性交互图像块视作B，主要图像内容视作R，可以生成二元组矩阵，二元组矩阵的尺寸为X*X，其中每个矩阵元素表征一个推送决策学习二元组，该二元组矩阵包括X个积极学习样例二元组，和（X-1）*X个消极学习样例二元组，目标对角线（比如主对角线）所对应的推送决策学习二元组可以视作积极学习样例二元组，而二元组矩阵中其他分布位置的推送决策学习二元组视作消极学习样例二元组。利用对推送决策学习二元组的代表性交互图像块和主要图像内容进行图像描述挖掘，可以获得代表性交互图像块B对应的可视行为描述数据和主要图像内容R对应的可视行为描述数据，代表性交互图像块B对应的可视行为描述数据可以视作一定尺寸的特征向量，主要图像内容R对应的可视行为描述数据可以视作尺寸为（X，l）的特征向量。
在本发明实施例中，步骤1043中的通过不同规模的设定卷积处理核对所述微服务交互图像样例的图像描述编码特征队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据，可以包括步骤10431-步骤10433。
步骤10431、依据位置可调的设定卷积处理核，对所述微服务交互图像样例的图像描述编码特征队列进行局部特征强化操作，得到所述微服务交互图像样例的像素层编码向量队列。
步骤10431、对所述设定卷积处理核进行参数调整处理，得到完成参数调整的设定卷积处理核。
步骤10431、依据所述完成参数调整的设定卷积处理核，对所述微服务交互图像样例的像素层编码向量队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据。
譬如，设定卷积处理核示例性可以是注意力处理核。初始的设定卷积处理核的规模可以灵活设定。而完成参数调整的设定卷积处理核比初始的设定卷积处理核的规模小。
其中，对图像描述编码特征队列进行局部特征强化操作，示例性可以获取该图像描述编码特征（图像描述编码向量）队列对应的局部特征关注系数（可以理解为注意力权重），依据位置可调的设定卷积处理核，对图像描述编码特征队列以及微服务交互图像样例所对应的局部特征关注系数进行处理，得到微服务交互图像样例的像素层编码向量队列。
在一些可独立的实施例中，步骤10431中的依据所述完成参数调整的设定卷积处理核，对所述微服务交互图像样例的像素层编码向量队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据，可以包括：依据所述完成参数调整的设定卷积处理核，对所述微服务交互图像样例的像素层编码向量队列进行局部特征强化操作，得到所述微服务交互图像样例的像素簇编码向量队列；对所述完成参数调整的设定卷积处理核进行参数调整处理，得到完成参数调整的衍生卷积处理核（新的完成参数调整的卷积处理核）；依据所述完成参数调整的衍生卷积处理核，对所述微服务交互图像样例的像素簇编码向量队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据。
如此，本发明实施例可基于位置可调的卷积处理核来进行特征处理，不仅可以保障挖掘得到的可视行为描述数据的特征丰富程度，还可以考虑不同大小的卷积处理核挖掘得到的可视行为描述数据之间的特征关联性和交互性，从而为微服务推送决策网络的调试提供尽可能高质量的调试样例。
在本发明实施例中，步骤104中的利用所述非初始化的微服务推送决策网络对所述推送决策学习二元组进行图像描述挖掘，得到所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，可以包括：对所述推送决策学习二元组中的微服务交互图像样例进行权重抑制操作，得到完成权重抑制的微服务交互图像样例；利用所述非初始化的微服务推送决策网络，对所述推送决策学习二元组中完成权重抑制的微服务交互图像样例进行图像描述挖掘，得到所述完成权重抑制的微服务交互图像样例的可视行为描述数据；对所述推送决策学习二元组中的代表性交互图像块进行图像描述挖掘，得到所述代表性交互图像块的可视行为描述数据。
示例性地，可以将完成权重抑制的微服务交互图像样例、和代表性交互图像块视作输入信息，利用非初始化的微服务推送决策网络分别对完成权重抑制的微服务交互图像样例、和代表性交互图像块进行图像描述挖掘，得到完成权重抑制的微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，由于微服务交互图像样例的信息承载量通常高于代表性交互图像块的信息承载量，为了实现特征对齐，可以将对应的隐含特征确定为代表性交互图像块和微服务交互图像样例的特征，确定代表性交互图像块和微服务交互图像样例的特征之间的共性评价值，代表性交互图像块和微服务交互图像样例的特征的特征维度是相同的。
譬如，权重抑制操作可以是对微服务交互图像样例中的图像区域进行掩码操作，从而虚弱相应图像区域的重要性。
步骤105、依据所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
在本发明实施例中，步骤105中的依据所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络，可以包括：确定所述积极学习样例二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据之间的第一共性评价值；确定所述消极学习样例二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据之间的第二共性评价值；基于所述积极学习样例二元组对应的第一共性评价值和所述消极学习样例二元组对应的第二共性评价值，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
譬如，可以将积极学习样例二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据之间的第一共性评价值，视作该积极学习样例二元组对应的第一共性评价值；将消极学习样例二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据之间的第二共性评价值，视作该消极学习样例二元组对应的第二共性评价值。
又譬如，微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据之间共性评价值的确定，示例性可以为确定微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据之间的余弦相似度。
其中，示例性地，代表性交互图像块是微服务交互图像样例的总结，代表性交互图像块可以是微服务交互图像样例的频繁图像块，假设代表性交互图像块能够反映微服务交互图像样例的图像特征，则在积极学习样例二元组（即代表性交互图像块与微服务交互图像样例对应的推送决策学习二元组）中，两者需满足可视行为描述数据类似；而在消极学习样例二元组（即代表性交互图像块与微服务交互图像样例不对应的推送决策学习二元组）中，两者需满足可视行为描述数据存在差异。
在本发明实施例中，上述步骤所描述的基于所述积极学习样例二元组对应的第一共性评价值和所述消极学习样例二元组对应的第二共性评价值，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络，可以包括：对于每个微服务交互图像样例，基于包含所述微服务交互图像样例的积极学习样例二元组的第一共性评价值、以及包含所述微服务交互图像样例的消极学习样例二元组的第二共性评价值，确定所述微服务交互图像样例的一致性分析代价指标；对于每个代表性交互图像块，基于包含所述代表性交互图像块的积极学习样例二元组的第一共性评价值、以及包含所述代表性交互图像块的消极学习样例二元组的第二共性评价值，确定所述代表性交互图像块的一致性分析代价指标；基于各个微服务交互图像样例的一致性分析代价指标和各个代表性交互图像块的一致性分析代价指标，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
其中，一致性分析代价指标可以理解为比较损失函数值，一致性分析代价指标的确定思路可以基于Cross Entropy Loss来实现。
示例性地，当前组的推送决策学习信息可以包含X个微服务交互图像样例和X个代表性交互图像块，Bu表征第u个微服务交互图像样例对应的代表性交互图像块，Rv表征第v个微服务交互图像样例，将代表性交互图像块Bu和微服务交互图像样例Rv生成的推送决策学习二元组视作积极学习样例二元组，而将其余推送决策学习二元组视作消极学习样例二元组。
本发明实施例中，在设定占比为1：（X-1）的积极/消极学习样例二元组中，积极学习样例二元组中微服务交互图像样例和代表性交互图像块之间的余弦相似度应最高，消极学习样例二元组中微服务交互图像样例和代表性交互图像块之间的余弦相似度则应尽可能小。
在本发明实施例中，上述步骤中的基于各个微服务交互图像样例的一致性分析代价指标和各个代表性交互图像块的一致性分析代价指标，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络，可以包括：将各个微服务交互图像样例的一致性分析代价指标和各个代表性交互图像块的一致性分析代价指标进行聚合，得到全局调试代价指标；基于所述全局调试代价指标，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
譬如，该聚合思路可以通过加权求和的方式实现。
本发明实施例中，该调试思路可以是确定出全局调试代价指标，进一步地，使用反馈训练思路对非初始化的微服务推送决策网络的网络变量进行改进，依据全局调试代价指标，优化非初始化的微服务推送决策网络的网络变量，使得全局调试代价指标小于设定代价指标，得到完成调试的微服务推送决策网络。该设定代价指标（设定损失值）可以灵活设置。
在本发明实施例中，步骤105中的依据所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络，可以包括：基于所述完成权重抑制的微服务交互图像样例中各个权重抑制区域中的图像区域预测结果与对应的图像区域先验依据，确定所述完成权重抑制的微服务交互图像样例中各个权重抑制区域的局部权重抑制代价；将各个权重抑制区域的局部权重抑制代价进行聚合，得到所述完成权重抑制的微服务交互图像样例对应的权重抑制代价指标；基于所述权重抑制代价指标、所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
其中，图像区域先验依据可理解为权重抑制训练注释，它可以是没有进行权重抑制的微服务交互图像样例中对应的图像区域中图像单位。比如可以依据图像区域预测结果以及微服务交互图像样例所对应的图像区域先验依据之间的共性评价值，来确定该权重抑制区域中的局部权重抑制代价。
譬如，对各个权重抑制区域的局部权重抑制代价的聚合可以是加求和处理。
在一些可能的设计思路下，可以依据权重抑制代价指标和上述全局调试代价指标，对非初始化的微服务推送决策网络进行调试。如将权重抑制代价指标和全局调试代价指标进行聚合，基于聚合代价指标来改进微服务推送决策网络的网络变量。
本发明实施例可以获取推送决策学习信息和非初始化的微服务推送决策网络，所述推送决策学习信息包括若干个微服务交互图像样例，所述微服务交互图像样例包括至少一个交互图像块；对于每个微服务交互图像样例，从所述微服务交互图像样例的交互图像块中筛选所述微服务交互图像样例的代表性交互图像块；基于各个微服务交互图像样例和各个微服务交互图像样例对应的代表性交互图像块，生成推送决策学习二元组，所述推送决策学习二元组包括微服务交互图像样例和代表性交互图像块；利用所述非初始化的微服务推送决策网络对所述推送决策学习二元组进行图像描述挖掘，得到所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据；依据所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
可见，本发明实施例不用对微服务交互图像样例进行样例注释，可基于微服务交互图像样例以及微服务交互图像样例所对应的代表性交互图像块对微服务推送决策网络进行调试，从而提升微服务推送决策网络的调试时效性，尽可能减少调试思路中的资源开销，还能够基于推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据提升微服务推送决策网络对不同输入的应对能力，从而提高微服务推送决策网络对待处理微服务交互图像进行服务需求挖掘的精度和可靠性，进而为微服务的精准订阅推送提供分析依据。
在另外的一些设计思路中，将以该微服务推送决策网络的方法集成于微服务数据挖掘系统进行介绍。
步骤201、微服务数据挖掘系统获取推送决策学习信息和非初始化的微服务推送决策网络，所述推送决策学习信息包括若干个微服务交互图像样例，所述微服务交互图像样例包括至少一个交互图像块。
其中，微服务交互图像样例的信息承载量不限。
步骤202、微服务数据挖掘系统对于每个微服务交互图像样例，从所述微服务交互图像样例的交互图像块中筛选所述微服务交互图像样例的代表性交互图像块。
示例性地，微服务交互图像样例可以是信息承载量较大的图像视频，可以将微服务交互图像样例对应的频繁图像块视作其对应的代表性交互图像块，代表性交互图像块可理解为对微服务交互图像样例的总结。
步骤203、微服务数据挖掘系统基于各个微服务交互图像样例和各个微服务交互图像样例对应的代表性交互图像块，生成推送决策学习二元组，所述推送决策学习二元组包括微服务交互图像样例和代表性交互图像块。
在本发明实施例中，所述推送决策学习二元组包括积极学习样例二元组和消极学习样例二元组；
步骤203中的基于各个微服务交互图像样例和各个微服务交互图像样例对应的代表性交互图像块，生成推送决策学习二元组，可以包括：基于所述微服务交互图像样例和所述微服务交互图像样例的代表性交互图像块，生成积极学习样例二元组；基于所述微服务交互图像样例和微服务交互图像辅助样例的代表性交互图像块，生成消极学习样例二元组，所述微服务交互图像辅助样例为所述推送决策学习信息中除所述微服务交互图像样例外的剩余微服务交互图像样例。
其中，如果推送决策学习二元组中的代表性交互图像块源自该推送决策学习二元组中的微服务交互图像样例，则该推送决策学习二元组为积极学习样例二元组；如果推送决策学习二元组中的代表性交互图像块不是源自该推送决策学习二元组中的微服务交互图像样例，而是源自推送决策学习信息中其他的微服务交互图像样例，则该推送决策学习二元组为消极学习样例二元组。
步骤204、微服务数据挖掘系统利用所述非初始化的微服务推送决策网络，对所述推送决策学习二元组中的代表性交互图像块进行图像描述挖掘，得到所述代表性交互图像块的可视行为描述数据。
步骤205、微服务数据挖掘系统对所述推送决策学习二元组中的微服务交互图像样例进行图像描述子编码，得到所述微服务交互图像样例的图像描述编码特征队列。
其中，对微服务交互图像样例进行图像描述子编码，示例性为对微服务交互图像样例中各个图像单位进行图像描述子编码，得到各个图像单位的编码特征，获取微服务交互图像样例的图像描述编码特征队列，微服务交互图像样例的图像描述编码特征队列可以包含其中各个图像单位的编码特征。
步骤206、微服务数据挖掘系统通过不同规模的设定卷积处理核对所述微服务交互图像样例的图像描述编码特征队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据。
在本发明实施例中，步骤206中的通过不同规模的设定卷积处理核对所述微服务交互图像样例的图像描述编码特征队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据，可以包括：依据位置可调的设定卷积处理核，对所述微服务交互图像样例的图像描述编码特征队列进行局部特征强化操作，得到所述微服务交互图像样例的像素层编码向量队列；对所述设定卷积处理核进行参数调整处理，得到完成参数调整的设定卷积处理核；依据所述完成参数调整的设定卷积处理核，对所述微服务交互图像样例的像素层编码向量队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据。
进一步地，对图像描述编码特征队列进行局部特征强化操作，示例性可以获取该图像描述编码特征队列对应的局部特征关注系数，依据位置可调的设定卷积处理核，对图像描述编码特征队列以及微服务交互图像样例所对应的局部特征关注系数进行处理，得到微服务交互图像样例的像素层编码向量队列。
譬如，上述依据所述完成参数调整的设定卷积处理核，对所述微服务交互图像样例的像素层编码向量队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据，可以包括：依据所述完成参数调整的设定卷积处理核，对所述微服务交互图像样例的像素层编码向量队列进行局部特征强化操作，得到所述微服务交互图像样例的像素簇编码向量队列；对所述完成参数调整的设定卷积处理核进行参数调整处理，得到完成参数调整的衍生卷积处理核；
依据所述完成参数调整的衍生卷积处理核，对所述微服务交互图像样例的像素簇编码向量队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据。
步骤207、微服务数据挖掘系统依据所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
在本发明实施例中，步骤207中的依据所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络，可以包括：确定所述积极学习样例二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据之间的第一共性评价值；确定所述消极学习样例二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据之间的第二共性评价值；基于所述积极学习样例二元组对应的第一共性评价值和所述消极学习样例二元组对应的第二共性评价值，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
在本发明实施例中，上述基于所述积极学习样例二元组对应的第一共性评价值和所述消极学习样例二元组对应的第二共性评价值，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络，可以包括：对于每个微服务交互图像样例，基于包含所述微服务交互图像样例的积极学习样例二元组的第一共性评价值、以及包含所述微服务交互图像样例的消极学习样例二元组的第二共性评价值，确定所述微服务交互图像样例的一致性分析代价指标；对于每个代表性交互图像块，基于包含所述代表性交互图像块的积极学习样例二元组的第一共性评价值、以及包含所述代表性交互图像块的消极学习样例二元组的第二共性评价值，确定所述代表性交互图像块的一致性分析代价指标；基于各个微服务交互图像样例的一致性分析代价指标和各个代表性交互图像块的一致性分析代价指标，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
在本发明实施例中，上述步骤基于各个微服务交互图像样例的一致性分析代价指标和各个代表性交互图像块的一致性分析代价指标，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络，可以包括：将各个微服务交互图像样例的一致性分析代价指标和各个代表性交互图像块的一致性分析代价指标进行聚合，得到全局调试代价指标；基于所述全局调试代价指标，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
本发明实施例中，该调试思路可以是确定出全局调试代价指标，然后，使用反馈训练思路对非初始化的微服务推送决策网络的网络变量进行改进，依据全局调试代价指标，优化非初始化的微服务推送决策网络的网络变量，使得全局调试代价指标小于设定代价指标，得到完成调试的微服务推送决策网络。
本发明实施例可基于微服务数据挖掘系统获取推送决策学习信息和非初始化的微服务推送决策网络，所述推送决策学习信息包括若干个微服务交互图像样例，所述微服务交互图像样例包括至少一个交互图像块；对于每个微服务交互图像样例，从所述微服务交互图像样例的交互图像块中筛选所述微服务交互图像样例的代表性交互图像块；基于各个微服务交互图像样例和各个微服务交互图像样例对应的代表性交互图像块，生成推送决策学习二元组，所述推送决策学习二元组包括微服务交互图像样例和代表性交互图像块；利用所述非初始化的微服务推送决策网络，对所述推送决策学习二元组中的代表性交互图像块进行图像描述挖掘，得到所述代表性交互图像块的可视行为描述数据；对所述推送决策学习二元组中的微服务交互图像样例进行图像描述子编码，得到所述微服务交互图像样例的图像描述编码特征队列；通过不同规模的设定卷积处理核对所述微服务交互图像样例的图像描述编码特征队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据；依据所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
可见，本发明实施例不用对微服务交互图像样例进行样例注释，可基于微服务交互图像样例以及微服务交互图像样例所对应的代表性交互图像块对微服务推送决策网络进行调试，从而提升微服务推送决策网络的调试时效性，尽可能减少调试思路中的资源开销，还能够基于推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据提升微服务推送决策网络对不同输入的应对能力，从而提高微服务推送决策网络对待处理微服务交互图像进行服务需求挖掘的精度和可靠性，进而为微服务的精准订阅推送提供分析依据。
在一些可独立的实施例中，在依据所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络之后，所述方法还包括：将待处理微服务交互图像输入所述完成调试的微服务推送决策网络，得到所述完成调试的微服务推送决策网络输出的目标可视行为描述数据；通过所述目标可视行为描述数据，确定目标用户终端的微服务订阅推送标签；基于所述微服务订阅推送标签，生成针对所述目标用户终端的微服务订阅推送任务。
应用本发明实施例，能够利用完成调试的微服务推送决策网络准确、高效地挖掘出待处理微服务交互图像的目标可视行为描述数据，然后基于目标可视行为描述数据确定目标用户终端的微服务订阅推送标签，从而利用微服务订阅推送标签针对性地生成目标用户终端的微服务订阅推送任务，这样可以提高微服务订阅推送的精度和针对性。
在一些可独立的实施例中，通过所述目标可视行为描述数据，确定目标用户终端的微服务订阅推送标签，包括：对所述目标可视行为描述数据进行行为偏好提炼，得到所述目标可视行为描述数据对应的行为偏好知识向量集；根据所述行为偏好知识向量集进行订阅推送判别，得到订阅推送需求向量集；对所述订阅推送需求向量集进行分类处理，得到所述订阅推送需求向量集对应的微服务订阅推送标签集。
在一些可独立的实施例中，所述对所述目标可视行为描述数据进行行为偏好提炼，得到所述目标可视行为描述数据对应的行为偏好知识向量集，包括：对所述目标可视行为描述数据进行量化处理，得到所述目标可视行为描述数据对应的可视行为描述量化特征集；对所述可视行为描述量化特征集进行卷积处理，得到所述目标可视行为描述数据对应的行为偏好知识向量集。
在一些可独立的实施例中，所述根据所述行为偏好知识向量集进行订阅推送判别，得到订阅推送需求向量集，包括：将所述行为偏好知识向量集输入判别模型，通过所述判别模型订阅推送判别得到所述行为偏好知识向量集对应的订阅推送需求向量集。
在一些可独立的实施例中，所述对所述订阅推送需求向量集进行分类处理，得到所述订阅推送需求向量集对应的微服务订阅推送标签集，包括：对所述订阅推送需求向量集进行分类处理，得到所述订阅推送需求向量集对应的分类向量集；对所述分类向量集进行标签匹配，得到所述订阅推送需求向量集对应的微服务订阅推送标签集。
在一些可独立的实施例中，所述对所述订阅推送需求向量集进行分类处理，得到所述订阅推送需求向量集对应的分类向量集，包括：采用多分类器对所述订阅推送需求向量集进行处理，得到所述订阅推送需求向量集对应的分类向量集。
可以理解，通过上述内容，能够通过行为偏好知识向量确定出订阅推送需求向量，从而依据分类处理准确完整的获得微服务订阅推送标签集，且上述技术方案是基于量化特征层面进行的，因而还可以提高微服务订阅推送标签集确定的时效性。
进一步地，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，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、物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、物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、物品或者设备中还存在另外的相同要素。
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 (9)
1.一种基于微服务的数据挖掘方法，其特征在于，应用于微服务数据挖掘系统，所述方法包括：
获取推送决策学习信息和非初始化的微服务推送决策网络，所述推送决策学习信息包括若干个微服务交互图像样例，所述微服务交互图像样例包括至少一个交互图像块；
对于每个微服务交互图像样例，从所述微服务交互图像样例的交互图像块中筛选所述微服务交互图像样例的代表性交互图像块；
基于各个微服务交互图像样例和各个微服务交互图像样例对应的代表性交互图像块，生成推送决策学习二元组，所述推送决策学习二元组包括微服务交互图像样例和代表性交互图像块；
利用所述非初始化的微服务推送决策网络对所述推送决策学习二元组进行图像描述挖掘，得到所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据；
依据所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络；
其中，代表性交互图像块是基于抽取微服务交互图像样例所对应频繁图像块所视作的图像内容总结；非初始化的微服务推送决策网络是预训练的微服务推送决策网络；可视行为描述数据为用户终端和微服务订阅平台交互时的图形化行为数据对应的特征信息；
其中，所述推送决策学习二元组包括积极学习样例二元组和消极学习样例二元组；所述基于各个微服务交互图像样例和各个微服务交互图像样例对应的代表性交互图像块，生成推送决策学习二元组，包括：
基于所述微服务交互图像样例和所述微服务交互图像样例的代表性交互图像块，生成积极学习样例二元组；
基于所述微服务交互图像样例和微服务交互图像辅助样例的代表性交互图像块，生成消极学习样例二元组，所述微服务交互图像辅助样例为所述推送决策学习信息中除所述微服务交互图像样例外的剩余微服务交互图像样例。
2.如权利要求1所述的方法，其特征在于，所述依据所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络，包括：
确定所述积极学习样例二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据之间的第一共性评价值；
确定所述消极学习样例二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据之间的第二共性评价值；
基于所述积极学习样例二元组对应的第一共性评价值和所述消极学习样例二元组对应的第二共性评价值，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
3.如权利要求2所述的方法，其特征在于，所述基于所述积极学习样例二元组对应的第一共性评价值和所述消极学习样例二元组对应的第二共性评价值，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络，包括：
对于每个微服务交互图像样例，基于包含所述微服务交互图像样例的积极学习样例二元组的第一共性评价值、以及包含所述微服务交互图像样例的消极学习样例二元组的第二共性评价值，确定所述微服务交互图像样例的一致性分析代价指标；
对于每个代表性交互图像块，基于包含所述代表性交互图像块的积极学习样例二元组的第一共性评价值、以及包含所述代表性交互图像块的消极学习样例二元组的第二共性评价值，确定所述代表性交互图像块的一致性分析代价指标；
基于各个微服务交互图像样例的一致性分析代价指标和各个代表性交互图像块的一致性分析代价指标，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
4.如权利要求3所述的方法，其特征在于，所述基于各个微服务交互图像样例的一致性分析代价指标和各个代表性交互图像块的一致性分析代价指标，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络，包括：
将各个微服务交互图像样例的一致性分析代价指标和各个代表性交互图像块的一致性分析代价指标进行聚合，得到全局调试代价指标；
基于所述全局调试代价指标，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
5.如权利要求1所述的方法，其特征在于，所述利用所述非初始化的微服务推送决策网络对所述推送决策学习二元组进行图像描述挖掘，得到所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，包括：
利用所述非初始化的微服务推送决策网络，对所述推送决策学习二元组中的代表性交互图像块进行图像描述挖掘，得到所述代表性交互图像块的可视行为描述数据；
对所述推送决策学习二元组中的微服务交互图像样例进行图像描述子编码，得到所述微服务交互图像样例的图像描述编码特征队列；
通过不同规模的设定卷积处理核对所述微服务交互图像样例的图像描述编码特征队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据。
6.如权利要求5所述的方法，其特征在于，所述通过不同规模的设定卷积处理核对所述微服务交互图像样例的图像描述编码特征队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据，包括：
依据位置可调的设定卷积处理核，对所述微服务交互图像样例的图像描述编码特征队列进行局部特征强化操作，得到所述微服务交互图像样例的像素层编码向量队列；
对所述设定卷积处理核进行参数调整处理，得到完成参数调整的设定卷积处理核；
依据所述完成参数调整的设定卷积处理核，对所述微服务交互图像样例的像素层编码向量队列进行局部特征强化操作，得到所述微服务交互图像样例的可视行为描述数据。
7.如权利要求1所述的方法，其特征在于，所述利用所述非初始化的微服务推送决策网络对所述推送决策学习二元组进行图像描述挖掘，得到所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，包括：
对所述推送决策学习二元组中的微服务交互图像样例进行权重抑制操作，得到完成权重抑制的微服务交互图像样例；
利用所述非初始化的微服务推送决策网络，对所述推送决策学习二元组中完成权重抑制的微服务交互图像样例进行图像描述挖掘，得到所述完成权重抑制的微服务交互图像样例的可视行为描述数据；
对所述推送决策学习二元组中的代表性交互图像块进行图像描述挖掘，得到所述代表性交互图像块的可视行为描述数据；
其中，所述依据所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络，包括：
基于所述完成权重抑制的微服务交互图像样例中各个权重抑制区域中的图像区域预测结果与对应的图像区域先验依据，确定所述完成权重抑制的微服务交互图像样例中各个权重抑制区域的局部权重抑制代价；
将各个权重抑制区域的局部权重抑制代价进行聚合，得到所述完成权重抑制的微服务交互图像样例对应的权重抑制代价指标；
基于所述权重抑制代价指标、所述推送决策学习二元组中微服务交互图像样例的可视行为描述数据和代表性交互图像块的可视行为描述数据，对所述非初始化的微服务推送决策网络的网络变量进行改进，得到完成调试的微服务推送决策网络。
8.一种微服务数据挖掘系统，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-7任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时实现权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310933529.8A CN116881571B (zh) | 2023-07-27 | 2023-07-27 | 基于微服务的数据挖掘方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310933529.8A CN116881571B (zh) | 2023-07-27 | 2023-07-27 | 基于微服务的数据挖掘方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116881571A CN116881571A (zh) | 2023-10-13 |
| CN116881571B true CN116881571B (zh) | 2024-01-12 |
Family
ID=88264235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310933529.8A Active CN116881571B (zh) | 2023-07-27 | 2023-07-27 | 基于微服务的数据挖掘方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116881571B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112615743A (zh) * | 2020-12-18 | 2021-04-06 | 江苏云柜网络技术有限公司 | 拓扑图绘制方法及装置 |
| CN112783649A (zh) * | 2021-01-19 | 2021-05-11 | 苏州博纳讯动软件有限公司 | 一种面向云计算的交互感知的容器化微服务资源调度方法 |
| CN113299382A (zh) * | 2021-06-20 | 2021-08-24 | 李春雨 | 基于人工智能的智慧医疗信息决策方法及云计算系统 |
| CN114237628A (zh) * | 2022-02-25 | 2022-03-25 | 卓望数码技术（深圳）有限公司 | 微服务编排及调用方法、装置、计算机设备及存储介质 |
| CN114650291A (zh) * | 2020-12-17 | 2022-06-21 | 中移(苏州)软件技术有限公司 | 订阅信息处理方法及装置、服务节点、存储介质 |
| CN115269357A (zh) * | 2022-09-23 | 2022-11-01 | 华南理工大学 | 一种基于调用链的微服务异常检测方法 |
| CN115470905A (zh) * | 2022-09-27 | 2022-12-13 | 高强 | 一种大数据分析处理方法及系统 |
| CN115695512A (zh) * | 2022-10-24 | 2023-02-03 | 浙江中控技术股份有限公司 | 基于微服务架构的数据订阅方法、系统、设备和存储介质 |
-
2023
- 2023-07-27 CN CN202310933529.8A patent/CN116881571B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114650291A (zh) * | 2020-12-17 | 2022-06-21 | 中移(苏州)软件技术有限公司 | 订阅信息处理方法及装置、服务节点、存储介质 |
| CN112615743A (zh) * | 2020-12-18 | 2021-04-06 | 江苏云柜网络技术有限公司 | 拓扑图绘制方法及装置 |
| CN112783649A (zh) * | 2021-01-19 | 2021-05-11 | 苏州博纳讯动软件有限公司 | 一种面向云计算的交互感知的容器化微服务资源调度方法 |
| CN113299382A (zh) * | 2021-06-20 | 2021-08-24 | 李春雨 | 基于人工智能的智慧医疗信息决策方法及云计算系统 |
| CN114237628A (zh) * | 2022-02-25 | 2022-03-25 | 卓望数码技术（深圳）有限公司 | 微服务编排及调用方法、装置、计算机设备及存储介质 |
| CN115269357A (zh) * | 2022-09-23 | 2022-11-01 | 华南理工大学 | 一种基于调用链的微服务异常检测方法 |
| CN115470905A (zh) * | 2022-09-27 | 2022-12-13 | 高强 | 一种大数据分析处理方法及系统 |
| CN115695512A (zh) * | 2022-10-24 | 2023-02-03 | 浙江中控技术股份有限公司 | 基于微服务架构的数据订阅方法、系统、设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于Java的微服务技术在构建企业智能大数据平台下的应用与开发研究;李晓明等;现代电子技术;第42卷(第15期);全文 * |
| 基于微服务架构的知识工程系统设计;李书洋等;《信息技术与信息化》;第11卷;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116881571A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11127139B2 (en) | Enhanced semantic segmentation of images | |
| US20190042743A1 (en) | Malware detection and classification using artificial neural network | |
| CN107193974B (zh) | 基于人工智能的地域性信息确定方法和装置 | |
| CN109509010B (zh) | 一种多媒体信息处理方法、终端及存储介质 | |
| CN110598157A (zh) | 目标信息识别方法、装置、设备及存储介质 | |
| JP2022512065A (ja) | 画像分類モデルの訓練方法、画像処理方法及び装置 | |
| CN112215171B (zh) | 目标检测方法、装置、设备及计算机可读存储介质 | |
| CN111931859B (zh) | 一种多标签图像识别方法和装置 | |
| CN107864405B (zh) | 一种收视行为类型的预测方法、装置及计算机可读介质 | |
| CN111062964A (zh) | 图像分割方法及相关装置 | |
| CN107590741A (zh) | 一种预测图片流行度的方法及系统 | |
| CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
| EP3852007A2 (en) | Method, apparatus, electronic device, readable storage medium and program for classifying video | |
| CN111815432A (zh) | 金融服务风险预测方法及装置 | |
| CN112711578B (zh) | 用于云计算业务的大数据去噪方法及云计算金融服务器 | |
| CN115222845A (zh) | 样式字体图片生成方法、装置、电子设备和介质 | |
| CN116881571B (zh) | 基于微服务的数据挖掘方法及系统 | |
| CN115828307B (zh) | 应用于ocr的文本识别方法及ai系统 | |
| CN116977336A (zh) | 摄像头缺陷检测方法、装置、计算机设备及存储介质 | |
| CN108287817B (zh) | 一种信息处理方法及设备 | |
| CN113837157B (zh) | 题目类型识别方法、系统和存储介质 | |
| CN115905702A (zh) | 基于用户需求分析的数据推荐方法及系统 | |
| CN113312445B (zh) | 数据处理方法、模型构建方法、分类方法及计算设备 | |
| CN111737371B (zh) | 可动态预测的数据流量检测分类方法及装置 | |
| CN114241253A (zh) | 违规内容识别的模型训练方法、系统、服务器及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |