CN116881851B - 基于机器学习的物联网数据处理方法、装置及服务器 - Google Patents

基于机器学习的物联网数据处理方法、装置及服务器 Download PDF

Info

Publication number
CN116881851B
CN116881851B CN202311130517.8A CN202311130517A CN116881851B CN 116881851 B CN116881851 B CN 116881851B CN 202311130517 A CN202311130517 A CN 202311130517A CN 116881851 B CN116881851 B CN 116881851B
Authority
CN
China
Prior art keywords
internet
candidate
template
things
directed
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
Application number
CN202311130517.8A
Other languages
English (en)
Other versions
CN116881851A (zh
Inventor
胡涛
陈廉之
刘跃华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Everything Technology Co ltd
Original Assignee
Chengdu Silent Communication Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Silent Communication Technology Co ltd filed Critical Chengdu Silent Communication Technology Co ltd
Priority to CN202311130517.8A priority Critical patent/CN116881851B/zh
Publication of CN116881851A publication Critical patent/CN116881851A/zh
Application granted granted Critical
Publication of CN116881851B publication Critical patent/CN116881851B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请实施例提供一种基于机器学习的物联网数据处理方法、装置及服务器，可以在先验有向网络结构中搜索与候选物联网互动事件存在互动内容关系的候选物联网互动节点并生成候选有向关系网络，在先验有向网络结构中搜索模板物联网互动事件涵盖的模板物联网互动节点并生成模板有向关系网络，由此可将候选有向关系网络和模板有向关系网络以有向关系矢量集进行表示，基于有向关系矢量集确定两个有向关系网络之间的网络匹配参数，依据该网络匹配参数确定候选物联网互动事件与模板物联网互动事件之间的匹配程度，从而评估候选物联网互动事件与模板物联网互动事件中涵盖的相同特征信息，提高后续针对目标用户的内容信息推荐可靠性。

Description

基于机器学习的物联网数据处理方法、装置及服务器
技术领域
本申请涉及物联网技术领域，具体而言，涉及一种基于机器学习的物联网数据处理方法、装置及服务器。
背景技术
物联网中的人机交互是指用户和物联网设备之间的信息和数据交流。人机交互的目的是让用户更加高效地利用这些物联网设备，将物联网设备的数据整理和分析，提高生产效率和生活质量。物联网用户在物联网相关设备、系统的使用过程中，可以通过物联网功能交互进行需求反馈。在物联网功能交互过程中，如何需要快速了解目标用户的需求数据以便于进行物联网内容信息推送，是所属技术领域亟待解决的技术问题是所属技术领域亟待解决的技术问题。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于机器学习的物联网数据处理方法、装置及服务器。
第一方面，本申请提供一种基于机器学习的物联网数据处理方法，应用于服务器，所述方法包括：
获取目标用户的候选物联网互动事件和模板物联网互动事件，基于先验有向网络结构提取所述候选物联网互动事件对应的候选有向关系网络以及所述模板物联网互动事件对应的模板有向关系网络；所述候选有向关系网络包括候选物联网互动节点，所述模板有向关系网络包括模板物联网互动节点，所述候选物联网互动节点和所述模板物联网互动节点对应于所述先验有向网络结构中的物联网互动节点，所述物联网互动节点用于表征物联网功能互动过程中的一个互动行为词条；
基于所述候选物联网互动节点和所述模板物联网互动节点，确定所述候选有向关系网络对应的候选有向关系矢量集和所述模板有向关系网络对应的模板有向关系矢量集；
基于所述候选有向关系矢量集和所述模板有向关系矢量集，生成所述候选有向关系网络和所述模板有向关系网络之间的网络匹配参数；所述网络匹配参数表征所述候选物联网互动事件与所述模板物联网互动事件之间的互动路径相关性；
基于所述候选有向关系网络和所述模板有向关系网络之间的网络匹配参数，对所述目标用户进行物联网内容信息推送。
在第一方面的一种可能的实施方式中，所述基于先验有向网络结构提取所述候选物联网互动事件对应的候选有向关系网络以及所述模板物联网互动事件对应的模板有向关系网络，包括：
获取所述先验有向网络结构，在所述先验有向网络结构中搜索与所述候选物联网互动事件关联的候选物联网互动节点，基于所述候选物联网互动节点构建所述候选物联网互动事件对应的候选有向关系网络；所述候选物联网互动节点分别在所述候选有向关系网络和所述先验有向网络结构中的节点关联特征一致；
在所述先验有向网络结构中搜索与所述模板物联网互动事件关联的模板物联网互动节点，基于所述模板物联网互动节点构建所述模板物联网互动事件对应的模板有向关系网络；所述模板物联网互动节点分别在所述模板有向关系网络和所述先验有向网络结构中的节点关联特征一致。
在第一方面的一种可能的实施方式中，所述候选物联网互动节点包括K个；
所述在所述先验有向网络结构中搜索与所述候选物联网互动事件关联的候选物联网互动节点，基于所述候选物联网互动节点构建所述候选物联网互动事件对应的候选有向关系网络，包括：
对所述候选物联网互动事件进行行为解析，生成所述候选物联网互动事件对应的多个功能互动行为；
获取每个功能互动行为分别与所述先验有向网络结构中的物联网互动节点之间的内容关联度，将所述内容关联度大于设定关联度的物联网互动节点，确定为与所述候选物联网互动事件关联的K个候选物联网互动节点；
获取所述K个候选物联网互动节点中的各个组合候选物联网互动节点；
如果所述各个组合候选物联网互动节点在所述先验有向网络结构中具有关联的节点联系链路，则基于所述K个候选物联网互动节点以及所述各个组合候选物联网互动节点之间的节点联系链路，确定所述候选物联网互动事件对应的候选有向关系网络；
如果所述各个组合候选物联网互动节点在所述先验有向网络结构中不具有关联的节点联系链路，则在所述先验有向网络结构中获取所述各个组合候选物联网互动节点之间的最小代价搜索路线，基于所述K个候选物联网互动节点以及所述最小代价搜索路线中涵盖的物联网互动节点和节点联系链路，确定所述候选物联网互动事件对应的候选有向关系网络。
在第一方面的一种可能的实施方式中，所述基于所述候选物联网互动节点和所述模板物联网互动节点，确定所述候选有向关系网络对应的候选有向关系矢量集和所述模板有向关系网络对应的模板有向关系矢量集，包括：
基于所述候选物联网互动节点在所述候选有向关系网络中的节点关联特征，确定所述候选物联网互动节点对应的第一参考互动功能主题内容特征；
将所述第一参考互动功能主题内容特征加载到自注意力机器学习模型，基于所述自注意力机器学习模型对所述第一参考互动功能主题内容特征进行自注意力特征提取，确定所述第一参考互动功能主题内容特征对应的候选自注意力特征；
基于所述模板物联网互动节点在所述模板有向关系网络中的节点关联特征，确定所述模板物联网互动节点对应的第二参考互动功能主题内容特征；
将所述第二参考互动功能主题内容特征加载到所述自注意力机器学习模型，基于所述自注意力机器学习模型对所述第二参考互动功能主题内容特征进行自注意力特征提取，确定所述第二参考互动功能主题内容特征对应的模板自注意力特征；
基于所述候选自注意力特征和所述模板自注意力特征，确定所述候选有向关系网络对应的候选有向关系矢量集；
基于所述候选自注意力特征和所述模板自注意力特征，确定所述模板有向关系网络对应的模板有向关系矢量集。
在第一方面的一种可能的实施方式中，所述自注意力机器学习模型包括第一模型功能参数单元和第二模型功能参数单元，所述第一模型功能参数单元和所述第二模型功能参数单元在所述自注意力机器学习模型中为级联功能参数单元；
所述基于所述自注意力机器学习模型对所述第一参考互动功能主题内容特征进行自注意力特征提取，确定所述第一参考互动功能主题内容特征对应的候选自注意力特征，包括：
获取所述候选物联网互动节点对应的顶点间关系二维数组，基于所述第一参考互动功能主题内容特征、所述顶点间关系二维数组以及所述自注意力机器学习模型中加载功能参数单元对应的权重阵列，确定所述第一模型功能参数单元对应的第一潜在权重参数阵列；
基于所述第一潜在权重参数阵列和所述第一模型功能参数单元对应的权重阵列，确定所述第二模型功能参数单元对应的第二潜在权重参数阵列；
获取所述自注意力机器学习模型中的自注意力层，基于所述自注意力层确定所述第一潜在权重参数阵列和所述第二潜在权重参数阵列各自对应的自注意力系数；
基于所述自注意力系数、所述第一潜在权重参数阵列以及所述第二潜在权重参数阵列，生成所述第一参考互动功能主题内容特征对应的候选自注意力特征。
在第一方面的一种可能的实施方式中，所述候选物联网互动节点包括K个，所述模板物联网互动节点包括X个，K和X均为正整数；
所述基于所述候选自注意力特征和所述模板自注意力特征，确定所述候选有向关系网络对应的候选有向关系矢量集，包括：
获取K个候选物联网互动节点中的候选物联网互动节点nx，获取所述候选物联网互动节点nx对应的X个第一会话因子；x为不大于K的正整数；
确定所述候选物联网互动节点nx分别与X个模板物联网互动节点所对应的模板自注意力特征之间的第一特征对比损失，基于所述X个第一会话因子和X个第一特征对比损失确定所述候选物联网互动节点nx对应的第一协作特征fx；
对所述K个候选物联网互动节点各自对应的候选自注意力特征进行融合，生成所述候选有向关系网络对应的目标自注意力特征；
对所述K个候选物联网互动节点各自对应的第一协作特征进行融合，生成所述K个候选物联网互动节点在所述模板有向关系网络中的第一协作阵列；
将所述第一协作阵列降维输出为目标协作特征，对所述目标自注意力特征和所述目标协作特征进行融合，生成所述候选有向关系网络对应的候选有向关系矢量集。
在第一方面的一种可能的实施方式中，所述候选物联网互动节点包括K个，所述模板物联网互动节点包括X个，K和X均为正整数；
所述基于所述候选自注意力特征和所述模板自注意力特征，确定所述模板有向关系网络对应的模板有向关系矢量集，包括：
获取X个模板物联网互动节点中的模板物联网互动节点nr，获取所述模板物联网互动节点nr对应的K个第二会话因子；r为不大于X的正整数；
确定所述模板物联网互动节点nr分别与K个候选物联网互动节点所对应的候选自注意力特征之间的第二特征对比损失，基于所述K个第二会话因子和K个第二特征对比损失确定所述模板物联网互动节点nr对应的第二协作特征er；
对所述X个模板物联网互动节点各自对应的模板自注意力特征进行融合，生成所述模板有向关系网络对应的模板自注意力特征；
对所述X个模板物联网互动节点各自对应的第二协作特征进行融合，生成所述X个模板物联网互动节点在所述候选有向关系网络中的第二协作阵列；
将所述第二协作阵列降维输出为模板协作特征，对所述模板自注意力特征和所述模板协作特征进行融合，生成所述模板有向关系网络对应的模板有向关系矢量集。
在第一方面的一种可能的实施方式中，所述模板物联网互动事件包括多个，一个模板物联网互动事件对应一个模板有向关系网络；
所述基于所述候选有向关系网络和所述模板有向关系网络之间的网络匹配参数，对所述目标用户进行物联网内容信息推送的步骤，包括：
基于所述候选有向关系网络与多个模板有向关系网络之间的网络匹配参数，将最大的网络匹配参数所对应的模板有向关系网络确定为匹配有向关系网络；
在多个模板物联网互动事件中，将所述匹配有向关系网络对应的模板物联网互动事件输出为所述候选物联网互动事件对应的匹配模板物联网互动事件；
获取所述匹配模板物联网互动事件所对应的标注需求数据，并基于所述匹配模板物联网互动事件所对应的标注需求数据向所述目标用户推送对应的物联网内容信息。
第二方面，本申请实施例还提供一种服务器，所述服务器包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于机器学习的物联网数据处理方法。
第三方面，本申请实施例还提供一种基于机器学习的物联网数据处理装置，应用于服务器，所述装置包括：
提取模块，用于获取目标用户的候选物联网互动事件和模板物联网互动事件，基于先验有向网络结构提取所述候选物联网互动事件对应的候选有向关系网络以及所述模板物联网互动事件对应的模板有向关系网络；所述候选有向关系网络包括候选物联网互动节点，所述模板有向关系网络包括模板物联网互动节点，所述候选物联网互动节点和所述模板物联网互动节点对应于所述先验有向网络结构中的物联网互动节点，所述物联网互动节点用于表征物联网功能互动过程中的一个互动行为词条；
确定模块，用于基于所述候选物联网互动节点和所述模板物联网互动节点，确定所述候选有向关系网络对应的候选有向关系矢量集和所述模板有向关系网络对应的模板有向关系矢量集；
生成模块，用于基于所述候选有向关系矢量集和所述模板有向关系矢量集，生成所述候选有向关系网络和所述模板有向关系网络之间的网络匹配参数；所述网络匹配参数表征所述候选物联网互动事件与所述模板物联网互动事件之间的互动路径相关性；
推送模块，用于基于所述候选有向关系网络和所述模板有向关系网络之间的网络匹配参数，对所述目标用户进行物联网内容信息推送。
采用以上任意方面的技术方案，可以在先验有向网络结构中搜索与候选物联网互动事件存在互动内容关系的候选物联网互动节点并生成候选有向关系网络，在先验有向网络结构中搜索模板物联网互动事件涵盖的模板物联网互动节点并生成模板有向关系网络，由此可将候选有向关系网络和模板有向关系网络以有向关系矢量集进行表示，基于有向关系矢量集确定两个有向关系网络之间的网络匹配参数，依据该网络匹配参数确定候选物联网互动事件与模板物联网互动事件之间的匹配程度，从而评估候选物联网互动事件与模板物联网互动事件中涵盖的相同特征信息，通过网络匹配参数对候选物联网互动事件与模板物联网互动事件进行匹配，从而提高后续针对目标用户的内容信息推荐可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以结合这些附图获得其它相关的附图。
图1为本申请实施例提供的基于机器学习的物联网数据处理方法的流程示意图；
图2为本申请实施例提供的基于机器学习的物联网数据处理装置的示意框图；
图3为本申请实施例提供的用于实现上述的基于机器学习的物联网数据处理方法的服务器的示意框图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和结合本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。
参见图1所示，本申请提供一种基于机器学习的物联网数据处理方法，包括以下步骤。
步骤S101，获取候选物联网互动事件和模板物联网互动事件，基于先验有向网络结构提取候选物联网互动事件对应的候选有向关系网络，以及模板物联网互动事件对应的模板有向关系网络；候选有向关系网络包括候选物联网互动节点，模板有向关系网络包括模板物联网互动节点，候选物联网互动节点和模板物联网互动节点对应于先验有向网络结构中的物联网互动节点。
例如，本实施例可以获取候选物联网互动事件和模板物联网互动事件，该模板物联网互动事件可以是预先标注了标注需求数据的模板互动事件，该候选物联网互动事件可以是指当前目标用户执行的物联网互动事件。
本实施例可以获取先验有向网络结构，在该先验有向网络结构中搜索与候选物联网互动事件关联的候选物联网互动节点，基于候选物联网互动节点在先验有向网络结构中的节点关联特征生成候选物联网互动事件对应的候选有向关系网络，即候选物联网互动节点在先验有向网络结构和候选有向关系网络中的节点关联特征一致；可以在该先验有向网络结构中搜索与模板物联网互动事件关联的模板物联网互动节点，基于模板物联网互动节点在先验有向网络结构中的节点关联特征生成模板物联网互动事件对应的模板有向关系网络，即模板物联网互动节点在先验有向网络结构和模板有向关系网络中的节点关联特征一致。其中，该先验有向网络结构可以包括多个物联网互动节点以及多个物联网互动节点之间的物联网互动节点关系，该先验有向网络结构可以用知识图谱的格式表示与模板物联网互动事件相关联的特征。所述物联网互动节点用于表征物联网功能互动过程中的一个互动行为词条。
一种可替代的实施方式中，可以对候选物联网互动事件进行行为解析，生成候选物联网互动事件对应的多个功能互动行为，进而获取每个功能互动行为分别与先验有向网络结构中的物联网互动节点之间的内容关联度，将内容关联度大于设定内容关联度的物联网互动节点，确定为与候选物联网互动事件关联的K（K为正整数）个候选物联网互动节点，基于K个候选物联网互动节点以及K个候选物联网互动节点在先验有向网络结构中节点联系的链路，确定候选物联网互动事件对应的候选有向关系网络。
一种可替代的实施方式中，可以将候选物联网互动事件与先验有向网络结构中涵盖的物联网互动节点进行匹配，若在先验有向网络结构中搜索到某个功能互动行为与候选物联网互动事件中的功能互动关键词相同，则表示匹配成功，可以从候选物联网互动事件中解析出一个功能互动行为，由此可在先验有向网络结构中搜索候选物联网互动事件对应的多个功能互动行为，即K个候选物联网互动节点。
一种可替代的实施方式中，可以计算功能互动行为与先验有向网络结构中的物联网互动节点之间的内容关联度（功能互动行为与先验有向网络结构中的物联网互动节点完全关联时，可以直接获取到内容关联度为1），将内容关联度大于设定关联度（例如，设定关联度可以设置为0.7）的物联网互动节点，确定为先验有向网络结构中与候选物联网互动事件关联的K个候选物联网互动节点。
一种可替代的实施方式中，可以将先验有向网络结构定义为Y={U，O}，U是先验有向网络结构中所有物联网互动节点构成的物联网互动节点序列（也可以称为物联网互动节点序列），O是先验有向网络结构中所有节点联系链路构成的节点联系链路序列。候选物联网互动事件B对应的多个功能互动行为可以表示为：B=[d1，d2，d3，…]。
步骤S102，基于候选物联网互动节点和模板物联网互动节点，确定候选有向关系网络对应的候选有向关系矢量集和模板有向关系网络对应的模板有向关系矢量集。
一种可替代的实施方式中，为了在多个有向关系网络中传播物联网互动节点信息，可以在候选有向关系网络和模板有向关系网络之间进行协作特征学习，生成候选有向关系网络在模板有向关系网络中的协作特征，以及模板有向关系网络在候选有向关系网络中的协作特征；由此可将候选有向关系网络的特征表征信息和候选有向关系网络在候选有向关系网络中的协作特征进行融合，生成候选有向关系网络对应的候选有向关系矢量集，将模板有向关系网络的特征表征信息和该模板有向关系网络在候选有向关系网络中的协作特征进行融合，生成模板有向关系网络对应的模板有向关系矢量集。
步骤S103，基于候选有向关系矢量集和模板有向关系矢量集，生成候选有向关系网络和模板有向关系网络之间的网络匹配参数；网络匹配参数表征候选物联网互动事件与模板物联网互动事件之间的互动路径相关性。
一种可替代的实施方式中，可以通过计算候选有向关系矢量集与模板有向关系矢量集之间的特征距离，确定候选有向关系网络和模板有向关系网络之间的网络匹配参数，该网络匹配参数可反映候选物联网互动事件和模板物联网互动事件之间的内容关联度。当网络匹配参数大于设定参数值时，可以确定候选物联网互动事件与模板物联网互动事件近似匹配关系。
步骤S104，基于所述候选有向关系网络和所述模板有向关系网络之间的网络匹配参数，对所述目标用户进行物联网内容信息推送。
一种可替代的实施方式中，模板物联网互动事件可包括多个，可以依据以上实施例，确定每个模板物联网互动事件各自对应的模板有向关系网络，以及每个模板有向关系网络各自对应的模板有向关系矢量集，并确定候选有向关系矢量集分别与每个模板有向关系网络所对应的模板有向关系矢量集之间的网络匹配参数。一种可替代的实施方式中，可以基于候选有向关系网络与多个模板有向关系网络之间的网络匹配参数，将最大的网络匹配参数所对应的模板有向关系网络确定为候选有向关系网络对应的匹配有向关系网络，由此可在多个模板物联网互动事件中，将匹配有向关系网络对应的模板物联网互动事件输出为候选物联网互动事件对应的匹配模板物联网互动事件，然后获取所述匹配模板物联网互动事件所对应的标注需求数据，并基于所述匹配模板物联网互动事件所对应的标注需求数据向所述目标用户推送对应的物联网内容信息。也即，在多个模板物联网互动事件中，可以将内容关联度最大的模板物联网互动事件输出为与候选物联网互动事件最匹配的物联网互动事件，即可以确定候选物联网互动事件大致匹配于最大的内容关联度所对应的模板物联网互动事件。
基于以上步骤，可以在先验有向网络结构中搜索与候选物联网互动事件存在互动内容关系的候选物联网互动节点并生成候选有向关系网络，在先验有向网络结构中搜索模板物联网互动事件涵盖的模板物联网互动节点并生成模板有向关系网络，由此可将候选有向关系网络和模板有向关系网络以有向关系矢量集进行表示，基于有向关系矢量集确定两个有向关系网络之间的网络匹配参数，依据该网络匹配参数确定候选物联网互动事件与模板物联网互动事件之间的匹配程度，从而评估候选物联网互动事件与模板物联网互动事件中涵盖的相同特征信息，通过网络匹配参数对候选物联网互动事件与模板物联网互动事件进行匹配，从而提高后续针对目标用户的内容信息推荐可靠性。
下面介绍进一步的方法实施例，可以包括以下步骤：
步骤S201，获取候选物联网互动事件和模板物联网互动事件，基于先验有向网络结构提取候选物联网互动事件对应的候选有向关系网络，以及模板物联网互动事件对应的模板有向关系网络；候选有向关系网络包括候选物联网互动节点，模板有向关系网络包括模板物联网互动节点，候选物联网互动节点和模板物联网互动节点对应于先验有向网络结构中的物联网互动节点。
步骤S202，基于候选物联网互动节点在候选有向关系网络中的节点关联特征，确定候选物联网互动节点对应的第一参考互动功能主题内容特征；将第一参考互动功能主题内容特征加载到自注意力机器学习模型，基于自注意力机器学习模型对第一参考互动功能主题内容特征进行自注意力特征提取，确定第一参考互动功能主题内容特征对应的候选自注意力特征。
例如，可以通过任何现有的特征向量表示规则确定候选有向关系网络中的候选物联网互动节点对应的第一参考互动功能主题内容特征，并获取候选有向关系网络对应的顶点间关系二维数组，将第一参考互动功能主题内容特征和顶点间关系二维数组加载到自注意力机器学习模型中的加载功能参数单元，基于第一参考互动功能主题内容特征、顶点间关系二维数组以及加载功能参数单元对应的权重阵列，确定第一模型功能参数单元对应的第一潜在权重参数阵列；由此可基于第一潜在权重参数阵列和第一模型功能参数单元对应的权重阵列，确定第二模型功能参数单元对应的第二潜在权重参数阵列。
步骤S203，基于模板物联网互动节点在模板有向关系网络中的节点关联特征，确定模板物联网互动节点对应的第二参考互动功能主题内容特征；将第二参考互动功能主题内容特征加载到自注意力机器学习模型，基于自注意力机器学习模型对第二参考互动功能主题内容特征进行自注意力特征提取，确定第二参考互动功能主题内容特征对应的模板自注意力特征。
一种可替代的实施方式中，可以通过任何现有的特征向量表示规则确定为模板有向关系网络中的模板物联网互动节点对应的第二参考互动功能主题内容特征，可以将第二参考互动功能主题内容特征作为自注意力机器学习模型的模型加载数据，基于自注意力机器学习模型获得第二参考互动功能主题内容特征对应的模板自注意力特征。
步骤S204，基于候选自注意力特征和模板自注意力特征，确定候选有向关系网络对应的候选有向关系矢量集。
一种可替代的实施方式中，如果候选有向关系网络包括K个候选物联网互动节点，模板有向关系网络包括X个模板物联网互动节点。可以获取K个候选物联网互动节点中的候选物联网互动节点nx，并获取候选物联网互动节点nx对应的X个第一会话因子，x为不大于K的正整数；由此可以获取候选物联网互动节点nx分别与X个模板物联网互动节点所对应的模板自注意力特征之间的第一特征对比损失，基于X个第一会话因子和X个第一特征对比损失确定候选物联网互动节点nx对应的第一协作特征fx。
一种可替代的实施方式中，可以对K个候选物联网互动节点各自对应的候选自注意力特征进行融合，生成候选有向关系网络对应的目标自注意力特征。由此，可以对K个候选物联网互动节点各自对应的第一协作特征进行融合，生成K个候选物联网互动节点在模板有向关系网络中的第一协作阵列，将第一协作阵列降维输出为目标协作特征，对目标自注意力特征和目标协作特征进行融合，生成候选有向关系网络对应的候选有向关系矢量集。
步骤S205，基于候选自注意力特征和模板自注意力特征，确定模板有向关系网络对应的模板有向关系矢量集。
一种可替代的实施方式中，可以获取X个模板物联网互动节点中的模板物联网互动节点nr，并获取模板物联网互动节点nr对应的K个第二会话因子，r为不大于X的正整数；由此可获取模板物联网互动节点nr分别与K个候选物联网互动节点所对应的候选自注意力特征之间的第二特征对比损失，基于K个第二会话因子和K个第二特征对比损失确定模板物联网互动节点nr对应的第二协作特征er。
一种可替代的实施方式中，可以对X个模板物联网互动节点各自对应的模板自注意力特征进行融合，生成模板有向关系网络对应的模板自注意力特征；由此可对X个模板物联网互动节点各自对应的第二协作特征进行融合，生成X个模板物联网互动节点在候选有向关系网络中的第二协作阵列将第二协作阵列降维输出为模板协作特征，对模板自注意力特征和模板协作特征进行融合，生成模板有向关系网络对应的模板有向关系矢量集。
步骤S206，基于候选有向关系矢量集和模板有向关系矢量集，生成候选有向关系网络和模板有向关系网络之间的网络匹配参数；网络匹配参数表征候选物联网互动事件与模板物联网互动事件之间的互动路径相关性。
在以上实施例中，可以在先验有向网络结构中搜索与候选物联网互动事件存在互动内容关系的候选物联网互动节点并生成候选有向关系网络，在先验有向网络结构中搜索模板物联网互动事件涵盖的模板物联网互动节点并生成模板有向关系网络，由此可将候选有向关系网络和模板有向关系网络以有向关系矢量集进行特征表示，基于有向关系矢量集确定两个有向关系网络之间的网络匹配参数，依据该网络匹配参数确定候选物联网互动事件与模板物联网互动事件之间的匹配程度，从而评估候选物联网互动事件与模板物联网互动事件中涵盖的相同特征信息，通过网络匹配参数对候选物联网互动事件与模板物联网互动事件进行匹配，从而提高后续针对目标用户的内容信息推荐可靠性。并且，在有向关系矢量集的提取估测中，结合了每个有向关系网络中物联网互动节点之间的特征协作以及不同有向关系网络中的物联网互动节点之前的特征协作，提高了有向关系矢量集的特征表达性能，从而进一步提高物联网互动事件之间的匹配准确性。
图2是本申请实施例提供的基于机器学习的物联网数据处理装置200的功能模块图，该基于机器学习的物联网数据处理装置200实现的功能可以对应上述方法执行的步骤。该基于机器学习的物联网数据处理装置200可以理解为上述计算机设备，或计算机设备的处理器，也可以理解为独立于上述计算机设备或处理器之外的在计算机设备控制下实现本发明功能的组件，如图2所示，下面分别对该基于机器学习的物联网数据处理装置200的各个功能模块的功能进行详细阐述。
提取模块210，用于获取目标用户的候选物联网互动事件和模板物联网互动事件，基于先验有向网络结构提取所述候选物联网互动事件对应的候选有向关系网络以及所述模板物联网互动事件对应的模板有向关系网络；所述候选有向关系网络包括候选物联网互动节点，所述模板有向关系网络包括模板物联网互动节点，所述候选物联网互动节点和所述模板物联网互动节点对应于所述先验有向网络结构中的物联网互动节点；
确定模块220，用于基于所述候选物联网互动节点和所述模板物联网互动节点，确定所述候选有向关系网络对应的候选有向关系矢量集和所述模板有向关系网络对应的模板有向关系矢量集；
生成模块230，用于基于所述候选有向关系矢量集和所述模板有向关系矢量集，生成所述候选有向关系网络和所述模板有向关系网络之间的网络匹配参数；所述网络匹配参数表征所述候选物联网互动事件与所述模板物联网互动事件之间的互动路径相关性；
推送模块240，用于基于所述候选有向关系网络和所述模板有向关系网络之间的网络匹配参数，对所述目标用户进行物联网内容信息推送。
一种可替代的实施方式中，提取模块210，具体用于：
获取所述先验有向网络结构，在所述先验有向网络结构中搜索与所述候选物联网互动事件关联的候选物联网互动节点，基于所述候选物联网互动节点构建所述候选物联网互动事件对应的候选有向关系网络；所述候选物联网互动节点分别在所述候选有向关系网络和所述先验有向网络结构中的节点关联特征一致；
在所述先验有向网络结构中搜索与所述模板物联网互动事件关联的模板物联网互动节点，基于所述模板物联网互动节点构建所述模板物联网互动事件对应的模板有向关系网络；所述模板物联网互动节点分别在所述模板有向关系网络和所述先验有向网络结构中的节点关联特征一致。
一种可替代的实施方式中，所述候选物联网互动节点包括K个；
提取模块210，具体还用于：
对所述候选物联网互动事件进行行为解析，生成所述候选物联网互动事件对应的多个功能互动行为；
获取每个功能互动行为分别与所述先验有向网络结构中的物联网互动节点之间的内容关联度，将所述内容关联度大于设定关联度的物联网互动节点，确定为与所述候选物联网互动事件关联的K个候选物联网互动节点；
获取所述K个候选物联网互动节点中的各个组合候选物联网互动节点；
如果所述各个组合候选物联网互动节点在所述先验有向网络结构中具有关联的节点联系链路，则基于所述K个候选物联网互动节点以及所述各个组合候选物联网互动节点之间的节点联系链路，确定所述候选物联网互动事件对应的候选有向关系网络；
如果所述各个组合候选物联网互动节点在所述先验有向网络结构中不具有关联的节点联系链路，则在所述先验有向网络结构中获取所述各个组合候选物联网互动节点之间的最小代价搜索路线，基于所述K个候选物联网互动节点以及所述最小代价搜索路线中涵盖的物联网互动节点和节点联系链路，确定所述候选物联网互动事件对应的候选有向关系网络。
一种可替代的实施方式中，确定模块220，具体用于：
基于所述候选物联网互动节点在所述候选有向关系网络中的节点关联特征，确定所述候选物联网互动节点对应的第一参考互动功能主题内容特征；
将所述第一参考互动功能主题内容特征加载到自注意力机器学习模型，基于所述自注意力机器学习模型对所述第一参考互动功能主题内容特征进行自注意力特征提取，确定所述第一参考互动功能主题内容特征对应的候选自注意力特征；
基于所述模板物联网互动节点在所述模板有向关系网络中的节点关联特征，确定所述模板物联网互动节点对应的第二参考互动功能主题内容特征；
将所述第二参考互动功能主题内容特征加载到所述自注意力机器学习模型，基于所述自注意力机器学习模型对所述第二参考互动功能主题内容特征进行自注意力特征提取，确定所述第二参考互动功能主题内容特征对应的模板自注意力特征；
基于所述候选自注意力特征和所述模板自注意力特征，确定所述候选有向关系网络对应的候选有向关系矢量集；
基于所述候选自注意力特征和所述模板自注意力特征，确定所述模板有向关系网络对应的模板有向关系矢量集。
一种可替代的实施方式中，所述自注意力机器学习模型包括第一模型功能参数单元和第二模型功能参数单元，所述第一模型功能参数单元和所述第二模型功能参数单元在所述自注意力机器学习模型中为级联功能参数单元，所述确定模块220，具体还用于：
获取所述候选物联网互动节点对应的顶点间关系二维数组，基于所述第一参考互动功能主题内容特征、所述顶点间关系二维数组以及所述自注意力机器学习模型中加载功能参数单元对应的权重阵列，确定所述第一模型功能参数单元对应的第一潜在权重参数阵列；
基于所述第一潜在权重参数阵列和所述第一模型功能参数单元对应的权重阵列，确定所述第二模型功能参数单元对应的第二潜在权重参数阵列；
获取所述自注意力机器学习模型中的自注意力层，基于所述自注意力层确定所述第一潜在权重参数阵列和所述第二潜在权重参数阵列各自对应的自注意力系数；
基于所述自注意力系数、所述第一潜在权重参数阵列以及所述第二潜在权重参数阵列，生成所述第一参考互动功能主题内容特征对应的候选自注意力特征。
一种可替代的实施方式中，所述候选物联网互动节点包括K个，所述模板物联网互动节点包括X个，K和X均为正整数；
所述确定模块220，具体还用于：
获取K个候选物联网互动节点中的候选物联网互动节点nx，获取所述候选物联网互动节点nx对应的X个第一会话因子；x为不大于K的正整数；
确定所述候选物联网互动节点nx分别与X个模板物联网互动节点所对应的模板自注意力特征之间的第一特征对比损失，基于所述X个第一会话因子和X个第一特征对比损失确定所述候选物联网互动节点nx对应的第一协作特征fx；
对所述K个候选物联网互动节点各自对应的候选自注意力特征进行融合，生成所述候选有向关系网络对应的目标自注意力特征；
对所述K个候选物联网互动节点各自对应的第一协作特征进行融合，生成所述K个候选物联网互动节点在所述模板有向关系网络中的第一协作阵列；
将所述第一协作阵列降维输出为目标协作特征，对所述目标自注意力特征和所述目标协作特征进行融合，生成所述候选有向关系网络对应的候选有向关系矢量集。
一种可替代的实施方式中，所述候选物联网互动节点包括K个，所述模板物联网互动节点包括X个，K和X均为正整数；
所述确定模块220，具体还用于：
获取X个模板物联网互动节点中的模板物联网互动节点nr，获取所述模板物联网互动节点nr对应的K个第二会话因子；r为不大于X的正整数；
确定所述模板物联网互动节点nr分别与K个候选物联网互动节点所对应的候选自注意力特征之间的第二特征对比损失，基于所述K个第二会话因子和K个第二特征对比损失确定所述模板物联网互动节点nr对应的第二协作特征er；
对所述X个模板物联网互动节点各自对应的模板自注意力特征进行融合，生成所述模板有向关系网络对应的模板自注意力特征；
对所述X个模板物联网互动节点各自对应的第二协作特征进行融合，生成所述X个模板物联网互动节点在所述候选有向关系网络中的第二协作阵列；
将所述第二协作阵列降维输出为模板协作特征，对所述模板自注意力特征和所述模板协作特征进行融合，生成所述模板有向关系网络对应的模板有向关系矢量集。
一种可替代的实施方式中，所述模板物联网互动事件包括多个，一个模板物联网互动事件对应一个模板有向关系网络。
所述推送模块，具体用于：
基于所述候选有向关系网络与多个模板有向关系网络之间的网络匹配参数，将最大的网络匹配参数所对应的模板有向关系网络确定为匹配有向关系网络；
在多个模板物联网互动事件中，将所述匹配有向关系网络对应的模板物联网互动事件输出为所述候选物联网互动事件对应的匹配模板物联网互动事件；
获取所述匹配模板物联网互动事件所对应的标注需求数据，并基于所述匹配模板物联网互动事件所对应的标注需求数据向所述目标用户推送对应的物联网内容信息。
图3示意性地示出了可被用于实现本申请中所述的各个实施例的服务器100。
对于一个实施例，图3示出了服务器100，该服务器100具有多个处理器102、被耦合到(多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的多个输入/输出设备110，和被耦合到控制模块104的网络接口112。
处理器102可包括多个单核或多核处理器，处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些可替代的实施方式中，服务器100能够作为本申请实施例中所述网关等服务器设备。
一些可替代的实施方式中，服务器100可包括具有指令114的多个计算机可读介质(例如，存储器106或NVM/存储设备108)和与该多个计算机可读介质相合并被配置为执行指令114以实现模块从而执行本公开中所述的动作的多个处理器102。
对于一个实施例，控制模块104可包括任意适当的接口控制器，以向(多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块，以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为服务器100加载和存储数据和/或指令114。对于一个实施例，存储器106可包括任意适当的易失性存储器，例如，适当的DRAM。一些可替代的实施方式中，存储器106可包括双倍数据速率类型四同步动态随机存取存储器。
对于一个实施例，控制模块104可包括多个输入/输出控制器，以向NVM/存储设备108及(多个)输入/输出设备110提供接口。
例如，NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如，闪存)和/或可包括任意适当的(多个)非易失性存储设备。
NVM/存储设备108可包括在物理上作为服务器100被安装在其上的设备的一部分的存储资源，或者其可被该设备访问可不必作为该设备的一部分。例如，NVM/存储设备108可结合网络经由(多个)输入/输出设备110进行访问。
(多个)输入/输出设备110可为服务器100提供接口以与任意其它适当的设备通信，输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为服务器100提供接口以依据多个网络通信，服务器100可基于多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的多个组件进行无线通信，例如接入依据通信标准的无线网络，如WiFi、2G、3G、4G、5G等，或它们的组合进行无线通信。
对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器(例如，存储器控制器模块)的逻辑封装在一起。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑封装在一起以形成系统级封装。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上。对于一个实施例，(多个)处理器102中的一个或多个可与控制模块104的多个控制器的逻辑集成在同一模具上以形成片上系统。
在各个实施例中，服务器100可以但不限于是：台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中，服务器100可具有更多或更少的组件和/或不同的架构。例如，一些可替代的实施方式中，服务器100包括多个摄像机、键盘、液晶显示器屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路和扬声器。
以上对本申请进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (8)

1.一种基于机器学习的物联网数据处理方法，其特征在于，应用于服务器，所述方法包括：
获取目标用户的候选物联网互动事件和模板物联网互动事件，基于先验有向网络结构提取所述候选物联网互动事件对应的候选有向关系网络以及所述模板物联网互动事件对应的模板有向关系网络；所述候选有向关系网络包括候选物联网互动节点，所述模板有向关系网络包括模板物联网互动节点，所述候选物联网互动节点和所述模板物联网互动节点对应于所述先验有向网络结构中的物联网互动节点，所述物联网互动节点用于表征物联网功能互动过程中的一个互动行为词条；
基于所述候选物联网互动节点和所述模板物联网互动节点，确定所述候选有向关系网络对应的候选有向关系矢量集和所述模板有向关系网络对应的模板有向关系矢量集；
基于所述候选有向关系矢量集和所述模板有向关系矢量集，生成所述候选有向关系网络和所述模板有向关系网络之间的网络匹配参数；所述网络匹配参数表征所述候选物联网互动事件与所述模板物联网互动事件之间的互动路径相关性；
基于所述候选有向关系网络和所述模板有向关系网络之间的网络匹配参数，对所述目标用户进行物联网内容信息推送；
所述基于所述候选物联网互动节点和所述模板物联网互动节点，确定所述候选有向关系网络对应的候选有向关系矢量集和所述模板有向关系网络对应的模板有向关系矢量集，包括：
基于所述候选物联网互动节点在所述候选有向关系网络中的节点关联特征，确定所述候选物联网互动节点对应的第一参考互动功能主题内容特征；
将所述第一参考互动功能主题内容特征加载到自注意力机器学习模型，基于所述自注意力机器学习模型对所述第一参考互动功能主题内容特征进行自注意力特征提取，确定所述第一参考互动功能主题内容特征对应的候选自注意力特征；
基于所述模板物联网互动节点在所述模板有向关系网络中的节点关联特征，确定所述模板物联网互动节点对应的第二参考互动功能主题内容特征；
将所述第二参考互动功能主题内容特征加载到所述自注意力机器学习模型，基于所述自注意力机器学习模型对所述第二参考互动功能主题内容特征进行自注意力特征提取，确定所述第二参考互动功能主题内容特征对应的模板自注意力特征；
基于所述候选自注意力特征和所述模板自注意力特征，确定所述候选有向关系网络对应的候选有向关系矢量集；
基于所述候选自注意力特征和所述模板自注意力特征，确定所述模板有向关系网络对应的模板有向关系矢量集；
所述候选物联网互动节点包括K个，所述模板物联网互动节点包括X个，K和X均为正整数；
所述基于所述候选自注意力特征和所述模板自注意力特征，确定所述候选有向关系网络对应的候选有向关系矢量集，包括：
获取K个候选物联网互动节点中的候选物联网互动节点nx，获取所述候选物联网互动节点nx对应的X个第一会话因子；x为不大于K的正整数；
确定所述候选物联网互动节点nx分别与X个模板物联网互动节点所对应的模板自注意力特征之间的第一特征对比损失，基于所述X个第一会话因子和X个第一特征对比损失确定所述候选物联网互动节点nx对应的第一协作特征fx；
对所述K个候选物联网互动节点各自对应的候选自注意力特征进行融合，生成所述候选有向关系网络对应的目标自注意力特征；
对所述K个候选物联网互动节点各自对应的第一协作特征进行融合，生成所述K个候选物联网互动节点在所述模板有向关系网络中的第一协作阵列；
将所述第一协作阵列降维输出为目标协作特征，对所述目标自注意力特征和所述目标协作特征进行融合，生成所述候选有向关系网络对应的候选有向关系矢量集。
2.根据权利要求1所述的基于机器学习的物联网数据处理方法，其特征在于，所述基于先验有向网络结构提取所述候选物联网互动事件对应的候选有向关系网络以及所述模板物联网互动事件对应的模板有向关系网络，包括：
获取所述先验有向网络结构，在所述先验有向网络结构中搜索与所述候选物联网互动事件关联的候选物联网互动节点，基于所述候选物联网互动节点构建所述候选物联网互动事件对应的候选有向关系网络；所述候选物联网互动节点分别在所述候选有向关系网络和所述先验有向网络结构中的节点关联特征一致；
在所述先验有向网络结构中搜索与所述模板物联网互动事件关联的模板物联网互动节点，基于所述模板物联网互动节点构建所述模板物联网互动事件对应的模板有向关系网络；所述模板物联网互动节点分别在所述模板有向关系网络和所述先验有向网络结构中的节点关联特征一致。
3.根据权利要求2所述的基于机器学习的物联网数据处理方法，其特征在于，所述候选物联网互动节点包括K个；
所述在所述先验有向网络结构中搜索与所述候选物联网互动事件关联的候选物联网互动节点，基于所述候选物联网互动节点构建所述候选物联网互动事件对应的候选有向关系网络，包括：
对所述候选物联网互动事件进行行为解析，生成所述候选物联网互动事件对应的多个功能互动行为；
获取每个功能互动行为分别与所述先验有向网络结构中的物联网互动节点之间的内容关联度，将所述内容关联度大于设定关联度的物联网互动节点，确定为与所述候选物联网互动事件关联的K个候选物联网互动节点；
获取所述K个候选物联网互动节点中的各个组合候选物联网互动节点；
如果所述各个组合候选物联网互动节点在所述先验有向网络结构中具有关联的节点联系链路，则基于所述K个候选物联网互动节点以及所述各个组合候选物联网互动节点之间的节点联系链路，确定所述候选物联网互动事件对应的候选有向关系网络；
如果所述各个组合候选物联网互动节点在所述先验有向网络结构中不具有关联的节点联系链路，则在所述先验有向网络结构中获取所述各个组合候选物联网互动节点之间的最小代价搜索路线，基于所述K个候选物联网互动节点以及所述最小代价搜索路线中涵盖的物联网互动节点和节点联系链路，确定所述候选物联网互动事件对应的候选有向关系网络。
4.根据权利要求1所述的基于机器学习的物联网数据处理方法，其特征在于，所述自注意力机器学习模型包括第一模型功能参数单元和第二模型功能参数单元，所述第一模型功能参数单元和所述第二模型功能参数单元在所述自注意力机器学习模型中为级联功能参数单元；
所述基于所述自注意力机器学习模型对所述第一参考互动功能主题内容特征进行自注意力特征提取，确定所述第一参考互动功能主题内容特征对应的候选自注意力特征，包括：
获取所述候选物联网互动节点对应的顶点间关系二维数组，基于所述第一参考互动功能主题内容特征、所述顶点间关系二维数组以及所述自注意力机器学习模型中加载功能参数单元对应的权重阵列，确定所述第一模型功能参数单元对应的第一潜在权重参数阵列；
基于所述第一潜在权重参数阵列和所述第一模型功能参数单元对应的权重阵列，确定所述第二模型功能参数单元对应的第二潜在权重参数阵列；
获取所述自注意力机器学习模型中的自注意力层，基于所述自注意力层确定所述第一潜在权重参数阵列和所述第二潜在权重参数阵列各自对应的自注意力系数；
基于所述自注意力系数、所述第一潜在权重参数阵列以及所述第二潜在权重参数阵列，生成所述第一参考互动功能主题内容特征对应的候选自注意力特征。
5.根据权利要求1所述的基于机器学习的物联网数据处理方法，其特征在于，所述候选物联网互动节点包括K个，所述模板物联网互动节点包括X个，K和X均为正整数；
所述基于所述候选自注意力特征和所述模板自注意力特征，确定所述模板有向关系网络对应的模板有向关系矢量集，包括：
获取X个模板物联网互动节点中的模板物联网互动节点nr，获取所述模板物联网互动节点nr对应的K个第二会话因子；r为不大于X的正整数；
确定所述模板物联网互动节点nr分别与K个候选物联网互动节点所对应的候选自注意力特征之间的第二特征对比损失，基于所述K个第二会话因子和K个第二特征对比损失确定所述模板物联网互动节点nr对应的第二协作特征er；
对所述X个模板物联网互动节点各自对应的模板自注意力特征进行融合，生成所述模板有向关系网络对应的模板自注意力特征；
对所述X个模板物联网互动节点各自对应的第二协作特征进行融合，生成所述X个模板物联网互动节点在所述候选有向关系网络中的第二协作阵列；
将所述第二协作阵列降维输出为模板协作特征，对所述模板自注意力特征和所述模板协作特征进行融合，生成所述模板有向关系网络对应的模板有向关系矢量集。
6.根据权利要求1所述的基于机器学习的物联网数据处理方法，其特征在于，所述模板物联网互动事件包括多个，一个模板物联网互动事件对应一个模板有向关系网络；
所述基于所述候选有向关系网络和所述模板有向关系网络之间的网络匹配参数，对所述目标用户进行物联网内容信息推送的步骤，包括：
基于所述候选有向关系网络与多个模板有向关系网络之间的网络匹配参数，将最大的网络匹配参数所对应的模板有向关系网络确定为匹配有向关系网络；
在多个模板物联网互动事件中，将所述匹配有向关系网络对应的模板物联网互动事件输出为所述候选物联网互动事件对应的匹配模板物联网互动事件；
获取所述匹配模板物联网互动事件所对应的标注需求数据，并基于所述匹配模板物联网互动事件所对应的标注需求数据向所述目标用户推送对应的物联网内容信息。
7.一种基于机器学习的物联网数据处理装置，其特征在于，应用于服务器，所述装置包括：
提取模块，用于获取目标用户的候选物联网互动事件和模板物联网互动事件，基于先验有向网络结构提取所述候选物联网互动事件对应的候选有向关系网络以及所述模板物联网互动事件对应的模板有向关系网络；所述候选有向关系网络包括候选物联网互动节点，所述模板有向关系网络包括模板物联网互动节点，所述候选物联网互动节点和所述模板物联网互动节点对应于所述先验有向网络结构中的物联网互动节点，所述物联网互动节点用于表征物联网功能互动过程中的一个互动行为词条；
确定模块，用于基于所述候选物联网互动节点和所述模板物联网互动节点，确定所述候选有向关系网络对应的候选有向关系矢量集和所述模板有向关系网络对应的模板有向关系矢量集；
生成模块，用于基于所述候选有向关系矢量集和所述模板有向关系矢量集，生成所述候选有向关系网络和所述模板有向关系网络之间的网络匹配参数；所述网络匹配参数表征所述候选物联网互动事件与所述模板物联网互动事件之间的互动路径相关性；
推送模块，用于基于所述候选有向关系网络和所述模板有向关系网络之间的网络匹配参数，对所述目标用户进行物联网内容信息推送；
所述基于所述候选物联网互动节点和所述模板物联网互动节点，确定所述候选有向关系网络对应的候选有向关系矢量集和所述模板有向关系网络对应的模板有向关系矢量集，包括：
基于所述候选物联网互动节点在所述候选有向关系网络中的节点关联特征，确定所述候选物联网互动节点对应的第一参考互动功能主题内容特征；
将所述第一参考互动功能主题内容特征加载到自注意力机器学习模型，基于所述自注意力机器学习模型对所述第一参考互动功能主题内容特征进行自注意力特征提取，确定所述第一参考互动功能主题内容特征对应的候选自注意力特征；
基于所述模板物联网互动节点在所述模板有向关系网络中的节点关联特征，确定所述模板物联网互动节点对应的第二参考互动功能主题内容特征；
将所述第二参考互动功能主题内容特征加载到所述自注意力机器学习模型，基于所述自注意力机器学习模型对所述第二参考互动功能主题内容特征进行自注意力特征提取，确定所述第二参考互动功能主题内容特征对应的模板自注意力特征；
基于所述候选自注意力特征和所述模板自注意力特征，确定所述候选有向关系网络对应的候选有向关系矢量集；
基于所述候选自注意力特征和所述模板自注意力特征，确定所述模板有向关系网络对应的模板有向关系矢量集；
所述候选物联网互动节点包括K个，所述模板物联网互动节点包括X个，K和X均为正整数；
所述基于所述候选自注意力特征和所述模板自注意力特征，确定所述候选有向关系网络对应的候选有向关系矢量集，包括：
获取K个候选物联网互动节点中的候选物联网互动节点nx，获取所述候选物联网互动节点nx对应的X个第一会话因子；x为不大于K的正整数；
确定所述候选物联网互动节点nx分别与X个模板物联网互动节点所对应的模板自注意力特征之间的第一特征对比损失，基于所述X个第一会话因子和X个第一特征对比损失确定所述候选物联网互动节点nx对应的第一协作特征fx；
对所述K个候选物联网互动节点各自对应的候选自注意力特征进行融合，生成所述候选有向关系网络对应的目标自注意力特征；
对所述K个候选物联网互动节点各自对应的第一协作特征进行融合，生成所述K个候选物联网互动节点在所述模板有向关系网络中的第一协作阵列；
将所述第一协作阵列降维输出为目标协作特征，对所述目标自注意力特征和所述目标协作特征进行融合，生成所述候选有向关系网络对应的候选有向关系矢量集。
8.一种服务器，其特征在于，所述服务器包括处理器和机器可读存储介质，该机器可读存储介质中存储有机器可执行指令，该机器可执行指令由该处理器加载并执行以实现权利要求1-6中任意一项所述的基于机器学习的物联网数据处理方法。
CN202311130517.8A 2023-09-04 2023-09-04 基于机器学习的物联网数据处理方法、装置及服务器 Active CN116881851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311130517.8A CN116881851B (zh) 2023-09-04 2023-09-04 基于机器学习的物联网数据处理方法、装置及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311130517.8A CN116881851B (zh) 2023-09-04 2023-09-04 基于机器学习的物联网数据处理方法、装置及服务器

Publications (2)

Publication Number Publication Date
CN116881851A CN116881851A (zh) 2023-10-13
CN116881851B true CN116881851B (zh) 2023-12-19

Family

ID=88260793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311130517.8A Active CN116881851B (zh) 2023-09-04 2023-09-04 基于机器学习的物联网数据处理方法、装置及服务器

Country Status (1)

Country Link
CN (1) CN116881851B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112148979A (zh) * 2020-09-27 2020-12-29 北京百度网讯科技有限公司 事件关联用户的识别方法、装置、电子设备和存储介质
CN112446462A (zh) * 2019-08-30 2021-03-05 华为技术有限公司 目标神经网络模型的生成方法和装置
CN115238165A (zh) * 2021-04-23 2022-10-25 上海市教育人才交流服务中心 基于机器学习的信息推送方法及装置、存储介质、终端
CN115270003A (zh) * 2022-09-27 2022-11-01 创域智能(常熟)网联科技有限公司 一种基于物联网平台行为数据挖掘的信息推荐方法及系统
CN115587220A (zh) * 2022-11-02 2023-01-10 拉扎斯网络科技（上海）有限公司 基于图学习的统一知识建模方法和装置、电子设备
CN115733728A (zh) * 2021-08-31 2023-03-03 瞻博网络公司 通过网络范围故障的检测来标识故障的根本原因
CN115733705A (zh) * 2022-11-08 2023-03-03 深圳绿米联创科技有限公司 基于空间的信息处理方法、装置、电子设备及存储介质
CN116150425A (zh) * 2021-11-19 2023-05-23 腾讯科技（深圳）有限公司 推荐内容的选择方法、装置、设备、存储介质及程序产品
CN116401462A (zh) * 2023-05-04 2023-07-07 苏州喜丽安贸易有限公司 应用于数字化共享的互动数据分析方法及系统
CN116450783A (zh) * 2022-11-24 2023-07-18 中国人民解放军国防科技大学 面向篇章级的事件抽取方法、系统、存储介质和电子设备
CN116506498A (zh) * 2023-04-20 2023-07-28 南通智亦诚信息科技有限公司 一种基于云计算的数据精准推送方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9652688B2 (en) * 2014-11-26 2017-05-16 Captricity, Inc. Analyzing content of digital images
US10754334B2 (en) * 2016-05-09 2020-08-25 Strong Force Iot Portfolio 2016, Llc Methods and systems for industrial internet of things data collection for process adjustment in an upstream oil and gas environment

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446462A (zh) * 2019-08-30 2021-03-05 华为技术有限公司 目标神经网络模型的生成方法和装置
CN112148979A (zh) * 2020-09-27 2020-12-29 北京百度网讯科技有限公司 事件关联用户的识别方法、装置、电子设备和存储介质
CN115238165A (zh) * 2021-04-23 2022-10-25 上海市教育人才交流服务中心 基于机器学习的信息推送方法及装置、存储介质、终端
CN115733728A (zh) * 2021-08-31 2023-03-03 瞻博网络公司 通过网络范围故障的检测来标识故障的根本原因
CN116150425A (zh) * 2021-11-19 2023-05-23 腾讯科技（深圳）有限公司 推荐内容的选择方法、装置、设备、存储介质及程序产品
CN115270003A (zh) * 2022-09-27 2022-11-01 创域智能(常熟)网联科技有限公司 一种基于物联网平台行为数据挖掘的信息推荐方法及系统
CN115587220A (zh) * 2022-11-02 2023-01-10 拉扎斯网络科技（上海）有限公司 基于图学习的统一知识建模方法和装置、电子设备
CN115733705A (zh) * 2022-11-08 2023-03-03 深圳绿米联创科技有限公司 基于空间的信息处理方法、装置、电子设备及存储介质
CN116450783A (zh) * 2022-11-24 2023-07-18 中国人民解放军国防科技大学 面向篇章级的事件抽取方法、系统、存储介质和电子设备
CN116506498A (zh) * 2023-04-20 2023-07-28 南通智亦诚信息科技有限公司 一种基于云计算的数据精准推送方法
CN116401462A (zh) * 2023-05-04 2023-07-07 苏州喜丽安贸易有限公司 应用于数字化共享的互动数据分析方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"电影大数据关键技术与发展策略";刘达 等;《学术视野》;第117-121页 *

Also Published As

Publication number Publication date
CN116881851A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN111340237B (zh) 数据处理和模型运行方法、装置和计算机设备
CN109543200B (zh) 一种文本翻译方法及装置
Hajarian Matrix GPBiCG algorithms for solving the general coupled matrix equations
CN115270003B (zh) 一种基于物联网平台行为数据挖掘的信息推荐方法及系统
Nie et al. Joint capped norms minimization for robust matrix recovery
CN110009486B (zh) 一种欺诈检测的方法、系统、设备及计算机可读存储介质
CN111193603B (zh) 网络架构的生成方法、装置、可读存储介质和计算机设备
CN114896454B (zh) 一种基于标签分析的短视频数据推荐方法及系统
CN107807841B (zh) 服务器模拟方法、装置、设备及可读存储介质
WO2023226947A1 (zh) 端云协同推荐系统、方法以及电子设备
CN116881851B (zh) 基于机器学习的物联网数据处理方法、装置及服务器
WO2023202543A1 (zh) 文字处理方法、装置、电子设备及存储介质
CN114549849A (zh) 图像识别方法、装置、计算机设备和存储介质
CN117149967A (zh) 应答生成方法、装置、服务器和计算机可读存储介质
CN116542673A (zh) 应用于机器学习的欺诈行为识别方法及系统
CN116050410A (zh) 基于数字在线会话服务的大数据分析方法及深度学习系统
CN111598093A (zh) 图片中文字的结构化信息生成方法、装置、设备及介质
CN116030375A (zh) 视频特征提取、模型训练方法、装置、设备及存储介质
CN115617636A (zh) 一种分布式性能测试系统
CN106301906B (zh) 基于分布式系统的对象配置方法及装置
CN115293252A (zh) 信息分类的方法、装置、设备和介质
WO2022105120A1 (zh) 图片文字检测方法、装置、计算机设备及存储介质
CN113691403A (zh) 拓扑节点配置方法、相关装置及计算机程序产品
CN117792800B (zh) 一种基于物联网安全评估系统的信息验证方法及系统
CN116578334B (zh) 基于配置化的用户在线动态对接方法及系统

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
TR01 Transfer of patent right

Effective date of registration: 20240109

Address after: No. 1, 7th Floor, Building 12, No. 1388, Middle Section of Tianfu Avenue, High tech Zone, Chengdu City, Sichuan Province, 610000

Patentee after: Sichuan Everything Technology Co.,Ltd.

Address before: No. 303-7, 3rd Floor, Building 12, No. 38 Jinke South Road, Jinniu High tech Industrial Park, Chengdu, Sichuan Province, 610000

Patentee before: Chengdu Silent Communication Technology Co.,Ltd.

TR01 Transfer of patent right