CN117056628A - 一种数据展示方法、装置、设备及其存储介质 - Google Patents
一种数据展示方法、装置、设备及其存储介质 Download PDFInfo
- Publication number
- CN117056628A CN117056628A CN202311037418.5A CN202311037418A CN117056628A CN 117056628 A CN117056628 A CN 117056628A CN 202311037418 A CN202311037418 A CN 202311037418A CN 117056628 A CN117056628 A CN 117056628A
- Authority
- CN
- China
- Prior art keywords
- data
- user
- model
- content optimization
- target
- 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 45
- 238000005457 optimization Methods 0.000 claims abstract description 198
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 230000006399 behavior Effects 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 230000002776 aggregation Effects 0.000 claims description 27
- 238000004220 aggregation Methods 0.000 claims description 27
- 238000012512 characterization method Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000013136 deep learning model Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008719 thickening Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static 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
- G06F16/9577—Optimising the visualization of content, e.g. distillation of HTML documents
-
- 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
- G06F16/90—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
- G06F16/9538—Presentation of query results
-
- 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
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请实施例属于金融科技技术领域，应用于金融保单数据根据不同的审阅人员进行分类突出展示场景中，涉及一种数据展示方法、装置、设备及其存储介质，包括通过联邦学习和FedAvg聚合算法，对不同类别的用户分别训练内容优化模型，使得在展示同一文本数据时，根据不同类别的用户的身份信息，分别提取不同的展示焦点数据，对于不同类别的用户可根据不同的焦点数据在对应的浏览器页面分别进行数据个性化展示。便于结合数据查看人员的身份信息突出展示焦点数据，便于查看和分析。通过采用差分隐私以及同态加密技术对所述所有训练成功的内容优化子模型对应的输出结果分别进行加密处理，保证了在向服务端发送浏览行为数据时，数据浏览的隐私性和安全性。
Description
技术领域
本申请涉及金融科技技术领域，应用于金融保单数据根据不同的审阅人员进行分类突出展示场景中，尤其涉及一种数据展示方法、装置、设备及其存储介质。
背景技术
随着金融行业信息化水平的发展、大数据时代来临，金融产业类公司的金融数据逐渐增多。以金融保险或者金融银行业务为例，在与金融客户达成意向约定后，往往需要向客户出示电子版或者纸质打印版的合约内容。
以保险机构和保险客户为例，由于审阅者身份的不同，保险机构里的法律顾问和保险客户对于同一份保险合同，在进行审阅和核查时，往往关注的数据焦点不同，例如法律顾问往往关注保险条款里是否存在表达漏洞，或者有哪些保险条款的表述存在权利义务方面的歧义，其审阅时出发点是规避一定的法律或者保险风险，而保险客户一般关注的数据焦点是客户自身的信息录入是否正确，其审阅的出发点是查看录入的个人信息是否正确。如果对同一份保险合同，无论审阅者的身份，都采用一种展示方法，则存在无法突出重点数据的问题，而如果盲目设定重点数据，也会导致业务变得复杂化。因此，现有技术还缺乏一种数据展示方法，存在无法将同一份保险文本数据分别个性化的展示给不同身份的查看者的问题。
发明内容
本申请实施例的目的在于提出一种数据展示方法、装置、设备及其存储介质，以解决现有技术还缺乏一种数据展示方法，存在无法将同一份保险文本数据分别个性化的展示给不同身份的查看者的问题。
为了解决上述技术问题，本申请实施例提供数据展示方法，采用了如下所述的技术方案：
一种数据展示方法，包括下述步骤：
获取待展示文档中的全量数据以及待展示对象，其中，所述待展示对象包括第一用户以及第二用户；
分别将所述第一用户和所述第二用户设为目标用户；
通过浏览器脚本收集目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间；
根据目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间，构建目标用户对应的浏览行为表征数据；
基于目标用户对应的浏览行为表征数据，训练目标用户对应的内容优化模型；
将所述全量数据发送到所述第一用户和所述第二用户分别对应的内容优化模型中；
获取从所述第一用户对应的内容优化模型中输出的第一优化数据；
获取从所述第二用户对应的内容优化模型中输出的第二优化数据；
将所述第一优化数据展示到第一浏览器页面，供所述第一用户进行查看；
将所述第二优化数据展示到第二浏览器页面，供所述第二用户进行查看。
为了解决上述技术问题，本申请实施例还提供数据展示装置，采用了如下所述的技术方案：
一种数据展示装置，包括：
文档数据获取模块，用于获取待展示文档中的全量数据以及待展示对象，其中，所述待展示对象包括第一用户以及第二用户；
目标用户设定模块，用于分别将所述第一用户和所述第二用户设为目标用户；
浏览行为数据获取模块，用于通过浏览器脚本收集目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间；
浏览行为表征数据构建模块，用于根据目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间，构建目标用户对应的浏览行为表征数据；
内容优化模型训练模块，用于基于目标用户对应的浏览行为表征数据，训练目标用户对应的内容优化模型；
文档数据发送模块，用于将所述全量数据发送到所述第一用户和所述第二用户分别对应的内容优化模型中；
第一优化数据获取模块，用于获取从所述第一用户对应的内容优化模型中输出的第一优化数据；
第二优化数据获取模块，用于获取从所述第二用户对应的内容优化模型中输出的第二优化数据；
第一展示模块，用于将所述第一优化数据展示到第一浏览器页面，供所述第一用户进行查看；
第二展示模块，用于将所述第二优化数据展示到第二浏览器页面，供所述第二用户进行查看。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述所述的数据展示方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的数据展示方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例所述数据展示方法，通过获取待展示文档中的全量数据；将所述全量数据发送到第一用户和第二用户分别对应的内容优化模型中；获取从所述第一用户对应的内容优化模型中输出的第一优化数据；获取从所述第二用户对应的内容优化模型中输出的第二优化数据；将所述第一优化数据展示到第一浏览器页面，供所述第一用户进行查看；将所述第二优化数据展示到第二浏览器页面，供所述第二用户进行查看。通过采用联邦学习算法和FedAvg聚合算法，对不同类别的用户分别训练内容优化模型，使得在展示同一文本数据时，根据不同类别的用户的身份信息，分别提取不同的展示焦点数据，对于不同类别的用户可根据不同的焦点数据在对应的浏览器页面分别进行数据个性化展示。便于结合数据查看人员的身份信息突出展示焦点数据，便于查看和分析。通过采用差分隐私以及同态加密技术对所述所有训练成功的内容优化子模型对应的输出结果分别进行加密处理，保证了在向服务端发送浏览行为数据时，数据浏览的隐私性和安全性。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的数据展示方法的一个实施例的流程图；
图3是图2所示步骤205的一个具体实施例的流程图；
图4是图3所示步骤301的一个具体实施例的流程图；
图5是图3所示步骤302的一个具体实施例的流程图；
图6是图3所示步骤303的一个具体实施例的流程图；
图7是图3所示步骤307的一个具体实施例的流程图；
图8是根据本申请的数据展示装置的一个实施例的结构示意图；
图9是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的数据展示方法一般由服务器/终端设备执行，相应地，数据展示装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的数据展示方法的一个实施例的流程图。所述的数据展示方法，包括以下步骤：
步骤201，获取待展示文档中的全量数据以及待展示对象，其中，所述待展示对象包括第一用户以及第二用户。
本实施例中，所述待展示文档中的全量数据，可以为同一份保险合同中的数据内容，也可以为双方交易凭证中的交易信息内容，或者，一份待审核的税务报表数据。
以上述同一份保险合同为例，法律顾问和保险客户两者由于身份的不同，所关注的同一份保险合同中的数据焦点内容也会存在差异性；同理，以双方交易凭证中的交易信息内容为例，由于交易双方所对应的责任义务存在不同，交易双方关注的交易凭证中的焦点数据也存在不同；同理，对于一份待审核的税务报表数据，税务报表的提供方和税务报表的审核方所关注的焦点数据也存在不同。
步骤202，分别将所述第一用户和所述第二用户设为目标用户。
步骤203，通过浏览器脚本收集目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间。
本实施例中，通过浏览器脚本收集目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间，此外，还可以包括收集目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的标注数据，这里停顿时间和标注数据都是为了对用户浏览行为进行分析。
继续以上述保险合同为例，假设所述第一用户为保险客户的法律顾问，所述第二用户为保险客户，其中，所述保险客户为签订保险合同的主体。由于保险客户与其法律顾问存在身份上的不同，因此，再对同一保险合同进行审阅时，该法律顾问关注的焦点数据往往在保险合同条款上，而所述保险客户关注的焦点数据往往在个人信息、保额等内容上。
假设此时第一用户，即所述法律顾问为目标用户，通过浏览器脚本收集所述法律顾问在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间；根据所述法律顾问在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间，构建所述法律顾问对应的浏览行为表征数据；基于所述法律顾问对应的浏览行为表征数据，训练所述法律顾问对应的内容优化模型。
假设此时第二用户，即所述保险客户为目标用户，通过浏览器脚本收集所述保险客户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间；根据所述保险客户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间，构建所述保险客户对应的浏览行为表征数据；基于所述保险客户对应的浏览行为表征数据，训练所述保险客户对应的内容优化模型。
步骤204，根据目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间，构建目标用户对应的浏览行为表征数据。
步骤205，基于目标用户对应的浏览行为表征数据，训练目标用户对应的内容优化模型。
继续参考图3，图3是图2所示步骤205的一个具体实施例的流程图，包括：
步骤301，获取目标用户对应的浏览行为表征数据，并将所述浏览行为表征数据输入进本地客户端内置的浏览行为分析模型内，对目标用户进行浏览行为分析，获取目标用户对应的浏览行为分析结果；
继续以上述保险合同为例，假设所述第一用户为保险客户的法律顾问，所述第二用户为保险客户，目标客户为法律顾问或者保险客户时，显然，对应的浏览行为分析结果也会存在差异，即对于同一份保险合同，在查看时，法律顾问和保险客户在浏览每行历史数据内容时的停顿时间上存在不同。
继续参考图4，图4是图3所示步骤301的一个具体实施例的流程图，包括：
步骤401，获取目标用户对应的浏览行为表征数据；
步骤402，通过所述浏览行为分析模型，获取所述目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间；
步骤403，根据所述目标用户分别浏览每行历史数据内容时的停顿时间，构建每行历史数据内容与其对应停顿时间之间的关联对照图谱；
步骤404，通过所述浏览行为分析模型，输出所述关联对照图谱作为所述浏览行为分析结果。
步骤302，根据目标用户对应的浏览行为分析结果，识别出目标用户浏览的焦点数据；
同理，继续以上述保险合同为例，目标客户为法律顾问或者保险客户时，其浏览的焦点数据存在差异。因此，法律顾问和保险客户所对应的关联对照图谱不同。
继续参考图5，图5是图3所示步骤302的一个具体实施例的流程图，包括：
步骤501，通过所述关联对照图谱，识别出所述目标用户分别浏览每行历史数据内容时的停顿时间；
步骤502，将所述目标用户分别浏览每行历史数据内容时的停顿时间与预设的停顿时间阈值进行对比，获取所述目标用户分别浏览每行历史数据内容时的停顿时间与预设的停顿时间阈值间的大小关系；
步骤503，若所述目标用户在浏览当前行历史数据内容时的停顿时间大于所述预设的停顿时间阈值，则所述当前行历史数据内容为焦点数据；
步骤504，若所述目标用户在浏览当前行历史数据内容时的停顿时间不大于所述预设的停顿时间阈值，则所述当前行历史数据内容为非焦点数据。
步骤303，根据目标用户浏览的焦点数据，在本地客户端训练目标用户对应的内容优化子模型；
继续参考图6，图6是图3所示步骤303的一个具体实施例的流程图，包括：
步骤601，获取所述目标用户浏览的所有焦点数据；
步骤602，通过DOM解析方式，获得不同焦点数据在对应浏览器页面中的位置信息；
步骤603，根据所有焦点数据以及不同焦点数据在对应浏览器页面中的位置信息构建训练数据对；
步骤604，将所述训练数据对输入到预设的内容优化子模型，通过所述内容优化子模型和预设的词频算法，分析出所有焦点数据包含的各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息，并输出所述各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息作为所述内容优化子模型的输出结果，其中，所述预设的内容优化子模型为基于CNN神经网络架构的深度学习模型；
本实施例中，所述预设的词频算法，指将所述所有焦点数据为数据文本域，识别出所有焦点数据中包含的各个词语，计算各个词语的词频，根据各个词语对应的词频大小，筛选出各个浏览关键词，具体的，所述词频算法可以为TF-IDF算法。
步骤605，若所述内容优化子模型的输出结果为空值，则所述内容优化子模型训练失败；
步骤606，若所述内容优化子模型的输出结果不为空值，则所述内容优化子模型训练成功。
由于采用基于CNN神经网络架构的深度学习模型训练目标用户对应的内容优化子模型，理想状态下，就是模型训练成功，目标用户对应有训练完成的内容优化子模型，但是，也存在非理想状态下模型训练失败的情况，由于采用联邦学习算法进行综合模型训练，所以并不要求每个用户在客户端都具备训练成功的内容优化子模型，只需要多个用户都能训练出成功的内容优化子模型，后续在服务端进行模型整合，获取目标内容优化模型即可。
步骤304，根据预设的身份信息表，识别目标用户的身份信息，其中，所述身份信息表中包括所述第一用户的身份信息和所述第二用户的身份信息；
步骤305，以目标用户的身份信息为检索字段，从全部用户中筛选出N个与目标用户具备相同身份信息的用户，构建相似用户集，其中，N为正整数；
具体的，假设所述目标用户为法律顾问，执行步骤305，即从全部用户中筛选出N个法律顾问；假设所述目标用户为保险客户，执行步骤305，即从全部用户中筛选出N个保险客户。
步骤306，从所述相似用户集中依次选择不同用户作为目标用户，并重复执行步骤301至步骤303，在本地客户端训练所述相似用户集中所有用户分别对应的内容优化子模型；
具体的，假设所述相似用户集为法律顾问集，执行步骤306，即在不同法律顾问的本地客户端分别训练出不同法律顾问对应的内容优化子模型；同理，假设所述相似用户集为保险客户集，执行步骤306，即在不同保险客户的本地客户端分别训练出不同保险客户对应的内容优化子模型。
步骤307，获取所有训练成功的内容优化子模型，并采用联邦学习算法对所述所有训练成功的内容优化子模型进行综合优化，获得目标内容优化模型；
继续参考图7，图7是图3所示步骤307的一个具体实施例的流程图，包括：
步骤701，获取所有训练成功的内容优化子模型对应的输出结果；
步骤702，将所述所有训练成功的内容优化子模型对应的输出结果从不同的客户端发送到统一的目标服务端；
本实施例中，在执行所述将所述所有训练成功的内容优化子模型对应的输出结果从不同的客户端发送到统一的目标服务端的步骤之前，所述方法还包括：采用差分隐私以及同态加密技术对所述所有训练成功的内容优化子模型对应的输出结果分别进行加密处理，获取每个输出结果对应的加密结果，其中，在对不同内容优化子模型对应的输出结果进行加密处理时，所使用的差分隐私算法一致，所使用的同态加密算法也一致。
本实施例中，所述将所述所有训练成功的内容优化子模型对应的输出结果从不同的客户端发送到统一的目标服务端的步骤，具体包括：将所述每个输出结果对应的加密结果作为传输数据；将不同客户端对应的传输数据发送到统一的目标服务端。
通过采用差分隐私以及同态加密技术对所述所有训练成功的内容优化子模型对应的输出结果分别进行加密处理，保证了在向服务端发送浏览行为数据时，数据浏览的隐私性和安全性。其中，差分隐私是为了保证数据被用于研究或分析的同时，不会造成数据泄露，同态加密是为了保证加密之后依然可以对数据进行对比计算。
步骤703，在所述目标服务端，采用联邦学习算法中预设的聚合策略，聚合所有训练成功的内容优化子模型对应的输出结果，获得目标输出结果，其中，所述预设的聚合策略为FedAvg聚合算法；
FedAvg聚合算法，即随机选择若干个客户端的输出结果，对所述若干个客户端的输出结果进行计算以获得全局输出结果，同时用当前全局模型替换所有客户端对应的子模型。
步骤704，通过解析所述目标输出结果，获得所述目标输出结果中包含的各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息；
步骤705，将所述目标输出结果中包含的各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息作为模型配置参数信息，构建出目标内容优化模型。
通过采用联邦学习算法对所述所有训练成功的内容优化子模型进行综合优化，获得目标内容优化模型，即获取到同类用户所对应的综合性的内容优化模型，无论前期筛选出的同类用户是否训练出内容优化子模型，都统一下发所述目标内容优化模型的模型配置参数信息，更新所有同类用户在客户端的内容优化模型，保证了同类用户具备相同配置的内容优化模型，且结合了同类用户的浏览共性行为，模型整合更加科学化。
步骤308，获取所述目标内容优化模型的模型配置参数信息，将所述模型配置参数信息通过服务控制台下发给与目标用户具备相同身份信息的所有用户的客户端，并根据所述模型配置参数信息在与目标用户具备相同身份信息的所有用户的客户端设置所述目标内容优化模型。
步骤206，将所述全量数据发送到所述第一用户和所述第二用户分别对应的内容优化模型中。
步骤207，获取从所述第一用户对应的内容优化模型中输出的第一优化数据。
本实施例中，所述第一用户对应的内容优化模型，可以在内容优化模型中对所述第一用户对应的焦点数据进行提示色、缩放、加粗以及倾斜处理，其目的主要是对焦点数据进行优化，使得所述第一用户能够简单的识别出焦点数据，更加便于第一用户进行查看和分析焦点数据，所述进行提示色、缩放、加粗以及倾斜处理后的焦点数据即所述第一优化数据。
步骤208，获取从所述第二用户对应的内容优化模型中输出的第二优化数据。
同理，所述第二用户对应的内容优化模型，可以在内容优化模型中对所述第二用户对应的焦点数据进行提示色、缩放、加粗以及倾斜处理，其目的主要是对焦点数据进行优化，使得所述第二用户能够简单的识别出焦点数据，更加便于第二用户进行查看和分析焦点数据，所述进行提示色、缩放、加粗以及倾斜处理后的焦点数据即所述第二优化数据。
步骤209，将所述第一优化数据展示到第一浏览器页面，供所述第一用户进行查看。
步骤210，将所述第二优化数据展示到第二浏览器页面，供所述第二用户进行查看。
通过采用联邦学习算法和FedAvg聚合算法，对不同类别的用户分别训练内容优化模型，使得在展示同一文本数据时，根据不同类别的用户的身份信息，分别提取不同的展示焦点数据，对于不同类别的用户可根据不同的焦点数据在对应的浏览器页面分别进行数据个性化展示。便于结合数据查看人员的身份信息突出展示焦点数据，便于查看和分析。
本申请通过获取待展示文档中的全量数据；将所述全量数据发送到第一用户和第二用户分别对应的内容优化模型中；获取从所述第一用户对应的内容优化模型中输出的第一优化数据；获取从所述第二用户对应的内容优化模型中输出的第二优化数据；将所述第一优化数据展示到第一浏览器页面，供所述第一用户进行查看；将所述第二优化数据展示到第二浏览器页面，供所述第二用户进行查看。通过采用联邦学习算法和FedAvg聚合算法，对不同类别的用户分别训练内容优化模型，使得在展示同一文本数据时，根据不同类别的用户的身份信息，分别提取不同的展示焦点数据，对于不同类别的用户可根据不同的焦点数据在对应的浏览器页面分别进行数据个性化展示。便于结合数据查看人员的身份信息突出展示焦点数据，便于查看和分析。通过采用差分隐私以及同态加密技术对所述所有训练成功的内容优化子模型对应的输出结果分别进行加密处理，保证了在向服务端发送浏览行为数据时，数据浏览的隐私性和安全性。
本申请实施例可以基于人工智能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。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例中，通过采用联邦学习算法和FedAvg聚合算法，对不同类别的用户分别训练内容优化模型，使得在展示同一文本数据时，根据不同类别的用户的身份信息，分别提取不同的展示焦点数据，对于不同类别的用户可根据不同的焦点数据在对应的浏览器页面分别进行数据个性化展示。便于结合数据查看人员的身份信息突出展示焦点数据，便于查看和分析。通过采用差分隐私以及同态加密技术对所述所有训练成功的内容优化子模型对应的输出结果分别进行加密处理，保证了在向服务端发送浏览行为数据时，数据浏览的隐私性和安全性。
进一步参考图8，作为对上述图2所示方法的实现，本申请提供了数据展示装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图8所示，本实施例所述的数据展示装置800包括：文档数据获取模块801、目标用户设定模块802、浏览行为数据获取模块803、浏览行为表征数据构建模块804、内容优化模型训练模块805、文档数据发送模块806、第一优化数据获取模块807、第二优化数据获取模块808、第一展示模块809和第二展示模块810。其中：
文档数据获取模块801，用于获取待展示文档中的全量数据以及待展示对象，其中，所述待展示对象包括第一用户以及第二用户；
目标用户设定模块802，用于分别将所述第一用户和所述第二用户设为目标用户；
浏览行为数据获取模块803，用于通过浏览器脚本收集目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间；
浏览行为表征数据构建模块804，用于根据目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间，构建目标用户对应的浏览行为表征数据；
内容优化模型训练模块805，用于基于目标用户对应的浏览行为表征数据，训练目标用户对应的内容优化模型；
文档数据发送模块806，用于将所述全量数据发送到所述第一用户和所述第二用户分别对应的内容优化模型中；
第一优化数据获取模块807，用于获取从所述第一用户对应的内容优化模型中输出的第一优化数据；
第二优化数据获取模块808，用于获取从所述第二用户对应的内容优化模型中输出的第二优化数据；
第一展示模块809，用于将所述第一优化数据展示到第一浏览器页面，供所述第一用户进行查看；
第二展示模块810，用于将所述第二优化数据展示到第二浏览器页面，供所述第二用户进行查看。
在本申请的一些具体实施方式中，所述的数据展示装置800还包括内容优化子模型训练模块，所述的内容优化子模型训练模块，用于获取所述目标用户浏览的所有焦点数据，还用于通过DOM解析方式，获得不同焦点数据在对应浏览器页面中的位置信息，还用于根据所有焦点数据以及不同焦点数据在对应浏览器页面中的位置信息构建训练数据对，还用于将所述训练数据对输入到预设的内容优化子模型，通过所述内容优化子模型和预设的词频算法，分析出所有焦点数据包含的各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息，并输出所述各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息作为所述内容优化子模型的输出结果，其中，所述预设的内容优化子模型为基于CNN神经网络架构的深度学习模型，还用于若所述内容优化子模型的输出结果为空值，则所述内容优化子模型训练失败，还用于若所述内容优化子模型的输出结果不为空值，则所述内容优化子模型训练成功。
在本申请的一些具体实施方式中，所述的数据展示装置800还包括内容优化子模型整合模块，所述的内容优化子模型整合模块，用于获取所有训练成功的内容优化子模型，并采用联邦学习算法对所述所有训练成功的内容优化子模型进行综合优化，获得目标内容优化模型，具体的，获取所有训练成功的内容优化子模型对应的输出结果，将所述所有训练成功的内容优化子模型对应的输出结果从不同的客户端发送到统一的目标服务端，在所述目标服务端，采用联邦学习算法中预设的聚合策略，聚合所有训练成功的内容优化子模型对应的输出结果，获得目标输出结果，其中，所述预设的聚合策略为FedAvg聚合算法，通过解析所述目标输出结果，获得所述目标输出结果中包含的各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息，将所述目标输出结果中包含的各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息作为模型配置参数信息，构建出目标内容优化模型。
本申请通过获取待展示文档中的全量数据；将所述全量数据发送到第一用户和第二用户分别对应的内容优化模型中；获取从所述第一用户对应的内容优化模型中输出的第一优化数据；获取从所述第二用户对应的内容优化模型中输出的第二优化数据；将所述第一优化数据展示到第一浏览器页面，供所述第一用户进行查看；将所述第二优化数据展示到第二浏览器页面，供所述第二用户进行查看。通过采用联邦学习算法和FedAvg聚合算法，对不同类别的用户分别训练内容优化模型，使得在展示同一文本数据时，根据不同类别的用户的身份信息，分别提取不同的展示焦点数据，对于不同类别的用户可根据不同的焦点数据在对应的浏览器页面分别进行数据个性化展示。便于结合数据查看人员的身份信息突出展示焦点数据，便于查看和分析。通过采用差分隐私以及同态加密技术对所述所有训练成功的内容优化子模型对应的输出结果分别进行加密处理，保证了在向服务端发送浏览行为数据时，数据浏览的隐私性和安全性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图9，图9为本实施例计算机设备基本结构框图。
所述计算机设备9包括通过系统总线相互通信连接存储器9a、处理器9b、网络接口9c。需要指出的是，图中仅示出了具有组件9a-9c的计算机设备9，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field －Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器9a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、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器9a可以是所述计算机设备9的内部存储单元，例如该计算机设备9的硬盘或内存。在另一些实施例中，所述存储器9a也可以是所述计算机设备9的外部存储设备，例如该计算机设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器9a还可以既包括所述计算机设备9的内部存储单元也包括其外部存储设备。本实施例中，所述存储器9a通常用于存储安装于所述计算机设备9的操作系统和各类应用软件，例如一种数据展示方法的计算机可读指令等。此外，所述存储器9a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器9b在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器9b通常用于控制所述计算机设备9的总体操作。本实施例中，所述处理器9b用于运行所述存储器9a中存储的计算机可读指令或者处理数据，例如运行所述数据展示方法的计算机可读指令。
所述网络接口9c可包括无线网络接口或有线网络接口，该网络接口9c通常用于在所述计算机设备9与其他电子设备之间建立通信连接。
本实施例提出的计算机设备，属于金融科技技术领域，应用于金融保单数据根据不同的审阅人员进行分类突出展示场景中。本申请通过获取待展示文档中的全量数据；将所述全量数据发送到第一用户和第二用户分别对应的内容优化模型中；获取从所述第一用户对应的内容优化模型中输出的第一优化数据；获取从所述第二用户对应的内容优化模型中输出的第二优化数据；将所述第一优化数据展示到第一浏览器页面，供所述第一用户进行查看；将所述第二优化数据展示到第二浏览器页面，供所述第二用户进行查看。通过采用联邦学习算法和FedAvg聚合算法，对不同类别的用户分别训练内容优化模型，使得在展示同一文本数据时，根据不同类别的用户的身份信息，分别提取不同的展示焦点数据，对于不同类别的用户可根据不同的焦点数据在对应的浏览器页面分别进行数据个性化展示。便于结合数据查看人员的身份信息突出展示焦点数据，便于查看和分析。通过采用差分隐私以及同态加密技术对所述所有训练成功的内容优化子模型对应的输出结果分别进行加密处理，保证了在向服务端发送浏览行为数据时，数据浏览的隐私性和安全性。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被处理器执行，以使所述处理器执行如上述的数据展示方法的步骤。
本实施例提出的计算机可读存储介质，属于金融科技技术领域，应用于金融保单数据根据不同的审阅人员进行分类突出展示场景中。本申请通过获取待展示文档中的全量数据；将所述全量数据发送到第一用户和第二用户分别对应的内容优化模型中；获取从所述第一用户对应的内容优化模型中输出的第一优化数据；获取从所述第二用户对应的内容优化模型中输出的第二优化数据；将所述第一优化数据展示到第一浏览器页面，供所述第一用户进行查看；将所述第二优化数据展示到第二浏览器页面，供所述第二用户进行查看。通过采用联邦学习算法和FedAvg聚合算法，对不同类别的用户分别训练内容优化模型，使得在展示同一文本数据时，根据不同类别的用户的身份信息，分别提取不同的展示焦点数据，对于不同类别的用户可根据不同的焦点数据在对应的浏览器页面分别进行数据个性化展示。便于结合数据查看人员的身份信息突出展示焦点数据，便于查看和分析。通过采用差分隐私以及同态加密技术对所述所有训练成功的内容优化子模型对应的输出结果分别进行加密处理，保证了在向服务端发送浏览行为数据时，数据浏览的隐私性和安全性。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可
以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种数据展示方法，其特征在于，包括下述步骤：
获取待展示文档中的全量数据以及待展示对象，其中，所述待展示对象包括第一用户以及第二用户；
分别将所述第一用户和所述第二用户设为目标用户；
通过浏览器脚本收集目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间；
根据目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间，构建目标用户对应的浏览行为表征数据；
基于目标用户对应的浏览行为表征数据，训练目标用户对应的内容优化模型；
将所述全量数据发送到所述第一用户和所述第二用户分别对应的内容优化模型中；
获取从所述第一用户对应的内容优化模型中输出的第一优化数据；
获取从所述第二用户对应的内容优化模型中输出的第二优化数据；
将所述第一优化数据展示到第一浏览器页面，供所述第一用户进行查看；
将所述第二优化数据展示到第二浏览器页面，供所述第二用户进行查看。
2.根据权利要求1所述的数据展示方法，其特征在于，所述基于目标用户对应的浏览行为表征数据，训练目标用户对应的内容优化模型的步骤，具体包括：
步骤301，获取目标用户对应的浏览行为表征数据，并将所述浏览行为表征数据输入进本地客户端内置的浏览行为分析模型内，对目标用户进行浏览行为分析，获取目标用户对应的浏览行为分析结果；
步骤302，根据目标用户对应的浏览行为分析结果，识别出目标用户浏览的焦点数据；
步骤303，根据目标用户浏览的焦点数据，在本地客户端训练目标用户对应的内容优化子模型；
步骤304，根据预设的身份信息表，识别目标用户的身份信息，其中，所述身份信息表中包括所述第一用户的身份信息和所述第二用户的身份信息；
步骤305，以目标用户的身份信息为检索字段，从全部用户中筛选出N个与目标用户具备相同身份信息的用户，构建相似用户集，其中，N为正整数；
步骤306，从所述相似用户集中依次选择不同用户作为目标用户，并重复执行步骤301至步骤303，在本地客户端训练所述相似用户集中所有用户分别对应的内容优化子模型；
步骤307，获取所有训练成功的内容优化子模型，并采用联邦学习算法对所述所有训练成功的内容优化子模型进行综合优化，获得目标内容优化模型；
步骤308，获取所述目标内容优化模型的模型配置参数信息，将所述模型配置参数信息通过服务控制台下发给与目标用户具备相同身份信息的所有用户的客户端，并根据所述模型配置参数信息在与目标用户具备相同身份信息的所有用户的客户端设置所述目标内容优化模型。
3.根据权利要求2所述的数据展示方法，其特征在于，所述获取目标用户对应的浏览行为表征数据，并将所述浏览行为表征数据输入进本地客户端内置的浏览行为分析模型内，对目标用户进行浏览行为分析，获取目标用户对应的浏览行为分析结果的步骤，具体包括：
获取目标用户对应的浏览行为表征数据；
通过所述浏览行为分析模型，获取所述目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间；
根据所述目标用户分别浏览每行历史数据内容时的停顿时间，构建每行历史数据内容与其对应停顿时间之间的关联对照图谱；
通过所述浏览行为分析模型，输出所述关联对照图谱作为所述浏览行为分析结果；
所述根据目标用户对应的浏览行为分析结果，识别出目标用户浏览的焦点数据的步骤，具体包括：
通过所述关联对照图谱，识别出所述目标用户分别浏览每行历史数据内容时的停顿时间；
将所述目标用户分别浏览每行历史数据内容时的停顿时间与预设的停顿时间阈值进行对比，获取所述目标用户分别浏览每行历史数据内容时的停顿时间与预设的停顿时间阈值间的大小关系；
若所述目标用户在浏览当前行历史数据内容时的停顿时间大于所述预设的停顿时间阈值，则所述当前行历史数据内容为焦点数据；
若所述目标用户在浏览当前行历史数据内容时的停顿时间不大于所述预设的停顿时间阈值，则所述当前行历史数据内容为非焦点数据。
4.根据权利要求2所述的数据展示方法，其特征在于，所述根据目标用户浏览的焦点数据，在本地客户端训练目标用户对应的内容优化子模型的步骤，具体包括：
获取所述目标用户浏览的所有焦点数据；
通过DOM解析方式，获得不同焦点数据在对应浏览器页面中的位置信息；
根据所有焦点数据以及不同焦点数据在对应浏览器页面中的位置信息构建训练数据对；
将所述训练数据对输入到预设的内容优化子模型，通过所述内容优化子模型和预设的词频算法，分析出所有焦点数据包含的各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息，并输出所述各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息作为所述内容优化子模型的输出结果，其中，所述预设的内容优化子模型为基于CNN神经网络架构的深度学习模型；
若所述内容优化子模型的输出结果为空值，则所述内容优化子模型训练失败；
若所述内容优化子模型的输出结果不为空值，则所述内容优化子模型训练成功。
5.根据权利要求2所述的数据展示方法，其特征在于，所述获取所有训练成功的内容优化子模型，并采用联邦学习算法对所述所有训练成功的内容优化子模型进行综合优化，获得目标内容优化模型的步骤，具体包括：
获取所有训练成功的内容优化子模型对应的输出结果；
将所述所有训练成功的内容优化子模型对应的输出结果从不同的客户端发送到统一的目标服务端；
在所述目标服务端，采用联邦学习算法中预设的聚合策略，聚合所有训练成功的内容优化子模型对应的输出结果，获得目标输出结果，其中，所述预设的聚合策略为FedAvg聚合算法；
通过解析所述目标输出结果，获得所述目标输出结果中包含的各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息；
将所述目标输出结果中包含的各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息作为模型配置参数信息，构建出目标内容优化模型。
6.根据权利要求5所述的数据展示方法，其特征在于，在执行所述将所述所有训练成功的内容优化子模型对应的输出结果从不同的客户端发送到统一的目标服务端的步骤之前，所述方法还包括：
采用差分隐私以及同态加密技术对所述所有训练成功的内容优化子模型对应的输出结果分别进行加密处理，获取每个输出结果对应的加密结果，其中，在对不同内容优化子模型对应的输出结果进行加密处理时，所使用的差分隐私算法一致，所使用的同态加密算法也一致；
所述将所述所有训练成功的内容优化子模型对应的输出结果从不同的客户端发送到统一的目标服务端的步骤，具体包括：
将所述每个输出结果对应的加密结果作为传输数据；
将不同客户端对应的传输数据发送到统一的目标服务端。
7.一种数据展示装置，其特征在于，包括：
文档数据获取模块，用于获取待展示文档中的全量数据以及待展示对象，其中，所述待展示对象包括第一用户以及第二用户；
目标用户设定模块，用于分别将所述第一用户和所述第二用户设为目标用户；
浏览行为数据获取模块，用于通过浏览器脚本收集目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间；
浏览行为表征数据构建模块，用于根据目标用户在对应浏览器页面浏览的历史数据内容以及分别浏览每行历史数据内容时的停顿时间，构建目标用户对应的浏览行为表征数据；
内容优化模型训练模块，用于基于目标用户对应的浏览行为表征数据，训练目标用户对应的内容优化模型；
文档数据发送模块，用于将所述全量数据发送到所述第一用户和所述第二用户分别对应的内容优化模型中；
第一优化数据获取模块，用于获取从所述第一用户对应的内容优化模型中输出的第一优化数据；
第二优化数据获取模块，用于获取从所述第二用户对应的内容优化模型中输出的第二优化数据；
第一展示模块，用于将所述第一优化数据展示到第一浏览器页面，供所述第一用户进行查看；
第二展示模块，用于将所述第二优化数据展示到第二浏览器页面，供所述第二用户进行查看。
8.根据权利要求7所述的数据展示装置，其特征在于，所述的数据展示装置还包括内容优化子模型训练模块和内容优化子模型整合模块，其中：
内容优化子模型训练模块，用于获取所述目标用户浏览的所有焦点数据，还用于通过DOM解析方式，获得不同焦点数据在对应浏览器页面中的位置信息，还用于根据所有焦点数据以及不同焦点数据在对应浏览器页面中的位置信息构建训练数据对，还用于将所述训练数据对输入到预设的内容优化子模型，通过所述内容优化子模型和预设的词频算法，分析出所有焦点数据包含的各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息，并输出所述各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息作为所述内容优化子模型的输出结果，其中，所述预设的内容优化子模型为基于CNN神经网络架构的深度学习模型，还用于若所述内容优化子模型的输出结果为空值，则所述内容优化子模型训练失败，还用于若所述内容优化子模型的输出结果不为空值，则所述内容优化子模型训练成功；
内容优化子模型整合模块，用于获取所有训练成功的内容优化子模型，并采用联邦学习算法对所述所有训练成功的内容优化子模型进行综合优化，获得目标内容优化模型，具体的，获取所有训练成功的内容优化子模型对应的输出结果，将所述所有训练成功的内容优化子模型对应的输出结果从不同的客户端发送到统一的目标服务端，在所述目标服务端，采用联邦学习算法中预设的聚合策略，聚合所有训练成功的内容优化子模型对应的输出结果，获得目标输出结果，其中，所述预设的聚合策略为FedAvg聚合算法，通过解析所述目标输出结果，获得所述目标输出结果中包含的各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息，将所述目标输出结果中包含的各个浏览关键词以及各个浏览关键词在浏览器页面中的位置信息作为模型配置参数信息，构建出目标内容优化模型。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的数据展示方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的数据展示方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311037418.5A CN117056628A (zh) | 2023-08-16 | 2023-08-16 | 一种数据展示方法、装置、设备及其存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311037418.5A CN117056628A (zh) | 2023-08-16 | 2023-08-16 | 一种数据展示方法、装置、设备及其存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117056628A true CN117056628A (zh) | 2023-11-14 |
Family
ID=88654883
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311037418.5A Pending CN117056628A (zh) | 2023-08-16 | 2023-08-16 | 一种数据展示方法、装置、设备及其存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117056628A (zh) |
-
2023
- 2023-08-16 CN CN202311037418.5A patent/CN117056628A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112863683B (zh) | 基于人工智能的病历质控方法、装置、计算机设备及存储介质 | |
| CN110569377A (zh) | 一种媒体文件的处理方法和装置 | |
| CN117522538A (zh) | 招投标信息处理方法、装置、计算机设备及存储介质 | |
| CN117234505A (zh) | 一种交互页面生成方法、装置、设备及其存储介质 | |
| CN117034230A (zh) | 一种数据校验方法、装置、设备及其存储介质 | |
| CN117114901A (zh) | 基于人工智能的投保数据处理方法、装置、设备及介质 | |
| CN116701593A (zh) | 基于GraphQL的中文问答模型训练方法及其相关设备 | |
| CN117009670A (zh) | 基于用户画像的综合推荐方法、装置、设备及存储介质 | |
| CN116796730A (zh) | 基于人工智能的文本纠错方法、装置、设备及存储介质 | |
| CN117056628A (zh) | 一种数据展示方法、装置、设备及其存储介质 | |
| CN110879868A (zh) | 顾问方案生成方法、装置、系统、电子设备及介质 | |
| CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
| CN116737437A (zh) | 数据分析方法、装置、计算机设备及存储介质 | |
| CN118227491A (zh) | 测试用例的生成方法、装置、计算机设备及存储介质 | |
| CN117251799A (zh) | 一种财务凭证处理方法、装置、计算机设备及存储介质 | |
| CN117034173A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| CN117421207A (zh) | 智能评估影响点测试方法、装置、计算机设备及存储介质 | |
| CN117035851A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
| CN116643884A (zh) | 基于规则引擎的数据计算方法、装置、设备及存储介质 | |
| CN118261720A (zh) | 基于人工智能的产品分析方法、装置、设备及存储介质 | |
| CN117493563A (zh) | 一种会话意图分析方法、装置、设备及其存储介质 | |
| CN116860644A (zh) | 自动化测试方法、装置、计算机设备及存储介质 | |
| CN117788051A (zh) | 基于人工智能的客户偏好分析方法、装置、设备及介质 | |
| CN116822454A (zh) | 公式配置方法、装置、计算机设备及存储介质 | |
| CN117076775A (zh) | 资讯数据的处理方法、装置、计算机设备及存储介质 |
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 |