CN117112605A - 应用于可视化数据库的交互行为大数据挖掘方法及系统 - Google Patents

应用于可视化数据库的交互行为大数据挖掘方法及系统 Download PDF

Info

Publication number
CN117112605A
CN117112605A CN202311175878.4A CN202311175878A CN117112605A CN 117112605 A CN117112605 A CN 117112605A CN 202311175878 A CN202311175878 A CN 202311175878A CN 117112605 A CN117112605 A CN 117112605A
Authority
CN
China
Prior art keywords
image
database
knowledge
description
behavior
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
Application number
CN202311175878.4A
Other languages
English (en)
Inventor
刘芳
田梅华
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.)
Liu Fang
Original Assignee
Gansu Squirrel Education 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 Gansu Squirrel Education Technology Co ltd filed Critical Gansu Squirrel Education Technology Co ltd
Priority to CN202311175878.4A priority Critical patent/CN117112605A/zh
Publication of CN117112605A publication Critical patent/CN117112605A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2423—Interactive query statement specification based on a database schema
    • 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
    • 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
    • G06F16/26—Visual data mining; Browsing structured data
    • 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
    • G06N5/025—Extracting rules from data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及大数据、人工智能、可视化和数据库技术领域，提供一种应用于可视化数据库的交互行为大数据挖掘方法及系统。通过本发明，从多个关注面进行分析处理确定可视化操作偏好解析报告，可以提高可视化操作偏好解析报告的精度；而且，在图像描述变更处理时，将多个量化图像描述成员变更成联动的非量化图像描述成员，可以尽可能规避之后基于图像描述进行操作偏好解析时的误差累加，这样可以提高可视化操作偏好解析报告的精度和可信度，以便为可视化数据库的操作交互功能升级优化或者个性化操作界面定制提供决策依据。

Description

应用于可视化数据库的交互行为大数据挖掘方法及系统
技术领域
本发明涉及大数据、人工智能、可视化和数据库技术领域，特别涉及一种应用于可视化数据库的交互行为大数据挖掘方法及系统。
背景技术
GUI（Graphical User Interface，图形用户界面）技术的发展，其生动、友好的图形界面已经广泛应用于众多领域。在数据库（database）领域中，数据库设计者往往为好的数据定义而大费精力。同样，用户也要为严格、枯燥的数据操纵语言大伤脑经。为了解决上述问题，基于图形用户界面的可视化数据库（Visual database）系统构成了数据库发展的又一方向。
随着大数据（Big data）和人工智能（Artificial Intelligence）的不断成熟，可视化数据库系统所应对的交互任务数量和类型与日俱增，由于可视化数据库系统的一系列交互功能基于图形界面实现，因此用户在通过可视化数据库系统进行数据库交互使用时的操作行为数据也呈图像形式。为了实现可视化数据库系统的升级优化以进一步地提升可视化数据库系统的交互智能化程度，准确可靠地挖掘用户的操作行为偏好至关重要。
发明内容
本发明至少提供一种应用于可视化数据库的交互行为大数据挖掘方法及系统。
本发明的技术方案是通过如下至少部分实施例实现的。
一种应用于可视化数据库的交互行为大数据挖掘方法，应用于大数据解析系统，所述方法包括：
获取触发视觉交互行为解析机制的数据库操作行为图像记录；
对所述数据库操作行为图像记录进行图像描述子挖掘处理，得到所述数据库操作行为图像记录的图像小波描述子；其中，所述图像小波描述子中包含多个量化图像描述成员；
对所述图像小波描述子进行图像描述变更处理，将所述图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到所述图像小波描述子的联动操作行为描述知识；其中，所述联动操作行为描述知识包含多个不同关注面的非量化图像描述成员；
对所述联动操作行为描述知识分别进行知识分团操作，得到所述图像小波描述子的联动分团结果，所述联动分团结果包括所述多个不同关注面的分团结果；
对所述联动分团结果进行聚合解析操作，确定所述数据库操作行为图像记录的可视化操作偏好解析报告。
在一些示例实施例中，所述联动操作行为描述知识包括场景操作行为描述知识、事件操作行为描述知识和业务项目操作行为描述知识；其中，所述场景操作行为描述知识用于表征所述数据库操作行为图像记录所对应的交互场景，所述事件操作行为描述知识用于表征所述数据库操作行为图像记录的通信终端所匹配的行为事件，所述业务项目操作行为描述知识用于表征与所述场景和所述行为事件所匹配的数据库业务项目。
在一些示例实施例中，所述对所述联动操作行为描述知识分别进行知识分团操作，得到所述图像小波描述子的联动分团结果，包括：
对于目标关注面，采用第一AI学习算法对目标关注面操作行为描述知识进行处理，获取所述目标关注面操作行为描述知识的平均描述知识；其中，所述平均描述知识用于表征所述目标关注面操作行为描述知识在知识关系网中的平均定位变量；
采用第二AI学习算法对所述目标关注面操作行为描述知识进行处理，获取所述目标关注面操作行为描述知识的偏离描述知识；其中，所述偏离描述知识用于表征所述目标关注面操作行为描述知识在知识关系网中的偏离定位变量；
采用目标扰动特征对所述偏离描述知识进行扰动特征增添处理，得到处理后的偏离描述知识；
结合所述平均描述知识和所述处理后的偏离描述知识，确定所述目标关注面操作行为描述知识对应的拟分团操作行为描述知识；
对所述拟分团操作行为描述知识进行知识分团操作，得到所述图像小波描述子的目标关注面分团结果。
在一些示例实施例中，所述对所述联动分团结果进行聚合解析操作，确定所述数据库操作行为图像记录的可视化操作偏好解析报告之后，还包括：
根据所述可视化操作偏好解析报告，从数据库操作行为图像记录集中获取与所述可视化操作偏好解析报告所匹配的数据库界面优化案例作为备选数据库界面优化案例；
在所述备选数据库界面优化案例的个数为多个的情况下，获取各个所述备选数据库界面优化案例的优化反馈度量值；
从所述备选数据库界面优化案例中，挑选所述优化反馈度量值符合要求的备选数据库界面优化案例作为所述数据库操作行为图像记录对应的数据库界面优化案例。
在一些示例实施例中，所述方法通过可视化操作偏好解析网络实施，所述可视化操作偏好解析网络的调试步骤包括：
获取可视化操作偏好解析网络的最少一个调试学习信息，所述调试学习信息包括过往数据库操作行为图像记录和所述过往数据库操作行为图像记录对应的学习注释；
对所述过往数据库操作行为图像记录进行图像描述子挖掘处理，得到所述过往数据库操作行为图像记录的图像小波描述子；其中，所述图像小波描述子中包含多个量化图像描述成员；
对所述图像小波描述子进行图像描述变更处理，将所述图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到所述图像小波描述子的联动操作行为描述知识；其中，所述联动操作行为描述知识包含多个不同关注面的非量化图像描述成员；
对所述联动操作行为描述知识分别进行知识分团操作，得到所述图像小波描述子的联动分团结果，所述联动分团结果包括所述多个不同关注面的分团结果；
对所述联动分团结果进行聚合解析操作，确定所述过往数据库操作行为图像记录的可视化操作偏好解析报告；
结合所述联动分团结果、所述可视化操作偏好解析报告，以及所述过往数据库操作行为图像记录对应的学习注释，确定所述可视化操作偏好解析网络的网络学习代价变量；
结合所述网络学习代价变量对所述可视化操作偏好解析网络的网络配置参量进行改进。
在一些示例实施例中，所述联动分团结果包括场景分团结果、行为事件分团结果和数据库业务项目分团结果；
所述学习注释包括所述过往数据库操作行为图像记录对应的场景分团学习注释、行为事件分团学习注释和数据库业务项目分团学习注释，以及所述过往数据库操作行为图像记录对应的可视化操作偏好学习注释。
在一些示例实施例中，所述结合所述联动分团结果、所述可视化操作偏好解析报告，以及所述过往数据库操作行为图像记录对应的学习注释，确定所述可视化操作偏好解析网络的网络学习代价变量，包括：
结合所述场景分团结果、所述行为事件分团结果、所述数据库业务项目分团结果，结合所述场景分团学习注释、所述行为事件分团学习注释和所述数据库业务项目分团学习注释，确定所述可视化操作偏好解析网络对应的第一网络学习代价变量；其中，第一网络学习代价指标用作表征所述可视化操作偏好解析网络的联动分团结果的精度；
结合所述可视化操作偏好解析报告和所述可视化操作偏好学习注释，确定所述可视化操作偏好解析网络对应的第二网络学习代价变量；其中，第二网络学习代价指标用作表征所述可视化操作偏好解析网络的可视化操作偏好解析报告的精度；
结合所述第一网络学习代价变量和所述第二网络学习代价变量，确定所述可视化操作偏好解析网络的网络学习代价变量。
在一些示例实施例中，所述结合所述场景分团结果、所述行为事件分团结果、所述数据库业务项目分团结果，结合所述场景分团学习注释、所述行为事件分团学习注释和所述数据库业务项目分团学习注释，确定所述可视化操作偏好解析网络对应的第一网络学习代价变量，包括：
结合所述场景分团结果，结合所述场景分团学习注释、所述行为事件分团学习注释和所述数据库业务项目分团学习注释，确定所述可视化操作偏好解析网络中场景分团组件对应的网络学习代价变量；
结合所述行为事件分团结果，结合所述场景分团学习注释、所述行为事件分团学习注释和所述数据库业务项目分团学习注释，确定所述可视化操作偏好解析网络中行为事件分团组件对应的网络学习代价变量；
结合所述数据库业务项目分团结果，结合所述场景分团学习注释、所述行为事件分团学习注释和所述数据库业务项目分团学习注释，确定所述可视化操作偏好解析网络中数据库业务项目分团组件对应的网络学习代价变量；
根据所述场景分团组件对应的网络学习代价变量、所述行为事件分团组件对应的网络学习代价变量和所述数据库业务项目分团组件对应的网络学习代价变量，确定所述第一网络学习代价变量。
在一些示例实施例中，所述方法还包括：
基于设定处理策略，对所述可视化操作偏好学习注释进行分治操作，获取所述场景分团学习注释、所述行为事件分团学习注释和所述数据库业务项目分团学习注释。
在一些示例实施例中，所述可视化操作偏好解析网络包括：
图像描述子挖掘分支、场景特征挖掘分支、行为事件特征挖掘分支、数据库业务项目特征挖掘分支、第一AI学习算法、第二AI学习算法、扰动特征增添分支、场景分团组件、行为事件分团组件、数据库业务项目分团组件和聚合解析分支；
所述图像描述子挖掘分支用于对数据库操作行为图像记录进行图像描述子挖掘处理，获取所述数据库操作行为图像记录对应的图像小波描述子；所述图像小波描述子中包含多个量化图像描述成员；
所述场景特征挖掘分支用于对所述图像小波描述子进行场景特征变更处理，将所述图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到所述图像小波描述子的场景操作行为描述知识；其中，场景操作行为描述知识为非量化图像描述成员；
所述行为事件特征挖掘分支用于对所述图像小波描述子进行行为事件特征变更处理，将所述图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到所述图像小波描述子的事件操作行为描述知识；其中，事件操作行为描述知识为非量化图像描述成员；
所述数据库业务项目特征挖掘分支用于对所述图像小波描述子进行数据库业务项目特征变更处理，将所述图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到所述图像小波描述子的业务项目操作行为描述知识；其中，业务项目操作行为描述知识为非量化图像描述成员；
所述第一AI学习算法用于对多个关注面操作行为描述知识分别进行处理，获取所述多个关注面操作行为描述知识分别对应的平均描述知识；其中，所述平均描述知识用于表征关注面操作行为描述知识在知识关系网中的平均定位变量；
所述第二AI学习算法用于对多个关注面操作行为描述知识分别进行处理，获取所述多个关注面操作行为描述知识分别对应的偏离描述知识；
其中，所述偏离描述知识用于表征关注面操作行为描述知识在知识关系网中的偏离定位变量；所述扰动特征增添分支用于结合所述多个关注面操作行为描述知识分别对应的平均描述知识和偏离描述知识，增添目标扰动特征，确定所述多个关注面操作行为描述知识分别对应的拟分团操作行为描述知识；所述场景分团组件用于对场景关注面的拟分团操作行为描述知识进行知识分团操作，得到所述操作行为描述知识的场景关注面分团结果；所述行为事件分团组件用于对行为事件关注面的拟分团操作行为描述知识进行知识分团操作，得到所述操作行为描述知识的行为事件关注面分团结果；所述数据库业务项目分团组件用于对数据库业务项目关注面的拟分团操作行为描述知识进行知识分团操作，得到所述操作行为描述知识的数据库业务项目关注面分团结果；所述聚合解析分支用于将所述场景分团结果、所述行为事件分团结果和所述数据库业务项目分团结果进行增添，确定所述数据库操作行为图像记录的可视化操作偏好解析报告。
一种大数据解析系统，包括：处理器、存储器以及网络接口；所述处理器与所述存储器、所述网络接口相连；所述网络接口用于提供数据通信功能，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行上述方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行应用于可视化数据库的交互行为大数据挖掘方法。
一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时，实现应用于可视化数据库的交互行为大数据挖掘方法。
根据本发明的一个实施例，通过数据库操作行为图像记录的图像描述变更处理、联动知识分团操作，确定数据库操作行为图像记录的联动分团结果，进而将联动分团结果进行聚合解析操作，确定数据库操作行为图像记录的可视化操作偏好解析报告，从多个关注面进行分析处理确定可视化操作偏好解析报告，可以提高可视化操作偏好解析报告的精度；而且，在图像描述变更处理时，将多个量化图像描述成员变更成联动的非量化图像描述成员，可以尽可能规避之后基于图像描述进行操作偏好解析时的误差累加，这样可以提高可视化操作偏好解析报告的精度和可信度，以便为可视化数据库的操作交互功能升级优化或者个性化操作界面定制提供决策依据。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本发明的技术方案。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本发明的实施例，并与说明书一起用于说明本发明的技术方案。应当理解，以下附图仅示出了本发明的某些实施例，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，还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的一种大数据解析系统的示意图。
图2示出了本发明实施例所提供的一种应用于可视化数据库的交互行为大数据挖掘方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了本发明实施例所提供的一种大数据解析系统的示意图，大数据解析系统100包括处理器110、存储器120以及网络接口130。所述处理器110与所述存储器120、所述网络接口130相连。进一步地，所述网络接口130用于提供数据通信功能，所述存储器120用于存储程序代码，所述处理器110用于调用所述程序代码，以执行应用于可视化数据库的交互行为大数据挖掘方法。
图2是示出可以实现本发明的实施例的应用于可视化数据库的交互行为大数据挖掘方法的流程示意图，应用于可视化数据库的交互行为大数据挖掘方法可以通过图1所示的大数据解析系统100实现，该方法示例性地包括步骤STEP101-STEP105。
STEP101，获取触发视觉交互行为解析机制的数据库操作行为图像记录。
本发明实施例中，数据库操作行为图像记录可理解为数字客户端与数据库服务器交互所生成的一系列可视化操作行为数据，可视化操作行为数据包括但不限于点击操作行为数据、滑动操作行为数据、拖拽操作行为数据或者框选操作行为数据等。
进一步地，触发视觉交互行为解析机制的数据库操作行为图像记录可以理解为待分析的数据库操作行为图像记录。视觉交互行为解析机制可以基于数据库操作行为图像记录中的可视化操作行为数据的数量进行创建，也可以根据不同的数字客户端标识进行创建，还可以根据不同的数据库交互时段进行创建。
本发明实施例中，大数据解析系统在收集了数字客户端所对应的数据库操作行为图像记录之后，获取触发视觉交互行为解析机制的数据库操作行为图像记录，进而依据该数据库操作行为图像记录的可视化操作偏好解析报告确定可视化操作偏好。其中，可视化操作偏好可理解为数字客户端在访问可视化数据库时的操作习惯或者行为偏好等。例如，可视化操作偏好可以为“偏向点击操作”或者“偏向框选操作”等，还可以为针对某些特定功能的常用偏好等特征。在一些示例下，可视化操作偏好可以通过特征向量或者特征标签的形式进行记录。
又比如，大数据解析系统可以实时获得触发视觉交互行为解析机制的数据库操作行为图像记录，也可以按照获取周期获取以上触发视觉交互行为解析机制的数据库操作行为图像记录。大数据解析系统可以根据实际需求确定触发视觉交互行为解析机制的数据库操作行为图像记录的获得规则。
STEP102，对数据库操作行为图像记录进行图像描述子挖掘处理，得到数据库操作行为图像记录的图像小波描述子。
本发明实施例中，大数据解析系统在获取以上触发视觉交互行为解析机制的数据库操作行为图像记录之后，对该数据库操作行为图像记录进行图像描述子挖掘处理（可以理解为图像特征挖掘处理），得到该数据库操作行为图像记录的图像小波描述子。其中，该图像小波描述子中包含多个量化图像描述成员。
示例性的，小波描述子对畸变具有较强的鲁棒性，而且，可以在较少系数的情况下获取较高的图像描述精度，并支持多层次的分析，通过多层次的分析，达到由粗糙到精细的多个层次的描述。因此利用小波描述子来实现不同操作行为的特征表征，可以提高图像小波描述子的特征表征性能。进一步地，量化图像描述成员可以理解为离散的描述元素或者描述变量。
示例性的，大数据解析系统在获取数据库操作行为图像记录之后，对数据库操作行为图像记录进行图像描述子挖掘处理，获取该数据库操作行为图像记录所携带的操作行为描述细节，然后输出通过各个操作行为描述细节组成的图像小波描述子。此时，各个操作行为描述细节在图像小波描述子中为互不影响的、不连续的，即操作行为描述细节为量化图像描述成员。
在一些示例性设计思路下，大数据解析系统通过AI图像处理获取以上图像小波描述子。示例性地，大数据解析系统在获取以上数据库操作行为图像记录之后，对数据库操作行为图像记录进行图像块提取操作，获取数据库操作行为图像记录中的各个图像块，进而依据各个图像块的置信度，从挑选重要的图像块作为核心图像块，进而根据核心图像块确定数据库操作行为图像记录所携带的操作行为描述细节。其中，图像块的置信度是根据图像块的细节内容，以及图像块在的热度所确定的。
在另一些示例性设计思路下，大数据解析系统通过图像描述子挖掘算法获取以上图像小波描述子。示例性地，大数据解析系统在获取以上数据库操作行为图像记录之后，将该数据库操作行为图像记录加载到图像描述子挖掘算法，进而获取图像描述子挖掘算法所生成的图像小波描述子。
STEP103，对图像小波描述子进行图像描述变更处理，将图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到图像小波描述子的联动操作行为描述知识。
本发明实施例中，大数据解析系统在获取以上图像小波描述子之后，对该图像小波描述子进行图像描述变更处理，将图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到图像小波描述子的联动操作行为描述知识。
其中，以上联动操作行为描述知识包含多个不同关注面（不同维度）的非量化图像描述成员。示例性地，本发明实施例中，联动操作行为描述知识包括场景操作行为描述知识、事件操作行为描述知识和业务项目操作行为描述知识。基于此，联动操作行为描述知识可以理解为多维度的操作行为描述知识。
例如，非量化图像描述成员可以理解为连续的图像描述元素或者图像描述变量，图像描述变更处理可以理解为多维度的特征编码处理或者分类编码处理。
示例性地，本发明实施例中，大数据解析系统在获取以上图像小波描述子之后，采用场景特征挖掘分支（场景特征特征挖掘组件）对图像小波描述子从场景关注面进行图像描述变更处理，进而获取该场景特征挖掘分支所生成的场景操作行为描述知识。其中，场景操作行为描述知识用于表征数据库操作行为图像记录所对应的交互场景。举例而言，该交互场景可以为数据调用交互场景或者数据迁移交互场景等，还可以是数据共享交互场景。
示例性地，本发明实施例中，大数据解析系统在获取以上图像小波描述子之后，采用行为事件特征挖掘分支对图像小波描述子从行为事件关注面进行图像描述变更处理，进而获取该行为事件特征挖掘分支所生成的事件操作行为描述知识。其中，事件操作行为描述知识用于表征数据库操作行为图像记录的通信终端（即以上数字客户端）所匹配的行为事件。举例而言，该行为事件可以是以上数据库操作行为图像记录中包含的行为事件，比如页面点击事件、文件框选事件，基于此，后续所获取的对于数据库操作行为图像记录的可视化操作偏好解析报告中可以包含多个可视化操作偏好解析报告。
示例性地，本发明实施例中，大数据解析系统在获取以上图像小波描述子之后，采用数据库业务项目特征挖掘分支对图像小波描述子从数据库业务项目关注面进行图像描述变更处理，进而获取该数据库业务项目特征挖掘分支所生成的业务项目操作行为描述知识。其中，业务项目操作行为描述知识用于表征与以上交互场景和以上行为事件所匹配的数据库业务项目，该数据库业务项目的个数可以为一个或多个。举例而言，该数据库业务项目可以是以上数据库操作行为图像记录中包含的数据库业务项目，比如加密访问业务项目、身份认证调用项目等，基于此，后续所获取的对于数据库操作行为图像记录的可视化操作偏好解析报告中可以包含多个可视化操作偏好解析报告。
STEP104，对联动操作行为描述知识分别进行知识分团操作，得到图像小波描述子的联动分团结果。
本发明实施例中，大数据解析系统在获取以上联动操作行为描述知识之后，对该联动操作行为描述知识分别进行知识分团操作，得到图像小波描述子的联动分团结果。其中，该联动分团结果包含多个不同关注面的分团结果。
示例性地，与前述的联动操作行为描述知识相对应，联动分团结果中包括场景分团结果、行为事件分团结果和数据库业务项目分团结果。进一步地，知识分团操作可以理解为特征分类处理，这样可以得到不同维度的分类结果。
STEP105，对联动分团结果进行聚合解析操作，确定数据库操作行为图像记录的可视化操作偏好解析报告。
本发明实施例中，大数据解析系统在获取以上联动分团结果之后，对该联动分团结果进行聚合解析操作（聚合识别处理），确定数据库操作行为图像记录的可视化操作偏好解析报告。其中，该可视化操作偏好解析报告用于表征对于以上数据库操作行为图像记录的，数字客户端的可视化操作偏好。
示例性地，在以上联动分团结果中包括场景分团结果、行为事件分团结果和数据库业务项目分团结果的情况下，大数据解析系统对场景分团结果、行为事件分团结果和数据库业务项目分团结果进行增添解析操作，进而根据增添解析操作，确定数据库操作行为图像记录的可视化操作偏好解析报告。
可见，通过数据库操作行为图像记录的图像描述变更处理、联动知识分团操作，确定数据库操作行为图像记录的联动分团结果，进而将联动分团结果进行聚合解析操作，确定数据库操作行为图像记录的可视化操作偏好解析报告，从多个关注面进行分析处理确定可视化操作偏好解析报告，可以提高可视化操作偏好解析报告的精度；而且，在图像描述变更处理时，将多个量化图像描述成员变更成联动的非量化图像描述成员，可以尽可能规避之后基于图像描述进行操作偏好解析时的误差累加，这样可以提高可视化操作偏好解析报告的精度和可信度，以便为可视化数据库的操作交互功能升级优化或者个性化操作界面定制提供决策依据。
在一些示例下，以目标关注面（目标维度）为例，对目标关注面分团结果的获得规则进行说明。其中，该目标关注面可以为任意关注面，如以上的场景关注面、行为事件关注面、数据库业务项目关注面等。
在一些可能的设计思路下，以上STEP104包括如下内容：1）、对于目标关注面，采用第一AI学习算法，对目标关注面操作行为描述知识进行处理，获取目标关注面操作行为描述知识的平均描述知识；2）、采用第二AI学习算法，对目标关注面操作行为描述知识进行处理，获取目标关注面操作行为描述知识的偏离描述知识；3）、采用目标扰动特征对偏离描述知识进行扰动特征增添处理，得到处理后的偏离描述知识；4）、基于平均描述知识和处理后的偏离描述知识，确定目标关注面操作行为描述知识对应的拟分团操作行为描述知识；5）、对拟分团操作行为描述知识进行知识分团操作，得到图像小波描述子的目标关注面分团结果。
本发明实施例中，平均描述知识用于表征目标关注面操作行为描述知识在知识关系网中的平均定位变量。偏离描述知识用于表征目标关注面操作行为描述知识在知识关系网中的偏离定位变量。以目标关注面为例，本发明实施例中，大数据解析系统在获取目标关注面操作行为描述知识之后，采用第一AI学习算法（平均值确定算法），对目标关注面操作行为描述知识进行处理，获取目标关注面操作行为描述知识的平均描述知识，并采用第二AI学习算法（方差确定算法），对目标关注面操作行为描述知识进行处理，获取目标关注面操作行为描述知识的偏离描述知识。
进一步地，大数据解析系统采用目标扰动特征对偏离描述知识进行扰动特征增添处理，得到处理后的偏离描述知识，进一步地，基于以上平均描述知识和处理后的偏离描述知识，确定目标维度特征对应的拟分团操作行为描述知识，并对拟分团操作行为描述知识进行知识分团操作，得到图像小波描述子的目标关注面分团结果。其中，以上目标扰动特征可以是满足Gaussian distribution的任意扰动特征。
示例性地，大数据解析系统在对拟分团操作行为描述知识进行知识分团操作，对于不同关注面的拟分团操作行为描述知识，采用不同关注面的分团组件（分类器）进行知识分团操作。举例而言，对于场景关注面，大数据解析系统采用场景分团组件对场景关注面的拟分团操作行为描述知识进行知识分团操作，得到操作行为描述知识的场景分团结果；对于行为事件关注面，大数据解析系统采用行为事件分团组件对行为事件关注面的拟分团操作行为描述知识进行知识分团操作，得到操作行为描述知识的行为事件分团结果；对于数据库业务项目关注面，大数据解析系统采用数据库业务项目分团组件对数据库业务项目关注面的拟分团操作行为描述知识进行知识分团操作，得到操作行为描述知识的数据库业务项目分团结果。
本发明另一个实施例提供的应用于可视化数据库的交互行为大数据挖掘方法包括以下STEP201-STEP208。
STEP201，获取触发视觉交互行为解析机制的数据库操作行为图像记录。
STEP202，对数据库操作行为图像记录进行图像描述子挖掘处理，得到数据库操作行为图像记录的图像小波描述子。
STEP203，对图像小波描述子进行图像描述变更处理，将图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到图像小波描述子的联动操作行为描述知识。
STEP204，对联动操作行为描述知识分别进行知识分团操作，得到图像小波描述子的联动分团结果。
STEP205，对联动分团结果进行聚合解析操作，确定数据库操作行为图像记录的可视化操作偏好解析报告。
以上STEP201-STEP205与STEP101-STEP105相同。
STEP206，根据可视化操作偏好解析报告，从数据库操作行为图像记录集中获取与可视化操作偏好解析报告所匹配的数据库界面优化案例作为备选数据库界面优化案例。
本发明实施例中，大数据解析系统在获取以上可视化操作偏好解析报告之后，根据该可视化操作偏好解析报告，从数据库操作行为图像记录集中获取与该可视化操作偏好解析报告所匹配的数据库界面优化案例作为备选数据库界面优化案例。其中，数据库界面优化案例即为对于以上数据库操作行为图像记录的数据库界面优化参考，示例性地，大数据解析系统在获取数据库界面优化案例之后，根据数据库界面优化案例，结合可视化操作偏好解析报告进行针对性的可视化数据库的交互界面优化升级。
示例性地，以上数据库操作行为图像记录集中包括了各个可视化操作偏好解析报告对应的数据库界面优化案例。本发明实施例中，由于可视化操作偏好解析报告是根据场景分团结果、行为事件分团结果和数据库业务项目分团结果增添识别确定的，对应地，数据库操作行为图像记录集中以相同的关注面对可视化操作偏好解析报告的数据库界面优化案例进行记录。
举例而言，数据库操作行为图像记录集中记录了目标交互场景对应的数据库界面优化案例，该目标交互场景对应的数据库界面优化案例中包括直接对于该目标交互场景的数据库界面优化案例（在可视化操作偏好解析报告中难以包含表征准确的行为事件和数据库业务项目时应用），而且，在目标交互场景对应的数据库界面优化案例中，包含各个行为事件对应的数据库界面优化案例（在可视化操作偏好解析报告中精准表征交互场景和行为事件但难以精准表征数据库业务项目时应用），此外，对于目标行为事件对应的数据库界面优化案例，其中包含各个数据库业务项目对应的数据库界面优化案例（在可视化操作偏好解析报告中精准表征交互场景、行为事件和数据库业务项目时应用）；或者，数据库操作行为图像记录集中记录了目标行为事件对应的数据库界面优化案例，该目标行为事件对应的数据库界面优化案例中包括直接对于该目标行为事件的数据库界面优化案例（在可视化操作偏好解析报告中难以包含表征准确的交互场景和数据库业务项目时应用），而且，在目标行为事件对应的数据库界面优化案例中，包含各个交互场景对应的数据库界面优化案例（在可视化操作偏好解析报告中精准表征交互场景和行为事件但难以精准表征数据库业务项目时应用），此外，对于目标交互场景对应的数据库界面优化案例，其中包含各个数据库业务项目对应的数据库界面优化案例（在可视化操作偏好解析报告中精准表征交互场景、行为事件和数据库业务项目时应用）；或者，数据库操作行为图像记录集中记录了目标数据库业务项目对应的数据库界面优化案例，该目标数据库业务项目对应的数据库界面优化案例中包括直接对于该目标数据库业务项目的数据库界面优化案例（在可视化操作偏好解析报告中难以包含表征准确的交互场景和行为事件时应用），而且，在目标数据库业务项目对应的数据库界面优化案例中，包含各个交互场景对应的数据库界面优化案例（在可视化操作偏好解析报告中精准表征交互场景和数据库业务项目但难以精准表征行为事件时应用），此外，对于目标交互场景对应的数据库界面优化案例，其中包含各个行为事件对应的数据库界面优化案例（在可视化操作偏好解析报告中精准表征交互场景、行为事件和数据库业务项目时应用）。示例性地，大数据解析系统可以对每条数据库界面优化案例以“交互场景--行为事件--数据库业务项目”的方式进行记载，以此来实现数据库界面优化案例的检索，其中，若数据库界面优化案例不存在对应的交互场景，则以“无”来表示该交互场景，行为事件、数据库业务项目与交互场景类似。
STEP207，在备选数据库界面优化案例的个数为多个的情况下，获取各个备选数据库界面优化案例的优化反馈度量值。
本发明实施例中，大数据解析系统在获取以上备选数据库界面优化案例之后，基于该备选数据库界面优化案例的个数，确定对于该备选数据库界面优化案例的处理方式。其中，若备选数据库界面优化案例的个数唯一，则大数据解析系统直接将该备选数据库界面优化案例作为以上数据库操作行为图像记录对应的数据库界面优化案例；若备选数据库界面优化案例的个数为多个，则大数据解析系统获取各个备选数据库界面优化案例的优化反馈度量值（质量评价值），并基于该优化反馈度量值，从备选数据库界面优化案例中挑选数据库操作行为图像记录对应的数据库界面优化案例。
其中，优化反馈度量值用于表征数据库界面优化案例的优劣程度。示例性地，该优化反馈度量值至少包括如下一种：数据库界面优化案例的引用次数、数据库界面优化案例所包含的反馈观点、数据库界面优化案例的参考次数等。其中，数据库界面优化案例的引用次数可理解为数据库界面优化案例的浏览次数，以及数据库界面优化案例的参考次数之间的比例，反馈观点用于反映数据库界面优化案例的参考体验好坏等，参考次数可以理解为针对数据库界面优化案例中的部分优化方案的实际使用次数而非浏览次数。
STEP208，从备选数据库界面优化案例中，挑选优化反馈度量值符合要求的备选数据库界面优化案例作为数据库操作行为图像记录对应的数据库界面优化案例。
本发明实施例中，大数据解析系统在获取以上优化反馈度量值之后，从备选数据库界面优化案例中，挑选优化反馈度量值符合要求的备选数据库界面优化案例作为数据库操作行为图像记录对应的数据库界面优化案例。示例性地，以上要求可以是对于优化反馈度量值中的单一要求，也可以对于优化反馈度量值中的联合要求。
可见，通过可视化操作偏好解析报告获取数据库操作行为图像记录对应的数据库界面优化案例，可以为数据库界面优化提供参考，且依据各个备选数据库界面优化案例的优化反馈度量值挑选符合要求的数据库界面优化案例，保证数据库界面优化案例的适用性。
本发明一个实施例提供的可视化操作偏好解析网络的调试方法包括STEP301-STEP307。
STEP301，获取可视化操作偏好解析网络的最少一个调试学习信息。
可视化操作偏好解析网络可理解为通过数据库操作行为图像记录的图像小波描述子确定数据库操作行为图像记录的可视化操作偏好解析报告的残差网络。本发明实施例中，大数据解析系统在对可视化操作偏好解析网络进行调试之前，获取该可视化操作偏好解析网络的最少一个调试学习信息（训练样本）。其中，该调试学习信息包括过往数据库操作行为图像记录和过往数据库操作行为图像记录对应的学习注释（训练标签）。
STEP302，对过往数据库操作行为图像记录进行图像描述子挖掘处理，得到过往数据库操作行为图像记录的图像小波描述子。
本发明实施例中，大数据解析系统在获取以上过往数据库操作行为图像记录之后，对该过往数据库操作行为图像记录进行图像描述子挖掘处理，得到该过往数据库操作行为图像记录的图像小波描述子。其中，该图像小波描述子中包含多个量化图像描述成员。
示例性地，大数据解析系统通过可视化操作偏好解析网络中的图像描述子挖掘分支，对过往数据库操作行为图像记录进行图像描述子挖掘处理，进而获取图像描述子挖掘算法输出的图像小波描述子。
STEP303，对图像小波描述子进行图像描述变更处理，将图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到图像小波描述子的联动操作行为描述知识。
本发明实施例中，大数据解析系统在获取以上图像小波描述子之后，对该图像小波描述子进行图像描述变更处理，将图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到图像小波描述子的联动操作行为描述知识。其中，联动操作行为描述知识包含多个不同关注面的非量化图像描述成员。
示例性地，大数据解析系统通过可视化操作偏好解析网络中的，不同关注面的特征挖掘组件对图像小波描述子分别从不同关注面进行图像描述变更处理，进而分别获取不同关注面的特征挖掘组件所生成的多个不同关注面的非量化图像描述成员。
STEP304，对联动操作行为描述知识分别进行知识分团操作，得到图像小波描述子的联动分团结果。
本发明实施例中，大数据解析系统在获取以上联动操作行为描述知识之后，对该联动操作行为描述知识分别进行知识分团操作，得到图像小波描述子的联动分团结果。其中，联动分团结果包含多个不同关注面的分团结果。
示例性地，大数据解析系统在获取联动分团结果时，通过可视化操作偏好解析网络中的第一AI学习算法，对多个关注面操作行为描述知识分别进行处理，获取多个关注面操作行为描述知识分别对应的平均描述知识，并通过可视化操作偏好解析网络中的第二AI学习算法，对多个关注面操作行为描述知识分别进行处理，获取多个关注面操作行为描述知识分别对应的偏离描述知识。之后，通过可视化操作偏好解析网络中的扰动特征增添分支，基于多个关注面操作行为描述知识分别对应的平均描述知识和偏离描述知识，增添目标扰动特征，确定多个关注面操作行为描述知识分别对应的拟分团操作行为描述知识，进而通过可视化操作偏好解析网络中的，不同关注面的分团组件，分别对对应关注面的拟分团操作行为描述知识进行知识分团操作，获取以上联动分团结果。其中，以上平均描述知识用于表征某个关注面操作行为描述知识在知识关系网中的平均定位变量，以上偏离描述知识用于表征某个关注面操作行为描述知识在知识关系网中的偏离定位变量。
STEP305，对联动分团结果进行聚合解析操作，确定过往数据库操作行为图像记录的可视化操作偏好解析报告。
本发明实施例中，大数据解析系统在获取以上联动分团结果之后，对该联动分团结果进行聚合解析操作，确定过往数据库操作行为图像记录的可视化操作偏好解析报告。
示例性地，大数据解析系统通过可视化操作偏好解析网络中的聚合解析分支，对联动分团结果进行增添识别处理，确定过往数据库操作行为图像记录的可视化操作偏好解析报告。
STEP306，基于联动分团结果、可视化操作偏好解析报告，以及过往数据库操作行为图像记录对应的学习注释，确定可视化操作偏好解析网络的网络学习代价变量。
本发明实施例中，大数据解析系统基于以上联动分团结果、以上可视化操作偏好解析报告，以及以上过往数据库操作行为图像记录对应的学习注释，确定可视化操作偏好解析网络的网络学习代价变量。其中，网络学习代价（损失函数）用作表征可视化操作偏好解析网络的运行性能优劣。
STEP307，基于网络学习代价变量对可视化操作偏好解析网络的网络配置参量进行改进。
本发明实施例中，大数据解析系统在获取以上网络学习代价变量之后，基于该网络学习代价变量对可视化操作偏好解析网络的网络配置参量进行改进，并采用以上调试学习信息继续对网络配置参量改进后的可视化操作偏好解析网络进行调试，直至网络学习代价变量收敛。
可见，通过调试学习信息对可视化操作偏好解析网络进行调试，在调试过程中，图像描述变更处理时，将多个量化图像描述成员变更成联动的非量化图像描述成员，可以显著减少可视化操作偏好解析网络在应用时的细节丢失，提升可视化操作偏好解析报告的精度。
示例性地，本发明实施例中，以上联动分团结果包括场景分团结果、行为事件分团结果、数据库业务项目分团结果，以上学习注释包括过往数据库操作行为图像记录对应的场景分团学习注释、行为事件分团学习注释、数据库业务项目分团学习注释，以及过往数据库操作行为图像记录对应的可视化操作偏好学习注释。其中，学习注释即可视化操作偏好解析网络对应的真实结果。示例性地，大数据解析系统基于设定处理策略，对可视化操作偏好学习注释进行分治操作，获取场景分团学习注释、行为事件分团学习注释和数据库业务项目分团学习注释。
在一些可能的设计思路下，以上STEP306包括：1）、基于场景分团结果、行为事件分团结果、数据库业务项目分团结果，结合场景分团学习注释、行为事件分团学习注释和数据库业务项目分团学习注释，确定可视化操作偏好解析网络对应的第一网络学习代价变量；2）、基于可视化操作偏好解析报告和可视化操作偏好学习注释，确定可视化操作偏好解析网络对应的第二网络学习代价变量；3）、基于第一网络学习代价变量和第二网络学习代价变量，确定可视化操作偏好解析网络的网络学习代价变量。第一网络学习代价指标用作表征可视化操作偏好解析网络的联动分团结果的精度。第二网络学习代价指标用作表征可视化操作偏好解析网络的可视化操作偏好解析报告的精度。
本发明实施例中，为确保可视化操作偏好解析网络中各个分团组件的运行性能优劣，大数据解析系统基于场景分团结果、行为事件分团结果、数据库业务项目分团结果，结合场景分团学习注释、行为事件分团学习注释和数据库业务项目分团学习注释，确定可视化操作偏好解析网络对应的第一网络学习代价变量；为确保可视化操作偏好解析网络中可视化操作偏好解析报告的精度，大数据解析系统基于可视化操作偏好解析报告和可视化操作偏好学习注释，确定可视化操作偏好解析网络对应的第二网络学习代价变量。进而，大数据解析系统根据第一网络学习代价变量和第二网络学习代价变量，确定可视化操作偏好解析网络的网络学习代价变量。
示例性地，在获取第一网络学习代价变量时，基于场景分团结果，结合场景分团学习注释、行为事件分团学习注释和数据库业务项目分团学习注释，确定可视化操作偏好解析网络中场景分团组件对应的网络学习代价变量；基于行为事件分团结果，结合场景分团学习注释、行为事件分团学习注释和数据库业务项目分团学习注释，确定可视化操作偏好解析网络中行为事件分团组件对应的网络学习代价变量；基于数据库业务项目分团结果，结合场景分团学习注释、行为事件分团学习注释和数据库业务项目分团学习注释，确定可视化操作偏好解析网络中数据库业务项目分团组件对应的网络学习代价变量；进而根据场景分团组件对应的网络学习代价变量、行为事件分团组件对应的网络学习代价变量和数据库业务项目分团组件对应的网络学习代价变量，确定第一网络学习代价变量。其中，大数据解析系统可以将场景分团组件对应的网络学习代价变量、行为事件分团组件对应的网络学习代价变量和数据库业务项目分团组件对应的网络学习代价变量进行求和，以获取第一网络学习代价变量。
示例性地，可视化操作偏好解析网络包括：图像描述子挖掘分支、场景特征挖掘分支、行为事件特征挖掘分支、数据库业务项目特征挖掘分支、第一AI学习算法、第二AI学习算法、扰动特征增添分支、场景分团组件、行为事件分团组件、数据库业务项目分团组件和聚合解析分支。其中，图像描述子挖掘分支用于对数据库操作行为图像记录进行图像描述子挖掘处理，获取数据库操作行为图像记录对应的图像小波描述子，该图像小波描述子中包含多个量化图像描述成员；场景特征挖掘分支用于对图像小波描述子进行场景特征变更处理，将图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到图像小波描述子的场景操作行为描述知识，场景操作行为描述知识为非量化图像描述成员；行为事件特征挖掘分支用于对图像小波描述子进行行为事件特征变更处理，将图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到图像小波描述子的事件操作行为描述知识，事件操作行为描述知识为非量化图像描述成员；数据库业务项目特征挖掘分支用于对图像小波描述子进行数据库业务项目特征变更处理，将图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到图像小波描述子的业务项目操作行为描述知识，业务项目操作行为描述知识为非量化图像描述成员；第一AI学习算法用于对多个关注面操作行为描述知识分别进行处理，获取多个关注面操作行为描述知识分别对应的平均描述知识，平均描述知识用于表征关注面操作行为描述知识在知识关系网中的平均定位变量；第二AI学习算法用于对多个关注面操作行为描述知识分别进行处理，获取多个关注面操作行为描述知识分别对应的偏离描述知识，偏离描述知识用于表征关注面操作行为描述知识在知识关系网中的偏离定位变量；扰动特征增添分支用于基于多个关注面操作行为描述知识分别对应的平均描述知识和偏离描述知识，增添目标扰动特征，确定多个关注面操作行为描述知识分别对应的拟分团操作行为描述知识；场景分团组件用于对场景关注面的拟分团操作行为描述知识进行知识分团操作，得到操作行为描述知识的场景关注面分团结果；行为事件分团组件用于对行为事件关注面的拟分团操作行为描述知识进行知识分团操作，得到操作行为描述知识的行为事件关注面分团结果；数据库业务项目分团组件用于对数据库业务项目关注面的拟分团操作行为描述知识进行知识分团操作，得到操作行为描述知识的数据库业务项目关注面分团结果；聚合解析分支用于将场景分团结果、行为事件分团结果和数据库业务项目分团结果进行增添识别，确定数据库操作行为图像记录的可视化操作偏好解析报告。
举例而言，大数据解析系统将数据库操作行为图像记录加载到可视化操作偏好解析网络，由可视化操作偏好解析网络中的图像描述子挖掘分支对数据库操作行为图像记录进行图像描述子挖掘处理，获取数据库操作行为图像记录的图像小波描述子。进一步地，场景特征挖掘分支对图像小波描述子进行场景特征变更处理，得到场景操作行为描述知识；行为事件特征挖掘分支对图像小波描述子进行行为事件特征变更处理，得到事件操作行为描述知识；数据库业务项目特征挖掘分支对图像小波描述子进行数据库业务项目特征变更处理，得到业务项目操作行为描述知识。之后，通过第一AI学习算法和第二AI学习算法，分别获取各个关注面操作行为描述知识分别对应的平均描述知识和偏离描述知识，通过扰动特征增添分支，获取场景关注面的拟分团操作行为描述知识、行为事件关注面的拟分团操作行为描述知识、数据库业务项目关注面的拟分团操作行为描述知识。之后，通过场景分团组件对拟分团操作行为描述知识进行知识分团操作，确定场景分团结果；通过行为事件分团组件对拟分团操作行为描述知识进行知识分团操作，确定行为事件分团结果；通过数据库业务项目分团组件对拟分团操作行为描述知识进行知识分团操作，确定数据库业务项目分团结果。之后，将场景分团结果、行为事件分团结果和数据库业务项目分团结果增添融合，采用特征译码组件对增添融合结果进行特征译码获取数据库操作行为图像记录的可视化操作偏好解析报告。
以数据访问场景为例，对本发明实施例的技术方案进行说明：
STEP401，获取触发视觉交互行为解析机制的数据库操作行为图像记录。
STEP402，将数据库操作行为图像记录加载到可视化操作偏好解析网络，获取可视化操作偏好解析网络输出的可视化操作偏好解析报告。
示例性地，可视化操作偏好解析网络中包括图像描述子挖掘分支、场景特征挖掘分支、行为事件特征挖掘分支、数据库业务项目特征挖掘分支、第一AI学习算法、第二AI学习算法、扰动特征增添分支、场景分团组件、行为事件分团组件、数据库业务项目分团组件和聚合解析分支。
由图像描述子挖掘分支对数据库操作行为图像记录进行图像描述子挖掘处理，获取数据库操作行为图像记录对应的图像小波描述子，该图像小波描述子中包含多个量化图像描述成员。
由场景特征挖掘分支对图像小波描述子进行场景特征变更处理，将图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到图像小波描述子的场景操作行为描述知识，场景操作行为描述知识为非量化图像描述成员；由行为事件特征挖掘分支对图像小波描述子进行行为事件特征变更处理，将图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到图像小波描述子的事件操作行为描述知识，事件操作行为描述知识为非量化图像描述成员；由数据库业务项目特征挖掘分支用于对图像小波描述子进行数据库业务项目特征变更处理，将图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到图像小波描述子的业务项目操作行为描述知识，业务项目操作行为描述知识为非量化图像描述成员。
由第一AI学习算法对多个关注面操作行为描述知识分别进行处理，获取多个关注面操作行为描述知识分别对应的平均描述知识，平均描述知识用于表征关注面操作行为描述知识在知识关系网中的平均定位变量；由第二AI学习算法对多个关注面操作行为描述知识分别进行处理，获取多个关注面操作行为描述知识分别对应的偏离描述知识，偏离描述知识用于表征关注面操作行为描述知识在知识关系网中的偏离定位变量。
由扰动特征增添分支基于多个关注面操作行为描述知识分别对应的平均描述知识和偏离描述知识，增添目标扰动特征，确定多个关注面操作行为描述知识分别对应的拟分团操作行为描述知识。
由场景分团组件对场景关注面的拟分团操作行为描述知识进行知识分团操作，得到操作行为描述知识的场景关注面分团结果；由行为事件分团组件对行为事件关注面的拟分团操作行为描述知识进行知识分团操作，得到操作行为描述知识的行为事件关注面分团结果；由数据库业务项目分团组件用于对数据库业务项目关注面的拟分团操作行为描述知识进行知识分团操作，得到操作行为描述知识的数据库业务项目关注面分团结果。
由聚合解析分支将场景分团结果、行为事件分团结果和数据库业务项目分团结果进行增添识别，确定数据库操作行为图像记录的可视化操作偏好解析报告。
STEP403，根据可视化操作偏好解析报告，确定数字客户端的可视化操作偏好是否为点击访问偏好。若数字客户端的可视化操作偏好为点击访问偏好，则执行STEP404；若数字客户端的可视化操作偏好不为点击访问偏好，则执行STEP405-608。
STEP404，基于点击访问偏好触发数据库界面优化任务。
STEP405，从数据库操作行为图像记录集中获取与可视化操作偏好解析报告所匹配的数据库界面优化案例作为备选数据库界面优化案例。
STEP406，在备选数据库界面优化案例的个数为多个的情况下，获取各个备选数据库界面优化案例的优化反馈度量值。
STEP407，从备选数据库界面优化案例中，挑选优化反馈度量值符合要求的备选数据库界面优化案例作为数据库操作行为图像记录对应的数据库界面优化案例。
STEP408，基于所述数据库界面优化案例进行基于点击访问偏好的数据库界面优化处理。
可见，通过调试学习信息对可视化操作偏好解析网络进行调试，在调试过程中，图像描述变更处理时，将多个量化图像描述成员变更成联动的非量化图像描述成员，可以显著减少可视化操作偏好解析网络在应用时的细节丢失，提升可视化操作偏好解析报告的精度。
在另一些可独立实施的设计思路下，在所述从所述备选数据库界面优化案例中，挑选所述优化反馈度量值符合要求的备选数据库界面优化案例作为所述数据库操作行为图像记录对应的数据库界面优化案例之后，所述方法还包括：结合所述可视化操作偏好解析报告和所述数据库操作行为图像记录对应的数据库界面优化案例确定当前优化策略，并基于所述当前优化策略进行界面优化处理。
在另一些可独立实施的设计思路下，结合所述可视化操作偏好解析报告和所述数据库操作行为图像记录对应的数据库界面优化案例确定当前优化策略，并基于所述当前优化策略进行界面优化处理，包括步骤：基于所述可视化操作偏好解析报告从所述数据库操作行为图像记录对应的数据库界面优化案例中提取局部优化参考方案图像；获取所述局部优化参考方案图像的多个GUI优化要素数据；将所述局部优化参考方案图像加载到第一卷积神经网络，对所述局部优化参考方案图像进行优化细节向量提炼得到多个第一界面优化更新向量；将多个所述GUI优化要素数据加载到第二卷积神经网络，对加载到所述第二卷积神经网络的各个所述GUI优化要素数据进行整理，得到多个GUI优化聚合要素数据，所述第二卷积神经网络将多个所述GUI优化要素数据和多个所述GUI优化聚合要素数据进行加权，得到GUI优化加权要素数据；将所述GUI优化加权要素数据分别与各个所述第一界面优化更新向量进行融合，得到多个第二界面优化更新向量；将多个所述第二界面优化更新向量加载到优化策略判别网络进行优化策略判别，得到优化策略判别标签；通过所述优化策略判别标签确定当前优化策略并基于所述当前优化策略进行界面优化处理。
在另一些可独立实施的设计思路下，所述对加载到所述第二卷积神经网络的各个所述GUI优化要素数据进行整理，得到多个GUI优化聚合要素数据，包括：对加载到所述第二卷积神经网络的各个所述GUI优化要素数据交叉整理，得到多个所述GUI优化聚合要素数据。
在另一些可独立实施的设计思路下，所述第二卷积神经网络将多个所述GUI优化要素数据和多个所述GUI优化聚合要素数据进行加权，得到GUI优化加权要素数据，包括：所述第二卷积神经网络将多个所述GUI优化要素数据与多个所述GUI优化聚合要素数据进行权重强化，得到GUI优化加权要素数据。
可见，通过上述技术方案，能够对局部优化参考方案图像中的GUI优化要素进行综合分析，并结合界面优化更新向量准确确定当前优化策略，这样可以提高界面优化处理的精度和效率。
基于上述相同或相似的技术构思，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行应用于可视化数据库的交互行为大数据挖掘方法。
基于上述相同或相似的技术构思，本发明实施例还提供了一种计算机程序产品，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时，实现应用于可视化数据库的交互行为大数据挖掘方法。
本发明实施例提供了一种应用于可视化数据库的交互行为大数据挖掘方法及系统，通过数据库操作行为图像记录的图像描述变更处理、联动知识分团操作，确定数据库操作行为图像记录的联动分团结果，进而将联动分团结果进行聚合解析操作，确定数据库操作行为图像记录的可视化操作偏好解析报告，从多个关注面进行分析处理确定可视化操作偏好解析报告，可以提高可视化操作偏好解析报告的精度；而且，在图像描述变更处理时，将多个量化图像描述成员变更成联动的非量化图像描述成员，可以尽可能规避之后基于图像描述进行操作偏好解析时的误差累加，这样可以提高可视化操作偏好解析报告的精度和可信度，以便为可视化数据库的操作交互功能升级优化或者个性化操作界面定制提供决策依据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明相关内容所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种应用于可视化数据库的交互行为大数据挖掘方法，其特征在于，应用于大数据解析系统，所述方法包括：
获取触发视觉交互行为解析机制的数据库操作行为图像记录；
对所述数据库操作行为图像记录进行图像描述子挖掘处理，得到所述数据库操作行为图像记录的图像小波描述子；其中，所述图像小波描述子中包含多个量化图像描述成员；
对所述图像小波描述子进行图像描述变更处理，将所述图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到所述图像小波描述子的联动操作行为描述知识；其中，所述联动操作行为描述知识包含多个不同关注面的非量化图像描述成员；
对所述联动操作行为描述知识分别进行知识分团操作，得到所述图像小波描述子的联动分团结果，所述联动分团结果包括所述多个不同关注面的分团结果；
对所述联动分团结果进行聚合解析操作，确定所述数据库操作行为图像记录的可视化操作偏好解析报告。
2.根据权利要求1所述的方法，其特征在于，所述联动操作行为描述知识包括场景操作行为描述知识、事件操作行为描述知识和业务项目操作行为描述知识；其中，所述场景操作行为描述知识用于表征所述数据库操作行为图像记录所对应的交互场景，所述事件操作行为描述知识用于表征所述数据库操作行为图像记录的通信终端所匹配的行为事件，所述业务项目操作行为描述知识用于表征与所述场景和所述行为事件所匹配的数据库业务项目。
3.根据权利要求1所述的方法，其特征在于，所述对所述联动操作行为描述知识分别进行知识分团操作，得到所述图像小波描述子的联动分团结果，包括：
对于目标关注面，采用第一AI学习算法对目标关注面操作行为描述知识进行处理，获取所述目标关注面操作行为描述知识的平均描述知识；其中，所述平均描述知识用于表征所述目标关注面操作行为描述知识在知识关系网中的平均定位变量；
采用第二AI学习算法对所述目标关注面操作行为描述知识进行处理，获取所述目标关注面操作行为描述知识的偏离描述知识；其中，所述偏离描述知识用于表征所述目标关注面操作行为描述知识在知识关系网中的偏离定位变量；
采用目标扰动特征对所述偏离描述知识进行扰动特征增添处理，得到处理后的偏离描述知识；
结合所述平均描述知识和所述处理后的偏离描述知识，确定所述目标关注面操作行为描述知识对应的拟分团操作行为描述知识；
对所述拟分团操作行为描述知识进行知识分团操作，得到所述图像小波描述子的目标关注面分团结果。
4.根据权利要求1所述的方法，其特征在于，所述对所述联动分团结果进行聚合解析操作，确定所述数据库操作行为图像记录的可视化操作偏好解析报告之后，还包括：
根据所述可视化操作偏好解析报告，从数据库操作行为图像记录集中获取与所述可视化操作偏好解析报告所匹配的数据库界面优化案例作为备选数据库界面优化案例；
在所述备选数据库界面优化案例的个数为多个的情况下，获取各个所述备选数据库界面优化案例的优化反馈度量值；
从所述备选数据库界面优化案例中，挑选所述优化反馈度量值符合要求的备选数据库界面优化案例作为所述数据库操作行为图像记录对应的数据库界面优化案例。
5.根据权利要求1所述的方法，其特征在于，所述方法通过可视化操作偏好解析网络实施，所述可视化操作偏好解析网络的调试步骤包括：
获取可视化操作偏好解析网络的最少一个调试学习信息，所述调试学习信息包括过往数据库操作行为图像记录和所述过往数据库操作行为图像记录对应的学习注释；
对所述过往数据库操作行为图像记录进行图像描述子挖掘处理，得到所述过往数据库操作行为图像记录的图像小波描述子；其中，所述图像小波描述子中包含多个量化图像描述成员；
对所述图像小波描述子进行图像描述变更处理，将所述图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到所述图像小波描述子的联动操作行为描述知识；其中，所述联动操作行为描述知识包含多个不同关注面的非量化图像描述成员；
对所述联动操作行为描述知识分别进行知识分团操作，得到所述图像小波描述子的联动分团结果，所述联动分团结果包括所述多个不同关注面的分团结果；
对所述联动分团结果进行聚合解析操作，确定所述过往数据库操作行为图像记录的可视化操作偏好解析报告；
结合所述联动分团结果、所述可视化操作偏好解析报告，以及所述过往数据库操作行为图像记录对应的学习注释，确定所述可视化操作偏好解析网络的网络学习代价变量；
结合所述网络学习代价变量对所述可视化操作偏好解析网络的网络配置参量进行改进。
6.根据权利要求5所述的方法，其特征在于，所述联动分团结果包括场景分团结果、行为事件分团结果和数据库业务项目分团结果；
所述学习注释包括所述过往数据库操作行为图像记录对应的场景分团学习注释、行为事件分团学习注释和数据库业务项目分团学习注释，以及所述过往数据库操作行为图像记录对应的可视化操作偏好学习注释；
其中，所述结合所述联动分团结果、所述可视化操作偏好解析报告，以及所述过往数据库操作行为图像记录对应的学习注释，确定所述可视化操作偏好解析网络的网络学习代价变量，包括：
结合所述场景分团结果、所述行为事件分团结果、所述数据库业务项目分团结果，结合所述场景分团学习注释、所述行为事件分团学习注释和所述数据库业务项目分团学习注释，确定所述可视化操作偏好解析网络对应的第一网络学习代价变量；其中，第一网络学习代价指标用作表征所述可视化操作偏好解析网络的联动分团结果的精度；
结合所述可视化操作偏好解析报告和所述可视化操作偏好学习注释，确定所述可视化操作偏好解析网络对应的第二网络学习代价变量；其中，第二网络学习代价指标用作表征所述可视化操作偏好解析网络的可视化操作偏好解析报告的精度；
结合所述第一网络学习代价变量和所述第二网络学习代价变量，确定所述可视化操作偏好解析网络的网络学习代价变量；
其中，所述结合所述场景分团结果、所述行为事件分团结果、所述数据库业务项目分团结果，结合所述场景分团学习注释、所述行为事件分团学习注释和所述数据库业务项目分团学习注释，确定所述可视化操作偏好解析网络对应的第一网络学习代价变量，包括：
结合所述场景分团结果，结合所述场景分团学习注释、所述行为事件分团学习注释和所述数据库业务项目分团学习注释，确定所述可视化操作偏好解析网络中场景分团组件对应的网络学习代价变量；
结合所述行为事件分团结果，结合所述场景分团学习注释、所述行为事件分团学习注释和所述数据库业务项目分团学习注释，确定所述可视化操作偏好解析网络中行为事件分团组件对应的网络学习代价变量；
结合所述数据库业务项目分团结果，结合所述场景分团学习注释、所述行为事件分团学习注释和所述数据库业务项目分团学习注释，确定所述可视化操作偏好解析网络中数据库业务项目分团组件对应的网络学习代价变量；
根据所述场景分团组件对应的网络学习代价变量、所述行为事件分团组件对应的网络学习代价变量和所述数据库业务项目分团组件对应的网络学习代价变量，确定所述第一网络学习代价变量。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
基于设定处理策略，对所述可视化操作偏好学习注释进行分治操作，获取所述场景分团学习注释、所述行为事件分团学习注释和所述数据库业务项目分团学习注释；
其中，所述可视化操作偏好解析网络包括：
图像描述子挖掘分支、场景特征挖掘分支、行为事件特征挖掘分支、数据库业务项目特征挖掘分支、第一AI学习算法、第二AI学习算法、扰动特征增添分支、场景分团组件、行为事件分团组件、数据库业务项目分团组件和聚合解析分支；
所述图像描述子挖掘分支用于对数据库操作行为图像记录进行图像描述子挖掘处理，获取所述数据库操作行为图像记录对应的图像小波描述子；所述图像小波描述子中包含多个量化图像描述成员；
所述场景特征挖掘分支用于对所述图像小波描述子进行场景特征变更处理，将所述图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到所述图像小波描述子的场景操作行为描述知识；其中，场景操作行为描述知识为非量化图像描述成员；
所述行为事件特征挖掘分支用于对所述图像小波描述子进行行为事件特征变更处理，将所述图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到所述图像小波描述子的事件操作行为描述知识；其中，事件操作行为描述知识为非量化图像描述成员；
所述数据库业务项目特征挖掘分支用于对所述图像小波描述子进行数据库业务项目特征变更处理，将所述图像小波描述子中的多个量化图像描述成员变更成非量化图像描述成员，得到所述图像小波描述子的业务项目操作行为描述知识；其中，业务项目操作行为描述知识为非量化图像描述成员；
所述第一AI学习算法用于对多个关注面操作行为描述知识分别进行处理，获取所述多个关注面操作行为描述知识分别对应的平均描述知识；其中，所述平均描述知识用于表征关注面操作行为描述知识在知识关系网中的平均定位变量；
所述第二AI学习算法用于对多个关注面操作行为描述知识分别进行处理，获取所述多个关注面操作行为描述知识分别对应的偏离描述知识；
其中，所述偏离描述知识用于表征关注面操作行为描述知识在知识关系网中的偏离定位变量；所述扰动特征增添分支用于结合所述多个关注面操作行为描述知识分别对应的平均描述知识和偏离描述知识，增添目标扰动特征，确定所述多个关注面操作行为描述知识分别对应的拟分团操作行为描述知识；所述场景分团组件用于对场景关注面的拟分团操作行为描述知识进行知识分团操作，得到所述操作行为描述知识的场景关注面分团结果；所述行为事件分团组件用于对行为事件关注面的拟分团操作行为描述知识进行知识分团操作，得到所述操作行为描述知识的行为事件关注面分团结果；所述数据库业务项目分团组件用于对数据库业务项目关注面的拟分团操作行为描述知识进行知识分团操作，得到所述操作行为描述知识的数据库业务项目关注面分团结果；所述聚合解析分支用于将所述场景分团结果、所述行为事件分团结果和所述数据库业务项目分团结果进行增添，确定所述数据库操作行为图像记录的可视化操作偏好解析报告。
8.一种大数据解析系统，其特征在于，包括：处理器、存储器以及网络接口；所述处理器与所述存储器、所述网络接口相连；所述网络接口用于提供数据通信功能，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行权利要求1-7任一项所述的应用于可视化数据库的交互行为大数据挖掘方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时执行权利要求1-7任一项所述的应用于可视化数据库的交互行为大数据挖掘方法。
10.一种计算机程序产品，其特征在于，包括计算机程序或计算机可执行指令，所述计算机程序或计算机可执行指令被处理器执行时，实现权利要求1-7任一项所述的应用于可视化数据库的交互行为大数据挖掘方法。
CN202311175878.4A 2023-09-13 2023-09-13 应用于可视化数据库的交互行为大数据挖掘方法及系统 Pending CN117112605A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311175878.4A CN117112605A (zh) 2023-09-13 2023-09-13 应用于可视化数据库的交互行为大数据挖掘方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311175878.4A CN117112605A (zh) 2023-09-13 2023-09-13 应用于可视化数据库的交互行为大数据挖掘方法及系统

Publications (1)

Publication Number Publication Date
CN117112605A true CN117112605A (zh) 2023-11-24

Family

ID=88794707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311175878.4A Pending CN117112605A (zh) 2023-09-13 2023-09-13 应用于可视化数据库的交互行为大数据挖掘方法及系统

Country Status (1)

Country Link
CN (1) CN117112605A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190171986A1 (en) * 2017-12-06 2019-06-06 Vladislav Michael Beznos System and method for evaluating images to support multiple risk applications
CN115827944A (zh) * 2022-12-23 2023-03-21 宿州市翰辞网络科技有限公司 基于互联网平台系统优化的大数据分析方法及服务器
CN116185798A (zh) * 2023-02-20 2023-05-30 朱思萌 一种应用于大数据可视化的异常操作分析方法及服务器
CN116414948A (zh) * 2023-05-06 2023-07-11 沈阳润扬网络科技有限公司 基于云数据和人工智能的异常数据挖掘方法及软件产品
CN116484368A (zh) * 2023-05-06 2023-07-25 四川辰宇通科技有限公司 基于数字视觉智能的云业务操作风险识别方法及软件产品
CN116680689A (zh) * 2023-06-06 2023-09-01 四川警察学院 应用于大数据的安全态势预测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190171986A1 (en) * 2017-12-06 2019-06-06 Vladislav Michael Beznos System and method for evaluating images to support multiple risk applications
CN115827944A (zh) * 2022-12-23 2023-03-21 宿州市翰辞网络科技有限公司 基于互联网平台系统优化的大数据分析方法及服务器
CN116185798A (zh) * 2023-02-20 2023-05-30 朱思萌 一种应用于大数据可视化的异常操作分析方法及服务器
CN116414948A (zh) * 2023-05-06 2023-07-11 沈阳润扬网络科技有限公司 基于云数据和人工智能的异常数据挖掘方法及软件产品
CN116484368A (zh) * 2023-05-06 2023-07-25 四川辰宇通科技有限公司 基于数字视觉智能的云业务操作风险识别方法及软件产品
CN116680689A (zh) * 2023-06-06 2023-09-01 四川警察学院 应用于大数据的安全态势预测方法及系统

Similar Documents

Publication Publication Date Title
Charte et al. Working with Multilabel Datasets in R: The mldr Package.
CN110782123B (zh) 决策方案的匹配方法、装置、计算机设备及存储介质
US20210012211A1 (en) Techniques for visualizing the operation of neural networks
CN111897528B (zh) 一种面向企业在线教育的低代码平台
CN116127203B (zh) 结合页面信息的rpa业务组件推荐方法及系统
CN114218568B (zh) 一种应用于云服务的大数据攻击处理方法及系统
CN114139209A (zh) 一种应用于业务用户大数据的信息防窃取方法及系统
CN116909534B (zh) 算子流的生成方法、算子流的生成装置及存储介质
CN114356115A (zh) 智能录入表单的方法、电子设备及计算机可读存储介质
CN117540273A (zh) 基于大数据的工程造价审计分析方法及系统
CN117112605A (zh) 应用于可视化数据库的交互行为大数据挖掘方法及系统
CN116340845A (zh) 标签生成方法、装置、存储介质及电子设备
Dessureault et al. DPDR: A novel machine learning method for the Decision Process for Dimensionality Reduction
CN115619539A (zh) 贷前风险评价方法以及装置
Azzalini et al. Data Quality and Data Ethics: Towards a Trade-off Evaluation.
Meneghello et al. A framework to improve the accuracy of process simulation models
CN114564473B (zh) 基于erp企业管理系统的数据处理方法、设备及介质
CN111858291B (zh) 计费系统迁移测试中数据异常的根因确定方法、设备及系统
CN117632313B (zh) 一种基于人工智能的软件驱动处理方法及系统
CN116303375B (zh) 基于大数据的数据库维护分析方法、服务器及介质
CN113268425B (zh) 一种基于规则的微服务源文件预处理方法
KR102549006B1 (ko) 사용자 행동 기반 질의 벡터 자동 보정을 활용한 기업 검색 시스템 및 그 방법
CN118626789A (zh) 车辆芯片的潜能数据获取方法、装置和电子设备
CN117688485A (zh) 一种基于深度学习的火灾诱因分析方法及系统
CN117349145A (zh) 数据处理方法、装置、电子设备、存储介质及程序产品

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
TA01 Transfer of patent application right

Effective date of registration: 20240419

Address after: 730011 No. 355 Yantan Road, Chengguan District, Lanzhou City, Gansu Province

Applicant after: Liu Fang

Country or region after: China

Address before: No. 15, West Zone 2, 4th Floor, Building 5, Hongyang Commercial Plaza, Suzhou District, Jiuquan City, Gansu Province, 735008

Applicant before: Gansu Squirrel Education Technology Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right