CN118446744A - 基于人工智能的权益数据转换方法及系统 - Google Patents
基于人工智能的权益数据转换方法及系统 Download PDFInfo
- Publication number
- CN118446744A CN118446744A CN202410645098.XA CN202410645098A CN118446744A CN 118446744 A CN118446744 A CN 118446744A CN 202410645098 A CN202410645098 A CN 202410645098A CN 118446744 A CN118446744 A CN 118446744A
- Authority
- CN
- China
- Prior art keywords
- conversion
- data
- rule
- cost
- computing devices
- 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.)
- Granted
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 340
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 18
- 238000012216 screening Methods 0.000 claims description 15
- 230000008901 benefit Effects 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000002860 competitive effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 25
- 238000012795 verification Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 17
- 239000000047 product Substances 0.000 description 17
- 238000004590 computer program Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 4
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 4
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0226—Incentive systems for frequent usage, e.g. frequent flyer miles programs or point systems
- G06Q30/0229—Multi-merchant loyalty card systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0207—Discounts or incentives, e.g. coupons or rebates
- G06Q30/0224—Discounts or incentives, e.g. coupons or rebates based on user history
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的权益数据转换方法及系统,该方法包括:响应于目标用户的转换请求,获取所述目标用户的会员参数和会员权益数据;根据所述会员信息和所述转换请求对应的转换类型,分析所述转换请求对应的成本规则和地区规则;根据所述成本规则和所述地区规则,从多个候选模型和多个候选计算设备中确定出转换预测神经网络模型和多个转换计算设备;将所述会员权益数据发送至所述多个转换计算设备中的所述转换预测神经网络模型进行转换计算,以计算得到转换后的会员数据。可见,本发明能够有效提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于人工智能的权益数据转换方法及系统。
背景技术
随着数据处理技术的发展,大部分商户为其会员提供的会员权益也通过数据进行表示,例如通过实体卡或数据库对会员的权益和历史使用记录进行保存,以用于后续的会员消费时的验证或计算。但现有的数据处理技术在处理商户会员权益数据的转换需求时,例如商户会员版本的更新或用户选择改变会员类型的需求,没有充分考虑到会员数据的成本信息、地区信息等多种参数来实现更加准确的数据转换,也没有考虑到利用分布式算法来提高转换效率,因此其处理效率较低,往往需要人工接入,成本较高,容易出错。可见,现有技术存在缺陷,亟待解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于人工智能的权益数据转换方法及系统,能够有效提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
为了解决上述技术问题,本发明第一方面公开了一种基于人工智能的权益数据转换方法,所述方法包括:
响应于目标用户的转换请求,获取所述目标用户的会员参数和会员权益数据;
根据所述会员信息和所述转换请求对应的转换类型,分析所述转换请求对应的成本规则和地区规则;
根据所述成本规则和所述地区规则,从多个候选模型和多个候选计算设备中确定出转换预测神经网络模型和多个转换计算设备;
将所述会员权益数据发送至所述多个转换计算设备中的所述转换预测神经网络模型进行转换计算,以计算得到转换后的会员数据。
作为一个可选的实施方式,在本发明第一方面中,所述转换类型为跨地区转换类型、跨门店转换类型、新旧卡转换类型、客户主观转换类型或商家客观转换类型。
作为一个可选的实施方式,在本发明第一方面中,所述会员信息包括会员个人信息和会员历史消费记录。
作为一个可选的实施方式,在本发明第一方面中,所述根据所述会员信息和所述转换请求对应的转换类型,分析所述转换请求对应的成本规则和地区规则,包括:
根据所述会员个人信息中的籍贯信息、住所信息和收货地址信息,确定出多个第一地区信息;
根据所述会员历史消费记录中的历史消费地点确定出多个第二地区信息;
根据所述第一地区信息和所述第二地区信息,确定出所述转换请求对应的地区规则
根据所述转换请求对应的转换类型,确定出转换前规则类型和转换后规则类型;
确定出所述转换前规则类型对应的第一成本核算记录;
确定出所述转换后规则类型对应的第二成本核算记录;
根据所述第一成本核算记录和所述第二成本核算记录,确定出所述转换请求对应的成本规则。
作为一个可选的实施方式,在本发明第一方面中,所述根据所述第一地区信息和所述第二地区信息,确定出所述转换请求对应的地区规则,包括;
计算所有所述第一地区信息和所有所述第二地区信息之间的交集,得到多个交集地区;
对于每一交集地区,根据预设的地区对应的商户竞争关系,确定交集地区对应的商户商品竞争关系;
将所有所述交集地区的商户商品竞争关系的并集,确定为所述转换请求对应的地区规则。
作为一个可选的实施方式,在本发明第一方面中,所述根据所述第一成本核算记录和所述第二成本核算记录,确定出所述转换请求对应的成本规则,包括:
筛选出所述第一成本核算记录的和所述第二成本核算记录中的多个高差别记录对;所述高差别记录对包括有分别来自所述第一成本核算记录的和所述第二成本核算记录的成本项类型相同的两个成本记录,且所述两个成本记录之间的成本值的差值大于预设的差值阈值;
将所有所述高差别记录对对应的所述成本项类型和成本值的差值,确定为所述转换请求对应的成本规则。
作为一个可选的实施方式,在本发明第一方面中,所述根据所述成本规则和所述地区规则,从多个候选模型和多个候选计算设备中确定出转换预测神经网络模型和多个转换计算设备,包括:
对于每一候选模型,获取该候选模型对应的模型训练数据和模型历史使用记录;
计算所述模型训练数据的规则标注信息与规则集合之间的第一相似度;所述规则集合包括所述成本规则和所述地区规则;
计算所述模型历史使用记录中的输入数据的规则信息与所述规则集合之间的第二相似度;
计算所述第一相似度和所述第二相似度的乘积,得到该候选模型的优先度参数;
将所述优先度参数最高的所述候选模型确定为转换预测神经网络模型;所述转换预测神经网络模型通过包括有多个训练会员权益数据和对应的转换后数据标注的训练数据集;
根据多个候选计算设备的历史计算记录和设备性能参数,筛选和确定出多个转换计算设备和对应的设备数据分配策略;所述设备数据分配策略用于限定每一所述转换计算设备需要预测计算的所述会员权益数据的数据部分。
作为一个可选的实施方式,在本发明第一方面中,所述根据多个候选计算设备的历史计算记录和设备性能参数,筛选和确定出多个转换计算设备和对应的设备数据分配策略,包括:
对于每一候选计算设备,计算该候选计算设备的历史计算记录中的输入计算数据的用户参数和所述会员参数之间的第三相似度;
将该候选计算设备的设备性能参数输入至性能预测神经网络,得到对应的性能预测值;
计算所述性能预测值和所述第三相似度的乘积,得到设备优先参数;
根据所述设备优先参数对所有所述候选计算设备进行排序得到设备序列;
筛选出所述设备序列的前预设数量个的且所述设备优先参数大于参数阈值的所有所述候选计算设备,得到多个转换计算设备;
设定目标函数为每一转换计算设备被分配的数据部分的数据量与该转换计算设备对应的所述设备优先参数之间的级别差达到最小;所述级别差为所述数据量的第一级别和所述设备优先参数的第二级别之间的差值;所述第一级别为所述数据量在所有转换计算设备被分配的数据部分的数据量中对应的大小次序;所述第二级别为所述设备优先参数在所有转换计算设备的设备优先参数中对应的大小次序;
设定限制条件包括每一转换计算设备被分配的数据部分的数据量大于第一数据阈值和每一转换计算设备被分配的数据部分的数据量小于性能限制阈值;所述性能限制阈值与对应的所述性能预测值成正比;
根据所述目标函数和所述限制条件,基于粒子群算法,对所述会员权益数据进行迭代分配演算,以得到每一转换计算设备被分配的数据部分,得到设备数据分配策略。
本发明实施例第二方面公开了一种基于人工智能的权益数据转换系统,所述系统包括:
获取模块,用于响应于目标用户的转换请求,获取所述目标用户的会员参数和会员权益数据;
分析模块,用于根据所述会员信息和所述转换请求对应的转换类型,分析所述转换请求对应的成本规则和地区规则;
确定模块,用于根据所述成本规则和所述地区规则,从多个候选模型和多个候选计算设备中确定出转换预测神经网络模型和多个转换计算设备;
计算模块,用于将所述会员权益数据发送至所述多个转换计算设备中的所述转换预测神经网络模型进行转换计算,以计算得到转换后的会员数据。
作为一个可选的实施方式,在本发明第二方面中,所述转换类型为跨地区转换类型、跨门店转换类型、新旧卡转换类型、客户主观转换类型或商家客观转换类型。
作为一个可选的实施方式,在本发明第二方面中,所述会员信息包括会员个人信息和会员历史消费记录。
作为一个可选的实施方式,在本发明第二方面中,所述根据所述会员信息和所述转换请求对应的转换类型,分析所述转换请求对应的成本规则和地区规则,包括:
根据所述会员个人信息中的籍贯信息、住所信息和收货地址信息,确定出多个第一地区信息;
根据所述会员历史消费记录中的历史消费地点确定出多个第二地区信息;
根据所述第一地区信息和所述第二地区信息,确定出所述转换请求对应的地区规则
根据所述转换请求对应的转换类型,确定出转换前规则类型和转换后规则类型;
确定出所述转换前规则类型对应的第一成本核算记录;
确定出所述转换后规则类型对应的第二成本核算记录;
根据所述第一成本核算记录和所述第二成本核算记录,确定出所述转换请求对应的成本规则。
作为一个可选的实施方式,在本发明第二方面中,所述根据所述第一地区信息和所述第二地区信息,确定出所述转换请求对应的地区规则,包括;
计算所有所述第一地区信息和所有所述第二地区信息之间的交集,得到多个交集地区;
对于每一交集地区,根据预设的地区对应的商户竞争关系,确定交集地区对应的商户商品竞争关系;
将所有所述交集地区的商户商品竞争关系的并集,确定为所述转换请求对应的地区规则。
作为一个可选的实施方式,在本发明第二方面中,所述分析模块根据所述第一成本核算记录和所述第二成本核算记录,确定出所述转换请求对应的成本规则的具体方式,包括:
筛选出所述第一成本核算记录的和所述第二成本核算记录中的多个高差别记录对;所述高差别记录对包括有分别来自所述第一成本核算记录的和所述第二成本核算记录的成本项类型相同的两个成本记录,且所述两个成本记录之间的成本值的差值大于预设的差值阈值;
将所有所述高差别记录对对应的所述成本项类型和成本值的差值,确定为所述转换请求对应的成本规则。
作为一个可选的实施方式,在本发明第二方面中,所述确定模块根据所述成本规则和所述地区规则,从多个候选模型和多个候选计算设备中确定出转换预测神经网络模型和多个转换计算设备的具体方式,包括:
对于每一候选模型,获取该候选模型对应的模型训练数据和模型历史使用记录;
计算所述模型训练数据的规则标注信息与规则集合之间的第一相似度;所述规则集合包括所述成本规则和所述地区规则;
计算所述模型历史使用记录中的输入数据的规则信息与所述规则集合之间的第二相似度;
计算所述第一相似度和所述第二相似度的乘积,得到该候选模型的优先度参数;
将所述优先度参数最高的所述候选模型确定为转换预测神经网络模型;所述转换预测神经网络模型通过包括有多个训练会员权益数据和对应的转换后数据标注的训练数据集;
根据多个候选计算设备的历史计算记录和设备性能参数,筛选和确定出多个转换计算设备和对应的设备数据分配策略;所述设备数据分配策略用于限定每一所述转换计算设备需要预测计算的所述会员权益数据的数据部分。
作为一个可选的实施方式,在本发明第二方面中,所述确定模块根据多个候选计算设备的历史计算记录和设备性能参数,筛选和确定出多个转换计算设备和对应的设备数据分配策略的具体方式,包括:
对于每一候选计算设备,计算该候选计算设备的历史计算记录中的输入计算数据的用户参数和所述会员参数之间的第三相似度;
将该候选计算设备的设备性能参数输入至性能预测神经网络,得到对应的性能预测值;
计算所述性能预测值和所述第三相似度的乘积,得到设备优先参数;
根据所述设备优先参数对所有所述候选计算设备进行排序得到设备序列;
筛选出所述设备序列的前预设数量个的且所述设备优先参数大于参数阈值的所有所述候选计算设备,得到多个转换计算设备;
设定目标函数为每一转换计算设备被分配的数据部分的数据量与该转换计算设备对应的所述设备优先参数之间的级别差达到最小;所述级别差为所述数据量的第一级别和所述设备优先参数的第二级别之间的差值;所述第一级别为所述数据量在所有转换计算设备被分配的数据部分的数据量中对应的大小次序;所述第二级别为所述设备优先参数在所有转换计算设备的设备优先参数中对应的大小次序;
设定限制条件包括每一转换计算设备被分配的数据部分的数据量大于第一数据阈值和每一转换计算设备被分配的数据部分的数据量小于性能限制阈值;所述性能限制阈值与对应的所述性能预测值成正比;
根据所述目标函数和所述限制条件,基于粒子群算法,对所述会员权益数据进行迭代分配演算,以得到每一转换计算设备被分配的数据部分,得到设备数据分配策略。
本发明第三方面公开了另一种基于人工智能的权益数据转换系统,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于人工智能的权益数据转换方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于人工智能的权益数据转换方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明能够通过对转换请求对应的成本和地区的规则进行分析,并基于此确定出计算设备和用于预测的算法模型,以实现基于预测算法和分布式计算的会员权益数据的转换计算,从而能够有效提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是本发明实施例公开的一种基于人工智能的权益数据转换方法的流程示意图。
图2是本发明实施例公开的一种基于人工智能的权益数据转换系统的结构示意图。
图3是本发明实施例公开的另一种基于人工智能的权益数据转换系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,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。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
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发明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。
本发明公开了一种基于人工智能的权益数据转换方法及系统,能够通过对转换请求对应的成本和地区的规则进行分析,并基于此确定出计算设备和用于预测的算法模型,以实现基于预测算法和分布式计算的会员权益数据的转换计算,从而能够有效提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于人工智能的权益数据转换方法的流程示意图。其中,图1所描述的基于人工智能的权益数据转换方法可以应用于数据处理系统/数据处理设备/数据处理服务器(其中,该服务器包括本地处理服务器或云处理服务器)中。如图1所示,该基于人工智能的权益数据转换方法可以包括以下操作:
101、响应于目标用户的转换请求,获取目标用户的会员参数和会员权益数据。
102、根据会员信息和转换请求对应的转换类型,分析转换请求对应的成本规则和地区规则。
103、根据成本规则和地区规则,从多个候选模型和多个候选计算设备中确定出转换预测神经网络模型和多个转换计算设备。
104、将会员权益数据发送至多个转换计算设备中的转换预测神经网络模型进行转换计算,以计算得到转换后的会员数据。
可见,上述发明实施例能够通过对转换请求对应的成本和地区的规则进行分析,并基于此确定出计算设备和用于预测的算法模型,以实现基于预测算法和分布式计算的会员权益数据的转换计算,从而能够有效提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
作为一个可选的实施例,上述步骤中的,转换类型为跨地区转换类型、跨门店转换类型、新旧卡转换类型、客户主观转换类型或商家客观转换类型。
可见,通过上述可选的实施例,明确了转换请求对应的转换类型的细节,便于转换类型能够精确表征用户本次转换的目的和来源,以在后续精确分析出成本规则和地区规则,辅助实现提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
作为一个可选的实施例,上述步骤中的,会员信息包括会员个人信息和会员历史消费记录。
可见,通过上述可选的实施例,明确了会员信息的内容细节,便于会员信息能够精确表征用户的信息特点,以在后续精确分析出成本规则和地区规则,辅助实现提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
作为一个可选的实施例,上述步骤中的,根据会员信息和转换请求对应的转换类型,分析转换请求对应的成本规则和地区规则,包括:
根据会员个人信息中的籍贯信息、住所信息和收货地址信息,确定出多个第一地区信息;
根据会员历史消费记录中的历史消费地点确定出多个第二地区信息;
根据第一地区信息和第二地区信息,确定出转换请求对应的地区规则
根据转换请求对应的转换类型,确定出转换前规则类型和转换后规则类型;
确定出转换前规则类型对应的第一成本核算记录;
确定出转换后规则类型对应的第二成本核算记录;
根据第一成本核算记录和第二成本核算记录,确定出转换请求对应的成本规则。
可见,通过上述可选的实施例,能够通过对会员信息的分析以及对转换前后规则的成本核算记录的分析,来确定出转换请求对应的成本规则和地区规则,以在后续精确确定出计算设备和用于预测的算法模型,辅助实现提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
作为一个可选的实施例,上述步骤中的,根据第一地区信息和第二地区信息,确定出转换请求对应的地区规则,包括;
计算所有第一地区信息和所有第二地区信息之间的交集,得到多个交集地区;
对于每一交集地区,根据预设的地区对应的商户竞争关系,确定交集地区对应的商户商品竞争关系;
将所有交集地区的商户商品竞争关系的并集,确定为转换请求对应的地区规则。
可见,通过上述可选的实施例,能够通过对地区信息的交集计算以及预设的商户竞争关系,确定出交集地区的商户商品竞争关系的并集,来确定出转换请求对应的地区规则,以在后续精确确定出计算设备和用于预测的算法模型,辅助实现提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
作为一个可选的实施例,上述步骤中的,根据第一成本核算记录和第二成本核算记录,确定出转换请求对应的成本规则,包括:
筛选出第一成本核算记录的和第二成本核算记录中的多个高差别记录对;可选的,高差别记录对包括有分别来自第一成本核算记录的和第二成本核算记录的成本项类型相同的两个成本记录,且两个成本记录之间的成本值的差值大于预设的差值阈值;
将所有高差别记录对对应的成本项类型和成本值的差值,确定为转换请求对应的成本规则。
可见,通过上述可选的实施例,能够通过对成本核算记录之间的成本值差值的计算和筛选得到多个高差别记录对,以确定出转换请求对应的成本规则,以在后续精确确定出计算设备和用于预测的算法模型,辅助实现提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
作为一个可选的实施例,上述步骤中的,根据成本规则和地区规则,从多个候选模型和多个候选计算设备中确定出转换预测神经网络模型和多个转换计算设备,包括:
对于每一候选模型,获取该候选模型对应的模型训练数据和模型历史使用记录;
计算模型训练数据的规则标注信息与规则集合之间的第一相似度;可选的,规则集合包括成本规则和地区规则;
计算模型历史使用记录中的输入数据的规则信息与规则集合之间的第二相似度;
计算第一相似度和第二相似度的乘积,得到该候选模型的优先度参数;
将优先度参数最高的候选模型确定为转换预测神经网络模型;可选的,转换预测神经网络模型通过包括有多个训练会员权益数据和对应的转换后数据标注的训练数据集;
根据多个候选计算设备的历史计算记录和设备性能参数,筛选和确定出多个转换计算设备和对应的设备数据分配策略;设备数据分配策略用于限定每一转换计算设备需要预测计算的会员权益数据的数据部分。
可见,通过上述可选的实施例,能够通过对候选模型对应的模型训练数据和模型历史使用记录的分析计算得到候选模型的优先度参数,以筛选出有针对性的用于预测的算法模型,并基于候选计算设备的历史计算记录和设备性能参数确定出多个转换计算设备和对应的设备数据分配策略,从而通过确定出的设备和算法模型来实现提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
作为一个可选的实施例,上述步骤中的,根据多个候选计算设备的历史计算记录和设备性能参数,筛选和确定出多个转换计算设备和对应的设备数据分配策略,包括:
对于每一候选计算设备,计算该候选计算设备的历史计算记录中的输入计算数据的用户参数和会员参数之间的第三相似度;
将该候选计算设备的设备性能参数输入至性能预测神经网络,得到对应的性能预测值;
计算性能预测值和第三相似度的乘积,得到设备优先参数;
根据设备优先参数对所有候选计算设备进行排序得到设备序列;
筛选出设备序列的前预设数量个的且设备优先参数大于参数阈值的所有候选计算设备,得到多个转换计算设备;
设定目标函数为每一转换计算设备被分配的数据部分的数据量与该转换计算设备对应的设备优先参数之间的级别差达到最小;可选的,级别差为数据量的第一级别和设备优先参数的第二级别之间的差值;第一级别为数据量在所有转换计算设备被分配的数据部分的数据量中对应的大小次序;第二级别为设备优先参数在所有转换计算设备的设备优先参数中对应的大小次序;
设定限制条件包括每一转换计算设备被分配的数据部分的数据量大于第一数据阈值和每一转换计算设备被分配的数据部分的数据量小于性能限制阈值;可选的,性能限制阈值与对应的性能预测值成正比;
根据目标函数和限制条件,基于粒子群算法,对会员权益数据进行迭代分配演算,以得到每一转换计算设备被分配的数据部分,得到设备数据分配策略。
可见,通过上述可选的实施例,能够基于候选计算设备的历史计算记录和设备性能参数来计算设备优先参数以确定出多个转换计算设备,并基于粒子群算法和目标函数和限制条件来迭代演算出设备数据分配策略,从而通过确定出的设备和算法模型来实现提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于人工智能的权益数据转换系统的结构示意图。其中,图2所描述的基于人工智能的权益数据转换系统可以应用于数据处理系统/数据处理设备/数据处理服务器(其中,该服务器包括本地处理服务器或云处理服务器)中。如图2所示,该基于人工智能的权益数据转换系统可以包括:
获取模块201,用于响应于目标用户的转换请求,获取目标用户的会员参数和会员权益数据。
分析模块202,用于根据会员信息和转换请求对应的转换类型,分析转换请求对应的成本规则和地区规则。
确定模块203,用于根据成本规则和地区规则,从多个候选模型和多个候选计算设备中确定出转换预测神经网络模型和多个转换计算设备。
计算模块204,用于将会员权益数据发送至多个转换计算设备中的转换预测神经网络模型进行转换计算,以计算得到转换后的会员数据。
可见,上述发明实施例能够通过对转换请求对应的成本和地区的规则进行分析,并基于此确定出计算设备和用于预测的算法模型,以实现基于预测算法和分布式计算的会员权益数据的转换计算,从而能够有效提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
作为一个可选的实施例,转换类型为跨地区转换类型、跨门店转换类型、新旧卡转换类型、客户主观转换类型或商家客观转换类型。
可见,通过上述可选的实施例,明确了转换请求对应的转换类型的细节,便于转换类型能够精确表征用户本次转换的目的和来源,以在后续精确分析出成本规则和地区规则,辅助实现提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
作为一个可选的实施例,会员信息包括会员个人信息和会员历史消费记录。
可见,通过上述可选的实施例,明确了会员信息的内容细节,便于会员信息能够精确表征用户的信息特点,以在后续精确分析出成本规则和地区规则,辅助实现提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
作为一个可选的实施例,根据会员信息和转换请求对应的转换类型,分析转换请求对应的成本规则和地区规则,包括:
根据会员个人信息中的籍贯信息、住所信息和收货地址信息,确定出多个第一地区信息;
根据会员历史消费记录中的历史消费地点确定出多个第二地区信息;
根据第一地区信息和第二地区信息,确定出转换请求对应的地区规则
根据转换请求对应的转换类型,确定出转换前规则类型和转换后规则类型;
确定出转换前规则类型对应的第一成本核算记录;
确定出转换后规则类型对应的第二成本核算记录;
根据第一成本核算记录和第二成本核算记录,确定出转换请求对应的成本规则。
可见,通过上述可选的实施例,能够通过对会员信息的分析以及对转换前后规则的成本核算记录的分析,来确定出转换请求对应的成本规则和地区规则,以在后续精确确定出计算设备和用于预测的算法模型,辅助实现提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
作为一个可选的实施例,根据第一地区信息和第二地区信息,确定出转换请求对应的地区规则,包括;
计算所有第一地区信息和所有第二地区信息之间的交集,得到多个交集地区;
对于每一交集地区,根据预设的地区对应的商户竞争关系,确定交集地区对应的商户商品竞争关系;
将所有交集地区的商户商品竞争关系的并集,确定为转换请求对应的地区规则。
可见,通过上述可选的实施例,能够通过对地区信息的交集计算以及预设的商户竞争关系,确定出交集地区的商户商品竞争关系的并集,来确定出转换请求对应的地区规则,以在后续精确确定出计算设备和用于预测的算法模型,辅助实现提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
作为一个可选的实施例,分析模块根据第一成本核算记录和第二成本核算记录,确定出转换请求对应的成本规则的具体方式,包括:
筛选出第一成本核算记录的和第二成本核算记录中的多个高差别记录对;可选的,高差别记录对包括有分别来自第一成本核算记录的和第二成本核算记录的成本项类型相同的两个成本记录,且两个成本记录之间的成本值的差值大于预设的差值阈值;
将所有高差别记录对对应的成本项类型和成本值的差值,确定为转换请求对应的成本规则。
可见,通过上述可选的实施例,能够通过对成本核算记录之间的成本值差值的计算和筛选得到多个高差别记录对,以确定出转换请求对应的成本规则,以在后续精确确定出计算设备和用于预测的算法模型,辅助实现提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
作为一个可选的实施例,确定模块根据成本规则和地区规则,从多个候选模型和多个候选计算设备中确定出转换预测神经网络模型和多个转换计算设备的具体方式,包括:
对于每一候选模型,获取该候选模型对应的模型训练数据和模型历史使用记录;
计算模型训练数据的规则标注信息与规则集合之间的第一相似度;可选的,规则集合包括成本规则和地区规则;
计算模型历史使用记录中的输入数据的规则信息与规则集合之间的第二相似度;
计算第一相似度和第二相似度的乘积,得到该候选模型的优先度参数;
将优先度参数最高的候选模型确定为转换预测神经网络模型;可选的,转换预测神经网络模型通过包括有多个训练会员权益数据和对应的转换后数据标注的训练数据集;
根据多个候选计算设备的历史计算记录和设备性能参数,筛选和确定出多个转换计算设备和对应的设备数据分配策略;设备数据分配策略用于限定每一转换计算设备需要预测计算的会员权益数据的数据部分。
可见,通过上述可选的实施例,能够通过对候选模型对应的模型训练数据和模型历史使用记录的分析计算得到候选模型的优先度参数,以筛选出有针对性的用于预测的算法模型,并基于候选计算设备的历史计算记录和设备性能参数确定出多个转换计算设备和对应的设备数据分配策略,从而通过确定出的设备和算法模型来实现提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
作为一个可选的实施例,确定模块根据多个候选计算设备的历史计算记录和设备性能参数,筛选和确定出多个转换计算设备和对应的设备数据分配策略的具体方式,包括:
对于每一候选计算设备,计算该候选计算设备的历史计算记录中的输入计算数据的用户参数和会员参数之间的第三相似度;
将该候选计算设备的设备性能参数输入至性能预测神经网络,得到对应的性能预测值;
计算性能预测值和第三相似度的乘积,得到设备优先参数;
根据设备优先参数对所有候选计算设备进行排序得到设备序列;
筛选出设备序列的前预设数量个的且设备优先参数大于参数阈值的所有候选计算设备,得到多个转换计算设备;
设定目标函数为每一转换计算设备被分配的数据部分的数据量与该转换计算设备对应的设备优先参数之间的级别差达到最小;可选的,级别差为数据量的第一级别和设备优先参数的第二级别之间的差值;第一级别为数据量在所有转换计算设备被分配的数据部分的数据量中对应的大小次序;第二级别为设备优先参数在所有转换计算设备的设备优先参数中对应的大小次序;
设定限制条件包括每一转换计算设备被分配的数据部分的数据量大于第一数据阈值和每一转换计算设备被分配的数据部分的数据量小于性能限制阈值;可选的,性能限制阈值与对应的性能预测值成正比;
根据目标函数和限制条件,基于粒子群算法,对会员权益数据进行迭代分配演算,以得到每一转换计算设备被分配的数据部分,得到设备数据分配策略。
可见,通过上述可选的实施例,能够基于候选计算设备的历史计算记录和设备性能参数来计算设备优先参数以确定出多个转换计算设备,并基于粒子群算法和目标函数和限制条件来迭代演算出设备数据分配策略,从而通过确定出的设备和算法模型来实现提高会员权益数据的转换计算的效率,提高数据转换的精确程度,减少出错,降低人工核查成本。
实施例三
请参阅图3,图3是本发明实施例公开的又一种基于人工智能的权益数据转换系统。图3所描述的基于人工智能的权益数据转换系统应用于数据处理系统/数据处理设备/数据处理服务器(其中,该服务器包括本地处理服务器或云处理服务器)中。如图3所示,该基于人工智能的权益数据转换系统可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
其中,处理器302调用存储器301中存储的可执行程序代码,用于执行实施例一所描述的基于人工智能的权益数据转换方法的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质,其存储用于电子数据交换的计算机程序,其中,该计算机程序使得计算机执行实施例一所描述的基于人工智能的权益数据转换方法的步骤。
实施例五
本发明实施例公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行实施例一所描述的基于人工智能的权益数据转换方法的步骤。
上述对本说明书特定实施例进行了描述,其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后应说明的是:本发明实施例公开的一种基于人工智能的权益数据转换方法及系统所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例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同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的权益数据转换方法,其特征在于,所述方法包括:
响应于目标用户的转换请求,获取所述目标用户的会员参数和会员权益数据;
根据所述会员信息和所述转换请求对应的转换类型,分析所述转换请求对应的成本规则和地区规则;
根据所述成本规则和所述地区规则,从多个候选模型和多个候选计算设备中确定出转换预测神经网络模型和多个转换计算设备;
将所述会员权益数据发送至所述多个转换计算设备中的所述转换预测神经网络模型进行转换计算,以计算得到转换后的会员数据。
2.根据权利要求1所述的基于人工智能的权益数据转换方法,其特征在于,所述转换类型为跨地区转换类型、跨门店转换类型、新旧卡转换类型、客户主观转换类型或商家客观转换类型。
3.根据权利要求1所述的基于人工智能的权益数据转换方法,其特征在于,所述会员信息包括会员个人信息和会员历史消费记录。
4.根据权利要求3所述的基于人工智能的权益数据转换方法,其特征在于,所述根据所述会员信息和所述转换请求对应的转换类型,分析所述转换请求对应的成本规则和地区规则,包括:
根据所述会员个人信息中的籍贯信息、住所信息和收货地址信息,确定出多个第一地区信息;
根据所述会员历史消费记录中的历史消费地点确定出多个第二地区信息;
根据所述第一地区信息和所述第二地区信息,确定出所述转换请求对应的地区规则
根据所述转换请求对应的转换类型,确定出转换前规则类型和转换后规则类型;
确定出所述转换前规则类型对应的第一成本核算记录;
确定出所述转换后规则类型对应的第二成本核算记录;
根据所述第一成本核算记录和所述第二成本核算记录,确定出所述转换请求对应的成本规则。
5.根据权利要求4所述的基于人工智能的权益数据转换方法,其特征在于,所述根据所述第一地区信息和所述第二地区信息,确定出所述转换请求对应的地区规则,包括;
计算所有所述第一地区信息和所有所述第二地区信息之间的交集,得到多个交集地区;
对于每一交集地区,根据预设的地区对应的商户竞争关系,确定交集地区对应的商户商品竞争关系;
将所有所述交集地区的商户商品竞争关系的并集,确定为所述转换请求对应的地区规则。
6.根据权利要求4所述的基于人工智能的权益数据转换方法,其特征在于,所述根据所述第一成本核算记录和所述第二成本核算记录,确定出所述转换请求对应的成本规则,包括:
筛选出所述第一成本核算记录的和所述第二成本核算记录中的多个高差别记录对;所述高差别记录对包括有分别来自所述第一成本核算记录的和所述第二成本核算记录的成本项类型相同的两个成本记录,且所述两个成本记录之间的成本值的差值大于预设的差值阈值;
将所有所述高差别记录对对应的所述成本项类型和成本值的差值,确定为所述转换请求对应的成本规则。
7.根据权利要求1所述的基于人工智能的权益数据转换方法,其特征在于,所述根据所述成本规则和所述地区规则,从多个候选模型和多个候选计算设备中确定出转换预测神经网络模型和多个转换计算设备,包括:
对于每一候选模型,获取该候选模型对应的模型训练数据和模型历史使用记录;
计算所述模型训练数据的规则标注信息与规则集合之间的第一相似度;所述规则集合包括所述成本规则和所述地区规则;
计算所述模型历史使用记录中的输入数据的规则信息与所述规则集合之间的第二相似度;
计算所述第一相似度和所述第二相似度的乘积,得到该候选模型的优先度参数;
将所述优先度参数最高的所述候选模型确定为转换预测神经网络模型;所述转换预测神经网络模型通过包括有多个训练会员权益数据和对应的转换后数据标注的训练数据集;
根据多个候选计算设备的历史计算记录和设备性能参数,筛选和确定出多个转换计算设备和对应的设备数据分配策略;所述设备数据分配策略用于限定每一所述转换计算设备需要预测计算的所述会员权益数据的数据部分。
8.根据权利要求7所述的基于人工智能的权益数据转换方法,其特征在于,所述根据多个候选计算设备的历史计算记录和设备性能参数,筛选和确定出多个转换计算设备和对应的设备数据分配策略,包括:
对于每一候选计算设备,计算该候选计算设备的历史计算记录中的输入计算数据的用户参数和所述会员参数之间的第三相似度;
将该候选计算设备的设备性能参数输入至性能预测神经网络,得到对应的性能预测值;
计算所述性能预测值和所述第三相似度的乘积,得到设备优先参数;
根据所述设备优先参数对所有所述候选计算设备进行排序得到设备序列;
筛选出所述设备序列的前预设数量个的且所述设备优先参数大于参数阈值的所有所述候选计算设备,得到多个转换计算设备;
设定目标函数为每一转换计算设备被分配的数据部分的数据量与该转换计算设备对应的所述设备优先参数之间的级别差达到最小;所述级别差为所述数据量的第一级别和所述设备优先参数的第二级别之间的差值;所述第一级别为所述数据量在所有转换计算设备被分配的数据部分的数据量中对应的大小次序;所述第二级别为所述设备优先参数在所有转换计算设备的设备优先参数中对应的大小次序;
设定限制条件包括每一转换计算设备被分配的数据部分的数据量大于第一数据阈值和每一转换计算设备被分配的数据部分的数据量小于性能限制阈值;所述性能限制阈值与对应的所述性能预测值成正比;
根据所述目标函数和所述限制条件,基于粒子群算法,对所述会员权益数据进行迭代分配演算,以得到每一转换计算设备被分配的数据部分,得到设备数据分配策略。
9.一种基于人工智能的权益数据转换系统,其特征在于,所述系统包括:
获取模块,用于响应于目标用户的转换请求,获取所述目标用户的会员参数和会员权益数据;
分析模块,用于根据所述会员信息和所述转换请求对应的转换类型,分析所述转换请求对应的成本规则和地区规则;
确定模块,用于根据所述成本规则和所述地区规则,从多个候选模型和多个候选计算设备中确定出转换预测神经网络模型和多个转换计算设备;
计算模块,用于将所述会员权益数据发送至所述多个转换计算设备中的所述转换预测神经网络模型进行转换计算,以计算得到转换后的会员数据。
10.一种基于人工智能的权益数据转换系统,其特征在于,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-8任一项所述的基于人工智能的权益数据转换方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410645098.XA CN118446744B (zh) | 2024-05-23 | 2024-05-23 | 基于人工智能的权益数据转换方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410645098.XA CN118446744B (zh) | 2024-05-23 | 2024-05-23 | 基于人工智能的权益数据转换方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118446744A true CN118446744A (zh) | 2024-08-06 |
CN118446744B CN118446744B (zh) | 2025-01-10 |
Family
ID=92314316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410645098.XA Active CN118446744B (zh) | 2024-05-23 | 2024-05-23 | 基于人工智能的权益数据转换方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118446744B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118760528A (zh) * | 2024-09-02 | 2024-10-11 | 广州云硕科技发展有限公司 | 基于人工智能的算力匹配方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197392A (zh) * | 2019-04-16 | 2019-09-03 | 深圳壹账通智能科技有限公司 | 权益数据转换方法、装置、电子设备及存储介质 |
CN113032583A (zh) * | 2021-04-30 | 2021-06-25 | 中国工商银行股份有限公司 | 用户权益匹配方法及装置 |
US11494782B1 (en) * | 2018-04-27 | 2022-11-08 | Block, Inc. | Equity offers based on user actions |
CN116308521A (zh) * | 2023-02-16 | 2023-06-23 | 平安壹钱包电子商务有限公司 | 一种会员权益配置处理方法、系统、计算机设备及介质 |
CN116629994A (zh) * | 2023-06-06 | 2023-08-22 | 平安银行股份有限公司 | 一种权益达标配置方法、装置、存储介质及设备 |
CN117170873A (zh) * | 2023-09-12 | 2023-12-05 | 广州云硕科技发展有限公司 | 基于人工智能的资源池管理方法及系统 |
WO2024093403A1 (zh) * | 2022-11-03 | 2024-05-10 | 支付宝(杭州)信息技术有限公司 | 一种意图识别方法、装置、设备及可读存储介质 |
-
2024
- 2024-05-23 CN CN202410645098.XA patent/CN118446744B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11494782B1 (en) * | 2018-04-27 | 2022-11-08 | Block, Inc. | Equity offers based on user actions |
CN110197392A (zh) * | 2019-04-16 | 2019-09-03 | 深圳壹账通智能科技有限公司 | 权益数据转换方法、装置、电子设备及存储介质 |
CN113032583A (zh) * | 2021-04-30 | 2021-06-25 | 中国工商银行股份有限公司 | 用户权益匹配方法及装置 |
WO2024093403A1 (zh) * | 2022-11-03 | 2024-05-10 | 支付宝(杭州)信息技术有限公司 | 一种意图识别方法、装置、设备及可读存储介质 |
CN116308521A (zh) * | 2023-02-16 | 2023-06-23 | 平安壹钱包电子商务有限公司 | 一种会员权益配置处理方法、系统、计算机设备及介质 |
CN116629994A (zh) * | 2023-06-06 | 2023-08-22 | 平安银行股份有限公司 | 一种权益达标配置方法、装置、存储介质及设备 |
CN117170873A (zh) * | 2023-09-12 | 2023-12-05 | 广州云硕科技发展有限公司 | 基于人工智能的资源池管理方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118760528A (zh) * | 2024-09-02 | 2024-10-11 | 广州云硕科技发展有限公司 | 基于人工智能的算力匹配方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN118446744B (zh) | 2025-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10504120B2 (en) | Determining a temporary transaction limit | |
US10402427B2 (en) | System and method for analyzing result of clustering massive data | |
CN112966189B (zh) | 一种基金产品推荐系统 | |
CN111611390B (zh) | 一种数据处理方法及装置 | |
CN110008986B (zh) | 批量风险案件识别方法、装置及电子设备 | |
CN118446744A (zh) | 基于人工智能的权益数据转换方法及系统 | |
CN111144098B (zh) | 扩展问句的召回方法和装置 | |
CN113743678A (zh) | 一种用户信用评分预测方法及相关设备 | |
CN112766536A (zh) | 计算公路工程人工单价的模型训练方法、装置及终端 | |
CN109598478B (zh) | 一种风测结果描述文案的生成方法、装置及电子设备 | |
CN117520645A (zh) | 基于金融产品的用户确定方法、装置以及电子设备 | |
CN113849618B (zh) | 基于知识图谱的策略确定方法、装置、电子设备及介质 | |
CN117076770A (zh) | 基于图计算的数据推荐方法、装置、存储价值及电子设备 | |
US20140324523A1 (en) | Missing String Compensation In Capped Customer Linkage Model | |
CN112800167B (zh) | 一种数字海图制图工作量的评估方法和装置 | |
US20140324524A1 (en) | Evolving a capped customer linkage model using genetic models | |
CN111353688B (zh) | 一种用户资源分配方法以及装置 | |
CN108229572A (zh) | 一种参数寻优方法及计算设备 | |
CN118796905B (zh) | 基于参数匹配的模型数据库管理方法及系统 | |
US20200097595A1 (en) | Augmenting project data with searchable metadata for facilitating project queries | |
CN117421462B (zh) | 一种数据处理方法、装置及电子设备 | |
CN118760528B (zh) | 基于人工智能的算力匹配方法及系统 | |
CN118761473B (zh) | 基于增强知识图谱的运维分析数据处理方法及系统 | |
CN118585133A (zh) | 数据库服务器的数据安全存储处理方法及系统 | |
CN119359251A (zh) | 用于工程行政管理的数据处理方法及系统 |
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 |