KR102125119B1

KR102125119B1 - 데이터 핸들링 방법 및 장치

Info

Publication number: KR102125119B1
Application number: KR1020177031766A
Authority: KR
Inventors: 단단 왕; 시아오펭 판; 디 수
Original assignee: 알리바바 그룹 홀딩 리미티드
Priority date: 2015-04-01
Filing date: 2016-03-15
Publication date: 2020-06-22
Also published as: CN106156092A; CN110457577B; EP3279806A4; KR20170134601A; CN110457577A; US20180018335A1; WO2016155493A1; JP2018514857A; CN106156092B; JP6677743B2; EP3279806A1; SG11201707803PA; US10657143B2

Abstract

본 출원은 데이터 핸들링 방법 및 장치를 제공한다. 상기 방법은, 실행될 데이터 핸들링 태스크에 관한 속성 정보에 따라, 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보를 결정하는 단계; 상기 이력 데이터 핸들링 정보로부터 적어도 두 개의 선호도 표시 정보를 획득하는 단계 - 상기 선호도 표시 정보는 데이터 핸들링 방식에 대한 이력 데이터 핸들링의 사용 선호도를 반영할 수 있음 -; 및 상기 적어도 두 개의 선호도 표시 정보에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하는 단계를 포함한다. 본 출원은 데이터 핸들링 방식의 추천을 위해 데이터 핸들링 방식에 대한 이력 데이터 핸들링의 사용 선호도를 반영할 수 있는 적어도 두 개의 정보를 사용하며, 이는 데이터 핸들링 방식을 재선택하는 확률을 감소시킬 수 있고, 데이터 핸들링의 실행 효율의 향상을 촉진할 수 있다.

Description

데이터 핸들링 방법 및 장치

본 출원은 인터넷의 기술 분야에 관한 것으로, 특히 데이터 핸들링 방법 및 장치에 관한 것이다.

인터넷 기술의 발달과 더불어 점점 더 많은 인터넷 기반 애플리케이션이 있으며 이러한 애플리케이션은 점차 복잡해지고 있다. 일반적으로 애플리케이션에는 데이터 핸들링이 포함되며 일반적으로 여러 데이터 핸들링 방식(data handling mode)을 사용하여 데이터를 핸들링할 수 있다.

종래 기술에서, 가장 높은 사용 빈도를 갖는 데이터 핸들링 방식은 데이터 핸들링 방식의 이력 사용 빈도에 따라 선택되고, 그 후, 실행될 데이터 핸들링 태스크(data handling task)에 추천된다. 그러나 실제로 사용 빈도가 가장 높은 데이터 핸들링 방식이 반드시 실행될 데이터 핸들링 태스크가 필요로 하는 것은 아니며, 이 경우 데이터 핸들링 방식을 재선택해야 할 필요가 있고, 따라서 이것은 데이터 핸들링의 실행 효율에 영향을 준다.

본 출원은 데이터 핸들링 방식의 추천을 위한 데이터 핸들링 방법 및 장치를 여러 측면에서 제공함으로써 데이터 핸들링의 실행 효율을 향상시킨다.

본 출원은 일 양태에서, 데이터 핸들링 방법을 제공하며, 이 방법은:

실행될 데이터 핸들링 태스크에 관한 속성 정보에 따라, 상기 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보를 결정하는 단계;

상기 이력 데이터 핸들링 정보로부터 적어도 두 개의 선호도 표시 정보(two pieces of preference representation information) - 상기 선호도 표시 정보는 데이터 핸들링 방식에 대한 이력 데이터 핸들링의 사용 선호도(use preference)를 반영할 수 있음 - 를 획득하는 단계;

상기 적어도 두 개의 선호도 표시 정보에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하는 단계를 포함한다.

본 출원은 다른 양상에서, 데이터 핸들링 장치를 제공하며, 이 장치는:

실행될 데이터 핸들링 태스크에 관한 속성 정보에 따라, 상기 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보를 결정하도록 구성되는 결정 모듈;

상기 이력 데이터 핸들링 정보로부터 적어도 두 개의 선호도 표시 정보(two pieces of preference representation information) - 상기 선호도 표시 정보는 데이터 핸들링 방식에 대한 이력 데이터 핸들링의 사용 선호도를 반영할 수 있음 - 를 획득하도록 구성되는 획득 모듈; 및

상기 적어도 두 개의 선호도 표시 정보에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하도록 구성되는 추천 모듈을 포함한다.

본 출원에서, 데이터 핸들링 방식에 대한 이력 데이터 핸들링의 사용 선호도를 반영할 수 있는 적어도 두 개의 선호도 표시 정보가 이력 데이터 핸들링 정보로부터 얻어지고; 상기 얻어진 적어도 두 개의 선호도 표시 정보에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식이 실행될 데이터 핸들링 태스크에 추천된다. 데이터 핸들링 방식에 대한 이력 데이터 핸들링의 사용 선호도를 반영할 수 있는 적어도 두 개의 선호도 표시 정보는 데이터 핸들링 방식의 추천을 위해 동시에 사용되고, 추천된 데이터 핸들링 방식은 데이터 핸들링 방식의 사용 선호도에 부합되며, 따라서, 실행될 데이터 핸들링 태스크에 의해 요구되는 데이터 핸들링 방식이 추천될 수 있으며, 그 후 실행될 데이터 핸들링 태스크는 추천된 데이터 핸들링 방식에 기초하여 바로 실행될 수 있고, 이는 데이터 핸들링 방식을 재선택할 확률을 줄여주고, 데이터 핸들링의 실행 효율의 향상을 용이하게 한다.

본 출원의 실시 예에서의 기술적 해결책을 보다 명확하게 설명하기 위해, 이하에서는 실시 예 또는 종래 기술을 설명하기 위해 요구되는 첨부 도면을 간단히 소개한다. 명백하게, 다음의 설명에서 첨부 도면은 본 출원의 일부 실시 예를 나타내며, 당업자는 창조적인 노력 없이도 첨부 도면으로부터 다른 도면들을 여전히 유도할 수 있을 것이다.
도 1은 본 출원의 실시 예에 의해 제공된 데이터 핸들링 방법의 개략적인 흐름도이다.
도 2는 본 출원의 실시 예에 의해 제공되는 분할 결제 방식(dividing payment mode)의 개략적인 계층도이다.
도 3은 본 출원의 실시 예에 의해 제공되는 데이터 핸들링 장치의 개략적인 구조도이다.

본 출원의 실시 예의 목적, 기술적 해결책 및 이점을 보다 명확하게 하기 위해, 본 출원의 실시 예의 기술적 해결책을 본 출원의 실시 예에서의 도면과 함께 명확하고 완전하게 설명할 것이다. 명백하게, 설명된 실시 예는 본 출원의 모든 실시 예가 아니라 일부 실시 예이다. 본 출원의 실시 예에 기초하여, 당업자가 창조적인 노력 없이 얻은 모든 다른 실시 예는 모두 본 출원의 보호 범위 내에 있다.

애플리케이션의 개발로 인해 그로 인해 수행되는 기능이 점점 더 강력해지고 복잡해지고 있다. 현재, 거의 모든 애플리케이션은 데이터 핸들링을 필요로 한다. 대개 하나의 데이터 핸들링 프로세스는 다수의 데이터 핸들링 방식을 적용할 수 있다; 그러나 상이한 데이터 핸들링 방식들이 가져오는 영향은 크게 상이하다. 데이터 핸들링 프로세스 중에, 만일 추천된 데이터 핸들링 방식이 데이터 핸들링 프로세스에 적합하지 않다면, 데이터 핸들링 방식을 변경하는 것이 필요하고, 따라서 이것은 데이터 핸들링의 실행 효율을 낮아지게 할 수 있다. 그런 다음 데이터 핸들링의 실행 효율을 높이기 위해, 보다 적절한 데이터 핸들링 방식을 어떻게 추천할지가 문제가 된다. 이 문제와 관련하여, 본 출원은 데이터 핸들링 방법을 제공한다. 이 방법의 주요 아이디어는 데이터 핸들링 방식에 대한 이력 데이터 핸들링의 사용 선호도(use preference)에 따라 실행될 데이터 핸들링 태스크에 데이터 핸들링 방식을 추천하는 것이다. 이러한 방식으로, 실행될 데이터 핸들링 태스크에 추천되는 데이터 핸들링 방식은 데이터 핸들링 방식에 대한 데이터 핸들링의 사용 선호도에 부합하는 데이터 핸들링 방식이고, 데이터 핸들링 방식이 실행될 데이터 핸들링 태스크의 요구 사항을 만족시킬 확률이 상대적으로 높다. 따라서, 실행될 데이터 핸들링 태스크의 경우, 실행 효율이 향상될 수 있다. 데이터 핸들링 방식에 대한 이력 데이터 핸들링의 사용 선호도는 이력 데이터 핸들링이 데이터 핸들링 방식을 사용할 때 및/또는 동안에, 관련 정보를 통해 나타낼 수 있다. 데이터 핸들링 방식이 사용될 때 이력 데이터 핸들링의 사용 선호도를 보다 잘 나타내기 위해, 본 출원은 데이터 핸들링 방식이 사용될 때 이력 데이터 핸들링의 사용 선호도를 반영할 수 있는 적어도 두 개의 정보를 사용하고, 그러한 정보를 선호도 표현 정보(preference representation information)라고 한다.

당업자가 본 발명의 기술적 해결책을 더 잘 이해하게 하기 위해, 본 발명의 실시 예에서 첨부된 도면을 참조하여 본 발명의 실시 예에서의 기술적 해결책을 상세하게 설명한다.

도 1은 본 출원의 실시 예에 의해 제공된 데이터 핸들링 방법의 개략적인 흐름도이다. 도 1에 도시된 바와 같이, 상기 방법은:

100. 실행될 데이터 핸들링 태스크에 관한 속성 정보에 따라, 상기 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보를 결정하는 단계;

101. 상기 이력 데이터 핸들링 정보로부터 적어도 두 개의 선호도 표시 정보(two pieces of preference representation information) - 상기 선호도 표시 정보는 데이터 핸들링 방식에 대한 이력 데이터 핸들링의 사용 선호도를 반영할 수 있음 - 를 획득하는 단계;

102. 상기 적어도 두 개의 선호도 표시 정보에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하는 단계를 포함한다.

본 출원에서, 이력 데이터 핸들링은 실행되고 완료된 데이터 핸들링 프로세스를 말하며, 최근 기간 내의 이력 데이터, 예를 들어, 최근 3개월 내의 데이터를 포함할 수 있으며, 실행될 데이터 핸들링 태스크는 실행될 데이터 핸들링 프로세스를 일컫는다. 실행될 데이터 핸들링 태스크 및 이력 데이터 핸들링은 동일한 유형의 애플리케이션 시나리오에서의 데이터 핸들링 프로세스이며 애플리케이션 시나리오에 대한 정의는 없다. 예를 들어, 실행될 데이터 핸들링 태스크 및 이력 데이터 핸들링의 애플리케이션 시나리오는 결제 서비스, 다운로드 서비스, 검색 서비스 등일 수 있다. 또한, 본 출원에서 실행될 데이터 핸들링 태스크 및 이력 데이터 핸들링은 복수의 데이터 핸들링 방식을 적용함으로써 달성될 수 있다. 실행할 데이터 핸들링 태스크에 추천되도록 요구되는 데이터 핸들링 방식은 상이한 애플리케이션 시나리오 유형에 따라 다를 수 있다. 예를 들어, 결제 서비스와 관련하여, 추천되도록 요구되는 데이터 핸들링 방식은 다양한 신용 카드, 은행 카드, Tenpay™ 및 Alipay™의 결제 방식와 같은 결제 기능을 갖는 데이터 핸들링 방식일 수 있다.

구체적으로는, 데이터 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천할 필요가 있는 경우에는, 우선, 실행될 데이터 핸들링 태스크에 관한 속성 정보에 따라서, 상기 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보가 결정된다; 그 후 데이터 핸들링 방식에 대한 이력 데이터 핸들링의 사용 선호도를 반영할 수 있는 적어도 두 개의 사용 선호도 표현 정보가 이력 데이터 핸들링 정보로부터 획득되며; 획득된 사용 선호도 표현 정보에 따라, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식이 상기 실행될 데이터 핸들링 태스크에 추천된다.

실행될 데이터 핸들링 태스크에 관한 상기 속성 정보는 상기 실행될 데이터 핸들링 태스크의 사용자 식별자, 상기 실행될 데이터 핸들링 태스크의 데이터 객체의 값, 상기 실행될 데이터 핸들링 태스크의 실행 시점(execution time point) 중 하나 또는 임의의 조합을 포함한다.

상기 실행될 데이터 핸들링 태스크에 관한 속성 정보에 따라, 상기 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보를 결정하는 단계는:

상기 실행될 데이터 핸들링 태스크의 사용자 식별자에 관련된 이력 데이터 핸들링 정보를 획득하는 단계;

데이터 객체의 값이 상기 실행될 데이터 핸들링 태스크의 데이터 객체의 값이 위치한 간격 범위 내에 있을 때 이력 데이터 핸들링 정보를 획득하는 단계; 및

실행 시간이 상기 실행될 데이터 핸들링 태스크의 실행 시간이 위치한 시간 범위 내에 있을 때 이력 데이터 핸들링 정보를 획득하는 단계;

중 하나 또는 임의의 조합을 상응하여(correspondingly) 포함한다.

이 실시 예에서, 획득된 이력 데이터 핸들링 정보로부터의 적어도 두 개의 사용 선호도 표현 정보가 데이터 핸들링 방식들이 사용될 때 이력 데이터 핸들링의 사용 선호도를 나타내기 위해 사용되어, 데이터 핸들링 방식들이 사용될 때 이력 데이터 핸들링의 사용 선호도에 기초하여 데이터 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천하는 목적을 달성한다. 이러한 방식으로, 실행될 데이터 핸들링 태스크에 추천되는 데이터 핸들링 방식은 데이터 핸들링 방식에 대한 데이터 핸들링 프로세스의 사용 선호도에 부합하고, 데이터 핸들링 방식이 실행될 데이터 핸들링 태스크의 요구 사항을 만족시킬 확률이 상대적으로 높다. 따라서, 추천된 데이터 핸들링 방식에 의존하는 실행될 데이터 핸들링 태스크의 경우, 데이터 핸들링을 위한 실행 효율이 향상될 수 있다.

선택적 구현 방식에서, 이력 데이터 핸들링 정보에서 데이터 핸들링 방식에 대한 이력 데이터 핸들링의 사용 선호도를 반영할 수 있는 선호도 표현 정보는 이력 데이터 핸들링의 유형, 이력 데이터 핸들링의 실행 시간(사실상 데이터 핸들링 방식을 사용하는 이력 데이터 핸들링의 시간과 동등함), 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식의 유형들, 이력 데이터 핸들링의 데이터 객체들, 이력 데이터 핸들링이 위치한 위치 환경 등을 포함할 수 있지만, 이에 한정되는 것은 아니다.

본 출원의 발명자는, 상기 선호도 표시 정보에 있어서, 이력 데이터 핸들링의 실행 시간, 사용된 데이터 핸들링 방식의 유형들, 이력 데이터 핸들링의 데이터 객체들과 같은 정보가 데이터 핸들링 방식에 대한 사용 선호도를 반영하는 데 더 큰 역할을 할 수 있다는 것을 수많은 실험을 통해 알아냈다.

상기 발견에 기초하여, 이력 데이터 핸들링 정보로부터 적어도 두 개의 선호도 표시 정보를 획득하는 선택적 구현 방식에서, 이력 데이터 핸들링의 실행 시간, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식의 유형들 및 이력 데이터 핸들링의 데이터 객체들이 획득될 수 있다.

선택적 구현 방식에서, 현재 시간 이전에 완료된 데이터 핸들링 프로세스는 모든 이력 데이터 핸들링이다. 많은 수의 이력 데이터 핸들링이 있고, 실행 시간이 현재 시간과 먼 이력 데이터 핸들링이 데이터 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천하는데 상대적으로 작은 기여를 한다는 것을 고려하여, 시간 범위가 미리 설정될 수 있고, 그 후 그 시간 범위 내에 실행된 데이터 핸들링이 획득되고, 이에 따라 이력 데이터 핸들링의 사용된 데이터량을 감소시키고, 핸들링 속도의 향상을 촉진할 수 있다. 시간 범위는 현재 시간으로부터 3 ~ 5일 이내이거나 현재 시간으로부터 2주 이내이거나 현재 시간으로부터 1 ~ 3개월 이내 등일 수 있다.

상기에 기초하여, 적어도 두 개의 선호도 표시 정보를 획득하는 것은 특정 시간 범위 내에서 이력 데이터 핸들링의 실행 시간, 특정 시간 범위 내에서 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식의 유형들 및 이력 데이터 핸들링의 데이터 객체들을 구체적으로 획득하는 것일 수 있다.

또한, 이력 데이터 핸들링의 실행 시간, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식의 유형들 및 상기 획득된 이력 데이터 핸들링의 데이터 객체들에 기초하여, 데이터 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천하는 구현 방식은:

이력 데이터 핸들링의 실행 시간, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식의 유형들, 및 이력 데이터 핸들링의 데이터 객체들에 따라, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 랭킹을 매기는(rank) 단계; 및

랭킹 결과에 따라, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하는 단계를 포함한다.

특정한 랭킹 방식의 프로세스 흐름은 다음과 같다:

이력 데이터 핸들링의 실행 시간, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식의 유형들, 및 이력 데이터 핸들링의 데이터 객체들에 각각 대응 가중치 계수(weight coefficient)를 구성하는 단계; 가중치 시스템에 따라, 이력 데이터 핸들링의 실행 시간, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식의 유형들, 및 이력 데이터 핸들링의 데이터 객체들에 가중된 평균을 수행하여, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치(recommendation weight)를 획득하는 단계; 그 후 추천 가중치에 따라 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 랭킹을 매기는 단계를 포함한다. 예를 들어, 추천 가중치에 따라 내림차순으로 랭킹을 매기거나 추천 가중치에 따라 오름차순으로 랭킹을 매긴다.

상기 구현 방식에 기초하여, 랭킹 결과가 획득된 후에, 랭킹 결과에 따라 데이터 핸들링 방식이 실행될 데이터 핸들링 태스크에 추천될 수 있다. 예를 들어, 만일 데이터 핸들링 방식이 추천 가중치에 따라 내림차순으로 랭킹이 매겨지면, 첫 번째로 랭킹된 데이터 핸들링 방식이 실행될 데이터 핸들링 태스크에 추천될 수 있고; 만일 데이터 핸들링 방식이 추천 가중치에 따라 오름차순으로 랭킹이 매겨지면, 마지막으로 랭킹된 데이터 핸들링 방식이 실행될 데이터 핸들링 태스크에 추천될 수 있다.

다른 특정 랭킹 방식의 프로세스 흐름은 다음과 같다:

먼저, 이력 데이터 핸들링의 실행 시간 및 실행될 데이터 핸들링 태스크의 실행 시간에 따라, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치가 획득되는데, 이력 데이터 핸들링의 실행 시간과 실행될 데이터 핸들링 태스크의 실행 시간의 차이가 클수록, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치가 작다. 예를 들어, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치는 다음의 수학식 1에 따라 계산될 수 있다.

수학식 1에서, f_i 는 i번째 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식에 해당하는 추천 가중치를 나타내고; pre_date는 실행될 데이터 핸들링 태스크의 실행 시간을 나타내고; d_i 는 i번째 이력 데이터 핸들링의 실행 시간을 나타내며; i = 1, 2, ..., N이며, 여기서 N은 이력 데이터 핸들링의 수이다.

그 후, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치 및 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식의 유형들에 따라, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들은 유형에 따라 랭킹이 매겨져서 제1 랭킹 결과를 획득한다. 제1 랭킹 결과는 실제로 이력 데이터 핸들링에 사용된 데이터 핸들링 방식의 전체 랭킹이다.

예를 들면, 각 유형의 데이터 핸들링 방식이 이력 데이터 핸들링에 사용된 데이터 핸들링 방식의 유형들에 따라 수집될 수 있고, 그 후 각 유형의 데이터 핸들링 방식에 대응하는 추천 가중치가 누적되어, 각 유형에 대응하는 추천 가중치를 획득하고, 각 유형에 대응하는 추천 가중치에 따라 이력 데이터 핸들링에 사용된 데이터 핸들링 방식들이 유형에 따라 랭킹이 매겨진다.

또한, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들은 이력 데이터 핸들링의 데이터 객체들의 세그멘테이션 포인트(segmentation point)에 따라 제1 유형과 제2 유형으로 나눠지고, 제1 유형의 데이터 핸들링 방식에 대응하는 추천 가중치 및 유형에 따라, 제1 유형의 데이터 핸들링 방식들이 유형에 따라 랭킹이 매겨져서 제2 랭킹 결과를 획득하고, 제2 유형의 데이터 핸들링 방식에 대응하는 추천 가중치 및 유형에 따라, 제2 유형의 데이터 핸들링 방식들이 유형에 따라 랭킹이 매겨져서 제3 랭킹 결과를 획득한다. 제2 랭킹 결과는 사실상 데이터 객체가 세그멘테이션 포인트보다 큰 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식의 랭킹이며, 제3 랭킹 결과는 데이터 객체가 세그멘테이션 포인트보다 작거나 같은 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식의 랭킹이다.

구체적으로, 데이터 객체가 세그멘테이션 포인트보다 큰 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식은 제1 유형으로 분류될 수 있고, 데이터 객체가 세그멘테이션 포인트보다 작거나 같은 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식은 제2 유형으로 분류될 수 있다. 각 유형의 데이터 핸들링 방식에 관해서, 데이터 핸들링 방식의 유형에 따라 각 유형의 데이터 핸들링 방식이 수집될 수 있고, 그 후 각 유형의 데이터 핸들링 방식에 대응하는 추천 가중치가 누적되어 각 유형에 대응하는 추천 가중치를 획득하고, 각 유형에 대응하는 추천 가중치에 따라, 그 유형의 데이터 핸들링 방식이 유형에 따라 랭킹이 매겨진다.

상기 구현 방식에서, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식이 이력 데이터 핸들링의 데이터 객체의 세그멘테이션 포인트에 따라 제1 유형 및 제2 유형으로 나눠지기 전에, 세그멘테이션 포인트가 획득될 수 있다. 세그멘테이션 포인트를 획득하는 방법은 다음을 포함하나, 이에 한정되는 것은 아니다:

이력 데이터 핸들링의 데이터 객체들의 랭킹을 매기는 단계; 후보 세그멘테이션 포인트로서 작용(serve)하기 위해 상기 랭킹 단계 후에 서로 인접한 두 개의 데이터 객체들의 평균을 획득하는 단계; 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치 및 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 유형들에 따라 후보 세그멘테이션 포인트의 불순도(impurity)를 계산하는 단계; 및 가장 낮은 불순도를 갖는 후보 세그멘테이션 포인트를 상기 세그멘테이션 포인트로서 선택하는 단계를 포함한다.

수학식 2가 후보 세그멘테이션 포인트를 계산하기 위해 구체적으로 사용될 수 있다.

수학식 2에서, mean_j 는 j번째 후보 세그멘테이션 포인트를 나타내고; amt_j 는 j 번째 데이터 객체를 나타내고; amt_j+1 은 j+1번째 데이터 객체를 나타내고; j = 1, 2,...,(N-1)이며, 여기서 N은 이력 데이터 핸들링의 수, 즉 데이터 객체의 수이다. 인접한 두 개의 데이터 객체의 크기에 따라 "+" 또는 "-"가 선택된다.

후보 세그멘테이션 포인트의 불순도를 계산하는 방법은:

각각의 후보 세그멘테이션 포인트에 관해서, 이력 데이터 핸들링의 데이터 객체를 후보 세그멘테이션 포인트와 각각 비교하여 이력 데이터 핸들링의 데이터 객체를 두 개의 유형으로 나누는 단계를 포함하고, 후보 세그멘테이션보다 큰 데이터 객체를 클래스 A라 칭하고, 후보 세그멘테이션 포인트보다 작거나 같은 데이터 객체를 클래스 B라 칭한다.

클래스 A에 관해서는, 이 클래스의 데이터 객체에 대응하는 추천 가중치의 합을 계산하여 이 클래스에 대응하는 추천 가중치로 간주하고, 그 후 총 추천 가중치(total recommendation weight)에 대한 이 클래스에 대응하는 추천 가중치의 비를 시간 영향 계수(time influence coefficient)로서 간주한다. 추천 가중치는 실행될 데이터 핸들링 태스크와 이력 데이터 핸들링 사이의 시간차만 포함하기 때문에 시간 영향 계수는 추천에서 시간 요소의 영향을 반영한다. 더욱이, 클래스 A의 데이터 객체는 하나 이상의 유형에 속할 수 있다. 각 유형의 데이터 객체에 대응하는 추천 가중치의 합을 계산하여 이 클래스의 각 유형에 대응하는 추천 가중치로서 간주하고, 각 유형에 관해서는 그 유형에 대응하는 비를 이하의 수학식 3에 따라 계산할 수 있고, 그 후 이 클래스의 모든 유형에 대응하는 비를 누적하여 클래스 A의 유형 영향 계수(type influence coefficient)로 간주한다. 추천 가중치는 유형의 측면에서 핸들링되기 때문에, 유형 영향 계수는 추천에서 데이터 핸들링 방식의 유형의 영향을 반영한다.

수학식 3에서, gini_l 은 유형 l에 대응하는 비를 나타내고; 유형 l의 모든 데이터 객체에 대응하는 추천 가중치의 합은

이고;

는 클래스 A의 데이터 객체에 대응하는 추천 가중치의 합을 나타내며, 클래스 A의 유형 영향 계수는

로 나타낼 수 있다.

에서 M은 데이터 핸들링 방식의 유형의 최대 수이다.

클래스 B에 관해서는, 이 클래스의 데이터 객체에 대응하는 추천 가중치의 합을 계산하여 이 클래스에 대응하는 추천 가중치로 간주하고, 총 추천 가중치에 대한 이 클래스에 대응하는 추천 가중치의 비를 계산하여 시간 영향 계수로서 간주한다. 추천 가중치는 실행될 데이터 핸들링 태스크와 이력 데이터 핸들링 사이의 시간차만 포함하기 때문에 시간 영향 계수는 추천에서 시간 요소의 영향을 반영한다. 더욱이, 클래스 B의 데이터 객체는 하나 이상의 유형에 속할 수 있다. 각 유형의 데이터 객체에 대응하는 추천 가중치의 합을 계산하여 이 클래스의 각 유형에 대응하는 추천 가중치로 간주하고, 각 유형에 대하여 그 유형에 대응하는 비를 다음 수학식 3에 따라 계산할 수 있고 그 후 이 클래스의 모든 유형에 대응하는 비를 누적하여 클래스 B의 유형 영향 계수로 간주한다. 추천 가중치는 유형의 측면에서 핸들링되기 때문에, 유형 영향 계수는 추천에서 데이터 핸들링 방식의 유형의 영향을 반영한다.

그런 다음, 클래스 A의 시간 영향 계수와 유형 영향 계수의 곱을 구하고, 클래스 B의 시간 영향 계수와 유형 영향 계수의 곱을 구하여, 두 곱을 더하여 후보 세그멘테이션 포인트의 불순도로 간주한다.

상기 방법을 이용하여 모든 후보 세그멘테이션 포인트의 불순도를 계산할 때, 가장 작은 불순도에 대응하는 후보 세그멘테이션 포인트가 선택되어 상기 사용된 세그멘테이션 포인트로 간주된다.

선택적인 구현 방식에서, 다양한 후보 세그멘테이션 포인트들의 평균이 더 얻어질 수 있고, 후보 세그멘테이션 포인트들의 평균과 상기 세그멘테이션 포인트 사이의 차이가 이력 데이터 핸들링의 데이터 객체들의 변동 계수(variation coefficient)로서 간주된다. 예를 들어, 변동 계수는 지니 계수(Gini coefficient)일 수 있다.

상기 랭킹 결과에 따라, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천하는 방법은:

이력 데이터 핸들링의 데이터 객체들의 변동 계수를 미리 설정된 임계 값과 비교하는 단계를 포함하고;

만일 이력 데이터 핸들링의 데이터 객체들의 상기 변동 계수가 미리 설정된 임계 값보다 작다면, 추천 프로세스에 상대적으로 작은 영향을 가지는 데이터 객체들의 크기가 상대적으로 스무스(smooth)하다고 표시되고, 따라서, 데이처 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천하는 동안에, 데이터 객체들의 영향이 무시될 수 있고, 그 후 제1 랭킹 결과에 따라, 데이터 핸들링 방식이 실행될 데이터 핸들링 태스크에 추천되고;

만일 이력 데이터 핸들링의 데이터 객체들의 상기 변동 계수가 상기 미리 설정된 임계 값 이상이라면, 추천 프로세스에 상대적으로 큰 영향을 가지는 데이터 객체들의 크기가 중요하게 변화한다(varies significant)고 표시되고, 따라서, 데이처 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천하는 동안에, 데이터 객체들의 영향이 고려되어야 하고, 그 후 실행될 데이터 핸들링 태스크의 데이터 객체와 세그멘테이션 포인트 사이의 크기 관계에 따라 제2 랭킹 결과 또는 제3 랭킹 결과에 따라 데이터 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천하도록 결정된다.

실행될 데이터 핸들링 태스크의 데이터 객체가 세그멘테이션 포인트보다 클 때, 제2 랭킹 결과를 사용하여 데이터 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천하도록 결정되고; 실행될 데이터 핸들링 태스크의 데이터 객체가 세그멘테이션 포인트보다 작거나 같을 때, 제3 랭킹 결과를 사용하여 데이터 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천하도록 결정된다.

상기에서 볼 수 있듯이, 이력 데이터 핸들링의 실행 시간 및 사용된 데이터 핸들링 방식의 유형을 고려하지 않고, 데이터 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천하는 동안, 이력 데이터 핸들링의 데이터 객체가 더 명확히 구분될 수 있고, 만일 데이터 객체의 영향이 비교적 크다면 데이터 객체의 영향이 고려되며, 그렇지 않은 경우 데이터 객체의 영향은 무시된다; 따라서 추천된 데이터 핸들링 방식의 정확성이 더 향상될 수 있다.

또한, 많은 양의 애플리케이션 시나리오를 고려하여, 본 출원의 기술적 해결책이 그 이점을 충분히 발휘하는데 도움이 될 수 있도록, 본 출원의 기술적 해결책에 적용 가능한 애플리케이션 시나리오가 미리 설정될 수 있다. 이에 기초하여, 실행될 데이터 핸들링 태스크에 대한 속성 정보에 따라, 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보를 결정하기 전에, 실행될 데이터 핸들링 태스크의 애플리케이션 시나리오가 미리 설정된 애플리케이션 시나리오에 속하는 것인지의 여부가 결정될 수 있고; 만일 결정 결과가 예라면, 실행될 데이터 핸들링 태스크에 관한 속성 정보에 따라, 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보를 결정하는 동작 및 후속 동작들이 실행된다. 결정 결과가 아니오이면, 본 출원의 기술적 해결책은 사용될 수 없고, 예를 들어, 기존의 해결책이 사용되어, 데이터 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천할 수 있다.

당업자가 본 출원의 기술적 해결책을 더 잘 이해하게 하기 위해, 다음의 설명은 특정 애플리케이션 시나리오를 참조하여 이루어진다. 다음의 실시 예에서, 이력 데이터 핸들링 및 실행될 데이터 핸들링 태스크 모두가 결제 서비스의 결제 프로세스인 예를 들면, 상기 데이터 핸들링 방식은 구체적으로 결제 과정을 완료하는 데 요구되는 신용 카드, 은행 카드 및 Alipay™와 같은 결제 방식이다. 따라서, 결제 서비스와 관련된 결제 금액은 상기 데이터 객체로서 간주될 수 있다.

인터넷의 급속한 발전과 함께, 온라인 결제는 점점 더 많은 네티즌의 결제를 위한 첫 번째 선택이 되었다. 현재, 점점 더 많은 결제 애플리케이션이 매우 간단한 계산대(super simple cashier desk)를 적극적으로 홍보하기 시작하고, 오직 하나의 결제 방식만이 매우 간단한 계산대에 나타난다. 결제 방식이 사용자가 원하는 것이 아닐 때, 사용자는 전환을 할 필요가 있으며, 이는 결제 효율에 영향을 미치고 나쁜 사용자 경험을 유발할 수 있다.

위 문제와 관련하여 본 실시 예에서는 완료된 결제 서비스의 결제 시간, 결제 동작에서 사용된 결제 방식의 유형 및 결제 금액과 같은, 결제 서비스를 수행할 때 결제 방식에 대한 사용자 선호도를 반영할 수 있는 다양한 요인들을 종합적으로 고려하여, 결제되어야 할 서비스에 대해 적절하고 필요한 결제 방식을 추천함으로써 결제 효율을 향상시킬 수 있다.

구체적으로는, 각 결제 서비스의 결제 시간, 각 결제 서비스에 포함된 사용자 ID, 각 결제 서비스에 대하여 사용된 결제 방식, 각 결제 서비스의 결제 금액 등을 포함하여, 특정 기간(예를 들면, 최근 3개월) 내에 매우 간단한 계산대를 통해 사용자에 의해 완료된 결제 서비스의 자세한 사항이 수집될 수 있다.

선택적으로 최근 3개월 이내에 완료된 결제 서비스에 사용된 결제 방식의 유형이 카운트되고; 만일 카운트 결과가 1이라면, 최근 3개월 이내에 완료된 결제 서비스가 예를 들어 결제에 동일한 은행 카드를 사용하여 모두 동일한 유형의 결제 방식을 사용한다고 표시되고 그 후 이 결제 방식은 결제되어야 할 서비스에 직접 추천될 수 있고; 만일 카운트 결과가 1보다 크다면, 결제 시간, 사용되는 결제 방식의 유형 및 관련된 결제 금액 등과 같은, 최근 3개월 이내에 완료된 결제 서비스에 대한 정보에 따라 결제 방식이 결제되어야 할 서비스에 추천될 수 있다.

상기 카운트 결과가 1보다 클 때, 결제 방식을 결제될 서비스에 추천하는 구현 프로세스는 도 2에 도시된 개략적인 구조도와 함께 상세히 설명된다.

최근 3개월 내에 완료된 총 N 개의 결제 서비스가 있다고 가정하면, 완료된 각 결제 서비스의 결제 시간은 d로서 식별되고, 예를 들어, 완료된 i 번째 결제 서비스의 결제 시간이 d_i이고, 완료된 각 결제 서비스의 결제 금액은 amt로서 식별되고, 예를 들어, 완료된 i 번째 결제 서비스의 결제 금액은 amt_i이고, i = 1, 2, ..., N이고; 결제될 서비스의 결제 시간은 pre_date로서 식별된다.

먼저, 상기 수학식 1에 따라 각 결제 서비스에 의해 사용된 결제 방식의 추천 가중치가 계산된다.

두 번째 단계에서는 결제 금액의 세그멘테이션 포인트가 계산되며, 이 단계는 구체적으로 다음 동작들을 포함한다:

1) 최근 3개월 이내에 완료된 결제 서비스의 결제 금액의 랭킹을 매기고, 그 후 상기 수학식 2에 따라 N-1 개의 후보 세그멘테이션 포인트를 계산하고, 후보 세그멘테이션 포인트를 평균으로서 식별하고, 예를 들어, j 번째 후보 세그멘테이션 포인트는 mean_j이다.

2) 각각의 후보 세그멘테이션 포인트를 표준으로서 간주하여 각각 완료된 N 개의 결제 서비스를 분류한다.

구체적으로, 후보 세그멘테이션 포인트보다 큰 결제 금액으로 완료된 서비스는 상위(upper) 클래스로 식별되는 하나의 클래스로서 분류된다; 후보 세그멘테이션 포인트보다 작거나 같은 결제 금액으로 완료된 서비스는 하위(lower) 클래스로서 식별되는 또 다른 클래스로서 분류된다. 예를 들어, j 번째 후보 세그멘테이션 포인트에 의해 나뉘는 두 가지 유형은 upper_j와 lower_j이다.

또한, 완료된 모든 결제 서비스에 의해 사용된 결제 방식에 대응하는 추천 가중치의 합이 계산되어, mean_sum으로서 식별되는 총 추천 가중치로 간주된다. 총 추천 가중치는 각 후보 세그멘테이션 포인트와 동일하다.

3) 각 후보 세그멘테이션 포인트 하에서 각 유형에 대한 시간 영향 계수를 획득한다.

upper_j를 j 번째 후보 세그멘테이션 포인트로 나눈 예를 들어, upper_j가 완료된 m 개의 결제 서비스를 갖고 있다고 가정하면, 그 후 수학식 4에 따라, upper_j에 대응하는 추천 가중치의 합이 계산되고, 그 후 수학식 5에 따라, 시간 영향 계수가 계산된다.

동일한 논리에 의해, lower_j의 시간 영향 계수가 계산된다.

또한, 다른 후보 세그멘테이션 포인트들에 의해 나눠진 두 유형의 시간 영향 계수가 계산된다.

4) 각 후보 세그멘테이션 포인트 하에서 각 유형에 대한 유형 영향 계수를 획득한다.

upper_j를 j 번째 후보 세그멘테이션 포인트로 나눈 예를 들어, upper_j가 L개의 결제 유형을 포함하는, 완료된 m 개의 결제 서비스를 갖고 있다고 가정하면, 그 후 수학식 6에 따라, 각 결제 유형에 대응하는 추천 가중치의 합이 계산되고, 그 후 수학식 3에 따라, 각 결제 유형에 대응하는 비가 계산되고; 또한, 수학식 7에 따라 upper_j의 유형 영향 계수가 계산된다.

수학식 6에서 유형 l 하에서 결제 방식의 수가 x라고 가정하면 수학식 6은 구체적으로 유형 l 하에서 x 개의 결제 방식에 대응하는 추천 가중치의 합이다. 상이한 유형들 하의 결제 방식의 수는 상이할 수 있다.

동일한 논리에 의해, lower_j의 유형 영향 계수가 계산된다.

또한, 다른 후보 세그멘테이션 포인트에 의해 나눠진 두 유형의 유형 영향 계수가 계산된다.

5) 각 후보 세그멘테이션 포인트의 불순도를 계산한다.

j 번째의 세그멘테이션 포인트를 예로 들면, 그 불순도는 수학식 8에 따라 계산될 수 있다.

세 번째 단계로, 가장 적은 불순도를 갖는 후보 세그멘테이션 포인트가 모든 후보 세그멘테이션 포인트들로부터 금액 세그멘테이션 포인트(amount segmentation point)로서 선택된다.

네 번째 단계로, 변동 계수가 획득되고, 완료된 결제 서비스에 의해 사용된 결제 방식들의 랭킹이 매겨지고, 랭킹 결과, 변동 계수, 금액 세그멘테이션 포인트와 같은 정보가 출력된다.

완료된 결제 서비스에 의해 사용된 결제 방식들의 랭킹을 매기는 단계는: 완료된 결제 서비스에 의해 사용된 결제 방식에 대응하는 추천 가중치 및 결제 방식의 유형에 따라, 완료된 결제 서비스에 의해 사용된 결제 방식을 유형에 따라 랭킹을 매겨서, 제1 랭킹 결과(즉, 전체 랭킹 결과)를 획득하는 단계; 금액 세그멘테이션 포인트에 따라 완료된 결제 서비스에 의해 사용된 결제 방식을 제1 유형 및 제2 유형으로 나누는 단계(완료된 결제 서비스에 의해 사용되고 그 결제 금액이 금액 세그멘테이션 포인트보다 큰 결제 방식은 제1 유형으로 분류되고, 완료된 결제 서비스에 의해 사용되고 그 결제 금액이 금액 세그멘테이션 포인트보다 작은 결제 방식은 제2 유형으로 분류된다), 제1 유형의 결제 방식에 대응하는 유형 및 추천 가중치에 따라, 유형들에 따라 제1 유형의 결제 방식의 랭킹을 매겨서, 제2 랭킹 결과를 획득하는 단계(랭킹 결과는 금액 세그멘테이션 포인트보다 큼), 및 제2 유형의 결제 방식에 대응하는 유형 및 추천 가중치에 따라, 유형들에 따라 제2 유형의 결제 방식의 랭킹을 매겨서, 제3 랭킹 결과를 획득하는 단계(랭킹 결과는 금액 세그멘테이션 포인트보다 작음)를 포함한다.

또한, 랭킹 결과, 변동 계수 및 금액 세그멘테이션 포인트와 같은 정보를 출력하는 상기를 위한 방법은: 사용자 ID를 주요 키(key)로 간주하는 단계, 및 상기 금액 세그멘테이션 포인트, 제1 랭킹 결과, 제2 랭킹 결과, 제3 랭킹 결과 및 변동 계수를 하나의 데이터 레코드로서 출력하는 단계를 포함한다.

그런 다음, 위 출력의 결과에 기초하여, 결제 방식이 결제될 서비스에 추천된다.

구체적인 추천 프로세스는 다음과 같다:

상기 변동 계수는 미리 설정된 임계 값와 비교되며, 미리 설정된 임계 값은 0.5일 수 있으나, 이에 한정되는 것은 아니다.

상기 변동 계수가 미리 설정된 임계 값보다 작으면, 추천 프로세스에 상대적으로 작은 영향을 미치는 결제 금액이 상대적으로 스무스한 것으로 표시되고 따라서, 결제 방식을 결제될 서비스에 추천하는 동안에, 결제 금액의 영향이 무시될 수 있고, 그 후 제1 랭킹 결과(즉, 전체 랭킹 결과)에 따라 결제 방식이 결제될 서비스에 추천된다.

만일 상기 변동 계수가 미리 설정된 임계 값보다 크거나 같다면, 추천 프로세스에 상대적으로 큰 영향을 가지는 결제 금액이 중요하게 변화한다고 표시되고, 따라서, 결제 방식을 결제될 서비스에 추천하는 동안에, 결제 금액의 영향이 고려되어야 하고, 그 후 지불될 서비스의 결제 금액과 금액 세그멘테이션 포인트의 크기 관계에 따라 제2 랭킹 결과(그 랭킹 결과는 금액 세그멘테이션 포인트보다 더 큼) 또는 제3 랭킹 결과(그 랭킹 결과는 금액 세그멘테이션 포인트보다 더 작음)에 따라 결제 방식을 지불될 서비스에 추천하도록 결정된다. 구체적으로, 결제될 서비스의 결제 금액이 금액 세그멘테이션 포인트보다 더 클 때, 제2 랭킹 결과가 사용되어 결제 방식을 결제될 서비스에 추천하고; 결제될 서비스의 결제 금액이 금액 세그멘테이션 포인트보다 더 작을 때, 제3 랭킹 결과가 사용되어 결제 방식을 결제될 서비스에 추천한다.

본 발명자는 다수의 실험을 통하여, 결제 방식을 매우 간단한 계산대를 통해 결제될 서비스에 추천하는 본 실시 예에 의해 제공된 방법을 사용함으로써, 명중률(accuracy rate)이 87%에 도달할 수 있고, 이에 반해, 종래 기술에서 마지막 사용된 결제 방식을 결제될 서비스에 추천하는 디폴트 방법을 사용함으로써 명중률이 79%라는 것을 발견하였다. 본 실시 예에서의 명중률은 이전의 방법과 비교하여 8% 증가한다.

상기로부터 본 출원에 의해 제공된 기술적 해결책이 결제 시나리오에 적용된다는 것을 알 수 있다. 매우 간단한 계산대를 통해 지정된 시간 내에 완료된 결제 서비스의 결제 시간, 사용된 결제 방식의 유형, 관련된 결제 금액과 같은 사용자의 다중-차원 정보가 수집되고, 이 정보는 매우 간단한 계산대를 통해 결제 서비스를 수행할 때 결제 방식에 대한 사용자의 사용 습관을 반영하는데 사용되고; 결제될 서비스에 추천하기 위해 필요한 정보는 그 후 출력되고; 출력 정보에 기초하여 결제될 서비스에 결제 방식이 추천된다. 그러한 추천 방법은 결제 방식에 대한 사용자의 사용 습관을 충분히 존중하고, 결제 방식의 전환을 감소시키며, 이에 의해 결제 서비스의 효율을 향상시키고, 사용자 경험을 최적화할 수 있다.

간단히 하기 위해, 전술한 방법 실시 예들 각각은 일련의 동작(action)으로서 표현된다는 것을 유의해야 한다. 그러나, 본 출원에 따르면, 일부 단계는 다른 순서를 채택할 수 있거나 동시에 발생할 수 있기 때문에, 본 출원은 설명된 동작의 순서에 제한되지 않는다는 것을 당업자는 인식해야 한다. 또한, 당업자라면 본 명세서에 기재된 실시 예가 선호되는 실시 예이며, 이들 실시 예에 관련된 동작 및 모듈이 본 출원에 반드시 필요한 것은 아니라는 것을 이해해야 한다.

전술 한 실시 예에서, 각 실시 예의 설명은 각각의 초점을 갖는다. 실시 예에서 상세히 설명되지 않은 부분에 대해서는 다른 실시 예에서 관련된 설명이 참조될 수 있다.

도 3은 본 출원의 실시 예에 의해 제공되는 데이터 핸들링 장치의 개략적인 구조도이다. 도 3에 도시된 바와 같이, 이 장치는 결정 모듈(30), 획득 모듈(31) 및 추천 모듈(32)을 포함한다.

결정 모듈(30)은 실행될 데이터 핸들링 태스크에 관한 속성 정보에 따라 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보를 결정하도록 구성된다.

획득 모듈(31)은 결정 모듈(30)에 의해 결정된 이력 데이터 핸들링 정보로부터 적어도 두 개의 선호도 표시 정보를 획득하도록 구성되며, 선호도 표시 정보는 데이터 핸들링 방식에 대한 이력 데이터 핸들링의 사용 선호도를 반영할 수 있다.

추천 모듈(32)은 획득 모듈(31)에 의해 획득된 적어도 두 개의 선호도 표시 정보에 따라 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천하도록 구성된다.

선택적으로, 실행될 데이터 핸들링 태스크에 관한 상기 속성 정보는: 실행될 데이터 핸들링 태스크의 사용자 식별자, 실행될 데이터 핸들링 태스크의 데이터 객체의 값, 및 실행될 데이터 핸들링 태스크의 실행 시간 중 하나 또는 임의의 조합을 포함한다.

상응하여, 결정 모듈(30)은 다음 동작들, 즉,

상기 실행될 데이터 핸들링 태스크의 사용자 식별자에 관련된 이력 데이터 핸들링 정보를 획득하는 동작;

데이터 객체의 값이 상기 실행될 데이터 핸들링 태스크의 데이터 객체의 값이 위치한 간격 범위 내에 있을 때 이력 데이터 핸들링 정보를 획득하는 동작; 및

실행 시간이 상기 실행될 데이터 핸들링 태스크의 실행 시간이 위치한 시간 범위 내에 있을 때 이력 데이터 핸들링 정보를 획득하는 동작;

중 하나 또는 임의의 조합을 실행하도록 특별히 구성된다.

선택적 구현 방식에서, 획득 모듈(31)은 이력 데이터 핸들링 정보로부터, 이력 데이터 핸들링의 실행 시간, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식의 유형들, 및 이력 데이터 핸들링의 데이터 객체들을 획득하도록 특별히 구성된다.

선택적 구현 방식에서, 추천 모듈(32)은 이력 데이터 핸들링의 실행 시간, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식의 유형들, 및 이력 데이터 핸들링의 데이터 객체들에 따라, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 랭킹을 매기고;

랭킹 결과에 따라, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천하도록 특별히 구성된다.

또한, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 랭킹을 매길 때, 추천 모듈(32)은,

이력 데이터 핸들링의 실행 시간 및 실행될 데이터 핸들링 태스크의 실행 시간에 따라, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치(recommendation weight)를 획득하고 - 이력 데이터 핸들링의 실행 시간과 실행될 데이터 핸들링 태스크의 실행 시간의 차이가 클수록, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치가 작음 - ;

이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치 및 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식의 유형들에 따라, 유형들에 따라 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 랭킹을 매겨서 제1 랭킹 결과를 획득하고;

이력 데이터 핸들링의 데이터 객체들의 세그멘테이션 포인트에 따라, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들을 제1 유형 및 제2 유형으로 나누고, 제1 유형의 데이터 핸들링 방식들에 대응하는 유형들 및 추천 가중치에 따라, 유형들에 따라 제1 유형의 데이터 핸들링 방식들의 랭킹을 매겨서 제2 랭킹 결과를 획득하고, 제2 유형의 데이터 핸들링 방식들에 대응하는 유형들 및 추천 가중치에 따라 유형들에 따라 제2 유형의 데이터 핸들링 방식들의 랭킹을 매겨서 제3 랭킹 결과를 획득하도록 특별히 구성된다.

선택적 구현 방식에서, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 랭킹을 매길 때, 추천 모듈(32)은 또한,

이력 데이터 핸들링의 데이터 객체들의 크기에 따라, 이력 데이터 핸들링의 데이터 객체들의 랭킹을 매기고;

후보 세그멘테이션 포인트로서 작용하기 위해 상기 랭킹 단계 후에 서로 인접한 두 개의 데이터 객체들의 평균을 획득하고;

이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치 및 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 유형들에 따라 상기 후보 세그멘테이션 포인트의 불순도(impurity)를 계산하며;

가장 낮은 불순도를 갖는 후보 세그멘테이션 포인트를 상기 세그멘테이션 포인트로서 선택하도록 구성된다.

선택적인 구현 방식에서, 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 랭킹을 매길 때, 추천 모듈(32)은 또한 이력 데이터 핸들링의 데이터 객체들의 변동 계수로서 작용하기 위해, 상기 후보 세그멘테이션 포인트들의 평균과 상기 세그멘테이션 포인트 간의 차이를 획득하도록 구성된다.

선택적 구현 방식에서, 데이터 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천할 때, 추천 모듈(32)은,

만일 이력 데이터 핸들링의 데이터 객체들의 변동 계수가 미리 설정된 임계 값보다 작다면, 제1 랭킹 결과에 따라, 실행될 데이터 핸들링 태스크에 데이터 핸들링 방식을 추천하고;

만일 이력 데이터 핸들링의 데이터 객체들의 변동 계수가 상기 미리 설정된 임계 값 이상이라면, 실행될 데이터 핸들링 태스크의 데이터 객체와 세그멘테이션 포인트 사이의 크기 관계에 따라 제2 랭킹 결과 또는 제3 랭킹 결과에 따라 데이터 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천하기로 결정하도록 특별히 구성된다.

선택적 구현 방식에서, 결정 모듈(30)은 실행될 데이터 핸들링 태스크의 애플리케이션 시나리오가 미리 설정된 애플리케이션 시나리오에 속하는지 여부를 결정하고; 만일 결정 결과가 예라면, 실행될 데이터 핸들링 태스크에 관한 속성 정보에 따라, 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보를 결정하는 동작을 실행하도록 특별히 구성된다. 미리 설정된 애플리케이션 시나리오는 데이터 핸들링을 위해 이 실시 예에 의해 제공된 장치의 사용이 특정한 유익한 효과를 생성할 수 있는 애플리케이션 시나리오, 또는 데이터 핸들링을 위해 본 실시 예에 의해 제공되는 장치의 사용에 적합하다고 단순히 믿어지는 애플리케이션 시나리오를 지칭한다.

이 실시 예에 의해 제공되는 데이터 핸들링 장치는 이력 데이터 핸들링 정보로부터 데이터 핸들링 방식에 대한 이력 데이터 핸들링의 사용 선호도를 반영할 수 있는 적어도 두 개의 선호도 표현 정보를 획득하고, 획득된 적어도 두 개의 선호도 표시 정보에 따라 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식을 실행될 데이터 핸들링 태스크에 추천한다. 데이터 핸들링 방식에 대한 이력 데이터 핸들링의 사용 선호도를 반영할 수 있는 적어도 두개의 정보가 데이터 핸들링 방식의 추천을 위해 동시에 사용되기 때문에, 추천된 데이터 핸들링 방식은 데이터 핸들링 방식에 대한 사용 선호도에 부합하고, 따라서, 실행될 데이터 핸들링 태스크에 의해 요구되는 데이터 핸들링 방식이 추천될 수 있고, 그 후 추천된 데이터 핸들링 방식에 기초하여 실행될 데이터 핸들링 태스크가 직접 수행될 수 있어, 이는 데이터 핸들링 방식을 재선택할 확률을 감소시키고, 데이터 핸들링의 실행 효율을 향상시키는 것을 용이하게 한다.

편리하고 간단한 설명을 위해, 전술한 시스템, 장치 및 유닛의 상세한 작업 프로세스에 대해, 전술한 방법 실시 예에서 대응 프로세스를 참조하고, 자세한 사항은 여기서 다시 기술되지 않음을 당업자는 분명히 이해할 수 있다.

본 출원에 제공된 몇몇 실시 예에서, 개시된 시스템, 장치 및 방법은 다른 방식으로 구현될 수 있다는 것을 이해해야 한다. 예를 들어, 설명된 장치 실시 예는 단지 예시적인 것이다. 예를 들어, 유닛 구분은 논리적인 기능 구분일 뿐이며 실제 구현에서는 다른 구분일 수 있다. 예를 들어, 여러 유닛 또는 컴포넌트가 결합되거나 다른 시스템에 통합되거나 일부 특징이 무시되거나 수행되지 않을 수 있다. 또한, 디스플레이되거나 논의된 상호 결합 또는 직접 결합 또는 통신 연결은 일부 인터페이스를 사용함으로써 구현될 수 있다. 장치 또는 유닛 간의 간접적 결합 또는 통신 접속은 전자적, 기계적 또는 다른 형태로 구현될 수 있다.

분리된 부분들로서 기술된 유닛들은 물리적으로 분리될 수도 있고 그렇지 않을 수도 있고, 유닛들로서 디스플레이된 부분들은 물리적 유닛일 수도 있고 아닐 수도 있으며, 한 위치에 위치되거나 또는 복수의 네트워크 유닛 상에 분포될 수 있다. 상기 유닛들의 일부 또는 전부는 실시 예들에서 상기 해결책들의 목적을 달성하기 위한 실제 요구에 따라 선택될 수 있다.

또한, 본 출원의 각 실시 예의 기능 유닛은 하나의 핸들링 유닛에 통합되거나, 또는 각각의 유닛이 물리적으로 단독으로 존재할 수도 있고, 또는 두 개 이상의 유닛이 하나의 유닛으로 통합될 수도 있다. 전술한 통합 유닛은 하드웨어의 형태로 구현될 수 있거나 소프트웨어 기능 유닛에 부가하여 하드웨어의 형태로 구현될 수 있다.

소프트웨어 기능 유닛의 형태로 구현된 통합 유닛은 컴퓨터 판독 가능 저장 매체에 저장될 수 있다. 소프트웨어 기능 유닛은 저장 매체에 저장되며, 컴퓨터 장치(퍼스널 컴퓨터, 데이터 핸들링 방식 기계 또는 네트워크 장치일 수 있음) 또는 프로세서(processor)에게 본 출원의 실시 예들에 기술된 방법들의 단계들의 일부를 수행하라고 명령하기 위한 몇 가지 명령어들을 포함한다. 상기 저장 매체는 USB 플래시 드라이브, 탈착식 하드 디스크, ROM(Read-Only Memory), RAM(Random Access Memory), 자기 디스크 또는 광학 디스크와 같이, 프로그램 코드를 저장할 수 있는 임의의 매체를 포함할 수 있다.

마지막으로, 상기 실시 예들은 본 출원의 기술적 해결책을 설명하기 위해서만 사용되며, 본 출원을 정의하고자 하는 의도가 아니라는 것을 알아야 한다. 본 출원이 상기 실시 예들로 상세하게 설명되었지만, 상기 실시 예들에서 기술된 기술적 해결책들에 변경이 가해질 수 있거나, 동등한 대체가 기술적 해결책들의 기술적 특징들의 부분에 수행될 수 있음은 당업자에게 명백할 것이다. 변경 및 대체는 해당 기술적 해결책의 본질을 본 출원의 실시 예에서 기술적 해결책의 정신 및 범위와 분리되게 하지 않는다.

Claims

데이터 핸들링 방법에 있어서,
결정 모듈에 의해, 실행될 데이터 핸들링 태스크(task)에 관한 속성 정보에 따라, 상기 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보를 결정하는 단계;
획득 모듈에 의해, 상기 이력 데이터 핸들링 정보로부터 적어도 두 개의 선호도 표시 정보(two pieces of preference representation information) - 상기 선호도 표시 정보는 데이터 핸들링 방식(data handling mode)에 대한 이력 데이터 핸들링의 사용 선호도를 반영할 수 있음 - 를 획득하는 단계;
추천 모듈에 의해, 상기 이력 데이터 핸들링의 실행 시간 및 상기 실행될 데이터 핸들링 태스크의 실행 시간에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치(recommendation weight)를 획득하는 단계로서, 상기 이력 데이터 핸들링의 실행 시간과 상기 실행될 데이터 핸들링 태스크의 실행 시간의 차이가 클수록, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치가 작은 것인, 상기 추천 가중치 획득 단계; 및
상기 추천 모듈에 의해, 상기 적어도 두 개의 선호도 표시 정보 및 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하는 단계
를 포함하고,
상기 추천하는 단계는, 가장 높은 추천 가중치를 갖는 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하는 것을 포함하는 것을 특징으로 하는 데이터 핸들링 방법.
제1항에 있어서, 상기 실행될 데이터 핸들링 태스크에 관한 속성 정보는,
상기 실행될 데이터 핸들링 태스크의 사용자 식별자, 상기 실행될 데이터 핸들링 태스크의 데이터 객체의 값, 상기 실행될 데이터 핸들링 태스크의 실행 시간 중 하나 또는 이들의 임의의 조합을 포함하고;
상기 실행될 데이터 핸들링 태스크에 관한 속성 정보에 따라, 상기 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보를 결정하는 단계는,
상기 실행될 데이터 핸들링 태스크의 사용자 식별자에 관련된 이력 데이터 핸들링 정보를 획득하는 단계;
데이터 객체의 값이 상기 실행될 데이터 핸들링 태스크의 데이터 객체의 값이 위치한 간격 범위 내에 있을 때 이력 데이터 핸들링 정보를 획득하는 단계; 및
실행 시간이 상기 실행될 데이터 핸들링 태스크의 실행 시간이 위치한 시간 범위 내에 있을 때 이력 데이터 핸들링 정보를 획득하는 단계
중 하나 또는 임의의 조합을 상응하여(correspondingly) 포함하는 것을 특징으로 하는 데이터 핸들링 방법.
제1항 또는 제2항에 있어서, 상기 이력 데이터 핸들링 정보로부터 적어도 두 개의 선호도 표시 정보를 획득하는 단계는,
상기 이력 데이터 핸들링 정보로부터, 상기 이력 데이터 핸들링의 실행 시간, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 유형들, 및 상기 이력 데이터 핸들링의 데이터 객체들을 획득하는 단계를 포함하는 것을 특징으로 하는 데이터 핸들링 방법.
제3항에 있어서, 상기 적어도 두 개의 선호도 표시 정보에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하는 단계는,
상기 이력 데이터 핸들링의 실행 시간, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 유형들, 및 상기 이력 데이터 핸들링의 데이터 객체들에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 랭킹을 매기는(rank) 단계; 및
랭킹 결과에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하는 단계를 포함하는 것을 특징으로 하는 데이터 핸들링 방법.
제4항에 있어서,
상기 이력 데이터 핸들링의 실행 시간, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 유형들, 및 상기 이력 데이터 핸들링의 데이터 객체들에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 랭킹을 매기는(rank) 단계는,
상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치 및 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 유형들에 따라, 상기 유형들에 따라 상기 이력 데이터 핸들링에 의해 사용된 모든 데이터 핸들링 방식들의 랭킹을 매겨서, 제1 랭킹 결과를 획득하는 단계; 및
상기 이력 데이터 핸들링의 데이터 객체들의 세그멘테이션 포인트에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들을 제1 유형 및 제2 유형으로 나누고; 상기 제1 유형의 데이터 핸들링 방식들에 대응하는 유형들 및 추천 가중치에 따라, 상기 유형들에 따라 상기 제1 유형의 데이터 핸들링 방식들의 랭킹을 매겨서 제2 랭킹 결과를 획득하고; 상기 제2 유형의 데이터 핸들링 방식들에 대응하는 유형들 및 추천 가중치에 따라, 상기 유형들에 따라 상기 제2 유형의 데이터 핸들링 방식들의 랭킹을 매겨서 제3 랭킹 결과를 획득하는 단계를 포함하는 것을 특징으로 하는 데이터 핸들링 방법.
제5항에 있어서, 상기 이력 데이터 핸들링의 데이터 객체들의 세그멘테이션 포인트에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들을 제1 유형 및 제2 유형으로 나누기 전에,
상기 이력 데이터 핸들링의 데이터 객체들의 크기에 따라, 상기 이력 데이터 핸들링의 데이터 객체들의 랭킹을 매기는 단계;
후보 세그멘테이션 포인트로서 작용하기 위해, 상기 랭킹을 매기는 단계 후에 서로 인접한 두 개의 데이터 객체들의 평균을 획득하는 단계;
상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치 및 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 유형들에 따라, 상기 후보 세그멘테이션 포인트의 불순도(impurity)를 계산하는 단계; 및
가장 낮은 불순도를 갖는 후보 세그멘테이션 포인트를 상기 세그멘테이션 포인트로서 선택하는 단계를 포함하는 것을 특징으로 하는 데이터 핸들링 방법.
제6항에 있어서,
상기 이력 데이터 핸들링의 데이터 객체들의 변동 계수(variation coefficient)로서 작용하기 위해 상기 후보 세그멘테이션 포인트들의 평균과 상기 세그멘테이션 포인트 간의 차이를 획득하는 단계를 더 포함하는 것을 특징으로 하는 데이터 핸들링 방법.
제5항에 있어서, 랭킹 결과에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하는 단계는,
만일 상기 이력 데이터 핸들링의 데이터 객체들의 변동 계수가 미리 설정된 임계 값(threshold)보다 작다면, 상기 제1 랭킹 결과에 따라, 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하는 단계; 및
만일 상기 이력 데이터 핸들링의 데이터 객체들의 변동 계수가 상기 미리 설정된 임계 값보다 크거나 같다면, 상기 실행될 데이터 핸들링 태스크의 데이터 객체와 상기 세그멘테이션 포인트 사이의 크기 관계에 따라 상기 제2 랭킹 결과 또는 상기 제3 랭킹 결과에 따라 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하기로 결정하는 단계를 포함하는 것을 특징으로 하는 데이터 핸들링 방법.
제1항 또는 제2항에 있어서, 상기 실행될 데이터 핸들링 태스크에 관한 속성 정보에 따라, 상기 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보를 결정하는 단계 전에,
상기 실행될 데이터 핸들링 태스크의 애플리케이션 시나리오가 미리 설정된 애플리케이션 시나리오에 속하는지 여부를 결정하는 단계; 및
결정 결과가 예라면, 상기 실행될 데이터 핸들링 태스크에 관한 속성 정보에 따라, 상기 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보를 결정하는 동작을 실행하는 단계를 더 포함하는 것을 특징으로 하는 데이터 핸들링 방법.
데이터 핸들링 장치에 있어서,
실행될 데이터 핸들링 태스크에 관한 속성 정보에 따라, 상기 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보를 결정하도록 구성되는 결정 모듈;
상기 이력 데이터 핸들링 정보로부터 적어도 두 개의 선호도 표시 정보(two pieces of preference representation information) - 상기 선호도 표시 정보는 데이터 핸들링 방식에 대한 이력 데이터 핸들링의 사용 선호도를 반영할 수 있음 - 를 획득하도록 구성되는 획득 모듈; 및
상기 이력 데이터 핸들링의 실행 시간 및 상기 실행될 데이터 핸들링 태스크의 실행 시간에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치 - 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치는, 상기 이력 데이터 핸들링의 실행 시간과 상기 실행될 데이터 핸들링 태스크의 실행 시간의 차이가 클수록 작음 - 를 획득하고, 상기 적어도 두 개의 선호도 표시 정보 및 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하도록 구성되는 추천 모듈
을 포함하고,
상기 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하는 것은 가장 높은 추천 가중치를 갖는 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하는 것을 포함하는 것을 특징으로 하는 데이터 핸들링 장치.
제10항에 있어서, 상기 실행될 데이터 핸들링 태스크에 관한 속성 정보는,
상기 실행될 데이터 핸들링 태스크의 사용자 식별자, 상기 실행될 데이터 핸들링 태스크의 데이터 객체의 값, 상기 실행될 데이터 핸들링 태스크의 실행 시간 중 하나 또는 이들의 임의의 조합을 포함하고;
상기 결정 모듈은 구체적으로,
상기 실행될 데이터 핸들링 태스크의 사용자 식별자에 관련된 이력 데이터 핸들링 정보를 획득하는 동작;
데이터 객체의 값이 상기 실행될 데이터 핸들링 태스크의 데이터 객체의 값이 위치한 간격 범위 내에 있을 때 이력 데이터 핸들링 정보를 획득하는 동작; 및
실행 시간이 상기 실행될 데이터 핸들링 태스크의 실행 시간이 위치한 시간 범위 내에 있을 때 이력 데이터 핸들링 정보를 획득하는 동작
중 하나 또는 임의의 조합을 실행하도록 구성되는 것을 특징으로 하는 데이터 핸들링 장치.
제10항 또는 제11항에 있어서,
상기 획득 모듈은 구체적으로,
상기 이력 데이터 핸들링 정보로부터, 상기 이력 데이터 핸들링의 실행 시간, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 유형들, 및 상기 이력 데이터 핸들링의 데이터 객체들을 획득하도록 구성되는 것을 특징으로 하는 데이터 핸들링 장치.
제12항에 있어서, 상기 추천 모듈은 구체적으로,
상기 이력 데이터 핸들링의 실행 시간, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 유형들, 및 상기 이력 데이터 핸들링의 데이터 객체들에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 랭킹을 매기고;
랭킹 결과에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들로부터 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하도록 구성되는 것을 특징으로 하는 데이터 핸들링 장치.
제13항에 있어서, 상기 추천 모듈은 구체적으로,
상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치 및 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 유형들에 따라, 상기 유형들에 따라 상기 이력 데이터 핸들링에 의해 사용된 모든 데이터 핸들링 방식들의 랭킹을 매겨서 제1 랭킹 결과를 획득하고;
상기 이력 데이터 핸들링의 데이터 객체들의 세그멘테이션 포인트에 따라, 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들을 제1 유형 및 제2 유형으로 나누고; 상기 제1 유형의 데이터 핸들링 방식들에 대응하는 유형들 및 추천 가중치에 따라, 상기 유형들에 따라 상기 제1 유형의 데이터 핸들링 방식들의 랭킹을 매겨서 제2 랭킹 결과를 획득하고; 상기 제2 유형의 데이터 핸들링 방식들에 대응하는 유형들 및 추천 가중치에 따라, 상기 유형들에 따라 상기 제2 유형의 데이터 핸들링 방식들의 랭킹을 매겨서 제3 랭킹 결과를 획득하도록 구성되는 것을 특징으로 하는 데이터 핸들링 장치.
제14항에 있어서, 상기 추천 모듈은 또한,
상기 이력 데이터 핸들링의 데이터 객체들의 크기에 따라, 상기 이력 데이터 핸들링의 데이터 객체들의 랭킹을 매기고;
후보 세그멘테이션 포인트로서 작용하기 위해, 상기 랭킹을 매긴 후에 서로 인접한 두 개의 데이터 객체들의 평균을 획득하고;
상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들에 대응하는 추천 가중치 및 상기 이력 데이터 핸들링에 의해 사용된 데이터 핸들링 방식들의 유형들에 따라, 상기 후보 세그멘테이션 포인트의 불순도(impurity)를 계산하며;
가장 낮은 불순도를 갖는 후보 세그멘테이션 포인트를 상기 세그멘테이션 포인트로서 선택하도록 구성되는 것을 특징으로 하는 데이터 핸들링 장치.
제15항에 있어서, 상기 추천 모듈은 또한,
상기 이력 데이터 핸들링의 데이터 객체들의 변동 계수로서 작용하기 위하여 상기 후보 세그멘테이션 포인트들의 평균과 상기 세그멘테이션 포인트 사이의 차이를 획득하도록 구성되는 것을 특징으로 하는 데이터 핸들링 장치.
제14항에 있어서, 상기 추천 모듈은 구체적으로,
만일 상기 이력 데이터 핸들링의 데이터 객체들의 변동 계수가 미리 설정된 임계 값보다 작다면, 상기 제1 랭킹 결과에 따라, 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하고;
만일 상기 이력 데이터 핸들링의 데이터 객체들의 변동 계수가 상기 미리 설정된 임계 값보다 크거나 같다면, 상기 실행될 데이터 핸들링 태스크의 데이터 객체와 상기 세그멘테이션 포인트 사이의 크기 관계에 따라 상기 제2 랭킹 결과 또는 상기 제3 랭킹 결과에 따라 데이터 핸들링 방식을 상기 실행될 데이터 핸들링 태스크에 추천하기로 결정하도록 구성되는 것을 특징으로 하는 데이터 핸들링 장치.
제10항 또는 제11항에 있어서, 상기 결정 모듈은 구체적으로,
상기 실행될 데이터 핸들링 태스크의 애플리케이션 시나리오가 미리 설정된 애플리케이션 시나리오에 속하는지 여부를 결정하고;
만일 결정 결과가 예라면, 상기 실행될 데이터 핸들링 태스크에 관한 속성 정보에 따라, 상기 실행될 데이터 핸들링 태스크에 대응하는 이력 데이터 핸들링 정보를 결정하는 동작을 실행하도록 구성되는 것을 특징으로 하는 데이터 핸들링 장치.