WO2021169960A1 - 一种配置文件的推荐方法、装置及系统 - Google Patents

一种配置文件的推荐方法、装置及系统 Download PDF

Info

Publication number
WO2021169960A1
WO2021169960A1 PCT/CN2021/077489 CN2021077489W WO2021169960A1 WO 2021169960 A1 WO2021169960 A1 WO 2021169960A1 CN 2021077489 W CN2021077489 W CN 2021077489W WO 2021169960 A1 WO2021169960 A1 WO 2021169960A1
Authority
WO
WIPO (PCT)
Prior art keywords
vector
recommended
parameter
value
indicator
Prior art date
Application number
PCT/CN2021/077489
Other languages
English (en)
French (fr)
Inventor
王梦硕
涂威威
Original Assignee
第四范式（北京）技术有限公司
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 第四范式（北京）技术有限公司 filed Critical 第四范式（北京）技术有限公司
Publication of WO2021169960A1 publication Critical patent/WO2021169960A1/zh

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • the present disclosure relates to the technical field of recommendation, and more specifically, to a method for recommending configuration files, a device for recommending configuration files, a system including at least one computing device and at least one storage device, and a computer-readable storage medium .
  • Drilling fluid is an important material in drilling operations. It is responsible for transporting and suspending cuttings, cooling the drill bit, reducing the friction of the rotating column, stabilizing and consolidating the well wall, preventing the bottom fluid from flowing into the well, transferring water power, and providing address information. Function.
  • the performance indicators of drilling fluid mainly include: density, viscosity, shear force, fluid loss and filter cake, sand content, solid content, pH value, etc. These performance indicators can affect the quality, efficiency and production safety of drilling work. For different drilling scenarios, the performance of the drilling fluid needs to reach different indicators. In order to meet the needs of various operations, it is necessary to determine the addition amount of various active ingredients (such as bentonite, various treatment agents, weighting materials, drill cuttings, etc.) in the drilling fluid to form a specific drilling fluid formula.
  • various active ingredients such as bentonite, various treatment agents, weighting materials, drill cuttings, etc.
  • An object of the present disclosure is to provide a new technical solution for automatically recommending configuration files.
  • a method for recommending configuration files including:
  • the vector value of the recommended parameter vector is selected according to the constraint value of the corresponding indicator and the vector value of the multiple sets of parameter vectors;
  • a recommended profile is determined, and the recommended profile is provided to the user.
  • a device for recommending configuration files including:
  • the user interaction module is configured to obtain the parameter ranges of various configuration items in the configuration file and the constraint values of multiple indicators used to measure the performance of the configuration file;
  • An interpreter configured to generate vector values of multiple sets of parameter vectors according to the parameter ranges of the configuration items; wherein the parameter vectors are vectors formed by the configuration items in a set order;
  • the back-end engine is configured to select the vector value of the recommended parameter vector based on the preset machine learning model corresponding to each of the indicators, according to the constraint value of the corresponding indicator and the vector values of the multiple sets of parameter vectors;
  • the interpreter is further configured to determine a recommended configuration file according to the vector value of the recommended parameter vector;
  • the user interaction module is also configured to provide the recommended profile to the user.
  • a system including at least one computing device and at least one storage device, wherein the at least one storage device is configured to store instructions that are used by the at least one computing device At runtime, the at least one computing device is caused to execute the method according to the first aspect of the present disclosure.
  • a computer-readable storage medium having a computer program stored thereon, and the computer program, when executed by a processor, implements the method as described in the first aspect of the present disclosure.
  • the configuration file can be automatically designed according to the parameter range of the configuration item in the configuration file and the constraint value of the index, which has high ease of use.
  • the configuration file by automatically designing the configuration file, there is no need to spend manpower and material resources for manual design, which greatly reduces the cost of manpower and materials, and can reduce the economic loss caused by the low performance of the configuration file in emergencies.
  • designing the formula based on the content of the active ingredients in the raw materials can avoid the problem that the experience cannot be reused due to batch differences in raw materials.
  • FIG. 1 is a block diagram of an example of the hardware configuration of an electronic device that can be used to implement an embodiment of the present disclosure.
  • FIG. 2 is a schematic flowchart of a method for recommending a configuration file according to an embodiment of the present disclosure
  • Fig. 3 is a schematic flowchart of steps of training a machine learning model according to an embodiment of the present disclosure
  • Fig. 4 is a block schematic diagram of an example of a device for recommending a configuration file according to an embodiment of the present disclosure
  • Fig. 5 is a block schematic diagram of another example of a device for recommending a configuration file according to an embodiment of the present disclosure
  • Fig. 6 is a block schematic diagram of a system according to an embodiment of the present disclosure.
  • FIG. 1 is a block diagram showing a hardware configuration of an electronic device 1000 that can implement an embodiment of the present disclosure.
  • the electronic device 1000 may be a portable computer, a desktop computer, a mobile phone, a tablet computer, and the like. As shown in FIG. 1, the electronic device 1000 may include a processor 1100, a memory 1200, an interface device 1300, a communication device 1400, a display device 1500, an input device 1600, a speaker 1700, a microphone 1800, and so on.
  • the processor 1100 may be a central processing unit (CPU), a microprocessor MCU, or the like.
  • the memory 1200 includes, for example, ROM (Read Only Memory), RAM (Random Access Memory), nonvolatile memory such as a hard disk, and the like.
  • the interface device 1300 includes, for example, a USB interface, a headphone interface, and the like.
  • the communication device 1400 can, for example, perform wired or wireless communication, and specifically may include Wifi communication, Bluetooth communication, 2G/3G/4G/5G communication, and the like.
  • the display device 1500 is, for example, a liquid crystal display, a touch display, or the like.
  • the input device 1600 may include, for example, a touch screen, a keyboard, a somatosensory input, and the like. The user can input/output voice information through the speaker 1700 and the microphone 1800.
  • the electronic device shown in FIG. 1 is merely illustrative and in no way implies any limitation on the present disclosure, its application or use.
  • the memory 1200 of the electronic device 1000 is configured to store instructions, and the instructions are configured to control the processor 1100 to operate to execute any configuration file provided in the embodiments of the present disclosure.
  • the recommended method Those skilled in the art should understand that although multiple devices are shown for the electronic device 1000 in FIG. 1, the present disclosure may only involve some of the devices.
  • the electronic device 1000 only involves the processor 1100 and the storage device 1200. Technicians can design instructions according to the solutions disclosed in this disclosure. How the instruction controls the processor to operate is well known in the art, so it will not be described in detail here.
  • a method for recommending configuration files is provided.
  • the recommended method of the configuration file may be implemented by an electronic device.
  • the electronic device may be the electronic device 1000 shown in FIG. 1.
  • the method for recommending a configuration file in this embodiment may include the following steps S2100 to S2400:
  • Step S2100 Obtain the parameter ranges of multiple configuration items in the configuration file and the constraint values of multiple indicators used to measure the performance of the configuration file.
  • the performance of the configuration file is determined by the parameters of the configuration items in the configuration file.
  • the configuration file may be a formula of a mixture, and the form of the mixture may be at least one of solid, liquid, and gas.
  • the profile can be a drilling fluid recipe.
  • the indicators used to measure the performance of the drilling fluid formulation may include any one or more of the following: cost, viscosity, shear force, and fluid loss.
  • Configuration items include at least any one or more of the following: active ingredients in the drilling fluid formula, temperature, drilling fluid density and well conditions.
  • the configuration file may also be a file describing the circuit structure.
  • the configuration items can be component parameters and/or input/output parameters in the circuit, and can also be the application environment temperature or humidity of the circuit.
  • the index used to measure the performance of the circuit may include at least one of an amplification factor, an input resistance, and an output resistance.
  • the “element parameter and/or input/output parameter” defined in any embodiment of the present disclosure all means at least one of the element parameter and the input/output parameter.
  • “including component parameters and/or input/output parameters” means three cases: 1) only include component parameters; 2) only include input/output parameters; 3) include both component parameters and input/output The situation of the parameters.
  • the parameter range of the configuration item and the constraint value of the index may be set by the user according to application scenarios or specific requirements.
  • the parameter range of the configuration item may be the content range or concentration range of the active ingredient.
  • the parameter range of the configuration item may include the resistance value range of the resistor, the capacitance value range of the capacitor, the input voltage range, or the input current range, etc.
  • the method may further include: providing a configuration interface for the user to set the parameter range of the configuration item and the constraint value of the index through the configuration interface.
  • a configuration interface corresponding to the type selected by the user in response to an operation of the user selecting the type of the configuration file, may be provided.
  • This type can be, for example, drilling fluid or power amplifier circuit.
  • the user can set the parameter range of the raw material and the constraint value of the index through the configuration interface. Then, the method can also include:
  • the content of the active ingredient in each raw material may be the proportion of the active ingredient, and the proportion may be determined by the raw material itself, which is preset by the user according to the properties of the raw material itself.
  • a raw material can contain multiple active ingredients.
  • Step S2200 according to the parameter range of the configuration item, generate vector values of multiple sets of parameter vectors.
  • the parameter vector is a vector composed of configuration items in a set order.
  • the element values at the same position correspond to the same configuration item.
  • generating vector values of multiple sets of parameter vectors may include:
  • the corresponding multiple sampling values are determined according to the corresponding parameter range; the sampling values of each configuration item are combined to obtain multiple sets of vector values of the parameter vectors.
  • the corresponding preset step size may be set in advance for each configuration item.
  • the parameter range corresponding to configuration item 1 is 0% to 5%, and the corresponding preset step size can be 1%; the parameter range corresponding to configuration item 2 is 10 mg to 12 mg, and the corresponding preset step size can be 0.5 mg;
  • the parameter range corresponding to configuration item 3 is 7mol ⁇ 7.3mol, and the corresponding preset step length can be 0.1mol.
  • the sampling value corresponding to configuration item 1 can be 0%, 1%, 2%, 3%, 4% and 5%;
  • the sampling value corresponding to configuration item 2 can be 10mg, 10.5mg, 11mg, 11.5mg and 12mg;
  • the sampling value corresponding to configuration item 3 can be 7mol, 7.1mol, 7.2mol and 7.3mol.
  • the parameter range corresponding to configuration item 1 is 1 ⁇ 5 ⁇ , and the corresponding preset step size can be 1 ⁇ ; the parameter range corresponding to configuration item 2 is 100 ⁇ F ⁇ 150 ⁇ F, and the corresponding preset step size can be 10 ⁇ F; configuration item 3
  • the corresponding parameter range is 4.9V ⁇ 5.1V, and the corresponding preset step length can be 0.1V.
  • the sampling value corresponding to configuration item 1 can be 1 ⁇ , 2 ⁇ , 3 ⁇ , 4 ⁇ and 5 ⁇ ; the sampling value corresponding to configuration item 2 It can be 100 ⁇ F, 110 ⁇ F, 120 ⁇ F, 130 ⁇ F, 140 ⁇ F and 150 ⁇ F; the sampling value corresponding to configuration item 3 can be 4.9V, 5.0V and 5.1V.
  • the sampling values of Configuration Item 1, Configuration Item 2 and Configuration Item 3 can be combined, and each combination includes a Configuration Item 1
  • the number of sampling values of configuration item 1 is N1
  • the number of sampling values of configuration item 2 is N2
  • the number of sampling values of configuration item 3 is N3
  • the N1*N2*N3 group of parameter vectors is obtained Vector value.
  • an optimization algorithm may also be used to generate vector values of multiple sets of parameter vectors according to the parameter ranges of the configuration items.
  • step S2300 based on the preset machine learning model corresponding to each index, the vector value of the recommended parameter vector is selected according to the constraint value of the corresponding index and the vector value of multiple sets of parameter vectors.
  • the vector value of the recommended parameter vector may include the following Steps S2310 ⁇ S2340:
  • step S2310 based on a preset logic algorithm, the prediction result and constraint value of each indicator are used as variables to determine the score function.
  • the logical algorithm may be set in advance according to application scenarios or specific requirements.
  • the logical algorithm may be to perform a weighted summation on the difference between the constraint value of each indicator and the predicted result.
  • the logic algorithm may be a weighted summation of the difference between the constraint value of each indicator and the predicted result under a specified probability. In this case, the weight corresponding to each indicator can be preset.
  • Step S2320 For the vector values of each group of parameter vectors, the prediction result of the corresponding index is determined based on the machine learning model corresponding to each index.
  • the vector value of each group of parameter vectors may be input into the machine learning model corresponding to each index, and the prediction result of the vector value of each group of parameter vectors corresponding to each index is obtained.
  • Step S2330 For the vector values of each group of parameter vectors, a recommendation score is determined according to the score function, the prediction result and the constraint value corresponding to each index.
  • the prediction results and constraint values of all indicators corresponding to the vector values of each group of parameter vectors may be substituted into the variables corresponding to the score function to obtain the recommended scores of the vector values of each group of parameter vectors.
  • step S2340 the vector value of the recommended parameter vector is selected according to the recommendation score.
  • selecting the vector value of the recommended parameter vector according to the recommendation score may include: selecting the vector value of a set number of parameter vectors with the highest recommendation score as the vector value of the recommended parameter vector.
  • the set number may be a positive integer set in advance according to application scenarios or specific requirements.
  • the set number can be 1, then the vector value of the parameter vector with the highest score can be selected as the vector value of the recommended parameter vector.
  • selecting the vector value of the recommended parameter vector may further include: selecting the vector value of at least one set of parameter vectors with the recommendation score within a set range as the vector of the recommended parameter vector value.
  • the setting range may be set according to application scenarios or specific requirements.
  • selecting the vector value of the recommended parameter vector may further include:
  • the prediction result of the corresponding index is determined based on the machine learning model corresponding to each index; the prediction result of each index corresponding to the vector value of each group of parameter vectors and the constraint value of the corresponding index , Select the vector value of the recommended parameter vector.
  • the vector value of the parameter vector whose prediction result of each corresponding index all meets the corresponding constraint value may be selected as the vector value of the recommended parameter vector.
  • Step S2400 Determine a recommended configuration file according to the vector value of the recommended parameter vector, and provide the recommended configuration file to the user.
  • the configuration file is a file describing the circuit structure. Then, among the vector values of the recommended parameter vector, the element value corresponding to each effective component can be regarded as the parameter of the corresponding component. And the recommended parameters of each component are defined in the recommended configuration file.
  • the configuration file is a recipe
  • the configuration item is the raw material in the recipe.
  • the element value corresponding to each effective component can be regarded as the parameter of the corresponding raw material.
  • the recommended parameters of each raw material are defined in the recommended configuration file.
  • the configuration file is a recipe
  • the configuration item is the effective ingredient in the recipe.
  • Step S2410 Determine the recommended parameter of each effective component according to the vector value of the recommended parameter vector.
  • the element value corresponding to each effective component is the recommended parameter of the effective component.
  • step S2420 the recommended parameters of each raw material are determined according to the recommended parameters of each effective ingredient and the content of the effective ingredients in each raw material.
  • step S2430 a recommended configuration file is determined according to the recommended parameters of each raw material.
  • the recommended parameters of each raw material are defined in the recommended configuration file.
  • the configuration file can be automatically designed according to the parameter range of the configuration item in the configuration file and the constraint value of the index, which has high ease of use.
  • the configuration file by automatically designing the configuration file, there is no need to spend manpower and material resources for manual design, which greatly reduces the cost of manpower and materials, and can reduce the economic loss caused by the low performance of the configuration file in emergencies.
  • designing the formula based on the content of the active ingredients in the raw materials can avoid the problem that the experience cannot be reused due to batch differences in raw materials.
  • the method may further include:
  • the method may further include: obtaining the actual value of each indicator obtained by the user according to the recommended configuration file in the production experiment, and using the recommended configuration file and the actual value of each indicator as the new Correct the machine learning model of the corresponding index to make the prediction result of the model more accurate.
  • the method may further include the step of training a machine learning model, which may specifically include steps S3100 to S3300 as shown in FIG. 3.
  • Step S3100 Obtain multiple historical configuration files and the actual value of each indicator corresponding to each historical configuration file.
  • the historical configuration file may be a configuration file for which production experiments have been performed. Therefore, the actual value of each indicator corresponding to the historical configuration file can be obtained.
  • step S3200 a plurality of training samples are obtained according to the historical configuration file and the actual value of the index, and each training sample includes a one-to-one corresponding vector value of the parameter vector and the actual value of each index.
  • each historical configuration file the vector value of the corresponding parameter vector is obtained, and the vector value of the parameter vector of each historical configuration file is corresponded to the actual value of each index, and the corresponding historical configuration is obtained. Training sample of the file.
  • the method of obtaining the vector value of the corresponding parameter vector can refer to steps S2100 and S2200 in the foregoing embodiment, which will not be repeated here.
  • step S3300 for each indicator, the machine learning training is completed according to the training samples based on the corresponding machine learning algorithm selected in advance, and the machine learning model of the corresponding indicator is obtained.
  • the machine learning training is completed according to the sample set based on the corresponding machine learning algorithm selected in advance, and the machine learning model of the corresponding indicator is obtained, including the following steps S3310 to S3330 :
  • step S3310 for each indicator, the undetermined coefficient of the corresponding machine learning algorithm is used as a variable, and a corresponding prediction expression is constructed according to the vector value of the parameter vector in each sample.
  • step S3320 for each indicator, a loss function of the corresponding indicator is constructed according to the prediction expression corresponding to each training sample and the actual value of the corresponding indicator.
  • any one or more indicators are used as the target indicator, and the loss function of the target indicator is constructed as an example based on the prediction expression corresponding to each training sample and the actual value of the corresponding indicator.
  • the machine learning model corresponding to the target indicator is a probability model. According to the prediction expression corresponding to each training sample and the actual value of the corresponding indicator, constructing the loss function of the target indicator may include the following step S3321 ⁇ S3322:
  • Step S3321 according to the prediction expression corresponding to each sample, determine the probability expression that the prediction result of the target index corresponding to each training sample is the actual value of the target index.
  • the vector value of the parameter vector in the j-th training sample can be expressed as x j
  • the actual value of the target index can be expressed as g(x j )
  • the probability expression that the prediction result of the j-th training sample is the actual value of the target index can be expressed as: P(g(x j )
  • step S3322 the loss function of the target index is obtained according to the probability expression of each training sample corresponding to the target index.
  • the loss function L of the target index may be the result of multiplying the probability expression of each training sample corresponding to the target index, which may be expressed as:
  • the machine learning model corresponding to the target indicator is a deterministic model. According to the prediction expression corresponding to each training sample and the actual value of the corresponding indicator, constructing the loss function of the target indicator may include:
  • the vector value of the parameter vector in the j-th training sample can be expressed as x j
  • the actual value of the target index can be expressed as g(x j )
  • the prediction result of the target index can be expressed as g′(x j )
  • Step S3330 For each indicator, optimize the corresponding loss function, determine the value of the corresponding undetermined coefficient, complete the machine learning training, and obtain the corresponding machine learning model.
  • the value of the undetermined coefficient when optimizing the loss function corresponding to the target index, the value of the undetermined coefficient may be determined when the result of the loss function L1 is the largest.
  • the value of the undetermined coefficient when optimizing the loss function corresponding to the target index, can be determined when the result of the loss function L2 is less than or equal to zero, or the loss function L3 can be determined The value of the undetermined coefficient when the result of is the smallest.
  • a constrained optimization algorithm that can handle the black box problem can be used as the optimization method of the loss function.
  • the optimization algorithm can be, but is not limited to, a Bayesian optimization algorithm.
  • the method may further include:
  • the actual value of each index corresponding to the vector value of the recommended parameter vector may be the actual result after the production experiment is performed according to the recommended formula.
  • the actual value of each indicator can be entered into the electronic device by the user.
  • the machine learning model of each index can be corrected according to the vector value of the recommended parameter vector and the corresponding actual value of each index, which can improve the accuracy of the prediction result of the machine learning model.
  • the method may further include: obtaining the actual value of each indicator corresponding to the vector value of the recommended parameter vector; combining the vector value of the recommended parameter vector with the actual value of each indicator The value is correspondingly stored in the database.
  • the method may further include:
  • the database is searched to obtain the corresponding recommended configuration file; the recommended configuration file is provided to the user.
  • the database may store the vector value of the parameter vector corresponding to multiple historical configuration files and the actual value of each indicator. Then, after receiving the actual value based on each indicator and multiple
  • a configuration item obtains a configuration file request, it can look up the vector value of the parameter vector corresponding to the historical configuration file stored in the database and the actual value of each indicator to determine whether there is a historical configuration file that meets the conditions. If so, no need to pass
  • the aforementioned steps S2100 to S2400 are used to recommend the configuration file, but the vector value of the parameter vector that meets the corresponding conditions stored in the database is directly used as the vector value of the recommended parameter vector, and the corresponding recommended configuration file is generated and recommended to the user . In this way, historical experience can be reused, and recommended configuration files can be obtained more quickly and accurately.
  • an apparatus 4000 for recommending a configuration file including a user interaction module 4100, an interpreter 4200, and a back-end engine 4300.
  • the user interaction module 4100 is configured to obtain the parameter ranges of various configuration items in the configuration file and the constraint values of multiple indicators used to measure the performance of the configuration file; the interpreter 4200 is configured to generate multiple groups according to the parameter ranges of the configuration items The vector value of the parameter vector; where the parameter vector is a vector composed of configuration items in a set order; the back-end engine 4300 is configured to be based on a preset machine learning model corresponding to each indicator, according to the constraint value of the corresponding indicator and multiple groups The vector value of the parameter vector, the vector value of the recommended parameter vector is selected; the interpreter 4200 is also configured to determine the recommended configuration file according to the vector value of the recommended parameter vector; the user interaction module 4100 is also configured to provide the recommended configuration file to user.
  • the backend engine 4300 may also be configured as:
  • the prediction result and constraint value of each indicator are used as variables to determine the score function
  • the vector value of the recommended parameter vector is selected.
  • selecting the vector value of the recommended parameter vector according to the recommendation score includes:
  • the vector value of at least one set of parameter vectors whose recommended score is within the set range is selected as the vector value of the recommended parameter vector.
  • the backend engine 4300 may also be configured as:
  • the vector value of the recommended parameter vector is selected.
  • the device 4000 for recommending the configuration file may further include a computing storage resource module 4400 configured to:
  • each training sample includes a one-to-one corresponding parameter vector vector value and the actual value of each indicator
  • the machine learning training is completed according to the training samples, and the machine learning model of the corresponding indicator is obtained.
  • the machine learning training is completed according to the training samples based on the corresponding machine learning algorithm selected in advance, and the machine learning model of the corresponding indicator is obtained including:
  • each indicator use the undetermined coefficient of the corresponding machine learning algorithm as a variable, and construct the corresponding prediction expression according to the vector value of the parameter vector in each training sample;
  • the machine learning model corresponding to the target indicator is a probability model, where the target indicator is any one or more of multiple indicators,
  • constructing the loss function of the target index includes:
  • the prediction expression corresponding to each sample determine the probability expression that the prediction result of each sample corresponding to the target index is the actual value of the target index
  • the loss function of the target index is obtained.
  • the user interaction module is further configured to obtain the actual value of each indicator corresponding to the vector value of the recommended parameter vector;
  • the recommending device 4000 for installing the configuration file may further include:
  • a module configured to store the vector value of the recommended parameter vector and the actual value of each index in the database correspondingly.
  • the recommending device 4000 of the profile may further include:
  • the module is configured to use the vector value of the recommended parameter vector and the corresponding actual value of each index as a new training sample module;
  • the module is configured to modify the machine learning model corresponding to each indicator according to the new training sample.
  • the computing storage resource module 4400 may also be configured as:
  • a module configured to search the database and obtain the corresponding recommended configuration file in response to a request for obtaining a configuration file based on the actual value of each indicator and multiple configuration items;
  • the user interaction module is configured to provide the recommended profile to the user.
  • the interpreter 4200 may also be configured to:
  • the configuration file is a recipe; the configuration item is an effective ingredient in the recipe;
  • the parameter range for obtaining various configuration items in the configuration file includes:
  • the parameter range of the effective ingredient is determined.
  • determining the recommended configuration file according to the vector value of the recommended parameter vector includes:
  • the configuration file is a drilling fluid formula
  • the index includes at least any one or more of the following: cost, viscosity, shear force, and fluid loss
  • the configuration item includes at least any of the following One or more: effective ingredients, temperature, drilling fluid density and well conditions in the drilling fluid formulation.
  • the user interaction module 4100 may also be configured as:
  • the user interaction module 4100 may also be configured as:
  • the device 4000 can be implemented in various ways.
  • the processor can be configured to install 4000 through instructions.
  • the instructions can be stored in ROM, and when the device is started, the instructions are read from the ROM into the programmable device to install 4000.
  • the device 4000 can be cured into a dedicated device (for example, ASIC).
  • the device 4000 can be divided into mutually independent units, or they can be combined together for implementation.
  • the apparatus 4000 may be implemented by one of the foregoing various implementation manners, or may be implemented by a combination of two or more of the foregoing various implementation manners.
  • the device 4000 may have multiple implementation forms.
  • the device 4000 may be any software product or functional module running in an application that provides configuration file recommendation services, or an external part of these software products or applications. Set inserts, plug-ins, patches, etc., but also these software products or applications themselves.
  • a system 6000 of at least one computing device 6100 and at least one storage device 6200 is also provided.
  • the at least one storage device 6200 is configured to store executable instructions; when the instructions are executed by the at least one computing device, the instructions cause the at least one computing device 6100 to execute the configuration file recommendation method according to any embodiment of the present disclosure.
  • the system 6000 can be a mobile phone, a tablet computer, a palmtop computer, a desktop computer, a notebook computer, a workstation, a game console, etc., or a distributed system composed of multiple devices.
  • a computer-readable storage medium is also provided, on which a computer program is stored, and when the computer program is executed by a processor, the method for recommending a configuration file as in any embodiment of the present disclosure is implemented.
  • the present disclosure may be a device, a method, and/or a computer program product.
  • the computer program product may include a computer-readable storage medium loaded with computer-readable program instructions for enabling a processor to implement various aspects of the present disclosure.
  • the computer-readable storage medium may be a tangible device that can hold and store instructions used by the instruction execution device.
  • the computer-readable storage medium may be, for example, but not limited to, an electrical storage device, a magnetic storage device, an optical storage device, an electromagnetic storage device, a semiconductor storage device, or any suitable combination of the foregoing.
  • Non-exhaustive list of computer-readable storage media include: portable computer disks, hard disks, random access memory (RAM), read-only memory (ROM), erasable programmable read-only memory (EPROM) Or flash memory), static random access memory (SRAM), portable compact disk read-only memory (CD-ROM), digital versatile disk (DVD), memory stick, floppy disk, mechanical encoding device, such as a printer with instructions stored thereon
  • RAM random access memory
  • ROM read-only memory
  • EPROM erasable programmable read-only memory
  • flash memory flash memory
  • SRAM static random access memory
  • CD-ROM compact disk read-only memory
  • DVD digital versatile disk
  • memory stick floppy disk
  • mechanical encoding device such as a printer with instructions stored thereon
  • the computer-readable storage medium used here is not interpreted as the instantaneous signal itself, such as radio waves or other freely propagating electromagnetic waves, electromagnetic waves propagating through waveguides or other transmission media (for example, light pulses through fiber optic cables), or through wires Transmission of electrical signals.
  • the computer-readable program instructions described herein can be downloaded from a computer-readable storage medium to various computing/processing devices, or downloaded to an external computer or external storage device via a network, such as the Internet, a local area network, a wide area network, and/or a wireless network.
  • the network may include copper transmission cables, optical fiber transmission, wireless transmission, routers, firewalls, switches, gateway computers, and/or edge servers.
  • the network adapter card or network interface in each computing/processing device receives computer-readable program instructions from the network, and forwards the computer-readable program instructions for storage in the computer-readable storage medium in each computing/processing device .
  • the computer program instructions used to perform the operations of the present disclosure may be assembly instructions, instruction set architecture (ISA) instructions, machine instructions, machine-related instructions, microcode, firmware instructions, state setting data, or in one or more programming languages.
  • Source code or object code written in any combination, the programming language includes object-oriented programming languages such as Smalltalk, C++, etc., and conventional procedural programming languages such as "C" language or similar programming languages.
  • Computer-readable program instructions can be executed entirely on the user's computer, partly on the user's computer, executed as a stand-alone software package, partly on the user's computer and partly executed on a remote computer, or entirely on the remote computer or server implement.
  • the remote computer can be connected to the user's computer through any kind of network-including a local area network (LAN) or a wide area network (WAN), or it can be connected to an external computer (for example, using an Internet service provider to connect to the user's computer) connect).
  • LAN local area network
  • WAN wide area network
  • an electronic circuit such as a programmable logic circuit, a field programmable gate array (FPGA), or a programmable logic array (PLA), can be customized by using the status information of the computer-readable program instructions.
  • the computer-readable program instructions are executed to realize various aspects of the present disclosure.
  • These computer-readable program instructions can be provided to the processor of a general-purpose computer, a special-purpose computer, or other programmable data processing device, thereby producing a machine that makes these instructions when executed by the processor of the computer or other programmable data processing device , A device that implements the functions/actions specified in one or more blocks in the flowcharts and/or block diagrams is produced. It is also possible to store these computer-readable program instructions in a computer-readable storage medium. These instructions make computers, programmable data processing apparatuses, and/or other devices work in a specific manner, so that the computer-readable medium storing the instructions includes An article of manufacture, which includes instructions for implementing various aspects of the functions/actions specified in one or more blocks in the flowcharts and/or block diagrams.
  • each block in the flowchart or block diagram may represent a module, program segment, or part of an instruction, and the module, program segment, or part of an instruction contains one or more components for realizing the specified logical function.
  • Executable instructions may also occur in a different order from the order marked in the drawings. For example, two consecutive blocks can actually be executed substantially in parallel, or they can sometimes be executed in the reverse order, depending on the functions involved.
  • each block in the block diagram and/or flowchart, and the combination of the blocks in the block diagram and/or flowchart can be implemented by a dedicated hardware-based system that performs the specified functions or actions Or it can be realized by a combination of dedicated hardware and computer instructions. It is well known to those skilled in the art that implementation through hardware, implementation through software, and implementation through a combination of software and hardware are all equivalent.
  • the parameter ranges of various configuration items in the configuration file and the constraint values of multiple indicators used to measure the performance of the configuration file are obtained; according to the parameter ranges of the configuration items, vector values of multiple sets of parameter vectors are generated; where ,
  • the parameter vector is a vector composed of the configuration items in the set order; based on the preset machine learning model corresponding to each indicator, the vector value of the recommended parameter vector is selected according to the constraint value of the corresponding indicator and the vector value of multiple sets of parameter vectors ;
  • the recommended profile is determined, and the recommended profile is provided to the user.
  • the configuration file can be automatically designed according to the parameter range of the configuration items in the configuration file and the constraint value of the index, which has high ease of use.
  • automatically designing the configuration file there is no need to spend manpower and material resources for manual design, which greatly reduces the cost of manpower and materials, and can reduce the economic loss caused by the low performance of the configuration file in emergencies.
  • designing the formula based on the content of the active ingredients in the raw materials can avoid the problem that the experience cannot be reused due to batch differences in raw materials. Therefore, the present disclosure has strong industrial applicability.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)

Abstract

一种配置文件的推荐方法、装置及系统，方法包括：获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值（S2100）；根据配置项的参数范围，生成多组参数向量的向量值（S2200）；其中，参数向量为配置项按照设定顺序构成的向量；基于预设的对应每一指标的机器学习模型，根据对应指标的约束值和多组参数向量的向量值，选取推荐的参数向量的向量值（S2300）；根据推荐的参数向量的向量值，确定推荐配置文件，并将推荐配置文件提供给用户（S2400）。

Description

一种配置文件的推荐方法、装置及系统
本公开要求于2020年02月27日提交中国专利局，申请号为202010125059.9，申请名称为“一种配置文件的推荐方法、装置及系统”的中国专利申请的优先权，其全部内容通过引用结合在本公开中。
技术领域
本公开涉及推荐技术领域，更具体地，涉及一种配置文件的推荐方法、一种配置文件的推荐装置、一种包括至少一个计算装置和至少一个存储装置的系统及一种计算机可读存储介质。
背景技术
钻井液是钻井作业中的重要材料，承担着运移和悬浮岩屑、冷却钻头、减轻转柱摩擦、稳定和巩固井壁、防止底层流体流入井中、传递水功率、提供地址信息等多个重要功能。钻井液的性能指标主要包括：密度、粘度、切力、滤失量和滤饼、含砂量、固相含量、pH值等。这些性能指标可以影响钻进工作质量、效率和生产安全。对于不同的钻井场景，钻井液的各项性能需要达到不同指标。为了满足各种作业需求，需要确定钻井液中各种有效成分(如膨润土、各种处理剂、加重材料、钻屑等)的添加量，形成特定的钻井液配方。
在大部分情况下，工程师一般依靠自己的经验以及反复实验试错来设计钻井液配方。但是这种人为设计钻井液配方的方式，存在对工程师的专业要求较高、钻井液配方的设计效率较低、成本较高的问题。
发明内容
本公开的一个目的是提供一种自动推荐配置文件的新技术方案。
根据本公开的第一方面，提供了一种配置文件的推荐方法，包括：
获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值；
根据所述配置项的参数范围，生成多组参数向量的向量值；其中，所述参数向量为所述配置项按照设定顺序构成的向量；
基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值；
根据所述推荐的参数向量的向量值，确定推荐配置文件，并将所述推荐配置文件提供给用户。
根据本公开的第二方面，提供了一种配置文件的推荐装置，包括：
用户交互模块，被配置为获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值；
解释器，被配置为根据所述配置项的参数范围，生成多组参数向量的向量值；其中，所述参数向量为所述配置项按照设定顺序构成的向量；
后端引擎，被配置为基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值；
所述解释器还被配置为根据所述推荐的参数向量的向量值，确定推荐配置文件；
所述用户交互模块还被配置为将所述推荐配置文件提供给用户。
根据本公开的第三方面，提供了一种包括至少一个计算装置和至少一个存储装置的系统，其中，所述至少一个存储装置被配置为存储指令，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行根据本公开第一方面所述的方法。
根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如本公开第一方面所述的方法。
通过本公开的实施例，可以根据配置文件中配置项的参数范围和指标的约束值，可以自动设计配置文件，具有较高的易用性。此外，通过自动设计配置文件，无需花费人力物力来人为设计，大大减少的人力和物料的成本，而且，可以减少突发情况下因配置文件性能较低造成的经济损失。此外，基于原材料中有效成分的含量来设计配方，可以避免因原材料批次差异导致的经验无法复用的问题。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且连同其说明一起用于解释本公开的原理。
图1是可用于实现本公开的实施例的电子设备的硬件配置的一个例子的框图。
图2是根据本公开实施例的配置文件的推荐方法的流程示意图；
图3是根据本公开实施例的训练机器学习模型的步骤的流程示意图；
图4是根据本公开实施例的配置文件的推荐装置的一个例子的方框原理图；
图5是根据本公开实施例的配置文件的推荐装置的另一个例子的方框原理图；
图6是根据本公开实施例的系统的方框原理图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
下面，参照附图描述根据本公开实施例的各个实施例和例子。
<硬件配置>
图1是示出可以实现本公开的实施例的电子设备1000的硬件配置的框图。
电子设备1000可以是便携式电脑、台式计算机、手机、平板电脑等。如图1所示，电子设备1000可以包括处理器1100、存储器1200、接口装置1300、通信装置1400、显示装置1500、输入装置1600、扬声器1700、麦克风1800等等。其中，处理器1100可以是中央处理器CPU、微处理器MCU等。存储器1200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1300例如包括USB接口、耳机接口等。通信装置1400例如能够进行有线或无线通信，具体地可以包括Wifi通信、蓝牙通信、2G/3G/4G/5G通信等。显示装置1500例如是液晶显示屏、触摸显示屏等。输入装置1600例如可以包括触摸屏、键盘、体感输入等。用户可以通过扬声器1700和麦克风1800输入/输出语音信息。
图1所示的电子设备仅仅是说明性的并且决不意味着对本公开、其应用或使用的任何限制。应用于本公开的实施例中，电子设备1000的所述存储器1200被配置为存储指令，所述指令被配置为控制所述处理器1100进行操作以执行本公开实施例提供的任意一项配置文件的推荐方法。本领域技术人员应当理解，尽管在图1中对电子设备1000示出了多个装置，但是，本公开可以仅涉及其中的部分装置，例如，电子设备1000只涉及处理器1100和存储装置1200。技术人员可以根据本公开所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
<方法实施例>
<实施例一>
在本实施例中，提供一种配置文件的推荐方法。该配置文件的推荐方法可以是由电子设备实施。该电子设备可以是如图1所示的电子设备1000。
根据图2所示，本实施例的配置文件的推荐方法可以包括如下步骤S2100～S2400：
步骤S2100，获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值。
在本公开的一个实施例中，配置文件的性能是由配置文件中配置项的参数决定的。
在本公开的一个实施例中，配置文件可以是混合物的配方，该混合物的形态可以是固体、液体和气体中的至少一种。例如，该配置文件可以是钻井液配方。
在该配置文件是钻井液配方的情况下，用于衡量钻井液配方性能的指标可以包括以下任意一项或多项：成本、粘度、切力和滤失量。配置项至少包括以下任意一项或多项：钻井液配方中的有效成分、温度、钻井液密度和井内状况。
在本公开的另一个实施例中，配置文件也可以是描述电路结构的文件。对应的，配置项可以是电路中的元件参数和/或输入/输出参数，也可以是电路的应用环境温度或湿度。在电路为放大电路的情况下，用于衡量电路性能的指标可以包括放大倍数、输入电阻和输出电阻中的至少一种。
在本公开的任意实施例中所限定的“元件参数和/或输入/输出参数”，均表示元件参数和输入/输出参数中的至少一项。举例来说“包括元件参数和/或输入/输出参数”表示三种情况：1)只包括元件参数的情况；2)只包括输入/输出参数的情况；3)同时包括元件参数和输入/输出参数的情况。
在本公开的实施例中，配置项的参数范围和指标的约束值可以是由用户根据应用场景或具体需求设定的。在配置项为混合物配方中的有效成分的情况下，配置项的参数范围可以是有效成分的含量范围或者浓度范围。在配置项为电路中的元件参数的情况下，配置项的参数范围可以包括电阻的阻值范围、电容的容值范围、输入电压范围、或者输入电流范围等。
在本公开的一个实施例中，该方法还可以包括：提供配置界面，以供用户通过该 配置界面设定配置项的参数范围和指标的约束值。
在本公开的一个实施例中，可以是响应于用户选择配置文件的类型的操作，提供与用户选择的类型所对应的配置界面。该类型例如可以是钻井液或者功放电路。
在配置文件为混合物的配方，配置项为配方中的有效成分的实施例中，用户可以是通过配置界面，设定原材料的参数范围和指标的约束值。那么，该方法还可以包括：
获取配方中每种原材料的参数范围、和每种原材料中有效成分的含量；根据每种原材料的参数范围和每种原材料中有效成分的含量，确定有效成分的参数范围。
其中，每种原材料中有效成分的含量可以是有效成分所占的比例，该比例可以是由原材料本身决定的，由用户根据原材料本身的属性来预先设定。一种原材料中可以包含多种有效成分。
步骤S2200，根据配置项的参数范围，生成多组参数向量的向量值。
其中，参数向量为配置项按照设定顺序构成的向量。在每组参数向量的向量值中，相同位置的元素值对应于同一配置项。
在本公开的一个实施例中，根据配置项的参数范围，生成多组参数向量的向量值可以包括：
对于每种配置项，根据对应的预设步长，根据对应的参数范围确定对应的多个采样值；对每种配置项的采样值进行组合，得到多组所述参数向量的向量值。
在本公开的实施例中，可以预先针对每种配置项设置对应的预设步长。
例如，配置项1对应的参数范围为0％～5％，对应的预设步长可以是1％；配置项2对应的参数范围为10mg～12mg，对应的预设步长可以是0.5mg；配置项3对应的参数范围为7mol～7.3mol，对应的预设步长可以是0.1mol，那么，配置项1对应的采样值可以是0％、1％、2％、3％、4％和5％；配置项2对应的采样值可以是10mg、10.5mg、11mg、11.5mg和12mg；配置项3对应的采样值可以是7mol、7.1mol、7.2mol和7.3mol。
再例如，配置项1对应的参数范围为1Ω～5Ω，对应的预设步长可以是1Ω；配置项2对应的参数范围为100μF～150μF，对应的预设步长可以是10μF；配置项3对应的参数范围为4.9V～5.1V，对应的预设步长可以是0.1V，那么，配置项1对应的采样值可以是1Ω、2Ω、3Ω、4Ω和5Ω；配置项2对应的采样值可以是100μF、110μF、120μF、130μF、140μF和150μF；配置项3对应的采样值可以是4.9V、5.0V和5.1V。
在参数向量为[配置项1，配置项2，配置项3]的情况下，可以对配置项1、配置项2和配置项3的采样值进行组合，每一组合中均包含一个配置项1的采样值、一个配置项2的采样值和一个配置项3的采样值，并将每一组合中对应的采样值填至参数向量对应的位置上，得到对应的向量值。具体的，在配置项1的采样值的数量为N1，配置项2的采样值的数量为N2，配置项3的采样值的数量为N3的情况下，得到N1*N2*N3组参数向量的向量值。
例如，共有D个配置项，参数向量可以是由向量x＝[x 1,x 2,…,x D]表示，其中x i为标量，下标i表示第i个配置项，而x i则表示第i个配置项的采样值，i∈[1,2,…,D]；第i个配置项的采样值被限定在一个范围内
Figure PCTCN2021077489-appb-000001
其中 x i和
Figure PCTCN2021077489-appb-000002
分别为该配置项的参数范围的上界和下界。
在本公开的另一个实施例中，还可以是通过优化算法根据配置项的参数范围，生成多组参数向量的向量值。
步骤S2300，基于预设的对应每一指标的机器学习模型，根据对应指标的约束值和多组参数向量的向量值，选取推荐的参数向量的向量值。
在本公开的一个实施例中，基于预设的对应每一指标的机器学习模型，根据对应指标的约束值和多组参数向量的向量值，选取推荐的参数向量的向量值可以包括如下所示的步骤S2310～S2340：
步骤S2310，基于预设的逻辑算法，以每一指标的预测结果和约束值为变量，确定得分函数。
在本公开的一个实施例中，该逻辑算法可以是预先根据应用场景或具体需求设定的。例如，在机器学习模型为确定模型的情况下，该逻辑算法可以是对每一指标的约束值和预测结果之间的差值进行加权求和。在机器学习模型为概率模型的情况下，该逻辑算法可以是对每一指标的约束值和在指定概率下的预测结果之间的差值进行加权求和。在此情况下，每一指标对应的权重可以是预先设定好的。
步骤S2320，对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果。
具体的，可以是分别将每组参数向量的向量值，输入到对应每一指标的机器学习模型中，得到每组参数向量的向量值对应每一指标的预测结果。
步骤S2330，对于每组参数向量的向量值，根据得分函数、对应每一指标的预测结果和约束值，确定推荐得分。
具体的，可以是分别将每组参数向量的向量值对应的所有指标的预测结果和约束值代入得分函数对应的变量中，得到每组参数向量的向量值的推荐得分。
步骤S2340，根据推荐得分，选取推荐的参数向量的向量值。
在本公开的一个实施例中，根据推荐得分，选取推荐的参数向量的向量值可以包括：选取推荐得分最高的设定数量组参数向量的向量值，作为推荐的参数向量的向量值。
在本实施例中，设定数量可以是预先根据应用场景或具体需求设定好的正整数。例如，该设定数量可以是1，那么，可以是选取得分最高的1组参数向量的向量值，作为推荐的参数向量的向量值。
在本公开的一个实施例中，根据推荐得分，选取推荐的参数向量的向量值还可以包括：选取推荐得分在设定范围内的至少一组参数向量的向量值，作为推荐的参数向量的向量值。
在本公开的实施例中，设定范围可以是根据应用场景或具体需求设定好的。
在本公开的另一个实施例中，基于预设的对应每一指标的机器学习模型，根据对应指标的约束值和多组参数向量的向量值，选取推荐的参数向量的向量值还可以包括：
对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；根据每组参数向量的向量值对应每一指标的预测结果、和对应指标的约束值，选取推荐的参数向量的向量值。
具体的，可以是选取对应的每一指标的预测结果均符合对应的约束值的参数向量的向量值，作为推荐的参数向量的向量值。
步骤S2400，根据推荐的参数向量的向量值，确定推荐配置文件，并将推荐配置文件提供给用户。
在本公开的一个实施例中，配置文件为描述电路结构的文件，那么，推荐的参数向量的向量值中，对应每一有效成分的元素值，即可以为对应元件的参数。且该推荐配置文件中定义了每种元件的推荐参数。
在本公开的一个实施例中，配置文件为配方，该配置项为配方中的原材料，那么，推荐的参数向量的向量值中，对应每一有效成分的元素值，即可以为对应原材料的参数。且该推荐配置文件中定义了每种原材料的推荐参数。
在本公开的一个实施例中，配置文件为配方，该配置项为配方中的有效成分，那么，根据推荐的参数向量的向量值，确定推荐配置文件，并将推荐配置文件提供给用户可以包括如下所示的步骤S2410～S2430：
步骤S2410，根据所述推荐的参数向量的向量值，确定每种有效成分的推荐参数。
具体的，推荐的参数向量的向量值中，对应每一有效成分的元素值，即为该有效成分的推荐参数。
步骤S2420，根据每种有效成分的推荐参数、和每种原材料中有效成分的含量，确定每种原材料的推荐参数。
步骤S2430，根据每种原材料的推荐参数确定推荐配置文件。
具体的，该推荐配置文件中定义了每种原材料的推荐参数。
通过本公开的实施例，可以根据配置文件中配置项的参数范围和指标的约束值，可以自动设计配置文件，具有较高的易用性。此外，通过自动设计配置文件，无需花费人力物力来人为设计，大大减少的人力和物料的成本，而且，可以减少突发情况下因配置文件性能较低造成的经济损失。此外，基于原材料中有效成分的含量来设计配方，可以避免因原材料批次差异导致的经验无法复用的问题。
在本公开的一个实施例中，该方法还可以包括：
导出所述推荐配置文件，以供用户根据推荐配置文件进行生产实验。
在本公开的一个实施例中，该方法还可以包括：获取用户根据推荐配置文件进行生产实验所得到的每一指标的实际值，并分别根据推荐配置文件和每一指标的实际值，作为新的训练样本，修正对应的指标的机器学习模型，以使模型的预测结果更加准确。
<实施例二>
在上述实施例一的基础上，该方法还可以包括训练机器学习模型的步骤，具体可以包括如图3所示的步骤S3100～S3300：
步骤S3100，获取多个历史配置文件、和每一历史配置文件对应每一指标的实际值。
在本公开的一个实施例中，历史配置文件可以是已经进行生产实验的配置文件，因此，可以获取历史配置文件对应每一指标的实际值。
步骤S3200，根据历史配置文件和指标的实际值获得多个训练样本，每一训练样本包括一一对应的参数向量的向量值和每一指标的实际值。
具体的，可以是根据每一历史配置文件，得到对应的参数向量的向量值，并将每一历史配置文件的参数向量的向量值和每一指标的实际值进行对应，得到对应每一历史配置文件的训练样本。
根据每一历史配置文件，得到对应的参数向量的向量值的方式可以参照前述实施例中的步骤S2100和S2200，在此不再赘述。
步骤S3300，对于每一指标，分别基于预先选定的对应的机器学习算法，根据训练样本完成机器学习训练，得到对应指标的机器学习模型。
在本公开的一个实施例中，对于每一指标，分别基于预先选定的对应的机器学习算法，根据样本集完成机器学习训练，得到对应指标的机器学习模型包括如下所示的步骤S3310～S3330：
步骤S3310，对于每一指标，以对应的机器学习算法的待定系数为变量，根据每一样本中参数向量的向量值构建对应的预测表达式。
步骤S3320，对于每一指标，分别根据每一训练样本对应的预测表达式和对应指标的实际值，构建对应指标的损失函数。
以下将任意一个或多个指标作为目标指标，以根据每一训练样本对应的预测表达 式和对应指标的实际值，构建目标指标的损失函数为例进行说明。
在本公开的一个实施例中，目标指标对应机器学习模型为概率模型，根据每一训练样本对应的预测表达式和对应指标的实际值，构建目标指标的损失函数可以包括如下所示的步骤S3321～S3322：
步骤S3321，分别根据每一样本对应的预测表达式，确定每一训练样本对应目标指标的预测结果为目标指标的实际值的概率表达式。
例如，第j个训练样本中参数向量的向量值可以表示为x j,目标指标的实际值可以表示为g(x j)，目标指标的预测结果可以表示为g′(x j)＝P(y′|θ)，其中，θ为目标指标对应的机器学习算法的待定系数，y′为目标指标对应的机器学习模型的输出结果。那么，第j个训练样本的预测结果为目标指标的实际值的概率表达式可以表示为：P(g(x j)|θ)。
步骤S3322，根据每一训练样本对应目标指标的概率表达式，得到目标指标的损失函数。
在本公开的一个实施例中，目标指标的损失函数L可以是每一训练样本对应目标指标的概率表达式进行连乘结果，可以表示为：
Figure PCTCN2021077489-appb-000003
在本公开的一个实施例中，目标指标对应机器学习模型为确定模型，根据每一训练样本对应的预测表达式和对应指标的实际值，构建目标指标的损失函数可以包括：
例如，第j个训练样本中参数向量的向量值可以表示为x j,目标指标的实际值可以表示为g(x j)，目标指标的预测结果可以表示为g′(x j)，那么，目标指标的损失函数可以是每一训练样本目标指标的预测结果与实际值之间的差值，具体可以表示为：L2＝(g′(x j)-g(x j)) 2
在此基础上，该目标指标的损失函数还可以表示为L3＝f(g(x j),g′(x j))。
步骤S3330，对于每一指标，优化对应的损失函数，确定对应的待定系数的取值，完成机器学习训练，得到对应的机器学习模型。
在目标指标对应机器学习模型为概率模型的实施例中，优化目标指标对应的损失函数时，可以是确定损失函数L1的结果最大的情况下待定系数的取值。
在目标指标对应机器学习模型为确定模型的实施例中，优化目标指标对应的损失函数时，可以是确定损失函数L2的结果小于等于零的情况下待定系数的取值,也可以是确定损失函数L3的结果最小的情况下待定系数的取值。
在本公开的一个实施例中，可以采用能处理黑盒问题的、带约束的优化算法作为损失函数的优化方法。例如该优化算法可以但不限于是贝叶斯优化算法。
在本公开的一个实施例中，该方法还可以包括：
获取推荐的参数向量的向量值对应的每一指标的实际值；将推荐的参数向量的向量值和对应的每一指标的实际值，作为的新的训练样本；根据新的训练样本，修正对应每一指标的机器学习模型。
其中，推荐的参数向量的向量值对应的每一指标的实际值，可以是根据推荐配方进行生产实验后的实际结果。每一指标的实际值可以是由用户录入该电子设备中的。
根据本实施例，可以根据推荐的参数向量的向量值和对应的每一指标的实际值，对每一指标的机器学习模型进行修正，可以提高机器学习模型的预测结果的准确性。
<实施例三>
在上述实施例一或实施例二的基础上，该方法还可以包括：获取推荐的参数向量的向量值对应的每一指标的实际值；将推荐的参数向量的向量值和每一指标的实际值对应存储至数据库中。
在本实施例的基础上，该方法还可以包括：
响应于基于每一指标的实际值和多个配置项获取配置文件的请求，查找数据库，获取对应的推荐配置文件；将推荐配置文件提供给用户。
在本公开的一个实施例中，该数据库中可以存储有多个历史配置文件对应的参数向量的向量值和每一指标的实际值，那么，在接收到基于每一指标的实际值和多个配置项获取配置文件的请求时，可以查找数据库中存储的历史配置文件对应的参数向量的向量值和每一指标的实际值，确定是否存储有符合条件的历史配置文件，如有，则无需通过前述的步骤S2100～S2400来进行配置文件的推荐，而是直接将数据库中存储的符合相应条件的参数向量的向量值，直接作为推荐的参数向量的向量值，生成对应的推荐配置文件推荐给用户。这样，就可以复用历史经验，更加快速地、准确地得到推荐配置文件。
<装置实施例>
在本实施例中，提供一种配置文件的推荐装置4000，如图4所示，包括用户交互模块4100、解释器4200和后端引擎4300。
用户交互模块4100被配置为获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值；解释器4200被配置为根据配置项的参数范围，生成多组参数向量的向量值；其中，参数向量为配置项按照设定顺序构成的向量；后端引擎4300被配置为基于预设的对应每一指标的机器学习模型，根据对应指标的约束值和多组参数向量的向量值，选取推荐的参数向量的向量值；解释器4200还被配置为根据推荐的参数向量的向量值，确定推荐配置文件；用户交互模块4100还被配置为将推荐配置文件提供给用户。
在本公开的一个实施例中，后端引擎4300还可以被配置为：
基于预设的逻辑算法，以每一指标的预测结果和约束值为变量，确定得分函数；
对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
对于每组参数向量的向量值，根据得分函数、对应每一指标的预测结果和约束值，确定推荐得分；
根据推荐得分，选取推荐的参数向量的向量值。
在本公开的一个实施例中，根据推荐得分，选取推荐的参数向量的向量值包括：
选取推荐得分最高的设定数量组参数向量的向量值，作为推荐的参数向量的向量值；或者，
选取推荐得分在设定范围内的至少一组参数向量的向量值，作为推荐的参数向量的向量值。
在本公开的一个实施例中，后端引擎4300还可以被配置为：
对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
根据每组参数向量的向量值对应每一指标的预测结果、和对应指标的约束值，选取推荐的参数向量的向量值。
在本公开的一个实施例中，如图5所示，该配置文件的推荐装置4000还可以包括计算存储资源模块4400，被配置为：
获取多个历史配置文件、和每一历史配置文件对应每一指标的实际值；
根据历史配置文件和指标的实际值获得多个训练样本，每一训练样本包括一一对应的参数向量的向量值和每一指标的实际值；
对于每一指标，分别基于预先选定的对应的机器学习算法，根据训练样本完成机器学习训练，得到对应指标的机器学习模型。
在本公开的一个实施例中，对于每一指标，分别基于预先选定的对应的机器学习算法，根据训练样本完成机器学习训练，得到对应指标的机器学习模型包括：
对于每一指标，以对应的机器学习算法的待定系数为变量，根据每一训练样本中参数向量的向量值构建对应的预测表达式；
对于每一指标，分别根据每一训练样本对应的预测表达式和对应指标的实际值，构建对应指标的损失函数；
对于每一指标，优化对应的损失函数，确定对应的待定系数的取值，完成机器学习训练，得到对应的机器学习模型。
在本公开的一个实施例中，目标指标对应机器学习模型为概率模型，其中，目标指标为多个指标中的任意一个或多个，
分别根据每一样本对应的预测表达式和目标指标的实际值，构建目标指标的损失函数包括：
分别根据每一样本对应的预测表达式，确定每一样本对应目标指标的预测结果为目标指标的实际值的概率表达式；
根据每一样本对应目标指标的概率表达式，得到目标指标的损失函数。
在本公开的一个实施例中，用户交互模块还被配置为获取推荐的参数向量的向量值对应的每一指标的实际值；
装置该配置文件的推荐装置4000还可以包括：
被配置为将推荐的参数向量的向量值和每一指标的实际值对应存储至数据库中的模块。
在本公开的一个实施例中，该配置文件的推荐装置4000还可以包括：
被配置为将推荐的参数向量的向量值和对应的每一指标的实际值，作为的新的训练样本的模块；
被配置为根据新的训练样本，修正对应每一指标的机器学习模型的模块。
在本公开的一个实施例中，该计算存储资源模块4400还可以被配置为：
被配置为响应于基于每一指标的实际值和多个配置项获取配置文件的请求，查找数据库，获取对应的推荐配置文件的模块；
用户交互模块被配置为将推荐配置文件提供给用户。
在本公开的一个实施例中，解释器4200还可以被配置为：
对于每种配置项，根据对应的预设步长，根据对应的参数范围确定对应的多个采样值；
对每种配置项的采样值进行组合，得到多组参数向量的向量值。
在本公开的一个实施例中，配置文件为配方；配置项为配方中的有效成分；
获取配置文件中多种配置项的参数范围包括：
获取配方中每种原材料的参数范围、和每种原材料中有效成分的含量；
根据每种原材料的参数范围和每种原材料中有效成分的含量，确定有效成分的参数范围。
在本公开的一个实施例中，根据推荐的参数向量的向量值，确定推荐配置文件包括：
根据推荐的参数向量的向量值，确定每种有效成分的推荐参数；
根据每种有效成分的推荐参数、和每种原材料中有效成分的含量，确定每种原材料的推荐参数；
根据每种原材料的推荐参数确定推荐配置文件。
在本公开的一个实施例中，所述配置文件为钻井液配方；所述指标至少包括以下任意一项或多项：成本、粘度、切力和滤失量；所述配置项至少包括以下任意一项或多项：钻井液配方中的有效成分、温度、钻井液密度和井内状况。
在本公开的一个实施例中，用户交互模块4100还可以被配置为：
提供配置界面，以供用户通过配置界面设定配置项的参数范围和指标的约束值。
在本公开的一个实施例中，用户交互模块4100还可以被配置为：
导出推荐配置文件，以供用户根据推荐配置文件进行生产或实验。
本领域技术人员应当明白，可以通过各种方式来实现装置4000。例如，可以通过指令配置处理器来装置4000。例如，可以将指令存储在ROM中，并且当启动设备时，将指令从ROM读取到可编程器件中来装置4000。例如，可以将装置4000固化到专用器件(例如ASIC)中。可以将装置4000分成相互独立的单元，或者可以将它们合并在一起实现。装置4000可以通过上述各种实现方式中的一种来实现，或者可以通过上述各种实现方式中的两种或更多种方式的组合来实现。
在本实施例中，装置4000可以具有多种实现形式，例如，装置4000可以是任何的提供配置文件推荐服务的软件产品或者应用程序中运行的功能模块，或者是这些软件产品或者应用程序的外设嵌入件、插件、补丁件等，还可以是这些软件产品或者应用程序本身。
<系统实施例>
在本实施例中，如图6所示，还提供一种至少一个计算装置6100和至少一个存储装置6200的系统6000。该至少一个存储装置6200被配置为存储可执行的指令；该指令在被所述至少一个计算装置运行时，促使至少一个计算装置6100执行根据本公开任意实施例的配置文件的推荐方法。
在本实施例中，该系统6000可以是手机、平板电脑、掌上电脑、台式机、笔记本电脑、工作站、游戏机等设备，也可以是由多个设备构成的分布式系统。
<计算机可读存储介质>
在本实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序在被处理器执行时实现如本公开任意实施例的配置文件的推荐方法。
本公开可以是设备、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静 态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框 的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本公开的范围由所附权利要求来限定。
工业实用性
通过本公开实施例，获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值；根据配置项的参数范围，生成多组参数向量的向量值；其中，参数向量为配置项按照设定顺序构成的向量；基于预设的对应每一指标的机器学习模型，根据对应指标的约束值和多组参数向量的向量值，选取推荐的参数向量的向量值；根据推荐的参数向量的向量值，确定推荐配置文件，并将推荐配置文件提供给用户。可以根据配置文件中配置项的参数范围和指标的约束值，可以自动设计配置文件，具有较高的易用性。此外，通过自动设计配置文件，无需花费人力物力来人为设计，大大减少的人力和物料的成本，而且，可以减少突发情况下因配置文件性能较低造成的经济损失。此外，基于原材料中有效成分的含量来设计配方，可以避免因原材料批次差异导致的经验无法复用的问题。因此本公开具有很强的工业实用性。

Claims (49)

  1. 一种配置文件的推荐方法，包括：
    获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值；
    根据所述配置项的参数范围，生成多组参数向量的向量值；其中，所述参数向量为所述配置项按照设定顺序构成的向量；
    基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值；
    根据所述推荐的参数向量的向量值，确定推荐配置文件，并将所述推荐配置文件提供给用户。
  2. 根据权利要求1所述的方法，所述基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值包括：
    基于预设的逻辑算法，以每一指标的预测结果和约束值为变量，确定得分函数；
    对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
    对于每组参数向量的向量值，根据所述得分函数、对应每一所述指标的预测结果和约束值，确定推荐得分；
    根据所述推荐得分，选取所述推荐的参数向量的向量值。
  3. 根据权利要求2所述的方法，所述根据所述推荐得分，选取所述推荐的参数向量的向量值包括：
    选取推荐得分最高的设定数量组参数向量的向量值，作为所述推荐的参数向量的向量值；或者，
    选取推荐得分在设定范围内的至少一组参数向量的向量值，作为所述推荐的参数向量的向量值。
  4. 根据权利要求1至3中任一项所述的方法，所述基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值包括：
    对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
    根据每组参数向量的向量值对应每一所述指标的预测结果、和对应指标的约束值，选取推荐的参数向量的向量值。
  5. 根据权利要求1至4中任一项所述的方法，还包括：
    获取多个历史配置文件、和每一所述历史配置文件对应每一指标的实际值；
    根据所述历史配置文件和指标的实际值获得多个训练样本，每一训练样本包括一一对应的参数向量的向量值和每一所述指标的实际值；
    对于每一指标，分别基于预先选定的对应的机器学习算法，根据所述训练样本完成机器学习训练，得到对应指标的机器学习模型。
  6. 根据权利要求5所述的方法，所述对于每一指标，分别基于预先选定的对应的机器学习算法，根据所述训练样本完成机器学习训练，得到对应指标的机器学习模型包括：
    对于每一指标，以对应的机器学习算法的待定系数为变量，根据每一训练样本中参数向量的向量值构建对应的预测表达式；
    对于每一指标，分别根据每一训练样本对应的预测表达式和对应指标的实际值，构建对应指标的损失函数；
    对于每一指标，优化对应的损失函数，确定对应的待定系数的取值，完成机器学习训练，得到对应的机器学习模型。
  7. 根据权利要求6所述的方法，目标指标对应机器学习模型为概率模型，其中，所述目标指标为所述多个指标中的任意一个或多个，
    分别根据每一样本对应的预测表达式和目标指标的实际值，构建所述目标指标的损失函数包括：
    分别根据每一样本对应的预测表达式，确定每一样本对应所述目标指标的预测结果为所述目标指标的实际值的概率表达式；
    根据每一样本对应所述目标指标的概率表达式，得到所述目标指标的损失函数。
  8. 根据权利要求1至7中任一项所述的方法，还包括：
    获取所述推荐的参数向量的向量值对应的每一指标的实际值；
    将所述推荐的参数向量的向量值和每一指标的实际值对应存储至数据库中。
  9. 根据权利要求8所述的方法，还包括：
    将所述推荐的参数向量的向量值和对应的每一指标的实际值，作为的新的训练样本；
    根据所述新的训练样本，修正对应每一指标的机器学习模型。
  10. 根据权利要求8或9所述的方法，还包括：
    响应于基于所述每一指标的实际值和所述多个配置项获取配置文件的请求，查找所述数据库，获取对应的所述推荐配置文件；
    将所述推荐配置文件提供给用户。
  11. 根据权利要求1至10中任一项所述的方法，所述根据所述配置项的参数范围，生成多组参数向量的向量值包括：
    对于每种配置项，根据对应的预设步长，根据对应的参数范围确定对应的多个采样值；
    对每种配置项的采样值进行组合，得到多组所述参数向量的向量值。
  12. 根据权利要求1至11中任一项所述的方法，所述配置文件为配方；所述配置项为配方中的有效成分；
    所述获取配置文件中多种配置项的参数范围包括：
    获取所述配方中每种原材料的参数范围、和每种原材料中有效成分的含量；
    根据每种原材料的参数范围和每种原材料中有效成分的含量，确定所述有效成分的参数范围。
  13. 根据权利要求12所述的方法，所述根据所述推荐的参数向量的向量值，确定推荐配置文件包括：
    根据所述推荐的参数向量的向量值，确定每种有效成分的推荐参数；
    根据每种有效成分的推荐参数、和每种原材料中有效成分的含量，确定每种原材料的推荐参数；
    根据每种原材料的推荐参数确定所述推荐配置文件。
  14. 根据权利要求1至13中任一项所述的方法，所述配置文件为钻井液配方；所述指标至少包括以下任意一项或多项：成本、粘度、切力和滤失量；所述配置项至少包括以下任意一项或多项：钻井液配方中的有效成分、温度、钻井液密度和井内状况。
  15. 根据权利要求1至14中任一项所述的方法，还包括：
    提供配置界面，以供用户通过所述配置界面设定所述配置项的参数范围和所述指标的约束值。
  16. 根据权利要求1至15中任一项所述的方法，还包括：
    导出所述推荐配置文件，以供用户根据所述推荐配置文件进行生产或实验。
  17. 一种配置文件的推荐装置，包括：
    用户交互模块，被配置为获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值；
    解释器，被配置为根据所述配置项的参数范围，生成多组参数向量的向量值；其中，所述参数向量为所述配置项按照设定顺序构成的向量；
    后端引擎，被配置为基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值；
    所述解释器还被配置为根据所述推荐的参数向量的向量值，确定推荐配置文件；
    所述用户交互模块还被配置为将所述推荐配置文件提供给用户。
  18. 根据权利要求17所述的装置，所述后端引擎还被配置为：
    基于预设的逻辑算法，以每一指标的预测结果和约束值为变量，确定得分函数；
    对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
    对于每组参数向量的向量值，根据所述得分函数、对应每一所述指标的预测结果和约束值，确定推荐得分；
    根据所述推荐得分，选取所述推荐的参数向量的向量值。
  19. 根据权利要求18所述的装置，所述根据所述推荐得分，选取所述推荐的参数向量的向量值包括：
    选取推荐得分最高的设定数量组参数向量的向量值，作为所述推荐的参数向量的向量值；或者，
    选取推荐得分在设定范围内的至少一组参数向量的向量值，作为所述推荐的参数向量的向量值。
  20. 根据权利要求17至19中任一项所述的装置，所述后端引擎还被配置为：
    对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
    根据每组参数向量的向量值对应每一所述指标的预测结果、和对应指标的约束值，选取推荐的参数向量的向量值。
  21. 根据权利要求17至20中任一项所述的装置，还包括计算存储资源模块，被配置为：
    获取多个历史配置文件、和每一所述历史配置文件对应每一指标的实际值；
    根据所述历史配置文件和指标的实际值获得多个训练样本，每一训练样本包括一一对应的参数向量的向量值和每一所述指标的实际值；
    对于每一指标，分别基于预先选定的对应的机器学习算法，根据所述训练样本完成机器学习训练，得到对应指标的机器学习模型。
  22. 根据权利要求21所述的装置，所述对于每一指标，分别基于预先选定的对应的机器学习算法，根据所述训练样本完成机器学习训练，得到对应指标的机器学习模型包括：
    对于每一指标，以对应的机器学习算法的待定系数为变量，根据每一训练样本中参数向量的向量值构建对应的预测表达式；
    对于每一指标，分别根据每一训练样本对应的预测表达式和对应指标的实际值，构建对应指标的损失函数；
    对于每一指标，优化对应的损失函数，确定对应的待定系数的取值，完成机器学习训练，得到对应的机器学习模型。
  23. 根据权利要求22所述的装置，目标指标对应机器学习模型为概率模型，其中，所述目标指标为所述多个指标中的任意一个或多个，
    分别根据每一样本对应的预测表达式和目标指标的实际值，构建所述目标指标的损失函数包括：
    分别根据每一样本对应的预测表达式，确定每一样本对应所述目标指标的预测结果为所述目标指标的实际值的概率表达式；
    根据每一样本对应所述目标指标的概率表达式，得到所述目标指标的损失函数。
  24. 根据权利要求17至23中任一项所述的装置，
    所述用户交互模块还被配置为获取所述推荐的参数向量的向量值对应的每一指标的实际值；
    所述装置还包括：
    被配置为将所述推荐的参数向量的向量值和每一指标的实际值对应存储至数据库中的模块。
  25. 根据权利要求24所述的装置，还包括：
    被配置为将所述推荐的参数向量的向量值和对应的每一指标的实际值，作为的新的训练样本的模块；
    被配置为根据所述新的训练样本，修正对应每一指标的机器学习模型的模块。
  26. 根据权利要求24或25所述的装置，还包括：
    被配置为响应于基于所述每一指标的实际值和所述多个配置项获取配置文件的请求，查找所述数据库，获取对应的所述推荐配置文件的模块；
    所述用户交互模块被配置为将所述推荐配置文件提供给用户。
  27. 根据权利要求17至26中任一项所述的装置，所述解释器还被配置为：
    对于每种配置项，根据对应的预设步长，根据对应的参数范围确定对应的多个采样值；
    对每种配置项的采样值进行组合，得到多组所述参数向量的向量值。
  28. 根据权利要求17至27中任一项所述的装置，所述配置文件为配方；所述配置项为配方中的有效成分；
    所述获取配置文件中多种配置项的参数范围包括：
    获取所述配方中每种原材料的参数范围、和每种原材料中有效成分的含量；
    根据每种原材料的参数范围和每种原材料中有效成分的含量，确定所述有效成分的参数范围。
  29. 根据权利要求28所述的装置，所述根据所述推荐的参数向量的向量值，确定推荐配置文件包括：
    根据所述推荐的参数向量的向量值，确定每种有效成分的推荐参数；
    根据每种有效成分的推荐参数、和每种原材料中有效成分的含量，确定每种原材料的推荐参数；
    根据每种原材料的推荐参数确定所述推荐配置文件。
  30. 根据权利要求17至29中任一项所述的装置，所述配置文件为钻井液配方；所述指标至少包括以下任意一项或多项：成本、粘度、切力和滤失量；所述配置项至少包括以下任意一项或多项：钻井液配方中的有效成分、温度、钻井液密度和井内状况。
  31. 根据权利要求17至30中任一项所述的装置，所述用户交互模块还被配置为：
    提供配置界面，以供用户通过所述配置界面设定所述配置项的参数范围和所述指标的约束值。
  32. 根据权利要求17至31中任一项所述的装置，所述用户交互模块还被配置为：
    导出所述推荐配置文件，以供用户根据所述推荐配置文件进行生产或实验。
  33. 一种包括至少一个计算装置和至少一个存储装置的系统，其中，所述至少一个存储装置被配置为存储指令，所述指令在被所述至少一个计算装置运行时，促使所述至少一个计算装置执行关于配置文件的推荐的如下步骤：
    获取配置文件中多种配置项的参数范围和用于衡量配置文件的性能的多个指标的约束值；
    根据所述配置项的参数范围，生成多组参数向量的向量值；其中，所述参数向量为所述配置项按照设定顺序构成的向量；
    基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多 组参数向量的向量值，选取推荐的参数向量的向量值；
    根据所述推荐的参数向量的向量值，确定推荐配置文件，并将所述推荐配置文件提供给用户。
  34. 根据权利要求33所述的系统，所述基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值包括：
    基于预设的逻辑算法，以每一指标的预测结果和约束值为变量，确定得分函数；
    对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
    对于每组参数向量的向量值，根据所述得分函数、对应每一所述指标的预测结果和约束值，确定推荐得分；
    根据所述推荐得分，选取所述推荐的参数向量的向量值。
  35. 根据权利要求34所述的系统，所述根据所述推荐得分，选取所述推荐的参数向量的向量值包括：
    选取推荐得分最高的设定数量组参数向量的向量值，作为所述推荐的参数向量的向量值；或者，
    选取推荐得分在设定范围内的至少一组参数向量的向量值，作为所述推荐的参数向量的向量值。
  36. 根据权利要求33至35中任一项所述的系统，所述基于预设的对应每一所述指标的机器学习模型，根据对应指标的约束值和所述多组参数向量的向量值，选取推荐的参数向量的向量值包括：
    对于每组参数向量的向量值，分别基于对应每一指标的机器学习模型，确定对应的指标的预测结果；
    根据每组参数向量的向量值对应每一所述指标的预测结果、和对应指标的约束值，选取推荐的参数向量的向量值。
  37. 根据权利要求33至36中任一项所述的系统，所述指令在被所述至少一个计算装置运行时，还促使所述至少一个计算装置执行关于配置文件的推荐的如下步骤：
    获取多个历史配置文件、和每一所述历史配置文件对应每一指标的实际值；
    根据所述历史配置文件和指标的实际值获得多个训练样本，每一训练样本包括一一对应的参数向量的向量值和每一所述指标的实际值；
    对于每一指标，分别基于预先选定的对应的机器学习算法，根据所述训练样本完成机器学习训练，得到对应指标的机器学习模型。
  38. 根据权利要求37所述的系统，所述对于每一指标，分别基于预先选定的对应的机器学习算法，根据所述训练样本完成机器学习训练，得到对应指标的机器学习模型包括：
    对于每一指标，以对应的机器学习算法的待定系数为变量，根据每一训练样本中参数向量的向量值构建对应的预测表达式；
    对于每一指标，分别根据每一训练样本对应的预测表达式和对应指标的实际值，构建对应指标的损失函数；
    对于每一指标，优化对应的损失函数，确定对应的待定系数的取值，完成机器学习训练，得到对应的机器学习模型。
  39. 根据权利要求38所述的系统，目标指标对应机器学习模型为概率模型，其中，所述目标指标为所述多个指标中的任意一个或多个，
    分别根据每一样本对应的预测表达式和目标指标的实际值，构建所述目标指标的损失函数包括：
    分别根据每一样本对应的预测表达式，确定每一样本对应所述目标指标的预测结果为所述目标指标的实际值的概率表达式；
    根据每一样本对应所述目标指标的概率表达式，得到所述目标指标的损失函数。
  40. 根据权利要求33至39中任一项所述的系统，所述指令在被所述至少一个计算装置运行时，还促使所述至少一个计算装置执行关于配置文件的推荐的如下步骤：
    获取所述推荐的参数向量的向量值对应的每一指标的实际值；
    将所述推荐的参数向量的向量值和每一指标的实际值对应存储至数据库中。
  41. 根据权利要求40所述的系统，所述指令在被所述至少一个计算装置运行时，还促使所述至少一个计算装置执行关于配置文件的推荐的如下步骤：
    将所述推荐的参数向量的向量值和对应的每一指标的实际值，作为的新的训练样本；
    根据所述新的训练样本，修正对应每一指标的机器学习模型。
  42. 根据权利要求40或41所述的系统，所述指令在被所述至少一个计算装置运行时，还促使所述至少一个计算装置执行关于配置文件的推荐的如下步骤：
    响应于基于所述每一指标的实际值和所述多个配置项获取配置文件的请求，查找所述数据库，获取对应的所述推荐配置文件；
    将所述推荐配置文件提供给用户。
  43. 根据权利要求33至42中任一项所述的系统，所述根据所述配置项的参数范围，生成多组参数向量的向量值包括：
    对于每种配置项，根据对应的预设步长，根据对应的参数范围确定对应的多个采样值；
    对每种配置项的采样值进行组合，得到多组所述参数向量的向量值。
  44. 根据权利要求33至43中任一项所述的系统，所述配置文件为配方；所述配置项为配方中的有效成分；
    所述获取配置文件中多种配置项的参数范围包括：
    获取所述配方中每种原材料的参数范围、和每种原材料中有效成分的含量；
    根据每种原材料的参数范围和每种原材料中有效成分的含量，确定所述有效成分的参数范围。
  45. 根据权利要求44所述的系统，所述根据所述推荐的参数向量的向量值，确定推荐配置文件包括：
    根据所述推荐的参数向量的向量值，确定每种有效成分的推荐参数；
    根据每种有效成分的推荐参数、和每种原材料中有效成分的含量，确定每种原材料的推荐参数；
    根据每种原材料的推荐参数确定所述推荐配置文件。
  46. 根据权利要求33至45中任一项所述的系统，所述配置文件为钻井液配方；所述指标至少包括以下任意一项或多项：成本、粘度、切力和滤失量；所述配置项至少包括以下任意一项或多项：钻井液配方中的有效成分、温度、钻井液密度和井内状况。
  47. 根据权利要求33至46中任一项所述的系统，所述指令在被所述至少一个计算装置运行时，还促使所述至少一个计算装置执行关于配置文件的推荐的如下步骤：
    提供配置界面，以供用户通过所述配置界面设定所述配置项的参数范围和所述指标的约束值。
  48. 根据权利要求33至47中任一项所述的系统，所述指令在被所述至少一个计算装置运行时，还促使所述至少一个计算装置执行关于配置文件的推荐的如下步骤：
    导出所述推荐配置文件，以供用户根据所述推荐配置文件进行生产或实验。
  49. 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如权利要求1至16中任一项所述的方法。
PCT/CN2021/077489 2020-02-27 2021-02-23 一种配置文件的推荐方法、装置及系统 WO2021169960A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202010125059.9A CN111311104B (zh) 2020-02-27 2020-02-27 一种配置文件的推荐方法、装置及系统
CN202010125059.9 2020-02-27

Publications (1)

Publication Number Publication Date
WO2021169960A1 true WO2021169960A1 (zh) 2021-09-02

Family

ID=71159477

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2021/077489 WO2021169960A1 (zh) 2020-02-27 2021-02-23 一种配置文件的推荐方法、装置及系统

Country Status (2)

Country Link
CN (1) CN111311104B (zh)
WO (1) WO2021169960A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114274364A (zh) * 2021-12-09 2022-04-05 湖南中联重科混凝土机械站类设备有限公司 用于搅拌站的螺旋机选型方法、处理器以及选型装置
CN114327668A (zh) * 2021-11-25 2022-04-12 中国电子科技集团公司第十五研究所 基于关联挖掘的智能化参数配置方法及装置

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111311104B (zh) * 2020-02-27 2023-08-25 第四范式（北京）技术有限公司 一种配置文件的推荐方法、装置及系统
CN114385256B (zh) * 2020-10-22 2024-06-11 华为云计算技术有限公司 系统参数的配置方法和配置装置
CN112395272B (zh) * 2021-01-20 2021-07-13 鹏城实验室 通信算法数据库构建方法、分布式机器装置和存储介质
CN116401232B (zh) * 2023-03-24 2024-01-30 天云融创数据科技（北京）有限公司 数据库参数配置优化方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180046926A1 (en) * 2014-05-23 2018-02-15 DataRobot, Inc. Systems for time-series predictive data analytics, and related methods and apparatus
CN107844837A (zh) * 2017-10-31 2018-03-27 第四范式（北京）技术有限公司 针对机器学习算法进行算法参数调优的方法及系统
CN111311104A (zh) * 2020-02-27 2020-06-19 第四范式（北京）技术有限公司 一种配置文件的推荐方法、装置及系统

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8826313B2 (en) * 2011-03-04 2014-09-02 CSC Holdings, LLC Predictive content placement on a managed services systems
CN103729351B (zh) * 2012-10-10 2017-10-03 阿里巴巴集团控股有限公司 查询词推荐方法及装置
US10061816B2 (en) * 2015-05-11 2018-08-28 Informatica Llc Metric recommendations in an event log analytics environment
CN106485562B (zh) * 2015-09-01 2020-12-04 苏宁云计算有限公司 一种基于用户历史行为的商品信息推荐方法及系统
US20170124464A1 (en) * 2015-10-28 2017-05-04 Fractal Industries, Inc. Rapid predictive analysis of very large data sets using the distributed computational graph
JP7002459B2 (ja) * 2016-08-22 2022-01-20 オラクル・インターナショナル・コーポレイション 統計プロファイリングおよびリファレンススキーママッチングによるオントロジー帰納のためのシステムおよび方法
CN107122990A (zh) * 2017-03-22 2017-09-01 广州优视网络科技有限公司 应用推荐方法、客户端、服务器及系统
CN107066628B (zh) * 2017-05-15 2020-06-05 京东方科技集团股份有限公司 穿衣推荐方法及装置
CN107562925B (zh) * 2017-09-14 2020-10-13 阿里巴巴（中国）有限公司 用于推荐文章的方法、设备和电子设备
CN107578332A (zh) * 2017-09-22 2018-01-12 深圳乐信软件技术有限公司 一种推荐现金商品的方法、装置、设备及存储介质
CN108076154B (zh) * 2017-12-21 2019-12-31 Oppo广东移动通信有限公司 应用信息推荐方法、装置及存储介质和服务器
CN108537568B (zh) * 2018-03-07 2021-12-21 创新先进技术有限公司 一种信息推荐方法和装置
CN108520034B (zh) * 2018-03-29 2021-01-05 阿里巴巴（中国）有限公司 应用推荐方法、装置及计算机设备
CN108596774B (zh) * 2018-04-24 2021-10-01 山东师范大学 基于深层次网络嵌入特征的社会化信息推荐算法及系统
CN108769125B (zh) * 2018-04-28 2021-08-17 阿里巴巴（中国）有限公司 应用推荐方法、装置、存储介质及计算机设备
CN109146116A (zh) * 2018-06-13 2019-01-04 浙江大学 一种工作能力模型的构建方法、其参数计算方法，以及基于所述模型的劳动力评估预测装置
CN109062963B (zh) * 2018-06-27 2021-06-04 阿里巴巴（中国）有限公司 自媒体推荐方法、装置及电子设备
CN110796504B (zh) * 2018-08-03 2023-11-03 京东科技控股股份有限公司 物品推荐方法和装置
CN110457589B (zh) * 2019-08-19 2020-05-12 上海新共赢信息科技有限公司 一种车辆推荐方法、装置、设备及存储介质
CN110717099B (zh) * 2019-09-25 2022-04-22 优地网络有限公司 一种推荐影片的方法及终端
CN110781391B (zh) * 2019-10-22 2023-12-12 深圳市雅阅科技有限公司 一种信息推荐方法、装置、设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180046926A1 (en) * 2014-05-23 2018-02-15 DataRobot, Inc. Systems for time-series predictive data analytics, and related methods and apparatus
CN107844837A (zh) * 2017-10-31 2018-03-27 第四范式（北京）技术有限公司 针对机器学习算法进行算法参数调优的方法及系统
CN111311104A (zh) * 2020-02-27 2020-06-19 第四范式（北京）技术有限公司 一种配置文件的推荐方法、装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LI HONGYI: "Research on Fusion Reasoning Model-Based Optimization of Drilling Fluid Design System", CHINA DOCTORAL DISSERTATIONS FULL-TEXT DATABASE, ENGINEERING SCIENCE & TECHNOLOGY I, B019-34, 15 August 2015 (2015-08-15), XP055840538 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114327668A (zh) * 2021-11-25 2022-04-12 中国电子科技集团公司第十五研究所 基于关联挖掘的智能化参数配置方法及装置
CN114274364A (zh) * 2021-12-09 2022-04-05 湖南中联重科混凝土机械站类设备有限公司 用于搅拌站的螺旋机选型方法、处理器以及选型装置
CN114274364B (zh) * 2021-12-09 2024-01-19 湖南中联重科混凝土机械站类设备有限公司 用于搅拌站的螺旋机选型方法、处理器以及选型装置

Also Published As

Publication number Publication date
CN111311104A (zh) 2020-06-19
CN111311104B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
WO2021169960A1 (zh) 一种配置文件的推荐方法、装置及系统
AU2018353923B2 (en) Secret sharing with no trusted initializer
Sousa et al. On the existence and stability for noninstantaneous impulsive fractional integrodifferential equation
WO2020224445A1 (zh) 一种车流路径分布信息的处理方法、装置及电子设备
WO2018171271A1 (zh) 应用推荐方法、客户端、服务器及系统
KR20140094525A (ko) 외부 저장 서비스를 이용해 문서를 저장하기 위한 사용자 인터페이스
US10936621B2 (en) Visualizing changes in a multi-dimensional dataset using three-dimensional cubes
CA3040681C (en) Secret sharing with a trusted initializer
CA3030075C (en) Collecting user information from computer systems
CN109062963B (zh) 自媒体推荐方法、装置及电子设备
US20220237232A1 (en) Conversation based data analysis recommendations
Zhao et al. An efficient method for accurate evaluation of the site–site direct correlation functions of molecular fluids
Hernández et al. Some useful set-valued maps in set optimization
US20180060433A1 (en) Prioritizing keywords for people search
EP3876563A1 (en) Method and apparatus for broadcasting configuration information of synchronizing signal block, and method and apparatus for receiving configuration information of synchronizing signal block
Li et al. Testing for error correlation in partially functional linear regression models
Shi et al. Large eddy simulations of model-scale turbulent atmospheric boundary layer flows
Pani et al. A modified nonlinear spectral Galerkin method for the equations of motion arising in the Kelvin–Voigt fluids
US20200175455A1 (en) Classification of skills
US10430831B2 (en) Prioritizing companies for people search
Hupp et al. A parallel Navier–Stokes solver using spectral discretisation in time
US10013464B2 (en) Locating and ranking individuals using social media analytics
US9830397B2 (en) Method and computer-based system for processing a search query from a user associated with an electronic device
WO2021153477A1 (ja) 情報処理装置、情報処理方法および情報処理プログラム
Button et al. Characterization of nonlinear port parameters in loudspeaker modeling

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21761238

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21761238

Country of ref document: EP

Kind code of ref document: A1