基于大数据和互联网的信息管理方法及人工智能云服务器转让专利
申请号 : CN202010539130.8
文献号 : CN111723226B
文献日 : 2021-04-20
发明人 : 黄雨勤
申请人 : 广州经传多赢投资咨询有限公司
摘要 :
权利要求 :
1.一种基于大数据和互联网的信息管理方法,其特征在于,应用于人工智能云服务器,所述人工智能云服务器与多个互联网访问设备通信连接,所述方法包括:从每个互联网访问设备中获取目标图形搜索对象在每个人工智能识别模型的人工智能识别结果下的图像分类标签,并按照预定的大数据收集分类对各个人工智能识别结果下的图像分类标签进行分类,分别生成每个大数据收集分类的图像分类标签序列;
根据所述目标图形搜索对象的用户搜索行为信息确定所述各个人工智能识别结果关联的目标图形分类分级标签,针对所述各个人工智能识别结果关联的目标图形分类分级标签,分别确定出所述目标图形分类分级标签的第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息,得到所述目标图形分类分级标签的第一信息管理索引序列,所述目标图形分类分级标签为与所述目标图形搜索对象的用户搜索行为信息预先匹配的图形分类分级标签;
根据所述目标图形搜索对象的历史分级分类信息确定所述各个人工智能识别结果关联的关键图形分类分级标签,针对所述各个人工智能识别结果关联的关键图形分类分级标签,分别获取所述关键图形分类分级标签的第二可索引分类标签,并确定出所述第二可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息,得到所述关键图形分类分级标签的第二信息管理索引序列,所述关键图形分类分级标签为所述目标图形搜索对象的历史分级分类信息中的分类频繁度大于设定频繁度阈值的图形分类分级标签,所述分类频繁度用于表示所述图形分类分级标签在单位时间内的搜索分类次数;
根据所述第一信息管理索引序列以及所述第二信息管理索引序列之间的匹配关系,基于所述人工智能识别结果的每个相应的图形分类分级标签分别对所述目标图形搜索对象中的各个图形单元库进行大数据分析;
其中,所述图形分类分级标签包括分类标签和和分类标签所在的分级标签。
2.根据权利要求1所述的基于大数据和互联网的信息管理方法,其特征在于,所述按照预定的大数据收集分类对各个人工智能识别结果下的图像分类标签进行分类,分别生成每个大数据收集分类的图像分类标签序列的步骤,包括:获取每个预定的大数据收集分类所对应的分类目标,形成每个预定的大数据收集分类的分类目标序列,并获取各个人工智能识别结果的每个目标分类目标与所述分类目标序列的分类目标的关联分类目标信息;
根据所述目标分类目标与所述分类目标序列的分类目标的关联分类目标信息,计算每种目标大数据收集分类的关键分类目标的密集度,并根据每种目标大数据收集分类的关键分类目标的密集度,从所述分类目标序列中选取分类目标,得到初始分类目标排列分布;
若所述初始分类目标排列分布的总分类目标分布密集度大于总分类目标分布密集度要求的最大总分类目标分布密集度,则将所述初始分类目标排列分布中的第一关键分类目标分散到第一分布密集度,并且将所述初始分类目标排列分布中的第二关键分类目标聚集到所述第一分布密集度,其中,所述第二关键分类目标是指关键分类目标在所在的标签分级的标签密集程度小于设定程度的关键分类目标,所述第一关键分类目标是指关键分类目标在所在的标签分级的标签密集程度不小于设定程度的关键分类目标;
计算本次更新后的初始分类目标排列分布的总分类目标分布密集度;
若本次更新后的初始分类目标排列分布的总分类目标分布密集度大于所述最大总分类目标分布密集度,则再一次对本次更新后的初始分类目标排列分布执行以上处理;
若本次更新后的初始分类目标排列分布的总分类目标分布密集度小于或者等于所述最大总分类目标分布密集度,则将本次更新前的初始分类目标排列分布作为第一更新排列分布,按照大数据收集分类由低优先级到高优先级的顺序将各所述目标大数据收集分类进行排序,得到目标大数据收集分类序列;
根据所述目标大数据收集分类序列对各个人工智能识别结果下的图像分类标签进行分类,分别生成每个大数据收集分类的图像分类标签序列。
3.根据权利要求1所述的基于大数据和互联网的信息管理方法,其特征在于,所述用户搜索行为信息包括分类场景类型信息,所述根据所述目标图形搜索对象的用户搜索行为信息确定所述各个人工智能识别结果关联的目标图形分类分级标签的步骤,包括:获取所述目标图形搜索对象的分类场景类型信息,并根据所述分类场景类型信息以及预先配置的各个分类场景类型信息与各个标签分级内的目标图形分类分级标签之间的对应关系,得到所述各个人工智能识别结果关联的目标图形分类分级标签。
4.根据权利要求1所述的基于大数据和互联网的信息管理方法,其特征在于,所述针对所述各个人工智能识别结果关联的目标图形分类分级标签,并分别确定出所述目标图形分类分级标签的第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息,得到所述目标图形分类分级标签的第一信息管理索引序列的步骤,包括:针对所述各个人工智能识别结果关联的目标图形分类分级标签,分别获取与所述目标图形分类分级标签匹配的索引运行脚本,并获取所述索引运行脚本在预设时间段内持续索引查找该人工智能识别结果中的一个标签分类对象对应的对象实体时所对应的标签分类对象作为目标标签分类对象;
判断所述目标标签分类对象的分类索引查找特征与预设的信息管理索引单元的索引节点的分类索引查找特征是否匹配,若分类索引查找特征不匹配,则将所述目标标签分类对象的分类索引查找特征调整到与所述信息管理索引单元的索引节点的分类索引查找特征匹配的标签分类对象,输入到所述信息管理索引单元;
采用所述信息管理索引单元对输入的标签分类对象进行计算,获取与所述输入的标签分类对象对应的分级标签信息,并对所述目标标签分类对象中所述目标图形分类分级标签的每个标签标注信息进行扩展,获取所述目标标签分类对象中每个标签标注信息的标签扩展信息;
将与所述输入的标签分类对象对应的分级标签信息中标签标注信息的频繁度大于预设频繁度的分级标签确定为第一可索引分类标签,并对所述输入的标签分类对象中每个标签标注信息的标签特征向量进行转换,获取所述输入的标签分类对象中每个标签标注信息的标签扩展信息;
根据所述目标标签分类对象中每个标签标注信息的标签扩展信息,确定整个标签分类对象的第一标签扩展信息序列,并根据所述第一可索引分类标签中每个标签标注信息的标签扩展信息,确定所述第一可索引分类标签的第二标签扩展信息序列;
根据所述第一标签扩展信息序列、所述第二标签扩展信息序列和预设比例确定所述第一可索引分类标签的标签扩展信息序列,并根据所述目标标签分类对象中每个标签标注信息的标签扩展信息和所述标签扩展信息序列确定出所述目标图形分类分级标签的第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息,得到所述目标图形分类分级标签的第一信息管理索引序列。
5.根据权利要求4所述的基于大数据和互联网的信息管理方法,其特征在于,所述根据所述目标标签分类对象中每个标签标注信息的标签扩展信息和所述标签扩展信息序列确定出所述目标图形分类分级标签的第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息,得到所述目标图形分类分级标签的第一信息管理索引序列的步骤,包括:
确定所述目标标签分类对象中每个标签标注信息的标签扩展信息与所述标签扩展信息序列的匹配扩展信息节点,根据所述匹配扩展信息节点获取所述目标标签分类对象中每个标签标注信息的第一标注项目节点,以根据所述目标标签分类对象中每个标签标注信息的第一标注项目节点和所述分级标签信息,获取所述目标标签分类对象中每个标签标注信息的标注项目节点;
或者,计算所述目标标签分类对象中每个标签标注信息的标签扩展信息与所述标签扩展信息序列的匹配扩展信息节点获取所述目标标签分类对象中每个标签标注信息的第一标注项目节点,并按照预设的覆盖区间对所述目标标签分类对象中每个标签标注信息的第一标注项目节点进行计算,获取所述目标标签分类对象中每个标签标注信息的第二标注项目节点,其中,所述第二标注项目节点与所述第一标注项目节点之间的节点覆盖范围差距小于所述预设的覆盖区间,以根据所述目标标签分类对象中每个标签标注信息的第二标注项目节点和所述分级标签信息,获取所述目标标签分类对象中每个标签标注信息的标注项目节点;
根据所述目标标签分类对象中每个标签标注信息的标注项目节点确定得到所述第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息,以得到所述目标图形分类分级标签的第一信息管理索引序列。
6.根据权利要求1-5中任意一项所述的基于大数据和互联网的信息管理方法,其特征在于,所述根据所述目标图形搜索对象的历史分级分类信息确定所述各个人工智能识别结果关联的关键图形分类分级标签的步骤,包括:获取所述目标图形搜索对象的历史分级分类信息,所述历史分级分类信息包括分别与多个图形分类分级标签对应的多个历史分类更新变化信息;
在确定任意一个图形分类分级标签对应的多个历史分类更新变化信息均满足预设分类动态条件时,根据所述图形分类分级标签的历史分类更新变化信息,和预设分类动态标签范围的范围内容,确定与所述预设分类动态条件匹配的首个预设分类动态标签范围的初始待定分类区域,其中,所述预设分类动态条件包括:预设分类动态标签范围的范围内容大于设定范围的范围内容;
根据所述图形分类分级标签的历史分类更新变化信息、所述预设分类动态标签范围的范围内容、所述首个预设分类动态标签范围的初始待定分类区域以及预设的预设分类动态标签范围的密集度,确定与所述预设分类动态条件匹配的多个预设分类动态标签范围对应于所述图形分类分级标签的初始待定分类区域;
如果在所述图形分类分级标签对应的分级标签在所述图形分类分级标签中的图形分类分级标签位置与分类分级变化区间的所述初始待定分类区域相匹配,且如果所述分级标签为所述分类分级变化区间的首个分级标签,则获取与所述分类分级变化区间相邻的前一预设分类动态标签范围匹配的图形分类分级标签作为筛除图形分类分级标签,并在所述分级标签中识别除去所述筛除图形分类分级标签的一个图形分类分级标签作为与所述分类分级变化区间匹配的目标图形分类分级标签;
如果所述分级标签不为所述分类分级变化区间的首个分级标签,则获取与所述分类分级变化区间匹配的目标图形分类分级标签,并在所述分级标签中识别所述目标图形分类分级标签,并识别所述目标图形分类分级标签的至少一个关键待定分类对象,其中,所述图形分类分级标签对应于多个预设分类动态标签范围;
在所述预设分类动态标签范围内,根据所述目标图形分类分级标签的至少一个关键待定分类对象在多个分级标签中的分类场景信息,计算所述目标图形分类分级标签的至少一个关键待定分类对象在所述预设分类动态标签范围内任意相邻两个分级标签之间的分类层级差距,以及所述目标图形分类分级标签的至少一个关键待定分类对象在所述预设分类动态标签范围内的动态特征向量;
统计所述预设分类动态标签范围的分类次数,并根据所述分类层级差距和所述动态特征向量,确定所述目标图形分类分级标签在所述预设分类动态标签范围的平均分类频繁度和分类频繁度方差,根据所述平均分类频繁度和所述分类频繁度方差,计算所述目标图形分类分级标签在所述预设分类动态标签范围内的关键特征参数;
根据每个图形分类分级标签在匹配的预设分类动态标签范围内的关键特征参数,计算各所述图形分类分级标签的关键评价度,并将关键评价度大于设定得分的图形分类分级标签确定为关键图形分类分级标签。
7.根据权利要求1-5中任意一项所述的基于大数据和互联网的信息管理方法,其特征在于,所述根据所述第一信息管理索引序列以及所述第二信息管理索引序列之间的匹配关系,基于所述人工智能识别结果的每个相应的图形分类分级标签分别对所述目标图形搜索对象中的各个图形单元库进行大数据分析的步骤,包括:将所述第一信息管理索引序列中每个目标图形分类分级标签的信息管理索引序列与所述第二信息管理索引序列中每个匹配的关键图形分类分级标签的信息管理索引序列进行匹配,得到多个匹配度,其中,所述第二信息管理索引序列中每个匹配的关键图形分类分级标签与对应的目标图形分类分级标签在各自的信息管理索引序列中的排列顺序匹配,所述匹配度根据所述目标图形分类分级标签的信息管理索引序列和匹配的关键图形分类分级标签的信息管理索引序列之间的重合度确定;
根据所述多个匹配度基于所述人工智能识别结果的每个相应的图形分类分级标签分别对所述目标图形搜索对象中的各个图形单元库进行大数据分析。
8.根据权利要求7所述的基于大数据和互联网的信息管理方法,其特征在于,所述根据所述多个匹配度基于所述人工智能识别结果的每个相应的图形分类分级标签分别对所述目标图形搜索对象中的各个图形单元库进行大数据分析的步骤,包括:当任意一个目标图形分类分级标签的信息管理索引序列与匹配的关键图形分类分级标签的信息管理索引序列之间的匹配度大于设定匹配度时,将所述目标图形分类分级标签和所述关键图形分类分级标签作为一个大数据分析组合对象;
当任意一个目标图形分类分级标签的信息管理索引序列与匹配的关键图形分类分级标签的信息管理索引序列之间的匹配度不大于设定匹配度时,将所述目标图形分类分级标签和所述关键图形分类分级标签单独作为一个大数据分析独立对象;
在对所述目标图形搜索对象中的各个图形单元库进行大数据分析过程中,当所述图形单元库所对应的图形分类分级标签存在于所述大数据分析组合对象时,根据所述大数据分析组合对象中同步完成所述图形单元库的大数据分析,当所述图形单元库所对应的图形分类分级标签存在于所述大数据分析独立对象时,根据所述大数据分析独立对象中完成所述图形单元库的大数据分析。
9.一种人工智能云服务器,其特征在于,所述人工智能云服务器包括处理器、机器可读存储介质和网络接口,所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连,所述网络接口用于与至少一个互联网访问设备通信连接,所述机器可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述机器可读存储介质中的程序、指令或代码,以执行权利要求1-8中任意一项的基于大数据和互联网的信息管理方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中配置有程序、指令或代码,当所述程序、指令或代码被执行时实现权利要求1-8中任意一项的基于大数据和互联网的信息管理方法。
说明书 :
基于大数据和互联网的信息管理方法及人工智能云服务器
技术领域
背景技术
的标签搜索),在此过程中,可以结合相关的图形分类分级标签(例如结合相关的图形分类
分级标签的大数据分析算法或者策略等)对图形搜索对象中的各个图形单元库进行大数据
分析,相较于传统方案中广义范围的图形单元库的大数据分析,可以减少计算量,并且提高
大数据分析的针对性。
易造成分类过程中出现多分类冲突的情况,并且在分类过程中,用户可能会有需求基于前
面大数据分析时的历史分类情况基于一些关键的图形分类分级标签对图像单元库进行更
为准确快速的大数据处理,然而传统方案中无法满足此需求,进而对于用户而言,在实际大
数据分类过程中可能导致每次缓冲时间较长。
发明内容
智能识别结果下的图像分类标签进行分类,从而考虑到不同大数据收集分类的差异,改善
分类过程中出现多分类冲突的情况,此外通过结合目标图形搜索对象的用户搜索行为信息
和历史分级分类信息,以对比二者图形分类分级标签的信息管理索引序列后基于人工智能
识别结果的每个相应的图形分类分级标签分别对目标图形搜索对象中的各个图形单元库
进行大数据分析,可以便于基于前面大数据分析时的历史分类情况,从而基于一些关键的
图形分类分级标签对图像单元库进行更为准确快速的大数据处理,提高大数据分析效率,
减少缓冲时间。
果下的图像分类标签进行分类,分别生成每个大数据收集分类的图像分类标签序列;
级标签,分别确定出所述目标图形分类分级标签的第一可索引分类标签在所对应的大数据
收集分类的图像分类标签序列中的分级标签信息,得到所述目标图形分类分级标签的第一
信息管理索引序列,所述目标图形分类分级标签为与所述目标图形搜索对象的用户搜索行
为信息预先匹配的图形分类分级标签;
级标签,分别获取所述关键图形分类分级标签的第二可索引分类标签,并确定出所述第二
可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息,得到
所述关键图形分类分级标签的第二信息管理索引序列,所述关键图形分类分级标签为所述
目标图形搜索对象的历史分级分类信息中的分类频繁度大于设定频繁度阈值的图形分类
分级标签,所述分类频繁度用于表示所述图形分类分级标签在单位时间内的搜索分类次
数;
对象中的各个图形单元库进行大数据分析。
签序列的步骤,包括:
序列的分类目标的关联分类目标信息;
关键分类目标的密集度,从所述分类目标序列中选取分类目标,得到初始分类目标排列分
布;
类目标分散到第一分布密集度,并且将所述初始分类目标排列分布中的第二关键分类目标
聚集到所述第一分布密集度,其中,所述第二关键分类目标是指关键分类目标在所在的标
签分级的标签密集程度小于设定程度的关键分类目标,所述第一关键分类目标是指关键分
类目标在所在的标签分级的标签密集程度不小于设定程度的关键分类目标;
排列分布,按照大数据收集分类由低优先级到高优先级的顺序将各所述目标大数据收集分
类进行排序,得到目标大数据收集分类序列;
果关联的目标图形分类分级标签的步骤,包括:
的对应关系,得到所述各个人工智能识别结果关联的目标图形分类分级标签。
签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息,得到所述目标图形
分类分级标签的第一信息管理索引序列的步骤,包括:
续索引查找该人工智能识别结果中的一个标签分类对象对应的对象实体时所对应的标签
分类对象作为目标标签分类对象;
分类对象的分类索引查找特征调整到与所述信息管理索引单元的索引节点的分类索引查
找特征匹配的标签分类对象,输入到所述信息管理索引单元;
标签的每个标签标注信息进行扩展,获取所述目标标签分类对象中每个标签标注信息的标
签扩展信息;
个标签标注信息的标签特征向量进行转换,获取所述输入的标签分类对象中每个标签标注
信息的标签扩展信息;
的标签扩展信息,确定所述第一可索引分类标签的第二标签扩展信息序列;
注信息的标签扩展信息和所述标签扩展信息序列确定出所述目标图形分类分级标签的第
一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息,得
到所述目标图形分类分级标签的第一信息管理索引序列。
的第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信
息,得到所述目标图形分类分级标签的第一信息管理索引序列的步骤,包括:
中每个标签标注信息的第一标注项目节点,以根据所述目标标签分类对象中每个标签标注
信息的第一标注项目节点和所述分级标签信息,获取所述目标标签分类对象中每个标签标
注信息的标注项目节点;
第一标注项目节点,并按照预设的覆盖区间对所述目标标签分类对象中每个标签标注信息
的第一标注项目节点进行计算,获取所述目标标签分类对象中每个标签标注信息的第二标
注项目节点,其中,所述第二标注项目节点与所述第一标注项目节点之间的节点覆盖范围
差距小于所述预设的覆盖区间,以根据所述目标标签分类对象中每个标签标注信息的第二
标注项目节点和所述分级标签信息,获取所述目标标签分类对象中每个标签标注信息的标
注项目节点;
以得到所述目标图形分类分级标签的第一信息管理索引序列。
态标签范围的范围内容,确定与所述预设分类动态条件匹配的首个预设分类动态标签范围
的初始待定分类区域,其中,所述预设分类动态条件包括:预设分类动态标签范围的范围内
容大于设定范围的范围内容;
动态标签范围的密集度,确定与所述预设分类动态条件匹配的多个预设分类动态标签范围
对应于所述图形分类分级标签的初始待定分类区域;
级标签为所述分类分级变化区间的首个分级标签,则获取与所述分类分级变化区间相邻的
前一预设分类动态标签范围匹配的图形分类分级标签作为筛除图形分类分级标签,并在所
述分级标签中识别除去所述筛除图形分类分级标签的一个图形分类分级标签作为与所述
分类分级变化区间匹配的目标图形分类分级标签;
类分级标签,并识别所述目标图形分类分级标签的至少一个关键待定分类对象,其中,所述
图形分类分级标签对应于多个预设分类动态标签范围;
的至少一个关键待定分类对象在所述预设分类动态标签范围内任意相邻两个分级标签之
间的分类层级差距,以及所述目标图形分类分级标签的至少一个关键待定分类对象在所述
预设分类动态标签范围内的动态特征向量;
繁度和分类频繁度方差,根据所述平均分类频繁度和所述分类频繁度方差,计算所述目标
图形分类分级标签在所述预设分类动态标签范围内的关键特征参数;
级标签确定为关键图形分类分级标签。
形分类分级标签分别对所述目标图形搜索对象中的各个图形单元库进行大数据分析的步
骤,包括:
列进行匹配,得到多个匹配度,其中,所述第二信息管理索引序列中每个匹配的关键图形分
类分级标签与对应的目标图形分类分级标签在各自的信息管理索引序列中的排列顺序匹
配,所述匹配度根据所述目标图形分类分级标签的信息管理索引序列和匹配的关键图形分
类分级标签的信息管理索引序列之间的重合度确定;
单元库进行大数据分析的步骤,包括:
标签和所述关键图形分类分级标签作为一个大数据分析组合对象;
级标签和所述关键图形分类分级标签单独作为一个大数据分析独立对象;
据分析组合对象中同步完成所述图形单元库的大数据分析,当所述图形单元库所对应的图
形分类分级标签存在于所述大数据分析独立对象时,根据所述大数据分析独立对象中完成
所述图形单元库的大数据分析。
包括:
工智能识别结果下的图像分类标签进行分类,分别生成每个大数据收集分类的图像分类标
签序列;
的目标图形分类分级标签,分别确定出所述目标图形分类分级标签的第一可索引分类标签
在所对应的大数据收集分类的图像分类标签序列中的分级标签信息,得到所述目标图形分
类分级标签的第一信息管理索引序列,所述目标图形分类分级标签为与所述目标图形搜索
对象的用户搜索行为信息预先匹配的图形分类分级标签;
的关键图形分类分级标签,分别获取所述关键图形分类分级标签的第二可索引分类标签,
并确定出所述第二可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的
分级标签信息,得到所述关键图形分类分级标签的第二信息管理索引序列,所述关键图形
分类分级标签为所述目标图形搜索对象的历史分级分类信息中的分类频繁度大于设定频
繁度阈值的图形分类分级标签,所述分类频繁度用于表示所述图形分类分级标签在单位时
间内的搜索分类次数;
对所述目标图形搜索对象中的各个图形单元库进行大数据分析。
器通信连接多个互联网访问设备,所述方法包括:
分类对各个人工智能识别结果下的图像分类标签进行分类,分别生成每个大数据收集分类
的图像分类标签序列;
结果关联的目标图形分类分级标签,分别确定出所述目标图形分类分级标签的第一可索引
分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息,得到所述目
标图形分类分级标签的第一信息管理索引序列,所述目标图形分类分级标签为与所述目标
图形搜索对象的用户搜索行为信息预先匹配的图形分类分级标签;
结果关联的关键图形分类分级标签,分别获取所述关键图形分类分级标签的第二可索引分
类标签,并确定出所述第二可索引分类标签在所对应的大数据收集分类的图像分类标签序
列中的分级标签信息,得到所述关键图形分类分级标签的第二信息管理索引序列,所述关
键图形分类分级标签为所述目标图形搜索对象的历史分级分类信息中的分类频繁度大于
设定频繁度阈值的图形分类分级标签,所述分类频繁度用于表示所述图形分类分级标签在
单位时间内的搜索分类次数;
签分别对所述目标图形搜索对象中的各个图形单元库进行大数据分析。
述处理器之间通过总线系统相连,所述网络接口用于与至少一个互联网访问设备通信连
接,所述机器可读存储介质用于存储程序、指令或代码,所述处理器用于执行所述机器可读
存储介质中的程序、指令或代码,以执行第一方面或者第一方面中任意一个可能的设计中
的基于大数据和互联网的信息管理方法。
的设计中的基于大数据和互联网的信息管理方法。
过程中出现多分类冲突的情况,此外通过结合目标图形搜索对象的用户搜索行为信息和历
史分级分类信息,以对比二者图形分类分级标签的信息管理索引序列后基于人工智能识别
结果的每个相应的图形分类分级标签分别对目标图形搜索对象中的各个图形单元库进行
大数据分析,可以便于基于前面大数据分析时的历史分类情况,从而基于一些关键的图形
分类分级标签对图像单元库进行更为准确快速的大数据处理,提高大数据分析效率,减少
缓冲时间。
附图说明
范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这
些附图获得其它相关的附图。
具体实施方式
物联网云人工智能云服务器100通信连接的互联网访问设备200。图1所示的基于大数据和
互联网的信息管理系统10仅为一种可行的示例,在其它可行的实施例中,该基于大数据和
互联网的信息管理系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其
它的组成部分。
动设备、虚拟现实设备、或增强现实设备等,或其任意组合。在一些实施例中,智能家居设备
可以包括智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机等,或其任意组
合。在一些实施例中,可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手
表、智能服装、智能背包、智能配件等,或其任何组合。在一些实施例中,智能移动设备可以
包括智能手机、个人数字助理、游戏设备等,或其任意组合。在一些实施例中,虚拟现实设备
和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、
增强现实玻璃、或增强现实贴片等,或其任意组合。例如,虚拟现实设备和/或增强现实设备
可以包括各种虚拟现实产品等。
站的网络安全防护方法,具体人工智能云服务器100和互联网访问设备200的执行步骤部分
可以参照以下方法实施例的详细描述。
法可以由图1中所示的人工智能云服务器100执行,还应理解,在本公开的各种实施例中,各
过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑
确定,而不应对本公开实施例的实施过程构成任何限定。下面对该基于大数据和互联网的
信息管理方法进行详细介绍。
工智能识别结果下的图像分类标签进行分类,分别生成每个大数据收集分类的图像分类标
签序列。
签,分别确定出目标图形分类分级标签的第一可索引分类标签在所对应的大数据收集分类
的图像分类标签序列中的分级标签信息,得到目标图形分类分级标签的第一信息管理索引
序列。
签,分别获取关键图形分类分级标签的第二可索引分类标签,并确定出第二可索引分类标
签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息,得到关键图形分类
分级标签的第二信息管理索引序列。
各个图形单元库进行大数据分析。
类图形搜索对象、图像上传类图形搜索对象等)而言,即可根据各自业务使用需求的不同预
设对应的不同的图形分类分级标签。例如,图形分类分级标签可以包括分类标签和和分类
标签所在的分级标签。
形分类分级标签在单位时间内的搜索分类次数。上述的业务使用需求可以根据实际需求进
行确定,例如可以包括信息检索、信息分析、信息填充等,在此不作具体限定。
目标图形搜索对象的人工智能识别结果下的图像分类标签。
出现多分类冲突的情况,此外通过结合目标图形搜索对象的用户搜索行为信息和历史分级
分类信息,以对比二者图形分类分级标签的信息管理索引序列后基于人工智能识别结果的
每个相应的图形分类分级标签分别对目标图形搜索对象中的各个图形单元库进行大数据
分析,可以便于基于前面大数据分析时的历史分类情况,从而基于一些关键的图形分类分
级标签对图像单元库进行更为准确快速的大数据处理,提高大数据分析效率,减少缓冲时
间。
分类目标序列的分类目标的关联分类目标信息。
分类的关键分类目标的密集度,从分类目标序列中选取分类目标,得到初始分类目标排列
分布。
分类目标分散到第一分布密集度,并且将初始分类目标排列分布中的第二关键分类目标聚
集到第一分布密集度。
一关键分类目标是指关键分类目标在所在的标签分级的标签密集程度不小于设定程度的
关键分类目标。
处理。
一更新排列分布,按照大数据收集分类由低优先级到高优先级的顺序将各目标大数据收集
分类进行排序,得到目标大数据收集分类序列。
与功能层级的层级差异一致的第一大数据收集分类和第二大数据收集分类,第一大数据收
集分类的优先级小于第二大数据收集分类。
第一大数据收集分类的关键分类目标增加设定数目,并且将第一更新排列分布中目标分组
的第二大数据收集分类的关键分类目标减少设定数目。
布密集度大于总分类目标分布密集度要求,则将本次更新后的第一更新排列分布作为最终
分类目标排列分布。若本次更新后的第一更新排列分布的总分类目标分布密集度不大于总
分类目标分布密集度要求,则将下一个分组作为新的目标分组,对新的目标分组进行第二
更新处理。
更新处理: 将初始分类目标排列分布中的第一关键分类目标增加第一分布密集度,并且将
初始分类目标排列分布中的第二关键分类目标减少第一分布密集度。
分布密集度,则再一次对本次更新后的初始分类目标排列分布执行第三更新处理。或者,若
本次更新后的初始分类目标排列分布的总分类目标分布密集度大于或者等于最小总分类
目标分布密集度,则将本次更新前的初始分类目标排列分布作为第二更新排列分布,按照
大数据收集分类由低优先级到高优先级的顺序将各目标大数据收集分类进行排序,得到目
标大数据收集分类序列。
致的第一大数据收集分类和第二大数据收集分类,第一大数据收集分类的优先级小于第二
大数据收集分类。
第一大数据收集分类的关键分类目标减少设定数目,并且将第二更新排列分布中目标分组
的第二大数据收集分类的关键分类目标增加设定数目。
目标分布密集度大于总分类目标分布密集度要求,则将本次更新后的第二更新排列分布作
为最终分类目标排列分布,若本次更新后的第二更新排列分布的总分类目标分布密集度不
大于总分类目标分布密集度要求,则将下一个分组作为新的目标分组,对新的目标分组进
行第四更新处理。
场景类型信息以及预先配置的各个分类场景类型信息与各个标签分级内的目标图形分类
分级标签之间的对应关系,得到各个人工智能识别结果关联的目标图形分类分级标签。
续索引查找该人工智能识别结果中的一个标签分类对象对应的对象实体时所对应的标签
分类对象作为目标标签分类对象。
签分类对象的分类索引查找特征调整到与信息管理索引单元的索引节点的分类索引查找
特征匹配的标签分类对象,输入到信息管理索引单元。
的每个标签标注信息进行扩展,获取目标标签分类对象中每个标签标注信息的标签扩展信
息。
每个标签标注信息的标签特征向量进行转换,获取输入的标签分类对象中每个标签标注信
息的标签扩展信息。
信息的标签扩展信息,确定第一可索引分类标签的第二标签扩展信息序列。
息的标签扩展信息和标签扩展信息序列确定出目标图形分类分级标签的第一可索引分类
标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息,得到目标图形分
类分级标签的第一信息管理索引序列。
息节点获取目标标签分类对象中每个标签标注信息的第一标注项目节点,以根据目标标签
分类对象中每个标签标注信息的第一标注项目节点和分级标签信息,获取目标标签分类对
象中每个标签标注信息的标注项目节点。
签分类对象中每个标签标注信息的第一标注项目节点,并按照预设的覆盖区间对目标标签
分类对象中每个标签标注信息的第一标注项目节点进行计算,获取目标标签分类对象中每
个标签标注信息的第二标注项目节点。
目节点和分级标签信息,获取目标标签分类对象中每个标签标注信息的标注项目节点。
以得到目标图形分类分级标签的第一信息管理索引序列。
然后在确定任意一个图形分类分级标签对应的多个历史分类更新变化信息均满足预设分
类动态条件时,根据图形分类分级标签的历史分类更新变化信息,和预设分类动态标签范
围的范围内容,确定与预设分类动态条件匹配的首个预设分类动态标签范围的初始待定分
类区域。其中,预设分类动态条件可以包括:预设分类动态标签范围的范围内容大于设定范
围的范围内容。
签范围的密集度,确定与预设分类动态条件匹配的多个预设分类动态标签范围对应于图形
分类分级标签的初始待定分类区域。如果在图形分类分级标签对应的分级标签在图形分类
分级标签中的图形分类分级标签位置与分类分级变化区间的初始待定分类区域相匹配,且
如果分级标签为分类分级变化区间的首个分级标签,则获取与分类分级变化区间相邻的前
一预设分类动态标签范围匹配的图形分类分级标签作为筛除图形分类分级标签,并在分级
标签中识别除去筛除图形分类分级标签的一个图形分类分级标签作为与分类分级变化区
间匹配的目标图形分类分级标签。
并识别目标图形分类分级标签的至少一个关键待定分类对象,其中,每个图形分类分级标
签对应于多个预设分类动态标签范围。
一个关键待定分类对象在预设分类动态标签范围内任意相邻两个分级标签之间的分类层
级差距,以及目标图形分类分级标签的至少一个关键待定分类对象在预设分类动态标签范
围内的动态特征向量。
频繁度方差(例如可以根据分类次数乘以分类层级差距和动态特征向量得到平均分类频繁
度,以根据平均分类频繁度得到对应的分类频繁度方差),根据平均分类频繁度和分类频繁
度方差,计算目标图形分类分级标签在预设分类动态标签范围内的关键特征参数,例如可
以平均分类频繁度和分类频繁度方差之间的乘积得到目标图形分类分级标签在预设分类
动态标签范围内的关键特征参数。
分类分级标签确定为关键图形分类分级标签,从而准确定位到关键的图形分类分级标签,
以便于后续通过结合目标图形搜索对象的用户搜索行为信息和历史分级分类信息,以对比
二者图形分类分级标签的信息管理索引序列后基于人工智能识别结果的每个相应的图形
分类分级标签分别对目标图形搜索对象中的各个图形单元库进行大数据分析。
序列进行匹配,得到多个匹配度。
根据目标图形分类分级标签的信息管理索引序列和匹配的关键图形分类分级标签的信息
管理索引序列之间的重合度确定。
目标图形分类分级标签和关键图形分类分级标签作为一个大数据分析组合对象。
分级标签和关键图形分类分级标签单独作为一个大数据分析独立对象。
对象中同步完成图形单元库的大数据分析,当图形单元库所对应的图形分类分级标签存在
于大数据分析独立对象时,根据大数据分析独立对象中完成图形单元库的大数据分析。
图形分类分级标签分别对目标图形搜索对象中的各个图形单元库进行大数据分析,可以便
于基于前面大数据分析时的历史分类情况,从而基于一些关键的图形分类分级标签对图像
单元库进行更为准确快速的大数据处理,提高大数据分析效率,减少缓冲时间。
引序列的类似的操作方式进一步得到关键图形分类分级标签的第二信息管理索引序列,由
于在此之前已经对此进行了详细阐述,因此在此不再赘述。
和互联网的信息管理装置300进行功能模块的划分,也即该基于大数据和互联网的信息管
理装置300所对应的以下各个功能模块可以用于执行上述人工智能云服务器100执行的各
个方法实施例。其中,该基于大数据和互联网的信息管理装置300可以包括分类模块310、第
一确定模块320、第二确定模块330以及大数据分析模块340,下面分别对该基于大数据和互
联网的信息管理装置300的各个功能模块的功能进行详细阐述。
各个人工智能识别结果下的图像分类标签进行分类,分别生成每个大数据收集分类的图像
分类标签序列。其中,分类模块310可以用于执行上述的步骤S110,关于分类模块310的详细
实现方式可以参照上述针对步骤S110的详细描述即可。
形分类分级标签,分别确定出目标图形分类分级标签的第一可索引分类标签在所对应的大
数据收集分类的图像分类标签序列中的分级标签信息,得到目标图形分类分级标签的第一
信息管理索引序列,目标图形分类分级标签为与目标图形搜索对象的用户搜索行为信息预
先匹配的图形分类分级标签。其中,第一确定模块320可以用于执行上述的步骤S120,关于
第一确定模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。
形分类分级标签,分别获取关键图形分类分级标签的第二可索引分类标签,并确定出第二
可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息,得到
关键图形分类分级标签的第二信息管理索引序列,关键图形分类分级标签为目标图形搜索
对象的历史分级分类信息中的分类频繁度大于设定频繁度阈值的图形分类分级标签,分类
频繁度用于表示图形分类分级标签在单位时间内的搜索分类次数。其中,第二确定模块330
可以用于执行上述的步骤S130,关于第二确定模块330的详细实现方式可以参照上述针对
步骤S130的详细描述即可。
形搜索对象中的各个图形单元库进行大数据分析。其中,大数据分析模块340可以用于执行
上述的步骤S140,关于大数据分析模块340的详细实现方式可以参照上述针对步骤S140的
详细描述即可。
全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模
块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,分类模块310
可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以
程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以
上分类模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一
起,也可以独立实现。这里所描述的处理元件可以是一种集成电路,具有信号的处理能力。
在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻
辑电路或者软件形式的指令完成。
或多个微处理器(digital signal processor,DSP),或,一个或者多个现场可编程门阵列
(field programmable gate array,FPGA)等。再如,当以上某个模块通过处理元件调度程
序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器
(centralprocessing unit,CPU)或其它可以调用程序代码的处理器。再如,这些模块可以
集成在一起,以片上系统(system-on-a-chip,SOC)的形式实现。
处理器110、机器可读存储介质120、总线130以及收发器140。
310、第一确定模块320、第二确定模块330以及大数据分析模块340),使得处理器110可以执
行如上方法实施例的基于大数据和互联网的信息管理方法,其中,处理器110、机器可读存
储介质120以及收发器140通过总线130连接,处理器110可以用于控制收发器140的收发动
作,从而可以与前述的互联网访问设备200进行数据收发。
Digital Signal Processor,DSP)、专用集成电路(英文:Application
SpecificIntegrated Circuit,ASIC)等。通用处理器可以是微处理器或者该处理器也可以
是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完
成,或者用处理器中的硬件及软件模块组合执行完成。
结构(Extended Industry Standard Architecture,EISA)总线等。总线130可以分为地址
总线、数据总线、控制总线等。为便于表示,本公开附图中的总线并不限定仅有一根总线或
一种类型的总线。
管理方法。
可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,
EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器
可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性
但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动
态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,
SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDR SDRAM)、增
强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器
(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DR RAM)。
应注意,本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存
储器。
使用的单数形式的“一种”、“上述”和“该”也旨在包括多数形式,除非上下文清楚地表示其
他含义。
然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进
行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术
方案的范围。