业务模板的推送方法及业务模板的推送器技术

本发明专利技术公开一种业务模板的推送方法及业务模板的推送器。该业务模板的推送方法包括：步骤S1、接收各用户终端发送的当前业务需求；步骤S2、获取各业务模板推荐策略对应的特征数据，各特征数据包括当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗；步骤S3、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前业务模板推荐功耗确定出最优的特征数据；步骤S4、将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略，输出所述当前最优业务模板推荐策略；步骤S5、根据当前最优业务模板推荐策略，向各用户终端推送与所述当前业务需求对应的业务模板。

Business Template Pushing Method and Business Template Pusher

【技术实现步骤摘要】
业务模板的推送方法及业务模板的推送器
本专利技术涉及通信
，特别涉及一种业务模板的推送方法及业务模板的推送器。
技术介绍
随着人工智能和移动边缘计算的迅猛发展，边缘终端设备的数量迅速增加，同时边缘终端设备所产生数据量已达到泽字节(ZB)级别。集中式数据处理不能有效处理边缘终端设备所产生的海量数据，边缘云已被业界普遍认定为下一代数字化转型的主要趋势之一。其中，移动边缘计算(MobileEdgeComputing，简称：MEC)是将传统云计算平台的部分计算任务迁移到接入域，并将传统业务与互联网业务进行深度融合，减少传统业务交付的端到端时延，进而带给运营商的运作带来全新模式，并建立全新的产业链及生态圈。这种情况下，面对日益迫切的人工智能和移动边缘计算需求，基于移动边缘计算的智能业务模板边缘云推送机制的迅速持续发展具有重要意义。现有技术中，随着人工智能和边缘云承载业务的快速增长，伴之产生的系统推荐准确度低、业务模板推荐时延长、业务推荐功耗成本高等问题日益突出。现有边缘云系统未充分考虑到系统推荐准确度低、业务模板推荐时延长、业务推荐功耗成本高等方面问题。
技术实现思路
本专利技术旨在至少解决上述现有技术中存在的技术问题之一，提供一种业务模板的推送方法及业务模板的推送器，用于实现业务模板的推荐的低时延、低功耗及高准确率。为实现上述目的，本专利技术提供了一种业务模板的推送方法，该业务模板的推送方法包括：步骤S1、接收各用户终端发送的当前业务需求；步骤S2、获取各业务模板推荐策略对应的特征数据，各特征数据包括当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗；步骤S3、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前业务模板推荐功耗确定出最优的特征数据；步骤S4、将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略，输出所述当前最优业务模板推荐策略；步骤S5、根据当前最优业务模板推荐策略，向各用户终端推送与所述当前业务需求对应的业务模板。可选地，步骤S3包括：步骤S31、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗，生成各特征数据对应的当前的判断参量；步骤S32、对比各特征数据对应的当前的判断参量，确定出当前具有最小判断参量的特征数据；步骤S33、根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗，生成当前具有最小判断参量的特征数据对应的评价值和评价参考值；步骤S34、判断所述评价值是否小于或等于所述评价参考值，若是，则执行步骤S37，否则，执行步骤S35；步骤S35、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗，生成各特征数据的迭代后的业务模板推荐准确度、迭代后的业务模板推荐时延和迭代后的业务模板推荐功耗；步骤S36、以各特征数据的迭代后的业务模板推荐准确度作为各特征数据的当前的业务模板推荐准确度，以各特征数据的迭代后的业务模板推荐时延作为各特征数据的当前的业务模板推荐时延，并以各特征数据的迭代后的业务模板推荐功耗作为各特征数据的当前的业务模板推荐功耗，执行步骤S31；步骤S37、确定当前具有最小判断参量的特征数据为最优的特征数据并执行步骤S4。可选地，步骤S31之前还包括：步骤S30a、设置迭代初始参数k＝0；步骤S30b、将当前迭代次数k进行加1处理；步骤S31包括：步骤S31a、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗和判断参量公式：计算出各特征数据对应的当前的判断参量；其中，表示当前的业务模板推荐时延，表示当前的业务模板推荐功耗，表示当前的业务模板推荐准确度，Zk表示当前的判断参量，k表示当前迭代次数，k∈[1，d]，d为预设阈值，m、n、p表示调节常数，i、j和t表示特征数据对应的预设的存储模型中的三维坐标，i表示特征数据的横坐标，i＝0，1，2，…，m，j表示特征数据的纵坐标，j＝0，1，2，…，n，t表示特征数据的垂直坐标，t＝0，1，2，…，p。可选地，步骤S33包括：步骤S33a、根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗和迭代评价值函数公式：计算出当前具有最小判断参量的特征数据对应的评价值，其中，σ为常数，σ∈[1,2]，k(mod3)表示k除以3的余数，Qk表示当前具有最小判断参量的特征数据对应的当前的评价值；步骤S33b、根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗和迭代评价参考值函数公式：计算出当前具有最小判断参量的特征数据对应的评价参考值，其中，Rk表示当前具有最小判断参量的特征数据对应的当前的评价参考值。可选地，步骤S34包括：步骤S34a、根据步骤S33中生成的所述评价值、评价参考值和迭代评价条件：Qk≤Rk，判断所述评价值和评价参考值是否满足所述迭代评价条件，若满足，执行步骤S37，若不满足，执行步骤S35。可选地，步骤S35包括：步骤S35a、根据各特征数据的当前的业务模板推荐时延当前的业务模板推荐功耗和当前的业务模板推荐准确度生成各特征数据对应的当前的复合向量步骤S35b、根据各特征数据的当前的业务模板推荐时延历史最小业务模板推荐时延LminG、当前的业务模板推荐功耗历史最小业务模板推荐功耗CminG、当前的业务模板推荐准确度历史最大业务模板推荐准确度WmaxG以及公式：计算出第k+1次迭代时各特征数据对应的仿生神经细胞电位差加强因子其中，μ表示常数，μ∈(0,1)；步骤S35c、根据各特征数据对应的当前的复合向量第k+1次迭代时各特征数据对应的仿生神经细胞电位差加强因子和公式：计算出第k+1次迭代时各特征数据对应的复合向量其中，θ表示常数，θ∈(0,1)；步骤S35d、根据第k+1次迭代时各特征数据对应的复合向量确定出第k+1次迭代时各特征数据的迭代后的业务模板推荐时延迭代后的业务模板推荐功耗迭代后的业务模板推荐准确度可选地，步骤S36包括：以第k+1次迭代时各特征数据的迭代后的业务模板推荐时延作为各特征数据的当前的业务模板推荐时延，以第k+1次迭代时各特征数据的迭代后的业务模板推荐功耗作为各特征数据的当前的业务模板推荐功耗，并以第k+1次迭代时各特征数据的迭代后的业务模板推荐准确度作为各特征数据的当前的业务模板推荐准确度，执行步骤S30b。可选地，步骤S35之后还包括：步骤S35e、判断当前迭代次数k的值是否大于预设阈值d，若是，执行步骤S35f，若否，执行步骤S36；步骤S35f、将当前具有最小判断参量的特征数据作为最优的特征数据，执行步骤S4。为实现上述目的，本专利技术提供一种业务模板的推送器，该业务模板的推送器包括：接收模块，用于接收各用户终端发送的当前业务需求；获取模块，用于获取各业务模板推荐策略对应的特征数据，各特征数据包括当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗；确定模块，用于根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前本文档来自技高网...

【技术保护点】
1.一种业务模板的推送方法，其特征在于，包括：步骤S1、接收各用户终端发送的当前业务需求；步骤S2、获取各业务模板推荐策略对应的特征数据，各特征数据包括当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗；步骤S3、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前业务模板推荐功耗确定出最优的特征数据；步骤S4、将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略，输出所述当前最优业务模板推荐策略；步骤S5、根据当前最优业务模板推荐策略，向各用户终端推送与所述当前业务需求对应的业务模板。

【技术特征摘要】
1.一种业务模板的推送方法，其特征在于，包括：步骤S1、接收各用户终端发送的当前业务需求；步骤S2、获取各业务模板推荐策略对应的特征数据，各特征数据包括当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗；步骤S3、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前业务模板推荐功耗确定出最优的特征数据；步骤S4、将所述最优的特征数据对应的业务模板推荐策略作为当前最优业务模板推荐策略，输出所述当前最优业务模板推荐策略；步骤S5、根据当前最优业务模板推荐策略，向各用户终端推送与所述当前业务需求对应的业务模板。2.根据权利要求1所述的业务模板的推送方法，其特征在于，步骤S3包括：步骤S31、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗，生成各特征数据对应的当前的判断参量；步骤S32、对比各特征数据对应的当前的判断参量，确定出当前具有最小判断参量的特征数据；步骤S33、根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗，生成当前具有最小判断参量的特征数据对应的评价值和评价参考值；步骤S34、判断所述评价值是否小于或等于所述评价参考值，若是，则执行步骤S37，否则，执行步骤S35；步骤S35、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗，生成各特征数据的迭代后的业务模板推荐准确度、迭代后的业务模板推荐时延和迭代后的业务模板推荐功耗；步骤S36、以各特征数据的迭代后的业务模板推荐准确度作为各特征数据的当前的业务模板推荐准确度，以各特征数据的迭代后的业务模板推荐时延作为各特征数据的当前的业务模板推荐时延，并以各特征数据的迭代后的业务模板推荐功耗作为各特征数据的当前的业务模板推荐功耗，执行步骤S31；步骤S37、确定当前具有最小判断参量的特征数据为最优的特征数据并执行步骤S4。3.根据权利要求2所述的业务模板的推送方法，其特征在于，步骤S31之前还包括：步骤S30a、设置迭代初始参数k＝0；步骤S30b、将当前迭代次数k进行加1处理；步骤S31包括：步骤S31a、根据各特征数据的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗和判断参量公式：计算出各特征数据对应的当前的判断参量；其中，表示当前的业务模板推荐时延，表示当前的业务模板推荐功耗，表示当前的业务模板推荐准确度，Zk表示当前的判断参量，k表示当前迭代次数，k∈[1，d]，d为预设阈值，m、n、p表示调节常数，i、j和t表示特征数据对应的预设的存储模型中的三维坐标，i表示特征数据的横坐标，i＝0，1，2，…，m，j表示特征数据的纵坐标，j＝0，1，2，…，n，t表示特征数据的垂直坐标，t＝0，1，2，…，p。4.根据权利要求3所述的业务模板的推送方法，其特征在于，步骤S33包括：步骤S33a、根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗和迭代评价值函数公式：计算出当前具有最小判断参量的特征数据对应的评价值，其中，σ为常数，σ∈[1,2]，k(mod3)表示k除以3的余数，Qk表示当前具有最小判断参量的特征数据对应的当前的评价值；步骤S33b、根据当前具有最小判断参量的特征数据中的当前的业务模板推荐准确度、当前的业务模板推荐时延和当前的业务模板推荐功耗和迭代评价参考值函数公式：计算出当前具有最小判断参量的特征数据对应的评价参考值，其中，Rk表示当前具有最小判断参量的特征数据对应的当前的评价参考值。5.根据权利要求4所述的业务模板的推送方法，其特征在于，步骤S34包括：步骤S34a、根据步骤S33中生成的所述评价值、评价参考值和迭代评价条件：Qk≤Rk，判断所述评价值和评价参考值是否满足所述迭代评价条件，若满足，执行步骤S37，若不满足，执行步骤S35。6.根据权利要求5所述的业务模板的推送方法，...

【专利技术属性】
技术研发人员：王智明，徐雷，毋涛，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：北京,11