System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及大数据应用信息,具体而言,涉及基于eri的全生命周期神经网络标签的方法及系统。
技术介绍
1、随着企业数据的不断增长和多样化,标签化已经成为了一种常见的处理方式。标签化是将数据进行分类和标记,以便于企业进行数据分析和利用。同时因为数字营销已经成为以后所有行业的主要的发力方向,大数据标签已经是势在必行的趋势。
2、目前市面上常用的标签技术是由系统产生随机码作为标签,一般常用关系数据都有自动生成标识码的功能,如自增量与种子随机产生唯一的标识,该类技术方便易用,但可读性,使用效率方面都较差。用户自己定义标签规则,用户会根据按照来源、按业务场景、按数据类型等方面来定义标签,但该类标签具有一定的局限性,如无法实现跨表,跨数据库,跨服务器的定位。在检索算法方面与数据追溯方面效率较低。
技术实现思路
1、本专利技术解决的问题是如何将企业中的各类异构数据进行关联,并通过神经网络的算法与标签的全生命周期管理,实现企业数据的快速定义与追溯。
2、为解决上述问题,本专利技术提供基于eri的全生命周期神经网络标签的方法,包括步骤:
3、s1:基于eri建立由多个字符构成的标签,标签由地址码,应用码,数据码,生命码和校验码组成,通过对标签进行编码和解析为数据定义唯一标识;
4、s2:采用卷积式神经网络学习算法生成学习类索引标签,对数据进行定位与关联;
5、s3:记录每个标签的创建、生存和消亡的状态,对标签的全生产周期进行管理,通过将标
6、在上述方法中,对标签的编码与解码算法,包括对地址码,应用码,数据码,生命码和校验码的定义。对于神经网络的深度学习算法,会产生学习类标签,可对大量的标签进行快速的识别定义与关联。每个标签的生命码都记录了标签的生成,有效中,失效三个状态与时间,并与业务数据进行关联,通过这种方式可以实施对业务流程中各类数据的记录与追溯。
7、进一步地,所述步骤s2包括:
8、s21:基于步骤s1中对标签的定义,对地址码和生命码采用静态数据表示的直接进行解析,对应用码与数据码采用对比表的方式进行解析;
9、s22:采用神经网络的深度学习算法,根据数据的命中率生成标签索引标识。
10、进一步地,所述步骤s22包括:
11、s221:在连续的卷积层之间周期性地插入一个池化层;
12、s222:在汇聚层使用max进行操作,对输入的数据体的每一个深度切片独立进行操作,改变空间尺寸;
13、s223:采用反向传播的方式,在向前传播经过汇聚层时,将池中最大元素的索引记录下来,生成索引标识。
14、进一步地,所述步骤s3包括:
15、s31:在业务数据的标识与索引标签的标识中具有生命码,记录该标识的有效时间;
16、s32:对数据进行定位与关联时,解析生命码判断标识是否有效,并对不同的标识定义不同的生命周期;
17、s33:将每个标签的生命码中记录的标签的生成、有效中和失效三个状态与时间与业务数据进行关联。
18、一种基于eri的全生命周期神经网络标签的系统,包括:
19、建立模块:用于基于eri建立由多个字符构成的标签,标签由地址码,应用码,数据码,生命码和校验码组成;
20、定义模块:通过对标签进行编码和解析为数据定义唯一标识;
21、生成模块:用于采用神经网络学习算法生成学习类索引标签,对数据进行定位与关联;
22、关联模块:用于记录每个标签的创建、生存和消亡的状态,对标签的全生产周期进行管理,通过将标识与业务数据进行关联,完成对整个业务流程的记忆与追溯。
23、进一步地,所述生成模块包括:
24、解析单元:用于对地址码和生命码采用静态数据表示的直接进行解析,对应用码与数据码采用对比表的方式进行解析;
25、生成单元:用于通过卷积式神经网络的深度学习算法,根据数据的命中率生成标签索引标识。
26、进一步地,所述生成单元包括:
27、插入子单元:用于在连续的卷积层之间周期性地插入一个池化层;
28、操作子单元:用于在汇聚层使用max进行操作,对输入的数据体的每一个深度切片独立进行操作,改变空间尺寸;
29、记录子单元:用于通过反向传播的方式,在向前传播经过汇聚层时,将池中最大元素的索引记录下来,生成索引标识。
30、进一步地,所述关联模块包括:
31、记录单元:用于记录在业务数据的标识与索引标签的标识中的生命码的有效时间;
32、判断单元:用于对数据进行定位与关联时,解析生命码判断标识是否有效,并对不同的标识定义不同的生命周期;
33、关联单元:用于将每个标签的生命码中记录的标签的生成、有效中和失效三个状态与时间与业务数据进行关联。
34、本专利技术采用上述技术方案包括以下有益效果:
35、本专利技术能够通过全生命周期神经网络标签的标识方法,为企业构建数据标识体系,通过统一全面的eri标识流程,为企业打通各类异构数据的关联,并通过卷积式神经网络的算法与标签的全生命周期管理,实现对企业业务流程中各类数据的记忆与追溯。
本文档来自技高网...【技术保护点】
1.一种基于ERI的全生命周期神经网络标签的方法,其特征在于,包括步骤:
2.根据权利要求1所述的基于ERI的全生命周期神经网络标签的方法,其特征在于,所述步骤S2包括:
3.根据权利要求2所述的基于ERI的全生命周期神经网络标签的方法,其特征在于,所述步骤S22包括:
4.根据权利要求3所述的基于ERI的全生命周期神经网络标签的方法,其特征在于,所述步骤S3包括:
5.一种基于ERI的全生命周期神经网络标签的系统,其特征在于,包括:
6.根据权利要求5所述的基于ERI的全生命周期神经网络标签的系统,其特征在于,所述生成模块包括:
7.根据权利要求6所述的基于ERI的全生命周期神经网络标签的系统,其特征在于,所述生成单元包括:
8.根据权利要求7所述的基于ERI的全生命周期神经网络标签的系统,其特征在于,所述关联模块包括:
【技术特征摘要】
1.一种基于eri的全生命周期神经网络标签的方法,其特征在于,包括步骤:
2.根据权利要求1所述的基于eri的全生命周期神经网络标签的方法,其特征在于,所述步骤s2包括:
3.根据权利要求2所述的基于eri的全生命周期神经网络标签的方法,其特征在于,所述步骤s22包括:
4.根据权利要求3所述的基于eri的全生命周期神经网络标签的方法,其特征在于,所述步骤s3包括:
【专利技术属性】
技术研发人员:董理,汪涛,
申请(专利权)人:浙江高格软件股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。