离散特征处理方法、装置、计算机设备及存储介质
阅读：295发布：2020-05-08
专利汇可以提供离散特征处理方法、装置、计算机设备及存储介质专利检索，专利查询，专利分析的服务。并且本 发明 实施例 公开了一种离散特征处理方法、装置、计算机设备及存储介质。其中，方法包括：获取相同属性维度的货源离散特征和司机离散特征；判断目标属性维度的货源离散特征和司机离散特征是否匹配；根据判断结果，确定训练向量中目标属性维度的标识位的取值；使用训练向量对模型进行训练。本发明实施例的方案实现了在降低离散特征维度的同时，加快了业务和工程的 迭代 效率，并且不会丢失特征信息。，下面是离散特征处理方法、装置、计算机设备及存储介质专利的具体信息内容。
1.一种离散特征处理方法，其特征在于，包括：
获取相同属性维度的货源离散特征和司机离散特征；
判断目标属性维度的货源离散特征和司机离散特征是否匹配；
根据判断结果，确定训练向量中所述目标属性维度的标识位的取值；
使用所述训练向量对模型进行训练。
2.根据权利要求1所述的离散特征处理方法，其特征在于，所述根据判断结果，确定训练向量中所述目标属性维度的标识位的取值，包括：
如果货源离散特征在目标属性维度的数据和司机离散特征在目标属性维度的数据匹配，则将训练向量中所述目标属性维度的标识位配置为第一特征值；
如果货源离散特征在目标属性维度的数据和司机离散特征在目标属性维度的数据不匹配，则将训练向量中所述目标属性维度的标识位配置为第二特征值。
3.根据权利要求1所述的离散特征处理方法，其特征在于，所述获取相同属性维度的货源离散特征和司机离散特征，包括：
获取司机电话联系货源的行为记录，所述行为记录包括司机标识和货源标识；
根据所述司机标识在所述行为记录中增加司机属性，根据所述货源标识在所述行为记录中增加货源属性，得到新行为记录；
根据所述新行为记录，获取相同属性维度的货源离散特征和司机离散特征，所述货源离散特征为货源属性中具有离散特性的特征，所述司机离散特征为司机特征中具有离散特性的特征。
4.根据权利要求3所述的离散特征处理方法，其特征在于，在根据所述司机标识在所述行为记录中增加司机属性，根据所述货源标识在所述行为记录中增加货源属性之后，还包括：
判断司机属性或货源属性知是否存在空缺值；
如果存在空缺值，则根据所述空缺值所在属性维度的众数修改所述空缺值。
5.根据权利要求1所述的离散特征处理方法，其特征在于，在所述使用所述训练向量对模型进行训练之前，还包括：
根据行为记录和行为数据确定训练向量的样本标记；
所述使用所述训练向量对模型进行训练，包括：
将所述训练向量和所述样本标记导入逻辑回归模型，使用随机梯度下降算法求解，生成目标模型。
6.根据权利要求5所述的离散特征处理方法，其特征在于，所述根据行为记录和行为数据确定训练向量的样本标记，包括：
获取行为记录和行为数据，所述行为记录表示司机电话联系货源；所述行为数据表示司机点击货源；
若司机点击货源且电话联系货源，则确定样本标记为正样本；
若司机点击货源且未电话联系货源，则确定样本标记为负样本。
7.根据权利要求1所述的离散特征处理方法，其特征在于，所述训练向量为独热编码生成的向量。
8.一种离散特征处理装置，其特征在于，包括：
离散特征获取模块，用于获取相同属性维度的货源离散特征和司机离散特征；
离散特征匹配模块，用于判断所述货源离散特征和司机离散特征是否匹配；
属性维度取值模块，用于根据判断结果，确定训练向量中所述属性维度的标识位的取值；
训练模块，用于使用所述训练向量对模型进行训练。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的离散特征处理方法。
10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的离散特征处理方法。
离散特征处理方法、装置、计算机设备及存储介质
技术领域
背景技术
[0002] 随着机器学习技术的不断发展，降低特征维度，进一步加快训练的速度，从而加快业务和工程的迭代效率得到了广泛的研究。需要说明的是，机器学习训练中涉及到的特征可以为连续特征，也可以为离散特征。
[0003] 现阶段，主要通过文本处理神经网络模型(例如，Word2vec神经网络模型)降低特征维度；这类文本处理神经网络模型的输入量为一个序列，可以将任意一个序列理解为一个连续特征。
[0004] 现有技术的方法可以很好地降低连续特征的特征维度，但是离散特征并没有一个序列概念，所以无法使用现有技术的方法对离散特征进行降维。因此，研究一种适用于离散特征的处理方法，在降低离散特征维度的同时，加快业务和工程的迭代效率是很有必要的。
发明内容
[0005] 本发明提供一种离散特征处理方法、装置、计算机设备及存储介质，以实现在降低离散特征维度的同时，加快业务和工程的迭代效率，并且不会丢失特征信息。
[0006] 第一方面，本发明实施例提供了一种离散特征处理方法，该方法包括：
[0007] 获取相同属性维度的货源离散特征和司机离散特征；
[0008] 判断目标属性维度的货源离散特征和司机离散特征是否匹配；
[0009] 根据判断结果，确定训练向量中所述目标属性维度的标识位的取值；
[0010] 使用所述训练向量对模型进行训练。
[0011] 第二方面，本发明实施例还提供了一种离散特征处理装置，该装置包括：
[0012] 离散特征获取模块，用于获取相同属性维度的货源离散特征和司机离散特征；
[0013] 离散特征匹配模块，用于判断所述货源离散特征和司机离散特征是否匹配；
[0014] 属性维度取值模块，用于根据判断结果，确定训练向量中所述属性维度的标识位的取值；
[0015] 训练模块，用于使用所述训练向量对模型进行训练。
[0016] 第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一实施例所述的离散特征处理方法。
[0017] 第四方面，本发明实施例一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一实施例所述的离散特征处理方法。
[0018] 本发明实施例的方案通过获取相同属性维度的货源离散特征和司机离散特征；判断目标属性维度的货源离散特征和司机离散特征是否匹配；根据判断结果，确定训练向量中目标属性维度的标识位的取值；使用训练向量对模型进行训练。实现了在降低离散特征维度的同时，加快了业务和工程的迭代效率，并且不会丢失特征信息。附图说明
[0019] 图1是本发明实施例一中的一种离散特征处理方法的流程图；
[0020] 图2是本发明实施例二中的一种离散特征处理方法的流程图；
[0021] 图3是本发明实施例三中的一种离散特征处理装置的结构示意图；
[0022] 图4是本发明实施例四中的一种计算机设备的结构示意图。
具体实施方式
[0023] 下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
[0024] 实施例一
[0025] 图1为本发明实施例一提供的一种离散特征处理方法的流程图，本实施例可适用于机器学习中对离散特征进行处理的情况，该方法可以由离散特征处理装置来执行，该装置可以通过软件和/或硬件的方式实现，并集成在执行本方法的计算机设备中。具体的，参考图1，该方法主要包括如下步骤：
[0026] S110、获取相同属性维度的货源离散特征和司机离散特征。
[0027] 具体的，货源可以为任意一个公司或者个人想要配送的货物，例如：A公司需要从北京配送到天津的生活用品，或者李某需要从上海配送到北京的钢材等，本发明实施例中对其不作限定。司机可以为配送货源的司机，通常情况下，每一个司机的行驶路线以及驾驶车型等信息是固定的。示例性的，司机与货源都可以为某一物流平台中的司机及货源，在物流平台中可以查看到司机以及货源的详细信息。
[0028] 需要说明的是，货源离散特征主要包括货源装卸方式、运费单位、需求车长以及车辆类型等特征；司机离散特征主要包括：车辆类型、车长、运送货物类型以及行驶路线等特征。
[0029] 具体的，获取相同属性维度的货源离散特征和司机离散特征可以为获取货源离散特征与司机离散特征包括的相同特征；例如：获取货源离散特征中包括的车辆类型以及所需车长特征；获取司机离散特征中包括的车辆类型以及车长特征等，本发明实施例中对其不作限定。
[0030] 可选的，获取相同属性维度的货源离散特征和司机离散特征，可以包括：获取司机电话联系货源的行为记录，行为记录包括司机标识和货源标识；根据司机标识在行为记录中增加司机属性，根据货源标识在行为记录中增加货源属性，得到新行为记录；根据新行为记录，获取相同属性维度的货源离散特征和司机离散特征，货源离散特征为货源属性中具有离散特性的特征，司机离散特征为司机特征中具有离散特性的特征。
[0031] 具体的，可以通过获取司机电话联系货源的行为记录相同属性维度的货源离散特征和司机离散特征，其中，行为记录包括司机标识和货源标识。示例性的，司机标识可以为司机在物流平台中的身份标识号(Identity Document，ID)；货源标识可以为货源在物流平台中的ID；通过司机或者货源的ID可以唯一的识别到与ID对应的司机或者货源。
[0032] 进一步的，根据司机标识在行为记录中增加司机属性，根据货源标识在行为记录中增加货源属性，从而得到新的行为记录。示例性的，可以在司机A的司机标识(例如，司机A的ID)中增加司机A所开车的车长以及车辆类型等司机属性；也可以在货源A的货源标识(例如，司机A的ID)中增加运输货源A所需车辆的车长以及车辆类型等货源属性，从而得到新的行为记录。其中，新的行为记录中包括：司机A的司机标识、司机A所开车的车长以及车辆类型；货源A的货源标识、运输货源A所需车辆的车长以及车辆类型等。
[0033] 进一步的，得到新的行为记录之后，可以根据新的行为记录获取相同维度的货源离散特征和司机离散特征。需要说明的是，货源离散特征即为货源属性中具有离散特性的特征，司机离散特征为司机特征中具有离散特性的特征。
[0034] 示例性的，在上述例子中，在司机A的司机标识中增加司机A所开车的车长或者车辆类型等司机属性；在货源A的货源标识中增加运输货源A所需车辆的车长或者车辆类型等货源属性，从而得到新的行为记录之后，可以根据新的行为记录获取相同维度的货源离散特征和司机离散特征，例如：获取司机A所开车的车长以及车辆类型的司机离散特征，运输货源A所需车辆的车长以及车辆类型的货源离散特征。
[0035] 可选的，在根据司机标识在行为记录中增加司机属性，根据货源标识在行为记录中增加货源属性之后，还可以包括：判断司机属性或货源属性是否存在空缺值；如果存在空缺值，则根据空缺值所在属性维度的众数修改空缺值。
[0036] 具体的，在根据司机标识在行为记录中增加司机属性，根据货源标识在行为记录中增加货源属性之后，还可以进一步的判断司机属性或货源属性是否存在空缺值，即判断司机属性或货源属性中是否缺少数据；如果存在空缺值，即司机属性或货源属性中缺少数据，则可以根据空缺值所在属性维度的众数修改空缺值。示例性的，若空缺值所在属性维度为车长属性维度，则可以根据车长属性维度修改空缺值，例如，若车长属性维度中，百分之九十以上的车长为10米，则可以将10米填入到车长属性维度的空缺值中。
[0037] S120、判断目标属性维度的货源离散特征和司机离散特征是否匹配。
[0038] 具体的，在获取相同属性维度的货源离散特征和司机离散特征之后，可以进一步的判断与目标属性维度对应的货源离散特征与司机离散特征是否匹配，其中，目标属性维度可以为如上述例子中涉及到的车长、车辆类型或者其他货源离散特征和司机离散特征中包括的特征，本发明实施例中对其不作限定。
[0039] 示例性的，若目标属性维度为车长，则与目标属性维度对应的货源离散特征与司机离散特征匹配，即运输货源所需的车长与司机所开车辆的车长匹配；若目标属性维度为车辆类型，则与目标属性维度对应的货源离散特征与司机离散特征匹配，即运输货源所需的车辆类型与司机所开车辆的车辆类型匹配。
[0040] S130、根据判断结果，确定训练向量中目标属性维度的标识位的取值。
[0041] 具体的，判断目标属性维度的货源离散特征和司机离散特征是否匹配之后，可以根据判断结果，确定训练向量中目标属性维度的标识位的取值。其中，训练向量可以为通过独热编码(one-hot编码)生成的向量。需要说明的是，one-hot编码又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效，其中，N可以为任意的正整数。
[0042] 可选的，根据判断结果，确定训练向量中目标属性维度的标识位的取值，可以包括：如果货源离散特征在目标属性维度的数据和司机离散特征在目标属性维度的数据匹配，则将训练向量中目标属性维度的标识位配置为第一特征值；如果货源离散特征在目标属性维度的数据和司机离散特征在目标属性维度的数据不匹配，则将训练向量中目标属性维度的标识位配置为第二特征值。
[0043] 具体的，如果货源离散特征在目标属性维度的数据和司机离散特征在目标属性维度的数据匹配，则将训练向量中目标属性维度的标识位配置为第一特征值，其中，第一特征值可以为1或者其他的数值，本发明实施例中对其不作限定。示例性的，若目标属性维度为车长，则目标属性维度的数据可以为10米，如果货源离散特征中配送货源所需的车长为10米，并且司机离散特征中司机所开的车辆的车长也为10米，此时，可以认为货源离散特征在目标属性维度的数据和司机离散特征在目标属性维度的数据匹配，则可以将训练向量中与车长目标属性对应的标识位的数值配置为1。
[0044] 进一步的，如果货源离散特征在目标属性维度的数据和司机离散特征在目标属性维度的数据不匹配，则将训练向量中目标属性维度的标识位配置为第二特征值其中，第一特征值可以为0或者其他的数值，本发明实施例中对其不作限定。示例性的，若目标属性维度为车辆类型，则目标属性维度的数据可以为卡车，如果货源离散特征中配送货源所需的车辆类型为面包车，并且司机离散特征中司机所开的车辆类型为箱式货车，此时，可以认为货源离散特征在目标属性维度的数据和司机离散特征在目标属性维度的数据不匹配，则可以将训练向量中与车辆类型目标属性对应的标识位的数值配置为0。
[0045] 这样设置的好处在于，可以将训练向量的维度降低到原来的四分之一，使训练速度大大加快，内存占用降低至原来的百分之八左右，并且在降低训练向量维度的同时不会丢失特征信息。
[0046] S140、使用训练向量对模型进行训练。
[0047] 具体的，根据判断结果，确定训练向量中目标属性维度的标识位的取值，即确定训练向量之后，可以使用训练向量对模型进行训练，需要说明的是，本发明实施例中涉及到的模型为机器学习模型。示例性的，可以将得到的训练向量输入到机器学习模型中进行训练，当模型训练收敛时，则可得到训练结果，即得到目标模型。
[0048] 本实施例的方案，通过获取相同属性维度的货源离散特征和司机离散特征；判断目标属性维度的货源离散特征和司机离散特征是否匹配；根据判断结果，确定训练向量中目标属性维度的标识位的取值；使用训练向量对模型进行训练。实现了在降低离散特征维度的同时，加快了业务和工程的迭代效率，并且不会丢失特征信息。
[0049] 实施例二
[0050] 图2是本发明实施例二中的一种离散特征处理方法的流程图，本实施在上述实施例的基础上对本发明实施例进行细化，具体的，在使用训练向量对模型进行训练之前，还可以包括：根据行为记录和行为数据确定训练向量的样本标记；使用训练向量对模型进行训练，可以包括：将训练向量和样本标记导入逻辑回归模型，使用随机梯度下降算法求解，生成目标模型。参考图2，该方法主要包括如下步骤：
[0051] S210、获取相同属性维度的货源离散特征和司机离散特征。
[0052] S220、判断目标属性维度的货源离散特征和司机离散特征是否匹配。
[0053] S230、根据判断结果，确定训练向量中目标属性维度的标识位的取值。
[0054] S240、根据行为记录和行为数据确定训练向量的样本标记。
[0055] 具体的，根据判断结果，确定训练向量中目标属性维度的标识位的取值之后，还可以根据行为记录和行为数据确定训练向量的样本标记。
[0056] 可选的，根据行为记录和行为数据确定训练向量的样本标记，可以包括：获取行为记录和行为数据，行为记录表示司机电话联系货源；行为数据表示司机点击货源；若司机点击货源且电话联系货源，则确定样本标记为正样本；若司机点击货源且未电话联系货源，则确定样本标记为负样本。
[0057] 具体的，行为记录为司机电话联系货源，示例性的，若司机A电话联系过货源A的所属公司或者个人，确定其是否可以对货源A进行配送，此时，会将司机A电话联系货源A的行为记为行为记录。行为数据为司机点击货源，示例性的，司机A也可以在物流平台中点击货源A，确定其是否可以对货源A进行配送，此时，会将司机A点击货源A的行为记为行为数据。
[0058] 具体的，本发明实施例中，若司机点击货源且电话联系货源，则确定样本标记为正样本；若司机点击货源且未电话联系货源，则确定样本标记为负样本。示例性的，若司机A在物流平台中点击过货源A并且与货源A的所属公司或者个人电话联系过，则可以确定样本为正样本，即可以将货源A的标签置为1；若司机A仅在物流平台中点击过货源A但并未与货源A的所属公司或者个人电话联系过，则可以确定样本为负样本，即可以将货源A的标签置为0。
[0059] S250、使用训练向量对模型进行训练。
[0060] 具体的，使用训练向量对模型进行训练可以包括：将训练向量和样本标记导入逻辑回归模型，使用随机梯度下降算法求解，生成目标模型。其中，可以将S230中获得到的训练向量以及S240中获取到的样本标记输入到逻辑回归模型中，使用随机梯度下降算法求得逻辑回归模型的最优解，次那个人生成目标模型。
[0061] 本实施例的方案，在上述实施例的基础上在使用训练向量对模型进行训练之前，根据行为记录和行为数据确定训练向量的样本标记；将训练向量和样本标记导入逻辑回归模型，使用随机梯度下降算法求解，生成目标模型。实现了在降低离散特征维度的同时，加快了业务和工程的迭代效率，并且不会丢失特征信息。
[0062] 实施例三
[0063] 图3是本发明实施例三中的一种离散特征处理装置的结构示意图，该装置可以执行本发明实施例中任一实施例中涉及到的离散特征处理方法，该装置可以由软件和/或硬件的方式实现。具体的，参考图3，该装置主要包括：离散特征获取模块310、离散特征匹配模块320、属性维度取值模块330以及训练模块340。
[0064] 其中，离散特征获取模块310，用于获取相同属性维度的货源离散特征和司机离散特征；
[0065] 离散特征匹配模块320，用于判断货源离散特征和司机离散特征是否匹配；
[0066] 属性维度取值模块330，用于根据判断结果，确定训练向量中属性维度的标识位的取值；
[0067] 训练模块340，用于使用训练向量对模型进行训练。
[0068] 本实施例的方案，通过离散特征获取模块获取相同属性维度的货源离散特征和司机离散特征；通过离散特征匹配模块判断货源离散特征和司机离散特征是否匹配；通过属性维度取值模块根据判断结果，确定训练向量中属性维度的标识位的取值；通过训练模块使用训练向量对模型进行训练。实现了在降低离散特征维度的同时，加快了业务和工程的迭代效率，并且不会丢失特征信息。
[0069] 可选的，属性维度取值模块330包括：第一特征值配置单元，以及第二特征值配置单元。
[0070] 其中，第一特征值配置单元，用于如果货源离散特征在目标属性维度的数据和司机离散特征在目标属性维度的数据匹配，则将训练向量中目标属性维度的标识位配置为第一特征值；
[0071] 第二特征值配置单元，用于如果货源离散特征在目标属性维度的数据和司机离散特征在目标属性维度的数据不匹配，则将训练向量中目标属性维度的标识位配置为第二特征值。
[0072] 可选的，离散特征获取模块310包括新行为记录获取单元，用于获取司机电话联系货源的行为记录，行为记录包括司机标识和货源标识；根据司机标识在行为记录中增加司机属性，根据货源标识在行为记录中增加货源属性，得到新行为记录；根据新行为记录，获取相同属性维度的货源离散特征和司机离散特征，货源离散特征为货源属性中具有离散特性的特征，司机离散特征为司机特征中具有离散特性的特征。
[0073] 可选的，新行为记录获取单元还包括空缺值判断子单元，用于判断司机属性或货源属性知是否存在空缺值；如果存在空缺值，则根据空缺值所在属性维度的众数修改空缺值。
[0074] 可选的，本实施例中涉及到的离散特征处理装置还包括：训练向量的样本标记确定单元，用于根据行为记录和行为数据确定训练向量的样本标记。
[0075] 训练向量的样本标记确定单元，具体还可以用于获取行为记录和行为数据，行为记录表示司机电话联系货源；行为数据表示司机点击货源；若司机点击货源且电话联系货源，则确定样本标记为正样本；若司机点击货源且未电话联系货源，则确定样本标记为负样本。
[0076] 可选的，训练模块340还用于将训练向量和样本标记导入逻辑回归模型，使用随机梯度下降算法求解，生成目标模型。
[0077] 可选的，本发明实施例中涉及到的训练向量为独热编码生成的向量。
[0078] 本发明实施例所提供的离散特征处理装置可执行本发明任意实施例所提供的离散特征处理方法，具备执行方法相应的功能模块和有益效果。
[0079] 实施例四
[0080] 图4为本发明实施例四提供的一种计算机设备的结构示意图，如图4所示，该计算机设备包括处理器40、存储器41、输入装置42和输出装置43；计算机设备中处理器40的数量可以是一个或多个，图4中以一个处理器40为例；计算机设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图4中以通过总线连接为例。
[0081] 存储器41作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的离散特征处理方法对应的程序指令/模块(例如，离散特征处理装置中的离散特征获取模块310、离散特征匹配模块320、属性维度取值模块330以及训练模块340)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的离散特征处理方法。
[0082] 存储器41可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器41可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0084] 实施例五
[0085] 本发明实施例D还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种离散特征处理方法，该方法包括：
[0086] 获取相同属性维度的货源离散特征和司机离散特征；
[0087] 判断目标属性维度的货源离散特征和司机离散特征是否匹配；
[0088] 根据判断结果，确定训练向量中目标属性维度的标识位的取值；
[0089] 使用训练向量对模型进行训练。
[0090] 当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的离散特征处理方法中的相关操作.
[0091] 通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0092] 值得注意的是，上述离散特征处理装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
[0093] 注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 译码方法及设备 | 2020-05-08 | 793 |
| 配电网的分布式无功调度方法、系统、设备及存储介质 | 2020-05-08 | 162 |
| 一种基于权重的条件游走图推荐方法 | 2020-05-11 | 357 |
| 一种适用于水下机器人目标抓取的连续跟踪方法 | 2020-05-08 | 843 |
| 一种基于深度学习的白细胞大视场图像检测系统及方法 | 2020-05-08 | 863 |
| 基于改进决策树的客户分群方法及装置 | 2020-05-08 | 214 |
| 一种任务型对话系统中的语义理解方法 | 2020-05-11 | 235 |
| 在大规模MIMO中基于光滑范数的压缩感知信道估计方法 | 2020-05-08 | 150 |
| 一种节省寄存器资源的边缘计算方法 | 2020-05-11 | 589 |
| 一种基于量子混沌和混沌复动力系统的图像加密方法 | 2020-05-08 | 927 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈