一种时序性数据的排序预测方法及装置制造方法及图纸

本发明专利技术实施例提供了一种时序性数据的排序预测方法及装置，本申请具体为：所述第一模型获取数据集并依据所述数据集确定第一预测时间顺序对；所述第二模型依据所述第一预测时间顺序对和逻辑规则确定关联时间顺序对；依据所述关联时间顺序对对第一模型进行迭代，直至所述第一预测时间顺序对与所述第二模型输出的关联时间顺序对相同时，所述第一模型输出第二预测时间顺序对；依据所述第二预测时间顺序对生成数据的时效性排序

【技术实现步骤摘要】
一种时序性数据的排序预测方法及装置


[0001]本专利技术涉及数据识别领域，具体涉及一种时序性数据的排序预测方法及装置
。

技术介绍

[0002]随着时间的推移，数据的属性值可能会变得过时和不准确
。
更糟糕的是，可能只有部分可靠的时间戳可用
。
通常我们说一个时间戳是可靠的，是指该时间戳是精确的，正确的，而且，它表明当时的属性值是正确的和最新的
。
[0003]现有技术，需要用机器学习
。
[0004]但对于机器学习有局限性
。
对于时效性排序模型来说，我们很难证明排名是否符合现实世界中的时间顺序
。

技术实现思路

[0005]鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种时序性数据的排序预测方法及装置，包括：
[0006]一种时序性数据的排序预测方法，所述方法应用于通过人工智能模型预测对数据进行时效性排序；其中，所述人工智能模型包括第一模型和第二模型，包括：
[0007]所述第一模型获取数据集并依据所述数据集确定第一预测时间顺序对；
[0008]所述第二模型依据所述第一预测时间顺序对和逻辑规则确定关联时间顺序对；
[0009]依据所述关联时间顺序对对第一模型进行迭代，直至所述第一预测时间顺序对与所述第二模型输出的关联时间顺序对相同时，所述第一模型输出第二预测时间顺序对；
[0010]依据所述第二预测时间顺序对生成数据的时效性排序r/>。
[0011]优选地，所述第一模型获取数据集并依据所述数据集确定第一预测时间顺序对的步骤，包括：
[0012]所述第一模型获取数据集；其中，所述数据集包含数据和与其一一对应的属性值；所述数据集包括至少两组数据；
[0013]所述第一模型依据所述数据的属性值确定第一预测时间顺序对
。
[0014]优选地，所述第一模型依据所述数据的属性值确定第一预测时间顺序对的步骤，包括：
[0015]所述第一模型依据所述数据的属性值得到初始时间顺序对的置信度；
[0016]所述第一模型依据所述初始时间顺序对的置信度对所述初始时间顺序进行筛选得到所述第一预测时间顺序对
。
[0017]优选地，所述第二模型依据所述第一预测时间顺序对和逻辑规则确定关联时间顺序对的步骤，包括：
[0018]所述第二模型依据所述第一预测时间顺序和逻辑规则执行追逐程序得到有效追逐和无效追逐；
[0019]所述第二模型依据所述有效追逐得到所述关联时间顺序对
。
[0020]优选地，所述第二模型依据所述第一预测时间顺序和逻辑规则执行追逐程序得到有效追逐和无效追逐的步骤，包括：
[0021]所述第二模型追逐程序通过在所述第一预测时间顺序中使用逻辑规则和验证数据来推导修复得到所述有效追逐和无效追逐
。
[0022]优选地，所述依据所述关联时间顺序对对第一模型进行迭代的步骤，包括：
[0023]将所述关联时间顺序对和所述数据集作为输入对所述第一模型进行迭代
。
[0024]优选地，所述依据所述第二预测时间顺序对生成数据的时效性排序的步骤，包括：
[0025]依据所述第二预测时间顺序对生成所述数据的属性值的总顺序
。
[0026]为实现本申请还包括一种时序性数据的排序预测装置，所述装置，包括：
[0027]第一预测时间顺序对模块，用于所述第一模型获取数据集并依据所述数据集确定第一预测时间顺序对；
[0028]关联时间顺序对模块，用于所述第二模型依据所述第一预测时间顺序对和逻辑规则确定关联时间顺序对；
[0029]第二预测时间顺序对模块，用于依据所述关联时间顺序对对第一模型进行迭代，直至所述第一预测时间顺序对与所述第二模型输出的关联时间顺序对相同时，所述第一模型输出第二预测时间顺序对；
[0030]时效性排序模块，用于依据所述第二预测时间顺序对生成数据的时效性排序
。
[0031]为实现本申请还包括一种计算机电子设备，包括处理器
、
存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现所述的时序性数据的排序预测方法的步骤
。
[0032]为实现本申请一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现所述的时序性数据的排序预测方法的步骤
。
[0033]本申请具有以下优点：
[0034]在本申请的实施例中，相对于现有技术中的“时效性排序模型来说，很难证明排名是否符合现实世界中的时间顺序”，本申请提供了“将机器学习模型和逻辑规则结合”的解决方案，具体为：所述第一模型获取数据集并依据所述数据集确定第一预测时间顺序对；所述第二模型依据所述第一预测时间顺序对和逻辑规则确定关联时间顺序对；依据所述关联时间顺序对对第一模型进行迭代，直至所述第一预测时间顺序对与所述第二模型输出的关联时间顺序对相同时，所述第一模型输出第二预测时间顺序对；依据所述第二预测时间顺序对生成数据的时效性排序
。
本申请通过“将机器学习模型和逻辑规则结合”解决了“时效性排序模型来说，很难证明排名是否符合现实世界中的时间顺序”的问题，与单独使用时相比，本申请的框架能提高机器学习模型和逻辑规则各自的准确性
。
附图说明
[0035]为了更清楚地说明本申请的技术方案，下面将对本申请的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图
。
[0036]图1是本申请一实施例提供的一种时序性数据的排序预测方法的步骤流程图；
[0037]图2是本申请一实施例提供的一种时序性数据的排序预测方法的结构框架图；
[0038]图3是本申请一实施例提供的一种时序性数据的排序预测方法的数据集图；
[0039]图4是本申请一实施例提供的一种时序性数据的排序预测装置的结构框图；
[0040]图5是本专利技术一实施例提供的一种计算机设备的结构示意图；
[0041]12、
计算机设备；
14、
外部设备；
16、
处理单元；
18、
总线；
20、
网络适配器；
22、I/O
接口；
24、
显示器；
28、
内存；
30、
随机存取存储器；
32、
高速缓存存储器；
34、
存储系统；
40、
程序
/
实用工具；
42、
程序模块
。
具体实施方式...

【技术保护点】

【技术特征摘要】
1.
一种时序性数据的排序预测方法，所述方法应用于通过人工智能模型预测对数据进行时效性排序；其中，所述人工智能模型包括第一模型和第二模型，其特征在于，包括：所述第一模型获取数据集并依据所述数据集确定第一预测时间顺序对；所述第二模型依据所述第一预测时间顺序对和逻辑规则确定关联时间顺序对；依据所述关联时间顺序对对第一模型进行迭代，直至所述第一预测时间顺序对与所述第二模型输出的关联时间顺序对相同时，所述第一模型输出第二预测时间顺序对；依据所述第二预测时间顺序对生成数据的时效性排序
。2.
根据权利要求1所述的时序性数据的排序预测方法，其特征在于，所述第一模型获取数据集并依据所述数据集确定第一预测时间顺序对的步骤，包括：所述第一模型获取数据集；其中，所述数据集包含数据和与其一一对应的属性值；所述数据集包括至少两组数据；所述第一模型依据所述数据的属性值确定第一预测时间顺序对
。3.
根据权利要求2所述的时序性数据的排序预测方法，其特征在于，所述第一模型依据所述数据的属性值确定第一预测时间顺序对的步骤，包括：所述第一模型依据所述数据的属性值得到初始时间顺序对的置信度；所述第一模型依据所述初始时间顺序对的置信度对所述初始时间顺序进行筛选得到所述第一预测时间顺序对
。4.
根据权利要求1所述的时序性数据的排序预测方法，其特征在于，所述第二模型依据所述第一预测时间顺序对和逻辑规则确定关联时间顺序对的步骤，包括：所述第二模型依据所述第一预测时间顺序和逻辑规则执行追逐程序得到有效追逐和无效追逐；所述第二模型依据所述有效追逐得到所述关联时间顺序对
。5.
根据权利要求4所述的时序性数据的排序预测方法，其特征在于，所述第二模型依据所述第一预测时间顺序和逻辑规则执行追逐程序得到有...

【专利技术属性】
技术研发人员：谢珉，王尧舒，樊文飞，
申请(专利权)人：深圳计算科学研究院，
类型：发明
国别省市：