一种基于大数据的数据价值挖掘方法、装置与系统与流程

1.本技术涉及数据处理方法，主要涉及对大数据下企业或组织机构数据的价值挖掘与解决方案推荐的自动智能能力与方法。


背景技术：

2.随着计算机与互联网技术的进步，整个社会的数字化趋势越来越明显。但对于传统企业或组织机构来说，这个趋势仅仅给他们提供一些效率工具，他们对数字化还缺少本质认识，更没有认识到数据本身可以作为运营手段甚至赢收目标。
3.对于许多以技术驱动的公司来说，bi(商业智能)的确是治理数据与挖掘价值的良好手段。他们会在数据分析师的工作基础之上，根据数据分析结果来增设新的任务甚至解决方案，利用现有数据去运营新的项目。
4.上述bi技术的应用与推广是建立在数据分析师完整掌握的基础上，因此需要数据分析师具备丰富的行业经验。不仅如此，针对行业、甚至针对目标企业或组织机构的定制开发也是bi价值落地的必需措施。在这些要求下，一个企业或组织机构使用bi来做新商业方案变现，将会面临很高的时间成本与财务成本。


技术实现要素：

5.因此，本技术提出解决上述问题、提升与增强企业或组织机构数据价值挖掘、减少数据到新方案商业变现的时间成本与财务成本的方法、系统和装置。这些方法，应用于不特定的工具、设备、系统甚至数据中心或云服务中心，从而构成一个完整对企业或组织机构数据作价值挖掘与方案推荐系统。为此，本发明：
6.一方面，提出一种数据价值挖掘方法，包括：
7.接收第一数据，所述第一数据来自于外部的数据源；利用所述第一数据作挖掘，所述挖掘操作作用于第二数据集，所述第二数据集为对第二任务集作采集与加工后的数据集；输出第三数据，以及所述第三数据的效用值。这样完成对输入数据作价值挖掘与方案推荐的方法与过程。进一步，其中，所述待挖掘的第一数据，为通过etl加工转换外部的数据源得到的数据；其中，推荐方法的所述挖掘操作所应用的第二数据集包含一个或多个第四数据，所述第四数据与某个第四任务对应，所述第四任务为所述第二任务集的元素；其中，所述第四数据包含用于描述所述第四任务的数据特征；其中，所述第四数据包含用于描述所述第四任务的代码特征；其中，所述第三数据用于描述代码特征，所述代码特征等价于所述某个第五任务，所述第五任务为第二任务集的某个元素；其中，所述第三数据的所述效用值用于反映所述输入数据的预期跟所述第五任务的偏差值，所述偏差值跟所述输入数据的特征与从所述第五任务的采集结果提取的特征的差异。这样，针对一个来自于外部的数据源，在经过工具转换后作为挖掘与推荐系统的输入数据，通过分析并提取输入数据的特征，来匹配已沉淀在挖掘与推荐系统中的、针对系统各任务的采集结果加工形成的特征，基于特征的相似度来识别最接近的已沉淀任务，并根据二者的相似度给出效用评估值，从而完成
数据价值挖掘与方案推荐。
8.在一个部署有服务器集群或云数据中心网络的环境中，可选的，产品与服务系统通过服务器集群或云数据中心中的某一台或数台服务器联合完成对输入数据的挖掘，从而输出数据价值挖掘与解决方案推荐的结果。该挖掘与推荐操作有如下过程：接收来自于外部数据源的输入数据，可选的，所述输入数据来自于外部数据源并经过转换工具转换，所述转换工具可以是etl或其它类似的工具，所述转换过程还可以经过人工干预与选择。所述输入数据经过挖掘操作，所述挖掘操作作用于内部沉淀数据，所述沉淀数据来自于对内部任务集的采集数据集，所述采集数据集作为样本输入并训练得到沉淀数据，所述采集数据集的某个子集跟所述内部任务集的某个元素对应；所述采集数据集的某个子集可以包含所述任务集的某个元素任务的数据特征，所述采集数据集的某个子集还可以包含所述任务集的某个元素任务的代码特征。所述挖掘操作输出任务描述，所述任务描述以数据方式作为输出结果；所述任务描述包含输出结果的效用值，以及下述方式中的一种或多种、与/或一个或多个的组合：可以对应于某个内部任务的编号；可以对应于某个内部任务的名称；可以对应于某个内部任务的一个或多个元件；可以包含前述性质的编号、名称、元件中的一个或多个组成的集合，以及集合内元素间的排序；可以用于反映输出任务的代码元件间的组织方式；可以用于反映输出任务的代码元件与输入数据中的某数据元件的对应关系。这样，针对一个来自于外部的数据源，在经过工具转换后作为挖掘与推荐系统的输入数据，通过分析并提取输入数据的特征，来匹配已沉淀在挖掘与推荐系统中的、针对系统各任务的采集结果加工形成的特征，基于特征的相似度来识别最接近的已沉淀任务，并根据二者的相似度给出效用评估值，从而完成数据价值挖掘与方案推荐。
9.这样，实施了包含上述部分或全部方法与步骤的产品与服务系统，能够提供企业或组织机构数据价值挖掘与方案推荐的自动与智能能力，从而为企业或组织机构数据的价值实现以及商业智能提供便捷高效解决方案。
10.另一方面，提出一种企业或组织机构数据价值挖掘的推荐装置，该装置包含：任务数据采集接口：该接口用于对任务作数据采集。该采集接口采集并获得关于数据的静态内容与动态内容，静态内容通过对任务的静态代码分析获得，动态内容通过对任务的运行过程采集获得。所采集的静态内容包含数据的数据结构或元数据之数据等方面的内容，所采集的动态内容包含数据在取值范围、幅度等方面的内容等。静态分析可以直接使用类似语言编译器的分析功能或模块，动态采集可以基于软件系统分层下的api接口、或者基于任务底层支撑系统的监控、或者基于tee与ree来更无感地进行，此处不赘述这些分析与采集方式；任务代码采集接口：该接口用于对任务作代码采集。该采集接口对任务的代码作两方面的采集：静态内容与动态内容。所采集的静态内容包含函数的符号信息、函数的调用关系、函数内的分支语句等方面的内容，所采集的动态内容包含代码运行中的运行栈、分支分布等方面的内容。静态分析可以直接使用类似语言编译器的分析功能或模块，动态采集可以基于软件系统分层下的api接口、或者基于任务底层支撑系统的监控、或者基于tee与ree来更无感地进行，此处不赘述这些分析与采集方式；映射管理与特征训练功能：该模块接收来自于内部数据采集接口所采集的数据描述数据与来自于内部代码采集接口所采集的代码描述数据，基于任务来管理与维护数据与代码
间的映射关系；基于积累的描述数据集，可选甚至优选的，采用ai技术来分析提取这些数据集的元件，从而得到关于这些数据集的特征；沉淀数据存储功能：该模块用于存储所采集的数据以及对所采集数据分析与加工生成的映射关系、元件及特征等内容；数据输入接口：该接口负责来自于外部的数据源的输入。这些外部数据源到输入数据中间包含这些可能的过程：或者经过手工选择，或者经过etl工具的转换，可以经过类似etl工具的转换，或者经过某种方式清洗与标注等等。这些工具可以运行在发明所述功能执行体的外部，也可以运行在发明功能执行体的内部；挖掘推荐功能：该模块用于针对输入数据作价值挖掘，并确定可匹配的任务或解决方案，从而确定挖掘与推荐结果以及效用值或匹配度；任务输出接口：该接口接收来自于挖掘推荐功能的输出，以任务或方案的方式提供，作为企业或组织机构数据价值挖掘结果。
11.本发明提出的上述接口与模块，同产品实际实施时所需要的其它单元、模块以及软件功能一起，共同实现一个基于大数据的对企业或组织机构数据作价值挖掘与方案推荐的推荐装置。体现在：推荐装置接收来自于外部数据源的输入数据，可选的，所述输入数据来自于外部数据源并经过转换工具转换，所述转换工具可以是etl或其它类似的工具，所述转换过程还可以经过人工干预与选择。所述输入数据经过推荐装置的挖掘操作，所述挖掘操作作用于内部沉淀数据，所述沉淀数据来自于对内部任务集的采集数据集，所述采集数据集作为样本输入并训练得到沉淀数据，所述采集数据集的某个子集跟所述内部任务集的某个元素对应；所述采集数据集的某个子集可以包含所述任务集的某个元素任务的数据特征，所述采集数据集的某个子集还可以包含所述任务集的某个元素任务的代码特征。推荐装置的所述挖掘操作输出任务描述，所述任务描述以数据方式作为输出结果；所述任务描述包含输出结果的效用值，以及下述方式中的一种或多种、与/或一个或多个的组合：可以对应于某个内部任务的编号；可以对应于某个内部任务的名称；可以对应于某个内部任务的一个或多个元件；可以包含前述性质的编号、名称、元件中的一个或多个组成的集合，以及集合内元素间的排序；可以用于反映输出任务的代码元件间的组织方式；可以用于反映输出任务的代码元件与输入数据中的某数据元件的对应关系。这样，针对一个对推荐装置来说来自于外部的数据源，在经过工具转换后作为挖掘与推荐系统的输入数据，推荐装置分析并提取输入数据的特征，推荐装置匹配已沉淀在挖掘与推荐系统中的、针对系统各任务的采集结果加工形成的特征，推荐装置基于特征的相似度来识别最接近的已沉淀任务，并根据二者的相似度给出效用评估值，从而完成数据价值挖掘与方案推荐。
12.这样，所述推荐装置能够在内部采集与沉淀数据的支持下，以自动与智能的数据价值挖掘与方案推荐的方式作企业或组织机构数据的价值挖掘，从而为企业或组织机构数据的价值实现以及商业智能提供便捷高效解决方案。
13.另一方面，提出一种特征分解与方案构造方法，该方法包括：
14.接收第一数据，所述第一数据来自于外部的数据源；利用所述第一数据作挖掘，所述挖掘操作作用于第二数据集，所述第二数据集为对第二任务集作采集、关系映射、特征提取与分解、元件分解与重组的数据集；输出第三数据，以及所述第三数据的效用值。这样就以一个特征分解与方案构造的核心方法与关键过程完成对输入数据作价值挖掘与方案推
荐。进一步，其中，所述待挖掘的第一数据，为通过etl加工转换外部的数据源得到的数据；其中，所述构造方法的挖掘操作所应用的第二数据集包含一个或多个第四数据，所述一个第四数据与某个第四任务集对应，所述第四任务集为所述第二任务集的子集，所述第四任务集至少包含两个任务；其中，所述第四数据包含用于描述所述第四任务集的数据特征；其中，所述第四数据包含用于描述所述第四任务集的代码特征；其中，所述第四数据来自第五数据，所述第五数据包含对所述第四任务集的任务元素的静态采集结果，所述第五数据还包含对所述第四任务集的任务元素的动态采集结果；加工生成第六数据，所述第六数据的一种生成办法是加工所述第四数据，所述第六数据的另一种生成办法是加工所述第五数据；其中，所述第六数据可以是分解所述第四数据得到的元件集；其中，所述第六数据可以是对所述第五数据的特征提取数据；其中，所述第六数据可以是多个所述第五数据间映射关系的关联；分析与提取所述第一数据的特征，根据从所述第一数据分析提取的所述特征与所述第六数据集中的元件的对应关系生成第七数据集，所述第七数据集包含一个或多个所述第六数据；其中，所述第三数据从一个或多个所述第六数据构造得到，所述第三数据可以是层次特征的数据描述结果，所述第三数据也可以是层次特征的代码描述结果，所述第三数据还可以是结合数据与代码的描述结果；其中，所述第三数据的所述效用值用于反映所述输入数据跟所述第四任务子集的预期偏差值，所述偏差值为所述输入数据的特征与从所述第四任务集的综合提取特征的差异。这样，针对一个来自于外部的数据源，在经过工具转换后作为挖掘与推荐系统的输入数据，通过分析并提取输入数据的特征，并进一步通过这些特征中的组成部分与已沉淀数据中的数据元件间的匹配关系，来确定同已沉淀数据中可用于构造新解决方案的代码元件，再根据输入数据的层次特征来用这些代码元件构造解决方案，还基于这些可匹配元件的比例与各元件匹配度加总来给出效用值，从而完成对输入数据的特征分解与对新方案的重新构造。
15.在一个部署有服务器集群或云数据中心网络的环境中，可选的，产品与服务系统通过服务器集群或云数据中心中的某一台或数台服务器联合完成对输入数据的特征分解与方案构造，从而输出数据价值挖掘与解决方案推荐的结果。该特征分解与方案构造有如下过程：接收来自于外部数据源的输入数据，所述输入数据可以是外部数据源经过转换工具转换得到，所述转换工具可以是etl或其它类似的工具，所述转换过程还可以经过人工干预与选择；分解该输入数据，所述分解操作作用于内部沉淀数据，所述内部沉淀数据为对内部任务或任务集作采集的数据集以及对采集数据集作加工的特征集与元件集，所述分解操作的结果为输入数据的层次特征；根据所述输入数据的层次特征确定对应的元件集，所述元件集的确定过程包括：根据所述层次特征，以及内部沉淀的数据元件集，确定匹配所述层次特征的数据元件子集；根据已匹配的所述数据元件子集，以及内部沉淀的代码元件集，确定匹配所述数据元件子集各数据元件的代码元件，形成输入数据元件集对应的代码元件集；其中，所述内部沉淀的数据元件集来自于对内部任务集作数据采集，所述数据采集经过分析得到数据的层次特征，所述数据层次特征经过同已沉淀的元件集作联合分析与确定，得到新的数据元件集；其中，所述内部沉淀的代码元件集来自于对内部任务集作代码采集，所述代码采集经过分析得到代码的层次特征，所述代码层次特征经过同已沉淀的元件集作联合分析与确定，得到新的代码元件集；根据所述的代码元件子集，构造输入数据对应的代码结构或逻辑代码；根据所构造的代码结构或逻辑代码，填入代码元件集各元件对应的代
码，构造得到输入数据对应的解决方案；将为输入数据构造的任务或解决方案提交给输出接口；输出接口展示与提交所构造的推荐方案，从而完成数据价值推荐与方案构造过程。这样，通过从至少两个任务的已采集、分析、提取、沉淀的多个元件，就可以为复杂的企业或组织机构数据构造新的解决方案，并通过元件的匹配值来评估新解决方案的效用值。
16.这样，实施了包含上述部分或全部方法与步骤的产品与服务系统，能够提供企业或组织机构数据价值挖掘与新解决方案生成的自动与智能能力，从而为企业或组织机构数据的价值实现以及商业智能提供便捷高效解决方案。
17.另一方面，提出一种特征分解与方案构造的装置，该装置包含：任务数据采集接口：该接口用于对任务作数据采集。该采集接口采集并获得关于数据的静态内容与动态内容，静态内容通过对任务的静态代码分析获得，动态内容通过对任务的运行过程采集获得。所采集的静态内容包含数据的数据结构或元数据之数据等方面的内容，所采集的动态内容包含数据在取值范围、幅度等方面的内容等；任务代码采集接口：该接口用于对任务作代码采集。该采集接口对任务的代码作两方面的采集：静态内容与动态内容。所采集的静态内容包含函数的符号信息、函数的调用关系、函数内的分支语句等方面的内容，所采集的动态内容包含代码运行中的运行栈、分支分布等方面的内容；映射管理与特征训练功能：该功能接收来自于内部数据采集接口所采集的数据描述数据与来自于内部代码采集接口所采集的代码描述数据，基于任务来管理与维护数据与代码间的映射关系；该功能接收来自于输入数据接口的外部采集数据；分解数据描述数据，得到所述任务的数据元件集，以及所述元件集构成的数据层次特征；分解代码描述数据，得到所述任务的代码元件集，以及所述元件集构成的代码层次特征；可选甚至优选的，所述分析、分解、提取与再构造，可以基于部署具有相应能力的ai来完成；沉淀数据存储功能：该功能用于存储所采集的数据以及对所采集数据分析与加工生成的映射关系、元件及特征等内容；数据输入接口：该接口负责来自于外部的数据源的输入。这些外部数据源到输入数据中间包含这些可能的过程：或者经过手工选择，或者经过etl工具的转换，可以经过类似etl工具的转换，或者经过某种方式清洗与标注等等。这些工具可以运行在发明所述功能执行体的外部，也可以运行在发明功能执行体的内部；价值挖掘与方案构造功能：该功能用于根据输入数据的层次特征、以及输入数据的数据元件集、以及可匹配的沉淀数据的元件集、以及沉淀任务的数据代码映射关系，以此构造满足输入数据层次特征的代码集，并生成新的代码层次与代码结构，从而得到输入数据对应的任务或解决方案，并进一步通过元件集间的匹配度与层次特征的匹配度来计算针对输入数据的挖掘与推荐结果匹配度；任务输出接口：该接口接收来自于挖掘推荐功能的输出，以任务或方案的方式提供作为企业或组织机构数据价值挖掘结果。
18.在一个部署有服务器集群或云数据中心网络的环境中，可选的，产品与服务系统通过服务器集群或云数据中心中的某一台或数台服务器联合完成对输入数据作特征分解与方案构造，从而输出数据价值挖掘与解决方案构造结果。该挖掘与构造操作有如下过程：方案构造装置接收来自于外部数据源的输入数据，所述输入数据可以是外部数据源经过转
换工具转换得到，所述转换工具可以是etl或其它类似的工具，所述转换过程还可以经过人工干预与选择；方案构造装置分解该输入数据，所述分解操作作用于内部沉淀数据，所述内部沉淀数据为对内部任务或任务集作采集的数据集以及对采集数据集作加工的特征集与元件集，所述分解操作的结果为输入数据的层次特征；根据所述输入数据的层次特征，方案构造装置确定对应的元件集，所述元件集的确定过程包括：根据所述层次特征，以及内部沉淀的数据元件集，方案构造装置确定匹配所述层次特征的数据元件子集；根据已匹配的所述数据元件子集，以及内部沉淀的代码元件集，方案构造装置确定匹配所述数据元件子集各数据元件的代码元件，方案构造装置以此来形成输入数据元件集对应的代码元件集；其中，所述内部沉淀的数据元件集来自于对内部任务集作数据采集，所述数据采集经过分析得到数据的层次特征，所述数据层次特征经过同已沉淀的元件集作联合分析与确定，得到新的数据元件集；其中，所述内部沉淀的代码元件集来自于对内部任务集作代码采集，所述代码采集经过分析得到代码的层次特征，所述代码层次特征经过同已沉淀的元件集作联合分析与确定，得到新的代码元件集；根据所述的代码元件子集，方案构造装置构造输入数据对应的代码结构或逻辑代码；根据所构造的代码结构或逻辑代码，方案构造装置填入代码元件集各元件对应的代码，从而构造并得到输入数据对应的解决方案；方案构造装置将为输入数据构造的任务或解决方案提交给输出接口；方案构造装置的输出接口展示与提交所构造的推荐方案，从而完成数据价值推荐与方案构造过程。这样，通过从至少两个任务的已采集、分析、提取、沉淀的多个元件，本方案构造装置就可以为复杂的企业或组织机构数据构造新的解决方案，并通过元件的匹配值来评估新解决方案的效用值。
19.这样，方案构造装置完成了对输入数据作特征分解及方案构造的过程，该装置具有向企业或组织机构提供数据价值挖掘与新解决方案生成的自动与智能能力，从而使得企业或组织机构数据的价值实现以及商业智能更加便捷高效。
20.另一方面，提供了一种计算机可读存储介质，该计算机存储介质存储有程序指令，该程序指令当被处理器运行时，该处理器(分别)具有执行上述关于方法的实施过程。
21.另一方面，提供了一种管理的装置，包括存储组件，处理组件和通信组件，存储组件，处理组件和通信组件相互连接。其中，存储组件用于存储数据处理代码，通信组件用于与外部设备进行信息交互；处理组件被配置用于调用程序代码，分别行使上述关于装置的功能。
附图说明
22.为了更清楚地说明本发明实施的技术方案，更清楚地阐述发明目标的达成要素、方式与过程，下面将对本发明实施中所需要使用的附图进行说明:图1是本发明提出的数据价值挖掘的系统组成图之一；图2是本发明提出的数据价值挖掘的系统组成图之一；图3是本发明提出的数据价值挖掘的系统组成图之一；图4是本发明提出的数据价值挖掘的系统组成图之一；图5是本发明提出的数据价值挖掘的系统组成图之一；图6是本发明提出的数据价值挖掘的系统组成图之一；图7是本发明提出的数据价值挖掘的操作执行流程之一；
图8是本发明提出的数据价值挖掘的操作执行流程之一；图9是本发明提出的数据价值挖掘的操作执行流程之一；图10是本发明提出的数据价值挖掘的操作执行流程之一；图11是本发明提出的数据价值挖掘的操作执行流程之一；图12是本发明提出的数据价值挖掘的操作执行流程之一；图13是本发明提出的数据价值挖掘的操作执行流程之一；图14是本发明提出的数据关系的逻辑示意之一；图15是本发明提出的数据关系的逻辑示意之一；
具体实施方式
23.下面将结合本发明实施例中的附图，对本发明实施例进行描述。
24.本技术的说明书和权利要求书及所述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
25.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
26.在本技术书中使用的术语“服务器”、“设备”、“装置”、“单元”、“部件”、“模块”、“系统”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件、或执行中的软件。例如，服务器可以是但不限于，处理器，数据处理平台，计算设备，计算机，两个或更多个计算机等；单元可以是但不限于，在处理器上运行的进程、可运行对象、可执行文件、执行线程、或其它任何可执行的计算机程序。一个或多个单元可驻留在进程和/或执行线程中，一个单元也可位于一个计算机上和/或分布在2个或更多个计算机之间。此外，这些单元可从在上面存储有各种数据结构的各种计算机可读介质执行。单元可根据具有一个或多个数据分组(例如来自与本地系统、分布式系统和/或网络间的另一单元交互的二个单元的数据，例如通过信号与其它系统交互的互联网)的信号通过本地和/或远程进程来通信。
27.首先，对本技术中的部分用语进行解释说明，以便于本领域技术人员理解。所列用语包含如下：(1)云计算：即cloud computing，指那种拥有集成度优势、连接在网络环境中、以服务方式向用户提供计算、存储甚至软件能力的新型计算范式。这种新的计算范式跟旧有的计算范式的差异，体现在可感观与可用性上就是，它对用户而言并不存在可见的固定形态、甚至基本不存在无资源可用的状态，故被叫做云计算；(2)人工智能：即artificial intelligence，简称ai，指那种通过计算系统模拟人类智能的方法、技术、软硬件及系统的泛称；(3)机器学习：机器学习属于ai领域的一个重要分支性技术。机器学习会从样本数据中提取数据模式，以便对应用数据做出尽可能好的预测；
(4)数据中台：数据中台出现在大规模甚至超大规模的数据收集以后。拥有了这种规模的数据集中度，针对应用或第三方服务所提供的数据封装和开放，数据服务方的响应就需要越来越快速、越来越灵活。这些都是建基于数据中台之上。所以，数据中台的特点体现在：在数据模型、数据服务与数据开发的基本能力之上，对跨域数据和知识作集成与整合，实现数据的分层与水平解耦，以提供满足个性化的数据和应用的开发之需；(5)商业智能：即bi，全称为business intelligence，即将企业或组织机构中现有的数据转化为知识，帮助企业或组织机构做出更明智的业务经营的一系列方法与过程。实现层面，商业智能包含现代数据仓库、在线分析处理、数据挖掘和数据展现等技术或技术组合。商业智能的目标既可以是作业层的方法流程与方案，也可以是管理层的选择与决策；(6)etl：即英文的extract-transform-load之缩写。它既是一套数据加工的工具，也指将数据从来源端经过萃取(extract)、转置(transform)、加载(load)至目的端这么一个过程。在分布式与异构的情况下，etl将各方面的数据抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中。故一般认为etl是联机分析处理与数据挖掘的前置与基础；(7)任务：为实现方法、流程与方案的一种形式。本发明所指的任务概念为运行与加工数据的代码与程序，结合商业智能的任务概念可以是一个或一组程序、或者由一系列关联程序组成的解决方案；(8)任务采集：指对任务作采集，采集结果分两类：数据与代码。采集的数据分静态内容与动态内容，前者是如数据结构或元数据等的静态内容，后者是任务运行中数据在取值范围、幅度、分布等方面的动态内容。采集的代码分静态内容与动态内容，前者指函数的调用关系、分支语句等方面的静态内容，后者指运行栈、分支分布等方面的动态内容。任务采集所得的动态与静态内容，可以通过分析与提取的方式得到任务的特征甚至层次特征，进一步分解特征或层次特征可以得到数据元件与代码元件。所有这些操作，均为采集后的加工过程；(9)层次特征：一段或一组执行某个特定功能的任务，往往有它自己的特点，这个特点以通过对这个任务作采集，采集结果分别通过任务的数据特征与任务的代码特征两个方面来体现。更严格地说，恰当而准确的采集结果，最终都可以解析出一个层次特征的数据来，也都可以解析出一个层次特征的代码来。这里的层次特征，往往可以通过有向无环图来表示；(10)等价：数学上的等价需要作冗余消除，现实事例的等价同样需要这个过程，差别在于如何定义冗余。通常所说的数据等价是指将数据中非重要的、不关特征的数据冗余排除，得到作为关键特征的、甚至以数据流方式表达的数据关系图。能够通过这种过程得到两个一致或者近似数据流关系图的数据源，即为数据等价或近似等价。关于代码等价，亦然；(11)数据元件/代码元件：上述用于判官数据源或代码过程等价时，那些被作为关键特征描述而不可去除的元素或实体，即为数据或代码元件。
28.其次，对本发明的目标问题、解决目标问题的技术方法作概览。随着传统行业的数字改造在广度上增加并在深度上持续，it系统已经深入到企业或组织机构经营的各方面，造成企业或组织机构所积累数据的量越来越大。这些数据涉及企业或组织机构研发、管理、财经、供应链、客户关系等各个方面。但几乎对所有企业或组织机构来说，广度与丰度如此
高的内部数据积累结果都属于好坏各有一面，核心问题聚焦在如何更高效地让企业或组织机构数据发挥潜在价值。本发明即提出一种自动智能地为企业或组织机构作数据价值挖掘与解决方案发现的方法。
29.再次，结合各附图，对发明内容作进一步的阐述。其中：
30.如图1为本发明的系统组成图之一。该图示意了一种关于发明目标的实现架构与功能组成关系。其中：101-任务数据采集接口：该接口用于对任务作数据采集。该采集接口采集并获得关于数据的静态内容与动态内容，静态内容通过对任务的静态代码分析获得，动态内容通过对任务的运行过程采集获得。所采集的静态内容包含数据的数据结构或元数据之数据等方面的内容，所采集的动态内容包含数据在取值范围、幅度等方面的内容等；102-任务代码采集接口：该接口用于对任务作代码采集。该采集接口对任务的代码作两方面的采集：静态内容与动态内容。所采集的静态内容包含函数的符号信息、函数的调用关系、函数内的分支语句等方面的内容，所采集的动态内容包含代码运行中的运行栈、分支分布等方面的内容；103-映射管理与特征训练功能：该模块接收来自于数据采集接口所采集的数据描述数据与来自于代码采集接口所采集的代码描述数据，基于任务来管理与维护数据与代码间的映射关系；基于积累的描述数据集，可选甚至优选的，采用ai技术来分析提取这些数据集的元件，从而得到关于这些数据集的特征；104-沉淀数据存储功能：该模块用于存储所采集的数据以及对所采集数据分析与加工生成的映射关系、元件及特征等内容；105-数据输入接口：该接口负责来自于外部的数据源的输入。这些外部数据源到输入数据中间包含这些可能的过程：或者经过手工选择，或者经过etl工具的转换，可以经过类似 etl工具的转换，或者经过某种方式清洗与标注等等。这些工具可以运行在发明所述功能执行体的外部，也可以运行在发明功能执行体的内部；106-挖掘推荐功能：该模块用于针对输入数据来作价值挖掘，并确定可匹配的任务或解决方案，从而确定挖掘与推荐结果以及匹配度；107-任务输出接口：该接口接收来自于挖掘推荐功能的输出，以任务或方案的方式提供，来作为企业或组织机构数据价值挖掘结果。
31.如图2为本发明的系统组成图之一。该图示意了一个实现企业或组织机构数据价值挖掘的技术架构与实现分层。其中：231-数据引擎：该引擎用来向其上的平台、组件集、以及更细粒度单元与模块提供数据管理能力与访问接口，如sql及nosql的能力与接口；232-计算引擎：该引擎用来向其上的平台、组件集、以及更细粒度单元与模块提供数据计算所需要的能力，如hadoop、spark的能力等；233-ai引擎：该引擎用来其上的平台、组件集、以及更细粒度单元与模块提供数据如机器学习、深度学习等方面的能力与接口；234-推荐引擎：该引擎用来其上的平台、组件集、以及更细粒度单元与模块提供推荐所需要的模型管理、中间件等能力；221-应用管理平台：该平台提供对系统内应用的管理与应用信息收集的能力；
222-采集沉淀平台：该平台提供对任务代码采集与数据采集后的数据沉淀所需要的能力；223-清洗标注平台：该平台提供对所采集数据进行清洗标注与特征提取的能力；211-ui组件集：该组件集提供单元与模块所需要各类已定义可重复使用的ui操作组件；212-注入组件集：该组件集提供数据转换过程中所需要的各类内部转换组件；213-层次组件集：该组件集提供层次特征下数据元组间作匹配所需要的组件以及组件间的逻辑；214-作业组件集：该组件集用于对上层应用功能中的作业组件进行管理；
32.如图3为本发明的系统组成图之一。该图示意了前述各平台的功能分解与细化结果。其中：311-分类管理单元：该单元提供按分类情况进行应用管理的能力；312-采集管理单元：该单元使能对任务的采集，并对采集结果进行收集与整理，并发送给相应的收集单元；313-日志管理单元：该单元提供采集日志的管理、分析与采集信息提取功能；321-数据收集单元：该单元提供按任务对所采集的数据内容进行组织与分析的能力；322-代码收集单元：该单元提供按任务对所采集的代码内容进行组织与分析的能力；323-特征支持单元：该单元提供按任务对数据内容与代码内容进行特征处理、关联关系映射等方面的能力；331-数据关联单元：该单元提供经过或未经过etl加工的外部数据源的各层级关联处理能力；332-数据转换单元：该单元提供经过或未经过etl加工的外部数据源到内部数据在各层级的转换能力；333-数据调度单元：该单元提供前述关联与转换时所需要的数据缓冲与执行排序等复杂数据处理过程的调度能力；
33.如图4为本发明的系统组成图之一。该图示意了前述组件集的功能分解与细化结果。其中：411-界面管理单元：该单元为各功能应用提供组件组成到应用的映射，以及界面组件的显示控制；412-组件管理单元：该单元提供对各类数据组件在上层界面与下层数据实体间的映射关系的管理功能；421-注入选择单元：该单元提供数据源注入的开关功能，这种开关使用在某类数据按值大小与比例方式接收注入的情况；422-缓存管理单元：该单元提供注入数据的缓存管理功能；423-型值调较单元：该单元提供对注入数据的类型与值范围作二次调较的功能；431-数据展示单元：该单元用于显示指定任务的数据层次特征或代码层次特征，或它们的部分内容，或；
432-调校界面单元：该单元用于调整与校正分析中与确定前的层次特征；433-映射调优单元：该单元用于匹配采集或注入的原内容与层次特征中的元组内容间的映射关系；434-匹配推荐单元：该单元用于对采集或注入的原内容与层次特征中的元组内容间作可匹配的自动挖掘；441-队列管理单元：该单元用于管理各执行中与待运行作业的数据队列资源分配、队列归属、队列与作业间的映射关系等作管理；442-执行管理单元：该单元用于根据用户的界面作业以及内部逻辑关系对作业的执行、等待等过程作管理。
34.如图5为本发明的系统组成图之一。该图示意了采集沉淀平台下三个单元的功能分解。其中：511-数据收集的动态采集模块：该模块用于对任务的数据作动态内容采集；512-数据收集的静态生成模块：该模块用于对任务的数据作静态内容生成；513-数据收集的综合生成模块：该模块用于通过所采集数据的静态内容与动态内容来生成包含数据的层次特征等各方面的特征信息；514-数据收集的隐私脱敏模块：该模块用于对所得到的静态内容、动态内容以及综合特征作隐私识别与脱敏处理；521-代码采集的动态监听模块：该模块用于对任务的代码作动态内容监听；522-代码采集的静态生成模块：该模块用于对任务的代码作静态内容生成；523-代码采集的综合生成模块：该模块用于通过所采集代码的静态内容与动态内容来生成包含代码的层次特征等各方面的特征信息；524-代码采集的保护与脱敏模块：该模块用于对所得到的静态内容、动态内容以及综合特征信息作隐私识别、ip保护项识别，以及脱敏处理；531-模型训练与部署模块：该模块用于将对任务所采集数据与代码内容、以及/或根据采集的内容分析得到的种类特征作样本，进行ai模型训练，并在存在可用模型的情况下对模型作部署；532-效用判定与调优模块：该模块用于将训练得到的ai模型应用于输入数据，得到所输出推荐结果的预期效用值，并根据实际反馈迭代调优ai模型；
35.如图6为本发明的系统组成图之一。该图示意了采集沉淀平台下三个单元的功能分解。其中：601-任务数据采集接口：该接口用于对任务作数据采集。该采集接口采集并获得关于数据的静态内容与动态内容，静态内容通过对任务的静态代码分析获得，动态内容通过对任务的运行过程采集获得。所采集的静态内容包含数据的数据结构或元数据之数据等方面的内容，所采集的动态内容包含数据在取值范围、幅度等方面的内容等；602-任务代码采集接口：该接口用于对任务作代码采集。该采集接口对任务的代码作两方面的采集：静态内容与动态内容。所采集的静态内容包含函数的符号信息、函数的调用关系、函数内的分支语句等方面的内容，所采集的动态内容包含代码运行中的运行栈、分支分布等方面的内容；603-映射管理与特征训练功能：该功能接收来自于内部数据采集接口所采集的数据描
述数据与来自于内部代码采集接口所采集的代码描述数据，基于任务来管理与维护数据与代码间的映射关系；该功能接收来自于输入数据接口的外部采集数据；分解数据描述数据，得到所述任务的数据元件集，以及所述元件集构成的数据层次特征；分解代码描述数据，得到所述任务的代码元件集，以及所述元件集构成的代码层次特征；可选甚至优选的，所述分析、分解、提取与再构造，可以基于部署具有相应能力的ai来完成；604-沉淀数据存储功能：该功能用于存储所采集的数据以及对所采集数据分析与加工生成的映射关系、元件及特征等内容；605价值挖掘与方案构造功能：该功能用于根据输入数据的层次特征、以及输入数据的数据元件集、以及可匹配的沉淀数据的元件集、以及沉淀任务的数据代码映射关系，以此构造满足输入数据层次特征的代码集，并生成新的代码层次与代码结构，从而得到输入数据对应的任务或解决方案，并进一步通过元件集间的匹配度与层次特征的匹配度来计算针对输入数据的挖掘与推荐结果匹配度；606-数据输入接口：该接口负责来自于外部的数据源的输入。这些外部数据源到输入数据中间包含这些可能的过程：或者经过手工选择，或者经过etl工具的转换，可以经过类似 etl工具的转换，或者经过某种方式清洗与标注等等。这些工具可以运行在发明所述功能执行体的外部，也可以运行在发明功能执行体的内部；607-任务输出接口：该接口接收来自于挖掘推荐功能的输出，以任务或方案的方式提供作为企业或组织机构数据价值挖掘结果。
36.如图7为实现本发明的操作执行流程图之一。该图示意一个对沉淀任务作数据采集与特征分析的过程。其中：10a-部署与运行任务：该操作为采集操作的前置条件与事项，以此确定被采集对象；10b-确定与提取代码层次特征：该操作属于可选步骤。如果存在代码层次特征，则提取该层次特征；10c-分析确定任务的数据分布信息：该操属于可选操作步骤。如果不存在对应的代码层次特征，则分析任务的数据分布、从而得到分布信息。该分布信息的获得，可选的，可以通过特征提取等ai技术，根据任务的静态内容与动态内容，获得数据分布信息；10d-部署动态与静态的数据采集器：基于前述数据分布信息或代码层次特征，该操作为采集操作准备要件，包括安装静态分析器与插入动态采集器，准备采集的缓存空间，以及采集过程中需要用到的空间循环利用方式等；10e-提取任务的数据静态内容：该操作基于采集器的采集结果，获得数据静态内容；10f-提取任务的数据动态内容：该操作基于采集器的采集结果，获得数据动态内容；10g-根据代码层次特征或数据分布信息，构造数据层次特征。该构造操作，典型的，可以通过特征提取、数据建模、网络分析等ai技术，根据代码层次特征或数据分布信息，获得数据层次特征；10h-保存数据静态与动态内容，以及保存数据层次特征。
37.如图8为实现本发明的操作执行流程图之一。该图示意一个对沉淀任务作代码采集与特征分析的过程。其中：20a-部署与运行任务：该操作为采集操作的前置条件与事项，以此确定被采集对象；20b-确定与提取代码层次特征：该操作属于可选步骤。如果存在数据层次特征，则提取
该层次特征；20c-分析确定任务的代码分布信息：该操属于可选操作步骤。如果不存在对应的数据层次特征，则分析任务的代码分布、从而得到分布信息。该分布信息的获得，可选的，可以通过特征提取等ai技术，根据任务的静态内容与动态内容，获得代码分布信息；20d-部署动态与静态的数据采集器：基于前述代码分布信息或数据层次特征，该操作为采集操作准备要件，包括安装静态分析器与插入动态采集器，准备采集的缓存空间，以及采集过程中需要用到的空间循环利用方式等；20e-提取任务的数据静态内容：该操作基于采集器的采集结果，获得数据静态内容；20f-提取任务的数据动态内容：该操作基于采集器的采集结果，获得数据动态内容；20g-根据数据层次特征或代码分布信息，构造代码层次特征：该构造操作，典型的，可以通过特征提取、数据建模、网络分析等ai技术，在此基础上使用数据层次特征或代码分布信息，从而得到代码层次特征；20h-保存代码静态与动态内容，以及保存代码的层次特征。
38.如图9为实现本发明的操作执行流程图之一。该图示意一个对沉淀任务作数据层次特征生成的过程。其中：30a-数据的静态内容输入：该操作提供采集所获得的静态内容；30b-数据的动态内容输入：该操作提供采集所获得的动态内容，此动态内容来自于任务运行时的采集操作，一种可选的实现方式是采集操作的直接结果以日志方式来记录、以异步方式再分析日志，从而得到动态内容；30c-数据特征分析与生成：该操作对所采集的静态与动态内容进行分析，生成数据特征；30d-可用性、有效性与完整性判定：该操作通过一定方式与规则来判定数据特征的可用性、有效性以及完整性。如果对该结果的判定为需要再采集，则；30e-内容再采集下达：该操作用于驱动采集操作的再进行，也可以用于驱动采集器的变更； 30f-代码层次特征提取：在判定采集已经充分的情况下，该操作用于获得已保存的代码层次特征；30g-数据层次特征生成：该操作使用采集的数据特征内容与代码层次特征，加工生成数据的层次特征。可选的，该操作通过具有训练所得模型的ai方式实现；30h-数据综合特征部署：该操作将生成的数据层次特征作部署，以待后续的应用生效。
39.如图10为实现本发明的操作执行流程图之一。该图示意一个对沉淀任务作代码层次特征生成的过程。其中：40a-代码的静态内容输入：该操作提供采集所获得的静态内容；40b-代码的动态内容输入：该操作提供采集所获得的动态内容，此动态内容来自于任务运行时采集操作，一种可选的实现方式是采集操作的直接结果以日志方式来记录、以异步方式再分析日志，从而得到动态内容；40c-代码特征分析与生成：该操作对所采集的静态与动态内容进行分析，生成代码特征；40d-可用性、有效性与完整性判定：该操作通过一定方式与规则来判定代码特征的可用性、有效性以及完整性。如果对该结果的判定为需要再采集，则；
40e-内容再采集下达：该操作用于驱动采集操作的再进行，也可以用于驱动采集器的变更； 40f-数据层次特征提取：在判定采集已经充分的情况下，该操作用于获得已保存的数据层次特征；40g-代码层次特征生成：该操作使用采集的代码特征内容与数据层次特征，加工生成代码的层次特征。可选的，该操作通过具有训练所得模型的ai方式实现；40h-代码综合特征部署：该操作将生成的代码层次特征作部署，以待后续的应用生效。
40.如图11为本发明的操作执行流程图之一。该图示意了数据特征与代码特征进行关联映射的过程。其中：50a-获取任务的数据特征集：该操作获取关于任务的数据特征集，包含综合特征内容与层次特征；50b-获取任务的代码特征集：该操作获取关于任务的代码特征集，包含综合特征内容与层次特征；50c-数据特征与代码特征的联合训练：该操作对数据特征与代码作联合训练，并形成关联关系的映射；50d-数据-代码关联效果的评分：该操作对所生成的数据-代码关联效果作评分；50e-数据-代码关联结果的排序：该操作对所生成的数据-代码关联映射关系作排序。
41.图12为本发明的操作执行流程图之一。该图示意了输入数据从经过转换后的外部数据源到任务推荐的处理全过程。其中：60a-数据初始标注：该操作为将经过etl类工作转换的数据进行内部标注化；60b-源数据注入：该操作用于注入从外部数据源转换得到的已标注数据；60c-已注入数据层次特征生成与展示：该操作对已注入数据作加工分析，生成层次特征，并展示。可选的，该操作的特征生成可由具有训练所得模型的ai来实现；60d-数据修正的选择或确认：该操作通过人工界面或其它自动化数据接口，检查已注入数据是否具有明确的代表性特征，且这些特征具有可用性、有效性与完整性。在不确认或者确认不具有的情况下，则继续注入外部数据源；60e-注入数据深度分析：该操作对确定注入的数据作深度分析，以得到明确的数据综合特征与层次特征；60f-注入数据深度分析：该操作用于展示前述深度分析得到的综合特征与层次特征；60g-数据匹配与任务构建：该操作用于按特征进行数据匹配，并在这个匹配的基础上构建任务。在综合特征与层次特征可直接匹配的条件下，直接得到可推荐的任务。可选的，在综合特征与层次特征不具有直接匹配结果的情况下，则对注入数据的综合特征与层次特征作解构，以得到更小粒度的、层次化更简单的各数据颗粒，基于这个解构结果再对内部同样粒度与层次化的已沉淀数据作匹配，按所有已匹配内部数据颗粒提取对应的任务代码颗粒，以解构注入数据的综合特征与层次特征的操作构造反解构操作加工提取到的代码颗粒，从而生成匹配注入数据的全新任务；60h-匹配与预推荐结果展示：该操作展示匹配与预推荐的任务情况；60j-结果重做或确认：该操作用于确认结果或选择重做匹配结果；60k-源数据与沉淀映射选择的干预：该操作用于干预源数据与已沉淀任务的数据与代码间的映射关系，从而为重做提供变化的机会；
60l-推荐任务展示与提交：该操作将匹配的结果完全展示，并向输出接口提供任务描述信息。
42.如图13为本发明的操作执行流程图之一。该图示意了对输入数据作特征分解与方案构造的过程。其中：70a-外部数据源：该操作为来自于外部数据源的提供；70b-清洗标注与输入：该操作对所提供的外部数据源作清洗与标注；70c-分析输入数据的层次特征：该操作分析与提取数据输入的层次特征；70d-识别与提取输入数据的数据元件：该操作用于根据输入数据的层次特征来识别与匹配已沉淀数据中的数据元件，匹配的数据元件为已匹配数据元件；70e-代码元件合成：该操作根据输入数据的特征集，以及输入数据对应的数据元件集，以及已沉淀的代码元件集，构造匹配输入数据的任务或方案；70f-合成结果评估：该操作根据输入数据对应的特征集总量，来计算已匹配数据元件的比例，根据该比例给出构造结果的评分；70g-推荐方案输出：该操作用于获得新构造的方案及评估值，展示并对外提交这些构造结果。前述的分析、识别、提取与构造操作，需要在下述沉淀与操作配合完成：70h-沉淀数据特征集输入：该操作提供系统内已沉淀的数据特征；70j-分析与生成沉淀数据的数据元件：该操作用于分解与提取前述数据特征的元件；70k-沉淀代码特征集：该操作将已沉淀的代码特征集输入；70l-特征分析与代码元件识别：该操作将输入的沉淀代码特征集，识别与生成新的代码元件；再次，结合相关附图，对发明内容涉及的数据关系与特征变化作进一步的阐述。这种数据关系与特征变化的过程，既可以通过常规方式作软件编码来实现，也可以通过样本训练与模型应用部署的方式由ai算法自动完成。其中：
43.图14为本发明的数据关系的逻辑示意之一。该图示意了多个源数据(或者输入数据，或者采集数据)，在分析加工的过程中，他们在内部中间表示上存在一个或多个共享描述的情况。值得说明的是，这里仅是一个示意，而非限定针对任何场景的一定存在这种结果的源数据，也非指定发明实施产品的分析加工过程要以图14所指定的个数与所指定的转化过程来完成数据关系转换、综合特征与层次特征的分析生成。针对该数据关系的逻辑示意，还需要说明的是：源数据-14a与14b示意了多个数据来源，这些源数据既可以来自于沉淀任务的数据采集结果，也可以是通过转换外部数据源得来的输入性数据；中间表示-14c、14d、14e与14f示意了多个数据的中间表示，这些中间表示既可以是数据流与数据关系分析过程中需要的中间转换形式，也可以是源输入数据中按关系层次属于数据流中的中间数据子集；中间模型-14e示意了一个(或多个)数据的模型，这种数据模型表示在数据分析与匹配过程中所需要的某种形式的抽象；输出数据-14g与14h示意了多个输出数据，这种输出数据既可以是数据的特征描述，也可以是分析结果的数据流描述。
44.图15为本发明的数据关系的逻辑示意之一。该图示意了某个源数据经过分析加工
的过程而生成的层次特征这种结果。值得说明的是，这里仅是一个示意，而非限定针对任何场景的一定存在这种结果的源数据，也非指定发明实施产品的分析加工过程要以图15所指定的个数与所指定的转化过程来完成数据关系转换、综合特征与层次特征的分析生成。针对该数据关系的逻辑示意，还需要说明的是：叶子元素-层次关系中的叶子元素的大部分来自于转换源数据得到的数据—即采集得到的数据，其它部分通过分析过程补充得来—即加工数据；非叶子元素-层次关系中的非叶子元素大部分来自于转换源数据得到的数据—即采集得到的数据，其它部分通过分析过程补充得来—即加工数据；非单父亲节点：层次关系的非单父亲节点的元素表达这样一种情况：某些采集数据或加工数据，它们在层次特征所表征的数据流或数据转换关系中，被多个高层数据所引用。如果箭头表示转化过程，则这些数据跟会是多个数据转换源。
45.在本技术中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于单个网络节点内，或者也可以分布到多个网络节点上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
46.另外，根据具体约束与实现所需，在本技术各个实施例中的各功能组件可以集成在一个组件也可以是各个组件单独物理存在，也可以是两个或两个以上组件集成在一个组件中。上述集成的组件既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
47.所述集成的组件如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台或一台以上计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个本发明实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
-ꢀ
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
48.以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。
49.应理解，在本技术的各种实施例中，上述各过程的序号的大小并不意味着先后执行的严格顺序，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。尽管在此结合各实施例对本技术进行了描述，然而，在实施例所要求保护的本技术过程中，本领域技术人员可理解并实现公开实施例的其他变化。
50.同时也应该理解，本技术所提及到的企业或组织，作为发明目标的数据来源，它也仅是一个泛指。从数据源的适用类型来讲，本技术的保护范围自然而然能够适用到那些所有基于沉淀数据与输入数据作任务或解决方案自动智能推荐、和那些所有基于沉淀数据与输入数据作任务或解决方案自动智能构造的实现方法、装置与系统，从而适用于那些具有这种能力的产品与服务。