基于大数据和互联网的信息管理方法、系统及云服务器

摘要

本公开实施例提供一种基于大数据和互联网的信息管理方法、系统及云服务器，通过基于预定的大数据收集分类对各个人工智能识别结果下的图像分类标签进行分类，从而考虑到不同大数据收集分类的差异，改善分类过程中出现多分类冲突的情况，此外通过结合目标图形搜索对象的用户搜索行为信息和历史分级分类信息，以对比二者图形分类分级标签的信息管理索引序列后基于人工智能识别结果的每个相应的图形分类分级标签分别对目标图形搜索对象中的各个图形单元库进行大数据分析，可以便于基于前面大数据分析时的历史分类情况，从而基于一些关键的图形分类分级标签对图像单元库进行更为准确快速的大数据处理，提高大数据分析效率，减少缓冲时间。

说明书

技术领域

本公开涉及大数据和互联网技术领域，具体而言，涉及一种基于大数据和互联网的信息管理方法、系统及云服务器。

背景技术

随着大数据和互联网的发展，用户可以通过互联网进行图形搜索对象（例如存在大量待提取信息的视频帧序列）的标签分类搜索（例如针对每一视频帧中每个可分类对象的标签搜索），在此过程中，可以结合相关的图形分类分级标签（例如结合相关的图形分类分级标签的大数据分析算法或者策略等）对图形搜索对象中的各个图形单元库进行大数据分析，相较于传统方案中广义范围的图形单元库的大数据分析，可以减少计算量，并且提高大数据分析的针对性。

通常来说，在人工智能识别结果内会存在多个不同的图形分类分级标签，发明人经过创造性研究发现，在传统方案中，通常并未考虑到不同大数据收集分类的差异，从而容易造成分类过程中出现多分类冲突的情况，并且在分类过程中，用户可能会有需求基于前面大数据分析时的历史分类情况基于一些关键的图形分类分级标签对图像单元库进行更为准确快速的大数据处理，然而传统方案中无法满足此需求，进而对于用户而言，在实际大数据分类过程中可能导致每次缓冲时间较长。

发明内容

为了至少克服现有技术中的上述不足，本公开的目的在于提供一种基于大数据和互联网的信息管理方法、系统及云服务器，通过基于预定的大数据收集分类对各个人工智能识别结果下的图像分类标签进行分类，从而考虑到不同大数据收集分类的差异，改善分类过程中出现多分类冲突的情况，此外通过结合目标图形搜索对象的用户搜索行为信息和历史分级分类信息，以对比二者图形分类分级标签的信息管理索引序列后基于人工智能识别结果的每个相应的图形分类分级标签分别对目标图形搜索对象中的各个图形单元库进行大数据分析，可以便于基于前面大数据分析时的历史分类情况，从而基于一些关键的图形分类分级标签对图像单元库进行更为准确快速的大数据处理，提高大数据分析效率，减少缓冲时间。

第一方面，本公开提供一种基于大数据和互联网的信息管理方法，应用于人工智能云服务器，所述人工智能云服务器与多个互联网访问设备通信连接，所述方法包括：

从每个互联网访问设备中获取目标图形搜索对象在每个人工智能识别模型的人工智能识别结果下的图像分类标签，并按照预定的大数据收集分类对各个人工智能识别结果下的图像分类标签进行分类，分别生成每个大数据收集分类的图像分类标签序列；

根据所述目标图形搜索对象的用户搜索行为信息确定所述各个人工智能识别结果关联的目标图形分类分级标签，针对所述各个人工智能识别结果关联的目标图形分类分级标签，分别确定出所述目标图形分类分级标签的第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，得到所述目标图形分类分级标签的第一信息管理索引序列，所述目标图形分类分级标签为与所述目标图形搜索对象的用户搜索行为信息预先匹配的图形分类分级标签；

根据所述目标图形搜索对象的历史分级分类信息确定所述各个人工智能识别结果关联的关键图形分类分级标签，针对所述各个人工智能识别结果关联的关键图形分类分级标签，分别获取所述关键图形分类分级标签的第二可索引分类标签，并确定出所述第二可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，得到所述关键图形分类分级标签的第二信息管理索引序列，所述关键图形分类分级标签为所述目标图形搜索对象的历史分级分类信息中的分类频繁度大于设定频繁度阈值的图形分类分级标签，所述分类频繁度用于表示所述图形分类分级标签在单位时间内的搜索分类次数；

根据所述第一信息管理索引序列以及所述第二信息管理索引序列之间的匹配关系，基于所述人工智能识别结果的每个相应的图形分类分级标签分别对所述目标图形搜索对象中的各个图形单元库进行大数据分析。

在第一方面的一种可能的实现方式中，所述按照预定的大数据收集分类对各个人工智能识别结果下的图像分类标签进行分类，分别生成每个大数据收集分类的图像分类标签序列的步骤，包括：

获取每个预定的大数据收集分类所对应的分类目标，形成每个预定的大数据收集分类的分类目标序列，并获取各个人工智能识别结果的每个目标分类目标与所述分类目标序列的分类目标的关联分类目标信息；

根据所述目标分类目标与所述分类目标序列的分类目标的关联分类目标信息，计算每种目标大数据收集分类的关键分类目标的密集度，并根据每种目标大数据收集分类的关键分类目标的密集度，从所述分类目标序列中选取分类目标，得到初始分类目标排列分布；

若所述初始分类目标排列分布的总分类目标分布密集度大于总分类目标分布密集度要求的最大总分类目标分布密集度，则将所述初始分类目标排列分布中的第一关键分类目标分散到第一分布密集度，并且将所述初始分类目标排列分布中的第二关键分类目标聚集到所述第一分布密集度，其中，所述第二关键分类目标是指关键分类目标在所在的标签分级的标签密集程度小于设定程度的关键分类目标，所述第一关键分类目标是指关键分类目标在所在的标签分级的标签密集程度不小于设定程度的关键分类目标；

计算本次更新后的初始分类目标排列分布的总分类目标分布密集度；

若本次更新后的初始分类目标排列分布的总分类目标分布密集度大于所述最大总分类目标分布密集度，则再一次对本次更新后的初始分类目标排列分布执行以上处理；

若本次更新后的初始分类目标排列分布的总分类目标分布密集度小于或者等于所述最大总分类目标分布密集度，则将本次更新前的初始分类目标排列分布作为第一更新排列分布，按照大数据收集分类由低优先级到高优先级的顺序将各所述目标大数据收集分类进行排序，得到目标大数据收集分类序列；

根据所述目标大数据收集分类序列对各个人工智能识别结果下的图像分类标签进行分类，分别生成每个大数据收集分类的图像分类标签序列。

在第一方面的一种可能的实现方式中，所述用户搜索行为信息包括分类场景类型信息，所述根据所述目标图形搜索对象的用户搜索行为信息确定所述各个人工智能识别结果关联的目标图形分类分级标签的步骤，包括：

获取所述目标图形搜索对象的分类场景类型信息，并根据所述分类场景类型信息以及预先配置的各个分类场景类型信息与各个标签分级内的目标图形分类分级标签之间的对应关系，得到所述各个人工智能识别结果关联的目标图形分类分级标签。

在第一方面的一种可能的实现方式中，所述针对所述各个人工智能识别结果关联的目标图形分类分级标签，并分别确定出所述目标图形分类分级标签的第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，得到所述目标图形分类分级标签的第一信息管理索引序列的步骤，包括：

针对所述各个人工智能识别结果关联的目标图形分类分级标签，分别获取与所述目标图形分类分级标签匹配的索引运行脚本，并获取所述索引运行脚本在预设时间段内持续索引查找该人工智能识别结果中的一个标签分类对象对应的对象实体时所对应的标签分类对象作为目标标签分类对象；

判断所述目标标签分类对象的分类索引查找特征与预设的信息管理索引单元的索引节点的分类索引查找特征是否匹配，若分类索引查找特征不匹配，则将所述目标标签分类对象的分类索引查找特征调整到与所述信息管理索引单元的索引节点的分类索引查找特征匹配的标签分类对象，输入到所述信息管理索引单元；

采用所述信息管理索引单元对输入的标签分类对象进行计算，获取与所述输入的标签分类对象对应的分级标签信息，并对所述目标标签分类对象中所述目标图形分类分级标签的每个标签标注信息进行扩展，获取所述目标标签分类对象中每个标签标注信息的标签扩展信息；

将与所述输入的标签分类对象对应的分级标签信息中标签标注信息的频繁度大于预设频繁度的分级标签确定为第一可索引分类标签，并对所述输入的标签分类对象中每个标签标注信息的标签特征向量进行转换，获取所述输入的标签分类对象中每个标签标注信息的标签扩展信息；

根据所述目标标签分类对象中每个标签标注信息的标签扩展信息，确定整个标签分类对象的第一标签扩展信息序列，并根据所述第一可索引分类标签中每个标签标注信息的标签扩展信息，确定所述第一可索引分类标签的第二标签扩展信息序列；

根据所述第一标签扩展信息序列、所述第二标签扩展信息序列和预设比例确定所述第一可索引分类标签的标签扩展信息序列，并根据所述目标标签分类对象中每个标签标注信息的标签扩展信息和所述标签扩展信息序列确定出所述目标图形分类分级标签的第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，得到所述目标图形分类分级标签的第一信息管理索引序列。

在第一方面的一种可能的实现方式中，所述根据所述目标标签分类对象中每个标签标注信息的标签扩展信息和所述标签扩展信息序列确定出所述目标图形分类分级标签的第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，得到所述目标图形分类分级标签的第一信息管理索引序列的步骤，包括：

确定所述目标标签分类对象中每个标签标注信息的标签扩展信息与所述标签扩展信息序列的匹配扩展信息节点，根据所述匹配扩展信息节点获取所述目标标签分类对象中每个标签标注信息的第一标注项目节点，以根据所述目标标签分类对象中每个标签标注信息的第一标注项目节点和所述分级标签信息，获取所述目标标签分类对象中每个标签标注信息的标注项目节点；

或者，计算所述目标标签分类对象中每个标签标注信息的标签扩展信息与所述标签扩展信息序列的匹配扩展信息节点获取所述目标标签分类对象中每个标签标注信息的第一标注项目节点，并按照预设的覆盖区间对所述目标标签分类对象中每个标签标注信息的第一标注项目节点进行计算，获取所述目标标签分类对象中每个标签标注信息的第二标注项目节点，其中，所述第二标注项目节点与所述第一标注项目节点之间的节点覆盖范围差距小于所述预设的覆盖区间，以根据所述目标标签分类对象中每个标签标注信息的第二标注项目节点和所述分级标签信息，获取所述目标标签分类对象中每个标签标注信息的标注项目节点；

根据所述目标标签分类对象中每个标签标注信息的标注项目节点确定得到所述第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，以得到所述目标图形分类分级标签的第一信息管理索引序列。

在第一方面的一种可能的实现方式中，所述根据所述目标图形搜索对象的历史分级分类信息确定所述各个人工智能识别结果关联的关键图形分类分级标签的步骤，包括：

获取所述目标图形搜索对象的历史分级分类信息，所述历史分级分类信息包括分别与多个图形分类分级标签对应的多个历史分类更新变化信息；

在确定任意一个图形分类分级标签对应的多个历史分类更新变化信息均满足预设分类动态条件时，根据所述图形分类分级标签的历史分类更新变化信息，和预设分类动态标签范围的范围内容，确定与所述预设分类动态条件匹配的首个预设分类动态标签范围的初始待定分类区域，其中，所述预设分类动态条件包括：预设分类动态标签范围的范围内容大于设定范围的范围内容；

根据所述图形分类分级标签的历史分类更新变化信息、所述预设分类动态标签范围的范围内容、所述首个预设分类动态标签范围的初始待定分类区域以及预设的预设分类动态标签范围的密集度，确定与所述预设分类动态条件匹配的多个预设分类动态标签范围对应于所述图形分类分级标签的初始待定分类区域；

如果在所述图形分类分级标签对应的分级标签在所述图形分类分级标签中的图形分类分级标签位置与分类分级变化区间的所述初始待定分类区域相匹配，且如果所述分级标签为所述分类分级变化区间的首个分级标签，则获取与所述分类分级变化区间相邻的前一预设分类动态标签范围匹配的图形分类分级标签作为筛除图形分类分级标签，并在所述分级标签中识别除去所述筛除图形分类分级标签的一个图形分类分级标签作为与所述分类分级变化区间匹配的目标图形分类分级标签；

如果所述分级标签不为所述分类分级变化区间的首个分级标签，则获取与所述分类分级变化区间匹配的目标图形分类分级标签，并在所述分级标签中识别所述目标图形分类分级标签，并识别所述目标图形分类分级标签的至少一个关键待定分类对象，其中，所述图形分类分级标签对应于多个预设分类动态标签范围；

在所述预设分类动态标签范围内，根据所述目标图形分类分级标签的至少一个关键待定分类对象在所述多个分级标签中的分类场景信息，计算所述目标图形分类分级标签的至少一个关键待定分类对象在所述预设分类动态标签范围内任意相邻两个分级标签之间的分类层级差距，以及所述目标图形分类分级标签的至少一个关键待定分类对象在所述预设分类动态标签范围内的动态特征向量；

统计所述预设分类动态标签范围的分类次数，并根据所述分类层级差距和所述动态特征向量，确定所述目标图形分类分级标签在所述预设分类动态标签范围的平均分类频繁度和分类频繁度方差，根据所述平均分类频繁度和所述分类频繁度方差，计算所述目标图形分类分级标签在所述预设分类动态标签范围内的关键特征参数；

根据每个图形分类分级标签在匹配的预设分类动态标签范围内的关键特征参数，计算各所述图形分类分级标签的关键评价度，并将关键评价度大于设定得分的图形分类分级标签确定为关键图形分类分级标签。

在第一方面的一种可能的实现方式中，所述根据所述第一信息管理索引序列以及所述第二信息管理索引序列之间的匹配关系，基于所述人工智能识别结果的每个相应的图形分类分级标签分别对所述目标图形搜索对象中的各个图形单元库进行大数据分析的步骤，包括：

将所述第一信息管理索引序列中每个目标图形分类分级标签的信息管理索引序列与所述第二信息管理索引序列中每个匹配的关键图形分类分级标签的信息管理索引序列进行匹配，得到多个匹配度，其中，所述第二信息管理索引序列中每个匹配的关键图形分类分级标签与对应的目标图形分类分级标签在各自的信息管理索引序列中的排列顺序匹配，所述匹配度根据所述目标图形分类分级标签的信息管理索引序列和匹配的关键图形分类分级标签的信息管理索引序列之间的重合度确定；

根据所述多个匹配度基于所述人工智能识别结果的每个相应的图形分类分级标签分别对所述目标图形搜索对象中的各个图形单元库进行大数据分析。

在第一方面的一种可能的实现方式中，所述根据所述多个匹配度基于所述人工智能识别结果的每个相应的图形分类分级标签分别对所述目标图形搜索对象中的各个图形单元库进行大数据分析的步骤，包括：

当任意一个目标图形分类分级标签的信息管理索引序列与匹配的关键图形分类分级标签的信息管理索引序列之间的匹配度大于设定匹配度时，将所述目标图形分类分级标签和所述关键图形分类分级标签作为一个大数据分析组合对象；

当任意一个目标图形分类分级标签的信息管理索引序列与匹配的关键图形分类分级标签的信息管理索引序列之间的匹配度不大于设定匹配度时，将所述目标图形分类分级标签和所述关键图形分类分级标签单独作为一个大数据分析独立对象；

在对所述目标图形搜索对象中的各个图形单元库进行大数据分析过程中，当所述图形单元库所对应的图形分类分级标签存在于所述大数据分析组合对象时，根据所述大数据分析组合对象中同步完成所述图形单元库的大数据分析，当所述图形单元库所对应的图形分类分级标签存在于所述大数据分析独立对象时，根据所述大数据分析独立对象中完成所述图形单元库的大数据分析。

第二方面，本公开实施例还提供一种基于大数据和互联网的信息管理装置，应用于人工智能云服务器，所述人工智能云服务器与多个互联网访问设备通信连接，所述装置包括：

分类模块，用于从每个互联网访问设备中获取目标图形搜索对象在每个人工智能识别模型的人工智能识别结果下的图像分类标签，并按照预定的大数据收集分类对各个人工智能识别结果下的图像分类标签进行分类，分别生成每个大数据收集分类的图像分类标签序列；

第一确定模块，用于根据所述目标图形搜索对象的用户搜索行为信息确定所述各个人工智能识别结果关联的目标图形分类分级标签，针对所述各个人工智能识别结果关联的目标图形分类分级标签，分别确定出所述目标图形分类分级标签的第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，得到所述目标图形分类分级标签的第一信息管理索引序列，所述目标图形分类分级标签为与所述目标图形搜索对象的用户搜索行为信息预先匹配的图形分类分级标签；

第二确定模块，用于根据所述目标图形搜索对象的历史分级分类信息确定所述各个人工智能识别结果关联的关键图形分类分级标签，针对所述各个人工智能识别结果关联的关键图形分类分级标签，分别获取所述关键图形分类分级标签的第二可索引分类标签，并确定出所述第二可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，得到所述关键图形分类分级标签的第二信息管理索引序列，所述关键图形分类分级标签为所述目标图形搜索对象的历史分级分类信息中的分类频繁度大于设定频繁度阈值的图形分类分级标签，所述分类频繁度用于表示所述图形分类分级标签在单位时间内的搜索分类次数；

大数据分析模块，用于根据所述第一信息管理索引序列以及所述第二信息管理索引序列之间的匹配关系，基于所述人工智能识别结果的每个相应的图形分类分级标签分别对所述目标图形搜索对象中的各个图形单元库进行大数据分析。

第三方面，本公开实施例还提供一种基于大数据和互联网的信息管理系统，所述基于大数据和互联网的信息管理系统包括人工智能云服务器以及与所述人工智能云服务器通信连接多个互联网访问设备，所述方法包括：

所述互联网访问设备用于向所述人工智能云服务器发送目标图形搜索对象在每个人工智能识别模型的人工智能识别结果下的图像分类标签；

所述人工智能云服务器用于从每个互联网访问设备中获取目标图形搜索对象在每个人工智能识别模型的人工智能识别结果下的图像分类标签，并按照预定的大数据收集分类对各个人工智能识别结果下的图像分类标签进行分类，分别生成每个大数据收集分类的图像分类标签序列；

所述人工智能云服务器用于根据所述目标图形搜索对象的用户搜索行为信息确定所述各个人工智能识别结果关联的目标图形分类分级标签，针对所述各个人工智能识别结果关联的目标图形分类分级标签，分别确定出所述目标图形分类分级标签的第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，得到所述目标图形分类分级标签的第一信息管理索引序列，所述目标图形分类分级标签为与所述目标图形搜索对象的用户搜索行为信息预先匹配的图形分类分级标签；

所述人工智能云服务器用于根据所述目标图形搜索对象的历史分级分类信息确定所述各个人工智能识别结果关联的关键图形分类分级标签，针对所述各个人工智能识别结果关联的关键图形分类分级标签，分别获取所述关键图形分类分级标签的第二可索引分类标签，并确定出所述第二可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，得到所述关键图形分类分级标签的第二信息管理索引序列，所述关键图形分类分级标签为所述目标图形搜索对象的历史分级分类信息中的分类频繁度大于设定频繁度阈值的图形分类分级标签，所述分类频繁度用于表示所述图形分类分级标签在单位时间内的搜索分类次数；

所述人工智能云服务器用于根据所述第一信息管理索引序列以及所述第二信息管理索引序列之间的匹配关系，基于所述人工智能识别结果的每个相应的图形分类分级标签分别对所述目标图形搜索对象中的各个图形单元库进行大数据分析。

第四方面，本公开实施例还提供一种人工智能云服务器，所述人工智能云服务器包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个互联网访问设备通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的设计中的基于大数据和互联网的信息管理方法。

第五方面，本公开实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的设计中的基于大数据和互联网的信息管理方法。

基于上述任意一个方面，本公开通过基于预定的大数据收集分类对各个人工智能识别结果下的图像分类标签进行分类，从而考虑到不同大数据收集分类的差异，改善分类过程中出现多分类冲突的情况，此外通过结合目标图形搜索对象的用户搜索行为信息和历史分级分类信息，以对比二者图形分类分级标签的信息管理索引序列后基于人工智能识别结果的每个相应的图形分类分级标签分别对目标图形搜索对象中的各个图形单元库进行大数据分析，可以便于基于前面大数据分析时的历史分类情况，从而基于一些关键的图形分类分级标签对图像单元库进行更为准确快速的大数据处理，提高大数据分析效率，减少缓冲时间。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它相关的附图。

图1为本公开实施例提供的基于大数据和互联网的信息管理系统的应用场景示意图；

图2为本公开实施例提供的基于大数据和互联网的信息管理方法的流程示意图；

图3为本公开实施例提供的基于大数据和互联网的信息管理装置的功能模块示意图；

图4为本公开实施例提供的用于实现上述的基于大数据和互联网的信息管理方法的人工智能云服务器的结构示意框图。

具体实施方式

下面结合说明书附图对本公开进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。

图1是本公开一种实施例提供的基于大数据和互联网的信息管理系统10的交互示意图。基于大数据和互联网的信息管理系统10可以包括人工智能云服务器100以及与所述人工智能云服务器100通信连接的互联网访问设备200。图1所示的基于大数据和互联网的信息管理系统10仅为一种可行的示例，在其它可行的实施例中，该基于大数据和互联网的信息管理系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。

本实施例中，互联网访问设备200可以包括移动设备、平板计算机、膝上型计算机等或其任意组合。在一些实施例中，移动设备可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等，或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理、游戏设备等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。

本实施例中，基于大数据和互联网的信息管理系统10中的物联网云人工智能云服务器100和互联网访问设备200可以通过配合执行以下方法实施例所描述的基于大数据和互联网的信息管理方法，具体人工智能云服务器100和互联网访问设备200的执行步骤部分可以参照以下方法实施例的详细描述。

本实施例中，上述的基于大数据和互联网的信息管理系统10可以在各种应用场景下实现，例如区块链应用场景、智能家居应用场景、智能控制应用场景等。

为了解决前述背景技术中的技术问题，图2为本公开实施例提供的基于大数据和互联网的信息管理方法的流程示意图，本实施例提供的基于大数据和互联网的信息管理方法可以由图1中所示的人工智能云服务器100执行，还应理解，在本公开的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。下面对该基于大数据和互联网的信息管理方法进行详细介绍。

步骤S110，从每个互联网访问设备200中获取目标图形搜索对象在每个人工智能识别模型的人工智能识别结果下的图像分类标签，并按照预定的大数据收集分类对各个人工智能识别结果下的图像分类标签进行分类，分别生成每个大数据收集分类的图像分类标签序列。

步骤S120，根据目标图形搜索对象的用户搜索行为信息确定各个人工智能识别结果关联的目标图形分类分级标签，针对各个人工智能识别结果关联的目标图形分类分级标签，分别确定出目标图形分类分级标签的第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，得到目标图形分类分级标签的第一信息管理索引序列。

步骤S130，根据目标图形搜索对象的历史分级分类信息确定各个人工智能识别结果关联的关键图形分类分级标签，针对各个人工智能识别结果关联的关键图形分类分级标签，分别获取关键图形分类分级标签的第二可索引分类标签，并确定出第二可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，得到关键图形分类分级标签的第二信息管理索引序列。

步骤S140，根据第一信息管理索引序列以及第二信息管理索引序列之间的匹配关系，基于人工智能识别结果的每个相应的图形分类分级标签分别对目标图形搜索对象中的各个图形单元库进行大数据分析。

本实施例中，目标图形分类分级标签为可以与目标图形搜索对象的用户搜索行为信息预先匹配的图形分类分级标签，详细地，针对不同的目标图形搜索对象（例如扫描拍照类图形搜索对象、图像上传类图形搜索对象等）而言，即可根据各自业务使用需求的不同预设对应的不同的图形分类分级标签。例如，图形分类分级标签可以包括分类标签和分类标签所在的分级标签。

本实施例中，关键图形分类分级标签可以为目标图形搜索对象的历史分级分类信息中的分类频繁度大于设定频繁度阈值的图形分类分级标签，分类频繁度可以用于表示图形分类分级标签在单位时间内的搜索分类次数。上述的业务使用需求可以根据实际需求进行确定，例如可以包括信息检索、信息分析、信息填充等，在此不作具体限定。

本实施例中，人工智能识别模型可以预先通过各种图形搜索对象的训练样本进行训练获得，并且可以训练识别不同类型的图形对象的人工智能识别模型，从而可以识别出目标图形搜索对象的人工智能识别结果下的图像分类标签。

基于上述步骤，本实施例通过基于预定的大数据收集分类对各个人工智能识别结果下的图像分类标签进行分类，从而考虑到不同大数据收集分类的差异，改善分类过程中出现多分类冲突的情况，此外通过结合目标图形搜索对象的用户搜索行为信息和历史分级分类信息，以对比二者图形分类分级标签的信息管理索引序列后基于人工智能识别结果的每个相应的图形分类分级标签分别对目标图形搜索对象中的各个图形单元库进行大数据分析，可以便于基于前面大数据分析时的历史分类情况，从而基于一些关键的图形分类分级标签对图像单元库进行更为准确快速的大数据处理，提高大数据分析效率，减少缓冲时间。

在一种可能的实现方式中，针对步骤S110，为了提高划分的精确度，并且减少冗余信息以提高分类准确度，可以通过以下的示例性子步骤进一步实现，详细描述如下。

子步骤S111，获取每个预定的大数据收集分类所对应的分类目标，形成每个预定的大数据收集分类的分类目标序列，并获取各个人工智能识别结果的每个目标分类目标与分类目标序列的分类目标的关联分类目标信息。

子步骤S112，根据目标分类目标与分类目标序列的分类目标的关联分类目标信息，计算每种目标大数据收集分类的关键分类目标的密集度，并根据每种目标大数据收集分类的关键分类目标的密集度，从分类目标序列中选取分类目标，得到初始分类目标排列分布。

子步骤S113，若初始分类目标排列分布的总分类目标分布密集度大于总分类目标分布密集度要求的最大总分类目标分布密集度，则将初始分类目标排列分布中的第一关键分类目标分散到第一分布密集度，并且将初始分类目标排列分布中的第二关键分类目标聚集到第一分布密集度。

例如，在一种可能的示例中，第二关键分类目标可以是指关键分类目标在所在的标签分级的标签密集程度（例如标签在单位区域的数量）小于设定程度的关键分类目标，第一关键分类目标是指关键分类目标在所在的标签分级的标签密集程度不小于设定程度的关键分类目标。

子步骤S114，计算本次更新后的初始分类目标排列分布的总分类目标分布密集度。

子步骤S115，若本次更新后的初始分类目标排列分布的总分类目标分布密集度大于最大总分类目标分布密集度，则再一次对本次更新后的初始分类目标排列分布执行以上处理。

子步骤S116，若本次更新后的初始分类目标排列分布的总分类目标分布密集度小于或者等于最大总分类目标分布密集度，则将本次更新前的初始分类目标排列分布作为第一更新排列分布，按照大数据收集分类由低优先级到高优先级的顺序将各目标大数据收集分类进行排序，得到目标大数据收集分类序列。

子步骤S117，根据目标大数据收集分类序列对各个人工智能识别结果下的图像分类标签进行分类，分别生成每个大数据收集分类的图像分类标签序列。

例如详细地，在子步骤S117中，可以根据目标大数据收集分类序列，将各目标大数据收集分类进行分组，每个分组中包括与目标大数据收集分类序列的功能层级相关的、且与功能层级的层级差异一致的第一大数据收集分类和第二大数据收集分类，第一大数据收集分类的优先级小于第二大数据收集分类。

然后，按照与功能层级的层级差异由低优先级到高优先级的顺序，依次将每个分组作为目标分组，对目标分组进行以下第二更新处理： 将第一更新排列分布中目标分组的第一大数据收集分类的关键分类目标增加设定数目，并且将第一更新排列分布中目标分组的第二大数据收集分类的关键分类目标减少设定数目。

在此基础上，可以判断本次更新后的第一更新排列分布的总分类目标分布密集度是否大于总分类目标分布密集度要求，若本次更新后的第一更新排列分布的总分类目标分布密集度大于总分类目标分布密集度要求，则将本次更新后的第一更新排列分布作为最终分类目标排列分布。若本次更新后的第一更新排列分布的总分类目标分布密集度不大于总分类目标分布密集度要求，则将下一个分组作为新的目标分组，对新的目标分组进行第二更新处理。

又例如，若初始分类目标排列分布的总分类目标分布密集度小于大于总分类目标分布密集度要求的最小总分类目标分布密集度，则对初始分类目标排列分布进行以下第三更新处理： 将初始分类目标排列分布中的第一关键分类目标增加第一分布密集度，并且将初始分类目标排列分布中的第二关键分类目标减少第一分布密集度。

在此基础上，计算本次更新后的初始分类目标排列分布的总分类目标分布密集度，若本次更新后的初始分类目标排列分布的总分类目标分布密集度小于最小总分类目标分布密集度，则再一次对本次更新后的初始分类目标排列分布执行第三更新处理。或者，若本次更新后的初始分类目标排列分布的总分类目标分布密集度大于或者等于最小总分类目标分布密集度，则将本次更新前的初始分类目标排列分布作为第二更新排列分布，按照大数据收集分类由低优先级到高优先级的顺序将各目标大数据收集分类进行排序，得到目标大数据收集分类序列。

由此，可以根据目标大数据收集分类序列，将各目标大数据收集分类进行分组，每个分组中包括在目标大数据收集分类序列的功能层级关联的、且与功能层级的层级差异一致的第一大数据收集分类和第二大数据收集分类，第一大数据收集分类的优先级小于第二大数据收集分类。

然后，按照与功能层级的层级差异由低优先级到高优先级的顺序，依次将每个分组作为目标分组，对目标分组进行以下第四更新处理：将第二更新排列分布中目标分组的第一大数据收集分类的关键分类目标减少设定数目，并且将第二更新排列分布中目标分组的第二大数据收集分类的关键分类目标增加设定数目。

进一步地，本实施例可以判断本次更新后的第二更新排列分布的总分类目标分布密集度是否大于总分类目标分布密集度要求，若本次更新后的第二更新排列分布的总分类目标分布密集度大于总分类目标分布密集度要求，则将本次更新后的第二更新排列分布作为最终分类目标排列分布，若本次更新后的第二更新排列分布的总分类目标分布密集度不大于总分类目标分布密集度要求，则将下一个分组作为新的目标分组，对新的目标分组进行第四更新处理。

由此，可以将各个目标大数据收集分类的最终分类目标排列分布中的每个分类目标的图像分类标签分别归类为该大数据收集分类的图像分类标签序列。

在一种可能的实现方式中，上述的用户搜索行为信息可以包括分类场景类型信息，针对步骤S120，本实施例可以获取目标图形搜索对象的分类场景类型信息，并根据分类场景类型信息以及预先配置的各个分类场景类型信息与各个标签分级内的目标图形分类分级标签之间的对应关系，得到各个人工智能识别结果关联的目标图形分类分级标签。

在一种可能的实现方式中，仍旧针对步骤S120，为了准确获得目标图形分类分级标签的第一信息管理索引序列，可以通过以下示例性的实施方式来实现，详细描述如下。

子步骤S121，针对各个人工智能识别结果关联的目标图形分类分级标签，分别获取与目标图形分类分级标签匹配的索引运行脚本，并获取索引运行脚本在预设时间段内持续索引查找该人工智能识别结果中的一个标签分类对象对应的对象实体时所对应的标签分类对象作为目标标签分类对象。

子步骤S122，判断目标标签分类对象的分类索引查找特征与预设的信息管理索引单元的索引节点的分类索引查找特征是否匹配，若分类索引查找特征不匹配，则将目标标签分类对象的分类索引查找特征调整到与信息管理索引单元的索引节点的分类索引查找特征匹配的标签分类对象，输入到信息管理索引单元。

子步骤S123，采用信息管理索引单元对输入的标签分类对象进行计算，获取与输入的标签分类对象对应的分级标签信息，并对目标标签分类对象中目标图形分类分级标签的每个标签标注信息进行扩展，获取目标标签分类对象中每个标签标注信息的标签扩展信息。

子步骤S124，将与输入的标签分类对象对应的分级标签信息中标签标注信息的频繁度大于预设频繁度的分级标签确定为第一可索引分类标签，并对输入的标签分类对象中每个标签标注信息的标签特征向量进行转换，获取输入的标签分类对象中每个标签标注信息的标签扩展信息。

子步骤S125，根据目标标签分类对象中每个标签标注信息的标签扩展信息，确定整个标签分类对象的第一标签扩展信息序列，并根据第一可索引分类标签中每个标签标注信息的标签扩展信息，确定第一可索引分类标签的第二标签扩展信息序列。

子步骤S126，根据第一标签扩展信息序列、第二标签扩展信息序列和预设比例确定第一可索引分类标签的标签扩展信息序列，并根据目标标签分类对象中每个标签标注信息的标签扩展信息和标签扩展信息序列确定出目标图形分类分级标签的第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，得到目标图形分类分级标签的第一信息管理索引序列。

例如，在一种可能的示例中，在子步骤S126中，可以确定目标标签分类对象中每个标签标注信息的标签扩展信息与标签扩展信息序列的匹配扩展信息节点，根据匹配扩展信息节点获取目标标签分类对象中每个标签标注信息的第一标注项目节点，以根据目标标签分类对象中每个标签标注信息的第一标注项目节点和分级标签信息，获取目标标签分类对象中每个标签标注信息的标注项目节点。

又例如，在子步骤S126中，在另一种可能的示例中，可以计算目标标签分类对象中每个标签标注信息的标签扩展信息与标签扩展信息序列的匹配扩展信息节点获取目标标签分类对象中每个标签标注信息的第一标注项目节点，并按照预设的覆盖区间对目标标签分类对象中每个标签标注信息的第一标注项目节点进行计算，获取目标标签分类对象中每个标签标注信息的第二标注项目节点。

其中，值得说明的是，第二标注项目节点与第一标注项目节点之间的节点覆盖范围差距小于预设的覆盖区间，以根据目标标签分类对象中每个标签标注信息的第二标注项目节点和分级标签信息，获取目标标签分类对象中每个标签标注信息的标注项目节点。

由此，可以根据目标标签分类对象中每个标签标注信息的标注项目节点确定得到第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，以得到目标图形分类分级标签的第一信息管理索引序列。

在一种可能的实现方式中，针对步骤S130，为了进一步确定各个人工智能识别结果关联的关键图形分类分级标签，可以通过以下示例性的实施方式来实现，详细描述如下。

示例性地，本实施例可以获取目标图形搜索对象的历史分级分类信息，历史分级分类信息具体可以包括分别与多个图形分类分级标签对应的多个历史分类更新变化信息。然后在确定任意一个图形分类分级标签对应的多个历史分类更新变化信息均满足预设分类动态条件时，根据图形分类分级标签的历史分类更新变化信息，和预设分类动态标签范围的范围内容，确定与预设分类动态条件匹配的首个预设分类动态标签范围的初始待定分类区域。其中，预设分类动态条件可以包括：预设分类动态标签范围的范围内容大于设定范围的范围内容。

然后，根据图形分类分级标签的历史分类更新变化信息、预设分类动态标签范围的范围内容、首个预设分类动态标签范围的初始待定分类区域以及预设的预设分类动态标签范围的密集度，确定与预设分类动态条件匹配的多个预设分类动态标签范围对应于图形分类分级标签的初始待定分类区域。如果在图形分类分级标签对应的分级标签在图形分类分级标签中的图形分类分级标签位置与分类分级变化区间的初始待定分类区域相匹配，且如果分级标签为分类分级变化区间的首个分级标签，则获取与分类分级变化区间相邻的前一预设分类动态标签范围匹配的图形分类分级标签作为筛除图形分类分级标签，并在分级标签中识别除去筛除图形分类分级标签的一个图形分类分级标签作为与分类分级变化区间匹配的目标图形分类分级标签。

又例如，如果分级标签不为分类分级变化区间的首个分级标签，则获取与分类分级变化区间匹配的目标图形分类分级标签，并在分级标签中识别目标图形分类分级标签，并识别目标图形分类分级标签的至少一个关键待定分类对象，其中，每个图形分类分级标签对应于多个预设分类动态标签范围。

由此，可以在预设分类动态标签范围内，根据目标图形分类分级标签的至少一个关键待定分类对象在多个分级标签中的分类场景信息，计算目标图形分类分级标签的至少一个关键待定分类对象在预设分类动态标签范围内任意相邻两个分级标签之间的分类层级差距，以及目标图形分类分级标签的至少一个关键待定分类对象在预设分类动态标签范围内的动态特征向量。

接着，可以统计预设分类动态标签范围的分类次数，并根据分类层级差距和动态特征向量，确定目标图形分类分级标签在预设分类动态标签范围的平均分类频繁度和分类频繁度方差（例如可以根据分类次数乘以分类层级差距和动态特征向量得到平均分类频繁度，以根据平均分类频繁度得到对应的分类频繁度方差），根据平均分类频繁度和分类频繁度方差，计算目标图形分类分级标签在预设分类动态标签范围内的关键特征参数，例如可以平均分类频繁度和分类频繁度方差之间的乘积得到目标图形分类分级标签在预设分类动态标签范围内的关键特征参数。

如此，可以根据每个图形分类分级标签在匹配的预设分类动态标签范围内的关键特征参数，计算各图形分类分级标签的关键评价度，并将关键评价度大于设定得分的图形分类分级标签确定为关键图形分类分级标签，从而准确定位到关键的图形分类分级标签，以便于后续通过结合目标图形搜索对象的用户搜索行为信息和历史分级分类信息，以对比二者图形分类分级标签的信息管理索引序列后基于人工智能识别结果的每个相应的图形分类分级标签分别对目标图形搜索对象中的各个图形单元库进行大数据分析。

在一种可能的实现方式中，针对步骤S140，可以通过以下示例性的实施方式中实现，详细描述如下。

子步骤S141，将第一信息管理索引序列中每个目标图形分类分级标签的信息管理索引序列与第二信息管理索引序列中每个匹配的关键图形分类分级标签的信息管理索引序列进行匹配，得到多个匹配度。

例如，值得说明的是，第二信息管理索引序列中每个匹配的关键图形分类分级标签与对应的目标图形分类分级标签在各自的信息管理索引序列中的排列顺序匹配，匹配度根据目标图形分类分级标签的信息管理索引序列和匹配的关键图形分类分级标签的信息管理索引序列之间的重合度确定。

子步骤S142，根据多个匹配度基于人工智能识别结果的每个相应的图形分类分级标签分别对目标图形搜索对象中的各个图形单元库进行大数据分析。

例如，在子步骤S142中，当任意一个目标图形分类分级标签的信息管理索引序列与匹配的关键图形分类分级标签的信息管理索引序列之间的匹配度大于设定匹配度时，将目标图形分类分级标签和关键图形分类分级标签作为一个大数据分析组合对象。

又例如，当任意一个目标图形分类分级标签的信息管理索引序列与匹配的关键图形分类分级标签的信息管理索引序列之间的匹配度不大于设定匹配度时，将目标图形分类分级标签和关键图形分类分级标签单独作为一个大数据分析独立对象。

由此，在对目标图形搜索对象中的各个图形单元库进行大数据分析过程中，当图形单元库所对应的图形分类分级标签存在于大数据分析组合对象时，根据大数据分析组合对象中同步完成图形单元库的大数据分析，当图形单元库所对应的图形分类分级标签存在于大数据分析独立对象时，根据大数据分析独立对象中完成图形单元库的大数据分析。

如此，通过结合目标图形搜索对象的用户搜索行为信息和历史分级分类信息，以对比二者图形分类分级标签的信息管理索引序列后基于人工智能识别结果的每个相应的图形分类分级标签分别对目标图形搜索对象中的各个图形单元库进行大数据分析，可以便于基于前面大数据分析时的历史分类情况，从而基于一些关键的图形分类分级标签对图像单元库进行更为准确快速的大数据处理，提高大数据分析效率，减少缓冲时间。

在此值得特别说明的是，在确定各个人工智能识别结果关联的关键图形分类分级标签之后，本实施例可以按照前述实施例中得到目标图形分类分级标签的第一信息管理索引序列的类似的操作方式进一步得到关键图形分类分级标签的第二信息管理索引序列，由于在此之前已经对此进行了详细阐述，因此在此不再赘述。

图3为本公开实施例提供的基于大数据和互联网的信息管理装置300的功能模块示意图，本实施例可以根据上述人工智能云服务器100执行的方法实施例对该基于大数据和互联网的信息管理装置300进行功能模块的划分，也即该基于大数据和互联网的信息管理装置300所对应的以下各个功能模块可以用于执行上述人工智能云服务器100执行的各个方法实施例。其中，该基于大数据和互联网的信息管理装置300可以包括分类模块310、第一确定模块320、第二确定模块330以及大数据分析模块340，下面分别对该基于大数据和互联网的信息管理装置300的各个功能模块的功能进行详细阐述。

分类模块310，用于从每个互联网访问设备200中获取目标图形搜索对象在每个人工智能识别模型的人工智能识别结果下的图像分类标签，并按照预定的大数据收集分类对各个人工智能识别结果下的图像分类标签进行分类，分别生成每个大数据收集分类的图像分类标签序列。其中，分类模块310可以用于执行上述的步骤S110，关于分类模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。

第一确定模块320，用于根据目标图形搜索对象的用户搜索行为信息确定各个人工智能识别结果关联的目标图形分类分级标签，针对各个人工智能识别结果关联的目标图形分类分级标签，分别确定出目标图形分类分级标签的第一可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，得到目标图形分类分级标签的第一信息管理索引序列，目标图形分类分级标签为与目标图形搜索对象的用户搜索行为信息预先匹配的图形分类分级标签。其中，第一确定模块320可以用于执行上述的步骤S120，关于第一确定模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。

第二确定模块330，用于根据目标图形搜索对象的历史分级分类信息确定各个人工智能识别结果关联的关键图形分类分级标签，针对各个人工智能识别结果关联的关键图形分类分级标签，分别获取关键图形分类分级标签的第二可索引分类标签，并确定出第二可索引分类标签在所对应的大数据收集分类的图像分类标签序列中的分级标签信息，得到关键图形分类分级标签的第二信息管理索引序列，关键图形分类分级标签为目标图形搜索对象的历史分级分类信息中的分类频繁度大于设定频繁度阈值的图形分类分级标签，分类频繁度用于表示图形分类分级标签在单位时间内的搜索分类次数。其中，第二确定模块330可以用于执行上述的步骤S130，关于第二确定模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。

大数据分析模块340，用于根据第一信息管理索引序列以及第二信息管理索引序列之间的匹配关系，基于人工智能识别结果的每个相应的图形分类分级标签分别对目标图形搜索对象中的各个图形单元库进行大数据分析。其中，大数据分析模块340可以用于执行上述的步骤S140，关于大数据分析模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，分类模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上分类模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。

图4示出了本公开实施例提供的用于实现上述的基于大数据和互联网的信息管理方法的人工智能云服务器100的硬件结构示意图，如图4所示，人工智能云服务器100可包括处理器110、机器可读存储介质120、总线130以及收发器140。

在具体实现过程中，至少一个处理器110执行所述机器可读存储介质120存储的计算机执行指令（例如图3中所示的基于大数据和互联网的信息管理装置300包括的分类模块310、第一确定模块320、第二确定模块330以及大数据分析模块340），使得处理器110可以执行如上方法实施例的基于大数据和互联网的信息管理方法，其中，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的互联网访问设备200进行数据收发。

处理器110的具体实现过程可参见上述人工智能云服务器100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

在上述的图4所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，DSP)、专用集成电路(英文：ApplicationSpecificIntegrated Circuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

机器可读存储介质120可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。

总线130可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本公开附图中的总线并不限定仅有一根总线或一种类型的总线。

此外，本公开实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于大数据和互联网的信息管理方法。

上述的可读存储介质可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（Read-OnlyMemory，ROM）、可编程只读存储器（Programmable ROM，PROM）、可擦除可编程只读存储器（Erasable PROM，EPROM）、电可擦除可编程只读存储器（Electrically EPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（Random Access Memory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（Static RAM，SRAM）、动态随机存取存储器（Dynamic RAM，DRAM）、同步动态随机存取存储器（Synchronous DRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（Double Data RateSDRAM，DDR SDRAM）、增强型同步动态随机存取存储器（Enhanced SDRAM，ESDRAM）、同步连接动态随机存取存储器（Synchlink DRAM，SLDRAM）和直接内存总线随机存取存储器（DirectRambus RAM，DR RAM）。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

还应理解，在本公开实施例和所附权利要求书中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开实施例。例如，在本公开实施例和所附权利要求书中所使用的单数形式的“一种”、“上述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

最后应说明的是：以上各实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。