[0020] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
[0021] 需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0022] 本发明实施例所提供的方法实施例可以在数据共享系统、计算机设备或者类似的运算装置中执行。以运行在数据共享系统上为例，数据共享系统10可以包括一个或多个处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，可选地，上述数据共享系统还可以包括用于通信功能的传输装置106。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述数据共享系统的结构造成限定。例如，数据共享系统10还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。
[0023] 存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种工业互联网数据的共享方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至数据共享系统10。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。
[0024] 传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括数据共享系统10的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
[0025] 基于此，请参阅图1，图1是本发明实施例所提供的一种工业互联网数据的共享方法的流程示意图，该方法应用于数据共享系统，进一步可以包括以下内容描述的技术方案。
[0026] STEP101、获得待进行共享的工业互联网数据集的若干组工业互联网数据。
[0027] 在本发明实施例中，所述待进行共享的工业互联网数据集可以为任意种类的工业互联网数据集。其中，工业互联网数据集可以是数字工厂的运行数据集，也可以是智能化产线的安全检测数据集，在此不做限定。
[0028] 在一些示例下，所述待进行共享的工业互联网数据集可以从设定数据库中调用，或者通过设定数据传输接口接收，比如从设定的关系型数据库调用所述待进行共享的工业互联网数据集，或者通过GUI数据传输接口接收数据共享端传输的待进行共享的工业互联网数据集等。
[0029] 进一步地，所述获得待进行共享的工业互联网数据集的若干组工业互联网数据包括：基于数据采样步长对所述待进行共享的工业互联网数据集进行数据采样得到所述若干组工业互联网数据。举例而言，对所述待进行共享的工业互联网数据集基于2组工业互联网数据/秒的步长进行数据采样，得到工业互联网数据集DATA=【DATA1，DATA2，...，DATAn】，其中n反映工业互联网数据的数目。
[0030] 进一步地，为了便于对工业互联网数据中的数据共享事件进行解析，在该步骤下还可以包括对所述工业互联网数据进行适应性处理。举例而言，在该步骤下，将所述工业互联网数据标准化至设定的窗口规模（比如窗口横向约束为M，窗口纵约束为N）。
[0031] 进一步地，所述工业互联网数据的共享方法还包括如下内容。
[0032] STEP102、对所述若干组工业互联网数据进行共享数据归纳处理得到所述若干组工业互联网数据的第一共性数据种类。
[0033] 在本发明实施例中，所述第一共性数据种类包括数据共享事件对应的本地工业互联网数据和数据共享事件对应的云端工业互联网数据。
[0034] 其中，所述第一共性数据种类为将所述工业互联网数据归纳为包括所述数据共享事件的本地数据特征的数据共享事件对应的本地工业互联网数据和包括所述数据共享事件的云端数据特征的数据共享事件对应的云端工业互联网数据。
[0035] 其中，本地工业互联网数据对应于本地智慧工厂的运行数据，云端工业互联网数据对应远程/异地智慧工厂的运行数据。进一步地，数据共享事件包括故障修复记录共享事件、安全预警报告共享事件等一些列涉及智能化生产和工业互联网的事件，本领域技术人员可知，数据共享事件可以对应于一部分数据集。
[0036] 为了避免在工业互联网数据中存在多个数据共享事件时，非数据共享事件比例太高所造成的分析误差，进一步地，所述STEP102进一步包括如下内容。
[0037] STEP201、对所述工业互联网数据进行数据共享事件识别得到不少于一个数据共享事件窗口。
[0038] STEP202、基于所述数据共享事件窗口的可信评分、数据共享事件窗口与工业互联网数据的指定数据区域的相关度以及数据共享事件窗口的覆盖范围在工业互联网数据中的比例确定所述数据共享事件窗口的全局可信评分。
[0039] STEP203、将全局可信评分最大的数据共享事件窗口所对应的共性数据种类作为所述工业互联网数据的第一共性数据种类。
[0040] 在本发明实施例中，所述STEP201可以通过事先调试成功的深度学习网络（DNN）实施。其中，所述深度学习网络（DNN）用于识别两个共性数据种类的工业互联网数据，分别为本地工业互联网数据和云端工业互联网数据。在实际实施时，如果某一工业互联网数据的识别结果为空集，则表明该组中不包含数据共享事件，由此可以删除该组。如果某一工业互联网数据的识别结果为非空集，则深度学习网络（DNN）输出不少于一个数据共享事件窗口。
[0041] 在STEP202中，深度学习网络输出的每个数据共享事件窗口的全局可信评分，得到不少于一个全局可信评分（综合置信度）。
[0042] 在STEP203中，将所述不少于一个全局可信评分基于降序进行整理，将全局可信评分最大的数据共享事件窗口所对应的共性数据种类作为所述工业互联网数据的第一共性数据种类。
[0043] 在STEP201‑STEP203中，通过在数据共享事件识别时增添分布区域评价以及覆盖范围比例，这样在识别出多个数据共享事件窗口时，可以尽可能更加精准地对所述工业互联网数据进行共享数据归纳处理（比如数据分类或者数据分团）。
[0044] 在一些示例中，所述工业互联网数据的共享方法还可以包括如下内容。
[0045] STEP103、基于所述数据共享事件对应的本地工业互联网数据对所述数据共享事件进行解析得到所述数据共享事件对应的本地工业互联网数据的第一数据归纳知识特征。
[0046] STEP104、基于所述数据共享事件对应的云端工业互联网数据对所述数据共享事件进行解析得到所述数据共享事件对应的云端工业互联网数据的第一数据归纳知识特征。
[0047] 进一步地，对于所述STEP103而言，将在STEP102中被归纳为数据共享事件对应的本地工业互联网数据的工业互联网数据输入事先调试成功的本地工业互联网数据的朴素贝叶斯算法，所述本地工业互联网数据的朴素贝叶斯算法用于通过数据共享事件对应的本地工业互联网数据对所述工业互联网数据进行共享数据归纳处理。
[0048] 进一步地，对于所述STEP104而言，将在STEP102中被归纳为数据共享事件对应的云端工业互联网数据的工业互联网数据输入事先调试成功的云端工业互联网数据的朴素贝叶斯算法，所述云端工业互联网数据的朴素贝叶斯算法用于通过数据共享事件对应的云端工业互联网数据对所述工业互联网数据进行共享数据归纳处理。
[0049] 在一些示例下，为提高数据处理效率，输入所述本地工业互联网数据的朴素贝叶斯算法或云端工业互联网数据的朴素贝叶斯算法的工业互联网数据可以为在STEP102中得到的数据共享事件窗口内的数据集。
[0050] 进一步地，所述第一数据归纳知识特征中的每个第一特征成员（元素）对应一种第二共性数据种类，所述第一特征成员的特征值表征所述工业互联网数据为所述第一特征成员所对应的第二共性数据种类的可信评分（置信度）。举例而言，所述第一数据归纳知识特征为所述本地工业互联网数据的朴素贝叶斯算法或云端工业互联网数据的朴素贝叶斯算法输出的经过标准化处理（归一化操作）的一维数组。
[0051] 通过STEP103和STEP104，将数据共享事件对应的本地工业互联网数据和数据共享事件对应的云端工业互联网数据分别进行解析归类得到第一数据归纳知识特征，在数据共享事件对应的本地工业互联网数据的基础上增添了数据共享事件对应的云端工业互联网数据的处理，使得对工业互联网数据集的归类的全局查全程度（比如召回率）提高。
[0052] 在一些可能的示例下，所述工业互联网数据的共享方法还可以包括如下内容。
[0053] STEP105、基于所述第一数据归纳知识特征确定所述待进行共享的工业互联网数据集的数据共享指示标签。
[0054] 在STEP103和STEP104中，对待进行共享的工业互联网数据集的工业互联网数据进行共享数据归纳处理识别得到不少于一个第一数据归纳知识特征，一般而言，会得到多个第一数据归纳知识特征，则在STEP105中，综合所述多个第一数据归纳知识特征确定所述待进行共享的工业互联网数据集的数据共享指示标签，比如所述待进行共享的工业互联网数据集的第二共性数据种类。
[0055] 在一些可能的实施例中，所述STEP105进一步可以包括如下STEP301‑STEP303所记录的内容。
[0056] STEP301、基于所述第一数据归纳知识特征将所述第一数据归纳知识特征所对应的工业互联网数据归纳为不少于一个第二共性数据种类；其中，每个第二共性数据种类对应一个工业互联网数据队列。
[0057] STEP302、基于所述工业互联网数据队列中的每个工业互联网数据的所述第一数据归纳知识特征确定所述待进行共享的工业互联网数据集为所述工业互联网数据队列所对应的第二共性数据种类的可信评分。
[0058] STEP303、基于所述第二共性数据种类的可信评分确定所述待进行共享的工业互联网数据集的数据共享指示标签。
[0059] 在本发明实施例中，对于通过STEP102得到的各个数据共享事件对应的本地工业互联网数据和数据共享事件对应的云端工业互联网数据，其通过STEP103或STEP104都可以得到一个对应的第一数据归纳知识特征（数据归纳向量/数据分类向量），通过该数据归纳知识特征，能够将所述工业互联网数据归类为不少于一个第二共性数据种类，如通过所述第一数据归纳知识特征中最大的第一特征成员的特征值确定所述工业互联网数据的第二共性数据种类。为了提高归类的精度，还可以事先设置数据归纳变量，基于所述数据归纳变量对所述工业互联网数据进行共享数据归纳处理。
[0060] 进一步地，所述STEP301还可以包括如下STEP401‑STEP403所记录的内容。
[0061] STEP401、获得数据归纳变量。
[0062] 其中，数据归纳变量可以理解为分类指数或者聚类指数。
[0063] STEP402、对比分析所述第一数据归纳知识特征中的各个第一特征成员的特征值与所述数据归纳变量的大小。
[0064] STEP403、倘若所述第一特征成员的特征值高于所述数据归纳变量，将所述第一数据归纳知识特征所对应的工业互联网数据归纳为所述第一特征成员所对应的第二共性数据种类。
[0065] 实施STEP401‑STEP403，可以得到R个第二共性数据种类中的每个共性数据种类所对应的工业互联网数据，即每个第二共性数据种类对应一个工业互联网数据队列，所述工业互联网数据队列中包括了所述数据共享事件对应的本地工业互联网数据和/或所述数据共享事件对应的云端工业互联网数据。
[0066] 在STEP302中，首先确定每个第二共性数据种类的第一全局可信评分归纳知识特征，进一步地，通过将所述第二共性数据种类所对应的工业互联网数据队列中的每个工业互联网数据的第一数据归纳知识特征进行叠加处理（加权）之后再通过标准化的思路确定所述第一全局可信评分归纳知识特征。
[0067] 对于每个第二共性数据种类都可以确定所述第二共性数据种类的可信评分，则在STEP303中可以将最大的第二共性数据种类的可信评分所对应的第二共性数据种类确定为所述待进行共享的工业互联网数据集的数据共享指示标签。
[0068] 为了降低运算量，在所述STEP302之前，该方法还可以包括如下内容：对所述第二共性数据种类进行筛选。进一步地，所述筛选包括清洗掉工业互联网数据少的第二共性数据种类。进一步地，设置数目限值index2，其中index2的取值范围为0 1，因而可以得到数目~阈值：n*index2，将工业互联网数据的数目小于所述数目阈值的工业互联网数据队列所对应的第二共性数据种类清洗掉，剩余的第二共性数据种类参与后期的第一全局可信评分归纳知识特征的确定以及确定第二共性数据种类的可信评分的步骤。因此可以清洗掉错误的第二共性数据种类以减少确定所述第二共性数据种类的可信评分时的确定量。
[0069] 对于STEP303而言，由于每个参与第一全局可信评分归纳知识特征确定的第二共性数据种类均会得到对应的class1，由此在该步骤下，可以对比分析所有class1的大小，将class1的值最大的第二共性数据种类作为所述待进行共享的工业互联网数据集的数据共享指示标签。
[0070] 进一步地，如基于所有class1的值最大的第二共性数据种类作为所述待进行共享的工业互联网数据集的数据共享指示标签时，有可能所有的class1的值都不大，在这种情况下，数据共享指示标签（数据共享分类标签）的准确性是存在争议的。
[0071] 由此，为了最后数据共享指示标签的精度，所述STEP303进一步包括如下内容：获得数据归纳判定值；将所述第二共性数据种类的可信评分与所述数据归纳判定值对比分析；将所述第二共性数据种类的可信评分高于所述数据归纳判定值的第二共性数据种类确定为所述待进行共享的工业互联网数据集的数据共享指示标签。
[0072] 在本发明实施例中，所述数据归纳判定值为事先配置的判定值index3，当class1>index3时，确定所述待进行共享的工业互联网数据集的数据共享指示标签为l类，为了避免待进行共享的工业互联网数据集被归纳为多个第二共性数据种类，index3的值可以为：index3＝0.9。
[0073] 通过上述STEP101‑STEPS105所记录的内容，在对工业互联网数据集进行共享数据归纳处理时，除了数据共享事件的本地数据特征以外，还增添了数据共享事件的云端数据特征，使得包括云端工业互联网数据和本地工业互联网数据的工业互联网数据集的归类更加精准，能够改善仅通过本地工业互联网数据的工业互联网数据对工业互联网数据集进行共享数据归纳处理时所带来的查全程度较差的缺陷，同时也能够改善数据归纳精度缺陷；此外，还能够结合数据共享事件窗口的分布区域和覆盖范围，减少数据归纳的误差。
[0074] 进一步的，在一些实施例中，一些工业互联网数据集中的数据共享事件是有明显关键词的，其可以精准地对工业互联网数据集进行共享数据归纳处理。
[0075] 进一步地，所述工业互联网数据的共享方法还可以包括STEP501‑STEP504所记录的技术方案。
[0076] STEP501、基于所述数据共享事件对应的本地工业互联网数据对所述数据共享事件的关键词进行解析得到所述数据共享事件对应的本地工业互联网数据中包括所述数据共享事件的关键词的关键词可信评分。
[0077] STEP502、基于所述关键词可信评分确定所述数据共享事件对应的本地工业互联网数据的影响指数（权重值）。
[0078] 进一步地，所述STEP302进一步可以包括如下内容。
[0079] STEP503、基于所述数据共享事件对应的本地工业互联网数据的影响指数对工业互联网数据队列中的所述数据共享事件对应的本地工业互联网数据的第一数据归纳知识特征进行融合确定得到第一已融合数据归纳知识特征。
[0080] STEP504、基于所述第一已融合数据归纳知识特征确定所述待进行共享的工业互联网数据集为所述工业互联网数据队列所对应的第二共性数据种类的可信评分。
[0081] 对于所述STEP501而言，可以将所述数据共享事件对应的本地工业互联网数据输入事先调试成功的数据共享事件关键词（事件标识）的识别网络以分析出所述数据共享事件对应的本地工业互联网数据是否包含所述数据共享事件的关键词，所述数据共享事件关键词的识别网络的生成内容与以上STEP102中的识别网络的输出相似，即输出一个或多个数据共享事件窗口。在本发明中，鉴于存在独立的线程数据共享事件对应的本地工业互联网数据进行共享数据归纳处理，因此在所述STEP501中，可以只识别所述数据共享事件对应的本地工业互联网数据中是否包括数据共享事件的关键词，而无需对其进行共享数据归纳处理。因此，可以对比分析多个数据共享事件窗口的关键词可信评分，得到最大的关键词可信评分。
[0082] 进一步地，在STEP502中，基于所述关键词可信评分确定所述数据共享事件对应的本地工业互联网数据的影响指数，可以包括STEP601‑STEP603所记录的内容。
[0083] STEP601、获得影响指数判定值。
[0084] STEP602、当所述关键词可信评分不小于所述影响指数判定值，基于所述影响指数判定值和所述关键词可信评分确定第一影响指数所述数据共享事件对应的本地工业互联网数据的影响指数。
[0085] STEP603、当所述关键词可信评分小于所述影响指数判定值，将设定影响指数设置为所述数据共享事件对应的本地工业互联网数据的影响指数；其中所述设定影响指数不高于所述第一影响指数。
[0086] 举例而言，事先配置影响指数判定值index4，设在STEP502中得到的所述数据共享事件对应的本地工业互联网数据的关键词可信评分为tag_value。
[0087] 对于STEP503而言，对工业互联网数据队列中的所述数据共享事件对应的本地工业互联网数据的第一数据归纳知识特征进行融合确定得到第一已融合数据归纳知识特征。基于上述内容，共性数据种类为l的工业互联网数据队列m1中的工业互联网数据data_q，其第一已融合数据归纳知识特征可以为多维向量矩阵。
[0088] 对于STEP504而言，首先基于所述队列m1中的所有工业互联网数据的第一已融合数据归纳知识特征得到综合第一已融合数据归纳知识特征由此，最终共性数据种类1的第二共性数据种类的可信评分为：class1。之后，确定待进行共享的工业互联网数据集的数据共享指示标签的过程结合STEP105。
[0089] 进一步地，在确定第一全局可信评分归纳知识特征时对包含有数据共享事件关键词的工业互联网数据进行叠加处理，使得其权重变大，且关键词可信评分越大的数据集，其权重越大，在确定综合第一已融合数据归纳知识特征时，其特征识别度越大，由此使得最后的数据共享指示标签的噪声率更低，归类更加精准。
[0090] 在上述实施例中，归类过程都与工业互联网数据的特征存在关系；在一些情况下，为了提高数据归类的可信度，还可以通过待进行共享的工业互联网数据集的数据描述字段对数据共享指示标签进行优化。
[0091] 进一步的，所述工业互联网数据的共享方法还可以包括如下STEP701‑STEP704所记录的技术方案。
[0092] STEP701、获得所述待进行共享的工业互联网数据集的数据描述字段。
[0093] STEP702、基于所述数据描述字段确定第一量化评价，所述第一量化评价的取值与所述数据描述字段中存在所述第二共性数据种类的类型描述字段的累计值相关。
[0094] 此时，所述STEP302进一步包括如下内容。
[0095] STEP703、基于所述工业互联网数据队列中的每个工业互联网数据的所述第一数据归纳知识特征确定所述待进行共享的工业互联网数据集为所述工业互联网数据队列所对应的第二共性数据种类的第一可信评分。
[0096] STEP704、基于所述第一量化评价以及所述第二共性数据种类的第一可信评分确定所述待进行共享的工业互联网数据集为所述工业互联网数据队列所对应的第二共性数据种类的可信评分。
[0097] 在STEP702中，对所述待进行共享的工业互联网数据集的数据描述字段进行显著向量挖掘处理得到与所述第二共性数据种类的类型描述字段相配对的特征向量，所述特征向量的数目可以是任意多个。基于所述与第二共性数据种类的类型描述字段相配对的特征向量的数目确定与所述工业互联网数据队列对应的第二共性数据种类的第一量化评价。
[0098] 进一步地，所述STEP702进一步包括如下内容：将所述待进行共享的工业互联网数据集的数据描述字段与所述第二共性数据种类进行配对得到所述数据描述字段中存在每个第二共性数据种类的类型描述字段的累计值；基于所述累计值确定每个第二共性数据种类的第一量化评价，其中所述第一量化评价与所述累计值具有设定映射关系。
[0099] 在STEP703中，确定第二共性数据种类的第一可信评分，所述第二共性数据种类的第一可信评分可以是所述STEP302中所确定出来的第二共性数据种类的可信评分或者是所述STEP504确定出来的第二共性数据种类的可信评分。
[0100] 在STEP704中，基于所述第一量化评价以及所述第二共性数据种类的第一可信评分确定所述待进行共享的工业互联网数据集为所述工业互联网数据队列所对应的第二共性数据种类的可信评分。进一步地，将所述第一量化评价所述第二共性数据种类的第一可信评分的指数确定所述第二共性数据种类的可信评分。
[0101] 这样一来，通过数据描述字段对数据共享指示标签进行干扰，因此通过数据描述字段中所包含的特征能够对所述数据共享指示标签进行优化，使得最后的数据共享指示标签的抗干扰性加强，归类更加精准。
[0102] 本发明实施例公开了一种工业互联网数据的共享方法，该工业互联网数据的共享方法包括：获得待进行共享的工业互联网数据集的若干组工业互联网数据；对所述若干组工业互联网数据进行共享数据归纳处理得到所述若干组工业互联网数据的第一共性数据种类，其中所述第一共性数据种类包括数据共享事件对应的本地工业互联网数据和数据共享事件对应的云端工业互联网数据；基于所述数据共享事件对应的本地工业互联网数据对所述数据共享事件进行解析得到所述数据共享事件对应的本地工业互联网数据的第一数据归纳知识特征；基于所述数据共享事件对应的云端工业互联网数据对所述数据共享事件进行解析得到所述数据共享事件对应的云端工业互联网数据的第一数据归纳知识特征；基于所述第一数据归纳知识特征确定所述待进行共享的工业互联网数据集的数据共享指示标签。上述方法通过结合数据共享事件对应的本地工业互联网数据以及数据共享事件对应的云端工业互联网数据，能够改善工业互联网数据集的数据共享知识标签配对的查全程度较差的缺陷。
[0103] 在一些可独立的实施中，在确定出待进行共享的工业互联网数据集的数据共享指示标签之后，可以根据接收到的共享请求进行针对性的数据共享，提高数据共享的智能化程度。基于此，该方法还可以包括如下内容：响应于待处理数据共享请求，确定与所述数据共享请求对应的期望标签；确定所述期望标签与所述数据共享指示标签的相关性系数；在所述相关性系数大于等于设定系数时，将所述待进行共享的工业互联网数据集确定为与待处理数据共享请求匹配的目标数据集并将所述待进行共享的工业互联网数据集进行数据共享；在所述相关性系数小于设定系数时，向所述待处理数据共享请求的请求端下发共享请求驳回提示。
[0104] 如此，能够根据不同标签之间的相关性系数计算进行针对性的数据共享处理，避免数据共享过程中的安全隐患。
[0105] 在一些可独立的实施中，响应于待处理数据共享请求，确定与所述数据共享请求对应的期望标签，可以包括如下内容：对所述待处理数据共享请求进行文本解析，得到共享需求文本数据序列，其中，所述共享需求文本数据序列包括存在关联的Y组共享需求文本数据，所述Y为大于或等于1的整数；根据所述共享需求文本数据序列确定附属需求文本数据序列，其中，所述附属需求文本数据序列包括存在关联的Y组附属需求文本数据；基于所述共享需求文本数据序列，通过共享需求分析算法所包括的第一需求细节知识挖掘模型获取共享需求知识分布序列，其中，所述共享需求知识分布序列包括Y个共享需求知识分布；基于所述附属需求文本数据序列，通过所述共享需求分析算法所包括的第二需求细节知识挖掘模型获取附属需求知识分布序列，其中，所述附属需求知识分布序列包括Y个附属需求知识分布；基于所述共享需求知识分布序列以及所述附属需求知识分布序列，通过所述共享需求分析算法所包括的期望预测模块获取所述共享需求文本数据所对应的共享期望评分；根据所述共享期望评分确定所述共享需求文本数据序列的期望标签。
[0106] 在本发明实施例中，附属需求可以基于共享需求进行预测得到，附属需求能够反映数据共享需求之外的一些重要程度不高的需求，而通过考虑附属需求，能够减少其对共享期望评分的干扰，确保共享期望评分尽可能专注于共享需求的评价，这样能够准确确定出对应的期望标签。
[0107] 基于上述相同或相似的发明构思，请结合参阅图2，还提供了一种工业互联网数据的共享方法的应用环境30的架构示意图，包括互相之间通信的数据共享系统10和数据共享参与端20，数据共享系统10和数据共享参与端20在运行时实现或者部分实现上述方法实施例所描述的技术方案。
[0108] 进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
[0109] 在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0110] 另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0111] 所述功能如果以软件功能模块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计算机设备（可以是个人计算机，媒体业务服务器10，或者网络设备等）执行本发明各个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。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0112] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
