CN110826799A - 业务预测方法、装置、服务器及可读存储介质 - Google Patents
业务预测方法、装置、服务器及可读存储介质 Download PDFInfo
- Publication number
- CN110826799A CN110826799A CN201911070940.7A CN201911070940A CN110826799A CN 110826799 A CN110826799 A CN 110826799A CN 201911070940 A CN201911070940 A CN 201911070940A CN 110826799 A CN110826799 A CN 110826799A
- Authority
- CN
- China
- Prior art keywords
- prediction
- service
- model
- models
- configuration file
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/21—Server components or server architectures
- H04N21/218—Source of audio or video content, e.g. local disk arrays
- H04N21/2187—Live feed
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Information Transfer Between Computers (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请实施例提供一种业务预测方法、装置、服务器及可读存储介质,首先根据用户终端调用的业务类型,获取该业务类型对应的融合流程配置文件,融合流程配置文件包括多个预测模型以及各个预测模型之间的业务逻辑关系,然后根据融合流程配置文件,对该业务类型的业务数据进行预测,得到多个预测模型中至少部分预测模型的预测结果,从而根据至少部分预测模型的预测结果进行融合预测,得到业务数据的业务预测结果。如此,采用融合流程配置文件对业务数据进行预测,无需同时调用多个预测模型,降低复杂度,并且提高处理复杂预测任务的效率。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种业务预测方法、装置、服务器及可读存储介质。
背景技术
目前在进行业务预测(例如高危行为预测)时,通常是通过单一的预测模型分别得到业务数据的预测结果,并通过单一的预测结果进行最终的简单组合判断。然而,通常单一的预测模型无法解决复杂的预测任务,复杂的预测任务通常需要用户终端同时调用多个预测模型进行解决,而同时调用过程的复杂度较高,容易出错,并且严重影响预测任务的执行效率。
发明内容
有鉴于此,本申请的目的在于提供一种业务预测方法、装置、服务器及可读存储介质,无需同时调用多个预测模型,降低复杂度,并且提高处理复杂预测任务的效率。
根据本申请的一方面,提供一种业务预测方法,应用于服务器,所述方法包括:
根据用户终端调用的业务类型,获取该业务类型对应的融合流程配置文件,其中,所述融合流程配置文件包括多个预测模型以及各个预测模型之间的业务逻辑关系;
根据所述融合流程配置文件,对该业务类型的业务数据进行预测,得到所述多个预测模型中至少部分预测模型的预测结果;
根据所述至少部分预测模型的预测结果进行融合预测,得到所述业务数据的业务预测结果。
在一种可能的实施方式中,所述根据用户终端调用的业务类型,获取该业务类型对应的融合流程配置文件的步骤,包括:
根据用户终端调用的业务类型,获取该业务类型对应的融合流程标识;
获取该融合流程标识对应的融合流程配置文件。
在一种可能的实施方式中,所述方法还包括:
针对每个业务类型,获取该业务类型对应的多个预测模型的模型数据;
根据模型编辑指令,确定各个预测模型之间的业务逻辑关系;
根据各个预测模型之间的业务逻辑关系对所述多个预测模型的模型数据进行融合,生成融合模型数据;
将所述融合模型数据导出为该业务类型对应的融合流程配置文件。
在一种可能的实施方式中,所述根据模型编辑指令,确定各个预测模型之间的业务逻辑关系的步骤,包括:
将所述多个预测模型添加到一模型编辑交互页面中,所述模型编辑交互页面中包括多个用于编辑业务逻辑关系的编辑选项,所述编辑选项包括流程开始选项、流程处理选项、流程决策选项、条件判断边选项、流程结束选项中的一种或者多种组合;
根据选择的编辑选项和与该编辑选项关联的目标预测模型,生成针对所述目标预测模型对应的模型编辑指令;
根据所述模型编辑指令在所述目标预测模型的对应位置处添加对应的业务逻辑关系。
在一种可能的实施方式中,所述方法还包括:
将该业务类型对应的融合流程配置文件添加到热加载线程中进行缓存,并在该融合流程配置文件发生更新时,通过所述热加载线程将融合流程配置文件动态发布到数据库中。
在一种可能的实施方式中,所述根据所述融合流程配置文件,对该业务类型的业务数据进行预测,得到所述多个预测模型中至少部分预测模型的预测结果的步骤,包括:
根据所述融合流程配置文件中各个预测模型之间的业务逻辑关系,将该业务类型的业务数据分别输入到相应的预测模型中;
根据所述预测模型的预测结果确定下一个待输入的预测模型,并将所述预测结果输入到该待输入的预测模型进行预测,以将该业务类型的业务数据输入到所述多个预测模型中的至少部分预测模型中,得到至少部分预测模型的预测结果。
在一种可能的实施方式中,所述根据所述至少部分预测模型的预测结果进行融合预测,得到所述业务数据的业务预测结果的步骤,包括:
根据所述至少部分预测模型中每个预测模型的权重参数,对所述至少部分预测模型的预测结果进行融合预测,得到所述业务数据的业务预测置信度;
根据所述业务数据的业务预测置信度与设定阈值之间的关系,得到所述业务数据的业务预测结果。
根据本申请的另一方面,提供一种业务预测装置,应用于服务器,所述装置包括:
获取模块,用于根据用户终端调用的业务类型,获取该业务类型对应的融合流程配置文件,其中,所述融合流程配置文件包括多个预测模型以及各个预测模型之间的业务逻辑关系;
预测模块,用于根据所述融合流程配置文件,对该业务类型的业务数据进行预测,得到所述多个预测模型中至少部分预测模型的预测结果;
融合预测模块,用于根据所述至少部分预测模型的预测结果进行融合预测,得到所述业务数据的业务预测结果。
根据本申请的另一方面,提供一种服务器,所述服务器包括机器可读存储介质及处理器,所述机器可读存储介质存储有机器可执行指令,所述处理器在执行所述机器可执行指令时,该服务器实现前述的业务预测方法。
根据本申请的另一方面,提供一种可读存储介质,所述可读存储介质中存储有机器可执行指令,所述机器可执行指令被执行时实现前述的业务预测方法。
基于上述任一方面,本申请首先根据用户终端调用的业务类型,获取该业务类型对应的融合流程配置文件,融合流程配置文件包括多个预测模型以及各个预测模型之间的业务逻辑关系,然后根据融合流程配置文件,对该业务类型的业务数据进行预测,得到多个预测模型中至少部分预测模型的预测结果,从而根据至少部分预测模型的预测结果进行融合预测,得到业务数据的业务预测结果。如此,采用融合流程配置文件对业务数据进行预测,无需同时调用多个预测模型,降低复杂度,并且提高处理复杂预测任务的效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的某些实施例,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他相关的附图。
图1示出了本申请实施例所提供的业务预测方法的一示例性应用场景示意图;
图2示出了本申请实施例所提供的业务预测方法的流程示意图之一;
图3示出了图2中所示的步骤S110的子步骤流程示意图;
图4示出了本申请实施例所提供的业务预测方法的流程示意图之二;
图5示出了图4中所示的步骤S102的子步骤流程示意图;
图6示出了图2中所示的步骤S120的子步骤流程示意图;
图7示出了图2中所示的步骤S130的子步骤流程示意图;
图8示出了本申请实施例所提供的一种示例性融合流程示意图;
图9示出了本申请实施例所提供的业务预测装置的功能模块示意图;
图10示出了本申请实施例所提供的用于实现上述业务预测方法的服务器的结构示意框图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其它操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本申请保护的范围。
参照图1所示,图1示出了本申请实施例提供的业务预测方法的一示例性应用场景示意图。本实施例以“互联网直播”场景为例对该应用场景进行示例性说明。例如,该应用场景可以包括服务器100、直播观看终端200以及直播提供终端300,服务器100分别与直播观看终端200和直播提供终端300通信连接,用于为直播观看终端200和直播提供终端300提供直播服务。
在一些实施场景中,直播观看终端200和直播提供终端300可以互换使用。例如,直播提供终端300的主播可以使用直播提供终端300来为观众提供直播视频服务,或者作为观众查看其它主播提供的直播视频。又例如,直播观看终端200的观众也可以使用直播观看终端200观看所关注的主播提供的直播视频,或者作为主播为其它观众提供直播视频服务。
本实施例中,直播观看终端200和直播提供终端300可以是,但不限于智能手机、个人数字助理、平板电脑、个人计算机、笔记本电脑、虚拟现实终端设备、增强现实终端设备等。在具体实施过程中,可能有零个、一个或多个直播观看终端200和直播提供终端300接入服务器100,图1中仅示出一个。其中,直播观看终端200和直播提供终端300中可以安装用于提供互联网直播服务的互联网产品,例如,互联网产品可以是计算机或智能手机中使用的与互联网直播服务相关的应用程序APP、Web网页、小程序等。
本实施例中,服务器100可以是单个物理服务器,也可以是一个由多个用于执行不同数据处理功能的物理服务器构成的服务器组。服务器组可以是集中式的,也可以是分布式的(例如,服务器100可以是分布式系统)。在一些可能的实施方式中,如服务器100采用单个物理服务器,可以基于不同直播服务功能为该物理服务器分配不同的逻辑服务器组件。
在上述应用场景中,主播在通过该直播提供终端300直播过程中,由于直播内容有实时性以及内容广泛性,并且面向的观众群体众多,观众数量大,因此直播内容会对大众产生一定的影响甚至会对社会产生一些舆论影响,特别是一些内容涉及高危行为的直播,例如色情、暴恐、抽烟、躺播、侵犯版权、涉政等,其危害性更加严重。因此,通常在直播过程中,直播提供终端300会对这些直播内容进行预测,以判断直播内容是否存在高危行为。
又例如,观众在通过直播观看终端200观看主播直播过程中,也可能会存在一些高危行为,如发送弹幕内容可能包含危害公共安全、泄露秘密、散布谣言、扰乱社会秩序、破坏社会稳定、散布淫秽、色情信息、侮辱或者诽谤他人等信息,也会造成极大的危害性。因此,通常在观看直播过程中,直播观看终端200会对这些弹幕内容进行预测,以判断弹幕内容是否存在高危行为。
可以理解,图1所示的应用场景仅为一种可行的示例,在其它可行的实施例中,该应用场景也可以仅包括图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。
图2示出了本申请实施例提供的业务预测方法的流程示意图,该业务预测方法可以由图1中所示的服务器100执行。应当理解,在其它实施例中,本实施例的业务预测方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。该业务预测方法的详细步骤介绍如下。
步骤S110,根据用户终端调用的业务类型,获取该业务类型对应的融合流程配置文件。
步骤S120,根据融合流程配置文件,对该业务类型的业务数据进行预测,得到多个预测模型中至少部分预测模型的预测结果。
步骤S130,根据至少部分预测模型的预测结果进行融合预测,得到业务数据的业务预测结果。
针对步骤S110,对于不同的业务类型,其需要进行业务预测的流程通常不同,因此当用户终端(例如图1中所示的直播观看终端200和/或直播提供终端300)从服务器100调用某个业务时,服务器100可以确定该业务的业务类型。以图1所示的互联网直播应用场景为例,业务类型可以是针对主播的直播业务(如直播视频业务、弹幕互动业务等)、针对观众的直播业务(如弹幕互动业务、评论互动业务等)。由此,可以根据不同的业务类型获取不同的融合流程配置文件。
本实施例中,融合流程配置文件可以包括多个预测模型以及各个预测模型之间的业务逻辑关系,当用户终端调用具体的业务后,可以根据各个预测模型之间的业务逻辑关系,对业务数据进行预测。由于业务数据中可以包括多种数据类型,因此在预测的过程中可以根据前述的业务逻辑关系选择与这些数据类型相匹配的预测模型进行预测,从而可以得到多个预测模型中至少部分预测模型的预测结果。之后,通过对至少部分预测模型的预测结果进行融合预测,得到业务数据的业务预测结果。
如此,本实施例通过采用融合流程配置文件对业务数据进行预测,无需同时调用多个预测模型,降低复杂度,并且提高处理复杂预测任务的效率。
并且,现有技术通常是由用户终端调用预测模型进行预测,可能会存在调用灵活度不够,导致每次预测模型迭代都需要更新客户端代码的问题,而本实施例通过服务器100对业务数据进行预测,可以极大保证平台业务的稳定性。
在一种可能的实施方式中,针对步骤S110,请结合参阅图3,为了便于融合流程配置文件的管理和调用,步骤S110可以包括子步骤S111和子步骤S112,具体描述如下。
子步骤S111,根据用户终端调用的业务类型,获取该业务类型对应的融合流程标识。
本实施例中,针对不同的业务类型,可以预先配置对应的融合流程标识,也可以叫做算子ID,或者TaskID,算子通常具有标准的输入输出协议,即针对某个输入的数据可以按照该算子对应的预测模型输出对应的结果,并且每个算子还可以具有服务地址等元信息,后续用户终端在调用业务时可以通过访问该服务地址以获得该算子。
子步骤S112,获取该融合流程标识对应的融合流程配置文件。
本实施例中,针对每一种融合流程标识,都预先配置有其对应的融合流程配置文件,如此通过将业务类型与融合流程配置文件建立映射关系,从而可以便于融合流程配置文件的管理和调用,当用户终端调用某个业务时,即可获取该业务的业务类型对应的融合流程配置文件。
例如,如果业务类型为直播间弹幕业务,那么则可以获取直播间弹幕业务对应的融合流程配置文件,以通过该融合流程配置文件对直播间弹幕业务数据进行预测。
在一种可能的实施方式中,下面结合图4对融合流程配置文件的配置过程进行示例性阐述,请参阅图4,在步骤S110之前,本实施例提供的业务预测方法还可以包括如下步骤:
步骤S101,针对每个业务类型,获取该业务类型对应的多个预测模型的模型数据。
步骤S102,根据模型编辑指令,确定各个预测模型之间的业务逻辑关系。
步骤S103,根据各个预测模型之间的业务逻辑关系对多个预测模型的模型数据进行融合,生成融合模型数据。
步骤S104,将融合模型数据导出为该业务类型对应的融合流程配置文件。
本实施例中,可以通过流程PIPELINE技术对多个预测模型的模型数据进行融合,生成融合模型数据后,即可将融合模型数据导出为该业务类型对应的融合流程配置文件。
在一种可能的实施方式中,针对子步骤S102,为了便于用户编辑和核查,请结合参阅图5,子步骤S102可以包括如下子步骤:
子步骤S1021,将多个预测模型添加到一模型编辑交互页面中,模型编辑交互页面中包括多个用于编辑业务逻辑关系的编辑选项。
子步骤S1022,根据选择的编辑选项和与该编辑选项关联的目标预测模型,生成针对目标预测模型对应的模型编辑指令。
子步骤S1023,根据模型编辑指令在目标预测模型的对应位置处添加对应的业务逻辑关系。
本实施例中,用户可以通过该模型编辑交互页面确定各个预测模型之间的业务逻辑关系。可选地,该编辑选项可以包括,但并不仅限于流程开始选项、流程处理选项、流程决策选项、条件判断边选项、流程结束选项中的一种或者多种组合。例如,流程开始选项可以用于配置整个融合流程从哪个预测模型开始,流程处理选项可以用于配置每个预测模型之间的逻辑关系(例如时序关系、条件关系等),流程决策选项可以用于配置每个预测模型的输出结果所对应的决策条件(例如是或否),条件判断边选项可以用于配置每个预测模型的条件判断边,流程结束选项可以用于配置整个融合流程从哪个预测模型结束。
由此,可以根据选择的编辑选项和与该编辑选项关联的目标预测模型,生成针对目标预测模型对应的模型编辑指令,从而根据模型编辑指令在目标预测模型的对应位置处添加对应的业务逻辑关系。例如,假设选择的编辑选项为流程开始选项,流程开始选项关联的目标预测模型为预测模型A,那么则可以在该模型编辑交互页面中在该预测模型A之前添加一个流程开始的业务逻辑标记。又例如,假设选择的编辑选项为流程决策选项,流程决策选项关联的目标预测模型为预测模型B、预测模型C和预测模型D,那么则可以在该模型编辑交互页面中针对预测模型B添加流程决策的业务逻辑标记,当流程决策为“是”的时候连接预测模型C,当流程决策为“否”的时候连接预测模型D。
可以理解,以上并非穷举,在实际实施过程中,本领域技术人员可以根据实际需求任意选择所需的编辑选项和与该编辑选项关联的目标预测模型,本实施例对此不作具体限制。
此外,在上述基础上,本申请发明人考虑到预测模型的迭代更新通常是定期的,在每次迭代更新过程中往往需要重启服务,导致一段时间的预测服务不可用。基于此,本实施例可以将每个业务类型对应的融合流程配置文件添加到热加载线程中进行缓存,并在该融合流程配置文件发生更新时,通过热加载线程将融合流程配置文件动态发布到数据库中。由此,能够极大提升系统吞吐量,并且支持热部署,无需重启服务。
在前述描述的基础上,针对步骤S120,请结合参阅图6,可以通过如下子步骤实现:
子步骤S121,根据融合流程配置文件中各个预测模型之间的业务逻辑关系,将该业务类型的业务数据分别输入到相应的预测模型中。
子步骤S122,根据预测模型的预测结果确定下一个待输入的预测模型,并将预测结果输入到该待输入的预测模型进行预测,以将该业务类型的业务数据输入到多个预测模型中的至少部分预测模型中,得到至少部分预测模型的预测结果。
本实施例中,考虑到由于业务数据中可以包括多种数据类型,因此在预测的过程中可以根据前述的业务逻辑关系确定每次待输入的相应的预测模型,然后不断确定下一个待输入的预测模型,其中可能不会遍历所有的预测模型,从而可以得到多个预测模型中至少部分预测模型的预测结果。如此,可以适应性地根据不同的业务数据选择至少部分预测模型进行计算,无需调用全部预测模型,从而可以减少大量非必要的运算,提升解决复杂任务的效率,降低模型运算的复杂度。
在前述描述的基础上,针对步骤S130,请结合参阅图7,可以通过如下子步骤实现:
子步骤S131,根据至少部分预测模型中每个预测模型的权重参数,对至少部分预测模型的预测结果进行融合预测,得到业务数据的业务预测置信度。
子步骤S132,根据业务数据的业务预测置信度与设定阈值之间的关系,得到业务数据的业务预测结果。
本实施例中,针对不同的预测模型而言,可以预先设置其对应的权重参数,这样就可以通过计算每个预测模型的权重参数与其预测结果之间的乘积,得到每个预测模型的预测置信度,并进行加权计算后得到业务数据的业务预测置信度。
在此基础上,可以预先设置针对业务数据的业务预测置信度大于设定阈值和不大于设定阈值的业务预测结果,这样就能够根据实际的业务预测置信度确定业务数据的业务预测结果。
作为一种可能的示例,请结合参阅图8,以互联网直播场景为例,当用户终端调用具体的业务为直播业务时,可以根据图8中所示的各个预测模型之间的业务逻辑关系,对直播业务的业务数据进行预测。下面结合图8对各个预测模型之间的业务逻辑关系进行简要描述,以说明如何利用各个预测模型之间的业务逻辑关系,对直播业务的业务数据进行预测的详细逻辑。
如图8所示,作为一种可能的示例,可以以关于色情预测模型、暴恐预测模型、场景识别预测模型以及OCR(Optical Character Recognition,光学字符识别)预测模型作为流程开始节点。
当通过色情预测模型识别到决策条件为“Y”时将预测结果输出给高危上报模型,当识别到决策条件为“N”时将预测结果输出到流程结束节点。
当通过暴恐预测模型识别到决策条件为“Y”时将预测结果输出给高危上报模型,当识别到决策条件为“N”时将预测结果输出到流程结束节点。
当通过场景识别预测模型识别到决策条件为“Y”时将预测结果输出给与识别到的场景相关联的预测模型(LOGO预测模型、抽烟预测模型、躺播预测模型、版权预测模型、禁播游戏预测模型、涉政预测模型、人脸识别预测模型等任意可能的预测模型),当识别到决策条件为“N”时将预测结果输出到流程结束节点。在此基础上,可以根据这些与识别到的场景相关联的预测模型的预测结果,确定对应的决策条件,当决策条件为“Y”时将预测结果输出给高危上报模型,当决策条件为“N”时将预测结果输出到流程结束节点。
当通过OCR模型识别到决策条件为“Y”时将预测结果输出给高危上报模型,当识别到决策条件为“N”时将预测结果输出到流程结束节点。
其中,上述决策条件“Y”和决策条件“N”可以根据预测模型的预测结果进行确定。例如,可以根据预测模型针对某个业务行为(比如暴恐行为)输出的预测置信度值确定决策条件,如果预测置信度值大于设定置信度,那么决策条件为“Y”,否则决策条件为“N”。
在前述描述中,为了适应性地根据不同的业务数据选择至少部分预测模型进行计算,这样可以无需调用全部预测模型,减少大量非必要的运算,基于图8所示的融合流程,在一些可能的示例中,针对场景识别预测模型,可以适应性地选择将预测结果输出给与识别到的场景相关联的预测模型,而不是全部的预测模型,这样可以极大减少非必要的运算量。例如,如果识别到的场景为“游戏直播画面”,那么当主播在进行游戏直播时,通常直播的画面为整个游戏界面,针对整个游戏界面而言,即便主播事实上是处于抽烟、躺播的状态,也不会展示到直播间中,这个时候则不必要再进行抽烟预测模型、躺播预测模型、人脸识别预测模型的预测,从而相较于现有技术调用所有的预测模型进行预测的方案而言,本实施例提供的方案可以适应性地根据具体的业务数据选择匹配的预测模型进行计算,这样可以无需调用全部预测模型,减少计算量,也提高整个过程的预测速度。
可以理解,图8中所示的融合流程仅为一种可替换的示例,本领域技术人员可以根据时间需求配置符合自身业务的融合流程,本实施例对此不作任何限制。
基于同一发明构思,请参阅图9,示出了本申请实施例提供的业务预测装置110的功能模块示意图,本实施例可以根据上述方法实施例对业务预测装置110进行功能模块的划分。例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。比如,在采用对应各个功能划分各个功能模块的情况下,图9示出的业务预测装置110只是一种装置示意图。其中,业务预测装置110可以包括获取模块111、预测模块112以及融合预测模块113,下面分别对该业务预测装置110的各个功能模块的功能进行详细阐述。
获取模块111,用于根据用户终端调用的业务类型,获取该业务类型对应的融合流程配置文件,其中,融合流程配置文件包括多个预测模型以及各个预测模型之间的业务逻辑关系。可以理解,该获取模块111可以用于执行上述步骤S110,关于该获取模块111的详细实现方式可以参照上述对步骤S110有关的内容。
预测模块112,用于根据融合流程配置文件,对该业务类型的业务数据进行预测,得到多个预测模型中至少部分预测模型的预测结果。可以理解,该预测模块112可以用于执行上述步骤S120,关于该预测模块112的详细实现方式可以参照上述对步骤S120有关的内容。
融合预测模块113,用于根据至少部分预测模型的预测结果进行融合预测,得到业务数据的业务预测结果。可以理解,该融合预测模块113可以用于执行上述步骤S130,关于该融合预测模块113的详细实现方式可以参照上述对步骤S130有关的内容。
基于同一发明构思,请参阅图10,示出了本申请实施例提供的用于执行上述业务预测方法的服务器100的结构示意框图,该服务器100可以包括业务预测装置110、机器可读存储介质120和处理器130。
本实施例中,机器可读存储介质120与处理器130均位于服务器100中且二者分离设置。然而,应当理解的是,机器可读存储介质120也可以是独立于服务器100之外,且可以由处理器130通过总线接口来访问。可替换地,机器可读存储介质120也可以集成到处理器130中,例如,可以是高速缓存和/或通用寄存器。
处理器130是该服务器100的控制中心,利用各种接口和线路连接整个服务器100的各个部分,通过运行或执行存储在机器可读存储介质120内的软件程序和/或模块,以及调用存储在机器可读存储介质120内的数据,执行该服务器100的各种功能和处理数据,从而对服务器100进行整体监控。可选地,处理器130可包括一个或多个处理核心;例如,处理器130可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器中。
其中,处理器130可以是一个通用的中央处理器(Central Processing Unit,CPU),微处理器,特定应用集成电路(Application-Specific Integrated Circuit,ASIC),或一个或多个用于控制上述方法实施例提供的业务预测方法的程序执行的集成电路。
机器可读存储介质120可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(Electrically Erasable Programmabler-Only MEMory,EEPROM)、只读光盘(Compactdisc Read-Only MEMory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。机器可读存储介质120可以是独立存在,通过通信总线与处理器130相连接。机器可读存储介质120也可以和处理器集成在一起。其中,机器可读存储介质120用于存储执行本申请方案的机器可执行指令。处理器130用于执行机器可读存储介质120中存储的机器可执行指令,以实现前述方法实施例提供的业务预测方法。
业务预测装置110可以存储于执行机器可读存储介质120中,当处理器130执行业务预测装置110时以执行前述方法实施例提供的业务预测方法。
由于本申请实施例提供的服务器100是上述服务器100执行的方法实施例的另一种实现形式,且服务器100可用于执行上述方法实施例提供的业务预测方法,因此其所能获得的技术效果可参考上述方法实施例,在此不再赘述。
进一步地,本申请实施例还提供一种包含计算机可执行指令的可读存储介质,计算机可执行指令在被执行时可以用于实现上述方法实施例提供的业务预测方法。
当然,本申请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的方法操作,还可以执行本申请任意实施例所提供的业务预测方法中的相关操作。
本申请实施例是参照根据本申请实施例的方法、设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
尽管在此结合各实施例对本申请进行了描述,然而,在实施所要求保护的本申请过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其他变化。在权利要求中,“包括”一词不排除其他组成部分或步骤,“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施,但这并不表示这些措施不能组合起来产生良好的效果。
以上所述,仅为本申请的各种实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种业务预测方法,其特征在于,应用于服务器,所述方法包括:
根据用户终端调用的业务类型,获取该业务类型对应的融合流程配置文件,其中,所述融合流程配置文件包括多个预测模型以及各个预测模型之间的业务逻辑关系;
根据所述融合流程配置文件,对该业务类型的业务数据进行预测,得到所述多个预测模型中至少部分预测模型的预测结果;
根据所述至少部分预测模型的预测结果进行融合预测,得到所述业务数据的业务预测结果。
2.根据权利要求1所述的业务预测方法,其特征在于,所述根据用户终端调用的业务类型,获取该业务类型对应的融合流程配置文件的步骤,包括:
根据用户终端调用的业务类型,获取该业务类型对应的融合流程标识;
获取该融合流程标识对应的融合流程配置文件。
3.根据权利要求1所述的业务预测方法,其特征在于,所述方法还包括:
针对每个业务类型,获取该业务类型对应的多个预测模型的模型数据;
根据模型编辑指令,确定各个预测模型之间的业务逻辑关系;
根据各个预测模型之间的业务逻辑关系对所述多个预测模型的模型数据进行融合,生成融合模型数据;
将所述融合模型数据导出为该业务类型对应的融合流程配置文件。
4.根据权利要求3所述的业务预测方法,其特征在于,所述根据模型编辑指令,确定各个预测模型之间的业务逻辑关系的步骤,包括:
将所述多个预测模型添加到一模型编辑交互页面中,所述模型编辑交互页面中包括多个用于编辑业务逻辑关系的编辑选项,所述编辑选项包括流程开始选项、流程处理选项、流程决策选项、条件判断边选项、流程结束选项中的一种或者多种组合;
根据选择的编辑选项和与该编辑选项关联的目标预测模型,生成针对所述目标预测模型对应的模型编辑指令;
根据所述模型编辑指令在所述目标预测模型的对应位置处添加对应的业务逻辑关系。
5.根据权利要求3所述的业务预测方法,其特征在于,所述方法还包括:
将该业务类型对应的融合流程配置文件添加到热加载线程中进行缓存,并在该融合流程配置文件发生更新时,通过所述热加载线程将融合流程配置文件动态发布到数据库中。
6.根据权利要求1-5中任意一些所述的业务预测方法,其特征在于,所述根据所述融合流程配置文件,对该业务类型的业务数据进行预测,得到所述多个预测模型中至少部分预测模型的预测结果的步骤,包括:
根据所述融合流程配置文件中各个预测模型之间的业务逻辑关系,将该业务类型的业务数据分别输入到相应的预测模型中;
根据所述预测模型的预测结果确定下一个待输入的预测模型,并将所述预测结果输入到该待输入的预测模型进行预测,以将该业务类型的业务数据输入到所述多个预测模型中的至少部分预测模型中,得到至少部分预测模型的预测结果。
7.根据权利要求1-5中任意一项所述的业务预测方法,其特征在于,所述根据所述至少部分预测模型的预测结果进行融合预测,得到所述业务数据的业务预测结果的步骤,包括:
根据所述至少部分预测模型中每个预测模型的权重参数,对所述至少部分预测模型的预测结果进行融合预测,得到所述业务数据的业务预测置信度;
根据所述业务数据的业务预测置信度与设定阈值之间的关系,得到所述业务数据的业务预测结果。
8.一种业务预测装置,其特征在于,应用于服务器,所述装置包括:
获取模块,用于根据用户终端调用的业务类型,获取该业务类型对应的融合流程配置文件,其中,所述融合流程配置文件包括多个预测模型以及各个预测模型之间的业务逻辑关系;
预测模块,用于根据所述融合流程配置文件,对该业务类型的业务数据进行预测,得到所述多个预测模型中至少部分预测模型的预测结果;
融合预测模块,用于根据所述至少部分预测模型的预测结果进行融合预测,得到所述业务数据的业务预测结果。
9.一种服务器,其特征在于,所述服务器包括机器可读存储介质及处理器,所述机器可读存储介质存储有机器可执行指令,所述处理器在执行所述机器可执行指令时,该服务器实现权利要求1-7中任意一项所述的业务预测方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有机器可执行指令,所述机器可执行指令被执行时实现权利要求1-7中任意一项所述的业务预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911070940.7A CN110826799B (zh) | 2019-11-05 | 2019-11-05 | 业务预测方法、装置、服务器及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911070940.7A CN110826799B (zh) | 2019-11-05 | 2019-11-05 | 业务预测方法、装置、服务器及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110826799A true CN110826799A (zh) | 2020-02-21 |
CN110826799B CN110826799B (zh) | 2022-07-08 |
Family
ID=69552600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911070940.7A Active CN110826799B (zh) | 2019-11-05 | 2019-11-05 | 业务预测方法、装置、服务器及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110826799B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339298A (zh) * | 2020-02-25 | 2020-06-26 | 北京松果电子有限公司 | 一种分类预测方法、装置及存储介质 |
CN111563560A (zh) * | 2020-05-19 | 2020-08-21 | 上海飞旗网络技术股份有限公司 | 基于时序特征学习的数据流分类方法及装置 |
CN111950624A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 客户风险评估模型构建方法、装置、存储介质及终端设备 |
CN112540837A (zh) * | 2020-12-18 | 2021-03-23 | 贝壳技术有限公司 | 业务处理组件调用方法、系统、电子设备和存储介质 |
CN115017844A (zh) * | 2022-08-03 | 2022-09-06 | 阿里巴巴(中国)有限公司 | 设计参数调整方法、装置、电子设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404943A (zh) * | 2015-12-08 | 2016-03-16 | 南京邮电大学 | 一种面向移动社交环境的用户行为预测方法 |
CN105827463A (zh) * | 2016-05-16 | 2016-08-03 | 中国联合网络通信集团有限公司 | 一种客户端业务的配置方法、装置及系统 |
WO2017080169A1 (zh) * | 2015-11-13 | 2017-05-18 | 乐视控股(北京)有限公司 | 视频平台监控分析系统 |
CN107346464A (zh) * | 2016-05-06 | 2017-11-14 | 腾讯科技(深圳)有限公司 | 业务指标预测方法及装置 |
CN107885762A (zh) * | 2017-09-19 | 2018-04-06 | 北京百度网讯科技有限公司 | 智能大数据系统、提供智能大数据服务的方法和设备 |
CN108073670A (zh) * | 2017-04-12 | 2018-05-25 | 北京市商汤科技开发有限公司 | 业务对象推荐方法、装置及电子设备 |
CN109063886A (zh) * | 2018-06-12 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种异常检测方法、装置以及设备 |
CN110032551A (zh) * | 2019-03-12 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 模型生成系统、方法及预测系统 |
CN110163417A (zh) * | 2019-04-26 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种业务量的预测方法、装置及设备 |
CN110222762A (zh) * | 2019-06-04 | 2019-09-10 | 恒安嘉新(北京)科技股份公司 | 对象预测方法、装置、设备、及介质 |
-
2019
- 2019-11-05 CN CN201911070940.7A patent/CN110826799B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017080169A1 (zh) * | 2015-11-13 | 2017-05-18 | 乐视控股(北京)有限公司 | 视频平台监控分析系统 |
CN105404943A (zh) * | 2015-12-08 | 2016-03-16 | 南京邮电大学 | 一种面向移动社交环境的用户行为预测方法 |
CN107346464A (zh) * | 2016-05-06 | 2017-11-14 | 腾讯科技(深圳)有限公司 | 业务指标预测方法及装置 |
CN105827463A (zh) * | 2016-05-16 | 2016-08-03 | 中国联合网络通信集团有限公司 | 一种客户端业务的配置方法、装置及系统 |
CN108073670A (zh) * | 2017-04-12 | 2018-05-25 | 北京市商汤科技开发有限公司 | 业务对象推荐方法、装置及电子设备 |
CN107885762A (zh) * | 2017-09-19 | 2018-04-06 | 北京百度网讯科技有限公司 | 智能大数据系统、提供智能大数据服务的方法和设备 |
CN109063886A (zh) * | 2018-06-12 | 2018-12-21 | 阿里巴巴集团控股有限公司 | 一种异常检测方法、装置以及设备 |
CN110032551A (zh) * | 2019-03-12 | 2019-07-19 | 阿里巴巴集团控股有限公司 | 模型生成系统、方法及预测系统 |
CN110163417A (zh) * | 2019-04-26 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种业务量的预测方法、装置及设备 |
CN110222762A (zh) * | 2019-06-04 | 2019-09-10 | 恒安嘉新(北京)科技股份公司 | 对象预测方法、装置、设备、及介质 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111339298A (zh) * | 2020-02-25 | 2020-06-26 | 北京松果电子有限公司 | 一种分类预测方法、装置及存储介质 |
CN111339298B (zh) * | 2020-02-25 | 2024-04-09 | 北京小米松果电子有限公司 | 一种分类预测方法、装置及存储介质 |
CN111563560A (zh) * | 2020-05-19 | 2020-08-21 | 上海飞旗网络技术股份有限公司 | 基于时序特征学习的数据流分类方法及装置 |
CN111563560B (zh) * | 2020-05-19 | 2023-05-30 | 上海飞旗网络技术股份有限公司 | 基于时序特征学习的数据流分类方法及装置 |
CN111950624A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 客户风险评估模型构建方法、装置、存储介质及终端设备 |
CN112540837A (zh) * | 2020-12-18 | 2021-03-23 | 贝壳技术有限公司 | 业务处理组件调用方法、系统、电子设备和存储介质 |
CN115017844A (zh) * | 2022-08-03 | 2022-09-06 | 阿里巴巴(中国)有限公司 | 设计参数调整方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110826799B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826799B (zh) | 业务预测方法、装置、服务器及可读存储介质 | |
CN110830735B (zh) | 一种视频生成方法、装置、计算机设备和存储介质 | |
CN109542361B (zh) | 一种分布式存储系统文件读取方法、系统及相关装置 | |
CN108683668B (zh) | 内容分发网络中的资源校验方法、装置、存储介质及设备 | |
CN109618176B (zh) | 一种直播业务的处理方法、设备和存储介质 | |
US11182873B2 (en) | Multiple source watermarking for surveillance | |
CN111163130A (zh) | 一种网络服务系统及其数据传输方法 | |
CN111510449A (zh) | 基于图像大数据的攻击行为挖掘方法及大数据平台服务器 | |
CN112799925A (zh) | 数据采集方法、装置、电子设备和可读存储介质 | |
CN113949697A (zh) | 数据分发方法、装置、电子设备及存储介质 | |
CN113680074B (zh) | 业务信息的推送方法、装置、电子设备及可读介质 | |
US20200004785A1 (en) | Automatic grouping based on user behavior | |
CN111722994A (zh) | 一种任务请求的响应方法及设备 | |
CN112135199B (zh) | 基于多类型视频源的视频播放方法及相关设备 | |
CN115208671A (zh) | 防火墙配置方法、装置、电子设备和存储介质 | |
CN115242872A (zh) | 数据处理方法、装置、计算机设备及可读存储介质 | |
CN114385951A (zh) | 站点内容管理方法、装置、计算机设备及存储介质 | |
CN111143526B (zh) | 一种咨询服务控件配置信息的生成、控制方法及装置 | |
US20160188748A1 (en) | Method for providing information to determine a graph associated with a data item | |
CN113868479A (zh) | 对于业务数据的处理方法及装置 | |
CN110837431A (zh) | 服务控制方法、装置、计算机设备及计算机可读存储介质 | |
CN107305610B (zh) | 访问路径处理的方法和装置、自动机识别的方法、装置和系统 | |
CN114598664A (zh) | 一种任务执行方法及相关装置 | |
CN115981986A (zh) | 一种app内用户行为场景复现方法 | |
CN116126674A (zh) | 接口测试方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |