CN111045849A - 核对异常原因的识别方法、装置、服务器和存储介质 - Google Patents
核对异常原因的识别方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN111045849A CN111045849A CN201911345711.1A CN201911345711A CN111045849A CN 111045849 A CN111045849 A CN 111045849A CN 201911345711 A CN201911345711 A CN 201911345711A CN 111045849 A CN111045849 A CN 111045849A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- abnormality
- classifier
- data
- cause
- 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.)
- Pending
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000002159 abnormal effect Effects 0.000 claims abstract description 199
- 238000012549 training Methods 0.000 claims description 52
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 8
- 230000003287 optical effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000003203 everyday effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0766—Error or fault reporting or storing
Abstract
本发明实施例提供了一种核对异常原因的识别方法、装置、服务器和存储介质。该核对异常原因的识别方法包括：获取核对异常时产生的异常数据；根据预设分类器对所述异常数据进行预测得到异常原因；将所述异常原因通知用户。通过预设分类器对异常数据预测直接得到异常原因，达到降低人力成本，提高分析异常原因的效率的效果。
Description
技术领域
本发明实施例涉及业务核对技术领域，尤其涉及一种核对异常原因的识别方法、装置、服务器和存储介质。
背景技术
随着计算机的迅速发展，利用计算机实现自动的业务核对也越来越普遍。
目前，在使用核对系统进行业务的核对时，正常情况下会在每天的一个预设时间去批量运行一次核对脚本，对各业务场景的数据进行核对。在核对时产生的异常数据，由相关人员去核实处理，分析异常原因，运营部门每天会统计差异数量和对应的差异原因。
然而，核对差异每日不尽相同，异常原因不同定位复杂，所以导致浪费大量人力去核实异常问题。尤其是出现大量差异时，人工还没分析出异常原因，又会新增异常，大大影响了效率。
发明内容
本发明实施例提供一种核对异常原因的识别方法、装置、服务器和存储介质，以实现降低人力成本，提高分析异常原因的效率的效果。
第一方面，本发明实施例提供了一种核对异常原因的识别方法，包括：
获取核对异常时产生的异常数据；
根据预设分类器对所述异常数据进行预测得到异常原因；
将所述异常原因通知用户。
可选的，在所述根据预设分类器对所述异常数据进行预测得到异常原因之前，包括：
获取至少一组历史异常数据；
标识每一组历史异常数据对应的历史异常原因；
将标识后的历史异常数据作为训练数据；
基于所述训练数据对分类器进行训练得到所述预设分类器。
可选的，分类器包括多个子分类器，所述基于所述训练数据对分类器进行训练得到所述预设分类器，包括：
基于所述训练数据对所述多个子分类器进行训练；
对训练好的多个子分类器进行交叉验证，确定每一个子分类器的预测准确程度；
将所述预测准确程度最高的子分类器作为所述预设分类器对所述异常数据进行预测。
可选的，所述获取核对异常时产生的异常数据，包括：
获取不同业务场景下核对异常产生的异常数据。
可选的，所述历史异常数据包括业务场景标识、发生时间、异常时间间隔和/或异常频率，所述标识每一组历史异常数据对应的历史异常原因，包括：
标识业务场景ID、发生时间、异常时间间隔和/或异常频率对应的历史异常原因。
可选的，所述预设分类器通过监督学习模型进行训练。
可选的，所述预设分类器包括决策树、逻辑回归、朴素贝叶斯、机器学习等其中的一项或多项。
第二方面，本发明实施例提供了一种核对异常原因的识别装置，包括：
获取模块，用于获取核对异常时产生的异常数据；
预测模块，用于根据预设分类器对所述异常数据进行预测得到异常原因；
通知模块，用于将所述异常原因通知用户。
第三方面，本发明实施例提供了一种服务器，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明任意实施例所述的核对异常原因的识别方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所述的核对异常原因的识别方法。
本发明实施例通过获取核对异常时产生的异常数据；根据预设分类器对所述异常数据进行预测得到异常原因；将所述异常原因通知用户，解决了核对差异每日不尽相同，异常原因不同定位复杂，所以导致浪费大量人力去核实异常问题，分析异常原因效率低下的问题，实现了降低人力成本，提高分析异常原因的效率的效果。
附图说明
图1是本发明实施例一提供的一种核对异常原因的识别方法的流程示意图；
图2是本发明实施例二提供的一种核对异常原因的识别方法的流程示意图；
图3是本发明实施例三提供的一种核对异常原因的识别装置的结构示意图；
图4是本发明实施例四提供的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
此外，术语“第一”、“第二”等可在本文中用于描述各种方向、动作、步骤或元件等，但这些方向、动作、步骤或元件不受这些术语限制。这些术语仅用于将第一个方向、动作、步骤或元件与另一个方向、动作、步骤或元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一信息为第二信息，且类似地，可将第二信息称为第一信息。第一信息和第二信息两者都是信息，但其不是同一信息。术语“第一”、“第二”等而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
实施例一
图1为本发明实施例一提供的一种核对异常原因的识别方法的流程示意图，可适用于通过训练好的预设分类器对异常数据预测得到异常原因的场景，该方法可以由核对异常原因的识别装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。
如图1所示，本发明实施例一提供的核对异常原因的识别方法包括：
S110、获取核对异常时产生的异常数据。
其中，异常数据是指在核对业务时没有核对成功的数据。具体的，异常数据是核对系统在自动核对不同业务场景下的核对任务时产生的异常数据。示例性的，核对异常可以是对账的金额没有对平(例如用户的已还款金额和待还款金额的总和，与贷款的总金额不一致)；还可以是缺失对账数据；还可以是贷款调单，无法获取贷款数据等异常，此处不作限制。则异常数据为不同核对异常时的数据。在本实施例中，可选的，异常数据包括但不限于业务场景ID、发生时间、异常时间间隔和异常频率其中的一项或多项，此处不作限制。
在一个可选的实施方式中，获取核对异常时产生的异常数据可以包括：
获取不同业务场景下核对异常产生的异常数据。
其中，业务场景是指核对的业务类型。示例性的，业务场景可以是金额的核对，也可以账单的核对状态，还可以是数据是否缺失的核对等，此处不作限制。通过获取不同业务场景下的异常数据，可以满足各业务场景的接入，适配性更好。
S120、根据预设分类器对所述异常数据进行预测得到异常原因。
其中，预设分类器是指已经训练好的分类器，用来对异常数据进行分析预测得到异常原因。在本实施例中，可选的，所述预设分类器通过监督学习模型进行训练。监督学习模型是指用已知某种或某些特性的样本作为训练集进行训练。具体的，由于运营会统计每天的异常数量和异常原因，异常原因是已知的，因此可以采用监督学习模型进行训练。可选的，在训练时，可以通过接口直接获取运营统计的数据，以节省训练的时间。可选的，所述预设分类器包括决策树、逻辑回归、朴素贝叶斯、机器学习等其中的一项或多项。由于对预设分类器进行训练时的正负样本差异大，优选的，预设分类器为逻辑回归。具体的，可以通过欠采样或过采样结合逻辑回归，从而降低过拟合的风险，提高泛化能力。
异常原因是指产生此异常数据的原因。在本实施例中，异常原因是指通过向预设分类器输入异常数据，预设分类器预测的异常原因。示例性的，当发生贷款掉单的异常时，通过预设分类器可以预测得出是中台系统调接口异常的异常原因，或者是数据库获取异常的异常原因等，实际情况可以根据预设分类器输出的异常原因确定，此处不作限制。
S130、将所述异常原因通知用户。
其中，在预设分类器预测得到异常原因后，将异常原因通知用户，以供用户可以根据异常原因快速定位进行处理。具体的，可以将异常原因以可视化的形式通知用户，例如在系统的界面上显示，此处不作限制。
本发明实施例的技术方案，通过获取核对异常时产生的异常数据；根据预设分类器对所述异常数据进行预测得到异常原因；将所述异常原因通知用户，不需要通过人工对异常数据进行分析异常原因，直接通过训练好的预设分类器预测得到异常原因，用户只需要根据预设分类器预测的分类原因，进行定位处理，不再需要人工干预，而且预设分类器预测的时间也非常短，达到降低人力成本，提高分析异常原因的效率的技术效果。
实施例二
图2是本发明实施例二提供的一种核对异常原因的识别方法的流程示意图。本实施例是在上述技术方案的进一步细化，适用于通过训练好的预设分类器对异常数据预测得到异常原因的场景。该方法可以由核对异常原因的识别装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。
如图2所示，本发明实施例二提供的核对异常原因的识别方法包括：
S210、获取至少一组历史异常数据。
其中，历史异常数据是指在历史核对异常时的异常数据。在本实施例中，可选的，历史异常数据可以通过运营部门统计的表数据进行获取。具体的，运营部门每天都会对异常的原因、发生的时间、发生的频率等数据进行统计，并制作成表数据。通过表数据进行获取，体现了对历史数据的利用，获取的方式更便捷简单。
S220、标识每一组历史异常数据对应的历史异常原因。
其中，标识是指对历史异常数据对应的历史异常原因打标，从而构建训练集对分类器训练得到预测异常原因的预设分类器。本实施例中的预设分类器是通过监督学习进行训练，因此要对历史异常数据进行标注。
在一个可选的实施方式中，所述历史异常数据包括业务场景标识、发生时间、异常时间间隔和/或异常频率，所述标识每一组历史异常数据对应的历史异常原因，可以包括：
标识业务场景ID、发生时间、异常时间间隔和/或异常频率对应的历史异常原因。
其中，业务场景ID(Identity document，身份标识号)是指区分具体业务场景的号码。具体的，可以给不同的业务场景分配唯一的ID号，则可以通过业务场景ID判断发生异常的具体业务场景。发生时间是指发生核对异常的时间。异常时间间隔是指距离上一次异常的时间。具体的，异常时间间隔可以是距离上一次发生相同异常的时间，也可以是距离上一次异常的时间(不管是否为相同的异常)，此处不作限制。示例性的，当本次发生金额核对异常时，则异常时间间隔可以是距离上一次发生金额核对异常的间隔时间，也可以是具体本次发生金额核对异常的最近一次异常(可以是金额核对异常，也可以是其他异常)的间隔时间，此处不作限制。异常频率是指相同异常发生的频率。具体的，异常频率可以通过预设时段内的相同异常的次数确定，即次数/预设时间得到异常频率。
在人工智能领域中，在构建训练集进行训练时，不同的属性会影响训练的准确度。在本实施例中，将业务场景ID、发生时间、异常时间间隔和/或异常频率作为属性构建训练集，训练得到的预设分类器的预测结果更加准确。在本实施方式中，优选的，同时标识业务场景ID、发生时间、异常时间间隔和异常频率对应的历史异常原因。
S230、将标识后的历史异常数据作为训练数据。
其中，将标识后的历史异常数据作为训练数据，即构建训练集。将训练集输入到分类器中进行训练，以得到预设分类器。在本实施例中，优选的，训练数据的总数量为5000-20000个。优选的，训练数据的总数量为10000个。
S240、基于所述训练数据对分类器进行训练得到所述预设分类器。
具体的，通过训练数据对分类器进行训练后，可以得到用来预测异常原因的预设分类器。
在一个可选的实施方式中，分类器包括多个子分类器，基于所述训练数据对分类器进行训练得到所述预设分类器，可以包括：
基于所述训练数据对所述多个子分类器进行训练；
对训练好的多个子分类器进行交叉验证，确定每一个子分类器的预测准确程度；
将所述预测准确程度最高的子分类器作为所述预设分类器对所述异常数据进行预测。
其中，多个子分类器是指通过不同训练模型训练得到的子分类器。交叉验证是指对训练好的多个子分类器预测准确效果的验证。具体的，可以是通过测试集对子分类器进行预测准确效果的验证；还可以是用于实际预测异常原因的结果比对进行验证，例如将多个子分类器对新的异常数据的预测，与人工实际查找的真实原因的结果进行比对，从而确定不同子分类器的预测准确程度，此处不作限制。在本实施例中，将预测准确程度最高的子分类器作为预设分类器对异常数据进行预测。
S250、获取核对异常时产生的异常数据。
其中，异常数据是指在核对业务时没有核对成功的数据。具体的，异常数据是核对系统在自动核对不同业务场景下的核对任务时产生的异常数据。示例性的，核对异常可以是对账的金额没有对平(例如用户的已还款金额和待还款金额的总和，与贷款的总金额不一致)；还可以是缺失对账数据；还可以是贷款调单，无法获取贷款数据等异常，此处不作限制。则异常数据为不同核对异常时的数据。在本实施例中，可选的，异常数据包括但不限于业务场景ID、发生时间、异常时间间隔和异常频率其中的一项或多项，此处不作限制。
S260、根据预设分类器对所述异常数据进行预测得到异常原因。
其中，预设分类器是指已经训练好的分类器，用来对异常数据进行分析预测得到异常原因。在本实施例中，可选的，所述预设分类器通过监督学习模型进行训练。监督学习模型是指用已知某种或某些特性的样本作为训练集进行训练。具体的，由于运营会统计每天的异常数量和异常原因，异常原因是已知的，因此可以采用监督学习模型进行训练。可选的，所述预设分类器包括决策树、逻辑回归、朴素贝叶斯、机器学习等其中的一项或多项。由于对预设分类器进行训练时的正负样本差异大，优选的，预设分类器为逻辑回归。具体的，可以通过欠采样或过采样结合逻辑回归，从而降低过拟合的风险，提高泛化能力。
异常原因是指产生此异常数据的原因。在本实施例中，异常原因是指通过向预设分类器输入异常数据，预设分类器预测的异常原因。示例性的，当发生贷款掉单的异常时，通过预设分类器可以预测得出是中台系统调接口异常的异常原因，或者是数据库获取异常的异常原因等，实际情况可以根据预设分类器输出的异常原因确定，此处不作限制。
S270、将所述异常原因通知用户。
其中，在预设分类器预测得到异常原因后，将异常原因通知用户，以供用户可以根据异常原因快速定位进行处理。具体的，可以将异常原因以可视化的形式通知用户，例如在系统的界面上显示，此处不作限制。
本发明实施例的技术方案，通过获取核对异常时产生的异常数据；根据预设分类器对所述异常数据进行预测得到异常原因；将所述异常原因通知用户，不需要通过人工对异常数据进行分析异常原因，直接通过训练好的预设分类器预测得到异常原因，用户只需要根据预设分类器预测的分类原因，进行定位处理，不再需要人工干预，而且预设分类器预测的时间也非常短，达到降低人力成本，提高分析异常原因的效率的技术效果。
实施例三
图3是本发明实施例三提供的一种核对异常原因的识别装置的结构示意图，本实施例可适用于通过训练好的预设分类器对异常数据预测得到异常原因的场景，该装置可以采用软件和/或硬件的方式实现，并可集成在服务器上。
如图3所示，本实施例提供的核对异常原因的识别装置可以包括获取模块310、预测模块320和通知模块330，其中：
获取模块310，用于获取核对异常时产生的异常数据；
预测模块320，用于根据预设分类器对所述异常数据进行预测得到异常原因；
通知模块330，用于将所述异常原因通知用户。
可选的，该获取模块310还用于获取至少一组历史异常数据；
该装置还包括：
标识模块，用于标识每一组历史异常数据对应的历史异常原因；将标识后的历史异常数据作为训练数据；
训练模块，用于基于所述训练数据对分类器进行训练得到所述预设分类器。
可选的，分类器包括多个子分类器，该训练模块包括：
训练单元，用于基于所述训练数据对所述多个子分类器进行训练；
验证单元，用于对训练好的多个子分类器进行交叉验证，确定每一个子分类器的预测准确程度；将所述预测准确程度最高的子分类器作为所述预设分类器对所述异常数据进行预测。
可选的，该获取模块310具体用于获取不同业务场景下核对异常产生的异常数据。
可选的，所述历史异常数据包括业务场景标识、发生时间、异常时间间隔和/或异常频率，该标识模块具体用于标识业务场景ID、发生时间、异常时间间隔和/或异常频率对应的历史异常原因。
可选的，所述预设分类器通过监督学习模型进行训练。
可选的，所述预设分类器包括决策树、逻辑回归、朴素贝叶斯、机器学习等其中的一项或多项。
本发明实施例所提供的核对异常原因的识别装置可执行本发明任意实施例所提供的核对异常原因的识别方法，具备执行方法相应的功能模块和有益效果。本发明实施例中未详尽描述的内容可以参考本发明任意方法实施例中的描述。
实施例四
图4是本发明实施例四提供的一种服务器的结构示意图。图4示出了适于用来实现本发明实施方式的示例性服务器612的框图。图4显示的服务器612仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，服务器612以通用服务器的形式表现。服务器612的组件可以包括但不限于：一个或者多个处理器616，存储装置628，连接不同系统组件(包括存储装置628和处理器616)的总线618。
总线618表示几类总线结构中的一种或多种，包括存储装置总线或者存储装置控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance，ISA)总线，微通道体系结构(Micro Channel Architecture，MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics Standards Association，VESA)局域总线以及外围组件互连(Peripheral Component Interconnect，PCI)总线。
服务器612典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器612访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
存储装置628可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory，RAM)630和/或高速缓存存储器632。终端612可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统634可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘，例如只读光盘(Compact Disc Read-Only Memory，CD-ROM),数字视盘(Digital Video Disc-Read Only Memory，DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线618相连。存储装置628可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块642的程序/实用工具640，可以存储在例如存储装置628中，这样的程序模块642包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块642通常执行本发明所描述的实施例中的功能和/或方法。
服务器612也可以与一个或多个外部设备614(例如键盘、指向终端、显示器624等)通信，还可与一个或者多个使得用户能与该服务器612交互的终端通信，和/或与使得该服务器612能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口622进行。并且，服务器612还可以通过网络适配器620与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide AreaNetwork，WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器620通过总线618与服务器612的其它模块通信。应当明白，尽管图中未示出，可以结合服务器612使用其它硬件和/或软件模块，包括但不限于：微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks，RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器616通过运行存储在存储装置628中的程序，从而执行各种功能应用以及数据处理，例如实现本发明任意实施例所提供的一种核对异常原因的识别方法，该方法可以包括：
获取核对异常时产生的异常数据；
根据预设分类器对所述异常数据进行预测得到异常原因；
将所述异常原因通知用户。
本发明实施例的技术方案，通过获取核对异常时产生的异常数据；根据预设分类器对所述异常数据进行预测得到异常原因；将所述异常原因通知用户，不需要通过人工对异常数据进行分析异常原因，直接通过训练好的预设分类器预测得到异常原因，用户只需要根据预设分类器预测的分类原因，进行定位处理，不再需要人工干预，而且预设分类器预测的时间也非常短，达到降低人力成本，提高分析异常原因的效率的技术效果。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的一种核对异常原因的识别方法，该方法可以包括：
获取核对异常时产生的异常数据；
根据预设分类器对所述异常数据进行预测得到异常原因；
将所述异常原因通知用户。
本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
存储介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本发明实施例的技术方案，通过获取核对异常时产生的异常数据；根据预设分类器对所述异常数据进行预测得到异常原因；将所述异常原因通知用户，不需要通过人工对异常数据进行分析异常原因，直接通过训练好的预设分类器预测得到异常原因，用户只需要根据预设分类器预测的分类原因，进行定位处理，不再需要人工干预，而且预设分类器预测的时间也非常短，达到降低人力成本，提高分析异常原因的效率的技术效果。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种核对异常原因的识别方法，其特征在于，包括：
获取核对异常时产生的异常数据；
根据预设分类器对所述异常数据进行预测得到异常原因；
将所述异常原因通知用户。
2.如权利要求1所述的核对异常原因的识别方法，其特征在于，在所述根据预设分类器对所述异常数据进行预测得到异常原因之前，包括：
获取至少一组历史异常数据；
标识每一组历史异常数据对应的历史异常原因；
将标识后的历史异常数据作为训练数据；
基于所述训练数据对分类器进行训练得到所述预设分类器。
3.如权利要求2所述的核对异常原因的识别方法，其特征在于，分类器包括多个子分类器，所述基于所述训练数据对分类器进行训练得到所述预设分类器，包括：
基于所述训练数据对所述多个子分类器进行训练；
对训练好的多个子分类器进行交叉验证，确定每一个子分类器的预测准确程度；
将所述预测准确程度最高的子分类器作为所述预设分类器对所述异常数据进行预测。
4.如权利要求1所述的核对异常原因的识别方法，其特征在于，所述获取核对异常时产生的异常数据，包括：
获取不同业务场景下核对异常产生的异常数据。
5.如权利要求2所述的核对异常原因的识别方法，其特征在于，所述历史异常数据包括业务场景标识、发生时间、异常时间间隔和/或异常频率，所述标识每一组历史异常数据对应的历史异常原因，包括：
标识业务场景ID、发生时间、异常时间间隔和/或异常频率对应的历史异常原因。
6.如权利要求1-5任一项所述的核对异常原因的识别方法，其特征在于，所述预设分类器通过监督学习模型进行训练。
7.如权利要求1-5任一项所述的核对异常原因的识别方法，其特征在于，所述预设分类器包括决策树、逻辑回归、朴素贝叶斯、机器学习等其中的一项或多项。
8.一种核对异常原因的识别装置，其特征在于，包括：
获取模块，用于获取核对异常时产生的异常数据；
预测模块，用于根据预设分类器对所述异常数据进行预测得到异常原因；
通知模块，用于将所述异常原因通知用户。
9.一种服务器，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一项所述的核对异常原因的识别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的核对异常原因的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911345711.1A CN111045849A (zh) | 2019-12-24 | 2019-12-24 | 核对异常原因的识别方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911345711.1A CN111045849A (zh) | 2019-12-24 | 2019-12-24 | 核对异常原因的识别方法、装置、服务器和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111045849A true CN111045849A (zh) | 2020-04-21 |
Family
ID=70238909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911345711.1A Pending CN111045849A (zh) | 2019-12-24 | 2019-12-24 | 核对异常原因的识别方法、装置、服务器和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111045849A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111966515A (zh) * | 2020-07-16 | 2020-11-20 | 招联消费金融有限公司 | 业务异常数据处理方法、装置、计算机设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107577769A (zh) * | 2017-09-06 | 2018-01-12 | 河南腾龙信息工程有限公司 | 一种计量专业数据的挖掘方法及系统 |
| US20180174062A1 (en) * | 2016-12-21 | 2018-06-21 | Ca, Inc. | Root cause analysis for sequences of datacenter states |
| US20180248905A1 (en) * | 2017-02-24 | 2018-08-30 | Ciena Corporation | Systems and methods to detect abnormal behavior in networks |
| CN110119989A (zh) * | 2019-04-24 | 2019-08-13 | 平安科技（深圳）有限公司 | 异常对账列表处理方法、装置、计算机设备及存储介质 |
| CN110175916A (zh) * | 2019-04-26 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 资金流核对方法及装置 |
-
2019
- 2019-12-24 CN CN201911345711.1A patent/CN111045849A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180174062A1 (en) * | 2016-12-21 | 2018-06-21 | Ca, Inc. | Root cause analysis for sequences of datacenter states |
| US20180248905A1 (en) * | 2017-02-24 | 2018-08-30 | Ciena Corporation | Systems and methods to detect abnormal behavior in networks |
| CN107577769A (zh) * | 2017-09-06 | 2018-01-12 | 河南腾龙信息工程有限公司 | 一种计量专业数据的挖掘方法及系统 |
| CN110119989A (zh) * | 2019-04-24 | 2019-08-13 | 平安科技（深圳）有限公司 | 异常对账列表处理方法、装置、计算机设备及存储介质 |
| CN110175916A (zh) * | 2019-04-26 | 2019-08-27 | 阿里巴巴集团控股有限公司 | 资金流核对方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111966515A (zh) * | 2020-07-16 | 2020-11-20 | 招联消费金融有限公司 | 业务异常数据处理方法、装置、计算机设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108197658B (zh) | 图像标注信息处理方法、装置、服务器及系统 | |
| CN109284269B (zh) | 异常日志分析方法、装置、存储介质及服务器 | |
| US20210064518A1 (en) | Methods Circuits Devices Systems and Functionally Associated Machine Executable Code For Automatic Failure Cause Identification in Software Code Testing | |
| CN109871315B (zh) | 基于机器学习的系统升级失败的诊断方法及装置 | |
| CN110471945B (zh) | 活跃数据的处理方法、系统、计算机设备和存储介质 | |
| CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
| CN110688111A (zh) | 业务流程的配置方法、装置、服务器和存储介质 | |
| CN110647523B (zh) | 数据质量的分析方法及装置、存储介质、电子设备 | |
| CN115034596A (zh) | 一种风险传导预测方法、装置、设备和介质 | |
| CN110602207A (zh) | 基于离网预测推送信息的方法、装置、服务器和存储介质 | |
| CN113127050B (zh) | 一种应用资源打包过程监控方法、装置、设备和介质 | |
| CN110675249A (zh) | 网络借贷的匹配方法、装置、服务器和存储介质 | |
| CN111045849A (zh) | 核对异常原因的识别方法、装置、服务器和存储介质 | |
| CN111784176A (zh) | 一种数据处理方法、装置、服务器及介质 | |
| CN110471912B (zh) | 一种员工属性信息校验方法、装置及终端设备 | |
| CN110795308A (zh) | 一种服务器检验方法、装置、设备及存储介质 | |
| CN113590484B (zh) | 算法模型服务测试方法、系统、设备及存储介质 | |
| CN113934595A (zh) | 数据分析方法及系统、存储介质及电子终端 | |
| CN113138906A (zh) | 一种调用链数据采集方法、装置、设备及存储介质 | |
| CN116028329A (zh) | 检测代码缺陷的方法、电子设备和计算机程序产品 | |
| CN111427878A (zh) | 数据监控告警方法、装置、服务器和存储介质 | |
| CN112749034A (zh) | 一种数据异常处理方法、装置、存储介质及电子设备 | |
| CN117290257B (zh) | 一种基于插件调用的软件生命周期规范化管理方法及系统 | |
| CN111369346B (zh) | 用户信用的评估方法、装置、服务器和存储介质 | |
| CN115757575A (zh) | 一种检查结果处理方法及装置、存储介质及电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200421 |
|
| RJ01 | Rejection of invention patent application after publication |