CN111368089A - 一种基于知识图谱的业务处理方法及装置 - Google Patents

Abstract

本发明实施例公开了一种基于知识图谱的业务处理方法及装置，方法包括：从业务知识库中提取业务场景数据，构建知识图谱；根据定制化的采集口径将所述知识图谱中的业务场景数据同步至预设处理平台，以使所述预设处理平台对所述业务场景数据进行分析和计算后，将计算结果存储至时序数据库中；根据降维分析算法对所述时序数据库中的所述计算结果进行处理，得到影响当前异常的关键因子，并将所述关键因子同步至业务看板中。本发明实施例通过业务知识库生成知识图谱，且通过降维分析算法得到影响当前异常的关键因子，并将关键因子同步至业务看板中，支持图谱可视化，能够实时计算出业务健康度，有效提升业务管理能力。

Description

一种基于知识图谱的业务处理方法及装置

技术领域

本发明实施例涉及通信技术领域，具体涉及一种基于知识图谱的业务处理方法及装置。

背景技术

业务管理主要面向运维人员、业务人员和管理人员，从多角度、多维度对业务运营状况进行实时监控、实时评估。强调业务的可用性、及时性、准确性、健康度、客户感知以及服务水平等方面的综合管理。主要包括业务图谱、业务健康度管理、服务目录及水平管理、业务数据采集管理等功能。这其中业务图谱是基石，业务健康度是用户对于业务直接感知，这两者属于业务管理最为核心的两个功能。目前业务管理方法主要采用如下方案：

基于图形拓扑：目前业务图形拓扑主要是依靠业务设计初期需求内容而定，再通过人工绘制而成，随着业务变更由运维人员通过日常运维经验人工梳理收集，并以文档的形式存储在知识库中，运维人员通过图形拓扑进行业务数据处理及管理。

基于应用探针探测：对各大业务系统进行代码改造，植入业务探针，获取业务量、平均时长、成功率等业务指标，通过对各业务指标的统计、展示和分析实现业务管理目的。

基于底层资源指标：采集服务器的设备性能数据、服务器中的进程运行情况，以及采集网络设备、服务器、存储设备和终端设备各自的在线状态，根据服务器的设备性能数据、服务器中的进程运行情况，以及根据网络设备、服务器、存储设备和终端设备各自的在线状态，产生警告、预测信息，来实现对于业务管理

目前业务管理方式存在如下缺陷：由于业务知识是由人工记录保存，知识内容样式和标准因人而异，知识理解成本高，很容易随着人员流失，影响知识传承，另外业务拓扑等知识以文本形式储存不具备可扩展性，很难展现业务全局属性，影响业务管理。另一方面，传统的基于应用探针探测来获取业务状态的方案存在系统改造量大，风险不可控的问题：通过应用探针可以较好的获取系统间各环节关键业务指标，但探针植入涉及对核心系统进行代码改造，工作量大，风险不可控。同时，由于微服务化改造，业务复杂度剧增，业务监控指标呈指数增长，传统方式配置工作量大、阈值设置不科学，容易造成告警漏报、误报，靠人工来决策处理效率低、不及时，无法做到对于业务实时管控。

发明内容

由于现有方法存在上述问题，本发明实施例提出一种基于知识图谱的业务处理方法及装置。

第一方面，本发明实施例提出一种基于知识图谱的业务处理方法，包括：

从业务知识库中提取业务场景数据，构建知识图谱；

根据定制化的采集口径将所述知识图谱中的业务场景数据同步至预设处理平台，以使所述预设处理平台对所述业务场景数据进行分析和计算后，将计算结果存储至时序数据库中；

根据降维分析算法对所述时序数据库中的所述计算结果进行处理，得到影响当前异常的关键因子，并将所述关键因子同步至业务看板中。

可选地，所述从业务知识库中提取业务场景数据，构建知识图谱，具体包括：

从业务知识库中提取业务场景数据，从所述业务场景数据的业务故障数据中汇聚出每个业务环节关联的数据，并将每个业务环节关联的数据存储至图形数据库中，并根据各业务环节的业务关联节点之间的依赖逻辑关系构建知识图谱；

其中，一个业务场景对应一个业务知识实体，一个业务实体中包括若干个业务环节的实体和网状的实体调用关系。

可选地，所述降维分析算法为循环神经网络VRNN算法；

相应地，所述根据降维分析算法对所述时序数据库中的所述计算结果进行处理，得到影响当前异常的关键因子，具体包括：

获取所述计算结果中变化范围大于阈值的目标结果，以线性变换的方式将所述目标结果中对应于主要特征的成分映射到低维子空间，并获取所述低维子空间中影响当前异常的关键因子。

可选地，所述获取所述计算结果中变化范围大于阈值的目标结果，以线性变换的方式将所述目标结果中对应于主要特征的成分映射到低维子空间，并获取所述低维子空间中影响当前异常的关键因子，具体包括：

计算伯努利随机变量分布ρ的期望值

其中：h和j分别表示表示层h中第j个神经元，a_i表示第i个流程环节，m为训练样本数量，x表示训练样本；

获取

中KL散度最高的关键因子。

第二方面，本发明实施例还提出一种基于知识图谱的业务处理装置，包括：

图谱构建模块，用于从业务知识库中提取业务场景数据，构建知识图谱；

数据同步模块，用于根据定制化的采集口径将所述知识图谱中的业务场景数据同步至预设处理平台，以使所述预设处理平台对所述业务场景数据进行分析和计算后，将计算结果存储至时序数据库中；

结果处理模块，用于根据降维分析算法对所述时序数据库中的所述计算结果进行处理，得到影响当前异常的关键因子，并将所述关键因子同步至业务看板中。

可选地，所述图谱构建模块具体用于从业务知识库中提取业务场景数据，从所述业务场景数据的业务故障数据中汇聚出每个业务环节关联的数据，并将每个业务环节关联的数据存储至图形数据库中，并根据各业务环节的业务关联节点之间的依赖逻辑关系构建知识图谱；

其中，一个业务场景对应一个业务知识实体，一个业务实体中包括若干个业务环节的实体和网状的实体调用关系。

可选地，所述降维分析算法为循环神经网络VRNN算法；

相应地，所述结果处理模块具体用于获取所述计算结果中变化范围大于阈值的目标结果，以线性变换的方式将所述目标结果中对应于主要特征的成分映射到低维子空间，并获取所述低维子空间中影响当前异常的关键因子。

可选地，所述结果处理模块具体用于：

计算伯努利随机变量分布ρ的期望值

其中：h和j分别表示表示层h中第j个神经元，a_i表示第i个流程环节，m为训练样本数量，x表示训练样本；

获取

中KL散度最高的关键因子。

第三方面，本发明实施例还提出一种电子设备，包括：

至少一个处理器；以及

与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述方法。

第四方面，本发明实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述方法。

由上述技术方案可知，本发明实施例通过业务知识库生成知识图谱，且通过降维分析算法得到影响当前异常的关键因子，并将关键因子同步至业务看板中，支持图谱可视化，能够实时计算出业务健康度，有效提升业务管理能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些图获得其他的附图。

图1为本发明一实施例提供的一种基于知识图谱的业务处理方法的流程示意图；

图2为本发明一实施例提供的一种基于知识图谱的业务处理装置的结构示意图；

图3为本发明一实施例提供的一种开户场景的知识图谱示意图；

图4为本发明一实施例提供的一种VRNN算法获取异常示意图；

图5为本发明一实施例提供的一种VOLTE开户健康度计算中抓取异常示意图；

图6为本发明一实施例提供的一种开户场景业务看板示意图；

图7为本发明一实施例提供的一种基于知识图谱的业务处理装置的结构示意图；

图8为本发明一实施例提供的电子设备的逻辑框图。

具体实施方式

下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

图1示出了本实施例提供的一种基于知识图谱的业务处理方法的流程示意图，包括：

S101、从业务知识库中提取业务场景数据，构建知识图谱。

其中，所述业务知识库为现有的存储业务数据的数据库。

所述业务场景数据为各个业务场景相关的数据，一个业务场景对应一个业务知识实体，常见的业务场景如4G开户、宽带开户、家庭统一支付、统一下单等等；一个业务实体中通常包含了多个流程环节实体以及网状的实体调用关系。

所述知识图谱为根据节点之间的依赖逻辑关系生成的图谱。

S102、根据定制化的采集口径将所述知识图谱中的业务场景数据同步至预设处理平台，以使所述预设处理平台对所述业务场景数据进行分析和计算后，将计算结果存储至时序数据库中。

具体地，可以通过Flume Agent日志采集技术，把CRM、BOSS、渠道等业务承载平台的业务操作日志，按照定制化的采集口径，实时同步到kafka，并通过storm集群快速完成数据的分析和计算，在迭代式和交互式数据处理环节下可实现低延迟传输(时延为秒级)，计算结果存入在hbase等时序数据库中，为健康度计算模型提供实时数据。

S103、根据降维分析算法对所述时序数据库中的所述计算结果进行处理，得到影响当前异常的关键因子，并将所述关键因子同步至业务看板中。

其中，所述降维分析算法为一种将原有分析维度进行降低处理的机器学习方法。

本实施例通过业务知识库生成知识图谱，且通过降维分析算法得到影响当前异常的关键因子，并将关键因子同步至业务看板中，支持图谱可视化，能够实时计算出业务健康度，有效提升业务管理能力。

进一步地，在上述方法实施例的基础上，S101具体包括：

从业务知识库中提取业务场景数据，从所述业务场景数据的业务故障数据中汇聚出每个业务环节关联的数据，并将每个业务环节关联的数据存储至图形数据库中，并根据各业务环节的业务关联节点之间的依赖逻辑关系构建知识图谱。

其中，一个业务场景对应一个业务知识实体，一个业务实体中包括若干个业务环节的实体和网状的实体调用关系。

进一步地，在上述方法实施例的基础上，所述降维分析算法为循环神经网络VRNN算法；

相应地，S103中所述根据降维分析算法对所述时序数据库中的所述计算结果进行处理，得到影响当前异常的关键因子，具体包括：

获取所述计算结果中变化范围大于阈值的目标结果，以线性变换的方式将所述目标结果中对应于主要特征的成分映射到低维子空间，并获取所述低维子空间中影响当前异常的关键因子。

进一步地，所述获取所述计算结果中变化范围大于阈值的目标结果，以线性变换的方式将所述目标结果中对应于主要特征的成分映射到低维子空间，并获取所述低维子空间中影响当前异常的关键因子，具体包括：

计算伯努利随机变量分布ρ的期望值

其中：h和j分别表示表示层h中第j个神经元，a_i表示第i个流程环节，m为训练样本数量，x表示训练样本；

获取

中KL散度最高的关键因子。

具体地，图2示出了基于知识图谱的业务处理系统的结构示意图，主要涉及知识谱图构建单元、指标计算单元、业务健康度计算单元以及业务看板单元四个单元。

其中，知识图谱构建单元是从现有业务知识库中，提取业务场景数据。一个业务场景对应了一个业务知识实体，常见的业务场景如4G开户、宽带开户、家庭统一支付、统一下单等等。一个业务实体中通常包含了多个流程环节实体以及网状的实体调用关系，两者的关系如表一：

表1业务场景和流程环节关系矩阵表

从业务故障数据中汇聚出每个业务环节所关联的数据，不同的业务环节所关联的属性各不相同，常见的环节属性包括环节的业务影响、环节对应指标、环节实体类型、环节说明等等，以业务A为例业务场景属性关系表，如表二

环节编号	环节说明	类别	业务影响	指标	属性X
						环节Label1	Name1	Type1	Remark1	Index1...index	Propety1
环节Label2	Name2	Type2	Remark2	Index1...index	Propety2
						环节Label3	Name3	Type3	Remark3	Index1...index	Propety3
环节Label4	Name4	Type4	Remark4	Index1...index	Propety4
						环节Label5	Name5	Type5	Remark5	Index1...index	Propety5
...	Name..	Type..	Remark..	Index1...index	Propety..
						环节LabelX	NameX	TypeX	RemarkX	Index1...index	Propetyx

表2业务场景属性关系矩阵表

上述业务知识数据存入到图形数据库之中，通过节点之间的依赖逻辑关系，生成知识图谱关系示意图，从环节Label1开始，按照系统的依赖关系循环判断节点之间的关系，从而依次串联起Label2、Label3、Label4...直至循环到最后一个节点结束，实现业务关联节点的关系构建。

在知识图谱关系示意图的基础上，通过融合前台UI元素最终完成面向业务运维人员的图谱展示页面。基于知识图谱的展示页面中业务运维人员可灵活操作调整图形中节点类型调整、节点属性调整、节点关系调整，节点位置等图形元素参数，最终达到符合业务运维人员认知的业务图形数据。以开户为例，生成效果图如图3所示。

指标计算单元通过Flume Agent日志采集技术，把CRM、BOSS、渠道等业务承载平台的业务操作日志，按照定制化的采集口径，实时同步到kafka，并通过storm集群快速完成数据的分析和计算，在迭代式和交互式数据处理环节下可实现低延迟传输(时延为秒级)，计算结果存入在hbase等时序数据库中，为健康度计算模型提供实时数据。

业务健康度计算单元通过VRNN算法可以很好的解决多维度时间序列的异常检测，尤其对于无明显周期性，人工判断比较困难的业务数据，可以快速从几十维甚至上百维向量中得出影响当前异常的关键因子。VRNN算法是一种降维分析方法，主要思路是聚焦于数据中变化范围较大的部分而忽略基本无变化的部分，以线性变换的方式将原数据中对应于主要特征的成分映射到低维子空间，并以低维空间的映射结果作为原始数据的特征和判断异常的依据。

实现基本原理如下：

1、正则化：我们可以添加一个对损失函数的正则化项，在h层中为观察i惩罚激活a的向量值的绝对值，使用微调参数λ进行缩放。

2、KL-散度(相对熵):本质上，KL散度是两个概率分布差异的度量。我们可以定义一个参数ρ稀疏，它表示一个神经元在样本集合上的平均激活。这种期望可以计算为

下标j表示表示层h中特定的神经元,对m个训练观察的表征x的激活求和。本质上，通过限制一个神经元在样本集合上的平均激活，只对观测的一个子集进行激活。我们可以将ρ描述为一个伯努利随机变量分布，利用KL散度来比较理想的分布在所有隐藏层节点上的观察分布，结果中KL散度最高的可以认为是检测异常中可能性最高的因子。如图4所示，图中数据点在S_d方向的变化范围很大，而在S_a维度上变化范围相对较小，基于观察数据可以认为仅通过S_d一个维度即可呈现出数据的正常模式，而偏离这个正常模式的数据可以被认为是异常。数学上通过求解高维数据矩阵的特征值和特征向量来得到主成分的维度，当一个新数据需要判断异常时，我们把它投影到正交于主成分维度的‘异常维度’并计算距离，超过某个阈值时认为这是一个异常数据。

以VOLTE开户为例，对于几十个指标维度当中，通过VRNN算法计算可以检测出三个超过正常标准的异常时刻，如图5所示，对于其中两个显著的时刻而言可以看出VOLTE RTP上行丢包率和下行丢包率对异常的贡献度最高。可以帮助运维人员快速做出决策来解决业务问题，提升业务管理能力。

业务看板单元通过健康度模型计算之后，把结果同步到业务看板中，业务看板可以看作是业务管理装置的最终应用。通过业务知识图谱以及实时计算出的业务健康度结果相结合，向运维人员展示了业务端到端的全景视图，从看板中可以快速有效的得出当前业务健康情况以及问题所在，极大的提升了运维的业务管理能力，以开户为例业务看板效果图如图6所示。

基于图形数据库和前端框架实现业务知识电子化、业务图谱可视化以及业务属性配置化，通过自助输出图谱以及支持灵活调整等特性来降低业务运营复杂度，提升业务管理效率；同时，基于业务健康度计算模型，运用VRNN算法进行深度神经网络训练，自动进行健康度检查以及问题定位。

本实施例通过知识图谱技术，更好的实现知识可视化输出，以及业务属性灵活调整。通过VRNN机器学习算法实时自动检测出业务健康状态并实现业务问题快速定位，无需人工配置阈值，减少人工决策的过程，极大缩短了业务故障影响，降低业务运营复杂度，提升业务管理的效率。

图7示出了本实施例提供的一种基于知识图谱的业务处理装置的结构示意图，所述装置包括：图谱构建模块701、数据同步模块702和结果处理模块703，其中：

所述图谱构建模块701用于从业务知识库中提取业务场景数据，构建知识图谱；

所述数据同步模块702用于根据定制化的采集口径将所述知识图谱中的业务场景数据同步至预设处理平台，以使所述预设处理平台对所述业务场景数据进行分析和计算后，将计算结果存储至时序数据库中；

所述结果处理模块703用于根据降维分析算法对所述时序数据库中的所述计算结果进行处理，得到影响当前异常的关键因子，并将所述关键因子同步至业务看板中。

具体地，所述图谱构建模块701从业务知识库中提取业务场景数据，构建知识图谱；所述数据同步模块702根据定制化的采集口径将所述知识图谱中的业务场景数据同步至预设处理平台，以使所述预设处理平台对所述业务场景数据进行分析和计算后，将计算结果存储至时序数据库中；所述结果处理模块703根据降维分析算法对所述时序数据库中的所述计算结果进行处理，得到影响当前异常的关键因子，并将所述关键因子同步至业务看板中。

本实施例通过业务知识库生成知识图谱，且通过降维分析算法得到影响当前异常的关键因子，并将关键因子同步至业务看板中，支持图谱可视化，能够实时计算出业务健康度，有效提升业务管理能力。

进一步地，在上述装置实施例的基础上，所述图谱构建模块具体用于从业务知识库中提取业务场景数据，从所述业务场景数据的业务故障数据中汇聚出每个业务环节关联的数据，并将每个业务环节关联的数据存储至图形数据库中，并根据各业务环节的业务关联节点之间的依赖逻辑关系构建知识图谱；

其中，一个业务场景对应一个业务知识实体，一个业务实体中包括若干个业务环节的实体和网状的实体调用关系。

进一步地，在上述装置实施例的基础上，所述降维分析算法为循环神经网络VRNN算法；

相应地，所述结果处理模块具体用于获取所述计算结果中变化范围大于阈值的目标结果，以线性变换的方式将所述目标结果中对应于主要特征的成分映射到低维子空间，并获取所述低维子空间中影响当前异常的关键因子。

进一步地，在上述装置实施例的基础上，所述结果处理模块具体用于：

计算伯努利随机变量分布ρ的期望值

其中：h和j分别表示表示层h中第j个神经元，a_i表示第i个流程环节，m为训练样本数量，x表示训练样本；

获取

中KL散度最高的关键因子。

参照图8，所述电子设备，包括：处理器(processor)801、存储器(memory)802和总线803；

其中，

所述处理器801和存储器802通过所述总线803完成相互间的通信；

所述处理器801用于调用所述存储器802中的程序指令，以执行上述各方法实施例所提供的方法。

本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法。

本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。

以上所描述的装置实施例仅仅是示意性的，其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，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于知识图谱的业务处理方法，其特征在于，包括：

从业务知识库中提取业务场景数据，构建知识图谱；

根据定制化的采集口径将所述知识图谱中的业务场景数据同步至预设处理平台，以使所述预设处理平台对所述业务场景数据进行分析和计算后，将计算结果存储至时序数据库中；

根据降维分析算法对所述时序数据库中的所述计算结果进行处理，得到影响当前异常的关键因子，并将所述关键因子同步至业务看板中。

2.根据权利要求1所述的方法，其特征在于，所述从业务知识库中提取业务场景数据，构建知识图谱，具体包括：

从业务知识库中提取业务场景数据，从所述业务场景数据的业务故障数据中汇聚出每个业务环节关联的数据，并将每个业务环节关联的数据存储至图形数据库中，并根据各业务环节的业务关联节点之间的依赖逻辑关系构建知识图谱；

其中，一个业务场景对应一个业务知识实体，一个业务实体中包括若干个业务环节的实体和网状的实体调用关系。

3.根据权利要求1所述的方法，其特征在于，所述降维分析算法为循环神经网络VRNN算法；

相应地，所述根据降维分析算法对所述时序数据库中的所述计算结果进行处理，得到影响当前异常的关键因子，具体包括：

获取所述计算结果中变化范围大于阈值的目标结果，以线性变换的方式将所述目标结果中对应于主要特征的成分映射到低维子空间，并获取所述低维子空间中影响当前异常的关键因子。

4.根据权利要求3所述的方法，其特征在于，所述获取所述计算结果中变化范围大于阈值的目标结果，以线性变换的方式将所述目标结果中对应于主要特征的成分映射到低维子空间，并获取所述低维子空间中影响当前异常的关键因子，具体包括：

计算伯努利随机变量分布ρ的期望值

其中：h和j分别表示表示层h中第j个神经元，a_i表示第i个流程环节，m为训练样本数量，x表示训练样本；

获取

中KL散度最高的关键因子。

5.一种基于知识图谱的业务处理装置，其特征在于，包括：

图谱构建模块，用于从业务知识库中提取业务场景数据，构建知识图谱；

数据同步模块，用于根据定制化的采集口径将所述知识图谱中的业务场景数据同步至预设处理平台，以使所述预设处理平台对所述业务场景数据进行分析和计算后，将计算结果存储至时序数据库中；

结果处理模块，用于根据降维分析算法对所述时序数据库中的所述计算结果进行处理，得到影响当前异常的关键因子，并将所述关键因子同步至业务看板中。

6.根据权利要求5所述的装置，其特征在于，所述图谱构建模块具体用于从业务知识库中提取业务场景数据，从所述业务场景数据的业务故障数据中汇聚出每个业务环节关联的数据，并将每个业务环节关联的数据存储至图形数据库中，并根据各业务环节的业务关联节点之间的依赖逻辑关系构建知识图谱；

其中，一个业务场景对应一个业务知识实体，一个业务实体中包括若干个业务环节的实体和网状的实体调用关系。

7.根据权利要求5所述的装置，其特征在于，所述降维分析算法为循环神经网络VRNN算法；

相应地，所述结果处理模块具体用于获取所述计算结果中变化范围大于阈值的目标结果，以线性变换的方式将所述目标结果中对应于主要特征的成分映射到低维子空间，并获取所述低维子空间中影响当前异常的关键因子。

8.根据权利要求7所述的装置，其特征在于，所述结果处理模块具体用于：

计算伯努利随机变量分布ρ的期望值

其中：h和j分别表示表示层h中第j个神经元，a_i表示第i个流程环节，m为训练样本数量，x表示训练样本；

获取

中KL散度最高的关键因子。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。

10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行如权利要求1至4任一所述的方法。

Images