CN111985511A - 一种实现任务分级的方法和装置 - Google Patents
一种实现任务分级的方法和装置 Download PDFInfo
- Publication number
- CN111985511A CN111985511A CN201910427974.0A CN201910427974A CN111985511A CN 111985511 A CN111985511 A CN 111985511A CN 201910427974 A CN201910427974 A CN 201910427974A CN 111985511 A CN111985511 A CN 111985511A
- Authority
- CN
- China
- Prior art keywords
- task
- task data
- characteristic information
- information subset
- missing
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
Abstract
本发明公开了一种实现任务分级的方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:接收任务数据,并确定所述任务数据的特征信息;将所述任务数据的特征信息输入训练的任务分级模型,以得到所述任务数据的概率集合;所述概率集合中包括所述任务数据属于每个任务级别的概率值;从所述概率集合中确定出最大概率值,以及将所述最大概率值对应的任务级别确定为所述任务数据的目标级别。该方法能够直接确定任务数据所属的级别,解决了现有技术中必须有人事先规定任务数据所属的级别的问题。并且针对大批量的数据以及级别很多的场景,可快速确定出每个任务数据分别所属的级别。以及,不仅提高了任务分级的准确性,其应用也更加的灵活。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种实现任务分级的方法和装置。
背景技术
在现有技术中,对任务数据进行分级,区分出任务的重要程度,主要是通过流程中心、标签与标签组管理来进行实现的。如图1所示,具体过程包括:创建任务数据,并通过流程中心(任务标签管理)申请将该任务数据关联到某个具体标签。例如,创建的任务数据的名称为exe_dim_ord_det_sku_topn,需要任务创建者确定该任务数据所属的级别为L3-group,L3-group关联的标签为BDP-JDW-预计算核心。所以,任务创建者创建exe_dim_ord_det_sku_topn任务之后,向流程中心申请将exe_dim_ord_det_sku_topn与BDP-JDW-预计算核心关联。在确定任务数据的级别的过程中,确定任务数据关联的标签,然后根据该关联的标签在标签系统确定其所属的级别。
上述现有基于流程中心、标签与标签组管理的任务分级与监控方案主要存在下面的问题:每个标签所属级别是L1还是L2还是L3,完全是人为事先规定的(后续不能随意更改)。如果规定了标签组A对应的级别为L4,且某个任务数据关联到的标签组为A,那么该任务数据的级别只能是L4,很显然当前整体方案过程过于固化,确定任务数据级别的准确性比较低。以及,随着任务数据的规模越来越大,任务数据所属级别的种类也越来越多,人工确定每个任务数据所属的级别并且一对一进行关联,不仅速度慢,而且大大消耗人力资源,以及对级别的种类很难管理。
发明内容
有鉴于此,本发明实施例提供一种实现任务分级的方法和装置,能够直接确定任务数据所属的级别,解决了现有技术中必须有人事先规定任务数据所属的级别的问题。并且针对大批量的数据以及级别很多的场景,可快速确定出每个任务数据分别所属的级别。以及,不仅提高了任务分级的准确性,其应用也更加的灵活。
为实现上述目的,根据本发明实施例的一个方面,提供了一种实现任务分级的方法。
本发明实施例的实现任务分级的方法包括:接收任务数据,并确定所述任务数据的特征信息;将所述任务数据的特征信息输入训练的任务分级模型,以得到所述任务数据的概率集合;所述概率集合中包括所述任务数据属于每个任务级别的概率值;从所述概率集合中确定出最大概率值,以及将所述最大概率值对应的任务级别确定为所述任务数据的目标级别。
可选地,在将所述最大概率值对应的任务级别确定为所述任务数据的目标级别之后,还包括:根据所述目标级别从监控策略集中筛选出对应的监控策略;根据所述监控策略生成所述任务数据的监控指令。
可选地,在将所述任务数据的特征信息输入训练的任务分级模型之前,还包括:获取任务数据样本集,并确定所述任务数据样本集中每个任务数据样本的特征信息;根据所述每个任务数据样本的特征信息,将所述任务数据样本集分为完整特征信息子集和缺失特征信息子集;根据所述完整特征信息子集,对所述缺失特征信息子集中的任务数据样本的特征信息进行修复;基于所述完整特征信息子集和修复后的缺失特征信息子集,训练得到任务分级模型。
可选地,根据所述完整特征信息子集,对所述缺失特征信息子集中的任务数据样本的特征信息进行修复的步骤包括:分别确定所述完整特征信息子集和缺失特征信息子集的二值码集合;所述二值码集合中包括完整特征信息子集或者缺失特征信息子集中每个任务数据样本在汉明空间的二值码表示;对于缺失特征信息子集中每个任务数据样本,根据所述二值码集合从所述完整特征信息子集中筛选出对应的相似任务数据样本;根据所述相似任务数据样本,将其对应缺失特征信息子集中的任务数据样本的特征信息进行修复。
可选地,特征信息至少包括所述特征信息至少包括以下一项:所属数据集市、监控状态、运行规则、所属队列、生产账号、时效性要求、递归父任务数量、递归子任务数量、业务方使用数量或者使用内存上限。
为实现上述目的,根据本发明实施例的另一个方面,提供了一种实现任务分级的装置。
本发明实施例的实现任务分级的装置包括:
数据接收模块,用于接收任务数据,并确定所述任务数据的特征信息;
概率确定模块,用于将所述任务数据的特征信息输入训练的任务分级模型,以得到所述任务数据的概率集合;所述概率集合中包括所述任务数据属于每个任务级别的概率值;
目标级别确定模块,用于从所述概率集合中确定出最大概率值,以及将所述最大概率值对应的任务级别确定为所述任务数据的目标级别。
可选地,本发明实施例的实现任务分级的装置还包括监控策略确定模块,用于根据所述目标级别从监控策略集中筛选出对应的监控策略;以及根据所述监控策略生成所述任务数据的监控指令。
可选地,本发明实施例的实现任务分级的装置还包括任务分级模型训练模块,用于获取任务数据样本集,并确定所述任务数据样本集中每个任务数据样本的特征信息;根据所述每个任务数据样本的特征信息,将所述任务数据样本集分为完整特征信息子集和缺失特征信息子集;根据所述完整特征信息子集,对所述缺失特征信息子集中的任务数据样本的特征信息进行修复;基于所述完整特征信息子集和修复后的缺失特征信息子集,训练得到任务分级模型。
可选地,所述任务分级模型训练模块还用于,分别确定所述完整特征信息子集和缺失特征信息子集的二值码集合;所述二值码集合中包括完整特征信息子集或者缺失特征信息子集中每个任务数据样本在汉明空间的二值码表示;对于缺失特征信息子集中每个任务数据样本,根据所述二值码集合从所述完整特征信息子集中筛选出对应的相似任务数据样本;根据所述相似任务数据样本,将其对应缺失特征信息子集中的任务数据样本的特征信息进行修复。
为实现上述目的,根据本发明实施例的再一个方面,提供了一种电子设备。
本发明实施例的电子设备包括: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上述任一项的实现任务分级的方法。
为实现上述目的,根据本发明实施例的再一个方面,提供了一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现上述任一项的实现任务分级的方法。
上述发明中的一个实施例具有如下优点或有益效果:通过任务数据的特征信息以及训练的任务分级模型,直接确定任务数据所属的级别,解决了现有技术中必须有人事先规定任务数据所属的级别的问题。并且针对大批量的数据以及级别很多的场景,可快速确定出每个任务数据分别所属的级别。以及,不仅提高了任务分级的准确性,其应用也更加的灵活。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是现有技术实现任务分级的方法的流程的示意图;
图2是根据本发明实施例的实现任务分级的方法的主要流程的示意图;
图3是根据本发明实施例的实现任务分级的方法的示意图;
图4是根据本发明实施例的实现任务分级的方法的示意图;
图5和6分别是对任务数据样本x1、x2的特征信息执行SimHash算法的过程;
图7是根据本发明实施例的实现任务分级的装置的主要模块的示意图;
图8是本发明实施例可以应用于其中的示例性系统架构图;
图9是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图2是根据本发明实施例的实现任务分级的方法的主要流程的示意图,如图2所示,本发明实施例的实现任务分级的方法主要包括:
步骤S201:接收任务数据,并确定任务数据的特征信息。该任务数据可以为文本数据,也可是图片等其他形式的数据。如果任务数据为文本数据,则可通过对接收的任务数据进行解析,以获取其特征信息。在其他实施例中,如果任务数据中标注有其特征信息,可直接获取到对应的特征信息。
其中,该特征信息为任务数据的相关特征属性,可体现出任务数据所属级别的信息,例如:所属数据集市、监控状态、运行规则、所属队列、生产账号、时效性要求、递归父任务数量、递归子任务数量、业务方使用数量或者使用内存上限。以及,该特征信息还可以包括任务类型、核心数据模型、使用CPU上限。获取的特征信息可以为上述任一种,也可为上述任何几种的组合。以及,所属数据集市、所属队列分别是指该任务数据所属的数据集市、所属的消息队列。监控状态是指该执行该任务数据时,是否需要对其进行监控。运行规则是指该任务数据运行时所要遵循的规则。生产账号是指该任务数据来源的账号。时效性要求是指该任务数据执行的时效或者该任务数据等待的时效等相关时效性信息。递归父任务数量、递归子任务数量分别是指该任务数据递归的父任务数量、子任务数量。业务方使用数量是指该任务数据被业务方使用的数量。使用内存上限是指执行该任务数据所要使用的内存的上限。业务方使用数量和使用内存上限可通过一段时间历史运行数据进行统计出。
步骤S202:将任务数据的特征信息输入训练的任务分级模型,以得到任务数据的概率集合;概率集合中包括任务数据属于每个任务级别的概率值。该任务分级模型可通过对历史任务数据以及其相关运行信息等进行学习,训练得到。区别于现有技术中通过标签关联的方式,本发明实施例通过训练的任务分级模型,可准确高效的确定出任务数据属于每个任务级别的概率值。
步骤S203:从概率集合中确定出最大概率值,以及将最大概率值对应的任务级别确定为任务数据的目标级别。
本发明实施例,通过任务数据的特征信息以及训练的任务分级模型,直接确定任务数据所属的级别,解决了现有技术中必须有人事先规定任务数据所属的级别的问题。并且针对大批量的数据以及级别很多的场景,可快速确定出每个任务数据分别所属的级别。以及,不仅提高了任务分级的准确性,其应用也更加的灵活。
图3是根据本发明实施例的实现任务分级的方法的示意图,如图3所示,本发明实施例的实现任务分级的方法包括:
步骤S301:接收任务数据,并确定任务数据的特征信息。在本发明实施例中,该任务数据为文本数据,其获取的特征信息如下表:
特征信息名称 | 特征信息说明 |
task_type | 任务类型 |
market_info | 所属数据集市 |
enable_monitor | 监控状态 |
rules | 运行规则 |
queue | 所属队列 |
account | 生产账号 |
effectiveness | 时效性要求 |
recur_partasks_num | 递归父任务数量 |
recur_children_num | 递归子任务数量 |
Business used num | 业务方使用数量 |
Core data model | 核心数据模型 |
Use CPU/memory cap | 使用CPU/内存上限 |
步骤S302:将任务数据的特征信息输入训练的任务分级模型,以得到任务数据的概率集合;概率集合中包括任务数据属于每个任务级别的概率值。
在本发明实施例中,可通过SimHash算法和朴素贝叶斯算法对任务数据样本(训练样本)进行训练得到任务分级模型。具体的,对于已知任务级别(L1、L2、L3...)的训练样本,首先确定出这些训练样本的特征信息(即任务数据的基本信息)。对于某些已知级别但包含未知特征信息的训练样本,可通过SimHash算法计算并填充其特征信息的缺失值。然后利用朴素贝叶斯算法对上述处理后的训练样本进行训练,得到分类模型。
对于通过SimHash算法计算并填充特征信息的缺失值的过程,具体包括:将训练样本分为两个子集完整特征信息子集和缺失特征信息子集,其中缺失特征信息子集中包括含有未知特征信息的训练样本。对于完整特征信息子集,利用SimHash算法将其包括的训练样本从原样例空间映射到汉明空间(Hamming空间)得到二值码集合Dhamming_trainingset,该二值码集合中包括完整特征信息子集中每个训练样本在汉明空间的二值码表示。然后,从缺失特征信息子集中逐一取出其包括的训练样本,对于每个取出的包含缺失特征信息的训练样本利用SimHash算法映射到Hamming空间(确定其二值码表示),然后在上述二值码集合Dhamming_trainingset中寻找与该训练样本在同一个桶中的数据,所谓同一个桶指的是映射之后二值码相近的数据集合。即对于缺失特征信息子集中每个任务数据样本,从完整特征信息子集中筛选出对应的相似任务数据样本。
以及,利用同一个桶中的特征信息完整的训练样本,对特征信息具有缺失值的训练样本做如下处理:如果该缺失值为数值型数据,那么该缺失值修复为同一个桶中的训练样本其对应特征信息的值的平均值;如果该缺失值为离散型数据,那么缺失值修复为同一个桶中的训练样本对应特征信息的值中出现频率最高的值。
基于上述训练样本的处理过程,进一步利用朴素贝叶斯算法对整合后的训练样本(完整特征信息子集和修复后的缺失特征信息子集)进行训练,得到任务分级模型。
步骤S303:从概率集合中确定出最大概率值,以及将最大概率值对应的任务级别确定为任务数据的目标级别。
步骤S304:根据目标级别从监控策略集中筛选出对应的监控策略。不同的任务级别的重要性一般是不同的,通过上述过程确定出任务数据所属的目标级别,进而可确定出哪些任务数据是重要的、哪些任务数据是次要的,进而可对应的采取监控方案,可提高数据的稳定性和数据的可信度。
步骤S305:根据监控策略生成任务数据的监控指令。通过上述过程,可自动根据任务数据所属的级别对应实施监控方案,使得任务数据的监控更加高效,数据的运行更加的稳定。
现有方案是通过任务数据间接对应的标签,确定其所属的级别,需要事先规定该任务所属的级别并申请管理对应标签。例如:规定了标签A对应的级别为L4,如果某个人物关联的标签为A,则该任务数据无论多么重要,其所属的任务级别只能是L4,因此现有技术的方案过于固化。以及,针对大批量的数据以及级别很多的场景,无法准确快速的确定出任务所属的级别。
针对上述问题,本发明实施例通过任务数据的特征信息以及训练的任务分级模型,直接确定任务数据所属的级别,解决了现有技术中必须人工事先规定任务数据所属的级别的问题。并且针对大批量的数据以及级别很多的场景,可快速确定出每个任务数据分别所属的级别。以及,不仅提高了任务分级的准确性,其应用也更加的灵活。并且,通过确定出任务数据所属的目标级别,确定出哪些任务数据是重要的、哪些任务数据是次要的,进而可对应的采取监控方案,可提高数据的稳定性和数据的可信度。
图4是根据本发明实施例的实现任务分级的方法的示意图;图5和6分别是对任务数据样本x1、x2的特征信息执行SimHash算法的过程。
如图4所示,本发明实施例的实现任务分级的方法包括:
步骤S401:确定待获取的任务数据的特征信息。
步骤S402:获取任务数据训练样本,并将该训练样本分为完整特征信息子集和缺失特征信息子集。
步骤S403:针对完整特征信息子集和缺失特征信息子集,分别确定其二值码集合,该过程可通过SimHash算法实现。其中,二值码集合中包括完整特征信息子集或者缺失特征信息子集中每个任务数据样本在汉明空间的二值码表示。
步骤S404:根据二值码集合对缺失特征信息子集进行修复。对于缺失特征信息子集中每个任务数据样本,根据二值码集合从完整特征信息子集中筛选出对应的相似任务数据样本。根据相似任务数据样本,将其对应缺失特征信息子集中的任务数据样本的特征信息进行修复。通过上述修复的过程,得到修复后的缺失特征信息子集。
SimHash算法是一种去重的相似性估计方法。SimHash和普通Hash最大的不同在于传统的Hash函数虽然也可以用于映射来比较文本的重复,但是对于可能差距只有一个字节的文档SimHash算法也会映射成两个完全不同的哈希结果。SimHash对相似的文本的哈希映射结果也相似,在Hamming空间中Hash签名的相似程度,也能反映出原空间中样本的相似程度。SimHash算法具有思想精巧、容易理解和实现,其输入是一个向量,输出是一个f位的签名值。SimHash算法描述如下:
(1)对于xi的每一个特征信息向量,用传统的Hash算法对该向量变换成一个f位的签名值b;
(2)如果签名值b的第i位等于0,则置为-1,否则置为1;
(3)根据签名值b的第i位的权重进行加权操作;
(4)将xi所有特征信息向量的变换码按位相加,如果和向量的某一维大于0,则最终签名的对应位为1,如果和向量的某一维小于等于0,则最终签名的对应位为0。这就是样本xi经过SimHash算法最终映射得到的f位签名值。
假设样例x1=(1,2,3,4),样例x2=(1,2,3,5),对x1、x2执行SimHash算法的过程,如图5、6所示。由图5可知,x1中的分量1,2,3,4分别变换为(0,0,0,1)(0,0,1,0)(0,0,1,1)(0,1,0,0),通过将0置为-1的过程,x1中的分量1由(0,0,0,1)变换为(-1,-1,-1,1),其他分量同理。然后,进行加权计算,x1中的分量1,2,3,4进一步分别变换为(-1,-1,-1,1)(-3,-3,3,-3)(-1,-1,1,1)(-3,3,-3,-3)。以及,进一步按位求和,x1变换为(-8,-2,0,-4)。最后,确定出x1的SimHash值为(0,0,0,0)。同理,确定出x2的simHash值为(0,0,0,1),过程如图6所示。从该示例可知,x1和x2在原样例空间是相似的(只第4个分量不同,一个为4,一个为5),经过SimHash变换后,在Hamming汉明空间他们也是相似的。进而可知,SimHash算法的设计思想简单明了:通过降维,将高维的特征向量映射成一个f位的签名值,在Hamming空间中两个样本对应hash签名的相似程度,就能反映出原空间中两个样本的相似程度,其中在Hamming空间常用Hamming距离来衡量两个样本的相似度。
步骤S405:利用朴素贝叶斯算法对整合后的训练样本(修复后的缺失特征信息子集和完整特征信息子集)进行训练,得到任务分级模型。
步骤S406:接收到待确定级别的任务数据,根据该任务分级模型确定出该任务数据所属的级别。
步骤S407:将确定的级别输出并显示。
步骤S408:根据确定的级别确定出该任务数据的监控方案,并且根据确定的监控方案生成任务数据的监控指令。
图7是根据本发明实施例的实现任务分级的装置的主要模块的示意图,如图7所示,本发明实施例的实现任务分级的装置700包括数据接收模块701、概率确定模块702和目标级别确定模块703。
数据接收模块701用于,接收任务数据,并确定任务数据的特征信息。该特征信息至少包括以下一项:所属数据集市、监控状态、运行规则、所属队列、生产账号、时效性要求、递归父任务数量、递归子任务数量、业务方使用数量或者使用内存上限。
概率确定模块702用于,将任务数据的特征信息输入训练的任务分级模型,以得到任务数据的概率集合;概率集合中包括任务数据属于每个任务级别的概率值;
目标级别确定模块703用于,从概率集合中确定出最大概率值,以及将最大概率值对应的任务级别确定为任务数据的目标级别。
本发明实施例的实现任务分级的装置还包括监控策略确定模块,在目标级别确定模块将最大概率值对应的任务级别确定为任务数据的目标级别之后,监控策略确定模块用于根据目标级别从监控策略集中筛选出对应的监控策略;以及根据监控策略生成任务数据的监控指令。
本发明实施例的实现任务分级的装置还包括任务分级模型训练模块,在概率确定模块将任务数据的特征信息输入训练的任务分级模型之前,任务分级模型训练模块用于训练得到任务分级模型。具体的:首先,任务分级模型训练模块获取任务数据样本集,并确定任务数据样本集中每个任务数据样本的特征信息。以及,任务分级模型训练模块根据每个任务数据样本的特征信息,将任务数据样本集分为完整特征信息子集和缺失特征信息子集。进一步任务分级模型训练模块根据完整特征信息子集,对缺失特征信息子集中的任务数据样本的特征信息进行修复。最后,任务分级模型训练模块基于完整特征信息子集和修复后的缺失特征信息子集,训练得到任务分级模型。
任务分级模型训练模块还用于,分别确定完整特征信息子集和缺失特征信息子集的二值码集合,二值码集合中包括完整特征信息子集或者缺失特征信息子集中每个任务数据样本在汉明空间的二值码表示。以及,对于缺失特征信息子集中每个任务数据样本,任务分级模型训练模块根据二值码集合从完整特征信息子集中筛选出对应的相似任务数据样本;根据相似任务数据样本,将其对应缺失特征信息子集中的任务数据样本的特征信息进行修复。
本发明实施例,通过任务数据的特征信息以及训练的任务分级模型,直接确定任务数据所属的级别,解决了现有技术中必须有人事先规定任务数据所属的级别的问题。并且针对大批量的数据以及级别很多的场景,可快速确定出每个任务数据分别所属的级别。以及,不仅提高了任务分级的准确性,其应用也更加的灵活。并且,通过确定出任务数据所属的目标级别,确定出哪些任务数据是重要的、哪些任务数据是次要的,进而可对应的采取监控方案,可提高数据的稳定性和数据的可信度。
图8示出了可以应用本发明实施例的实现任务分级的方法或实现任务分级的装置的示例性系统架构800。
如图8所示,系统架构800可以包括终端设备801、802、803,网络804和服务器805。网络804用以在终端设备801、802、803和服务器805之间提供通信链路的介质。网络804可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备801、802、803通过网络804与服务器805交互,以接收或发送消息等。终端设备801、802、803上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备801、802、803可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器805可以是提供各种服务的服务器,例如对用户利用终端设备801、802、803所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果反馈给终端设备。
需要说明的是,本发明实施例所提供的实现任务分级的方法一般由服务器805执行,相应地,实现任务分级的装置一般设置于服务器805中。
应该理解,图8中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图9,其示出了适于用来实现本发明实施例的终端设备的计算机系统900的结构示意图。图9示出的终端设备仅仅是一个示例,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9所示,计算机系统900包括中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有系统900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
以下部件连接至I/O接口905:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本发明中,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。而在本发明中,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。计算机可读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。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、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,上述模块、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,两个接连地表示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,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操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。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括获取数据接收模块、概率确定模块和目标级别确定模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定,例如,数据接收模块还可以被描述为“接收任务数据,并确定该任务数据的特征信息的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:接收任务数据,并确定任务数据的特征信息;将任务数据的特征信息输入训练的任务分级模型,以得到任务数据的概率集合;概率集合中包括任务数据属于每个任务级别的概率值;从概率集合中确定出最大概率值,以及将最大概率值对应的任务级别确定为任务数据的目标级别。
本发明实施例,通过任务数据的特征信息以及训练的任务分级模型,直接确定任务数据所属的级别,解决了现有技术中必须有人事先规定任务数据所属的级别的问题。并且针对大批量的数据以及级别很多的场景,可快速确定出每个任务数据分别所属的级别。以及,不仅提高了任务分级的准确性,其应用也更加的灵活。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种实现任务分级的方法,其特征在于,包括:
接收任务数据,并确定所述任务数据的特征信息;
将所述任务数据的特征信息输入训练的任务分级模型,以得到所述任务数据的概率集合;所述概率集合中包括所述任务数据属于每个任务级别的概率值;
从所述概率集合中确定出最大概率值,以及将所述最大概率值对应的任务级别确定为所述任务数据的目标级别。
2.根据权利要求1所述的方法,其特征在于,在将所述最大概率值对应的任务级别确定为所述任务数据的目标级别之后,还包括:
根据所述目标级别从监控策略集中筛选出对应的监控策略;
根据所述监控策略生成所述任务数据的监控指令。
3.根据权利要求1所述的方法,其特征在于,在将所述任务数据的特征信息输入训练的任务分级模型之前,还包括:
获取任务数据样本集,并确定所述任务数据样本集中每个任务数据样本的特征信息;
根据所述每个任务数据样本的特征信息,将所述任务数据样本集分为完整特征信息子集和缺失特征信息子集;
根据所述完整特征信息子集,对所述缺失特征信息子集中的任务数据样本的特征信息进行修复;
基于所述完整特征信息子集和修复后的缺失特征信息子集,训练得到任务分级模型。
4.根据权利要求3所述的方法,其特征在于,根据所述完整特征信息子集,对所述缺失特征信息子集中的任务数据样本的特征信息进行修复的步骤包括:
分别确定所述完整特征信息子集和缺失特征信息子集的二值码集合;所述二值码集合中包括完整特征信息子集或者缺失特征信息子集中每个任务数据样本在汉明空间的二值码表示;
对于缺失特征信息子集中每个任务数据样本,根据所述二值码集合从所述完整特征信息子集中筛选出对应的相似任务数据样本;
根据所述相似任务数据样本,将其对应缺失特征信息子集中的任务数据样本的特征信息进行修复。
5.根据权利要求1任一项所述的方法,其特征在于,所述特征信息至少包括以下一项:所属数据集市、监控状态、运行规则、所属队列、生产账号、时效性要求、递归父任务数量、递归子任务数量、业务方使用数量或者使用内存上限。
6.一种实现任务分级的装置,其特征在于,包括:
数据接收模块,用于接收任务数据,并确定所述任务数据的特征信息;
概率确定模块,用于将所述任务数据的特征信息输入训练的任务分级模型,以得到所述任务数据的概率集合;所述概率集合中包括所述任务数据属于每个任务级别的概率值;
目标级别确定模块,用于从所述概率集合中确定出最大概率值,以及将所述最大概率值对应的任务级别确定为所述任务数据的目标级别。
7.根据权利要求6所述的装置,其特征在于,还包括监控策略确定模块,用于根据所述目标级别从监控策略集中筛选出对应的监控策略;以及根据所述监控策略生成所述任务数据的监控指令。
8.根据权利要求6所述的装置,其特征在于,还包括任务分级模型训练模块,用于获取任务数据样本集,并确定所述任务数据样本集中每个任务数据样本的特征信息;根据所述每个任务数据样本的特征信息,将所述任务数据样本集分为完整特征信息子集和缺失特征信息子集;根据所述完整特征信息子集,对所述缺失特征信息子集中的任务数据样本的特征信息进行修复;基于所述完整特征信息子集和修复后的缺失特征信息子集,训练得到任务分级模型。
9.根据权利要求8所述的装置,其特征在于,所述任务分级模型训练模块还用于,分别确定所述完整特征信息子集和缺失特征信息子集的二值码集合;所述二值码集合中包括完整特征信息子集或者缺失特征信息子集中每个任务数据样本在汉明空间的二值码表示;对于缺失特征信息子集中每个任务数据样本,根据所述二值码集合从所述完整特征信息子集中筛选出对应的相似任务数据样本;根据所述相似任务数据样本,将其对应缺失特征信息子集中的任务数据样本的特征信息进行修复。
10.一种电子设备,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1-5中任一所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910427974.0A CN111985511A (zh) | 2019-05-22 | 2019-05-22 | 一种实现任务分级的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910427974.0A CN111985511A (zh) | 2019-05-22 | 2019-05-22 | 一种实现任务分级的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111985511A true CN111985511A (zh) | 2020-11-24 |
Family
ID=73437302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910427974.0A Pending CN111985511A (zh) | 2019-05-22 | 2019-05-22 | 一种实现任务分级的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985511A (zh) |
-
2019
- 2019-05-22 CN CN201910427974.0A patent/CN111985511A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107809331B (zh) | 识别异常流量的方法和装置 | |
CN112527649A (zh) | 一种测试用例的生成方法和装置 | |
CN110471848B (zh) | 一种动态返回报文的方法和装置 | |
CN107392259B (zh) | 构建不均衡样本分类模型的方法和装置 | |
CN112015562A (zh) | 基于迁移学习的资源分配方法、装置及电子设备 | |
CN112016793B (zh) | 基于目标用户群的资源分配方法、装置及电子设备 | |
CN112017062A (zh) | 基于客群细分的资源额度分配方法、装置及电子设备 | |
CN115423030A (zh) | 一种设备识别的方法和装置 | |
CN111026629A (zh) | 一种测试脚本自动生成的方法和装置 | |
CN110881056A (zh) | 用于推送信息的方法和装置 | |
CN112231299B (zh) | 一种特征库动态调整的方法和装置 | |
CN116933189A (zh) | 一种数据检测方法和装置 | |
CN114066603A (zh) | 贷后风险预警方法、装置、电子设备和计算机可读介质 | |
CN114282524A (zh) | 问卷信息结构化数据处理方法、系统和装置 | |
CN111985511A (zh) | 一种实现任务分级的方法和装置 | |
CN114021642A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN113612777A (zh) | 训练方法、流量分级方法、装置、电子设备以及存储介质 | |
CN113360672A (zh) | 用于生成知识图谱的方法、装置、设备、介质和产品 | |
CN112100291A (zh) | 一种数据分箱的方法和装置 | |
CN113282455A (zh) | 一种监控处理方法和装置 | |
CN113220501A (zh) | 用于数据备份的方法、设备和计算机程序产品 | |
CN113362097B (zh) | 一种用户确定方法和装置 | |
CN113239687B (zh) | 一种数据处理方法和装置 | |
CN113554041B (zh) | 一种对用户标记标签的方法和装置 | |
US20230222358A1 (en) | Artificial intelligence operations adaptive multi-granularity event grouping |
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 |