CN112417300A - 产品漏洞方案查询方法、装置、电子设备及存储介质 - Google Patents
产品漏洞方案查询方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112417300A CN112417300A CN202011435177.6A CN202011435177A CN112417300A CN 112417300 A CN112417300 A CN 112417300A CN 202011435177 A CN202011435177 A CN 202011435177A CN 112417300 A CN112417300 A CN 112417300A
- Authority
- CN
- China
- Prior art keywords
- vulnerability
- poor
- feature
- core
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 153
- 238000012356 Product development Methods 0.000 claims abstract description 60
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000012163 sequencing technique Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 238000007726 management method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据处理技术，揭露了一种产品漏洞方案查询方法，包括：获取用户评价数据集，对用户评价数据集进行特征提取，得到用户差评特征集；对用户差评特征集进行特征选优，得到典型差评特征集；获取产品开发数据集，对典型差评特征集与产品开发数据集进行匹配分析，得到核心漏洞集；计算核心漏洞集中各核心漏洞的优先级；将多个核心漏洞按照优先级进行排序，得到漏洞列表；按照漏洞列表为核心漏洞集查询漏洞解决方案。本发明还提出了产品漏洞方案查询装置、设备及计算机可读存储介质。此外，本发明还涉及区块链技术，用户评价数据集可存储于区块链节点中。本发明可以提高查找产品漏洞及漏洞解决方案的精确度及效率。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种产品漏洞方案查询方法、装置、电子设备及计算机可读存储介质。
背景技术
产品一般是基于用户的需求设计出来的，但是用户对于产品的体验可能会随着环境的改变而发生变化，导致设计完成的产品会随着用户需求的改变而产生诸多漏洞，如使用方法过于复杂、实现的功能过于简单等。如何快速找出现有产品的漏洞以及漏洞的解决方案成为了人们亟待解决的问题。
现有的定位产品问题缺陷并给出解决方案的方法多为通过生成测试数据对产品进行测试以寻找产品的漏洞。但由于测试数据仅是理想条件下生成的，不能符合众多用户的实际需求，造成该方法无法精确定位产品的漏洞所在，进而导致不能精确查询到产品漏洞的解决方案。
发明内容
本发明提供一种产品漏洞方案查询方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高查找产品漏洞及漏洞解决方案的精确度及效率。
为实现上述目的，本发明提供的一种产品漏洞方案查询方法，包括：
获取用户评价数据集，对所述用户评价数据集进行特征提取，得到用户差评特征集；
对所述用户差评特征集进行特征选优，得到典型差评特征集；
获取产品开发数据集，对所述典型差评特征集与所述产品开发数据集进行匹配分析，得到核心漏洞集；
计算所述核心漏洞集中各核心漏洞的优先级；
将所述多个核心漏洞按照所述优先级进行排序，得到漏洞列表；
按照所述漏洞列表为所述核心漏洞集查询漏洞解决方案。
可选地，所述按照所述漏洞列表为所述核心漏洞集查询漏洞解决方案，包括：
按照从前向后的顺序从所述漏洞列表中依次选取其中一个核心漏洞，作为目标漏洞；
从预设的方案数据库中查询所述目标漏洞的目标解决方案，直至所述漏洞列表中每个核心漏洞的解决方案均查找完成。
可选地，所述对所述典型差评特征集与所述产品开发数据集进行匹配分析，得到核心漏洞集，包括：
从所述典型差评特征集中随机选取其中一个典型差评特征作为目标差评特征；
利用匹配算法计算所述目标差评特征与所述产品开发数据集中各产品开发数据的匹配值；在所述匹配值大于或等于预设匹配阈值时，确定所述目标差评特征与所述产品开发数据匹配；
确定所述产品开发数据集中与所述目标差评特征相匹配的所有产品开发数据，得到核心漏洞集。
可选地，所述利用匹配算法计算所述目标差评特征与所述产品开发数据集中各产品开发数据的匹配值，包括：
利用如下匹配算法计算所述目标差评特征与所述产品开发数据集中产品开发数据的匹配值LFk(q)：
其中，Nk(q)为所述产品开发数据集，ldk(q)为Nk(q)内的第q个产品开发数据，ld(p)为所述典型差评特征集中第q个典型差评特征，k为Nk(q)中产品开发数据的个数，reach-distk(p,q)为用于计算p，q之间的距离的运算。
可选地，所述对所述用户评价数据集进行特征提取，得到用户差评特征集，包括：
对所述用户评价数据集进行分词处理，得到初始分词集；
对所述分词集中的分词进行无效词删除，得到标准分词集；
将所述标准分词集中各标准分词进行词向量转换，得到词向量集；
利用预先训练完成的差评特征提取模型对所述用户评价数据集进行特征提取，得到用户差评特征集。
可选地，所述将所述标准分词集中各标准分词进行词向量转换，得到词向量集，包括：
通过遍历操作，依次从所述标准分词集中选择一个标准分词作为待转换分词；
将所述待转换分词中的每个字节进行字节编码，得到字节向量集；
将所述字节向量集中的字节向量进行拼接，得到所述待转换分词的词向量，直至所述标准分词集中所有标准分词转换为词向量，得到所述词向量集。
可选地，所述对所述用户差评特征集进行特征选优，得到典型差评特征集，包括：
利用特征权重算法计算所述用户差评特征集中各用户差评特征的特征权重；
选取所述特征权重大于权重阈值的用户差评特征汇集为典型差评特征集。
为了解决上述问题，本发明还提供一种产品漏洞方案查询装置，所述装置包括：
特征提取模块，用于获取用户评价数据集，对所述用户评价数据集进行特征提取，得到用户差评特征集；
特征选优模块，用于对所述用户差评特征集进行特征选优，得到典型差评特征集；
匹配分析模块，用于获取产品开发数据集，对所述典型差评特征集与所述产品开发数据集进行匹配分析，得到核心漏洞集；
优先级计算模块，用于计算所述核心漏洞集中各核心漏洞的优先级；
排序模块，用于将所述多个核心漏洞按照所述优先级进行排序，得到漏洞列表；
方案查询模块，用于按照所述漏洞列表为所述核心漏洞集查询漏洞解决方案。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述中任意一项所述的产品漏洞方案查询方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现上述中任意一项所述的产品漏洞方案查询方法。
本发明实施例获取用户评价数据集，对用户评价数据集进行特征提取，得到用户差评特征集，对用户差评特征集进行特征选优，得到典型差评特征集，通过特征提取及特征选优可提取出用户评价数据集中具有代表性的差评数据，保证筛选出的典型差评特征集可反映出较多用户的需求；获取产品开发数据集，对典型差评特征集与产品开发数据集进行匹配分析，得到核心漏洞集，可提高获取核心漏洞的精确度；计算所述核心漏洞集中各核心漏洞的优先级，将多个核心漏洞按照优先级进行排序，得到漏洞列表，按照漏洞列表为所述核心漏洞集查询漏洞解决方案，避免重复对相同的核心漏洞查找漏洞解决方案，提高了查找漏洞解决方案的效率。因此本发明提出的产品漏洞方案查询方法、装置及计算机可读存储介质，可以提高查找产品漏洞及漏洞解决方案的精确度及效率。
附图说明
图1为本发明一实施例提供的产品漏洞方案查询方法的流程示意图；
图2为本发明一实施例提供的产品漏洞方案查询装置的模块示意图；
图3为本发明一实施例提供的实现产品漏洞方案查询方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种产品漏洞方案查询方法。所述产品漏洞方案查询方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述产品漏洞方案查询方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
本发明提供一种产品漏洞方案查询方法。参照图1所示，为本发明一实施例提供的产品漏洞方案查询方法的流程示意图。在本实施例中，所述产品漏洞方案查询方法，包括：
S1、获取用户评价数据集，对所述用户评价数据集进行特征提取，得到用户差评特征集。
本发明实施例中，所述用户评价数据集包括多个用户对产品的评价数据，所述评价数据包括好评数据和差评数据等。
详细地，所述用户评价数据集中的多个用户评价数据可以为电子文本形式，例如，app商店中用户对所使用的app产品作出的评价。
本发明实施例中用户评价数据集可以存储于预先构建的区块链节点中，利用具有数据抓取功能的python语句从预先构建的区块链节点中抓取用户评价数据集，利用区块链对数据的高吞吐性可提高获取用户评价数据集的效率。
详细地，所述对所述用户评价数据集进行特征提取，得到用户差评特征集，包括：
对所述用户评价数据集进行分词处理，得到初始分词集；
对所述分词集中的分词进行无效词删除，得到标准分词集；
将所述标准分词集中各标准分词进行词向量转换，得到词向量集；
利用预先训练完成的差评特征提取模型对所述用户评价数据集进行特征提取，得到用户差评特征集。
具体地，所述将所述标准分词集中各标准分词进行词向量转换，得到词向量集，包括：
通过遍历操作，依次从所述标准分词集中选择一个标准分词作为待转换分词；
将所述待转换分词中的每个字节进行字节编码，得到字节向量集；
将所述字节向量集中的字节向量进行拼接，得到所述待转换分词的词向量，直至所述标准分词集中所有标准分词转换为词向量，得到所述词向量集。
较佳地，所述预先训练完成的差评特征提取模型的训练过程包括：
获取训练评价数据集以及所述训练评价数据集对应的标准差评特征；
利用预设的差评特征提取模型对所述训练评价数据集进行差评特征提取，得到预测差评特征集；
计算所述预测差评特征集和所述标准差评特征之间的差异值；
若所述差异值大于误差阈值，则调整所述差评特征提取模型的参数后重新进行差评特征提取；
若所述差异值小于所述误差阈值，则生成训练完成的差评特征提取模型。
具体地，所述计算所述预测差评特征集和所述标准差评特征之间的差异值，包括：
利用如下损失函数计算所述预测差评特征集和所述标准差评特征之间的差异值
其中，
表示所述预测差评特征集，Y表示所述标准差评特征，N表示所述预测差评特征集中预测差评特征的个数，α表示误差因子。
本发明实施例利用损失函数计算所述预测差评特征集和所述标准差评特征之间的差异值，并在差异值大于误差阈值时，利用梯度下降算法对模型的参数进行更新，从而达到对模型的优化效果，得到训练完成的差评特征提取模型。
较佳地，所述梯度下降算法包括批量梯度下降算法、随机梯度下降算法、小批量梯度下降算法。
本发明实施例中，由于差评数据集中数据量较多且包括很多无用的数据，因此，本发明实施例通过差评特征提取模型对用户评价数据集进行特征提取，得到用户差评特征集，所述差评特征集包括多个差评特征，差评特征是指差评数据集中具体特征性的差评数据。
实际应用中，由于用户评价数据集包括包括好评数据和差评数据，但差评数据对产品的改进有更好的帮助，因此，本发明实施例通过差评特征提取模型对用户评价数据集进行特征提取，得到用户差评特征集，用户差评特征集中包括用户评价数据集内的差评数据，进而减少需要进行分析的数据量，提高后续数据分析的效率。
S2、对所述用户差评特征集进行特征选优，得到典型差评特征集。
本发明实施例中，所述对所述用户差评特征集进行特征选优，得到典型差评特征集，包括：
利用特征权重算法计算所述用户差评特征集中各用户差评特征的特征权重；
选取所述特征权重大于权重阈值的用户差评特征汇集为典型差评特征集。
详细地，所述利用特征权重算法计算所述用户差评特征集中各用户差评特征的特征权重，包括：
利用如下特征权重算法计算所述用户差评特征集中各用户差评特征的特征权重T(i)：
其中，m为用户差评特征集中用户差评特征的数量，xi为用户差评特征集中第i个用户差评特征。
本发明实施例通过确定特征权重中大于预设阈值的用户差评特征集中用户差评特征为目标问答特征，可以选取出用户差评特征集中各用户差评特征具有代表性的用户差评特征集中用户差评特征；由于实际操作过程中，不同用户提出的差评会出现重复的情况，因此导致通过用户差评特征集提取出的用户差评特征集中用户差评特征包含一些重复的特征，且由于用户数量较多的时候有些用户差评特征仅代表极少数用户的个性化需求，不满足普遍客户的需求，因此，通过确定特征权重中大于预设阈值的用户差评特征集中用户差评特征为典型差评特征，可以筛除用户差评特征集中各用户差评特征中由于集少数用户的个性化需求而产生的用户差评特征，保证筛选出的典型差评特征集可反映出较多用户的需求。
S3、获取产品开发数据集，对所述典型差评特征集与所述产品开发数据集进行匹配分析，得到核心漏洞集。
本发明实施例中，所述产品开发数据集可由产品的开发人员上传，产品开发数据集包括产品的开发需求，产品的功能等。
具体地，所述典型差评特征集和所述产品开发数据集均为电子文本格式的数据。
本发明实施例中，所述对所述典型差评特征集与所述产品开发数据集进行匹配分析，得到核心漏洞集，包括：
从所述典型差评特征集中随机选取其中一个典型差评特征作为目标差评特征；
利用匹配算法计算所述目标差评特征与所述产品开发数据集中各产品开发数据的匹配值；在所述匹配值大于或等于预设匹配阈值时，确定所述目标差评特征与所述产品开发数据匹配；
确定所述产品开发数据集中与所述目标差评特征相匹配的所有产品开发数据，得到核心漏洞集。
详细地，所述利用匹配算法计算所述目标差评特征与所述产品开发数据集中各产品开发数据的匹配值，包括：
利用如下匹配算法计算所述目标差评特征与所述产品开发数据集中产品开发数据的匹配值LFk(q)：
其中，Nk(q)为所述产品开发数据集，ldk(q)为Nk(q)内的第q个产品开发数据，ld(p)为所述典型差评特征集中第q个典型差评特征，k为Nk(q)中产品开发数据的个数，reach-distk(p,q)为用于计算p，q之间的距离的运算。
本发明实施例通过将典型差评特征集与产品开发数据集进行漏洞匹配，可准确地从产品开发数据集找出与典型差评特征所对应的存在漏洞的地方，以便于后续对漏洞进行补正。
S4、计算所述核心漏洞集中各核心漏洞的优先级。
本发明实施例中，所述计算所述核心漏洞集中各核心漏洞的优先级，包括：
利用如下优先级算法计算所述多个核心漏洞中各核心漏洞的优先级：
Pric＝∑(α*frequencyc+β*gradec)
其中，Pric为所述多个核心漏洞中第c个核心漏洞的优先级，frequencyc为所述多个核心漏洞中第c个核心漏洞出现的次数，gradec为所述多个核心漏洞中第c个核心漏洞的漏洞等级，α，β为预设系数。
较佳地，所述多个核心漏洞中第c个核心漏洞的漏洞等级可由开发人员进行定义。
S5、将所述多个核心漏洞按照所述优先级进行排序，得到漏洞列表。
本发明实施例中，将所述多个核心漏洞按照所述优先级从大到小进行排序，得到漏洞列表。
例如，多个核心漏洞包括漏洞A，漏洞B和漏洞C，漏洞A的漏洞优先级为50，漏洞B的漏洞优先级为80，漏洞C的漏洞优先级为20，则将漏洞A、漏洞B与漏洞C按照漏洞优先级从大到小排序为：漏洞B、漏洞A、漏洞C。
本发明实施例将多个核心漏洞按照所述漏洞优先级从大到小进行排序，得到漏洞列表，可优先保证处理优先级最该的核心漏洞。
S6、按照所述漏洞列表为所述核心漏洞集查询漏洞解决方案。
本发明实施例中，所述按照所述漏洞列表为所述核心漏洞集查询漏洞解决方案，包括：
按照从前向后的顺序从所述漏洞列表中依次选取其中一个核心漏洞，作为目标漏洞；
从预设的方案数据库中查询所述目标漏洞的目标解决方案，直至所述漏洞列表中每个核心漏洞的解决方案均查找完成。
本发明一可选实施例中，从用于存储漏洞解决方案的数据库中按照所述漏洞列表的顺序从前向后为所述多个核心漏洞查询漏洞解决方案，其中，查询漏洞解决方案时，若在后向核心漏洞的解决方案与在前向核心漏洞的解决方案冲突，舍弃查询到的在后向核心漏洞的解决方案。
详细地，所述在前向核心漏洞和所述在后向核心漏洞是相对而言的，例如，漏洞列表中核心漏洞的顺序为漏洞B、漏洞A和漏洞C，则漏洞B相对于漏洞A和漏洞C为在前向核心漏洞，漏洞A和漏洞C相对于漏洞B为在后向核心漏洞，依次类推。
具体地，查询漏洞解决方案时，当在后向核心漏洞的解决方案与在前向核心漏洞的解决方案冲突时，舍弃查询到的在后向核心漏洞的解决方案，例如，查询得到漏洞B的解决方案和；漏洞A的解决方案后，当漏洞A的解决方案与漏洞B的解决方案存在冲突时，舍弃漏洞A的解决方案。
本本发明实施例通过当在后向核心漏洞的解决方案与在前向核心漏洞的解决方案冲突时，舍弃查询到的在后向核心漏洞的解决方案，保证了较高优先级的核心漏洞可以被优先解决，且按照漏洞列表为所述一个或者多个核心漏洞查询漏洞解决方案，避免重复对相同的核心漏洞查找漏洞解决方案，提高了查找漏洞解决方案的效率。
本发明实施例获取用户评价数据集，对用户评价数据集进行特征提取，得到用户差评特征集，对用户差评特征集进行特征选优，得到典型差评特征集，通过特征提取及特征选优可提取出用户评价数据集中具有代表性的差评数据，保证筛选出的典型差评特征集可反映出较多用户的需求；获取产品开发数据集，对典型差评特征集与产品开发数据集进行匹配分析，得到核心漏洞集，可提高获取核心漏洞的精确度；计算所述核心漏洞集中各核心漏洞的优先级，将多个核心漏洞按照优先级进行排序，得到漏洞列表，按照漏洞列表为所述核心漏洞集查询漏洞解决方案，避免重复对相同的核心漏洞查找漏洞解决方案，提高了查找漏洞解决方案的效率。因此本发明提出的产品漏洞方案查询方法，可以提高查找产品漏洞及漏洞解决方案的精确度及效率。
如图2所示，是本发明产品漏洞方案查询装置的模块示意图。
本发明所述产品漏洞方案查询装置100可以安装于电子设备中。根据实现的功能，所述产品漏洞方案查询装置可以包括特征提取模块101、特征选优模块102、匹配分析模块103、优先级计算模块104、排序模块105和方案查询模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述特征提取模块101，用于获取用户评价数据集，对所述用户评价数据集进行特征提取，得到用户差评特征集；
所述特征选优模块102，用于对所述用户差评特征集进行特征选优，得到典型差评特征集；
所述匹配分析模块103，用于获取产品开发数据集，对所述典型差评特征集与所述产品开发数据集进行匹配分析，得到核心漏洞集；
所述优先级计算模块104，用于计算所述核心漏洞集中各核心漏洞的优先级；
所述排序模块105，用于将所述多个核心漏洞按照所述优先级进行排序，得到漏洞列表；
所述方案查询模块106，用于按照所述漏洞列表为所述核心漏洞集查询漏洞解决方案。
本发明实施例所提供的产品漏洞方案查询100中的模块能够在使用时利用上述的图1的产品漏洞方案查询方法的实施例一样的技术手段，并产生一样的技术效果，在此不再赘述。
如图3所示，是本发明实现产品漏洞方案查询方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如产品漏洞方案查询程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如产品漏洞方案查询程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行产品漏洞方案查询程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的产品漏洞方案查询程序12是多个计算机程序的组合，在所述处理器10中运行时，可以实现：
获取用户评价数据集，对所述用户评价数据集进行特征提取，得到用户差评特征集；
对所述用户差评特征集进行特征选优，得到典型差评特征集；
获取产品开发数据集，对所述典型差评特征集与所述产品开发数据集进行匹配分析，得到核心漏洞集；
计算所述核心漏洞集中各核心漏洞的优先级；
将所述多个核心漏洞按照所述优先级进行排序，得到漏洞列表；
按照所述漏洞列表为所述核心漏洞集查询漏洞解决方案。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元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。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种产品漏洞方案查询方法，其特征在于，所述方法包括：
获取用户评价数据集，对所述用户评价数据集进行特征提取，得到用户差评特征集；
对所述用户差评特征集进行特征选优，得到典型差评特征集；
获取产品开发数据集，对所述典型差评特征集与所述产品开发数据集进行匹配分析，得到核心漏洞集；
计算所述核心漏洞集中各核心漏洞的优先级；
将所述多个核心漏洞按照所述优先级进行排序，得到漏洞列表；
按照所述漏洞列表为所述核心漏洞集查询漏洞解决方案。
2.如权利要求1所述的产品产品漏洞方案查询方法，其特征在于，所述按照所述漏洞列表为所述核心漏洞集查询漏洞解决方案，包括：
按照从前向后的顺序从所述漏洞列表中依次选取其中一个核心漏洞，作为目标漏洞；
从预设的方案数据库中查询所述目标漏洞的目标解决方案，直至所述漏洞列表中每个核心漏洞的解决方案均查找完成。
3.如权利要求1所述的产品漏洞方案查询方法，其特征在于，所述对所述典型差评特征集与所述产品开发数据集进行匹配分析，得到核心漏洞集，包括：
从所述典型差评特征集中随机选取其中一个典型差评特征作为目标差评特征；
利用匹配算法计算所述目标差评特征与所述产品开发数据集中各产品开发数据的匹配值；在所述匹配值大于或等于预设匹配阈值时，确定所述目标差评特征与所述产品开发数据匹配；
确定所述产品开发数据集中与所述目标差评特征相匹配的所有产品开发数据，得到核心漏洞集。
4.如权利要求3所述的产品漏洞方案查询方法，其特征在于，所述利用匹配算法计算所述目标差评特征与所述产品开发数据集中各产品开发数据的匹配值，包括：
利用如下匹配算法计算所述目标差评特征与所述产品开发数据集中产品开发数据的匹配值LFk(q)：
其中，Nk(q)为所述产品开发数据集，ldk(q)为Nk(q)内的第q个产品开发数据，ld(p)为所述典型差评特征集中第q个典型差评特征，k为Nk(q)中产品开发数据的个数，reach-distk(p，q)为用于计算p，q之间的距离的运算。
5.如权利要求1所述的产品漏洞方案查询方法，其特征在于，所述对所述用户评价数据集进行特征提取，得到用户差评特征集，包括：
对所述用户评价数据集进行分词处理，得到初始分词集；
对所述分词集中的分词进行无效词删除，得到标准分词集；
将所述标准分词集中各标准分词进行词向量转换，得到词向量集；
利用预先训练完成的差评特征提取模型对所述用户评价数据集进行特征提取，得到用户差评特征集。
6.如权利要求5所述的产品漏洞方案查询方法，其特征在于，所述将所述标准分词集中各标准分词进行词向量转换，得到词向量集，包括：
通过遍历操作，依次从所述标准分词集中选择一个标准分词作为待转换分词；
将所述待转换分词中的每个字节进行字节编码，得到字节向量集；
将所述字节向量集中的字节向量进行拼接，得到所述待转换分词的词向量，直至所述标准分词集中所有标准分词转换为词向量，得到所述词向量集。
7.如权利要求1至6中任一项所述的产品漏洞方案查询方法，其特征在于，所述对所述用户差评特征集进行特征选优，得到典型差评特征集，包括：
利用特征权重算法计算所述用户差评特征集中各用户差评特征的特征权重；
选取所述特征权重大于权重阈值的用户差评特征汇集为典型差评特征集。
8.一种产品漏洞方案查询装置，其特征在于，所述装置包括：
特征提取模块，用于获取用户评价数据集，对所述用户评价数据集进行特征提取，得到用户差评特征集；
特征选优模块，用于对所述用户差评特征集进行特征选优，得到典型差评特征集；
匹配分析模块，用于获取产品开发数据集，对所述典型差评特征集与所述产品开发数据集进行匹配分析，得到核心漏洞集；
优先级计算模块，用于计算所述核心漏洞集中各核心漏洞的优先级；
排序模块，用于将所述多个核心漏洞按照所述优先级进行排序，得到漏洞列表；
方案查询模块，用于按照所述漏洞列表为所述核心漏洞集查询漏洞解决方案。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的产品漏洞方案查询方法。
10.一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的产品漏洞方案查询方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011435177.6A CN112417300A (zh) | 2020-12-10 | 2020-12-10 | 产品漏洞方案查询方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011435177.6A CN112417300A (zh) | 2020-12-10 | 2020-12-10 | 产品漏洞方案查询方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112417300A true CN112417300A (zh) | 2021-02-26 |
Family
ID=74775426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011435177.6A Pending CN112417300A (zh) | 2020-12-10 | 2020-12-10 | 产品漏洞方案查询方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112417300A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9588760B1 (en) * | 2015-11-24 | 2017-03-07 | International Business Machines Corporation | Software application development feature and defect selection |
| CN108717459A (zh) * | 2018-05-24 | 2018-10-30 | 哈尔滨工程大学 | 一种面向用户评论信息的移动应用缺陷定位方法 |
| CN109189910A (zh) * | 2018-09-18 | 2019-01-11 | 哈尔滨工程大学 | 一种面向移动应用问题报告的标签自动推荐方法 |
| CN109493129A (zh) * | 2018-10-30 | 2019-03-19 | 深圳美云智数科技有限公司 | 产品智能设计的方法及装置、电子设备、存储介质 |
| CN109783807A (zh) * | 2018-12-21 | 2019-05-21 | 昆明理工大学 | 一种针对app软件缺陷的用户评论挖掘方法 |
| CN110263329A (zh) * | 2019-05-22 | 2019-09-20 | 深圳壹账通智能科技有限公司 | 软件产品测评处理方法、装置、计算机设备及存储介质 |
| CN110659828A (zh) * | 2019-09-23 | 2020-01-07 | 上海海事大学 | 一种基于评论数据的软件特征评价方法 |
-
2020
- 2020-12-10 CN CN202011435177.6A patent/CN112417300A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9588760B1 (en) * | 2015-11-24 | 2017-03-07 | International Business Machines Corporation | Software application development feature and defect selection |
| CN108717459A (zh) * | 2018-05-24 | 2018-10-30 | 哈尔滨工程大学 | 一种面向用户评论信息的移动应用缺陷定位方法 |
| CN109189910A (zh) * | 2018-09-18 | 2019-01-11 | 哈尔滨工程大学 | 一种面向移动应用问题报告的标签自动推荐方法 |
| CN109493129A (zh) * | 2018-10-30 | 2019-03-19 | 深圳美云智数科技有限公司 | 产品智能设计的方法及装置、电子设备、存储介质 |
| CN109783807A (zh) * | 2018-12-21 | 2019-05-21 | 昆明理工大学 | 一种针对app软件缺陷的用户评论挖掘方法 |
| CN110263329A (zh) * | 2019-05-22 | 2019-09-20 | 深圳壹账通智能科技有限公司 | 软件产品测评处理方法、装置、计算机设备及存储介质 |
| WO2020233309A1 (zh) * | 2019-05-22 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 软件产品测评处理方法、装置、计算机设备及存储介质 |
| CN110659828A (zh) * | 2019-09-23 | 2020-01-07 | 上海海事大学 | 一种基于评论数据的软件特征评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| TIMO JOHANN 等;: "SAFE: A Simple Approach for Feature Extraction from App Descriptions and App Reviews", 《REQUIREMENTS ENGINEERING CONFERENCE (RE), 2017 IEEE 25TH INTERNATIONAL》, 25 September 2017 (2017-09-25), pages 22 - 24 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022160449A1 (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN112380859A (zh) | 舆情信息的推荐方法、装置、电子设备及计算机存储介质 | |
| CN113449187A (zh) | 基于双画像的产品推荐方法、装置、设备及存储介质 | |
| CN112579621B (zh) | 数据展示方法、装置、电子设备及计算机存储介质 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
| CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
| CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN111831708A (zh) | 基于缺失数据的样本分析方法、装置、电子设备及介质 | |
| CN112541688B (zh) | 业务数据校验方法、装置、电子设备及计算机存储介质 | |
| CN112104662B (zh) | 远端数据读写方法、装置、设备及计算机可读存储介质 | |
| CN111460293B (zh) | 信息推送方法、装置及计算机可读存储介质 | |
| CN112052310A (zh) | 基于大数据的信息获取方法、装置、设备及存储介质 | |
| CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
| CN114780688A (zh) | 基于规则匹配的文本质检方法、装置、设备及存储介质 | |
| CN113888265A (zh) | 产品推荐方法、装置、设备及计算机可读存储介质 | |
| CN112417300A (zh) | 产品漏洞方案查询方法、装置、电子设备及存储介质 | |
| CN113419951A (zh) | 人工智能模型优化方法、装置、电子设备及存储介质 | |
| CN113656586A (zh) | 情感分类方法、装置、电子设备及可读存储介质 | |
| CN113347451A (zh) | 视频上传方法、装置、电子设备及计算机可读存储介质 | |
| CN113434413A (zh) | 基于数据差异的数据测试方法、装置、设备及存储介质 | |
| CN113434660A (zh) | 基于多领域分类的产品推荐方法、装置、设备及存储介质 | |
| CN113592606B (zh) | 基于多重决策的产品推荐方法、装置、设备及存储介质 | |
| CN113723554B (zh) | 模型调度方法、装置、电子设备及计算机可读存储介质 | |
| CN115225489B (zh) | 队列业务流量阈值动态控制方法、电子设备及存储介质 |
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 |