CN112631889B - 针对应用系统的画像方法、装置、设备及可读存储介质 - Google Patents
针对应用系统的画像方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN112631889B CN112631889B CN202011619523.6A CN202011619523A CN112631889B CN 112631889 B CN112631889 B CN 112631889B CN 202011619523 A CN202011619523 A CN 202011619523A CN 112631889 B CN112631889 B CN 112631889B
- Authority
- CN
- China
- Prior art keywords
- application system
- preset
- target
- tag
- corresponding relation
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 117
- 238000012423 maintenance Methods 0.000 claims abstract description 103
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 230000014509 gene expression Effects 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000000586 desensitisation Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013070 change management Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3476—Data logging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例提供了一种针对应用系统的画像方法、装置、设备及可读存储介质,获取特征模板,从应用系统的日志中提取特征模板中的特征的数值,依据数值以及第一预设对应关系,确定作为应用系统的标签的目标标签,使用目标标签生成应用系统的画像。第一预设关系为标签库中的特征与预设的标签的对应关系,标签库依据运维数据、运维数据的历史评价数据、以及参数创建,运维数据和对运维数据的历史评价数据为客观数据,可见标签库具有客观性,表征表达项在运维数据中的重要程度的参数具有准确性,所以标签库具有准确性,因此本方法依据数值以及第一预设对应关系,确定的目标标签具有客观性和准确性,适用于对于应用系统的评价。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种针对应用系统的画像方法、装置、设备及可读存储介质。
背景技术
目前,使用标签以及标签值描述应用系统的总体运行情况,可以解决应用系统分析评价困难的难题,但是,目前“用户画像”所定义的用户标签不适用于对应用系统的描述,所以,使用现有的用户标签针对应用系统运行状况的分析与评价的准确性低,缺乏有效性,可见,针对应用系统运行状况的分析与评价仍然缺少客观有效且准确性高的方法。
发明内容
本申请提供了一种针对应用系统的画像方法、装置、设备及可读存储介质,至少用于提高针对应用系统的画像的客观性和有效性,如下:
一种针对应用系统的画像方法,包括:
获取特征模板,所述特征模板包括多个特征,所述特征从预设的标签库中获取,所述标签库包括第一预设对应关系,所述第一预设对应关系包括所述特征与预设的标签的对应关系;所述标签库依据运维数据、所述运维数据的历史评价数据、以及参数创建,所述参数用于表征来自所述运维数据的表达项在所述运维数据中的重要程度;
从所述应用系统的日志中提取所述特征的数值;
依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签;
使用所述目标标签生成所述应用系统的画像。
可选地,标签库的创建流程包括:
从所述运维数据中提取作为第一表达项的关键词;
确定所述关键词的权重,作为第一参数;
获取作为第二表达项的短语在所述运维数据中的词频,作为第二参数,所述短语由多个所述关键词构成;
依据所述第一参数以及所述第二参数,从所述短语中获取候选标签;
从对所述运维数据的历史评价数据中,获取所述候选标签的属性信息;
依据所述属性信息,从所述候选标签中筛选标签。
可选地,依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签,包括:
在所述数值不为空的情况下,依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签。
可选地,标签库还包括:第二预设对应关系,所述第二预设对应关系包括所述标签、预设的提取规则、和预设的取值内容的对应关系,所述取值内容包括至少一项取值结果。
所述依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签之后,还包括:
依据目标特征的数值和目标提取规则,确定所述目标标签的标签取值,所述标签取值为目标取值内容中的一个所述取值结果;
其中,所述目标特征为所述第一预设对应关系中所述目标标签对应的特征,所述目标提取规则为所述第二预设对应关系中,所述目标标签对应的提取规则,所述目标取值内容为所述第二预设对应关系中,所述目标标签对应的取值内容。
可选地,标签库还包括:第三预设对应关系,所述第三预设对应关系包括所述特征与预设的特征计算方法的对应关系;
所述从所述应用系统的日志中提取所述特征的数值,包括:
依据所述第三预设对应关系中与所述特征对应的特征计算方法,获取所述特征的数值。
可选地,使用所述目标标签生成所述应用系统的画像,包括:
使用所述目标标签的权重,生成所述应用系统的画像,其中,权重越大的目标标签,在所述画像中的展示位置与预设核心区域的距离越近,或者,展示次序越靠前。
可选地,使用所述目标标签生成所述应用系统的画像,包括:
使用所述目标标签所属的类型对应的展示方式,展示所述应用系统的画像,所述展示方式包括:趋势图、排序图、地域图、关联图的至少一项。
一种针对应用系统的画像装置,包括:
模板获取模块,用于获取特征模板,所述特征模板包括多个特征,所述特征从预设的标签库中获取,所述标签库包括第一预设对应关系,所述第一预设对应关系包括所述特征与预设的标签的对应关系;所述标签库依据运维数据、所述运维数据的历史评价数据、以及参数创建,所述参数用于表征来自所述运维数据的表达项在所述运维数据中的重要程度;
数值获取模块,用于从所述应用系统的日志中提取所述特征的数值;
标签获取模块,用于依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签;
画像生成模块,用于使用所述目标标签生成所述应用系统的画像。
一种针对应用系统的画像设备,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如上所述的针对应用系统的画像方法的各个步骤。
一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如上所述的针对应用系统的画像方法的各个步骤。
由上述技术方案可以看出,本申请实施例提供的针对应用系统的画像方法、装置、设备及可读存储介质,获取特征模板,从应用系统的日志中提取特征模板中的特征的数值,依据数值以及第一预设对应关系,确定作为应用系统的标签的目标标签,使用目标标签生成应用系统的画像。本方法中,第一预设关系为标签库中的特征与预设的标签的对应关系,由于标签库依据运维数据、运维数据的历史评价数据、以及参数创建,可以理解的是,运维数据和对运维数据的历史评价数据为客观数据,可见标签库具有客观性,又由于,表征表达项在运维数据中的重要程度的参数具有准确性,所以标签库具有准确性,也即,第一预设关系具有客观性和准确性,因此本方法依据数值以及第一预设对应关系,确定的目标标签具有客观性和准确性,适用于对于应用系统的评价,综上,使用目标标签生成的画像能够客观和准确的描述应用系统,可见,本方法为应用系统运行状况的分析与评价提供了一种客观有效且准确性高的方法。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种针对应用系统的画像方法的具体实施方式的流程示意图;
图2为本申请实施例提供的一种获取日志的方法的流程框架图;
图3为本申请实施例提供的一种应用系统画像的标签库的构建方法的流程示意图;
图4为本申请实施例提供的一种针对应用系统的画像方法的流程示意图;
图5为本申请实施例提供的一种针对应用系统的画像装置的结构示意图;
图6为本申请实施例提供的一种针对应用系统的画像设备的结构示意图。
具体实施方式
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,显然,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。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供的针对应用系统的画像方法应用在但不限于对应用系统的运行状况的分析与评价的过程,本实施例中,应用系统可以为银行的业务系统或预设的其他系统,本方法获取用于描述应用系统的标签以及标签的取值,并依据标签以及标签值生成应用系统的画像,目的在于描述业务系统的运行状态,实现对业务系统进行直观、准确、高效的分析评价。
图1为本申请实施例提供的一种针对应用系统的画像方法的具体实现方法的流程示意图,如图1所示,具体可以包括下述S101~S106。
S101、获取应用系统的日志。
本实施例中,日志包括应用系统在运行过程中产生的预设类型的日志数据,日志数据的类型包括但不限于:运维日志、应用日志、系统日志、和系统配置库。
需要说明的是,获取应用系统日志的方法包括多种,可选的一种获取应用系统日志的方法为:对原始数据进行采集、预处理、和分布式存储,得到日志,具体可以参见下述实施例图2所示的流程。
S102、获取特征模板。
本实施例中,特征模板包括多个特征,特征为日志中用于评价系统运行状况的指标项,例如,交易时间、交易次数、或数据库日志空间使用率。
本实施例中,特征从预设的标签库中获取,标签库为应用画像标签库至少包括第一预设对应关系,第二预设对应关系、以及第三对应关系。
其中,第一预设对应关系包括特征与预设的标签的对应关系。第二预设对应关系包括标签、预设的提取规则、和预设的标签取值的对应关系。第三对应关系包括特征与预设的特征计算方法的对应关系。
需要说明的是,标签库依据运维数据、运维数据的历史评价数据、以及参数创建,其中,参数用于表征来自运维数据的表达项在运维数据中的重要程度。具体的一种构建标签库的方法参见图3所示的流程示意图。
S103、依据第三预设对应关系中与特征对应的特征计算方法,获取特征的数值。
本实施例中,特征计算方法包括但不限于:
(1)直接归纳法:将特征的值直接作为数值,在实际应用中具体用于获取配置管理类的特征的数值,例如,直接将特征“业务服务时段”的特征值下午三点至五点,作为特征的数值。
(2)统计计算法:可以通过计算得到特征的数值,在实际应用中具体用于类型为获取数值型、区间型、或枚举型的特征的数值,例如,“用户不同性别占比”为数值型特征,对应的统计计算方法为:将t时间内男性用户与女性用户的比值作为“用户不同性别占比”的数值。
具体的依据特征计算方法获取特征的数值的方法可以参见现有技术。
S104、在数值不为空的情况下,依据数值以及第一预设对应关系,确定作为应用系统的标签的目标标签。
本实施例中,特征的数值为空指的是提取特征失败或计算特征的数值失败。
在数值不为空的情况下,依据数值以及第一预设对应关系,确定作为应用系统的标签的目标标签的方法包括:将数值不为空的特征对应的标签作为目标标签。
需要说明的是,若标签对应于多个特征,则在标签对应的多个特征都不为空的情况下,确定标签为目标标签。
进一步需要说明的是,若标签对应的特征中至少一个为空,则标签不能作为描述应用系统的目标标签。
S105、依据目标特征的数值和目标提取规则,确定目标标签的标签取值。
本实施例中,标签取值为目标取值内容中的一个取值结果,目标特征为第一预设对应关系中目标标签对应的特征,目标提取规则为第二预设对应关系中,目标标签对应的提取规则,目标取值内容为第二预设对应关系中,目标标签对应的取值内容。
可选地,提取规则包括提取方式和提取方法,其中提取方式包括但不限于统计归纳法和决策树法,具体包括:
(1)统计分析法。
统计分析法用于直接归纳类单一标签和统计分析类单一标签的标签取值,直接归纳类单一标签无需计算,依赖于系统本身的配置信息或者事实现状,即配置管理类标签,可直接采用特征的数值作为标签取值。统计分析类单一标签须根据特征的数值与预设的阈值的比较结果得到。具体可以参见现有技术。
(2)决策树法。
决策树是一种利用历史数据构建、用于对未知数据进行策略抉择的树,也就是根据已知,预测、归类未来。提取方法包括的决策树法包括:使用预测的决策树进行决策,从根节点开始,依据多个特征的数值,选择数值对应的预设的输出分支,直到到达叶子节点,将叶子节点存放的类别(标签的取值内容中的取值结果)作为决策结果,具体可以参见现有技术。
S106、使用目标标签生成应用系统的画像。
本实施例中,使用目标标签生成应用系统的画像的方法包括多种,其中可选的两种方法为:
1、使用目标标签的权重,生成应用系统的画像。
获取目标标签的权重的方法包括多种,例如,依据运维数据的历史评价信息或应用场景,预设各个标签的权重。其中,权重越大,在画像中的展示位置与预设核心区域的距离越近,或者,展示次序越靠前。
2、使用目标标签所属的类型对应的展示方式,展示应用系统的画像.
本实施例中,展示方式包括:趋势图、排序图、地域图、关联图的至少一项。
具体地,可以依据目标标签所属的类型预设目标标签的展示方式,例如,由连续数值型特征得到的目标标签可采用趋势图展示,如交易量、高峰时段等。
由上述技术方案可以看出,图1所示的本申请实施例提供的一种针对应用系统的画像方法中,由于标签库依据运维数据、运维数据的历史评价数据、以及参数创建,可以理解的是,运维数据和对运维数据的历史评价数据为客观数据,可见标签库具有客观性,又由于,表征表达项在运维数据中的重要程度的参数具有准确性,所以标签库具有准确性,也即,第一预设关系具有客观性和准确性,因此本方法依据数值以及第一预设对应关系,确定的目标标签具有客观性和准确性,适用于对于应用系统的评价,综上,使用目标标签生成的画像能够客观和准确的描述应用系统。
进一步,由于标签库具有准确性和客观性,标签库中的第二预设对应关系和第三预设对应关系也具有准确性和客观性。因此,第三预设对应关系中与特征对应的特征计算方法,获取特征的数值的客观性和准确性高。依据数值和第一预设对应关系获取的目标标签适用于对于日志的描述,对于应用系统的分析和评价的适用性高。依据目标特征的数值和目标提取规则,计算目标标签的、属于目标标签取值中一项的取值的准确性高和客观性高。
进一步,本方法通过在不同场景下预设目标标签的权重,并将目标标签按照权重的大小进行展示,可以提高应用系统画像对于运维数据描述的有效性。通过对于不同类型的目标标签按照预设的展示方式展示,能够提高应用系统画像的直观性。综上,本方法提供的目标标签的展示方式能够实现个性化指定,且提高应用系统画像的直观性和有效性。例如,与现有技术中,使用单一维度的指标评价应用系统相比,本方法使用多个目标标签对应用系统进行描述,且每一标签依据至少一个特征得到,也即,目标标签实现对应用系统多维度的全面评价。
综上,本方法为应用系统运行状况的分析与评价提供了一种客观、有效、全面且准确性高的方法。
图2示例了一种可选的获取日志的方法的流程框架图,如图2所示,具体可以包括:
S201、获取原始数据。
本实施例中,原始数据为业务系统在运行过程中产生的日志数据,可选地,原始数据包括应用日志、系统日志、以及运维日志,其中,应用日志包括业务系统应用运行记录,例如,交易流水日志、错误信息日志、报文数据日志、以及接口调用日志。系统日志包括底层软硬件环境记录,例如,操作系统日志、数据库日志、Web服务器日志、以及网络日志。运维日志包括运维操作记录,例如,变更管理日志、问题管理日志、时间管理日志、以及应用发布日志。需要说明的是,原始数据还可以包括其他类型的日志,例如监控日志,具体可以参见现有技术,本实施例对此不做限定。
本实施例中,获取原始数据的方法可以包括多种,例如,1、使用日志导出工具(例如sqoop工具)导出日志数据。2、应用Flume Agent获取日志数据(例如,程序抓取、文件传输、以及Syslog端口监听)。3、使用网络设备端口镜像获取日志,例如旁路分析。
需要说明的是,本申请实施例提供的针对应用系统的画像方法中,还可以包括其他获取原始日志的方法,具体可以参见现有技术。
S202、对原始数据进行预处理,得到日志。
本实施例中,预处理的过程至少包括日志结构化,还可以包括日志标准化和脱敏,可选地,预处理的过程包括:
A1、解析非结构化的原始数据,将非结构化的原始数据转换为结构化的日志数据。
需要说明的是,日志结构化的方法可以包括多种,具体参见现有技术。在日志结构化过程中,按照预设的字段提取key/value键值对,以键值对的形式记录预设的字段。
A2、将原始数据中相同类型的字段的记录形式统一,得到标准化的日志数据。
以字段包括时间字段、日期字段或编码格式字段为例,将原始数据中时间字段的记录形式统一成预设形式(例如将时间单位xx分xx秒),将原始数据中(例如,年/月/日)。
A3、对原始数据中的预设类型的敏感信息删除,实现数据脱敏处理。
预设类型的敏感信息包括但不限于客户姓名、交易金额、以及身份证号。
需要是说明的是,对原始数据的预处理包括但不限于A1~A3中至少一项,并且A1~A3的执行顺序不限定。
S203、分布式存储日志。
本实施例中,将日志分布式存储至预设存储空间,目的在于实现日志的并行处理,提高处理效率,具体参见现有技术。
图3为本申请实施例提供的一种应用系统画像的标签库的构建方法,具体可以包括:
S301、从运维数据中提取作为第一表达项的关键词。
本实施例中,运维数据为应用系统相关的所有运行与管理数据,运维数据包括但不限于监控告警日志、运行日志、运维日志、操作日志、工单数据、配置管理数据、运营数据、以及系统评价数据。
具体地,从运维数据中提取作为第一表达项的关键词的方法包括:对运维数据进行预处理,并对预处理后的运维数据进行分词,得到关键词。需要说明的是,预处理和分词处理的过程可以参见现有技术。
可以理解的是,运行数据为系统运行与管理过程中产生的客观数据,从运维数据中获取的关键词对于运维数据具有代表性,所以本实施例中,将关键词作为第一代表项。
S302、确定关键词的权重,作为第一参数。
本实施例中,至少依据关键词在运维数据中的词频,获取关键词的权重,具体的一种获取关键词的权重的方法包括:
B1、从所有关键词中,提取第一类关键词。
具体地,第一类关键词为具有关联词的关键词,关联词为与第一类关键词具有预设的关联关系的关键词,需要说明的是,在运维数据中多次连续出现的多个关键词之间具有关联关系,可以理解的是,具有关联关系的多个关键词按照在运维数据中的出现顺序可以组成关键词集合。
B2、至少依据第一类关键词在运维数据中的词频以及关联词在运维数据中的词频,计算第一类关键词的权重。
具体地,依据预设的第一权重计算模型计算第一类关键词的权重,第二权重计算模型依据TextRank(文本排名)算法预先建立,具体可以参见现有技术。
B3、至少依据第二类关键词在运维数据中的词频,计算第二类关键词的权重。
其中,第二类关键词为除第一类关键词之外的关键词。
具体地,依据预设的第二权重计算模型计算第二类关键词的权重,第二权重计算模型依据TF-IDF(Term Frequency-inverse Document Frequency,词频-逆向文件频率)算法建立,具体可以参见现有技术。
S303、获取作为第二表达项的短语在运维数据中的词频,作为第二参数。
本实施例中,短语由多个关键词构成,由于关键词对于运维数据具有代表性,所以短语对运维数据运维数据也具有代表性。
可选地,短语的词频的获取方法包括:将短语在运维数据中出现的次数与所有短语出现的总次数的比值作为短语的词频。
S304、依据第一参数以及第二参数,从短语中获取候选标签。
具体地,将满足第一预设参数条件和第二预设参数条件的短语作为候选标签,其中,第一预设参数条件包括:短语中每一关键词的权重大于预设权重阈值,第二预设参数条件包括:短语的词频大于预设词频阈值。
S305、从对运维数据的历史评价数据中,获取候选标签的属性信息。
可选地,获取候选标签的属性信息的方法包括:从历史评价数据中获取候选标签的相似短语、以及相似短语的属性信息,将相似短语的属性信息,作为所述候选标签的属性信息。
需要说明的是,历史评价信息包括用于评价运维数据的指标短语,以及指标短语的属性信息,属性信息包括:数据来源、计算规则、取值内容和特征表示参数,其中每一项属性信息包括至少一个子属性,本实施例中,特征表示参数包括特征和特征的计算方法,计算规则包括标签提取方法和标签提取方式(例如决策树法或统计分析法),标签提取方法为标签提取方式的具体实现方式。
需要说明的是,取值内容包括至少一项取值结果,例如,标签为交易告警,取值内容包括多或少。
S306、依据属性信息,从候选标签中筛选标签。
具体地,将属性信息满足预设的对应规则的候选标签作为标签。可选的一种筛选标签的方法包括:
将候选标签的属性信息输入预设的分类模型,得到分类模型输出的分类结果。
若所述分类结果指示候选标签所属的功能分类,则将候选标签作为标签。
若所述分类结果指示候选标签不属于任何所述功能分类,则删除候选标签。
S307、将筛选后的标签与标签的属性信息对应存储,构成应用系统画像的标签库。
需要说明的是,将筛选后的标签与标签的属性信息对应存储的具体方法包括:
将特征表示参数与标签对应存储,生成第一预设对应关系。
将提取规则、取值内容、以及标签对应存储,生成第二预设对应关系。
将特征表示参数中,特征和特征的提取方法的对应关系作为第三预设对应关系。
需要说明的是,图3为本申请实施例提供的可选地一种标签库的构建方法的具体实现方式,本方法还可以通过其他的具体实现方式构建标签库,例如,获取关键词的权重的方法包括其他可选的多种方法,具体可以参见现有技术,本实施例在此不做赘述。
由上述技术方案可以看出,本方法依据关键词的权重以及短语在运维数据中的词频,从短语中获取候选标签,并依据从对运维数据的历史评价数据中获取的候选标签的属性信息,筛选标签。其中,关键词从运维数据中获取,且短语由至少两个关键词组成,可以理解的是,关键词以及短语为两个维度的对运维数据的表达项,由于,关键词的权重能够表征作为表达项的关键词在运维数据中的重要程度,且短语的词频能够表征作为表达项的短语在运维数据中的重要程度,所以,依据关键词的权重以及短语在运维数据中的词频,从短语中获取的候选标签对于运维数据的重要程度高,以候选标签作为运维数据的表达项具有准确性和客观性,可以理解的是,历史评价数据具有客观性和准确性,所以,本方法依据从历史评价数据数据中提取的候选标签的属性信息筛选标签,进一步提高了标签的准确性和客观性,适用于对于应用系统的分析和评价。
需要说明的是,图1仅示例了本申请实施例提供的一种针对应用系统的画像方法的具体实现方法,可选地,本申请还包括其他具体实现方法,例如,S105仅为可选的一种获取目标标签取值的方法,再例如,S106中使用目标标签生成应用系统的画像的方法还包括其他方法,本实施例对此不做限定。
综上所述,本申请实施例提供的针对应用系统的画像方法可以概括为图4所示的一种针对应用系统的画像方法流程示意图,如图4所示,本方法可以包括S401~S404。
S401、获取特征模板。
本实施例中,特征模板包括多个特征,特征为日志中用于评价系统运行状况的指标项,例如,交易时间、交易次数、或数据库日志空间使用率。
本实施例中,特征从预设的标签库中获取,标签库包括第一预设对应关系,第一预设对应关系包括特征与预设的标签的对应关系。标签库依据运维数据、运维数据的历史评价数据、以及参数创建,参数用于表征来自运维数据的表达项在运维数据中的重要程度。
S402、从应用系统的日志中提取特征的数值。
本实施例中,提取特征的数值的方法可以包括多种,例如,获取人工反馈的依据预设的方法得到的特征的数值,再例如,依据标签库中,特征对应的特征计算方法计算得到的特征的数值。具体的一种获取方法可以参见上述实施例,本实施例对此不做赘述。
S403、依据数值以及第一预设对应关系,确定作为应用系统的标签的目标标签。
本实施例中,确定作为应用系统的标签的目标标签的可选的一种方法可以包括:将数值不为空的特征对应的标签作为目标标签。具体可以参见S104。
S404、使用目标标签生成应用系统的画像。
由上述技术方案可以看出,本申请实施例提供的针对应用系统的画像方法,获取特征模板,从应用系统的日志中提取特征模板中的特征的数值,依据数值以及第一预设对应关系,确定作为应用系统的标签的目标标签,使用目标标签生成应用系统的画像。本方法中,第一预设关系为标签库中的特征与预设的标签的对应关系,由于标签库依据运维数据、运维数据的历史评价数据、以及参数创建,可以理解的是,运维数据和对运维数据的历史评价数据为客观数据,可见标签库具有客观性,又由于,表征表达项在运维数据中的重要程度的参数具有准确性,所以标签库具有准确性,也即,第一预设关系具有客观性和准确性,因此本方法依据数值以及第一预设对应关系,确定的目标标签具有客观性和准确性,适用于对于应用系统的评价,综上,使用目标标签生成的画像能够客观和准确的描述应用系统,可见,本方法为应用系统运行状况的分析与评价提供了一种客观有效且准确性高的方法。
图5示出了本申请实施例提供的一种针对应用系统的画像装置的结构示意图,如图5所示,该装置可以包括:
模板获取模块501,用于获取特征模板,所述特征模板包括多个特征,所述特征从预设的标签库中获取,所述标签库包括第一预设对应关系,所述第一预设对应关系包括所述特征与预设的标签的对应关系;所述标签库依据运维数据、所述运维数据的历史评价数据、以及参数创建,所述参数用于表征来自所述运维数据的表达项在所述运维数据中的重要程度;
数值获取模块502,用于从所述应用系统的日志中提取所述特征的数值;
标签获取模块503,用于依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签;
画像生成模块504,用于使用所述目标标签生成所述应用系统的画像。
可选地,好包括标签库创建单元,用于:从所述运维数据中提取作为第一表达项的关键词;确定所述关键词的权重,作为第一参数;获取作为第二表达项的短语在所述运维数据中的词频,作为第二参数,所述短语由多个所述关键词构成;依据所述第一参数以及所述第二参数,从所述短语中获取候选标签;从对所述运维数据的历史评价数据中,获取所述候选标签的属性信息;依据所述属性信息,从所述候选标签中筛选标签。
可选地,标签获取模块用于依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签,包括:标签获取模块具体用于:
在所述数值不为空的情况下,依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签。
可选地,标签库还包括:第二预设对应关系,所述第二预设对应关系包括所述标签、预设的提取规则、和预设的取值内容的对应关系,所述取值内容包括至少一项取值结果。
本装置还包括:标签取值确定单元,用于在所述依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签之后,依据目标特征的数值和目标提取规则,确定所述目标标签的标签取值,所述标签取值为目标取值内容中的一个所述取值结果;其中,所述目标特征为所述第一预设对应关系中所述目标标签对应的特征,所述目标提取规则为所述第二预设对应关系中,所述目标标签对应的提取规则,所述目标取值内容为所述第二预设对应关系中,所述目标标签对应的取值内容。
可选地,标签库还包括:第三预设对应关系,所述第三预设对应关系包括所述特征与预设的特征计算方法的对应关系;
数值获取模块,用于从所述应用系统的日志中提取所述特征的数值,包括:数值获取模块具体用于:
依据所述第三预设对应关系中与所述特征对应的特征计算方法,获取所述特征的数值。
可选地,画像生成模块用于使用所述目标标签生成所述应用系统的画像,包括:画像生成模块具体用于:
使用所述目标标签的权重,生成所述应用系统的画像,其中,权重越大的目标标签,在所述画像中的展示位置与预设核心区域的距离越近,或者,展示次序越靠前。
可选地,画像生成模块用于使用所述目标标签生成所述应用系统的画像,包括:画像生成模块具体用于:
使用所述目标标签所属的类型对应的展示方式,展示所述应用系统的画像,所述展示方式包括:趋势图、排序图、地域图、关联图的至少一项。
图6示出了该针对应用系统的画像设备的结构示意图,该设备可以包括:至少一个处理器601,至少一个通信接口602,至少一个存储器603和至少一个通信总线604;
在本申请实施例中,处理器601、通信接口602、存储器603、通信总线604的数量为至少一个,且处理器601、通信接口602、存储器603通过通信总线604完成相互间的通信;
处理器601可能是一个中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器603可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可执行存储器存储的程序,实现本申请实施例提供的一种针对应用系统的画像方法的各个步骤,如下:
一种针对应用系统的画像方法,包括:
获取特征模板,所述特征模板包括多个特征,所述特征从预设的标签库中获取,所述标签库包括第一预设对应关系,所述第一预设对应关系包括所述特征与预设的标签的对应关系;所述标签库依据运维数据、所述运维数据的历史评价数据、以及参数创建,所述参数用于表征来自所述运维数据的表达项在所述运维数据中的重要程度;
从所述应用系统的日志中提取所述特征的数值;
依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签;
使用所述目标标签生成所述应用系统的画像。
可选地,标签库的创建流程包括:
从所述运维数据中提取作为第一表达项的关键词;
确定所述关键词的权重,作为第一参数;
获取作为第二表达项的短语在所述运维数据中的词频,作为第二参数,所述短语由多个所述关键词构成;
依据所述第一参数以及所述第二参数,从所述短语中获取候选标签;
从对所述运维数据的历史评价数据中,获取所述候选标签的属性信息;
依据所述属性信息,从所述候选标签中筛选标签。
可选地,依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签,包括:
在所述数值不为空的情况下,依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签。
可选地,标签库还包括:第二预设对应关系,所述第二预设对应关系包括所述标签、预设的提取规则、和预设的取值内容的对应关系,所述取值内容包括至少一项取值结果。
所述依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签之后,还包括:
依据目标特征的数值和目标提取规则,确定所述目标标签的标签取值,所述标签取值为目标取值内容中的一个所述取值结果;
其中,所述目标特征为所述第一预设对应关系中所述目标标签对应的特征,所述目标提取规则为所述第二预设对应关系中,所述目标标签对应的提取规则,所述目标取值内容为所述第二预设对应关系中,所述目标标签对应的取值内容。
可选地,标签库还包括:第三预设对应关系,所述第三预设对应关系包括所述特征与预设的特征计算方法的对应关系;
所述从所述应用系统的日志中提取所述特征的数值,包括:
依据所述第三预设对应关系中与所述特征对应的特征计算方法,获取所述特征的数值。
可选地,使用所述目标标签生成所述应用系统的画像,包括:
使用所述目标标签的权重,生成所述应用系统的画像,其中,权重越大的目标标签,在所述画像中的展示位置与预设核心区域的距离越近,或者,展示次序越靠前。
可选地,使用所述目标标签生成所述应用系统的画像,包括:
使用所述目标标签所属的类型对应的展示方式,展示所述应用系统的画像,所述展示方式包括:趋势图、排序图、地域图、关联图的至少一项。
本申请实施例还提供一种可读存储介质,该可读存储介质可存储有适于处理器执行的计算机程序,计算机程序被处理器执行时,实现本申请实施例提供的一种针对应用系统的画像方法的各个步骤,如下:
一种针对应用系统的画像方法,包括:
获取特征模板,所述特征模板包括多个特征,所述特征从预设的标签库中获取,所述标签库包括第一预设对应关系,所述第一预设对应关系包括所述特征与预设的标签的对应关系;所述标签库依据运维数据、所述运维数据的历史评价数据、以及参数创建,所述参数用于表征来自所述运维数据的表达项在所述运维数据中的重要程度;
从所述应用系统的日志中提取所述特征的数值;
依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签;
使用所述目标标签生成所述应用系统的画像。
可选地,标签库的创建流程包括:
从所述运维数据中提取作为第一表达项的关键词;
确定所述关键词的权重,作为第一参数;
获取作为第二表达项的短语在所述运维数据中的词频,作为第二参数,所述短语由多个所述关键词构成;
依据所述第一参数以及所述第二参数,从所述短语中获取候选标签;
从对所述运维数据的历史评价数据中,获取所述候选标签的属性信息;
依据所述属性信息,从所述候选标签中筛选标签。
可选地,依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签,包括:
在所述数值不为空的情况下,依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签。
可选地,标签库还包括:第二预设对应关系,所述第二预设对应关系包括所述标签、预设的提取规则、和预设的取值内容的对应关系,所述取值内容包括至少一项取值结果。
所述依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签之后,还包括:
依据目标特征的数值和目标提取规则,确定所述目标标签的标签取值,所述标签取值为目标取值内容中的一个所述取值结果;
其中,所述目标特征为所述第一预设对应关系中所述目标标签对应的特征,所述目标提取规则为所述第二预设对应关系中,所述目标标签对应的提取规则,所述目标取值内容为所述第二预设对应关系中,所述目标标签对应的取值内容。
可选地,标签库还包括:第三预设对应关系,所述第三预设对应关系包括所述特征与预设的特征计算方法的对应关系;
所述从所述应用系统的日志中提取所述特征的数值,包括:
依据所述第三预设对应关系中与所述特征对应的特征计算方法,获取所述特征的数值。
可选地,使用所述目标标签生成所述应用系统的画像,包括:
使用所述目标标签的权重,生成所述应用系统的画像,其中,权重越大的目标标签,在所述画像中的展示位置与预设核心区域的距离越近,或者,展示次序越靠前。
可选地,使用所述目标标签生成所述应用系统的画像,包括:
使用所述目标标签所属的类型对应的展示方式,展示所述应用系统的画像,所述展示方式包括:趋势图、排序图、地域图、关联图的至少一项。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种针对应用系统的画像方法,其特征在于,包括:
获取特征模板,所述特征模板包括多个特征,所述特征从预设的标签库中获取,所述标签库包括第一预设对应关系,所述第一预设对应关系包括所述特征与预设的标签的对应关系;所述标签库依据运维数据、所述运维数据的历史评价数据以及参数创建,所述参数用于表征来自所述运维数据的表达项在所述运维数据中的重要程度;
从所述应用系统的日志中提取所述特征的数值;
依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签;
使用所述目标标签生成所述应用系统的画像;
所述标签库的创建流程包括:从所述运维数据中提取作为第一表达项的关键词;确定所述关键词的权重,作为第一参数;获取作为第二表达项的短语在所述运维数据中的词频,作为第二参数,所述短语由多个所述关键词构成;依据所述第一参数以及所述第二参数,从所述短语中获取候选标签;从对所述运维数据的历史评价数据中,获取所述候选标签的属性信息;依据所述属性信息,从所述候选标签中筛选标签。
2.根据权利要求1所述的方法,其特征在于,所述依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签,包括:
在所述数值不为空的情况下,依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签。
3.根据权利要求2所述的方法,其特征在于,所述标签库还包括:第二预设对应关系,所述第二预设对应关系包括所述标签、预设的提取规则和预设的取值内容的对应关系,所述取值内容包括至少一项取值结果;
所述依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签之后,还包括:
依据目标特征的数值和目标提取规则,确定所述目标标签的标签取值,所述标签取值为目标取值内容中的一个所述取值结果;
其中,所述目标特征为所述第一预设对应关系中所述目标标签对应的特征,所述目标提取规则为所述第二预设对应关系中所述目标标签对应的提取规则,所述目标取值内容为所述第二预设对应关系中所述目标标签对应的取值内容。
4.根据权利要求3所述的方法,其特征在于,所述标签库还包括:第三预设对应关系,所述第三预设对应关系包括所述特征与预设的特征计算方法的对应关系;
所述从所述应用系统的日志中提取所述特征的数值,包括:
依据所述第三预设对应关系中与所述特征对应的特征计算方法,获取所述特征的数值。
5.依据权利要求1所述的方法,其特征在于,所述使用所述目标标签生成所述应用系统的画像,包括:
使用所述目标标签的权重,生成所述应用系统的画像,其中,权重越大的目标标签,在所述画像中的展示位置与预设核心区域的距离越近,或者,展示次序越靠前。
6.依据权利要求1所述的方法,其特征在于,所述使用所述目标标签生成所述应用系统的画像,包括:
使用所述目标标签所属的类型对应的展示方式,展示所述应用系统的画像,所述展示方式包括:趋势图、排序图、地域图、关联图中的至少一项。
7.一种针对应用系统的画像装置,其特征在于,包括:
模板获取模块,用于获取特征模板,所述特征模板包括多个特征,所述特征从预设的标签库中获取,所述标签库包括第一预设对应关系,所述第一预设对应关系包括所述特征与预设的标签的对应关系;所述标签库依据运维数据、所述运维数据的历史评价数据以及参数创建,所述参数用于表征来自所述运维数据的表达项在所述运维数据中的重要程度;
数值获取模块,用于从所述应用系统的日志中提取所述特征的数值;
标签获取模块,用于依据所述数值以及所述第一预设对应关系,确定作为所述应用系统的标签的目标标签;
画像生成模块,用于使用所述目标标签生成所述应用系统的画像;
标签库创建单元,用于从所述运维数据中提取作为第一表达项的关键词;确定所述关键词的权重,作为第一参数;获取作为第二表达项的短语在所述运维数据中的词频,作为第二参数,所述短语由多个所述关键词构成;依据所述第一参数以及所述第二参数,从所述短语中获取候选标签;从对所述运维数据的历史评价数据中,获取所述候选标签的属性信息;依据所述属性信息,从所述候选标签中筛选标签。
8.一种针对应用系统的画像设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1~6中任一项所述的针对应用系统的画像方法的各个步骤。
9.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1~6中任一项所述的针对应用系统的画像方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011619523.6A CN112631889B (zh) | 2020-12-31 | 2020-12-31 | 针对应用系统的画像方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011619523.6A CN112631889B (zh) | 2020-12-31 | 2020-12-31 | 针对应用系统的画像方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112631889A CN112631889A (zh) | 2021-04-09 |
CN112631889B true CN112631889B (zh) | 2024-02-23 |
Family
ID=75287185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011619523.6A Active CN112631889B (zh) | 2020-12-31 | 2020-12-31 | 针对应用系统的画像方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112631889B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115525377B (zh) * | 2022-09-27 | 2023-04-28 | 中电金信软件有限公司 | 一种定性标签数据可视化方法、装置、电子设备及介质 |
CN117215902B (zh) * | 2023-11-09 | 2024-03-08 | 北京集度科技有限公司 | 日志解析方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003196294A (ja) * | 2001-12-26 | 2003-07-11 | Toshiba Corp | 知識分析システムおよび知識分析方法 |
CN106503015A (zh) * | 2015-09-07 | 2017-03-15 | 国家计算机网络与信息安全管理中心 | 一种构建用户画像的方法 |
CN109145047A (zh) * | 2018-06-29 | 2019-01-04 | 深圳市彬讯科技有限公司 | 用户标签画像的配置方法、数据处理装置及存储介质 |
CN111445126A (zh) * | 2020-03-25 | 2020-07-24 | 国网湖南省电力有限公司 | 基于多维数据分析应用的配电网设备画像方法及系统 |
CN112035757A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 医疗瀑布流推送方法、装置、设备及存储介质 |
-
2020
- 2020-12-31 CN CN202011619523.6A patent/CN112631889B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003196294A (ja) * | 2001-12-26 | 2003-07-11 | Toshiba Corp | 知識分析システムおよび知識分析方法 |
CN106503015A (zh) * | 2015-09-07 | 2017-03-15 | 国家计算机网络与信息安全管理中心 | 一种构建用户画像的方法 |
CN109145047A (zh) * | 2018-06-29 | 2019-01-04 | 深圳市彬讯科技有限公司 | 用户标签画像的配置方法、数据处理装置及存储介质 |
CN111445126A (zh) * | 2020-03-25 | 2020-07-24 | 国网湖南省电力有限公司 | 基于多维数据分析应用的配电网设备画像方法及系统 |
CN112035757A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 医疗瀑布流推送方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112631889A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Munappy et al. | Data management challenges for deep learning | |
CN103294592B (zh) | 利用用户工具交互来自动分析其服务交付中的缺陷的方法与系统 | |
US20170109657A1 (en) | Machine Learning-Based Model for Identifying Executions of a Business Process | |
US20170109676A1 (en) | Generation of Candidate Sequences Using Links Between Nonconsecutively Performed Steps of a Business Process | |
US20200242134A1 (en) | Method and apparatus for grouping data records | |
CA3042926A1 (en) | Technology incident management platform | |
US20170109668A1 (en) | Model for Linking Between Nonconsecutively Performed Steps in a Business Process | |
US20170109667A1 (en) | Automaton-Based Identification of Executions of a Business Process | |
US10915563B2 (en) | Analysis server device, data analysis system, and data analysis method | |
US20170109636A1 (en) | Crowd-Based Model for Identifying Executions of a Business Process | |
CN112632405B (zh) | 一种推荐方法、装置、设备及存储介质 | |
CN111178005B (zh) | 数据处理系统、方法及存储介质 | |
CN112631889B (zh) | 针对应用系统的画像方法、装置、设备及可读存储介质 | |
CN112433874A (zh) | 一种故障定位方法、系统、电子设备及存储介质 | |
CN114510735B (zh) | 基于角色管理的智慧共享财务管理方法及平台 | |
CN115547466A (zh) | 基于大数据的医疗机构登记评审系统及其方法 | |
CN109783638A (zh) | 一种基于半监督学习的用户评论聚类方法 | |
CN108776857A (zh) | Nps短信调研方法、系统、计算机设备和存储介质 | |
Azzam et al. | Similarity Software Requirement Specification (SRS) Elicitation Based on the Requirement Statement Using Text Mining on the MNC Play Inventory Management Application | |
US20130290065A1 (en) | Method and System to Analyze Processes | |
US20170109637A1 (en) | Crowd-Based Model for Identifying Nonconsecutive Executions of a Business Process | |
CN116228402A (zh) | 一种金融征信特征仓库技术支持系统 | |
CN111427936B (zh) | 报表生成方法、装置、计算机设备和存储介质 | |
CN115495587A (zh) | 一种基于知识图谱的告警分析方法及装置 | |
Hou | Financial Abnormal Data Detection System Based on Reinforcement Learning |
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 |