CN113095515A - 业务故障信息处理方法及装置 - Google Patents
业务故障信息处理方法及装置 Download PDFInfo
- Publication number
- CN113095515A CN113095515A CN201911318527.8A CN201911318527A CN113095515A CN 113095515 A CN113095515 A CN 113095515A CN 201911318527 A CN201911318527 A CN 201911318527A CN 113095515 A CN113095515 A CN 113095515A
- Authority
- CN
- China
- Prior art keywords
- fault
- service
- information
- service fault
- fault information
- 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
- 230000010365 information processing Effects 0.000 title claims description 16
- 238000003672 processing method Methods 0.000 title claims description 13
- 238000012545 processing Methods 0.000 claims abstract description 120
- 238000010801 machine learning Methods 0.000 claims abstract description 98
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000007781 pre-processing Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明公开了一种业务故障信息处理方法及装置。方法包括:获取业务故障信息,生成与业务故障信息对应的业务故障任务;对业务故障信息进行预处理,以获得预处理后的业务故障信息;将预处理后的业务故障信息输入至预先训练好的机器学习模型中,并获取机器学习模型输出的与业务故障信息对应的故障类别;其中,该机器学习模型为根据历史的业务故障信息训练获得;确定与故障类别匹配的处理节点,并将业务故障任务分配给该处理节点。采用本方案,能够实现业务故障信息的自动化及精准化调度,大幅降低人工成本,提升调度效率,进而有利于业务故障问题的快速解决,提升用户体验。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种业务故障信息处理方法及装置。
背景技术
随着科技及社会的不断发展,各类运营商或服务平台为用户提供了多种多样的业务服务,从而大幅方便了用户的工作与生活。然而,随着用户数量的增长,用户反映的业务故障问题也不断增多。
目前,在对用户反映的业务故障问题进行处理的过程中,通常采用的是人工派单的方式。即人工分析用户反映的业务故障问题,将该业务故障问题生成相应的工单,继而派发给相应的维护人员进行处理。
然而,发明人在实施过程中,发现现有技术中存在如下缺陷:采用现有技术中的业务故障问题处理方式,不仅人工成本高,而且效率低下,无法适用于大规模的业务故障问题的处理;此外,随着业务复杂性的提升,针对于该业务故障问题的处理通常会涉及多方的维护人员,而采用现有技术中的人工派单方式,会大大降低故障问题处理的灵活度,并进一步降低故障问题处理效率。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的业务故障信息处理方法及装置。
根据本发明的一个方面,提供了一种业务故障信息处理方法,包括:
获取业务故障信息,并生成与所述业务故障信息对应的业务故障任务;
对所述业务故障信息进行预处理,以获得预处理后的业务故障信息;
将所述预处理后的业务故障信息输入至预先训练好的机器学习模型中,并获取所述机器学习模型输出的与所述业务故障信息对应的故障类别;其中,所述机器学习模型为根据历史的业务故障信息训练获得;
确定与所述故障类别匹配的处理节点,并将所述业务故障任务分配给所述处理节点。
可选的,所述对所述业务故障信息进行预处理进一步包括:
对所述业务故障信息进行数据清洗,以提取所述业务故障信息中的故障特征。
可选的,所述对所述业务故障信息进行预处理进一步包括:
针对于提取出的故障特征进行同维度的合并同类项处理;
和/或,针对于提取出的故障特征进行降维处理;
和/或,采用信息增益法对提取出的故障特征进行再次提取。
可选的,所述对所述业务故障信息进行预处理进一步包括:
将所述故障特征转换为对应的特征向量。
可选的,所述机器学习模型基于人工神经网络构建;其中,所述机器学习模型包含至少一个子网络;任一子网络中包含有4个函数。
可选的,所述确定与所述故障类别匹配的处理节点进一步包括:
基于有向图模型,确定与所述故障类别匹配的处理节点。
可选的,在所述将所述业务故障任务分配给所述处理节点之后,所述方法还包括:
获取所述处理节点的反馈信息;
若所述反馈信息中包含所述处理节点无法处理所述业务故障任务的信息,则将所述反馈信息以及所述预处理后的业务故障信息重新输入至预先训练好的机器学习模型中,并获取所述机器学习模型输出的与所述业务故障信息对应的故障类别。
根据本发明的另一方面,提供了一种业务故障信息处理装置,包括:
故障信息获取模块,适于获取业务故障信息;
任务生成模块,适于生成与所述业务故障信息对应的业务故障任务;
预处理模块,适于对所述业务故障信息进行预处理,以获得预处理后的业务故障信息;
机器学习模型,适于输出的与所述业务故障信息对应的故障类别;其中,所述机器学习模型为根据历史的业务故障信息训练获得;
输入模块,适于将所述预处理后的业务故障信息输入至预先训练好的机器学习模型中;
故障类型获取模块,适于获取所述机器学习模型输出的与所述业务故障信息对应的故障类别;
调度模块,适于确定与所述故障类别匹配的处理节点,并将所述业务故障任务分配给所述处理节点。
可选的,预处理模块进一步适于:对所述业务故障信息进行数据清洗,以提取所述业务故障信息中的故障特征。
可选的,预处理模块进一步适于:针对于提取出的故障特征进行同维度的合并同类项处理;
和/或,针对于提取出的故障特征进行降维处理;
和/或,采用信息增益法对提取出的故障特征进行再次提取。
可选的,预处理模块进一步适于:将所述故障特征转换为对应的特征向量。
可选的,所述机器学习模型基于人工神经网络构建;其中,所述机器学习模型包含至少一个子网络;任一子网络中包含有4个函数。
可选的,所述调度模块进一步适于:基于有向图模型,确定与所述故障类别匹配的处理节点。
可选的,所述装置还包括:反馈信息获取模块,适于在所述将所述业务故障任务分配给所述处理节点之后,获取所述处理节点的反馈信息;
所述输入模块进一步适于:若所述反馈信息中包含所述处理节点无法处理所述业务故障任务的信息,则将所述反馈信息以及所述预处理后的业务故障信息重新输入至预先训练好的机器学习模型中,并获取所述机器学习模型输出的与所述业务故障信息对应的故障类别。
根据本发明的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述业务故障信息处理方法对应的操作。
根据本发明的再一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述业务故障信息处理方法对应的操作。
根据本发明的业务故障信息处理方法及装置,获取业务故障信息,生成与业务故障信息对应的业务故障任务;对业务故障信息进行预处理,以获得预处理后的业务故障信息;将预处理后的业务故障信息输入至预先训练好的机器学习模型中,并获取所述机器学习模型输出的与所述业务故障信息对应的故障类别;其中,所述机器学习模型为根据历史的业务故障信息训练获得;确定与故障类别匹配的处理节点,并将所述业务故障任务分配给所述处理节点。采用本方案能够实现业务故障信息的自动化及精准化调度,大幅降低人工成本,提升调度效率,进而有利于业务故障问题的快速解决,提升用户体验;并且,本方案能够快速地将业务故障任务发送给对应的处理节点,具有较高的灵活性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例一提供的业务故障信息处理方法的流程示意图;
图2示出了本发明实施例二提供的业务故障信息处理方法的流程示意图;
图3示出了本发明实施例三提供的业务故障信息处理装置的结构示意图;
图4示出了本发明实施例五提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例一
图1示出了本发明实施例一提供的业务故障信息处理方法的流程示意图。其中,本实施例所提供的业务故障信息处理方法可应用于多种业务平台中,如运营商的售后服务平台、应用程序的维护服务平台等等。本实施例所提供的业务故障信息处理方法具体可由具有相应计算能力的计算设备执行,本实施例对具体的计算设备的类型等不作限定。
不同于现有技术中采用人工派单的故障问题处理方式,本实施例所提供的业务故障信息处理方法是基于预先训练好的机器学习模型来对用户上报的业务故障信息进行预测,以识别出用户上报故障信息的意图,确定出用户上报的业务故障信息对应的故障类别;进而根据故障类别确定出相匹配的处理节点,最终由该相匹配的处理节点处理用户上报的业务故障问题。从而能够大幅降低人工成本,提升故障问题的处理效率,提升故障问题处理的灵活度。
如图1所示,该方法包括:
步骤S110:获取业务故障信息,并生成与该业务故障信息对应的业务故障任务。
具体地,可从至少一个渠道获取用户上报的业务故障信息。其中,该渠道可以包括以下渠道中的至少一种:社交平台的留言渠道(如贴吧或预设网站中为用户提供的故障反馈入口)、社交应用渠道(如为用户设置的故障问题反馈的微信群、或钉钉群)等等。
在实际的实施过程中,在获取到用户上报的业务故障信息之后,可生成相应的业务故障任务。可选的,由于在同一渠道中可获取到不同用户上报的相同的业务故障信息,例如,在微信群中获取到用户A上报的“网页打不开”的业务故障信息,以及用户B上报的“网页打不开”的业务故障信息等等,为了保障各个用户上报的业务故障问题能够快速解决,本实施例可为用户上报的业务故障信息分配相应的标识,以区别不同用户上报的相同的业务故障问题。
步骤S120:对业务故障信息进行预处理,以获得预处理后的业务故障信息。
本实施例中获取到的用户上报的业务故障信息通常为非结构数据,从而无法直接确定用户上报信息的意图,进而无法直接获得用户上报的业务故障信息所对应的业务故障类别。为便于后续机器学习模型快速准确地获得业务故障信息对应的故障类别,本步骤可在获取到业务故障信息之后,进一步地对该业务故障信息进行预处理,从而获得预处理后的业务故障信息。其中,本实施例对具体的预处理方式不作限定。
步骤S130:将预处理后的业务故障信息输入至预先训练好的机器学习模型中,并获取机器学习模型输出的与该业务故障信息对应的故障类别;其中,该机器学习模型为根据历史的业务故障信息训练获得。
为了准确地识别用户意图,确定出用户上报的业务故障信息对应的故障类别,本实施例中预先根据历史的业务故障信息对构建的机器学习模型进行训练。
待训练好该机器学习模型之后,将步骤S120获得的预处理后的业务故障信息输入至预先训练好的机器学习模型中。该机器学习模型能够根据输入的业务故障信息输出与该业务故障信息对应的故障类别。
步骤S140:确定与故障类别匹配的处理节点,并将业务故障任务分配给该处理节点。
通过步骤S110-步骤S130,能够获得用户上报的业务故障信息所隶属的故障类别,进而能够快速地确定出与该故障类别匹配的处理节点,最终由该相匹配的处理节点处理该业务故障信息对应的业务故障任务。
由此可见,本实施例首先获取业务故障信息,并生成与业务故障信息对应的业务故障任务;进而对业务故障信息进行预处理,以获得预处理后的业务故障信息;并将预处理后的业务故障信息输入至预先训练好的机器学习模型中,并获取机器学习模型输出的故障类别;最终确定与该故障类别匹配的处理节点,并将业务故障任务分配给该处理节点。采用本方案能够实现业务故障信息的自动化及精准化调度,大幅降低人工成本,提升调度效率,进而有利于业务故障问题的快速解决,提升用户体验。
实施例二
图2示出了本发明实施例二提供的业务故障信息处理方法的流程示意图。其中,本实施例所提供的业务故障信息处理方法具体是针对于实施例一中方法的进一步优化。
如图2所示,该方法包括:
步骤S210:生成机器学习模型。
本实施例中预先生成有机器学习模型,本实施例对具体的机器学习模型构建方式不作限定。例如,可基于人工神经网络构建机器学习模型。
在具体的实施过程中,本实施例中的基于人工神经网络的机器学习模型包含有至少一个子网络。其中,任一子网络中包含有4个函数,该4个函数可以为3个sigmoid函数以及1个tanh函数。
步骤S220:获取历史业务故障信息,并对该历史业务故障信息进行预处理后获得训练样本。
本实施例中利用历史业务故障信息来的对生成的机器学习模型进行训练。其中,本实施例对历史业务故障信息的具体获取方式不作限定,例如可从相关留言渠道、社交应用渠道等采集历史业务故障信息。在获取历史业务故障信息之后,进一步地对该历史业务故障信息进行预处理,从而获得训练样本。
其中,在对历史业务故障信息进行预处理过程中,可先对历史业务故障信息进行数据清洗,以提取该历史的业务故障信息中的故障特征。具体地,可采用预设分词算法对任一条历史业务故障信息进行分词处理,其中,本实施例对具体的分词算法不作限定,例如可采用HanLP分词库的精确分词模式对历史业务故障信息进行分词处理,通过分词处理后能够获得与历史业务故障信息对应的各个分词。可选的,在对历史业务故障信息进行分词处理之后,可针对于生成的各个分词进行过滤处理,以剔除生成的分词中的停用词,其中,该停用词可以为预设表情、空字符、和/或特殊符号等;进一步可选的,为进一步地过滤分词中的无效数据,以减少后续计算量以及提升机器学习模型的预测精度,本实施例中预先生成有相应的业务词典(该业务词典可根据业务需求动态更新),其中,该业务词典中包含有各类业务对应的文本词,该文本词可以为互联网、语音、和/或APN等等。通过生成的分词与业务词典中文本词的比对,从生成的分词中剔除与业务词典中文本词不匹配的分词。通过对生成的分词的过滤处理,能够有效去除分词中的脏数据或重复数据等,从而节约计算资源,并能避免无效数据对机器学习模型的干扰。从而通过对历史业务故障信息的数据清洗能够获得与历史业务故障信息相对应的分词,进而将该分词作为历史的业务故障信息中的故障特征。
进一步地,可针对提取出的故障特征进行同维度的合并同类项处理,从而进一步地减少后续步骤的计算量,提升本方法的整体执行效率。在具体的实施过程中,可预先生成包含有不同描述维度对应的文本词的信息库(该信息库可根据业务需求动态更新),进而通过故障特征与该信息库中文本词的比对,确定出隶属于同一描述维度的多个故障特征,进而将该多个故障特征进行合并处理。例如,信息库中“无法上网”与“网页打不开”同属于同一描述维度,当从某条业务故障信息中提取出故障特征“无法上网”及“网页打不开”时,可将故障特征“无法上网”与“网页打不开”合并为“无法上网”等。
再进一步地,为避免后续步骤处理过程中出现维度灾难,提升本方法的整体执行效率,本实施例还可针对提取出的故障特征进行降维处理,即将具有相关性的多个描述维度的故障特征进行合并。在具体的实施过程中,可生成不同描述维度的故障特征及对应的关联标签的映射表(该映射表可根据业务需求动态更新),如描述维度A的故障特征X、描述维度B的故障特征Y均对应于同一关联标签T。从而可将对应于同一关联标签的故障特征进行合并,并将该关联标签作为合并后的故障特征。举例来说,故障特征“光纤”、“无法发光”以及“线路中断”分别对应于不同的描述维度,但该不同描述维度的故障特征均对应于同一关联标签“光缆问题”,从而可将故障特征“光纤”、“无法发光”以及“线路中断”合并为故障特征“光缆问题”。
更进一步地,由于提取出的故障特征数量众多,然而并非所有提取出的故障特征对后续机器学习模型会产生相应的影响,从而为了提升后续机器学习模型预测精度及训练效率,本实施例可进一步地针对于提取出的故障特征通过信息增益的方式进行再次特征提取。其中,本实施例对具体的信息增益处理方式不作限定。例如,可分别计算提取出的故障特征的信息熵,进而根据信息熵来计算各个故障特征的信息增益,并按照信息增益由高到底的顺序对提取出的故障特征进行排序,进而选取位列前n个故障特征作为再次特征提取后的故障特征。
再者,为便于后续对机器学习模型的训练,本实施例可将故障特征转换为对应的特征向量。其中,本实施例对具体的向量转换方式不作限定。例如,可利用Bert算法将故障特征转换为相应的特征向量等等。
此外,通过上述对历史的业务故障信息的特征提取及处理,可获得不同类型业务所对应的样本数据。然而,由于不同类型业务所对应的用户量存在较大差别,从而易导致不同类型业务的样本数据量也存在较大差别。因此,为了避免后续机器学习模型对少数类业务类型的业务故障信息的预测精度低的弊端,本实施例可进一步地进行样本平衡处理。在具体的实施过程中,可针对于少数类业务类型的样本数据中的任一样本,从其他少数类业务类型的样本数据中确定出该样本的近邻样本(例如,可采用欧式距离的方式确定近邻样本);进而根据预设的采样比例,从该样本的近邻样本中选取m个样本加入该少数类业务类型的样本数据中。
其中,本实施例对预处理过程中的数据清洗、同维度的合并同类项处理、降维处理、信息增益和/或特征向量转换的具体执行顺序不作限定。
步骤S230:利用训练样本对生成的机器学习模型进行训练,以获得训练好的机器学习模型。
通过步骤S220对业务故障信息的预处理,能够获得相应的训练样本,进而将该训练样本输入至步骤S210生成的机器学习模型中,以对该机器学习模型进行训练。其中,本实施例对具体的机器模型训练方式不作限定。
在具体的实施过程中,训练样本通过机器学习模型中的各个子网络不断地进行拆分及合并。例如,针对于训练样本A,其可首先通过由sigmoid函数作为激活函数的遗忘门限层,以剔除相应的特征信息;进而通过另一sigmoid函数保留需要更新的信息,并通过tanh函数组建新的值,该新的值即为临时候选值,继而将上一子网络的状态值与遗忘门限层的输出作乘法运算,再与该临时候选值作加法运算,生成当前单元的状态值。从而通过多级子网络的不断处理实现对机器学习模型的训练。
可选的,本实施例进一步地评估机器学习模型的预测精度。例如,可采用平均绝对百分比误差的方式来计算机器学习模型的预测精度。具体地,可采用如下公式计算机器学习模型的预测精度:
其中,MAPE为平均绝对百分比误差,MAPE越高,当前机器学习模型的预测精度越低,n为评估的样本数,Yt为t状态下机器学习模型的预测值,yt为t状态下的真实值。
当当前机器学习模型对应的MAPE小于或等于预设阈值时,则结束训练,输出训练好的机器学习模型。
步骤S240:获取业务故障信息,并生成与业务故障信息对应的业务故障任务。
步骤S250:对业务故障信息进行预处理,以获得预处理后的业务故障信息,并将预处理后的业务故障信息输入至预先训练好的机器学习模型中,获取机器学习模型输出的与业务故障信息对应的故障类别。
其中,在对业务故障信息进行预处理时,可先对业务故障信息进行数据清洗,以提取该业务故障信息中的故障特征;进而可针对于提取出的故障特征进行同维度的合并同类项处理;和/或,针对于提取出的故障特征进行降维处理;和/或,采用信息增益法对提取出的故障特征进行再次提取;并且将故障特征转换为对应的特征向量。其中,本实施例中对该业务故障信息进行预处理的过程可参照步骤S220中对历史的业务故障信息进行预处理的方式,本步骤在此不做赘述。
步骤S260:基于有向图模型,确定与故障类别匹配的处理节点,并将业务故障任务分配给该处理节点。
本实施例中,具体是基于有向图模型,来准确地确定与故障类别匹配的处理节点。其中,有向图模型中包含故障类别节点及处理节点,其中,每个故障类别节点指向至少一个处理节点。
在一种可选的实施方式中,可基于历史的处理节点对历史的业务故障数据的处理结果,训练获得相应的模型,即根据历史的处理结果,确定出处理各个故障类别的概率最高的处理节点,并在有向图模型中建立该故障类型与该概率最高的处理节点之间的指向关系。
进一步地,确定与故障类别匹配的处理节点,将业务故障任务分配给该处理节点。
在一种可选的实施方式中,可获取处理节点的反馈信息;若反馈信息中包含处理节点无法处理业务故障任务的信息,则将反馈信息以及预处理后的业务故障信息重新输入至预先训练好的机器学习模型中,并获取机器学习模型输出的与业务故障信息对应的故障类别,进而执行后续步骤确定新的处理节点。
在又一种可选的实施方式中,若在预设时间段内未接收到该处理节点的反馈信息,可记录该未反馈事件,并将该未反馈事件及预处理后的业务故障信息重新输入至预先训练好的机器学习模型中,并获取机器学习模型输出的与业务故障信息对应的故障类别,进而执行后续步骤确定新的处理节点。
由此可见,本实施例在能够实现业务故障信息的自动化及精准化调度,大幅降低人工成本,提升调度效率,进而有利于业务故障问题的快速解决,提升用户体验的基础上,进一步地通过对历史的业务故障数据的预处理,大幅减少计算量,提升机器学习模型的计算精度;并通过有向图模型,能够快速准确地确定与故障类别匹配的处理节点。
实施例三
图3示出了本发明实施例三提供的业务故障信息处理装置的结构示意图。如图3所示,该装置包括:故障信息获取模块31,任务生成模块32,预处理模块33,机器学习模型34,输入模块35,故障类型获取模块36以及调度模块37。
故障信息获取模块31,适于获取业务故障信息;
任务生成模块32,适于生成与所述业务故障信息对应的业务故障任务;
预处理模块33,适于对所述业务故障信息进行预处理,以获得预处理后的业务故障信息;
机器学习模型34,适于输出的与所述业务故障信息对应的故障类别;其中,所述机器学习模型为根据历史的业务故障信息训练获得;
输入模块35,适于将所述预处理后的业务故障信息输入至预先训练好的机器学习模型中;
故障类型获取模块36,适于获取所述机器学习模型输出的与所述业务故障信息对应的故障类别;
调度模块37,适于确定与所述故障类别匹配的处理节点,并将所述业务故障任务分配给所述处理节点。
可选的,预处理模块进一步适于:对所述业务故障信息进行数据清洗,以提取所述业务故障信息中的故障特征。
可选的,预处理模块进一步适于:针对于提取出的故障特征进行同维度的合并同类项处理;
和/或,针对于提取出的故障特征进行降维处理;
和/或,采用信息增益法对提取出的故障特征进行再次提取。
可选的,预处理模块进一步适于:将所述故障特征转换为对应的特征向量。
可选的,所述机器学习模型基于人工神经网络构建;其中,所述机器学习模型包含至少一个子网络;任一子网络中包含有4个函数。
可选的,所述调度模块进一步适于:基于有向图模型,确定与所述故障类别匹配的处理节点。
可选的,所述装置还包括:反馈信息获取模块(图中未示出),适于在所述将所述业务故障任务分配给所述处理节点之后,获取所述处理节点的反馈信息;
所述输入模块进一步适于:若所述反馈信息中包含所述处理节点无法处理所述业务故障任务的信息,则将所述反馈信息以及所述预处理后的业务故障信息重新输入至预先训练好的机器学习模型中,并获取所述机器学习模型输出的与所述业务故障信息对应的故障类别。
其中,本实施例中各模块的具体实施过程可参照方法实施例中相应部分的描述,本实施例在此不做赘述。
由此可见,本实施例能够实现业务故障信息的自动化及精准化调度,大幅降低人工成本,提升调度效率,进而有利于业务故障问题的快速解决,提升用户体验。
实施例四
本发明实施例四提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的方法。
可执行指令具体可以用于使得处理器执行以下操作:
获取业务故障信息,并生成与所述业务故障信息对应的业务故障任务;
对所述业务故障信息进行预处理,以获得预处理后的业务故障信息;
将所述预处理后的业务故障信息输入至预先训练好的机器学习模型中,并获取所述机器学习模型输出的与所述业务故障信息对应的故障类别;其中,所述机器学习模型为根据历史的业务故障信息训练获得;
确定与所述故障类别匹配的处理节点,并将所述业务故障任务分配给所述处理节点。
在一种可选的实施方式中,可执行指令具体可以用于使得处理器执行以下操作:
对所述业务故障信息进行数据清洗,以提取所述业务故障信息中的故障特征。
在一种可选的实施方式中,可执行指令具体可以用于使得处理器执行以下操作:
针对于提取出的故障特征进行同维度的合并同类项处理;
和/或,针对于提取出的故障特征进行降维处理;
和/或,采用信息增益法对提取出的故障特征进行再次提取。
在一种可选的实施方式中,可执行指令具体可以用于使得处理器执行以下操作:
将所述故障特征转换为对应的特征向量。
在一种可选的实施方式中,所述机器学习模型基于人工神经网络构建;其中,所述机器学习模型包含至少一个子网络;任一子网络中包含有4个函数。
在一种可选的实施方式中,可执行指令具体可以用于使得处理器执行以下操作:
基于有向图模型,确定与所述故障类别匹配的处理节点。
在一种可选的实施方式中,可执行指令具体可以用于使得处理器执行以下操作:
在所述将所述业务故障任务分配给所述处理节点之后,获取所述处理节点的反馈信息;
若所述反馈信息中包含所述处理节点无法处理所述业务故障任务的信息,则将所述反馈信息以及所述预处理后的业务故障信息重新输入至预先训练好的机器学习模型中,并获取所述机器学习模型输出的与所述业务故障信息对应的故障类别。
由此可见,本实施例能够实现业务故障信息的自动化及精准化调度,大幅降低人工成本,提升调度效率,进而有利于业务故障问题的快速解决,提升用户体验。
实施例五
图4示出了本发明实施例五提供的计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图4所示,该计算设备可以包括:处理器(processor)402、通信接口(Communications Interface)404、存储器(memory)406、以及通信总线408。
其中:处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。处理器402,用于执行程序410,具体可以执行上述方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机操作指令。
处理器402可能是中央处理器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。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406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),例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行以下操作:
获取业务故障信息,并生成与所述业务故障信息对应的业务故障任务;
对所述业务故障信息进行预处理,以获得预处理后的业务故障信息;
将所述预处理后的业务故障信息输入至预先训练好的机器学习模型中,并获取所述机器学习模型输出的与所述业务故障信息对应的故障类别;其中,所述机器学习模型为根据历史的业务故障信息训练获得;
确定与所述故障类别匹配的处理节点,并将所述业务故障任务分配给所述处理节点。
在一种可选的实施方式中,程序410具体可以用于使得处理器402执行以下操作:
对所述业务故障信息进行数据清洗,以提取所述业务故障信息中的故障特征。
在一种可选的实施方式中,程序410具体可以用于使得处理器402执行以下操作:
针对于提取出的故障特征进行同维度的合并同类项处理;
和/或,针对于提取出的故障特征进行降维处理;
和/或,采用信息增益法对提取出的故障特征进行再次提取。
在一种可选的实施方式中,程序410具体可以用于使得处理器402执行以下操作:
将所述故障特征转换为对应的特征向量。
在一种可选的实施方式中,所述机器学习模型基于人工神经网络构建;其中,所述机器学习模型包含至少一个子网络;任一子网络中包含有4个函数。
在一种可选的实施方式中,程序410具体可以用于使得处理器402执行以下操作:
基于有向图模型,确定与所述故障类别匹配的处理节点。
在一种可选的实施方式中,程序410具体可以用于使得处理器402执行以下操作:
在所述将所述业务故障任务分配给所述处理节点之后,获取所述处理节点的反馈信息;
若所述反馈信息中包含所述处理节点无法处理所述业务故障任务的信息,则将所述反馈信息以及所述预处理后的业务故障信息重新输入至预先训练好的机器学习模型中,并获取所述机器学习模型输出的与所述业务故障信息对应的故障类别。
由此可见,本实施例能够实现业务故障信息的自动化及精准化调度,大幅降低人工成本,提升调度效率,进而有利于业务故障问题的快速解决,提升用户体验。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种业务故障信息处理方法,其特征在于,包括:
获取业务故障信息,并生成与所述业务故障信息对应的业务故障任务;
对所述业务故障信息进行预处理,以获得预处理后的业务故障信息;
将所述预处理后的业务故障信息输入至预先训练好的机器学习模型中,并获取所述机器学习模型输出的与所述业务故障信息对应的故障类别;其中,所述机器学习模型为根据历史的业务故障信息训练获得;
确定与所述故障类别匹配的处理节点,并将所述业务故障任务分配给所述处理节点。
2.根据权利要求1所述的方法,其特征在于,所述对所述业务故障信息进行预处理进一步包括:
对所述业务故障信息进行数据清洗,以提取所述业务故障信息中的故障特征。
3.根据权利要求2所述的方法,其特征在于,所述对所述业务故障信息进行预处理进一步包括:
针对于提取出的故障特征进行同维度的合并同类项处理;
和/或,针对于提取出的故障特征进行降维处理;
和/或,采用信息增益法对提取出的故障特征进行再次提取。
4.根据权利要求3所述的方法,其特征在于,所述对所述业务故障信息进行预处理进一步包括:
将所述故障特征转换为对应的特征向量。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述机器学习模型基于人工神经网络构建;其中,所述机器学习模型包含至少一个子网络;任一子网络中包含有4个函数。
6.根据权利要求5所述的方法,其特征在于,所述确定与所述故障类别匹配的处理节点进一步包括:
基于有向图模型,确定与所述故障类别匹配的处理节点。
7.根据权利要求1-4中任一项所述的方法,其特征在于,在所述将所述业务故障任务分配给所述处理节点之后,所述方法还包括:
获取所述处理节点的反馈信息;
若所述反馈信息中包含所述处理节点无法处理所述业务故障任务的信息,则将所述反馈信息以及所述预处理后的业务故障信息重新输入至预先训练好的机器学习模型中,并获取所述机器学习模型输出的与所述业务故障信息对应的故障类别。
8.一种业务故障信息处理装置,其特征在于,包括:
故障信息获取模块,适于获取业务故障信息;
任务生成模块,适于生成与所述业务故障信息对应的业务故障任务;
预处理模块,适于对所述业务故障信息进行预处理,以获得预处理后的业务故障信息;
机器学习模型,适于输出的与所述业务故障信息对应的故障类别;其中,所述机器学习模型为根据历史的业务故障信息训练获得;
输入模块,适于将所述预处理后的业务故障信息输入至预先训练好的机器学习模型中;
故障类型获取模块,适于获取所述机器学习模型输出的与所述业务故障信息对应的故障类别;
调度模块,适于确定与所述故障类别匹配的处理节点,并将所述业务故障任务分配给所述处理节点。
9.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的业务故障信息处理方法对应的操作。
10.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的业务故障信息处理方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911318527.8A CN113095515A (zh) | 2019-12-19 | 2019-12-19 | 业务故障信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911318527.8A CN113095515A (zh) | 2019-12-19 | 2019-12-19 | 业务故障信息处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113095515A true CN113095515A (zh) | 2021-07-09 |
Family
ID=76662742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911318527.8A Pending CN113095515A (zh) | 2019-12-19 | 2019-12-19 | 业务故障信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095515A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570084A (zh) * | 2021-07-29 | 2021-10-29 | 重庆允成互联网科技有限公司 | 一种基于设备维修生成故障分析报告的方法和系统 |
CN113793128A (zh) * | 2021-09-18 | 2021-12-14 | 北京京东振世信息技术有限公司 | 业务故障原因信息生成方法、装置、设备和计算机可读介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301296A (zh) * | 2017-06-27 | 2017-10-27 | 西安电子科技大学 | 基于数据的断路器故障影响因素定性分析方法 |
CN108920291A (zh) * | 2018-06-06 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 一种故障信息的收集方法、装置及设备 |
CN109218114A (zh) * | 2018-11-12 | 2019-01-15 | 西安微电子技术研究所 | 一种基于决策树的服务器故障自动检测系统及检测方法 |
CN109446049A (zh) * | 2018-11-01 | 2019-03-08 | 郑州云海信息技术有限公司 | 一种基于监督学习的服务器错误诊断方法和装置 |
CN109635292A (zh) * | 2018-12-05 | 2019-04-16 | 杭州东方通信软件技术有限公司 | 基于机器学习算法的工单质检方法和装置 |
CN110135633A (zh) * | 2019-04-29 | 2019-08-16 | 北京六捷科技有限公司 | 一种铁路业务呼叫故障预测方法和装置 |
-
2019
- 2019-12-19 CN CN201911318527.8A patent/CN113095515A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107301296A (zh) * | 2017-06-27 | 2017-10-27 | 西安电子科技大学 | 基于数据的断路器故障影响因素定性分析方法 |
CN108920291A (zh) * | 2018-06-06 | 2018-11-30 | 阿里巴巴集团控股有限公司 | 一种故障信息的收集方法、装置及设备 |
CN109446049A (zh) * | 2018-11-01 | 2019-03-08 | 郑州云海信息技术有限公司 | 一种基于监督学习的服务器错误诊断方法和装置 |
CN109218114A (zh) * | 2018-11-12 | 2019-01-15 | 西安微电子技术研究所 | 一种基于决策树的服务器故障自动检测系统及检测方法 |
CN109635292A (zh) * | 2018-12-05 | 2019-04-16 | 杭州东方通信软件技术有限公司 | 基于机器学习算法的工单质检方法和装置 |
CN110135633A (zh) * | 2019-04-29 | 2019-08-16 | 北京六捷科技有限公司 | 一种铁路业务呼叫故障预测方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570084A (zh) * | 2021-07-29 | 2021-10-29 | 重庆允成互联网科技有限公司 | 一种基于设备维修生成故障分析报告的方法和系统 |
CN113570084B (zh) * | 2021-07-29 | 2023-12-29 | 重庆允丰科技有限公司 | 一种基于设备维修生成故障分析报告的方法和系统 |
CN113793128A (zh) * | 2021-09-18 | 2021-12-14 | 北京京东振世信息技术有限公司 | 业务故障原因信息生成方法、装置、设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111970400B (zh) | 骚扰电话识别方法及装置 | |
CN111522916B (zh) | 一种语音服务质量检测方法、模型训练方法及装置 | |
CN111538809B (zh) | 一种语音服务质量检测方法、模型训练方法及装置 | |
CN110445939B (zh) | 容量资源的预测方法及装置 | |
CN116976306A (zh) | 一种基于大规模语言模型的多模型协作方法 | |
CN113095515A (zh) | 业务故障信息处理方法及装置 | |
CN108334895A (zh) | 目标数据的分类方法、装置、存储介质及电子装置 | |
CN113778871A (zh) | Mock测试方法、装置、设备及存储介质 | |
CN113543117B (zh) | 携号转网用户的预测方法、装置及计算设备 | |
CN111414732A (zh) | 文本风格转换方法、装置、电子设备及存储介质 | |
CN113806501B (zh) | 意图识别模型的训练方法、意图识别方法和设备 | |
JP2017174004A (ja) | 文意味分類算出装置、モデル学習装置、方法、及びプログラム | |
CN115439700B (zh) | 一种图像处理方法、装置和机器可读存储介质 | |
CN110782128A (zh) | 一种用户职业标签生成方法、装置和电子设备 | |
CN115146653B (zh) | 对话剧本构建方法、装置、设备及存储介质 | |
CN116662509A (zh) | 大规模语言模型的开放域问答实现方法、装置及设备 | |
CN110442696A (zh) | 查询处理方法及装置 | |
CN115204841A (zh) | 工作流的生成方法、装置、电子设备以及存储介质 | |
CN112486676B (zh) | 一种基于边缘计算的数据共享分发装置 | |
CN114420168A (zh) | 情绪识别方法、装置、设备及存储介质 | |
CN114565105A (zh) | 处理数据的方法和深度学习模型的训练方法、装置 | |
CN110909288B (zh) | 业务数据处理方法、装置、平台、业务端、系统及介质 | |
CN114626557A (zh) | 一种运维业务的处理方法、装置、设备及产品 | |
CN113886547A (zh) | 基于人工智能的客户实时对话转接方法、装置和电子设备 | |
CN114742043A (zh) | 工单分类方法、装置及计算机可读存储介质 |
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 |