CN113206759B - 跨不同业务域的智能PaaS服务平台的管理方法及系统 - Google Patents

Abstract

本发明提供一种跨不同业务域的智能PaaS服务平台的管理方法及系统，其中，方法包括：接收用户输入的操作指令，对操作指令进行解析，获得目标属性和目标任务；获取智能PaaS服务平台每个业务域中与目标属性对应的目标资源；将各目标资源组合成目标大数据，对目标大数据进行预处理；基于预处理结果执行目标任务，输出执行结果。本发明的跨不同业务域的智能PaaS服务平台的管理方法及系统，在执行分析任务时，调用每个业务域中与目标属性相关的目标资源，将各目标资源组合成目标大数据，对该目标大数据进行预处理，预处理后进行分析，实现了跨业务域执行分析任务，保证了分析结果的全面性。

Description

跨不同业务域的智能PaaS服务平台的管理方法及系统

技术领域

本发明涉及云计算技术领域，特别涉及一种跨不同业务域的智能PaaS服务平台的管理方法及系统。

背景技术

目前，数据分析云平台(例如：PaaS，平台即服务)有多个业务域，每个业务域对应一个数据分析模型，当执行某业务域的分析任务时，调用该业务域对应的数据分析模型进行分析即可，但是，每个分析任务不单单只涉及一个业务域，往往需要获取其它业务域的有用数据结合进行分析，才能保证分析结果的全面性。

发明内容

本发明目的之一在于提供了一种跨不同业务域的智能PaaS服务平台的管理方法及系统，在执行分析任务时，调用每个业务域中与目标属性相关的目标资源，将各目标资源组合成目标大数据，对该目标大数据进行预处理，预处理后进行分析，实现了跨业务域执行分析任务，保证了分析结果的全面性。

本发明实施例提供的一种跨不同业务域的智能PaaS服务平台的管理方法，包括：

接收用户输入的操作指令，对操作指令进行解析，获得目标属性和目标任务；

获取智能PaaS服务平台每个业务域中与目标属性对应的目标资源；

将各目标资源组合成目标大数据，对目标大数据进行预处理；

基于预处理结果执行目标任务，输出执行结果。

优选的，对目标大数据进行预处理，包括：

选取目标大数据中任一目标资源作为第一验证资源；

选取目标大数据中另一目标资源作为第二验证资源；

获取预设的验证模型集合，使用验证模型集合中每个验证模型对第一验证资源和第二验证资源之间的关联性进行多次验证，每次验证后，获取对应验证模型输出的反馈值，基于各反馈值集合计算验证指数，计算公式如下：

其中，γ为验证指数，m为验证模型集合中验证模型的总数目，σ_i为验证模型集合中第i个验证模型对应的预设权重值，f_i为第i个验证模型对应的预设满分阈值，n_i为第i个验证模型对关联性进行验证的第一总次数，d_i,j为第i个验证模型对关联性进行第j次验证时输出的反馈值，d_min为预设的最小反馈值阈值，d_max为预设的最大反馈值阈值；

当验证指数大于等于预设的验证指数阈值时，第一验证资源和第二验证资源之间的关联性通过验证，选取下一个第二验证资源继续进行验证；

当第一验证资源与全部第二验证资源验证结束后，获取第一验证资源与全部第二验证资源进行验证时关联性通过验证的第二总次数，基于第二总次数计算判定指数，计算公式如下：

其中，ρ为判定指数，β为第二总次数，m为总数目，int为取整函数，z_max为预设的最大调整阈值，z_min为预设的最小调整阈值，q₁和q₂为预设的权重值，q₁＜q₂；

当全部第一验证资源验证结束后，剔除目标大数据中判定指数小于等于预设的判定指数阈值的第一验证资源。

优选的，基于预处理结果执行目标任务，包括：

获取预设的第一判定模型；

将目标任务输入第一判定模型，获取第一判定模型输出的第一优先执行目标；

从预处理结果中确定与第一优先执行目标对应的第一目标数据；

获取预设的第二判定模型；

将第一目标数据输入第二判定模型，获取第二判定模型输出的多个第二优先执行目标；

从预处理结果中确定与第二优先执行目标对应的第二目标数据；

获取预设的执行模型；

将目标任务、第一目标数据和全部第二目标数据输入执行模型；

在预设的等待时间内尝试获取执行模型输出的需求指令；

若获取成功，将预处理结果中除第一目标数据和第二目标数据之外的其余数据输入执行模型；

若没有获取到需求指令或将其余数据输入执行模型后，获取执行模型输出的执行结果。

优选的，跨不同业务域的智能PaaS服务平台的管理方法，还包括：

分别获取验证模型集合中每个验证模型的第一任务数，第一判定模型的第二任务数和第二判定模型的第三任务数，基于第一任务数、第二任务数和第三任务数对验证指数阈值和判定指数阈值进行适应性调整；

其中，基于第一任务数、第二任务数和第三任务数对验证指数阈值和判定指数阈值进行适应性调整，包括：

基于第一任务数、第二任务数和第三任务数对验证指数阈值和判定指数阈值进行适应性调整，调整公式如下：

t＝1时，r₁′为调整后的验证指数阈值，r₁为调整前的验证指数阈值，t＝2时，r₂′为调整后的判定指数阈值，r₂为调整前的判定指数阈值，r_up为预设的上调幅度值，r_down为预设的下调幅度值，x_1,i为验证模型集合中第i个验证模型对应的第一任务数，x₂为第二任务数，m为总数目，C_min为预设的最小任务数阈值，C_max为预设的最大任务数阈值，and为且，else为其它。

优选的，输出执行结果，包括：

获取预设的显示模式列表；

获取显示模式列表中每个显示模式的偏好度；

选取偏好度的最大值对应的显示模式作为目标显示模型；

基于目标显示模型显示执行结果。

本发明实施例提供的一种跨不同业务域的智能PaaS服务平台的管理系统，包括：

接收与解析模块，用于接收用户输入的操作指令，对操作指令进行解析，获得目标属性和目标任务；

获取模块，用于获取智能PaaS服务平台每个业务域中与目标属性对应的目标资源；

组合与预处理模块，用于将各目标资源组合成目标大数据，对目标大数据进行预处理；

执行与输出模块，用于基于预处理结果执行目标任务，输出执行结果。

优选的，组合与预处理模块执行包括如下操作：

选取目标大数据中任一目标资源作为第一验证资源；

选取目标大数据中另一目标资源作为第二验证资源；

获取预设的验证模型集合，使用验证模型集合中每个验证模型对第一验证资源和第二验证资源之间的关联性进行多次验证，每次验证后，获取对应验证模型输出的反馈值，基于各反馈值集合计算验证指数，计算公式如下：

其中，γ为验证指数，m为验证模型集合中验证模型的总数目，σ_i为验证模型集合中第i个验证模型对应的预设权重值，f_i为第i个验证模型对应的预设满分阈值，n_i为第i个验证模型对关联性进行验证的第一总次数，d_i,j为第i个验证模型对关联性进行第j次验证时输出的反馈值，d_min为预设的最小反馈值阈值，d_max为预设的最大反馈值阈值；

当验证指数大于等于预设的验证指数阈值时，第一验证资源和第二验证资源之间的关联性通过验证，选取下一个第二验证资源继续进行验证；

当第一验证资源与全部第二验证资源验证结束后，获取第一验证资源与全部第二验证资源进行验证时关联性通过验证的第二总次数，基于第二总次数计算判定指数，计算公式如下：

其中，ρ为判定指数，β为第二总次数，m为总数目，int为取整函数，z_max为预设的最大调整阈值，z_min为预设的最小调整阈值，q₁和q₂为预设的权重值，q₁＜q₂；

当全部第一验证资源验证结束后，剔除目标大数据中判定指数小于等于预设的判定指数阈值的第一验证资源。

优选的，执行与输出模块执行包括如下操作：

获取预设的第一判定模型；

将目标任务输入第一判定模型，获取第一判定模型输出的第一优先执行目标；

从预处理结果中确定与第一优先执行目标对应的第一目标数据；

获取预设的第二判定模型；

将第一目标数据输入第二判定模型，获取第二判定模型输出的多个第二优先执行目标；

从预处理结果中确定与第二优先执行目标对应的第二目标数据；

获取预设的执行模型；

将目标任务、第一目标数据和全部第二目标数据输入执行模型；

在预设的等待时间内尝试获取执行模型输出的需求指令；

若获取成功，将预处理结果中除第一目标数据和第二目标数据之外的其余数据输入执行模型；

若没有获取到需求指令或将其余数据输入执行模型后，获取执行模型输出的执行结果。

优选的，跨不同业务域的智能PaaS服务平台的管理系统，还包括：

自适应调整模块，用于分别获取验证模型集合中每个验证模型的第一任务数，第一判定模型的第二任务数和第二判定模型的第三任务数，基于第一任务数、第二任务数和第三任务数对验证指数阈值和判定指数阈值进行适应性调整；

自适应调整模块执行包括如下操作：

基于第一任务数、第二任务数和第三任务数对验证指数阈值和判定指数阈值进行适应性调整，调整公式如下：

t＝1时，r₁′为调整后的验证指数阈值，r₁为调整前的验证指数阈值，t＝2时，r₂′为调整后的判定指数阈值，r₂为调整前的判定指数阈值，r_up为预设的上调幅度值，r_down为预设的下调幅度值，x_1,i为验证模型集合中第i个验证模型对应的第一任务数，x₂为第二任务数，m为总数目，C_min为预设的最小任务数阈值，C_max为预设的最大任务数阈值，and为且，else为其它。

优选的，执行与输出模块执行包括如下操作：

获取预设的显示模式列表；

获取显示模式列表中每个显示模式的偏好度；

选取偏好度的最大值对应的显示模式作为目标显示模型；

基于目标显示模型显示执行结果。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种跨不同业务域的智能PaaS服务平台的管理方法的流程图；

图2为本发明实施例中一种跨不同业务域的智能PaaS服务平台的管理系统的示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例提供了一种跨不同业务域的智能PaaS服务平台的管理方法，如图1所示，包括：

S1、接收用户输入的操作指令，对操作指令进行解析，获得目标属性和目标任务；

S2、获取智能PaaS服务平台每个业务域中与目标属性对应的目标资源；

S3、将各目标资源组合成目标大数据，对目标大数据进行预处理；

S4、基于预处理结果执行目标任务，输出执行结果。

上述技术方案的工作原理为：

用户通过操作智能终端(例如：手机、平板和电脑等)输入操作指令(例如：全局分析企业某次供货迟缓原因)；解析操作指令的目标属性(例如；关键词“供货”)和目标任务(例如：全局分析该次供货迟缓原因)；获取智能PaaS服务平台每个业务域中与该目标属性对应的目标资源(例如：企业供应链运输管理业务域中的有关该次供货的数据、天气数据业务域中该次供货路线的天气数据和企业客户关系业务域中有关该次供货的数据等)；将各目标资源组合成目标大数据，对该目标大数据进行预处理(例如：剔除与其它数据关联性较低的数据)；基于预处理结果执行目标任务，输出执行结果(例如：显示该次供货迟缓原因为供货路线受雨雪天气影响且运输车辆较少，与货物数量不匹配)。

上述技术方案的有益效果为：本发明实施例在执行分析任务时，调用每个业务域中与目标属性相关的目标资源，将各目标资源组合成目标大数据，对该目标大数据进行预处理，预处理后进行分析，实现了跨业务域执行分析任务，保证了分析结果的全面性。

本发明实施例提供了一种跨不同业务域的智能PaaS服务平台的管理方法，对目标大数据进行预处理，包括：

选取目标大数据中任一目标资源作为第一验证资源；

选取目标大数据中另一目标资源作为第二验证资源；

获取预设的验证模型集合，使用验证模型集合中每个验证模型对第一验证资源和第二验证资源之间的关联性进行多次验证，每次验证后，获取对应验证模型输出的反馈值，基于各反馈值集合计算验证指数，计算公式如下：

其中，γ为验证指数，m为验证模型集合中验证模型的总数目，σ_i为验证模型集合中第i个验证模型对应的预设权重值，f_i为第i个验证模型对应的预设满分阈值，n_i为第i个验证模型对关联性进行验证的第一总次数，d_i,j为第i个验证模型对关联性进行第j次验证时输出的反馈值，d_min为预设的最小反馈值阈值，d_max为预设的最大反馈值阈值；

当验证指数大于等于预设的验证指数阈值时，第一验证资源和第二验证资源之间的关联性通过验证，选取下一个第二验证资源继续进行验证；

当第一验证资源与全部第二验证资源验证结束后，获取第一验证资源与全部第二验证资源进行验证时关联性通过验证的第二总次数，基于第二总次数计算判定指数，计算公式如下：

其中，ρ为判定指数，β为第二总次数，m为总数目，int为取整函数，z_max为预设的最大调整阈值，z_min为预设的最小调整阈值，q₁和q₂为预设的权重值，q₁＜q₂；

当全部第一验证资源验证结束后，剔除目标大数据中判定指数小于等于预设的判定指数阈值的第一验证资源。

上述技术方案的工作原理为：

预设的验证模型集合具体为：包含语义关系关联性验证模型(利用机器学习算法对大量语义关联数据进行学习训练生成的模型)和时间关联性验证模型(利用机器学习算法对大量时间关联数据进行学习训练生成的模型)等；验证模型由于在后台不断更新学习，运行能力会不断增加，因此，需使用验证模型对关联性进行多次验证；验证模型集合中的验证模型在对第一验证资源和第二验证资源之间的关联性进行验证时，会输出反馈值，该反馈值代表处该次验证的得分，反馈值越高，说明第一验证资源和第二验证资源之间的关联性越大，反之，反馈值越低，关联性越小；基于各反馈值计算验证指数，该验证指数代表着整个验证结果的总体情况，验证指数越高，说明第一验证资源和第二验证资源之间的总体关联性越大，反之，验证指数越低，关联性越小；依次选取除第一验证资源外的全部第二验证资源与第一验证资源进行验证，基于整个验证过程中关联性通过验证的第二总次数技术判定指数，该判定指数代表着第一验证资源与其它全部第二验证资源的总体关联情况，该判定指数越高，第一验证资源与其它全部第二验证资源的总体关联性越大，反之，判定指数越低，关联性越小；预设满分阈值具体为：例如，100；预设最小反馈值阈值具体为：例如：85；预设的最大反馈值阈值具体为：98；预设的验证指数阈值具体为：95；预设的最大调整阈值具体为，10；预设的最小调整阈值具体为：2；预设的判定指数阈值具体为75；例如：当分析任务为全局分析企业某次供货迟缓原因，企业客户关系业务域中有关该次供货的数据的时间点为15天前，而其余数据均为近3天的数据，时间关联性性不大，应予剔除。

上述技术方案的有益效果为：本发明实施例通过验证模型集合中的每个验证模型多次对第一验证资源和第二验证资源之间的关联性进行验证，汇总各反馈值计算验证指数，基于验证指数判断第一验证资源和第二验证资源之间的关联性是否验证通过，基于第一验证资源与其它全部第二验证资源进行验证的通过次数计算判定指数，基于该判定指数判断第一验证资源与其它全部第二验证资源之间的总体关联性情况，剔除关联性较低的第一验证资源即无用数据，极大程度提升了后期基于预处理结果执行分析任务的效率，同时，也更加智能化，另外，通过上述公式可快速判定验证情况，提升预处理的效率。

本发明实施例提供了一种跨不同业务域的智能PaaS服务平台的管理方法，基于预处理结果执行目标任务，包括：

获取预设的第一判定模型；

将目标任务输入第一判定模型，获取第一判定模型输出的第一优先执行目标；

从预处理结果中确定与第一优先执行目标对应的第一目标数据；

获取预设的第二判定模型；

将第一目标数据输入第二判定模型，获取第二判定模型输出的多个第二优先执行目标；

从预处理结果中确定与第二优先执行目标对应的第二目标数据；

获取预设的执行模型；

将目标任务、第一目标数据和全部第二目标数据输入执行模型；

在预设的等待时间内尝试获取执行模型输出的需求指令；

若获取成功，将预处理结果中除第一目标数据和第二目标数据之外的其余数据输入执行模型；

若没有获取到需求指令或将其余数据输入执行模型后，获取执行模型输出的执行结果。

上述技术方案的工作原理为：

预设的第一判定模型和第二判定模型具体为：利用机器学习算法对大量任务执行样本进行学习后生成的模型；例如：将目标任务(全局分析企业某次供货迟缓原因)输入第一判定模型时，第一判定模型可以决定首先需要哪类数据(即确定第一优先执行目标及与其对应的第一目标数据，例如：货物运输数据)；而将第一目标数据输入第二判定模型后，第二判定模型可以决心还需要哪类数据(即确定第二优先执行目标及与其对应的第二目标数据，例如：货物数量、运输车辆数量、供货路线的天气情况、路况和客户运费首款是否结算等)；预设的执行模型具体为：利用机器学习算法对大量数据分析样本进行学习后生成的模型；将目标任务、第一目标数据和各第二目标数据输入该执行模型，执行模型对各数据进行分析，输出结果(例如：由于供货路线路况较差，多次拥堵造成该次供货迟缓)；同时，执行模型可以自行判断是否可以给出分析结果，若不能给出分析结果，说明数据不够，在预设的等待时间(例如：5秒)内发出需求指令，将剩余数据输入至执行模型即可。

上述技术方案的有益效果为：本发明实施例通过第一判定模型和第二判定模型从预处理结果中筛选出优先执行且有效的数据，将该数据输入执行模型即可得出分析结果，提升了系统的效率。

本发明实施例提供了一种跨不同业务域的智能PaaS服务平台的管理方法，还包括：

分别获取验证模型集合中每个验证模型的第一任务数，第一判定模型的第二任务数和第二判定模型的第三任务数，基于第一任务数、第二任务数和第三任务数对验证指数阈值和判定指数阈值进行适应性调整；

其中，基于第一任务数、第二任务数和第三任务数对验证指数阈值和判定指数阈值进行适应性调整，包括：

基于第一任务数、第二任务数和第三任务数对验证指数阈值和判定指数阈值进行适应性调整，调整公式如下：

t＝1时，r₁′为调整后的验证指数阈值，r₁为调整前的验证指数阈值，t＝2时，r₂′为调整后的判定指数阈值，r₂为调整前的判定指数阈值，r_up为预设的上调幅度值，r_down为预设的下调幅度值，x_1,i为验证模型集合中第i个验证模型对应的第一任务数，x₂为第二任务数，m为总数目，C_min为预设的最小任务数阈值，C_max为预设的最大任务数阈值，and为且，else为其它。

上述技术方案的工作原理为：

当验证模型集合中各验证模型的第一任务数较多且执行模型的第二任务数较少时，应在保证结果准确度的情况下，适当降低验证指数阈值和判定指数阈值，适当降低验证模型的验证要求，将预处理的任务逐渐过度至执行过程，减轻各验证模型的负荷；当验证模型中各验证模型的第一任务数较少且执行模型的第二任务数较多时，应适当提高验证指数阈值和判定指数阈值，适当提高验证模型的验证要求，提高预处理的精度，尽可能地剔除关联性较低的数据，这样，提升预处理后的目标大数据在执行时的效率。

上述技术方案的有益效果为：本发明实施例基于第一任务数和第二任务数对验证指数阈值和判定指数阈值进行适应性调整，保证了系统工作资源的分配均匀，避免了各模型在工作时由于负荷过大产生报错或崩溃地情况。

本发明实施例提供了一种跨不同业务域的智能PaaS服务平台的管理方法，输出执行结果，包括：

获取预设的显示模式列表；

获取显示模式列表中每个显示模式的偏好度；

选取偏好度的最大值对应的显示模式作为目标显示模型；

基于目标显示模型显示执行结果。

上述技术方案的工作原理为：

预设的显示模型列表具体为；例如，图形显示模式和语音播报模式等；偏好度可以根据用户的历史操作记录自动生成；选取偏好度最大值对应的显示模式显示执行结果。

上述技术方案的有益效果为：本发明实施例根据用户喜好选取合适的显示模式显示执行结果，提升用户体验。

本发明实施例提供了一种跨不同业务域的智能PaaS服务平台的管理系统，如图2所示，包括：

接收与解析模块1，用于接收用户输入的操作指令，对操作指令进行解析，获得目标属性和目标任务；

获取模块2，用于获取智能PaaS服务平台每个业务域中与目标属性对应的目标资源；

组合与预处理模块3，用于将各目标资源组合成目标大数据，对目标大数据进行预处理；

执行与输出模块4，用于基于预处理结果执行目标任务，输出执行结果。

上述技术方案的工作原理为：

用户通过操作智能终端(例如：手机、平板和电脑等)输入操作指令(例如：全局分析企业某次供货迟缓原因)；解析操作指令的目标属性(例如；关键词“供货”)和目标任务(例如：全局分析该次供货迟缓原因)；获取智能PaaS服务平台每个业务域中与该目标属性对应的目标资源(例如：企业供应链运输管理业务域中的有关该次供货的数据、天气数据业务域中该次供货路线的天气数据和企业客户关系业务域中有关该次供货的数据等)；将各目标资源组合成目标大数据，对该目标大数据进行预处理(例如：剔除与其它数据关联性较低的数据)；基于预处理结果执行目标任务，输出执行结果(例如：显示该次供货迟缓原因为供货路线受雨雪天气影响且运输车辆较少，与货物数量不匹配)。

上述技术方案的有益效果为：本发明实施例在执行分析任务时，调用每个业务域中与目标属性相关的目标资源，将各目标资源组合成目标大数据，对该目标大数据进行预处理，预处理后进行分析，实现了跨业务域执行分析任务，保证了分析结果的全面性。

本发明实施例提供了一种跨不同业务域的智能PaaS服务平台的管理系统，组合与预处理模块3执行包括如下操作：

选取目标大数据中任一目标资源作为第一验证资源；

选取目标大数据中另一目标资源作为第二验证资源；

获取预设的验证模型集合，使用验证模型集合中每个验证模型对第一验证资源和第二验证资源之间的关联性进行多次验证，每次验证后，获取对应验证模型输出的反馈值，基于各反馈值集合计算验证指数，计算公式如下：

其中，γ为验证指数，m为验证模型集合中验证模型的总数目，σ_i为验证模型集合中第i个验证模型对应的预设权重值，f_i为第i个验证模型对应的预设满分阈值，n_i为第i个验证模型对关联性进行验证的第一总次数，d_i,j为第i个验证模型对关联性进行第j次验证时输出的反馈值，d_min为预设的最小反馈值阈值，d_max为预设的最大反馈值阈值；

当验证指数大于等于预设的验证指数阈值时，第一验证资源和第二验证资源之间的关联性通过验证，选取下一个第二验证资源继续进行验证；

当第一验证资源与全部第二验证资源验证结束后，获取第一验证资源与全部第二验证资源进行验证时关联性通过验证的第二总次数，基于第二总次数计算判定指数，计算公式如下：

其中，ρ为判定指数，β为第二总次数，m为总数目，int为取整函数，z_max为预设的最大调整阈值，z_min为预设的最小调整阈值，q₁和q₂为预设的权重值，q₁＜q₂；

当全部第一验证资源验证结束后，剔除目标大数据中判定指数小于等于预设的判定指数阈值的第一验证资源。

上述技术方案的工作原理为：

预设的验证模型集合具体为：包含语义关系关联性验证模型(利用机器学习算法对大量语义关联数据进行学习训练生成的模型)和时间关联性验证模型(利用机器学习算法对大量时间关联数据进行学习训练生成的模型)等；验证模型由于在后台不断更新学习，运行能力会不断增加，因此，需使用验证模型对关联性进行多次验证；验证模型集合中的验证模型在对第一验证资源和第二验证资源之间的关联性进行验证时，会输出反馈值，该反馈值代表处该次验证的得分，反馈值越高，说明第一验证资源和第二验证资源之间的关联性越大，反之，反馈值越低，关联性越小；基于各反馈值计算验证指数，该验证指数代表着整个验证结果的总体情况，验证指数越高，说明第一验证资源和第二验证资源之间的总体关联性越大，反之，验证指数越低，关联性越小；依次选取除第一验证资源外的全部第二验证资源与第一验证资源进行验证，基于整个验证过程中关联性通过验证的第二总次数技术判定指数，该判定指数代表着第一验证资源与其它全部第二验证资源的总体关联情况，该判定指数越高，第一验证资源与其它全部第二验证资源的总体关联性越大，反之，判定指数越低，关联性越小；预设满分阈值具体为：例如，100；预设最小反馈值阈值具体为：例如：85；预设的最大反馈值阈值具体为：98；预设的验证指数阈值具体为：95；预设的最大调整阈值具体为，10；预设的最小调整阈值具体为：2；预设的判定指数阈值具体为75；例如：当分析任务为全局分析企业某次供货迟缓原因，企业客户关系业务域中有关该次供货的数据的时间点为15天前，而其余数据均为近3天的数据，时间关联性性不大，应予剔除。

上述技术方案的有益效果为：本发明实施例通过验证模型集合中的每个验证模型多次对第一验证资源和第二验证资源之间的关联性进行验证，汇总各反馈值计算验证指数，基于验证指数判断第一验证资源和第二验证资源之间的关联性是否验证通过，基于第一验证资源与其它全部第二验证资源进行验证的通过次数计算判定指数，基于该判定指数判断第一验证资源与其它全部第二验证资源之间的总体关联性情况，剔除关联性较低的第一验证资源即无用数据，极大程度提升了后期基于预处理结果执行分析任务的效率，同时，也更加智能化，另外，通过上述公式可快速判定验证情况，提升预处理的效率。

本发明实施例提供了一种跨不同业务域的智能PaaS服务平台的管理系统，执行与输出模块4执行包括如下操作：

获取预设的第一判定模型；

将目标任务输入第一判定模型，获取第一判定模型输出的第一优先执行目标；

从预处理结果中确定与第一优先执行目标对应的第一目标数据；

获取预设的第二判定模型；

将第一目标数据输入第二判定模型，获取第二判定模型输出的多个第二优先执行目标；

从预处理结果中确定与第二优先执行目标对应的第二目标数据；

获取预设的执行模型；

将目标任务、第一目标数据和全部第二目标数据输入执行模型；

在预设的等待时间内尝试获取执行模型输出的需求指令；

若获取成功，将预处理结果中除第一目标数据和第二目标数据之外的其余数据输入执行模型；

若没有获取到需求指令或将其余数据输入执行模型后，获取执行模型输出的执行结果。

上述技术方案的工作原理为：

预设的第一判定模型和第二判定模型具体为：利用机器学习算法对大量任务执行样本进行学习后生成的模型；例如：将目标任务(全局分析企业某次供货迟缓原因)输入第一判定模型时，第一判定模型可以决定首先需要哪类数据(即确定第一优先执行目标及与其对应的第一目标数据，例如：货物运输数据)；而将第一目标数据输入第二判定模型后，第二判定模型可以决心还需要哪类数据(即确定第二优先执行目标及与其对应的第二目标数据，例如：货物数量、运输车辆数量、供货路线的天气情况、路况和客户运费首款是否结算等)；预设的执行模型具体为：利用机器学习算法对大量数据分析样本进行学习后生成的模型；将目标任务、第一目标数据和各第二目标数据输入该执行模型，执行模型对各数据进行分析，输出结果(例如：由于供货路线路况较差，多次拥堵造成该次供货迟缓)；同时，执行模型可以自行判断是否可以给出分析结果，若不能给出分析结果，说明数据不够，在预设的等待时间(例如：5秒)内发出需求指令，将剩余数据输入至执行模型即可。

上述技术方案的有益效果为：本发明实施例通过第一判定模型和第二判定模型从预处理结果中筛选出优先执行且有效的数据，将该数据输入执行模型即可得出分析结果，提升了系统的效率。

本发明实施例提供了一种跨不同业务域的智能PaaS服务平台的管理系统，还包括：

自适应调整模块，用于分别获取验证模型集合中每个验证模型的第一任务数，第一判定模型的第二任务数和第二判定模型的第三任务数，基于第一任务数、第二任务数和第三任务数对验证指数阈值和判定指数阈值进行适应性调整；

自适应调整模块执行包括如下操作：

基于第一任务数、第二任务数和第三任务数对验证指数阈值和判定指数阈值进行适应性调整，调整公式如下：

t＝1时，r₁′为调整后的验证指数阈值，r₁为调整前的验证指数阈值，t＝2时，r₂′为调整后的判定指数阈值，r₂为调整前的判定指数阈值，r_up为预设的上调幅度值，r_down为预设的下调幅度值，x_1,i为验证模型集合中第i个验证模型对应的第一任务数，x₂为第二任务数，m为总数目，C_min为预设的最小任务数阈值，C_max为预设的最大任务数阈值，and为且，else为其它。

上述技术方案的工作原理为：

当验证模型集合中各验证模型的第一任务数较多且执行模型的第二任务数较少时，应在保证结果准确度的情况下，适当降低验证指数阈值和判定指数阈值，适当降低验证模型的验证要求，将预处理的任务逐渐过度至执行过程，减轻各验证模型的负荷；当验证模型中各验证模型的第一任务数较少且执行模型的第二任务数较多时，应适当提高验证指数阈值和判定指数阈值，适当提高验证模型的验证要求，提高预处理的精度，尽可能地剔除关联性较低的数据，这样，提升预处理后的目标大数据在执行时的效率。

上述技术方案的有益效果为：本发明实施例基于第一任务数和第二任务数对验证指数阈值和判定指数阈值进行适应性调整，保证了系统工作资源的分配均匀，避免了各模型在工作时由于负荷过大产生报错或崩溃地情况。

上述技术方案的有益效果为：本发明实施例基于第一任务数和第二任务数对验证指数阈值和判定指数阈值进行适应性调整，保证了系统工作资源的分配均匀，避免了各模型在工作时由于负荷过大产生报错或崩溃地情况。

本发明实施例提供了一种跨不同业务域的智能PaaS服务平台的管理系统，执行与输出模块4执行包括如下操作：

获取预设的显示模式列表；

获取显示模式列表中每个显示模式的偏好度；

选取偏好度的最大值对应的显示模式作为目标显示模型；

基于目标显示模型显示执行结果。

上述技术方案的工作原理为：

预设的显示模型列表具体为；例如，图形显示模式和语音播报模式等；偏好度可以根据用户的历史操作记录自动生成；选取偏好度最大值对应的显示模式显示执行结果。

上述技术方案的有益效果为：本发明实施例根据用户喜好选取合适的显示模式显示执行结果，提升用户体验。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种跨不同业务域的智能PaaS服务平台的管理方法，其特征在于，包括：

接收用户输入的操作指令，对所述操作指令进行解析，获得目标属性和目标任务；

获取智能PaaS服务平台每个业务域中与所述目标属性对应的目标资源；

将各所述目标资源组合成目标大数据，对所述目标大数据进行预处理；

基于预处理结果执行所述目标任务，输出执行结果；

对所述目标大数据进行预处理，包括：

选取所述目标大数据中任一所述目标资源作为第一验证资源；

选取所述目标大数据中另一所述目标资源作为第二验证资源；

获取预设的验证模型集合，使用所述验证模型集合中每个验证模型对所述第一验证资源和所述第二验证资源之间的关联性进行多次验证，每次验证后，获取对应所述验证模型输出的反馈值，基于各所述反馈值集合计算验证指数，计算公式如下：

其中，γ为所述验证指数，m为所述验证模型集合中所述验证模型的总数目，σ_i为所述验证模型集合中第i个所述验证模型对应的预设权重值，f_i为第i个所述验证模型对应的预设满分阈值，n_i为第i个所述验证模型对所述关联性进行验证的第一总次数，d_i,j为第i个所述验证模型对所述关联性进行第j次验证时输出的所述反馈值，d_min为预设的最小反馈值阈值，d_max为预设的最大反馈值阈值；

当所述验证指数大于等于预设的验证指数阈值时，所述第一验证资源和所述第二验证资源之间的关联性通过验证，选取下一个所述第二验证资源继续进行验证；

当所述第一验证资源与全部所述第二验证资源验证结束后，获取所述第一验证资源与全部所述第二验证资源进行验证时所述关联性通过验证的第二总次数，基于所述第二总次数计算判定指数，计算公式如下：

其中，ρ为所述判定指数，β为所述第二总次数，m为所述总数目，int为取整函数，z_max为预设的最大调整阈值，z_min为预设的最小调整阈值，q₁和q₂为预设的权重值，q₁＜q₂；

当全部所述第一验证资源验证结束后，剔除所述目标大数据中所述判定指数小于等于预设的判定指数阈值的所述第一验证资源。

2.如权利要求1所述的一种跨不同业务域的智能PaaS服务平台的管理方法，其特征在于，基于预处理结果执行所述目标任务，包括：

获取预设的第一判定模型；

将所述目标任务输入所述第一判定模型，获取所述第一判定模型输出的第一优先执行目标；

从所述预处理结果中确定与所述第一优先执行目标对应的第一目标数据；

获取预设的第二判定模型；

将所述第一目标数据输入所述第二判定模型，获取所述第二判定模型输出的多个第二优先执行目标；

从所述预处理结果中确定与所述第二优先执行目标对应的第二目标数据；

获取预设的执行模型；

将所述目标任务、所述第一目标数据和全部所述第二目标数据输入所述执行模型；

在预设的等待时间内尝试获取所述执行模型输出的需求指令；

若获取成功，将所述预处理结果中除所述第一目标数据和所述第二目标数据之外的其余数据输入所述执行模型；

若没有获取到所述需求指令或将所述其余数据输入执行模型后，获取所述执行模型输出的执行结果。

3.如权利要求1所述的一种跨不同业务域的智能PaaS服务平台的管理方法，其特征在于，输出执行结果，包括：

获取预设的显示模式列表；

获取所述显示模式列表中每个显示模式的偏好度；

选取所述偏好度的最大值对应的所述显示模式作为目标显示模型；

基于所述目标显示模型显示所述执行结果。

4.一种跨不同业务域的智能PaaS服务平台的管理系统，其特征在于，包括：

接收与解析模块，用于接收用户输入的操作指令，对所述操作指令进行解析，获得目标属性和目标任务；

获取模块，用于获取智能PaaS服务平台每个业务域中与所述目标属性对应的目标资源；

组合与预处理模块，用于将各所述目标资源组合成目标大数据，对所述目标大数据进行预处理；

执行与输出模块，用于基于预处理结果执行所述目标任务，输出执行结果；

所述组合与预处理模块执行包括如下操作：

选取所述目标大数据中任一所述目标资源作为第一验证资源；

选取所述目标大数据中另一所述目标资源作为第二验证资源；

获取预设的验证模型集合，使用所述验证模型集合中每个验证模型对所述第一验证资源和所述第二验证资源之间的关联性进行多次验证，每次验证后，获取对应所述验证模型输出的反馈值，基于各所述反馈值集合计算验证指数，计算公式如下：

其中，γ为所述验证指数，m为所述验证模型集合中所述验证模型的总数目，σ_i为所述验证模型集合中第i个所述验证模型对应的预设权重值，f_i为第i个所述验证模型对应的预设满分阈值，n_i为第i个所述验证模型对所述关联性进行验证的第一总次数，d_i,j为第i个所述验证模型对所述关联性进行第j次验证时输出的所述反馈值，d_min为预设的最小反馈值阈值，d_max为预设的最大反馈值阈值；

当所述验证指数大于等于预设的验证指数阈值时，所述第一验证资源和所述第二验证资源之间的关联性通过验证，选取下一个所述第二验证资源继续进行验证；

当所述第一验证资源与全部所述第二验证资源验证结束后，获取所述第一验证资源与全部所述第二验证资源进行验证时所述关联性通过验证的第二总次数，基于所述第二总次数计算判定指数，计算公式如下：

其中，ρ为所述判定指数，β为所述第二总次数，m为所述总数目，int为取整函数，z_max为预设的最大调整阈值，z_min为预设的最小调整阈值，q₁和q₂为预设的权重值，q₁＜q₂；

当全部所述第一验证资源验证结束后，剔除所述目标大数据中所述判定指数小于等于预设的判定指数阈值的所述第一验证资源。

5.如权利要求4所述的一种跨不同业务域的智能PaaS服务平台的管理系统，其特征在于，所述执行与输出模块执行包括如下操作：

获取预设的第一判定模型；

将所述目标任务输入所述第一判定模型，获取所述第一判定模型输出的第一优先执行目标；

从所述预处理结果中确定与所述第一优先执行目标对应的第一目标数据；

获取预设的第二判定模型；

将所述第一目标数据输入所述第二判定模型，获取所述第二判定模型输出的多个第二优先执行目标；

从所述预处理结果中确定与所述第二优先执行目标对应的第二目标数据；

获取预设的执行模型；

将所述目标任务、所述第一目标数据和全部所述第二目标数据输入所述执行模型；

在预设的等待时间内尝试获取所述执行模型输出的需求指令；

若获取成功，将所述预处理结果中除所述第一目标数据和所述第二目标数据之外的其余数据输入所述执行模型；

若没有获取到所述需求指令或将所述其余数据输入执行模型后，获取所述执行模型输出的执行结果。

6.如权利要求4所述的一种跨不同业务域的智能PaaS服务平台的管理系统，其特征在于，所述执行与输出模块执行包括如下操作：

获取预设的显示模式列表；

获取所述显示模式列表中每个显示模式的偏好度；

选取所述偏好度的最大值对应的所述显示模式作为目标显示模型；

基于所述目标显示模型显示所述执行结果。

Images