CN113469663A - 一种结合人工智能的智慧业务信息分析方法及系统 - Google Patents
一种结合人工智能的智慧业务信息分析方法及系统 Download PDFInfo
- Publication number
- CN113469663A CN113469663A CN202110877925.4A CN202110877925A CN113469663A CN 113469663 A CN113469663 A CN 113469663A CN 202110877925 A CN202110877925 A CN 202110877925A CN 113469663 A CN113469663 A CN 113469663A
- Authority
- CN
- China
- Prior art keywords
- behavior
- information
- correlation
- operation behavior
- determining
- 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.)
- Withdrawn
Links
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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本申请的结合人工智能的智慧业务信息分析方法及系统,确定待分析业务互动日志集中待挖掘行为信息的操作行为定位约束;根据操作行为定位约束,确定待挖掘行为信息的操作行为习惯信息、操作行为衍生描述;根据操作行为习惯信息、操作行为衍生描述和操作行为定位约束,确定待分析业务互动日志集中互相关联的两组业务互动日志对应的相关性分布;根据相关性分布对待挖掘行为信息进行挖掘,得到待挖掘行为信息的挖掘结果。充分考虑到了操作行为习惯信息并对操作行为习惯信息进行了更为深层和全面的分析,从而结合操作行为习惯信息、操作行为衍生描述等生成相关性分布,以便对操作行为进行挖掘,进而提高操作行为的挖掘精度、可信度和业务适配度。
Description
技术领域
本申请实施例涉及人工智能和智慧业务技术领域,具体涉及一种结合人工智能的智慧业务信息分析方法及系统。
背景技术
伴随科技和社会的飞速发展,人工智能也进入了高速发展的轨道。人工智能给人们的生产生活带来了很多的便利。不仅仅从日常的衣食住行层面上有着很好的体现,而且在日常的安全防范领域、娱乐领域、甚至是科学研究领域,人工智能技术都在慢慢地与之接轨。其中,针对各类业务的大数据挖掘分析是现目前人工智能技术的重点应用场景之一。然而,对于一些业务层面的操作行为挖掘技术而言,发明人发现,相关技术在进行操作行为挖掘分析时,难以对操作行为习惯进行深度剖析,从而难以通过尽可能丰富的相关性分析结果进行后续挖掘,这样难以确保操作行为的挖掘精度。
发明内容
有鉴于此,本申请实施例提供了一种结合人工智能的智慧业务信息分析方法及系统。
本申请实施例提供了一种结合人工智能的智慧业务信息分析方法,应用于智慧业务系统,所述方法包括:确定待分析业务互动日志集中待挖掘行为信息的操作行为行为定位约束;根据所述操作行为定位约束,确定所述待挖掘行为信息的操作行为习惯信息、操作行为衍生描述;确定连续的业务互动日志之间的互动变化信息;根据所述操作行为习惯信息、操作行为衍生描述、所述操作行为定位约束和所述连续的业务互动日志之间的互动变化信息,确定所述待分析业务互动日志集中互相关联的两组业务互动日志的相关性分布;按照设定策略对所述相关性分布中的关联度进行整理,得到整理后的相关性分布;根据所述整理后的相关性分布,确定所述待挖掘行为信息的挖掘标签;其中,所述挖掘标签用于区别不同的行为信息;确定所述待挖掘行为信息在所述整理后的相关性分布中对应的关联度,并确定所述关联度对应的另一行为信息;其中,所述待挖掘行为信息所对应的业务互动日志与所述另一行为信息所对应的业务互动日志相关联;如果所述关联度不小于设定相关性阈值,将所述另一行为信息对应的挖掘标签作为所述待挖掘行为信息的挖掘标签;如果所述关联度小于设定相关性阈值,终止对所述待挖掘行为信息的挖掘。
本申请实施例还提供了一种智慧业务系统,包括处理器、通信总线和存储器;所述处理器和所述存储器通过所述通信总线通信,所述处理器从所述存储器中读取计算机程序并运行,以执行上述的方法。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序在运行时实现上述的方法。
本申请实施例提供的结合人工智能的智慧业务信息分析方法及系统具有以下技术效果:首先,确定待分析业务互动日志集中待挖掘行为信息的操作行为定位约束;然后,根据操作行为定位约束,确定待挖掘行为信息的操作行为习惯信息、操作行为衍生描述;根据操作行为习惯信息、操作行为衍生描述和操作行为定位约束,确定待分析业务互动日志集中互相关联的两组业务互动日志对应的相关性分布;最后,根据相关性分布对待挖掘行为信息进行挖掘,得到待挖掘行为信息的挖掘结果;如此实施,充分考虑到了操作行为习惯信息并对操作行为习惯信息进行了更为深层和全面的分析,从而结合操作行为习惯信息、操作行为衍生描述等生成尽可能丰富和完整的相关性分布,以便根据相关性分布对操作行为进行挖掘,进而在一定程度上提高操作行为的挖掘精度、可信度和业务适配度。
附图说明
图1为本申请实施例所提供的一种智慧业务系统的方框示意图。
图2为本申请实施例所提供的一种结合人工智能的智慧业务信息分析方法的流程图。
图3为本申请实施例所提供的一种结合人工智能的智慧业务信息分析装置的框图。
具体实施方式
图1示出了本申请实施例所提供的一种智慧业务系统10的方框示意图。本申请实施例中的智慧业务系统10可以为具有数据存储、传输、处理功能的服务端,如图1所示,智慧业务系统10包括:存储器11、处理器12、通信总线13和结合人工智能的智慧业务信息分析装置20。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序在运行时实现上述的方法。
图2示出了本申请实施例所提供的一种结合人工智能的智慧业务信息分析的流程图。所述方法有关的流程所定义的方法步骤应用于智慧业务系统10,可以由所述处理器12实现,所述方法包括以下内容。
Step101,确定待分析业务互动日志集中待挖掘行为信息的操作行为定位约束。
对于一些可能的示例而言,在获取待挖掘行为信息的操作行为定位约束之前,已经从待分析业务互动日志集中抽取出需要挖掘的操作行为信息;然后,在已经抽取出操作行为信息的前提下,对待挖掘行为信息进行操作行为衍生处理(可以理解为对待挖掘行为进行二次抽取处理或者再抽取处理以得到尽可能多的操作行为信息),以确定该待挖掘行为信息的操作行为衍生描述(二次操作行为抽取特征或者扩展型操作行为特征)。
基于此,所述Step101可以理解为,首先将待分析业务互动日志集拆分为U组业务互动日志,然后,将每一组业务互动日志传入至设定操作行为分析网络中,进而即输出多个操作行为的操作行为定位约束;最后,从这多个操作行为的操作行为定位约束中确定出待挖掘行为信息的操作行为定位约束;其中,设定的操作行为分析网络是通过将范例智慧业务日志和所述范例智慧业务日志中每一操作行为的限制信息对AI神经网络进行训练得到的,限制信息为所述每一操作行为的视觉权限限制。
可以理解的是,本申请实施例中的业务互动日志可以是涉及云支付业务、云办公业务、智慧教育业务、智慧医疗业务或者其他类型的数字化业务。相应的,操作行为定位约束可以理解为操作行为的定位限制条件,比如在特定的范围内进行操作行为定位的相关规则或者边界条件等。相应的,限制信息可以理解为边界信息,而视觉权限限制可以理解为可视化层面的操作权限约束。换言之,本申请实施例可以结合大数据可视化技术实现。此外,本申请实施例中的相关范例可以理解为相关训练样本,而AI神经网络则可以理解为卷积神经网络。在本申请实施例中,通过引入限制信息进行网络训练,能够实现对操作行为的精准划分和约束,从而有效减少操作行为挖掘过程中的无效/低效处理工序,进而从侧面提高操作行为挖掘的效率的准确率。
Step102,根据所述操作行为定位约束,确定所述待挖掘行为信息的操作行为习惯信息、操作行为衍生描述。
对于一些可能的示例而言,操作行为习惯信息可以为待挖掘行为信息的显著性片段信息(比如关键行为信息,例如办公行为中的文件上传行为信息、文件修改行为信息等),比如,待挖掘行为信息有20组显著性片段,那么该20组显著性片段即为操作行为习惯信息(比如不同用户的操作偏好);所述操作行为衍生描述是根据挖掘行为信息的操作可视化信息而生成的,不同的挖掘行为信息对应的操作行为衍生描述不同;其中,所述操作可视化信息至少包括所述待挖掘行为信息的行为轨迹、行为状态、行为热度等。
在本申请实施例中,通过将操作行为定位约束传入至设定的操作行为习惯预测网络,即可得到所述待挖掘行为信息的操作行为习惯信息;其中,所述设定的操作行为习惯预测网络是通过根据范例业务互动日志和所述范例业务互动日志中包含的操作行为的习惯信息,对AI神经网络进行训练得到的。通过将操作行为定位约束传入至设定的衍生网络(信息二次挖掘网络),即可得到操作行为衍生描述;其中,所述设定的衍生网络是通过根据范例操作行为定位约束和所述范例操作行为定位约束对应的操作行为信息,对AI神经网络进行训练得到的。
Step103,根据所述操作行为习惯信息、操作行为衍生描述和所述操作行为定位约束,确定所述待分析业务互动日志集中互相关联的两组业务互动日志的相关性分布。
对于一些可能的示例而言,首先,通过对两个连续的业务互动日志中的两个行为信息的操作行为习惯对应显著性片段的量化差异整合,并对整合的结果进行标准化(比如进行归一化处理),将最后的标准化结果作为第一相关性(即行为信息的显著性片段所对应的相关性);比如,第i组业务互动日志journal_i中的第i个操作行为和第(i+1)组业务互动日志journal_i+1第x个操作行为,然后确定第i个操作行为对应的20组显著性片段和与这20组显著性片段相适配的第x个操作行为对应的20组显著性片段之间的量化差异(比如,第i个操作行为的触发状态下的显著性片段与第x个操作行为的触发状态下的显著性片段之间的量化差异,即第i个操作行为和第x个操作行为相同行为状态对应的显著性片段之间的量化差异),得到20组量化差异,再对这20组量化差异整合,最后根据整合的结果以及第i个操作行为和第x个操作行为所对应的业务场景的可视化约束映射记录,得到最后的标准化结果,即第一相关性。
其次,确定第i个操作行为的操作行为衍生描述对应的描述行为特征图和第x个操作行为的操作行为衍生描述对应的描述行为特征图(可以理解为特征向量)之间的余弦距离,然后取该余弦距离的映射值(比如将余弦距离进行量化处理以得到0~1之间的取值以作为相关性数值),即为第二相关性(即衍生相关性)。
再次,将第i个操作行为的操作行为定位约束的可视化约束映射记录和第x个操作行为的操作行为定位约束的可视化约束映射记录的局部性合并结果除以第i个操作行为的操作行为定位约束的可视化约束映射记录和第x个操作行为的操作行为定位约束的可视化约束映射记录的全局性合并结果,即为第三相关性(即定位评价指标)。其中,第i个操作行为的操作行为定位约束的可视化约束映射记录和第x个操作行为的操作行为定位约束的可视化约束映射记录的局部性合并结果可以理解为第i个操作行为的操作行为定位约束的可视化约束映射记录和第x个操作行为的操作行为定位约束的可视化约束映射记录之间的交集,第i个操作行为的操作行为定位约束的可视化约束映射记录和第x个操作行为的操作行为定位约束的可视化约束映射记录的全局性合并结果可以理解为第i个操作行为的操作行为定位约束的可视化约束映射记录和第x个操作行为的操作行为定位约束的可视化约束映射记录的并集。如此设计,可以利用交并比思想准确确定出第三相关性。
最后,对该第一相关性、第二相关性和第三相关性进行优化并整合,确定互相关联的两组业务互动日志对应的相关性分布中的关联度。比如,可以对第一相关性、第二相关性和第三相关性进行加权处理,然后进行求和处理,从而得到相邻两组业务互动日志对应的相关性分布中的关联度。在本申请实施例中,相关性、关联度可以理解为相似度。
Step104,根据所述相关性分布对所述待挖掘行为信息进行挖掘。
对于一些可能的示例而言,因为相关性分布中每一关联度皆对应互相关联的两组业务互动日志中的两个操作行为,因此给相关性达到阈值的两个操作行为设置相同的标签,比如,关联度Relevancy_ix对应journal_i中第i个操作行为和journal_i+1中第x个操作行为,假定将第i个操作行为作为待挖掘行为信息,如果关联度Relevancy_ix不小于设定相关性阈值,那么将第x个操作行为的挖掘标签作为第i个操作行为的挖掘标签;如果关联度Relevancy_ix小于设定相关性阈值,终止挖掘。
在另一些实施例中,比如输入一段业务互动日志并且实时对业务互动日志中每一组的行为信息进行挖掘,则在多行为信息挖掘过程中,会以该业务互动日志上一组的中操作行为的挖掘标签去标定该业务互动日志下一组中与该操作行为较为类似的操作行为,以实现对多行为信息的挖掘。
而且在本申请实施例中,当对待分析业务互动日志集中的行为信息挖掘终止时,确定不具有挖掘标签的行为信息;为所述不具有挖掘标签的行为信息设置新的挖掘标签,所述新的挖掘标签与具有挖掘标签的行为信息对应的挖掘标签不同;换言之,当在相关性分布中终止循环操作时,对于还没有被设置挖掘标签的行为信息,即可以理解为不具有挖掘标签的(即未抽取的操作行为),然后为这些未抽取的操作行为设置新的挖掘标签,以用于后续的操作行为挖掘。
在本申请实施例中,通过从而结合操作行为习惯信息、操作行为衍生描述等生成相关性分布,这样综合考虑多个层面的条件生成相关性分布(可以理解为相似度矩阵),然后基于该相关性分布对操作行为信息进行挖掘,从而提高操作行为信息挖掘的准确率和可信度。
在其他一些可独立实施的实施方式中,所述Step103,即根据所述操作行为习惯信息、操作行为衍生描述和所述操作行为定位约束,确定所述待分析业务互动日志集中互相关联的两组业务互动日志的相关性分布,可以包括:根据所述操作行为习惯信息、操作行为衍生描述和所述操作行为定位约束,确定第V组业务互动日志中的第v个行为信息与第(V+1)组业务互动日志中第u个行为信息对应的相关性分布;其中,V、v和u皆是不小于1的整数,且V小于等于U。
对于一些可能的示例而言,表明相关性分布中的关联度是用来表明互相关联的两组业务互动日志中的两个操作行为信息的相关性(比如,第V组业务互动日志中的第v个行为信息与第(V+1)组业务互动日志中第u个行为信息的相关性)。
以下为本申请实施例结合人工智能的智慧业务信息分析方法的又一实现方式,所述方法包括以下步骤。
Step201,确定待分析业务互动日志集中待挖掘行为信息的操作行为定位约束。对于一些可能的示例而言,确定进行视频办公会议的待挖掘的4个办公业务端的操作行为定位约束,即办公业务端client_1的操作行为定位约束Restrain_1、办公业务端client_2的操作行为定位约束Restrain_2、办公业务端client_3的操作行为定位约束Restrain_3和办公业务端client_4的操作行为定位约束Restrain_4。
Step202,根据所述操作行为定位约束确定所述待挖掘行为信息的显著性片段信息,即操作行为习惯信息。对于一些可能的示例而言,在办公业务端client_1的第一行为阶段、第二行为阶段、第三行为阶段、第四行为阶段和第五行为阶段(这些行为阶段按照时序先后顺序进行排列),共确定15组显著性片段;同样在办公业务端client_2、办公业务端client_3和办公业务端client_4的第一行为阶段、第二行为阶段、第三行为阶段、第四行为阶段和第五行为阶段也确定多个显著性片段。
Step203,根据所述操作行为定位约束,确定所述待挖掘行为信息的操作可视化信息。对于一些可能的示例而言,操作可视化信息可以是至少包括所述待挖掘行为信息的行为轨迹、行为状态、行为热度等。
Step204,根据所述操作可视化信息生成所述操作行为衍生描述。对于一些可能的示例而言,比如,根据操作可视化信息生成一个多维度的描述行为特征图。
Step205,根据第v个行为信息的操作行为习惯信息和第u个行为信息的操作行为习惯信息,确定第一相关性。对于一些可能的示例而言,第一相关性用于表明第v个行为信息的显著性片段与第u个行为信息的显著性片段之间的量化差异;所述Step205可以通过以下过程实现。
Step251,确定所述第V组业务互动日志中所述第V组业务互动日志与第(V+1)组业务互动日志之间的互动变化信息。对于一些可能的示例而言,将所述第V组业务互动日志中的任一互动日志事件从第V组业务互动日志到第(V+1)组业务互动日志的事件状态变化,确定为第V组业务互动日志与第(V+1)组业务互动日志之间的互动变化信息。
Step252,根据所述互动变化信息,分别更新第v个行为信息的显著性片段的兴趣热度状态和第u个行为信息的显著性片段的兴趣热度状态,得到更新后的第v个行为信息的操作行为习惯信息和更新后的第u个行为信息的操作行为习惯信息。
Step253,确定所述更新后的第v个行为信息的x个显著性片段中每一显著性片段,与和所述每一显著性片段相适配的更新后的第u个行为信息的x个显著性片段之间的量化差异,得到x个量化差异。对于一些可能的示例而言,所述Step253可以理解为,确定第v个行为信息的行为阶段与第u个行为信息的行为阶段相同的显著性片段之间的量化差异。
Step254,对所述x个量化差异整合,得到全局量化差异。
Step255,按照设定权重对所述全局量化差异进行更新,得到所述第一相关性。对于一些可能的示例而言,所述Step255可以理解为,将得到的全局量化差异除以第v个行为信息的操作行为定位约束和第u个行为信息的操作行为定位约束。
Step251至Step255可以理解为,首先,得到第V组业务互动日志与第(V+1)组业务互动日志之间的互动变化信息;然后,根据互动变化信息,分别更新第v个行为信息的显著性片段的兴趣热度状态和第u个行为信息的显著性片段的兴趣热度状态,得到更新后的第v个行为信息的操作行为习惯信息和更新后的第u个行为信息的操作行为习惯信息;最后,确定所述更新后的第v个行为信息的x个显著性片段中每一显著性片段,与和该每一显著性片段相适配的更新后的第u个行为信息的显著性片段之间的量化差异,得到x个量化差异,并对x个量化差异整合,得到全局量化差异;按照设定权重对所述全局量化差异进行更新,得到所述第一相关性。
比如,更新后的第v个行为信息包括30组显著性片段,确定这30组显著性片段和更新后的第u个行为信息的相同行为状态的30组显著性片段之间的量化差异(比如,第u个行为信息的的触发状态下的显著性片段与第v个行为信息的的触发状态下的显著性片段之间的量化差异),对这30组量化差异整合,然后基于整合结果以及第u个行为信息和第v个行为信息对应的业务场景的可视化约束映射记录进行量化处理,以得到第一相关性。
Step206,根据第v个行为信息的操作行为衍生描述和第u个行为信息的操作行为衍生描述,确定第二相关性。对于一些可能的示例而言,第二相关性用于表明第v个行为信息的操作可视化与第u个行为信息的操作可视化的相关性。所述Step206可以通过以下过程实现:首先,确定第v个行为信息的操作行为衍生描述对应的行为特征图和第u个行为信息的操作行为衍生描述对应的行为特征图之间的余弦距离;将该余弦距离的映射值,确定为第二相关性。
Step207,根据第v个行为信息的操作行为定位约束和第u个行为信息的操作行为定位约束,确定第三相关性。对于一些可能的示例而言,第三相关性用于表明第v个行为信息的操作行为定位约束与第u个行为信息的操作行为定位约束之间的量化比较结果。所述Step207可以通过以下过程实现:首先,根据所述互动变化信息,分别更新所述第v个行为信息的操作行为定位约束和第u个行为信息的操作行为定位约束的状态,得到更新后的第v个行为信息的操作行为定位约束的状态和更新后第u个行为信息的操作行为定位约束;然后,将更新后的第v个行为信息的操作行为定位约束的可视化约束映射记录确定为第一可视化约束映射记录,并将更新后的第u个行为信息的操作行为定位约束可视化约束映射记录确定为第二可视化约束映射记录;将所述第一可视化约束映射记录和第二可视化约束映射记录的全局性合并结果,确定为第三可视化约束映射记录;所述第一可视化约束映射记录和第二可视化约束映射记录的局部性合并结果,确定为第四可视化约束映射记录;最后,将第四可视化约束映射记录除以第三可视化约束映射记录,将得到的量化比对关系确定为第三相关性。
Step208,分别对所述第一相关性、第二相关性和第三相关性按照设定重要性指数进行优化,得到优化后的第一相关性、优化后的第二相关性和优化后的第三相关性。
Step209,对优化后的第一相关性、优化后的第二相关性和优化后的第三相关性整合,将整合得到的结果作为所述第V组业务互动日志中的第v个行为信息与第(V+1)组业务互动日志中第u个行为信息的关联度。对于一些可能的示例而言,相关性分布中的每一关联度皆表示连续的业务互动日志中的两个行为信息的相关性。
Step210,按照设定策略对所述相关性分布中的关联度进行整理,得到整理后的相关性分布。对于一些可能的示例而言,将相关性分布按照相关性降序进行整理。
Step211,确定所述待挖掘行为信息在所述整理后的相关性分布中对应的关联度,并确定所述关联度对应的另一行为信息。对于一些可能的示例而言,所述待挖掘行为信息所对应的业务互动日志与所述另一行为信息所对应的业务互动日志相关联,因为每一关联度对应连续的业务互动日志中的两个行为信息,按照局部最优解策略(greedy algorithm)对相关联组中的行为信息进行配对。比如,依次取出整理的关联度,假定当前取出的相关性为correlation,如果correlation不小于设定的相关性阈值,对应journal_i中第i个操作行为与journal_i+1中第x个操作行为,若第x个操作行为还没有被设置挖掘标签,则令第x个操作行为的挖掘标签等于第i个操作行为的挖掘标签;若第x个操作行为已经被设置了挖掘标签,则忽略;如果correlation低于设定的相关性阈值,则终止挖掘。
Step212,以此类推,对待分析业务互动日志集中的每一操作行为设置挖掘标签,从而对每一操作行为进行挖掘。
在本申请实施例中,首先,根据连续的业务互动日志中两个行为信息的显著性片段之间的量化差异确定第一相关性,再根据两个行为信息的定位约束可视化约束映射记录的局部性合并结果除以两个定位约束可视化约束映射记录的全局性合并结果,确定第三相关性;再根据两个操作行为定位约束对应操作行为衍生描述的映射值,确定第二相关性,然后对这三部分优化整合得到相关性分布,再采用局部最优解策略(greedy algorithm)对不同组业务互动日志中的操作行为进行配对,对每一操作行为设置挖掘标签,从而完成对每一操作行为进行挖掘,由此,显著提高了操作行为挖掘的精度。
本申请实施例提供一种结合人工智能的智慧业务信息分析方法,操作行为习惯预测和多行为信息挖掘是数字化业务中的两个关键且具有难度的问题。操作行为习惯预测旨在预测行为显著性片段在单一智慧业务日志中的状态。操作行为习惯预测是一项基于要求,它可以辅助完成许多其他数字化业务需求。另一方面,多行为信息挖掘旨在同时在业务互动日志中挖掘多个行为信息画像。被挖掘的行为信息画像通常是具有潜在的大数据分析价值的信息,并且在习惯挖掘进程中,行为信息画像可以理解为是操作行为习惯。与传统的挖掘项目不同,基于习惯的多行为信息挖掘可以从操作行为习惯中获取更多更全面的信息。为了应对多行为信息操作行为习惯挖掘项目,本申请实施例提出了三个步骤,包括操作行为定位,操作行为习惯预测和多行为信息挖掘。首先对前两个步骤进行了关注并修改对应的操作行为定位和操作行为习惯预测方法,其次提出了用于多行为信息挖掘的综合相关性分析指标(相关性分布)来应对最后一步。
本申请实施例提出了一种综合相关性分析指标用于权衡两个行为信息之间的共性程度(相似程度),该综合相关性分析指标包含基于定位约束的第三相关性,基于操作行为习惯的第一相关性和基于操作行为衍生的第二相关性这三个部分。本申请实施例的输入信息为一段业务互动日志,输出结果是多行为信息习惯挖掘结果,可以通过以下四个步骤实现。
对于第一个步骤而言,将业务互动日志拆分成组,每组用操作行为分析网络处理,生成操作行为信息。对于一些可能的示例而言,输入操作行为分析网络的为业务互动日志;输出操作行为分析网络的为操作行为定位约束;首先将业务互动日志拆分成组,对每一组用操作行为分析网络处理,生成多个操作行为定位约束。多行为信息挖掘可以理解为,取一段业务互动日志journal_V,业务互动日志中第i组为journal_i,journal_i的每一个操作行为是一个行为信息,第i组中的第x个操作行为可以记作Qix,多行为信息挖掘要解决的问题为给每一个操作行为信息一个标定挖掘标签。在本申请实施例中将操作行为显著性片段作为操作行为习惯信息,一个操作行为习惯信息可以用多个显著性片段的兴趣热度(行为后阅读)表示。
对于第二个步骤而言,利用操作行为习惯预测网络预测每个操作行为信息的操作行为习惯,利用操作行为衍生网络对每个操作行为信息提取描述,利用互动变化信息预测网络确定连续的业务互动日志之间的互动变化信息。对于一些可能的示例而言,输入操作行为习惯预测网络预测的是操作行为定位约束,输出操作行为习惯预测网络预测的是操作行为习惯、操作行为衍生描述和连续的业务互动日志之间的互动变化信息;实现过程为:利用操作行为习惯预测网络对操作行为定位约束进行处理,生成对应的操作行为习惯;利用操作行为衍生网络对操作行为定位约束进行处理,生成对应的操作行为衍生描述;利用互动变化信息预测网络进行处理相关联两组(比如连续的两组),生成两组之间的互动变化信息。
对于第三个步骤而言,确定连续的业务互动日志之间任意两个新行为信息的综合相关性(利用对于第二个步骤而言中的各种描述)。对于一些可能的示例而言,输入是操作行为定位约束,操作行为习惯,操作行为衍生描述,连续的业务互动日志之间的互动变化信息;输出是相关联组中两组行为信息的相关性分布;实现过程为:假定相关联组为journal_i和journal_i+1,journal_i中有v个操作行为,journal_i+1中有u个操作行为,最终生成一个尺寸为v*u相关性分布,第i行第x列的单元代表journal_i中第i个操作行为与journal_i+1中第x个操作行为的相关性,记作Relevancy_ix。Relevancy_ix的确定包括三个部分,分别是第三相关性,第一相关性和第二相关性,Relevancy_ix由这三部分优化整合得到。第三相关性等于两个定位约束可视化约束映射记录的局部性合并结果处理两个定位约束可视化约束映射记录的全局性合并结果。第一相关性等于两个操作行为习惯对应显著性片段量化差异和标准化后的结果。第二相关性等于两个操作行为定位约束对应操作行为衍生描述的映射值。其中,在确定第三相关性和第一相关性时,journal_i中定位约束的状态和习惯的兴趣热度都需要使用互动变化信息进行校正。
对于第四个步骤而言,根据综合相关性分布,进行挖掘标签的顺承处理,得到多行为信息挖掘结果。对于一些可能的示例而言,输入是相关联组中两组行为信息的相关性分布;输出是相关联组中两组行为信息的挖掘结果;实现过程为:将相关性分布按照相关性降序进行整理,按照局部最优解策略(greedy algorithm)的方式对相关联组中的行为信息进行配对。依次取出整理的关联度,假定当前取出的相关性为correlation,对应journal_i中第i个操作行为与journal_i+1中第x个操作行为,若x还没有被设置挖掘标签,则令x的挖掘标签等于i的挖掘标签;若x已经被设置了挖掘标签,则忽略;如果correlation低于一个事先设定的阈值,则终止循环。当循环终止时,还没有被设置挖掘标签的行为信息即可以理解为配对失败,设置一个新的挖掘标签。
在本申请实施例中,首先,逐组预测操作行为定位,并将许多操作行为定位具有潜在的大数据分析价值的信息输出到后一步骤。其次,在每个具有潜在的大数据分析价值的信息上预测操作行为习惯。最后,根据综合行为信息相关性来挖掘来自相关联组的具有潜在的大数据分析价值的信息,该综合相关性分析指标包含基于定位约束的第三相关性,基于操作行为习惯的第一相关性和基于操作行为衍生的第二相关性三部分。操作行为定位方法大致可分为单阶定位和双阶定位。单阶定位通常具有更高的事件状态变化定位效率但更低的准确性。相比之下,双阶定位通常具有更高的准确度但事件状态变化效率更低。考虑到最后两个步骤都较为依赖于操作行为定位约束,本申请实施例可以选择双阶定位作为本申请实施例的操作行为定位策略。操作行为习惯预测方法可适应性分为顶点型预测方法(由上至下)和基础型预测方法(由下至上)。基础型预测的方法首先提取所有显著性片段,然后对它们进行不同分组。顶点型预测的方法首先为每个行为信息提取定位约束,然后在单一定位约束上进行习惯预测。本申请实施例选择顶点型预测的方法作为本申请实施例的操作行为习惯预测策略。
本申请实施例将多行为信息挖掘解决为定位约束相关性配对问题。一般的思路是根据相关性配对连续的业务互动日志之间的定位约束。上一组的配对约束将挖掘标签顺承处理(传递)给最后一组上的配对约束。没有配对的定位约束将被配置一个新的挖掘标签。本申请实施例在业务互动日志中逐组进行挖掘程序。本申请实施例使用局部最优解策略(greedy algorithm)来匹配连续的业务互动日志之间的定位约束。处理一组时,确定当前组上每个定位约束与前一组上每个定位约束之间的相关性。然后将相关性降序整理并迭代相关性。在迭代过程中,如果当前组上的一个定位约束尚未分配挖掘标签,则将从前一组的定位约束中为其分配挖掘标签。当相关性低于阈值时,将终止迭代过程,并且将为当前组上剩余的没有配对的具有潜在的大数据分析价值的信息分配新的挖掘标签。如何确定相关性是本申请实施例的核心发明点。本申请实施例提出联合多维相关性来确定两个定位约束之间的相关性。联合多维相关性包括基于互动变化信息的第三相关性,基于互动变化信息的第一相关性和操作行为衍生相关性。基于互动变化信息的第一相关性,本申请实施例提出了基于互动变化信息的第三相关性。
本申请实施例使用互动变化信息生成传递的定位约束,然后确定当前组中传递约束和定位约束之间的正常第三相关性。考虑到仅使用第三相关性和第一相关性将缺乏文本描述特征,本申请实施例使用操作行为衍生描述来确定文本描述相关性。将两个操作行为定位约束对应操作行为衍生描述的余弦距离作为操作行为二次抽取相关性。使用优化整合方法来合并三个相关层面。可以理解的是,本申请实施例提出的联合多维相关性算法的性能优于三个独立的相关性算法。
本申请实施例提出的顶点型预测的在线多行为信息挖掘系统结合了相对先进的的行为定位,行为习惯预测,行为事件抽取和挖掘方法。此外,本申请实施例提出了综合相关性分析指标,据本申请实施例所知,综合相关性分析指标首先在多行为信息挖掘中使用行为信息二次抽取描述,并且综合相关性分析指标在进行挖掘结果校正层面上能够达到较为显著的效果。在本申请实施例中,对行为信息进行挖掘之后,可以基于挖掘结果进行业务需求分析和服务产品推送,由于操作行为的挖掘精度、可信度和业务适配度较高,因此在后续进行业务需求分析和服务产品推送时,也能够确保较高的准确性和可靠性。
在一些可独立实施的技术方案下,如果所述关联度不小于设定相关性阈值,将所述另一行为信息对应的挖掘标签作为所述待挖掘行为信息的挖掘标签之后,该可以包括以下内容:如果所述待挖掘行为信息的挖掘标签为办公时效性需求标签,则确定不同办公项目之间的业务线程的事件等候量化描述;根据事件等候量化描述进行办公任务调度处理。
在本申请实施例中,办公时效性需求标签可以理解为所述待挖掘行为信息对应的需要快速进行办公业务处理的标签,为此,可以确定出不同办公项目之间的业务线程的办公事件等待情况,从而基于办公事件等待情况实现办公任务调度处理,以最大限度地优先处理待挖掘行为信息对应的办公事件。
在一些可独立实施的技术方案下,确定不同办公项目之间的业务线程的事件等候量化描述,可以包括以下内容:获取当前办公项目和其前一办公项目之间待检测业务线程的在先事件传输信息;基于所述在先事件传输信息,确定所述待检测业务线程的借鉴性非卡顿运行持续时间;通过所述借鉴性非卡顿运行持续时间对待检测时段区间内所述待检测业务线程的事件进行挑选,得到所述待检测时段区间内涵盖至少一个等候事件的等候记录和涵盖至少一个终止事件的终止记录;获取所述终止事件的运行持续时间,并将所述运行持续时间符合第一设定挑选指标的终止事件认定为等候事件并加载到所述等候记录;通过所述等候记录确定在所述待检测时段区间内所述待检测业务线程的事件等候量化描述。
在一些可独立实施的技术方案下,确定不同办公项目之间的业务线程的事件等候量化描述,可以通过以下技术方案实施。
步骤S11:获取当前办公项目和其前一办公项目之间待检测业务线程的在先事件传输信息。
在本申请实施例中,在先事件传输信息可以包括由办公小助手等辅助办公软件检测得到的事件传入办公项目的信息,如:传入时刻(即检测时间)、事件标签等等,本申请实施例在此不再一一举例,此外,在先事件传输信息还可以包括办公项目状态指示线程的运行记录,如:项目唤醒状态启动时间、项目唤醒状态终止时间、项目暂停状态启动时间、项目暂停状态终止时间等等,本申请实施例在此不再一一举例。
在一个可能的实施例中,在先事件传输信息可以是之前一天之内的信息,也可以是之前一个小时之内的信息,还可以是以前一个星期之内的信息,本申请实施例在此不做具体限制。
在另一个可能的实施例中,不同的办公项目对应不同的办公环境或者办公任务,待检测业务线程用于对不同的办公事件进行传输。其中,办公事件可以是各类操作事件或者交互事件,可以应用在不同的办公项目中,通过待检测业务线程在不同办公项目中进行传输。
以一些示例性的角度来看待,前一办公项目是当前办公项目按照待检测业务线程的事件传输路径相反的路径上的第一个办公项目。基于实际情况,在本申请实施例中的待检测业务线程可以是一组、两组或者三组等等,本申请实施例在此不做具体限制。
为了便于描述,本申请实施例以及下述实施例,将当前办公项目理解为办公项目OfficeItemA,将前一办公项目理解为办公项目OfficeItemB。
示例性地,在先事件传输信息可以包括但不限于:事件从待检测业务线程传入当前办公项目的第一传入时刻InputMomentA、事件传入前一办公项目的第二传入时刻InputMomentB,此外,在先事件传输信息还可以包括但不限于:当前办公项目项目唤醒状态启动时间StartTimeA、当前办公项目项目唤醒状态终止时间EndTimeA、当前办公项目后一个项目唤醒状态启动时间StartTimeA_Later、当前办公项目后一个项目唤醒状态终止时间EndTimeA_Later。
步骤S12:基于在先事件传输信息,确定待检测业务线程的借鉴性非卡顿运行持续时间。
在本申请实施例中,借鉴性非卡顿运行持续时间可以理解为非卡顿运行持续时间参考。非卡顿,顾名思义,可以理解为整个办公业务顺畅运行的状态而不是卡顿、延迟或者事件堆积无法得到及时处理的状态。运行持续时间是指事件从解绑前一办公项目到传入当前办公项目所耗费的时长,示例性的,可以分别基于第一传入时刻和第二传入时刻所处的指示时段区间,确定事件从待检测业务线程解绑当前办公项目的第一解绑时刻,以及事件解绑前一办公项目的第二解绑时刻,从而通过确定第二解绑时刻和第一传入时刻之间的量化差异(比如时刻差值),便可将量化差异认定为对应事件的运行持续时间。
以示例性的角度看待,如果第一传入时刻InputMomentA处于项目唤醒状态时段区间,则将第一传入时刻InputMomentA认定为第一解绑时刻DepartureTimeA,如果第一传入时刻InputMomentA处于项目暂停状态时段区间,则将项目暂停状态结束之后的项目唤醒状态启动时间认定为第一解绑时刻DepartureTimeA,相应的,如果第二传入时刻InputMomentB处于项目唤醒状态时段区间,则将第二传入时刻InputMomentB认定为第二解绑时刻DepartureTimeB,如果第二传入时刻处于项目暂停状态时段区间,则将项目暂停状态结束之后的项目唤醒状态启动时间认定为第二解绑时刻DepartureTimeB,上述项目唤醒状态时段区间和项目暂停状态时段区间,以及项目暂停状态结束之后的项目唤醒状态启动时间都可以通过在先事件传输信息中的状态指示线程的运行记录获取,本申请实施例在此不再赘述。
在一个示例性的实施例中,还可能存在当前办公项目的事件传输标识(处于传输状态的办公事件的标识或者标签)难以区分的情况,在这种情况下,可以将第一传入时刻InputMomentA和第一解绑时刻DepartureTimeA均设置为零;在另一个示例性的实施例中,还可能存在尽管可以区分当前办公项目的事件传输标识,但是通过该标识还不能够确定出其在前一办公项目的相关联系,此时可以将第二传入时刻InputMomentB和第二解绑时刻DepartureTimeB均设置为零。
在本申请实施例中,可以取上述运行持续时间中量化值较小的运行持续时间认定为非卡顿运行持续时间,即当某一事件的运行持续时间与非卡顿运行持续时间相当,或小于非卡顿运行持续时间时,可以认为该事件在待检测业务线程中没有处于等候状态或者排队状态。
在本申请实施例中的借鉴性非卡顿运行持续时间可以包括但不限于:非卡顿运行持续时间最小值、非卡顿运行持续时间均值。
示例性地,可以将基于上述在先信息而获取到的全部事件的运行持续时间依照升序的顺序进行整理,获取运行持续时间记录,并将运行持续时间记录(运行持续时间序列)中的最小值认定为非卡顿运行持续时间最小值Min_unhindered_continue,并挑选运行持续时间记录中设定量化值区间(如:0.02~0.1)内的运行持续时间,并将挑选得到的运行持续时间的平均持续时长值认定为非卡顿运行持续时间均值 在一个可能的实施例中,为了确保获取到的非卡顿运行持续时间均值和非卡顿运行持续时间最小值更具借鉴性价值(参考价值),从而使得后继基于借鉴性非卡顿运行持续时间对待检测时段区间内待检测业务线程的事件所进行的挑选更加准确,在全部事件的运行持续时间依照升序的顺序进行整理,获取运行持续时间记录之后,还可以进一步将运行持续时间记录中位数为零的运行持续时间过滤(剔除运行持续时间记录中位数为零的运行持续时间)。
在一个可能的实施例中,为了确保借鉴性非卡顿运行持续时间更具针对性,例如:针对业务线程在诸如业务请求热门时段、业务响应热门时段、非高峰时段区间、冷门时段区间等时段区间的运行持续时间的差异性,从而可以进一步提高后继挑选的准确性,还可以将一个小时划分为多个时段区间,例如,依照15分钟划分为4个时段区间、依照5分钟划分为12个时段区间等等,再通过上述方式获取每个时段区间内的运行持续时间记录,基于获取到的对应时段区间的行程时段区间记录,获取对应时段区间的借鉴性非卡顿运行持续时间,例如:对应时段区间的非卡顿运行持续时间最小值和对应时段区间的非卡顿运行持续时间均值。
步骤S13:通过借鉴性非卡顿运行持续时间对待检测时段区间内待检测业务线程的事件进行挑选,得到待检测时段区间内涵盖至少一个等候事件的等候记录和涵盖至少一个终止事件的终止记录。
在一个可能的实施例中,为了获取待检测业务线程的即时线程状况,从而帮助相关办公服务端实时了解某一业务线程的线程状况,或者帮助相关办公客户端实时了解某一业务线程的线程状况,待检测时段区间可以是当前时刻之前的一个较短的时段区间,例如:当前时刻之前5分钟内、当前时刻之前1分钟内等等,本申请实施例在此不做具体限制。在另一个实施例中,为了获取待检测业务线程在诸如赶工时期(如:月末、年底等)、业务办理热门时段时的线程状况,从而帮助相关办公服务端在特定时段区间制定办公业务调整策略或调整状态指示线程,待检测时段区间可以是赶工时期、业务办理热门时段时段区间等等,本申请实施例在此不做具体限制。
在一个可能的实施例中,为了尽可能准确地应对项目唤醒状态开始和项目唤醒状态结束时事件等候情况(待处理办公事件的排队情况)的变化,从而使得最后获取的事件等候量化描述更具借鉴性价值,待检测时段区间还可以进行更为精细化地设置,例如,待检测时段区间可以包括:项目唤醒状态启动时间至项目唤醒状态终止时间之间的第一待检测时段区间,以及项目唤醒状态终止时间之后后一个项目唤醒状态启动时间至后一个项目唤醒状态终止时间之间的第二待检测时段区间,本申请实施例在此不做具体限制。
在一个可能的实施例中,为了确保得挑选结果更加准确,还可以将某一小时划分为多个时段区间,从而获取对应于每个时段区间的借鉴性非卡顿运行持续时间,并确定待检测时段区间在多个时段区间中所属的时段区间,再依据所属的时段区间所对应的借鉴性非卡顿运行持续时间对待检测时段区间内待检测业务线程的事件进行挑选。
在本申请实施例中,通过通过借鉴性非卡顿运行持续时间对待检测时段区间内待检测业务线程的事件进行挑选,可以得到待检测时段区间内涵盖至少一个等候事件的等候记录和涵盖至少一个终止事件的终止记录。
以一些示例性的角度来看待,等候事件可以理解为处于排队状态或者待处理状态的办公事件,终止事件可以理解为处于最后一个排队状态的事件,相应的,等候记录和终止记录分别可以理解为排队队列和末尾队列。
步骤S14:获取终止事件的运行持续时间,并将运行持续时间符合第一设定挑选指标的终止事件认定为等候事件并加载到等候记录。
为了进一步提高挑选的准确性,还可以对终止记录进行进一步的挑选。示例性地,可以借鉴性上述步骤获取终止事件的运行持续时间,并将运行持续时间符合第一设定挑选指标的终止事件认定为等候事件并加载到等候记录,例如,可以将运行持续时间出现显著异常(运行持续时间过大,或等于零)的终止事件认定为等候事件并加载到等候记录,或者还可以将运行持续时间大于终止记录中全部终止事件的平均运行持续时间的终止事件认定为等候事件并加载到终止记录。
在一个可能的实施例中,为了尽可能准确地应对项目唤醒状态开始和项目唤醒状态结束事件等候情况的变化,从而使得最后获取的事件等候量化描述更具借鉴性价值,还可以通过对项目唤醒状态开始的时段区间的终止记录进行挑选,并将其中符合第一设定挑选指标的终止事件认定为等候事件并加载到与项目唤醒状态开始的时段区间对应的等候记录,以及通过对项目唤醒状态结束的时段区间的终止记录进行挑选,并将其中符合第一设定挑选指标的终止事件认定为等候事件并加载到与项目唤醒状态结束的时段区间对应的等候记录。
步骤S15:通过等候记录确定在待检测时段区间内待检测业务线程的事件等候量化描述。
在一个可能的实施例中,可以将等候记录中等候事件的数量认定为事件等候量化描述的借鉴性值(比如参考值)。在另一个实施例中,还可以将等候记录中等候事件的数量进行进一步的处理,并将处理之后的值认定为事件等候量化描述,示例性地,可以考虑事件全局性差异(比如办公事件之间的处理时刻差异)和事件全局性量化描述(比如办公事件的数据信息量的大小),将事件全局性差异和事件全局性量化描述的和值与等候事件的数量的乘积认定为事件等候量化描述,本申请实施例在此不做具体限制。这样,通过量化思路,能够确保事件分析的精准性,同时可以有效减少运算开销。
在一个示例性的实施例中,为了尽可能准确地应对项目唤醒状态开始和项目唤醒状态结束事件等候情况的变化,从而使得最后获取的事件等候量化描述更具借鉴性价值,还可以通过上述项目唤醒状态开始的时段区间对应的等候记录确定项目唤醒状态开始的时段区间对应的事件等候量化描述,并通过上述项目唤醒状态结束的时段区间对应的等候记录确定项目唤醒状态结束的时段区间对应的事件等候量化描述,本申请实施例在此不做具体限制。
应用于上述方案,通过获取当前办公项目和其前一办公项目之间待检测业务线程的在先事件传输信息,确定待检测业务线程的借鉴性非卡顿运行持续时间,从而通过借鉴性非卡顿运行持续时间对待检测时段区间内待检测业务线程的事件进行挑选,得到待检测时段区间内涵盖至少一个等候事件的等候记录和涵盖至少一个终止事件的终止记录,进而可以有效地消除非等候事件对确定事件等候量化描述的干扰和影响,有助于精准确定事件等候量化描述。在此基础上,再将运行持续时间符合第一设定挑选指标的终止事件认定为等候事件并加载到等候记录,从而可以通过等候记录确定在待检测时段区间内待检测业务线程的事件等候量化描述,进而能够进一步对终止记录中的终止事件进行解析,有助于进一步精准确定事件等候量化描述。
此外,由于仅需获取当前办公项目和其前一办公项目之间待检测业务线程的在先事件传输信息便可确定在待检测时段区间内待检测业务线程的事件等候量化描述,因此,能够降低对办公业务环境的软硬件配置标准,有助于提高所获取的在先事件传输信息的信息范围,进而能够进一步精准确定事件等候量化描述。
对于一些可能的实施例而言,以下是本申请大数据在线业务分析方法另一实施例,示例性地,在本申请实施例中,借鉴性非卡顿运行持续时间包括非卡顿运行持续时间最小值和非卡顿运行持续时间均值,通过分别通过非卡顿运行持续时间均值和非卡顿运行持续时间最小值进行挑选,能够进一步提高办公事件等候状态确定的准确性。进一步而言,可以包括如下步骤。
步骤S31:获取当前办公项目和其前一办公项目之间待检测业务线程的在先事件传输信息。
具体请参阅上述实施例中的步骤S11。
步骤S32:基于在先事件传输信息,确定待检测业务线程的非卡顿运行持续时间均值和非卡顿运行持续时间最小值。
示例性地,待检测业务线程的在先事件传输信息可以包括事件从待检测业务线程传入当前办公项目的第一传入时刻以及事件传入前一办公项目的第二传入时刻,基于第一传入时刻和第二传入时刻所处的指示时段区间,可以确定事件从待检测业务线程解绑当前办公项目的第一解绑时刻,以及事件解绑前一办公项目的第二解绑时刻,并通过第二解绑时刻和第一传入时刻,汇总待检测业务线程全部事件的运行持续时间,最后解析待检测业务线程全部事件的运行持续时间,获取非卡顿运行持续时间最小值和非卡顿运行持续时间均值。具体可以借鉴性上述实施例中的相关步骤,本申请实施例在此不再赘述。
步骤S33:通过非卡顿运行持续时间均值对待检测时段区间内待检测业务线程的事件进行挑选,得到待检测时段区间内涵盖至少一个等候事件的等候记录和涵盖至少一个终止事件的终止记录。
在一个可能的实施例中,为了尽可能准确地应对项目唤醒状态开始和项目唤醒状态结束事件等候情况的变化,从而使得最后获取的事件等候量化描述更具借鉴性价值,待检测时段区间可以具体包括项目唤醒状态启动时间StartTimeA至项目唤醒状态终止时间EndTimeA之间的第一待检测时段区间,以及项目唤醒状态终止时间EndTimeA之后后一个项目唤醒状态启动时间StartTimeA_Later至后一个项目唤醒状态终止时间EndTimeA_Later之间的第二待检测时段区间。示例性地,可以汇总第一解绑时刻DepartureTimeA处于第一待检测时段区间的第一目标事件,以及第一解绑时刻DepartureTimeA处于第二待检测时段区间的第二目标事件,并通过第一传入时刻、第一解绑时刻、项目唤醒状态启动时间、项目唤醒状态终止时间和运行持续时间、非卡顿运行持续时间均值之间的比较结果,从第一目标事件中挑选出第一等候记录和第一终止记录,以及通过第一传入时刻、第一解绑时刻、后一个项目唤醒状态启动时间、后一个项目唤醒状态终止时间和运行持续时间、非卡顿运行持续时间均值之间的比较结果,从第二目标事件中挑选出第二等候记录和第二终止记录。
步骤S34:获取终止事件的运行持续时间,并将运行持续时间符合第一设定挑选指标的终止事件认定为等候事件并加载到等候记录。
在一个可能的实施例中,当为了尽可能准确地应对项目唤醒状态开始和项目唤醒状态结束事件等候情况的变化时,可以获取上述第一终止记录中的终止事件的运行持续时间,并将运行持续时间符合第一设定挑选指标的终止事件认定为等候事件并加载到第一等候记录,并获取上述第二终止记录中的终止事件的运行持续时间,并将运行持续时间符合第一设定挑选指标的终止事件认定为等候事件并加载到第二等候记录。
步骤S35:通过非卡顿运行持续时间最小值过滤等候记录中不符合第二设定挑选指标的等候事件。
在一个可能的实施例中,当为了尽可能准确地应对项目唤醒状态开始和项目唤醒状态结束事件等候情况的变化时,可以通过非卡顿运行持续时间最小值过滤上述第一等候记录中不符合第二设定挑选指标的等候事件,并过滤上述第二等候记录中不符合第二设定挑选指标的等候事件。
步骤S36:通过等候记录确定在待检测时段区间内待检测业务线程的事件等候量化描述。
在一个可能的实施例中,当为了尽可能准确地应对项目唤醒状态开始和项目唤醒状态结束事件等候情况的变化时,可以通过上述过滤处理之后的第一等候记录确定在第一待检测时段区间内待检测业务线程的事件等候量化描述,以及通过上述过滤处理之后的第二等候记录确定在第二待检测时段区间内待检测业务线程的事件等候量化描述。
通过过滤处理之后的第一等候记录确定在第一待检测时段区间内待检测业务线程的事件等候量化描述的具体方式,以及通过过滤处理之后的第二等候记录确定在第二待检测时段区间内待检测业务线程的事件等候量化描述的具体方式可以参阅上述实施例中的相关步骤,本申请实施例在此不再赘述。
基于上述方案,通过通过非卡顿运行持续时间均值对待检测时段区间内待检测业务线程的事件进行挑选,能够得到待检测时段区间内涵盖至少一个等候事件的等候记录和涵盖至少一个终止事件的终止记录,从而可以对待检测时段区间内待检测业务线程的事件进行初步挑选,再获取终止事件的运行持续时间,并将运行持续时间符合第一设定挑选指标的终止事件认定为等候事件并加载到等候记录,并通过等候记录确定在待检测时段区间内待检测业务线程的事件等候量化描述,能够对终止记录和等候记录进行进一步地细致化挑选,从而能够进一步提高办公事件等候状态确定的准确性。
以下相关内容为上述步骤S33一实施例的进一步实施方案。示例性地,为步骤33的待检测时段区间涵盖项目唤醒状态启动时间至项目唤醒状态终止时间之间的第一待检测时段区间时一实施例,在本申请实施例中,可以通过第一传入时刻、第一解绑时刻、项目唤醒状态启动时间、项目唤醒状态终止时间和运行持续时间、非卡顿运行持续时间均值之间的比较结果,从第一解绑时刻处于第一待检测时段区间的第一目标事件中挑选出第一等候记录和第一终止记录,进一步而言,可以包括如下步骤。
步骤S41:将第一目标事件依照第一传入时刻升序进行整理。
将第一解绑时刻DepartureTimeA处于第一待检测时段区间内的第一目标事件依照第一传入时刻InputMomentA升序的顺序进行整理,即依照第一目标事件进入当前办公项目由近至远(从先至后)的顺序进行排序整理。
步骤S42:判断整理后的第一目标事件中第一个事件是否符合第一设定判别指标,如果是,则执行步骤S43,如果不是,则执行步骤S44。
在本申请实施例中,第一设定判别指标可以包括如下任一项:第一传入时刻InputMomentA和项目唤醒状态启动时间StartTimeA之间的量化差异大于第一设定量化差异;第一传入时刻InputMomentA和项目唤醒状态启动时间StartTimeA之间的量化差异大于第二设定量化差异,且第一解绑时刻DepartureTimeA和第一传入时刻InputMomentA之间的量化差异小于第三设定量化差异,且运行持续时间duration小于非卡顿运行持续时间均值的第一设定比例,其中,第一设定量化差异大于第二设定量化差异、第三设定量化差异。
在一个示例性的实施例中,第一设定判别指标可以为:
InputMomentA>StartTimeA+30min。
在其他实施例中,第一设定量化差异、第二设定量化差异、第三设定量化差异以及第一设定比例也可以为除上述内容之外的其他量化值,本申请实施例在此不再一一举例。
步骤S43:将全部第一目标事件认定为非等候事件。
如果整理后的第一目标事件中第一个事件符合第一设定判别指标,则将全部第一目标事件认定为非等候事件。
步骤S44:对整理后的第一目标事件依次进行解析,并基于解析结果将第一目标事件加载到第一等候记录或第一终止记录。
如果整理后的第一目标事件中第一个事件不符合第一设定判别指标,则对整理后的第一目标事件依次进行解析,并基于解析结果将第一目标事件加载到第一等候记录或第一终止记录。本申请实施例所指的“依次进行解析”是指依照第一传入时刻升序的顺序进行解析。
例如,可以将第一终止标签TerminationLabel默认化为第一量化值,并通过如下步骤对整理后的第一目标事件依次进行解析,并基于解析结果将第一目标事件加载到第一等候记录或第一终止记录:
在第一种可能的情况下,如果当前第一目标事件的第二解绑时刻DepartureTimeB大于等于项目唤醒状态启动时间StartTimeA(即:DepartureTimeB≥StartTimeA),则将当前第一目标事件以及后继第一目标事件认定为非等候事件。
在第二种可能的情况下,如果当前第一目标事件的第一解绑时刻DepartureTimeA和第一传入时刻InputMomentA之间的量化差异在第一设定量化值区间(如:25min~40min)内,且第一终止标签TerminationLabel的值为第一量化值(例如:“0”),则将当前第一目标事件加载到第一等候记录。
在一个示例性的实施例中,可以表示为:(20-如果当前第一目标事件的第一解绑时刻DepartureTimeA和第一传入时刻InputMomentA之间的量化差异在第一设定量化值区间(如:25min~40min)内,且第一终止标签TerminationLabel的值不为第一量化值(例如:“1”),则将当前第一目标事件加载到第一终止记录。
在一个示例性的实施例中,可以表示为:(20-如果当前第一目标事件的第一传入时刻InputMomentA小于项目唤醒状态启动时间StartTimeA,且第一终止标签TerminationLabel的值为第一量化值(例如:“0”),则将当前第一目标事件加载到第一等候记录。
在一个示例性的实施例中,可以表示为:(InputMomentA-如果当前第一目标事件的第一传入时刻InputMomentA小于项目唤醒状态启动时间StartTimeA,且第一终止标签TerminationLabel的值不为第一量化值(例如:“1”),则将当前第一目标事件加载到第一终止记录。
在一个示例性的实施例中,可以表示为:(InputMomentA-如果当前第一目标事件的第一解绑时刻DepartureTimeA和在前第一目标事件的第一解绑时刻DepartureTimeA_before之间的量化差异符合第二设定判别指标,则将当前第一目标事件以及后继第一目标事件认定为非等候事件。
在本申请实施例中,第二设定判别指标包括如下任一项:当前第一目标事件的第一解绑时刻DepartureTimeA和在前第一目标事件的第一解绑时刻DepartureTimeA_before之间的量化差异大于第四设定量化差异,且第一解绑时刻DepartureTimeA小于项目唤醒状态终止时间EndTimeA;当前第一目标事件的第一解绑时刻DepartureTimeA和在前第一目标事件的第一解绑时刻DepartureTimeA_before之间的量化差异大于第五设定量化差异,且第一解绑时刻DepartureTimeA小于项目唤醒状态终止时间EndTimeA,且第一解绑时刻DepartureTimeA和第一传入时刻InputMomentA之间的量化差异小于第六设定量化差异,且运行持续时间duration小于非卡顿运行持续时间均值 的第一设定比例,第四设定量化差异大于第五设定量化差异、第六设定量化差异。
在其他实施例中,第四设定量化差异、第五设定量化差异、第六设定量化差异、第一设定比例还可以是除上述内容之外的其他量化值,本申请实施例在此不再一一举例。
如果当前第一目标事件的运行持续时间duration等于零,且第一终止标签TerminationLabel的值为第一量化值(例如:“0”),则将当前第一目标事件加载到第一等候记录。
如果当前第一目标事件的运行持续时间duration等于零,且第一终止标签TerminationLabel的值不为第一量化值(例如:“1”),则将当前第一目标事件加载到第一终止记录。
如果当前第一目标事件的运行持续时间duration大于等于非卡顿运行持续时间均值 的第一设定比例,且第一终止标签TerminationLabel的值为第一量化值(例如:“0”),则将当前第一目标事件加载到第一等候记录。在其他实施例中,第一设定比例还可以是其他量化值,本申请实施例在此不再 一一举例。
如果当前第一目标事件的运行持续时间duration大于等于非卡顿运行持续时间均值的第一设定比例,且第一终止标签TerminationLabel的值不为第一量化值(例如:“1”),则将当前第一目标事件加载到第一终止记录。在其他实施例中,第一设定比例还可以是其他量化值,本申请实施例在此不再一一举例。
如果当前第一目标事件的运行持续时间duration小于非卡顿运行持续时间均值的第二设定比例,则将当前第一目标事件以及后继第一目标事件认定为非等候事件。在本申请实施例中,第二设定比例小于第一设定比例。在其他实施例中,第二设定比例还可以是其他量化值,本申请实施例在此不再一一举例。
如果当前第一目标事件的运行持续时间duration与非卡顿运行持续时间均值 之间的量化比较结果在第一设定比例和第二设定比例之间,则将第一终止标签TerminationLabel设置为第二量化值(例如:“1”),并将当前第一目标事件加载到第一终止记录。第一设定比例和第二设定比例还可以是其他量化值,本申请实施例在此不再一一举例。
以下相关实施例是上述步骤S33的另一实施例。示例性地,为步骤33的待检测时段区间涵盖项目唤醒状态终止时间之后后一个项目唤醒状态启动时间至后一个项目唤醒状态终止时间之间的第二待检测时段区间时一实施例,在本申请实施例中,可以通过第一传入时刻、第一解绑时刻、后一个项目唤醒状态启动时间、后一个项目唤醒状态终止时间和运行持续时间、非卡顿运行持续时间均值之间的比较结果,从第二目标事件中挑选出第二等候记录和第二终止记录,进一步而言,可以包括如下步骤。
步骤S51:将第二目标事件依照第一传入时刻降序进行整理。
将第一解绑时刻DepartureTimeA处于第二待检测时段区间内的第二目标事件依照第一传入时刻InputMomentA升序的顺序进行整理,即依照第二目标事件进入当前办公项目由近至远的顺序进行整理。
步骤S52:判断整理后的第二目标事件中第一个事件是否符合第三设定判别指标。如果是,则执行步骤S53,如果不是,则执行步骤S54。
在本申请实施例中,第三设定判别指标包括如下任一项:第一传入时刻InputMomentA大于项目唤醒状态启动时间StartTimeA,且第一传入时刻InputMomentA小于后一个项目唤醒状态启动时间StartTimeA_Later,且第一解绑时刻DepartureTimeA大于后一个项目唤醒状态启动时间StartTimeA_Later。
步骤S53:将全部第二目标事件认定为非等候事件。
如果整理后的第二目标事件中第一个事件符合第三设定判别指标,则将全部第二目标事件认定为非等候事件。
步骤S54:对整理后的第二目标事件依次进行解析,并基于解析结果将第二目标事件加载到第二等候记录或第二终止记录。
如果整理后的第二目标事件不符合第三设定判别指标,则对整理后的第二目标事件进行依次解析,并基于解析结果将第二目标事件加载到第二等候记录或第二终止记录。本申请实施例所指的“依次进行解析”是指依照第一传入时刻升序的顺序进行解析。
例如,可以将第二终止标签TerminationLabel’默认化为第一量化值(例如:“0”),并确定后一个项目唤醒状态启动时间StartTimeA_Later和项目唤醒状态终止时间EndTimeA之间的量化差异与非卡顿运行持续时间均值 的第三设定比例之间的第一加权结果,以及后一个项目唤醒状态启动时间StartTimeA_Later和项目唤醒状态终止时间EndTimeA之间的量化差异与非卡顿运行持续时间均值的第四设定比例(设定倍数)之间的第二加权结果,其中,第三设定比例大于第四设定比例,例如:第三设定比例为1.3,第四设定比例为1.1,在其他实施例中,第三设定比例、第四设定比例也可以取其他量化值,本申请实施例在此不再一一举例。
如果当前第二目标事件的第一解绑时刻DepartureTimeA和第一传入时刻InputMomentA之间的量化差异在第二设定量化值区间(例如:25min~40min)内,且第二终止标签TerminationLabel’的值为第一量化值(例如:“0”),则将当前第二目标事件加载到第二等候记录。
在一个示例性的实施例中,可以表示为(20-如果当前第二目标事件的第一解绑时刻DepartureTimeA和第一传入时刻InputMomentA之间的量化差异在第二设定量化值区间(例如:25min~40min)内,且第二终止标签TerminationLabel’的值不为第一量化值(例如:“1”),则将当前第二目标事件加载到第二终止记录。
在一个示例性的实施例中,可以表示为:(20-如果当前第二目标事件的运行持续时间duration等于零,且第二终止标签TerminationLabel’的值为第一量化值(例如:“0”),则将当前第二目标事件加载到第二等候记录。在一个示例性的实施例中,可以表示为:(duration=0)&(TerminationLabel’=“0”)。
如果当前第二目标事件的运行持续时间duration等于零,且第二终止标签TerminationLabel’的值不为第一量化值(例如:“1”),则将当前第二目标事件加载到第二终止记录。在一个示例性的实施例中,可以表示为(duration=0)&(TerminationLabel’=“1”)。
如果当前第二目标事件的运行持续时间duration大于等于第一加权结果,且第二终止标签TerminationLabel’的值为第一量化值(例如:“0”),则将当前第二目标事件加载到第二等候记录。
在一个示例性的实施例中,可以表示为:
(duration≥1.3Cduration+StartTimeA_Later-EndTimeA)
&(TerminationLabel’=“0”),在其他实施例中,第一加权结果中第三设定比例也可以是其他量化值,本申请实施例在此不再一一举例。
如果当前第二目标事件的运行持续时间duration大于等于第一加权结果,且第二终止标签TerminationLabel’的值不为第一量化值(例如:“1”),则将当前第二目标事件加载到第二终止记录。
在一个示例性的实施例中,可以表示为:
(duration≥1.3Cduration+StartTimeA_Later-EndTimeA)
&(TerminationLabel’=“1”),在其他实施例中,第一加权结果中第三设定比例也可以是其他量化值,本申请实施例在此不再一一举例。
如果当前第二目标事件的运行持续时间duration小于等于第二加权结果,则将当前第二目标事件以及后继第二目标事件认定为非等候事件。在一个示例性的实施例中,可以表示为:
duration≤1.1Cduration+StartTimeA_Later-EndTimeA,在其他实施例中,第二加权结果中的第四设定比例还可以是其他量化值,本申请实施例在此不再一一举例。
如果当前第二目标事件的运行持续时间duration在第一加权结果以及第二加权结果之间,则将第二终止标签TerminationLabel’设置为第二量化值(例如:“1”),并将当前第二目标事件加载到第二终止记录。
在一个示例性的实施例中,可以表示为:
1.1Cduration+StartTimeA_Later-EndTimeA≤duration≤1.3Cduration+StartTimeA_Later-EndTimeA,在其他实施例中,第一加权结果中的第三设定比例和第二加权结果中的第四设定比例还可以是其他量化值,本申请实施例在此不再一一举例。
通过上述步骤的解析,可以得到项目唤醒状态开始时的第一待检测时段区间的第一等候记录AwaitRecord和第一终止记录TerminationRecord,以及项目唤醒状态结束时的第二待检测时段区间的第二等候记录AwaitRecord’和第二终止记录TerminationRecord’。
以下相关内容是上述步骤S34的一实施例。在本申请实施例中,第一设定挑选指标可以包括如下任一项:运行持续时间大于运行持续时间预设值的第五设定比例;运行持续时间为运行持续时间扰动值,在一个可能的实施例中,第五设定比例可以为1.1,运行持续时间扰动值可以是0,或者大于第三量化值的量化值,第三量化值可以为500、600等等,本申请实施例在此不再一一举例。示例性地,可以包括如下步骤。
步骤S61:挑选终止记录中运行持续时间不为运行持续时间扰动值的终止事件。
将终止记录中运行持续时间不为运行持续时间扰动值的终止事件挑选出来,挑选出来的运行持续时间便可以认为正常值。相应的,扰动值可以理解为异常值、干扰值或者噪声值。
在一个示例性的实施例中,为了尽可能准确地应对项目唤醒状态开始和项目唤醒状态结束事件等候情况的变化,从而使得最后获取的事件等候量化描述更具借鉴性价值,可以获得项目唤醒状态开始时的第一待检测时段区间的第一等候记录AwaitRecord和第一终止记录TerminationRecord,以及项目唤醒状态结束时的第二待检测时段区间的第二等候记录AwaitRecord’和第二终止记录TerminationRecord’,可以分别挑选第一终止记录TerminationRecord中运行持续时间不为运行持续时间扰动值的终止事件,以及第二终止记录TerminationRecord’中运行持续时间不为运行持续时间扰动值的终止事件。
步骤S62:确定挑选得到的终止事件的运行持续时间的平均持续时长值,并将确定得到的平均持续时长值认定为运行持续时间预设值。
在一个示例性的实施例中,为了尽可能准确地应对项目唤醒状态开始和项目唤醒状态结束事件等候情况的变化,从而使得最后获取的事件等候量化描述更具借鉴性价值,可以对第一终止记录TerminationRecord进行挑选,并对挑选得到的终止事件的运行持续时间确定其平均持续时长值,并将确定得到的平均持续时长值认定为第一运行持续时间预设值 还可以对第二终止记录TerminationRecord’进行挑选,并对挑选得到的终止事件的运行持续时间确定其平均持续时长值,并将确定得到的平均持续时长值认定为第二运行持续时间预设值
步骤S63:将终止记录中的终止事件依照运行持续时间降序进行整理。
在一个示例性的实施例中,为了尽可能准确地应对项目唤醒状态开始和项目唤醒状态结束事件等候情况的变化,从而使得最后获取的事件等候量化描述更具借鉴性价值,可以对第一终止记录TerminationRecord中的终止事件依照运行持续时间降序的顺序进行整理,还可以对第二终止记录TerminationRecord’中的终止事件依照运行持续时间降序的顺序进行整理。
步骤S64:依次将终止记录中运行持续时间符合第一设定挑选指标的终止事件认定为等候事件加载到等候记录。
对整理之后的终止记录中的终止事件进行依次解析,并将运行持续时间符合第一设定挑选指标的终止事件认定为等候事件加载到等候记录。
在一个示例性的实施例中,为了尽可能准确地应对项目唤醒状态开始和项目唤醒状态结束事件等候情况的变化,从而使得最后获取的事件等候量化描述更具借鉴性价值,可以对整理后的第一终止记录TerminationRecord中事件进行依次解析,将其中符合第一设定挑选指标的终止事件认定为等候事件并加载到第一等候记录AwaitRecord,并对整理后的第二终止记录TerminationRecord’中的事件进行依次解析,将其中符合第一设定挑选指标的终止事件认定为等候事件并加载到第二等候记录AwaitRecord’。
在一个可能的实施例中,当终止记录中的终止事件的运行持续时间duration小于等于运行持续时间预设值的第五设定比例,则将终止事件以及后继终止事件认定为非等候事件,第五设定比例可以是1.1,在其他实施例中,第五设定比例也可以取其他值,本申请实施例在此不再一一举例。
在一个示例性的实施例中,当第一终止记录TerminationRecord中事件的运行持续时间duration小于等于第一运行持续时间预设值 的第五设定比例,则将该事件以及后继事件认定为非等候事件;当第二终止记录TerminationRecord’中的事件的运行持续时间duration小于等于第二运行持续时间预设值 的第五设定比例,则将该事件以及后继事件认定为非等候事件。
基于上述方案,能够对终止记录中的终止事件进行进一步的挑选,进一步提高事件办公事件等候状态确定的准确性。
以下相关内容为步骤S35的一实施例。在本申请实施例中,第二设定挑选指标包括如下任一项:第二解绑时刻DepartureTimeB小于等于第一解绑时刻预设值;第二解绑时刻DepartureTimeB小于等于第二解绑时刻预设值,示例性地,对于第一待检测时段区间,第二设定挑选指标可以为第二解绑时刻DepartureTimeB小于等于第一解绑时刻预设值,对于第二待检测时段区间,第二设定挑选指标可以为第二解绑时刻DepartureTimeB小于等于第二解绑时刻预设值。进一步而言,可以包括如下步骤。
步骤S71:分别基于第一等候记录和第二等候记录中等候事件的数量,获取在第一待检测时段区间和第二待检测时段区间内待检测业务线程的预估等候量化描述。
在将第一终止记录TerminationRecord中运行持续时间符合第一设定挑选指标的终止事件认定为等候事件加载到第一等候记录AwaitRecord,并将第二终止记录TerminationRecord’中运行持续时间符合第一设定挑选指标的终止事件认定为等候事件加载到第二等候记录AwaitRecord’之后,可以分别基于第一等候记录AwaitRecord和第二等候记录AwaitRecord’中等候事件的数量,获取第一待检测时段区间和第二待检测时段区间内待检测业务线程的预估等候量化描述。在一个示例性的实施例中,可以确定事件全局性差异OverallDifference和事件全局性量化描述OverallDescription的和值与获取到的数量FormationAmount的乘积,并将确定得到的乘积值认定为预估等候量化描述SuccessionLength,例如,确定得到与第一待检测时段区间对应的预估等候量化描述SuccessionLength,以及与第二待检测时段区间对应的预估等候量化描述SuccessionLength’。
步骤S72:分别通过第一待检测时段区间和第二待检测时段区间内的预估等候量化描述,确定第一解绑时刻预设值和第二解绑时刻预设值。
在本申请实施例中,可以将第一待检测时段区间内待检测业务线程的预估等候量化描述SuccessionLength与设定事件传输速率rate之间的量化比较结果认定为第一待检测时段区间内待检测业务线程的第一通道非卡顿传输时间TransmissionTime,并将项目唤醒状态启动时间StartTimeA与最小非卡顿传输时间Min_unhindered_continue的量化差异和第一通道非卡顿传输时间TransmissionTime的和值认定为第一解绑时刻预设值,在一个示例性的实施例中,第一解绑时刻预设值可以表示为:
StartTimeA-Min_unhindered_continue+TransmissionTime;还可以将第二待检测时段区间内待检测业务线程的预估等候量化描述SuccessionLength’与设定事件传输速率rate之间的量化比较结果认定为第二待检测时段区间内待检测业务线程的第二通道非卡顿传输时间TransmissionTime’,并将后一个项目唤醒状态启动时间StartTimeA_Later与最小非卡顿传输时间Min_unhindered_continue的量化差异和第二通道非卡顿传输时间TransmissionTime’的和值认定为第二解绑时刻预设值,在一个示例性的实施例中,第二解绑时刻预设值可以表示为:
StartTimeA_Later-Min_unhindered_continue+TransmissionTime’。
步骤S73:过滤第一等候记录中第二解绑时刻大于第一解绑时刻预设值的等候事件,并过滤第二等候记录中第二解绑时刻大于第二解绑时刻预设值的等候事件。
过滤第一等候记录AwaitRecord中第二解绑时刻DepartureTimeB大于第一解绑时刻预设值:
StartTimeA-Min_unhindered_continue+TransmissionTime的等候事件,并过滤第二等候记录AwaitRecord’中第二解绑时刻DepartureTimeB大于第二解绑时刻预设值:
StartTimeA_Later-Min_unhindered_continue+TransmissionTime’的等候事件。
基于上述方案,能够对等候记录中的等候事件进行进一步的挑选,从而能够精准确定事件等候量化描述。
本申请实施例提供的结合人工智能的智慧业务信息分析方法及系统具有以下技术效果:首先,确定待分析业务互动日志集中待挖掘行为信息的操作行为定位约束;然后,根据操作行为定位约束,确定待挖掘行为信息的操作行为习惯信息、操作行为衍生描述;根据操作行为习惯信息、操作行为衍生描述和操作行为定位约束,确定待分析业务互动日志集中互相关联的两组业务互动日志对应的相关性分布;最后,根据相关性分布对待挖掘行为信息进行挖掘,得到待挖掘行为信息的挖掘结果;如此实施,充分考虑到了操作行为习惯信息并对操作行为习惯信息进行了更为深层和全面的分析,从而结合操作行为习惯信息、操作行为衍生描述等生成尽可能丰富和完整的相关性分布,以便根据相关性分布对操作行为进行挖掘,进而在一定程度上提高操作行为的挖掘精度、可信度和业务适配度。
基于上述同样的发明构思,还提供了一种结合人工智能的智慧业务信息分析装置20,应用于智慧业务系统10,所述装置包括:信息确定模块21,用于确定待分析业务互动日志集中待挖掘行为信息的操作行为行为定位约束;根据所述操作行为定位约束,确定所述待挖掘行为信息的操作行为习惯信息、操作行为衍生描述;确定连续的业务互动日志之间的互动变化信息;相关性分析模块22,用于根据所述操作行为习惯信息、操作行为衍生描述、所述操作行为定位约束和所述连续的业务互动日志之间的互动变化信息,确定所述待分析业务互动日志集中互相关联的两组业务互动日志的相关性分布;信息挖掘模块23,用于按照设定策略对所述相关性分布中的关联度进行整理,得到整理后的相关性分布;根据所述整理后的相关性分布,确定所述待挖掘行为信息的挖掘标签;其中,所述挖掘标签用于区别不同的行为信息;确定所述待挖掘行为信息在所述整理后的相关性分布中对应的关联度,并确定所述关联度对应的另一行为信息;其中,所述待挖掘行为信息所对应的业务互动日志与所述另一行为信息所对应的业务互动日志相关联;如果所述关联度不小于设定相关性阈值,将所述另一行为信息对应的挖掘标签作为所述待挖掘行为信息的挖掘标签;如果所述关联度小于设定相关性阈值,终止对所述待挖掘行为信息的挖掘。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种结合人工智能的智慧业务信息分析方法,其特征在于,应用于智慧业务系统,所述方法包括:
确定待分析业务互动日志集中待挖掘行为信息的操作行为行为定位约束;根据所述操作行为定位约束,确定所述待挖掘行为信息的操作行为习惯信息、操作行为衍生描述;确定连续的业务互动日志之间的互动变化信息;
根据所述操作行为习惯信息、操作行为衍生描述、所述操作行为定位约束和所述连续的业务互动日志之间的互动变化信息,确定所述待分析业务互动日志集中互相关联的两组业务互动日志的相关性分布;
按照设定策略对所述相关性分布中的关联度进行整理,得到整理后的相关性分布;根据所述整理后的相关性分布,确定所述待挖掘行为信息的挖掘标签;其中,所述挖掘标签用于区别不同的行为信息;
确定所述待挖掘行为信息在所述整理后的相关性分布中对应的关联度,并确定所述关联度对应的另一行为信息;其中,所述待挖掘行为信息所对应的业务互动日志与所述另一行为信息所对应的业务互动日志相关联;
如果所述关联度不小于设定相关性阈值,将所述另一行为信息对应的挖掘标签作为所述待挖掘行为信息的挖掘标签;如果所述关联度小于设定相关性阈值,终止对所述待挖掘行为信息的挖掘。
2.根据权利要求1中所述的方法,其特征在于,所述确定待分析业务互动日志集中待挖掘行为信息的操作行为定位约束,包括:
将所述待分析业务互动日志集的U组业务互动日志中的每一组业务互动日志分别传入至设定的操作行为分析网络中,得到Q个操作行为对应的操作行为定位约束;其中,所述设定的操作行为分析网络是通过将范例智慧业务日志和所述范例智慧业务日志中的操作行为的限制信息对AI神经网络进行训练得到的;其中,所述限制信息为所述操作行为的视觉权限限制,Q为不小于1的整数;U为不小于1的整数;
从所述Q个操作行为对应的操作行为定位约束中,确定所述待挖掘行为信息的操作行为定位约束。
3.根据权利要求1中所述的方法,其特征在于,所述根据所述操作行为定位约束,确定所述待挖掘行为信息的操作行为习惯信息、操作行为衍生描述,包括:
根据所述操作行为定位约束确定所述待挖掘行为信息的显著性片段信息;
根据所述显著性片段信息确定所述操作行为习惯信息;
根据所述操作行为定位约束,确定所述待挖掘行为信息的操作可视化信息;
根据所述操作可视化信息生成所述操作行为衍生描述。
4.根据权利要求1中所述的方法,其特征在于,所述根据所述操作行为习惯信息、操作行为衍生描述、所述操作行为定位约束和所述连续的业务互动日志之间的互动变化信息,确定所述待分析业务互动日志集中互相关联的两组业务互动日志的相关性分布,包括:
根据所述操作行为习惯信息、操作行为衍生描述和所述操作行为定位约束,确定第V组业务互动日志中的第v个行为信息与第(V+1)组业务互动日志中第u个行为信息的相关性;其中,V、v和u皆是不小于1的整数,且V小于等于U;
分别确定所述第V组业务互动日志中的每个行为信息与所述第(V+1)组业务互动日志中所有行为信息的相关性,得到所述第V组业务互动日志和所述第(V+1)组业务互动日志的相关性分布;
相应的,所述根据所述操作行为习惯信息、操作行为衍生描述和所述操作行为定位约束,确定第V组业务互动日志中的第v个行为信息与第(V+1)组业务互动日志中第u个行为信息的相关性,包括:
根据第v个行为信息的操作行为习惯信息和第u个行为信息的操作行为习惯信息,确定第一相关性;其中,所述第一相关性用于表示第v个行为信息的显著性片段与第u个行为信息的显著性片段之间的量化差异;
根据第v个行为信息的操作行为衍生描述和第u个行为信息的操作行为衍生描述,确定第二相关性;其中,所述第二相关性用于表示第v个行为信息的操作可视化与第u个行为信息的操作可视化的相关性;
根据第v个行为信息的操作行为定位约束和第u个行为信息的操作行为定位约束,确定第三相关性;其中,所述第三相关性用于表示第v个行为信息的操作行为定位约束与第u个行为信息的操作行为定位约束之间的量化比较结果;
根据所述第一相关性、第二相关性和第三相关性,确定所述第V组业务互动日志中的第v个行为信息与第(V+1)组业务互动日志中第u个行为信息的相关性。
5.根据权利要求4中所述的方法,其特征在于,所述根据所述第一相关性、第二相关性和第三相关性,确定所述第V组业务互动日志中的第v个行为信息与第(V+1)组业务互动日志中第u个行为信息的相关性,包括:
分别对所述第一相关性、第二相关性和第三相关性按照设定重要性指数进行优化,得到优化后的第一相关性、优化后的第二相关性和优化后的第三相关性;
对优化后的第一相关性、优化后的第二相关性和优化后的第三相关性整合,将整合得到的结果作为所述第V组业务互动日志中的第v个行为信息与第(V+1)组业务互动日志中第u个行为信息的关联度。
6.根据权利要求4中所述的方法,其特征在于,在所述根据第v个行为信息的操作行为定位约束和第u个行为信息的操作行为定位约束,确定第三相关性之前,还包括:
确定所述第V组业务互动日志中所述第V组业务互动日志与第(V+1)组业务互动日志之间的互动变化信息;
所述根据第v个行为信息的操作行为定位约束和第u个行为信息的操作行为定位约束,确定第三相关性,包括:
根据所述互动变化信息,分别更新所述第v个行为信息的操作行为定位约束和第u个行为信息的操作行为定位约束的状态,得到更新后的第v个行为信息的操作行为定位约束的状态和更新后第u个行为信息的操作行为定位约束;
根据所述更新后的第v个行为信息的操作行为定位约束和更新后第u个行为信息的操作行为定位约束,确定所述第三相关性;
相应的,根据第v个行为信息的操作行为习惯信息和第u个行为信息的操作行为习惯信息,确定第一相关性,还包括:
根据所述互动变化信息,分别更新第v个行为信息的显著性片段的兴趣热度状态和第u个行为信息的显著性片段的兴趣热度状态,得到更新后的第v个行为信息的操作行为习惯信息和更新后的第u个行为信息的操作行为习惯信息;
根据所述更新后的第v个行为信息的操作行为习惯信息和更新后的第u个行为信息的操作行为习惯信息,确定所述第一相关性;
相应的,所述根据所述更新后的第v个行为信息的操作行为习惯信息和更新后的第u个行为信息的操作行为习惯信息,确定所述第一相关性,包括:
确定所述更新后的第v个行为信息的x个显著性片段中每一显著性片段,与和所述每一显著性片段相适配的更新后的第u个行为信息的x个显著性片段之间的量化差异,得到x个量化差异;
对所述x个量化差异整合,得到全局量化差异;
按照设定权重对所述全局量化差异进行更新,得到所述第一相关性。
7.根据权利要求4中所述的方法,其特征在于,所述根据第v个行为信息的操作行为衍生描述和第u个行为信息的操作行为衍生描述,确定第二相关性,包括:
确定第一行为特征图和第二行为特征图之间的余弦距离;其中,所述第一行为特征图为所述第v个行为信息的操作行为衍生描述对应的行为特征图,所述第二行为特征图为所述第u个行为信息的操作行为衍生描述对应的行为特征图;
将所述余弦距离的映射值,确定为所述第二相关性。
8.根据权利要求6中所述的方法,其特征在于,所述根据所述更新后的第v个行为信息的操作行为定位约束和更新后第u个行为信息的操作行为定位约束,确定所述第三相关性,包括:
将所述更新后的第v个行为信息的操作行为定位约束的可视化约束映射记录确定为第一可视化约束映射记录,并将所述更新后的第u个行为信息的操作行为定位约束可视化约束映射记录确定为第二可视化约束映射记录;
将所述第一可视化约束映射记录和第二可视化约束映射记录的全局性合并结果,确定为第三可视化约束映射记录;
将所述第一可视化约束映射记录和第二可视化约束映射记录的局部性合并结果,确定为第四可视化约束映射记录;
将所述第四可视化约束映射记录与所述第三可视化约束映射记录的量化比对关系,确定为所述第三相关性。
9.一种智慧业务系统,其特征在于,包括处理器、通信总线和存储器;所述处理器和所述存储器通过所述通信总线通信,所述处理器从所述存储器中读取计算机程序并运行,以执行权利要求1-8任一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序在运行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110877925.4A CN113469663A (zh) | 2021-08-02 | 2021-08-02 | 一种结合人工智能的智慧业务信息分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110877925.4A CN113469663A (zh) | 2021-08-02 | 2021-08-02 | 一种结合人工智能的智慧业务信息分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469663A true CN113469663A (zh) | 2021-10-01 |
Family
ID=77883538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110877925.4A Withdrawn CN113469663A (zh) | 2021-08-02 | 2021-08-02 | 一种结合人工智能的智慧业务信息分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469663A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114188032A (zh) * | 2021-12-20 | 2022-03-15 | 宁夏添越网络科技有限公司 | 一种基于人工智能的数字化医疗信息防护方法及存储介质 |
CN114188033A (zh) * | 2021-12-20 | 2022-03-15 | 宁夏添越网络科技有限公司 | 一种针对智慧医疗服务的大数据风险识别方法及存储介质 |
CN114218566A (zh) * | 2021-12-06 | 2022-03-22 | 辽宁融汇互联网科技有限公司 | 一种结合人工智能的远程办公威胁行为分析方法及介质 |
CN114417405A (zh) * | 2022-01-11 | 2022-04-29 | 山东泽钜大数据技术有限公司 | 一种基于人工智能的隐私业务数据分析方法及服务器 |
CN114443605A (zh) * | 2022-04-02 | 2022-05-06 | 一道新能源科技(衢州)有限公司 | 针对水上光伏系统的信息分析方法及系统 |
CN114638234A (zh) * | 2022-03-31 | 2022-06-17 | 房宏伟 | 应用于线上业务办理的大数据挖掘方法及系统 |
CN114666532A (zh) * | 2022-03-25 | 2022-06-24 | 王国政 | 一种在视频会议应用环境下的业务处理方法及系统 |
CN115455300A (zh) * | 2022-09-29 | 2022-12-09 | 吴敬晗 | 基于人工智能的数据推送方法、系统及云平台 |
CN116386045A (zh) * | 2023-06-01 | 2023-07-04 | 创域智能(常熟)网联科技有限公司 | 基于人工智能的传感器信息分析方法及人工智能平台系统 |
CN117077018A (zh) * | 2023-10-12 | 2023-11-17 | 微网优联科技(成都)有限公司 | 基于机器学习的数据处理方法、装置及存储介质 |
-
2021
- 2021-08-02 CN CN202110877925.4A patent/CN113469663A/zh not_active Withdrawn
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114218566B (zh) * | 2021-12-06 | 2022-12-13 | 北京环球国广媒体科技有限公司 | 一种结合人工智能的远程办公威胁行为分析方法及介质 |
CN114218566A (zh) * | 2021-12-06 | 2022-03-22 | 辽宁融汇互联网科技有限公司 | 一种结合人工智能的远程办公威胁行为分析方法及介质 |
CN114188033A (zh) * | 2021-12-20 | 2022-03-15 | 宁夏添越网络科技有限公司 | 一种针对智慧医疗服务的大数据风险识别方法及存储介质 |
CN114188032A (zh) * | 2021-12-20 | 2022-03-15 | 宁夏添越网络科技有限公司 | 一种基于人工智能的数字化医疗信息防护方法及存储介质 |
CN114188032B (zh) * | 2021-12-20 | 2023-01-20 | 中晗控股集团有限公司 | 一种基于人工智能的数字化医疗信息防护方法及存储介质 |
CN114417405A (zh) * | 2022-01-11 | 2022-04-29 | 山东泽钜大数据技术有限公司 | 一种基于人工智能的隐私业务数据分析方法及服务器 |
CN114666532A (zh) * | 2022-03-25 | 2022-06-24 | 王国政 | 一种在视频会议应用环境下的业务处理方法及系统 |
CN114638234B (zh) * | 2022-03-31 | 2022-11-15 | 逑美科技(上海)有限公司 | 应用于线上业务办理的大数据挖掘方法及系统 |
CN114638234A (zh) * | 2022-03-31 | 2022-06-17 | 房宏伟 | 应用于线上业务办理的大数据挖掘方法及系统 |
CN114443605A (zh) * | 2022-04-02 | 2022-05-06 | 一道新能源科技(衢州)有限公司 | 针对水上光伏系统的信息分析方法及系统 |
CN115455300A (zh) * | 2022-09-29 | 2022-12-09 | 吴敬晗 | 基于人工智能的数据推送方法、系统及云平台 |
CN116386045A (zh) * | 2023-06-01 | 2023-07-04 | 创域智能(常熟)网联科技有限公司 | 基于人工智能的传感器信息分析方法及人工智能平台系统 |
CN116386045B (zh) * | 2023-06-01 | 2023-08-08 | 创域智能(常熟)网联科技有限公司 | 基于人工智能的传感器信息分析方法及人工智能平台系统 |
CN117077018A (zh) * | 2023-10-12 | 2023-11-17 | 微网优联科技(成都)有限公司 | 基于机器学习的数据处理方法、装置及存储介质 |
CN117077018B (zh) * | 2023-10-12 | 2023-12-19 | 微网优联科技(成都)有限公司 | 基于机器学习的数据处理方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469663A (zh) | 一种结合人工智能的智慧业务信息分析方法及系统 | |
CN113706177B (zh) | 一种基于大数据安防的威胁识别方法及数据安防服务器 | |
US20030135489A1 (en) | System and method for processing data in a distributed architecture | |
CN109767227B (zh) | 通过rds实现支付风险智能判断和控制的系统及方法 | |
CN115828112B (zh) | 一种故障事件的响应方法、装置、电子设备及存储介质 | |
CN107895011A (zh) | 会话信息的处理方法、系统、存储介质和电子设备 | |
CN114553658B (zh) | 一种基于云计算的资源共享安全处理方法及服务器 | |
CN114139210A (zh) | 一种基于智慧业务的大数据安全威胁处理方法及系统 | |
CN112738075A (zh) | 基于云计算和智能设备交互的信息处理方法及系统 | |
CN114138872A (zh) | 一种应用于数字金融的大数据入侵分析方法及存储介质 | |
CN113486983A (zh) | 一种用于反欺诈处理的大数据办公信息分析方法及系统 | |
CN102648467A (zh) | 数据库和用于评价来自数据库的数据的方法 | |
CN111639902A (zh) | 基于kafka的数据审核方法、控制装置及计算机设备、存储介质 | |
CN115455429A (zh) | 基于大数据的漏洞分析方法及系统 | |
US20220283887A1 (en) | System and method for automatically monitoring and diagnosing user experience problems | |
CN114417405B (zh) | 一种基于人工智能的隐私业务数据分析方法及服务器 | |
CN114676423A (zh) | 一种应对云计算办公威胁的数据处理方法及服务器 | |
CN114220548A (zh) | 一种服务于数字化医疗的大数据匿名防护方法及系统 | |
CN114676420A (zh) | 结合ai和大数据的云办公信息处理方法及服务器 | |
CN114399190B (zh) | 一种针对大数据信息安全的风险行为识别方法及系统 | |
CN117009832A (zh) | 异常命令的检测方法、装置、电子设备及存储介质 | |
CN116108276A (zh) | 基于人工智能的信息推荐方法、装置及相关设备 | |
CN114329454A (zh) | 一种基于应用软件大数据的威胁分析方法及系统 | |
CN114722081A (zh) | 一种基于中转库模式的流式数据时间序列传输方法及系统 | |
CN114443799A (zh) | 基于大数据和人工智能的热点话题处理方法及服务器 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211001 |
|
WW01 | Invention patent application withdrawn after publication |