CN113568769B - 异常处理方法、装置、服务器及存储介质 - Google Patents

Abstract

本公开提供了一种异常处理方法、装置、服务器及存储介质，属于机器学习技术领域。方法包括：对于服务模型的任一数据源，对来自于数据源的至少一个特征的第一特征值进行检测，确定目标特征；获取目标特征的第二特征值；以目标特征的第二特征值替换目标特征的第一特征值，将数据源替换后的至少一个特征的特征值输入服务模型，其中，该服务模型基于输入的数据源提供相应的服务。上述技术方案，通过用第二特征值来替代发生异常的第一特征值，与目标特征的正常取值的差距在预设的差距范围内，对服务模型的准确率造成的影响也在预设的准确率范围内，不需要暂停服务模型对应的服务，也能够正常的提供该服务模型对应的服务。

Description

异常处理方法、装置、服务器及存储介质

技术领域

本公开涉及机器学习技术领域，特别涉及一种异常处理方法、装置、服务器及存储介质。

背景技术

随着机器学习技术的发展，基于机器学习技术训练的服务模型为我们的生活提供了极大的便利。通过将基于多种数据源获取到的多种类型的数据输入服务模型，即可根据服务模型的输出结果提供相应的服务。例如，以视频推荐模型为例，通过将用户观看记录、用户消费记录以及用户信息等数据输入到该视频推荐模型中，即可输出用户感兴趣的视频，从而实现为用户推荐视频的目的。然而，由于数据源可能存在无法获取到数据或者获取到错误数据的问题，会导致服务模型的输出结果不准确。

相关技术中，当由于从数据源无法获取到数据或者获取到错误数据，导致服务模型的输出结果准确率降低到准确率阈值以下时，服务器可以暂停提供服务模型对应的服务。例如，当获取不到用户观看记录时，服务器可以暂停为用户提供推荐视频的服务。

上述方案存在的问题时，当服务器从数据源无法获取到数据或者获取到错误数据时，直接暂停提供服务模型对应的服务，会导致该服务模型对应的服务处于不可用状态。

发明内容

本公开提供一种异常处理方法、装置、服务器及存储介质，以至少解决服务器从数据源无法获取到数据或者获取到错误数据时，直接暂停提供服务模型对应的服务，导致该服务模型对应的服务处于不可用状态的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种异常处理方法，包括：

对于服务模型的任一数据源，对来自于所述数据源的至少一个特征的第一特征值进行检测，确定目标特征，所述目标特征为基于检测确定的第一特征值发生异常的特征；

获取所述目标特征的第二特征值，所述第二特征值用于表示所述目标特征在未发生异常时的特征值；

以所述目标特征的第二特征值替换所述目标特征的第一特征值，将所述数据源替换后的至少一个特征的特征值输入所述服务模型，其中，所述服务模型基于输入的数据源提供相应的服务。

在一种可选的实现方式中，所述来自于所述数据源的至少一个特征属于连续特征，所述连续特征的特征值为连续变量；

所述对来自于所述数据源的至少一个特征的第一特征值进行检测，确定目标特征，包括：

对于所述来自于所述数据源的至少一个特征中的任一特征，获取所述特征在目标时间段内的多个特征值中的至少一个第一目标特征值，所述第一目标特征值用于将所述多个特征值划分为至少两个特征值区间，每个特征值区间包括数量相同的特征值；

若任一第一目标特征值与历史目标特征值的差值超过目标差值阈值，则确定所述特征为目标特征。

在一种可选的实现方式中，所述来自于所述数据源的至少一个特征属于离散特征，所述离散特征的特征值为离散变量；

所述对来自于所述数据源的至少一个特征的第一特征值进行检测，确定目标特征，包括：

对于所述来自于所述数据源的至少一个特征中的任一特征，获取所述特征在目标时间段内的多个特征值中数量占比超过第一比例的至少一个第二目标特征值；

若任一第二目标特征值所对应的比例与第二比例的差值超过目标比例阈值，则确定所述特征为目标特征。

在一种可选的实现方式中，所述方法还包括：

生成提示信息，所述提示信息用于指示所述目标特征发生异常；

响应于接收到基于所述提示信息触发的特征降级指令，执行所述获取所述目标特征的第二特征值的步骤。

在一种可选的实现方式中，所述获取所述目标特征的第二特征值，包括：

获取所述特征降级指令所指示的时间标识；

根据所述时间标识，获取所述目标特征在所述时间标识所指示的历史时间段内的第二特征值。

在一种可选的实现方式中，所述第二特征值的生成过程包括：

对于所述来自于所述数据源的至少一个特征中的任一特征，获取所述特征在未发生异常时的至少一个历史特征值；

对所述至少一个历史特征值进行统计，根据统计结果生成所述特征的第二特征值。

在一种可选的实现方式中，所述特征属于连续特征；

所述对所述至少一个历史特征值进行统计，根据统计结果生成所述特征的第二特征值，包括：

获取所述至少一个历史特征值的和值和所述至少一个历史特征值的特征数量；

根据所述和值和所述特征数量，确定所述至少一个历史特征值的均值，将所述均值作为所述特征的第二特征值。

在一种可选的实现方式中，所述特征属于离散特征；

所述对所述至少一个历史特征值进行统计，根据统计结果生成所述特征的第二特征值，包括：

获取所述至少一个历史特征值的出现次数；

确定出现次数最多的历史特征值，将所述出现次数最多的历史特征值作为所述特征的第二特征值。

根据本公开实施例的第二方面，提供一种装置，包括：

特征检测单元，被配置为执行对于服务模型的任一数据源，对来自于所述数据源的至少一个特征的第一特征值进行检测，确定目标特征，所述目标特征为基于检测确定的第一特征值发生异常的特征；

获取单元，被配置为执行获取所述目标特征的第二特征值，所述第二特征值用于表示所述目标特征在未发生异常时的特征值；

服务提供单元，被配置为执行以所述目标特征的第二特征值替换所述目标特征的第一特征值，将所述数据源替换后的至少一个特征的特征值输入所述服务模型，其中，所述服务模型基于输入的数据源提供相应的服务。

在一种可选的实现方式中，所述来自于所述数据源的至少一个特征属于连续特征，所述连续特征的特征值为连续变量；

所述特征检测单元，还被配置为执行对于所述来自于所述数据源的至少一个特征中的任一特征，获取所述特征在目标时间段内的多个特征值中的至少一个第一目标特征值，所述第一目标特征值用于将所述多个特征值划分为至少两个特征值区间，每个特征值区间包括数量相同的特征值；若任一第一目标特征值与历史目标特征值的差值超过目标差值阈值，则确定所述特征为目标特征。

在一种可选的实现方式中，所述来自于所述数据源的至少一个特征属于离散特征，所述离散特征的特征值为离散变量；

所述特征检测单元，还被配置为执行对于所述来自于所述数据源的至少一个特征中的任一特征，获取所述特征在目标时间段内的多个特征值中数量占比超过第一比例的至少一个第二目标特征值；若任一第二目标特征值所对应的比例与第二比例的差值超过目标比例阈值，则确定所述特征为目标特征。

在一种可选的实现方式中，所述装置还包括：

生成提示信息，所述提示信息用于指示所述目标特征发生异常；

响应于接收到基于所述提示信息触发的特征降级指令，执行所述获取所述目标特征的第二特征值的步骤。

信息生成单元，被配置为执行生成提示信息，所述提示信息用于指示所述目标特征发生异常；

所述获取单元，还被配置为执行响应于接收到基于所述提示信息触发的特征降级指令，执行所述获取所述目标特征的第二特征值的步骤。

在一种可选的实现方式中，所述获取单元，还被配置为执行获取所述特征降级指令所指示的时间标识；根据所述时间标识，获取所述目标特征在所述时间标识所指示的历史时间段内的第二特征值。

在一种可选的实现方式中，所述装置还包括：

第二特征值生成单元，被配置为执行对于所述来自于所述数据源的至少一个特征中的任一特征，获取所述特征的至少一个历史特征值；对所述至少一个历史特征值进行统计，根据统计结果生成所述特征的第二特征值。

在一种可选的实现方式中，所述特征属于连续特征；

所述第二特征值生成单元，还被配置为执行获取所述至少一个历史特征值的和值和所述至少一个历史特征值的特征数量；根据所述和值和所述特征数量，确定所述至少一个历史特征值的均值，将所述均值作为所述特征的第二特征值。

在一种可选的实现方式中，所述特征属于离散特征；

所述第二特征值生成单元，还被配置为执行获取所述至少一个历史特征值的出现次数；确定出现次数最多的历史特征值，将所述出现次数最多的历史特征值作为所述特征的第二特征值。

根据本公开实施例的第三方面，提供一种服务器，该服务器包括：

一个或多个处理器；

用于存储该处理器可执行指令的存储器；

其中，该处理器被配置为执行该指令，以实现上述异常处理方法。

根据本公开实施例的第四方面，提供一种存储介质，当该存储介质中的指令由服务器的处理器执行时，使得服务器能够执行上述异常处理方法。

根据本公开实施例的第五方面，提供一种应用程序产品，该应用程序产品存储有一条或多条指令，该一条或多条指令可以由服务器的处理器执行，以完成上述异常处理方法。

本公开实施例提供的技术方案至少带来以下有益效果：

通过对来自于数据源的至少一个特征的第一特征值进行检测来确定发生异常的目标特征，使得可以通过目标特征的第二特征值替代该目标特征的第一特征值，由于第二特征值用于表示目标特征在未发生异常时的特征值，因此与目标特征的正常取值的差距在预设的差距范围内，对服务模型的准确率造成的影响也在预设的准确率范围内，从而不需要暂停服务模型对应的服务，也能够正常的提供该服务模型对应的服务。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种异常处理方法的实施环境示意图。

图2是根据一示例性实施例示出的一种异常处理方法的流程图。

图3是根据一示例性实施例示出的另一种异常处理方法的流程图。

图4是根据一示例性实施例示出的一种来自于数据源的特征的第一特征值发生异常的示意图。

图5是根据一示例性实施例示出的一种生成第二特征值的示意图。

图6是根据一示例性实施例示出的一种使用第二特征值的示意图。

图7是根据一示例性实施例示出的一种异常处理装置的框图。

图8是根据一示例性实施例示出的一种服务器800的框图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

本公开所涉及的用户信息可以为经用户授权或者经过各方充分授权的信息。

图1是根据一示例性实施例示出的一种异常处理方法的实施环境示意图。参见图1，该实施环境具体包括：终端101和服务器102。

终端101可以为智能手机、智能手表、台式电脑、手提电脑、MP3播放器、MP4播放器和膝上型便携计算机等设备中的至少一种。终端101上可以安装并运行有应用程序，用户可以通过终端101登录该应用程序来获取该应用程序提供的服务。终端101可以通过无线网络或有线网络与服务器102相连，进而可以将服务请求发送给服务器102，以获取服务器102通过服务模型提供的服务。

终端101可以泛指多个终端中的一个，本实施例仅以终端101来举例说明。本领域技术人员可以知晓，上述终端的数量可以更多或更少。比如上述终端可以仅为几个，或者上述终端为几十个或几百个，或者更多数量，本公开实施例对终端的数量和设备类型均不加以限定。

服务器102可以为一台服务器、多台服务器、云计算平台和虚拟化中心中的至少一种。服务器102可以通过无线网络或有线网络与终端101和其他终端相连，服务器102可以接收终端101发送的服务请求，确定该服务请求所指示的服务模型，从该服务模型对应的N个数据源中获取数据，将来自于上述N个数据源的特征的特征值输入该服务模型，向终端101返回该服务模型输出的结果，以实现为该终端101提供服务。其中，N为正整数。可选地，上述服务器的数量可以更多或更少，本公开实施例对此不加以限定。当然，服务器102还可以包括其他功能服务器，以便提供更全面且多样化的服务。

图2是根据一示例性实施例示出的一种异常处理方法的流程图，参见图2，应用于服务器，该方法具体步骤包括：

在步骤S201中，对于服务模型的任一数据源，对来自于该数据源的至少一个特征的第一特征值进行检测，确定目标特征，该目标特征为基于检测确定的第一特征值发生异常的特征。

在步骤S202中，获取该目标特征的第二特征值，该第二特征值用于表示该目标特征在未发生异常时的特征值。

在步骤S203中，以该目标特征的第二特征值替换该目标特征的第一特征值，将该数据源替换后的至少一个特征的特征值输入该服务模型，其中，该服务模型基于输入的数据源提供相应的服务。

需要说明的是，对于任一特征，通过用该特征未发生异常的特征值来替换发生异常的特征值，可以实现对该特征的降级。其中，特征的降级指的是，为了避免特征值被篡改或者由于使用发生异常的特征值，导致使用该特征的特征值的服务出现错误等问题，可以采用未发生异常的特征值来取代发生异常的特征值，以保证使用该特征的特征值的服务可以正常使用。其中，未发生异常的特征值可以通过存储或者统计历史时间段获取到的特征值来得到。

本公开实施例提供的方案，通过对来自于数据源的至少一个特征的第一特征值进行检测来确定发生异常的目标特征，使得可以通过目标特征的第二特征值替代该目标特征的第一特征值，由于第二特征值用于表示目标特征在未发生异常时的特征值，因此与目标特征的正常取值的差距在预设的差距范围内，对服务模型的准确率造成的影响也在预设的准确率范围内，从而不需要暂停服务模型对应的服务，也能够正常的提供该服务模型对应的服务。

在一种可选的实现方式中，该来自于该数据源的至少一个特征属于连续特征，，所述连续特征的特征值为连续变量；

该对来自于该数据源的至少一个特征的第一特征值进行检测，确定目标特征，包括：

对于该来自于该数据源的至少一个特征中的任一特征，获取该特征在目标时间段内的多个特征值中的至少一个第一目标特征值，该第一目标特征值用于将多个特征值划分为至少两个特征值区间，每个特征值区间包括数量相同的特征值；

若任一第一目标特征值与历史目标特征值的差值超过目标差值阈值，则确定该特征为目标特征。

由于对于连续特征，将多个特征值的分位数作为第一目标特征值，并将该第一目标特征值与历史目标特征值进行比较，从而在差值超过目标差值阈值，即数值变化较大时，可以将该特征确定为目标特征。

在一种可选的实现方式中，该来自于该数据源的至少一个特征属于离散特征，该离散特征的特征值为离散变量；

该对来自于该数据源的至少一个特征的第一特征值进行检测，确定目标特征，包括：

对于该来自于该数据源的至少一个特征中的任一特征，获取该特征在目标时间段内的多个特征值中数量占比超过第一比例的至少一个第二目标特征值；

若任一第二目标特征值所对应的比例与第二比例的差值超过目标比例阈值，则确定该特征为目标特征。

由于对于离散特征，将多个特征值中占比较高的特征值作为第二目标特征值，并将该第二特征值的比例与第二比例进行比较，从而在差值超过目标比例阈值时，即比例变化较大时，可以将该特征确定为目标特征。

在一种可选的实现方式中，该方法还包括：

生成提示信息，该提示信息用于指示该目标特征发生异常；

响应于接收到基于该提示信息触发的特征降级指令，执行该获取该目标特征的第二特征值的步骤。

由于生成可以提示目标特征发送异常的提示信息，可以对技术人员进行相应的提示，由技术人员根据提示进行操作来触发特征降级指令，从而实现获取目标特征的第二特征值的目的。

在一种可选的实现方式中，该获取该目标特征的第二特征值，包括：

获取该特征降级指令所指示的时间标识；

根据该时间标识，获取该目标特征在该时间标识所指示的历史时间段内的第二特征值。

由于在获取目标特征的第二特征值时，根据时间标识来获取指定的历史时间段内的第二特征值，从而实现技术人员可以指定所使用的第二特征值的日期的目的。

在一种可选的实现方式中，该第二特征值的生成过程包括：

对于该来自于该数据源的至少一个特征中的任一特征，获取该特征在未发生异常时的至少一个历史特征值；

对该至少一个历史特征值进行统计，根据统计结果生成该特征的第二特征值。

由于通过对特征的历史特征值进行统计后生成该特征的第二特征值，从而该特征的第二特征值与该特征的正常值差距不大，对服务模型输出的结果的准确率影响很小。

在一种可选的实现方式中，该特征属于连续特征；

该对该至少一个历史特征值进行统计，根据统计结果生成该特征的第二特征值，包括：

获取该至少一个历史特征值的和值和该至少一个历史特征值的特征数量；

根据该和值和该特征数量，确定该至少一个历史特征值的均值，将该均值作为该特征的第二特征值。

由于对于连续特征，将特征的历史特征值的均值作为该特征的第二特征值，从而该特征的第二特征值与该特征的正常值差距不大，对服务模型输出的结果的准确率影响很小。

在一种可选的实现方式中，该特征属于离散特征；

该对该至少一个历史特征值进行统计，根据统计结果生成该特征的第二特征值，包括：

获取该至少一个历史特征值的出现次数；

确定出现次数最多的历史特征值，将该出现次数最多的历史特征值作为该特征的第二特征值。

由于对于离散特征，将特征的历史特征值中出现次数最多的历史特征值作为该特征的第二特征值，从而该特征的第二特征值与该特征的正常值差距不大，对服务模型输出的结果的准确率影响很小。

上述图2所示仅为本公开的基本流程，下面基于一种具体实现方式，来对本公开提供的方案进行进一步阐述，图3是根据一示例性实施例示出的另一种异常处理方法的流程图。参见图3，该方法包括：

在步骤S301中，服务器在接收到用户请求时，从服务模型对应的至少一个个数据源中获取数据。

在本公开实施例中，服务器可以为终端用户提供线上服务，如推荐服务、检索服务等。该服务器中可以设置有至少一个用于提供服务的服务模型，不同服务模型用于提供不同的服务，如视频推荐服务模型用于提供视频推荐服务、图像检索服务模型用于提供图像检索服务、商品推荐服务模型用于提供商品推荐服务等。该服务模型可以为基于机器学习技术训练得到的模型。该用户请求的发送方式可以为：终端用户想要使用服务器提供的某个线上服务时，可以通过终端向该服务器发送用户请求，该用户请求可以包括调用的线上服务的服务标识。相应的，服务器可以根据该服务标识确定与待调用的线上服务对应的服务模型，从该服务模型对应的至少一个数据源中获取数据。服务器可以从获取到的数据中抽取特征，将抽取到的特征的特征值输入该服务模型，将该服务模型输出的结果返回给终端，由终端进行显示。

需要说明的是，服务模型在使用时，通常会依赖至少一个数据源，该至少一个数据源可以来自不同的网络平台或者服务商。因此，服务器需要从至少一个数据源中获取数据，将来自于该至少一个数据源的多个特征的特征值输入服务模型，基于服务模型输出相应的结果。上述至少一个数据源可以包括本地数据源和外部数据源中的至少一种。该外部数据源包括的数据可以为用户画像、用户历史行为信息、用户设备信息以及当前上下文信息等。内部数据源包括的数据可以为账户信息、粉丝数信息、应用程序使用时长信息等。

在步骤S302中，对于服务模型的任一数据源，服务器对来自于该数据源的至少一个特征的第一特征值进行检测，确定目标特征，该目标特征为基于检测确定的第一特征值发生异常的特征。

在本公开实施例中，以服务模型的任意一个数据源为例进行说明。服务器可以对从该数据源获取到的数据进行特征提取，得到至少一个特征，该至少一个特征的第一特征值可以作为该服务模型的输入。服务器可以检测提取到的至少一个特征的第一特征值是否发生异常，如检测到任一特征的第一特征值为空时，确定发生异常或者检测到任一特征的第一特征值变化过大时，确定发生异常等，服务器可以将第一特征值发生异常的特征作为目标特征。

需要说明的是，来自于数据源的至少一个特征可以是年龄、关注数、粉丝数、应用程序使用次数以及应用程序使用时长等，也可以是性别、所在省市、内容所属类型等。由于年龄、关注数、粉丝数、应用程序使用次数以及应用程序使用时长等特征的特征值是连续变量，因此这些特征属于连续特征；而性别、所在省市、内容所属类型等特征的特征值是离散变量，因此这些特征属于离散特征的特征。因此服务器可以采用不同的方式对该至少一个特征进行检测。

在一种可选的实现方式中，在来自于该数据源的至少一个特征属于连续特征时，服务器对来自于该数据源的至少一个特征进行检测，确定目标特征的步骤可以为：对于来自于该数据源的至少一个特征中的任一特征，服务器可以获取该特征在目标时间段内的多个特征值中的至少一个第一目标特征值，该第一目标特征值用于将该多个特征值划分为至少两个特征值区间，每个特征值区间包括数量相同的特征值。若任一第一目标特征值与历史目标特征值的差值超过目标差值阈值，则服务器可以确定该特征为目标特征。其中，该目标时间段可以为0点至24点，该第一目标特征值可以为二分位数或者四分位数等，本公开实施例对此不进行限定。由于服务器每隔目标时间段重新计算一次各属于连续特征的特征在该目标时间段内的第一目标特征值，使得对于任一特征，服务器可以在该特征的第一目标特征值发生较大变化时确定发生异常，从而可以及时确定目标特征。

例如，服务器可以定义多个时间片段，如“过去一天”、“过去三天”以及“过去七天”等。对于任一属于连续特征的特征，服务器可以通过四分位数，将该特征的多个特征值划分为数量相等的四个特征值区间。服务器将处于四分位数的各个分位点(25分位点、50分位点以及75分位点)的特征值作为至少一个第一目标特征值，其中50分位点的特征值又称作中位数。服务器可以每天获取该特征在各个时间片段的各个分位点的历史目标特征值。如对于粉丝数这一特征，服务器针对全体用户分别计算过去一天粉丝数的25分位点对应的历史目标特征值、50分位点对应的历史目标特征值以及75分位点对应的历史目标特征值，过去三天粉丝数的25分位点对应的历史目标特征值、50分位点对应的历史目标特征值以及75分位点对应的历史目标特征值，过去七天粉丝数的25分位点对应的历史目标特征值、50分位点对应的历史目标特征值以及75分位点对应的历史目标特征值。同样的，对于关注数这一特征，服务器针对全体用户分别计算过去一天关注数的25分位点对应的历史目标特征值、50分位点对应的历史目标特征值以及75分位点对应的历史目标特征值，过去三天关注数的25分位点对应的历史目标特征值、50分位点对应的历史目标特征值以及75分位点对应的历史目标特征值，过去七天关注数的25分位点对应的历史目标特征值、50分位点对应的历史目标特征值以及75分位点对应的历史目标特征值。以目标时间段为今天的0点至24点，第一目标特征值为25分位点对应的特征值为例，如果服务器检测到今天全体用户的粉丝数的25分位点对应的第一目标特征值与上述获取的过去一天粉丝数的25分位点对应的历史目标特征值、过去三天粉丝数的25分位点对应的历史目标特征值、过去七天粉丝数的25分位点对应的历史目标特征值中的任一个的差值超过目标差值阈值，表示粉丝数这一特征的特征值出现了较大的变化，则服务器可以确定粉丝数这一特征为目标特征。同理，如果服务器检测到今天全体用户的关注数的25分位点对应的第一目标特征值与上述获取的过去一天关注数的25分位点对应的历史目标特征值、过去三天关注数的25分位点对应的历史目标特征值、过去七天关注数的25分位点对应的历史目标特征值中的任一个的差值超过目标差值阈值，表示关注数这一特征的特征值出现了较大的变化，则服务器可以确定关注数这一特征为目标特征。

在一种可选的实现方式中，在来自于数据源的至少一个特征为离散特征时，服务器对来自于该数据源的至少一个特征进行异常检测，确定目标特征的步骤可以为：对于来自于数据源的至少一个特征中的任一特征，服务器可以获取该特征在目标时间段内的多个特征值中数量占比超过第一比例的至少一个第二目标特征值。若任一第二目标特征值所对应的比例与第二比例的差值超过目标比例阈值，则服务器可以确定该特征为目标特征。该目标时间段可以为0点至24点。该第二目标特征值还可以为该特征在目标时间段内的多个特征值中数量占比最高的至少一个特征值。由于服务器每隔目标时间段获取一次各属于离散特征的特征在在目标时间段内数量占比超过第一比例的第二目标特征值的比例，使得对于任一特征，服务器可以在该特征的任一第二目标特征值的比例发生较大变化时确定发生异常，从而可以及时确定目标特征。

例如，服务器可以定义多个时间片段，如“过去一天”、“过去三天”以及“过去七天”等。对于任一属于离散特征的特征，服务器可以获取该特征的各特征值占全部特征值的比例，选出占比超过第一比例的至少一个第二目标特征值。以所在省市这一特征为例，该特征的特征值包括[“北京”，“上海”，“山东”，“河北”，…]等。以目标时间段为今天的0点至24点，“北京”和“山东”为第二目标特征值为例。服务器可以获取今天“北京”和“山东”对应的比例。如果服务器今天获取的“北京”对应的比例与过去一天“北京”对应的比例、过去三天“北京”对应的比例或者过去七天“北京”对应的比例中任一比例的差值超过目标比例阈值，表示所在省市这一特征的特征值出现了较大的变化，则服务器可以确定所在省市这一特征为目标特征。

需要说明的是，若来自于数据源的至少一个特征既包括属于连续特征的特征，又包括属于离散特征的特征，则服务器可以先将该至少一个特征区分为属于连续特征的特征和属于离散特征的特征，再分别使用上检测方式进行检测。

需要说明的是，图4是根据一示例性实施例示出的一种来自于数据源的特征的第一特征值发生异常的示意图。在图4中，服务器从N个数据源获取数据，将来自于N个数据源的特征的特征值输入服务模型中，其中，N为正整数。在来自于数据源2的任一特征的特征值发生异常后，会导致服务器模型输出的结果准确性大幅度下降，使得服务器返回给终端的结果可能不是终端用户想要的结果，影响终端用户的体验。

在步骤S303中，服务器生成提示信息，该提示信息用于指示该目标特征发生异常。

在本公开实施例中，来自于数据源的部分特征会受到运营活动的影响，如关注数、粉丝数、应用程序使用时长等。由于运营活动对特征的影响的大小无法通过数值进行量化，因此服务器可以在确定目标特征后，生成提示信息，通过该提示信息来提示技术人员确定目标特征发生异常的原因是否是受到运营活动的影响。如果技术人员确定是运营活动造成目标特征发生异常，且目标特征的第一特征值的变化量符合运营活动的实际发展情况，则技术人员可以通过该提示信息触发用于忽略该目标特征的指令；如果技术人员确定不是运营活动造成的目标特征发生异常，或者目标特征的第一特征值的变化量不符合运营活动的实际发展情况，则技术人员可以通过该提示信息触发特征降级指令，用于指示服务器执行步骤S304。

例如，以应用程序使用时长这一特征为例，在视频类应用程序举办免费观影活动时，终端用户可以免费观看收费内容，使得终端用户使用该视频类应用程序的使用时长会显著增加。服务器在确定应用程序使用时长这一特征发生异常后，生成提示信息，指示技术人员当前应用程序使用时长这一特征发生异常。

需要说明的是，对于部分不受运营活动影响的特征，服务器可以设置阈值区间，当该特征的特征值发生异常，即特征值不在该阈值区间内时，服务器可以直接执行特征降级指令对应的操作，不需要技术人员进行确认。通过设置阈值区间，减少了技术人员确认的步骤，提高了处理效率。

在步骤S304中，服务器响应于接收到基于提示信息触发的特征降级指令，获取目标特征的第二特征值，该第二特征值用于表示该目标特征在未发生异常时的特征值。

需要说明的是，技术人员在触发特征降级指令时，可以指定使用哪个历史时间段内的第二特征值。服务器可以在接收到特征降级指令后，获取该特征降级指令所指示的时间标识，根据该时间标识，获取目标特征在该时间标识所指示的历史时间段内的第二特征值。该历史时间段为生成该第二特征值时所使用的特征值对应的时间段。

需要说明的是，服务器生成第二特征值的过程可以为：对于来自于该数据源的至少一个特征中的任一特征，服务器可以获取该特征在未发生异常时的至少一个历史特征值。对该至少一个历史特征值进行统计，根据统计结果生成该特征的第二特征值。其中，对于任一数据源，服务器可以将来自于该数据源的至少一个特征的特征值按照预设时间段进行缓存，如按照天缓存，服务器可以从每个预设时间段中获取该特征的至少一个历史特征值。

需要说明的是，服务器在缓存特征值时，可以对终端用户的请求进行采样，对于任一采样得到的请求，确定该请求对应的各数据源，缓存从上述各数据源中分别获取到的至少一个特征的特征值。

需要说明的是，服务器生成属于连续特征的特征的第二特征值和属于离散特征的特征的第二特征值的方式不同。

在一种可选的实现方式中，在特征属于连续特征时，服务器对至少一个历史特征值进行统计，根据统计结果生成该特征的第二特征值的步骤可以为：服务器可以获取该至少一个历史特征值的和值和该至少一个历史特征值的特征数量，根据该和值和该特征数量，服务器可以确定该至少一个历史特征值的均值，将该均值作为该特征的第二特征值。由于通过求取均值的方式来生成特征的第二特征值，使该第二特征值与该特征的实际取值不会产生较大的差异，从而减少对服务模型输出结果的影响。

例如，以按天缓存特征值为例。对于任一属于连续特征的特征，服务器可以采用<sum，count>的形式存储该特征在某一天内的历史特征值，sum用于表示历史特征值的和，count用于表示历史特征值的数量。以应用程序使用时长这一特征为例，如果只有两个用户使用应用程序，一个用户使用了60秒，另一个用户使用了50秒，则<sum，count>＝<110，2>，如果再多加一个使用了70秒的用户，则<sum，count>＝<180，3>，以此类推。服务器可以将sum与count的比值，也即该连续特征对应的特征值的均值，作为该特征在当天的第二特征值。

在一种可选的实现方式中，在特征属于离散特征时，服务器对至少一个历史特征值进行统计，根据统计结果生成该特征的第二特征值的步骤可以为：服务器可以获取该至少一个历史特征值的出现次数，确定出现次数最多的历史特征值，将该出现次数最多的历史特征值作为该特征的第二特征值。由于通过按照出现次数选择出现次数最多的特征值作为该特征的第二特征值，使该第二特征值与该特征的实际取值的不会产生较大的差异，从而减少对服务模型输出结果的影响。

例如，以按天缓存特征值为例。对于任一属于离散特征的特征，服务器可以采用(<tag1，count1>,<tag2，count2>,<tag3，count3>,…，<tagM，countM>)的形式存储该特征在某一天的历史特征值，tag表示历史特征值标识，count表示该历史特征值出现的次数，每增加一个不同的历史特征值I，则增加一个<tagI，countI>，其中I和M为正整数，I不大于在M，M不大于200。以所在省市这一特征为例，则该特征在某一天的历史特征值为(<北京，15>,<山东，10>,<河北，5>,…,<上海，13>)，服务器可以将出现次数最多的北京作为该特征在当天的第二特征值。

需要说明的是，图5是根据一示例性实施例示出的一种生成第二特征值的示意图。在图5中，服务器对来自于各数据源的特征进行监控，在特征的第一特征值未发生异常时，服务器可以用特征在未发生异常时的特征值生成第二特征值，生成的第二特征值分别对应不同的历史时间段。

在步骤S305中，服务器以目标特征的第二特征值替换目标特征的第一特征值，将该数据源替换后的至少一个特征的特征值输入该服务模型，其中，该服务模型基于输入的数据源提供相应的服务。

在本公开实施例中，服务器可以将数据源中发生异常的特征的第一特征值均替换为第二特征值，然后将替换后的第二特征值和该数据源中未发生异常的特征的特征值输入到服务模型中，由服务器基于该服务模型对输入的特征值进行处理，输出相应的结果，然后将输出结果返回至用户的终端。

需要说明的是，图6是根据一示例性实施例示出的一种使用第二特征值的示意图。在图6中，服务器用使用降级后的特征，即该特征对应的第二特征值替换该特征的第一特征值。

需要说明的是，上述步骤S301至步骤S306是本公开实施例提供的异常处理方法的可选能实现方式，相应的，服务器还可以通过其他方式实现该异常处理方法，如在来自于某个数据源的特征发生异常后，可以将来自该数据源的全部特征的特征值替换为对应的第二特征值。

本公开实施例提供的方案，通过对来自于数据源的至少一个特征的第一特征值进行检测来确定第一特征值发生异常的目标特征，使得可以通过目标特征的第二特征值替代该目标特征的第一特征值，由于第二特征值用于表示目标特征在未发生异常时的特征值，因此与目标特征的正常取值的差距在预设的差距范围内，对服务模型的准确率造成的影响也在预设的准确率范围内，从而不需要暂停服务模型对应的服务，也能够正常的提供该服务模型对应的服务。

上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。

图7是根据一示例性实施例示出的一种异常处理装置的框图。参照图7，该装置包括：特征检测单元701、获取单元702以及服务提供单元703。

特征检测单元701，被配置为执行对于服务模型的任一数据源，对来自于该数据源的至少一个特征的第一特征值进行检测，确定目标特征，该目标特征为基于检测确定的第一特征值发生异常的特征；

获取单元702，被配置为执行获取该目标特征的第二特征值，该第二特征值用于表示该目标特征在未发生异常时的特征值；

服务提供单元703，被配置为执行以该目标特征的第二特征值替换该目标特征的第一特征值，将该数据源替换后的至少一个特征的特征值输入该服务模型，其中，该服务模型基于输入的数据源提供相应的服务。

本公开实施例提供的装置，通过基于特征检测单元701对来自于数据源的至少一个特征的第一特征值进行检测来确定第一特征值发生异常的目标特征，通过获取单元702来获取第二特征值，使得可以基于服务提供单元703要用目标特征的第二特征值替代该目标特征的第一特征值，由于第二特征值用于表示目标特征在未发生异常时的特征值，因此与目标特征的正常取值的差距在预设的差距范围内，对服务模型的准确率造成的影响也在预设的准确率范围内，从而不需要暂停服务模型对应的服务，也能够正常的提供该服务模型对应的服务。

在一种可选的实现方式中，该来自于该数据源的至少一个特征属于连续特征，该连续特征的特征值为连续变量；

该特征检测单元701，还被配置为执行对于该来自于该数据源的至少一个特征中的任一特征，获取该特征在目标时间段内的多个特征值中的至少一个第一目标特征值，该第一目标特征值用于将多个特征值划分为至少两个特征值区间，每个特征值区间包括数量相同的特征值；若任一第一目标特征值与历史目标特征值的差值超过目标差值阈值，则确定该特征为目标特征。

在一种可选的实现方式中，该来自于该数据源的至少一个特征属于离散特征，该离散特征的特征值为离散变量；

该特征检测单元701，还被配置为执行对于该来自于该数据源的至少一个特征中的任一特征，获取该特征在目标时间段内的多个特征值中数量占比超过第一比例的至少一个第二目标特征值；若任一第二目标特征值所对应的比例与第二比例的差值超过目标比例阈值，则确定该特征为目标特征。

在一种可选的实现方式中，该装置还包括：

生成提示信息，该提示信息用于指示该目标特征发生异常；

响应于接收到基于该提示信息触发的特征降级指令，执行该获取该目标特征的第二特征值的步骤。

信息生成单元，被配置为执行生成提示信息，该提示信息用于指示该目标特征发生异常；

该获取单元702，还被配置为执行响应于接收到基于该提示信息触发的特征降级指令，执行该获取该目标特征的第二特征值的步骤。

在一种可选的实现方式中，该获取单元702，还被配置为执行获取该特征降级指令所指示的时间标识；根据该时间标识，获取该目标特征在该时间标识所指示的历史时间段内的第二特征值。

在一种可选的实现方式中，该装置还包括：

第二特征值生成单元，被配置为执行对于该来自于该数据源的至少一个特征中的任一特征，获取该特征在未发生异常时的至少一个历史特征值；对该至少一个历史特征值进行统计，根据统计结果生成该特征的第二特征值。

在一种可选的实现方式中，该特征属于连续特征；

该第二特征值生成单元，还被配置为执行获取该至少一个历史特征值的和值和该至少一个历史特征值的特征数量；根据该和值和该特征数量，确定该至少一个历史特征值的均值，将该均值作为该特征的第二特征值。

在一种可选的实现方式中，该特征属于离散特征；

该第二特征值生成单元，还被配置为执行获取该至少一个历史特征值的出现次数；确定出现次数最多的历史特征值，将该出现次数最多的历史特征值作为该特征的第二特征值。

需要说明的是，上述实施例提供的异常处理装置在来自于数据源的特征发生异常时，仅以上述各功能单元的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元完成，即将服务器的内部结构划分成不同的功能单元，以完成以上描述的全部或者部分功能。另外，上述实施例提供的异常处理装置与异常处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图8是根据一示例性实施例示出的一种服务器800的框图，该服务器800可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Central ProcessingUnits，CPU)801和一个或一个以上的存储器802，其中，该存储器802中存储有至少一条指令，该至少一条指令由该处理器801加载并执行以实现上述各个方法实施例提供的异常处理方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器800还可以包括其他用于实现设备功能的部件，在此不做赘述。

在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器802，上述指令可由服务器800的处理器801执行以完成上述方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (14)

1.一种异常处理方法，其特征在于，所述方法包括：

对于服务模型的任一数据源，在来自于所述数据源的至少一个特征属于连续特征的情况下，对于来自于所述数据源的至少一个特征中的任一特征，获取所述特征在目标时间段内的多个特征值中的至少一个第一目标特征值，若任一第一目标特征值与历史目标特征值的差值超过目标差值阈值，则确定所述特征为目标特征，所述连续特征的特征值为连续变量，所述第一目标特征值用于将所述多个特征值划分为至少两个特征值区间，每个特征值区间包括数量相同的特征值，所述目标特征为基于检测确定的第一特征值发生异常的特征；

在来自于所述数据源的至少一个特征属于离散特征的情况下，对于来自于所述数据源的至少一个特征中的任一特征，获取所述特征在目标时间段内的多个特征值中数量占比超过第一比例的至少一个第二目标特征值，若任一第二目标特征值所对应的比例与第二比例的差值超过目标比例阈值，则确定所述特征为目标特征，所述离散特征的特征值为离散变量；

获取所述目标特征的第二特征值，所述第二特征值用于表示所述目标特征未发生异常时的特征值；

以所述目标特征的第二特征值替换所述目标特征的第一特征值，将所述数据源替换后的至少一个特征的特征值输入所述服务模型，其中，所述服务模型基于输入的数据源提供相应的服务。

2.根据权利要求1所述的方法，其特征在于，所述获取所述目标特征的第二特征值之前，所述方法还包括：

生成提示信息，所述提示信息用于指示所述目标特征发生异常；

响应于接收到基于所述提示信息触发的特征降级指令，执行所述获取所述目标特征的第二特征值的步骤。

3.根据权利要求2所述的方法，其特征在于，所述获取所述目标特征的第二特征值，包括：

获取所述特征降级指令所指示的时间标识；

根据所述时间标识，获取所述目标特征在所述时间标识所指示的历史时间段内的第二特征值。

4.根据权利要求1所述的方法，其特征在于，所述第二特征值的生成过程包括：

对于所述来自于所述数据源的至少一个特征中的任一特征，获取所述特征在未发生异常时的至少一个历史特征值；

对所述至少一个历史特征值进行统计，根据统计结果生成所述特征的第二特征值。

5.根据权利要求4所述的方法，其特征在于，所述特征属于连续特征；

所述对所述至少一个历史特征值进行统计，根据统计结果生成所述特征的第二特征值，包括：

获取所述至少一个历史特征值的和值和所述至少一个历史特征值的特征数量；

根据所述和值和所述特征数量，确定所述至少一个历史特征值的均值，将所述均值作为所述特征的第二特征值。

6.根据权利要求4所述的方法，其特征在于，所述特征属于离散特征；

所述对所述至少一个历史特征值进行统计，根据统计结果生成所述特征的第二特征值，包括：

获取所述至少一个历史特征值的出现次数；

确定出现次数最多的历史特征值，将所述出现次数最多的历史特征值作为所述特征的第二特征值。

7.一种异常处理装置，其特征在于，所述装置包括：

特征检测单元，被配置为执行对于服务模型的任一数据源，在来自于所述数据源的至少一个特征属于连续特征的情况下，对于来自于所述数据源的至少一个特征中的任一特征，获取所述特征在目标时间段内的多个特征值中的至少一个第一目标特征值，若任一第一目标特征值与历史目标特征值的差值超过目标差值阈值，则确定所述特征为目标特征，所述连续特征的特征值为连续变量，所述第一目标特征值用于将所述多个特征值划分为至少两个特征值区间，每个特征值区间包括数量相同的特征值，所述目标特征为基于检测确定的第一特征值发生异常的特征；

所述特征检测单元，还被配置为执行在来自于所述数据源的至少一个特征属于离散特征的情况下，对于来自于所述数据源的至少一个特征中的任一特征，获取所述特征在目标时间段内的多个特征值中数量占比超过第一比例的至少一个第二目标特征值，若任一第二目标特征值所对应的比例与第二比例的差值超过目标比例阈值，则确定所述特征为目标特征，所述离散特征的特征值为离散变量；

获取单元，被配置为执行获取所述目标特征的第二特征值，所述第二特征值用于表示所述目标特征在未发生异常时的特征值；

服务提供单元，被配置为执行以所述目标特征的第二特征值替换所述目标特征的第一特征值，将所述数据源替换后的至少一个特征的特征值输入所述服务模型，其中，所述服务模型基于输入的数据源提供相应的服务。

8.根据权利要求7所述的装置，其特征在于，所述装置还包括：

生成提示信息，所述提示信息用于指示所述目标特征发生异常；

响应于接收到基于所述提示信息触发的特征降级指令，执行所述获取所述目标特征的第二特征值的步骤；

信息生成单元，被配置为执行生成提示信息，所述提示信息用于指示所述目标特征发生异常；

所述获取单元，还被配置为执行响应于接收到基于所述提示信息触发的特征降级指令，执行所述获取所述目标特征的第二特征值的步骤。

9.根据权利要求8所述的装置，其特征在于，所述获取单元，还被配置为执行获取所述特征降级指令所指示的时间标识；根据所述时间标识，获取所述目标特征在所述时间标识所指示的历史时间段内的第二特征值。

10.根据权利要求7所述的装置，其特征在于，所述装置还包括：

第二特征值生成单元，被配置为执行对于所述来自于所述数据源的至少一个特征中的任一特征，获取所述特征在未发生异常时的至少一个历史特征值；对所述至少一个历史特征值进行统计，根据统计结果生成所述特征的第二特征值。

11.根据权利要求10所述的装置，其特征在于，所述特征属于连续特征；

所述第二特征值生成单元，还被配置为执行获取所述至少一个历史特征值的和值和所述至少一个历史特征值的特征数量；根据所述和值和所述特征数量，确定所述至少一个历史特征值的均值，将所述均值作为所述特征的第二特征值。

12.根据权利要求10所述的装置，其特征在于，所述特征属于离散特征；

所述第二特征值生成单元，还被配置为执行获取所述至少一个历史特征值的出现次数；确定出现次数最多的历史特征值，将所述出现次数最多的历史特征值作为所述特征的第二特征值。

13.一种服务器，其特征在于，所述服务器包括：

一个或多个处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如权利要求1-6任一项所述的异常处理方法。

14.一种存储介质，其特征在于，当所述存储介质中的指令由服务器的处理器执行时，使得服务器能够执行如权利要求1至6任一项所述的异常处理方法。