CN113591934A - 业务分析模型的编排方法、装置和设备及存储介质 - Google Patents
业务分析模型的编排方法、装置和设备及存储介质 Download PDFInfo
- Publication number
- CN113591934A CN113591934A CN202110767515.4A CN202110767515A CN113591934A CN 113591934 A CN113591934 A CN 113591934A CN 202110767515 A CN202110767515 A CN 202110767515A CN 113591934 A CN113591934 A CN 113591934A
- Authority
- CN
- China
- Prior art keywords
- operator
- business
- service
- candidate
- matching degree
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004458 analytical method Methods 0.000 title claims abstract description 49
- 230000015654 memory Effects 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 abstract description 20
- 238000011144 upstream manufacturing Methods 0.000 description 29
- 238000004364 calculation method Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 17
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003032 molecular docking Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种业务分析模型的编排方法、装置和设备及存储介质,涉及计算机技术领域,用于降低模型编排过程的时间消耗,提升模型编排效率。在该方法中,在模型编排区域中添加第一业务算子后,还会在算子推荐区域中显示至少一个推荐业务算子,这样,用户可以通过算子推荐区域查看到与第一业务算子之间的算子匹配度较高的多个业务算子,从而用户可从这些业务算子中进行选择,降低业务算子的选择范围,进而辅助用户快速进行业务算子的选择,降低模型编排过程的时间消耗,提升了模型编排效率。
Description
技术领域
本申请涉及计算机技术领域,提供一种业务分析模型的编排方法、装置和设备及存储介质。
背景技术
模型编排,是指基于已有的模型算子进行组合,构建一个能够实现特定业务功能的业务分析模型的过程。模型算子是对一段业务逻辑的抽象,针对不同的业务逻辑在算子这个层面进行了统一化、规范化、抽象出标准化结构:输入,输出,参数。其中输入定义了算子的数据来源,输出定义了算子运算后的结果,参数跟用户密切相关,给用户的实际场景提供了定制化的入口,该模块的统一化规范化给上层的编排定制提供了标准上的统一。相关技术中,存在着能够通过可视化界面进行模型编排过程的技术方案,模型作为上层业务场景定制的入口,基于算子的标准化结构定义,在画布操作界面通过拖拉拽的方式对已有算子进行编排,统一进入上下游对接以及参数设置的规范化操作流程,屏蔽掉了底层的技术复杂性。
尽管可视化的模型编排过程能够在一定程度上提升模型开发的效率,但是,在模型编排过程中,用户需要事先熟悉系统中有哪些可用算子,并且需要了解算子间的关联关系,知道哪些算子可以作为上游节点或下游节点,尤其在大量算子中寻找可以上下游对接的算子既耗时又费力,这在一定程度上给模型开发增加了难度,且效率较低。
发明内容
本申请实施例提供一种业务分析模型的编排方法、装置和设备及存储介质,用于降低模型编排过程的时间消耗,提升模型编排效率。
一方面,提供一种业务分析模型的编排方法,所述方法包括:
响应于针对业务算子集中第一业务算子进行的算子添加操作,在所述模型编排区域中添加所述第一业务算子;其中,一个业务算子用于实现所述业务分析模型的至少一个业务数据处理功能;以及,
在算子推荐区域中显示至少一个推荐业务算子;其中,每个推荐业务算子与所述第一业务算子之间的算子匹配度大于设定匹配度阈值;
响应于针对所述至少一个推荐业务算子中第二业务算子的算子添加操作,在所述模型编排区域中添加所述第二业务算子;并,
按照所述第一业务算子与所述第二业务算子的预设连接方式,将所述第一业务算子与所述第二业务算子进行连接;
响应于编排结束操作,获得包含多个业务算子以及多个业务算子之间的连接关系的业务分析模型,所述多个业务算子至少包括所述第一业务算子和所述第二业务算子。
一方面,提供一种业务分析模型的编排装置,所述装置包括:
算子添加单元,用于响应于针对业务算子集中第一业务算子进行的算子添加操作,在所述模型编排区域中添加所述第一业务算子;其中,一个业务算子用于实现所述业务分析模型的至少一个业务数据处理功能;以及,
算子推荐单元,用于在算子推荐区域中显示至少一个推荐业务算子;其中,每个推荐业务算子与所述第一业务算子之间的算子匹配度大于设定匹配度阈值;
算子添加单元,还用于响应于针对所述至少一个推荐业务算子中第二业务算子的算子添加操作,在所述模型编排区域中添加所述第二业务算子;并,
算子连接单元,用于按照所述第一业务算子与所述第二业务算子的预设连接方式,将所述第一业务算子与所述第二业务算子进行连接;
模型获得单元,用于响应于编排结束操作,获得包含多个业务算子以及多个业务算子之间的连接关系的业务分析模型,所述多个业务算子至少包括所述第一业务算子和所述第二业务算子。
可选的,所述装置还包括匹配度计算单元,用于:
基于所述第一业务算子的属性特征集合,以及自身存储的各个候选业务算子的各自对应的属性特征集合,确定所述第一业务算子与每一个候选业务算子之间的算子匹配度;
基于获得的各个算子匹配度,从所述各个候选业务算子中确定出所述至少一个推荐业务算子。
可选的,所述装置还包括收发单元,用于:
向后台服务器发送业务算子请求;其中,所述业务算子请求用于请求获取在所述算子推荐区域中显示的推荐业务算子;
接收所述后台服务器返回的所述至少一个推荐业务算子;其中,所述至少一个推荐业务算子为所述后台服务器,基于所述第一业务算子的属性特征集合,与各个候选业务算子各自对应的算子属性特征集合,确定所述第一业务算子与每一个候选业务算子之间的算子匹配度后,基于获得的各个算子匹配度从所述各个候选业务算子中选择出的。
可选的,所述算子推荐单元,具体用于:
基于自身存储的所有候选业务算子任意两两进行组合,获得多个业务算子对;其中,每个业务算子对由两个候选业务算子组成;
基于各个候选业务算子各自对应的属性特征集合,确定所述多个业务算子对中各个业务算子对中两个候选业务算子之间的算子匹配度,并存储所述各个业务算子对各自对应的算子匹配度;
响应于所述针对第一业务算子进行的算子添加操作,基于所述第一业务算子的算子标识,从所述多个业务算子对中获取包含所述第一业务算子的业务算子对;
基于已存储的所述各个业务算子对各自对应的匹配度,为所述第一业务算子选取出所述至少一个推荐业务算子。
可选的,所述属性特征集合包括业务算子的输入字段列表和输出字段列表,所述匹配度计算单元,具体用于:
针对所述各个业务算子对,分别执行如下操作:
针对一个业务算子对,基于所述一个业务算子对中两个候选业务算子各自对应的输入字段列表和输出字段列表,获得所述一个业务算子对中两个候选业务算子之间的字段匹配度;
基于所述两个候选业务算子之间的字段匹配度,获得所述一个业务算子对中两个候选业务算子之间的算子匹配度。
可选的,所述匹配度计算单元,具体用于:
基于所述第三业务算子的输出字段列表,以及所述第四业务算子的输入字段列表,获得所述字段匹配度的第一候选取值;以及,
基于所述第四业务算子的输出字段列表,以及所述第三业务算子的输入字段列表,获得所述字段匹配度的第二候选取值;
将所述第一候选取值和所述第二候选取值中的最大值,确定为所述字段匹配度的取值。
可选的,所述匹配度计算单元,具体用于:
针对所述第三业务算子的输出字段列表中的各个输出字段,分别执行如下操作:针对一个输出字段,分别获取所述一个输出字段与所述第四业务算子的输入字段列表中各个输入字段之间的候选相似度,并从获得的各个字段相似度中选取取值最大的候选相似度,作为所述一个输出字段对应的字段相似度;
基于第三业务算子的输出字段列表中输出字段的数量,以及所述各个输出字段各自对应的字段相似度,获得所述字段匹配度的第一候选取值。
可选的,所述属性特征集合包括历史引用数据,所述匹配度计算单元,具体用于:
基于所述一个业务算子对中两个候选业务算子的历史引用数据,确定所述一个业务算子对对应的引用次数;其中,若一个业务算子对中两个候选业务算子在同一模型中存在一次连接关系,引用次数加一;
基于所述一个业务算子对对应的引用次数,所占所有业务算子对的引用次数之和的比例,确定所述一个业务算子对对应的历史引用匹配度;
基于所述字段匹配度以及所述历史引用匹配度,获得所述一个业务算子对中两个候选业务算子之间的算子匹配度。
可选的,所述属性特征集合包括算子描述信息,所述匹配度计算单元,具体用于:
基于所述两个候选业务算子的算子描述信息之间的文本相似度,确定所述两个候选业务算子的文本相似度;
基于所述字段匹配度、所述历史引用匹配度以及所述文本匹配度,获得所述一个业务算子对中两个候选业务算子之间的算子匹配度。
一方面,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一种方法的步骤。
一方面,提供一种计算机存储介质,其上存储有计算机程序指令,该计算机程序指令被处理器执行时实现上述任一种方法的步骤。
一方面,提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述任一种方法的步骤。
本申请实施例中,在模型编排区域中添加第一业务算子后,还会在算子推荐区域中显示至少一个推荐业务算子,这样,用户可以通过算子推荐区域查看到与第一业务算子之间的算子匹配度较高的多个业务算子,从而用户可从这些业务算子中进行选择,降低业务算子的选择范围,进而辅助用户快速进行业务算子的选择,降低模型编排过程的时间消耗,提升了模型编排效率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的应用场景示意图;
图2为本申请实施例提供的业务分析模型的编排方法的流程示意图;
图3为本申请实施例提供的模型编排界面的示意图;
图4为本申请实施例提供的用户进行算子添加的操作示意图;
图5为本申请实施例提供的获取推荐业务算子的示意图;
图6为本申请实施例提供的开启智能推荐算子功能的操作示意图;
图7为本申请实施例提供的上下游算子对接示意图;
图8为本申请实施例提供的算子匹配度的计算流程示意图;
图9为本申请实施例提供的第三业务算子和第四业务算子的对接示意图;
图10为本申请实施例提供的业务分析模型的编排装置的一种结构示意图;
图11为本申请实施例提供的计算机设备的一种结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
为便于理解本申请实施例提供的技术方案,这里先对本申请实施例使用的一些关键名词进行解释:
业务分析模型:针对特定业务需求所指定的数据分析处理模型,是大数据处理领域中一种有效的数据分析方式。例如,针对犯罪嫌疑人定位业务的业务分析模型,可以通过多种数据筛选算子逐层进行人员筛选,例如先从所有人员中利用前科人员查询算子筛选出有前科人员的相关信息,进而基于这些信息,利用相关的算子进行筛选,最终锁定一个或者多个犯罪嫌疑人,当然,也可以应用于其他业务,例如异常税务公司排查以及交通事故肇事排查等等。
业务算子:一个业务算子用于实现业务分析模型的至少一个业务数据处理功能,例如上述的前科人员查询算子用于从所有人员中筛选出有前科人员的相关信息。
下面对本申请实施例的设计思想进行简要介绍。
大数据时代,期望能够通过技术手段对海量数据进行专业化处理,挖掘其蕴含的价值。模型编排,是指基于已有的模型算子进行组合,构建一个能够实现特定业务功能的业务分析模型的过程,从而利用业务分析模型实现特定的业务数据分析。算子是对一段业务逻辑的抽象,针对不同的业务逻辑在算子这个层面进行了统一化、规范化、抽象出标准化结构:输入,输出,参数。其中输入定义了算子的数据来源,输出定义了算子运算后的结果,参数跟用户密切相关,给用户的实际场景提供了定制化的入口,该模块的统一化规范化给上层的编排定制提供了标准上的统一。模型作为上层业务场景定制的入口,基于算子的标准化结构定义,在画布操作界面通过拖拉拽的方式对已有算子进行编排,统一进入上下游对接以及参数设置的规范化操作流程,屏蔽掉了底层的技术复杂性。
但是,在模型编排过程中,用户需要事先熟悉系统中有哪些可用算子,并且需要了解算子间的关联关系,知道哪些算子可以作为上游节点或下游节点,尤其在大量算子中寻找可以上下游对接的算子既耗时又费力,这在一定程度上给模型开发增加了难度。
基于此,本申请实施例提供了一种业务分析模型的编排方法,在该方法中,在模型编排区域中添加第一业务算子后,还会在算子推荐区域中显示至少一个推荐业务算子,这样,用户可以通过算子推荐区域查看到与第一业务算子之间的算子匹配度较高的多个业务算子,从而用户可从这些业务算子中进行选择,降低业务算子的选择范围,进而辅助用户快速进行业务算子的选择,降低模型编排过程的时间消耗,提升了模型编排效率。
在介绍完本申请实施例的设计思想之后,下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍,需要说明的是,以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施过程中,可以根据实际需要灵活地应用本申请实施例提供的技术方案。
本申请实施例提供的方案可以适用于大数据处理场景中。如图1所示,为本申请实施例提供的一种应用场景图,在该场景中,包括终端设备101、后台服务器102以及业务数据库103。
终端设备101例如可以为手机、平板电脑(PAD)、笔记本电脑、台式电脑、智能电视以及智能可穿戴设备等。终端设备101可以安装有可以进行模型编排的应用,例如浏览器或者模型编排客户端等。本申请实施例涉及的应用可以是软件客户端,也可以是网页、小程序等客户端,不限制客户端的具体类型。
后台服务器102可以为终端设备101上安装的应用所对应的后台服务器,当应用为浏览器时,则后台服务器102为打开的模型编排页面的后台服务器。后台服务器102例如可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器,但并不局限于此。
后台服务器102可以包括一个或多个处理器1021、存储器1022以及与终端交互的I/O接口1023等。此外,后台服务器102还可以配置数据库1024,数据库1024可以用于存储业务算子相关信息等。其中,后台服务器102的存储器1022中还可以存储本申请实施例提供的业务分析模型的编排方法的程序指令,这些程序指令被处理器1021执行时能够用以实现本申请实施例提供的业务分析模型的编排方法的步骤,以构建业务分析模型。
在实际应用时,用户可以通过在应用上打开模型编排界面,从而在模型编排界面上进行模型编排过程,进而用户在模型编排界面进行的每一个操作,都可以发送给后台服务器102,从而后台服务器102基于用户的操作进行响应,并通过终端设备101的前端界面进行显示。例如,用户进行了一个算子添加操作,则后台服务器102响应于该操作,获取该算子相关的推荐算子,使得在前端界面中添加一个新的业务算子,并显示该算子相关的推荐算子。
在完成模型编排后,则可获得业务分析模型,用户可以选取业务数据库103中需要分析的业务数据,从而后台服务器102可以利用获得的业务分析模型对业务数据库103的业务数据进行业务分析,获得业务分析结果,例如锁定犯罪嫌疑人信息或者定位异常税务公司等。
终端设备101、后台服务器102和业务数据库103之间可以通过一个或者多个网络104进行直接或间接的通信连接。该网络104可以是有线网络,也可以是无线网络,例如无线网络可以是移动蜂窝网络,或者可以是无线保真(Wireless-Fidelity,WIFI)网络,当然还可以是其他可能的网络,本申请实施例对此不做限制。
需要说明的是,当终端设备101的存储能力和算力允许时,本申请实施例的方法也可通过终端设备101本地执行。
当然,本申请实施例提供的方法并不限用于图1所示的应用场景中,还可以用于其他可能的应用场景,本申请实施例并不进行限制。对于图1所示的应用场景的各个设备所能实现的功能将在后续的方法实施例中一并进行描述,在此先不过多赘述。
请参见图2,为本申请实施例提供的业务分析模型的编排方法的流程示意图,该方法可以通过图1中的后台服务器103或者终端设备101来执行,这里主要以后台服务器103来执行为例进行介绍,该方法的流程介绍如下。
步骤201:响应于针对业务算子集中第一业务算子进行的算子添加操作,在模型编排区域中添加第一业务算子;其中,一个业务算子用于实现业务分析模型的至少一个业务数据处理功能。
本申请实施例中,业务分析模型的编排操作可以在模型编排界面中进行,参见图3所示,为一种模型编排界面的示意图。其中,在该模型编排界面中,包含模型编排区域、算子选取区域以及算子推荐区域,需要说明的是,本申请实施例对于各个区域的布局和显示方式并不进行限制,例如在图3中,算子选择区域和算子推荐区域并列显示在右侧,在实际应用时,也可以仅在右侧显示算子选择区域,而算子推荐区域采用在模型编排区域中悬浮显示的方式进行显示。
在实际应用时,用户可以在算子选择区域或者算子推荐区域中选择需要的第一业务算子,以在算子编排区域中添加相应的第一业务算子。参见图4所示,为用户进行算子添加的操作示意图。其中,用户可以对需要的第一业务算子进行算子添加操作,该操作例如可以为拖拽操作,例如图4所示,用户可以算子5从算子选择区域拖拽至算子编排区域中合适的位置,从而在算子编排区域中添加算子5。
当然,算子添加操作也可以是其他任何可能的操作,例如算子编排界面中可提供添加操作控件,那么用户选中某个业务算子后,则可对添加按钮进行操作,以在算子编排区域中添加相应业务算子。
步骤202:在算子推荐区域中显示至少一个推荐业务算子;其中,每个推荐业务算子与第一业务算子之间的算子匹配度大于设定匹配度阈值。
本申请实施例中,为了提升模型编排的效率,同时降低模型编排人员的技术难度,从而提供了算子智能推荐的功能,即当用户添加一个业务算子之后,可以为该算子智能推荐算子匹配度大于设定匹配度阈值的多个推荐业务算子,即在算子推荐区域中显示至少一个推荐业务算子。
参见图4所示,当用户将算子5拖拽至模型编排区域之后,相应的,算子推荐区域也会进行更新,即更新显示为算子5相关的推荐业务算子。
在一种可能的实施方式中,获取推荐业务算子的过程可以是终端设备自行执行的。
具体的,终端设备可以预先存储业务算子集以及各个业务算子的属性特征集合,进而,在用户添加第一业务算子之后,可以基于第一业务算子的属性特征集合,以及自身存储的各个候选业务算子的各自对应的属性特征集合,确定第一业务算子与每一个候选业务算子之间的算子匹配度,从而可以基于获得的各个算子匹配度,从各个候选业务算子中确定出大于设定匹配度阈值的至少一个推荐业务算子。
此外,为了减少终端设备的存储空间消耗,也可以预先计算得到各个业务算子之间的算子匹配度,从而可以在终端设备中存储业务算子集以及计算得到的各个业务算子之间的算子匹配度,从而在进行业务算子推荐时,则可以直接基于存储的算子匹配度,确定出与第一业务算子之间的算子匹配度,大于设定匹配度阈值的推荐业务算子。
在一种可能的实施方式中,获取推荐业务算子的过程可以是后台服务器执行的。
具体的,在用户添加第一业务算子后,终端设备可以向后台服务器发送业务算子请求,该业务算子请求用于请求获取在算子推荐区域中显示的推荐业务算子,也就是请求获取与第一业务算子之间的算子匹配度大于一定要求的推荐业务算子。
相应的,后台服务器基于该业务算子请求,可以基于第一业务算子的属性特征集合,与各个候选业务算子各自对应的算子属性特征集合,确定第一业务算子与每一个候选业务算子之间的算子匹配度,进而基于获得的各个算子匹配度从各个候选业务算子中选择出的上述至少一个推荐业务算子,并将至少一个推荐业务算子返回给终端设备。
同样的,在后台服务器端,也可以预先计算得到各个业务算子之间的算子匹配度,从而在进行业务算子推荐时,则可以直接基于存储的算子匹配度,确定出与第一业务算子之间的算子匹配度,大于设定匹配度阈值的推荐业务算子。
具体的,后台服务器可以基于自身存储的所有候选业务算子任意两两进行组合,获得多个业务算子对,每个业务算子对由两个候选业务算子组成,进而可以基于各个候选业务算子各自对应的属性特征集合,确定每个业务算子对中两个候选业务算子之间的算子匹配度,并存储各个业务算子对各自对应的算子匹配度,进而当接收到终端设备基于算子添加操作触发的业务算子请求时,则可以基于第一业务算子的算子标识,从多个业务算子对中获取包含第一业务算子的业务算子对,并基于已存储的各个业务算子对各自对应的匹配度,为第一业务算子选取出至少一个推荐业务算子。
参见图5所示,为获取推荐业务算子的示意图。假设当前存在4个候选业务算子,则两两进行组合可得到6个业务算子对,参见图5所示依次编号为1~6,计算并存储每个业务算子对中两个候选业务算子之间的算子匹配度,当需要获取算子1的推荐业务算子时,则可以基于算子1的标识找到包含算子1的业务算子对,即图5所示的编号为1~3的业务算子对,进而从编号为1~3的业务算子对中为算子1选取推荐业务算子,例如可以选取匹配度最高的2个候选业务算子时,其中算子2和算子1的匹配度为80%,算子3和算子1的匹配度为90%,算子4和算子1的匹配度为60%,那么可以确定算子2和3为算子1的推荐业务算子。
当然,在实际应用中,业务算子集中的算子数量是很庞大的,这里仅以有限数量的业务算子进行示例,并不对其数量进行限制。
一般而言,对于一个业务算子而言,其可以对应上游业务算子和下游业务算子,参见图3和图4所示,在进行算子推荐时,可以针对上游业务算子和下游业务算子分别进行推荐,那么在计算算子匹配度时,也可以按照不同的上下游组合进行匹配度的计算。
其中,算子匹配度的计算将在后续的内容中进行介绍,因而在此先不进行赘述。
步骤203:响应于针对至少一个推荐业务算子中第二业务算子的算子添加操作,在模型编排区域中添加第二业务算子。
本申请实施例中,向用户显示至少一个推荐业务算子之后,则用户可以从推荐业务算子中选择所需的业务算子,即对至少一个推荐业务算子中第二业务算子进行的算子添加操作,从而响应于该算子添加操作,也可以在模型编排区域中添加第二业务算子。这样,用户无需从众多的业务算子中逐一进行选择,从而大大缩小业务算子的选择范围,降低用户的筛选时间,提升模型编排的效率。
步骤204:按照第一业务算子与第二业务算子的预设连接方式,将第一业务算子与第二业务算子进行连接。
本申请实施例中,可预先设置好两个业务算子之间的连接方式,预设连接方式可以是指两个业务算子的相对位置关系,以及这两个业务算子的输入字段和输出字段的对应关系,即上游业务算子的输出字段输出给下游业务算子的哪个输入字段。
具体而言,对于两个业务算子而言,一个业务算子需得作为另一个业务算子的上游业务算子或者下游业务算子,而作为上游业务算子或者下游业务算子时的算子匹配度可能并不相同,因而在将这两个算子进行连接时,需要按照能够达到这两个业务算子之间的最大算子匹配度的连接方式进行连接。
具体的,用户在添加第二业务算子之后,那么第二业务算子可以作为第一业务算子的上游业务算子,也可以作为第一业务算子的下游业务算子,但在不同位置时,其对应的算子匹配度显然是不同的,例如第二业务算子作为第一业务算子的上游业务算子时的算子匹配度为20%,而第二业务算子作为第一业务算子的下游业务算子时的算子匹配度为90%,那么显然第二业务算子更适合作为第一业务算子的下游业务算子,从而将第二业务算子连接在第一业务算子的下游处。
需要说明的是,作为推荐业务算子的选取时的算子匹配度一般为两个业务算子之间的最大匹配度。
作为一种实施例,连接关系可以是固定的,因而可预先设置好每两个业务算子之间的连接关系,进而添加第一业务算子和第二业务算子之后,可基于这两个业务算子之间的预设连接关系进行连接。
步骤205:响应于编排结束操作,获得包含多个业务算子以及多个业务算子之间的连接关系的业务分析模型。
同样的,用户可以采用步骤201~203的任意过程添加其他的业务算子,在完成业务分析模型的编排过程后,那么用户可以进行编排结束操作,例如进行保存操作、封装操作或者模型导出操作等,相应的,响应于用户的编排结束操作,获得包含多个业务算子以及多个业务算子之间的连接关系的业务分析模型。
本申请实施例中,智能推荐算子的功能也可以基于用户的控制操作来开启或者关闭。
具体的,用户在模型编排区域添加了第一业务算子之后,则可以对该业务算子进行智能推荐启动操作,从而在模型编排界面上显示相应的算子推荐区域,并在该算子推荐区域中显示第一业务算子相关的推荐业务算子。
参见图6所示,为开启智能推荐算子功能的操作示意图,其中,用户在添加已选算子3之后,可进行右键操作,开启已选算子3相应的功能菜单,在该功能菜单中可包括智能推荐功能,从而用户可以对智能推荐功能栏进行操作,已开启对已选算子3的算子智能推荐功能,从而在算子推荐区域显示已选算子3相关的推荐业务算子。
其中,功能菜单中还包括其他的功能栏,如“试运行至此节点”功能是指利用当前已经添加的算子和连接关系进行模型试运行,当然,还可以包含其他任意可能的功能栏,本申请实施例对此不做限制。
本申请实施例中,每个业务算子的属性特征集合包括如下内容中的一种或者多种的组合:
(1)输入字段列表和输出字段列表
参见图7所示,为上下游算子对接示意图。其中,每个业务算子均可以包含输入字段列表和输出字段列表,且输入字段列表可以包含多个输入字段,以及输出字段列表可以包含多个输出字段,每个字段包含字段名称、字段类型以及字段描述等信息。
具体的,每个业务算子的输入字段,也就是该业务算子的输入参数信息,输出字段也就是该业务算子的输出结果信息,而上游业务算子的输出结果,需要输入至下游业务算子进行相应的业务逻辑,从而只有上游业务算子的输出字段和下游业务算子的输入字段能够匹配成功,上下游业务算子才可能实现对接,上下游业务算子的字段匹配程度越高,则代表上下游业务算子间的关联关系越强。
(2)历史引用数据
一个业务算子可以被用于多个模型,从该算子引出或接入的每条连线即代表一次引用,一般情况下,在其他模型中,两个业务算子同时被引用且存在上下游连接关系,那么表明这两者之间的算子匹配度一般是较高的,从而可以统计一个业务算子历史引用情况,从而衡量该业务算子与其他业务算子同时被引用且存在上下游连接关系的概率,作为两者之间算子匹配度的一种参考因素。
(3)算子描述信息
算子描述信息为业务算子的描述文本,例如可以包括算子的标签以及功能介绍等等。
下面,结合上述的属性特征集合,对两两业务算子之间的算子匹配度的计算进行介绍,由于任意一个业务算子对的计算过程均是类似的,因此这里具体以一个业务算子对,即第三业务算子和第四业务算子组成业务算子对为例进行介绍。
本申请实施例中,后台服务器可以事先以任务的方式增量计算或更新两两算子间的算子匹配度,且在进行算子匹配度的计算时,可以参考上述任一种属性特征进行计算,也可以综合多种属性特征进行算子匹配度的计算,这里具体以综合多种属性特征进行算子匹配度的计算为例进行介绍。参见图8所示,为算子匹配度的计算流程示意图。
步骤801:将第三业务算子和第四业务算子进行字段匹配,获得第三业务算子和第四业务算子之间的字段匹配度。
本申请实施例中,针对每一个业务算子对,可以基于该业务算子对中两个候选业务算子各自对应的输入字段列表和输出字段列表,获得这两个候选业务算子之间的字段匹配度,从而可以基于字段匹配度,获得相应的算子匹配度。
具体的,在进行两个业务算子的字段匹配时,可以有两种组合方式,例如针对第三业务算子和第四业务算子,则可以将第三业务算子作为上游业务算子,第四业务算子作为下游业务算子,这样,则可以基于第三业务算子的输出字段列表,以及第四业务算子的输入字段列表,可以获得字段匹配度的第一候选取值;此外,还可以将第三业务算子作为下游业务算子,第四业务算子作为上游业务算子,这样,则可以基于第四业务算子的输出字段列表,以及第三业务算子的输入字段列表,获得字段匹配度的第二候选取值,从而选取第一候选取值和第二候选取值中的最大值,确定为第三业务算子和第四业务算子之间的字段匹配度的取值。
这里具体以第三业务算子作为上游业务算子,第四业务算子作为下游业务算子为例,对第一候选取值的获取过程进行介绍,当然,第三业务算子作为下游业务算子,第四业务算子作为上游业务算子时的计算过程类似,因而不再进行赘述。
在一种可能的实施方式中,可以针对第三业务算子的输出字段列表中的每一个输出字段,分别获取该输出字段与第四业务算子的输入字段列表中各个输入字段之间的候选相似度,并从获得的各个字段相似度中选取取值最大的候选相似度,作为上述输出字段对应的字段相似度,从而基于第三业务算子的输出字段列表中输出字段的数量,以及各个输出字段各自对应的字段相似度,获得第一候选取值。
在另一种可能的实施方式中,也可以针对第四业务算子的输入字段列表中每一个输入字段,分别获取该输入字段与第三业务算子的输出字段列表中各个输出字段之间的候选相似度,并从获得的各个字段相似度中选取取值最大的候选相似度,作为上述输入字段对应的字段相似度,从而基于第四业务算子的输入字段列表中输入字段的数量,以及各个输入字段各自对应的字段相似度,获得第一候选取值。
本申请实施例中,采用基于统计的文本匹配方法,匹配上游业务算子的输出字段列表和下游业务算子的输入字段列表,当有多个输入字段时,根据名称滤重合并多输入字段为宽列表,计算字段间的匹配关系和相似度,统计参与计算的输入字段个数N和字段相似度si得到字段匹配度的候选取值S1,算法如下:
其中,si为第i个输入字段对应的字段相似度,i的取值为1~N。
参见图9所示,若第三业务算子的输出字段列表包含字段A~F,第四业务算子的输入字段列表包含字段1~6,则在计算第三业务算子与第四业务算子之间的第一候选取值时,首先可以对第四业务算子的输入字段进行滤重合并处理,即将字段名称相同的输入字段进行合并,这里以未包含重合字段为例,那么输入字段列表仍然是字段1~6,从而针对每一个字段,例如针对字段1,分别计算字段1与字段A~F之间的相似度,从而选取其中的最大相似度作为字段1对应的字段相似度,依此可以得到字段1~6分别对应的字段相似度,从而依据上述的候选取值S1的计算方法可得到第一候选取值。
同样的,还可以对第三业务算子的输出字段进行滤重合并处理,即将字段名称相同的输出字段进行合并,这里同样以未包含重合字段为例,那么输出字段列表仍然是字段A~F,从而针对每一个字段,例如针对字段A,分别计算字段1与字段1~6之间的相似度,从而选取其中的最大相似度作为字段A对应的字段相似度,依此可以得到字段A~F分别对应的字段相似度,从而依据上述的候选取值S1的计算方法可得到第一候选取值。
步骤802:确定第三业务算子和第四业务算子之间的历史引用匹配度。
本申请实施例中,基于第三业务算子和第四业务算子各自的历史引用数据,乐意统计得到第三业务算子和第四业务算子组成的业务算子对的引用次数l34,从而基于业务算子对的引用次数l34,所占所有业务算子对的引用次数之和的比例,确定该业务算子对的历史引用匹配度S2,表示如下:
其中,∑l为所有业务算子对的引用次数之和。
需要说明的是,这里的所有业务算子对可以是指业务算子集中所有业务算子对,也可以是指包含第三业务算子的所有业务算子对,或者是指包含第四业务算子的所有业务算子对。当为第三业务算子选取推荐业务算子时,则可以采用包含第三业务算子的所有业务算子对,当为第四业务算子选取推荐业务算子时,则可以采用包含第四业务算子的所有业务算子对。
进而,本申请实施例中在计算第三业务算子和第四业务算子之间的算子匹配度时,则可以参考历史引用匹配度来计算。
其中,针对一个业务算子对而言,其包括的两个候选业务算子在同一模型中存在一次连接关系,则其对应的引用次数加一。
步骤803:基于第三业务算子和第四业务算子的算子描述信息之间的文本相似度,确定第三业务算子和第四业务算子之间的文本匹配度。
本申请实施例中,算子描述信息用于对业务算子进行介绍,从而基于算子描述信息可以获取业务算子的相关分类以及功能信息等,所以还可以基于两个业务算子的算子描述信息,来衡量两个算子是否匹配。
具体的,可以利用文本分析方法,将第三业务算子和第四业务算子的算子描述信息进行文本匹配,从而获得第三业务算子和第四业务算子之间的文本匹配度S3。
需要说明的是,上述步骤801~803可以是先后依次进行的,也可以并行进行的,本申请实施例并不进行限制。
步骤804:基于字段匹配度、历史引用匹配度以及文本匹配度,获得第三业务算子和第四业务算子之间的算子匹配度。
具体的,可以将字段匹配度、历史引用匹配度以及文本匹配度进行加权求和,从而获得第三业务算子和第四业务算子之间的算子匹配度S,即:
其中,ri和si分别表示第i种匹配度的加权系数以及取值,加权系数根据实际效果和经验优化确定,i的取值1~m,即对应上述的字段匹配度、历史引用匹配度以及文本匹配度,当然,当存在其他类型的匹配度时,可以将其他匹配度参与加权计算。
以下以具体场景为例,来介绍本申请实施例的技术方案的业务应用。
这里以嫌疑人辅助分析模型为例,具体场景为某区域发生案件,目击人称嫌疑人年龄40岁左右,男性,身穿白色上衣,无案发现场照片,需要构建嫌疑人辅助分析模型来辅助锁定嫌疑人并布控嫌疑人的行为动向。
在进行模型构建时,首先考虑在有前科人员中进行检索,因而可以在模型编排区域中拖入一前科人员查询算子,过滤性别和年龄范围,输出字段含身份证、家庭住址、联系方式以及犯案类型等,从而此时会自动触发推荐查询,后天服务器溯源该算子的上下游关系,得到该算子的上下游推荐列表,默认按照算子匹配度从高到低进行排序取前L个业务算子,相应的,在模型编排界面中则会相应显示前科人员查询算子的下游推荐业务算子,根据推荐规则,查询和处理涉案人员相关信息的算子会被推荐在列表中,例如,备案人员出行信息查询算子、关键场所通道图片抓拍算子等与人员相关的算子会被推荐出来,而其他例如公司税务缴纳、交通事故处理等不相干或关联性不强的算子不会进入推荐列表,从而本申请实施例的技术方案可以帮助用户方便、快速的找到可用的算子进行模型编排,减少花费在无效算子上的寻找工作,把精力投入到模型逻辑的构思中,提升模型开发效率。
请参见图10,基于同一发明构思,本申请实施例还提供了一种业务分析模型的编排装置100,该装置包括:
算子添加单元1001,用于响应于针对业务算子集中第一业务算子进行的算子添加操作,在模型编排区域中添加第一业务算子;其中,一个业务算子用于实现业务分析模型的至少一个业务数据处理功能;以及,
算子推荐单元1002,用于在算子推荐区域中显示至少一个推荐业务算子;其中,每个推荐业务算子与第一业务算子之间的算子匹配度大于设定匹配度阈值;
算子添加单元1001,还用于响应于针对至少一个推荐业务算子中第二业务算子的算子添加操作,在模型编排区域中添加第二业务算子;并,
算子连接单元1003,用于按照所述第一业务算子与所述第二业务算子的预设连接方式,将所述第一业务算子与所述第二业务算子进行连接;
模型获得单元1004,用于响应于编排结束操作,获得包含多个业务算子以及多个业务算子之间的连接关系的业务分析模型,多个业务算子至少包括第一业务算子和第二业务算子。
可选的,该装置还包括匹配度计算单元1005,用于:
基于第一业务算子的属性特征集合,以及自身存储的各个候选业务算子的各自对应的属性特征集合,确定第一业务算子与每一个候选业务算子之间的算子匹配度;
基于获得的各个算子匹配度,从各个候选业务算子中确定出至少一个推荐业务算子。
可选的,该装置还包括收发单元1006,用于:
向后台服务器发送业务算子请求;其中,业务算子请求用于请求获取在算子推荐区域中显示的推荐业务算子;
接收后台服务器返回的至少一个推荐业务算子;其中,至少一个推荐业务算子为后台服务器,基于第一业务算子的属性特征集合,与各个候选业务算子各自对应的算子属性特征集合,确定第一业务算子与每一个候选业务算子之间的算子匹配度后,基于获得的各个算子匹配度从各个候选业务算子中选择出的。
可选的,算子推荐单元1002,具体用于:
基于自身存储的所有候选业务算子任意两两进行组合,获得多个业务算子对;其中,每个业务算子对由两个候选业务算子组成;
基于各个候选业务算子各自对应的属性特征集合,确定多个业务算子对中各个业务算子对中两个候选业务算子之间的算子匹配度,并存储各个业务算子对各自对应的算子匹配度;
响应于针对第一业务算子进行的算子添加操作,基于第一业务算子的算子标识,从多个业务算子对中获取包含第一业务算子的业务算子对;
基于已存储的各个业务算子对各自对应的匹配度,为第一业务算子选取出至少一个推荐业务算子。
可选的,属性特征集合包括业务算子的输入字段列表和输出字段列表,匹配度计算单元1005,具体用于:
针对各个业务算子对,分别执行如下操作:
针对一个业务算子对,基于一个业务算子对中两个候选业务算子各自对应的输入字段列表和输出字段列表,获得一个业务算子对中两个候选业务算子之间的字段匹配度;
基于两个候选业务算子之间的字段匹配度,获得一个业务算子对中两个候选业务算子之间的算子匹配度。
可选的,匹配度计算单元1005,具体用于:
基于第三业务算子的输出字段列表,以及第四业务算子的输入字段列表,获得字段匹配度的第一候选取值;以及,
基于第四业务算子的输出字段列表,以及第三业务算子的输入字段列表,获得字段匹配度的第二候选取值;
将第一候选取值和第二候选取值中的最大值,确定为字段匹配度的取值。
可选的,匹配度计算单元1005,具体用于:
针对第三业务算子的输出字段列表中的各个输出字段,分别执行如下操作:针对一个输出字段,分别获取一个输出字段与第四业务算子的输入字段列表中各个输入字段之间的候选相似度,并从获得的各个字段相似度中选取取值最大的候选相似度,作为一个输出字段对应的字段相似度;
基于第三业务算子的输出字段列表中输出字段的数量,以及各个输出字段各自对应的字段相似度,获得字段匹配度的第一候选取值。
可选的,属性特征集合包括历史引用数据,匹配度计算单元1005,具体用于:
基于一个业务算子对中两个候选业务算子的历史引用数据,确定一个业务算子对对应的引用次数;其中,若一个业务算子对中两个候选业务算子在同一模型中存在一次连接关系,引用次数加一;
基于一个业务算子对对应的引用次数,所占所有业务算子对的引用次数之和的比例,确定一个业务算子对对应的历史引用匹配度;
基于字段匹配度以及历史引用匹配度,获得一个业务算子对中两个候选业务算子之间的算子匹配度。
可选的,属性特征集合包括算子描述信息,匹配度计算单元1005,具体用于:
基于两个候选业务算子的算子描述信息之间的文本相似度,确定两个候选业务算子的文本相似度;
基于字段匹配度、历史引用匹配度以及文本匹配度,获得一个业务算子对中两个候选业务算子之间的算子匹配度。
该装置可以用于执行图2~图9所示的实施例中所示的方法,因此,对于该装置的各功能模块所能够实现的功能等可参考图2~图9所示的实施例的描述,不多赘述。
请参见图11,基于同一技术构思,本申请实施例还提供了一种计算机设备110,可以包括存储器1101和处理器1102。
所述存储器1101,用于存储处理器1102执行的计算机程序。存储器1101可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据计算机设备的使用所创建的数据等。处理器1102,可以是一个中央处理单元(central processing unit,CPU),或者为数字处理单元等等。本申请实施例中不限定上述存储器1101和处理器1102之间的具体连接介质。本申请实施例在图11中以存储器1101和处理器1102之间通过总线1103连接,总线1103在图11中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。所述总线1103可以分为地址总线、数据总线、控制总线等。为便于表示,图11中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器1101可以是易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器1101也可以是非易失性存储器(non-volatilememory),例如只读存储器,快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)、或者存储器1101是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器1101可以是上述存储器的组合。
处理器1102,用于调用所述存储器1101中存储的计算机程序时执行如图2~图9所示的实施例中设备所执行的方法。
在一些可能的实施方式中,本申请提供的方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在计算机设备上运行时,所述程序代码用于使所述计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的方法中的步骤,例如,所述计算机设备可以执行如图2~图9所示的实施例中设备所执行的方法。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种业务分析模型的编排方法,其特征在于,所述方法包括:
响应于针对业务算子集中第一业务算子的算子添加操作,在所述模型编排区域中添加所述第一业务算子;其中,一个业务算子用于实现所述业务分析模型的至少一个业务数据处理功能;以及,
在算子推荐区域中显示至少一个推荐业务算子;其中,每个推荐业务算子与所述第一业务算子之间的算子匹配度大于设定匹配度阈值;
响应于针对所述至少一个推荐业务算子中第二业务算子的算子添加操作,在所述模型编排区域中添加所述第二业务算子;并,
按照所述第一业务算子与所述第二业务算子的预设连接方式,将所述第一业务算子与所述第二业务算子进行连接;
响应于编排结束操作,获得包含多个业务算子以及多个业务算子之间的连接关系的业务分析模型,所述多个业务算子至少包括所述第一业务算子和所述第二业务算子。
2.如权利要求1所述的方法,其特征在于,在算子推荐区域中显示至少一个推荐业务算子之前,所述方法还包括:
基于所述第一业务算子的属性特征集合,以及自身存储的各个候选业务算子的各自对应的属性特征集合,确定所述第一业务算子与每一个候选业务算子之间的算子匹配度;
基于获得的各个算子匹配度,从所述各个候选业务算子中确定出所述至少一个推荐业务算子。
3.如权利要求1所述的方法,其特征在于,在算子推荐区域中显示至少一个推荐业务算子之前,所述方法还包括:
向后台服务器发送业务算子请求;其中,所述业务算子请求用于请求获取在所述算子推荐区域中显示的推荐业务算子;
接收所述后台服务器返回的所述至少一个推荐业务算子;其中,所述至少一个推荐业务算子为所述后台服务器,基于所述第一业务算子的属性特征集合,与各个候选业务算子各自对应的算子属性特征集合,确定所述第一业务算子与每一个候选业务算子之间的算子匹配度后,基于获得的各个算子匹配度从所述各个候选业务算子中选择出的。
4.如权利要求1-3任一所述的方法,其特征在于,在算子推荐区域中显示至少一个推荐业务算子之前,所述方法还包括:
基于自身存储的所有候选业务算子任意两两进行组合,获得多个业务算子对;其中,每个业务算子对由两个候选业务算子组成;
基于各个候选业务算子各自对应的属性特征集合,确定所述多个业务算子对中各个业务算子对中两个候选业务算子之间的算子匹配度,并存储所述各个业务算子对各自对应的算子匹配度;
响应于所述针对第一业务算子进行的算子添加操作,基于所述第一业务算子的算子标识,从所述多个业务算子对中获取包含所述第一业务算子的业务算子对;
基于已存储的所述各个业务算子对各自对应的匹配度,为所述第一业务算子选取出所述至少一个推荐业务算子。
5.如权利要求4所述的方法,其特征在于,所述属性特征集合包括业务算子的输入字段列表和输出字段列表,所述基于各个候选业务算子各自对应的属性特征集合,确定各个业务算子对中两个候选业务算子之间的算子匹配度,包括:
针对所述各个业务算子对,分别执行如下操作:
针对一个业务算子对,基于所述一个业务算子对中两个候选业务算子各自对应的输入字段列表和输出字段列表,获得所述一个业务算子对中两个候选业务算子之间的字段匹配度;
基于所述两个候选业务算子之间的字段匹配度,获得所述一个业务算子对中两个候选业务算子之间的算子匹配度。
6.如权利要求5所述的方法,其特征在于,所述一个业务算子对包括第三业务算子和第四业务算子,则所述基于所述一个业务算子对中两个候选业务算子各自对应的输入字段列表和输出字段列表,获得所述一个业务算子对中两个候选业务算子之间的字段匹配度,包括:
基于所述第三业务算子的输出字段列表,以及所述第四业务算子的输入字段列表,获得所述字段匹配度的第一候选取值;以及,
基于所述第四业务算子的输出字段列表,以及所述第三业务算子的输入字段列表,获得所述字段匹配度的第二候选取值;
将所述第一候选取值和所述第二候选取值中的最大值,确定为所述字段匹配度的取值。
7.如权利要求6所述的方法,其特征在于,基于所述第三业务算子的输出字段列表,以及所述第四业务算子的输入字段列表,获得所述字段匹配度的第一候选取值,包括:
针对所述第三业务算子的输出字段列表中的各个输出字段,分别执行如下操作:针对一个输出字段,分别获取所述一个输出字段与所述第四业务算子的输入字段列表中各个输入字段之间的候选相似度,并从获得的各个字段相似度中选取取值最大的候选相似度,作为所述一个输出字段对应的字段相似度;
基于第三业务算子的输出字段列表中输出字段的数量,以及所述各个输出字段各自对应的字段相似度,获得所述字段匹配度的第一候选取值。
8.如权利要求5所述的方法,其特征在于,所述属性特征集合包括历史引用数据,则在基于所述两个候选业务算子之间的字段匹配度,获得所述一个业务算子对中两个候选业务算子之间的算子匹配度之前,所述方法还包括:
基于所述一个业务算子对中两个候选业务算子的历史引用数据,确定所述一个业务算子对对应的引用次数;其中,若一个业务算子对中两个候选业务算子在同一模型中存在一次连接关系,引用次数加一;
基于所述一个业务算子对对应的引用次数,所占所有业务算子对的引用次数之和的比例,确定所述一个业务算子对对应的历史引用匹配度;
则基于所述两个候选业务算子之间的字段匹配度,获得所述一个业务算子对中两个候选业务算子之间的算子匹配度,包括:
基于所述字段匹配度以及所述历史引用匹配度,获得所述一个业务算子对中两个候选业务算子之间的算子匹配度。
9.如权利要求8所述的方法,其特征在于,所述属性特征集合包括算子描述信息,则在基于所述字段匹配度以及所述历史引用匹配度,获得所述一个业务算子对中两个候选业务算子之间的算子匹配度之前,所述方法还包括:
基于所述两个候选业务算子的算子描述信息之间的文本相似度,确定所述两个候选业务算子的文本相似度;
基于所述两个候选业务算子的文本相似度,获得所述一个业务算子对中两个候选业务算子之间的算子匹配度,包括:
基于所述字段匹配度、所述历史引用匹配度以及所述文本匹配度,获得所述一个业务算子对中两个候选业务算子之间的算子匹配度。
10.一种业务分析模型的编排装置,其特征在于,所述装置包括:
算子添加单元,用于响应于针对业务算子集中第一业务算子的算子添加操作,在所述模型编排区域中添加所述第一业务算子;其中,一个业务算子用于实现所述业务分析模型的至少一个业务数据处理功能;以及,
算子推荐单元,用于在算子推荐区域中显示至少一个推荐业务算子;其中,每个推荐业务算子与所述第一业务算子之间的算子匹配度大于设定匹配度阈值;
算子添加单元,还用于响应于针对所述至少一个推荐业务算子中第二业务算子的算子添加操作,在所述模型编排区域中添加所述第二业务算子;并,
算子连接单元,用于按照所述第一业务算子与所述第二业务算子的预设连接方式,将所述第一业务算子与所述第二业务算子进行连接;
模型获得单元,用于响应于编排结束操作,获得包含多个业务算子以及多个业务算子之间的连接关系的业务分析模型,所述多个业务算子至少包括所述第一业务算子和所述第二业务算子。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,
所述处理器执行所述计算机程序时实现权利要求1至9任一项所述方法的步骤。
12.一种计算机存储介质,其上存储有计算机程序指令,其特征在于,
该计算机程序指令被处理器执行时实现权利要求1至9任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767515.4A CN113591934A (zh) | 2021-07-07 | 2021-07-07 | 业务分析模型的编排方法、装置和设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767515.4A CN113591934A (zh) | 2021-07-07 | 2021-07-07 | 业务分析模型的编排方法、装置和设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591934A true CN113591934A (zh) | 2021-11-02 |
Family
ID=78246588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110767515.4A Pending CN113591934A (zh) | 2021-07-07 | 2021-07-07 | 业务分析模型的编排方法、装置和设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591934A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114880131A (zh) * | 2022-07-11 | 2022-08-09 | 中科雨辰科技有限公司 | 一种基于任务的动态编排系统 |
CN115167846A (zh) * | 2022-09-07 | 2022-10-11 | 浙江大华技术股份有限公司 | 下游算子的推荐方法、电子设备及计算机可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140130009A1 (en) * | 2012-11-07 | 2014-05-08 | Oracle International Corporation | System and method for composing a telecommunication application by orchestrating application components |
CN109409848A (zh) * | 2018-11-28 | 2019-03-01 | 厦门市美亚柏科信息股份有限公司 | 开放式流程的节点智能推荐方法、终端设备及存储介质 |
CN110851428A (zh) * | 2019-11-19 | 2020-02-28 | 厦门市美亚柏科信息股份有限公司 | 基于规则算子动态编排的数据库分析方法、装置及介质 |
CN111080170A (zh) * | 2019-12-30 | 2020-04-28 | 北京云享智胜科技有限公司 | 一种工作流建模方法、装置、电子设备及存储介质 |
CN112069456A (zh) * | 2020-09-21 | 2020-12-11 | 北京明略昭辉科技有限公司 | 一种模型文件的生成方法、装置、电子设备及存储介质 |
CN112558931A (zh) * | 2020-12-09 | 2021-03-26 | 中国电子科技集团公司第二十八研究所 | 一种面向用户工作流模式的智能模型构建及运行方法 |
CN112949061A (zh) * | 2021-03-01 | 2021-06-11 | 北京清华同衡规划设计研究院有限公司 | 基于可复用算子的村镇发展模型构建方法和系统 |
-
2021
- 2021-07-07 CN CN202110767515.4A patent/CN113591934A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140130009A1 (en) * | 2012-11-07 | 2014-05-08 | Oracle International Corporation | System and method for composing a telecommunication application by orchestrating application components |
CN109409848A (zh) * | 2018-11-28 | 2019-03-01 | 厦门市美亚柏科信息股份有限公司 | 开放式流程的节点智能推荐方法、终端设备及存储介质 |
CN110851428A (zh) * | 2019-11-19 | 2020-02-28 | 厦门市美亚柏科信息股份有限公司 | 基于规则算子动态编排的数据库分析方法、装置及介质 |
CN111080170A (zh) * | 2019-12-30 | 2020-04-28 | 北京云享智胜科技有限公司 | 一种工作流建模方法、装置、电子设备及存储介质 |
CN112069456A (zh) * | 2020-09-21 | 2020-12-11 | 北京明略昭辉科技有限公司 | 一种模型文件的生成方法、装置、电子设备及存储介质 |
CN112558931A (zh) * | 2020-12-09 | 2021-03-26 | 中国电子科技集团公司第二十八研究所 | 一种面向用户工作流模式的智能模型构建及运行方法 |
CN112949061A (zh) * | 2021-03-01 | 2021-06-11 | 北京清华同衡规划设计研究院有限公司 | 基于可复用算子的村镇发展模型构建方法和系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114880131A (zh) * | 2022-07-11 | 2022-08-09 | 中科雨辰科技有限公司 | 一种基于任务的动态编排系统 |
CN114880131B (zh) * | 2022-07-11 | 2022-09-30 | 中科雨辰科技有限公司 | 一种基于任务的动态编排系统 |
CN115167846A (zh) * | 2022-09-07 | 2022-10-11 | 浙江大华技术股份有限公司 | 下游算子的推荐方法、电子设备及计算机可读存储介质 |
CN115167846B (zh) * | 2022-09-07 | 2022-12-20 | 浙江大华技术股份有限公司 | 下游算子的推荐方法、电子设备及计算机可读存储介质 |
WO2024051146A1 (en) * | 2022-09-07 | 2024-03-14 | Zhejiang Dahua Technology Co., Ltd. | Methods, systems, and computer-readable media for recommending downstream operator |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11004123B2 (en) | Method for trading goods on a computer network based on image processing for interest, emotion and affinity detection | |
US9798788B1 (en) | Holistic methodology for big data analytics | |
CN111046237B (zh) | 用户行为数据处理方法、装置、电子设备及可读介质 | |
US11019019B2 (en) | Dynamic hashtag ordering based on projected interest | |
US20150074122A1 (en) | Social recommendation across heterogeneous networks | |
CN113157947A (zh) | 知识图谱的构建方法、工具、装置和服务器 | |
CN113591934A (zh) | 业务分析模型的编排方法、装置和设备及存储介质 | |
CN112989059A (zh) | 潜在客户识别方法及装置、设备及可读计算机存储介质 | |
CN116194936A (zh) | 识别拟合目标域的传递学习过程的源数据集 | |
WO2024002167A1 (zh) | 一种操作预测方法及相关装置 | |
US11062224B2 (en) | Prediction using fusion of heterogeneous unstructured data | |
CN116661936A (zh) | 页面数据的处理方法、装置、计算机设备及存储介质 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
US11593740B1 (en) | Computing system for automated evaluation of process workflows | |
CN111859147B (zh) | 对象推荐方法、对象推荐装置和电子设备 | |
CN110837596B (zh) | 一种智能推荐方法、装置、计算机设备及存储介质 | |
CN112307334A (zh) | 信息推荐方法、信息推荐装置、存储介质与电子设备 | |
CN114818843A (zh) | 数据分析的方法、装置和计算设备 | |
CN111399731A (zh) | 图片的操作意图处理方法、推荐方法、装置、电子设备及存储介质 | |
JP2019159666A (ja) | 不動産情報提供システム | |
CN110197056B (zh) | 关系网络和关联身份识别方法、装置、设备和存储介质 | |
US20230267513A1 (en) | Ai and blockchain-based warehouse use system and method of using warehouse using the same | |
CN113885853A (zh) | 业务分析模型的运行方法、装置及设备 | |
CN117422523A (zh) | 产品上线方法、装置、计算机设备及存储介质 | |
CN117273960A (zh) | 产品推荐方法、装置、计算机设备及存储介质 |
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 |