CN113687933B - 一种模型级别确定方法及装置 - Google Patents

Abstract

本发明公开了一种模型级别确定方法及装置，可应用于大数据领域或金融领域，包括获取每一数据处理模型在数据处理模型集中的使用率参数，将使用率参数确定为第一参考值型；基于应用系统对应的模型调用流程图和每一数据处理模型的初始优先级系数，确定每一数据处理模型的第二参考值；获取每一数据处理模型的未使用时长，并基于未使用时长确定每一数据处理模型的第三参考值；基于上述各个参考值，确定每一数据处理模型的目标优先级系数。本发明能够基于数据处理模型的实际使用信息对数据处理模型的优先级进行实时调整，使得提升数据处理模型优先级确定的准确性，提升了数据处理效率。

Description

一种模型级别确定方法及装置

技术领域

本发明涉及数据处理技术领域，特别是涉及一种模型级别确定方法及装置。

背景技术

在大数据领域，计算资源管理是数据处理中关键的组成部分。在海量数据中，如果所有的数据都进行计算那么无法做到数据处理效率与资源高利用率的平衡。通常会通过调用相关的数据处理模型来对海量数据进行相关处理，在调用数据处理模型时若能够以最优的调度方式获得目标数据处理模型，则会提升数据处理效率。一般会依据数据处理模型的优先级完成模型的调用，但是现有的数据处理模型的优先级通常是预先设定的，无法满足灵活多变的数据处理应用场景，降低了数据处理效率。

发明内容

针对于上述问题，本发明提供一种模型级别确定方法及装置，实现了提升数据处理模型优先级确定的准确性，提升了数据处理效率。

为了实现上述目的，本发明提供了如下技术方案：

一种模型级别确定方法，包括：

获取每一数据处理模型在数据处理模型集中的使用率参数，将所述使用率参数确定为第一参考值，所述数据处理模型集包括多个数据处理模型；

基于应用系统对应的模型调用流程图和每一数据处理模型的初始优先级系数，确定每一数据处理模型的第二参考值，所述模型调用流程图为对所述应用系统进行数据处理时各个数据处理模型的执行顺序；

获取每一数据处理模型的未使用时长，并基于所述未使用时长确定每一数据处理模型的第三参考值；

基于所述第一参考值、第二参考值和第三参考值，确定每一数据处理模型的目标优先级系数。

可选地，所述获取每一数据处理模型在数据处理模型集中的使用率参数，包括：

获取各个数据处理模型的日平均使用次数；

计算数据处理模型集中各个数据处理模型的日平均使用次数的次数总和；

计算每一数据处理模型的日平均使用次数与次数总和的比值，将所述比值确定为每一数据处理模型在数据处理模型集中的使用率参数。

可选地，所述基于应用系统对应的模型调用流程图和每一数据处理模型的初始优先级系数，确定每一数据处理模型的第二参考值，包括：

获取应用系统对应的模型调用流程图；

若目标数据处理模型的优先级系数进行更新，基于所述模型调用流程图获取与所述目标数据处理模型对应的前置数据处理模型；

根据目标数据处理模型更新后的优先级系数，对所述前置数据处理模型的初始优先级系数进行更新；

将每一数据处理模型更新后的优先级系数确定为每一数据处理模型的第二参考值。

可选地，所述获取每一数据处理模型的未使用时长，并基于所述未使用时长确定每一数据处理模型的第三参考值，包括：

响应于接收到模型调用请求，获取每一数据处理模型针对所述调用请求未被调用的等待时间；

获取与所述等待时间对应的调整参数，基于所述调整参数对所述数据处理模型当前的优先级参数进行调整，获得所述数据处理模型的第三参考值。

可选地，所述方法还包括：

响应于接收到模型调用请求，基于每一数据处理模型的目标优先级系数，确定与所述模型调用请求相匹配的目标数据处理模型。

一种模型级别确定装置，包括：

第一确定单元，用于获取每一数据处理模型在数据处理模型集中的使用率参数，将所述使用率参数确定为第一参考值，所述数据处理模型集包括多个数据处理模型；

第二确定单元，用于基于应用系统对应的模型调用流程图和每一数据处理模型的初始优先级系数，确定每一数据处理模型的第二参考值，所述模型调用流程图为对所述应用系统进行数据处理时各个数据处理模型的执行顺序；

第三确定单元，用于获取每一数据处理模型的未使用时长，并基于所述未使用时长确定每一数据处理模型的第三参考值；

第四确定单元，用于基于所述第一参考值、第二参考值和第三参考值，确定每一数据处理模型的目标优先级系数。

可选地，所述第一确定单元包括：

第一获取子单元，用于获取各个数据处理模型的日平均使用次数；

第一计算子单元，用于计算数据处理模型集中各个数据处理模型的日平均使用次数的次数总和；

第一确定子单元，用于计算每一数据处理模型的日平均使用次数与次数总和的比值，将所述比值确定为每一数据处理模型在数据处理模型集中的使用率参数。

可选地，所述第二确定单元包括：

第二获取子单元，用于获取应用系统对应的模型调用流程图；

第三获取子单元，用于若目标数据处理模型的优先级系数进行更新，基于所述模型调用流程图获取与所述目标数据处理模型对应的前置数据处理模型；

更新子单元，用于根据目标数据处理模型更新后的优先级系数，对所述前置数据处理模型的初始优先级系数进行更新；

第二确定子单元，用于将每一数据处理模型更新后的优先级系数确定为每一数据处理模型的第二参考值。

可选地，所述第三确定单元包括：

第四获取子单元，用于响应于接收到模型调用请求，获取每一数据处理模型针对所述调用请求未被调用的等待时间；

调整子单元，用于获取与所述等待时间对应的调整参数，基于所述调整参数对所述数据处理模型当前的优先级参数进行调整，获得所述数据处理模型的第三参考值。

可选地，所述装置还包括：

第五确定单元，用于响应于接收到模型调用请求，基于每一数据处理模型的目标优先级系数，确定与所述模型调用请求相匹配的目标数据处理模型。

相较于现有技术，本发明提供了一种模型级别确定方法及装置，包括获取每一数据处理模型在数据处理模型集中的使用率参数，将使用率参数确定为第一参考值型；基于应用系统对应的模型调用流程图和每一数据处理模型的初始优先级系数，确定每一数据处理模型的第二参考值；获取每一数据处理模型的未使用时长，并基于未使用时长确定每一数据处理模型的第三参考值；基于上述各个参考值，确定每一数据处理模型的目标优先级系数。本发明能够基于数据处理模型的实际使用信息对数据处理模型的优先级进行实时调整，使得提升数据处理模型优先级确定的准确性，提升了数据处理效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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发明的实施例，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为本发明实施例提供的一种模型级别确定方法的流程示意图；

图2为本发明实施例提供的一种模型级别确定装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有设定于已列出的步骤或单元，而是可包括没有列出的步骤或单元。

在本发明实施例中提供了一种模型级别确定方法，主要是确定数据处理应用系统中能够使用到的各个数据处理模型的优先级，其中，数据处理模型包括但不局限于数学模型、神经网络模型、人工智能模型等等。

本发明提供的模型级别确定方法及装置可可用于金融领域或其他领域，例如，可以应用于金融领域中的客户数据分析的应用场景。其他领域为金融领域之外的任意领域，例如，互联网数据处理领域。上述仅为示例，并不对本发明提供的模型级别确定方法及装置的应用领域进行限定。

参见图1，为本发明实施例提供的一种模型级别确定方法的流程示意图，该方法可以包括以下步骤：

S101、获取每一数据处理模型在数据处理模型集中的使用率参数，将所述使用率参数确定为第一参考值。

数据处理模型集中包括多个数据处理模型，可以是确定一个整体的数据处理集，即包括所有的数据处理模型，也可以是针对不同的应用系统或者应用需求创建数据处理模型集，如针对客户数据分析的应用场景对应的数据处理模型集可以包括数据归一化处理模型、用户画像数据处理模型、数据维度分析处理模型等等。

不同的数据处理需求利用的数据处理模型不同，因此，在确定数据处理模型的优先级时，可以基于数据处理模型的使用率参数进行确定。使用率参数表征数据处理模型的使用次数除以所有数据处理模型的总次数计算出该模型的重要程度参数。

S102、基于应用系统对应的模型调用流程图和每一数据处理模型的初始优先级系数，确定每一数据处理模型的第二参考值。

其中，模型调用流程图为应用系统进行数据处理时各个数据处理模型的执行顺序。例如，当前应用系统需要调用的数据处理模型包括模型1、模型3、模型4、模型5，对应的执行先后顺序为模型1-模型4-模型3-模型5。

基于该模型调用流程图主要是解决若对其中的某个模型的优先级参数进行调整后，会影响对应模型的优先级参数的问题。例如，对当前的数据处理模型的优先级进行调整，也需要对其前置数据处理模型进行对应调整。

依据上述调整规律，对模型调用流程图的数据处理模型的优先级参数调整后对应的参数为第二参考值。

S103、获取每一数据处理模型的未使用时长，并基于所述未使用时长确定每一数据处理模型的第三参考值。

该过程可以通过任务调度老化算法实现，当提交数据处理模型调用请求后，获取数据处理模型的未使用时长，即获取未运行模型的等待时间。例如，每当数据处理模型等待时间+1h时候，提高优先级，具体的，可以增加其原本模型优先级得分的10％，没超过一小时提高一次优先级。将根据该处理过程得到的数据处理模型的优先级确定为第三参考值。

S104、基于所述第一参考值、第二参考值和第三参考值，确定每一数据处理模型的目标优先级系数。

在经过上述处理之后，获得各个数据处理模型关于优先级对应的参考值之后，可以根据这些参考值确定最终各个数据处理模型的目标优先级系数。该过程可以是一个逐步确定的过程，即先根据第一参考值进行调整，然后第一参考值调整后的参数作为第二参考值调整时的基础数据，再进行调整，得到第二参考值，然后作为第三参考值调整的基础，得到的第三参考值可以是目标优先级系数。也可以是集合实际应用选取其中的两个参考值进行调整，还可以根据这三个调整后加权取得最终的目标优先级系数，本发明对此不进行限制。

本发明实施例提供了一种模型级别确定方法，包括获取每一数据处理模型在数据处理模型集中的使用率参数，将使用率参数确定为第一参考值型；基于应用系统对应的模型调用流程图和每一数据处理模型的初始优先级系数，确定每一数据处理模型的第二参考值；获取每一数据处理模型的未使用时长，并基于未使用时长确定每一数据处理模型的第三参考值；基于上述各个参考值，确定每一数据处理模型的目标优先级系数。本发明能够基于数据处理模型的实际使用信息对数据处理模型的优先级进行实时调整，使得提升数据处理模型优先级确定的准确性，提升了数据处理效率。

在一种可能的实现方式中，可以根据数据处理模型的调用次数在所有数据处理模型的调用次数的占比作为使用率参数。也可以是根据日平均使用次数的占比作为使用率参数，具体的，所述获取每一数据处理模型在数据处理模型集中的使用率参数，包括：获取各个数据处理模型的日平均使用次数；计算数据处理模型集中各个数据处理模型的日平均使用次数的次数总和；计算每一数据处理模型的日平均使用次数与次数总和的比值，将所述比值确定为每一数据处理模型在数据处理模型集中的使用率参数。

该过程可以基于PageRank算法实现，PageRank算法是赋予每个网页相同的重要性得分，通过迭代递归计算来更新每个页面节点的PageRank得分，直到得分稳定为止，以此评估网页重要程度。将该算法应用在本发明实施例中是通过数据点击量价值评估算法，收集调用某一数据处理模型的日平均使用次数：根据前一周的的模型调取次数，计算获取该数据处理模型的日平均使用次数。并对所有模型进行点击次数的数据收集，计算重要度并进行归一化处理，获得0-1的优先级比例，假设仓库包含两个模型：反洗钱模型与智能推荐模型，反洗钱模型的平均日查询次数为90次，智能推荐模型的平均日点击次数为10次，那么反洗钱模型的重要度＝90/(90+10)，智能推荐的重要度＝10/(90+10)，则同时计算两套数据时优先运行反洗钱模型，确保了重要模型数据的优先处理完成与展示，及时辅助更重要的反洗钱金融服务场景中的快速决策。

在本发明实施例中，所述基于应用系统对应的模型调用流程图和每一数据处理模型的初始优先级系数，确定每一数据处理模型的第二参考值，包括：获取应用系统对应的模型调用流程图；若目标数据处理模型的优先级系数进行更新，基于所述模型调用流程图获取与所述目标数据处理模型对应的前置数据处理模型；根据目标数据处理模型更新后的优先级系数，对所述前置数据处理模型的初始优先级系数进行更新；将每一数据处理模型更新后的优先级系数确定为每一数据处理模型的第二参考值。

其中，模型调用流程图是基于DAG图实现的。根据数据血缘模型的DAG图，使重要度高的数据分析模型前置的其他模型重要程度提升，通过累加计算得到数据分析模型的数据血缘DAG图中所有节点的重要度，根据该重要度进行数据计算优先级的排序。以银行系统业务处理为例，银行业务是根据DAG图里完成的模型调用流程组成的。如果只是单纯的计算单个模型的重要程度，当上游模型的重要程度较低时候，会延误重要程度高的模型调用。因此，我们还需要基于DAG图进行重要程度的二次纠正。根据数据血缘模型的DAG图，使高优先级的数据分析模型前置的其他模型重要程度提升。具体地，增加其原本模型优先级得分的10％。

在一种实现方式中，所述获取每一数据处理模型的未使用时长，并基于所述未使用时长确定每一数据处理模型的第三参考值，包括：响应于接收到模型调用请求，获取每一数据处理模型针对所述调用请求未被调用的等待时间；获取与所述等待时间对应的调整参数，基于所述调整参数对所述数据处理模型当前的优先级参数进行调整，获得所述数据处理模型的第三参考值。

该过程可以基于任务调度的老化算法实现，加入任务调度老化算法，每小时提升未运行的模型计算工作的优先级，确保当日批量在批量日结束前完成运行。

模型的当日等待时间为未被调用的等待时间，即提交数据处理模型调用请求后，未运行模型的等待时间。例如，每五分钟，更新一次模型等待时间，当模型等待时间超过1h时候，提高优先级。具体地，增加其原本模型优先级得分的10％。每超过一小时提高一次优先级。最后该任务优先级达到最高后进入运行队列，确保当日批量在批量日结束前完成运行。

基于上述调整和优化后可以得到各个数据处理模型的目标优先级系数，该目标优先级系数能够表示在下一次模型调用时选取数据处理模型的优先级，如优先级为9的数据处理模型会被优先调用，而优先级为1的数据处理模型会在其他模型被调用后才会被选择。

因此，根据等待队列中每个数据处理模型的优先级得分，判断下一个优先运行的具体数据处理模型。即响应于接收到模型调用请求，基于每一数据处理模型的目标优先级系数，确定与所述模型调用请求相匹配的目标数据处理模型。

在本发明实施例中提供的一种模型级别确定方法，是基于PageRank价值评估的数据分析计算模型优先级评估系统，大数据领域计算资源的管理一直是一个重要且关键的组成部分，模型计算需要大量数据、为了数据安全和节省成本，通常情况下不能采用多线程。在海量数据的库中，如果所有的数据都进行顺序计算那么无法做到速度与资源高利用率的平衡，如果能判断哪个请求更重要，那就能在进行数据处理的时候完成优先级更高的任务。因此，在计算资源有限的情况下如何进行重要模型的优先运行是需要解决的技术问题。本发明实施例提供了一个数据分析计算模型的数据优先级评估系统，基于PageRank模型中的数据点击量价值评估算法，通过数据分析模型的使用次数除以所有模型的总次数计算出该模型重要程度，同时根据数据血缘模型的DAG图，使重要度高的数据分析模型前置的其他模型重要程度提升，通过累加计算得到数据分析模型的数据血缘DAG图中所有节点的重要度，根据该重要度进行数据计算优先级的排序，对于该模型有一个问题是如果模型没有使用过，则数据重要程度为0，可能存在该模型一直排在队尾不进行计算，此时引入任务调度老化算法，提交数据处理模型调用请求后，未运行模型的等待时间。每当模型等待时间+1h时候，提高优先级。具体地，增加其原本模型优先级得分的10％，每超过一小时提高一次优先级。最后该任务优先级达到最高后进入运行队列，确保当日批量在批量日结束前完成运行。

例如，银行的数据处理模型涵盖方面较广，数量也较多，包括运营类产品定位分析、客户洞察分析、客户全生命周期管理。服务类个性化坐席分配、智能产品推荐、客户流失预警与客户粘度计算等。营销类渠道效果分析、差异化广告投放等。风险管理类反欺诈、反洗钱、在线授权等场景。相应的数据模型也多种多样，其中数据处理模型可以针对某部分数据进行功能性的处理，例如：客户的理财推荐模型可以对客户偏好数据进行处理。通过上述方法可以获取到处理效率最优的模型，使得业务数据的处理效率更高。

基于前述实施例在本发明实施例中还提供了一种模型级别确定装置，参见图2，包括：

第一确定单元10，用于获取每一数据处理模型在数据处理模型集中的使用率参数，将所述使用率参数确定为第一参考值，所述数据处理模型集包括多个数据处理模型；

第二确定单元20，用于基于应用系统对应的模型调用流程图和每一数据处理模型的初始优先级系数，确定每一数据处理模型的第二参考值，所述模型调用流程图为对所述应用系统进行数据处理时各个数据处理模型的执行顺序；

第三确定单元30，用于获取每一数据处理模型的未使用时长，并基于所述未使用时长确定每一数据处理模型的第三参考值；

第四确定单元40，用于基于所述第一参考值、第二参考值和第三参考值，确定每一数据处理模型的目标优先级系数。

可选地，所述第一确定单元包括：

第一获取子单元，用于获取各个数据处理模型的日平均使用次数；

第一计算子单元，用于计算数据处理模型集中各个数据处理模型的日平均使用次数的次数总和；

第一确定子单元，用于计算每一数据处理模型的日平均使用次数与次数总和的比值，将所述比值确定为每一数据处理模型在数据处理模型集中的使用率参数。

可选地，所述第二确定单元包括：

第二获取子单元，用于获取应用系统对应的模型调用流程图；

第三获取子单元，用于若目标数据处理模型的优先级系数进行更新，基于所述模型调用流程图获取与所述目标数据处理模型对应的前置数据处理模型；

更新子单元，用于根据目标数据处理模型更新后的优先级系数，对所述前置数据处理模型的初始优先级系数进行更新；

第二确定子单元，用于将每一数据处理模型更新后的优先级系数确定为每一数据处理模型的第二参考值。

可选地，所述第三确定单元包括：

第四获取子单元，用于响应于接收到模型调用请求，获取每一数据处理模型针对所述调用请求未被调用的等待时间；

调整子单元，用于获取与所述等待时间对应的调整参数，基于所述调整参数对所述数据处理模型当前的优先级参数进行调整，获得所述数据处理模型的第三参考值。

可选地，所述装置还包括：

第五确定单元，用于响应于接收到模型调用请求，基于每一数据处理模型的目标优先级系数，确定与所述模型调用请求相匹配的目标数据处理模型。

本发明实施例提供了一种模型级别确定装置，包括获取每一数据处理模型在数据处理模型集中的使用率参数，将使用率参数确定为第一参考值型；基于应用系统对应的模型调用流程图和每一数据处理模型的初始优先级系数，确定每一数据处理模型的第二参考值；获取每一数据处理模型的未使用时长，并基于未使用时长确定每一数据处理模型的第三参考值；基于上述各个参考值，确定每一数据处理模型的目标优先级系数。本发明能够基于数据处理模型的实际使用信息对数据处理模型的优先级进行实时调整，使得提升数据处理模型优先级确定的准确性，提升了数据处理效率。

基于前述实施例，本发明的实施例提供一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如上任一项的模型级别确定方法的步骤。

本发明实施例还提供了一种电子设备，包括存储器、处理器以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程序时实现的模型级别确定的步骤。

需要说明的是，上述处理器或CPU可以为特定用途集成电路(ApplicationSpecific Integrated Circuit，ASIC)、数字信号处理器(DigitalSignalProcessor，DSP)、数字信号处理装置(DigitalSignal Processing Device，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、现场可编程门阵列(Field Programmable GateArray，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本发明实施例不作具体限定。

需要说明的是，上述计算机存储介质/存储器可以是只读存储器(Read OnlyMemory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic RandomAccess Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CompactDisc Read-Only Memory，CD-ROM)等存储器；也可以是包括上述存储器之一或任意组合的各种终端，如移动电话、计算机、平板设备、个人数字助理等。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理模块中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。

本发明所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。

本发明所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种模型级别确定方法，其特征在于，包括：

获取每一数据处理模型在数据处理模型集中的使用率参数，将所述使用率参数确定为第一参考值，所述数据处理模型集包括多个数据处理模型；

基于应用系统对应的模型调用流程图和每一数据处理模型的初始优先级系数，确定每一数据处理模型的第二参考值，所述模型调用流程图为对所述应用系统进行数据处理时各个数据处理模型的执行顺序；

获取每一数据处理模型的未使用时长，并基于所述未使用时长确定每一数据处理模型的第三参考值；

基于所述第一参考值、第二参考值和第三参考值，确定每一数据处理模型的目标优先级系数；

所述获取每一数据处理模型在数据处理模型集中的使用率参数，包括：

获取各个数据处理模型的日平均使用次数；

计算数据处理模型集中各个数据处理模型的日平均使用次数的次数总和；

计算每一数据处理模型的日平均使用次数与次数总和的比值，将所述比值确定为每一数据处理模型在数据处理模型集中的使用率参数；

所述基于应用系统对应的模型调用流程图和每一数据处理模型的初始优先级系数，确定每一数据处理模型的第二参考值，包括：

获取应用系统对应的模型调用流程图；

若目标数据处理模型的优先级系数进行更新，基于所述模型调用流程图获取与所述目标数据处理模型对应的前置数据处理模型；

根据目标数据处理模型更新后的优先级系数，对所述前置数据处理模型的初始优先级系数进行更新；

将每一数据处理模型更新后的优先级系数确定为每一数据处理模型的第二参考值；

所述获取每一数据处理模型的未使用时长，并基于所述未使用时长确定每一数据处理模型的第三参考值，包括：

响应于接收到模型调用请求，获取每一数据处理模型针对所述调用请求未被调用的等待时间；

获取与所述等待时间对应的调整参数，基于所述调整参数对所述数据处理模型当前的优先级参数进行调整，获得所述数据处理模型的第三参考值。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

响应于接收到模型调用请求，基于每一数据处理模型的目标优先级系数，确定与所述模型调用请求相匹配的目标数据处理模型。

3.一种模型级别确定装置，其特征在于，包括：

第一确定单元，用于获取每一数据处理模型在数据处理模型集中的使用率参数，将所述使用率参数确定为第一参考值，所述数据处理模型集包括多个数据处理模型；

第二确定单元，用于基于应用系统对应的模型调用流程图和每一数据处理模型的初始优先级系数，确定每一数据处理模型的第二参考值，所述模型调用流程图为对所述应用系统进行数据处理时各个数据处理模型的执行顺序；

第三确定单元，用于获取每一数据处理模型的未使用时长，并基于所述未使用时长确定每一数据处理模型的第三参考值；

第四确定单元，用于基于所述第一参考值、第二参考值和第三参考值，确定每一数据处理模型的目标优先级系数；

所述第一确定单元包括：

第一获取子单元，用于获取各个数据处理模型的日平均使用次数；

第一计算子单元，用于计算数据处理模型集中各个数据处理模型的日平均使用次数的次数总和；

第一确定子单元，用于计算每一数据处理模型的日平均使用次数与次数总和的比值，将所述比值确定为每一数据处理模型在数据处理模型集中的使用率参数；

所述第二确定单元包括：

第二获取子单元，用于获取应用系统对应的模型调用流程图；

第三获取子单元，用于若目标数据处理模型的优先级系数进行更新，基于所述模型调用流程图获取与所述目标数据处理模型对应的前置数据处理模型；

更新子单元，用于根据目标数据处理模型更新后的优先级系数，对所述前置数据处理模型的初始优先级系数进行更新；

第二确定子单元，用于将每一数据处理模型更新后的优先级系数确定为每一数据处理模型的第二参考值；

所述第三确定单元包括：

第四获取子单元，用于响应于接收到模型调用请求，获取每一数据处理模型针对所述调用请求未被调用的等待时间；

调整子单元，用于获取与所述等待时间对应的调整参数，基于所述调整参数对所述数据处理模型当前的优先级参数进行调整，获得所述数据处理模型的第三参考值。

4.根据权利要求3所述的装置，其特征在于，所述装置还包括：

第五确定单元，用于响应于接收到模型调用请求，基于每一数据处理模型的目标优先级系数，确定与所述模型调用请求相匹配的目标数据处理模型。