CN113868368A - 用于信息处理的方法、电子设备和计算机程序产品 - Google Patents
用于信息处理的方法、电子设备和计算机程序产品 Download PDFInfo
- Publication number
- CN113868368A CN113868368A CN202010621888.6A CN202010621888A CN113868368A CN 113868368 A CN113868368 A CN 113868368A CN 202010621888 A CN202010621888 A CN 202010621888A CN 113868368 A CN113868368 A CN 113868368A
- Authority
- CN
- China
- Prior art keywords
- service request
- subset
- request records
- model
- records
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
- G06F16/2379—Updates performed during online database operations; commit processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/34—Browsing; Visualisation therefor
- G06F16/345—Summarisation for human users
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
Abstract
本公开的实施例涉及用于信息处理的方法、电子设备和计算机程序产品。根据本公开的示例性实现,该方法包括:获取服务请求记录集合,服务请求记录集合中的每个服务请求记录涉及用户在被提供服务时遇到的问题和针对问题的解决方案;基于服务请求记录集合中的第一子集以及初始模型来构建语言模型,初始模型是使用预定语料库训练的,并且用于确定语料库中的单词和句子的向量表示;以及基于服务请求记录集合中的第二子集以及语言模型来构建分类模型,分类模型能够确定针对待处理问题的解决方案,第一子集不同于第二子集。由此,可以提高工程师解决这些问题的效率和提升用户体验。
Description
技术领域
本公开的实施例总体涉及信息处理,具体涉及用于信息处理的方法、电子设备和计算机程序产品。
背景技术
随着信息技术的发展,提供信息服务的公司日益增长。尤其是对于提供大规模和复杂信息服务的公司,用户在使用这种公司所提供的信息服务时容易遇到各种问题。这些问题可能是由软件缺陷、硬件或网络问题或操作错误引起的。为此,技术支持工程师团队需要处理有关问题报告的大量服务请求。然而,如何快速和高效地找到可能解决服务请求中报告的问题的解决方案或解决方案的相关资料是一项困难的任务。
发明内容
本公开的实施例提供了用于信息处理的方法、电子设备和计算机程序产品。
在本公开的第一方面,提供了一种用于信息处理的方法。该方法包括:获取服务请求记录集合,服务请求记录集合中的每个服务请求记录涉及用户在被提供服务时遇到的问题和针对问题的解决方案;基于服务请求记录集合中的第一子集以及初始模型来构建语言模型,初始模型是使用预定语料库训练的,并且用于确定语料库中的单词和句子的向量表示;以及基于服务请求记录集合中的第二子集以及语言模型来构建分类模型,分类模型能够确定针对待处理问题的解决方案,第一子集不同于第二子集。
在本公开的第二方面,提供了一种电子设备。该设备包括至少一个处理单元和至少一个存储器。至少一个存储器被耦合到至少一个处理单元并且存储用于由至少一个处理单元执行的指令。该指令当由至少一个处理单元执行时使得设备执行动作,该动作包括:获取服务请求记录集合,服务请求记录集合中的每个服务请求记录涉及用户在被提供服务时遇到的问题和针对问题的解决方案;基于服务请求记录集合中的第一子集以及初始模型来构建语言模型,初始模型是使用预定语料库训练的,并且用于确定语料库中的单词和句子的向量表示;以及基于服务请求记录集合中的第二子集以及语言模型来构建分类模型,分类模型能够确定针对待处理问题的解决方案,第一子集不同于第二子集。
在本公开的第三方面,提供了一种计算机程序产品。计算机程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令,机器可执行指令在被执行时使机器实现根据本公开的第一方面所描述的方法的任意步骤。
提供发明内容部分是为了以简化的形式来介绍对概念的选择,它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本公开的关键特征或必要特征,也无意限制本公开的范围。
附图说明
通过结合附图对本公开示例性实施例进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施例中,相同的参考标号通常代表相同部件。
图1示出了本公开的一些实施例能够在其中实现的示例环境的示意图;
图2示出了根据本公开的一些实施例的服务请求记录的示例的示意图;
图3示出了根据本公开的一些实施例的初始模型、语言模型和分类模型的构建的过程的示例的示意图;
图4示出了根据本公开的一些实施例的基础模型的示例的示意图;
图5示出了根据本公开的一些实施例的语言模型的构建的过程的示例的示意图;
图6示出了根据本公开的一些实施例的分类模型的构建的过程的示例的示意图;
图7示出了根据本公开的一些实施例的分类模型与双向长短期记忆(BiLSTM)语言模型的比较的示例的示意图;
图8示出了根据本公开的一些实施例的用于构建分类模型的方法的流程图;以及
图9示出了可以用来实施本公开内容的实施例的示例设备的示意性框图。
在各个附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施例。虽然附图中显示了本公开的优选实施例,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
传统上,如上所述,提供信息服务的公司的技术支持工程师团队需要处理有关问题报告的大量服务请求。为了提高效率并向其他工程师提供帮助,解决问题的工程师通常会总结和记录修复和解决常见问题的过程。为此,当修复和解决了服务请求中报告的问题时,针对该问题的解决方案的信息可以被存储到服务请求记录中。在一些情况下,用于修复和解决各类问题的过程可以形成为各种知识库。
然而,在大多数技术支持工程师团队中,团队成员通常具有不同的经验水平,并且初级工程师的效率要比高级工程师低得多。为此,如何帮助工程师快速和高效地找到可能解决服务请求中报告的问题的解决方案或解决方案的相关资料是一项困难的任务。
根据本公开的示例实施例,提出了一种改进方案。在该方案中,可以获取服务请求记录集合,并且基于服务请求记录集合中的第一子集以及初始模型来构建语言模型。服务请求记录集合中的每个服务请求记录涉及用户在被提供服务时遇到的问题和针对问题的解决方案。初始模型是使用预定语料库训练的,并且用于确定语料库中的单词和句子的向量表示。进一步地,可以基于服务请求记录集合中的、与第一子集不同的第二子集以及语言模型来构建分类模型。分类模型能够确定针对待处理问题的解决方案。
以此方式,本方案可以快速和高效地确定服务请求中所报告的问题的解决方案,从而提高工程师解决这些问题的效率和提升用户体验。
在下文中,将结合图1-图9更详细地描述本方案的具体示例。图1示出了根据本公开的一些实施例的示例环境100的示意图。环境100包括计算设备110。计算设备110可以获取服务请求记录集合120和初始模型130。服务请求记录集合120包括多个服务请求记录。每个服务请求记录中包含用户在被提供服务时遇到的问题和针对该问题的解决方案。在一些实施例中,该解决方案也可以是包含解决方案或者解决方案的相关知识的知识库。
图2示出了根据本公开的一些实施例的服务请求记录200的示例的示意图。如图2所示,服务请求记录200包括问题的摘要210、问题的详细描述220和针对该问题的解决方案的标识230。例如,问题的摘要210和问题的详细描述220可以是包含多个单词的非结构化文本的组合,诸如客户描述、系统日志、存储器转储文件、性能统计信息和堆栈跟踪等。在一些情况下,服务请求记录200中存储了有效的解决方案的标识230,例如解决方案的名称、编号、索引、地址等。然而,在一些情况下,服务请求记录200中存储的解决方案的标识230可能是无效的,并且可以用预定值(例如,“NA”)表示。
返回参考图1,初始模型130可以是使用预定语料库对基础模型进行训练得到的,并且用于确定语料库中的单词和句子的向量表示。基础模型可以通过Transformer模型、循环神经网络(RNN),或者长短期记忆(LSTM)网络来实现。
计算设备110可以基于服务请求记录集合120中的子集(在下文中,称为“第一子集”)以及初始模型130来构建语言模型140。进一步地,计算设备110可以基于服务请求记录集合120中的另一子集(在下文中,称为“第二子集”)以及语言模型140来构建分类模型150。分类模型150能够确定针对待处理问题的解决方案。由此,计算设备110在接收到新服务请求时,可以将新服务请求应用于分类模型150,以快速和高效地确定该新服务请求中报告的待处理问题的解决方案。因此,可以提高问题解决效率和提升用户体验。
在下文中,将结合图3-图6更详细地描述计算设备110所执行的操作。图3示出了根据本公开的一些实施例的初始模型、语言模型和分类模型的构建的过程300的示例的示意图。例如,过程300可以由如图1所示的计算设备110来执行。应当理解的是,过程300还可以包括未示出的附加步骤和/或可以省略所示出的步骤,本公开的范围在此方面不受限制。
如上所述,计算设备110可以获取初始模型130。初始模型130可以是使用预定语料库312对基础模型310进行训练来构建314的,并且可以用于确定预定语料库312中的单词和句子的向量表示。例如,初始模型130可以输出表示单词的预定大小(例如,50维)的向量。
在一些实施例中,初始模型130的构建314可以由计算设备110执行。备选地,构建314也可以由其他主体执行。基础模型310可以通过Transformer模型、循环神经网络(RNN),或者长短期记忆(LSTM)网络来实现。预定语料库312可以是具有大量单词和句子的语料库,例如维基百科语料库、书籍语料库等。
图4示出了根据本公开的一些实施例的基础模型310的示例的示意图400。以基础模型310通过Transformer模型来实现为例,基础模型310包括Transformer模型的多个堆叠的编码器(例如,12个)。Transformer模型是一种用于学习文本中的单词之间的上下文关系的注意力机制。堆叠的编码器的数目决定了基础模型310的参数的数目。由于编码器读取了多个单词,因此可以被认为是双向的。这种特性使基础模型310可以基于单词的周围环境(例如,位于单词附近的其他单词)来学习单词的上下文。
如图4所示,基础模型310的输入是作为标记的多个单词410。应当理解的是,图4所示的单词410的数目仅是示例性的,在每次迭代中(例如,在每个时期(epoch)中),可以输入任何合适的数目的单词,例如128、256、512个单词等。
在一些实施例中,输入的单词410可以以预定单词(例如,“[CLS]”)开头,并且句子之间也可以用预定单词(例如,“[SEP]”)分隔(未示出)。这些单词410首先被转换为向量,然后在堆叠的编码器中进行处理。基础模型310的输出是预定大小的多个向量表示,多个向量表示中的每个向量表示对应于处于相同位置的单词。而对应于开头的预定单词(例如,“[CLS]”)的向量表示可以被认识为句子的向量表示。
返回参考图3,为了使用预定语料库312将基础模型310训练为初始模型130。在构建314阶段中,可以采用屏蔽语言模型(MLM)和下一句子预测(NSP)这两种策略。
在屏蔽语言模型策略中,多个单词中的一些单词被替换为预定单词(例如,“[MASK]”),并且然后被输入基础模型310中以进行训练。在一些实施例中,可以替换预定比例(例如,15%)的单词。这种替换过程也可以被认为是利用预定单词来屏蔽单词的过程。基础模型310可以基于未屏蔽的其他单词提供的上下文,尝试预测被屏蔽的单词。例如,可以通过softmax函数来计算语料库312中的每个单词是被屏蔽的单词的概率。通过调整基础模型310的参数,以使预测的单词趋近于实际的被屏蔽的单词,实现了对基础模型310的训练。
此外,在下一句子预测策略中,基础模型310接收成对的句子作为输入,并且尝试预测成对的句子中的第二个句子是否是第一个句子所位于的上下文中的后续句子。为此,需要在基础模型310生成的针对开头的预定单词(例如,“[CLS]”)的输出上添加分类层,以预测第二个句子是否是后续句子(例如,分类为“真”或“假”)。通过调整基础模型310的参数,以使预测结果趋近于实际结果,实现了对基础模型310的训练。
以上描述了初始模型130的构建。应当理解的是,由于初始模型130是使用具有大量单词和句子的预定语料库312构建的,因此在后续过程中,仅需要使用具有相对较少的单词和句子的服务请求记录集合对初始模型130进行微调就可以构建出语言模型140并且生成分类模型150。由此,提高了分类模型150确定的解决方案的准确性。
计算设备110可以获取初始模型130和服务请求记录集合120,并且基于服务请求记录集合120中的第一子集以及初始模型130来构建324语言模型140。具体地,在一些实施例中,计算设备110可以从服务请求记录集合120中确定第一子集。第一子集中的每个服务请求记录具有的解决方案的标识为无效标识(例如,“NA”)。
计算设备110可以基于第一子集中的每个服务请求记录的生成时间,将第一子集划分为用于构建324语言模型140的第一组服务请求记录322和用于评估328语言模型140的第二组服务请求记录326。例如,可以将生成时间早于阈值时间的服务请求记录作为第一组服务请求记录322,而将生成时间晚于阈值时间的服务请求记录作为第二组服务请求记录326。
由此,计算设备110可以使用第一组服务请求记录322,基于初始模型130来构建324语言模型140,并且可以使用第二组服务请求记录326来评估328语言模型140。例如,为了构建324语言模型140,计算设备110可以将第一组服务请求记录322中的每个服务请求记录中的至少一个单词替换为至少一个预定单词(例如,“[MASK]”),以生成第一组经替换的服务请求记录。此外,计算设备110可以将第一组经替换的服务请求记录应用于初始模型130来构建语言模型140。在一些实施例中,可以替换预定比例(例如,15%)的单词。
这种替换过程也可以被认为是利用预定单词来屏蔽单词的过程。初始模型130可以基于未屏蔽的其他单词提供的上下文,尝试预测被屏蔽的单词。例如,可以通过softmax函数来计算第一组服务请求记录322中的每个单词是被屏蔽的单词的概率。通过调整初始模型130的参数,以使预测的单词趋近于实际的被屏蔽的单词,实现了对语言模型140的构建324。
图5示出了根据本公开的一些实施例的语言模型140的构建324的过程的示例的示意图500。初始模型130的输入是作为标记的多个单词520。与实际单词510相比,单词“improvisation”被替换为预定单词“[MASK]”。应当理解的是,图5所示的单词520的数目仅是示例性的,在每次迭代中(例如,在每个时期(epoch)中),可以输入任何合适的数目的单词,例如128、256、512个单词等。
输入的单词520可以以预定单词(例如,“[CLS]”)开头,并且句子之间也可以用预定单词(例如,“[SEP]”)分隔(未示出)。在一些实施例中,这些单词520可以被转换为向量,并且然后在初始模型130中进行处理。初始模型130的输出是第一组服务请求记录322中的每个单词是被屏蔽的单词的概率。如图5所示,单词“Aardvark”是被屏蔽的单词的概率为0.1%,单词“Improvisation”是被屏蔽的单词的概率为10%,并且单词“Zyzzyva”是被屏蔽的单词的概率为0%。
进一步地,为了评估328语言模型140,计算设备110可以将第二组服务请求记录326中的每个服务请求记录中的至少一个单词替换为至少一个预定单词(例如,“[MASK]”),以生成第二组经替换的服务请求记录。此外,计算设备110可以将第二组经替换的服务请求记录应用于语言模型140,以确定至少一个单词的至少一个预测结果。计算设备110可以确定至少一个预测结果与至少一个单词匹配的概率,并且基于概率来评估328语言模型140。
备选地,计算设备110还可以采用困惑度(perplexity)作为评估328语言模型140的指标。困惑度越低,模型的性能越好。通过困惑度指标,可以发现与初始模型130相比,语言模型140的困惑度显著低于初始模型130。
以上描述了语言模型140的构建和评估。计算设备110还可以基于语言模型140进一步地构建334并且评估338分类模型150。在一些实施例中,计算设备110可以从服务请求记录集合120中确定第二子集。第二子集中的每个服务请求记录具有的解决方案的标识为有效标识。有效标识可以指示解决方案的名称、编号、索引、地址等。
计算设备110可以基于第二子集中的每个服务请求记录的生成时间,将第二子集划分为用于构建分类模型150的第三组服务请求记录332和用于评估分类模型150的第四组服务请求记录336。例如,可以将生成时间早于阈值时间的服务请求记录作为第三组服务请求记录332,而将生成时间晚于阈值时间的服务请求记录作为第四组服务请求记录336。
由此,计算设备110可以使用第三组服务请求记录332,来构建334分类模型150,并且可以使用第四组服务请求记录336来评估338语言模型140。图6示出了根据本公开的一些实施例的分类模型150的构建334的过程的示例的示意图600。
例如,为了构建334分类模型150,语言模型140接收第三组服务请求记录332中的服务请求记录中的多个单词610作为输入,并且尝试预测针对该服务请求记录的解决方案620。应当理解的是,图6所示的单词610的数目仅是示例性的,在每次迭代中(例如,在每个时期(epoch)中),可以输入任何合适的数目的单词,例如128、256、512个单词等。
为此,在一些实施例中,可以在语言模型140生成的针对开头的预定单词(例如,“[CLS]”)的输出上添加分类层,以预测解决方案。通过调整语言模型140的参数,以使预测结果趋近于实际结果,实现了对分类模型150的构建334。
进一步地,为了评估338分类模型150,计算设备110可以将第四组服务请求记录336应用于分类模型150,以获得预测的解决方案,并且确定预测的解决方案与标识指示的实际解决方案匹配的概率。由此,计算设备110可以基于概率来评估分类模型150。
备选地,计算设备110还可以采用准确度(perplexity)作为评估338分类模型150的指标。例如,可以采用前1个预测结果准确度和前N个预测结果准确度,其中N为大于1的自然数。前1个预测结果准确度指示分类模型150输出的最大概率。该最大概率表示预测的解决方案的置信度。前N个预测结果准确度指示实际解决方案落入分类模型150输出的具有前N个最大概率的预测解决方案的频率。
通过准确度指标,可以发现与双向长短期记忆(BiLSTM)语言模型相比,分类模型150的准确度明显更高。图7示出了根据本公开的一些实施例的分类模型150与双向长短期记忆(BiLSTM)语言模型的比较700的示例的示意图。如图7所示,针对前20个预测结果准确度,分类模型150都高于双向长短期记忆(BiLSTM)语言模型。
以此方式,本方案可以快速和高效地确定服务请求中所报告的问题的解决方案,从而提高工程师解决这些问题的效率和提升用户体验。
图8示出了根据本公开的一些实施例的方法800的流程图。例如,方法800可以由如图1所示的计算设备110来执行。应当理解的是,方法800还可以包括未示出的附加步骤和/或可以省略所示出的步骤,本公开的范围在此方面不受限制。
在810,计算设备110获取服务请求记录集合。服务请求记录集合中的每个服务请求记录涉及用户在被提供服务时遇到的问题和针对问题的解决方案。在820,计算设备110基于服务请求记录集合中的第一子集以及初始模型来构建语言模型。初始模型是使用预定语料库训练的,并且用于确定语料库中的单词和句子的向量表示。在830,计算设备110基于服务请求记录集合中的第二子集以及语言模型来构建分类模型。分类模型能够确定针对待处理问题的解决方案。第一子集不同于第二子集。
在一些实施例中,服务请求记录集合中的每个服务请求记录包括:问题的包含多个单词的摘要,问题的包含多个单词的详细描述,以及针对问题的解决方案的标识。
在一些实施例中,为了构建语言模型,计算设备110可以从服务请求记录集合中确定第一子集。第一子集中的每个服务请求记录具有的解决方案的标识为无效标识。计算设备110可以基于第一子集中的每个服务请求记录的生成时间,将第一子集划分为用于构建语言模型的第一组服务请求记录和用于评估语言模型的第二组服务请求记录。由此,计算设备110可以使用第一组服务请求记录,基于初始模型来构建语言模型。
在一些实施例中,为了基于初始模型来构建语言模型,计算设备110可以将第一组服务请求记录中的每个服务请求记录中的至少一个单词替换为至少一个预定单词,以生成第一组经替换的服务请求记录。由此,计算设备110可以将第一组经替换的服务请求记录应用于初始模型来构建语言模型。
在一些实施例中,计算设备110可以将第二组服务请求记录中的每个服务请求记录中的至少一个单词替换为至少一个预定单词,以生成第二组经替换的服务请求记录。计算设备110可以将第二组经替换的服务请求记录应用于语言模型,以确定至少一个单词的至少一个预测结果。计算设备110可以确定至少一个预测结果与至少一个单词匹配的概率。由此,计算设备110可以基于概率,评估语言模型。
在一些实施例中,为了构建分类模型,计算设备110可以从服务请求记录集合中确定第二子集。第二子集中的每个服务请求记录具有的解决方案的标识为有效标识。计算设备110可以基于第二子集中的每个服务请求记录的生成时间,将第二子集划分为用于构建分类模型的第三组服务请求记录和用于评估分类模型的第四组服务请求记录。由此,计算设备110可以使用第三组服务请求记录,来构建分类模型。
在一些实施例中,计算设备110可以将第四组服务请求记录应用于分类模型,以获得预测的解决方案。计算设备110可以确定预测的解决方案与标识指示的解决方案匹配的概率。由此,计算设备110可以基于概率,评估分类模型。
图9示出了可以用来实施本公开内容的实施例的示例设备900的示意性框图。例如,如图1所示的计算设备110可以由设备900来实施。如图所示,设备900包括中央处理单元(CPU)910,其可以根据存储在只读存储器(ROM)920中的计算机程序指令或者从存储单元980加载到随机访问存储器(RAM)930中的计算机程序指令,来执行各种适当的动作和处理。在RAM 930中,还可存储设备900操作所需的各种程序和数据。CPU 910、ROM 920以及RAM930通过总线940彼此相连。输入/输出(I/O)接口950也连接至总线940。
设备900中的多个部件连接至I/O接口950,包括:输入单元960,例如键盘、鼠标等;输出单元970,例如各种类型的显示器、扬声器等;存储单元980,例如磁盘、光盘等;以及通信单元990,例如网卡、调制解调器、无线通信收发机等。通信单元990允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如过程200和800,可由处理单元910执行。例如,在一些实施例中,过程200和800可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元980。在一些实施例中,计算机程序的部分或者全部可以经由ROM 920和/或通信单元990而被载入和/或安装到设备900上。当计算机程序被加载到RAM 930并由CPU 910执行时,可以执行上文描述的过程200和800的一个或多个动作。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Java、Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (15)
1.一种信息处理的方法,包括:
获取服务请求记录集合,所述服务请求记录集合中的每个服务请求记录涉及用户在被提供服务时遇到的问题和针对所述问题的解决方案;
基于所述服务请求记录集合中的第一子集以及初始模型来构建语言模型,所述初始模型是使用预定语料库训练的,并且用于确定所述语料库中的单词和句子的向量表示;以及
基于所述服务请求记录集合中的第二子集以及所述语言模型来构建分类模型,所述分类模型能够确定针对待处理问题的解决方案,所述第一子集不同于所述第二子集。
2.根据权利要求1所述的方法,其中所述服务请求记录集合中的每个服务请求记录包括:
所述问题的包含多个单词的摘要,
所述问题的包含多个单词的详细描述,以及
针对所述问题的解决方案的标识。
3.根据权利要求1所述的方法,其中构建所述语言模型包括:
从所述服务请求记录集合中确定所述第一子集,所述第一子集中的每个服务请求记录具有的解决方案的标识为无效标识;
基于所述第一子集中的每个服务请求记录的生成时间,将所述第一子集划分为用于构建所述语言模型的第一组服务请求记录和用于评估所述语言模型的第二组服务请求记录;以及
使用所述第一组服务请求记录,基于所述初始模型来构建所述语言模型。
4.根据权利要求3所述的方法,其中基于所述初始模型来构建所述语言模型包括:
将所述第一组服务请求记录中的每个服务请求记录中的至少一个单词替换为至少一个预定单词,以生成第一组经替换的服务请求记录;以及
将所述第一组经替换的服务请求记录应用于所述初始模型来构建所述语言模型。
5.根据权利要求3所述的方法,还包括:
将所述第二组服务请求记录中的每个服务请求记录中的至少一个单词替换为至少一个预定单词,以生成第二组经替换的服务请求记录;
将所述第二组经替换的服务请求记录应用于所述语言模型,以确定所述至少一个单词的至少一个预测结果;
确定所述至少一个预测结果与所述至少一个单词匹配的概率;以及
基于所述概率,评估所述语言模型。
6.根据权利要求1所述的方法,其中构建所述分类模型包括:
从所述服务请求记录集合中确定所述第二子集,所述第二子集中的每个服务请求记录具有的解决方案的标识为有效标识;
基于所述第二子集中的每个服务请求记录的生成时间,将所述第二子集划分为用于构建所述分类模型的第三组服务请求记录和用于评估所述分类模型的第四组服务请求记录;以及
使用所述第三组服务请求记录,来构建所述分类模型。
7.根据权利要求6所述的方法,还包括:
将所述第四组服务请求记录应用于所述分类模型,以获得预测的解决方案;
确定所述预测的解决方案与所述标识指示的解决方案匹配的概率;以及
基于所述概率,评估所述分类模型。
8.一种电子设备,包括:
至少一个处理单元;
至少一个存储器,所述至少一个存储器被耦合到所述至少一个处理单元并且存储用于由所述至少一个处理单元执行的指令,所述指令当由所述至少一个处理单元执行时,使得所述设备执行动作,所述动作包括:
获取服务请求记录集合,所述服务请求记录集合中的每个服务请求记录涉及用户在被提供服务时遇到的问题和针对所述问题的解决方案;
基于所述服务请求记录集合中的第一子集以及初始模型来构建语言模型,所述初始模型是使用预定语料库训练的,并且用于确定所述语料库中的单词和句子的向量表示;以及
基于所述服务请求记录集合中的第二子集以及所述语言模型来构建所述分类模型,所述分类模型能够确定针对待处理问题的解决方案,所述第一子集不同于所述第二子集。
9.根据权利要求8所述的设备,其中所述服务请求记录集合中的每个服务请求记录包括:
所述问题的包含多个单词的摘要,
所述问题的包含多个单词的详细描述,以及
针对所述问题的解决方案的标识。
10.根据权利要求8所述的设备,其中构建所述语言模型包括:
从所述服务请求记录集合中确定所述第一子集,所述第一子集中的每个服务请求记录具有的解决方案的标识为无效标识;
基于所述第一子集中的每个服务请求记录的生成时间,将所述第一子集划分为用于构建所述语言模型的第一组服务请求记录和用于评估所述语言模型的第二组服务请求记录;以及
使用所述第一组服务请求记录,基于所述初始模型来构建所述语言模型。
11.根据权利要求10所述的设备,其中基于所述初始模型来构建所述语言模型包括:
将所述第一组服务请求记录中的每个服务请求记录中的至少一个单词替换为至少一个预定单词,以生成第一组经替换的服务请求记录;以及
将所述第一组经替换的服务请求记录应用于所述初始模型来构建所述语言模型。
12.根据权利要求10所述的设备,其中所述动作还包括:
将所述第二组服务请求记录中的每个服务请求记录中的至少一个单词替换为至少一个预定单词,以生成第二组经替换的服务请求记录;
将所述第二组经替换的服务请求记录应用于所述语言模型,以确定所述至少一个单词的至少一个预测结果;
确定所述至少一个预测结果与所述至少一个单词匹配的概率;以及
基于所述概率,评估所述语言模型。
13.根据权利要求8所述的设备,其中构建所述分类模型包括:
从所述服务请求记录集合中确定所述第二子集,所述第二子集中的每个服务请求记录具有的解决方案的标识为有效标识;
基于所述第二子集中的每个服务请求记录的生成时间,将所述第二子集划分为用于构建所述分类模型的第三组服务请求记录和用于评估所述分类模型的第四组服务请求记录;以及
使用所述第三组服务请求记录,来构建所述分类模型。
14.根据权利要求13所述的设备,其中所述动作还包括:
将所述第四组服务请求记录应用于所述分类模型,以获得预测的解决方案;
确定所述预测的解决方案与所述标识指示的解决方案匹配的概率;以及
基于所述概率,评估所述分类模型。
15.一种计算机程序产品,所述计算机程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令,所述机器可执行指令在被执行时使机器执行根据权利要求1至7任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621888.6A CN113868368A (zh) | 2020-06-30 | 2020-06-30 | 用于信息处理的方法、电子设备和计算机程序产品 |
US16/983,051 US11521087B2 (en) | 2020-06-30 | 2020-08-03 | Method, electronic device, and computer program product for processing information |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621888.6A CN113868368A (zh) | 2020-06-30 | 2020-06-30 | 用于信息处理的方法、电子设备和计算机程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113868368A true CN113868368A (zh) | 2021-12-31 |
Family
ID=78981967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010621888.6A Pending CN113868368A (zh) | 2020-06-30 | 2020-06-30 | 用于信息处理的方法、电子设备和计算机程序产品 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11521087B2 (zh) |
CN (1) | CN113868368A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210406730A1 (en) * | 2020-06-30 | 2021-12-30 | EMC IP Holding Company LLC | Method, electronic device, and computer program product for processing information |
US11928141B1 (en) | 2022-10-20 | 2024-03-12 | Dell Products L.P. | Method, electronic device, and computer program product for retrieving service request |
US11971777B1 (en) | 2022-10-17 | 2024-04-30 | Dell Products L.P. | Method, device, and computer program product for fault diagnosis |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9245232B1 (en) * | 2013-02-22 | 2016-01-26 | Amazon Technologies, Inc. | Machine generated service cache |
US10019716B1 (en) * | 2013-11-21 | 2018-07-10 | Google Llc | Method for feedback submission resolution |
US10410219B1 (en) * | 2015-09-30 | 2019-09-10 | EMC IP Holding Company LLC | Providing automatic self-support responses |
CN107292412A (zh) * | 2016-03-31 | 2017-10-24 | 阿里巴巴集团控股有限公司 | 一种问题预测方法及预测系统 |
US10942776B2 (en) * | 2016-09-21 | 2021-03-09 | Accenture Global Solutions Limited | Dynamic resource allocation for application containers |
US11004005B1 (en) * | 2016-10-06 | 2021-05-11 | Massachusetts Mutual Life Insurance Company | Electronic problem solving board |
US10380600B2 (en) * | 2017-03-06 | 2019-08-13 | International Business Machines Corporation | Program identifier response to unstructured input |
CN110363556B (zh) * | 2018-04-11 | 2023-06-30 | 阿里巴巴集团控股有限公司 | 确定用户问题的方法、服务器、客户端及系统 |
CN108958939B (zh) * | 2018-07-06 | 2021-12-07 | 创新先进技术有限公司 | 服务资源的分配方法、装置及服务器 |
US11467817B2 (en) * | 2019-01-28 | 2022-10-11 | Adobe Inc. | Software component defect prediction using classification models that generate hierarchical component classifications |
US11436531B2 (en) * | 2019-11-12 | 2022-09-06 | Vmware, Inc. | Machine learning-powered resolution resource service for HCI systems |
CN113868368A (zh) * | 2020-06-30 | 2021-12-31 | 伊姆西Ip控股有限责任公司 | 用于信息处理的方法、电子设备和计算机程序产品 |
CN112053703A (zh) * | 2020-09-11 | 2020-12-08 | 上海明略人工智能(集团)有限公司 | 一种信息处理方法、装置、计算机设备及存储介质 |
CN114792089A (zh) * | 2021-01-26 | 2022-07-26 | 伊姆西Ip控股有限责任公司 | 用于管理计算机系统的方法、设备和程序产品 |
-
2020
- 2020-06-30 CN CN202010621888.6A patent/CN113868368A/zh active Pending
- 2020-08-03 US US16/983,051 patent/US11521087B2/en active Active
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210406730A1 (en) * | 2020-06-30 | 2021-12-30 | EMC IP Holding Company LLC | Method, electronic device, and computer program product for processing information |
US11521087B2 (en) * | 2020-06-30 | 2022-12-06 | EMC IP Holding Company LLC | Method, electronic device, and computer program product for processing information |
US11971777B1 (en) | 2022-10-17 | 2024-04-30 | Dell Products L.P. | Method, device, and computer program product for fault diagnosis |
US11928141B1 (en) | 2022-10-20 | 2024-03-12 | Dell Products L.P. | Method, electronic device, and computer program product for retrieving service request |
Also Published As
Publication number | Publication date |
---|---|
US11521087B2 (en) | 2022-12-06 |
US20210406730A1 (en) | 2021-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11157693B2 (en) | Stylistic text rewriting for a target author | |
US11093707B2 (en) | Adversarial training data augmentation data for text classifiers | |
CN113868368A (zh) | 用于信息处理的方法、电子设备和计算机程序产品 | |
US20200227030A1 (en) | Adversarial Training Data Augmentation for Generating Related Responses | |
US11093195B2 (en) | Method, device and computer program product for updating user interface | |
EP3640814A1 (en) | User-friendly explanation production using generative adversarial networks | |
US20230009946A1 (en) | Generative relation linking for question answering | |
US20220067579A1 (en) | Dynamic ontology classification system | |
CN114792089A (zh) | 用于管理计算机系统的方法、设备和程序产品 | |
CN112395882B (zh) | 用于命名实体识别的方法、电子设备和存储介质 | |
EP4222635A1 (en) | Lifecycle management for customized natural language processing | |
US20220051126A1 (en) | Classification of erroneous cell data | |
US20220100967A1 (en) | Lifecycle management for customized natural language processing | |
CN114036921A (zh) | 一种政策信息匹配方法和装置 | |
US10257055B2 (en) | Search for a ticket relevant to a current ticket | |
CN115221892B (zh) | 工单数据处理方法及装置、存储介质及电子设备 | |
US11922129B2 (en) | Causal knowledge identification and extraction | |
US20220405473A1 (en) | Machine learning for training nlp agent | |
JP6261669B2 (ja) | クエリ校正システムおよび方法 | |
US11442650B2 (en) | Generating predicted usage of storage capacity | |
US11481547B2 (en) | Framework for chinese text error identification and correction | |
CN114117445A (zh) | 漏洞分类方法、装置、设备及介质 | |
CN111753548A (zh) | 信息获取方法及装置、计算机存储介质、电子设备 | |
CN113887008A (zh) | 信息处理方法、电子设备和计算机存储介质 | |
US10970068B2 (en) | Computer structures for computer artifacts |
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 |