CN114119203B - 基于人工智能的资源管控方法、装置、电子设备及介质 - Google Patents
基于人工智能的资源管控方法、装置、电子设备及介质Info
- Publication number
- CN114119203B CN114119203B CN202111436036.0A CN202111436036A CN114119203B CN 114119203 B CN114119203 B CN 114119203B CN 202111436036 A CN202111436036 A CN 202111436036A CN 114119203 B CN114119203 B CN 114119203B
- Authority
- CN
- China
- Prior art keywords
- resource
- user
- data
- intention recognition
- intention
- 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.)
- Active
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012360 testing method Methods 0.000 claims abstract description 106
- 238000004088 simulation Methods 0.000 claims abstract description 44
- 230000006399 behavior Effects 0.000 claims description 79
- 238000007726 management method Methods 0.000 claims description 40
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 7
- 230000003542 behavioural effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 description 22
- 238000000605 extraction Methods 0.000 description 18
- 239000013598 vector Substances 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Abstract
本发明涉及人工智能技术领域,提供一种基于人工智能的资源管控方法、装置、电子设备及介质,通过获取用户的行为数据来识别用户是否有资源调整的意图,在根据识别到的意图获取用户的基础数据后,根据用户的意图及基础数据识别用户的第一资源调整类型,为了确保用户的第一资源调整类型准确无误,通过对基础数据进行模拟测试,得到用户的第二资源调整类型,从而根据第二资源调整类型来判断第一资源调整类型是否符合预期,进而实现对用户的资源的调整。本发明能够基于实时行为数据实现对资源的高效调整,并通过模拟测试,确保了对资源的调整的准确性。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的资源管控方法、装置、电子设备及介质。
背景技术
资源管控,例如,信用卡的额度管控,信用卡的数量管控,是金融风险管控的重要手段。目前,金融机构对资源的管控都是采取每月跑批或者隔天跑批进行资源控制,或者依据请求人的请求进行资源控制。这两种方法都是事后的资源控制。
发明人在实现本发明的过程中发现,造成事后资源控制的原因在于:无法汇总与产出各种基础数据;受限于公司的应用系统服务能力,无法及时高效的提供管控服务。
因此,如何实现高效的资源管控是一个亟待解决的技术问题。
发明内容
鉴于以上内容,有必要提出一种基于人工智能的资源管控方法、装置、电子设备及介质,能够基于实时行为数据,实现对资源的精准高效调整。
本发明的第一方面提供一种基于人工智能的资源管控方法,所述方法包括:
获取用户的行为数据,并基于所述行为数据识别所述用户的意图;
根据所述用户的意图获取所述用户的基础数据;
根据所述用户的意图及所述基础数据识别所述用户的第一资源调整类型;
对所述基础数据进行模拟测试,得到所述用户的第二资源调整类型;
对所述第一资源调整类型和所述第二资源调整类型进行比较,并根据比较得到的结果调整所述用户的资源。
根据本发明的一个可选的实施方式,所述基于所述行为数据识别所述用户的意图包括:
获取所述行为数据对应的目标场景,及获取所述目标场景对应的测试行为数据;
将所述行为数据输入至预先训练的意图识别模型中,得到所述意图识别模型的多个意图识别层输出的多个第一意图识别结果;
将所述测试行为数据输入至所述预先训练的意图识别模型中,得到所述意图识别模型的多个意图识别层输出的多个第二意图识别结果;
根据所述多个第一意图识别结果及所述多个第二意图识别结果确定目标意图识别层;
根据所述目标意图识别层输出的第一意图识别结果,确定所述用户的意图。
根据本发明的一个可选的实施方式,所述根据所述多个第一意图识别结果及所述多个第二意图识别结果确定目标意图识别层包括:
计算每个所述意图识别层输出的第一意图识别结果与对应的第二意图识别结果的相似度;
根据所述相似度确定所述目标意图识别层。
根据本发明的一个可选的实施方式,所述对所述基础数据进行模拟测试,得到所述用户的第二资源调整类型包括:
获取电子设备的设备类型标识信息;
根据所述设备类型标识信息获取报文数据结构及历史报文数据;
从所述基础数据中选取与所述历史报文数据的数据项相同的目标数据,作为测试报文数据;
将所述测试报文数据与所述报文数据结构拼装成测试报文;
基于所述测试报文进行模拟测试,得到所述用户的第二资源调整类型。
根据本发明的一个可选的实施方式,在根据比较得到的结果调整所述用户的资源之前,所述方法还包括:
确定跑批任务时段;
获取系统当前时间;
判断所述系统当前时间是否处于所述跑批任务时段内;
当所述系统当前时间处于所述跑批任务时段内,从资源调整规则中获取资源增加表,并将所述资源增加表确定为第一调整策略;
当所述系统当前时间不处于所述跑批任务时段内,从所述资源调整规则中获取资源释放表,并将所述资源释放表确定为第二调整策略。
根据本发明的一个可选的实施方式,所述根据比较得到的结果调整所述用户的资源包括:
当所述比较得到的结果为所述第一资源调整类型和所述第二资源调整类型相同,且所述系统当前时间处于所述跑批任务时段内时,使用所述第一调整策略调整所述用户的资源;
当所述比较得到的结果为所述第一资源调整类型和所述第二资源调整类型相同,但所述系统当前时间不处于所述跑批任务时段内时,使用所述第二调整策略调整所述用户的资源;
当所述比较得到的结果为所述第一资源调整类型和所述第二资源调整类型不相同时,不调整所述用户的资源。
根据本发明的一个可选的实施方式,所述确定跑批任务时段包括:
获取历史资源利用率数据和当前资源利用率数据;
基于所述历史资源利用率数据建立资源利用率预测模型;
根据所述资源利用率预测模型确定所述当前资源利用率数据对应的资源利用率的预测值集合;
基于所述预测值集合中的各个预测值和预设的清理阈值确定调整时间集合;
将所述调整时间集合内的各个时间段确定为跑批任务时段。
本发明的第二方面提供一种基于人工智能的资源管控装置,所述装置包括:
第一识别模块,用于获取用户的行为数据,并基于所述行为数据识别所述用户的意图;
数据获取模块,用于根据所述用户的意图获取所述用户的基础数据;
第二识别模块,用于根据所述用户的意图及所述基础数据识别所述用户的第一资源调整类型;
模拟测试模块,用于对所述基础数据进行模拟测试,得到所述用户的第二资源调整类型;
资源调整模块,用于对所述第一资源调整类型和所述第二资源调整类型进行比较,并根据比较得到的结果调整所述用户的资源。
本发明的第三方面提供一种电子设备,所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现所述基于人工智能的资源管控方法。
本发明的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现所述基于人工智能的资源管控方法。
综上所述,本发明所述的基于人工智能的资源管控方法、装置、电子设备及介质,通过获取用户的行为数据来识别用户是否有资源调整的意图,在根据识别到的意图获取用户的基础数据后,根据用户的意图及基础数据识别用户的第一资源调整类型,为了确保用户的第一资源调整类型准确无误,通过对基础数据进行模拟测试,得到用户的第二资源调整类型,从而根据第二资源调整类型来判断第一资源调整类型是否符合预期,进而实现对用户的资源的调整。本发明能够基于实时行为数据实现对资源的高效调整,并通过模拟测试,确保了对资源的调整的准确性。
附图说明
图1是本发明实施例一提供的基于人工智能的资源管控方法的流程图。
图2是本发明实施例二提供的基于人工智能的资源管控装置的结构图。
图3是本发明实施例三提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述在一个可选的实施方式中实施例的目的,不是旨在于限制本发明。
本发明实施例提供的基于人工智能的资源管控方法由电子设备执行,相应地,基于人工智能的资源管控装置运行于电子设备中。
实施例一
图1是本发明实施例一提供的基于人工智能的资源管控方法的流程图。所述基于人工智能的资源管控方法具体包括以下步骤,根据不同的需求,该流程图中步骤的顺序可以改变,某些可以省略。
S11,获取用户的行为数据,并基于所述行为数据识别所述用户的意图。
用户需要事先在APP中完成注册并绑定银行卡,例如,信用卡,储蓄卡,APP是指安装在电子设备中的金融类应用程序。用户一旦使用APP进行了交易,或者在APP中进行了操作,例如,点赞,分享,点击,确认等,则会产生行为数据。电子设备即时采集每个注册用户的行为数据,并将采集到的行为数据存储与本地数据库中。
其中,用户的行为数据可以包括:交易数据、APP的操作数据等,以用户的行为数据为触点,从而判断用户是否有资源调整的意图。
在一个可选的实施方式中,所述基于所述行为数据识别所述用户的意图包括:
获取所述行为数据对应的目标场景,及获取所述目标场景对应的测试行为数据;
将所述行为数据输入至预先训练的意图识别模型中,得到所述意图识别模型的多个意图识别层输出的多个第一意图识别结果;
将所述测试行为数据输入至所述预先训练的意图识别模型中,得到所述意图识别模型的多个意图识别层输出的多个第二意图识别结果;
根据所述多个第一意图识别结果及所述多个第二意图识别结果确定目标意图识别层;
根据所述目标意图识别层输出的第一意图识别结果,确定所述用户的意图。
电子设备中预先存储有不同的应用场景,例如,信用卡应用场景,储蓄卡应用场景,不同的应用场景代表不同的意图。不同的应用场景对应有不同的测试行为数据,测试行为数据是指开发人员事先编写的测试脚本,用于测试对应的应用场景的意图。
意图识别模型可以是电子设备预先训练得到的多任务机器学习模型,意图识别模型包括特征提取层及多个意图识别层,特征提取层用于提取特征向量,意图识别层用于基于特征向量识别得到意图识别结果。
多个意图识别层包括至少一个场景意图识别层,每个场景意图识别层对应不同的应用场景。
将用户的行为数据输入至意图识别模型的特征提取层,通过特征提取层提取行为数据的第一特征向量,将第一特征向量输入至多个意图识别层,通过多个意图识别层识别第一特征向量并输出多个第一意图识别结果。将测试行为数据输入至意图识别模型的特征提取层,通过特征提取层提取测试行为数据的第二特征向量,将第二特征向量输入至多个意图识别层,通过多个意图识别层识别第二特征向量并输出多个第二意图识别结果。
根据多个第一意图识别结果及多个第二意图识别结果确定多个意图识别层中的哪一层是目标意图识别层,目标意图识别层是指与用户的行为数据最相匹配的意图识别层。
将所述目标意图识别层输出的第一意图识别结果表征的用户意图确定为所述用户的意图。
该可选的实施方式,通过在意图识别模型的多个意图识别层中确定与用户的行为数据对应的目标场景相匹配的目标意图识别层,从而通过目标意图识别层输出第一意图识别结果,进而确定目标用户意图,如此,在对目标场景下的用户的行为数据进行识别时,无需再训练针对该目标场景的意图识别模型,确保了用户意图识别的及时性,提高了用户意图识别的效率。并且,由于目标意图识别与用户的行为数据对应的目标场景相匹配,因而通过目标意图识别层确定的第一意图识别结果较为准确,基于较为准确的第一意图识别结果,可以准确地识别出目标用户意图。
在一个可选的实施方式中,所述意图识别模型的训练过程可以包括:获取不同应用场景下的训练样本及所述训练样本对应的用户意图;针对每一应用场景,将所述应用场景下的所述训练样本作为意图识别模型的输入,将所述训练样本对应的用户意图作为所述意图识别模型的输出,对所述意图识别模型的特征提取层和所述应用场景对应的场景意图识别层进行训练。
电子设备预先收集不同应用场景下的测试文本以及该测试文本对应的用户意图。测试文本对应的用户意图可以是用户人工标注出的用户意图。例如,测试文本“加入购物车”对应的用户意图为加入购物车;测试文本“帮我结账吧”对应的用户意图为下单;测试文本“确认支付”对应的用户意图为付钱等等。
分别获取场景1、场景2和场景3下的文本以及文本对应的用户意图,将该文本作为训练样本。将场景1、场景2和场景3下的训练样本输入至意图识别模型,可得到场景意图识别层1至场景意图识别层3输出的意图识别结果。在获取到场景意图识别层i输出的意图识别结果之后,将该输出的意图识别结果与场景i下的训练样本对应的用户意图进行比较,计算误差,分别记为loss_i。将loss_i相加得到总误差loss,根据总误差loss,对场景意图识别层i以及特征提取层进行反向传播,以对场景意图识别层i以及特征提取层进行训练。误差函数可以采用sofmax。
在一个可选的实施方式中,所述根据所述多个第一意图识别结果及所述多个第二意图识别结果确定目标意图识别层包括:
计算每个所述意图识别层输出的第一意图识别结果与对应的第二意图识别结果的相似度;
根据所述相似度确定目标意图识别层。
示例性的,假设意图识别模型有3个意图识别层,第一个意图识别层输出的行为数据的第一意图识别结果为A1,输出的测试行为数据的第二意图识别结果为A2,计算第一意图识别结果A1与第二意图识别结果A2之间的相似度S1。第二个意图识别层输出的行为数据的第一意图识别结果为B1,输出的测试行为数据的第二意图识别结果为B2,计算第一意图识别结果B1与第二意图识别结果B2之间的相似度S2。第三个意图识别层输出的行为数据的第一意图识别结果为C1,输出的测试行为数据的第二意图识别结果为C2,计算第一意图识别结果C1与第二意图识别结果C2之间的相似度S3。
将相似度S1,S2,S3按照从大到小,或者从小到大的顺序进行排序,并根据排序后的相似度确定最高相似度,将最高相似度对应的意图识别层确定为目标意图识别层。
相似度的计算可以采用欧式距离,也可以采用余弦夹角,不做任何限制。
S12,根据所述用户的意图获取所述用户的基础数据。
电子设备侦测到触点信息后,收集用户的基础数据。所述基础数据可以包括:还款数据、交易数据、分期数据等银行已知的属性信息,以及人行征信数据在内的各种征信信息。
S13,根据所述用户的意图及所述基础数据识别所述用户的第一资源调整类型。
可以采用机器学习的方式训练资源调整类型识别模型,从而通过资源调整类型识别模型基于基础数据识别资源调整类型。本发明对资源调整类型识别模型的训练过程不做详细阐述。
其中,第一资源调整类型可以包括是否可以调额、是否可以分期,或者是否可以新开账户等。
S14,对所述基础数据进行模拟测试,得到所述用户的第二资源调整类型。
发布之前会先在另一套环境上进行预演,试跑一下规则结果,在识别得到用户的第一资源调整类型之后,为了确保用户的第一资源调整类型准确无误,还需要对基础数据进行模拟测试,根据模拟测试得到用户的第二资源调整类型,从而根据第二资源调整类型来判断第一资源调整类型是否符合预期。如果第一资源调整类型符合预期则证明逻辑无误,可以发布到生产环境,避免有问题的规则发布到生产环境。
模拟测试系统可以安装在电子设备中,从而直接在电子设备内对基础数据进行模拟测试,而不必将基础数据上报给测试服务器,如此,能够使得模拟测试不受网络传输速度的影响,进而降低了模拟测试的维护成本并提升了模拟数据的加载速度。
在一个可选的实施方式中,所述对所述基础数据进行模拟测试,得到所述用户的第二资源调整类型包括:
获取电子设备的设备类型标识信息;
根据所述设备类型标识信息获取报文数据结构及历史报文数据;
从所述基础数据中选取与所述历史报文数据的数据项相同的目标数据,作为测试报文数据;
将所述测试报文数据与所述报文数据结构拼装成测试报文;
基于所述测试报文进行模拟测试,得到所述用户的第二资源调整类型。
不同的电子设备对应不同的设备类型标识信息,设备类型标识信息用于唯一标识电子设备的属性。
根据设备类型标识信息从后台服务器获取报文数据结构及历史报文数据。将报文数据结构及历史报文数据存储于后台服务器能够节省电子设备的存储资源,提高电子设备的运行性能。
根据所述报文数据结构的报文标识将所述报文数据结构定义为符合标准通信协议数据属性的报文数据结构,将所述的测试报文数据与所述符合标准通信协议的报文数据结构拼装成测试报文。所述的标准通信协议数据属性包括:报文长度、码制及是否加密。
S15,对所述第一资源调整类型和所述第二资源调整类型进行比较,并根据比较得到的结果调整所述用户的资源。
对所述第一资源调整类型和所述第二资源调整类型进行比较,得到结果。比较得到的结果包括:所述第一资源调整类型和所述第二资源调整类型相同,所述第一资源调整类型和所述第二资源调整类型不相同。
所述第一资源调整类型和所述第二资源调整类型相同时,表明逻辑无误,可以发布到生产环境,从而调整用户的资源,提高了对资源的调整的准确性。
所述第一资源调整类型和所述第二资源调整类型不相同时,表明逻辑有误,不可以发布到生产环境,即不可以调整用户的资源。
例如,实际生产运行中,在用户刷卡交易时,如果用户额度已经不足,此时可以判断用户可以进行额度提升,实时在交易时把用户额度调升上去,可以让此次刷卡交易通过,且有后续额度可供使用。对用户来说,还没想到额度不足,信用卡公司就以及把可以提升额度的用户额度提升上去了,超出用户的预期感受,极大的提升用户满意度,促进刷卡交易,促进银行业绩提升。
在一个可选的实施方式中,所述根据比较得到的结果调整所述用户的资源包括:
当所述比较得到的结果为所述第一资源调整类型和所述第二资源调整类型相同,且所述系统当前时间处于所述跑批任务时段内时,使用第一调整策略调整所述用户的资源;
当所述比较得到的结果为所述第一资源调整类型和所述第二资源调整类型相同,但所述系统当前时间不处于所述跑批任务时段内时,使用第二调整策略调整所述用户的资源;
当所述比较得到的结果为所述第一资源调整类型和所述第二资源调整类型不相同时,不调整所述用户的资源。
在一个可选的实施方式中,在根据比较得到的结果调整所述用户的资源之前,所述方法还包括:
确定跑批任务时段;
获取系统当前时间;
判断所述系统当前时间是否处于所述跑批任务时段内;
当所述系统当前时间处于所述跑批任务时段内,从资源调整规则中获取资源增加表,并将所述资源增加表确定为所述第一调整策略;
当所述系统当前时间不处于所述跑批任务时段内,从所述资源调整规则中获取资源释放表,并将所述资源释放表确定为所述第二调整策略。
其中,资源增加表中存储有资源的具体增加数值,资源释放表中存储有可释放的资源。
电子设备可以从基于时间的资源调整规则中获取跑批任务时段,并从当前运行数据中获取系统当前时间,然后判断该系统当前时间是否处于跑批任务时段内,如果系统当前时间处于跑批任务时段内,则从该资源调整规则中获取资源增加表,并将该资源增加表确定为所述第一调整策略;如果系统当前时间不处于跑批任务时段,则从该资源调整规则中获取资源释放表,并将该资源释放表确定为所述第二调整策略。
在一个可选的实施方式中,所述确定跑批任务时段包括:
获取历史资源利用率数据和当前资源利用率数据;
基于所述历史资源利用率数据建立资源利用率预测模型;
根据所述资源利用率预测模型确定所述当前资源利用率数据对应的资源利用率的预测值集合;
基于所述预测值集合中的各个预测值和预设的清理阈值确定调整时间集合;
将所述调整时间集合内的各个时间段确定为跑批任务时段。
资源利用率数据是指系统资源,包括CPU,磁盘,内存等的利用效率的数据。根据预设的时间线将资源利用率数据划分为历史资源利用率数据和当前资源利用率数据。
根据所述历史资源利用率数据中的资源利用率确定资源利用指数,基于所述资源利用指数和所述历史资源利用率数据中数据采集的时间段,采用人工智能算法建立资源利用率的预测模型。历史资源利用率数据包括:数据采集的时间段和该时间段对应的业务系统的资源利用率,所述资源利用率的预测模型为空闲时间段与任务系统的资源利用指数之间的基线。
该可选的实施方式,通过获取系统的历史资源利用率数据和当前资源利用率数据确定预测值集合,从而基于所述预测值集合中的各个预测值和预设的清理阈值确定业务系统的数据的调整时间集合,并进而确定跑批任务时段,能够降低人力监控成本,提高系统的处理效率与节约系统资源。
基于所述行为数据识别所述用户的意图;根据所述用户的意图及所述基础数据识别所述用户的第一资源调整类型;对所述基础数据进行模拟测试,得到所述用户的第二资源调整类型;对所述第一资源调整类型和所述第二资源调整类型进行比较,并根据比较得到的结果调整所述用户的资源。
本发明提供的基于人工智能的资源管控方法,通过获取用户的行为数据来识别用户是否有资源调整的意图,在根据识别到的意图获取用户的基础数据后,根据用户的意图及基础数据识别用户的第一资源调整类型,为了确保用户的第一资源调整类型准确无误,通过对基础数据进行模拟测试,得到用户的第二资源调整类型,从而根据第二资源调整类型来判断第一资源调整类型是否符合预期,进而实现对用户的资源的调整。本发明能够基于实时行为数据实现对资源的高效调整,并通过模拟测试,确保了对资源的调整的准确性。
实施例二
图2是本发明实施例二提供的基于人工智能的资源管控装置的结构图。
在一些实施例中,所述基于人工智能的资源管控装置20可以包括多个由计算机程序段所组成的功能模块。所述基于人工智能的资源管控装置20中的各个程序段的计算机程序可以存储于电子设备的存储器中,并由至少一个处理器所执行,以执行(详见图1描述)基于人工智能的资源管控的功能。
本实施例中,所述基于人工智能的资源管控装置20根据其所执行的功能,可以被划分为多个功能模块。所述功能模块可以包括:第一识别模块201、数据获取模块202、第二识别模块203、模拟测试模块204、资源调整模块205及策略确定模块206。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
所述第一识别模块201,用于获取用户的行为数据,并基于所述行为数据识别所述用户的意图。
用户需要事先在APP中完成注册并绑定银行卡,例如,信用卡,储蓄卡,APP是指安装在电子设备中的金融类应用程序。用户一旦使用APP进行了交易,或者在APP中进行了操作,例如,点赞,分享,点击,确认等,则会产生行为数据。电子设备即时采集每个注册用户的行为数据,并将采集到的行为数据存储与本地数据库中。
其中,用户的行为数据可以包括:交易数据、APP的操作数据等,以用户的行为数据为触点,从而判断用户是否有资源调整的意图。
在一个可选的实施方式中,所述第一识别模块201基于所述行为数据识别所述用户的意图包括:
获取所述行为数据对应的目标场景,及获取所述目标场景对应的测试行为数据;
将所述行为数据输入至预先训练的意图识别模型中,得到所述意图识别模型的多个意图识别层输出的多个第一意图识别结果;
将所述测试行为数据输入至所述预先训练的意图识别模型中,得到所述意图识别模型的多个意图识别层输出的多个第二意图识别结果;
根据所述多个第一意图识别结果及所述多个第二意图识别结果确定目标意图识别层;
根据所述目标意图识别层输出的第一意图识别结果,确定所述用户的意图。
电子设备中预先存储有不同的应用场景,例如,信用卡应用场景,储蓄卡应用场景,不同的应用场景代表不同的意图。不同的应用场景对应有不同的测试行为数据,测试行为数据是指开发人员事先编写的测试脚本,用于测试对应的应用场景的意图。
意图识别模型可以是电子设备预先训练得到的多任务机器学习模型,意图识别模型包括特征提取层及多个意图识别层,特征提取层用于提取特征向量,意图识别层用于基于特征向量识别得到意图识别结果。
多个意图识别层包括至少一个场景意图识别层,每个场景意图识别层对应不同的应用场景。
将用户的行为数据输入至意图识别模型的特征提取层,通过特征提取层提取行为数据的第一特征向量,将第一特征向量输入至多个意图识别层,通过多个意图识别层识别第一特征向量并输出多个第一意图识别结果。将测试行为数据输入至意图识别模型的特征提取层,通过特征提取层提取测试行为数据的第二特征向量,将第二特征向量输入至多个意图识别层,通过多个意图识别层识别第二特征向量并输出多个第二意图识别结果。
根据多个第一意图识别结果及多个第二意图识别结果确定多个意图识别层中的哪一层是目标意图识别层,目标意图识别层是指与用户的行为数据最相匹配的意图识别层。
将所述目标意图识别层输出的第一意图识别结果表征的用户意图确定为所述用户的意图。
该可选的实施方式,通过在意图识别模型的多个意图识别层中确定与用户的行为数据对应的目标场景相匹配的目标意图识别层,从而通过目标意图识别层输出第一意图识别结果,进而确定目标用户意图,如此,在对目标场景下的用户的行为数据进行识别时,无需再训练针对该目标场景的意图识别模型,确保了用户意图识别的及时性,提高了用户意图识别的效率。并且,由于目标意图识别与用户的行为数据对应的目标场景相匹配,因而通过目标意图识别层确定的第一意图识别结果较为准确,基于较为准确的第一意图识别结果,可以准确地识别出目标用户意图。
在一个可选的实施方式中,所述意图识别模型的训练过程可以包括:获取不同应用场景下的训练样本及所述训练样本对应的用户意图;针对每一应用场景,将所述应用场景下的所述训练样本作为意图识别模型的输入,将所述训练样本对应的用户意图作为所述意图识别模型的输出,对所述意图识别模型的特征提取层和所述应用场景对应的场景意图识别层进行训练。
电子设备预先收集不同应用场景下的测试文本以及该测试文本对应的用户意图。测试文本对应的用户意图可以是用户人工标注出的用户意图。例如,测试文本“加入购物车”对应的用户意图为加入购物车;测试文本“帮我结账吧”对应的用户意图为下单;测试文本“确认支付”对应的用户意图为付钱等等。
分别获取场景1、场景2和场景3下的文本以及文本对应的用户意图,将该文本作为训练样本。将场景1、场景2和场景3下的训练样本输入至意图识别模型,可得到场景意图识别层1至场景意图识别层3输出的意图识别结果。在获取到场景意图识别层i输出的意图识别结果之后,将该输出的意图识别结果与场景i下的训练样本对应的用户意图进行比较,计算误差,分别记为loss_i。将loss_i相加得到总误差loss,根据总误差loss,对场景意图识别层i以及特征提取层进行反向传播,以对场景意图识别层i以及特征提取层进行训练。误差函数可以采用sofmax。
在一个可选的实施方式中,所述根据所述多个第一意图识别结果及所述多个第二意图识别结果确定目标意图识别层包括:
计算每个所述意图识别层输出的第一意图识别结果与对应的第二意图识别结果的相似度;
根据所述相似度确定目标意图识别层。
示例性的,假设意图识别模型有3个意图识别层,第一个意图识别层输出的行为数据的第一意图识别结果为A1,输出的测试行为数据的第二意图识别结果为A2,计算第一意图识别结果A1与第二意图识别结果A2之间的相似度S1。第二个意图识别层输出的行为数据的第一意图识别结果为B1,输出的测试行为数据的第二意图识别结果为B2,计算第一意图识别结果B1与第二意图识别结果B2之间的相似度S2。第三个意图识别层输出的行为数据的第一意图识别结果为C1,输出的测试行为数据的第二意图识别结果为C2,计算第一意图识别结果C1与第二意图识别结果C2之间的相似度S3。
将相似度S1,S2,S3按照从大到小,或者从小到大的顺序进行排序,并根据排序后的相似度确定最高相似度,将最高相似度对应的意图识别层确定为目标意图识别层。
相似度的计算可以采用欧式距离,也可以采用余弦夹角,不做任何限制。
所述数据获取模块202,用于根据所述用户的意图获取所述用户的基础数据。
电子设备侦测到触点信息后,收集用户的基础数据。所述基础数据可以包括:还款数据、交易数据、分期数据等银行已知的属性信息,以及人行征信数据在内的各种征信信息。
所述第二识别模块203,用于根据所述用户的意图及所述基础数据识别所述用户的第一资源调整类型。
可以采用机器学习的方式训练资源调整类型识别模型,从而通过资源调整类型识别模型基于基础数据识别资源调整类型。本发明对资源调整类型识别模型的训练过程不做详细阐述。
其中,第一资源调整类型可以包括是否可以调额、是否可以分期,或者是否可以新开账户等。
所述模拟测试模块204,用于对所述基础数据进行模拟测试,得到所述用户的第二资源调整类型。
发布之前会先在另一套环境上进行预演,试跑一下规则结果,在识别得到用户的第一资源调整类型之后,为了确保用户的第一资源调整类型准确无误,还需要对基础数据进行模拟测试,根据模拟测试得到用户的第二资源调整类型,从而根据第二资源调整类型来判断第一资源调整类型是否符合预期。如果第一资源调整类型符合预期则证明逻辑无误,可以发布到生产环境,避免有问题的规则发布到生产环境。
模拟测试系统可以安装在电子设备中,从而直接在电子设备内对基础数据进行模拟测试,而不必将基础数据上报给测试服务器,如此,能够使得模拟测试不受网络传输速度的影响,进而降低了模拟测试的维护成本并提升了模拟数据的加载速度。
在一个可选的实施方式中,所述模拟测试模块204对所述基础数据进行模拟测试,得到所述用户的第二资源调整类型包括:
获取电子设备的设备类型标识信息;
根据所述设备类型标识信息获取报文数据结构及历史报文数据;
从所述基础数据中选取与所述历史报文数据的数据项相同的目标数据,作为测试报文数据;
将所述测试报文数据与所述报文数据结构拼装成测试报文;
基于所述测试报文进行模拟测试,得到所述用户的第二资源调整类型。
不同的电子设备对应不同的设备类型标识信息,设备类型标识信息用于唯一标识电子设备的属性。
根据设备类型标识信息从后台服务器获取报文数据结构及历史报文数据。将报文数据结构及历史报文数据存储于后台服务器能够节省电子设备的存储资源,提高电子设备的运行性能。
根据所述报文数据结构的报文标识将所述报文数据结构定义为符合标准通信协议数据属性的报文数据结构,将所述的测试报文数据与所述符合标准通信协议的报文数据结构拼装成测试报文。所述的标准通信协议数据属性包括:报文长度、码制及是否加密。
所述资源调整模块205,用于对所述第一资源调整类型和所述第二资源调整类型进行比较,并根据比较得到的结果调整所述用户的资源。
对所述第一资源调整类型和所述第二资源调整类型进行比较,得到结果。比较得到的结果包括:所述第一资源调整类型和所述第二资源调整类型相同,所述第一资源调整类型和所述第二资源调整类型不相同。
所述第一资源调整类型和所述第二资源调整类型相同时,表明逻辑无误,可以发布到生产环境,从而调整用户的资源,提高了对资源的调整的准确性。
所述第一资源调整类型和所述第二资源调整类型不相同时,表明逻辑有误,不可以发布到生产环境,即不可以调整用户的资源。
例如,实际生产运行中,在用户刷卡交易时,如果用户额度已经不足,此时可以判断用户可以进行额度提升,实时在交易时把用户额度调升上去,可以让此次刷卡交易通过,且有后续额度可供使用。对用户来说,还没想到额度不足,信用卡公司就以及把可以提升额度的用户额度提升上去了,超出用户的预期感受,极大的提升用户满意度,促进刷卡交易,促进银行业绩提升。
在一个可选的实施方式中,所述资源调整模块205根据比较得到的结果调整所述用户的资源包括:
当所述比较得到的结果为所述第一资源调整类型和所述第二资源调整类型相同,且所述系统当前时间处于所述跑批任务时段内时,使用第一调整策略调整所述用户的资源;
当所述比较得到的结果为所述第一资源调整类型和所述第二资源调整类型相同,但所述系统当前时间不处于所述跑批任务时段内时,使用第二调整策略调整所述用户的资源;
当所述比较得到的结果为所述第一资源调整类型和所述第二资源调整类型不相同时,不调整所述用户的资源。
在一个可选的实施方式中,所述策略确定模块206,用于在根据比较得到的结果调整所述用户的资源之前,确定跑批任务时段;获取系统当前时间;判断所述系统当前时间是否处于所述跑批任务时段内;当所述系统当前时间处于所述跑批任务时段内,从资源调整规则中获取资源增加表,并将所述资源增加表确定为所述第一调整策略;当所述系统当前时间不处于所述跑批任务时段内,从所述资源调整规则中获取资源释放表,并将所述资源释放表确定为所述第二调整策略。
其中,资源增加表中存储有资源的具体增加数值,资源释放表中存储有可释放的资源。
电子设备可以从基于时间的资源调整规则中获取跑批任务时段,并从当前运行数据中获取系统当前时间,然后判断该系统当前时间是否处于跑批任务时段内,如果系统当前时间处于跑批任务时段内,则从该资源调整规则中获取资源增加表,并将该资源增加表确定为所述第一调整策略;如果系统当前时间不处于跑批任务时段,则从该资源调整规则中获取资源释放表,并将该资源释放表确定为所述第二调整策略。
在一个可选的实施方式中,所述策略确定模块206确定跑批任务时段包括:
获取历史资源利用率数据和当前资源利用率数据;
基于所述历史资源利用率数据建立资源利用率预测模型;
根据所述资源利用率预测模型确定所述当前资源利用率数据对应的资源利用率的预测值集合;
基于所述预测值集合中的各个预测值和预设的清理阈值确定调整时间集合;
将所述调整时间集合内的各个时间段确定为跑批任务时段。
资源利用率数据是指系统资源,包括CPU,磁盘,内存等的利用效率的数据。根据预设的时间线将资源利用率数据划分为历史资源利用率数据和当前资源利用率数据。
根据所述历史资源利用率数据中的资源利用率确定资源利用指数,基于所述资源利用指数和所述历史资源利用率数据中数据采集的时间段,采用人工智能算法建立资源利用率的预测模型。历史资源利用率数据包括:数据采集的时间段和该时间段对应的业务系统的资源利用率,所述资源利用率的预测模型为空闲时间段与任务系统的资源利用指数之间的基线。
该可选的实施方式,通过获取系统的历史资源利用率数据和当前资源利用率数据确定预测值集合,从而基于所述预测值集合中的各个预测值和预设的清理阈值确定业务系统的数据的调整时间集合,并进而确定跑批任务时段,能够降低人力监控成本,提高系统的处理效率与节约系统资源。
本发明提供的基于人工智能的资源管控装置,通过获取用户的行为数据来识别用户是否有资源调整的意图,在根据识别到的意图获取用户的基础数据后,根据用户的意图及基础数据识别用户的第一资源调整类型,为了确保用户的第一资源调整类型准确无误,通过对基础数据进行模拟测试,得到用户的第二资源调整类型,从而根据第二资源调整类型来判断第一资源调整类型是否符合预期,进而实现对用户的资源的调整。本发明能够基于实时行为数据实现对资源的高效调整,并通过模拟测试,确保了对资源的调整的准确性。
实施例三
本实施例提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述基于人工智能的资源管控方法实施例中的步骤,例如图1所示的S11-S15:
S11,获取用户的行为数据,并基于所述行为数据识别所述用户的意图;
S12,根据所述用户的意图获取所述用户的基础数据;
S13,根据所述用户的意图及所述基础数据识别所述用户的第一资源调整类型;
S14,对所述基础数据进行模拟测试,得到所述用户的第二资源调整类型;
S15,对所述第一资源调整类型和所述第二资源调整类型进行比较,并根据比较得到的结果调整所述用户的资源。
或者,该计算机程序被处理器执行时实现上述装置实施例中各模块/单元的功能,例如图2中的模块201-205:
所述第一识别模块201,用于获取用户的行为数据,并基于所述行为数据识别所述用户的意图;
所述数据获取模块202,用于根据所述用户的意图获取所述用户的基础数据;
所述第二识别模块203,用于根据所述用户的意图及所述基础数据识别所述用户的第一资源调整类型;
所述模拟测试模块204,用于对所述基础数据进行模拟测试,得到所述用户的第二资源调整类型;
所述资源调整模块205,用于对所述第一资源调整类型和所述第二资源调整类型进行比较,并根据比较得到的结果调整所述用户的资源。
该计算机程序被处理器执行时还实现上述装置实施例中的策略确定模块206,具体请参见实施例二及其相关描述。
实施例四
参阅图3所示,为本发明实施例三提供的电子设备的结构示意图。在本发明较佳实施例中,所述电子设备3包括存储器31、至少一个处理器32、至少一条通信总线33及收发器34。
本领域技术人员应该了解,图3示出的电子设备的结构并不构成本发明实施例的限定,既可以是总线型结构,也可以是星形结构,所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件,或者不同的部件布置。
在一些实施例中,所述电子设备3是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备,所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、数码相机等。
需要说明的是,所述电子设备3仅为举例,其他现有的或今后可能出现的电子产品如可适应于本发明,也应包含在本发明的保护范围以内,并以引用方式包含于此。
在一些实施例中,所述存储器31中存储有计算机程序,所述计算机程序被所述至少一个处理器32执行时实现如所述的基于人工智能的资源管控方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory,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(ErasableProgrammable Read-Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
进一步地,所述计算机可读存储介质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区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
在一些实施例中,所述至少一个处理器32是所述电子设备3的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备3的各个部件,通过运行或执行存储在所述存储器31内的程序或者模块,以及调用存储在所述存储器31内的数据,以执行电子设备3的各种功能和处理数据。例如,所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本发明实施例中所述的基于人工智能的资源管控方法的全部或者部分步骤;或者实现基于人工智能的资源管控装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。
在一些实施例中,所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
尽管未示出,所述电子设备3还可以包括给各个部件供电的电源(比如电池),优选的,电源可以通过电源管理装置与所述至少一个处理器32逻辑相连,从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
上述以软件功能模块的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,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模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或,单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种基于人工智能的资源管控方法,其特征在于,所述方法包括:
获取用户的行为数据,并基于所述行为数据识别所述用户的意图;
根据所述用户的意图获取所述用户的基础数据;
根据所述用户的意图及所述基础数据识别所述用户的第一资源调整类型;
对所述基础数据进行模拟测试,得到所述用户的第二资源调整类型,包括:获取电子设备的设备类型标识信息;根据所述设备类型标识信息获取报文数据结构及历史报文数据;从所述基础数据中选取与所述历史报文数据的数据项相同的目标数据,作为测试报文数据;将所述测试报文数据与所述报文数据结构拼装成测试报文;基于所述测试报文进行模拟测试,得到所述用户的第二资源调整类型;
对所述第一资源调整类型和所述第二资源调整类型进行比较,并根据比较得到的结果调整所述用户的资源;
在根据比较得到的结果调整所述用户的资源之前,所述方法还包括:确定跑批任务时段;获取系统当前时间;判断所述系统当前时间是否处于所述跑批任务时段内;当所述系统当前时间处于所述跑批任务时段内,从资源调整规则中获取资源增加表,并将所述资源增加表确定为第一调整策略;当所述系统当前时间不处于所述跑批任务时段内,从所述资源调整规则中获取资源释放表,并将所述资源释放表确定为第二调整策略,其中,所述确定跑批任务时段包括:获取历史资源利用率数据和当前资源利用率数据;基于所述历史资源利用率数据建立资源利用率预测模型;根据所述资源利用率预测模型确定所述当前资源利用率数据对应的资源利用率的预测值集合;基于所述预测值集合中的各个预测值和预设的清理阈值确定调整时间集合;将所述调整时间集合内的各个时间段确定为跑批任务时段。
2.如权利要求1所述的基于人工智能的资源管控方法,其特征在于,所述基于所述行为数据识别所述用户的意图包括:
获取所述行为数据对应的目标场景,及获取所述目标场景对应的测试行为数据;
将所述行为数据输入至预先训练的意图识别模型中,得到所述意图识别模型的多个意图识别层输出的多个第一意图识别结果;
将所述测试行为数据输入至所述预先训练的意图识别模型中,得到所述意图识别模型的多个意图识别层输出的多个第二意图识别结果;
根据所述多个第一意图识别结果及所述多个第二意图识别结果确定目标意图识别层;
根据所述目标意图识别层输出的第一意图识别结果,确定所述用户的意图。
3.如权利要求2所述的基于人工智能的资源管控方法,其特征在于,所述根据所述多个第一意图识别结果及所述多个第二意图识别结果确定目标意图识别层包括:
计算每个所述意图识别层输出的第一意图识别结果与对应的第二意图识别结果的相似度;
根据所述相似度确定所述目标意图识别层。
4.如权利要求1所述的基于人工智能的资源管控方法,其特征在于,所述根据比较得到的结果调整所述用户的资源包括:
当所述比较得到的结果为所述第一资源调整类型和所述第二资源调整类型相同,且所述系统当前时间处于所述跑批任务时段内时,使用所述第一调整策略调整所述用户的资源;
当所述比较得到的结果为所述第一资源调整类型和所述第二资源调整类型相同,但所述系统当前时间不处于所述跑批任务时段内时,使用所述第二调整策略调整所述用户的资源;
当所述比较得到的结果为所述第一资源调整类型和所述第二资源调整类型不相同时,不调整所述用户的资源。
5.一种基于人工智能的资源管控装置,其特征在于,所述装置包括:
第一识别模块,用于获取用户的行为数据,并基于所述行为数据识别所述用户的意图;
数据获取模块,用于根据所述用户的意图获取所述用户的基础数据;
第二识别模块,用于根据所述用户的意图及所述基础数据识别所述用户的第一资源调整类型;
模拟测试模块,用于对所述基础数据进行模拟测试,得到所述用户的第二资源调整类型,包括:获取电子设备的设备类型标识信息;根据所述设备类型标识信息获取报文数据结构及历史报文数据;从所述基础数据中选取与所述历史报文数据的数据项相同的目标数据,作为测试报文数据;将所述测试报文数据与所述报文数据结构拼装成测试报文;基于所述测试报文进行模拟测试,得到所述用户的第二资源调整类型;
资源调整模块,用于对所述第一资源调整类型和所述第二资源调整类型进行比较,并根据比较得到的结果调整所述用户的资源;
策略确定模块,用于在根据比较得到的结果调整所述用户的资源之前,确定跑批任务时段;获取系统当前时间;判断所述系统当前时间是否处于所述跑批任务时段内;当所述系统当前时间处于所述跑批任务时段内,从资源调整规则中获取资源增加表,并将所述资源增加表确定为第一调整策略;当所述系统当前时间不处于所述跑批任务时段内,从所述资源调整规则中获取资源释放表,并将所述资源释放表确定为第二调整策略,其中,所述确定跑批任务时段包括:获取历史资源利用率数据和当前资源利用率数据;基于所述历史资源利用率数据建立资源利用率预测模型;根据所述资源利用率预测模型确定所述当前资源利用率数据对应的资源利用率的预测值集合;基于所述预测值集合中的各个预测值和预设的清理阈值确定调整时间集合;将所述调整时间集合内的各个时间段确定为跑批任务时段。
6.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如权利要求1至4中任意一项所述基于人工智能的资源管控方法。
7.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述基于人工智能的资源管控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111436036.0A CN114119203B (zh) | 2021-11-29 | 基于人工智能的资源管控方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111436036.0A CN114119203B (zh) | 2021-11-29 | 基于人工智能的资源管控方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114119203A CN114119203A (zh) | 2022-03-01 |
CN114119203B true CN114119203B (zh) | 2024-07-02 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016789A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 互联网金融业务处理方法、装置和电子设备 |
CN113327037A (zh) * | 2021-05-31 | 2021-08-31 | 平安国际智慧城市科技股份有限公司 | 基于模型的风险识别方法、装置、计算机设备和存储介质 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016789A (zh) * | 2020-07-15 | 2020-12-01 | 北京淇瑀信息科技有限公司 | 互联网金融业务处理方法、装置和电子设备 |
CN113327037A (zh) * | 2021-05-31 | 2021-08-31 | 平安国际智慧城市科技股份有限公司 | 基于模型的风险识别方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782240B (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
US11531987B2 (en) | User profiling based on transaction data associated with a user | |
US20160004984A1 (en) | Service oriented architecture optimization system and method | |
CN112330412B (zh) | 一种产品推荐方法、装置、计算机设备及存储介质 | |
CN112256886B (zh) | 图谱中的概率计算方法、装置、计算机设备及存储介质 | |
CN111860522B (zh) | 身份证图片处理方法、装置、终端及存储介质 | |
CN112101311A (zh) | 基于人工智能的双录质检方法、装置、计算机设备及介质 | |
CN111798302A (zh) | 基于微服务的额度更新方法、装置、电子设备及存储介质 | |
WO2019023372A1 (en) | SECURITY OF AN ELECTRONIC PAYMENT NETWORK | |
CN111639706A (zh) | 基于图像集的个人风险画像生成方法及相关设备 | |
CN112634017A (zh) | 远程开卡激活方法、装置、电子设备及计算机存储介质 | |
CN112927064A (zh) | 延期还款数据处理方法、装置、电子设备及存储介质 | |
CN112948275A (zh) | 测试数据生成方法、装置、设备及存储介质 | |
CN112330432B (zh) | 风险等级识别模型训练方法、识别方法、终端及存储介质 | |
CN114119203B (zh) | 基于人工智能的资源管控方法、装置、电子设备及介质 | |
CN116797345A (zh) | 任务处理方法、装置、计算机设备及存储介质 | |
CN111242779A (zh) | 金融数据特征选择和预测方法、装置、设备及存储介质 | |
CN116681045A (zh) | 报表生成方法、装置、计算机设备及存储介质 | |
CN114245204B (zh) | 基于人工智能的视频面签方法、装置、电子设备及介质 | |
CN113987351A (zh) | 基于人工智能的智能推荐方法、装置、电子设备及介质 | |
CN112084408B (zh) | 名单数据筛选方法、装置、计算机设备及存储介质 | |
CN114331661A (zh) | 数据核验方法、装置、电子设备及存储介质 | |
CN114372892A (zh) | 支付数据监控方法、装置、设备及介质 | |
CN114664458A (zh) | 患者分类装置、计算机设备及存储介质 | |
CN110300961A (zh) | 统一智能连接器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |