CN114265740A - 错误信息处理方法、装置、设备及存储介质 - Google Patents
错误信息处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114265740A CN114265740A CN202111423705.0A CN202111423705A CN114265740A CN 114265740 A CN114265740 A CN 114265740A CN 202111423705 A CN202111423705 A CN 202111423705A CN 114265740 A CN114265740 A CN 114265740A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- error
- screened
- maintenance person
- error information
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 44
- 238000003672 processing method Methods 0.000 title claims abstract description 26
- 238000012423 maintenance Methods 0.000 claims abstract description 290
- 238000000034 method Methods 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 29
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种错误信息处理方法、装置、设备及存储介质。该方法接收用户终端发送的错误信息，并对错误信息进行预处理，得到目标错误信息；将目标错误信息输入预设的错误类别分类模型中，以获得对应的错误类别标识；在预设运维评分矩阵中，确定与错误类别标识对应的多个待筛选运维者，并获取每个待筛选运维者对应得到的评分；在运维字典中，确定每个待筛选运维者的当前任务量；根据每个待筛选运维者对应的评分和当前任务量，确定相应被选中的概率；根据每个待筛选运维者被选中的概率从多个待筛选运维者中筛选得到目标运维者，并将错误信息发送至目标运维者的终端，以使目标运维者对错误信息进行处理。本申请增加了错误信息处理效率。
Description
技术领域
本申请涉及数据处理技术，尤其涉及一种错误信息处理方法、装置、设备及存储介质。
背景技术
运营商营业厅业务受理人员在使用业务支撑系统为客户办理业务时，会遇到业务支撑系统出现错误的情况，导致业务办理流程阻塞。这种情况通常是因为用户数据状态存在错误，需要运维人员修复数据。
目前，当出现系统错误时营业厅的业务受理人员需要将错误详情反馈至问题受理人员，问题受理人员确定错误所属类别，再将该系统错误返回至合适的运维人员处以完成错误的修复。
但是，通过人工错误指派的方法受到问题受理人员的能力限制，存在效率较低的问题。
发明内容
本申请提供一种错误信息处理方法、装置、设备及存储介质，用以解决通过人工错误指派的方法效率较低问题。
第一方面，本申请提供一种错误信息处理方法，包括：
接收用户终端发送的错误信息，并对错误信息进行预处理，得到目标错误信息；将目标错误信息输入预设的错误类别分类模型中，以获得目标错误信息对应的错误类别标识；在预设运维评分矩阵中，确定与错误类别标识对应的多个待筛选运维者，并获取每个待筛选运维者处理错误类别标识对应错误类别的错误信息得到的评分；在运维字典中，确定每个待筛选运维者的当前任务量，其中运维字典中包含每个运维者对应的标识与每个运维者当前任务量的对应关系；根据每个待筛选运维者对应的评分和当前任务量，确定每个待筛选运维者被选中的概率；根据每个待筛选运维者被选中的概率从多个待筛选运维者中筛选得到目标运维者，并将错误信息发送至目标运维者的终端，以使目标运维者对错误信息进行处理。
在一种可能的实现方式中，根据待筛选运维者在该错误类别下的评分和待筛选运维者的当前任务量，确定每个待筛选运维者被选中的概率，包括：根据如下公式计算每个待筛选运维者被选中的概率：
式中，pi表示第i个待筛选运维者被指派的概率，aij表示第i个待筛选运维者在错误类别j的评分，T表示错误类别j对应的待筛选运维者总数，Si表示第i个待筛选运维者当前的任务量，C为归一化因子。
在一种可能的实现方式中，在预设运维评分矩阵中，确定错误类别标识对应的多个待筛选运维者，包括：统计预设运维评分矩阵中每个与错误类别标识对应的多个预筛选运维者以及每个预筛选运维者对应的评分，将预筛选运维者对应的评分高于预设比例评分的预筛选运维者确定为待筛选运维者，其中预设运维评分矩阵以第一预设时段内运维者数量M为行数，以错误类别数量N为列数，矩阵的i行j列的元素值表示第i个运维者处理错误类别j的评分。
在一种可能的实现方式中，上述错误信息处理方法还包括建立预设的错误类别分类模型的步骤，包括：获取第二预设时段内的错误日志，并对错误日志进行预处理，得到目标错误日志；获取第二预设时段内与目标错误日志对应的错误类别标识，以使目标错误日志与错误类别标识相匹配，得到日志数据集；按预设比例对日志数据集进行划分，得到训练集与测试集；采用训练集与测试集分别对FastText深度文本分类网络进行模型训练与验证，得到预设的错误类别分类模型。
在一种可能的实现方式中，上述错误信息处理方法还包括建立运维字典的步骤：获取每个待筛选运维者的当前任务量；将每个待筛选运维者对应的标识作为输入值，每个待筛选运维者的当前任务量作为输出值，确定为运维字典。
第二方面，本申请提供一种错误信息处理装置，包括：目标错误信息获取模块，用于接收用户终端发送的错误信息，并对错误信息进行预处理，得到目标错误信息；错误类别标识输出模块，用于将目标错误信息输入预设的错误类别分类模型中，以输出目标错误信息对应的错误类别标识；评分获取模块，用于在预设运维评分矩阵中，确定与错误类别标识对应的多个待筛选运维者，并获取每个待筛选运维者处理错误类别标识对应错误类别的错误信息得到的评分；任务量确定模块，用于在运维字典中，确定每个待筛选运维者的当前任务量，其中运维字典中包含每个运维者对应的标识与每个运维者当前任务量的对应关系；概率确定模块，用于根据每个待筛选运维者对应的评分和当前任务量，确定每个待筛选运维者被选中的概率；错误信息发送模块，用于根据每个待筛选运维者被选中的概率从多个待筛选运维者中筛选得到目标运维者，并将错误信息发送至目标运维者的终端，以使目标运维者对错误信息进行处理。
在一种可能的实现方式中，概率确定模块，具体用于：根据如下公式计算每个待筛选运维者被选中的概率：
式中，pi表示第i个待筛选运维者被指派的概率，aij表示第i个待筛选运维者在错误类别j的评分，T表示错误类别j对应的待筛选运维者总数，Si表示第i个待筛选运维者当前的任务量，C为归一化因子。
在一种可能的实现方式中，评分获取模块，具体用于：统计预设运维评分矩阵中每个与错误类别标识对应的多个预筛选运维者以及每个预筛选运维者对应的评分，将预筛选运维者对应的评分高于预设比例评分的预筛选运维者确定为待筛选运维者，其中预设运维评分矩阵以第一预设时段内运维者数量M为行数，以错误类别数量N为列数，矩阵的i行j列的元素值表示第i个运维者处理错误类别j的评分。
第三方面，本申请提供一种电子设备，包括：处理器，以及与处理器通信连接的存储器；
存储器存储计算机执行指令；
处理器执行存储器存储的计算机执行指令，以实现如上述第一方面的错误信息处理方法。
第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如上述第一方面的错误信息处理方法。
本申请提供的错误信息处理方法、装置、设备及存储介质，通过接收用户终端发送的错误信息，并对错误信息进行预处理，得到目标错误信息，再将目标错误信息输入预设的错误类别分类模型中，得到对应的错误类别标识，然后在预设运维评分矩阵中，确定与错误类别标识对应的多个待筛选运维者，并获取每个待筛选运维者处理错误类别标识对应错误类别的错误信息得到的评分，再在运维字典中，确定每个待筛选运维者的当前任务量，根据每个待筛选运维者对应的评分和当前任务量，确定每个待筛选运维者被选中的概率，最后根据每个待筛选运维者被选中的概率从多个待筛选运维者中筛选得到目标运维者，并将错误信息发送至目标运维者的终端，以使目标运维者对错误信息进行处理，实现了增加错误信息处理效率的效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的错误信息处理方法的应用场景示意图；
图2为本申请实施例提供的错误信息处理方法的流程示意图；
图3为本申请实施例提供的错误类别与运维者字典示意图；
图4为本申请实施例提供的运维字典示意图；
图5为本申请实施例提供的错误信息处理装置示意图一；
图6为本申请实施例提供的错误信息处理装置示意图二；
图7为本申请实施例提供的电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在运营商营业厅业务受理人员在使用业务支撑系统为客户办理业务时，会遇到业务支撑系统出现错误的情况，业务支撑系统出现错误会导致业务办理流程阻塞，减缓业务办理速度。业务支撑系统出现错误通常是因为用户数据状态存在错误，需要运维人员修复数据。错误分配的速度也就决定了回复业务办理的时间，这就需要将错误信息快速准确地分配给合适的运维人员。
当前错误指派的过程通常需要营业厅的业务受理人员需要将错误详情反馈至问题受理人员，问题受理人员确定错误所属类别，再将该系统错误返回至合适的运维人员处以完成错误的修复。这种错误指派的方法受到人员能力限制，存在效率较低的问题。
本申请实施例为了解决上述错误指派方法效率较低的问题，提出一种错误信息处理方法，该方法在接收到错误信息后对错误信息进行预处理，得到目标错误信息，再把目标错误信息输入预设的错误类别分类模型，从而得到相应的错误类别标识，使用预设运维评分矩阵确定与错误类别标识对应的多个待筛选运维者，同时在预设运维评分矩阵中确定每个待筛选运维者处理此错误类别的错误信息得到的评分，在运维字典获得每个待筛选运维者的当前任务量，根据每个待筛选运维者对应的评分和当前任务量，确定每个待筛选运维者被选中的概率，最后根据上述概率对待筛选运维者进行筛选，得到目标运维者，并将错输信息发送到目标运维者的终端，以完成对上述错误信息的处理。
本申请实施例提供一种错误信息处理方法、装置、设备、存储介质，应用于错误信息处理的场景中。图1为本申请实施例提供的错误信息处理方法的应用场景示意图。如图1，该场景中，包括：用户终端101、服务器102以及目标运维者的终端103。
在具体实现过程中，用户终端101用于向服务器102发送错误信息。
服务器102，用于根据错误信息、运维相关历史数据以及运维人员当前工作量筛选出目标运维者，并将错误信息发送至目标运维者的终端103。
上述用户终端101和目标运维者的终端可以是计算机、平板、手机、掌上电脑(Personal Digital Assistant，PDA)、笔记本或其它任何具有联网功能的计算设备，客户端可与鼠标、键盘等输入设备相连。而上述服务器102则可以利用具有更强大处理能力和更高安全性的一个服务器或服务器组来实现，本申请对服务器数量不作限制。而它们之间通信连接所使用的网络可以包括各种类型的有线和无线网络，例如但不局限于：互联网、局域网、无线保真(Wireless Fidelity，WIFI)、无线局域网(Wireless Local Area Networks，WLAN)、蜂窝通信网络(通用分组无线服务技术(General Packet Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、2G/3G/4G/5G蜂窝网络)、卫星通信网络等等。
可以理解的是，本申请实施例示意的结构并不构成对错误信息处理方法的具体限定。在本申请另一些可行的实施方式中，上述架构可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置，具体可根据实际应用场景确定，在此不做限制。图1所示的部件可以以硬件，软件，或软件与硬件的组合实现。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图2为本申请实施例提供的错误信息处理方法的流程示意图。本申请实施例的执行主体可以是图1中的服务器102，也可以是电脑和/或手机等，本实施例对此不作特别限制。如图2所示，该方法包括：
S201：接收用户终端发送的错误信息，并对错误信息进行预处理，得到目标错误信息。
其中，错误信息包含关键信息和无效信息，目标错误信息可以是去除无效信息的错误信息。
在本步骤中，对错误信息进行预处理就是将错误信息中的无效信息去除，可以是利用自然语言处理技术对错误信息进行去除停用词和/或分词处理。
具体的，例如错误信息为“出现系统关联错误，请联系技术人员处理”，进行去除停用词处理后，得到的目标错误信息为“系统关联错误，联系技术人员处理”，此时用到的停用词为“出现”以及“请”；错误信息为“出现数据载入错误相关问题”，进行去除停用词以及分词处理后，得到的目标错误信息为“数据”和“载入错误”，此时用到的停用词为“出现”以及“相关问题”，本申请对错误信息和目标错误信息的具体形式不作限制。
在一种可能的实现方式中，上述停用词可以是接收终端设备发送的设置信息，并根据设置信息预先设置的。
S202：将目标错误信息输入预设的错误类别分类模型中，以获得目标错误信息对应的错误类别标识。
其中，预设的错误类别标识可以是数字、字母、符号和汉字中一种或多种的组合，本申请对错误类别标识的具体形式不作限制。
在本步骤中，预设的错误类别分类模型用于根据目标错误信息得到目标错误信息相应的错误类别标识，预设的错误类别分类模型可以是使用历史数据预先训练得到的。
S203：在预设运维评分矩阵中，确定与错误类别标识对应的多个待筛选运维者，并获取每个待筛选运维者处理错误类别标识对应错误类别的错误信息得到的评分。
在本步骤中，预设运维评分矩阵可以是预先根据历史错误信息对应运维人员和历史错误信息处理评分得到的。确定与错误类别标识对应的多个待筛选运维者，可以是根据错误类别标识在矩阵中找到与错误类别标识相应的所有运维者，并使用矩阵元素对所有与错误类别标识相应的所有运维者进行筛选，也就是使用历史错误信息处理的评分对所有与错误类别标识相应的所有运维者进行筛选。上述评分可以是历史评分的平均分，也可以是中位数。
S204：在运维字典中，确定每个待筛选运维者的当前任务量，其中运维字典中包含每个运维者对应的标识与每个运维者当前任务量的对应关系。
在本步骤中，待筛选运维者对应的标识同样可以是数字、字母、符号和/或汉字的组合，根据运维者对应的标识可在运维字典中查询到对应运维者当前的任务量。
S205：根据每个待筛选运维者对应的评分和当前任务量，确定每个待筛选运维者被选中的概率。
在一种可能的实现方式中，可以根据如下公式计算每个待筛选运维者被选中的概率：
式中，pi表示第i个待筛选运维者被指派的概率，aij表示第i个待筛选运维者在错误类别j的评分，T表示错误类别j对应的待筛选运维者总数，Si表示第i个待筛选运维者当前的任务量，C为归一化因子。
S206：根据每个待筛选运维者被选中的概率从多个待筛选运维者中筛选得到目标运维者，并将错误信息发送至目标运维者的终端，以使目标运维者对错误信息进行处理。
在本步骤中，筛选得到目标运维者可以是从所有待筛选运维者中选出相应概率最大的一个待筛选运维者，也可以是从相应概率最大的预设个待筛选运维者中随机选择一个待筛选运维者作为目标运维者。
从上述实施例的描述可知，本申请实施例通过接收用户终端发送的错误信息，并对错误信息进行预处理，得到目标错误信息，再将目标错误信息输入预设的错误类别分类模型中，得到对应的错误类别标识，然后在预设运维评分矩阵中，确定与错误类别标识对应的多个待筛选运维者，并获取每个待筛选运维者处理错误类别标识对应错误类别的错误信息得到的评分，再在运维字典中，确定每个待筛选运维者的当前任务量，根据每个待筛选运维者对应的评分和当前任务量，确定每个待筛选运维者被选中的概率，最后根据每个待筛选运维者被选中的概率从多个待筛选运维者中筛选得到目标运维者，并将错误信息发送至目标运维者的终端，以使目标运维者对错误信息进行处理，实现了增加了错误信息处理效率的效果。
在一种可能的实现方式中，上述步骤S203：在预设运维评分矩阵中，确定错误类别标识对应的多个待筛选运维者，具体包括统计预设运维评分矩阵中每个与错误类别标识对应的多个预筛选运维者以及每个预筛选运维者对应的评分，将预筛选运维者对应的评分高于预设比例评分的预筛选运维者确定为待筛选运维者，其中预设运维评分矩阵以第一预设时段内运维者数量M为行数，以错误类别数量N为列数，矩阵的i行j列的元素值表示第i个运维者处理错误类别j的评分。
其中，每个错误类别对应多个运维者，每个运维者也对应多个错误类别，凭借错误类别标识可在预设运维评分矩阵中找到多个对应的待筛选运维者。
例如，当前错误类别标识对应的运维者共有10个，其中有两个4分，三个5分，四个7分，一个9分，则选择7分和9分的运维者作为待筛选运维者，此时预设比例为50％。若此时预设比例为30％，则在四个评分为7分的运维者中随机选择两个，与评分为9分的运维者一起作为待筛选运维者。
在一种可能的实现方式中，在上述步骤S203之后，还包括构建错误类别与运维者字典的过程。
图3为本申请实施例提供的错误类别与运维者字典示意图。如图3所示，错误类别与运维者字典可以是将错误类别标识作为输入值，与错误类别相对应的待筛选运维者作为输出值的字典。
从上述实施例的描述可知，通过构建错误类别与运维者字典，可以便于后续通过错误类别标识找到合适的待筛选运维者。
在一种可能的实现方式中，在上述步骤之外，还包括建立预设的错误类别分类模型的步骤，具体还包括：
S401：获取第二预设时段内的错误日志，并对错误日志进行预处理，得到目标错误日志。
在本步骤中，错误日志可以是第二预设时段内处理历史错误信息处理时记录下的，也可以是从额外的存储设备读取的，本申请实施例对错误日志获取来源不作具体限制。错误日志可以包括第二预设时间段内接收到的错误信息与相应的时间及位置的列表。预处理可以是对错误日志进行去停用词以及分词处理。第二预设时段可以是30天、90天或180天等。
例如，错误日志为“出现数据读取错误，请联系技术人员处理，某年某月某日，某营业厅”，经过预处理后得到的目标错误日志可以是“数据读取错误”。
S402：获取第二预设时段内与目标错误日志对应的错误类别标识，以使目标错误日志与错误类别标识相匹配，得到日志数据集。
在本步骤中，错误类别标识可以是接收终端设备发送的错误类别标识数据获得的，日志数据集可以是目标错误日志与相应的错误类别标识组成的列表。
S403：按预设比例对日志数据集进行划分，得到训练集与测试集。
在本步骤中，进行划分可以是将部分目标错误日志与相应的错误类别标识组成的列表分为训练集，剩余部分作为测试集。其中，对日志数据集划分的预设比例可以是7:3，也可以是8:2，通常训练集占比较多，本申请对预设比例不作具体限制，可以完成模型训练即可。
S404：采用训练集与测试集分别对FastText深度文本分类网络进行模型训练与验证，得到预设的错误类别分类模型。
在本步骤中，对FastText深度文本分类网络进行模型训练的过程，可以是搭建FastText深度文本分类网络，利用该网络拟合训练集，具体的可以是将训练集中每条目标错误日志作为输入，将对应的错误类别标识作为目标，如果通过目标错误日志得到的输出值与对应的错误类别标识存在差距，即输出值与对应的错误类别标识不符，或多个输出值与对应的错误类别标识不符的比例大于训练预设值，则通过反向传播算法调整FastText深度文本分类网络内的各个参数，直至上述差距小于预设差距值，就得到了待验证错误类别分类模型。然后使用待验证错误类别分类模型在测试集进行验证，若得到的测试输出值与错误类别标识不存在差距，或差距小于上述训练预设值，则将待验证错误类别分类模型确定为预设的错误类别分类模型，否则通过反向传播算法调整FastText深度文本分类网络内的各个参数，直至测试输出值符合相应错误类别标识。最终得到的预设的错误类别分类模型可以属于FastText深度文本分类网络，训练调整了FastText深度文本分类网络每个节点的参数值。
从上述实施例的描述可知，本申请实施例对第二预设时段内的错误日志进行预处理，得到目标错误日志，并获取目标错误日志对应的错误类别标识，以使目标错误日志与错误类别标识相匹配，得到日志数据集，进一步对日志数据集进行划分得到了用于模型训练的训练集和用于测试模型的测试集，最后采用训练集与测试集分别对FastText深度文本分类网络进行模型训练与验证，从而得到了预设的错误类别分类模型。
在一种可能的实现方式中，在上述实施例的步骤之外，还包括建立运维字典的步骤：
S501：获取每个待筛选运维者的当前任务量。
在本步骤中，当前任务量可以是待筛选运维者待处理和正在处理的错误数量。
S502：将每个待筛选运维者对应的标识作为输入值，每个待筛选运维者的当前任务量作为输出值，确定为运维字典。
图4为本申请实施例提供的运维字典示意图。如图4所示，当前待筛选运维者1的当前任务量为3，待筛选运维者2的当前任务量为5，待筛选运维者3的当前任务量为1，待筛选运维者4的当前任务量为2。
从上述实施例的描述可知，通过获取每个待筛选运维者的当前任务量，并将每个待筛选运维者对应的标识作为输入值，每个待筛选运维者的当前任务量作为输出值得到运维字典，可以为后续查询待任一筛选运维者当前任务量提供便利。
图5为本申请实施例提供的错误信息处理装置示意图一。如图3所示，错误信息处理装置500包括目标错误信息获取模块501、错误类别标识输出模块502、评分获取模块503、任务量确定模块504、概率确定模块505以及错误信息发送模块506。
目标错误信息获取模块501，用于接收用户终端发送的错误信息，并对错误信息进行预处理，得到目标错误信息；
错误类别标识输出模块502，用于将目标错误信息输入预设的错误类别分类模型中，以输出目标错误信息对应的错误类别标识；
评分获取模块503，用于在预设运维评分矩阵中，确定与错误类别标识对应的多个待筛选运维者，并获取每个待筛选运维者处理错误类别标识对应错误类别的错误信息得到的评分；
任务量确定模块504，用于在运维字典中，确定每个待筛选运维者的当前任务量，其中运维字典中包含每个运维者对应的标识与每个运维者当前任务量的对应关系；
概率确定模块505，用于根据每个待筛选运维者对应的评分和当前任务量，确定每个待筛选运维者被选中的概率；
错误信息发送模块506，用于根据每个待筛选运维者被选中的概率从多个待筛选运维者中筛选得到目标运维者，并将错误信息发送至目标运维者的终端，以使目标运维者对错误信息进行处理。
在一种可能的实现方式中，概率确定模块505，具体用于：
根据如下公式计算每个待筛选运维者被选中的概率：
式中，pi表示第i个待筛选运维者被指派的概率，aij表示第i个待筛选运维者在错误类别j的评分，T表示错误类别j对应的待筛选运维者总数，Si表示第i个待筛选运维者当前的任务量，C为归一化因子。
在一种可能的实现方式中，评分获取模块503，具体用于：
统计预设运维评分矩阵中每个与错误类别标识对应的多个预筛选运维者以及每个预筛选运维者对应的评分，将预筛选运维者对应的评分高于预设比例评分的预筛选运维者确定为待筛选运维者，其中预设运维评分矩阵以第一预设时段内运维者数量M为行数，以错误类别数量N为列数，矩阵的i行j列的元素值表示第i个运维者处理错误类别j的评分。
图6为本申请实施例提供的错误信息处理装置示意图二。如图6所示，错误信息处理装置还可以包括分类模型建立模块507，用于获取第二预设时段内的错误日志，并对错误日志进行预处理，得到目标错误日志。获取第二预设时段内与目标错误日志对应的错误类别标识，以使目标错误日志与错误类别标识相匹配，得到日志数据集。按预设比例对日志数据集进行划分，得到训练集与测试集。采用训练集与测试集分别对FastText深度文本分类网络进行模型训练与验证，得到预设的错误类别分类模型。
继续参考图6，如图6所示，错误信息处理装置还可以包括运维字典建立模块508，用于获取每个待筛选运维者的当前任务量。将每个待筛选运维者对应的标识作为输入值，每个待筛选运维者的当前任务量作为输出值，确定为运维字典。
图7为本申请实施例提供的电子设备的结构示意图。示例的，请参见图7所示，该电子设备700可以包括处理器701，以及与处理器通信连接的存储器702。
存储器702存储计算机执行指令。
处理器701执行存储器702存储的计算机执行指令，以实现如上述任一实施例提供的错误信息处理方法。
可选地，存储器702既可以是独立的，也可以跟处理器701集成在一起。当存储器702是独立于处理器701之外的器件时，电子设备还可以包括：总线，用于连接存储器702和处理器701。
本申请还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现上述任一实施例中的错误信息处理方法的技术方案，其实现原理以及有益效果与错误信息处理方法的实现原理及有益效果类似，可参见错误信息处理方法的实现原理及有益效果，此处不再进行赘述。
本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时，实现上述任一实施例中的错误信息处理方法的技术方案，其实现原理以及有益效果与错误信息处理方法的实现原理及有益效果类似，可参见错误信息处理方法的实现原理及有益效果，此处不再进行赘述。
在本申请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。例如，以上所描述的设备实施例仅仅是示意性的，例如，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，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
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。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块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。
上述以软件功能模块的形式实现的集成的模块，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，服务器，或者网络设备等)或处理器执行本申请各个实施例中方法的部分步骤。
应理解，上述处理器可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture，简称ISA)总线、外部设备互连(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解：实现上述各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，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种错误信息处理方法，其特征在于，包括：
接收用户终端发送的错误信息，并对所述错误信息进行预处理，得到目标错误信息；
将所述目标错误信息输入预设的错误类别分类模型中，以获得所述目标错误信息对应的错误类别标识；
在预设运维评分矩阵中，确定与所述错误类别标识对应的多个待筛选运维者，并获取每个待筛选运维者处理所述错误类别标识对应错误类别的错误信息得到的评分；
在运维字典中，确定每个待筛选运维者的当前任务量，其中所述运维字典中包含每个运维者对应的标识与每个运维者当前任务量的对应关系；
根据每个待筛选运维者对应的评分和当前任务量，确定每个待筛选运维者被选中的概率；
根据所述每个待筛选运维者被选中的概率从所述多个待筛选运维者中筛选得到目标运维者，并将所述错误信息发送至所述目标运维者的终端，以使所述目标运维者对所述错误信息进行处理。
2.根据权利要求1所述的方法，其特征在于，所述根据所述待筛选运维者在该错误类别下的评分和所述待筛选运维者的当前任务量，确定每个待筛选运维者被选中的概率，包括：
根据如下公式计算每个待筛选运维者被选中的概率：
式中，pi表示第i个待筛选运维者被指派的概率，aij表示所述第i个待筛选运维者在错误类别j的评分，T表示错误类别j对应的待筛选运维者总数，Si表示所述第i个待筛选运维者当前的任务量，C为归一化因子。
3.根据权利要求1所述的方法，其特征在于，所述在预设运维评分矩阵中，确定所述错误类别标识对应的多个待筛选运维者，包括：
统计所述预设运维评分矩阵中每个与所述错误类别标识对应的多个预筛选运维者以及每个预筛选运维者对应的评分，将所述预筛选运维者对应的评分高于预设比例评分的预筛选运维者确定为待筛选运维者，其中所述预设运维评分矩阵以第一预设时段内运维者数量M为行数，以错误类别数量N为列数，矩阵的i行j列的元素值表示第i个运维者处理错误类别j的评分。
4.根据权利要求1至3任一项所述的方法，其特征在于，还包括建立所述预设的错误类别分类模型的步骤，包括：
获取第二预设时段内的错误日志，并对所述错误日志进行预处理，得到目标错误日志；
获取所述第二预设时段内与所述目标错误日志对应的所述错误类别标识，以使所述目标错误日志与所述错误类别标识相匹配，得到日志数据集；
按预设比例对所述日志数据集进行划分，得到训练集与测试集；
采用所述训练集与所述测试集分别对FastText深度文本分类网络进行模型训练与验证，得到所述预设的错误类别分类模型。
5.根据权利要求1至3任一项所述的方法，其特征在于，还包括建立运维字典的步骤：
获取每个待筛选运维者的当前任务量；
将每个待筛选运维者对应的标识作为输入值，每个待筛选运维者的当前任务量作为输出值，确定为运维字典。
6.一种错误信息处理装置，其特征在于，包括：
目标错误信息获取模块，用于接收用户终端发送的错误信息，并对所述错误信息进行预处理，得到目标错误信息；
错误类别标识输出模块，用于将所述目标错误信息输入预设的错误类别分类模型中，以输出所述目标错误信息对应的错误类别标识；
评分获取模块，用于在预设运维评分矩阵中，确定与所述错误类别标识对应的多个待筛选运维者，并获取每个待筛选运维者处理所述错误类别标识对应错误类别的错误信息得到的评分；
任务量确定模块，用于在运维字典中，确定每个待筛选运维者的当前任务量，其中所述运维字典中包含每个运维者对应的标识与每个运维者当前任务量的对应关系；
概率确定模块，用于根据每个待筛选运维者对应的评分和当前任务量，确定每个待筛选运维者被选中的概率；
错误信息发送模块，用于根据所述每个待筛选运维者被选中的概率从所述多个待筛选运维者中筛选得到目标运维者，并将所述错误信息发送至所述目标运维者的终端，以使所述目标运维者对所述错误信息进行处理。
7.根据权利要求6所述的装置，其特征在于，所述概率确定模块，具体用于：
根据如下公式计算每个待筛选运维者被选中的概率：
式中，pi表示第i个待筛选运维者被指派的概率，aij表示所述第i个待筛选运维者在错误类别j的评分，T表示错误类别j对应的待筛选运维者总数，Si表示所述第i个待筛选运维者当前的任务量，C为归一化因子。
8.根据权利要求6所述的装置，其特征在于，所述评分获取模块，具体用于：
统计所述预设运维评分矩阵中每个与所述错误类别标识对应的多个预筛选运维者以及每个预筛选运维者对应的评分，将所述预筛选运维者对应的评分高于预设比例评分的预筛选运维者确定为待筛选运维者，其中所述预设运维评分矩阵以第一预设时段内运维者数量M为行数，以错误类别数量N为列数，矩阵的i行j列的元素值表示第i个运维者处理错误类别j的评分。
9.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至5中任一项所述的错误信息处理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至5任一项所述的错误信息处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111423705.0A CN114265740A (zh) | 2021-11-26 | 2021-11-26 | 错误信息处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111423705.0A CN114265740A (zh) | 2021-11-26 | 2021-11-26 | 错误信息处理方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114265740A true CN114265740A (zh) | 2022-04-01 |
Family
ID=80825637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111423705.0A Pending CN114265740A (zh) | 2021-11-26 | 2021-11-26 | 错误信息处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114265740A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115865369A (zh) * | 2022-11-24 | 2023-03-28 | 中国联合网络通信集团有限公司 | 一种身份认证方法及装置 |
| CN117370284A (zh) * | 2023-12-08 | 2024-01-09 | 和元达信息科技有限公司 | 一种日志错误数据追踪方法及系统 |
-
2021
- 2021-11-26 CN CN202111423705.0A patent/CN114265740A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115865369A (zh) * | 2022-11-24 | 2023-03-28 | 中国联合网络通信集团有限公司 | 一种身份认证方法及装置 |
| CN117370284A (zh) * | 2023-12-08 | 2024-01-09 | 和元达信息科技有限公司 | 一种日志错误数据追踪方法及系统 |
| CN117370284B (zh) * | 2023-12-08 | 2024-03-15 | 和元达信息科技有限公司 | 一种日志错误数据追踪方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106294105B (zh) | 刷量工具检测方法和装置 | |
| CN110046929B (zh) | 一种欺诈团伙识别方法、装置、可读存储介质及终端设备 | |
| CN109885597B (zh) | 基于机器学习的用户分群处理方法、装置及电子终端 | |
| CN114265740A (zh) | 错误信息处理方法、装置、设备及存储介质 | |
| CN112560453A (zh) | 语音信息校验方法、装置、电子设备及介质 | |
| CN111352794B (zh) | 异常检测方法、装置、计算机装置及存储介质 | |
| CN111931047B (zh) | 基于人工智能的黑产账号检测方法及相关装置 | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN114860742A (zh) | 基于人工智能的ai客服交互方法、装置、设备及介质 | |
| CN114154198A (zh) | 数据处理方法及装置 | |
| CN113627160A (zh) | 文本纠错方法、装置、电子设备及存储介质 | |
| CN111177362B (zh) | 一种信息处理方法、装置、服务器及介质 | |
| CN109324963B (zh) | 自动测试收益结果的方法及终端设备 | |
| CN113065748A (zh) | 业务风险评估方法、装置、设备及存储介质 | |
| CN116629423A (zh) | 用户行为预测方法、装置、设备及存储介质 | |
| CN108304310B (zh) | 一种日志分析方法及计算设备 | |
| CN110189141A (zh) | 发票的验证方法、装置和计算机设备 | |
| CN114202250A (zh) | 一种企业评估系统、方法及电子设备 | |
| CN114363082A (zh) | 网络攻击检测方法、装置、设备及计算机可读存储介质 | |
| CN113269179A (zh) | 数据处理方法、装置、设备及存储介质 | |
| CN114169451A (zh) | 行为数据分类处理方法、装置、设备及存储介质 | |
| CN113468037A (zh) | 一种数据质量评估方法、装置、介质和电子设备 | |
| CN113905400B (zh) | 网络优化处理方法、装置、电子设备及存储介质 | |
| CN110825924B (zh) | 一种数据检测方法、装置及存储介质 | |
| CN110929111B (zh) | 用于匹配私有数据的匹配模式自动生成方法、装置及设备 |
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 |