CN114968412B - 基于人工智能的配置文件生成方法、装置、设备及介质 - Google Patents

基于人工智能的配置文件生成方法、装置、设备及介质 Download PDF

Info

Publication number
CN114968412B
CN114968412B CN202210699377.5A CN202210699377A CN114968412B CN 114968412 B CN114968412 B CN 114968412B CN 202210699377 A CN202210699377 A CN 202210699377A CN 114968412 B CN114968412 B CN 114968412B
Authority
CN
China
Prior art keywords
configuration
matrix
vocabulary
code
demand
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
Application number
CN202210699377.5A
Other languages
English (en)
Other versions
CN114968412A (zh
Inventor
关力瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202210699377.5A priority Critical patent/CN114968412B/zh
Publication of CN114968412A publication Critical patent/CN114968412A/zh
Application granted granted Critical
Publication of CN114968412B publication Critical patent/CN114968412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
    • G06F9/4451—User profiles; Roaming
    • 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
    • G06F40/216—Parsing using statistical methods
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提出一种基于人工智能的配置文件生成方法、装置、电子设备及存储介质，基于人工智能的配置文件生成方法包括：统计历史需求与每个历史需求对应的配置文件，所述历史需求和所述配置文件包含多个词汇，计算每个词汇的权重；基于所述词汇构建需求矩阵与配置矩阵；基于所述需求矩阵与配置矩阵计算每个词汇对应的备选编码，并计算所述备选编码与所述权重的乘积以作为编码数据；基于所述编码数据训练配置文件生成模型；查询待评估需求对应的待评估编码，将所述待评估编码输入所述配置文件生成模型以获得目标配置文件。该方法可以通过配置文件生成模型生成符合需求的配置文件，从而能够提升配置文件生成的准确度。

Description

基于人工智能的配置文件生成方法、装置、设备及介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种基于人工智能的配置文件生成方法、装置、电子设备及存储介质。
背景技术
随着信息技术的发展，互联网行业对于数据服务快速配置的需求也逐步增加，越来越多的企业倾向于依据用户需求快速生成数据服务的配置文件以提升业务效率。
目前，通常将每个历史需求和对应的配置文件存储为配置模板以提升配置文件的复用率和生成效率。然而，随着个性化的用户需求逐步增多，由这种方法生成的配置文件的准确性难以得到保证。
发明内容
鉴于以上内容，有必要提供一种基于人工智能的配置文件生成方法及相关设备，以解决如何提高配置文件生成的准确性这一技术问题，其中，相关设备包括基于人工智能的配置文件生成装置、电子设备及存储介质。
本申请实施例提供一种基于人工智能的配置文件生成方法，所述方法包括：
统计历史需求与每个历史需求对应的配置文件，所述历史需求和所述配置文件包含多个词汇，计算每个词汇的权重；
基于所述词汇构建需求矩阵与配置矩阵；
基于所述需求矩阵与配置矩阵计算每个词汇对应的备选编码，并计算所述备选编码与所述权重的乘积以作为每个词汇的编码数据；
基于所述编码数据训练配置文件生成模型；
查询待评估需求对应的待评估编码，将所述待评估编码输入所述配置文件生成模型以获得目标配置文件。
上述基于人工智能的配置文件生成方法通过计算历史需求和配置文件中每个词汇的权重，并基于所有词汇构建需求矩阵和配置矩阵，依据所述需求矩阵和所述配置矩阵计算了每个词汇对应的备选编码，并计算所述权重与备选编码的乘积获得编码数据，进而依据编码数据训练配置文件生成模型，将待评估需求对应的编码数据输入配置文件生成模型获得了目标配置文件，从而提升了配置文件生成的准确性。
在一些实施例中，所述计算每个词汇的权重包括：
对多个历史需求和每个历史需求对应的配置文件进行分词获得多个备选词汇；
计算每个备选词汇的词频以作为每个备选词汇的权重。
如此，通过对历史需求进行分词获得了多个备选词汇，计算每个备选词汇的词频作为每个词汇对应的权重，从而能够提升后续词汇编码的准确度。
在一些实施例中，所述基于所述词汇构建需求矩阵与配置矩阵包括：
依据所述词汇构建共现矩阵，所述共现矩阵包括需求共现矩阵与配置共现矩阵；
对共现矩阵进行奇异值分解获得需求特征矩阵和配置特征矩阵；
分别对所述需求特征矩阵和所述配置特征矩阵进行归一化处理获得需求矩阵和配置矩阵。
如此，依据所述备选词汇构建共现矩阵，对共现矩阵进行奇异值分解获得需求特征矩阵和配置特征矩阵，分别对所述需求特征矩阵和所述配置特征矩阵进行归一化处理以消除量纲差异，从而提升了后续计算编码数据的效率。
在一些实施例中，所述基于所述需求矩阵与配置矩阵计算每个词汇对应的备选编码，并计算所述备选编码与所述权重的乘积以作为每个词汇的编码数据，包括：
分别计算所述需求矩阵与配置矩阵中每一列数据的方差作为每一列数据对应的重要性指标；
依据预设的筛选阈值选取所述重要性指标较高的多列数据以构建备选矩阵，将所述备选矩阵中每一行对应的数据作为所述词汇的备选编码；
计算所述备选编码与所述权重的乘积以作为编码数据。
如此，计算所述需求矩阵中每一列数据的方差和所述配置矩阵中每一列数据的方差获得了每一列数据的重要性，并选取重要性较高的多列数据构建备选矩阵，进一步计算所述权重与所述备选矩阵中每一行数据的乘积获得编码数据，从而降低了数据维度，提升后续生成模型训练的效率。
在一些实施例中，所述基于所述编码数据训练配置文件生成模型包括：
基于所述编码数据构建历史数据集；
构建初始生成模型，所述初始生成模型包括编码器和解码器；
依据所述历史数据集训练所述初始生成模型获得配置文件生成模型。
如此，基于所述编码数据构建历史数据集，从历史数据集采集训练数据并送入初始生成模型，依据预设的损失函数迭代训练所述初始生成模型获得配置文件生成模型，从而提升了后续生成目标配置文件的准确度。
在一些实施例中，所述训练所述初始生成模型获得配置文件生成模型包括：
从所述历史数据集中采集训练数据；
将所述训练数据送入所述初始生成模型，依据预设的损失函数迭代训练所述初始生成模型获得配置文件生成模型。
如此，从历史数据中采集部分数据作为训练数据，并依据训练数据训练所述初始生成模型获得配置文件生成模型，从而能够提升模型训练的效率。
在一些实施例中，所述将所述待评估编码输入所述配置文件生成模型以获得目标配置文件包括：
将所述待评估编码输入所述配置文件生成模型以获得多个目标配置编码；
分别计算每个目标配置编码和每个配置编码的相似度，并选取最高相似度对应的配置编码作为目标编码，并依据目标编码查询目标词汇；
依据所述目标配置编码的排列顺序组合所述目标词汇获得目标配置文件。
如此，通过将待评估编码输入配置文件生成模型以获得多个目标配置编码，分别计算每个目标配置编码和每个配置编码的相似度，并选取最高相似度对应的配置编码作为目标编码，依据目标编码查询目标词汇，并依据目标配置编码的排列顺序组合目标词汇获得目标配置文件，无需人工解析待评估需求即可获得符合待评估需求的目标配置文件，从而能够实现由待评估需求端到端的生成目标配置文件，进而可提升配置文件生成的效率。
本申请实施例还提供一种基于人工智能的配置文件生成装置，所述装置包括：
统计单元，用于统计历史需求与每个历史需求对应的配置文件，所述历史需求和所述配置文件包含多个词汇，计算每个词汇的权重；
构建单元，用于基于所述词汇构建需求矩阵与配置矩阵；
编码单元，用于基于所述需求矩阵与配置矩阵计算每个词汇对应的备选编码，并计算所述备选编码与所述权重的乘积以作为编码数据；
训练单元，用于基于所述编码数据训练配置文件生成模型；
生成单元，用于查询待评估需求对应的待评估编码，将所述待评估编码输入所述配置文件生成模型以获得目标配置文件。
本申请实施例还提供一种电子设备，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的配置文件生成方法。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机可读指令，所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的配置文件生成方法。
上述基于人工智能的配置文件生成方法通过计算历史需求和配置文件中每个词汇的权重，并基于所有词汇构建需求矩阵和配置矩阵，依据所述需求矩阵和所述配置矩阵计算了每个词汇对应的备选编码，并计算所述权重与备选编码的乘积获得编码数据，进而依据编码数据训练配置文件生成模型，将待评估需求对应的编码数据输入配置文件生成模型获得了目标配置文件，从而提升了配置文件生成的准确性。
附图说明
图1是本申请所涉及的一种基于人工智能的配置文件生成方法的较佳实施例的流程图。
图2是本申请所涉及的基于人工智能的配置文件生成装置的较佳实施例的功能模块图。
图3是本申请所涉及的基于人工智能的配置文件生成方法的较佳实施例的电子设备的结构示意图。
图4是本申请实施例提供的一个历史需求对应的配置文件的示意图。
图5是本申请实施例所涉及的需求共现矩阵的示意图。
图6是本申请实施例所涉及的配置文件生成模型的结构示意图。
具体实施方式
为了能够更清楚地理解本申请的目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。在下面的描述中阐述了很多具体细节以便于充分理解本申请，所述描述的实施例仅是本申请一部分实施例，而不是全部的实施例。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
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申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请实施例提供一种基于人工智能的配置文件生成方法，可应用于一个或者多个电子设备中，所述电子设备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(ApplicationSpecificIntegratedCircuit，ASIC)、可编程门阵列(Field－ProgrammableGateArray，FPGA)、数字处理器(DigitalSignalProcessor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户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、个人数字助理(PersonalDigitalAssistant，PDA)、游戏机、交互式网络电视(InternetProtocolTelevision，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(VirtualPrivateNetwork，VPN)等。
如图1所示，是本申请基于人工智能的配置文件生成方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
S10，统计历史需求与每个历史需求对应的配置文件，所述历史需求和所述配置文件包含多个词汇，计算每个词汇的权重。
在一个可选的实施例中，所述计算每个词汇的权重包括：
对多个历史需求和每个历史需求对应的配置文件进行分词获得多个备选词汇；
计算每个备选词汇的词频以作为每个备选词汇的权重。
该可选的实施例中，所述历史需求可以是用户对于微服务架构配置的需求，且每个历史需求对应一个配置文件，示例性的，所述历史需求可以是“创建一个具备MySql数据库的微服务”，如图4所示为该需求对应的配置文件的示意图。
该可选的实施例中，可将每个历史需求对应的配置文件存储为文本文件以便于后续对所述配置文件进行分词处理。
该可选的实施例中，可依据预设的分词工具分别对所述历史需求和所述文本文件进行分词以获取多个备选词汇，所述备选词汇包括需求词汇和配置词汇，所述预设的分词工具可以是jieba分词工具，所述jieba分词工具是由Python语言编写的程序，其功能是将自然语言文本分割为多个词汇，所述jieba分词工具的形式可以是jieba.cut(List)，其中，cut代表所述jieba分词工具中的分词指令，List代表所述历史需求或所述文本文件。
示例性的，当所述历史需求为“创建一个具备MySql数据库的微服务”，则所述jieba分词工具的输出可以是一个列表，所述列表中的每个元素为一个需求词汇，所述列表的形式可以是[创建，一个，具备，MySql，数据库，的，微服务]；当该历史需求对应的配置文件为“name:微服务data:MySql”，则所述jieba分词工具的输出也可以是一个列表，所述列表中的每个元素为一个配置词汇，所述列表的形式可以是[name，微服务，data，MySql]。
该可选的实施例中，可分别计算每个需求词汇在所有需求词汇中的词频以作为每个需求词汇对应的权重，并分别计算每个配置词汇在所有配置词汇中的词频以作为每个配置词汇对应的权重，以所述需求词汇为例，所述词频的计算方式满足以下关系式：
其中，F代表某一个需求词汇的词频；Wc代表该需求词汇出现的次数；N代表所述需求词汇的总数。
示例性的，当某一个需求词汇出现的次数为1000，且所述需求词汇的总数为2000时，该需求词汇的词频的计算方式为：
则该备选词汇的词频取值为0.5。
该可选的实施例中，可将所述备选词汇的词频作为备选词汇对应的权重。
如此，通过对历史需求及其对应的配置文件进行分词获得了多个备选词汇，计算每个备选词汇的词频作为每个词汇对应的权重，从而能够提升后续词汇编码的准确度。
S11，基于所述词汇构建需求矩阵与配置矩阵。
在一个可选的实施例中，所述基于所述词汇构建需求矩阵与配置矩阵包括：
依据所述词汇构建共现矩阵，所述共现矩阵包括需求共现矩阵与配置共现矩阵；
对共现矩阵进行奇异值分解获得需求特征矩阵和配置特征矩阵；
分别对所述需求特征矩阵和所述配置特征矩阵进行归一化处理获得需求矩阵和配置矩阵。
该可选的实施例中，可依据所述需求词汇构建需求共现矩阵，并依据所述配置词汇构建配置共现矩阵。以所述需求共现矩阵为例，所述需求共现矩阵的每一行的名称对应一个需求词汇，每一列的名称对应一个需求词汇，且所述需求共现矩阵中具备相同行坐标和列坐标的元素所在行的名称和所在列的名称相同。
该可选的实施例中，可初始化设置所述需求共现矩阵中每个元素的值为0，并遍历每个历史需求以对所述需求共现矩阵中的每个元素赋值，所述赋值的具体方式为：
从所述需求共现矩阵中任选一个元素作为目标元素，将所述目标元素对应的行名称作为中心词汇，并将该所述目标元素对应的列名称作为近邻词汇；
依次遍历每个历史需求，若该历史需求中存在所述中心词汇，且所述中心词汇的前置词汇为所述近邻词汇，则所述目标元素的元素值增加1，若所述中心词汇的后置词汇为所述近邻词汇，则所述目标元素的元素值也增加1；
将所述需求中的每个元素依次作为目标元素，以获得每个元素的取值。
示例性的，如图5所示为所述需求共现矩阵的示意图。
该可选的实施例中，可依据相同的方式构建配置共现矩阵。
该可选的实施例中，可对所述需求共现矩阵进行奇异值分解以获得需求特征矩阵，并对所述配置共现矩阵进行奇异值分解以获得配置特征矩阵，以所述需求共现矩阵为例，所述奇异值分解满足以下关系式：
M＝U·∑·VT
其中，M代表所述需求共现矩阵；U代表所述需求特征矩阵；∑代表所述需求共现矩阵的特征值矩阵；VT代表所述需求共现矩阵的奇异矩阵。
该可选的实施例中，可利用最大化算法对所述需求特征矩阵中的每个元素进行归一化处理获得需求矩阵，并利用最大化算法对所述配置特征矩阵中的每个元素进行归一化处理获得配置矩阵，以所述需求特征矩阵为例，所述最大化算法满足以下关系式：
其中，E代表所述需求特征矩阵中的某一个元素；Eg代表该元素经过归一化处理后对应的元素值；Emax代表所述需求特征矩阵中最大的元素值。
示例性的，当所述需求特征矩阵中某一个元素的元素值为1.732，且所述需求特征矩阵中最大元素值为2，则该元素经过归一化处理后对应的元素值的计算方式为：
则该元素经过归一化处理后对应的元素值为0.866。
该可选的实施例中，可将经过归一化处理后的需求特征矩阵作为需求矩阵，所述需求矩阵的每一行对应一个需求词汇；并可将经过归一化处理后的配置特征矩阵作为配置矩阵，所述配置矩阵的每一行对应一个配置词汇。
如此，依据所述备选词汇构建需求共现矩阵和配置共现矩阵，对所述共现矩阵分别进行奇异值分解获得需求特征矩阵和配置特征矩阵，分别对所述需求特征矩阵和所述配置特征矩阵进行归一化处理以消除量纲差异，从而提升了后续计算编码数据的效率。
S12，基于所述需求矩阵与配置矩阵计算每个词汇对应的备选编码，并计算所述备选编码与所述权重的乘积以作为每个词汇的编码数据。
在一个可选的实施例中，所述基于所述需求矩阵与配置矩阵计算每个词汇对应的备选编码，并计算所述备选编码与所述权重的乘积以作为每个词汇的编码数据，包括：
分别计算所述需求矩阵与配置矩阵中每一列数据的方差作为每一列数据对应的重要性指标；
依据预设的筛选阈值选取所述重要性指标较高的多列数据以构建备选矩阵，将所述备选矩阵中每一行对应的数据作为所述词汇的备选编码；
计算所述备选编码与所述权重的乘积以作为编码数据。
该可选的实施例中，可分别计算所述需求矩阵中每一列数据的方差作为所述需求矩阵中每一列特征的重要性指标，并计算所述配置矩阵中每一列的方差作为所述配置矩阵中每一列特征的重要性指标。
该可选的实施例中，以所述需求矩阵为例，所述方差的计算方式满足以下关系式：
其中，Std代表所述需求矩阵中某一列数据的方差，所述方差越小则表明该列特征的重要性越高；Si代表该列中第i个数据；n代表该列中数据的个数，即所述需求矩阵的行数。
该可选的实施例中，可依据所述方差由小到大的顺序分别对所述需求矩阵和所述配置矩阵中每一列数据进行排序，并依据预设的筛选阈值从所述需求矩阵中筛选出多列数据以作为备选需求矩阵，示例性的，当所述筛选阈值为0.2时，可选取方差较小的前20％的列数据作为备选需求矩阵。
该可选的实施例中，所述备选需求矩阵中每一行对应一个需求词汇，可将所述备选需求矩阵中每一行的数据作为该行对应需求词汇的备选编码，计算所述备选编码与所述权重的乘积作为每个需求词汇对应的编码数据并记为需求编码。
该可选的实施例中，可依据相同的方法构建备选配置矩阵，所述备选配置矩阵中每一行对应一个配置词汇，可将所述备选配置矩阵中每一行的数据作为该行对应配置词汇的备选编码，并计算所述备选编码与所述权重的乘积作为每个配置词汇对应的编码数据并记为配置编码。
该可选的实施例中，可将每个需求词汇作为键，并将每个需求词汇对应的需求编码作为值以构建需求键值对，存储所有需求键值对以获得需求字典；并可将每个配置词汇作为键，将每个配置词汇对应的配置编码作为值以构建配置键值对，存储所有的配置键值对以获得配置字典。
如此，计算所述需求矩阵中每一列数据的方差和所述配置矩阵中每一列数据的方差获得了每一列数据的重要性，并选取重要性较高的多列数据构建备选矩阵，进一步计算所述权重与所述备选矩阵中每一行数据的乘积获得编码数据，从而降低了数据维度，提升后续生成模型训练的效率。
S13，基于所述编码数据训练配置文件生成模型。
在一个可选的实施例中，所述基于所述编码数据训练配置文件生成模型包括：
基于所述编码数据构建历史数据集；
构建初始生成模型，所述初始生成模型包括编码器和解码器；
依据所述历史数据集训练所述初始生成模型获得配置文件生成模型。
该可选的实施例中，可将每个历史需求中所有需求词汇对应的编码数据作为样本数据；并可将每个历史需求对应配置文件中所有配置词汇对应的编码数据作为标签数据。所述样本数据与所述标签数据一一对应，可储存所有样本数据和标签数据以构建历史数据集。
该可选的实施例中，所述编码器和所述解码器可以是RNN神经网络(RecurrentNeural Network，RNN)，所述编码器的输入是所述样本数据，所述编码器的输出是中间向量，所述中间向量的维度与所述编码数据相同；所述解码器的输入是所述中间向量和所述标签数据，所述解码器的输出为多个目标编码。
该可选的实施例中，如图6所示为本方案所述生成模型的结构示意图，在所述生成模型中，所述RNN网络为循环神经网络，由多个神经元串联组成，将所述样本数据中每个需求编码依次输入所述编码器的每个神经元以获得编码器的输出，即中间向量；进一步，将所述中间向量输入所述解码器的第一个神经元，并将所述标签数据中每个配置编码依次输入所述解码器中的每个神经元，所述解码器中每个神经元的输出即为所述目标编码。
该可选的实施例中，为了确保所述生成模型的输出结果能够尽可能的符合用户对于配置文件的设计需求，需要依据预设损失函数对所述初始生成模型进行训练，不断更新所述初始生成模型中的参数以获取配置文件生成模型。
在一个可选的实施例中，所述训练所述初始生成模型获得配置文件生成模型包括：
从所述历史数据集中采集训练数据；
将所述训练数据送入所述初始生成模型，依据预设的损失函数迭代训练所述初始生成模型获得配置文件生成模型。
该可选的实施例中，可依据预设的采集阈值采集所述历史数据集中的部分样本数据和部分标签数据以作为训练数据，示例性的，当所述采集阈值为0.9时，可从所述历史数据集中采集90％的样本数据和90％的标签数据作为训练数据。
该可选的实施例中，可依据预设损失函数和所述训练数据对所述初始生成模型进行训练以约束所述初始生成模型的输出与标签数据相同，所述预设损失函数满足以下关系式：
其中，Loss代表所述损失函数的损失值，所述损失函数值越小则表明所述初始生成模型的输出与所述标签数据越相似；J代表所述标签数据中所有配置编码的数量；代表所述初始生成模型的解码器中第j个神经元输出的目标编码；Oj代表所述标签数据中第j个配置编码。
该可选的实施例中，可将所述训练数据集中的样本数据和标签数据依次输入所述初始生成模型进行迭代训练，并在每次迭代训练时计算所述损失函数的损失值，利用梯度下降法迭代更新所述RNN网络的参数，当所述损失函数的损失值低于预设的终止阈值时停止训练得到配置文件生成模型，根据多次试验所获得的经验，所述终止阈值可以是0.001。
如此，基于所述编码数据构建历史数据集，从历史数据集采集训练数据并送入初始生成模型，依据预设的损失函数迭代训练所述初始生成模型获得配置文件生成模型，从而提升了后续生成目标配置文件的准确度。
S14，查询待评估需求对应的待评估编码，将所述待评估编码输入所述配置文件生成模型以获得目标配置文件。
在一个可选的实施例中，所述将所述待评估编码输入所述配置文件生成模型以获得目标配置文件包括：
将所述待评估编码输入所述配置文件生成模型以获得多个目标配置编码；
分别计算每个目标配置编码和每个配置编码的相似度，并选取最高相似度对应的配置编码作为目标编码，并依据目标编码查询目标词汇；
依据所述目标配置编码的排列顺序组合所述目标词汇获得目标配置文件。
该可选的实施例中，可依据所述jieba分词工具对所述待评估需求进行分词以获得多个待评估词汇，并依据所述待评估词汇从所述需求字典中查询每个待评估词汇对应的需求编码作为待评估编码。
该可选的实施例中，可将所述待评估编码输入所述配置文件生成模型的编码器获得所述配置文件生成模型的输出，并将所述输出作为目标配置数据，所述目标配置数据包括多个目标配置编码。
该可选的实施例中，可分别计算每个目标配置编码和每个配置编码的相似度，并选取最高相似度对应的配置编码作为目标编码，所述相似度的计算方式为：
其中，S代表所述目标配置编码和所述配置编码的相似度；Aj代表所述目标配置编码中第j个维度的数值；Bj代表所述配置编码中第j个维度的数值；k代表所述目标配置编码和所述配置编码的维度的数量。
该可选的实施例中，可依据每个目标编码从所述配置字典中查询对应的配置词汇并作为目标词汇，依据所述目标配置编码的排列顺序组合每个目标配置编码对应的目标词汇以获得目标配置文件。
如此，通过将待评估编码输入配置文件生成模型以获得多个目标配置编码，分别计算每个目标配置编码和每个配置编码的相似度，并选取最高相似度对应的配置编码作为目标编码，依据目标编码查询目标词汇，并依据目标配置编码的排列顺序组合目标词汇获得目标配置文件，无需人工解析待评估需求即可获得符合待评估需求的目标配置文件，从而能够实现由待评估需求端到端的生成目标配置文件，进而可提升配置文件生成的效率。
上述基于人工智能的配置文件生成方法通过计算历史需求和配置文件中每个词汇的权重，并基于所有词汇构建需求矩阵和配置矩阵，依据所述需求矩阵和所述配置矩阵计算了每个词汇对应的备选编码，并计算所述权重与备选编码的乘积获得编码数据，进而依据编码数据训练配置文件生成模型，将待评估需求对应的编码数据输入配置文件生成模型获得了目标配置文件，从而提升了配置文件生成的准确性。
如图2所示，是本申请实施例提供的基于人工智能的配置文件生成装置的较佳实施例的功能模块图。基于人工智能的配置文件生成装置11包括统计单元110、构建单元111、编码单元112、训练单元113、生成单元114。本申请所称的模块/单元是指一种能够被处理器13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12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
在一个可选的实施例中，统计单元110用于统计历史需求与每个历史需求对应的配置文件，所述历史需求和所述配置文件包含多个词汇，计算每个词汇的权重。
在一个可选的实施例中，所述计算每个词汇的权重包括：
对多个历史需求和每个历史需求对应的配置文件进行分词获得多个备选词汇；
计算每个备选词汇的词频以作为每个备选词汇的权重。
该可选的实施例中，所述历史需求可以是用户对于微服务架构配置的需求，且每个历史需求对应一个配置文件，示例性的，所述历史需求可以是“创建一个具备MySql数据库的微服务”，如图4所示为该需求对应的配置文件的示意图。
该可选的实施例中，可将每个历史需求对应的配置文件存储为文本文件以便于后续对所述配置文件进行分词处理。
该可选的实施例中，可依据预设的分词工具分别对所述历史需求和所述文本文件进行分词以获取多个备选词汇，所述备选词汇包括需求词汇和配置词汇，所述预设的分词工具可以是jieba分词工具，所述jieba分词工具是由Python语言编写的程序，其功能是将自然语言文本分割为多个词汇，所述jieba分词工具的形式可以是jieba.cut(List)，其中，cut代表所述jieba分词工具中的分词指令，List代表所述历史需求或所述文本文件。
示例性的，当所述历史需求为“创建一个具备MySql数据库的微服务”，则所述jieba分词工具的输出可以是一个列表，所述列表中的每个元素为一个需求词汇，所述列表的形式可以是[创建，一个，具备，MySql，数据库，的，微服务]；当该历史需求对应的配置文件为“name:微服务data:MySql”，则所述jieba分词工具的输出也可以是一个列表，所述列表中的每个元素为一个配置词汇，所述列表的形式可以是[name，微服务，data，MySql]。
该可选的实施例中，可分别计算每个需求词汇在所有需求词汇中的词频以作为每个需求词汇对应的权重，并分别计算每个配置词汇在所有配置词汇中的词频以作为每个配置词汇对应的权重，以所述需求词汇为例，所述词频的计算方式满足以下关系式：
其中，F代表某一个需求词汇的词频；Wc代表该需求词汇出现的次数；N代表所述需求词汇的总数。
示例性的，当某一个需求词汇出现的次数为1000，且所述需求词汇的总数为2000时，该需求词汇的词频的计算方式为：
则该备选词汇的词频取值为0.5。
该可选的实施例中，可将所述备选词汇的词频作为备选词汇对应的权重。
在一个可选的实施例中，构建单元111用于基于所述词汇构建需求矩阵与配置矩阵。
在一个可选的实施例中，所述基于所述词汇构建需求矩阵与配置矩阵包括：
依据所述词汇构建共现矩阵，所述共现矩阵包括需求共现矩阵与配置共现矩阵；
对共现矩阵进行奇异值分解获得需求特征矩阵和配置特征矩阵；
分别对所述需求特征矩阵和所述配置特征矩阵进行归一化处理获得需求矩阵和配置矩阵。
该可选的实施例中，可依据所述需求词汇构建需求共现矩阵，并依据所述配置词汇构建配置共现矩阵。以所述需求共现矩阵为例，所述需求共现矩阵的每一行的名称对应一个需求词汇，每一列的名称对应一个需求词汇，且所述需求共现矩阵中具备相同行坐标和列坐标的元素所在行的名称和所在列的名称相同。
该可选的实施例中，可初始化设置所述需求共现矩阵中每个元素的值为0，并遍历每个历史需求以对所述需求共现矩阵中的每个元素赋值，所述赋值的具体方式为：
从所述需求共现矩阵中任选一个元素作为目标元素，将所述目标元素对应的行名称作为中心词汇，并将该所述目标元素对应的列名称作为近邻词汇；
依次遍历每个历史需求，若该历史需求中存在所述中心词汇，且所述中心词汇的前置词汇为所述近邻词汇，则所述目标元素的元素值增加1，若所述中心词汇的后置词汇为所述近邻词汇，则所述目标元素的元素值也增加1；
将所述需求中的每个元素依次作为目标元素，以获得每个元素的取值。
示例性的，如图5所示为所述需求共现矩阵的示意图。
该可选的实施例中，可依据相同的方式构建配置共现矩阵。
该可选的实施例中，可对所述需求共现矩阵进行奇异值分解以获得需求特征矩阵，并对所述配置共现矩阵进行奇异值分解以获得配置特征矩阵，以所述需求共现矩阵为例，所述奇异值分解满足以下关系式：
M＝U·∑·VT
其中，M代表所述需求共现矩阵；U代表所述需求特征矩阵；∑代表所述需求共现矩阵的特征值矩阵；VT代表所述需求共现矩阵的奇异矩阵。
该可选的实施例中，可利用最大化算法对所述需求特征矩阵中的每个元素进行归一化处理获得需求矩阵，并利用最大化算法对所述配置特征矩阵中的每个元素进行归一化处理获得配置矩阵，以所述需求特征矩阵为例，所述最大化算法满足以下关系式：
其中，E代表所述需求特征矩阵中的某一个元素；Eg代表该元素经过归一化处理后对应的元素值；Emax代表所述需求特征矩阵中最大的元素值。
示例性的，当所述需求特征矩阵中某一个元素的元素值为1.732，且所述需求特征矩阵中最大元素值为2，则该元素经过归一化处理后对应的元素值的计算方式为：
则该元素经过归一化处理后对应的元素值为0.866。
该可选的实施例中，可将经过归一化处理后的需求特征矩阵作为需求矩阵，所述需求矩阵的每一行对应一个需求词汇；并可将经过归一化处理后的配置特征矩阵作为配置矩阵，所述配置矩阵的每一行对应一个配置词汇。
在一个可选的实施例中，编码单元112用于基于所述需求矩阵与配置矩阵计算每个词汇对应的备选编码，并计算所述备选编码与所述权重的乘积以作为每个词汇的编码数据。
在一个可选的实施例中，所述基于所述需求矩阵与配置矩阵计算每个词汇对应的备选编码，并计算所述备选编码与所述权重的乘积以作为每个词汇的编码数据，包括：
分别计算所述需求矩阵与配置矩阵中每一列数据的方差作为每一列数据对应的重要性指标；
依据预设的筛选阈值选取所述重要性指标较高的多列数据以构建备选矩阵，将所述备选矩阵中每一行对应的数据作为所述词汇的备选编码；
计算所述备选编码与所述权重的乘积以作为编码数据。
该可选的实施例中，可分别计算所述需求矩阵中每一列数据的方差作为所述需求矩阵中每一列特征的重要性指标，并计算所述配置矩阵中每一列的方差作为所述配置矩阵中每一列特征的重要性指标。
该可选的实施例中，以所述需求矩阵为例，所述方差的计算方式满足以下关系式：
其中，Std代表所述需求矩阵中某一列数据的方差，所述方差越小则表明该列特征的重要性越高；Si代表该列中第i个数据；n代表该列中数据的个数，即所述需求矩阵的行数。
该可选的实施例中，可依据所述方差由小到大的顺序分别对所述需求矩阵和所述配置矩阵中每一列数据进行排序，并依据预设的筛选阈值从所述需求矩阵中筛选出多列数据以作为备选需求矩阵，示例性的，当所述筛选阈值为0.2时，可选取方差较小的前20％的列数据作为备选需求矩阵。
该可选的实施例中，所述备选需求矩阵中每一行对应一个需求词汇，可将所述备选需求矩阵中每一行的数据作为该行对应需求词汇的备选编码，计算所述备选编码与所述权重的乘积作为每个需求词汇对应的编码数据并记为需求编码。
该可选的实施例中，可依据相同的方法构建备选配置矩阵，所述备选配置矩阵中每一行对应一个配置词汇，可将所述备选配置矩阵中每一行的数据作为该行对应配置词汇的备选编码，并计算所述备选编码与所述权重的乘积作为每个配置词汇对应的编码数据并记为配置编码。
该可选的实施例中，可将每个需求词汇作为键，并将每个需求词汇对应的需求编码作为值以构建需求键值对，存储所有需求键值对以获得需求字典；并可将每个配置词汇作为键，将每个配置词汇对应的配置编码作为值以构建配置键值对，存储所有的配置键值对以获得配置字典。
在一个可选的实施例中，训练单元113用于基于所述编码数据训练配置文件生成模型。
在一个可选的实施例中，所述基于所述编码数据训练配置文件生成模型包括：
基于所述编码数据构建历史数据集；
构建初始生成模型，所述初始生成模型包括编码器和解码器；
依据所述历史数据集训练所述初始生成模型获得配置文件生成模型。
该可选的实施例中，可将每个历史需求中所有需求词汇对应的编码数据作为样本数据；并可将每个历史需求对应配置文件中所有配置词汇对应的编码数据作为标签数据。所述样本数据与所述标签数据一一对应，可储存所有样本数据和标签数据以构建历史数据集。
该可选的实施例中，所述编码器和所述解码器可以是RNN神经网络(RecurrentNeural Network，RNN)，所述编码器的输入是所述样本数据，所述编码器的输出是中间向量，所述中间向量的维度与所述编码数据相同；所述解码器的输入是所述中间向量和所述标签数据，所述解码器的输出为多个目标编码。
该可选的实施例中，如图6所示为本方案所述生成模型的结构示意图，在所述生成模型中，所述RNN网络为循环神经网络，由多个神经元串联组成，将所述样本数据中每个需求编码依次输入所述编码器的每个神经元以获得编码器的输出，即中间向量；进一步，将所述中间向量输入所述解码器的第一个神经元，并将所述标签数据中每个配置编码依次输入所述解码器中的每个神经元，所述解码器中每个神经元的输出即为所述目标编码。
该可选的实施例中，为了确保所述生成模型的输出结果能够尽可能的符合用户对于配置文件的设计需求，需要依据预设损失函数对所述初始生成模型进行训练，不断更新所述初始生成模型中的参数以获取配置文件生成模型。
在一个可选的实施例中，所述训练所述初始生成模型获得配置文件生成模型包括：
从所述历史数据集中采集训练数据；
将所述训练数据送入所述初始生成模型，依据预设的损失函数迭代训练所述初始生成模型获得配置文件生成模型。
该可选的实施例中，可依据预设的采集阈值采集所述历史数据集中的部分样本数据和部分标签数据以作为训练数据，示例性的，当所述采集阈值为0.9时，可从所述历史数据集中采集90％的样本数据和90％的标签数据作为训练数据。
该可选的实施例中，可依据预设损失函数和所述训练数据对所述初始生成模型进行训练以约束所述初始生成模型的输出与标签数据相同，所述预设损失函数满足以下关系式：
其中，Loss代表所述损失函数的损失值，所述损失函数值越小则表明所述初始生成模型的输出与所述标签数据越相似；J代表所述标签数据中所有配置编码的数量；代表所述初始生成模型的解码器中第j个神经元输出的目标编码；Oj代表所述标签数据中第j个配置编码。
该可选的实施例中，可将所述训练数据集中的样本数据和标签数据依次输入所述初始生成模型进行迭代训练，并在每次迭代训练时计算所述损失函数的损失值，利用梯度下降法迭代更新所述RNN网络的参数，当所述损失函数的损失值低于预设的终止阈值时停止训练得到配置文件生成模型，根据多次试验所获得的经验，所述终止阈值可以是0.001。
在一个可选的实施例中，生成单元114用于查询待评估需求对应的待评估编码，将所述待评估编码输入所述配置文件生成模型以获得目标配置文件。
在一个可选的实施例中，所述将所述待评估编码输入所述配置文件生成模型以获得目标配置文件包括：
将所述待评估编码输入所述配置文件生成模型以获得多个目标配置编码；
分别计算每个目标配置编码和每个配置编码的相似度，并选取最高相似度对应的配置编码作为目标编码，并依据目标编码查询目标词汇；
依据所述目标配置编码的排列顺序组合所述目标词汇获得目标配置文件。
该可选的实施例中，可依据所述jieba分词工具对所述待评估需求进行分词以获得多个待评估词汇，并依据所述待评估词汇从所述需求字典中查询每个待评估词汇对应的需求编码作为待评估编码。
该可选的实施例中，可将所述待评估编码输入所述配置文件生成模型的编码器获得所述配置文件生成模型的输出，并将所述输出作为目标配置数据，所述目标配置数据包括多个目标配置编码。
该可选的实施例中，可分别计算每个目标配置编码和每个配置编码的相似度，并选取最高相似度对应的配置编码作为目标编码，所述相似度的计算方式为：
其中，S代表所述目标配置编码和所述配置编码的相似度；Aj代表所述目标配置编码中第j个维度的数值；Bj代表所述配置编码中第j个维度的数值；k代表所述目标配置编码和所述配置编码的维度的数量。
该可选的实施例中，可依据每个目标编码从所述配置字典中查询对应的配置词汇并作为目标词汇，依据所述目标配置编码的排列顺序组合每个目标配置编码对应的目标词汇以获得目标配置文件。
上述基于人工智能的配置文件生成方法通过计算历史需求和配置文件中每个词汇的权重，并基于所有词汇构建需求矩阵和配置矩阵，依据所述需求矩阵和所述配置矩阵计算了每个词汇对应的备选编码，并计算所述权重与备选编码的乘积获得编码数据，进而依据编码数据训练配置文件生成模型，将待评估需求对应的编码数据输入配置文件生成模型获得了目标配置文件，从而提升了配置文件生成的准确性。
如图3所示，是本申请实施例提供的一种电子设备的结构示意图。电子设备1包括存储器12和处理器13。存储器12用于存储计算机可读指令，处理器13用执行储器中存储的计算机可读指令以实现上述任一实施例的基于人工智能的配置文件生成方法。
在一个可选的实施例中，电子设备1还包括总线、存储在存储器12中并可在处理器13上运行的计算机程序，例如基于人工智能的配置文件生成程序。
图3仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，电子设备1中的存储器12存储多个计算机可读指令以实现一种基于人工智能的配置文件生成方法，处理器13可执行多个指令从而实现：
统计历史需求与每个历史需求对应的配置文件，所述历史需求和所述配置文件包含多个词汇，计算每个词汇的权重；
基于所述词汇构建需求矩阵与配置矩阵；
基于所述需求矩阵与配置矩阵计算每个词汇对应的备选编码，并计算所述备选编码与所述权重的乘积以作为每个词汇的编码数据；
基于所述编码数据训练配置文件生成模型；
查询待评估需求对应的待评估编码，将所述待评估编码输入所述配置文件生成模型以获得目标配置文件。
具体地，处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，电子设备1既可以是总线型结构，也可以是星形结构，电子设备1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，例如电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，电子设备1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申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质可以是非易失性的，也可以是易失性的。所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(SmartMediaCard,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(FlashCard)等。进一步地，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如基于人工智能的配置文件生成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中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(CentralProcessingunit，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。处理器13是电子设备1的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在存储器12内的程序或者模块(例如执行基于人工智能的配置文件生成程序等)，以及调用存储在存储器12内的数据，以执行电子设备1的各种功能和处理数据。
处理器13执行电子设备1的操作系统以及安装的各类应用程序。处理器13执行所述应用程序以实现上述各个基于人工智能的配置文件生成方法实施例中的步骤，例如图1所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器12中，并由处理器13执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机程序在电子设备1中的执行过程。例如，所述计算机程序可以被分割成统计单元110、构建单元111、编码单元112、训练单元113、生成单元114。
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、计算机设备，或者网络设备等)或处理器(processor)执行本申请各个实施例所述基于人工智能的配置文件生成方法的部分。
电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存储器及其他存储器等。
进一步地，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。
本申请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。
总线可以是外设部件互连标准(PeripheralComponentInterconnect，简称PCI)总线或扩展工业标准结构(ExtendedIndustryStandardArchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、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。电子设备1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。
进一步地，电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(OrganicLight-EmittingDiode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
本申请实施例还提供一种计算机可读存储介质(图未示)，计算机可读存储介质中存储有计算机可读指令，计算机可读指令被电子设备中的处理器执行以实现上述任一实施例所述的基于人工智能的配置文件生成方法。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，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，即可以位于一个地方，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。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。说明书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申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (8)

1.一种基于人工智能的配置文件生成方法，其特征在于，所述方法包括：
统计历史需求与每个历史需求对应的配置文件，所述历史需求和所述配置文件包含多个词汇，计算每个词汇的权重；其中，所述多个词汇包括所述历史需求对应的需求词汇和所述配置文件对应的配置词汇；
基于所述多个词汇构建需求矩阵与配置矩阵，包括：根据所述需求词汇构建需求共现矩阵，根据所述配置词汇构建配置共现矩阵；对所述需求共现矩阵进行奇异值分解获得需求特征矩阵，对所述配置共现矩阵进行奇异值分解获得配置特征矩阵；对所述需求特征矩阵进行归一化处理获得需求矩阵，对所述配置特征矩阵进行归一化处理获得配置矩阵；
基于所述需求矩阵与配置矩阵计算每个词汇对应的备选编码，并计算所述备选编码与所述权重的乘积以作为每个词汇的编码数据，包括：计算所述需求矩阵中每一列数据的方差作为所述需求矩阵中每一列特征的重要性指标，计算所述配置矩阵中每一列的方差作为所述配置矩阵中每一列特征的重要性指标；依据预设的筛选阈值从所述需求矩阵中选取所述重要性指标较高的多列数据以构建备选需求矩阵，依据所述预设的筛选阈值从所述配置矩阵中选取所述重要性指标较高的多列数据以构建备选配置矩阵；将所述备选需求矩阵中每一行对应的数据作为所述需求词汇的备选编码，将所述备选配置矩阵中每一行对应的数据作为所述配置词汇的备选编码；计算所述需求词汇的备选编码与所述权重的乘积作为所述需求词汇对应的编码数据，计算所述配置词汇的备选编码与所述权重的乘积作为所述配置词汇对应的编码数据；
基于所述编码数据训练配置文件生成模型；
查询待评估需求对应的待评估编码，将所述待评估编码输入所述配置文件生成模型以获得目标配置文件。
2.如权利要求1所述的基于人工智能的配置文件生成方法，其特征在于，所述计算每个词汇的权重包括：
对多个历史需求和每个历史需求对应的配置文件进行分词获得多个备选词汇；
计算每个备选词汇的词频以作为每个备选词汇的权重。
3.如权利要求1所述的基于人工智能的配置文件生成方法，其特征在于，所述基于所述编码数据训练配置文件生成模型包括：
基于所述编码数据构建历史数据集；
构建初始生成模型，所述初始生成模型包括编码器和解码器；
依据所述历史数据集训练所述初始生成模型获得配置文件生成模型。
4.如权利要求3所述的基于人工智能的配置文件生成方法，其特征在于，所述训练所述初始生成模型获得配置文件生成模型包括：
从所述历史数据集中采集训练数据；
将所述训练数据送入所述初始生成模型，依据预设的损失函数迭代训练所述初始生成模型获得配置文件生成模型。
5.如权利要求1所述的基于人工智能的配置文件生成方法，其特征在于，所述编码数据包含多个配置编码，所述将所述待评估编码输入所述配置文件生成模型以获得目标配置文件包括：
将所述待评估编码输入所述配置文件生成模型以获得多个目标配置编码；
分别计算每个目标配置编码和每个配置编码的相似度，并选取最高相似度对应的配置编码作为目标编码，并依据目标编码查询目标词汇；
依据所述目标配置编码的排列顺序组合所述目标词汇获得目标配置文件。
6.一种基于人工智能的配置文件生成装置，其特征在于，所述装置包括实现如权利要求1至5中任意一项所述的基于人工智能的配置文件生成方法的模块，所述装置包括：
统计单元，用于统计历史需求与每个历史需求对应的配置文件，所述历史需求和所述配置文件包含多个词汇，计算每个词汇的权重；
构建单元，用于基于所述词汇构建需求矩阵与配置矩阵，包括：根据所述需求词汇构建需求矩阵，根据所述配置词汇构建配置矩阵；
编码单元，用于基于所述需求矩阵与配置矩阵计算每个词汇对应的备选编码，并计算所述备选编码与所述权重的乘积以作为编码数据；
训练单元，用于基于所述编码数据训练配置文件生成模型；
生成单元，用于查询待评估需求对应的待评估编码，将所述待评估编码输入所述配置文件生成模型以获得目标配置文件。
7. 一种电子设备，其特征在于，所述电子设备包括：
存储器，存储计算机可读指令；及
处理器，执行所述存储器中存储的计算机可读指令以实现如权利要求1至5中任意一项所述的基于人工智能的配置文件生成方法。
8.一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可读指令，所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至5中任意一项所述的基于人工智能的配置文件生成方法。
CN202210699377.5A 2022-06-20 2022-06-20 基于人工智能的配置文件生成方法、装置、设备及介质 Active CN114968412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210699377.5A CN114968412B (zh) 2022-06-20 2022-06-20 基于人工智能的配置文件生成方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210699377.5A CN114968412B (zh) 2022-06-20 2022-06-20 基于人工智能的配置文件生成方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN114968412A CN114968412A (zh) 2022-08-30
CN114968412B true CN114968412B (zh) 2024-02-02

Family

ID=82964416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210699377.5A Active CN114968412B (zh) 2022-06-20 2022-06-20 基于人工智能的配置文件生成方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114968412B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401566A (zh) * 2020-03-19 2020-07-10 中国建设银行股份有限公司 机器学习训练方法及系统
US10715570B1 (en) * 2018-06-25 2020-07-14 Intuit Inc. Generic event stream processing for machine learning
CN112507111A (zh) * 2020-10-20 2021-03-16 北京中科凡语科技有限公司 用于生成式自动摘要生成的模型建立方法及摘要生成方法
CN114201212A (zh) * 2021-12-14 2022-03-18 平安银行股份有限公司 配置文件处理方法、装置、计算机设备及存储介质
CN114329201A (zh) * 2021-12-27 2022-04-12 北京百度网讯科技有限公司 深度学习模型的训练方法、内容推荐方法和装置
CN114386528A (zh) * 2022-01-18 2022-04-22 平安科技（深圳）有限公司 模型的训练方法和装置、计算机设备、存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11263554B2 (en) * 2019-03-04 2022-03-01 Walmart Apollo, Llc Systems and methods for a machine learning framework
US11687839B2 (en) * 2019-03-14 2023-06-27 Actapio, Inc. System and method for generating and optimizing artificial intelligence models
US11429352B2 (en) * 2020-07-01 2022-08-30 International Business Machines Corporation Building pre-trained contextual embeddings for programming languages using specialized vocabulary
US11334333B1 (en) * 2020-11-10 2022-05-17 International Business Machines Corporation Generation of adaptive configuration files to satisfy compliance

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10715570B1 (en) * 2018-06-25 2020-07-14 Intuit Inc. Generic event stream processing for machine learning
CN111401566A (zh) * 2020-03-19 2020-07-10 中国建设银行股份有限公司 机器学习训练方法及系统
CN112507111A (zh) * 2020-10-20 2021-03-16 北京中科凡语科技有限公司 用于生成式自动摘要生成的模型建立方法及摘要生成方法
CN114201212A (zh) * 2021-12-14 2022-03-18 平安银行股份有限公司 配置文件处理方法、装置、计算机设备及存储介质
CN114329201A (zh) * 2021-12-27 2022-04-12 北京百度网讯科技有限公司 深度学习模型的训练方法、内容推荐方法和装置
CN114386528A (zh) * 2022-01-18 2022-04-22 平安科技（深圳）有限公司 模型的训练方法和装置、计算机设备、存储介质

Also Published As

Publication number Publication date
CN114968412A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN113157927B (zh) 文本分类方法、装置、电子设备及可读存储介质
CN112541338A (zh) 相似文本匹配方法、装置、电子设备及计算机存储介质
CN112883730B (zh) 相似文本匹配方法、装置、电子设备及存储介质
CN113378970B (zh) 语句相似性检测方法、装置、电子设备及存储介质
CN111798123A (zh) 基于人工智能的合规性评价方法、装置、设备及介质
CN115146865A (zh) 基于人工智能的任务优化方法及相关设备
CN113656690B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN114880449B (zh) 智能问答的答复生成方法、装置、电子设备及存储介质
CN114398557A (zh) 基于双画像的信息推荐方法、装置、电子设备及存储介质
CN112269875A (zh) 文本分类方法、装置、电子设备及存储介质
CN116450829A (zh) 医疗文本分类方法、装置、设备及介质
CN113627160B (zh) 文本纠错方法、装置、电子设备及存储介质
CN113658002B (zh) 基于决策树的交易结果生成方法、装置、电子设备及介质
CN113344125B (zh) 长文本匹配识别方法、装置、电子设备及存储介质
CN112651782B (zh) 基于缩放点积注意力的行为预测方法、装置、设备及介质
CN113157853A (zh) 问题挖掘方法、装置、电子设备及存储介质
CN116701635A (zh) 培训视频文本二分类方法、装置、设备及存储介质
CN116737947A (zh) 实体关系图构建方法、装置、设备及存储介质
CN116741358A (zh) 问诊挂号推荐方法、装置、设备及存储介质
CN116737933A (zh) 文本分类方法、装置、电子设备及计算机可读存储介质
CN114968412B (zh) 基于人工智能的配置文件生成方法、装置、设备及介质
CN116340537A (zh) 人物关系抽取方法、装置、电子设备及存储介质
CN114708073A (zh) 一种围标串标智能检测方法、装置、电子设备及存储介质
CN114818686A (zh) 基于人工智能的文本推荐方法及相关设备
CN113888265A (zh) 产品推荐方法、装置、设备及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant