CN115422486B - 基于人工智能的云服务在线页面优化方法及大数据系统 - Google Patents

Abstract

本申请实施例提供一种基于人工智能的云服务在线页面优化方法及大数据系统，在页面优化分配模型的训练过程中，每次加载至页面优化训练数据后，可以依据相应的页面优化训练数据关联的决策页面优化分配数据和实际页面优化分配数据获得第一训练代价，然后基于第一训练优化指标对第一训练代价进行调整，确定页面优化分配模型的目标训练代价，可以提高训练完成的目标页面优化分配模型中，每两个模型处理单元的模型生成信息的全局区分度，以提高目标页面优化分配模型的模型准确性，由此提高页面优化分配结果的精度。

Description

基于人工智能的云服务在线页面优化方法及大数据系统

技术领域

本发明涉及大数据技术领域，具体而言，涉及一种基于人工智能的云服务在线页面优化方法及大数据系统。

背景技术

当前，互联网信息化建设已取得了卓越的成效，各种互联网服务商使用云服务平台为广大用户提供多种在线服务已经当前时代需求的产物。通过云服务平台对互联网服务商提供云服务，从而实现互联网服务商降低运行成本，提高管理效率。

然而，对于各个互联网服务商而言，云服务在线页面的稳定性关系到用户的体验，一旦云服务在线页面发生异常事件（如页面崩溃事件、页面异常跳转事件等），则会造成在线服务的中断，因此通常互联网服务商都会针对页面异常事件预先配置相应的应急优化措施以便于在线页面服务能够及时修复和继续运行。相关技术中，在决策页面优化方案时通常是仅依据异常字段进行一一匹配，然而根据匹配数量来确定最终的页面优化方案，该思路的页面优化分配结果的精度较低。

发明内容

为了至少克服现有技术中的上述不足，本发明的目的在于提供一种基于人工智能的云服务在线页面优化方法及大数据系统。

第一方面，本申请提供一种基于人工智能的云服务在线页面优化方法，应用于大数据系统，所述大数据系统与多个页面服务器通信连接，所述方法包括：

对云服务在线页面的候选页面异常事件进行特征提取，获取候选页面异常事件的页面异常路径特征，以及分别获取各个待分配页面优化方案数据各自的页面优化逻辑知识点特征；

将确定的所述页面异常路径特征和各个页面优化逻辑知识点特征，分别加载至满足模型收敛条件的目标页面优化分配模型中，生成所述各个待分配页面优化方案数据各自的页面优化分配支持度；

其中，所述目标页面优化分配模型的训练步骤包括：

依据页面优化训练数据序列对初始化模型权重参数的页面优化分配模型进行多个训练阶段的遍历模型权重参数优化，直至所述页面优化分配模型的模型权重参数不再变化，并将最后一个训练阶段生成的页面优化分配模型作为目标页面优化分配模型，所述页面优化分配模型包括多个模型处理单元，每个模型处理单元用于从一个页面优化标签对加载至所述页面优化分配模型的页面优化训练数据进行特征提取，其中，在一个遍历训练阶段中，执行下述步骤：

将从所述页面优化训练数据序列中获取的页面优化训练数据，加载至所述页面优化分配模型，确定所述页面优化训练数据对应的决策页面优化分配数据；

基于所述页面优化训练数据对应的决策页面优化分配数据和实际页面优化分配数据，确定相应的第一训练代价；

依据所述第一训练代价和第一训练优化指标，确定相应的目标训练代价；其中，所述第一训练优化指标用于表征依据相应的页面优化训练数据确定的，每两个模型处理单元的模型生成信息的全局区分度，且所述第一训练优化指标与所述目标训练代价呈负相关；

基于所述目标训练代价，对所述页面优化分配模型进行遍历模型权重参数优化。

在第一方面的一种可能的实施方式中，所述各个待分配页面优化方案数据中的每个待分配页面优化方案数据的页面优化分配支持度为：针对预设的目标页面优化标签的页面优化分配支持度；

所述将确定的所述页面异常路径特征和各个页面优化逻辑知识点特征，分别加载至满足模型收敛条件的目标页面优化分配模型中，生成所述各个待分配页面优化方案数据各自的页面优化分配支持度的过程中，每生成一个待分配页面优化方案数据的页面优化分配支持度，执行下述步骤：

如果生成的页面优化分配支持度大于第一设定支持度，则将相应的待分配页面优化方案数据作为目标页面优化方案数据；

将确定的各个目标页面优化方案数据依据各自的页面优化分配支持度进行次序整理，并将次序整理结果进行确定；

获取目标云服务页面基于所述次序整理结果反馈的最终选定目标页面优化方案数据，并基于云端修复固件库中对应于所述最终选定目标页面优化方案数据的目标修复固件数据，对所述云服务在线页面进行页面优化。

在第一方面的一种可能的实施方式中，所述各个待分配页面优化方案数据中的每个待分配页面优化方案数据的页面优化分配支持度包括，针对预设的多个页面优化标签的页面优化分配支持度；

所述将确定的所述页面异常路径特征和各个页面优化逻辑知识点特征，分别加载至满足模型收敛条件的目标页面优化分配模型中，生成所述各个待分配页面优化方案数据各自的页面优化分配支持度的过程中，每生成一个待分配页面优化方案数据的页面优化分配支持度，执行下述步骤之一：

如果生成的多个页面优化标签的页面优化分配支持度中的一个，大于相应的第二设定支持度，则将相应的待分配页面优化方案数据作为目标页面优化方案数据；

如果生成的多个页面优化标签的页面优化分配支持度中的多个，分别大于各自的第三设定支持度，则将相应的待分配页面优化方案数据作为目标页面优化方案数据；

将确定的各个目标页面优化方案数据，依据各自的多个页面优化标签的页面优化分配支持度进行次序整理。

在第一方面的一种可能的实施方式中，所述将从所述页面优化训练数据序列中获取的页面优化训练数据，加载至所述页面优化分配模型，确定所述页面优化训练数据对应的决策页面优化分配数据，包括：

将从所述页面优化训练数据序列中获取的页面优化训练数据，加载至所述页面优化分配模型，分别确定所述多个模型处理单元各自的模型生成信息以及所述多个模型处理单元各自对应的影响系数，并基于确定的各个模型生成信息和相应的影响系数，确定所述页面优化训练数据对应的决策页面优化分配数据；

所述第一训练优化指标基于下述步骤确定：

分别确定所述多个模型处理单元中，每两个模型处理单元的模型生成信息之间的第一区别度量值，并依据确定的各个第一区别度量值，确定所述第一训练优化指标。

在第一方面的一种可能的实施方式中，所述多个模型处理单元各自的模型生成信息为生成特征； 所述分别确定所述多个模型处理单元中，每两个模型处理单元对应的模型生成信息之间的第一区别度量值，并依据确定的各个第一区别度量值，确定所述第一训练优化指标，包括：

分别获取所述多个模型处理单元中，每两个模型处理单元对应的生成特征之间的第一特征偏离度，以及将确定的各个第一特征偏离度分别作为相应的第一区别度量值；

对确定的各个第一区别度量值执行加权，确定所述第一训练优化指标。

在第一方面的一种可能的实施方式中，所述决策页面优化分配数据包括针对预设的多个页面优化标签的页面优化分配支持度；

所述将从所述页面优化训练数据序列中获取的页面优化训练数据，加载至所述页面优化分配模型，分别确定所述多个模型处理单元各自的模型生成信息以及所述多个模型处理单元各自对应的影响系数，并基于确定的各个模型生成信息和相应的影响系数，确定所述页面优化训练数据对应的决策页面优化分配数据，包括：

将从所述页面优化训练数据序列中获取的页面优化训练数据，加载至所述页面优化分配模型，分别确定所述多个模型处理单元各自的模型生成信息，以及获得所述多个模型处理单元各自在所述多个页面优化标签下的影响系数；

基于所述多个模型处理单元各自在所述多个页面优化标签下的影响系数，分别确定所述多个页面优化标签各自对应的影响系数特征，其中，每个页面优化标签对应的影响系数特征包含的各个特征成员，分别与所述多个模型处理单元各自在相应页面优化标签下对应的影响系数一一对应；

针对所述多个页面优化标签，分别执行下述步骤：基于一个页面优化标签对应的影响系数特征，以及所述多个模型处理单元各自的模型生成信息，确定所述页面优化训练数据在所述一个页面优化标签下对应的页面优化分配支持度。

在第一方面的一种可能的实施方式中，所述页面优化分配模型还包括多个分配单元，每个分配单元用于获得一个页面优化标签的页面优化分配支持度；

所述基于一个页面优化标签对应的影响系数特征，以及所述多个模型处理单元各自的模型生成信息，确定所述页面优化训练数据在所述一个页面优化标签下对应的页面优化分配支持度，包括：

将所述一个页面优化标签对应的影响系数特征中的各个特征成员，分别与相应的模型处理单元的模型生成信息进行聚合，得到所述一个页面优化标签对应的最终模型生成信息；

将所述一个页面优化标签对应的最终模型生成信息加载至相应的分配单元，确定所述页面优化训练数据在所述一个页面优化标签下对应的页面优化分配支持度。

在第一方面的一种可能的实施方式中，所述分别确定所述多个页面优化标签各自对应的影响系数特征之后，所述依据所述第一训练代价和所述第一训练优化指标，确定相应的目标训练代价之前，所述方法还包括：

分别确定所述多个页面优化标签中，每两个页面优化标签对应的影响系数特征之间的第二特征偏离度，并将确定的各个第二特征偏离度作为相应的第二区别度量值；

对确定的各个第二区别度量值执行加权，确定第二训练优化指标；其中，所述第二训练优化指标用于表征依据相应的页面优化训练数据确定的，每两个页面优化标签对应的多个模型处理单元的影响系数特征的全局区分度，且所述第二训练优化指标与所述目标训练代价呈负相关；

所述依据所述第一训练代价和所述第一训练优化指标，确定相应的目标训练代价，包括：

依据所述第一训练代价、所述第一训练优化指标和所述第二训练优化指标，确定所述目标训练代价。

在第一方面的一种可能的实施方式中，所述对云服务在线页面的候选页面异常事件进行特征提取，获取候选页面异常事件的页面异常路径特征的步骤，包括：

基于目标页面异常分析模型，对所述候选页面异常事件进行异常代码分析，以确定对应的第一异常代码分析信息，结合所述第一异常代码分析信息，确定所述候选页面异常事件在至少一个衍生页面运行路径和多个初始页面运行路径中分别对应的第一异常置信度；

基于所述目标页面异常分析模型，并基于异常先验信息对所述至少一个衍生页面运行路径分别对应的第一异常置信度进行更新，以确定所述至少一个衍生页面运行路径分别对应的第二异常置信度，所述多个初始页面运行路径和所述至少一个衍生页面运行路径分别基于不同页面服务模式的页面运行配置数据进行生成，且所述初始页面运行路径对应的页面运行配置数据的页面服务优先级高于所述衍生页面运行路径对应的页面运行配置数据的页面服务优先级，每一个所述初始页面运行路径和每一个所述初始页面运行路径都不相同；

结合所述多个初始页面运行路径分别对应的第一异常置信度和所述至少一个衍生页面运行路径分别对应的第二异常置信度，从所述多个初始页面运行路径和所述至少一个衍生页面运行路径中，融合输出所述候选页面异常事件对应的目标页面运行路径，将所述目标页面运行路径反映的路径特征确定为所述候选页面异常事件的页面异常路径特征；

其中，所述目标页面异常分析模型的模型配置步骤包括：

将第一模板页面异常事件簇中的每一个模板衍生页面异常事件输入至初始页面异常分析模型中，进而基于所述初始页面异常分析模型确定对应的模板衍生页面异常事件在所述至少一个衍生页面运行路径中对应的第二衍生异常置信度，并确定对应的模板衍生页面异常事件在所述多个初始页面运行路径中对应的第二初始异常置信度；

将第二模板页面异常事件簇中的每一个模板初始页面异常事件输入至所述初始页面异常分析模型，进而基于所述初始页面异常分析模型确定对应的模板初始页面异常事件在所述至少一个衍生页面运行路径对应的第三衍生异常置信度，并确定对应的模板初始页面异常事件在所述多个初始页面运行路径中对应的第三初始异常置信度；

结合所述第二衍生异常置信度、所述第二初始异常置信度、所述第三衍生异常置信度和所述第三初始异常置信度，确定第一维度loss函数值；

结合所述第二初始异常置信度和所述第三初始异常置信度，确定第二维度loss函数值；

对所述第一维度loss函数值和所述第二维度loss函数值进行加权计算，确定对应的目标loss函数值，基于所述目标loss函数值对所述初始页面异常分析模型进行模型迭代更新，并在模型迭代更新流程中计算的loss函数值小于设定数值时，确定所述初始页面异常分析模型对应的模糊页面异常分析模型，所述第一模板页面异常事件簇对应至少一个衍生页面运行路径，所述第二模板页面异常事件簇对应多个初始页面运行路径；

搜集多个更新页面运行配置数据，将每一个所述更新页面运行配置数据输入至所述模糊页面异常分析模型中，进而基于所述模糊页面异常分析模型进行页面异常路径分析，确定对应的更新页面运行配置数据在所述至少一个衍生页面运行路径中对应的第一衍生异常置信度，确定对应的更新页面运行配置数据在所述多个初始页面运行路径中对应的第一初始异常置信度，每一个所述更新页面运行配置数据对应一个所述衍生页面运行路径或一个所述初始页面运行路径；

结合所述第一衍生异常置信度，确定所述至少一个衍生页面运行路径对应的衍生先验异常参数；

结合所述第一初始异常置信度，确定所述多个初始页面运行路径对应的初始先验异常参数；

基于所述衍生先验异常参数和所述初始先验异常参数，确定对应的异常先验信息；

将所述异常先验信息配置于在所述模糊页面异常分析模型的全连接单元中，输出对应的目标页面异常分析模型，所述异常先验信息用于对所述至少一个衍生页面运行路径对应的衍生异常置信度进行更新。

第二方面，本申请实施例还提供一种基于人工智能的云服务在线页面优化系统，所述基于人工智能的云服务在线页面优化系统包括大数据系统和与所述大数据系统通信连接的多个页面服务器；

所述大数据系统，用于：

对云服务在线页面的候选页面异常事件进行特征提取，获取候选页面异常事件的页面异常路径特征，以及分别获取各个待分配页面优化方案数据各自的页面优化逻辑知识点特征；

将确定的所述页面异常路径特征和各个页面优化逻辑知识点特征，分别加载至满足模型收敛条件的目标页面优化分配模型中，生成所述各个待分配页面优化方案数据各自的页面优化分配支持度；

其中，所述目标页面优化分配模型的训练步骤包括：

依据页面优化训练数据序列对初始化模型权重参数的页面优化分配模型进行多个训练阶段的遍历模型权重参数优化，直至所述页面优化分配模型的模型权重参数不再变化，并将最后一个训练阶段生成的页面优化分配模型作为目标页面优化分配模型，所述页面优化分配模型包括多个模型处理单元，每个模型处理单元用于从一个页面优化标签对加载至所述页面优化分配模型的页面优化训练数据进行特征提取，其中，在一个遍历训练阶段中，执行下述步骤：

将从所述页面优化训练数据序列中获取的页面优化训练数据，加载至所述页面优化分配模型，确定所述页面优化训练数据对应的决策页面优化分配数据；

基于所述页面优化训练数据对应的决策页面优化分配数据和实际页面优化分配数据，确定相应的第一训练代价；

依据所述第一训练代价和第一训练优化指标，确定相应的目标训练代价；其中，所述第一训练优化指标用于表征依据相应的页面优化训练数据确定的，每两个模型处理单元的模型生成信息的全局区分度，且所述第一训练优化指标与所述目标训练代价呈负相关；

基于所述目标训练代价，对所述页面优化分配模型进行遍历模型权重参数优化。

呈上任意一个方面所述，在页面优化分配模型的训练过程中，每次加载至页面优化训练数据后，可以依据相应的页面优化训练数据关联的决策页面优化分配数据和实际页面优化分配数据获得第一训练代价，然后基于第一训练优化指标对第一训练代价进行调整，确定页面优化分配模型的目标训练代价。

由于上述第一训练优化指标表示相应的页面优化训练数据确定的每两个模型处理单元的模型生成信息的全局区分度，且该第一训练优化指标与目标训练代价呈负相关，因此，当第一训练优化指标变大时，说明每两个模型处理单元的模型生成信息的全局区分度变大，这时目标训练代价变小；当第一训练优化指标变小时，说明每两个模型处理单元的模型生成信息的全局区分度变小，这时目标训练代价变大。从而可以提高训练完成的目标页面优化分配模型中，每两个模型处理单元的模型生成信息的全局区分度，以提高目标页面优化分配模型的模型准确性，由此提高页面优化分配结果的精度。

附图说明

图1为本发明实施例提供的基于人工智能的云服务在线页面优化方法的流程示意图。

具体实施方式

下面介绍本发明一种实施例提供的基于人工智能的云服务在线页面优化系统10的架构，该基于人工智能的云服务在线页面优化系统10可以包括大数据系统100以及与大数据系统100通信连接的页面服务器200。其中，基于人工智能的云服务在线页面优化系统10中的大数据系统100和页面服务器200可以结合配合执行以下方法实施例所描述的基于人工智能的云服务在线页面优化方法，具体大数据系统100和页面服务器200的执行步骤部分可以参照以下方法实施例的详细描述。

本实施例提供的基于人工智能的云服务在线页面优化方法可以由大数据系统100执行，下面结合图1对该基于人工智能的云服务在线页面优化方法进行详细介绍。

ProcessS101，获取页面优化训练数据序列。

一些可能的实施方式中，页面优化训练数据序列中的每个页面优化训练数据包括参考页面异常事件的参考页面异常路径特征，以及参考页面优化方案数据的参考页面优化逻辑知识点特征，其中，参考页面异常路径特征可以包括页面发生异常（如崩溃、页面销毁等）时各类页面应用程序的运行流程特征构成的路径，参考页面优化逻辑知识点特征可以包括参考页面优化方案数据的优化路径特征（如针对各个页面中页面优化元素（如页面功能控件等）的优化逻辑知识点）等。

ProcessS102，依据页面优化训练数据序列，对初始化模型权重参数的页面优化分配模型进行多个训练阶段的遍历模型权重参数优化。

例如，ProcessS102中在一个遍历训练阶段中，可以执行下述步骤：

ProcessS1021，将从页面优化训练数据序列中获取的页面优化训练数据，加载至页面优化分配模型，确定页面优化训练数据对应的决策页面优化分配数据。

例如，ProcessS1021可以通过下述方案实现：

ProcessS10211，将从页面优化训练数据序列中获取的页面优化训练数据，加载至页面优化分配模型，分别确定多个模型处理单元各自的模型生成信息以及多个模型处理单元各自对应的影响系数，并基于确定的各个模型生成信息和相应的影响系数，确定页面优化训练数据对应的决策页面优化分配数据。

其中，页面优化分配模型的多个模型处理单元可以采用AI模型，分别用于从相应的页面优化标签对输入的页面优化训练数据进行特征提取，以实现多个页面优化标签的特征提取。

一些可能的实施方式中，页面优化分配模型采用多模型处理单元学习网络时，可以针对一个模型处理单元进行决策，该一个模型处理单元可以理解为从预设的目标页面优化标签进行置信度决策；也可以同时针对多个模型处理单元进行决策，多个模型处理单元可以理解为从预设的多个页面优化标签进行置信度决策。当针对多个模型处理单元进行置信度决策时，ProcessS10021中确定的多个模型处理单元各自对应的影响系数，包括多个模型处理单元对应的影响系数。

例如，多个模型处理单元包括模型处理单元1、模型处理单元2和模型处理单元3，对于模型处理单元1和模型处理单元2而言，模型处理单元1对应的影响系数包括模型处理单元1的影响系数a1和模型处理单元2的影响系数a2，模型处理单元2对应的影响系数包括模型处理单元1的影响系数b1和模型处理单元2的影响系数b2，模型处理单元3对应的影响系数包括模型处理单元1的影响系数c1和模型处理单元2的影响系数c2。也就是说，模型处理单元1对模型处理单元1、模型处理单元2和模型处理单元3的影响系数分别为a1、b1、c1，模型处理单元2对模型处理单元1、模型处理单元2和模型处理单元3的影响系数分别为a2、b2、c2。

一些可能的实施方式中，页面优化分配模型还包括多个循环神经网络、多个聚合单元和多个决策单元；每个循环神经网络用于生成相应的一个页面优化标签对应的影响系数特征；每个聚合单元用于基于相应的一个页面优化标签对应的影响系数特征，对多个模型处理单元各自的模型生成信息进行聚合；每个分配单元用于获得相应的一个页面优化标签的页面优化分配支持度。其中，每个循环神经网络可以但不限于采用Softmax函数，每个分配单元可以采用深度学习网络，包括但不限于前馈神经网络、卷积神经网络等。

由此，在将页面优化训练数据加载至页面优化分配模型时，可以同时加载至多个模型处理单元以及多个循环神经网络，以分别确定多个模型处理单元各自的模型生成信息以及多个模型处理单元各自对应的影响系数。

一些可能的实施方式中，当页面优化分配模型同时针对多个模型处理单元进行决策时，决策页面优化分配数据包括针对预设的多个页面优化标签的页面优化分配支持度，例如，ProcessS10211可以通过下述方案实现：

ProcessS10211_1，将从页面优化训练数据序列中获取的页面优化训练数据，加载至页面优化分配模型，分别确定多个模型处理单元各自的模型生成信息，以及获得多个模型处理单元各自在多个页面优化标签下的影响系数。

例如，可以将获取的页面优化训练数据，同时加载至页面优化分配模型的多个模型处理单元以及多个循环神经网络，分别确定多个模型处理单元各自的模型生成信息，以及多个循环神经网络各自生成的，多个模型处理单元各自在多个页面优化标签下的影响系数。

ProcessS10211_2，基于多个模型处理单元各自在多个页面优化标签下的影响系数，分别确定多个页面优化标签各自对应的影响系数特征，其中，每个页面优化标签对应的影响系数特征包含的各个特征成员，分别与多个模型处理单元各自在相应页面优化标签下对应的影响系数一一对应。

例如，以2个页面优化标签，3个模型处理单元为例，对于模型处理单元1、模型处理单元2和模型处理单元3而言，模型处理单元1在页面优化标签1、页面优化标签2下的影响系数分别为K1、K1’， 模型处理单元2在页面优化标签1、页面优化标签2下的影响系数分别为K2、K2’， 模型处理单元3在页面优化标签1、页面优化标签2下的影响系数分别为K3、K3’，则页面优化标签1对应的影响系数特征为{K1、K2、K3}，页面优化标签2对应的影响系数特征为{K1’、K2’、K3’}。

ProcessS10211_3，针对多个页面优化标签，分别执行下述步骤：基于一个页面优化标签对应的影响系数特征，以及多个模型处理单元各自的模型生成信息，确定页面优化训练数据在一个页面优化标签下对应的页面优化分配支持度。

一些实施方式中，该页面优化分配模型包括多个分配单元，每个分配单元用于获得一个页面优化标签的页面优化分配支持度；

ProcessS10211_3中基于一个页面优化标签对应的影响系数特征，以及多个模型处理单元各自的模型生成信息，确定页面优化训练数据在一个页面优化标签下对应的页面优化分配支持度，可以通过下述方案实现：

A1、将一个页面优化标签对应的影响系数特征中的各个特征成员，分别与相应的模型处理单元的模型生成信息进行聚合，得到一个页面优化标签对应的最终模型生成信息。

A2、将一个页面优化标签对应的最终模型生成信息加载至相应的分配单元，确定页面优化训练数据在一个页面优化标签下对应的页面优化分配支持度。

例如，页面优化分配模型针对2个页面优化标签进行置信度决策，对于模型处理单元1、模型处理单元2和模型处理单元3而言，假设模型处理单元1生成的模型编码特征为D1，模型处理单元2生成的模型编码特征为D2，模型处理单元3生成的模型编码特征为D3，即模型处理单元1-模型处理单元3 生成的模型编码特征为{D1、D2、D3}。循环神经网络1对模型处理单元1生成的影响系数为K1，循环神经网络2对模型处理单元2生成的影响系数为K2，循环神经网络3对模型处理单元3生成的影响系数为K3，即循环神经网络1对模型处理单元1-模型处理单元3生成的影响系数为{K1、K2、K3}，同理，循环神经网络2对模型处理单元1-模型处理单元3生成的影响系数为{K1’、K2’、K3’}。

进一步地，聚合单元1对{D1、D2、D3}和{K1、K2、 K3}聚合得到的带权重的模型编码特征为{K1D1、K2D2、K3D3}，为分配单元1的加载至特征；聚合单元2对{D1、D2、D3}和{K1’、K2’、K3’}聚合得到的带权重的模型编码特征为{K1’D1、K2’D2、K3’D3}，为分配单元2的加载至特征。进而分别确定页面优化训练数据在多个页面优化标签下对应的页面优化分配支持度。

ProcessS1022，基于页面优化训练数据对应的决策页面优化分配数据和实际页面优化分配数据，确定相应的第一训练代价。

当决策页面优化分配数据包括针对多个页面优化标签的页面优化分配支持度时，例如，页面优化标签1、页面优化标签2、页面优化标签3，第一训练代价包括页面优化标签1下的训练代价、页面优化标签2下的训练代价、页面优化标签3下的训练代价之和。

ProcessS1023，依据第一训练代价和第一训练优化指标，确定相应的目标训练代价；其中，第一训练优化指标用于表征依据相应的页面优化训练数据确定的，每两个模型处理单元的模型生成信息的全局区分度，且第一训练优化指标与目标训练代价呈负相关。

一些可能的实施方式中，可以基于上述ProcessS10211中确定的多个模型处理单元各自的模型生成信息，确定第一训练优化指标。因此，在执行上述ProcessS10211之后，在执行ProcessS1023之前，还可以执行如下步骤：

B、分别确定多个模型处理单元中，每两个模型处理单元的模型生成信息之间的第一区别度量值，并依据确定的各个第一区别度量值，确定第一训练优化指标。

例如，上述步骤B可以通过下述方案实现：

B1、分别获取多个模型处理单元中，每两个模型处理单元对应的生成特征之间的第一特征偏离度，以及将确定的各个第一特征偏离度分别作为相应的第一区别度量值。

一些可能的实施方式中，每两个模型处理单元对应的生成特征之间的第一特征偏离度，可以表示每两个模型处理单元对应的生成特征之间的区别度，第一特征偏离度越大，说明区别度越大，因此，可以将第一特征偏离度作为第一区别度量值。

B2、对确定的各个第一区别度量值执行加权，确定第一训练优化指标。

例如，对于3个模型处理单元而言，模型处理单元1的生成特征和模型处理单元2的生成特征的第一区别度量值为n1，模型处理单元1的生成特征和模型处理单元3的生成特征的第一区别度量值为n2，模型处理单元2的生成特征和模型处理单元3的生成特征的第一区别度量值为n3，第一训练优化指标m1=n1+n2+n3。

ProcessS1024，基于目标训练代价，对页面优化分配模型进行遍历模型权重参数优化。

ProcessS103，在判定所述页面优化分配模型匹配训练终止条件时，确定目标页面优化分配模型。

例如，训练终止条件可以是遍历模型权重参数优化次数达到设定次数，或者目标训练代价小于设定训练代价值。

一些可能的实施方式中，在页面优化分配模型的训练过程中，每次加载至页面优化训练数据后，可以依据相应的页面优化训练数据关联的决策页面优化分配数据和实际页面优化分配数据获得第一训练代价，然后基于第一训练优化指标对第一训练代价进行调整，确定页面优化分配模型的目标训练代价。

由于上述第一训练优化指标表示相应的页面优化训练数据确定的每两个模型处理单元的模型生成信息的全局区分度，且该第一训练优化指标与目标训练代价呈负相关，因此，当第一训练优化指标变大时，说明每两个模型处理单元的模型生成信息的全局区分度变大，这时目标训练代价变小；当第一训练优化指标变小时，说明每两个模型处理单元的模型生成信息的全局区分度变小，这时目标训练代价变大。从而可以提高训练完成的目标页面优化分配模型中，每两个模型处理单元的模型生成信息的全局区分度，以提高目标页面优化分配模型的模型准确性，由此提高页面优化分配结果的精度。

一些可能的实施方式中，页面优化分配模型采用多模型处理单元学习模型，该多模型处理单元学习模型在从多个页面优化标签进行训练时，即对多个模型处理单元进行训练，多个页面优化标签各自对应的多个模型处理单元的影响系数存在差异，可以提高多个页面优化标签的决策准确性。然而，相关技术中，多模型处理单元学习模型针对的多个模型处理单元进行训练时，多个模型处理单元各自对应的多个模型处理单元的影响系数存在趋同的问题。

一些可能的实施方式中，上述ProcessS10211_2中分别确定多个页面优化标签各自对应的影响系数特征之后，以及上述ProcessS1023中依据第一训练代价和第一训练优化指标，确定相应的目标训练代价之前，还可以通过下述方案实现：

ProcessS1023_0，分别确定预设的多个页面优化标签中，每两个页面优化标签对应的影响系数特征之间的第二区别度量值，并依据确定的各个第二区别度量值，确定第二训练优化指标；其中，第二训练优化指标用于表征依据相应的页面优化训练数据确定的，每两个页面优化标签对应的多个模型处理单元的影响系数特征的全局区分度，且第二训练优化指标与目标训练代价呈负相关；

例如，上述ProcessS1023中依据第一训练代价和第一训练优化指标，确定相应的目标训练代价，可以通过下述方案实现：

ProcessS10231，依据第一训练代价、第一训练优化指标和第二训练优化指标，确定目标训练代价。

一些可能的实施方式中，页面优化分配模型在针对多个页面优化标签进行训练时，可以保证多个页面优化标签各自对应的多个模型处理单元的影响系数的区别度，从而提高对多个页面优化标签的分配支持度的决策准确性。

一些可能的实施方式中，ProcessS10231中分别确定多个页面优化标签中，每两个页面优化标签对应的影响系数特征之间的第二区别度量值，并依据确定的各个第二区别度量值，确定第二训练优化指标，可以通过下述方案实现：

C1、分别确定多个页面优化标签中，每两个页面优化标签对应的影响系数特征之间的第二特征偏离度，并将确定的各个第二特征偏离度作为相应的第二区别度量值。

一些可能的实施方式中，每两个页面优化标签对应的影响系数特征之间的第二特征偏离度，可以表示每两个页面优化标签对应的影响系数特征之间的区别度，第二特征偏离度越大，说明区别度越大，因此，可以将第二特征偏离度作为第二区别度量值。

C2、对确定的各个第二区别度量值执行加权，确定第二训练优化指标。

例如，对于3个页面优化标签而言，页面优化标签1对应的影响系数特征和页面优化标签2对应的影响系数特征的第二区别度量值为n1’，页面优化标签1对应的影响系数特征和页面优化标签3对应的影响系数特征的第二区别度量值为n2’，页面优化标签2对应的影响系数特征和页面优化标签3对应的影响系数特征的第二区别度量值为n3’，第二训练优化指标m2=n1’+n2’+n3’。

下面结合图1进一步介绍结合以上训练流程的实际应用方法实施例。

Process201，对云服务在线页面的候选页面异常事件进行特征提取，获取候选页面异常事件的页面异常路径特征，以及分别获取各个待分配页面优化方案数据各自的页面优化逻辑知识点特征。

关于页面异常路径特征和页面优化逻辑知识点特征可以参照前述实施例的解释。其中，云服务在线页面可以是指在线图像搜索云服务页面等。

Process202，将确定的页面异常路径特征和各个页面优化逻辑知识点特征，分别加载至满足模型收敛条件的目标页面优化分配模型中，生成各个待分配页面优化方案数据各自的页面优化分配支持度。

其中，目标页面优化分配模型可以基于以上训练页面优化分配模型的方法确定，即依据页面优化训练数据序列对初始化模型权重参数的页面优化分配模型进行训练获得；其中，每次加载至页面优化训练数据后确定的目标训练代价至少基于第一训练代价以及第一训练优化指标确定，第一训练代价是依据相应的页面优化训练数据关联的决策页面优化分配数据和实际页面优化分配数据确定的；页面优化分配模型包括多个模型处理单元，每个模型处理单元用于从一个页面优化标签对加载至页面优化分配模型的页面优化训练数据进行特征提取，第一训练优化指标用于表征依据相应的页面优化训练数据确定的，每两个模型处理单元的模型生成信息的全局区分度，且第一训练优化指标与目标训练代价呈负相关。

一些可能的实施方式中，各个待分配页面优化方案数据中的每个待分配页面优化方案数据的页面优化分配支持度为：针对预设的目标页面优化标签的页面优化分配支持度。

Process202中将确定的页面异常路径特征和各个页面优化逻辑知识点特征，分别加载至满足模型收敛条件的目标页面优化分配模型中，生成各个待分配页面优化方案数据各自的页面优化分配支持度的过程中，每生成一个待分配页面优化方案数据的页面优化分配支持度，可以执行下述步骤：

如果生成的页面优化分配支持度大于第一设定支持度，则将相应的待分配页面优化方案数据作为目标页面优化方案数据。

其中，页面优化分配支持度可以表示向目标云服务页面加载待分配页面优化方案数据的置信度，页面优化分配支持度与向目标云服务页面加载待分配页面优化方案数据的置信度成正比，即当页面优化分配支持度较大时，表示向目标云服务页面加载待分配页面优化方案数据的置信度较大，当页面优化分配支持度较小时，表示向目标云服务页面加载待分配页面优化方案数据的置信度较小。

例如，可以预先设置第一设定支持度，第一设定支持度可以基于需要设置，例如可以为0.8。当目标云服务页面的页面优化分配支持度大于第一设定支持度时，可以将相应的待分配页面优化方案数据作为目标页面优化方案数据，进而将目标页面优化方案数据输入至目标云服务页面，或者将目标页面优化方案数据作为候选页面优化方案数据，并在候选页面优化方案数据中选择向目标云服务页面进行加载的信息。

进一步地，将确定的各个目标页面优化方案数据依据各自的页面优化分配支持度进行次序整理，然后基于次序整理结果选择输入至目标云服务页面的页面优化方案数据。

例如，依据页面优化分配支持度的降序次序，将各个目标页面优化方案数据进行次序整理；或者依据页面优化分配支持度从小到大的顺序，将各个目标页面优化方案数据进行次序整理。

在另一些实施例中，各个待分配页面优化方案数据中的每个待分配页面优化方案数据的页面优化分配支持度包括，针对预设的多个页面优化标签的页面优化分配支持度。

一些可能的实施方式中，目标页面优化分配模型可以同时针对多个页面优化标签进行分配支持度的决策，即同时决策多个页面优化标签的分配支持度。

Process202中将确定的页面异常路径特征和各个页面优化逻辑知识点特征，分别加载至满足模型收敛条件的目标页面优化分配模型中，生成各个待分配页面优化方案数据各自的页面优化分配支持度的过程中，每生成一个待分配页面优化方案数据的页面优化分配支持度，可以执行下述步骤之一：

1、如果生成的多个页面优化标签的页面优化分配支持度中的一个，大于相应的第二设定支持度，则将相应的待分配页面优化方案数据作为目标页面优化方案数据。

2、如果生成的多个页面优化标签的页面优化分配支持度中的多个，分别大于各自的第三设定支持度，则将相应的待分配页面优化方案数据作为目标页面优化方案数据。

例如，目标页面优化分配模型同时决策3个页面优化标签的分配支持度，如可以设置为：其中任意一个页面优化标签的分配支持度，大于相应的设定支持度，可以将相应的待分配页面优化方案数据作为目标页面优化方案数据；再如可以设置为：其中任意两个页面优化标签的分配支持度，分别大于各自对应的设定支持度，可以将相应的待分配页面优化方案数据作为目标页面优化方案数据；再如可以设置为：其中指定两个页面优化标签的分配支持度，分别大于各自对应的设定支持度，可以将相应的待分配页面优化方案数据作为目标页面优化方案数据；再如可以设置为：3个页面优化标签的分配支持度分别大于各自对应的设定支持度，可以将相应的待分配页面优化方案数据作为目标页面优化方案数据。

由此，将确定的各个目标页面优化方案数据，依据各自的多个页面优化标签的页面优化分配支持度进行次序整理，然后基于次序整理结果选择输入至目标云服务页面的页面优化方案数据。

一些可能的实施方式中，可以依据指定的一个页面优化标签的页面优化分配支持度进行次序整理，也可以依据多个页面优化标签的页面优化分配支持度的平均支持度进行次序整理。

例如，依据一个页面优化标签的页面优化分配支持度的降序次序，将各个目标页面优化方案数据进行次序整理，然后选择排在前N个的目标页面优化方案数据输入至目标云服务页面；或者依据一个页面优化标签的页面优化分配支持度从小到大的顺序，将各个目标页面优化方案数据进行次序整理，然后选择排在后M个的目标页面优化方案数据输入至目标云服务页面。

又例如，依据多个页面优化标签的页面优化分配支持度的平均支持度的降序次序，将各个目标页面优化方案数据进行次序整理；依据多个页面优化标签的页面优化分配支持度的平均支持度的降序顺序，将各个目标页面优化方案数据进行次序整理。

一些示例性的设计思路中，对云服务在线页面的候选页面异常事件进行特征提取，获取候选页面异常事件的页面异常路径特征，可以通过以下示例性的步骤实现。

Process2011，基于目标页面异常分析模型，对所述候选页面异常事件进行异常代码分析，以确定对应的第一异常代码分析信息，结合所述第一异常代码分析信息，确定所述候选页面异常事件在至少一个衍生页面运行路径和多个初始页面运行路径中分别对应的第一异常置信度；

Process2012，基于所述目标页面异常分析模型，并基于异常先验信息对所述至少一个衍生页面运行路径分别对应的第一异常置信度进行更新，以确定所述至少一个衍生页面运行路径分别对应的第二异常置信度，所述多个初始页面运行路径和所述至少一个衍生页面运行路径分别基于不同页面服务模式的页面运行配置数据进行生成，且所述初始页面运行路径对应的页面运行配置数据的页面服务优先级高于所述衍生页面运行路径对应的页面运行配置数据的页面服务优先级，每一个所述初始页面运行路径和每一个所述初始页面运行路径都不相同；

Process2013，结合所述多个初始页面运行路径分别对应的第一异常置信度和所述至少一个衍生页面运行路径分别对应的第二异常置信度，从所述多个初始页面运行路径和所述至少一个衍生页面运行路径中，融合输出所述候选页面异常事件对应的目标页面运行路径，将所述目标页面运行路径反映的路径特征确定为所述候选页面异常事件的页面异常路径特征。

其中，所述目标页面异常分析模型的模型配置步骤包括：

（1）将第一模板页面异常事件簇中的每一个模板衍生页面异常事件输入至初始页面异常分析模型中，进而基于所述初始页面异常分析模型确定对应的模板衍生页面异常事件在所述至少一个衍生页面运行路径中对应的第二衍生异常置信度，并确定对应的模板衍生页面异常事件在所述多个初始页面运行路径中对应的第二初始异常置信度；

（2）将第二模板页面异常事件簇中的每一个模板初始页面异常事件输入至所述初始页面异常分析模型，进而基于所述初始页面异常分析模型确定对应的模板初始页面异常事件在所述至少一个衍生页面运行路径对应的第三衍生异常置信度，并确定对应的模板初始页面异常事件在所述多个初始页面运行路径中对应的第三初始异常置信度；

（3）结合所述第二衍生异常置信度、所述第二初始异常置信度、所述第三衍生异常置信度和所述第三初始异常置信度，确定第一维度loss函数值；

（4）结合所述第二初始异常置信度和所述第三初始异常置信度，确定第二维度loss函数值；

（5）对所述第一维度loss函数值和所述第二维度loss函数值进行加权计算，确定对应的目标loss函数值，基于所述目标loss函数值对所述初始页面异常分析模型进行模型迭代更新，并在模型迭代更新流程中计算的loss函数值小于设定数值时，确定所述初始页面异常分析模型对应的模糊页面异常分析模型，所述第一模板页面异常事件簇对应至少一个衍生页面运行路径，所述第二模板页面异常事件簇对应多个初始页面运行路径；

（6）搜集多个更新页面运行配置数据，将每一个所述更新页面运行配置数据输入至所述模糊页面异常分析模型中，进而基于所述模糊页面异常分析模型进行页面异常路径分析，确定对应的更新页面运行配置数据在所述至少一个衍生页面运行路径中对应的第一衍生异常置信度，确定对应的更新页面运行配置数据在所述多个初始页面运行路径中对应的第一初始异常置信度，每一个所述更新页面运行配置数据对应一个所述衍生页面运行路径或一个所述初始页面运行路径；

（7）结合所述第一衍生异常置信度，确定所述至少一个衍生页面运行路径对应的衍生先验异常参数；

（8）结合所述第一初始异常置信度，确定所述多个初始页面运行路径对应的初始先验异常参数；

（9）基于所述衍生先验异常参数和所述初始先验异常参数，确定对应的异常先验信息；

（10）将所述异常先验信息配置于在所述模糊页面异常分析模型的全连接单元中，输出对应的目标页面异常分析模型，所述异常先验信息用于对所述至少一个衍生页面运行路径对应的衍生异常置信度进行更新。

针对一些可能的实施方式而言，大数据系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

处理器110可以通过存储在机器可读存储介质120中的程序而执行各种适当的动作和处理，例如前述实施例所描述的基于人工智能的云服务在线页面优化方法所相关的程序指令。处理器110、机器可读存储介质120以及通信单元140通过总线130进行信号传输。

特别地，基于本发明的实施例，上文示例性流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信单元140从网络上被下载和安装，在该计算机程序被处理器110执行时，执行本发明实施例的方法中限定的上述功能。

本发明又一实施例还提供了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上述任意一个实施例所述的基于人工智能的云服务在线页面优化方法。

本发明又一实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上述任意一个实施例所述的基于人工智能的云服务在线页面优化方法。

以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员而言，在不脱离本申请的方案技术构思的前提下，采用基于本申请技术思想的其它类似实施手段，同样属于本申请实施例的保护范畴。

Claims (10)

1.一种基于人工智能的云服务在线页面优化方法，其特征在于，所述方法包括：

对云服务在线页面的候选页面异常事件进行特征提取，获取候选页面异常事件的页面异常路径特征，以及分别获取各个待分配页面优化方案数据各自的页面优化逻辑知识点特征；

将确定的所述页面异常路径特征和各个页面优化逻辑知识点特征，分别加载至满足模型收敛条件的目标页面优化分配模型中，生成所述各个待分配页面优化方案数据各自的页面优化分配支持度；

其中，所述目标页面优化分配模型的训练步骤包括：

依据页面优化训练数据序列对初始化模型权重参数的页面优化分配模型进行多个训练阶段的遍历模型权重参数优化，直至所述页面优化分配模型的模型权重参数不再变化，并将最后一个训练阶段生成的页面优化分配模型作为目标页面优化分配模型，所述页面优化分配模型包括多个模型处理单元，每个模型处理单元用于从一个页面优化标签对加载至所述页面优化分配模型的页面优化训练数据进行特征提取，其中，在一个遍历训练阶段中，执行下述步骤：

将从所述页面优化训练数据序列中获取的页面优化训练数据，加载至所述页面优化分配模型，确定所述页面优化训练数据对应的决策页面优化分配数据；

基于所述页面优化训练数据对应的决策页面优化分配数据和实际页面优化分配数据，确定相应的第一训练代价；

依据所述第一训练代价和第一训练优化指标，确定相应的目标训练代价；其中，所述第一训练优化指标用于表征依据相应的页面优化训练数据确定的，每两个模型处理单元的模型生成信息的全局区分度，且所述第一训练优化指标与所述目标训练代价呈负相关；

基于所述目标训练代价，对所述页面优化分配模型进行遍历模型权重参数优化。

2.根据权利要求1所述的基于人工智能的云服务在线页面优化方法，其特征在于，所述各个待分配页面优化方案数据中的每个待分配页面优化方案数据的页面优化分配支持度为：针对预设的目标页面优化标签的页面优化分配支持度；

所述将确定的所述页面异常路径特征和各个页面优化逻辑知识点特征，分别加载至满足模型收敛条件的目标页面优化分配模型中，生成所述各个待分配页面优化方案数据各自的页面优化分配支持度的过程中，每生成一个待分配页面优化方案数据的页面优化分配支持度，执行下述步骤：

如果生成的页面优化分配支持度大于第一设定支持度，则将相应的待分配页面优化方案数据作为目标页面优化方案数据；

将确定的各个目标页面优化方案数据依据各自的页面优化分配支持度进行次序整理，并将次序整理结果进行确定；

获取目标云服务页面基于所述次序整理结果反馈的最终选定目标页面优化方案数据，并基于云端修复固件库中对应于所述最终选定目标页面优化方案数据的目标修复固件数据，对所述云服务在线页面进行页面优化。

3.根据权利要求1所述的基于人工智能的云服务在线页面优化方法，其特征在于，所述各个待分配页面优化方案数据中的每个待分配页面优化方案数据的页面优化分配支持度包括，针对预设的多个页面优化标签的页面优化分配支持度；

所述将确定的所述页面异常路径特征和各个页面优化逻辑知识点特征，分别加载至满足模型收敛条件的目标页面优化分配模型中，生成所述各个待分配页面优化方案数据各自的页面优化分配支持度的过程中，每生成一个待分配页面优化方案数据的页面优化分配支持度，执行下述步骤：

如果生成的多个页面优化标签的页面优化分配支持度中的一个，大于相应的第二设定支持度，则将相应的待分配页面优化方案数据作为目标页面优化方案数据，如果生成的多个页面优化标签的页面优化分配支持度中的多个，分别大于各自的第三设定支持度，则将相应的待分配页面优化方案数据作为目标页面优化方案数据；

将确定的各个目标页面优化方案数据，依据各自的多个页面优化标签的页面优化分配支持度进行次序整理。

4.根据权利要求1所述的基于人工智能的云服务在线页面优化方法，其特征在于，所述将从所述页面优化训练数据序列中获取的页面优化训练数据，加载至所述页面优化分配模型，确定所述页面优化训练数据对应的决策页面优化分配数据，包括：

将从所述页面优化训练数据序列中获取的页面优化训练数据，加载至所述页面优化分配模型，分别确定所述多个模型处理单元各自的模型生成信息以及所述多个模型处理单元各自对应的影响系数，并基于确定的各个模型生成信息和相应的影响系数，确定所述页面优化训练数据对应的决策页面优化分配数据；

所述第一训练优化指标基于下述步骤确定：

分别确定所述多个模型处理单元中，每两个模型处理单元的模型生成信息之间的第一区别度量值，并依据确定的各个第一区别度量值，确定所述第一训练优化指标。

5. 根据权利要求4所述的基于人工智能的云服务在线页面优化方法，其特征在于，所述多个模型处理单元各自的模型生成信息为生成特征； 所述分别确定所述多个模型处理单元中，每两个模型处理单元对应的模型生成信息之间的第一区别度量值，并依据确定的各个第一区别度量值，确定所述第一训练优化指标，包括：

分别获取所述多个模型处理单元中，每两个模型处理单元对应的生成特征之间的第一特征偏离度，以及将确定的各个第一特征偏离度分别作为相应的第一区别度量值；

对确定的各个第一区别度量值执行加权，确定所述第一训练优化指标。

6.根据权利要求4所述的基于人工智能的云服务在线页面优化方法，其特征在于，所述决策页面优化分配数据包括针对预设的多个页面优化标签的页面优化分配支持度；

所述将从所述页面优化训练数据序列中获取的页面优化训练数据，加载至所述页面优化分配模型，分别确定所述多个模型处理单元各自的模型生成信息以及所述多个模型处理单元各自对应的影响系数，并基于确定的各个模型生成信息和相应的影响系数，确定所述页面优化训练数据对应的决策页面优化分配数据，包括：

将从所述页面优化训练数据序列中获取的页面优化训练数据，加载至所述页面优化分配模型，分别确定所述多个模型处理单元各自的模型生成信息，以及获得所述多个模型处理单元各自在所述多个页面优化标签下的影响系数；

基于所述多个模型处理单元各自在所述多个页面优化标签下的影响系数，分别确定所述多个页面优化标签各自对应的影响系数特征，其中，每个页面优化标签对应的影响系数特征包含的各个特征成员，分别与所述多个模型处理单元各自在相应页面优化标签下对应的影响系数一一对应；

针对所述多个页面优化标签，分别执行下述步骤：基于一个页面优化标签对应的影响系数特征，以及所述多个模型处理单元各自的模型生成信息，确定所述页面优化训练数据在所述一个页面优化标签下对应的页面优化分配支持度。

7.根据权利要求6所述的基于人工智能的云服务在线页面优化方法，其特征在于，所述页面优化分配模型还包括多个分配单元，每个分配单元用于获得一个页面优化标签的页面优化分配支持度；

所述基于一个页面优化标签对应的影响系数特征，以及所述多个模型处理单元各自的模型生成信息，确定所述页面优化训练数据在所述一个页面优化标签下对应的页面优化分配支持度，包括：

将所述一个页面优化标签对应的影响系数特征中的各个特征成员，分别与相应的模型处理单元的模型生成信息进行聚合，得到所述一个页面优化标签对应的最终模型生成信息；

将所述一个页面优化标签对应的最终模型生成信息加载至相应的分配单元，确定所述页面优化训练数据在所述一个页面优化标签下对应的页面优化分配支持度。

8.根据权利要求6所述的基于人工智能的云服务在线页面优化方法，其特征在于，所述分别确定所述多个页面优化标签各自对应的影响系数特征之后，所述依据所述第一训练代价和所述第一训练优化指标，确定相应的目标训练代价之前，所述方法还包括：

分别确定所述多个页面优化标签中，每两个页面优化标签对应的影响系数特征之间的第二特征偏离度，并将确定的各个第二特征偏离度作为相应的第二区别度量值；

对确定的各个第二区别度量值执行加权，确定第二训练优化指标；其中，所述第二训练优化指标用于表征依据相应的页面优化训练数据确定的，每两个页面优化标签对应的多个模型处理单元的影响系数特征的全局区分度，且所述第二训练优化指标与所述目标训练代价呈负相关；

所述依据所述第一训练代价和所述第一训练优化指标，确定相应的目标训练代价，包括：

依据所述第一训练代价、所述第一训练优化指标和所述第二训练优化指标，确定所述目标训练代价。

9.根据权利要求1-8中任意一项所述的基于人工智能的云服务在线页面优化方法，其特征在于，所述对云服务在线页面的候选页面异常事件进行特征提取，获取候选页面异常事件的页面异常路径特征的步骤，包括：

基于目标页面异常分析模型，对所述候选页面异常事件进行异常代码分析，以确定对应的第一异常代码分析信息，结合所述第一异常代码分析信息，确定所述候选页面异常事件在至少一个衍生页面运行路径和多个初始页面运行路径中分别对应的第一异常置信度；

基于所述目标页面异常分析模型，并基于异常先验信息对所述至少一个衍生页面运行路径分别对应的第一异常置信度进行更新，以确定所述至少一个衍生页面运行路径分别对应的第二异常置信度，所述多个初始页面运行路径和所述至少一个衍生页面运行路径分别基于不同页面服务模式的页面运行配置数据进行生成，且所述初始页面运行路径对应的页面运行配置数据的页面服务优先级高于所述衍生页面运行路径对应的页面运行配置数据的页面服务优先级，每一个所述初始页面运行路径和每一个所述初始页面运行路径都不相同；

结合所述多个初始页面运行路径分别对应的第一异常置信度和所述至少一个衍生页面运行路径分别对应的第二异常置信度，从所述多个初始页面运行路径和所述至少一个衍生页面运行路径中，融合输出所述候选页面异常事件对应的目标页面运行路径，将所述目标页面运行路径反映的路径特征确定为所述候选页面异常事件的页面异常路径特征；

其中，所述目标页面异常分析模型的模型配置步骤包括：

将第一模板页面异常事件簇中的每一个模板衍生页面异常事件输入至初始页面异常分析模型中，进而基于所述初始页面异常分析模型确定对应的模板衍生页面异常事件在所述至少一个衍生页面运行路径中对应的第二衍生异常置信度，并确定对应的模板衍生页面异常事件在所述多个初始页面运行路径中对应的第二初始异常置信度；

将第二模板页面异常事件簇中的每一个模板初始页面异常事件输入至所述初始页面异常分析模型，进而基于所述初始页面异常分析模型确定对应的模板初始页面异常事件在所述至少一个衍生页面运行路径对应的第三衍生异常置信度，并确定对应的模板初始页面异常事件在所述多个初始页面运行路径中对应的第三初始异常置信度；

结合所述第二衍生异常置信度、所述第二初始异常置信度、所述第三衍生异常置信度和所述第三初始异常置信度，确定第一维度loss函数值；

结合所述第二初始异常置信度和所述第三初始异常置信度，确定第二维度loss函数值；

对所述第一维度loss函数值和所述第二维度loss函数值进行加权计算，确定对应的目标loss函数值，基于所述目标loss函数值对所述初始页面异常分析模型进行模型迭代更新，并在模型迭代更新流程中计算的loss函数值小于设定数值时，确定所述初始页面异常分析模型对应的模糊页面异常分析模型，所述第一模板页面异常事件簇对应至少一个衍生页面运行路径，所述第二模板页面异常事件簇对应多个初始页面运行路径；

搜集多个更新页面运行配置数据，将每一个所述更新页面运行配置数据输入至所述模糊页面异常分析模型中，进而基于所述模糊页面异常分析模型进行页面异常路径分析，确定对应的更新页面运行配置数据在所述至少一个衍生页面运行路径中对应的第一衍生异常置信度，确定对应的更新页面运行配置数据在所述多个初始页面运行路径中对应的第一初始异常置信度，每一个所述更新页面运行配置数据对应一个所述衍生页面运行路径或一个所述初始页面运行路径；

结合所述第一衍生异常置信度，确定所述至少一个衍生页面运行路径对应的衍生先验异常参数；

结合所述第一初始异常置信度，确定所述多个初始页面运行路径对应的初始先验异常参数；

基于所述衍生先验异常参数和所述初始先验异常参数，确定对应的异常先验信息；

将所述异常先验信息配置于在所述模糊页面异常分析模型的全连接单元中，输出对应的目标页面异常分析模型，所述异常先验信息用于对所述至少一个衍生页面运行路径对应的衍生异常置信度进行更新。

10.一种大数据系统，其特征在于，所述大数据系统包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，所述处理器用于运行所述计算机程序时，执行权利要求1-9中任意一项的基于人工智能的云服务在线页面优化方法。

Images