CN115951883B - 分布式微服务架构的服务组件管理系统及其方法 - Google Patents
分布式微服务架构的服务组件管理系统及其方法 Download PDFInfo
- Publication number
- CN115951883B CN115951883B CN202310243957.8A CN202310243957A CN115951883B CN 115951883 B CN115951883 B CN 115951883B CN 202310243957 A CN202310243957 A CN 202310243957A CN 115951883 B CN115951883 B CN 115951883B
- Authority
- CN
- China
- Prior art keywords
- service
- semantic understanding
- feature vector
- feature
- scene
- 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
- 238000000034 method Methods 0.000 title abstract description 31
- 238000009792 diffusion process Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims description 344
- 238000007726 management method Methods 0.000 claims description 65
- 239000010410 layer Substances 0.000 claims description 52
- 238000013527 convolutional neural network Methods 0.000 claims description 49
- 239000011159 matrix material Substances 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 36
- 230000007246 mechanism Effects 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 9
- 239000002356 single layer Substances 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims 2
- 230000006870 function Effects 0.000 abstract description 24
- 230000000694 effects Effects 0.000 abstract description 21
- 238000013135 deep learning Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 238000007792 addition Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明涉及智能化管理技术领域，其具体地公开了一种分布式微服务架构的服务组件管理系统及其方法，其获取业务场景的文本描述；采用基于深度学习的人工智能技术，挖掘业务场景的文本描述中的深层隐含语义理解特征信息，并通过文本描述中的深层隐含语义理解特征信息得到复杂业务场景的业务功能描述的语义信息，进而通过基于扩散模型的生成器来生成服务组件组合模型。这样，可以准确地对于服务组件组合模型进行构建，以此来提高知识产权成果共享运营平台的服务效果。
Description
技术领域
本发明涉及智能化管理技术领域，并且更具体地，涉及一种分布式微服务架构的服务组件管理系统及其方法。
背景技术
由于知识产权成果共享运营平台业务场景的复杂化，存储规模也会不断扩大，将业务进行拆分并分而治之成为更好的选择。大型的业务场景被细分为单个更小的业务子场景，按照系统业务功能进行划分，对于知识产权成果共享运营平台，按功能维度可以拆分为数据供应链中心、交易中心、需求中心等子应用服务组件。每个子应用服务组件模块可进行独立开发、部署、运维。
对业务场景越来越细的划分，模块越来越多，整个应用的复杂度也越来越高，大量的独立子应用对数据库的独立访问，导致后端数据库的压力越来越大，需要将各个子应用的重叠逻辑再进行抽取为独立子服务，子应用服务之间通过RPC或者消息系统进行相互通信，因此采用分布式应用，以便于能够应对大部分高并发，大流量的业务场景。
微服务架构通过业务拆分实现服务组件化，通过组件组合快速开发系统。知识产权成果共享运营平台从业务和架构层面，按照微服务架构模式进行研发。业务单一的服务组件又可以独立部署，使得整个系统变得清晰灵活。
但是大量的分布式服务又使得架构实现面临问题，如服务注册发现，服务统一接入和权限控制，服务的负载均衡，服务配置的集中管理，服务熔断，服务监控等。所以知识产权成果共享运营平台在微服务架构中除了子应用服务组件外，引入服务注册发现组件来进行服务治理，引入服务网关组件来提供统一入口和权限控制，引入负载均衡组件来提供客户端或服务器端的负载均衡，引入集中配置组件来提供服务集中管理，引入熔断器组件来提供服务熔断，引入服务追踪组件来提供服务监控等。
知识产权成果共享运营平台架构是由基础的服务组件和业务微服务组件共同组成，然而，对于复杂业务场景来说，其不需要全部的服务组件，应基于复杂业务场景的应用层面来进行服务组件模型的任意适宜组合。但是，现有的方案并不能够较好地对于复杂业务场景进行分析来确定服务组件组合模型，导致知识产权成果共享运营平台的服务效果质量较低，不能满足客户应有需求。
因此，期望一种分布式微服务架构的服务组件管理系统。
发明内容
为了解决上述技术问题，提出了本发明。本发明的实施例提供了一种分布式微服务架构的服务组件管理系统及其方法，其获取业务场景的文本描述；采用基于深度学习的人工智能技术，挖掘业务场景的文本描述中的深层隐含语义理解特征信息，并通过文本描述中的深层隐含语义理解特征信息得到复杂业务场景的业务功能描述的语义信息，进而通过基于扩散模型的生成器来生成服务组件组合模型。这样，可以准确地对于服务组件组合模型进行构建，以此来提高知识产权成果共享运营平台的服务效果。
第一方面，提供了一种分布式微服务架构的服务组件管理系统，其包括：业务场景文本获取模块，用于获取业务场景的文本描述；嵌入编码模块，用于对所述业务场景的文本描述进行分词处理后通过词嵌入层以得到词嵌入向量的序列；第一尺度业务场景语义理解模块，用于将所述词嵌入向量的序列通过基于转换器的上下文编码器以得到第一尺度业务场景语义理解特征向量；第二尺度业务场景语义理解模块，用于将所述词嵌入向量的序列进行二维排列为词嵌入输入矩阵后通过文本卷积神经网络模型以得到第二尺度业务场景语义理解特征向量；业务场景语义理解特征融合模块，用于融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量以得到业务场景语义理解特征向量；场景语义优化模块，用于基于所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，对所述业务场景语义理解特征向量进行特征值区分度强化以得到优化业务场景语义理解特征向量；以及模型生成模块，用于将所述优化业务场景语义理解特征向量通过基于扩散模型的生成器以得到服务组件组合模型。
在上述分布式微服务架构的服务组件管理系统中，所述第一尺度业务场景语义理解模块，包括：上下文语义编码单元，用于使用所述基于转换器的上下文编码器对所述词嵌入向量的序列进行基于全局的上下文语义编码以得到多个语义理解特征向量；以及，级联单元，用于将所述多个语义理解特征向量进行级联以得到所述第一尺度业务场景语义理解特征向量。
在上述分布式微服务架构的服务组件管理系统中，所述上下文语义编码单元，包括：查询向量构造子单元，用于将所述词嵌入向量的序列进行一维排列以得到全局词序列特征向量；自注意子单元，用于计算所述全局词序列特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个语义理解特征向量。
在上述分布式微服务架构的服务组件管理系统中，所述第二尺度业务场景语义理解模块，用于：使用所述文本卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述文本卷积神经网络模型的最后一层输出所述第二尺度业务场景语义理解特征向量，其中，所述文本卷积神经网络模型的第一层的输入为所述词嵌入输入矩阵。
在上述分布式微服务架构的服务组件管理系统中，所述业务场景语义理解特征融合模块，用于：以如下公式来融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量以得到业务场景语义理解特征向量；其中，所述公式为：
，其中，/>
，/>
表示所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，/>
表示级联函数，/>
表示所述业务场景语义理解特征向量。/>
在上述分布式微服务架构的服务组件管理系统中，所述场景语义优化模块，包括：关联特征编码单元，用于计算所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量之间的关联特征矩阵；加权特征提取单元，用于将所述关联特征矩阵通过通道数与所述业务场景语义理解特征向量的长度相同的卷积神经网络模型以得到加权特征图；区分单元，用于对所述加权特征图进行特征相关性累积区分机制建模以获得加权特征向量；以及，加权优化单元，用于将所述加权特征向量与所述业务场景语义理解特征向量进行点乘以得到所述优化业务场景语义理解特征向量。
在上述分布式微服务架构的服务组件管理系统中，所述加权特征提取单元，用于:使用所述卷积神经网络模型的各层在层的正向传递中对输入数据进行卷积处理、均值池化处理和非线性激活以由所述卷积神经网络模型的最后一层生成所述加权特征图，其中，所述卷积神经网络模型的第一层的输入为所述关联特征矩阵。
在上述分布式微服务架构的服务组件管理系统中，所述区分单元，用于：以如下公式对所述加权特征图进行特征相关性累积区分机制建模以得到所述加权特征向量；其中，所述公式为：
，其中，/>
表示所述加权特征图，
表示对特征图进行基于第一卷积核的单层卷积操作，/>
表示对特征图进行基于第二卷积核的单层卷积操作，/>
表示线性整流函数，/>
表示S型激活函数，且
表示对特征图的每个特征矩阵进行全局池化操作，/>
表示按位置加法，/>
表示所述加权特征向量。
在上述分布式微服务架构的服务组件管理系统中，所述加权优化单元，用于：以如下公式将所述加权特征向量与所述业务场景语义理解特征向量进行点乘以得到所述优化业务场景语义理解特征向量；其中，所述公式为：
，其中，/>
表示所述加权特征向量，/>
表示所述业务场景语义理解特征向量，/>
表示所述优化业务场景语义理解特征向量，/>
表示按位置点乘。
第二方面，提供了一种分布式微服务架构的服务组件管理方法，其包括：获取业务场景的文本描述；对所述业务场景的文本描述进行分词处理后通过词嵌入层以得到词嵌入向量的序列；将所述词嵌入向量的序列通过基于转换器的上下文编码器以得到第一尺度业务场景语义理解特征向量；将所述词嵌入向量的序列进行二维排列为词嵌入输入矩阵后通过文本卷积神经网络模型以得到第二尺度业务场景语义理解特征向量；融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量以得到业务场景语义理解特征向量；基于所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，对所述业务场景语义理解特征向量进行特征值区分度强化以得到优化业务场景语义理解特征向量；以及将所述优化业务场景语义理解特征向量通过基于扩散模型的生成器以得到服务组件组合模型。
与现有技术相比，本发明提供的分布式微服务架构的服务组件管理系统及其方法，其获取业务场景的文本描述；采用基于深度学习的人工智能技术，挖掘业务场景的文本描述中的深层隐含语义理解特征信息，并通过文本描述中的深层隐含语义理解特征信息得到复杂业务场景的业务功能描述的语义信息，进而通过基于扩散模型的生成器来生成服务组件组合模型。这样，可以准确地对于服务组件组合模型进行构建，以此来提高知识产权成果共享运营平台的服务效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的分布式微服务架构的服务组件管理系统的应用场景图。
图2为根据本发明实施例的分布式微服务架构的服务组件管理系统的框图。
图3为根据本发明实施例的分布式微服务架构的服务组件管理系统中所述第一尺度业务场景语义理解模块的框图。
图4为根据本发明实施例的分布式微服务架构的服务组件管理系统中所述上下文语义编码单元的框图。
图5为根据本发明实施例的分布式微服务架构的服务组件管理系统中所述场景语义优化模块的框图。
图6为根据本发明实施例的分布式微服务架构的服务组件管理方法的流程图。
图7为根据本发明实施例的分布式微服务架构的服务组件管理方法的系统架构的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有说明，本发明实施例所使用的所有技术和科学术语与本发明的技术领域的技术人员通常理解的含义相同。本发明中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明的范围。
如上所述，知识产权成果共享运营平台架构是由基础的服务组件和业务微服务组件共同组成，然而，对于复杂业务场景来说，其不需要全部的服务组件，应基于复杂业务场景的应用层面来进行服务组件模型的任意适宜组合。但是，现有的方案并不能够较好地对于复杂业务场景进行分析来确定服务组件组合模型，导致知识产权成果共享运营平台的服务效果质量较低，不能满足客户应有需求。因此，期望一种分布式微服务架构的服务组件管理系统。
相应地，考虑到在实际进行复杂业务场景的服务组件组合模型生成过程中，需要基于复杂业务场景描述的语义信息中挖掘捕捉出其深层的语义理解特征，以此来提高服务组件组合模型的构建精准度。因此，在本发明的技术方案中，通过对复杂业务场景的文本描述进行语义理解以得到复杂业务场景的业务功能描述的语义信息，进而通过基于扩散模型的生成器来生成服务组件组合模型。在此过程中，难点在于如何充分且准确地挖掘出所述业务场景的文本描述中的深层隐含语义理解特征信息，以对于服务组件组合模型进行精准生成构建，以此来提高知识产权成果共享运营平台的服务效果。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述业务场景的文本描述中的深层隐含语义理解特征信息提供了新的解决思路和方案。
具体地，在本发明的技术方案中，首先，获取业务场景的文本描述。接着，考虑到由于所述业务场景的文本描述中具有多个词和词组，并且各个词之间具有着上下文的语义关联，因此，为了便于后续对于所述业务场景的文本描述进行深层隐含语义特征的提取，进一步对所述业务场景的文本描述进行分词处理以避免词序混乱后通过词嵌入层以得到词嵌入向量的序列，以此来将所述业务场景的文本描述中关于业务场景的隐含语义信息转化为能用计算机处理的词嵌入向量的序列。
然后，考虑到对于包含有所述业务场景的文本描述的语义信息的所述词嵌入向量的序列来说，所述业务场景的文本描述中的各个词之间具有着上下文的语义关联，为了准确地对于所述业务场景的文本描述进行基于上下文的语义理解，将所述词嵌入向量的序列通过基于转换器的上下文编码器中进行编码，以提取出所述业务场景的文本描述中基于全局的上下文语义关联特征信息，从而得到第一尺度业务场景语义理解特征向量。也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述词嵌入向量的序列中各个词嵌入向量进行基于全局的上下文语义编码以得到以所述词嵌入向量的序列的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述第一尺度业务场景语义理解特征向量。应可以理解，在本发明的技术方案中，通过所述基于转换器的上下文编码器可以捕捉所述业务场景的文本描述中的各个词的语义隐含特征相对于所述业务场景的文本描述整体的基于全局的上下文语义关联特征表示。
进一步地，考虑到由于所述基于转换器的上下文编码器能够提取出所述业务场景的文本描述中基于全局的上下文语义关联特征进行有效地提取，但是，其对于所述业务场景的文本描述中各个词之间的局部隐含关联特征提取的能力较弱，也就是说，所述业务场景的文本描述中的部分词之间存在着特殊的语义关联，即所述业务场景的文本描述中的各个词不仅具有着全局的关联性语义理解特征，还具有着局部的语义关联特征信息。因此，在本发明的技术方案中，为了能够对于所述业务场景的文本描述进行充分且准确地语义理解，以此来对于服务组件组合模型进行精准生成构建，进一步将所述词嵌入向量的序列进行二维排列为词嵌入输入矩阵后通过文本卷积神经网络模型中进行特征挖掘，以提取出所述业务场景的文本描述中基于中短距离依赖的局部上下文语义关联特征，从而得到第二尺度业务场景语义理解特征向量。
然后，再融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，以此来融合所述业务场景的文本描述中基于长距离依赖和中短距离依赖的上下文语义关联特征信息，即所述业务场景的文本描述中基于全局和局部的深层语义理解特征，从而得到业务场景语义理解特征向量。
接着，为了能够对于所述业务场景的文本描述进行充分且准确地语义理解，以此来对于服务组件组合模型进行精准生成构建，进一步再将所述业务场景语义理解特征向量通过基于扩散模型的生成器以得到服务组件组合模型。特别地，在本发明的一个具体示例中，所述基于扩散模型的生成器包括前向扩散过程和反向生成过程，前向扩散过程可以对所述业务场景语义理解特征向量逐渐添加高斯噪音直至变成随机噪音，而反向生成过程是去噪音过程，将对于所述随机噪音开始逐渐去噪音直至生成所述服务组件组合模型。应可以理解，由于所述扩散模型的整体结构原理并不复杂，其可以通过大规模训练具备的及其丰富的特征空间，由此获得强大生成能力的模型，并且扩散模型是正态分布上的每个点都是真实数据的映射，具有更好的可解释性。这样，能够准确地对于服务组件组合模型进行构建，以此来提高知识产权成果共享运营平台的服务效果。
特别地，在本发明的技术方案中，这里，在例如通过加权点加的方式来融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量得到所述业务场景语义理解特征向量时，由于没有对所述业务场景语义理解特征向量的各个位置的特征值的重要性进行区分，即没有反应所述业务场景语义理解特征向量的各个特征值的置信度，这会影响了所述业务场景语义理解特征向量的表达效果。
基于此，在本发明的技术方案中，首先计算所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量的关联特征矩阵，再将所述关联特征矩阵通过通道数与所述业务场景语义理解特征向量的长度相同的卷积神经网络模型以得到加权特征图，例如表示为
，再对所述加权特征图/>
进行特征相关性累积区分机制建模以获得加权特征向量，例如表示为/>
，/>
具体为：/>
，其中，/>
和/>
分别表示对加权特征图进行基于不同卷积核的单层卷积操作，且
表示对所述加权特征图的每个特征矩阵的全局池化操作。
这里，所述特征相关性累积区分机制建模首先通过卷积操作来生成加权特征图的两种新的局部关联单元，再利用Sigmoid函数和ReLU函数对局部关联特征进行类似神经网络架构的简单的嵌入、复位和更新，之后通过全局平均池化操作来累积局部特征相对于整体特征的相关性，从而使用特征区分机制来显式地建模特征重要性序列，就可以基于加权特征图的各个特征矩阵的特征累积区分机制来确定通道维度下适当的加权因数。
然后，再将所述加权特征向量
与所述业务场景语义理解特征向量进行点乘，就可以基于所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量在关联特征域内的关联程度来区分所述业务场景语义理解特征向量的各个位置的特征值的重要性（例如，可以简单地理解为关联程度高的对应特征值需要给予更高的重要性），这样，就提升了所述业务场景语义理解特征向量的表达效果。这样，能够准确地对于服务组件组合模型进行构建，以此来提高知识产权成果共享运营平台的服务效果。
图1为根据本发明实施例的分布式微服务架构的服务组件管理系统的应用场景图。如图1所示，在该应用场景中，首先，获取业务场景的文本描述（例如，如图1中所示意的C1）；然后，将获取的文本描述输入至部署有分布式微服务架构的服务组件管理算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于分布式微服务架构的服务组件管理算法对所述文本描述进行处理，以得到服务组件组合模型。
在介绍了本发明的基本原理之后，下面将参考附图来具体介绍本发明的各种非限制性实施例。
在本发明的一个实施例中，图2为根据本发明实施例的分布式微服务架构的服务组件管理系统的框图。如图2所示，根据本发明实施例的分布式微服务架构的服务组件管理系统100，包括：业务场景文本获取模块110，用于获取业务场景的文本描述；嵌入编码模块120，用于对所述业务场景的文本描述进行分词处理后通过词嵌入层以得到词嵌入向量的序列；第一尺度业务场景语义理解模块130，用于将所述词嵌入向量的序列通过基于转换器的上下文编码器以得到第一尺度业务场景语义理解特征向量；第二尺度业务场景语义理解模块140，用于将所述词嵌入向量的序列进行二维排列为词嵌入输入矩阵后通过文本卷积神经网络模型以得到第二尺度业务场景语义理解特征向量；业务场景语义理解特征融合模块150，用于融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量以得到业务场景语义理解特征向量；场景语义优化模块160，用于基于所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，对所述业务场景语义理解特征向量进行特征值区分度强化以得到优化业务场景语义理解特征向量；以及，模型生成模块170，用于将所述优化业务场景语义理解特征向量通过基于扩散模型的生成器以得到服务组件组合模型。
具体地，在本发明实施例中，所述业务场景文本获取模块110，用于获取业务场景的文本描述。
考虑到在实际进行复杂业务场景的服务组件组合模型生成过程中，需要基于复杂业务场景描述的语义信息中挖掘捕捉出其深层的语义理解特征，以此来提高服务组件组合模型的构建精准度。因此，在本发明的技术方案中，通过对复杂业务场景的文本描述进行语义理解以得到复杂业务场景的业务功能描述的语义信息，进而通过基于扩散模型的生成器来生成服务组件组合模型。在此过程中，难点在于如何充分且准确地挖掘出所述业务场景的文本描述中的深层隐含语义理解特征信息，以对于服务组件组合模型进行精准生成构建，以此来提高知识产权成果共享运营平台的服务效果。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述业务场景的文本描述中的深层隐含语义理解特征信息提供了新的解决思路和方案。
具体地，在本发明的技术方案中，首先，获取业务场景的文本描述。
具体地，在本发明实施例中，所述嵌入编码模块120，用于对所述业务场景的文本描述进行分词处理后通过词嵌入层以得到词嵌入向量的序列。接着，考虑到由于所述业务场景的文本描述中具有多个词和词组，并且各个词之间具有着上下文的语义关联，因此，为了便于后续对于所述业务场景的文本描述进行深层隐含语义特征的提取，进一步对所述业务场景的文本描述进行分词处理以避免词序混乱后通过词嵌入层以得到词嵌入向量的序列，以此来将所述业务场景的文本描述中关于业务场景的隐含语义信息转化为能用计算机处理的词嵌入向量的序列。
具体地，在本发明实施例中，所述第一尺度业务场景语义理解模块130，用于将所述词嵌入向量的序列通过基于转换器的上下文编码器以得到第一尺度业务场景语义理解特征向量。然后，考虑到对于包含有所述业务场景的文本描述的语义信息的所述词嵌入向量的序列来说，所述业务场景的文本描述中的各个词之间具有着上下文的语义关联，为了准确地对于所述业务场景的文本描述进行基于上下文的语义理解，将所述词嵌入向量的序列通过基于转换器的上下文编码器中进行编码，以提取出所述业务场景的文本描述中基于全局的上下文语义关联特征信息，从而得到第一尺度业务场景语义理解特征向量。
也就是，基于transformer思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述词嵌入向量的序列中各个词嵌入向量进行基于全局的上下文语义编码以得到以所述词嵌入向量的序列的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述第一尺度业务场景语义理解特征向量。应可以理解，在本发明的技术方案中，通过所述基于转换器的上下文编码器可以捕捉所述业务场景的文本描述中的各个词的语义隐含特征相对于所述业务场景的文本描述整体的基于全局的上下文语义关联特征表示。
图3为根据本发明实施例的分布式微服务架构的服务组件管理系统中所述第一尺度业务场景语义理解模块的框图，如图3所示，所述第一尺度业务场景语义理解模块130，包括：上下文语义编码单元131，用于使用所述基于转换器的上下文编码器对所述词嵌入向量的序列进行基于全局的上下文语义编码以得到多个语义理解特征向量；以及，级联单元132，用于将所述多个语义理解特征向量进行级联以得到所述第一尺度业务场景语义理解特征向量。
进一步地，图4为根据本发明实施例的分布式微服务架构的服务组件管理系统中所述上下文语义编码单元的框图，如图4所示，所述上下文语义编码单元131，包括：查询向量构造子单元1311，用于将所述词嵌入向量的序列进行一维排列以得到全局词序列特征向量；自注意子单元1312，用于计算所述全局词序列特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元1313，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元1314，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加子单元1315，用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个语义理解特征向量。
应可以理解，通过上下文编码器，可以分析向量表示序列中的某个分词与其他分词之间的关系，以得到相应的特征信息。上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：CNN(Convolutional Neural Network，卷积神经网络)、Recursive NN(RecursiveNeural Network，递归神经网络)、语言模型(LanguageModel)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-term Dependency)问题效果欠佳，因此基于Bi-LSTM(Long Short- Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeuralNetwork，循环神经网络)在并行计算上具有一定优势。
具体地，在本发明实施例中，所述第二尺度业务场景语义理解模块140，用于将所述词嵌入向量的序列进行二维排列为词嵌入输入矩阵后通过文本卷积神经网络模型以得到第二尺度业务场景语义理解特征向量。进一步地，考虑到由于所述基于转换器的上下文编码器能够提取出所述业务场景的文本描述中基于全局的上下文语义关联特征进行有效地提取，但是，其对于所述业务场景的文本描述中各个词之间的局部隐含关联特征提取的能力较弱，也就是说，所述业务场景的文本描述中的部分词之间存在着特殊的语义关联，即所述业务场景的文本描述中的各个词不仅具有着全局的关联性语义理解特征，还具有着局部的语义关联特征信息。
因此，在本发明的技术方案中，为了能够对于所述业务场景的文本描述进行充分且准确地语义理解，以此来对于服务组件组合模型进行精准生成构建，进一步将所述词嵌入向量的序列进行二维排列为词嵌入输入矩阵后通过文本卷积神经网络模型中进行特征挖掘，以提取出所述业务场景的文本描述中基于中短距离依赖的局部上下文语义关联特征，从而得到第二尺度业务场景语义理解特征向量。
其中，所述第二尺度业务场景语义理解模块140，用于：使用所述文本卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述文本卷积神经网络模型的最后一层输出所述第二尺度业务场景语义理解特征向量，其中，所述文本卷积神经网络模型的第一层的输入为所述词嵌入输入矩阵。
应可以理解，在本发明中，卷积神经网络是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。卷积神经网络利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络具有更强的特征提取泛化能力和拟合能力。
具体地，在本发明实施例中，所述业务场景语义理解特征融合模块150，用于融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量以得到业务场景语义理解特征向量。然后，再融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，以此来融合所述业务场景的文本描述中基于长距离依赖和中短距离依赖的上下文语义关联特征信息，即所述业务场景的文本描述中基于全局和局部的深层语义理解特征，从而得到业务场景语义理解特征向量。
其中，所述业务场景语义理解特征融合模块150，用于：以如下公式来融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量以得到业务场景语义理解特征向量；其中，所述公式为：
，其中，/>
，/>
表示所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，
表示级联函数，/>
表示所述业务场景语义理解特征向量。
具体地，在本发明实施例中，所述场景语义优化模块160，用于基于所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，对所述业务场景语义理解特征向量进行特征值区分度强化以得到优化业务场景语义理解特征向量。
图5为根据本发明实施例的分布式微服务架构的服务组件管理系统中所述场景语义优化模块的框图，如图5所示，所述场景语义优化模块160，包括：关联特征编码单元161，用于计算所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量之间的关联特征矩阵；加权特征提取单元162，用于将所述关联特征矩阵通过通道数与所述业务场景语义理解特征向量的长度相同的卷积神经网络模型以得到加权特征图；区分单元163，用于对所述加权特征图进行特征相关性累积区分机制建模以获得加权特征向量；以及，加权优化单元164，用于将所述加权特征向量与所述业务场景语义理解特征向量进行点乘以得到所述优化业务场景语义理解特征向量。
其中，所述加权特征提取单元162，用于:使用所述卷积神经网络模型的各层在层的正向传递中对输入数据进行卷积处理、均值池化处理和非线性激活以由所述卷积神经网络模型的最后一层生成所述加权特征图，其中，所述卷积神经网络模型的第一层的输入为所述关联特征矩阵。
特别地，在本发明的技术方案中，这里，在例如通过加权点加的方式来融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量得到所述业务场景语义理解特征向量时，由于没有对所述业务场景语义理解特征向量的各个位置的特征值的重要性进行区分，即没有反应所述业务场景语义理解特征向量的各个特征值的置信度，这会影响了所述业务场景语义理解特征向量的表达效果。
基于此，在本发明的技术方案中，首先计算所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量的关联特征矩阵，再将所述关联特征矩阵通过通道数与所述业务场景语义理解特征向量的长度相同的卷积神经网络模型以得到加权特征图，例如表示为
，再对所述加权特征图/>
进行特征相关性累积区分机制建模以获得加权特征向量，也就是，以如下公式对所述加权特征图进行特征相关性累积区分机制建模以得到所述加权特征向量；其中，所述公式为：
，其中，/>
表示所述加权特征图，/>
表示对特征图进行基于第一卷积核的单层卷积操作，/>
表示对特征图进行基于第二卷积核的单层卷积操作，/>
表示线性整流函数，/>
表示S型激活函数，且/>
表示对特征图的每个特征矩阵进行全局池化操作，/>
表示按位置加法，/>
表示所述加权特征向量。
这里，所述特征相关性累积区分机制建模首先通过卷积操作来生成加权特征图的两种新的局部关联单元，再利用Sigmoid函数和ReLU函数对局部关联特征进行类似神经网络架构的简单的嵌入、复位和更新，之后通过全局平均池化操作来累积局部特征相对于整体特征的相关性，从而使用特征区分机制来显式地建模特征重要性序列，就可以基于加权特征图的各个特征矩阵的特征累积区分机制来确定通道维度下适当的加权因数。
然后，再将所述加权特征向量
与所述业务场景语义理解特征向量进行点乘，就可以基于所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量在关联特征域内的关联程度来区分所述业务场景语义理解特征向量的各个位置的特征值的重要性（例如，可以简单地理解为关联程度高的对应特征值需要给予更高的重要性），这样，就提升了所述业务场景语义理解特征向量的表达效果。这样，能够准确地对于服务组件组合模型进行构建，以此来提高知识产权成果共享运营平台的服务效果。
其中，所述加权优化单元164，用于：以如下公式将所述加权特征向量与所述业务场景语义理解特征向量进行点乘以得到所述优化业务场景语义理解特征向量；其中，所述公式为：
，其中，/>
表示所述加权特征向量，/>
表示所述业务场景语义理解特征向量，/>
表示所述优化业务场景语义理解特征向量，/>
表示按位置点乘。
具体地，在本发明实施例中，所述模型生成模块170，用于将所述优化业务场景语义理解特征向量通过基于扩散模型的生成器以得到服务组件组合模型。为了能够对于所述业务场景的文本描述进行充分且准确地语义理解，以此来对于服务组件组合模型进行精准生成构建，进一步再将所述业务场景语义理解特征向量通过基于扩散模型的生成器以得到服务组件组合模型。
特别地，在本发明的一个具体示例中，所述基于扩散模型的生成器包括前向扩散过程和反向生成过程，前向扩散过程可以对所述业务场景语义理解特征向量逐渐添加高斯噪音直至变成随机噪音，而反向生成过程是去噪音过程，将对于所述随机噪音开始逐渐去噪音直至生成所述服务组件组合模型。应可以理解，由于所述扩散模型的整体结构原理并不复杂，其可以通过大规模训练具备的及其丰富的特征空间，由此获得强大生成能力的模型，并且扩散模型是正态分布上的每个点都是真实数据的映射，具有更好的可解释性。这样，能够准确地对于服务组件组合模型进行构建，以此来提高知识产权成果共享运营平台的服务效果。
综上，基于本发明实施例的分布式微服务架构的服务组件管理系统100被阐明，其获取业务场景的文本描述；采用基于深度学习的人工智能技术，挖掘业务场景的文本描述中的深层隐含语义理解特征信息，并通过文本描述中的深层隐含语义理解特征信息得到复杂业务场景的业务功能描述的语义信息，进而通过基于扩散模型的生成器来生成服务组件组合模型。这样，可以准确地对于服务组件组合模型进行构建，以此来提高知识产权成果共享运营平台的服务效果。
如上所述，根据本发明实施例的分布式微服务架构的服务组件管理系统 100可以实现在各种终端设备中，例如用于分布式微服务架构的服务组件管理的服务器等。在一个示例中，根据本发明实施例的分布式微服务架构的服务组件管理系统 100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该分布式微服务架构的服务组件管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该分布式微服务架构的服务组件管理系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该分布式微服务架构的服务组件管理系统100与该终端设备也可以是分立的设备，并且该分布式微服务架构的服务组件管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
在本发明的一个实施例中，图6为根据本发明实施例的分布式微服务架构的服务组件管理方法的流程图。如图6所示，根据本发明实施例的分布式微服务架构的服务组件管理方法，其包括：210，获取业务场景的文本描述；220，对所述业务场景的文本描述进行分词处理后通过词嵌入层以得到词嵌入向量的序列；230，将所述词嵌入向量的序列通过基于转换器的上下文编码器以得到第一尺度业务场景语义理解特征向量；240，将所述词嵌入向量的序列进行二维排列为词嵌入输入矩阵后通过文本卷积神经网络模型以得到第二尺度业务场景语义理解特征向量；250，融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量以得到业务场景语义理解特征向量；260，基于所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，对所述业务场景语义理解特征向量进行特征值区分度强化以得到优化业务场景语义理解特征向量；以及，270，将所述优化业务场景语义理解特征向量通过基于扩散模型的生成器以得到服务组件组合模型。
图7为根据本发明实施例的分布式微服务架构的服务组件管理方法的系统架构的示意图。如图7所示，在所述分布式微服务架构的服务组件管理方法的系统架构中，首先，获取业务场景的文本描述；然后，对所述业务场景的文本描述进行分词处理后通过词嵌入层以得到词嵌入向量的序列；接着，将所述词嵌入向量的序列通过基于转换器的上下文编码器以得到第一尺度业务场景语义理解特征向量；然后，将所述词嵌入向量的序列进行二维排列为词嵌入输入矩阵后通过文本卷积神经网络模型以得到第二尺度业务场景语义理解特征向量；接着，融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量以得到业务场景语义理解特征向量；然后，基于所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，对所述业务场景语义理解特征向量进行特征值区分度强化以得到优化业务场景语义理解特征向量；以及，最后，将所述优化业务场景语义理解特征向量通过基于扩散模型的生成器以得到服务组件组合模型。
在一个具体示例中，在上述分布式微服务架构的服务组件管理方法中，将所述词嵌入向量的序列通过基于转换器的上下文编码器以得到第一尺度业务场景语义理解特征向量，包括：使用所述基于转换器的上下文编码器对所述词嵌入向量的序列进行基于全局的上下文语义编码以得到多个语义理解特征向量；以及，将所述多个语义理解特征向量进行级联以得到所述第一尺度业务场景语义理解特征向量。
在一个具体示例中，在上述分布式微服务架构的服务组件管理方法中，使用所述基于转换器的上下文编码器对所述词嵌入向量的序列进行基于全局的上下文语义编码以得到多个语义理解特征向量，包括：将所述词嵌入向量的序列进行一维排列以得到全局词序列特征向量；计算所述全局词序列特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个语义理解特征向量。
在一个具体示例中，在上述分布式微服务架构的服务组件管理方法中，将所述词嵌入向量的序列进行二维排列为词嵌入输入矩阵后通过文本卷积神经网络模型以得到第二尺度业务场景语义理解特征向量，包括：使用所述文本卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述文本卷积神经网络模型的最后一层输出所述第二尺度业务场景语义理解特征向量，其中，所述文本卷积神经网络模型的第一层的输入为所述词嵌入输入矩阵。
在一个具体示例中，在上述分布式微服务架构的服务组件管理方法中，融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量以得到业务场景语义理解特征向量，包括：以如下公式来融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量以得到业务场景语义理解特征向量；其中，所述公式为：
，其中，/>
，/>
表示所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，/>
表示级联函数，/>
表示所述业务场景语义理解特征向量。
在一个具体示例中，在上述分布式微服务架构的服务组件管理方法中，基于所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，对所述业务场景语义理解特征向量进行特征值区分度强化以得到优化业务场景语义理解特征向量，包括：计算所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量之间的关联特征矩阵；将所述关联特征矩阵通过通道数与所述业务场景语义理解特征向量的长度相同的卷积神经网络模型以得到加权特征图；对所述加权特征图进行特征相关性累积区分机制建模以获得加权特征向量；以及，将所述加权特征向量与所述业务场景语义理解特征向量进行点乘以得到所述优化业务场景语义理解特征向量。
在一个具体示例中，在上述分布式微服务架构的服务组件管理方法中，将所述关联特征矩阵通过通道数与所述业务场景语义理解特征向量的长度相同的卷积神经网络模型以得到加权特征图，包括:使用所述卷积神经网络模型的各层在层的正向传递中对输入数据进行卷积处理、均值池化处理和非线性激活以由所述卷积神经网络模型的最后一层生成所述加权特征图，其中，所述卷积神经网络模型的第一层的输入为所述关联特征矩阵。
在一个具体示例中，在上述分布式微服务架构的服务组件管理方法中，对所述加权特征图进行特征相关性累积区分机制建模以获得加权特征向量，包括：以如下公式对所述加权特征图进行特征相关性累积区分机制建模以得到所述加权特征向量；其中，所述公式为：
，其中，/>
表示所述加权特征图，/>
表示对特征图进行基于第一卷积核的单层卷积操作，/>
表示对特征图进行基于第二卷积核的单层卷积操作，/>
表示线性整流函数，/>
表示S型激活函数，且/>
表示对特征图的每个特征矩阵进行全局池化操作，/>
表示按位置加法，/>
表示所述加权特征向量。
在一个具体示例中，在上述分布式微服务架构的服务组件管理方法中，将所述加权特征向量与所述业务场景语义理解特征向量进行点乘以得到所述优化业务场景语义理解特征向量，包括：以如下公式将所述加权特征向量与所述业务场景语义理解特征向量进行点乘以得到所述优化业务场景语义理解特征向量；其中，所述公式为：
，其中，/>
表示所述加权特征向量，/>
表示所述业务场景语义理解特征向量，/>
表示所述优化业务场景语义理解特征向量，/>
表示按位置点乘。
本领域技术人员可以理解，上述分布式微服务架构的服务组件管理方法中的各个步骤的具体操作已经在上面参考图1到图5的分布式微服务架构的服务组件管理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
本发明还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本发明的一个实施例中，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存储有执行上述所述方法的计算机程序。
应可以理解，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本发明实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
本发明中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种分布式微服务架构的服务组件管理系统，其特征在于，包括：
业务场景文本获取模块，用于获取业务场景的文本描述；
嵌入编码模块，用于对所述业务场景的文本描述进行分词处理后通过词嵌入层以得到词嵌入向量的序列；
第一尺度业务场景语义理解模块，用于将所述词嵌入向量的序列通过基于转换器的上下文编码器以得到第一尺度业务场景语义理解特征向量；
第二尺度业务场景语义理解模块，用于将所述词嵌入向量的序列进行二维排列为词嵌入输入矩阵后通过文本卷积神经网络模型以得到第二尺度业务场景语义理解特征向量；
业务场景语义理解特征融合模块，用于融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量以得到业务场景语义理解特征向量；
场景语义优化模块，用于基于所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，对所述业务场景语义理解特征向量进行特征值区分度强化以得到优化业务场景语义理解特征向量；以及
模型生成模块，用于将所述优化业务场景语义理解特征向量通过基于扩散模型的生成器以得到服务组件组合模型；
所述场景语义优化模块，包括：
关联特征编码单元，用于计算所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量之间的关联特征矩阵；
加权特征提取单元，用于将所述关联特征矩阵通过通道数与所述业务场景语义理解特征向量的长度相同的卷积神经网络模型以得到加权特征图；
区分单元，用于对所述加权特征图进行特征相关性累积区分机制建模以获得加权特征向量；以及
加权优化单元，用于将所述加权特征向量与所述业务场景语义理解特征向量进行点乘以得到所述优化业务场景语义理解特征向量；
所述区分单元，用于：
以如下公式对所述加权特征图进行特征相关性累积区分机制建模以得到所述加权特征向量；
其中，所述公式为：
其中，
表示所述加权特征图，/>
和/>
分别表示对特征图进行基于不同卷积核的单层卷积操作，/>
表示/>
激活函数，/>
表示/>
激活函数，且/>
表示对特征图的每个特征矩阵进行全局池化操作，/>
表示按位置加法，/>
表示所述加权特征向量。
2.根据权利要求1所述的分布式微服务架构的服务组件管理系统，其特征在于，所述第一尺度业务场景语义理解模块，包括：
上下文语义编码单元，用于使用所述基于转换器的上下文编码器对所述词嵌入向量的序列进行基于全局的上下文语义编码以得到多个语义理解特征向量；以及
级联单元，用于将所述多个语义理解特征向量进行级联以得到所述第一尺度业务场景语义理解特征向量。
3.根据权利要求2所述的分布式微服务架构的服务组件管理系统，其特征在于，所述上下文语义编码单元，包括：
查询向量构造子单元，用于将所述词嵌入向量的序列进行一维排列以得到全局词序列特征向量；
自注意子单元，用于计算所述全局词序列特征向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及
注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个语义理解特征向量。
4.根据权利要求3所述的分布式微服务架构的服务组件管理系统，其特征在于，所述第二尺度业务场景语义理解模块，用于：使用所述文本卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述文本卷积神经网络模型的最后一层输出所述第二尺度业务场景语义理解特征向量，其中，所述文本卷积神经网络模型的第一层的输入为所述词嵌入输入矩阵。
5.根据权利要求4所述的分布式微服务架构的服务组件管理系统，其特征在于，所述业务场景语义理解特征融合模块，用于：以如下公式来融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量以得到业务场景语义理解特征向量；
其中，所述公式为：
其中，
表示所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，/>
表示级联函数，/>
表示所述业务场景语义理解特征向量。
6.根据权利要求5所述的分布式微服务架构的服务组件管理系统，其特征在于，所述加权特征提取单元，用于:使用所述卷积神经网络模型的各层在层的正向传递中对输入数据进行卷积处理、均值池化处理和非线性激活以由所述卷积神经网络模型的最后一层生成所述加权特征图，其中，所述卷积神经网络模型的第一层的输入为所述关联特征矩阵。
7.根据权利要求6所述的分布式微服务架构的服务组件管理系统，其特征在于，所述加权优化单元，用于：以如下公式将所述加权特征向量与所述业务场景语义理解特征向量进行点乘以得到所述优化业务场景语义理解特征向量；
其中，所述公式为：
其中，
表示所述加权特征向量，/>
表示所述业务场景语义理解特征向量，/>
表示所述优化业务场景语义理解特征向量，/>
表示按位置点乘。
8.一种分布式微服务架构的服务组件管理方法，其特征在于，包括：
获取业务场景的文本描述；
对所述业务场景的文本描述进行分词处理后通过词嵌入层以得到词嵌入向量的序列；
将所述词嵌入向量的序列通过基于转换器的上下文编码器以得到第一尺度业务场景语义理解特征向量；
将所述词嵌入向量的序列进行二维排列为词嵌入输入矩阵后通过文本卷积神经网络模型以得到第二尺度业务场景语义理解特征向量；
融合所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量以得到业务场景语义理解特征向量；
基于所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，对所述业务场景语义理解特征向量进行特征值区分度强化以得到优化业务场景语义理解特征向量；以及
将所述优化业务场景语义理解特征向量通过基于扩散模型的生成器以得到服务组件组合模型；
基于所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量，对所述业务场景语义理解特征向量进行特征值区分度强化以得到优化业务场景语义理解特征向量，包括：计算所述第一尺度业务场景语义理解特征向量和所述第二尺度业务场景语义理解特征向量之间的关联特征矩阵；将所述关联特征矩阵通过通道数与所述业务场景语义理解特征向量的长度相同的卷积神经网络模型以得到加权特征图；对所述加权特征图进行特征相关性累积区分机制建模以获得加权特征向量；以及，将所述加权特征向量与所述业务场景语义理解特征向量进行点乘以得到所述优化业务场景语义理解特征向量；
对所述加权特征图进行特征相关性累积区分机制建模以获得加权特征向量，包括：以如下公式对所述加权特征图进行特征相关性累积区分机制建模以得到所述加权特征向量；其中，所述公式为：
其中，
表示所述加权特征图，/>
和/>
分别表示对特征图进行基于不同卷积核的单层卷积操作，/>
表示/>
激活函数，/>
表示/>
激活函数，且/>
表示对特征图的每个特征矩阵进行全局池化操作，/>
表示按位置加法，/>
表示所述加权特征向量。/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310243957.8A CN115951883B (zh) | 2023-03-15 | 2023-03-15 | 分布式微服务架构的服务组件管理系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310243957.8A CN115951883B (zh) | 2023-03-15 | 2023-03-15 | 分布式微服务架构的服务组件管理系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115951883A CN115951883A (zh) | 2023-04-11 |
| CN115951883B true CN115951883B (zh) | 2023-05-23 |
Family
ID=85893119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310243957.8A Active CN115951883B (zh) | 2023-03-15 | 2023-03-15 | 分布式微服务架构的服务组件管理系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115951883B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116204266A (zh) * | 2023-05-04 | 2023-06-02 | 深圳市联合信息技术有限公司 | 远程协助的信息创建运维系统及其方法 |
| CN116663568B (zh) * | 2023-07-31 | 2023-11-17 | 腾云创威信息科技(威海)有限公司 | 基于优先级的关键任务识别系统及其方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128237A (zh) * | 2021-04-09 | 2021-07-16 | 青岛海大新星软件咨询有限公司 | 一种服务资源的语义表征模型构建方法 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7685568B2 (en) * | 2003-07-22 | 2010-03-23 | Sap Ag | Service management of a service oriented business framework |
| US10936969B2 (en) * | 2016-09-26 | 2021-03-02 | Shabaz Basheer Patel | Method and system for an end-to-end artificial intelligence workflow |
| US20200301760A1 (en) * | 2019-03-19 | 2020-09-24 | Honeywell International Inc. | Methods and systems for generating and recommending api mashups |
| CN111797196B (zh) * | 2020-06-01 | 2021-11-02 | 武汉大学 | 一种结合注意力机制lstm和神经主题模型的服务发现方法 |
| CN112286567A (zh) * | 2020-09-24 | 2021-01-29 | 上海航天化工应用研究所 | 一种基于语义匹配的微服务生成方法及系统 |
| CN112632292A (zh) * | 2020-12-23 | 2021-04-09 | 深圳壹账通智能科技有限公司 | 业务关键词的提取方法、装置、设备及存储介质 |
| CN113778718A (zh) * | 2021-09-15 | 2021-12-10 | 深圳万顺叫车云信息技术有限公司 | 基于动态路由的微服务资源管理方法、系统和电子设备 |
| CN114372477B (zh) * | 2022-03-21 | 2022-06-10 | 北京百度网讯科技有限公司 | 文本识别模型的训练方法、文本识别方法及装置 |
| CN115146488B (zh) * | 2022-09-05 | 2022-11-22 | 山东鼹鼠人才知果数据科技有限公司 | 基于大数据的可变业务流程智能建模系统及其方法 |
| CN115794999B (zh) * | 2023-02-01 | 2023-04-11 | 北京知呱呱科技服务有限公司 | 一种基于扩散模型的专利文档查询方法及计算机设备 |
| CN115796173B (zh) * | 2023-02-20 | 2023-04-28 | 杭银消费金融股份有限公司 | 针对监管报送需求的数据处理方法和系统 |
-
2023
- 2023-03-15 CN CN202310243957.8A patent/CN115951883B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128237A (zh) * | 2021-04-09 | 2021-07-16 | 青岛海大新星软件咨询有限公司 | 一种服务资源的语义表征模型构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115951883A (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115951883B (zh) | 分布式微服务架构的服务组件管理系统及其方法 | |
| Liu et al. | Open-world semantic segmentation via contrasting and clustering vision-language embedding | |
| CN112733866A (zh) | 一种提高可控图像文本描述正确性的网络构建方法 | |
| CN116168352A (zh) | 基于图像处理的电网障碍物识别处理方法及系统 | |
| CN116245513B (zh) | 基于规则库的自动化运维系统及其方法 | |
| CN116308754B (zh) | 一种银行信贷风险预警系统及其方法 | |
| WO2023236977A1 (zh) | 一种数据处理方法及相关设备 | |
| CN116152611B (zh) | 一种多级多尺度点云补全方法、系统、设备及存储介质 | |
| CN114360502A (zh) | 语音识别模型的处理方法、语音识别方法及装置 | |
| Shafiee et al. | Real-time embedded motion detection via neural response mixture modeling | |
| CN111597816A (zh) | 一种自注意力命名实体识别方法、装置、设备及存储介质 | |
| Li et al. | Enhanced broad siamese network for facial emotion recognition in human–robot interaction | |
| CN117006654A (zh) | 基于边缘计算的空调负荷控制系统及其方法 | |
| CN116992304A (zh) | 基于人工智能的政策匹配分析系统及其方法 | |
| Li | Image semantic segmentation method based on GAN network and ENet model | |
| Mao et al. | IffDetector: Inference-aware feature filtering for object detection | |
| CN116827685B (zh) | 基于深度强化学习的微服务系统动态防御策略方法 | |
| CN116258504A (zh) | 银行客户关系管理系统及其方法 | |
| CN114511787A (zh) | 一种基于神经网络的遥感图像地物信息生成方法及其系统 | |
| CN116595551A (zh) | 银行交易数据管理方法及系统 | |
| CN116702765A (zh) | 一种事件抽取方法、装置及电子设备 | |
| CN115238749B (zh) | 一种基于Transformer的特征融合的调制识别方法 | |
| CN113672727B (zh) | 一种金融文本实体关系抽取方法及系统 | |
| Mozes et al. | Scene graph generation for better image captioning? | |
| CN112765989B (zh) | 基于表示分类网络的变长文本语义识别方法 |
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 |