CN116204266A - 远程协助的信息创建运维系统及其方法 - Google Patents
远程协助的信息创建运维系统及其方法 Download PDFInfo
- Publication number
- CN116204266A CN116204266A CN202310484952.4A CN202310484952A CN116204266A CN 116204266 A CN116204266 A CN 116204266A CN 202310484952 A CN202310484952 A CN 202310484952A CN 116204266 A CN116204266 A CN 116204266A
- Authority
- CN
- China
- Prior art keywords
- feature
- feature vector
- semantic understanding
- user
- semantic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012423 maintenance Methods 0.000 title claims description 65
- 239000013598 vector Substances 0.000 claims abstract description 254
- 239000011159 matrix material Substances 0.000 claims abstract description 100
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 239000010410 layer Substances 0.000 claims description 63
- 238000012545 processing Methods 0.000 claims description 33
- 238000010586 diagram Methods 0.000 claims description 20
- 230000007246 mechanism Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 230000001186 cumulative effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
- G06F9/451—Execution arrangements for user interfaces
- G06F9/452—Remote windowing, e.g. X-Window System, desktop virtualisation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
公开了一种远程协助的信息创建运维系统及其方法。其首先将获取的用户的问题文本描述进行分词处理后通过上下文编码器以得到问题语义理解特征向量,接着,对获取的用户设备的设备日志数据进行分词处理后通过文本卷积神经网络模型以得到设备日志语义理解特征向量,然后,融合所述问题语义理解特征向量和所述设备日志语义理解特征向量以得到问题‑设备语义关联特征矩阵,最后,将所述问题‑设备语义关联特征矩阵通过分类器以得到用于表示用户设备的故障类型标签的分类结果。这样,可以判断用户设备的故障类型,从而根据设备不同的故障类型来对不同设备进行不同程度的维护,保证故障检测解决的及时性和质量性。
Description
技术领域
本申请涉及智能检测领域,且更为具体地,涉及一种远程协助的信息创建运维系统及其方法。
背景技术
信创环境是指在信息技术应用创新的背景下,基于国产化的cpu、国产操作系统为基础进行自主研发的环境。由于信创产业还处于发展阶段,相关的标准还未统一,在软硬件适配过程中存在各种问题。
目前,信创环境的主机、操作系统、应用软件、网络服务设备主要部署在企业的日常办公场景中,其特点是用户在办公中遇到问题需要快速响应并解决。一种解决方案是:信创主机厂商主动式服务方式,技术维护人员定期上门主动询问、检查问题、维护软硬件。但在在突发情况下无法保证遇到问题解决的及时性和质量性,无法根据个性化使用行为优化系统,不能满足对不同设备进行不同程度的维护。
因此,期待一种远程协助的信息创建运维方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种远程协助的信息创建运维系统及其方法。其首先将获取的用户的问题文本描述进行分词处理后通过上下文编码器以得到问题语义理解特征向量,接着,对获取的用户设备的设备日志数据进行分词处理后通过文本卷积神经网络模型以得到设备日志语义理解特征向量,然后,融合所述问题语义理解特征向量和所述设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵,最后,将所述问题-设备语义关联特征矩阵通过分类器以得到用于表示用户设备的故障类型标签的分类结果。这样,可以判断用户设备的故障类型,从而根据设备不同的故障类型来对不同设备进行不同程度的维护,保证故障检测解决的及时性和质量性。
根据本申请的一个方面,提供了一种远程协助的信息创建运维系统,其包括:
日志数据采集模块,用于响应于用户的发送的一键远程协助需求,对用户进行免登陆用户鉴权并获取所述用户的用户设备的设备日志数据;
问题数据采集模块,用于获取所述用户的问题文本描述;
问题语义理解模块,用于对所述用户的问题文本描述进行分词处理后通过包含嵌入层的上下文编码器以得到问题语义理解特征向量;
日志语义理解模块,用于对所述用户设备的设备日志数据进行分词处理后通过包含嵌入层的文本卷积神经网络模型以得到设备日志语义理解特征向量;
特征融合模块,用于融合所述问题语义理解特征向量和所述设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵;以及
故障类型检测模块,用于将所述问题-设备语义关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示用户设备的故障类型标签。
在上述的远程协助的信息创建运维系统中,所述问题语义理解模块,包括:
第一分词单元,用于对所述用户的问题文本描述进行分词处理以将所述用户的问题文本描述转化为由多个词组成的词序列;
第一词映射单元,用于使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;以及
第一上下文编码单元,用于使用所述包含嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述问题语义理解特征向量。
在上述的远程协助的信息创建运维系统中,所述第一上下文编码单元,包括:
查询向量构造子单元,用于将所述词向量的序列进行一维排列以得到全局词特征向量;
自注意子单元,用于计算所述全局词特征向量与所述词向量的序列中各个词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向量的序列中各个词向量进行加权以得到所述问题语义理解特征向量。
在上述的远程协助的信息创建运维系统中,所述日志语义理解模块,包括:
第二分词单元,用于对所述用户设备的设备日志数据进行分词处理以将所述用户设备的设备日志数据转化为由多个词组成的日志数据词序列;
第二词映射单元,用于使用所述包含嵌入层的文本卷积神经网络模型的嵌入层将所述日志数据词序列中各个日志数据词映射到日志数据词向量以获得日志数据向量的序列;以及
第二上下文编码单元,用于使用所述包含嵌入层的文本卷积神经网络模型对所述日志数据向量的序列进行基于全局的上下文语义编码以获得所述设备日志语义理解特征向量。
在上述的远程协助的信息创建运维系统中,所述特征融合模块,包括:
关联特征提取单元,用于将所述问题-设备语义关联特征矩阵通过作为特征提取器的卷积神经网络以得到关联特征图;
优化因数计算单元,用于对所述关联特征图进行特征相关性累积区分机制建模以获得权重特征向量;
加权优化单元,用于以所述权重特征向量分别与所述问题语义理解特征向量和所述设备日志语义理解特征向量进行点乘以得到校正后问题语义理解特征向量和校正后设备日志语义理解特征向量;以及
优化融合单元,用于融合所述校正后问题语义理解特征向量和所述校正后设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵。
在上述的远程协助的信息创建运维系统中,所述关联特征提取单元,用于:使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中对输入数据分别进行:
对所述输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于特征矩阵的均值池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述关联特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述问题-设备语义关联特征矩阵。
在上述的远程协助的信息创建运维系统中,所述优化因数计算单元,用于:以如下公式对所述关联特征图进行特征相关性累积区分机制建模以获得所述权重特征向量;
其中,所述公式为:
在上述的远程协助的信息创建运维系统中,所述优化融合单元,用于:以如下公式融合所述校正后问题语义理解特征向量和所述校正后设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵;
其中,所述公式为:
在上述的远程协助的信息创建运维系统中,所述故障类型检测模块,包括:
矩阵展开单元,用于将所述问题-设备语义关联特征矩阵按照行向量或列向量展开为分类特征向量;
全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一个方面,提供了一种远程协助的信息创建运维方法,其包括:
响应于用户的发送的一键远程协助需求,对用户进行免登陆用户鉴权并获取所述用户的用户设备的设备日志数据;
获取所述用户的问题文本描述;
对所述用户的问题文本描述进行分词处理后通过包含嵌入层的上下文编码器以得到问题语义理解特征向量;
对所述用户设备的设备日志数据进行分词处理后通过包含嵌入层的文本卷积神经网络模型以得到设备日志语义理解特征向量;
融合所述问题语义理解特征向量和所述设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵;以及
将所述问题-设备语义关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示用户设备的故障类型标签。
与现有技术相比,本申请提供的远程协助的信息创建运维系统及其方法,其首先将获取的用户的问题文本描述进行分词处理后通过上下文编码器以得到问题语义理解特征向量,接着,对获取的用户设备的设备日志数据进行分词处理后通过文本卷积神经网络模型以得到设备日志语义理解特征向量,然后,融合所述问题语义理解特征向量和所述设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵,最后,将所述问题-设备语义关联特征矩阵通过分类器以得到用于表示用户设备的故障类型标签的分类结果。这样,可以判断用户设备的故障类型,从而根据设备不同的故障类型来对不同设备进行不同程度的维护,保证故障检测解决的及时性和质量性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员而言,在没有做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。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的远程协助的信息创建运维系统的应用场景图。
图2为根据本申请实施例的远程协助的信息创建运维系统的框图示意图。
图3为根据本申请实施例的远程协助的信息创建运维系统中的所述问题语义理解模块的框图示意图。
图4为根据本申请实施例的远程协助的信息创建运维系统中的所述第一上下文编码单元的框图示意图。
图5为根据本申请实施例的远程协助的信息创建运维系统中的所述日志语义理解模块的框图示意图。
图6为根据本申请实施例的远程协助的信息创建运维系统中的所述特征融合模块的框图示意图。
图7为根据本申请实施例的远程协助的信息创建运维系统中的所述故障类型检测模块的框图示意图。
图8为根据本申请实施例的远程协助的信息创建运维方法的流程图。
图9为根据本申请实施例的远程协助的信息创建运维方法的系统架构的示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上所述,目前,信创环境的主机、操作系统、应用软件、网络服务设备主要部署在企业的日常办公场景中,其特点是用户在办公中遇到问题需要快速响应并解决。一种解决方案是:信创主机厂商主动式服务方式,技术维护人员定期上门主动询问、检查问题、维护软硬件。但在在突发情况下无法保证遇到问题解决的及时性和质量性,无法根据个性化使用行为优化系统,不能满足对不同设备进行不同程度的维护。因此,期待一种远程协助的信息创建运维方案。
相应地,考虑到在实际进行远程协助的信息创建运维时,关键在于基于用户的问题描述来对于用户设备的故障类型进行精准地评估判断,以根据故障的类型来对不同设备进行不同程度的维护,从而保证故障检测解决的及时性和质量性。但是,考虑到由于用户并不具备专业的技术能力,导致用户的问题描述并不能够说明设备的状态情况,因此,在本申请的技术方案中,期望基于用户的问题描述和设备的日志状态数据来综合对于设备的故障类型进行精准地评估判断,在此过程中,难点在于如何充分且准确地挖掘出所述用户的问题描述语义理解特征和所述设备日志数据的语义理解特征间的关联性特征分布信息,以此来精准地进行设备故障类型的检测评估,从而根据设备不同的故障类型来对不同设备进行不同程度的维护,以保证故障检测解决的及时性和质量性。
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用户的问题描述语义理解特征和所述设备日志数据的语义理解特征间的关联性特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,响应于用户的发送的一键远程协助需求,对用户进行免登陆用户鉴权并获取所述用户的用户设备的设备日志数据,并且还获取所述用户的问题文本描述。接着,考虑到由于所述用户的问题文本描述是由多个词组成的,并且各个词之间具有着上下的语义关联,因此,为了能够对于所述用户的问题文本描述进行准确地语义理解,需要挖掘出所述用户的问题文本描述中各个词之间的语义关联特征信息。具体地,对所述用户的问题文本描述进行分词处理以避免后续词序混乱后,将其通过包含嵌入层的上下文编码器中进行编码,以提取出所述用户的问题文本描述中的基于全局的上下文语义理解特征信息,即所述用户的问题语义理解特征信息,从而得到问题语义理解特征向量。
然后,考虑到由于所述用户的用户设备的设备日志数据也是由多个词和数字组成的,且各个词之间也具有着上下文的语义关联。因此,为了能够提取出所述用户的用户设备的设备日志数据中的语义关联特征信息,进一步对所述用户设备的设备日志数据进行分词处理以避免后续进行语义特征提取时词序混乱后,将其通过包含嵌入层的文本卷积神经网络模型中进行语义编码,以提取出所述用户的用户设备的设备日志数据中的各个词的上下文语义关联特征,即所述用户的用户设备的设备日志数据的语义理解特征,从而得到设备日志语义理解特征向量。
进一步地,融合所述问题语义理解特征向量和所述设备日志语义理解特征向量,以此来融合所述用户的问题文本描述的语义理解特征和所述设备日志数据的语义理解特征间的关联性特征分布信息,从而得到问题-设备语义关联特征矩阵。相应地,在本申请的一个具体示例中,可以通过将所述问题语义理解特征向量和所述设备日志语义理解特征向量进行向量相乘来得到所述问题-设备语义关联特征矩阵。
接着,再将所述问题-设备语义关联特征矩阵作为分类特征矩阵通过分类器中进行分类处理,以得到用于表示用户设备的故障类型标签的分类结果。也就是,在本申请的技术方案中,所述分类器的标签为用户设备的故障类型,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解,在本申请的技术方案中,所述分类器的分类标签为用户设备的故障类型标签,因此,在得到所述分类结果后,可基于所述分类结果来判断出用户设备的故障类型,以根据设备不同的故障类型来对不同设备进行不同程度的维护,保证故障检测解决的及时性和质量性。
特别地,在本申请的技术方案中,在通过按位置特征值关联融合所述问题语义理解特征向量和所述设备日志语义理解特征向量得到所述问题-设备语义关联特征矩阵时,如果能够基于所述问题-设备语义关联特征矩阵表达的特征向量间的特征值的关联程度来对于所述问题语义理解特征向量和所述设备日志语义理解特征向量的各个位置的重要性进行区分,则可以优化所述问题-设备语义关联特征矩阵的特征表示,从而提升所述问题-设备语义关联特征矩阵的分类结果的准确性。
基于此,将所述问题-设备语义关联特征矩阵通过作为特征提取器的卷积神经网络得到关联特征图,再提取所述关联特征图的通道维度上的累积空间语义作为用于对所述问题语义理解特征向量和所述设备日志语义理解特征向量进行加权的加权向量(因此,作为特征提取器的卷积神经网络的通道数需要与所述突发事件语义理解特征向量的长度相同)。具体地,对所述关联特征图进行特征相关性累积区分机制建模以获得权重特征向量,表示为:
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所述关联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,就可以基于所述关联特征图的各个特征矩阵的特征累积区分机制来确定用于表达累积空间语义的通道维度下适当的加权因数。然后,再以所述权重特征向量分别与所述问题语义理解特征向量和所述设备日志语义理解特征向量进行点乘,就可以优化所述问题-设备语义关联特征矩阵的特征表示,从而提升所述问题-设备语义关联特征矩阵的分类结果的准确性。这样,能够精准地进行设备故障类型的检测评估,从而根据设备不同的故障类型来对不同设备进行不同程度的维护,以保证故障检测解决的及时性和质量性。
图1为根据本申请实施例的远程协助的信息创建运维系统的应用场景图。如图1所示,在该应用场景中,首先,响应于用户的发送的一键远程协助需求,对用户进行免登陆用户鉴权并获取所述用户的用户设备的设备日志数据(例如,图1中所示意的D1),以及获取所述用户的问题文本描述(例如,图1中所示意的D2),然后,将所述用户设备的设备日志数据和所述用户的问题文本描述输入至部署有远程协助的信息创建运维算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述远程协助的信息创建运维算法对所述用户设备的设备日志数据和所述用户的问题文本描述进行处理以得到用于表示用户设备的故障类型标签的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的远程协助的信息创建运维系统的框图示意图。如图2所示,根据本申请实施例的远程协助的信息创建运维系统100,包括:日志数据采集模块110,用于响应于用户的发送的一键远程协助需求,对用户进行免登陆用户鉴权并获取所述用户的用户设备的设备日志数据;问题数据采集模块120,用于获取所述用户的问题文本描述;问题语义理解模块130,用于对所述用户的问题文本描述进行分词处理后通过包含嵌入层的上下文编码器以得到问题语义理解特征向量;日志语义理解模块140,用于对所述用户设备的设备日志数据进行分词处理后通过包含嵌入层的文本卷积神经网络模型以得到设备日志语义理解特征向量;特征融合模块150,用于融合所述问题语义理解特征向量和所述设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵;以及,故障类型检测模块160,用于将所述问题-设备语义关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示用户设备的故障类型标签。
更具体地,在本申请实施例中,所述日志数据采集模块110,用于响应于用户的发送的一键远程协助需求,对用户进行免登陆用户鉴权并获取所述用户的用户设备的设备日志数据。更具体地,在本申请实施例中,所述问题数据采集模块120,用于获取所述用户的问题文本描述。在实际进行远程协助的信息创建运维时,关键在于基于用户的问题描述来对于用户设备的故障类型进行精准地评估判断,以根据故障的类型来对不同设备进行不同程度的维护,从而保证故障检测解决的及时性和质量性。但是,考虑到由于用户并不具备专业的技术能力,导致用户的问题描述并不能够说明设备的状态情况,因此,在本申请的技术方案中,基于用户的问题描述和设备的日志状态数据来综合对于设备的故障类型进行精准地评估判断,在此过程中,通过挖掘出所述用户的问题描述语义理解特征和所述设备日志数据的语义理解特征间的关联性特征分布信息,以此来精准地进行设备故障类型的检测评估,从而根据设备不同的故障类型来对不同设备进行不同程度的维护,以保证故障检测解决的及时性和质量性。
更具体地,在本申请实施例中,所述问题语义理解模块130,用于对所述用户的问题文本描述进行分词处理后通过包含嵌入层的上下文编码器以得到问题语义理解特征向量。考虑到由于所述用户的问题文本描述是由多个词组成的,并且各个词之间具有着上下的语义关联,因此,为了能够对于所述用户的问题文本描述进行准确地语义理解,需要挖掘出所述用户的问题文本描述中各个词之间的语义关联特征信息。具体地,对所述用户的问题文本描述进行分词处理以避免后续词序混乱后,将其通过包含嵌入层的上下文编码器中进行编码,以提取出所述用户的问题文本描述中的基于全局的上下文语义理解特征信息,即所述用户的问题语义理解特征信息,从而得到问题语义理解特征向量。
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(Language Model)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。
相应地,在一个具体示例中,如图3所示,所述问题语义理解模块130,包括:第一分词单元131,用于对所述用户的问题文本描述进行分词处理以将所述用户的问题文本描述转化为由多个词组成的词序列;第一词映射单元132,用于使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;以及,第一上下文编码单元133,用于使用所述包含嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述问题语义理解特征向量。
相应地,在一个具体示例中,如图4所示,所述第一上下文编码单元133,包括:查询向量构造子单元1331,用于将所述词向量的序列进行一维排列以得到全局词特征向量;自注意子单元1332,用于计算所述全局词特征向量与所述词向量的序列中各个词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1333,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1334,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1335,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向量的序列中各个词向量进行加权以得到所述问题语义理解特征向量。
更具体地,在本申请实施例中,所述日志语义理解模块140,用于对所述用户设备的设备日志数据进行分词处理后通过包含嵌入层的文本卷积神经网络模型以得到设备日志语义理解特征向量。考虑到由于所述用户的用户设备的设备日志数据也是由多个词和数字组成的,且各个词之间也具有着上下文的语义关联。因此,为了能够提取出所述用户的用户设备的设备日志数据中的语义关联特征信息,进一步对所述用户设备的设备日志数据进行分词处理以避免后续进行语义特征提取时词序混乱后,将其通过包含嵌入层的文本卷积神经网络模型中进行语义编码,以提取出所述用户的用户设备的设备日志数据中的各个词的上下文语义关联特征,即所述用户的用户设备的设备日志数据的语义理解特征,从而得到设备日志语义理解特征向量。
相应地,在一个具体示例中,如图5所示,所述日志语义理解模块140,包括:第二分词单元141,用于对所述用户设备的设备日志数据进行分词处理以将所述用户设备的设备日志数据转化为由多个词组成的日志数据词序列;第二词映射单元142,用于使用所述包含嵌入层的文本卷积神经网络模型的嵌入层将所述日志数据词序列中各个日志数据词映射到日志数据词向量以获得日志数据向量的序列;以及,第二上下文编码单元143,用于使用所述包含嵌入层的文本卷积神经网络模型对所述日志数据向量的序列进行基于全局的上下文语义编码以获得所述设备日志语义理解特征向量。
更具体地,在本申请实施例中,所述特征融合模块150,用于融合所述问题语义理解特征向量和所述设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵。融合所述问题语义理解特征向量和所述设备日志语义理解特征向量,以此来融合所述用户的问题文本描述的语义理解特征和所述设备日志数据的语义理解特征间的关联性特征分布信息,从而得到问题-设备语义关联特征矩阵。
相应地,在一个具体示例中,如图6所示,所述特征融合模块150,包括:关联特征提取单元151,用于将所述问题-设备语义关联特征矩阵通过作为特征提取器的卷积神经网络以得到关联特征图;优化因数计算单元152,用于对所述关联特征图进行特征相关性累积区分机制建模以获得权重特征向量;加权优化单元153,用于以所述权重特征向量分别与所述问题语义理解特征向量和所述设备日志语义理解特征向量进行点乘以得到校正后问题语义理解特征向量和校正后设备日志语义理解特征向量;以及,优化融合单元154,用于融合所述校正后问题语义理解特征向量和所述校正后设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵。
相应地,在一个具体示例中,所述关联特征提取单元151,用于:使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中对输入数据分别进行:对所述输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述关联特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述问题-设备语义关联特征矩阵。
特别地,在本申请的技术方案中,在通过按位置特征值关联融合所述问题语义理解特征向量和所述设备日志语义理解特征向量得到所述问题-设备语义关联特征矩阵时,如果能够基于所述问题-设备语义关联特征矩阵表达的特征向量间的特征值的关联程度来对于所述问题语义理解特征向量和所述设备日志语义理解特征向量的各个位置的重要性进行区分,则可以优化所述问题-设备语义关联特征矩阵的特征表示,从而提升所述问题-设备语义关联特征矩阵的分类结果的准确性。基于此,将所述问题-设备语义关联特征矩阵通过作为特征提取器的卷积神经网络得到关联特征图,再提取所述关联特征图的通道维度上的累积空间语义作为用于对所述问题语义理解特征向量和所述设备日志语义理解特征向量进行加权的加权向量(因此,作为特征提取器的卷积神经网络的通道数需要与所述突发事件语义理解特征向量的长度相同)。具体地,对所述关联特征图进行特征相关性累积区分机制建模以获得权重特征向量。
相应地,在一个具体示例中,所述优化因数计算单元152,用于:以如下公式对所述关联特征图进行特征相关性累积区分机制建模以获得所述权重特征向量;其中,所述公式为:
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所述关联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,就可以基于所述关联特征图的各个特征矩阵的特征累积区分机制来确定用于表达累积空间语义的通道维度下适当的加权因数。然后,再以所述权重特征向量分别与所述问题语义理解特征向量和所述设备日志语义理解特征向量进行点乘,就可以优化所述问题-设备语义关联特征矩阵的特征表示,从而提升所述问题-设备语义关联特征矩阵的分类结果的准确性。这样,能够精准地进行设备故障类型的检测评估,从而根据设备不同的故障类型来对不同设备进行不同程度的维护,以保证故障检测解决的及时性和质量性。
相应地,在一个具体示例中,所述优化融合单元154,用于:以如下公式融合所述校正后问题语义理解特征向量和所述校正后设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵;其中,所述公式为:
更具体地,在本申请实施例中,所述故障类型检测模块160,用于将所述问题-设备语义关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示用户设备的故障类型标签。也就是,在本申请的技术方案中,所述分类器的标签为用户设备的故障类型,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解,在本申请的技术方案中,所述分类器的分类标签为用户设备的故障类型标签,因此,在得到所述分类结果后,可基于所述分类结果来判断出用户设备的故障类型,以根据设备不同的故障类型来对不同设备进行不同程度的维护,保证故障检测解决的及时性和质量性。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一个具体示例中,如图7所示,所述故障类型检测模块160,包括:矩阵展开单元161,用于将所述问题-设备语义关联特征矩阵按照行向量或列向量展开为分类特征向量;全连接编码单元162,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类单元163,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的远程协助的信息创建运维系统100被阐明,其首先将获取的用户的问题文本描述进行分词处理后通过上下文编码器以得到问题语义理解特征向量,接着,对获取的用户设备的设备日志数据进行分词处理后通过文本卷积神经网络模型以得到设备日志语义理解特征向量,然后,融合所述问题语义理解特征向量和所述设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵,最后,将所述问题-设备语义关联特征矩阵通过分类器以得到用于表示用户设备的故障类型标签的分类结果。这样,可以判断用户设备的故障类型,从而根据设备不同的故障类型来对不同设备进行不同程度的维护,保证故障检测解决的及时性和质量性。
如上所述,根据本申请实施例的所述远程协助的信息创建运维系统100可以实现在各种终端设备中,例如具有远程协助的信息创建运维算法的服务器等。在一个示例中,远程协助的信息创建运维系统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,该远程协助的信息创建运维系统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,该远程协助的信息创建运维系统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,该远程协助的信息创建运维系统100与该终端设备也可以是分立的设备,并且该远程协助的信息创建运维系统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。
图8为根据本申请实施例的远程协助的信息创建运维方法的流程图。如图8所示,根据本申请实施例的远程协助的信息创建运维方法,其包括:S110,响应于用户的发送的一键远程协助需求,对用户进行免登陆用户鉴权并获取所述用户的用户设备的设备日志数据;S120,获取所述用户的问题文本描述;S130,对所述用户的问题文本描述进行分词处理后通过包含嵌入层的上下文编码器以得到问题语义理解特征向量;S140,对所述用户设备的设备日志数据进行分词处理后通过包含嵌入层的文本卷积神经网络模型以得到设备日志语义理解特征向量;S150,融合所述问题语义理解特征向量和所述设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵;以及,S160,将所述问题-设备语义关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示用户设备的故障类型标签。
图9为根据本申请实施例的远程协助的信息创建运维方法的系统架构的示意图。如图9所示,在所述远程协助的信息创建运维方法的系统架构中,首先,响应于用户的发送的一键远程协助需求,对用户进行免登陆用户鉴权并获取所述用户的用户设备的设备日志数据;接着,获取所述用户的问题文本描述;然后,对所述用户的问题文本描述进行分词处理后通过包含嵌入层的上下文编码器以得到问题语义理解特征向量;接着,对所述用户设备的设备日志数据进行分词处理后通过包含嵌入层的文本卷积神经网络模型以得到设备日志语义理解特征向量;然后,融合所述问题语义理解特征向量和所述设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵;最后,将所述问题-设备语义关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示用户设备的故障类型标签。
在一个具体示例中,在上述远程协助的信息创建运维方法中,对所述用户的问题文本描述进行分词处理后通过包含嵌入层的上下文编码器以得到问题语义理解特征向量,包括:对所述用户的问题文本描述进行分词处理以将所述用户的问题文本描述转化为由多个词组成的词序列;使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;以及,使用所述包含嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述问题语义理解特征向量。
在一个具体示例中,在上述远程协助的信息创建运维方法中,使用所述包含嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述问题语义理解特征向量,包括:将所述词向量的序列进行一维排列以得到全局词特征向量;计算所述全局词特征向量与所述词向量的序列中各个词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向量的序列中各个词向量进行加权以得到所述问题语义理解特征向量。
在一个具体示例中,在上述远程协助的信息创建运维方法中,对所述用户设备的设备日志数据进行分词处理后通过包含嵌入层的文本卷积神经网络模型以得到设备日志语义理解特征向量,包括:对所述用户设备的设备日志数据进行分词处理以将所述用户设备的设备日志数据转化为由多个词组成的日志数据词序列;使用所述包含嵌入层的文本卷积神经网络模型的嵌入层将所述日志数据词序列中各个日志数据词映射到日志数据词向量以获得日志数据向量的序列;以及,使用所述包含嵌入层的文本卷积神经网络模型对所述日志数据向量的序列进行基于全局的上下文语义编码以获得所述设备日志语义理解特征向量。
在一个具体示例中,在上述远程协助的信息创建运维方法中,融合所述问题语义理解特征向量和所述设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵,包括:将所述问题-设备语义关联特征矩阵通过作为特征提取器的卷积神经网络以得到关联特征图;对所述关联特征图进行特征相关性累积区分机制建模以获得权重特征向量;以所述权重特征向量分别与所述问题语义理解特征向量和所述设备日志语义理解特征向量进行点乘以得到校正后问题语义理解特征向量和校正后设备日志语义理解特征向量;以及,融合所述校正后问题语义理解特征向量和所述校正后设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵。
在一个具体示例中,在上述远程协助的信息创建运维方法中,将所述问题-设备语义关联特征矩阵通过作为特征提取器的卷积神经网络以得到关联特征图,包括:使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中对输入数据分别进行:对所述输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述关联特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述问题-设备语义关联特征矩阵。
在一个具体示例中,在上述远程协助的信息创建运维方法中,对所述关联特征图进行特征相关性累积区分机制建模以获得权重特征向量,包括:以如下公式对所述关联特征图进行特征相关性累积区分机制建模以获得所述权重特征向量;其中,所述公式为:
在一个具体示例中,在上述远程协助的信息创建运维方法中,融合所述校正后问题语义理解特征向量和所述校正后设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵,包括:以如下公式融合所述校正后问题语义理解特征向量和所述校正后设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵;其中,所述公式为:
在一个具体示例中,在上述远程协助的信息创建运维方法中,将所述问题-设备语义关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示用户设备的故障类型标签,包括:将所述问题-设备语义关联特征矩阵按照行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里,本领域技术人员可以理解,上述远程协助的信息创建运维方法中的各个步骤的具体操作已经在上面参考图1到图7的远程协助的信息创建运维系统的描述中得到了详细介绍,并因此,将省略其重复描述。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (10)
1.一种远程协助的信息创建运维系统,其特征在于,包括:
日志数据采集模块,用于响应于用户的发送的一键远程协助需求,对用户进行免登陆用户鉴权并获取所述用户的用户设备的设备日志数据;
问题数据采集模块,用于获取所述用户的问题文本描述;
问题语义理解模块,用于对所述用户的问题文本描述进行分词处理后通过包含嵌入层的上下文编码器以得到问题语义理解特征向量;
日志语义理解模块,用于对所述用户设备的设备日志数据进行分词处理后通过包含嵌入层的文本卷积神经网络模型以得到设备日志语义理解特征向量;
特征融合模块,用于融合所述问题语义理解特征向量和所述设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵;以及
故障类型检测模块,用于将所述问题-设备语义关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示用户设备的故障类型标签。
2.根据权利要求1所述的远程协助的信息创建运维系统,其特征在于,所述问题语义理解模块,包括:
第一分词单元,用于对所述用户的问题文本描述进行分词处理以将所述用户的问题文本描述转化为由多个词组成的词序列;
第一词映射单元,用于使用所述包含嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;以及
第一上下文编码单元,用于使用所述包含嵌入层的上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述问题语义理解特征向量。
3.根据权利要求2所述的远程协助的信息创建运维系统,其特征在于,所述第一上下文编码单元,包括:
查询向量构造子单元,用于将所述词向量的序列进行一维排列以得到全局词特征向量;
自注意子单元,用于计算所述全局词特征向量与所述词向量的序列中各个词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向量的序列中各个词向量进行加权以得到所述问题语义理解特征向量。
4.根据权利要求3所述的远程协助的信息创建运维系统,其特征在于,所述日志语义理解模块,包括:
第二分词单元,用于对所述用户设备的设备日志数据进行分词处理以将所述用户设备的设备日志数据转化为由多个词组成的日志数据词序列;
第二词映射单元,用于使用所述包含嵌入层的文本卷积神经网络模型的嵌入层将所述日志数据词序列中各个日志数据词映射到日志数据词向量以获得日志数据向量的序列;以及
第二上下文编码单元,用于使用所述包含嵌入层的文本卷积神经网络模型对所述日志数据向量的序列进行基于全局的上下文语义编码以获得所述设备日志语义理解特征向量。
5.根据权利要求4所述的远程协助的信息创建运维系统,其特征在于,所述特征融合模块,包括:
关联特征提取单元,用于将所述问题-设备语义关联特征矩阵通过作为特征提取器的卷积神经网络以得到关联特征图;
优化因数计算单元,用于对所述关联特征图进行特征相关性累积区分机制建模以获得权重特征向量;
加权优化单元,用于以所述权重特征向量分别与所述问题语义理解特征向量和所述设备日志语义理解特征向量进行点乘以得到校正后问题语义理解特征向量和校正后设备日志语义理解特征向量;以及
优化融合单元,用于融合所述校正后问题语义理解特征向量和所述校正后设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵。
6.根据权利要求5所述的远程协助的信息创建运维系统,其特征在于,所述关联特征提取单元,用于:使用所述作为特征提取器的卷积神经网络的各层在层的正向传递中对输入数据分别进行:
对所述输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于特征矩阵的均值池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述关联特征图,所述作为特征提取器的卷积神经网络的第一层的输入为所述问题-设备语义关联特征矩阵。
9.根据权利要求8所述的远程协助的信息创建运维系统,其特征在于,所述故障类型检测模块,包括:
矩阵展开单元,用于将所述问题-设备语义关联特征矩阵按照行向量或列向量展开为分类特征向量;
全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
10.一种远程协助的信息创建运维方法,其特征在于,包括:
响应于用户的发送的一键远程协助需求,对用户进行免登陆用户鉴权并获取所述用户的用户设备的设备日志数据;
获取所述用户的问题文本描述;
对所述用户的问题文本描述进行分词处理后通过包含嵌入层的上下文编码器以得到问题语义理解特征向量;
对所述用户设备的设备日志数据进行分词处理后通过包含嵌入层的文本卷积神经网络模型以得到设备日志语义理解特征向量;
融合所述问题语义理解特征向量和所述设备日志语义理解特征向量以得到问题-设备语义关联特征矩阵;以及
将所述问题-设备语义关联特征矩阵通过分类器以得到分类结果,所述分类结果用于表示用户设备的故障类型标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310484952.4A CN116204266A (zh) | 2023-05-04 | 2023-05-04 | 远程协助的信息创建运维系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310484952.4A CN116204266A (zh) | 2023-05-04 | 2023-05-04 | 远程协助的信息创建运维系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116204266A true CN116204266A (zh) | 2023-06-02 |
Family
ID=86509757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310484952.4A Pending CN116204266A (zh) | 2023-05-04 | 2023-05-04 | 远程协助的信息创建运维系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116204266A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116561879A (zh) * | 2023-07-12 | 2023-08-08 | 中铁水利信息科技有限公司 | 基于bim的水利工程信息管理系统及其方法 |
CN116579618A (zh) * | 2023-07-13 | 2023-08-11 | 吉贝克信息技术(北京)有限公司 | 基于风险管理的数据处理方法、装置、设备及存储介质 |
CN116827656A (zh) * | 2023-07-10 | 2023-09-29 | 滁州小稻穗网络科技有限公司 | 网络信息安全防护系统及其方法 |
CN116881017A (zh) * | 2023-07-27 | 2023-10-13 | 中国人民解放军陆军工程大学 | 一种协同虚拟维修训练系统和方法 |
CN116933941A (zh) * | 2023-07-27 | 2023-10-24 | 郑州软通合力计算机技术有限公司 | 一种智慧供应链物流智能优化方法、系统及存储介质 |
CN117520924A (zh) * | 2023-12-29 | 2024-02-06 | 国网浙江省电力有限公司舟山供电公司 | 基于多模态数据的海岛光伏运维故障原因分析方法及系统 |
CN117556027A (zh) * | 2024-01-12 | 2024-02-13 | 一站发展(北京)云计算科技有限公司 | 基于数字人技术的智能交互系统及方法 |
CN118113849A (zh) * | 2024-03-19 | 2024-05-31 | 安徽克莱因信息技术有限公司 | 基于大数据的信息咨询服务系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102118436A (zh) * | 2009-12-30 | 2011-07-06 | 英特尔公司 | 用于实现在计算设备上的远程控制协助会话的方法和系统 |
CN113849474A (zh) * | 2021-09-18 | 2021-12-28 | 杭州逗酷软件科技有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
CN115174563A (zh) * | 2022-06-30 | 2022-10-11 | 山东正龙万誉信息科技有限公司 | 一种计算机底层远程运维的驱动方法 |
CN115860117A (zh) * | 2023-02-22 | 2023-03-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于攻防行为的mdata知识抽取方法及其系统 |
CN115951883A (zh) * | 2023-03-15 | 2023-04-11 | 日照市德衡信息技术有限公司 | 分布式微服务架构的服务组件管理系统及其方法 |
CN116010713A (zh) * | 2023-03-27 | 2023-04-25 | 日照职业技术学院 | 基于云计算的创新创业平台服务数据处理方法及系统 |
CN116055293A (zh) * | 2023-04-03 | 2023-05-02 | 深圳市纵联网络科技有限公司 | 路由器的远程故障监控方法及路由器 |
-
2023
- 2023-05-04 CN CN202310484952.4A patent/CN116204266A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102118436A (zh) * | 2009-12-30 | 2011-07-06 | 英特尔公司 | 用于实现在计算设备上的远程控制协助会话的方法和系统 |
CN113849474A (zh) * | 2021-09-18 | 2021-12-28 | 杭州逗酷软件科技有限公司 | 数据处理方法、装置、电子设备和可读存储介质 |
CN115174563A (zh) * | 2022-06-30 | 2022-10-11 | 山东正龙万誉信息科技有限公司 | 一种计算机底层远程运维的驱动方法 |
CN115860117A (zh) * | 2023-02-22 | 2023-03-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于攻防行为的mdata知识抽取方法及其系统 |
CN115951883A (zh) * | 2023-03-15 | 2023-04-11 | 日照市德衡信息技术有限公司 | 分布式微服务架构的服务组件管理系统及其方法 |
CN116010713A (zh) * | 2023-03-27 | 2023-04-25 | 日照职业技术学院 | 基于云计算的创新创业平台服务数据处理方法及系统 |
CN116055293A (zh) * | 2023-04-03 | 2023-05-02 | 深圳市纵联网络科技有限公司 | 路由器的远程故障监控方法及路由器 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116827656A (zh) * | 2023-07-10 | 2023-09-29 | 滁州小稻穗网络科技有限公司 | 网络信息安全防护系统及其方法 |
CN116561879A (zh) * | 2023-07-12 | 2023-08-08 | 中铁水利信息科技有限公司 | 基于bim的水利工程信息管理系统及其方法 |
CN116579618A (zh) * | 2023-07-13 | 2023-08-11 | 吉贝克信息技术(北京)有限公司 | 基于风险管理的数据处理方法、装置、设备及存储介质 |
CN116579618B (zh) * | 2023-07-13 | 2023-09-22 | 吉贝克信息技术(北京)有限公司 | 基于风险管理的数据处理方法、装置、设备及存储介质 |
CN116881017A (zh) * | 2023-07-27 | 2023-10-13 | 中国人民解放军陆军工程大学 | 一种协同虚拟维修训练系统和方法 |
CN116933941A (zh) * | 2023-07-27 | 2023-10-24 | 郑州软通合力计算机技术有限公司 | 一种智慧供应链物流智能优化方法、系统及存储介质 |
CN116881017B (zh) * | 2023-07-27 | 2024-05-28 | 中国人民解放军陆军工程大学 | 一种协同虚拟维修训练系统和方法 |
CN117520924A (zh) * | 2023-12-29 | 2024-02-06 | 国网浙江省电力有限公司舟山供电公司 | 基于多模态数据的海岛光伏运维故障原因分析方法及系统 |
CN117520924B (zh) * | 2023-12-29 | 2024-04-12 | 国网浙江省电力有限公司舟山供电公司 | 基于多模态数据的海岛光伏运维故障原因分析方法及系统 |
CN117556027A (zh) * | 2024-01-12 | 2024-02-13 | 一站发展(北京)云计算科技有限公司 | 基于数字人技术的智能交互系统及方法 |
CN117556027B (zh) * | 2024-01-12 | 2024-03-26 | 一站发展(北京)云计算科技有限公司 | 基于数字人技术的智能交互系统及方法 |
CN118113849A (zh) * | 2024-03-19 | 2024-05-31 | 安徽克莱因信息技术有限公司 | 基于大数据的信息咨询服务系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116204266A (zh) | 远程协助的信息创建运维系统及其方法 | |
CN116010713A (zh) | 基于云计算的创新创业平台服务数据处理方法及系统 | |
CN116577677B (zh) | 退役动力电池的放电测试系统及其方法 | |
CN116245513B (zh) | 基于规则库的自动化运维系统及其方法 | |
CN116610803B (zh) | 基于大数据的产业链优企信息管理方法及系统 | |
CN111898704B (zh) | 对内容样本进行聚类的方法和装置 | |
CN116089648B (zh) | 基于人工智能的档案管理系统及方法 | |
CN116910611A (zh) | 基于大数据的智能环境监测系统及其方法 | |
CN116482524A (zh) | 输配电开关状态检测方法及系统 | |
CN116704431A (zh) | 水污染的在线监测系统及其方法 | |
CN116451139B (zh) | 一种基于人工智能的直播数据快速分析方法 | |
CN116363441B (zh) | 具备标记功能的管道腐蚀检测系统 | |
CN116679890A (zh) | 存储设备安全管理系统及其方法 | |
CN118113849A (zh) | 基于大数据的信息咨询服务系统及方法 | |
CN114580548A (zh) | 一种目标检测模型的训练方法、目标检测方法及装置 | |
CN112948155A (zh) | 模型训练方法、状态预测方法、装置、设备及存储介质 | |
CN116561814B (zh) | 纺织化纤供应链信息防篡改方法及其系统 | |
CN116402777B (zh) | 基于机器视觉的电力设备检测方法及系统 | |
CN116301166B (zh) | 一种非带隙基准电压源电路 | |
CN116863406A (zh) | 一种基于人工智能的智能报警安防系统及其方法 | |
CN116467485B (zh) | 一种视频图像检索构建系统及其方法 | |
CN117056902A (zh) | 物联网密码管理方法及系统 | |
CN116624903A (zh) | 一种用于油烟管道的智能监测方法及系统 | |
CN117134958A (zh) | 用于网络技术服务的信息处理方法及系统 | |
CN116596581A (zh) | Erp管理系统及其方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230602 |
|
RJ01 | Rejection of invention patent application after publication |