CN116362261A - 应对数字化服务项目的用户会话信息解析方法及软件产品 - Google Patents
应对数字化服务项目的用户会话信息解析方法及软件产品 Download PDFInfo
- Publication number
- CN116362261A CN116362261A CN202310372245.6A CN202310372245A CN116362261A CN 116362261 A CN116362261 A CN 116362261A CN 202310372245 A CN202310372245 A CN 202310372245A CN 116362261 A CN116362261 A CN 116362261A
- Authority
- CN
- China
- Prior art keywords
- text
- moving average
- session
- semantic
- vectors
- 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.)
- Withdrawn
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 124
- 239000013598 vector Substances 0.000 claims description 247
- 238000011084 recovery Methods 0.000 claims description 200
- 238000005065 mining Methods 0.000 claims description 53
- 238000011176 pooling Methods 0.000 claims description 45
- 238000000034 method Methods 0.000 claims description 39
- 230000004927 fusion Effects 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000010485 coping Effects 0.000 abstract description 4
- 101100042371 Caenorhabditis elegans set-3 gene Proteins 0.000 description 7
- 101150055297 SET1 gene Proteins 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明实施例涉及数字化、云服务和AI技术领域，提供一种应对数字化服务项目的用户会话信息解析方法及软件产品，AI辅助决策服务器通过聚焦不同角度的神经网络子网对数字服务项目会话文本的会话文本语义进行处理，能够准确实现容灾会话事件的捕捉，且神经网络子网能够共用会话文本语义，这样可以节约系统资源开销，提升整体方案的运行效率，从而实现用户会话信息解析的精度和时效性的双重优化。
Description
技术领域
本发明涉及数字化、云服务和AI技术领域，尤其涉及一种应对数字化服务项目的用户会话信息解析方法及软件产品。
背景技术
现代信息技术的发展和网络环境的日益成熟，促使数字化信息服务的开展与利用逐渐成为关系信息化建设和创新发展的关键。作为新一代信息技术的核心之一，人工智能与数字化有着密不可分的关系。数字化能够实现大数据价值，大数据价值的实现又为机器学习提供了丰富的数据信息资源，从而加速人工智能的进程。
现目前，数字化信息服务涉及智慧城市业务的方方面面，在工作层面，数字化信息服务能够提供数字办公、电子商务、智慧园区等一系列线上/远程服务。在娱乐层面，数字化信息服务能够提供元宇宙娱乐、虚拟空间交互、云游戏、在线机器人对话、AI图像生成等智能服务。在实际应用过程中，数字化信息服务所生成的用户会话记录具有非常大的分析价值，因此针对用户会话记录的容灾备份处理也至关重要。
发明内容
本发明提供一种应对数字化服务项目的用户会话信息解析方法及软件产品，AI辅助决策服务器通过聚焦不同角度的神经网络子网对数字服务项目会话文本的会话文本语义进行处理，能够准确实现容灾会话事件的捕捉，且神经网络子网能够共用会话文本语义，这样可以节约系统资源开销，提升整体方案的运行效率，从而实现用户会话信息解析的精度和时效性的双重优化，为实现上述技术目的，本发明采用如下技术方案。
第一方面是一种应对数字化服务项目的用户会话信息解析方法，应用于AI辅助决策服务器，所述方法包括：
获取待解析数字服务项目会话文本，将所述待解析数字服务项目会话文本加载到容灾辅助决策网络，在所述容灾辅助决策网络中挖掘所述待解析数字服务项目会话文本的会话文本语义；
将所述会话文本语义分别加载到所述容灾辅助决策网络中的容灾判别子网和分布解析子网中；所述容灾判别子网包括聚焦容灾会话事件判别的第一滑动平均变量，所述分布解析子网中包括聚焦分布特征解析的第二滑动平均变量；
针对所述容灾判别子网，通过所述第一滑动平均变量对所述会话文本语义进行滑动平均操作，得到事件判别输出结果；
针对所述分布解析子网，通过所述第二滑动平均变量对所述会话文本语义进行滑动平均操作，得到分布解析输出结果；
依据所述事件判别输出结果，确定所述待解析数字服务项目会话文本中目标容灾会话事件的事件主题，依据所述分布解析输出结果，确定所述目标容灾会话事件在所述待解析数字服务项目会话文本中的分布特征。
在一些可选的实施例中，所述待解析数字服务项目会话文本包括文本分块后的X个会话文本块，所述容灾辅助决策网络中包括深度卷积模型，所述深度卷积模型包括第一知识挖掘子模型、第二知识挖掘子模型、第三知识挖掘子模型以及滑动平均层；X为大于1的整数；所述在所述容灾辅助决策网络中挖掘所述待解析数字服务项目会话文本的会话文本语义，包括：
将所述待解析数字服务项目会话文本加载到所述第一知识挖掘子模型，在所述第一知识挖掘子模型中挖掘所述待解析数字服务项目会话文本中每个会话文本块的文本块语义向量，得到X个第一文本块语义向量；
将所述X个第一文本块语义向量加载到所述第二知识挖掘子模型，在所述第二知识挖掘子模型中对每个第一文本块语义向量进行滑动平均操作，得到X个第二文本块语义向量；
将所述X个第二文本块语义向量加载到所述第三知识挖掘子模型，在所述第三知识挖掘子模型中对每个第二文本块语义向量进行滑动平均操作，得到X个第三文本块语义向量；
在所述X个第一文本块语义向量、所述X个第二文本块语义向量以及所述X个第三文本块语义向量中，选择X个目标文本块语义向量；
将所述X个目标文本块语义向量传入所述滑动平均层，在所述滑动平均层中对所述X个目标文本块语义向量进行滑动平均操作，得到语义滑动平均向量；
依据所述语义滑动平均向量，生成所述待解析数字服务项目会话文本的会话文本语义。
在一些可选的实施例中，还包括：
获取初始数字服务项目会话文本，获取文本重构指数；
依据所述文本重构指数，对所述初始数字服务项目会话文本进行会话文本重构，得到中间会话文本；
对所述中间会话文本进行文本分块，得到包括X个会话文本块的待解析数字服务项目会话文本。
在一些可选的实施例中，所述X个目标文本块语义向量为所述X个第三文本块语义向量；所述滑动平均层包括第一滑动平均层；
所述将所述X个目标文本块语义向量传入所述滑动平均层，在所述滑动平均层中对所述X个目标文本块语义向量进行滑动平均操作，得到语义滑动平均向量，包括：
将所述X个第三文本块语义向量传入所述第一滑动平均层，在所述第一滑动平均层中对所述每个第三文本块语义向量进行滑动平均操作，得到X个基础语义滑动平均向量；
获取所述第三知识挖掘子模型对应的第一池化因子，依据所述第一池化因子对所述X个基础语义滑动平均向量进行池化，得到所述语义滑动平均向量。
在一些可选的实施例中，所述滑动平均层包括第一滑动平均层以及第二滑动平均层；所述将所述X个目标文本块语义向量传入所述滑动平均层，在所述滑动平均层中对所述X个目标文本块语义向量进行滑动平均操作，得到语义滑动平均向量，包括：
将所述X个第三文本块语义向量加载到所述第一滑动平均层，在所述第一滑动平均层中对所述每个第三文本块语义向量进行滑动平均操作，得到X个基础语义滑动平均向量；
获取所述第三知识挖掘子模型对应的第一池化因子，依据所述第一池化因子对所述X个基础语义滑动平均向量进行池化，得到第一池化文本块语义向量；
获取所述第二知识挖掘子模型对应的第二池化因子，依据所述第二池化因子对所述X个第二文本块语义向量进行池化，得到第二池化文本块语义向量；
依据所述第一池化因子与所述第二池化因子，确定第一扩展因子，依据所述第一扩展因子对所述第一池化文本块语义向量进行扩展，得到扩展文本块语义向量；
如果所述X个目标文本块语义向量为所述X个第二文本块语义向量，则将所述第二池化文本块语义向量与所述扩展文本块语义向量进行融合，得到第一文本块语义融合向量，将所述第一文本块语义融合向量加载到所述第二滑动平均层，在所述第二滑动平均层中对所述第一文本块语义融合向量进行滑动平均操作，得到语义滑动平均向量。
在一些可选的实施例中，所述滑动平均层还包括第三滑动平均层；所述方法还包括：
如果所述X个目标文本块语义向量为所述X个第一文本块语义向量，则将所述第二池化文本块语义向量与所述扩展文本块语义向量进行融合，得到第一文本块语义融合向量，将所述第一文本块语义融合向量加载到所述第二滑动平均层，在所述第二滑动平均层中对所述第一文本块语义融合向量进行滑动平均操作，得到语义融合滑动平均向量；
获取所述第一知识挖掘子模型对应的第三池化因子，依据所述第三池化因子对所述X个第一文本块语义向量进行池化，得到第三池化文本块语义向量；
依据所述第三池化因子与所述第二池化因子，确定第二扩展因子，依据所述第二扩展因子对所述语义融合滑动平均向量进行扩展，得到扩展文本块语义融合向量；
将所述第三池化文本块语义向量与所述扩展文本块语义融合向量进行融合，得到第二文本块语义融合向量，将所述第二文本块语义融合向量加载到所述第三滑动平均层，在所述第三滑动平均层中对所述第二文本块语义融合向量进行滑动平均操作，得到语义滑动平均向量。
在一些可选的实施例中，所述依据所述事件判别输出结果，确定所述待解析数字服务项目会话文本中目标容灾会话事件的事件主题，包括：
获取所述事件判别输出结果中的判别输出知识，获取所述判别输出知识对应的容灾会话事件置信度；所述容灾会话事件置信度反映所述判别输出知识所属AI判别窗口中存在所述目标容灾会话事件的可能性；所述AI判别窗口用于推测所述目标容灾会话事件在所述待解析数字服务项目会话文本中的分布；
获取所述判别输出知识对应的主题判别可能性；
如果所述容灾会话事件置信度大于设定可能性，则在所述主题判别可能性中，获取最大主题判别可能性，将所述最大主题判别可能性对应的主题确定为所述判别输出知识所匹配的事件主题；
将所述判别输出知识所匹配的事件主题确定为所述判别输出知识所属AI判别窗口的事件主题。
在一些可选的实施例中，所述依据所述分布解析输出结果，确定所述目标容灾会话事件的分布特征，包括：
获取所述分布解析输出结果中的分布解析知识，获取所述分布解析知识对应的分布推测数组；
在所述X个会话文本块中，获取所述分布解析知识对应的会话文本簇；所述分布解析知识是通过所述会话文本簇滑动平均得到的，所述会话文本簇的规模是由所述X个目标文本块语义向量对应的池化因子所确定的；
获取处于所述会话文本簇的基准分布信息；
依据所述分布推测数组以及所述基准分布信息，确定所述目标容灾会话事件的分布特征。
在一些可选的实施例中，所述分布推测数组包括分布误差、AI判别窗口的第一边界约束值以及AI判别窗口的第二边界约束值；所述AI判别窗口用于推测所述目标容灾会话事件在所述待解析数字服务项目会话文本中的分布；所述依据所述分布推测数组以及所述基准分布信息，确定所述目标容灾会话事件的分布特征，包括：
依据所述分布误差与所述基准分布信息，确定所述AI判别窗口对应的关键分布特征；
依据所述关键分布特征、所述AI判别窗口的第一边界约束值以及所述AI判别窗口的第二边界约束值，确定所述AI判别窗口在所述待解析数字服务项目会话文本中的分布特征，将所述AI判别窗口在所述待解析数字服务项目会话文本中的分布特征，确定为所述目标容灾会话事件的分布特征。
在上述基础上，在一些可独立的实施例中，还包括：
获取数字服务项目会话文本示例，将所述数字服务项目会话文本示例加载到原始容灾辅助决策网络中，在所述原始容灾辅助决策网络中挖掘所述数字服务项目会话文本示例的会话文本语义示例；
将所述会话文本语义示例分别加载到所述原始容灾辅助决策网络的原始容灾判别子网和原始分布解析子网中；
所述原始容灾判别子网包括聚焦容灾会话事件判别的第一滑动平均变量示例，所述原始分布解析子网中包括聚焦分布特征解析的第二滑动平均变量示例；
在所述原始容灾判别子网中，通过所述第一滑动平均变量示例对所述会话文本语义示例进行滑动平均操作，得到事件判别输出结果示例；
在所述原始分布解析子网中，通过所述第二滑动平均变量示例对所述会话文本语义示例进行滑动平均操作，得到分布解析输出结果示例；
依据所述事件判别输出结果示例，确定所述数字服务项目会话文本示例中容灾会话事件示例的当前事件主题，依据所述分布解析输出结果示例，确定所述容灾会话事件示例的当前分布特征；
获取所述容灾会话事件示例的事件主题注释，获取所述容灾会话事件示例的分布注释信息，依据所述当前事件主题、所述事件主题注释、所述当前分布特征以及所述分布注释信息，确定全局调试代价变量；
依据所述全局调试代价变量对所述第一滑动平均变量示例以及所述第二滑动平均变量示例分别进行更新，得到第一滑动平均变量示例对应的第一滑动平均变量以及第二滑动平均变量示例对应的第二滑动平均变量；
将包括所述第一滑动平均变量的原始容灾判别子网确定为容灾判别子网，将包括所述第二滑动平均变量的原始分布解析子网确定为分布解析子网，将包括所述容灾判别子网以及所述分布解析子网的原始容灾辅助决策网络，确定为容灾辅助决策网络。
在上述基础上，在一些可独立的实施例中，所述依据所述当前事件主题、所述事件主题注释、所述当前分布特征以及所述分布注释信息，确定全局调试代价变量，包括：
依据所述当前事件主题以及所述事件主题注释，确定判别代价变量；
依据所述分布注释信息以及所述当前分布特征，确定分布代价变量；
依据所述判别代价变量与所述分布代价变量，生成所述全局调试代价变量。
在上述基础上，在一些可独立的实施例中，所述依据所述全局调试代价变量对所述第一滑动平均变量示例以及所述第二滑动平均变量示例分别进行更新，得到第一滑动平均变量示例对应的第一滑动平均变量以及第二滑动平均变量示例对应的第二滑动平均变量，包括：
在所述全局调试代价变量与所述当前事件主题之间，确定第一变量更新指示，依据所述第一变量更新指示对所述第一滑动平均变量示例进行更新，得到第一滑动平均变量；
在所述全局调试代价变量与所述当前分布特征之间，确定第二变量更新指示，依据所述第二变量更新指示对所述第二滑动平均变量示例进行更新，得到第二滑动平均变量。
第二方面是一种AI辅助决策服务器，包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述AI辅助决策服务器执行第一方面的方法。
第三方面是一种用于实现应对数字化服务项目的用户会话信息解析方法的软件产品，包括计算机程序/指令，其中，当所述计算机程序/指令被执行时，实现执行第一方面的方法。
第四方面是一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行第一方面的方法。
在本发明实施例中，在挖掘出待解析数字服务项目会话文本的会话文本语义后，将该会话文本语义分别加载到容灾判别子网与分布解析子网中，通过该容灾判别子网中的第一滑动平均变量来对会话文本语义进行滑动平均操作，可以得到事件判别输出结果，再依据该事件判别输出结果可以输出该待解析数字服务项目会话文本中目标容灾会话事件的事件主题；进一步地，通过该分布解析子网中的第二滑动平均变量来对会话文本语义进行滑动平均操作，可以得到分布解析输出结果，再依据该分布解析输出结果可以输出该待解析数字服务项目会话文本中目标容灾会话事件的分布特征。鉴于容灾判别子网中的第一滑动平均变量聚焦容灾会话事件判别，分布解析子网中的第二滑动平均变量聚焦分布特征解析，第一滑动平均变量与第二滑动平均变量互不干扰且聚焦层面存在差异，因而在基于第一滑动平均变量对会话文本语义进行数字服务项目会话文本的容灾分析时，可以提高目标容灾会话事件的主题判别精度，在基于第二滑动平均变量对会话文本语义进行分布特征解析时，可以提高分布特征解析的精度；进一步地，鉴于容灾判别子网与分布解析子网均包括在容灾辅助决策网络中，则由容灾辅助决策网络挖掘一次待解析数字服务项目会话文本的会话文本语义便可，将该会话文本语义分别加载到容灾判别子网与分布解析子网的思路，可以共用会话文本语义，以节约系统资源开销，提升对数字服务项目会话文本进行容灾会话事件捕捉的时效性。
附图说明
图1为本发明实施例提供的应对数字化服务项目的用户会话信息解析方法的流程示意图。
具体实施方式
以下，术语“第一”、“第二”和“第三”等仅用于描述目的，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”或“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。
图1示出了本发明实施例提供的应对数字化服务项目的用户会话信息解析方法的流程示意图，应对数字化服务项目的用户会话信息解析方法可以通过AI辅助决策服务器实现，AI辅助决策服务器可以包括存储器和处理器；所述存储器和所述处理器耦合；所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；其中，当所述处理器执行所述计算机指令时，使得所述AI辅助决策服务器执行PROCESS101-PROCESS105。
PROCESS101，获取待解析数字服务项目会话文本，将待解析数字服务项目会话文本加载到容灾辅助决策网络，在容灾辅助决策网络中挖掘待解析数字服务项目会话文本的会话文本语义。
本发明实施例中，待解析数字服务项目会话文本中包括经文本分块后的X个会话文本块，其中，X为大于1的整数。比如，在获取到一个初始数字服务项目会话文本后，可以依据文本重构指数对该初始数字服务项目会话文本进行会话文本重构，得到中间会话文本，再对该中间会话文本进行文本分块，便可得到包括X个会话文本块的待解析数字服务项目会话文本。其中，会话文本重构可以理解为对初始数字服务项目会话文本进行文本内容的总结处理或者衍生处理，总结处理是将初始数字服务项目会话文本转换为更为精炼的文本，衍生处理是将初始数字服务项目会话文本转换为更为丰富的、修饰成分更多的文本。此外，数字服务项目会话文本可以理解为数字服务项目的交互记录，包括数字办公服务项目、电子商务服务项目、智慧园区服务项目等的交互记录，还可以包括元宇宙娱乐项目、虚拟空间交互项目、云游戏项目、在线机器人对话项目、AI图像生成项目等的交互记录。
AI辅助决策服务器获取到初始数字服务项目会话文本text201，该初始数字服务项目会话文本text201的规模（文本尺寸）为a*b，获取到的文本重构指数为b*b，则可以依据该文本重构指数，将该初始数字服务项目会话文本text201进行适应性的文本总结/衍生处理。若a和b为正整数，若a大于b，则对初始数字服务项目会话文本text201进行文本总结，若a小于b，则对初始数字服务项目会话文本text201进行文本总结衍生。这样可以得到中间会话文本text202，进一步地，可以对中间会话文本text202进行文本分块，从而可以得到包括若干个会话文本块的待解析数字服务项目会话文本text203。其中，文本块的大小可以一致也可以不一致，在此不作限定。
进一步地，可以将该待解析数字服务项目会话文本加载到容灾辅助决策网络中，在该容灾辅助决策网络中可以挖掘出该待解析数字服务项目会话文本的会话文本语义。比如，该容灾辅助决策网络中包括深度卷积模型（包括第一知识挖掘子模型、第二知识挖掘子模型以及第三知识挖掘子模型）、第一滑动平均层、第二滑动平均层以及第三滑动平均层。知识挖掘可以理解为特征提取，滑动平均可以理解为卷积处理。进一步地，可以将包括若干个会话文本块的待解析数字服务项目会话文本加载到容灾辅助决策网络中，通过该容灾辅助决策网络的第一知识挖掘子模型（包括卷积-归一化-激活单元、残差单元1、残差单元2以及残差单元8），可以挖掘出该待解析数字服务项目会话文本中每个会话文本块的文本块语义向量，得到若干个第一文本块语义向量。其中，卷积-归一化-激活单元是容灾辅助决策网络中的基础单元，可以用于对输入信息（如，待解析数字服务项目会话文本）进行滑动平均操作。残差单元可以让容灾辅助决策网络挖掘出输入信息（如，待解析数字服务项目会话文本）更隐含的会话文本语义。可以看出，卷积-归一化-激活单元与残差单元皆能够用作对输入信息进行滑动平均操作，则包括该卷积-归一化-激活单元与残差单元的第一知识挖掘子模型可以对待解析数字服务项目会话文本进行卷积，挖掘待解析数字服务项目会话文本的第一文本块语义向量。其中，容灾辅助决策网络可以为深度学习网络。
进一步地，可以将该若干个第一文本块语义向量加载到第二知识挖掘子模型（包括残差单元8），在该第二知识挖掘子模型中可以对每个第一文本块语义向量进行滑动平均操作，从而得到若干个第二文本块语义向量；进一步地，可以将该若干个第二文本块语义向量加载到第三知识挖掘子模型，在该第三知识挖掘子模型中可以对每个第二文本块语义向量进行滑动平均操作，从而可以得到若干个第三文本块语义向量。进一步地，可以将该X个第三文本块语义向量加载到第一滑动平均层（包括卷积-归一化-激活单元）中，在该第一滑动平均层中可以对该每个第三文本块语义向量进行滑动平均操作，从而可以得到若干个基础语义滑动平均向量；依据该第三知识挖掘子模型对应的第一池化因子，可以对该若干个基础语义滑动平均向量进行池化，即将若干个基础语义滑动平均向量拆解为多个语义滑动平均子向量，其中，一个语义滑动平均子向量是通过c*c个基础语义滑动平均向量滑动平均操作得到，则通过拆解，可以将若干个基础语义滑动平均向量拆解为d*d个语义滑动平均子向量，从而可以得到包括d*d个语义滑动平均子向量的语义滑动平均向量，可以将该包括d*d个语义滑动平均子向量的语义滑动平均向量确定为该待解析数字服务项目会话文本的会话文本语义。
在一些示例中，可以将依据第三知识挖掘子模型对应的第一池化因子，对该若干个基础语义滑动平均向量进行池化所得到的细节内容确定为第一池化文本块语义向量（包括d*d个语义滑动平均子向量）；进一步地可以依据第二知识挖掘子模型对应的第二池化因子对前述若干个第二文本块语义向量进行池化，即将若干个第二文本块语义向量拆解为多个文本块语义子向量，其中，一个语义滑动平均子向量是通过e*e个第二文本块语义向量滑动平均操作得到，则通过拆解，可以将若干个第二文本块语义向量拆解为f*f个文本块语义子向量，从而可以得到包括f*f个文本块语义子向量的第二池化文本块语义向量；进一步地，可以依据第一池化因子与第二池化因子，确定出第一扩展因子为2，依据该第一扩展因子2可以对前述包括d*d个语义滑动平均子向量的第一池化文本块语义向量进行扩展，可以将包括d*d个语义滑动平均子向量的第一池化文本块语义向量的规模进行2倍扩展，从而可以得到包括f*f个局部语义向量的扩展文本块语义向量；进一步地，可以将该包括f*f个文本块语义子向量的第二池化文本块语义向量与该包括f*f个局部语义向量的扩展文本块语义向量进行融合，得到第一文本块语义融合向量，可以将该第一文本块语义融合向量加载到第二滑动平均层（包括卷积-归一化-激活单元）中，在该第二滑动平均层中对该第一文本块语义融合向量进行滑动平均操作后，可以得到包括f*f个语义滑动平均子向量的语义滑动平均向量，可以将该包括f*f个语义滑动平均子向量的语义滑动平均向量确定为该待解析数字服务项目会话文本的会话文本语义。
在本发明实施例中，可以将上述在第二滑动平均层中对该第一文本块语义融合向量进行滑动平均操作后，得到的细节内容确定为语义融合滑动平均向量（包括f*f个语义滑动平均子向量），进一步地，可以将依据该第一知识挖掘子模型对应的第三池化因子，对该若干个第一文本块语义向量进行池化，即将若干个第一文本块语义向量拆解为多个文本块语义子向量，其中，一个语义滑动平均子向量中由b*b个第二文本块语义向量，则通过拆解，可以将若干个第一文本块语义向量拆解为g*g个文本块语义子向量，从而可以得到包括g*g个文本块语义子向量的第三池化文本块语义向量；进一步地，可以依据该第三池化因子与该第二池化因子，确定出第二扩展因子为2，依据该第二扩展因子2可以对前述包括f*f个语义滑动平均子向量的语义融合滑动平均向量进行扩展，可以将包括f*f个语义滑动平均子向量的语义融合滑动平均向量的规模进行2倍扩展，从而可以得到包括g*g个局部语义向量的扩展文本块语义融合向量；进一步地，可以将该包括g*g个文本块语义子向量的第三池化文本块语义向量与该包括g*g个局部语义向量的扩展文本块语义融合向量进行融合，得到第二文本块语义融合向量，可以将该第二文本块语义融合向量加载到第三滑动平均层（包括卷积-归一化-激活单元）中，在该第三滑动平均层中对该第二文本块语义融合向量进行滑动平均操作后，可以得到包括g*g个语义滑动平均子向量的语义滑动平均向量，可以将该包括g*g个语义滑动平均子向量的语义滑动平均向量确定为该待解析数字服务项目会话文本的会话文本语义。
综上，待解析数字服务项目会话文本的会话文本语义可以为包括d*d个语义滑动平均子向量的细节内容，也可以为包括f*f个语义滑动平均子向量的细节内容，还可以为包括g*g个语义滑动平均子向量的细节内容；其中，因为f*f个语义滑动平均子向量的会话文本语义是通过对d*d的语义滑动平均子向量进行两倍扩展得到，则该f*f个语义滑动平均子向量的会话文本语义比d*d个语义滑动平均子向量的会话文本语义更为丰富全面，同理，g*g个语义滑动平均子向量的会话文本语义比f*f个语义滑动平均子向量的会话文本语义更为丰富全面。其中，上述a、b、c、d、e、f、g以及下文的i、j皆为正整数。
PROCESS102，将会话文本语义分别加载到容灾辅助决策网络中的容灾判别子网和分布解析子网中；容灾判别子网包括聚焦容灾会话事件判别的第一滑动平均变量，分布解析子网中包括聚焦分布特征解析的第二滑动平均变量。
本发明实施例中，容灾判别子网与分布解析子网中均包括在容灾辅助决策网络中。其中，该容灾判别子网中包括聚焦用于容灾会话事件判别的第一滑动平均变量，换言之，该容灾判别子网可以用来识别待解析数字服务项目会话文本中目标容灾会话事件的事件主题；该分布解析子网中包括聚焦用于分布特征解析的第二滑动平均变量，换言之，该分布解析子网可以用来确定该目标容灾会话事件在该待解析数字服务项目会话文本中的分布特征。比如，容灾判别子网可以是对目标容灾会话事件的事件主题进行主题判别的子网，分布解析子网是对目标容灾会话事件在该待解析数字服务项目会话文本中的位置进行识别的子网。
PROCESS103，针对容灾判别子网，通过第一滑动平均变量对会话文本语义进行滑动平均操作，得到事件判别输出结果。
本发明实施例中，这里的第一滑动平均变量是容灾判别子网中的网络参量，可以用于对会话文本语义进行滑动平均操作，通过第一滑动平均变量可以对会话文本语义中的每个语义滑动平均子向量进行滑动平均操作，可以得到包括多个判别输出知识的判别向量。其中，每个判别输出知识由一个语义滑动平均子向量进行滑动平均处理所得，比如，会话文本语义中包括d*d个语义滑动平均子向量，则对通过该第一滑动平均变量对该会话文本语义进行滑动平均操作后，可以得到包括d*d个判别输出知识的事件判别输出结果。
PROCESS104，针对分布解析子网，通过第二滑动平均变量对会话文本语义进行滑动平均操作，得到分布解析输出结果。
本发明实施例中，这里的第二滑动平均变量是分布解析子网中的网络参量，可以用于对会话文本语义进行滑动平均操作，通过第二滑动平均变量可以对会话文本语义中的每个语义滑动平均子向量进行滑动平均操作，从而可以得到包括多个分布解析知识的判别向量。其中，每个分布解析知识由一个语义滑动平均子向量进行滑动平均处理所得，比如，会话文本语义中包括d*d个语义滑动平均子向量，则对通过该第二滑动平均变量对该会话文本语义进行滑动平均操作后，可以得到包括d*d个分布解析知识的分布解析输出结果。
示例性的，可以将包括若干个会话文本块的待解析数字服务项目会话文本加载到容灾辅助决策网络中，容灾辅助决策网络可以挖掘该待解析数字服务项目会话文本的会话文本语义。其中，对于容灾辅助决策网络挖掘该若干个会话文本块的待解析数字服务项目会话文本的会话文本语义（会话文本的特征信息）的设计思路，可以上述容灾辅助决策网络挖掘会话文本语义的介绍。将该会话文本语义加载到容灾辅助决策网络中的容灾判别子网中，通过该容灾判别子网的第一滑动平均变量对该会话文本语义进行滑动平均操作，可以得到事件判别输出结果。比如，以会话文本语义包括d*d个语义滑动平均子向量为例，将该包括d*d个语义滑动平均子向量的会话文本语义加载到容灾判别子网（包括卷积-归一化-激活单元与滑动平均单元）中，通过该容灾判别子网可以对d*d个语义滑动平均子向量中的每个语义滑动平均子向量进行滑动平均操作，从而可以得到包括d*d个判别输出知识的事件判别输出结果。将该会话文本语义加载到容灾辅助决策网络中的分布解析子网中，通过该分布解析子网的第二滑动平均变量对该会话文本语义进行滑动平均操作，可以得到分布解析输出结果（事件分布特征）。
以会话文本语义包括d*d个语义滑动平均子向量为例，将该包括d*d个语义滑动平均子向量的会话文本语义加载到分布解析子网（包括卷积-归一化-激活单元与滑动平均单元）中，通过该分布解析子网可以对d*d个语义滑动平均子向量中的每个语义滑动平均子向量进行滑动平均操作，从而可以得到包括d*d个分布解析知识的分布解析输出结果。g*g的事件判别输出结果对应的会话文本语义（包括g*g个语义滑动平均子向量），较f*f的判别向量对应的会话文本语义（包括f*f个语义滑动平均子向量）更为丰富全面；f*f的事件判别输出结果对应的会话文本语义（包括f*f个语义滑动平均子向量），较d*d的事件判别输出结果对应的会话文本语义（包括d*d个语义滑动平均子向量）更为丰富全面，则d*d的事件判别输出结果可以用于对待解析数字服务项目会话文本中的核心事件（比如，牵涉的内容较多的会话容灾事件）进行主题判别，f*f的事件判别输出结果可以用于对待解析数字服务项目会话文本中的一般事件（比如，牵涉的内容适中的会话容灾事件）进行主题判别，g*g的事件判别输出结果可以用于对待解析数字服务项目会话文本中的冷门事件（比如，牵涉的内容较少的会话容灾事件）进行主题判别。同理，d*d的分布解析输出结果可以用于确定待解析数字服务项目会话文本中的核心事件的分布特征，f*f的事件判别输出结果可以用于确定待解析数字服务项目会话文本中的一般事件的分布特征，g*g的事件判别输出结果可以用于确定待解析数字服务项目会话文本中的冷门事件的分布特征。
PROCESS105，依据事件判别输出结果，输出待解析数字服务项目会话文本中目标容灾会话事件的事件主题，依据分布解析输出结果，输出目标容灾会话事件在待解析数字服务项目会话文本中的分布特征。
本发明实施例中，事件判别输出结果中的每个判别输出知识均与待解析数字服务项目会话文本中的一个会话文本簇相对应，比如，判别输出知识classification1与待解析数字服务项目会话文本text203中的h*h的会话文本簇text set1相对应，该判别输出知识classification1是通过容灾辅助决策网络对该h*h的会话文本簇text set1多次进行滑动平均处理所得。在进行数字服务项目会话文本的容灾分析时，可以获取到判别输出知识所生成的容灾会话事件置信度，其中，该容灾会话事件置信度反映该判别输出知识所属AI判别窗口中存在目标容灾会话事件的可能性，其中，该AI判别窗口用于推测目标容灾会话事件在待解析数字服务项目会话文本中的分布。比如，判别输出知识classification1与会话文本簇text set1相对应，该h*h的会话文本簇text set1包括在该待解析数字服务项目会话文本text203的i个会话文本块中。其中，该会话文本簇的规模是由知识挖掘子模型（包括第一知识挖掘子模型、第二知识挖掘子模型以及第三知识挖掘子模型）对应的池化因子所确定的，比如，在第三知识挖掘子模型输出第三文本块语义向量时，如果将该第三文本块语义向量确定为目标文本块语义向量，则可以依据该第三知识挖掘子模型的池化因子来确定会话文本簇的规模（即j*j），也就是，将包括若干个会话文本块的待解析数字服务项目会话文本拆解为包括d*d个会话文本簇（每个会话文本簇由c*c个会话文本块组成）的待解析数字服务项目会话文本。
通过对会话文本簇进行多轮滑动平均，可以得到判别输出知识。而该判别输出知识可以输出一个或多个生成数据，每个生成数据中均包括容灾会话事件置信度以及主题判别可能性，其中，每个生成数据均与一个AI判别窗口相对应。进一步的，可以获取到判别输出知识输出主题判别可能性，当该判别输出知识生成的容灾会话事件置信度大于设定可能性时，可以确定该AI判别窗口中存在容灾会话事件，那么进一步地可以在这些主题判别可能性中，确定出最大主题判别可能性，并将该最大主题判别可能性对应的主题确定为该判别输出知识所匹配的事件主题；进一步地，可以将该判别输出知识所匹配的事件主题确定为该判别输出知识所属AI判别窗口的事件主题（即AI判别窗口中包括的容灾会话事件的事件主题）。
本发明实施例中，分布解析输出结果中的每个分布解析知识（分布解析特征点）均与待解析数字服务项目会话文本中的一个会话文本簇相对应，分布解析知识distribution1与待解析数字服务项目会话文本text203中的h*h的会话文本簇text set1相对应，该分布解析知识distribution1是通过容灾辅助决策网络对该h*h的会话文本簇text set1不断进行滑动平均处理所得。换言之，容灾辅助决策网络使用不同的滑动平均变量（如，第一滑动平均变量与第二滑动平均变量）对同一个会话文本簇进行卷积后，可以分别得到判别输出知识与分布解析知识。而判别输出知识的生成数据对应于分布解析知识对应的AI判别窗口。通过判别输出知识的生成数据，可以确定分布解析知识对应的AI判别窗口中是否存在容灾会话事件，且容灾会话事件属于什么事件主题。分布解析知识的生成数据可以确定出AI判别窗口在待解析数字服务项目会话文本中的分布特征（即AI判别窗口中目标容灾会话事件在待解析数字服务项目会话文本中的分布特征），示例性为，可以获取分布解析输出结果中分布解析知识对应的分布推测数组（包括分布误差、AI判别窗口的第一边界约束值以及AI判别窗口的第二边界约束值），进一步地，可以获取到该分布解析知识所对应的基准分布信息，依据该分布推测数组与该基准分布信息，可以确定出该目标容灾会话事件的分布特征。示例性的思路可以是，依据该分布误差与该基准分布信息，可以确定出该分布解析知识所匹配的AI判别窗口对应的关键分布特征；进一步地，依据该关键分布特征、该AI判别窗口的第一边界约束值（窗口横向长度）以及该AI判别窗口的第二边界约束值（窗口纵向长度），可以确定该AI判别窗口在该待解析数字服务项目会话文本中的分布特征，可以将该AI判别窗口在该待解析数字服务项目会话文本中的分布特征，确定为该目标容灾会话事件的分布特征。其中，该分布误差反映AI判别窗口的关键点分布相对于会话文本簇的误差，则通过将该分布误差与会话文本簇的基准分布信息进行求和或者求差，便可得到该AI判别窗口在会话文本簇中的关键分布特征。
比如，分布解析输出结果中分布解析知识distribution3所生成的分布推测数组为{index1，index2，index3}，其中，该分布推测数组{index1，index2，index3}所对应的AI判别窗口为AI判别窗口window1，其中，该网络参量index1为分布误差，因为该分布解析知识distribution3所对应的会话文本簇为会话文本簇text set3，则该网络参量index1可以用于表征AI判别窗口window1的第一坐标相较于会话文本簇text set3的中心分布，则将该网络参量index1与该会话文本簇text set3的基准分布信息进行求和后，可以得到该AI判别窗口window1在会话文本簇text set3中的关键分布特征，依据该关键分布特征、网络参量index2（AI判别窗口window1的第一边界约束值）以及网络参量index3（AI判别窗口window1的第二边界约束值），便可得到该AI判别窗口window1在会话文本簇text set3中的分布特征。且因为该AI判别窗口window1是该会话文本簇text set3对应的AI判别窗口中评价值最高（对容灾会话事件的包围度最高）的，则可以将该AI判别窗口window1的分布特征确定为该会话文本簇text set3中目标容灾会话事件所在的分布特征。
在本发明实施例中，在挖掘出待解析数字服务项目会话文本的会话文本语义后，将该会话文本语义分别加载到容灾判别子网与分布解析子网中，通过该容灾判别子网中的第一滑动平均变量来对会话文本语义进行滑动平均操作，可以得到事件判别输出结果，再依据该事件判别输出结果可以输出该待解析数字服务项目会话文本中目标容灾会话事件的事件主题；进一步地，通过该分布解析子网中的第二滑动平均变量来对会话文本语义进行滑动平均操作，可以得到分布解析输出结果，再依据该分布解析输出结果可以输出该待解析数字服务项目会话文本中目标容灾会话事件的分布特征。鉴于容灾判别子网中的第一滑动平均变量聚焦容灾会话事件判别，分布解析子网中的第二滑动平均变量聚焦分布特征解析，第一滑动平均变量与第二滑动平均变量互不干扰且聚焦层面存在差异，因而在基于第一滑动平均变量对会话文本语义进行数字服务项目会话文本的容灾分析时，可以提高目标容灾会话事件的主题判别精度，在基于第二滑动平均变量对会话文本语义进行分布特征解析时，可以提高分布特征解析的精度；且因为会话文本语义是容灾判别子网与分布解析子网两个子网共用的细节内容，对于会话文本语义无需进行反复处理，在可以提高目标容灾会话事件的主题判别精度的进一步地，也可以释放运算开销，从而可以提升对数字服务项目会话文本进行容灾会话事件捕捉的时效性。
在一些可独立实施的设计思路下，在PROCESS105之后，还包括PROCESS106。
PROCESS106，根据所述目标容灾会话事件的事件主题以及所述目标容灾会话事件在所述待解析数字服务项目会话文本中的分布特征，对所述目标容灾会话事件进行容灾备份处理。
如此一来，在准确确定出目标容灾会话事件的事件主题以及分布特征后，可以针对性地实现容灾备份，从而提高容灾备份的效率和灵活性。
在一些可独立实施的设计思路下，容灾辅助决策网络的调试方式包括如下内容。
PROCESS201，获取数字服务项目会话文本示例，将数字服务项目会话文本示例加载到原始容灾辅助决策网络中，在原始容灾辅助决策网络中挖掘数字服务项目会话文本示例的会话文本语义示例。
本发明实施例中，为提升容灾辅助决策网络预测目标容灾会话事件的事件主题以及分布特征的精度，可以对容灾辅助决策网络进行调试更新，使得调试更新后的容灾辅助决策网络达到最佳。这里的容灾辅助决策网络可以包括深度学习网络。其中，深度学习网络可以通过特征挖掘网络（如，深度卷积模型+滑动平均层）来挖掘出输入文本的会话文本语义，再将该会话文本语义作为共用特征，分别加载到容灾辅助决策网络中的容灾判别子网与分布解析子网中。
在获取到数字服务项目会话文本示例后，可以将数字服务项目会话文本示例加载到原始容灾辅助决策网络中，通过该原始容灾辅助决策网络中的深度卷积模型以及滑动平均层，可以有效挖掘出该数字服务项目会话文本示例的深层会话文本语义（会话文本语义示例）。对于原始容灾辅助决策网络挖掘数字服务项目会话文本示例的会话文本语义示例的设计思路，可以结合上述对容灾辅助决策网络挖掘待解析数字服务项目会话文本的会话文本语义的介绍。
PROCESS202，将会话文本语义示例分别加载到原始容灾辅助决策网络的原始容灾判别子网和原始分布解析子网中；原始容灾判别子网包括聚焦容灾会话事件判别的第一滑动平均变量示例，原始分布解析子网中包括聚焦分布特征解析的第二滑动平均变量示例。
PROCESS203，在原始容灾判别子网中，通过第一滑动平均变量示例对会话文本语义示例进行滑动平均操作，得到事件判别输出结果示例。
PROCESS204，在原始分布解析子网中，通过第二滑动平均变量示例对会话文本语义示例进行滑动平均操作，得到分布解析输出结果示例。
PROCESS205，依据事件判别输出结果示例，确定数字服务项目会话文本示例中容灾会话事件示例的当前事件主题，依据分布解析输出结果示例，确定容灾会话事件示例的当前分布特征。
本发明实施例中，对于PROCESS202-PROCESS205的设计思路，可以结合PROCESS102-PROCESS105的介绍。
其中，上述的示例可以理解为用于进行网络训练调试的样本信息，例如数字服务项目会话文本示例可以理解为数字服务项目会话文本样本，容灾会话事件示例可以理解为容灾会话事件样本，其他技术术语作类似理解，在此不作赘述。当前事件主题可以理解为事件主题的预测结果，当前分布特征可以理解为分布特征的预测结果。
PROCESS206，获取容灾会话事件示例的事件主题注释，获取容灾会话事件示例的分布注释信息，依据当前事件主题、事件主题注释、当前分布特征以及分布注释信息，确定全局调试代价变量。
本发明实施例中，依据该容灾会话事件示例的事件主题注释，以及当前事件主题，可以确定一个判别代价变量；依据该容灾会话事件示例的分布注释信息（真实分布特征）以及该当前分布特征，可以确定一个分布代价变量；依据该判别代价变量与该分布代价变量，可以生成一个数字服务项目会话文本的容灾分析与分布预测的全局调试代价变量。比如，可以将该判别代价变量与该分布代价变量进行求和，将求和得到的结果便可确定为该全局调试代价变量。其中，判别代价变量可以理解为主题分类损失，分布代价变量可以理解为位置解析损失。全局调试代价变量可以理解为整体的损失函数值。
PROCESS207，依据全局调试代价变量对第一滑动平均变量示例以及第二滑动平均变量示例分别进行更新，得到第一滑动平均变量示例对应的第一滑动平均变量以及第二滑动平均变量示例对应的第二滑动平均变量。
本发明实施例中，可以依据该全局调试代价变量对原始容灾判别子网中的第一滑动平均变量示例进行更新，示例性为，可以确定出该全局调试代价变量与该当前事件主题之间的变量更新指示，依据该变量更新指示可以对该第一滑动平均变量示例进行更新，从而可以得到第一滑动平均变量；也可以依据该全局调试代价变量对原始分布解析子网中的第二滑动平均变量示例进行更新，示例性为，可以计算出该全局调试代价变量与该当前分布特征之间的变量更新指示，依据该变量更新指示可以对该第二滑动平均变量示例进行更新，以得到第二滑动平均变量。
PROCESS208，将包括第一滑动平均变量的原始容灾判别子网确定为容灾判别子网原始容灾判别子网确定为容灾判别子网，将包括第二滑动平均变量的原始分布解析子网确定为分布解析子网，将包括容灾判别子网以及分布解析子网的原始容灾辅助决策网络，确定为容灾辅助决策网络。
本发明实施例中，通过全局调试代价变量，也可以更新容灾辅助决策网络中，深度卷积模型中的网络参量以及滑动平均层中的网络参量，由此通过深度卷积模型以及滑动平均层所挖掘的会话文本语义，可以尽可能准确合理地表征该待解析数字服务项目会话文本。在进行更新后，可以将容灾辅助决策网络投入使用，该容灾辅助决策网络中，包括第一滑动平均变量的容灾判别子网可以尽可能精准地识别出待解析数字服务项目会话文本中目标容灾会话事件的事件主题，包括第二滑动平均变量的分布解析子网可以尽可能精准地确定出目标容灾会话事件的分布特征。
在本发明实施例中，在挖掘出待解析数字服务项目会话文本的会话文本语义后，将该会话文本语义分别加载到容灾判别子网与分布解析子网中，通过该容灾判别子网中的第一滑动平均变量来对会话文本语义进行滑动平均操作，可以得到事件判别输出结果，再依据该事件判别输出结果可以输出该待解析数字服务项目会话文本中目标容灾会话事件的事件主题；进一步地，通过该分布解析子网中的第二滑动平均变量来对会话文本语义进行滑动平均操作，可以得到分布解析输出结果，再依据该分布解析输出结果可以输出该待解析数字服务项目会话文本中目标容灾会话事件的分布特征。鉴于容灾判别子网中的第一滑动平均变量聚焦容灾会话事件判别，分布解析子网中的第二滑动平均变量聚焦分布特征解析，第一滑动平均变量与第二滑动平均变量互不干扰且聚焦层面存在差异，因而在基于第一滑动平均变量对会话文本语义进行数字服务项目会话文本的容灾分析时，可以提高目标容灾会话事件的主题判别精度，在基于第二滑动平均变量对会话文本语义进行分布特征解析时，可以提高分布特征解析的精度；且因为会话文本语义是容灾判别子网与分布解析子网两个子网共用的细节内容，对于会话文本语义无需进行反复处理，在可以提高目标容灾会话事件的主题判别精度的进一步地，也可以释放运算开销，从而可以提升对数字服务项目会话文本进行容灾会话事件捕捉的时效性。
本发明实施例还提供了一种用于实现应对数字化服务项目的用户会话信息解析方法的软件产品，包括计算机程序/指令，其中，当所述计算机程序/指令被执行时，实现执行上述的方法。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时执行上述的方法。
综上，提供一种应对数字化服务项目的用户会话信息解析方法及软件产品，AI辅助决策服务器通过聚焦不同角度的神经网络子网对数字服务项目会话文本的会话文本语义进行处理，能够准确实现容灾会话事件的捕捉，且神经网络子网能够共用会话文本语义，这样可以节约系统资源开销，提升整体方案的运行效率，从而实现用户会话信息解析的精度和时效性的双重优化。
以上所述，仅为本发明的具体实施方式。熟悉本技术领域的技术人员根据本发明提供的具体实施方式，可想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种应对数字化服务项目的用户会话信息解析方法，其特征在于，应用于AI辅助决策服务器，所述方法包括：
获取待解析数字服务项目会话文本，将所述待解析数字服务项目会话文本加载到容灾辅助决策网络，在所述容灾辅助决策网络中挖掘所述待解析数字服务项目会话文本的会话文本语义；
将所述会话文本语义分别加载到所述容灾辅助决策网络中的容灾判别子网和分布解析子网中；所述容灾判别子网包括聚焦容灾会话事件判别的第一滑动平均变量，所述分布解析子网中包括聚焦分布特征解析的第二滑动平均变量；
针对所述容灾判别子网，通过所述第一滑动平均变量对所述会话文本语义进行滑动平均操作，得到事件判别输出结果；
针对所述分布解析子网，通过所述第二滑动平均变量对所述会话文本语义进行滑动平均操作，得到分布解析输出结果；
依据所述事件判别输出结果，确定所述待解析数字服务项目会话文本中目标容灾会话事件的事件主题，依据所述分布解析输出结果，确定所述目标容灾会话事件在所述待解析数字服务项目会话文本中的分布特征。
2.如权利要求1所述的方法，其特征在于，所述待解析数字服务项目会话文本包括文本分块后的X个会话文本块，所述容灾辅助决策网络中包括深度卷积模型，所述深度卷积模型包括第一知识挖掘子模型、第二知识挖掘子模型、第三知识挖掘子模型以及滑动平均层；X为大于1的整数；所述在所述容灾辅助决策网络中挖掘所述待解析数字服务项目会话文本的会话文本语义，包括：
将所述待解析数字服务项目会话文本加载到所述第一知识挖掘子模型，在所述第一知识挖掘子模型中挖掘所述待解析数字服务项目会话文本中每个会话文本块的文本块语义向量，得到X个第一文本块语义向量；
将所述X个第一文本块语义向量加载到所述第二知识挖掘子模型，在所述第二知识挖掘子模型中对每个第一文本块语义向量进行滑动平均操作，得到X个第二文本块语义向量；
将所述X个第二文本块语义向量加载到所述第三知识挖掘子模型，在所述第三知识挖掘子模型中对每个第二文本块语义向量进行滑动平均操作，得到X个第三文本块语义向量；
在所述X个第一文本块语义向量、所述X个第二文本块语义向量以及所述X个第三文本块语义向量中，选择X个目标文本块语义向量；
将所述X个目标文本块语义向量传入所述滑动平均层，在所述滑动平均层中对所述X个目标文本块语义向量进行滑动平均操作，得到语义滑动平均向量；
依据所述语义滑动平均向量，生成所述待解析数字服务项目会话文本的会话文本语义。
3.如权利要求2所述的方法，其特征在于，还包括：
获取初始数字服务项目会话文本，获取文本重构指数；
依据所述文本重构指数，对所述初始数字服务项目会话文本进行会话文本重构，得到中间会话文本；
对所述中间会话文本进行文本分块，得到包括X个会话文本块的待解析数字服务项目会话文本。
4.如权利要求2所述的方法，其特征在于，所述X个目标文本块语义向量为所述X个第三文本块语义向量；所述滑动平均层包括第一滑动平均层；
所述将所述X个目标文本块语义向量传入所述滑动平均层，在所述滑动平均层中对所述X个目标文本块语义向量进行滑动平均操作，得到语义滑动平均向量，包括：
将所述X个第三文本块语义向量传入所述第一滑动平均层，在所述第一滑动平均层中对所述每个第三文本块语义向量进行滑动平均操作，得到X个基础语义滑动平均向量；
获取所述第三知识挖掘子模型对应的第一池化因子，依据所述第一池化因子对所述X个基础语义滑动平均向量进行池化，得到所述语义滑动平均向量。
5.如权利要求2所述的方法，其特征在于，所述滑动平均层包括第一滑动平均层以及第二滑动平均层；所述将所述X个目标文本块语义向量传入所述滑动平均层，在所述滑动平均层中对所述X个目标文本块语义向量进行滑动平均操作，得到语义滑动平均向量，包括：
将所述X个第三文本块语义向量加载到所述第一滑动平均层，在所述第一滑动平均层中对所述每个第三文本块语义向量进行滑动平均操作，得到X个基础语义滑动平均向量；
获取所述第三知识挖掘子模型对应的第一池化因子，依据所述第一池化因子对所述X个基础语义滑动平均向量进行池化，得到第一池化文本块语义向量；
获取所述第二知识挖掘子模型对应的第二池化因子，依据所述第二池化因子对所述X个第二文本块语义向量进行池化，得到第二池化文本块语义向量；
依据所述第一池化因子与所述第二池化因子，确定第一扩展因子，依据所述第一扩展因子对所述第一池化文本块语义向量进行扩展，得到扩展文本块语义向量；
如果所述X个目标文本块语义向量为所述X个第二文本块语义向量，则将所述第二池化文本块语义向量与所述扩展文本块语义向量进行融合，得到第一文本块语义融合向量，将所述第一文本块语义融合向量加载到所述第二滑动平均层，在所述第二滑动平均层中对所述第一文本块语义融合向量进行滑动平均操作，得到语义滑动平均向量。
6.如权利要求5所述的方法，其特征在于，所述滑动平均层还包括第三滑动平均层；所述方法还包括：
如果所述X个目标文本块语义向量为所述X个第一文本块语义向量，则将所述第二池化文本块语义向量与所述扩展文本块语义向量进行融合，得到第一文本块语义融合向量，将所述第一文本块语义融合向量加载到所述第二滑动平均层，在所述第二滑动平均层中对所述第一文本块语义融合向量进行滑动平均操作，得到语义融合滑动平均向量；
获取所述第一知识挖掘子模型对应的第三池化因子，依据所述第三池化因子对所述X个第一文本块语义向量进行池化，得到第三池化文本块语义向量；
依据所述第三池化因子与所述第二池化因子，确定第二扩展因子，依据所述第二扩展因子对所述语义融合滑动平均向量进行扩展，得到扩展文本块语义融合向量；
将所述第三池化文本块语义向量与所述扩展文本块语义融合向量进行融合，得到第二文本块语义融合向量，将所述第二文本块语义融合向量加载到所述第三滑动平均层，在所述第三滑动平均层中对所述第二文本块语义融合向量进行滑动平均操作，得到语义滑动平均向量。
7.如权利要求2所述的方法，其特征在于，所述依据所述事件判别输出结果，确定所述待解析数字服务项目会话文本中目标容灾会话事件的事件主题，包括：
获取所述事件判别输出结果中的判别输出知识，获取所述判别输出知识对应的容灾会话事件置信度；所述容灾会话事件置信度反映所述判别输出知识所属AI判别窗口中存在所述目标容灾会话事件的可能性；所述AI判别窗口用于推测所述目标容灾会话事件在所述待解析数字服务项目会话文本中的分布；
获取所述判别输出知识对应的主题判别可能性；
如果所述容灾会话事件置信度大于设定可能性，则在所述主题判别可能性中，获取最大主题判别可能性，将所述最大主题判别可能性对应的主题确定为所述判别输出知识所匹配的事件主题；
将所述判别输出知识所匹配的事件主题确定为所述判别输出知识所属AI判别窗口的事件主题。
8.如权利要求2所述的方法，其特征在于，所述依据所述分布解析输出结果，确定所述目标容灾会话事件的分布特征，包括：
获取所述分布解析输出结果中的分布解析知识，获取所述分布解析知识对应的分布推测数组；
在所述X个会话文本块中，获取所述分布解析知识对应的会话文本簇；所述分布解析知识是通过所述会话文本簇滑动平均得到的，所述会话文本簇的规模是由所述X个目标文本块语义向量对应的池化因子所确定的；
获取处于所述会话文本簇的基准分布信息；
依据所述分布推测数组以及所述基准分布信息，确定所述目标容灾会话事件的分布特征;
其中，所述分布推测数组包括分布误差、AI判别窗口的第一边界约束值以及AI判别窗口的第二边界约束值；所述AI判别窗口用于推测所述目标容灾会话事件在所述待解析数字服务项目会话文本中的分布；所述依据所述分布推测数组以及所述基准分布信息，确定所述目标容灾会话事件的分布特征，包括：
依据所述分布误差与所述基准分布信息，确定所述AI判别窗口对应的关键分布特征；
依据所述关键分布特征、所述AI判别窗口的第一边界约束值以及所述AI判别窗口的第二边界约束值，确定所述AI判别窗口在所述待解析数字服务项目会话文本中的分布特征，将所述AI判别窗口在所述待解析数字服务项目会话文本中的分布特征，确定为所述目标容灾会话事件的分布特征。
9.一种用于实现应对数字化服务项目的用户会话信息解析方法的软件产品，其特征在于，包括计算机程序/指令，其中，当所述计算机程序/指令被执行时，实现执行如权利要求1-8中一个或多个所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时如权利要求1-8中一个或多个所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310372245.6A CN116362261A (zh) | 2023-04-10 | 2023-04-10 | 应对数字化服务项目的用户会话信息解析方法及软件产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310372245.6A CN116362261A (zh) | 2023-04-10 | 2023-04-10 | 应对数字化服务项目的用户会话信息解析方法及软件产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116362261A true CN116362261A (zh) | 2023-06-30 |
Family
ID=86937064
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310372245.6A Withdrawn CN116362261A (zh) | 2023-04-10 | 2023-04-10 | 应对数字化服务项目的用户会话信息解析方法及软件产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116362261A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116611799A (zh) * | 2023-07-22 | 2023-08-18 | 太仓市律点信息技术有限公司 | 基于云办公的数据处理方法、ai云办公服务器及介质 |
| CN116992861A (zh) * | 2023-09-25 | 2023-11-03 | 四川健康久远科技有限公司 | 基于数据处理的医疗服务智慧处理方法及系统 |
| CN117149996A (zh) * | 2023-09-19 | 2023-12-01 | 武汉腾翔越科技有限公司 | 面向人工智能应用的人机界面数字会话挖掘方法及ai系统 |
| CN117149988A (zh) * | 2023-11-01 | 2023-12-01 | 广州市威士丹利智能科技有限公司 | 基于教育数字化的数据管理处理方法及系统 |
-
2023
- 2023-04-10 CN CN202310372245.6A patent/CN116362261A/zh not_active Withdrawn
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116611799A (zh) * | 2023-07-22 | 2023-08-18 | 太仓市律点信息技术有限公司 | 基于云办公的数据处理方法、ai云办公服务器及介质 |
| CN116611799B (zh) * | 2023-07-22 | 2023-09-26 | 太仓市律点信息技术有限公司 | 基于云办公的数据处理方法、ai云办公服务器及介质 |
| CN117149996A (zh) * | 2023-09-19 | 2023-12-01 | 武汉腾翔越科技有限公司 | 面向人工智能应用的人机界面数字会话挖掘方法及ai系统 |
| CN117149996B (zh) * | 2023-09-19 | 2024-08-23 | 雄驹数字科技(浙江)有限公司 | 面向人工智能应用的人机界面数字会话挖掘方法及ai系统 |
| CN116992861A (zh) * | 2023-09-25 | 2023-11-03 | 四川健康久远科技有限公司 | 基于数据处理的医疗服务智慧处理方法及系统 |
| CN116992861B (zh) * | 2023-09-25 | 2023-12-08 | 四川健康久远科技有限公司 | 基于数据处理的医疗服务智慧处理方法及系统 |
| CN117149988A (zh) * | 2023-11-01 | 2023-12-01 | 广州市威士丹利智能科技有限公司 | 基于教育数字化的数据管理处理方法及系统 |
| CN117149988B (zh) * | 2023-11-01 | 2024-02-27 | 广州市威士丹利智能科技有限公司 | 基于教育数字化的数据管理处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116362261A (zh) | 应对数字化服务项目的用户会话信息解析方法及软件产品 | |
| CN112800247A (zh) | 基于知识图谱共享的语义编/解码方法、设备和通信系统 | |
| CN112199411B (zh) | 应用于云计算通信架构的大数据分析方法及人工智能平台 | |
| CN113761219A (zh) | 基于知识图谱的检索方法、装置、电子设备及存储介质 | |
| CN116414948A (zh) | 基于云数据和人工智能的异常数据挖掘方法及软件产品 | |
| CN112801103A (zh) | 文本方向识别及文本方向识别模型训练方法、装置 | |
| CN115455429A (zh) | 基于大数据的漏洞分析方法及系统 | |
| CN110096605B (zh) | 图像处理方法及装置、电子设备、存储介质 | |
| CN114647790A (zh) | 应用于行为意图分析的大数据挖掘方法及云端ai服务系统 | |
| CN115203534A (zh) | 应用于数字化空间的活动偏好分析方法及系统 | |
| CN113919360A (zh) | 语义理解方法、语音交互方法、装置、设备及存储介质 | |
| CN117149996B (zh) | 面向人工智能应用的人机界面数字会话挖掘方法及ai系统 | |
| CN114596062A (zh) | 应用于大数据的数字化智慧业务处理方法及系统 | |
| CN116629338A (zh) | 一种模型数据的处理方法、相关装置、设备以及存储介质 | |
| CN114896502B (zh) | 应用ai和大数据分析的用户需求决策方法及互联网系统 | |
| CN115827944A (zh) | 基于互联网平台系统优化的大数据分析方法及服务器 | |
| CN115935358A (zh) | 一种恶意软件识别方法、装置、电子设备及存储介质 | |
| CN113468306B (zh) | 语音对话方法、装置、电子设备及存储介质 | |
| CN112948251B (zh) | 软件自动测试方法及装置 | |
| CN115345600A (zh) | 一种rpa流程的生成方法和装置 | |
| CN114579634A (zh) | 结合人工智能和大数据的信息挖掘方法及系统 | |
| CN114691645A (zh) | 基于数字化智能的大数据需求分析方法及服务器 | |
| CN115454473A (zh) | 基于深度学习漏洞决策的数据处理方法及信息安全系统 | |
| CN115423565B (zh) | 应用于云端互联网交互流程的大数据分析方法及ai系统 | |
| CN116955572B (zh) | 基于人工智能的在线服务反馈交互方法及大数据系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230630 |