CN116501850A - 面向ai专家系统的数据库智能优化决策方法及服务器 - Google Patents

面向ai专家系统的数据库智能优化决策方法及服务器 Download PDF

Info

Publication number
CN116501850A
CN116501850A CN202310500589.0A CN202310500589A CN116501850A CN 116501850 A CN116501850 A CN 116501850A CN 202310500589 A CN202310500589 A CN 202310500589A CN 116501850 A CN116501850 A CN 116501850A
Authority
CN
China
Prior art keywords
question
algorithm
answer
optimization decision
online
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Withdrawn
Application number
CN202310500589.0A
Other languages
English (en)
Inventor
张蕾
孙梦凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heilongjiang Bowang Sishuo Technology Co ltd
Original Assignee
Heilongjiang Bowang Sishuo Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Heilongjiang Bowang Sishuo Technology Co ltd filed Critical Heilongjiang Bowang Sishuo Technology Co ltd
Priority to CN202310500589.0A priority Critical patent/CN116501850A/zh
Publication of CN116501850A publication Critical patent/CN116501850A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及人工智能、数据库技术领域，提供一种面向AI专家系统的数据库智能优化决策方法及服务器，在对AI chat提问应答文本进行数据库优化决策分析时，通过聚焦每一Online问答执行项目对应的问答时段特征，以及结合整体AI chat提问应答文本不同Online问答执行项目的问答时段联系特征和/或问答兴趣联系特征等联系特征，使得对每一Online问答执行项目的多级存储目录的判别尽可能准确合理，可以适应性地提高数据库优化决策分析信息的合理性和匹配性，这样可以基于多级存储目录实现高质量的数据库智能优化，便于后续在进行查询和调用时提高效率。

Description

面向AI专家系统的数据库智能优化决策方法及服务器
技术领域
本申请涉及人工智能、数据库技术领域，尤其涉及一种面向AI专家系统的数据库智能优化决策方法及服务器。
背景技术
人工智能（Artificial Intelligence，AI）是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大。
以专家系统为例，专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，它能够应用人工智能技术和计算机技术，根据系统中的知识与经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题，简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。
数据库（database）是按照数据结构来组织、存储和管理数据的仓库，是一个长期存储在计算机内的、有组织的、可共享的、统一管理的大量数据的集合。在人工智能的赋能下，数据库也逐渐开始智能化转型。而如何高质量地对数据库进行智能优化是现目前需要进一步改善的技术问题。
发明内容
本申请提供一种面向AI专家系统的数据库智能优化决策方法及服务器，为实现上述技术目的，本申请采用如下技术方案。
第一方面是一种面向AI专家系统的数据库智能优化决策方法，应用于AI智能优化决策服务器，所述方法包括：通过智能优化决策算法对触发数据库智能优化条件的AI chat提问应答文本进行问答互动表征知识提炼处理，确定出第一Online问答互动表征知识关系网，所述第一Online问答互动表征知识关系网包含所述AI chat提问应答文本中每一Online问答执行项目的问答互动表征知识；对所述第一Online问答互动表征知识关系网进行问答互动表征知识优化，确定出多个第二Online问答互动表征知识关系网，所述多个第二Online问答互动表征知识关系网中不同第二Online问答互动表征知识关系网的关系网尺寸相异，所述第二Online问答互动表征知识关系网的关系网尺寸小于所述第一Online问答互动表征知识关系网；结合所述第一Online问答互动表征知识关系网与所述多个第二Online问答互动表征知识关系网对所述AI chat提问应答文本进行数据库优化决策分析，确定出所述AI chat提问应答文本的数据库优化决策分析信息，所述数据库优化决策分析信息包含所述AI chat提问应答文本中每一Online问答执行项目的多级存储目录。
在一些可选的实施例中，对所述第一Online问答互动表征知识关系网进行问答互动表征知识优化，确定出多个第二Online问答互动表征知识关系网，包括：通过所述智能优化决策算法中的第一问答互动表征知识编码组件，分别以多个关系网尺寸相异的问答互动表征知识编码节点分别对所述第一Online问答互动表征知识关系网进行处理，确定出多个第二Online问答互动表征知识关系网；
结合所述第一Online问答互动表征知识关系网与所述多个第二Online问答互动表征知识关系网对所述AI chat提问应答文本进行数据库优化决策分析之前，还包括：通过所述智能优化决策算法中的问答互动表征知识扩展组件分别对所述多个第二Online问答互动表征知识关系网进行关系网扩展，以将每一所述第二Online问答互动表征知识关系网分别更新为所述第一Online问答互动表征知识关系网的关系网尺寸；
其中，所述多个第二Online问答互动表征知识关系网中各第二Online问答互动表征知识关系网的关系网尺寸符合设定量化状态。
在一些可选的实施例中，所述结合所述第一Online问答互动表征知识关系网与所述多个第二Online问答互动表征知识关系网对所述AI chat提问应答文本进行数据库优化决策分析之前，还包括：
通过所述智能优化决策算法中的问答互动表征知识提炼核对所述第二Online问答互动表征知识关系网进行关系网重构。
在一些可选的实施例中，所述结合所述第一Online问答互动表征知识关系网与所述多个第二Online问答互动表征知识关系网对所述AI chat提问应答文本进行数据库优化决策分析包括：
通过所述智能优化决策算法中的问答互动表征知识聚合组件，将完成扩展的各第二Online问答互动表征知识关系网与所述第一Online问答互动表征知识关系网进行问答互动表征知识聚合操作，确定出第三Online问答互动表征知识关系网；
通过所述智能优化决策算法中的多级存储目录判别组件，通过所述第三Online问答互动表征知识关系网，判别出所述AI chat提问应答文本中每一Online问答执行项目的多级存储目录，确定出所述AI chat提问应答文本的数据库优化决策分析信息；
其中，还包括：通过作为算法调试参考的历史AI chat提问应答文本，基于逆向算法调试规则对通用状态下的智能优化决策算法进行算法调试，确定出所述智能优化决策算法。
在一些可选的实施例中，所述通过作为算法调试参考的历史AI chat提问应答文本，基于逆向算法调试规则对智能优化决策算法进行算法调试包括：
在第一算法调试周期下，通过智能优化决策算法对作为算法调试参考的历史AIchat提问应答文本进行数据库优化决策分析推演，确定出所述智能优化决策算法的隐含算法组件生成的第一数据库优化决策分析推演信息以及后序算法组件生成的第二数据库优化决策分析推演信息；
确定所述第一数据库优化决策分析推演信息和所述作为算法调试参考的历史AIchat提问应答文本的数据库优化决策分析真值之间的第一区分度量数据、以及所述第二数据库优化决策分析推演信息和所述作为算法调试参考的历史AI chat提问应答文本的数据库优化决策分析真值之间的第二区分度量数据；
在第二算法调试周期下，结合所述第一区分度量数据改进第一算法组件的组件参量、并结合所述第一区分度量数据和所述第二区分度量数据改进第二算法组件的组件参量；
其中：所述第二算法组件包含所述智能优化决策算法中处于所述隐含算法组件和所述后序算法组件之间的至少一个算法组件，所述第一算法组件包含所述智能优化决策算法中至少一个除了所述第二算法组件之外的剩余算法组件。
在一些可选的实施例中，所述隐含算法组件包含所述智能优化决策算法中的多个算法组件；不同的隐含算法组件进行组件参量改进的算法组件存在差异；
其中，所述智能优化决策算法的算法组件数目为Q，所述隐含算法组件为所述智能优化决策算法中在第一算法调试周期状态下的第W个；其中，Q>2且Q为整数，2<W<Q且W为整数；其中，W>Q/2。
在一些可选的实施例中，结合所述第一区分度量数据和所述第二区分度量数据改进各第二算法组件的组件参量，包括：为所述第一区分度量数据和所述第二区分度量数据确定不同的贡献决策值；结合所述第一区分度量数据及其贡献决策值、所述第二区分度量数据及其贡献决策值改进所述第二算法组件的组件参量；
其中，所述第一区分度量数据的贡献决策值小于所述第二区分度量数据的贡献决策值。
在一些可选的实施例中，所述隐含算法组件包括候选多级存储目录判别组件；所述第一数据库优化决策分析推演信息包含所述候选多级存储目录判别组件生成的对所述作为算法调试参考的历史AI chat提问应答文本中每一Online问答执行项目的数据库优化决策分析推演信息；
其中，所述方法还包括：对所述智能优化决策算法算法调试完成后，删除所述候选多级存储目录判别组件。
在一些可选的实施例中，确定所述第一数据库优化决策分析推演信息和所述作为算法调试参考的历史AI chat提问应答文本的数据库优化决策分析真值之间的第一区分度量数据，包括：通过第一优化决策误差处理组件确定所述第一数据库优化决策分析推演信息和所述数据库优化决策分析真值中对所述作为算法调试参考的历史AI chat提问应答文本中每一Online问答执行项目的数据库优化决策分析推演信息之间的区分度量数据，作为所述第一区分度量数据；对所述智能优化决策算法算法调试完成后，删除所述第一优化决策误差处理组件；
其中，所述第二数据库优化决策分析推演信息包含所述后序算法组件生成的对所述作为算法调试参考的历史AI chat提问应答文本中每一Online问答执行项目的数据库优化决策分析推演信息；
其中，确定所述第二数据库优化决策分析推演信息和所述作为算法调试参考的历史AI chat提问应答文本的数据库优化决策分析真值之间的第二区分度量数据包括：通过第二优化决策误差处理组件确定第二数据库优化决策分析推演信息和所述数据库优化决策分析真值中对所述作为算法调试参考的历史AI chat提问应答文本中每一Online问答执行项目的数据库优化决策分析推演信息之间的区分度量数据，作为所述第二区分度量数据；
其中，所述方法还包括：对所述智能优化决策算法算法调试完成后，删除所述第二优化决策误差处理组件；
其中，所述第一优化决策误差处理组件包括：第一算法优劣输出指标、第二算法优劣输出指标或者第三算法优劣输出指标；所述第二优化决策误差处理组件包括：第一算法优劣输出指标、第二算法优劣输出指标或者第三算法优劣输出指标。
第二方面是一种AI智能优化决策服务器，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智能优化决策服务器执行第一方面的方法。
根据本申请的一个实施例，对触发数据库智能优化条件的AI chat提问应答文本进行问答互动表征知识提炼处理，确定出包括该AI chat提问应答文本中每一Online问答执行项目的问答互动表征知识第一Online问答互动表征知识关系网，对该第一Online问答互动表征知识关系网进行问答互动表征知识优化，确定出至少一个关系网尺寸小于第一Online问答互动表征知识关系网的第二Online问答互动表征知识关系网，结合第一Online问答互动表征知识关系网与所述至少一个第二Online问答互动表征知识关系网，对AIchat提问应答文本进行数据库优化决策分析，确定出AI chat提问应答文本的数据库优化决策分析信息。
基于本申请实施例可知，数据库优化决策分析过程中每个Online问答执行项目具有显著的前后特征联系，本申请实施例在对AI chat提问应答文本进行数据库优化决策分析的过程中，由于第一Online问答互动表征知识关系网包括了AI chat提问应答文本中每一Online问答执行项目的问答互动表征知识，第二Online问答互动表征知识关系网由对第一Online问答互动表征知识关系网进行问答互动表征知识优化确定出且小于第一Online问答互动表征知识关系网，则第二Online问答互动表征知识关系网中每个Online问答互动表征知识对应的表征知识承载量大于第一Online问答互动表征知识关系网中每个Online问答互动表征知识对应的表征知识承载量，这样一来，第二Online问答互动表征知识关系网中的各Online问答互动表征知识反映了AI chat提问应答文本中对应文本区域中每一Online问答执行项目的联系特征（如问答时段联系特征和/或问答兴趣联系特征等）。这样一来，在对AI chat提问应答文本进行数据库优化决策分析时，不仅聚焦了每一Online问答执行项目对应的问答时段特征，还结合了整体AI chat提问应答文本不同Online问答执行项目的问答时段联系特征和/或问答兴趣联系特征等联系特征，使得对每一Online问答执行项目的多级存储目录的判别尽可能准确合理，相较于传统的仅基于当前Online问答执行项目的文本信息进行多级存储目录判别的技术，可以适应性地提高数据库优化决策分析信息的合理性和匹配性。
附图说明
图1为本申请实施例提供的一种面向AI专家系统的数据库智能优化决策方法的流程示意图。
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示出了本申请实施例提供的一种面向AI专家系统的数据库智能优化决策方法的流程示意图，面向AI专家系统的数据库智能优化决策方法可以通过AI智能优化决策服务器实现，AI智能优化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智能优化决策服务器执行如下步骤所描述的技术方案。
STEP102，通过智能优化决策算法对触发数据库智能优化条件的AI chat提问应答文本进行问答互动表征知识提炼处理，提炼出待进行数据库优化决策分析的AI chat提问应答文本中每一Online问答执行项目的问答互动表征知识，确定出第一Online问答互动表征知识关系网。
对于本申请实施例而言，智能优化决策算法可以是蒙特卡洛神经网络（MonteCarlo）。触发数据库智能优化条件可以理解为符合分析条件或者标准。AI chat提问应答文本可以理解为智能问答互动过程中所产生的一系列文本大数据。比如：可以涉及数字孪生，进一步的可以理解为数字用户设备和AI问答服务器就元宇宙技术细节的相关问答文本。又比如：可以涉及远程教育，可以理解为数字用户设备和AI问答服务器就学术讨论而言的相关问答文本。进一步的，问答互动表征知识提炼处理比如可以理解为现有的滑动平均处理、特征提取处理等。该第一Online问答互动表征知识关系网包括AI chat提问应答文本中每一Online问答执行项目的问答互动表征知识；进一步的，Online问答执行项目可以理解为AI chat提问应答文本中的在线问答事项，比如：元宇宙服务推送的相关问答事项、远程医疗会诊的相关问答事项等。第一Online问答互动表征知识关系网可以通过知识图谱或者特征图的形式进行记录，相应的，Online问答互动表征知识用于反映AI chat提问应答文本的文本特征或者文本语义。
STEP104，对第一Online问答互动表征知识关系网进行问答互动表征知识优化，确定出至少一个第二Online问答互动表征知识关系网。
对于本申请实施例而言，每个第二Online问答互动表征知识关系网包括多个问答互动表征知识，由于第二Online问答互动表征知识关系网中的每个Online问答互动表征知识由对第一Online问答互动表征知识关系网进行问答互动表征知识优化确定出、且第二Online问答互动表征知识关系网小于第一Online问答互动表征知识关系网，则第二Online问答互动表征知识关系网中每个Online问答互动表征知识对应的表征知识承载量大于第一Online问答互动表征知识关系网中每个Online问答互动表征知识对应的表征知识承载量（比如可以理解为信息量或者涉及范围），第二Online问答互动表征知识关系网中的各Online问答互动表征知识反映了AI chat提问应答文本对应文本区域中每一Online问答执行项目的联系特征（比如：问答时段联系特征和/或问答兴趣联系特征等），这样一来，基于第二Online问答互动表征知识关系网可以获知每个Online问答互动表征知识对应的表征知识承载量的问答时段联系特征和问答兴趣联系特征等联系特征。示例性的，问答互动表征知识优化比如可以是pool处理、特征精简处理等。进一步地，联系特征可以理解为前后关联信息或者上下文数据。
STEP106，结合第一Online问答互动表征知识关系网与所述至少一个第二Online问答互动表征知识关系网，对AI chat提问应答文本进行数据库优化决策分析，确定出该AIchat提问应答文本的数据库优化决策分析信息。
对于本申请实施例而言，该数据库优化决策分析信息中包括AI chat提问应答文本中每一Online问答执行项目的多级存储目录（比如Online问答执行项目可以包括4级目录：元宇宙--数字空间--虚拟商城--应用软件）。进一步，数据库优化决策分析信息可以理解为对AI chat提问应答文本进行Online问答执行项目的数据库优化决策分析/多级存储目录判别后所得到的结果，这样一来，可以基于多级存储目录对目标数据库进行存储结构的优化，比如可以依据多级存储目录将目标数据库中存储的AI chat提问应答文本进行重新归纳整理，便于后续在进行查询和调用时提高效率。
基于本申请实施例可知，数据库优化决策分析过程中每个Online问答执行项目具有显著的前后特征联系，本申请实施例在对AI chat提问应答文本进行数据库优化决策分析的过程中，由于第一Online问答互动表征知识关系网包括了AI chat提问应答文本中每一Online问答执行项目的问答互动表征知识，第二Online问答互动表征知识关系网由对第一Online问答互动表征知识关系网进行问答互动表征知识优化确定出且其关系网尺寸（维度/尺寸）小于第一Online问答互动表征知识关系网，则第二Online问答互动表征知识关系网中每个Online问答互动表征知识对应的表征知识承载量大于第一Online问答互动表征知识关系网中每个Online问答互动表征知识对应的表征知识承载量，这样一来，第二Online问答互动表征知识关系网中的各Online问答互动表征知识反映了AI chat提问应答文本中对应文本区域中每一Online问答执行项目的联系特征（如问答时段联系特征和/或问答兴趣联系特征等）。这样一来，在对AI chat提问应答文本进行数据库优化决策分析时，一方面聚焦了每一Online问答执行项目对应的问答时段特征，另一方面还结合了整体AIchat提问应答文本不同Online问答执行项目的问答时段联系特征和/或问答兴趣联系特征等联系特征，使得对每一Online问答执行项目的多级存储目录的判别尽可能准确合理，相较于传统的仅基于当前Online问答执行项目的文本信息进行多级存储目录判别的技术，可以适应性地提高数据库优化决策分析信息的合理性和匹配性。可以基于多级存储目录对目标数据库进行存储结构的优化，比如可以依据多级存储目录将目标数据库中存储的AIchat提问应答文本进行重新归纳整理，便于后续在进行查询和调用时提高效率。
在一些示例下，STEP104中确定出的第二Online问答互动表征知识关系网可以是一个，也可以包括多个，第二Online问答互动表征知识关系网有多个时，多个第二Online问答互动表征知识关系网中不同第二Online问答互动表征知识关系网的关系网尺寸相异。多个第二Online问答互动表征知识关系网中各第二Online问答互动表征知识关系网的关系网尺寸可以符合设定量化状态（比如：逐一递增状态），从而形成视觉输出模式），进而，该视觉输出模式的第二Online问答互动表征知识关系网包括了所有AI chat提问应答文本中每一Online问答执行项目在关系网尺寸按序改变的不同维度的细节，结合第一Online问答互动表征知识关系网与该视觉输出模式的第二Online问答互动表征知识关系网，同时基于AIchat提问应答文本中每一Online问答执行项目的问答互动表征知识及每一Online问答执行项目在不同维度的细节，对AI chat提问应答文本进行数据库优化决策分析，使得对每一Online问答执行项目的多级存储目录的判别尽可能准确合理。
示例性的，第二Online问答互动表征知识关系网有多个时，STEP104可以通过以下思路实现：通过智能优化决策算法中的第一问答互动表征知识编码组件，分别以多个关系网尺寸相异的问答互动表征知识编码节点，比如：分别以不同尺寸的问答互动表征知识编码节点，对第一Online问答互动表征知识关系网进行处理（比如：特征精简处理），生成多个第二Online问答互动表征知识关系网，每个第二Online问答互动表征知识关系网包括多个问答互动表征知识，每个Online问答互动表征知识用于反映AI chat提问应答文本中对应的文本区域的不同Online问答执行项目的联系特征（比如：问答时段联系特征和/或问答兴趣联系特征等）。
此外，第二Online问答互动表征知识关系网是一个时，STEP104也可以通过相应的思路实现：通过智能优化决策算法中的第一问答互动表征知识编码组件，以设定的问答互动表征知识编码节点关系网尺寸对第一Online问答互动表征知识关系网进行处理，生成一个第二Online问答互动表征知识关系网，该第二Online问答互动表征知识关系网包括多个问答互动表征知识，每个Online问答互动表征知识用于表达AI chat提问应答文本中对应文本区域中Online问答执行项目的问答时段联系特征和问答兴趣联系特征等。
在一些可选的示例中，面向AI专家系统的数据库智能优化决策方法示例性的还可以通过如下内容实现。
STEP202，通过智能优化决策算法中的问答互动表征知识提炼核对触发数据库智能优化条件的AI chat提问应答文本进行问答互动表征知识提炼处理，挖掘待处理AI chat提问应答文本的问答互动表征知识，确定出第一Online问答互动表征知识关系网，其中包括AI chat提问应答文本中每一Online问答执行项目的问答互动表征知识。
示例性的，问答互动表征知识提炼核可以理解为智能优化决策算法中的知识特征挖掘层或者滑动平均算子等。
STEP204，通过智能优化决策算法中的第一问答互动表征知识编码组件，分别以多个关系网尺寸相异的问答互动表征知识编码节点，示例性的，多个关系网尺寸相异（多个大小不同）的问答互动表征知识编码节点可以是分别以不同尺寸的问答互动表征知识编码节点，对第一Online问答互动表征知识关系网进行处理（例如下采样），确定出多个关系网尺寸相异的第二Online问答互动表征知识关系网。
对于本申请实施例而言，第二Online问答互动表征知识关系网包括多个问答互动表征知识，以每个问答互动表征知识编码节点处理一轮确定出一个问答互动表征知识，每个Online问答互动表征知识分别表达AI chat提问应答文本对应文本区域中每一Online问答执行项目的联系特征（比如：问答时段联系特征和/或问答兴趣联系特征等）。这样一来，结合第二Online问答互动表征知识关系网可以获取每个Online问答互动表征知识对应的表征知识承载量的问答时段联系特征和/或问答兴趣联系特征等联系特征。
进一步的，多个第二Online问答互动表征知识关系网中结合关系网尺寸按序进行整理时，可以形成视觉输出模式，这样一来，该视觉输出模式的第二Online问答互动表征知识关系网包括了所有AI chat提问应答文本中每一Online问答执行项目在关系网尺寸按序改变的不同维度的细节，结合第一Online问答互动表征知识关系网与该视觉输出模式的第二Online问答互动表征知识关系网，同时基于AI chat提问应答文本中每一Online问答执行项目的问答互动表征知识及每一Online问答执行项目在不同维度的细节，对AI chat提问应答文本进行数据库优化决策分析，使得对每一Online问答执行项目的多级存储目录的判别尽可能准确合理。示例性的，问答互动表征知识编码组件可以是智能优化决策算法中的pool layer。进一步，问答互动表征知识编码节点可以是pool layer中的pool window/pool unit。
STEP206，通过智能优化决策算法中的问答互动表征知识扩展组件分别对所述多个第二Online问答互动表征知识关系网进行关系网扩展，将第二Online问答互动表征知识关系网更新为第一Online问答互动表征知识关系网的关系网尺寸，以便确定第二Online问答互动表征知识关系网与第一Online问答互动表征知识关系网在AI chat提问应答文本每一Online问答执行项目定位标识下的投影结果。
对于本申请实施例而言，问答互动表征知识扩展组件可以理解为智能优化决策算法中的特征上采样网络。
STEP208，通过智能优化决策算法中的问答互动表征知识聚合组件，将完成扩展的多个第二Online问答互动表征知识关系网与第一Online问答互动表征知识关系网，进行问答互动表征知识聚合操作，确定出第三Online问答互动表征知识关系网。
对于本申请实施例而言，问答互动表征知识聚合组件可以理解为智能优化决策算法中的特征聚合/拼接网络。
如此一来，第三Online问答互动表征知识关系网包括了AI chat提问应答文本中各初始Online问答执行项目的问答互动表征知识和一系列对应表征知识承载量中每一Online问答执行项目的问答互动表征知识。
STEP210，通过智能优化决策算法中的多级存储目录判别组件，通过第三Online问答互动表征知识关系网，判别出AI chat提问应答文本中每一Online问答执行项目的多级存储目录，确定出AI chat提问应答文本的数据库优化决策分析信息。
其中的数据库优化决策分析信息中包括AI chat提问应答文本中每一Online问答执行项目的多级存储目录。示例性的，多级存储目录判别组件可以理解为智能优化决策算法中的蒙特卡洛执行层（用于进行多级分类处理）。
在本申请实施例中，基于AI chat提问应答文本的第一Online问答互动表征知识关系网和以视觉输出模式部署的多个第二Online问答互动表征知识关系网生成的第三Online问答互动表征知识关系网进行数据库优化决策分析，每个Online问答执行项目的多级存储目录信息的判别不仅基于当前Online问答执行项目的文本信息，还基于AI chat提问应答文本中每一Online问答执行项目在不同维度的细节，使得对每一Online问答执行项目的多级存储目录的判别尽可能准确合理，相较于传统的仅基于当前Online问答执行项目的文本信息进行多级存储目录判别的技术，可以适应性地提高数据库优化决策分析信息的合理性和匹配性。
另，在本申请所述各实施例的面向AI专家系统的数据库智能优化决策方法中，生成第二Online问答互动表征知识关系网之后，还可以通过智能优化决策算法中的问答互动表征知识提炼核对各第二Online问答互动表征知识关系网进行问答互动表征知识精炼处理。对应的，在后续处理过程中，示例性地结合第一Online问答互动表征知识关系网与所述至少一个完成问答互动表征知识精炼处理后的第二Online问答互动表征知识关系网，对AIchat提问应答文本进行数据库优化决策分析。
对于本申请实施例而言，问答互动表征知识精炼处理可以理解为基于一个小关系网尺寸的问答互动表征知识来表示大关系网尺寸（通过更加精炼的知识来反映更多的细节内容）。在一些示例下，本申请实施例可以通过比如问答互动表征知识选择和问答互动表征知识提取的思路进行问答互动表征知识精炼处理。其中，第二Online问答互动表征知识关系网包括的问答互动表征知识作为大关系网尺寸的问答互动表征知识，则通过问答互动表征知识选择的思路进行问答互动表征知识精炼处理时，从第二Online问答互动表征知识关系网包括的大关系网尺寸的问答互动表征知识中选择其中的一个局部知识数组来作为当前的问答互动表征知识。通过问答互动表征知识提取的思路进行问答互动表征知识精炼处理时，将第二Online问答互动表征知识关系网包括的大关系网尺寸的问答互动表征知识通过设定的规则变换至小关系网尺寸作为当前的问答互动表征知识。
确定出第二Online问答互动表征知识关系网后，如果第二Online问答互动表征知识关系网的问答互动表征知识关系网尺寸较高，大概率会造成问答互动表征知识关联时的复杂性，同时会增加服务器开销，本申请实施例在将第一Online问答互动表征知识关系网与第二Online问答互动表征知识关系网进行问答互动表征知识聚合操作之前先对第二Online问答互动表征知识关系网进行问答互动表征知识精炼处理，这样能够减少问答互动表征知识关联时的复杂性，同时会减少服务器开销；并且能够抑制第二Online问答互动表征知识关系网中问答互动表征知识（AI chat提问应答文本的整体性问答互动表征知识）的关系网尺寸太大的导致第一Online问答互动表征知识关系网中的问答互动表征知识（每一Online问答执行项目对应的问答互动表征知识）在智能优化决策算法调校第二算法调试周期下对组件参量改进的负面影响，有效保障在智能优化决策算法调校第二算法调试周期下，第一Online问答互动表征知识关系网中的问答互动表征知识对组件参量改进的干扰。
在本申请上述实施例的面向AI专家系统的数据库智能优化决策方法之前，还可以基于作为算法调试参考的历史AI chat提问应答文本，基于逆向算法调试规则，对通用状态下的智能优化决策算法进行算法调试，确定出本申请所述各实施例中使用的智能优化决策算法。
本申请各实施例中的作为算法调试参考的历史AI chat提问应答文本为携带技术人员根据实际情况标记的、作为正确的数据库优化决策分析信息的AI chat提问应答文本，其中，根据实际情况标记的数据库优化决策分析信息在本申请各实施例中理解为数据库优化决策分析真值，可作为标准依据，用于保障智能优化决策算法中相应算法组件生成的数据库优化决策分析推演信息的精度。其中，智能优化决策算法的算法组件数目为Q，Q>2且Q为整数，2<W<Q且W为整数，其中，W>Q/2。其中，Q的取值较大时，智能优化决策算法的目录判别质量较佳，可以理解为智能优化决策算法或智能优化决策算法，大概率，智能优化决策算法中的算法组件数目Q的取值相对较高。Q的取值较大，比如大于预设变量E时，智能优化决策算法即作为智能优化决策算法，其中，预设变量E的取值可以结合实际需求调整并且可以结合需要选取。
在一些可选的示例中，对通用智能优化决策算法（未训练的智能优化决策算法）进行算法调试可以包括如下内容。
SETP302，在第一算法调试周期下，通过智能优化决策算法对作为算法调试参考的历史AI chat提问应答文本进行数据库优化决策分析推演，确定出智能优化决策算法的隐含算法组件生成的第一数据库优化决策分析推演信息以及后序算法组件生成的第二数据库优化决策分析推演信息。
对于本申请实施例而言，作为算法调试参考的历史AI chat提问应答文本可以理解为样本AI chat提问应答文本。隐含算法组件可以理解为智能优化决策算法的中间子模型。后序算法组件可以理解为智能优化决策算法的末端子模型。
SETP304，确定第一数据库优化决策分析推演信息和作为算法调试参考的历史AIchat提问应答文本的数据库优化决策分析真值之间的第一区分度量数据（差异信息或者区别信息）、以及第二数据库优化决策分析推演信息和作为算法调试参考的历史AI chat提问应答文本的数据库优化决策分析真值之间的第二区分度量数据。
SETP306，在第二算法调试周期下，结合第一区分度量数据改进第一算法组件的组件参量、并结合第一区分度量数据和第二区分度量数据改进第二算法组件的组件参量。
对于本申请实施例而言，算法组件可以理解为网络层/模型层。组件参量可以理解为网络层的算法配置变量。其中，第二算法组件包括智能优化决策算法中处于该隐含算法组件和后序算法组件之间的至少一个算法组件，第一算法组件包括智能优化决策算法中至少一个除了第二算法组件之外的剩余算法组件。
其中，一个智能优化决策算法的算法调试过程大概率通常包括多次循环调试直到符合设定的调试完成要求。比如可以基于反馈调试的思路进行多次循环调试。
本申请实施例在智能优化决策算法过程中，考虑了智能优化决策算法的隐含算法组件生成的第一数据库优化决策分析推演信息和作为算法调试参考的历史AI chat提问应答文本的数据库优化决策分析真值之间的第一区分度量数据，同时基于该第一区分度量数据和后序算法组件生成的第二数据库优化决策分析推演信息与作为算法调试参考的历史AI chat提问应答文本的数据库优化决策分析真值之间的第二区分度量数据，协同改善智能优化决策算法中处于该隐含算法组件和后序算法组件之间的至少一个算法组件的组件参量，基于所述第一区分度量数据来调整智能优化决策算法中至少一个除了所述第二算法组件之外的剩余算法组件组件参量，因此该隐含算法组件及其之前的各算法组件可以被聚焦，使得智能优化决策算法改进尽可能综合完整，能够确定出更高质量的智能优化决策算法的算法配置变量。
基于本申请实施例可知，如果W值较小，则智能优化决策算法中在该隐含算法组件前面的算法组件较少，由首个算法组件到该隐含算法组件形成的智能优化决策算法质量难以令人满意，判别效果差，通过第一区分度量数据对除所述第二算法组件之外的剩余算法组件进行调校的效果可能较差，进而影响了该第一区分度量数据的辅助调校质量。为改善上述问题，W的取值可以大于Q/2。比如，可以在智能优化决策算法中第一算法调试周期状态下的后1/2算法组件设置一个隐含算法组件。
本申请实施例的隐含算法组件可以设置在问答互动表征知识编码组件之后，用于对问答互动表征知识编码组件生成的Online问答互动表征知识关系网进行数据库优化决策分析推演。此外，还可以结合实际需求，只在智能优化决策算法中设置一个隐含算法组件，还可以结合进行算法调试的智能优化决策算法的算法组件数目Q，确定需要的隐含算法组件的数目R，其中，R的取值为大于0且小于Q的整数。其中，智能优化决策算法的算法组件数目Q越高，即算法调试越优质，隐含算法组件的个数越多。
在本申请神经算法调试方法实施例的一个实际示例中，在SETP306中，结合所述第一区分度量数据和所述第二区分度量数据改进第二算法组件的组件参量，可包括：为第一区分度量数据和第二区分度量数据分别为第一区分度量数据和第二区分度量数据确定不同的贡献决策值contribution parameter_1和贡献决策值contribution parameter_2；结合第一区分度量数据及其贡献决策值contribution parameter_1、第二区分度量数据及其贡献决策值contribution parameter_2调整所述第二算法组件的组件参量。
在一些示例下，可以设置第一区分度量数据的贡献决策值contributionparameter_1小于第二区分度量数据的贡献决策值contribution parameter_2，可以理解：贡献决策值contribution parameter_1与贡献决策值contribution parameter_2的差值大于0且小于1，以实现第二区分度量数据对智能优化决策算法改进的指示，由第一区分度量数据候选对智能优化决策算法进行改进，在确保智能优化决策算法的整体性改进效果。
示例性的，隐含算法组件示例性地可以是一个候选多级存储目录判别组件，所述第一数据库优化决策分析推演信息包括该候选多级存储目录判别组件生成的对作为算法调试参考的历史AI chat提问应答文本中每一Online问答执行项目的数据库优化决策分析推演信息。进一步地，可以在对智能优化决策算法的算法调试完成后，删除该候选多级存储目录判别组件，以优化算法架构。
示例性的，在SETP304中，确定第一数据库优化决策分析推演信息和作为算法调试参考的历史AI chat提问应答文本的数据库优化决策分析真值之间的第一区分度量数据时，示例性地可以通过第一优化决策误差处理组件确定第一数据库优化决策分析推演信息和数据库优化决策分析真值中对作为算法调试参考的历史AI chat提问应答文本中每一Online问答执行项目的数据库优化决策分析推演信息之间的区分度量数据，作为第一区分度量数据。其中，在对智能优化决策算法算法调试完成后，可以删除所述第一优化决策误差处理组件。
在一些优选的示例下，第二数据库优化决策分析推演信息具体包括后序算法组件生成的对作为算法调试参考的历史AI chat提问应答文本中每一Online问答执行项目的数据库优化决策分析推演信息。其中，推演信息可以理解为预测信息。
对应的，在SETP304中，确定第二数据库优化决策分析推演信息和作为算法调试参考的历史AI chat提问应答文本的数据库优化决策分析真值之间的第二区分度量数据时，示例性地可以通过第二优化决策误差处理组件确定第二数据库优化决策分析推演信息和数据库优化决策分析真值中对作为算法调试参考的历史AI chat提问应答文本中每一Online问答执行项目的数据库优化决策分析推演信息之间的区分度量数据，作为第二区分度量数据。同理，在对智能优化决策算法算法调试完成后，可以删除所述第二优化决策误差处理组件。
示例性的，所述第一优化决策误差处理组件、第二优化决策误差处理组件，比如示例性地可以是以下任意一种：第一算法优劣输出指标、第二算法优劣输出指标或者第三算法优劣输出指标，上述评价可以理解为代价函数，比如交叉熵损失、支持向量机损失、铰链损失等及其组合。
本申请实施例的AI智能优化决策服务器对AI chat提问应答文本进行数据库优化决策分析的过程中，由于第一Online问答互动表征知识关系网包括了AI chat提问应答文本中每一Online问答执行项目的问答互动表征知识，第二Online问答互动表征知识关系网由对第一Online问答互动表征知识关系网进行问答互动表征知识优化确定出且小于第一Online问答互动表征知识关系网，则第二Online问答互动表征知识关系网中每个Online问答互动表征知识对应的表征知识承载量大于第一Online问答互动表征知识关系网中每个Online问答互动表征知识对应的表征知识承载量。第二Online问答互动表征知识关系网中的各Online问答互动表征知识反映了AI chat提问应答文本中对应文本区域的联系特征（如问答时段联系特征和/或问答兴趣联系特征等）。在对AI chat提问应答文本进行数据库优化决策分析时，一方面聚焦了每一Online问答执行项目对应的问答时段特征，另一方面还结合了整体AI chat提问应答文本中不同文本区域的问答时段联系特征和/或问答兴趣联系特征等联系特征，使得对每一Online问答执行项目的多级存储目录的判别尽可能准确合理，相较于传统的仅基于当前Online问答执行项目的文本信息进行多级存储目录判别的技术，可以适应性地提高数据库优化决策分析信息的合理性和匹配性。
基于上述内容，在一些可当前的设计思路中，在确定出所述AI chat提问应答文本的数据库优化决策分析信息之后，该方法还可以包括如下内容：针对所述AI chat提问应答文本中每一Online问答执行项目而言，基于每一Online问答执行项目的多级存储目录，对每一Online问答执行项目进行关联存储分析，得到每一Online问答执行项目对应的关联存储分析结果；通过所述关联存储分析结果生成针对每一Online问答执行项目的关联存储策略。
示例性的，可以结合多级存储目录确定每一Online问答执行项目的近义存储目录关系网，从而通过近义存储目录关系网进行关联存储分析，由于关联存储分析结果包含了丰富的关联存储情况，因此生成的关联存储策略能够将尽可能多的关联存储形式考虑在内，以确保后续数据库优化存储的效率，尽可能减少数据库优化存储的纰漏。此外，关联存储策略可以包括相关的存储方式或者存储规则等。
基于上述内容，在一些可当前的设计思路中，基于每一Online问答执行项目的多级存储目录，对每一Online问答执行项目进行关联存储分析，得到每一Online问答执行项目对应的关联存储分析结果，可以包括如下内容：通过每一Online问答执行项目的多级存储目录确定每一Online问答执行项目的近义存储目录关系网；利用所述近义存储目录关系网对每一Online问答执行项目进行关联存储分析，得到每一Online问答执行项目对应的关联存储分析结果。
基于上述内容，在一些可当前的设计思路中，利用所述近义存储目录关系网对每一Online问答执行项目进行关联存储分析，得到每一Online问答执行项目对应的关联存储分析结果，包括：利用所述近义存储目录关系网确定对应Online问答执行项目的的目标问答对话需求记录；对所述目标问答对话需求记录中的多个问答对话需求变量分别进行咨询型意向判别和分享型意向判别，得到咨询型意向判别数据集和分享型意向判别数据集；通过第一调整指示，对所述咨询型意向判别数据集进行第一调整处理，得到携带了咨询型意向的第一问答对话需求描述网；通过第二调整指示，对所述分享型意向判别数据集进行第二调整处理，得到携带了分享型意向的第二问答对话需求描述网；基于所述第一问答对话需求描述网和所述第二问答对话需求描述网进行合并，得到所述目标问答对话需求记录中与目标意向相匹配的目标问答对话需求描述网；所述目标意向包括咨询型意向和分享型意向中的至少一种；通过所述目标问答对话需求描述网预测所述目标问答对话需求记录的关联存储分析结果。这样，通过考虑不同种类的问答对话意向，能够精准定位目标问答对话需求描述网，从而准确可靠地确定关联存储分析结果，以实现对相似Online问答执行项目的关联存储，便于之后进行适应性的大数据推送或者查询。
基于上述内容，在一些可当前的设计思路中，所述对所述目标问答对话需求记录中的多个问答对话需求变量分别进行咨询型意向判别和分享型意向判别，得到咨询型意向判别数据集和分享型意向判别数据集，包括：对所述目标问答对话需求记录中的多个问答对话需求变量分别进行咨询型意向判别，得到各个问答对话需求变量中的咨询型意向判别数据、以及各咨询型意向判别数据所对应的初始意向表征；基于各问答对话需求变量中的咨询型意向判别数据和对应的初始意向表征，确定咨询型意向判别数据集；对所述目标问答对话需求记录中的多个问答对话需求变量分别进行分享型意向判别，得到分享型意向判别数据集。这样，能够准确可靠地确定分享型意向判别数据集，以确保所得到的关联存储分析结果的质量。
基于上述内容，在一些可当前的设计思路中，所述对所述目标问答对话需求记录中的多个问答对话需求变量分别进行分享型意向判别，得到分享型意向判别数据集，包括：对所述目标问答对话需求变量中的多个问答对话需求变量分别进行阶段需求判别，得到各问答对话需求变量分别对应的阶段需求判别信息；对所述目标问答对话需求变量中的多个问答对话需求变量分别进行整体需求判别，得到各问答对话需求变量分别对应的整体需求判别信息；将对应于相同事项的阶段需求判别信息和整体需求判别信息进行配对；基于所述目标问答对话需求变量中与目标阶段需求判别信息相配对的整体需求判别信息进行分享型意向判别处理，得到分享型意向判别数据集。如此设计，能够准确可靠地确定分享型意向判别数据集，以确保所得到的关联存储分析结果的精度。
基于上述内容，在一些可当前的设计思路中，所述通过第一调整指示，对所述咨询型意向判别数据集进行第一调整处理，得到携带了咨询型意向的第一问答对话需求描述网，包括：对所述咨询型意向判别数据集中的每个问答对话需求变量分别进行意向表征采样，得到每个问答对话需求变量各自对应的当前意向表征；基于每个问答对话需求变量中与相应当前意向表征对应的咨询型意向判别数据的大小，分别进行判别数据优化处理，得到完成清洗的咨询型意向判别数据集；对所述完成清洗的咨询型意向判别数据集进行动态优化处理，得到多个携带了咨询型意向的第一待定问答对话需求描述网；根据各所述第一待定问答对话需求描述网分别所对应的咨询型，对指向于相同咨询型的第一待定问答对话需求描述网进行描述向量更新，得到携带了咨询型意向的第一问答对话需求描述网。如此设计，能够准确可靠地确定携带了咨询型意向的第一问答对话需求描述网，以确保所得到的关联存储分析结果的质量。
基于同样的发明构思，本申请实施例提供的一种面向AI专家系统的数据库智能优化决策装置的模块框图，面向AI专家系统的数据库智能优化决策装置可以包括：文本提炼模块，用于通过智能优化决策算法对触发数据库智能优化条件的AI chat提问应答文本进行问答互动表征知识提炼处理，提炼出待进行数据库优化决策分析的AI chat提问应答文本中每一Online问答执行项目的问答互动表征知识，确定出第一Online问答互动表征知识关系网；知识优化模块，用于对第一Online问答互动表征知识关系网进行问答互动表征知识优化，确定出至少一个第二Online问答互动表征知识关系网；决策分析模块，用于结合第一Online问答互动表征知识关系网与所述至少一个第二Online问答互动表征知识关系网，对AI chat提问应答文本进行数据库优化决策分析，确定出该AI chat提问应答文本的数据库优化决策分析信息。
可见，对触发数据库智能优化条件的AI chat提问应答文本进行问答互动表征知识提炼处理，确定出包括该AI chat提问应答文本中每一Online问答执行项目的问答互动表征知识第一Online问答互动表征知识关系网，对该第一Online问答互动表征知识关系网进行问答互动表征知识优化，确定出至少一个关系网尺寸小于第一Online问答互动表征知识关系网的第二Online问答互动表征知识关系网，结合第一Online问答互动表征知识关系网与所述至少一个第二Online问答互动表征知识关系网，对AI chat提问应答文本进行数据库优化决策分析，确定出AI chat提问应答文本的数据库优化决策分析信息。
基于本申请实施例可知，数据库优化决策分析过程中每个Online问答执行项目具有显著的前后特征联系，本申请实施例在对AI chat提问应答文本进行数据库优化决策分析的过程中，由于第一Online问答互动表征知识关系网包括了AI chat提问应答文本中每一Online问答执行项目的问答互动表征知识，第二Online问答互动表征知识关系网由对第一Online问答互动表征知识关系网进行问答互动表征知识优化确定出且小于第一Online问答互动表征知识关系网，则第二Online问答互动表征知识关系网中每个Online问答互动表征知识对应的表征知识承载量大于第一Online问答互动表征知识关系网中每个Online问答互动表征知识对应的表征知识承载量，这样一来，第二Online问答互动表征知识关系网中的各Online问答互动表征知识反映了AI chat提问应答文本中对应文本区域中每一Online问答执行项目的联系特征（如问答时段联系特征和/或问答兴趣联系特征等）。这样一来，在对AI chat提问应答文本进行数据库优化决策分析时，一方面聚焦了每一Online问答执行项目对应的问答时段特征，另一方面还结合了整体AI chat提问应答文本不同Online问答执行项目的问答时段联系特征和/或问答兴趣联系特征等联系特征，使得对每一Online问答执行项目的多级存储目录的判别尽可能准确合理，相较于传统的仅基于当前Online问答执行项目的文本信息进行多级存储目录判别的技术，可以适应性地提高数据库优化决策分析信息的合理性和匹配性。
综上，本申请涉及人工智能、数据库技术领域，提供一种面向AI专家系统的数据库智能优化决策方法及服务器，在对AI chat提问应答文本进行数据库优化决策分析时，通过聚焦每一Online问答执行项目对应的问答时段特征，以及结合整体AI chat提问应答文本不同Online问答执行项目的问答时段联系特征和/或问答兴趣联系特征等联系特征，使得对每一Online问答执行项目的多级存储目录的判别尽可能准确合理，可以适应性地提高数据库优化决策分析信息的合理性和匹配性，这样可以基于多级存储目录实现高质量的数据库智能优化，便于后续在进行查询和调用时提高效率。
以上所述，仅为本申请的具体实施方式。熟悉本技术领域的技术人员根据本申请提供的具体实施方式，可想到变化或替换，都应包含在本申请的保护范围之内。

Claims (10)

1.一种面向AI专家系统的数据库智能优化决策方法，其特征在于，应用于AI智能优化决策服务器，所述方法包括：
通过智能优化决策算法对触发数据库智能优化条件的AI chat提问应答文本进行问答互动表征知识提炼处理，确定出第一Online问答互动表征知识关系网，所述第一Online问答互动表征知识关系网包含所述AI chat提问应答文本中每一Online问答执行项目的问答互动表征知识；
对所述第一Online问答互动表征知识关系网进行问答互动表征知识优化，确定出多个第二Online问答互动表征知识关系网，所述多个第二Online问答互动表征知识关系网中不同第二Online问答互动表征知识关系网的关系网尺寸相异，所述第二Online问答互动表征知识关系网的关系网尺寸小于所述第一Online问答互动表征知识关系网；
结合所述第一Online问答互动表征知识关系网与所述多个第二Online问答互动表征知识关系网对所述AI chat提问应答文本进行数据库优化决策分析，确定出所述AI chat提问应答文本的数据库优化决策分析信息，所述数据库优化决策分析信息包含所述AI chat提问应答文本中每一Online问答执行项目的多级存储目录。
2.如权利要求1所述的方法，其特征在于，对所述第一Online问答互动表征知识关系网进行问答互动表征知识优化，确定出多个第二Online问答互动表征知识关系网，包括：通过所述智能优化决策算法中的第一问答互动表征知识编码组件，分别以多个关系网尺寸相异的问答互动表征知识编码节点分别对所述第一Online问答互动表征知识关系网进行处理，确定出多个第二Online问答互动表征知识关系网；
结合所述第一Online问答互动表征知识关系网与所述多个第二Online问答互动表征知识关系网对所述AI chat提问应答文本进行数据库优化决策分析之前，还包括：通过所述智能优化决策算法中的问答互动表征知识扩展组件分别对所述多个第二Online问答互动表征知识关系网进行关系网扩展，以将每一所述第二Online问答互动表征知识关系网分别更新为所述第一Online问答互动表征知识关系网的关系网尺寸；
其中，所述多个第二Online问答互动表征知识关系网中各第二Online问答互动表征知识关系网的关系网尺寸符合设定量化状态。
3.如权利要求2所述的方法，其特征在于，所述结合所述第一Online问答互动表征知识关系网与所述多个第二Online问答互动表征知识关系网对所述AI chat提问应答文本进行数据库优化决策分析包括：
通过所述智能优化决策算法中的问答互动表征知识聚合组件，将完成扩展的各第二Online问答互动表征知识关系网与所述第一Online问答互动表征知识关系网进行问答互动表征知识聚合操作，确定出第三Online问答互动表征知识关系网；
通过所述智能优化决策算法中的多级存储目录判别组件，通过所述第三Online问答互动表征知识关系网，判别出所述AI chat提问应答文本中每一Online问答执行项目的多级存储目录，确定出所述AI chat提问应答文本的数据库优化决策分析信息；
其中，还包括：通过作为算法调试参考的历史AI chat提问应答文本，基于逆向算法调试规则对通用状态下的智能优化决策算法进行算法调试，确定出所述智能优化决策算法。
4.如权利要求3所述的方法，其特征在于，所述通过作为算法调试参考的历史AI chat提问应答文本，基于逆向算法调试规则对智能优化决策算法进行算法调试包括：
在第一算法调试周期下，通过智能优化决策算法对作为算法调试参考的历史AI chat提问应答文本进行数据库优化决策分析推演，确定出所述智能优化决策算法的隐含算法组件生成的第一数据库优化决策分析推演信息以及后序算法组件生成的第二数据库优化决策分析推演信息；
确定所述第一数据库优化决策分析推演信息和所述作为算法调试参考的历史AI chat提问应答文本的数据库优化决策分析真值之间的第一区分度量数据、以及所述第二数据库优化决策分析推演信息和所述作为算法调试参考的历史AI chat提问应答文本的数据库优化决策分析真值之间的第二区分度量数据；
在第二算法调试周期下，结合所述第一区分度量数据改进第一算法组件的组件参量、并结合所述第一区分度量数据和所述第二区分度量数据改进第二算法组件的组件参量；
其中：所述第二算法组件包含所述智能优化决策算法中处于所述隐含算法组件和所述后序算法组件之间的至少一个算法组件，所述第一算法组件包含所述智能优化决策算法中至少一个除了所述第二算法组件之外的剩余算法组件。
5.如权利要求4所述的方法，其特征在于，所述隐含算法组件包括候选多级存储目录判别组件；所述第一数据库优化决策分析推演信息包含所述候选多级存储目录判别组件生成的对所述作为算法调试参考的历史AI chat提问应答文本中每一Online问答执行项目的数据库优化决策分析推演信息；
其中，所述方法还包括：对所述智能优化决策算法算法调试完成后，删除所述候选多级存储目录判别组件。
6.如权利要求5所述的方法，其特征在于，确定所述第一数据库优化决策分析推演信息和所述作为算法调试参考的历史AI chat提问应答文本的数据库优化决策分析真值之间的第一区分度量数据，包括：通过第一优化决策误差处理组件确定所述第一数据库优化决策分析推演信息和所述数据库优化决策分析真值中对所述作为算法调试参考的历史AI chat提问应答文本中每一Online问答执行项目的数据库优化决策分析推演信息之间的区分度量数据，作为所述第一区分度量数据；对所述智能优化决策算法算法调试完成后，删除所述第一优化决策误差处理组件；
其中，所述第二数据库优化决策分析推演信息包含所述后序算法组件生成的对所述作为算法调试参考的历史AI chat提问应答文本中每一Online问答执行项目的数据库优化决策分析推演信息；
其中，确定所述第二数据库优化决策分析推演信息和所述作为算法调试参考的历史AIchat提问应答文本的数据库优化决策分析真值之间的第二区分度量数据包括：通过第二优化决策误差处理组件确定第二数据库优化决策分析推演信息和所述数据库优化决策分析真值中对所述作为算法调试参考的历史AI chat提问应答文本中每一Online问答执行项目的数据库优化决策分析推演信息之间的区分度量数据，作为所述第二区分度量数据；
其中，所述方法还包括：对所述智能优化决策算法算法调试完成后，删除所述第二优化决策误差处理组件；
其中，所述第一优化决策误差处理组件包括：第一算法优劣输出指标、第二算法优劣输出指标或者第三算法优劣输出指标；所述第二优化决策误差处理组件包括：第一算法优劣输出指标、第二算法优劣输出指标或者第三算法优劣输出指标。
7.如权利要求4所述的方法，其特征在于，所述隐含算法组件包含所述智能优化决策算法中的多个算法组件；不同的隐含算法组件进行组件参量改进的算法组件存在差异；
其中，所述智能优化决策算法的算法组件数目为Q，所述隐含算法组件为所述智能优化决策算法中在第一算法调试周期状态下的第W个；其中，Q>2且Q为整数，2<W<Q且W为整数；其中，W>Q/2。
8.如权利要求4所述的方法，其特征在于，结合所述第一区分度量数据和所述第二区分度量数据改进各第二算法组件的组件参量，包括：为所述第一区分度量数据和所述第二区分度量数据确定不同的贡献决策值；结合所述第一区分度量数据及其贡献决策值、所述第二区分度量数据及其贡献决策值改进所述第二算法组件的组件参量；其中，所述第一区分度量数据的贡献决策值小于所述第二区分度量数据的贡献决策值。
9.如权利要求2所述的方法，其特征在于，所述结合所述第一Online问答互动表征知识关系网与所述多个第二Online问答互动表征知识关系网对所述AI chat提问应答文本进行数据库优化决策分析之前，还包括：
通过所述智能优化决策算法中的问答互动表征知识提炼核对所述第二Online问答互动表征知识关系网进行关系网重构。
10.一种AI智能优化决策服务器，其特征在于，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智能优化决策服务器执行如权利要求1-9中任意一项所述的方法。
CN202310500589.0A 2023-05-06 2023-05-06 面向ai专家系统的数据库智能优化决策方法及服务器 Withdrawn CN116501850A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310500589.0A CN116501850A (zh) 2023-05-06 2023-05-06 面向ai专家系统的数据库智能优化决策方法及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310500589.0A CN116501850A (zh) 2023-05-06 2023-05-06 面向ai专家系统的数据库智能优化决策方法及服务器

Publications (1)

Publication Number Publication Date
CN116501850A true CN116501850A (zh) 2023-07-28

Family

ID=87316283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310500589.0A Withdrawn CN116501850A (zh) 2023-05-06 2023-05-06 面向ai专家系统的数据库智能优化决策方法及服务器

Country Status (1)

Country Link
CN (1) CN116501850A (zh)

Similar Documents

Publication Publication Date Title
CN110837548B (zh) 答案匹配方法、装置、电子设备及存储介质
CN110222164A (zh) 一种问答模型训练方法、问题语句处理方法、装置及存储介质
CN111414457A (zh) 基于联邦学习的智能问答方法、装置、设备及存储介质
CN111612134A (zh) 神经网络结构搜索方法、装置、电子设备及存储介质
CN107544960B (zh) 一种基于变量绑定和关系激活的自动问答方法
CN111078847A (zh) 电力用户意图识别方法、装置、计算机设备和存储介质
CN109857865B (zh) 一种文本分类方法及系统
CN116363452B (zh) 任务模型训练方法以及装置
CN112884569A (zh) 一种信用评估模型的训练方法、装置及设备
CN116976640A (zh) 自动化业务生成方法、装置、计算机设备及存储介质
CN117972038A (zh) 一种智能问答方法、装置及计算机可读介质
CN114926701A (zh) 一种模型训练方法、目标检测方法、以及相关设备
CN112508178A (zh) 神经网络结构搜索方法、装置、电子设备及存储介质
CN113326359A (zh) 一种对话应答及应答策略匹配模型的训练方法和装置
CN111324344A (zh) 代码语句的生成方法、装置、设备及可读存储介质
CN116501850A (zh) 面向ai专家系统的数据库智能优化决策方法及服务器
WO2022252694A1 (zh) 神经网络优化方法及其装置
CN115983377A (zh) 基于图神经网络的自动学习方法、装置、计算设备及介质
CN113946651B (zh) 维修知识推荐方法、装置、电子设备、介质及产品
CN115829717A (zh) 风控决策规则优化方法、系统、终端及存储介质
CN114372618A (zh) 一种学生成绩的预测方法、系统、计算机设备及存储介质
CN118036756B (zh) 大模型多轮对话的方法、装置、计算机设备及存储介质
CN116775848B (zh) 生成对话信息的控制方法、装置、计算设备及存储介质
CN117952227A (zh) 模型处理方法、电子设备及存储设备
CN115114401A (zh) 面向数据智能的孪生网络结构搜索方法及语义匹配方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230728

WW01 Invention patent application withdrawn after publication