CN116542634A - 工单处理方法、装置和计算机可读存储介质 - Google Patents
工单处理方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN116542634A CN116542634A CN202310744556.0A CN202310744556A CN116542634A CN 116542634 A CN116542634 A CN 116542634A CN 202310744556 A CN202310744556 A CN 202310744556A CN 116542634 A CN116542634 A CN 116542634A
- Authority
- CN
- China
- Prior art keywords
- work order
- processed
- node
- nodes
- determining
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 64
- 239000013598 vector Substances 0.000 claims description 49
- 238000000034 method Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 25
- 230000002776 aggregation Effects 0.000 claims description 23
- 238000004220 aggregation Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007635 classification algorithm Methods 0.000 claims description 8
- 230000000717 retained effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000002955 isolation Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 14
- 238000010276 construction Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F40/295—Named entity recognition
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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]
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种工单处理方法、装置和计算机可读存储介质，涉及运维领域。工单处理方法包括：利用知识图谱，确定待处理工单的拓扑结构；根据拓扑结构，确定待处理工单与一个或多个已处理工单的相似度；根据相似度，从一个或多个已处理工单中选择工单，作为待处理工单的参考工单。本发明基于知识图谱构建待处理工单的拓扑结构，以通过标准化的方式表达工单涉及的关键信息。从而，能够利用该拓扑结构确定历史工单中的相似工单，为待处理工单的推进给出了参考信息，因此能够提高工单处理的效率。
Description
技术领域
本发明涉及运维领域，特别涉及一种工单处理方法、装置和计算机可读存储介质。
背景技术
在某设备、网络出现了故障时，可以通过派发工单，告知相关运维人员消除该故障。在相关技术中，当接收到工单时，由运维人员根据经验来确定具体的故障处理手段。该处理过程可能涉及多个环节，随着处理的进行，工单涉及的数据随之增多，直到故障被消除。
发明内容
经过分析后发现，相关技术的工单处理方法效率较低。
本发明实施例所要解决的一个技术问题是：如何提高工单处理的效率。
根据本发明一些实施例的第一个方面，提供一种工单处理方法，包括：利用知识图谱，确定待处理工单的拓扑结构；根据拓扑结构，确定待处理工单与一个或多个已处理工单的相似度；根据相似度，从一个或多个已处理工单中选择工单，作为待处理工单的参考工单。
在一些实施例中，利用知识图谱，确定待处理工单的拓扑结构包括：从待处理工单中提取命名实体；在知识图谱中确定与提取的命名实体匹配的节点；根据匹配的节点在知识图谱中的拓扑结构，确定待处理工单的拓扑结构。
在一些实施例中，根据匹配的节点在知识图谱中的拓扑结构，确定待处理工单的拓扑结构包括：在提取的命名实体中，对于与知识图谱中任意一个节点均不匹配、且无法连接到知识图谱的未知命名实体，确定知识图谱中与未知命名实体相似的节点；将相似的节点与知识图谱中其他节点之间的拓扑关系赋予未知命名实体；根据未知命名实体对应的拓扑关系、以及匹配的命名实体在知识图谱中的拓扑结构，确定待处理工单的拓扑结构。
在一些实施例中，在提取的命名实体中，确定知识图谱中与未知命名实体相似、且类型相同的节点。
在一些实施例中，确定知识图谱中与未知命名实体相似的节点包括：根据知识图谱中相邻节点的相似度、相邻边的相似度、所在路径的相似度中的至少一种，确定知识图谱中与未知命名实体相似的节点。
在一些实施例中，根据知识图谱中相邻节点的相似度、相邻边的相似度、所在路径的相似度中的至少一种，确定知识图谱中与未知命名实体相似的节点包括：根据相邻节点的相似度、相邻边的相似度、所在路径的相似度中的至少一种的加权结果，确定知识图谱中与未知命名实体相似的节点。
在一些实施例中，从待处理工单中提取命名实体包括：利用标点符号将待处理工单涉及的文本划分为多个子句；对于多个子句中的每一个，利用文本分类算法，确定保留的子句；从保留的子句中提取命名实体。
在一些实施例中，文本分类算法为基于上下文信息的轮次维度算法。
在一些实施例中，利用知识图谱，确定待处理工单的拓扑结构包括：在待处理工单发生更新的情况下，利用知识图谱，更新待处理工单的拓扑结构。
在一些实施例中，根据拓扑结构，确定待处理工单与一个或多个已处理工单的相似度包括：确定待处理工单的拓扑结构对应的图嵌入向量；根据待处理工单对应的图嵌入向量和已处理工单的图嵌入向量，确定待处理工单与每个已处理工单的相似度。
在一些实施例中，根据待处理工单对应的图嵌入向量和已处理工单的图嵌入向量，确定待处理工单与每个已处理工单的相似度包括：利用第一变形器Transformer对待处理工单对应的图嵌入向量和每个已处理工单的图嵌入向量进行处理；根据第一变形器的输出结果，确定待处理工单与每个已处理工单的相似度。
在一些实施例中，确定待处理工单的拓扑结构对应的图嵌入向量包括：利用图神经网络对待处理工单的拓扑结构进行处理，获得图嵌入向量。
在一些实施例中，利用图神经网络对待处理工单的拓扑结构进行处理包括：在图神经网络的每一层计算中，对于拓扑结构中的每个节点，利用节点的邻居节点在上一层计算中的嵌入信息，确定节点的聚合结果，其中，对于拓扑结构中的未知命名实体对应的未知节点，利用卷积核对未知节点相连的边以及边相连的节点的嵌入信息进行处理，获得未知节点的聚合结果；利用节点在上一层计算中的嵌入信息和节点的聚合结果，确定节点在层的嵌入信息。
在一些实施例中，利用卷积核对未知节点相连的边以及边相连的邻居节点的嵌入信息进行处理，获得未知节点的聚合结果包括：对于未知节点的每个邻居节点，利用卷积核对邻居节点和未知节点与邻居节点之间的边的嵌入向量进行处理，并将处理的结果进行批量标准化BN处理；将BN处理的结果输入到冲激函数中；将冲激函数的计算结果与投影矩阵相乘，获得邻居节点的嵌入信息；对未知节点的邻居节点的嵌入信息进行聚合。
在一些实施例中，对未知节点的邻居节点的嵌入信息进行聚合包括：将未知节点的邻居节点的嵌入信息输入到第二变形器中，获得第二变形器输出的、对未知节点的邻居节点的嵌入信息的聚合结果。
在一些实施例中，工单处理方法还包括：以绝对边际目标函数作为损失函数，对图神经网络进行训练。
在一些实施例中，知识图谱包括工单节点以及与工单节点连接的一个或多个告警节点、一个或多个对话节点、一个或多个处理事件节点。
在一些实施例中，知识图谱还具有以下至少一种连接关系：工单节点与故障类型、解决方案、告警原因中的至少一种节点之间的连接关系；告警节点与告警名称、源地址、告警网元、告警描述中的至少一种节点之间的连接关系；对话节点与工位、回单、反馈中的至少一种节点之间的连接关系；处理事件节点与挂起原因、挂起时长、操作类型、业务隔离、故障设备、指标状态、排查的设备中的至少一种节点之间的连接关系；不同告警节点之间的连接关系；不同对话节点之间的连接关系；不同处理事件节点之间的连接关系。
根据本发明一些实施例的第二个方面，提供一种工单处理装置，包括：拓扑结构确定模块，被配置为利用知识图谱，确定待处理工单的拓扑结构；相似度确定模块，被配置为根据拓扑结构，确定待处理工单与一个或多个已处理工单的相似度；选择模块，被配置为根据相似度，从所述一个或多个已处理工单中选择工单，作为待处理工单的参考工单。
根据本发明一些实施例的第三个方面，提供一种工单处理装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器中的指令，执行前述任意一种工单处理方法。
根据本发明一些实施例的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现前述任意一种工单处理方法。
上述发明中的一些实施例具有如下优点或有益效果。本发明的实施例基于知识图谱构建待处理工单的拓扑结构，以通过标准化的方式表达工单涉及的关键信息。从而，能够利用该拓扑结构确定历史工单中的相似工单，为待处理工单的推进给出了参考信息，因此能够提高工单处理的效率。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1示出了根据本发明一些实施例的工单处理方法的流程示意图。
图2示例性地示出了知识图谱的本体的一个示例。
图3示出了根据本发明一些实施例的工单拓扑结构的构建方法的流程示意图。
图4示出了根据本发明一些实施例的嵌入信息确定方法的流程示意图。
图5示出了根据本发明一些实施例的工单处理装置的结构示意图。
图6示出了根据本发明另一些实施例的工单处理装置的结构示意图。
图7示出了根据本发明又一些实施例的工单处理装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
图1示出了根据本发明一些实施例的工单处理方法的流程示意图。如图1所示，该实施例的工单处理方法包括步骤S102~S106。
在步骤S102中，利用知识图谱，确定待处理工单的拓扑结构。
可以预先根据工单所涉及的各类事件，建立知识图谱。例如，在构建电信领域知识图谱的过程中，电信故障工单相对于传统的文本数据具有其特殊性：工单数据量大、故障种类复杂多变，包含了告警事件、故障排查过程、解决方案等大量的事件信息，因此，可以引入事件知识图谱（Event Knowledge Graph，EKG）这样的以事件为中心的知识表示形式。
在一些实施例中，知识图谱包括工单节点以及与工单节点连接的一个或多个告警节点、一个或多个对话节点、一个或多个处理事件节点。告警、对话、处理时间均可以理解为上文“以事件为中心”中的“事件”，但是属于不同类型的事件。告警是指针对故障所产生的警报。对话是指处理对方运维人员在处理工单的过程中所产生的交互信息，例如A方指示B方进行排查、B方将工单转派给C方等等。处理事件是指基于对话执行的处理过程中产生的具体操作，例如排查设备、查询指标等等。
在一些实施例中，知识图谱还具有以下至少一种连接关系：工单节点与故障类型、解决方案、告警原因中的至少一种节点之间的连接关系；告警节点与告警名称、源地址、告警网元、告警描述中的至少一种节点之间的连接关系；对话节点与工位、回单、反馈中的至少一种节点之间的连接关系；处理事件节点与挂起原因、挂起时长、操作类型、业务隔离、故障设备、指标状态、排查的设备中的至少一种节点之间的连接关系；不同告警节点之间的连接关系；不同对话节点之间的连接关系；不同处理事件节点之间的连接关系。
图2示例性地示出了知识图谱的本体的一个示例，可以基于该知识图谱的本体预先建立知识图谱。当然，根据需要，本领域技术人员也可以对图2所示的知识图谱进行修改，以适应不同的应用场景。
在一些实施例中，在待处理工单发生更新的情况下，利用知识图谱，更新待处理工单的拓扑结构。从而，可以随着工单处理进度的进行，更新相应的拓扑结构。例如，每针对工单产生一轮新的对话，则对该拓扑结构进行更新。基于不同的拓扑结构，可能会带来不同的推荐结果。从而，实现了动态推荐的方案，使得推荐结果更准确。
在步骤S104中，根据拓扑结构，确定待处理工单与一个或多个已处理工单的相似度。
在一些实施例中，确定待处理工单的拓扑结构对应的图嵌入向量；根据待处理工单对应的图嵌入向量和已处理工单的图嵌入向量，确定待处理工单与每个已处理工单的相似度。拓扑结构对应的图嵌入向量可以根据拓扑结构中各个节点的嵌入向量确定。图嵌入向量能够反映拓扑结构的特征信息，进而能够反映工单的整体信息。尤其，当拓扑结构随着工单的处理进度更新而产生更新时，图嵌入向量能够反映工单的最新信息。后文将进一步描述图嵌入向量的确定方式。
在一些实施例中，利用第一变形器（Transformer）对待处理工单对应的图嵌入向量和每个已处理工单的图嵌入向量进行处理；根据第一变形器的输出结果，确定待处理工单与每个已处理工单的相似度。例如，可以逐一将待处理工单的图嵌入向量与各个已处理工单的图嵌入向量逐一组成向量对，并将向量对输入到第一变形器中。经过第一变形器的编码和解码处理，得到了输出结果，该输出结果反映了二者的相似程度。然后，可以进一步对该输出结果进行处理以获得相似度，例如，将其输入到一个预先训练的全连接层中，以获得全连接层输出的相似度信息。根据需要，本领域技术人员也可以使用其他的方式确定相似度，这里不再赘述。
已处理工单的图嵌入向量的确定方式可以参考待处理工单，这里不再赘述。
在步骤S106中，根据相似度，从一个或多个已处理工单中选择工单，作为待处理工单的参考工单。
例如，选择相似度最高的预设数量个已处理工单，或者，选择相似度高于相似度阈值的已处理工单。通过参考工单的处理方式，能够为待处理工单的处理提供参考和依据，提高了工单处理的效率。
上述实施例基于知识图谱构建待处理工单的拓扑结构，以通过标准化的方式表达工单涉及的关键信息。从而，能够利用该拓扑结构确定历史工单中的相似工单，为待处理工单的推进给出了参考信息，因此能够提高工单处理的效率。
下面参考图3描述本发明工单的拓扑结构构建方法的实施例。
图3示出了根据本发明一些实施例的工单拓扑结构的构建方法的流程示意图。如图3所示，该实施例的构建方法包括步骤S302~S306。
在步骤S302中，从待处理工单中提取命名实体。
命名实体或者对应某一事件，或者对应某个属性，从而能够反映待处理工单中的关键信息。
工单的流水数据包含着大量的指标排查、相关操作、故障定位等信息，在抽取告警原因、解决方案等实体时，这些信息就属于冗余信息。在原始的工单中，实体的文本覆盖率低。这些冗余信息可能导致命名实体抽取算法的识别率低。在一些实施例中，针对低文本覆盖率的长实体，可以采用文本摘要算法去除冗余信息，并采用指针网络（globalpointer）算法抽取实体。针对事件信息，采用UIE（universal information extraction，通用信息抽取）框架进行事件抽取。
在一些实施例中，利用标点符号将待处理工单涉及的文本划分为多个子句；对于多个子句中的每一个，利用文本分类算法，确定保留的子句；从保留的子句中提取命名实体。从而，可以尽可能排除冗余信息，最终将重要子句重新组成文本摘要，以从文本摘要中更准确、高效地提取命名实体。
在一些实施例中，文本分类算法为基于上下文信息的轮次维度（TURN-level）算法。通过参考上下文信息，能够为分类过程提供更多的参考信息，从而能够更准确地确定文本的类别。
在步骤S304中，在知识图谱中确定与提取的命名实体匹配的节点。
例如，可以将节点的名称与提取的命名实体相同的节点确定为匹配的节点。在某些情况下，节点的名称与提取的命名实体可能不完全一致，此时，还可以利用节点以及命名实体的嵌入向量来进行匹配。节点对应的嵌入向量可以根据节点的名称、文本描述等信息确定。
在步骤S306中，根据匹配的命名实体在知识图谱中的拓扑结构，确定待处理工单的拓扑结构。
在一些实施例中，与知识图谱中任意一个命名实体均不匹配、且无法连接到知识图谱的命名实体为未知命名实体。对于此类命名实体，其未在训练集中未出现，知识图谱中没有既有的结构描述其与其他命名实体之间的拓扑关系，无法进行图嵌入计算，无法进行下游任务的查询推荐。因此，本发明提出基于未知命名实体的与知识图谱中节点之间的相似度，将未知命名实体与知识图谱的节点进行链接，再进一步计算待推荐工单的图嵌入向量。
在一些实施例中，确定知识图谱中与未知命名实体相似的节点；将相似的节点与知识图谱中其他节点之间的拓扑关系赋予未知命名实体；根据未知命名实体对应的拓扑关系、以及匹配的命名实体在知识图谱中的拓扑结构，确定待处理工单的拓扑结构。从而，能够利用相似的节点在知识图谱中的拓扑信息，将未知命名实体与知识图谱中的其他节点建立连接关系，以基于知识图谱建立待处理工单的、完整的拓扑结构。
在一些实施例中，在提取的命名实体中，确定知识图谱中与未知命名实体相似、且类型相同的节点。从而，能够进一步准确地确定未知命名实体与其他命名实体之间的关系。
在一些实施例中，根据知识图谱中相邻节点的相似度、相邻边的相似度、所在路径的相似度中的至少一种，确定知识图谱中与未知命名实体相似的节点。
未知命名实体虽然无法直接链接到知识图谱中，但是根据其工单中的属性信息等命名实体，可以初步确定待处理工单中未知命名实体的子图，该子图中即包括了该未知命名实体在内的多个节点以及节点之间的边。通过确定知识图谱中的节点的相邻节点、与未知命名实体的相邻节点的相似度，知识图谱中的节点的相邻边、与未知命名实体的相邻边的相似度，知识图谱中的节点所在路径、与未知命名实体的所在路径的相似度，可以全面地评估未知命名实体与知识图谱中节点的相似度。
在一些实施例中，根据相邻节点的相似度、相邻边的相似度、所在路径的相似度中的至少一种的加权结果，确定知识图谱中与未知命名实体相似的命名实体。例如，可以参考公式(1)确定命名实体和知识图谱中的节点/>之间的相似度。
在公式(1)中，为相邻节点的相似度，/>为相邻边的相似度，/>为所在路径的相似度，1、α和γ依次为这三种相似度的权重。
通过对多种不同的相似度进行加权，从而能够根据不同种类相似度的重要程度，更准确地确定未知命名实体与知识图谱中节点的相似度。
在计算待处理工单的图嵌入向量时，可以利用图神经网络（简称：GNN）对待处理工单的拓扑结构进行处理。在一些实施例中，可以利用BERT（Bidirectional EncoderRepresentation from Transformers，变形器的双向编码器表示）对节点的文本描述进行编码表达、并通过池化层作为GNN训练的向量初始化，进而获取图结构嵌入和文本描述嵌入的融合表示。
图神经网络利用节点的特征以及节点的相邻节点、相邻边的特征，进行逐层的更新和计算。在图神经网络的每一层处理中，主要包括聚合和更新两个步骤。聚合步骤用于收集相邻节点的信息，更新步骤用于利用收集的信息以及当前节点在上一层的计算结果计算该节点在当前层的计算结果。下面参考图4描述本发明工单的嵌入信息确定方法的实施例。
在使用GNN进行预测之前，还可以以绝对边际目标函数作为损失函数，对图神经网络进行训练。TransE（Translating Embedding，翻译嵌入）是一种距离模型，本发明的上述更改其目标函数，使用绝对边际目标函数作为任务的训练目标。绝对边际目标函数的目的是训练正三元组的分数趋近于零，而负三元组的分数至少为γ。
在公式(2)中，表示损失值；/>为正三元组，{/>}负三元组；表示取0和中括号中内容的最大值。
图4示出了根据本发明一些实施例的嵌入信息确定方法的流程示意图。如图4所示，该实施例的构建方法包括步骤S402~S404。该实施例描述了每一层中对每个节点的处理过程。
在步骤S402中，利用节点的邻居节点在上一层计算中的嵌入信息，确定节点的聚合结果。
对于拓扑结构中的已知节点，可以参考现有技术中的处理方式，这里不再赘述。
对于拓扑结构中的未知节点（即未知命名实体对应的节点），利用卷积核对未知节点相连的边以及边相连的节点的嵌入信息进行处理，获得未知节点的聚合结果。从而通过使用卷积核从未知命名实体的辅助知识中学习表达特征。该实施例用多层的卷积网络代替原本GNN中边的转移权重矩阵，极大的降低了模型的参数，结合了GNN与卷积神经网络（Convolutional Neural Networks，简称：CNN）二者的优势。
下面示例性地描述一种对未知节点的聚合方法：利用卷积核对邻居节点和未知节点与邻居节点之间的边的嵌入向量进行处理，并将处理的结果进行BN（BatchNormolization，批量标准化）处理；将BN处理的结果输入到冲激函数中；将冲激函数的计算结果与投影矩阵相乘，获得邻居节点的嵌入信息；对未知节点的邻居节点的嵌入信息进行聚合。公式(3)示例性地示出了当前节点的邻居节点e在聚合过程中对应的计算信息。
在公式(2)中，T(x)表示计算函数，x为其输入，代表当前节点与邻居节点之间构成的三元组。该三元组的构成分为两种情况，一种为当前节点是头节点、一种为当前节点为尾节点。公式(2)的第一行对应三元组，其中，/>为头节点，/>为尾节点，/>为/>和/>之间的边；第二行对应三元组/> ，其中，/>为头节点，/>为尾节点，/>为/>和/>之间的边。/>、/>和/>分别为/>和/>对应的嵌入向量。/>为卷积核。/>为投影矩阵。/>表示冲激函数。/>表示批量标准化处理。从而，针对当前节点作为头节点和尾节点的情况，分别进行了不同的处理。
在确定了各个邻居节点对应的计算结果后，可以根据这些计算结果进一步确定聚合结果。由于未知节点没有出现在知识图谱原本的结构中，无法预先进行训练，因此这里采用自注意力的方式动态地确定聚合时的权重。例如，将所述未知节点的邻居节点的嵌入信息输入到第二变形器中，获得第二变形器输出的、对未知节点的邻居节点的嵌入信息的聚合结果。从而，能够更精准地聚合邻居节点嵌入信息，以获取外部命名实体的嵌入信息。
在步骤S404中，利用节点在上一层计算中的嵌入信息和节点的聚合结果，确定节点在该层的嵌入信息。即，进行更新过程。
通过上述实施例，不论对于知识图谱的已知节点、还是未知节点，都能够计算其嵌入信息。从而，能够适应于工单中包括新信息的情况，提高了工单处理方法的适用广度。
下面参考图5描述本发明工单处理装置的实施例。
图5示出了根据本发明一些实施例的工单处理装置的结构示意图。如图5所示，该实施例的工单处理装置50包括：拓扑结构确定模块510，被配置为利用知识图谱，确定待处理工单的拓扑结构；相似度确定模块520，被配置为根据拓扑结构，确定待处理工单与一个或多个已处理工单的相似度；选择模块530，被配置为根据相似度，从所述一个或多个已处理工单中选择工单，作为待处理工单的参考工单。
在一些实施例中，拓扑结构确定模块510进一步被配置为从待处理工单中提取命名实体；在知识图谱中确定与提取的命名实体匹配的节点；根据匹配的节点在知识图谱中的拓扑结构，确定待处理工单的拓扑结构。
在一些实施例中，拓扑结构确定模块510进一步被配置为在提取的命名实体中，对于与知识图谱中任意一个节点均不匹配、且无法连接到知识图谱的未知命名实体，确定知识图谱中与未知命名实体相似的节点；将相似的节点与知识图谱中其他节点之间的拓扑关系赋予未知命名实体；根据未知命名实体对应的拓扑关系、以及匹配的命名实体在知识图谱中的拓扑结构，确定待处理工单的拓扑结构。
在一些实施例中，拓扑结构确定模块510进一步被配置为在提取的命名实体中，确定知识图谱中与未知命名实体相似、且类型相同的节点。
在一些实施例中，拓扑结构确定模块510进一步被配置为根据知识图谱中相邻节点的相似度、相邻边的相似度、所在路径的相似度中的至少一种，确定知识图谱中与未知命名实体相似的节点。
在一些实施例中，拓扑结构确定模块510进一步被配置为根据相邻节点的相似度、相邻边的相似度、所在路径的相似度中的至少一种的加权结果，确定知识图谱中与未知命名实体相似的节点。
在一些实施例中，拓扑结构确定模块510进一步被配置为利用标点符号将待处理工单涉及的文本划分为多个子句；对于多个子句中的每一个，利用文本分类算法，确定保留的子句；从保留的子句中提取命名实体。
在一些实施例中，文本分类算法为基于上下文信息的TURN算法。
在一些实施例中，拓扑结构确定模块510进一步被配置为在待处理工单发生更新的情况下，利用知识图谱，更新待处理工单的拓扑结构。
在一些实施例中，相似度确定模块520进一步被配置为确定待处理工单的拓扑结构对应的图嵌入向量；根据待处理工单对应的图嵌入向量和已处理工单的图嵌入向量，确定待处理工单与每个已处理工单的相似度。
在一些实施例中，相似度确定模块520进一步被配置为利用第一变形器Transformer对待处理工单对应的图嵌入向量和每个已处理工单的图嵌入向量进行处理；根据第一变形器的输出结果，确定待处理工单与每个已处理工单的相似度。
在一些实施例中，相似度确定模块520进一步被配置为利用图神经网络对待处理工单的拓扑结构进行处理，获得图嵌入向量。
在一些实施例中，相似度确定模块520进一步被配置为在图神经网络的每一层计算中，对于拓扑结构中的每个节点，利用节点的邻居节点在上一层计算中的嵌入信息，确定节点的聚合结果，其中，对于拓扑结构中的未知命名实体对应的未知节点，利用卷积核对未知节点相连的边以及边相连的节点的嵌入信息进行处理，获得未知节点的聚合结果；利用节点在上一层计算中的嵌入信息和节点的聚合结果，确定节点在层的嵌入信息。
在一些实施例中，相似度确定模块520进一步被配置为对于未知节点的每个邻居节点，利用卷积核对邻居节点和未知节点与邻居节点之间的边的嵌入向量进行处理，并将处理的结果进行批量标准化BN处理；将BN处理的结果输入到冲激函数中；将冲激函数的计算结果与投影矩阵相乘，获得邻居节点的嵌入信息；对未知节点的邻居节点的嵌入信息进行聚合。
在一些实施例中，相似度确定模块520进一步被配置为将未知节点的邻居节点的嵌入信息输入到第二变形器中，获得第二变形器输出的、对未知节点的邻居节点的嵌入信息的聚合结果。
在一些实施例中，工单处理装置50还包括：训练模块540，被配置为以绝对边际目标函数作为损失函数，对图神经网络进行训练。
在一些实施例中，知识图谱包括工单节点以及与工单节点连接的一个或多个告警节点、一个或多个对话节点、一个或多个处理事件节点。
在一些实施例中，知识图谱还具有以下至少一种连接关系：工单节点与故障类型、解决方案、告警原因中的至少一种节点之间的连接关系；告警节点与告警名称、源地址、告警网元、告警描述中的至少一种节点之间的连接关系；对话节点与工位、回单、反馈中的至少一种节点之间的连接关系；处理事件节点与挂起原因、挂起时长、操作类型、业务隔离、故障设备、指标状态、排查的设备中的至少一种节点之间的连接关系；不同告警节点之间的连接关系；不同对话节点之间的连接关系；不同处理事件节点之间的连接关系。
图6示出了根据本发明另一些实施例的工单处理装置的结构示意图。如图6所示，该实施例的工单处理装置60包括：存储器610以及耦接至该存储器610的处理器620，处理器620被配置为基于存储在存储器610中的指令，执行前述任意一个实施例中的工单处理方法。
其中，存储器610例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序（Boot Loader）以及其他程序等。
图7示出了根据本发明又一些实施例的工单处理装置的结构示意图。如图7所示，该实施例的工单处理装置70包括：存储器710以及处理器720，还可以包括输入输出接口730、网络接口740、存储接口750等。这些接口730，740，750以及存储器710和处理器720之间例如可以通过总线760连接。其中，输入输出接口730为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口740为各种联网设备提供连接接口。存储接口750为SD卡、U盘等外置存储设备提供连接接口。
本发明的实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现前述任意一种工单处理方法。
本领域内的技术人员应当明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解为可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (21)
1.一种工单处理方法，包括：
利用知识图谱，确定待处理工单的拓扑结构；
根据所述拓扑结构，确定所述待处理工单与一个或多个已处理工单的相似度；
根据所述相似度，从所述一个或多个已处理工单中选择工单，作为所述待处理工单的参考工单。
2.根据权利要求1所述的工单处理方法，其中，所述利用知识图谱，确定待处理工单的拓扑结构包括：
从所述待处理工单中提取命名实体；
在所述知识图谱中确定与提取的命名实体匹配的节点；
根据所述匹配的节点在所述知识图谱中的拓扑结构，确定所述待处理工单的拓扑结构。
3.根据权利要求2所述的工单处理方法，其中，所述根据所述匹配的节点在所述知识图谱中的拓扑结构，确定所述待处理工单的拓扑结构包括：
在提取的所述命名实体中，对于与所述知识图谱中任意一个节点均不匹配、且无法连接到所述知识图谱的未知命名实体，确定所述知识图谱中与所述未知命名实体相似的节点；
将所述相似的节点与所述知识图谱中其他节点之间的拓扑关系赋予所述未知命名实体；
根据所述未知命名实体对应的拓扑关系、以及所述匹配的命名实体在所述知识图谱中的拓扑结构，确定所述待处理工单的拓扑结构。
4.根据权利要求3所述的工单处理方法，其中，在提取的所述命名实体中，确定所述知识图谱中与所述未知命名实体相似、且类型相同的节点。
5.根据权利要求3所述的工单处理方法，其中，所述确定所述知识图谱中与所述未知命名实体相似的节点包括：
根据所述知识图谱中相邻节点的相似度、相邻边的相似度、所在路径的相似度中的至少一种，确定所述知识图谱中与所述未知命名实体相似的节点。
6.根据权利要求5所述的工单处理方法，其中，所述根据所述知识图谱中相邻节点的相似度、相邻边的相似度、所在路径的相似度中的至少一种，确定所述知识图谱中与所述未知命名实体相似的节点包括：
根据相邻节点的相似度、相邻边的相似度、所在路径的相似度中的至少一种的加权结果，确定所述知识图谱中与所述未知命名实体相似的节点。
7.根据权利要求2所述的工单处理方法，其中，所述从所述待处理工单中提取命名实体包括：
利用标点符号将所述待处理工单涉及的文本划分为多个子句；
对于所述多个子句中的每一个，利用文本分类算法，确定保留的子句；
从保留的子句中提取命名实体。
8.根据权利要求7所述的工单处理方法，其中，所述文本分类算法为基于上下文信息的轮次维度算法。
9.根据权利要求1~8中任一项所述的工单处理方法，其中，所述利用知识图谱，确定待处理工单的拓扑结构包括：
在所述待处理工单发生更新的情况下，利用所述知识图谱，更新所述待处理工单的拓扑结构。
10.根据权利要求1所述的工单处理方法，其中，所述根据所述拓扑结构，确定所述待处理工单与一个或多个已处理工单的相似度包括：
确定所述待处理工单的拓扑结构对应的图嵌入向量；
根据所述待处理工单对应的图嵌入向量和所述已处理工单的图嵌入向量，确定所述待处理工单与每个已处理工单的相似度。
11.根据权利要求10所述的工单处理方法，其中，所述根据所述待处理工单对应的图嵌入向量和所述已处理工单的图嵌入向量，确定所述待处理工单与每个已处理工单的相似度包括：
利用第一变形器Transformer对所述待处理工单对应的图嵌入向量和每个已处理工单的图嵌入向量进行处理；
根据所述第一变形器的输出结果，确定所述待处理工单与每个已处理工单的相似度。
12.根据权利要求11所述的工单处理方法，其中，所述确定所述待处理工单的拓扑结构对应的图嵌入向量包括：
利用图神经网络对所述待处理工单的拓扑结构进行处理，获得所述图嵌入向量。
13.根据权利要求12所述的工单处理方法，其中，所述利用图神经网络对所述待处理工单的拓扑结构进行处理包括：
在所述图神经网络的每一层计算中，对于所述拓扑结构中的每个节点，
利用所述节点的邻居节点在上一层计算中的嵌入信息，确定所述节点的聚合结果，其中，对于所述拓扑结构中的未知命名实体对应的未知节点，利用卷积核对所述未知节点相连的边以及所述边相连的节点的嵌入信息进行处理，获得所述未知节点的聚合结果；
利用所述节点在上一层计算中的嵌入信息和所述节点的聚合结果，确定所述节点在所述层的嵌入信息。
14.根据权利要求13所述的工单处理方法，其中，所述利用卷积核对所述未知节点相连的边以及所述边相连的邻居节点的嵌入信息进行处理，获得所述未知节点的聚合结果包括：
对于所述未知节点的每个邻居节点，
利用所述卷积核对所述邻居节点和所述未知节点与所述邻居节点之间的边的嵌入向量进行处理，并将处理的结果进行批量标准化BN处理；
将BN处理的结果输入到冲激函数中；
将所述冲激函数的计算结果与投影矩阵相乘，获得所述邻居节点的嵌入信息；
对所述未知节点的邻居节点的嵌入信息进行聚合。
15.根据权利要求14所述的工单处理方法，其中，所述对所述未知节点的邻居节点的嵌入信息进行聚合包括：
将所述未知节点的邻居节点的嵌入信息输入到第二变形器中，获得所述第二变形器输出的、对所述未知节点的邻居节点的嵌入信息的聚合结果。
16.根据权利要求12所述的工单处理方法，还包括：
以绝对边际目标函数作为损失函数，对所述图神经网络进行训练。
17.根据权利要求1所述的工单处理方法，其中，所述知识图谱包括工单节点以及与所述工单节点连接的一个或多个告警节点、一个或多个对话节点、一个或多个处理事件节点。
18.根据权利要求17所述的工单处理方法，其中，所述知识图谱还具有以下至少一种连接关系：
所述工单节点与故障类型、解决方案、告警原因中的至少一种节点之间的连接关系；
所述告警节点与告警名称、源地址、告警网元、告警描述中的至少一种节点之间的连接关系；
所述对话节点与工位、回单、反馈中的至少一种节点之间的连接关系；
所述处理事件节点与挂起原因、挂起时长、操作类型、业务隔离、故障设备、指标状态、排查的设备中的至少一种节点之间的连接关系；
不同告警节点之间的连接关系；
不同对话节点之间的连接关系；
不同处理事件节点之间的连接关系。
19.一种工单处理装置，包括：
拓扑结构确定模块，被配置为利用知识图谱，确定待处理工单的拓扑结构；
相似度确定模块，被配置为根据所述拓扑结构，确定所述待处理工单与一个或多个已处理工单的相似度；
选择模块，被配置为根据所述相似度，从所述一个或多个已处理工单中选择工单，作为所述待处理工单的参考工单。
20.一种工单处理装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行如权利要求1~18中任一项所述的工单处理方法。
21.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1~18中任一项所述的工单处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310744556.0A CN116542634A (zh) | 2023-06-21 | 2023-06-21 | 工单处理方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310744556.0A CN116542634A (zh) | 2023-06-21 | 2023-06-21 | 工单处理方法、装置和计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116542634A true CN116542634A (zh) | 2023-08-04 |
Family
ID=87443835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310744556.0A Pending CN116542634A (zh) | 2023-06-21 | 2023-06-21 | 工单处理方法、装置和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116542634A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016188279A1 (zh) * | 2015-05-25 | 2016-12-01 | 阿里巴巴集团控股有限公司 | 一种故障谱的生成、基于故障谱的检测方法和装置 |
| CN111581390A (zh) * | 2019-02-19 | 2020-08-25 | 北京嘀嘀无限科技发展有限公司 | 一种知识图谱的构建方法、装置以及电子设备 |
| CN112417175A (zh) * | 2020-12-07 | 2021-02-26 | 北京明略软件系统有限公司 | 面向维修工单的文档检索方法、系统、计算机及存储介质 |
| CN113111256A (zh) * | 2021-03-26 | 2021-07-13 | 苏州国利岳康软件科技有限公司 | 基于深度知识图谱的生产工单推荐方法 |
| CN113434627A (zh) * | 2020-03-18 | 2021-09-24 | 中国电信股份有限公司 | 工单的处理方法、装置和计算机可读存储介质 |
| CN115858796A (zh) * | 2021-09-24 | 2023-03-28 | 中兴通讯股份有限公司 | 一种故障知识图谱构建方法及装置 |
-
2023
- 2023-06-21 CN CN202310744556.0A patent/CN116542634A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016188279A1 (zh) * | 2015-05-25 | 2016-12-01 | 阿里巴巴集团控股有限公司 | 一种故障谱的生成、基于故障谱的检测方法和装置 |
| CN111581390A (zh) * | 2019-02-19 | 2020-08-25 | 北京嘀嘀无限科技发展有限公司 | 一种知识图谱的构建方法、装置以及电子设备 |
| CN113434627A (zh) * | 2020-03-18 | 2021-09-24 | 中国电信股份有限公司 | 工单的处理方法、装置和计算机可读存储介质 |
| CN112417175A (zh) * | 2020-12-07 | 2021-02-26 | 北京明略软件系统有限公司 | 面向维修工单的文档检索方法、系统、计算机及存储介质 |
| CN113111256A (zh) * | 2021-03-26 | 2021-07-13 | 苏州国利岳康软件科技有限公司 | 基于深度知识图谱的生产工单推荐方法 |
| CN115858796A (zh) * | 2021-09-24 | 2023-03-28 | 中兴通讯股份有限公司 | 一种故障知识图谱构建方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023065545A1 (zh) | 风险预测方法、装置、设备及存储介质 | |
| CN110609759B (zh) | 一种故障根因分析的方法及装置 | |
| CN110837602B (zh) | 基于表示学习和多模态卷积神经网络的用户推荐方法 | |
| CN112507040B (zh) | 多元关系生成模型的训练方法、装置、电子设备及介质 | |
| Li et al. | Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network | |
| CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
| CN105786980A (zh) | 对描述同一实体的不同实例进行合并的方法、装置及设备 | |
| CN111209472B (zh) | 一种铁路事故故障关联和事故故障原因分析方法及系统 | |
| CN114785666B (zh) | 一种网络故障排查方法与系统 | |
| CN112200266B (zh) | 基于图结构数据的网络训练方法、装置以及节点分类方法 | |
| CN116402352A (zh) | 一种企业风险预测方法、装置、电子设备及介质 | |
| CN115809340A (zh) | 一种知识图谱的实体更新方法及系统 | |
| CN116861924A (zh) | 基于人工智能的项目风险预警方法及系统 | |
| Abedini et al. | Correction Tower: A general embedding method of the error recognition for the knowledge graph correction | |
| CN113824575B (zh) | 故障节点识别的方法、装置、计算设备及计算机存储介质 | |
| CN113343677A (zh) | 一种意图识别方法、装置、电子设备及存储介质 | |
| WO2023143570A1 (zh) | 一种连接关系预测方法及相关设备 | |
| CN111144572A (zh) | 一种基于树形贝叶斯网络的配电网灾情推断方法及系统 | |
| CN111275079A (zh) | 基于图神经网络的众包标签推测方法及系统 | |
| CN116542634A (zh) | 工单处理方法、装置和计算机可读存储介质 | |
| CN115169426A (zh) | 一种基于相似性学习融合模型的异常检测方法及系统 | |
| CN113886547A (zh) | 基于人工智能的客户实时对话转接方法、装置和电子设备 | |
| CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
| CN115952438B (zh) | 社交平台用户属性预测方法、系统、移动设备及存储介质 | |
| CN116401372A (zh) | 知识图谱表示学习方法、装置、电子设备及可读存储介质 |
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: 20230804 |