CN116720939A - 银行产品缺陷分析方法、装置、存储介质及计算机设备 - Google Patents
银行产品缺陷分析方法、装置、存储介质及计算机设备 Download PDFInfo
- Publication number
- CN116720939A CN116720939A CN202310697435.5A CN202310697435A CN116720939A CN 116720939 A CN116720939 A CN 116720939A CN 202310697435 A CN202310697435 A CN 202310697435A CN 116720939 A CN116720939 A CN 116720939A
- Authority
- CN
- China
- Prior art keywords
- defect
- product
- analysis model
- defect analysis
- prediction result
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 464
- 238000004458 analytical method Methods 0.000 title claims abstract description 193
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims description 62
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000013473 artificial intelligence Methods 0.000 claims description 13
- 238000007621 cluster analysis Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 12
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000012423 maintenance Methods 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供的一种银行产品缺陷分析方法、装置、存储介质及计算机设备，可应用于大数据领域或金融领域。本公开可以获得目标银行产品的任务运行信息；将任务运行信息输入至预先训练好的缺陷分析模型中，获得缺陷分析模型输出的与目标银行产品对应的缺陷风险预测结果；在目标银行产品发生问题缺陷的情况下，获得目标银行产品的问题缺陷信息；将问题缺陷信息输入至缺陷分析模型中，获得缺陷分析模型输出的与目标银行产品对应的缺陷原因预测结果。本公开基于缺陷分析模型对银行产品的缺陷风险监测和缺陷原因定位，实现了对银行产品实时且快速地缺陷分析，从而有效提高对银行产品进行缺陷分析的效率，辅助银行产品的开发和维护。
Description
技术领域
本公开涉及大数据技术领域，尤其涉及一种银行产品缺陷分析方法、装置、存储介质及计算机设备。
背景技术
随着金融科技的发展，银行产品的开发任务逐年上升，开发出的银行产品种类也越来越多。
为了方便各类银行产品的迭代和维护，需要对银行产品出现的问题缺陷进行分析，挖掘出问题缺陷产生的原因，也为后续银行产品的发展提供重要的参考价值和借鉴价值。然而，当前产品缺陷依赖与银行产品相应的产品组安排人员进行分析，难以及时发现银行产品存在的潜在缺陷，对银行产品出现的问题缺陷也难以准确得出导致缺陷的原因，极大降低了产品缺陷分析的效率。
因此，如何对银行产品进行高效的缺陷分析，成为本领域技术人员急需解决的技术问题。
发明内容
鉴于上述问题，本公开提供一种克服上述问题或者至少部分地解决上述问题的一种银行产品缺陷分析方法、装置、存储介质及计算机设备，技术方案如下：
一种银行产品缺陷分析方法，包括：
获得目标银行产品的任务运行信息；
将所述任务运行信息输入至预先训练好的缺陷分析模型中，获得所述缺陷分析模型输出的与所述目标银行产品对应的缺陷风险预测结果；
在所述目标银行产品发生问题缺陷的情况下，获得所述目标银行产品的问题缺陷信息；
将所述问题缺陷信息输入至所述缺陷分析模型中，获得所述缺陷分析模型输出的与所述目标银行产品对应的缺陷原因预测结果。
可选的，所述缺陷分析模型的训练过程包括：
获得多个银行产品的历史问题数据和与所述历史问题数据对应的缺陷分析信息；
利用所述历史问题数据和所述缺陷分析信息，对基于预设人工智能算法构建出的所述缺陷分析模型进行训练，获得训练好的所述缺陷分析模型。
可选的，所述预设人工智能算法为聚类分析算法。
可选的，所述利用所述历史问题数据和所述缺陷分析信息，对基于预设人工智能算法构建出的所述缺陷分析模型进行训练，获得训练好的所述缺陷分析模型，包括：
将所述历史问题数据和所述缺陷分析信息输入至所述缺陷分析模型，使用所述聚类分析算法，提取出多个产品维度的产品缺陷特征值；
基于所述产品缺陷特征值进行聚类，获得多个聚类簇；
对各个所述聚类簇分别进行评估描述，构建出各个所述产品维度与产品问题缺陷之间的关联关系，获得训练好的所述缺陷分析模型。
可选的，在所述获得所述缺陷分析模型输出的与所述目标银行产品对应的缺陷风险预测结果之后，所述方法还包括：
将所述任务运行信息和所述缺陷风险预测结果作为第一训练数据，基于所述缺陷风险预测结果，对所述第一训练数据设置第一准确性特征参数；
利用携带有所述第一准确性特征参数的所述第一训练数据，对所述缺陷分析模型进行训练更新，获得更新好的所述缺陷分析模型。
可选的，在所述获得所述缺陷分析模型输出的与所述目标银行产品对应的缺陷原因预测结果之后，所述方法还包括：
将所述问题缺陷信息和所述缺陷原因预测结果作为第二训练数据，基于所述缺陷原因预测结果，对所述第二训练数据设置第二准确性特征参数；
利用携带有所述第二准确性特征参数的所述第二训练数据，对所述缺陷分析模型进行训练更新，获得更新好的所述缺陷分析模型。
可选的，所述任务运行信息包括：产品名称、产品技术序列、产品关键模块、任务运行时间和任务所处阶段。
一种银行产品缺陷分析装置，包括：任务运行信息获得单元、缺陷风险预测结果获得单元、问题缺陷信息获得单元和缺陷原因预测结果获得单元，
所述任务运行信息获得单元，用于获得目标银行产品的任务运行信息；
所述缺陷风险预测结果获得单元，用于将所述任务运行信息输入至预先训练好的缺陷分析模型中，获得所述缺陷分析模型输出的与所述目标银行产品对应的缺陷风险预测结果；
所述问题缺陷信息获得单元，用于在所述目标银行产品发生问题缺陷的情况下，获得所述目标银行产品的问题缺陷信息；
所述缺陷原因预测结果获得单元，用于将所述问题缺陷信息输入至所述缺陷分析模型中，获得所述缺陷分析模型输出的与所述目标银行产品对应的缺陷原因预测结果。
一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现上述任一项所述的银行产品缺陷分析方法。
一种电子设备，所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述任一项所述的银行产品缺陷分析方法。
借由上述技术方案，本公开提供的一种银行产品缺陷分析方法、装置、存储介质及计算机设备，可应用于大数据领域或金融领域。本公开可以获得目标银行产品的任务运行信息；将任务运行信息输入至预先训练好的缺陷分析模型中，获得缺陷分析模型输出的与目标银行产品对应的缺陷风险预测结果；在目标银行产品发生问题缺陷的情况下，获得目标银行产品的问题缺陷信息；将问题缺陷信息输入至缺陷分析模型中，获得缺陷分析模型输出的与目标银行产品对应的缺陷原因预测结果。本公开基于缺陷分析模型对银行产品的缺陷风险监测和缺陷原因定位，实现了对银行产品实时且快速地缺陷分析，从而有效提高对银行产品进行缺陷分析的效率，辅助银行产品的开发和维护。
上述说明仅是本公开技术方案的概述，为了能够更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为了让本公开的上述和其它目的、特征和优点能够更明显易懂，以下特举本公开的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本公开的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本公开实施例提供的银行产品缺陷分析方法的一种实施方式的流程示意图；
图2示出了本公开实施例提供的银行产品缺陷分析方法中缺陷分析模型的训练过程的一种实施方式的流程示意图；
图3示出了本公开实施例提供的银行产品缺陷分析方法中缺陷分析模型的训练过程的另一种实施方式的流程示意图；
图4示出了本公开实施例提供的银行产品缺陷分析装置的结构示意图；
图5示出了本公开实施例提供的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
由于银行产品缺陷分析对后续银行产品的发展和维护具有重要的参考意义和借鉴意义，如果能对各类银行产品的产品缺陷分析资产进行分析，产出分析价值，将有利于提升后续开发出的银行产品的质量，辅助银行产品的开发和维护。
如图1所示，本公开实施例提供的银行产品缺陷分析方法的一种实施方式的流程示意图，该银行产品缺陷分析方法可以包括：
S100、获得目标银行产品的任务运行信息。
其中，银行产品可以是银行针对特定业务项目开发的IT(Internet Technology)产品。例如：银行产品可以是应用软件、系统软件、操作系统或硬件系统。
其中，任务运行信息为目标银行产品在运行状态下特定任务指标项对应的数据信息。可选的，任务运行信息可以包括：产品名称、产品技术序列、产品关键模块、任务运行时间和任务所处阶段。
其中，产品名称为银行产品的标识。
其中，产品技术序列用于指示银行产品对应的技术栈。例如：技术栈可以为互联网金融、数据类或“.Net”。
其中，产品关键模块用于指示银行产品的核心功能模块。例如：应用安全、涉机密、关键核心处理以及账务处理等。
其中，任务运行时间用于指示银行产品本次运行的持续时长。
其中，任务所处阶段用于指示银行产品本次运行所处的产品项目阶段。例如：产品项目阶段可以为开发阶段、测试阶段或演练阶段。
S110、将任务运行信息输入至预先训练好的缺陷分析模型中，获得缺陷分析模型输出的与目标银行产品对应的缺陷风险预测结果。
其中，缺陷分析模型为基于人工智能算法构建的机器学习模型。训练好的缺陷分析模型可以对银行产品、问题缺陷、缺陷原因以及问题缺陷发生阶段之间的关联关系进行分析计算，从而以目标银行产品的任务运行信息作为缺陷分析模型的数据源，获得与目标银行产品对应的缺陷风险预测结果。
其中，缺陷风险预测结果为缺陷分析模型对目标银行产品在本次运行中存在的潜在风险的预测结果。缺陷风险预测结果可以包括目标银行产品在本次运行中可能发生的问题缺陷。可以理解的是，缺陷风险预测结果也可以为无问题缺陷风险。
本公开实施例通过将目标银行产品的任务运行信息输入至缺陷分析模型，可以实现对目标银行产品的任务风险实时监测，根据缺陷风险预测结果，与目标银行产品对应的产品组或技术人员可以及时进行产品加固检查，从而规避缺陷风险的发生。
S120、在目标银行产品发生问题缺陷的情况下，获得目标银行产品的问题缺陷信息。
其中，问题缺陷为银行产品存在的生产问题。生产问题指的是银行产品的运行状况异常问题或数据处理异常问题。生产问题影响到银行产品涉及的业务活动的正常持续运营。
在通常情况下，银行产品发生问题缺陷时会报错，本公开实施例可以根据银行产品的报错提示，确定银行产品发生问题缺陷。
其中，问题缺陷信息可以包括产品名称、产品技术序列、产品关键模块、问题缺陷描述、问题缺陷发生时间、问题缺陷发生阶段和问题严重程度。
其中，问题缺陷描述为对银行产品发生的问题缺陷的说明记录。
其中，问题缺陷发生时间用于指示银行产品发生问题缺陷时的时间。
其中，问题缺陷发生阶段用于指示银行产品发生问题缺陷时所处的产品项目阶段。
其中，问题严重程度用于指示银行产品发生的问题缺陷达到的缺陷等级状况。
S130、将问题缺陷信息输入至缺陷分析模型中，获得缺陷分析模型输出的与目标银行产品对应的缺陷原因预测结果。
由于训练好的缺陷分析模型可以对银行产品、问题缺陷、缺陷原因以及问题缺陷发生阶段之间的关联关系进行分析计算，本公开实施例能够以问题缺陷信息作为缺陷分析模型的数据源，获得与目标银行产品对应的缺陷原因预测结果。
其中，缺陷原因预测结果为缺陷分析模型对目标银行产品发生问题缺陷的缺陷原因的预测结果。缺陷原因预测结果包括可能导致目标银行发生问题缺陷的缺陷原因。可选的，缺陷原因可以为人员技能不足或系统资源不匹配等。
本公开实施例通过将目标银行产品发生问题缺陷的问题缺陷信息输入至缺陷分析模型，可以定位目标银行产品的问题缺陷的缺陷原因，根据缺陷原因预测结果，能够辅助与目标银行产品对应的产品组或技术人员及时且准确地进行问题缺陷处置。
本公开提供的一种银行产品缺陷分析方法，可应用于大数据领域或金融领域。本公开可以获得目标银行产品的任务运行信息；将任务运行信息输入至预先训练好的缺陷分析模型中，获得缺陷分析模型输出的与目标银行产品对应的缺陷风险预测结果；在目标银行产品发生问题缺陷的情况下，获得目标银行产品的问题缺陷信息；将问题缺陷信息输入至缺陷分析模型中，获得缺陷分析模型输出的与目标银行产品对应的缺陷原因预测结果。本公开基于缺陷分析模型对银行产品的缺陷风险监测和缺陷原因定位，实现了对银行产品实时且快速地缺陷分析，从而有效提高对银行产品进行缺陷分析的效率，辅助银行产品的开发和维护。
在实际情况中，不同的银行产品通常由不同的产品组负责，问题资产信息互不相同，对于各自银行产品发生的问题缺陷难以整合为统一的问题资产信息。然而，类似技术栈、架构的银行产品之间发生的问题缺陷往往具有一定的规律，同一个产品组下分辖的不同银行产品发生的问题缺陷也具有一定的规律，因此，如何对各个银行产品的问题缺陷进行统一数据加工，成为训练出能够对全类银行产品进行缺陷风险监测和缺陷原因定位的缺陷分析模型的关键。为了对银行产品进行缺陷分析，本公开实施例可以在步骤S100之前对缺陷分析模型进行机器学习训练，以使缺陷分析模型具备缺陷风险监测和缺陷原因定位的功能。
可选的，基于图1所示方法，如图2所示，本公开实施例提供的银行产品缺陷分析方法中缺陷分析模型的训练过程的一种实施方式的流程示意图，该缺陷分析模型的训练过程可以包括：
S200、获得多个银行产品的历史问题数据和与历史问题数据对应的缺陷分析信息。
其中，历史问题数据包括银行产品在历史上发生问题缺陷时的问题缺陷信息。缺陷分析信息包括针对银行产品在历史上发生的问题缺陷分析出的缺陷原因和解决方案。
在实际情况下，本公开实施例可以采集多个银行产品的历史问题数据和与历史问题数据对应的缺陷分析信息，建立问题资产及缺陷分析信息基础数据库。在该数据库中存储包括产品名称、产品技术序列、产品关键模块、问题缺陷描述、问题缺陷发生时间、问题缺陷发生阶段、问题严重程度、缺陷原因和解决方案等基础数据。
S210、利用历史问题数据和缺陷分析信息，对基于预设人工智能算法构建出的缺陷分析模型进行训练，获得训练好的缺陷分析模型。
本公开实施例可以利用问题资产及缺陷分析信息基础数据库中存储的基础数据作为源数据输入缺陷分析模型中，利用预设人工智能算法对缺陷分析模型进行机器学习，基于准确率和召回率等模型指标，获得能够对银行产品、问题缺陷、缺陷原因以及问题缺陷发生阶段之间的关联关系进行分析计算的缺陷分析模型。
本公开实施例通过采集银行产品的历史问题数据及其相应的缺陷分析信息，可以对银行产品出现的问题缺陷和缺陷原因进行总结归类，再利用历史问题数据及其相应的缺陷分析对缺陷分析模型进行机器学习，挖掘出相类似的银行产品之间发生的问题缺陷的缺陷原因的特征规律，从而训练出能够对银行产品、问题缺陷、缺陷原因以及问题缺陷发生阶段之间的关联关系进行分析计算的缺陷分析模型。
人工智能算法可以包括人工神经网络(Artificial Neural Network)算法、关联规则(Association Rule Learning)算法、分层聚类(Hierarchical Clustering)算法、聚类分析(Cluster analysis)算法以及异常检测(Anomaly detection)算法。
可选的，本公开实施例提供的预设人工智能算法可以为聚类分析算法。
可选的，基于图2所示的缺陷分析模型的训练过程，如图3所示，本公开实施例提供的银行产品缺陷分析方法中缺陷分析模型的训练过程的另一种实施方式的流程示意图，步骤S210可以包括：
S211、将历史问题数据和缺陷分析信息输入至缺陷分析模型，使用聚类分析算法，提取出多个产品维度的产品缺陷特征值。
具体的，本公开实施例可以使用聚类分析算法，提取出历史问题数据和缺陷分析信息中问题缺陷信息和缺陷原因的产品缺陷特征值。例如：本公开实施例可以使用聚类分析算法提取出包括产品技术序列、产品关键模块、问题缺陷发生阶段和缺陷原因在内的多个产品维度的产品缺陷特征值。
S212、基于产品缺陷特征值进行聚类，获得多个聚类簇。
S213、对各个聚类簇分别进行评估描述，构建出各个产品维度与产品问题缺陷之间的关联关系，获得训练好的缺陷分析模型。
本公开实施例通过对各个聚类簇分别进行评估描述，可以构建出包括银行产品、问题缺陷、缺陷原因以及问题缺陷发生阶段之间的关联关系，进而基于准确率和召回率等模型指标，完成缺陷分析模型的构建和训练。
由于在实际场景下银行产品的历史问题数据及其缺陷分析信息的数据量比较大，本公开实施例选用原理比较简单的聚类分析算法对缺陷分析模型进行机器学习，利用聚类分析算法快速收敛的特性，能够提高缺陷分析模型的训练效率，可以快速实现缺陷分析模型的构建和后续更新，从而有助于利用缺陷分析模型高效地对银行产品的缺陷风险监测和缺陷原因定位。
由于银行产品会随着实际需求不断地进行迭代更新，因此缺陷分析模型也需要不断地进行调整优化，以便缺陷分析模型能够更加精准地对银行产品的问题缺陷进行缺陷风险监测和缺陷原因定位。
可选的，本公开实施例在步骤S110之后，还可以将任务运行信息和缺陷风险预测结果作为第一训练数据，基于缺陷风险预测结果，对第一训练数据设置第一准确性特征参数。利用携带有第一准确性特征参数的第一训练数据，对缺陷分析模型进行训练更新，获得更新好的缺陷分析模型。
其中，第一准确性特征参数用于指示缺陷风险预测结果是否准确。例如：在缺陷风险预测结果准确时，则第一准确性特征参数置为1，反之，则置为0。
具体的，在缺陷分析模型输出与目标银行产品对应的缺陷风险预测结果之后，本公开实施例可以根据负责目标银行产品的产品组是否采纳缺陷风险预测结果，确定缺陷风险预测结果是否准确。若负责目标银行产品的产品组采纳缺陷风险预测结果，则确定缺陷风险预测结果准确，反之，则确定缺陷风险预测结果不准确。
本公开实施例通过对目标银行产品的任务运行信息及其相应的缺陷风险预测结果的系统路径增设第一准确性特征参数，以第一准确性特征参数作为训练标签，将任务运行信息和缺陷风险预测结果作为第一训练数据输入至缺陷分析模型，使得缺陷分析模型能够对携带有第一准确性特征参数的第一训练数据进行机器学习，从而实现缺陷分析模型的调整优化。
本公开实施例通过增设第一准确性特征参数的方式，利用任务运行信息和缺陷风险预测结果调整优化缺陷分析模型，能够提高缺陷分析模型对银行产品的问题缺陷进行缺陷风险监测的准确性，可以重点关注银行产品的问题缺陷高发阶段，降低重复问题缺陷的发生率，指导银行产品质量的健康发展。
可选的，本公开实施例在步骤S130之后，还可以将问题缺陷信息和缺陷原因预测结果作为第二训练数据，基于缺陷原因预测结果，对第二训练数据设置第二准确性特征参数。利用携带有第二准确性特征参数的第二训练数据，对缺陷分析模型进行训练更新，获得更新好的缺陷分析模型。
其中，第二准确性特征参数用于指示缺陷原因预测结果是否准确。例如：在缺陷原因预测结果准确时，则第二准确性特征参数置为1，反之，这置为0。
具体的，在缺陷分析模型输出与目标银行产品对应的缺陷原因预测结果之后，本公开实施例可以根据负责目标银行产品的产品组是否采纳缺陷原因预测结果，确定缺陷原因预测结果是否准确。若负责目标银行产品的产品组采纳缺陷原因预测结果，则确定缺陷原因预测结果准确，反之，则确定缺陷原因预测结果不准确。
本公开实施例通过对目标银行产品的问题缺陷信息及其相应的缺陷原因预测结果的系统路径增设第二准确性特征参数，以第二准确性特征参数作为训练标签，将问题缺陷信息和缺陷原因预测结果作为第二训练数据输入值缺陷分析模型，使得缺陷分析模型能够对携带有第二准确性特征参数的第二训练数据进行机器学习，从而实现缺陷分析模型的调整优化。
本公开实施例通过增设第二准确性特征参数的方式，利用问题缺陷信息和缺陷原因预测结果调整优化缺陷分析模型，能够提高缺陷分析模型对银行产品的问题缺陷进行缺陷原因定位的准确性，有助于提升产品组对问题缺陷的应急处置能力，提升问题缺陷处置效率。
本公开实施例基于大数据和人工智能技术，对历史上的银行产品的历史问题数据和缺陷分析信息进行数据加工，搭建缺陷分析模型，并不断引入新的银行产品的问题数据进行训练，同时通过接收用户对模型预测结果的反馈，进一步调整优化缺陷分析模型，能够利用缺陷分析模型实现对银行产品的缺陷风险监测和缺陷原因定位。
虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
与上述方法实施例相对应，本公开实施例还提供一种银行产品缺陷分析装置，其结构如图4所示，可以包括：任务运行信息获得单元100、缺陷风险预测结果获得单元200、问题缺陷信息获得单元300和缺陷原因预测结果获得单元400。
任务运行信息获得单元100，用于获得目标银行产品的任务运行信息。
缺陷风险预测结果获得单元200，用于将任务运行信息输入至预先训练好的缺陷分析模型中，获得缺陷分析模型输出的与目标银行产品对应的缺陷风险预测结果。
问题缺陷信息获得单元300，用于在目标银行产品发生问题缺陷的情况下，获得目标银行产品的问题缺陷信息。
缺陷原因预测结果获得单元400，用于将问题缺陷信息输入至缺陷分析模型中，获得缺陷分析模型输出的与目标银行产品对应的缺陷原因预测结果。
可选的，该银行产品缺陷分析装置还可以包括：银行产品历史数据信息获得单元和缺陷分析模型训练单元。
银行产品历史数据信息获得单元，用于获得多个银行产品的历史问题数据和与历史问题数据对应的缺陷分析信息。
缺陷分析模型训练单元，用于利用历史问题数据和缺陷分析信息，对基于预设人工智能算法构建出的缺陷分析模型进行训练，获得训练好的缺陷分析模型。
可选的，预设人工智能算法为聚类分析算法。
可选的，缺陷分析模型训练单元可以包括：产品缺陷特征值提取子单元、聚类簇获得子单元和缺陷分析模型获得子单元。
产品缺陷特征值提取子单元，用于将历史问题数据和缺陷分析信息输入至缺陷分析模型，使用聚类分析算法，提取出多个产品维度的产品缺陷特征值。
聚类簇获得子单元，用于基于产品缺陷特征值进行聚类，获得多个聚类簇。
缺陷分析模型获得子单元，用于对各个聚类簇分别进行评估描述，构建出各个产品维度与产品问题缺陷之间的关联关系，获得训练好的缺陷分析模型。
可选的，该银行产品缺陷分析装置还可以包括：第一准确性特征参数设置单元和第一缺陷分析模型训练更新单元。
第一准确性特征参数设置单元，用于缺陷风险预测结果获得单元200获得缺陷分析模型输出的与目标银行产品对应的缺陷风险预测结果之后，将任务运行信息和缺陷风险预测结果作为第一训练数据，基于缺陷风险预测结果，对第一训练数据设置第一准确性特征参数。
第一缺陷分析模型训练更新单元，用于利用携带有第一准确性特征参数的第一训练数据，对缺陷分析模型进行训练更新，获得更新好的缺陷分析模型。
可选的，该银行产品缺陷分析装置还可以包括：第二准确性特征参数设置单元和第二缺陷分析模型训练更新单元。
第二准确性特征参数设置单元，用于缺陷原因预测结果获得单元400获得缺陷分析模型输出的与目标银行产品对应的缺陷原因预测结果之后，将问题缺陷信息和缺陷原因预测结果作为第二训练数据，基于缺陷原因预测结果，对第二训练数据设置第二准确性特征参数。
第二缺陷分析模型训练更新单元，用于利用携带有第二准确性特征参数的第二训练数据，对缺陷分析模型进行训练更新，获得更新好的缺陷分析模型。
可选的，任务运行信息包括：产品名称、产品技术序列、产品关键模块、任务运行时间和任务所处阶段。
本公开提供的一种银行产品缺陷分析装置，可应用于大数据领域或金融领域。本公开可以获得目标银行产品的任务运行信息；将任务运行信息输入至预先训练好的缺陷分析模型中，获得缺陷分析模型输出的与目标银行产品对应的缺陷风险预测结果；在目标银行产品发生问题缺陷的情况下，获得目标银行产品的问题缺陷信息；将问题缺陷信息输入至缺陷分析模型中，获得缺陷分析模型输出的与目标银行产品对应的缺陷原因预测结果。本公开基于缺陷分析模型对银行产品的缺陷风险监测和缺陷原因定位，实现了对银行产品实时且快速地缺陷分析，从而有效提高对银行产品进行缺陷分析的效率，辅助银行产品的开发和维护。
关于上述实施例中的装置，其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
银行产品缺陷分析装置包括处理器和存储器，上述任务运行信息获得单元100、缺陷风险预测结果获得单元200、问题缺陷信息获得单元300和缺陷原因预测结果获得单元400等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来基于缺陷分析模型对银行产品的缺陷风险监测和缺陷原因定位，实现了对银行产品实时且快速地缺陷分析，从而有效提高对银行产品进行缺陷分析的效率，辅助银行产品的开发和维护。
本公开实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现所述银行产品缺陷分析方法。
本公开实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述银行产品缺陷分析方法。
如图5所示，本公开实施例提供了一种电子设备1000，电子设备1000包括至少一个处理器1001、以及与处理器1001连接的至少一个存储器1002、总线1003；其中，处理器1001、存储器1002通过总线1003完成相互间的通信；处理器1001用于调用存储器1002中的程序指令，以执行上述的银行产品缺陷分析方法。本文中的电子设备可以是服务器、PC、PAD、手机等。
本公开还提供了一种计算机程序产品，当在电子设备上执行时，适于执行初始化有银行产品缺陷分析方法步骤的程序。
需要说明的是，本公开提供的银行产品缺陷分析方法、装置、存储介质及计算机设备可用于大数据领域或金融领域。上述仅为示例，并不对本公开提供的银行产品缺陷分析方法、装置、存储介质及计算机设备的应用领域进行限定。
本公开是参照根据本公开实施例的方法、装置、电子设备(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。
在一个典型的配置中，电子设备包括一个或多个处理器(CPU)、存储器和总线。电子设备还可以包括输入/输出接口、网络接口等。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
在本公开的描述中，需要理解的是，如若涉及术语“上”、“下”、“前”、“后”、“左”和“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的位置或元件必须具有特定方位、以特定的方位构成和操作，因此不能理解为本公开的限制。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本公开的实施例可提供为方法、系统或计算机程序产品。因此，本公开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，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本公开的实施例而已，并不用于限制本公开。对于本领域技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本公开的权利要求范围之内。
Claims (10)
1.一种银行产品缺陷分析方法，其特征在于，包括：
获得目标银行产品的任务运行信息；
将所述任务运行信息输入至预先训练好的缺陷分析模型中，获得所述缺陷分析模型输出的与所述目标银行产品对应的缺陷风险预测结果；
在所述目标银行产品发生问题缺陷的情况下，获得所述目标银行产品的问题缺陷信息；
将所述问题缺陷信息输入至所述缺陷分析模型中，获得所述缺陷分析模型输出的与所述目标银行产品对应的缺陷原因预测结果。
2.根据权利要求1所述的方法，其特征在于，所述缺陷分析模型的训练过程包括：
获得多个银行产品的历史问题数据和与所述历史问题数据对应的缺陷分析信息；
利用所述历史问题数据和所述缺陷分析信息，对基于预设人工智能算法构建出的所述缺陷分析模型进行训练，获得训练好的所述缺陷分析模型。
3.根据权利要求2所述的方法，其特征在于，所述预设人工智能算法为聚类分析算法。
4.根据权利要求3所述的方法，其特征在于，所述利用所述历史问题数据和所述缺陷分析信息，对基于预设人工智能算法构建出的所述缺陷分析模型进行训练，获得训练好的所述缺陷分析模型，包括：
将所述历史问题数据和所述缺陷分析信息输入至所述缺陷分析模型，使用所述聚类分析算法，提取出多个产品维度的产品缺陷特征值；
基于所述产品缺陷特征值进行聚类，获得多个聚类簇；
对各个所述聚类簇分别进行评估描述，构建出各个所述产品维度与产品问题缺陷之间的关联关系，获得训练好的所述缺陷分析模型。
5.根据权利要求1所述的方法，其特征在于，在所述获得所述缺陷分析模型输出的与所述目标银行产品对应的缺陷风险预测结果之后，所述方法还包括：
将所述任务运行信息和所述缺陷风险预测结果作为第一训练数据，基于所述缺陷风险预测结果，对所述第一训练数据设置第一准确性特征参数；
利用携带有所述第一准确性特征参数的所述第一训练数据，对所述缺陷分析模型进行训练更新，获得更新好的所述缺陷分析模型。
6.根据权利要求1所述的方法，其特征在于，在所述获得所述缺陷分析模型输出的与所述目标银行产品对应的缺陷原因预测结果之后，所述方法还包括：
将所述问题缺陷信息和所述缺陷原因预测结果作为第二训练数据，基于所述缺陷原因预测结果，对所述第二训练数据设置第二准确性特征参数；
利用携带有所述第二准确性特征参数的所述第二训练数据，对所述缺陷分析模型进行训练更新，获得更新好的所述缺陷分析模型。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述任务运行信息包括：产品名称、产品技术序列、产品关键模块、任务运行时间和任务所处阶段。
8.一种银行产品缺陷分析装置，其特征在于，包括：任务运行信息获得单元、缺陷风险预测结果获得单元、问题缺陷信息获得单元和缺陷原因预测结果获得单元，
所述任务运行信息获得单元，用于获得目标银行产品的任务运行信息；
所述缺陷风险预测结果获得单元，用于将所述任务运行信息输入至预先训练好的缺陷分析模型中，获得所述缺陷分析模型输出的与所述目标银行产品对应的缺陷风险预测结果；
所述问题缺陷信息获得单元，用于在所述目标银行产品发生问题缺陷的情况下，获得所述目标银行产品的问题缺陷信息；
所述缺陷原因预测结果获得单元，用于将所述问题缺陷信息输入至所述缺陷分析模型中，获得所述缺陷分析模型输出的与所述目标银行产品对应的缺陷原因预测结果。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的银行产品缺陷分析方法。
10.一种电子设备，所述电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1至7中任一项所述的银行产品缺陷分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310697435.5A CN116720939A (zh) | 2023-06-13 | 2023-06-13 | 银行产品缺陷分析方法、装置、存储介质及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310697435.5A CN116720939A (zh) | 2023-06-13 | 2023-06-13 | 银行产品缺陷分析方法、装置、存储介质及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116720939A true CN116720939A (zh) | 2023-09-08 |
Family
ID=87874746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310697435.5A Pending CN116720939A (zh) | 2023-06-13 | 2023-06-13 | 银行产品缺陷分析方法、装置、存储介质及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116720939A (zh) |
-
2023
- 2023-06-13 CN CN202310697435.5A patent/CN116720939A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113822421B (zh) | 基于神经网络的异常定位方法、系统、设备及存储介质 | |
| Guo et al. | A hybrid prognosis scheme for rolling bearings based on a novel health indicator and nonlinear Wiener process | |
| US12119114B2 (en) | Missing medical diagnosis data imputation method and apparatus, electronic device and medium | |
| US20200286095A1 (en) | Method, apparatus and computer programs for generating a machine-learning system and for classifying a transaction as either fraudulent or genuine | |
| CN117196066A (zh) | 智慧运维信息分析模型 | |
| Silva et al. | Assets predictive maintenance using convolutional neural networks | |
| CN117592870B (zh) | 基于水环境监测信息的综合分析系统 | |
| CN116361059B (zh) | 一种银行业务异常根因诊断方法及诊断系统 | |
| Rosati et al. | Machine learning in capital markets: decision support system for outcome analysis | |
| CN116307765A (zh) | 一种人工智能政务数据评审方法及系统 | |
| Widad et al. | Quality Anomaly Detection Using Predictive Techniques: An Extensive Big Data Quality Framework for Reliable Data Analysis | |
| CN110956543A (zh) | 异常交易检测的方法 | |
| Li et al. | Multi-node knowledge graph assisted distributed fault detection for large-scale industrial processes based on graph attention network and bidirectional LSTMs | |
| CN116720939A (zh) | 银行产品缺陷分析方法、装置、存储介质及计算机设备 | |
| Gupta et al. | Android smells detection using ML algorithms with static code metrics | |
| US20200285895A1 (en) | Method, apparatus and computer program for selecting a subset of training transactions from a plurality of training transactions | |
| Alraddadi | Detecting Security Bad Smells of Software by using Data Mining | |
| Wessman | Advanced Algorithms for Classification and Anomaly Detection on Log File Data: Comparative study of different Machine Learning Approaches | |
| CN118656741B (zh) | 一种基于时序数据的智能运维方法 | |
| CN118733970A (zh) | 一种法医物证智能分析方法及其分析系统 | |
| Yang | A Robust Event Diagnostics Platform: Integrating Tensor Analytics and Machine Learning into Real-time Grid Monitoring | |
| Shatnawi et al. | Predicting Software Reusability Using Classification Techniques | |
| Singh et al. | Software Quality Analysis Based on Selective Parameters Using Enhanced Ensemble Model | |
| Yurchuk et al. | Quantile-Based Statistical Techniques for Anomaly Detection | |
| CN117573490A (zh) | 一种系统异常处理方法、装置、设备及存储介质 |
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 |