CN116775981A - 系统推荐方法、装置、计算机设备及存储介质 - Google Patents
系统推荐方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116775981A CN116775981A CN202310348299.9A CN202310348299A CN116775981A CN 116775981 A CN116775981 A CN 116775981A CN 202310348299 A CN202310348299 A CN 202310348299A CN 116775981 A CN116775981 A CN 116775981A
- Authority
- CN
- China
- Prior art keywords
- target
- affected
- field
- influence
- scene
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012795 verification Methods 0.000 claims description 37
- 238000010586 diagram Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 238000007477 logistic regression Methods 0.000 claims description 11
- 238000011161 development Methods 0.000 abstract description 25
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 10
- 238000011144 upstream manufacturing Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000012827 research and development Methods 0.000 description 5
- 239000013589 supplement Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9532—Query formulation
-
- 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
-
- 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
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例属于人工智能和大数据领域,应用于数字化系统领域中,涉及一种系统推荐方法,包括获取目标待测系统的检索请求;根据所述检索请求在预设的知识库中进行第一次检索,得到第一影响数据,所述知识库中包括全部系统的影响数据;根据所述第一影响数据在所述知识库中进行第二次检索,得到第二影响数据;基于所述第二影响数据,生成系统推荐结果,并将所述系统推荐结果推荐给用户。本申请还提供一种系统推荐装置、计算机设备及存储介质。本申请可以利用知识库中系统的影响数据,生成受目标待测系统所影响到的系统推荐给用户,从而提高项目开发的效率。
Description
技术领域
本申请涉及人工智能和大数据技术领域,尤其涉及系统推荐方法、装置、计算机设备及存储介质
背景技术
在互联网行业中,对于一个项目的开发到落地,传统做法是业务、产品提出需求,统一主需求方将可能受影响的各个关联业务、研发人员一起组会议讨论需求的优化和分工,再由测试人员凭借经验做影响范围分析,然后各个系统的人员各自实现需求和优化。
特别是在一些结合互联网的行业中,比如互联网保险、互联网金融等,相较于纯互联网行业需求来源更为复杂,需求的实现常常涉及多个关联系统的改造及配合,其中的关联场景影响点分析尤为重要,但是如何能够准确的评估出影响范围以及受影响系统,却是一个困扰许久的难题,往往浪费了大量开发和测试人力,仍有存在关联场景遗漏。若采用传统研发迭代流程和评估影响点的做法,太依赖人为经验,往往会导致前期评估影响点遗漏,后面各个系统开发完,一起联调时候发现部分关联未进行处理,轻则需要占用开发时间补充逻辑,严重的可能方案设计需要推翻重做,降低项目开发的效率。
发明内容
本申请实施例的目的在于提出一种系统推荐方法、装置、计算机设备及存储介质,以解决项目研发过程中,采用传统研发迭代流程和评估影响点的做法,太依赖人为经验,往往会导致前期评估影响点遗漏,后面各个系统开发完,一起联调时候发现部分关联未进行处理,轻则需要占用开发时间补充逻辑,严重的可能方案设计需要推翻重做,降低项目开发效率的问题。
为了解决上述技术问题,本申请实施例提供一种系统推荐方法,采用了如下所述的技术方案:
获取目标待测系统的检索请求;
根据所述检索请求在预设的知识库中进行第一次检索,得到第一影响数据,所述知识库中包括全部系统的影响数据;
根据所述第一影响数据在所述知识库中进行第二次检索,得到第二影响数据;
基于所述第二影响数据,生成系统推荐结果,并将所述系统推荐结果推荐给用户。
为了解决上述技术问题,本申请实施例还提供一种系统推荐装置,采用了如下所述的技术方案:
第一获取模块,用于获取目标待测系统的检索请求;
第一检索模块,用于根据所述检索请求在预设的知识库中进行第一次检索,得到第一影响数据,所述知识库中包括全部系统的影响数据;
第二检索模块,用于根据所述第一影响数据在所述知识库中进行第二次检索,得到第二影响数据;
推荐模块,用于基于所述第二影响数据,生成系统推荐结果,并将所述系统推荐结果推荐给用户。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
所述计算机设备包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现本申请实施例中任一项所述的系统推荐方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的系统推荐方法的步骤
与现有技术相比,本申请实施例主要有以下有益效果:在获取目标待测系统的检索请求后,检索请求在知识库中进行第一次检索,得到第一影响数据,利用第一影响数据在知识库中进行第二次检索,得到第二影响数据,通过第二影响数据生成系统推荐结果;可以利用知识库中系统的影响数据,生成受目标待测系统所影响到的系统推荐给用户,使用户可以直观地得到目标待测系统的影响范围,根据目标待测系统的影响范围可以更准更快的评估改动的影响,排除无关干扰点,精简回归用例,避免前期评估影响点遗漏造成后面各个系统开发完,一起联调时候发现部分关联未进行处理,轻则需要占用开发时间补充逻辑,严重的可能方案设计需要推翻重做的问题,从而提高项目开发的效率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的系统推荐方法的一个实施例的流程图;
图3是根据本申请的系统推荐方法的另一个实施例的流程图;
图4是图3中步骤S302的一种具体实施方式的流程图;
图5是图2中步骤S203的一种具体实施方式的流程图;
图6是图5中步骤S2031的一种具体实施方式的流程图;
图7是根据本申请的系统推荐装置的一个实施例的结构示意图;
图8是根据本申请的系统推荐装置的另一个实施例的结构示意图;
图9是图8中关联模块802一种具体实施方式的结构示意图;
图10是为第二检索模块703一种具体实施方式的结构示意图;
图11是图10中第二检索子模块7031一种具体实施方式的结构示意图;
图12是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的系统推荐方法一般由服务器/终端设备执行,相应地,系统推荐装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的系统推荐方法的一个实施例的流程图。所述的系统推荐方法,包括以下步骤:
步骤S201,获取目标待测系统的检索请求。
在本实施例中,系统推荐方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收终端设备的检索请求。需要指出的是,上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
上述终端设备可以为各个业务节点对应部门中的终端设备,上述终端设备中搭载有对应部门的业务系统,以保险公司为例,保险公司至少可以包括团契部门、保全部门以及账务部门,团契部门中的终端设备搭载有团契系统,保全部门中的终端设备搭载有保全系统,账务部门中的终端设备搭载有账务系统。
上述目标待测系统可以是发起检索的部门所对应的系统,比如团契部门发起检索,则目标待测系统为团契系统,保全部门发起检索,则目标待测系统为保全系统,财务部门发起检索,则待测系统为财务系统。
具体的,测试人员在进行开发前或者在需求改动时,可以利用测试人员当前部门对应的系统发起检索,以当前部门对应的系统为目标待测系统,根据该目标待测系统的相关字段生成对应的检索请求。例如,当前部门为团契部门,则目标待测系统为团契系统,以团契系统的相关字段生成团契系统对应的检索请求。
步骤S202,根据检索请求在预设的知识库中进行第一次检索,得到第一影响数据。
在本实施例中,知识库中包括全部系统的影响数据,上述影响数据可以理解系统之间的影响关系。比如,团契系统会影响财务系统,具体来说,团契系统的需求改动会影响到财务系统的业务逻辑。上述系统之间的影响关系可以通过收集各部门的业务线进行确定,一个业务线由多个流程节点组成,一个部门的所有业务线组成对应的系统。可以收集各业务线主要的测试场景和对应的测试验证点,由各业务线的测试人员预先完成知识库的配置。
上述第一次检索可以是检索与目标待测系统具有影响关系的系统。由于知识库中包括全部系统的影响数据,因此,可以根据目标待测系统,在知识库中检索与目标待测系统具有影响关系的系统作为第一检索结果。第一检索结果可以理解为受目标待测系统直接影响的系统,即第一检索结果包括受目标待测系统直接影响的系统。
步骤S203,根据第一影响数据在知识库中进行第二次检索,得到第二影响数据。
在本实施例中,上述第一影响数据包括受目标待测系统直接影响的系统,上述受目标待测系统直接影响的系统可以称为受影响系统,可以根据受影响系统再次进行在知识库中进行检索,得到受影响系统所影响到的其他系统,即受目标待测系统间接影响的系统,第二影响数据包括受目标待测系统直接影响的系统和间接影响的系统。
举例来说,目标待测系统为团契系统,第一检索结果为财务系统,则受团契系统直接影响的系统为财务系统,以财务系统进行第二次检索,第二次检索结果为保全系统,则受团契系统间接影响的系统为保全系统。第二影响数据包括财务系统以及保全系统。
步骤S204,基于第二影响数据,生成系统推荐结果,并将系统推荐结果推荐给用户。
在本实施例中,上述第二影响数据包括受目标待测系统直接影响的系统和间接影响的系统,可以将受目标待测系统直接影响的系统和间接影响的系统进行整合,生成系统推荐结果。
上述系统推荐结果中包括受目标待测系统直接影响的系统和间接影响的系统,将系统推荐结果推荐给用户,可以使得用户可以根据系统推荐结果直观的了解到目标待测系统的影响范围。其中,上述用户为发起检索的测试人员。
举例来说,目标待测系统为团契系统,第一检索结果为财务系统,以财务系统进行第二次检索,第二次检索结果为保全系统,则第二影响数据包括财务系统以及保全系统。可以将团契系统、财务系统以及保全系统进行整合,比如将团契系统、财务系统以及保全系统整合为思维导图,将思维导图推荐给用户,使得用户可以通过该思维导图直观的了解到团契系统的影响范围。
本申请通过获取目标待测系统的检索请求,将检索请求在知识库中进行第一次检索,得到第一影响数据,利用第一影响数据在知识库中进行第二次检索,得到第二影响数据,通过第二影响数据生成系统推荐结果;可以利用知识库中系统的影响数据,生成受目标待测系统所影响到的系统推荐给用户,使用户可以直观地得到目标待测系统的影响范围,根据目标待测系统的影响范围可以更准更快的评估改动的影响,排除无关干扰点,精简回归用例,避免前期评估影响点遗漏造成后面各个系统开发完,一起联调时候发现部分关联未进行处理,轻则需要占用开发时间补充逻辑,严重的可能方案设计需要推翻重做的问题,从而提高项目开发的效率。
继续参考图3,示出了根据本申请的系统推荐方法的另一个实施例的流程图。在本实施例的一些可选的实现方式中,在步骤S202之前,上述电子设备还可以执行以下步骤:
S301,获取第一系统的字段信息与第二系统的字段信息。
在本实施例中,第二系统为第一系统的受影响系统。具体的,可以在收集到的全部系统中,针对某一个系统来说,将其确定为第一系统,将受该系统直接影响的系统确定为第二系统。
上述字段信息用于表示对应系统的标识,举例来说,若第一系统为团契系统,则第一系统的字段信息可以是“团契”,若团契系统的受影响系统为财务系统,则第二系统为财务系统,第二系统的字段信息可以是“财务”。若第一系统为财务系统,则第一系统的字段信息可以是“财务”,若财务系统的受影响系统为保全系统,则第二系统为保全系统,第二系统的字段信息可以是“保全”。
可在全部系统中以某一系统为第一系统进行遍历,得到该个系统的所有受影响系统作为第二系统,进而获取该个系统的字段信息作为第一系统的字段信息,获取该个系统的受影响系统的字段信息作为第二系统的字段信息。需要说明的是,上述第一系统也可以称为待测试系统,上述第二系统也可以称为受影响系统。
S302,对第一系统的字段信息与第二系统的字段信息进行关联处理,得到第一系统与第二系统的影响数据。
在本实施例中,在得到第一系统的字段信息与第二系统的字段信息后,可以将第一系统的字段信息与第二系统的字段信息按规则进行关联,使得计算机可以根据该规则识别出第二系统为第一系统的受影响系统,比如可以按顺序将第一系统的字段信息与第二系统的字段信息进行关联,使得计算机可以根据顺序识别出第二系统为第一系统的受影响系统,得到第一系统与第二系统的影响数据可以是“第一系统的字段信息-第二系统的字段信息”,具体可以如下表1所示:
表1
待测试系统 | 受影响系统 |
第一系统的字段信息 | 第二系统的字段信息 |
举例来说,若第一系统为团契系统,则第一系统的字段信息可以是“团契”,若团契系统的受影响系统为财务系统,则第二系统为财务系统,第二系统的字段信息可以是“财务”,第一系统与第二系统的影响数据为“团契-财务”。若第一系统为财务系统,则第一系统的字段信息可以是“财务”,若财务系统的受影响系统为保全系统,则第二系统为保全系统,第二系统的字段信息可以是“保全”,第一系统与第二系统的影响数据为“财务-保全”。
S303,基于第一系统与第二系统的影响数据,配置得到知识库。
在本实施例中,通过将某一系统作为第一系统,得到该个系统与受影响系统的影响数据后,可以在遍历全部系统后,得到全部系统的影响数据,根据全部系统的影响数据配置得到知识库。
在知识库中,每一条影响数据都包括第一系统的字段信息与第二系统的字段信息,一条影响数据用于说明一个系统为另一个系统的受影响系统。比如,影响数据为“团契-财务”时,说明财务系统为团契系统的受影响系统,影响数据为“财务-保全”时,说明保全系统为财务系统的受影响系统。
本申请通过将第一系统的字段信息与第二系统的字段信息进行关联,使得第二系统作为第一系统的受影响系统这一关系在知识库得到直观表达,提高了知识库表达各系统之间影响关系的能力,进而提高受影响系统的查找准确性。
继续参考图4,示出了图3中步骤S302的一种具体实施方式的流程图。在一些可选的实现方式中,所述第一系统的字段信息包括待测系统字段、待测场景字段以及待测验证点字段,第二系统的字段信息包括受影响系统字段、受影响场景字段以及受影响验证点字段。步骤S302包括以下步骤:
步骤S3021,将待测系统字段、待测场景字段、待测验证点字段、受影响系统字段、受影响场景字段以及受影响验证点字段添加到预设的关系表中,得到第一系统与第二系统的影响数据。
在本实施例中,需要说明的是,一个系统的下游可以包括一个或多个场景,一个场景的下游可以包括一个或多个验证点。上述场景可以理解为具体的业务,上述验证点可以理解为业务数据核验,比如以团契系统为例,团契系统的下游包括线下出单、前置承保、委托基金出单、线上投保流程等场景;以线下出单场景为例,线下出单场景下游包括发票信息维护、共保信息维护、核保、缴费通知书、承保、产品经理岗位清单上传、投保人信息维护、保费等验证点。
上述第一系统为待测试系统,上述第二系统为受影响系统。待测试系统的字段信息包括待测系统字段、待测场景字段、待测验证点字段;受影响系统的字段信息包括受影响系统字段、受影响场景字段以及受影响验证点字段。
上述预设的关系表中包括第一系统中上下游的关系,第二系统中上下游的关系,以及第一系统与第二系统的影响关系,具体的,上述关系表如表2所示:
表2
在表2中,每条影响数据包括六个字段,影响数据具体表达为“待测系统字段-待测场景字段-待测验证点字段-受影响系统字段-受影响场景字段-受影响验证点字段”,其中,前三个字段为第一系统的字段信息,后三个字段为第二系统的字段信息。第一系统中上下游的关系为待测系统为待测场景的上游,待测场景为待测验证点的上游;第二系统中上下游的关系为受影响系统为受影响场景的上游,受影响场景为受影响验证点的上游。
举例来说,影响数据为“团契-线下出单-发票信息维护-财务-缴费-发票开具”时,说明财务系统为团契系统的受影响系统,团契系统的上下游关系为“团契-线下出单-发票信息维护”,财务系统的上下游关系为“财务-缴费-发票开具”。
步骤S3022,对影响数据进行编码处理,得到影响数据的唯一编码标识。
在本实施例中,每条影响数据包括六个字段,前三个字段为第一系统的字段信息,后三个字段为第二系统的字段信息。因此,可以对影响数据进行编码处理,通过编码处理使得每条影响数据具有唯一编码标识。
上述唯一编码标识可以是hashCode码,具体可以将影响数据中的六个字段进行哈希编码,得到影响数据对应的hashCode码。
进一步的在步骤S3022后,可以根据影响数据的唯一编码标识配置影响数据的索引结构,得到知识库。
在本实施例中,每条影响数据对应一个唯一编码标识,该唯一编码标识中包括有第一系统的上下游关系、第二系统的上下游关系以及第一系统与第二系统的影响关系。可以通过唯一编码标识与影响数据之间的对应关系,构建唯一编码标识与影响数据之间的索引关系,可以根据唯一编码标识与影响数据之间的索引关系配置影响数据的第一索引结构。还可以根据影响数据中的字段信息,构建字段信息与影响数据之间的索引关系,根据字段信息与影响数据之间的索引关系配置得到影响数据的第二索引结构。其中,第二索引结构可以用于第一次检索,第一索引结构可以用于第二次检索。
本申请通过第一系统的上下游关系以及第二系统的上下游关系,将第一系统与第二系统之间的影响关系更加细化,提高了知识库的信息维度,从而提高知识库的检索准确度。另外,通过对影响数据进行编码处理,采用影响数据对应的唯一编码标识配置影响数据的索引结构,使得知识库可以通过唯一编码标识进行检索,进而提高了知识库的检索速度。
在一些可选的实现方式中,所述检索请求包括目标待测系统字段以及目标待测场景字段。步骤S202包括以下步骤:基于目标待测系统字段以及目标待测场景在知识库中进行第一次检索,得到与目标待测系统相关的第一目标受影响系统。
在本实施例中,在配置好的知识库中,可以包括根据字段信息与影响数据之间的索引关系配置得到影响数据的第二索引结构。在测试人员发起检索时,根据测试人员所在部门,确定对应的目标待测系统。
具体的,可以在业务提出需求改动系统和场景后,测试人员使用根据知识库内容,填入目标待测系统字段和目标待测场景字段,进行第一次检索。在第一次检索过程中,根据目标待测系统字段和目标待测场景字段,通过第二索引结构进行检索,得到与目标待测系统字段和目标待测场景字段对应的受影响系统。举例来说,目标待测系统为团契系统,目标待测场景为线下出单场景,则目标待测系统字段为“团契”,目标待测场景字段为“线下出单”,检索请求为“团契-线下出单”,通过第二索引结构,在知识库中检索具有“团契-线下出单”字段的影响数据,在得到具有“团契-线下出单”字段的影响数据后,可以根据具有“团契-线下出单”字段的影响数据,确定目标待测系统相关的第一目标受影响系统。上述第一目标受影响系统中包括下游的目标受影响场景以及目标受场景下游的受影响验证点。
本申请通过目标待测系统字段以及目标待测场景在知识库中进行第一次检索,可以得到受目标待测系统以及目标待测场景直接影响的全部系统,排除无关系统,精简回归用例,从而提高项目开发的效率。
继续参考图5,示出了图2中步骤S203的一种具体实施方式的流程图。在一些可选的实现方式中,步骤S203包括以下步骤:
S2031,基于第一目标受影响系统中的下游节点,通过预设的推荐算法在知识库中进行第二次检索,得到与第一目标受影响系统具有相同目标受影响场景的第二目标受影响系统。
在本实施例中,上述第一目标受影响系统中包括下游的目标受影响场景以及目标受场景下游的目标受影响验证点。
具体的,知识库中,影响数据具体表达为“待测系统字段-待测场景字段-待测验证点字段-受影响系统字段-受影响场景字段-受影响验证点字段”,通过“目标待测系统字段-目标待测场景字段”进行第一次检索,可以得到“目标待测系统字段-目标待测场景字段-a-b-c-d”的检索结果,其中a表示目标待测场景的下游目标待测验证点,b表示满足“目标待测系统字段-目标待测场景字段-a”的所有受影响系统数量,c表示满足“目标待测系统字段-目标待测场景字段-a-b”的所有受影响场景数量,在表示满足“目标待测系统字段-目标待测场景字段-a-b-c”的所有受影响验证点数量。根据目标待测系统字段以及目标待测场景字段得到的影响数据总量为a*b*c*d,因此,根据第一目标受影响系统中的下游节点“目标待测系统字段-目标待测场景字段-a-b-c-d”中的“b-c-d”部分进行第二次检索,得到“b-c-d-e-f-g”的检索结果,其中,e表示满足“b-c-d”的所有受影响系统数量,即第二目标受影响系统的数量,f表示满足“b-c-d-e”的受影响场景数量,g表示满足“b-c-d-e-f”的下游受影响验证点数量。可以看出,第二目标受影响系统为受目标待测系统的间接影响的系统。
S2032,基于第二目标受影响系统,确定出目标待测场景的影响链路并标记为关联影响点。
在本实施例中,可以在第二目标受影响系统对应权重,计算包含有目标待测场景的链路的关联度,并将关联度最高的各个包含有目标待测场景的链路确定为目标待测场景的影响链路,每条影响链路对应一个受影响系统,将目标待测场景的影响链路标记为关联影响点。举例来说,目标待测场景为客户信息场景时,则目标待测场景的影响链路可以是:
“保全”-“客户信息”-“保全-客户查询”;
“保全”-“客户信息”-“财务-发票”;
“团契”-“线下出单”-“团契=投保人信息维护”。
本申请通过第一目标受影响系统中的下游节点在知识库中进行第二次检索,可以得到受目标待测系统以及目标待测场景间接影响的全部系统,可以进一步发掘受影响系统,避免前期评估影响点遗漏,从而提高项目开发的效率。
继续参考图6,示出了图5中步骤S2031的一种具体实施方式的流程图。在一些可选的实现方式中,步骤S2031包括以下步骤:
S20311,对第一目标受影响系统、第一目标受影响系统的下游场景以及下游场景的下游验证点进行编码处理,得到目标唯一编码标识。
在本实施例中,可以通过对“目标待测系统字段-目标待测场景字段-a-b-c-d”进行编码处理,得到目标唯一编码标识。可以看出,“目标待测系统字段-目标待测场景字段-a-b-c-d”的数量为目标唯一编码标识的数量。
上述目标唯一编码标识可以是hashCode码,可以对“目标待测系统字段-目标待测场景字段-a-b-c-d”进行哈希编码,得到“目标待测系统字段-目标待测场景字段-a-b-c-d”的hashCode码。
S20312,通过目标唯一编码标识以及基于逻辑回归模型的推荐算法,在知识库中进行第二次检索,得到与第一目标受影响系统具有相同目标受影响场景的第二目标受影响系统。
在本实施例中,上述逻辑回归模型(Logistic Regression,缩写LR)可以如下述式子所示:
其中,e为自然对数的底数,x为输入,w为不同系统对应的参数,b为偏置值。
上述输入x为目标唯一编码标识,目标唯一编码标识可以是hashCode码,将hashCode码输入上述基于逻辑回归模型中,根据此hashCode码反查出同一个待测场景下包含的其他系统,其他系统又会对于自己的待测场景和待测验证点进行关联,比如团契系统的线下出单场景,会涉及财务系统的缴费场景、保全系统的客户号场景,将这些被关联的系统参数视为被影响的概率值,并作为模型的输出,得到各个被关联的系统的概率值进行输出,概率值越高,则说明目标待测场景与被影响系统的关联度越高。推荐出关联度最高的各个待测场景小链路作为第二目标受影响系统,并打上标记为关联影响点,存下单个系统影响点。
本申请在第二次检索时,通过运用逻辑回归模型,将各系统单独的线性链路场景特征计算出概率值后打上标签进行推荐,可以快速发掘受影响系统,从而进一步提高项目开发的效率。
在一些可选的实现方式中,所述检索请求包括目标待测系统字段以及目标待测场景字段。步骤S203包括以下步骤:通过预设的递归算法对目标待测场景的影响链路进行整合,得到包含目标待测系统、第一目标受影响系统以及第二目标受影响系统的多系统链路影响树状图,并将多系统链路影响树状图确定为系统推荐结果。
在本实施例中,业务提出需求改动系统和场景后,测试人员使用根据知识库内容,填入待测系统字段+待测场景字段进行1次检索,电子设备会基于逻辑回归(LR)模型的推荐算法,经过第一次检索计算生成全部受影响系统的关联影响,再基于不同受影响系统中的各个下游节点,进行二次计算,取出最终结果可以直观查看的关联点树状思维导图。
具体的,在得到目标待测场景的影响链路后,可以通过首尾相连的形式,将各个目标待测场景的影响链路进行合并,得到完整的多系统链路影响树状图。
在多系统链路影响树状图中,包括目标待测系统、目标待测场景、目标待测验证点、第一目标受系统以及第二目标受影响系统,其中第一目标受影响系统为受目标待测系统直接影响的系统,第二目标受影响系统为受目标待测系统间接影响的系统。第一目标受影响系统中还包括对应的受影响场景和受影响验证点,第二目标受影响系统中也还包括对应的受影响场景和影响验证点。
本申请通过将各个目标待测场景的影响链路合并为多系统链路影响树状图,可以使测试人员通过多系统链路影响树状图直观的了解目标待测系统的影响范围,从而快速发掘受影响系统,从而进一步提高项目开发的效率。以上述团契系统线下出单场景有需求改动为例,如果要靠人工评估改动此线下出单场景所有可能会受影响的系统及系统下游对应的影响点,要消耗大量的沟通成本,涉及这类通用的场景改动,基本所有系统都会受影响,通过本申请的系统推荐方法,可以直观看出链路上影响最大的系统、场景和验证点,针对检索出来的结果,以此进行合理的回归验证。
在一些可选的实现方式中,在使用本申请的系统推荐方法的过程中,可以不断的补充丰富知识库,还可以加入各系统应用服务之间、中间件之间的调用关系进行优化推荐模型,比如在知识库中,加上待测场景的接口、接口对应的服务调用生命周期等,更加精准的推荐出影响点。
总的来说,本申请提出的系统推荐方法能够预先根据各业务线系统的主流程场景、验证点,进行预配置化。针对通用流程中的改动,本申请提出的系统推荐方法能够避免影响范围过大,也可以在需求评审阶段介入,提高需求合理性及研发质量。针对紧急版本,迭代周期短,也可以使用本申请提出的系统推荐方法帮助测试人员更准更快的评估改动的影响,排除无关干扰点,精简回归用例。本申请提出的系统推荐方法大大减少了迭代前期对影响范围评估的人力投入,能前置的处理许多牵连场景,并且对于各系统业务测试点建立统一知识库,实现平台化管理,对整体项目的研发和测试质量、迭代周期效率都有显著提升。
本申请实施例可以基于人工智能技术对知识库配置所需要的相关数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。本申请可应用于电子商务、智慧办公领域中,从而推动数字化行业的建设。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图7,作为对上述图2所示方法的实现,本申请提供了一种系统推荐装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例所述的系统推荐装置700包括:第一获取模块701、第一检索模块702、第二检索模块703以及推荐模块704。其中:
第一获取模块701用于获取目标待测系统的检索请求;
第一检索模块702用于根据所述检索请求在预设的知识库中进行第一次检索,得到第一影响数据,所述知识库中包括全部系统的影响数据;
第二检索模块703用于根据所述第一影响数据在所述知识库中进行第二次检索,得到第二影响数据;
推荐模块704用于基于所述第二影响数据,生成系统推荐结果,并将所述系统推荐结果推荐给用户。
在本实施例中,可以利用知识库中系统的影响数据,生成受目标待测系统所影响到的系统推荐给用户,使用户可以直观地得到目标待测系统的影响范围,根据目标待测系统的影响范围可以更准更快的评估改动的影响,排除无关干扰点,精简回归用例,避免前期评估影响点遗漏造成后面各个系统开发完,一起联调时候发现部分关联未进行处理,轻则需要占用开发时间补充逻辑,严重的可能方案设计需要推翻重做的问题,从而提高项目开发的效率。
参阅图8,在本实施例的一些可选的实现方式中,系统推荐装置700还包括第二获取模块801、关联模块802以及配置模块803。
其中:
第二获取模块801用于获取第一系统的字段信息与第二系统的字段信息,所述第二系统为所述第一系统的受影响系统;
关联模块802用于对所述第一系统的字段信息与所述第二系统的字段信息进行关联处理,得到所述第一系统与所述第二系统的影响数据;
配置模块803用于基于所述第一系统与所述第二系统的影响数据,配置得到所述知识库。
在本实施例中,通过将第一系统的字段信息与第二系统的字段信息进行关联,使得第二系统作为第一系统的受影响系统这一关系在知识库得到直观表达,提高了知识库表达各系统之间影响关系的能力,进而提高受影响系统的查找准确性。
在本实施例的一些可选的实现方式中,所述第一系统的字段信息包括待测系统字段、待测场景字段以及待测验证点字段,所述第二系统的字段信息包括受影响系统字段、受影响场景字段以及受影响验证点字段。参阅图9,为关联模块802一种具体实施方式的结构示意图,关联模块802包括添加子模块8021以及编码子模块8022。
其中:
添加子模块8021用于将所述待测系统字段、所述待测场景字段、所述待测验证点字段、所述受影响系统字段、所述受影响场景字段以及所述受影响验证点字段添加到预设的关系表中,得到所述第一系统与所述第二系统的影响数据;
编码子模块8022用于对所述影响数据进行编码处理,得到所述影响数据的唯一编码标识。
在本实施例中,通过第一系统的上下游关系以及第二系统的上下游关系,将第一系统与第二系统之间的影响关系更加细化,提高了知识库的信息维度,从而提高知识库的检索准确度。另外,通过对影响数据进行编码处理,采用影响数据对应的唯一编码标识配置影响数据的索引结构,使得知识库可以通过唯一编码标识进行检索,进而提高了知识库的检索速度。
在本实施例的一些可选的实现方式中,所述检索请求包括目标待测系统字段以及目标待测场景字段,第一检索模块702包括第一检索子模块,第一检索子模块用于基于所述目标待测系统字段以及所述目标待测场景在所述知识库中进行第一次检索,得到与所述目标待测系统相关的第一目标受影响系统。
在本实施例中,通过目标待测系统字段以及目标待测场景在知识库中进行第一次检索,可以得到受目标待测系统以及目标待测场景直接影响的全部系统,排除无关系统,精简回归用例,从而提高项目开发的效率。
参阅图10,为第二检索模块703一种具体实施方式的结构示意图,第二检索模块703包括第二检索子模块7031以及确定子模块7032。其中:
第二检索子模块7031用于基于所述第一目标受影响系统中的下游节点,通过预设的推荐算法在所述知识库中进行第二次检索,得到与所述第一目标受影响系统具有相同目标受影响场景的第二目标受影响系统;
确定子模块7032用于基于所述第二目标受影响系统,确定所述目标待测场景的影响链路并标记为关联影响点
在本实施例中,通过第一目标受影响系统中的下游节点在知识库中进行第二次检索,可以得到受目标待测系统以及目标待测场景间接影响的全部系统,可以进一步发掘受影响系统,避免前期评估影响点遗漏,从而提高项目开发的效率。
参阅图11,为第二检索子模块7031一种具体实施方式的结构示意图,第二检索子模块7031包括编码单元70311以及检索单元70312。其中:
编码单元70311用于对所述第一目标受影响系统、所述第一目标受影响系统的下游场景以及所述下游场景的下游验证点进行编码处理,得到目标唯一编码标识;
检索单元70312用于通过所述目标唯一编码标识以及基于逻辑回归模型的推荐算法,在所述知识库中进行第二次检索,得到与所述第一目标受影响系统具有相同目标受影响场景的第二目标受影响系统。
在本实施例中,在第二次检索时,通过运用逻辑回归模型,将各系统单独的线性链路场景特征计算出概率值后打上标签进行推荐,可以快速发掘受影响系统,从而进一步提高项目开发的效率。
在本实施例的一些可选的实现方式中,推荐模块704包括整合子模块,整合子模块用于通过预设的递归算法对所述目标待测场景的影响链路进行整合,得到包含目标待测系统、第一目标受影响系统以及第二目标受影响系统的多系统链路影响树状图,并将所述多系统链路影响树状图确定为系统推荐结果。
在本实施例中,通过将各个目标待测场景的影响链路合并为多系统链路影响树状图,可以使测试人员通过多系统链路影响树状图直观的了解目标待测系统的影响范围,从而快速发掘受影响系统,从而进一步提高项目开发的效率。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图12,图12为本实施例计算机设备基本结构框图。
所述计算机设备12包括通过系统总线相互通信连接存储器121、处理器122、网络接口123。需要指出的是,图中仅示出了具有组件121-123的计算机设备12,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器121至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器121可以是所述计算机设备12的内部存储单元,例如该计算机设备12的硬盘或内存。在另一些实施例中,所述存储器121也可以是所述计算机设备12的外部存储设备,例如该计算机设备12上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,所述存储器121还可以既包括所述计算机设备12的内部存储单元也包括其外部存储设备。本实施例中,所述存储器121通常用于存储安装于所述计算机设备12的操作系统和各类应用软件,例如系统推荐方法的计算机可读指令等。此外,所述存储器121还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器122在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器122通常用于控制所述计算机设备12的总体操作。本实施例中,所述处理器122用于运行所述存储器121中存储的计算机可读指令或者处理数据,例如运行所述系统推荐方法的计算机可读指令。
所述网络接口123可包括无线网络接口或有线网络接口,该网络接口123通常用于在所述计算机设备12与其他电子设备之间建立通信连接。
本实施例中,可以利用知识库中系统的影响数据,生成受目标待测系统所影响到的系统推荐给用户,使用户可以直观地得到目标待测系统的影响范围,根据目标待测系统的影响范围可以更准更快的评估改动的影响,排除无关干扰点,精简回归用例,避免前期评估影响点遗漏造成后面各个系统开发完,一起联调时候发现部分关联未进行处理,轻则需要占用开发时间补充逻辑,严重的可能方案设计需要推翻重做的问题,从而提高项目开发的效率。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的系统推荐方法的步骤。
本实施例中,可以利用知识库中系统的影响数据,生成受目标待测系统所影响到的系统推荐给用户,使用户可以直观地得到目标待测系统的影响范围,根据目标待测系统的影响范围可以更准更快的评估改动的影响,排除无关干扰点,精简回归用例,避免前期评估影响点遗漏造成后面各个系统开发完,一起联调时候发现部分关联未进行处理,轻则需要占用开发时间补充逻辑,严重的可能方案设计需要推翻重做的问题,从而提高项目开发的效率。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种系统推荐方法,其特征在于,包括下述步骤:
获取目标待测系统的检索请求;
根据所述检索请求在预设的知识库中进行第一次检索,得到第一影响数据,所述知识库中包括全部系统的影响数据;
根据所述第一影响数据在所述知识库中进行第二次检索,得到第二影响数据;
基于所述第二影响数据,生成系统推荐结果,并将所述系统推荐结果推荐给用户。
2.根据权利要求1所述的系统推荐方法,其特征在于,在所述根据所述检索请求在预设的知识库中进行第一次检索,得到第一影响数据的步骤之前,还包括:
获取第一系统的字段信息与第二系统的字段信息,所述第二系统为所述第一系统的受影响系统;
对所述第一系统的字段信息与所述第二系统的字段信息进行关联处理,得到所述第一系统与所述第二系统的影响数据;
基于所述第一系统与所述第二系统的影响数据,配置得到所述知识库。
3.根据权利要求2所述的系统推荐方法,其特征在于,所述第一系统的字段信息包括待测系统字段、待测场景字段以及待测验证点字段,所述第二系统的字段信息包括受影响系统字段、受影响场景字段以及受影响验证点字段,所述对所述第一系统的字段信息与所述第二系统的字段信息进行关联处理,得到所述第一系统与所述第二系统的影响数据的步骤,具体包括:
将所述待测系统字段、所述待测场景字段、所述待测验证点字段、所述受影响系统字段、所述受影响场景字段以及所述受影响验证点字段添加到预设的关系表中,得到所述第一系统与所述第二系统的影响数据;
对所述影响数据进行编码处理,得到所述影响数据的唯一编码标识。
4.根据权利要求3所述的系统推荐方法,其特征在于,所述检索请求包括目标待测系统字段以及目标待测场景字段,所述根据所述检索请求在预设的知识库中进行第一次检索,得到第一影响数据的步骤,具体包括:
基于所述目标待测系统字段以及所述目标待测场景在所述知识库中进行第一次检索,得到与所述目标待测系统相关的第一目标受影响系统。
5.根据权利要求4所述的系统推荐方法,其特征在于,在所述根据所述第一影响数据在所述知识库中进行第二次检索,得到第二影响数据的步骤,具体包括:
基于所述第一目标受影响系统中的下游节点,通过预设的推荐算法在所述知识库中进行第二次检索,得到与所述第一目标受影响系统具有相同目标受影响场景的第二目标受影响系统;
基于所述第二目标受影响系统,确定所述目标待测场景的影响链路并标记为关联影响点。
6.根据权利要求5所述的系统推荐方法,其特征在于,所述基于所述第一目标受影响系统中的下游节点,通过预设的推荐算法在所述知识库中进行第二次检索,得到与所述第一目标受影响系统具有相同目标受影响场景的第二目标受影响系统的步骤,具体包括:
对所述第一目标受影响系统、所述第一目标受影响系统的下游场景以及所述下游场景的下游验证点进行编码处理,得到目标唯一编码标识;
通过所述目标唯一编码标识以及基于逻辑回归模型的推荐算法,在所述知识库中进行第二次检索,得到与所述第一目标受影响系统具有相同目标受影响场景的第二目标受影响系统。
7.根据权利要求5或6所述的系统推荐方法,其特征在于,所述基于所述第二影响数据,生成系统推荐结果的步骤,具体包括:
通过预设的递归算法对所述目标待测场景的影响链路进行整合,得到包含目标待测系统、第一目标受影响系统以及第二目标受影响系统的多系统链路影响树状图,并将所述多系统链路影响树状图确定为系统推荐结果。
8.一种系统推荐装置,其特征在于,包括:
第一获取模块,用于获取目标待测系统的检索请求;
第一检索模块,用于根据所述检索请求在预设的知识库中进行第一次检索,得到第一影响数据,所述知识库中包括全部系统的影响数据;
第二检索模块,用于根据所述第一影响数据在所述知识库中进行第二次检索,得到第二影响数据;
推荐模块,用于基于所述第二影响数据,生成系统推荐结果,并将所述系统推荐结果推荐给用户。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的系统推荐方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的系统推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310348299.9A CN116775981A (zh) | 2023-04-03 | 2023-04-03 | 系统推荐方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310348299.9A CN116775981A (zh) | 2023-04-03 | 2023-04-03 | 系统推荐方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116775981A true CN116775981A (zh) | 2023-09-19 |
Family
ID=87984902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310348299.9A Pending CN116775981A (zh) | 2023-04-03 | 2023-04-03 | 系统推荐方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116775981A (zh) |
-
2023
- 2023-04-03 CN CN202310348299.9A patent/CN116775981A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113220657B (zh) | 数据处理方法、装置及计算机设备 | |
CN113538070B (zh) | 用户生命价值周期检测方法、装置和计算机设备 | |
CN112529477A (zh) | 信用评估变量筛选方法、装置、计算机设备及存储介质 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN115237724A (zh) | 基于人工智能的数据监控方法、装置、设备及存储介质 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
CN117094729A (zh) | 请求处理方法、装置、计算机设备及存储介质 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN115470279A (zh) | 基于企业数据的数源转换方法、装置、设备及介质 | |
CN116775981A (zh) | 系统推荐方法、装置、计算机设备及存储介质 | |
CN113934894A (zh) | 基于指标树的数据显示方法、终端设备 | |
CN113327154A (zh) | 基于大数据的电商用户讯息推送方法及系统 | |
CN111143328A (zh) | 一种敏捷商业智能数据构建方法、系统、设备、存储介质 | |
CN116340864B (zh) | 一种模型漂移检测方法、装置、设备及其存储介质 | |
CN113093702B (zh) | 故障数据的预测方法和装置、电子设备和存储介质 | |
CN114168565B (zh) | 业务规则模型的回溯测试方法、装置、系统及决策引擎 | |
CN116795632A (zh) | 任务处理方法、装置、计算机设备及存储介质 | |
CN117421207A (zh) | 智能评估影响点测试方法、装置、计算机设备及存储介质 | |
CN117611352A (zh) | 一种车险理赔处理方法、装置、计算机设备及存储介质 | |
CN117217684A (zh) | 指标数据的处理方法、装置、计算机设备及存储介质 | |
CN116703487A (zh) | 基于人工智能的数据分析方法、装置、设备及存储介质 | |
CN117032789A (zh) | 业务规则配置和执行方法、系统、计算机设备及存储介质 | |
CN116757771A (zh) | 基于人工智能的方案推荐方法、装置、设备及存储介质 | |
CN115576837A (zh) | 一种批量造数方法、装置、计算机设备及存储介质 | |
CN116611939A (zh) | 基于深度q学习优化理赔预测模型的方法及其相关设备 |
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 |