CN116860312B - 一种程序异常文本信息维护方法、装置及存储介质 - Google Patents
一种程序异常文本信息维护方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116860312B CN116860312B CN202311136974.8A CN202311136974A CN116860312B CN 116860312 B CN116860312 B CN 116860312B CN 202311136974 A CN202311136974 A CN 202311136974A CN 116860312 B CN116860312 B CN 116860312B
- Authority
- CN
- China
- Prior art keywords
- anomaly
- network
- target
- program
- abnormal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000002159 abnormal effect Effects 0.000 title claims description 265
- 238000012423 maintenance Methods 0.000 title claims description 15
- 238000005065 mining Methods 0.000 claims abstract description 295
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 252
- 238000013508 migration Methods 0.000 claims abstract description 166
- 230000005012 migration Effects 0.000 claims abstract description 155
- 238000012549 training Methods 0.000 claims abstract description 83
- 101150064138 MAP1 gene Proteins 0.000 claims description 91
- 230000005856 abnormality Effects 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 54
- 101150009249 MAP2 gene Proteins 0.000 claims description 39
- 230000002688 persistence Effects 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013519 translation Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 230000002085 persistent effect Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims 4
- 230000008569 process Effects 0.000 abstract description 16
- 238000012545 processing Methods 0.000 abstract description 7
- 238000013140 knowledge distillation Methods 0.000 abstract description 5
- 230000007704 transition Effects 0.000 abstract description 3
- 238000010606 normalization Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/096—Transfer learning
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供一种程序异常文本信息维护方法、装置及存储介质，通过程序异常类型识别算法自动识别目标异常描述文本的程序异常类型，以根据识别结果维护异常数据库中的程序异常类型，用户仅需抛出异常信息即可自动生成对应异常类型的多语言版本，提高了用户在程序编写时异常处理的便利性和效率，而基于嵌入的程序异常类型识别算法进行目标程序异常类型识别时，高效准确，提高效率。程序异常类型识别算法在训练时，将复杂大算法的知识过渡到轻巧小模型以完成知识蒸馏，训练过程依据异常挖掘网络为过渡实现，解放了异常识别迁移前算法和异常识别迁移后算法的算法结构，算法的适配性能力强，异常识别迁移后算法的程序异常确定的可靠性也得到提高。
Description
技术领域
本公开涉及文本处理、机器学习领域，并且更具体地，涉及一种程序异常文本信息维护方法、装置及存储介质。
背景技术
程序员在编写程序时，处理异常是一项重要的技巧和工作。在遇到异常情况时，大多时候需要把异常的文本信息写死在程序里，如果该程序的最终用户群处于不同语言区，则可能出现最终用户不理解程序所抛出的异常信息。但是，如果让程序员将异常信息处理成多语言，势必增加其工作量，而且不易维护，比如要增加一个语种，就需要修改程序，然后经历版本发布流程。因此，现有技术中，对于程序异常处理的方式有待优化。
发明内容
有鉴于此，本公开实施例至少提供一种程序异常文本信息维护方法、装置及存储介质，以改善以上问题。
根据本公开实施例的一个方面，提供了一种程序异常文本信息维护方法，应用于计算机设备，所述方法包括：
获取目标用户抛出的目标异常描述文本，所述目标异常描述文本为针对目标异常程序代码的写死信息，所述目标异常描述文本的描述语言为第一语言；
将所述目标异常描述文本输入程序异常类型识别算法，并基于所述程序异常类型识别算法识别所述目标异常描述文本对应的目标程序异常类型；
判断所述目标程序异常类型是否持久化在预设的异常数据库中；
当不存在持久化情况时将所述目标程序异常类型持久化在所述预设的异常数据库，并将所述目标异常描述文本翻译成除所述第一语言外的其他预设类型的第二语言，得到翻译目标异常描述文本，建立所述目标程序异常类型与第一语言和第二语言的目标异常描述文本的映射关系；
当存在持久化情况时，调取已持久化的目标程序异常类型的其他预设类型的第二语言，得到翻译目标异常描述文本，建立所述目标程序异常类型与第一语言和第二语言的目标异常描述文本的映射关系；
所述程序异常类型识别算法的训练步骤包括：
获取异常描述文本模板库，其中，所述异常描述文本模板库中包括各异常描述文本模板；
将所述各异常描述文本模板输入到异常识别迁移前算法，获得所述各异常描述文本模板的多维数组关系网Map1，通过所述多维数组关系网Map1，基于异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info1，其中，所述异常挖掘网络为通过所述异常识别迁移前算法训练以获得；
将所述各异常描述文本模板输入到异常识别迁移后算法，获得所述各异常描述文本模板的多维数组关系网Map2，通过所述多维数组关系网Map2和所述多维数组关系网Map1，基于所述异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info2；
通过所述各异常描述文本模板的所述程序异常信息Ab_info2和所述程序异常信息Ab_info1，训练所述异常识别迁移后算法，在达到收敛条件时得到程序异常类型识别算法。
本公开通过程序异常类型识别算法自动识别目标异常描述文本的程序异常类型，以根据识别结果维护异常数据库中的程序异常类型，用户仅需抛出异常信息即可自动生成对应异常类型的多语言版本，提高了用户在程序编写时异常处理的便利性和效率，而基于嵌入的程序异常类型识别算法进行目标程序异常类型识别时，高效准确，进一步提高效率。
进一步地，对于程序异常类型识别算法的训练，将异常描述文本模板库中各异常描述文本模板输入到异常识别迁移前算法，采用异常挖掘网络获得各异常描述文本模板的程序异常信息Ab_info1，将各异常描述文本模板输入到异常识别迁移后算法，采用异常挖掘网络获得各异常描述文本模板的程序异常信息Ab_info2，通过各异常描述文本模板的程序异常信息Ab_info2和程序异常信息Ab_info1，训练异常识别迁移后算法得到程序异常类型识别算法，如此依据异常挖掘网络在异常识别迁移前算法中识别得到相关识别知识，并基于识别出的识别知识引导异常识别迁移后算法的训练，将复杂大算法的知识过渡到轻巧小模型以完成知识蒸馏，训练过程依据异常挖掘网络为过渡实现，解放了异常识别迁移前算法和异常识别迁移后算法的算法结构，算法的适配性能力强，异常识别迁移后算法的程序异常确定的可靠性也得到提高。
作为一种实施方案，通过所述多维数组关系网Map1，基于异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info1，包括：通过所述异常挖掘网络中目标基础数组和所述多维数组关系网Map1，基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net1'，获得匹配数组；通过所述匹配数组和所述多维数组关系网Map1，基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net2'，获得所述程序异常信息Ab_info1。
本公开将目标基础数组和多维数组关系网Map1进行互显著性特征挖掘，通过注意力特征交互来获取信息间的牵涉情况，获得匹配数组，然后和多维数组关系网Map1进行互显著性特征挖掘，得到异常识别迁移前算法中的相关识别知识，依据互显著性特征挖掘能对异常描述文本模板中具有显著性的信息进行确定，完成主要信息的锁定，提高识别结果的可靠性。
作为一种实施方案，通过所述多维数组关系网Map2和所述多维数组关系网Map1，基于所述异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info2，包括：通过所述异常挖掘网络中目标基础数组和所述多维数组关系网Map1，基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net1'，获得匹配数组；通过所述匹配数组和所述多维数组关系网Map2，基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net2'，获得所述程序异常信息Ab_info2。
本公开通过异常识别迁移前算法的执行结果得到匹配数组，通过匹配数组和多维数组关系网Map2进行互显著性特征挖掘，得到异常识别迁移后算法的程序异常信息Ab_info2，提高了异常识别迁移后算法学习异常识别迁移前算法中识别知识的能力。
作为一种实施方案，所述程序异常信息Ab_info1包括目标异常描述内容Content1和目标定位信息Locate1，所述程序异常信息Ab_info2包括目标异常描述内容Content2和目标定位信息Locate2；所述异常挖掘网络包括异常挖掘网络D_Net1和异常挖掘网络D_Net2，所述异常挖掘网络D_Net1用以挖掘所述目标异常描述内容Content1或所述目标异常描述内容Content2，所述异常挖掘网络D_Net1至少包括互显著性特征挖掘网络In_Net1和互显著性特征挖掘网络In_Net2；所述异常挖掘网络D_Net2用以挖掘所述目标定位信息Locate1或目标定位信息Locate2，所述异常挖掘网络D_Net2至少包括互显著性特征挖掘网络In_Net3和互显著性特征挖掘网络In_Net4。
其中，相关识别知识包括异常描述内容和异常描述内容在文本中的定位，基于异常挖掘网络D_Net1和异常挖掘网络D_Net2进行识别，可以在异常识别迁移前算法中确定得到更多样的相关识别知识，提高对异常识别迁移后算法训练的精度。
作为一种实施方案，所述异常识别迁移后算法的收敛条件包括：算法的迭代轮次到达预设的轮次或者目标代价函数的两次迭代之间的权值变化小于阈值；所述目标代价函数至少包括第一代价函数和第二代价函数的代价整合结果，所述第一代价函数为所述目标异常描述内容Content1和所述目标异常描述内容Content2之间的代价函数，所述第二代价函数为所述目标定位信息Locate1和所述目标定位信息Locate2之间的代价函数。
其中，异常挖掘网络包括两个异常挖掘网络，各自获得异常描述内容和异常描述内容在数据中的定位，如此通过两个异常挖掘网络的代价函数的代价整合结果确定目标代价函数，训练结果更加具有可靠性。
作为一种实施方案，通过所述多维数组关系网Map1，基于异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info1，包括：将所述多维数组关系网Map1输入到所述异常挖掘网络D_Net1，通过所述异常挖掘网络D_Net1中的第一基础数组和所述多维数组关系网Map1，基于所述互显著性特征挖掘网络In_Net1得到第一匹配数组，以及通过所述第一匹配数组和所述多维数组关系网Map1，基于所述互显著性特征挖掘网络In_Net2得到所述目标异常描述内容Content1；将所述多维数组关系网Map1输入到所述异常挖掘网络D_Net2，通过所述异常挖掘网络D_Net2中的第二基础数组和所述多维数组关系网Map1，基于所述互显著性特征挖掘网络In_Net3得到第二匹配数组，以及通过所述第二匹配数组和所述多维数组关系网Map1，基于所述互显著性特征挖掘网络In_Net4得到所述目标定位信息Locate1，其中，所述第二基础数组与所述各异常描述文本模板中目标备选窗口的定位信息相关。
本公开采用异常挖掘网络的异常挖掘网络D_Net1和异常挖掘网络D_Net2分别识别异常识别迁移前算法的目标异常描述内容Content1和目标定位信息Locate2，可以提升相关识别知识识别的可靠性，增加多样性。
作为一种实施方案，通过所述多维数组关系网Map2和所述多维数组关系网Map1，基于所述异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info2，包括：将所述多维数组关系网Map1和所述多维数组关系网Map2输入到所述异常挖掘网络D_Net1，通过所述异常挖掘网络D_Net1中的第一基础数组和所述多维数组关系网Map1，基于所述互显著性特征挖掘网络In_Net1得到第一匹配数组，以及通过所述第一匹配数组和所述多维数组关系网Map2，基于所述互显著性特征挖掘网络In_Net2得到所述目标异常描述内容Content2；将所述多维数组关系网Map1和所述多维数组关系网Map2输入到所述异常挖掘网络D_Net2，通过所述异常挖掘网络D_Net2中的第二基础数组和所述多维数组关系网Map1，基于所述互显著性特征挖掘网络In_Net3得到第二匹配数组，以及通过所述第二匹配数组和所述多维数组关系网Map2，基于所述互显著性特征挖掘网络In_Net4得到所述目标定位信息Locate2，其中，所述第二基础数组与所述各异常描述文本模板中目标备选窗口的定位信息相关。
本公开基于异常识别迁移前算法的执行结果得到第一匹配数组和第二匹配数组，如此分别通过异常挖掘网络的异常挖掘网络D_Net1和异常挖掘网络D_Net2得到异常识别迁移后算法的目标异常描述内容Content2和目标定位信息Locate2，使得异常识别迁移后算法学习异常识别迁移前算法，完成异常识别迁移后算法的训练，提升了异常识别迁移后算法训练的准确度。
作为一种实施方案，所述异常挖掘网络通过以下步骤进行训练得到：获取第二异常描述文本模板库；所述第二异常描述文本模板库中包括多个第二异常描述文本模板；将所述各第二异常描述文本模板输入到所述异常识别迁移前算法，获得所述各第二异常描述文本模板的多维数组关系网Map3，以及通过所述多维数组关系网Map3，基于所述异常挖掘网络确定所述各第二异常描述文本模板的程序异常信息Ab_info3；通过所述程序异常信息Ab_info3，训练所述异常挖掘网络，在算法的迭代轮次到达预设的轮次或者异常挖掘代价函数符合最小误差值时，获得训练完成后的异常挖掘网络，其中，所述异常挖掘代价函数包括训练预测标识和事先配置标识之间的代价，所述训练预测标识为通过所述程序异常信息Ab_info3进行程序异常确定得到的。
本公开将异常挖掘网络连接至异常识别迁移前算法的执行结果，这样通过异常识别迁移前算法训练得到异常挖掘网络，使得异常挖掘网络挖掘出和异常挖掘相关的识别知识。
作为一种实施方案，所述程序异常信息Ab_info3包括目标异常描述内容Content3和目标定位信息Locate3，则通过所述多维数组关系网Map3，基于所述异常挖掘网络确定所述各第二异常描述文本模板的程序异常信息Ab_info3，包括：将所述多维数组关系网Map3输入到所述异常挖掘网络的异常挖掘网络D_Net1，获得所述各第二异常描述文本模板的目标异常描述内容Content3；将所述多维数组关系网Map3输入到所述异常挖掘网络的异常挖掘网络D_Net2，获得所述各第二异常描述文本模板的目标定位信息Locate3。
其中，异常挖掘网络包括异常挖掘网络D_Net1和异常挖掘网络D_Net2，两个异常挖掘网络可以独自训练而互不干扰，提高了对异常描述内容和异常描述内容在文本的定位信息挖掘的可靠性。
作为一种实施方案，所述训练预测标识包括预测目标定位信息标识和预测程序异常标识，所述预测目标定位信息标识和所述预测程序异常标识为通过所述目标异常描述内容Content3或所述目标定位信息Locate3得到的，所述事先配置标识包括事先配置目标定位信息和事先配置程序异常标识；所述异常挖掘代价函数包括所述预测目标定位信息标识与所述事先配置目标定位信息之间的代价，以及所述预测程序异常标识与所述事先配置程序异常标识之间的代价的相加值。
本公开通过两个异常挖掘网络的训练，代价函数包括定位信息代价函数和状态识别代价函数，提高训练可靠性。
上述算法的训练过程，通过异常挖掘网络获取异常识别迁移前算法的程序异常信息Ab_info1，以及得到异常识别迁移后算法的程序异常信息Ab_info2，训练得到程序异常类型识别算法，通过训练后的程序异常信息能对目标异常描述文本进行程序异常确定，异常识别迁移后算法比异常识别迁移前算法而言精简轻便，同时还具有与异常识别迁移前算法相同的程序异常识别效果，而轻巧的算法对硬件环境的要求更低，适应性得到加强。
本公开至少具有的有益效果：本公开通过程序异常类型识别算法自动识别目标异常描述文本的程序异常类型，以根据识别结果维护异常数据库中的程序异常类型，用户仅需抛出异常信息即可自动生成对应异常类型的多语言版本，提高了用户在程序编写时异常处理的便利性和效率，而基于嵌入的程序异常类型识别算法进行目标程序异常类型识别时，高效准确，进一步提高效率。进一步地，对于程序异常类型识别算法的训练，将异常描述文本模板库中各异常描述文本模板输入到异常识别迁移前算法，采用异常挖掘网络获得各异常描述文本模板的程序异常信息Ab_info1，将各异常描述文本模板输入到异常识别迁移后算法，采用异常挖掘网络获得各异常描述文本模板的程序异常信息Ab_info2，通过各异常描述文本模板的程序异常信息Ab_info2和程序异常信息Ab_info1，训练异常识别迁移后算法得到程序异常类型识别算法，如此依据异常挖掘网络在异常识别迁移前算法中识别得到相关识别知识，并基于识别出的识别知识引导异常识别迁移后算法的训练，将复杂大算法的知识过渡到轻巧小模型以完成知识蒸馏，训练过程依据异常挖掘网络为过渡实现，解放了异常识别迁移前算法和异常识别迁移后算法的算法结构，算法的适配性能力强，异常识别迁移后算法的程序异常确定的可靠性也得到提高。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开的技术方案。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开实施例的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为本公开实施例提供的一种程序异常文本信息维护方法的实现流程示意图。
图2为本公开实施例提供的一种程序异常类型识别算法的训练流程的实现示意图。
图3为本公开实施例提供的一种程序异常文本信息维护装置的组成结构示意图。
图4为本公开实施例提供的一种计算机设备的硬件实体示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
为了使本公开的目的、技术方案和优点更加清楚，下面结合附图和实施例对本公开的技术方案进一步详细阐述，所描述的实施例不应视为对本公开的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本公开实施例能够以除了在这里图示或描述的以外的顺序实施。
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公开的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本公开的目的，不是旨在限制本公开。
本公开实施例提供的程序异常文本信息维护方法可以应用于计算机设备，计算机设备是程序员能够进行编写程序的设备，可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等。请参照图1，是本公开实施例提供的一种程序异常文本信息维护方法的实现流程示意图，本公开实施例供的程序异常文本信息维护方法具体包括以下步骤：
步骤S100：获取目标用户抛出的目标异常描述文本。
本公开实施例中，目标异常描述文本为针对目标异常程序代码的写死信息，目标异常程序代码为程序运行中发生的不正常或不符合预期的代码，它会导致程序的中断或者过程的结束，如果不抛异常，当发生错误时整个程序可能会全部终止，目标用户执行抛异常可以实现当次执行的程序中断，抛出的异常即目标异常描述文本，例如“空对象没有长度”，其描述语言为第一语言，例如第一语言为中文、英文等。
步骤S200：将目标异常描述文本输入程序异常类型识别算法，并基于程序异常类型识别算法识别目标异常描述文本对应的目标程序异常类型。
程序异常类型识别算法是预先采用训练数据进行训练得到的机器学习算法，例如各种可行的神经网络算法，如Bert、Transformer、LSTM、RNN等深度神经网络算法，其训练的过程将在后续的内容中进行详细地介绍。目标程序异常类型为对应目标异常描述文本的异常类型，可以是预先整理的常见程序异常，例如，常见的异常可以包括“BaseException”、“SystemExit”、“KeyboardInterrupt”、“Exception”、“StopIteration”等等，对应的异常文本描述可能不同，可以建立一个异常数据库，记录程序异常类型并定期进行维护。
步骤S300：判断目标程序异常类型是否持久化在预设的异常数据库中；当不存在持久化情况时，执行步骤S400，当存在持久化情况时，执行步骤500。
目标程序异常类型持久化在预设的异常数据库中表示异常数据库中长期保存在该异常数据库，且具有对应的多语言版本，即异常数据库中存在的一个程序异常类型，对应多种语言版本的异常抛出文本，在识别获取到该程序异常类型的一种语言版本时，可以自动调取其他语言版本进行多语言抛出，以便于不同语言使用者的用户了解异常信息。
步骤S400：将目标程序异常类型持久化在预设的异常数据库，并将目标异常描述文本翻译成除第一语言外的其他预设类型的第二语言，得到翻译目标异常描述文本，建立目标程序异常类型与第一语言和第二语言的目标异常描述文本的映射关系。
如果不存在持久化情况，代表该程序异常类型为新增程序异常类型，此时将目标程序异常类型持久化在预设的异常数据库并完成文本翻译，翻译的方式可参照现有技术。建立目标程序异常类型与第一语言和第二语言的目标异常描述文本的映射关系，以便后续进行语言转换。
步骤S500：调取已持久化的目标程序异常类型的其他预设类型的第二语言，得到翻译目标异常描述文本，建立目标程序异常类型与第一语言和第二语言的目标异常描述文本的映射关系。
如果存在持久化情况，那么在异常数据库中已经存在关联的信息，直接调取关联的其他预设类型的第二语言即可（其他预设类型的第二语言的语种不做限定），得到翻译目标异常描述文本，建立目标程序异常类型与第一语言和第二语言的目标异常描述文本的映射关系。
本公开通过程序异常类型识别算法自动识别目标异常描述文本的程序异常类型，以根据识别结果维护异常数据库中的程序异常类型，用户仅需抛出异常信息即可自动生成对应异常类型的多语言版本，提高了用户在程序编写时异常处理的便利性和效率，而基于嵌入的程序异常类型识别算法进行目标程序异常类型识别时，高效准确，进一步提高效率。
由于不同的用户使用的计算机设备的硬件环境可能不同，因此，为了增加本公开提供的方法的普适性，采用了将算法精简的方式，具体在算法训练时，采用知识迁移的方式，设计出新的训练方法，使之能够适应不同硬件环境的算力，普适性强，下面对该训练的过程进行详细地介绍。请参照图2，为本公开实施例提供的一种程序异常类型识别算法的训练流程的实现示意图，在程序异常类型识别算法的训练过程中，可以包括步骤：
步骤S1，获取异常描述文本模板库。
其中，异常描述文本模板库包括各异常描述文本模板，异常描述文本模板库中的各异常描述文本模板是已赋予真实标识（Label）的异常描述文本，也即各异常描述文本模板包括已经标识的目标定位信息,即在异常描述文本中的位置，以及程序异常类型的标识，用于确定异常识别迁移后算法训练时的定位信息和异常类型信息。
由于本公开通过异常识别迁移前算法引导训练异常识别迁移后算法，那么还可以让异常识别迁移后算法直接学习异常识别迁移前算法的执行结果，则可将异常识别迁移后算法输出的定位信息和程序异常类型确定为异常识别迁移后算法训练时的定位信息和程序异常标识。
步骤S2，将各异常描述文本模板输入到异常识别迁移前算法，获得各异常描述文本模板的多维数组关系网Map1，通过多维数组关系网Map1，基于异常挖掘网络确定各异常描述文本模板的程序异常信息Ab_info1，其中，异常挖掘网络为通过异常识别迁移前算法训练以获得。
本公开实施例利用知识蒸馏生成一异常挖掘网络，异常挖掘网络依据异常识别迁移前算法进行训练，挖掘异常识别迁移前算法的相关程序异常确定的知识，然后异常挖掘网络接入异常识别迁移后算法，通过在异常识别迁移前算法挖掘的相关程序异常确定知识引导异常识别迁移后算法训练。
训练异常挖掘网络的过程中，首先维持异常识别迁移前算法的其它算法架构的参数不变，只训练异常挖掘网络，对比于训练整个异常识别迁移前算法，这样可以提高训练效率。下面介绍异常挖掘网络，其算法结构包含两个部分，一部分用于确定匹配数组，另一部分用于进行程序异常信息的确定，两个部分各自对应不同的结构，第一部分的执行结果为第二部分的输入数据，两个部分的算法架构一致。
异常挖掘网络中，第一部分包括级联的数据输入模块、第一目标自显著性特征挖掘模块（即基于自注意力机制进行注意力特征提取的网络）、跨层恒等连接和归一模块（其具体包含两个结构，一是跨层恒等连接结构，实现残差提取，二是归一化结构，实现数据在固定区间的映射）、目标互显著性特征挖掘网络In_Net1'（即基于交叉注意力机制进行注意力特征提取的网络）、跨层恒等连接和归一模块、感知机模块、跨层恒等连接和归一模块。
第二部分包括级联的第二目标自显著性特征挖掘模块、跨层恒等连接和归一模块、目标互显著性特征挖掘网络In_Net2'、跨层恒等连接和归一模块、感知机模块、跨层恒等连接和归一模块和结果输出模块。
第一部分的数据输入模块为基于异常识别迁移前算法得到的多维数组关系网Map1或异常识别迁移后算法获得的多维数组关系网Map2，以多维数组关系网Map1为例进行介绍，之后基于第一目标自显著性特征挖掘模块对目标基础数组（例如是一维的数组，即向量，其是异常挖掘网络中的完成预训练操作得到的网络参数）进行特征融合抽取，基于跨层恒等连接和归一模块对第一目标自显著性特征挖掘模块的输出结果和目标基础数组进行跨层恒等映射连接，并进行归一化，基于目标互显著性特征挖掘网络In_Net1'将跨层恒等连接和归一模块的输出结果和多维数组关系网Map1进行知识交互（过程中特征被融合），然后基于跨层恒等连接和归一模块对目标互显著性特征挖掘网络In_Net1'的输入与输出进行ResNet恒等映射和归一化，最后，基于感知机模块进行非线性变换，基于跨层恒等连接和归一模块对感知机模块的输入数据以及输出结果进行ResNet恒等映射和归一化，得到匹配数组，匹配数组用于进行作为查询（即查询、键、值三元组中的查询），将匹配数组输入到第二部分，处理得到程序异常信息Ab_info1。
步骤S2在执行过程中，具体可以包括以下步骤：
步骤S21，将各异常描述文本模板输入到异常识别迁移前算法，获得各异常描述文本模板的多维数组关系网Map1。
实际执行中，将各异常描述文本模板输入到异常识别迁移前算法，通过异常识别迁移前算法的BN和全连接网络（即算法的网络骨架，用于完成特征抽取）对各异常描述文本模板进行特征抽取，得到各异常描述文本模板的多维数组关系网Map1，多维数组关系网为异常描述文本模板的特征图信息，其本质为一个包含多个元素关系的多维数组。
步骤S22，通过异常挖掘网络中目标基础数组和多维数组关系网Map1，基于异常挖掘网络的目标互显著性特征挖掘网络In_Net1'，获得匹配数组。
步骤S23，通过匹配数组和多维数组关系网Map1，基于异常挖掘网络的目标互显著性特征挖掘网络In_Net2'，获得程序异常信息Ab_info1。
本公开实施例通过异常识别迁移前算法训练异常识别迁移后算法时，将已训练的异常识别迁移前算法和已训练的异常挖掘网络的参数进行固定，采用已训练的异常挖掘网络确定异常识别迁移前算法中的程序异常信息Ab_info1。
步骤S3，将各异常描述文本模板输入到异常识别迁移后算法，获得各异常描述文本模板的多维数组关系网Map2，通过多维数组关系网Map2和多维数组关系网Map1，基于异常挖掘网络确定各异常描述文本模板的程序异常信息Ab_info2。
例如，步骤S3具体通过以下步骤执行：
步骤S31，将各异常描述文本模板输入到异常识别迁移后算法，获得各异常描述文本模板的多维数组关系网Map2。
将各异常描述文本模板输入到异常识别迁移后算法，通过异常识别迁移后算法的算法网络骨架对每一个异常描述文本模板进行特征抽取，得到各异常描述文本模板的多维数组关系网Map2。
步骤S32，通过异常挖掘网络中目标基础数组和多维数组关系网Map1，基于异常挖掘网络的目标互显著性特征挖掘网络In_Net1'，获得匹配数组。
本公开通过异常识别迁移前算法执行得到的多维数组关系网Map1，获得匹配数组，用于异常识别迁移后算法的程序异常信息抽取，让异常识别迁移后算法学习异常识别迁移前算法的隐藏层的特征信息，和直接传递多维数组关系网Map1不同的是，本公开通过结合多维数组关系网Map1和互显著性特征挖掘进行实现，互显著性特征挖掘可以更好体现算法网络骨架的变换，有助于异常识别迁移后算法在蒸馏时的能力升级。
步骤S33，通过匹配数组和多维数组关系网Map2，基于异常挖掘网络的目标互显著性特征挖掘网络In_Net2'，获得程序异常信息Ab_info2。
步骤S4，通过各异常描述文本模板的程序异常信息Ab_info2和程序异常信息Ab_info1，训练异常识别迁移后算法，在达到收敛条件时得到程序异常类型识别算法。
其中，异常挖掘网络为训练后的异常识别迁移后算法，对异常识别迁移后算法的训练即获取异常识别迁移后算法的算法参数（如学习率、超参、加权系数、偏差项等），异常识别迁移后算法比异常识别迁移前算法更精炼，同时因通过异常识别迁移前算法训练异常识别迁移后算法，异常识别迁移后算法包含异常识别迁移前算法的性能，异常识别迁移后算法可以适应更多的场景。另外，本公开实施例通过程序异常信息Ab_info1和程序异常信息Ab_info2来训练异常识别迁移后算法，使得异常识别迁移后算法可以在异常识别迁移前算法中学习识别信息的能力，学习异常识别迁移前算法输出的程序异常信息Ab_info1，程序异常信息Ab_info1和程序异常信息Ab_info2之间的代价函数为迁移学习代价函数，在训练异常识别迁移后算法时，目标代价函数还包括分类识别误差和目标定位信息误差。
本公开实施例在算法训练时，通过获取异常描述文本模板库，将异常描述文本模板库中的各异常描述文本模板输入到异常识别迁移前算法，获得各异常描述文本模板的多维数组关系网Map1，通过多维数组关系网Map1，基于异常挖掘网络获得各异常描述文本模板的程序异常信息Ab_info1，将各异常描述文本模板输入到异常识别迁移后算法，获得各异常描述文本模板的多维数组关系网Map2，通过多维数组关系网Map2和多维数组关系网Map1，基于异常挖掘网络确定各异常描述文本模板的程序异常信息Ab_info2，通过各异常描述文本模板的程序异常信息Ab_info2和程序异常信息Ab_info1，训练异常识别迁移后算法得到程序异常类型识别算法，通过生成异常挖掘网络，基于异常识别迁移前算法训练得到异常挖掘网络，依据异常挖掘网络识别异常识别迁移前算法的程序异常信息Ab_info1，基于识别得到的程序异常信息Ab_info1引导异常识别迁移后算法的训练，这样可以适应不同检测器和网络骨架的知识迁移，减少检测器在知识迁移时，对异常识别迁移前算法和异常识别迁移后算法的资源消耗，增加了异常识别迁移后算法的识别可靠度。
本公开从异常识别迁移前算法中完成相关识别知识的抽取，并依据抽取的信息引导异常识别迁移后算法的训练，作为一种实现方案，抽取的程序异常信息Ab_info1包括目标异常描述内容Content1和目标定位信息Locate1，程序异常信息Ab_info2包括目标异常描述内容Content2和目标定位信息Locate2，即在异常识别迁移前算法中抽取了异常描述内容和异常描述内容在数据中的定位信息，以引导异常识别迁移后算法的训练，强化了迁移学习能力。作为一种实施方案，本公开实施例的异常挖掘网络包括异常挖掘网络D_Net1和异常挖掘网络D_Net2，异常挖掘网络D_Net1用以挖掘目标异常描述内容Content1或目标异常描述内容Content2，异常挖掘网络D_Net1至少包括互显著性特征挖掘网络In_Net1和互显著性特征挖掘网络In_Net2。异常挖掘网络D_Net2用以挖掘目标定位信息Locate1或目标定位信息Locate2，异常挖掘网络D_Net2至少包括互显著性特征挖掘网络In_Net3和互显著性特征挖掘网络In_Net4。
步骤S2通过多维数组关系网Map1，基于异常识别迁移前算法中异常挖掘网络确定各异常描述文本模板的程序异常信息Ab_info1，提供一种实施方式包括：
步骤S2a，将多维数组关系网Map1输入到异常挖掘网络D_Net1，通过异常挖掘网络D_Net1中的第一基础数组和多维数组关系网Map1，基于互显著性特征挖掘网络In_Net1得到第一匹配数组，以及通过第一匹配数组和多维数组关系网Map1，基于互显著性特征挖掘网络In_Net2得到目标异常描述内容Content1。
设第一基础数组为Array1，第一匹配数组为Array2，则：
第一匹配数组Array2=In_Net1（Array1，Map1；P1）
目标异常描述内容Content1=In_Net2（Array2，Map1；P2）
其中，P1和P2分别为互显著性特征挖掘网络In_Net1和互显著性特征挖掘网络In_Net2的参数，P1、P2和Array1通过预训练得到。
步骤S2b，将多维数组关系网Map1输入到异常挖掘网络D_Net2，通过异常挖掘网络D_Net2中的第二基础数组和多维数组关系网Map1，基于互显著性特征挖掘网络In_Net3得到第二匹配数组，以及通过第二匹配数组和多维数组关系网Map1，基于互显著性特征挖掘网络In_Net4得到目标定位信息Locate1，第二基础数组与各异常描述文本模板中目标备选窗口的定位信息相关。
设第二基础数组为Array3，第二匹配数组为Array4，则：
第二匹配数组Array4=In_Net3（Array3，Map1；P3）
目标定位信息Locate1=In_Net4（Array4，Map1；P4）
其中，P3和P4分别为互显著性特征挖掘网络In_Net3和互显著性特征挖掘网络In_Net4的参数，通过预训练得到。
本公开中，第二基础数组和第一基础数组不同，第二基础数组与定位信息识别结果相关，通过文本扰动（更改、插值、删减等方式）的真实目标备选窗口的位置，基于全连接处理得到，备选窗口是一个筛选控件，用于框选出对应的文本。
本公开实施例通过参数不同的异常挖掘网络D_Net1和异常挖掘网络D_Net2，异常挖掘网络D_Net1中的第一基础数组通过算法的学习参数进行确定，不包括目标定位信息识别结果；异常挖掘网络D_Net2中，第二基础数组是与目标定位信息识别结果相关，但异常挖掘网络D_Net1和异常挖掘网络D_Net2的输出都用于异常确定，得到备选窗口定位和对应的程序异常类型。
以上步骤S3通过多维数组关系网Map2和多维数组关系网Map1，基于异常挖掘网络确定各异常描述文本模板的程序异常信息Ab_info2，在实现时可以包括：
步骤S3a，将多维数组关系网Map1和多维数组关系网Map2输入到异常挖掘网络D_Net1，通过异常挖掘网络D_Net1中的第一基础数组和多维数组关系网Map1，基于互显著性特征挖掘网络In_Net1得到第一匹配数组，以及通过第一匹配数组和多维数组关系网Map2，基于互显著性特征挖掘网络In_Net2得到目标异常描述内容Content2。
本公开对基于异常识别迁移后算法抽取的目标异常描述内容Content2和目标定位信息Locate2时，第一匹配数组和第二匹配数组都是基于异常识别迁移前算法输出的多维数组关系网Map1得到的。训练异常识别迁移后算法时，将异常挖掘网络的所有参数进行固化，其是为了能准确训练异常识别迁移后算法，让异常识别迁移后算法更准确地学习异常识别迁移前算法。
步骤S3b，将多维数组关系网Map1和多维数组关系网Map2输入到异常挖掘网络D_Net2，通过异常挖掘网络D_Net2中的第二基础数组和多维数组关系网Map1，基于互显著性特征挖掘网络In_Net3得到第二匹配数组，以及通过第二匹配数组和多维数组关系网Map2，基于互显著性特征挖掘网络In_Net4得到目标定位信息Locate2，第二基础数组与各异常描述文本模板中目标备选窗口的定位信息相关。
通过异常挖掘网络包括的异常挖掘网络D_Net1和异常挖掘网络D_Net2训练异常识别迁移后算法的过程中，训练的截止条件为算法的迭代轮次到达预设的轮次或者目标代价函数的两次迭代之间的权值变化小于阈值，即判断收敛的条件。
目标代价函数至少包括第一代价函数和第二代价函数的代价整合结果，例如，两种代价可以分别分配不同的加权系数进行加权，然后将加权后的结果整合相加在一起。
第一代价函数为目标异常描述内容Content1和目标异常描述内容Content2之间的代价函数，第二代价函数为目标定位信息Locate1和目标定位信息Locate2之间的代价函数。
训练异常识别迁移后算法的目标代价函数中程序异常信息Ab_info1和程序异常信息Ab_info2之间的代价函数，即迁移学习代价函数，设其为Cost，则
Cost=i1×Cost1+i2×Cost2
Cost1为第一代价函数，i1为第一代价函数的加权系数，Cost2为第二代价函数，i2为第二代价函数的加权系数。
本公开通过第一匹配数组和第二匹配数组抽取状态识别的关联信息，即异常描述内容和异常描述内容在数据中的定位信息，在训练异常识别迁移后算法时，将异常挖掘网络的参数进行固化以应用到异常识别迁移后算法的输出结果，学习异常识别迁移前算法的输出结果，提高了训练的效率，减少检测器在知识迁移时，对异常识别迁移前算法和异常识别迁移后算法的资源消耗，增加了异常识别迁移后算法的识别可靠度。
本公开中，异常挖掘网络在训练时，将在后续内容进行描述，本公开将异常挖掘网络加入异常识别迁移前算法的输出，通过异常识别迁移前算法进行训练，为提高异常挖掘网络的训练效率与可靠性，训练异常挖掘网络时，将异常识别迁移前算法的参数进行固化。异常挖掘网络在训练时，包括：
步骤T1，获取第二异常描述文本模板库。
第二异常描述文本模板库中包括多个第二异常描述文本模板。
步骤T2，将各第二异常描述文本模板输入到异常识别迁移前算法，获得各第二异常描述文本模板的多维数组关系网Map3，以及通过多维数组关系网Map3，基于异常挖掘网络确定各第二异常描述文本模板的程序异常信息Ab_info3。
程序异常信息Ab_info3包括目标异常描述内容Content3和目标定位信息Locate3，换言之，在异常挖掘网络的训练时，对异常挖掘网络的异常挖掘网络D_Net1和异常挖掘网络D_Net2分别进行训练。则对于该步骤T2，本公开具体包括：将多维数组关系网Map3输入到异常挖掘网络的异常挖掘网络D_Net1，获得各第二异常描述文本模板的目标异常描述内容Content3；将多维数组关系网Map3输入到异常挖掘网络的异常挖掘网络D_Net2，得到各第二异常描述文本模板的目标定位信息Locate3。
其中，在训练异常挖掘网络时，异常挖掘网络D_Net1和异常挖掘网络D_Net2提取目标异常描述内容Content3和目标定位信息Locate3的过程和上述训练异常识别迁移后算法时抽取目标异常描述内容Content1和目标定位信息Locate1的方式相似，区别在于当前异常挖掘网络的参数为训练获得，上述方式是固化的。
步骤T3，通过程序异常信息Ab_info3，训练异常挖掘网络，在算法的迭代轮次到达预设的轮次或者异常挖掘代价函数符合最小误差值时，获得训练完成后的异常挖掘网络，其中，异常挖掘代价函数包括训练预测标识和事先配置标识之间的代价，训练预测标识为通过程序异常信息Ab_info3进行程序异常确定得到的。
训练预测标识包括预测目标定位信息标识和预测程序异常标识，预测目标定位信息标识和预测程序异常标识为通过目标异常描述内容Content3或目标定位信息Locate3得到的，事先配置标识包括事先配置目标定位信息和事先配置程序异常标识。异常挖掘代价函数包括预测目标定位信息标识与事先配置目标定位信息之间的代价，以及预测程序异常标识与事先配置程序异常标识之间的代价的相加值，例如加权求和的相加方式得到。
本公开实施例抽取得到程序异常信息Ab_info3后，为了强化程序异常信息Ab_info3与异常文本挖掘的关联度，可以通过目标异常描述内容Content3和目标定位信息Locate3，依据异常挖掘网络的感知机获得多个预测信息。
本公开基于异常识别迁移前算法对异常挖掘网络进行训练，让异常挖掘网络能够在异常识别迁移前算法中获取到和状态异常挖掘关联的识别知识，并在训练异常挖掘网络时，让异常识别迁移前算法的其余参数固化，提高了训练效率。
下面对异常挖掘网络的训练过程进行详细描述以辅助理解方案，在该描述过程中，通过两个层面进行介绍，一是异常挖掘网络的训练，二是异常识别迁移后算法的训练。
对于第一个层面，异常挖掘网络的训练中，获取第二异常描述文本模板库，将第二异常描述文本模板库中各第二异常描述文本模板输入到异常识别迁移前算法，获得各异常描述文本模板的多维数组关系网Map3，在训练异常挖掘网络时，让异常识别迁移后算法的其余参数进行固化，比如将异常识别迁移前算法的网络骨架的参数进行固定。将多维数组关系网Map3输入到异常挖掘网络D_Net1，通过第一基础数组、多维数组关系网Map3和互显著性特征挖掘网络In_Net1获得第一匹配数组，基于互显著性特征挖掘网络In_Net2获得目标异常描述内容Content3。一样的方式，将多维数组关系网Map3输入到异常挖掘网络D_Net2，通过第二基础数组、多维数组关系网Map3和互显著性特征挖掘网络In_Net3得到第二匹配数组，在异常挖掘网络D_Net2中，第二基础数组通过数据增强实际目标备选窗口得到的结果，联合全连接网络生成得到，然后基于互显著性特征挖掘网络In_Net4得到目标定位信息Locate3。接着，通过目标异常描述内容Content3和目标定位信息Locate2进行状态异常挖掘的训练，得到异常描述内容，通过预测输出的预估定位和实际目标定位，基于预设程序异常标识和事先配置程序异常标识之间的代价函数，对异常挖掘网络进行训练，得到训练后的异常挖掘网络。
对于第二个层面，对于异常识别迁移后算法的训练，将异常描述文本模板库中各异常描述文本模板分别输入到异常识别迁移前算法和异常识别迁移后算法，获得各异常描述文本模板的多维数组关系网Map1，以及各异常描述文本模板的多维数组关系网Map2。在异常识别迁移后算法的训练时，将异常识别迁移前算法和异常挖掘网络的参数进行固化，对异常识别迁移后算法的参数进行训练优化，譬如将多维数组关系网Map1分别输入到异常识别迁移前算法中异常挖掘网络和异常识别迁移后算法中异常挖掘网络，通过多维数组关系网Map1分别获得第一匹配数组和第二匹配数组，然后，第一匹配数组和第二匹配数组再分别和多维数组关系网Map1和多维数组关系网Map2进行互显著性特征挖掘，得到异常识别迁移前算法的目标异常描述内容Content1和目标定位信息Locate1，以及异常识别迁移后算法的目标异常描述内容Content2和目标定位信息Locate2，接着通过目标异常描述内容Content1和目标异常描述内容Content2之间代价函数，以及目标定位信息Locate1和目标定位信息Locate2之间代价函数，训练异常识别迁移后算法，按照上述流程得到的异常识别迁移后算法即异常挖掘网络。
相较于传统知识蒸馏以异常识别迁移前算法输出的第一特征表达和异常识别迁移后算法的第二特征表达进行迁移学习代价函数的获取，其要求异常识别迁移前算法和异常识别迁移后算法之间特征是建立映射关系的，约束了异常识别迁移前算法和异常识别迁移后算法的算法架构，使其必须要保持一致，如果不同，则受语义差异的影响，异常识别迁移后算法从异常识别迁移前算法进行学习的知识就产生错误。但是在本公开中，基于异常挖掘网络从异常识别迁移前算法进行信息抽取，并基于异常挖掘网络依据在异常识别迁移前算法抽取的信息去引导异常识别迁移后算法的训练，如此，对异常识别迁移前算法和异常识别迁移后算法的算法架构不设置要求，增加了方案的普适性，也降低了训练的成本。
基于同样的发明构思，本公开实施例还提供了一种用于实现上述所涉及的标签处理方法的程序异常文本信息维护装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个程序异常文本信息维护装置实施例中的具体限定可以参见上文中对于标签处理方法的限定，在此不再赘述。
在一个实施例中，如图3所示，提供了一种程序异常文本信息维护装置300，包括：
文本获取模块310，用于获取目标用户抛出的目标异常描述文本，所述目标异常描述文本为针对目标异常程序代码的写死信息，所述目标异常描述文本的描述语言为第一语言；
算法调取模块320，用于将所述目标异常描述文本输入程序异常类型识别算法，并基于所述程序异常类型识别算法识别所述目标异常描述文本对应的目标程序异常类型；
异常维护模块330，用于判断所述目标程序异常类型是否持久化在预设的异常数据库中；
当不存在持久化情况时，将所述目标程序异常类型持久化在所述预设的异常数据库，并将所述目标异常描述文本翻译成除所述第一语言外的其他预设类型的第二语言，得到翻译目标异常描述文本，建立所述目标程序异常类型与第一语言和第二语言的目标异常描述文本的映射关系；
当存在持久化情况时，调取已持久化的目标程序异常类型的其他预设类型的第二语言，得到翻译目标异常描述文本，建立所述目标程序异常类型与第一语言和第二语言的目标异常描述文本的映射关系；
算法训练模块340，用于对所述程序异常类型识别算法进行训练，具体包括：
获取异常描述文本模板库，其中，所述异常描述文本模板库包括各异常描述文本模板；
将所述各异常描述文本模板输入到异常识别迁移前算法，获得所述各异常描述文本模板的多维数组关系网Map1，通过所述多维数组关系网Map1，基于异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info1，其中，所述异常挖掘网络为通过所述异常识别迁移前算法训练以获得；
将所述各异常描述文本模板输入到异常识别迁移后算法，获得所述各异常描述文本模板的多维数组关系网Map2，通过所述多维数组关系网Map2和所述多维数组关系网Map1，基于所述异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info2；
通过所述各异常描述文本模板的所述程序异常信息Ab_info2和所述程序异常信息Ab_info1，训练所述异常识别迁移后算法，在达到收敛条件时得到程序异常类型识别算法。
上述标签处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备的内部结构图可以如图4所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储包含程序异常文本等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种程序异常文本信息维护方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本公开方案相关的部分结构的框图，并不构成对本公开方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本公开所涉及的对象信息(包括但不限于对象的设备信息、对应的个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经对象授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本公开所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本公开所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本公开所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本公开专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开构思的前提下，还可以做出若干变形和改进，这些都属于本公开的保护范围。因此，本公开的保护范围应以所附权利要求为准。
Claims (8)
1.一种程序异常文本信息维护方法，其特征在于，应用于计算机设备，所述方法包括：
获取目标用户抛出的目标异常描述文本，所述目标异常描述文本为针对目标异常程序代码的写死信息，所述目标异常描述文本的描述语言为第一语言；
将所述目标异常描述文本输入程序异常类型识别算法，并基于所述程序异常类型识别算法识别所述目标异常描述文本对应的目标程序异常类型；
判断所述目标程序异常类型是否持久化在预设的异常数据库中；
当不存在持久化情况时，将所述目标程序异常类型持久化在所述预设的异常数据库，并将所述目标异常描述文本翻译成除所述第一语言外的其他预设类型的第二语言，得到翻译目标异常描述文本，建立所述目标程序异常类型与第一语言和第二语言的目标异常描述文本的映射关系；
当存在持久化情况时，调取已持久化的目标程序异常类型的其他预设类型的第二语言，得到翻译目标异常描述文本，建立所述目标程序异常类型与第一语言和第二语言的目标异常描述文本的映射关系；
所述程序异常类型识别算法的训练步骤包括：
获取异常描述文本模板库，其中，所述异常描述文本模板库包括各异常描述文本模板；
将所述各异常描述文本模板输入到异常识别迁移前算法，获得所述各异常描述文本模板的多维数组关系网Map1，通过所述多维数组关系网Map1，基于异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info1，其中，所述异常挖掘网络为通过所述异常识别迁移前算法训练以获得；
将所述各异常描述文本模板输入到异常识别迁移后算法，获得所述各异常描述文本模板的多维数组关系网Map2，通过所述多维数组关系网Map2和所述多维数组关系网Map1，基于所述异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info2；
通过所述各异常描述文本模板的所述程序异常信息Ab_info2和所述程序异常信息Ab_info1，训练所述异常识别迁移后算法，在达到收敛条件时得到程序异常类型识别算法；
其中，所述通过所述多维数组关系网Map1，基于异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info1，包括：
通过所述异常挖掘网络中目标基础数组和所述多维数组关系网Map1，基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net1'，获得匹配数组；
通过所述匹配数组和所述多维数组关系网Map1，基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net2'，获得所述程序异常信息Ab_info1；
所述通过所述多维数组关系网Map2和所述多维数组关系网Map1，基于所述异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info2，包括：
通过所述异常挖掘网络中目标基础数组和所述多维数组关系网Map1，基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net1'，获得匹配数组；
通过所述匹配数组和所述多维数组关系网Map2，基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net2'，获得所述程序异常信息Ab_info2；
所述异常挖掘网络采用以下步骤进行训练得到：
获取第二异常描述文本模板库；所述第二异常描述文本模板库包括各第二异常描述文本模板；
将所述各第二异常描述文本模板输入到所述异常识别迁移前算法，获得所述各第二异常描述文本模板的多维数组关系网Map3，以及通过所述多维数组关系网Map3，基于所述异常挖掘网络确定所述各第二异常描述文本模板的程序异常信息Ab_info3；
通过所述程序异常信息Ab_info3训练所述异常挖掘网络，在算法的迭代轮次到达预设的轮次或者异常挖掘代价函数符合最小误差值时，获得训练后的异常挖掘网络；所述异常挖掘代价函数包括训练预测标识和事先配置标识之间的代价，所述训练预测标识为通过所述程序异常信息Ab_info3进行程序异常确定得到的。
2.根据权利要求1所述的方法，其特征在于，所述程序异常信息Ab_info1包括目标异常描述内容Content1和目标定位信息Locate1，所述程序异常信息Ab_info2包括目标异常描述内容Content2和目标定位信息Locate2；所述异常挖掘网络包括异常挖掘网络D_Net1和异常挖掘网络D_Net2，所述异常挖掘网络D_Net1用以挖掘所述目标异常描述内容Content1或所述目标异常描述内容Content2，所述异常挖掘网络D_Net1至少包括互显著性特征挖掘网络In_Net1和互显著性特征挖掘网络In_Net2；所述异常挖掘网络D_Net2用以挖掘所述目标定位信息Locate1或目标定位信息Locate2，所述异常挖掘网络D_Net2至少包括互显著性特征挖掘网络In_Net3和互显著性特征挖掘网络In_Net4。
3.根据权利要求2所述的方法，其特征在于，所述异常识别迁移后算法的收敛条件包括：算法的迭代轮次到达预设的轮次或目标代价函数的两次迭代之间的权值变化小于阈值；所述目标代价函数至少包括第一代价函数和第二代价函数的代价整合结果，所述第一代价函数为所述目标异常描述内容Content1和所述目标异常描述内容Content2之间的代价函数，所述第二代价函数为所述目标定位信息Locate1和所述目标定位信息Locate2之间的代价函数。
4.根据权利要求2所述的方法，其特征在于，所述通过所述多维数组关系网Map1，基于异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info1，包括：
将所述多维数组关系网Map1输入到所述异常挖掘网络D_Net1，通过所述异常挖掘网络D_Net1中的第一基础数组和所述多维数组关系网Map1，基于所述互显著性特征挖掘网络In_Net1得到第一匹配数组，以及通过所述第一匹配数组和所述多维数组关系网Map1，基于所述互显著性特征挖掘网络In_Net2得到所述目标异常描述内容Content1；
将所述多维数组关系网Map1输入到所述异常挖掘网络D_Net2，通过所述异常挖掘网络D_Net2中的第二基础数组和所述多维数组关系网Map1，基于所述互显著性特征挖掘网络In_Net3得到第二匹配数组，以及通过所述第二匹配数组和所述多维数组关系网Map1，基于所述互显著性特征挖掘网络In_Net4得到所述目标定位信息Locate1，其中，所述第二基础数组与所述各异常描述文本模板中目标备选窗口的定位信息相关；
所述通过所述多维数组关系网Map2和所述多维数组关系网Map1，基于所述异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info2，包括：
将所述多维数组关系网Map1和所述多维数组关系网Map2输入到所述异常挖掘网络D_Net1，通过所述异常挖掘网络D_Net1中的第一基础数组和所述多维数组关系网Map1，基于所述互显著性特征挖掘网络In_Net1得到第一匹配数组，以及通过所述第一匹配数组和所述多维数组关系网Map2，基于所述互显著性特征挖掘网络In_Net2得到所述目标异常描述内容Content2；
将所述多维数组关系网Map1和所述多维数组关系网Map2输入到所述异常挖掘网络D_Net2，通过所述异常挖掘网络D_Net2中的第二基础数组和所述多维数组关系网Map1，基于所述互显著性特征挖掘网络In_Net3得到第二匹配数组，以及通过所述第二匹配数组和所述多维数组关系网Map2，基于所述互显著性特征挖掘网络In_Net4得到所述目标定位信息Locate2，其中，所述第二基础数组与所述各异常描述文本模板中目标备选窗口的定位信息相关。
5.根据权利要求1所述的方法，其特征在于，所述程序异常信息Ab_info3包括目标异常描述内容Content3和目标定位信息Locate3，通过所述多维数组关系网Map3，基于所述异常挖掘网络确定所述各第二异常描述文本模板的程序异常信息Ab_info3，包括：
将所述多维数组关系网Map3输入到所述异常挖掘网络的异常挖掘网络D_Net1，获得所述各第二异常描述文本模板的目标异常描述内容Content3；
将所述多维数组关系网Map3输入到所述异常挖掘网络的异常挖掘网络D_Net2，获得所述各第二异常描述文本模板的目标定位信息Locate3。
6.根据权利要求5所述的方法，其特征在于，所述训练预测标识包括预测目标定位信息标识和预测程序异常标识，所述预测目标定位信息标识和所述预测程序异常标识为通过所述目标异常描述内容Content3或所述目标定位信息Locate3得到的，所述事先配置标识包括事先配置目标定位信息和事先配置程序异常标识；所述异常挖掘代价函数包括所述预测目标定位信息标识与所述事先配置目标定位信息之间的代价以及所述预测程序异常标识与所述事先配置程序异常标识之间的代价的相加值。
7.一种程序异常文本信息维护装置，其特征在于，所述装置包括：
文本获取模块，用于获取目标用户抛出的目标异常描述文本，所述目标异常描述文本为针对目标异常程序代码的写死信息，所述目标异常描述文本的描述语言为第一语言；
算法调取模块，用于将所述目标异常描述文本输入程序异常类型识别算法，并基于所述程序异常类型识别算法识别所述目标异常描述文本对应的目标程序异常类型；
异常维护模块，用于判断所述目标程序异常类型是否持久化在预设的异常数据库中；
当不存在持久化情况时将所述目标程序异常类型持久化在所述预设的异常数据库，并将所述目标异常描述文本翻译成除所述第一语言外的其他预设类型的第二语言，得到翻译目标异常描述文本，建立所述目标程序异常类型与第一语言和第二语言的目标异常描述文本的映射关系；
当存在持久化情况时，调取已持久化的目标程序异常类型的其他预设类型的第二语言，得到翻译目标异常描述文本，建立所述目标程序异常类型与第一语言和第二语言的目标异常描述文本的映射关系；
算法训练模块，用于对所述程序异常类型识别算法进行训练，具体包括：
获取异常描述文本模板库，其中，所述异常描述文本模板库包括各异常描述文本模板；
将所述各异常描述文本模板输入到异常识别迁移前算法，获得所述各异常描述文本模板的多维数组关系网Map1，通过所述多维数组关系网Map1，基于异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info1，其中，所述异常挖掘网络为通过所述异常识别迁移前算法训练以获得；
将所述各异常描述文本模板输入到异常识别迁移后算法，获得所述各异常描述文本模板的多维数组关系网Map2，通过所述多维数组关系网Map2和所述多维数组关系网Map1，基于所述异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info2；
通过所述各异常描述文本模板的所述程序异常信息Ab_info2和所述程序异常信息Ab_info1，训练所述异常识别迁移后算法，在达到收敛条件时得到程序异常类型识别算法；
其中，所述通过所述多维数组关系网Map1，基于异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info1，包括：
通过所述异常挖掘网络中目标基础数组和所述多维数组关系网Map1，基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net1'，获得匹配数组；
通过所述匹配数组和所述多维数组关系网Map1，基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net2'，获得所述程序异常信息Ab_info1；
所述通过所述多维数组关系网Map2和所述多维数组关系网Map1，基于所述异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info2，包括：
通过所述异常挖掘网络中目标基础数组和所述多维数组关系网Map1，基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net1'，获得匹配数组；
通过所述匹配数组和所述多维数组关系网Map2，基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net2'，获得所述程序异常信息Ab_info2；
所述异常挖掘网络采用以下步骤进行训练得到：
获取第二异常描述文本模板库；所述第二异常描述文本模板库包括各第二异常描述文本模板；
将所述各第二异常描述文本模板输入到所述异常识别迁移前算法，获得所述各第二异常描述文本模板的多维数组关系网Map3，以及通过所述多维数组关系网Map3，基于所述异常挖掘网络确定所述各第二异常描述文本模板的程序异常信息Ab_info3；
通过所述程序异常信息Ab_info3训练所述异常挖掘网络，在算法的迭代轮次到达预设的轮次或者异常挖掘代价函数符合最小误差值时，获得训练后的异常挖掘网络；所述异常挖掘代价函数包括训练预测标识和事先配置标识之间的代价，所述训练预测标识为通过所述程序异常信息Ab_info3进行程序异常确定得到的。
8.一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，所述计算机程序被处理器执行时实现如权利要求1~6任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311136974.8A CN116860312B (zh) | 2023-09-05 | 2023-09-05 | 一种程序异常文本信息维护方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311136974.8A CN116860312B (zh) | 2023-09-05 | 2023-09-05 | 一种程序异常文本信息维护方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116860312A CN116860312A (zh) | 2023-10-10 |
| CN116860312B true CN116860312B (zh) | 2023-11-07 |
Family
ID=88222071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311136974.8A Active CN116860312B (zh) | 2023-09-05 | 2023-09-05 | 一种程序异常文本信息维护方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116860312B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014078739A1 (en) * | 2012-11-15 | 2014-05-22 | The General Hospital Corporation | Methods and systems for diagnosing prenatal abnormalities |
| CN113656254A (zh) * | 2021-08-25 | 2021-11-16 | 上海明略人工智能(集团)有限公司 | 基于日志信息的异常检测方法、系统和计算机设备 |
| CN113792274A (zh) * | 2021-09-29 | 2021-12-14 | 深圳前海微众银行股份有限公司 | 一种信息管理方法、管理系统和存储介质 |
| CN114281931A (zh) * | 2021-09-09 | 2022-04-05 | 腾讯科技（深圳）有限公司 | 文本匹配方法、装置、设备、介质及计算机程序产品 |
| CN114998036A (zh) * | 2022-06-17 | 2022-09-02 | 中国平安人寿保险股份有限公司 | 核保方法、电子设备和计算机可读存储介质 |
| CN116414948A (zh) * | 2023-05-06 | 2023-07-11 | 沈阳润扬网络科技有限公司 | 基于云数据和人工智能的异常数据挖掘方法及软件产品 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541957B (zh) * | 2020-12-09 | 2024-05-21 | 北京百度网讯科技有限公司 | 动画生成方法、装置、电子设备以及计算机可读介质 |
-
2023
- 2023-09-05 CN CN202311136974.8A patent/CN116860312B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014078739A1 (en) * | 2012-11-15 | 2014-05-22 | The General Hospital Corporation | Methods and systems for diagnosing prenatal abnormalities |
| CN113656254A (zh) * | 2021-08-25 | 2021-11-16 | 上海明略人工智能(集团)有限公司 | 基于日志信息的异常检测方法、系统和计算机设备 |
| CN114281931A (zh) * | 2021-09-09 | 2022-04-05 | 腾讯科技（深圳）有限公司 | 文本匹配方法、装置、设备、介质及计算机程序产品 |
| CN113792274A (zh) * | 2021-09-29 | 2021-12-14 | 深圳前海微众银行股份有限公司 | 一种信息管理方法、管理系统和存储介质 |
| CN114998036A (zh) * | 2022-06-17 | 2022-09-02 | 中国平安人寿保险股份有限公司 | 核保方法、电子设备和计算机可读存储介质 |
| CN116414948A (zh) * | 2023-05-06 | 2023-07-11 | 沈阳润扬网络科技有限公司 | 基于云数据和人工智能的异常数据挖掘方法及软件产品 |
Non-Patent Citations (2)
| Title |
|---|
| A novel text mining algorithm based on deep neural network;X. Sheng 等;《2016 International Conference on Inventive Computation Technologies (ICICT)》;1-6 * |
| 基于情感分析和关系网络的影视产品评论数据文本挖掘研究;李旭 等;《情报探索》(第04期);1-5 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116860312A (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112464084B (zh) | 基于大数据定位和人工智能的业务优化方法及云计算中心 | |
| CN111062215A (zh) | 基于半监督学习训练的命名实体识别方法和装置 | |
| CN107203548A (zh) | 属性获取方法和装置 | |
| CN111092894A (zh) | 一种基于增量学习的webshell检测方法、终端设备及存储介质 | |
| CN113011461B (zh) | 通过知识学习增强基于分类的软件需求跟踪链接恢复方法及电子装置 | |
| WO2019179408A1 (zh) | 机器学习模型的构建 | |
| CN114416159B (zh) | 基于信息增强调用序列的api推荐方法及装置 | |
| CN111860669A (zh) | Ocr识别模型的训练方法、装置和计算机设备 | |
| CN111090859B (zh) | 一种基于图编辑距离的恶意软件检测方法 | |
| CN115952298A (zh) | 供应商履约风险分析方法及相关设备 | |
| US20240086158A1 (en) | Assisted composition of quantum algorithms | |
| CN116860312B (zh) | 一种程序异常文本信息维护方法、装置及存储介质 | |
| CN116974554A (zh) | 代码数据处理方法、装置、计算机设备和存储介质 | |
| CN113239247B (zh) | 基于脑功能分区的多维数据搜索方法、系统和存储介质 | |
| WO2022174436A1 (zh) | 分类模型增量学习实现方法、装置、电子设备及介质 | |
| CN114861818A (zh) | 基于人工智能的主数据匹配方法、装置、设备及存储介质 | |
| Li et al. | Category-aware aircraft landmark detection | |
| Renuse et al. | Multi label learning and multi feature extraction for automatic image annotation | |
| Enguehard | Time Interpret: a Unified Model Interpretability Library for Time Series | |
| Sonje et al. | draw2code: Ai based auto web page generation from hand-drawn page mock-up | |
| Chen et al. | Fine-grained bird image classification based on counterfactual method of vision transformer model | |
| CN112001566B (zh) | 一种健身训练模型的优化方法、装置、设备和介质 | |
| WO2022198477A1 (zh) | 分类模型增量学习实现方法、装置、电子设备及介质 | |
| CN118092888A (zh) | 代码辅助编程方法、装置、计算机设备和存储介质 | |
| CN116737950A (zh) | 一种基于多源数据融合的业务管理系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |