CN116932256A - 缺陷报告的分配方法、装置、电子设备及存储介质 - Google Patents

缺陷报告的分配方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116932256A
CN116932256A CN202210357766.XA CN202210357766A CN116932256A CN 116932256 A CN116932256 A CN 116932256A CN 202210357766 A CN202210357766 A CN 202210357766A CN 116932256 A CN116932256 A CN 116932256A
Authority
CN
China
Prior art keywords
defect report
processed
allocation
vector
defect
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
Application number
CN202210357766.XA
Other languages
English (en)
Inventor
阿力木·木沙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen TCL New Technology Co Ltd
Original Assignee
Shenzhen TCL New Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen TCL New Technology Co Ltd filed Critical Shenzhen TCL New Technology Co Ltd
Priority to CN202210357766.XA priority Critical patent/CN116932256A/zh
Publication of CN116932256A publication Critical patent/CN116932256A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种缺陷报告的分配方法、装置、电子设备及存储介质，该方法包括：对待处理缺陷报告进行预处理；对预处理后的所述待处理缺陷报告进行向量提取，得到对应的向量矩阵；将所述向量矩阵输入至卷积层中，输出得到特征向量；根据所述特征向量，得到所述待处理缺陷报告对应的分配标识，并基于所述分配标识分配所述待处理缺陷报告。提高了缺陷报告的分配准确性和分配效率。

Description

缺陷报告的分配方法、装置、电子设备及存储介质
技术领域
本申请涉及软件缺陷的分配处理技术领域，尤其涉及一种缺陷报告的分配方法、装置、电子设备及存储介质。
背景技术
软件问题的分配工作，传统方式是将问题分配给具有丰富软件开发经验的专业开发人员来完成。但是，由于缺陷信息的存在形式不同且数量巨大，同时一个问题信息会包含有大量的冗余和重复的数据，使得人工方式具有较大的局限性。基于此，现有的缺陷报告自动分配技术一般包括：基于问题关键字进行分配和基于测试模块进行分配。但是都存在有各自的问题，如没有确定问题的根本原因，依旧需要人为的进行问题的分析处理，进而完成问题的分配。
发明内容
本申请实施例的目的是提供一种缺陷报告的分配方法、装置、电子设备及存储介质，以提高缺陷问题的分配效率和准确性，同时提高缺陷问题的解决效率。
在第一方面，为实现上述目的，本申请实施例提供了一种缺陷报告的分配方法，包括：
对待处理缺陷报告进行预处理；
对预处理后的所述待处理缺陷报告进行向量提取，得到对应的向量矩阵；
将所述向量矩阵输入至卷积层中，输出得到特征向量；
根据所述特征向量，得到所述待处理缺陷报告对应的分配标识，并基于所述分配标识分配所述待处理缺陷报告。
在第二方面，为了解决相同的技术问题，本申请实施例提供了一种缺陷报告的分配装置，包括：
文本处理模块，用于对待处理缺陷报告进行预处理；
向量提取模块，用于对预处理后的所述待处理缺陷报告进行向量提取，得到对应的向量矩阵；
卷积处理模块，用于将所述向量矩阵输入至卷积层中，输出得到特征向量；
分配处理模块，用于根据所述特征向量，得到所述待处理缺陷报告对应的分配标识，并基于所述分配标识分配所述待处理缺陷报告。
在第三方面，为了解决相同的技术问题，本申请实施例提供了一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述存储器与所述处理器耦接，且所述处理器执行所述计算机程序时，实现上述任一项所述的缺陷报告的分配方法中的步骤。
在第四方面，为了解决相同的技术问题，本申请实施例提供了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程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行上述任一项所述的缺陷报告的分配方法中的步骤。
本申请实施例提供了一种缺陷报告的分配方法、装置、电子设备及存储介质，在进行缺陷报告的分配处理时，通过对需要进行分配的缺陷报告进行相应的处理，进而实现分配。具体地，首先对待处理缺陷报告进行预处理，将缺陷报告中的无效信息剔除，然后在词粒度上进行词向量的提取，以得到待处理缺陷报告所对应的向量矩阵，进而对所得到的向量矩阵进行若干卷积处理，提取相应的文本特征以及文本特征对应的特征向量，通过若干独立的卷积处理，使得所得到的文本特征更加准确，最后根据所得到的特征向量通过概率值，确定待处理缺陷报告对应的分配对象。实现在缺陷报告的分配过程中，基于word2vec词向量文本特征提取技术和深度学习文本卷积神经网络技术，可以更加准确有效的对缺陷报告中的信息进行分析，提高缺陷的分配准确性和分配效率。
附图说明
图1为本申请实施例提供的缺陷报告的分配方法的一种流程示意图；
图2为本申请实施例提供的对待处理缺陷报告进行预处理的步骤的一流程示意图；
图3为本身实施例提供的得到向量矩阵的步骤的一流程示意图；
图4为本申请实施例提供的卷积神经网络的一结构示意图；
图5为本申请实施例提供的得到特征向量的步骤的一流程示意图；
图6为本申请实施例提供的缺陷报告的分配装置的一种结构示意图；
图7为本申请实施例提供的电子设备的一种结构示意图；
图8为本申请实施例提供的电子设备的另一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
应当理解的是，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。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
请参见图1，图1为本申请实施例提供的缺陷报告的分配方法的一种流程示意图，如图1所示，本申请实施例提供的缺陷报告的分配方法包括步骤S101至步骤S104。
步骤S101、对待处理缺陷报告进行预处理。
在软件开发过程中，不可避免的会出现一定的问题，也就是软件缺陷，此时则需要合理且正确的对软件缺陷进行处理。而在进行缺陷报告的处理分配处理时，需要根据当前实际的缺陷进行分配处理，因此，在确定存在有软件缺陷对应的缺陷报告时，需要准确的对缺陷报告进行分析处理，进而实现合理的分配。
具体地，在得到待处理缺陷报告时，通过对待处理缺陷报告进行分析处理，进而实现缺陷报告的合理分配，而在进行分析处理时，首先对待处理缺陷报告进行相应的预处理。
在实际应用中，缺陷报告是以一个文本的形式存在的，但是一个文本中所记录的信息和内容可能会存在有无效信息或者重复信息，因此在进行分析处理之前，需要对缺陷报告进行预处理，以将缺陷报告中的无效信息和/活重复信息进行剔除，进而得到真实有效的信息，用来进行分析处理。
需要说明的是，在软件开发过程中，软件缺陷产生的时刻是不可控的，因此随时随地都可能出现软件缺陷，而为了占用更少的资源，可以在出现软件缺陷的时候不第一时间进行处理，也就是定期的对软件缺陷进行处理。示例性地，由于缺陷报告会存在于系统的数据库中，因此在进行软件缺陷的处理时，可以定时的从数据库中获取所记录的缺陷报告，然后对所得到的缺陷报告进行统一处理。
例如，通过设置定时器来定时从数据库中获取新的缺陷报告，而对于所设置的时间周期等，可以不做限制，根据实际的开发需求所设定。
在一实施例中，在对待处理缺陷报告进行预处理时，包括但不限于对待处理缺陷报告进行信息筛选、信息获取以及信息处理等操作，因此，在对待处理缺陷报告进行预处理时，参考图2，图2为本申请实施例提供的对待处理缺陷报告进行预处理的步骤的一流程示意图，其中，该步骤包括步骤S201至步骤S202。
步骤S201、获取待处理缺陷报告的摘要文本，并对所述摘要文本进行信息筛选；
步骤S202、对进行信息筛选后的所述摘要文本进行分词处理，得到对应的分词集合。
在按照所设定的方式在数据库中得到了待处理缺陷报告之后，首先获取待处理缺陷报告的摘要文本，并对所得到的摘要文本进行信息筛选，将摘要文本中的无效信息剔除，然后对进行筛选之后的摘要文本进行分词处理，以在完成分词处理之后得到筛选后的摘要文本对应的一分词集合，其中该分词集合中包含有若干分词。
缺陷报告由摘要和正文组成，其中摘要部分记录着缺陷的主要信息，比如缺陷类型、缺陷位置以及缺陷来源等，而正文部分记录着详细的缺陷描述。而在对缺陷报告进行分配处理时，需要的是将缺陷报告分配给适当的人进行处理，而不是确定缺陷的原因，因此此时可能并不需要对缺陷报告的正文内容进行分析，而是通过对摘要部分进行分析，便可以实现对缺陷报告的分配。
而在根据待处理缺陷报告实现分配处理时，可以根据待处理缺陷报告的摘要完成分配操作。在得到摘要文本时，对摘要文本进行信息筛选，具体地，对于所得到的摘要文本，其中所包含的内容存在大量的冗余信息，因此需要对其进行筛选剔除，示例性地，可以通过停用词字典对标点符号等冗余数据进行去除。
进一步地，在完成对摘要文本的筛选处理之后，对筛选后的摘要文本进行进一步地处理，如分词处理，以便于后续的分析处理。具体地，在对筛选后的摘要文本进行进一步的分词处理时，可以使用系统中所构建的结巴中文分词组件对筛选后的摘要文本进行分词，以在完成分词处理之后得到对应的分词集合。
步骤S102、对预处理后的所述待处理缺陷报告进行向量提取，得到对应的向量矩阵。
在对待处理缺陷报告进行预处理之后，将会对完成预处理得到的结果进行词向量的提取，以得到待处理缺陷报告所对应的词向量，进而在得到词向量之后，通过对词向量的分析处理，确定该待处理缺陷报告对应的处理对象。
在实际应用中，缺陷报告的摘要文本中，很多专有术语的最小单位是词，而且中文的最小单位也是词，因此在完成对待处理缺陷报告的预处理得到分词集合之后，对其进行向量化处理，以得到该待处理缺陷报告所对应的词向量。而在进行词向量提取时，通过对所得到的分词进行向量化处理，进而得到待处理缺陷报告所对应的词向量。
参照图3，图3为本身实施例提供的得到向量矩阵的步骤的一流程示意图，其中，该步骤包括步骤S301至步骤S302。
步骤S301、在所述分词集合中获取预设数量的分词，并对所述预设数量的分词中每一分词进行向量化处理，得到每一分词对应的词向量；
步骤S302、将所述每一分词对应的词向量进行组合，得到所述待处理缺陷报告对应的向量矩阵。
在对摘要文本进行预处理之后，得到一定数量的分词，此时在对得到待处理缺陷报告的向量矩阵时，通过对若干数量的分词进行词向量的提取，进而对所得到的若干词向量进行组合，以得到待处理缺陷报告的向量矩阵。具体地，在所得到的分词集合中获取预设数量的分词，然后对所得到的预设数量的分词中的每一分词进行向量化处理，得到每一分词所对应的词向量，而在完成对预设数量的分词中的每一分词的向量化处理之后，将所得到的预设数量的词向量进行组合，得到待处理缺陷报告对应的向量矩阵。
在一实施例中，在进行向量化处理时，使用相应的基于词语的词向量模型来实现，具体地，对于所使用的词向量模型，可以使用word2vec的skip-gram模型，对经过预处理后的待处理缺陷报告进行词向量化，获取所有缺陷文本以词语为粒度的词向量表示。word2vec的skip-gram模型，根据设置的窗口大小(一般窗口大小为5)，使用词语周围的词语学习到这个词语，获取到的词向量在空间上与该词语周围的词语距离相近，这就使得这些词语保持了语义联系，这种方法被称作基于窗口的古县矩阵文本表示方法。
在实际应用中，缺陷报告的摘要文本大都是一句话的形式存在，而为了保持文本特征维度相一致性，可以设定词语的参考数额，比如将其设置为15，此时在进行向量化处理时，在每个缺陷报告的摘要文本中选取15个词，然后通过对所得到的15个词进行特征提取，以得到每一个词所对应的词向量。
而在进行分词处理后所得到的分词的数量不够15个时，可以使用特殊字符进行补充，使得其所得到的向量矩阵具有相同的维度。同样的，在分词的数量超过15个时，可以选取前15个词语作为及逆行向量化处理的对象。
在得到每一个分词的词向量时，通过将分词利用词嵌入的方式，提取得到分词所对应的一个200维的特征，也就是一个分词对应的词向量的维度为1*200。当然，对于所提取得到的特征的维度，还可以设置为其他数字，如300，在此不作限制。在完成对每一个分词的词向量提取之后，通过将每一个一维词向量进行组合，得到一个维度为15*200的向量矩阵，即为待处理缺陷报告所对应的向量矩阵。
例如，一文本信息为：输入正确用户名，点击忘记密码，提示无效。此时在进行预处理之后得到的分词包括有：输入、正确、用户名、点击、忘记、密码、提示以及无效。然后在进行向量化处理时，若所设定的分簇预设值为15，此时将会对每一个分词进行词向量化，即每一个分词都会对应一个1*200维度的词向量，同时由于分词数量小于15，因此会进行分词补充，使用特殊符号补充空白分词，然后通过组合，会得到该文本信息所对应的一个15*200维度的向量矩阵。
步骤S103、将所述向量矩阵输入至卷积层中，输出得到对应的特征向量。
在一实施例中，在得到待处理缺陷报告对应的向量矩阵之后，将向量矩阵输入至预先所设定好的卷积层中，以输出得到待处理缺陷报告所对应的特征向量，进而再利用特征矩阵确定最终的分配对象。
具体地，在得到待处理缺陷报告所对应的向量矩阵之后，利用预先训练好的卷积神经网络模型进行处理，将向量矩阵输入到卷积神经网络中，利用卷积层对多维的向量矩阵进行处理。
参照图4，图4为本申请实施例提供的卷积神经网络的一结构示意图，其中该卷积神经网络包含有若干卷积层，具体卷积层的数量的设定不做限制，在此以卷积层数量为3进行解释说明。
对于所得到的向量矩阵，是由15个分词进行200维的特征提取所得到的，也就是，向量矩阵中的每一行对应缺陷报告中摘要文本序列所包含的一个词，而词在向量维度上的每一个维度都是独立的，所以卷积神经网络在进行处理时，可以只在行维度上进行卷积即可。
以卷积神经网络模型使用256个(2，200)，(3，200)，(4，200)三种大小的卷积核对输入的向量矩阵分别进行卷积为例，在此，使用不同卷积核的目的是为了提取文本多种不同的特征，将不同的卷积核提取的文本特征通过1维最大池化层进行降维后连接在一起，最后使用一个线性层得到更加合适的开发者。
在进行卷积处理时，在将所得到的向量矩阵输入到卷积神经网络中时，每一个卷积层都会独自的对向量矩阵进行处理，且每一个卷积层会得到一个文本特征，进而通过将所有的文本特征进行拼接处理，得到卷积后的结果。因此，参照图5，图5为本申请实施例提供的得到特征向量的步骤的一流程示意图，其中，该步骤包括步骤S501至步骤S503。
步骤S501、将所述向量矩阵输入至若干卷积层中，得到每一卷积层输出的文本特征；
步骤S502、对所述文本特征进行最大值池化处理，得到每一卷积层对应的最大池化向量；
步骤S503、将所述每一卷积层对应的最大池化向量进行拼接，得到对应的特征向量。
在进行卷积处理时，预先训练好的卷积神经网络中包含有若干独立的卷积层，在将向量矩阵输入时，将向量矩阵输入至每一个卷积层中进行卷积处理，具体地，每一个卷积层在进行处理时，通过进行特征提取的方式，得到若干个文本特征，其中，每一个卷积层都会独立的得到文本特征，然后通过最大值池化处理，在所得到的文本特征中得到一个最大池化向量，最后将每一个卷积层所得到的最大池化向量进行拼接，即得到卷积层所输出的特征向量。
在实际应用中，在进行卷积处理时，首先卷积层通过卷积核Cj提取训练数据的特征，j代表一个窗口大小。每一个卷积核每次从j个单词中抽取特征。当训练数据长度为n时，将会从Cj抽取到如下所示的特征映射。
Fj＝f1,f2,…,fn-f+1
在Fj中，f1代表第l个用Cj提取的特征。全连接即Relu是一种在神经网络中使用的逻辑回归技术。在提取的F中，应用最大值池化，这是一个选择F中最大值的简单操作。此过程在每个卷积核中执行。为了获得各种特性，我们应用了多个卷积核并使用不同的卷积核尺寸，从训练数据中获得不同的F。
当卷积核个数为h时，通过最大支持化得到：
然后把这个过程用在缺陷的摘要文本上，获得一个最大池化的F，进而根据所得到的最大池化的F确定最终的分配对象。
步骤S104、根据所述特征向量，得到所述待处理缺陷报告对应的分配标识，并基于所述分配标识分配所述待处理缺陷报告。
在通过卷积处理得到特征向量之后，将会根据特征向量确定最终的分配对象。具体地，根据所得到的特征向量得到待处理缺陷报告所对应的分配标识，进而根据所得到的分配标识将待处理缺陷报告分配给对应的分配对象，其中，每一个分配对象都会对应一个分配标识，在得到的与该待处理缺陷报告所对应的分配标识时，即确定了最终的分配对象。
在实际应用中，每一个分配对象所对应的分配标识可以进行向量化，进而在得到特征向量之后，在分配对象集合中确定该特征向量与每一个分配对象之间的分配概率值，进而根据所得到的分配概率值确定最终的分配对象。
具体地，在确定最终的分配对象时，包括：计算所述特征向量与分配对象集合中每一分配标识之间的分配概率；根据所述分配概率，在所述分配对象集合中确定所述待处理缺陷报告对应的分配标识。通过计算特征向量与分配对象之间的分配概率值，实现在分配对象集合中确定处理该缺陷报告的对象。
在一实施例中，在确定分配对象时，可以直接选择分配概率值最大的对象作为分配对象，但是考虑到缺陷报告处理的及时性，还可以不直接选择分配概率值最大的对象作为分配对象，具体地，包括：将所述分配概率与预设概率值进行比较，得到一个分配概率大于所述预设概率值的中间对象集合；在所述中间对象集合中确定最大分配概率对应的分配标识的第一空闲程度；若所述第一空闲程度小于预设值，则将最大分配概率对应的分配标识作为所述待处理缺陷报告对应的分配标识。
也就是，在确定最终的分配对象时，可以设定一个预设值，然后分配概率高于所设定的预设值的对象均可以用来执行该待处理缺陷报告的优化，因此，在得到分配概率之后，将分配概率与预设值进行比较，得到一个中间对象集合，且中间对象集合中每一个分配标识所对应的分配概率均大于预设概率值，然后根据中间对象集合中个对象的空闲程度，完成对待处理缺陷报告的分配。
示例性地，对于处理缺陷的对象可以根据其所需要处理的任务量得到一个空闲程度，比如通过记录待完成任务数量，此时依旧选择分配概率最大的分配标识，然后获取该分配标识所对应空闲程度，进而根据空闲程度确定是否将该待处理缺陷报告分配给该分配标识所对应的分配对象。
具体地，在所得到的分配标识的空闲程度小于所设定的预设值时，即可将该待处理缺陷报告分配给该分配标识所对应的分配对象，反之则需要重新再次进行分配处理。而在重新进行分配处理时，可以对中间对象集合进行更新，而在进行更新时，是将前一次进行分配处理时不满足条件的分配标识进行剔除，以得到更新后的中间对象集合，而在得到更新后的中间对象集合之后，同样会执行：选择分配概率最大的分配标识，然后获取该分配标识所对应空闲程度，进而根据空闲程度确定是否将该待处理缺陷报告分配给该分配标识所对应的分配对象，至将待处理缺陷报告分配完成。
综上所述，本申请实施例提供的缺陷报告的分配方法，在进行缺陷报告的分配处理时，通过对需要进行分配的缺陷报告进行相应的处理，进而实现分配。具体地，首先对待处理缺陷报告进行预处理，将缺陷报告中的无效信息剔除，然后在词粒度上进行词向量的提取，以得到待处理缺陷报告所对应的向量矩阵，进而对所得到的向量矩阵进行若干卷积处理，提取相应的文本特征以及文本特征对应的特征向量，通过若干独立的卷积处理，使得所得到的文本特征更加准确，最后根据所得到的特征向量通过概率值，确定待处理缺陷报告对应的分配对象。实现在缺陷报告的分配过程中，基于word2vec词向量文本特征提取技术和深度学习文本卷积神经网络技术，可以更加准确有效的对缺陷报告中的信息进行分析，提高缺陷的分配准确性和分配效率。
根据上述实施例所描述的方法，本实施例将从缺陷报告的分配装置的角度进一步进行描述，该缺陷报告的分配装置具体可以作为独立的实体来实现，也可以集成在电子设备，比如终端中来实现，该终端可以包括手机、平板电脑等。
请参见图6，图6为本申请实施例提供的缺陷报告的分配装置的一种结构示意图，如图6所示，本申请实施例提供的缺陷报告的分配装置600，包括：
文本处理模块601，用于对待处理缺陷报告进行预处理；
向量提取模块602，用于对预处理后的所述待处理缺陷报告进行向量提取，得到对应的向量矩阵；
卷积处理模块603，用于将所述向量矩阵输入至卷积层中，输出得到特征向量；
分配处理模块604，用于根据所述特征向量，得到所述待处理缺陷报告对应的分配标识，并基于所述分配标识分配所述待处理缺陷报告。
具体实施时，以上各个模块和/或单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个模块和/或单元的具体实施可参见前面的方法实施例，具体可以达到的有益效果也请参看前面的方法实施例中的有益效果，在此不再赘述。
另外，请参见图7，图7为本申请实施例提供的电子设备的一种结构示意图，该电子设备可以是移动终端如智能手机、平板电脑等设备。如图7所示，电子设备700包括处理器701、存储器702。其中，处理器701与存储器702电性连接。
处理器701是电子设备700的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或加载存储在存储器702内的应用程序，以及调用存储在存储器702内的数据，执行电子设备700的各种功能和处理数据，从而对电子设备700进行整体监控。
在本实施例中，电子设备700中的处理器701会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器702中，并由处理器701来运行存储在存储器702中的应用程序，从而实现各种功能：
对待处理缺陷报告进行预处理；
对预处理后的所述待处理缺陷报告进行向量提取，得到对应的向量矩阵；
将所述向量矩阵输入至卷积层中，输出得到特征向量；
根据所述特征向量，得到所述待处理缺陷报告对应的分配标识，并基于所述分配标识分配所述待处理缺陷报告。
该电子设备700可以实现本申请实施例所提供的缺陷报告的分配方法任一实施例中的步骤，因此，可以实现本申请实施例所提供的任一缺陷报告的分配方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
请参见图8，图8为本申请实施例提供的电子设备的另一种结构示意图，如图8所示，图8示出了本申请实施例提供的电子设备的具体结构框图，该电子设备可以用于实施上述实施例中提供的缺陷报告的分配方法。该电子设备800可以为移动终端如智能手机或笔记本电脑等设备。
RF电路810用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通讯网络或者其他设备进行通讯。RF电路810可包括各种现有的用于执行这些功能的电路元件，例如，天线、射频收发器、数字信号处理器、加密/解密芯片、用户身份模块(SIM)卡、存储器等等。RF电路810可与各种网络如互联网、企业内部网、无线网络进行通讯或者通过无线网络与其他设备进行通讯。上述的无线网络可包括蜂窝式电话网、无线局域网或者城域网。上述的无线网络可以使用各种通信标准、协议及技术，包括但并不限于全球移动通信系统(Global System for Mobile Communication,GSM)、增强型移动通信技术(Enhanced DataGSM Environment,EDGE)，宽带码分多址技术(Wideband Code Division MultipleAccess,WCDMA)，码分多址技术(Code Division Access,CDMA)、时分多址技术(TimeDivision Multiple Access,TDMA)，无线保真技术(Wireless Fidelity，Wi-Fi)(如美国电气和电子工程师协会标准IEEE 802.11a，IEEE 802.11b,IEEE802.11g和/或IEEE802.11n)、网络电话(Voice over Internet Protocol,VoIP)、全球微波互联接入(Worldwide Interoperability for Microwave Access，Wi-Max)、其他用于邮件、即时通讯及短消息的协议，以及任何其他合适的通讯协议，甚至可包括那些当前仍未被开发出来的协议。
存储器820可用于存储软件程序以及模块，如上述实施例中缺陷报告的分配方法对应的程序指令/模块，处理器880通过运行存储在存储器820内的软件程序以及模块，从而执行各种功能应用以及缺陷报告的分配，即实现如下功能：
对待处理缺陷报告进行预处理；
对预处理后的所述待处理缺陷报告进行向量提取，得到对应的向量矩阵；
将所述向量矩阵输入至卷积层中，输出得到特征向量；
根据所述特征向量，得到所述待处理缺陷报告对应的分配标识，并基于所述分配标识分配所述待处理缺陷报告。
存储器820可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器820可进一步包括相对于处理器880远程设置的存储器，这些远程存储器可以通过网络连接至电子设备800。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入单元830可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元830可包括触敏表面831以及其他输入设备832。触敏表面831，也称为触摸显示屏或者触控板，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触敏表面831上或在触敏表面831附近的操作)，并根据预先设定的程式驱动相应的连接装置。可选的，触敏表面831可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器880，并能接收处理器880发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触敏表面831。除了触敏表面831，输入单元830还可以包括其他输入设备832。具体地，其他输入设备832可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元840可用于显示由用户输入的信息或提供给用户的信息以及电子设备800的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元840可包括显示面板841，可选的，可以采用LCD(Liquid Crystal Display，液晶显示器)、OLED(Organic Light-Emitting Diode,有机发光二极管)等形式来配置显示面板841。进一步的，触敏表面831可覆盖显示面板841，当触敏表面831检测到在其上或附近的触摸操作后，传送给处理器880以确定触摸事件的类型，随后处理器880根据触摸事件的类型在显示面板841上提供相应的视觉输出。虽然在图中，触敏表面831与显示面板841是作为两个独立的部件来实现输入和输出功能，但是在某些实施例中，可以将触敏表面831与显示面板841集成而实现输入和输出功能。
电子设备800还可包括至少一种传感器850，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板841的亮度，接近传感器可在翻盖合上或者关闭时产生中断。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于电子设备800还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
音频电路860、扬声器861，传声器862可提供用户与电子设备800之间的音频接口。音频电路860可将接收到的音频数据转换后的电信号，传输到扬声器861，由扬声器861转换为声音信号输出；另一方面，传声器862将收集的声音信号转换为电信号，由音频电路860接收后转换为音频数据，再将音频数据输出处理器880处理后，经RF电路810以发送给比如另一终端，或者将音频数据输出至存储器820以便进一步处理。音频电路860还可能包括耳塞插孔，以提供外设耳机与电子设备800的通信。
电子设备800通过传输模块870(例如Wi-Fi模块)可以帮助用户接收请求、发送信息等，它为用户提供了无线的宽带互联网访问。虽然图中示出了传输模块870，但是可以理解的是，其并不属于电子设备800的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
处理器880是电子设备800的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器820内的软件程序和/或模块，以及调用存储在存储器820内的数据，执行电子设备800的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器880可包括一个或多个处理核心；在一些实施例中，处理器880可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解地，上述调制解调处理器也可以不集成到处理器880中。
电子设备800还包括给各个部件供电的电源890(比如电池)，在一些实施例中，电源可以通过电源管理系统与处理器880逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源890还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出，电子设备800还包括摄像头(如前置摄像头、后置摄像头)、蓝牙模块等，在此不再赘述。具体在本实施例中，电子设备的显示单元是触摸屏显示器，移动终端还包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行一个或者一个以上程序包含用于进行以下操作的指令：
对待处理缺陷报告进行预处理；
对预处理后的所述待处理缺陷报告进行向量提取，得到对应的向量矩阵；
将所述向量矩阵输入至卷积层中，输出得到特征向量；
根据所述特征向量，得到所述待处理缺陷报告对应的分配标识，并基于所述分配标识分配所述待处理缺陷报告。
具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个模块的具体实施可参见前面的方法实施例，在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。为此，本申请实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的缺陷报告的分配方法中任一实施例的步骤。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本申请实施例所提供的缺陷报告的分配方法任一实施例中的步骤，因此，可以实现本申请实施例所提供的任一缺陷报告的分配方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种缺陷报告的分配方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。并且，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本申请的保护范围。

Claims (10)

1.一种缺陷报告的分配方法，其特征在于，包括：
对待处理缺陷报告进行预处理；
对预处理后的所述待处理缺陷报告进行向量提取，得到对应的向量矩阵；
将所述向量矩阵输入至卷积层中，输出得到特征向量；
根据所述特征向量，得到所述待处理缺陷报告对应的分配标识，并基于所述分配标识分配所述待处理缺陷报告。
2.根据权利要求1所述的方法，其特征在于，所述对待处理缺陷报告进行预处理，还包括：
获取待处理缺陷报告的摘要文本，并对所述摘要文本进行信息筛选；
对进行信息筛选后的所述摘要文本进行分词处理，得到对应的分词集合。
3.根据权利要求2所述的方法，其特征在于，所述对预处理后的所述待处理缺陷报告进行词量提取，得到对应的向量矩阵，包括：
在所述分词集合中获取预设数量的分词，并对所述预设数量的分词中每一分词进行向量化处理，得到每一分词对应的词向量；
将所述每一分词对应的词向量进行组合，得到所述待处理缺陷报告对应的向量矩阵。
4.根据权利要求1所述的方法，其特征在于，所述将所述向量矩阵输入至卷积层中，输出得到特征向量，包括：
将所述向量矩阵输入至若干卷积层中，得到每一卷积层输出的文本特征；
对所述文本特征进行最大值池化处理，得到每一卷积层对应的最大池化向量；
将所述每一卷积层对应的最大池化向量进行拼接，得到对应的特征向量。
5.根据权利要求1所述的方法，其特征在于，所述根据所述特征向量，得到所述待处理缺陷报告对应的分配标识，包括：
计算所述特征向量与分配对象集合中每一分配标识之间的分配概率；
根据所述分配概率，在所述分配对象集合中确定所述待处理缺陷报告对应的分配标识。
6.根据权利要求5所述的方法，其特征在于，所述根据所述分配概率，在所述分配对象集合中确定所述待处理缺陷报告对应的分配标识，包括：
将所述分配概率与预设概率值进行比较，得到一个分配概率大于所述预设概率值的中间对象集合；
在所述中间对象集合中确定最大分配概率对应的分配标识的第一空闲程度；
若所述第一空闲程度小于预设值，则将最大分配概率对应的分配标识作为所述待处理缺陷报告对应的分配标识。
7.根据权利要求6所述的方法，其特征在于，所述在所述中间对象集合中确定最大分配概率对应的分配标识的第一空闲程度之后，还包括：
若所述第一空闲程度大于或者等于所述预设值，则将所述最大分配概率对应的分配标识从所述中间对象集合中剔除，得到更新后的所述中间对象集合；
在更新后的所述中间对象集合中确定最大分配概率对应的分配标识的第二空闲程度，并在所述第二空闲程度小于所述预设值时得到所述待处理缺陷报告对应的分配标识。
8.一种缺陷报告的分配装置，其特征在于，包括：
文本处理模块，用于对待处理缺陷报告进行预处理；
向量提取模块，用于对预处理后的所述待处理缺陷报告进行向量提取，得到对应的向量矩阵；
卷积处理模块，用于将所述向量矩阵输入至卷积层中，输出得到特征向量；
分配处理模块，用于根据所述特征向量，得到所述待处理缺陷报告对应的分配标识，并基于所述分配标识分配所述待处理缺陷报告。
9.一种电子设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述存储器与所述处理器耦接，且所述处理器执行所述计算机程序时，实现如权利要求1至7任一项所述的缺陷报告的分配方法中的步骤。
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存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至7任一项所述的缺陷报告的分配方法中的步骤。
CN202210357766.XA 2022-04-06 2022-04-06 缺陷报告的分配方法、装置、电子设备及存储介质 Pending CN116932256A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210357766.XA CN116932256A (zh) 2022-04-06 2022-04-06 缺陷报告的分配方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210357766.XA CN116932256A (zh) 2022-04-06 2022-04-06 缺陷报告的分配方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116932256A true CN116932256A (zh) 2023-10-24

Family

ID=88391272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210357766.XA Pending CN116932256A (zh) 2022-04-06 2022-04-06 缺陷报告的分配方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116932256A (zh)

Similar Documents

Publication Publication Date Title
CN106919918B (zh) 一种人脸跟踪方法和装置
US10607120B2 (en) Training method and apparatus for convolutional neural network model
CN111260665B (zh) 图像分割模型训练方法和装置
US10599913B2 (en) Face model matrix training method and apparatus, and storage medium
CN111209423B (zh) 一种基于电子相册的图像管理方法、装置以及存储介质
CN111105852B (zh) 一种电子病历推荐方法、装置、终端及存储介质
CN112820299B (zh) 声纹识别模型训练方法、装置及相关设备
CN110334334B (zh) 一种摘要生成方法、装置及计算机设备
CN112084959B (zh) 一种人群图像处理方法及装置
CN112749252A (zh) 一种基于人工智能的文本匹配方法和相关装置
CN109726726B (zh) 视频中的事件检测方法及装置
CN117332067A (zh) 问答交互方法、装置、电子设备及存储介质
CN111723783B (zh) 一种内容识别方法和相关装置
CN116932256A (zh) 缺陷报告的分配方法、装置、电子设备及存储介质
CN110503189B (zh) 一种数据处理方法以及装置
CN116259083A (zh) 一种图像质量识别模型的确定方法和相关装置
CN115841575A (zh) 关键点检测方法、装置、电子设备、存储介质和程序产品
CN117011649B (zh) 一种模型训练方法和相关装置
CN113806532B (zh) 比喻句式判断模型的训练方法、装置、介质及设备
CN113806533B (zh) 比喻句式特征词语提取方法、装置、介质及设备
US20220262359A1 (en) Electronic device and operation method thereof
CN115910051A (zh) 音频数据处理方法、装置、电子设备及存储介质
CN117743170A (zh) 测试用例生成方法、装置、存储介质及终端设备
CN118051652A (zh) 数据处理方法、装置、存储介质及电子设备
CN118116014A (zh) 一种文字检测方法、装置、电子设备及存储介质

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