CN116976359B - 在线业务会话的异常检测报告分析方法、服务器及介质 - Google Patents

Abstract

本发明提供的在线业务会话的异常检测报告分析方法、服务器及介质，通过将第一异常检测报告文本中X个异常会话事件分别对应的事件语义表示簇和第二异常检测报告文本中Y个异常会话事件分别对应的事件语义表示簇进行配对，以确定第一异常检测报告文本和第二异常检测报告文本中是否具有相同的异常会话事件，实现了异常检测报告文本级的异常会话事件配对，鉴于整合了每个异常会话事件之间的配对情况，改善了传统方案中在存在较多类似异常会话事件的情况下，一对一配对造成的异常会话事件配对误差，这样能够减少异常会话事件的配对错误概率，以提升异常会话事件的配对精度。

Description

在线业务会话的异常检测报告分析方法、服务器及介质

技术领域

本发明涉及数据分析技术领域，具体而言，涉及在线业务会话的异常检测报告分析方法、服务器及介质。

背景技术

在线业务会话是指用户通过互联网或其他网络渠道与在线服务提供商之间的交互过程，它可以包括用户在使用各种在线应用、平台或网站时进行的操作、请求和交流。例如，在电子商务平台上，用户与商家进行在线交易，浏览商品、下订单、支付、退换货等都属于在线业务会话的范畴。用户可以与商家通过聊天工具或客服系统进行沟通，解决问题或获取售后支持。又例如，在线教育平台提供了远程学习和培训的机会。学生可以在平台上参加课程、提交作业、与教师和同学交流等，这些互动都构成了在线业务会话的一部分。再例如，随着信息技术的发展，越来越多的企业采取远程办公模式。在线业务会话在远程办公中起到关键作用，员工可以通过视频会议、即时消息工具和协作平台与团队成员进行沟通、分享文件、协同工作等。远程办公中的在线业务会话使得跨地域的团队能够高效地协作，实现信息共享和项目管理。

因此，针对在线业务会话进行异常分析至关重要，在线业务会话的异常分析对于及时发现问题、改进用户体验、优化业务流程、预防重复问题和数据驱动决策都具有重要的意义和必要性，高质量的在线业务会话异常分析，是保障在线业务稳定性和持续增长的关键环节之一。

发明内容

本发明至少提供在线业务会话的异常检测报告分析方法、服务器及介质。

本发明提供了一种在线业务会话的异常检测报告分析方法，应用于人工智能服务器，所述方法包括：

分别对第一异常检测报告文本和第二异常检测报告文本进行处理，获得所述第一异常检测报告文本中的X个异常会话事件，以及所述第二异常检测报告文本中的Y个异常会话事件，X和Y为正整数；

获取所述X个异常会话事件分别对应的事件语义表示簇以及所述Y个异常会话事件分别对应的事件语义表示簇；其中，每个异常会话事件对应的事件语义表示簇中包含用于记载所述异常会话事件的异常状态属性的最少一个事件语义表示；

将所述X个异常会话事件分别对应的事件语义表示簇和所述Y个异常会话事件分别对应的事件语义表示簇进行配对，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的第一配对观点；其中，所述第一配对观点用于反映所述第一异常检测报告文本和所述第二异常检测报告文本中是否具有相同的异常会话事件。

在一些可能的实施例中，所述将所述X个异常会话事件分别对应的事件语义表示簇和所述Y个异常会话事件分别对应的事件语义表示簇进行配对，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的第一配对观点，包括：

确定所述X个异常会话事件中的任一异常会话事件对应的事件语义表示簇与所述Y个异常会话事件中的任一异常会话事件对应的事件语义表示簇之间的配对系数，获得配对系数列表；其中，所述配对系数列表中包括X*Y个配对系数；

依据所述配对系数列表确定所述X个异常会话事件和所述Y个异常会话事件之间的配对特征，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的第一配对观点。

在一些可能的实施例中，所述依据所述配对系数列表确定所述X个异常会话事件和所述Y个异常会话事件之间的配对特征，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的第一配对观点，包括：

依据所述配对系数列表，输出所述X个异常会话事件和所述Y个异常会话事件之间的可视化关系网；其中，所述可视化关系网以所述异常会话事件为关系成员，且以所述配对系数为关系成员之间的关系指针的强化指数；

获取所述可视化关系网对应的目标配对关系，所述目标配对关系为所述配对系数的加权和最大的配对关系；

依据所述目标配对关系中所述X个异常会话事件和所述Y个异常会话事件之间的配对特征，获得所述第一配对观点。

在一些可能的实施例中，所述确定所述X个异常会话事件中的任一异常会话事件对应的事件语义表示簇与所述Y个异常会话事件中的任一异常会话事件对应的事件语义表示簇之间的配对系数，获得配对系数列表，包括：

对于所述X个异常会话事件中的第一异常会话事件和所述Y个异常会话事件中的第二异常会话事件，获取所述第一异常会话事件和所述第二异常会话事件之间的第一统计变量，所述第一统计变量为所述第一异常会话事件对应的事件语义表示簇与所述第二异常会话事件对应的事件语义表示簇之间的可配对事件语义表示的数量；

获取第一事件语义表示统计值和第二事件语义表示统计值；其中，所述第一事件语义表示统计值为所述第一异常会话事件对应的事件语义表示簇中的事件语义表示的数量，所述第二事件语义表示统计值为所述第二异常会话事件对应的事件语义表示簇中的事件语义表示的数量；

依据所述第一统计变量、所述第一事件语义表示统计值和所述第二事件语义表示统计值，确定出所述第一异常会话事件对应的事件语义表示簇和所述第二异常会话事件对应的事件语义表示簇之间的配对系数；

对所述X个异常会话事件中的任一异常会话事件对应的事件语义表示簇与所述Y个异常会话事件中的任一异常会话事件对应的事件语义表示簇之间的配对系数进行整合，获得所述配对系数列表。

在一些可能的实施例中，所述依据所述第一统计变量、所述第一事件语义表示统计值和所述第二事件语义表示统计值，确定出所述第一异常会话事件对应的事件语义表示簇和所述第二异常会话事件对应的事件语义表示簇之间的配对系数，包括：

对所述第一事件语义表示统计值和所述第二事件语义表示统计值执行加权运算，获得第一加权和；

对所述第一加权和与所述第一统计变量进行减法运算，获得第一减法运算结果；

对所述第一统计变量与所述第一减法运算结果进行除法运算，获得所述第一异常会话事件对应的事件语义表示簇和所述第二异常会话事件对应的事件语义表示簇之间的配对系数。

在一些可能的实施例中，所述方法还包括：

获取所述第一异常检测报告文本和所述第二异常检测报告文本之间的第二统计变量，所述第二统计变量为所述第一异常检测报告文本对应的事件语义表示簇和所述第二异常检测报告文本对应的事件语义表示簇之间的可配对事件语义表示的数量；

获取第三事件语义表示统计值和第四事件语义表示统计值中的最大值；其中，所述第三事件语义表示统计值为所述第一异常检测报告文本对应的事件语义表示簇中的事件语义表示的数量，所述第四事件语义表示统计值为所述第二异常检测报告文本对应的事件语义表示簇中的事件语义表示的数量；

对所述第二统计变量与所述最大值进行除法运算，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的配对系数；

依据所述第一异常检测报告文本和所述第二异常检测报告文本之间的配对系数，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的第二配对观点；

其中，所述第二配对观点用于反映所述第一异常检测报告文本对应的检测环境和所述第二异常检测报告文本对应的检测环境是否相同。

在一些可能的实施例中，所述方法还包括：

对于所述X个异常会话事件中的第一异常会话事件和所述Y个异常会话事件中的第二异常会话事件，获取所述第一异常会话事件对应的解析信息和所述第二异常会话事件对应的解析信息；其中，所述解析信息包括：所述异常会话事件在异常检测报告文本中的分布特征、所述异常会话事件的种类和所述异常会话事件的事件细节；

对所述第一异常会话事件对应的解析信息和所述第二异常会话事件对应的解析信息进行配对，获得所述第一异常会话事件和所述第二异常会话事件之间的第三配对观点；其中，所述第三配对观点用于反映所述第一异常会话事件对应的解析信息和所述第二异常会话事件对应的解析信息是否相同。

在一些可能的实施例中，所述获取所述X个异常会话事件分别对应的事件语义表示簇以及所述Y个异常会话事件分别对应的事件语义表示簇，包括：

对所述第一异常检测报告文本进行语义知识挖掘，获得第一语义知识关系网，以及对所述第二异常检测报告文本进行语义知识挖掘，获得第二语义知识关系网；

依据所述第一语义知识关系网，获取所述第一异常检测报告文本对应的代表性文本单元簇，以及依据所述第二语义知识关系网，获取所述第二异常检测报告文本对应的代表性文本单元簇；其中，所述代表性文本单元簇中的代表性文本单元用于记载异常检测报告文本中的区分标签；

依据所述第一异常检测报告文本对应的代表性文本单元簇，从所述第一语义知识关系网中，获取所述第一异常检测报告文本对应的事件语义表示簇，以及依据所述第二异常检测报告文本对应的代表性文本单元簇，从所述第二语义知识关系网中，获取所述第二异常检测报告文本对应的事件语义表示簇；

基于所述X个异常会话事件对所述第一异常检测报告文本对应的事件语义表示簇进行拆解，获得所述X个异常会话事件分别对应的事件语义表示簇，以及基于所述Y个异常会话事件对所述第二异常检测报告文本对应的事件语义表示簇进行拆解，获得所述Y个异常会话事件分别对应的事件语义表示簇。

在一些可能的实施例中，所述第一语义知识关系网的尺寸为T*K*B，T、K和B为正整数；

所述依据所述第一语义知识关系网，获取所述第一异常检测报告文本对应的代表性文本单元簇，包括：

基于T尺寸和K尺寸，按照预设尺度对所述第一语义知识关系网进行拆解，获得多个局部语义知识关系网；

对于所述多个局部语义知识关系网中的目标局部语义知识关系网，在B尺寸上对所述目标局部语义知识关系网进行拆解，获得所述目标局部语义知识关系网对应的多个第一种下游语义知识关系网；

获取每个第一种下游语义知识关系网中的目标知识成员，生成第一知识映射成员簇；

基于T尺寸和K尺寸，对所述目标局部语义知识关系网进行拆解，获得所述目标局部语义知识关系网对应的多个第二种下游语义知识关系网；

获取每个第二种下游语义知识关系网中的目标知识成员，生成第二知识映射成员簇；

依据所述第一知识映射成员簇和所述第二知识映射成员簇，获得所述目标局部语义知识关系网对应的代表性文本单元簇；

将所述多个局部语义知识关系网分别对应的代表性文本单元簇进行整合，获取所述第一异常检测报告文本对应的代表性文本单元簇。

在一些可能的实施例中，所述依据所述第一异常检测报告文本对应的代表性文本单元簇，从所述第一语义知识关系网中，获取所述第一异常检测报告文本对应的事件语义表示簇，包括：

对于所述第一异常检测报告文本对应的代表性文本单元簇中的目标代表性文本单元，依据所述目标代表性文本单元所在的第二种下游语义知识关系网，生成所述目标代表性文本单元对应的事件语义表示；

对所述第一异常检测报告文本对应的代表性文本单元簇中的各个代表性文本单元分别对应的事件语义表示进行整合，获取所述第一异常检测报告文本对应的事件语义表示簇。

在一些可能的实施例中，所述基于所述X个异常会话事件对所述第一异常检测报告文本对应的事件语义表示簇进行拆解，获得所述X个异常会话事件分别对应的事件语义表示簇，包括：

对于所述X个异常会话事件中的第一异常会话事件，对所述第一异常会话事件对应的解析信息对应的分布特征进行调整，获得调整后的分布特征；

将所述调整后的分布特征中的事件语义表示进行整合，获得所述第一异常会话事件对应的事件语义表示簇。

本发明还提供了一种人工智能服务器，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述方法。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述的方法。

本发明的实施例提供的技术方案可以包括以下有益效果：通过将第一异常检测报告文本中X个异常会话事件分别对应的事件语义表示簇和第二异常检测报告文本中Y个异常会话事件分别对应的事件语义表示簇进行配对，以确定第一异常检测报告文本和第二异常检测报告文本中是否具有相同的异常会话事件，实现了异常检测报告文本级的异常会话事件配对，鉴于整合了每个异常会话事件之间的配对情况，改善了传统方案中在存在较多类似异常会话事件的情况下，一对一配对造成的异常会话事件配对误差，这样能够减少异常会话事件的配对错误概率，以提升异常会话事件的配对精度。

进一步地，通过对第一异常检测报告文本和第二异常检测报告文本进行处理，可以获得每个报告文本中的异常会话事件，并为每个事件生成事件语义表示簇。这些事件语义表示簇包含了记录异常会话事件的异常状态属性。然后，将第一异常检测报告文本中的异常会话事件与第二异常检测报告文本中的异常会话事件进行配对，以获取配对观点。这样的配对观点反映了第一异常检测报告文本和第二异常检测报告文本是否具有相同的异常会话事件。如此，通过配对观点，可以直接判断第一异常检测报告文本和第二异常检测报告文本是否具有相同的异常会话事件。这有助于确定两个报告文本之间的一致性，即它们是否在描述相同的异常情况。这提供了更准确的比较和分析基础；此外，配对观点还允许确定哪些异常会话事件在第一异常检测报告文本和第二异常检测报告文本之间是共享的。通过识别共享的异常事件，可以发现不同报告文本之间的相关性，进一步分析和解决异常情况。这有助于提高故障排除的效率；进一步地，通过配对观点，可以利用第二异常检测报告文本中的已知异常会话事件，与第一异常检测报告文本中的类似事件进行比较。这样的比较能够帮助从历史经验中获得更多的知识，并将其应用于当前的异常处理过程。这提供了更全面的上下文和参考依据。

综上，通过将第一异常检测报告文本和第二异常检测报告文本进行处理并配对观点，可以提高配对精度，实现更准确的异常会话事件匹配和异常情况分析。

关于上述人工智能服务器、计算机可读存储介质的效果描述参见上述方法的说明。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本发明的实施例，并与说明书一起用于说明本发明的技术方案。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是本发明实施例示出的一种人工智能服务器的方框图。

图2是本发明实施例示出的一种在线业务会话的异常检测报告分析方法的流程示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是本发明的一些方面相一致的装置和方法的例子。

图1为本发明实施例提供的人工智能服务器10的结构示意图，包括处理器102、存储器104、和总线106。其中，存储器104用于存储执行指令，包括内存和外部存储器，内存也可以理解为内存储器，用于暂时存放处理器102中的运算数据，以及与硬盘等外部存储器交换的数据，处理器102通过内存与外部存储器进行数据交换，当人工智能服务器10运行时，处理器102与存储器104之间通过总线106通信，使得处理器102执行本发明实施例的在线业务会话的异常检测报告分析方法。

请结合图2，图2是本发明实施例所提供的一种在线业务会话的异常检测报告分析方法的流程示意图，应用于人工智能服务器，该方法示例性可以包括如下步骤S110-步骤S130。

步骤S110、分别对第一异常检测报告文本和第二异常检测报告文本进行处理，获得所述第一异常检测报告文本中的X个异常会话事件，以及所述第二异常检测报告文本中的Y个异常会话事件，X和Y为正整数。

步骤S120、获取所述X个异常会话事件分别对应的事件语义表示簇以及所述Y个异常会话事件分别对应的事件语义表示簇；其中，每个异常会话事件对应的事件语义表示簇中包含用于记载所述异常会话事件的异常状态属性的最少一个事件语义表示。

步骤S130、将所述X个异常会话事件分别对应的事件语义表示簇和所述Y个异常会话事件分别对应的事件语义表示簇进行配对，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的第一配对观点；其中，所述第一配对观点用于反映所述第一异常检测报告文本和所述第二异常检测报告文本中是否具有相同的异常会话事件。

以下是一个远程办公应用场景的示例，用于对上述内容中的每个步骤进行解释。

第一异常检测报告文本：假设有一份第一异常检测报告文本，其中记录了远程办公应用的使用情况，并包含了一些异常事件。譬如，报告中可能提到了登录失败、频繁掉线、网络延迟等异常会话事件。第二异常检测报告文本：还有另一份第二异常检测报告文本，它涵盖了相同的远程办公应用，但也包含了一些不同的异常事件。比如，报告中可能提到了文件传输错误、软件崩溃、权限问题等异常会话事件。处理第一异常检测报告文本：从第一异常检测报告文本中提取出X个异常会话事件，这些事件可能是登录失败、频繁掉线和网络延迟等。处理第二异常检测报告文本：同样地，从第二异常检测报告文本中提取出Y个异常会话事件，这些事件可能是文件传输错误、软件崩溃和权限问题等。获取异常会话事件的事件语义表示簇：对于每个异常会话事件，会获取其对应的事件语义表示簇。这个簇包含了用于描述异常会话事件的属性信息，譬如登录失败事件的语义表示簇可能包括IP地址、登录时间、错误代码等。配对异常会话事件和事件语义表示簇：将第一异常检测报告文本中的异常会话事件与第二异常检测报告文本中的异常会话事件进行配对。譬如，可能发现第一异常检测报告文本中的登录失败事件与第二异常检测报告文本中的权限问题事件具有相似的事件语义表示簇。第一配对观点：根据配对的结果，可以获得第一配对观点，该观点反映了第一异常检测报告文本和第二异常检测报告文本中是否具有相同的异常会话事件。在远程办公应用场景中，这意味着某些异常事件可能在两份报告中都有出现，可能是由于相同的软件问题或网络环境引起的。

通过以上步骤，可以在远程办公应用场景中处理异常检测报告文本，提取异常会话事件并获取它们的事件语义表示簇，进而比较两份报告之间的异常会话事件是否相同。这有助于识别共同的问题和趋势，并为改进远程办公应用的稳定性和性能提供指导。

当涉及到远程办公应用场景时，以下是一个更具体的示例来说明上述步骤。

第一异常检测报告文本：假设有一份第一异常检测报告文本，它记录了使用A软件进行远程会议的情况，并包含了一些异常事件。报告中可能提到了音频中断、视频质量下降和屏幕共享失败等异常会话事件。第二异常检测报告文本：还有另一份第二异常检测报告文本，同样涵盖了使用A软件的远程会议，但包含了不同的异常事件。报告中可能提到了无法加入会议、连接丢失和嘈杂的背景音等异常会话事件。处理第一异常检测报告文本：从第一异常检测报告文本中，提取出X个异常会话事件，譬如音频中断、视频质量下降和屏幕共享失败。处理第二异常检测报告文本：同样地，从第二异常检测报告文本中，提取出Y个异常会话事件，譬如无法加入会议、连接丢失和嘈杂的背景音。获取异常会话事件的事件语义表示簇：对于每个异常会话事件，获取其对应的事件语义表示簇。譬如，音频中断事件的语义表示簇可能包括时间戳、参与者姓名、网络质量指标等。配对异常会话事件和事件语义表示簇：将第一异常检测报告文本中的异常会话事件与第二异常检测报告文本中的异常会话事件进行配对。譬如，可能发现第一异常检测报告文本中的音频中断事件与第二异常检测报告文本中的嘈杂的背景音事件具有相似的事件语义表示簇。第一配对观点：根据配对的结果，得出第一配对观点，即反映第一异常检测报告文本和第二异常检测报告文本中是否具有相同的异常会话事件。在这个示例中，第一配对观点表明音频中断是两份报告中共同出现的异常会话事件，可能是由于网络问题或音频设备故障引起的。

通过以上步骤，可以处理远程办公应用场景中的异常检测报告文本，提取异常会话事件并获取它们的事件语义表示簇，从而比较两份报告之间的异常会话事件是否相同。这有助于识别共同问题和趋势，并为改进远程办公应用的可靠性和用户体验提供指导。

当涉及到远程办公应用场景时，以下是另一个具体的示例来说明上述步骤。

第一异常检测报告文本：假设有一份第一异常检测报告文本，它记录了使用B软件进行远程视频会议的情况，并包含了一些异常事件。报告中可能提到了网络连接中断、画面卡顿和屏幕共享失败等异常会话事件。第二异常检测报告文本：还有另一份第二异常检测报告文本，同样涵盖了使用B软件的远程视频会议，但包含了不同的异常事件。报告中可能提到了无法启用摄像头、会议崩溃和音频延迟等异常会话事件。处理第一异常检测报告文本：从第一异常检测报告文本中，提取出X个异常会话事件，譬如网络连接中断、画面卡顿和屏幕共享失败。处理第二异常检测报告文本：同样地，从第二异常检测报告文本中，提取出Y个异常会话事件，譬如无法启用摄像头、会议崩溃和音频延迟。获取异常会话事件的事件语义表示簇：对于每个异常会话事件，获取其对应的事件语义表示簇。譬如，网络连接中断事件的语义表示簇可能包括时间戳、会议ID、参与者姓名等。配对异常会话事件和事件语义表示簇：将第一异常检测报告文本中的异常会话事件与第二异常检测报告文本中的异常会话事件进行配对。譬如，可能发现第一异常检测报告文本中的画面卡顿事件与第二异常检测报告文本中的音频延迟事件具有相似的事件语义表示簇。第一配对观点：根据配对的结果，得出第一配对观点，即反映第一异常检测报告文本和第二异常检测报告文本中是否具有相同的异常会话事件。在这个示例中，第一配对观点表明画面卡顿是两份报告中共同出现的异常会话事件，可能是由于带宽问题或设备性能不足引起的。

通过以上步骤，可以处理远程办公应用场景中的异常检测报告文本，提取异常会话事件并获取它们的事件语义表示簇，从而比较两份报告之间的异常会话事件是否相同。这有助于识别共同问题和趋势，并为改进远程办公应用的稳定性和用户体验提供指导。

在一些可能的实施例中，步骤S130中的将所述X个异常会话事件分别对应的事件语义表示簇和所述Y个异常会话事件分别对应的事件语义表示簇进行配对，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的第一配对观点，包括步骤S131和步骤S132。

步骤S131、确定所述X个异常会话事件中的任一异常会话事件对应的事件语义表示簇与所述Y个异常会话事件中的任一异常会话事件对应的事件语义表示簇之间的配对系数，获得配对系数列表；其中，所述配对系数列表中包括X*Y个配对系数。

步骤S132、依据所述配对系数列表确定所述X个异常会话事件和所述Y个异常会话事件之间的配对特征，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的第一配对观点。

在远程办公应用场景中，将以使用A软件进行远程会议为例来说明上述步骤。

就步骤S130而言，将异常会话事件和事件语义表示簇配对，获得第一配对观点。

假设第一异常检测报告文本提到了以下两个异常会话事件：异常会话事件A1：音频中断；异常会话事件A2：视频质量下降。第二异常检测报告文本提到了以下两个异常会话事件：异常会话事件B1：无法加入会议；异常会话事件B2：连接丢失。

就步骤S131而言，确定配对系数列表。

计算每个异常会话事件之间的配对系数，以确定它们之间的相似程度。例如，在异常会话事件A1（音频中断）和异常会话事件B1（无法加入会议）之间计算配对系数，可以使用相似度度量方法（如余弦相似度或Jaccard相似度）来计算它们的相似程度。

假设得到以下配对系数列表：

配对系数（A1，B1）：0.7；

配对系数（A1，B2）：0.4；

配对系数（A2，B1）：0.6；

配对系数（A2，B2）：0.8。

就步骤S132而言，确定配对特征，获得第一配对观点。

根据配对系数列表确定异常会话事件之间的配对特征。例如，可以设置一个阈值，比如0.5，来确定哪些配对系数表示两个异常会话事件之间的显著配对。如果配对系数大于等于0.5，将认为这两个异常会话事件是匹配的。

基于配对系数列表中的阈值，得到以下配对特征：

异常会话事件A1与B1具有显著配对（配对系数为0.7）；

异常会话事件A1与B2没有显著配对（配对系数为0.4）；

异常会话事件A2与B1具有显著配对（配对系数为0.6）；

异常会话事件A2与B2具有显著配对（配对系数为0.8）。

根据配对特征，得出第一配对观点：在音频中断和视频质量下降这两个异常会话事件中，音频中断（A1）与无法加入会议（B1）具有显著的配对，而音频中断与连接丢失（B2）没有显著的配对。同时，视频质量下降（A2）与无法加入会议（B1）和连接丢失（B2）都具有显著的配对。

通过这个示例，给出了在远程办公应用场景中应用步骤S131和步骤S132，通过计算配对系数和确定配对特征来获得第一配对观点，如此，有助于识别报告文本之间的共同异常会话事件和相关性，并为改进远程办公应用的问题解决提供指导。

在一些可能的设计思路下，步骤S132所描述的依据所述配对系数列表确定所述X个异常会话事件和所述Y个异常会话事件之间的配对特征，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的第一配对观点，包括步骤S1321-步骤S1323。

步骤S1321、依据所述配对系数列表，输出所述X个异常会话事件和所述Y个异常会话事件之间的可视化关系网；其中，所述可视化关系网以所述异常会话事件为关系成员，且以所述配对系数为关系成员之间的关系指针的强化指数，可视化关系网包括二分化的关系图谱。

步骤S1322、获取所述可视化关系网对应的目标配对关系，所述目标配对关系为所述配对系数的加权和最大的配对关系。

步骤S1323、依据所述目标配对关系中所述X个异常会话事件和所述Y个异常会话事件之间的配对特征，获得所述第一配对观点。

在远程办公应用场景下，假设存在4个异常会话事件：异常会话事件A1：网络中断；异常会话事件A2：屏幕共享失败；异常会话事件B1：音频质量差；异常会话事件B2：视频会议崩溃。

进一步地，根据配对系数列表，得到以下配对系数：配对系数（A1，B1）：0.8；配对系数（A1，B2）：0.2；配对系数（A2，B1）：0.5；配对系数（A2，B2）：0.6。

根据这些配对系数，可以生成一个可视化关系网。在该关系网中，每个异常会话事件表示为一个节点，并使用关系指针的强化指数来表示节点之间的连接强度。例如，可以用不同的颜色表示不同的异常会话事件，使用线的粗细或颜色的浓淡来表示配对系数的强度。假设使用红色表示A1、A2事件，使用蓝色表示B1、B2事件。根据配对系数，可以绘制相应的关系图谱。示例性的，在上述关系网中，异常会话事件A1和B1之间有一条粗线连接，表示它们之间的配对系数为0.8，而异常会话事件A1和B2之间有一条细线连接，表示它们之间的配对系数为0.2。同样地，异常会话事件A2和B1之间有一条中等粗细的线连接，表示配对系数为0.5，异常会话事件A2和B2之间有一条中等细线连接，表示配对系数为0.6。

根据可视化关系网，可以确定目标配对关系。目标配对关系是指具有最大加权和的配对关系。换言之，将计算每个配对关系的加权和，并找到具有最大加权和的配对关系。

在一些示例中，可以计算出以下加权和：加权和（A1，B1）=0.8；加权和（A1，B2）=0.2；加权和（A2，B1）=0.5；加权和（A2，B2）=0.6。根据加权和的计算结果，可以确定目标配对关系为（A1，B1），因为它具有最大的加权和（0.8）。

在上述示例中，目标配对关系为（A1，B1）。现在根据这个配对关系中异常会话事件之间的配对特征来获得第一配对观点。根据配对特征，可以得出以下结论：异常会话事件A1与B1具有显著配对（配对系数为0.8）；异常会话事件A1与B2没有显著配对（配对系数为0.2）。因此，第一配对观点是：在远程办公过程中，网络中断（A1）与音频质量差（B1）之间存在显著的配对关系，而网络中断与视频会议崩溃（B2）之间没有显著的配对关系。上述第一配对观点提供了对于异常会话事件之间关联性的洞察，帮助理解特定的远程办公问题。通过分析多个配对关系和相关配对特征，可以进一步获得更全面的见解，并针对问题采取相应的改进措施。

在一些可选的实施例中，步骤S131中的确定所述X个异常会话事件中的任一异常会话事件对应的事件语义表示簇与所述Y个异常会话事件中的任一异常会话事件对应的事件语义表示簇之间的配对系数，获得配对系数列表，包括步骤S131a-步骤S131d。

步骤S131a、对于所述X个异常会话事件中的第一异常会话事件和所述Y个异常会话事件中的第二异常会话事件，获取所述第一异常会话事件和所述第二异常会话事件之间的第一统计变量，所述第一统计变量为所述第一异常会话事件对应的事件语义表示簇与所述第二异常会话事件对应的事件语义表示簇之间的可配对事件语义表示的数量。

步骤S131b、获取第一事件语义表示统计值和第二事件语义表示统计值；其中，所述第一事件语义表示统计值为所述第一异常会话事件对应的事件语义表示簇中的事件语义表示的数量，所述第二事件语义表示统计值为所述第二异常会话事件对应的事件语义表示簇中的事件语义表示的数量。

步骤S131c、依据所述第一统计变量、所述第一事件语义表示统计值和所述第二事件语义表示统计值，确定出所述第一异常会话事件对应的事件语义表示簇和所述第二异常会话事件对应的事件语义表示簇之间的配对系数。

步骤S131d、对所述X个异常会话事件中的任一异常会话事件对应的事件语义表示簇与所述Y个异常会话事件中的任一异常会话事件对应的事件语义表示簇之间的配对系数进行整合，获得所述配对系数列表。

在一些示例中，以远程办公应用场景为例，对上述步骤进行说明。

假设存在以下异常会话事件和它们的事件语义表示簇：第一异常会话事件X1：文件传输失败；对应的事件语义表示簇X1：文件传输错误、网络异常；第二异常会话事件Y1：语音延迟；对应的事件语义表示簇Y1：语音延迟、声音中断；第三异常会话事件X2：远程桌面卡顿；对应的事件语义表示簇X2：远程桌面卡顿、带宽不足；第四异常会话事件Y2：视频画面模糊；对应的事件语义表示簇Y2：视频画面模糊、视频冻结。

就步骤S131a而言，获取第一统计变量。

在该示例下，需要计算第一异常会话事件X1对应的事件语义表示簇X1与第二异常会话事件Y1对应的事件语义表示簇Y1之间的可配对事件语义表示的数量。观察事件语义表示簇X1和事件语义表示簇Y1，发现有两个可配对的事件语义表示：文件传输错误和语音延迟。因此，第一统计变量为2。

就步骤S131b而言，获取第一事件语义表示统计值和第二事件语义表示统计值。

在该示例下，第一事件语义表示统计值为2（事件语义表示簇X1中的事件数量），第二事件语义表示统计值也为2（事件语义表示簇Y1中的事件数量）。

就步骤S131c而言，确定配对系数。

根据第一统计变量、第一事件语义表示统计值和第二事件语义表示统计值，可以确定第一异常会话事件X1对应的事件语义表示簇X1和第二异常会话事件Y1对应的事件语义表示簇Y1之间的配对系数。

在该示例下，配对系数可以通过将第一统计变量除以第一事件语义表示统计值和第二事件语义表示统计值的乘积来计算。即，配对系数=第一统计变量/（第一事件语义表示统计值*第二事件语义表示统计值）。在该示例下，配对系数为2/（2*2）=0.5。

就步骤S131d而言，整合配对系数列表。

重复以上步骤，可以计算其他异常会话事件对应的事件语义表示簇之间的配对系数，并将其整合到配对系数列表中。

在该示例下，配对系数列表如下：配对系数（X1，Y1）：0.5；配对系数（X1，Y2）：0；配对系数（X2，Y1）：0；配对系数（X2，Y2）：0。

上述配对系数列表表示每个异常会话事件对之间的配对程度。在该示例下，只有第一异常会话事件X1和第二异常会话事件Y1之间存在一定的配对关系（配对系数为0.5）。其他异常会话事件对之间的配对系数均为0，表示它们之间没有明显的配对关系。

进一步地，步骤S131c中的依据所述第一统计变量、所述第一事件语义表示统计值和所述第二事件语义表示统计值，确定出所述第一异常会话事件对应的事件语义表示簇和所述第二异常会话事件对应的事件语义表示簇之间的配对系数，包括：（1）对所述第一事件语义表示统计值和所述第二事件语义表示统计值执行加权运算，获得第一加权和；（2）对所述第一加权和与所述第一统计变量进行减法运算，获得第一减法运算结果；（3）对所述第一统计变量与所述第一减法运算结果进行除法运算，获得所述第一异常会话事件对应的事件语义表示簇和所述第二异常会话事件对应的事件语义表示簇之间的配对系数。

在一些可能的示例下，对上述步骤（1）-步骤（3）进行进一步的举例说明。

步骤（1）：对第一事件语义表示统计值和第二事件语义表示统计值执行加权运算，获得第一加权和。

假设在远程办公应用场景中，有两个异常会话事件和它们的事件语义表示簇：第一异常会话事件X1：文件传输失败；对应的事件语义表示簇X1：文件传输错误、网络异常；第二异常会话事件Y1：语音延迟；对应的事件语义表示簇Y1：语音延迟、声音中断。

假设第一事件语义表示统计值为2，第二事件语义表示统计值为3。执行加权运算来计算第一加权和。假设使用权重值0.5和1进行加权运算，那么第一加权和=0.5*第一事件语义表示统计值+1*第二事件语义表示统计值。在本例中，第一加权和=0.5*2+1*3=1+3=4。

步骤（2）：对第一加权和与第一统计变量进行减法运算，获得第一减法运算结果。

将第一加权和与第一统计变量进行减法运算，获得第一减法运算结果。假设第一统计变量为2（第一异常会话事件X1对应的事件语义表示簇X1与第二异常会话事件Y1对应的事件语义表示簇Y1之间的可配对事件语义表示数量）。那么第一减法运算结果=第一加权和-第一统计变量=4-2=2。

步骤（3）：对第一统计变量与第一减法运算结果进行除法运算，获得异常会话事件对应的事件语义表示簇之间的配对系数。

最后，将第一统计变量与第一减法运算结果进行除法运算，获得异常会话事件对应的事件语义表示簇之间的配对系数。在本例中，配对系数=第一统计变量/第一减法运算结果=2/2=1。

在该远程办公应用场景中，第一异常会话事件X1对应的事件语义表示簇X1和第二异常会话事件Y1对应的事件语义表示簇Y1之间的配对系数为1。

在另外的示例下，假设存在两个远程办公应用场景中的异常会话事件及其对应的事件语义表示簇：第一异常会话事件X1：视频会议断开连接；对应的事件语义表示簇X1：网络中断、画面模糊；第二异常会话事件Y1：文件无法上传；对应的事件语义表示簇Y1：网络问题、上传失败。假设第一事件语义表示统计值为2，第二事件语义表示统计值为2。

步骤（1）：对第一事件语义表示统计值和第二事件语义表示统计值执行加权运算，获得第一加权和。

执行加权运算来计算第一加权和。假设使用权重值0.8和1进行加权运算，那么第一加权和=0.8*第一事件语义表示统计值+1*第二事件语义表示统计值。在本例中，第一加权和=0.8*2+1*2=1.6+2=3.6。

步骤（2）：对第一加权和与第一统计变量进行减法运算，获得第一减法运算结果。

假设第一统计变量为3（第一异常会话事件X1对应的事件语义表示簇X1与第二异常会话事件Y1对应的事件语义表示簇Y1之间的可配对事件语义表示数量）。那么第一减法运算结果=第一加权和-第一统计变量=3.6-3=0.6。

步骤（3）：对第一统计变量与第一减法运算结果进行除法运算，获得异常会话事件对应的事件语义表示簇之间的配对系数。

最后，将第一统计变量与第一减法运算结果进行除法运算，获得异常会话事件对应的事件语义表示簇之间的配对系数。在本例中，配对系数=第一统计变量/第一减法运算结果=3/0.6=5。

在该远程办公应用场景中，第一异常会话事件X1对应的事件语义表示簇X1和第二异常会话事件Y1对应的事件语义表示簇Y1之间的配对系数为5。

在另一些可选的实施例中，所述方法还包括步骤S210-步骤S240。

步骤S210、获取所述第一异常检测报告文本和所述第二异常检测报告文本之间的第二统计变量，所述第二统计变量为所述第一异常检测报告文本对应的事件语义表示簇和所述第二异常检测报告文本对应的事件语义表示簇之间的可配对事件语义表示的数量。

步骤S220、获取第三事件语义表示统计值和第四事件语义表示统计值中的最大值；其中，所述第三事件语义表示统计值为所述第一异常检测报告文本对应的事件语义表示簇中的事件语义表示的数量，所述第四事件语义表示统计值为所述第二异常检测报告文本对应的事件语义表示簇中的事件语义表示的数量。

步骤S230、对所述第二统计变量与所述最大值进行除法运算，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的配对系数。

步骤S240、依据所述第一异常检测报告文本和所述第二异常检测报告文本之间的配对系数，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的第二配对观点。

其中，所述第二配对观点用于反映所述第一异常检测报告文本对应的检测环境和所述第二异常检测报告文本对应的检测环境是否相同。

在另一些可能的实施例中，还可以包括如下步骤S310和步骤S320。

步骤S310、对于所述X个异常会话事件中的第一异常会话事件和所述Y个异常会话事件中的第二异常会话事件，获取所述第一异常会话事件对应的解析信息和所述第二异常会话事件对应的解析信息；其中，所述解析信息包括：所述异常会话事件在异常检测报告文本中的分布特征、所述异常会话事件的种类和所述异常会话事件的事件细节。

步骤S320、对所述第一异常会话事件对应的解析信息和所述第二异常会话事件对应的解析信息进行配对，获得所述第一异常会话事件和所述第二异常会话事件之间的第三配对观点；其中，所述第三配对观点用于反映所述第一异常会话事件对应的解析信息和所述第二异常会话事件对应的解析信息是否相同。

在一些示例中，通过以下两个异常会话事件和它们的解析信息为例进行说明。

第一异常会话事件（X1）的解析信息：分布特征：在异常检测报告文本中占总体报告的20%；种类：网络问题；事件细节：视频会议中断连接。第二异常会话事件（Y1）的解析信息：分布特征：在异常检测报告文本中占总体报告的10%；种类：文件传输问题；事件细节：文件无法上传。

现在将这两个异常会话事件的解析信息进行配对，以获得它们之间的第三配对观点并判断解析信息是否相同。根据配对观点的定义，可以比较第一异常会话事件（X1）和第二异常会话事件（Y1）的解析信息的各个方面。

分布特征：X1的分布特征为20%，Y1的分布特征为10%。由于分布特征不完全相同，可以得出第三配对观点为“不相同”。

种类：X1的种类是网络问题，Y1的种类是文件传输问题。由于种类也不相同，第三配对观点为“不相同”。

事件细节：X1的事件细节是视频会议中断连接，Y1的事件细节是文件无法上传。再次，由于事件细节不同，第三配对观点为“不相同”。

这样，根据所述第一异常会话事件（X1）和所述第二异常会话事件（Y1）的解析信息进行比较和配对后，得出的第三配对观点是它们的解析信息“不相同”。

在一些示例性实施例中，步骤S120中的获取所述X个异常会话事件分别对应的事件语义表示簇以及所述Y个异常会话事件分别对应的事件语义表示簇，包括步骤S121-步骤S124。

步骤S121、对所述第一异常检测报告文本进行语义知识挖掘，获得第一语义知识关系网，以及对所述第二异常检测报告文本进行语义知识挖掘，获得第二语义知识关系网。

其中，语义知识关系网为语义知识特征矩阵。

步骤S122、依据所述第一语义知识关系网，获取所述第一异常检测报告文本对应的代表性文本单元簇，以及依据所述第二语义知识关系网，获取所述第二异常检测报告文本对应的代表性文本单元簇。其中，所述代表性文本单元簇中的代表性文本单元用于记载异常检测报告文本中的区分标签。

步骤S123、依据所述第一异常检测报告文本对应的代表性文本单元簇，从所述第一语义知识关系网中，获取所述第一异常检测报告文本对应的事件语义表示簇，以及依据所述第二异常检测报告文本对应的代表性文本单元簇，从所述第二语义知识关系网中，获取所述第二异常检测报告文本对应的事件语义表示簇。

步骤S124、基于所述X个异常会话事件对所述第一异常检测报告文本对应的事件语义表示簇进行拆解，获得所述X个异常会话事件分别对应的事件语义表示簇，以及基于所述Y个异常会话事件对所述第二异常检测报告文本对应的事件语义表示簇进行拆解，获得所述Y个异常会话事件分别对应的事件语义表示簇。

在远程办公应用场景中，假设有两个异常检测报告文本：第一异常检测报告文本（X1）：视频会议断开连接，网络不稳定；第二异常检测报告文本（Y1）：文件上传失败，网络延迟。

步骤S121主要是用于语义知识挖掘：对于第一异常检测报告文本（X1），进行语义知识挖掘，得到第一语义知识关系网。这里的语义知识关系网是指语义知识特征矩阵，它记录了文本中关键词之间的关联关系。类似地，对于第二异常检测报告文本（Y1），进行语义知识挖掘，获得第二语义知识关系网。

步骤S122主要是确定代表性文本单元簇：基于第一语义知识关系网，可以获取第一异常检测报告文本（X1）对应的代表性文本单元簇。这些簇中的代表性文本单元用于记录异常检测报告文本中的区分标签。

示例第一异常检测报告文本（X1）的代表性文本单元簇：簇1：网络，不稳定；簇2：视频会议，断开连接。

类似地，根据第二语义知识关系网，获取第二异常检测报告文本（Y1）的代表性文本单元簇。

步骤S123主要是确定事件语义表示簇：根据第一异常检测报告文本（X1）的代表性文本单元簇，在第一语义知识关系网中获取对应的事件语义表示簇。这些事件语义表示簇由相关的文本单元组成，表示异常事件的语义信息。

示例第一异常检测报告文本（X1）的事件语义表示簇：事件语义表示簇X1：网络，视频会议，断开连接，不稳定；类似地，根据第二异常检测报告文本（Y1）的代表性文本单元簇，在第二语义知识关系网中获取对应的事件语义表示簇。

步骤S124主要是用于拆解事件语义表示簇：针对给定的X个异常会话事件和Y个异常会话事件，可以拆解第一异常检测报告文本对应的事件语义表示簇和第二异常检测报告文本对应的事件语义表示簇。示例拆解后的事件语义表示簇：第一异常会话事件X1对应的事件语义表示簇：网络，视频会议，断开连接，不稳定。

在另外的示例中，可以使用语义知识挖掘方法来处理两个异常检测报告文本。

假设有以下两个异常检测报告文本：第一个异常检测报告文本（X1）：在远程办公时遇到了连接问题，电脑无法连接到远程服务器；第二个异常检测报告文本（Y1）：今天的音频会议中出现了回声问题，影响了沟通质量。

首先，对第一个异常检测报告文本（X1）进行语义知识挖掘。通过分析文本中的关键词和它们之间的关联关系，得到了第一语义知识关系网。这个关系网记录了关键词之间的连接强度。接着，根据第一语义知识关系网提取出了代表性文本单元簇，用于标记异常检测报告文本的区分特点。在这个例子中，代表性文本单元簇可能包括“连接”和“远程服务器”。然后，基于第一语义知识关系网，获取了第一个异常检测报告文本（X1）对应的事件语义表示簇。这个事件语义表示簇由多个相关的文本单元组成，反映了异常事件的语义信息。在这个例子中，事件语义表示簇可能包括“连接问题”和“远程办公”。接下来，对第二个异常检测报告文本（Y1）进行类似的处理。通过语义知识挖掘，得到了第二语义知识关系网，并从中提取出代表性文本单元簇。在这个例子中，代表性文本单元簇可能包括“音频会议”和“回声问题”。然后，基于第二语义知识关系网，获取了第二个异常检测报告文本（Y1）对应的事件语义表示簇。这个事件语义表示簇可能包括“音频会议”和“回声问题”。最后，比较第一异常会话事件和第二异常会话事件之间的语义相似度。通过计算事件语义表示簇之间的相似度，可以判断它们的解析信息是否相同或相似。在这个例子中，可以发现“连接问题”和“远程服务器”与“音频会议”和“回声问题”之间并没有很强的相似度。

可见，利用语义知识挖掘、代表性文本单元簇提取、事件语义表示簇获取以及相似度计算，对远程办公中的异常检测报告文本进行了分析和比较。这样可以帮助理解并区分不同的异常情况，以便更好地处理和解决问题。

在一些示例下，所述第一语义知识关系网的尺寸（维度）为T*K*B，T、K和B为正整数。基于此，步骤S122中的依据所述第一语义知识关系网，获取所述第一异常检测报告文本对应的代表性文本单元簇，包括步骤S1221-步骤S1227。

步骤S1221、基于T尺寸和K尺寸，按照预设尺度对所述第一语义知识关系网进行拆解，获得多个局部语义知识关系网。

步骤S1222、对于所述多个局部语义知识关系网中的目标局部语义知识关系网，在B尺寸上对所述目标局部语义知识关系网进行拆解，获得所述目标局部语义知识关系网对应的多个第一种下游语义知识关系网。

步骤S1223、获取每个第一种下游语义知识关系网中的目标知识成员，生成第一知识映射成员簇。

步骤S1224、基于T尺寸和K尺寸，对所述目标局部语义知识关系网进行拆解，获得所述目标局部语义知识关系网对应的多个第二种下游语义知识关系网。

步骤S1225、获取每个第二种下游语义知识关系网中的目标知识成员，生成第二知识映射成员簇。

步骤S1226、依据所述第一知识映射成员簇和所述第二知识映射成员簇，获得所述目标局部语义知识关系网对应的代表性文本单元簇。

步骤S1227、将所述多个局部语义知识关系网分别对应的代表性文本单元簇进行整合，获取所述第一异常检测报告文本对应的代表性文本单元簇。

在远程办公应用场景中，可以使用上述步骤来处理异常检测报告文本。假设存在以下第一语义知识关系网和两个局部语义知识关系网。

1）第一语义知识关系网：

【关键词：电脑、连接、远程服务器】

语义知识关系网矩阵：

电脑：连接：0.7；远程服务器：0.4；

连接：电脑：0.7；远程服务器：0.2；

远程服务器：电脑：0.4；连接：0.2。

2）局部语义知识关系网1：

【关键词：电脑、连接】

语义知识关系网矩阵：

电脑：连接：0.7；

连接：电脑：0.7。

3）局部语义知识关系网2：

【关键词：连接、远程服务器】

语义知识关系网矩阵：

连接：远程服务器：0.2；

远程服务器：连接：0.2。

根据步骤S1221，按照预设尺度（T尺寸和K尺寸）对第一语义知识关系网进行拆解，得到了两个局部语义知识关系网。在这个例子中，将第一语义知识关系网拆解为局部语义知识关系网1和局部语义知识关系网2。根据步骤S1222，在B尺寸上对目标局部语义知识关系网（局部语义知识关系网1和局部语义知识关系网2）进行拆解，生成了多个第一种下游语义知识关系网。在这个例子中，可以得到局部语义知识关系网1和局部语义知识关系网2的第一种下游语义知识关系网。按照步骤S1223，从每个第一种下游语义知识关系网中获取目标知识成员，生成第一知识映射成员簇。在这个例子中，从第一种下游语义知识关系网中提取出“电脑”和“连接”作为第一知识映射成员簇。根据步骤S1224，再次基于T尺寸和K尺寸对目标局部语义知识关系网进行拆解，获得第二种下游语义知识关系网。在这个例子中，可以得到局部语义知识关系网1和局部语义知识关系网2的第二种下游语义知识关系网。根据步骤S1225，从每个第二种下游语义知识关系网中获取目标知识成员，生成第二知识映射成员簇。在这个例子中，从第二种下游语义知识关系网中提取出“连接”和"远程服务器"作为第二知识映射成员簇。基于步骤S1226，根据第一知识映射成员簇和第二知识映射成员簇，可以获得目标局部语义知识关系网的代表性文本单元簇。这些代表性文本单元簇由与目标局部语义知识关系网中的关键词相关的文本单元组成。通过步骤S1227，将多个局部语义知识关系网对应的代表性文本单元簇进行整合，以获取第一异常检测报告文本对应的代表性文本单元簇，上述代表性文本单元簇反映了异常检测报告文本的区分特点和语义信息。

如此设计，通过按照预设尺度对语义知识关系网进行拆解，从中提取关键词并生成局部语义知识关系网。然后在不同尺寸下进一步拆解局部语义知识关系网，获取目标知识成员和知识映射成员簇。最后，整合各个局部语义知识关系网对应的代表性文本单元簇，得到异常检测报告文本的代表性文本单元簇，从而帮助理解和处理异常情况。

在另一些示例性实施例中，步骤S123中的依据所述第一异常检测报告文本对应的代表性文本单元簇，从所述第一语义知识关系网中，获取所述第一异常检测报告文本对应的事件语义表示簇，包括步骤S1231和步骤S1232。

步骤S1231、对于所述第一异常检测报告文本对应的代表性文本单元簇中的目标代表性文本单元，依据所述目标代表性文本单元所在的第二种下游语义知识关系网，生成所述目标代表性文本单元对应的事件语义表示。

步骤S1232、对所述第一异常检测报告文本对应的代表性文本单元簇中的各个代表性文本单元分别对应的事件语义表示进行整合，获取所述第一异常检测报告文本对应的事件语义表示簇。

在远程办公应用场景中，假设有一份异常检测报告文本，该文本描述了员工在远程办公过程中遇到的异常情况。以下是对上述步骤的另外举例介绍：步骤S1231：对于第一异常检测报告文本对应的代表性文本单元簇中的目标代表性文本单元，假设其中一个目标代表性文本单元是“用户无法连接到远程服务器”。根据该目标代表性文本单元所在的第二种下游语义知识关系网，可以生成该目标代表性文本单元对应的事件语义表示；步骤S1232：对第一异常检测报告文本对应的代表性文本单元簇中的各个代表性文本单元分别对应的事件语义表示进行整合，以获取第一异常检测报告文本对应的事件语义表示簇。在这个例子中，可能会有其他代表性文本单元，比如“网络延迟导致视频会议中断”、“电脑系统崩溃无法正常工作”等，它们都会被转化为相应的事件语义表示，并与前面的目标代表性文本单元的事件语义表示整合在一起，形成整个异常检测报告文本的事件语义表示簇。

本发明实施例基于上述远程办公应用场景，通过将异常检测报告文本转化为事件语义表示，可以更好地理解和处理远程办公中出现的问题。这样的语义表示方法可以帮助系统自动分析和归纳异常情况，提供更准确的指导和建议，以改善远程办公体验并加快问题的解决速度。

在另一些可能的实施例中，步骤S124所描述的所述基于所述X个异常会话事件对所述第一异常检测报告文本对应的事件语义表示簇进行拆解，获得所述X个异常会话事件分别对应的事件语义表示簇，包括步骤S1241和步骤S1242。

步骤S1241、对于所述X个异常会话事件中的第一异常会话事件，对所述第一异常会话事件对应的解析信息对应的分布特征进行调整，获得调整后的分布特征。

其中，该调整处理包括对分布特征进行扩展处理。

步骤S1242、将所述调整后的分布特征中的事件语义表示进行整合，获得所述第一异常会话事件对应的事件语义表示簇。

在远程办公应用场景中，假设存在一系列异常会话事件，每个事件都包含了解析信息和分布特征。以下是对上述步骤的另外举例介绍：对于这些异常会话事件中的第一异常会话事件，假设该事件是“用户无法连接到远程服务器”。可以对该异常会话事件对应的解析信息的分布特征进行调整，以获得调整后的分布特征。在这个例子中，调整处理可能包括扩展分布特征，如将分布特征中的相关网络节点和服务器信息添加到异常会话事件的描述中。将调整后的分布特征中的事件语义表示进行整合，以获得第一异常会话事件对应的事件语义表示簇。在这个例子中，整合过程可以将调整后的分布特征与其他异常会话事件的事件语义表示进行合并，形成第一异常会话事件的事件语义表示簇。这样，通过调整异常会话事件的分布特征和整合事件语义表示，可以更全面地理解和分析远程办公中的异常情况。这样的处理方法可以帮助系统识别关联的异常事件，提供更准确的异常诊断和解决方案，以改善远程办公的稳定性和效率。

以上是在远程办公应用场景下对本发明实施例的介绍，下面再以电子商务应用场景为例，对本发明实施例进行示例性说明。

在电子商务应用场景中，假设存在第一异常检测报告文本和第二异常检测报告文本，分别针对电子商务平台的异常情况进行描述：首先，对第一异常检测报告文本进行处理，从中提取出X个异常会话事件。这些事件可以是与订单处理相关的异常，比如“支付失败”、“订单配送延迟”等。同样地，对第二异常检测报告文本进行处理，获得Y个异常会话事件，可能涉及到库存管理方面的异常，如“库存不足”、“商品丢失”等。这里X和Y分别表示异常会话事件的数量。接下来，为每个异常会话事件生成事件语义表示簇。例如，对于“支付失败”这个异常会话事件，其事件语义表示簇可能包含了相关的订单信息、支付状态以及用户反馈等异常状态属性的事件语义表示。在配对阶段，将第一异常检测报告文本中的X个异常会话事件的事件语义表示簇与第二异常检测报告文本中的Y个异常会话事件的事件语义表示簇进行配对。通过比较事件语义表示簇之间的相似性和关联性，获得第一配对观点，用于反映第一异常检测报告文本和第二异常检测报告文本中是否具有相同的异常会话事件。例如，可能发现第一异常检测报告文本中的“支付失败”异常会话事件与第二异常检测报告文本中的“库存不足”异常会话事件存在关联。这样的配对观点表明，在电子商务平台中，支付失败可能与库存不足有关，导致订单无法正常处理。通过上述处理和配对过程，可以更准确地了解和比较第一异常检测报告文本和第二异常检测报告文本中的异常情况，进一步分析问题的根源，并采取适当的措施进行解决，以提升电子商务平台的稳定性和用户体验。

在另外的一些示例下，以在线教育应用场景为例，对本发明实施例进行示例性说明。

在在线教育应用场景中，假设存在第一异常检测报告文本和第二异常检测报告文本，分别针对在线教育平台的异常情况进行描述：首先，对第一异常检测报告文本进行处理，从中提取出X个异常会话事件。这些事件可以是与学习过程相关的异常，比如“视频播放卡顿”、“无法提交作业”等。同样地，对第二异常检测报告文本进行处理，获得Y个异常会话事件，可能涉及到用户账号管理方面的异常，如“无法登录账号”、“密码重置失败”等。这里X和Y分别表示异常会话事件的数量。接下来，为每个异常会话事件生成事件语义表示簇。例如，对于“视频播放卡顿”这个异常会话事件，其事件语义表示簇可能包含了视频信息、网络连接状态、学习平台反馈以及用户反馈等异常状态属性的事件语义表示。在配对阶段，将第一异常检测报告文本中的X个异常会话事件的事件语义表示簇与第二异常检测报告文本中的Y个异常会话事件的事件语义表示簇进行配对。通过比较事件语义表示簇之间的相似性和关联性，获得第一配对观点，用于反映第一异常检测报告文本和第二异常检测报告文本中是否具有相同的异常会话事件。例如，可能发现第一异常检测报告文本中的“视频播放卡顿”异常会话事件与第二异常检测报告文本中的“无法登录账号”异常会话事件存在关联。这样的配对观点表明，在在线教育平台中，视频播放卡顿可能与用户账号登录问题相关，导致学习过程受阻。通过上述处理和配对过程，可以更准确地了解和比较第一异常检测报告文本和第二异常检测报告文本中的异常情况，进一步分析问题的根源，并采取适当的措施进行解决，以提升在线教育平台的稳定性和学习体验。

在另外的一些示例下，以虚拟现实应用场景为例，对本发明实施例进行示例性说明。

在虚拟现实应用场景中，假设存在第一异常检测报告文本和第二异常检测报告文本，分别针对虚拟现实应用的异常情况进行描述：首先，对第一异常检测报告文本进行处理，从中提取出X个异常会话事件。这些事件可以是与虚拟现实体验相关的异常，比如“图像模糊”、“头昏眼花”等。同样地，对第二异常检测报告文本进行处理，获得Y个异常会话事件，可能涉及到硬件设备方面的异常，如“传感器故障”、“控制器连接问题”等。这里X和Y分别表示异常会话事件的数量。接下来，为每个异常会话事件生成事件语义表示簇。例如，对于“图像模糊”这个异常会话事件，其事件语义表示簇可能包含了图像质量信息、渲染参数、用户反馈以及设备状态等异常状态属性的事件语义表示。在配对阶段，将第一异常检测报告文本中的X个异常会话事件的事件语义表示簇与第二异常检测报告文本中的Y个异常会话事件的事件语义表示簇进行配对。通过比较事件语义表示簇之间的相似性和关联性，获得第一配对观点，用于反映第一异常检测报告文本和第二异常检测报告文本中是否具有相同的异常会话事件。例如，可能发现第一异常检测报告文本中的“图像模糊”异常会话事件与第二异常检测报告文本中的“传感器故障”异常会话事件存在关联。这样的配对观点表明，在虚拟现实应用中，图像模糊问题可能与传感器故障导致的数据采集问题相关。通过上述处理和配对过程，可以更准确地了解和比较第一异常检测报告文本和第二异常检测报告文本中的异常情况，进一步分析问题的根源，并采取适当的措施进行解决，以提升虚拟现实应用的稳定性和用户体验。

进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述示例性描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

Claims (10)

1.一种在线业务会话的异常检测报告分析方法，其特征在于，应用于人工智能服务器，所述方法包括：

分别对第一异常检测报告文本和第二异常检测报告文本进行处理，获得所述第一异常检测报告文本中的X个异常会话事件，以及所述第二异常检测报告文本中的Y个异常会话事件，X和Y为正整数；

获取所述X个异常会话事件分别对应的事件语义表示簇以及所述Y个异常会话事件分别对应的事件语义表示簇；其中，每个异常会话事件对应的事件语义表示簇中包含用于记载所述异常会话事件的异常状态属性的最少一个事件语义表示；

将所述X个异常会话事件分别对应的事件语义表示簇和所述Y个异常会话事件分别对应的事件语义表示簇进行配对，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的第一配对观点；其中，所述第一配对观点用于反映所述第一异常检测报告文本和所述第二异常检测报告文本中是否具有相同的异常会话事件。

2.根据权利要求1所述的方法，其特征在于，所述将所述X个异常会话事件分别对应的事件语义表示簇和所述Y个异常会话事件分别对应的事件语义表示簇进行配对，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的第一配对观点，包括：

确定所述X个异常会话事件中的任一异常会话事件对应的事件语义表示簇与所述Y个异常会话事件中的任一异常会话事件对应的事件语义表示簇之间的配对系数，获得配对系数列表；其中，所述配对系数列表中包括X*Y个配对系数；

依据所述配对系数列表确定所述X个异常会话事件和所述Y个异常会话事件之间的配对特征，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的第一配对观点。

3.根据权利要求2所述的方法，其特征在于，所述依据所述配对系数列表确定所述X个异常会话事件和所述Y个异常会话事件之间的配对特征，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的第一配对观点，包括：

依据所述配对系数列表，输出所述X个异常会话事件和所述Y个异常会话事件之间的可视化关系网；其中，所述可视化关系网以所述异常会话事件为关系成员，且以所述配对系数为关系成员之间的关系指针的强化指数；

获取所述可视化关系网对应的目标配对关系，所述目标配对关系为所述配对系数的加权和最大的配对关系；

依据所述目标配对关系中所述X个异常会话事件和所述Y个异常会话事件之间的配对特征，获得所述第一配对观点。

4.根据权利要求2所述的方法，其特征在于，所述确定所述X个异常会话事件中的任一异常会话事件对应的事件语义表示簇与所述Y个异常会话事件中的任一异常会话事件对应的事件语义表示簇之间的配对系数，获得配对系数列表，包括：

对于所述X个异常会话事件中的第一异常会话事件和所述Y个异常会话事件中的第二异常会话事件，获取所述第一异常会话事件和所述第二异常会话事件之间的第一统计变量，所述第一统计变量为所述第一异常会话事件对应的事件语义表示簇与所述第二异常会话事件对应的事件语义表示簇之间的可配对事件语义表示的数量；

获取第一事件语义表示统计值和第二事件语义表示统计值；其中，所述第一事件语义表示统计值为所述第一异常会话事件对应的事件语义表示簇中的事件语义表示的数量，所述第二事件语义表示统计值为所述第二异常会话事件对应的事件语义表示簇中的事件语义表示的数量；

依据所述第一统计变量、所述第一事件语义表示统计值和所述第二事件语义表示统计值，确定出所述第一异常会话事件对应的事件语义表示簇和所述第二异常会话事件对应的事件语义表示簇之间的配对系数；

对所述X个异常会话事件中的任一异常会话事件对应的事件语义表示簇与所述Y个异常会话事件中的任一异常会话事件对应的事件语义表示簇之间的配对系数进行整合，获得所述配对系数列表。

5.根据权利要求4所述的方法，其特征在于，所述依据所述第一统计变量、所述第一事件语义表示统计值和所述第二事件语义表示统计值，确定出所述第一异常会话事件对应的事件语义表示簇和所述第二异常会话事件对应的事件语义表示簇之间的配对系数，包括：

对所述第一事件语义表示统计值和所述第二事件语义表示统计值执行加权运算，获得第一加权和；

对所述第一加权和与所述第一统计变量进行减法运算，获得第一减法运算结果；

对所述第一统计变量与所述第一减法运算结果进行除法运算，获得所述第一异常会话事件对应的事件语义表示簇和所述第二异常会话事件对应的事件语义表示簇之间的配对系数。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法还包括：

获取所述第一异常检测报告文本和所述第二异常检测报告文本之间的第二统计变量，所述第二统计变量为所述第一异常检测报告文本对应的事件语义表示簇和所述第二异常检测报告文本对应的事件语义表示簇之间的可配对事件语义表示的数量；

获取第三事件语义表示统计值和第四事件语义表示统计值中的最大值；其中，所述第三事件语义表示统计值为所述第一异常检测报告文本对应的事件语义表示簇中的事件语义表示的数量，所述第四事件语义表示统计值为所述第二异常检测报告文本对应的事件语义表示簇中的事件语义表示的数量；

对所述第二统计变量与所述最大值进行除法运算，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的配对系数；

依据所述第一异常检测报告文本和所述第二异常检测报告文本之间的配对系数，获得所述第一异常检测报告文本和所述第二异常检测报告文本之间的第二配对观点；

其中，所述第二配对观点用于反映所述第一异常检测报告文本对应的检测环境和所述第二异常检测报告文本对应的检测环境是否相同。

7.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对于所述X个异常会话事件中的第一异常会话事件和所述Y个异常会话事件中的第二异常会话事件，获取所述第一异常会话事件对应的解析信息和所述第二异常会话事件对应的解析信息；其中，所述解析信息包括：所述异常会话事件在异常检测报告文本中的分布特征、所述异常会话事件的种类和所述异常会话事件的事件细节；

对所述第一异常会话事件对应的解析信息和所述第二异常会话事件对应的解析信息进行配对，获得所述第一异常会话事件和所述第二异常会话事件之间的第三配对观点；其中，所述第三配对观点用于反映所述第一异常会话事件对应的解析信息和所述第二异常会话事件对应的解析信息是否相同。

8.根据权利要求1所述的方法，其特征在于，所述获取所述X个异常会话事件分别对应的事件语义表示簇以及所述Y个异常会话事件分别对应的事件语义表示簇，包括：

对所述第一异常检测报告文本进行语义知识挖掘，获得第一语义知识关系网，以及对所述第二异常检测报告文本进行语义知识挖掘，获得第二语义知识关系网；

依据所述第一语义知识关系网，获取所述第一异常检测报告文本对应的代表性文本单元簇，以及依据所述第二语义知识关系网，获取所述第二异常检测报告文本对应的代表性文本单元簇；其中，所述代表性文本单元簇中的代表性文本单元用于记载异常检测报告文本中的区分标签；

依据所述第一异常检测报告文本对应的代表性文本单元簇，从所述第一语义知识关系网中，获取所述第一异常检测报告文本对应的事件语义表示簇，以及依据所述第二异常检测报告文本对应的代表性文本单元簇，从所述第二语义知识关系网中，获取所述第二异常检测报告文本对应的事件语义表示簇；

基于所述X个异常会话事件对所述第一异常检测报告文本对应的事件语义表示簇进行拆解，获得所述X个异常会话事件分别对应的事件语义表示簇，以及基于所述Y个异常会话事件对所述第二异常检测报告文本对应的事件语义表示簇进行拆解，获得所述Y个异常会话事件分别对应的事件语义表示簇；

其中，所述第一语义知识关系网的尺寸为T*K*B，T、K和B为正整数；所述依据所述第一语义知识关系网，获取所述第一异常检测报告文本对应的代表性文本单元簇，包括：基于T尺寸和K尺寸，按照预设尺度对所述第一语义知识关系网进行拆解，获得多个局部语义知识关系网；对于所述多个局部语义知识关系网中的目标局部语义知识关系网，在B尺寸上对所述目标局部语义知识关系网进行拆解，获得所述目标局部语义知识关系网对应的多个第一种下游语义知识关系网；获取每个第一种下游语义知识关系网中的目标知识成员，生成第一知识映射成员簇；基于T尺寸和K尺寸，对所述目标局部语义知识关系网进行拆解，获得所述目标局部语义知识关系网对应的多个第二种下游语义知识关系网；获取每个第二种下游语义知识关系网中的目标知识成员，生成第二知识映射成员簇；依据所述第一知识映射成员簇和所述第二知识映射成员簇，获得所述目标局部语义知识关系网对应的代表性文本单元簇；将所述多个局部语义知识关系网分别对应的代表性文本单元簇进行整合，获取所述第一异常检测报告文本对应的代表性文本单元簇；

其中，所述依据所述第一异常检测报告文本对应的代表性文本单元簇，从所述第一语义知识关系网中，获取所述第一异常检测报告文本对应的事件语义表示簇，包括：对于所述第一异常检测报告文本对应的代表性文本单元簇中的目标代表性文本单元，依据所述目标代表性文本单元所在的第二种下游语义知识关系网，生成所述目标代表性文本单元对应的事件语义表示；对所述第一异常检测报告文本对应的代表性文本单元簇中的各个代表性文本单元分别对应的事件语义表示进行整合，获取所述第一异常检测报告文本对应的事件语义表示簇；

其中，所述基于所述X个异常会话事件对所述第一异常检测报告文本对应的事件语义表示簇进行拆解，获得所述X个异常会话事件分别对应的事件语义表示簇，包括：对于所述X个异常会话事件中的第一异常会话事件，对所述第一异常会话事件对应的解析信息对应的分布特征进行调整，获得调整后的分布特征；将所述调整后的分布特征中的事件语义表示进行整合，获得所述第一异常会话事件对应的事件语义表示簇。

9.一种人工智能服务器，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求1-8任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时实现上述权利要求1-8任一项所述的方法。