CN116992150A - 一种研发组件推荐方法、装置、设备及存储介质 - Google Patents
一种研发组件推荐方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116992150A CN116992150A CN202311037179.3A CN202311037179A CN116992150A CN 116992150 A CN116992150 A CN 116992150A CN 202311037179 A CN202311037179 A CN 202311037179A CN 116992150 A CN116992150 A CN 116992150A
- Authority
- CN
- China
- Prior art keywords
- component
- development
- recommendation
- target
- determining
- 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 47
- 238000012827 research and development Methods 0.000 title abstract description 17
- 238000011161 development Methods 0.000 claims abstract description 132
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000018109 developmental process Effects 0.000 claims description 130
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
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)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种研发组件推荐方法、装置、设备及存储介质。该方法包括：获取研发平台中的项目开发数据；根据所述项目开发数据，确定所述项目对应的开发文本特征；根据所述开发文本特征和预先训练获得的目标组件推荐模型，确定目标推荐组件，从而可以为开发人员智能推荐前端组件，减小开发人员的工作压力，提高研发工作效率。
Description
技术领域
本发明涉及智能推荐技术领域，尤其涉及一种研发组件推荐方法、装置、设备及存储介质。
背景技术
智能推荐已经成为现代人们生活的一部分。越来越多的软件开始引入智能推荐可以更好的提升用户体验。
在软件研发方面，如何将推荐的技术引入软件研发中来，让智能推荐系统来辅助开发人员开发，进而降低开发人员的开发难度，提高开发人员的开发效率成为一个问题。在目前的市场中这种功能是十分罕见的，很少针对研发人员做一套适合他们的智能推荐系统来辅助开发的产品。
发明内容
本发明提供了一种研发组件推荐方法、装置、设备及存储介质，以智能推荐前端组件，减小开发人员的工作压力，提高研发工作效率。
根据本发明的一方面，提供了一种研发组件推荐方法。该方法包括：
获取研发平台中的项目开发数据；
根据所述项目开发数据，确定所述项目对应的开发文本特征；
根据所述开发文本特征和预先训练获得的目标组件推荐模型，确定目标推荐组件。
根据本发明的另一方面，提供了一种研发组件推荐装置。该装置包括：
项目开发数据获取模块，用于获取研发平台中的项目开发数据；
开发文本特征确定模块，用于根据所述项目开发数据，确定所述项目对应的开发文本特征；
目标推荐组件确定模块，用于根据所述开发文本特征和预先训练获得的目标组件推荐模型，确定目标推荐组件。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的研发组件推荐方法。
根据本发明的另一方面，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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的研发组件推荐方法。
本发明实施例的技术方案，通过获取研发平台中的项目开发数据；根据所述项目开发数据，确定所述项目对应的开发文本特征；根据所述开发文本特征和预先训练获得的目标组件推荐模型，确定目标推荐组件，从而可以为开发人员智能推荐为用户提供个性化的前端组件，减小开发人员的工作压力，提高研发工作效率。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是根据本发明实施例一提供的一种研发组件推荐方法的流程图；
图2是根据本发明实施例二提供的一种研发组件推荐装置的流程图；
图3是根据本发明实施例三提供的一种研发组件推荐装置的结构图；
图4是实现本发明实施例的研发组件推荐方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种研发组件推荐方法的流程图，本实施例可适用于为开发人员智能推荐前端组件的情况。该方法可以由研发组件推荐装置来执行，该研发组件推荐装置可以采用硬件和/或软件的形式实现，该研发组件推荐装置可配置于电子设备中。如图1所示，该方法包括：
S101、获取研发平台中的项目开发数据。
其中，项目开发数据可以是指关于开发项目的相关开发数据，也可以指开发元数据。示例性地，项目开发数据至少包括应用场景描述、输入参数、输出参数和属性参数。
S102、根据所述项目开发数据，确定所述项目对应的开发文本特征。
其中，开发文本特征可以是指项目开发数据对应的关键特征。
具体地，将所述项目开发数据进行解析处理，获得开发文本特征。
示例性地，确定开发文本特征的方法可以通过如下方式实现：对所述项目开发数据进行文本解析处理，获得项目开发文本；将所述项目开发文本进行分词处理，获得所述开发文本特征。
其中，项目开发文本可以是指项目开发数据对应的开发文本。
具体地，对项目开发数据进行文本解析，获得项目开发文本。将项目开发文本进行分词处理，从而可以获得开发文本特征。
S103、根据所述开发文本特征和预先训练获得的目标组件推荐模型，确定目标推荐组件。
其中，目标组件推荐模型可以是通过常规神经网络模型进行训练获得的网络模型，用于智能推荐前端组件。示例性地，所述目标组件推荐模型至少包括输入层、隐藏层和输出层。其中，输入层用于将多个特征去预测特征对应的组件类别。隐藏层应用于将目标组件推荐模型中的向量进行求和。输出层用于输出推荐前端组件。
具体地，将开发文本输入至预先训练好的目标组件推荐模型中进行模型运算，基于目标组件推荐模型的输出，获得目标组件推荐模型推荐的多个目标推荐组件。
示例性地，在所述确定目标推荐组件之后，还包括：确定所述目标推荐组件的合格性；在所述目标推荐组件合格的情况下，将所述目标推荐组件发送至开发端。
具体地，在确定目标推荐组件之后，需要对目标推荐推荐组件的合理性，也即确定所推荐的目标推荐组件是否符合软件开发项目的需求。若目标推荐组件合格，则将所述目标推荐组件发送至开发端。
本发明实施例的技术方案，通过获取研发平台中的项目开发数据；根据所述项目开发数据，确定所述项目对应的开发文本特征；根据所述开发文本特征和预先训练获得的目标组件推荐模型，确定目标推荐组件，从而可以为开发人员智能推荐为用户提供个性化的前端组件，减小开发人员的工作压力，提高研发工作效率。
示例性地，本发明技术方案还可以包括：针对每个所述目标推荐组件，根据所述开发文本特征和所述目标组件推荐模型，确定所述目标推荐组件对应的组件置信度；基于所述组件置信度，将所有所述目标推荐组件进行降序排序，获得推荐组件置信度序列；将所述组件置信度序列发送至开发端，以使开发人员根据所述组件置信度序列中确定理想前端组件。
需要解释的是，理想推荐组件可以是指开发人员根据实际需求所使用的前端组件。该理想前端组件可以是所有目标推荐组件中的推荐度最高的前端组件，也可以是所有目标推荐组件中的其他前端组件，还可以是所有目标推荐组件之外的其他推荐组件。组件置信度可以理解为目标组件的推荐度。
具体地，根据目标组件推荐模型确定目标推荐组件的同时，还可以确定出目标推荐组件对应的组件置信度。根据组件置信度的大小关系，将所有所述目标推荐组件进行降序排序，以获得推荐组件置信度序列。开发人员可以根据推荐组件置信度序列的推荐情况、软件开发的实际需求以及用户针对目标推荐组件的接受程度等综合因素，从推荐的目标推荐组件中或者未推荐的其他前端组件中确定出最终的理想前端组件。
进一步地，本发明技术方案还可以包括：将所述目标推荐组件以及所述目标推荐组件对应的组件置信度输入至所述目标组件推荐模型中，并基于确定的所述理想前端组件，调整所述目标组件推荐模型的网络参数，以使所述目标组件推荐模型更新所述目标推荐组件对应的组件置信度。
也就是说，本发明技术方案可以进一步提升推荐前端组件的精确度，具体可以根据目标推荐组件以及所述目标推荐组件对应的组件置信度，与开发人员确定的理想前端组件以及理想前端组件对应的组件置信度，确定目标组件推荐模型的模型损失及误差，根据模型损失及误差调整目标组件推荐模型当前对应的网络参数，以使目标组件推荐模型对目标推荐组件对应的组件置信度进行更新调整。
进一步地，本发明技术方案还可以持续采集用户最终接受的理想前端组件+原模型数据+模型算法输出的置信度的数据，将模型算法较差推荐结果对应的训练样本数据，作为新的训练数据。调整原有训练模型参数，通过再次训练目标组件推荐模型，形成新的组件推荐模型，持续迭代，持续优化算法，进一步提升推荐前端组件的精确度，提高研发工作效率。
实施例二
图2为本发明实施例二提供的一种研发组件推荐方法的流程图，本实施例在上述各实施例的基础上，对目标组件推荐模型的训练过程进行具体化。如图2所示，该方法包括：
S201、获取开发文本特征样本和所述开发文本特征样本对应的样本推荐结果。
S202、将所述开发文本特征样本输入至预设组件推荐模型中进行组件推荐运算，并基于所述预设组件推荐模型的输出，获得输出推荐结果。
S203、基于所述输出推荐结果和所述样本推荐结果确定训练误差，并将所述训练误差反向传播至所述预设组件推荐模型中，调整所述预设组件推荐模型中的网络参数。
具体地，基于训练函数，根据输出推荐结果和样本推荐结果确定训练误差，并将训练误差反向传播至预设决策网络模型中，调整预设组件推荐模型中的网络参数。
S204、当满足预设收敛条件时，确定预设组件推荐模型训练结束，获得目标组件推荐模型。
其中，预设收敛条件可以包括迭代次数达到预设次数或者训练误差收敛。
具体地，当满足预设收敛条件时，确定预设组件推荐模型训练结束，此时可以将训练结束的预设组件推荐模型作为目标组件推荐模型。
S205、获取研发平台中的项目开发数据。
S206、根据所述项目开发数据，确定所述项目对应的开发文本特征。
S207、根据所述开发文本特征和预先训练获得的目标组件推荐模型，确定目标推荐组件。
本发明技术方案，通过利用开发文本特征样本和所述开发文本特征样本对应的样本推荐结果进行模型训练，可以保证目标组件推荐模型推荐前端组件的准确性，进而提高研发工作效率。
实施例三
图3为本发明实施例三提供的一种研发组件推荐装置的结构示意图。如图3所示，该装置包括：
项目开发数据获取模块301，用于获取研发平台中的项目开发数据；
开发文本特征确定模块302，用于根据所述项目开发数据，确定所述项目对应的开发文本特征；
目标推荐组件确定模块303，用于根据所述开发文本特征和预先训练获得的目标组件推荐模型，确定目标推荐组件。
本发明实施例的技术方案，通过获取研发平台中的项目开发数据；根据所述项目开发数据，确定所述项目对应的开发文本特征；根据所述开发文本特征和预先训练获得的目标组件推荐模型，确定目标推荐组件，从而可以为开发人员智能推荐为用户提供个性化的前端组件，减小开发人员的工作压力，提高研发工作效率。
可选的，所述项目开发数据至少包括应用场景描述、输入参数、输出参数和属性参数。
可选的，开发文本特征确定模块302，具体用于：
对所述项目开发数据进行文本解析处理，获得项目开发文本；
将所述项目开发文本进行分词处理，获得所述开发文本特征。
可选的，所述目标组件推荐模型至少包括输入层、隐藏层和输出层。
可选的，所述装置包括：组件推荐模型训练模块，用于：
获取开发文本特征样本和所述开发文本特征样本对应的样本推荐结果；将所述开发文本特征样本输入至预设组件推荐模型中进行组件推荐运算，并基于所述预设组件推荐模型的输出，获得输出推荐结果；基于所述输出推荐结果和所述样本推荐结果确定训练误差，并将所述训练误差反向传播至所述预设组件推荐模型中，调整所述预设组件推荐模型中的网络参数；当满足预设收敛条件时，确定预设组件推荐模型训练结束，获得目标组件推荐模型。
可选的，所述装置包括：组件发送模块，用于：确定所述目标推荐组件的合格性；在所述目标推荐组件合格的情况下，将所述目标推荐组件发送至开发端。
可选的，所述装置包括：
理想前端组件确定模块，用于针对每个所述目标推荐组件，根据所述开发文本特征和所述目标组件推荐模型，确定所述目标推荐组件对应的组件置信度；
基于所述组件置信度，将所有所述目标推荐组件进行降序排序，获得推荐组件置信度序列；
将所述组件置信度序列发送至开发端，以使开发人员根据所述组件置信度序列中确定理想前端组件。
可选的，所述装置还包括：
组件置信度更新模块，用于将所述目标推荐组件以及所述目标推荐组件对应的组件置信度输入至所述目标组件推荐模型中，并基于确定的所述理想前端组件，调整所述目标组件推荐模型的网络参数，以使所述目标组件推荐模型更新所述目标推荐组件对应的组件置信度。
本发明实施例所提供的研发组件推荐装置可执行本发明任意实施例所提供的研发组件推荐方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如方法研发组件推荐。
在一些实施例中，方法研发组件推荐可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的方法研发组件推荐的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法研发组件推荐。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种研发组件推荐方法，其特征在于，包括：
获取研发平台中的项目开发数据；
根据所述项目开发数据，确定所述项目对应的开发文本特征；
根据所述开发文本特征和预先训练获得的目标组件推荐模型，确定目标推荐组件。
2.根据权利要求1所述的方法，其特征在于，所述项目开发数据至少包括应用场景描述、输入参数、输出参数和属性参数。
3.根据权利要求1所述的方法，其特征在于，所述根据所述项目开发数据，确定所述项目对应的开发文本特征，包括：
对所述项目开发数据进行文本解析处理，获得项目开发文本；
将所述项目开发文本进行分词处理，获得所述开发文本特征。
4.根据权利要求1所述的方法，其特征在于，所述目标组件推荐模型的训练过程包括：
获取开发文本特征样本和所述开发文本特征样本对应的样本推荐结果；
将所述开发文本特征样本输入至预设组件推荐模型中进行组件推荐运算，并基于所述预设组件推荐模型的输出，获得输出推荐结果；
基于所述输出推荐结果和所述样本推荐结果确定训练误差，并将所述训练误差反向传播至所述预设组件推荐模型中，调整所述预设组件推荐模型中的网络参数；
当满足预设收敛条件时，确定预设组件推荐模型训练结束，获得目标组件推荐模型。
5.根据权利要求1所述的方法，其特征在于，在所述确定目标推荐组件之后，还包括：
确定所述目标推荐组件的合格性；
在所述目标推荐组件合格的情况下，将所述目标推荐组件发送至开发端。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
针对每个所述目标推荐组件，根据所述开发文本特征和所述目标组件推荐模型，确定所述目标推荐组件对应的组件置信度；
基于所述组件置信度，将所有所述目标推荐组件进行降序排序，获得推荐组件置信度序列；
将所述组件置信度序列发送至开发端，以使开发人员根据所述组件置信度序列中确定理想前端组件。
7.根据权利要求6所述的方法，其特征在于，在所述确定目标推荐组件之后，还包括：
将所述目标推荐组件以及所述目标推荐组件对应的组件置信度输入至所述目标组件推荐模型中，并基于确定的所述理想前端组件，调整所述目标组件推荐模型的网络参数，以使所述目标组件推荐模型更新所述目标推荐组件对应的组件置信度。
8.一种研发组件推荐装置，其特征在于，包括：
项目开发数据获取模块，用于获取研发平台中的项目开发数据；
开发文本特征确定模块，用于根据所述项目开发数据，确定所述项目对应的开发文本特征；
目标推荐组件确定模块，用于根据所述开发文本特征和预先训练获得的目标组件推荐模型，确定目标推荐组件。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的研发组件推荐方法。
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指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的研发组件推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311037179.3A CN116992150A (zh) | 2023-08-16 | 2023-08-16 | 一种研发组件推荐方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311037179.3A CN116992150A (zh) | 2023-08-16 | 2023-08-16 | 一种研发组件推荐方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116992150A true CN116992150A (zh) | 2023-11-03 |
Family
ID=88524736
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311037179.3A Pending CN116992150A (zh) | 2023-08-16 | 2023-08-16 | 一种研发组件推荐方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992150A (zh) |
-
2023
- 2023-08-16 CN CN202311037179.3A patent/CN116992150A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
| CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
| CN112989170A (zh) | 应用于信息搜索的关键词匹配方法、信息搜索方法及装置 | |
| CN115358411A (zh) | 一种数据处理方法、装置、设备及介质 | |
| CN113468857B (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
| CN113657538B (zh) | 模型训练、数据分类方法、装置、设备、存储介质及产品 | |
| CN114861059A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
| CN113204614B (zh) | 模型训练方法、优化训练数据集的方法及其装置 | |
| CN113205189B (zh) | 训练预测模型的方法、预测方法及装置 | |
| CN112906368A (zh) | 行业文本增量方法、相关装置及计算机程序产品 | |
| CN113361719B (zh) | 基于图像处理模型的增量学习方法和图像处理方法 | |
| CN116187301A (zh) | 模型生成、实体识别方法、装置、电子设备及存储介质 | |
| CN113112311B (zh) | 训练因果推断模型的方法、信息提示方法以装置 | |
| CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
| CN116992150A (zh) | 一种研发组件推荐方法、装置、设备及存储介质 | |
| CN114756753A (zh) | 一种产品推荐方法、装置、电子设备及存储介质 | |
| CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
| CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
| CN114328855A (zh) | 文档查询方法、装置、电子设备和可读存储介质 | |
| CN113361575A (zh) | 模型训练方法、装置和电子设备 | |
| CN113344405B (zh) | 基于知识图谱生成信息的方法、装置、设备、介质和产品 | |
| CN115578583B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN113033196B (zh) | 分词方法、装置、设备及存储介质 | |
| CN114331379B (zh) | 用于输出待办任务的方法、模型训练方法和装置 | |
| CN113362304B (zh) | 清晰度预测模型的训练方法和确定清晰等级的方法 |
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 |