CN117057872A - 异常订单处理方法、装置、设备及存储介质 - Google Patents
异常订单处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117057872A CN117057872A CN202311016280.0A CN202311016280A CN117057872A CN 117057872 A CN117057872 A CN 117057872A CN 202311016280 A CN202311016280 A CN 202311016280A CN 117057872 A CN117057872 A CN 117057872A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- order
- real
- time
- abnormal order
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 371
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 155
- 238000012549 training Methods 0.000 claims abstract description 81
- 238000013145 classification model Methods 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012550 audit Methods 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 54
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 9
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 abstract description 15
- 230000005856 abnormality Effects 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 7
- 125000004122 cyclic group Chemical group 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及订单管理技术领域,尤其涉及异常订单处理方法、装置、设备及存储介质,所述方法包括:获取历史异常订单信息并将历史异常订单信息划分成多类训练集;根据训练集的类型训练多个分类模型;当接收到实时异常订单时,为实时异常订单创建一个订单异常对象;对实时异常订单进行预处理,以确认实时异常订单的类型;根据实时异常订单的类型匹配分类模型,并将实时异常订单输入至所匹配的分类模型中,得到反馈结果;根据反馈结果生成审核信息,并获取审核结果,当审核结果为通过时,生成与实时异常订单对应的日志信息;本申请公开的方法,建立了多个处理不同异常类型的分类模型,可对实时异常订单进行识别并提高处理建议,减少人工操作。
Description
技术领域
本发明涉及订单管理技术领域,尤其涉及一种异常订单处理方法、装置、设备及存储介质。
背景技术
在仓储管理系统中,由于各种原因可能会出现异常订单,如拣货少拣、错拣、复核不通过等情况都会导致异常订单的产生,这些异常订单的及时发现和处理对保证仓储作业的顺利进行至关重要;然而,传统额WMS系统在异常订单处理方面存在以下问题:
1、缺乏异常订单的统一管理,不同环节的异常订单信息分散,不利于统一管理;
2、异常订单的处理依赖大量人工,存在工作繁琐、工作效率低下、工作效果参差不齐、人工成本高等问题;
3、缺乏异常订单处理的闭环流程和标准化工作指引,处理效果参差不齐;
4、不能及时准确地获取异常订单信息,不利于问题根因的及时分析和及时地进行工作调整。
可见,现有技术还有待改进和提高。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种异常订单处理方法、装置、设备及存储介质,可减少人工操作,降低人工成本,提高异常订单的处理效率。
本发明第一方面提供了一种异常订单处理方法,包括:获取历史异常订单信息,对历史异常订单信息进行特征提取处理,以将历史异常订单信息划分成多类训练集;根据训练集的类型将训练集输入至不同的待训练的初始模型中以进行训练,得到多个完成训练的分类模型;当接收到实时异常订单时,为实时异常订单创建一个订单异常对象;对实时异常订单进行预处理,以确认实时异常订单的类型;根据实时异常订单的类型匹配分类模型,并将实时异常订单输入至所匹配的分类模型中,得到反馈结果;根据反馈结果生成审核信息,并获取审核结果,当审核结果为通过时,生成与实时异常订单对应的日志信息。
可选的,在本发明第一方面的第一种实施方式中,所述获取历史异常订单信息,对历史异常订单信息进行特征提取处理,以将历史异常订单信息划分成多类训练集,具体包括:获取历史异常订单信息,所述历史异常订单信息包括多个历史异常订单数据及与历史异常订单数据对应的异常日志;采用中文分词算法对所有异常日志进行分词处理,得到多个分词结果;采样KMP算法逐一对多个分词结果和预设的常见异常类型关键词进行匹配,以确认多个历史异常订单数据的异常类型;根据所确认的异常类型将历史异常订单信息划分成多类训练集。
可选的,在本发明第一方面的第二种实施方式中,所述根据训练集的类型将训练集输入至不同的待训练的初始模型中以进行训练,得到多个完成训练的分类模型,具体包括:根据预设的常见异常类型关键词构建多个待训练的初始模型;根据训练集的类型,匹配待训练的初始模型,并将训练集输入至所匹配的初始模型中,并基于LSTM神经网络算法对初始模型进行多轮训练;根据每轮结果对初始模型的超参数进行调优,以准确率最优对应的超参数作为分类模型的超参数,完成分类模型的训练。
可选的,在本发明第一方面的第三种实施方式中,所述当接收到实时异常订单时,为实时异常订单创建一个订单异常对象,具体包括:当接收到实时异常订单时,获取实时异常订单信息并获取与其对应的实时日志信息;为实时异常订单创建订单异常对象,所述订单异常对象包括订单编号、异常类型、处理人员、处理方式和处理备注;采用OCR提取模型从实时日志信息中提取订单编号,将所提取的订单编号填入订单异常对象的相应位置。
可选的,在本发明第一方面的第四种实施方式中,所述对实时异常订单进行预处理,以确认实时异常订单的类型,具体包括:采用OCR提取模型从实时日志信息中提取异常特征,根据异常特征采用规则引擎匹配预先创建的异常类型表,以确认实时异常订单的异常类型;将所确认的异常类型填入订单异常对象的相应位置;根据所确认的异常类型,采用规则引擎匹配预先创建的类型人员表,得到处理人员,将处理人员填入订单异常对象的相应位置。
可选的,在本发明第一方面的第五种实施方式中,所述据实时异常订单的类型匹配分类模型,并将实时异常订单输入至所匹配的分类模型中,得到反馈结果,具体包括:所述分类模型对应配置有类型标签,根据所确认的异常订单的类型,采用KMP算法匹配分类模型的类型标签;将实时异常订单输入至所匹配的分类模型中,得到输出结果,所述输出结果包括处理方式;将处理方式填入订单异常对象的相应位置,并根据处理方式,采用规则引擎匹预设的操作指南,得到操作信息;根据处理方式、操作信息和处理人员生成操作时间,并根据操作时间设置SLA时限;整合处理方式、操作信息和操作时间以生成反馈结果。
可选的,在本发明第一方面的第六种实施方式中,所述根据反馈结果生成审核信息,并获取审核结果,当审核结果为通过时,生成与实时异常订单对应的日志信息,具体包括:根据反馈结果生成审核信息,并根据审核信息获取审核结果,所述审核结果包括通过和不通过;当审核结果为通过时,采用ELK日志分析系统生成与实时异常订单对应的日志数据;对日志数据进行数据清洗转换处理、字段归一化处理和缺失值处理,以将日志数据处理为结构化分析数据集;在ELK日志分析系统中关联日志数据和结构化分析数据集,并根据预设的维度属性对结构化分析数据集进行切片分析,根据分析结果生成分析报表。
本发明第二方面提供了一种异常订单处理装置,包括:获取模块,用于获取历史异常订单信息,对历史异常订单信息进行特征提取处理,以将历史异常订单信息划分成多类训练集;训练模块,用于根据训练集的类型将训练集输入至不同的待训练的初始模型中以进行训练,得到多个完成训练的分类模型;创建模块,用于当接收到实时异常订单时,为实时异常订单创建一个订单异常对象;确认模块,用于对实时异常订单进行预处理,以确认实时异常订单的类型;处理模块,用于根据实时异常订单的类型匹配分类模型,并将实时异常订单输入至所匹配的分类模型中,得到反馈结果;审核模块,用于根据反馈结果生成审核信息,并获取审核结果,当审核结果为通过时,生成与实时异常订单对应的日志信息。
可选的,在本发明第二方面的第一种实现方式中,所述获取模块包括:第一获取单元,用于获取历史异常订单信息,所述历史异常订单信息包括多个历史异常订单数据及与历史异常订单数据对应的异常日志;分词单元,用于采用中文分词算法对所有异常日志进行分词处理,得到多个分词结果;第一匹配单元,用于采样KMP算法逐一对多个分词结果和预设的常见异常类型关键词进行匹配,以确认多个历史异常订单数据的异常类型;划分单元,用于根据所确认的异常类型将历史异常订单信息划分成多类训练集。
可选的,在本发明第二方面的第二种实现方式中,所述训练模块包括:构建单元,用于根据预设的常见异常类型关键词构建多个待训练的初始模型;训练单元,用于根据训练集的类型,匹配待训练的初始模型,并将训练集输入至所匹配的初始模型中,并基于LSTM神经网络算法对初始模型进行多轮训练;调优单元,用于根据每轮结果对初始模型的超参数进行调优,以准确率最优对应的超参数作为分类模型的超参数,完成分类模型的训练。
可选的,在本发明第二方面的第三种实现方式中,所述创建模块包括:第二获取单元,用于当接收到实时异常订单时,获取实时异常订单信息并获取与其对应的实时日志信息;创建单元,用于为实时异常订单创建订单异常对象,所述订单异常对象包括订单编号、异常类型、处理人员、处理方式和处理备注;第一提取单元,用于采用OCR提取模型从实时日志信息中提取订单编号,将所提取的订单编号填入订单异常对象的相应位置。
可选的,在本发明第二方面的第四种实现方式中,所述确认模块包括:第二提取单元,用于采用OCR提取模型从实时日志信息中提取异常特征,根据异常特征采用规则引擎匹配预先创建的异常类型表,以确认实时异常订单的异常类型;填写单元,用于将所确认的异常类型填入订单异常对象的相应位置;第二匹配单元,用于根据所确认的异常类型,采用规则引擎匹配预先创建的类型人员表,得到处理人员,将处理人员填入订单异常对象的相应位置。
可选的,在本发明第二方面的第五种实现方式中,所述处理模块包括:第三匹配单元,用于所述分类模型对应配置有类型标签,根据所确认的异常订单的类型,采用KMP算法匹配分类模型的类型标签;第一处理单元,用于将实时异常订单输入至所匹配的分类模型中,得到输出结果,所述输出结果包括处理方式;第四匹配单元,用于将处理方式填入订单异常对象的相应位置,并根据处理方式,采用规则引擎匹预设的操作指南,得到操作信息;第一生成单元,用于根据处理方式、操作信息和处理人员生成操作时间,并根据操作时间设置SLA时限;整合单元,用于整合处理方式、操作信息和操作时间以生成反馈结果。
可选的,在本发明第二方面的第六种实现方式中,所述审核模块包括:第二生成单元,用于根据反馈结果生成审核信息,并根据审核信息获取审核结果,所述审核结果包括通过和不通过;审核单元,用于当审核结果为通过时,采用ELK日志分析系统生成与实时异常订单对应的日志数据;第二处理单元,用于对日志数据进行数据清洗转换处理、字段归一化处理和缺失值处理,以将日志数据处理为结构化分析数据集;分析单元,用于在ELK日志分析系统中关联日志数据和结构化分析数据集,并根据预设的维度属性对结构化分析数据集进行切片分析,根据分析结果生成分析报表。
本发明第三方面提供了一种异常订单处理设备,所述异常订单处理设备包括:存储器和至少一个处理器,所述存储器中存储有指令;至少一个所述处理器调用所述存储器中的所述指令,以使得所述异常订单处理设备执行上述任一项所述的异常订单处理方法的各个步骤。
本发明的第四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上存储有指令,所述指令被处理器执行时实现上述任一项所述异常订单处理方法的各个步骤。
本发明的技术方案中,通过获取历史异常订单信息并将历史异常订单信息划分成多类训练集;根据训练集的类型训练多个分类模型;当接收到实时异常订单时,为实时异常订单创建一个订单异常对象;对实时异常订单进行预处理,以确认实时异常订单的类型;根据实时异常订单的类型匹配分类模型,并将实时异常订单输入至所匹配的分类模型中,得到反馈结果;根据反馈结果生成审核信息,并获取审核结果,当审核结果为通过时,生成与实时异常订单对应的日志信息;本申请公开的方法,建立了多个处理不同异常类型的分类模型,可对实时异常订单进行识别并提高处理建议,减少人工操作,降低人工成本,提高处理效率和处理规范度。
附图说明
图1为本发明实施例提供的异常订单处理方法的第一种流程图;
图2为本发明实施例提供的异常订单处理方法的第二种流程图;
图3为本发明实施例提供的异常订单处理方法的第三种流程图;
图4为本发明实施例提供的异常订单处理方法的第四种流程图;
图5为本发明实施例提供的异常订单处理方法的第五种流程图;
图6为本发明实施例提供的异常订单处理方法的第六种流程图;
图7为本发明实施例提供的异常订单处理方法的第七种流程图;
图8为本发明实施例提供的异常订单处理装置的一种结构示意图;
图9为本发明实施例提供的异常订单处理设备的结构示意图。
具体实施方式
本发明提供了一种异常订单处理方法、装置、设备及存储介质,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”、“第三”、“第四”等(如果存在)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,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中异常订单处理方法的一个实施例包括:
101、获取历史异常订单信息,对历史异常订单信息进行特征提取处理,以将历史异常订单信息划分成多类训练集;
在本实施例中,可构建异常订单统一管理平台,以对历史异常订单信息和新加入的实时异常订单进行统一管理,方便仓库管理人员随时随地地处理、管理和分析异常订单。
在本实施例中,异常订单可出现在仓库管理中的任一环节,如拣选环节、装车环节、运输环节、签收环节等;每个环节可包括一种或多种异常,举例说明,在拣货环节中常见的异常类型包括:
1、错拣-将其他商品误拣;
2、漏拣-未拣选完订单中的某商品;
3、多拣-重复拣选了某商品;
4、损坏-商品在拣选过程中受损。
102、根据训练集的类型将训练集输入至不同的待训练的初始模型中以进行训练,得到多个完成训练的分类模型;
在本实施例中,当完成分类模型的训练后,为每个分类模型对应生成一个属性标签,所述属性标签与训练集的类型相关联,即用于体现与分类模型对应的异常类型。
103、当接收到实时异常订单时,为实时异常订单创建一个订单异常对象;
在本实施例中,可以为实时异常订单建立OrderException订单异常对象,OrderException是一个自定义异常类,用于表示订单相关的异常情况;它可以包含不同的属性和方法,用于描述和处理订单异常;通过OrderException对象,可以在程序中捕获和处理订单异常,实现异常状态的统一管理,以提供更好的错误处理和用户体验。
104、对实时异常订单进行预处理,以确认实时异常订单的类型;
在本实施例中,当接收到实时异常订单时,先对实时异常订单进行预处理,以确认实时异常订单的异常类型,从而可将实时异常订单输入至对应的分类模型,以提高分类模型所输出的处理结果的可靠性和有效性。
105、根据实时异常订单的类型匹配分类模型,并将实时异常订单输入至所匹配的分类模型中,得到反馈结果;
在本实施例中,根据所确认的实时异常订单的异常类型与分类模型的属性匹配实现实时异常订单与分类模型的匹配;提取可能导致异常的特征,如订单信息、仓库情况、拣货员、商品属性等,将这些特征转换为分类模型的输入,以得到反馈结果。
106、根据反馈结果生成审核信息,并获取审核结果,当审核结果为通过时,生成与实时异常订单对应的日志信息;
在本实施例中,所述审核结果由管理人员反馈,当实时异常订单已完成处理且未完成项未被漏掉时,审核结果为通过,管理人员可关闭实时异常订单,实现异常订单的全链路封闭管理,提高异常订单的管理规范度。
本申请公开了一种异常订单处理方法,通过获取历史异常订单信息并将历史异常订单信息划分成多类训练集;根据训练集的类型训练多个分类模型;当接收到实时异常订单时,为实时异常订单创建一个订单异常对象;对实时异常订单进行预处理,以确认实时异常订单的类型;根据实时异常订单的类型匹配分类模型,并将实时异常订单输入至所匹配的分类模型中,得到反馈结果;根据反馈结果生成审核信息,并获取审核结果,当审核结果为通过时,生成与实时异常订单对应的日志信息;本申请公开的方法,建立了多个处理不同异常类型的分类模型,可对实时异常订单进行识别并提高处理建议,减少人工操作,降低人工成本,提高处理效率和处理规范度。
请参阅图2,本发明实施例中异常订单处理方法的第二个实施例包括:
201、获取历史异常订单信息,所述历史异常订单信息包括多个历史异常订单数据及与历史异常订单数据对应的异常日志;
202、采用中文分词算法对所有异常日志进行分词处理,得到多个分词结果;
在本实施例中,每个分词结果包括多个因素关键词,采用中文分词算法对异常日志进行分词处理,以得到因素关键词,具体的,采用正向最大匹配法对名称进行分词处理;正向最大匹配法(FMM)为基于词表的分词算法,对于输入的下发信息文本序列从左至右,以贪心的算法切分出当前位置上长度最大的词,首先设置词库word_dict和一个待分词的字符串s,计算得到词库中最长词语的长度假设为m,从字符串第一个位置开始,选择一个最大长度的词长片段,如果该字符串的长度不足最大词长,则选择该全部字符串;判断选择出来的字符串片段是否在词库中,若在,则将此词分离出来,若不在,则从右边开始,逐一减少一个字符,直到这个片段存在在词典中结束,或者以只剩下最后一个字结束;通过正向最大匹配法,可得到多个因素关键词,所述因素关键词是指可能导致异常出现的因素,通过因素关键词,可确认异常订单的异常类型。
203、采样KMP算法逐一对多个分词结果和预设的常见异常类型关键词进行匹配,以确认多个历史异常订单数据的异常类型;
在本实施例中,采用KMP算法实现异常类型的确认;KMP算法的基本思想为:从主串test和模式串pattern的第一个字符开始,将两字符串的字符一一比对,如果出现某个字符不匹配,主串回溯到第二个字符,子串回溯到第一个字符再进行一一比对,如果出现某个字符不匹配,主串回溯到第三个字符,子串回溯到第一个字符再进行一一比对,循环一直到子串字符全部匹配成功,即完成异常类型关键词和分词结果的匹配。
204、根据所确认的异常类型将历史异常订单信息划分成多类训练集;
在本实施例中,一个训练集对应训练一个分类模型,以提高分类模型的指向性,从而提高分类模型所输出的结果的准确度和可靠度。
进一步地,在本实施例中,可从历史异常订单信息中抽取部分历史异常订单作为验证集,所述验证集包括各个类型的历史异常订单,每个类型的历史异常订单包括多个;当完成某一个分类模型的训练后,在将分类模型部署至异常订单管理平台前,将与分类模型对应的历史异常订单输入至分类模型中,以验证分类模型的工作效果,提高分类模型工作时的可靠度。
请参阅图3,本发明实施例中异常订单处理方法的第三个实施例包括:
301、根据预设的常见异常类型关键词构建多个待训练的初始模型;
302、根据训练集的类型,匹配待训练的初始模型,并将训练集输入至所匹配的初始模型中,并基于LSTM神经网络算法对初始模型进行多轮训练;
在本实施例中,基于LSTM神经网络算法对初始模型进行训练,LSTM算法全称为Long short-term memory,是一种特定形式的RNN(Recurrent neural network,循环神经网络),而RNN是一系列能够处理序列数据的神经网络的总称;一般地,RNN包含如下三个特性:
a)循环神经网络能够在每个时间节点产生一个输出,且隐单元间的连接是循环的;
b)循环神经网络能够在每个时间节点产生一个输出,且该时间节点上的输出仅与下一时间节点的隐单元有循环连接;
c)循环神经网络包含带有循环连接的隐单元,且能够处理序列数据并输出单一的预测;LSTM是门限RNN中最著名的一种;有漏单元通过设计连接间的权重系数,从而允许RNN累积距离较远节点间的长期联系;而门限RNN则泛化了这样的思想,允许在不同时刻改变该系数,且允许网络忘记当前已经累积的信息。
303、根据每轮结果对初始模型的超参数进行调优,以准确率最优对应的超参数作为分类模型的超参数,完成分类模型的训练;
在本实施例中,LSTM具有多个重要的超参数,包括LSTM层数、输入输出维度、神经元个数、batch size、epoch数、优化器和学习速率、dropout rate以及损失函数等,且LSTM中有三个关键的部分:输入门、输出门以及遗忘门,输入门控制着输入的权重加和,输出门控制着LSTM的输出,而遗忘门则控制着LSTM中前面的状态信息的遗忘;在进行LSTM模型调参时,应当根据项目需求和数据来进行超参数的选择;可通过自动调参的方式实现初始模型的超参数的自动调整,常见的自动调参方法包括贝叶斯优化、网格搜索、随机搜索,本实施例通过贝叶斯优化实现LSTM模型的自动调参。
请参阅图4,本发明实施例中异常订单处理方法的第四个实施例包括:
401、当接收到实时异常订单时,获取实时异常订单信息并获取与其对应的实时日志信息;
402、为实时异常订单创建订单异常对象,所述订单异常对象包括订单编号、异常类型、处理人员、处理方式和处理备注;
在本实施例中,所建立的OrderException订单异常对象,属性包括:orderId(订单编号)、exceptionType(异常类型)、status(异常订单状态)、handler(处理人员)、method(处理方式)以及remark(处理备注)。
403、采用OCR提取模型从实时日志信息中提取订单编号,将所提取的订单编号填入订单异常对象的相应位置;
在本实施例中,所述OCR模型基于OCR文字识别技术,由于日志信息可包括仓库人员拍摄的与订单相关的照片或包括打印的文档,采用OCR模型,可将文档中的字符转换为代码,再将代码用于数据处理;具体的,OCR模型通过三个步骤实现其功能:
1、图像预处理:硬件(通常是光学扫描仪)将文件的物理形式处理成图像,生成的图像被转换成黑白版本,然后分析亮区域(背景)和暗区域(字符);OCR系统还可以进一步将图像分类为单独元素,如表格、文本或图像;
2、智能字符识别:AI通过分析图像的黑暗区域来识别字母和数字。通常,AI会使用模式识别方法或特征提取方法来一次锁定一个字符、单词或文本块,在识别出字符后,再将字符转换成可用于进一步操作的ASCII码;
3、后处理:AI将纠正结果文件中的错误;例如,根据文档中的特定词汇来训练AI,确保输出的内容没有超出词典的范围,来保证文档的质量。
请参阅图5,本发明实施例中异常订单处理方法的第五个实施例包括:
501、采用OCR提取模型从实时日志信息中提取异常特征,根据异常特征采用规则引擎匹配预先创建的异常类型表,以确认实时异常订单的异常类型;
502、将所确认的异常类型填入订单异常对象的相应位置;
在本实施例中,当OCR模型输出处理文档后,根据订单异常对象的属性从处理文档中提取相应的信息,并将相应的信息与订单异常对象的属性相关联。
503、根据所确认的异常类型,采用规则引擎匹配预先创建的类型人员表,得到处理人员,将处理人员填入订单异常对象的相应位置;
在本实施例中,所述预先创建的类型人员表包括多个异常类型,每个异常类型对应一个或多个负责人员,可根据异常类型的具体情况在类型人员表内匹配相应的处理人员;所述规则引擎基于正则表达式,可采用Grep命令实现,grep命令支持三种正则表达式语法:Basic、Extended和Perl-compatible;当没有指定正则表达式类型时,grep命令将搜索模式默认为基本正则表达式;当需要搜索多个匹配模式时,可以使用OR(alternation)运算符,通过OR运算符指定不同的匹配项,这些匹配项可以是文本字符串也可以是表达式集,通过单引号将正则表达式括起来;所述Grep命令可以是异常类型#[wid]+[\swd]*类型人员表中的异常类型,上述正则表达式使用了元字符#、w、d、+、*和\s;其中#表示匹配井号字符,w和d分别表示匹配任意字母或数字字符,+表示匹配一个或多个前面的字符或字符组合,*表示匹配零个或多个字符或字符组合,\s表示匹配空格符或制表符等空白字符。
请参阅图6,本发明实施例中异常订单处理方法的第六个实施例包括:
601、所述分类模型对应配置有类型标签,根据所确认的异常订单的类型,采用KMP算法匹配分类模型的类型标签;
602、将实时异常订单输入至所匹配的分类模型中,得到输出结果,所述输出结果包括处理方式;
在本实施例中,根据不同类型的异常订单可输出不同的处理方式,举例说明,对于错拣这一异常类型,分类模型输出的处理方式可以是将商品返回原位。
603、将处理方式填入订单异常对象的相应位置,并根据处理方式,采用规则引擎匹预设的操作指南,得到操作信息;
在本实施例中,预设的操作指南内包括操作标准和操作规范;当生成处理方式后,对应匹配操作标准和操作规范,可提高异常订单处理时的规范度,提高处理效果。
604、根据处理方式、操作信息和处理人员生成操作时间,并根据操作时间设置SLA时限;
在本实施例中,可根据所输出的处理方式的难易程度、所得到的操作信息的繁琐程度以及处理人员手上的任务量生成操作时间,并根据操作时间设置SLA时限,当超过操作时间而异常订单仍未完成处理时,自动报警提醒,确保异常订单及时处理,提高仓库管理的规范度和用户的使用体验;SLA时限是指服务级别协议(Service Level Agreement)中规定的服务提供商与客户之间达成的一项约定,用于确定服务提供商提供服务的质量和时间要求;SLA时限通常包括响应时间(即服务提供商对客户请求做出响应的时间)、解决时间(即服务提供商解决问题或提供解决方案的时间)以及服务可用性(即服务系统的可用时间)等方面;这些时限的设定旨在确保服务提供商按照约定的标准和时间要求履行其责任。
605、整合处理方式、操作信息和操作时间以生成反馈结果。
请参阅图7,本发明实施例中异常订单处理方法的第七个实施例包括:
701、根据反馈结果生成审核信息,并根据审核信息获取审核结果,所述审核结果包括通过和不通过;
在本实施例中,当生成反馈结果后,将反馈结果输出至对应的处理人员,当处理人员反馈处理结果后,整合处理结果和反馈结果以生成审核信息,方便管理人员确认异常订单是否存在未完成项;当审核结果为不通过时,表明异常订单存在未完成项。
702、当审核结果为通过时,采用ELK日志分析系统生成与实时异常订单对应的日志数据;
在本实施例中,采用ELK日志分析系统实现日志数据的生成,ELK日志分析系统是一个由Elasticsearch、Logstash和Kibana组成的开源日志管理和分析平台;这个系统允许用户轻松地收集、存储、搜索、可视化和分析各种类型的日志数据;Elasticsearch是一个分布式的搜索和分析引擎,它负责存储和索引大量的日志数据;Logstash是一个用于数据收集、处理和传输的工具,它可以从各种来源收集日志数据,并将其转发到Elasticsearch进行存储;Kibana是一个用于可视化和分析日志数据的用户界面,它允许用户创建仪表盘、图表和报表来展示和分析日志数据。
ELK日志分析系统具有以下优点:
强大的搜索功能:Elasticsearch提供了快速、灵活的搜索引擎,可以帮助用户快速定位和检索日志数据;
实时数据处理:Logstash能够实时处理日志数据,并将其传输到Elasticsearch进行实时存储和索引;
可扩展性:ELK系统可以轻松地扩展以处理大量的日志数据,并支持分布式架构;
可视化和分析能力:Kibana提供了丰富的可视化工具,用户可以通过创建仪表盘、图表和报表来深入分析和可视化日志数据;
开源社区支持:ELK是一个开源项目,拥有庞大的开源社区支持,用户可以获取到各种插件和扩展来满足自己的需求。
703、对日志数据进行数据清洗转换处理、字段归一化处理和缺失值处理,以将日志数据处理为结构化分析数据集;
704、在ELK日志分析系统中关联日志数据和结构化分析数据集,并根据预设的维度属性对结构化分析数据集进行切片分析,根据分析结果生成分析报表;
在本实施例中,所述预设的纬度属性可包括仓库、商品、客户等;举例说明,按仓库维度对结构化分析数据集进行切片分析,可统计每个仓库的异常订单次数、异常品类比例、处理时效等指标;按商品维度对结构化分析数据集进行切片分析,可统计每个商品的异常发生频次、主要异常类型、处理效率等指标;通过对日志数据进行切片分析,可及时发现问题仓库和重点商品,以用于改进操作流程,提高仓库管理的规范度。
上面对本发明实施例中异常订单处理方法进行了描述,下面对本发明实施例中异常订单处理装置进行描述,请参阅图8,本发明实施例中异常订单处理装置的一个实施例包括:
获取模块801,用于获取历史异常订单信息,对历史异常订单信息进行特征提取处理,以将历史异常订单信息划分成多类训练集;训练模块802,用于根据训练集的类型将训练集输入至不同的待训练的初始模型中以进行训练,得到多个完成训练的分类模型;创建模块803,用于当接收到实时异常订单时,为实时异常订单创建一个订单异常对象;确认模块804,用于对实时异常订单进行预处理,以确认实时异常订单的类型;处理模块805,用于根据实时异常订单的类型匹配分类模型,并将实时异常订单输入至所匹配的分类模型中,得到反馈结果;审核模块806,用于根据反馈结果生成审核信息,并获取审核结果,当审核结果为通过时,生成与实时异常订单对应的日志信息;
在本实施例中,所述获取模块801包括:第一获取单元8011,用于获取历史异常订单信息,所述历史异常订单信息包括多个历史异常订单数据及与历史异常订单数据对应的异常日志;分词单元8012,用于采用中文分词算法对所有异常日志进行分词处理,得到多个分词结果;第一匹配单元8013,用于采样KMP算法逐一对多个分词结果和预设的常见异常类型关键词进行匹配,以确认多个历史异常订单数据的异常类型;划分单元8014,用于根据所确认的异常类型将历史异常订单信息划分成多类训练集;
在本实施例中,所述训练模块802包括:构建单元8021,用于根据预设的常见异常类型关键词构建多个待训练的初始模型;训练单元8022,用于根据训练集的类型,匹配待训练的初始模型,并将训练集输入至所匹配的初始模型中,并基于LSTM神经网络算法对初始模型进行多轮训练;调优单元8023,用于根据每轮结果对初始模型的超参数进行调优,以准确率最优对应的超参数作为分类模型的超参数,完成分类模型的训练;
在本实施例中,所述创建模块803包括:第二获取单元8031,用于当接收到实时异常订单时,获取实时异常订单信息并获取与其对应的实时日志信息;创建单元8032,用于为实时异常订单创建订单异常对象,所述订单异常对象包括订单编号、异常类型、处理人员、处理方式和处理备注;第一提取单元8033,用于采用OCR提取模型从实时日志信息中提取订单编号,将所提取的订单编号填入订单异常对象的相应位置;
在本实施例中,所述确认模块804包括:第二提取单元8041,用于采用OCR提取模型从实时日志信息中提取异常特征,根据异常特征采用规则引擎匹配预先创建的异常类型表,以确认实时异常订单的异常类型;填写单元8042,用于将所确认的异常类型填入订单异常对象的相应位置;第二匹配单元8043,用于根据所确认的异常类型,采用规则引擎匹配预先创建的类型人员表,得到处理人员,将处理人员填入订单异常对象的相应位置;
在本实施例中,所述处理模块805包括:第三匹配单元8051,用于所述分类模型对应配置有类型标签,根据所确认的异常订单的类型,采用KMP算法匹配分类模型的类型标签;第一处理单元8052,用于将实时异常订单输入至所匹配的分类模型中,得到输出结果,所述输出结果包括处理方式;第四匹配单元8053,用于将处理方式填入订单异常对象的相应位置,并根据处理方式,采用规则引擎匹预设的操作指南,得到操作信息;第一生成单元8054,用于根据处理方式、操作信息和处理人员生成操作时间,并根据操作时间设置SLA时限;整合单元8055,用于整合处理方式、操作信息和操作时间以生成反馈结果
在本实施例中,所述审核模块806包括:第二生成单元8061,用于根据反馈结果生成审核信息,并根据审核信息获取审核结果,所述审核结果包括通过和不通过;审核单元8062,用于当审核结果为通过时,采用ELK日志分析系统生成与实时异常订单对应的日志数据;第二处理单元8063,用于对日志数据进行数据清洗转换处理、字段归一化处理和缺失值处理,以将日志数据处理为结构化分析数据集;分析单元8064,用于在ELK日志分析系统中关联日志数据和结构化分析数据集,并根据预设的维度属性对结构化分析数据集进行切片分析,根据分析结果生成分析报表。
上面图8从模块化功能实体的角度对本发明实施例中的异常订单处理装置进行详细描述,下面从硬件处理的角度对本发明实施例中异常订单处理设备进行详细描述。
图9是本发明实施例提供的一种异常订单处理设备的结构示意图,该异常订单处理设备900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)910(例如,一个或一个以上处理器)和存储器920,一个或一个以上存储应用程序933或数据932的存储介质930(例如一个或一个以上海量存储设备)。其中,存储器920和存储介质930可以是短暂存储或持久存储。存储在存储介质930的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对异常订单处理设备900中的一系列指令操作。更进一步地,处理器910可以设置为与存储介质930通信,在异常订单处理设备900上执行存储介质930中的一系列指令操作,以实现上述各方法实施例提供的异常订单处理方法的步骤。
异常订单处理设备900还可以包括一个或一个以上电源940,一个或一个以上有线或无线网络接口950,一个或一个以上输入输出接口960,和/或,一个或一个以上操作系统931,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,本申请示出的异常订单处理设备结构并不构成对基于异常订单处理设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行异常订单处理方法的步骤。
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,上述描述的系统或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种异常订单处理方法,其特征在于,包括:
获取历史异常订单信息,对历史异常订单信息进行特征提取处理,以将历史异常订单信息划分成多类训练集;
根据训练集的类型将训练集输入至不同的待训练的初始模型中以进行训练,得到多个完成训练的分类模型;
当接收到实时异常订单时,为实时异常订单创建一个订单异常对象;
对实时异常订单进行预处理,以确认实时异常订单的类型;
根据实时异常订单的类型匹配分类模型,并将实时异常订单输入至所匹配的分类模型中,得到反馈结果;
根据反馈结果生成审核信息,并获取审核结果,当审核结果为通过时,生成与实时异常订单对应的日志信息。
2.根据权利要求1所述的一种异常订单处理方法,其特征在于,所述获取历史异常订单信息,对历史异常订单信息进行特征提取处理,以将历史异常订单信息划分成多类训练集,具体包括:
获取历史异常订单信息,所述历史异常订单信息包括多个历史异常订单数据及与历史异常订单数据对应的异常日志;
采用中文分词算法对所有异常日志进行分词处理,得到多个分词结果;
采样KMP算法逐一对多个分词结果和预设的常见异常类型关键词进行匹配,以确认多个历史异常订单数据的异常类型;
根据所确认的异常类型将历史异常订单信息划分成多类训练集。
3.根据权利要求1所述的一种异常订单处理方法,其特征在于,所述根据训练集的类型将训练集输入至不同的待训练的初始模型中以进行训练,得到多个完成训练的分类模型,具体包括:
根据预设的常见异常类型关键词构建多个待训练的初始模型;
根据训练集的类型,匹配待训练的初始模型,并将训练集输入至所匹配的初始模型中,并基于LSTM神经网络算法对初始模型进行多轮训练;
根据每轮结果对初始模型的超参数进行调优,以准确率最优对应的超参数作为分类模型的超参数,完成分类模型的训练。
4.根据权利要求1所述的一种异常订单处理方法,其特征在于,所述当接收到实时异常订单时,为实时异常订单创建一个订单异常对象,具体包括:
当接收到实时异常订单时,获取实时异常订单信息并获取与其对应的实时日志信息;
为实时异常订单创建订单异常对象,所述订单异常对象包括订单编号、异常类型、处理人员、处理方式和处理备注;
采用OCR提取模型从实时日志信息中提取订单编号,将所提取的订单编号填入订单异常对象的相应位置。
5.根据权利要求4所述的一种异常订单处理方法,其特征在于,所述对实时异常订单进行预处理,以确认实时异常订单的类型,具体包括:
采用OCR提取模型从实时日志信息中提取异常特征,根据异常特征采用规则引擎匹配预先创建的异常类型表,以确认实时异常订单的异常类型;
将所确认的异常类型填入订单异常对象的相应位置;
根据所确认的异常类型,采用规则引擎匹配预先创建的类型人员表,得到处理人员,将处理人员填入订单异常对象的相应位置。
6.根据权利要求4所述的一种异常订单处理方法,其特征在于,所述据实时异常订单的类型匹配分类模型,并将实时异常订单输入至所匹配的分类模型中,得到反馈结果,具体包括:
所述分类模型对应配置有类型标签,根据所确认的异常订单的类型,采用KMP算法匹配分类模型的类型标签;
将实时异常订单输入至所匹配的分类模型中,得到输出结果,所述输出结果包括处理方式;
将处理方式填入订单异常对象的相应位置,并根据处理方式,采用规则引擎匹预设的操作指南,得到操作信息;
根据处理方式、操作信息和处理人员生成操作时间,并根据操作时间设置SLA时限;
整合处理方式、操作信息和操作时间以生成反馈结果。
7.根据权利要求1所述的一种异常订单处理方法,其特征在于,所述根据反馈结果生成审核信息,并获取审核结果,当审核结果为通过时,生成与实时异常订单对应的日志信息,具体包括:
根据反馈结果生成审核信息,并根据审核信息获取审核结果,所述审核结果包括通过和不通过;
当审核结果为通过时,采用ELK日志分析系统生成与实时异常订单对应的日志数据;
对日志数据进行数据清洗转换处理、字段归一化处理和缺失值处理,以将日志数据处理为结构化分析数据集;
在ELK日志分析系统中关联日志数据和结构化分析数据集,并根据预设的维度属性对结构化分析数据集进行切片分析,根据分析结果生成分析报表。
8.一种异常订单处理装置,其特征在于,包括:
获取模块,用于获取历史异常订单信息,对历史异常订单信息进行特征提取处理,以将历史异常订单信息划分成多类训练集;
训练模块,用于根据训练集的类型将训练集输入至不同的待训练的初始模型中以进行训练,得到多个完成训练的分类模型;
创建模块,用于当接收到实时异常订单时,为实时异常订单创建一个订单异常对象;
确认模块,用于对实时异常订单进行预处理,以确认实时异常订单的类型;
处理模块,用于根据实时异常订单的类型匹配分类模型,并将实时异常订单输入至所匹配的分类模型中,得到反馈结果;
审核模块,用于根据反馈结果生成审核信息,并获取审核结果,当审核结果为通过时,生成与实时异常订单对应的日志信息。
9.一种异常订单处理设备,其特征在于,所述异常订单处理设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
至少一个所述处理器调用所述存储器中的所述指令,以使得所述异常订单处理设备执行如权利要求1-7中任一项所述的异常订单处理方法的各个步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述异常订单处理方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311016280.0A CN117057872A (zh) | 2023-08-11 | 2023-08-11 | 异常订单处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311016280.0A CN117057872A (zh) | 2023-08-11 | 2023-08-11 | 异常订单处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117057872A true CN117057872A (zh) | 2023-11-14 |
Family
ID=88656620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311016280.0A Pending CN117057872A (zh) | 2023-08-11 | 2023-08-11 | 异常订单处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057872A (zh) |
-
2023
- 2023-08-11 CN CN202311016280.0A patent/CN117057872A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7281001B2 (en) | Data quality system | |
CN104699772B (zh) | 一种基于云计算的大数据文本分类方法 | |
CN109270915A (zh) | 用于飞机现场可替换单元(lru)维护优化的分析系统 | |
CN114218402B (zh) | 一种计算机硬件故障更换件推荐的方法 | |
CN112433874A (zh) | 一种故障定位方法、系统、电子设备及存储介质 | |
CN113221960A (zh) | 一种高质量漏洞数据收集模型的构建方法及收集方法 | |
CN117331730A (zh) | 故障诊断方法、装置、电子设备及存储介质 | |
Pal et al. | DLME: distributed log mining using ensemble learning for fault prediction | |
CN116361147A (zh) | 测试用例根因定位方法及其装置、设备、介质、产品 | |
CN116107834A (zh) | 日志异常检测方法、装置、设备及存储介质 | |
US10467276B2 (en) | Systems and methods for merging electronic data collections | |
CN111737035A (zh) | 一种基于服务器日志的故障诊断方法与系统 | |
CN115659044A (zh) | 一种人岗匹配的推荐方法、系统、电子设备、存储介质 | |
US11604923B2 (en) | High volume message classification and distribution | |
Grigorieva et al. | Clustering error messages produced by distributed computing infrastructure during the processing of high energy physics data | |
CN117057872A (zh) | 异常订单处理方法、装置、设备及存储介质 | |
CN115357718B (zh) | 主题集成服务重复材料发现方法、系统、设备和存储介质 | |
CN116452212A (zh) | 一种智能客服商品知识库信息管理方法及系统 | |
CN115618355A (zh) | 注入攻击结果判定方法、装置、设备及存储介质 | |
CN112749530B (zh) | 文本编码方法、装置、设备及计算机可读存储介质 | |
CN115329380A (zh) | 一种数据库表分类分级方法、装置、设备及存储介质 | |
CN108038124A (zh) | 一种基于大数据的pdf文档采集处理方法、系统及装置 | |
US10885324B2 (en) | Agency notice processing system | |
Alzuru et al. | Selfie: Self-aware information extraction from digitized biocollections | |
CN117635089B (zh) | 基于深度学习的人才推荐方法及系统 |
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 |