CN117098159A - 业务信息处理方法、装置、终端及电子设备 - Google Patents
业务信息处理方法、装置、终端及电子设备 Download PDFInfo
- Publication number
- CN117098159A CN117098159A CN202311114305.0A CN202311114305A CN117098159A CN 117098159 A CN117098159 A CN 117098159A CN 202311114305 A CN202311114305 A CN 202311114305A CN 117098159 A CN117098159 A CN 117098159A
- Authority
- CN
- China
- Prior art keywords
- service information
- target
- communication network
- optimization
- sample
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 57
- 238000003672 processing method Methods 0.000 title claims abstract description 45
- 238000004891 communication Methods 0.000 claims abstract description 259
- 238000005457 optimization Methods 0.000 claims abstract description 218
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000013135 deep learning Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims description 56
- 230000005540 biological transmission Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 22
- 238000013138 pruning Methods 0.000 claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 3
- 238000013497 data interchange Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0894—Policy-based network configuration management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请涉及通信技术领域,提供一种业务信息处理方法、装置、终端及电子设备。所述方法包括:响应于多业务处理请求,针对多个目标业务信息,对目标业务信息中不同维度的子业务信息进行深度学习,确定目标业务信息对应的目标业务信息优化策略;基于各目标业务信息优化策略,对多个目标业务信息进行归类,并使用每个目标业务信息优化策略,对对应类中的至少一个目标业务信息进行优化处理,确定多个目标已处理业务信息;针对各目标已处理业务信息,从目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络后传输目标已处理业务信息。本申请方法可以实现业务信息优化和通信网络优化的双任务优化目的,提高企业竞争力。
Description
技术领域
本申请涉及通信技术领域,具体涉及一种业务信息处理方法、装置、终端及电子设备。
背景技术
随着第五代移动通信技术(5th Generation Mobile CommunicationTechnology,5G)及人工智能时代的到来,通信行业的竞争也随之日益激烈,各大运营商的业务信息量也呈现爆发式增长态势,如何降低业务信息处理成本和提高业务信息处理效率,一直是企业在全球化竞争形式下孜孜不倦的追求。在这之中,业务信息作为企业发展的根本,如何及时获取业务信息,如何减少业务信息时延性、如何提高通信网络的资源均衡度,成为企业在信息爆炸、客户期望不断提高以及全球竞争不断加剧的环境中获得竞争优势的关注要点。
相关技术中,关于降低业务信息处理成本和提高业务信息处理效率,有些企业试图通过对每个影响业务信息质量的变量进行重要性排序的方式,期望提高企业处理业务信息的效率和精准度;也有些企业通过预测业务信息量,为网络资源的合理分配提供有效解决方案,以此实现对业务信息和通信网络的优化目的。
然而,当业务信息量较大时,企业仅依赖于分析业务信息的重要性或优先级等变量,数据支撑量少且内容单一,同时通信网络也无法负载庞大数据量的业务信息,从而导致业务信息阻塞和网络实体负荷过大等技术问题。
发明内容
本申请实施例提供一种业务信息处理方法、装置、终端及电子设备,用以解决业务信息量较大时企业仅依赖于分析业务信息的重要性或优先级等变量进行业务处理所导致的业务信息阻塞和网络实体负荷过大的技术问题。
第一方面,本申请实施例提供一种业务信息处理方法,包括:
响应于多业务处理请求,针对多个目标业务信息,对所述目标业务信息中不同维度的子业务信息进行深度学习,确定所述目标业务信息对应的目标业务信息优化策略;所述目标业务信息优化策略中包括对所述目标业务信息进行最佳优化处理的目标优化策略;
基于各所述目标业务信息优化策略,对所述多个目标业务信息进行归类,并使用每个所述目标业务信息优化策略,对对应类中的至少一个所述目标业务信息进行优化处理,确定多个目标已处理业务信息;
针对各目标已处理业务信息,从所述目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络,并基于所述目标通信网络传输所述目标已处理业务信息。
在一个实施例中,所述对所述目标业务信息中不同维度的子业务信息进行深度学习,确定所述目标业务信息对应的目标业务信息优化策略,包括:
利用业务信息优化模型对所述目标业务信息中不同维度的子业务信息进行深度学习,确定所述目标业务信息优化策略;
其中,所述业务信息优化模型是利用注意力机制,对从不同类型的样本业务信息中不同维度的样本子业务信息提取的关键业务特征进行训练后得到的,并且所述业务信息优化模型中存储每类样本业务信息对应的业务信息优化策略。
在一个实施例中,所述业务信息优化模型的训练过程包括:
获取样本业务信息集和初始业务信息优化模型,所述样本业务信息集中包括不同类型的样本业务信息及所述样本业务信息的样本业务信息分析树;所述初始业务信息优化模型包括预训练的文本编码器、GRU模型和卷积神经网络模型;
针对各样本业务信息分析树,利用所述文本编码器学习所述样本业务信息分析树中关键业务特征的语义信息,利用所述GRU模型对所述语义信息进行迭代训练,利用所述卷积神经网络模型对所述GRU模型训练至收敛时确定的所述样本业务信息的样本业务信息文本特征进行自注意力特征提取和特征全连接处理,确定所述样本业务信息的性能优化值;
对所有性能优化值进行分类,并对每类中所含的至少两个所述性能优化值进行从大到小排序后,确定对应类型的样本业务信息的业务信息优化策略。
在一个实施例中,所述样本业务信息的样本业务信息分析树的获取过程包括:
在所述样本业务信息由不同维度的样本子业务信息构成且其中一个维度的样本子业务信息为业务类型的情况下,以所述业务类型为根节点、以其余维度的样本子业务信息为不同层节点,建立所述样本业务信息的初始样本业务信息分析树;
基于预设剪枝策略,对所述初始样本业务信息分析树进行剪枝,确定含有关键业务特征的样本业务信息分析树。
在一个实施例中,所述从所述目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络,包括:
利用通信网络优化模型,从所述目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络;
其中,所述通信网络优化模型用于对所述通信网络进行性能预测,确定所述通信网络的网络性能预测值,并结合其它通信网络各自对应的网络性能预测值进行优先级排序后,确定所述目标通信网络。
在一个实施例中,所述对所述通信网络进行性能预测,确定所述通信网络的网络性能预测值,包括:
对所述通信网络的不同网络性能指标进行独热编码后,得到所述通信网络的网络性能指标词向量;
将所述网络性能指标词向量输入至卷积神经网络中进行特征提取和全连接处理,确定所述通信网络的网络性能预测值。
在一个实施例中,所述目标业务信息的数量为至少两个,所述基于所述目标通信网络传输所述目标已处理业务信息,包括:
在至少两个所述目标业务信息共用所述目标通信网络的情况下,基于每个所述目标业务信息优化策略优化对应的所述目标业务信息的优先级,通过所述目标通信网络传输各所述目标已处理业务信息;
在至少两个所述目标业务信息各自对应一个所述目标通信网络的情况下,基于各所述目标通信网络的网络性能优先级排序结果,传输各所述目标已处理业务信息。
第二方面,本申请实施例提供一种业务信息处理装置,包括:
业务信息优化单元,用于响应于多业务处理请求,针对多个目标业务信息,对所述目标业务信息中不同维度的子业务信息进行深度学习,确定所述目标业务信息对应的目标业务信息优化策略;所述目标业务信息优化策略中包括对所述目标业务信息进行最佳优化处理的目标优化策略;
业务信息整合单元,用于基于各所述目标业务信息优化策略,对所述多个目标业务信息进行归类,并使用每个所述目标业务信息优化策略,对对应类中的至少一个所述目标业务信息进行优化处理,确定多个目标已处理业务信息;
业务信息传输单元,用于针对各目标已处理业务信息,从所述目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络,并基于所述目标通信网络传输所述目标已处理业务信息。
第三方面,本申请实施例提供一种终端,包括存储器,收发机,处理器;
存储器,用于存储计算机程序;收发机,用于在所述处理器的控制下收发数据;处理器,用于读取所述存储器中的计算机程序并执行以下操作:
响应于业务处理请求,对目标业务信息中不同维度的子业务信息进行深度学习,确定所述目标业务信息对应的目标业务信息优化策略;所述目标业务信息优化策略中包括对所述目标业务信息进行最佳优化处理的目标优化策略;
基于各所述目标业务信息优化策略,对所述多个目标业务信息进行归类,并使用每个所述目标业务信息优化策略,对对应类中的至少一个所述目标业务信息进行优化处理,确定多个目标已处理业务信息;
针对各目标已处理业务信息,从所述目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络,并基于所述目标通信网络传输所述目标已处理业务信息。
第四方面,本申请实施例提供一种电子设备,包括处理器和存储有计算机程序的存储器,所述处理器执行所述程序时实现第一方面所述的业务信息处理方法的步骤。
本申请实施例提供的业务信息处理方法、装置、终端及电子设备,其中业务信息处理方法,在处理多业务信息时,通过对每个业务信息中不同维度信息进行深度学习、以及使用深度学习所确定的每个业务优化策略对同一类型业务信息进行优化处理的方式,结合深度学习技术和分类处理技术,实现了最大化处理多业务信息的效率;同时,通过实时监控和分析每个业务信息所在通信网络和当前通信正常的其它通信网络,以便于选取性能最优通信网络传输信息,这样,可以快速发现网络异常问题、及时告警以及迅速修复通信网络异常问题,从而大幅降低了通信网络的故障发生率,从而实现了在业务信息量较大时,也能实现业务信息优化和通信网络优化的双任务优化目的,形成低时延且高效率传输业务信息模式,不仅最大化业务信息处理及网络传输的及时性和高效性,也有效为企业降低了传输成本,提高了企业竞争力,同时也提高了用户交互体验,降低了业务成本。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请实施例提供的业务信息处理方法的流程示意图之一;
图2是本申请实施例提供的样本业务信息分析树的结构示意图;
图3是本申请实施例提供的业务信息处理方法的系统示意图;
图4是本申请实施例提供的业务信息处理方法的流程示意图之二;
图5是本申请实施例提供的业务信息处理装置的结构示意图;
图6是本申请实施例提供的终端的结构示意图;
图7是本申请实施例提供的电子设备的结构示意图;
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
在本申请的实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。在本申请的文字描述中,字符“/”一般表示前后关联对象是一种“或”的关系。此外,需要说明的是,本申请中为描述的对象所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。
下面结合图1-图7描述本申请提供的业务信息处理方法、装置、终端及电子设备,其中业务信息处理方法的执行主体可以为电子设备或者服务器,此电子设备可以为个人计算机(Personal Computer,PC)、便携式设备、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等其它电子设备;服务器可以是指一台服务器,也可以是由多台服务器构成的服务器集群、云计算中心等;进一步的,该业务信息处理方法还可以应用于设置在电子设备或服务器中的业务信息处理装置中,该业务信息处理装置可以通过软件、硬件或两者的结合来实现。下面以该业务信息处理方法的执行主体是电子设备为例,对该业务信息处理方法进行描述。
为了便于理解本申请提供的业务信息处理方法,下面,将通过下述几个示例地实施例对本申请提供的业务信息处理方法进行详细地说明。可以理解的是,下面这几个示例地实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
参照图1,为本申请实施例提供的业务信息处理方法的流程示意图之一,如图1所示,该业务信息处理方法包括如下步骤110~步骤130。
步骤110、响应于多业务处理请求,针对多个目标业务信息,对目标业务信息中不同维度的子业务信息进行深度学习,确定目标业务信息对应的目标业务信息优化策略;目标业务信息优化策略中包括对目标业务信息进行最佳优化处理的目标优化策略。
其中,多业务处理请求中携带待处理的目标业务信息的总数量,每个目标业务信息均包括对应的目标业务在多个维度各自对应的子业务信息,多个维度可以包括但不限定业务类型、业务合法性、用户类型、业务推送权限、业务推送等级、业务单点(或多点)发送方式和业务标记语言格式等中的部分或全部;例如,目标业务信息具体可以包括目标业务的业务类型为宽带网际互连协议(Internet Protocol,IP)业务、业务合法性为不合法、用户类型为普通用户、业务单点(或多点)发送方式为单点发送、以及业务标记语言格式为JSON;此处JSON的全称是JavaScript Object Notation且具体指代Java脚本对象简谱,是一种轻量级的数据交换格式。此外,目标优化策略可以波但不限定流量调度策略、负载均衡策略、带宽分配策略等其它策略中的一个。
具体的,电子设备检测到多业务处理请求时,响应于该多业务处理请求,并针对多业务处理请求携带的待处理的多个目标业务信息,对每个目标业务信息中不同维度的子业务信息均进行深度学习,确定每个目标业务信息各自对应的目标业务信息优化策略;每个目标业务信息优化策略中包括对对应的目标业务信息进行最佳优化处理的目标优化策略。需要说明的是,针对多个目标业务信息,电子设备可以同时确定所有目标业务信息各自对应的目标业务信息优化策略,也可以顺序确定每个目标业务信息对应的目标业务信息优化策略。此处不作具体限定。
步骤120、基于各目标业务信息优化策略,对多个目标业务信息进行归类,并使用每个目标业务信息优化策略,对对应类中的至少一个目标业务信息进行优化处理,确定多个目标已处理业务信息。
具体的,电子设备对于各目标业务信息优化策略,首先对多个目标业务信息进行归类,以确定每类目标业务信息对应同一个目标业务信息优化策略,再使用每个目标业务信息优化策略,对对应类中的至少一个目标业务信息进行优化处理,得到多个目标已处理业务信息。
步骤130、针对各目标已处理业务信息,从目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络,并基于目标通信网络传输目标已处理业务信息。
具体的,由于电子设备接收到每个目标业务信息时,均会获知每个目标业务信息所在的通信网络,但为了确保信息传输质量和传输效率以及避免在通信网络异常时传输信息,电子设备在确定出每个目标业务信息各自对应的目标已处理业务信息时,并不会按照接收对应目标业务信息所在的通信网络进行信息传输,而是将每个目标业务信息所在的通信网络均与当前通信正常的各个其它通信网络进行网络性能比对,以便于从多个通信网络中选取网络性能最优的目标通信网络传输对应的目标已处理业务信息至用户端。此处的用户端可以是其它外部客户端,也可以是电子设备中的业务信息接收模块。本申请对此不作具体限定。
本申请实施例提供的业务信息处理方法,在处理多业务信息时,通过对每个业务信息中不同维度信息进行深度学习、以及使用深度学习所确定的每个业务优化策略对同一类型业务信息进行优化处理的方式,结合深度学习技术和分类处理技术,实现了最大化处理多业务信息的效率;同时,通过实时监控和分析每个业务信息所在通信网络和当前通信正常的其它通信网络,以便于选取性能最优通信网络传输信息,这样,可以快速发现网络异常问题、及时告警以及迅速修复通信网络异常问题,从而大幅降低了通信网络的故障发生率,从而实现了在业务信息量较大时,也能实现业务信息优化和通信网络优化的双任务优化目的,形成低时延且高效率传输业务信息模式,不仅最大化业务信息处理及网络传输的及时性和高效性,也有效为企业降低了传输成本,提高了企业竞争力,同时也提高了用户交互体验,降低了业务成本。
基于上述图1所示的人岗适配方法,在一种示例实施例中,为了提高深度学习的速率,可以使用预先训练好的业务优化模型确定每个目标业务信息对应的目标业务信息优化策略。基于此,步骤110中对目标业务信息中不同维度的子业务信息进行深度学习,确定目标业务信息对应的目标业务信息优化策略,其具体实现过程可以包括:
利用业务信息优化模型对目标业务信息中不同维度的子业务信息进行深度学习,确定目标业务信息优化策略。
其中,业务信息优化模型是利用注意力机制,对从不同类型的样本业务信息中不同维度的样本子业务信息提取的关键业务特征进行训练后得到的,并且业务信息优化模型中存储每类样本业务信息对应的业务信息优化策略。
具体的,电子设备在响应多业务处理请求时,可以将每个目标业务信息输入至预先训练好的业务信息优化模型中,经由业务信息优化模型利用注意力机制提取每个目标业务信息中不同维度的子业务信息并进行深度学习,以便于将每个目标业务信息信息的深度学习结果与预先存储的多个业务信息优化策略进行匹配,也即从预先存储的所有业务信息优化策略中搜索最佳优化处理每个目标业务信息的目标业务信息优化策略,从而得到每个目标业务信息对应的目标业务信息优化策略。
需要说明的是,业务信息优化模型不仅用于存储的每类业务信息对应的业务信息优化策略,还可以用于管理和提供业务信息优化策略,以便于在多任务优化场景下为业务信息和通信网络提供指导和决策;业务信息优化模型中还可以存储不同类型的业务信息,例如应用类型、数据流量模式和优先级等。此外,该业务信息优化模型的优势在于,通过系统化地存储和管理各种业务信息优化策略,可以在多任务优化场景下提供更准确且更高效的决策支持,并且该业务信息优化模型可以应用于诸如网络流量管理、资源调度、服务质量保障等领域,特别是需求在动态环境下快速做出业务信息优化决策的场景下,具有更重要的应用价值。
本申请实施例提供的业务信息处理方法,通过利用预先训练好的业务信息优化模型对每个目标业务信息中不同维度的子业务信息进行深度学习的方式,最大限度地提高了业务信息处理的及时性和准确性,从而降低了企业业务信息处理成本,提高了业务信息处理效率。
基于上述图1所示的人岗适配方法,在一种示例实施例中,业务信息优化模型的训练过程具体包括:
首先,获取样本业务信息集和初始业务信息优化模型,样本业务信息集中包括不同类型的样本业务信息及样本业务信息的样本业务信息分析树;初始业务信息优化模型包括预训练的文本编码器、GRU模型和卷积神经网络模型;进一步的,针对各样本业务信息分析树,利用文本编码器学习样本业务信息分析树中关键业务特征的语义信息,利用GRU模型对语义信息进行迭代训练,利用卷积神经网络模型对GRU模型训练至收敛时确定的样本业务信息的样本业务信息文本特征进行自注意力特征提取和特征全连接处理,确定样本业务信息的性能优化值;然后,对性能优化值进行分类,并对每类中所含的至少两个性能优化值进行从大到小排序后,确定对应类型的样本业务信息的业务信息优化策略。
具体的,电子设备可以利用业务信息采集模块,从企业信息库中采集不同类型的样本业务信息,每个样本业务信息均包括对应样本业务的业务类型、业务合法性、用户类型、业务推送权限、业务推送等级、业务单点(或多点)发送和业务标记语言格式等维度各自对应的子业务信息;此时,电子设备可以利用业务信息分析模块,对每个样本业务信息中不同维度各自对应的子业务信息进行分析后,生成对应的样本业务信息分析树。示例性的,参照图2所示的样本业务信息分析树的结构示意图,如图2所示,每个业务信息分析树均代表当前一个业务事件,并且只携带与业务优化处理相关的关键业务特征,例如业务类型、业务合法性、用户类型、业务推送权限、业务推送等级、业务单点(或多点)发送和业务标记语言格式等维度各自对应的子业务信息,不携带与业务优化处理不相关的无用信息;电子设备再进一步利用各样本业务信息分析树,对业务信息优化模块中的初始业务信息优化模型进行训练,具体可以将每个样本业务信息分析树输入至预训练的文本编码器中学习对应样本业务信息分析树的关键业务特征的语义信息;然后电子设备将该语义信息作为输入映射嵌入GRU模型中进行每个时间步的迭代传递,从而确定对应样本业务信息的业务隐藏状态。示例性的,第i个样本业务信息在时隙t时的业务隐藏状态li,t可以经由式(1)迭代生成。
li,t=GRU(σ(t),li,t-1) (1)
式(1)中,σ(t)表示第i个样本业务信息的语义信息在时隙t时的文本嵌入序列,li,t-1表示第i个样本业务信息在时隙t-1时的业务隐藏状态。经由式(1)迭代训练至收敛时,可以得到n个第i个样本业务信息的业务隐藏状态,并将n个第i个样本业务信息的业务隐藏状态组成第i个样本业务信息的样本业务信息文本特征Mseq=[li,1,...,li,n]。
此时,电子设备将第i个样本业务信息的样本业务信息文本特征经过卷积神经网络模型中的卷积层进行卷积处理后映射至Softmax层,利用Softmax层的自注意力机制进行特征提取后,得到第i个样本业务信息的二维自注意力业务特征。示例性的,第i个样本业务信息的二维自注意力业务特征Att可以经由式(2)确定。
Att=Softmax(cnov(Mseq)) (2)
式(2)中,cnov表示卷积操作,Softmax表示利用Softmax层的自注意力机制进行特征提取。
对于提取的二维自注意力业务特征,可以经由全连接层对该二维自注意力业务特征进行全连接处理,全连接层负责将二维自注意力业务特征转换为一维向量,由此实现了端到端的学习过程,得到了对应样本业务信息的性能优化值,每个性能优化值的取值均在0~1之间。采用上述过程对初始业务信息优化模型进行训练,每次训练后都会得到多个性能优化值,并对多个性能优化值中属于同一类型的至少两个性能优化值分别进行从大到小排序后,生成每类样本业务信息的业务优化策略并存储至业务优化策略数据库,以对前次训练存储的业务优化策略进行更新;然后再进行下次训练;直至将初始业务信息优化模型训练至收敛时得到业务信息优化模型。
本申请实施例提供的业务处理方法,通过使用不同类型的样本业务信息及其对应的业务信息分析树,对含有预训练的文本编码器、GRU模型和卷积神经网络模型的初始业务信息优化模型进行训练的方式,提高了业务信息优化模型在实际应用中深度学习的效率和精度。
基于上述图1所示的人岗适配方法,在一种示例实施例中,考虑到每个样本业务信息中通常含有与业务优化处理不相关的无用信息,因此可以通过生成初始业务信息分析树、再过滤无用信息的方式,获取每个样本业务信息分析树。基于此,每个样本业务信息的样本业务信息分析树的获取过程具体包括:
首先,在样本业务信息由不同维度的样本子业务信息构成且其中一个维度的样本子业务信息为业务类型的情况下,以业务类型为根节点、以其余维度的样本子业务信息为不同层节点,建立样本业务信息的初始样本业务信息分析树;再进一步,基于预设剪枝策略,对初始样本业务信息分析树进行剪枝,确定含有关键业务特征的样本业务信息分析树。
其中,业务类型可以包括但不限定数字数据网(Digital Data Network,DDN)业务、综合业务数字网(Integrated Services Digital Network,ISDN)业务、宽带IP业务、虚拟专网业务和电子数据交换(Electronic data interchange,EDI)业务等其它类型;其余维度的样本子业务信息可以包括但不限定业务合法性、用户类型、业务推送权限、业务推送等级、业务单点(或多点)发送和业务标记语言格式等维度各自对应的子业务信息;此外,预设剪枝策略可以为将符合剪枝条件的层节点剪枝。
具体的,电子设备可以以样本业务信息中的业务类型为根节点、以样本业务信息中其余维度的样本子业务信息为不同层节点,构建该样本业务信息的初始样本业务信息分析树。为了有效减少搜索空间,可以根据每个样本子业务信息对业务优化处理的影响程度进行剪枝;也即,使用广度优先搜索(Breadth First Search,BFS)的搜索策略,从该初始样本业务信息分析树的根节点开始,遍历每一层的样本业务子信息并判断是否符合剪枝条件,此处的剪枝条件为小于预设阈值,该预设阈值通过计算当前层的样本业务子信息的概率与以往类似业务事件中该样本业务子信息的概率比值得到,通常情况下该预设阈值可以设置为0.6;通过将符合剪枝条件的层节点进行剪枝、将不符合剪枝条件的层节点保留的方式,对该初始样本业务信息分析树进行剪枝;从而得到含有关键业务特征的样本业务信息分析树。
本申请实施例提供的业务信息处理方法,通过对样本业务信息中所有信息构建初始业务信息分析树、再将初始业务信息分析树中无用信息进行剪枝的方式,确保每个样本业务信息分析树中都只含有与业务信息优化处理相关的关键业务特征,这样可以提高后续模型训练的精准性和可靠性。
基于上述图1所示的人岗适配方法,在一种示例实施例中,为了快速确定每个目标通信网络,可以使用预先构建的含有通信网络优化策略的网络优化模型确定目标通信网络。基于此,步骤130中从目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络,其具体实现过程可以包括:
利用通信网络优化模型,从目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络。
其中,通信网络优化模型用于对通信网络进行性能预测,确定通信网络的网络性能预测值,并结合其它通信网络各自对应的网络性能预测值进行优先级排序后,确定目标通信网络。
具体的,电子设备使用通信网络优化模型确定目标通信网络时,可以先提取目标业务信息在其通信网络中传输一时体现该通信网络总体性能指标的关键网络性能指标,关键网络性能指标包括包括但不限定网络容量、网络需求、网络延迟、拥塞度量、拥塞报警、峰值流量、异常信息和网络吞吐量等其它指标中的部分或全部。此时,基于该关键网络性能指标进行网络性能预测,确定该通信网络的网络性能预测值,再结合其它通信网络各自对应的网络性能预测值进行优先级排序,以便于选取出网络性能最优的目标通信网络。此处其它通信网络各自对应的网络性能预测值,可以从每个其它通信网络对应的指标参数中获取,也可以使用通信网络优化模型确定,本申请对此不作具体限定。
需要说明的是,由于通信网络的容量有限、用户需求大、网络延迟大、异常信息不同等情况,通过对当前通信正常的所有通信网络内不同数据进行系统化分析的方式,得出网络性能最优的目标通信网络,从而提高用户交互体验感,降低企业的成本。
本申请实施例提供的业务处理方法,通过利用预先构建的通信网络优化模型通过分析每个目标业务信息所在通信网络及当前通信正常的其它通信网络的网络性能优先级的方式,为每个目标已处理业务信息确定传输效率最高的目标通信网络。这样,利用预先构建的通信对当前正常通信的各个通信网络系统化分析,能够确保确定的每个目标通信网络的网络性能最高且通信故障率最低,从而提高了用户交互体验感,降低了企业成本。
基于上述图1所示的人岗适配方法,在一种示例实施例中,为了提高通信网络优化模型的精度,可以确定通信网络优化模型通过编码、特征提取及全连接处理的方式预测网络性能。基于此,对通信网络进行性能预测,确定通信网络的网络性能预测值,其具体实现过程包括:
首先,对通信网络的不同网络性能指标进行独热编码后,得到通信网络的网络性能指标词向量;再进一步,将网络性能指标词向量输入至卷积神经网络中进行特征提取和全连接处理,确定通信网络的网络性能预测值。
具体的,电子设备可以利用基站参数采集模块对通信网络的下载速度、网络容量、网络需求、网络吞吐量、网络故障率、网络延迟时间、拥塞度量值和峰值流量等网络性能指标进行实时采集,利用网络告警采集模块对通信网络中存在的网络异常行为或网络异常事件等网络性能指标进行实时采集,利用网络日志采集模块对通信网络中的网络运行日志、应用服务日志和网络资源日志等网络性能指标进行实时采集,并将采集的所有网络性能指标的部分或全部输入至通信网络优化模型中,经由通信网络优化模型对上述网络性能指标分别进行独热编码(one-hot vectors)后,得到通信网络的网络性能指标词向量;再将通信网络的网络性能指标词向量作为卷积神经网络的输入,提取网络性能关键特征,并将该网络性能关键特征输入至全连接层进行全连接处理后,得到通信网络的网络性能预测值,也即通信网络每传输一次业务信息所花费的总代价预测值,该预测值的取值在0~1之间。
示例性,统计传输一次业务所花费的时间间隔内通信网络的下载速度(2Mbps)、网络容量(16M)、网络延迟时间(24ms)、网络故障率(0.0006)、拥塞度量值(12M)和网络吞吐率(98%)等网络性能指标并进行独热编码(one-hot vectors)后,得到1×1×96维的网络性能指标词向量,将该1×1×96维的网络性能指标词向量作为卷积神经网络模型输入,经过softmax层和全连接层处理后,得到该通信网络的网络性能预测值为0.23;再将该通信网络的网络性能预测值与其它通信网络的网络性能预测值进行从小到大或者从大到小排序,值越小,代表优先级越高,从而选取出目标通信网络。
需要说明的是,通信网络的下载速度Vload可以通过式(3)计算,通信网络的网络故障率Lpred可以通过式(4)计算。
式(3)和(4)中,b表示传输的总比特数,time表示传输一次业务信息花费的总时间,t0表示通信网络开始工作的时刻,t1表示通信网络结束工作的时刻;M1表示在t0~t1时间段内通信网络发生故障的次数;M表示在t0~t1时间段内未发生故障次数和发生故障次数的次数总和。
本申请实施例提供的业务信息处理方法,利用通信网络优化模型具备的独热编码、特征提取和全连接功能,对通信网络的不同网络性能指标进行分析和优化,确定通信网络的网络性能预测值,提高了通信网络优化的准确性和可靠性,同时也能确保业务信息最优化传输。
基于上述图1所示的人岗适配方法,在一种示例实施例中,在目标业务信息的数量为至少两个的情况下,步骤130中基于目标通信网络传输目标已处理业务信息,其具体实现过程可以包括:
在至少两个目标业务信息共用目标通信网络的情况下,基于每个目标业务信息优化策略优化对应的目标业务信息的优先级,通过目标通信网络传输各目标已处理业务信息;在至少两个目标业务信息各自对应一个目标通信网络的情况下,基于各目标通信网络的网络性能优先级排序结果,传输各目标已处理业务信息。
具体的,当至少两个目标业务信息共用一个目标通信网络时,可以根据每个目标业务信息优化策略优化对应的目标业务信息的优先级,依次在该目标通信网络中传输各目标已处理业务信息;当至少两个目标业务信息各自对应一个目标通信网络时,可以根据各目标通信网络的网络性能优先级排序结果进行业务信息传输。例如,可以根据目标通信网络的优先级高低排序结果,也即由优先级最高的目标通信网络至优先级最低的目标通信网络的排序结果,分别传输对应的目标已处理业务信息;目标通信网络的优先级最高,则对应的网络性能度量值就越高,例如下载速度最高、网络故障率最低时,对应目标通信网络的优先级就越高。
需要说明的是,电子设备可以将各目标通信网络的网络性能优先级排序结果作为通信网络优化策略实时存储至通信网络优化数据库中,在后续应用中如果得到新的通信网络优化策略时,可以对通信网络优化数据库存储的通信网络优化策略进行实时更新,以便于每次确定的目标通信网络更加准确和快速。
本申请实施例提供的业务信息处理方法,通过判断多个目标业务信息是否共用通信网络的判断结果,确定传输各目标已处理业务信息的不同传输方式。这样,可以确保业务信息的最优传输效率,提高用户交互体验感,降低企业的成本。
参照图3,为本申请实施例提供的业务信息处理方法的系统示意图,如图3所示,业务信息优化算法模块中的业务信息分析模块,用于生成每个样本业务信息的样本业务信息分析树,业务信息优化模块用于在训练过程中生成每类样本业务信息的业务优化策略后存储至业务优化策略数据库,并使用本次训练后生成的业务优化策略对前次训练存储的业务优化策略进行更新业务信息整合模块用于对目标已处理业务信息进行整合后发送至业务信息接收模块,或者将目标已处理业务信息中的关键信息传输至指定外部客户端或者业务信息接收模块;图3中的通信网络优化算法模块为含有通信网络优化模型的模块。其中涉及的具体过程可以参照前述实施例和图4所示的业务信息处理方法的流程示意图。此处不再赘述。
结合图3和图4可知,使用本申请实施例提供的业务信息处理方法,业务信息和通信网络的多任务优化的商业价值可以帮助企业消减成本和管理风险;通过衡量业务信息和通信网络的多任务优化的商业价值,可以在实际生产经营中获得更多的利润,促进企业更高发展;业务信息和通信网络的多任务优化的商业价值可以为用户带来更好的交互体验,提高企业的竞争优势;在通信行业日益激烈的竞争和各大运营商的业务量呈现爆发式增长态势的情势下,业务信息和通信网络的多任务优化可以帮助企业适应快速变化的世界。因此,具有广泛的应用市场。
下面对本申请实施例提供的业务信息处理装置进行描述,下文描述的业务信息处理装置与上文描述的业务信息处理方法可相互对应参照。
参照图5,为本申请实施例提供的业务信息处理装置的结构示意图,如图5所示,该业务信息处理装置500,可以包括业务信息优化单元510、业务信息整合单元520和业务信息传输单元530。
业务信息优化单元510,用于响应于多业务处理请求,针对多个目标业务信息,对目标业务信息中不同维度的子业务信息进行深度学习,确定目标业务信息对应的目标业务信息优化策略;目标业务信息优化策略中包括对目标业务信息进行最佳优化处理的目标优化策略。
业务信息整合单元520,用于基于各目标业务信息优化策略,对多个目标业务信息进行归类,并使用每个目标业务信息优化策略,对对应类中的至少一个目标业务信息进行优化处理,确定多个目标已处理业务信息。
业务信息传输单元530,用于针对各目标已处理业务信息,从目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络,并基于目标通信网络传输目标已处理业务信息。
可选的,业务信息优化单元510,具体用于利用业务信息优化模型对目标业务信息中不同维度的子业务信息进行深度学习,确定目标业务信息优化策略;其中,业务信息优化模型是利用注意力机制,对从不同类型的样本业务信息中不同维度的样本子业务信息提取的关键业务特征进行训练后得到的,并且业务信息优化模型中存储每类样本业务信息对应的业务信息优化策略。
可选的,业务信息优化单元510,具体还用于获取样本业务信息集和初始业务信息优化模型,样本业务信息集中包括不同类型的样本业务信息及样本业务信息的样本业务信息分析树;初始业务信息优化模型包括预训练的文本编码器、GRU模型和卷积神经网络模型;针对各样本业务信息分析树,利用文本编码器学习样本业务信息分析树中关键业务特征的语义信息,利用GRU模型对语义信息进行迭代训练,利用卷积神经网络模型对GRU模型训练至收敛时确定的样本业务信息的样本业务信息文本特征进行自注意力特征提取和特征全连接处理,确定样本业务信息的性能优化值;对所有性能优化值进行分类,并对每类中所含的至少两个性能优化值进行从大到小排序后,确定对应类型的样本业务信息的业务信息优化策略。
可选的,业务信息优化单元510,具体还用于在样本业务信息由不同维度的样本子业务信息构成且其中一个维度的样本子业务信息为业务类型的情况下,以业务类型为根节点、以其余维度的样本子业务信息为不同层节点,建立样本业务信息的初始样本业务信息分析树;基于预设剪枝策略,对初始样本业务信息分析树进行剪枝,确定含有关键业务特征的样本业务信息分析树。
可选的,业务信息传输单元530,具体用于利用通信网络优化模型,从目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络;其中,通信网络优化模型用于对通信网络进行性能预测,确定通信网络的网络性能预测值,并结合其它通信网络各自对应的网络性能预测值进行优先级排序后,确定目标通信网络。
可选的,业务信息传输单元530,具体还用于对通信网络的不同网络性能指标进行独热编码后,得到通信网络的网络性能指标词向量;将网络性能指标词向量输入至卷积神经网络中进行特征提取和全连接处理,确定通信网络的网络性能预测值。
可选的,业务信息传输单元530,具体还用于在至少两个目标业务信息共用目标通信网络的情况下,基于每个目标业务信息优化策略优化对应的目标业务信息的优先级,通过目标通信网络传输各目标已处理业务信息;在至少两个目标业务信息各自对应一个目标通信网络的情况下,基于各目标通信网络的网络性能优先级排序结果,传输各目标已处理业务信息。
本申请实施例提供的业务信息处理装置500,可以执行上述任一实施例中业务信息处理方法的技术方案,其实现原理以及有益效果与业务信息处理方法的实现原理及有益效果类似,可参见业务信息处理方法的实现原理及有益效果,此处不再进行赘述。
本申请实施例涉及的终端,可以是指向用户提供语音和/或数据连通性的设备,具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备等。在不同的系统中,终端设备的名称可能也不相同,例如在5G系统中,终端设备可以称为用户设备(UserEquipment,UE)。
图6为根据本申请实施例的终端的结构示意图,参照图6,本申请实施例还提供一种终端,可以包括:存储器610,收发机620以及处理器630。
存储器610用于存储计算机程序;收发机620,用于在所述处理器630的控制下收发数据;处理器630,用于读取所述存储器610中的计算机程序并执行以下操作:
响应于多业务处理请求,针对多个目标业务信息,对目标业务信息中不同维度的子业务信息进行深度学习,确定目标业务信息对应的目标业务信息优化策略;目标业务信息优化策略中包括对目标业务信息进行最佳优化处理的目标优化策略;基于各目标业务信息优化策略,对多个目标业务信息进行归类,并使用每个目标业务信息优化策略,对对应类中的至少一个目标业务信息进行优化处理,确定多个目标已处理业务信息;针对各目标已处理业务信息,从目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络,并基于目标通信网络传输目标已处理业务信息。
其中,在图6中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器630代表的一个或多个处理器和存储器610代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。收发机620可以是多个元件,即包括发送机和接收机,提供用于在传输介质上与各种其他装置通信的单元。针对不同的用户设备,用户接口640还可以是能够外接内接需要设备的接口。
处理器630负责管理总线架构和通常的处理,存储器610可以存储处理器630在执行操作时所使用的数据。
处理器630通过调用存储器610存储的计算机程序,用于按照获得的可执行指令执行本申请实施例提供的任一所述方法。处理器与存储器也可以物理上分开布置。
可选地,处理器630还用于执行以下操作:利用业务信息优化模型对目标业务信息中不同维度的子业务信息进行深度学习,确定目标业务信息优化策略;其中,业务信息优化模型是利用注意力机制,对从不同类型的样本业务信息中不同维度的样本子业务信息提取的关键业务特征进行训练后得到的,并且业务信息优化模型中存储每类样本业务信息对应的业务信息优化策略。
可选地,处理器630还用于执行以下操作:获取样本业务信息集和初始业务信息优化模型,样本业务信息集中包括不同类型的样本业务信息及样本业务信息的样本业务信息分析树;初始业务信息优化模型包括预训练的文本编码器、GRU模型和卷积神经网络模型;针对各样本业务信息分析树,利用文本编码器学习样本业务信息分析树中关键业务特征的语义信息,利用GRU模型对语义信息进行迭代训练,利用卷积神经网络模型对GRU模型训练至收敛时确定的样本业务信息的样本业务信息文本特征进行自注意力特征提取和特征全连接处理,确定样本业务信息的性能优化值;对所有性能优化值进行分类,并对每类中所含的至少两个性能优化值进行从大到小排序后,确定对应类型的样本业务信息的业务信息优化策略。
可选地,处理器630还用于执行以下操作:在样本业务信息由不同维度的样本子业务信息构成且其中一个维度的样本子业务信息为业务类型的情况下,以业务类型为根节点、以其余维度的样本子业务信息为不同层节点,建立样本业务信息的初始样本业务信息分析树;基于预设剪枝策略,对初始样本业务信息分析树进行剪枝,确定含有关键业务特征的样本业务信息分析树。
可选地,处理器630还用于执行以下操作:利用通信网络优化模型,从目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络;其中,通信网络优化模型用于对通信网络进行性能预测,确定通信网络的网络性能预测值,并结合其它通信网络各自对应的网络性能预测值进行优先级排序后,确定目标通信网络。
可选地,处理器630还用于执行以下操作:对通信网络的不同网络性能指标进行独热编码后,得到通信网络的网络性能指标词向量;将网络性能指标词向量输入至卷积神经网络中进行特征提取和全连接处理,确定通信网络的网络性能预测值。
可选地,处理器630还用于执行以下操作:在至少两个目标业务信息共用目标通信网络的情况下,基于每个目标业务信息优化策略优化对应的目标业务信息的优先级,通过目标通信网络传输各目标已处理业务信息;在至少两个目标业务信息各自对应一个目标通信网络的情况下,基于各目标通信网络的网络性能优先级排序结果,传输各目标已处理业务信息。
在此需要说明的是,本申请实施例提供的终端,能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communication Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的计算机程序,以执行业务处理方法的步骤,例如包括:
响应于多业务处理请求,针对多个目标业务信息,对目标业务信息中不同维度的子业务信息进行深度学习,确定目标业务信息对应的目标业务信息优化策略;目标业务信息优化策略中包括对目标业务信息进行最佳优化处理的目标优化策略;基于各目标业务信息优化策略,对多个目标业务信息进行归类,并使用每个目标业务信息优化策略,对对应类中的至少一个目标业务信息进行优化处理,确定多个目标已处理业务信息;针对各目标已处理业务信息,从目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络,并基于目标通信网络传输目标已处理业务信息。
此外,上述的存储器730中的逻辑指令可以通过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,本申请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)执行本申请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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各实施例所提供的业务处理方法的步骤,例如包括:
响应于多业务处理请求,针对多个目标业务信息,对目标业务信息中不同维度的子业务信息进行深度学习,确定目标业务信息对应的目标业务信息优化策略;目标业务信息优化策略中包括对目标业务信息进行最佳优化处理的目标优化策略;基于各目标业务信息优化策略,对多个目标业务信息进行归类,并使用每个目标业务信息优化策略,对对应类中的至少一个目标业务信息进行优化处理,确定多个目标已处理业务信息;针对各目标已处理业务信息,从目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络,并基于目标通信网络传输目标已处理业务信息。
另一方面,本申请实施例还提供一种处理器可读存储介质,所述处理器可读存储介质存储有计算机程序,所述计算机程序用于使处理器执行上述各实施例提供的方法的步骤,例如包括:
响应于多业务处理请求,针对多个目标业务信息,对目标业务信息中不同维度的子业务信息进行深度学习,确定目标业务信息对应的目标业务信息优化策略;目标业务信息优化策略中包括对目标业务信息进行最佳优化处理的目标优化策略;基于各目标业务信息优化策略,对多个目标业务信息进行归类,并使用每个目标业务信息优化策略,对对应类中的至少一个目标业务信息进行优化处理,确定多个目标已处理业务信息;针对各目标已处理业务信息,从目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络,并基于目标通信网络传输目标已处理业务信息。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种业务信息处理方法,其特征在于,包括:
响应于多业务处理请求,针对多个目标业务信息,对所述目标业务信息中不同维度的子业务信息进行深度学习,确定所述目标业务信息对应的目标业务信息优化策略;所述目标业务信息优化策略中包括对所述目标业务信息进行最佳优化处理的目标优化策略;
基于各所述目标业务信息优化策略,对所述多个目标业务信息进行归类,并使用每个所述目标业务信息优化策略,对对应类中的至少一个所述目标业务信息进行优化处理,确定多个目标已处理业务信息;
针对各目标已处理业务信息,从所述目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络,并基于所述目标通信网络传输所述目标已处理业务信息。
2.根据权利要求1所述的业务信息处理方法,其特征在于,所述对所述目标业务信息中不同维度的子业务信息进行深度学习,确定所述目标业务信息对应的目标业务信息优化策略,包括:
利用业务信息优化模型对所述目标业务信息中不同维度的子业务信息进行深度学习,确定所述目标业务信息优化策略;
其中,所述业务信息优化模型是利用注意力机制,对从不同类型的样本业务信息中不同维度的样本子业务信息提取的关键业务特征进行训练后得到的,并且所述业务信息优化模型中存储每类样本业务信息对应的业务信息优化策略。
3.根据权利要求2所述的业务信息处理方法,其特征在于,所述业务信息优化模型的训练过程包括:
获取样本业务信息集和初始业务信息优化模型,所述样本业务信息集中包括不同类型的样本业务信息及所述样本业务信息的样本业务信息分析树;所述初始业务信息优化模型包括预训练的文本编码器、GRU模型和卷积神经网络模型;
针对各样本业务信息分析树,利用所述文本编码器学习所述样本业务信息分析树中关键业务特征的语义信息,利用所述GRU模型对所述语义信息进行迭代训练,利用所述卷积神经网络模型对所述GRU模型训练至收敛时确定的所述样本业务信息的样本业务信息文本特征进行自注意力特征提取和特征全连接处理,确定所述样本业务信息的性能优化值;
对所有性能优化值进行分类,并对每类中所含的至少两个所述性能优化值进行从大到小排序后,确定对应类型的样本业务信息的业务信息优化策略。
4.根据权利要求3所述的业务信息处理方法,其特征在于,所述样本业务信息的样本业务信息分析树的获取过程包括:
在所述样本业务信息由不同维度的样本子业务信息构成且其中一个维度的样本子业务信息为业务类型的情况下,以所述业务类型为根节点、以其余维度的样本子业务信息为不同层节点,建立所述样本业务信息的初始样本业务信息分析树;
基于预设剪枝策略,对所述初始样本业务信息分析树进行剪枝,确定含有关键业务特征的样本业务信息分析树。
5.根据权利要求1至4任一项所述的业务信息处理方法,其特征在于,所述从所述目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络,包括:
利用通信网络优化模型,从所述目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络;
其中,所述通信网络优化模型用于对所述通信网络进行性能预测,确定所述通信网络的网络性能预测值,并结合其它通信网络各自对应的网络性能预测值进行优先级排序后,确定所述目标通信网络。
6.根据权利要求5所述的业务信息处理方法,其特征在于,所述对所述通信网络进行性能预测,确定所述通信网络的网络性能预测值,包括:
对所述通信网络的不同网络性能指标进行独热编码后,得到所述通信网络的网络性能指标词向量;
将所述网络性能指标词向量输入至卷积神经网络中进行特征提取和全连接处理,确定所述通信网络的网络性能预测值。
7.根据权利要求1至4任一项所述的业务信息处理方法,其特征在于,所述目标业务信息的数量为至少两个,所述基于所述目标通信网络传输所述目标已处理业务信息,包括:
在至少两个所述目标业务信息共用所述目标通信网络的情况下,基于每个所述目标业务信息优化策略优化对应的所述目标业务信息的优先级,通过所述目标通信网络传输各所述目标已处理业务信息;
在至少两个所述目标业务信息各自对应一个所述目标通信网络的情况下,基于各所述目标通信网络的网络性能优先级排序结果,传输各所述目标已处理业务信息。
8.一种业务信息处理装置,其特征在于,包括:
业务信息优化单元,用于响应于多业务处理请求,针对多个目标业务信息,对所述目标业务信息中不同维度的子业务信息进行深度学习,确定所述目标业务信息对应的目标业务信息优化策略;所述目标业务信息优化策略中包括对所述目标业务信息进行最佳优化处理的目标优化策略;
业务信息整合单元,用于基于各所述目标业务信息优化策略,对所述多个目标业务信息进行归类,并使用每个所述目标业务信息优化策略,对对应类中的至少一个所述目标业务信息进行优化处理,确定多个目标已处理业务信息;
业务信息传输单元,用于针对各目标已处理业务信息,从所述目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络,并基于所述目标通信网络传输所述目标已处理业务信息。
9.一种终端,其特征在于,包括存储器,收发机,处理器;
存储器,用于存储计算机程序;收发机,用于在所述处理器的控制下收发数据;处理器,用于读取所述存储器中的计算机程序并执行以下操作:
响应于业务处理请求,对目标业务信息中不同维度的子业务信息进行深度学习,确定所述目标业务信息对应的目标业务信息优化策略;所述目标业务信息优化策略中包括对所述目标业务信息进行最佳优化处理的目标优化策略;
基于各所述目标业务信息优化策略,对所述多个目标业务信息进行归类,并使用每个所述目标业务信息优化策略,对对应类中的至少一个所述目标业务信息进行优化处理,确定多个目标已处理业务信息;
针对各目标已处理业务信息,从所述目标业务信息所在的通信网络和其它通信网络中选取网络性能最优的目标通信网络,并基于所述目标通信网络传输所述目标已处理业务信息。
10.一种电子设备,包括处理器和存储有计算机程序的存储器,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的业务信息处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311114305.0A CN117098159A (zh) | 2023-08-31 | 2023-08-31 | 业务信息处理方法、装置、终端及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311114305.0A CN117098159A (zh) | 2023-08-31 | 2023-08-31 | 业务信息处理方法、装置、终端及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117098159A true CN117098159A (zh) | 2023-11-21 |
Family
ID=88780095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311114305.0A Pending CN117098159A (zh) | 2023-08-31 | 2023-08-31 | 业务信息处理方法、装置、终端及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117098159A (zh) |
-
2023
- 2023-08-31 CN CN202311114305.0A patent/CN117098159A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiao et al. | Trustworthy edge storage orchestration in intelligent transportation systems using reinforcement learning | |
Chen et al. | DRL-QOR: Deep reinforcement learning-based QoS/QoE-aware adaptive online orchestration in NFV-enabled networks | |
CN108768695B (zh) | Kqi的问题定位方法及装置 | |
CN112118551B (zh) | 设备风险识别方法及相关设备 | |
US20210012187A1 (en) | Adaptation of Deep Learning Models to Resource Constrained Edge Devices | |
WO2023185539A1 (zh) | 机器学习模型训练方法、业务数据处理方法、装置及系统 | |
Tang et al. | A factorization machine-based QoS prediction approach for mobile service selection | |
CN114091610A (zh) | 智能决策方法及装置 | |
CN113850669A (zh) | 用户分群方法、装置、计算机设备及计算机可读存储介质 | |
CN113259145B (zh) | 网络切片的端到端组网方法、组网装置及网络切片设备 | |
CN112231481A (zh) | 网址的分类方法、装置、计算机设备和存储介质 | |
CN115883392A (zh) | 算力网络的数据感知方法、装置、电子设备及存储介质 | |
CN117098159A (zh) | 业务信息处理方法、装置、终端及电子设备 | |
US20230123074A1 (en) | Machine learning-based approaches for service function chain selection | |
CN114048512B (zh) | 一种处理敏感数据的方法及装置 | |
CN116055330A (zh) | 一种基于知识图谱的数字孪生网络切片的方法和装置 | |
CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 | |
CN111814051B (zh) | 一种资源类型确定方法及装置 | |
CN115017362A (zh) | 数据处理方法、电子设备及存储介质 | |
CN114462506A (zh) | 一种支持偏好策略的通信网络辅助规划方法及其应用 | |
Lamaazi et al. | Trust-3dm: trustworthiness-based data-driven decision-making framework using smart edge computing for continuous sensing | |
CN115878991A (zh) | 一种信任模型的训练方法及装置 | |
CN115437858A (zh) | 边缘节点异常定位方法、装置、设备及计算机程序产品 | |
CN115037625B (zh) | 网络切片处理方法、装置、电子设备及可读存储介质 | |
CN116957067B (zh) | 公共安全事件预测模型的强化联邦学习方法及装置 |
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 |