CN117407504A - 运维处理方法、装置、设备、存储介质和程序产品 - Google Patents
运维处理方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN117407504A CN117407504A CN202311387522.7A CN202311387522A CN117407504A CN 117407504 A CN117407504 A CN 117407504A CN 202311387522 A CN202311387522 A CN 202311387522A CN 117407504 A CN117407504 A CN 117407504A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- target
- session data
- session
- data
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 454
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 59
- 239000013598 vector Substances 0.000 claims description 103
- 238000004590 computer program Methods 0.000 claims description 51
- 230000004927 fusion Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 39
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012549 training Methods 0.000 description 129
- 238000000605 extraction Methods 0.000 description 34
- 238000013507 mapping Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 9
- 230000014509 gene expression Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种运维处理方法、装置、设备、存储介质和程序产品。该方法包括:获取运维需求方提供的运维会话数据;其中,运维会话数据包括当前会话数据和当前会话数据的历史会话数据;根据运维会话数据,确定目标回复内容;根据目标回复内容,确定系统的目标运维指令;根据目标运维指令,对系统执行运维处理。上述技术方案,无需专业的运维人员的介入,降低了对运维人员的专业门槛,从而降低了运维过程的人力成本,同时还避免了由于运维人员专业素养或个人主观意识等因素,对运维效率和运维效果的影响,进而提高了运维效率和运维结果准确度。
Description
技术领域
本申请涉及运维技术领域,特别是涉及一种运维处理方法、装置、设备、存储介质和程序产品。
背景技术
运维本质上是对业务系统的网络、服务器和服务等,在其生命周期的各个阶段的运营与维护,从而保证业务系统在成本、稳定性、效率上达到一致可接受的状态。
传统技术通常需要投入大量的人力成本来实现运维处理,此种方式对运维人员具备较高的技术门槛,且在实际运维处理过程中,受限于运维人员的积极性、技术能力和主观意识等,导致运维效率和运维效果不佳。
发明内容
基于此,本申请提供了一种能够实现运维自动化,且提高运维效率和运维效果的运维处理方法、装置、设备、存储介质和程序产品。
第一方面,本申请提供了一种运维处理方法,包括:
获取运维需求方提供的运维会话数据;其中,所述运维会话数据包括当前会话数据和所述当前会话数据的历史会话数据;
根据所述运维会话数据,确定目标回复内容;根据所述目标回复内容,确定系统的目标运维指令;
根据所述目标运维指令,对所述系统执行运维处理。
在其中一个实施例中,所述根据所述运维会话数据,确定目标回复内容,包括:根据所述运维会话数据,确定所述运维会话数据所属的目标意图类别;其中,所述目标意图类别对应表征对所述系统的运维意图;根据所述目标意图类别,确定所述运维会话数据对应的目标类别向量;根据所述目标类别向量,确定所述目标回复内容。
在其中一个实施例中,所述根据所述运维会话数据,确定所述运维会话数据所属的目标意图类别包括:对所述运维会话数据进行特征提取,得到初始会话特征;根据所述初始会话特征和预设的第一对应关系,确定与所述初始会话特征对应的参考会话特征;其中,所述第一对应关系包括不同参考会话特征与意图类别之间的对应关系;将与所述初始会话特征对应的参考会话特征所属的意图类别,作为所述目标意图类别。
在其中一个实施例中,所述第一对应关系采用以下方式构建得到:获取第一会话数据集,所述第一会话数据集包括多个第一会话数据以及每个第一会话数据所属的意图类别;对每个第一会话数据分别进行特征提取,得到相应的第一会话特征;将属于同一意图类别的第一会话数据所对应的第一会话特征进行特征融合,得到每个所述意图类别下的参考会话特征;基于每个所述意图类别下的参考会话特征,建立所述第一对应关系。
在其中一个实施例中,所述根据所述目标意图类别,确定所述运维会话数据对应的目标类别向量,包括:根据所述目标意图类别和预设的第二对应关系,将与所述目标意图类别对应的运维类别向量作为所述目标类别向量;其中,所述第二对应关系包括不同意图类别与不同运维类别向量之间的对应关系。
在其中一个实施例中,所述第二对应关系采用以下方式构建得到:获取第二会话数据集,所述第二会话数据集包括多个第二会话数据以及每个第二会话数据所属的意图类别;对每个第二会话数据分别进行特征提取,得到相应的第二会话特征;将属于同一意图类别的第二会话数据对应的第二会话特征映射至意图类别空间下相同的运维类别向量;基于每个所述意图类别下的运维类别向量,建立所述第二对应关系。
在其中一个实施例中,所述根据所述目标类别向量,确定所述目标回复内容,包括:基于对话状态追踪模型,根据所述目标类别向量,确定目标状态数据;基于对话策略模型,根据所述目标状态数据,确定所述目标回复特征;基于自然语言生成模型,根据所述目标回复特征,确定所述目标回复内容。
在其中一个实施例中,所述对话状态追踪模型采用以下方式训练得到:获取第一训练数据集;其中,所述第一训练数据集中包括不同第一训练会话数据在意图类别空间下的训练运维向量、在所述训练会话数据的生成时刻下的当前状态数据,以及所述生成时刻对应历史时刻下的历史状态数据;根据所述训练运维向量、所述历史状态数据和所述当前状态数据,对预先构建的对话状态追踪模型进行模型训练。
在其中一个实施例中,所述对话策略模型采用以下方式训练得到:获取第二训练数据集;其中,所述第二训练数据集中包括不同第二训练会话数据的生成时刻下的当前状态数据和所述生成时刻的训练回复特征;根据所述当前状态数据和所述训练回复特征,对预先构建的对话策略模型进行模型训练。
在其中一个实施例中,所述根据所述目标回复内容,确定系统的目标运维指令,包括:向所述运维需求方输出所述目标回复内容,并获取所述运维需求方对所述目标回复内容的回复反馈数据;所述回复反馈数据为接受类别反馈或拒绝类别反馈;根据所述回复反馈数据,确定所述系统的所述目标运维指令。
在其中一个实施例中,所述方法还包括:根据不同运维会话数据的回复反馈数据的类别分布,确定不同类别反馈的占比;向所述运维需求方输出所述占比。
第二方面,本申请还提供了一种运维处理装置,包括:
运维会话获取模块,用于获取运维会话数据;其中,所述运维会话数据包括当前会话数据和所述当前会话数据的历史会话数据;
回复内容确定模块,用于根据所述运维会话数据,确定目标回复内容;
运维指令确定模块,用于根据所述目标回复内容,确定系统的目标运维指令;
运维处理执行模块,用于根据所述目标运维指令,对所述系统执行运维处理。
第三方面,本申请还提供了一种运维设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取运维需求方提供的运维会话数据;其中,所述运维会话数据包括当前会话数据和所述当前会话数据的历史会话数据;
确定所述运维会话数据的目标回复内容;
根据所述目标回复内容,确定系统的目标运维指令;
根据所述目标运维指令,对所述系统执行运维处理。
第四方面,本申请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,所述计算机程序被处理器执行时实现以下步骤:
获取运维需求方提供的运维会话数据;其中,所述运维会话数据包括当前会话数据和所述当前会话数据的历史会话数据;
确定所述运维会话数据的目标回复内容;
根据所述目标回复内容,确定系统的目标运维指令;
根据所述目标运维指令,对所述系统执行运维处理。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取运维需求方提供的运维会话数据;其中,所述运维会话数据包括当前会话数据和所述当前会话数据的历史会话数据;
确定所述运维会话数据的目标回复内容;
根据所述目标回复内容,确定系统的目标运维指令;
根据所述目标运维指令,对所述系统执行运维处理。
上述运维处理方法、装置、设备、存储介质和程序产品,通过包括当前会话数据和当前会话数据的历史会话数据的运维会话数据,进行目标回复内容的自动化确定,并根据目标回复内容,自动化进行系统的目标运维指令的确定,从而根据所确定的目标运维指令,实现对系统的运维处理,整个过程无需专业的运维人员介入,降低了对运维人员的专业门槛,从而降低了运维过程的人力成本,同时还避免了由于运维人员专业素养或个人主观意识等因素,对运维效率和运维效果的影响,进而提高了运维效率和运维结果准确度。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术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是一个实施例提供的一种运维处理方法的应用环境图;
图2是一个实施例提供的一种运维处理方法的流程示意图;
图3是一个实施例提供的一种目标回复内容确定方法的流程示意图;
图4是一个实施例提供的一种目标意图类别确定方法的流程示意图;
图5是一个实施例提供的另一种运维处理方法的流程示意图;
图6是一个实施例提供的一种运维处理装置的结构框图;
图7是一个实施例提供的一种运维设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例所提供的运维处理方法,可以应用于图1所示的由终端和服务器共同构建的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。运维需求方对应终端102用于获取运维需求方提供的运维会话数据;其中,运维会话数据包括当前会话数据和当前会话数据的历史会话数据;终端102将运维会话数据发送至服务器104;服务器104根据运维会话数据,确定目标回复内容,并根据目标回复内容,确定系统的目标运维指令;服务器104可以直接根据目标运维指令,对系统执行运维处理,或者将目标运维指令下发至终端102,通过终端102根据目标运维指令,对系统执行运维处理。
其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可包括智能音箱、智能电视、智能空调、智能车载设备和智能机器人等中的至少一种。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以是独立的服务器或者是由多个服务器组成的服务器集群。
在一个可选实施例中,如图2所示,提供了一种运维处理方法,以下将以该方法应用于图1中的终端为例,对该运维处理方法进行说明。可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
S210、获取运维需求方提供的运维会话数据;其中,运维会话数据包括当前会话数据和当前会话数据的历史会话数据。
其中,运维会话数据用于表征运维需求方所提供的用于描述自身运维需求的会话数据。其中,运维会话数据可以包括当前时刻输入的当前会话数据,以及与当前时刻相关联的历史时段(例如相邻)对应的历史会话数据。其中,当前时刻相关联的历史时段的具体时间长度和起止时间等,可以由技术人员根据实际需求或经验进行设置或调整,或通过大量试验确定,本申请对此不再任何限定。
可以理解的是,由于运维会话数据中既包括表征当前时刻的运维需求的当前会话数据,还包括表征当前时刻所关联的历史时段的运维需求的历史会话数据,因此提高了运维会话数据所携带运维需求信息的丰富性,同时还避免了不同时刻的运维需求之间关联性的遗失,为后续运维处理的准确度的提高奠定了基础。
S220、根据运维会话数据,确定目标回复内容。
其中,目标回复内容用于表征针对运维会话数据所确定的回复内容,该回复内容可以理解为针对当前时刻的运维需求,所确定的运维处理方式的内容描述。
在一个可选实施例中,可以基于预先训练好的内容回复模型,根据运维会话数据,确定目标回复内容。其中,可以通过大量的运维会话训练数据和各运维会话训练数据对应的预先标注好的回复内容,对预先构建的内容回复模型进行模型训练得到。需要说明的是,内容回复模型可以采用相关技术中的至少一种机器学习模型加以实现,本申请对其具体网络结构不作任何限定。
在另一可选实施例中,可以预先建立好不同会话数据与回复内容之间的参考对应关系;根据该参考对应关系,确定本次获取到的运维会话数据所对应的回复内容,并将该回复内容作为目标回复内容。其中,参考对应关系可以采用相关技术中的至少一种方式构建得到,本申请对此不作任何限定。
由于相同含义的会话数据可能对应有不同的表述方式,因此,直接根据会话数据构建参考对应关系,所得的参考对应关系数据量较大,因此存储需求较大,同时在进行目标回复内容确定时,查询效率较低。为了克服上述问题,在又一可选实施例中,还可以预先建立会话类别与回复内容之间的参考对应关系;确定本次获取到的运维会话数据所属的会话类别,并根据该参考对应关系,确定该会话类别所对应的回复内容,并将该回复内容作为目标回复内容。其中,对运维会话数据进行归类,得到会话类别可以采用相关技术中的至少一种聚类方式加以实现,本申请对此不作任何限定。其中,上述参考对应关系可以采用相关技术中的至少一种方式构建得到,本申请对此不作任何限定。
S230、根据目标回复内容,确定系统的目标运维指令。
S240、根据目标运维指令,对系统执行运维处理。
其中,目标运维指令可以理解为,针对当前时刻的运维需求,所确定的运维处理方式的指令描述,可以由机器自动执行以实现运维处理。其中,目标运维指令的指令数量可以为至少一条,不同指令之间的执行顺序可以预先设定。
值得注意的是,此处的系统为实际需要进行运维处理的系统,该系统可以为默认系统、运维需求方预先绑定好的系统、或运维需求方提供运维会话数据过程中指定的系统。
可选地,可以预先设定不同回复内容与不同运维指令之间的指令对应关系,并基于该指令对应关系,确定目标回复内容相对应的运维指令,并将该运维指令作为目标运维指令。其中,指令对应关系可以采用相关技术中的至少一种方式构建得到,本申请对此不作任何限定。
由于在运维处理场景下的回复内容种类有限,但是可选地内容描述通常需要占据一定的数据存储空间,因此,基于回复内容自身与运维指令之间,构建指令对应关系,将会带来指令对应关系的存储成本和查询时长的增加。为了克服上述问题,可选地,还可以预先设定不同回复内容所属运维场景,与不同运维指令之间的指令对方应关系,并基于该指令对应关系,确定目标回复内容对方应的运维场景,并将该运维场景作为目标运维场景;将目标运维场景下预设的运维逻辑,作为目标运维指令。其中,运维场景可以理解为回复内容对应的运维类别,例如可以包括关机、重启和版本升级等中的至少一种。
为了避免目标运维指令确定失误造成运维处理有误的情况发生,在一个可选实施例中,根据目标回复内容,确定系统的目标运维指令,可以是:向运维需求方输出目标回复内容,并获取运维需求方对目标回复内容的回复反馈数据;其中,回复反馈数据为接受类别反馈或拒绝类别反馈;根据回复反馈数据,确定系统的目标运维指令,以供执行。
其中,回复反馈数据用于表征运维需求方对目标回复内容的接受情况,可以是用于表征目标回复内容能够满足当前时刻的运维需求的接受类别反馈,或者是用于表征目标回复内容不能满足当前时刻的运维需求的拒绝类别反馈。
示例性的,根据目标反馈数据,确定系统的目标运维指令,可以是:若目标反馈数据为接受反馈类别,则直接基于目标回复内容,确定目标运维指令;若目标反馈数据为拒绝反馈类别,则直接将预设的默认运维指令作为目标运维指令;或者,输出至少一条候选运维指令,并将运维需求方选取的候选运维指令作为目标运维指令。其中,默认运维指令可以由技术人员或运维需求方,根据需要或经验进行设置,或通过大量试验进行确定。
可以理解的是,通过引入回复反馈数据实现运维需求方对目标回复内容进行干预反馈,并根据回复反馈数据最终确定目标运维指令,使得最终确定的目标运维指令能够满足运维需求方的运维需求,避免了目标回复内容确定错误,得运维处理带来的影响,有助于提高运维处理的准确度。
为了便于运维需求方了解自动化运维处理的准确度,在一个可选实施例中,还可以统计一定时段内各运维处理过程的回复反馈数据;根据回复反馈数据的类别分布,确定不同类别反馈的占比;向运维需求方输出该占比中的至少一个。其中,所统计时段可以由技术人员根据需要进行设置或调整,例如可以是最近一个月、最近一个季度、最近一年或执行该运维处理方法的执行设备的整个生命周期等。其中,占比可以包括接受类别反馈对应的接受占比和拒绝类别反馈对应的拒绝占比中的至少一种。
需要说明的是,本申请对占比的输出方式不作任何限定,例如可以采用数字和图表等中的至少一种加以实现。
本申请实施例通过包括当前会话数据和当前会话数据的历史会话数据的运维会话数据,进行目标回复内容的自动化确定,并根据目标回复内容,自动化进行系统的目标运维指令的确定,从而根据所确定的目标运维指令,实现对系统的运维处理,整个过程无需专业的运维人员的介入,降低了对运维人员的专业门槛,从而降低了运维过程的人力成本,同时还避免了由于运维人员专业素养或个人主观意识等因素,对运维效率和运维效果的影响,进而提高了运维效率和运维结果准确度。
在上述各实施例的技术方案的基础上,本申请还提供了一个可选实施例,在该可选实施例中,对S220的目标回复内容确定过程进行了详述。需要说明的是,在本申请实施例中未详述部分,可参见其他实施例的相关表述,在此不再赘述。
参见图3所示的一种目标回复内容确定方法,包括:
S310、根据运维会话数据,确定运维会话数据所属的目标意图类别;其中,目标意图类别对应表征对系统的运维意图。
在一个可选实现方式中,可以提取运维会话数据中的目标关键字,并根据所提取的目标关键字,确定运维会话数据所属的目标意图类别。可选地,可以预设包括不同关键字的关键字词典;对运维会话数据进行分词,得到分词结果;筛选出位于关键字词典中的关键字作为目标关键字。其中,不同关键字可以表征相同或不同的运维意图。
在另一具体实现方式中,还可以采用预先训练好的意图分类模型,根据运维会话数据,确定运维会话数据所属的目标意图类别。其中,可以采用大量运维会话训练数据和各运维会话训练数据对应的预先标注好的意图类别,对预先构建好的意图分类模型进行模型训练。其中,意图分类模型可以采用相关技术中的至少一种神经网络模型加以实现,本申请对意图分类模型的具体网络结构不作任何限定。
在又一具体实现方式中,还可以采用相关技术中的至少一种聚类分析方式,对运维会话数据进行聚类,得到运维会话数据所属的目标意图类别。
S320、根据目标意图类别,确定运维会话数据对应的目标类别向量。
其中,目标类别向量用于从结构化维度对目标意图类别加以表征。为了便于进行数据处理,需要确定出目标意图类别对应的结构化的目标类别向量,以供后续使用。
S330、根据目标类别向量,确定目标回复内容。
在一个可选实施例中,可以基于内容生成器,根据目标类别向量,确定目标回复内容。其中,内容生成器可以采用至少一种自然语言生成模型加以实现,本申请对内容生成器的具体网络结构不作任何限定。
在另一可选实施例中,可以基于对话状态追踪模型,根据目标类别向量,确定目标状态数据;基于对话策略模型,根据目标状态数据,确定目标回复特征;基于自然语言生成模型,根据目标回复特征,确定目标回复内容。
其中,目标状态数据可以理解为运维会话数据对应当前时刻的会话状态;目标特征数据可以理解为目标回复内容的结构化特征表示。其中,对话状态追踪模型、对话策略模型和自然语言生成模型,可以采用相关技术中的至少一种神经网络模型加以实现,本申请对上述各模型的网络结构不作任何限定。
示例性的,对话状态追踪模型可以采用以下方式训练得到:获取第一训练数据集;其中,第一训练数据集中包括不同第一训练会话数据在意图类别空间下的训练运维向量、在训练会话数据的生成时刻下的当前状态数据,以及生成时刻对应历史时刻下的历史状态数据;根据训练运维向量、历史状态数据和当前状态数据,对预先构建的对话状态追踪模型进行模型训练。
其中,意图类别空间,可以理解为向量维度明显低于第一训练会话数据的特征维度的结构化空间;训练运维向量可以理解为意图类别空间下,用于表征对系统进行不同运维类别的运维处理的特征向量。当前状态数据用于表征第一训练会话数据的生成时刻下运维需求方的对话状态;历史状态数据用于表征生成时刻对应历史时刻下运维需求方的会话状态。
其中,第一训练会话数据可以理解为作为训练样本的训练运维需求方的运维会话数据;训练运维向量可以通过对第一训练会话数据进行特征提取,并将所提取特征,映射至意图类别空间得到。当前状态数据和历史状态数据可以通过人工标注等方式得到。
可选地,可以将训练运维向量和历史状态数据输入至对话状态追踪模型,得到当前时刻下的预测状态数据;根据预测状态数据与当前状态数据之间的第一差异情况,对对话状态追踪模型的网络参数进行迭代训练,直至满足第一迭代终止条件。
在一个可选实现方式中,可以采用第一预设损失函数,根据预测状态数据和当前状态数据,确定第一损失数据,从而通过第一损失数据进行上述第一差异情况的数值量化。其中,第一预设损失函数可以采用相关技术中的至少一种加以实现;第一迭代终止条件可以是模型收敛(如模型精度达到第一预设阈值或第一损失数据趋于平稳等)或达到预设迭代次数等。其中,预设迭代次数可以由技术人员根据需要或经验进行设定,或通过大量实验调整确定。
示例性的,对话策略模型可以采用以下方式训练得到:获取第二训练数据集;其中,第二训练数据集中包括不同第二训练会话数据的生成时刻下的当前状态数据和生成时刻的训练回复特征;根据当前状态数据和训练回复特征,对预先构建的对话策略模型进行模型训练。
其中,第二训练会话数据可以理解为作为训练样本的训练运维需求方的运维会话数据。其中,第二训练数据集中的第二训练会话数据,与第一训练数据集中的第一训练数据两者可以相同或至少部分不同,本申请对此不再任何限定。当前状态数据用于表征第二训练会话数据的生成时刻下运维需求方的对话状态。其中,训练回复特征可以理解为训练回复内容的结构化特征表示,可以通过对训练回复内容进行特征提取得到,本申请对具体所采用的特征提取方式不作任何限定。其中,训练回复内容可以采用人工标注等方式得到。
可选地,可以将当前状态数据输入至对话策略模型,得到当前时刻下的预测回复特征;根据预测回复特征与训练回复特征之间的第二差异情况,对对话策略模型进行迭代训练,直至满足第二迭代终止条件。
在一个可选实现方式中,可以采用第二预设损失函数,根据预测回复特征和训练回复特征,确定第二损失数据,从而通过第二损失数据进行上述第二差异情况的数值量化。其中,第二预设损失函数可以采用相关技术中的至少一种加以实现;第二迭代终止条件可以是模型收敛(如模型精度达到第二预设阈值或第二损失数据趋于平稳等)或达到预设迭代次数等。其中,预设迭代次数可以由技术人员根据需要或经验进行设定,或通过大量实验调整确定。值得注意的是,第二损失函数与第一损失函数两者可以相同或不同,第二迭代终止与第一迭代终止条件两者可以相同或不同,本申请对此不作任何限定。
上述确定目标回复内容的可选实施方式,通过引入对话状态追踪模型进行目标状态数据,从而能够有效预测在运维需求方的运维会话数据的当前生成时刻下的会话状态(也即目标状态数据),并引入对话策略模型根据预测的会话状态,进行当前生成时刻的目标回复特征,从而使得所生成的目标回复特征与当前生成时刻的运维需求的契合度更高,并通过引入自然语言生成模型,将目标回复特征转化为语义清晰、可读性更好的目标回复内容,提高了用户友好性,便于交互。
本申请实施例通过确定运维会话数据所属的目标意图类别,辅助进行目标类别向量的确定,并根据目标类别向量确定目标回复内容,从而能够消除运维会话数据描述方式的差异,达到了相同目标意图类别的运维会话数据,确定出相同的目标回复内容的效果,提高了运维处理过程对运维会话数据的描述方式的泛化能力,有助于提高运维处理结果的准确度。
在上述各实施例的技术方案的基础上,本申请还提供了一个可选实施例,在该可选实施例中,对S310的目标意图类别确定过程进行了优化改进。需要说明的是,在本申请实施例中未详述部分,可参见其他实施例的相关表述,在此不再赘述。
参见图4所示的一种目标意图类别确定方法,包括:
S410、对运维会话数据进行特征提取,得到初始会话特征。
其中,初始会话特征可以理解为运维会话数据中所携带的与运维处理相关的数据特征。
可选地,可以直接对运维会话数据进行编码处理,得到初始会话特征;或者可选地,还可以对运维会话数据进行编码处理,并对编码处理结果进行特征提取,消除无关信息的影响,得到初始会话特征。其中,编码处理可以采用相关技术中的至少一种编码方式加以实现,特征提取可以采用相关技术中的至少一种特征提取方式加以实现,本申请对此不作任何限定。
为了提高目标意图类别确定过程中,对不同类型的运维会话识别的适配能力,在一个可选实施例中,若运维会话数据为文本类型数据,则直接对运维会话数据进行特征提取,得到初始会话特征;若运维会话数据为语音类型数据,则将运维会话数据转化为文本类型数据,并对转化结果进行特征提取,得到初始会话特征。这样做的好处在于,再进行目标意图类别确定过程中,能够适配不同类型,如文本类型和语音类型的运维会话数据,提高了目标意图类别确定过程的灵活性和普适性。
S420、根据初始会话特征和预设的第一对应关系,确定与初始会话特征对应的参考会话特征;其中,第一对应关系包括不同参考会话特征与意图类别之间的对应关系。
S430、将与初始会话特征对应的参考会话特征所属的意图类别,作为目标意图类别。
其中,参考会话特征可以是预先设置好的从已知运维会话中提取出的,与运维处理相关的数据特征;意图类别用于表征参考会话特征对应的运维意图。
其中,初始会话特征对应的参考会话特征,可以理解为与初始会话特征的相似度大于预设相似度阈值、或者在全量参考会话特征中相似度较高(如最高)的参考会话特征。其中,相似度可以采用相关技术中的至少一种相似度确定方式加以实现,预设相似度阈值可以由技术人员根据需要或经验值进行设置或调整。
需要说明的是,上述第一对应关系中相同参考会话特征通常对应相同的意图类别;不同参考会话特征可以对应相同或不同的意图类别。为了减少第一对应关系的数据量,通常,不同第一参考会话特征对应不同的意图类别。
在一个可选实施例中,第一对应关系可以人为构建或采用相关技术中的至少一种加以实现。
为了提高第一对应关系的合理性和有效性,在另一可选实施例中,可以采用以下方式进行第一对应关系的构建:获取第一会话数据集,第一会话数据集中包括多个第一会话数据以及每个第一会话数据所属的意图类别;对每个第一会话数据分别进行特征提取,得到相应的第一会话特征;将属于同一意图类别的第一会话数据所对应的第一会话特征进行特征融合,得到每个意图类别下的参考会话特征;基于每个意图类别下的参考会话特征,建立第一对应关系。
其中,第一会话数据可以理解为在进行第一对应关系构建时所采用的已知的运维会话数据,并非本次进行运维处理所获取的运维会话数据。其中,第一会话特征可以理解为从第一会话数据中进行特征提取,得到的与运维处理相关的数据特征。
在一个可选实施例中,针对任一第一会话数据,若该第一会话数据为文本类型数据,则直接对该第一会话数据进行特征提取,得到相应的第一会话特征;若该第一会话数据为语音类型数据,则将该第一会话数据转化文文本类型数据,并对转化结果进行特征提取,得到相应的第一会话特征。这样做的好处在于,可以在第一会话数据集收集的过程中,能够适配不同类型的第一会话数据,提高了第一会话数据集获取的便捷性和灵活性,从而提高了第一对应关系构建过程的便捷性。
示例性的,针对任一第一会话数据,可以采用预先训练好的特征提取网络,对该第一会话数据进行特征提取,得到第一会话特征,以供第一对应关系的建立。其中,特征提取网络可以在类别预测模型中与其他网络联合训练得到。其中,类别预测网络包括顺次连接的特征提取网络、特征映射网络和分类网络。可选地,在训练过程中,可以将采用特征提取网络对训练会话数据进行特征提取;采用特征映射网络将特征提取结果映射至意图类别空间;采用分类网络对意图映射结果进行分类,得到预测意图类别;根据训练会话数据的预设意图类别与对应预先标注的标准意图类别之间的差异情况,对特征提取网络、特征映射网络和分类网络进行迭代训练;直至满足迭代终止条件。其中,迭代终止条件可以是满足预设迭代次数或模型整体趋于收敛等,本申请对此不作任何限定。
相应的,前述对运维会话数据进行特征提取时,可以采用上述训练方式所得的特征提取网络加以实现,本申请对此不作任何限定。
在一个可选实施例中,可以通过将属于同一意图类别的第一会话数据所对应的第一会话特征进行加权平均,得到每个意图类别下的参考会话特征。其中,不同第一会话特征的权重可以相同或至少部分不同,本申请对此不作任何限定。
可以理解的是,由于相同的意图类别下,可能由于表述方式的不同,存在不同的第一会话数据,因此,可以将属于同一意图类别的第一会话数据所对应的各第一会话特征进行特征融合,从而得到每个意图类别下的参考会话特征,使得参考会话特征能够融合不同表述方式下的第一会话特征的共性特征和差异特征,提高了参考会话特征中所携带信息的丰富性和多样性,从而提高了目标意图类别确定结果对运维会话数据的不同表述方式的泛化能力。
本申请实施例通过预先引入包括不同参考对话特征与意图类别之间的第一对应关系,确定运维会话数据的初始会话特征对应的目标意图类别,从而通过第一对应关系查找匹配的方式,替代对运维会话数据的复杂处理,提高了目标意图类别确定过程的便捷性。同时,在不同运维会话数据的运维处理过程中,可以共用第一对应关系,便于实现对不同运维会话数据的并行处理,有助于提高对大量运维会话数据的数据处理效率。
在上述各实施例的技术方案的基础上,在一个可选实施例中,可以将S320的目标类别向量确定过程,进一步细化为包括:根据目标意图类别和预设的第二对应关系,将与目标意图类别对应的运维类别向量作为目标类别向量;其中,第二对应关系包括不同意图类别与不同运维类别向量之间的对应关系。其中,第二对应关系可以采用相关技术中的至少一种方式构建得到,本申请对此不作任何限定。
可选地,第二对应关系还可以采用以下方式构建得到:获取第二会话数据集,第二会话数据集中包括多个第二会话数据以及每个第二会话数据所属的意图类别;对每个第二会话数据分别进行特征提取,得到相应的第二会话特征;将属于同一意图类别的第二会话数据对应的第二会话特征映射至意图类别空间下相同的运维类别向量;基于每个意图类别下的运维类别向量,建立第二对应关系。
其中,第二会话数据可以理解为在进行第二对应关系构建时所采用的已知的运维会话数据,并非本次进行运维处理所获取的运维会话数据。第二会话数据集对应的各第二会话数据与前述第一会话数据集对应的各第一会话数据,可以相同或至少部分不同,本申请对此不作任何限定。
其中,意图类别用于表征第二会话数据对应的对系统的运维意图;意图类别空间,可以理解为向量维度明显低于第二会话数据的特征维度的结构化空间;运维类别向量可以理解为意图类别空间下,用于表针对系统进行不同运维类别的运维处理的特征向量。
示例性的,针对任一第二会话数据,可以采用预先训练好的特征提取网络对该第二会话数据进行特征提取,得到第二会话特征;采用预先训练好的特征映射网络,将第二会话特征映射至意图类别空间,得到运维类别向量。
其中,特征提取网络和特征映射网络可以在类别预测模型中联合迭代训练得到。其中,类别预测模型包括顺次连接的特征提取网络、特征映射网络和分类网络。可选地,在训练过程中,可以将采用特征提取网络对训练会话数据进行特征提取;采用特征映射网络将特征提取结果映射至意图类别空间;采用分类网络对意图映射结果进行分类,得到预测意图类别;根据训练会话数据的预设意图类别与对应预先标注的标准意图类别之间的差异情况,对特征提取网络、特征映射网络和分类网络进行迭代训练;直至满足迭代终止条件。其中迭代终止条件可以是满足预设迭代次数或模型整体趋于收敛等,本申请对此不作任何限定。
在一个可选实施例中,针对任一第二会话数据,若该第二会话数据为文本类型数据,则直接对该第二会话数据进行特征提取,得到相应的第二会话特征;若该第二会话数据为语音类型数据,则将该第二会话数据转化为文本类型数据,并对转换结果进行特征提取,得到相应的第二会话特征。这样做的好处在于,可以在第二会话数据集收集的过程中,能够适配不同类型的第二会话数据,提高了第二会话数据集获取的便捷性和灵活性,从而提高了第二对应关系构建过程的便捷性。
可以理解的是,上述技术方案通过将相同意图类别下第二会话数据对应的第二会话特征,映射至特征维度较小的意图类别空间下的相同的运维类别向量,从而实现了对相同意图类别但表述方式不同的第二会话数据的意图归类,减少了相同意图类别下运维类别向量的数据量,从而减少了第二对应关系的数据运算量,进而提高了后续基于第二对应关系进行目标类别向量确定的确定效率和确定结果准确度。
本申请实施例通过引入预先构建好的不同意图类别与不同运维类别向量之间的第二对应关系,确定运维会话数据对应的目标类别向量,从而通过第二对应关系查找匹配的方式,替代对运维会话数据的复杂处理,提高了目标类别向量确定过程的便捷性。同时在不同运维会话数据的运维处理过程中,可以共用第二对应关系,便于实现对不同运维会话数据的并行处理,有助于提高大量运维会话数据的数据处理效率。
在上述各实施例的技术方案的基础上,本申请还提供了一个进行运维处理的可选实施例。需要说明的是,在本申请实施例中未详述部分,可参见其他实施例的相关表述,在此不再赘述。
参见图5所示的一种运维处理方法,包括:
S501、获取运维需求方输入的运维会话数据;其中,运维会话数据包括当前时刻的当前会话数据和当前时刻相关的历史时刻的历史会话数据。
其中,不同时刻的会话数据可以由运维人员采用ChatOps(Chat Operations,聊天操作)方式在人机交互界面中录入。
S502、对运维会话数据进行特征提取,得到初始会话特征。
S503、根据初始会话特征和预设的第一对应关系,将与初始会话特征对应的参考会话特征所属的意图类别,作为目标意图类别。
S504、根据目标意图类别和预设的第二对应关系,将与目标意图类别对应的运维类别向量,作为目标类别向量。
其中,第一对应关系包括不同参考会话特征与意图类别之间的对应关系;第二对应关系包括不同意图类别与不同运维类别向量之间的对应关系。
示例性的,第一对应关系和第二对应关系,可以采用以下方式联合确定:获取参考会话数据集;其中,会话数据集中包括多个参考会话数据以及各参考会话数据所属的意图类别;对各参考会话数据进行特征提取,得到相应的第一会话特征;将属于同一意图类别的参考会话数据对应的第一会话特征,进行特征融合,得到每个意图类别下的参考会话特征;将各参考会话特征分别映射至意图类别空间中不同的运维类别向量;根据运维类别向量确定相应的参考会话数据的意图类别;建立不同参考会话特征与不同意图类别之间的第一对应关系,以及建立不同意图类别与不同运维类别向量之间的第二对应关系。
在一个可选实现方式中,可以获取训练会话集;其中,训练会话集中包括多个训练会话数据和预先标注好的各训练会话数据所属的标准意图类别;其中,相同意图类别下的训练会话数据对应的会话表述不同;将训练会话数据输入至预先构建的类别预测模型,得到预测意图类别;根据预测意图类别与标准意图类别之间的差异情况,对预先构建的类别预测模型进行迭代训练,直至模型收敛。
示例性的,类别预测模型包括顺次连接的特征提取网络、特征映射网络和分类网络。相应的,将采用特征提取网络对训练会话数据进行特征提取;采用特征映射网络将特征提取结果映射至意图类别空间;采用分类网络对意图映射结果进行分类,得到预测意图类别。
可选地,采用特征映射网络将特征提取结果向意图类别空间进行特征映射时,可以根据不同特征提取结果进行聚类(如通过特征之间的距离进行归类),将相同类别的特征提取结果映射至意图类别空间中的相同特征,将不同类别的特征提取结果映射至意图类别空间中的不同特征。
相应的,第一对应关系和第二对应关系构建过程中,可以将会话数据集中的参考会话数据,输入至训练好的特征提取网络,得到各参考会话数据对应的第一会话特征;将相同意图类别的第一会话特征进行特征融合,得到相应意图类别下的参考会话特征;将参考会话特征输入至训练好的特征映射网络,得到相应的运维类别向量;将运维类别向量输入至训练好的分类网络,得到预测意图类别。选取预测意图类别与预先标注好的意图类别相同的参考会话数据;并将所选取的参考会话数据的参考会话特征与相应意图类别之间建立第一对应关系,将所选取的参考会话数据的运维类别向量与意图类别之间建立第二对应关系。
S505、基于对话状态追踪模型,根据目标类别向量,确定目标状态数据。
示例性的,对话状态追踪模型可以采用以下方式训练得到:获取第一训练数据集;其中,第一训练数据集中包括不同第一训练会话数据在意图类别空间下的训练运维向量、在训练会话数据的生成时刻下的当前状态数据,以及生成时刻对应历史时刻下的历史状态数据;将训练运维向量、历史状态数据输入至对话状态追踪模型,得到当前时刻下的预测状态数据;根据预测状态数据与当前状态数据之间的第一差异情况,对对话状态追踪模型的网络参数进行迭代训练,直至模型收敛。
S506、基于对话策略模型,根据目标状态数据,确定目标回复特征。
示例性的,对话策略模型可以采用以下方式训练得到:获取第二训练数据集;其中,第二训练数据集中包括不同第二训练会话数据的生成时刻下的当前状态数据和生成时刻的训练回复特征;将当前状态数据输入至预先构建的对话策略模型,得到当前时刻下的预测回复特征;根据预测回复特征与训练回复特征之间的第二差异情况,对对话策略模型进行迭代训练,直至模型收敛。
S507、基于自然语言生成模型,根据目标回复特征,确定目标回复内容。
S508、向运维需求方输出目标回复内容,并获取运维需求方对目标回复内容的回复反馈数据;其中,回复反馈数据为接受类别反馈或拒绝类别反馈。
S509、根据回复反馈数据,确定系统的目标运维指令,并根据目标运维指令,对系统执行运维处理。
S510、根据回复反馈数据,统计不同类别反馈的占比,并输出回复反馈占比。
S511、将接受类别的回复反馈数据对应的运维会话数据和目标回复内容同步至知识库中,以供后续查找使用。
值得注意的是,本申请上述各实施例中涉及到的不同对应关系建立的执行设备、进行模型训练的执行设备与执行运维处理方法的执行设备,三者可以相同或至少部分不同,本申请对此不作任何限定。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的运维处理方法的运维处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个运维处理装置实施例中的具体限定可以参见上文中对于运维处理方法的限定,在此不再赘述。
在一个示例性的实施例中,如图6所示,提供了一种运维处理装置,包括:运维会话获取模块610、回复内容确定模块620、运维指令确定模块630和运维处理执行模块640。其中,
运维会话获取模块610,用于获取运维会话数据;其中,运维会话数据包括当前会话数据和当前会话数据的历史会话数据;
回复内容确定模块620,用于根据运维会话数据,确定目标回复内容;
运维指令确定模块630,用于根据目标回复内容,确定系统的目标运维指令;
运维处理执行模块640,用于根据目标运维指令,对系统执行运维处理。
本申请实施例通过包括当前会话数据和当前会话数据的历史会话数据的运维会话数据,进行目标回复内容的自动化确定,并根据目标回复内容,自动化进行系统的目标运维指令的确定,从而根据所确定的目标运维指令,实现对系统的运维处理,整个过程无需专业的运维人员的介入,降低了对运维人员的专业门槛,从而降低了运维过程的人力成本,同时还避免了由于运维人员专业素养或个人主观意识等因素,对运维效率和运维效果的影响,进而提高了运维效率和运维结果准确度。
在一个可选实施例中,回复内容确定模块620,包括:意图类别确定单元,用于根据运维会话数据,确定运维会话数据所属的目标意图类别;其中,目标意图类别对应表征对系统的运维意图;类别向量确定单元,用于根据目标意图类别,确定运维会话数据对应的目标类别向量;回复内容确定单元,用于根据目标类别向量,确定目标回复内容。
在一个可选实施例中,意图类别确定单元,包括:特征提取子单元,用于对运维会话数据进行特征提取,得到初始会话特征;对应特征确定子单元,用于根据初始会话特征和预设的第一对应关系,确定与初始会话特征对应的参考会话特征;其中,第一对应关系包括不同参考会话特征与意图类别之间的对应关系;意图类别确定子单元,用于将与初始会话特征对应的参考会话特征所属的意图类别,作为目标意图类别。
在一个可选实施例中,第一对应关系采用以下方式构建得到:获取第一会话数据集,第一会话数据集包括多个第一会话数据以及每个第一会话数据所属的意图类别;对每个第一会话数据分别进行特征提取,得到相应的第一会话特征;将属于同一意图类别的第一会话数据所对应的第一会话特征进行特征融合,得到每个意图类别下的参考会话特征;基于每个意图类别下的参考会话特征,建立第一对应关系。
在一个可选实施例中,类别向量确定单元,包括:类别向量确定子单元,用于根据目标意图类别和预设的第二对应关系,将与目标意图类别对应的运维类别向量作为目标类别向量;其中,第二对应关系包括不同意图类别与不同运维类别向量之间的对应关系。
在一个可选实施例中,回复内容确定单元,包括:状态追踪子单元,用于基于对话状态追踪模型,根据目标类别向量,确定目标状态数据;回复特征确定子单元,用于基于对话策略模型,根据目标状态数据,确定目标回复特征;回复内容确定子单元,用于基于自然语言生成模型,根据目标回复特征,确定目标回复内容。
上述运维处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种运维处理方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,可选地计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取运维需求方提供的运维会话数据;其中,运维会话数据包括当前会话数据和当前会话数据的历史会话数据;根据运维会话数据,确定目标回复内容;根据目标回复内容,确定系统的目标运维指令;根据目标运维指令,对系统执行运维处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据运维会话数据,确定运维会话数据所属的目标意图类别;其中,目标意图类别对应表征对系统的运维意图;根据目标意图类别,确定运维会话数据对应的目标类别向量;根据目标类别向量,确定目标回复内容。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:对运维会话数据进行特征提取,得到初始会话特征;根据初始会话特征和预设的第一对应关系,确定与初始会话特征对应的参考会话特征;其中,第一对应关系包括不同参考会话特征与意图类别之间的对应关系;将与初始会话特征对应的参考会话特征所属的意图类别,作为目标意图类别。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:获取第一会话数据集,第一会话数据集包括多个第一会话数据以及每个第一会话数据所属的意图类别;对每个第一会话数据分别进行特征提取,得到相应的第一会话特征;将属于同一意图类别的第一会话数据所对应的第一会话特征进行特征融合,得到每个意图类别下的参考会话特征;基于每个意图类别下的参考会话特征,建立第一对应关系。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:根据目标意图类别和预设的第二对应关系,将与目标意图类别对应的运维类别向量作为目标类别向量;其中,第二对应关系包括不同意图类别与不同运维类别向量之间的对应关系。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:获取第二会话数据集,第二会话数据集包括多个第二会话数据以及每个第二会话数据所属的意图类别;对每个第二会话数据分别进行特征提取,得到相应的第二会话特征;将属于同一意图类别的第二会话数据对应的第二会话特征映射至意图类别空间下相同的运维类别向量;基于每个意图类别下的运维类别向量,建立第二对应关系。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:基于对话状态追踪模型,根据目标类别向量,确定目标状态数据;基于对话策略模型,根据目标状态数据,确定目标回复特征;基于自然语言生成模型,根据目标回复特征,确定目标回复内容。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:获取第一训练数据集;其中,第一训练数据集中包括不同第一训练会话数据在意图类别空间下的训练运维向量、在训练会话数据的生成时刻下的当前状态数据,以及生成时刻对应历史时刻下的历史状态数据;根据训练运维向量、历史状态数据和当前状态数据,对预先构建的对话状态追踪模型进行模型训练。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:获取第二训练数据集;其中,第二训练数据集中包括不同第二训练会话数据的生成时刻下的当前状态数据和生成时刻的训练回复特征;根据当前状态数据和训练回复特征,对预先构建的对话策略模型进行模型训练。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:向运维需求方输出目标回复内容,并获取运维需求方对目标回复内容的回复反馈数据;回复反馈数据为接受类别反馈或拒绝类别反馈;根据回复反馈数据,确定系统的目标运维指令。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:根据不同运维会话数据的回复反馈数据的类别分布,确定不同类别反馈的占比;向运维需求方输出占比。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:获取运维需求方提供的运维会话数据;其中,运维会话数据包括当前会话数据和当前会话数据的历史会话数据;根据运维会话数据,确定目标回复内容;根据目标回复内容,确定系统的目标运维指令;根据目标运维指令,对系统执行运维处理。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:根据运维会话数据,确定运维会话数据所属的目标意图类别;其中,目标意图类别对应表征对系统的运维意图;根据目标意图类别,确定运维会话数据对应的目标类别向量;根据目标类别向量,确定目标回复内容。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:对运维会话数据进行特征提取,得到初始会话特征;根据初始会话特征和预设的第一对应关系,确定与初始会话特征对应的参考会话特征;其中,第一对应关系包括不同参考会话特征与意图类别之间的对应关系;将与初始会话特征对应的参考会话特征所属的意图类别,作为目标意图类别。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:获取第一会话数据集,第一会话数据集包括多个第一会话数据以及每个第一会话数据所属的意图类别;对每个第一会话数据分别进行特征提取,得到相应的第一会话特征;将属于同一意图类别的第一会话数据所对应的第一会话特征进行特征融合,得到每个意图类别下的参考会话特征;基于每个意图类别下的参考会话特征,建立第一对应关系。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:根据目标意图类别和预设的第二对应关系,将与目标意图类别对应的运维类别向量作为目标类别向量;其中,第二对应关系包括不同意图类别与不同运维类别向量之间的对应关系。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:获取第二会话数据集,第二会话数据集包括多个第二会话数据以及每个第二会话数据所属的意图类别;对每个第二会话数据分别进行特征提取,得到相应的第二会话特征;将属于同一意图类别的第二会话数据对应的第二会话特征映射至意图类别空间下相同的运维类别向量;基于每个意图类别下的运维类别向量,建立第二对应关系。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:基于对话状态追踪模型,根据目标类别向量,确定目标状态数据;基于对话策略模型,根据目标状态数据,确定目标回复特征;基于自然语言生成模型,根据目标回复特征,确定目标回复内容。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:获取第一训练数据集;其中,第一训练数据集中包括不同第一训练会话数据在意图类别空间下的训练运维向量、在训练会话数据的生成时刻下的当前状态数据,以及生成时刻对应历史时刻下的历史状态数据;根据训练运维向量、历史状态数据和当前状态数据,对预先构建的对话状态追踪模型进行模型训练。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:获取第二训练数据集;其中,第二训练数据集中包括不同第二训练会话数据的生成时刻下的当前状态数据和生成时刻的训练回复特征;根据当前状态数据和训练回复特征,对预先构建的对话策略模型进行模型训练。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:向运维需求方输出目标回复内容,并获取运维需求方对目标回复内容的回复反馈数据;回复反馈数据为接受类别反馈或拒绝类别反馈;根据回复反馈数据,确定系统的目标运维指令。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:根据不同运维会话数据的回复反馈数据的类别分布,确定不同类别反馈的占比;向运维需求方输出占比。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:获取运维需求方提供的运维会话数据;其中,运维会话数据包括当前会话数据和当前会话数据的历史会话数据;根据运维会话数据,确定目标回复内容;根据目标回复内容,确定系统的目标运维指令;根据目标运维指令,对系统执行运维处理。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:根据运维会话数据,确定运维会话数据所属的目标意图类别;其中,目标意图类别对应表征对系统的运维意图;根据目标意图类别,确定运维会话数据对应的目标类别向量;根据目标类别向量,确定目标回复内容。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:对运维会话数据进行特征提取,得到初始会话特征;根据初始会话特征和预设的第一对应关系,确定与初始会话特征对应的参考会话特征;其中,第一对应关系包括不同参考会话特征与意图类别之间的对应关系;将与初始会话特征对应的参考会话特征所属的意图类别,作为目标意图类别。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:获取第一会话数据集,第一会话数据集包括多个第一会话数据以及每个第一会话数据所属的意图类别;对每个第一会话数据分别进行特征提取,得到相应的第一会话特征;将属于同一意图类别的第一会话数据所对应的第一会话特征进行特征融合,得到每个意图类别下的参考会话特征;基于每个意图类别下的参考会话特征,建立第一对应关系。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:根据目标意图类别和预设的第二对应关系,将与目标意图类别对应的运维类别向量作为目标类别向量;其中,第二对应关系包括不同意图类别与不同运维类别向量之间的对应关系。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:获取第二会话数据集,第二会话数据集包括多个第二会话数据以及每个第二会话数据所属的意图类别;对每个第二会话数据分别进行特征提取,得到相应的第二会话特征;将属于同一意图类别的第二会话数据对应的第二会话特征映射至意图类别空间下相同的运维类别向量;基于每个意图类别下的运维类别向量,建立第二对应关系。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:基于对话状态追踪模型,根据目标类别向量,确定目标状态数据;基于对话策略模型,根据目标状态数据,确定目标回复特征;基于自然语言生成模型,根据目标回复特征,确定目标回复内容。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:获取第一训练数据集;其中,第一训练数据集中包括不同第一训练会话数据在意图类别空间下的训练运维向量、在训练会话数据的生成时刻下的当前状态数据,以及生成时刻对应历史时刻下的历史状态数据;根据训练运维向量、历史状态数据和当前状态数据,对预先构建的对话状态追踪模型进行模型训练。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:获取第二训练数据集;其中,第二训练数据集中包括不同第二训练会话数据的生成时刻下的当前状态数据和生成时刻的训练回复特征;根据当前状态数据和训练回复特征,对预先构建的对话策略模型进行模型训练。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:向运维需求方输出目标回复内容,并获取运维需求方对目标回复内容的回复反馈数据;回复反馈数据为接受类别反馈或拒绝类别反馈;根据回复反馈数据,确定系统的目标运维指令。
在其中一个实施例中,该计算机程序被处理器执行时实现以下步骤:根据不同运维会话数据的回复反馈数据的类别分布,确定不同类别反馈的占比;向运维需求方输出占比。
需要说明的是,本申请所涉及的各数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种运维处理方法,其特征在于,包括:
获取运维需求方提供的运维会话数据;其中,所述运维会话数据包括当前会话数据和所述当前会话数据的历史会话数据;
根据所述运维会话数据,确定目标回复内容;
根据所述目标回复内容,确定系统的目标运维指令;
根据所述目标运维指令,对所述系统执行运维处理。
2.根据权利要求1所述的方法,其特征在于,所述根据所述运维会话数据,确定目标回复内容,包括:
根据所述运维会话数据,确定所述运维会话数据所属的目标意图类别;其中,所述目标意图类别对应表征对所述系统的运维意图;
根据所述目标意图类别,确定所述运维会话数据对应的目标类别向量;
根据所述目标类别向量,确定所述目标回复内容。
3.根据权利要求2所述的方法,其特征在于,所述根据所述运维会话数据,确定所述运维会话数据所属的目标意图类别,包括:
对所述运维会话数据进行特征提取,得到初始会话特征;
根据所述初始会话特征和预设的第一对应关系,确定与所述初始会话特征对应的参考会话特征;其中,所述第一对应关系包括不同参考会话特征与意图类别之间的对应关系;
将与所述初始会话特征对应的参考会话特征所属的意图类别,作为所述目标意图类别。
4.根据权利要求3所述的方法,其特征在于,所述第一对应关系采用以下方式构建得到:
获取第一会话数据集,所述第一会话数据集包括多个第一会话数据以及每个第一会话数据所属的意图类别;
对每个第一会话数据分别进行特征提取,得到相应的第一会话特征;
将属于同一意图类别的第一会话数据所对应的第一会话特征进行特征融合,得到每个所述意图类别下的参考会话特征;
基于每个所述意图类别下的参考会话特征,建立所述第一对应关系。
5.根据权利要求2所述的方法,其特征在于,所述根据所述目标意图类别,确定所述运维会话数据对应的目标类别向量,包括:
根据所述目标意图类别和预设的第二对应关系,将与所述目标意图类别对应的运维类别向量作为所述目标类别向量;其中,所述第二对应关系包括不同意图类别与不同运维类别向量之间的对应关系。
6.根据权利要求2-5任一项所述的方法,其特征在于,所述根据所述目标类别向量,确定所述目标回复内容,包括:
基于对话状态追踪模型,根据所述目标类别向量,确定目标状态数据;
基于对话策略模型,根据所述目标状态数据,确定所述目标回复特征;
基于自然语言生成模型,根据所述目标回复特征,确定所述目标回复内容。
7.一种运维处理装置,其特征在于,包括:
运维会话获取模块,用于获取运维会话数据;其中,所述运维会话数据包括当前会话数据和所述当前会话数据的历史会话数据;
回复内容确定模块,用于根据所述运维会话数据,确定目标回复内容;
运维指令确定模块,用于根据所述目标回复内容,确定系统的目标运维指令;
运维处理执行模块,用于根据所述目标运维指令,对所述系统执行运维处理。
8.一种运维设备,包括存储器和处理器,所述存储器存储有计算机程序,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6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311387522.7A CN117407504A (zh) | 2023-10-24 | 2023-10-24 | 运维处理方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311387522.7A CN117407504A (zh) | 2023-10-24 | 2023-10-24 | 运维处理方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117407504A true CN117407504A (zh) | 2024-01-16 |
Family
ID=89492178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311387522.7A Pending CN117407504A (zh) | 2023-10-24 | 2023-10-24 | 运维处理方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117407504A (zh) |
-
2023
- 2023-10-24 CN CN202311387522.7A patent/CN117407504A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111552880B (zh) | 基于知识图谱的数据处理方法、装置、介质及电子设备 | |
CN112052387B (zh) | 一种内容推荐方法、装置和计算机可读存储介质 | |
CN112364204A (zh) | 视频搜索方法、装置、计算机设备及存储介质 | |
CN114036398B (zh) | 内容推荐和排序模型训练方法、装置、设备以及存储介质 | |
CN111191133B (zh) | 业务搜索处理方法、装置及设备 | |
CN113761359B (zh) | 数据包推荐方法、装置、电子设备和存储介质 | |
CN113239159A (zh) | 基于关系推理网络的视频和文本的跨模态检索方法 | |
CN112597292B (zh) | 问题回复推荐方法、装置、计算机设备和存储介质 | |
CN116501979A (zh) | 信息推荐方法、装置、计算机设备及计算机可读存储介质 | |
CN116756281A (zh) | 知识问答方法、装置、设备和介质 | |
CN116522131A (zh) | 对象表示方法、装置、电子设备及计算机可读存储介质 | |
CN114579869B (zh) | 模型训练方法以及相关产品 | |
CN116775815B (zh) | 对话数据的处理方法、装置、电子设备及存储介质 | |
CN117112880A (zh) | 信息推荐、多目标推荐模型训练方法、装置和计算机设备 | |
CN117407504A (zh) | 运维处理方法、装置、设备、存储介质和程序产品 | |
CN116911304B (zh) | 一种文本推荐方法及装置 | |
CN114490996B (zh) | 意图识别方法、装置、计算机设备和存储介质 | |
CN115455306B (zh) | 推送模型训练、信息推送方法、装置和存储介质 | |
CN114417944B (zh) | 识别模型训练方法及装置、用户异常行为识别方法及装置 | |
CN117454146A (zh) | 运维策略确定方法、装置、机器人、存储介质和程序产品 | |
CN116861071A (zh) | 资讯推送方法、装置、计算机设备、存储介质和程序产品 | |
CN117407418A (zh) | 信息获取方法、装置、计算机设备、存储介质和程序产品 | |
CN117951383A (zh) | 一种信息智能推荐方法、装置、设备及存储介质 | |
CN116797319A (zh) | 基于语音交互的业务处理方法、装置、设备、介质和产品 | |
CN118069932A (zh) | 配置信息的推荐方法、装置、计算机设备 |
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 |