基于大数据的微服务用户业务类型确定方法技术

本申请公开了一种基于大数据的微服务用户业务类型确定方法，微服务是一种面向服务的体系结构架构样式的一种变体，将应用程序构造为一组松散耦合的服务。在本申请中，该基于大数据的微服务用户业务类型确定方法采用基于统计模型的深度神经网络来进行微服务的用户业务分类，从用户发起的业务请求数据和其对应的上下文信息中深度挖掘数据的各个层面之间的统计关联以提高分类的准确性。这样，能更为准确地为特定类型的微服务类型分配适当的动态物理计算资源，避免计算资源的浪费或者避免计算资源的不足。

【技术实现步骤摘要】
基于大数据的微服务用户业务类型确定方法
本专利技术涉及大数据领域下的微服务业务类型分类，且更为具体地，涉及一种基于大数据的微服务用户业务类型确定方法、基于大数据的微服务用户业务类型确定系统和电子设备。
技术介绍
大数据一般定义为一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低等四大特征。微服务是一种面向服务的体系结构(SOA)架构样式的一种变体，将应用程序构造为一组松散耦合的服务。在微服务体系结构中，服务是细粒度的，协议是轻量级的。随着电信领域微服务的推进和应用，电信领域传统应用多，业务渠道繁多，微服务架构提高了应用的可扩展性并降低了系统开发和维护的难度。由于用户业务可以分为多种类型，在根据业务需求来动态调整服务资源时，首先需要考虑对用户业务类型进行精准的分类。但是，传统上在不同于微服务的“宏服务”中，由于不需要对于用户业务类型进行基于微服务的业务类型分类，电信运营商仅根据用户在请求业务时所发送的请求中的预定字段来进行业务分类，使得无法满足基于微服务的用户业务分类的需求。在分类不准确的情况下，会导致无法准确地为特定类型的微服务类型分配适当的动态物理计算资源，即，出现计算资源的浪费或者计算资源的不足的情况。因此，期待一种用于基于微服务的用户业务类型精确分类的技术方案。
技术实现思路
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于大数据的微服务用户业务类型确定方法、基于大数据的微服务用户业务类型确定系统和电子设备，基于统计模型的深度神经网络来进行微服务的用户业务分类，从用户发起的业务请求数据和其对应的上下文信息中深度挖掘数据的各个层面之间的统计关联以提高分类的准确性。这样，能更为准确地为特定类型的微服务类型分配适当的动态物理计算资源，避免计算资源的浪费或者避免计算资源的不足。根据本申请的一个方面，提供了一种基于大数据的微服务用户业务类型确定方法，其包括：获取用户发起的业务请求数据和与所述业务请求数据相对应的上下文信息，其中，所述上下文信息包括所述用户的用户画像数据、发起业务的请求时间信息和发起业务的请求地点信息；将所述业务请求数据输入语义理解模型以获得业务请求语义向量；将所述用户画像数据输入用于用户分类的分类器中，以获得用户画像特征向量；将所述请求时间信息中与时间相关的数据以特定顺序排列后输入编码器以获得时间输入向量；以隐马尔可夫模型将所述请求地点信息映射到高维特征空间中，以获得地点输入向量；将所述业务请求语义向量、所述用户画像特征向量、所述时间输入向量和所述地点输入向量转化为相同的长度并以向量维度拼接为输入矩阵；将所述输入矩阵通过深度卷积神经网络以获得特征图；以所述业务请求语义向量、所述用户画像特征向量、所述时间输入向量和所述地点输入向量作为查询向量分别与所述特征图进行矩阵相乘，以获得业务请求特征向量、用户特征向量、时间特征向量和地点特征向量；以及将所述业务请求特征向量、所述用户特征向量、所述时间特征向量和所述地点特征向量拼接后输入多标签分类器，以获得分类结果，其中，所述分类结果用于表示用户发起的业务请求所属的用户业务类型。根据本申请的另一方面，提供了一种基于大数据的微服务用户业务类型确定系统，其包括：信息获取单元，用于获取用户发起的业务请求数据和与所述业务请求数据相对应的上下文信息，其中，所述上下文信息包括所述用户的用户画像数据、发起业务的请求时间信息和发起业务的请求地点信息；业务请求语义向量生成单元，用于将所述信息获取单元获得的所述业务请求数据输入语义理解模型以获得业务请求语义向量；用户画像特征向量生成单元，用于将所述信息获取单元获得的所述用户画像数据输入用于用户分类的分类器中，以获得用户画像特征向量；时间输入向量生成单元，用于将所述信息获取单元获得的所述请求时间信息中与时间相关的数据以特定顺序排列后输入编码器以获得时间输入向量；地点输入向量生成单元，用于以隐马尔可夫模型将所述信息获取单元获得的所述请求地点信息映射到高维特征空间中，以获得地点输入向量；输入矩阵生成单元，用于将所述业务请求语义向量生成单元获得的所述业务请求语义向量、所述用户画像特征向量生成单元获得的所述用户画像特征向量、所述时间输入向量生成单元获得的所述时间输入向量和所述地点输入向量生成单元获得的所述地点输入向量转化为相同的长度并以向量维度拼接为输入矩阵；特征图生成单元，用于将所述输入矩阵生成单元获得的所述输入矩阵通过深度卷积神经网络以获得特征图；特征向量生成单元，用于以所述业务请求语义向量生成单元获得的所述业务请求语义向量、所述用户画像特征向量生成单元获得的所述用户画像特征向量、所述时间输入向量生成单元获得的所述时间输入向量和所述地点输入向量生成单元获得的所述地点输入向量作为查询向量分别与所述特征图生成单元获得的所述特征图进行矩阵相乘，以获得业务请求特征向量、用户特征向量、时间特征向量和地点特征向量；以及分类结果生成单元，用于将所述特征向量生成单元获得的所述业务请求特征向量、所述用户特征向量、所述时间特征向量和所述地点特征向量拼接后输入多标签分类器，以获得分类结果，其中，所述分类结果用于表示用户发起的业务请求所属的用户业务类型。在上述基于大数据的微服务用户业务类型确定系统中，所述业务请求语义向量生成单元，进一步用于：将所述业务请求数据输入双向长短期记忆模型以获得业务请求语义向量。在上述基于大数据的微服务用户业务类型确定系统中，所述用户画像特征向量生成单元，包括：用户画像输入向量生成子单元，用于提取所述用户画像数据中的各项属性值并将所述各项属性值构造为用户画像输入向量；以及，特征向量生成子单元，用于将所述用户画像输入向量生成子单元获得的所述用户画像输入向量输入用于用户分类的分类器中以获得用户画像特征向量，其中，所述用于用户分类的分类器包括一个或多个全连接层。在上述基于大数据的微服务用户业务类型确定系统中，所述时间输入向量生成单元，进一步用于：将所述请求时间信息中与时间相关的数据以“年、月、日、小时、分、秒”为顺序排列后输入编码器以获得时间输入向量，其中，所述编码器包括一个或多个全连接层。在上述基于大数据的微服务用户业务类型确定系统中，所述地点输入向量生成单元，包括：参考位置获取子单元，用于获取通信网络中与所述请求地点信息中的请求地点相邻近的参考位置；参考位置向量生成子单元，用于以所述隐马尔可夫模型将所述参考位置获取子单元获得的所述参考位置映射到高维特征空间中以获得参考位置向量；以及，映射子单元，用于基于所述参考位置获取子单元获得的所述参考位置和所述请求地点之间的实际物理距离以及所述参考位置向量生成子单元获得的所述参考位置向量和所述初始地点输入向量之间的向量距离之间的对应关系，以隐马尔可夫模型将所述请求地点信息映射到高维特征空间中以获得所本文档来自技高网...

【技术保护点】
1.一种基于大数据的微服务用户业务类型确定方法，其特征在于，包括：/n获取用户发起的业务请求数据和与所述业务请求数据相对应的上下文信息，其中，所述上下文信息包括所述用户的用户画像数据、发起业务的请求时间信息和发起业务的请求地点信息；/n将所述业务请求数据输入语义理解模型以获得业务请求语义向量；/n将所述用户画像数据输入用于用户分类的分类器中，以获得用户画像特征向量；/n将所述请求时间信息中与时间相关的数据以特定顺序排列后输入编码器以获得时间输入向量；/n以隐马尔可夫模型将所述请求地点信息映射到高维特征空间中，以获得地点输入向量；/n将所述业务请求语义向量、所述用户画像特征向量、所述时间输入向量和所述地点输入向量转化为相同的长度并以向量维度拼接为输入矩阵；/n将所述输入矩阵通过深度卷积神经网络以获得特征图；/n以所述业务请求语义向量、所述用户画像特征向量、所述时间输入向量和所述地点输入向量作为查询向量分别与所述特征图进行矩阵相乘，以获得业务请求特征向量、用户特征向量、时间特征向量和地点特征向量；以及/n将所述业务请求特征向量、所述用户特征向量、所述时间特征向量和所述地点特征向量拼接后输入多标签分类器，以获得分类结果，其中，所述分类结果用于表示用户发起的业务请求所属的用户业务类型。/n...

【技术特征摘要】
1.一种基于大数据的微服务用户业务类型确定方法，其特征在于，包括：
获取用户发起的业务请求数据和与所述业务请求数据相对应的上下文信息，其中，所述上下文信息包括所述用户的用户画像数据、发起业务的请求时间信息和发起业务的请求地点信息；
将所述业务请求数据输入语义理解模型以获得业务请求语义向量；
将所述用户画像数据输入用于用户分类的分类器中，以获得用户画像特征向量；
将所述请求时间信息中与时间相关的数据以特定顺序排列后输入编码器以获得时间输入向量；
以隐马尔可夫模型将所述请求地点信息映射到高维特征空间中，以获得地点输入向量；
将所述业务请求语义向量、所述用户画像特征向量、所述时间输入向量和所述地点输入向量转化为相同的长度并以向量维度拼接为输入矩阵；
将所述输入矩阵通过深度卷积神经网络以获得特征图；
以所述业务请求语义向量、所述用户画像特征向量、所述时间输入向量和所述地点输入向量作为查询向量分别与所述特征图进行矩阵相乘，以获得业务请求特征向量、用户特征向量、时间特征向量和地点特征向量；以及
将所述业务请求特征向量、所述用户特征向量、所述时间特征向量和所述地点特征向量拼接后输入多标签分类器，以获得分类结果，其中，所述分类结果用于表示用户发起的业务请求所属的用户业务类型。


2.根据权利要求1所述的基于大数据的微服务用户业务类型确定方法，其中，将所述业务请求数据输入语义理解模型以获得业务请求语义向量，包括：
将所述业务请求数据输入双向长短期记忆模型以获得业务请求语义向量。


3.根据权利要求1所述的基于大数据的微服务用户业务类型确定方法，其中，将所述用户画像数据输入用于用户分类的分类器中以获得用户画像特征向量，包括：
提取所述用户画像数据中的各项属性值并将所述各项属性值构造为用户画像输入向量；以及
将所述用户画像输入向量输入用于用户分类的分类器中以获得用户画像特征向量，其中，所述用于用户分类的分类器包括一个或多个全连接层。


4.根据权利要求1所述的基于大数据的微服务用户业务类型确定方法，其中，将所述请求时间信息中与时间相关的数据以特定顺序排列后输入编码器以获得时间输入向量，包括：
将所述请求时间信息中与时间相关的数据以“年、月、日、小时、分、秒”为顺序排列后输入编码器以获得时间输入向量，其中，所述编码器包括一个或多个全连接层。


5.根据权利要求1所述的基于大数据的微服务用户业务类型确定方法，其中，以隐马尔可夫模型将所述请求地点信息映射到高维特征空间中，以获得地点输入向量，包括：
获取通信网络中与所述请求地点信息中的请求地点相邻近的参考位置；
以所述隐马尔可夫模型将所述参考位置映射到高维特征空间中以获得参考位置向量；
基于所述参考位置和所述请求地点之间的实际物理距离以及所述参考位置向量和所述初始地点输入向量之间的向量距离之间的对应关系，以隐马尔可夫模型将所述请求地点信息映射到高维特征空间中以获得所述地点输入向量。


6.根据权利要求5所述的基于大数据的微服务用户业务类型确定方法，其中，所述参考位置为与所述请求地点邻近的...

【专利技术属性】
技术研发人员：吴信飞，
申请(专利权)人：杭州贺鲁科技有限公司，
类型：发明
国别省市：浙江;33