【技术实现步骤摘要】
本申请涉及人工智能，尤其涉及一种业务中台能力画像的预测模型构建方法、装置及存储介质。
技术介绍
1、业务中台能力画像，是对业务中台所具备的各种能力进行系统描述的画像，能够勾勒出业务中台在不同方面的能力特征，比如数据处理能力、流程整合能力、服务提供能力等。
2、而当前的业务中台能力画像方案，主要有四种：基于规则的业务中台能力画像构建方案、基于统计分析业务中台能力画像构建方案、基于传统机器学习模型的业务中台能力画像构建方案、基于自然语言处理(nlp)的业务中台能力画像构建方案。
3、但是，现有的业务中台能力画像方案对业务专家的知识和经验以及对原始数据质量和完整性的依赖较高。而在真实的业务场景中，业务中台的各个业务系统处于不停地更新迭代中，比如新的业务能力以及一些用户使用频率较低的能力，现有的业务中台能力画像方案难以适应业务系统的变化，会存在一些业务系统能力难以覆盖的情况。
技术实现思路
1、本申请的主要目的在于提供了一种业务中台能力画像的预测模型构建方法、装置及存储介质，旨在解决现有的业务中台能力画像方案难以适应业务系统的变化，会存在一些业务系统能力难以覆盖的技术问题。
2、为实现上述目的，本申请提出一种业务中台能力画像的预测模型构建方法，所述的方法包括：
3、对业务中台系统的系统运行数据进行预处理，得到标注数据；
4、通过预训练语言模型对所述标注数据执行预训练任务，得到特征提取器，所述预训练任务包括基于系统运行日志的日志预测
5、基于所述特征提取器提取的特征向量和所述标注数据，对贝叶斯网络进行迭代训练，得到业务中台能力画像的预测模型，所述贝叶斯网络为带不确定性预测的模型。
6、在一实施例中，所述通过预训练语言模型对所述标注数据执行预训练任务，得到特征提取器的步骤，包括：
7、根据预训练任务加载预训练语言模型，得到对应的任务预测模型；
8、将交叉熵损失作为损失函数；
9、基于所述标注数据，通过所述损失函数对所述任务预测模型进行优化，得到特征提取器；
10、根据所述特征提取器提取所述系统运行数据的特征向量。
11、在一实施例中，所述基于所述特征提取器提取的特征向量和所述标注数据，对贝叶斯网络进行迭代训练，得到业务中台能力画像的预测模型的步骤，包括：
12、根据所述特征提取器提取的特征向量和所述标注数据，以变分推断的证据下界作为最小化损失函数，对贝叶斯网络进行训练，得到不确定模型；
13、通过所述不确定模型在所述系统运行数据的待标注数据上进行推理，输出标签及不确定性；
14、根据所述标签和所述不确定性，对所述不确定模型进行迭代训练，得到业务中台能力画像的预测模型。
15、在一实施例中，所述根据所述标签和所述不确定性，对所述不确定模型进行迭代训练，得到业务中台能力画像的预测模型的步骤，包括：
16、根据所述不确定性对所述待标注数据进行人工标注，得到人工标注数据；
17、基于所述标签和所述人工标注数据对所述不确定模型进行训练，得到输出结果；
18、在所述输出结果未达到预设停止条件时，返回执行所述根据所述特征提取器提取的特征向量和所述标注数据，以变分推断的证据下界作为最小化损失函数，对贝叶斯网络进行训练的步骤；
19、直至所述输出结果达到所述预设停止条件时，将达到所述预设停止条件所对应的模型作为业务中台能力画像的预测模型。
20、在一实施例中，在所述预设停止条件为性能指标时，所述直至所述输出结果达到所述预设停止条件时，将达到所述预设停止条件所对应的模型作为业务中台能力画像的预测模型的步骤，包括：
21、确定所述业务中台系统中业务中台能力画像的真实数量；
22、根据所述真实数量和所述输出结果中业务中台能力画像的预测数量，确定画像覆盖度及准确率；
23、在所述画像覆盖度及准确率达到所述性能指标时，将达到所述性能指标所对应的模型作为业务中台能力画像的预测模型。
24、在一实施例中，所述对业务中台系统的系统运行数据进行预处理，得到标注数据的步骤，包括：
25、获取业务中台系统的系统运行数据，所述系统运行数据包括用户行为日志、系统基础数据、系统功能性数据和运维数据；
26、对所述用户行为日志、所述系统基础数据、所述系统功能性数据和所述运维数据分别进行数据清洗，得到清洗后的数据；
27、对所述清洗后的数据分别标注画像标签，得到标注数据。
28、此外，为实现上述目的，本申请还提出一种业务中台能力画像的预测模型构建装置，所述装置包括：
29、数据预处理模块，用于对业务中台系统的系统运行数据进行预处理，得到标注数据；
30、特征提取模块，用于通过预训练语言模型对所述标注数据执行预训练任务，得到特征提取器，所述预训练任务包括基于系统运行日志的日志预测以及日志与业务领域关联关系预测；
31、模型训练模块，用于基于所述特征提取器提取的特征向量和所述标注数据，对贝叶斯网络进行迭代训练，得到业务中台能力画像的预测模型，所述贝叶斯网络为带不确定性预测的模型。
32、此外，为实现上述目的，本申请还提出一种服务器，所述服务器包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的业务中台能力画像的预测模型构建方法的步骤。
33、此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质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如上文所述的业务中台能力画像的预测模型构建方法的步骤。
34、此外，为实现上述目的，本申请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，所述计算机程序被处理器执行时实现如上文所述的业务中台能力画像的预测模型构建方法的步骤。
35、本申请提出的一个或多个技术方案，至少具有以下技术效果：本申请首先对业务中台系统的系统运行数据进行预处理，得到标注数据；然后通过预训练语言模型对所述标注数据执行预训练任务，得到特征提取器，所述预训练任务包括基于系统运行日志的日志预测以及日志与业务领域关联关系预测；最后基于所述特征提取器提取的特征向量和所述标注数据，对贝叶斯网络进行迭代训练，得到业务中台能力画像的预测模型，所述贝叶斯网络为带不确定性预测的模型。由于本申请通过预训练后的特征提取器提取特征向量，并引入带不确定性预测的贝叶斯网络进行迭代训练，从而可通过构建的预测模型实现业务中台能力画像的迭代，避免了对业务专家的知识和经验以及对原始数据质量和完整性的依赖，实现了对各种业务系统能力的快速准确的智能画像分析。
本文档来自技高网...【技术保护点】
1.一种业务中台能力画像的预测模型构建方法，其特征在于，所述的方法包括：
2.如权利要求1所述的方法，其特征在于，所述通过预训练语言模型对所述标注数据执行预训练任务，得到特征提取器的步骤，包括：
3.如权利要求1所述的方法，其特征在于，所述基于所述特征提取器提取的特征向量和所述标注数据，对贝叶斯网络进行迭代训练，得到业务中台能力画像的预测模型的步骤，包括：
4.如权利要求3所述的方法，其特征在于，所述根据所述标签和所述不确定性，对所述不确定模型进行迭代训练，得到业务中台能力画像的预测模型的步骤，包括：
5.如权利要求4所述的方法，其特征在于，在所述预设停止条件为性能指标时，所述直至所述输出结果达到所述预设停止条件时，将达到所述预设停止条件所对应的模型作为业务中台能力画像的预测模型的步骤，包括：
6.如权利要求1至5中任一项所述的方法，其特征在于，所述对业务中台系统的系统运行数据进行预处理，得到标注数据的步骤，包括：
7.一种业务中台能力画像的预测模型构建装置，其特征在于，所述装置包括：
8.一种服
9.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述存储介质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如权利要求1至6中任一项所述的业务中台能力画像的预测模型构建方法的步骤。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的业务中台能力画像的预测模型构建方法的步骤。
...【技术特征摘要】
1.一种业务中台能力画像的预测模型构建方法，其特征在于，所述的方法包括：
2.如权利要求1所述的方法，其特征在于，所述通过预训练语言模型对所述标注数据执行预训练任务，得到特征提取器的步骤，包括：
3.如权利要求1所述的方法，其特征在于，所述基于所述特征提取器提取的特征向量和所述标注数据，对贝叶斯网络进行迭代训练，得到业务中台能力画像的预测模型的步骤，包括：
4.如权利要求3所述的方法，其特征在于，所述根据所述标签和所述不确定性，对所述不确定模型进行迭代训练，得到业务中台能力画像的预测模型的步骤，包括：
5.如权利要求4所述的方法，其特征在于，在所述预设停止条件为性能指标时，所述直至所述输出结果达到所述预设停止条件时，将达到所述预设停止条件所对应的模型作为业务中台能力画像的预测模型的步骤，包括：
6.如权利要求1至5中任一项所述的方...
【专利技术属性】
技术研发人员：王翠，赵昱，
申请(专利权)人：中移动信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。