分析服务模型性能检测方法、装置、存储介质及设备与流程

所属的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。下面参照图14来描述根据本公开的这种实施方式的电子设备1400。图14显示的电子设备1400仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。如图14所示，电子设备1400以通用计算设备的形式表现。电子设备1400的组件可以包括但不限于：上述至少一个处理单元1410、上述至少一个存储单元1420、连接不同系统组件(包括存储单元1420和处理单元1410)的总线1430。其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1410执行，使得所述处理单元1410执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元1410可以执行上述方法实施例的如下步骤：根据分析服务模型的分析服务数据，计算分析性能指标及单变量性能指标；根据所述分析性能指标，判断所述分析服务模型是否满足网络数据分析功能消费者的请求；若否，则根据所述单变量性能指标确定变量分析服务模型；根据收集的网络数据，训练所述变量分析服务模型。所述处理单元1410可以执行上述方法实施例的如下步骤：接收网络数据分析功能消费者发送的消费者偏好分析性能指标等级；根据所述消费者偏好分析性能指标等级及所述分析性能指标，判断所述分析服务模型是否满足网络数据分析功能消费者的请求。所述处理单元1410可以执行上述方法实施例的如下步骤：将所述分析性性能指标映射于偏好分析性能指标等级，生成实际偏好分析性能指标等级；当所述实际偏好分析性能指标等级小于所述消费者偏好分析性能指标等级，则所述分析服务模型不满足网络数据分析功能消费者的请求，否则，所述分析服务模型满足网络数据分析功能消费者的请求。所述处理单元1410可以执行上述方法实施例的如下步骤：根据所述单变量性能指标的数值，确定预测变量；根据所述预测变量确定所述变量分析服务模型。所述处理单元1410可以执行上述方法实施例的如下步骤：根据所述变量分析服务模型确定需要收集的网络数据；从数据源获取所述网络数据，训练所述变量分析服务模型。所述处理单元1410可以执行上述方法实施例的如下步骤：获取分析服务模型的分析服务数据；根据所述分析服务数据，基于聚合方法，计算分析准确率及单变量准确率。所述处理单元1410可以执行上述方法实施例的如下步骤：网络数据分析功能消费者向网络数据分析功能实体发送nnwdaf_analyticsinfo_request请求信息，其中，nnwdaf_analyticsinfo_request请求信息包括分析准确率参数和单变量准确率参数；网络数据分析功能实体向网络数据分析功能消费者返回nnwdaf_analyticsinfo_request response反馈信息。所述处理单元1410可以执行上述方法实施例的如下步骤：接收网络数据分析功能消费者发送的数据分析标识；根据数据分析标识，确定分析服务模型的分析服务数据。存储单元1420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)14201和/或高速缓存存储单元14202，还可以进一步包括只读存储单元(rom)14203。存储单元1420还可以包括具有一组(至少一个)程序模块14205的程序/实用工具14204，这样的程序模块14205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线1430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备1400也可以与一个或多个外部设备1440(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1400交互的设备通信，和/或与使得该电子设备1400能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1450进行。并且，电子设备1400还可以通过网络适配器1460与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器1460通过总线1430与电子设备1400的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

背景技术：

1、机器学习(ml)模型在推理分析阶段的性能指标低于ml模型在训练阶段的性能指标时，可能会造成错误的预测。错误的计算、不公平的反馈收集都有可能会影响ml模型的性能指标。ml模型可应用于移动网络、图像处理等。

2、目前，移动网络中针对每个分析服务类型分析输出整体分析结果，或分析子集并定义了准确率等级，即，低、中、高和最高4个等级，这难以准确地指导网络数据分析功能实体收集相关网络数据、选择合适的模型、以及调度所需的资源。例如，网络数据分析功能实体为某分析服务类型训练一个准确率等级为高的模型时有多个可选的分析服务模型，当前网络数据分析功能实体难以比较两个分析服务模型的优劣，进行恰当的选择。

3、此外，在对已有模型进行维护时，因缺少更为精细粒度的准确率，网络数据分析功能实体难以检测出需要提高性能指标的模型，并对其进行优化升级。例如，网络数据分析功能实体将两个准确率等级均为中级的模型提升至高级时，需要收集的数据内容、数据量大小可能有显著差异，但当前网络数据分析功能实体无法对此进行区分，造成了不必要的数据收集，网络资源被浪费。

4、需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本公开提供一种分析服务模型性能检测方法、装置、计算机存储介质及电子设备，至少在一定程度上克服相关技术中难以区分及优化需要提高性能指标的模型的问题。

2、本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

3、根据本公开的一个方面，提供了一种分析服务模型性能检测方法，其特征在于，应用于网络数据分析功能实体，包括：

4、根据分析服务模型的分析服务数据，计算分析性能指标及单变量性能指标；

5、根据所述分析性能指标，判断所述分析服务模型是否满足网络数据分析功能消费者的请求；

6、若否，则根据所述单变量性能指标确定变量分析服务模型；

7、根据收集的网络数据，训练所述变量分析服务模型。

8、在本公开的一个实施例中，还包括：

9、接收网络数据分析功能消费者发送的消费者偏好分析性能指标等级；

10、根据所述消费者偏好分析性能指标等级及所述分析性能指标，判断所述分析服务模型是否满足网络数据分析功能消费者的请求。

11、在本公开的一个实施例中，所述根据所述消费者偏好分析性能指标等级及所述分析性能指标，判断所述分析服务模型是否满足网络数据分析功能消费者的请求包括：

12、将所述分析性性能指标映射于偏好分析性能指标等级，生成实际偏好分析性能指标等级；

13、当所述实际偏好分析性能指标等级小于所述消费者偏好分析性能指标等级，则所述分析服务模型不满足网络数据分析功能消费者的请求，否则，所述分析服务模型满足网络数据分析功能消费者的请求。

14、在本公开的一个实施例中，所述根据所述分析性能指标，判断所述分析服务模型是否满足网络数据分析功能消费者的请求包括：

15、根据所述分析性能指标，判断所述分析服务模型是否满足网络数据分析功能消费者的请求包括，若是，则将所述分析服务模型发送给网络数据分析功能消费者。

16、在本公开的一个实施例中，所述根据所述单变量性能指标确定变量分析服务模型包括：

17、根据所述单变量性能指标的数值，确定预测变量；

18、根据所述预测变量确定所述变量分析服务模型。

19、在本公开的一个实施例中，所述根据收集的网络数据，训练所述变量分析服务模型包括：

20、根据所述变量分析服务模型确定需要收集的网络数据；

21、从数据源获取所述网络数据，训练所述变量分析服务模型。

22、在本公开的一个实施例中，所述分析性能指标包括：分析准确率、分析精确率、分析召回率或分析均方误差；

23、所述单变量性能指标包括：单变量准确率、单变量精确率、单变量召回率或单变量均方误差。

24、在本公开的一个实施例中，所述根据分析服务模型的分析服务数据，计算分析性能指标及单变量性能指标包括：

25、获取分析服务模型的分析服务数据；

26、根据所述分析服务数据，基于聚合方法，计算分析准确率及单变量准确率。

27、在本公开的一个实施例中，还包括：

28、接收网络数据分析功能消费者发送的数据分析标识；

29、根据数据分析标识，确定分析服务模型的分析服务数据。

30、在本公开的一个实施例中，所述分析服务数据包括预测变量、实际数据、预测数据。

31、根据本公开的另一个方面，还提供了一种分析服务模型性能检测装置，包括：

32、性能指标计算模块，根据分析服务模型的分析服务数据，计算分析性能指标及单变量性能指标；

33、分析服务模型判断模块，根据所述分析性能指标，判断所述分析服务模型是否满足网络数据分析功能消费者的请求；

34、分析服务模型确定模块，若否，则根据所述单变量性能指标确定变量分析服务模型；

35、分析服务模型训练模块，根据收集的网络数据，训练所述变量分析服务模型。

36、根据本公开的另一个方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述分析服务模型性能检测方法。

37、根据本公开的另一个方面，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上述任意一项所述的分析服务模型性能检测方法。

38、本公开的实施例所提供的分析服务模型性能检测方法、装置、计算机存储介质及电子设备，根据分析服务模型的分析服务数据，计算分析性能指标及单变量性能指标；将分析性能指标映射于偏好分析性能指标等级，生成实际偏好分析性能指标等级，当实际偏好分析性能指标等级小于消费者偏好分析性能指标等级时，分析服务模型不满足网络数据分析功能消费者的请求，根据单变量性能指标区分确定变量分析服务模型，收集对应预测变量的网络数据，训练变量分析服务模型，提高变量分析服务模型的性能指标，能更好地对移动网络的网络数据进行高效预测，从而为移动终端分配网络资源，既能提高用户体验度、又能避免过量的性能保证，尽量节约网络资源。

39、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。