一种基于自然语言处理的公有云异常订单处理方法与流程

本发明涉及云计算，尤其是涉及一种基于自然语言处理的公有云异常订单处理方法。

背景技术：

1、近年来，随着云计算行业的快速发展，公有云的应用范围越来越广泛，不论是个人、企业、政府部门等在进行it系统应用部署时，都会选择云计算的模式。因此，公有云上的计算、存储、网络等各类资源的订购量也越来越大，这也带来了各种异常订单的出现，但是导致订单异常的原因是多样的，如云主机产品涉及到的可能是云管平台、计算、存储和网络等不同组件的原因。目前对于异常的订单，普遍采用的是通过用户主动提交工单，然后运维人员根据产品分类转送至对应组件值班人员，通过人工排查日志进行问题的定位分析和处理，然后反馈工单。这样人工流转的方式导致工单排查时效性不高，给运维管理工作带来不便，而且如果用户没有及时主动的提工单，也会造成异常订单处理的疏漏，让用户对公有云产品产生不好的体验，不利于长远发展。针对异常订单人工处理方式的不足，本专利主要通过定时自动获取订单的异常原因，并基于自然语言处理的方法对异常订单进行分类，自动分派至对应的值班运维人员，实现异常订单的全量高效处理，从而提升产品体验。

技术实现思路

1、本发明的目的是提供一种基于自然语言处理的公有云异常订单处理方法，通过自然语言处理对异常订单进行分类，并自动分派给相应的处理人员，保证异常订单的高效全量处理，并对不同类型的异常订单采取不同的处理策略。通过对异常订单的自动化分类、分派和处理，解决现有异常订单处理流程繁琐，人工流转时效性低，容易产生疏漏等问题。

2、本发明提供了一种基于自然语言处理的公有云异常订单处理方法，包括：

3、获取历史异常订单的第一异常原因数据；

4、对所述第一异常原因数据进行处理，得到训练数据集和测试数据集；

5、构建异常订单分类模型，所述异常订单分类模型为多尺度卷积神经网络-双向门控循环单元模型；

6、根据所述训练数据集和测试数据集对所述异常订单分类模型进行训练和测试，得到最优异常订单分类模型；

7、获取实时异常订单的第二异常原因数据；

8、基于所述第二异常原因数据，根据所述最优异常订单分类模型，确定所述实时异常订单的异常订单类型，所述异常订单类型包括卡单订单、失败订单和已撤销订单；

9、根据所述异常订单类型进行分派处理，实现异常订单的自动化处理。

10、在本技术的一些实施例中，获取历史异常订单的第一异常原因数据，包括：

11、当公有云订购流程中出现异常订单时，获取异常订单的异常原因和错误日志，将所述异常原因和错误日志存储于数据库异常订单表中，所述数据库异常订单表包括异常原因字段，所述异常原因字段用于存储异常订单的异常原因，且所述异常原因字段对应有唯一标识的工单号；

12、所述第一异常原因数据为所述异常原因字段存储的历史异常订单的异常原因。

13、在本技术的一些实施例中，对所述第一异常原因数据进行处理，得到训练数据集和测试数据集，包括：

14、预设停用词表；

15、基于所述停用词表，对所述第一异常原因数据进行分词和去停用词，得到异常原因分词集；

16、将所述异常原因分词集分为训练数据集和测试数据集。

17、在本技术的一些实施例中，对所述第一异常原因数据进行分词前还包括：

18、根据人工标注类型对所述第一异常原因数据进行人工标注；

19、人工标注类型为集合[0，1，2，3]，其中0对应云管平台，1对应计算，2对应存储，3对应网络。

20、在本技术的一些实施例中，构建异常订单分类模型，包括：

21、利用多尺度卷积神经网络对异常原因分词集进行卷积提取异常订单的第一特征；

22、基于所述第一特征，利用双向门控循环单元提取异常订单的输出特征；

23、基于softmax函数，根据所述输出特征构建异常订单分类模型。

24、在本技术的一些实施例中，利用多尺度卷积神经网络对异常原因分词集进行卷积提取异常订单的第一特征，包括：

25、所述异常原因分词集中的每个分词对应有词向量w1，w2，……，wm，则每个异常订单的异常原因对应的向量矩阵为s＝[w1，w2，……，wm]；

26、利用多尺度卷积神经网络对异常原因分词集进行卷积，得到特征矩阵；

27、其中，卷积计算方法为：

28、ci＝f(k·wi：i+d-1)+b；

29、其中，k为卷积核的大小，k∈rn×m，n为词向量的维度，d为卷积核的宽度，wi：i+d-1为i到i+d-1个分词组成的向量，b为偏置项；

30、所述特征矩阵为c＝[c1，c2，……，cm]；

31、将所述特征矩阵进行最大池化操作，得到第一特征；

32、所述第一特征的特征向量为q＝[q1，q2，……，qr]，其中r为卷积核的个数。

33、在本技术的一些实施例中，所述最大池化操作的计算方法为：

34、qi＝max([c1，c2，……，cm-d+1])。

35、在本技术的一些实施例中，利用双向门控循环单元提取异常订单的输出特征，包括：

36、将所述第一特征输入到两个gru中，得到t时刻正向gru的输出隐藏状态和t时刻反向gru的输出隐藏状态

37、根据所述t时刻正向gru的输出隐藏状态和t时刻反向gru的输出隐藏状态确定所述双向门控循环单元的输出隐藏状态ht，所述输出隐藏状态

38、根据所述双向门控循环单元的输出隐藏状态确定异常订单的输出特征；

39、其中，t时刻正向gru的输出隐藏状态和t时刻反向gru的输出隐藏状态的计算公式为：

40、

41、

42、xt为t时刻gru的输入，为前一时刻正向gru的输出隐藏状态，为前一时刻反向gru的输出隐藏状态。

43、在本技术的一些实施例中，所述gru的计算公式为：

44、rt＝σ(wr·[ht-1,xt])

45、zt＝σ(wz·[ht-1,xt])

46、

47、

48、rt为重置门，zt为更新门，wr为重置门的权重矩阵，wz为更新门的权重矩阵，为候选状态，为候选状态的权重矩阵，ht为当前隐藏层状态，xt为t时刻gru的输入，σ为激活函数。

49、在本技术的一些实施例中，所述异常订单分类模型的表达式为：

50、

51、其中，yi为异常订单，j为异常订单类型，k为异常原因分词集中每个异常订单的原因个数，si为异常订单的异常原因对应的向量矩阵，θ为异常订单的输出特征。

52、在本技术的一些实施例中，获取实时异常订单的第二异常原因数据，包括：

53、通过固定周期自动调用或者实时调用的方式从云管平台提供的接口中获取实时异常订单的订单信息，从订单信息中提取工单号，根据所述工单号在数据库异常订单表中获取异常原因字段。

54、在本技术的一些实施例中，根据所述异常订单类型进行分派处理之后，还包括：

55、若所述实时异常订单分派不正确，则将所述实时异常订单转入人工分派处理，并将所述实时异常订单的异常原因处理后作为训练数据集，对所述异常订单分类模型重新进行训练。

56、在本技术的一些实施例中，根据所述异常订单类型进行分派处理，包括：

57、若为卡单订单，则根据卡单订单的异常原因和错误日志处理故障；

58、若为失败订单，则根据失败订单的异常原因和错误日志分析失败原因，并增加撤单策略；

59、若为已撤销订单，则根据已撤销订单的错误日志分析撤单原因，并根据撤单原因进行处理。

60、本发明提供了一种基于自然语言处理的公有云异常订单处理方法，包括：获取历史异常订单的第一异常原因数据；对所述第一异常原因数据进行处理，得到训练数据集和测试数据集；构建异常订单分类模型，所述异常订单分类模型为多尺度卷积神经网络-双向门控循环单元模型；根据所述训练数据集和测试数据集对所述异常订单分类模型进行训练和测试，得到最优异常订单分类模型；获取实时异常订单的第二异常原因数据；基于所述第二异常原因数据，根据所述最优异常订单分类模型，确定所述实时异常订单的异常订单类型；根据所述异常订单类型进行分派处理，实现异常订单的自动化处理。

61、本发明的有益效果主要有：通过对历史异常订单的异常原因进行分析得到训练数据集和测试数据集，采用多尺度卷积神经网络-双向门控循环单元构建异常订单分类模型，并利用训练数据集和测试数据集训练测试模型，从而不断优化模型。并通过对异常订单自动化的获取和分派解决了人为接受处理异常订单存在的时效性低以及流转过程复杂的问题，并对不同类型的异常订单分别采用不同的处理方式，能够提升异常订单的处理效率。

62、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。