CN111582488A - 一种事件推演方法及装置 - Google Patents

Abstract

本发明公开了一种事件推演方法及装置，其中，该事件推演方法包括如下步骤：获取待分析事件的业务数据；根据预设的知识图谱和所述业务数据得到特征向量；将所述特征向量输入到预设的模拟分析模型中，得到事件的模拟分析结果；根据所述模拟分析结果对所述事件进行推演预测。通过实施本发明，可充分结合知识图谱的结构化特征和机器学习动态化特点，将多个影响因子纳入到模拟分析模型中进行多源模拟分析，从而使分析结果更精确，降低模拟分析复杂性，从而提高事件推演预测的准确性。

Description

一种事件推演方法及装置

技术领域

本发明涉及模拟分析技术领域，具体涉及一种事件推演方法及装置。

背景技术

模拟分析是对决策模拟过程与结果进行的剖析和评价。决策模拟的依据是事物之间的相似性与相关性，即在具备了相似的一组条件时，也就可能产生与该组条件相关的结果。决策模拟的目的是为决策的全面实施服务，因此，就得对决策模拟进行科学的模拟分析。

相关技术中的模拟分析一般是建立在***模型上的，用于描述大型***的模型往往过于复杂化，造成模拟分析算法复杂度指数式上升。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中描述大型***的***模型过于复杂化、模拟分析算法过于复杂的缺陷，从而提供一种事件推演方法及装置。

根据第一方面，本发明实施例公开了一种事件推演方法，包括如下步骤：获取待分析事件的业务数据；根据预设的知识图谱和所述业务数据得到特征向量；将所述特征向量输入到预设的模拟分析模型中，得到事件的模拟分析结果；根据所述模拟分析结果对所述事件进行推演预测。

结合第一方面，在第一方面第一实施方式中，通过如下步骤构建预设的知识图谱：获取业务训练数据；所述业务训练数据包括：业务***训练数据、业务***训练数据和业务模拟分析数据；所述业务模拟分析数据为事件预测分析数据；对所述业务***数据和业务***数据进行结构化处理，得到结构化数据，并提取所述结构化数据的业务实体及各所述业务实体之间的实体关系；根据所述业务实体和所述实体关系建立知识图谱。

结合第一方面第一实施方式，在第一方面第二实施方式中，所述根据所述业务实体和所述实体关系建立知识图谱，包括：将所述业务实体作为节点，将所述实体关系作为边构建所述知识图谱。

结合第一方面第一实施方式，在第一方面第三实施方式中，通过如下步骤构建预设的模拟分析模型：根据所述知识图谱进行特征提取，得到训练特征向量；根据所述业务模拟分析数据及所述训练特征向量对预设的机器学习模型进行训练，得到模拟分析模型。

结合第一方面第三实施方式，在第一方面第四实施方式中，所述方法还包括：获取业务测试数据；所述业务测试数据包括：业务***测试数据、业务***测试数据和业务模拟分析测试数据；对所述业务***测试数据和所述业务***测试数据进行结构化处理，得到待测试结构化数据；将所述待测试结构化数据输入到所述模拟分析模型，得到测试结果；当所述测试结果满足预设条件时，将所述模拟分析模型确定为可用的模拟分析模型。

结合第一方面第四实施方式，在第一方面第五实施方式中，所述方法还包括：利用所述待分析业务数据及其对应的模拟分析结果对所述模拟分析模型进行训练更新。

根据第二方面，本发明实施例还公开了一种事件推演装置，包括：第一获取模块，用于获取待分析事件的业务数据；特征向量获得模块，用于根据预设的知识图谱和所述业务数据得到特征向量；第一输入模块，用于将所述特征向量输入到预设的模拟分析模型中，得到事件的模拟分析结果；推演模块，用于根据所述模拟分析结果对所述事件进行推演预测。

根据第三方面，本发明实施例还公开了一种计算机设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如第一方面或第一方面任一实施方式所述事件推演方法的步骤。

根据第四方面，本发明实施例还公开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如第一方面或第一方面任一实施方式所述事件推演方法的步骤。

本发明技术方案，具有如下优点：

本发明提供的事件推演方法及装置，通过获取待分析事件的业务数据，根据预设的知识图谱和业务数据得到特征向量，将特征向量输入到预设的模拟分析模型中，得到事件的模拟分析结果，根据所述模拟分析结果对事件进行推演预测，可充分结合知识图谱的结构化特征和机器学习动态化特点，将多个影响因子纳入到模拟分析模型中进行多源模拟分析，从而使分析结果更精确，降低模拟分析复杂性，从而提高事件推演预测的准确性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例1中事件推演方法的一个具体示例的流程图；

图2为本发明实施例2中事件推演装置的一个具体示例的原理框图；

图3为本发明实施例3中计算机设备的一个具体示例的原理框图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1

在本发明实施例中，由于事件推演预测过程中涉及影响要素多、数据来源复杂和事件演变规律不同，当需要对一个事件进行分析推演时，首先分析当前待分析事件的相关业务数据，将获得的业务数据输入模拟分析模型中即可得到模拟分析结果，通过对模拟分析结果的统计整理，可对待分析业务数据进行推演预测。

本实施例提供一种事件推演方法，如图1所示，包括：

步骤S11：获取待分析事件的业务数据。

示例性地，待分析事件的业务数据可以包括该事件涉及内部和外部数据，具体地，内部数据可以为业务***数据，业务***数据可以包括企业资源计划(EnterpriseResource Planning，ERP)、客户关系管理(Customer Relationship Management，CRM)和仓库管理***(Warehouse Management System，WMS)等信息***中的数据；外部数据可以为业务***数据，业务***数据可以包括市场、客户以及供应商的信息等，上述业务数据可以直接从企业数据库调用，也可以由事件负责人整理提供，本发明实施例对该业务数据的获取方式不作限定，可以根据事件实际情况选择。

步骤S12：根据预设的知识图谱和业务数据得到特征向量；

示例性地，在本发明实施例中，该特征向量可以为事件影响因子，例如，事件领域、事件进度、事件影响范围和事件相关人员等，预设的知识图谱是由企业的业务***结合历史数据构建的，在本发明实施例中，可以广度优先搜索(Breadth-First Search，BFS)和标签传播算法(Label Propagation Algorithm，LPA)对业务数据进行提取，提取出适合进行输入模拟分析模型特征向量。

步骤S13：将特征向量输入到预设的模拟分析模型中，得到事件的模拟分析结果。

示例性地，该事件模拟分析结果可以为事件持续时间、事件持续范围、事件演化规律、事件归属部门、事件相关部门等，上述分析结果可分别对应于不同的具体评价指标，该具体评价指标可以是具体的数值，也可以是随时间变化的趋势曲线。本发明实施例对该具体评价指标不作限定，可以根据具体事件确定。

步骤S14：根据所述模拟分析结果对所述事件进行推演预测。

示例性地，在模拟分析中，依据事件之间的相似性和相关性来预测发展结果(即具备了相似的一组条件时，可能产生与该组条件相似的结果)，利用事先训练好的模拟分析模型对多维的输入业务数据进行模拟分析，得到事件模拟分析结果，进而对待分析事件的对外反应进行预测，开展趋势判断，得到推演结果，具体地，可对不同具体评价指标设置权重加权得到事件的推演结果。

以保险公司为例，当某一客户的保险业务快要到期时，可以将客户相关数据、该公司的保险数据以及该客户的历史交易数据等作为输入数据输入到模拟分析模型中，根据历史数据中的各客户选择，可以预测该客户是否会继续选择该公司的保险业务，保险业务员可以根据该预测结果采取相应的措施，以维系客户，从而与客户保持更长时间的合作。

本发明提供的事件推演方法，通过获取待分析事件的业务数据，根据预设的知识图谱和业务数据得到特征向量，将特征向量输入到预设的模拟分析模型中，得到事件的模拟分析结果，根据所述模拟分析结果对事件进行推演预测，可充分结合知识图谱的结构化特征和机器学习动态化特点，将多个影响因子纳入到模拟分析模型中进行多源模拟分析，从而使分析结果更精确，降低模拟分析复杂性，从而提高事件推演预测的准确性。

作为本申请一个可选实施方式，步骤S12中预设的知识图谱通过如下步骤训练得到：

首先，获取业务训练数据；业务训练数据包括：业务***训练数据、业务***训练数据和业务模拟分析数据；业务模拟分析数据为事件预测分析数据。

示例性地，该业务训练数据可以为某企业历史事件的相关数据，业务***训练数据可以包括企业资源计划(Enterprise Resource Planning，ERP)、客户关系管理(Customer Relationship Management，CRM)和仓库管理***(Warehouse ManagementSystem，WMS)等信息***中的数据；业务***数据可以包括市场、客户以及供应商的反馈信息；业务模拟分析数据可以与上述模拟分析结果一样；上述业务数据可以直接从企业数据库调用，也可以通过搜索引擎搜索获得，本发明实施例对该业务训练数据的获取方式不作限定，可根据实际情况选择。本发明综合分析企业的内部和外部数据，当考虑事件影响时，可以将对多个数据源进行独立分析和关联分析，从而得到更加全面的预测结果。

然后，对业务***训练数据和业务***训练数据进行结构化处理，得到结构化数据，并提取结构化数据的业务实体及各业务实体之间的实体关系。

示例性地，结构化数据，通常数据结构清晰，对于企业知识图谱来说，业务数据以及业务数据之间的关系都相对比较清晰，根据企业的业务数据之间的关系对业务***数据和业务***数据直接进行结构化处理，得到数据结构清晰的结构化数据，便于后续构建知识图谱和训练模拟分析模型。

示例性地，对于上述结构化数据，可以直接提取字段信息，对提取的字段信息中的实体进行识别，利用命名实体识别的技术提取出业务实体，采取具有业务逻辑的分析方法对业务实体之间的关系进行总结提取，进而得到业务实体之间的关联关系，即实体关系。

然后，根据业务实体和实体关系建立知识图谱；

示例性地，知识图谱整体上可以分为数据模型和具体数据，数据模型就是知识图谱的数据组织框架，不同的知识图谱，会采用不同的数据模型。可以采用自顶向下的方式来建设知识图谱，也就是先确定知识图谱的数据模型，然后，根据数据模型约定的框架，再补充数据，完成知识图谱的建设。数据模型的构建，一般都会确定一个基础的参考模型，这个参考模型，可以参照行业的相关数据标准，整合标准中对数据的要求，然后形成一个基础的数据模型，再根据实际收集的数据情况，来完善数据模型。也可以从公共知识图谱数据模型中抽取，将与行业有关的数据模型从公共知识图谱数据模型中提取出来，然后结合行业知识进行完善。本发明实施例根据提取的业务实体以及业务实体的关系对数据模型进行完善，得到知识图谱具体可以为将业务实体作为节点，将实体关系作为边构建知识图谱。

作为本申请一个可选实施方式，步骤S12中预设的模拟分析模型通过如下步骤训练得到：

首先，根据知识图谱进行特征提取，得到训练特征向量。

示例性地，在本发明实施例中，该训练特征向量可以为事件影响因子，例如，事件领域、事件进度、事件影响范围和事件相关人员等，将业务数据表示成知识图谱数据形式，在本发明实施例中，可以广度优先搜索(Breadth-First Search，BFS)和标签传播算法(Label Propagation Algorithm，LPA)对知识图谱数据进行进一步提取，提取出不同知识层次下的适合进行模型训练的训练特征向量。

然后，根据业务模拟分析数据及训练特征向量对预设的机器学习模型进行训练，得到模拟分析模型。

示例性地，根据知识图谱中提取的训练特征向量对预设的机器学习模型做完全监督和弱监督训练，本发明对该训练方法不作限定，可以根据实际训练场景进行选择，在训练过程中，根据具体场景不断调整权重，得到模拟分析模型，在模拟计算中，将多维的数据输入到该模拟分析模型中进行模拟分析，对待分析事件的对反应进行预测。

该训练方法可充分结合知识图谱的结构化特征和机器学习动态化特点，将多个影响因子纳入到知识图谱中进行多源模拟分析，将数据直接输入到模拟分析模型中得到模拟分析结果，降低模拟分析复杂性，达到更精确的分析结果。

作为本申请一个可选实施方式，当训练得到模拟分析模型后，需要对该模型进行测试验证，当满足一定的条件时将该模拟分析模型作为模拟分析模型，具体地：

首先，获取业务测试数据；业务测试数据包括：业务***测试数据、业务***测试数据和业务模拟分析测试数据，该业务测试数据与上述步骤中业务训练数据的获取方式可以相同，在本发明实施例中，可以将获取的业务训练数据按7:3的比例划分，将占比较大的作为业务训练数据，占比较小的作为业务测试数据。

然后，对业务***测试数据和业务***测试数据进行结构化处理，得到待测试结构化数据；具体实现方式见上述相应步骤的相关描述，在此不再赘述。

然后，将待测试结构化数据输入到模拟分析模型，得到测试结果，当测试结果满足预设条件时，将模拟分析模型确定为可用的模拟分析模型。

示例性地，该预设条件可以为测试结果的准确率大于预设值，该预设值可以为98％，本发明实施例对预设阈值大小不做限定，可以按照需要设置，当测试结果与业务分析结果一致的概率大于98％时，将模拟分析模型确定为可用的模拟分析模型。

作为本申请一个可选实施方式，在利用该模拟分析模型对多维待分析业务数据进行实时分析，得到模拟分析结果后，还可以直接对该模拟分析模型进行更新优化，具体地可以为利用待分析业务数据及其对应的模拟分析结果对模拟分析模型进行训练更新。通过运营环境的数据对建立的模拟分析模型进行更新优化，使得该模拟分析模型可以动态地适应业务场景。

实施例2

本实施例提供一种事件推演装置，如图2所示，包括：

第一获取模块21，用于获取待分析事件的业务数据。具体实现方式见实施例1中步骤S11的相关描述，在此不再赘述。

特征向量获得模块22，用于根据预设的知识图谱和所述业务数据得到特征向量；具体实现方式见实施例1中步骤S12的相关描述，在此不再赘述。

第一输入模块23，用于将所述待分析业务数据输入到预设的模拟分析模型中，得到事件的模拟分析结果。具体实现方式见实施例1中步骤S13的相关描述，在此不再赘述。

推演模块24，用于根据所述模拟分析结果对所述事件进行推演预测。具体实现方式见实施例1中步骤S14的相关描述，在此不再赘述。

本发明提供的事件推演装置，通过获取待分析事件的业务数据，根据预设的知识图谱和业务数据得到特征向量，将特征向量输入到预设的模拟分析模型中，得到事件的模拟分析结果，根据所述模拟分析结果对事件进行推演预测，可充分结合知识图谱的结构化特征和机器学习动态化特点，将多个影响因子纳入到模拟分析模型中进行多源模拟分析，从而使分析结果更精确，降低模拟分析复杂性，从而提高事件推演预测的准确性。

作为本申请一个可选实施方式，该事件推演装置还包括：

第二获取模块，用于获取业务训练数据；业务训练数据包括：业务***训练数据、业务***训练数据和业务模拟分析数据；业务模拟分析数据为事件预测分析数据。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。

第一处理模块，用于对业务***训练数据和业务***训练数据进行结构化处理，得到结构化数据，并提取结构化数据的业务实体及各业务实体之间的实体关系。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。

建立模块，用于根据业务实体和实体关系建立知识图谱；具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。

作为本申请一个可选实施方式，该事件推演装置还包括：

提取模块，用于根据知识图谱进行特征提取，得到训练特征向量。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。

训练模块，用于根据业务模拟分析数据及训练特征向量对预设的机器学习模型进行训练，得到模拟分析模型。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。

作为本申请一个可选实施方式，该事件推演装置还包括：

第三获取模块，用于获取业务测试数据；业务测试数据包括：业务***测试数据、业务***测试数据和业务模拟分析测试数据。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。

第二处理模块，用于对业务***测试数据和业务***测试数据进行结构化处理，得到待测试结构化数据；具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。

第二输入模块，用于将待测试结构化数据输入到模拟分析模型，得到测试结果；具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。

确定模块，用于当测试结果满足预设条件时，将模拟分析模型确定为可用的模拟分析模型。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。

作为本申请一个可选实施方式，该事件推演装置还包括：

构建子模块，用于将所述业务实体作为节点，将所述实体关系作为边构建所述知识图谱。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。

作为本申请一个可选实施方式，该事件推演装置还包括：

更新模块，用于利用待分析业务数据及其对应的模拟分析结果对模拟分析模型进行训练更新。具体实现方式见实施例1中对应的步骤的相关描述，在此不再赘述。

实施例3

本发明实施例还提供了一种计算机设备，如图3所示，该计算机设备可以包括处理器31和存储器32，其中处理器31和存储器32可以通过总线或者其他方式连接，图3中以通过总线连接为例。

处理器31可以为中央处理器(Central Processing Unit，CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器32作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的事件推演方法对应的程序指令/模块(例如，图2所示的第一获取模块21、特征向量获得模块22、第一输入模块23和推演模块24)。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的事件推演方法。

存储器32可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储处理器31所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器32可选包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至处理器31。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述一个或者多个模块存储在所述存储器32中，当被所述处理器31执行时，执行如图1所示实施例中的事件推演方法。

上述计算机设备具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

实施例4

本发明实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的事件推演方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (9)

1.一种事件推演方法，其特征在于，包括如下步骤：

获取待分析事件的业务数据；

根据预设的知识图谱和所述业务数据得到特征向量；

将所述特征向量输入到预设的模拟分析模型中，得到事件的模拟分析结果；

根据所述模拟分析结果对所述事件进行推演预测。

2.根据权利要求1所述的方法，其特征在于，通过如下步骤构建预设的知识图谱：

获取业务训练数据；所述业务训练数据包括：业务***训练数据、业务***训练数据和业务模拟分析数据；所述业务模拟分析数据为事件预测分析数据；

对所述业务***数据和业务***数据进行结构化处理，得到结构化数据，并提取所述结构化数据的业务实体及各所述业务实体之间的实体关系；

根据所述业务实体和所述实体关系建立知识图谱。

3.根据权利要求2所述的方法，其特征在于，所述根据所述业务实体和所述实体关系建立知识图谱，包括：

将所述业务实体作为节点，将所述实体关系作为边构建所述知识图谱。

4.根据权利要求2所述的方法，其特征在于，通过如下步骤构建预设的模拟分析模型：

根据所述知识图谱进行特征提取，得到训练特征向量；

根据所述业务模拟分析数据及所述训练特征向量对预设的机器学习模型进行训练，得到模拟分析模型。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

获取业务测试数据；所述业务测试数据包括：业务***测试数据、业务***测试数据和业务模拟分析测试数据；

对所述业务***测试数据和所述业务***测试数据进行结构化处理，得到待测试结构化数据；

将所述待测试结构化数据输入到所述模拟分析模型，得到测试结果；

当所述测试结果满足预设条件时，将所述模拟分析模型确定为可用的模拟分析模型。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

利用所述待分析业务数据及其对应的模拟分析结果对所述模拟分析模型进行训练更新。

7.一种事件推演装置，其特征在于，包括：

第一获取模块，用于获取待分析事件的业务数据；

特征向量获得模块，用于根据预设的知识图谱和所述业务数据得到特征向量；

第一输入模块，用于将所述特征向量输入到预设的模拟分析模型中，得到事件的模拟分析结果；

推演模块，用于根据所述模拟分析结果对所述事件进行推演预测。

8.一种计算机设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-6任一所述事件推演方法的步骤。

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如权利要求1-6任一所述事件推演方法的步骤。

Images