CN116303375B - 基于大数据的数据库维护分析方法、服务器及介质 - Google Patents

Abstract

本发明实施例提供的基于大数据的数据库维护分析方法、服务器及介质，通过本发明实施例，能够综合维护操作行为量化编码和AI问答语音量化编码两个层面的特征，然后分别生成维护操作行为量化编码所对应的第一判别变量和AI问答语音量化编码所对应的第二判别变量，这样能够结合第一判别变量和第二判别变量对数据库维护操作行为树注释的预配维护意向关键词的匹配性进行审核分析，从而准确、高效地实现对数据库维护操作行为树的预配维护意向关键词分类处理，以便为之后的数据库维护提供参考。

Description

基于大数据的数据库维护分析方法、服务器及介质

技术领域

本发明涉及大数据和数据库技术领域，具体而言，涉及基于大数据的数据库维护分析方法、服务器及介质。

背景技术

数据库维护（database maintenance）是指当一个数据库被创建以后的工作都叫做数据库维护，包括备份***数据、恢复数据库***、产生用户信息表、为信息表授权、监视***运行状况、及时处理***错误、保证***数据安全和周期更改用户口令等，数据库维护比数据库的创建和使用更难。鉴于数据库维护的任务繁杂性，通常需要为数据库维护的操作行为进行打标签处理，以供之后的数据库维护参考，但是传统技术难以满足上述需求。

发明内容

本发明至少提供基于大数据的数据库维护分析方法、服务器及介质。

本发明提供了一种基于大数据的数据库维护分析方法，应用于数据库维护分析服务器，所述方法包括：

对拟分析的数据库维护操作行为树分别进行维护操作行为量化编码和AI问答语音量化编码的挖掘处理；

通过数据库维护分析网络，分别生成所述维护操作行为量化编码所对应的第一判别变量和所述AI问答语音量化编码所对应的第二判别变量；

利用所述第一判别变量和所述第二判别变量判断所述数据库维护操作行为树注释的预配维护意向关键词是否通过审核。

在一些可选的实施例中，所述对拟分析的数据库维护操作行为树分别进行维护操作行为量化编码和AI问答语音量化编码的挖掘处理，包括：

获取拟分析的数据库维护操作行为树以及所述数据库维护操作行为树牵涉的最少一种维护需求AI问答语音，所述数据库维护操作行为树注释有预配维护意向关键词；

提炼所述数据库维护操作行为树的维护操作行为量化编码；结合所述数据库维护操作行为树的最少一种维护需求AI问答语音，确定所述数据库维护操作行为树的AI问答语音量化编码，所述AI问答语音量化编码为所述数据库维护操作行为树的最少一种维护需求AI问答语音中用于表征所述数据库维护操作行为树所对应维护意向关键词的编码知识。

在一些可选的实施例中，所述通过数据库维护分析网络，分别生成所述维护操作行为量化编码所对应的第一判别变量和所述AI问答语音量化编码所对应的第二判别变量，包括：

调用第一数据库维护分析网络，将所述数据库维护操作行为树的维护操作行为量化编码变更成表征所述数据库维护操作行为树所匹配的预配维护意向关键词的第一判别变量；

调用第二数据库维护分析网络，确定所述数据库维护操作行为树的AI问答语音量化编码对应的第二判别变量，所述第二判别变量反映所述数据库维护操作行为树的AI问答语音量化编码中呈现的表征所述数据库维护操作行为树所匹配的预配维护意向关键词的知识向量，第一数据库维护分析网络和第二数据库维护分析网络为基于与所述数据库维护操作行为树存在一致的预配维护意向关键词的多个第一数据库维护操作行为树示例作为网络调试样例，并结合所述第一数据库维护操作行为树示例的维护操作行为量化编码和AI问答语音量化编码调试所得的，所述第一数据库维护操作行为树示例的AI问答语音量化编码为结合所述第一数据库维护操作行为树示例牵涉的维护需求AI问答语音确定的。

在一些可选的实施例中，所述利用所述第一判别变量和所述第二判别变量判断所述数据库维护操作行为树注释的预配维护意向关键词是否通过审核，包括：

倘若所述第一判别变量和所述第二判别变量的适配性评价满足要求，则确定所述数据库维护操作行为树注释的预配维护意向关键词通过审核。

在一些可选的实施例中，所述结合所述数据库维护操作行为树的最少一种维护需求AI问答语音，确定所述数据库维护操作行为树的AI问答语音量化编码，包括：

确定所述数据库维护操作行为树牵涉的最少一种维护需求AI问答语音对应的问答语音编码特征；

将所述数据库维护操作行为树对应的问答语音编码特征加载至问答语音量化编码处理网络，并提炼所述问答语音量化编码处理网络的隐含层中间结果，将提炼得到的中间结果确定为所述数据库维护操作行为树的AI问答语音量化编码，所述问答语音量化编码处理网络为将注释有预配维护意向关键词的多个第二数据库维护操作行为树示例作为网络调试样例，并结合所述第二数据库维护操作行为树示例牵涉的维护需求AI问答语音所对应的问答语音编码特征调试所得的。

在一些可选的实施例中，在确定出所述数据库维护操作行为树的AI问答语音量化编码之后，所述方法还包括：基于维护任务判别网络确定所述数据库维护操作行为树的AI问答语音量化编码对应的目标维护操作行为树种类，所述维护任务判别网络为将注释有预配维护意向关键词的多个第三数据库维护操作行为树示例作为网络调试样例，并结合所述第三数据库维护操作行为树示例牵涉的维护需求AI问答语音对应的AI问答语音量化编码调试得到；确定用于反映所述目标维护操作行为树种类的维护任务判别决策向量；

所述调用第二数据库维护分析网络，确定所述数据库维护操作行为树的AI问答语音量化编码对应的第二判别变量，包括：基于第二数据库维护分析网络，将所述维护任务判别决策向量变更成第二判别变量。

在一些可选的实施例中，所述确定用于反映所述目标维护操作行为树种类的维护任务判别决策向量，包括：

依据不同维护操作行为树种类与维护任务判别决策向量的映射列表，确定所述目标维护操作行为树种类的维护任务判别决策向量，其中，维护操作行为树种类对应的维护任务判别决策向量为根据匹配所述目标维护操作行为树种类的多个第四数据库维护操作行为树示例的AI问答语音量化编码，所确定的对应于核心分团成员的第四数据库维护操作行为树示例的AI问答语音量化编码。

在一些可选的实施例中，所述第一数据库维护分析网络和第二数据库维护分析网络为至少基于预配维护意向关键词注释通过审核的最少一个第一数据库维护操作行为树示例作为网络调试样例，并依据预设的调试期望，结合所述第一数据库维护操作行为树示例的维护操作行为量化编码和AI问答语音量化编码调试所得的；所述调试期望为所述预配维护意向关键词注释通过审核的第一数据库维护操作行为树示例对应的第三判别变量与第四判别变量的适配性评价满足要求；

其中，所述第三判别变量为所述第一数据库维护分析网络将第一数据库维护操作行为树示例的维护操作行为量化编码确定出的判别变量；所述第四判别变量为结合所述第二数据库维护分析网络所确定的所述第一数据库维护操作行为树示例的AI问答语音量化编码对应的判别变量。

在一些可选的实施例中，所述第一数据库维护分析网络和第二数据库维护分析网络基于以下步骤调试得到：

获取多个第一数据库维护操作行为树示例以及所述第一数据库维护操作行为树示例牵涉的最少一种维护需求AI问答语音，所述第一数据库维护操作行为树示例的预配维护意向关键词与所述数据库维护操作行为树的预配维护意向关键词一致，且所述多个第一数据库维护操作行为树示例中包括预配维护意向关键词注释通过审核的最少一个第一数据库维护操作行为树示例和预配维护意向关键词注释存在偏差的最少一个第一数据库维护操作行为树示例；

针对每个第一数据库维护操作行为树示例，提炼所述第一数据库维护操作行为树示例的维护操作行为量化编码，结合所述第一数据库维护操作行为树示例牵涉的最少一种维护需求AI问答语音，确定所述第一数据库维护操作行为树数据库维护操作行为树的AI问答语音量化编码，基于拟调试的第一数据库维护分析网络，将所述第一数据库维护操作行为树示例的维护操作行为量化编码变更成表征所述第一数据库维护操作行为树示例所匹配的预配维护意向关键词的第三判别变量，并结合拟调试的第二数据库维护分析网络，确定所述第一数据库维护操作行为树示例的AI问答语音量化编码对应的第四判别变量，所述第四判别变量反映所述第一数据库维护操作行为树示例的AI问答语音量化编码中呈现的表征所述第一数据库维护操作行为树示例所匹配的预配维护意向关键词的知识向量；

针对预配维护意向关键词注释通过审核的第一数据库维护操作行为树示例，倘若所述第一数据库维护操作行为树示例的第三判别变量和第四判别变量之间的适配性评价满足要求，则确定所述第一数据库维护操作行为树示例的知识向量完成变换；

针对预配维护意向关键词注释存在偏差的第一数据库维护操作行为树示例，倘若所述第一数据库维护操作行为树示例的第三判别变量和第四判别变量之间的适配性评价不满足要求，则确定所述第一数据库维护操作行为树示例的知识向量完成变换；

倘若结合知识向量完成变换的各第一数据库维护操作行为树示例确定出不符合调试达标要求，则改进所述第一数据库维护分析网络和第二数据库维护分析网络的网络配置权重，直至结合知识向量完成变换的各第一数据库维护操作行为树示例确定出符合调试达标要求。

在一些可选的实施例中，在所述数据库维护操作行为树与多种维护需求AI问答语音存在牵涉的基础上，所述确定所述数据库维护操作行为树牵涉的最少一种维护需求AI问答语音对应的问答语音编码特征，包括：

基于编码特征变更网络分别将所述数据库维护操作行为树牵涉的每种维护需求AI问答语音变更成问答语音编码特征；

对所述数据库维护操作行为树牵涉的多种维护需求AI问答语音各自确定出的问答语音编码特征进行整合，得到所述数据库维护操作行为树牵涉的多种维护需求AI问答语音对应的问答语音编码特征。

本发明还提供了一种数据库维护分析服务器，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述方法。

本发明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，所述计算机程序在运行时实现上述的方法。

本发明的实施例提供的技术方案可以包括以下有益效果：通过本发明实施例，能够综合维护操作行为量化编码和AI问答语音量化编码两个层面的特征，然后分别生成维护操作行为量化编码所对应的第一判别变量和AI问答语音量化编码所对应的第二判别变量，这样能够结合第一判别变量和第二判别变量对数据库维护操作行为树注释的预配维护意向关键词的匹配性进行审核分析，从而准确、高效地实现对数据库维护操作行为树的预配维护意向关键词分类审核处理，以便为之后的数据库维护提供参考。

进一步地，本发明实施例可以获取该拟分析的数据库维护操作行为树牵涉的最少一种维护需求AI问答语音，在获取数据库维护操作行为树的维护操作行为量化编码的基础上，还可以结合数据库维护操作行为树牵涉的维护需求AI问答语音确定数据库维护操作行为树的AI问答语音量化编码。基于此，针对数据库维护操作行为树的维护操作行为量化编码和AI问答语音量化编码两个层面的知识向量，分别基于适用于该数据库维护操作行为树的预配维护意向关键词的第一数据库维护分析网络和第二数据库维护分析网络，这样可以确定出用于分析数据库维护操作行为树的预配维护意向关键词的第一判别变量和第二判别变量，这样，结合第一判别变量和第二判别变量的适配性评价即可分析该数据库维护操作行为树注释的预配维护意向关键词是否准确，无需额外处理即可识别数据库维护操作行为树注释的预配维护意向关键词是否准确，有效规避了对数据库维护操作行为树的预配维护意向关键词进行过滤所造成的执行难度，进而提高针对数据库维护操作行为树的预配维护意向关键词匹配分析的时效性。

关于上述数据库维护分析服务器、计算机可读存储介质的效果描述参见上述方法的说明。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本发明的实施例，并与说明书一起用于说明本发明的技术方案。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是本发明实施例示出的一种数据库维护分析服务器的方框图。

图2是本发明实施例示出的一种基于大数据的数据库维护分析方法的流程示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。

图1为本发明实施例提供的数据库维护分析服务器10的结构示意图，包括处理器102、存储器104、和总线106。其中，存储器104用于存储执行指令，包括内存和外部存储器，内存也可以理解为内存储器，用于暂时存放处理器102中的运算数据，以及与硬盘等外部存储器交换的数据，处理器102通过内存与外部存储器进行数据交换，当数据库维护分析服务器10运行时，处理器102与存储器104之间通过总线106通信，使得处理器102执行本发明实施例的基于大数据的数据库维护分析方法。

本发明实施例的整体设计思路如下：对拟分析的数据库维护操作行为树分别进行维护操作行为量化编码和AI问答语音量化编码的挖掘处理；通过数据库维护分析网络，分别生成所述维护操作行为量化编码所对应的第一判别变量和所述AI问答语音量化编码所对应的第二判别变量；利用所述第一判别变量和所述第二判别变量判断所述数据库维护操作行为树注释的预配维护意向关键词是否通过审核。

通过本发明实施例，能够综合维护操作行为量化编码和AI问答语音量化编码两个层面的特征，然后分别生成维护操作行为量化编码所对应的第一判别变量和AI问答语音量化编码所对应的第二判别变量，这样能够结合第一判别变量和第二判别变量对数据库维护操作行为树注释的预配维护意向关键词的匹配性进行审核分析，从而准确、高效地实现对数据库维护操作行为树的预配维护意向关键词分类处理，以便为之后的数据库维护提供参考。

下面通过步骤201-步骤206对上述整体设计思路进行进一步介绍。请结合图2，图2是本发明实施例所提供的一种基于大数据的数据库维护分析方法的流程示意图，应用于数据库维护分析服务器，该方法示例性可以包括步骤201-步骤206。

步骤201，获取拟分析的数据库维护操作行为树以及该数据库维护操作行为树牵涉的最少一种维护需求AI问答语音。

本发明实施例中，该拟分析的数据库维护操作行为树可以通过树状结构的形式对数据库维护操作行为数据/信息进行展示，比如数据库维护操作行为树可以包括一系列存在结构关联、逻辑关联以及时序关联的操作行为文本记录，比如操作行为operation1之后执行操作行为operation11或者操作行为operation12，执行完操作行为operation11之后继续执行操作行为operation111，等。进一步地，数据库维护操作行为树最终所达到的目的是进行数据库维护，因此拟分析的数据库维护操作行为树可以理解为需要分析其预配维护意向关键词是否准确的数据库维护操作行为树，基于此，该拟分析的数据库维护操作行为树注释有预配维护意向关键词，换言之，拟分析的数据库维护操作行为树实现打上了维护意向关键词标签，由于该维护意向关键词标签是事先打上的，因此通过预配来标识该维护意向关键词标签的审核结果还未定。

本发明实施例中，数据库维护操作行为树注释的预配维护意向关键词用于表征数据库维护操作行为树对应的操作行为所匹配的维护需求或者偏好。如，数据库维护操作行为树的预配维护意向关键词可以是访问安全升级、响应速度优化、容灾模式调整、信息匿名处理和防火墙测试等维护需求或者偏好种类。又如，数据库维护操作行为树的预配维护意向关键词还可以为某种维护需求或者偏好种类下的细分标签。针对包含信息匿名处理的数据库维护操作行为树而言，数据库维护操作行为树的预配维护意向关键词可以分为：个体画像隐私匿名和企业项目方案隐私匿名等。

数据库维护操作行为树牵涉的维护需求AI问答语音用于反映数据库维护操作行为树所对应的AI应答交互对话信息。如，数据库维护操作行为树的维护需求AI问答语音包含描述数据库维护操作行为树所对应操作行为事件的提问信息、回答信息、追问信息或者追答信息等。

本发明实施例中，数据库维护操作行为树牵涉的维护需求AI问答语音的获取方式不限，比如可以通过数据库维护操作行为树所对应的操作终端获取，还可以通过与操作终端对应的AI问答服务器获取，在此不做限定。

本发明实施例中，数据库维护操作行为树侧重于可视化层面的内容，而维护需求AI问答语音侧重于语音层面的内容，通过这两个层面的内容进行特征分析，能够准确判断预配维护意向关键词与拟分析的数据库维护操作行为树是否适配。

步骤202，提炼该数据库维护操作行为树的维护操作行为量化编码。

其中，数据库维护操作行为树的维护操作行为量化编码可以理解为结合数据库维护操作行为树本身存在的知识向量（可以理解为知识特征或者特征喜爱拿过来）所分析出的用于表征数据库维护操作行为树所对应的操作行为细节的知识向量。如，数据库维护操作行为树的维护操作行为量化编码可以反映出数据库维护操作行为树的操作逻辑和操作模式等特征。在一些示例下，数据库维护操作行为树的维护操作行为量化编码可以为数据库维护操作行为树的操作行为嵌入编码。

本发明实施例中，提炼数据库维护操作行为树的维护操作行为量化编码的思路可以有多个。

在一些示例性实施例中，可以基于调试出的量化编码网络，提取数据库维护操作行为树的维护操作行为量化编码。示例性的，可以将数据库维护操作行为树输入调试出的量化编码网络，并获取量化编码网络的隐含层特征作为数据库维护操作行为树的维护操作行为量化编码。比如，量化编码网络可以为调试出的用于提取维护操作行为量化编码的深度残差网络。其中，量化编码网络可以为基于注释有预配维护意向关键词的多个数据库维护操作行为树示例作为网络调试样例，并对量化编码网络进行调试所得的。

其中，调试量化编码网络的网络调试样例可以是通过手动去标签（标签过滤）或者注释的已认证数据库维护操作行为树示例，已认证数据库维护操作行为树示例可以理解为数据库维护操作行为树示例注释的预配维护意向关键词为该数据库维护操作行为树示例对应的正确适配的预配维护意向关键词。基于此，可以提升调试出的量化编码网络所确定的维护操作行为量化编码的特征表征性能。

鉴于手动过滤或者注释已认证数据库维护操作行为树示例需要消耗较长时间，该调试量化编码网络的多个网络调试样例也可以是包括了扰动数据库维护操作行为树示例的多个数据库维护操作行为树示例，也可以理解为混合数据库维护操作行为树示例，混合数据库维护操作行为树示例包括了预配维护意向关键词注释存在偏差的扰动数据库维护操作行为树示例和预配维护意向关键词注释通过审核的数据库维护操作行为树示例。即使混合数据库维护操作行为树示例包括了扰动数据库维护操作行为树示例，但是由于该量化编码网络提炼得到的知识向量并不是本发明实施例直接用来判断数据库维护操作行为树的预配维护意向关键词是否准确的知识向量，因此，只有混合数据库维护操作行为树示例中扰动数据库维护操作行为树示例的占比低于预设占比（比如30％等），则仍可以调试出高质量提取维护操作行为量化编码的量化编码网络。

在一些示例性实施例中，针对不同的拟分析的数据库维护操作行为树，确定拟分析的数据库维护操作行为树的维护操作行为量化编码所采用的量化编码网络也可以不同，示例性的，可以确定采用与该数据库维护操作行为树注释的预配维护意向关键词一致的多个数据库维护操作行为树示例调试出的量化编码网络，然后结合该量化编码网络对该拟分析的数据库维护操作行为树进行维护操作行为量化编码挖掘。

进一步地，上述的数据库维护操作行为树示例可以理解为数据库维护操作行为树样本，用于进行相关神经网络的训练调试。其中，量化编码网络可以为结合注释有预配维护意向关键词的多个数据库维护操作行为树示例对任意AI算法进行调试所得的。如，AI算法可以为深度残差网络。可以理解的是，结合多个注释有预配维护意向关键词的多个数据库维护操作行为树示例调试量化编码网络示例性调试过程可以根据实际情况选择。

以量化编码网络为深度残差网络，以结合各个数据库维护操作行为树示例注释的预配维护意向关键词，并基于Adam算法求解深度残差网络的可逆变量和误差变量，并结合损失函数的反馈调试不断循环，直至结合各个数据库维护操作行为树示例实际注释的预配维护意向关键词，确定出深度残差网络对各个数据库维护操作行为树示例确定出的预配维护意向关键词的精度满足要求。

步骤203，结合该数据库维护操作行为树的最少一种维护需求AI问答语音，确定该数据库维护操作行为树的AI问答语音量化编码。

其中，与维护操作行为量化编码不同，AI问答语音量化编码为结合数据库维护操作行为树的维护需求AI问答语音所确定的知识向量。该AI问答语音量化编码为该数据库维护操作行为树的最少一种维护需求AI问答语音中用于表征该数据库维护操作行为树所对应维护意向关键词的编码知识。

例如，基于调试出的问答语音量化编码处理网络确定该最少一种维护需求AI问答语音对应的AI问答语音量化编码。如，将最少一种维护需求AI问答语音加载至问答语音量化编码处理网络，并提取问答语音量化编码处理网络的隐含层输出的知识向量作为数据库维护操作行为树的AI问答语音量化编码。

在一些示例性实施例中，鉴于数据库维护操作行为树牵涉的维护需求AI问答语音难以全面表征维护需求AI问答语音的细节，基于此，为了可以准确确定维护需求AI问答语音的AI问答语音量化编码，并便于问答语音量化编码处理网络提取AI问答语音量化编码，还可以先确定数据库维护操作行为树牵涉的最少一种维护需求AI问答语音的问答语音编码特征。通过将维护需求AI问答语音变更成特征编码模式，既可以通过特征编码高质量表征维护需求AI问答语音，又便于问答语音量化编码处理网络提取AI问答语音量化编码。

在一些设计思路下，可以基于编码特征变更网络分别将该数据库维护操作行为树牵涉的每种维护需求AI问答语音变更成问答语音编码特征。如果数据库维护操作行为树牵涉的维护需求AI问答语音有多个，则可以对数据库维护操作行为树牵涉的该多种维护需求AI问答语音各自确定出的问答语音编码特征进行整合，得到该数据库维护操作行为树牵涉的多种维护需求AI问答语音对应的问答语音编码特征。其中，各个维护需求AI问答语音的问答语音编码特征的重要性指数（权重）可以灵活设计，可以结合维护需求AI问答语音的个数设定各个维护需求AI问答语音的特征编码。比如，可以设定各个问答语音编码特征的重要性指数一致，且各个问答语音编码特征的重要性指数之和为1。

示例性的，可以将数据库维护操作行为树对应的问答语音编码特征加载至已调试出的问答语音量化编码处理网络，并提取该问答语音量化编码处理网络的隐含层中间结果（中间层的输出特征），将提炼得到的中间结果确定为该数据库维护操作行为树的AI问答语音量化编码。

其中，该问答语音量化编码处理网络为将注释有预配维护意向关键词的多个数据库维护操作行为树示例作为网络调试样例，并结合该数据库维护操作行为树示例牵涉的维护需求AI问答语音所对应的问答语音编码特征调试所得的。在一些示例性实施例中，为提升识别扰动数据库维护操作行为树的精度和性能，问答语音量化编码处理网络为基于具有与该数据库维护操作行为树注释有相同的预配维护意向关键词的多个数据库维护操作行为树示例调试所得的。

可以理解，调试该问答语音量化编码处理网络的思路与前述调试量化编码网络的思路相似，区别在于调试问答语音量化编码处理网络时，问答语音量化编码处理网络的输入为数据库维护操作行为树牵涉的维护需求AI问答语音对应的问答语音编码特征。

示例性的，可以分别将每个数据库维护操作行为树示例牵涉的最少一种维护需求AI问答语音变更成问答语音编码特征。基于此，针对每个数据库维护操作行为树示例，可以将数据库维护操作行为树示例对应的问答语音编码特征加载至拟调试的问答语音量化编码处理网络（问答语音量化编码处理网络可以为深度残差网络等AI算法），得到问答语音量化编码处理网络确定出的预配维护意向关键词预测结果。相应的，结合Adam算法，并结合数据库维护操作行为树示例实际注释的预配维护意向关键词和确定出的预配维护意向关键词预测结果，可以确定该问答语音量化编码处理网络的预测精度（比如，三元组损失函数值），如果预测精度没有达标，则可以调整该问答语音量化编码处理网络的网络配置权重，并继续调试，直至预测精度达标。

步骤204，基于已调试出的第一数据库维护分析网络，将该数据库维护操作行为树的维护操作行为量化编码变更成表征该数据库维护操作行为树所匹配的预配维护意向关键词的第一判别变量。

从数据库维护操作行为树提取的维护操作行为量化编码仅仅是用于表征维护操作行为树种类的知识向量，却无法用于评判数据库维护操作行为树注释的预配维护意向关键词是否准确，而结合该第一数据库维护分析网络对维护操作行为量化编码进行特征投影实际上是将维护操作行为量化编码变更成与数据库维护操作行为树的预配维护意向关键词具有牵涉（存在关联）的知识向量，因此，确定出的第一判别变量是用于从维护操作行为量化编码层面，评判数据库维护操作行为树注释的预配维护意向关键词是否准确的知识向量。

进一步地，可以将维护操作行为量化编码确定出的判别变量称为第一判别变量，而后续将AI问答语音量化编码确定出的判别变量称为第二判别变量。本发明实施例中，判别变量可以理解为相关预配维护意向关键词的关键词特征，比如维护操作行为量化编码所对应的第一判别变量是数据库维护操作行为树所匹配的预配维护意向关键词的第一关键词特征。

步骤205，结合已调试出的第二数据库维护分析网络，确定该数据库维护操作行为树的AI问答语音量化编码对应的第二判别变量。

其中，该第二判别变量表示该数据库维护操作行为树的AI问答语音量化编码中呈现的表征该数据库维护操作行为树所匹配的预配维护意向关键词的知识向量。与维护操作行为量化编码确定出的第一判别变量类似，该第二判别变量实际上是将数据库维护操作行为树的AI问答语音量化编码确定出与数据库维护操作行为树的预配维护意向关键词具有牵涉的知识向量，相应的，第二判别变量为用于从AI问答语音量化编码层面，评分数据库维护操作行为树注释的预配维护意向关键词是否准确的知识向量。在本发明实施例中，第一数据库维护分析网络和第二数据库维护分析网络均可以为调试出的合适的AI算法。AI问答语音量化编码对应的第二判别变量是数据库维护操作行为树所匹配的预配维护意向关键词的第二关键词特征。

其中，该第一数据库维护分析网络和第二数据库维护分析网络为基于与该数据库维护操作行为树存在一致的预配维护意向关键词的多个第一数据库维护操作行为树示例作为网络调试样例，并结合该第一数据库维护操作行为树示例的维护操作行为量化编码和AI问答语音量化编码调试所得的。

进一步地，将用于调试第一数据库维护分析网络和第二数据库维护分析网络的数据库维护操作行为树示例称为第一数据库维护操作行为树示例，而前述或者后续用于调试其他网络的数据库维护操作行为树示例也可以进行区别，如，用于调试问答语音量化编码处理网络的数据库维护操作行为树示例可以称为第二数据库维护操作行为树示例。

示例性的，该第一数据库维护操作行为树示例的AI问答语音量化编码为结合该第一数据库维护操作行为树示例牵涉的维护需求AI问答语音确定的，得到第一数据库维护操作行为树示例的AI问答语音量化编码的思路可以与前述确定数据库维护操作行为树的AI问答语音量化编码的思路相同，相应的，得到第一数据库维护操作行为树示例的维护操作行为量化编码的思路也与前述提取数据库维护操作行为树的维护操作行为量化编码的思路相同。

在调试过程中，第一数据库维护分析网络和第二数据库维护分析网络为同步调试。

为了使得调试出的第一数据库维护分析网络和第二数据库维护分析网络可以确定出判别变量能够准确表征第一数据库维护操作行为树示例的预配维护意向关键词是否注释准确，第一数据库维护操作行为树示例注释的预配维护意向关键词是否准确是先验的。

在一些示例性实施例中，用于调试的多个第一数据库维护操作行为树示例包括最少一个预配维护意向关键词注释通过审核的最少一个第一数据库维护操作行为树示例。

为了之后能够结合数据库维护操作行为树的第一判别变量和第二判别变量确定数据库维护操作行为树注释的预配维护意向关键词是否准确，调试第一数据库维护分析网络和第二数据库维护分析网络是以预设的调试期望作为调试目的。该预设的调试期望为预配维护意向关键词注释通过审核的第一数据库维护操作行为树示例对应的第三判别变量与第四判别变量的适配性评价满足要求。其中，第三判别变量为第一数据库维护分析网络将第一数据库维护操作行为树示例的维护操作行为量化编码确定出的判别变量；第四判别变量为调用第二数据库维护分析网络所确定的第一数据库维护操作行为树示例的AI问答语音量化编码对应的判别变量。

其中，第三判别变量与第四判别变量的适配性评价满足要求可以为第三判别变量与第四判别变量的适配性评价超过预设阈值。

在一些示例性实施例中，该第一数据库维护分析网络和第二数据库维护分析网络为至少基于预配维护意向关键词注释通过审核的最少一个第一数据库维护操作行为树示例作为网络调试样例，并依据预设的调试期望，结合第一数据库维护操作行为树示例的维护操作行为量化编码和AI问答语音量化编码调试所得的。

步骤206，如该第一判别变量和该第二判别变量的适配性评价满足要求，则确定该数据库维护操作行为树注释的预配维护意向关键词通过审核。

本发明实施例中，第一判别变量和第二判别变量的适配性评价（可以理解为匹配程度）可以是这两类判别变量之间的共性度量（也可以理解为相似度），如，可以采用欧几里得距离确定思路等确定该第一判别变量与第二判别变量之间的适配性评价。其中，适配性评价满足要求可以为适配性评价大于预设阈值。

其中，第一数据库维护分析网络是将维护操作行为量化编码变更成用于表征该数据库维护操作行为树注释的预配维护意向关键词的知识向量，而第二数据库维护分析网络是将AI问答语音量化编码变更成用于表征该数据库维护操作行为树注释的预配维护意向关键词的知识向量，那么在数据库维护操作行为树注释的预配维护意向关键词通过审核的基础上，该第一判别变量和第二判别变量应该一致或者类似，因此，如果这两个判别变量的适配性评价符合要求，则说明数据库维护操作行为树注释的预配维护意向关键词是匹配的，因而判定为通过审核。否则，如果第一判别变量和第二判别变量的适配性评价不符合要求，则确定该数据库维护操作行为树注释的预配维护意向关键词是不匹配的，因而判定为不通过审核。

本发明会获取该拟分析的数据库维护操作行为树牵涉的最少一种维护需求AI问答语音，在获取数据库维护操作行为树的维护操作行为量化编码的基础上，还可以结合数据库维护操作行为树牵涉的维护需求AI问答语音确定数据库维护操作行为树的AI问答语音量化编码。基于此，针对数据库维护操作行为树的维护操作行为量化编码和AI问答语音量化编码两个层面的知识向量，分别基于已调试出的且适用于该数据库维护操作行为树的预配维护意向关键词的第一数据库维护分析网络和第二数据库维护分析网络，这样可以确定出用于分析数据库维护操作行为树的预配维护意向关键词的第一判别变量和第二判别变量，基于此，结合第一判别变量和第二判别变量的适配性评价即可分析该数据库维护操作行为树注释的预配维护意向关键词是否准确，无需额外处理即可识别数据库维护操作行为树注释的预配维护意向关键词是否准确，有效规避了对数据库维护操作行为树的预配维护意向关键词进行过滤所造成的执行难度，进而提高针对数据库维护操作行为树的预配维护意向关键词匹配分析的时效性。

此外，鉴于本发明在识别数据库维护操作行为树注释的预配维护意向关键词的思路中结合了数据库维护操作行为树自身的维护操作行为量化编码以及数据库维护操作行为树牵涉的维护需求AI问答语音的AI问答语音量化编码，能够基于跨模态的特征进行扰动数据库维护操作行为树识别，便于提高扰动数据库维护操作行为树识别的精度。

对于本发明实施例而言，数据库维护操作行为树牵涉的最少一种维护需求AI问答语音的AI问答语音量化编码即使可以反映出数据库维护操作行为树关联维护需求AI问答语音所表征出的该数据库维护操作行为树的种类特征，但是由于AI问答语音量化编码并不是直接表征出该数据库维护操作行为树牵涉的维护需求AI问答语音所能表征的维护操作行为树种类，为了更加精准地确定出AI问答语音量化编码所对应的维护操作行为树种类，在本发明实施例中，还可以结合AI问答语音量化编码，确定数据库维护操作行为树牵涉的维护需求AI问答语音所表征的维护操作行为树种类，然后，再将结合该维护操作行为树种类对应的维护任务判别决策向量变换成第二判别变量。

本发明结合数据库维护操作行为树的AI问答语音量化编码得到第二判别变量的一种示例性设计思路可以包括如下相关内容。

步骤501，针对所确定的数据库维护操作行为树的AI问答语音量化编码，基于已调试出的维护任务判别网络确定该数据库维护操作行为树的AI问答语音量化编码对应的目标维护操作行为树种类。

其中，将结合数据库维护操作行为树的AI问答语音量化编码，所确定的该数据库维护操作行为树所匹配的维护操作行为树种类称为目标维护操作行为树种类。该维护任务判别网络（可以理解为维护任务的分类器模型）为通过对数据库维护操作行为树的AI问答语音量化编码进行类别分析，最后得到该目标维护操作行为树种类。

该维护任务判别网络为注释有预配维护意向关键词的多个第三数据库维护操作行为树示例作为网络调试样例，并结合该第三数据库维护操作行为树示例牵涉的维护需求AI问答语音对应的AI问答语音量化编码调试得到。

示例性的，将调试维护任务判别网络的数据库维护操作行为树示例称为第三数据库维护操作行为树示例，该第三数据库维护操作行为树示例可以与前述调试问答语音量化编码处理网络所采用的数据库维护操作行为树示例一致，也可以不一致。该多个第三数据库维护操作行为树示例的预配维护意向关键词可以为具有正确注释的预配维护意向关键词的多个第三数据库维护操作行为树示例，当然，该多个第三数据库维护操作行为树示例中也可以是包括了低于预设占比的预配维护意向关键词注释存在偏差的数据库维护操作行为树示例。

在一些示例性实施例中，维护任务判别网络为基于与该数据库维护操作行为树注释的预配维护意向关键词一致的多个第三数据库维护操作行为树示例作为网络调试样例调试所得的。

进一步地，该维护任务判别网络可以为基于多个第三数据库维护操作行为树示例对AI算法进行调试所得的，如，维护任务判别网络可以为深度残差网络。

示例性的，维护任务判别网络的调试期望为确定出的各个第三数据库维护操作行为树示例的预配维护意向关键词与各个第三数据库维护操作行为树示例实际注释的预配维护意向关键词相匹配，比如，可以结合维护任务判别网络确定出的各个第三数据库维护操作行为树示例的预配维护意向关键词以及各个第三数据库维护操作行为树示例实际注释的预配维护意向关键词确定三元组损失函数值，调试期望为该三元组损失函数值趋于稳定或者小于设定值等。其中，调试该维护任务判别网络的思路与前述调试问答语音量化编码处理网络的思路相似。

针对每个第三数据库维护操作行为树示例，可以将第三数据库维护操作行为树示例对应的AI问答语音量化编码加载至拟调试的维护任务判别网络，得到维护任务判别网络确定出的维护操作行为树种类；结合各个第三数据库维护操作行为树示例实际注释的预配维护意向关键词以及确定出的维护操作行为树种类，判断是否到达调试达标要求，如果是，则结束调试；如果否，则改进该维护任务判别网络的网络配置权重，并再次基于该多个第三数据库维护操作行为树示例调试该维护任务判别网络。

步骤502，确定用于反映该目标维护操作行为树种类的维护任务判别决策向量。

在一些示例下，依据不同维护操作行为树种类与维护任务判别决策向量（维护任务种类细节）的映射列表，确定该目标维护操作行为树种类的维护任务判别决策向量。其中，该维护操作行为树种类对应的维护任务判别决策向量为根据匹配该目标维护操作行为树种类的多个第四数据库维护操作行为树示例的AI问答语音量化编码，所确定的对应于核心分团成员的第四数据库维护操作行为树示例的AI问答语音量化编码。

其中，第四数据库维护操作行为树示例的AI问答语音量化编码是结合第四数据库维护操作行为树示例牵涉的维护需求AI问答语音所确定的，具体过程与前述结合数据库维护操作行为树牵涉的维护需求AI问答语音确定数据库维护操作行为树的AI问答语音量化编码的思路相似。

适应性的，得到数据库维护操作行为树示例的AI问答语音量化编码之后，同样可以结合维护任务判别网络确定出数据库维护操作行为树示例所匹配的维护操作行为树种类。在本发明中，为了确定出该数据库维护操作行为树所匹配的目标维护操作行为树种类对应的维护任务判别决策向量，需要获取属于该目标维护操作行为树种类的多个第四数据库维护操作行为树示例，然后，结合该多个第四数据库维护操作行为树示例的AI问答语音量化编码，确定该多个第四数据库维护操作行为树示例的代表性特征，即该多个第四数据库维护操作行为树示例组成的目标维护操作行为树种类的代表性特征。

鉴于处于该目标维护操作行为树种类的代表性特征的第四数据库维护操作行为树示例的AI问答语音量化编码最能够表达该目标维护操作行为树种类的种类细节，因此，将对应于核心分团成员的第四数据库维护操作行为树示例的AI问答语音量化编码作为该目标维护操作行为树种类对应的维护任务判别决策向量，以实现更为准确表达属于该目标维护操作行为树种类的各个维护需求AI问答语音具有的维护任务判别决策向量。

将用于确定该目标维护操作行为树种类对应的维护任务判别决策向量所采用的数据库维护操作行为树示例称为第四数据库维护操作行为树示例。在实际实施时，第四数据库维护操作行为树示例可以属于多个第三数据库维护操作行为树示例，也可以是独立于第三数据库维护操作行为树示例之外的数据库维护操作行为树示例。

在结合第三数据库维护操作行为树示例调试出维护任务判别网络之后，可以基于维护任务判别网络确定出各个第三数据库维护操作行为树示例的维护操作行为树种类，然后，针对每个维护操作行为树种类，可以结合该维护操作行为树种类的多个第三数据库维护操作行为树示例的AI问答语音量化编码，确定出于代表性特征的第三数据库维护操作行为树示例，并将对应于核心分团成员的第三数据库维护操作行为树示例的AI问答语音量化编码确定为该维护操作行为树种类的维护任务判别决策向量。其中，针对目标维护操作行为树种类，属于目标维护操作行为树种类的第三数据库维护操作行为树示例就是该第四数据库维护操作行为树示例。

在一些示例性实施例中，确定该目标维护操作行为树种类的维护任务判别决策向量所采用的该第四数据库维护操作行为树示例为与该数据库维护操作行为树注释有相同的预配维护意向关键词。

其中，结合属于目标维护操作行为树种类的多个第四数据库维护操作行为树示例而言，确定该目标维护操作行为树种类的代表性特征的思路可以通过K均值算法确定由该多个第四数据库维护操作行为树示例组成的目标维护操作行为树种类的代表性特征。

步骤503，基于已调试出的第二数据库维护分析网络，将该维护任务判别决策向量变更成第二判别变量。

其中，在本发明实施例中，AI问答语音量化编码以及维护任务判别决策向量都可以为特征编码，因此，可以将该维护任务判别决策向量直接加载至该第二数据库维护分析网络，以得到输出的第二判别变量。

本发明实施例在确定AI问答语音量化编码对应的第二判别变量时，会先确定AI问答语音量化编码表征的目标维护操作行为树种类，然后获取目标维护操作行为树种类对应的维护任务判别决策向量，由于本发明实施例可以将属于该目标维护操作行为树种类的多个数据库维护操作行为树示例中对应于核心分团成员的数据库维护操作行为树示例所对应的AI问答语音量化编码确定为该目标维护操作行为树种类的维护任务判别决策向量，从而使得目标维护操作行为树种类的维护任务判别决策向量可以更为精准地表征出该目标维护操作行为树种类的AI问答语音量化编码，进而结合该目标维护操作行为树种类的维护任务判别决策向量可以更为精准地确定能够用于识别数据库维护操作行为树的预配维护意向关键词是否准确的第二判别变量。

本发明调试第一数据库维护分析网络和第二数据库维护分析网络的一种示例性设计思路可以包括如下相关内容。

步骤701，获取多个第一数据库维护操作行为树示例以及每个第一数据库维护操作行为树示例牵涉的最少一种维护需求AI问答语音。

本发明实施例中，对拟分析的数据库维护操作行为树进行处理的思路中，需要基于与数据库维护操作行为树注释的预配维护意向关键词对应的第一数据库维护分析网络和第二数据库维护分析网络。因此，针对拟分析的数据库维护操作行为树，在调试适用于对该数据库维护操作行为树的维护操作行为量化编码和AI问答语音量化编码进行特征投影的第一数据库维护分析网络和第二数据库维护分析网络的思路中，作为网络调试样例的第一数据库维护操作行为树示例的预配维护意向关键词与拟分析的数据库维护操作行为树注释的预配维护意向关键词一致。

比如，为了能够分析注释为“用户口令定期更改”这一预配维护意向关键词的数据库维护操作行为树所注释的预配维护意向关键词是否准确，需要获取标注为“用户口令定期更改”的多个第一数据库维护操作行为树示例，以结合该多个第一数据库维护操作行为树示例调试适用于对“用户口令定期更改”这一预配维护意向关键词的数据库维护操作行为树的第一数据库维护分析网络和第二数据库维护分析网络。

为了测试网络调试的质量，该多个第一数据库维护操作行为树示例注释的预配维护意向关键词是否准确是先验的。在本发明实施例中，以该多个第一数据库维护操作行为树示例可以包括预配维护意向关键词注释通过审核的最少一个第一数据库维护操作行为树示例和预配维护意向关键词注释存在偏差的最少一个第一数据库维护操作行为树示例为例。

步骤702，针对每个第一数据库维护操作行为树示例，提取该第一数据库维护操作行为树示例的维护操作行为量化编码，结合该第一数据库维护操作行为树示例牵涉的最少一种维护需求AI问答语音，确定该第一数据库维护操作行为树数据库维护操作行为树的AI问答语音量化编码，基于拟调试的第一数据库维护分析网络，将该第一数据库维护操作行为树示例的维护操作行为量化编码变更成第三判别变量，并结合拟调试的第二数据库维护分析网络，确定该第一数据库维护操作行为树示例的AI问答语音量化编码对应的第四判别变量。

本发明实施例中，第三判别变量为第一数据库维护操作行为树示例确定出的，表征该第一数据库维护操作行为树示例所匹配的预配维护意向关键词的判别变量。该第四判别变量表示该第一数据库维护操作行为树示例的AI问答语音量化编码中呈现的表征该第一数据库维护操作行为树示例所匹配的预配维护意向关键词的知识向量。

本发明实施例中，确定第一数据库维护操作行为树示例的维护操作行为量化编码和AI问答语音量化编码的思路与前述确定数据库维护操作行为树的维护操作行为量化编码和AI问答语音量化编码的思路相似。适应性的，确定第三判别变量的思路与前述确定第一判别变量的思路相似，且确定第四判别变量的思路与前述确定第二判别变量的思路相似。

在调试过程中，如果先确定出第一数据库维护操作行为树示例的AI问答语音量化编码对应的维护操作行为树种类，再确定出该维护操作行为树种类对应的维护任务判别决策向量，那么可以将该第一数据库维护操作行为树示例对应的维护任务判别决策向量加载至拟调试的第二数据库维护分析网络，得到该第二数据库维护分析网络输出的第四判别变量。

步骤703，针对预配维护意向关键词注释通过审核的第一数据库维护操作行为树示例，如该第一数据库维护操作行为树示例的第三判别变量和第四判别变量之间的适配性评价满足要求，则确定该第一数据库维护操作行为树示例的知识向量完成变换。

步骤704，针对预配维护意向关键词注释存在偏差的第一数据库维护操作行为树示例，如该第一数据库维护操作行为树示例的第三判别变量和第四判别变量之间的适配性评价不满足要求，则确定该第一数据库维护操作行为树示例的知识向量完成变换。

步骤705，倘若结合知识向量完成变换的各第一数据库维护操作行为树示例确定出不符合调试达标要求，则改进该第一数据库维护分析网络和第二数据库维护分析网络的网络配置权重（内部参数），直至结合知识向量完成变换的各第一数据库维护操作行为树示例确定出符合调试达标要求。

步骤705中的调试达标要求可以知识向量完成变换的第一数据库维护操作行为树示例的占比超过预设阈值。

对于多个第一数据库维护操作行为树示例，可以确定各个第一数据库维护操作行为树示例的网络代价指标（损失函数值）的均值，作为最终的网络代价指标。

在本发明实施例中，该步骤703和步骤705反映了前述提到的调试期望。可见，该调试期望实际上是让已认证数据库维护操作行为树（预配维护意向关键词注释准确）的维护操作行为量化编码的知识向量映射与维护任务判别决策向量的知识向量投影变换结果相似，而使得扰动数据库维护操作行为树（预配维护意向关键词注释准确）的维护操作行为量化编码的知识向量映射与维护任务判别决策向量的知识向量投影变换结果不相似。

因此，在调试出第一数据库维护分析网络和第二数据库维护分析网络之后，针对与调试这两个数据库维护分析网络（也可以理解为特征映射网络）所采用的数据库维护操作行为树示例具有相同预配维护意向关键词的数据库维护操作行为树而言，如果该数据库维护操作行为树注释的预配维护意向关键词是正确适配的，那么，在调用第一数据库维护分析网络将该数据库维护操作行为树的维护操作行为量化编码变更成第一判别变量，且基于第二数据库维护分析网络将数据库维护操作行为树的AI问答语音量化编码（或者维护任务判别决策向量）变更成第二判别变量之后，该第一判别变量与第二判别变量适配性评价符合要求；反之，如果数据库维护操作行为树注释的预配维护意向关键词没有通过匹配度审核，则第一判别变量与第二判别变量适配性评价不符合要求，因而能够确定出预配维护意向关键词注释存在偏差的数据库维护操作行为树。

在一些示例下，本发明在获取拟分析的数据库维护操作行为树之后，一个处理路径为维护操作行为量化编码表达，另一个处理路径为AI问答语音量化编码表达。

其中，维护操作行为量化编码表达为对数据库维护操作行为树的维护操作行为量化编码进行处理的处理路径，具体为：DNN可以理解为将数据库维护操作行为树加载至结合深度学习调试所得的知识向量提取模型，维护操作行为量化编码组件是获取DNN得到的该数据库维护操作行为树的维护操作行为量化编码。

而AI问答语音量化编码表达为结合数据库维护操作行为树的维护需求AI问答语音，确定用于表征数据库维护操作行为树所对应维护意向关键词的维护任务判别决策向量的处理路径。示例性的，文本自然语言处理模型确定数据库维护操作行为树的维护需求AI问答语音的问答语音编码特征；然后，维护任务判别组件将问答语音编码特征变更成能够表征维护需求AI问答语音所述维护任务判别的AI问答语音量化编码；再然后，维护任务判别组件确定AI问答语音量化编码对应的目标维护操作行为树种类；最后，特征挖掘组件确定该目标维护操作行为树种类对应的维护任务判别决策向量（维护任务判别决策特征编码）。

在通过以上两个处理路径分别得到维护操作行为量化编码和维护任务判别决策向量之后，会分别通过维护操作行为量化编码映射和AI问答语音量化编码映射，得到第一判别变量和第二判别变量，从而通过比较第一判别变量和第二判别变量可以得到该数据库维护操作行为树的判别变量是否注释通过审核的结论。

本发明的基于大数据的数据库维护分析方法的又一个实施例可以包括如下相关内容。

步骤901，获取拟分析的数据库维护操作行为树以及该数据库维护操作行为树牵涉的最少一种维护需求AI问答语音。

其中，该数据库维护操作行为树注释有预配维护意向关键词。

步骤902，将该数据库维护操作行为树输入已调试的量化编码网络，并提取该量化编码网络的隐含层输出的维护操作行为量化编码。

如，在量化编码网络为AI算法的基础上，该隐含层可以为pool层。

步骤903，基于编码特征变更网络分别将该数据库维护操作行为树牵涉的每种维护需求AI问答语音变更成问答语音编码特征，并结合对数据库维护操作行为树牵涉的各维护需求AI问答语音对应的问答语音编码特征，确定该数据库维护操作行为树牵涉的最少一种维护需求AI问答语音对应的问答语音编码特征。

步骤904，将数据库维护操作行为树牵涉的最少一种维护需求AI问答语音对应的问答语音编码特征加载至已调试出的问答语音量化编码处理网络，并提取问答语音量化编码处理网络的隐含层中间结果作为该数据库维护操作行为树的AI问答语音量化编码。

其中，该问答语音量化编码处理网络为将与该数据库维护操作行为树注释有相同的预配维护意向关键词的多个第二数据库维护操作行为树示例作为网络调试样例，并结合该第二数据库维护操作行为树示例牵涉的维护需求AI问答语音所对应的问答语音编码特征调试所得的。

步骤905，将该数据库维护操作行为树的AI问答语音量化编码加载至已调试出的维护任务判别网络，得到维护任务判别网络输出的目标维护操作行为树种类。

示例性的，该维护任务判别网络为将与该数据库维护操作行为树注释有相同的预配维护意向关键词的多个第三数据库维护操作行为树示例作为网络调试样例，并结合该第三数据库维护操作行为树示例牵涉的维护需求AI问答语音对应的AI问答语音量化编码调试得到。

步骤906，依据不同维护操作行为树种类与维护任务判别决策向量的映射列表，确定该目标维护操作行为树种类的维护任务判别决策向量。

其中，维护操作行为树种类对应的维护任务判别决策向量为根据匹配该维护操作行为树种类的多个第四数据库维护操作行为树示例的AI问答语音量化编码，所确定的对应于核心分团成员的第四数据库维护操作行为树示例的AI问答语音量化编码，该第四数据库维护操作行为树示例与该数据库维护操作行为树注释有相同的预配维护意向关键词。

步骤907，基于已调试的第一数据库维护分析网络将该数据库维护操作行为树的维护操作行为量化编码变更成第一判别变量。

步骤908，基于已调试出的第二数据库维护分析网络，将该维护任务判别决策向量变更成第二判别变量。

步骤909，如果第一判别变量和第二判别变量的适配性评价大于预设阈值，则确定该数据库维护操作行为树注释的预配维护意向关键词通过审核。

在本发明实施例中，以适配性评价符合要求为适配性评价大于预设阈值为例，在实际实施时，还可以灵活设置其他条件。

在上述内容的基础上，在一些可独立的实施例中，在步骤206之后，所述方法还包括：将所述数据库维护操作行为树及其注释的预配维护意向关键词进行关联存储。

这样一来，将通过审核的数据库维护操作行为树+预配维护意向关键词进行关联存储，能够便于之后快速查询和调用，从而提高之后数据库维护的效率和准确性。

此外，在上述实施例中，通过量化编码来反映操作行为和问答语音的特征，能够简化运算量，还能够避免连续编码带来的误差积累，从而快速、精准地实现数据库维护操作行为树和预配维护意向关键词的匹配分析。

进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述示例性描述的***和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本发明所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

Claims (6)

1.一种基于大数据的数据库维护分析方法，其特征在于，应用于数据库维护分析服务器，所述方法包括：

对拟分析的数据库维护操作行为树分别进行维护操作行为量化编码和AI问答语音量化编码的挖掘处理；

通过数据库维护分析网络，分别生成所述维护操作行为量化编码所对应的第一判别变量和所述AI问答语音量化编码所对应的第二判别变量；

利用所述第一判别变量和所述第二判别变量判断所述数据库维护操作行为树注释的预配维护意向关键词是否通过审核；

其中，所述对拟分析的数据库维护操作行为树分别进行维护操作行为量化编码和AI问答语音量化编码的挖掘处理，包括：

获取拟分析的数据库维护操作行为树以及所述数据库维护操作行为树牵涉的最少一种维护需求AI问答语音，所述数据库维护操作行为树注释有预配维护意向关键词；

提炼所述数据库维护操作行为树的维护操作行为量化编码；结合所述数据库维护操作行为树的最少一种维护需求AI问答语音，确定所述数据库维护操作行为树的AI问答语音量化编码，所述AI问答语音量化编码为所述数据库维护操作行为树的最少一种维护需求AI问答语音中用于表征所述数据库维护操作行为树所对应维护意向关键词的编码知识；

其中，所述通过数据库维护分析网络，分别生成所述维护操作行为量化编码所对应的第一判别变量和所述AI问答语音量化编码所对应的第二判别变量，包括：

调用第一数据库维护分析网络，将所述数据库维护操作行为树的维护操作行为量化编码变更成表征所述数据库维护操作行为树所匹配的预配维护意向关键词的第一判别变量；

调用第二数据库维护分析网络，确定所述数据库维护操作行为树的AI问答语音量化编码对应的第二判别变量，所述第二判别变量反映所述数据库维护操作行为树的AI问答语音量化编码中呈现的表征所述数据库维护操作行为树所匹配的预配维护意向关键词的知识向量，第一数据库维护分析网络和第二数据库维护分析网络为基于与所述数据库维护操作行为树存在一致的预配维护意向关键词的多个第一数据库维护操作行为树示例作为网络调试样例，并结合所述第一数据库维护操作行为树示例的维护操作行为量化编码和AI问答语音量化编码调试所得的，所述第一数据库维护操作行为树示例的AI问答语音量化编码为结合所述第一数据库维护操作行为树示例牵涉的维护需求AI问答语音确定的；

其中，所述利用所述第一判别变量和所述第二判别变量判断所述数据库维护操作行为树注释的预配维护意向关键词是否通过审核，包括：

倘若所述第一判别变量和所述第二判别变量的适配性评价满足要求，则确定所述数据库维护操作行为树注释的预配维护意向关键词通过审核；

其中，所述第一数据库维护分析网络和第二数据库维护分析网络为至少基于预配维护意向关键词注释通过审核的最少一个第一数据库维护操作行为树示例作为网络调试样例，并依据预设的调试期望，结合所述第一数据库维护操作行为树示例的维护操作行为量化编码和AI问答语音量化编码调试所得的；所述调试期望为所述预配维护意向关键词注释通过审核的第一数据库维护操作行为树示例对应的第三判别变量与第四判别变量的适配性评价满足要求；

其中，所述第三判别变量为所述第一数据库维护分析网络将第一数据库维护操作行为树示例的维护操作行为量化编码确定出的判别变量；所述第四判别变量为结合所述第二数据库维护分析网络所确定的所述第一数据库维护操作行为树示例的AI问答语音量化编码对应的判别变量；

其中，所述第一数据库维护分析网络和第二数据库维护分析网络基于以下步骤调试得到：

获取多个第一数据库维护操作行为树示例以及所述第一数据库维护操作行为树示例牵涉的最少一种维护需求AI问答语音，所述第一数据库维护操作行为树示例的预配维护意向关键词与所述数据库维护操作行为树的预配维护意向关键词一致，且所述多个第一数据库维护操作行为树示例中包括预配维护意向关键词注释通过审核的最少一个第一数据库维护操作行为树示例和预配维护意向关键词注释存在偏差的最少一个第一数据库维护操作行为树示例；

针对每个第一数据库维护操作行为树示例，提炼所述第一数据库维护操作行为树示例的维护操作行为量化编码，结合所述第一数据库维护操作行为树示例牵涉的最少一种维护需求AI问答语音，确定所述第一数据库维护操作行为树示例的AI问答语音量化编码，基于拟调试的第一数据库维护分析网络，将所述第一数据库维护操作行为树示例的维护操作行为量化编码变更成表征所述第一数据库维护操作行为树示例所匹配的预配维护意向关键词的第三判别变量，并结合拟调试的第二数据库维护分析网络，确定所述第一数据库维护操作行为树示例的AI问答语音量化编码对应的第四判别变量，所述第四判别变量反映所述第一数据库维护操作行为树示例的AI问答语音量化编码中呈现的表征所述第一数据库维护操作行为树示例所匹配的预配维护意向关键词的知识向量；

针对预配维护意向关键词注释通过审核的第一数据库维护操作行为树示例，倘若所述第一数据库维护操作行为树示例的第三判别变量和第四判别变量之间的适配性评价满足要求，则确定所述第一数据库维护操作行为树示例的知识向量完成变换；

针对预配维护意向关键词注释存在偏差的第一数据库维护操作行为树示例，倘若所述第一数据库维护操作行为树示例的第三判别变量和第四判别变量之间的适配性评价不满足要求，则确定所述第一数据库维护操作行为树示例的知识向量完成变换；

倘若结合知识向量完成变换的各第一数据库维护操作行为树示例确定出不符合调试达标要求，则改进所述第一数据库维护分析网络和第二数据库维护分析网络的网络配置权重，直至结合知识向量完成变换的各第一数据库维护操作行为树示例确定出符合调试达标要求。

2.根据权利要求1所述的方法，其特征在于，所述结合所述数据库维护操作行为树的最少一种维护需求AI问答语音，确定所述数据库维护操作行为树的AI问答语音量化编码，包括：

确定所述数据库维护操作行为树牵涉的最少一种维护需求AI问答语音对应的问答语音编码特征；

将所述数据库维护操作行为树对应的问答语音编码特征加载至问答语音量化编码处理网络，并提炼所述问答语音量化编码处理网络的隐含层中间结果，将提炼得到的中间结果确定为所述数据库维护操作行为树的AI问答语音量化编码，所述问答语音量化编码处理网络为将注释有预配维护意向关键词的多个第二数据库维护操作行为树示例作为网络调试样例，并结合所述第二数据库维护操作行为树示例牵涉的维护需求AI问答语音所对应的问答语音编码特征调试所得的。

3.根据权利要求1或2所述的方法，其特征在于，在确定出所述数据库维护操作行为树的AI问答语音量化编码之后，所述方法还包括：基于维护任务判别网络确定所述数据库维护操作行为树的AI问答语音量化编码对应的目标维护操作行为树种类，所述维护任务判别网络为将注释有预配维护意向关键词的多个第三数据库维护操作行为树示例作为网络调试样例，并结合所述第三数据库维护操作行为树示例牵涉的维护需求AI问答语音对应的AI问答语音量化编码调试得到；确定用于反映所述目标维护操作行为树种类的维护任务判别决策向量；

所述调用第二数据库维护分析网络，确定所述数据库维护操作行为树的AI问答语音量化编码对应的第二判别变量，包括：基于第二数据库维护分析网络，将所述维护任务判别决策向量变更成第二判别变量；

其中，所述确定用于反映所述目标维护操作行为树种类的维护任务判别决策向量，包括：

依据不同维护操作行为树种类与维护任务判别决策向量的映射列表，确定所述目标维护操作行为树种类的维护任务判别决策向量，其中，维护操作行为树种类对应的维护任务判别决策向量为根据匹配所述目标维护操作行为树种类的多个第四数据库维护操作行为树示例的AI问答语音量化编码，所确定的对应于核心分团成员的第四数据库维护操作行为树示例的AI问答语音量化编码。

4.根据权利要求2所述的方法，其特征在于，在所述数据库维护操作行为树与多种维护需求AI问答语音存在牵涉的基础上，所述确定所述数据库维护操作行为树牵涉的最少一种维护需求AI问答语音对应的问答语音编码特征，包括：

基于编码特征变更网络分别将所述数据库维护操作行为树牵涉的每种维护需求AI问答语音变更成问答语音编码特征；

对所述数据库维护操作行为树牵涉的多种维护需求AI问答语音各自确定出的问答语音编码特征进行整合，得到所述数据库维护操作行为树牵涉的多种维护需求AI问答语音对应的问答语音编码特征。

5.一种数据库维护分析服务器，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求1-4任一项所述的方法。

6.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时实现上述权利要求1-4任一项所述的方法。