CN116561134A - 业务规则处理方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及数据处理领域，公开了一种业务规则处理方法、装置、设备及存储介质，用于实现自动化的业务规则处理并提高业务规则的灵活性。方法包括：对多个第一业务规则进行关联关系解析，生成规则关系图并进行聚类分析，构建第一规则树模型；对目标业务数据进行内容分析，得到业务特征信息以及上下文特征信息；将业务特征信息以及上下文特征信息输入第一规则树模型进行规则遍历匹配，得到第二业务规则集合；对第二业务规则集合进行规则验证，得到规则验证结果，并根据规则验证结果获取第一规则树模型的性能参数数据；根据性能参数数据对第一规则树模型进行迭代优化，得到第二规则树模型，并将第二业务规则集合反馈至预置的客户终端。

Description

业务规则处理方法、装置、设备及存储介质

技术领域

本发明涉及数据处理领域，尤其涉及一种业务规则处理方法、装置、设备及存储介质。

背景技术

随着信息技术的迅速发展，各个行业的业务***中积累了大量的数据。在大部分的业务***中，存在大量的业务规则。随着这几年互联网的快速发展，业务规则呈现出更加精细化和规划化的特征。业务规则是组织和企业业务流程中的核心要素，涉及到业务逻辑、条件判断、决策流程等方面。有效地管理和处理业务规则对于提高业务流程的自动化程度、降低错误率、提升决策质量具有重要意义。

目前，现有方案难以有效地处理复杂的规则关系，导致规则的管理和优化效果不佳。当前的业务规则处理方法主要依赖于手工定义规则和静态的规则逻辑，缺乏智能化和自适应性。对于动态变化的业务环境和需求，现有方法难以灵活地适应和调整，限制了业务规则处理的灵活性和自动化程度。

发明内容

本发明提供了一种业务规则处理方法、装置、设备及存储介质，用于实现自动化的业务规则处理并提高业务规则的灵活性。

本发明第一方面提供了一种业务规则处理方法，所述业务规则处理方法包括：

获取目标业务***的多个关联数据源，并从所述多个关联数据源中获取多个第一业务规则；

对所述多个第一业务规则进行关联关系解析，生成规则关系图，并对所述规则关系图进行聚类分析，构建第一规则树模型；

获取所述目标业务***的目标业务数据，并对所述目标业务数据进行内容分析，得到业务特征信息以及上下文特征信息；

将所述业务特征信息以及所述上下文特征信息输入所述第一规则树模型进行规则遍历匹配，得到第二业务规则集合；

对所述第二业务规则集合进行规则验证，得到规则验证结果，并根据所述规则验证结果获取所述第一规则树模型的性能参数数据；

根据所述性能参数数据对所述第一规则树模型进行迭代优化，得到第二规则树模型，并将所述第二业务规则集合反馈至预置的客户终端。

结合第一方面，在本发明第一方面的第一种实现方式中，所述获取目标业务***的多个关联数据源，并从所述多个关联数据源中获取多个第一业务规则，包括：

获取目标业务***的多个关联数据源，其中，所述多个关联数据源包括数据库以及文件***；

配置所述多个关联数据源的连接方式，得到数据源连接，并基于所述数据源连接从所述多个关联数据源中提取目标元数据，其中，所述目标元数据包括数据结构、表名、列名以及索引信息；

定义规则范围、规则条件以及规则格式，同时，定义过滤条件，并执行预设的SQL查询语句从所述目标元数据中查询规则关联数据，得到多个第一业务规则。

结合第一方面，在本发明第一方面的第二种实现方式中，所述对所述多个第一业务规则进行关联关系解析，生成规则关系图，并对所述规则关系图进行聚类分析，构建第一规则树模型，包括：

对所述多个第一业务规则进行规则信息解析，得到每个第一业务规则的规则特征信息；

根据所述规则特征信息对所述多个第一业务规则进行逻辑关系分析，得到每两个第一业务规则之间的逻辑关系；

基于每两个第一业务规则之间的逻辑关系构建所述多个第一业务规则的规则关系图；

对所述规则关系图进行有向图结构转换，得到第一有向规则结构图；

对所述第一有向规则结构图进行节点聚类分析，得到所述第一有向规则结构图中每个节点的聚类评价指标；

根据所述聚类评价指标对所述第一有向规则结构图中每个节点进行权重分析，得到每个节点的权重数据，并基于每个节点的权重数据生成第二有向规则结构图；

根据所述第二有向规则结构图计算每个节点的从属关系，并根据所述从属关系构建第一规则树模型。

结合第一方面，在本发明第一方面的第三种实现方式中，所述获取所述目标业务***的目标业务数据，并对所述目标业务数据进行内容分析，得到业务特征信息以及上下文特征信息，包括：

获取所述目标业务***的目标业务数据，并对所述目标业务数据进行关键词分词，得到多个关键词，其中，所述多个关键词包括客户姓名、公司名称、联系方式、客户的交互频率以及购买金额；

对所述多个关键词进行关键词向量转换，得到业务特征信息，其中，所述业务特征信息包括多个关键词特征向量；

对所述多个关键词特征向量进行欧式距离计算，得到多个欧式距离；

根据所述多个欧式距离确定所述目标业务数据的上下文特征信息。

结合第一方面，在本发明第一方面的第四种实现方式中，所述将所述业务特征信息以及所述上下文特征信息输入所述第一规则树模型进行规则遍历匹配，得到第二业务规则集合，包括：

将所述业务特征信息以及所述上下文特征信息输入所述第一规则树模型，通过所述第一规则树模型匹配对应的根业务规则；

遍历所述第一规则树模型中所述根业务规则对应的一级关联业务规则；

在依次遍历所述根业务规则的一级关联业务规则之后，依次遍历所述一级关联业务规则的二级关联业务规则；

根据所述根业务规则、所述一级关联业务规则以及所述二级关联业务规则创建第二业务规则集合。

结合第一方面，在本发明第一方面的第五种实现方式中，所述对所述第二业务规则集合进行规则验证，得到规则验证结果，并根据所述规则验证结果获取所述第一规则树模型的性能参数数据，包括：

对所述第二业务规则集合进行规则有效性验证，得到规则有效性验证指标；

对所述第二业务规则集合进行规则匹配度分析，得到规则匹配度；

根据所述规则有效性验证指标和所述规则匹配度生成对应的规则验证结果；

根据所述规则验证结果获取所述第一规则树模型的性能参数数据，其中，所述性能参数数据包括：规则执行时间以及资源消耗。

结合第一方面，在本发明第一方面的第六种实现方式中，所述根据所述性能参数数据对所述第一规则树模型进行迭代优化，得到第二规则树模型，并将所述第二业务规则集合反馈至预置的客户终端，包括：

根据所述性能参数数据对所述第一规则树模型进行节点顺序调整，得到规则树节点顺序；

对所述第一规则树模型进行规则条件优化，得到优化后的规则条件判断逻辑和规则表达式；

根据所述规则树节点顺序以及所述优化后的规则条件判断逻辑和规则表达式生成第二规则树模型；

将所述第二业务规则集合反馈至预置的客户终端。

本发明第二方面提供了一种业务规则处理装置，所述业务规则处理装置包括：

获取模块，用于获取目标业务***的多个关联数据源，并从所述多个关联数据源中获取多个第一业务规则；

解析模块，用于对所述多个第一业务规则进行关联关系解析，生成规则关系图，并对所述规则关系图进行聚类分析，构建第一规则树模型；

分析模块，用于获取所述目标业务***的目标业务数据，并对所述目标业务数据进行内容分析，得到业务特征信息以及上下文特征信息；

匹配模块，用于将所述业务特征信息以及所述上下文特征信息输入所述第一规则树模型进行规则遍历匹配，得到第二业务规则集合；

验证模块，用于对所述第二业务规则集合进行规则验证，得到规则验证结果，并根据所述规则验证结果获取所述第一规则树模型的性能参数数据；

优化模块，用于根据所述性能参数数据对所述第一规则树模型进行迭代优化，得到第二规则树模型，并将所述第二业务规则集合反馈至预置的客户终端。

本发明第三方面提供了一种业务规则处理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述业务规则处理设备执行上述的业务规则处理方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的业务规则处理方法。

本发明提供的技术方案中，对多个第一业务规则进行关联关系解析，生成规则关系图并进行聚类分析，构建第一规则树模型；对目标业务数据进行内容分析，得到业务特征信息以及上下文特征信息；将业务特征信息以及上下文特征信息输入第一规则树模型进行规则遍历匹配，得到第二业务规则集合；对第二业务规则集合进行规则验证，得到规则验证结果，并根据规则验证结果获取第一规则树模型的性能参数数据；根据性能参数数据对第一规则树模型进行迭代优化，得到第二规则树模型，并将第二业务规则集合反馈至预置的客户终端，本发明通过对多个第一业务规则进行关联关系解析，并生成规则关系图，可以直观地展示规则之间的逻辑关系和依赖关系，提高规则管理和维护的效率。通过将业务特征信息和上下文特征信息输入第一规则树模型进行规则遍历匹配，得到第二业务规则集合，并进行规则验证和性能参数分析，能够及时发现规则的有效性和匹配度问题，并根据性能参数数据对规则树模型进行迭代优化，提高规则处理的准确性和效率，进而实现了自动化的业务规则处理并提高了业务规则的灵活性。

附图说明

图1为本发明实施例中业务规则处理方法的一个实施例示意图；

图2为本发明实施例中关联关系解析的流程图；

图3为本发明实施例中内容分析的流程图；

图4为本发明实施例中规则遍历匹配的流程图；

图5为本发明实施例中业务规则处理装置的一个实施例示意图；

图6为本发明实施例中业务规则处理设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种业务规则处理方法、装置、设备及存储介质，用于实现自动化的业务规则处理并提高业务规则的灵活性。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中业务规则处理方法的一个实施例包括：

S101、获取目标业务***的多个关联数据源，并从多个关联数据源中获取多个第一业务规则；

可以理解的是，本发明的执行主体可以为业务规则处理装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

具体的，服务器获取目标业务***的多个关联数据源，其中包括数据库和文件***。数据库通常用于存储结构化数据，而文件***可以存储各种文件格式。通过这些数据源，可以获得丰富的业务信息。针对每个关联数据源，需要配置连接方式。对于数据库，需要提供主机名、端口号、用户名和密码等连接信息，以建立与数据库的连接。对于文件***，可能需要指定文件路径或者网络路径等连接方式。当建立了与数据源的连接，就可以基于连接从各个关联数据源中提取目标元数据。目标元数据包括数据结构、表名、列名以及索引信息等。这些元数据将提供关于数据源中存储的数据的详细信息，为后续的规则处理做准备。需要定义规则范围、规则条件以及规则格式。规则范围确定了规则适用的数据对象，可以是特定的表、特定的列或者特定的数据类型等。规则条件描述了规则的逻辑条件，可以是基于数据的数值比较、字符串匹配、时间范围等条件。规则格式定义了规则的表达方式，可以是SQL查询语句、逻辑表达式或者规则引擎的规则语言等。同时，还需要定义过滤条件，用于筛选出符合需求的规则关联数据。过滤条件可以包括基于特定列值的筛选、基于某些特征的筛选等。根据定义的规则范围、规则条件、规则格式和过滤条件，执行预设的SQL查询语句，从目标元数据中查询规则关联数据。查询结果将包含满足规则条件和过滤条件的数据，并可以根据需要进行进一步的处理，以生成多个第一业务规则。例如，假设有一个电子商务***，其中的关联数据源包括一个MySQL数据库和一个包含产品信息的CSV文件。服务器从这些数据源中提取第一业务规则。配置数据库连接信息，如主机名、端口号、用户名和密码，以建立与数据库的连接。配置文件***连接信息，指定CSV文件的路径或者网络路径，以便读取文件中的数据。基于数据库连接和文件***连接，提取目标元数据，包括数据库中的表名、列名和索引信息，以及CSV文件中的列名和数据结构信息。定义规则范围，如订单表、产品表等，规则条件可以是订单金额大于1000元，规则条件可以是订单金额大于1000元、产品库存小于10个等。规则格式可以是SQL查询语句，例如SELECT*FROM订单表WHERE订单金额>1000。同时，服务器定义过滤条件，如仅查询有效订单或者特定产品类别的订单。根据定义的规则范围、规则条件、规则格式和过滤条件，执行预设的SQL查询语句。对于数据库数据源，服务器执行类似以下的查询语句：SELECT*FROM订单表WHERE订单金额>1000AND状态='有效'。对于文件***数据源，服务器读取CSV文件，然后根据规则条件和过滤条件筛选出符合要求的数据行。查询结果将包含满足规则条件和过滤条件的数据，这些数据可以作为第一业务规则的基础。例如，服务器根据订单金额和订单状态生成一条规则：如果订单金额大于1000并且状态为有效，则触发某个业务操作。通过以上步骤，服务器实现获取目标业务***的多个关联数据源，并从这些数据源中提取多个第一业务规则。这种方法可以帮助服务器从多个数据源中获取业务规则，为后续的规则处理和分析提供基础。

S102、对多个第一业务规则进行关联关系解析，生成规则关系图，并对规则关系图进行聚类分析，构建第一规则树模型；

具体的，服务器对多个第一业务规则进行规则信息解析，以获取每个规则的规则特征信息。规则特征信息可以包括规则的条件、操作、触发事件等。例如，对于一个电子商务平台的规则，规则特征信息可能包括订单金额、会员等级、购买时间等。根据规则特征信息，对多个第一业务规则进行逻辑关系分析，以确定每两个规则之间的逻辑关系。逻辑关系可以是逻辑运算符（如AND、OR）或条件语句等。例如，规则1和规则2可以通过逻辑关系"IF订单金额>1000元ANDVIP会员"进行关联。基于每两个规则之间的逻辑关系，构建规则关系图。规则关系图使用节点表示每个规则，边表示规则之间的关系。例如，规则1和规则2可以用节点R1和R2表示，边E1表示它们之间的逻辑关系。对规则关系图进行有向图结构转换，得到第一有向规则结构图。有向规则结构图表示规则之间的执行顺序和依赖关系。例如，如果规则1必须在规则2之前执行，那么在有向规则结构图中，节点R1将指向节点R2。对第一有向规则结构图进行节点聚类分析，以识别具有相似特征或功能的规则群组。聚类分析可以使用各种算法，如k-means、层次聚类等。聚类分析可以帮助服务器了解规则之间的共性和差异。例如，规则3和规则4可能属于同一聚类，因为它们都涉及到促销活动。根据聚类评价指标，对第一有向规则结构图中的每个节点进行权重分析。权重分析可以根据规则的重要性、影响力或其他标准来确定每个节点的权重值。例如，某个节点的权重值可以表示它在规则关系中的影响程度。基于每个节点的权重数据，生成第二有向规则结构图。第二有向规则结构图反映了规则的层次结构和重要性。节点的权重越高，表示其在规则关系中的重要性越大。例如，具有较高权重值的节点在第二有向规则结构图中将占据更高的层次。根据第二有向规则结构图计算每个节点的从属关系，并根据从属关系构建第一规则树模型。从属关系可以通过节点之间的连接和依赖关系来确定。例如，如果节点A依赖于节点B，那么节点B就是节点A的从属节点。通过分析规则之间的依赖关系和执行顺序，服务器确定规则树中的父子节点关系。最终，服务器通过对多个第一业务规则的关联关系解析、规则关系图生成、聚类分析和权重分析，构建了第一规则树模型。这个模型帮助服务器理清规则之间的逻辑关系，确定规则的执行顺序和依赖关系，从而支持业务***的规则处理和决策。

S103、获取目标业务***的目标业务数据，并对目标业务数据进行内容分析，得到业务特征信息以及上下文特征信息；

需要说明的是，获取目标业务***的目标业务数据。这可能涉及从数据库、文件***或其他数据存储源中提取相关数据。例如，如果服务器正在处理一个电子商务平台的业务数据，服务器从订单数据库中获取订单信息、客户信息等。对目标业务数据进行内容分析。这可以包括对数据进行关键词提取和分词处理。通过使用自然语言处理技术，服务器将目标业务数据中的文本字段拆分成多个关键词。例如，从客户姓名字段中提取出客户的名字和姓氏，从公司名称字段中提取公司的名称，从联系方式字段中提取电话号码或电子邮件地址等。对提取出的关键词进行关键词向量转换。关键词向量转换是将文本表示为数值向量的过程，可以使用词嵌入技术，如Word2Vec或GloVe，将每个关键词映射到一个特征向量空间。这样可以捕捉到关键词之间的语义关联和相似性。进一步，通过计算关键词特征向量之间的欧式距离来确定业务数据的上下文特征信息。欧式距离是衡量向量之间相似性或差异性的一种常用度量。通过计算关键词特征向量之间的欧式距离，服务器衡量它们在特征空间中的接近程度或相异程度。根据这些欧式距离，服务器确定目标业务数据之间的上下文关系。例如，假设服务器正在处理一个社交媒体平台的用户数据。服务器从用户的个人资料中获取了姓名、公司、联系方式等信息。服务器对这些字段进行关键词分词处理，并将它们转换为关键词特征向量。服务器计算各个关键词特征向量之间的欧式距离。如果两个用户的姓名关键词特征向量非常接近，而公司和联系方式关键词特征向量之间的欧式距离较大，服务器推断这两个用户在上下文上可能有某种关联，例如属于同一公司或同一个社交圈。通过获取目标业务***的目标业务数据，对数据进行内容分析，并利用关键词向量转换和欧式距离计算，服务器获得业务特征信息和上下文特征信息。这些信息有助于服务器理解业务数据的关联性和上下文信息，从而支持后续的业务规则处理和决策制定。在实际实现过程中，可以使用各种自然语言处理（NLP）和机器学习技术来执行上述步骤。例如，可以使用Python编程语言结合NLP库如NLTK、spaCy或gensim来进行关键词提取和分词处理。对于关键词向量转换，可以使用预训练的词嵌入模型，如Word2Vec或GloVe，或者使用深度学习模型，如BERT或ELMo，来将关键词转换为向量表示。计算欧式距离可以使用常见的数学库，如NumPy。除了欧式距离，还可以使用其他相似性度量方法，如余弦相似度或Jaccard相似度，根据具体的需求和数据特点进行选择。通过分析业务数据的业务特征信息和上下文特征信息，服务器获得对目标业务***的深入洞察。例如，在金融领域，服务器分析客户的交易记录、风险评估和资产配置信息，以生成业务特征信息和上下文特征信息。这些信息可以用于客户分类、个性化推荐和风险管理等方面的业务规则处理。

S104、将业务特征信息以及上下文特征信息输入第一规则树模型进行规则遍历匹配，得到第二业务规则集合；

具体的，服务器将所述业务特征信息和上下文特征信息作为输入提供给第一规则树模型。该模型由一系列规则节点构成，每个节点代表一个业务规则。通过匹配输入的特征信息与规则节点的条件，服务器确定哪些规则节点与给定的特征信息相匹配。在规则树模型中，根节点代表根业务规则，它是第一层级的业务规则。服务器对根节点进行匹配，找到与输入特征信息相匹配的根业务规则。这些根业务规则定义了最高级别的业务规则，涵盖了广泛的业务场景。服务器遍历根业务规则的一级关联业务规则。这些一级关联规则是与根业务规则直接相关的规则，它们提供了更具体的业务规则定义。通过匹配输入特征信息与一级关联规则的条件，服务器确定与特征信息相匹配的一级关联业务规则。在完成一级关联规则的遍历后，服务器继续遍历二级关联业务规则。这些规则与一级关联规则直接相关，并进一步细化了业务规则的定义。通过匹配输入特征信息与二级关联规则的条件，服务器确定与特征信息相匹配的二级关联业务规则。通过以上的遍历过程，服务器逐级检查业务特征信息和上下文特征信息与规则树模型中的规则条件的匹配情况，从而筛选出适用于给定特征的业务规则。这样，服务器得到了第二业务规则集合，其中包含了与输入特征信息相匹配的根业务规则、一级关联业务规则以及二级关联业务规则。例如，假设服务器有一个电子商务网站，希望根据用户的购买历史和浏览行为，推荐适合他们的产品。服务器使用第一规则树模型来制定推荐规则。将用户的购买历史、浏览记录和个人信息作为业务特征信息和上下文特征信息输入到第一规则树模型中。根节点的业务规则可能包括一般性的推荐策略，如"根据用户浏览历史推荐相关产品"。通过匹配输入的特征信息，服务器确定了与用户的购买历史和浏览行为相匹配的根业务规则。服务器遍历根业务规则的一级关联业务规则。这些规则可能涉及更具体的推荐策略，如"根据用户购买历史中的类别偏好推荐相似产品"或"根据用户浏览过的产品推荐相关配件"。通过匹配用户的购买历史和浏览记录与一级关联规则的条件，服务器确定了与用户兴趣相关的一级关联业务规则。进一步地，服务器遍历二级关联业务规则。这些规则可能更加具体。通过匹配用户的购买历史和浏览记录与二级关联规则的条件，服务器确定了与用户行为和兴趣更加精细匹配的二级关联业务规则。通过以上的规则遍历匹配过程，服务器得到了第二业务规则集合，其中包含了与用户购买历史、浏览行为和个人信息相匹配的推荐规则。这些规则可以帮助服务器向用户推荐相关的产品，提高用户满意度和购买转化率。

S105、对第二业务规则集合进行规则验证，得到规则验证结果，并根据规则验证结果获取第一规则树模型的性能参数数据；

具体的，服务器对于规则有效性验证，服务器对第二业务规则集合中的每个规则进行评估。这包括检查规则的逻辑正确性、业务合规性和冲突检测。例如，服务器验证规则是否符合预期的行为，是否满足业务需求，并且不会与其他规则产生冲突。通过有效性验证，服务器得到规则有效性验证指标，用于确定哪些规则是有效的。其次，服务器进行规则匹配度分析，以评估第二业务规则集合与实际业务数据之间的匹配程度。这可以通过定义匹配度评估指标来实现。例如，对于每个规则，服务器根据实际数据的属性和条件，计算规则的匹配度分数。这可以涉及对业务数据进行采样和测试，并与规则集合进行比较。通过匹配度分析，服务器了解规则集合与实际数据的契合程度。基于规则有效性验证和规则匹配度分析的结果，服务器生成相应的规则验证结果。这些结果将指明哪些规则是有效的，哪些规则是无效的，以及规则的匹配程度。例如，验证结果可以包括有效规则列表、无效规则列表以及匹配度评分。同时，在规则验证过程中，服务器获取第一规则树模型的性能参数数据，如规则执行时间和资源消耗。这些参数数据对于评估规则的效率和性能至关重要。例如，服务器记录每个规则的执行时间，以确定是否存在性能瓶颈或优化的机会。服务器还可以监测资源消耗，如内存和处理器利用率，以确保规则执行不会对***性能造成负面影响。本实施例中，对第二业务规则集合进行规则验证并获取性能参数数据是一个综合的过程。通过有效性验证和匹配度分析，服务器确保规则集合的质量和适用性，并通过性能参数数据评估规则的执行效率。

S106、根据性能参数数据对第一规则树模型进行迭代优化，得到第二规则树模型，并将第二业务规则集合反馈至预置的客户终端。

具体的，基于性能参数数据，服务器对第一规则树模型进行节点顺序调整。通过分析规则执行时间和资源消耗，服务器确定规则树中执行效率低下的节点，并将其移动到更高效的位置。例如，如果某个节点的执行时间较长且经常被访问，服务器将其置于更接近根节点的位置，以减少整体规则树的执行时间。这样的调整可以通过重新排序规则树节点来实现。其次，针对第一规则树模型，服务器进行规则条件的优化。通过分析性能参数数据，服务器发现一些规则条件判断逻辑或规则表达式存在效率低下或冗余的情况。服务器优化这些规则条件，以减少不必要的计算或简化规则表达式。例如，服务器合并具有相似逻辑的规则条件，减少条件判断的复杂度，从而提高规则的执行效率。基于节点顺序调整和规则条件优化后，服务器生成第二规则树模型。在第二规则树模型中，规则节点的顺序经过调整，规则条件判断逻辑和表达式经过优化。这样的优化将提高规则树的执行效率和性能。将优化后的第二业务规则集合反馈给预置的客户终端。这意味着将更新后的规则集合推送给客户终端，以便其在实际业务环境中应用这些规则。客户终端可以是一个业务***、应用程序或其他相关平台。通过反馈第二业务规则集合，客户可以使用最新的规则来指导业务决策、数据处理或自动化流程。本实施例中，根据性能参数数据对第一规则树模型进行迭代优化，得到第二规则树模型，并将第二业务规则集合反馈给预置的客户终端。这样的迭代优化过程可以提高规则树的执行效率和性能，并确保客户端应用程序使用最新的优化规则集合。

本发明实施例中，对多个第一业务规则进行关联关系解析，生成规则关系图并进行聚类分析，构建第一规则树模型；对目标业务数据进行内容分析，得到业务特征信息以及上下文特征信息；将业务特征信息以及上下文特征信息输入第一规则树模型进行规则遍历匹配，得到第二业务规则集合；对第二业务规则集合进行规则验证，得到规则验证结果，并根据规则验证结果获取第一规则树模型的性能参数数据；根据性能参数数据对第一规则树模型进行迭代优化，得到第二规则树模型，并将第二业务规则集合反馈至预置的客户终端，本发明通过对多个第一业务规则进行关联关系解析，并生成规则关系图，可以直观地展示规则之间的逻辑关系和依赖关系，提高规则管理和维护的效率。通过将业务特征信息和上下文特征信息输入第一规则树模型进行规则遍历匹配，得到第二业务规则集合，并进行规则验证和性能参数分析，能够及时发现规则的有效性和匹配度问题，并根据性能参数数据对规则树模型进行迭代优化，提高规则处理的准确性和效率，进而实现了自动化的业务规则处理并提高了业务规则的灵活性。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）获取目标业务***的多个关联数据源，其中，多个关联数据源包括数据库以及文件***；

（2）配置多个关联数据源的连接方式，得到数据源连接，并基于数据源连接从多个关联数据源中提取目标元数据，其中，目标元数据包括数据结构、表名、列名以及索引信息；

（3）定义规则范围、规则条件以及规则格式，同时，定义过滤条件，并执行预设的SQL查询语句从目标元数据中查询规则关联数据，得到多个第一业务规则。

具体的，服务器识别目标业务***的多个关联数据源，这些数据源可以包括数据库和文件***等。数据库是结构化数据存储的常见选择，而文件***可以存储各种类型的文件和文档。通过识别这些数据源，服务器确定需要访问的数据存储位置和类型。配置多个关联数据源的连接方式，以便建立与数据源的连接。对于数据库，可以使用适当的数据库连接库或驱动程序来建立数据库连接。对于文件***，可以使用相应的文件操作函数或API来访问文件***并获取所需数据。配置连接方式是确保能够有效访问关联数据源的关键步骤。当建立了数据源的连接，就可以基于这些连接从多个关联数据源中提取目标元数据。目标元数据是描述数据结构、表名、列名和索引等信息的数据。通过执行适当的查询语句，可以从数据库***中获取表结构、列信息和索引信息。对于文件***，可以读取文件的元数据，如文件名、大小、创建日期等。提取目标元数据是为后续的规则定义和查询准备数据基础。在获取目标元数据之后，服务器定义规则范围、规则条件和规则格式，同时还需要定义适用的过滤条件。规则范围指定了规则适用的业务范围或领域。规则条件描述了规则的条件判断逻辑，其中包括基于目标元数据的条件。规则格式规定了规则的表达方式，如规则语言、脚本或其他规则表示形式。过滤条件用于筛选适用于规则定义的特定数据或条件。在定义规则范围、规则条件和规则格式以及设置过滤条件之后，服务器执行预设的SQL查询语句从目标元数据中查询规则关联数据，以得到多个第一业务规则。通过执行查询，服务器从目标元数据中检索符合规则条件和过滤条件的相关数据，并将其用作第一业务规则的基础。查询结果可以是满足条件的数据集合，可以是特定字段的值，也可以是其他相关信息。例如，假设服务器正在开发一个电子商务***，并希望定义一些规则来识别高价值的客户。服务器识别了数据库和文件***作为目标业务***的关联数据源。服务器配置数据库连接和文件***访问方式，确保能够连接并获取数据源。服务器从数据库中提取客户表的目标元数据，包括表结构、列名和索引信息。通过执行SQL查询语句，服务器获取与客户相关的数据，如客户姓名、联系方式、购买金额等。服务器定义规则范围为客户价值评估，并设置规则条件，例如购买金额大于一定阈值的客户被认为是高价值客户。规则格式可以使用规则语言或脚本来表达，例如使用SQL语句进行条件判断和筛选。在设置规则条件和规则格式之后，服务器执行预设的SQL查询语句从目标元数据中查询符合规则条件的客户数据，从中获取多个第一业务规则。这些第一业务规则可以用于后续的规则验证、优化和应用。

在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：

S201、对多个第一业务规则进行规则信息解析，得到每个第一业务规则的规则特征信息；

S202、根据规则特征信息对多个第一业务规则进行逻辑关系分析，得到每两个第一业务规则之间的逻辑关系；

S203、基于每两个第一业务规则之间的逻辑关系构建多个第一业务规则的规则关系图；

S204、对规则关系图进行有向图结构转换，得到第一有向规则结构图；

S205、对第一有向规则结构图进行节点聚类分析，得到第一有向规则结构图中每个节点的聚类评价指标；

S206、根据聚类评价指标对第一有向规则结构图中每个节点进行权重分析，得到每个节点的权重数据，并基于每个节点的权重数据生成第二有向规则结构图；

S207、根据第二有向规则结构图计算每个节点的从属关系，并根据从属关系构建第一规则树模型。

具体的，服务器对每个第一业务规则进行规则信息解析，以获取规则的特征信息。这包括解析规则名称、条件表达式和操作类型等关键信息。通过解析规则信息，服务器得到每个规则的规则特征信息。例如，假设服务器有以下两个示例规则：规则1：如果购买金额大于1000，则将客户标记为高价值客户；规则2：如果购买次数超过5次，则给予折扣。对于规则1，服务器提取以下规则特征信息：规则名称：规则1、条件表达式：购买金额>1000、操作类型：标记客户为高价值客户。对于规则2，服务器提取以下规则特征信息：规则名称：规则2、条件表达式：购买次数>5、操作类型：给予折扣。服务器根据规则特征信息对多个第一业务规则进行逻辑关系分析，以确定每两个规则之间的逻辑关系。通过比较规则特征信息，服务器确定规则之间的逻辑关系，例如逻辑与、逻辑或等。在上述示例中，规则1和规则2是独立的规则，它们之间没有直接的逻辑关系。服务器基于每两个规则之间的逻辑关系构建多个第一业务规则的规则关系图。在规则关系图中，每个规则被表示为一个节点，而规则之间的逻辑关系被表示为图的边。服务器对规则关系图进行有向图结构转换，将图转换为有向图的形式，以明确规则之间的顺序关系。有向图反映了规则的执行顺序和流程。随后，服务器对第一有向规则结构图进行节点聚类分析，以确定节点之间的相似性和关联程度。这将为后续的权重分析提供基础。基于聚类评价指标，服务器对第一有向规则结构图中的每个节点进行权重分析，以确定每个节点的重要性和贡献度。这将产生每个节点的权重数据。利用节点的权重数据，服务器基于每个节点的权重数据生成第二有向规则结构图。第二有向规则结构图反映了节点之间的权重和关联关系，进一步提供了对规则的层次结构视角。根据第二有向规则结构图，服务器计算每个节点的从属关系，并根据从属关系构建第一规则树模型。规则树模型是一种层次结构，其中根节点表示最高层的规则，而子节点表示逐步细分的规则。例如，假设服务器有以下三个规则：规则1：如果购买金额大于1000，则将客户标记为高价值客户；规则2：如果购买次数超过5次，则给予折扣；规则3：如果购买金额大于2000且购买次数超过10次，则给予特别折扣。对于规则1和规则2，它们是独立的规则，没有直接的逻辑关系。因此，在规则关系图中，它们将是两个独立的节点。然而，规则3与规则1和规则2之间存在逻辑与的关系，因为它需要同时满足购买金额大于2000和购买次数超过10次的条件。因此，在规则关系图中，规则3将与规则1和规则2有连接的边。对于规则关系图，服务器将其转换为有向图结构。在有向图中，规则1和规则2的节点仍然是独立的，而规则3的节点将位于规则1和规则2之后，表示它需要在规则1和规则2之后执行。服务器进行节点聚类分析，以确定节点之间的相似性和关联程度。例如，服务器可能发现规则1和规则3在条件表达式和操作类型上具有较高的相似性，而规则2与其他规则相比具有较低的相似性。基于聚类评价指标，服务器对第一有向规则结构图中的每个节点进行权重分析。这将帮助确定每个节点的重要性和贡献度，使服务器能够了解规则结构中的关键节点。利用节点的权重数据，服务器生成第二有向规则结构图。第二有向规则结构图反映了节点之间的权重和关联关系。例如，具有较高权重的节点可能在规则树模型中具有更高的层级位置。根据第二有向规则结构图，服务器计算每个节点的从属关系，并根据从属关系构建第一规则树模型。在规则树模型中，根节点表示最高层的规则，而子节点表示逐步细分的规则。通过这样的分析和建模过程，服务器更好地理解多个第一业务规则之间的关系和层次结构，从而为规则的管理和优化提供支持。

在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：

S301、获取目标业务***的目标业务数据，并对目标业务数据进行关键词分词，得到多个关键词，其中，多个关键词包括客户姓名、公司名称、联系方式、客户的交互频率以及购买金额；

S302、对多个关键词进行关键词向量转换，得到业务特征信息，其中，业务特征信息包括多个关键词特征向量；

S303、对多个关键词特征向量进行欧式距离计算，得到多个欧式距离；

S304、根据多个欧式距离确定目标业务数据的上下文特征信息。

具体的，服务器从目标业务***中获取目标业务数据，这些数据可能包括客户的个人信息、交易记录、公司的基本信息等等。对这些目标业务数据进行关键词分词处理，将其分解成多个关键词。在这个场景中，服务器提取出一些常见的关键词，比如客户姓名、公司名称、联系方式、客户的交互频率以及购买金额等。针对这些关键词，服务器将其转换成关键词向量，以得到业务特征信息。关键词向量是将关键词表示为数值化向量的一种方式，通常利用词嵌入技术或者预训练的语言模型来实现。通过将关键词转换为向量表示，服务器在后续的分析中更方便地进行计算和比较。服务器对多个关键词特征向量进行欧式距离计算。欧式距离是一种常用的距离度量方法，用于比较两个向量之间的相似性。通过计算关键词特征向量之间的欧式距离，服务器得到多个欧式距离值，这些值表示了不同关键词之间的差异程度。较小的欧式距离意味着关键词之间的特征更相似，而较大的欧式距离表示它们之间的差异较大。根据多个欧式距离的大小，服务器确定目标业务数据的上下文特征信息。通过比较欧式距离，服务器判断哪些关键词之间的特征更相似，从而揭示出目标业务数据之间的关联性和相关性。这些上下文特征信息可以帮助服务器更好地理解目标业务数据，并为后续的分析、决策和预测提供有价值的信息。例如来说明，假设服务器有一组客户数据，其中包括客户的姓名、所属公司、联系方式、交互频率和购买金额。服务器首先对这些数据进行关键词分词处理，得到关键词集合：[客户姓名,公司名称,联系方式,交互频率,购买金额]。服务器将这些关键词转换为对应的关键词向量，得到业务特征信息。服务器计算关键词特征向量之间的欧式距离，例如计算客户姓名和公司名称之间的欧式距离、联系方式和购买金额之间的欧式距离等等。通过这些欧式距离的计算，服务器得到一系列数值，用于描述不同关键词之间的相似性或差异性。基于这些欧式距离的结果，服务器确定目标业务数据的上下文特征信息。例如，如果客户姓名和公司名称之间的欧式距离较小，说明客户往往与所属公司密切相关，可能是该公司的员工或合作伙伴。而如果联系方式和购买金额之间的欧式距离较大，表示这两个关键词在业务数据中的特征差异较大，可能意味着联系方式与购买金额之间没有明显的关联。通过确定目标业务数据的上下文特征信息，服务器进行更深入的分析和应用。例如，可以基于这些特征信息进行客户分群，将具有相似上下文特征的客户归为一类，以便针对不同类别的客户采取个性化的营销策略。另外，也可以利用上下文特征信息进行异常检测，识别那些与预期特征差异较大的业务数据，帮助发现潜在的异常情况或欺诈行为。

在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：

S401、将业务特征信息以及上下文特征信息输入第一规则树模型，通过第一规则树模型匹配对应的根业务规则；

S402、遍历第一规则树模型中根业务规则对应的一级关联业务规则；

S403、在依次遍历根业务规则的一级关联业务规则之后，依次遍历一级关联业务规则的二级关联业务规则；

S404、根据根业务规则、一级关联业务规则以及二级关联业务规则创建第二业务规则集合。

具体的，服务器将业务特征信息和上下文特征信息作为输入，通过第一规则树模型进行匹配，寻找与输入特征相符的根业务规则。根业务规则通常是一个综合性的规则，包含多个条件和动作，用于描述业务的核心逻辑。当找到匹配的根业务规则，服务器开始遍历该根业务规则的一级关联业务规则。一级关联业务规则是与根业务规则直接相关的规则，其条件和动作通常与根规则相辅相成。通过遍历一级关联业务规则，服务器进一步细化业务逻辑，考虑更具体的情况和条件。在完成一级关联业务规则的遍历后，服务器继续遍历一级关联业务规则的二级关联业务规则。二级关联业务规则是相对于一级关联规则更加具体和细致的规则，用于进一步细化和扩展业务逻辑。通过依次遍历根业务规则、一级关联业务规则和二级关联业务规则，服务器构建一个包含多个业务规则的第二业务规则集合。这些业务规则描述了业务的各个层面和细节，涵盖了不同条件和动作的组合。第二业务规则集合的创建基于对第一规则树模型的遍历和规则匹配，以及对业务特征信息和上下文特征信息的综合考虑。例如，假设服务器有一个电商平台，需要根据用户的购买记录和浏览行为进行个性化推荐。服务器将用户的购买金额、浏览频率和喜好标签等作为业务特征信息，同时考虑用户所在地区和当前时间等上下文特征信息。服务器将这些信息输入到第一规则树模型中，该模型包含根节点和多个子节点。根节点表示整体推荐策略，而子节点则表示不同的推荐规则，如热销商品推荐、相似商品推荐等。通过匹配用户的业务特征信息和上下文特征信息，服务器找到与用户当前情况相匹配的当服务器找到与用户当前情况相匹配的根业务规则，服务器开始遍历该根业务规则的一级关联业务规则。例如，如果用户的购买金额较高且浏览频率较低，服务器可能会遍历一级关联业务规则，如“高价值用户专属推荐”或“优惠活动提醒”。在遍历一级关联业务规则后，服务器进一步遍历这些一级关联规则的二级关联业务规则。这些二级关联规则可以更加具体地考虑用户的兴趣偏好、商品类别偏好或品牌偏好等。例如，如果用户在购买中展现出对特定品牌的偏好，服务器根据这一偏好遍历二级关联业务规则，如“同品牌其他商品推荐”或“品牌新品上市提醒”。通过这样的遍历过程，服务器逐步构建了第二业务规则集合，其中包含了与用户特征和上下文信息相匹配的各个层级的业务规则。这些规则集合的创建基于对第一规则树模型的匹配和遍历，以及对业务特征信息和上下文特征信息的综合考虑。最终，这些业务规则可以用于推荐***、营销策略、风险评估等目的，以更好地满足用户的需求和提供个性化的服务。

在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：

（1）对第二业务规则集合进行规则有效性验证，得到规则有效性验证指标；

（2）对第二业务规则集合进行规则匹配度分析，得到规则匹配度；

（3）根据规则有效性验证指标和规则匹配度生成对应的规则验证结果；

（4）根据规则验证结果获取第一规则树模型的性能参数数据，其中，性能参数数据包括：规则执行时间以及资源消耗。

具体的，进行规则有效性验证。针对第二业务规则集合，服务器使用一组经过精心设计的测试数据进行规则匹配和操作。通过执行规则操作并比对实际输出结果与预期输出结果，服务器评估规则的准确性和可靠性。在验证过程中，服务器计算一些有效性验证指标，例如准确率、召回率和精确度。这些指标能够提供关于规则性能和可信度的量化指标。其次，进行规则匹配度分析。该分析旨在衡量每个规则在实际业务数据中的匹配程度。通过应用第二业务规则集合到真实业务数据中，并计算规则在数据中的匹配度，服务器了解规则在不同情境下的适应性。这可以通过计算规则匹配度指标（如匹配度百分比）来实现。根据规则有效性验证指标和规则匹配度，服务器生成相应的规则验证结果。根据验证结果，服务器判断每个规则的有效性和可行性。验证结果可以以可视化形式展示，例如报告、图表或评分***，以帮助用户直观地了解规则的表现。服务器还可以利用规则验证结果获取第一规则树模型的性能参数数据。这些性能参数数据包括规则执行时间和资源消耗。通过记录规则的执行时间和消耗的资源（如内存或处理器使用情况），服务器评估规则模型的效率和可扩展性，并对其进行优化。例如，假设服务器有一个电子商务平台，针对用户的购买行为和偏好制定了一套促销规则。服务器验证这些规则的有效性和匹配度，并获取性能参数数据。服务器将收集一段时间内的用户购买数据作为测试数据，并应用促销规则集合。通过比对实际促销结果与预期结果，服务器计算出准确率、召回率和精确度等有效性验证指标。例如，假设服务器的一个规则是：“如果用户购买金额超过100元且交互频率高于平均水平，则给予10%的折扣优惠。”在验证过程中，服务器将应用该规则集合到用户购买数据中，并记录实际的折扣优惠结果。通过与预期的折扣优惠结果进行比对，服务器计算出准确率、召回率和精确度等指标，以评估该规则的有效性。同时，服务器还会进行规则匹配度分析。服务器将检查该规则集合在实际购买数据中的匹配度。例如，服务器计算规则集合中的规则与购买数据中的订单匹配的百分比。这样可以帮助服务器了解规则的适用程度和覆盖范围，从而对规则集合进行优化和改进。根据规则有效性验证指标和规则匹配度，服务器生成规则验证结果。例如，服务器生成一个报告，包含每个规则的有效性评分、匹配度百分比以及其他相关指标。这样的报告可以帮助决策者了解规则的质量和适应性，并做出相应的调整和改进。服务器根据规则验证结果获取第一规则树模型的性能参数数据。通过记录规则的执行时间和资源消耗情况，服务器评估规则模型的效率和性能。例如，服务器计算每个规则的平均执行时间以及整个规则集合的资源消耗情况。这样的数据可以帮助服务器识别性能瓶颈并进行优化，以提升规则模型的执行效率。本实施例中，通过对第二业务规则集合进行规则有效性验证和规则匹配度分析，并生成相应的规则验证结果，服务器能够评估规则的准确性和适用性。通过获取第一规则树模型的性能参数数据，服务器了解规则模型的执行效率和资源消耗情况，为进一步优化和改进规则模型提供依据。

在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：

（1）根据性能参数数据对第一规则树模型进行节点顺序调整，得到规则树节点顺序；

（2）对第一规则树模型进行规则条件优化，得到优化后的规则条件判断逻辑和规则表达式；

（3）根据规则树节点顺序以及优化后的规则条件判断逻辑和规则表达式生成第二规则树模型；

（4）将第二业务规则集合反馈至预置的客户终端。

具体的，收集规则树模型的性能参数数据，包括每个节点的执行时间和资源消耗等。通过分析这些数据，服务器确定执行时间较长的节点。根据节点执行时间的长短，调整节点的顺序，将执行时间较长的节点移动到执行时间较短的节点之前。这样做可以减少规则树的执行时间，提高整体的执行效率。对第一规则树模型进行规则条件优化的实现是为了简化条件判断逻辑和规则表达式，提高规则的可读性和执行效率。通过评估和分析规则树模型中的规则条件，服务器识别出冗余、重复或复杂的条件。根据评估结果，对规则条件进行优化，例如简化条件表达式、合并相似条件、消除冗余条件等。优化后的规则条件判断逻辑和规则表达式更加简洁明了，能够提高规则的执行效率和可维护性。基于调整后的节点顺序和优化后的规则条件判断逻辑和规则表达式，服务器生成第二规则树模型。第二规则树模型保留了第一规则树模型的结构，但节点顺序经过调整，规则条件经过优化。这样生成的第二规则树模型能够更高效地执行规则，并且规则的条件判断逻辑更加简化和清晰。将第二业务规则集合反馈至预置的客户终端。通过将优化后的规则集合提供给客户终端，客户可以根据自身需求执行规则和处理业务。这样的反馈机制使得客户能够获得经过优化的规则集合，并根据规则的执行结果进行业务决策和操作。本实施例中，根据性能参数数据对第一规则树模型进行节点顺序调整和对规则条件进行优化，能够提高规则执行的效率和可读性。通过生成第二规则树模型和将优化后的规则集合反馈至客户终端，实现了更优化的规则执行和更灵活的业务处理。

上面对本发明实施例中业务规则处理方法进行了描述，下面对本发明实施例中业务规则处理装置进行描述，请参阅图5，本发明实施例中业务规则处理装置一个实施例包括：

获取模块501，用于获取目标业务***的多个关联数据源，并从所述多个关联数据源中获取多个第一业务规则；

解析模块502，用于对所述多个第一业务规则进行关联关系解析，生成规则关系图，并对所述规则关系图进行聚类分析，构建第一规则树模型；

分析模块503，用于获取所述目标业务***的目标业务数据，并对所述目标业务数据进行内容分析，得到业务特征信息以及上下文特征信息；

匹配模块504，用于将所述业务特征信息以及所述上下文特征信息输入所述第一规则树模型进行规则遍历匹配，得到第二业务规则集合；

验证模块505，用于对所述第二业务规则集合进行规则验证，得到规则验证结果，并根据所述规则验证结果获取所述第一规则树模型的性能参数数据；

优化模块506，用于根据所述性能参数数据对所述第一规则树模型进行迭代优化，得到第二规则树模型，并将所述第二业务规则集合反馈至预置的客户终端。

通过上述各个组成部分的协同合作，对多个第一业务规则进行关联关系解析，生成规则关系图并进行聚类分析，构建第一规则树模型；对目标业务数据进行内容分析，得到业务特征信息以及上下文特征信息；将业务特征信息以及上下文特征信息输入第一规则树模型进行规则遍历匹配，得到第二业务规则集合；对第二业务规则集合进行规则验证，得到规则验证结果，并根据规则验证结果获取第一规则树模型的性能参数数据；根据性能参数数据对第一规则树模型进行迭代优化，得到第二规则树模型，并将第二业务规则集合反馈至预置的客户终端，本发明通过对多个第一业务规则进行关联关系解析，并生成规则关系图，可以直观地展示规则之间的逻辑关系和依赖关系，提高规则管理和维护的效率。通过将业务特征信息和上下文特征信息输入第一规则树模型进行规则遍历匹配，得到第二业务规则集合，并进行规则验证和性能参数分析，能够及时发现规则的有效性和匹配度问题，并根据性能参数数据对规则树模型进行迭代优化，提高规则处理的准确性和效率，进而实现了自动化的业务规则处理并提高了业务规则的灵活性。

上面图5从模块化功能实体的角度对本发明实施例中的业务规则处理装置进行详细描述，下面从硬件处理的角度对本发明实施例中业务规则处理设备进行详细描述。

图6是本发明实施例提供的一种业务规则处理设备的结构示意图，该业务规则处理设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对业务规则处理设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在业务规则处理设备600上执行存储介质630中的一系列指令操作。

业务规则处理设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作***631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的业务规则处理设备结构并不构成对业务规则处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种业务规则处理设备，所述业务规则处理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述业务规则处理方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述业务规则处理方法的步骤。

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，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random acceS memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种业务规则处理方法，其特征在于，所述业务规则处理方法包括：

获取目标业务***的多个关联数据源，并从所述多个关联数据源中获取多个第一业务规则；

对所述多个第一业务规则进行关联关系解析，生成规则关系图，并对所述规则关系图进行聚类分析，构建第一规则树模型；

获取所述目标业务***的目标业务数据，并对所述目标业务数据进行内容分析，得到业务特征信息以及上下文特征信息；

将所述业务特征信息以及所述上下文特征信息输入所述第一规则树模型进行规则遍历匹配，得到第二业务规则集合；

对所述第二业务规则集合进行规则验证，得到规则验证结果，并根据所述规则验证结果获取所述第一规则树模型的性能参数数据；

根据所述性能参数数据对所述第一规则树模型进行迭代优化，得到第二规则树模型，并将所述第二业务规则集合反馈至预置的客户终端。

2.根据权利要求1所述的业务规则处理方法，其特征在于，所述获取目标业务***的多个关联数据源，并从所述多个关联数据源中获取多个第一业务规则，包括：

获取目标业务***的多个关联数据源，其中，所述多个关联数据源包括数据库以及文件***；

配置所述多个关联数据源的连接方式，得到数据源连接，并基于所述数据源连接从所述多个关联数据源中提取目标元数据，其中，所述目标元数据包括数据结构、表名、列名以及索引信息；

定义规则范围、规则条件以及规则格式，同时，定义过滤条件，并执行预设的SQL查询语句从所述目标元数据中查询规则关联数据，得到多个第一业务规则。

3.根据权利要求1所述的业务规则处理方法，其特征在于，所述对所述多个第一业务规则进行关联关系解析，生成规则关系图，并对所述规则关系图进行聚类分析，构建第一规则树模型，包括：

对所述多个第一业务规则进行规则信息解析，得到每个第一业务规则的规则特征信息；

根据所述规则特征信息对所述多个第一业务规则进行逻辑关系分析，得到每两个第一业务规则之间的逻辑关系；

基于每两个第一业务规则之间的逻辑关系构建所述多个第一业务规则的规则关系图；

对所述规则关系图进行有向图结构转换，得到第一有向规则结构图；

对所述第一有向规则结构图进行节点聚类分析，得到所述第一有向规则结构图中每个节点的聚类评价指标；

根据所述聚类评价指标对所述第一有向规则结构图中每个节点进行权重分析，得到每个节点的权重数据，并基于每个节点的权重数据生成第二有向规则结构图；

根据所述第二有向规则结构图计算每个节点的从属关系，并根据所述从属关系构建第一规则树模型。

4.根据权利要求1所述的业务规则处理方法，其特征在于，所述获取所述目标业务***的目标业务数据，并对所述目标业务数据进行内容分析，得到业务特征信息以及上下文特征信息，包括：

获取所述目标业务***的目标业务数据，并对所述目标业务数据进行关键词分词，得到多个关键词，其中，所述多个关键词包括客户姓名、公司名称、联系方式、客户的交互频率以及购买金额；

对所述多个关键词进行关键词向量转换，得到业务特征信息，其中，所述业务特征信息包括多个关键词特征向量；

对所述多个关键词特征向量进行欧式距离计算，得到多个欧式距离；

根据所述多个欧式距离确定所述目标业务数据的上下文特征信息。

5.根据权利要求1所述的业务规则处理方法，其特征在于，所述将所述业务特征信息以及所述上下文特征信息输入所述第一规则树模型进行规则遍历匹配，得到第二业务规则集合，包括：

将所述业务特征信息以及所述上下文特征信息输入所述第一规则树模型，通过所述第一规则树模型匹配对应的根业务规则；

遍历所述第一规则树模型中所述根业务规则对应的一级关联业务规则；

在依次遍历所述根业务规则的一级关联业务规则之后，依次遍历所述一级关联业务规则的二级关联业务规则；

根据所述根业务规则、所述一级关联业务规则以及所述二级关联业务规则创建第二业务规则集合。

6.根据权利要求1所述的业务规则处理方法，其特征在于，所述对所述第二业务规则集合进行规则验证，得到规则验证结果，并根据所述规则验证结果获取所述第一规则树模型的性能参数数据，包括：

对所述第二业务规则集合进行规则有效性验证，得到规则有效性验证指标；

对所述第二业务规则集合进行规则匹配度分析，得到规则匹配度；

根据所述规则有效性验证指标和所述规则匹配度生成对应的规则验证结果；

根据所述规则验证结果获取所述第一规则树模型的性能参数数据，其中，所述性能参数数据包括：规则执行时间以及资源消耗。

7.根据权利要求1所述的业务规则处理方法，其特征在于，所述根据所述性能参数数据对所述第一规则树模型进行迭代优化，得到第二规则树模型，并将所述第二业务规则集合反馈至预置的客户终端，包括：

根据所述性能参数数据对所述第一规则树模型进行节点顺序调整，得到规则树节点顺序；

对所述第一规则树模型进行规则条件优化，得到优化后的规则条件判断逻辑和规则表达式；

根据所述规则树节点顺序以及所述优化后的规则条件判断逻辑和规则表达式生成第二规则树模型；

将所述第二业务规则集合反馈至预置的客户终端。

8.一种业务规则处理装置，其特征在于，所述业务规则处理装置包括：

获取模块，用于获取目标业务***的多个关联数据源，并从所述多个关联数据源中获取多个第一业务规则；

解析模块，用于对所述多个第一业务规则进行关联关系解析，生成规则关系图，并对所述规则关系图进行聚类分析，构建第一规则树模型；

分析模块，用于获取所述目标业务***的目标业务数据，并对所述目标业务数据进行内容分析，得到业务特征信息以及上下文特征信息；

匹配模块，用于将所述业务特征信息以及所述上下文特征信息输入所述第一规则树模型进行规则遍历匹配，得到第二业务规则集合；

验证模块，用于对所述第二业务规则集合进行规则验证，得到规则验证结果，并根据所述规则验证结果获取所述第一规则树模型的性能参数数据；

优化模块，用于根据所述性能参数数据对所述第一规则树模型进行迭代优化，得到第二规则树模型，并将所述第二业务规则集合反馈至预置的客户终端。

9.一种业务规则处理设备，其特征在于，所述业务规则处理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述业务规则处理设备执行如权利要求1-7中任一项所述的业务规则处理方法。

10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的业务规则处理方法。