CN117034230A - 一种数据校验方法、装置、设备及其存储介质 - Google Patents
一种数据校验方法、装置、设备及其存储介质 Download PDFInfo
- Publication number
- CN117034230A CN117034230A CN202311112133.3A CN202311112133A CN117034230A CN 117034230 A CN117034230 A CN 117034230A CN 202311112133 A CN202311112133 A CN 202311112133A CN 117034230 A CN117034230 A CN 117034230A
- Authority
- CN
- China
- Prior art keywords
- rule
- verification
- business
- business rule
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013524 data verification Methods 0.000 title claims abstract description 38
- 238000012795 verification Methods 0.000 claims abstract description 144
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 63
- 238000000605 extraction Methods 0.000 claims description 52
- 230000006399 behavior Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
- G06F9/4451—User profiles; Roaming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请实施例属于人工智能及数字医疗技术领域,应用于数字医疗业务***中由中文业务规则向代码逻辑进行转换的过程中,涉及一种数据校验方法、装置、设备及其存储介质,包括获取新输入的业务规则;通过规则配置模型对新输入的业务规则逐条进行关键词抽取,将抽取的关键词解释为机器代码语句,将新输入的业务规则整合为完整程序代码语句;通过规则加载层加载目标校验规则,并根据目标校验规则对新输入的业务规则对应的完整程序代码语句自动进行校验。通过规则配置模型改变了传统业务规则配置模式,自动化抽取关键词、生成机器代码语句、编排出程序代码语句和规则校验,有利于提高规则配置可读性和便于自动维护和更新。
Description
技术领域
本申请涉及人工智能及数字医疗技术领域,应用于数字医疗业务***中由中文业务规则向代码逻辑进行转换的过程中,尤其涉及一种数据校验方法、装置、设备及其存储介质。
背景技术
随着计算机行业的发展,传统的医疗行业业务也逐步向数字医疗业务转型,特别是在跨多方线上医疗平台的医疗云服务上,由于医疗云服务涉及的平台以及线下合作的医疗组织机构较为繁多,针对医疗云服务的业务规则配置进行线上配置过程中,始终都是业务人员提出规则,开发人员配置规则这一条实现逻辑。
正是由于所有的业务规则,都需要业务人员先预先制定好,之后通知开发人员开发,开发人员接受到业务规则,将业务规则解析为代码逻辑。在这一套流程当中,业务人员和开发人员的沟通,难免会产生偏差,导致代码实现场景覆盖不住,规则配置可读性差,规则配置依赖开发人员代码开发,规则代码可维护性差,业务人员和开发人员耦合性重,迭代开发过程中,经常因为业务人员和开发人员的规则配置变动,导致已有的业务规则维护和更新困难。
发明内容
本申请实施例的目的在于提出一种数据校验方法、装置、设备及其存储介质,以解决现有技术使用传统业务规则配置模式,导致规则配置可读性差和规则代码维护和更新困难的问题。
为了解决上述技术问题,本申请实施例提供一种数据校验方法,采用了如下所述的技术方案:
一种数据校验方法,包括下述步骤:
获取新输入的业务规则;
将所述新输入的业务规则以条数为单位逐条发送到预设的规则配置模型,其中,所述规则配置引擎中包括关键词抽取层、关键词解释层、规则编排层和规则加载层;
通过所述关键词抽取层对所述新输入的业务规则逐条进行关键词抽取,获取每条目标业务规则中的关键词;
基于所述关键词解释层将每条目标业务规则中的关键词解释为机器代码语句;
通过所述规则编排层中编译器对每条目标业务规则对应的机器代码语句进行编排,获取每条目标业务规则对应的程序代码语句;
根据预设的程序执行逻辑和所述规则编排层中链接器,整合每条目标业务规则对应的程序代码语句,获取整合后所述新输入的业务规则对应的完整程序代码语句;
通过所述规则加载层加载目标校验规则,并根据所述目标校验规则对所述新输入的业务规则对应的完整程序代码语句自动进行校验。
进一步的,在执行所述将所述新输入的业务规则以条数为单位逐条发送到预设的规则配置模型的步骤之前,所述方法还包括:
启动初始化的规则配置模型;
从目标规则库中获取全量业务规则;
逐条将所述全量业务规则中每条业务规则发送到所述初始化的规则配置模型,并对所述初始化的规则配置模型进行机器学习训练;
设置训练完成的规则配置模型作为所述预设的规则配置模型。
进一步的,所述对所述初始化的规则配置模型进行机器学习训练的步骤,具体包括:
根据所述全量业务规则,对所述关键词抽取层进行训练;
基于预设的对象字段参照表,对所述关键词解释层进行训练;
根据预设的校验规则库中全量校验规则,训练所述规则加载层的校验处理过程。
进一步的,所述根据所述全量业务规则,对所述关键词抽取层进行训练的步骤,具体包括:
获取预先设置的关键词参照表;
对所述全量业务规则中每条业务规则进行语义分析,获取每条业务规则对应的语义分析结果;
从所述关键词参照表中筛选出所述全量业务规则中每条业务规则对应的语义分析结果所命中的关键词,其中,所述关键词包括名词和动词;
基于所述全量业务规则中每条业务规则以及所述每条业务规则命中的关键词,构建第一知识图谱;
将所述第一知识图谱部署到所述关键词抽取层,完成对所述关键词抽取层的训练;
所述基于预设的对象字段参照表,对所述关键词解释层进行训练的步骤,具体包括:
根据所述对象字段参照表筛选出所述全量业务规则中每条业务规则命中的关键词所对应的类对象和行为对象,其中,所述对象字段参照表中包括类对象和行为对象,所述类对象对应所述关键词中的名词,所述行为对象对应所述关键词中的动词;
基于所述全量业务规则中每条业务规则命中的关键词所对应的类对象和行为对象,生成机器代码语句,其中,所述行为对象指计算机直接执行的操作指令,所述类对象包括执行所述操作指令的主体对象,以及所述操作指令的存储地址信息;
构建所述全量业务规则中每条业务规则与其对应的机器代码语句间的关联关系;
根据所述全量业务规则中每条业务规则与其对应的机器代码语句间的关联关系,构建第二知识图谱;
将所述第二知识图谱部署到所述关键词解释层,完成对所述关键词解释层的训练。
进一步的,在执行所述根据预设的校验规则库中全量校验规则,训练所述规则加载层的校验处理过程的步骤之前,所述方法还包括:
通过所述规则编排层中编译器对所述全量业务规则中每条业务规则对应的机器代码语句进行编排,获取所述全量业务规则中每条业务规则对应的程序代码语句;
根据预设的程序执行逻辑和所述规则编排层中链接器,整合所述全量业务规则中每条业务规则对应的程序代码语句,获取整合后所述全量业务规则对应的完整程序代码语句;
所述根据预设的校验规则库中全量校验规则,训练所述规则加载层的校验处理过程的步骤,具体包括:
获取所述校验规则库中全量校验规则;
逐个调用所述全量校验规则中每条校验规则对所述全量业务规则对应的完整程序代码语句进行校验,获取校验结果;
根据所述校验结果,识别每条校验规则是否都校验通过,若存在未校验通过的校验规则,则向所述目标监测端发送对所述全量业务规则对应的完整程序代码语句进行调整的请求;
对所述全量业务规则对应的完整程序代码语句进行调整之后,重新执行校验步骤,直到每条校验规则都校验通过,记录并获取整个校验过程中每次对所述全量业务规则对应的完整程序代码语句进行调整时的具体调整方式以及每次进行调整时未校验通过的校验规则,完成对所述规则加载层校验处理过程的训练。
进一步的,所述通过所述关键词抽取层对所述新输入的业务规则逐条进行关键词抽取,获取每条目标业务规则中的关键词的步骤,具体包括:
判断所述第一知识图谱是否能够识别出每条目标业务规则所命中的关键词;
若所述第一知识图谱能够识别出每条目标业务规则所命中的关键词,直接根据所述第一知识图谱获取所述目标业务规则对应的关键词;
若存在所述第一知识图谱不能够识别出关键词的目标业务规则,则对所述目标业务规则进行语义分析,获取所述目标业务规则对应的语义分析结果,从所述关键词参照表中筛选出所述目标业务规则的语义分析结果所命中的关键词,并基于所述目标业务规则与所述关键词间的对应关系更新所述第一知识图谱;
所述基于所述关键词解释层将每条目标业务规则中的关键词解释为机器代码语句的步骤,具体包括:
判断所述第二知识图谱是否能够识别出每条目标业务规则所对应的机器代码语句;
若所述第二知识图谱能够识别出每条目标业务规则对应的机器代码语句,直接根据所述第二知识图谱获取所述目标业务规则对应的机器代码语句;
若存在所述第二知识图谱不能够识别出机器代码语句的目标业务规则,则根据所述对象字段参照表筛选出所述目标业务规则命中的关键词所对应的类对象和行为对象,基于所述目标业务规则命中的关键词所对应的类对象和行为对象,生成机器代码语句,并基于所述目标业务规则与其对应的机器代码语句间的关联关系更新所述第二知识图谱。
进一步的,所述通过所述规则加载层加载目标校验规则,并根据所述目标校验规则对所述新输入的业务规则对应的完整程序代码语句自动进行校验的步骤,具体包括:
将所述完整程序代码语句发送到训练完成的规则加载层;
根据所述训练完成的规则加载层对所述新输入的业务规则对应的完整程序代码语句自动进行校验;
判断是否存在校验失败的情况;
若存在校验失败的情况,则获取校验失败时的校验规则,并识别所述校验规则是否存在已记录的具体调整方式;
若存在已记录的具体调整方式,则根据所述已记录的具体调整方式,调整所述新输入的业务规则对应的完整程序代码语句,并对调整后的完整程序代码语句重新进行自动校验;
若不存在已记录的具体调整方式,则向所述目标监测端发送对所述新输入的业务规则对应的完整程序代码语句进行调整的请求,对所述新输入的业务规则对应的完整程序代码语句进行调整之后,重新进行自动校验,并记录具体调整方式;
直到不存在校验失败的情况,自动校验完成。
为了解决上述技术问题,本申请实施例还提供一种数据校验装置,采用了如下所述的技术方案:
一种数据校验装置,包括:
业务规则获取模块,用于获取新输入的业务规则;
业务规则发送模块,用于将所述新输入的业务规则以条数为单位逐条发送到预设的规则配置模型,其中,所述规则配置引擎中包括关键词抽取层、关键词解释层、规则编排层和规则加载层;
关键词抽取模块,用于通过所述关键词抽取层对所述新输入的业务规则逐条进行关键词抽取,获取每条目标业务规则中的关键词;
关键词解释模块,用于基于所述关键词解释层将每条目标业务规则中的关键词解释为机器代码语句,其中,所述机器代码语句指由0和1构成的编码语句;
机器代码编排模块,用于通过所述规则编排层中编译器对每条目标业务规则对应的机器代码语句进行编排,获取每条目标业务规则对应的程序代码语句,其中,所述程序代码语句指目标业务***可识别且可执行的代码语句;
程序代码整合模块,用于根据预设的程序执行逻辑和所述规则编排层中链接器,整合每条目标业务规则对应的程序代码语句,获取整合后所述新输入的业务规则对应的完整程序代码语句;
自动校验模块,用于通过所述规则加载层加载目标校验规则,并根据所述目标校验规则对所述新输入的业务规则对应的完整程序代码语句自动进行校验。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述所述的数据校验方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
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计算机可读指令,所述计算机可读指令被处理器执行时实现如上述所述的数据校验方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例所述数据校验方法,通过获取新输入的业务规则;将新输入的业务规则以条数为单位逐条发送到预设的规则配置模型;通过关键词抽取层对新输入的业务规则逐条进行关键词抽取;基于关键词解释层将抽取的关键词解释为机器代码语句;通过规则编排层将新输入的业务规则整合为完整程序代码语句;通过规则加载层加载目标校验规则,并根据目标校验规则对新输入的业务规则对应的完整程序代码语句自动进行校验。通过规则配置模型改变了传统业务规则配置模式,自动化抽取关键词、生成机器代码语句、编排出程序代码语句和规则校验,有利于提高规则配置可读性和便于自动维护和更新,提高跨多方线上医疗平台的医疗云服务的自动化抽取关键词、生成机器代码语句、编排出程序代码语句和规则校验,有利于提高跨多方线上医疗平台的规则配置可读性、自动维护和更新。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请可以应用于其中的示例性***架构图;
图2根据本申请的数据校验方法的一个实施例的流程图;
图3根据本申请实施例所述的数据校验方法对所述初始化的规则配置模型进行机器学习训练的一个具体实施例的流程图;
图4是图3所示步骤301的一个具体实施例的流程图;
图5是图3所示步骤302的一个具体实施例的流程图;
图6是图3所示步骤303的一个具体实施例的流程图;
图7根据本申请的数据校验装置的一个实施例的结构示意图;
图8是本申请的数据校验装置中所述业务规则模型训练模块的一个具体实施例的结构示意图;
图9根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的数据校验方法一般由服务器执行,相应地,数据校验装置一般设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的数据校验方法的一个实施例的流程图。所述的数据校验方法,包括以下步骤:
步骤201,获取新输入的业务规则。
本实施例中,所述业务规则是指对业务定义和约束的描述性文本内容,根据不同的分类标准,业务规则可以被分类为约束规则、行为规则、计算规则和推导规则。
其中,每条业务规则只定义一种判断和操作,且每条业务规则至少包含条件和执行两个部分,具体的,所述条件部分与定义的判断内容相对应,所述执行部分与定义的操作内容相对应。
具体的,所述新输入的业务规则,可以为应用到医疗云业务上的业务规则,其中,所述医疗云(Medical cloud),是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上,结合医疗技术,使用“云计算”来创建医疗健康服务云平台,实现了医疗资源的共享和医疗范围的扩大。云计算技术的运用与结合,能够提高医疗机构的效率,方便居民就医。例如,预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物,医疗云技术还具有数据安全、信息共享、动态扩展、布局全局的优势。
步骤202,将所述新输入的业务规则以条数为单位逐条发送到预设的规则配置模型,其中,所述规则配置引擎中包括关键词抽取层、关键词解释层、规则编排层和规则加载层。
本实施例中,在执行所述将所述新输入的业务规则以条数为单位逐条发送到预设的规则配置模型的步骤之前,所述方法还包括:启动初始化的规则配置模型;从目标规则库中获取全量业务规则;逐条将所述全量业务规则中每条业务规则发送到所述初始化的规则配置模型,并对所述初始化的规则配置模型进行机器学习训练;设置训练完成的规则配置模型作为所述预设的规则配置模型。
继续参考图3,图3根据本申请实施例所述的数据校验方法对所述初始化的规则配置模型进行机器学习训练的一个具体实施例的流程图,包括:
步骤301,根据所述全量业务规则对所述关键词抽取层进行训练;
具体的,在根据所述全量业务规则,结合自然语言理解技术对所述关键词抽取层进行训练,其中,所述自然语言理解技术,可以为NLP自然语言理解技术;
继续参考图4,图4是图3所示步骤301的一个具体实施例的流程图,包括:
步骤401,获取预先设置的关键词参照表;
步骤402,对所述全量业务规则中每条业务规则进行语义分析,获取每条业务规则对应的语义分析结果;
具体的,通过所述自然语言理解技术对所述全量业务规则中每条业务规则进行语义分析,获取每条业务规则对应的语义分析结果;
步骤403,从所述关键词参照表中筛选出所述全量业务规则中每条业务规则对应的语义分析结果所命中的关键词,其中,所述关键词包括名词和动词;
步骤404,基于所述全量业务规则中每条业务规则以及所述每条业务规则命中的关键词,构建第一知识图谱;
步骤405,将所述第一知识图谱部署到所述关键词抽取层,完成对所述关键词抽取层的训练。
通过对所述关键词抽取层进行训练,获取第一知识图谱,继续以上述医疗云业务上的业务规则为例,通过训练出第一知识图谱,便于后续业务人员输入新的业务规则时,首先,先根据第一知识图谱判断是否能够直接获取到对应的关键词,自动化的进行关键词抽取,进一步的提高了规则配置模型的处理速度。
步骤302,基于预设的对象字段参照表,对所述关键词解释层进行训练;
继续参考图5,图5是图3所示步骤302的一个具体实施例的流程图,包括:
步骤501,根据所述对象字段参照表筛选出所述全量业务规则中每条业务规则命中的关键词所对应的类对象和行为对象;
本实施例中,所述对象字段参照表中包括类对象和行为对象,所述类对象对应所述关键词中的名词,所述行为对象对应所述关键词中的动词。
步骤502,基于所述全量业务规则中每条业务规则命中的关键词所对应的类对象和行为对象,生成机器代码语句;
本实施例中,所述行为对象指计算机直接执行的操作指令,所述类对象包括执行所述操作指令的主体对象,以及所述操作指令的存储地址信息。
具体的,所述机器代码语句指编译前机器能识别的代码语句,例如,以C语言为例,即.c文件里的代码语句。
步骤503,构建所述全量业务规则中每条业务规则与其对应的机器代码语句间的关联关系;
步骤504,根据所述全量业务规则中每条业务规则与其对应的机器代码语句间的关联关系,构建第二知识图谱;
步骤505,将所述第二知识图谱部署到所述关键词解释层,完成对所述关键词解释层的训练。
通过对所述关键词解释层进行训练,获取第二知识图谱,继续以上述医疗云业务上的业务规则为例,通过训练出第二知识图谱,便于后续业务人员输入新的业务规则时,首先,先根据第二知识图谱判断是否能够直接获取到对应的机器代码语句,自动化的进行机器代码语句转换,再进一步的提高了规则配置模型的处理速度。
步骤303,根据预设的校验规则库中全量校验规则,训练所述规则加载层的校验处理过程。
本实施例中,在执行所述根据预设的校验规则库中全量校验规则,训练所述规则加载层的校验处理过程的步骤之前,所述方法还包括:通过所述规则编排层中编译器对所述全量业务规则中每条业务规则对应的机器代码语句进行编排,获取所述全量业务规则中每条业务规则对应的程序代码语句;根据预设的程序执行逻辑和所述规则编排层中链接器,整合所述全量业务规则中每条业务规则对应的程序代码语句,获取整合后所述全量业务规则对应的完整程序代码语句。
具体的,所述程序代码语句指编译后计算机能执行的代码语句,例如,以C语言为例,即.exe文件里的代码语句。
继续参考图6,图6是图3所示步骤303的一个具体实施例的流程图,包括:
步骤601,获取所述校验规则库中全量校验规则;
步骤602,逐个调用所述全量校验规则中每条校验规则对所述全量业务规则对应的完整程序代码语句进行校验,获取校验结果;
步骤603,根据所述校验结果,识别每条校验规则是否都校验通过,若存在未校验通过的校验规则,则向所述目标监测端发送对所述全量业务规则对应的完整程序代码语句进行调整的请求;
步骤604,对所述全量业务规则对应的完整程序代码语句进行调整之后,重新执行校验步骤,直到每条校验规则都校验通过,记录并获取整个校验过程中每次对所述全量业务规则对应的完整程序代码语句进行调整时的具体调整方式以及每次进行调整时未校验通过的校验规则,完成对所述规则加载层校验处理过程的训练。
通过对所述规则加载层进行训练,继续以上述医疗云业务上的业务规则为例,便于后续业务人员输入新的业务规则时,自动化的进行规则校验,再进一步的提高了规则配置模型的处理速度。
步骤203,通过所述关键词抽取层对所述新输入的业务规则逐条进行关键词抽取,获取每条目标业务规则中的关键词。
本实施例中,所述通过所述关键词抽取层对所述目标业务规则逐条进行关键词抽取,获取每条目标业务规则中的关键词,其中,所述每条目标业务规则中的关键词包括医疗文本中的关键信息字段,所述医疗文本包括医疗电子记录(Electronic HealthcareRecord),电子化的个人健康记录,包括病历、心电图、医学影像等一系列具备保存备查价值的电子化记录,也可以为医疗数据,如个人健康档案、处方、检查报告等数据
具体的,所述通过所述关键词抽取层对所述新输入的业务规则逐条进行关键词抽取,获取每条目标业务规则中的关键词的步骤,包括:判断所述第一知识图谱是否能够识别出每条目标业务规则所命中的关键词;若所述第一知识图谱能够识别出每条目标业务规则所命中的关键词,直接根据所述第一知识图谱获取所述目标业务规则对应的关键词;若存在所述第一知识图谱不能够识别出关键词的目标业务规则,则通过所述自然语音理解技术对所述目标业务规则进行语义分析,获取所述目标业务规则对应的语义分析结果,从所述关键词参照表中筛选出所述目标业务规则的语义分析结果所命中的关键词,并基于所述目标业务规则与所述关键词间的对应关系更新所述第一知识图谱。
通过识别判断和更新所述第一知识图谱,使得每次获取到新输入的业务规则,不仅仅只对新输入的业务规则进行识别,还根据识别条件对所述第一知识图谱进行更新,进一步完善所述规则配置模型的适用性,提高其业务性能。
步骤204,基于所述关键词解释层将每条目标业务规则中的关键词解释为机器代码语句,其中,所述机器代码语句指由0和1构成的编码语句。
本实施例中,所述基于所述关键词解释层将每条目标业务规则中的关键词解释为机器代码语句的步骤,具体包括:判断所述第二知识图谱是否能够识别出每条目标业务规则所对应的机器代码语句;若所述第二知识图谱能够识别出每条目标业务规则对应的机器代码语句,直接根据所述第二知识图谱获取所述目标业务规则对应的机器代码语句;若存在所述第二知识图谱不能够识别出机器代码语句的目标业务规则,则根据所述对象字段参照表筛选出所述目标业务规则命中的关键词所对应的类对象和行为对象,基于所述目标业务规则命中的关键词所对应的类对象和行为对象,生成机器代码语句,并基于所述目标业务规则与其对应的机器代码语句间的关联关系更新所述第二知识图谱。
通过识别判断和更新所述第二知识图谱,使得每次获取到新输入的业务规则,不仅仅只对新输入的业务规则进行识别,还根据识别条件对所述第二知识图谱进行更新,进一步完善所述规则配置模型的适用性,提高其业务性能。
步骤205,通过所述规则编排层中编译器对每条目标业务规则对应的机器代码语句进行编排,获取每条目标业务规则对应的程序代码语句,其中,所述程序代码语句指目标业务***可识别且可执行的代码语句。
步骤206,根据预设的程序执行逻辑和所述规则编排层中链接器,整合每条目标业务规则对应的程序代码语句,获取整合后所述新输入的业务规则对应的完整程序代码语句。
步骤207,通过所述规则加载层加载目标校验规则,并根据所述目标校验规则对所述新输入的业务规则对应的完整程序代码语句自动进行校验。
本实施例中,所述通过所述规则加载层加载目标校验规则,并根据所述目标校验规则对所述新输入的业务规则对应的完整程序代码语句自动进行校验的步骤,具体包括:将所述完整程序代码语句发送到训练完成的规则加载层;根据所述训练完成的规则加载层对所述新输入的业务规则对应的完整程序代码语句自动进行校验;判断是否存在校验失败的情况;若存在校验失败的情况,则获取校验失败时的校验规则,并识别所述校验规则是否存在已记录的具体调整方式;若存在已记录的具体调整方式,则根据所述已记录的具体调整方式,调整所述新输入的业务规则对应的完整程序代码语句,并对调整后的完整程序代码语句重新进行自动校验;若不存在已记录的具体调整方式,则向所述目标监测端发送对所述新输入的业务规则对应的完整程序代码语句进行调整的请求,对所述新输入的业务规则对应的完整程序代码语句进行调整之后,重新进行自动校验,并记录具体调整方式;直到不存在校验失败的情况,自动校验完成。
通过识别判断和更新完善所述规则校验层,使得每次获取到新输入的业务规则,不仅仅只对新输入的业务规则进行识别,还根据识别条件对所述规则校验层进行更新,进一步完善所述规则配置模型的适用性,提高其业务性能。
本申请通过获取新输入的业务规则;将新输入的业务规则以条数为单位逐条发送到预设的规则配置模型;通过关键词抽取层对新输入的业务规则逐条进行关键词抽取;基于关键词解释层将抽取的关键词解释为机器代码语句;通过规则编排层将新输入的业务规则整合为完整程序代码语句;通过规则加载层加载目标校验规则,并根据目标校验规则对新输入的业务规则对应的完整程序代码语句自动进行校验。通过规则配置模型改变了传统业务规则配置模式,自动化抽取关键词、生成机器代码语句、编排出程序代码语句和规则校验,有利于提高规则配置可读性和便于自动维护和更新。此外,通过预先对规则配置模型的关键词抽取层、关键词解释层和规则加载层进行训练和更新,进一步的提高了规则配置模型的处理速度和适用性,提高其业务性能,提高跨多方线上医疗平台的医疗云服务的自动化抽取关键词、生成机器代码语句、编排出程序代码语句和规则校验,有利于提高跨多方线上医疗平台的规则配置可读性、自动维护和更新。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例中,通过训练规则配置模型改变了传统业务规则配置模式,自动化抽取关键词、生成机器代码语句、编排出程序代码语句和规则校验,有利于提高规则配置可读性和便于自动维护和更新,进一步的提高了规则配置模型的处理速度和适用性,提高其业务性能。
进一步参考图7,作为对上述图2所示方法的实现,本申请提供了一种数据校验装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例所述的数据校验装置700包括:业务规则获取模块701、业务规则发送模块702、关键词抽取模块703、关键词解释模块704、机器代码编排模块705、程序代码整合模块706和自动校验模块707。
其中:
业务规则获取模块701,用于获取新输入的业务规则;
业务规则发送模块702,用于将所述新输入的业务规则以条数为单位逐条发送到预设的规则配置模型,其中,所述规则配置引擎中包括关键词抽取层、关键词解释层、规则编排层和规则加载层;
关键词抽取模块703,用于通过所述关键词抽取层对所述新输入的业务规则逐条进行关键词抽取,获取每条目标业务规则中的关键词;
关键词解释模块704,用于基于所述关键词解释层将每条目标业务规则中的关键词解释为机器代码语句,其中,所述机器代码语句指由0和1构成的编码语句;
机器代码编排模块705,用于通过所述规则编排层中编译器对每条目标业务规则对应的机器代码语句进行编排,获取每条目标业务规则对应的程序代码语句,其中,所述程序代码语句指目标业务***可识别且可执行的代码语句;
程序代码整合模块706,用于根据预设的程序执行逻辑和所述规则编排层中链接器,整合每条目标业务规则对应的程序代码语句,获取整合后所述新输入的业务规则对应的完整程序代码语句;
自动校验模块707,用于通过所述规则加载层加载目标校验规则,并根据所述目标校验规则对所述新输入的业务规则对应的完整程序代码语句自动进行校验。
继续参考图8,本申请的一些具体实施方式中,所述的数据校验装置700还包括:业务规则模型训练模块708,所述业务规则模型训练模块708包括关键词抽取层训练子模块801、关键词解释层训练子模块802和规则加载层校验训练子模块803,其中:
关键词抽取层训练子模块801,用于根据所述全量业务规则,结合自然语言理解技术对所述关键词抽取层进行训练,具体的,获取预先设置的关键词参照表,通过所述自然语言理解技术对所述全量业务规则中每条业务规则进行语义分析,获取每条业务规则对应的语义分析结果,从所述关键词参照表中筛选出所述全量业务规则中每条业务规则对应的语义分析结果所命中的关键词,基于所述全量业务规则中每条业务规则以及所述每条业务规则命中的关键词,构建第一知识图谱,将所述第一知识图谱部署到所述关键词抽取层,完成对所述关键词抽取层的训练。
关键词解释层训练子模块802,用于基于预设的对象字段参照表,对所述关键词解释层进行训练,具体的,根据所述对象字段参照表筛选出所述全量业务规则中每条业务规则命中的关键词所对应的类对象和行为对象,基于所述全量业务规则中每条业务规则命中的关键词所对应的类对象和行为对象,生成机器代码语句,构建所述全量业务规则中每条业务规则与其对应的机器代码语句间的关联关系,根据所述全量业务规则中每条业务规则与其对应的机器代码语句间的关联关系,构建第二知识图谱,将所述第二知识图谱部署到所述关键词解释层,完成对所述关键词解释层的训练。
规则加载层校验训练子模块803,用于根据预设的校验规则库中全量校验规则,训练所述规则加载层的校验处理过程,具体的,获取所述校验规则库中全量校验规则,逐个调用所述全量校验规则中每条校验规则对所述全量业务规则对应的完整程序代码语句进行校验,获取校验结果,根据所述校验结果,识别每条校验规则是否都校验通过,若存在未校验通过的校验规则,则向所述目标监测端发送对所述全量业务规则对应的完整程序代码语句进行调整的请求,对所述全量业务规则对应的完整程序代码语句进行调整之后,重新执行校验步骤,直到每条校验规则都校验通过,记录并获取整个校验过程中每次对所述全量业务规则对应的完整程序代码语句进行调整时的具体调整方式以及每次进行调整时未校验通过的校验规则,完成对所述规则加载层校验处理过程的训练。
本申请通过获取新输入的业务规则;将新输入的业务规则以条数为单位逐条发送到预设的规则配置模型;通过关键词抽取层对新输入的业务规则逐条进行关键词抽取;基于关键词解释层将抽取的关键词解释为机器代码语句;通过规则编排层将新输入的业务规则整合为完整程序代码语句;通过规则加载层加载目标校验规则,并根据目标校验规则对新输入的业务规则对应的完整程序代码语句自动进行校验。通过规则配置模型改变了传统业务规则配置模式,自动化抽取关键词、生成机器代码语句、编排出程序代码语句和规则校验,有利于提高规则配置可读性和便于自动维护和更新。此外,通过预先对规则配置模型的关键词抽取层、关键词解释层和规则加载层进行训练和更新,进一步的提高了规则配置模型的处理速度和适用性,提高其业务性能,提高跨多方线上医疗平台的医疗云服务的自动化抽取关键词、生成机器代码语句、编排出程序代码语句和规则校验,有利于提高跨多方线上医疗平台的规则配置可读性、自动维护和更新。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图9,图9为本实施例计算机设备基本结构框图。
所述计算机设备9包括通过***总线相互通信连接存储器9a、处理器9b、网络接口9c。需要指出的是,图中仅示出了具有组件9a-9c的计算机设备9,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器9a至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器9a可以是所述计算机设备9的内部存储单元,例如该计算机设备9的硬盘或内存。在另一些实施例中,所述存储器9a也可以是所述计算机设备9的外部存储设备,例如该计算机设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器9a还可以既包括所述计算机设备9的内部存储单元也包括其外部存储设备。本实施例中,所述存储器9a通常用于存储安装于所述计算机设备9的操作***和各类应用软件,例如数据校验方法的计算机可读指令等。此外,所述存储器9a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器9b在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器9b通常用于控制所述计算机设备9的总体操作。本实施例中,所述处理器9b用于运行所述存储器9a中存储的计算机可读指令或者处理数据,例如运行所述数据校验方法的计算机可读指令。
所述网络接口9c可包括无线网络接口或有线网络接口,该网络接口9c通常用于在所述计算机设备9与其他电子设备之间建立通信连接。
本实施例提出的计算机设备,属于人工智能及数字医疗技术领域,应用于数字医疗业务***中由中文业务规则向代码逻辑进行转换的过程中。本申请通过获取新输入的业务规则;将新输入的业务规则以条数为单位逐条发送到预设的规则配置模型;通过关键词抽取层对新输入的业务规则逐条进行关键词抽取;基于关键词解释层将抽取的关键词解释为机器代码语句;通过规则编排层将新输入的业务规则整合为完整程序代码语句;通过规则加载层加载目标校验规则,并根据目标校验规则对新输入的业务规则对应的完整程序代码语句自动进行校验。通过规则配置模型改变了传统业务规则配置模式,自动化抽取关键词、生成机器代码语句、编排出程序代码语句和规则校验,有利于提高规则配置可读性和便于自动维护和更新。此外,通过预先对规则配置模型的关键词抽取层、关键词解释层和规则加载层进行训练和更新,进一步的提高了规则配置模型的处理速度和适用性,提高其业务性能。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被处理器执行,以使所述处理器执行如上述的数据校验方法的步骤。
本实施例提出的计算机可读存储介质,属于人工智能及数字医疗技术领域,应用于数字医疗业务***中由中文业务规则向代码逻辑进行转换的过程中。本申请通过获取新输入的业务规则;将新输入的业务规则以条数为单位逐条发送到预设的规则配置模型;通过关键词抽取层对新输入的业务规则逐条进行关键词抽取;基于关键词解释层将抽取的关键词解释为机器代码语句;通过规则编排层将新输入的业务规则整合为完整程序代码语句;通过规则加载层加载目标校验规则,并根据目标校验规则对新输入的业务规则对应的完整程序代码语句自动进行校验。通过规则配置模型改变了传统业务规则配置模式,自动化抽取关键词、生成机器代码语句、编排出程序代码语句和规则校验,有利于提高规则配置可读性和便于自动维护和更新。此外,通过预先对规则配置模型的关键词抽取层、关键词解释层和规则加载层进行训练和更新,进一步的提高了规则配置模型的处理速度和适用性,提高其业务性能。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种数据校验方法,其特征在于,包括下述步骤:
获取新输入的业务规则;
将所述新输入的业务规则以条数为单位逐条发送到预设的规则配置模型,其中,所述规则配置引擎中包括关键词抽取层、关键词解释层、规则编排层和规则加载层;
通过所述关键词抽取层对所述新输入的业务规则逐条进行关键词抽取,获取每条目标业务规则中的关键词;
基于所述关键词解释层将每条目标业务规则中的关键词解释为机器代码语句;
通过所述规则编排层中编译器对每条目标业务规则对应的机器代码语句进行编排,获取每条目标业务规则对应的程序代码语句;
根据预设的程序执行逻辑和所述规则编排层中链接器,整合每条目标业务规则对应的程序代码语句,获取整合后所述新输入的业务规则对应的完整程序代码语句;
通过所述规则加载层加载目标校验规则,并根据所述目标校验规则对所述新输入的业务规则对应的完整程序代码语句自动进行校验。
2.根据权利要求1所述的数据校验方法,其特征在于,在执行所述将所述新输入的业务规则以条数为单位逐条发送到预设的规则配置模型的步骤之前,所述方法还包括:
启动初始化的规则配置模型;
从目标规则库中获取全量业务规则;
逐条将所述全量业务规则中每条业务规则发送到所述初始化的规则配置模型,并对所述初始化的规则配置模型进行机器学习训练;
设置训练完成的规则配置模型作为所述预设的规则配置模型。
3.根据权利要求2所述的数据校验方法,其特征在于,所述对所述初始化的规则配置模型进行机器学习训练的步骤,具体包括:
根据所述全量业务规则对所述关键词抽取层进行训练;
基于预设的对象字段参照表,对所述关键词解释层进行训练;
根据预设的校验规则库中全量校验规则,训练所述规则加载层的校验处理过程。
4.根据权利要求3所述的数据校验方法,其特征在于,所述根据所述全量业务规则对所述关键词抽取层进行训练的步骤,具体包括:
获取预先设置的关键词参照表;
对所述全量业务规则中每条业务规则进行语义分析,获取每条业务规则对应的语义分析结果;
从所述关键词参照表中筛选出所述全量业务规则中每条业务规则对应的语义分析结果所命中的关键词,其中,所述关键词包括名词和动词;
基于所述全量业务规则中每条业务规则以及所述每条业务规则命中的关键词,构建第一知识图谱;
将所述第一知识图谱部署到所述关键词抽取层,完成对所述关键词抽取层的训练;
所述基于预设的对象字段参照表,对所述关键词解释层进行训练的步骤,具体包括:
根据所述对象字段参照表筛选出所述全量业务规则中每条业务规则命中的关键词所对应的类对象和行为对象,其中,所述对象字段参照表中包括类对象和行为对象,所述类对象对应所述关键词中的名词,所述行为对象对应所述关键词中的动词;
基于所述全量业务规则中每条业务规则命中的关键词所对应的类对象和行为对象,生成机器代码语句,其中,所述行为对象指计算机直接执行的操作指令,所述类对象包括执行所述操作指令的主体对象,以及所述操作指令的存储地址信息;
构建所述全量业务规则中每条业务规则与其对应的机器代码语句间的关联关系;
根据所述全量业务规则中每条业务规则与其对应的机器代码语句间的关联关系,构建第二知识图谱;
将所述第二知识图谱部署到所述关键词解释层,完成对所述关键词解释层的训练。
5.根据权利要求3所述的数据校验方法,其特征在于,在执行所述根据预设的校验规则库中全量校验规则,训练所述规则加载层的校验处理过程的步骤之前,所述方法还包括:
通过所述规则编排层中编译器对所述全量业务规则中每条业务规则对应的机器代码语句进行编排,获取所述全量业务规则中每条业务规则对应的程序代码语句;
根据预设的程序执行逻辑和所述规则编排层中链接器,整合所述全量业务规则中每条业务规则对应的程序代码语句,获取整合后所述全量业务规则对应的完整程序代码语句;
所述根据预设的校验规则库中全量校验规则,训练所述规则加载层的校验处理过程的步骤,具体包括:
获取所述校验规则库中全量校验规则;
逐个调用所述全量校验规则中每条校验规则对所述全量业务规则对应的完整程序代码语句进行校验,获取校验结果;
根据所述校验结果,识别每条校验规则是否都校验通过,若存在未校验通过的校验规则,则向所述目标监测端发送对所述全量业务规则对应的完整程序代码语句进行调整的请求;
对所述全量业务规则对应的完整程序代码语句进行调整之后,重新执行校验步骤,直到每条校验规则都校验通过,记录并获取整个校验过程中每次对所述全量业务规则对应的完整程序代码语句进行调整时的具体调整方式以及每次进行调整时未校验通过的校验规则,完成对所述规则加载层校验处理过程的训练。
6.根据权利要求4所述的数据校验方法,其特征在于,所述通过所述关键词抽取层对所述新输入的业务规则逐条进行关键词抽取,获取每条目标业务规则中的关键词的步骤,具体包括:
判断所述第一知识图谱是否能够识别出每条目标业务规则所命中的关键词;
若所述第一知识图谱能够识别出每条目标业务规则所命中的关键词,直接根据所述第一知识图谱获取所述目标业务规则对应的关键词;
若存在所述第一知识图谱不能够识别出关键词的目标业务规则,则对所述目标业务规则进行语义分析,获取所述目标业务规则对应的语义分析结果,从所述关键词参照表中筛选出所述目标业务规则的语义分析结果所命中的关键词,并基于所述目标业务规则与所述关键词间的对应关系更新所述第一知识图谱;
所述基于所述关键词解释层将每条目标业务规则中的关键词解释为机器代码语句的步骤,具体包括:
判断所述第二知识图谱是否能够识别出每条目标业务规则所对应的机器代码语句;
若所述第二知识图谱能够识别出每条目标业务规则对应的机器代码语句,直接根据所述第二知识图谱获取所述目标业务规则对应的机器代码语句;
若存在所述第二知识图谱不能够识别出机器代码语句的目标业务规则,则根据所述对象字段参照表筛选出所述目标业务规则命中的关键词所对应的类对象和行为对象,基于所述目标业务规则命中的关键词所对应的类对象和行为对象,生成机器代码语句,并基于所述目标业务规则与其对应的机器代码语句间的关联关系更新所述第二知识图谱。
7.根据权利要求5所述的数据校验方法,其特征在于,所述通过所述规则加载层加载目标校验规则,并根据所述目标校验规则对所述新输入的业务规则对应的完整程序代码语句自动进行校验的步骤,具体包括:
将所述完整程序代码语句发送到训练完成的规则加载层;
根据所述训练完成的规则加载层对所述新输入的业务规则对应的完整程序代码语句自动进行校验;
判断是否存在校验失败的情况;
若存在校验失败的情况,则获取校验失败时的校验规则,并识别所述校验规则是否存在已记录的具体调整方式;
若存在已记录的具体调整方式,则根据所述已记录的具体调整方式,调整所述新输入的业务规则对应的完整程序代码语句,并对调整后的完整程序代码语句重新进行自动校验;
若不存在已记录的具体调整方式,则向所述目标监测端发送对所述新输入的业务规则对应的完整程序代码语句进行调整的请求,对所述新输入的业务规则对应的完整程序代码语句进行调整之后,重新进行自动校验,并记录具体调整方式;
直到不存在校验失败的情况,自动校验完成。
8.一种数据校验装置,其特征在于,包括:
业务规则获取模块,用于获取新输入的业务规则;
业务规则发送模块,用于将所述新输入的业务规则以条数为单位逐条发送到预设的规则配置模型,其中,所述规则配置引擎中包括关键词抽取层、关键词解释层、规则编排层和规则加载层;
关键词抽取模块,用于通过所述关键词抽取层对所述新输入的业务规则逐条进行关键词抽取,获取每条目标业务规则中的关键词;
关键词解释模块,用于基于所述关键词解释层将每条目标业务规则中的关键词解释为机器代码语句;
机器代码编排模块,用于通过所述规则编排层中编译器对每条目标业务规则对应的机器代码语句进行编排,获取每条目标业务规则对应的程序代码语句;
程序代码整合模块,用于根据预设的程序执行逻辑和所述规则编排层中链接器,整合每条目标业务规则对应的程序代码语句,获取整合后所述新输入的业务规则对应的完整程序代码语句;
自动校验模块,用于通过所述规则加载层加载目标校验规则,并根据所述目标校验规则对所述新输入的业务规则对应的完整程序代码语句自动进行校验。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的数据校验方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的数据校验方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311112133.3A CN117034230A (zh) | 2023-08-30 | 2023-08-30 | 一种数据校验方法、装置、设备及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311112133.3A CN117034230A (zh) | 2023-08-30 | 2023-08-30 | 一种数据校验方法、装置、设备及其存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117034230A true CN117034230A (zh) | 2023-11-10 |
Family
ID=88644931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311112133.3A Pending CN117034230A (zh) | 2023-08-30 | 2023-08-30 | 一种数据校验方法、装置、设备及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117034230A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117938405A (zh) * | 2024-03-21 | 2024-04-26 | 北京火山引擎科技有限公司 | 多云环境下的cdn服务编排方法、装置、设备及存储介质 |
-
2023
- 2023-08-30 CN CN202311112133.3A patent/CN117034230A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117938405A (zh) * | 2024-03-21 | 2024-04-26 | 北京火山引擎科技有限公司 | 多云环境下的cdn服务编排方法、装置、设备及存储介质 |
CN117938405B (zh) * | 2024-03-21 | 2024-05-31 | 北京火山引擎科技有限公司 | 多云环境下的cdn服务编排方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112287069B (zh) | 基于语音语义的信息检索方法、装置及计算机设备 | |
CN111783471B (zh) | 自然语言的语义识别方法、装置、设备及存储介质 | |
CN111694937A (zh) | 基于人工智能的面试方法、装置、计算机设备及存储介质 | |
US20230043882A1 (en) | Method for assisting launch of machine learning model | |
CN116796857A (zh) | 一种llm模型训练方法、装置、设备及其存储介质 | |
CN117034230A (zh) | 一种数据校验方法、装置、设备及其存储介质 | |
CN116431878A (zh) | 向量检索服务方法、装置、设备及其存储介质 | |
CN116453125A (zh) | 基于人工智能的数据录入方法、装置、设备及存储介质 | |
CN117234505A (zh) | 一种交互页面生成方法、装置、设备及其存储介质 | |
CN117033249A (zh) | 一种测试用例生成方法、装置、计算机设备及存储介质 | |
CN116701593A (zh) | 基于GraphQL的中文问答模型训练方法及其相关设备 | |
CN116796730A (zh) | 基于人工智能的文本纠错方法、装置、设备及存储介质 | |
US10706086B1 (en) | Collaborative-filtering based user simulation for dialog systems | |
CN115510188A (zh) | 文本关键词关联方法、装置、设备及存储介质 | |
CN117197814A (zh) | 一种数据标准化方法、装置、设备及其存储介质 | |
CN116824600A (zh) | 一种公司***识别方法及其相关设备 | |
CN116611434A (zh) | 一种数据增强方法、装置、设备及其存储介质 | |
CN117034875A (zh) | 一种文本数据生成方法、装置、设备及其存储介质 | |
CN117668233A (zh) | 医疗大模型构建方法、装置、计算机设备及介质 | |
CN118297463A (zh) | 一种医院回访坐席服务流程质检方法及其相关设备 | |
CN117932082A (zh) | 一种文本内容指代消解方法、装置、设备及其存储介质 | |
CN116467166A (zh) | 一种缺陷信息处理方法、装置、设备及其存储介质 | |
CN117112415A (zh) | 基于eda模型的业务流程监测方法及其相关设备 | |
Chowdary et al. | Empowering Online Safety: A Machine Learning Approach to Cyberbullying Detection | |
Sophia et al. | Beyond chat-GPT: a BERT-AO approach to custom question answering system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |