CN117271767B - 基于多智能体的运维知识库的建立方法 - Google Patents
基于多智能体的运维知识库的建立方法 Download PDFInfo
- Publication number
- CN117271767B CN117271767B CN202311198973.6A CN202311198973A CN117271767B CN 117271767 B CN117271767 B CN 117271767B CN 202311198973 A CN202311198973 A CN 202311198973A CN 117271767 B CN117271767 B CN 117271767B
- Authority
- CN
- China
- Prior art keywords
- data
- processing
- generate
- database
- knowledge
- 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.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 236
- 230000005540 biological transmission Effects 0.000 claims abstract description 153
- 238000004458 analytical method Methods 0.000 claims abstract description 84
- 230000009466 transformation Effects 0.000 claims abstract description 58
- 238000005516 engineering process Methods 0.000 claims abstract description 42
- 238000012544 monitoring process Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000003058 natural language processing Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 69
- 239000003795 chemical substances by application Substances 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000003066 decision tree Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 19
- 230000010354 integration Effects 0.000 claims description 17
- 230000002452 interceptive effect Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 12
- 238000011049 filling Methods 0.000 claims description 11
- 238000012790 confirmation Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 238000011425 standardization method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 239000002699 waste material Substances 0.000 description 9
- 230000008451 emotion Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000000691 measurement method 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
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据库数据处理技术领域,尤其涉及一种基于多智能体的运维知识库的建立方法。所述方法包括以下步骤:获取AI知识储备库数据;对AI知识储备库数据进行数据库分类处理,生成分类数据库;通过局域网对分类数据库进行数据通道初始化处理,生成初始化传输通道;根据局域网对分类数据库进行节点设置处理,生成传输监测总节点;获取用户输入数据;基于自然语言技术对用户输入数据进行语义分析处理,生成用户语义解析数据;根据维度变换算法对用户语义解析数据进行维度变换处理,从而生成用户语义变换数据;本发明通过利用自然语言处理技术和智能决策和优化算法,以实现多智能体的运维知识库的建立方法。
Description
技术领域
本发明涉及数据库数据处理技术领域,尤其涉及一种基于多智能体的运维知识库的建立方法。
背景技术
在现代复杂的信息技术环境中,运维(运维)团队面临着日益复杂的***管理和故障排除挑战,为了提高***可靠性和稳定性,构建一个高效的运维知识库变得至关重要,基于多智能体的方法为运维知识库的建立提供了创新的解决方案,多智能体***是一组相互作用的智能体,每个智能体都具有自主决策能力和通信能力,在运维环境中,多智能体可以代表各种组件、设备、应用程序或子***,共同协作以实现故障检测、故障诊断、自动修复等任务。每个智能体都被建模成一个具有感知、决策和执行能力的实体,利用机器学习技术,智能体可以通过观察历史数据和实时监控信息来学习***行为、模式和异常,然而目前的现有技术仍然存在着一些缺陷,例如,传统的知识库调用通过调取大量数据导致工作效率不高以及遇到重复调用问题时需要重复调用所导致的算力资源浪费。
发明内容
基于此,有必要提供一种基于多智能体的运维知识库的建立方法及***,以解决至少一个上述技术问题。
为实现上述目的,一种基于多智能体的运维知识库的建立方法,所述方法包括以下步骤:
步骤S1:获取AI知识储备库数据;对AI知识储备库数据进行数据库分类处理,生成分类数据库;通过局域网对分类数据库进行数据通道初始化处理,生成初始化传输通道;根据局域网对分类数据库进行节点设置处理,生成传输监测总节点;
步骤S2:获取用户输入数据;基于自然语言技术对用户输入数据进行语义分析处理,生成用户语义解析数据;根据维度变换算法对用户语义解析数据进行维度变换处理,从而生成用户语义变换数据;
步骤S3:对用户语义变换数据进行关键词特征提取处理,生成互动节点数据和知识关键节点数据;利用语义关联程度公式对知识关键节点数据进行语义关联程度计算处理,生成语义关联度分数;将语义关联度分数与预设的标准语义关联度进行对比处理,生成关联数据库;基于关联数据库对初始化传输通道进行传输通道确认处理,生成待传输通道;
步骤S4:利用马尔可夫决策过程进行决策模型构建处理,生成知识库数据调度预测模型;通过知识库数据调度预测模型对对关联数据库决策调度处理,生成知识库智能决策引擎;
步骤S5:根据知识库智能决策引擎对待传输通道进行数据优先级排序处理,生成优先级排序数据;基于决策树模型对关联重合数据进行记忆智能体设置,生成数据记忆智能体;对数据记忆智能体进行数据库集成处理,从而生成智能体运维知识库。
本发明通过对AI知识储备库数据进行分类和管理,可以将散乱的知识整合起来,并通过多智能体***实现知识的共享和传递,提高运维效率和问题解决能力,通过局域网的数据通道初始化和节点设置处理,可以确保数据传输过程的可靠性和安全性,传输监测总节点的设置可以实时监控传输状态,及时发现和纠正问题,提高数据传输的可控性和稳定性,多智能体***可以通过共享知识和信息,实现智能体之间的协作与协同工作,不同智能体之间可以相互补充和协助,共同解决运维问题,并提高运维团队的整体效能;通过语义分析和维度变换处理,***能够更准确地理解用户的意图和上下文。这有助于提供个性化的服务,并使***更加智能化和适应性强,通过语义分析和维度变换,***可以从用户输入数据中提取关键信息、实体和属性,并进行深入的内容分析,为后续的信息检索、知识推理和答案生成提供了基础,通过维度变换处理和情感分析,***可以了解用户的情感状态和情感需求,这对于提供情感化的服务、情感驱动的推荐和个性化体验非常重要,通过对用户语义变换数据的分析和挖掘,***可以为企业和组织提供决策支持和业务优化的洞察,这可以基于用户需求的趋势分析、用户行为模式挖掘等方面;通过关键词特征提取和语义关联度计算,***可以提取用户输入中最相关和重要的信息,从而提高***的精确性和准确性,生成的互动节点数据和知识关键节点数据可以用于优化***与用户的交互体验,根据这些节点,***可以提供更准确、个性化的回答、建议或其他交互内容,通过生成的关联数据库,***可以存储和管理节点之间的关联信息,这样,***可以更好地理解用户的需求,并提供相关的背景知识或相关信息,从而提高用户满意度和信息检索效果,通过对传输通道的确认处理,***可以选择最优的通道进行数据传输,可以提高数据传输的效率和性能,减少资源的浪费;通过利用马尔可夫决策过程进行决策模型建模,***可以在不确定的环境中做出智能的调度决策,可以提高知识库数据的调度效率,确保最优的资源利用和数据传输,通过知识库数据调度预测模型和智能决策引擎,***可以根据实时情况做出智能的知识库管理决策,这包括了数据存储、数据更新、数据访问等方面的决策,通过优化知识库管理,***可以提供更高效的知识库服务,通过使用马尔可夫决策过程和预测模型,***可以分析历史数据和环境信息,预测出最佳的调度决策,这可以提高***的决策准确性,减少错误和资源浪费,由于知识库智能决策引擎是基于实时数据和情境进行决策的,它可以快速适应变化的需求和环境,这使得***能够提供实时的决策支持,满足用户的即时需求;通过对待传输通道进行数据优先级排序处理,***可以确保重要数据优先传输,从而提高传输效率和数据传输的实时性,通过基于决策树模型设置数据记忆智能体,***可以学***,通过生成智能体运维知识库,***可以更好地利用历史数据和知识,提供更准确、高效、可靠的服务,这将进一步提升***的效能和可靠性,并改善用户的体验。因此,本发明通过利用自然语言处理技术和智能决策和优化算法,能够更准确地理解用户意图,实现智能化的知识检索,提高了检索的准确性和效率以及减少算力资源的浪费。
本发明的有益效果在于通过知识库智能决策引擎,***能够根据关联数据库的信息进行智能化决策调度,优化运维决策过程,提高决策的准确性和效率,通过整合AI知识储备库数据和分类数据库,生成综合的知识库数据,使得***能够更好地利用各类知识数据进行运维决策,提高知识的综合利用价值,基于用户输入数据的语义分析和维度变换,***能够生成个性化的用户语义变换数据,从而为每个用户提供针对性的运维支持和建议,通过传输通道确认和数据优先级排序,***能够实现对待传输通道的实时数据处理,确保关键数据能够及时传输和处理,提高决策的实时性,通过生成智能体运维知识库,***能够实现多智能体的协同工作,从而提高运维决策的整体效能和协同能力,基于马尔可夫决策过程和决策树模型,***能够将数据驱动融入决策过程,使得决策更加科学和可靠,通过智能决策引擎和数据记忆智能体,***能够实现自动化的运维决策,减轻人工干预负担,提高运维效率,利用语义关联程度计算和关键词特征提取,***能够对知识关键节点进行深入分析,为运维决策提供更精准的知识关联度信息。因此,本发明通过利用自然语言处理技术和智能决策和优化算法,能够更准确地理解用户意图,实现智能化的知识检索,提高了检索的准确性和效率以及减少算力资源的浪费。
附图说明
图1为一种基于多智能体的运维知识库的建立方法的步骤流程示意图;
图2为图1中步骤S31的详细实施步骤流程示意图;
图3为图1中步骤S4的详细实施步骤流程示意图;
图4为图1中步骤S5的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种基于多智能体的运维知识库的建立方法,所述方法包括以下步骤:
步骤S1:获取AI知识储备库数据;对AI知识储备库数据进行数据库分类处理,生成分类数据库;通过局域网对分类数据库进行数据通道初始化处理,生成初始化传输通道;根据局域网对分类数据库进行节点设置处理,生成传输监测总节点;
步骤S2:获取用户输入数据;基于自然语言技术对用户输入数据进行语义分析处理,生成用户语义解析数据;根据维度变换算法对用户语义解析数据进行维度变换处理,从而生成用户语义变换数据;
步骤S3:对用户语义变换数据进行关键词特征提取处理,生成互动节点数据和知识关键节点数据;利用语义关联程度公式对知识关键节点数据进行语义关联程度计算处理,生成语义关联度分数;将语义关联度分数与预设的标准语义关联度进行对比处理,生成关联数据库;基于关联数据库对初始化传输通道进行传输通道确认处理,生成待传输通道;
步骤S4:利用马尔可夫决策过程进行决策模型构建处理,生成知识库数据调度预测模型;通过知识库数据调度预测模型对对关联数据库决策调度处理,生成知识库智能决策引擎;
步骤S5:根据知识库智能决策引擎对待传输通道进行数据优先级排序处理,生成优先级排序数据;基于决策树模型对关联重合数据进行记忆智能体设置,生成数据记忆智能体;对数据记忆智能体进行数据库集成处理,从而生成智能体运维知识库。
本发明通过对AI知识储备库数据进行分类和管理,可以将散乱的知识整合起来,并通过多智能体***实现知识的共享和传递,提高运维效率和问题解决能力,通过局域网的数据通道初始化和节点设置处理,可以确保数据传输过程的可靠性和安全性,传输监测总节点的设置可以实时监控传输状态,及时发现和纠正问题,提高数据传输的可控性和稳定性,多智能体***可以通过共享知识和信息,实现智能体之间的协作与协同工作,不同智能体之间可以相互补充和协助,共同解决运维问题,并提高运维团队的整体效能;通过语义分析和维度变换处理,***能够更准确地理解用户的意图和上下文。这有助于提供个性化的服务,并使***更加智能化和适应性强,通过语义分析和维度变换,***可以从用户输入数据中提取关键信息、实体和属性,并进行深入的内容分析,为后续的信息检索、知识推理和答案生成提供了基础,通过维度变换处理和情感分析,***可以了解用户的情感状态和情感需求,这对于提供情感化的服务、情感驱动的推荐和个性化体验非常重要,通过对用户语义变换数据的分析和挖掘,***可以为企业和组织提供决策支持和业务优化的洞察,这可以基于用户需求的趋势分析、用户行为模式挖掘等方面;通过关键词特征提取和语义关联度计算,***可以提取用户输入中最相关和重要的信息,从而提高***的精确性和准确性,生成的互动节点数据和知识关键节点数据可以用于优化***与用户的交互体验,根据这些节点,***可以提供更准确、个性化的回答、建议或其他交互内容,通过生成的关联数据库,***可以存储和管理节点之间的关联信息,这样,***可以更好地理解用户的需求,并提供相关的背景知识或相关信息,从而提高用户满意度和信息检索效果,通过对传输通道的确认处理,***可以选择最优的通道进行数据传输,可以提高数据传输的效率和性能,减少资源的浪费;通过利用马尔可夫决策过程进行决策模型建模,***可以在不确定的环境中做出智能的调度决策,可以提高知识库数据的调度效率,确保最优的资源利用和数据传输,通过知识库数据调度预测模型和智能决策引擎,***可以根据实时情况做出智能的知识库管理决策,这包括了数据存储、数据更新、数据访问等方面的决策,通过优化知识库管理,***可以提供更高效的知识库服务,通过使用马尔可夫决策过程和预测模型,***可以分析历史数据和环境信息,预测出最佳的调度决策,这可以提高***的决策准确性,减少错误和资源浪费,由于知识库智能决策引擎是基于实时数据和情境进行决策的,它可以快速适应变化的需求和环境,这使得***能够提供实时的决策支持,满足用户的即时需求;通过对待传输通道进行数据优先级排序处理,***可以确保重要数据优先传输,从而提高传输效率和数据传输的实时性,通过基于决策树模型设置数据记忆智能体,***可以学***,通过生成智能体运维知识库,***可以更好地利用历史数据和知识,提供更准确、高效、可靠的服务,这将进一步提升***的效能和可靠性,并改善用户的体验。因此,本发明通过利用自然语言处理技术和智能决策和优化算法,能够更准确地理解用户意图,实现智能化的知识检索,提高了检索的准确性和效率以及减少算力资源的浪费。
本发明实施例中,参考图1所述,为本发明一种基于多智能体的运维知识库的建立方法的步骤流程示意图,在本实例中,所述一种基于多智能体的运维知识库的建立方法包括以下步骤:
步骤S1:获取AI知识储备库数据;对AI知识储备库数据进行数据库分类处理,生成分类数据库;通过局域网对分类数据库进行数据通道初始化处理,生成初始化传输通道;根据局域网对分类数据库进行节点设置处理,生成传输监测总节点;
本发明实施例中,通过收集与运维相关的各类知识、文档、数据等,可以从在线论坛、文献数据库、企业内部文档等多个来源获取,根据知识性质、主题、领域等因素,对获取到的知识数据进行分类,例如,将知识分为网络运维、硬件维护、软件安全等不同类别,形成分类数据库,在局域网内搭建通信环境,可以使用局域网路由器、交换机等设备,生成初始化传输通道,确保各个节点之间可以相互通信和传输数据,为每个节点配置特定的功能和角色,例如,一个节点可以负责知识库的查询与检索,另一个节点可以负责知识库的更新与维护,在局域网内设置一个传输监测总节点,用于监控数据的传输情况和节点的连接状态,生成传输监测总节点。
步骤S2:获取用户输入数据;基于自然语言技术对用户输入数据进行语义分析处理,生成用户语义解析数据;根据维度变换算法对用户语义解析数据进行维度变换处理,从而生成用户语义变换数据;
本发明实施例中,通过获取用户提供的运维需求、问题描述等文本数据,可以通过用户界面、输入框等方式获取,使用自然语言处理技术,如词法分析、语法分析、语义角色标注等,对用户输入数据进行深度分析,抽取其中的实体、关系和动作等信息,从而理解用户的意图和需求,基于语义分析的结果,生成用户语义解析数据,该数据包含了对用户输入的详细解释和分析,以及从中提取出的语义信息,设计并应用维度变换算法,将用户语义解析数据从原有的维度转换到适合在知识库中匹配和查询的新维度,例如,将用户描述的问题维度转化为知识库中的问题类别、关键词等维度,通过维度变换算法处理后,生成用户语义变换数据,该数据是用户输入数据在知识库中进行匹配和检索的基础,能够更准确地与知识库中的数据相匹配。
步骤S3:对用户语义变换数据进行关键词特征提取处理,生成互动节点数据和知识关键节点数据;利用语义关联程度公式对知识关键节点数据进行语义关联程度计算处理,生成语义关联度分数;将语义关联度分数与预设的标准语义关联度进行对比处理,生成关联数据库;基于关联数据库对初始化传输通道进行传输通道确认处理,生成待传输通道;
本发明实施例中,通过使用自然语言处理技术,如TF-IDF(词频-逆文档频率)或词嵌入模型(如Word2Vec或BERT),从用户语义变换数据中提取出重要的关键词特征,这些关键词能够代表数据的核心内容,根据提取的关键词特征,生成互动节点数据和知识关键节点数据,互动节点数据用于用户和知识库之间的交互,而知识关键节点数据则作为知识库中的重要锚点,设计并应用语义关联程度公式,该公式考虑关键词特征之间的关联程度,可以基于余弦相似度等指标来设计该公式,计算用户语义变换数据与知识关键节点数据之间的语义关联程度,根据语义关联程度计算的结果,生成语义关联度分数,该分数反映了用户输入数据与知识关键节点数据之间的相关性程度,将生成的语义关联度分数与预设的标准语义关联度进行对比,筛选出关联度较高的数据,形成关联数据库,该数据库包含了与用户输入数据高度相关的知识库内容,基于关联数据库,确认初始化传输通道,确保数据在传输过程中能够顺利传递,这一步骤保证了后续数据传输的准备工作。
步骤S4:利用马尔可夫决策过程进行决策模型构建处理,生成知识库数据调度预测模型;通过知识库数据调度预测模型对对关联数据库决策调度处理,生成知识库智能决策引擎;
本发明实施例中,通过将知识库数据调度问题抽象为一个马尔可夫决策过程,其中马尔可夫决策过程构建如下:将知识库数据调度问题抽象为一个马尔可夫决策过程,定义状态,每个状态表示一个特定的知识库数据调度情境,例如不同的知识库、数据传输通道、传输节点等,确定可行的决策动作,如选择特定的知识库进行数据传输、分配传输通道等,根据实际情况和历史数据,估计不同状态之间的转移概率,反映状态变化的可能性,定义奖励函数,根据决策的效果和目标,评估每个决策动作的好坏,生成知识库数据调度预测模型,利用训练好的知识库数据调度预测模型,对关联数据库进行决策调度处理,选择最优的数据传输和分配策略,将决策调度的逻辑和策略整合为知识库智能决策引擎,该引擎能够根据实时数据和状态,自动做出智能决策,实现知识库数据的优化调度。
步骤S5:根据知识库智能决策引擎对待传输通道进行数据优先级排序处理,生成优先级排序数据;基于决策树模型对关联重合数据进行记忆智能体设置,生成数据记忆智能体;对数据记忆智能体进行数据库集成处理,从而生成智能体运维知识库。
本发明实施例中,通过步骤S3中的待传输通道获取数据,这些数据是待传输的知识库内容,利用步骤S4生成的知识库智能决策引擎,对传输通道中的数据进行优先级排序处理,该引擎会根据决策模型的预测结果,确定每个数据在传输中的优先级,根据决策引擎的决策结果,对传输通道中的数据进行优先级排序,生成优先级排序数据,确保优先传输高优先级数据,根据步骤S3生成的关联数据库,识别出其中的关联重合数据,即在不同情境下被多次引用的数据,为每个关联重合数据设计特征,这些特征可以包括数据本身的属性、上下文信息、历史被引用次数等,使用决策树模型,训练一个能够根据特征预测数据被引用的次数的模型,这个模型可以帮助判断哪些数据更有可能被频繁引用,从而更有可能被加入到数据记忆智能体中,根据决策树模型的预测结果,为关联重合数据设置数据记忆智能体,被预测为可能被频繁引用的数据会被选择作为记忆体,以便后续快速调用,将被选中的数据记忆智能体与之前的知识库数据集成,形成一个综合的智能体运维知识库,设计智能体的调用逻辑,使得在需要快速引用某些经常被使用的数据时,能够优先调用数据记忆智能体中的内容,提高知识库数据的获取效率。
优选地,步骤S1包括以下步骤:
步骤S11:获取AI知识储备库数据;
步骤S12:根据预设的数据库需求对AI知识储备库数据进行数据库分类处理,生成分类数据库,其中分类数据库包括工作数据库、网络数据库和私密数据库;
步骤S13:通过局域网对分类数据库进行数据通道建立,生成数据传输通道,其中数据传输通道包括工作数据库与网络数据库相连接的第一传输通道,工作数据库与私密数据库相连接的第二传输通道,网络数据库与私密数据库相连接的第三传输通道;
步骤S14:将第一传输通道、第二传输通道和第三传输通道进行通道初始化关闭设置处理,生成初始化传输通道;
步骤S15:根据初始化传输通道进行数据总节点设置处理,生成传输监测总节点。
本发明通过获取AI知识储备库数据,通过将AI知识储备库数据进行分类,可以更好地组织和管理数据,使其更易于查找、访问和维护,生成的分类数据库,如工作数据库、网络数据库和私密数据库,可以根据不同的用途和访问权限进行划分,提高数据的可用性和安全性;通过建立局域网内的数据通道,可以实现高速、稳定的数据传输。通过将工作数据库、网络数据库和私密数据库相连,可以方便地在这些数据库之间进行数据交换和共享,促进团队间的协作和信息流动;在确保数据通道正常运作的前提下,通过关闭不需要的传输通道,可以提高网络和***的安全性和效率,这样可以避免未授权的访问和数据泄露,并优化***资源的使用;通过设置传输监测总节点,可以对整个数据传输过程进行监控和管理。传输监测总节点能够收集和分析传输的数据流量、速度、稳定性等指标,帮助发现潜在问题并进行及时处理,确保数据传输的可靠性和完整性。
本发明实施例中,通过确定AI知识储备库的位置和访问方式,例如本地存储、云平台存储等,使用适当的方法和工具,如API、数据库查询语言或文件传输协议,获取所需的AI知识储备库数据,根据预设的数据库需求,设计数据模型和分类方案,确定工作数据库、网络数据库和私密数据库的结构和属性,将获取的AI知识储备库数据按照分类方案进行分类,并在相应数据库中创建表或集合来存储分类后的数据,在局域网内建立合适的网络架构,包括路由器、交换机等设备,以便连接各个数据库及其相应节点,针对工作数据库与网络数据库、工作数据库与私密数据库、网络数据库与私密数据库的连接需求,配置网络设备和相关软件,确保数据通道的稳定性和安全性,对第一传输通道、第二传输通道和第三传输通道进行配置和初始化操作,确保通道的正常关闭和安全性,这涉及到设置适当的网络访问控制、防火墙规则以及加密和身份验证机制,以保护数据通道免受未经授权的访问和数据泄露,根据初始化传输通道的配置,设置数据传输的总节点,包括数据监测、错误处理和日志记录等功能,监控传输的数据流量、速度、稳定性和安全性,确保数据传输的可靠性和完整性,并在需要时进行相应的调整和优化。
优选地,步骤S2包括以下步骤:
步骤S21:通过互联网获取用户输入数据;
步骤S22:利用语义分析技术对用户输入数据进行自然语言处理,生成用户语义解析数据;
步骤S23:基于哑变量填充方法对用户语义解析数据进行缺失值填充处理,生成用户语义填充数据;
步骤S24:利用卡方检验方法对用户语义填充数据进行冗余剔除处理,生成标准用户语义解析数据;
步骤S25:通过奇异值分解方法对标准用户语义解析数据进行数据维度变换处理,生成用户语义变换数据。
本发明通过互联网获取用户输入数据可以收集到大量的实际用户输入,包括问题、查询、反馈等,从而为后续的语义分析提供数据基础,通过语义分析技术对用户输入数据进行处理,可以将用户的自然语言转化为机器可以理解和处理的语义解析数据,从而实现对用户意图和需求的准确理解,在语义解析数据中可能存在缺失值的情况,通过基于哑变量填充方法对缺失值进行填充处理,可以完善数据的完整性,提高后续处理的可信度和准确性,在填充后的数据中可能存在冗余信息,通过卡方检验方法可以剔除其中的冗余特征,从而减少数据的复杂性和冗余程度,提高数据处理的效率和准确性,通过奇异值分解方法对标准用户语义解析数据进行维度变换,可以降低数据的维度,保留主要的特征信息,减少数据的冗余性和噪音干扰,从而提高后续处理过程的效率和准确性。
本发明实施例中,通过可以利用网络爬虫技术从各种在线平台、社交媒体、搜索引擎等收集用户输入数据,这些数据可以是用户的查询问题、留言反馈、客户评价等,使用自然语言处理(NLP)技术,如词法分析、句法分析、语义角色标注等,将用户输入的自然语言文本转化为结构化的语义解析数据,这些数据可以表示用户的意图、关键词、实体等信息,采用哑变量填充方法来处理语义解析数据中的缺失值,具体做法是将缺失值替换为特殊的数值,如0或NaN,并在数据中引入哑变量作为缺失值的标记,使用卡方检验方法对语义填充数据进行特征选择,剔除与目标任务无关或高度相关的冗余特征,卡方检验可以计算特征与目标变量之间的相关性,并选择相关性较高的特征,使用奇异值分解(SVD)方法对标准用户语义解析数据进行数据维度变换,SVD能够降低数据的维度并保留主要的特征信息,从而减少数据的冗余性和噪音干扰,从而用户语义变换数据。
优选地,步骤S3包括以下步骤:
步骤S31:对用户语义变换数据进行关键词特征提取处理,生成互动节点数据和知识关键节点数据;
步骤S32:利用命名实体识别技术对知识关键节点数据进行实体抽取处理,生成用户输入关键字段;
步骤S33:将用户输入关键字段与工作数据库、网络数据库和私密数据库进行知识库匹配处理,生成数据库关联数据;
步骤S34:通过语义关联程度公式对数据库关联数据和分类数据库进行知识数据库关联度计算处理,生成语义关联度分数;
步骤S35:将语义关联度分数与预设的标准语义关联度进行对比处理,当语义关联度分数大于或等于标准语义关联度时,则将语义关联度分数所对应的分类数据库标记为关联数据库;当语义关联度分数小于标准语义关联度时,则将语义关联度分数所对应的分类数据库标记为不关联数据库并进行剔除;
步骤S36:基于关联数据库对初始化传输通道进行传输通道确认处理,生成通道关联数据;利用通道关联数据对初始化传输通道进行通道开启处理,生成待传输通道。
本发明通过对用户语义变换数据进行关键词特征提取处理和利用命名实体识别技术进行实体抽取处理,***能够更加准确地识别和理解用户输入的语义。这有助于提高***对用户意图的理解能力,准确捕捉用户所需信息;将用户输入关键字段与工作数据库、网络数据库和私密数据库进行知识库匹配处理,可以更快速地定位和检索相关的知识,并生成数据库关联数据。这有助于提高数据库查询效率,精确匹配用户需求;通过语义关联程度公式对数据库关联数据和分类数据库进行知识数据库关联度计算处理,可以量化不同数据库与用户输入之间的关联程度,有助于确定哪些数据库与用户输入最相关,并为后续处理提供基础;将语义关联度分数与预设的标准语义关联度进行对比处理,可以根据预设标准将数据库标记为关联或不关联,并剔除不关联的数据库,有助于提高***的效率,专注于处理与用户输入高度相关的数据库;基于关联数据库对初始化传输通道进行传输通道确认处理,***可以确定与关联数据库相关的传输通道,通过利用通道关联数据对初始化传输通道进行通道开启处理,生成待传输通道,有助于确保与关联数据库的数据能够通过通道进行有效的传输和交互。
本发明实施例中,通过使用自然语言处理技术,如词袋模型或TF-IDF,从用户语义变换数据中提取关键词特征,对提取的关键词进行预处理,如去除停用词、词干提取等,以提高特征的准确性,利用命名实体识别技术,如命名实体识别器或预训练的语言模型,识别知识关键节点数据中的实体,如人名、地名、组织名等,从识别出的实体中抽取出用户输入关键字段,作为进一步处理的数据,设计匹配算法,可以基于关键词、实体、语义等将用户输入关键字段与工作数据库、网络数据库和私密数据库中的内容进行匹配,使用文本相似度计算或语义匹配技术,对用户输入关键字段与数据库内容进行比较,确定其相似度和相关性,制定语义关联程度公式,可以基于词向量、主题模型等方法,计算数据库关联数据和分类数据库之间的语义关联度,将关联数据与分类数据库进行逐一计算,生成语义关联度分数,设定预设的标准语义关联度阈值,用于判定是否将数据库标记为关联数据库,将语义关联度分数与预设标准进行对比,若大于等于阈值,则将该分类数据库标记为关联数据库,否则标记为不关联数据库并剔除,根据标记为关联数据库的分类数据库,生成通道关联数据,记录哪些数据库需要通过传输通道进行数据传输,利用通道关联数据,对初始化传输通道进行确认处理,确保通道设置正确。然后,根据通道关联数据,开启相应的传输通道,生成待传输通道。
优选地,步骤S34中的语义关联程度公式具体如下:
式中,C表示为语义关联度分数,n表示为文本数量,a表示为文本中的特征a的重要性系数,b表示为文本中的特征b的重要性系数,θ表示为语义关联中的角度值,d表示为文本中的特征a和文本中的特征b之间的距离,f表示为文本中的特征a和文本中的特征b的的差异度量,e表示为知识库相关的度量常数,g表示为关联度的顺序或重要性,h表示为文本最大长度,x表示为文本语义关联所占的内存空间,μ表示为语义关联异常调整值。
本发明构建了一种语义关联程度公式,公式中通过概念/文本的特征a与特征b的结合。以自然指数为底的指数项表示特征a的重要性,而开根号表示特征b的重要性,sin(θ)表示与给定角度(θ)相关的关联程度,其中角度的正弦值用于表示关联的强度或方向性,通过将距离值/>进行开立方根运算,可以将其归一化或调整到合适的范围,利用cos(e)某种与特定角度(e)相关的关联度,其中角度的余弦值表示关联的方向或位置,通过|f|将差异度量取绝对值可以忽略差异的方向,集中关注它们的强度,g作为指数,表示关联度的重要性或优先级,大于1的指数可以加大关联度的权重,使其在整个公式中的影响更为显著。该公式通过将不同概念或文本之间的特征、重要性、角度、距离等因素纳入考虑,该公式能够量化它们之间的语义关联程度,这有助于理解和比较不同概念或文本之间的相似性、相关性或差异性。该公式充分考虑了文本数量n,文本中的特征a的重要性系数a,文本中的特征b的重要性系数b,语义关联中的角度值θ,文本中的特征a和文本中的特征b之间的距离d,文本中的特征a和文本中的特征b的的差异度量f,知识库相关的度量常数e,关联度的顺序或重要性g,文本最大长度h,文本语义关联所占的内存空间x,语义关联异常调整值μ,根据语义关联中的角度值与以上各参数之间的相互关系构成了一种函数关系:
通过文本中的特征a的重要性系数a与文本中的特征b的重要性系数b的相互作用关系,通过指数和开根号运算,这些特征的重要性被加权并结合在一起,可以得到不同概念/文本中的特征的重要性程度,保证区域数据精确的情况下进行语义关联,利用文本中的特征a和文本中的特征b之间的距离d,将距离的值归一化或调整到适当的范围内,通过文本中的特征a和文本中的特征b的的差异度量f,可以通过取绝对值,忽略差异的方向,而关注差异的强度,通过语义关联异常调整值μ可以对语义关联程度进行微调,更加准确的生成语义关联度分数C,提高了语义关联程度的准确性和可靠性。同时该公式中的铝合金样本的文本最大长度、文本语义关联所占的内存空间等参数可以根据实际情况进行调整,从而适应不同的语义关联程度场景,提高了算法的适用性和灵活性。
优选地,步骤S31包括以下步骤:
步骤S311:利用TF-IDE技术对用户语义变换数据进行模糊关键词抽取,生成模糊关键词数据;
步骤S312:根据GloVe词嵌入算法对模糊关键词数据进行词向量化处理,从而生成模糊关键词向量;
步骤S313:通过模糊关键词匹配检测公式对模糊关键词向量进行关键词相似度计算处理,生成关键词相似度数据;基于层次聚类方法对关键词相似度数据进行聚类分析处理,从而生成互动节点数据;
步骤S314:基于AI知识储备库数据和分类数据库进行知识图谱构建处理,生成模糊知识图谱;利用用户语义变换数据对模糊知识图谱及逆行知识图谱扩充处理,生成关联知识图谱;
步骤S315:将模糊关键词数据导入关联知识图谱中进行关键词解析处理,生成关键词解析数据;利用同义词词典和实体链接技术对关键词解析数据与关联知识图谱进行关键词实体映射处理,生成关键词映射数据;
步骤S316:基于关键词映射数据对关联知识图片进行实体关系查询处理,生成关键词实体关系数据;通过深度优先搜索算法对关键词实体关系数据进行路径搜索处理,生成关键词搜索路径;
步骤S317:根据关键词搜索路径对关键词映射数据进行知识关联度计算处理,生成知识关联度数据;利用知识关联度数据对关联知识图谱进行关键节点筛选处理,从而生成知识关键节点数据。
本发明通过利用TF-IDF(词频-逆向文档频率)技术,对用户语义变换数据进行处理,通过抽取模糊关键词,可以提取出文本中的重要词汇,帮助理解和描述文本内容;使用GloVe(Global Vectors for Word Representation)词嵌入算法对模糊关键词数据进行词向量化处理,这一步骤将模糊关键词转换为向量表示,使得计算机可以以数值方式处理文本信息;通过模糊关键词匹配检测公式,计算词向量之间的相似度,从而生成关键词相似度数据,然后利用层次聚类方法对关键词相似度数据进行处理,将相似的关键词聚类在一起,生成互动节点数据,这一步骤有助于发现文本中相似或相关的概念,提供更准确的知识表示;基于AI知识储备库数据和分类数据库,构建模糊知识图谱,然后利用用户语义变换数据对知识图谱进行扩充,生成关联知识图谱,这一步骤将用户提供的数据与***中的知识进行融合,提供更全面和准确的知识表示;将模糊关键词数据导入关联知识图谱中进行关键词解析处理,生成关键词解析数据,利用同义词词典和实体链接技术对关键词解析数据与关联知识图谱进行关键词实体映射处理,生成关键词映射数据,这一步骤有助于理解关键词的语义,将关键词与具体的实体和概念关联起来,提供更具体和有用的知识;基于关键词映射数据对关联知识图谱进行实体关系查询处理,生成关键词实体关系数据,通过深度优先搜索算法对关键词实体关系数据进行路径搜索处理,生成关键词搜索路径,这一步骤有助于分析和理解关键词之间的关系,提供更深入的知识。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S31包括:
步骤S311:利用TF-IDE技术对用户语义变换数据进行模糊关键词抽取,生成模糊关键词数据;
本发明实施例中,对用户语义变换数据进行文本清洗,包括去除标点符号、停用词等,以净化文本内容,将文本数据分割成词语或词项,形成词汇列表,计算每个词在当前文本中的词频(某词在文本中出现的次数除以总词数),计算每个词在整个语料库中的文档频率(包含某词的文档数量),利用TF-IDF公式计算每个词的TF-IDF权重:TF-IDF=TF*log(N/DF),其中TF是词频,DF是文档频率,N是总文档数,计算得到每个词的TF-IDF权重值,选取具有较高TF-IDF权重的词作为模糊关键词,通常可以设定一个阈值,只保留权重高于该阈值的词,将选取的模糊关键词组成模糊关键词数据,可以作为表示用户输入数据特征的一种方式。
步骤S312:根据GloVe词嵌入算法对模糊关键词数据进行词向量化处理,从而生成模糊关键词向量;
本发明实施例中,通过从公开资源或开源库中获取已经预训练好的GloVe词向量模型,这些模型基于大规模语料库的词共现信息,将词语映射到高维向量空间中,使用编程语言(如Python)加载预训练的词向量模型,确保模型能够被有效地调用和使用,针对模糊关键词数据中的每个关键词,查询词向量模型,获取对应的词向量,如果某个关键词在词向量模型中不存在,可以考虑使用相似词的向量代替,或进行特殊处理,将每个关键词的词向量组合成模糊关键词向量,用于表示模糊关键词数据的语义信息。
步骤S313:通过模糊关键词匹配检测公式对模糊关键词向量进行关键词相似度计算处理,生成关键词相似度数据;基于层次聚类方法对关键词相似度数据进行聚类分析处理,从而生成互动节点数据;
本发明实施例中,通过设计模糊关键词匹配检测公式,该公式可基于余弦相似度、欧氏距离等度量方法计算关键词向量之间的相似度,对模糊关键词向量两两计算相似度,得到关键词相似度矩阵,利用层次聚类方法,如凝聚层次聚类或***层次聚类,对关键词相似度矩阵进行聚类分析,选择合适的距离度量和聚类算法,将关键词相似度矩阵中相似度较高的关键词聚为一类,形成聚类结果,将聚类结果中的每个聚类簇作为一个互动节点,该节点代表了一组在关键词语义上相似的模糊关键词,在互动节点中,可以选择代表性关键词作为节点名称,也可以使用其他方式表示。
步骤S314:基于AI知识储备库数据和分类数据库进行知识图谱构建处理,生成模糊知识图谱;利用用户语义变换数据对模糊知识图谱及逆行知识图谱扩充处理,生成关联知识图谱;
本发明实施例中,通过从AI知识储备库数据和分类数据库中提取有关的知识片段、概念、关系等信息,根据分类数据库的分类,将数据按照不同领域或主题进行划分,使用自然语言处理技术,对收集到的数据进行实体抽取,识别出其中的实体名称,基于实体间的关系,建立知识图谱中的关系连接,如实体之间的层次、关联、依赖等关系,将实体和关系信息以图的形式组织,构建模糊知识图谱,可以使用图数据库或其他图表示方法来存储和管理知识图谱数据,利用用户语义变换数据,识别用户输入中的关键词或短语,在模糊知识图谱中,通过语义关联,将用户关键词与已有实体或概念进行连接,扩充图谱的节点和边,根据用户输入的关键词,在知识图谱中寻找相应的关联实体,基于关系的逆向关系,构建逆向连接,从而扩展关联知识图谱的范围,将语义关联和逆向关系构建的新节点和边添加到关联知识图谱中,实现图谱的扩充和更新。
步骤S315:将模糊关键词数据导入关联知识图谱中进行关键词解析处理,生成关键词解析数据;利用同义词词典和实体链接技术对关键词解析数据与关联知识图谱进行关键词实体映射处理,生成关键词映射数据;
本发明实施例中,通过将模糊关键词数据导入到关联知识图谱中,作为关键词节点的一部分,对导入的关键词节点进行解析,识别出关键词的含义和语义,使用自然语言处理技术,如词性标注、句法分析等,分析关键词的结构和上下文,生成关键词解析数据,利用同义词词典,将关键词解析数据中的关键词与已知的实体进行关联,找到可能的同义词或相关词汇,基于实体链接技术,将解析出的关键词与关联知识图谱中的实体进行链接,判断关键词是否对应图谱中的实体,找到最佳匹配实体或可能的实体候选项,将关键词与同义词、实体链接信息结合,生成关键词映射数据,记录关键词与关联实体的关系。
步骤S316:基于关键词映射数据对关联知识图片进行实体关系查询处理,生成关键词实体关系数据;通过深度优先搜索算法对关键词实体关系数据进行路径搜索处理,生成关键词搜索路径;
本发明实施例中,通过将生成的关键词映射数据导入关联知识图谱中,作为关键词与实体之间的关系信息,根据关键词映射数据中的关键词,查询关联知识图谱中与之相关的实体及其关系,获取关键词对应的实体、关系类型和相关实体,生成关键词实体关系数据,使用深度优先搜索(DFS)算法在关联知识图谱中进行路径搜索,从关键词映射数据中选择起始关键词作为搜索的起点,在图谱中递归搜索与起点实体相关的路径,在搜索过程中,记录已经访问的实体和关系,避免重复搜索,根据搜索策略,可以设置搜索的深度限制,以控制搜索路径的长度,在搜索过程中,逐步记录从起点到终点的路径,形成关键词搜索路径,可以将路径表示为实体序列或关系序列,或者是包含实体和关系的图结构。
步骤S317:根据关键词搜索路径对关键词映射数据进行知识关联度计算处理,生成知识关联度数据;利用知识关联度数据对关联知识图谱进行关键节点筛选处理,从而生成知识关键节点数据。
本发明实施例中,通过对关键词搜索路径中的实体和关系,计算其在知识图谱中的关联度权重,可以根据实体和关系的属性、频率、相关性等指标来计算权重,在关键词搜索路径中,累积路径上各个实体关系的关联度权重,得到路径的总关联度,可以采用简单累加或其他加权累积方式,设置知识关联度阈值,根据阈值筛选出路径中的关键节点,超过阈值的节点被认为是重要的关键节点,在关联知识图谱中,将经过筛选的关键节点进行标记,表示其重要性,根据标记的关键节点,生成知识关键节点数据,包括关键节点的实体信息、关系等。
优选地,步骤S313中的模糊关键词匹配检测公式具体如下:
式中,Sim表示为模糊关键词匹配系数,m表示为关键词向量中的特征数量,即关键词的维度数,yi表示为关键词向量中特征i的权重系数,ri表示为关键词向量中特征i的数值,c表示为缩放因子,用来处理关键词特征值的取值范围,li表示为与关键词相似度计算中的特定特征i相关的角度值,t表示为附加特征的数量,uj表示为附加特征j的权重系数,vk表示为附加特征k的数值,z表示为调整附加特征的缩放因子,q表示为相似度的顺序或重要性,表示为模糊关键词匹配监测异常修正量。
本发明构建了一种模糊关键词匹配检测公式,首先,对于关键词向量中的每个特征yi进行平方、开根号和立方根运算,以获取对特征重要性的综合度量,使用正弦函数将特征ri除以缩放因子c进行处理,并减去1后再进行平方运算。这部分表达式表示特征的相对性和变化度量,运用对数函数将特征的综合度量和相对性度量相加,并加1,最后取对数,这样做可以对各个特征进行归一化及压缩,将特征的综合度量乘以这个归一化后的数值后,再与关键词相似度计算中的特定角度li相关的余弦值进行乘法运算,获取综合的特征相似度。该公式充分考虑了关键词向量中的特征数量m,关键词向量中特征i的权重系数yi,关键词向量中特征i的数值ri,缩放因子c,与关键词相似度计算中的特定特征i相关的角度值li,附加特征的数量t,附加特征j的权重系数uj,附加特征k的数值vk,调整附加特征的缩放因子z,相似度的顺序或重要性q,模糊关键词匹配监测异常修正量根据关键词向量中的特征数量与以上各参数之间的相互关系构成了一种函数关系:
通过对附加特征uj进行平方和开根号运算,并将所有附加特征进行求和,再开平方根,获得附加特征的综合度量,对附加特征vk除以缩放因子z进行处理,并使用反切函数进行运算,这部分表达式表示附加特征的相对性度量,对所有附加特征的相对性度量加1后,再进行连乘运算,并开立方根,这样做可以综合考虑附加特征的相对性度量,将特征相似度和附加特征的综合度量进行除法运算,得到最终的相似度值,保证区域数据精确的情况下进行模糊关键词匹配检测,利用相似度的顺序或重要性q,决定了特征相似度在整个公式中的作用程度,通过模糊关键词匹配监测异常修正量可以对模糊关键词匹配监测进行微调,更加准确的生成模糊关键词匹配系数Sim,提高了模糊关键词匹配检测的准确性和可靠性。同时该公式中的关键词向量中特征i的权重系数、相似度的顺序或重要性等参数可以根据实际情况进行调整,从而适应不同的模糊关键词匹配检测场景,提高了算法的适用性和灵活性。
优选地,步骤S4包括以下步骤:
步骤S41:利用马尔可夫决策过程进行决策模型构建处理,生成知识库数据调度预模型;
步骤S42:将关联数据库进行数据源整合处理,生成知识数据集;对知识数据集进行数据量特征提取处理,生成知识数据量集;
步骤S43:对知识数据量集进行数据集划分处理,从而生成数据训练集和数据测试集;
步骤S44:将数据训练集导入至数据调度预模型中进行数据训练处理,生成知识库数据调度训练模型;利用数据测试集对知识库数据调度训练模型进行模型优化处理,从而生成知识库数据调度预测模型;
步骤S45:通过词向量方法对关联数据库进行数据特征向量化处理,从而生成关联特征向量;基于通道关联数据对关联特征向量进行环境信息集成处理,生成状态特征向量;根据Z-Score标准化方法对状态特征向量进行特征标准化处理,得到标准状态特征向量;
步骤S46:根据分类数据库进行知识库列表构建处理,生成知识库列表;对知识库列表进行动作编码分配处理,生成编码知识库;将编码知识库与标准状态特征向量输入至知识库数据调度预测模型中进行决策调度处理,生成知识库智能决策引擎。
本发明通过利用马尔可夫决策过程进行决策模型构建处理,在生成知识库数据调度预模型的过程中,可以帮助决策***了解因果关系和状态转移,从而更好地进行决策;将关联数据库进行数据源整合处理,生成知识数据集,通过对知识数据集进行数据量特征提取处理,可以提取有用的特征信息,帮助***更好地理解数据,为后续步骤提供有效的输入;将知识数据量集进行数据集划分处理,生成训练集和测试集,利用训练集进行数据训练,生成知识库数据调度训练模型,通过使用测试集对训练模型进行模型优化,可以提高模型的泛化能力和预测准确度;通过词向量方法对关联数据库进行数据特征向量化处理,生成关联特征向量,然后,基于通道关联数据对关联特征向量进行环境信息集成处理,生成状态特征向量,接下来,通过Z-Score标准化方法对状态特征向量进行特征标准化处理,得到标准状态特征向量,这些处理步骤可以将原始数据转化为可供模型处理和分析的标准化特征表示形式,有助于模型的训练和决策过程;通过将编码知识库与标准状态特征向量输入到知识库数据调度预测模型中进行决策调度处理,可以生成知识库智能决策引擎,这个引擎可以通过对知识库列表的动作编码分配处理,根据输入的特征向量进行智能决策和调度,帮助***做出更加明智和有效的决策。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S4包括:
步骤S41:利用马尔可夫决策过程进行决策模型构建处理,生成知识库数据调度预模型;
本发明实施例中,通过根据运维知识库的特点,定义***的状态。可以将关键节点数据、知识关联度数据等作为状态,定义可执行的决策动作,例如选择不同的数据库、调整数据传输通道等,设计奖励函数,根据***目标制定。奖励函数应该鼓励***向期望的状态和行为转移,基于实际情况,建立状态转移概率模型,描述状态之间的变化规律,使用价值函数(Value Function)表示每个状态的预期累积奖励。通过动态规划、蒙特卡洛方法或时序差分学习等方式计算价值函数,基于计算得到的价值函数,优化决策策略,即在每个状态选择最优动作,使用历史数据进行模型训练,调整模型参数以使其更符合实际情况,将经过状态定义、动作定义、奖励函数等步骤构建的决策模型转化为知识库数据调度预模型,使用生成的预测模型来预测不同决策下的结果,例如不同数据库选择对***性能的影响。
步骤S42:将关联数据库进行数据源整合处理,生成知识数据集;对知识数据集进行数据量特征提取处理,生成知识数据量集;
本发明实施例中,通过从关联数据库中抽取与运维知识相关的数据,包括文本、图像、视频等,对抽取的数据进行清洗,去除噪音和冗余信息,将不同数据库中的数据进行转换,使其统一格式和结构,根据需要,将数据进行标准化,确保数据在相同度量标准下进行比较,将经过清洗和转换的数据整合成一个统一的知识数据集,该数据集包含了不同数据库中的相关知识信息,在知识数据集中建立数据之间的关联关系,例如建立实体之间的关联、关系图等,对知识数据集中的每个数据项进行统计,包括文本长度、图像像素数量、视频时长等,提取数据的特征,如文本的关键词、图像的颜色分布、视频的关键帧等,将经过特征提取的数据量和特征信息整合成一个知识数据量集,包括每个数据项的特征以及对应的数量信息。
步骤S43:对知识数据量集进行数据集划分处理,从而生成数据训练集和数据测试集;
本发明实施例中,通过将知识数据量集随机划分成训练集和测试集,可以按照一定比例划分,如70%训练集和30%测试集,如果数据集具有时间顺序,可以根据时间先后将数据划分成训练集和测试集,确保测试集中的数据在训练集之后,如果数据集中有多个类别,可以保持训练集和测试集中的类别分布相似,以确保模型在各类别上的表现,为了更准确地评估模型性能,可以进行多次数据集划分,采用交叉验证方法,从而生成数据训练集和数据测试集。
步骤S44:将数据训练集导入至数据调度预模型中进行数据训练处理,生成知识库数据调度训练模型;利用数据测试集对知识库数据调度训练模型进行模型优化处理,从而生成知识库数据调度预测模型;
本发明实施例中,通过根据问题的性质,选择合适的数据调度预模型,如决策树、随机森林、神经网络等,初始化模型的参数,设定模型的结构和超参数,将数据训练集导入模型中,作为模型的训练数据,使用数据训练集对模型进行训练,通过优化损失函数来调整模型参数,使用梯度下降等优化算法迭代地更新模型参数,使模型逐渐收敛到最优解,使用数据测试集对训练后的模型进行性能评估,衡量模型在未见过的数据上的表现,根据评估结果,调整模型的超参数,以提升模型性能,使用优化后的超参数对模型进行重新训练,确保模型在训练数据上的性能仍然良好,生成知识库数据调度预测模型。
步骤S45:通过词向量方法对关联数据库进行数据特征向量化处理,从而生成关联特征向量;基于通道关联数据对关联特征向量进行环境信息集成处理,生成状态特征向量;根据Z-Score标准化方法对状态特征向量进行特征标准化处理,得到标准状态特征向量;
本发明实施例中,通过对关联数据库中的文本数据,如描述、标签等,使用词向量化技术(如Word2Vec、GloVe)将文本转换为向量表示,使用通道关联数据,如环境传感器数据、网络流量等,将其与关联特征向量进行融合,形成包含环境信息的特征向量,对融合后的状态特征向量进行Z-Score标准化,使各个特征在均值为0、标准差为1的分布上进行标准化,以消除不同特征尺度的影响,得到标准状态特征向量。
步骤S46:根据分类数据库进行知识库列表构建处理,生成知识库列表;对知识库列表进行动作编码分配处理,生成编码知识库;将编码知识库与标准状态特征向量输入至知识库数据调度预测模型中进行决策调度处理,生成知识库智能决策引擎。
本发明实施例中,通过根据关联数据库和分类数据库的匹配结果,将各个分类数据库与相应的关联数据关联起来,构建知识库列表,为每个分类数据库中的操作/决策,分配一个独特的动作编码,将知识库列表中的每个分类数据库与其对应的动作编码关联,形成编码知识库,将编码知识库与标准状态特征向量整合作为模型的输入,将整合后的数据输入到知识库数据调度预测模型中,调用模型进行决策调度预测,根据模型的输出结果(预测的动作编码),将动作编码解码为对应的操作/决策,将解码后的操作/决策整合生成知识库智能决策引擎。
优选地,步骤S5包括以下步骤:
步骤S51:根据知识库智能决策引擎对待传输通道进行数据传输处理,生成通道传输数据;基于传输监测总节点对通道传输数据进行数据监测处理,生成通道传输监测数据;
步骤S52:基于关联数据库的语义关联度分数对通道传输监测数据进行数据优先级排序处理,生成优先级排序数据,其中优先级排序数据包括高优先级数据和低优先级数据;
步骤S53:将高优先级数据和低优先级数据进行数据重合处理,生成关联重合数据;基于决策树模型对关联重合数据进行记忆智能体设置,生成数据记忆智能体;
步骤S54:当数据传输智能体识别到关联重合数据时,则通过知识库智能决策引擎对关联重合数据进行智能数据遍历处理,从而生成智能运维知识库调度策略;
步骤S55:根据互动节点数据和智能运维知识库调度策略生成运维知识库输出数据;利用数据库技术将运维知识库输出数据进行数据库集成处理,从而生成智能体运维知识库。
本发明通过根据知识库智能决策引擎对待传输通道进行数据传输处理,生成通道传输数据,然后,通过传输监测总节点对通道传输数据进行监测处理,生成通道传输监测数据,这些步骤可以确保数据的顺利传输和稳定性,提高数据传输的可靠性和效率;通过基于关联数据库的语义关联度分数对通道传输监测数据进行优先级排序处理,生成优先级排序数据,包括高优先级数据和低优先级数据,接着,在步骤S53中,将高优先级数据和低优先级数据进行数据重合处理,生成关联重合数据,这些步骤可以帮助识别和处理重要的数据,优化数据处理流程和决策过程;根据关联重合数据,使用决策树模型进行记忆智能体设置,生成数据记忆智能体,这个智能体可以利用以往经验和记忆进行决策和推理,提高***的智能化水平和决策能力;当数据传输智能体识别到关联重合数据时,通过知识库智能决策引擎对关联重合数据进行智能数据遍历处理,从而生成智能运维知识库调度策略,这个策略可以帮助***根据实时数据和知识库进行决策和调度,提高运维效率和准确性;根据互动节点数据和智能运维知识库调度策略生成运维知识库输出数据,然后,利用数据库技术将运维知识库输出数据进行集成处理,生成智能体运维知识库,这个智能体运维知识库可以存储和管理***的运维知识和经验,为后续的运维决策和处理提供支持。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S5包括:
步骤S51:根据知识库智能决策引擎对待传输通道进行数据传输处理,生成通道传输数据;基于传输监测总节点对通道传输数据进行数据监测处理,生成通道传输监测数据;
本发明实施例中,通过根据智能决策引擎的输出,确定待传输通道的优先级顺序和要传输的数据,将要传输的数据通过网络等方式传送至目标分类数据库或操作目标,由传输监测总节点负责对传输过程中的数据进行实时监测和记录,监测数据传输过程中的各项指标,如数据传输速率、传输状态、异常情况等,并将监测数据记录下来,生成通道传输监测数据。
步骤S52:基于关联数据库的语义关联度分数对通道传输监测数据进行数据优先级排序处理,生成优先级排序数据,其中优先级排序数据包括高优先级数据和低优先级数据;
本发明实施例中,通过获取步骤S34生成的语义关联度分数,这些分数表示通道传输数据与关联数据库之间的关联程度,将通道传输监测数据根据其语义关联度分数进行排序,高关联度分数的数据排在前面,低关联度分数的数据排在后面,根据设定的阈值,将排序后的数据划分为高优先级数据和低优先级数据。阈值的选择可以基于应用场景和业务需求进行调整,例如可以使用编程语言(如Python)来实现排序算法,例如快速排序或归并排序,根据语义关联度分数对数据进行排序,使用合适的数据结构(如列表或堆)来存储和操作排序后的数据,根据具体情况,设定适合的语义关联度分数阈值,用于划分高优先级和低优先级数据,标记高优先级和低优先级数据,并将它们保存到相应的数据容器中,以便后续使用。
步骤S53:将高优先级数据和低优先级数据进行数据重合处理,生成关联重合数据;基于决策树模型对关联重合数据进行记忆智能体设置,生成数据记忆智能体;
本发明实施例中,通过将高优先级数据和低优先级数据进行合并,生成关联重合数据集,使用决策树算法,如ID3、CART或Random Forest等,构建用于记忆智能体的决策树模型,将关联重合数据作为训练集,从中提取特征作为决策树模型的输入。特征可以包括数据的语义关联度、关键词特征等,为关联重合数据设置标签,用于指示数据的优先级,例如使用“高”和“低”进行标记,使用提取的特征和标签进行决策树模型的训练,调整模型参数以最好地匹配数据的优先级,将训练好的决策树模型应用于新数据,生成数据记忆智能体。智能体能够根据输入数据的特征,预测其优先级,例如可以使用机器学习库(如Scikit-learn)来构建决策树模型和进行训练,根据数据特点,使用适当的方法提取特征,可以包括TF-IDF、词嵌入等,调整决策树模型的参数,如最大深度、叶子节点个数等,以获得更好的性能,将训练好的模型应用于关联重合数据,生成数据记忆智能体。
步骤S54:当数据传输智能体识别到关联重合数据时,则通过知识库智能决策引擎对关联重合数据进行智能数据遍历处理,从而生成智能运维知识库调度策略;
本发明实施例中,通过数据传输智能体根据其已经识别的关联重合数据,将这些数据送入知识库智能决策引擎进行进一步处理,知识库智能决策引擎基于关联重合数据和相关的知识关键节点数据,运用决策算法(如马尔可夫决策过程、强化学习等)生成智能运维知识库调度策略,对于关联重合数据,决策引擎会根据其语义关联度、优先级等信息,在知识图谱中选择合适的路径和节点进行遍历,以获取相关知识,引擎可能从不同的知识库、数据库中提取知识,对这些知识进行整合,以生成更全面和有用的调度策略,例如可以根据业务需求和性能要求,选择适当的决策算法,例如马尔可夫决策过程、Q-learning等,基于关联重合数据的特征和关键节点信息,使用路径规划算法(如A*算法、Dijkstra算法)选择最优路径,使用合适的数据整合方法,如图数据的合并、语义关联度计算等,将从不同源获取的知识进行融合,使用适当的编程语言和机器学习库来实现智能决策引擎的算法和逻辑。
步骤S55:根据互动节点数据和智能运维知识库调度策略生成运维知识库输出数据;利用数据库技术将运维知识库输出数据进行数据库集成处理,从而生成智能体运维知识库。
本发明实施例中,通过将互动节点数据和智能运维知识库调度策略的输出数据进行整合,以生成综合的运维知识库输出数据,对整合后的数据进行处理,如语义解析、关键信息提取等,以确保输出数据的质量和准确性,设计适合存储运维知识库输出数据的数据库结构,选择合适的数据表和字段,将生成的运维知识库输出数据导入到数据库中,保持数据的一致性和完整性,基于数据库查询语言(如SQL)或数据库查询工具,实现对智能体运维知识库的数据查询和检索,为数据库中的数据建立索引,以提高查询性能和响应速度,例如可以根据需求选择合适的数据库管理***(如MySQL、PostgreSQL、MongoDB等)来存储和管理数据,使用数据库导入工具,如数据库的命令行工具或图形化界面工具,将数据导入到数据库中,使用数据库查询语言(如SQL)或图形化数据库查询工具进行数据查询和检索,根据数据库管理***的性能优化指南,设置合适的索引以提高查询效率。
基于多智能体的运维知识库的建立***,包括:
节点放置模块,用于获取AI知识储备库数据;对AI知识储备库数据进行数据库分类处理,生成分类数据库;通过局域网对分类数据库进行数据通道初始化处理,生成初始化传输通道;根据局域网对分类数据库进行节点设置处理,生成传输监测总节点;
语义分析模块,用于获取用户输入数据;基于自然语言技术对用户输入数据进行语义分析处理,生成用户语义解析数据;根据维度变换算法对用户语义解析数据进行维度变换处理,从而生成用户语义变换数据;
语义关联模块,用于对用户语义变换数据进行关键词特征提取处理,生成互动节点数据和知识关键节点数据;利用语义关联程度公式对知识关键节点数据进行语义关联程度计算处理,生成语义关联度分数;将语义关联度分数与预设的标准语义关联度进行对比处理,生成关联数据库;基于关联数据库对初始化传输通道进行传输通道确认处理,生成待传输通道;
决策调度模块,用于利用马尔可夫决策过程进行决策模型构建处理,生成知识库数据调度预测模型;通过知识库数据调度预测模型对对关联数据库决策调度处理,生成知识库智能决策引擎;
记忆智能体设置模块,用于根据知识库智能决策引擎对待传输通道进行数据优先级排序处理,生成优先级排序数据;基于决策树模型对关联重合数据进行记忆智能体设置,生成数据记忆智能体;对数据记忆智能体进行数据库集成处理,从而生成智能体运维知识库。
本发明的有益效果在于通过知识库智能决策引擎,***能够根据关联数据库的信息进行智能化决策调度,优化运维决策过程,提高决策的准确性和效率,通过整合AI知识储备库数据和分类数据库,生成综合的知识库数据,使得***能够更好地利用各类知识数据进行运维决策,提高知识的综合利用价值,基于用户输入数据的语义分析和维度变换,***能够生成个性化的用户语义变换数据,从而为每个用户提供针对性的运维支持和建议,通过传输通道确认和数据优先级排序,***能够实现对待传输通道的实时数据处理,确保关键数据能够及时传输和处理,提高决策的实时性,通过生成智能体运维知识库,***能够实现多智能体的协同工作,从而提高运维决策的整体效能和协同能力,基于马尔可夫决策过程和决策树模型,***能够将数据驱动融入决策过程,使得决策更加科学和可靠,通过智能决策引擎和数据记忆智能体,***能够实现自动化的运维决策,减轻人工干预负担,提高运维效率,利用语义关联程度计算和关键词特征提取,***能够对知识关键节点进行深入分析,为运维决策提供更精准的知识关联度信息。因此,本发明通过利用自然语言处理技术和智能决策和优化算法,能够更准确地理解用户意图,实现智能化的知识检索,提高了检索的准确性和效率以及减少算力资源的浪费。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于多智能体的运维知识库的建立方法,其特征在于,包括以下步骤:
步骤S1:获取AI知识储备库数据;对AI知识储备库数据进行数据库分类处理,生成分类数据库;通过局域网对分类数据库进行数据通道初始化处理,生成初始化传输通道;根据局域网对分类数据库进行节点设置处理,生成传输监测总节点;
步骤S2:获取用户输入数据;基于自然语言技术对用户输入数据进行语义分析处理,生成用户语义解析数据;根据维度变换算法对用户语义解析数据进行维度变换处理,从而生成用户语义变换数据;
步骤S3:对用户语义变换数据进行关键词特征提取处理,生成互动节点数据和知识关键节点数据;利用语义关联程度公式对知识关键节点数据进行语义关联程度计算处理,生成语义关联度分数;将语义关联度分数与预设的标准语义关联度进行对比处理,生成关联数据库;基于关联数据库对初始化传输通道进行传输通道确认处理,生成待传输通道;
步骤S4:利用马尔可夫决策过程进行决策模型构建处理,生成知识库数据调度预测模型;通过知识库数据调度预测模型对对关联数据库决策调度处理,生成知识库智能决策引擎;
步骤S5:根据知识库智能决策引擎对待传输通道进行数据优先级排序处理,生成优先级排序数据;基于决策树模型对关联重合数据进行记忆智能体设置,生成数据记忆智能体;对数据记忆智能体进行数据库集成处理,从而生成智能体运维知识库。
2.根据权利要求1所述的一种基于多智能体的运维知识库的建立方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取AI知识储备库数据;
步骤S12:根据预设的数据库需求对AI知识储备库数据进行数据库分类处理,生成分类数据库,其中分类数据库包括工作数据库、网络数据库和私密数据库;
步骤S13:通过局域网对分类数据库进行数据通道建立,生成数据传输通道,其中数据传输通道包括工作数据库与网络数据库相连接的第一传输通道,工作数据库与私密数据库相连接的第二传输通道,网络数据库与私密数据库相连接的第三传输通道;
步骤S14:将第一传输通道、第二传输通道和第三传输通道进行通道初始化关闭设置处理,生成初始化传输通道;
步骤S15:根据初始化传输通道进行数据总节点设置处理,生成传输监测总节点。
3.根据权利要求2所述的一种基于多智能体的运维知识库的建立方法,其特征在于,步骤S2包括以下步骤:
步骤S21:通过互联网获取用户输入数据;
步骤S22:利用语义分析技术对用户输入数据进行自然语言处理,生成用户语义解析数据;
步骤S23:基于哑变量填充方法对用户语义解析数据进行缺失值填充处理,生成用户语义填充数据;
步骤S24:利用卡方检验方法对用户语义填充数据进行冗余剔除处理,生成标准用户语义解析数据;
步骤S25:通过奇异值分解方法对标准用户语义解析数据进行数据维度变换处理,生成用户语义变换数据。
4.根据权利要求3所述的一种基于多智能体的运维知识库的建立方法,其特征在于,步骤S3包括以下步骤:
步骤S31:对用户语义变换数据进行关键词特征提取处理,生成互动节点数据和知识关键节点数据;
步骤S32:利用命名实体识别技术对知识关键节点数据进行实体抽取处理,生成用户输入关键字段;
步骤S33:将用户输入关键字段与工作数据库、网络数据库和私密数据库进行知识库匹配处理,生成数据库关联数据;
步骤S34:通过语义关联程度公式对数据库关联数据和分类数据库进行知识数据库关联度计算处理,生成语义关联度分数;
步骤S35:将语义关联度分数与预设的标准语义关联度进行对比处理,当语义关联度分数大于或等于标准语义关联度时,则将语义关联度分数所对应的分类数据库标记为关联数据库;当语义关联度分数小于标准语义关联度时,则将语义关联度分数所对应的分类数据库标记为不关联数据库并进行剔除;
步骤S36:基于关联数据库对初始化传输通道进行传输通道确认处理,生成通道关联数据;利用通道关联数据对初始化传输通道进行通道开启处理,生成待传输通道。
5.根据权利要求4所述的一种基于多智能体的运维知识库的建立方法,其特征在于,步骤S34中的语义关联程度公式如下所示:
式中,C表示为语义关联度分数,n表示为文本数量,a表示为文本中的特征a的重要性系数,b表示为文本中的特征b的重要性系数,θ表示为语义关联中的角度值,d表示为文本中的特征a和文本中的特征b之间的距离,f表示为文本中的特征a和文本中的特征b的的差异度量,e表示为知识库相关的度量常数,g表示为关联度的顺序或重要性,h表示为文本最大长度,x表示为文本语义关联所占的内存空间,μ表示为语义关联异常调整值。
6.根据权利要求4所述的一种基于多智能体的运维知识库的建立方法,其特征在于,步骤S31包括以下步骤:
步骤S311:利用TF-IDE技术对用户语义变换数据进行模糊关键词抽取,生成模糊关键词数据;
步骤S312:根据GloVe词嵌入算法对模糊关键词数据进行词向量化处理,从而生成模糊关键词向量;
步骤S313:通过模糊关键词匹配检测公式对模糊关键词向量进行关键词相似度计算处理,生成关键词相似度数据;基于层次聚类方法对关键词相似度数据进行聚类分析处理,从而生成互动节点数据;
步骤S314:基于AI知识储备库数据和分类数据库进行知识图谱构建处理,生成模糊知识图谱;利用用户语义变换数据对模糊知识图谱及逆行知识图谱扩充处理,生成关联知识图谱;
步骤S315:将模糊关键词数据导入关联知识图谱中进行关键词解析处理,生成关键词解析数据;利用同义词词典和实体链接技术对关键词解析数据与关联知识图谱进行关键词实体映射处理,生成关键词映射数据;
步骤S316:基于关键词映射数据对关联知识图片进行实体关系查询处理,生成关键词实体关系数据;通过深度优先搜索算法对关键词实体关系数据进行路径搜索处理,生成关键词搜索路径;
步骤S317:根据关键词搜索路径对关键词映射数据进行知识关联度计算处理,生成知识关联度数据;利用知识关联度数据对关联知识图谱进行关键节点筛选处理,从而生成知识关键节点数据。
7.根据权利要求6所述的一种基于多智能体的运维知识库的建立方法,其特征在于,步骤S313中的模糊关键词匹配检测公式如下所示:
式中,Sim表示为模糊关键词匹配系数,m表示为关键词向量中的特征数量,即关键词的维度数,yi表示为关键词向量中特征i的权重系数,ri表示为关键词向量中特征i的数值,c表示为缩放因子,用来处理关键词特征值的取值范围,li表示为与关键词相似度计算中的特定特征i相关的角度值,t表示为附加特征的数量,uj表示为附加特征j的权重系数,vk表示为附加特征k的数值,z表示为调整附加特征的缩放因子,q表示为相似度的顺序或重要性,表示为模糊关键词匹配监测异常修正量。
8.根据权利要求6所述的一种基于多智能体的运维知识库的建立方法,其特征在于,步骤S4包括以下步骤:
步骤S41:利用马尔可夫决策过程进行决策模型构建处理,生成知识库数据调度预模型;
步骤S42:将关联数据库进行数据源整合处理,生成知识数据集;对知识数据集进行数据量特征提取处理,生成知识数据量集;
步骤S43:对知识数据量集进行数据集划分处理,从而生成数据训练集和数据测试集;
步骤S44:将数据训练集导入至数据调度预模型中进行数据训练处理,生成知识库数据调度训练模型;利用数据测试集对知识库数据调度训练模型进行模型优化处理,从而生成知识库数据调度预测模型;
步骤S45:通过词向量方法对关联数据库进行数据特征向量化处理,从而生成关联特征向量;基于通道关联数据对关联特征向量进行环境信息集成处理,生成状态特征向量;根据Z-Score标准化方法对状态特征向量进行特征标准化处理,得到标准状态特征向量;
步骤S46:根据分类数据库进行知识库列表构建处理,生成知识库列表;对知识库列表进行动作编码分配处理,生成编码知识库;将编码知识库与标准状态特征向量输入至知识库数据调度预测模型中进行决策调度处理,生成知识库智能决策引擎。
9.根据权利要求8所述的一种基于多智能体的运维知识库的建立方法,其特征在于,步骤S5包括以下步骤:
步骤S51:根据知识库智能决策引擎对待传输通道进行数据传输处理,生成通道传输数据;基于传输监测总节点对通道传输数据进行数据监测处理,生成通道传输监测数据;
步骤S52:基于关联数据库的语义关联度分数对通道传输监测数据进行数据优先级排序处理,生成优先级排序数据,其中优先级排序数据包括高优先级数据和低优先级数据;
步骤S53:将高优先级数据和低优先级数据进行数据重合处理,生成关联重合数据;基于决策树模型对关联重合数据进行记忆智能体设置,生成数据记忆智能体;
步骤S54:当数据传输智能体识别到关联重合数据时,则通过知识库智能决策引擎对关联重合数据进行智能数据遍历处理,从而生成智能运维知识库调度策略;
步骤S55:根据互动节点数据和智能运维知识库调度策略生成运维知识库输出数据;利用数据库技术将运维知识库输出数据进行数据库集成处理,从而生成智能体运维知识库。
10.一种基于多智能体的运维知识库的建立***,其特征在于,用于执行如权利要求1所述的一种基于多智能体的运维知识库的建立方法,该基于多智能体的运维知识库的建立***包括:
节点放置模块,用于获取AI知识储备库数据;对AI知识储备库数据进行数据库分类处理,生成分类数据库;通过局域网对分类数据库进行数据通道初始化处理,生成初始化传输通道;根据局域网对分类数据库进行节点设置处理,生成传输监测总节点;
语义分析模块,用于获取用户输入数据;基于自然语言技术对用户输入数据进行语义分析处理,生成用户语义解析数据;根据维度变换算法对用户语义解析数据进行维度变换处理,从而生成用户语义变换数据;
语义关联模块,用于对用户语义变换数据进行关键词特征提取处理,生成互动节点数据和知识关键节点数据;利用语义关联程度公式对知识关键节点数据进行语义关联程度计算处理,生成语义关联度分数;将语义关联度分数与预设的标准语义关联度进行对比处理,生成关联数据库;基于关联数据库对初始化传输通道进行传输通道确认处理,生成待传输通道;
决策调度模块,用于利用马尔可夫决策过程进行决策模型构建处理,生成知识库数据调度预测模型;通过知识库数据调度预测模型对对关联数据库决策调度处理,生成知识库智能决策引擎;
记忆智能体设置模块,用于根据知识库智能决策引擎对待传输通道进行数据优先级排序处理,生成优先级排序数据;基于决策树模型对关联重合数据进行记忆智能体设置,生成数据记忆智能体;对数据记忆智能体进行数据库集成处理,从而生成智能体运维知识库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198973.6A CN117271767B (zh) | 2023-09-15 | 2023-09-15 | 基于多智能体的运维知识库的建立方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311198973.6A CN117271767B (zh) | 2023-09-15 | 2023-09-15 | 基于多智能体的运维知识库的建立方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117271767A CN117271767A (zh) | 2023-12-22 |
CN117271767B true CN117271767B (zh) | 2024-02-13 |
Family
ID=89200100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311198973.6A Active CN117271767B (zh) | 2023-09-15 | 2023-09-15 | 基于多智能体的运维知识库的建立方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117271767B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669594B (zh) * | 2024-02-02 | 2024-04-16 | 智器云南京信息科技有限公司 | 针对异常信息的大数据关系网络分析方法及*** |
CN117742304B (zh) * | 2024-02-09 | 2024-05-07 | 珠海市南特金属科技股份有限公司 | 曲轴双顶车控制***的故障诊断方法及*** |
CN117952022A (zh) * | 2024-03-26 | 2024-04-30 | 杭州广立微电子股份有限公司 | 良率多维度互动***、方法、计算机设备和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241531A (zh) * | 2018-08-30 | 2019-01-18 | 王立山 | 自然语言机器思维的学习方法及*** |
CN111309928A (zh) * | 2020-02-21 | 2020-06-19 | 广东电网有限责任公司 | 一种基于贝叶斯和语义分析的运维知识库构建方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140032574A1 (en) * | 2012-07-23 | 2014-01-30 | Emdadur R. Khan | Natural language understanding using brain-like approach: semantic engine using brain-like approach (sebla) derives semantics of words and sentences |
US20150081277A1 (en) * | 2014-08-28 | 2015-03-19 | Kambiz Behi | System and Method for Automatically Classifying Text using Discourse Analysis |
WO2020023787A1 (en) * | 2018-07-25 | 2020-01-30 | Oracle International Corporation | Natural language interfaces for databases using autonomous agents and thesauri |
US11328707B2 (en) * | 2019-05-10 | 2022-05-10 | Fmr Llc | Building a knowledge base taxonomy from structured or unstructured computer text for use in automated user interactions |
-
2023
- 2023-09-15 CN CN202311198973.6A patent/CN117271767B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241531A (zh) * | 2018-08-30 | 2019-01-18 | 王立山 | 自然语言机器思维的学习方法及*** |
CN111309928A (zh) * | 2020-02-21 | 2020-06-19 | 广东电网有限责任公司 | 一种基于贝叶斯和语义分析的运维知识库构建方法 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的自然语言处理技术的发展及其在农业领域的应用;崔运鹏;王健;刘娟;;农业大数据学报;20190326(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117271767A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111026842B (zh) | 自然语言处理方法、自然语言处理装置及智能问答*** | |
CN117271767B (zh) | 基于多智能体的运维知识库的建立方法 | |
CN112612902A (zh) | 一种电网主设备的知识图谱构建方法及设备 | |
CN108804521A (zh) | 一种基于知识图谱的问答方法及农业百科问答*** | |
Di Francescomarino et al. | Supporting ontology-based semantic annotation of business processes with automated suggestions | |
Morales-Ramirez et al. | Exploiting user feedback in tool-supported multi-criteria requirements prioritization | |
CN112989761B (zh) | 文本分类方法及装置 | |
CN109271624A (zh) | 一种目标词确定方法、装置及存储介质 | |
CN113610626A (zh) | 银行信贷风险识别知识图谱构建方法、装置、计算机设备及计算机可读存储介质 | |
CN111339258B (zh) | 基于知识图谱的大学计算机基础习题推荐方法 | |
CN116049376B (zh) | 一种信创知识检索回复的方法、装置和*** | |
CN111767404A (zh) | 一种事件挖掘方法和装置 | |
CN116091045A (zh) | 一种基于知识图谱的通信网络运维方法和运维装置 | |
CN115660695A (zh) | 客服人员标签画像构建方法、装置、电子设备及存储介质 | |
CN115293479A (zh) | 舆情分析工作流***及其方法 | |
CN114282875A (zh) | 流程审批确定性规则和语义自学习结合判定方法及装置 | |
Rybak et al. | Machine learning-enhanced text mining as a support tool for research on climate change: theoretical and technical considerations | |
CN117171428B (zh) | 一种提升搜索和推荐结果准确性的方法 | |
Sithole et al. | Mining knowledge graphs to map heterogeneous relations between the internet of things patterns | |
CN117131184B (zh) | 一种基于知识图谱的场地土壤污染问答***及问答方法 | |
US11934794B1 (en) | Systems and methods for algorithmically orchestrating conversational dialogue transitions within an automated conversational system | |
CN116561288B (zh) | 事件查询方法、装置、计算机设备、存储介质及程序产品 | |
Nikonov et al. | Using Case-Based Reasoning Approach for Text Classification Task | |
Chen et al. | Test Case Reuse based on ESIM Model | |
Mussabayev et al. | Creation of necessary technical and expert-analytical conditions for development of the information system of evaluating open text information sources’ influence on society |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |