一种数据仓库中模型的管理方法及装置与流程

1.本发明涉及计算机技术领域，尤其涉及一种数据仓库中模型的管理方法及装置。


背景技术：

2.随着数据仓库的规模越来越大，数据仓库的背后往往包含着成千上万个模型，如何对大量模型进行合理的分级，以标识出不同模型的重要性，对模型的高效管理来说至关重要。
3.目前，通常依赖于决策者对各个模型的主观判断来为模型进行分级，具体地，决策者根据对模型的了解程度，为模型标识不同级别的标签，以利用不同标签标识模型的重要性。
4.在实现本发明过程中，发明人发现现有技术中至少存在如下问题：
5.现有技术主要依赖决策者的主观判断，而决策者难以对数据仓库中大量的模型进行完全客观的评价，从而导致对模型的分级不够准确，进而导致难以对模型进行精确的管理。


技术实现要素：

6.有鉴于此，本发明实施例提供一种数据仓库中模型的管理方法及装置，能够提高数据仓库中模型分级的准确性，进而实现对模型的精确管理。
7.为实现上述目的，根据本发明实施例的一个方面，提供了一种数据仓库中模型的管理方法。
8.本发明实施例的一种数据仓库中模型的管理方法包括：
9.确定所述数据仓库中多个模型的一个或多个第一特征属性；
10.计算所述第一特征属性的信息增益；
11.将所述信息增益大于阈值的所述第一特征属性作为第二特征属性；
12.根据所述多个模型的一个或多个第二特征属性值，分别计算所述多个模型的管理优先值；
13.根据所述模型的管理优先值，确定所述模型的管理策略。
14.可选地，
15.所述第一特征属性包括以下任意一个或多个：所述模型的标识、所述模型的类型、所述模型所占用的cpu容量、所述模型所占用的内存容量、所述模型所处系统的类型或版本、所述模型的报警参数、所述模型对应的最晚完成时间、所述模型对应的递归子模型数量、所述模型的使用次数以及所述模型的重要度标识标签。
16.可选地，
17.所述根据所述多个模型的一个或多个第二特征属性值，分别计算所述多个模型的管理优先值，包括：
18.利用熵值法计算所述第二特征属性的权重值；
19.根据所述多个模型的一个或多个所述第二特征属性的权重值以及第二特征属性值，分别计算所述多个模型的管理优先值。
20.可选地，
21.对所述第二特征属性值进行连续性预处理以及归一化预处理，根据连续性预处理和归一化预处理之后的第二特征属性值，计算所述第二特征值所对应的第二特征属性的权重值。
22.可选地，该方法还包括：
23.根据所述模型管理策略，对所述多个模型进行管理。
24.为实现上述目的，根据本发明实施例的又一方面，提供了一种数据仓库中模型的管理装置。
25.本发明实施例的一种数据仓库中模型的管理装置包括：
26.第一特征属性确定模块、第二特征属性确定模块、优先值计算模块和管理模块；其中，
27.所述第一特征属性模块，用于确定所述数据仓库中多个模型的一个或多个第一特征属性；
28.所述第二特征属性确定模块，用于计算所述第一特征属性的信息增益，并将所述信息增益大于阈值的所述第一特征属性作为第二特征属性；
29.所述优先值计算模块，用于根据所述多个模型的一个或多个第二特征属性值，分别计算所述多个模型的管理优先值；
30.所述管理模块，用于根据所述模型的管理优先值，确定所述模型的管理策略。
31.可选地，
32.所述第一特征属性包括以下任意一个或多个：所述模型的标识、所述模型的类型、所述模型所占用的cpu容量、所述模型所占用的内存容量、所述模型所处系统的类型或版本、所述模型的报警参数、所述模型对应的最晚完成时间、所述模型对应的递归子模型数量、所述模型的使用次数以及所述模型的重要度标识标签。
33.可选地，
34.所述优先值计算模块，用于利用熵值法计算所述第二特征属性的权重值；根据所述多个模型的一个或多个所述第二特征属性的权重值以及第二特征属性值，分别计算所述多个模型的管理优先值。
35.为实现上述目的，根据本发明实施例的又一方面，提供了一种用于数据仓库中模型管理的电子设备。
36.本发明实施例的一种用于数据仓库中模型管理的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的一种数据仓库中模型的管理方法。
37.为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读存储介质。
38.本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种数据仓库中模型的管理方法。
39.上述发明中的一个实施例具有如下优点或有益效果：通过确定数据仓库中多个模
型的一个或多个第一特征属性，并计算第一特征属性的信息增益，然后从第一特征属性中选择信息增益大于阈值的特征属性作为第二特征属性，由此选择出对于模型来说较为重要的第二特征属性，然后根据第二特征属性计算模型的管理优先值，并根据模型的管理优先值确定模型的管理策略。由此，通过计算信息增益选择出对于模型来说较为重要的第二特征属性，然后根据第二特征属性确定模型的管理策略，相对于现有技术中依赖于决策者的主观判断，提高了模型分级的准确性，进而有利于实现对模型的精确管理。
40.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
41.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
42.图1是根据本发明实施例的数据仓库中模型的管理方法的主要步骤的示意图；
43.图2是根据本发明另一实施例的数据仓库中模型的管理方法的主要步骤的示意图；
44.图3是根据本发明实施例的数据仓库中模型的管理装置的主要模块的示意图；
45.图4是本发明实施例可以应用于其中的示例性系统架构图；
46.图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
47.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
48.需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。
49.图1是根据本发明实施例的一种数据仓库中模型的管理方法的主要步骤的示意图。
50.如图1所示，本发明实施例的一种数据仓库中模型的管理方法主要包括以下步骤：
51.步骤s101：确定所述数据仓库中多个模型的一个或多个第一特征属性；
52.其中，所述第一特征属性可以包括以下任意一个或多个：所述模型的标识、所述模型的类型、所述模型所占用的cpu容量、所述模型所占用的内存容量、所述模型所处系统的类型或版本、所述模型的报警参数、所述模型对应的最晚完成时间、所述模型对应的递归子模型数量、所述模型的使用次数以及所述模型的重要度标识标签。
53.具体地，数据仓库中每个模型可对应一个任务，模型的标识可以为任务的名称或者任务的编号等，模型的类型即为任务类型，例如同步任务或拉练任务等，模型所占用的cpu容量即为执行模型对应的任务时，该任务限制使用cpu的大小，同理，模型所占用的内存容量即为执行模型对应的任务时，该任务限制使用的内存大小，模型所处系统的类型或版本即为用于执行模型所对应任务的系统的类型或版本，模型的报警参数一般设置为0或1，0
表征无需报警，1表征需要报警，模型对应的最晚完成时间即为要求任务最晚完成的时间，模型对应的递归子模型为相应任务对应的递归子任务，例如，计算商品销量任务为统计订单数量任务的递归子任务，模型的重要度标识标签为决策者预先根据模型的重要程度，为模型设置的标识标签。
54.在本发明一个实施方式中，第一特征属性及对应的属性说明可如下表1所示：
55.表1
[0056][0057][0058]
步骤s102：计算所述第一特征属性的信息增益。
[0059]
信息增益可通过计算信息熵与条件熵的差值来确定，具体地，可根据每个第一特征属性的属性值，计算该第一特征属性的信息增益。以表1中的第一特征属性cpu_limit_size为例，根据多个模型的第一特征属性cpu_limit_size的属性值，可计算出第一特征模型cpu_limit_size的信息增益。
[0060]
例如，数据仓库中共有10个模型，这10个模型的第一特征属性cpu_limit_size的属性值如下表2所示：
[0061]
表2
[0062][0063][0064]
可以理解的是，信息熵的计算公式如下公式(1)：
[0065][0066]
其中，h(x)表征信息熵，p(x
i
)表征第i个结果对应的概率。
[0067]
根据以上公式及表2中的属性值，结果为重要的个数为5个，占1/2，那么根据信息熵的计算公式，相应的信息熵为：
[0068][0069]
另外，根据表2，第一特征属性cpu_limit_size的取值可能有4个(2，4，6，10)，其中，2的结果为重要的有1个，为非重要的有2个；4的结果为重要的有1个，非重要的为1个；6的结果为重要的有1个，非重要的有1个；10的结果为重要的有2个，为非重要的有1个。
[0070]
条件熵的计算公式如下式(2)所示：
[0071]
h(y|x)＝∑
x∈x
p(x)h(y|x＝x)...................(2)
[0072]
由此，可计算出上述各个属性值分别对应的条件熵，具体地，
[0073]
[0074][0075][0076][0077]
则得出的条件熵为
[0078][0079]
进一步地，可根据信息熵和条件熵得出第一特征属性cpu_limit_size的信息增益为0.301-0.286＝0.015。
[0080]
可以理解的是，在实际应用中，数据仓库中的模型数量较多，各个第一特征属性的属性值的取值范围也较大，上表2仅是为了说明信息增益的具体计算过程而列举的一个可行实施方式，并非代表数据仓库中的实际情况。同理，可利用上述计算方式计算其他第一特征属性的信息增益，例如，计算出的各个第一特征属性的信息增益值可如下表3所示：
[0081]
表3
[0082]
属性名信息增益task_type0.08911038143742278cpu_limit_size0.015mem_limit_size0.2323467381656763version0.046546468162639965is_alarm0.06295350556158263sla_time1.9777831405604434recur_children_num2.004385207243784business used num1.9666493581871802core_tag1.9542904519220188
[0083]
步骤s103：将所述信息增益大于阈值的所述第一特征属性作为第二特征属性。
[0084]
基于信息增益的特征选取时一种广泛使用的特征选取方法，可通过比较信息增益的大小选取合适的第二特征属性，以提高模型管理的精确度。根据表3中的信息增益，可选择新增增益最大的4个第一特征属性作为计算模型管理优先值的第二特征属性，即将sla_time、recur_children_num、business used num和core_tag作为第二特征属性。
[0085]
步骤s104：根据所述多个模型的一个或多个第二特征属性值，分别计算所述多个模型的管理优先值。
[0086]
在计算管理优先值时，可利用熵值法计算所述第二特征属性的权重值；根据所述多个模型的一个或多个所述第二特征属性的权重值以及第二特征属性值，分别计算所述多个模型的管理优先值。
[0087]
由于利用熵值法适合进行连续数值计算，而sla_time和core_tag这两个第二特征属性的属性值为离散型数值，因此为了便于利用熵值法计算第二特征属性的权重值，可预先对第二特征属性值进行连续性预处理以及归一化预处理，根据连续性预处理和归一化预处理之后的第二特征属性值，计算所述第二特征值所对应的第二特征属性的权重值。
[0088]
例如，在连续性预处理之前，10个模型分别对应的第二特征属性值如下表4所示：
[0089]
表4
[0090][0091][0092]
在进行连续性预处理时，可根据经验值分别确定sla_time的评分标准(如表5所示)和core_tag评分标准(如表6所示)：
[0093]
表5
[0094]
时间范围分数0:00-2:00502:00-4:00404:00-6:00306:00-8:00208:00-23:5910
[0095]
表6
[0096]
关联核心标签级别分数l1100l280l350l430其它10
[0097]
根据表5和表6所示的评分标准对sla_time和core_tag的属性值进行连续性预处理后，第二特征属性值如下表7所示：
[0098]
表7
[0099]
[0100][0101]
进一步地，由于各个第二特征属性的计量单位在通常情况下并不统一，因此在计算权重值前，可先对其进行标准化处理，即将第二特征属性值的绝对值转化为相对值，从而解决不同第二特征属性值的同质化问题。
[0102]
然后，在计算管理优先值时，可根据连续性预处理和归一化预处理后的第二特征属性值，利用熵值法计算信息熵值和信息效用值，然后根据信息熵值和信息效用值计算第二特征属性的权重值，例如，计算出某个模型的第二特征属性的权重值如表8所示，最后采用加权求和的方式分别计算多个模型的管理优先值。
[0103]
表8
[0104]
第二特征属性权重值sla_time0.19806947recur_children_num0.32498544business used num0.21461184core_tag0.26233325
[0105]
值得一提的是，在计算出第二特征属性的权重值之后，若决策者事先已有一些经验的主观估计权重值，则可进一步借助经验值对熵值法计算的权重值进行修正。
[0106]
步骤s105：根据所述模型的管理优先值，确定所述模型的管理策略。
[0107]
在采用加权求和的方式分别计算多个模型的管理优先值之后，可根据管理优先值确定多个模型的排名，管理优先值越高的模型，其排名越靠前，对应的重要程度也越高，则其管理策略越优先。
[0108]
在分别确定出各个模型的管理策略之后，可根据所述模型管理策略，对所述多个模型进行管理。例如，对于模型管理策略中优先级别最高的模型实行实时监控，一旦模型对应的任务在执行过程中出现问题，立即通过邮件或电话等多种方式通知相关业务人员；而对于模型管理策略中优先级别最低的模型实行间歇性较长的监控，如每1小时检测模型对应的任务是否出现问题，若出现问题，则通过邮件通过相关业务人员。
[0109]
综上所述，本发明实施例提供的数据仓库中模型的管理方法可以包括如图2所示的步骤：
[0110]
步骤s201：确定所述数据仓库中多个模型的多个第一特征属性。
[0111]
步骤s202：计算所述第一特征属性的信息增益。
[0112]
步骤s203：将所述信息增益大于阈值的所述第一特征属性作为第二特征属性。
[0113]
步骤s204：对所述第二特征属性的第二特征属性值进行连续性预处理以及归一化预处理，根据连续性预处理和归一化预处理之后的第二特征属性值，利用熵值法计算所述第二特征值所对应的第二特征属性的权重值。
[0114]
步骤s205：根据所述多个模型的多个所述第二特征属性的权重值以及第二特征属性值，分别计算所述多个模型的管理优先值。
[0115]
步骤s206：根据所述模型的管理优先值，确定所述模型的管理策略。
[0116]
步骤s207：根据所述模型管理策略，对所述多个模型进行管理。
[0117]
根据本发明实施例的数据仓库中模型的管理方法可以看出，通过确定数据仓库中多个模型的一个或多个第一特征属性，并计算第一特征属性的信息增益，然后从第一特征属性中选择信息增益大于阈值的第二特征属性，由此选择出对于模型来说较为重要的第二特征属性，然后根据第二特征属性计算模型的管理优先值，并根据模型的管理优先值确定模型的管理策略。由此，通过计算信息增益选择出对于模型来说较为重要的第二特征属性，然后根据第二特征属性确定模型的管理策略，相对于现有技术中依赖于决策者的主观判断，提高了模型分级的准确性，进而有利于实现对模型的精确管理。
[0118]
图3是根据本发明实施例的数据仓库中模型的管理装置的主要模块的示意图。
[0119]
如图3所示，本发明实施例的数据仓库中模型的管理装置300包括：第一特征属性确定模块301、第二特征属性确定模块302、优先值计算模块303和管理模块304；其中，
[0120]
所述第一特征属性模块301，用于确定所述数据仓库中多个模型的一个或多个第一特征属性；
[0121]
所述第二特征属性确定模块302，用于计算所述第一特征属性的信息增益，将所述信息增益大于阈值的所述第一特征属性作为第二特征属性；
[0122]
所述优先值计算模块303，用于根据所述多个模型的一个或多个第二特征属性值，分别计算所述多个模型的管理优先值；
[0123]
所述管理模块304，用于根据所述模型的管理优先值，确定所述模型的管理策略。
[0124]
在本发明一个实施例中，所述第一特征属性包括以下任意一个或多个：所述模型的标识、所述模型的类型、所述模型所占用的cpu容量、所述模型所占用的内存容量、所述模型所处系统的类型或版本、所述模型的报警参数、所述模型对应的最晚完成时间、所述模型对应的递归子模型数量、所述模型的使用次数以及所述模型的重要度标识标签。
[0125]
在本发明一个实施例中，所述优先值计算模块303，用于利用熵值法计算所述第二特征属性的权重值；根据所述多个模型的一个或多个所述第二特征属性的权重值以及第二特征属性值，分别计算所述多个模型的管理优先值。
[0126]
在本发明一个实施例中，所述优先值计算模块303，用于利用熵值法计算所述第二特征属性的权重值；根据所述多个模型的一个或多个所述第二特征属性的权重值以及第二特征属性值，分别计算所述多个模型的管理优先值。
[0127]
在本发明一个实施例中，所述优先值计算模块303，用于对所述第二特征属性值进行连续性预处理以及归一化预处理，根据连续性预处理和归一化预处理之后的第二特征属
性值，计算所述第二特征值所对应的第二特征属性的权重值。
[0128]
在本发明一个实施例中，所述管理模块304，进一步用于根据所述模型管理策略，对所述多个模型进行管理。
[0129]
根据本发明实施例的数据仓库中模型的管理装置可以看出，通过确定数据仓库中多个模型的一个或多个第一特征属性，并计算第一特征属性的信息增益，然后从第一特征属性中选择信息增益大于阈值的特征属性作为第二特征属性，由此选择出对于模型来说较为重要的第二特征属性，然后根据第二特征属性计算模型的管理优先值，并根据模型的管理优先值确定模型的管理策略。由此，通过计算信息增益选择出对于模型来说较为重要的第二特征属性，然后根据第二特征属性确定模型的管理策略，相对于现有技术中依赖于决策者的主观判断，提高了模型分级的准确性，进而有利于实现对模型的精确管理。
[0130]
本发明实施例的一种用于数据仓库中模型管理的电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例的一种数据仓库中模型的管理方法。
[0131]
本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例的一种数据仓库中模型的管理方法。
[0132]
图4示出了可以应用本发明实施例的数据仓库中模型的管理方法或数据仓库中模型的管理的装置的示例性系统架构400。
[0133]
如图4所示，系统架构400可以包括终端设备401、402、403，网络404和服务器405。网络404用以在终端设备401、402、403和服务器405之间提供通信链路的介质。网络404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。
[0134]
用户可以使用终端设备401、402、403通过网络404与服务器405交互，以接收或发送消息等。终端设备401、402、403上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
[0135]
终端设备401、402、403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、膝上型便携计算机和台式计算机等等。
[0136]
服务器405可以是提供各种服务的服务器，例如对用户利用终端设备401、402、403所浏览的购物类网站提供支持的后台管理服务器。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息)反馈给终端设备。
[0137]
需要说明的是，本发明实施例所提供的数据仓库中模型的管理方法一般由服务器405执行，相应地，数据仓库中模型的管理装置一般设置于服务器405中。
[0138]
应该理解，图4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。
[0139]
下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0140]
如图5所示，计算机系统500包括中央处理单元(cpu)501，其可以根据存储在只读存储器(rom)502中的程序或者从存储部分508加载到随机访问存储器(ram)503中的程序而执行各种适当的动作和处理。在ram 503中，还存储有系统500操作所需的各种程序和数据。
cpu 501、rom 502以及ram 503通过总线504彼此相连。输入/输出(i/o)接口505也连接至总线504。
[0141]
以下部件连接至i/o接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至i/o接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。
[0142]
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(cpu)501执行时，执行本发明的系统中限定的上述功能。
[0143]
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0144]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0145]
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬
件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括第一特征属性确定模块、第二特征属性确定模块、优先值计算模块和管理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一特征属性确定模块还可以被描述为“确定所述数据仓库中多个模型的一个或多个第一特征属性的模块”。
[0146]
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：确定所述数据仓库中多个模型的一个或多个第一特征属性；计算所述第一特征属性的信息增益；从所述第一特征属性中选择所述信息增益大于阈值的第二特征属性；根据所述多个模型的一个或多个第二特征属性值，分别计算所述多个模型的管理优先值；根据所述模型的管理优先值，确定所述模型的管理策略。
[0147]
根据本发明实施例的技术方案，通过确定数据仓库中多个模型的一个或多个第一特征属性，并计算第一特征属性的信息增益，然后从第一特征属性中选择信息增益大于阈值的第二特征属性，由此选择出对于模型来说较为重要的第二特征属性，然后根据第二特征属性计算模型的管理优先值，并根据模型的管理优先值确定模型的管理策略。由此，通过计算信息增益选择出对于模型来说较为重要的第二特征属性，然后根据第二特征属性确定模型的管理策略，相对于现有技术中依赖于决策者的主观判断，提高了模型分级的准确性，进而有利于实现对模型的精确管理。
[0148]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。