基于人工智能的脚本推荐方法、装置、设备及存储介质与流程

本技术涉及人工智能开发，尤其涉及基于人工智能的脚本推荐方法、装置、计算机设备及存储介质。

背景技术：

1、在随着工业生产的高速发展，市场化程度的不断提高，作业分工也变得越来越细化，金融科技企业中对于人员的有效调配、合理动作成为了必不可少的管理流程。目前，传统的运维系统通常只有常规的人员管理、工单指派等基础功能，缺乏智能化。只有在运维发生故障需要指派人员处理时，需要由人员手动创建工单，上传至系统，然后根据工单派遣人员进行设备的维护；因此，传统的运维系统无法自动生成故障的解决方案，只能依靠运维人员的个人经验进行相应的维修工作，这种处理方式需要花费较多人力物力，从而造成企业运维困难，效率低下，容易给企业经济以及企业的业务形象生产带来损失。由此，如何有效快速地解决企业运维系统出现的问题成为了企业当前亟需解决的问题。

技术实现思路

1、本技术实施例的目的在于提出一种基于人工智能的脚本推荐方法、装置、计算机设备及存储介质，以解决现有的运维系统无法自动生成故障的解决方案，只能依靠运维人员的个人经验进行相应的维修工作，需要花费较多人力物力，从而造成企业运维效率低下的技术问题。

2、为了解决上述技术问题，本技术实施例提供一种基于人工智能的脚本推荐方法，采用了如下所述的技术方案：

3、接收异常检测系统发送的故障工单；

4、获取所述故障工单内的故障信息；

5、基于预设的关键词分析算法对所述故障信息进行提取处理得到对应的目标关键词，并生成与所述目标关键词对应的特征向量；

6、基于预设的推荐模型对所述特征向量进行处理，确定出与所述特征向量对应的故障类别；其中，所述推荐模型为基于强化学习算法构建的模型；

7、从预设的所有故障处理脚本中筛选出与所述特征类别匹配的多个第一处理脚本；

8、基于所述强化学习算法从所述第一处理脚本中确定出目标处理脚本；

9、将所述目标处理脚本返回至所述异常检测系统。

10、进一步的，所述基于预设的关键词分析算法对所述故障信息进行提取处理得到对应的目标关键词，并生成与所述目标关键词对应的特征向量的步骤，具体包括：

11、对所述故障信息进行词语提取，得到所述故障信息中的所有第一词语；

12、获取预设的区分关键词；

13、基于所示区分关键词对所述第一词语进行筛选处理，得到第二词语；

14、将所述第二词语作为tf-idf算法的停用词，并基于所述tf-idf算法对所述第一词语中除所述第二词语之外的第三词语进行统计处理，得到各个所述第三词语的tf值与idf值；

15、基于所述tf值与idf值从所述第三词语筛选出目标关键词；

16、基于所述目标关键词生成对应的特征向量。

17、进一步的，所述基于所示区分关键词对所述第一词语进行筛选处理，得到第二词语的步骤，具体包括：

18、基于所述区分关键词对所述第一词语进行词语匹配，确定出所述第一词语中与所述区分关键词匹配成功的第四词语；

19、将所述第四词语从所述第一词语中进行剔除，得到第五词语；

20、将所述第五词语作为所述第二词语。

21、进一步的，所述基于所述tf值与idf值从所述第三词语筛选出目标关键词的步骤，具体包括：

22、计算各个所述第三词语的tf值与idf值的乘积，得到各个所述第三词语的词语分值；

23、按照所述词语分值对各个所述第三词语进行从大到小的排序，输出排名前指定位的第六词语；

24、将所述第六词语作为目标关键词。

25、进一步的，所述强化学习算法为贪婪算法；所述基于所述强化学习算法从所述第一处理脚本中确定出目标处理脚本的步骤，具体包括：

26、基于所述贪婪算法，生成各个所述第一处理脚本解决所述特征向量对应的故障的预测效率；

27、基于所述预测效率从所有所述第一处理脚本中确定出目标处理脚本。

28、进一步的，所述基于所述预测效率从所有所述第一处理脚本中确定出目标处理脚本的步骤，具体包括：

29、将所述第一处理脚本按照预测效率从大到小的顺序进行排序，得到第一排序结果；

30、基于所述第一排序结果，从所有所述第一处理脚本中筛选出预测效率最高的第二处理脚本；

31、将所述第二处理脚本作为所述目标处理脚本。

32、进一步的，所述基于所述预测效率从所有所述第一处理脚本中确定出目标处理脚本的步骤，具体包括：

33、确定预设数量；

34、将所述第一处理脚本按照预测效率从大到小的顺序进行排序，得到第二排序结果；

35、从所述第二排序结果的首个第一处理脚本开始，依次获取所述预设数量的第三处理脚本；

36、获取各所述第三处理脚本的历史使用信息；

37、基于所述历史使用信息从所述第三处理脚本确定出目标处理脚本。为了解决上述技术问题，本技术实施例还提供一种基于人工智能的脚本推荐装置，采用了如下所述的技术方案：

38、接收模块，用于接收异常检测系统发送的故障工单；

39、获取模块，用于获取所述故障工单内的故障信息；

40、第一处理模块，用于基于预设的关键词分析算法对所述故障信息进行提取处理得到对应的目标关键词，并生成与所述目标关键词对应的特征向量；

41、第二处理模块，用于基于预设的推荐模型对所述特征向量进行处理，确定出与所述特征向量对应的故障类别；其中，所述推荐模型为基于强化学习算法构建的模型；

42、筛选模块，用于从预设的所有故障处理脚本中筛选出与所述特征类别匹配的多个第一处理脚本；

43、确定模块，用于基于所述强化学习算法从所述第一处理脚本中确定出目标处理脚本；

44、发送模块，用于将所述目标处理脚本返回至所述异常检测系统。

45、为了解决上述技术问题，本技术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：

46、接收异常检测系统发送的故障工单；

47、获取所述故障工单内的故障信息；

48、基于预设的关键词分析算法对所述故障信息进行提取处理得到对应的目标关键词，并生成与所述目标关键词对应的特征向量；

49、基于预设的推荐模型对所述特征向量进行处理，确定出与所述特征向量对应的故障类别；其中，所述推荐模型为基于强化学习算法构建的模型；

50、从预设的所有故障处理脚本中筛选出与所述特征类别匹配的多个第一处理脚本；

51、基于所述强化学习算法从所述第一处理脚本中确定出目标处理脚本；

52、将所述目标处理脚本返回至所述异常检测系统。

53、为了解决上述技术问题，本技术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：

54、接收异常检测系统发送的故障工单；

55、获取所述故障工单内的故障信息；

56、基于预设的关键词分析算法对所述故障信息进行提取处理得到对应的目标关键词，并生成与所述目标关键词对应的特征向量；

57、基于预设的推荐模型对所述特征向量进行处理，确定出与所述特征向量对应的故障类别；其中，所述推荐模型为基于强化学习算法构建的模型；

58、从预设的所有故障处理脚本中筛选出与所述特征类别匹配的多个第一处理脚本；

59、基于所述强化学习算法从所述第一处理脚本中确定出目标处理脚本；

60、将所述目标处理脚本返回至所述异常检测系统。

61、与现有技术相比，本技术实施例主要有以下有益效果：

62、本技术实施例首先接收异常检测系统发送的故障工单；然后获取所述故障工单内的故障信息。并基于预设的关键词分析算法对所述故障信息进行提取处理得到对应的目标关键词，并生成与所述目标关键词对应的特征向量；之后基于预设的推荐模型对所述特征向量进行处理，确定出与所述特征向量对应的故障类别；后续从预设的所有故障处理脚本中筛选出与所述特征类别匹配的多个第一处理脚本；进一步基于所述强化学习算法从所述第一处理脚本中确定出目标处理脚本；最后将所述目标处理脚本返回至所述异常检测系统。本技术基于预设的关键词分析算法以及推荐模型的使用对异常检测系统发送的故障工单进行处理，可以实现自动快速地从预先创建的处理脚本中筛选出适用于故障工单的目标处理脚本，有效地降低了运维人员的工作量，提高了对于故障工单的运维处理的效率。