基于知识图谱的运维场景推荐案例获取方法、装置及设备与流程

本技术涉及运维，尤其涉及基于知识图谱的运维场景推荐案例获取方法、装置及设备。

背景技术：

1、随着it技术的不断发展，运维场景中的运维信息化得到了越来越多人的重视。然而，受数据源不足、使用场景不明等因素的影响，基于知识图谱的运维案例获取一直未能被有效地应用于运维信息化领域。目前运维信息化领域仍依靠人工录入信息的方式来进行知识的积累，效率低，成本高，且不能描述知识之间的关系，不够方便，亟待进一步完善和提高。

2、所以现有技术会采用基于神经网络模型的自然语言抽取实现运维知识图谱的构建，然后再基于运维知识图谱指导运维场景各种案例的选取操作。此过程的神经网络模型需要大量人工标注，而且选取的案例缺乏准确性和可靠性，实现周期也很长，难以满足运维场景的实际应用需求。

技术实现思路

1、本技术提供了基于知识图谱的运维场景推荐案例获取方法、装置及设备，用于解决现有技术对人工有依赖，且缺乏准确性和可靠性，难以满足运维场景的实际应用需求的技术问题。

2、有鉴于此，本技术第一方面提供了基于知识图谱的运维场景推荐案例获取方法，包括：

3、采用预设运维知识采编模型对当前运维场景的运维文本数据进行三元组抽取，得到目标三元组；

4、所述预设运维知识采编模型基于bert模型框架和自注意力机制构建，且所述预设运维知识采编模型基于本体模型设计，所述本体模型包括多个运维对象，所述运维对象之间存在关系；

5、根据所述目标三元组构建所述当前运维场景的知识图谱，得到目标知识图谱；

6、通过预设图神经网络将所述目标知识图谱中的图谱路径进行向量化表达，得到所述当前运维场景的当前案例向量，所述预设图神经网络基于元学习方法构建；

7、基于相似度分析，根据所述当前案例向量和备选案例向量在预置备选运维场景中选取最匹配的相似案例作为推荐案例，所述预置备选运维场景中包括多个备选案例向量。

8、优选地，所述采用预设运维知识采编模型对当前运维场景的运维文本数据进行三元组抽取，得到目标三元组，之前还包括：

9、获取当前运维场景的异常情况、原因分析和解决方案，并生成运维文本数据。

10、优选地，所述基于相似度分析，根据所述当前案例向量和备选案例向量在预置备选运维场景中选取最匹配的相似案例作为推荐案例，包括：

11、计算所述当前案例向量与预置备选运维场景的备选案例向量之间的相似度，得到案例相似度；

12、在所述预置备选运维场景中选取最大的所述案例相似度对应的相似案例作为推荐案例。

13、优选地，所述计算所述当前案例向量与预置备选运维场景的备选案例向量之间的相似度，得到案例相似度，包括：

14、将所述当前案例向量分别与预置备选运维场景中的每个备选案例向量进行余弦相似度计算，得到案例相似度。

15、优选地，所述计算所述当前案例向量与预置备选运维场景的备选案例向量之间的相似度，得到案例相似度，包括：

16、采用多个预设相似度算法分别计算所述当前案例向量与预置备选运维场景的备选案例向量之间的相似度，得到多个子相似度，所述预设相似度算法包括余弦相似度算法、欧式距离算法、基于杰卡德相似系数的相似度算法、基于皮尔森相关系数的相似度算法；

17、基于加权算法根据多个所述子相似度进行加权计算，得到案例相似度。

18、本技术第二方面提供了基于知识图谱的运维场景推荐案例获取装置，包括：

19、信息抽取单元，用于采用预设运维知识采编模型对当前运维场景的运维文本数据进行三元组抽取，得到目标三元组；

20、所述预设运维知识采编模型基于bert模型框架和自注意力机制构建，且所述预设运维知识采编模型基于本体模型设计，所述本体模型包括多个运维对象，所述运维对象之间存在关系；

21、图谱构建单元，用于根据所述目标三元组构建所述当前运维场景的知识图谱，得到目标知识图谱；

22、向量表达单元，用于通过预设图神经网络将所述目标知识图谱中的图谱路径进行向量化表达，得到所述当前运维场景的当前案例向量，所述预设图神经网络基于元学习方法构建；

23、案例获取单元，用于基于相似度分析，根据所述当前案例向量和备选案例向量在预置备选运维场景中选取最匹配的相似案例作为推荐案例，所述预置备选运维场景中包括多个备选案例向量。

24、优选地，所述案例获取单元，包括：

25、相似计算子单元，用于计算所述当前案例向量与预置备选运维场景的备选案例向量之间的相似度，得到案例相似度；

26、案例选择子单元，用于在所述预置备选运维场景中选取最大的所述案例相似度对应的相似案例作为推荐案例。

27、优选地，所述相似计算子单元，具体用于：

28、将所述当前案例向量分别与预置备选运维场景中的每个备选案例向量进行余弦相似度计算，得到案例相似度。

29、优选地，所述相似计算子单元，具体用于：

30、采用多个预设相似度算法分别计算所述当前案例向量与预置备选运维场景的备选案例向量之间的相似度，得到多个子相似度，所述预设相似度算法包括余弦相似度算法、欧式距离算法、基于杰卡德相似系数的相似度算法、基于皮尔森相关系数的相似度算法；

31、基于加权算法根据多个所述子相似度进行加权计算，得到案例相似度。

32、本技术第三方面提供了基于知识图谱的运维场景推荐案例获取设备，所述设备包括处理器以及存储器；

33、所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

34、所述处理器用于根据所述程序代码中的指令执行第一方面所述的基于知识图谱的运维场景推荐案例获取方法。

35、从以上技术方案可以看出，本技术实施例具有以下优点：

36、本技术中，提供了基于知识图谱的运维场景推荐案例获取方法，包括：采用预设运维知识采编模型对当前运维场景的运维文本数据进行三元组抽取，得到目标三元组；预设运维知识采编模型基于bert模型框架和自注意力机制构建，且预设运维知识采编模型基于本体模型设计，本体模型包括多个运维对象，运维对象之间存在关系；根据目标三元组构建当前运维场景的知识图谱，得到目标知识图谱；通过预设图神经网络将目标知识图谱中的图谱路径进行向量化表达，得到当前运维场景的当前案例向量，预设图神经网络基于元学习方法构建；基于相似度分析，根据当前案例向量和备选案例向量在预置备选运维场景中选取最匹配的相似案例作为推荐案例，预置备选运维场景中包括多个备选案例向量。

37、本技术提供的基于知识图谱的运维场景推荐案例获取方法，基于预设运维知识采编模型进行三元组抽取，并根据三元组构建目标知识图谱；此过程不依赖人工操作，且生成目标知识图谱的效率较高；此外，通过基于元学习方法构建的预设图神经网络获取当前案例向量，并根据向量计算相似度，选取出最匹配的相似案例作为推荐案例，采用不同的方法对数据进行针对性的处理与计算，可以确保推荐案例的准确性和可靠性。因此，本技术能够解决现有技术对人工有依赖，且缺乏准确性和可靠性，难以满足运维场景的实际应用需求的技术问题。