5G切片用户投诉的根因定位方法及装置与流程

5g切片用户投诉的根因定位方法及装置
技术领域
1.本发明涉及通信技术领域，具体涉及一种5g切片用户投诉的根因定位方法及装置。


背景技术：

2.网络切片(network slice)是端到端的逻辑功能和其所需的物理或虚拟资源集合，包括接入网、传输网、核心网等，网络切片可认为是5g网络中的虚拟化“专网”；网络切片基于nfv的统一基础设施构建，实现低成本高效运营。网络切片技术可以实现通信网络的逻辑隔离，允许在每个网络切片中配置和重用网络元件及功能以满足特定的行业应用需求。
3.切片网络结构复杂、节点类型多样、关系错综复杂，涉及无线网子域、传输网子域、核心网子域，相比传统网络，切片用户投诉根因定位的复杂度和难度也将倍增，对运维人员的技能要求非常高。
4.目前5g切片用户投诉根因定位主要通过专家经验或预设的规则库和知识库的方式来实现。但人为定位容易出错、效率也较低，知识库的缺点是无法及时更新，对于未出现过的投诉场景则无法准确作根因定位；同时，当面对海量的切片用户投诉时，该方式效率极低，无法满足5g网络切片运维需求。


技术实现要素：

5.鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的5g切片用户投诉的根因定位方法及装置。
6.根据本发明实施例的一个方面，提供了一种5g切片用户投诉的根因定位方法，包括：
7.获取切片用户提交的切片用户投诉的投诉内容；
8.根据所述切片用户的用户标识和所述投诉内容提取出四类异构节点的特征信息；所述四类异构节点包括切片终端用户节点、切片用户投诉节点、切片实例节点以及切片异常场景节点；
9.对所述四类异构节点的特征信息分别进行序列化处理，得到序列化后的待推理数据；
10.将所述待推理数据输入至训练好的根因定位模型中，输出得到所述切片用户投诉的根因序列；
11.根据所述根因序列定位投诉根因。
12.根据本发明实施例的另一方面，提供了一种5g切片用户投诉的根因定位装置，包括：
13.获取模块，适于获取切片用户提交的切片用户投诉的投诉内容；
14.提取模块，适于根据所述切片用户的用户标识和所述投诉内容提取出四类异构节点的特征信息；所述四类异构节点包括切片终端用户节点、切片用户投诉节点、切片实例节
点以及切片异常场景节点；
15.预处理模块，适于对所述四类异构节点的特征信息分别进行序列化处理，得到序列化后的待推理数据；
16.预测模块，适于将所述待推理数据输入至训练好的根因定位模型中，输出得到所述切片用户投诉的根因序列；
17.定位模块，适于根据所述根因序列定位投诉根因。
18.根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
19.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述5g切片用户投诉的根因定位方法对应的操作。
20.根据本发明实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述5g切片用户投诉的根因定位方法对应的操作。
21.根据本发明的5g切片用户投诉的根因定位方法及装置，获取切片用户提交的切片用户投诉的投诉内容，并提取包括切片用户投诉节点在内的四类异构节点的特征信息，以使根因定位可参考切片终端用户节点、切片用户投诉节点、切片实例节点以及切片异常场景节点该四类节点的特征；然后，对该四类异构节点的特征信息分别进行序列化处理，得到序列化后的待推理数据，输入至训练好的根因定位模型中，则可预测得到根因序列，进而定位到投诉根因。由此可见，本发明方案，可以融合包括切片用户节点本身在内的四类异构节点的特征信息，并通过根因定位模型推理得到根因序列，相较于人工推理的方式，可以提高根因定位的效率和准确性，即使一些未出现过的投诉场景，模型也能较好的适应，得到较为准确的推理结果，进而有利于针对切片用户投诉的高效处理，满足5g网络切片运维的需求。
22.上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。
附图说明
23.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
24.图1示出了本发明实施例提供的5g切片用户投诉的根因定位方法的流程图；
25.图2示出了本发明另一个实施例提供的5g切片用户投诉的根因定位方法的流程图；
26.图3示出了本发明一个具体实施例中搭建的根因定位模型的构成示意图；
27.图4示出了本发明一个具体举例中4个切片用户投诉涉及的四类异构节点的关系示意图；
28.图5示出了本发明实施例提供的5g切片用户投诉的根因定位装置的结构示意图；
29.图6示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
30.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
31.在实施本发明实施例方案之前，先在此对本文中涉及的若干专业术语进行相应的说明：
32.1)切片管理架构：其主要由csmf，nsmf以及nssmf组成。
33.其中，csmf(communication service management function，通信业务管理功能模块)：完成用户业务通信服务的需求订购和处理，负责将运营商/第三方客户的通信服务需求转化为对网络切片的需求，并通过和nsmf之间的接口向nsmf发送对网络切片的需求(如创建、终结、修改网络切片实例请求等)，从nsmf获取网络切片的管理数据(如性能、故障数据等)。
34.其中，nsmf(network slice management function，网络切片管理功能模块)：负责接收csmf发送的网络切片需求，对网络切片实例的生命周期、性能、故障等进行管理，编排网络切片实例的组成，分解网络切片实例的需求为各网络切片子网实例或网络功能的需求，向各nssmf发送网络切片子网实例管理请求。
35.以及，nssmf(network slice subnet management function，网络切片子网管理功能模块)，接收从nsmf下发的网络切片子网部署需求，对网络切片子网实例进行管理，编排网络切片子网实例的组成，将网络切片子网的sla需求映射为网络服务的qos需求，向etsi nfv域的nfvo系统下发网络服务的部署请求。
36.2)网络切片实例
37.网络切片实例(network slice instance，简称nsi)，是一个真实运行的逻辑网络，能满足一定网络特性或服务需求。一个网络切片实例可能提供一种或多种服务。网络切片实例可以由网管系统创建，一个网管系统可能创建多个网络切片实例并同时对它们进行管理，包括在网络切片实例运行过程中的性能监视和故障管理等。当多个网络切片实例共存时，网络切片实例之间可能共享部分网络资源和网络功能。
38.3)图注意力网络
39.图注意力网络是将注意力机制引入图网络，在传播层引入attention机制，使中心节点特征的聚合过程中，对不同的相邻节点分配不同的权重，对邻居节点的注意力产生差异，关注那些关联比较大的切片节点，而忽视一些关联较小的切片节点。
40.4)长短期记忆网络
41.长短期记忆(long short-term memory，简称lstm)是一种特殊的循环神经网络类型，通过控制缓存中的值保存的时间，可以记住长期的信息，适合进行时间序列的预测。每个神经元有四个输入和一个输出，每个神经元内有一个cell存放记忆的数值。lstm神经元如下：
[0042][0043]
[0044][0045][0046][0047][0048]
y
t
＝σ(w'h
t
)
ꢀꢀꢀ
(7)
[0049]
每一个lstm神经元中含有三个门控：遗忘门、输入门、输出门。公式(1)代表了遗忘门，在公式(2)和(3)中新的信息被添加进来，公式(4)融合了新信息和旧信息，公式(5)和(6)输出目前lstm单元已学习到的关于下一个时间戳的信息。长短期记忆神经网络在长时间序列的学习上具有较好的效果，lstm单元内每条连接线上含有相应的权重，xt代表输入向量，ht代表隐藏状态，ct代表t时刻的神经元状态，yt代表神经元的输出，w为可训练的权重矩阵，b为偏置向量。
[0050]
图1示出了本发明实施例提供的5g切片用户投诉的根因定位方法的流程图。该方法可用于对切片管理架构中的csmf接收到的切片用户投诉进行根因定位，并且，该方法可由任意具有数据处理能力的计算设备来执行。如图1所示，该方法包括以下步骤：
[0051]
步骤s110：获取切片用户提交的切片用户投诉的投诉内容。
[0052]
本实施例方案用于对切片用户投诉进行根因定位，其中，根因即为造成该切片用户投诉的根本原因，推理得到该根因后，则可以针对切片用户投诉进行有效的处理。
[0053]
具体地，每个切片用户投诉都有其投诉内容，该投诉内容是指用户侧所感知到的异常，例如，直播视频卡顿。
[0054]
步骤s120：根据该切片用户的用户标识和该投诉内容提取出四类异构节点的特征信息；该四类异构节点包括切片终端用户节点、切片用户投诉节点、切片实例节点以及切片异常场景节点。
[0055]
具体地，针对一个切片用户投诉，将其作为一类节点，则与其具有相关关系的节点有切片终端用户节点，切片实例节点以及切片异常场景节点，其中，关系如下：切片用户投诉被切片终端用户提出，切片用户投诉涉及切片实例以及切片用户投诉属于切片异常场景。根据切片用户的用户标识和投诉内容可以提取出切片用户投诉节点，以及与切片用户投诉节点相关的其余三类节点的特征信息，例如，通过用户标识确定出切片终端用户，然后提取到切片终端用户节点的特征信息，利用上述方式，则可以获取到具有相关关系的四类异构节点的特征信息，然后综合用于对根因的推理。
[0056]
步骤s130：对该四类异构节点的特征信息分别进行序列化处理，得到序列化后的待推理数据。
[0057]
其中，各类节点的特征信息均为由多个单词构成的高维向量，将特征信息进行序列化是指将每个单词转换为整数序列，编码为序列表示，得到对应四类异构节点的特征信息的四个序列表示，即为序列化后的待推理数据。
[0058]
在本发明的一些可选的实施例中，在进行序列化处理前，对四类异构节点的特征信息进行文本清洗，例如统一字母大小写，将大写字母转换成小写字母，停用词删除等。
[0059]
在本发明的另一些可选的实施例中，在进行序列化处理后，还需将每类节点的序
列表示填充为预设的长度，以便于输入模型中进行预测。
[0060]
步骤s140：将该待推理数据输入至训练好的根因定位模型中，输出得到该切片投诉的根因序列；根据该根因序列定位投诉根因。
[0061]
在本发明实施例中，将具有相关关系的四类异构节点的特征信息的序列表示输入至根因定位模型，根因定位模型依据四类异构节点分别序列化的特征信息，以及三类异构相关节点(同下文中的异构邻居节点)与切片用户投诉节点的相关关系进行推理，最终输出得到该切片用户投诉的根因序列。然后，对根因序列进行反序列化处理则可定位到投诉根因。
[0062]
根据本实施例提供的5g切片用户投诉的根因定位方法，获取切片用户提交的切片用户投诉的投诉内容，并提取包括切片用户投诉节点在内的四类异构节点的特征信息，以使根因定位可参考切片终端用户节点、切片用户投诉节点、切片实例节点以及切片异常场景节点该四类节点的特征；然后，对该四类异构节点的特征信息分别进行序列化处理，得到序列化后的待推理数据，输入至训练好的根因定位模型中，则可预测得到根因序列，进而定位到投诉根因。由此可见，本实施例方案，可以融合包括切片用户节点本身在内的四类异构节点的特征信息，并通过根因定位模型推理得到根因序列，相较于人工推理的方式，可以提高根因定位的效率和准确性，即使一些未出现过的投诉场景，模型也能较好的适应，得到较为准确的推理结果，进而有利于针对切片用户投诉的高效处理，满足5g网络切片运维的需求。
[0063]
图2示出了本发明另一个实施例提供的5g切片用户投诉的根因定位方法的流程图。如图2所示，该方法包括以下步骤：
[0064]
步骤s210：训练得到根因定位模型，该根因定位模型包括由图注意力网络构成的切片投诉特征聚合器和由长短期记忆网络构成的切片投诉根因推理器。
[0065]
在本发明实施例中，基于图注意力到序列网络进行根因定位，将图注意力网络与长短期记忆网络相结合搭建图注意力到序列网络，利用图注意力网络可以根据图网络中邻居节点影响力的差异分配不同权重的特点来聚合与某个切片用户投诉相关节点的特征，利用长短期记忆神经网络在序列预测上的优势对聚合后的切片投诉特征进行根因映射。
[0066]
具体地，首先，训练输入数据和训练输出数据的准备。
[0067]
获取多个历史切片用户提交的多个历史切片用户投诉的多个历史投诉内容，其中，csmf可实时接收切片用户的投诉，则可从csmf获取该多个历史切片用户投诉的多个历史投诉内容。针对每个历史切片用户投诉，根据对应的历史切片用户的用户标识和对应的历史投诉内容提取出四类异构节点的历史特征信息，其中，对应的历史切片用户是指提出该历史切片用户投诉的历史切片用户，以及对应的历史投诉内容即为该历史切片用户投诉的投诉内容。将该四类异构节点的历史特征信息分别进行序列化处理，得到对应多个历史切片用户投诉的多组序列化的训练输入数据，其中，针对一个历史切片用户投诉可提取得到一组序列化的训练输入数据，一组序列化的训练输入数据包括一个历史切片用户投诉的切片终端用户节点、切片用户投诉节点、切片实例节点以及切片异常场景节点分别序列化的特征信息；在进行序列化处理过程中，去多个历史切片用户投诉中，将四类异构节点的特征信息最长的长度作为每类节点的特征信息的编码序列长度，则对于不足该长度的特征信息，需要进行填充，使其达到该最长的长度。以及，标注该多个历史切片用户投诉的根因序
列样本，将该根因序列样本作为训练输出数据，其中，多个历史切片用户投诉的根因序列样本可构成根因矩阵，并且取标注的根因文本最长的长度作为根因序列的编码长度，将每一跳标注的根因文本的根因序列的长度均填充为该最长的长度。实际中，可以将得到的训练输入数据和训练输出数据的一部分用于训练，而另一部分用于测试以评价模型，例如，80％用于训练，20％用于测试。
[0068]
然后，利用训练输入数据和训练输出数据进行训练。
[0069]
将该多组训练输入数据输入至切片投诉特征聚合器，该切片投诉特征聚合器以切片用户投诉节点为中心，分别与相邻的三类异构邻居节点进行邻居注意力融合，学习该三类异构邻居节点对于判断其投诉根因的不同重要性，输出融合有三类异构邻居节点的特征的多个切片用户节点新特征；切片投诉根因推理器将该多个切片用户节点新特征映射为推理后的多个切片投诉根因文本序列；根据该多个切片投诉根因文本序列和对应的多个训练训练输出数据的误差进行参数调整，直至收敛后则训练完成，并得到根因定位模型。
[0070]
进一步的，该切片投诉特征聚合器包括第一层图注意力层和第二层图注意力层，相应的，切片投诉特征聚合器以切片用户投诉节点为中心，与相邻的三类异构邻居节点进行邻居注意力融合，输出融合有三类异构邻居节点的特征的多个切片用户节点新特征进一步包括：针对任一切片用户投诉，第一层图注意力层将序列化后的切片用户投诉节点的特征信息，分别与序列化后的切片终端用户节点的特征信息、切片实例节点的特征信息和切片异常场景节点的特征信息进行融合，得到分别融合了三类异构邻居节点的特征的三个切片实例话单新特征；第二图注意力层对该三个切片实例话单新特征进行注意力融合，输出同时融合三类异构邻居节点的特征的切片用户节点新特征。
[0071]
上述包含切片投诉特征聚合器和切片投诉根因推理器的根因推理模型，其训练过程可总结如下：其中切片投诉特征聚合器由图注意力网络构成，以切片用户投诉为中心节点，分别与相邻的三类邻居节点进行邻居注意力聚合，学习其邻居节点对于判断其根因的不同重要性，最终输出聚合了三类异构邻居节点特征的切片投诉节点新特征；切片投诉根因推理器由lstm网络构成，将聚合后的切片投诉节点新特征输入至切片投诉根因推理器进行推理，利用lstm将该切片投诉节点新特征映射为推理后的切片投诉根因文本序列。从而提升切片投诉根因定位的准确性、提高切片投诉的解决效率。
[0072]
图3示出了本发明一个具体实施例中搭建的根因定位模型的构成示意图。如图3所示，模型主要由切片投诉特征聚合器和切片投诉根因推理器组成：
[0073]
其中，切片投诉特征聚合器以切片投诉为中心节点，分别与相邻的三类邻居节点进行邻居注意力聚合，学习其邻居节点即切片终端用户、切片实例、切片异常场景对于判断其根因的不同重要性。
[0074]
分支1：学习切片用户投诉i的第一类邻居节点“切片终端用户节点”对切片用户投诉i的根因定位的重要性权重。对于切片用户投诉i，输入切片用户投诉节点的特征信息hci(即切片投诉i的特征h
ci
)，及其邻居节点切片用户终端节点的属性特征hui(即切片终端用户k特征hui)，分别经过词嵌入层转化为固定长度向量后输入至第一个图注意力层，输出融合了邻居节点“切片终端用户节点”特征信息后的切片实例话单新特征hci1；
[0075]
分支2：与分支1同理，学习切片用户投诉i的第二类邻居节点“切片实例节点”的特征对切片用户投诉i的根因定位的重要性权重。输出融合了邻居节点“切片实例节点”特征
信息hsi后的切片实例话单新特征hci2；
[0076]
分支3：与分支1、2同理，学习切片用户投诉i的第三类邻居节点“切片异常场景节点”的特征对切片用户投诉i的根因定位的重要性权重。输出融合了邻居节点“切片异常场景节点”特征信息hai后的切片实例话单新特征hci3；
[0077]
然后将以上三个分支输出的分别融合了各类邻居节点特征的新特征hci1、hci2、hci3输入至第二个图注意力层进行注意力聚合，输出同时融合三类邻居节点特征的切片用户投诉新特征hci’。
[0078]
如图，该切片投诉特征聚合器的第一层为嵌入层(embedding)：利用词嵌入(word embedding)将每个词转化为向量，输出设置为需要将词转换为64维度的空间向量，输入序列长度为f(f的含义参见前文所述)，因此该层输出数据的形状为(none,f，64)。该层的作用是对输入的词进行向量映射，将每个词的索引转换为64维的固定形状向量。
[0079]
第二层为图注意力层：卷积核个数为256，激活函数设置为“relu”；
[0080]
第三层为图注意力层：卷积核个数为128，激活函数设置为“relu”；
[0081]
每一个图注意力层的输入为节点的特征集合，输出为节点新的特征集合，因此得到经过图注意力层后的切片用户投诉节点i的特征表示为：gat输出的对于每个顶点i的新特征(融合了邻域信息)，σ是激活函数。每个图注意力层可表示为：
[0082][0083]
式中，hi’、hj分别为聚合邻居信息前后的节点i的表示，ni代表节点i的邻居集合，αij表示节点对(i,j)之间的注意力权重，w表示hj的权重。
[0084]
其中，切片投诉根因推理器将聚合后的切片投诉节点新特征hci’输入至切片投诉根因推理器进行推理，利用长短期记忆神经网络将该切片投诉节点新特征映射为推理后的切片投诉根因文本序列。
[0085]
第四层为长短期记忆层：神经元个数设置为128，激活函数设置为“relu”；输入聚合后的切片用户投诉节点新特征hci’；
[0086]
第五层为长短期记忆层：神经元个数设置为128，激活函数设置为“relu”；
[0087]
第六层全连接(dense)层(输出层)：包含dense全连接神经元个数为q，即切片投诉文本集的词典大小,激活函数设置为“softmax”，将softmax输出结果送入多类交叉熵损失函数。该层输出数据的形状为(none,q)，输出所预测的对应切片投诉根因文本。
[0088]
然后计算预测的切片投诉根因序列(y1,y2
……
yl-1,yl)和标注的根因序列的误差，训练目标是最小化该误差。目标函数选择'categorical_crossentropy'多类对数损失函数。将训练回合数设置为1000(epochs＝1000)，梯度下降优化算法选择adam优化器用于改善传统梯度下降的学习速度(optimizer＝'adam')。神经网络通过梯度下降，可以找到使目标函数最小的最优权重值，神经网络通过训练会自主学习到权重值。用训练集进行训练，使得目标函数越小越好，并在每轮训练后用测试集来评价验证模型。模型收敛后导出该模型的权重。
[0089]
步骤s220：获取切片用户提交的切片用户投诉的投诉内容。
[0090]
其中，切片管理架构的通信业务管理功能模块可以实时获取到用户的投诉，相应
的，则可从csmf中获取切片用户提交的切片用户投诉的投诉内容。
[0091]
步骤s230：根据该切片用户的用户标识和该投诉内容提取出四类异构节点的特征信息；该四类异构节点包括切片终端用户节点、切片用户投诉节点、切片实例节点以及切片异常场景节点。
[0092]
具体地，每类节点的特征信息聚为一个高维向量。其中，切片终端用户节点的特征信息包括切片终端用户的订购信息、使用地点信息以及所属的应用场景信息中的至少一种，应用场景包括增强移动宽带场景、大规模物联网场景以及高可靠低时延通信类场景中的一种或多种；切片用户投诉节点的特征信息包括投诉内容，例如，某切片用户投诉在某时段内网络频繁掉线，直播视频卡顿明显，或者计算结果下发时延增大等；切片实例节点的特征信息包括切片实例所属的网络切片、该网络切片所使用的切片网元以及切片实例中所产生的告警信息中的至少一种；以及，切片异常场景节点的特征信息包括无线网子切片异常场景、传输网子切片异常场景、核心网子切片异常场景、网络功能虚拟化基础设施异常场景以及用户终端侧异常场景中的至少一种。
[0093]
进一步的，可根据所述切片用户的用户标识和所述投诉内容从网络切片管理功能模块(nsmf)中提取出四类异构节点的特征信息,，其中，根据该切片用户的用户标识提取切片用户投诉所涉及的切片实例的特征信息以及切片用户所属的切片终端用户的特征信息。
[0094]
图4示出了本发明一个具体举例中4个切片用户投诉涉及的四类异构节点的关系示意图。如图4所示，以切片投诉2(即切片用户投诉2)来说，该投诉被切片终端用户1所提出，其涉及切片实例1和切片实例3，以及，切片投诉2属于切片异常场景3。
[0095]
步骤s240：对该四类异构节点的特征信息分别进行序列化处理，得到序列化后的待推理数据。
[0096]
其中，对于未达到预设长度的，需要进行填充。其中，预设长度为训练时提取到的特征信息的最长的长度。
[0097]
步骤s250：将该待推理数据输入至训练好的根因定位模型中，输出得到该切片投诉的根因序列。
[0098]
具体地，将该待推理数据输入至切片投诉特征聚合器，以供该切片投诉特征聚合器和由长短期记忆网络进行特征聚合；切片投诉根因推理器对切片投诉特征聚合器的聚合结果进行根因定位，输出得到根因序列。
[0099]
步骤s260：根据该根因序列定位投诉根因。
[0100]
将根因序列进行反序列化处理，定位到投诉根因。
[0101]
根据本实施例提供的5g切片用户投诉的根因定位方法，从csmf中收集的切片投诉信息构建以每个切片用户投诉为中心，由切片终端用户、切片用户投诉、切片实例以及切片异常场景四种异构节点组成的异构切片投诉图网络；将图注意力网络与长短期记忆网络相结合搭建图注意力到序列网络，利用图注意力网络能够根据图网络中邻居节点影响力的差异分配不同权重的特点来聚合与某个切片投诉相关节点的特征，利用长短期记忆神经网络在序列预测上的优势对聚合后的切片投诉特征进行根因映射。模型包含切片投诉特征聚合器和切片投诉根因推理器两部分，其中切片投诉特征聚合器由图注意力网络构成，以切片投诉为中心节点，分别与相邻的三类邻居节点进行邻居注意力聚合，学习其邻居节点对于判断其根因的不同重要性，最终输出聚合了三类异构邻居节点特征的切片投诉节点新特
征；切片投诉根因推理器由lstm网络构成，将聚合后的切片投诉节点新特征输入至切片投诉根因推理器进行推理，利用lstm将该切片投诉节点新特征映射为推理后的切片投诉根因文本序列，从而提升切片投诉根因定位的准确性，提高切片投诉的解决效率。
[0102]
图5示出了本发明实施例提供的5g切片用户投诉的根因定位装置的结构示意图。如图5所示，该装置包括：
[0103]
获取模块510，适于获取切片用户提交的切片用户投诉的投诉内容；
[0104]
提取模块520，适于根据所述切片用户的用户标识和所述投诉内容提取出四类异构节点的特征信息；所述四类异构节点包括切片终端用户节点、切片用户投诉节点、切片实例节点以及切片异常场景节点；
[0105]
预处理模块530，适于对所述四类异构节点的特征信息分别进行序列化处理，得到序列化后的待推理数据；
[0106]
预测模块540，适于将所述待推理数据输入至训练好的根因定位模型中，输出得到所述切片用户投诉的根因序列；
[0107]
定位模块550，适于根据所述根因序列定位投诉根因。
[0108]
在一种可选的方式中，切片终端用户节点的特征信息包括切片终端用户的订购信息、使用地点信息以及所属的应用场景信息中的至少一种；
[0109]
切片用户投诉节点的特征信息包括投诉内容；
[0110]
切片实例节点的特征信息包括切片实例所属的网络切片、所述网络切片所使用的切片网元以及切片实例中所产生的告警信息中的至少一种；以及，
[0111]
切片异常场景节点的特征信息包括无线网子切片异常场景、传输网子切片异常场景、核心网子切片异常场景、网络功能虚拟化基础设施异常场景以及用户终端侧异常场景中的至少一种。
[0112]
在一种可选的方式中，所述提取模块进一步适于：
[0113]
根据所述切片用户的用户标识提取该切片用户投诉所涉及的切片实例的特征信息以及切片用户所属的切片终端用户的特征信息。
[0114]
在一种可选的方式中，所述获取模块进一步适于：
[0115]
从切片管理架构的通信业务管理功能模块获取切片用户提交的切片用户投诉的投诉内容；
[0116]
以及，所述提取模块进一步适于：根据所述切片用户的用户标识和所述投诉内容从网络切片管理功能模块中提取出四类异构节点的特征信息。
[0117]
在一种可选的方式中，所述根因定位模型包括由图注意力网络构成的切片投诉特征聚合器和由长短期记忆网络构成的切片投诉根因推理器；
[0118]
所述装置还包括：训练模块，适于：
[0119]
获取多个历史切片用户提交的多个历史切片用户投诉的多个历史投诉内容；
[0120]
针对每个历史切片用户投诉，根据对应的历史切片用户的用户标识和对应的历史投诉内容提取出四类异构节点的历史特征信息，将所述四类异构节点的历史特征信息分别进行序列化处理，得到对应多个历史切片用户投诉的多组序列化的训练输入数据，其中，一组序列化的训练输入数据包括一个历史切片用户投诉的切片终端用户节点、切片用户投诉节点、切片实例节点以及切片异常场景节点分别序列化的特征信息；以及，
[0121]
标注所述多个历史切片用户投诉的根因序列样本，将所述根因序列样本作为训练输出数据；
[0122]
将所述多组训练输入数据输入至切片投诉特征聚合器，所述切片投诉特征聚合器以切片用户投诉节点为中心，分别与相邻的三类异构邻居节点进行邻居注意力融合，输出融合有三类异构邻居节点的特征的多个切片用户节点新特征；
[0123]
切片投诉根因推理器将所述多个切片用户节点新特征映射为推理后的多个切片投诉根因文本序列；
[0124]
根据所述多个切片投诉根因文本序列和对应的多个训练训练输出数据的误差进行参数调整，直至收敛后则训练完成，并得到根因定位模型。
[0125]
在一种可选的方式中，
[0126]
所述切片投诉特征聚合器包括第一层图注意力层和第二层图注意力层；
[0127]
所述训练模块进一步适于：
[0128]
针对任一切片用户投诉，第一层图注意力层将序列化后的切片用户投诉节点的特征信息，分别与序列化后的切片终端用户节点的特征信息、切片实例节点的特征信息和切片异常场景节点的特征信息进行融合，得到分别融合了三类异构邻居节点的特征的三个切片实例话单新特征；
[0129]
第二图注意力层对所述三个切片实例话单新特征进行注意力融合，输出同时融合三类异构邻居节点的特征的切片用户节点新特征。
[0130]
在一种可选的方式中，所述预测模块进一步适于：
[0131]
将将所述待推理数据输入至切片投诉特征聚合器，以供所述切片投诉特征聚合器和由长短期记忆网络进行特征聚合；
[0132]
切片投诉根因推理器对切片投诉特征聚合器的聚合结果进行根因定位，输出得到根因序列。
[0133]
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的5g切片用户投诉的根因定位方法。
[0134]
图6示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
[0135]
如图6所示，该计算设备可以包括：处理器(processor)602、通信接口(communications interface)604、存储器(memory)606、以及通信总线608。
[0136]
其中：处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。通信接口604，用于与其它设备比如客户端或其它服务器等的网元通信。处理器602，用于执行程序610，具体可以执行上述用于计算设备的5g切片用户投诉的根因定位方法实施例中的相关步骤。
[0137]
具体地，程序610可以包括程序代码，该程序代码包括计算机操作指令。
[0138]
处理器602可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0139]
存储器606，用于存放程序610。存储器606可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0140]
程序610具体可以用于使得处理器602执行以下操作：
[0141]
获取切片用户提交的切片用户投诉的投诉内容；
[0142]
根据所述切片用户的用户标识和所述投诉内容提取出四类异构节点的特征信息；所述四类异构节点包括切片终端用户节点、切片用户投诉节点、切片实例节点以及切片异常场景节点；
[0143]
对所述四类异构节点的特征信息分别进行序列化处理，得到序列化后的待推理数据；
[0144]
将所述待推理数据输入至训练好的根因定位模型中，输出得到所述切片用户投诉的根因序列；
[0145]
根据所述根因序列定位投诉根因。
[0146]
在一种可选的方式中，切片终端用户节点的特征信息包括切片终端用户的订购信息、使用地点信息以及所属的应用场景信息中的至少一种；
[0147]
切片用户投诉节点的特征信息包括投诉内容；
[0148]
切片实例节点的特征信息包括切片实例所属的网络切片、所述网络切片所使用的切片网元以及切片实例中所产生的告警信息中的至少一种；以及，
[0149]
切片异常场景节点的特征信息包括无线网子切片异常场景、传输网子切片异常场景、核心网子切片异常场景、网络功能虚拟化基础设施异常场景以及用户终端侧异常场景中的至少一种。
[0150]
在一种可选的方式中，所述程序610使所述处理器602执行以下操作：
[0151]
根据所述切片用户的用户标识提取该切片用户投诉所涉及的切片实例的特征信息以及切片用户所属的切片终端用户的特征信息。
[0152]
在一种可选的方式中，所述程序610使所述处理器602执行以下操作：
[0153]
从切片管理架构的通信业务管理功能模块获取切片用户提交的切片用户投诉的投诉内容；
[0154]
根据所述切片用户的用户标识和所述投诉内容从网络切片管理功能模块中提取出四类异构节点的特征信息。
[0155]
在一种可选的方式中，所述根因定位模型包括由图注意力网络构成的切片投诉特征聚合器和由长短期记忆网络构成的切片投诉根因推理器；
[0156]
所述程序610使所述处理器602执行以下操作：
[0157]
获取多个历史切片用户提交的多个历史切片用户投诉的多个历史投诉内容；
[0158]
针对每个历史切片用户投诉，根据对应的历史切片用户的用户标识和对应的历史投诉内容提取出四类异构节点的历史特征信息，将所述四类异构节点的历史特征信息分别进行序列化处理，得到对应多个历史切片用户投诉的多组序列化的训练输入数据，其中，一组序列化的训练输入数据包括一个历史切片用户投诉的切片终端用户节点、切片用户投诉节点、切片实例节点以及切片异常场景节点分别序列化的特征信息；以及，
[0159]
标注所述多个历史切片用户投诉的根因序列样本，将所述根因序列样本作为训练输出数据；
[0160]
将所述多组训练输入数据输入至切片投诉特征聚合器，所述切片投诉特征聚合器以切片用户投诉节点为中心，分别与相邻的三类异构邻居节点进行邻居注意力融合，输出融合有三类异构邻居节点的特征的多个切片用户节点新特征；
[0161]
切片投诉根因推理器将所述多个切片用户节点新特征映射为推理后的多个切片投诉根因文本序列；
[0162]
根据所述多个切片投诉根因文本序列和对应的多个训练训练输出数据的误差进行参数调整，直至收敛后则训练完成，并得到根因定位模型。
[0163]
在一种可选的方式中，所述切片投诉特征聚合器包括第一层图注意力层和第二层图注意力层；
[0164]
所述程序610使所述处理器602执行以下操作：
[0165]
针对任一切片用户投诉，第一层图注意力层将序列化后的切片用户投诉节点的特征信息，分别与序列化后的切片终端用户节点的特征信息、切片实例节点的特征信息和切片异常场景节点的特征信息进行融合，得到分别融合了三类异构邻居节点的特征的三个切片实例话单新特征；
[0166]
第二图注意力层对所述三个切片实例话单新特征进行注意力融合，输出同时融合三类异构邻居节点的特征的切片用户节点新特征。
[0167]
在一种可选的方式中，所述程序610使所述处理器602执行以下操作：
[0168]
将将所述待推理数据输入至切片投诉特征聚合器，以供所述切片投诉特征聚合器和由长短期记忆网络进行特征聚合；
[0169]
切片投诉根因推理器对切片投诉特征聚合器的聚合结果进行根因定位，输出得到根因序列。
[0170]
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
[0171]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0172]
类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0173]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或
子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0174]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0175]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0176]
应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。