[發明專利]一種信息輸出方法及裝置

有效

• 申請號: 201810415523.0
• 申請日: 2018-05-03
• 公開（公告）號: CN109902283B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 饒思維;劉裕良;田光見
• 申請（專利權）人: 華為技術有限公司
• 主分類號: G06F40/30
• 分類號: G06F40/30;G06F16/33;H04L41/0631
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 郝傳鑫;熊永強

1.一種信息輸出方法，其特征在于，所述方法包括：

獲取故障描述文本，所述故障描述文本用于描述網絡中發生的故障；

通過語義生成模型生成所述故障描述文本的語義向量；

獲取多種類型的目標數據的相關文本分別對應的語義向量，所述目標數據用于協助分析所述故障產生的原因；

計算所述故障描述文本的語義向量與每種所述目標數據的相關文本的語義向量的相關性；

確定并輸出第一數據，所述第一數據為每種所述目標數據中語義向量與所述故障描述文本的語義向量的相關性最大的目標數據，或所述第一數據為每種所述目標數據中語義向量與所述故障描述文本的語義向量的相關性大于預設閾值的目標數據；

其中，所述多種類型的目標數據包括關鍵性能指標、設備告警、設備日志中的至少兩種；當所述目標數據為所述關鍵性能指標時，所述目標數據的相關文本為所述關鍵性能指標的名稱；當所述目標數據為所述設備告警時，所述目標數據的相關文本為所述設備告警的標識；當所述目標數據為所述設備日志時，所述目標數據的相關文本為所述設備日志的內容片段。

2.根據權利要求1所述的方法，其特征在于，所述獲取故障描述文本之前，所述方法還包括：

通過所述語義生成模型生成多種類型的目標數據的相關文本分別對應的語義向量。

3.根據權利要求1或2所述的方法，其特征在于，所述語義生成模型是根據歷史故障描述文本對應的詞向量矩陣訓練生成的，所述詞向量矩陣包括所述歷史故障描述文本中各個詞對應的詞向量，所述詞向量用于表示詞的語義。

4.一種語義生成模型的訓練方法，其特征在于，所述方法包括：

獲取訓練文本對應的詞向量集合，所述詞向量集合中包括的詞向量與所述訓練文本中的詞一一對應，所述詞向量用于表示詞的語義；

根據所述詞向量集合將歷史故障描述文本轉換為由至少一個詞向量組成的詞向量矩陣；

獲取所述歷史故障描述文本對應的故障設備類型；

根據所述詞向量矩陣和類別標簽訓練分類模型，所述類別標簽包括所述故障設備類型；

根據所述分類模型得到語義生成模型，所述語義生成模型用于生成文本的語義向量。

5.根據權利要求4所述的方法，其特征在于，所述根據所述詞向量集合將歷史故障描述文本轉換為由至少一個詞向量組成的詞向量矩陣，包括：

對歷史故障描述文本進行分詞處理，得到所述歷史故障描述文本對應的由至少一個詞組成的詞序列；

從所述詞向量集合中獲取所述詞序列包括的詞對應的詞向量；

將所述詞序列包括的各個詞對應的詞向量組成詞向量矩陣。

6.根據權利要求5所述的方法，其特征在于，所述方法還包括：

當所述詞向量集合中不存在所述詞序列包括的詞對應的詞向量時，生成隨機向量作為所述詞序列包括的詞對應的詞向量。

7.根據權利要求4~6中任意一項所述的方法，其特征在于，所述根據所述詞向量矩陣和所述類別標簽訓練分類模型，包括：

將所述詞向量矩陣和所述類別標簽輸入神經網絡進行迭代訓練，在每次迭代訓練時對輸入所述神經網絡的詞向量矩陣中的詞向量和所述神經網絡的參數進行調整，以生成所述分類模型。