[發明專利]研發團隊的質量預測模型的確定方法和裝置

在審

• 申請號: 201811542200.4
• 申請日: 2018-12-17
• 公開（公告）號: CN109739750A
• 公開（公告）日: 2019-05-10
• 發明（設計）人: 郭賢忠;孫才奇
• 申請（專利權）人: 北京三快在線科技有限公司
• 主分類號: G06F11/36
• 分類號: G06F11/36;G06N20/00
• 代理公司: 北京曼威知識產權代理有限公司 11709
• 代理人: 方志煒

1.一種研發團隊的質量預測模型的確定方法，其特征在于，所述方法包括：

基于研發團隊研發的應用提取基礎特征信息，所述基礎特征信息用于表征所述應用的質量；

通過預設算法對每個所述基礎特征信息分別進行擴展，以得到擴展特征信息；

根據所述應用和對應的基礎特征信息以及擴展特征信息構成樣本集；

基于所述樣本集，通過機器學習算法對預設模型進行訓練，以得到質量預測模型，其中，所述質量預測模型的輸入量包括所述基礎特征信息和所述擴展特征信息，輸出量為研發團隊的預測質量。

2.根據權利要求1所述的方法，其特征在于，所述樣本集包括訓練集和測試集，所述基于所述樣本集，通過機器學習算法對預設模型進行訓練，以得到質量預測模型包括：

基于所述訓練集，通過機器學習算法對預設模型進行訓練，以得到待測模型；

基于所述測試集，通過監督學習對每次得到的待測模型進行調整，以得到所述質量預測模型。

3.根據權利要求2所述的方法，其特征在于，所述基于所述樣本集，通過機器學習算法對預設模型進行訓練，以得到質量預測模型還包括：

根據多個機器學習算法，分別執行權利要求2所述的得到質量預測模型的過程，以得到多個質量預測模型；

基于所述測試集，計算每個所述質量預測模型對應的預測質量和實際質量的差異；

保留最小的差異對應的質量預測模型，并刪除其他質量預測模型。

4.根據權利要求1所述的方法，其特征在于，所述方法還包括：

根據所述質量預測模型對應每個特征信息的參數，在所述特征信息中確定至少一個重要特征信息；

對所述重要特征信息進行監測；

在所述重要特征信息的變化量大于預設值時，生成提示信息。

5.根據權利要求1至4中任一項所述的方法，其特征在于，所述預設算法包括以下至少之一：

計算最值，計算均值，計算和，計算滿足預設條件的基礎特征信息的應用在研發團隊研發的應用中的比例，計算滿足預設條件的基礎特征信息的應用在所有滿足各自預設條件的基礎特征信息的應用中的比例，其中，每種基礎特征信息分別對應一個預設條件。

6.一種研發團隊的質量預測模型的確定裝置，其特征在于，所述裝置包括：

特征提取模塊，用于基于研發團隊研發的應用提取基礎特征信息，所述基礎特征信息用于表征所述應用的質量；

特征擴展模塊，用于通過預設算法對每個所述基礎特征信息分別進行擴展，以得到擴展特征信息；

樣本集構成模塊，用于根據所述應用和對應的基礎特征信息以及擴展特征信息構成樣本集；

機器學習模塊，用于基于所述樣本集，通過機器學習算法對預設模型進行訓練，以得到質量預測模型，其中，所述質量預測模型的輸入量包括所述基礎特征信息和所述擴展特征信息，輸出量為研發團隊的預測質量。

7.根據權利要求6所述的裝置，其特征在于，所述樣本集包括訓練集和測試集，所述機器學習模塊包括：

機器學習子模塊，用于基于所述訓練集，通過機器學習算法對預設模型進行訓練，以得到待測模型；

模型調整子模塊，用于基于所述測試集，通過監督學習對每次得到的待測模型進行調整，以得到所述質量預測模型。

8.根據權利要求7所述的裝置，其特征在于，所述機器學習子模塊以及模型調整子模塊還用于根據多個機器學習算法，分別基于所述訓練集多個質量預測模型；

所述機器學習模塊還包括：

差異計算子模塊，用于基于所述測試集，計算每個所述質量預測模型對應的預測質量和實際質量的差異；

模型過濾子模塊，用于保留最小的差異對應的質量預測模型，并刪除其他質量預測模型。

9.一種電子設備，其特征在于，包括：

處理器；

用于存儲處理器可執行指令的存儲器；

其中，所述處理器被配置為執行權利要求1至5中任一項所述方法中的步驟。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該程序被處理器執行時實現權利要求1至5中任一項所述方法中的步驟。