[發明專利]基于機器學習的QA輔助決策方法及系統

有效

• 申請號: 202010364811.5
• 申請日: 2020-04-30
• 公開（公告）號: CN111582498B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 楊斌
• 申請（專利權）人: 重慶富民銀行股份有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00;G06F17/18;G06F18/24;G06Q40/02
• 代理公司: 重慶強大凱創專利代理事務所(普通合伙) 50217
• 代理人: 蒙捷

1.基于機器學習的QA輔助決策方法，其特征在于，包括如下步驟：

S1、服務器從用戶端獲取評估指標，并獲取各評估指標對應數據的數據庫的地址；

S2、服務器從用戶端獲取預設的回歸模型類別和分類模型類別，回歸模型類別和分類模型類別均包括若干子模型；

S3、服務器從數據庫中獲取數據，從用戶端接收回歸模型類別或分類模型類別選取信息；

S4、服務器根據選取的回歸模型類別或分類模型類別,遍歷回歸模型類別或分類模型類別中所有子模型，將數據放入到每一子模型中進行訓練和測試，選取準確率最高的子模型進行模型固化；

S5、服務器從用戶端獲取重置周期信息，在每個重置周期，重復S4；

S6、服務器基于固化后的子模型對數據庫內的數據進行實時預測；

S7、服務器還基于預設的關鍵詞庫對預設的區域網站進行關鍵詞匹配，如果匹配成功，服務器立即重復S4步驟；如果匹配不成功，服務器還基于預設的關鍵詞對預設的全國網站進行關鍵詞匹配，如果匹配成功，服務器立即重復S4步驟；

所述S4中，當準確率最高子模型數量大于或等于兩個時，獲取每一子模型的資源消耗數據，選擇資源消耗最少的子模型進行模型固化。

2.根據權利要求1所述的基于機器學習的QA輔助決策方法，其特征在于：所述S2中，服務器還包括從用戶端獲取預設回歸模型類別和分類模型類別下各子模型的參數配置。

3.根據權利要求2所述的基于機器學習的QA輔助決策方法，其特征在于：所述S1中，所述評估指標包括工作飽和度、缺陷發現率、自動化覆蓋率和缺陷遺漏率中的一種或多種。

4.根據權利要求3所述的基于機器學習的QA輔助決策方法，其特征在于：所述S2中，回歸模型類別的子模型包括邏輯回歸模型和線性回歸模型；分類模型類型的子模型包括貝葉斯分類模型和決策樹分類模型。

5.根據權利要求4所述的基于機器學習的QA輔助決策方法，其特征在于：所述S1中，數據庫包括MYSQL、ES和ORACLE中的一種或多種。

6.基于機器學習的QA輔助決策系統，其特征在于:包括用戶端、數據庫和服務器；

用戶端用于輸入評估指標，并設定各評估指標對應數據的數據庫的地址；用戶端還用于輸入回歸模型類別和分類模型類別，回歸模型類別和分類模型類別均包括若干子模型；

數據庫用于存儲評估指標對應的數據；

用戶端還用于輸入回歸模型類別或分類模型類別的選取信息；服務器用于從數據庫獲取數據，基于回歸模型類別或分類模型類別的選擇信息，遍歷回歸模型類別或分類模型類別中所有子模型，將數據放入到每一子模型中進行訓練和測試；服務器還用于選取測試中準確率最高的子模型進行模型固化；

用戶端還用于輸入重置周期信息，服務器還用于在每個重置周期重新遍歷回歸模型類別或分類模型類別中所有子模型，將數據放入到每一子模型中進行訓練和測試；并選取測試中準確率最高的子模型進行模型固化；

服務器還用于將數據庫內的數據輸入固化的模型內進行實時預測，并輸出預測結果；

服務器還基于預設的關鍵詞庫對預設的區域網站進行關鍵詞匹配，如果匹配成功，服務器重新遍歷回歸模型類別或分類模型類別中所有子模型，將數據放入到每一子模型中進行訓練和測試；并選取測試中準確率最高的子模型進行模型固化；

如果匹配不成功，服務器還基于預設的關鍵詞對預設的全國網站進行關鍵詞匹配，如果匹配成功，服務器立即重新遍歷回歸模型類別或分類模型類別中所有子模型，將數據放入到每一子模型中進行訓練和測試；并選取測試中準確率最高的子模型進行模型固化；

所述服務器還用于在準確率最高子模型數量大于或等于兩個時，獲取每一子模型的資源消耗數據，選擇資源消耗最少的子模型進行模型固化。

7.根據權利要求6所述的基于機器學習的QA輔助決策系統，其特征在于：所述用戶端還用于輸入回歸模型類別和分類模型類別下各子模型的參數配置。

8.根據權利要求7所述的基于機器學習的QA輔助決策系統，其特征在于：所述回歸模型類別的子模型包括邏輯回歸模型和線性回歸模型；分類模型類型的子模型包括貝葉斯分類模型和決策樹分類模型。