本申请公开了一种模型设计方法、装置、设备及存储介质，涉及计算机技术领域，包括：获取目标表数据，并基于所述目标表数据获取对应的数据集；利用预设整合方法对全部所述数据集进行整合，以得到目标数据集；基于所述目标数据集、原始DNN网络模型、原始朴素贝叶斯模型以及原始CNN网络模型构建目标网络模型，以便利用所述目标网络模型对接收到的待分析业务表进行预测，并根据预测结果进行预设脚本替换操作。本申请基于DNN网络模型、朴素贝叶斯模型以及CNN网络模型构建深度学习的目标网络模型，DNN模型进行初步预测，朴素贝叶斯模型进行概率分析，CNN模型进行决策，从而实现脚本的自动替换，提高了运维效率、节省了人工成本并降低了人为出错的风险。了人为出错的风险。了人为出错的风险。
【技术实现步骤摘要】
一种模型设计方法、装置、设备及存储介质
[0001]本专利技术涉及计算机
，特别涉及一种模型设计方法、装置、设备及存储介质。
技术介绍
[0002]随着系统规模逐渐庞大和稳定运行，生产系统上面临的不仅仅是系统层面上的问题，更为多的是业务层面上的问题，比如错误数据、冗余数据、脏数据等。在涉及到数据上的业务问题，往往需要运维人员查询后台数据库，根据业务表的特征字段进行判断所发生的情况，再进一步出具运维脚本。由于运维人员有限，但随着业务系统不断完善，出现重复性问题的概率大大增加，从而影响维护效率。
技术实现思路
[0003]有鉴于此，本专利技术的目的在于提供一种模型设计方法、装置、设备和存储介质，能够实现脚本的自动替换，提高了运维效率、节省人工成本、降低人为出错的风险。其具体方案如下：第一方面，本申请公开了一种模型设计方法，包括：获取目标表数据，并基于所述目标表数据获取对应的数据集；利用预设整合方法对全部所述数据集进行整合，以得到目标数据集；基于所述目标数据集、原始DNN网络模型、原始朴素贝叶斯模型以及原始CNN网络模型构建目标网络模型，以便利用所述目标网络模型对接收到的待分析业务表进行预测，并根据预测结果进行预设脚本替换操作。
[0004]可选的，所述获取目标表数据，并基于所述目标表数据获取对应的数据集，包括：获取目标业务表对应的目标表数据，并基于所述目标表数据的特征字段数据进行造数，以得到与所述特征字段数据对应的所属情况下的数据集。
[0005]可选的，所述利用预设整合方法对全部所述数据集进行整合，以得到目标数据集，包括：抽取全部所述数据集的所述特征字段数据，以得到当前数组；对所述当前数组执行预设归一化处理操作，以得到归一化数组；对所述归一化数组中的数据执行预设打标签操作，以得到目标数组，并基于所述目标数组获取所述目标数据集；其中，所述目标数据集包含训练数据、验证数据以及测试数据。
[0006]可选的，所述基于所述目标数据集、原始DNN网络模型、原始朴素贝叶斯模型以及原始CNN网络模型构建目标网络模型，包括：基于所述目标数据集以及所述原始DNN网络模型获取训练后DNN网络模型；获取所述训练后DNN网络模型对应的第一输出数据，并基于所述第一输出数据以及所述原始朴素贝叶斯模型获取训练后朴素贝叶斯模型；
获取所述训练后朴素贝叶斯模型对应的第二输出数据，并基于原始CNN网络模型、所述目标数据集、所述第一输出数据以及所述第二输出数据获取训练后CNN网络模型；基于所述训练后DNN网络模型、所述训练后朴素贝叶斯模型以及所述训练后CNN网络模型构建所述目标网络模型。
[0007]可选的，所述基于所述目标数据集以及所述原始DNN网络模型获取训练后DNN网络模型，包括：基于所述目标数据集中的所述训练数据与所述验证数据确定DNN模型参数；基于所述DNN模型参数以及所述原始DNN网络模型生成当前DNN网络模型；通过第一预设损失函数与第一预设准确率计算公式调整所述当前DNN网络模型中的所述DNN模型参数，以得到满足当前需求的DNN模型最终参数；基于所述DNN模型最终参数与所述当前DNN网络模型获取所述训练后DNN网络模型。
[0008]可选的，所述基于所述第一输出数据以及所述原始朴素贝叶斯模型获取训练后朴素贝叶斯模型，包括：设置先验概率，并基于所述先验概率确定当前后验概率；利用所述第一输出数据更新所述当前后验概率，以得到目标后验概率；基于所述目标后验概率以及所述原始朴素贝叶斯模型获取所述训练后朴素贝叶斯模型。
[0009]可选的，所述基于原始CNN网络模型、所述目标数据集、所述第一输出数据以及所述第二输出数据获取训练后CNN网络模型，包括：将所述目标数据集、所述第一输出数据以及所述第二输出数据输入至所述原始CNN网络模型中执行预设训练方式，以得到当前输出值；获取第二预设损失函数与第二预设准确率计算公式，以便基于所述当前输出值、所述第二预设损失函数与所述第二预设准确率计算公式调整所述原始CNN网络模型中的预设CNN参数，以得到目标CNN参数；基于所述目标CNN参数以及所述原始CNN网络模型获取所述训练后CNN网络模型；相应的，所述基于所述目标数据集、原始DNN网络模型、原始朴素贝叶斯模型以及原始CNN网络模型构建目标网络模型，以便利用所述目标网络模型对接收到的待分析业务表进行预测，并根据预测结果进行预设脚本替换操作，包括：基于所述目标数据集、所述训练后DNN网络模型、所述训练后朴素贝叶斯模型以及所述训练后CNN网络模型构建所述目标网络模型，以便对接收到的所述待分析业务表进行预测，并根据所述预测结果自动获取对应的目标脚本，通过预设脚本替换方法将当前脚本替换为目标脚本。
[0010]第二方面，本申请公开了一种模型设计装置，包括：第一数据集获取模块，用于获取目标表数据，并基于所述目标表数据获取对应的数据集；第二数据集获取模块，用于利用预设整合方法对全部所述数据集进行整合，以得到目标数据集；模型构建模块，用于基于所述目标数据集、原始DNN网络模型、原始朴素贝叶斯模
型以及原始CNN网络模型构建目标网络模型，以便利用所述目标网络模型对接收到的待分析业务表进行预测，并根据预测结果进行预设脚本替换操作。
[0011]第三方面，本申请公开了一种电子设备，包括：存储器，用于保存计算机程序；处理器，用于执行所述计算机程序，以实现如前述公开的模型设计方法的步骤。
[0012]第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如前述公开的模型设计方法。
[0013]可见，本申请提供了一种模型设计方法，包括：获取目标表数据，并基于所述目标表数据获取对应的数据集；利用预设整合方法对全部所述数据集进行整合，以得到目标数据集；基于所述目标数据集、原始DNN网络模型、原始朴素贝叶斯模型以及原始CNN网络模型构建目标网络模型，以便利用所述目标网络模型对接收到的待分析业务表进行预测，并根据预测结果进行预设脚本替换操作。由此可见，本申请基于DNN网络模型、朴素贝叶斯模型以及CNN网络模型构建深度学习的目标网络模型，通过DNN模型进行初步预测业务情况，朴素贝叶斯模型对DNN模型的结果进行概率分析，CNN模型根据目标数据集、DNN模型输出结果与朴素贝叶斯输出结果进行决策，分析输出最后的预测结果，从而根据预测结果实现脚本的自动替换，通过组合多个模型增加了拟合性与准确性；通过优化模型中的算法缩短了训练时间；提高了运维效率、节省人工成本、降低人为出错的风险。
附图说明
[0014]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0015]图1为本申请公开的一种模型设计方法流程图；图2为本申请公开的一种具体的模型设计方法流程图；图3为本申本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种模型设计方法，其特征在于，包括：获取目标表数据，并基于所述目标表数据获取对应的数据集；利用预设整合方法对全部所述数据集进行整合，以得到目标数据集；基于所述目标数据集、原始DNN网络模型、原始朴素贝叶斯模型以及原始CNN网络模型构建目标网络模型，以便利用所述目标网络模型对接收到的待分析业务表进行预测，并根据预测结果进行预设脚本替换操作。2.根据权利要求1所述的模型设计方法，其特征在于，所述获取目标表数据，并基于所述目标表数据获取对应的数据集，包括：获取目标业务表对应的目标表数据，并基于所述目标表数据的特征字段数据进行造数，以得到与所述特征字段数据对应的所属情况下的数据集。3.根据权利要求2所述的模型设计方法，其特征在于，所述利用预设整合方法对全部所述数据集进行整合，以得到目标数据集，包括：抽取全部所述数据集的所述特征字段数据，以得到当前数组；对所述当前数组执行预设归一化处理操作，以得到归一化数组；对所述归一化数组中的数据执行预设打标签操作，以得到目标数组，并基于所述目标数组获取所述目标数据集；其中，所述目标数据集包含训练数据、验证数据以及测试数据。4.根据权利要求3所述的模型设计方法，其特征在于，所述基于所述目标数据集、原始DNN网络模型、原始朴素贝叶斯模型以及原始CNN网络模型构建目标网络模型，包括：基于所述目标数据集以及所述原始DNN网络模型获取训练后DNN网络模型；获取所述训练后DNN网络模型对应的第一输出数据，并基于所述第一输出数据以及所述原始朴素贝叶斯模型获取训练后朴素贝叶斯模型；获取所述训练后朴素贝叶斯模型对应的第二输出数据，并基于原始CNN网络模型、所述目标数据集、所述第一输出数据以及所述第二输出数据获取训练后CNN网络模型；基于所述训练后DNN网络模型、所述训练后朴素贝叶斯模型以及所述训练后CNN网络模型构建所述目标网络模型。5.根据权利要求4所述的模型设计方法，其特征在于，所述基于所述目标数据集以及所述原始DNN网络模型获取训练后DNN网络模型，包括：基于所述目标数据集中的所述训练数据与所述验证数据确定DNN模型参数；基于所述DNN模型参数以及所述原始DNN网络模型生成当前DNN网络模型；通过第一预设损失函数与第一预设准确率计算公式调整所述当前DNN网络模型中的所述DNN模型参数，以得到满足当前需求的DNN模型最终参数；基于所述DNN模型最终参数与所述当前DNN网络模型获取所述训练后DNN网络模型。6...
【专利技术属性】
技术研发人员：高庆，沈彬剑，陈文浩，张旭立，王伟，岑浩铭，
申请(专利权)人：税友信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。