逻辑编排预测模型训练方法、逻辑编排方法和装置制造方法及图纸

本申请涉及一种逻辑编排预测模型训练方法、逻辑编排方法、装置、计算机设备、存储介质和计算机程序产品，涉及计算机技术领域，可用于金融科技领域或其他相关领域。该方法包括：针对低代码平台中的每个样本逻辑，构建样本逻辑的语法树；基于语法树，确定样本逻辑的逻辑序列向量；对逻辑序列向量进行滑窗处理，得到样本逻辑的至少一个逻辑序列子向量；将逻辑序列子向量在逻辑序列向量中的下一个向量元素对应的组件，确认为逻辑序列子向量的目标组件；以逻辑序列子向量为输入信息，以逻辑序列子向量的目标组件为监督信息，对待训练的逻辑编排预测模型进行训练，得到训练完成的逻辑编排预测模型。采用本方法，能够提高低代码平台中的逻辑编排效率。中的逻辑编排效率。中的逻辑编排效率。

【技术实现步骤摘要】
逻辑编排预测模型训练方法、逻辑编排方法和装置


[0001]本申请涉及计算机
，特别是涉及一种逻辑编排预测模型训练方法、逻辑编排方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]低代码是一种可视化的应用开发方法；逻辑编排是一种在低代码下的业务功能开发方法，例如开发人员通过拖拽可视化图形组件，将组件有序地组成具有一定业务功能的逻辑，并借助逻辑实现相应的业务功能。
[0003]然而，在基于低代码的逻辑编排过程中，仍然需要依赖于开发人员对于可视化图形组件的主观选择，这容易导致非专业的开发人员难以将精力集中于具有创造性的编程活动中，从而使得低代码平台中的逻辑编排的效率较低。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高低代码平台中的逻辑编排的效率的逻辑编排预测模型训练方法、逻辑编排方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0005]第一方面，本申请提供了一种逻辑编排预测模型训练方法。所述方法包括：
[0006]针对低代码平台中的每个样本逻辑，构建所述样本逻辑的语法树；所述语法树中的各个节点对应组成所述样本逻辑的各个变量，所述变量为组件的实例化对象；
[0007]基于所述语法树，确定所述样本逻辑的逻辑序列向量；所述逻辑序列向量中的一个向量元素对应组成所述样本逻辑的一个变量；
[0008]对所述逻辑序列向量进行滑窗处理，得到所述样本逻辑的至少一个逻辑序列子向量；
[0009]将所述逻辑序列子向量在所述逻辑序列向量中的下一个向量元素对应的组件，确认为所述逻辑序列子向量的目标组件；
[0010]以所述逻辑序列子向量为输入信息，以所述逻辑序列子向量的目标组件为监督信息，对待训练的逻辑编排预测模型进行训练，得到训练完成的逻辑编排预测模型。
[0011]在其中一个实施例中，所述基于所述语法树，确定所述样本逻辑的逻辑序列向量，包括：
[0012]基于所述语法树，确定所述语法树中的各个节点的组件类型特征、组件标识特征以及组件嵌套特征；所述组件嵌套特征用于表征各个组件之间的嵌套关系；
[0013]根据所述组件嵌套特征，确定所述各个节点的节点类型；
[0014]根据所述节点类型，对所述各个节点中的每个节点的组件类型特征、组件标识特征以及组件嵌套特征进行词向量映射处理，得到所述样本逻辑的逻辑序列向量。
[0015]在其中一个实施例中，所述根据所述节点类型，对所述各个节点中的每个节点的组件类型特征、组件标识特征以及组件嵌套特征进行词向量映射处理，包括：
[0016]在所述节点为不存在嵌套的子节点的第一节点的情况下，分别对所述第一节点的组件类型特征、组件标识特征以及组件嵌套特征进行词向量映射处理，得到所述第一节点的组件类型特征向量、组件标识特征向量以及组件嵌套特征向量；
[0017]在所述节点为存在嵌套的子节点的第二节点的情况下，分别对所述第二节点的组件类型特征和组件标识特征进行词向量映射处理，得到所述第二节点的组件类型特征向量和组件标识特征向量，以及，基于所述第二节点嵌套的子节点，对所述第二节点的组件嵌套特征进行词向量映射处理，得到所述第二节点的组件嵌套特征向量。
[0018]在其中一个实施例中，所述以所述逻辑序列子向量为输入信息，以所述逻辑序列子向量的目标组件为监督信息，对待训练的逻辑编排预测模型进行训练，得到训练完成的逻辑编排预测模型，包括：
[0019]通过所述待训练的逻辑编排预测模型中的长短期记忆人工神经网络，对所述逻辑序列子向量进行特征提取处理，得到所述逻辑序列子向量对应的目标向量；
[0020]通过所述待训练的逻辑编辑预测模型中的注意力机制网络，对所述目标向量进行分类处理，得到所述逻辑序列子向量对应的预测组件；
[0021]基于所述预测组件与所述目标组件之间的差异信息，对所述待训练的逻辑编排预测模型进行训练，得到所述训练完成的逻辑编排预测模型。
[0022]在其中一个实施例中，所述待训练的逻辑编排预测模型中的注意力机制网络，通过以下方式得到：
[0023]获取所述低代码平台中组成每个样本逻辑的各个变量的上下文特征向量；
[0024]基于所述各个变量的上下文特征向量，得到所述待训练的逻辑编排预测模型中的注意力机制网络。
[0025]在其中一个实施例中，所述获取所述低代码平台中组成每个样本逻辑的各个变量的上下文特征向量，包括：
[0026]针对每个变量，确定所述变量在对应的样本逻辑的语法树中的当前位置；
[0027]基于所述当前位置，确定所述变量的变量次数特征和变量距离特征；所述变量次数特征用于表征在所述语法树中，在所述当前位置之前出现所述变量的次数；所述变量距离特征用于表征在所述语法树中，所述当前位置与出现所述变量的上一个位置之间的距离；
[0028]基于所述变量的变量次数特征和变量距离特征，得到所述变量的上下文特征向量。
[0029]第二方面，本申请还提供了一种逻辑编排方法。所述方法包括：
[0030]识别逻辑编排界面中的待预测节点，确定所述待预测节点归属的目标逻辑；
[0031]基于所述目标逻辑，确定所述待预测节点对应的逻辑序列子向量；
[0032]将所述待预测节点对应的逻辑序列子向量输入训练完成的逻辑编排预测模型中，得到所述待预测节点关联的至少一个预测组件，以及每个预测组件与所述待预测节点之间的关联度；所述训练完成的逻辑编排预测模型为逻辑编排预测模型训练方法中的训练完成的逻辑编排预测模型；
[0033]按照所述关联度，在所述逻辑编排界面中展示所述至少一个预测组件，基于所述至少一个预测组件对所述目标逻辑进行编排。
[0034]在其中一个实施例中，所述基于所述目标逻辑，确定所述待预测节点对应的逻辑序列子向量，包括：
[0035]基于所述目标逻辑，构建所述目标逻辑的语法树；
[0036]根据所述目标逻辑的语法树中的各个节点的组件类型特征、组件标识特征以及组件嵌套特征，确定所述目标逻辑的逻辑序列向量；
[0037]以所述待预测节点的前一个节点在所述目标逻辑的逻辑序列向量中的向量元素，为所述待预测节点对应的逻辑序列子向量的末位元素，在所述目标逻辑的逻辑序列向量中，提取出对应的向量长度为预设长度的子向量，作为所述待预测节点对应的逻辑序列子向量。
[0038]第三方面，本申请还提供了一种逻辑编排预测模型训练装置。所述装置包括：
[0039]语法构建模块，用于针对低代码平台中的每个样本逻辑，构建所述样本逻辑的语法树；所述语法树中的各个节点对应组成所述样本逻辑的各个变量，所述变量为组件的实例化对象；
[0040]序列确定模块，用于基于所述语法树，确定所述样本逻辑的逻辑序列向量；所述逻辑序列向量中的一个向量元素对应组成所述样本逻辑的一个变量；
[0041]滑窗处理模块，用于对所述逻辑序列向量进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种逻辑编排预测模型训练方法，其特征在于，所述方法包括：针对低代码平台中的每个样本逻辑，构建所述样本逻辑的语法树；所述语法树中的各个节点对应组成所述样本逻辑的各个变量，所述变量为组件的实例化对象；基于所述语法树，确定所述样本逻辑的逻辑序列向量；所述逻辑序列向量中的一个向量元素对应组成所述样本逻辑的一个变量；对所述逻辑序列向量进行滑窗处理，得到所述样本逻辑的至少一个逻辑序列子向量；将所述逻辑序列子向量在所述逻辑序列向量中的下一个向量元素对应的组件，确认为所述逻辑序列子向量的目标组件；以所述逻辑序列子向量为输入信息，以所述逻辑序列子向量的目标组件为监督信息，对待训练的逻辑编排预测模型进行训练，得到训练完成的逻辑编排预测模型。2.根据权利要求1所述的方法，其特征在于，所述基于所述语法树，确定所述样本逻辑的逻辑序列向量，包括：基于所述语法树，确定所述语法树中的各个节点的组件类型特征、组件标识特征以及组件嵌套特征；所述组件嵌套特征用于表征各个组件之间的嵌套关系；根据所述组件嵌套特征，确定所述各个节点的节点类型；根据所述节点类型，对所述各个节点中的每个节点的组件类型特征、组件标识特征以及组件嵌套特征进行词向量映射处理，得到所述样本逻辑的逻辑序列向量。3.根据权利要求2所述的方法，其特征在于，所述根据所述节点类型，对所述各个节点中的每个节点的组件类型特征、组件标识特征以及组件嵌套特征进行词向量映射处理，包括：在所述节点为不存在嵌套的子节点的第一节点的情况下，分别对所述第一节点的组件类型特征、组件标识特征以及组件嵌套特征进行词向量映射处理，得到所述第一节点的组件类型特征向量、组件标识特征向量以及组件嵌套特征向量；在所述节点为存在嵌套的子节点的第二节点的情况下，分别对所述第二节点的组件类型特征和组件标识特征进行词向量映射处理，得到所述第二节点的组件类型特征向量和组件标识特征向量，以及，基于所述第二节点嵌套的子节点，对所述第二节点的组件嵌套特征进行词向量映射处理，得到所述第二节点的组件嵌套特征向量。4.根据权利要求1所述的方法，其特征在于，所述以所述逻辑序列子向量为输入信息，以所述逻辑序列子向量的目标组件为监督信息，对待训练的逻辑编排预测模型进行训练，得到训练完成的逻辑编排预测模型，包括：通过所述待训练的逻辑编排预测模型中的长短期记忆人工神经网络，对所述逻辑序列子向量进行特征提取处理，得到所述逻辑序列子向量对应的目标向量；通过所述待训练的逻辑编辑预测模型中的注意力机制网络，对所述目标向量进行分类处理，得到所述逻辑序列子向量对应的预测组件；基于所述预测组件与所述目标组件之间的差异信息，对所述待训练的逻辑编排预测模型进行训练，得到所述训练完成的逻辑编排预测模型。5.根据权利要求4所述的方法，其特征在于，所述待训练的逻辑编排预测模型中的注意力机制网络，通过以下方式得到：获取所述低代码平台中组成每个样本逻辑的各个变量的上下文特征向量；
基于所述各个变量的上下文特征向量，得到所述待训练的逻辑编排预测模型中的注意力机制网络。6.根据权利要求5所述的方法，其特征在于，所述获取所述低代码平台中组成每个样本逻辑的各个变量的上下文特征向量，包括：针对每个变量，确定所述变量在对应的样本逻辑的语法树中的当前位置；基于所述当前位置，确定所述变量的变量次数特征和变量距离特征；所述变量次数特征用于表征在所述语法树中，在所述当前位置之前出现所述变量的次数；所述变量距离特征用于表征在所述语法树中，所述当前位置与出现所述变量的上一个位置之间的距离；基于所述变量的变量次数特征和变量距离特征，得...

【专利技术属性】
技术研发人员：王立林，杨丹，朱毅文，张丹枫，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：