【技术实现步骤摘要】
一种程序异常文本信息维护方法、装置及存储介质
[0001]本公开涉及文本处理、机器学习领域,并且更具体地,涉及一种程序异常文本信息维护方法、装置及存储介质。
技术介绍
[0002]程序员在编写程序时,处理异常是一项重要的技巧和工作。在遇到异常情况时,大多时候需要把异常的文本信息写死在程序里,如果该程序的最终用户群处于不同语言区,则可能出现最终用户不理解程序所抛出的异常信息。但是,如果让程序员将异常信息处理成多语言,势必增加其工作量,而且不易维护,比如要增加一个语种,就需要修改程序,然后经历版本发布流程。因此,现有技术中,对于程序异常处理的方式有待优化。
技术实现思路
[0003]有鉴于此,本公开实施例至少提供一种程序异常文本信息维护方法、装置及存储介质,以改善以上问题。
[0004]根据本公开实施例的一个方面,提供了一种程序异常文本信息维护方法,应用于计算机设备,所述方法包括:获取目标用户抛出的目标异常描述文本,所述目标异常描述文本为针对目标异常程序代码的写死信息,所述目标异常描述文本的描述语言为第一语言;将所述目标异常描述文本输入程序异常类型识别算法,并基于所述程序异常类型识别算法识别所述目标异常描述文本对应的目标程序异常类型;判断所述目标程序异常类型是否持久化在预设的异常数据库中;当不存在持久化情况时将所述目标程序异常类型持久化在所述预设的异常数据库,并将所述目标异常描述文本翻译成除所述第一语言外的其他预设类型的第二语言,得到翻译目标异常描述文本,建立所述目标程序异常类型与第一语言和第二语 ...
【技术保护点】
【技术特征摘要】
1.一种程序异常文本信息维护方法,其特征在于,应用于计算机设备,所述方法包括:获取目标用户抛出的目标异常描述文本,所述目标异常描述文本为针对目标异常程序代码的写死信息,所述目标异常描述文本的描述语言为第一语言;将所述目标异常描述文本输入程序异常类型识别算法,并基于所述程序异常类型识别算法识别所述目标异常描述文本对应的目标程序异常类型;判断所述目标程序异常类型是否持久化在预设的异常数据库中;当不存在持久化情况时,将所述目标程序异常类型持久化在所述预设的异常数据库,并将所述目标异常描述文本翻译成除所述第一语言外的其他预设类型的第二语言,得到翻译目标异常描述文本,建立所述目标程序异常类型与第一语言和第二语言的目标异常描述文本的映射关系;当存在持久化情况时,调取已持久化的目标程序异常类型的其他预设类型的第二语言,得到翻译目标异常描述文本,建立所述目标程序异常类型与第一语言和第二语言的目标异常描述文本的映射关系;所述程序异常类型识别算法的训练步骤包括:获取异常描述文本模板库,其中,所述异常描述文本模板库包括各异常描述文本模板;将所述各异常描述文本模板输入到异常识别迁移前算法,获得所述各异常描述文本模板的多维数组关系网Map1,通过所述多维数组关系网Map1,基于异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info1,其中,所述异常挖掘网络为通过所述异常识别迁移前算法训练以获得;将所述各异常描述文本模板输入到异常识别迁移后算法,获得所述各异常描述文本模板的多维数组关系网Map2,通过所述多维数组关系网Map2和所述多维数组关系网Map1,基于所述异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info2;通过所述各异常描述文本模板的所述程序异常信息Ab_info2和所述程序异常信息Ab_info1,训练所述异常识别迁移后算法,在达到收敛条件时得到程序异常类型识别算法。2.根据权利要求1所述的方法,其特征在于,所述通过所述多维数组关系网Map1,基于异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info1,包括:通过所述异常挖掘网络中目标基础数组和所述多维数组关系网Map1,基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net1',获得匹配数组;通过所述匹配数组和所述多维数组关系网Map1,基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net2',获得所述程序异常信息Ab_info1;所述通过所述多维数组关系网Map2和所述多维数组关系网Map1,基于所述异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info2,包括:通过所述异常挖掘网络中目标基础数组和所述多维数组关系网Map1,基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net1',获得匹配数组;通过所述匹配数组和所述多维数组关系网Map2,基于所述异常挖掘网络的目标互显著性特征挖掘网络In_Net2',获得所述程序异常信息Ab_info2。3.根据权利要求2所述的方法,其特征在于,所述程序异常信息Ab_info1包括目标异常描述内容Content1和目标定位信息Locate1,所述程序异常信息Ab_info2包括目标异常描述内容Content2和目标定位信息Locate2;所述异常挖掘网络包括异常挖掘网络D_Net1和
异常挖掘网络D_Net2,所述异常挖掘网络D_Net1用以挖掘所述目标异常描述内容Content1或所述目标异常描述内容Content2,所述异常挖掘网络D_Net1至少包括互显著性特征挖掘网络In_Net1和互显著性特征挖掘网络In_Net2;所述异常挖掘网络D_Net2用以挖掘所述目标定位信息Locate1或目标定位信息Locate2,所述异常挖掘网络D_Net2至少包括互显著性特征挖掘网络In_Net3和互显著性特征挖掘网络In_Net4。4.根据权利要求3所述的方法,其特征在于,所述异常识别迁移后算法的收敛条件包括:算法的迭代轮次到达预设的轮次或目标代价函数的两次迭代之间的权值变化小于阈值;所述目标代价函数至少包括第一代价函数和第二代价函数的代价整合结果,所述第一代价函数为所述目标异常描述内容Content1和所述目标异常描述内容Content2之间的代价函数,所述第二代价函数为所述目标定位信息Locate1和所述目标定位信息Locate2之间的代价函数。5.根据权利要求3所述的方法,其特征在于,所述通过所述多维数组关系网Map1,基于异常挖掘网络确定所述各异常描述文本模板的程序异常信息Ab_info1,包括:将所述多维数组关系网Map1输入到所述异常挖掘网络D_Net1,通过所述异常挖掘网络D_Net1中的第一基础数组和所述多维数组关系网Map1,基于所述互显著性特征挖掘网络In_Net1得到第一匹配数组,以及通过所述第一匹配数组和所述多维数组关系网Map1,基于所述互显著性特征挖掘网络In_Net2得到所述目标异常描述内容Content1;将所述多维数组关系网Map1输入到所述异常挖掘网络D_Net2,通过所述异常挖掘网络D_Net2中的第二基础数组和所述多维数组关系网Map1,基于所述互显著性特征挖掘网络In_Net3得到第二匹配数组,以及通过所述第二匹配数组和所述多维数组关系网Map1,基于所述互显著性特征挖掘网络In_Net4得到所述目标定位信息Locate1,其中,所述第二基础数组与所述各异...
【专利技术属性】
技术研发人员:胡树,郑亚飞,周黎,周洋旭,刘彭闵,耿莉萍,刘勇,丁鹏,魏渊,梁凯,
申请(专利权)人:成都智慧锦城大数据有限公司,
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。