(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210852881.4 (22)申请日 2022.07.20 (71)申请人 南京邮电大 学 地址 210003 江苏省南京市 鼓楼区新模范 马路66号 (72)发明人 曹陈涵　夏彬　骆冰清　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 专利代理师 杭行 (51)Int.Cl. G06Q 10/00(2012.01) G06F 16/901(2019.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种面向运维工单的自动化处 理方法 (57)摘要 本发明是一种面向运维工单的自动化处理 方法， 构建用户工单数据集和系统工单数据集， 对数据集进行训练， 获得运维工 单SVM分类器， 构 建运维工单节点依赖关系图， 采用图卷积网络 GCN模型获得节点的特征向量， 获取解决方案的 特征向量表示， 确定运维工单所属类别， 获得待 解决运维工单的序列特征向量表示和主题特征 向量表示， 计算待解决工单特征向量和该节点下 所有解决方案特征向量的相似度， 选取相似度最 高的解决方案作为待解决工单的解决方案。 本发 明为后续工单处理提供了更准确的信息， 提高故 障节点发现速度， 增强节点信息表示， 用多个历 史工单描述特征融合表示解决方案， 增强了解决 方案的特征表 示， 提高了运维工单和解决方案匹 配的准确度。 权利要求书3页 说明书6页 附图1页 CN 115169612 A 2022.10.11 CN 115169612 A 1.一种面向运维工单的自动化处理方法， 其特征在于： 所述自动化处理方法包括如下 步骤： 步骤1： 采集历史运维工单数据， 根据工单生成方式为用户提交或系统生成， 分别构建 用户工单 数据集和系统工单 数据集； 步骤2： 对步骤1构件的用户工单数据集和系统工单数据集采用SVM分类模型训练， 获得 运维工单SVM分类 器； 步骤3： 统计用户工单数据集和系统工单数据集中历史运维工单的节点信息， 构建运维 工单节点依赖关系图； 步骤4： 对所述运维工单节点依赖关系图的每个节点， 分别选取属于该节点的用户工单 和系统工单， 采用图卷积网络GCN模型获得节点的用户工单特征向量表示和系统工单特征 向量表示； 步骤5： 对所述运维工单节点依赖关系图中每个节点下的不同的工单解决方案， 每个解 决方案选取属于该解决方案的历史用户工单描述和历史系统工单描述， 获取该解决方案的 用户序列特 征向量表示和系统主题特 征向量表示； 步骤6： 获取待解决运维工单描述信息， 并对待解决运维工单描述信息进行文本预处 理， 采用步骤2获得的所述 运维工单SVM分类 器进行分类， 确定运维工单 所属类别； 步骤7： 根据步骤6 中确定的运维工单所属类别， 选择模型输入运维工单描述信息， 获得 待解决运维工单的序列特 征向量表示和运维工单的主题特 征向量表示； 步骤8： 计算待解决的序列特征向量表示和运维工单的主题特征向量表示与步骤4获得 的用户工单特征向量和系统工单特征向量的相似度， 选取相似度最高的节点作为待解决工 单的故障节点； 步骤9： 根据步骤8选取的故障节点， 计算待解决工单特征向量和该节点下所有解决方 案特征向量的相似度， 选取相似度最高的解决方案作为待解决工单的解决方案 。 2.根据权利要求1所述的一种面向运维工单的自动化处理方法， 其特征在于： 在所述步 骤4中， 采用图卷积网络 GCN获得节点的用户工单特征向量表示和系统工单特征向量表 示方 式包括如下步骤： 步骤4‑1： 对运维工单节点依赖关系图的每个节点， 选取K个属于该节点的用户工单描 述进行拼接组成节点的用户特征信息Nu， 选取K个属于该节点的系统工单描述进行拼接组 成节点的系统特 征信息Ns； 步骤4‑2： 将系统节点的依赖关系用M*M维邻接矩阵A表示， 其中M为节点数量， A[i][j] 表示节点之 间的依赖关系， 依赖关系的权重为该依赖关系在历史工单描述故障节点和实际 故障节点路径中的出现次数， A[i][i]＝0表示节点间不存在依赖关系； 步骤4‑3： 对于用户工单， 通过word2vec将节点用户特征信息Tu转为节点词向量表示Hu， 将所述节点向量表示Hu和邻接矩阵A输入用户图卷积网络GCN模型， 获得节点的用户工单特 征向量表示Hu’； 步骤4‑4： 对于系统工 单， 通过计算词频 ‑逆文档频率将工 单系统特征信息Ts转为向量化 表示Hs， 将节点向量表示Hs和邻接矩阵A输入用户图卷积网络GC N模型， 获得节点的系统工单 特征向量表示Hs’。 3.根据权利要求2所述的一种面向运维工单的自动化处理方法， 其特征在于： 所述图卷权　利　要　求　书 1/3 页 2 CN 115169612 A 2积网络GCN模型的公式如下： 其中， 为A+I， I为单位矩阵， 为节点入度矩阵， H(l)为节点l层特征表示， W(l)为模型l 层权重矩阵， α 为非线性变换。 4.根据权利要求1所述的一种面向运维工单的自动化处理方法， 其特征在于： 步骤5 中， 取该解决方案的用户序列特 征向量表示和系统主题特 征向量表示包括如下步骤： 步骤5‑1： 对不同的解决方案， 每个解决方案选取X个与该解决方案相匹配的历史用户 工单描述， 并进行文本预处 理， 每个工单描述 通过word2vec转换为词嵌入向量表示Ru； 步骤5‑2： 将所述词嵌入向量表示Ru依次输入LSTM模型中获得X个含有序列信息的工单 描述特征向量， 将所述工单特征向量进行横向加和平均， 获得该解决方案的用户序列特征 向量Ru’； 步骤5‑3： 对不同的解决方案， 每个解决方案选取X个与该解决方案相匹配的历史系统 工单描述， 并进行文本预处理， 每个工单描述通过计算词频 ‑逆文档频率转换为向量表示 Rs； 步骤5‑4： 将所述向量表示Rs依次输入 LDA模型中获得X个含有主题分布的工 单描述特征 向量， 将所述工单 特征向量进行横向加 和平均， 获得 该解决方案的系统主题特 征向量Rs’。 5.根据权利要求1所述的一种面向运维工单的自动化处理方法， 其特征在于： 所述步骤 7中， 获得待解决运维工单 的序列特征向量表示和运维工单 的主题特征向量表示包括如下 步骤： 步骤7‑1： 对待解决运维工单的描述信息进行文本预处理， 输入所述SVM分类器， 获得待 解决运维工单 所属类别； 步骤7‑2： 若待解决运维工单为用户工单， 将描述信息通过word2vec转化为词嵌入向量 表示， 输入LSTM模型， 获得待解决运维工单的序列特 征向量表示Tu； 步骤7‑3： 若待解决运维工单为系统工单， 将描述信息通过计算词频 ‑逆文档频率转化 为向量表示， 输入LDA模型， 获得待解决运维工单的主题特 征向量表示Ts。 6.根据权利要求1所述的一种面向运维工单的自动化处理方法， 其特征在于： 所述步骤 8中匹配待解决运维工单故障节点的方式包括如下步骤： 步骤8‑1： 根据待解决运维工单描述故障节点， 选择运维工单节点依赖关系图对应节点 和上游依赖节点； 步骤8‑2： 根据待解决运维工单的类别， 计算待解决运维工单描述节点特征向量Tu或Ts 与所选节点特征向量[Hu1’,Hu2’,…,Hul’]或[Hs1’,Hs2’,…,Hsl’]的余弦相似度， 选 择相似度 最高的节点作为待解决运维工单的故障节点， 其中l 为所选节点路径长度。 7.根据权利要求1所述的一种面向运维工单的自动化处理方法， 其特征在于： 所述步骤 9中匹配待解决运维工单解决方案的方式包括如下步骤： 步骤9‑1： 根据选择待解决运维工单故障节点， 选择属于该节点的所有历史解决方案； 步骤9‑2： 根据待解决运维工单的类别， 计算待解决运维工单描述节点特征向量Tu或Ts 与所选解决方案 特征向量[Ru1’,Ru2’,…,Ruv’]或[Rs1’,Rs2’,…,Rsv’]的余弦相似度， 选 择相 似度最高的解决方案作为待解决运维工单的解决方案， 其中v为该节点下解决方案的数量。权　利　要　求　书 2/3 页 3 CN 115169612 A 3