[发明专利]一种事件检测的方法及装置

说明书

本申请提供了一种事件检测的方法及装置，其中，该方法包括：接收多个历史事件分别对应的历史信息和标签，构成训练样本集合，基于从所述训练样本集合中获取的历史信息，对判定模型进行训练，直至确定所述判定模型训练完成；然后接收待判定事件，并基于所述待判定事件的信息以及训练完成的判定模型，确定所述待判定事件的判定结果。通过上述方法训练出的判定模型对待判定事件进行判定时，可以提升判定结果的准确率，有效避免误判现象。

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种事件检测的方法及装置。

背景技术

服务系统中的服务器可以实时监测每个服务事件的执行状态，当监测到某一服务事件的执行状态异常后，往往需要判别引起该服务事件异常的责任方是服务提供端还是服务请求端，进而向该服务事件的服务提供端和服务请求端发出警告信息。

目前，服务器在识别引起该服务事件异常的责任方时，可以通过逻辑回归(Logistic Regression，LR)模型来识别服务提供端或服务请求端被判定为责任方的概率。但是，LR模型在应用之前，需要训练样本集中的数据对LR模型进行训练，而训练样本集中需要对每个训练样本数据标注一个标签，以标识该训练样本对应的服务事件的责任方。标注的标签的准确度直接影响了LR模型的识别准确率。但是，在上述方案中标签的标注方式是利用预先定好的规则来固定配置的，例如，若服务器识别出服务提供端未按约定时间执行服务导致服务事件被取消，那么服务器可以自动为该服务事件标注上“服务提供端”的标签。但是，实际上这种标注标签的方式较为片面，鉴于这种标签标注方式的局限性，也会进一步影响到识别结果的准确率，容易造成误判。

发明内容

有鉴于此，本申请的目的在于提供一种事件检测的方法及装置，以提升事件判定结果的准确率，避免误判现象。

第一方面，本申请提供了一种事件检测的装置，包括：

接收模块，用于接收多个历史事件分别对应的历史信息和标签，构成训练样本集合，其中所述标签用于标识所述历史事件发生异常的判定结果；

模型生成模块，用于执行以下训练过程：基于获取的历史信息和判定模型，确定每个历史事件发生异常的判定结果的发生概率；基于发生概率大于第一数值的第一类历史事件分别对应的判定结果和标签、以及发生概率小于第二数值的第二类历史事件分别对应的判定结果和标签，训练所述判定模型；并将发生概率处于所述第一数值和所述第二数值之间的第三类历史事件分别对应的标签进行调整后，重新加入至所述训练样本集合中，作为下一轮训练所述判定模型的训练样本；重复执行所述训练过程，直至确定所述判定模型训练完成，其中，所述第一数值大于所述第二数值；

所述接收模块，还用于接收待判定事件；

事件检测模块，用于基于所述待判定事件的信息以及训练完成的判定模型，确定所述待判定事件的判定结果。

一种可能的设计中，所述模型生成模块，在基于获取的历史信息和判定模型，确定每个历史事件发生异常的判定结果的发生概率时，具体用于：

将每个历史事件对应的历史信息转换为历史信息特征向量；

将转换后的历史信息特征向量输入至所述判定模型中，输出每个历史事件发生异常的判定结果的发生概率。

一种可能的设计中，所述模型生成模块，在基于发生概率大于第一数值的第一类历史事件分别对应的判定结果和标签、以及发生概率小于第二数值的第二类历史事件分别对应的判定结果和标签，训练所述判定模型时，具体用于：

基于发生概率大于第一数值的第一类历史事件分别对应的判定结果和标签、以及发生概率小于第二数值的第二类历史事件分别对应的判定结果和标签，计算本次训练过程的损失值；

若所述损失值不满足预设收敛条件，则调整所述判定模型的模型参数并利用调整后的判定模型进行下一轮训练过程。