[发明专利]核对异常原因的识别方法、装置、服务器和存储介质

说明书

本发明实施例提供了一种核对异常原因的识别方法、装置、服务器和存储介质。该核对异常原因的识别方法包括：获取核对异常时产生的异常数据；根据预设分类器对所述异常数据进行预测得到异常原因；将所述异常原因通知用户。通过预设分类器对异常数据预测直接得到异常原因，达到降低人力成本，提高分析异常原因的效率的效果。

技术领域

本发明实施例涉及业务核对技术领域，尤其涉及一种核对异常原因的识别方法、装置、服务器和存储介质。

背景技术

随着计算机的迅速发展，利用计算机实现自动的业务核对也越来越普遍。

目前，在使用核对系统进行业务的核对时，正常情况下会在每天的一个预设时间去批量运行一次核对脚本，对各业务场景的数据进行核对。在核对时产生的异常数据，由相关人员去核实处理，分析异常原因，运营部门每天会统计差异数量和对应的差异原因。

然而，核对差异每日不尽相同，异常原因不同定位复杂，所以导致浪费大量人力去核实异常问题。尤其是出现大量差异时，人工还没分析出异常原因，又会新增异常，大大影响了效率。

发明内容

本发明实施例提供一种核对异常原因的识别方法、装置、服务器和存储介质，以实现降低人力成本，提高分析异常原因的效率的效果。

第一方面，本发明实施例提供了一种核对异常原因的识别方法，包括：

获取核对异常时产生的异常数据；

根据预设分类器对所述异常数据进行预测得到异常原因；

将所述异常原因通知用户。

可选的，在所述根据预设分类器对所述异常数据进行预测得到异常原因之前，包括：

获取至少一组历史异常数据；

标识每一组历史异常数据对应的历史异常原因；

将标识后的历史异常数据作为训练数据；

基于所述训练数据对分类器进行训练得到所述预设分类器。

可选的，分类器包括多个子分类器，所述基于所述训练数据对分类器进行训练得到所述预设分类器，包括：

基于所述训练数据对所述多个子分类器进行训练；

对训练好的多个子分类器进行交叉验证，确定每一个子分类器的预测准确程度；

将所述预测准确程度最高的子分类器作为所述预设分类器对所述异常数据进行预测。

可选的，所述获取核对异常时产生的异常数据，包括：

获取不同业务场景下核对异常产生的异常数据。

可选的，所述历史异常数据包括业务场景标识、发生时间、异常时间间隔和/或异常频率，所述标识每一组历史异常数据对应的历史异常原因，包括：

标识业务场景ID、发生时间、异常时间间隔和/或异常频率对应的历史异常原因。

可选的，所述预设分类器通过监督学习模型进行训练。

可选的，所述预设分类器包括决策树、逻辑回归、朴素贝叶斯、机器学习等其中的一项或多项。

第二方面，本发明实施例提供了一种核对异常原因的识别装置，包括：

获取模块，用于获取核对异常时产生的异常数据；

预测模块，用于根据预设分类器对所述异常数据进行预测得到异常原因；

通知模块，用于将所述异常原因通知用户。

第三方面，本发明实施例提供了一种服务器，包括：