查询语句处理方法、查询语句分类模型的构建方法、装置与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本公开涉及计算机技术领域和人工智能技术领域，更具体地，涉及一种查询语句处理方法、查询语句分类模型的构建方法、装置、设备、介质及程序产品。背景技术：2.查询语句，即sql(structured query language)语句是用于对数据库进行操作的语言。通过执行sql语句可以对数据库进行查询、更新、管理等操作。通常可以将sql语句中，执行时长大于时间阈值的sql语句确定为慢sql语句，通过对慢sql语句中的异常sql语句进行优化，来实现提升数据库整体运行效率。3.在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：识别异常sql语句较为依赖经验判断，识别效率与识别准确率较低。技术实现要素：4.有鉴于此，本公开提供了一种查询语句处理方法、查询语句分类模型的构建方法、装置、设备、介质及程序产品。5.本公开的一个方面提供了一种查询语句处理方法，包括：6.将待分类的查询语句信息的监控指标集合输入至指标特征提取模块，输出指标特征信息，其中，上述监控指标集合包括执行上述查询语句信息产生的监控指标；7.将上述指标特征信息输入至第一分类模块，输出上述查询语句信息的第一分类结果；8.将上述查询语句信息输入至第二分类模块，输出上述查询语句信息的第二分类结果；以及9.根据上述第一分类结果与上述第二分类结果，确定上述查询语句信息的异常情况。10.根据本公开的实施例，上述指标特征提取模块包括时序特征提取子模块与波动特征提取子模块；11.将待分类的查询语句信息的监控指标集合输入至指标特征提取模块，输出指标特征信息包括：12.将上述监控指标集合输入至上述时序特征提取子模块，输出上述时序特征信息；13.将上述监控指标集合输入至上述波动特征提取子模块，输出上述波动特征信息；以及14.基于上述时序特征信息与上述波动特征信息，确定上述指标特征信息。15.根据本公开的实施例，上述监控指标包括多个，每个上述监控指标具有对应的指标类别，上述指标类别包括n个，上述时序特征提取子模块包括第一卷积层与第二卷积层，上述第一卷积层包括l个第一卷积子层，l≥2，n≥2；16.将上述监控指标集合输入至上述波动特征提取子模块，输出上述波动特征信息包括：17.按照上述监控指标具有的指标类别，将上述监控指标集合划分为n个监控指标子集，其中，每个上述监控指标子集中的监控指标具有相同的上述指标类别；18.根据n个上述监控指标子集，确定l个监控指标子集组，其中，每个上述监控指标子集组包括m个上述监控指标子集，n≥m≥2；19.将l个上述监控指标子集组中的每个监控指标，分别输入至l个上述第一卷积子层中不同的第一卷积子层，输出l个初始波动特征信息；以及20.将l个上述初始波动特征信息输入至上述第二卷积层，输出上述波动特征信息。21.根据本公开的实施例，上述第二卷积层包括顺序连接的多个第二卷积子层。22.根据本公开的实施例，上述时序特征提取子模块包括时序特征提取层，上述时序特征提取层包括以下至少一项：23.循环神经网络层、长短期记忆网络层、双向长短期记忆网络层、门控循环神经网络层。24.根据本公开的实施例，上述第二分类模块包括依次连接的语义编码层、语义特征提取层和第二分类层。25.根据本公开的实施例，在将上述查询语句信息输入至第二分类模块之前，上述查询语句处理方法还包括：26.基于预设算法对上述查询语句信息进行降维处理，得到降维处理后的查询语句信息。27.根据本公开的实施例，根据上述第一分类结果与上述第二分类结果，确定上述查询语句的异常情况包括：28.在上述第一分类结果与上述第二分类结果均表征上述查询语句信息异常的情况下，确定上述查询语句的异常情况为严重异常。29.本公开的另一个方面提供了一种查询语句分类模型的构建方法，包括：30.获取训练样本和与上述训练样本对应的样本标签，其中，上述训练样本包括样本查询语句信息和上述样本查询语句信息对应的样本监控指标集合；31.利用上述样本监控指标集合与上述样本标签，训练包含有初始指标特征提取模块和初始第一分类模块的初始第一分类子模型，得到训练后的第一分类子模型，其中，上述第一分类子模型包括训练后的指标特征提取模块和训练后的第一分类模块；32.利用上述样本查询语句信息训练包含有初始第二分类模块的初始第二分类子模型，得到训练后的第二分类子模型，其中，上述第二分类子模型包括训练后的第二分类模块；33.根据上述第一分类子模型和上述第二分类子模型，构建查询语句分类模型，其中，上述查询语句分类模型用于实现上述的查询语句处理方法。34.根据本公开的实施例，利用上述样本监控指标集合与上述样本标签，训练包含有初始指标特征提取模块和初始第一分类模块的初始第一分类子模型，得到训练后的第一分类子模型包括：35.根据上述样本监控指标的时间属性，利用预设时序滑动窗口从上述样本监控指标集合中采集样本监控指标，得到多个时序样本监控指标子集，其中，每个上述时序样本监控指标子集各自对应有不同的样本历史时间段；36.将多个上述时序样本监控指标子集中的每个分别输入至不同的第一样本特征提取层，每个上述第一样本特征提取层各自输出相对应的第一样本特征信息；37.将上述样本监控指标集合输入至上述初始指标特征提取模块，输出样本指标特征信息；38.将上述样本指标特征信息和上述第一样本特征信息进行特征融合，得到第一融合特征信息；39.将上述第一融合特征信息输入至上述初始第一分类子模型，输出第一预测标签；40.根据上述第一预测标签和上述样本标签训练上述初始指标特征提取模块和上述初始第一分类模块，得到训练后的第一分类子模型。41.根据本公开的实施例，上述第一预测标签包括无法表征上述样本查询语句信息异常情况的模糊预测标签；42.上述查询语句分类模型的构建方法还包括：43.根据上述样本查询语句信息与上述时序样本监控指标子集中样本监控指标的关联关系，利用上述模糊预测标签从多个上述时序样本监控指标子集中确定模糊样本监控指标，其中，与上述模糊样本监控指标关联的样本查询语句信息具有上述模糊预测标签；44.将上述模糊样本监控指标和多个上述时序样本监控指标子集分别输入至不同的第二样本特征提取层，每个上述第二样本特征提取层各自输出相对应的第二样本特征信息；45.将上述样本指标特征信息、上述第一样本特征信息、上述第二样本特征信息进行特征融合，得到第二融合特征信息；46.将上述第二融合特征信息输入至上述初始第一分类模块，输出第二预测标签，其中，上述第二预测标签包括上述模糊标签；47.其中，上述根据上述第一预测标签和上述样本标签训练上述初始指标特征提取模块和上述初始第一分类模块包括：48.利用上述样本监控指标集合、上述样本标签、多个上述时序样本监控指标子集构成的第一时序样本集、多个上述时序样本监控指标子集与模糊样本监控指标构成的第二时序样本集，迭代地训练上述初始指标特征提取模块和上述初始第一分类模块，直至上述初始第一分类子模型输出的第二预测标签中，上述模糊样本标签的数量为零，得到训练后的第一分类子模型。49.根据本公开的实施例，上述样本查询语句信息包括多个；50.利用上述样本查询语句信息训练包含有初始第二分类模块的初始第二分类子模型，得到训练后的第二分类子模型包括：51.利用预设聚类算法处理上述样本查询语句信息，得到样本聚类结果，其中，上述样本聚类结果包括样本聚类子集和上述样本聚类子集的样本聚类标识；52.根据上述样本聚类子集中的样本查询语句信息的样本标签，确定与上述样本聚类子集关联的上述样本聚类标识的聚类样本标签；53.利用上述样本聚类标识和上述样本聚类标识对应的聚类样本标签，训练上述初始第二分类子模型，得到训练后的第二分类子模型。54.根据本公开的实施例，在利用预设聚类算法处理上述样本查询语句信息之前，上述构建方法还包括：55.基于预设算法对上述样本查询语句信息进行降维处理，得到降维处理后的样本查询语句信息。56.本公开的另一方面还提供了一种查询语句处理装置，包括：57.特征提取模块，用于将待分类的查询语句信息的监控指标集合输入至指标特征提取模块，输出指标特征信息，其中，上述监控指标集合包括执行上述查询语句信息产生的监控指标；58.第一分类模块，用于将上述指标特征信息输入至第一分类模块，输出上述查询语句信息的第一分类结果；59.第二分类模块，用于将上述查询语句信息输入至第二分类模块，输出上述查询语句信息的第二分类结果；以及60.确定模块，用于根据上述第一分类结果与上述第二分类结果，确定上述查询语句信息的异常情况。61.本公开的另一方面还提供了一种查询语句分类模型的构建装置，包括：62.样本获取模块，用于获取训练样本和与上述训练样本对应的样本标签，其中，上述训练样本包括样本查询语句信息和上述样本查询语句信息对应的样本监控指标集合；63.第一训练模块，用于利用上述样本监控指标集合与上述样本标签，训练包含有初始指标特征提取模块和初始第一分类模块的初始第一分类子模型，得到训练后的第一分类子模型，其中，上述第一分类子模型包括训练后的指标特征提取模块和训练后的第一分类模块；64.第二训练模块，用于利用上述样本查询语句信息训练包含有初始第二分类模块的初始第二分类子模型，得到训练后的第二分类子模型，其中，上述第二分类子模型包括训练后的第二分类模块；65.构建模块，用于根据上述第一分类子模型和上述第二分类子模型，构建查询语句分类模型，其中，上述查询语句分类模型用于实现上述的查询语句处理方法。66.本公开的另一个方面提供了一种电子设备，包括：67.一个或多个处理器；68.存储器，用于存储一个或多个程序，69.其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。70.本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。71.本公开的另一方面提供了一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。72.根据本公开的实施例，通过指标特征提取模块提取待分类的查询语句信息的监控指标的指标特征信息，并将指标特征信息输入至第一分类模块，使得到的第一分类结果可以从执行查询语句信息产生的监控指标方面分析查询语句的异常情况。同时，将查询语句信息输入至第二分类模块，可以对查询语句信息的语义特性信息进行分析，从而使得到的第二分类结果可以反映查询语句信息的语义特征，拓展了确定查询语句的异常情况的分析范围，根据第一分类结果和第二分类结果来确定查询语句的异常情况，可以在综合考虑执行查询语句信息产生的监控指标，以及查询语句的语义特征信息的基础上，确定查询语句的异常情况，从而可以提升，异常查询语句的识别准确率，且该方法基于第一分类模块与第二分类模块自动执行，至少部分克服了识别异常查询语句过于依赖经验判断的技术问题，达到了提升异常查询语句识别效率的技术效果。附图说明73.通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：74.图1示意性示出了根据本公开实施例的查询语句处理方法和装置的示例性系统架构图；75.图2示意性示出了根据本公开实施例的查询语句处理方法的流程图；76.图3示意性示出了根据本公开实施例的查询语句处理方法的流程图；77.图4示意性示出了根据本公开实施例的查询语句处理方法的流程图；78.图5示意性示出了根据本公开实施例的查询语句处理方法的应用场景图；79.图6示意性示出了根据本公开实施例的查询语句分类模型的构建方的流程图；80.图7a示意性示出了根据本公开实施例的利用样本监控指标集合与样本标签，训练包含有初始指标特征提取模块和初始第一分类模块的初始第一分类子模型的流程图；81.图7b示意性示出了根据本公开实施例的查询语句分类模型的构建方法的应用场景图；82.图8示意性示出了根据本公开另一实施例的查询语句分类模型的构建方法的应用场景图；83.图9示意性示出了根据本公开的实施例的查询语句处理装置的框图；84.图10示意性示出了根据本公开的实施例的查询语句处理装置的框图；以及85.图11示意性示出了根据本公开实施例的适于实现查询语句处理方法、查询语句分类模型的构建方法的电子设备的框图。具体实施方式86.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。87.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。88.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。89.在使用类似于“a、b和c等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有a、b和c中至少一个的系统”应包括但不限于单独具有a、单独具有b、单独具有c、具有a和b、具有a和c、具有b和c、和/或具有a、b、c的系统等)。90.相关技术中，可以将执行时长大于预设时间阈值的sql语句确定为慢sql语句，可以通过查询该些慢sql语句的执行时长等指标来综合分析sql语句的历史执行情况，例如通过判断sql语句不同历史时间段内的执行时长变化幅度来诊断sql语句是否执行异常，并在确定sql语句为执行异常的情况下，根据相关技术来优化sql语句，从而实现提升sql语句执行速度、程序响应速度等。91.但是识别异常sql语句的识别准确率普遍较低，且过渡依赖管理人员的经验，导致判断sql语句执行异常情况的整体效率偏低。92.本公开的实施例提供了一种查询语句处理方法、查询语句分类模型的构建方法、装置、设备、介质及程序产品。该查询语句处理方法包括：93.将待分类的查询语句信息的监控指标集合输入至指标特征提取模块，输出指标特征信息，其中，监控指标集合包括执行查询语句信息产生的监控指标；将指标特征信息输入至第一分类模块，输出查询语句信息的第一分类结果；将查询语句信息输入至第二分类模块，输出查询语句信息的第二分类结果；以及根据第一分类结果与第二分类结果，确定查询语句信息的异常情况。94.根据本公开的实施例，通过指标特征提取模块提取待分类的查询语句信息的监控指标的指标特征信息，并将指标特征信息输入至第一分类模块，使得到的第一分类结果可以从执行查询语句信息产生的监控指标方面分析查询语句的异常情况。同时，将查询语句信息输入至第二分类模块，可以对查询语句信息的语义特性信息进行分析，从而使得到的第二分类结果可以反映查询语句信息的语义特征，拓展了确定查询语句的异常情况的分析范围，根据第一分类结果和第二分类结果来确定查询语句的异常情况，可以在综合考虑执行查询语句信息产生的监控指标，以及查询语句的语义特征信息的基础上，确定查询语句的异常情况，从而可以提升，异常查询语句的识别准确率，且该方法基于第一分量模块与第二分类模块自动执行，至少部分克服了识别异常查询语句过于依赖经验判断的技术问题，达到了提升异常查询语句识别效率的技术效果。95.在本公开的技术方案中，在获取或采集用户个人信息之前，均获取了用户的授权或同意。96.在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供、公开和应用等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。97.图1示意性示出了根据本公开实施例的查询语句处理方法和装置的示例性系统架构图。需要注意的是，图1所示仅为可以应用本公开实施例的系统架示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。98.如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。99.用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。100.终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。101.服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。102.需要说明的是，本公开实施例所提供的查询语句处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的查询语句处理装置一般可以设置于服务器105中。本公开实施例所提供的查询语句处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的查询语句处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的查询语句处理方法也也可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的查询语句处理装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。103.应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。104.图2示意性示出了根据本公开实施例的查询语句处理方法的流程图。105.如图2所示，该实施例的查询语句处理方法包括操作s210～s240。106.在操作s210，将待分类的查询语句信息的监控指标集合输入至指标特征提取模块，输出指标特征信息，其中，监控指标集合包括执行查询语句信息产生的监控指标。107.根据本公开的实施例，监控指标可以包括能够反映查询语句执行情况的任意数据、信息，例如查询语句的平均执行时长、执行频次等。108.应该理解的是，监控指标集合中的监控指标可以包括数据信息，例如执行频次的数量、执行的时间长度等，但不仅限于此，监控指标还可以包括图表、字符等任意类型的信息，本公开的实施例对监控指标的类型不做限定。109.根据本公开的实施例，指标特征提取模块可以包括能够提取监控指标集合中监控指标变化特征的模型，例如可以包括基于神经网络构建的特征提取模型等。110.在操作s220，将指标特征信息输入至第一分类模块，输出查询语句信息的第一分类结果。111.根据本公开的实施例，第一分类模块可以包括基于神经网络构建的分类模型，例如可以包括基于多层感知器构建的分类模型，或者还可以包括基于注意力机制构建的分类模型。112.在操作s230，将查询语句信息输入至第二分类模块，输出查询语句信息的第二分类结果。113.根据本公开的实施例，第二分类模块可以包括能够提取查询语句语义信息特征的算法模块，第二分类模块通过对查询语句信息的语义特性信息进行提取与分析，可以得到第二分类结果。第二分类模块可以是基于神经网络构建得到的，例如可以基于卷积神经网络构建得到第二分类模块，但不仅限于此，还可以包括基于语义分析算法构建得到的，本公开的实施例对第二分类模块的具体结构与类型不做限定，本领域技术人员可以根据实际需求进行设计。114.在操作s240，根据第一分类结果与第二分类结果，确定查询语句信息的异常情况。115.根据本公开的实施例，第一分类结果可以包括用于表征异常情况为异常或正常的二分类结果。相应地，第二分类结果也可以包括用于表征异常情况为异常或正常的二分类结果。可以综合考虑第一分类结果与第二分类结果所表征的异常情况来确定查询语句信息的异常情况，从而提升异常查询语句信息的识别准确率。116.根据本公开的实施例，通过指标特征提取模块提取待分类的查询语句信息的监控指标的指标特征信息，并将指标特征信息输入至第一分类模块，使得到的第一分类结果可以从执行查询语句信息产生的监控指标方面分析查询语句的异常情况。同时，将查询语句信息输入至第二分类模块，可以对查询语句信息的语义特性信息进行分析，从而使得到的第二分类结果可以反映查询语句信息的语义特征，拓展了确定查询语句的异常情况的分析范围，根据第一分类结果和第二分类结果来确定查询语句的异常情况，可以在综合考虑执行查询语句信息产生的监控指标，以及查询语句的语义特征信息的基础上，确定查询语句的异常情况，从而可以提升异常查询语句的识别准确率，且该方法基于第一分类模块与第二分类模块自动执行，至少部分克服了识别异常查询语句过于依赖经验判断的技术问题，达到了提升异常查询语句识别效率的技术效果。117.根据本公开的实施例，指标特征提取模块可以包括时序特征提取子模块与波动特征提取子模块。118.图3示意性示出了根据本公开实施例的查询语句处理方法的流程图。119.如图3所示，操作s210，将待分类的查询语句信息的监控指标集合输入至指标特征提取模块，输出指标特征信息可以包括操作s310～操作s320。120.在操作s310，将监控指标集合输入至时序特征提取子模块，输出时序特征信息。121.在操作s320，将监控指标集合输入至波动特征提取子模块，输出波动特征信息。122.在操作s330，基于时序特征信息与波动特征信息，确定指标特征信息。123.根据本公开的实施例，时序特征提取子模块可以提取监控指标集合中监控指标之间的时序特征，从而使时序特征信息可以反映监控指标集合中监控指标的时序变化情况。波动特征提取子模块可以提取监控指标集合中监控指标的变化幅度特征，从而使波动特征信息可以反映监控指标集合中监控指标的变化幅度。124.根据本公开的实施例，基于时序特征信息与波动特征信息，确定指标特征信息，可以使指标特征信息综合考虑监控指标的变化幅度和时序变化情况，进而可以使指标特征信息从多维度反映监控指标集合中的监控指标的变化情况，为后续根据监控指标特征信息确定第一分类结果提供多元化的信息依据。125.根据本公开的实施例，监控指标可以包括多个，每个监控指标具有对应的指标类别，指标类别包括n个，时序特征提取子模块包括第一卷积层与第二卷积层，第一卷积层包括l个第一卷积子层，l≥2，n≥2。126.图4示意性示出了根据本公开实施例的查询语句处理方法的流程图。127.如图4所示，操作s320，将监控指标集合输入至波动特征提取子模块，输出波动特征信息可以包括操作s410～操作s440。128.在操作s410，按照监控指标具有的指标类别，将监控指标集合划分为n个监控指标子集，其中，每个监控指标子集中的监控指标具有相同的指标类别。129.在操作s420，根据n个监控指标子集，确定l个监控指标子集组，其中，每个监控指标子集组包括m个监控指标子集，n≥m≥2。130.在操作s430，将l个监控指标子集组中的每个监控指标，分别输入至l个第一卷积子层中不同的第一卷积子层，输出l个初始波动特征信息。131.在操作s440，将l个初始波动特征信息输入至第二卷积层，输出波动特征信息。132.根据本公开的实施例，监控指标的指标类别例如可以包括执行查询语句的平均执行时长、执行频次、执行查询语句的扫描行数等。133.需要说明的是，可以从查询语句关联的多个指标类别中，确定n个指标类别，并针对n个指标类别中的每个指标类别，确定与该指标类别对应的监控指标子集，从而可以将监控指标集合划分为n个监控指标子集。134.根据本公开的实施例，监控指标子集组可以包括m个监控指标子集，m≥2，因此将监控指标子集组输入至第一卷积子层中，可以增强第一卷积子层对于监控指标波动特征的拟合能力，使第一卷积子层各自输出的初始波动特征信息能够细粒度地反映不同指标类别的监控指标之间的变化关系。135.需要说明的是，可以按照随机规则确定监控指标子集组中的监控指标子集，但不仅限于此，还可以根据指标类别的相似度，确定监控指标子集组中的监控指标子集，本公开的实施例对确定监控指标子集组的具体方法不做限定，本领域技术人员可以根据实际需求进行选择。136.根据本公开的实施例，第二卷积层可以是基于卷积神经网络构建得到的，第二卷积层可以包括卷积神经网络模型中的池化层与全连接层。137.根据本公开的实施例，第二卷积层可以包括顺序连接的多个第二卷积子层。138.根据本公开的实施例，第二卷积子层可以包含有卷积子层、池化层与全连接层，本公开的实施例对第二卷积子层的具体网络结构不做限定，只要包含有能够提取初始波动特征信息的卷积子层即可。139.在本公开的一个实施例中，第二卷积层可以包括两个顺序连接的第二卷积子层，通过该第二卷积层处理初始波动特征信息可以使后续第一分类模块输出的第一分类结果准确率高，且计算时长较短，从而实现对于查询语句异常情况识别准确率与识别效率相统一的较佳识别效果。140.根据本公开的实施例，时序特征提取子模块可以包括时序特征提取层，时序特征提取层包括以下至少一项：141.循环神经网络层、长短期记忆网络层、双向长短期记忆网络层、门控循环神经网络层。142.根据本公开的实施例，可以根据监控指标集合中监控指标的时序变化特性，对时序特征提取层的网络结构进行设计。143.在本公开的一个实施例中，可以选择长短期记忆网络层作为时序特征提取层，从而在提取监控指标集合的时序特征信息的同时，提升时序特征提取子模块的计算速度，从而提升后续第一分类模块输出第一分类结果的计算效率。144.根据本公开的实施例，第二分类模块可以包括依次连接的语义编码层、语义特征提取层和第二分类层。145.根据本公开的实施例，语义编码层可以包括基于注意力机制构建的神经网络层，例如基于bert(bidirectional encoder representations from transformers)模型构建语义编码层。146.根据本公开的实施例，语义特征提取层例如可以包括卷积神经网络层、长短期记忆网络层等。147.在本公开的一个实施例中，可以基于bert模型构建语义编码层，基于textcnn模型构建语义特征提取层，基于embedding模型构建第二分类层。148.应该理解的是，输入至第二分类模块的查询语句信息可以包括查询语句信息的编码向量，或者还可以对经过预处理后的查询语句信息输入至第二分类模块，针对查询语句信息进行预处理的方法可以包括清洗、筛选等，但不仅限于此，还可以包括向量信息降维处理等其他预处理方法。149.根据本公开的实施例，在将查询语句信息输入至第二分类模块之前，查询语句处理方法还可以包括如下操作。150.基于预设算法对查询语句信息进行降维处理，得到降维处理后的查询语句信息。151.根据本公开的实施例，预设算法例如可以包括主成分分析法(principal component analysis，pca)、线型判别分析法(linear discriminant analysis，lda)等，152.在本公开的一个实施例中，可以根据主成分分析法对查询语句信息进行降维处理，从而减少第二分类模块的计算开销，提升第二分类结果的计算速度。153.根据本公开的实施例，操作s240，根据第一分类结果与第二分类结果，确定查询语句的异常情况可以包括如下操作。154.在第一分类结果与第二分类结果均表征查询语句信息异常的情况下，确定查询语句的异常情况为严重异常。155.根据本公开的实施例，还可以在第一分类结果与第二分类结果中的一个表征查询语句信息异常的情况下，将查询语句的异常情况确定为一般异常。相应地，在第一分类结果与第二分类结果中的任意一个均表征正常的情况下，将查询语句信息的异常情况确定为正常。156.根据本公开的实施例，在第一分类结果与第二分类结果均表征查询语句信息异常的情况下，可以筛选出严重异常的查询语句信息，从而可以快速地确定执行异常的查询语句，进而提升异常查询语句的识别效率，有利于后续相关人员针对异常查询语句进行优化处理。157.图5示意性示出了根据本公开实施例的查询语句处理方法的应用场景图。158.如图5所示，该应用场景可以包括监控指标集合510、波动特征提取子模块521、522、时序特征提取子模块530、指标特征融合层541、指标特征降维层542、指标特征信息550和第一分类模块560。其中，波动特征提取子模块可以包括第一卷积层521和第二卷积层522，第一卷积层521可以包括第一卷积子层5211、5212、5213，第二卷积层可以包括第二卷积子层5221、5222。159.按照监控指标具有的指标类别，将监控指标集合510划分为6个监控指标子集，分别为执行时长占比子集5111、平均执行时长子集5112、统计频次子集5121、执行频次占比子集5122、扫描行数子集5131、返回行数子集5132。相应地，可以根据随机规则，根据6个监控指标子集，确定3个监控指标子集组5110、5120、5130。并将监控指标子集组5110、5120、5130分别输入至不同的第一卷积子层5211、5212、5213，然后将第一卷积子层5211、5212、5213各自输出的初始波动特征信息输入至顺序连接的第二卷积子层5221、5222中，第二卷积子层5222可以输出样本波动特征信息。160.相应地，可以将监控指标集合510输入至时序特征提取子模块530，输出时序特征信息。时序特征提取子模块530可以包括长短期记忆网络层531。161.波动特征信息与时序特征信息经过指标特征融合层541可以进行特征融合，然后经过指标特征降维层542进行降维处理后，可以得到指标特征信息550。162.在本实施例中，指标特征融合层541可以基于concatenate函数构建得到，指标特征降维层542可以基于embedding模型构建得到。需要说明的是，指标特征融合层541可以包括一个或多个全连接层，本公开的实施例对全连接层的数量不做限定。163.将指标特征信息550输入至第一分类模块560，可以得到第一分类结果570。第一分类模块560可以包括基于注意力机制构建的神经网络模型，例如可以基于transformer模型构建得到第一分类模块560。164.图6示意性示出了根据本公开实施例的查询语句分类模型的构建方的流程图。165.如图6所示，该实施例的查询语句分类模型的构建方法包括操作s610～s640。166.在操作s610，获取训练样本和与训练样本对应的样本标签，其中，训练样本包括样本查询语句信息和样本查询语句信息对应的样本监控指标集合；167.在操作s620，利用样本监控指标集合与样本标签，训练包含有初始指标特征提取模块和初始第一分类模块的初始第一分类子模型，得到训练后的第一分类子模型，其中，第一分类子模型包括训练后的指标特征提取模块和训练后的第一分类模块；168.在操作s630，利用样本查询语句信息训练包含有初始第二分类模块的初始第二分类子模型，得到训练后的第二分类子模型，其中，第二分类子模型包括训练后的第二分类模块；169.在操作s640，根据第一分类子模型和第二分类子模型，构建查询语句分类模型，其中，查询语句分类模型用于实现上述的查询语句处理方法。170.根据本公开的实施例，样本标签可以包括用于表征样本查询语句正常或异常的二分类标签，例如可以通过样本标签“1”表征样本查询语句信息正常，通过样本标签“0”表征样本查询语句信息异常。171.根据本公开的实施例，利用样本监控指标集合与样本标签训练初始第一分类子模型，可以采用相关技术中的有监督训练方法，例如将样本监控指标集合输入至初始第一分类子模型，初始第一分类子模型输出第一预测分类标签，利用损失函数处理第一预测分类标签与样本标签，得到损失值，根据损失值调整初始第一分类子模型中初始指标特征提取模块的参数，以及调整初始第一分类模块的参数，直至损失函数收敛，得到训练后的第一分类子模型，即得到训练后的指标特征提取模块和训练后的第一分类模块。172.或者，还可以基于其他训练方法训练初始第一分类子模型，本公开的实施例对训练初始第一分类子模型的训练方法不做限定，本领域技术人员可以根据实际情况进行选择。173.应该理解的是，利用样本查询语句信息训练初始第二分类子模型的训练方法可以包括有监督训练或无监督训练，本公开的实施例对训练初始第二分类子模型的训练方法不做限定。174.需要说明的是，根据本公开的实施例提供的查询语句分类模型的构建方法中，样本查询语句信息和样本监控指标集合，与上述查询语句处理方法中的查询语句信息和监控指标集合具有相同或相似的技术特征，根据本公开的实施例提供的查询语句分类模型的构建方法可以用于上述查询语句处理方法。175.图7a示意性示出了根据本公开实施例的利用样本监控指标集合与样本标签，训练包含有初始指标特征提取模块和初始第一分类模块的初始第一分类子模型的流程图。176.如图7a所示，操作s620，利用样本监控指标集合与样本标签，训练包含有初始指标特征提取模块和初始第一分类模块的初始第一分类子模型，得到训练后的第一分类子模型可以包括操作s710～s760。177.在操作s710，根据样本监控指标的时间属性，利用预设时序滑动窗口从样本监控指标集合中采集样本监控指标，得到多个时序样本监控指标子集，其中，每个时序样本监控指标子集各自对应有不同的样本历史时间段；178.在操作s720，将多个时序样本监控指标子集中的每个分别输入至不同的第一样本特征提取层，每个第一样本特征提取层各自输出相对应的第一样本特征信息；179.在操作s730，将样本监控指标集合输入至初始指标特征提取模块，输出样本指标特征信息；180.在操作s740，将样本指标特征信息和第一样本特征信息进行特征融合，得到第一融合特征信息；181.在操作s750，将第一融合特征信息输入至初始第一分类子模型，输出第一预测标签；182.在操作s760，根据第一预测标签和样本标签训练初始指标特征提取模块和初始第一分类模块，得到训练后的第一分类子模型。183.根据本公开的实施例，样本监控指标的时间属性可以包括产生该样本监控指标的时刻信息，或者还可以包括样本监控指标在历史时间段内持续的历史时长信息。可以将样本监控指标集合中的样本监控指标按照时间属性顺序排列，利用连续滑动的预设时序滑动窗口，预设时序滑动窗口每滑动一次时可以从样本监控指标集合中选取，确定该预设时序滑动窗口内的样本监控指标为时序样本监控指标子集。184.根据本公开的实施例，第一样本特征提取层可以提取时序样本监控指标子集中样本监控指标的样本时序特征，第一样本特征提取层例如可以包括基于注意力机制构建的第一注意力层，以及基于长短期记忆网络构建的第一时序样本特征提取层，第一注意力层与第一时序样本特征提取层顺序连接，从而可以使第一时序样本特征提取层充分学习与该时序样本监控指标子集对应的样本历史时间段中，样本历史时间段结束时刻附近的样本监控指标的特征，从而增加训练样本的样本数量规模，使第一样笨特征信息能够充分反映样本监控指标信息之间的时序相关性，提升训练后的第一分类子模型的鲁棒性。185.根据本公开的实施例，可以利用融合编码层将样本指标特征信息和第一样本特征信息进行特征融合，但不仅限于此，或者还可以将样本指标特征信息和第一样本特征信息进行点乘，从而得到第一融合特征信息，本公开的实施例对融合样本指标特征信息和第一样本特征信息的具体方法不做限定。186.根据本公开的实施例，第一预测标签可以包括预测样本查询语句信息异常或正常的概率值，根据相关训练方法可以利用第一预测标签和样本标签训练初始指标特征提取模块和初始第一分类模块，可以得到训练后的第一分类子模型，即得到训练后的指标特征提取模块和第一分类模块。187.图7b示意性示出了根据本公开实施例的查询语句分类模型的构建方法的应用场景图。188.如图7b所示，该应用场景可以包括按照时间属性顺序排列后的样本监控指标集合700，以及向右连续滑动的预设时序滑动窗口710。预设时序滑动窗口710滑动至样本监控指标集合700的目标位置时，可以从样本监控指标集合700中确定该预设时序滑动窗口710内的样本监控指标为时序样本监控指标子集722，样本监控指标7221为与时序样本监控指标子集722对应的样本历史时间段的开始时刻最接近的样本监控指标。189.将时序样本监控指标子集722输入至第一样本特征提取层730可以提取时序样本监控指标子集722中样本监控指标的样本时序特征。第一样本特征提取层730可以包括顺序连接的第一注意力子层731和第一时序样本特征提取子层732。第一时序样本特征提取子层732可以输出第一样本特征信息742。190.需要说明的是，可以采用相同或相似的方法生成多个时序样本监控指标子集，每个时序样本监控指标子集各自对应有第一样本特征提取层，因此每个时序样本监控指标子集各自对应有第一样本特征信息。191.根据本公开的实施例，第一预测标签包括无法表征样本查询语句信息异常情况的模糊预测标签。192.查询语句分类模型的构建方法还可以包括如下操作。193.根据样本查询语句信息与时序样本监控指标子集中样本监控指标的关联关系，利用模糊预测标签从多个时序样本监控指标子集中确定模糊样本监控指标，其中，与模糊样本监控指标关联的样本查询语句信息具有模糊预测标签；将模糊样本监控指标和多个时序样本监控指标子集分别输入至不同的第二样本特征提取层，每个第二样本特征提取层各自输出相对应的第二样本特征信息；将样本指标特征信息、第一样本特征信息、第二样本特征信息进行特征融合，得到第二融合特征信息；将第二融合特征信息输入至初始第一分类模块，输出第二预测标签，其中，第二预测标签包括模糊标签。194.根据本公开的实施例，操作s760，根据第一预测标签和样本标签训练初始指标特征提取模块和初始第一分类模块可以包括如下操作。195.利用样本监控指标集合、样本标签、多个时序样本监控指标子集构成的第一时序样本集、多个时序样本监控指标子集与模糊样本监控指标构成的第二时序样本集，迭代地训练初始指标特征提取模块和初始第一分类模块，直至初始第一分类子模型输出的第二预测标签中，模糊样本标签的数量为零，得到训练后的第一分类子模型。196.根据本公开的实施例，模糊预测标签可以通过设定预设标签阈值从第一预测标签和/或第二预测标签中选取，例如，在预设标签阈值为[0.15～0.85]的情况下，第一预测标签和/或第二预测标签的概率值在预设标签阈值范围内，可以将该第一预测标签和/或第二预测标签确定为模糊预测标签。[0197]即在预设标签阈值为[0.15～0.85]，第一预测标签为概率值0.6的情况下，可以确定该第一预测标签为模糊预测标签，并可以确定与该第一预测标签对应的样本查询语句信息具有模糊预测标签。将该样本查询语句信息对应的样本监控指标确定为模糊样本监控指标，[0198]根据本公开的实施例，将模糊样本监控指标和多个时序样本监控指标子集分别输入至不同的第二样本特征提取层，每个第二样本特征提取层各自输出相对应的第二样本特征信息，并将样本指标特征信息、第一样本特征信息、第二样本特征信息进行特征融合，可以进一步扩充训练样本的数据规模，提升第一分类子模型的鲁棒性。[0199]需要说明的是，在训练过程中，还可以根据实际情况筛除部分模糊样本监控指标，从而提升训练速度，降低训练的计算开销。[0200]图8示意性示出了根据本公开另一实施例的查询语句分类模型的构建方法的应用场景图。[0201]如图8所示，该应用场景可以包括样本监控指标集合810、初始指标特征提取模块820和初始第一分类模块860，第一分类子模型包括初始指标特征提取模块820和初始第一分类模块860。样本监控指标集合具有关联的样本标签。[0202]根据样本监控指标具有的样本指标类别，可以将样本监控指标集合810划分为6个样本监控指标子集，分别为执行时长占比子集8111、平均执行时长子集8112、统计频次子集8121、执行频次占比子集8122、扫描行数子集8131、返回行数子集8132。相应地，可以根据随机规则，根据6个样本监控指标子集，确定3个样本监控指标子集组8110、8120、8130。并将样本监控指标子集组8110、8120、8130分别输入至不同的初始第一卷积子层8211、8212、8213，然后将初始第一卷积子层8211、8212、8213各自输出的样本初始波动特征信息输入至顺序连接的初始第二卷积子层8214、8215中，初始第二卷积子层8215可以输出样本波动特征信息。[0203]相应地，可以将样本监控指标集合810输入至初始指标特征提取模块820中的初始时序特征提取子模块8220，输出样本时序特征信息。初始时序特征提取子模块8220可以包括初始长短期记忆网络层8221。[0204]样本波动特征信息与样本时序特征信息经过初始指标特征融合层8230可以进行特征融合，然后经过初始指标特征降维层8240进行降维处理后，可以得到样本指标特征信息830。[0205]在本实施例中，初始指标特征融合层8230可以基于concatenate函数构建得到，初始指标特征降维层8240可以基于embedding模型构建得到。需要说明的是，初始指标特征融合层8230可以包括一个或多个全连接层，本公开的实施例对全连接层的数量不做限定。means聚类算法对多个样本查询语句信息进行聚类，可以利用该聚类算法的特性确定样本聚类子集的数量，从而实现较为精确的聚类分析，使后续训练得到的第二分类子模型鲁棒性强，提升第二分类子模型的识别准确率。[0218]根据本公开的实施例，第二分类模块可以包括依次连接的语义编码层、语义特征提取层和第二分类层，可以基于bert模型构建语义编码层，基于textcnn模型构建语义特征提取层，基于embedding模型构建第二分类层。[0219]根据本公开的实施例，在利用预设聚类算法处理样本查询语句信息之前，查询语句分类模型的构建方法还可以包括如下操作。[0220]基于预设算法对样本查询语句信息进行降维处理，得到降维处理后的样本查询语句信息。[0221]根据本公开的实施例，预设算法例如可以包括主成分分析法(principal component analysis，pca)、线型判别分析法(linear discriminant analysis，lda)等，[0222]在本公开的一个实施例中，可以根据主成分分析法对样本查询语句信息进行降维处理，从而降低样本数据的数据规模，减少后续训练方法的计算开销，提升训练方法的计算速度。[0223]图9示意性示出了根据本公开的实施例的查询语句处理装置的框图。[0224]如图9所示，查询语句处理装置900可以包括特征提取模块910、第一分类模块920、第二分类模块930和确定模块940。[0225]特征提取模块910用于将待分类的查询语句信息的监控指标集合输入至指标特征提取模块，输出指标特征信息，其中，监控指标集合包括执行查询语句信息产生的监控指标。[0226]第一分类模块920用于将指标特征信息输入至第一分类模块，输出查询语句信息的第一分类结果。[0227]第二分类模块930用于将查询语句信息输入至第二分类模块，输出查询语句信息的第二分类结果。[0228]确定模块940用于根据第一分类结果与第二分类结果，确定查询语句信息的异常情况。[0229]根据本公开的实施例，指标特征提取模块包括时序特征提取子模块与波动特征提取子模块。[0230]特征提取模块可以包括：第一特征提取子模块、第二特征提取子模块和第一确定子模块。[0231]第一特征提取子模块用于将监控指标集合输入至时序特征提取子模块，输出时序特征信息。[0232]第二特征提取子模块用于将监控指标集合输入至波动特征提取子模块，输出波动特征信息。[0233]第一确定子模块用于基于时序特征信息与波动特征信息，确定指标特征信息。[0234]根据本公开的实施例，监控指标可以包括多个，每个监控指标具有对应的指标类别，指标类别包括n个，时序特征提取子模块包括第一卷积层与第二卷积层，第一卷积层包括l个第一卷积子层，l≥2，n≥2。[0235]第二特征提取子模块可以包括：划分单元、第一确定单元、第一波动特征提取单元和第二波动特征提取单元。[0236]划分单元用于按照监控指标具有的指标类别，将监控指标集合划分为n个监控指标子集，其中，每个监控指标子集中的监控指标具有相同的指标类别。[0237]第一确定单元用于根据n个监控指标子集，确定l个监控指标子集组，其中，每个监控指标子集组包括m个监控指标子集，n≥m≥2。[0238]第一波动特征提取单元用于将l个监控指标子集组中的每个监控指标，分别输入至l个第一卷积子层中不同的第一卷积子层，输出l个初始波动特征信息。[0239]第二波动特征提取单元用于将l个初始波动特征信息输入至第二卷积层，输出波动特征信息。[0240]根据本公开的实施例，第二卷积层包括顺序连接的多个第二卷积子层。[0241]根据本公开的实施例，时序特征提取子模块包括时序特征提取层，时序特征提取层包括以下至少一项：[0242]循环神经网络层、长短期记忆网络层、双向长短期记忆网络层、门控循环神经网络层。[0243]根据本公开的实施例，第二分类模块包括依次连接的语义编码层、语义特征提取层和第二分类层。[0244]根据本公开的实施例，在将查询语句信息输入至第二分类模块之前，查询语句处理装置还可以包括：降维模块。[0245]降维模块用于基于预设算法对查询语句信息进行降维处理，得到降维处理后的查询语句信息。[0246]根据本公开的实施例，确定模块可以包括第一确定子模块。[0247]第一确定子模块用于在第一分类结果与第二分类结果均表征查询语句信息异常的情况下，确定查询语句的异常情况为严重异常。[0248]图10示意性示出了根据本公开的实施例的查询语句处理装置的框图。[0249]如图10所示，查询语句分类模型的构建装置1000可以包括样本获取模块1010、第一训练模块1020、第二训练模块1030和构建模块1040。[0250]样本获取模块1010用于获取训练样本和与训练样本对应的样本标签，其中，训练样本包括样本查询语句信息和样本查询语句信息对应的样本监控指标集合；[0251]第一训练模块1020用于利用样本监控指标集合与样本标签，训练包含有初始指标特征提取模块和初始第一分类模块的初始第一分类子模型，得到训练后的第一分类子模型，其中，第一分类子模型包括训练后的指标特征提取模块和训练后的第一分类模块；[0252]第二训练模块1030用于利用样本查询语句信息训练包含有初始第二分类模块的初始第二分类子模型，得到训练后的第二分类子模型，其中，第二分类子模型包括训练后的第二分类模块；[0253]构建模块1040用于根据第一分类子模型和第二分类子模型，构建查询语句分类模型，其中，查询语句分类模型用于实现上述的查询语句处理方法。[0254]根据本公开的实施例，第一训练模块包括：采集子模块、样本第一特征提取子模块、样本第二特征提取子模块、样本第一融合子模块、样本第一融合子模块、样本第一预测子模块和样本第一训练子模块。[0255]采集子模块用于根据样本监控指标的时间属性，利用预设时序滑动窗口从样本监控指标集合中采集样本监控指标，得到多个时序样本监控指标子集，其中，每个时序样本监控指标子集各自对应有不同的样本历史时间段。[0256]样本第一特征提取子模块用于将多个时序样本监控指标子集中的每个分别输入至不同的第一样本特征提取层，每个第一样本特征提取层各自输出相对应的第一样本特征信息。[0257]样本第二特征提取子模块用于将样本监控指标集合输入至初始指标特征提取模块，输出样本指标特征信息。[0258]样本第一融合子模块用于将样本指标特征信息和第一样本特征信息进行特征融合，得到第一融合特征信息。[0259]样本第一预测子模块用于将第一融合特征信息输入至初始第一分类子模型，输出第一预测标签。[0260]样本第一训练子模块用于根据第一预测标签和样本标签训练初始指标特征提取模块和初始第一分类模块，得到训练后的第一分类子模型。[0261]根据本公开的实施例，第一预测标签包括无法表征样本查询语句信息异常情况的模糊预测标签；[0262]查询语句分类模型的构建装置还可以包括：[0263]样本第一确定模块用于根据样本查询语句信息与时序样本监控指标子集中样本监控指标的关联关系，利用模糊预测标签从多个时序样本监控指标子集中确定模糊样本监控指标，其中，与模糊样本监控指标关联的样本查询语句信息具有模糊预测标签。[0264]样本第一特征提取模块用于将模糊样本监控指标和多个时序样本监控指标子集分别输入至不同的第二样本特征提取层，每个第二样本特征提取层各自输出相对应的第二样本特征信息。[0265]样本第一融合模块用于将样本指标特征信息、第一样本特征信息、第二样本特征信息进行特征融合，得到第二融合特征信息。[0266]样本第一预测模块用于将第二融合特征信息输入至初始第一分类模块，输出第二预测标签，其中，第二预测标签包括模糊标签。[0267]其中，样本第一训练子模块可以包括：样本第一训练单元。[0268]样本第一训练单元用于利用样本监控指标集合、样本标签、多个时序样本监控指标子集构成的第一时序样本集、多个时序样本监控指标子集与模糊样本监控指标构成的第二时序样本集，迭代地训练初始指标特征提取模块和初始第一分类模块，直至初始第一分类子模型输出的第二预测标签中，模糊样本标签的数量为零，得到训练后的第一分类子模型。[0269]根据本公开的实施例，样本查询语句信息包括多个。[0270]第二训练模块包括：聚类子模块、聚类样本标签确定子模块和第二训练子模块。[0271]聚类子模块用于利用预设聚类算法处理样本查询语句信息，得到样本聚类结果，其中，样本聚类结果包括样本聚类子集和样本聚类子集的样本聚类标识。[0272]聚类样本标签确定子模块用于根据样本聚类子集中的样本查询语句信息的样本标签，确定与样本聚类子集关联的样本聚类标识的聚类样本标签。[0273]第二训练子模块用于利用样本聚类标识和样本聚类标识对应的聚类样本标签，训练初始第二分类子模型，得到训练后的第二分类子模型。[0274]根据本公开的实施例，在利用预设聚类算法处理样本查询语句信息之前，查询语句分类模型的构建装置还可以包括：样本降维模块。[0275]样本降维模块用于基于预设算法对样本查询语句信息进行降维处理，得到降维处理后的样本查询语句信息。[0276]根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。[0277]例如，特征提取模块910、第一分类模块920、第二分类模块930、和确定模块940中的任意多个可以合并在一个模块/子模块/单元/子单元中实现，或者其中的任意一个模块/子模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/子模块/单元/子单元中的一个或多个模块/子模块/单元/子单元的至少部分功能可以与其他模块/子模块/单元/子单元至少部分功能相结合，并在一个模块/子模块/单元/子单元中实现。根据本公开的实施例，特征提取模块910、第一分类模块920、第二分类模块930、和确定模块940中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者特征提取模块910、第一分类模块920、第二分类模块930、和确定模块940中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。[0278]需要说明的是，本公开的实施例中查询语句处理装置部分与本公开的实施例中查询语句处理方法部分是相对应的，查询语句处理装置部分的描述具体参考查询语句处理方法部分，在此不再赘述。[0279]需要说明的是，本公开的实施例中查询语句分类模型的构建装置部分与本公开的实施例中查询语句分类模型的构建方法部分是相对应的，查询语句分类模型的构建装置部分的描述具体参考查询语句分类模型的构建方法部分，在此不再赘述。[0280]图11示意性示出了根据本公开实施例的适于实现查询语句处理方法、查询语句分类模型的构建方法的电子设备的框图。图11示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。[0281]如图11所示，根据本公开实施例的电子设备1100包括处理器1101，其可以根据存储在只读存储器(rom)1102中的程序或者从存储部分1108加载到随机访问存储器(ram)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如cpu)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(asic))，等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。[0282]在ram 1103中，存储有电子设备1100操作所需的各种程序和数据。处理器1101、rom 1102以及ram 1103通过总线1104彼此相连。处理器1101通过执行rom 1102和/或ram 1103中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除rom 1102和ram 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。[0283]根据本公开的实施例，电子设备1100还可以包括输入/输出(i/o)接口1105，输入/输出(i/o)接口1105也连接至总线1104。系统1100还可以包括连接至i/o接口1105的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至i/o接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。[0284]根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。[0285]本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。[0286]根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。[0287]例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的rom 1102和/或ram 1103和/或rom 1102和ram 1103以外的一个或多个存储器。[0288]本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的查询语句处理方法或查询语句分类模型的构建方法。[0289]在该计算机程序被处理器1101执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。[0290]在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1109被下载和安装，和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。[0291]根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如java，c++，python，“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。[0292]附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。[0293]以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!