信息分配方法、装置、电子设备及信息分类模型与流程

1.本发明涉及金融服务领域，具体而言，涉及一种信息分配方法、装置、电子设备及信息分类模型。


背景技术：

2.目前事件单建单时会确定大分类，在流转过程中仍采用人工查阅文本的方式对事件单进行分类。一方面耗时耗力；另一方面，虽然是事件单分类体系相对来说比较完善，但仍有部分事件单因无法放到某个有意义的类别中而被分到了“其他”类别中，当这部分事件单需要处理时仍需要人力二次细分，造成了资源的进一步占用。事件单摘要中会详细记录产生报警的指标名称、id、指标类别、阀值类别、指标值和阀值，应用支持人员在处理事件单流转时，需要熟悉事件单的业务背景情况，确定事件单优先等级，评估解决事件单问题所需资源，因此事件单流转过程中存在主观性。
3.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种信息分配方法、装置、电子设备及信息分类模型，以至少解决由于现有技术中是简单在流转过程中采用人工查阅文本的方式造成的事件单流转过程耗时过长的技术问题。
5.根据本发明实施例的一个方面，提供了一种信息分配方法，包括：获取目标信息的语义特征；依据目标信息的语义特征，确定目标信息的业务类型；确定与业务类型对应的第一运维人员信息集合，并从第一运维人员信息集合中确定目标运维人员信息，其中，目标运维人员信息对应的目标运维人员为处理目标信息的运维人员；发送目标信息至与目标运维人员信息对应的信息处理设备。
6.可选地，确定与业务类型对应的第一运维人员信息集合，并从第一运维人员信息集合中确定目标运维人员信息包括：确定第一运维人员信息集合中的各个运维人员的工作量和工作效率指标，其中，工作量包括各个运维人员在预设时间段内已分配的目标信息数量，工作效率指标包括以下至少之一：各个运维人员在预设时间段内处理的信息的总数量，以及各个运维人员处理信息时的失误率；依据工作量和工作效率指标，从运维人员集合中选择目标运维人员。
7.可选地，获取目标信息的语义特征之前，信息分配方法还包括：确定目标信息的紧急程度标识，并依据紧急程度标识确定目标信息的紧急程度；在确定目标信息的紧急程度为第一紧急程度时，确定与第一紧急程度对应的第二运维人员信息集合，并发送目标信息至与第二运维人员信息集合对应的信息处理设备，其中，第一紧急程度对应的目标信息处理时长为第一时长；在确定目标信息的紧急程度为第二紧急程度时，继续执行获取目标信息的语义特征的步骤，其中，第二紧急程度对应的目标信息处理时长为第二时长，并且第二时长长于第一时长。
8.可选地，获取目标信息的语义特征包括：通过信息分类模型对目标信息进行分词，得到目标信息的目标词向量；依据信息分类模型和目标词向量，确定目标信息的多个局部特征，其中，局部特征包括以下至少之一：目标信息对应的标题，目标信息对应的描述信息，目标信息对应的解决方案；通过信息分类模型拼接多个局部特征，并依据拼接后的多个局部特征确定目标信息的语义特征。
9.可选地，通过信息分类模型拼接多个局部特征，并依据拼接后的多个局部特征确定目标信息的语义特征包括：确定多个局部特征中的每个局部特征的权重；依据每个局部特征的权重，对多个局部特征进行加权拼接，得到目标信息的语义特征。
10.可选地，依据信息分类模型和目标词向量，确定目标信息的多个局部特征包括：确定目标卷积神经网络模型中的神经网络模块数量，其中，目标卷积神经网络模型用于依据目标词向量确定目标信息的多个局部特征，并且目标卷积神经网络模型为信息分类模型的组成部分；确定目标信息中的句子数量，并比较句子数量和神经网络模块数量；在比较结果为句子数量小于神经网络模块数量时，对目标信息进行文本填充，直到句子数量等于神经网络模块数量；以及，在比较结果为句子数量大于神经网络模块数量时，保留目标信息中的前目标数量条句子，其中，目标数量等于神经网络模块数量。
11.可选地，通过信息分类模型对目标信息进行分词，得到目标信息的目标词向量之前，信息分配方法还包括：确定训练数据集；将训练数据集中的训练数据转化为特征向量，得到特征向量集合；构建初始信息分类模型；通过特征向量集合对初始信息分类模型进行训练，得到信息分配模型。
12.可选地，确定训练数据集包括：获取事件单数据库，其中，事件单数据库用于存放事件单信息，事件单信息包括以下至少之一：事件单单号、标题、发生时间、类别、反映渠道、摘要、描述、解决时间、解决方案；依据事件单数据库确定训练数据集。
13.根据本发明实施例的另一方面，还提供了一种电子设备，电子设备包括存储器，处理器，其中，存储器，用于存储信息分类模型，其中，信息分类模型包括：输入层，用于接收目标信息；向量转换层，用于将目标信息转化为词向量矩阵，其中，词向量矩阵中的元素为目标信息的词向量；卷积神经网络层，包括多个神经网络模块，用于依据词向量矩阵，确定目标信息的多个局部特征；双向门控循环单元层，用于依据多个局部特征，确定目标信息的语义特征；分类层，用于依据目标信息的语义特征确定目标信息的业务类型；处理器，用于运行信息分类模型。
14.根据本发明实施例的另一方面，还提供了一种信息分配装置，包括：特征提取模块，用于获取目标信息的语义特征；分类模块，用于依据所述目标信息的语义特征，确定所述目标信息的业务类型；选择模块，用于确定与所述业务类型对应的第一运维人员信息集合，并从所述第一运维人员信息集合中确定目标运维人员信息，其中，所述目标运维人员信息对应的目标运维人员为处理所述目标信息的运维人员；通信模块，用于发送所述目标信息至与所述目标运维人员信息对应的信息处理设备。
15.根据本发明实施例的另一方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行信息分配方法。
16.根据本发明实施例的另一方面，还提供了一种电子设备，电子设备包括处理器，处
理器用于运行程序，其中，程序运行时执行信息分配方法。
17.在本发明实施例中，采用获取目标信息的语义特征；依据目标信息的语义特征，确定目标信息的业务类型；确定与业务类型对应的第一运维人员信息集合，并从第一运维人员信息集合中确定目标运维人员信息，其中，目标运维人员信息对应的目标运维人员为处理目标信息的运维人员；发送目标信息至与目标运维人员信息对应的信息处理设备的方式，通过依据目标信息的语义特征来确定目标信息的业务类型，并进一步选择业务类型对应的运维人员来处理目标信息，达到了目标信息流转过程自动化的目的，从而实现了减少目标信息流转过程耗时的技术效果，进而解决了由于现有技术中是简单在流转过程中采用人工查阅文本的方式造成的事件单流转过程耗时过长技术问题。
附图说明
18.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
19.图1是根据本发明实施例提供的一种信息分配方法的流程示意图；
20.图2是根据本发明实施例提供的一种事件单流转过程的流程示意图；
21.图3是根据本发明实施例提供的一种信息分类模型的结构示意图；
22.图4是根据本发明实施例提供的一种模型训练方法的流程示意图；
23.图5是根据本发明实施例提供的一种语义识别模型的结构示意图；
24.图6是根据本发明实施例提供的一种双向门控循环单元的结构示意图；
25.图7是根据本发明实施例提供的一种事件单分类系统的架构示意图；
26.图8是根据本发明实施例提供的一种信息分配装置的结构示意图；
27.图9是根据本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
28.针对事件单流转带来的挑战，降低应用支持人员与事件单流程过程中运维人员的沟通成本，避免事件单流转周期过长的问题，本发明提出一种基于机器学习的事件单流转方法、介质、计算机系统。通过将机器学习模型与运维自动化集成，实现为事件单自动添加标签的智能事件单系统，客户提交事件单触发系统调用机器学习模型预测，自动化输出预测结果并填充事件单作为标签，支持人员通过标签辅助判断流转，降低一线管理岗将事件单分配给一线处理岗、二线处理岗的流转延迟，一线处理岗和二线处理岗可以专注于解决问题，有助于应用支持人员处理事件单时做出决策。
29.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
30.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或
描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
31.根据本发明实施例，提供了一种信息分配方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
32.图1是根据本发明实施例的信息分配方法，如图1所示，该方法包括如下步骤：
33.步骤s102，获取目标信息的语义特征；
34.在本技术的一些实施例中，在获取目标信息的语义特征之前，可以先确定目标信息的紧急程度，并依据紧急程度确定是否直接将目标信息发送给应急运维人员处理。具体地，确定目标信息的紧急程度的具体流程包括：确定目标信息的紧急程度标识，并依据紧急程度标识确定目标信息的紧急程度；在确定目标信息的紧急程度为第一紧急程度时，确定与第一紧急程度对应的第二运维人员信息集合，并发送目标信息至与第二运维人员信息集合对应的信息处理设备，其中，第一紧急程度对应的目标信息处理时长为第一时长；在确定目标信息的紧急程度为第二紧急程度时，继续执行获取目标信息的语义特征的步骤，其中，第二紧急程度对应的目标信息处理时长为第二时长，并且第二时长长于第一时长。
35.在本技术的一些实施例中，第一紧急程度表示目标信息为紧急信息，第二紧急程度表示目标信息为不紧急信息。
36.在本技术的一些实施例中，获取目标信息的语义特征包括：通过信息分类模型对所述目标信息进行分词，得到所述目标信息的目标词向量；依据信息分类模型和所述目标词向量，确定所述目标信息的多个局部特征，其中，所述局部特征包括以下至少之一：所述目标信息对应的标题，所述目标信息对应的描述信息，所述目标信息对应的解决方案；通过信息分类模型拼接所述多个局部特征，并依据拼接后的所述多个局部特征确定所述目标信息的语义特征。
37.在本技术的一些实施例中，通过信息分类模型拼接所述多个局部特征，并依据拼接后的所述多个局部特征确定所述目标信息的语义特征包括：确定所述多个局部特征中的每个局部特征的权重；依据所述每个局部特征的权重，对所述多个局部特征进行加权拼接，得到所述目标信息的语义特征。
38.在本技术的一些实施例中，依据信息分类模型和所述目标词向量，确定所述目标信息的多个局部特征包括：确定目标卷积神经网络模型中的神经网络模块数量，其中，所述目标卷积神经网络模型用于依据所述目标词向量确定所述目标信息的多个局部特征，并且目标卷积神经网络模型为信息分类模型的组成部分；确定所述目标信息中的句子数量，并比较所述句子数量和所述神经网络模块数量；在比较结果为所述句子数量小于所述神经网络模块数量时，对所述目标信息进行文本填充，直到所述句子数量等于所述神经网络模块数量；以及，在比较结果为所述句子数量大于所述神经网络模块数量时，保留所述目标信息中的前目标数量条句子，其中，所述目标数量等于所述神经网络模块数量。
39.具体地，在利用cnn从事件单文本信息中自动化抽取特征向量时，由于卷积神经网
络的输入是多维数据格式，因此需要将文本转为多维矩阵。需要将具有连续性字符特征模型输入转化为可处理的信息序列，构建字符表。然后对输入的向量进行卷积、池化、全连接处理。卷积层提取局部特征，池化层拼接卷积层提取到的特征，输出高维向量，全连接层将所有局部特征连接起来输出全局特征。通过调整选择适当的权重参数，分别作为事件单标题权重和描述权重。选择适当的cnn个数，确保描述的句子数目和cnn数目相当。如果句子数目小于cnn数目，则对文本作相应填充。如果句子数目大于cnn的数目，则对文本作截断处理。
40.在本技术的一些实施例中，在使用上述信息分类模型来对目标信息进行处理前，还可以通过以下方式对分类模型进行训练：确定训练数据集；将所述训练数据集中的训练数据转化为特征向量，得到特征向量集合；构建初始信息分类模型；通过所述特征向量集合对所述初始信息分类模型进行训练，得到所述信息分配模型。
41.具体地，在确定训练数据集时，可以先获取存放有各种事件单信息的事件单数据库，然后依据事件单数据库来确定训练数据集。其中，事件单信息包括以下至少之一：事件单单号、标题、发生时间、类别、反映渠道、摘要、描述、解决时间、解决方案。
42.步骤s104，依据目标信息的语义特征，确定目标信息的业务类型；
43.步骤s106，确定与业务类型对应的第一运维人员集合，并从第一运维人员信息集合中确定目标运维人员信息，其中，目标运维人员信息对应的目标运维人员为处理所述目标信息的运维人员；
44.在本技术的一些实施例中，确定与所述业务类型对应的第一运维人员信息集合，并从所述第一运维人员信息集合中确定目标运维人员信息包括：确定所述第一运维人员信息集合中的各个运维人员的工作量和工作效率指标，其中，所述工作量包括所述各个运维人员在预设时间段内已分配的所述目标信息数量，所述工作效率指标包括以下至少之一：所述各个运维人员在预设时间段内处理的信息的总数量，以及所述各个运维人员处理信息时的失误率；依据所述工作量和所述工作效率指标，从所述运维人员集合中选择所述目标运维人员。
45.步骤s108，发送目标信息至与目标运维人员信息对应的信息处理设备。
46.在本技术的一些实施例中，上述信息处理设备可以是分配给目标运维人员的用于处理相关工作信息的电子设备，其中，该电子设备包括信息处理服务器和信息处理终端设备。具体地，当电子设备的类型为信息处理服务器时，在发送目标信息到信息处理服务器后，处理服务器会确定与目标运维人员对应的虚拟机，之后由该虚拟机来处理上述目标信息。
47.在本技术的一些实施例中，采用图1中所示的信息分配方法的事件单处理系统中的一个完整的事件单处理流程如图2所示。在用户提交了需要处理的事件单后，首先会获取事件单的紧急等级，如为紧急则分派人工处理；否则自动化流转。然后，对历史事件单进行分词，获得词向量，利用卷积神经网络(cnn)分别挖掘事件单标题和事件单的描述局部特征信息，将cnn输出的特征输入双向门控循环单元(bigru)，实现获取文本上下文语义特征；引入注意力机制对bigru隐藏层的输出状态赋予权重。最后，根据模型的分类结果，结合预设的关联分析法则确定一线运维人员集合。再根据集合内各个运维人员当天已分派的事件单数量、已分派事件单的平均处理时长、运维人员的历史事件单完成效率值，确定一线运维运
维人员。
48.通过采用获取目标信息的语义特征；依据目标信息的语义特征，确定目标信息的业务类型；确定与业务类型对应的运维人员集合，并从运维人员集合中确定处理目标信息的目标运维人员的方式，通过依据目标信息的语义特征来确定目标信息的业务类型，并进一步选择业务类型对应的运维人员来处理目标信息，达到了目标信息流转过程自动化的目的，从而实现了减少目标信息流转过程耗时的技术效果，进而解决了由于现有技术中是简单在流转过程中采用人工查阅文本的方式造成的事件单流转过程耗时过长技术问题。
49.根据本发明实施例，还提供了一种电子设备，该电子设备包括存储器和处理器，其中，存储器用于存储如图3所示的信息分类模型，处理器则用于运行信息分类模型。如图3所示，该信息分类模型包括：输入层30，用于接收目标信息；向量转换层32，用于将目标信息转化为词向量矩阵，其中，词向量矩阵中的元素为目标信息的词向量；卷积神经网络层34，包括多个神经网络模块342，用于依据词向量矩阵，确定目标信息的多个局部特征；双向门控循环单元层36，用于依据多个局部特征，确定目标信息的语义特征；分类层38，用于依据目标信息的语义特征确定目标信息的业务类型。
50.在本技术的一些实施例中，上述输入层30用于对事件单的标题、描述、方案进行预处理操作。事件单的标题包含主题，描述通常包含关键词，事件单所属分类作为样本的类别。
51.在本技术的一些实施例中，上述向量转换层32也称为embedding层。embedding层是经过特征工程预处理后，将输入层的文本转换为低维词向量矩阵形式作为模型的输入。
52.在本技术的一些实施例中，上述卷积神经网络层34用于从句子级别对目标信息进行语义分析。具体地，句子级别cnn层为多个cnn神经网络，包含多个卷积核，卷积核通过对框定的词向量进行卷积操作，即对各个词向量赋予权重再加偏置，再通过非线性函数进行激活。cnn层根据embedding层的输出，对事件单标题、事件单描述、事件单方案进行局部特征提取。
53.在本技术的一些实施例中，上述双向门控循环单元层36也被称为bigru层。其中，bigru层为cnn输出的局部特征加权拼接后，使用bigru神经网络进行上下文特征提取。bigru能够获取前向和反向的信息，通过双向输入文本提升网络挖掘语义的能力，提取到的特征信息更丰富。
54.在本技术的一些实施例中，上述卷积神经网络层34和双向门控循环单元层36可以组成如图5所示的语义识别模型。如图5所示，该语义识别模型中的卷积神经网络层34中的各个卷积神经网络模块342可以分别从句子层面获取事件单的事件单标题、事件单描述和事件单方案等局部特征信息，并将局部特征信息输入到双向门控循环单元层36中，从而得到事件单整体的语义信息。
55.在本技术的一些实施例中，上述双向门控循环控制单元层36的结构如图6所示，可以通过获取双向依赖信息，从而提取更多的特征信息。
56.在本技术的一些实施例中，上述模型中还包括attention层。attention层表示对隐藏层提取的信息赋予权重，突出关键信息，使得神经网络在处理输入信息时，聚焦于重点信息。attention机制通过对隐藏层的输出赋予不同的权重，可以增强关键词信息对分类结果的影响。
57.具体地，注意力机制就是一组重要性权重向量，对文本加权后得到整个文本的中间语义变换函数，可以实现处理输入数据时关注重点信息。attention机制对隐藏层的输出加上一组权重，使得事件单描述中的关键词得以关注，能够获取上下文依赖信息，提高了模型的准确度。
58.在本技术的一些实施例中，分类层38是通过softmax分类器对attention-bigru神经网络得到的特征向量进行分类，得出最终的分类结果。具体地，bigru网络的输出经过softmax激活函数的全连接层将高维度语义特征进行降维，从而得到并展示分类结果。
59.在本技术的一些实施例中，在构建了如图3所示的信息分类模型后，还需要对模型进行训练。具体地，包括获取训练集、数据预处理、特征工程、构建nlp模型、模型验证。一线业务人员在结构化表单上录入事件单各项信息，提交事件单。在事件单数据库中获取事件单字段，包括事件单的单号、标题、发生时间、类别、反映渠道、摘要、描述、解决时间、解决方案等信息，将其导出输出为excel文件。
60.在本技术的一些实施例中，还提供了一种如图4所示的模型训练方法。如图4所示，该方法包括如下步骤：
61.步骤s402，数据预处理；
62.具体地，在训练模型之前，需要对数据进行预处理，将数据集中不相关的字段剔除，过滤对预测影响不大的输入，或者进行特征组合。数据预处理包括移除空值、异常值、重复值、停顿词、空格等操作，将重复行移除，将输入和标签转换为实用的特征，譬如(解决时间＝结束时间-创建时间)，去除异常值，譬如none或null的值，将其变为unknwon值。
63.步骤s404，采用特征工程将原始数据转化为特征向量；
64.具体地，为了从原始数据中提取特征以供算法和模型使用，需要采用特征工程将原始数据转换为特征向量。特征工程包括数据清理、特征提取、特征选择等过程，特征工程的方法有word2vec、tokenization、标签编码、命名实体识别、tfidf向量化。
65.步骤s406，依据特征向量对事件单分类模型进行训练；
66.在本技术的一些实施例中，特征提取之后，需要构建cnn bigru attention模型，除此之外，常用的机器学习模型有knn、svm、rnn、lstm、dnn、决策树、逻辑回归、随机森林、梯度下降、贝叶斯。
67.在本技术的一些实施例中，如果数据集太大，需要进行采样，通过拆分，分为训练集、验证集、测试集，目的是生成一组代表性数据集。采用列式数据库处理大数据集，可以仅在几秒内对tb的数据进行临时查询。
68.在本技术的一些实施例中，可以采用tensorflow框架训练模型，将数据转换为tfrecord文件。再输入给构造的模型进行训练，采用多次尝试的训练参数进行训练，导出效果较好的模型。
69.步骤s408，对训练后的事件单分类模型进行验证评估。
70.具体地，为了防止模型出现过拟合，从所有的数据集中取出约80％的数据集作为训练集数据；选取10％-20％的数据作为验证集数据。如果模型只在训练集上表现良好，只产生极少错误，无法对新数据或未知数据做出良好的预测，则说明模型发生了过拟合，即模型只学会了怎样从训练集中提取特征，而无法学会如何从给定的新的输入数据中提取特征。选取10-15％的数据作为测试集，测试集用于验证模型的泛化能力，由于训练期间使用
的是验证集，为了评估模型的效果，则必须衡量模型在不同测试集上的表现情况。由于哈希值唯一，为了确保测试集始终不变，采用列的哈希值来确定某个样本被划分到训练集、验证集、还是测试集。
71.根据本发明实施例，还提供了一种如图7所示的事件单分类系统。如图7所示，该系统中包括基础设施层72、平台服务层74、技术框架层76、应用服务层78。基础设施层72包含针对数据的hadoop资源与数据资源，实现hadoop分布式计算存储数据。针对提高计算能力的高性能cpu、gpu模块。对于模型的训练，采用gpu能够在较短时间内训练出模型，提高模型的实时预测能力。平台服务层74包含多个服务器和存储设备，提供存储服务，支持docker将应用及依赖打包为镜像并发布到服务器上，再通过kubernetes完成应用的部署，具有虚拟化、高可用、易扩展、按需服务等特点。技术框架层76包括nlp算法模型技术、框架技术、通用技术。选用的算法模型为cnn bigru attention，常用的框架技术包括tensorflow、pytorch、keras、mxnet、theano、paddlepaddle等。nlp通用技术如停用词过滤、词干提取、词袋模型、tf-idf、word2vec、分词技术等。选择的技术框架层76的开发语言为python、java，选用基于flask框架实现部署。应用服务层78是针对事件单分类的需求实现的服务，通过背景与需求分析，应用服务层78提供的服务主要有事件单智能分类实时预测、事件单智能分类模型更新迭代、事件单有关的查询功能。
72.在本技术的一些实施例中，上述事件单分类系统采用基于flask作为web框架提高服务效率，实现通过restful发布模型的部署与评价，先将模型封装为模块，然后加载进内存给flask框架调用。采用kubernetes的容器自动编排与安全隔离策略，实现服务的分布式部署与滚动升级、授权访问。通过hadoop集群存储模型文件与数据，实现模型的升级迭代、评估与版本回退，从而实现相对较高的敏捷性、扩展性；事件单系统采用微服务架构，能够方便部署应用，能够高效利用资源，能够进行容器的健康检查与修复，能够自动伸缩容量与负载均衡，从而实现了平台服务的高可用与安全性。
73.根据本发明实施例，还提供了一种信息分配装置。图8是根据本发明实施例提供的信息分配装置。如图8所示，该装置包括：特征提取模块80，用于获取目标信息的语义特征；分类模块82，用于依据目标信息的语义特征，确定目标信息的业务类型；选择模块84，用于确定与所述业务类型对应的第一运维人员信息集合，并从所述第一运维人员信息集合中确定目标运维人员信息，其中，所述目标运维人员信息对应的目标运维人员为处理所述目标信息的运维人员；通信模块86，用于发送所述目标信息至与所述目标运维人员信息对应的信息处理设备。
74.需要说明的是，图8中所示的信息分配装置可用于执行图1中所示的信息分配方法，因此，对图1中所示的信息分配方法的相关解释说明也适用于图8中所示的信息分配装置中，在此不再赘述。
75.根据本发明实施例，提供了一种计算机设备的实施例。图9是根据本发明实施例提供的计算机设备，其中，事件单系统程序部署在该计算机设备中。如图9所示，计算机设备主要组成模块包括存储器、处理器、io控制器，通过bus总线进行通信。io装置一般是由执行io操作的机械部分和执行控制io的电子部件组成。
76.根据本发明实施例，提供了一种非易失性存储介质的实施例。非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行如下信息分配
方法：获取目标信息的语义特征；依据目标信息的语义特征，确定目标信息的业务类型；确定与业务类型对应的第一运维人员信息集合，并从第一运维人员信息集合中确定目标运维人员信息，其中，目标运维人员信息对应的目标运维人员为处理目标信息的运维人员；发送目标信息至与目标运维人员信息对应的信息处理设备。根据本发明实施例，提供了一种电子设备的实施例。电子设备包括处理器，处理器用于运行程序，其中，程序运行时执行如下信息分配方法：获取目标信息的语义特征；依据目标信息的语义特征，确定目标信息的业务类型；确定与业务类型对应的第一运维人员信息集合，并从第一运维人员信息集合中确定目标运维人员信息，其中，目标运维人员信息对应的目标运维人员为处理目标信息的运维人员；发送目标信息至与目标运维人员信息对应的信息处理设备。
77.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
78.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
79.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
80.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
81.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
82.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
83.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。