本发明公开故障处理方案的推荐方法、装置、终端设备及存储介质，所述方法包括：获取故障描述文本，并基于预设的处理模型将所述故障描述文本处理成数值特征向量；将所述数值特征向量与预设的方案库中的所有故障处理方案进行匹配，并计算所述数值特征向量与每一故障处理方案之间的语义相似度，其中，所有的故障处理方案预先使用所述处理模型转换成向量；基于所述语义相似度，确定目标故障处理方案，并基于所述目标故障处理方案进行故障处理。本发明可实现对故障描述文本的向量化，并基于向量之间的相似度确定故障处理方案，实现最优方案的高效推荐。
1.一种故障处理方案的推荐方法，其特征在于，所述方法包括：获取故障描述文本，并基于预设的处理模型将所述故障描述文本处理成数值特征向量；
将所述数值特征向量与预设的方案库中的所有故障处理方案进行匹配，并计算所述数值特征向量与每一故障处理方案之间的语义相似度，其中，所有的故障处理方案预先使用所述处理模型转换成向量；
基于所述语义相似度，确定目标故障处理方案，并基于所述目标故障处理方案进行故障处理；
所述获取故障描述文本，并基于预设的处理模型将所述故障描述文本处理成数值特征向量，包括：对数控机床的运行过程进行全寿命周期监控，并分时段保存监控数据，对所述监控数据进行归类整理，分为操作监控数据、环境监控数据以及设备监控数据，所述设备监控数据包括数控机床设备以及刀具的监控数据；
对所述监控数据进行异常分析，确定所述监控数据中的故障数据，并获取所述故障数据所对应的故障描述文本；
调取预设的处理模型，将所述故障描述文本输入至所述处理模型中，得到所述数值特征向量，其中，所述处理模型为doc2vec模型；
所述对所述监控数据进行异常分析，确定所述监控数据中的故障数据，包括：针对所述操作监控数据进行异常分析时，将所述操作监控数据与用户操作手册中的操作说明进行比较，找出所述操作监控数据中的操作不规范数据，将所述操作不规范数据作为故障数据；
针对所述环境监控数据，将所述环境监控数据中的噪音分贝以及设备温度分别与预设的标准噪音范围以及标准设备温度范围进行匹配，确定出所述环境监控数据中的异常噪音数据以及异常温度数据，并将所述异常噪音数据以及所述异常温度数据作为故障数据；
针对所述设备监控数据，将所述设备监控数据中的数控机床异常中断以及刀具磨损量超过磨损阈值的数据作为故障数据；
所述将所述数值特征向量与预设的方案库中的所有故障处理方案进行匹配，并计算所述数值特征向量与每一故障处理方案之间的语义相似度，包括：获取每一个故障处理方案所对应的故障向量数据，并将所述数值特征向量与每一个故障向量数据依次进行匹配；
确定所述数值特征向量与每一个故障向量数据之间的语义相似度；
所述确定所述数值特征向量与每一个故障向量数据之间的语义相似度，包括：分别计算所述数值特征向量与每一个故障向量数据之间的欧式距离；
所述基于所述语义相似度，确定目标故障处理方案，包括：获取欧式距离最短所对应的故障向量数据，并将欧式距离最短的故障向量数据所对应的故障处理方案作为所述目标故障处理方案；
预先梳理数控机床加工过程中的典型故障类型以及每一种典型故障类型所对应的故障名称，并以文本格式记录每一种典型故障类型所对应的故障处理方案；
使用关系型数据库保存文本，字段为所述典型故障类型与所述故障名称，值为所述故障处理方案；
将所述故障处理方案输入至预设的处理模型中，得到所述故障向量数据；
所述将所述故障处理方案输入至预设的处理模型中，得到所述故障向量数据，包括：所述处理模型采用预训练的语义向量初始化故障处理方案的文本，每个字对应一个初始化向量，将整体的故障处理方案初始化为1个文档向量；
所述处理模型采用滑动窗口策略，窗口宽度设定为3，从故障处理方案的文本的第一个字开始，用滑动窗口依次提取3个字的向量；
使用两侧的2个向量以及文档向量拼接为矩阵后作为输入，输入多层神经网络，输出向量后与预测中间字向量比较；
以输出向量与中间字向量的均方误差进行反向传播，更新处理模型中的神经网络参数以及文档向量，得到故障处理方案所对应的故障向量数据。
2.根据权利要求1所述的故障处理方案的推荐方法，其特征在于，所述获取所述故障数据所对应的故障描述文本，包括：对所述故障数据进行语义识别，得到语义识别结果；
将所述语义识别结果进行文本转换，得到所述故障描述文本。
3.一种故障处理方案的推荐装置，其特征在于，所述装置包括：文本处理模块，用于获取故障描述文本，并基于预设的处理模型将所述故障描述文本处理成数值特征向量；
向量匹配模块，用于将所述数值特征向量与预设的方案库中的所有故障处理方案进行匹配，并计算所述数值特征向量与每一故障处理方案之间的语义相似度，其中，所有的故障处理方案预先使用所述处理模型转换成向量；
方案确定模块，用于基于所述语义相似度，确定目标故障处理方案，并基于所述目标故障处理方案进行故障处理；
监控数据获取单元，用于对数控机床的运行过程进行全寿命周期监控，并分时段保存监控数据，对所述监控数据进行归类整理，分为操作监控数据、环境监控数据以及设备监控数据，所述设备监控数据包括数控机床设备以及刀具的监控数据；
故障数据分析单元，用于对所述监控数据进行异常分析，确定所述监控数据中的故障数据，并获取所述故障数据所对应的故障描述文本；
故障数据转换单元，用于调取预设的处理模型，将所述故障描述文本输入至所述处理模型中，得到所述数值特征向量，其中，所述处理模型为doc2vec模型；
针对所述操作监控数据进行异常分析时，将所述操作监控数据与用户操作手册中的操作说明进行比较，找出所述操作监控数据中的操作不规范数据，将所述操作不规范数据作为故障数据；
针对所述环境监控数据，将所述环境监控数据中的噪音分贝以及设备温度分别与预设的标准噪音范围以及标准设备温度范围进行匹配，确定出所述环境监控数据中的异常噪音数据以及异常温度数据，并将所述异常噪音数据以及所述异常温度数据作为故障数据；
针对所述设备监控数据，将所述设备监控数据中的数控机床异常中断以及刀具磨损量超过磨损阈值的数据作为故障数据；
数据匹配单元，用于获取每一个故障处理方案所对应的故障向量数据，并将所述数值特征向量与每一个故障向量数据依次进行匹配；
相似度确定单元，用于确定所述数值特征向量与每一个故障向量数据之间的语义相似度；
欧式距离计算子单元，用于分别计算所述数值特征向量与每一个故障向量数据之间的欧式距离；
相似度确定子单元，用于基于所述欧式距离，确定所述语义相似度；
欧式距离比较单元，用于获取欧式距离最短所对应的故障向量数据，并将欧式距离最短的故障向量数据所对应的故障处理方案作为所述目标故障处理方案；
所述装置还包括方案库构建模块，所述方案库构建模块包括：数据梳理单元，用于预先梳理数控机床加工过程中的典型故障类型以及每一种典型故障类型所对应的故障名称，并以文本格式记录每一种典型故障类型所对应的故障处理方案；
数据保存单元，用于使用关系型数据库保存文本，字段为所述典型故障类型与所述故障名称，值为所述故障处理方案；
数据处理单元，用于将所述故障处理方案输入至预设的处理模型中，得到所述故障向量数据；
所述处理模型采用预训练的语义向量初始化故障处理方案的文本，每个字对应一个初始化向量，将整体的故障处理方案初始化为1个文档向量；
所述处理模型采用滑动窗口策略，窗口宽度设定为3，从故障处理方案的文本的第一个字开始，用滑动窗口依次提取3个字的向量；
使用两侧的2个向量以及文档向量拼接为矩阵后作为输入，输入多层神经网络，输出向量后与预测中间字向量比较；
以输出向量与中间字向量的均方误差进行反向传播，更新处理模型中的神经网络参数以及文档向量，得到故障处理方案所对应的故障向量数据。
4.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的故障处理方案的推荐程序，所述处理器执行所述故障处理方案的推荐程序时，实现如权利要求1‑2任一项所述的故障处理方案的推荐方法的步骤。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有故障处理方案的推荐程序，所述故障处理方案的推荐程序被处理器执行时，实现如权利要求1‑2任一项所述的故障处理方案的推荐方法的步骤。
故障处理方案的推荐方法、装置、终端设备及存储介质
技术领域
[0001] 本发明涉及故障处理技术领域，尤其涉及一种故障处理方案的推荐方法、装置、终端设备及存储介质。
背景技术
[0002] 数控机床加工过程故障处置大多凭借操作人员经验，主观性较强。当数控机床出现故障时，基本都是手动在文件系统中检索相关的解决方案，导致效率较低，故障处置不及时。
[0003] 因此，现有技术还有待改进和提高。
发明内容
[0004] 本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种故障处理方案的推荐方法、装置、终端设备及存储介质，旨在解决现有技术中确定故障解决方案的效率较低，且故障处理不及时的问题。
[0005] 为了解决上述技术问题，本发明所采用的技术方案如下：
[0006] 第一方面，本发明提供一种故障处理方案的推荐方法，其中，所述方法包括：
[0007] 获取故障描述文本，并基于预设的处理模型将所述故障描述文本处理成数值特征向量；
[0008] 将所述数值特征向量与预设的方案库中的所有故障处理方案进行匹配，并计算所述数值特征向量与每一故障处理方案之间的语义相似度，其中，所有的故障处理方案预先使用所述处理模型转换成向量；
[0009] 基于所述语义相似度，确定目标故障处理方案，并基于所述目标故障处理方案进行故障处理。
[0010] 在一种实现方式中，所述获取故障描述文本，并基于预设的处理模型将所述故障描述文本处理成数值特征向量，包括：
[0011] 对数控机床的运行过程进行全寿命周期监控，并分时段保存监控数据；
[0012] 对所述监控数据进行异常分析，确定所述监控数据中的故障数据，并获取所述故障数据所对应的故障描述文本；
[0013] 调取预设的处理模型，将所述故障描述文本输入至所述处理模型中，得到所述数值特征向量，其中，所述处理模型为doc2vec模型。
[0014] 在一种实现方式中，所述获取所述故障数据所对应的故障描述文本，包括：
[0015] 对所述故障数据进行语义识别，得到语义识别结果；
[0016] 将所述语义识别结果进行文本转换，得到所述故障描述文本。
[0017] 在一种实现方式中，所述将所述数值特征向量与预设的方案库中的所有故障处理方案进行匹配，并计算所述数值特征向量与每一故障处理方案之间的语义相似度，包括：
[0018] 获取每一个故障处理方案所对应的故障向量数据，并将所述数值特征向量与每一个故障向量数据依次进行匹配；
[0019] 确定所述数值特征向量与每一个故障向量数据之间的语义相似度。
[0020] 在一种实现方式中，所述确定所述数值特征向量与每一个故障向量数据之间的语义相似度，包括：
[0021] 分别计算所述数值特征向量与每一个故障向量数据之间的欧式距离；
[0022] 基于所述欧式距离，确定所述语义相似度。
[0023] 在一种实现方式中，所述基于所述语义相似度，确定目标故障处理方案，包括：
[0024] 获取欧式距离最短所对应的故障向量数据，并将欧式距离最短的故障向量数据所对应的故障处理方案作为所述目标故障处理方案。
[0025] 在一种实现方式中，所述方案库的构建方式包括：
[0026] 预先梳理数控机床加工过程中的典型故障类型以及每一种典型故障类型所对应的故障名称，并以文本格式记录每一种典型故障类型所对应的故障处理方案；
[0027] 使用关系型数据库保存文本，字段为所述典型故障类型与所述故障名称，值为所述故障处理方案；
[0028] 将所述故障处理方案输入至预设的处理模型中，得到所述故障向量数据。
[0029] 第二方面，本发明实施例还提供一种故障处理方案的推荐装置，其中，所述装置包括：
[0030] 文本处理模块，用于获取故障描述文本，并基于预设的处理模型将所述故障描述文本处理成数值特征向量；
[0031] 向量匹配模块，用于将所述数值特征向量与预设的方案库中的所有故障处理方案进行匹配，并计算所述数值特征向量与每一故障处理方案之间的语义相似度，其中，所有的故障处理方案预先使用所述处理模型转换成向量；
[0032] 方案确定模块，用于基于所述语义相似度，确定目标故障处理方案，并基于所述目标故障处理方案进行故障处理。
[0033] 第三方面，本发明实施例还提供一种终端设备，其中，所述终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的故障处理方案的推荐程序，所述处理器执行所述故障处理方案的推荐程序时，实现上述方案中任一项所述的故障处理方案的推荐方法的步骤。
[0034] 第四方面，本发明实施例还提供一种计算机可读存储介质，其中，所述计算机可读存储介质上存储有故障处理方案的推荐程序，所述故障处理方案的推荐程序被处理器执行时，实现上述方案中任一项所述的故障处理方案的推荐方法的步骤。
[0035] 有益效果：与现有技术相比，本发明提供了一种故障处理方案的推荐方法，本发明首先获取故障描述文本，并基于预设的处理模型将所述故障描述文本处理成数值特征向量。然后，将所述数值特征向量与预设的方案库中的所有故障处理方案进行匹配，并计算所述数值特征向量与每一故障处理方案之间的语义相似度，其中，所有的故障处理方案预先使用所述处理模型转换成向量。最后，基于所述语义相似度，确定目标故障处理方案，并基于所述目标故障处理方案进行故障处理。本发明可实现对故障描述文本的向量化，并基于向量之间的语义相似度快速的确定故障处理方案，实现最优方案的高效推荐，保证故障的及时处理。
附图说明
[0036] 图1为本发明实施例提供的故障处理方案的推荐方法的具体实施方式的流程示意图。
[0037] 图2为本发明实施例提供的故障处理方案的推荐装置的原理框图。
[0038] 图3为本发明实施例提供的终端设备的原理图。
具体实施方式
[0039] 为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0040] 本实施例提供一种故障处理方案的推荐方法，基于该推荐方法可实现对故障描述文本的向量化，并基于向量之间的语义相似度快速的确定故障处理方案，实现最优方案的高效推荐，保证故障的及时处理。具体地，本实施例首先获取故障描述文本，并基于预设的处理模型将所述故障描述文本处理成数值特征向量。然后，将所述数值特征向量与预设的方案库中的所有故障处理方案进行匹配，并计算所述数值特征向量与每一故障处理方案之间的语义相似度，其中，所有的故障处理方案预先使用所述处理模型转换成向量。最后，基于所述语义相似度，确定目标故障处理方案，并基于所述目标故障处理方案进行故障处理。
[0041] 示例性方法
[0042] 本实施例的故障处理方案的推荐方法可应用于终端设备中，该终端设备可为电脑、智能电视、手机等智能化产品终端。在本实施例中，如图1中所示，所述故障处理方案的推荐方法具体包括如下步骤：
[0043] 步骤S100、获取故障描述文本，并基于预设的处理模型将所述故障描述文本处理成数值特征向量。
[0044] 在具体应用时，本实施例的终端设备对数控机床的全寿命周期的运行过程进行监控，就可以得到监控数据，该监控数据可以反映该数控机床在运行过程中的所有加工记录，包括对于刀具的使用以及加工步骤的切换甚至是加工面的调整。为了保证监控数据方便被调取，本实施例在得到监控数据后，将监控数据分时段保存在特定的存储区域，比如预先将存储空间氛围若干个存储区域，每个存储区域对应一个时间段的监控数据的存储，当终端设备需要对某个时间段内的监控数据进行分析时，可直接找到对应时间段内的监控数据，然后再对该监控数据进行分析。此外，本实施例在获取到监控数据后，需要从监控数据中判断此时的数控机床是否发生故障。
[0045] 在一种实现方式中，监控数据包括多方面的数据，具体包括数控机床本身运行时发生的噪音数据、设备温度数据以及运行异常数据等，还包括数据机床上使用的刀具的磨损等数据。因此，本实施例可对监控数据进行归类整理，主要分为三大类，其中，第一类为操作监控数据、环境监控数据以及设备监控数据，所述设备监控数据包括数控机床设备以及刀具的监控数据。然后，本实施例分别对这三类监控数据进行专项分析，分别对这三类监控数据进行异常分析，找出这三类监控数据中的故障数据。具体地，在本实施例中，针对操作监控数据进行异常分析时，本实施例可将该操作监控数据与用户操作手册中的操作说明进行比较，找出所述操作监控数据中的操作不规范数据，进而将该操作不规范数据作为故障数据。针对环境监控数据，本实施例将该环境监控数据中的噪音分贝以及设备温度分别与预设的标准噪音范围以及标准设备温度范围进行匹配，确定出该环境监控数据中的异常噪音数据以及异常温度数据，并将该异常噪音数据以及异常温度数据作为故障数据。而针对设备监控数据，本实施例将设备监控数据中的数控机床异常中断以及刀具磨损量超过磨损阈值的数据作为故障数据。
[0046] 在得到故障数据后，本实施例可对该故障数据进行语义识别，得到语义识别结果。然后，将所述语义识别结果进行文本转换，得到所述故障描述文本。本实施例将故障数据转换成故障描述文本，有利于后续步骤中对于故障数据进行分析，并且，本实施例的故障描述文本，也更为直观地体现出数控机床所出现的故障。接着，本实施例调取预设的处理模型，将所述故障描述文本输入至所述处理模型中，得到所述数值特征向量。本实施例的预处理模型为doc2vec模型，该doc2vec模型可将故障描述文本转化成数值特征向量。
[0047] 步骤S200、将所述数值特征向量与预设的方案库中的所有故障处理方案进行匹配，并计算所述数值特征向量与每一故障处理方案之间的语义相似度，其中，所有的故障处理方案预先使用所述处理模型转换成向量。
[0048] 当得到数值特征向量后，本实施例获取预设的方案库，并获取所有的故障处理方案。在本实施例中，方案库中的所有故障处理方案均预先使用处理模型进行向量转换。具体地，本实施例在构建方案库时，预先梳理数控机床加工过程中的典型故障类型以及每一种典型故障类型所对应的故障名称，并以文本格式记录每一种典型故障类型所对应的故障处理方案。然后，使用关系型数据库保存文本，字段为所述典型故障类型与所述故障名称，值为所述故障处理方案。本实施例中的关系数据库是建立在关系模型基础上的数据库，借助于集合代数等数学概念和方法来处理数据库中的数据。比如，MySQL、Postpresql。最后，将所述故障处理方案输入至预设的处理模型中，得到所述故障向量数据。本实施例的预处理模型为doc2vec模型，该模型采用预训练的语义向量初始化故障处理方案的文本，即每个字对应一个初始化向量，将整体的故障处理方案初始化为1个文档向量。接下来，该模型采用滑动窗口策略，窗口宽度设定为3，从故障处理方案的文本的第一个字开始，用滑动窗口依次提取3个字的向量。接着，使用两侧的2个向量以及文档向量（document vector）拼接为矩阵后作为输入，输入多层神经网络，输出向量后与预测中间字向量比较。最后，以输出向量与中间字向量的均方误差进行反向传播，更新神经网络参数以及文档向量，即得到故障处理方案所对应的故障向量数据。基于上述方式，本实施例可得到方案库中每一个故处理方案中的故障向量数据。
[0049] 本实施例在当得到数值特征向量后，获取每一个故障处理方案所对应的故障向量数据，并将所述数值特征向量与每一个故障向量数据依次进行匹配。由于每一个故障处理方案都转换成了对应的故障向量数据，因此，本实施例可分别计算所述数值特征向量与每一个故障向量数据之间的欧式距离，该欧式距离可反映出数值特征向量与故障向量数据之间的语义相似度，因此，本实施例通过计算欧式距离就可以确定数值特征向量与每一个故障向量数据之间的语义相似度。如果数值特征向量与某个故障向量数据之间的欧式距离越短，则说明该数值特征向量与该故障向量数据之间的语义相似度越大，而如果如果数值特征向量与某个故障向量数据之间的欧式距离越长，则说明该数值特征向量与该故障向量数据之间的语义相似度越小。
[0050] 步骤S300、基于所述语义相似度，确定目标故障处理方案，并基于所述目标故障处理方案进行故障处理。
[0051] 具体地，本实施例在得到数值特征向量与每一个故障向量数据之间的欧式距离后，可对所有的欧式距离进行比较，找出欧式距离最短的故障向量数据，该欧式距离最短的故障向量数据与数值特征向量之间的语义相似度最大，因此，本实施例可将欧式距离最短的故障向量数据所对应的故障处理方案作为所述目标故障处理方案。当得到目标故障处理方案后，本实施例可基于该目标故障处理方案来进行故障处理，以解决数控机床的故障。
[0052] 综上，本实施例首先获取故障描述文本，并基于预设的处理模型将所述故障描述文本处理成数值特征向量。然后，将所述数值特征向量与预设的方案库中的所有故障处理方案进行匹配，并计算所述数值特征向量与每一故障处理方案之间的语义相似度，其中，所有的故障处理方案预先使用所述处理模型转换成向量。最后，基于所述语义相似度，确定目标故障处理方案，并基于所述目标故障处理方案进行故障处理。本实施例可实现对故障描述文本的向量化，并基于向量之间的语义相似度快速的确定故障处理方案，实现最优方案的高效推荐，保证故障的及时处理。
[0053] 示例性装置
[0054] 基于上述本实施例，本发明还提供一种故障处理方案的推荐装置，如图2中所示，所述装置包括：文本处理模块10、向量匹配模块20以及方案确定模块30。具体地，所述文本处理模块10，用于获取故障描述文本，并基于预设的处理模型将所述故障描述文本处理成数值特征向量。所述向量匹配模块20，用于将所述数值特征向量与预设的方案库中的所有故障处理方案进行匹配，并计算所述数值特征向量与每一故障处理方案之间的语义相似度，其中，所有的故障处理方案预先使用所述处理模型转换成向量。所述方案确定模块30，用于基于所述语义相似度，确定目标故障处理方案，并基于所述目标故障处理方案进行故障处理。
[0055] 在一种实现方式中，所述文本处理模块10包括：
[0056] 监控数据获取单元，用于对数控机床的运行过程进行全寿命周期监控，并分时段保存监控数据；
[0057] 故障数据分析单元，用于对所述监控数据进行异常分析，确定所述监控数据中的故障数据，并获取所述故障数据所对应的故障描述文本；
[0058] 故障数据转换单元，用于调取预设的处理模型，将所述故障描述文本输入至所述处理模型中，得到所述数值特征向量，其中，所述处理模型为doc2vec模型。
[0059] 在一种实现方式中，所述故障数据转换单元包括：
[0060] 语义识别子单元，用于对所述故障数据进行语义识别，得到语义识别结果；
[0061] 文本转换子单元，用于将所述语义识别结果进行文本转换，得到所述故障描述文本。
[0062] 在一种实现方式中，所述向量匹配模块20，包括：
[0063] 数据匹配单元，用于获取每一个故障处理方案所对应的故障向量数据，并将所述数值特征向量与每一个故障向量数据依次进行匹配；
[0064] 相似度确定单元，用于确定所述数值特征向量与每一个故障向量数据之间的语义相似度。
[0065] 在一种实现方式中，所述相似度确定单元包括：
[0066] 欧式距离计算子单元，用于分别计算所述数值特征向量与每一个故障向量数据之间的欧式距离；
[0067] 相似度确定子单元，用于基于所述欧式距离，确定所述语义相似度。
[0068] 在一种实现方式中，所述方案确定模块30包括：
[0069] 欧式距离比较单元，用于获取欧式距离最短所对应的故障向量数据，并将欧式距离最短的故障向量数据所对应的故障处理方案作为所述目标故障处理方案。
[0070] 在一种实现方式中，所述装置还包括方案库构建模块，所述方案库构建模块包括：
[0071] 数据梳理单元，用于预先梳理数控机床加工过程中的典型故障类型以及每一种典型故障类型所对应的故障名称，并以文本格式记录每一种典型故障类型所对应的故障处理方案；
[0072] 数据保存单元，用于使用关系型数据库保存文本，字段为所述典型故障类型与所述故障名称，值为所述故障处理方案；
[0073] 数据处理单元，用于将所述故障处理方案输入至预设的处理模型中，得到所述故障向量数据。
[0074] 本实施例的故障处理方案的推荐装置中的各个功能模块的执行原理与上述方法实施例中各个步骤的执行过程相同，此处不在赘述。
[0075] 基于上述实施例，本发明还提供了一种终端设备，所述终端设备的原理框图可以如3所示。终端设备可以包括一个或多个处理器100（图3中仅示出一个），存储器101以及存储在存储器101中并可在一个或多个处理器100上运行的计算机程序102，例如， 故障处理方案的推荐的程序。一个或多个处理器100执行计算机程序102时可以实现APP主题场景控制的方法实施例中的各个步骤。或者，一个或多个处理器100执行计算机程序102时可以实现故障处理方案的推荐的装置实施例中各模块/单元的功能，此处不作限制。
[0076] 在一个实施例中，所称处理器100可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field‑Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0077] 在一个实施例中，存储器101可以是电子设备的内部存储单元，例如电子设备的硬盘或内存。存储器101也可以是电子设备的外部存储设备，例如电子设备上配备的插接式硬盘，智能存储卡（smart media card，SMC），安全数字（secure digital，SD）卡，闪存卡（flash card）等。进一步地，存储器101还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器101用于存储计算机程序以及终端设备所需的其他程序和数据。存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
[0078] 本领域技术人员可以理解，图3中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端设备的限定，具体的终端设备以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0079] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、运营数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双运营数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
[0080] 综上，本发明公开了故障处理方案的推荐方法、装置、终端设备及存储介质，所述方法包括：获取故障描述文本，并基于预设的处理模型将所述故障描述文本处理成数值特征向量；将所述数值特征向量与预设的方案库中的所有故障处理方案进行匹配，并计算所述数值特征向量与每一故障处理方案之间的语义相似度，其中，所有的故障处理方案预先使用所述处理模型转换成向量；基于所述语义相似度，确定目标故障处理方案，并基于所述目标故障处理方案进行故障处理。本发明可实现对故障描述文本的向量化，并基于向量之间的相似度确定故障处理方案，实现最优方案的高效推荐。
[0081] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
