本申请涉及人工智能，尤其涉及一种网络环境变化感知方法、装置、设备、芯片、介质及产品。
背景技术：
1、目前质差小区的问题分析工具只能定位到弱覆盖、干扰等问题表象，未能结合网络环境的变化、用户分布、用户行为的变化，定位到发生质量劣化的根本原因，还需要现场核实分析、现场人工制定方案，工作量大，且准确性较差，因此需要实现网络侧对周边环境变化的感知能力，辅助提升质差问题的解决效率。然而，在网络环境变化感知的相关技术中，对于传统方法来说，需要依赖于运维专家的经验，其对人力消耗较大，而对于基于神经网络模型判断网络变化类型的方法来说，其仅能对闭集合内的类别进行推理，且需对分类问题标签进行固定编码表示，并不能精准地对模型进行训练。
技术实现思路
1、为解决上述技术问题，本申请实施例提供了一种网络环境变化感知方法、装置、设备、芯片、介质及产品。
2、本申请实施例提供的网络环境变化感知方法，包括：
3、将第一序列数据和文本数据输入至感知模型中，通过所述感知模型输出第二数据和所述文本数据之间的n个目标相似度值，n为正整数；其中，所述第一序列数据为经过掩码处理后的在第一时刻之前的t个单位时间的网元指标数据，所述第二数据为第二时刻的网元指标数据，所述文本数据为与所述第一序列数据对应的网络环境变化的描述文本，所述第二时刻位于所述第一时刻之后，t为正整数；
4、从所述n个目标相似度值中选取最大值，并将所述最大值对应的正样本对作为推理结果，基于所述推理结果确定所述第二数据以及对应的网络环境变化类型；其中，所述正样本对为所述第二数据和所述文本数据之间的相关样本对。
5、本申请实施例提供的网络环境变化感知装置，包括：
6、处理单元，用于将第一序列数据和文本数据输入至感知模型中，通过所述感知模型输出第二数据和所述文本数据之间的n个目标相似度值，n为正整数；其中，所述第一序列数据为经过掩码处理后的在第一时刻之前的t个单位时间的网元指标数据，所述第二数据为第二时刻的网元指标数据，所述文本数据为与所述第一序列数据对应的网络环境变化的描述文本，所述第二时刻位于所述第一时刻之后，t为正整数；
7、确定单元，用于从所述n个目标相似度值中选取最大值，并将所述最大值对应的正样本对作为推理结果，基于所述推理结果确定所述第二数据以及对应的网络环境变化类型；其中，所述正样本对为所述第二数据和所述文本数据之间的相关样本对。
8、本申请实施例提供的网络环境变化感知设备，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行本申请实施例所提供的任意一种网络环境变化感知方法。
9、本申请实施例提供的芯片，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行本申请实施例所提供的任意一种网络环境变化感知方法。
10、本申请实施例提供的计算机可读存储介质，用于存储计算机程序，所述计算机程序使得计算机执行本申请实施例所提供的任意一种网络环境变化感知方法。
11、本申请实施例提供的计算机程序产品，包括：计算机程序指令，所述计算机程序指令使得计算机执行本申请实施例所提供的任意一种网络环境变化感知方法。
12、本申请实施例的技术方案中，通过将第一序列数据和文本数据输入至感知模型中，使感知模型输出第二数据和文本数据之间的n个目标相似度值，并从n个目标相似度值中选取最大值，将最大值对应的正样本对作为推理结果，基于推理结果确定第二数据以及对应的网络环境变化类型；其中，第一序列数据为经过掩码处理后的在第一时刻之前的t个单位时间的网元指标数据，第二数据为位于第一时刻之后的第二时刻的网元指标数据，文本数据为与第一序列数据对应的网络环境变化的描述文本，正样本对为第二数据和文本数据之间的相关样本对。如此，能够基于对比学习训练的方式，对结构化的网元指标数据和非结构化的网络环境变化文本进行建模，无需对样本标签进行固定编码表示，并学习文本描述的语义信息和网元指标数据的特征信息之间的联系，从而更精准地对模型进行训练，提高模型预测的准确率。
1.一种网络环境变化感知方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述感知模型包括网元特征编码器、文本特征编码器、第一多层感知器和第二多层感知器；
3.根据权利要求2所述的方法，其特征在于，所述网元特征编码器包括m个多头注意力模块，m为正整数；
4.根据权利要求3所述的方法，其特征在于，所述m个多头注意力模块按照堆叠的方式进行连接；
5.根据权利要求4所述的方法，其特征在于，所述每个多头注意力模块包括p个第一注意力头和q个第二注意力头，p，q为正整数；
6.根据权利要求5所述的方法，其特征在于，所述对所述时间关联特征向量进行指标相关的多头注意力计算，得到指标关联特征向量，包括：
7.根据权利要求2至6中任一项所述的方法，其特征在于，所述基于所述第一多层感知器和所述第二多层感知器，得到所述网元特征向量和所述文本特征向量之间的n个目标相似度值，包括：
8.根据权利要求7所述的方法，其特征在于，所述基于所述l个相似度值，得到所述n个目标相似度值，包括：
9.根据权利要8所述的方法，其特征在于，所述第一序列数据对应的真实标签为目标序列数据，所述方法还包括：
10.一种网络环境变化感知装置，其特征在于，所述装置包括：
11.一种网络环境变化感知设备，其特征在于，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至9中任一项所述的方法。
12.一种芯片，其特征在于，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片的设备执行如权利要求1至9中任一项所述的方法。
13.一种计算机可读存储介质，其特征在于，用于存储计算机程序，所述计算机程序使得计算机执行如权利要求1至9中任一项。
14.一种计算机产品，其特征在于，包括：计算机程序，所述计算机程序使得计算机执行如权利要求1至9中任一项。
