[zt] 提交SR技巧(Service Request,SR,过去也叫TAR )

本文介绍了如何通过正确提交Service Request (SR) 来加快Oracle的技术支持响应速度。包括合理选择SR等级、利用不同区域处理时差、使用英文描述问题等方法。

http://www.oracleblog.cn/working-case/some-skill-on-log-sr/ 

在平时的时候,遇到一些问题总会在metalink上提交SR(Service Request,SR,过去也叫Technical Assistance Request,TAR ),我们提交sr的时候,总是希望早点能够得到问题的解答。那么我们该如何提交sr,提交sr后该如何提高解答的速度呢?

1.sr分为4个等级,按紧急程度:一级>二级>三级>四级。一级一般是要求24小时处理,也就是说,oracle会连续的24小时帮你解决问题,但是也要求你能24小时的回复相应的要求,如果你很长时间没有回复,等级也会自动的降级。一级虽然能24小时处理,但是也有不好的地方,就是这个sr在下班的时候,会转移到另一个工程师处,可能下一个工程师就不太了解你系统的情况。二级一般不会24小时处理,但是是某个工程师一直跟进,这个也是我们常常提交的sr等级。三级四级我们不太常用,四级我们一般会问问一些和生产系统没关系的问题,或者提交一个要求,请oracle给你免费的寄安装介质。

2.处理sr有oracle的五大区域处理:美国、英国、印度、澳大利亚、大连,按照你当前提交的时间,提交给不同时区的工程师处理,中国一般是大连的处理,如果是一级sr,大连的工程师会将sr转移给下一区印度的工程师。一般工程师处理问题时,有个处理的队列,按照紧急程度排列,最上面的会最先处理,如果一个问题连续update三次,oracle工程师那边就显示的很紧急了,一般会优先处理你的问题了。:)

3.提交问题的时候最好用英文书写,如果用中文,就需要时间进行翻译,一般会多消耗2小时左右的时间。如果长时间还没有翻译好,可以打800的电话进行催促。

4.Escalation问题的升级,可以打800、可以在sr中提及、可以找DM,可以是基于你的判断,来要求升级问题。

5.SR界面中的提示缩写说明:

5.1 oracle回复:
NEW – New TAR
WIP – Work in Progress
RVW – Review

5.2 等待oracle技术支持的回复:
1CB – 1st Callback 2CB – 2nd Callback IRR – Immediate Response Required INT – Waiting Internal Response
DEV – Assigned to Development

5.3 等待客户的回复:
CUS – Waiting on Customer
SLP – Sleep until Customer Available
LMS – Left Message
SCL – Soft Close
HCL – Hard Close
WCP – Waiting for Customer to Apply Patch

6.一般在没有回复14天后自动的soft close,但是soft close如果有问题,还是能打开的,继续跟进问题。

7.在sr的信息是有法律效应的,要是出了事情,完全可以根据sr的内容和oracle打官司。因此……sr的回复一般都比较保守,比较谨慎。

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/35489/viewspace-674484/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/35489/viewspace-674484/

### SR-GNN源码解析 #### 导入必要的库 为了实现序列推荐中的图神经网络模型(SR-GNN),首先导入所需的Python库[^1]。 ```python import numpy as np import torch import torch.nn as nn from torch.autograd import Variable ``` #### 定义数据处理函数 定义用于加载和预处理训练集以及测试集中会话数据的方法。这些方法负责将原始日志文件转换成适合输入到GNN模型的形式[^2]。 ```python def load_data(file_path): # 加载并清理数据... def preprocess_session(session_items, item_map): # 将商品ID映射为连续编号... ``` #### 构建SessionGraph类 创建`SessionGraph`类来表示用户浏览行为构成的有向无环图(DAG)[^3]。该类实现了邻接矩阵构建逻辑以及其他辅助功能,比如获取节点特征等操作。 ```python class SessionGraph(object): def __init__(self, session_items, num_items): self.num_items = num_items def build_adjacency_matrix(self): adj = sp.coo_matrix((np.ones(len(edges)), (edges[:,0], edges[:,1])), shape=(N,N), dtype=np.float32) ... def get_node_features(self): features = ... # 提取物品属性作为节点特征 return features ``` #### 设计SR_GNN模型结构 基于PyTorch框架搭建核心算法部分——即通过多层感知机(MLP)更新节点表征,并利用注意力机制聚合邻居信息完成最终预测任务[^4]。 ```python class SR_GNN(nn.Module): def __init__(self, n_items, hidden_size=100, batch_size=100, nonhybrid=False): super(SR_GNN,self).__init__() ... def forward(self, inputs, A): h_0 = ... # 初始化隐藏状态 hs = [] # 存储每一时刻的状态输出 for t in range(T): ht = F.leaky_relu(...) # 更新当前时间步下的隐含层激活值 alpha_t = softmax(... , dim=-1) # 计算自适应权重系数αt zt = torch.matmul(alpha_t.unsqueeze(-2),ht).squeeze() # 对邻居加权求和得到zt hs.append(zt) y = self.compute_output(hs[-1]) # 获取最后一个时间戳上的输出y scores = F.log_softmax(y.view(batch_size,-1)) # 应用softmax获得概率分布p(v|S) return scores ``` #### 实现损失计算与优化器配置 最后一步是设置交叉熵作为目标函数衡量预测效果的好坏程度;同时选用Adam梯度下降法调整参数直至收敛为止[^5]。 ```python criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=args.lr, weight_decay=args.l2) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值