CN112507141A - 调查任务生成方法、装置、计算机设备及存储介质 - Google Patents
调查任务生成方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112507141A CN112507141A CN202011399362.4A CN202011399362A CN112507141A CN 112507141 A CN112507141 A CN 112507141A CN 202011399362 A CN202011399362 A CN 202011399362A CN 112507141 A CN112507141 A CN 112507141A
- Authority
- CN
- China
- Prior art keywords
- task
- case
- investigation
- configuration model
- survey
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011835 investigation Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 139
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000013507 mapping Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 9
- 201000010099 disease Diseases 0.000 description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 101150039208 KCNK3 gene Proteins 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 101150083764 KCNK9 gene Proteins 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- -1 Task2 Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/383—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/28—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet
- G06V30/287—Character recognition specially adapted to the type of the alphabet, e.g. Latin alphabet of Kanji, Hiragana or Katakana characters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例属于人工智能领域,应用于智慧安防领域中,涉及一种调查任务生成方法、装置、计算机设备及存储介质,包括接收历史调查数据和任务序列,提取历史调查数据中的案件标签,并基于案件标签生成案件向量,任务序列的末置任务为简单任务;基于案件向量和任务序列生成训练样本,并基于训练样本训练预设的任务配置模型,获得训练后的任务配置模型;获取待识别数据,提取待识别数据中的案件标签,并基于待识别数据中的案件标签生成待识别案件向量,将待识别案件向量输入训练后的任务配置模型中,获得执行任务,执行任务属于简单任务。其中,训练后的任务配置模型可存储于区块链中。本申请有效提升案件调查的效率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及调查任务生成方法、装置、计算机设备及存储介质。
背景技术
随着计算机技术的不断发展,计算机逐渐的应用于各行各业中,有效促进了各行各业的高速发展。目前,案件的理赔核查是通过计算机将案件的相关信息直接发送给调查员,以让调查员在线下对案件的情况进行调查核查。
但是,目前由于调查员需要依据个人经验分析案件,对案件进行人工拆分,自行研究调查路径,确定调查任务,然后完成案件的调查。这一过程需要调查员有较丰富的专业领域知识以及调查经验方可确定调查任务,对调查案件进行专业的核查。进而导致负责调查员的准入门槛高,调查员群体难以扩大,案件调查成本较高的同时调查效率低,耗时耗力,调查的时效性较低。
发明内容
本申请实施例的目的在于提出一种调查任务生成方法、装置、计算机设备及存储介质,有效提升案件调查的效率。
为了解决上述技术问题,本申请实施例提供一种调查任务生成方法,采用了如下所述的技术方案:
一种调查任务生成方法,包括下述步骤:
接收历史调查数据和任务序列,提取所述历史调查数据中的案件标签,并基于所述案件标签生成案件向量,其中,所述任务序列与所述历史调查数据具有一一对应的映射关系,所述任务序列的末置任务为简单任务;
基于所述案件向量和对应的所述任务序列生成训练样本,并基于所述训练样本训练预设的任务配置模型,获得训练后的任务配置模型;以及
获取待识别数据,提取所述待识别数据中的案件标签,并基于待识别数据中的案件标签生成待识别案件向量,将所述待识别案件向量输入训练后的任务配置模型中,获得执行任务,其中,所述执行任务属于所述简单任务。
进一步的,所述接收历史调查数据和任务序列,提取所述历史调查数据中的案件标签,并基于所述案件标签生成案件向量的步骤包括:
接收历史调查数据,并识别所述历史调查数据的类型;
当所述历史调查数据为调查图片时,通过预先训练的文字识别模型提取所述调查图片中的关键实体,作为所述案件标签。
当所述历史调查数据为调查文字时,通过预设的标签表匹配所述调查文字,获得标签文字,作为所述案件标签。
进一步的,所述基于所述案件标签生成案件向量的步骤包括:
基于预设的顺序对所述案件标签进行排序,获得顺序标签;
根据预先配置的案件标签与向量数值的映射关系表,确定与案件标签对应向量数值;
基于所述顺序标签和向量数值生成案件向量。
进一步的,所述将所述待识别案件向量输入训练后的任务配置模型中,获得执行任务的步骤包括:
将所述待识别案件向量中的第一向量数值和预设的空任务输入训练后的任务配置模型中,获得第一识别任务;
确定所述任务配置模型是否输出终止标识;
若所述任务配置模型输出终止标识,则将所述第一识别任务作为所述执行任务;
若所述任务配置模型未输出终止标识,则将所述待识别案件向量中的第二向量数值和所述第一识别任务输入训练后的任务配置模型中,直到所述任务配置模型输出终止标识,获得所述执行任务。
进一步的,所述述待识别案件向量和预设的空任务输入训练后的任务配置模型中,获得执行任务的步骤包括:
将所述待识别案件向量中的第一向量数值和预设的空任务输入训练后的任务配置模型中,获得第二识别任务;
确定所述第二识别任务是否属于简单任务;
若所述第二识别任务属于简单任务,则将所述第二识别任务作为执行任务;
若所述第二识别任务不属于简单任务,则将所述待识别案件向量中的第二向量数值和所述第一识别任务输入训练后的任务配置模型中,直到所述任务配置模型输出简单任务,获得所述执行任务。
进一步的,在所述将所述待识别案件向量输入训练后的任务配置模型中,获得执行任务的步骤之后,还包括:
识别在预设的时间段内所述任务配置模型输出的所有执行任务;
基于相同的所述执行任务生成执行任务集合;
获取调查人员名单,将所述执行任务集合随机分配至所述调查人员名单中任一调查人员。
进一步的,所述获取调查人员名单,将所述执行任务集合随机分配至所述调查人员名单中任一调查人员的步骤包括:
识别所述执行任务对应的预设任务等级,其中,所述任务等级与所述执行任务具有一一对应的映射关系;
基于所述任务等级生成所述执行任务集合的集合等级;
获取调查人员名单,其中,所述调查人员名单中的每个调查人员均对应有调查等级;
确定所述调查等级高于所述集合等级的调查人员,作为待分配人员;
将所述执行任务集合随机分配至任一所述待分配人员。
为了解决上述技术问题,本申请实施例还提供一种调查任务生成装置,采用了如下所述的技术方案:
一种调查任务生成装置,包括:
接收模块,用于接收历史调查数据和任务序列,提取所述历史调查数据中的案件标签,并基于所述案件标签生成案件向量,其中,所述任务序列与所述历史调查数据具有一一对应的映射关系,所述任务序列的末置任务为简单任务;
训练模块,用于基于所述案件向量和对应的所述任务序列生成训练样本,并基于所述训练样本训练预设的任务配置模型,获得训练后的任务配置模型;以及
输入模型,用于获取待识别数据,提取所述待识别数据中的案件标签,并基于待识别数据中的案件标签生成待识别案件向量,将所述待识别案件向量输入训练后的任务配置模型中,获得执行任务,其中,所述执行任务属于所述简单任务。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现上述的调查任务生成方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述的调查任务生成方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请通过提取所述历史调查数据中的案件标签和对应的任务序列,并基于所述案件标签生成案件向量,便于后续任务配置模型根据案件向量和任务序列进行训练。计算机能够通过训练后的任务配置模型自动智能化拆分待识别数据,基于待识别数据生成调查人员能够顺利完成的简单的执行任务,不再需要调查人员根据经验拆分任务和规划路径,有效的降低了调查人员的准入门槛,并有效节约调查人员的时间,提升调查效率,提升调查的时效性,并且通过计算机的智能化拆分案件,生成属于简单任务的执行任务,能够有效提升调查的准确性,避免调查任务难度较高而引起的调查准确性低,或者调查任务无法顺利完成的问题。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的调查任务生成方法的一个实施例的流程图;
图3是根据本申请的调查任务生成装置的一个实施例的结构示意图;
图4是根据本申请的计算机设备的一个实施例的结构示意图。
附图标记:200、计算机设备;201、存储器;202、处理器;203、网络接口;300、调查任务生成装置;301、接收模块;302、训练模块;303、输入模块。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***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、无线通信链路或者光纤电缆等等。
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,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
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、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的调查任务生成方法一般由服务器/终端设备执行,相应地,调查任务生成装置一般设置于服务器/终端设备中。
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。
继续参考图2,示出了根据本申请的调查任务生成方法的一个实施例的流程图。所述的调查任务生成方法,包括以下步骤:
S1:接收历史调查数据和任务序列,提取所述历史调查数据中的案件标签,并基于所述案件标签生成案件向量,其中,所述任务序列与所述历史调查数据具有一一对应的映射关系,所述任务序列的末置任务为简单任务。
在本实施例中,对历史调查数据进行拆分,产生大量的案件标签,包括发生的天数,疾病类型,疾病治疗时间,疾病治疗地点,疾病诊疗科室,疾病使用药品,疾病治疗天数等。基于所述案件标签生成案件向量,每个案件向量代表一个案件的嵌入(embedding),嵌入(embedding)指用一个低维的向量表示一个案件。例如:案件A,对应的向量为(1,360,26,78,79,2,28,…),其中:1代表深度案件。360代表保险生效的出险天数,26代表案件的产品编号,78代表疾病类别,79代表出险医院类别,2代表案件是意外类型,28代表出险区域。后续通过包括简单任务的任务序列,且简单任务为任务序列中的最后一个任务,实现模型最终输出的任务为简单任务。
在本实施例中,调查任务生成方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式接收历史调查数据和任务序列。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
具体的,所述接收历史调查数据和任务序列,提取所述历史调查数据中的案件标签,并基于所述案件标签生成案件向量的步骤包括:
接收历史调查数据,并识别所述历史调查数据的类型;
当所述历史调查数据为调查图片时,通过预先训练的文字识别模型提取所述调查图片中的关键实体,作为所述案件标签。
当所述历史调查数据为调查文字时,通过预设的标签表匹配所述调查文字,获得标签文字,作为所述案件标签。
在本实施例中,本申请中的文字识别模型为OCR(Optical CharacterRecognition,光学文字识别)模型。本申请中的历史调查数据可以为客户上传的案件的详细介绍以及相关的人员和事件等信息。可以为拍照上传或者在前端页面输入文字后上传。当客户拍照上传时,历史调查数据则为调查图片,可以通过预先训练的文字识别模型提取所述调查图片中的关键实体,来生成案件标签。预先训练的文字识别模型能够有效的自动识别出需要的关键实体,并自动生成标签。当客户为前端页面输入文字后上传时,历史调查数据为调查文字,则只需要通过预设的标签表匹配调查文字,确定出标签文字作为所述案件标签即可,实现案件标签的快速生成。
具体的,所述基于所述案件标签生成案件向量的步骤包括:
基于预设的顺序对所述案件标签进行排序,获得顺序标签;
根据预先配置的案件标签与向量数值的映射关系表,确定与案件标签对应向量数值;
基于所述顺序标签和向量数值生成案件向量。
在本实施例中,案件标签生成后,需要根据预先设定的顺序排序案件标签,以便转化为案件向量后,保证不同案件向量中的向量数值代表同一维度,即代表同一种类的案件标签。从而实现后续的模型训练以及模型在生产中的实际应用。
需要说明的是:在生产中,基于接收的待识别数据生成的待识别案件向量中的向量数值的排序,需要与训练过程中案件向量中的向量数值的排序一致。如此,才能够实现任务配置模型对案件的顺利拆分。
S2:基于所述案件向量和对应的所述任务序列生成训练样本,并基于所述训练样本训练预设的任务配置模型,获得训练后的任务配置模型。
在本实施例中,本申请的任务配置模型为RNN(Recurrent Neural Network,循环神经网络)模型。RNN用于处理序列数据。在传统的神经网络模型中,是从输入层到隐含层再到输出层,层与层之间是全连接的,每层之间的节点是无连接的。而RNN会对前面的信息进行记忆并应用于当前输出的计算中,即隐藏层之间的节点不再无连接而是有连接的,并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。本申请在训练过程中,每个案件对应一个任务序列,即每个案件向量对应一个任务序列。例如:案件向量(1,360,26,78,79,2,28,…),对应的任务序列(Task1,Task2,Task3,Task4,Task5,Task6,…)。将案件向量与Task0(起始任务或空任务)送入网络,输出应是Task1;将案件向量与Task1送入网络,输出应是Task2;依次类推。其中,任务序列、案件与任务序列之间的映射关系是根据实际场景人工自定义配置的。其中,不同的案件向量对应的任务序列是不同的。例如:案件向量(1,357,98)对应的任务序列为(Task1,Task2,Task3)。案件向量(2,357,98)对应的任务序列为(Task3),案件向量(2,765)对应的任务序列为(Task7)。
以下以实际应用场景进行举例说明,由于不同的任务的难度是不同的,为了使得分配给调查员的任务较为简单且能够实现。需要预先根据实际情况对不同的案件向量进行任务序列的配置,以作为训练样本来训练模型,实现模型最终输出的任务为简单且可实现的任务。例1:案件向量中第一位的向量数值为1,对应的任务序列中的Task1为去医院调查就诊日期,由于该任务属于困难任务,故需要继续根据案件向量中的第二位的向量数值去配置下一个任务。第二位的向量数值为357,对应的任务为Task2,由于该任务属于困难任务,故需要继续根据案件向量中的第三位的向量数据去配置下一个任务。直到对应配置的任务Task3(去同济医院的外科调查患者是否确实患病)属于简单任务。完成任务序列的配置。例2:案件向量中的第一位的向量数值为2,对应的任务序列中的Task7为去医院调查就诊日期属于简单任务,则完成任务序列的配置。
S3:获取待识别数据,提取所述待识别数据中的案件标签,并基于待识别数据中的案件标签生成待识别案件向量,将所述待识别案件向量输入训练后的任务配置模型中,获得执行任务,其中,所述执行任务属于所述简单任务。
在本实施例中,预测时,同样将案件向量与Task0(起始任务)送入训练好的任务配置模型,任务配置模型会预测第一个任务(TaskX1);将案件向量与TaskX1再次送入网络,预测任务序列的第二个任务(TaskX2);以此类推,直到输出终止任务(TaskEnd)。由于上述已经完成任务配置模型的训练,则在实际应用过程中,只需要依次输入案件向量中的向量数值与任务配置模型输出的预测任务,直至任务配置模型输出终止通知或输出简单任务时,当前输出的任务为执行任务。本申请通过对调查路径的优化,自动生成高效低成本的调查路径。进而让调查员拿到案件拆分后的具体的简单的任务,而不是复杂的案件本身,把通过人工经验来调查的案件通过该任务配置模型拆解成单项明确的任务,通过***算法的处理后,解决了调查员门槛过高问题,实现***下游的降本增效。
需要说明的是:本申请的中调查路径指的是调查员最终要去执行的执行任务。避免了向调查人员分配较难执行的任务,提升调查效率和调查质量。
具体的,所述将所述待识别案件向量输入训练后的任务配置模型中,获得执行任务的步骤包括:
将所述待识别案件向量中的第一向量数值和预设的空任务输入训练后的任务配置模型中,获得第一识别任务;
确定所述任务配置模型是否输出终止标识;
若所述任务配置模型输出终止标识,则将所述第一识别任务作为所述执行任务;
若所述任务配置模型未输出终止标识,则将所述待识别案件向量中的第二向量数值和所述第一识别任务输入训练后的任务配置模型中,直到所述任务配置模型输出终止标识,获得所述执行任务。
在本实施例中,例如:待识别案件向量为(3,89,6,76)将第一向量数值3和空任务输入训练后的任务配置模型中,获得第一识别任务。确定所述任务配置模型是否输出终止标识,若任务配置模型输出终止标识,将第一识别任务作为所述执行任务。将第二向量数值89和第一识别任务输入任务配置模型中,获得第二识别任务,直到所述任务配置模型输出终止标识,将当前任务配置模型输出的识别任务作为执行任务。通过识别任务配置模型是否输出终止标识从而确定任务配置模型是否完成输出。
此外,作为本申请的另一实施例,所述述待识别案件向量和预设的空任务输入训练后的任务配置模型中,获得执行任务的步骤包括:
将所述待识别案件向量中的第一向量数值和预设的空任务输入训练后的任务配置模型中,获得第一识别任务;
确定所述第一识别任务是否属于简单任务;
若所述第一识别任务属于简单任务,则将所述第一识别任务作为执行任务;
若所述第一识别任务不属于简单任务,则将所述待识别案件向量中的第二向量数值和所述第一识别任务输入训练后的任务配置模型中,直到所述任务配置模型输出的简单任务,获得所述执行任务。
在本实施例中,对任务配置模型每一次输出的识别任务进行判断,若属于简单任务,则获得执行任务。通过任务识别模型实现对案件的拆分,保证最终输出的任务为调查员能够顺利完成的简单任务。
在本实施例的一些可选的实现方式中,在步骤S3之后,即基于待识别数据中的案件标签生成待识别案件向量,将所述待识别案件向量输入训练后的任务配置模型中,获得执行任务之后,上述电子设备还可以执行以下步骤:
识别在预设的时间段内所述任务配置模型输出的所有执行任务;
基于相同的所述执行任务生成执行任务集合;
获取调查人员名单,将所述执行任务集合随机分配至所述调查人员名单中任一调查人员。
在本实施例中,将在预设时间段内任务配置模型输出的执行任务中的相同的任务分配给同一个调查人员。使得一个调查人员可以同时去执行不同案件的相同任务,有效提高了案件的调查效率。
其中,所述获取调查人员名单,将所述执行任务集合随机分配至所述调查人员名单中任一调查人员的步骤包括:
识别所述执行任务对应的预设任务等级,其中,所述任务等级与所述执行任务具有一一对应的映射关系;
基于所述任务等级生成所述执行任务集合的集合等级;
获取调查人员名单,其中,所述调查人员名单中的每个调查人员均对应有调查等级;
确定所述调查等级高于所述集合等级的调查人员,作为待分配人员;
将所述执行任务集合随机分配至任一所述待分配人员。
在本实施例中,预先设置执行任务的任务等级,以及调查员的调查等级。根据任务等级生成执行任务集合的集合等级。由于生成执行任务集合的执行任务属于相同的执行任务,则对应的任务等级也相同,生成的集合等级可以与任务等级相同。当然,可以根据实际需要调整集合等级,比如生成的集合等级为任务等级加预设的等级数值。调查员的人员等级低于执行任务集合的集合等级。通过等级的设置,便于调查员更好的完成执行任务,避免将相对较难的任务分配给等级低的调查人员。其中,调查人员的等级可以人工设定,也可以根据调查员执行过的执行任务的数量进行划分设定。
本申请通过提取所述历史调查数据中的案件标签和对应的任务序列,并基于所述案件标签生成案件向量,便于后续任务配置模型根据案件向量和任务序列进行训练。计算机能够通过训练后的任务配置模型自动智能化拆分待识别数据,基于待识别数据生成调查人员能够顺利完成的简单的执行任务,不再需要调查人员根据经验拆分任务和规划路径,有效的降低了调查人员的准入门槛,并有效节约调查人员的时间,提升调查效率,提升调查的时效性,并且通过计算机的智能化拆分案件,生成属于简单任务的执行任务,能够有效提升调查的准确性,避免调查任务难度较高而引起的调查准确性低,或者调查任务无法顺利完成的问题。
需要强调的是,为进一步保证上述训练后的任务配置模型的私密和安全性,上述训练后的任务配置模型还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请可应用于智慧安防领域中,具体可应用于智慧安防中的目标追踪,从而推动智慧城市的建设。
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,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3,作为对上述图2所示方法的实现,本申请提供了一种调查任务生成装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图3所示,本实施例所述的调查任务生成装置300包括:接收模块301、训练模块302以及输入模块303。其中:接收模块301,用于接收历史调查数据和任务序列,提取所述历史调查数据中的案件标签,并基于所述案件标签生成案件向量,其中,所述任务序列与所述历史调查数据具有一一对应的映射关系,所述任务序列的末置任务为简单任务;训练模块302,用于基于所述案件向量和对应的所述任务序列生成训练样本,并基于所述训练样本训练预设的任务配置模型,获得训练后的任务配置模型;以及输入模型303,用于获取待识别数据,提取所述待识别数据中的案件标签,并基于待识别数据中的案件标签生成待识别案件向量,将所述待识别案件向量输入训练后的任务配置模型中,获得执行任务,其中,所述执行任务属于所述简单任务。
在本实施例中,本申请通过提取所述历史调查数据中的案件标签和对应的任务序列,并基于所述案件标签生成案件向量,便于后续任务配置模型根据案件向量和任务序列进行训练。计算机能够通过训练后的任务配置模型自动智能化拆分待识别数据,基于待识别数据生成调查人员能够顺利完成的简单的执行任务,不再需要调查人员根据经验拆分任务和规划路径,有效的降低了调查人员的准入门槛,并有效节约调查人员的时间,提升调查效率,提升调查的时效性,并且通过计算机的智能化拆分案件,生成属于简单任务的执行任务,能够有效提升调查的准确性,避免调查任务难度较高而引起的调查准确性低,或者调查任务无法顺利完成的问题。
所述接收模块301包括接收子模块、提取子模块和匹配子模块。其中,接收子模块用于接收历史调查数据,并识别所述历史调查数据的类型;提取子模块用于当所述历史调查数据为调查图片时,通过预先训练的文字识别模型提取所述调查图片中的关键实体,作为所述案件标签;匹配子模块用于当所述历史调查数据为调查文字时,通过预设的标签表匹配所述调查文字,获得标签文字,作为所述案件标签。
所述接收模块301还包括排序子模块、确定子模块以及生成子模块。其中,排序子模块用于基于预设的顺序对所述案件标签进行排序,获得顺序标签;确定子模块用于根据预先配置的案件标签与向量数值的映射关系表,确定与案件标签对应向量数值;生成子模块用于基于所述顺序标签和向量数值生成案件向量。
所述输入模块303包括第一输入子模块、第一判断子模块、第一获得子模块以及第二获得子模块;其中,第一输入子模块用于将所述待识别案件向量中的第一向量数值和预设的空任务输入训练后的任务配置模型中,获得第一识别任务;第一判断子模块用于确定所述任务配置模型是否输出终止标识;第一获得子模块用于当所述任务配置模型输出终止标识时,将所述第一识别任务作为所述执行任务;所述第二获得子模块用于当所述任务配置模型未输出终止标识时,将所述待识别案件向量中的第二向量数值和所述第一识别任务输入训练后的任务配置模型中,直到所述任务配置模型输出终止标识,获得所述执行任务。
所述输入模块303还包括第二输入子模块、第二判断子模块、第二获得子模块以及第二获得子模块;其中,第二输入子模块用于将所述待识别案件向量中的第一向量数值和预设的空任务输入训练后的任务配置模型中,获得第二识别任务;第二判断子模块用于确定所述第二识别任务是否属于简单任务;第二获得子模块用于当所述第二识别任务属于简单任务时,则将所述第二识别任务作为执行任务。第二获得子模块用于当所述第二识别任务不属于简单任务,则将所述待识别案件向量中的第二向量数值和所述第二识别任务输入训练后的任务配置模型中,直到所述任务配置模型输出简单任务,获得所述执行任务。
在本实施例的一些可选的实现方式中,上述装置300还包括:识别模块、生成模块和分配模块,识别模块用于识别在预设的时间段内所述任务配置模型输出的所有执行任务;生成模块用于基于相同的所述执行任务生成执行任务集合;分配模块用于获取调查人员名单,将所述执行任务集合随机分配至所述调查人员名单中任一调查人员。
其中,分配模块包括识别单元、生成单元、获取单元、确定单元和分配单元。其中,识别单元用于识别所述执行任务对应的预设任务等级,其中,所述任务等级与所述执行任务具有一一对应的映射关系;生成单元用于基于所述任务等级生成所述执行任务集合的集合等级;获取单元用于获取调查人员名单,其中,所述调查人员名单中的每个调查人员均对应有调查等级;确定单元用于确定所述调查等级高于所述集合等级的调查人员,作为待分配人员;分配单元用于将所述执行任务集合随机分配至任一所述待分配人员。
本申请通过提取所述历史调查数据中的案件标签和对应的任务序列,并基于所述案件标签生成案件向量,便于后续任务配置模型根据案件向量和任务序列进行训练。计算机能够通过训练后的任务配置模型自动智能化拆分待识别数据,基于待识别数据生成调查人员能够顺利完成的简单的执行任务,不再需要调查人员根据经验拆分任务和规划路径,有效的降低了调查人员的准入门槛,并有效节约调查人员的时间,提升调查效率,提升调查的时效性,并且通过计算机的智能化拆分案件,生成属于简单任务的执行任务,能够有效提升调查的准确性,避免调查任务难度较高而引起的调查准确性低,或者调查任务无法顺利完成的问题。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图4,图4为本实施例计算机设备基本结构框图。
所述计算机设备200包括通过***总线相互通信连接存储器201、处理器202、网络接口203。需要指出的是,图中仅示出了具有组件201-203的计算机设备200,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器201至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器201可以是所述计算机设备200的内部存储单元,例如该计算机设备200的硬盘或内存。在另一些实施例中,所述存储器201也可以是所述计算机设备200的外部存储设备,例如该计算机设备200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。当然,所述存储器201还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中,所述存储器201通常用于存储安装于所述计算机设备200的操作***和各类应用软件,例如调查任务生成方法的计算机可读指令等。此外,所述存储器201还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器202在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器202通常用于控制所述计算机设备200的总体操作。本实施例中,所述处理器202用于运行所述存储器201中存储的计算机可读指令或者处理数据,例如运行所述调查任务生成方法的计算机可读指令。
所述网络接口203可包括无线网络接口或有线网络接口,该网络接口203通常用于在所述计算机设备200与其他电子设备之间建立通信连接。
在本实施例中,通过计算机的智能化拆分案件,生成属于简单任务的执行任务,能够有效提升调查的准确性,避免调查任务难度较高而引起的调查准确性低的情况。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的调查任务生成方法的步骤。
在本实施例中,通过计算机的智能化拆分案件,生成属于简单任务的执行任务,能够有效提升调查的准确性,避免调查任务难度较高而引起的调查准确性低的情况。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种调查任务生成方法,其特征在于,包括下述步骤:
接收历史调查数据和任务序列,提取所述历史调查数据中的案件标签,并基于所述案件标签生成案件向量,其中,所述任务序列与所述历史调查数据具有一一对应的映射关系,所述任务序列的末置任务为简单任务;
基于所述案件向量和对应的所述任务序列生成训练样本,并基于所述训练样本训练预设的任务配置模型,获得训练后的任务配置模型;以及
获取待识别数据,提取所述待识别数据中的案件标签,并基于待识别数据中的案件标签生成待识别案件向量,将所述待识别案件向量输入训练后的任务配置模型中,获得执行任务,其中,所述执行任务属于所述简单任务。
2.根据权利要求1所述的调查任务生成方法,其特征在于,所述接收历史调查数据和任务序列,提取所述历史调查数据中的案件标签,并基于所述案件标签生成案件向量的步骤包括:
接收历史调查数据,并识别所述历史调查数据的类型;
当所述历史调查数据为调查图片时,通过预先训练的文字识别模型提取所述调查图片中的关键实体,作为所述案件标签。
当所述历史调查数据为调查文字时,通过预设的标签表匹配所述调查文字,获得标签文字,作为所述案件标签。
3.根据权利要求1所述的调查任务生成方法,其特征在于,所述基于所述案件标签生成案件向量的步骤包括:
基于预设的顺序对所述案件标签进行排序,获得顺序标签;
根据预先配置的案件标签与向量数值的映射关系表,确定与案件标签对应向量数值;
基于所述顺序标签和向量数值生成案件向量。
4.根据权利要求1所述的调查任务生成方法,其特征在于,所述将所述待识别案件向量输入训练后的任务配置模型中,获得执行任务的步骤包括:
将所述待识别案件向量中的第一向量数值和预设的空任务输入训练后的任务配置模型中,获得第一识别任务;
确定所述任务配置模型是否输出终止标识;
若所述任务配置模型输出终止标识,则将所述第一识别任务作为所述执行任务;
若所述任务配置模型未输出终止标识,则将所述待识别案件向量中的第二向量数值和所述第一识别任务输入训练后的任务配置模型中,直到所述任务配置模型输出终止标识,获得所述执行任务。
5.根据权利要求1所述的调查任务生成方法,其特征在于,所述述待识别案件向量和预设的空任务输入训练后的任务配置模型中,获得执行任务的步骤包括:
将所述待识别案件向量中的第一向量数值和预设的空任务输入训练后的任务配置模型中,获得第二识别任务;
确定所述第二识别任务是否属于简单任务;
若所述第二识别任务属于简单任务,则将所述第二识别任务作为执行任务;
若所述第二识别任务不属于简单任务,则将所述待识别案件向量中的第二向量数值和所述第二识别任务输入训练后的任务配置模型中,直到所述任务配置模型输出简单任务,获得所述执行任务。
6.根据权利要求1所述的调查任务生成方法,其特征在于,在所述将所述待识别案件向量输入训练后的任务配置模型中,获得执行任务的步骤之后,还包括:
识别在预设的时间段内所述任务配置模型输出的所有执行任务;
基于相同的所述执行任务生成执行任务集合;
获取调查人员名单,将所述执行任务集合随机分配至所述调查人员名单中任一调查人员。
7.根据权利要求6所述的调查任务生成方法,其特征在于,所述获取调查人员名单,将所述执行任务集合随机分配至所述调查人员名单中任一调查人员的步骤包括:
识别所述执行任务对应的预设任务等级,其中,所述任务等级与所述执行任务具有一一对应的映射关系;
基于所述任务等级生成所述执行任务集合的集合等级;
获取调查人员名单,其中,所述调查人员名单中的每个调查人员均对应有调查等级;
确定所述调查等级高于所述集合等级的调查人员,作为待分配人员;
将所述执行任务集合随机分配至任一所述待分配人员。
8.一种调查任务生成装置,其特征在于,包括:
接收模块,用于接收历史调查数据和任务序列,提取所述历史调查数据中的案件标签,并基于所述案件标签生成案件向量,其中,所述任务序列与所述历史调查数据具有一一对应的映射关系,所述任务序列的末置任务为简单任务;
训练模块,用于基于所述案件向量和对应的所述任务序列生成训练样本,并基于所述训练样本训练预设的任务配置模型,获得训练后的任务配置模型;以及
输入模型,用于获取待识别数据,提取所述待识别数据中的案件标签,并基于待识别数据中的案件标签生成待识别案件向量,将所述待识别案件向量输入训练后的任务配置模型中,获得执行任务,其中,所述执行任务属于所述简单任务。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的调查任务生成方法的步骤。
10.一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计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的调查任务生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011399362.4A CN112507141A (zh) | 2020-12-01 | 2020-12-01 | 调查任务生成方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011399362.4A CN112507141A (zh) | 2020-12-01 | 2020-12-01 | 调查任务生成方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112507141A true CN112507141A (zh) | 2021-03-16 |
Family
ID=74968199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011399362.4A Pending CN112507141A (zh) | 2020-12-01 | 2020-12-01 | 调查任务生成方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507141A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643143A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 基于人工智能的任务拆分方法、装置、设备及存储介质 |
CN113724845A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医护人员配比检测方法及相关装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784654A (zh) * | 2018-12-17 | 2019-05-21 | 平安国际融资租赁有限公司 | 任务生成方法、装置、计算机设备和存储介质 |
CN110119991A (zh) * | 2019-04-12 | 2019-08-13 | 深圳壹账通智能科技有限公司 | 基于机器学习的医疗赔付审核方法、装置及存储介质 |
CN111967999A (zh) * | 2020-08-27 | 2020-11-20 | 平安养老保险股份有限公司 | 调查处理方法、装置、计算机设备和存储介质 |
-
2020
- 2020-12-01 CN CN202011399362.4A patent/CN112507141A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784654A (zh) * | 2018-12-17 | 2019-05-21 | 平安国际融资租赁有限公司 | 任务生成方法、装置、计算机设备和存储介质 |
CN110119991A (zh) * | 2019-04-12 | 2019-08-13 | 深圳壹账通智能科技有限公司 | 基于机器学习的医疗赔付审核方法、装置及存储介质 |
CN111967999A (zh) * | 2020-08-27 | 2020-11-20 | 平安养老保险股份有限公司 | 调查处理方法、装置、计算机设备和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113724845A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的医护人员配比检测方法及相关装置 |
CN113724845B (zh) * | 2021-08-30 | 2023-06-23 | 深圳平安智慧医健科技有限公司 | 基于人工智能的医护人员配比检测方法及相关装置 |
CN113643143A (zh) * | 2021-08-31 | 2021-11-12 | 平安医疗健康管理股份有限公司 | 基于人工智能的任务拆分方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845999A (zh) | 风险用户识别方法、装置和服务器 | |
CN112613917A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
CN113220734A (zh) | 课程推荐方法、装置、计算机设备及存储介质 | |
CN113761577B (zh) | 一种大数据脱敏的方法、装置、计算机设备及存储介质 | |
CN113127633A (zh) | 智能会议管理方法、装置、计算机设备及存储介质 | |
CN112417121A (zh) | 客户意图识别方法、装置、计算机设备及存储介质 | |
CN112507141A (zh) | 调查任务生成方法、装置、计算机设备及存储介质 | |
CN114996675A (zh) | 数据查询方法、装置、计算机设备及存储介质 | |
CN116956326A (zh) | 权限数据的处理方法、装置、计算机设备及存储介质 | |
CN117251228A (zh) | 功能管理方法、装置、计算机设备及存储介质 | |
CN116681045A (zh) | 报表生成方法、装置、计算机设备及存储介质 | |
CN115860835A (zh) | 基于人工智能的广告推荐方法、装置、设备及存储介质 | |
CN112085566B (zh) | 基于智能决策的产品推荐方法、装置及计算机设备 | |
CN114722787B (zh) | 一种基于Excel级联的标签匹配方法、及其相关设备 | |
CN117422523A (zh) | 产品上线方法、装置、计算机设备及存储介质 | |
CN116933290A (zh) | 数据查询方法、装置、计算机设备及存储介质 | |
CN115905224A (zh) | 一种工时数据处理方法、装置、计算机设备及存储介质 | |
CN116166858A (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
CN114511238A (zh) | 一种员工工作流程引导方法、装置、设备及存储介质 | |
CN117076775A (zh) | 资讯数据的处理方法、装置、计算机设备及存储介质 | |
CN117035851A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN117034173A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN115080045A (zh) | 链路生成方法、装置、计算机设备及存储介质 | |
CN116775187A (zh) | 数据展示方法、装置、计算机设备及存储介质 | |
CN118197626A (zh) | 基于人工智能的信息生成方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220524 Address after: 518000 China Aviation Center 2901, No. 1018, Huafu Road, Huahang community, Huaqiang North Street, Futian District, Shenzhen, Guangdong Province Applicant after: Shenzhen Ping An medical and Health Technology Service Co.,Ltd. Address before: Room 12G, Area H, 666 Beijing East Road, Huangpu District, Shanghai 200001 Applicant before: PING AN MEDICAL AND HEALTHCARE MANAGEMENT Co.,Ltd. |