CN113377349B - 服务流程间差异检测与自然语言翻译方法 - Google Patents
服务流程间差异检测与自然语言翻译方法 Download PDFInfo
- Publication number
- CN113377349B CN113377349B CN202110687864.5A CN202110687864A CN113377349B CN 113377349 B CN113377349 B CN 113377349B CN 202110687864 A CN202110687864 A CN 202110687864A CN 113377349 B CN113377349 B CN 113377349B
- Authority
- CN
- China
- Prior art keywords
- node
- tpsts
- nodes
- gram
- tpst
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/20—Software design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Machine Translation (AREA)
Abstract
本发明公开服务流程间差异检测与自然语言翻译方法。该方法包括以下几个步骤:输入两个服务流程,将它们分别转换成对应的基于任务节点的过程结构树TPST;对两个TPST中的任务节点和路由节点分别进行映射;提取并映射两个TPST中的P,Q‑Gram;通过合并映射的P,Q‑Gram得到两个TPST的共同主结构;设计差异模式,将两个TPST之间的不同之处用差异模式来表示;将两个TPST间的差异模式展示在共同主结构之上并用自然语言对差异进行解释。本发明的优点是:打破了流程差异展示不直观的问题,能够将两个服务流程间的差异展示在共同主结构之上,且用自然语言对差异进行了翻译,大大提高了实际的可用性。
Description
技术领域
本发明属于业务流程管理技术领域,涉及服务流程间的差异检测方法,特别是一种基于共同主结构的服务流程间差异检测与自然语言翻译方法。
背景技术
随着业务流程模型管理(Business Process Management,BPM)技术的发展,越来越多的公司和组织开始创建自己的服务流程库。例如,医院包含挂号流程、就诊流程、取药流程、住院流程、手术流程等。政务部门的服务流程包括婚姻登记流程、身份证办理流程、纳税流程、消费者维权流程等。这些服务流程是公司和组织的重要资产,有效地管理可以为公司和组织提高效率、增加利润。服务流程间的差异检测作为一种服务流程管理技术在业务流程领域越来越重要:给定两个服务流程,通过比较得它们之间的差异,并将差异反馈给流程设计人员。流程分析人员可以通过这些差异找到服务流程执行效率低、执行费用高的原因并对服务流程进行优化、重新设计等操作来改进服务流程的执行性能。现有的流程差异检测方法只能找出两个服务流程中的差异部分,但对差异的描述不够直观,难以理解,不利于流程分析人员对差异展开服务流程的优化操作。由此,迫切需要一种服务流程的差异可视化展示和自然语言翻译方法来对两个服务流程间的差异进行直观的解释。
发明内容
为了能够对两个服务流程间的差异进行可视化的展示和自然语言翻译,本发明提出一种基于共同主结构的服务流程间差异检测与自然语言翻译方法。设计服务流程间的差异模式,将两个服务流程间的差异展示在共同主结构之上,并对流程差异进行自然语言翻译,打破了流程差异展示不直观的局限性,能够将两个服务流程间的差异展示在共同主结构之上,且用自然语言对差异进行了翻译,大大提高了实际的可用性。
服务流程间差异检测与自然语言翻译方法,包括以下步骤:
1)输入两个服务流程,将它们分别转换成对应的基于任务节点的过程结构树(Task-based Process Structure Tree,TPST);
2)节点映射,即对两个TPST中的节点进行映射,该步骤具体还包括以下几个步骤:
2.1)任务节点映射:若两个任务节点的标签相同,则它们之间的相似度为1,否则相似度为0;
2.2)路由节点映射,类型一样的路由节点才可映射;
3)P,Q-Gram提取:分别遍历两个TPST,找出所有的P,Q-Gram,P,Q-Gram是扫帚形状,其中P代表的是TPST中P个层次直接相连的路由节点,Q代表的是P中层次最大的路由节点的Q个孩子节点;
4)P,Q-Gram映射:比较两个TPST中的所有P,Q-Gram,给定P,Q-Gram1和P,Q-Gram2,若它们的P和Q中的每个节点都一一映射,则将P,Q-Gram1和P,Q-Gram2映射起来;
5)共同主结构提取:合并两个TPST中所有的映射P,Q-Gram,将合并后的P,Q-Gram作为两个TPST的共同主结构;
6)流程差异检测和自然语言翻译:设计以下四类差异模式,对两个TPST中除了共同主结构以外的节点生成差异模式,两个TPST间的差异模式可展示在它们的共同主结构之上,并将差异翻译成自然语言:
Ⅰ)子树编辑模式:包括子树删除模式和子树***模式,子树subTree删除模式的自然语言翻译为:由节点a、b、c…组成的子树subTree只存在TPST1中,子树subTree***模式的自然语言翻译为:由节点a、b、c…组成的子树subTree只存在TPST2中;
Ⅱ)节点编辑操作:包括节点删除模式和节点***模式,节点node删除模式的自然语言翻译为:节点node只存在TPST1中,节点node***模式的自然语言翻译为:节点node只存在TPST2中;
Ⅲ)控制流结构变化模式:对于两个TPST中的映射路由节点,它们的子节点a1…am和b1…bm也一一映射但是拥有不同的执行关系C1和C2,该模式的自然语言翻译为:TPST1中节点a1…am的执行顺序为C1,而在TPST2中节点b1…bm的执行顺序变为C2;
Ⅳ)顺序交换模式:对于两个TPST中映射的顺序结构块,其中节点的执行顺序不同,自然语言翻译为:在TPST1中节点顺序为a→b→c…,而在TPST2中节点顺序为c→b→a…
进一步,所述的步骤2.2)包括以下几个步骤:
2.2.1)生成特征向量:一个路由节点g用一个特征向量fv(g)=[T,C]来表示,其中a)T是g的类型,包括有序和无序两种,b)C指g的孩子节点集合;
2.2.2)计算特征向量相似度,包括以下两种情况:
Ⅰ)两个路由节点g1和g2的类型为有序,即为Sequence或Loop节点,用公式1来计算g1和g2的相似度,其中LCS代表C1和C2的最长共同子序列:
Ⅱ)两个路由节点g1和g2的类型为无序,即为XOR或AND节点,用公式2来计算g1和g2的相似度:
2.2.3)选出映射节点:两个TPST中所有可能映射的任务节点对和路由节点对集合为N={n1,…ni,…,nm}(1≤i≤m),计算任一可能映射的节点对ni={node1,node2}中node1和node2的相似度,采用贪心算法,选出每一轮能最大化增加两个TPST间相似度的节点对nj={node1,node2}进行映射,随后在N中删除包含node1或node2的节点对,直到两个TPST间的相似度不再增加或N为空就停止,最后得到两个TPST间的映射节点对;其中,两个TPST间的相似度采用公式3来计算,C1和C2分别代表两个TPST的孩子节点集合:
本发明的技术构思是:给定两个服务流程,将它们转换为对应的基于任务节点的过程结构树(Task-based Process Structure Tree,TPST),对两个TPST中的任务节点和路由节点分别进行映射,提取两个TPST中的P,Q-Gram,基于映射节点来找出两个TPST中的映射P,Q-Gram,通过合并映射的P,Q-Gram得到两个TPST的共同主结构,设计差异模式,将两个TPST间的差异用差异模式来表示并展示在共同主结构之上,最后对差异进行自然语言翻译。流程分析人员可基于差异模式展开深层次的分析,如执行时间、执行费用等,进而快速理解两个服务流程间的差异,提高后续服务流程优化工作的效率。
本发明的优点是:打破了流程差异展示不直观的局限性,设计差异模式来表示两个服务流程间的差异,能够将两个服务流程间的差异展示在共同主结构之上,且用自然语言对差异进行了翻译,大大提高了实际的可用性。
附图说明
图1为本发明的总体流程图;
图2为本发明两个请假流程;
图3为本发明两个请假流程对应的TPST;
图4为本发明P,Q-Gram提取案例图;
图5为本发明P,Q-Gram映射案例图;
图6为本发明共同主结构提取结果图;
图7为本发明基于共同主结构的流程差异展示图。
具体实施方式
以下结合说明书附图及实施例,对本发明作进一步描述。
实施例一
参考附图1
一种基于共同主结构的服务流程间差异检测与自然语言翻译方法,包括以下几个步骤:
1)输入两个服务流程,将它们分别转换成对应的基于任务节点的过程结构树(Task-based Process Structure Tree,TPST);
2)节点映射,即对两个TPST中的节点进行映射,该步骤具体还包括以下几个步骤:
2.1)任务节点映射:若两个任务节点的标签相同,则它们之间的相似度为1,否则相似度为0;
2.2)路由节点映射,类型一样的路由节点才可映射,需要执行以下步骤:
2.2.1)生成特征向量:一个路由节点g用一个特征向量fv(g)=[T,C]来表示,其中T是g的类型,包括有序和无序两种,C指g的孩子节点集合;
2.2.2)计算特征向量相似度,包括以下两种情况:
Ⅰ)两个路由节点g1和g2的类型为有序,即为Sequence或Loop节点,用公式1来计算g1和g2的相似度,公式1中的LCS代表C1和C2的最长共同子序列,fv(g1)、fv(g2)分别表示g1和g2的特征向量:
Ⅱ)两个路由节点g1和g2的类型为无序,即为XOR或AND节点,用公式2来计算g1和g2的相似度:
2.2.3)选出映射节点:两个TPST中所有可能映射的任务节点对和路由节点对集合为N={n1,…ni,…,nm}(1≤i≤m),计算任一可能映射的节点对ni={node1,node2}中node1和node2的相似度,采用贪心算法,选出每一轮能最大化增加两个TPST间相似度的节点对nj={node1,node2}中将node1和node2进行映射,随后在N中删除包含node1或node2的节点对,直到两个TPST间的相似度不再增加或N为空就停止,最后得到两个TPST间的映射节点对;其中,两个TPST间的相似度采用公式3来计算,C1和C2分别代表两个TPST的孩子节点集合:
3)P,Q-Gram提取:分别遍历两个TPST,找出所有的P,Q-Gram,P,Q-Gram是扫帚形状,其中P代表的是TPST中P个层次直接相连的路由节点,Q代表的是P中层次最大的路由节点的Q个孩子节点;
4)P,Q-Gram映射:比较两个TPST中的所有P,Q-Gram,给定P,Q-Gram1和P,Q-Gram2,若它们的P和Q中的每个节点都一一映射,则将P,Q-Gram1和P,Q-Gram2映射起来;
5)共同主结构提取:合并两个TPST中所有的映射P,Q-Gram,将合并后的P,Q-Gram作为两个TPST的共同主结构;
6)流程差异检测和自然语言翻译:设计以下四类差异模式,对两个TPST中除了共同主结构以外的节点生成差异模式,两个TPST间的差异模式可展示在它们的共同主结构之上,并将差异翻译成自然语言:
Ⅰ)子树编辑模式:包括子树删除模式和子树***模式,子树subTree删除模式的自然语言翻译为:“由节点a、b、c…组成的子树subTree只存在TPST1中”,子树subTree***模式的自然语言翻译为:“由节点a、b、c…组成的子树subTree只存在TPST2中”;
Ⅱ)节点编辑操作:包括节点删除模式和节点***模式,节点node删除模式的自然语言翻译为:“节点node只存在TPST1中”,节点node***模式的自然语言翻译为:“节点node只存在TPST2中”;
Ⅲ)控制流结构变化模式:对于两个TPST中的映射路由节点,它们的子节点a1…am和b1…bm也一一映射但是拥有不同的执行关系C1和C2,该模式的自然语言翻译为:TPST1中节点a1…am的执行顺序为C1,而在TPST2中节点b1…bm的执行顺序变为C2;
Ⅳ)顺序交换模式:对于两个TPST中映射的顺序结构块,其中节点的执行顺序不同,自然语言翻译为“在TPST1中节点顺序为a→b→c…,而在TPST2中节点顺序为c→b→a…”;
实施例二
参考附图2、3、4、5、6、7
图2展示了两个请假流程:请假流程1和请假流程2。在请假流程1中,请假者首先提出请假请求(任务节点A),得到直系上司同意(任务节点B)或人力资源部同意(任务节点C)后就可以发送请假请求(任务节点D),请假请求会通知人力资源部(任务节点F)或者被记录下来(任务节点G),最后对请假请求进行相应的处理(任务节点H)。在请假流程2中,请假者提出请假请求后,该请求必须在直系上司和人力资源部两者都同意后,该请求才能被发送出去,随后通知人力资源部并进行请假请求的记录,最后对请假请求进行处理。请假流程1中的任务节点集合为{A,B,C,D,F,G,H},路由节点集合为{g1,g2,g3,g4},请假流程2中的任务节点集合为{A,B,C,D,F,G,H},路由节点集合为{g5,g6}。
图3展示了由图2两个请假流程转换而来的基于任务节点的过程结构树(Task-based Process Structure Tree,TPST)。白色节点表示路由节点,对应的是请假流程中的控制流结构。其中,TPST中的Sequence、Loop、AND、XOR节点分别对应请假流程中的顺序、循环、并行和选择结构。例如,TPST1中的根节点Sequence1对应的是整个请假流程1,说明请假流程1在最高抽象层次上是顺序执行的。灰色节点表示叶子节点,对应的是请假流程中的任务节点。两个任务节点的标签相同则它们的相似度为1,否则为0。例如,节点A和节点A的相似度为1,节点A和节点B的相似度则为0。对于两个有序的路由节点,采用公式(1)进行相似度计算,即Sequence1和Sequence2的相似度为0.5。对于两个无序的路由节点,采用公式(2)进行相似度计算,即XOR1和AND的相似度为1,XOR2和AND的相似度为0。为了找出TPST1和TPST2中的映射节点,采用公式(3)来计算两个TPST的相似度,并采用贪心算法在每一轮找出能使得最大化增加两个TPST相似度的映射节点对。贪心算法在每一轮找到的映射节点对分别为:A-A、B-B、C-C、D-D、F-F、G-G、H-H、XOR1-AND、Sequence1-Sequence2。
图4展示了一个在TPST中提取P,Q-Gram的案例图。由于TPST中的路由节点对应有序和无序两种类型,对于无序路由节点(AND和XOR),首先需要对其孩子节点进行排序,即按标签的字母顺序进行排序。例如图4中最左侧的TPST中,AND节点是无序的,其孩子节点为C、B,需要将它们排序为B、C,排序后的结果如图4中间所示。随后,遍历排序后的TPST,对其提取P,Q-Gram。例如,提取的P,Q-Gram为2,2-Gram(P=2,Q=2),意味着父节点有两个,孩子节点有两个,提取结果如图4最右侧所示,两个父节点为Sequence2和AND,孩子节点为B和C。
图5展示了对图3中两个TPST提取所有P,Q-Gram的结果图。对于TPST1,可以对其提取1,1-Gram、1,2-Gram、1,3-Gram、1,4-Gram、1,5-Gram、2,1-Gram、2,3-Gram。对于TPST2,可以对其提取1,1-Gram、1,2-Gram、1,3-Gram、1,4-Gram、1,5-Gram、1,6-Gram、2,1-Gram、2,3-Gram。对于两个P,Q-Gram,若它们每个对应位置的节点都是映射的,则这两个P,Q-Gram就是映射的。图5中,TPST1和TPST2间共有13个映射的P,Q-Gram,其中映射的1,1-Gram有6个:(1)、(2)、(3)、(5)、(6)、(7);映射的1,2-Gram有3个:(1)、(2)、(5);映射的1,3-Gram有1个:(1);映射的2,1-Gram有2个:(1)、(2);映射的2,2-Gram有1个:(1)。
图6展示了图3中两个TPST的共同主结构提取结果,即将图5中两个TPST间映射的P,Q-Gram进行了合并。其中,第二层上的路由节点AND/XOR对应的是TPST1中的AND节点和TPST2中的XOR节点是映射的,但是它们的标签不同。
图7展示了在共同主结构的基础上,基于提出的差异模式,生成了图3中两个TPST间的差异,可将差异展示在共同主结构之上并对差异进行自然语言翻译。其中,共同主结构的上方虚线框中的部分为TPST1中的差异,共同主结构的下方虚线框中的部分为TPST2中的差异。图3中TPST1和TPST2间的差异为(1)“TPST1中节B和C的执行顺序为XOR,而在TPST2中节点B和C的执行顺序变为AND”;(2)“由节点F和G组成的子树Sequence1只存在TPST1中”;(3)“由节点F和G组成的子树XOR2只存在TPST2中”。
Claims (2)
1.服务流程间差异检测与自然语言翻译方法,该方法包括以下步骤:
1)输入两个服务流程,将它们分别转换成对应的基于任务节点的过程结构树TPST;
2)节点映射,即对两个TPST中的节点进行映射,包括如下步骤:
2.1)任务节点映射:若两个任务节点的标签相同,则它们之间的相似度为1,否则相似度为0;
2.2)路由节点映射,类型一样的路由节点才可映射;
3)P,Q-Gram提取:分别遍历两个TPST,找出所有的P,Q-Gram,P,Q-Gram是扫帚形状,其中P代表的是TPST中P个层次直接相连的路由节点,Q代表的是P中层次最大的路由节点的Q个孩子节点;
4)P,Q-Gram映射:比较两个TPST中的所有P,Q-Gram,给定P,Q-Gram1和P,Q-Gram2,若它们的P和Q中的每个节点都一一映射,则将P,Q-Gram1和P,Q-Gram2映射起来;
5)共同主结构提取:合并两个TPST中所有的映射P,Q-Gram,将合并后的P,Q-Gram作为两个TPST的共同主结构;
6)流程差异检测和自然语言翻译:设计以下四类差异模式,对两个TPST中除了共同主结构以外的节点生成差异模式,两个TPST间的差异模式可展示在它们的共同主结构之上,并将差异翻译成自然语言:
Ⅰ)子树编辑模式:包括子树删除模式和子树***模式,子树subTree删除模式的自然语言翻译为:由节点a、b、c…组成的子树subTree只存在TPST1中,子树subTree***模式的自然语言翻译为:由节点a、b、c…组成的子树subTree只存在TPST2中;
Ⅱ)节点编辑操作:包括节点删除模式和节点***模式,节点node删除模式的自然语言翻译为:节点node只存在TPST1中,节点node***模式的自然语言翻译为:节点node只存在TPST2中;
Ⅲ)控制流结构变化模式:对于两个TPST中的映射路由节点,它们的子节点a1…am和b1…bm也一一映射但是拥有不同的执行关系C1和C2,该模式的自然语言翻译为:TPST1中节点a1…am的执行顺序为C1,而在TPST2中节点b1…bm的执行顺序变为C2;
Ⅳ)顺序交换模式:对于两个TPST中映射的顺序结构块,其中节点的执行顺序不同,自然语言翻译为:在TPST1中节点顺序为a→b→c…,而在TPST2中节点顺序为c→b→a…。
2.如权利要求1所述的服务流程间差异检测与自然语言翻译方法,其特征在于:所述步骤2.2)具体步骤如下:
2.2.1)生成特征向量:一个路由节点g用一个特征向量fv(g)=[T,C]来表示,其中T是g的类型,包括有序和无序两种,C指g的孩子节点集合;
2.2.2)计算特征向量相似度,包括以下两种情况:
Ⅰ)两个路由节点g1和g2的类型为有序,即为Sequence或Loop节点,用公式(1)来计算g1和g2的相似度,公式(1)中的LCS代表C1和C2的最长共同子序列,fv(g1)、fv(g2)分别表示g1和g2的特征向量:
Ⅱ)两个路由节点g1和g2的类型为无序,即为XOR或AND节点,用公式(2)来计算g1和g2的相似度:
2.2.3)选出映射节点:两个TPST中所有可能映射的任务节点对和路由节点对集合为N={n1,…ni,…,nm}(1≤i≤m),计算任一可能映射的节点对ni={node1,node2}中node1和node2的相似度,采用贪心算法,选出每一轮能最大化增加两个TPST间相似度的节点对nj={node1,node2}中将node1和node2进行映射,随后在N中删除包含node1或node2的节点对,直到两个TPST间的相似度不再增加或N为空就停止,最后得到两个TPST间的映射节点对;其中,两个TPST间的相似度采用公式(3)来计算,C1和C2分别代表两个TPST的孩子节点集合:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687864.5A CN113377349B (zh) | 2021-06-21 | 2021-06-21 | 服务流程间差异检测与自然语言翻译方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110687864.5A CN113377349B (zh) | 2021-06-21 | 2021-06-21 | 服务流程间差异检测与自然语言翻译方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113377349A CN113377349A (zh) | 2021-09-10 |
CN113377349B true CN113377349B (zh) | 2022-05-13 |
Family
ID=77578178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110687864.5A Active CN113377349B (zh) | 2021-06-21 | 2021-06-21 | 服务流程间差异检测与自然语言翻译方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113377349B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020233261A1 (zh) * | 2019-07-12 | 2020-11-26 | 之江实验室 | 一种基于自然语言生成技术的知识图谱辅助理解*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10169336B2 (en) * | 2017-01-23 | 2019-01-01 | International Business Machines Corporation | Translating structured languages to natural language using domain-specific ontology |
US11157707B2 (en) * | 2019-07-23 | 2021-10-26 | International Business Machines Corporation | Natural language response improvement in machine assisted agents |
US11455339B1 (en) * | 2019-09-06 | 2022-09-27 | Tableau Software, LLC | Incremental updates to natural language expressions in a data visualization user interface |
-
2021
- 2021-06-21 CN CN202110687864.5A patent/CN113377349B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020233261A1 (zh) * | 2019-07-12 | 2020-11-26 | 之江实验室 | 一种基于自然语言生成技术的知识图谱辅助理解*** |
Non-Patent Citations (2)
Title |
---|
《基于过程结构树的流程间差别检测算法》;曹斌等;《电子学报》;20180415;全文 * |
文本相似度计算在军事装备故障诊断方面的应用;蒋怡等;《中国设备工程》;20200729(第15期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113377349A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7593927B2 (en) | Unstructured data in a mining model language | |
US7584189B2 (en) | Sentence classification device and method | |
Ahmed et al. | Automatic analysis and sketch-based retrieval of architectural floor plans | |
CN101387958B (zh) | 一种图像数据的处理方法及装置 | |
US8024175B2 (en) | Computer program, apparatus, and method for searching translation memory and displaying search result | |
US20160239751A1 (en) | Multimodal input processing | |
US9811727B2 (en) | Extracting reading order text and semantic entities | |
US20130332812A1 (en) | Method and system to generate a process flow diagram | |
US20050038770A1 (en) | System, tools and methods for viewing textual documents, extracting knowledge therefrom and converting the knowledge into other forms of representation of the knowledge | |
CN101441686A (zh) | 基于自然语言编写的医疗文档的信息抽提及格式转换*** | |
JP7432801B2 (ja) | デプスマップマッチングに基づく医療データエレメント自動化分類方法及びシステム | |
US8117537B1 (en) | Platform-independent method for computer aided schematic drawings | |
Pedro et al. | Using grammars for pattern recognition in images: a systematic review | |
CN117083605A (zh) | 用于文本-图像-布局变换器模型的迭代训练 | |
CN110889013B (zh) | 一种基于xml的数据关联方法、装置、服务器及存储介质 | |
CN112582073B (zh) | 医疗信息获取方法、装置、电子设备和介质 | |
CN113377349B (zh) | 服务流程间差异检测与自然语言翻译方法 | |
EP4006765A1 (en) | Data interpretation device, method and program, data integration device, method and program, and digital city construction system | |
Forrester et al. | Graphael: A system for generalized force-directed layouts | |
CN109144674A (zh) | 合约处理装置和合约处理方法 | |
CN111984745A (zh) | 数据库字段动态扩展方法、装置、设备及存储介质 | |
US20050171966A1 (en) | Relational to hierarchical tree data conversion technique | |
Wan et al. | OmniParser: A Unified Framework for Text Spotting Key Information Extraction and Table Recognition | |
Simard et al. | TransSearch: A bilingual concordance tool | |
JP2785317B2 (ja) | ソフトウェア標準化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |