CN115719258A

CN115719258A - 一种报价单自动生成的方法、装置和电子设备

Info

Publication number: CN115719258A
Application number: CN202211457872.1A
Authority: CN
Inventors: 王礼文; 陈宇珽; 邬桐; 王一宁
Original assignee: Cfets Information Technology Shanghai Co ltd
Current assignee: Cfets Information Technology Shanghai Co ltd
Priority date: 2022-11-21
Filing date: 2022-11-21
Publication date: 2023-02-28

Abstract

本发明实施例公开了一种报价单自动生成的方法、装置和电子设备。本发明实施例通过在即时通讯工具的对话框中获取交易指令文本；通过预先训练的模型和实体归一化对所述交易指令文本进行处理，生成报价单，其中，所述预先训练的模型包括中文预训练模型、意图分类和实体识别模型；在所述即时通讯工具的对话框所在界面显示所述报价单。通过上述方法，可以在交易的过程中，自动获取交易指令文本，然后通过预先训练的模型和实体归一化自动生成报价单，无需用户逐一在对话框中查找交易指令文本后手动生成报价单，可以减少时间的浪费，提高工作效率。

Description

一种报价单自动生成的方法、装置和电子设备

技术领域

本发明涉及自然语言处理技术领域，具体涉及一种报价单自动生成的方法、装置和电子设备。

背景技术

随着金融市场的不断发展，银行、证券等金融机构的数量也随之增多，在金融机构间的资金市场中，不同金融机构之间需要相互进行多种类型的交易，例如，常见的回购交易、外币拆借交易等。

现有技术中，由于金融市场的专业度较高，且交易时效性也非常高，为了节省交流时间，加快交易效率，从事交易的交易员会通过即时通讯工具与潜在的交易对手单聊进行需求的沟通，通常会使用交易指令文本来表达交易的报价和成交等意图，例如，在外汇市场的外币拆借交易中，当交易员A给交易员B发送交易指令文本“USD 3W [email protected]％”时，表示交易员A代表其机构向交易员B的机构发起了一笔“以2.6％的利率借2万美元3周”的报价请求；但是在交易的高频时段，交易员需要时刻在各聊天窗口的大量聊天文本信息中，筛选并关注交易信息，选出愿意与其进行交易的对手方后，联系对方，然后再生成报价单，确认交易，因此，在生成报价单的过程中需要浪费大量时间，导致工作效率低。

综上所述，如何在交易的过程中，减少时间的浪费，提高工作效率，是需要解决的问题。

发明内容

有鉴于此，本发明实施例提供了一种报价单自动生成的方法、装置和电子设备，可以在交易的过程中，减少时间的浪费，提高工作效率。

第一方面，本发明实施例提供了一种报价单自动生成的方法，该方法包括：在即时通讯工具的对话框中获取交易指令文本；通过预先训练的模型和实体归一化对所述交易指令文本进行处理，生成报价单，其中，所述预先训练的模型包括中文预训练模型、意图分类和实体识别模型；在所述即时通讯工具的对话框所在界面显示所述报价单。

可选的，该方法还包括：

接收到交易指令，其中，所述交易指令用于确认所述报价单，或者，用于拒绝所述报价单。

可选的，该方法还包括：

在所述即时通讯工具的对话框中发送所述交易指令文本；或者，

在所述即时通讯工具的对话框中接收到所述交易指令文本。

可选的，所述通过预先训练的模型和实体归一化对所述交易指令文本进行处理，生成报价单，具体包括；

所述通过预先训练的模型和实体归一化对所述交易指令文本进行处理，输出json表示的输出结果；

根据所述json表示的输出结果生成所述报价单。

可选的，所述中文预训练模型为FinBERT模型，其中，所述FinBERT模型为金融领域预训练模型。

可选的，所述实体归一化用于将含义相同的不同词汇用统一的方式表示。

可选的，该方法还包括：

接收到信息展示指令，其中，所述信息展示指令用于展示所述报价单的明细信息，所述明细信息展示在所述对话框所在界面中，或者，悬浮于所述对话框所在界面上。

第二方面，本发明实施例提供了一种报价单自动生成的装置，该装置包括：获取单元，用于在即时通讯工具的对话框中获取交易指令文本；处理单元，用于通过预先训练的模型和实体归一化对所述交易指令文本进行处理，生成报价单，其中，所述预先训练的模型包括中文与预训练模型、意图分类和实体识别模型；显示单元，用于在所述即时通讯工具的对话框所在界面显示所述报价单。

可选的，该装置还包括：接收单元，用于接收到交易指令，其中，所述交易指令用于确认所述报价单，或者，用于拒绝所述报价单。

可选的，该装置还包括：发送单元，用于在所述即时通讯工具的对话框中发送所述交易指令文本；或者，所述接收单元还用于，在所述即时通讯工具的对话框中接收到所述交易指令文本。

可选的，所述处理单元具体用于：

根据所述json表示的输出结果生成所述报价单。

可选的，所述接收单元还用于：

第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如第一方面或第一方面任一种可能中任一项所述的方法。

第四方面，本发明实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如第一方面或第一方面任一种可能中任一项所述的方法。

本发明实施例通过在即时通讯工具的对话框中获取交易指令文本；通过预先训练的模型和实体归一化对所述交易指令文本进行处理，生成报价单，其中，所述预先训练的模型包括中文预训练模型、意图分类和实体识别模型；在所述即时通讯工具的对话框所在界面显示所述报价单。通过上述方法，可以在交易的过程中，自动获取交易指令文本，然后通过预先训练的模型和实体归一化自动生成报价单，无需用户逐一在对话框中查找交易指令文本后手动生成报价单，可以减少时间的浪费，提高工作效率。

附图说明

通过以下参照附图对本发明实施例的描述，本发明的上述以及其它目的、特征和优点将更为清楚，在附图中：

图1是现有技术中一种即时通讯工具的对话框界面示意图；

图2是现有技术中另一种即时通讯工具的对话框界面示意图；

图3是本发明实施例的一种报价单自动生成的方法流程图；

图4是本发明实施例的一种即时通讯工具的对话框界面示意图；

图5是本发明实施例的另一种即时通讯工具的对话框界面示意图；

图6是本发明实施例的一种意图分类和实体识别模型结构示意图；

图7是本发明实施例的再一种即时通讯工具的对话框界面示意图；

图8是本发明实施例的另一种报价单自动生成的方法流程图；

图9是本发明实施例的再一种报价单自动生成的方法流程图；

图10是本发明实施例的一种即时通讯工具的对话框界面示意图；

图11是本发明实施例的一种报价单自动生成的装置示意图；

图12是本发明实施例的一种电子设备的示意图。

具体实施方式

以下基于实施例对本发明公开进行描述，但是本发明公开并不仅仅限于这些实施例。在下文对本发明公开的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明公开。为了避免混淆本发明公开的实质，公知的方法、过程、流程、元件和电路并没有详细叙述。

此外，本领域普通技术人员应当理解，在此提供的附图都是为了说明的目的，并且附图不一定是按比例绘制的。

除非上下文明确要求，否则整个申请文件中的“包括”、“包含”等类似词语应当解释为包含的含义而不是排他或穷举的含义；也就是说，是“包括但不限于”的含义。

在本发明公开的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。

通常在现有技术中，由于金融市场的专业度较高，且交易时效性也非常高，为了节省交流时间，加快交易效率，从事交易的交易员会通过即时通讯工具与潜在的交易对手单聊进行需求的沟通，通常会使用交易指令文本来表达交易的报价和成交等意图，例如，在外汇市场的外币拆借交易中，当交易员A在即时通讯工具的对话框中给交易员B发送交易指令文本“USD 3W Borrow [email protected]％”时，具体如图1所示，图1是交易员A的对话框界面，所述图1中交易员A在与交易员B的对话框中包括多句对话，其中，上述“USD 3W Borrow [email protected]％”只是其中之一，表示交易员A代表其机构向交易员B的机构发起了一笔“以2.6％的利率借2万美元3周”的报价请求；但是在交易的高频时段，交易员可能同时和多个交易对象在进行交流，例如，图2所示，交易员A的即时通讯工具的界面上显示，交易员A在13：00至13：30时间段内同时与交易员1、交易员2、交易员3、交易员4、交易员5、交易员6、交易员7、交易员8、交易员9和交易员10.一共10个交易员进行交流，因此，交易员A需要时刻在与每个交易对象的聊天窗口的大量聊天文本信息中，筛选并关注交易信息，选出愿意与其进行交易的对手方后，联系对方，然后再生成报价单，确认交易，在生成报价单的过程中需要浪费大量时间，导致工作效率低；因此，如何在交易的过程中，减少时间的浪费，提高工作效率，是需要解决的问题。

本发明实施例中，图3是本发明实施例的一种报价单自动生成的方法流程图。如图3所示，具体包括如下步骤：

步骤S300、在即时通讯工具的对话框中获取交易指令文本。

具体的，所述交易指令文本可以是交易员A在所述即时通讯工具的对话框中发送给交易员B的，例如，如图4所示，图4为交易员A的即时通讯工具的对话框界面，所述交易员A在所述即时通讯工具的对话框中发送交易指令文本“【AA/AAA】PPN，非公开，南京六合新城建设(集团)有限公司，10亿元(本期发行5亿元)，5年期，3.6％-5.5％，中债信用增进投资股份有限公司担保(AAA)，9月”给交易员B。

或者，所述交易指令文本还可以是交易员A在所述即时通讯工具的对话框中接收到的其他交易员发送来的，例如，如图5所示，图5为交易员A的即时通讯工具的对话框界面，交易员A在所述即时通讯工具的对话框中接收到交易员B发送的交易指令文本“【AA/AAA】PPN，非公开，南京六合新城建设(集团)有限公司，10亿元(本期发行5亿元)，5年期，3.6％-5.5％，中债信用增进投资股份有限公司担保(AAA)，9月”。

本发明实施例中，不限定所述交易指令文本的来源，可以是交易员发送的，也可是交易员接收的，并且，可以获取任意交易指令文本，具体的交易指令文本根据实际情况确定，本发明实施例对其不做限定。

步骤S301、通过预先训练的模型和实体归一化对所述交易指令文本进行处理，生成报价单，其中，所述预先训练的模型包括中文预训练模型、意图分类和实体识别模型。

具体的，所述通过预先训练的模型和实体归一化对所述交易指令文本进行处理，输出json表示的输出结果；根据所述json表示的输出结果生成所述报价单。

在一种可能的实现方式中，所述中文预训练模型为FinBERT模型，其中，所述FinBERT模型为金融领域预训练模型；所述FinBERT模型用于解决银行间语料中专有名词较多，对通用的预训练模型比较陌生的问题，所述FinBERT模型基于金融财经类新闻、研报和上市公司公告、以及金融类百科词条三类金融领域语料，对于重要部分进行筛选、预处理之后得到最终用于FinBERT模型训练的语料，共包含30亿语言符号(Tokens)，数量超过了原生中文BERT预训练规模，因此，所述FinBERT预训练模型在多个金融领域的下游任务中获得了显著的性能提升，在不加任何额外调整的情况下，F1-分数(score)直接提升至少2-5.7个百分点；本发明实施例中，可以在金融领域的自然语言处理(Natural Language Processing，NLP)数据集上直接使用所述预训练模型，无需从头开始构建模型来解决类似的NLP问题，使用所述预训练模型，可以节省大量的时间和计算资源。

在一种可能的实现方式中，意图分类和实体识别模型用于意图分类和实体识别，其中，所述意图分类中的意图为交易意图，也可以称为交易目的，包括本币现券发行、本币现券成交、本币现券报价、本币回购成交、本币利率互换成交、本币利率互换报价、本币资金报价、外汇掉期成交、外汇掉期报价、外汇远期成交、外币拆借成交以及外币期权成交等；所述实体识别中的实体包括债券、发行人、主体评级、企业类型、发行方式、规模、期限、收益率、日期、方向、券面总额、清算速度、状态、交易量、金额以及价格等；具体根据实际情况确定。

本发明实施例中，所述意图分类和实体识别(Dual Intent and EntityTransformer，DIET)模型的结构如图6所示，所述DIET模型的意图(Intent)是“查指数”，所述DIET模型的实体是“美”、“元”、“中”、“价”、和“间”，“前馈(Feed-forward，FFW)”是共享权重的，输入句子被视为词符序列，根据流水线(pipeline)的不同，词符可以是单词或子词，在每个句子的末尾添加一个特殊的分类标记__CLS__；其中，每个输入词符都具有稀疏特征和密集特征，所述稀疏特征是n-grams(n<＝5)的one-hot或者multi-hot编码，所述稀疏特征包含很多冗余特征，所述稠密特征来自预训练模型。使用ConveRT作为句子的编码器，ConveRT的_CLS向量作为DIET的初始输入，作为单词信息之外的句子信息特征。所述稀疏特征通过一个全连接计算，其中，所述全连接的权重是和其它序列的时间步全连接共享的，目的是为了让稀疏特征的维度和稠密特征的维度一致，然后将稀疏特征的FFW的输出和稠密特征的向量进行concat拼接，因为transformer要求输入的向量维度需要一致，因此在拼接后面再接一个FFW，所述FFW的权重也是共享的；所述transformer模块，使用2层layer，使用token的相对位置编码。

实体识别分类标签是根据条件随机场(Conditional Random Field，CRF)计算的，采用的transformer的输出的向量，注意根据输出向量可以找到对应的输入token位置；所述意图分类就是CLS经过transformers的输出，然后意图标签向量化后计算相似度，计算损失时采用dot-product loss，点积损失，使得相似度和真实意图的相似性最高，使用负采样计算与其它意图的相似性降低。受Masking语言建模任务的启发，添加了一个额外的训练目标来预测随机masked(遮盖的)的输入token，然后对这个部分的token经过transformer计算后，与这个原始的单词进行向量和FFN后计算点击损失，添加Masking操作的目的是模型泛化，防止过拟合，让模型学习更多的特征。最后，计算Total Loss总的损失，所述总的损失是实体损失(Entity Loss)、意图损失(Total Loss)和遮盖损失(Mask Loss)三部分损失之和；所述DIET模型还包括嵌入层(Embedding Layer)、相似(similarity)等，通过所述DIET模型交易指令文本进行意图分类和实体识别，本发明实施中，也可以采用其他模型实现上述目的，本发明实施例对其不做限定。

在一种可能的实现方式中，所述实体归一化用于将含义相同的不同词汇用统一的方式表示。

举例说明，所述实体归一化的过程包括：首先确定当前实体，然后确定实体关系，最后确定目标实体；例如，当前实体为“最近7天”、“近7天”、“最近1周”、“最近七天”、“近七天”、“最近一个星期”、“最近1星期”、“近1个星期”、“近一个星期”、“最近一星期”、“最近1星期”、“近1星期”和“近一星期”，实体关系为“相似时间”，实体归一化后确定的目标实体为“最近一周”，即无论输入的实体是如何表达的，只要是含义相同，最后输出的结果都是用相同的词语表达目标实体的；此处仅仅为示例性说明，具体的实体归一化根据实际情况确定。

在一种可能的实现方式中，所述交易指令文本“【AA/AAA】PPN，非公开，南京六合新城建设(集团)有限公司，10亿元(本期发行5亿元)，5年期，3.6％-5.5％，中债信用增进投资股份有限公司担保(AAA)，9月”经过文本纠错、意图分类和实体识别后输出的采用json表示的输出结果如下：“Intent(意图)”：“ask_现券发行”，“Confidence(置信度)”：1.0，“ErrorMsg(错误)”：null(无)，“NLU Result(自然语言理解结果)”{“Domain(范围)”:“本币”，“Buyer(买方)”:[“接收者id”]，“Seller(卖方)”：[“发送者id”]，“Trade Category(交易类别)”：null，“Business Scenario(业务场景)”：“发行”，“Entities(实体)”:[{“Entity(实体)”：“评级”，“Start(起始)”：1，“End(结束)”：3，

“Role(角色)”：“发行人主体评级”，“Raw Value(原始数值)”：“AA”}，{“Entity(实体)”：“评级”，“Start(起始)”：4，“End(结束)”：7，“Role(角色)”：“债项评级”，“Raw Value(原始数值)”：“AAA”}，{“Entity(实体)”：“发行方式”，“Start(起始)”：12，“End(结束)”：15，“Role(角色)”：“发行方式”，“Raw Value(原始数值)”：“非公开”}，{“Entity(实体)”：“发行人”，“Start(起始)”：16，

“End(结束)”：32，“Role(角色)”：“发行人”，“Raw Value(原始数值)”：“南京六合新城建设(集团)有限公司”}，

{“Entity(实体)”：“规模数值”，“Start(起始)”：42，“End(结束)”：43，“Role(角色)”：“规模数值”，“Raw Value(原始数值)”：“5”}，{“Entity(实体)”：“规模单位”，

“Start(起始)”：43，“End(结束)”：45，“Role(角色)”：

“规模单位”，“Raw Value(原始数值)”：“亿元”，

“Normalized Value(归一化值)”：“亿”}，{“Entity(实体)”：

“期限”，“Start(起始)”：47，“End(结束)”：49，“Role(角色)”：“期限”，“Raw Value(原始数值)”：“5年”}，

{“Entity(实体)”：“收益率”，“Start(起始)”：51，“End(结束)”：55，“Role(角色)”：“收益率(最低)”，“Raw Value(原始数值)”：“3.6％”}，{“Entity(实体)”：“收益率”，“Start(起始)”：56，“End(结束)”：60，“Role(角色)”：

“收益率(最高)”，“Raw Value(原始数值)”：“5.5％”}，之后不再赘述，此次仅仅为输出结果的示例性说明，具体根据实际情况确定。

本发明实施例中，上述1，3，4，7，12，15等数值为字符在所述交易指令文本中的排序值。

本发明实施例中，经过上述文本纠错、意图分类、实体识别、实体归一化、以及结果输出环节，得到最终输出的结果，然后根据输出结果生成报价单。

步骤S302、在所述即时通讯工具的对话框所在界面显示所述报价单。

具体的，所述报价单可以显示在交易员使用的即时通讯工具的对话框所在界面右侧，具体如图7所示，所述图7为交易员A的界面示意图，其中，所示报价单中包括：发行人：南京六合新城建设(集团)有限公司，期限：5年，发行规模：5亿，收益率：3.6％-5.5.％，所述报价单中还包括“确认”和“拒绝”选项框；此处仅仅为示例性说明，具体根据实际情况确定。

本发明实施例中，可以获取对话框中的交易指令文本后自动生成报价单，提高工作效率，节约时间，并且，可以支持本币市场和外汇市场各种交易产品的报价和成交指令文本，适用范围广泛。

在一种可能的实现方式中，在步骤S302之后，还包括其他步骤，图8是本发明实施例的一种报价单自动生成的方法流程图。如图8所示，具体包括如下步骤：

步骤S303、接收到交易指令，其中，所述交易指令用于确认所述报价单，或者，用于拒绝所述报价单。

具体的，在所述图7中，在即时通讯工具的对话框所在界面右侧显示报价单的同时还显示“确认”和“拒绝”选项框，当交易员触发“确认”选项框时，即所述交易员确认该交易；当所述交易员触发“拒绝”选项框时，即所述交易员拒绝该交易；确认或拒绝后的交易对应的报价单可以从所述即时通讯工具的对话框所在界面右侧删除，本发明实施例中，所述即时通讯工具的对话框所在界面可以同时显示多个未处理的报价单。

在一种可能的实现方式中，在步骤S303之前，还包括其他步骤，图9是本发明实施例的一种报价单自动生成的方法流程图。如图9所示，具体包括如下步骤：

步骤S304、接收到信息展示指令，其中，所述信息展示指令用于展示所述报价单的明细信息，所述明细信息展示在所述对话框所在界面中，或者，悬浮于所述对话框所在界面上。

在一种可能的实现方式中，所述图7中，在即时通讯工具的对话框所在界面右侧显示报价单仅显示重要信息，由于界面大小的限制，无法显示全部明细信息，若交易员在交易之前需要进行明细信息的确认，则发出信息展示指令，用于调用所述报价单的明细信息，所述明细信息可以悬浮于所述对话框所在界面上，具体如图10所示，包括：发行人：南京六合新城建设(集团)有限公司，期限：5年，发行规模：5亿，收益率：3.6％-5.5.％，主体评价：AA，债项评级：AAA，发行方式：非公开，担保机构：中债信用增进投资股份有限公司担保等；具体根据实际情况确定，并且，在即时通讯工具的对话框所在界面上悬浮的报价单中还显示“确认”和“拒绝”选项框，当交易员触发“确认”选项框时，即所述交易员确认该交易；当所述交易员触发“拒绝”选项框时，即所述交易员拒绝该交易。

图11是本发明实施例的一种报价单自动生成的装置示意图。如图11所示，本实施例的装置包括获取单元1101、处理单元1102和显示单元1103。

其中，所述获取单元1101，用于在即时通讯工具的对话框中获取交易指令文本；

处理单元1102，用于通过预先训练的模型和实体归一化对所述交易指令文本进行处理，生成报价单，其中，所述预先训练的模型包括中文与预训练模型、意图分类和实体识别模型；

显示单元1103，用于在所述即时通讯工具的对话框所在界面显示所述报价单。

进一步地，该装置还包括：接收单元，用于接收到交易指令，其中，所述交易指令用于确认所述报价单，或者，用于拒绝所述报价单。

进一步地，该装置还包括：发送单元，用于在所述即时通讯工具的对话框中发送所述交易指令文本；或者，所述接收单元还用于，在所述即时通讯工具的对话框中接收到所述交易指令文本。

进一步地，所述处理单元具体用于：

根据所述json表示的输出结果生成所述报价单。

进一步地，所述中文预训练模型为FinBERT模型，其中，所述FinBERT模型为金融领域预训练模型。

进一步地，所述实体归一化用于将含义相同的不同词汇用统一的方式表示。

进一步地，所述接收单元还用于：

图12是本发明实施例的电子设备的示意图。如图12所示，图12所示的电子设备为报价单自动生成的装置，其包括通用的计算机硬件结构，其至少包括处理器1201和存储器1202。处理器1201和存储器1202通过总线1203连接。存储器1202适于存储处理器1201可执行的指令或程序。处理器1201可以是独立的微处理器，也可以是一个或者多个微处理器集合。由此，处理器1201通过执行存储器1202所存储的指令，从而执行如上所述的本发明实施例的方法流程实现对于数据的处理和对于其它装置的控制。总线1203将上述多个组件连接在一起，同时将上述组件连接到显示控制器1204和显示装置以及输入/输出(I/O)装置1205。输入/输出(I/O)装置1205可以是鼠标、键盘、调制解调器、网络接口、触控输入装置、体感输入装置、打印机以及本领域公知的其他装置。典型地，输入/输出装置1205通过输入/输出(I/O)控制器1206与***相连。

其中，存储器1202存储的指令被至少一个处理器1201执行以实现：在即时通讯工具的对话框中获取交易指令文本；通过预先训练的模型和实体归一化对所述交易指令文本进行处理，生成报价单，其中，所述预先训练的模型包括中文预训练模型、意图分类和实体识别模型；在所述即时通讯工具的对话框所在界面显示所述报价单。

具体地，该电子设备包括：一个或多个处理器1201以及存储器1202，图12以一个处理器1201为例。处理器1201、存储器1202可以通过总线或者其他方式连接，图12中以通过总线连接为例。存储器1202作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。处理器1201通过运行存储在存储器1202中的非易失性软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述报价单自动生成的方法。

存储器1202可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储选项列表等。此外，存储器1202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器1202可选包括相对于处理器1201远程设置的存储器，这些远程存储器可以通过网络连接至外接设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个模块存储在存储器1202中，当被一个或者多个处理器1201执行时，执行上述任意方法实施例中的报价单自动生成的方法。

上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果，未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。

本发明的实施例涉及一种非易失性存储介质，用于存储计算机可读程序，所述计机可读程序用于供计算机执行上述部分或全部的方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施例是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims

1.一种报价单自动生成的方法，其特征在于，该方法包括：

在即时通讯工具的对话框中获取交易指令文本；

通过预先训练的模型和实体归一化对所述交易指令文本进行处理，生成报价单，其中，所述预先训练的模型包括中文预训练模型、意图分类和实体识别模型；

在所述即时通讯工具的对话框所在界面显示所述报价单。

2.如权利要求1所述的方法，其特征在于，该方法还包括：

3.如权利要求1所述的方法，其特征在于，该方法还包括：

在所述即时通讯工具的对话框中接收到所述交易指令文本。

4.如权利要求1所述的方法，其特征在于，所述通过预先训练的模型和实体归一化对所述交易指令文本进行处理，生成报价单，具体包括；

根据所述json表示的输出结果生成所述报价单。

5.如权利要求1所述的方法，其特征在于，所述中文预训练模型为FinBERT模型，其中，所述FinBERT模型为金融领域预训练模型。

6.如权利要求1所述的方法，其特征在于，所述实体归一化用于将含义相同的不同词汇用统一的方式表示。

7.如权利要求1所述的方法，其特征在于，该方法还包括：

8.一种报价单自动生成的装置，其特征在于，该装置包括：

获取单元，用于在即时通讯工具的对话框中获取交易指令文本；

处理单元，用于通过预先训练的模型和实体归一化对所述交易指令文本进行处理，生成报价单，其中，所述预先训练的模型包括中文与预训练模型、意图分类和实体识别模型；

显示单元，用于在所述即时通讯工具的对话框所在界面显示所述报价单。

9.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。

10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-7任一项所述的方法。