CN116151210A - 业务需求的建模方法、装置、电子设备和介质 - Google Patents
业务需求的建模方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN116151210A CN116151210A CN202211437189.1A CN202211437189A CN116151210A CN 116151210 A CN116151210 A CN 116151210A CN 202211437189 A CN202211437189 A CN 202211437189A CN 116151210 A CN116151210 A CN 116151210A
- Authority
- CN
- China
- Prior art keywords
- model element
- standard
- business
- service model
- element vector
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- 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
- G06F16/33—Querying
- G06F16/332—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了一种业务需求的建模方法,可用于金融领域或其他领域。该方法包括:获取业务需求文本;从业务需求文本中提取业务模型要素;将业务模型要素转化为业务模型要素向量;预设标准业务模型要素向量库;将业务模型要素向量与标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配,得到N个候选标准业务模型要素向量;计算业务模型要素向量与N个候选标准业务模型要素向量之间的相似度;基于相似度的计算结果,确定目标标准业务模型要素向量;以及基于目标标准业务模型要素向量对应的标准业务模型,对业务需求文本进行建模。本公开还提供了一种业务需求的建模装置、设备、存储介质和程序产品。
Description
技术领域
本公开涉及人工智能领域,还可用于金融科技领域,具体地,涉及一种业务需求的建模方法、装置、设备、介质和程序产品。
背景技术
大型研发组织中,业务需求书一般由业务人员使用自然语言线下编写形成文档,然后提交给牵头研发部门,牵头研发部门安排产品经理和架构师对业务需求书进行分析,然后再分配到不同的研发部门或研发组进行业务需求的建模。
在实现本公开构思的过程中,发明人发现,目前的建模方法需要通过相关人员对业务需求文本进行人工分析,再根据分析结果进行建模,建模速度较慢。
发明内容
鉴于上述问题,本公开提供了一种业务需求的建模方法、装置、设备、介质和程序产品。
根据本公开的第一个方面,提供了一种业务需求的建模方法,包括:获取业务需求文本;从所述业务需求文本中提取业务模型要素,其中,所述业务模型要素是用于构建与所述业务需求文本对应的业务模型的要素;将所述业务模型要素转化为业务模型要素向量;预设标准业务模型要素向量库,其中,所述标准业务模型要素向量库中包括多个标准业务模型要素向量,每一个所述标准业务模型要素向量对应一个标准业务模型;将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配,得到N个候选标准业务模型要素向量,其中,N为大于等于1的整数;计算所述业务模型要素向量与所述N个候选标准业务模型要素向量之间的相似度;基于所述相似度的计算结果,确定目标标准业务模型要素向量;以及基于所述目标标准业务模型要素向量对应的标准业务模型,对所述业务需求文本进行建模。
根据本公开的实施例,所述基于所述相似度的计算结果,确定目标标准业务模型要素向量的步骤包括;预设相似度阈值;分别计算所述业务模型要素向量与所述N个候选标准业务模型要素向量中每一个标准业务模型要素向量的余弦相似度;选取余弦相似度大于所述相似度阈值的M个标准业务模型要素向量,其中,M为大于等于1的整数,且M小于等于N;按照余弦相似度对所述M个标准业务模型要素向量从大到小进行排序;以及基于所述排序结果,选择前K个标准业务模型要素向量,作为目标标准业务模型要素向量,其中,K为大于等于1的整数,且K小于等于M。
根据本公开的实施例,所述将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配的步骤包括:利用分层可导航小世界图算法,将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配,得到N个候选标准业务模型要素向量。
根据本公开的实施例,所述从所述业务需求文本中提取业务模型要素的步骤包括:利用语言模型分析对所述业务需求文本进行分词,得到词语集合,所述词语集合中包括多个词语;和从所述词语集合中提取业务模型要素。
根据本公开的实施例,所述词语集合还包括所述多个词语中每一个词语的词性和位置,所述从所述词语集合中提取业务模型要素的步骤包括:基于所述多个词语中每一个词语的词性和位置,从所述词语集合中提取业务模型要素。
根据本公开的实施例,所述从所述词语集合中提取业务模型要素的步骤之前,还包括:利用预先建立的词库将所述词语集合中的多个词语转化为标准词。
根据本公开的实施例,所述预先建立的词库包括多个标准词;所述利用预先建立的词库将所述词语集合中的多个词语转化为标准词的步骤包括:将所述多个词语中的每一个词语与所述多个标准词进行相似度计算;和选取相似度最高的标准词,作为所述词语的标准词转化结果。
根据本公开的实施例,所述将所述业务模型要素转化为业务模型要素向量的步骤包括:利用独热编码的方式处理所述业务模型要素,以将所述业务模型要素转化为业务模型要素向量。
根据本公开的实施例,所述将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配步骤之前,还包括:将所述业务模型要素向量和所述标准业务模型要素向量库中的多个标准业务模型要素向量进行降维。
根据本公开的实施例,所述基于所述目标标准业务模型要素向量对应的标准业务模型,对所述业务需求文本进行建模包括:基于所述业务模型要素,更新所述标准业务模型,得到所述业务需求文本的建模结果。
本公开的第二方面提供了一种业务需求的建模装置,包括:第一获取模块,用于获取业务需求文本;提取模块,用于从所述业务需求文本中提取业务模型要素,其中,所述业务模型要素是用于构建与所述业务需求文本对应的业务模型的要素;转化模块,用于将所述业务模型要素转化为业务模型要素向量;预设模块,用于预设标准业务模型要素向量库,其中,所述标准业务模型要素向量库中包括多个标准业务模型要素向量,每一个所述标准业务模型要素向量对应一个标准业务模型;匹配模块,用于将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配,得到N个候选标准业务模型要素向量,其中,N为大于等于1的整数;相似度计算模块,用于计算所述业务模型要素向量与所述N个候选标准业务模型要素向量之间的相似度;第一确定模块,用于基于所述相似度的计算结果,确定目标标准业务模型要素向量;以及建模模块,用于基于所述目标标准业务模型要素向量对应的标准业务模型,对所述业务需求文本进行建模。
根据本公开的实施例,所述第一确定模块包括:预设单元,用于预设相似度阈值;第一计算单元,用于分别计算所述业务模型要素向量与所述N个候选标准业务模型要素向量中每一个标准业务模型要素向量的余弦相似度;选取单元,用于选取余弦相似度大于所述相似度阈值的M个标准业务模型要素向量,其中,M为大于等于1的整数,且M小于等于N;排序单元,用于按照余弦相似度对所述M个标准业务模型要素向量从大到小进行排序;以及第一确定单元,用于基于所述排序结果,选择前K个标准业务模型要素向量,作为目标标准业务模型要素向量,其中,K为大于等于1的整数,且K小于等于M。
根据本公开的实施例,所述匹配模块包括:第二计算单元,用于利用分层可导航小世界图算法,将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配,得到N个候选标准业务模型要素向量。
根据本公开的实施例,所述提取模块包括:分词单元,用于利用语言模型分析对所述业务需求文本进行分词,得到词语集合,所述词语集合中包括多个词语;和提取单元,用于从所述词语集合中提取业务模型要素。
根据本公开的实施例,所述分词单元的词语集合还包括所述多个词语中每一个词语的词性和位置,所述提取单元还包括:第一提取子模块,用于基于所述多个词语中每一个词语的词性和位置,从所述词语集合中提取业务模型要素。
根据本公开的实施例,所述提取模块还包括:第一转化单元,用于利用预先建立的词库将所述词语集合中的多个词语转化为标准词。
根据本公开的实施例,所述转化单元的预先建立的词库包括多个标准词;所述转化单元包括:第一计算子模块,用于将所述多个词语中的每一个词语与所述多个标准词进行相似度计算;和选取子模块,用于选取相似度最高的标准词,作为所述词语的标准词转化结果。
根据本公开的实施例,所述转化模块包括:第二转化单元,用于利用独热编码的方式处理所述业务模型要素,以将所述业务模型要素转化为业务模型要素向量。
根据本公开的实施例,所述装置还包括降维模块,用于将所述业务模型要素向量和所述标准业务模型要素向量库中的多个标准业务模型要素向量进行降维。
根据本公开的实施例,所述建模模块包括:建模单元,用于基于所述业务模型要素,更新所述标准业务模型,得到所述业务需求文本的建模结果。
本公开的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述方法。
本公开的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述方法。
本公开的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的业务需求的建模方法、装置、设备、介质和程序产品的应用场景图;
图2示意性示出了根据本公开实施例的业务需求的建模方法的流程图;
图3示意性示出了根据本公开实施例的确定目标标准业务模型要素向量的流程图;
图4示意性示出了根据本公开实施例的业务需求的建模装置的结构框图;
图5示意性示出了根据本公开实施例的第一确定模块的结构框图;以及
图6示意性示出了根据本公开实施例的适于实现业务需求的建模方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的***”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的***等)。术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。
业务模型体现业务处理的各个环节,代表了业务的本质。一个业务模型包含反映其自身业务流程的业务模型要素。一个完整的业务流程由某人因某事触发而启动,由服务单位的一个或多个角色提供相应的服务后,将处理的结果反馈给触发该事件的人员后结果。一个业务流程中包括以下核心维度:流程名称,操作、输入、输出、客户、产品、渠道和合作方,不同的业务流程具有相同的核心维度和不同的结构化数据。结构化数据是指具体的流程名称等数据,与业务模型要素对应,因此,不同的业务模型具有不同的业务模型要素。
独热编码又叫one-hot编码,其为一位有效编码,主要是采用N位状态寄存器来对N个状态进行编码,每个状态都由他独立的寄存器位,并且在任意时候只有一位有效。one-hot编码是分类变量作为二进制向量的表示,这首先要求将分类值映射到整数值,然后,每个整数值被表示为二进制向量,除了整数的索引之外,它都是零值,它被标记为1。例如,以对人的性别进行特征数字化为例,由于男女这些特征值并不是连续的,而是离散的,无序的,由于只有两个特征,按照2位状态寄存器来对2个状态进行编码的原理,得到特征“男”对应的编码是10,特征“女”对应的编码是01。
分层可导航小世界图算法(Hierarchical Navigable Small World graphs,缩写为HNSW),是一种基于图的算法,它将节点划分成不同的层级,贪婪地遍历来自上层的元素,直至达到局部最小值,然后切换到下一层,以上一层中的局部最小值作为新元素重新开始遍历,直到遍历完最低一层。
大型研发组织中,业务需求书一般由业务人员使用自然语言线下编写形成文档,然后提交给牵头研发部门,牵头研发部门安排产品经理和架构师对业务需求书进行分析,然后再分配到不同的研发部门或研发组进行业务需求的建模。目前的建模方法需要通过相关人员对业务需求文本进行人工分析,再根据分析结果进行建模,建模速度较慢。
鉴于上述问题,本公开的实施例提供了一种业务需求的建模方法,包括:获取业务需求文本;从所述业务需求文本中提取业务模型要素,其中,所述业务模型要素是用于构建与所述业务需求文本对应的业务模型的要素;将所述业务模型要素转化为业务模型要素向量;预设标准业务模型要素向量库,其中,所述标准业务模型要素向量库中包括多个标准业务模型要素向量,每一个所述标准业务模型要素向量对应一个标准业务模型;将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配,得到N个候选标准业务模型要素向量,其中,N为大于等于1的整数;计算所述业务模型要素向量与所述N个候选标准业务模型要素向量之间的相似度;基于所述相似度的计算结果,确定目标标准业务模型要素向量;以及基于所述目标标准业务模型要素向量对应的标准业务模型,对所述业务需求文本进行建模。
需要说明的是,本公开确定的方法和装置可用于金融领域的业务需求建模,也可用于除金融领域之外的任意领域的业务需求建模,本公开业务需求建模的方法和装置的应用领域不做限定。
图1示意性示出了根据本公开实施例的业务需求的建模方法、装置、设备、介质和程序产品的应用场景图。
如图1所示,根据该实施例的应用场景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,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
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、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,例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
需要说明的是,本公开实施例所提供的业务需求的建模方法一般可以由服务器105执行。相应地,本公开实施例所提供的业务需求的建模装置一般可以设置于服务器105中。本公开实施例所提供的业务需求的建模方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的业务需求的建模装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
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。
图2示意性示出了根据本公开实施例的业务需求的建模方法的流程图。
如图2所示,该实施例的业务需求的建模方法包括操作S210~操作S280。
在操作S210,获取业务需求文本。其中,业务需求文本可以是基于业务需求书得到的,通过对业务需求书进行预处理,形成业务需求文本。业务需求书可以是基于自然语言的word、pdf文档,也可以是图片、音频、视频等资料。通过文档解析、光学字符识别(OpticalCharacter Recognition,缩写为OCR)技术以及语音转文字等现有技术,将业务需求书转化为业务需求文本。此外,业务需求文本也可以是信息***中结构化存储的数据。在得到业务需求文本后,可以对业务需求文本做如下处理:
(1)按中文句号对段落分句,并去掉重复的段落和句子;
(2)去除空格、换行符、http链接等特殊字符;
(3)使用基于领域知识的预训练文本纠错模型识别文本错别字,自动纠正替换;
(4)通过同义词、近义词库将分词转为标准用语。
在操作S220,从所述业务需求文本中提取业务模型要素,其中,所述业务模型要素是用于构建与所述业务需求文本对应的业务模型的要素。
根据本公开的实施例,所述从所述业务需求文本中提取业务模型要素的步骤包括:利用语言模型分析对所述业务需求文本进行分词,得到词语集合,所述词语集合中包括多个词语;和从所述词语集合中提取业务模型要素。其中,预训练语言模型具体可以是基于Transformer的深度双向语言表征模型(Bert)、Roberta、SpanBert、基于持续学习的语义理解预训练框架(ERNIE2.0)等,可以根据实际情况进行选择,本公开的实施例对此不做限定。通过提取业务模型要素之前的分词操作,减少噪音,加快提取业务模型要素的效率。
根据本公开的实施例,所述词语集合还包括所述多个词语中每一个词语的词性和位置,所述从所述词语集合中提取业务模型要素的步骤包括:基于所述多个词语中每一个词语的词性和位置,从所述词语集合中提取业务模型要素。示例性的,将业务需求书文本输入预训练语言模型后,不仅能够获得对应的分词结果,还可以得到词性标注结果、位置和依存句法分析结果等。
根据本公开的实施例,所述从所述词语集合中提取业务模型要素的步骤之前,还包括:利用预先建立的词库将所述词语集合中的多个词语转化为标准词。为了增加语言模型的知识,可基于金融科技领域知识语料库(历史业务需求书)、结构化的业务资产库、标准词库对模型进行预进行训练,提高分词的准确度和后续的匹配的准确度,此外,将所述词语集合中的多个词语转化为标准词后,可以方便后续进行匹配,提高匹配效率。
根据本公开的实施例,所述预先建立的词库包括多个标准词;所述利用预先建立的词库将所述词语集合中的多个词语转化为标准词的步骤包括:将所述多个词语中的每一个词语与所述多个标准词进行相似度计算;和选取相似度最高的标准词,作为所述词语的标准词转化结果。其中,预先建立的词库包括多个标准词,如基于金融科技领域的词典以及以往建立的标准业务模型中的词汇等,确定多个标准词,同时每个标准词可以有相应的同义词和近义词,以方便后续进行流程比对时,直接用标准词进行检索,防止因为用户使用非标准词撰写业务需求文本,导致检索不到相应的业务流程的情况出现,提高检索业务流程时的准确度。此外,可以根据实际情况将一个业务关键词转化为多个标准词,以避免对多个相近词取舍导致的精度下降,进一步提高确定业务流程时的准确度。
可选的,业务模型的业务模型要素的种类包括流程实例名称、角色、操作序列、客户、产品、渠道、合作方以及实体等。一个业务模型包含流程模型和实体模型,流程模型和实体模型各自有其对应的业务模型要素。一个业务模型的流程模型和实体模型包含的业务模型要素示例如表1和表2所示。
表1流程模型的业务模型要素
实体名称 | |
个人存款产品协议 | |
属性 | 域值 |
协议生效日期 | 2022-07-13 |
协议终止日期 | 2099-12-30 |
协议类型 | 3年定期 |
表2实体模型的业务模型要素
可选的,从所述业务需求文本中提取每一种业务模型要素的步骤包括:
(1)流程实例名称:业务需求书都遵循一定的模版或语法表达,有的通过章节标题区分不同业务流程,这种情况下可将章节标题或其分词结果中的关键短语作为流程名称;有的在段落的开头开始一个流程的描述,比如“办理个人贷款流程如下:XXXX”,可设置相应的正则表达式从文本中提取。处理完毕后,记录流程对应的文本段落关系。
(2)角色:选择“名词”且“主语”的词语,并与标准角色库业务资产库匹配;
(3)操作序列:选择动词或动词词组作为操作,并与标准流程库节点匹配。根据依存句法分析、句子顺序,将动词拼接为操作序列;
(4)客户、产品、渠道、合作方:“名词”且“定语”,并与业务资产库中已定义的客户、产品、渠道、合作方标准数据(客户、产品、渠道、合作方的词典互不相同)进行完全匹配或近义词匹配,根据匹配结果对应到流程模型对应属性。
(5)实体:选择“名词”且“宾语”的词语或词组作为实体。选择上下文相关表格中的属性作为实体属性。如果实体有属性,则视为实体,实体无属性视为无效实体。对于无效实体则删除。
可选的,业务模型要素的存储格式可以以业务需求书和业务模型为主键,记录格式为:业务需求书标记,业务模型(含结构化数据),文本段落位置,以方便后续的查找对比。
在操作S230,将所述业务模型要素转化为业务模型要素向量。
根据本公开的实施例,所述将所述业务模型要素转化为业务模型要素向量的步骤包括:利用独热编码的方式处理所述业务模型要素,以将所述业务模型要素转化为业务模型要素向量。由于业务模型要素多为统一的、相对集中的标准词汇,因此利用独热编码的方式可以简单、快速的将文字型的要素转化为向量型,相对于其他的编码方式,用独热编码对金融领域的业务模型要素进行编码的速度更快,能够加快整体的计算速度。
在操作S240,预设标准业务模型要素向量库,其中,所述标准业务模型要素向量库中包括多个标准业务模型要素向量,每一个所述标准业务模型要素向量对应一个标准业务模型。预设标准业务模型要素向量库是根据预设标准业务模型库得到的,标准业务流程模型库中包括多个标准业务模型,这些标准业务模型可以是之前构建的、已经成熟运行的业务模型,将每个业务模型中的业务模型要素提取出来,转化成标准业务模型要素向量,从而得到了的预设标准业务模型要素向量库,其中,每一个标准业务模型要素向量对应唯一一个业务模型。
在操作S250,将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配,得到N个候选标准业务模型要素向量,其中,N为大于等于1的整数。由于业务模型的复杂性,使用业务模型要素对标准业务模型库进行检索无法体现业务模型间的语义距离,此外,文本的匹配速度相对较慢,导致整体的检索速度慢、检索精度低,因此,采取将业务模型要素向量与标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配的方式,通过向量间的匹配加快整体的检索速度,同时提高检索精度。
根据本公开的实施例,所述将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配的步骤包括:利用分层可导航小世界图算法(HNSW)对所述标准业务模型要素向量库建立索引和检索服务,将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行检索,得到N个候选标准业务模型要素向量。示例性的,针对这类高维空间中的向量检索,可以采用资源与效果折衷的ANN最近邻检索方法,主要有哈希方法(LSH)、矢量量化方法(PQ)、分层可导航小世界图算法(HNSW)。本公开的实施例选择检索召回率相对较高的HNSW方法,该方法在规模不是特别大但对召回要求非常高的检索场景下是非常适用的。相比逐个对比的粗暴遍历检索的方式,本方法能大大提高检索速度,同时在检索过程中,基于向量之间的距离的比较,可以得到多个初筛结果,作为下一步利用余弦相似度筛选的输入,防止初筛时只保留一个初筛结果造成的信息丢失,提高整体方***度。
在操作S260,计算所述业务模型要素向量与所述N个候选标准业务模型要素向量之间的相似度。
在操作S270,基于所述相似度的计算结果,确定目标标准业务模型要素向量。
图3示意性示出了根据本公开实施例的确定目标标准业务模型要素向量的流程图。
如图3所示,该实施例的确定目标标准业务模型要素向量包括操作S310~操作S350。
在操作S310,预设相似度阈值。
在操作S320,分别计算所述业务模型要素向量与所述N个候选标准业务模型要素向量中每一个标准业务模型要素向量的余弦相似度。
在操作S330,选取余弦相似度大于所述相似度阈值的M个标准业务模型要素向量,其中,M为大于等于1的整数,且M小于等于N。
在操作S340,按照余弦相似度对所述M个标准业务模型要素向量从大到小进行排序。
在操作S350,基于所述排序结果,选择前K个标准业务模型要素向量,作为目标标准业务模型要素向量,其中,K为大于等于1的整数,且K小于等于M。根据实际情况,可以只选择余弦相似度最大的标准业务模型要素向量,也可以选择排名前K个的标准业务模型要素向量。利用余弦相似度在向量匹配的基础上进行二次筛选,选择最接近的业务模型要素向量,提高筛选的精确度,减少最终得到的标准业务模型的数目,提高建模速度。
可选的,具体的余弦相似度的计算公式为:
式中:A表示业务模型要素向量,B表示候选标准业务模型要素向量B;Ai和Bi分别表示向量A和B的各分量。
在操作S280,基于所述目标标准业务模型要素向量对应的标准业务模型,对所述业务需求文本进行建模。
根据本公开的实施例,所述基于所述目标标准业务模型要素向量对应的标准业务模型,对所述业务需求文本进行建模包括:基于所述业务模型要素,更新所述标准业务模型,得到所述业务需求文本的建模结果。由于是利用从业务需求文本中提取业务模型要素更新所述标准业务模型,避免了从零开始建模,可以加快整体的建模速度,同时减少后续整合的工作量。
可选的,还可以预置***/服务-研发部/研发团队/研发人员参数库。当基于业务模型要素,更新所述标准业务模型时,由于参数库中存有与每一个标准业务模型对应的业务架构师/产品经理信息,和每一个标准业务模型对应的研发部或研发团队信息,因此可以将待的更新标准业务模型自动分配给对应的研发部门和研发人员,提高整体的开发效率。
可选的,可以将更新后的标准业务模型放入预设标准业务模型库中,以实现预设标准业务模型库的自动更新,方便后续新的业务模型开发。
本公开实施例提供的业务需求的建模方法,通过将业务需求文本中的业务模型要素转化为向量,然后与标准业务模型要素向量库中的标准业务模型要素向量进行匹配,再利用向量之间的相似度对比,快速、准确找到最接近的标准业务模型,然后在标准业务模型基础上进行建模,从而加快整体的建模速度。
根据本公开的实施例,所述将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配步骤之前,还包括:
将所述业务模型要素向量和所述标准业务模型要素向量库中的多个标准业务模型要素向量进行降维。由于编码后的向量较为稀疏,为了进一步提高后续的匹配速度,可以对编码后的向量进行降维,以使得向量信息更加集中,加快后续的匹配速度,可以选用主成分分析等降维方式,本公开的实施例对具体的降维方式不做限定。
基于上述业务需求的建模方法,本公开还提供了一种业务需求的建模装置。以下将结合图4和图5对该装置进行详细描述。
图4示意性示出了根据本公开实施例的业务需求的建模装置的结构框图。
如图4所示,该实施例的业务需求的建模装置400包括第一获取模块410、提取模块420、转化模块430、预设模块440、匹配模块450、相似度计算模块460、第一确定模块470和建模模块480。
第一获取模块410,用于获取业务需求文本。在一实施例中,第一获取模块410可以用于执行前文描述的操作S210,在此不再赘述。
提取模块420,用于从所述业务需求文本中提取业务模型要素,其中,所述业务模型要素是用于构建与所述业务需求文本对应的业务模型的要素。在一实施例中,提取模块420可以用于执行前文描述的操作S220,在此不再赘述。
转化模块430,用于将所述业务模型要素转化为业务模型要素向量。在一实施例中,转化模块430可以用于执行前文描述的操作S230,在此不再赘述。
预设模块440,用于预设标准业务模型要素向量库,其中,所述标准业务模型要素向量库中包括多个标准业务模型要素向量,每一个所述标准业务模型要素向量对应一个标准业务模型。在一实施例中,预设模块440可以用于执行前文描述的操作S240,在此不再赘述。
匹配模块450,用于将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配,得到N个候选标准业务模型要素向量,其中,N为大于等于1的整数。在一实施例中,匹配模块450可以用于执行前文描述的操作S250,在此不再赘述。
相似度计算模块460,用于计算所述业务模型要素向量与所述N个候选标准业务模型要素向量之间的相似度。在一实施例中,相似度计算模块460可以用于执行前文描述的操作S260,在此不再赘述。
第一确定模块470,用于基于所述相似度的计算结果,确定目标标准业务模型要素向量。在一实施例中,第一确定模块470可以用于执行前文描述的操作S270,在此不再赘述。
建模模块480,用于基于所述目标标准业务模型要素向量对应的标准业务模型,对所述业务需求文本进行建模。在一实施例中,建模模块480可以用于执行前文描述的操作S280,在此不再赘述。
图5示意性示出了根据本公开实施例的第一确定模块的结构框图。
如图5所示,该实施例的业务需求的第一确定模块500包括预设单元510、第一计算单元520、选取单元530、排序单元540和第一确定单元550。
预设单元510,用于预设相似度阈值。在一实施例中,预设单元510可以用于执行前文描述的操作S310,在此不再赘述。
第一计算单元520,用于分别计算所述业务模型要素向量与所述N个候选标准业务模型要素向量中每一个标准业务模型要素向量的余弦相似度。第一计算单元520可以用于执行前文描述的操作S320,在此不再赘述。
选取单元530,用于选取余弦相似度大于所述相似度阈值的M个标准业务模型要素向量,其中,M为大于等于1的整数,且M小于等于N。选取单元530可以用于执行前文描述的操作S330,在此不再赘述。
排序单元540,用于按照余弦相似度对所述M个标准业务模型要素向量从大到小进行排序。排序单元540可以用于执行前文描述的操作S340,在此不再赘述。
第一确定单元550,用于基于所述排序结果,选择前K个标准业务模型要素向量,作为目标标准业务模型要素向量,其中,K为大于等于1的整数,且K小于等于M。第一确定单元550可以用于执行前文描述的操作S350,在此不再赘述。
根据本公开的实施例,所述匹配模块包括:第二计算单元,用于利用基于图的索引算法,将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配,得到N个候选标准业务模型要素向量。
根据本公开的实施例,所述提取模块包括:分词单元,用于利用语言模型分析对所述业务需求文本进行分词,得到词语集合,所述词语集合中包括多个词语;和提取单元,用于从所述词语集合中提取业务模型要素。
根据本公开的实施例,所述分词单元的词语集合还包括所述多个词语中每一个词语的词性和位置,所述提取单元还包括:第一提取子模块,用于基于所述多个词语中每一个词语的词性和位置,从所述词语集合中提取业务模型要素。
根据本公开的实施例,所述提取模块还包括:第一转化单元,用于利用预先建立的词库将所述词语集合中的多个词语转化为标准词。
根据本公开的实施例,所述转化单元的预先建立的词库包括多个标准词;所述转化单元包括:第一计算子模块,用于将所述多个词语中的每一个词语与所述多个标准词进行相似度计算;和选取子模块,用于选取相似度最高的标准词,作为所述词语的标准词转化结果。
根据本公开的实施例,所述转化模块包括:第二转化单元,用于利用独热编码的方式处理所述业务模型要素,以将所述业务模型要素转化为业务模型要素向量。
根据本公开的实施例,所述装置还包括降维模块,用于将所述业务模型要素向量和所述标准业务模型要素向量库中的多个标准业务模型要素向量进行降维。
根据本公开的实施例,所述建模模块包括:建模单元,用于基于所述业务模型要素,更新所述标准业务模型,得到所述业务需求文本的建模结果。
根据本公开的实施例,第一获取模块410、提取模块420、转化模块430、预设模块440、匹配模块450、相似度计算模块460、第一确定模块470和建模模块480中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,第一获取模块410、提取模块420、转化模块430、预设模块440、匹配模块450、相似度计算模块460、第一确定模块470和建模模块480中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上***、基板上的***、封装上的***、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,第一获取模块410、提取模块420、转化模块430、预设模块440、匹配模块450、相似度计算模块460、第一确定模块470和建模模块480中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图6示意性示出了根据本公开实施例的适于实现业务需求的建模方法的电子设备的方框图。
如图6所示,根据本公开实施例的电子设备600包括处理器601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。处理器601例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器601还可以包括用于缓存用途的板载存储器。处理器601可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 603中,存储有电子设备600操作所需的各种程序和数据。处理器601、ROM602以及RAM 603通过总线604彼此相连。处理器601通过执行ROM 602和/或RAM 603中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 602和RAM 603以外的一个或多个存储器中。处理器601也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备600还可以包括输入/输出(I/O)接口605,输入/输出(I/O)接口605也连接至总线604。电子设备600还可以包括连接至I/O接口605的以下部件中的一项或多项:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/***中所包含的;也可以是单独存在,而未装配入该设备/装置/***中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 602和/或RAM 603和/或ROM 602和RAM 603以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机***中运行时,该程序代码用于使计算机***实现本公开实施例的方法。
在该计算机程序被处理器601执行时执行本公开实施例的***/装置中限定的上述功能。根据本公开的实施例,上文描述的***、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分609被下载和安装,和/或从可拆卸介质611被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被处理器601执行时,执行本公开实施例的***中限定的上述功能。根据本公开的实施例,上文描述的***、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (14)
1.一种业务需求的建模方法,其特征在于,所述方法包括:
获取业务需求文本;
从所述业务需求文本中提取业务模型要素,其中,所述业务模型要素是用于构建与所述业务需求文本对应的业务模型的要素;
将所述业务模型要素转化为业务模型要素向量;
预设标准业务模型要素向量库,其中,所述标准业务模型要素向量库中包括多个标准业务模型要素向量,每一个所述标准业务模型要素向量对应一个标准业务模型;
将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配,得到N个候选标准业务模型要素向量,其中,N为大于等于1的整数;
计算所述业务模型要素向量与所述N个候选标准业务模型要素向量之间的相似度;
基于所述相似度的计算结果,确定目标标准业务模型要素向量;以及
基于所述目标标准业务模型要素向量对应的标准业务模型,对所述业务需求文本进行建模。
2.根据权利要求1所述的方法,其特征在于,所述基于所述相似度的计算结果,确定目标标准业务模型要素向量的步骤包括;
预设相似度阈值;
分别计算所述业务模型要素向量与所述N个候选标准业务模型要素向量中每一个标准业务模型要素向量的余弦相似度;
选取余弦相似度大于所述相似度阈值的M个标准业务模型要素向量,其中,M为大于等于1的整数,且M小于等于N;
按照余弦相似度对所述M个标准业务模型要素向量从大到小进行排序;以及
基于所述排序结果,选择前K个标准业务模型要素向量,作为目标标准业务模型要素向量,其中,K为大于等于1的整数,且K小于等于M。
3.根据权利要求1所述的方法,其特征在于,所述将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配的步骤包括:
利用分层可导航小世界图算法,将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配,得到N个候选标准业务模型要素向量。
4.根据权利要求1所述的方法,其特征在于,所述从所述业务需求文本中提取业务模型要素的步骤包括:
利用语言模型分析对所述业务需求文本进行分词,得到词语集合,所述词语集合中包括多个词语;和
从所述词语集合中提取业务模型要素。
5.根据权利要求4所述的方法,其特征在于,所述词语集合还包括所述多个词语中每一个词语的词性和位置,所述从所述词语集合中提取业务模型要素的步骤包括:
基于所述多个词语中每一个词语的词性和位置,从所述词语集合中提取业务模型要素。
6.根据权利要求5所述的方法,其特征在于,所述从所述词语集合中提取业务模型要素的步骤之前,还包括:
利用预先建立的词库将所述词语集合中的多个词语转化为标准词。
7.根据权利要求6所述的方法,其特征在于,所述预先建立的词库包括多个标准词;
所述利用预先建立的词库将所述词语集合中的多个词语转化为标准词的步骤包括:
将所述多个词语中的每一个词语与所述多个标准词进行相似度计算;和
选取相似度最高的标准词,作为所述词语的标准词转化结果。
8.根据权利要求1所述的方法,其特征在于,所述将所述业务模型要素转化为业务模型要素向量的步骤包括:
利用独热编码的方式处理所述业务模型要素,以将所述业务模型要素转化为业务模型要素向量。
9.根据权利要求1-8任一项所述的方法,其特征在于,所述将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配步骤之前,还包括:
将所述业务模型要素向量和所述标准业务模型要素向量库中的多个标准业务模型要素向量进行降维。
10.根据权利要求1所述的方法,其特征在于,所述基于所述目标标准业务模型要素向量对应的标准业务模型,对所述业务需求文本进行建模包括:
基于所述业务模型要素,更新所述标准业务模型,得到所述业务需求文本的建模结果。
11.一种业务需求的建模装置,其特征在于,所述装置包括:
第一获取模块,用于获取业务需求文本;
提取模块,用于从所述业务需求文本中提取业务模型要素,其中,所述业务模型要素是用于构建与所述业务需求文本对应的业务模型的要素;
转化模块,用于将所述业务模型要素转化为业务模型要素向量;
预设模块,用于预设标准业务模型要素向量库,其中,所述标准业务模型要素向量库中包括多个标准业务模型要素向量,每一个所述标准业务模型要素向量对应一个标准业务模型;
匹配模块,用于将所述业务模型要素向量与所述标准业务模型要素向量库中的多个标准业务模型要素向量进行匹配,得到N个候选标准业务模型要素向量,其中,N为大于等于1的整数;
相似度计算模块,用于计算所述业务模型要素向量与所述N个候选标准业务模型要素向量之间的相似度;
第一确定模块,用于基于所述相似度的计算结果,确定目标标准业务模型要素向量;以及
建模模块,用于基于所述目标标准业务模型要素向量对应的标准业务模型,对所述业务需求文本进行建模。
12.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行根据权利要求1~10中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~10中任一项所述的方法。
14.一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现根据权利要求1~10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211437189.1A CN116151210A (zh) | 2022-11-16 | 2022-11-16 | 业务需求的建模方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211437189.1A CN116151210A (zh) | 2022-11-16 | 2022-11-16 | 业务需求的建模方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116151210A true CN116151210A (zh) | 2023-05-23 |
Family
ID=86349631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211437189.1A Pending CN116151210A (zh) | 2022-11-16 | 2022-11-16 | 业务需求的建模方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151210A (zh) |
-
2022
- 2022-11-16 CN CN202211437189.1A patent/CN116151210A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10963794B2 (en) | Concept analysis operations utilizing accelerators | |
US11227118B2 (en) | Methods, devices, and systems for constructing intelligent knowledge base | |
US10831762B2 (en) | Extracting and denoising concept mentions using distributed representations of concepts | |
JP7301922B2 (ja) | 意味検索方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
CN107992585B (zh) | 通用标签挖掘方法、装置、服务器及介质 | |
US20180068221A1 (en) | System and Method of Advising Human Verification of Machine-Annotated Ground Truth - High Entropy Focus | |
CN110162771B (zh) | 事件触发词的识别方法、装置、电子设备 | |
CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN113986864A (zh) | 日志数据处理方法、装置、电子设备及存储介质 | |
CN113268560A (zh) | 用于文本匹配的方法和装置 | |
KR20210125449A (ko) | 업계 텍스트를 증분하는 방법, 관련 장치 및 매체에 저장된 컴퓨터 프로그램 | |
CN115658903B (zh) | 文本分类方法、模型训练方法、相关装置及电子设备 | |
US20230004715A1 (en) | Method and apparatus for constructing object relationship network, and electronic device | |
CN113553410B (zh) | 长文档处理方法、处理装置、电子设备和存储介质 | |
CN114880520A (zh) | 视频标题生成方法、装置、电子设备和介质 | |
CN111368036B (zh) | 用于搜索信息的方法和装置 | |
CN111459959B (zh) | 用于更新事件集合的方法和装置 | |
CN114491030A (zh) | 技能标签的抽取、候选短语分类模型的训练方法及装置 | |
CN116151210A (zh) | 业务需求的建模方法、装置、电子设备和介质 | |
CN111625579B (zh) | 一种信息处理方法、装置及*** | |
CN112148902A (zh) | 数据处理方法、装置、服务器及存储介质 | |
CN113779370A (zh) | 一种地址检索方法和装置 | |
CN113220841B (zh) | 确定鉴别信息的方法、装置、电子设备和存储介质 | |
CN117493519A (zh) | 文本编码器的训练方法、文本生成方法、装置及存储介质 | |
CN115422907A (zh) | 一种多维度科技项目立项查重的方法、装置和电子设备 |
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 |