CN118013390A - 一种基于大数据分析的智慧工作台控制方法及*** - Google Patents
一种基于大数据分析的智慧工作台控制方法及*** Download PDFInfo
- Publication number
- CN118013390A CN118013390A CN202410427807.7A CN202410427807A CN118013390A CN 118013390 A CN118013390 A CN 118013390A CN 202410427807 A CN202410427807 A CN 202410427807A CN 118013390 A CN118013390 A CN 118013390A
- Authority
- CN
- China
- Prior art keywords
- user
- decision
- keyword
- keywords
- judging
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000003066 decision tree Methods 0.000 claims abstract description 44
- 238000007405 data analysis Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000003058 natural language processing Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及智能控制技术领域,尤其涉及一种基于大数据分析的智慧工作台控制方法及***,包括步骤S1,进行用户登录和工作台个性化控制;步骤S2,根据大语言模型识别用户期望决策;步骤S3,提取用户期望决策的关键词,并调用决策数据库中的关键词关联数据;步骤S4,对调用有效性进行判断,并对关键词进行调整;步骤S5,对关键词精度进行判断,并对调用有效性的判断过程进行优化;步骤S6,建立决策树模型;步骤S7,输出用户期望决策的预测结果;步骤S8,对用户期望决策进行执行;步骤S9,根据执行结果对预测情况进行反馈。本发明通过大数据分析技术控制智慧工作台进行个性化服务和决策预测服务,提高了智慧工作台的服务效率和决策预测效率。
Description
技术领域
本发明涉及智能控制技术领域,尤其涉及一种基于大数据分析的智慧工作台控制方法及***。
背景技术
智慧工作台是一种基于信息技术的管理平台,旨在提高政府机构、企事业单位等的工作效率和服务水平,它集成了各种信息***和数据资源,通过智能化的技术手段,实现了政务工作、企业运营等的数字化、自动化和智能化,智慧工作台强调用户体验,提供人性化的操作界面和稳定的服务保障,确保用户在使用过程中能够获得良好的体验。
中国专利公开号:CN111938586A公开了一种可视化智慧办公桌面***,包括:重量传感器,设置于桌体,用于获取用户对桌体的压力,以确定用户的办公行为是否异常;智能分析组件,设置于桌体,用于接收摄像头采集的视频数据和重量传感器传输的重量数据,并在依据所述重量数据确定用户的办公行为异常的情况下,截取对应时段的视频数据并进行分析;显示屏,用于在依据分析结果确定用户行为符合办公异常条件的情况下,输出异常信息,以对用户的办公行为进行提示;减小了***的处理压力。但该方案仅通过办公桌对用户在办公时的行为进行监控,无法控制办公桌对用户提供个性化设置和智慧决策服务,无法提高智慧工作台的服务效率和决策预测效率。
发明内容
为此,本发明提供一种基于大数据分析的智慧工作台控制方法及***,用以克服现有技术中无法控制工作台对用户提供个性化服务及决策预测导致的工作台服务效率低的问题。
为实现上述目的,一方面,本发明提供一种基于大数据分析的智慧工作台控制方法,包括:
步骤S1,根据用户声纹识别用户身份,并进行用户登录和工作台个性化控制;
步骤S2,与用户进行语音交互,并根据大语言模型识别用户期望决策;
步骤S3,提取用户期望决策的关键词,并根据关键词调用决策数据库中的关键词关联数据;
步骤S4,根据关键词关联数据量对调用有效性进行判断,并根据判断结果对关键词进行调整;
步骤S5,根据关键词数量对关键词精度进行判断,并根据判断结果对调用有效性的判断过程进行优化;
步骤S6,根据关键词关联数据建立决策树模型;
步骤S7,将用户期望决策的关键词输入至决策树模型中,并输出用户期望决策的预测结果;
步骤S8,根据预测结果对用户期望决策进行执行;
步骤S9,根据执行结果对预测情况进行反馈,并根据反馈结果对关键词精度判断过程进行调整,并对决策数据库进行更新。
进一步地,在所述步骤S1中,在识别用户身份时,将用户声纹与用户身份数据库中的声纹样本进行比对,并根据比对结果对用户身份进行判断,其中:
当用户身份数据库中存在与用户声纹一致的声纹样本时,判定用户为服务用户,并进行用户登录,根据用户身份数据库中的使用数据对工作台进行个性化控制;
当用户身份数据库中不存在与用户声纹一致的声纹样本时,判定用户为非服务用户。
进一步地,在所述步骤S2中,在识别用户期望决策时,通过录音设备采集用户语音信号,通过语音信号处理技术对用户语音信号进行波形特征、时域特征和频域特征的特征提取,通过声学模型识别用户的发音特征,将用户语音信号转换为数字信号,并通过大语言模型将数字信号转换为文本信息,并通过自然语言处理技术对生产的文本信息进行修正,得到用户期望决策初本,并将用户期望决策初本发送至工作台显示屏,获取用户期望决策初本的显示时间,并将显示时间T与预设显示时间T0进行比对,根据比对结果对用户期望决策进行判断,其中:
当T≤T0时,将用户期望决策初本作为可编辑文本,授权用户编辑权限,并将用户编辑后提交的已编辑用户期望决策文本作为用户期望决策;
当T>T0时,将用户期望决策初本作为用户期望决策。
进一步地,在所述步骤S3中,在提取用户期望决策的关键词时,利用深度学习框架TensorFlow对用户期望决策进行提取,得到关键词;
在根据关键词调用决策数据库中的关键词关联数据时,在决策数据库中检索与关键词对应的关键词关联数据。
进一步地,在所述步骤S4中,在对调用有效性进行判断时,将关键词关联数据量N与预设关键词关联数据量N0进行比对,并根据比对结果对调用有效性进行判断,其中:
当N>N0时,判定调用有效性高;
当N≤N0时,判定调用有效性低,并计算关键词的TF-IDF值,按照关键词的TF-IDF值从小到大的顺序对关键词进行排序,得到关键词删除顺序,根据关键词删除顺序对关键词进行删除,直至关键词关联数据量N大于预设关键词关联数据量N0时,将此时的关键词作为调整后关键词。
进一步地,在所述步骤S5中,在对关键词精度进行判断时,将关键词数量M与预设关键词数量M0进行比对,并根据比对结果对关键词精度进行判断,其中:
当M≥M0时,判定关键词精度高;
当M<M0时,判定关键词精度低,并设定优化参数a对预设关键词关联数据量N0进行优化,0.9≤a<0.97,优化后的预设关键词关联数据量为Na0,设定Na0=a×N0。
进一步地,在所述步骤S6中,在建立决策树模型时,将关键词关联数据的70%划分为训练集,将关键词关联数据的30%划分为测试集,根据训练集的关键词关联数据计算关键词的Gini系数G,设定,/>为类别的总和,/>为类别,/>为label=的概率,将关键词按照Gini系数G从小到大的顺序进行排序,并将最小的Gini系数G对应的关键词作为根节点,计算根节点设置后剩余关键词的Gini系数,将剩余关键词中Gini系数最小值对应的关键词作为内部节点,重复计算直至剩余关键词为0,得到待测试决策树模型,根据测试集的关键词关联数据对待测试决策树模型进行测试,并将测试准确度Q与预设测试准确度Q0进行比对,根据比对结果对决策树模型的建立结果进行判断,其中:
当Q≥Q0时,判定将待测试决策树模型作为决策树模型进行输出;
当Q<Q0时,判定扩充训练集的关键词关联数据继续对待测试决策树模型进行训练,直至满足测试准确度Q大于等于预设测试准确度Q0的判断条件后,将待测试决策树模型作为决策树模型进行输出。
进一步地,在所述步骤S8中,在对用户期望决策进行执行时,根据预测结果对用户期望决策进行执行,其中:
当预测结果为否定性结果时,不对用户期望决策进行执行;
当预测结果为肯定性结果时,对用户期望决策进行执行。
进一步地,在所述步骤S9中,根据执行结果对预测情况进行反馈,其中:
当执行结果为肯定性结果时,将所述用户期望决策、关键词和执行结果存储至决策数据库中;
当执行结果为否定性结果时,将所述用户期望决策、关键词和执行结果存储至决策数据库中,并设定精度调整系数v,设定0.93≤v<0.95,根据精度调整系数v对预设关键词数量M0进行调整,调整后的预设关键词数量为Mv0,设定Mv0=v×M0。
另一方面,本发明还提供一种基于大数据分析的智慧工作台控制***,包括:
用户登录模块,用以根据用户声纹识别用户身份,并进行用户登录和工作台个性化控制;
决策识别模块,用以与用户进行语音交互,并根据大语言模型识别用户期望决策;
决策分析模块,用以提取用户期望决策的关键词,并根据关键词调用决策数据库中的关键词关联数据;
调用有效性判断模块,用以根据关键词关联数据量对调用有效性进行判断,并根据判断结果对关键词进行调整;
关键词精度判断模块,用以根据关键词数量对关键词精度进行判断,并根据判断结果对调用有效性的判断过程进行优化;
模型建立模块,用以根据关键词关联数据建立决策树模型;
结果预测模块,用以将用户期望决策的关键词输入至决策树模型中,并输出用户期望决策的预测结果;
决策执行模块,用以根据预测结果对用户期望决策进行执行;
决策反馈模块,用以根据执行结果对预测情况进行反馈,并根据反馈结果对关键词精度判断过程进行调整,并对决策数据库进行更新。
与现有技术相比,本发明的有益效果在于,所述方法通过步骤S1根据用户声纹识别用户身份,以在对用户进行个性化服务时,保障用户隐私,所述方法通过步骤S1进行用户登录和工作台个性化控制,以便于根据用户***衡关键词数量和关键词关联数据量的关系,提高调用有效性,以便于提高决策预测的准确性,从而进一步提高智慧工作台的决策预测效率,所述方法通过步骤S6根据关键词关联数据建立决策树模型,以便于通过决策树模型进行决策预测,所述方法通过步骤S7将用户期望决策的关键词输入至决策树模型中,并输出用户期望决策的预测结果,以实现决策预测,所述方法通过步骤S8根据预测结果对用户期望决策进行执行,以实现用户期望决策的执行管理,从而提高智慧工作台的服务效率,所述方法通过步骤S9根据执行结果对预测情况进行反馈,并对关键词精度判断过程进行调整,对决策数据库进行更新,从而提高决策预测的准确性,从而进一步提高智慧工作台的决策预测效率。
附图说明
图1为本实施例基于大数据分析的智慧工作台控制方法的流程示意图;
图2为本实施例基于大数据分析的智慧工作台控制***的结构示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,其为本实施例基于大数据分析的智慧工作台控制方法的流程示意图,所述方法包括:
步骤S1,根据用户声纹识别用户身份,并进行用户登录和工作台个性化控制;
步骤S2,与用户进行语音交互,并根据大语言模型识别用户期望决策;
步骤S3,提取用户期望决策的关键词,并根据关键词调用决策数据库中的关键词关联数据;
步骤S4,根据关键词关联数据量对调用有效性进行判断,并根据判断结果对关键词进行调整;
步骤S5,根据关键词数量对关键词精度进行判断,并根据判断结果对调用有效性的判断过程进行优化;
步骤S6,根据关键词关联数据建立决策树模型;
步骤S7,将用户期望决策的关键词输入至决策树模型中,并输出用户期望决策的预测结果;
步骤S8,根据预测结果对用户期望决策进行执行;
步骤S9,根据执行结果对预测情况进行反馈,并根据反馈结果对关键词精度判断过程进行调整,并对决策数据库进行更新。
具体而言,所述方法应用于智慧工作台中,通过大数据分析对智慧工作台的个性化服务和决策服务进行控制,从而提高智慧工作台的服务效率和决策预测效率,所述方法通过步骤S1根据用户声纹识别用户身份,以在对用户进行个性化服务时,保障用户隐私,所述方法通过步骤S1进行用户登录和工作台个性化控制,以便于根据用户***衡关键词数量和关键词关联数据量的关系,提高调用有效性,以便于提高决策预测的准确性,从而进一步提高智慧工作台的决策预测效率,所述方法通过步骤S6根据关键词关联数据建立决策树模型,以便于通过决策树模型进行决策预测,所述方法通过步骤S7将用户期望决策的关键词输入至决策树模型中,并输出用户期望决策的预测结果,以实现决策预测,所述方法通过步骤S8根据预测结果对用户期望决策进行执行,以实现用户期望决策的执行管理,从而提高智慧工作台的服务效率,所述方法通过步骤S9根据执行结果对预测情况进行反馈,并对关键词精度判断过程进行调整,对决策数据库进行更新,从而提高决策预测的准确性,从而进一步提高智慧工作台的决策预测效率。
具体而言,在所述步骤S1中,在识别用户身份时,将用户声纹与用户身份数据库中的声纹样本进行比对,并根据比对结果对用户身份进行判断,其中:
当用户身份数据库中存在与用户声纹一致的声纹样本时,判定用户为服务用户,并进行用户登录,根据用户身份数据库中的使用数据对工作台进行个性化控制;
当用户身份数据库中不存在与用户声纹一致的声纹样本时,判定用户为非服务用户。
具体而言,所述用户身份数据库是指存储用户声纹和用户声纹对应的使用数据的数据库,所述声纹样本是指用户在工作台进行注册时录入的用于用户登录的声纹数据,所述服务用户是指在工作台已注册的,由工作台进行服务的目标用户,所述非服务用户是指未在工作台注册的用户,本实施例不对个性化控制的方式进行限定,本领域技术人员可以自由设置,只需满足对工作台的控制需求即可,如在用户登录后,使用数据中的座椅高度为60cm,桌面高度为120cm,则通过控制器将工作台的座椅高度设置为60cm,桌面高度设置为120cm。
具体而言,在所述步骤S2中,在识别用户期望决策时,通过录音设备采集用户语音信号,通过语音信号处理技术对用户语音信号进行波形特征、时域特征和频域特征的特征提取,通过声学模型识别用户的发音特征,将用户语音信号转换为数字信号,并通过大语言模型将数字信号转换为文本信息,并通过自然语言处理技术对生产的文本信息进行修正,得到用户期望决策初本,并将用户期望决策初本发送至工作台显示屏,获取用户期望决策初本的显示时间,并将显示时间T与预设显示时间T0进行比对,根据比对结果对用户期望决策进行判断,其中:
当T≤T0时,将用户期望决策初本作为可编辑文本,授权用户编辑权限,并将用户编辑后提交的已编辑用户期望决策文本作为用户期望决策;
当T>T0时,将用户期望决策初本作为用户期望决策。
具体而言,所述录音设备是指可录入用户语音并转换为语音信号的设备,如麦克风,所述波形特征包括平均能量和峰值能量,所述语音识别技术是指将语音信号转化为文本的过程,本实施例不对语音识别技术的类型进行具体限定,本领域技术人员可以自由设置,只需满足对语音信号转换为文本的需求即可,如可将语音识别技术的类型设置为可隐马尔可夫模型HMM,所述时域特征包括均值和方差,所述频域特征包括Mel频谱和波形比特率,所述声学模型是指通过词嵌入、词匹配、词向量、句向量等技术的训练,用于识别用户发音特征的语言理解技术,本实施例不对声学模型的类型进行限定,本领域技术人员可以自由设置,只需满足对用户发音特征的识别需求即可,如可设置声学模型为循环神经网络模型RNN,所述大语言模型是指经过大规模的语料库预训练,具备强大的语言理解和生成能力,结合声学模型提取的特征,对用户的语音指令进行理解并转换为文本信息,所述发音特征包括音节结构、音素特点、语音调节、音调、音量和语调,所述自然语言处理技术是指对文本进行修正和优化,以确保其准确性和流畅性的技术,如词法分析技术、句法分析技术和语义理解技术,所述用户期望决策初本的显示时间是指用户期望决策初本出现在工作台显示屏的时刻至当前时刻所经过的时间间隔,所述预设显示时间是指表示用户已阅读用户期望决策初本的预设时间间隔,如30s,所述可编辑文本是指可以进行修改的用户期望决策初本,所述授权用户编辑权限是指用户可在工作台显示屏随用户期望决策初本进行修改的权限。
具体而言,在所述步骤S3中,在提取用户期望决策的关键词时,利用深度学习框架TensorFlow对用户期望决策进行提取,得到关键词。
可以理解的是,本实施例不对深度学习框架TensorFlow对用户期望决策进行提取的方式进行限定,本领域技术人员可以自由设置,只需满足对用户期望决策的关键词的提取需求即可,如可设置通过在使用分词工具对用户期望决策进行分词、去除停用词和标点符号,并将用户期望决策转换为数字表示后,在TensorFlow中,使用Keras API来构建深度学习模型,选择Transformer模型如BERT,加载预训练的词嵌入,训练模型以学习从用户期望决策中提取关键词,基于模型的注意力权重、隐藏状态或输出层的激活值来提取关键词,对提取的关键词进行后处理,如去除重复项、合并同义词等
具体而言,在所述步骤S3中,在根据关键词调用决策数据库中的关键词关联数据时,在决策数据库中检索与关键词对应的关键词关联数据。
具体而言,所述决策数据库是指存储以关键词为检索标签的决策-执行结果的数据信息,所述检索是指将关键词进行并列检索,将含有相同关键词的决策的数据信息作为关键词关联数据的过程。
具体而言,在所述步骤S4中,在对调用有效性进行判断时,将关键词关联数据量N与预设关键词关联数据量N0进行比对,并根据比对结果对调用有效性进行判断,其中:
当N>N0时,判定调用有效性高;
当N≤N0时,判定调用有效性低,并计算关键词的TF-IDF值,按照关键词的TF-IDF值从小到大的顺序对关键词进行排序,得到关键词删除顺序,根据关键词删除顺序对关键词进行删除,直至关键词关联数据量N大于预设关键词关联数据量N0时,将此时的关键词作为调整后关键词。
具体而言,所述关键词关联数据量是指在决策数据库中进行检索后得到的与关键词对应的关键词关联数据的条数,所述预设关键词关联数据量是指表示调用有效性高低的预设值,如可设置预设关键词关联数据量为50条,所述TF-IDF值是指一种用于评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度的统计方法。
具体而言,在所述步骤S5中,在对关键词精度进行判断时,将关键词数量M与预设关键词数量M0进行比对,并根据比对结果对关键词精度进行判断,其中:
当M≥M0时,判定关键词精度高;
当M<M0时,判定关键词精度低,并设定优化参数a对预设关键词关联数据量N0进行优化,0.9≤a<0.97,优化后的预设关键词关联数据量为Na0,设定Na0=a×N0。
具体而言,所述关键词数量是指通过提取得到的并用于检索的关键词的个数,所述预设关键词数量是指表示关键词精度的预设值,如可设置预设关键词数量为5个,本实施例中优化参数a最优取值为a=0.94。
具体而言,在所述步骤S6中,在建立决策树模型时,将关键词关联数据的70%划分为训练集,将关键词关联数据的30%划分为测试集,根据训练集的关键词关联数据计算关键词的Gini系数G,设定,/>为类别的总和,/>为类别,/>表示该类别为0,/>为label=/>的概率,将关键词按照Gini系数G从小到大的顺序进行排序,并将最小的Gini系数G对应的关键词作为根节点,计算根节点设置后剩余关键词的Gini系数,将剩余关键词中Gini系数最小值对应的关键词作为内部节点,重复计算直至剩余关键词为0,得到待测试决策树模型,根据测试集的关键词关联数据对待测试决策树模型进行测试,并将测试准确度Q与预设测试准确度Q0进行比对,根据比对结果对决策树模型的建立结果进行判断,其中:
当Q≥Q0时,判定将待测试决策树模型作为决策树模型进行输出;
当Q<Q0时,判定扩充训练集的关键词关联数据继续对待测试决策树模型进行训练,直至满足测试准确度Q大于等于预设测试准确度Q0的判断条件后,将待测试决策树模型作为决策树模型进行输出。
具体而言,所述剩余关键词是指在设置为根节点或内部节点后,未进行设置的关键词。
具体而言,在所述步骤S7中,所述预测结果是指将用户期望决策的关键词输入至决策树模型中,并输出用户期望决策可行性的结果,包括肯定性结果和否定性结果,如用户期望决策为“下午3点给未接触过的目标客户发送要约邀请,客户是否会回复要约邀请并签订合同”,用户期望决策的关键词为:下午三点、未接触过、目标客户、要约邀请、回复和签订合同,将关键词输入至决策树模型中,得到内容为回复的肯定性结果和不回复的否定性结果。
具体而言,在所述步骤S8中,在对用户期望决策进行执行时,根据预测结果对用户期望决策进行执行,其中:
当预测结果为否定性结果时,不对用户期望决策进行执行;
当预测结果为肯定性结果时,对用户期望决策进行执行。
可以理解的是,本实施例不对期望决策的执行方式进行限定,本领域技术人员可以自由设置,只需满足对期望决策的执行需求即可,如可设置执行方式为:设置决策执行数据库对决策执行数据进行存储,所述决策执行数据包括决策执行类型-执行代码,并将期望决策进行决策执行类型识别,在决策执行数据库中检索与期望决策的决策执行类型一致的执行代码,根据执行代码对期望决策进行执行。
具体而言,在所述步骤S9中,根据执行结果对预测情况进行反馈,其中:
当执行结果为肯定性结果时,将所述用户期望决策、关键词和执行结果存储至决策数据库中;
当执行结果为否定性结果时,将所述用户期望决策、关键词和执行结果存储至决策数据库中,并设定精度调整系数v,设定0.93≤v<0.95,根据精度调整系数v对预设关键词数量M0进行调整,调整后的预设关键词数量为Mv0,设定Mv0=v×M0。
具体而言,所述执行结果是指执行用户期望决策得到的结果,包括肯定性结果和否定性结果,所述执行结果为预测结果执行后的现实化,本实施例中精度调整系数v的优选取值为v=0.95。
请参阅图2所示,其为本实施例基于大数据分析的智慧工作台控制***的结构示意图,所述***包括:
用户登录模块,用以根据用户声纹识别用户身份,并进行用户登录和工作台个性化控制;
决策识别模块,用以与用户进行语音交互,并根据大语言模型识别用户期望决策;
决策分析模块,用以提取用户期望决策的关键词,并根据关键词调用决策数据库中的关键词关联数据;
调用有效性判断模块,用以根据关键词关联数据量对调用有效性进行判断,并根据判断结果对关键词进行调整;
关键词精度判断模块,用以根据关键词数量对关键词精度进行判断,并根据判断结果对调用有效性的判断过程进行优化;
模型建立模块,用以根据关键词关联数据建立决策树模型;
结果预测模块,用以将用户期望决策的关键词输入至决策树模型中,并输出用户期望决策的预测结果;
决策执行模块,用以根据预测结果对用户期望决策进行执行;
决策反馈模块,用以根据执行结果对预测情况进行反馈,并根据反馈结果对关键词精度判断过程进行调整,并对决策数据库进行更新。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于大数据分析的智慧工作台控制方法,其特征在于,包括:
步骤S1,根据用户声纹识别用户身份,并进行用户登录和工作台个性化控制;
步骤S2,与用户进行语音交互,并根据大语言模型识别用户期望决策;
步骤S3,提取用户期望决策的关键词,并根据关键词调用决策数据库中的关键词关联数据;
步骤S4,根据关键词关联数据量对调用有效性进行判断,并根据判断结果对关键词进行调整;
步骤S5,根据关键词数量对关键词精度进行判断,并根据判断结果对调用有效性的判断过程进行优化;
步骤S6,根据关键词关联数据建立决策树模型;
步骤S7,将用户期望决策的关键词输入至决策树模型中,并输出用户期望决策的预测结果;
步骤S8,根据预测结果对用户期望决策进行执行;
步骤S9,根据执行结果对预测情况进行反馈,并根据反馈结果对关键词精度判断过程进行调整,并对决策数据库进行更新。
2.根据权利要求1所述的基于大数据分析的智慧工作台控制方法,其特征在于,在所述步骤S1中,在识别用户身份时,将用户声纹与用户身份数据库中的声纹样本进行比对,并根据比对结果对用户身份进行判断,其中:
当用户身份数据库中存在与用户声纹一致的声纹样本时,判定用户为服务用户,并进行用户登录,根据用户身份数据库中的使用数据对工作台进行个性化控制;
当用户身份数据库中不存在与用户声纹一致的声纹样本时,判定用户为非服务用户。
3.根据权利要求1所述的基于大数据分析的智慧工作台控制方法,其特征在于,在所述步骤S2中,在识别用户期望决策时,通过录音设备采集用户语音信号,通过语音信号处理技术对用户语音信号进行波形特征、时域特征和频域特征的特征提取,通过声学模型识别用户的发音特征,将用户语音信号转换为数字信号,并通过大语言模型将数字信号转换为文本信息,并通过自然语言处理技术对生产的文本信息进行修正,得到用户期望决策初本,并将用户期望决策初本发送至工作台显示屏,获取用户期望决策初本的显示时间,并将显示时间T与预设显示时间T0进行比对,根据比对结果对用户期望决策进行判断,其中:
当T≤T0时,将用户期望决策初本作为可编辑文本,授权用户编辑权限,并将用户编辑后提交的已编辑用户期望决策文本作为用户期望决策;
当T>T0时,将用户期望决策初本作为用户期望决策。
4.根据权利要求1所述的基于大数据分析的智慧工作台控制方法,其特征在于,在所述步骤S3中,在提取用户期望决策的关键词时,利用深度学习框架TensorFlow对用户期望决策进行提取,得到关键词;
在根据关键词调用决策数据库中的关键词关联数据时,在决策数据库中检索与关键词对应的关键词关联数据。
5.根据权利要求1所述的基于大数据分析的智慧工作台控制方法,其特征在于,在所述步骤S4中,在对调用有效性进行判断时,将关键词关联数据量N与预设关键词关联数据量N0进行比对,并根据比对结果对调用有效性进行判断,其中:
当N>N0时,判定调用有效性高;
当N≤N0时,判定调用有效性低,并计算关键词的TF-IDF值,按照关键词的TF-IDF值从小到大的顺序对关键词进行排序,得到关键词删除顺序,根据关键词删除顺序对关键词进行删除,直至关键词关联数据量N大于预设关键词关联数据量N0时,将此时的关键词作为调整后关键词。
6.根据权利要求1所述的基于大数据分析的智慧工作台控制方法,其特征在于,在所述步骤S5中,在对关键词精度进行判断时,将关键词数量M与预设关键词数量M0进行比对,并根据比对结果对关键词精度进行判断,其中:
当M≥M0时,判定关键词精度高;
当M<M0时,判定关键词精度低,并设定优化参数a对预设关键词关联数据量N0进行优化,0.9≤a<0.97,优化后的预设关键词关联数据量为Na0,设定Na0=a×N0。
7.根据权利要求1所述的基于大数据分析的智慧工作台控制方法,其特征在于,在所述步骤S6中,在建立决策树模型时,将关键词关联数据的70%划分为训练集,将关键词关联数据的30%划分为测试集,根据训练集的关键词关联数据计算关键词的Gini系数G,设定,/>为类别的总和,/>为类别,/>为label=/>的概率,将关键词按照Gini系数G从小到大的顺序进行排序,并将最小的Gini系数G对应的关键词作为根节点,计算根节点设置后剩余关键词的Gini系数,将剩余关键词中Gini系数最小值对应的关键词作为内部节点,重复计算直至剩余关键词为0,得到待测试决策树模型,根据测试集的关键词关联数据对待测试决策树模型进行测试,并将测试准确度Q与预设测试准确度Q0进行比对,根据比对结果对决策树模型的建立结果进行判断,其中:
当Q≥Q0时,判定将待测试决策树模型作为决策树模型进行输出;
当Q<Q0时,判定扩充训练集的关键词关联数据继续对待测试决策树模型进行训练,直至满足测试准确度Q大于等于预设测试准确度Q0的判断条件后,将待测试决策树模型作为决策树模型进行输出。
8.根据权利要求1所述的基于大数据分析的智慧工作台控制方法,其特征在于,在所述步骤S8中,在对用户期望决策进行执行时,根据预测结果对用户期望决策进行执行,其中:
当预测结果为否定性结果时,不对用户期望决策进行执行;
当预测结果为肯定性结果时,对用户期望决策进行执行。
9.根据权利要求1所述的基于大数据分析的智慧工作台控制方法,其特征在于,在所述步骤S9中,根据执行结果对预测情况进行反馈,其中:
当执行结果为肯定性结果时,将所述用户期望决策、关键词和执行结果存储至决策数据库中;
当执行结果为否定性结果时,将所述用户期望决策、关键词和执行结果存储至决策数据库中,并设定精度调整系数v,设定0.93≤v<0.95,根据精度调整系数v对预设关键词数量M0进行调整,调整后的预设关键词数量为Mv0,设定Mv0=v×M0。
10.一种应用于如权利要求1-9任一项所述的基于大数据分析的智慧工作台控制方法的***,其特征在于,
用户登录模块,用以根据用户声纹识别用户身份,并进行用户登录和工作台个性化控制;
决策识别模块,用以与用户进行语音交互,并根据大语言模型识别用户期望决策;
决策分析模块,用以提取用户期望决策的关键词,并根据关键词调用决策数据库中的关键词关联数据;
调用有效性判断模块,用以根据关键词关联数据量对调用有效性进行判断,并根据判断结果对关键词进行调整;
关键词精度判断模块,用以根据关键词数量对关键词精度进行判断,并根据判断结果对调用有效性的判断过程进行优化;
模型建立模块,用以根据关键词关联数据建立决策树模型;
结果预测模块,用以将用户期望决策的关键词输入至决策树模型中,并输出用户期望决策的预测结果;
决策执行模块,用以根据预测结果对用户期望决策进行执行;
决策反馈模块,用以根据执行结果对预测情况进行反馈,并根据反馈结果对关键词精度判断过程进行调整,并对决策数据库进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410427807.7A CN118013390B (zh) | 2024-04-10 | 2024-04-10 | 一种基于大数据分析的智慧工作台控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410427807.7A CN118013390B (zh) | 2024-04-10 | 2024-04-10 | 一种基于大数据分析的智慧工作台控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118013390A true CN118013390A (zh) | 2024-05-10 |
CN118013390B CN118013390B (zh) | 2024-06-21 |
Family
ID=90954144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410427807.7A Active CN118013390B (zh) | 2024-04-10 | 2024-04-10 | 一种基于大数据分析的智慧工作台控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118013390B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019011356A1 (de) * | 2017-07-14 | 2019-01-17 | Cognigy Gmbh | Verfahren zur dialogführung zwischen mensch und computer |
CN109255013A (zh) * | 2018-08-14 | 2019-01-22 | 平安医疗健康管理股份有限公司 | 理赔决策方法、装置、计算机设备和存储介质 |
CN109920540A (zh) * | 2019-03-14 | 2019-06-21 | 宁波中云创科信息技术有限公司 | 辅助诊疗决策***的构建方法、装置及计算机设备 |
CN110807091A (zh) * | 2019-03-01 | 2020-02-18 | 王涵 | 一种酒店智能问答推荐与决策支持分析方法及*** |
CN113221762A (zh) * | 2021-05-17 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 代价平衡决策方法、保险理赔决策方法、装置和设备 |
CN113724738A (zh) * | 2021-08-31 | 2021-11-30 | 平安普惠企业管理有限公司 | 语音处理方法、决策树模型训练方法、装置、设备及存储介质 |
CN117094385A (zh) * | 2023-03-21 | 2023-11-21 | 数字栩生(北京)科技有限公司 | 数字人结构化认知决策驱动方法和数字人结构化认知决策驱动设备 |
-
2024
- 2024-04-10 CN CN202410427807.7A patent/CN118013390B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019011356A1 (de) * | 2017-07-14 | 2019-01-17 | Cognigy Gmbh | Verfahren zur dialogführung zwischen mensch und computer |
CN109255013A (zh) * | 2018-08-14 | 2019-01-22 | 平安医疗健康管理股份有限公司 | 理赔决策方法、装置、计算机设备和存储介质 |
CN110807091A (zh) * | 2019-03-01 | 2020-02-18 | 王涵 | 一种酒店智能问答推荐与决策支持分析方法及*** |
CN109920540A (zh) * | 2019-03-14 | 2019-06-21 | 宁波中云创科信息技术有限公司 | 辅助诊疗决策***的构建方法、装置及计算机设备 |
CN113221762A (zh) * | 2021-05-17 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 代价平衡决策方法、保险理赔决策方法、装置和设备 |
CN113724738A (zh) * | 2021-08-31 | 2021-11-30 | 平安普惠企业管理有限公司 | 语音处理方法、决策树模型训练方法、装置、设备及存储介质 |
CN117094385A (zh) * | 2023-03-21 | 2023-11-21 | 数字栩生(北京)科技有限公司 | 数字人结构化认知决策驱动方法和数字人结构化认知决策驱动设备 |
Also Published As
Publication number | Publication date |
---|---|
CN118013390B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717031B (zh) | 一种智能会议纪要生成方法和*** | |
US10410627B2 (en) | Automatic language model update | |
US8392188B1 (en) | Method and system for building a phonotactic model for domain independent speech recognition | |
CN108319666A (zh) | 一种基于多模态舆情分析的供电服务评估方法 | |
US20030040907A1 (en) | Speech recognition system | |
CN112101010B (zh) | 一种基于bert的电信行业oa办公自动化文稿审核的方法 | |
CN112925945A (zh) | 会议纪要生成方法、装置、设备及存储介质 | |
CN116665676B (zh) | 一种用于智能语音外呼***的语义识别方法 | |
CN112581964A (zh) | 一种面向多领域的智能语音交互方法 | |
US7085720B1 (en) | Method for task classification using morphemes | |
CN111209367A (zh) | 信息查找方法、信息查找装置、电子设备及存储介质 | |
Hong et al. | Comprehensive technology function product matrix for intelligent chatbot patent mining | |
CN118013390B (zh) | 一种基于大数据分析的智慧工作台控制方法及*** | |
CN110809796B (zh) | 具有解耦唤醒短语的语音识别***和方法 | |
CN116305257A (zh) | 隐私信息监测装置和隐私信息监测方法 | |
CN113990288B (zh) | 一种语音客服自动生成部署语音合成模型的方法 | |
CN112002306B (zh) | 语音类别的识别方法、装置、电子设备及可读存储介质 | |
CN110021295B (zh) | 用于识别由语音识别***生成的错误转录的方法和*** | |
CN116524926B (zh) | 一种用于在移动端通过语音控制生成业务表单的方法 | |
KR102606415B1 (ko) | 딥러닝 기반 음성인식을 이용한 문맥 의도 인식 장치 및 방법 | |
EP3671735B1 (en) | Method and system for determining speaker-user of voice-controllable device | |
KR102278190B1 (ko) | 공방 운영 플랫폼 서비스 방법 및 시스템 | |
Qaroush et al. | Automatic spoken customer query identification for Arabic language | |
CN114627873A (zh) | 一种语音识别的口语文本生成方法 | |
JP2006503328A (ja) | ディレクトリアシスタント方法及び装置 |
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 |