CN110188926A - 一种订单信息预测系统和方法 - Google Patents
一种订单信息预测系统和方法 Download PDFInfo
- Publication number
- CN110188926A CN110188926A CN201910389886.6A CN201910389886A CN110188926A CN 110188926 A CN110188926 A CN 110188926A CN 201910389886 A CN201910389886 A CN 201910389886A CN 110188926 A CN110188926 A CN 110188926A
- Authority
- CN
- China
- Prior art keywords
- order information
- module
- prediction
- vector
- history
- 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
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种订单信息预测系统和方法,该系统包括提取模块、预处理模块、模型训练模块和预测模块;所述提取模块,其用于获取历史订单信息;所述预处理模块,其用于对所述历史订单信息进行预处理;所述模型训练模块,其用于对预处理结果进行模型训练;所述预测模块,其用于对在线订单进行线上预测。本发明采用双向Transformer架构对历史订单信息中的文本和数据进行处理,从而能够获取更多的文本与数值的上下文信息,以及更深的文本间的语意关系,因此能够得到更多的有效信息,使得数值预测准确率更好。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种订单信息预测系统和方法。
背景技术
传统电商订单信息的某些属性往往由商家指定,而带有招标性质的订单往往需要对订单预先评估并传递给合适的商家。现存的方法中人工评估方法严重影响订单处理速度和人力成本,另外一种方法是基于计算机的文本理解算法,包括CNN(卷积神经网络),RNN(循环神经网络)和DNN(深度神经网络)等成熟的技术,但是这类方法中,CNN不能获取文本上下文太长的信息,RNN获取上下文太长时性能不稳定因此理解文本的能力有限,导致预测值与真实值易出现出入过大的问题。
发明内容
本发明的目的是提供一种提高属性预测准确率的一种订单信息预测系统和方法。
第一方面:一种订单信息预测系统,其特征在于,包括提取模块、预处理模块、模型训练模块和预测模块;
所述提取模块,其用于获取历史订单信息;
所述预处理模块,其用于对所述历史订单信息进行预处理;
所述模型训练模块,其用于对预处理结果进行模型训练;
所述预测模块,其用于对在线订单进行线上预测。
其中,所述预处理模块具体用于将所述历史订单信息转化为向量化数据。
其中,所述模型训练模块具体用于:
用于将所述历史订单信息的向量化数据使用双向Transformer架构进行训练以得到 BERT模型。
其中,所述预测模块具体用于加载所述BERT模型对在线订单进行线上预测。
其中,所述历史订单信息包括数值信息。
其中,所述预处理包括对所述历史订单信息中的文本信息采用分词技术,并进行去停用词处理,并把文本信息中的句子整理成一个固定的长度,最后把所述句子中的各词语分别映射成一个原始多维向量,所述原始多维向量包括各词语的词向量。
其中,所述模型训练模块具体用于:
通过Transformer的特征抽取器对每个所述词语的原始多维向量均加载一个位置信息编码;
将每一个带有所述位置信息编码的词向量语依次与剩下的各词语的词向量发生关系,然后生成目标多维向量;
对所述目标多维向量进行归一化处理;
将归一化后的所述目标多维向量经过传统的前馈神经网络进行前向处理,输出前向计算的向量结果,所述向量结果包括分类标志位和文本数值向量;
将多个Transformer的特征抽取器组合起来并采用双向的方式同时抽取所述文本数值向量以得到所述BERT模型;
将所述分类标志位的向量经过SoftMax函数后输出所述BERT模型预测值,在训练所述 BERT模型的过程中,使用预测的数值对比训练数据的数值信息,并通过方向传递更新所述 BERT模型参数。
其中,所述双向的方式包括顺序和逆序的方式。
第三方面:一种订单信息预测方法,其特征在于,应用于上述的一种订单信息预测系统,所述方法包括:
获取历史订单信息;
用于对所述历史订单信息进行预处理;
用于对预处理结果进行模型训练;
用于对在线订单进行线上预测。
其中,所述预处理为将所述历史订单信息转化为向量化数据。
其中,所述对预处理结果进行模型训练具体包括:
用于将所述历史订单信息的向量化数据使用双向Transformer架构进行训练以得到 BERT模型。
其中,所述对在线订单进行线上预测具体包括:加载所述BERT模型对在线订单进行线上预测。
其中,所述预处理具体包括对所述历史订单信息中的文本信息采用分词技术,并进行去停用词处理,并把文本信息中的句子整理成一个固定的长度,最后把所述句子中的各词语分别映射成一个原始多维向量,所述原始多维向量包括各词语的词向量。
其中,模型训练具体包括:
通过Transformer的特征抽取器对每个所述词语的原始多维向量均加载一个位置信息编码;
将每一个带有所述位置信息编码的词向量语依次与剩下的各词语的词向量发生关系,然后生成目标多维向量;
对所述目标多维向量进行归一化处理;
将归一化后的所述目标多维向量经过传统的前馈神经网络进行前向处理,输出前向计算的向量结果,所述向量结果包括分类标志位和文本数值向量;
将多个Transformer的特征抽取器组合起来并采用双向的方式同时抽取所述文本数值向量以得到所述BERT模型;
将所述分类标志位的向量经过SoftMax函数后输出所述BERT模型预测值,在训练所述 BERT模型的过程中,使用预测的数值对比训练数据的数值信息,并通过方向传递更新所述 BERT模型参数。
其中,所述双向的方式包括顺序和逆序的方式。第三方面:一种计算机终端,包括处理器和与处理器连接的存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行第二方面任一所述的方法。
采用上述技术方案,具有以下优点:本发明提出的一种订单信息预测系统和方法,采用双向Transformer架构对历史订单信息中的文本和数据进行处理,从而能够获取更多的文本与数值的上下文信息,以及更深的文本间的语意关系,因此能够得到更多的有效信息,使得数值预测准确率更好。
附图说明
图1为本发明实施例提供的一种订单信息预测系统的结构示意图;
图2为本发明实施例中预处理的结构示意图;
图3为本发明实施例中Transformer架构的结构示意图;
图4为本发明实施例中BERT模型的一种结构示意图;
图5为本发明某一实施例提供的一种订单信息预测方法的方法流程图;
图6为本发明另一实施例提供的一种订单信息预测方法的方法流程图。
具体实施方式
为了使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
BERT的全称是Bidirectional Encoder Representation from Transformers,即Transformer的双向编码标识来改进基于架构微调方法。是一个语言表征模型(languagerepresentation model),通过超大数据、巨大模型和极大的计算开销训练而成,在11个自然语言处理任务中取得了最优结果。
参照图1所示,一种订单信息预测系统,包括提取模块、预处理模块、模型训练模块和预测模块。
所述提取模块,其用于获取历史订单信息;
所述预处理模块,其用于对所述历史订单信息进行预处理;
所述模型训练模块,其用于对预处理结果进行模型训练;
所述预测模块,其用于对在线订单进行线上预测。
其中,所述预处理模块具体用于将所述历史订单信息转化为向量化数据。
其中,所述模型训练模块具体用于:
用于将所述历史订单信息的向量化数据使用双向Transformer架构进行训练以得到BERT 模型。
其中,所述预测模块具体用于加载所述BERT模型对在线订单进行线上预测。具体地,参照图2所示,所述预处理包括对所述历史订单信息中的文本信息采用分词技术,并进行去停用词处理,并把文本信息中的句子整理成一个固定的长度,最后把所述句子中的各词语分别映射成一个原始多维向量,所述原始多维向量包括各词语的词向量;
在应用时,分词采用MMSeg分词方式,这种分词技术依赖本地存在的词汇表,最终历史订单分词后只留下已知词表中的词语,这种分词技术已为公知技术,因此不再赘述;
同时预先设定一个全局的句子长度,当文本信息中的句子长度不足这个长度时,我们采用填充层(Padding)填充一个特定的字符,句子长度超过长度时,我们就截取多余的部分,这样就能保持每次输入的长度每次保持这个全局长度,然后将输入文本的词获取其在词表中的位置,然后通过嵌入层(Embedding)将其映射成为一个多维向量,即所述向量化数据。
所述模型训练模块用于将所述历史订单信息的向量化数据使用双向Transformer架构进行训练以得到BERT模型。
具体地,参照图3所示,通过Transformer的特征抽取器对每个所述词语的原始多维向量均加载一个位置信息编码,其实现方式是采用编码函数实现:
其中:dmodel为句子的长度,pos为当前词语在句子中的位置,i为每个词语编码的维度,PE(pos,2i)表示偶数位置的词语,PE(pos,2i+1)表示奇数位置的词语;通过将偶数位置和奇数位置的词分别用正弦函数和余弦函数编码,因此每个词语就带上了相对的位置信息;
然后将每一个带有所述位置信息编码的词向量语依次与剩下的各词语的词向量发生关系,然后生成目标多维向量;需要说明的是,所述的发生关系即通过图中的自注意力机制实现,自注意力机制在对句子的语义表示上有着明显的提升作用,能更有效的去捕获对句子语义有重要作用的词并且消除干扰词的印象,生成的所述目标多维向量这样子就带有了词句间的相互语意相互关系和位置关系。
对所述目标多维向量进行归一化处理。
具体地,目标多维向量中每个词的向量值发生了变化,为了便于后续梯度下降能够快速迭代和准确性,接下来进行归一化处理,实现防止梯度消失和梯度爆炸,同时继续将位置编码传递到这一层,保持位置信息不因归一化后消失。
将归一化后的所述目标多维向量经过传统的前馈神经网络进行前向处理,输出前向计算的向量结果,所述向量结果包括分类标志位和文本数值向量。
具体地,通过激活函数输出向量结果,其后不断叠加多层,需要说明的是,文本数值向量指的是文本中与数值相关的向量,整个过程就是不断的在更新向量。
将多个Transformer的特征抽取器组合起来并采用双向的方式同时抽取所述文本数值向量以得到所述BERT模型;
将所述分类标志位的向量经过SoftMax函数后输出所述BERT模型预测值,在训练所述BERT模型的过程中,使用预测的数值对比训练数据的数值信息,并通过方向传递更新所述 BERT模型参数。
具体地,所述双向的方式包括顺序和逆序的方式,BERT模型的结构如图4所示,图4中的Trm即为Transformer,处理过程如下:
1、将分词后的词向量在最前面增加一个句子起始标志符,用于标志输入开始;
2、双向学习—从左到右:通过前面给出的词,预测接下来的词,通过这种方式学习模型参数;
3、双向学习—从右向左:通过后面给出的词,预测前面的词,并更新学习到的模型参数;
4、双向预测下一个词的学习方式方式,使得模型具有文本生成的功能,也即是说能够学习到文本之间的语意关系。
5、堆叠两层双向学习的结构模型,并在起始位对应位置出输出分类结果(数值),其他位置处输出对应的词向量。这里模型参数的更新即每个词向量的变化。
所述预测模块用于加载所述BERT模型对在线订单进行线上预测。
具体地,将训练好的BERT模型传递到线上用于预测值,最后输出基于在线订单中文本信息预测的订单信息。
通过上述方案,采用双向Transformer架构对历史订单信息中的文本和数据进行处理,从而能够获取更多的文本与数值的上下文信息,以及更深的文本间的语意关系,因此能够得到更多的有效信息,使得数值预测准确率更好。
基于上述系统相同的构思,如图5所示,本发明某一实施例还公开了一种订单信息预测方法,所述方法包括:
获取历史订单信息;
用于对所述历史订单信息进行预处理;
用于对预处理结果进行模型训练;
用于对在线订单进行线上预测。
其中,所述预处理为将所述历史订单信息转化为向量化数据。
其中,所述对预处理结果进行模型训练具体包括:
用于将所述历史订单信息的向量化数据使用双向Transformer架构进行训练以得到 BERT模型。
其中,所述对在线订单进行线上预测具体包括:加载所述BERT模型对在线订单进行线上预测。
其中,所述预处理具体包括对所述历史订单信息中的文本信息采用分词技术,并进行去停用词处理,并把文本信息中的句子整理成一个固定的长度,最后把所述句子中的各词语分别映射成一个原始多维向量,所述原始多维向量包括各词语的词向量。
参照图6所示,本发明另一实施例还公开了一种订单信息预测方法,所述方法包括:
S101,从数据库中获取历史订单信息,所述历史订单信息包括数值信息。
具体地,该步骤由提取模块执行,数据来源除了数据库中获取外,还可从其它数据源中获取,例如,各个业务平台和第三方平台等,历史订单信息还包括实时的订单信息,在此不做限制。
S102,对所述历史订单信息进行预处理以得到所述历史订单信息的向量化数据。
具体地,该步骤由预处理模块执行,所述预处理包括对所述历史订单信息中的文本信息采用分词技术,并进行去停用词处理,并把文本信息中的句子整理成一个固定的长度,最后把所述句子中的各词语分别映射成一个原始多维向量,所述原始多维向量包括各词语的词向量;
在应用时,分词采用MMSeg分词方式,这种分词技术依赖本地存在的词汇表,最终历史订单分词后只留下已知词表中的词语,这种分词技术已为公知技术,因此不再赘述;
同时预先设定一个全局的句子长度,当文本信息中的句子长度不足这个长度时,我们采用填充层(Padding)填充一个特定的字符,句子长度超过长度时,我们就截取多余的部分,这样就能保持每次输入的长度每次保持这个全局长度,然后将输入文本的词获取其在词表中的位置,然后通过嵌入层(Embedding)将其映射成为一个多维向量,即所述向量化数据。
S103,将所述历史订单信息的向量化数据使用双向Transformer架构进行训练以得到 BERT模型。
具体地,该步骤由模型训练模块执行,通过Transformer的特征抽取器对每个所述词语的原始多维向量均加载一个位置信息编码,其实现方式是采用编码函数实现:
其中:dmodel为句子的长度,pos为当前词语在句子中的位置,i为每个词语编码的维度, PE(pos,2i)表示偶数位置的词语,PE(pos,2i+1)表示奇数位置的词语;通过将偶数位置和奇数位置的词分别用正弦函数和余弦函数编码,因此每个词语就带上了相对的位置信息;
然后将每一个带有所述位置信息编码的词向量语依次与剩下的各词语的词向量发生关系,然后生成目标多维向量;需要说明的是,所述的发生关系即通过图中的自注意力机制实现,自注意力机制在对句子的语义表示上有着明显的提升作用,能更有效的去捕获对句子语义有重要作用的词并且消除干扰词的印象,生成的所述目标多维向量这样子就带有了词句间的相互语意相互关系和位置关系。
对所述目标多维向量进行归一化处理。
具体地,目标多维向量中每个词的向量值发生了变化,为了便于后续梯度下降能够快速迭代和准确性,接下来进行归一化处理,实现防止梯度消失和梯度爆炸,同时继续将位置编码传递到这一层,保持位置信息不因归一化后消失。
将归一化后的所述目标多维向量经过传统的前馈神经网络进行前向处理,输出前向计算的向量结果,所述向量结果包括分类标志位和文本数值向量。
具体地,通过激活函数输出向量结果,其后不断叠加多层,需要说明的是,文本数值向量指的是文本中与数值相关的向量,整个过程就是不断的在更新向量。
将多个Transformer的特征抽取器组合起来并采用双向的方式同时抽取所述文本数值向量以得到所述BERT模型;
将所述分类标志位的向量经过SoftMax函数后输出所述BERT模型预测值,在训练所述 BERT模型的过程中,使用预测的数值对比训练数据的数值信息,并通过方向传递更新所述 BERT模型参数。
具体地,所述双向的方式包括顺序和逆序的方式,处理过程如下:
1、将分词后的词向量在最前面增加一个句子起始标志符,用于标志输入开始;
2、双向学习—从左到右:通过前面给出的词,预测接下来的词,通过这种方式学习模型参数;
3、双向学习—从右向左:通过后面给出的词,预测前面的词,并更新学习到的模型参数;
4、双向预测下一个词的学习方式方式,使得模型具有文本生成的功能,也即是说能够学习到文本之间的语意关系。
5、堆叠两层双向学习的结构模型,并在起始位对应位置出输出分类结果(数值),其他位置处输出对应的词向量。
S104,加载所述BERT模型对在线订单进行线上预测。
具体地,该步骤由预测模块执行,将训练好的BERT模型传递到线上用于预测值,最后输出基于在线订单中文本信息预测的订单信息。
通过上述方法,减少了人力成本,也提高了在线订单的处理速度,同时也克服了采用CNN 不能获取文本上下文太长的信息,RNN获取上下文太长时性能不稳定,因此理解文本的能力有限的缺陷,我们将使用Transformer信息抽取结构应用到订单内容进行表示学习,从而能够获取更多的文本与数值的上下文信息,以及更深的文本间的语意关系,因此能够得到更多的有效信息,使得数值预测准确率更好。
本发明实施例还提供了一种计算机终端,包括处理器和与处理器连接的存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述所述的方法。
应当理解,在本实施例中,所称处理器可以是中央处理单元(Central ProcessingUnit, CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor, DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
该存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。
本发明实施例还提供了一种计算机可读存储介质,计算机存储介质存储有计算机程序,计算机程序包括程序指令,程序指令当被处理器执行时使处理器执行上述所述的方法。
所述计算机可读存储介质可以是前述所述计算机终端的存储器,例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端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。进一步地,所述计算机可读存储介质还可以既包括所述终端的存储器也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。
本实施例的计算机可读存储介质,执行实施例中所述的方法,在此不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的系统模块及方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。最后需要说明的是,上述描述仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种订单信息预测系统,其特征在于,包括提取模块、预处理模块、模型训练模块和预测模块;
所述提取模块,其用于获取历史订单信息;
所述预处理模块,其用于对所述历史订单信息进行预处理;
所述模型训练模块,其用于对预处理结果进行模型训练;
所述预测模块,其用于对在线订单进行线上预测。
2.根据权利要求1所述的一种订单信息预测系统,其特征在于,所述预处理模块具体用于将所述历史订单信息转化为向量化数据。
3.根据权利要求2所述的一种订单信息预测系统,其特征在于,所述模型训练模块具体用于:
用于将所述历史订单信息的向量化数据使用双向Transformer架构进行训练以得到BERT模型。
4.根据权利要求3所述的一种订单信息预测系统,其特征在于,所述预测模块具体用于加载所述BERT模型对在线订单进行线上预测。
5.一种订单信息预测方法,其特征在于,应用于权利要求1所述的一种订单信息预测系统,所述方法包括:
获取历史订单信息;
用于对所述历史订单信息进行预处理;
用于对预处理结果进行模型训练;
用于对在线订单进行线上预测。
6.根据权利要求5所述的一种订单信息预测系统,其特征在于,所述预处理为将所述历史订单信息转化为向量化数据。
7.根据权利要求6所述的一种订单信息预测系统,其特征在于,所述对预处理结果进行模型训练具体包括:
用于将所述历史订单信息的向量化数据使用双向Transformer架构进行训练以得到BERT模型。
8.根据权利要求7所述的一种订单信息预测系统,其特征在于,所述对在线订单进行线上预测具体包括:加载所述BERT模型对在线订单进行线上预测。
9.根据权利要求6所述的一种订单信息预测方法,其特征在于,所述预处理具体包括对所述历史订单信息中的文本信息采用分词技术,并进行去停用词处理,并把文本信息中的句子整理成一个固定的长度,最后把所述句子中的各词语分别映射成一个原始多维向量,所述原始多维向量包括各词语的词向量。
10.一种计算机终端,包括处理器和与处理器连接的存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,其特征在于,所述处理器被配置用于调用所述程序指令,执行权利要求5至9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910389886.6A CN110188926B (zh) | 2019-05-10 | 2019-05-10 | 一种订单信息预测系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910389886.6A CN110188926B (zh) | 2019-05-10 | 2019-05-10 | 一种订单信息预测系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110188926A true CN110188926A (zh) | 2019-08-30 |
CN110188926B CN110188926B (zh) | 2020-11-13 |
Family
ID=67715959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910389886.6A Active CN110188926B (zh) | 2019-05-10 | 2019-05-10 | 一种订单信息预测系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188926B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688312A (zh) * | 2019-09-26 | 2020-01-14 | 山东浪潮人工智能研究院有限公司 | 一种基于Transformer的软件缺陷预测方法 |
CN111222631A (zh) * | 2020-01-17 | 2020-06-02 | 支付宝(杭州)信息技术有限公司 | 业务预测方法以及装置 |
CN111951967A (zh) * | 2020-08-14 | 2020-11-17 | 泽达易盛(天津)科技股份有限公司 | 一种智能家庭健康管理系统及装置 |
CN112651811A (zh) * | 2021-01-11 | 2021-04-13 | 上海瀚之友信息技术服务有限公司 | 一种基于多源数据的订单处理方法及系统 |
CN112990584A (zh) * | 2021-03-19 | 2021-06-18 | 山东大学 | 一种基于深度强化学习的自动生产决策系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230049A (zh) * | 2018-02-09 | 2018-06-29 | 新智数字科技有限公司 | 订单的预测方法及系统 |
CN109508461A (zh) * | 2018-12-29 | 2019-03-22 | 重庆猪八戒网络有限公司 | 基于中文自然语言处理的订单价格预测方法、终端及介质 |
CN109635079A (zh) * | 2018-10-25 | 2019-04-16 | 北京中关村科金技术有限公司 | 一种用户意图的确定方法、装置、计算机设备和存储介质 |
CN109710770A (zh) * | 2019-01-31 | 2019-05-03 | 北京牡丹电子集团有限责任公司数字电视技术中心 | 一种基于迁移学习的文本分类方法及装置 |
-
2019
- 2019-05-10 CN CN201910389886.6A patent/CN110188926B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108230049A (zh) * | 2018-02-09 | 2018-06-29 | 新智数字科技有限公司 | 订单的预测方法及系统 |
CN109635079A (zh) * | 2018-10-25 | 2019-04-16 | 北京中关村科金技术有限公司 | 一种用户意图的确定方法、装置、计算机设备和存储介质 |
CN109508461A (zh) * | 2018-12-29 | 2019-03-22 | 重庆猪八戒网络有限公司 | 基于中文自然语言处理的订单价格预测方法、终端及介质 |
CN109710770A (zh) * | 2019-01-31 | 2019-05-03 | 北京牡丹电子集团有限责任公司数字电视技术中心 | 一种基于迁移学习的文本分类方法及装置 |
Non-Patent Citations (1)
Title |
---|
ICE CREAM_069: "Transformer作为特征提取器", 《CSDN:HTTPS://BLOG.CSDN.NET/WEIXIN_36103474/ARTICLE/DETAILS/89760986》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110688312A (zh) * | 2019-09-26 | 2020-01-14 | 山东浪潮人工智能研究院有限公司 | 一种基于Transformer的软件缺陷预测方法 |
CN111222631A (zh) * | 2020-01-17 | 2020-06-02 | 支付宝(杭州)信息技术有限公司 | 业务预测方法以及装置 |
CN111951967A (zh) * | 2020-08-14 | 2020-11-17 | 泽达易盛(天津)科技股份有限公司 | 一种智能家庭健康管理系统及装置 |
CN112651811A (zh) * | 2021-01-11 | 2021-04-13 | 上海瀚之友信息技术服务有限公司 | 一种基于多源数据的订单处理方法及系统 |
CN112651811B (zh) * | 2021-01-11 | 2023-01-13 | 上海瀚之友信息技术服务有限公司 | 一种基于多源数据的订单处理方法及系统 |
CN112990584A (zh) * | 2021-03-19 | 2021-06-18 | 山东大学 | 一种基于深度强化学习的自动生产决策系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110188926B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11574122B2 (en) | Method and system for joint named entity recognition and relation extraction using convolutional neural network | |
CN110188926A (zh) | 一种订单信息预测系统和方法 | |
CN110059188B (zh) | 一种基于双向时间卷积网络的中文情感分析方法 | |
CN109062893B (zh) | 一种基于全文注意力机制的商品名称识别方法 | |
CN106502985B (zh) | 一种用于生成标题的神经网络建模方法及装置 | |
CN111460807B (zh) | 序列标注方法、装置、计算机设备和存储介质 | |
CN111985239B (zh) | 实体识别方法、装置、电子设备及存储介质 | |
CN113361285B (zh) | 自然语言处理模型的训练方法、自然语言处理方法及装置 | |
CN112528655B (zh) | 关键词生成方法、装置、设备及存储介质 | |
CN111062215A (zh) | 基于半监督学习训练的命名实体识别方法和装置 | |
CN109062901A (zh) | 神经网络训练方法和装置及命名实体识别方法和装置 | |
CN110222184A (zh) | 一种文本的情感信息识别方法及相关装置 | |
CN112163429B (zh) | 结合循环网络及bert的句子相关度获取方法、系统及介质 | |
CN109344242B (zh) | 一种对话问答方法、装置、设备及存储介质 | |
CN111475617A (zh) | 事件主体抽取方法、装置及存储介质 | |
CN113255320A (zh) | 基于句法树和图注意力机制的实体关系抽取方法及装置 | |
CN113987169A (zh) | 基于语义块的文本摘要生成方法、装置、设备及存储介质 | |
CN115906815B (zh) | 一种用于修改一种或多种类型错误句子的纠错方法及装置 | |
CN113743099A (zh) | 基于自注意力机制方面术语提取系统、方法、介质、终端 | |
CN114445832A (zh) | 基于全局语义的文字图像识别方法、装置及计算机设备 | |
CN111145914B (zh) | 一种确定肺癌临床病种库文本实体的方法及装置 | |
CN112463989A (zh) | 一种基于知识图谱的信息获取方法及系统 | |
CN114492661A (zh) | 文本数据分类方法和装置、计算机设备、存储介质 | |
CN114091452A (zh) | 一种基于适配器的迁移学习方法、装置、设备及存储介质 | |
CN112052329A (zh) | 文本摘要生成方法、装置、计算机设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |