CN111144554B - 基于模块分解的智能响应方法、装置、介质、设备 - Google Patents

Abstract

本发明公开了一种基于模块分解的智能响应方法、装置、介质、设备。方法包括步骤：根据企业的业务逻辑和决策逻辑，对信息系统进行模块分解，确定经验型人工决策模块；从历史数据中提取业务数据，根据业务数据对经验型人工决策模块的输入和输出数据进行建模，对所提取的业务数据进行数据转换，转换后的数据作为模型的训练集；将输出作为多分类标签，通过深度神经网络学习的方式来学习训练集的案例数据，不断进行优化与改进，直到收敛；将训练完成的深度神经网络嵌入原信息系统的经验型人工决策模块中，在新的输入下，智能判别分类问题，并作出决策建议。本发明使得神经网络可以替代人工决策，实现信息系统的柔性化，提高业务响应效率。

Description

基于模块分解的智能响应方法、装置、介质、设备

技术领域

本发明涉及管理信息系统智能决策研究领域，特别涉及一种基于模块分解的智能响应方法、装置、介质、设备。

背景技术

现代事务型企业活动的本质，是围绕事务(具象化为客户订单、合作方合同、员工申请表等)推进的需要而搭建起庞大的支撑架构。企业管理学科以及信息系统学科历史以来对企业流程的研究，产生了典型如业务流程重组等专门知识。信息系统的实施也非常关注企业数据流(信息流)的走向，期冀达到最优化的效果。然而随着企业规模增大，外部环境给定的输入也日渐复杂，信息系统构建的复杂度呈指数式上升，运行中在很多场合作为企业神经中枢的信息系统甚至降低了处理效率，而且让流程更加僵化而不具备弹性。究其原因，在于外部实体输入在模式、结构、数据方面的高度不确定性与信息系统模型的构造刚性之间的冲突。另外一方面，单纯的业务流程优化，并没有改变问题的实质。在现代事务型企业中，仍然存在大量重复的简单脑力劳动。

在信息系统中，数据要求以指定格式流动，一旦定型就很难变更，否则将完全推翻原处理模块的逻辑，成本高昂。研发成本将随复杂度指数式上升，给企业带来巨大的成本压力。

在企业管理中应用计算机技术并综合运用系统论、控制论、信息论等新科学新技术的某些方法进行应用开发，已经经历了大致40多年的发展过程，大体上划分为数据处理系统、管理信息系统、决策支持系统以及基于知识的管理专家系统四个阶段。但是基于规则的专家系统，仍然存在输入刚性问题，适用范围十分有限。近年来随着人工智能技术的不断突破，企业管理系统也开始走向第五个阶段，即智能化。

在信息系统理论中，将企业及其各个部门视为接受输入并得到输出的处理模块。使用人工智能技术，例如深度神经网络，就可以比较弹性地处理输入和输出的数据。在这样的基本思想下，利用企业运营积累的大数据对深度神经网络进行训练，有望能够替代相当一部分的人工劳动，让企业的“智商”从信息化提升到智能化阶段。

发明内容

本发明的目的在于利用企业运营积累的大数据，提出一种基于模块分解的智能响应方法、装置、介质、设备，其利用上述积累的大数据作为训练集，训练深度神经网络，一定程度上替代一部分或全部的人工干预行为，从而实现企业管理系统的智能化响应、视觉分析能力等功能，提升企业经营效率，实现产业的整体效能的增长。

第一方面，本发明基于模块分解的智能响应方法，包括步骤：

(1)根据企业的业务逻辑和决策逻辑，对信息系统进行模块分解，确定经验型人工决策模块；

(2)从历史数据中提取业务数据，根据所述业务数据对经验型人工决策模块的输入和输出数据进行建模，对所提取的业务数据进行特征描述、向量化和标准化等数据转换操作，转换后的数据作为模型的训练集；

(3)将输出作为多分类标签，通过深度神经网络学习的方式来学习训练集的案例数据，不断进行优化与改进，直到收敛；

(4)将训练完成的深度神经网络嵌入原信息系统的经验型人工决策模块中，在新的输入下，智能判别分类问题，并作出决策建议。

优选的，步骤(1)中，根据企业的业务逻辑和决策逻辑，对信息系统进行模块分解，模块分解遵循以下标准：

(1-1)正确映射企业真实的业务逻辑和决策逻辑；

(1-2)考虑决策可选择空间及时间响应的不同需求；

(1-3)决策模块间数据接口的最简化，且无缝连接；

(1-4)具有作为管理控制中心的决策者。

优选的，所述步骤(1)中，经验型人工决策模块是指依赖人工经验，人工使用鼠标、键盘、屏幕和触摸屏幕进行信息查看，但无需或只需少量外部隐含信息参与即可最终作出多分类选择的功能模块，一般这些模块由输入信息、决策行动和管理控制中心(人)三部分组成，是信息系统最小的决策单位。

优选的，步骤(2)中，根据业务数据对经验型人工决策模块的输入和输出数据进行建模，包括步骤：

(2-1)特征描述：采用常用的数据编码方式对提取的业务数据进行编码，编码方式包括独热编码、标签编码、实体嵌入等；

(2-2)向量化：信息系统经验型人工决策模块的输入，往往为多个输入，并且输入有可能呈现雪花型或星型，此情况下通过CCA/KCCA等方法对提取的特征数据进行分析，将多个输入展平为单个向量，达到单次输入的目的，再采用主成分分析等数据统计分析方法在每一组输入变量中，都选取若干综合指标，这些综合指标是由输入变量线性组合而成，进而形成模型的最终输入；

(2-3)标准化：根据业务逻辑确定经验型人工决策模块的输入输出的特征张量，特征张量的量纲和数值的量级会影响模型参数的收敛，所以需要对特征张量进行标准化处理。

优选的，步骤(3)中，构建深度神经网络，深度神经网络模型采用FCN网络对输入和输出进行学习，具体地，经过数据建模，将案例数据映射到高维空间，利用上述的深度神经网络进行回归，即训练出相应的权重W和重要性参数V，将潜规则显性化。

作为一种优选，步骤(3)中深度神经网络的训练过程如下：

采用X＝(X₁,X₂,...,X_n)^T表示n个多源异构输入数据张量，Y＝(Y₁,Y₂,...,Y_n)^T表示m个多源异构输出数据张量，V＝(V₁,V₂,...,V_n)^T为对应重要性参数，刻画不同的逻辑；构建X到Y的映射，即：

其中“⊙”为Hadamard乘积运算，张量元素之间的逐点运算，ψ为R^n*k到R^m*k的操作，公式的第二行是Softmax操作，实现逻辑回归，也就是分类的功能，最后一个公式增加了V归一化需求；

通过深度神经网络对ψ进行建模，令

其中L为神经网络的层数，W为神经网络的权重，σ表示每一层的回归操作，b_i表示每层网络的偏置量。

优选的，步骤(4)中，将训练完成的深度神经网络嵌入原信息系统的经验型人工决策模块中，得到智能决策模块，该智能决策模块只需要在原经验型人工决策模块输入位置和输出位置进行截流并替换；截流和替换是在原人工响应模块上，将其输入与输出转接至智能决策模块，以实现信息系统的模块智能化响应。

第二方面，本发明基于模块分解的智能响应装置，包括：

模块划分模块，用于根据企业的业务逻辑和决策逻辑，对信息系统进行模块分解，确定经验型人工决策模块；

数据转换模块，用于从历史数据中提取业务数据，根据所述业务数据对经验型人工决策模块的输入和输出数据进行建模，对所提取的业务数据进行数据转换，转换后的数据作为模型的训练集；

网络构建和模型训练模块，用于将输出作为多分类标签，通过深度神经网络学习的方式来学习训练集的案例数据，不断进行优化与改进，直到收敛；

应用模块，用于将训练完成的深度神经网络嵌入原信息系统的经验型人工决策模块中，在新的输入下，智能判别分类问题，并作出决策建议。

优选的，数据转换模块包括：

特征描述模块，用于对提取的业务数据进行编码；

向量化模块，用于通过CCA/KCCA方法对提取的特征数据进行分析，将多个输入展平为单个向量，达到单次输入的目的，再采用主成分分析方法在每一组输入变量中，都选取若干综合指标，这些综合指标是由输入变量线性组合而成，进而形成模型的最终输入；

标准化模块，用于根据业务逻辑确定经验型人工决策模块的输入输出的特征张量，对特征张量进行标准化处理。

优选的，网络构建和模型训练模块，用于构建深度神经网络，深度神经网络模型采用FCN网络对输入和输出进行学习，经过数据建模，将数据映射到高维空间，利用上述的深度神经网络进行回归，即训练出相应的权重W和重要性参数V，将潜规则显性化，训练过程如下：

采用X＝(X₁,X₂,...,X_n)^T表示n个多源异构输入数据张量，Y＝(Y₁,Y₂,...,Y_n)^T表示m个多源异构输出数据张量，V＝(V₁,V₂,...,V_n)^T为对应重要性参数，刻画不同的逻辑；构建X到Y的映射，即：

其中“⊙”为Hadamard乘积运算，张量元素之间的逐点运算，ψ为R^n*k到R^m*k的操作，公式的第二行是Softmax操作，实现逻辑回归，也就是分类的功能，最后一个公式增加了V归一化需求；

通过深度神经网络对ψ进行建模，令

其中L为神经网络的层数，W为神经网络的权重，σ表示每一层的回归操作，b_i表示每层网络的偏置量。

第三方面，本发明又提供了一种存储介质，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于模块分解的智能响应方法。

第四方面，本发明还提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的基于模块分解的智能响应方法。

传统需要用户干预的决策往往受限制于决策人的经验而非开放式问题空间，而企业有大量的决策问题属于闭合空间，规则清晰，决策人无需显性输入以外的信息进行加工，也就是说在此基础上深度神经网络可以有效工作。与现有技术相比，本发明具有如下优点和有益效果：

1、本发明基于存量的决策行为数据，以深度神经网络对决策进行拟合，以拟合经验型人工决策的经验，从而对经验型人工决策问题提供辅助决策或直接决策的能力，可以达到无需人工干预的智能响应效果，大幅降低管理和决策成本。

2、本发明基于深度学习能实现自动的特征提取，挖掘复杂环境庞杂数据背后的潜在规则和逻辑，该响应机制不受人类情绪影响，决策稳定性高，使得执行人员有章可循，工作范围清晰。

3、本发明基于人工智能的响应机制可以7*24小时不间断运行，将大大提高决策效率，解除决策环节的效率瓶颈，把企业宝贵的时间留在业务执行层。

4、本发明使用神经网络代替人工决策实现企业信息系统智能化响应，使企业信息系统从辅助决策到自主智能决策的转变，“智商”从信息化提升到智能化阶段，实现企业智能化改造。

附图说明

图1是本实施例方法的原理示意图。

图2是本实施例方法中数据、操作之间的关系图。

图3是本实施例方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

实施例1

如图3所示，本实施例提供一种企业信息系统基于模块分解的智能响应方法，其目的是基于某企业的销售自动化信息系统，提取其订单审批模块的业务逻辑，通过深度神经网络学习的方式来学习历史的订单审批处理案例数据，以拟合不同专家的判定规则与经验，不断进行优化与改进，从而实现逐渐由机器来决定一个客户订单的处理方案。下面结合附图对各个步骤进行具体说明。

(1)基于部门视角的业务逻辑和决策逻辑，对信息系统的模块进行划分，确定经验型人工决策模块。

企业信息系统通常建立在属于企业管理机构的某些部门的需求上，是基于部门视角的业务逻辑，这种模式最终产生了一些问题，不同企业的管理机构是不同的，一些机构设置不合理，不科学，信息流不稳定、不清晰，将会产生不一致或冗余，进而使系统缺乏柔性。

本实施例指出了一种基于决策模块的系统划分模式，根据企业的业务逻辑和决策逻辑，整个企业系统划分成一系列的决策模块，它们在信息流中充当最小的决策单位。经验型人工决策模块划分应该遵循以下标准：

(1-1)正确映射企业真实的业务逻辑和决策逻辑。

(1-2)考虑决策可选择空间及时间响应的不同需求。

(1-3)决策模块间数据接口的最简化，且无缝连接。

(1-4)具有作为管控中心的决策者。

划分后的经验型人工决策模块是指依赖人工经验，人工使用鼠标、键盘、屏幕和触摸屏幕进行信息查看，但无需或只需少量外部隐含信息参与即可最终作出多分类选择的功能模块，一般这些模块由输入信息、决策行动和管理控制中心(人)三部分组成，是信息系统最小的决策单位。可以将一定的输入转化为相应的产出的运营实体，每个输入都关联到一个或者多个输出，且输入输出之间确实存在某种联系，但不必确定这种关系的显式表达式。

(2)从企业信息系统决策模块的数据中，提取订单处理模块的业务逻辑和数据特征；根据订单模块与系统其他各个模块的相互协作关系，确定订单处理模块的具体业务逻辑，即模块的入流数据和出流数据及其特征。

确定企业订单审批处理的输入输出，参见图2，如输入X＝(商品数量，订单金额，收货地点，库存情况，信用价值，拖欠货款，…)，输出Y＝(发货量，折扣程度，送达时间，…)。传统的订单审批流程管理者根据来自信息系统其他模块输入的信息，即X，利用自身的知识和经验进行决策判断，做出该客户订单的处理方案：是否给该客户发货？应发多少货？该客户享有的折扣是多少？需要什么时候送达等？即我们的输出Y。而对于智能决策，首先是根据订单的一般处理过程，对订单审批处理决策模块的输入和输出进行数据建模，构建起输入X到输出Y的映射，并以向量或张量的形式将其映射到高维空间。

(2-1)特征描述：采用one-hot或embeding编码将订单处理流程中的类别特征处理成数字形式，如信用价值可分为高中低三种类别，通过one-hot编码，特征可描述为：

(2-2)向量化：信息系统经验型人工决策模块的输入，往往为多个输入，并且输入有可能呈现雪花型或星型。订单处理模块中，输入X＝(商品数量，订单金额，收货地点，库存情况，信用价值，拖欠货款，…)，此情况下通过CCA/KCCA等方法对提取的特征数据进行分析，将多个输入展平为单个向量，达到单次输入的目的，再采用PCA等数据统计分析方法在每一组输入变量中，都选取可以表示90％以上的原有信息的综合指标，这些综合指标是由输入变量线性组合而成，进而形成模型的最终输入。

输入数据X＝{x₁,x₂,…,x_n}_p*n,n个p维的列向量。

(2-2-1)数据中心化：

(2-2-2)计算协方差矩阵(X为中心化后的数据)，∑为p×p维对称矩阵。

(2-2-3)对协方差矩阵∑进行特征值分解，得到特征值λ1≥λ2≥...≥λp选择前k个特征值所对应的特征向量，构成投影矩阵为A＝[a₁,a₂,…,a_k],a_i为p维列向量。

(2-2-4)将原样本投影到新的特征空间，得到新的降维样本，X′＝WX^T，X′为p×n维矩阵。

(2-3)标准化：根据业务逻辑确定经验型人工决策模块的输入输出的特征张量，特征张量的量纲和数值的量级会影响模型参数的收敛，所以需要对特征张量进行标准化处理。此处采用最大最小标准化对连续性特征变量进行标准化至(0，1)区间，以方便模型收敛。方法是：

设X＝(x₁,x₂,...,x_n)^T为特征张量的不同取值，则对取值序列做如下变换：

则转换后的序列消除了量纲的影响，其中max为样本数据的最大值，min为样本数据的最小值。

为了提高后续模型训练的准确度，在提取各模块的业务数据后，可先对这些数据进行数据清洗和探索，以确定所提取的业务数据是否适用于备选经验型人工决策模块建模，只有筛选合格的数据才用于后续的建模。

(3)网络构建以及模型训练

本实施例数据模型必须适合深度神经网络，以向量或张量的形式表达，建模使用IDEF0标准或信息系统建模常见方法。深度神经网络采用FCN网络对X和Y进行学习。

具体地，经过数据建模，将案例映射到高维空间，利用上述的深度神经网络进行回归，即训练出相应的权重W和重要性参数V，将企业潜规则显性化。深度神经网络如图1所示，为全连接深度网络，对用户和企业交互的各种行为数据进行深度信息挖据，提取抽象语义。最终实现不同业务逻辑下，数据在高维空间呈现不同的分布，达到潜在信息挖掘和逻辑提取的目的。

具体的，经过步骤(2)的数据建模之后，可用X＝(X₁,X₂,...,X_n)^T表示n个多源异构输入数据张量，Y＝(Y₁,Y₂,...,Y_n)^T表示m个多源异构输出数据张量，V＝(V₁,V₂,...,V_n)^T为对应重要性参数，刻画不同的逻辑。目的是构建X到Y的映射，如图1所示，即：

其中“⊙”为Hadamard乘积运算，张量元素之间的逐点运算，ψ为R^n*k到R^m*k的操作，公式的第二行是Softmax操作，实现逻辑回归，也就是分类的功能，最后一个公式增加了V归一化需求。

进一步通过深度神经网络对ψ进行建模，令

其中L为神经网络的层数，W为神经网络的权重。

经过深度神经网络的学习，以拟合不同主管的对于订单审批处理的决策逻辑及决策经验。不断进行优化与改进，直到收敛，得到训练好的深度神经网络。

(4)模型训练完成后进行截流并替换。

在深度神经网络训练收敛后，将训练完成的深度神经网络嵌入原信息系统的经验型人工决策模块中，得到智能决策模块。信息系统可以是任意平台和语言开发，在保证信息系统其他模块正常运转前提下，模块输入位置和输出位置进行截流并替换，即在原人工的订单处理模块上，将其输入与输出转接至经过深度神经网络训练拟合的自动响应模块，以实现信息系统的模块智能化响应。在有新的输入下，智能决策模块智能判别分类问题，并作出决策建议，按系统指定的方式返回到客户端。

另外，为了进一步提高智能决策模块的准确性，还可以在使用过程中根据其返回的决策建议，由人工判断是否达到决策标准，如果达到了就继续使用，如果没有达到，则返回模型训练步骤，重新进行训练。

实施例2

本发明实施例提供一种基于模块分解的智能响应装置，包括：

模块划分模块，用于根据企业的业务逻辑和决策逻辑，对信息系统进行模块分解，确定经验型人工决策模块；

数据转换模块，用于从历史数据中提取业务数据，根据所述业务数据对经验型人工决策模块的输入和输出数据进行建模，对所提取的业务数据进行数据转换，转换后的数据作为模型的训练集；

网络构建和模型训练模块，用于将输出作为多分类标签，通过深度神经网络学习的方式来学习训练集的案例数据，不断进行优化与改进，直到收敛；

应用模块，用于将训练完成的深度神经网络嵌入原信息系统的经验型人工决策模块中，在新的输入下，智能判别分类问题，并作出决策建议，按系统指定的方式返回到客户端。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

实施例3

本实施例提供了一种存储介质，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述实施例1所述的基于模块分解的智能响应方法。

实施例4

本实施例提供了一种计算机设备，其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述实施例1所述的基于模块分解的智能响应方法。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

以上所述，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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.基于模块分解的智能响应方法，其特征在于，包括步骤：

(1)根据企业的业务逻辑和决策逻辑，对信息系统进行模块分解，确定经验型人工决策模块；

(2)从历史数据中提取业务数据，根据所述业务数据对经验型人工决策模块的输入和输出数据进行建模，对所提取的业务数据进行数据转换，转换后的数据作为模型的训练集；

(3)将输出作为多分类标签，通过深度神经网络学习的方式来学习训练集的案例数据，不断进行优化与改进，直到收敛；

步骤(3)中，构建深度神经网络，深度神经网络模型采用FCN网络对输入和输出进行学习，经过数据建模，将数据映射到高维空间，利用上述的深度神经网络进行回归，即训练出相应的权重W和重要性参数V，将潜规则显性化，训练过程如下：

采用X＝(X₁,X₂,…,X_n)^T表示n个多源异构输入数据张量，Y＝(Y₁,Y₂,...,Y_n)^T表示m个多源异构输出数据张量，V＝(V₁,V₂,...,V_n)^T为对应重要性参数，刻画不同的逻辑；构建X到Y的映射，即：

其中“⊙”为Hadamard乘积运算，张量元素之间的逐点运算，ψ为R^n*k到R^m*k的操作，公式的第二行是Softmax操作，实现逻辑回归，也就是分类的功能，最后一个公式增加了V归一化需求；

通过深度神经网络对ψ进行建模，令

其中L为神经网络的层数，W为神经网络的权重，σ表示每一层的回归操作，b_i表示每层网络的偏置量；

(4)基于某企业的销售自动化信息系统，提取其订单审批模块的业务逻辑，通过深度神经网络学习的方式来学习历史的订单审批处理案例数据，将训练完成的深度神经网络嵌入原信息系统的经验型人工决策模块中，在新的输入下，智能判别分类问题，并作出决策建议。

2.根据权利要求1所述的基于模块分解的智能响应方法，其特征在于：

经验型人工决策模块是指依赖人工经验，人工使用鼠标、键盘、屏幕进行信息查看，但无需或只需少量外部隐含信息参与即可最终作出多分类选择的功能模块，模块由输入信息、决策行动和管理控制中心三部分组成，是信息系统最小的决策单位。

3.根据权利要求1所述的基于模块分解的智能响应方法，其特征在于，步骤(2)中，根据业务数据对经验型人工决策模块的输入和输出数据进行建模，包括步骤：

(2-1)特征描述：对提取的业务数据进行编码；

(2-2)向量化：通过CCA/KCCA方法对提取的特征数据进行分析，将多个输入展平为单个向量，达到单次输入的目的，再采用主成分分析方法在每一组输入变量中，都选取若干综合指标，这些综合指标是由输入变量线性组合而成，进而形成模型的最终输入；

(2-3)标准化：根据业务逻辑确定经验型人工决策模块的输入输出的特征张量，对特征张量进行标准化处理。

4.根据权利要求1所述的基于模块分解的智能响应方法，其特征在于，步骤(4)中，将训练完成的深度神经网络嵌入原信息系统的经验型人工决策模块中，得到智能决策模块，该智能决策模块只需要在原经验型人工决策模块输入位置和输出位置进行截流并替换；截流和替换是在原人工响应模块上，将其输入与输出转接至智能决策模块，以实现信息系统的模块智能化响应。

5.基于模块分解的智能响应装置，其特征在于，包括：

模块划分模块，用于根据企业的业务逻辑和决策逻辑，对信息系统进行模块分解，确定经验型人工决策模块；

数据转换模块，用于从历史数据中提取业务数据，根据所述业务数据对经验型人工决策模块的输入和输出数据进行建模，对所提取的业务数据进行数据转换，转换后的数据作为模型的训练集；

网络构建和模型训练模块，用于将输出作为多分类标签，通过深度神经网络学习的方式来学习训练集的案例数据，不断进行优化与改进，直到收敛；

构建深度神经网络，深度神经网络模型采用FCN网络对输入和输出进行学习，经过数据建模，将数据映射到高维空间，利用上述的深度神经网络进行回归，即训练出相应的权重W和重要性参数V，将潜规则显性化，训练过程如下：

采用X＝(X₁,X₂,...,X_n)^T表示n个多源异构输入数据张量，Y＝(Y₁,Y₂,...,Y_n)^T表示m个多源异构输出数据张量，V＝(V₁,V₂,...,V_n)^T为对应重要性参数，刻画不同的逻辑；构建X到Y的映射，即：

其中“⊙”为Hadamard乘积运算，张量元素之间的逐点运算，ψ为R^n*k到R^m*k的操作，公式的第二行是Softmax操作，实现逻辑回归，也就是分类的功能，最后一个公式增加了V归一化需求；

通过深度神经网络对ψ进行建模，令

其中L为神经网络的层数，W为神经网络的权重，σ表示每一层的回归操作，b_i表示每层网络的偏置量；

应用模块，用于基于某企业的销售自动化信息系统，提取其订单审批模块的业务逻辑，通过深度神经网络学习的方式来学习历史的订单审批处理案例数据，将训练完成的深度神经网络嵌入原信息系统的经验型人工决策模块中，在新的输入下，智能判别分类问题，并作出决策建议。

6.根据权利要求5所述的基于模块分解的智能响应装置，其特征在于：数据转换模块中包括：

特征描述模块，用于对提取的业务数据进行编码；

向量化模块，用于通过CCA/KCCA方法对提取的特征数据进行分析，将多个输入展平为单个向量，达到单次输入的目的，再采用主成分分析方法在每一组输入变量中，都选取若干综合指标，这些综合指标是由输入变量线性组合而成，进而形成模型的最终输入；

标准化模块，用于根据业务逻辑确定经验型人工决策模块的输入输出的特征张量，对特征张量进行标准化处理。

7.一种存储介质，其特征在于，其中所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行权利要求1-4任一项所述的基于模块分解的智能响应方法。

8.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-4任一项所述的基于模块分解的智能响应方法。