CN112001175A - 流程自动化方法、装置、电子设备及存储介质 - Google Patents

流程自动化方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112001175A
CN112001175A CN202010859301.5A CN202010859301A CN112001175A CN 112001175 A CN112001175 A CN 112001175A CN 202010859301 A CN202010859301 A CN 202010859301A CN 112001175 A CN112001175 A CN 112001175A
Authority
CN
China
Prior art keywords
sub
flow
initial
speech
word
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
Application number
CN202010859301.5A
Other languages
English (en)
Other versions
CN112001175B (zh
Inventor
叶洋甫
杨开济
魏韬
郝正鸿
石佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202010859301.5A priority Critical patent/CN112001175B/zh
Publication of CN112001175A publication Critical patent/CN112001175A/zh
Application granted granted Critical
Publication of CN112001175B publication Critical patent/CN112001175B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/18—Speech classification or search using natural language modelling
    • G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/26—Speech to text systems
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及数据处理领域，提供一种流程自动化方法、装置、电子设备及存储介质，能够捕获并解析指定页面的操作，得到初始流程及编号，基于语音识别引擎将用户录入的语音转化为文本，同时融合了声学模型和语言模型的特点，基于自然语言处理技术对文本进行拆分，得到多个子流程，利用序列标注模型识别每个子流程的类别并抽取每个子流程的要素，以利用RPA将子流程转化为代码，以便根据用户操作及用户语音自动生成代码，提升了编程效率，并将每个子流程的编号与每个初始子流程的编号进行匹配，以更新初始流程，自动执行更新后的流程的代码，基于数据处理实现对流程的自动化更新及执行，同时提高了流程的生成及处理效率，实现流程自动化。

Description

流程自动化方法、装置、电子设备及存储介质
技术领域
本发明涉及数据处理技术领域，尤其涉及一种流程自动化方法、装置、电子设备及存储介质。
背景技术
随着企业信息化建设日益完善，催生大量的RPA(Robotic Process Automation，机器人流程自动化)产品涌入市场，RPA产品通过模拟人类在电子系统间的操作，不仅可以高效的完成大量重复性的工作，还可以高效高质的实现大量的数据整合、迁移和处理，极大的提高了办公效率，但对于用户来说，RPA机器人的设计、开发依然存在较高的技术门槛。
目前，还未实现对流程的自动化生成及执行，通常需要由专业的技术人员根据具体需求进行编程，各个子流程之间的衔接也需要由用户手动配置，每个参数的确定也需要有用户参与，对用户的专业程度要求较高。
发明内容
鉴于以上内容，有必要提供一种流程自动化方法、装置、电子设备及存储介质，能够实现对流程的自动化更新及执行，同时提高了流程的生成及处理效率，实现流程自动化。
一种流程自动化方法，所述方法包括：
当接收到流程生成指令时，捕获用户在指定页面的操作；
解析所述操作，得到初始流程以及所述初始流程中每个初始子流程的编号；
获取所述用户录入的语音；
基于语音识别引擎将所述语音转化为文本；
基于自然语言处理技术对所述文本进行拆分，得到多个子流程；
利用序列标注模型识别每个子流程的类别，并抽取每个子流程的要素；
根据每个子流程的类别及每个子流程的要素，利用RPA将子流程转化为代码；
从每个子流程的要素中获取每个子流程的编号；
将每个子流程的编号与每个初始子流程的编号进行匹配以更新所述初始流程，并执行更新后的流程的代码。
根据本发明优选实施例，所述捕获用户在指定页面的操作包括：
基于HOOK底层windows消息记录用户在所述指定页面的操作。
根据本发明优选实施例，所述解析所述操作，得到初始流程以及所述初始流程中每个初始子流程的编号包括：
将所述操作指令保存为C#对象；
确定所述C#对象的操作类型及操作对象；
以所述操作类型及所述操作对象进行关联，得到关联的控件；
检测所述操作的顺序；
根据所述操作的顺序连接所述控件，得到所述初始流程，并为所述初始流程中的每个初始子流程生成编号。
根据本发明优选实施例，所述基于语音识别引擎将所述语音转化为文本包括：
对所述语音进行预处理，得到语音特征；
利用任意声学模型将所述语音特征转化为机器语言；
利用任意语言模型处理所述机器语言，输出概率最大的词序列；
利用HCLG模型对所述词序列进行解码，得到所述文本。
根据本发明优选实施例，所述基于自然语言处理技术对所述文本进行拆分，得到多个子流程包括：
获取预先配置的话术模板；
采用自然语言处理技术识别所述文本中的拓展话术及标准话术；
将所述拓展话术与所述话术模板中的话术进行匹配，得到目标话术；
合并所述标准话术与所述目标话术，得到合成话术；
获取所述话术模板中各个子话术对应的流程；
将所述合成话术与各个子话术进行匹配，并将匹配的子话术对应的流程确定为所述多个子流程。
根据本发明优选实施例，所述利用序列标注模型识别每个子流程的类别包括：
利用Bi-LSTM+CRF模型对每个子流程进行分词处理，并确定每个子流程中各个分词的词性；
根据每个子流程中各个分词的词性确定每个子流程的逻辑；
根据每个子流程的逻辑确定每个子流程的类别。
根据本发明优选实施例，利用序列标注模型抽取每个子流程的要素包括：
获取所述序列标注模型中的多个流程要素抽取模型，所述多个流程要素抽取模型按照预先配置的多种流程类别分别训练而得到；
将每个子流程输入到与每个子流程的类别对应的流程要素抽取模型中，输出每个子流程的要素。
一种流程自动化装置，所述装置包括：
捕获单元，用于当接收到流程生成指令时，捕获用户在指定页面的操作；
解析单元，用于解析所述操作，得到初始流程以及所述初始流程中每个初始子流程的编号；
获取单元，用于获取所述用户录入的语音；
转化单元，用于基于语音识别引擎将所述语音转化为文本；
拆分单元，用于基于自然语言处理技术对所述文本进行拆分，得到多个子流程；
识别单元，用于利用序列标注模型识别每个子流程的类别，并抽取每个子流程的要素；
所述转化单元，还用于根据每个子流程的类别及每个子流程的要素，利用RPA将子流程转化为代码；
所述获取单元，还用于从每个子流程的要素中获取每个子流程的编号；
执行单元，用于将每个子流程的编号与每个初始子流程的编号进行匹配以更新所述初始流程，并执行更新后的流程的代码。
根据本发明优选实施例，所述捕获单元具体用于：
基于HOOK底层windows消息记录用户在所述指定页面的操作。
根据本发明优选实施例，所述解析单元具体用于：
将所述操作指令保存为C#对象；
确定所述C#对象的操作类型及操作对象；
以所述操作类型及所述操作对象进行关联，得到关联的控件；
检测所述操作的顺序；
根据所述操作的顺序连接所述控件，得到所述初始流程，并为所述初始流程中的每个初始子流程生成编号。
根据本发明优选实施例，所述转化单元基于语音识别引擎将所述语音转化为文本包括：
对所述语音进行预处理，得到语音特征；
利用任意声学模型将所述语音特征转化为机器语言；
利用任意语言模型处理所述机器语言，输出概率最大的词序列；
利用HCLG模型对所述词序列进行解码，得到所述文本。
根据本发明优选实施例，所述拆分单元具体用于：
获取预先配置的话术模板；
采用自然语言处理技术识别所述文本中的拓展话术及标准话术；
将所述拓展话术与所述话术模板中的话术进行匹配，得到目标话术；
合并所述标准话术与所述目标话术，得到合成话术；
获取所述话术模板中各个子话术对应的流程；
将所述合成话术与各个子话术进行匹配，并将匹配的子话术对应的流程确定为所述多个子流程。
根据本发明优选实施例，所述识别单元利用序列标注模型识别每个子流程的类别包括：
利用Bi-LSTM+CRF模型对每个子流程进行分词处理，并确定每个子流程中各个分词的词性；
根据每个子流程中各个分词的词性确定每个子流程的逻辑；
根据每个子流程的逻辑确定每个子流程的类别。
根据本发明优选实施例，所述识别单元利用序列标注模型抽取每个子流程的要素包括：
获取所述序列标注模型中的多个流程要素抽取模型，所述多个流程要素抽取模型按照预先配置的多种流程类别分别训练而得到；
将每个子流程输入到与每个子流程的类别对应的流程要素抽取模型中，输出每个子流程的要素。
一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述流程自动化方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述流程自动化方法。
由以上技术方案可以看出，本发明能够当接收到流程生成指令时，捕获用户在指定页面的操作，并解析所述操作，得到初始流程以及所述初始流程中每个初始子流程的编号，进一步获取所述用户录入的语音，并基于语音识别引擎将所述语音转化为文本，同时融合了声学模型和语言模型的特点，得到一个对应输入声学特征的一段概率最大的文字作为所述文本，进一步基于自然语言处理技术对所述文本进行拆分，得到多个子流程，利用序列标注模型识别每个子流程的类别，并抽取每个子流程的要素，根据每个子流程的类别及每个子流程的要素，利用RPA将子流程转化为代码，进而根据用户操作及用户语音自动生成代码，提升了编程效率，并从每个子流程的要素中获取每个子流程的编号，将每个子流程的编号与每个初始子流程的编号进行匹配，以更新所述初始流程，并自动执行更新后的流程的代码，以实现对流程的自动化更新以及执行，同时提高了流程的生成效率及处理效率，实现了流程的自动化。
附图说明
图1是本发明流程自动化方法的较佳实施例的流程图。
图2是本发明流程自动化装置的较佳实施例的功能模块图。
图3是本发明实现流程自动化方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
如图1所示，是本发明流程自动化方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述流程自动化方法应用于一个或者多个电子设备中，所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital SignalProcessor，DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，当接收到流程生成指令时，捕获用户在指定页面的操作。
在本发明的至少一个实施例中，所述流程生成指令可以由相关工作人员触发，例如：开发人员等。
所述用户可以是指执行流程的人员，所述用户熟知针对流程的各个操作环节，并能够进行准确的操作。
进一步地，所述电子设备捕获用户在指定页面的操作包括：
所述电子设备基于HOOK底层windows消息记录用户在所述指定页面的操作。
其中，所述指定页面是指与流程对应的操作界面，所述用户在所述指定界面上进行操作，以执行对应的流程。
所述操作可以包括，但不限于以下一种或者多种的组合：
鼠标的点击操作、输入文本的操作等。
通过捕获所述用户在指定页面的操作，能够记录流程的整个操作过程及执行顺序，以便后续根据捕获的操作生成流程。
需要说明的是，在上述捕获的过程中，可以根据所述用户的实际情况随时停止或者开启录制。
S11，解析所述操作，得到初始流程以及所述初始流程中每个初始子流程的编号。
在本发明的至少一个实施例中，所述初始流程是根据所述操作初步得到的流程，所述初始流程可以根据需求进行更改。
进一步地，所述初始流程可以包括多个初始子流程。
在本发明的至少一个实施例中，所述电子设备解析所述操作，得到初始流程以及所述初始流程中每个初始子流程的编号包括：
所述电子设备将所述操作指令保存为C#对象，并确定所述C#对象的操作类型及操作对象，所述电子设备以所述操作类型及所述操作对象进行关联，得到关联的控件，并检测所述操作的顺序，进一步地，所述电子设备根据所述操作的顺序连接所述控件，得到所述初始流程，并为所述初始流程中的每个初始子流程生成编号。
其中，所述操作类型包括，但不限于：点击类型、输入文字类型等。
相应地，所述操作对象包括，但不限于：按钮、文本框等。
在本实施例中，基于RPA(Robotic Process Automation，机器人流程自动化)技术解析用户的操作行为，实现流程的自动生成。所述操作类型及所述操作对象可以直接关联至相应的控件，并依据操作的顺序生成所述初始流程及所述初始流程中的每个初始子流程生成编号，避免由用户手动生成流程造成错误。
S12，获取所述用户录入的语音。
在本发明的至少一个实施例中，所述电子设备可以提示所述用户根据新的需求录入所述语音，或者根据流程间新的逻辑关系录入所述语音，以便于后续根据所述语音对所述初始流程进行更新。
S13，基于语音识别引擎将所述语音转化为文本。
在本发明的至少一个实施例中，所述电子设备基于语音识别引擎将所述语音转化为文本包括：
所述电子设备对所述语音进行预处理，得到语音特征，并利用任意声学模型将所述语音特征转化为机器语言，所述电子设备利用任意语言模型处理所述机器语言，输出概率最大的词序列，进一步利用HCLG模型对所述词序列进行解码，得到所述文本。
具体地，所述电子设备对所述语音进行预处理，得到语音特征包括：
所述电子设备对所述语音进行滤波降噪，并对滤波降噪后的语音进行预加重处理，以对所述语音的高频分量进行补偿，进一步地，所述电子设备对预加重处理后的语音进行端点检测，以过滤掉非语音部分，并对执行端点检测后的语音进行加窗分帧，进一步地，所述电子设备对分帧后的语音进行特征提取，得到所述语音特征。
通过对所述语音进行预处理，能够过滤掉噪声(如非语音特征)，进而提取到清晰的语音特征。
进一步地，所述声学模型可以是任意的，只要能够将所述语音特征转化为机器语言，本发明不限制。
所述声学模型通过计算每一个音素状态可能产生的概率，能够识别到概率最大的音素，并通过解码将识别到的音素进一步转化为机器语言。
同样地，所述语言模型也可以是任意的，只要能够利用所述机器语言得到所述词序列，本发明不限制。
所述语言模型通过计算每个词序列的概率，并比较每个词序列的概率，进一步获取概率最大的词序列。
在本实施例中，若给定若干个词，通过所述语言模型还可以预测下一个最可能出现的词语，具体包括：
(1)所述电子设备计算每个词出现的次数/频率。
(2)根据每个词出现的次数/频率计算某个词在其前面n个词出现的条件下出现的条件概率，公式如下：
Figure BDA0002647477980000101
其中，wi表示第i个词，C(w1,..,wn)表示w1,...,wn词组出现的次数/频率。
通过预测每个词后面最有可能出现的下一个词，进一步准确预测出概率最大的词序列。
在本实施例中，所述HCLG模型利用WFST(Weighted Finite-State Transducers，加权有限状态转换器)进行解码，将HCLG模型中四个不同层次的模型复合在一起构成一个大型的解码网络。
其中，G表示WFST；H表示HMM，H的输出符号代表上下文的相关音素，输入符号是包含概率分布函数id和其他信息的状态转移id型；C代表语境相关性，C的输出是音素，输入符号代表上下文的相关音素；L表示发音词典。
通过HCLG模型进行解码，我们可以融合声学模型和语言模型的特点，得到一个对应输入声学特征的一段概率最大的文字作为所述文本。
S14，基于自然语言处理技术对所述文本进行拆分，得到多个子流程。
在本发明的至少一个实施例中，所述电子设备基于自然语言处理技术对所述文本进行拆分，得到多个子流程包括：
所述电子设备获取预先配置的话术模板，并采用自然语言处理技术识别所述文本中的拓展话术及标准话术，所述电子设备将所述拓展话术与所述话术模板中的话术进行匹配，得到目标话术，进一步合并所述标准话术与所述目标话术，得到合成话术，所述电子设备获取所述话术模板中各个子话术对应的流程，并将所述合成话术与各个子话术进行匹配，并将匹配的子话术对应的流程确定为所述多个子流程。
其中，所述话术模板可以根据历史模板进行配置，以达到最大可能的覆盖所有模板的目的。
在本实施例中，所述标准话术是指与所述话术模板中的话术一致的话术，所述拓展话术是指与所述话术模板中的对应话术意思相同但表达不同的话术。例如：
话术1：增加流程开关，假如a>b,则执行步骤1,否则执行步骤2。
话术2：增加流程开关，如a>b,是则执行步骤1,否则执行步骤2。
在上述例子中，所述话术1与所述话术2的表达方式不同，但是所述话术1与所述话术2的意思是相同的，此时，如果将所述话术1添加到所述话术模板，则所述话术2可以作为所述话术1的拓展话术。
通过上述对拓展话术的识别，能够更加全面的识别用户的语音，进一步提高了识别的准确性。
需要说明的是，所述话术模板可以进行不断更新，以满足最新需求。
S15，利用序列标注模型识别每个子流程的类别，并抽取每个子流程的要素。
在本发明的至少一个实施例中，所述电子设备利用序列标注模型识别每个子流程的类别包括：
所述电子设备利用Bi-LSTM+CRF模型对每个子流程进行分词处理，并确定每个子流程中各个分词的词性，根据每个子流程中各个分词的词性确定每个子流程的逻辑，并根据每个子流程的逻辑确定每个子流程的类别。
例如：观察序列：增加开关，假如a大于b，是则执行步骤一，否则执行步骤二，然后增加遍历循环，请依次执行所有列表。
标识序列：B-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，E-IFELSE，O,O,O,B-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,E-FOREACH。
其中，“增加开关，假如a大于b，是则执行步骤一，否则执行步骤二”对应于IF-ELSE类别，“增加遍历循环，请依次执行所有列表”则对应于foreach类别。
通过上述实施方式，首先确定每个子流程的类别，以便后续根据每个子流程的类别由针对性地抽取要素。
具体地，所述电子设备利用序列标注模型抽取每个子流程的要素包括：
所述电子设备获取所述序列标注模型中的多个流程要素抽取模型，所述多个流程要素抽取模型按照预先配置的多种流程类别分别训练而得到，进一步地，所述电子设备将每个子流程输入到与每个子流程的类别对应的流程要素抽取模型中，输出每个子流程的要素。
具体地，每种流程类别需要抽取的要素不一样，IF-ELSE类别需要抽取的字段为condition、thendo、elsedo，而foreach类别需要抽取的为循环遍历的内容。
例如：观察序列：增加开关，假如a大于b，是则执行步骤一，否则执行步骤二。
标识序列：O,O,O,O,O,O,O,B-CONDITION,I-CONDITION,I-CONDITION,E-CONDITION,O,O,O,O,O,B-THENDO,I-THENDO,E-THENDO,O,O,O,O,O,B-ELSEDO,I-EL SEDO,E-ELSEDO。
在上述例子中，抽取到的要素分别为“a大于b”、“步骤一”、“步骤二”。
进一步距离说明，对于“增加遍历循环，请依次执行所有列表”，则抽取到的要素为“所有列表”。
S16，根据每个子流程的类别及每个子流程的要素，利用RPA(Robotic ProcessAutomation，机器人流程自动化)将所有子流程转化为代码。
例如：对于流程“增加开关，假如a大于b，是则执行步骤一，否则执行步骤二”，转化后得到的代码为：{'if_else':{'condition':'a>b,','then_do':['1'],'else_do':['2']},'type':[1]}}。
具体转化方式本发明不限制。
S17，从每个子流程的要素中获取每个子流程的编号。
具体地，每个子流程的要素中包括每个子流程的编号，所述电子设备直接从每个子流程的要素中获取即可。
S18，将每个子流程的编号与每个初始子流程的编号进行匹配以更新所述初始流程，并执行更新后的流程的代码。
通过上述实施方式，能够根据用户的需求对流程进行实时更新，实现了对流程的快速实时更新。
进一步地，在更新所述初始流程后，所述电子设备即可自动执行更新后的流程，以实现对流程的自动化更新以及执行，同时提高了流程的生成效率及处理效率。
通过上述实施方式，基于所述节点存储的信息进行流程自动化，可以在将所述目标实体链接到所述知识图谱的节点上后，获取所链接的节点的隐含信息，还可以根据各个节点间的路径进行关系和事件信息的抽取。
由以上技术方案可以看出，本发明能够当接收到流程生成指令时，捕获用户在指定页面的操作，并解析所述操作，得到初始流程以及所述初始流程中每个初始子流程的编号，进一步获取所述用户录入的语音，并基于语音识别引擎将所述语音转化为文本，同时融合了声学模型和语言模型的特点，得到一个对应输入声学特征的一段概率最大的文字作为所述文本，进一步基于自然语言处理技术对所述文本进行拆分，得到多个子流程，利用序列标注模型识别每个子流程的类别，并抽取每个子流程的要素，根据每个子流程的类别及每个子流程的要素，利用RPA将子流程转化为代码，进而根据用户操作及用户语音自动生成代码，提升了编程效率，并从每个子流程的要素中获取每个子流程的编号，将每个子流程的编号与每个初始子流程的编号进行匹配，以更新所述初始流程，并自动执行更新后的流程的代码，以实现对流程的自动化更新以及执行，同时提高了流程的生成效率及处理效率，实现了流程的自动化。
如图2所示，是本发明流程自动化装置的较佳实施例的功能模块图。所述流程自动化装置11包括捕获单元110、解析单元111、获取单元112、转化单元113、拆分单元114、识别单元115、执行单元116。本发明所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
当接收到流程生成指令时，捕获单元110捕获用户在指定页面的操作。
在本发明的至少一个实施例中，所述流程生成指令可以由相关工作人员触发，例如：开发人员等。
所述用户可以是指执行流程的人员，所述用户熟知针对流程的各个操作环节，并能够进行准确的操作。
进一步地，所述捕获单元110捕获用户在指定页面的操作包括：
所述捕获单元110基于HOOK底层windows消息记录用户在所述指定页面的操作。
其中，所述指定页面是指与流程对应的操作界面，所述用户在所述指定界面上进行操作，以执行对应的流程。
所述操作可以包括，但不限于以下一种或者多种的组合：
鼠标的点击操作、输入文本的操作等。
通过捕获所述用户在指定页面的操作，能够记录流程的整个操作过程及执行顺序，以便后续根据捕获的操作生成流程。
需要说明的是，在上述捕获的过程中，可以根据所述用户的实际情况随时停止或者开启录制。
解析单元111解析所述操作，得到初始流程以及所述初始流程中每个初始子流程的编号。
在本发明的至少一个实施例中，所述初始流程是根据所述操作初步得到的流程，所述初始流程可以根据需求进行更改。
进一步地，所述初始流程可以包括多个初始子流程。
在本发明的至少一个实施例中，所述解析单元111解析所述操作，得到初始流程以及所述初始流程中每个初始子流程的编号包括：
所述解析单元111将所述操作指令保存为C#对象，并确定所述C#对象的操作类型及操作对象，所述解析单元111以所述操作类型及所述操作对象进行关联，得到关联的控件，并检测所述操作的顺序，进一步地，所述解析单元111根据所述操作的顺序连接所述控件，得到所述初始流程，并为所述初始流程中的每个初始子流程生成编号。
其中，所述操作类型包括，但不限于：点击类型、输入文字类型等。
相应地，所述操作对象包括，但不限于：按钮、文本框等。
在本实施例中，基于RPA(Robotic Process Automation，机器人流程自动化)技术解析用户的操作行为，实现流程的自动生成。所述操作类型及所述操作对象可以直接关联至相应的控件，并依据操作的顺序生成所述初始流程及所述初始流程中的每个初始子流程生成编号，避免由用户手动生成流程造成错误。
获取单元112获取所述用户录入的语音。
在本发明的至少一个实施例中，所述获取单元112可以提示所述用户根据新的需求录入所述语音，或者根据流程间新的逻辑关系录入所述语音，以便于后续根据所述语音对所述初始流程进行更新。
转化单元113基于语音识别引擎将所述语音转化为文本。
在本发明的至少一个实施例中，所述转化单元113基于语音识别引擎将所述语音转化为文本包括：
所述转化单元113对所述语音进行预处理，得到语音特征，并利用任意声学模型将所述语音特征转化为机器语言，所述转化单元113利用任意语言模型处理所述机器语言，输出概率最大的词序列，进一步利用HCLG模型对所述词序列进行解码，得到所述文本。
具体地，所述转化单元113对所述语音进行预处理，得到语音特征包括：
所述转化单元113对所述语音进行滤波降噪，并对滤波降噪后的语音进行预加重处理，以对所述语音的高频分量进行补偿，进一步地，所述转化单元113对预加重处理后的语音进行端点检测，以过滤掉非语音部分，并对执行端点检测后的语音进行加窗分帧，进一步地，所述转化单元113对分帧后的语音进行特征提取，得到所述语音特征。
通过对所述语音进行预处理，能够过滤掉噪声(如非语音特征)，进而提取到清晰的语音特征。
进一步地，所述声学模型可以是任意的，只要能够将所述语音特征转化为机器语言，本发明不限制。
所述声学模型通过计算每一个音素状态可能产生的概率，能够识别到概率最大的音素，并通过解码将识别到的音素进一步转化为机器语言。
同样地，所述语言模型也可以是任意的，只要能够利用所述机器语言得到所述词序列，本发明不限制。
所述语言模型通过计算每个词序列的概率，并比较每个词序列的概率，进一步获取概率最大的词序列。
在本实施例中，若给定若干个词，通过所述语言模型还可以预测下一个最可能出现的词语，具体包括：
(1)计算每个词出现的次数/频率。
(2)根据每个词出现的次数/频率计算某个词在其前面n个词出现的条件下出现的条件概率，公式如下：
Figure BDA0002647477980000171
其中，wi表示第i个词，C(w1,..,wn)表示w1,...,wn词组出现的次数/频率。
通过预测每个词后面最有可能出现的下一个词，进一步准确预测出概率最大的词序列。
在本实施例中，所述HCLG模型利用WFST(Weighted Finite-State Transducers，加权有限状态转换器)进行解码，将HCLG模型中四个不同层次的模型复合在一起构成一个大型的解码网络。
其中，G表示WFST；H表示HMM，H的输出符号代表上下文的相关音素，输入符号是包含概率分布函数id和其他信息的状态转移id型；C代表语境相关性，C的输出是音素，输入符号代表上下文的相关音素；L表示发音词典。
通过HCLG模型进行解码，我们可以融合声学模型和语言模型的特点，得到一个对应输入声学特征的一段概率最大的文字作为所述文本。
拆分单元114基于自然语言处理技术对所述文本进行拆分，得到多个子流程。
在本发明的至少一个实施例中，所述拆分单元114基于自然语言处理技术对所述文本进行拆分，得到多个子流程包括：
所述拆分单元114获取预先配置的话术模板，并采用自然语言处理技术识别所述文本中的拓展话术及标准话术，所述拆分单元114将所述拓展话术与所述话术模板中的话术进行匹配，得到目标话术，进一步合并所述标准话术与所述目标话术，得到合成话术，所述拆分单元114获取所述话术模板中各个子话术对应的流程，并将所述合成话术与各个子话术进行匹配，并将匹配的子话术对应的流程确定为所述多个子流程。
其中，所述话术模板可以根据历史模板进行配置，以达到最大可能的覆盖所有模板的目的。
在本实施例中，所述标准话术是指与所述话术模板中的话术一致的话术，所述拓展话术是指与所述话术模板中的对应话术意思相同但表达不同的话术。例如：
话术1：增加流程开关，假如a>b,则执行步骤1,否则执行步骤2。
话术2：增加流程开关，如a>b,是则执行步骤1,否则执行步骤2。
在上述例子中，所述话术1与所述话术2的表达方式不同，但是所述话术1与所述话术2的意思是相同的，此时，如果将所述话术1添加到所述话术模板，则所述话术2可以作为所述话术1的拓展话术。
通过上述对拓展话术的识别，能够更加全面的识别用户的语音，进一步提高了识别的准确性。
需要说明的是，所述话术模板可以进行不断更新，以满足最新需求。
识别单元115利用序列标注模型识别每个子流程的类别，并抽取每个子流程的要素。
在本发明的至少一个实施例中，所述识别单元115利用序列标注模型识别每个子流程的类别包括：
所述识别单元115利用Bi-LSTM+CRF模型对每个子流程进行分词处理，并确定每个子流程中各个分词的词性，根据每个子流程中各个分词的词性确定每个子流程的逻辑，并根据每个子流程的逻辑确定每个子流程的类别。
例如：观察序列：增加开关，假如a大于b，是则执行步骤一，否则执行步骤二，然后增加遍历循环，请依次执行所有列表。
标识序列：B-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，I-IFELSE，E-IFELSE，O,O,O,B-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,I-FOREACH,E-FOREACH。
其中，“增加开关，假如a大于b，是则执行步骤一，否则执行步骤二”对应于IF-ELSE类别，“增加遍历循环，请依次执行所有列表”则对应于foreach类别。
通过上述实施方式，首先确定每个子流程的类别，以便后续根据每个子流程的类别由针对性地抽取要素。
具体地，所述识别单元115利用序列标注模型抽取每个子流程的要素包括：
所述识别单元115获取所述序列标注模型中的多个流程要素抽取模型，所述多个流程要素抽取模型按照预先配置的多种流程类别分别训练而得到，进一步地，所述识别单元115将每个子流程输入到与每个子流程的类别对应的流程要素抽取模型中，输出每个子流程的要素。
具体地，每种流程类别需要抽取的要素不一样，IF-ELSE类别需要抽取的字段为condition、thendo、elsedo，而foreach类别需要抽取的为循环遍历的内容。
例如：观察序列：增加开关，假如a大于b，是则执行步骤一，否则执行步骤二。
标识序列：O,O,O,O,O,O,O,B-CONDITION,I-CONDITION,I-CONDITION,E-CONDITION,O,O,O,O,O,B-THENDO,I-THENDO,E-THENDO,O,O,O,O,O,B-ELSEDO,I-ELSEDO,E-ELSEDO。
在上述例子中，抽取到的要素分别为“a大于b”、“步骤一”、“步骤二”。
进一步距离说明，对于“增加遍历循环，请依次执行所有列表”，则抽取到的要素为“所有列表”。
所述转化单元113根据每个子流程的类别及每个子流程的要素，利用RPA(RoboticProcess Automation，机器人流程自动化)将所有子流程转化为代码。
例如：对于流程“增加开关，假如a大于b，是则执行步骤一，否则执行步骤二”，转化后得到的代码为：{'if_else':{'condition':'a>b,','then_do':['1'],'else_do':['2']},'type':[1]}}。
具体转化方式本发明不限制。
所述获取单元112从每个子流程的要素中获取每个子流程的编号。
具体地，每个子流程的要素中包括每个子流程的编号，所述获取单元112直接从每个子流程的要素中获取即可。
执行单元116将每个子流程的编号与每个初始子流程的编号进行匹配以更新所述初始流程，并执行更新后的流程的代码。
通过上述实施方式，能够根据用户的需求对流程进行实时更新，实现了对流程的快速实时更新。
进一步地，在更新所述初始流程后，所述执行单元116即可自动执行更新后的流程，以实现对流程的自动化更新以及执行，同时提高了流程的生成效率及处理效率。
通过上述实施方式，基于所述节点存储的信息进行流程自动化，可以在将所述目标实体链接到所述知识图谱的节点上后，获取所链接的节点的隐含信息，还可以根据各个节点间的路径进行关系和事件信息的抽取。
由以上技术方案可以看出，本发明能够当接收到流程生成指令时，捕获用户在指定页面的操作，并解析所述操作，得到初始流程以及所述初始流程中每个初始子流程的编号，进一步获取所述用户录入的语音，并基于语音识别引擎将所述语音转化为文本，同时融合了声学模型和语言模型的特点，得到一个对应输入声学特征的一段概率最大的文字作为所述文本，进一步基于自然语言处理技术对所述文本进行拆分，得到多个子流程，利用序列标注模型识别每个子流程的类别，并抽取每个子流程的要素，根据每个子流程的类别及每个子流程的要素，利用RPA将子流程转化为代码，进而根据用户操作及用户语音自动生成代码，提升了编程效率，并从每个子流程的要素中获取每个子流程的编号，将每个子流程的编号与每个初始子流程的编号进行匹配，以更新所述初始流程，并自动执行更新后的流程的代码，以实现对流程的自动化更新以及执行，同时提高了流程的生成效率及处理效率，实现了流程的自动化。
如图3所示，是本发明实现流程自动化方法的较佳实施例的电子设备的结构示意图。
所述电子设备1可以包括存储器12、处理器13和总线，还可以包括存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如流程自动化程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1的限定，所述电子设备1既可以是总线型结构，也可以是星形结构，所述电子设备1还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置，例如所述电子设备1还可以包括输入输出设备、网络接入设备等。
需要说明的是，所述电子设备1仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
其中，存储器12至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器12在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。存储器12在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、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，存储器12还可以既包括电子设备1的内部存储单元也包括外部存储设备。存储器12不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如流程自动化程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器13在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。处理器13是所述电子设备1的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备1的各个部件，通过运行或执行存储在所述存储器12内的程序或者模块(例如执行流程自动化程序等)，以及调用存储在所述存储器12内的数据，以执行电子设备1的各种功能和处理数据。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个流程自动化方法实施例中的步骤，例如图1所示的步骤S10、S11、S12、S13、S14、S15、S16、S17、S18。
或者，所述处理器13执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如：
当接收到流程生成指令时，捕获用户在指定页面的操作；
解析所述操作，得到初始流程以及所述初始流程中每个初始子流程的编号；
获取所述用户录入的语音；
基于语音识别引擎将所述语音转化为文本；
基于自然语言处理技术对所述文本进行拆分，得到多个子流程；
利用序列标注模型识别每个子流程的类别，并抽取每个子流程的要素；
根据每个子流程的类别及每个子流程的要素，利用RPA将子流程转化为代码；
从每个子流程的要素中获取每个子流程的编号；
将每个子流程的编号与每个初始子流程的编号进行匹配以更新所述初始流程，并执行更新后的流程的代码。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成捕获单元110、解析单元111、获取单元112、转化单元113、拆分单元114、识别单元115、执行单元116。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、计算机设备，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指示相关的硬件设备来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。
其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，在图3中仅用一根箭头表示，但并不表示仅有一根总线或一种类型的总线。所述总线被设置为实现所述存储器12以及至少一个处理器13等之间的连接通信。
尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器13逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
图3仅示出了具有组件12-13的电子设备1，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
结合图1，所述电子设备1中的所述存储器12存储多个指令以实现一种流程自动化方法，所述处理器13可执行所述多个指令从而实现：
当接收到流程生成指令时，捕获用户在指定页面的操作；
解析所述操作，得到初始流程以及所述初始流程中每个初始子流程的编号；
获取所述用户录入的语音；
基于语音识别引擎将所述语音转化为文本；
基于自然语言处理技术对所述文本进行拆分，得到多个子流程；
利用序列标注模型识别每个子流程的类别，并抽取每个子流程的要素；
根据每个子流程的类别及每个子流程的要素，利用RPA将子流程转化为代码；
从每个子流程的要素中获取每个子流程的编号；
将每个子流程的编号与每个初始子流程的编号进行匹配以更新所述初始流程，并执行更新后的流程的代码。
具体地，所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，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，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种流程自动化方法，其特征在于，所述方法包括：
当接收到流程生成指令时，捕获用户在指定页面的操作；
解析所述操作，得到初始流程以及所述初始流程中每个初始子流程的编号；
获取所述用户录入的语音；
基于语音识别引擎将所述语音转化为文本；
基于自然语言处理技术对所述文本进行拆分，得到多个子流程；
利用序列标注模型识别每个子流程的类别，并抽取每个子流程的要素；
根据每个子流程的类别及每个子流程的要素，利用RPA将子流程转化为代码；
从每个子流程的要素中获取每个子流程的编号；
将每个子流程的编号与每个初始子流程的编号进行匹配以更新所述初始流程，并执行更新后的流程的代码。
2.如权利要求1所述的流程自动化方法，其特征在于，所述捕获用户在指定页面的操作包括：
基于HOOK底层windows消息记录用户在所述指定页面的操作。
3.如权利要求1所述的流程自动化方法，其特征在于，所述解析所述操作，得到初始流程以及所述初始流程中每个初始子流程的编号包括：
将所述操作指令保存为C#对象；
确定所述C#对象的操作类型及操作对象；
以所述操作类型及所述操作对象进行关联，得到关联的控件；
检测所述操作的顺序；
根据所述操作的顺序连接所述控件，得到所述初始流程，并为所述初始流程中的每个初始子流程生成编号。
4.如权利要求1所述的流程自动化方法，其特征在于，所述基于语音识别引擎将所述语音转化为文本包括：
对所述语音进行预处理，得到语音特征；
利用任意声学模型将所述语音特征转化为机器语言；
利用任意语言模型处理所述机器语言，输出概率最大的词序列；
利用HCLG模型对所述词序列进行解码，得到所述文本。
5.如权利要求1所述的流程自动化方法，其特征在于，所述基于自然语言处理技术对所述文本进行拆分，得到多个子流程包括：
获取预先配置的话术模板；
采用自然语言处理技术识别所述文本中的拓展话术及标准话术；
将所述拓展话术与所述话术模板中的话术进行匹配，得到目标话术；
合并所述标准话术与所述目标话术，得到合成话术；
获取所述话术模板中各个子话术对应的流程；
将所述合成话术与各个子话术进行匹配，并将匹配的子话术对应的流程确定为所述多个子流程。
6.如权利要求1所述的流程自动化方法，其特征在于，所述利用序列标注模型识别每个子流程的类别包括：
利用Bi-LSTM+CRF模型对每个子流程进行分词处理，并确定每个子流程中各个分词的词性；
根据每个子流程中各个分词的词性确定每个子流程的逻辑；
根据每个子流程的逻辑确定每个子流程的类别。
7.如权利要求1所述的流程自动化方法，其特征在于，利用序列标注模型抽取每个子流程的要素包括：
获取所述序列标注模型中的多个流程要素抽取模型，所述多个流程要素抽取模型按照预先配置的多种流程类别分别训练而得到；
将每个子流程输入到与每个子流程的类别对应的流程要素抽取模型中，输出每个子流程的要素。
8.一种流程自动化装置，其特征在于，所述装置包括：
捕获单元，用于当接收到流程生成指令时，捕获用户在指定页面的操作；
解析单元，用于解析所述操作，得到初始流程以及所述初始流程中每个初始子流程的编号；
获取单元，用于获取所述用户录入的语音；
转化单元，用于基于语音识别引擎将所述语音转化为文本；
拆分单元，用于基于自然语言处理技术对所述文本进行拆分，得到多个子流程；
识别单元，用于利用序列标注模型识别每个子流程的类别，并抽取每个子流程的要素；
所述转化单元，还用于根据每个子流程的类别及每个子流程的要素，利用RPA将子流程转化为代码；
所述获取单元，还用于从每个子流程的要素中获取每个子流程的编号；
执行单元，用于将每个子流程的编号与每个初始子流程的编号进行匹配以更新所述初始流程，并执行更新后的流程的代码。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的流程自动化方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的流程自动化方法。
CN202010859301.5A 2020-08-24 2020-08-24 流程自动化方法、装置、电子设备及存储介质 Active CN112001175B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010859301.5A CN112001175B (zh) 2020-08-24 2020-08-24 流程自动化方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010859301.5A CN112001175B (zh) 2020-08-24 2020-08-24 流程自动化方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112001175A true CN112001175A (zh) 2020-11-27
CN112001175B CN112001175B (zh) 2023-06-02

Family

ID=73470651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010859301.5A Active CN112001175B (zh) 2020-08-24 2020-08-24 流程自动化方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112001175B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560023A (zh) * 2020-12-07 2021-03-26 广东电力通信科技有限公司 交互式数据采集方法、机器人、系统及计算机设备
CN113065746A (zh) * 2021-03-12 2021-07-02 深圳赛动生物自动化有限公司 干细胞制备工艺流程的动态编辑方法、装置、系统及介质
CN113297295A (zh) * 2021-05-27 2021-08-24 湖南大学 一种rpa系统中基于符号抽象的流程挖掘方法和系统
CN113705816A (zh) * 2021-08-31 2021-11-26 上海明略人工智能(集团)有限公司 流程图生成方法、电子装置、装置及可读存储介质
CN114115835A (zh) * 2022-01-27 2022-03-01 广州庚亿信息科技有限公司 自动编码执行流程构建方法、装置、存储介质及智能终端
CN114662828A (zh) * 2021-08-09 2022-06-24 太极计算机股份有限公司 一种电子卷宗跨组织协同流程要素解析的方法
CN115098205A (zh) * 2022-06-17 2022-09-23 来也科技(北京)有限公司 基于rpa和ai实现ia的流程编辑界面的控制方法
CN116719514A (zh) * 2023-08-08 2023-09-08 安徽思高智能科技有限公司 一种基于bert的rpa代码自动生成方法及装置
CN117196546A (zh) * 2023-11-08 2023-12-08 杭州实在智能科技有限公司 基于页面状态理解和大模型驱动的rpa流程执行系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222045A (zh) * 2019-04-23 2019-09-10 平安科技（深圳）有限公司 一种数据报表获取方法、装置及计算机设备、存储介质
CN111126781A (zh) * 2019-11-29 2020-05-08 苏宁云计算有限公司 Rpa业务流程的创建方法及系统
CN111324708A (zh) * 2020-02-07 2020-06-23 普强时代(珠海横琴)信息技术有限公司 一种基于人机交互的自然语言处理系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110222045A (zh) * 2019-04-23 2019-09-10 平安科技（深圳）有限公司 一种数据报表获取方法、装置及计算机设备、存储介质
CN111126781A (zh) * 2019-11-29 2020-05-08 苏宁云计算有限公司 Rpa业务流程的创建方法及系统
CN111324708A (zh) * 2020-02-07 2020-06-23 普强时代(珠海横琴)信息技术有限公司 一种基于人机交互的自然语言处理系统

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560023A (zh) * 2020-12-07 2021-03-26 广东电力通信科技有限公司 交互式数据采集方法、机器人、系统及计算机设备
CN113065746A (zh) * 2021-03-12 2021-07-02 深圳赛动生物自动化有限公司 干细胞制备工艺流程的动态编辑方法、装置、系统及介质
CN113297295A (zh) * 2021-05-27 2021-08-24 湖南大学 一种rpa系统中基于符号抽象的流程挖掘方法和系统
CN113297295B (zh) * 2021-05-27 2023-05-23 湖南大学 一种rpa系统中基于符号抽象的流程挖掘方法和系统
CN114662828A (zh) * 2021-08-09 2022-06-24 太极计算机股份有限公司 一种电子卷宗跨组织协同流程要素解析的方法
CN113705816A (zh) * 2021-08-31 2021-11-26 上海明略人工智能(集团)有限公司 流程图生成方法、电子装置、装置及可读存储介质
CN114115835A (zh) * 2022-01-27 2022-03-01 广州庚亿信息科技有限公司 自动编码执行流程构建方法、装置、存储介质及智能终端
CN114115835B (zh) * 2022-01-27 2022-05-17 广州庚亿信息科技有限公司 自动编码执行流程构建方法、装置、存储介质及智能终端
CN115098205A (zh) * 2022-06-17 2022-09-23 来也科技(北京)有限公司 基于rpa和ai实现ia的流程编辑界面的控制方法
CN116719514A (zh) * 2023-08-08 2023-09-08 安徽思高智能科技有限公司 一种基于bert的rpa代码自动生成方法及装置
CN116719514B (zh) * 2023-08-08 2023-10-20 安徽思高智能科技有限公司 一种基于bert的rpa代码自动生成方法及装置
CN117196546A (zh) * 2023-11-08 2023-12-08 杭州实在智能科技有限公司 基于页面状态理解和大模型驱动的rpa流程执行系统及方法

Also Published As

Publication number Publication date
CN112001175B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
CN112001175B (zh) 流程自动化方法、装置、电子设备及存储介质
CN107220235B (zh) 基于人工智能的语音识别纠错方法、装置及存储介质
CN112185348B (zh) 多语种语音识别方法、装置及电子设备
WO2022116420A1 (zh) 语音事件检测方法、装置、电子设备及计算机存储介质
CN113205814B (zh) 语音数据标注方法、装置、电子设备及存储介质
JP2020030408A (ja) オーディオにおける重要語句を認識するための方法、装置、機器及び媒体
CN112002323A (zh) 语音数据处理方法、装置、计算机设备及存储介质
CN113435582B (zh) 基于句向量预训练模型的文本处理方法及相关设备
CN114007131A (zh) 视频监控方法、装置及相关设备
CN113704410A (zh) 情绪波动检测方法、装置、电子设备及存储介质
CN112465144A (zh) 基于有限知识的多模态示范意图生成方法及装置
CN113807103A (zh) 基于人工智能的招聘方法、装置、设备及存储介质
CN114155832A (zh) 基于深度学习的语音识别方法、装置、设备及介质
CN112201253B (zh) 文字标记方法、装置、电子设备及计算机可读存储介质
CN113254814A (zh) 网络课程视频打标签方法、装置、电子设备及介质
CN114020886A (zh) 语音意图识别方法、装置、设备及存储介质
CN111326142A (zh) 基于语音转文本的文本信息提取方法、系统和电子设备
CN115512698A (zh) 一种语音语义分析方法
CN115510188A (zh) 文本关键词关联方法、装置、设备及存储介质
CN113436617B (zh) 语音断句方法、装置、计算机设备及存储介质
CN114186028A (zh) 咨诉工单处理方法、装置、设备及存储介质
CN113808577A (zh) 语音摘要的智能提取方法、装置、电子设备及存储介质
CN113870478A (zh) 快速取号方法、装置、电子设备及存储介质
CN114548114A (zh) 文本情绪识别方法、装置、设备及存储介质
CN111985231A (zh) 无监督角色识别方法、装置、电子设备及存储介质

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