CN112051953B - 一种页面栏位的输出控制方法、装置及电子设备 - Google Patents
一种页面栏位的输出控制方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112051953B CN112051953B CN202011048569.7A CN202011048569A CN112051953B CN 112051953 B CN112051953 B CN 112051953B CN 202011048569 A CN202011048569 A CN 202011048569A CN 112051953 B CN112051953 B CN 112051953B
- Authority
- CN
- China
- Prior art keywords
- field
- page
- column
- data
- sample
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0481—Interaction techniques based on graphical user interfaces [GUI] based on specific properties of the displayed interaction object or a metaphor-based environment, e.g. interaction with desktop elements like windows or icons, or assisted by a cursor's changing behaviour or appearance
- G06F3/0483—Interaction with page-structured environments, e.g. book metaphor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
- G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
- G06F3/04883—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures for inputting data by handwriting, e.g. gesture or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
- G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
- G06F3/04886—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures by partitioning the display area of the touch-screen or the surface of the digitising tablet into independently controllable areas, e.g. virtual keyboards or menus
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请公开了一种页面栏位的输出控制方法、装置及电子设备,方法包括:获得目标页面的页面数据,页面数据包含至少一个栏位的栏位数据,栏位数据至少包含栏位的栏位标识和错误概率值;至少将栏位的栏位标识和错误概率值输入到预先训练的神经网络模型中,以得到神经网络模型输出的每个栏位的栏位输出参数;其中,神经网络模型利用多个具有输出参数标签的页面样本数据进行训练得到,页面样本数据至少包含样本页面所包含的栏位的样本栏位标识和样本错误概率值;控制目标页面中的每个栏位对应的页面区域的区域输出参数与相应栏位的栏位输出参数相匹配,栏位输出参数至少表征栏位存在错误的可能性。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种页面栏位的输出控制方法、装置及电子设备。
背景技术
在柜台工作的工作人员通常存在任务繁重的情况,每天在业务办理过程中经常要审核项目办理界面上的客户或者业务信息,这些信息所在的栏位很多,且差异较小,工作人员需要逐个审核每个栏位。
但是,界面上的栏位中有些经常出现错误,而有些可能不会容易出错,如果工作人员逐个审核每个栏位,可能会造成审核工作量较大,导致审核效率较低。
因此,亟需一种能够对页面栏位的输出进行控制进而能够提示工作人员进行栏位审核由此提高审核效率的技术方案。
发明内容
有鉴于此,本申请提供一种页面栏位的输出控制方法、装置及电子设备,如下:
一种页面栏位的输出控制方法,包括:
获得目标页面的页面数据,所述页面数据包含至少一个栏位的栏位数据,所述栏位数据至少包含所述栏位的栏位标识和错误概率值;
至少将所述栏位的栏位标识和所述错误概率值输入到预先训练的神经网络模型中,以得到所述神经网络模型输出的每个所述栏位的栏位输出参数;
其中,所述神经网络模型利用多个具有输出参数标签的页面样本数据进行训练得到,所述页面样本数据至少包含样本页面所包含的栏位的样本栏位标识和样本错误概率值;
控制所述目标页面中的每个所述栏位对应的页面区域的区域输出参数与相应栏位的栏位输出参数相匹配,所述栏位输出参数至少表征所述栏位存在错误的可能性。
上述方法,优选的,所述栏位输出参数为与颜色相关的参数;其中,所述栏位输出参数不同,相应的栏位存在错误的可能性不同。
上述方法,优选的,所述栏位数据还包括:所述栏位对应的出错类型;
所述页面样本数据还包含样本页面所包含的栏位对应的样本出错类型。
上述方法,优选的,还包括:
获得所述目标页面中的目标栏位的当前输入数据;
至少根据所述当前输入数据,获得输入判断结果;
在所述输入判断结果表征所述当前输入数据可能出错的情况下,控制所述目标栏位对应的页面区域的区域输出参数与所述输入判断结果相匹配。
上述方法,优选的,至少根据所述当前输入数据,获得输入判断结果,包括:
将所述当前输入数据和所述目标栏位对应的出错类型输入到所述目标栏位对应的预先训练的分类模型中,以得到所述分类模型输出的输入判断结果,所述输入判断结果表征所述当前输入数据是否在所述出错类型上可能出错;
其中,所述分类模型利用多个具有判断结果标签的栏位样本数据进行训练得到,所述栏位样本数据至少包含样本栏位的样本输入数据和所述样本栏位对应的样本出错类型,所述判断结果标签表征所述样本输入数据在所述样本出错类型上出错。
上述方法,优选的,还包括:
根据所述所述目标页面中的每个所述栏位对应的页面区域的区域输出参数,输出第一提示信息,所述第一提示信息用于提示按照所述页面区域的区域输出参数检查所述栏位。
上述方法,优选的,在控制所述目标栏位对应的页面区域的区域输出参数与所述输入判断结果相匹配之后,所述方法还包括:
输出第二提示信息,所述第二提示信息用于提示对所述目标栏位重新检查。
一种页面栏位的输出控制装置,包括:
数据获得单元,用于获得目标页面的页面数据,所述页面数据包含至少一个栏位的栏位数据,所述栏位数据至少包含所述栏位的栏位标识和错误概率值;
模型预测单元,用于至少将所述栏位的栏位标识和所述错误概率值输入到预先训练的神经网络模型中,以得到所述神经网络模型输出的每个所述栏位的栏位输出参数;
其中,所述神经网络模型利用多个具有输出参数标签的页面样本数据进行训练得到,所述页面样本数据至少包含样本页面所包含的栏位的样本栏位标识和样本错误概率值;
参数控制单元,用于控制所述目标页面中的每个所述栏位对应的页面区域的区域输出参数与相应栏位的栏位输出参数相匹配,所述栏位输出参数至少表征所述栏位存在错误的可能性。
上述装置,优选的,还包括:
输出调整单元,用于获得所述目标页面中的目标栏位的当前输入数据;至少根据所述当前输入数据,获得输入判断结果;在所述输入判断结果表征所述当前输入数据可能出错的情况下,控制所述目标栏位对应的页面区域的区域输出参数与所述输入判断结果相匹配。
一种电子设备,包括:
存储器,用于存储应用程序和所述应用程序运行所产生的数据;
处理器,用于执行所述应用程序,以实现:获得目标页面的页面数据,所述页面数据包含至少一个栏位的栏位数据,所述栏位数据至少包含所述栏位的栏位标识和错误概率值;至少将所述栏位的栏位标识和所述错误概率值输入到预先训练的神经网络模型中,以得到所述神经网络模型输出的每个所述栏位的栏位输出参数;其中,所述神经网络模型利用多个具有输出参数标签的页面样本数据进行训练得到,所述页面样本数据至少包含样本页面所包含的栏位的样本栏位标识和样本错误概率值;控制所述目标页面中的每个所述栏位对应的页面区域的区域输出参数与相应栏位的栏位输出参数相匹配,所述栏位输出参数至少表征所述栏位存在错误的可能性。
由上述方案可知,本申请提供的一种页面栏位的输出控制方法、装置及电子设备中,在获得到目标页面的页面数据之后,至少将页面数据中栏位的栏位标识和错误概率值输入到预先训练的神经网络模型中,进而得到神经网络输出的每个栏位的栏位输出参数,进而可以控制目标页面中每个栏位对应的页面区域的区域输出参数与神经网络模型输出的相应栏位的栏位输出参数相匹配,由此,以栏位输出参数来表征栏位存在错误的可能性。可见,本申请中通过历史数据训练神经网络模型,进而由神经网络模型推断出目标页面上各栏位的输出参数,在经过相应页面区域的输出控制后,工作人员可以直观根据栏位对应的页面区域的输出参数确定是否要重点审核,从而达到提高效率的目的。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例一提供的一种页面栏位的输出控制方法的流程图;
图2为本申请实施例一提供的一种页面栏位的输出控制方法的另一流程图;
图3及图4分别为本申请实施例的应用示例图;
图5及图6分别为本申请实施例一提供的一种页面栏位的输出控制方法的部分流程图;
图7为本申请实施例二提供的一种页面栏位的输出控制装置的结构示意图;
图8及图9分别为本申请实施例二提供的一种页面栏位的输出控制装置的另一结构示意图;
图10为本申请实施例三提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
参考图1,为本申请实施例一提供的一种页面栏位的输出控制方法的实现流程图,该方法可以适用于能够进行数据处理的电子设备中,如计算机或服务器等设备。本实施例中的技术方案主要用于根据页面中栏位的错误概率输出相应的页面区域,进而提示给工作人员能够达到提供效率的目的。
具体的,本实施例中的方法可以包括以下步骤:
步骤101:获得目标页面的页面数据。
其中,页面数据包含至少一个栏位的栏位数据,而栏位数据至少包含栏位的栏位标识和错误概率值。
需要说明的是,目标页面中通常包含一个或多个栏位,本实施例中可以通过页面数据读取,进而获得到每个栏位的栏位标识,如每个栏位的栏位名称或编号等;另外,本实施例中可以通过对每个栏位的历史操作数据,进而获得到每个栏位在历史操作中被输入错误的错误概率值。
进一步的,本实施例中还可以对每个栏位出现的错误所属的出错类型进行获取,例如,某个栏位为数值型栏位,而其出错类型为小数点输入错误;再如,某个栏位为字符型栏位,而且出错类型为:字符缺失错误,等等。
步骤102:至少将栏位的栏位标识和错误概率值输入到预先训练的神经网络模型中,以得到神经网络模型输出的每个栏位的栏位输出参数。
其中,神经网络模型利用多个具有输出参数标签的页面样本数据进行训练得到,页面样本数据至少包含样本页面所包含的栏位的样本栏位标识和样本错误概率值。
需要说明的是,样本页面可以为目标页面,样本页面的页面样本数据可以包含有样本页面在多个历史时刻上所包含的各个栏位的样本栏位标识和样本错误概率值,进一步的,还可以包含各个栏位出现的错误所属的样本出错类型。输出参数标签则是该样本页面上所包含的各个栏位在样本页面对应的页面区域的输出参数,如颜色或亮度等参数。
具体的,本实施例中可以在历史数据中读取到多个页面样本数据。
基于此,本实施例中利用多个页面样本数据对预先构建的神经网络模型进行训练,进而得到训练完成的神经网络模型,该神经网络模型能够对目标页面中每个栏位的输出参数进行预测。
具体的,本实施例中在获得到多个具有输出参数标签的页面样本数据之后,依次将多个页面样本数据输入到待训练的神经网络模型中,并根据神经网络模型针对每个页面样本数据输出的每个栏位的栏位输出参数和相应的输出参数标签对神经网络模型的模型参数进行修改,具体可以通过构建损失函数对模型参数的修改进行指导,直到损失函数收敛,神经神经网络模型训练完成。具体训练方式参考如下:
将第一个页面样本数据输入到神经网络模型,并获得到神经网络模型的第一组栏位输出参数,将该组栏位输出参数与第一个页面样本数据对应的输出参数标签进行对比,并根据栏位输出参数与第一个页面样本数据对应的输出参数标签获得神经网络模型的损失函数值,进而根据该损失函数值对神经网络模型的模型参数如卷积层中的参数等进行修改;
之后,再将下一个页面样本数据输入到神经网络模型中,并获得神经网络模型的第二组栏位输出参数,将该组栏位输出参数与当前的页面样本数据对应的输出参数标签进行对比,并根据栏位输出参数与当前的页面样本数据对应的输出参数标签获得神经网络模型的损失函数值,进而根据该损失函数值对神经网络模型的模型参数如卷积层中的参数等进行修改,以使得损失函数值能够降低;
以此类推,直到损失函数值降低到不再变化,即趋于稳定,此时神经网络模型训练完成。
基于此,本实施例中所训练出的神经网络模型能够对目标页面的页面数据进行处理,并输出相应的每个栏位的栏位输出参数。
具体的,在页面样本数据中除了栏位的栏位标识和错误概率值,还包含有栏位对应的出错类型时,本实施例中将栏位的栏位标识、栏位对应的出错类型和错误概率值输入到预先训练的神经网络模型中,以得到神经网络模型输出的每个栏位的栏位输出参数。
基于此,本实施例中在对神经网络模型进行训练时,是以页面样本数据中的栏位的样本栏位标识、栏位对应的样本出错类型和样本错误概率值为输入样本,以页面样本数据的输出参数标签为输出样本,对神经网络模型进行训练。
步骤103:控制目标页面中的每个栏位对应的页面区域的区域输出参数与相应栏位的栏位输出参数相匹配。
其中,栏位输出参数至少表征栏位存在错误的可能性。
具体的,栏位输出参数为与颜色相关的参数,或者,可以为与亮度相关的参数,基于此,栏位输出参数不同,相应的栏位存在错误的可能性不同。例如,以白色、蓝色、红色和褐色等颜色输出参数表征相应栏位存在错误的可能性从低到高。由此,向用户提示着重审核存在错误可能性较高的栏位。
由上述方案可知,本申请实施例一提供的一种页面栏位的输出控制方法中,在获得到目标页面的页面数据之后,至少将页面数据中栏位的栏位标识和错误概率值输入到预先训练的神经网络模型中,进而得到神经网络输出的每个栏位的栏位输出参数,进而可以控制目标页面中每个栏位对应的页面区域的区域输出参数与神经网络模型输出的相应栏位的栏位输出参数相匹配,由此,以栏位输出参数来表征栏位存在错误的可能性。可见,本实施例中通过历史数据训练神经网络模型,进而由神经网络模型推断出目标页面上各栏位的输出参数,在经过相应页面区域的输出控制后,工作人员可以直观根据栏位对应的页面区域的输出参数确定是否要重点审核,从而达到提高效率的目的。
在一种实现方式中,本实施例中在步骤103之后,还可以包括以下步骤,如图2中所示:
步骤104:根据所述目标页面中的每个栏位对应的页面区域的区域输出参数,输出第一提示信息。
其中,第一提示信息可以输出在目标页面上的目标区域,如左上角或者右下角等区域,如图3中所示,或者,输出在目标页面上的每个栏位对应的相应区域,以提示按照页面区域的区域输出参数检查栏位。
例如,用户在看到以白色、蓝色、红色和褐色等颜色输出参数表征相应栏位存在错误的可能性从低到高的提示信息之后,如图4中所示,用户可以重点检查红色和褐色的栏位中的输入数据是否存在错误。
在一种实现方式中,本实施例中还可以包括以下步骤,如图5中所示:
步骤501:获得目标页面中的目标栏位的当前输入数据。
其中,本实施例中可以通过对目标栏位上的输入操作进行采集,进而获得到目标栏位的当前输入数据,可以为输入数值或者输入字符串等内容。
需要说明的是,目标栏位可以是目标页面中的任一可能进行数据输入的栏位,而目标栏位可以为一个或者多个,如输入身份证号码的栏位,再如输入居住地址的栏位,等等。
步骤502:至少根据当前输入数据,获得输入判断结果。
其中,输入判断结果表征当前输入数据是否可能出错。
在一种实现方式中,步骤502中可以通过对当前输入数据调用相应的数据比较算法,将该当前输入数据与预设的标准数据进行对比,如果发现对比不一致,那么生成表征当前输入数据可能出错的输入判断结果。
其中,预设的标准数据可以根据该目标栏位的准确的历史输入数据确定,或者预先定义。
在另一种实现方式中,步骤502中可以通过针对目标栏位预先训练分类模型,再利用分类模型对该目标栏位上的当前输入数据进行处理,以得到输入判断结果。具体如下:
本实施例中将当前输入数据和目标栏位对应的出错类型输入到目标栏位对应的预先训练的分类模型中,以得到分类模型输出的输入判断结果,而该输入判断结果表征当前输入数据是否在所述出错类型上可能出错。
其中,分类模型利用多个具有判断结果标签的栏位样本数据进行训练得到,栏位样本数据至少包含样本栏位的样本输入数据和样本栏位对应的样本出错类型,而判断结果标签表征样本输入数据在样本出错类型上出错。
基于此,在步骤502中所获得到的输入判断结果表征所述当前输入数据可能出错的情况下,执行步骤503。
步骤503:控制目标栏位对应的页面区域的区域输出参数与输入判断结果相匹配。
其中,步骤503中控制目标栏位对应的页面区域的区域输出参数与输入判断结果相匹配,即可实现目标栏位对应的输出颜色或者亮度等参数发生变化,进而以输出参数的变化控制来提示用户对目标栏位进行重新审核,以修改目标栏位上的当前输入数据。
基于以上实现,在步骤503之后,本实施例中的方法还可以包括以下步骤,如图6中所示:
步骤504:输出第二提示信息。
其中,第二提示信息可以输出在目标栏位对应的区域上,如“可能出错,重新检查”等,以提示用户述目标栏位重新检查,以修改目标栏位上的当前输入数据,避免出错。
参考图7,为本申请实施例二提供的一种页面栏位的输出控制装置的结构示意图,该装置可以配置在能够进行数据处理的电子设备中,如计算机或服务器等设备。本实施例中的技术方案主要用于根据页面中栏位的错误概率输出相应的页面区域,进而提示给工作人员能够达到提供效率的目的。
具体的,本实施例中的装置可以包括以下单元:
数据获得单元701,用于获得目标页面的页面数据,所述页面数据包含至少一个栏位的栏位数据,所述栏位数据至少包含所述栏位的栏位标识和错误概率值;
模型预测单元702,用于至少将所述栏位的栏位标识和所述错误概率值输入到预先训练的神经网络模型中,以得到所述神经网络模型输出的每个所述栏位的栏位输出参数;
其中,所述神经网络模型利用多个具有输出参数标签的页面样本数据进行训练得到,所述页面样本数据至少包含样本页面所包含的栏位的样本栏位标识和样本错误概率值;
参数控制单元703,用于控制所述目标页面中的每个所述栏位对应的页面区域的区域输出参数与相应栏位的栏位输出参数相匹配,所述栏位输出参数至少表征所述栏位存在错误的可能性。
由上述方案可知,本申请实施例二提供的一种页面栏位的输出控制装置中,在获得到目标页面的页面数据之后,至少将页面数据中栏位的栏位标识和错误概率值输入到预先训练的神经网络模型中,进而得到神经网络输出的每个栏位的栏位输出参数,进而可以控制目标页面中每个栏位对应的页面区域的区域输出参数与神经网络模型输出的相应栏位的栏位输出参数相匹配,由此,以栏位输出参数来表征栏位存在错误的可能性。可见,本实施例中通过历史数据训练神经网络模型,进而由神经网络模型推断出目标页面上各栏位的输出参数,在经过相应页面区域的输出控制后,工作人员可以直观根据栏位对应的页面区域的输出参数确定是否要重点审核,从而达到提高效率的目的。
可选的,所述栏位输出参数为与颜色相关的参数;其中,所述栏位输出参数不同,相应的栏位存在错误的可能性不同。
可选的,所述栏位数据还包括:所述栏位对应的出错类型;所述页面样本数据还包含样本页面所包含的栏位对应的样本出错类型。
在一种实现方式中,模型预测单元702具体用于:将所述栏位的栏位标识、所述栏位对应的历史出错类型和所述历史错误概率值输入到预先训练的神经网络模型中,以得到所述神经网络模型输出的每个所述栏位的栏位输出参数。
在一种实现方式中,本实施例中的装置还可以包括以下单元,如图8中所示:
输出调整单元704,用于获得所述目标页面中的目标栏位的当前输入数据;至少根据所述当前输入数据,获得输入判断结果;在所述输入判断结果表征所述当前输入数据可能出错的情况下,控制所述目标栏位对应的页面区域的区域输出参数与所述输入判断结果相匹配。
具体的,输出调整单元704在至少根据所述当前输入数据,获得输入判断结果时,具体用于:将所述当前输入数据和所述目标栏位对应的出错类型输入到所述目标栏位对应的预先训练的分类模型中,以得到所述分类模型输出的输入判断结果,所述输入判断结果表征所述当前输入数据是否在所述出错类型上可能出错;其中,所述分类模型利用多个具有判断结果标签的栏位样本数据进行训练得到,所述栏位样本数据至少包含样本栏位的样本输入数据和所述样本栏位对应的样本出错类型,所述判断结果标签表征所述样本输入数据在所述样本出错类型上出错。
在一种实现方式中,本实施例中的装置还可以包括以下单元,如图9中所示:
提示输出单元705,用于根据所述所述目标页面中的每个所述栏位对应的页面区域的区域输出参数,输出第一提示信息,所述第一提示信息用于提示按照所述页面区域的区域输出参数检查所述栏位。
进一步的,提示输出单元705还用于:在所述输出调整单元704控制所述目标栏位对应的页面区域的区域输出参数与所述输入判断结果相匹配之后,输出第二提示信息,所述第二提示信息用于提示对所述目标栏位重新检查。
需要说明的是,本实施例中各单元的具体实现可以参考前文中的相应内容,此处不再详述。
参考图10,为本申请实施例三提供的一种电子设备的结构示意图,该电子设备可以适为能够进行数据处理的电子设备,如计算机或服务器等设备。本实施例中的技术方案主要用于根据页面中栏位的错误概率输出相应的页面区域,进而提示给工作人员能够达到提供效率的目的。
具体的,本实施例中的电子设备可以包括以下结构:
存储器1001,用于存储应用程序和应用程序运行所产生的数据;
处理器1002,用于执行应用程序,以实现:获得目标页面的页面数据,所述页面数据包含至少一个栏位的栏位数据,所述栏位数据至少包含所述栏位的栏位标识和错误概率值;至少将所述栏位的栏位标识和所述错误概率值输入到预先训练的神经网络模型中,以得到所述神经网络模型输出的每个所述栏位的栏位输出参数;其中,所述神经网络模型利用多个具有输出参数标签的页面样本数据进行训练得到,所述页面样本数据至少包含样本页面所包含的栏位的样本栏位标识和样本错误概率值;控制所述目标页面中的每个所述栏位对应的页面区域的区域输出参数与相应栏位的栏位输出参数相匹配,所述栏位输出参数至少表征所述栏位存在错误的可能性。
由上述方案可知,本申请实施例三提供的一种电子设备中,在获得到目标页面的页面数据之后,至少将页面数据中栏位的栏位标识和错误概率值输入到预先训练的神经网络模型中,进而得到神经网络输出的每个栏位的栏位输出参数,进而可以控制目标页面中每个栏位对应的页面区域的区域输出参数与神经网络模型输出的相应栏位的栏位输出参数相匹配,由此,以栏位输出参数来表征栏位存在错误的可能性。可见,本实施例中通过历史数据训练神经网络模型,进而由神经网络模型推断出目标页面上各栏位的输出参数,在经过相应页面区域的输出控制后,工作人员可以直观根据栏位对应的页面区域的输出参数确定是否要重点审核,从而达到提高效率的目的。
基于以上实现方案,以银行业务办理中工作人员对信息输入页面的审核场景为例,对本申请的技术方案进行举例说明:
首先,银行网点工作人员任务繁重,每天业务办理过程中经常要审核一些界面上的客户或者业务信息,这些信息栏位都差不多银行工作人员审核起来比较麻烦,但是其实这么多栏位中有一些是经常错误,但是有一些是不太容易错误,这些信息没有利用起来是一种浪费。
为解决以上问题,具体实现中,基于本申请的技术方案建立一种银行系统重要审核界面栏位展示系统,在后台系统中,统计各个页面所有栏位在过去的业务办理过程中错误的概率,将所有栏位的栏位标识和错误概率输入到神经网络模型中,通过神经网络模型判断需要将栏位分成几种颜色,并且每种颜色输出的栏位名称,并按照神经网络模型的输出结果输出当前页面中每个栏位的颜色。
具体的,在训练神经网络模型之前,收集界面栏位的历史错误概率,并将这些栏位按照概率分类,同时根据概率的大小与颜色的显眼眼度匹配,给每个栏位配置一个颜色(同一类别颜色相同),将这些数据作为历史数据,对神经网络模型进行训练和验证。例如,将各个栏位的错误概率作为输入,将这个栏位的颜色作为输出,结合BP(back propagation)神经网络和遗传算法GA(Genetic Algorithm)的优点,在BP神经网络的权值和阈值的优化方面引入遗传算法,构建GA-BP神经网络模型。在GA-BP神经网络模型,根据网络输入输出的个数确定BP神经网络的结构,进而确定遗传算法中需要优化的参数个数。
其中,GA-BP神经网络模型可以为三层模型,包含输入成、隐藏层和输出层,其中,隐层节点个数采用试凑法确定,从而确定GA-BP神经网络的结构。通过遗传算法输出的最优个体作为BP神经网络初始权值和阈值进行BP神经网络训练和学习。
具体的,基于以上历史数据的分析,对GA-BP神经网络模型进行训练,并使用测试样本对模型的预测准确率进行验证,得到可用的神经网络模型。
当网点工作人员点击进入相关界面时,界面显示段查询神经网络模型输出的栏位颜色,给栏位标色,以提醒银行工作人员仔细检查,提高工作效率。
可见,本申请中所建立的银行系统重要审核界面栏位展示系统,根据后台系统统计结果,判断界面栏位的易错程度并根据易错程度将栏位用不同的颜色展示出来,提醒工作人员,提高工作人员效率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,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申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种页面栏位的输出控制方法,其特征在于,包括:
获得目标页面的页面数据,所述页面数据包含至少一个栏位的栏位数据,所述栏位数据至少包含所述栏位的栏位标识和错误概率值;
至少将所述栏位的栏位标识和所述错误概率值输入到预先训练的神经网络模型中,以得到所述神经网络模型输出的每个所述栏位的栏位输出参数;
其中,所述神经网络模型利用多个具有输出参数标签的页面样本数据进行训练得到,所述页面样本数据至少包含样本页面所包含的栏位的样本栏位标识和样本错误概率值;
控制所述目标页面中的每个所述栏位对应的页面区域的区域输出参数与相应栏位的栏位输出参数相匹配,所述栏位输出参数至少表征所述栏位存在错误的可能性。
2.根据权利要求1所述的方法,其特征在于,所述栏位输出参数为与颜色相关的参数;其中,所述栏位输出参数不同,相应的栏位存在错误的可能性不同。
3.根据权利要求1所述的方法,其特征在于,所述栏位数据还包括:所述栏位对应的出错类型;
所述页面样本数据还包含样本页面所包含的栏位对应的样本出错类型。
4.根据权利要求1所述的方法,其特征在于,还包括:
获得所述目标页面中的目标栏位的当前输入数据;
至少根据所述当前输入数据,获得输入判断结果;
在所述输入判断结果表征所述当前输入数据可能出错的情况下,控制所述目标栏位对应的页面区域的区域输出参数与所述输入判断结果相匹配。
5.根据权利要求4所述的方法,其特征在于,至少根据所述当前输入数据,获得输入判断结果,包括:
将所述当前输入数据和所述目标栏位对应的出错类型输入到所述目标栏位对应的预先训练的分类模型中,以得到所述分类模型输出的输入判断结果,所述输入判断结果表征所述当前输入数据是否在所述出错类型上可能出错;
其中,所述分类模型利用多个具有判断结果标签的栏位样本数据进行训练得到,所述栏位样本数据至少包含样本栏位的样本输入数据和所述样本栏位对应的样本出错类型,所述判断结果标签表征所述样本输入数据在所述样本出错类型上出错。
6.根据权利要求1所述的方法,其特征在于,还包括:
根据所述所述目标页面中的每个所述栏位对应的页面区域的区域输出参数,输出第一提示信息,所述第一提示信息用于提示按照所述页面区域的区域输出参数检查所述栏位。
7.根据权利要求4所述的方法,其特征在于,在控制所述目标栏位对应的页面区域的区域输出参数与所述输入判断结果相匹配之后,所述方法还包括:
输出第二提示信息,所述第二提示信息用于提示对所述目标栏位重新检查。
8.一种页面栏位的输出控制装置,其特征在于,包括:
数据获得单元,用于获得目标页面的页面数据,所述页面数据包含至少一个栏位的栏位数据,所述栏位数据至少包含所述栏位的栏位标识和错误概率值;
模型预测单元,用于至少将所述栏位的栏位标识和所述错误概率值输入到预先训练的神经网络模型中,以得到所述神经网络模型输出的每个所述栏位的栏位输出参数;
其中,所述神经网络模型利用多个具有输出参数标签的页面样本数据进行训练得到,所述页面样本数据至少包含样本页面所包含的栏位的样本栏位标识和样本错误概率值;
参数控制单元,用于控制所述目标页面中的每个所述栏位对应的页面区域的区域输出参数与相应栏位的栏位输出参数相匹配,所述栏位输出参数至少表征所述栏位存在错误的可能性。
9.根据权利要求8所述的装置,其特征在于,还包括:
输出调整单元,用于获得所述目标页面中的目标栏位的当前输入数据;至少根据所述当前输入数据,获得输入判断结果;在所述输入判断结果表征所述当前输入数据可能出错的情况下,控制所述目标栏位对应的页面区域的区域输出参数与所述输入判断结果相匹配。
10.一种电子设备,其特征在于,包括:
存储器,用于存储应用程序和所述应用程序运行所产生的数据;
处理器,用于执行所述应用程序,以实现:获得目标页面的页面数据,所述页面数据包含至少一个栏位的栏位数据,所述栏位数据至少包含所述栏位的栏位标识和错误概率值;至少将所述栏位的栏位标识和所述错误概率值输入到预先训练的神经网络模型中,以得到所述神经网络模型输出的每个所述栏位的栏位输出参数;其中,所述神经网络模型利用多个具有输出参数标签的页面样本数据进行训练得到,所述页面样本数据至少包含样本页面所包含的栏位的样本栏位标识和样本错误概率值;控制所述目标页面中的每个所述栏位对应的页面区域的区域输出参数与相应栏位的栏位输出参数相匹配,所述栏位输出参数至少表征所述栏位存在错误的可能性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011048569.7A CN112051953B (zh) | 2020-09-29 | 2020-09-29 | 一种页面栏位的输出控制方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011048569.7A CN112051953B (zh) | 2020-09-29 | 2020-09-29 | 一种页面栏位的输出控制方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112051953A CN112051953A (zh) | 2020-12-08 |
CN112051953B true CN112051953B (zh) | 2021-09-14 |
Family
ID=73605030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011048569.7A Active CN112051953B (zh) | 2020-09-29 | 2020-09-29 | 一种页面栏位的输出控制方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112051953B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309607A (zh) * | 2012-03-08 | 2013-09-18 | 索尼公司 | 输入处理装置、输入处理程序和输入处理方法 |
CN105678292A (zh) * | 2015-12-30 | 2016-06-15 | 成都数联铭品科技有限公司 | 基于卷积及递归神经网络的复杂光学文字序列识别系统 |
CN105809248A (zh) * | 2016-03-01 | 2016-07-27 | 中山大学 | 一种分布式人工神经网络在sdn上的配置和交互方法 |
CN106648308A (zh) * | 2016-11-17 | 2017-05-10 | 北京小度信息科技有限公司 | 界面显示方法、信息输入方法和装置 |
CN108364000A (zh) * | 2018-03-26 | 2018-08-03 | 南京大学 | 一种基于神经网络人脸特征提取的相似度获得方法 |
CN109783450A (zh) * | 2018-12-14 | 2019-05-21 | 中国平安财产保险股份有限公司 | 一种数据处理方法和装置、以及计算机设备 |
CN110286823A (zh) * | 2019-06-20 | 2019-09-27 | 西安西拓电气股份有限公司 | 信息处理方法及装置 |
CN110633027A (zh) * | 2019-09-16 | 2019-12-31 | 广东小天才科技有限公司 | 一种点读实现方法、系统、计算机设备和存储介质 |
CN110766167A (zh) * | 2019-10-29 | 2020-02-07 | 深圳前海微众银行股份有限公司 | 交互式特征选择方法、设备及可读存储介质 |
CN111381909A (zh) * | 2018-12-27 | 2020-07-07 | 北京字节跳动网络技术有限公司 | 一种页面展示方法、装置、终端设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3594860B1 (en) * | 2018-07-09 | 2024-05-08 | Tata Consultancy Services Limited | Sparse neural network based anomaly detection in multi-dimensional time series |
-
2020
- 2020-09-29 CN CN202011048569.7A patent/CN112051953B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103309607A (zh) * | 2012-03-08 | 2013-09-18 | 索尼公司 | 输入处理装置、输入处理程序和输入处理方法 |
CN105678292A (zh) * | 2015-12-30 | 2016-06-15 | 成都数联铭品科技有限公司 | 基于卷积及递归神经网络的复杂光学文字序列识别系统 |
CN105809248A (zh) * | 2016-03-01 | 2016-07-27 | 中山大学 | 一种分布式人工神经网络在sdn上的配置和交互方法 |
CN106648308A (zh) * | 2016-11-17 | 2017-05-10 | 北京小度信息科技有限公司 | 界面显示方法、信息输入方法和装置 |
CN108364000A (zh) * | 2018-03-26 | 2018-08-03 | 南京大学 | 一种基于神经网络人脸特征提取的相似度获得方法 |
CN109783450A (zh) * | 2018-12-14 | 2019-05-21 | 中国平安财产保险股份有限公司 | 一种数据处理方法和装置、以及计算机设备 |
CN111381909A (zh) * | 2018-12-27 | 2020-07-07 | 北京字节跳动网络技术有限公司 | 一种页面展示方法、装置、终端设备及存储介质 |
CN110286823A (zh) * | 2019-06-20 | 2019-09-27 | 西安西拓电气股份有限公司 | 信息处理方法及装置 |
CN110633027A (zh) * | 2019-09-16 | 2019-12-31 | 广东小天才科技有限公司 | 一种点读实现方法、系统、计算机设备和存储介质 |
CN110766167A (zh) * | 2019-10-29 | 2020-02-07 | 深圳前海微众银行股份有限公司 | 交互式特征选择方法、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112051953A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107025509B (zh) | 基于业务模型的决策系统和方法 | |
US7933934B2 (en) | Operator-specific quality management and quality improvement | |
CN108364106A (zh) | 一种报销单风险预测方法、装置、终端设备及存储介质 | |
CN109102145B (zh) | 流程编排 | |
CN110798502B (zh) | 基于微服务框架的灰度发布方法、装置和计算机设备 | |
CN110336838B (zh) | 账号异常检测方法、装置、终端及存储介质 | |
CN113449046A (zh) | 基于企业知识图谱的模型训练方法、系统及相关装置 | |
CN111782517A (zh) | 一种自动化文件校验方法 | |
CN109376873A (zh) | 运维方法、装置、电子设备及计算机可读存储介质 | |
CN112907356A (zh) | 逾期催收方法、装置、系统及计算机可读存储介质 | |
CN115115257A (zh) | 一种基于关系图谱的企业风险预警方法及系统 | |
KR102411674B1 (ko) | 재테크 정보 제공방법 | |
CN114971693A (zh) | 一种基于bim的工程造价咨询管理系统 | |
CN114219596A (zh) | 一种基于决策树模型的数据处理方法及相关设备 | |
CN112051953B (zh) | 一种页面栏位的输出控制方法、装置及电子设备 | |
KR102406375B1 (ko) | 원천 기술의 평가 방법을 포함하는 전자 장치 | |
CN108921433B (zh) | 基于业务连续性的风险定量分析系统 | |
CN117196630A (zh) | 交易风险预测方法、装置、终端设备以及存储介质 | |
US20040015382A1 (en) | Data-driven management decision tool for total resource management | |
CN115935231A (zh) | 一种数据分类方法、装置、设备及存储介质 | |
CN114493686A (zh) | 一种运营内容生成推送方法及装置 | |
CN113869973A (zh) | 产品推荐方法、产品推荐系统和计算机可读存储介质 | |
CN111652712A (zh) | 基于地理信息的贷前分析方法、装置、设备与存储介质 | |
CN111883240A (zh) | 一种用于医学检验的方法学评估系统 | |
CN111612023A (zh) | 一种分类模型构建方法及装置 |
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 |