CN112069782A - 文档模板生成方法、装置、电子设备及存储介质 - Google Patents

文档模板生成方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112069782A
CN112069782A CN202010934908.5A CN202010934908A CN112069782A CN 112069782 A CN112069782 A CN 112069782A CN 202010934908 A CN202010934908 A CN 202010934908A CN 112069782 A CN112069782 A CN 112069782A
Authority
CN
China
Prior art keywords
template
document
preference
pattern
style
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
CN202010934908.5A
Other languages
English (en)
Other versions
CN112069782B (zh
Inventor
张雨
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 Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China 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 Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN202010934908.5A priority Critical patent/CN112069782B/zh
Publication of CN112069782A publication Critical patent/CN112069782A/zh
Application granted granted Critical
Publication of CN112069782B publication Critical patent/CN112069782B/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
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及数据处理技术领域，揭露了一种文档模板生成方法，包括：对获取的历史文档模板集进行聚类，得到多个文档模板聚类集；对每一个所述文档模板聚类集中的所有文档模板进行结构化拆分及模板元素拆分，分别生成模板样式集及模板元素集；利用预训练好的模板样式偏好预测模型和模板元素偏好预测模型分别对所述模板样式集及模板元素进行偏好预测，得到偏好模板样式集及偏好模板元素集；根据所述偏好模板样式集和所述偏好模板元素集，生成偏好文档模板集。本发明还提出一种文档模板生成装置、电子设备以及存储介质。此外，本发明还涉及区块链技术，所述模板样式集及模板元素集可存储于区块链中。本发明可以提高文档模板的通用性。

Description

文档模板生成方法、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，尤其涉及一种文档模板生成方法、装置、电子设备及计算机可读存储介质。
背景技术
随着信息不断的发展，各种文档模板也随着而出，例如简历模板、合同模板以及保单模板等等，其中，用户可以选择不同文档模板进行文档数据的输入，生成对应的目标文档，基于文档模板的文档数据输入可以大大节省用户工作时间，提高用户工作效率。
目前关于文档模板的生成通常是根据用户需求进行创建，基于用户需求创建文档模板容易造成生成的模板较为单一，从而导致生成的文档模板通用性较低，后续一旦用户需求发生改变时，对应的文档模板也要随之修改，容易带来时间和人力成本。
发明内容
本发明提供一种文档模板生成方法、装置、电子设备及计算机可读存储介质，其主要目的在于提高生成的文档模板通用性。
为实现上述目的，本发明提供的一种文档模板生成方法，包括：
获取历史文档模板集，对所述历史文档模板集中具有相同文档类型的历史文档模板进行聚类，得到多个文档模板聚类集；
对每一个所述文档模板聚类集中的所有文档模板进行结构化拆分及模板元素拆分，分别生成模板样式集及模板元素集；
利用预训练好的模板样式偏好预测模型对所述模板样式集进行模板样式偏好预测，得到偏好模板样式集；
利用预训练好的模板元素偏好预测模型对所述模板元素集进行模板元素偏好预测，得到偏好模板元素集；
根据所述偏好模板样式集和所述偏好模板元素集，生成偏好文档模板集。
可选地，所述对所述历史文档模板集中具有相同文档类型的历史文档模板进行聚类之前，该方法还包括：
采用下述方法检测所述历史文档集中任意两个历史文档模板的距离值：
Figure BDA0002671586530000021
其中，d表示历史文档模板集中任意两个历史文档模板的距离值，w1j和w2j表示历史文档模板集中任意历史文档模板；
根据所述距离值检测所述历史文档模板集中是否存在相似历史文档模板；
若存在相似历史文档模板，则对所述相似历史文档模板进行去重，若不存在相似历史文档模板，则执行聚类。
可选地，所述结构化拆分包括：
获取所述文档模板中所有的元素输入框；
查询所述元素输入框的属性参数，根据所述属性参数，执行所述文档模板中所有元素输入框的拆分，生成所述模板样式集。
可选地，所述模板元素拆分包括：
获取所述文档模板中所有的模板元素，得到初始模板元素集；
对所述初始模板元素集中的所有初始模板元素进行唯一性标识，利用预设的脚本执行唯一性标识后的所述初始模板的拆分，生成所述模板元素集。
可选地，在所述利用预训练好的模板样式偏好预测模型对所述模板样式集进行模板样式偏好预测之前，该方法还包括：
获取训练模板样式集；
利用预构建的模板样式偏好预测模型计算所述训练模板样式集的状态值及激活值；
根据所述状态值和激活值计算所述训练模板样式集的状态更新值；
根据所述状态更新值计算训练值，根据所述训练值调整所述模板样式偏好预测模型的参数，直至所述训练值小于预设的阈值时，得到预训练好的模板样式偏好预测模型。
可选地，所述状态值利用下述方法计算：
Figure BDA0002671586530000022
其中，it表示所述状态值，
Figure BDA0002671586530000023
表示所述模板样式偏好预测模型中输入门的细胞单元的偏置，wi表示所述模板样式偏好预测模型中输入门的激活因子，ht-1表示训练模板样式集的训练模板样式在所述模板样式偏好预测模型中输入门t-1时刻的峰值，xt表示在t时刻输入的训练模板样式集的训练模板样式，bi表示所述模板样式偏好预测模型中输入门的细胞单元的权重。
可选地，所述激活值利用下述方法计算：
Figure BDA0002671586530000031
其中，ft表示所述激活值，
Figure BDA0002671586530000032
表示所述模板样式偏好预测模型中遗忘门的细胞单元的偏置，wf表示所述模板样式偏好预测模型中遗忘门的激活因子，
Figure BDA0002671586530000033
表示训练模板样式集的训练模板样式在所述模板样式偏好预测模型中遗忘门t-1时刻的峰值，xt表示在t时刻输入的训练模板样式集的训练模板样式，bf表示所述模板样式偏好预测模型中遗忘门中细胞单元的权重。
为了解决上述问题，本发明还提供一种文档模板生成装置，所述装置包括：
聚类模块，用于获取历史文档模板集，对所述历史文档模板集中具有相同文档类型的历史文档模板进行聚类，得到多个文档模板聚类集；
拆分模块，用于对每一个所述文档模板聚类集中的所有文档模板进行结构化拆分及模板元素拆分，分别生成模板样式集及模板元素集；
偏好预测模块，用于利用预训练好的模板样式偏好预测模型对所述模板样式集进行模板样式偏好预测，得到偏好模板样式集；
所述偏好预测模块，还用于利用预训练好的模板元素偏好预测模型对所述模板元素集进行模板元素偏好预测，得到偏好模板元素集；
生成模块，用于根据所述偏好模板样式集和所述偏好模板元素集，生成偏好文档模板集。
为了解决上述问题，本发明还提供一种电子设备，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上述所述的文档模板生成方法。
为了解决上述问题，本发明还提供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上述所述的文档模板生成方法。
本发明实施例首先对文档模板聚类集中的所有文档模板进行结构化拆分和模板元素拆分，生成模板样式集和模板元素集，可以识别出所文档模板生成所需的模板样式以及所需的文本信息，保障后续偏好文档模板生成的前提；其次，本发明实施例利用预训练好的模板样式偏好预测模型和模板元素偏好预测模型对所述模板样式集和所述模板元素集分别进行模板样式偏好预测和模板元素偏好预测，得到偏好模板样式集，得到偏好模板元素集，实现了模板样式模板样式和模板元素的智能化预测，可以识别出用户偏好的模板样式和模板元素，提高了后续偏好文档模板生成的通用性；进一步地，本发明实施例根据所述偏好模板样式集和所述偏好模板元素集，生成偏好文档模板集，可以组合生成多个通用性强的文档模板。
附图说明
图1为本发明一实施例提供的文档模板生成方法的流程示意图；
图2为本发明一实施例中图1提供的文档模板生成方法步骤S2中结构化拆分的详细流程示意图；
图3为本发明一实施例中图1提供的文档模板生成方法步骤S2中模板元素拆分的详细流程示意图；
图4为本发明一实施例中图1提供的文档模板生成方法步骤S3中模板样式偏好预测模型训练的详细流程示意图；
图5为本发明一实施例提供的文档模板生成装置的模块示意图；
图6为本发明一实施例提供的实现文档模板生成方法的电子设备的内部结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供的文档模板生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述文档模板生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示的本发明一实施例提供的文档模板生成方法的流程示意图。在本发明实施例中，所述文档模板生成方法包括：
S1、获取历史文档模板集，对所述历史文档模板集中具有相同文档类型的历史文档模板进行聚类，得到多个文档模板聚类集。
在本发明的至少一个实施例中，所述历史文档模板集包括不同的历史文档模板。所述历史文档模板指的是已存在的文档模板，包括但不限于：简历模板、合同模板以及保单模板等等。
一个优选实施例中，利用爬虫技术从不同网页中爬取所述历史文档模板。
进一步地，由于所爬取的历史文档模板，会包含相同类型的文档模板，因此，本发明实施例对所述历史文档模板集中具有相同文档类型的历史文档模板进行聚类，生成多个文档模板聚类集，以节省后续文档模板的生成时间，并提高后续文档模板的生成效率。
一个可选实施例中，利用当前已知的k-means聚类算法对所述历史文档模板集中具有相同文档类型的历史文档模板进行聚类。
进一步地，在本发明的其中一个可选实施例中，对所述历史文档模板集中具有相同文档类型的历史文档模板进行聚类之前，还可以包括：检测所述历史文档模板集中是否存在相似历史文档模板，若存在相似历史文档模板，则对所述相似历史文档模板进行去重，若不存在相似历史文档模板，则执行聚类。
一个可选实施例中，利用下述方法检测所述历史文档集中是否存在相似历史文档模板：
Figure BDA0002671586530000051
其中，d表示历史文档模板集中任意两个历史文档模板的距离值，w1j和w2j表示历史文档模板集中任意历史文档模板。其中，当所述距离值小于预设的距离值时，则表示存在相似历史文档模板，若所述距离值不小于预设的距离值时，则表示不存在相似历史文档模板。较佳地，所述预设的距离值可以为0.1。
基于所述去重，可以筛选出所述历史文档模板集中存在重复的历史文档模板，从而提高后续文档模板的查询速度。
S2、对每一个所述文档模板聚类集中的所有文档模板进行结构化拆分及模板元素拆分，分别生成模板样式集及模板元素集。
本发明较佳实施例中，所述结构化拆分指的是将文档中的元素输入框进行样式拆分，例如，对保单模板进行结构化拆分为：图片、文字、标题以及段落等信息输入框，生成对应的图片模板样式、文字模板样式、标题模板样式以及段落模板样式等。
详细地，参阅图2所示，所述结构化拆分包括：
S20、获取所述文档模板中所有的元素输入框；
S21、查询所述元素输入框的属性参数，根据所述属性参数，执行所述文档模板中所有元素输入框的拆分，生成所述模板样式集。
进一步地，所述元素输入框可以通过Html标签+CSS样式生成，用于接收后续文档信息输入。
进一步地，所述属性参数用于表明对应元素输入框特征的字段，比如，长度字段、高度地段、颜色字段等等，较佳地，本发明实施例通过查询所述元素输入框的源程序代码获取所述属性参数；
进一步地，本发明实施例中通过预设脚本执行所述文档模板中所有元素输入框的拆分，较佳地，所述预设脚本利用JavaScript脚本语言编译。
基于所述文档模板的结构化拆分，可以识别出所文档模板生成所需的模板样式，保障后续偏好文档模板生成的前提。
进一步地，本发明较佳实施例中，所述模板元素指的是在文档模板中需要输入文本信息的标签，例如文字标题、正文以及符号等等。
详细地，参阅图3所示，所述模板元素拆分包括：
S200、获取所述文档模板中所有的模板元素，得到初始模板元素集；
S201、对所述初始模板元素集中的所有初始模板元素进行唯一性标识，利用预设的脚本执行唯一性标识后的所述初始模板的拆分，生成所述模板元素集。
示例性地，以简历模板为例，所述简历模板的模板元素包括：姓名、特长、工作经验、意向岗位、技能证书等。
一个优选实施例中，所述预设脚本利用JavaScript脚本语言编译。
基于所述模板元素集的生成，可以识别出文档模板生成所需的文本信息，保证后续偏好文档模板的生成前提。
其中，需要强调的是，为进一步保证上述模板样式集及模板元素集的私密和安全性，上述模板样式集及模板元素集还可以存储于一区块链的节点中。
S3、利用预训练好的模板样式偏好预测模型对所述模板样式集进行模板样式偏好预测，得到偏好模板样式集。
在本发明的至少一个实施例中，所述模板样式偏好预测模型是一个LSTM(LongShort-Term Memory，长短期记忆人工神经网络)模型，用于预测在文档模板中用户偏好的模板样式，其包括输入门、遗忘门以及输出门。
具体地，参阅图4所示，所述模板样式偏好预测模型的训练包括：
S30、获取训练模板样式集；
S31、利用预构建的模板样式偏好预测模型计算所述训练模板样式集的状态值及激活值；
S32、根据所述状态值和激活值计算所述训练模板样式集的状态更新值；
S33、根据所述状态更新值计算训练值，根据所述训练值调整所述模板样式偏好预测模型的参数，直至所述训练值小于预设的阈值时，得到预训练好的模板样式偏好预测模型。
一个可选实施例中，所述训练模板样式集利用埋点技术从网页中获取，其中，所述训练模板样式集指的是用户较为常用的模板样式。
本发明较佳实施中，通过所述输入门和遗忘门分别计算所述训练模板样式集的状态值及激活值，通过所述输出门计算所述训练值。
一个可选实施例中，所述训练模板样式集的状态值的计算方法包括：
Figure BDA0002671586530000071
其中，it表示所述状态值，
Figure BDA0002671586530000072
表示所述输入门中细胞单元的偏置，wi表示所述输入门的激活因子，ht-1表示训练模板样式集的训练模板样式在所述输入门t-1时刻的峰值，xt表示在t时刻输入的训练模板样式集的训练模板样式，bi表示所述输入门中细胞单元的权重。
一个可选实施例中，所述训练模板样式集的激活值的计算方法包括：
Figure BDA0002671586530000073
其中，ft表示所述激活值，θ表示所述遗忘门中细胞单元的偏置，wf表示所述遗忘门的激活因子，
Figure BDA0002671586530000074
表示训练模板样式集的训练模板样式在所述遗忘门t-1时刻的峰值，xt表示在t时刻输入的训练模板样式集的训练模板样式，bf表示所述遗忘门中细胞单元的权重。
一个可选实施例中，所述训练模板样式集的状态更新值的计算方法包括：
Figure BDA0002671586530000075
其中，ct表示所述状态更新值，ht-1表示表示训练模板样式集的训练模板样式在所述输入门t-1时刻的峰值，
Figure BDA0002671586530000076
表示训练模板样式集的训练模板样式在所述遗忘门t-1时刻的峰值。
一个可选实施例中，所述训练值的计算方法包括：
ot＝tanh(ct)
其中，ot表示所述训练值，tanh表示所述输出门的激活函数，ct表示所述状态更新值。
一个优选实施例中，利用随机梯度下降算法调整所述模板样式偏好预测模型的参数。
一个优选实施例中，所述预设的阈值为0.1。
较佳地，本发明中所述模板样式偏好预测模型的参数包括：偏执和权重。
进一步地，本发明实施例利用预训练好的模板样式偏好预测模型对所述模板样式集进行模板样式偏好预测，得到偏好模板样式集。
基于上述的手段，采用训练好的模板样式偏好预测模型进行模板样式偏好预测，实现了模板样式的智能化预测，可以识别出用户偏好的模板样式，提高了后续偏好文档模板生成的通用性。
S4、利用预训练好的模板元素偏好预测模型对所述模板元素集进行模板元素偏好预测，得到偏好模板元素集。
与所述模板样式偏好预测模型相同，所述模板元素偏好预测模型也是一个LSTM(Long Short-Term Memory，长短期记忆人工神经网络)模型，用于预测在文档模板中用户偏好的模板元素，其包括输入门、遗忘门以及输出门。
所述模板元素偏好预测模型的训练原理与上述S4中模板样式偏好预测模型的训练原理相同，在此不做进一步地阐述。
进一步地，发明实施例利用预训练好的模板元素偏好预测模型对所述模板元素集进行模板元素偏好预测，得到偏好模板元素集。
基于上述的手段，采用训练好的模板元素偏好预测模型进行模板元素偏好预测，实现了模板元素的智能化预测，可以识别出用户偏好的模板元素，提高了后续偏好文档模板生成的通用性。
S5、根据所述偏好模板样式集和所述偏好模板元素集，生成偏好文档模板集。
在本发明的至少一个实施例中，所述根据所述偏好模板样式集和所述偏好模板元素集，生成偏好文档模板集，包括：基于用户需求，组合所述偏好模板样式集和所述偏好模板元素集中对应的偏好模板样式与偏好模板元素，生成偏好文档模板集，例如，将文本元素输入框与对应职业、姓名、特长等模板元素进行组合。
基于所述偏好模板样式集和所述偏好模板元素集，可以组合生成多个通用性强的文档模板，实现文档模板的多样性，从而可以满足不同用户需求。
本发明另一实施例中，在生成所述偏好文档模板集之后还包括：根据用户需求，修改对应偏好文档模板集中相应的模板样式和/或模板元素，例如用户在选取所述偏好文档模板集中第i个偏好文档模板，由于临时增加需求，比如需要在所述第i个偏好文档模板中增添相应的模板元素，此时本发明还包括根据用户的修改要求，直接在所述第i个偏好文档模板中相应模板元素进行修改，无需在进行人力开发，节省人力成本的同时增加用户的满意度和体验度。
综上所述，本发明实施例首先对文档模板聚类集中的所有文档模板进行结构化拆分和模板元素拆分，生成模板样式集和模板元素集，可以识别出文档模板生成所需的模板样式以及所需的文本信息，保障后续偏好文档模板生成的前提；其次，本发明实施例利用预训练好的模板样式偏好预测模型和模板元素偏好预测模型对所述模板样式集和所述模板元素集分别进行模板样式偏好预测和模板元素偏好预测，得到偏好模板样式集，得到偏好模板元素集，实现了模板样式模板样式和模板元素的智能化预测，可以识别出用户偏好的模板样式和模板元素，提高了后续偏好文档模板生成的通用性；进一步地，本发明实施例根据所述偏好模板样式集和所述偏好模板元素集，生成偏好文档模板集，可以组合生成多个通用性强的文档模板。
如图5所示，是本发明文档模板生成装置的功能模块图。
本发明所述文档模板生成装置100可以安装于电子设备中。根据实现的功能，所述文档模板生成装置可以包括聚类模块101、拆分模块102、偏好预测模块103以及生成模块104。本发所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述聚类模块101，用于获取历史文档模板集，对所述历史文档模板集中具有相同文档类型的历史文档模板进行聚类，得到多个文档模板聚类集。
在本发明的至少一个实施例中，所述历史文档模板集包括不同的历史文档模板。所述历史文档模板指的是已存在的文档模板，包括但不限于：简历模板、合同模板以及保单模板等等。
一个优选实施例中，利用爬虫技术从不同网页中爬取所述历史文档模板。
进一步地，由于所爬取的历史文档模板，会包含相同类型的文档模板，因此，本发明实施例对所述历史文档模板集中具有相同文档类型的历史文档模板进行聚类，生成多个文档模板聚类集，以节省后续文档模板的生成时间，并提高后续文档模板的生成效率。
一个可选实施例中，利用当前已知的k-means聚类算法对所述历史文档模板集中具有相同文档类型的历史文档模板进行聚类。
进一步地，在本发明的其中一个可选实施例中，对所述历史文档模板集中具有相同文档类型的历史文档模板进行聚类之前，还可以包括：检测所述历史文档模板集中是否存在相似历史文档模板，若存在相似历史文档模板，则对所述相似历史文档模板进行去重，若不存在相似历史文档模板，则执行聚类。
一个可选实施例中，利用下述方法检测所述历史文档集中是否存在相似历史文档模板：
Figure BDA0002671586530000101
其中，d表示历史文档模板集中任意两个历史文档模板的距离值，w1j和w2j表示历史文档模板集中任意历史文档模板。其中，当所述距离值小于预设的距离值时，则表示存在相似历史文档模板，若所述距离值不小于预设的距离值时，则表示不存在相似历史文档模板。较佳地，所述预设的距离值可以为0.1。
基于所述去重，可以筛选出所述历史文档模板集中存在重复的历史文档模板，从而提高后续文档模板的查询速度。
所述拆分模块102，用于对每一个所述文档模板聚类集中的所有文档模板进行结构化拆分及模板元素拆分，分别生成模板样式集及模板元素集。
本发明较佳实施例中，所述结构化拆分指的是将文档中的元素输入框进行样式拆分，例如，对保单模板进行结构化拆分为：图片、文字、标题以及段落等信息输入框，生成对应的图片模板样式、文字模板样式、标题模板样式以及段落模板样式等。
详细地，所述结构化拆分包括：
步骤A、获取所述文档模板中所有的元素输入框；
步骤B、查询所述元素输入框的属性参数，根据所述属性参数，执行所述文档模板中所有元素输入框的拆分，生成所述模板样式集。
进一步地，所述元素输入框可以通过Html标签+CSS样式生成，用于接收后续文档信息输入。
进一步地，所述属性参数用于表明对应元素输入框特征的字段，比如，长度字段、高度地段、颜色字段等等，较佳地，本发明实施例通过查询所述元素输入框的源程序代码获取所述属性参数；
进一步地，本发明实施例中通过预设脚本执行所述文档模板中所有元素输入框的拆分，较佳地，所述预设脚本利用JavaScript脚本语言编译。
基于所述文档模板的结构化拆分，可以识别出所文档模板生成所需的模板样式，保障后续偏好文档模板生成的前提。
进一步地，本发明较佳实施例中，所述模板元素指的是在文档模板中需要输入文本信息的标签，例如文字标题、正文以及符号等等。
详细地，所述模板元素拆分包括：
步骤a、获取所述文档模板中所有的模板元素，得到初始模板元素集；
步骤b、对所述初始模板元素集中的所有初始模板元素进行唯一性标识，利用预设的脚本执行唯一性标识后的所述初始模板的拆分，生成所述模板元素集。
示例性地，以简历模板为例，所述简历模板的模板元素包括：姓名、特长、工作经验、意向岗位、技能证书等。
一个优选实施例中，所述预设脚本利用JavaScript脚本语言编译。
基于所述模板元素集的生成，可以识别出文档模板生成所需的文本信息，保证后续偏好文档模板的生成前提。
其中，需要强调的是，为进一步保证上述模板样式集及模板元素集的私密和安全性，上述模板样式集及模板元素集还可以存储于一区块链的节点中。
所述偏好预测模块103，用于利用预训练好的模板样式偏好预测模型对所述模板样式集进行模板样式偏好预测，得到偏好模板样式集。
在本发明的至少一个实施例中，所述模板样式偏好预测模型用于预测在文档模板中用户偏好的模板样式，其包括输入门、遗忘门以及输出门。
具体地，所述模板样式偏好预测模型的训练包括：
I、获取训练模板样式集；
II、利用预构建的模板样式偏好预测模型计算所述训练模板样式集的状态值及激活值；
III、根据所述状态值和激活值计算所述训练模板样式集的状态更新值；
IV、根据所述状态更新值计算训练值，根据所述训练值调整所述模板样式偏好预测模型的参数，直至所述训练值小于预设的阈值时，得到预训练好的模板样式偏好预测模型。
一个可选实施例中，所述训练模板样式集利用埋点技术从网页中获取，其中，所述训练模板样式集指的是用户较为常用的模板样式。
本发明较佳实施中，通过所述输入门和遗忘门分别计算所述训练模板样式集的状态值及激活值，通过所述输出门计算所述训练值。
一个可选实施例中，所述训练模板样式集的状态值的计算方法包括：
Figure BDA0002671586530000111
其中，it表示所述状态值，
Figure BDA0002671586530000112
表示所述输入门中细胞单元的偏置，wi表示所述输入门的激活因子，ht-1表示训练模板样式集的训练模板样式在所述输入门t-1时刻的峰值，xt表示在t时刻输入的训练模板样式集的训练模板样式，bi表示所述输入门中细胞单元的权重。
一个可选实施例中，所述训练模板样式集的激活值的计算方法包括：
Figure BDA0002671586530000121
其中，ft表示所述激活值，
Figure BDA0002671586530000122
表示所述遗忘门中细胞单元的偏置，wf表示所述遗忘门的激活因子，
Figure BDA0002671586530000123
表示训练模板样式集的训练模板样式在所述遗忘门t-1时刻的峰值，xt表示在t时刻输入的训练模板样式集的训练模板样式，bf表示所述遗忘门中细胞单元的权重。
一个可选实施例中，所述训练模板样式集的状态更新值的计算方法包括：
Figure BDA0002671586530000124
其中，ct表示所述状态更新值，ht-1表示表示训练模板样式集的训练模板样式在所述输入门t-1时刻的峰值，
Figure BDA0002671586530000125
表示训练模板样式集的训练模板样式在所述遗忘门t-1时刻的峰值
一个可选实施例中，所述训练值的计算方法包括：
ot＝tanh(ct)
其中，ot表示所述训练值，tanh表示所述输出门的激活函数，ct表示所述状态更新值。
一个优选实施例中，所述预设的阈值为0.1。
较佳地，本发明中所述模板样式偏好预测模型的参数包括：偏执和权重。
进一步地，本发明实施例利用预训练好的模板样式偏好预测模型对所述模板样式集进行模板样式偏好预测模型，得到偏好模板样式集。
基于上述的手段，采用训练好的模板样式偏好预测模型进行模板样式偏好预测，实现了模板样式的智能化预测，可以识别出用户偏好的模板样式，提高了后续偏好文档模板生成的通用性。
所述偏好预测模块103，还用于利用预训练好的模板元素偏好预测模型对所述模板元素集进行模板元素偏好预测，得到偏好模板元素集。
在本发明的至少一个实施例中，所述模板元素偏好预测模型用于用于预测在文档模板中用户偏好的模板元素，其包括输入门、遗忘门以及输出门。
其中，需要声明的是，所述模板元素偏好预测模型的训练原理与上述模板样式偏好预测模型的训练原理相同，在此不做进一步地阐述。
进一步地，发明实施例利用预训练好的模板元素偏好预测模型对所述模板元素集进行模板元素偏好预测模型，得到偏好模板元素集。
基于上述的手段，采用训练好的模板元素偏好预测模型进行模板元素偏好预测，实现了模板元素的智能化预测，可以识别出用户偏好的模板元素，提高了后续偏好文档模板生成的通用性。
所述生成模块104，用于根据所述偏好模板样式集和所述偏好模板元素集，生成偏好文档模板集。
在本发明的至少一个实施例中，所述根据所述偏好模板样式集和所述偏好模板元素集，生成偏好文档模板集，包括：基于用户需求，组合所述偏好模板样式集和所述偏好模板元素集中对应的偏好模板样式与偏好模板元素，生成偏好文档模板集，例如，将文本元素输入框与对应职业、姓名、特长等模板元素进行组合。
基于所述偏好模板样式集和所述偏好模板元素集，可以组合生成多个通用性强的文档模板，实现文档模板的多样性，从而可以满足不同用户需求。
本发明另一实施例中，在生成所述偏好文档模板集之后还包括：根据用户需求，修改对应偏好文档模板集中相应的模板样式和/或模板元素，例如用户在选取所述偏好文档模板集中第i个偏好文档模板，由于临时增加需求，比如需要在所述第i个偏好文档模板中增添相应的模板元素，此时本发明还包括根据用户的修改要求，直接在所述第i个偏好文档模板中相应模板元素进行修改，无需在进行人力开发，节省人力成本的同时增加用户的满意度和体验度。
综上所述，本发明实施例首先对文档模板聚类集中的所有文档模板进行结构化拆分和模板元素拆分，生成模板样式集和模板元素集，可以识别出文档模板生成所需的模板样式以及所需的文本信息，保障后续偏好文档模板生成的前提；其次，本发明实施例利用预训练好的模板样式偏好预测模型和模板元素偏好预测模型对所述模板样式集和所述模板元素集分别进行模板样式偏好预测和模板元素偏好预测，得到偏好模板样式集，得到偏好模板元素集，实现了模板样式模板样式和模板元素的智能化预测，可以识别出用户偏好的模板样式和模板元素，提高了后续偏好文档模板生成的通用性；进一步地，本发明实施例根据所述偏好模板样式集和所述偏好模板元素集，生成偏好文档模板集，可以组合生成多个通用性强的文档模板。
如图6所示，是本发明实现文档模板生成方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如文档模板生成程序12。
其中，所述存储器11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。所述存储器11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。所述存储器11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(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11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。所述存储器11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，例如文档模板生成的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10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。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行文档模板生成等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述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。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6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。
例如，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10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。
所述电子设备1中的所述存储器11存储的文档模板生成12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取历史文档模板集，对所述历史文档模板集中具有相同文档类型的历史文档模板进行聚类，得到多个文档模板聚类集；
对每一个所述文档模板聚类集中的所有文档模板进行结构化拆分及模板元素拆分，分别生成模板样式集及模板元素集；
利用预训练好的模板样式偏好预测模型对所述模板样式集进行模板样式偏好预测，得到偏好模板样式集；
利用预训练好的模板元素偏好预测模型对所述模板元素集进行模板元素偏好预测，得到偏好模板元素集；
根据所述偏好模板样式集和所述偏好模板元素集，生成偏好文档模板集。
具体地，所述处理器10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。
进一步地，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，可以存储在一个非易失性计算机可读取存储介质中。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)。
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。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
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)

1.一种文档模板生成方法，其特征在于，所述方法包括：
获取历史文档模板集，对所述历史文档模板集中具有相同文档类型的历史文档模板进行聚类，得到多个文档模板聚类集；
对每一个所述文档模板聚类集中的所有文档模板进行结构化拆分及模板元素拆分，分别生成模板样式集及模板元素集；
利用预训练好的模板样式偏好预测模型对所述模板样式集进行模板样式偏好预测，得到偏好模板样式集；
利用预训练好的模板元素偏好预测模型对所述模板元素集进行模板元素偏好预测，得到偏好模板元素集；
根据所述偏好模板样式集和所述偏好模板元素集，生成偏好文档模板集。
2.如权利要求1所述的文档模板生成方法，其特征在于，所述对所述历史文档模板集中具有相同文档类型的历史文档模板进行聚类之前，该方法还包括：
采用下述方法检测所述历史文档集中任意两个历史文档模板的距离值：
Figure FDA0002671586520000011
其中，d表示历史文档模板集中任意两个历史文档模板的距离值，w1j和w2j表示历史文档模板集中任意历史文档模板；
根据所述距离值检测所述历史文档模板集中是否存在相似历史文档模板；
若存在相似历史文档模板，则对所述相似历史文档模板进行去重，若不存在相似历史文档模板，则执行聚类。
3.如权利要求1所述的文档模板生成方法，其特征在于，所述结构化拆分包括：
获取所述文档模板中所有的元素输入框；
查询所述元素输入框的属性参数，根据所述属性参数，执行所述文档模板中所有元素输入框的拆分，生成所述模板样式集。
4.如权利要求1所述的文档模板生成方法，其特征在于，所述模板元素拆分包括：
获取所述文档模板中所有的模板元素，得到初始模板元素集；
对所述初始模板元素集中的所有初始模板元素进行唯一性标识，利用预设的脚本执行唯一性标识后的所述初始模板的拆分，生成所述模板元素集。
5.如权利要求1至4中任意一项所述的文档模板生成方法，其特征在于，在所述利用预训练好的模板样式偏好预测模型对所述模板样式集进行模板样式偏好预测之前，该方法还包括：
获取训练模板样式集；
利用预构建的模板样式偏好预测模型计算所述训练模板样式集的状态值及激活值；
根据所述状态值和激活值计算所述训练模板样式集的状态更新值；
根据所述状态更新值计算训练值，根据所述训练值调整所述模板样式偏好预测模型的参数，直至所述训练值小于预设的阈值时，得到预训练好的模板样式偏好预测模型。
6.如权利要求5所述的文档模板生成方法，其特征在于，所述状态值利用下述方法计算：
Figure FDA0002671586520000021
其中，it表示所述状态值，
Figure FDA0002671586520000025
表示所述模板样式偏好预测模型中输入门的细胞单元的偏置，wi表示所述模板样式偏好预测模型中输入门的激活因子，ht-1表示训练模板样式集的训练模板样式在所述模板样式偏好预测模型中输入门t-1时刻的峰值，xt表示在t时刻输入的训练模板样式集的训练模板样式，bi表示所述模板样式偏好预测模型中输入门的细胞单元的权重。
7.如权利要求5所述的文档模板生成方法，其特征在于，所述激活值利用下述方法计算：
Figure FDA0002671586520000022
其中，ft表示所述激活值，
Figure FDA0002671586520000023
表示所述模板样式偏好预测模型中遗忘门的细胞单元的偏置，wf表示所述模板样式偏好预测模型中遗忘门的激活因子，
Figure FDA0002671586520000024
表示训练模板样式集的训练模板样式在所述模板样式偏好预测模型中遗忘门t-1时刻的峰值，xt表示在t时刻输入的训练模板样式集的训练模板样式，bf表示所述模板样式偏好预测模型中遗忘门中细胞单元的权重。
8.一种文档模板生成装置，其特征在于，所述装置包括：
聚类模块，用于获取历史文档模板集，对所述历史文档模板集中具有相同文档类型的历史文档模板进行聚类，得到多个文档模板聚类集；
拆分模块，用于对每一个所述文档模板聚类集中的所有文档模板进行结构化拆分及模板元素拆分，分别生成模板样式集及模板元素集；
偏好预测模块，用于利用预训练好的模板样式偏好预测模型对所述模板样式集进行模板样式偏好预测，得到偏好模板样式集；
所述偏好预测模块，还用于利用预训练好的模板元素偏好预测模型对所述模板元素集进行模板元素偏好预测，得到偏好模板元素集；
生成模块，用于根据所述偏好模板样式集和所述偏好模板元素集，生成偏好文档模板集。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的文档模板生成方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的文档模板生成方法。
CN202010934908.5A 2020-09-08 2020-09-08 文档模板生成方法、装置、电子设备及存储介质 Active CN112069782B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010934908.5A CN112069782B (zh) 2020-09-08 2020-09-08 文档模板生成方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010934908.5A CN112069782B (zh) 2020-09-08 2020-09-08 文档模板生成方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112069782A true CN112069782A (zh) 2020-12-11
CN112069782B CN112069782B (zh) 2023-09-19

Family

ID=73664356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010934908.5A Active CN112069782B (zh) 2020-09-08 2020-09-08 文档模板生成方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112069782B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705684A (zh) * 2021-08-30 2021-11-26 平安科技（深圳）有限公司 反向迭代的异常检测方法、装置、电子设备及介质
CN117648909A (zh) * 2024-01-29 2024-03-05 国网湖北省电力有限公司信息通信公司 一种基于人工智能的电力系统公文数据管理系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001039019A2 (en) * 1999-11-24 2001-05-31 Bitstream Inc. Apparatuses, methods, and programming for automatically laying out documents
US20040015782A1 (en) * 2002-07-17 2004-01-22 Day Young Francis Templating method for automated generation of print product catalogs
US20050223319A1 (en) * 2004-03-31 2005-10-06 Seiko Epson Corporation Layout-rule generation system, layout system, layout-rule generation program, layout program, storage medium, method of generating layout rule, and method of layout
WO2012039723A1 (en) * 2010-09-26 2012-03-29 Hewlett-Packard Development Company Generating variable document templates
CN109740139A (zh) * 2018-11-27 2019-05-10 平安科技（深圳）有限公司 文档标题自定义样式控制方法、装置、计算机设备及存储介质
CN110738035A (zh) * 2019-09-18 2020-01-31 平安科技（深圳）有限公司 一种文档模板生成方法及装置
CN110879937A (zh) * 2019-10-12 2020-03-13 平安国际智慧城市科技股份有限公司 文档生成网页的方法、装置、计算机设备和存储介质
CN111475645A (zh) * 2020-03-17 2020-07-31 平安国际智慧城市科技股份有限公司 知识点标注方法、装置及计算机可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001039019A2 (en) * 1999-11-24 2001-05-31 Bitstream Inc. Apparatuses, methods, and programming for automatically laying out documents
US20040015782A1 (en) * 2002-07-17 2004-01-22 Day Young Francis Templating method for automated generation of print product catalogs
US20050223319A1 (en) * 2004-03-31 2005-10-06 Seiko Epson Corporation Layout-rule generation system, layout system, layout-rule generation program, layout program, storage medium, method of generating layout rule, and method of layout
WO2012039723A1 (en) * 2010-09-26 2012-03-29 Hewlett-Packard Development Company Generating variable document templates
CN109740139A (zh) * 2018-11-27 2019-05-10 平安科技（深圳）有限公司 文档标题自定义样式控制方法、装置、计算机设备及存储介质
CN110738035A (zh) * 2019-09-18 2020-01-31 平安科技（深圳）有限公司 一种文档模板生成方法及装置
CN110879937A (zh) * 2019-10-12 2020-03-13 平安国际智慧城市科技股份有限公司 文档生成网页的方法、装置、计算机设备和存储介质
CN111475645A (zh) * 2020-03-17 2020-07-31 平安国际智慧城市科技股份有限公司 知识点标注方法、装置及计算机可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705684A (zh) * 2021-08-30 2021-11-26 平安科技（深圳）有限公司 反向迭代的异常检测方法、装置、电子设备及介质
CN113705684B (zh) * 2021-08-30 2023-11-24 平安科技（深圳）有限公司 反向迭代的异常检测方法、装置、电子设备及介质
CN117648909A (zh) * 2024-01-29 2024-03-05 国网湖北省电力有限公司信息通信公司 一种基于人工智能的电力系统公文数据管理系统及方法
CN117648909B (zh) * 2024-01-29 2024-04-12 国网湖北省电力有限公司信息通信公司 一种基于人工智能的电力系统公文数据管理系统及方法

Also Published As

Publication number Publication date
CN112069782B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN112446207A (zh) 标题生成方法、装置、电子设备及存储介质
CN113704614A (zh) 基于用户画像的页面生成方法、装置、设备及介质
CN112115145A (zh) 数据采集方法、装置、电子设备及存储介质
CN114511038A (zh) 虚假新闻检测方法、装置、电子设备及可读存储介质
CN112069782A (zh) 文档模板生成方法、装置、电子设备及存储介质
CN114781832A (zh) 课程推荐方法、装置、电子设备及存储介质
CN113868528A (zh) 资讯推荐方法、装置、电子设备及可读存储介质
CN112269875B (zh) 文本分类方法、装置、电子设备及存储介质
CN114185776A (zh) 应用程序的大数据埋点方法、装置、设备及介质
CN114003704A (zh) 指定标签客群的创建方法、装置、电子设备及存储介质
CN113505273A (zh) 基于重复数据筛选的数据排序方法、装置、设备及介质
CN113157739A (zh) 跨模态检索方法、装置、电子设备及存储介质
CN111652282A (zh) 基于大数据的用户偏好分析方法、装置及电子设备
CN115346095A (zh) 视觉问答方法、装置、设备及存储介质
CN115147660A (zh) 基于增量学习的图像分类方法、装置、设备及存储介质
CN115033605A (zh) 数据查询方法、装置、电子设备及存储介质
CN114385815A (zh) 基于业务需求的新闻筛选方法、装置、设备及存储介质
CN114611477A (zh) 数据表的设计推荐方法、装置、电子设备及介质
CN113822215A (zh) 设备操作指引文件生成方法、装置、电子设备及存储介质
CN113486646A (zh) 产品报告发布方法、装置、电子设备及可读存储介质
CN113780473A (zh) 基于深度模型的数据处理方法、装置、电子设备及存储介质
CN112631589A (zh) 应用程序首页布局配置方法、装置、电子设备及存储介质
CN113626605A (zh) 信息分类方法、装置、电子设备及可读存储介质
CN111859452A (zh) 页面信息校验方法、装置、设备及计算机可读存储介质
CN112215336A (zh) 基于用户行为的数据标注方法、装置、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