CN113052262A - 表单生成方法、装置、计算机设备及存储介质 - Google Patents
表单生成方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113052262A CN113052262A CN202110441546.0A CN202110441546A CN113052262A CN 113052262 A CN113052262 A CN 113052262A CN 202110441546 A CN202110441546 A CN 202110441546A CN 113052262 A CN113052262 A CN 113052262A
- Authority
- CN
- China
- Prior art keywords
- components
- neural network
- network model
- deep learning
- learning neural
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003062 neural network model Methods 0.000 claims abstract description 107
- 238000013135 deep learning Methods 0.000 claims abstract description 104
- 239000013598 vector Substances 0.000 claims abstract description 98
- 238000012549 training Methods 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 34
- 230000004927 fusion Effects 0.000 claims description 29
- 230000004044 response Effects 0.000 claims description 22
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000018109 developmental process Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请实施例属于人工智能领域,涉及一种表单生成方法,包括获取待生成表单的N个组件和所述组件的组件参数,N为大于0的正整数;将所述组件和组件参数根据预设的第一规则进行特征向量化,得到所述待生成表单的特征向量;将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案;将所述组件和所述组件的组件参数根据所述组件布局方案生成表单。通过预设组件库,根据用户选择的组件智能化的生成符合业务需求的表单,提高了业务表单产生的效率。本申请还提供一种表单生成装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,所述表单可存储于区块链中。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及表单方法表单生成方法、装置、计算机设备及存储介质。
背景技术
随着互联网的发展,各种面向用户的应用程序开发一直是软件开发的热点,其中应用程序的前端页面开发占了大量的工作量,正常的设计流程为:业务需求方->产品经理->UE设计->UI设计->开发人员,这个流程比较长,需要多个角色分工配合,耗时而且信息的传递存在误差,可视化页面或表单设计开发进程慢成为应用程序开发的痛点。现有的可视化页面或表设计开发方案大多数是给开发人员使用,无法让业务需求方或者产品经理直接使用。
发明内容
本申请实施例的目的在于提出一种表单生成方法、装置、计算机设备及存储介质,以解决可视化页面或表单设计开发进程缓慢的问题。
为了解决上述技术问题,本申请实施例提供一种表单生成方法,采用了如下所述的技术方案:
获取待生成表单的N个组件和所述组件的组件参数,N为大于0的正整数;
将所述组件和组件参数根据预设的第一规则进行特征向量化,得到所述待生成表单的特征向量;
将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案;
将所述组件和所述组件的组件参数根据所述组件布局方案生成表单。
进一步的,在所述获取待生成表单的N个组件和所述组件的组件参数的步骤之前还包括:
获取用户输入的业务需求;
根据所述业务需求检索预设的业务逻辑数据库,获得所述业务需求的业务逻辑;
根据所述业务逻辑在预设的组件库中匹配出M个候选组件,M为大于0的正整数;
获取用户从所述M个候选组件中选择的待生成表单的N个组件,并获取用户输入的所述组件的组件参数。
进一步的,在所述将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案的步骤之前还包括:
获取第一训练样本集,所述第一训练样本集中每一个训练样本包含多个组件,且每一个样本标注组件布局参考方案;
将所述第一训练样本集中的训练样本输入到第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述训练样本输出的组件布局预测方案;
通过损失函数比较所述组件布局预测方案和所述组件布局参考方案的一致性,其中损失函数为L=||X-Y||2,其中,X为所述组件布局参考方案,Y为所述组件布局预测方案;
调整所述第一深度学习神经网络模型的各节点的参数,使所述损失函数达到最小值时结束,得到训练好的第一深度学习神经网络模型。
进一步的,在所述将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案的步骤之后,还包括:
获取用户信息;
将所述用户信息按照预设第二规则特征向量化,得到所述用户的特征向量;
将所述用户的特征向量和所述待生成表单的特征向量拼接,得到融合特征向量;
将所述融合特征向量输入到预先训练的第二深度学习神经网络模型中,获得所述第二深度学习神经网络模型响应所述融合特征向量,从预设的样式方案数据库中匹配出的样式方案;
将所述组件和所述组件的组件参数根据所述组件布局方案和所述样式方案生成表单。
进一步的,在所述将所述融合特征向量输入到预先训练的第二深度学习神经网络模型中,获得所述第二深度学习神经网络模型响应所述融合特征向量,从预设的样式方案数据库中匹配出的样式方案的步骤之前还包括:
获取第二训练样本集,所述第二训练样本集中每一个训练样本为融合了用户特征和表单特征的样本融合特征向量,并对每一个样本标注样式参考方案;
将所述第二训练样本集中的训练样本输入到第二深度学习神经网络模型中,获得所述第二深度学习神经网络模型响应所述训练样本输出的样式预测方案;
通过softmax损失函数比较所述样式预测方案和所述样式参考方案的一致性;
调整所述第二深度学习神经网络模型的各节点的参数,使所述softmax损失函数达到最小值时结束,得到训练好的第二深度学习神经网络模型。
为了解决上述技术问题,本申请实施例还提供一种表单生成装置,采用了如下所述的技术方案:
获取模块,用于获取待生成表单的N个组件和所述组件的组件参数,N为大于0的正整数;
转换模块,用于将所述组件和组件参数根据预设的第一规则进行特征向量化,得到所述待生成表单的特征向量;
处理模块,用于将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案;
生成模块,用于将所述组件和所述组件的组件参数根据所述组件布局方案生成表单。
进一步的,所述的表单生成装置,还包括:
第一获取子模块,用于获取用户输入的业务需求;
第一检索子模块,用于根据所述业务需求检索预设的业务逻辑数据库,获得所述业务需求的业务逻辑;
第一匹配子模块,用于根据所述业务逻辑在预设的组件库中匹配出M个候选组件,M为大于0的正整数;
第二获取子模块,用于获取用户从所述M个候选组件中选择的待生成表单的N个组件,并获取用户输入的所述组件的组件参数。
进一步的,所述的表单生成装置,还包括:
第三获取子模块,用于获取第一训练样本集,所述第一训练样本集中每一个训练样本包含多个组件,且每一个样本标注组件布局参考方案;
第一预测子模块,用于将所述第一训练样本集中的训练样本输入到第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述训练样本输出的组件布局预测方案;
第一比较子模块,用于通过损失函数比较所述组件布局预测方案和所述组件布局参考方案的一致性,其中损失函数为L=||X-Y||2,其中,X为所述组件布局参考方案,Y为所述组件布局预测方案;
第一调整子模块,用于调整所述第一深度学习神经网络模型的各节点的参数,使所述损失函数达到最小值时结束,得到训练好的第一深度学习神经网络模型。
进一步的,所述的表单生成装置,还包括
第四获取子模块,用于获取用户信息;
第一转换子模块,用于将所述用户信息按照预设第二规则特征向量化,得到所述用户的特征向量;
第一拼接子模块,用于将所述用户的特征向量和所述待生成表单的特征向量拼接,得到融合特征向量;
第二匹配子模块,用于将所述融合特征向量输入到预先训练的第二深度学习神经网络模型中,获得所述第二深度学习神经网络模型响应所述融合特征向量,从预设的样式方案数据库中匹配出的样式方案;
第一生成子模块,用于将所述组件和所述组件的组件参数根据所述组件布局方案和所述样式方案生成表单。
进一步的,在所述的表单生成装置,还包括:
第五获取子模块,用于获取第二训练样本集,所述第二训练样本集中每一个训练样本为融合了用户特征和表单特征的样本融合特征向量,并对每一个样本标注样式参考方案;
第二预测子模块,用于将所述第二训练样本集中的训练样本输入到第二深度学习神经网络模型中,获得所述第二深度学习神经网络模型响应所述训练样本输出的样式预测方案;
第二比较子模块,用于通过softmax损失函数比较所述样式预测方案和所述样式参考方案的一致性;
第二调整子模块,用于调整所述第二深度学习神经网络模型的各节点的参数,使所述softmax损失函数达到最小值时结束,得到训练好的第二深度学习神经网络模型。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,采用了如下所述的技术方案:
一种计算机设备,包括存储器和处理器,存储器中存储有计算机可读指令,处理器执行计算机可读指令时实现如上述表单生成方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,采用了如下所述的技术方案:
一种计算机可读存储介质,计算机可读存储介质上存储有计算机可读指令,计算机可读指令被处理器执行时实现如上述表单生成方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:获取待生成表单的N个组件和所述组件的组件参数,N为大于0的正整数;将所述组件和组件参数根据预设的第一规则进行特征向量化,得到所述待生成表单的特征向量;将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案;将所述组件和所述组件的组件参数根据所述组件布局方案生成表单。本申请通过预设组件库,根据用户选择的组件智能化的生成符合业务需求的表单,提高了业务表单产生的效率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图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是本申请可以应用于其中的示例性系统架构图;
图2根据本申请的表单生成方法的一个实施例的流程图;
图3是图2中步骤S201之前的一种具体实施方式的流程图;
图4是根据本申请的表单生成装置的一个实施例的结构示意图;
图5是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例所提供的表单生成方法一般由服务器/终端设备执行,相应地,表单生成装置一般设置于服务器/终端设备中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的表单生成的方法的一个实施例的流程图。所述的表单生成方法,包括以下步骤:
步骤S201,获取待生成表单的N个组件和所述组件的组件参数,N为大于0的正整数。
在本实施例中,表单生成方法运行于其上的电子设备(例如图1所示的服务器/终 端设备)可以通过有线连接方式或者无线连接方式获取待生成表单的N个组件和所述组件的组件参数。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
组件(Component)是对数据和方法的简单封装。C++Builder中,一个组件就是一个从TComponent派生出来的特定对象。组件可以有自己的属性和方法。属性是组件数据的简单访问者。方法则是组件的一些简单而可见的功能。使用组件可以实现拖放式编程、快速的属性处理以及真正的面向对象的设计。
本实施例预设组件库,用户根据业务需求从预设的组件库中选择待生成表单的组件,组件参数可编辑。组件参数包括标题、数据取值范围、数据类型等。
步骤S202,将所述组件和组件参数根据预设的第一规则进行特征向量化,得到所述待生成表单的特征向量。
在本实施例中,主要通过训练第一深度学习神经网络模型学习自然语言的前后逻辑以及组件之间的逻辑关系,对组件之间的位置关系进行布局。所以这里的特征向量化,先将获取的组件对应到数据空间,具体可以先统计出所有的组件,对每个组件编号,针对每次选择的组件构建向量,当选择了某个组件,则该向量对应编号位置上的维度数值为1,否则为0。然后对组件参数向量化,这里使用词向量化方法对组件参数进行向量化,例如通过one-hot编码,one-hot编码基于词袋模型,统计常用的组件参数用到的词,对每个词编码,对每一个组件参数构建向量,向量的每个维度表示一个词,当组件参数中出现了某个词,根据这个词的编码,对应的维度数值为1,否则为0。据此完成组件参数的向量化。这里的第一规则指根据上述规则对组件以及组件参数的特征向量化。
步骤S203,将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案。
在本实施例中,这里的组件布局方案即各组件的位置关系。这里可以理解为输入了一个组件序列和参数,预期输出一个组件序列,本质上是从序列到序列转换。这里的第一深度学习神经网络模型采用Pointer Network模型,它是seq2seq模型的一个变种。PointerNetwork是产生一系列指向输入序列元素的指针。最基础的用法是对可变长度序列或集合的元素进行排序。具体PointerNetwork可以通过TensorFlow实现,TensorFlow是一个基于数据流编程的符号数学系统,被广泛应用于各类机器学习算法的编程实现。
步骤S204,将所述组件和所述组件的组件参数根据所述组件布局方案生成表单。
组件布局方案定义了组件的位置关系,组件布局方案通过动态html模板实现,动态html模板通过支持CGI(通用网关接口)的语言生成,例如PHP、ASP、PYTHON等。动态html模板通过CGI接口读取包含所述组件和组件参数的文件,生成对应的表单。例如,要生成人事请假表单,用户选择的组件包括标题组件、人员信息输入组件、事件描述组件、时间选择组件,动态html模板定义了这4个组件的布局,将这4个组件的配置文件写入组件布局方案对应的动态html模板,生成表单。
本申请通过获取待生成表单的N个组件和所述组件的组件参数,N为大于0的正整数;将所述组件和组件参数根据预设的第一规则进行特征向量化,得到所述待生成表单的特征向量;将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案;将所述组件和所述组件的组件参数根据所述组件布局方案生成表单。预设组件库,根据用户选择的组件智能化的生成符合业务需求的表单,提高了业务表单产生的效率。
在本实施例的一些可选的实现方式中,在步骤S201之前,上述电子设备还可以执行以下步骤:
获取用户输入的业务需求;
根据所述业务需求检索预设的业务逻辑数据库,获得所述业务需求的业务逻辑;
根据所述业务逻辑在预设的组件库中匹配出M个候选组件,M为大于0的正整数;
获取用户从所述M个候选组件中选择的待生成表单的N个组件,并获取用户输入的所述组件的组件参数。
业务需求为表单生成系统预设的选项,用户通过可交互的界面输入业务需求,例如业务需求为人事请假、物品申请、财务报销、公车使用申请、业务审批等,每一种业务需求预设对应业务逻辑,预存于数据库中,通过业务需求检索预设的业务逻辑数据库,获得业务需求对应的业务逻辑。例如人事请假的业务需求对应的业务逻辑为请假申请人信息->请假申请事由->申请请假时间->审批人信息->审批结果,根据业务逻辑从预设的组件库中匹配出候选组件,例如请假申请人信息通过关键词匹配从预设的组件库中匹配得到人员信息输入组件和人员信息调用组件,用户从M个候选组件中选择待生成表单的N个组件,预设的组件参数是可编辑的,例如组件标题,组件数据的取值范围等,用户根据需要编辑组件参数。
本申请通过预设业务需求以及业务需求对应的业务逻辑,根据业务需求检索业务逻辑,再根据业务逻辑匹配出候选组件,简化了用户选择组件的过程,进一步提高了表单生成的效率。
在一些可选的实现方式中,在上述步骤S203之前,上述电子设备可以执行以下步骤:
获取第一训练样本集,所述第一训练样本集中每一个训练样本包含多个组件,且每一个样本标注组件布局参考方案;
将所述第一训练样本集中的训练样本输入到第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述训练样本输出的组件布局预测方案;
通过损失函数比较所述组件布局预测方案和所述组件布局参考方案的一致性,其中损失函数为L=||X-Y||2,其中,X为所述组件布局参考方案,Y为所述组件布局预测方案;
调整所述第一深度学习神经网络模型的各节点的参数,使所述损失函数达到最小值时结束,得到训练好的第一深度学习神经网络模型。
第一深度学习神经网络模型的训练目标是使组件布局预测方案和组件布局参考方案一致,通过计算损失函数L的值,判断组件布局预测方案和组件布局参考方案的一致性,调整第一深度学习神经网络模型各节点的参数,使损失函数的值达到最小,模型训练结束,得到训练好的第一深度学习神经网络模型。
在一些可选的实现方式中,在上述步骤S203之后,上述电子设备可以执行以下步骤:
获取用户信息;
将所述用户信息按照预设第二规则特征向量化,得到所述用户的特征向量;
将所述用户的特征向量和所述待生成表单的特征向量拼接,得到融合特征向量;
将所述融合特征向量输入到预先训练的第二深度学习神经网络模型中,获得所述第二深度学习神经网络模型响应所述融合特征向量,从预设的样式方案数据库中匹配出的样式方案;
将所述组件和所述组件的组件参数根据所述组件布局方案和所述样式方案生成表单。
在一些场景下,不同的用户不同的业务需求要求生成的表单样式方案不同,根据预设的第二规则对用户信息特征向量化,例如用户信息包括用户来自的业务部门、用户的职位、用户的年龄等,特征向量的维度对应不同维度的用户信息,将用户信息向量化,得到用户的特征向量,这里的第二规则指按照前述的用特征向量的维度对应不同维度的用户信息,用户信息的维度可以包括用户的业务部门、用户的职位、用户的年龄等。
将用户特征向量和待生成表单的特征向量拼接,得到融合特征向量,将融合特征向量通过预先训练的第二深度神经网络模型,获得第二神经网络模型响应所述融合特征向量从预设的样式方案数据库中匹配的样式方案。这里第二神经网络模型经训练学习用户特征和表单特征,识别与用户特征和表单特征对应的样式方案。样式方案包括页面的配色、字体的样式、字体的大小等,通过CSS文件承载。CSS层叠样式表(英文全称:Cascading StyleSheets)是一种用来表现HTML(标准通用标记语言的一个应用)或XML(标准通用标记语言的一个子集)等文件样式的计算机语言。CSS可以配合各种脚本语言动态地对网页各元素进行格式化。
在一些可选的实现方式中,在上述将所述融合特征向量输入到预先训练的第二深度学习神经网络模型中,获得所述第二深度学习神经网络模型响应所述融合特征向量,从预设的样式方案数据库中匹配出的样式方案的步骤之前,上述电子设备可以执行以下步骤:
获取第二训练样本集,所述第二训练样本集中每一个训练样本为融合了用户特征和表单特征的样本融合特征向量,并对每一个样本标注样式参考方案;
将所述第二训练样本集中的训练样本输入到第二深度学习神经网络模型中,获得所述第二深度学习神经网络模型响应所述训练样本输出的样式预测方案;
通过softmax损失函数比较所述样式预测方案和所述样式参考方案的一致性;
调整所述第二深度学习神经网络模型的各节点的参数,使所述softmax损失函数达到最小值时结束,得到训练好的第二深度学习神经网络模型。
第二深度学习神经网络模型的训练过程为有监督训练,收集训练样本,训练样本包含用户特征和表单特征,以及使用的样式参考方案,将训练样本输入到第二深度学习神经网络模型中,获得第二深度学习神经网络模型输出的样式预测方案,通过softmax损失函数比较通过第二深度学习神经网络模型预测的样式预测方案与样式参考方案是否一致,调节第二深度学习神经网络模型各节点的参数,使softmax损失函数达到最小值,得到训练好的第二深度学习神经网络模型。Softmax损失函数如下:
其中,S为训练样本数,针对第i个样本其对应的yi是标注的参考方案,h=(h1,h2,...,hc)为样本i的方案预测结果,其中C是所有方案的数量。
需要强调的是,为进一步保证上述表单的私密和安全性,上述生成的表单还可以存储于一区块链的节点中。
本申请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。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4,作为对上述图2所示方法的实现,本申请提供了一种表单生成装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例所述的表单生成装置400包括:获取模块401、转换模块402、处理模块403以及生成模块404。其中:
获取模块401,用于获取待生成表单的N个组件和所述组件的组件参数,N为大于0的正整数;
转换模块402,用于将所述组件和组件参数根据预设的第一规则进行特征向量化,得到所述待生成表单的特征向量;
处理模块403,用于将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案;
生成模块404,用于将所述组件和所述组件的组件参数根据所述组件布局方案生成表单。
在本实施例中,通过获取待生成表单的N个组件和所述组件的组件参数,N为大于0的正整数;将所述组件和组件参数根据预设的第一规则进行特征向量化,得到所述待生成表单的特征向量;将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案;将所述组件和所述组件的组件参数根据所述组件布局方案生成表单。预设组件库,根据用户选择的组件智能化的生成符合业务需求的表单,提高了业务表单产生的效率。
在本实施例的一些可选的实现方式中,所述的表单生成装置400,还包括:
第一获取子模块,用于获取用户输入的业务需求;
第一检索子模块,用于根据所述业务需求检索预设的业务逻辑数据库,获得所述业务需求的业务逻辑;
第一匹配子模块,用于根据所述业务逻辑在预设的组件库中匹配出M个候选组件,M为大于0的正整数;
第二获取子模块,用于获取用户从所述M个候选组件中选择的待生成表单的N个组件,并获取用户输入的所述组件的组件参数。
在本实施例的一些可选的实现方式中,所述的表单生成装置400,还包括:
第三获取子模块,用于获取第一训练样本集,所述第一训练样本集中每一个训练样本包含多个组件,且每一个样本标注组件布局参考方案;
第一预测子模块,用于将所述第一训练样本集中的训练样本输入到第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述训练样本输出的组件布局预测方案;
第一比较子模块,用于通过损失函数比较所述组件布局预测方案和所述组件布局参考方案的一致性,其中损失函数为,其中,X为所述组件布局参考方案,Y为所述组件布局预测方案;
第一调整子模块,用于调整所述第一深度学习神经网络模型的各节点的参数,使所述损失函数达到最小值时结束,得到训练好的第一深度学习神经网络模型。
在本实施例的一些可选的实现方式中,所述的表单生成装置400,还包括
第四获取子模块,用于获取用户信息;
第一转换子模块,用于将所述用户信息按照预设第二规则特征向量化,得到所述用户的特征向量;
第一拼接子模块,用于将所述用户的特征向量和所述待生成表单的特征向量拼接,得到融合特征向量;
第二匹配子模块,用于将所述融合特征向量输入到预先训练的第二深度学习神经网络模型中,获得所述第二深度学习神经网络模型响应所述融合特征向量,从预设的样式方案数据库中匹配出的样式方案;
第一生成子模块,用于将所述组件和所述组件的组件参数根据所述组件布局方案和所述样式方案生成表单。
在本实施例的一些可选的实现方式中,所述的表单生成装置400,还包括:
第五获取子模块,用于获取第二训练样本集,所述第二训练样本集中每一个训练样本为融合了用户特征和表单特征的样本融合特征向量,并对每一个样本标注样式参考方案;
第二预测子模块,用于将所述第二训练样本集中的训练样本输入到第二深度学习神经网络模型中,获得所述第二深度学习神经网络模型响应所述训练样本输出的样式预测方案;
第二比较子模块,用于通过softmax损失函数比较所述样式预测方案和所述样式参考方案的一致性;
第二调整子模块,用于调整所述第二深度学习神经网络模型的各节点的参数,使所述softmax损失函数达到最小值时结束,得到训练好的第二深度学习神经网络模型。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图5,图5为本实施例计算机设备基本结构框图。
所述计算机设备5包括通过系统总线相互通信连接存储器51、处理器52、网络接口53。需要指出的是,图中仅示出了具有组件51-53的计算机设备5,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机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(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器51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、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器51可以是所述计算机设备5的内部存储单元,例如该计算机设备5的硬盘或内存。在另一些实施例中,所述存储器51也可以是所述计算机设备5的外部存储设备,例如该计算机设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器51还可以既包括所述计算机设备5的内部存储单元也包括其外部存储设备。本实施例中,所述存储器51通常用于存储安装于所述计算机设备5的操作系统和各类应用软件,例如表单生成方法的计算机可读指令等。此外,所述存储器51还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器52在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器52通常用于控制所述计算机设备5的总体操作。本实施例中,所述处理器52用于运行所述存储器51中存储的计算机可读指令或者处理数据,例如运行所述表单生成方法的计算机可读指令。
所述网络接口53可包括无线网络接口或有线网络接口,该网络接口53通常用于在所述计算机设备5与其他电子设备之间建立通信连接。
通过获取待生成表单的N个组件和所述组件的组件参数,N为大于0的正整数;将所述组件和组件参数根据预设的第一规则进行特征向量化,得到所述待生成表单的特征向量;将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案;将所述组件和所述组件的组件参数根据所述组件布局方案生成表单。预设组件库,根据用户选择的组件智能化的生成符合业务需求的表单,提高了业务表单产生的效率。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的表单生成方法的步骤。
通过获取待生成表单的N个组件和所述组件的组件参数,N为大于0的正整数;将所述组件和组件参数根据预设的第一规则进行特征向量化,得到所述待生成表单的特征向量;将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案;将所述组件和所述组件的组件参数根据所述组件布局方案生成表单。预设组件库,根据用户选择的组件智能化的生成符合业务需求的表单,提高了业务表单产生的效率。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上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,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (10)
1.一种表单生成方法,其特征在于,包括下述步骤:
获取待生成表单的N个组件和所述组件的组件参数,N为大于0的正整数;
将所述组件和组件参数根据预设的第一规则进行特征向量化,得到所述待生成表单的特征向量;
将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案;
将所述组件和所述组件的组件参数根据所述组件布局方案生成表单。
2.根据权利要求1所述的表单生成方法,其特征在于,在所述获取待生成表单的N个组件和所述组件的组件参数的步骤之前还包括:
获取用户输入的业务需求;
根据所述业务需求检索预设的业务逻辑数据库,获得所述业务需求的业务逻辑;
根据所述业务逻辑在预设的组件库中匹配出M个候选组件,M为大于0的正整数;
获取用户从所述M个候选组件中选择的待生成表单的N个组件,并获取用户输入的所述组件的组件参数。
3.根据权利要求1所述的表单生成方法,其特征在于,在所述将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案的步骤之前还包括:
获取第一训练样本集,所述第一训练样本集中每一个训练样本包含多个组件,且每一个样本标注组件布局参考方案;
将所述第一训练样本集中的训练样本输入到第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述训练样本输出的组件布局预测方案;
通过损失函数比较所述组件布局预测方案和所述组件布局参考方案的一致性,其中损失函数为L=||X-Y||2,其中,X为所述组件布局参考方案,Y为所述组件布局预测方案;
调整所述第一深度学习神经网络模型的各节点的参数,使所述损失函数达到最小值时结束,得到训练好的第一深度学习神经网络模型。
4.根据权利要求1所述的表单生成方法,其特征在于,在所述将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案的步骤之后,还包括:
获取用户信息;
将所述用户信息按照预设第二规则特征向量化,得到所述用户的特征向量;
将所述用户的特征向量和所述待生成表单的特征向量拼接,得到融合特征向量;
将所述融合特征向量输入到预先训练的第二深度学习神经网络模型中,获得所述第二深度学习神经网络模型响应所述融合特征向量,从预设的样式方案数据库中匹配出的样式方案;
将所述组件和所述组件的组件参数根据所述组件布局方案和所述样式方案生成表单。
5.根据权利要求4所述的表单生成方法,其特征在于,在所述将所述融合特征向量输入到预先训练的第二深度学习神经网络模型中,获得所述第二深度学习神经网络模型响应所述融合特征向量,从预设的样式方案数据库中匹配出的样式方案的步骤之前还包括:
获取第二训练样本集,所述第二训练样本集中每一个训练样本为融合了用户特征和表单特征的样本融合特征向量,并对每一个样本标注样式参考方案;
将所述第二训练样本集中的训练样本输入到第二深度学习神经网络模型中,获得所述第二深度学习神经网络模型响应所述训练样本输出的样式预测方案;
通过softmax损失函数比较所述样式预测方案和所述样式参考方案的一致性;
调整所述第二深度学习神经网络模型的各节点的参数,使所述softmax损失函数达到最小值时结束,得到训练好的第二深度学习神经网络模型。
6.一种表单生成装置,其特征在于,包括:
获取模块,用于获取待生成表单的N个组件和所述组件的组件参数,N为大于0的正整数;
转换模块,用于将所述组件和组件参数根据预设的第一规则进行特征向量化,得到所述待生成表单的特征向量;
处理模块,用于将所述特征向量输入到预先训练的第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述特征向量输出的组件布局方案;
生成模块,用于将所述组件和所述组件的组件参数根据所述组件布局方案生成表单。
7.根据权利要求6所述的表单生成装置,其特征在于,还包括:
第一获取子模块,用于获取用户输入的业务需求;
第一检索子模块,用于根据所述业务需求检索预设的业务逻辑数据库,获得所述业务需求的业务逻辑;
第一匹配子模块,用于根据所述业务逻辑在预设的组件库中匹配出M个候选组件,M为大于0的正整数;
第二获取子模块,用于获取用户从所述M个候选组件中选择的待生成表单的N个组件,并获取用户输入的所述组件的组件参数。
8.根据权利要求6所述的表单生成装置,其特征在于,还包括:
第三获取子模块,用于获取第一训练样本集,所述第一训练样本集中每一个训练样本包含多个组件,且每一个样本标注组件布局参考方案;
第一预测子模块,用于将所述第一训练样本集中的训练样本输入到第一深度学习神经网络模型中,获得所述第一深度学习神经网络模型响应所述训练样本输出的组件布局预测方案;
第一比较子模块,用于通过损失函数比较所述组件布局预测方案和所述组件布局参考方案的一致性,其中损失函数为L=||X-Y||2,其中,X为所述组件布局参考方案,Y为所述组件布局预测方案;
第一调整子模块,用于调整所述第一深度学习神经网络模型的各节点的参数,使所述损失函数达到最小值时结束,得到训练好的第一深度学习神经网络模型。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至5中任一项所述的表单生成方法的步骤。
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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的表单生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110441546.0A CN113052262A (zh) | 2021-04-23 | 2021-04-23 | 表单生成方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110441546.0A CN113052262A (zh) | 2021-04-23 | 2021-04-23 | 表单生成方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113052262A true CN113052262A (zh) | 2021-06-29 |
Family
ID=76520047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110441546.0A Pending CN113052262A (zh) | 2021-04-23 | 2021-04-23 | 表单生成方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052262A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487698A (zh) * | 2021-07-27 | 2021-10-08 | 平安国际智慧城市科技股份有限公司 | 基于双通道神经网络模型的表单生成方法及装置 |
CN116049904A (zh) * | 2023-03-31 | 2023-05-02 | 北京国电通网络技术有限公司 | 基于区块链多点存证的电子单据加密签章方法、电子设备 |
CN116149631A (zh) * | 2023-01-05 | 2023-05-23 | 三峡高科信息技术有限责任公司 | 一种基于自然语言生成Web智能表单的方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180157987A1 (en) * | 2016-12-02 | 2018-06-07 | Sap Se | Dynamic form with machine learning |
WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 第四范式(北京)技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
CN111428457A (zh) * | 2018-12-21 | 2020-07-17 | 微软技术许可有限责任公司 | 数据表的自动格式化 |
CN112232052A (zh) * | 2020-10-23 | 2021-01-15 | 中国平安人寿保险股份有限公司 | 文本拼接方法、装置、计算机设备及存储介质 |
CN112286601A (zh) * | 2020-09-28 | 2021-01-29 | 珠海大横琴科技发展有限公司 | 一种用户界面展示方法和装置 |
-
2021
- 2021-04-23 CN CN202110441546.0A patent/CN113052262A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180157987A1 (en) * | 2016-12-02 | 2018-06-07 | Sap Se | Dynamic form with machine learning |
WO2020020088A1 (zh) * | 2018-07-23 | 2020-01-30 | 第四范式(北京)技术有限公司 | 神经网络模型的训练方法和系统以及预测方法和系统 |
CN111428457A (zh) * | 2018-12-21 | 2020-07-17 | 微软技术许可有限责任公司 | 数据表的自动格式化 |
CN112286601A (zh) * | 2020-09-28 | 2021-01-29 | 珠海大横琴科技发展有限公司 | 一种用户界面展示方法和装置 |
CN112232052A (zh) * | 2020-10-23 | 2021-01-15 | 中国平安人寿保险股份有限公司 | 文本拼接方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
宋奕爽;刘绍华;: "WEB端可视化表单生成引擎的设计与实现", 软件, no. 12, 15 December 2017 (2017-12-15) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487698A (zh) * | 2021-07-27 | 2021-10-08 | 平安国际智慧城市科技股份有限公司 | 基于双通道神经网络模型的表单生成方法及装置 |
CN113487698B (zh) * | 2021-07-27 | 2023-12-12 | 深圳赛安特技术服务有限公司 | 基于双通道神经网络模型的表单生成方法及装置 |
CN116149631A (zh) * | 2023-01-05 | 2023-05-23 | 三峡高科信息技术有限责任公司 | 一种基于自然语言生成Web智能表单的方法 |
CN116149631B (zh) * | 2023-01-05 | 2023-10-03 | 三峡高科信息技术有限责任公司 | 一种基于自然语言生成Web智能表单的方法 |
CN116049904A (zh) * | 2023-03-31 | 2023-05-02 | 北京国电通网络技术有限公司 | 基于区块链多点存证的电子单据加密签章方法、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113052262A (zh) | 表单生成方法、装置、计算机设备及存储介质 | |
CN112256886B (zh) | 图谱中的概率计算方法、装置、计算机设备及存储介质 | |
CN112528029A (zh) | 文本分类模型处理方法、装置、计算机设备及存储介质 | |
CN113220734A (zh) | 课程推荐方法、装置、计算机设备及存储介质 | |
CN112231569A (zh) | 新闻推荐方法、装置、计算机设备及存储介质 | |
CN112633973A (zh) | 一种商品推荐方法及其相关设备 | |
CN112084752A (zh) | 基于自然语言的语句标注方法、装置、设备及存储介质 | |
CN112232052A (zh) | 文本拼接方法、装置、计算机设备及存储介质 | |
CN113887237A (zh) | 多意图文本的槽位预测方法、装置及计算机设备 | |
CN112085087A (zh) | 业务规则生成的方法、装置、计算机设备及存储介质 | |
CN113569998A (zh) | 票据自动识别方法、装置、计算机设备及存储介质 | |
CN113283222A (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
CN112182157A (zh) | 在线序列标注模型的训练方法、在线标注方法及相关设备 | |
CN112685397A (zh) | 用于校验数据清洗结果的方法、装置、设备及存储介质 | |
CN111143568A (zh) | 一种论文分类时的缓冲方法、装置、设备及存储介质 | |
CN112434746A (zh) | 基于层次化迁移学习的预标注方法及其相关设备 | |
CN117195886A (zh) | 基于人工智能的文本数据处理方法、装置、设备及介质 | |
CN114881033A (zh) | 一种文本摘要生成方法、装置、计算机设备及存储介质 | |
CN113239670A (zh) | 一种业务模板上传的方法、装置、计算机设备及存储介质 | |
CN113420869A (zh) | 基于全方向注意力的翻译方法及其相关设备 | |
CN113762992A (zh) | 一种处理数据的方法和装置 | |
CN113947095B (zh) | 多语种文本翻译方法、装置、计算机设备及存储介质 | |
CN112949317B (zh) | 文本语义识别方法、装置、计算机设备及存储介质 | |
CN112732913B (zh) | 一种非均衡样本的分类方法、装置、设备及存储介质 | |
CN117271790A (zh) | 标注数据的扩充方法、装置、计算机设备及存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40053518 Country of ref document: HK |