CN113095078A - 关联资产确定方法、装置和电子设备 - Google Patents
关联资产确定方法、装置和电子设备 Download PDFInfo
- Publication number
- CN113095078A CN113095078A CN202110500256.9A CN202110500256A CN113095078A CN 113095078 A CN113095078 A CN 113095078A CN 202110500256 A CN202110500256 A CN 202110500256A CN 113095078 A CN113095078 A CN 113095078A
- Authority
- CN
- China
- Prior art keywords
- assets
- keywords
- input information
- keyword
- asset
- 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
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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
Abstract
本公开提供了一种关联资产确定方法、装置和电子设备,应用于人工智能或金融领域等。该方法包括:获取来自客户端的输入信息;响应于输入信息,基于输入信息在关键词库中进行匹配,确定与输入信息对应的直接关联资产,关键词库包括业务架构中资产与关键词之间的对应关系;以及基于业务架构中多个资产之间的关联关系确定针对直接关联资产的衍生关联资产。
Description
技术领域
本公开涉及人工智能和金融技术领域,更具体地,涉及一种关联资产确定方法、装置和电子设备。
背景技术
为提升项目与机构业务、机构组织和机构战略之间的适配性,可以基于业务架构来指导项目工作。许多企业能够构建好业务架构,但是却很难对业务架构进行持续管控。
在实现本公开构思的过程中,申请人发现相关技术中至少存在如下问题。业务架构模型抽象度高、关联关系复杂,很难将业务架构应用于日常研发工作中,也不便于使得业务研发人员清晰地确定项目所对应的业务架构的内容,难以持续维护业务架构,导致构建的业务架构也难以持续发挥作用。
发明内容
有鉴于此,本公开提供了一种用于降低持续维护业务架构的资产难度的关联资产确定方法、装置和电子设备。
本公开的一个方面提供了一种由服务器端执行的关联资产确定方法,包括:获取来自客户端的输入信息;响应于输入信息,基于输入信息在关键词库中进行匹配,确定与输入信息对应的直接关联资产,关键词库包括业务架构中资产与关键词之间的对应关系;以及基于业务架构中多个资产之间的关联关系确定针对直接关联资产的衍生关联资产。
根据本公开的实施例,输入信息包括章节名;基于输入信息在关键词库中进行匹配,确定与输入信息对应的直接关联资产包括:提取输入信息中的章节名;以及利用章节名在关键词库中进行匹配,确定与章节名对应的直接关联资产。
根据本公开的实施例,章节名中包括由动词和名词构成的词组;利用章节名在关键词库中进行匹配,确定与章节名对应的直接关联资产包括:章节名进行分词,得到分词结果;将分词结果中相邻的动词和名词的整体作为关键词组;以及利用关键词组在关键词库中进行匹配,得到与关键词组对应的直接关联资产。
根据本公开的实施例,输入信息包括章节内容;基于输入信息在关键词库中进行匹配,确定与输入信息对应的直接关联资产包括:获取章节内容的摘要信息;从摘要信息中提取关键词;以及利用关键词在关键词库中进行匹配,得到与关键词对应的直接关联资产。
根据本公开的实施例,从摘要信息中提取关键词包括:基于词频、词重要性、网页排名或者词向量中至少一种从摘要信息中提取关键词。
根据本公开的实施例,关键词具有等级,关键词的等级,是基于关键词的关联资产的准确度来确定的;上述方法还包括:当获取到多个关键词时,基于关键词的等级从与多个关键词对应的直接关联资产中筛选关联资产。
根据本公开的实施例,准确度的指标包括:用户使用的频率、采纳率中至少一种;上述方法还包括:通过埋点记录获取历史用户数据;从历史用户数据中确定用户使用的频率、采纳率中至少一种;以及基于用户使用的频率、采纳率中至少一种更新关键词库。
根据本公开的实施例,低级别关键词的关联资产被圈定在高级别关键词的关联资产的范围之内。
根据本公开的实施例,上述方法还包括:如果章节名中包括指定字段,则舍弃与章节名对应的章节内容。
根据本公开的实施例,关键词库的构建方式包括以下至少一种:将来自客户端的关键词和业务架构的资产关联地存储在指定存储空间中;或者基于已有资产与关键词之间的对应关系和资产之间的对应关系扩充关键词库中对应关系。
根据本公开的实施例,上述方法还包括:给客户端发送与输入信息对应的关联资产;接收来自客户端针对与输入信息对应的关联资产的更新信息;以及如果客户端的登录账户具有关键词库维护权限,则基于更新信息更新关键词库。
根据本公开的实施例,基于业务架构中多个资产之间的关联关系确定针对直接关联资产的衍生关联资产包括:如果直接关联资产包括公共任务,则基于业务架构中资产之间的关联关系对直接关联资产外扩指定次数,得到直接关联资产的衍生关联资产。
本公开的一个方面提供了一种关联资产确定装置,包括:输入信息获取模块,用于获取来自客户端的输入信息;直接关联资产确定模块,用于响应于输入信息,基于输入信息在关键词库中进行匹配,确定与输入信息对应的直接关联资产,关键词库包括业务架构中资产与关键词之间的对应关系;以及衍生关联资产确定模块,用于基于业务架构中多个资产之间的关联关系确定针对直接关联资产的衍生关联资产。
本公开的另一方面提供了一种电子设备,包括一个或多个处理器以及存储装置,其中,存储装置用于存储可执行指令,可执行指令在被处理器执行时,实现如上的方法。
本公开的另一方面提供了一种计算机可读存储介质,存储有计算机可执行指令,指令在被执行时用于实现如上的方法。
本公开的另一方面提供了一种计算机程序,计算机程序包括计算机可执行指令,指令在被执行时用于实现如上的方法。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了根据本公开实施例的可以应用关联资产确定方法、装置和电子设备的示例性系统架构;
图2示意性示出了根据本公开实施例的关联资产确定方法的流程图;
图3示意性示出了根据本公开实施例的业务架构的示意图;
图4示意性示出了根据本公开实施例的确定与章节名对应的直接关联资产的流程图;
图5示意性示出了根据本公开实施例的确定与输入信息对应的直接关联资产的流程图;
图6示意性示出了根据本公开实施例的提供业务服务的示意图;
图7示意性示出了根据本公开实施例的业务架构中资产与互联网架构中资产之间的对应关系的示意图;
图8示意性示出了根据本公开实施例的关联资产确定装置的方框图;
图9示意性示出了根据本公开实施例的架构资产分析流程示意图;以及
图10示意性示出了根据本公开实施例的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。
为帮助业务研发人员能将项目中的业务内容快速对标到业务架构中相应的业务模型上,需要将业务架构中资产(如模型)间的对应关系进行封装,以便确定从项目相关文档中的一些关键字词对标到相关业务模型的逻辑路径。这样可以实现自动化地输出与项目相关联的业务架构资产范围,有效降低研发人员或架构管理人员对标业务架构分析的难度。
本公开的实施例提供了一种关联资产确定方法、装置和电子设备。该关联资产确定方法包括直接关联资产确定过程和衍生关联资产确定过程。在直接关联资产确定过程中,首先,获取来自客户端的输入信息,然后,响应于输入信息,基于输入信息在关键词库中进行匹配,确定与输入信息对应的直接关联资产,关键词库包括业务架构中资产与关键词之间的对应关系。在完成直接关联资产确定过程之后进入衍生关联资产确定过程,基于业务架构中多个资产之间的关联关系确定针对直接关联资产的衍生关联资产。
本公开实施例提供的关联资产确定方法、装置和电子设备,针对标准化、规范化文本信息,基于构建的关键词库自动对文本信息涉及的业务架构资产进行分析,有效降低分析人员对业务架构知识掌握及运用能力的高要求,使得用户可以在提交标准化、规范化文本信息(如业务需求书)后,智能圈定文本信息涉及的业务架构的资产范围。
本公开实施例提供的关联资产确定方法、装置和电子设备可用于人工智能领域在关联资产确定相关方面,也可用于除人工智能领域之外的多种领域,如金融领域,本公开实施例提供的关联资产确定方法、装置和电子设备的应用领域不做限定。
图1示意性示出了根据本公开实施例的可以应用关联资产确定方法、装置和电子设备的示例性系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,根据该实施例的系统架构100可以包括终端设备101、102、103,网络104和服务器105、106、107。网络104可以包括多个网关、路由器、集线器、网线等,用以在终端设备101、102、103和服务器105、106、107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与其他终端设备和服务器105、106、107进行交互,以接收或发送信息等,如接收关联资产请求、发送处理结果等。终端设备101、102、103可以安装有各种通讯客户端应用,例如,运维类应用、资产管理类应用、软件开发类应用、银行类应用、政务类应用、监控类应用、网页浏览器应用、搜索类应用、办公类应用、即时通信工具、邮箱客户端、社交平台软件等应用(仅为示例)。例如,用户可以使用终端设备101查看项目的影响范围。例如,用户可以使用终端设备102进行业务架构资产查询。例如,用户可以使用终端103查看关联资产,并基于该关联资产的要求等进行软件开发等。
终端设备101、102、103包括但不限于智能手机、虚拟现实设备、增强现实设备、平板电脑、膝上型便携计算机、台式电脑等等。
服务器105、106、107可以接收请求,并对请求进行处理,具体可以为存储服务器、后台管理服务器、服务器集群等。例如,服务器105可以存储有业务架构描述模型,服务器106可以用于确定关键词,如通过词频、语义等来确定关键词,服务器107可以为用于存储关键词库、关键词库的服务器。后台管理服务器可以对接收到的资产定位请求、架构资产维护请求等进行分析处理,并将处理结果(如请求的资产、处理的结果等)反馈给终端设备。
需要说明的是,本公开实施例所提供的关联资产确定方法一般可以由服务器105、106、107执行。相应地,本公开实施例所提供的关联资产确定装置一般可以设置于服务器105、106、107中。本公开实施例所提供的关联资产确定方法也可以由不同于服务器105、106、107且能够与终端设备101、102、103和/或服务器105、106、107通信的服务器或服务器集群执行。
应该理解,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。
图2示意性示出了根据本公开实施例的关联资产确定方法的流程图。该关联资产确定方法由服务器端执行。
如图2所示,该关联资产确定方法可以包括操作S210~操作S230。
在操作S210,获取来自客户端的输入信息。
在本实施例中,客户端的输入信息可以是文本信息,如输入信息是由用户输入的搜索信息(如文档名称、文档标识、关键词等)、用户输入的文档信息等。此外,客户端的输入信息可以是语音信息,如用户通过语音方式输入的搜索指令、朗读的文档信息等。此外,客户端的输入信息可以是图像信息,如用户输入的图像信息,该图像信息中可以包括与搜索指令、文档信息对应的图像。
在操作S220,响应于输入信息,基于输入信息在关键词库中进行匹配,确定与输入信息对应的直接关联资产,关键词库包括业务架构中资产与关键词之间的对应关系。
其中,关键词库可以是预先基于专家经验等来构建的。例如,关键词库可以是由专家输入相关联的关键词和架构资产,并关联地存储起来。例如,关键词库可以是基于共生关系等从业务架构的大量资产中筛选出来的。例如,关键词库可以是先基于专家经验和共生关系选取基础关键词和与基础关键词对应的基础关联资产,然后基于基础关联资产和业务架构中各资产之间的关联关系,来确定与基础关联资产相关的其它关联资产,以基于该其它关联资产对关键词库进行扩充。
具体地,可以通过分词等方式从输入信息中获取多个字或词等,然后通过在关键词库中进行匹配,得到匹配成功的关键词,以便获取与匹配成功的关键词对应的直接关联资产。
在操作S230,基于业务架构中多个资产之间的关联关系确定针对直接关联资产的衍生关联资产。
图3示意性示出了根据本公开实施例的业务架构的示意图。
如图3所示,业务架构可以包括:产品模型、流程模型、实体模型和市场模型中至少一种,产品模型的资产和流程模型的资产之间具有第一子对应关系,流程模型的资产和实体模型的资产之间具有第二子对应关系。
其中,关于流程模型,一个流程模型可以包括多个业务领域,一个业务领域可以涉及多个价值流,一个价值流可以包括多个活动,一个活动可以是由多个任务组成的。
关于产品模型,一个产品模型可以具有多条产品线,一个产品线可以包括多个产品组,一个产品组可以具有多个基础产品,一个基础产品可以具有多个可售产品。
关于实体模型,一个实体模型可以包括多个业务对象,一个业务对象可以具有核心实体、生命周期、从属实体、业务对象关系和约束条件等实体。
关于市场模型,一个市场模型可以包括多个客户,一个客户可以对应多种渠道,一个渠道可以具有多个合作方。
具体地,业务架构可以是基于价值流构建的。其中,流程模型是针对多个维度的,如可以分为活动价值链、任务流程和业务组件。
流程模型中涉及的实体可以通过实体模型进行表征,实体模型的数据可以存储在数据库中,在实际使用中,可以对实体模型进行细化和数据化,得到数据结构模型,其可以被业务对象服务操作。
基于上述关系即可实现确定针对直接关联资产的衍生关联资产。例如,输入信息中的关键词命中了某个任务,则可以基于活动与任务之间的关联关系确定与该任务相关联的活动等,此外,还可以确定该任务涉及的实体等,得到衍生关联资产。
通过如上方式即可确定与输入信息相关联的业务架构资产。
需要说明的是,部分企业对文档等具有结构化要求,如文档需要具有章节,章节的章节名中需要包括关键信息等。对于这些结构化的输入信息而言,可以通过该结构化特点快捷地从输入信息中确定关键词,以便快捷地确定与输入信息对应的关联资产。
在某些实施例中,输入信息包括章节名。相应地,基于输入信息在关键词库中进行匹配,确定与输入信息对应的直接关联资产可以包括如下操作,首先,提取输入信息中的章节名。然后,利用章节名在关键词库中进行匹配,确定与章节名对应的直接关联资产。例如,首先,基于结构化特征从输入的文本信息中提取章节名,然后对章节名进行分词处理等,得到分词结果,该分词结果可以包括多个词或词组等。剔除语气词等不能为关键词的词后,在关键词库中进行匹配,得到关联资产。
在某些实施例中,章节名也可以具有结构化信息,例如,章节名中可以包括由动词和名称构成的词组,这样可以通过词组清晰地表达语义信息,也便于在业务架构中定位关联资产。
图4示意性示出了根据本公开实施例的确定与章节名对应的直接关联资产的流程图。其中,章节名中可以包括由动词和名词构成的词组。
如图4所示,利用章节名在关键词库中进行匹配,确定与章节名对应的直接关联资产可以包括操作S401~操作S403。
在操作S401,对章节名进行分词,得到分词结果。
具体地,可以通过词典、辞海、专用领域词典(如涉及架构领域的词典)等对章节名进行分词处理,得到多个字、词等。
在操作S402,将分词结果中相邻的动词和名词的整体作为关键词组。具体地,可以确定分词得到的多个词的词性,如包括名词、动词、形容词、数词、量词和代词等。从中确定词性是名词和动词的词。如果某些动词和名词在章节名中处于相邻的位置,则可以将该动词和名词的整体作为关键词。相对于仅使用伴生关系或词频等方式确定的关键词,动词和名词组成的关键词的语义更加丰富且噪声少,能有效提升确定的关联资产的准确度,并且减少确定关键词消耗的计算资源,缩短响应时长。
在操作S403,利用关键词组在关键词库中进行匹配,得到与关键词组对应的直接关联资产。例如,关键词库中具有关键词组和业务架构的资产之间的对应关系。
例如,可以根据标准化业务需求书的章节内容,运用分词技术、语义分析技术有针对性地进行关键词检索,根据动词+名词的形式,检索业务架构的直接关联资产。
在某些实施例中,本公开实施例同样可以适用于不具有结构化特征或者结构化特征中不包括章节名的输入信息。例如,基于语义信息等从大量的输入信息中排除掉至少部分噪声信息,然后再进行关键词提取。
图5示意性示出了根据本公开实施例的确定与输入信息对应的直接关联资产的流程图。例如,输入信息包括章节内容。
如图5所示,基于输入信息在关键词库中进行匹配,确定与输入信息对应的直接关联资产可以包括操作S501~操作S503。
在操作S501,获取章节内容的摘要信息。其中,可以基于语义信息从章节内容中提取摘要信息,如从章节内容中提取高词频和语义与章节内容语义相近的词,通过这些提取出的词自动生成摘要信息。
在操作S502,从摘要信息中提取关键词。如从摘要信息中提取关键词组,该关键词组中包括动词和名词。
在操作S503,利用关键词在关键词库中进行匹配,得到与关键词对应的直接关联资产。
在某些实施例中,从摘要信息中提取关键词包括:基于词频、词重要性、网页排名或者词向量中至少一种从摘要信息中提取关键词。
在某些实施例中,摘要信息和关键词的提取过程可以如下所示。
例如,使用TF-IDF算法,在词频的基础上,对每个词分配一个“重要性”权重,通过对大量大文本进行分析训练,训练idf(权重)值,进行大语料下的业务关键词生产。如果某些词语在某一篇文章出现的频率高,在其他文章出现频率低,则这些词语可能更能体现这一篇文章的主旨。其中,IF-IDF值:TF*IDF,值与词对文章的重要性成正比,TF=词出现文章次数/文章的总词数或者词出现文章次数/文章出现次数最多词的次数。IDF=log(语料库的文档总数/(包含该词的文档数+1))。
需要说明的是,该算法需要大文本训练,更适合大语料下的关键词生产,对单一文档进行关键词提取的结果稍差。因此,可以将历时输入数据进行大文本训练,以确定关键词库。
由于某些单词在某一个文档当中出现频率高,但是在剩余文档中出现频率低,我们就认为这些单词比较能阐述这一篇文档的主旨。这个算法排除了一些“的、地、得”的通用词。
以TextRank算法为例。如果一个网页被很多其他网页链接到的话,说明这个网页很重要(PageRank值会相对较高)。如果一个PageRank值很高的网页链接到一个其他的网页,那么被链接的网页的PageRank值也会相应地提高。
PageRank算法预先给每一个网页一个PR(PageRank)值,由于PR值为一个网页被访问的概率,所以一般是1/N,其中N是网页总数,其值可以是大于或等于1的正整数。在某一时间段内,通过网页之间的链接关系,进行每一个网页的PR值的计算,然后根据PR值的高低排列网页的重要性。
TextRank是将文本按照完整句子进行分割,每个句子进行分词处理,处理掉一些无意义的词如“的、得、地”,分成的词成为候选关键词。候选关键词看成每一个节点。通常在一个句子中至多有N(大于1的正整数)个候选关键词,然后采用共现关系(同时出现在一个句子的单词是有关联性的)构建任两点之间的边。
TextRank算法与PageRank算法相比,多了一个权重项,用来表示两个节点之间的边连接有不同重要的程度,因此,TextRank算法本质上是PageRank算法经过修改用于关键词提取以及自动摘要提取。无需大文本训练,更适合单一文档下的关键词提取。因此,在进行单个文档的关键词提取时,可以采用TextRank算法。例如,用户通过客户端将需要确定关联资产的新项目的立项文档发送给服务器端后,服务器端可以通过TextRank算法从立项文档中提取关键词,以便确定关联资产。
例如,使用TextRank算法对文本句子进行分词处理,采用共现关系构建节点之间边连接,进行单一文档下的业务关键词提取。
以词向量化(Word2Vec)提取关键词为例。
Word2Vec是语言模型中的一种,它是从大量文本语料中以无监督方式学习语义知识的模型,被广泛地应用于自然语言处理中。Word2Vec的特点是将所有的词向量化,这样词与词之间就可以定量的去度量他们之间的关系,在语义层面让机器挖掘词与词之间的联系。
Word2Vec的训练模型根据输入和输出有CBOW(Continuous Bag-of-Words Model)和Skip-gram(Continuous Skip-gram Model)。CBOW是将某一词所在的上下文包含的词作为输入,这个词本身作为输出。Skip-gram正好相反。Word2Vec本质上是一种降维操作,将自然语言的每一个词表示成一个统一意义统一维度的短向量,这就为机器计算和处理短向量打下了基础。词向量化需要大文本训练,更适合进行关键词库构建过程中使用。
目前关键词的抽取都是用无监督的机器学习方法,基于对大量需求文档的机器学习,利用textrank和word2vec得到了新的关键词的结果,textrank是基于统计的,word2vec是基于语义的。
例如,示例:127 0.013591352708262904对于有预查询需求的**申请,支持持有我行银行卡并预留手机号的客户通过微信等***提交征信授权,引入****技术,通过**手机号+****的方式完成客户身份确认,取消签署*****,**调查岗通过*****系统查询**记录后进行**查询。
其中,127是指文章中的第127个句子,0.013591352708262904是通过textrank算法计算得到的句子的权重值。这个算法是用分词技术先将句子中词根据词性或者过滤一些“的、地、得”之类的词,然后认为同时出现在一个句子的单词是有关联性的,把一个句子的每一个单词(至多3个)看成是一个节点,节点之间是有关系的。组成了一个无向有权边,边的权值,是这些节点和边关系出现的次数。然后根据pagerank等算法,补充完整权值,然后根据权值大小,将关键字打出来。关键词其实是同样的概念,只是将接个临近的关键字组合起来,形成关键词组。而摘要就是讲每一个句子看成是节点。通过权值的大小决定相关性的大小。
如上所示的摘要信息中,可以包括关键词组:提交(动词)征信授权(名词)、客户身份(名词)确认(动词)、查询**记录、签署*****、引入****技术、进行**查询等。这些关键词组可以便于确定章节内容与业务架构的哪些资产相关联。
在某些实施例中,还可以基于关键词的等级对得到的直接关联资产进行筛选,提升输出的关联资产的命中率。
例如,关键词具有等级,关键词的等级,是基于关键词的关联资产的准确度来确定的。
相应地,上述方法还可以包括如下操作:当获取到多个关键词时,基于关键词的等级从与多个关键词对应的直接关联资产中筛选关联资产。
其中,准确度的指标可以包括:用户使用的频率、采纳率中至少一种。该准确度能体现出系统输出的关联资产的准确率,如可以由专家确定关联资产是否正确。
具体地,上述方法还可以包括如下操作。
首先,通过埋点记录获取历史用户数据。
然后,从历史用户数据中确定用户使用的频率、采纳率中至少一种。
接着,基于用户使用的频率、采纳率中至少一种更新关键词库。
具体地,根据专家审核出具的通过或不通过或进行修改的意见,自动对关键词进行标记,通过无监督的机器学习方法,迭代提升关键词检索程序。此外,对用户使用过程中的埋点记录进行机器学习,通过用户使用的频率,采纳率对,用投票的机器学习方法对关键词等级进行优化。
在某些实施例中,低级别关键词的关联资产被圈定在高级别关键词的关联资产的范围之内。
例如,通过关键词分级,低级别关键词关联的架构资产应圈定在高级别关键词关联架构资产范围内。比如:A关键词关联了a领域,B关键词若关联了a领域的c活动和b领域的d活动,A关键词的等级高于B关键词的等级。此时,B关键词的关联资产中应该裁剪掉b领域下的资产,避免和A关键词的关联资产相冲突。这样进一步缩小了输出关联资产的范围,有助于提升输出结果的参考价值。
在某些实施例中,为了减少需要检索的内容,上述方法还可以包括如下操作:如果章节名中包括指定字段,则舍弃与章节名对应的章节内容。
例如,如果需求书的“需求主要内容”章节中的标题中存在“查询”、“登陆”、“技术改造”等字段时,则该小章节需求置为“不涉及业务架构调整”。
在某些实施例中,关键词库的构建方式包括以下至少一种:将来自客户端的关键词和业务架构的资产关联地存储在指定存储空间中;或者基于已有资产与关键词之间的对应关系和资产之间的对应关系扩充关键词库中对应关系。
例如,可以建立业务关键词与直接关联业务架构资产关联关系,并根据关键词与业务架构资产关系,及业务架构资产间关联关系,自动补齐业务关键词与全量业务架构资产间关系。
又例如,可以根据业务需求书分析过程中架构师的审批意见,迭代优化业务关键词库中关键词及其与业务架构资产关系。其中,架构师可以根据业务需求书及系统自动生成的业务架构影响范围分析结果进行专家判断环节,出具专家意见。
在某些实施例中,上述方法还可以包括如下操作。
首先,给客户端发送与输入信息对应的关联资产。这样便于架构师等专家对关联资产进行审核。
然后,接收来自客户端针对与输入信息对应的关联资产的更新信息。例如,架构师可以在客户端上输入专家意见,如正确、错误、修改意见等。
接着,如果客户端的登录账户具有关键词库维护权限,则基于更新信息更新关键词库。系统自动根据专家意见,对业务架构影响范围进行优化提升,以便持续迭代优化系统。这样还可以使得只有具有权限的用户才能对关键词库进行维护,降低架构资产因操作不当导致的资产损失。
在某些实施例中,基于业务架构中多个资产之间的关联关系确定针对直接关联资产的衍生关联资产可以包括如下操作:如果直接关联资产包括公共任务,则基于业务架构中资产之间的关联关系对直接关联资产外扩指定次数,得到直接关联资产的衍生关联资产。
图6示意性示出了根据本公开实施例的提供业务服务的示意图。
如图6所示,业务架构中流程模型、产品模型、市场模型和实体模型是一种自上而下结构化描述企业业务的方法,且彼此之间通过企业架构逻辑穿接存在一定的关联关系。
例如,流程模型由体现企业价值创造过程的一组完整价值流的活动组成,是企业服务能力的外在表现。以银行业务为例,流程模型一般包括但不限于:存款、个人贷款、理财等。
例如,产品模型是一套定义企业产品的标准结构,并通过产品条件编排业务处理流程和规则,从而实现产品快速配置的方法。产品模型包括产品线、产品组、基础产品、可售产品、产品条件等。以银行业务为例,产品模型可以包括但不限于:借记卡、贷记卡、准贷记卡等。
例如,市场模型是企业客户、渠道等面向市场变量因子的分类及特征模型,是企业核心能力转化为服务输出的对象和通道。
例如,实体模型是企业内部的能力和资源,用于支撑流程和产品对外提供业务服务。
例如,业务架构还包括了以上四大模型中各层级构件之间的一对一或者一对多的关联关系。本发明中业务与业务架构以及业务架构间的关联关系是指企业业务与流程模型、实体模型、产品模型、市场模型中组成部分及组成部分之间的关联关系。
例如,如果需求书的“需求主要内容”章节中某小章节命中某任务,则自动检索该任务是否公共任务,若是,则自动检索任务归属业务组件,并将该业务组件与该需求小章节建立影响关联关系。
此外,可以基于业务架构中资产之间的对应关系,对匹配资产进行外扩指定次数,得到待推荐资产。其中,1次外扩可以指将与匹配资产直接关联的资产也作为匹配资产。2次外扩可以指将与匹配资产直接关联的资产作为一次外扩资产,以及与一次外扩资产直接关联的资产作为二次外扩资产,将匹配资产、一次外扩资产和二次外扩资产共同作为待推荐资产。其中,直接关联关系可以基于业务架构中已有的关联关系来确定。
这样可以有效减少遗漏资产的概率,并且不会圈定过多资产,提升资产定位准确度。
在某些实施例中,如果已经构建了业务架构和IT架构之间的对应关系,则可以通过关键词定位IT架构中资产,如代码资源等。例如,除了上述对应关系之外,还可以根据业务架构内各模型之间的对应关系,以及IT架构内各服务之间的对应关系来确定关联的代码资产等。
图7示意性示出了根据本公开实施例的业务架构中资产与互联网架构中资产之间的对应关系的示意图。
如图7所示,IT架构包括用例、应用交易服务、应用组件服务和业务对象服务。图7中m和n是大于或等于1的正整数,多个n的取值可以不同。
对应关系包括以下至少一种:任务组模型与应用交易服务之间一对多的第一子对应关系、任务组件模型与应用组件服务之间一对多的第二子对应关系和数据结构模型与业务对象服务之间一对多的第三子对应关系。
其中,用例可以包括界面、导航、输入输出组件、以及用例与应用交易服务之间的调用关系。具体地,用例从业务架构的任务组(即任务组模型)+用例出发,通过界面、导航、输入输出组件、以及用例与应用交易服务之间的调用关系,描述一个角色与物理应用完成一个业务功能的互动过程。
应用交易服务通过调用应用组件服务实现业务功能,并将业务功能的处理结果输出给用例,其中,一个应用交易服务对应一个实体与服务之间的一次交互动作。例如,一个应用交易服务对应一个角色与物理应用的一次交互动作。
应用组件服务用于组装业务对象服务,以供应用交易服务调用。具体地,应用组件服务组装物理应用内的业务对象服务和非业务相关的技术平台功能,对外暴露服务,供应用交易服务调用。
业务对象服务用于封装业务规则,以基于业务规则对数据集合中与实体相关的数据进行读操作和/或写操作。具体地,业务对象服务封装业务规则,操作业务对象,解耦业务逻辑与数据存取,通过技术框架对数据库进行操作。
在某些实施例中,关键词库还可以包括业务架构中资产与互联网架构中资产之间的第二对应关系。
相应地,上述方法还可以包括如下操作。
在确定与关键词相关联的关联资产之后,基于业务架构中资产和IT架构中资产之间的对应关系,从互联网架构中获取与关键词相关联的互联网资产。然后,将互联网资产发送给客户端。其中,互联网资产包括但不限于:代码资源、与代码资源相关的数据库数据资源等。
本公开实施例在确定业务架构中与关键词相关联的关联资产之后,可以基于业务架构中资产和IT架构中资产(包括计算机程序、交易代码、数据库数据表等)之间的对应关系,确定与业务架构中关联资产对应的IT架构中关联资产。通过如上方式可以便捷、准确地确定与新项目相关的代码资产、实体资产等。
例如,用户在系统中提交标准化业务需求书,系统根据需求书相关章节检索出企业业务服务关键词,根据关键词自动检索业务架构中涉及到的关联资产,并且输出该关联资产。
最终输出业务架构影响分析报告包含如标准化需求文档名、业务需求、业务领域、资产类型、业务组件、架构调整分类等,将由系统分别自动出具给用户和架构师。
服务器端输出的结果可以如表1所示,将由系统分别自动出具给发起搜索的用户和/或架构师。
表1
本公开实施例中,针对标准化、规范化业务需求书,通过建立企业业务服务涉及的关键词与业务架构的资产之间的对应关系,自动对业务需求书涉及的业务架构的资产进行分析,降低对分析人员的业务架构知识掌握及运用能力的高要求,用户只需正常提交业务需求书即可,智能圈定业务需求的业务架构影响范围。
本公开的另一方面提供了一种关联资产确定装置。
图8示意性示出了根据本公开实施例的关联资产确定装置的方框图。
如图8所示,该关联资产确定装置可以包括:输入信息获取模块810、直接关联资产确定模块820和衍生关联资产确定模块830。
其中,输入信息获取模块810用于获取来自客户端的输入信息。
直接关联资产确定模块820用于响应于输入信息,基于输入信息在关键词库中进行匹配,确定与输入信息对应的直接关联资产,关键词库包括业务架构中资产与关键词之间的对应关系。
衍生关联资产确定模块830用于基于业务架构中多个资产之间的关联关系确定针对直接关联资产的衍生关联资产。
图9示意性示出了根据本公开实施例的架构资产分析流程示意图。
如图9所示,用户在通过客户端给服务器端提交输入信息(可以包括搜索引擎中用户输入搜索语句;立项申请、立项方案、架构分析、需求用例等文档),使得服务器端可以从输入信息中提取出关键词,以便在关键词库中对提取的关键词进行匹配分析,对于匹配成功关键词,则可以基于关键词和业务架构中资产之间的对应关系,确定关联资产(即业务架构影响范围)。这样可以有效降低研发人员对自身储备的业务架构知识的依赖。
此外,可以由架构师等专业人员对通过关键词确定的关联资产进行专家审核,以便基于审核结果对构建的关键词库进行优化和更新。或者,根据架构师审核意见条件调整关联资产,将调整后的关联资产发送给架构师进行再次审核,或者将调整后的关联资产以业务架构影响分析报告等形式输出给用户。
需要说明的是,装置部分实施例中各模块/单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似,在此不再一一赘述。
根据本公开的实施例的模块、单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,输入信息获取模块810、直接关联资产确定模块820和衍生关联资产确定模块830中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,输入信息获取模块810、直接关联资产确定模块820和衍生关联资产确定模块830中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,输入信息获取模块810、直接关联资产确定模块820和衍生关联资产确定模块830中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图10示意性示出了根据本公开实施例的电子设备的方框图。图10示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,根据本公开实施例的电子设备1000包括处理器1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1003中,存储有电子设备1000操作所需的各种程序和数据。处理器1001、ROM 1002以及RAM 1003通过总线1004彼此通讯连接。处理器1001通过执行ROM 1002和/或RAM 1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1000还可以包括输入/输出(I/O)接口1005,输入/输出(I/O)接口1005也连接至总线1004。电子设备1000还可以包括连接至I/O接口1005的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
根据本公开的实施例,根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM 1002和RAM 1003以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行本公开实施例所提供的方法的程序代码,当计算机程序产品在电子设备上运行时,该程序代码用于使电子设备实现本公开实施例所提供的图像模型训练方法或图像处理方法。
在该计算机程序被处理器1001执行时,执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分1009被下载和安装,和/或从可拆卸介质1011被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (14)
1.一种由服务器端执行的关联资产确定方法,包括:
获取来自客户端的输入信息;
响应于所述输入信息,基于所述输入信息在关键词库中进行匹配,确定与所述输入信息对应的直接关联资产,所述关键词库包括业务架构中资产与关键词之间的对应关系;以及
基于业务架构中多个资产之间的关联关系确定针对所述直接关联资产的衍生关联资产。
2.根据权利要求1所述的方法,其中,所述输入信息包括章节名;
所述基于所述输入信息在关键词库中进行匹配,确定与所述输入信息对应的直接关联资产包括:
提取所述输入信息中的章节名;以及
利用所述章节名在关键词库中进行匹配,确定与所述章节名对应的直接关联资产。
3.根据权利要求2所述的方法,其中,所述章节名中包括由动词和名词构成的词组;
所述利用所述章节名在关键词库中进行匹配,确定与所述章节名对应的直接关联资产包括:
对所述章节名进行分词,得到分词结果;
将所述分词结果中相邻的动词和名词的整体作为关键词组;以及
利用所述关键词组在所述关键词库中进行匹配,得到与所述关键词组对应的直接关联资产。
4.根据权利要求2所述的方法,其中,所述输入信息包括章节内容;
所述基于所述输入信息在关键词库中进行匹配,确定与所述输入信息对应的直接关联资产包括:
获取所述章节内容的摘要信息;
从所述摘要信息中提取关键词;以及
利用所述关键词在所述关键词库中进行匹配,得到与所述关键词对应的直接关联资产。
5.根据权利要求4所述的方法,其中,所述从所述摘要信息中提取关键词包括:
基于词频、词重要性、网页排名或者词向量中至少一种从所述摘要信息中提取关键词。
6.根据权利要求4所述的方法,其中,所述关键词具有等级,所述关键词的等级是基于所述关键词的关联资产的准确度来确定的;
所述方法还包括:当获取到多个关键词时,基于关键词的等级从与多个关键词对应的直接关联资产中筛选关联资产。
7.根据权利要求6所述的方法,其中,所述准确度的指标包括:用户使用的频率、采纳率中至少一种;
所述方法还包括:
通过埋点记录获取历史用户数据;
从所述历史用户数据中确定用户使用的频率、采纳率中至少一种;以及
基于所述用户使用的频率、采纳率中至少一种更新所述关键词库。
8.根据权利要求6所述的方法,其中,低级别关键词的关联资产被圈定在高级别关键词的关联资产的范围之内。
9.根据权利要求2所述的方法,还包括:
如果所述章节名中包括指定字段,则舍弃与所述章节名对应的章节内容。
10.根据权利要求1~9任一项所述的方法,其中,所述关键词库的构建方式包括以下至少一种:
将来自客户端的关键词和业务架构的资产关联地存储在指定存储空间中;或者
基于已有资产与关键词之间的对应关系和资产之间的对应关系扩充所述关键词库中对应关系。
11.根据权利要求1~9任一项所述的方法,还包括:
给客户端发送与所述输入信息对应的关联资产;
接收来自所述客户端针对与所述输入信息对应的关联资产的更新信息;以及
如果所述客户端的登录账户具有关键词库维护权限,则基于所述更新信息更新所述关键词库。
12.根据权利要求1~9任一项所述的方法,其中,所述基于业务架构中多个资产之间的关联关系确定针对所述直接关联资产的衍生关联资产包括:
如果直接关联资产包括公共任务,则基于所述业务架构中资产之间的关联关系对所述直接关联资产外扩指定次数,得到所述直接关联资产的衍生关联资产。
13.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储可执行指令,所述可执行指令在被所述处理器执行时,实现根据权利要求1~12任一项所述的方法。
14.一种计算机可读存储介质,存储有计算机可执行指令,所述可执行指令在被处理器执行时,实现根据权利要求1~12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110500256.9A CN113095078A (zh) | 2021-05-08 | 2021-05-08 | 关联资产确定方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110500256.9A CN113095078A (zh) | 2021-05-08 | 2021-05-08 | 关联资产确定方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113095078A true CN113095078A (zh) | 2021-07-09 |
Family
ID=76665131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110500256.9A Pending CN113095078A (zh) | 2021-05-08 | 2021-05-08 | 关联资产确定方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113095078A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146712A (zh) * | 2022-06-15 | 2022-10-04 | 北京天融信网络安全技术有限公司 | 物联网资产识别方法、装置、设备及存储介质 |
-
2021
- 2021-05-08 CN CN202110500256.9A patent/CN113095078A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146712A (zh) * | 2022-06-15 | 2022-10-04 | 北京天融信网络安全技术有限公司 | 物联网资产识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11334635B2 (en) | Domain specific natural language understanding of customer intent in self-help | |
US11409642B2 (en) | Automatic parameter value resolution for API evaluation | |
US20130060769A1 (en) | System and method for identifying social media interactions | |
US20200090053A1 (en) | Systems and methods for generating and using knowledge graphs | |
US11681817B2 (en) | System and method for implementing attribute classification for PII data | |
US11392774B2 (en) | Extracting relevant sentences from text corpus | |
US9940355B2 (en) | Providing answers to questions having both rankable and probabilistic components | |
CN112927082A (zh) | 信用风险的预测方法、装置、设备、介质和程序产品 | |
CN114303140A (zh) | 与产品和服务相关的知识产权数据分析 | |
CN115689717A (zh) | 企业风险预警方法、装置、电子设备、介质和程序产品 | |
CN111126073B (zh) | 语义检索方法和装置 | |
US11163761B2 (en) | Vector embedding models for relational tables with null or equivalent values | |
CN113095078A (zh) | 关联资产确定方法、装置和电子设备 | |
CN117033431A (zh) | 工单处理方法、装置、电子设备和介质 | |
CN116048463A (zh) | 基于标签管理的需求项内容智能推荐方法及装置 | |
US11354502B2 (en) | Automated constraint extraction and testing | |
US11520828B2 (en) | Methods for representing and storing data in a graph data structure using artificial intelligence | |
CN111368036B (zh) | 用于搜索信息的方法和装置 | |
CN112329468B (zh) | 异质关系网络的构建方法、装置、计算机设备及存储介质 | |
CN113177122A (zh) | 关联资产确定方法、装置和电子设备 | |
CN111651552B (zh) | 结构化信息确定方法、装置和电子设备 | |
US20240086816A1 (en) | Systems and methods for risk factor predictive modeling with document summarization | |
US20240086815A1 (en) | Systems and methods for risk factor predictive modeling with document summarization | |
CN113177116A (zh) | 信息展示方法及装置、电子设备、存储介质及程序产品 | |
CN117435616A (zh) | 生产问题记录的推荐方法、装置、电子设备和介质 |
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 |