CN113159326A - 基于人工智能的智能业务决策方法 - Google Patents
基于人工智能的智能业务决策方法 Download PDFInfo
- Publication number
- CN113159326A CN113159326A CN202110236424.8A CN202110236424A CN113159326A CN 113159326 A CN113159326 A CN 113159326A CN 202110236424 A CN202110236424 A CN 202110236424A CN 113159326 A CN113159326 A CN 113159326A
- Authority
- CN
- China
- Prior art keywords
- data
- intelligent
- knowledge
- artificial intelligence
- constructing
- 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
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 230000001149 cognitive effect Effects 0.000 claims abstract description 9
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000013499 data model Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000003058 natural language processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001364 causal effect Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种基于人工智能的智能业务决策方法,包括:基于获取的数据构建数据层;基于所述数据层得到知识图谱,从而构建认知层;对所述知识图谱进行数据分析,基于分析结果构建智能决策引擎,从而构建分析层;基于所述智能决策引擎构建对具体问题的智能分析决策。利用知识图谱把不同种类的知识联系在一起,从而得到一个关系网络,分析数字之间存在的关系,达到准确获取决策知识的目的。
Description
技术领域
本发明属于数据处理技术领域,更具体地,涉及一种基于人工智能的智能业务决策方法。
背景技术
决策分析的前身是20世纪40年代开始建立起来的统计决策理论。60年代后,以统计决策理论为基础向应用方面发展,研究范围日益扩大,从单目标问题拓展到多目标问题。目前决策分析的方法主要有:(1)基于经验的决策分析;(2)基于规则的决策分析;(3)基于概率模型的决策分析;(4)基于人工智能的决策分析。随着计算机网络技术的飞速发展,需要进行决策分析的场景变得越来越复杂,传统的决策分析方法面临着巨大的挑战。基于经验的决策分析需要富有经验的从业人员提供解决方案,这种做法早已过时。基于规则的决策分析包含两个过程:(1)规则库的建立。由本领域的规则专家制定,或者从现有的规章制度中提取,构建出规则库。随后使用样本案例验证规则库的正确性和覆盖度。(2)使用规则库进行决策。决策人员根据现有的规则对问题进行分析和判断,最终得到决策分析的结果。由于基于规则的决策分析的效果严重依赖于规则库的覆盖度,如果某个问题不能用规则库中存在的现有规则进行分析判断,那么该问题就无法得到解决。基于概率模型的决策分析首先分析当前问题的特征,交由概率模型进行分析判断,计算每种可能结果的概率,取其中概率最大的一种结果作为最终的结果。常见的概率模型包括高斯判别模型,贝叶斯模型,马尔科夫模型,最大熵模型,条件随机场模型等。随着信息时代的来临,人类生产生活的数据基础和信息环境有了大幅提升,人工智能在计算机领域内,得到了愈加广泛的重视。基于人工智能的决策分析被认为是最有前景的,一经提出就引起了广泛的关注并且发展迅速。
但是在电网领域决策分析主要为基于经验的决策分析;和基于规则的决策分析。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
(1)用于决策的知识难以获取,往往需要通过有经验的专家提供。用于决策的规则制定取决于专家的理解程度,往往包含了一定的偏差,从而难以获取准确的决策知识。
(2)基于规则的决策系统灵活性和适应性较低,当待解决问题的环境发生变化时,基于规则的决策系统往往就不能发挥作用。
发明内容
有鉴于此,本发明实施例提供了一种基于人工智能的智能业务决策方法,至少解决现有技术中难以获取准确的决策知识的问题。
本发明实施例提供了一种基于人工智能的智能业务决策方法,包括:
基于获取的数据构建数据层;
基于所述数据层得到知识图谱,从而构建认知层;
对所述知识图谱进行数据分析,基于分析结果构建智能决策引擎,从而构建分析层;
基于所述智能决策引擎构建对具体问题的智能分析决策。
可选的,所述基于所述智能决策引擎构建对具体问题的智能分析决策,包括:
利用人工智能技术对具体问题进行分析,所述人工智能技术,包括自然语言处理以及因果分析。
可选的,所述基于获取的数据构建数据层,包括:
对获取的数据进行数据清洗;
将清洗后的数据进行数据转换,从而将不同格式的数据转换为同一格式;
获取的数据包括结构数据和非结构化数据,所述结构化数据使用使用关系型数据库mySql存储,所述非结构化数据使用HDFS分布式文件系统存储。
可选的,所述基于所述数据层得到知识图谱,从而构建认知层,包括:
知识抽取、知识融合和数据模型构建;
所述知识抽取为将获取的数据转换为三元组的形式;
所述知识融合为基于抽取的三元组形式数据进行不同知识库中数据融合;
所述数据模型构建为将融合后的数据按照数据之间的关系,填充至构建的数据模型中,得到知识图谱。
可选的,所述将获取的数据转换为三元组的形式,包括:
将结构化数据转化为RDF数据;
将半结构化数据使用包装器转换为对应的结构化数据,然后再将得到的结构化数据转化为RDF数据;
将非结构化数据转化为结构化数据,然后再将得到的结构化数据转化为RDF数据,将非结构化数据转化为结构化数据的技术,包括语音识别、文本处理、自然语言处理中的一个或多个。
可选的,所述对所述知识图谱进行数据分析,基于分析结果构建智能决策引擎,从而构建分析层,包括:
通过知识图谱挖掘数据之间的关联关系,构建基于关联分析的智能决策模型。
可选的,所述挖掘数据之间的关联关系,包括:
基于K-Means算法进行数据聚类,得到聚类结果;
根据聚类结果,获得数据样本关联规则。
可选的,所述基于K-Means算法进行数据聚类,得到聚类结果,包括:
选择K个点作为数据的初始簇心;
类别划分步骤:计算数据样本到初始簇心的欧式距离,将该数据样本划分到距离最近的簇心对应的类别中;
簇心计算步骤:根据数据样本类别划分结果,重新计算数据的簇心;
重复类别划分步骤和簇心计算步骤直到簇心变化小于阈值,得到数据样本的分类结果。
可选的,所述根据聚类结果,获得数据样本关联规则中,关联规则的确定需要满足最小置信度和最小支持度两个阈值;
最小置信度:表示关联规则的最低可靠度;
最小支持度:表示关联规则在统计意义上需满足的最低程度。
可选的,所述基于所述智能决策引擎构建对具体问题的智能分析决策,包括:
在具问题中提取关键字,基于所述关键字在智能决策引擎中进行匹配,根据匹配结果,得到具体问题的解决方案。
本发明利用知识图谱把不同种类的知识联系在一起,从而得到一个关系网络,分析数字之间存在的关系,达到准确获取决策知识的目的。
而利用自然语言处理以及因果分析等人工智能技术对当前问题进行分析,不再单纯使用规则进行匹配,解决了现有决策系统灵活性和适应性较低的问题,达到灵活性和适应性高的目的。
本发明的其它特征和优点将在随后具体实施方式部分予以详细说明。
附图说明
通过结合附图对本发明示例性实施方式进行更详细的描述,本发明的上述以及其它目的、特征和优势将变得更加明显,其中,在本发明示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了本发明的一个实施例的基于人工智能的智能业务决策方法的流程图;
图2示出了本发明的一个实施例的知识图谱的示意图;
图3示出了本发明的一个实施例的基于人工智能的智能业务决策方法的结构示意图。
具体实施方式
下面将更详细地描述本发明的优选实施方式。虽然以下描述了本发明的优选实施方式,然而应该理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。
如图1所述,一种基于人工智能的智能业务决策方法,包括:
步骤S101:基于获取的数据构建数据层;
步骤S102:基于所述数据层得到知识图谱,从而构建认知层;
步骤S103:对所述知识图谱进行数据分析,基于分析结果构建智能决策引擎,从而构建分析层;
步骤S104:基于所述智能决策引擎构建对具体问题的智能分析决策。
在一个具体的应用场景中,获取世界各个国家的名称、人口和面积等信息,从而将国家名称与人口和面积基于关系建立联系从而得到知识图谱,如图2所示,当提出具体的问题为中国人口是多少时,便可以在基于该知识图谱构建的智能决策引擎中进行搜索,从而得到中国人口数据。
可选的,所述基于所述智能决策引擎构建对具体问题的智能分析决策,包括:
利用人工智能技术对具体问题进行分析,所述人工智能技术,包括自然语言处理以及因果分析。
可选的,所述基于获取的数据构建数据层,包括:
对获取的数据进行数据清洗;
将清洗后的数据进行数据转换,从而将不同格式的数据转换为同一格式;
获取的数据包括结构数据和非结构化数据,所述结构化数据使用使用关系型数据库mySql存储,所述非结构化数据使用HDFS分布式文件系统存储。
可选的,所述基于所述数据层得到知识图谱,从而构建认知层,包括:
知识抽取、知识融合和数据模型构建;
所述知识抽取为将获取的数据转换为三元组的形式;
所述知识融合为基于抽取的三元组形式数据进行不同知识库中数据融合;
所述数据模型构建为将融合后的数据按照数据之间的关系,填充至构建的数据模型中,得到知识图谱。
可选的,所述将获取的数据转换为三元组的形式,包括:
将结构化数据转化为RDF数据;
将半结构化数据使用包装器转换为对应的结构化数据,然后再将得到的结构化数据转化为RDF数据;
将非结构化数据转化为结构化数据,然后再将得到的结构化数据转化为RDF数据,将非结构化数据转化为结构化数据的技术,包括语音识别、文本处理、自然语言处理中的一个或多个。
可选的,所述对所述知识图谱进行数据分析,基于分析结果构建智能决策引擎,从而构建分析层,包括:
通过知识图谱挖掘数据之间的关联关系,构建基于关联分析的智能决策模型。
可选的,所述挖掘数据之间的关联关系,包括:
基于K-Means算法进行数据聚类,得到聚类结果;
根据聚类结果,获得数据样本关联规则。
可选的,所述基于K-Means算法进行数据聚类,得到聚类结果,包括:
选择K个点作为数据的初始簇心;
类别划分步骤:计算数据样本到初始簇心的欧式距离,将该数据样本划分到距离最近的簇心对应的类别中;
簇心计算步骤:根据数据样本类别划分结果,重新计算数据的簇心;
重复类别划分步骤和簇心计算步骤直到簇心变化小于阈值,得到数据样本的分类结果。
可选的,所述根据聚类结果,获得数据样本关联规则中,关联规则的确定需要满足最小置信度和最小支持度两个阈值;
最小置信度:表示关联规则的最低可靠度;
最小支持度:表示关联规则在统计意义上需满足的最低程度。
可选的,所述基于所述智能决策引擎构建对具体问题的智能分析决策,包括:
在具问题中提取关键字,基于所述关键字在智能决策引擎中进行匹配,根据匹配结果,得到具体问题的解决方案。
在一个具体的应用场景中,如在智能电网中,
基于人工智能的智能业务决策引擎,如图3所示,包括以下步骤:
步骤1,构建数据层。汇集国家电网规章制度,员工经验,音频视频等数据,并进行数据清洗,数据转换等操作;
步骤2,构建认知层。基于现有数据构建面向电网领域的知识图谱;
步骤3,构建分析层。对知识图谱进行数据分析,构建电网智能决策引擎;
步骤4,构建应用层。对具体问题进行智能分析决策。
步骤1中构建数据层,汇集国家电网规章制度,员工经验,音频视频等数据,并进行数据清洗,数据转换等操作,具体操作为:
首先汇集电网业务领域的相关数据,包括电网业务领域规章制度,员工经验,音频视频等数据,以上数据包括结构化数据和非结构化数据,结构化数据使用关系型数据库mySql进行存储,非结构化数据,如图片,视频,音频等数据,使用HDFS分布式文件系统进行存储。
然后,首先对收集到的数据进行数据清洗,数据清洗是指纠正数据文件中可识别的错误,包括检查数据一致性,处理无效值和缺失值等。通过数据清洗,对收集到的数据中不正确的数据进行过滤,剔除。接下来对数据进行数据转换,将不同格式的数据转换为同一格式。
步骤2构建认知层,基于现有数据构建面向电网领域的知识图谱等操作,需经历知识抽取、知识融合、数据模型构建等步骤。具体操作为:
(1)进行知识抽取。知识抽取旨在将原始的数据转换为三元组的形式,根据数据的类型不同,有不同的转换方式。
结构化数据:对于结构化数据,使用D2R Server,D2RQ Engine等工具将结构化数据转化为RDF数据。RDF数据是一个资源(subject)-属性(predicate)-属性值(objecct)的三元组。
半结构化数据:半结构化数据是指具有一定的结构性,但是需要进一步整理的数据。对于半结构化数据,使用包装器的方式进行处理。包装器是一个可以将网页等半结构化数据转换为结构化数据的软件,将原始的半结构化数据输入包装器,就会得到对应的结构化数据,然后使用D2R Server,D2RQ Engine等工具将结构化数据转化为RDF数据。
非结构化数据:对于非结构化数据,如图像,视频等,通过语音识别、文本处理、自然语言处理等技术,将其转化为结构化数据。
(2)进行知识融合。知识融合是指将不同知识库中的知识进行融合,本发明中包含不同的知识库,如规章制度数据组成的知识库,员工经验数据组成的知识库,图像视频数据组成的知识库等。知识融合旨在将不同的知识库进行融合,以达到知识互补融合,形成全面,准确的知识框架。知识融合的过程主要包括实体对齐,关系对齐,属性对齐等操作,使用命名实体识别,相似度计算,聚类等技术实现。
(3)数据模型构建。由于行业数据普遍较为清晰,所以本发明采用自顶向下的方式构建数据模型,然后将数据按照数据之间的关系,填充至数据模型中,构建知识图谱。
步骤3构建分析层,对知识图谱进行数据分析,构建电网智能决策引擎等操作,具体操作为通过知识图谱挖掘数据之间的关联关系,构建基于关联分析的智能决策模型。如果两个数据之间的关联程度越高,也就意味着两个数据之间的联系越紧密,那么基于这两个数据做出的决策就越相近。挖掘数据之间的关联关系算法如下:
步骤一:基于K-Means算法进行数据聚类。算法步骤如下:
①选择K个点作为数据的初始簇心。
②计算每个数据样本到初始簇心的欧式距离,将该数据样本划分到距离最近的簇心对应的类别中。
③根据分类结果,重新计算数据的簇心。
④重复2~3步,直到簇心不太变化,此时每个数据样本的分类结果为最终的结果。
步骤二:根据聚类结果,获得数据样本关联规则。关联规则是指数据之间存在的某种规律性。关联规则的确定往往需要满足最小置信度和最小支持度两个阈值。
最小置信度:表示关联规则的最低可靠度。
最小支持度:表示关联规则在统计意义上需满足的最低程度。
步骤4构建应用层,对具体问题进行智能分析决策,具体操作为对具体问题进行识别、分析,提取问题关键字,在电网智能决策引擎中进行匹配,由电网智能决策引擎搜索相关数据,给出解决方案。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。
Claims (10)
1.一种基于人工智能的智能业务决策方法,其特征在于,包括:
基于获取的数据构建数据层;
基于所述数据层得到知识图谱,从而构建认知层;
对所述知识图谱进行数据分析,基于分析结果构建智能决策引擎,从而构建分析层;
基于所述智能决策引擎构建对具体问题的智能分析决策。
2.根据权利要求1所述的基于人工智能的智能业务决策方法,其特征在于,所述基于所述智能决策引擎构建对具体问题的智能分析决策,包括:
利用人工智能技术对具体问题进行分析,所述人工智能技术,包括自然语言处理以及因果分析。
3.根据权利要求1所述的基于人工智能的智能业务决策方法,其特征在于,所述基于获取的数据构建数据层,包括:
对获取的数据进行数据清洗;
将清洗后的数据进行数据转换,从而将不同格式的数据转换为同一格式;
获取的数据包括结构数据和非结构化数据,所述结构化数据使用使用关系型数据库mySql存储,所述非结构化数据使用HDFS分布式文件系统存储。
4.根据权利要求1所述的基于人工智能的智能业务决策方法,其特征在于,所述基于所述数据层得到知识图谱,从而构建认知层,包括:
知识抽取、知识融合和数据模型构建;
所述知识抽取为将获取的数据转换为三元组的形式;
所述知识融合为基于抽取的三元组形式数据进行不同知识库中数据融合;
所述数据模型构建为将融合后的数据按照数据之间的关系,填充至构建的数据模型中,得到知识图谱。
5.根据权利要求4所述的基于人工智能的智能业务决策方法,其特征在于,所述将获取的数据转换为三元组的形式,包括:
将结构化数据转化为RDF数据;
将半结构化数据使用包装器转换为对应的结构化数据,然后再将得到的结构化数据转化为RDF数据;
将非结构化数据转化为结构化数据,然后再将得到的结构化数据转化为RDF数据,将非结构化数据转化为结构化数据的技术,包括语音识别、文本处理、自然语言处理中的一个或多个。
6.根据权利要求1所述的基于人工智能的智能业务决策方法,其特征在于,所述对所述知识图谱进行数据分析,基于分析结果构建智能决策引擎,从而构建分析层,包括:
通过知识图谱挖掘数据之间的关联关系,构建基于关联分析的智能决策模型。
7.根据权利要求6所述的基于人工智能的智能业务决策方法,其特征在于,所述挖掘数据之间的关联关系,包括:
基于K-Means算法进行数据聚类,得到聚类结果;
根据聚类结果,获得数据样本关联规则。
8.根据权利要求7所述的基于人工智能的智能业务决策方法,其特征在于,所述基于K-Means算法进行数据聚类,得到聚类结果,包括:
选择K个点作为数据的初始簇心;
类别划分步骤:计算数据样本到初始簇心的欧式距离,将该数据样本划分到距离最近的簇心对应的类别中;
簇心计算步骤:根据数据样本类别划分结果,重新计算数据的簇心;
重复类别划分步骤和簇心计算步骤直到簇心变化小于阈值,得到数据样本的分类结果。
9.根据权利要求7所述的基于人工智能的智能业务决策方法,其特征在于,所述根据聚类结果,获得数据样本关联规则中,关联规则的确定需要满足最小置信度和最小支持度两个阈值;
最小置信度:表示关联规则的最低可靠度;
最小支持度:表示关联规则在统计意义上需满足的最低程度。
10.根据权利要求1所述的基于人工智能的智能业务决策方法,其特征在于,所述基于所述智能决策引擎构建对具体问题的智能分析决策,包括:
在具问题中提取关键字,基于所述关键字在智能决策引擎中进行匹配,根据匹配结果,得到具体问题的解决方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110236424.8A CN113159326B (zh) | 2021-03-03 | 2021-03-03 | 基于人工智能的智能业务决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110236424.8A CN113159326B (zh) | 2021-03-03 | 2021-03-03 | 基于人工智能的智能业务决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113159326A true CN113159326A (zh) | 2021-07-23 |
CN113159326B CN113159326B (zh) | 2024-02-23 |
Family
ID=76884119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110236424.8A Active CN113159326B (zh) | 2021-03-03 | 2021-03-03 | 基于人工智能的智能业务决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113159326B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595328A (zh) * | 2023-04-17 | 2023-08-15 | 京信数据科技有限公司 | 一种基于知识图谱的数据评分卡模型智能构建装置及方法 |
CN117391313A (zh) * | 2023-12-12 | 2024-01-12 | 广东正迪科技股份有限公司 | 基于ai的智能决策方法、系统、设备以及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073919A (zh) * | 2010-11-24 | 2011-05-25 | 中南大学 | 一种决策问题智能分析处理方法 |
CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
US20130246315A1 (en) * | 2012-03-16 | 2013-09-19 | Orbis Technologies, Inc. | Systems and methods for semantic inference and reasoning |
CN106709035A (zh) * | 2016-12-29 | 2017-05-24 | 贵州电网有限责任公司电力科学研究院 | 一种电力多维全景数据的预处理系统 |
CN109598384A (zh) * | 2018-12-06 | 2019-04-09 | 同方知网(北京)技术有限公司 | 一种农业产业创新服务图谱构建系统 |
CN110275966A (zh) * | 2019-07-01 | 2019-09-24 | 科大讯飞(苏州)科技有限公司 | 一种知识抽取方法及装置 |
CN110489395A (zh) * | 2019-07-27 | 2019-11-22 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 自动获取多源异构数据知识的方法 |
US20200081898A1 (en) * | 2017-11-22 | 2020-03-12 | Beijing Kedong Power Control System Co Ltd | A Method for Constructing Electricity Transaction Index System Based on Big Data Technology |
CN111078868A (zh) * | 2019-06-04 | 2020-04-28 | 中国人民解放军92493部队参谋部 | 基于知识图谱分析的装备试验体系规划决策的方法及系统 |
CN111552813A (zh) * | 2020-03-18 | 2020-08-18 | 国网浙江省电力有限公司 | 一种基于电网全业务数据的电力知识图谱构建方法 |
CN111598376A (zh) * | 2020-02-18 | 2020-08-28 | 中国电力科学研究院有限公司 | 一种基于信息驱动的对电网大数据进行辅助决策的方法及系统 |
CN112365171A (zh) * | 2020-11-16 | 2021-02-12 | 广州杰赛科技股份有限公司 | 基于知识图谱的风险预测方法、装置、设备及存储介质 |
-
2021
- 2021-03-03 CN CN202110236424.8A patent/CN113159326B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073919A (zh) * | 2010-11-24 | 2011-05-25 | 中南大学 | 一种决策问题智能分析处理方法 |
US20130246315A1 (en) * | 2012-03-16 | 2013-09-19 | Orbis Technologies, Inc. | Systems and methods for semantic inference and reasoning |
CN102636991A (zh) * | 2012-04-18 | 2012-08-15 | 国电科学技术研究院 | 一种基于模糊集关联规则的火电机组运行参数优化方法 |
CN106709035A (zh) * | 2016-12-29 | 2017-05-24 | 贵州电网有限责任公司电力科学研究院 | 一种电力多维全景数据的预处理系统 |
US20200081898A1 (en) * | 2017-11-22 | 2020-03-12 | Beijing Kedong Power Control System Co Ltd | A Method for Constructing Electricity Transaction Index System Based on Big Data Technology |
CN109598384A (zh) * | 2018-12-06 | 2019-04-09 | 同方知网(北京)技术有限公司 | 一种农业产业创新服务图谱构建系统 |
CN111078868A (zh) * | 2019-06-04 | 2020-04-28 | 中国人民解放军92493部队参谋部 | 基于知识图谱分析的装备试验体系规划决策的方法及系统 |
CN110275966A (zh) * | 2019-07-01 | 2019-09-24 | 科大讯飞(苏州)科技有限公司 | 一种知识抽取方法及装置 |
CN110489395A (zh) * | 2019-07-27 | 2019-11-22 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 自动获取多源异构数据知识的方法 |
CN111598376A (zh) * | 2020-02-18 | 2020-08-28 | 中国电力科学研究院有限公司 | 一种基于信息驱动的对电网大数据进行辅助决策的方法及系统 |
CN111552813A (zh) * | 2020-03-18 | 2020-08-18 | 国网浙江省电力有限公司 | 一种基于电网全业务数据的电力知识图谱构建方法 |
CN112365171A (zh) * | 2020-11-16 | 2021-02-12 | 广州杰赛科技股份有限公司 | 基于知识图谱的风险预测方法、装置、设备及存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595328A (zh) * | 2023-04-17 | 2023-08-15 | 京信数据科技有限公司 | 一种基于知识图谱的数据评分卡模型智能构建装置及方法 |
CN116595328B (zh) * | 2023-04-17 | 2024-02-20 | 京信数据科技有限公司 | 一种基于知识图谱的数据评分卡模型智能构建装置及方法 |
CN117391313A (zh) * | 2023-12-12 | 2024-01-12 | 广东正迪科技股份有限公司 | 基于ai的智能决策方法、系统、设备以及介质 |
CN117391313B (zh) * | 2023-12-12 | 2024-04-30 | 广东正迪科技股份有限公司 | 基于ai的智能决策方法、系统、设备以及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113159326B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11816078B2 (en) | Automatic entity resolution with rules detection and generation system | |
CN109635171B (zh) | 一种新闻节目智能标签的融合推理系统和方法 | |
CN112084383B (zh) | 基于知识图谱的信息推荐方法、装置、设备及存储介质 | |
US20240163684A1 (en) | Method and System for Constructing and Analyzing Knowledge Graph of Wireless Communication Network Protocol, and Device and Medium | |
CN113779272B (zh) | 基于知识图谱的数据处理方法、装置、设备及存储介质 | |
CN109189767B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
JPWO2007080642A1 (ja) | 帳票処理プログラムおよび帳票処理装置 | |
CN113159326B (zh) | 基于人工智能的智能业务决策方法 | |
CN114092742B (zh) | 一种基于多角度的小样本图像分类装置和方法 | |
CN112199501A (zh) | 一种科技信息文本分类方法 | |
CN111782817B (zh) | 一种面向信息系统的知识图谱构建方法、装置及电子设备 | |
CN116206327A (zh) | 一种基于在线知识蒸馏的图像分类方法 | |
CN116561748A (zh) | 一种组件子序列相关性感知的日志异常检测装置 | |
CN117131449A (zh) | 面向数据治理的具有传播学习能力的异常识别方法及系统 | |
CN114093445B (zh) | 一种基于偏多标记学习的患者筛选标记方法 | |
CN113377929A (zh) | 专用术语无监督聚类方法、装置和系统 | |
CN112839102A (zh) | 应用于大数据画像推送的业务处理方法及机器学习服务器 | |
CN112115994A (zh) | 图像识别模型的训练方法、装置、服务器及存储介质 | |
CN115438190B (zh) | 一种配电网故障辅助决策知识抽取方法及系统 | |
Ndirangu et al. | A hybrid ensemble method for multiclass classification and outlier detection | |
CN112287996B (zh) | 一种基于机器学习的重大事件关键因子挖掘方法 | |
CN115204179A (zh) | 基于电网公共数据模型的实体关系预测的方法及装置 | |
CN114638558B (zh) | 一种综合能源系统运行事故分析的数据集分类方法 | |
CN117312395B (zh) | 基于大数据大模型的查询系统优化方法、装置及设备 | |
Moraffah et al. | Causal Data Fusion for Multimodal Disaster Classification in Social Media |
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 |