CN113176873B - 用于信息管理的方法和装置、电子设备、及介质 - Google Patents
用于信息管理的方法和装置、电子设备、及介质 Download PDFInfo
- Publication number
- CN113176873B CN113176873B CN202110468749.9A CN202110468749A CN113176873B CN 113176873 B CN113176873 B CN 113176873B CN 202110468749 A CN202110468749 A CN 202110468749A CN 113176873 B CN113176873 B CN 113176873B
- Authority
- CN
- China
- Prior art keywords
- dimension
- business model
- information
- business
- demand
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000008859 change Effects 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000003066 decision tree Methods 0.000 claims description 45
- 230000000694 effects Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000004590 computer program Methods 0.000 description 21
- 238000010276 construction Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012800 visualization Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 229910052709 silver Inorganic materials 0.000 description 4
- 239000004332 silver Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/10—Requirements analysis; Specification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/20—Software design
- G06F8/24—Object-oriented
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/36—Software reuse
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种用于信息管理的方法,属于人工智能领域。该方法包括:获取至少一个历史需求用例、以及与每个历史需求用例对应的业务模型调整信息;其中,每个历史需求用例包括M个维度需求信息,以及每个业务模型调整信息包括M个维度业务模型调整信息;将具有对应关系的历史需求用例和业务模型调整信息中同一维度的维度需求信息和维度业务模型调整信息作为一个维度特征样本数据;利用与每个维度对应的至少一个维度特征样本数据训练一个机器学习模型,得到与该维度对应的维度业务模型变更分析工具;维度业务模型变更分析工具用于预测需求用例在对应维度上的维度业务模型调整信息。本公开还提供了一种用于信息管理的装置、电子设备、及介质。
Description
技术领域
本公开涉及人工智能领域,更具体地,涉及一种用于信息管理的方法和装置、电子设备、及介质。
背景技术
在企业数字化转型的过程中,通常会针对各种业务场景的业务需求构建相应的业务模型,便于对同类型的业务需求的复用,提高企业的业务服务能力。然而随着业务场景的多样化和快速变化,新的业务需求层出不穷,常常导致辛苦建立起来的业务模型在几个月的版本研发后便不能发挥出预期作用以至于最后不得不放弃。而现在全球企业都在做数字化转型,而转型过程进行业务建模是一个必须的过程,更需要业务模型在企业转型的整个进程中能持续发挥出应有的作用。如何有效的维护业务模型,使业务模型在业务需求快速多变的情况下发挥作用是亟待解决的问题。
发明内容
有鉴于此,本公开实施例提供了一种可以通过人工智能预测业务模型调整维护信息的用于信息管理的方法、装置、电子设备和介质。
本公开实施例的一个方面提供了一种用于信息管理的方法。该方法包括:获取至少一个历史需求用例、以及与每个所述历史需求用例对应的业务模型调整信息,其中,每个所述历史需求用例包括与M个维度一一对应M个维度需求信息,以及每个所述业务模型调整信息包括与所述M个维度一一对应的M个维度业务模型调整信息,其中,M为大于或等于1的整数,所述维度业务模型调整信息为业务架构系统中对应维度的业务模型的调整信息,所述业务架构系统中的业务模型为已有的提供相应服务的软件模型;将具有对应关系的所述历史需求用例和所述业务模型调整信息中同一维度的所述维度需求信息和所述维度业务模型调整信息作为一个维度特征样本数据,得到与所述M个维度中每个维度对应的至少一个所述维度特征样本数据;以及,利用与每个维度对应的至少一个所述维度特征样本数据训练一个机器学习模型,得到与该维度对应的维度业务模型变更分析工具;其中,对应于所述M个维度得到M个所述维度业务模型变更分析工具;每个所述维度业务模型变更分析工具用于预测需求用例在对应维度上的所述维度业务模型调整信息。
根据本公开的实施例,所述机器学习模型包括决策树。
根据本公开的实施例,所述利用与每个维度对应的至少一个所述维度特征样本数据训练一个机器学习模型,得到与该维度对应的维度业务模型变更分析工具包括:按照预定规则将每个所述维度特征样本数据中的文本信息转换为编码信息;以及利用编码后的所述维度特征样本数据构建所述决策树。
根据本公开的实施例,所述利用与每个维度对应的至少一个所述维度特征样本数据训练一个机器学习模型,得到与该维度对应的维度业务模型变更分析工具还包括:在所述决策树构建完成后,将所述决策树节点中的编码信息替换为对应的文本信息,以实现对所述决策树的可视化展示。
根据本公开的实施例,所述利用与每个维度对应的至少一个所述维度特征样本数据训练一个机器学习模型,得到与该维度对应的维度业务模型变更分析工具还包括:在对所述决策树可视化展示之后,通过增删所述决策树中的节点和/或修改所述决策树的节点中的特征词,对所述维度业务模型变更分析工具的分析逻辑进行修订确认。
根据本公开的实施例,所述M个维度包括以下至少之一:需求用例名或活动名,需求用例或活动中的至少一个任务,至少一个任务中的至少一个步骤,至少一个任务中至少一个步骤的业务规则,至少一个业务规则中的业务链信息,至少一个页面,或者需求用例的输入项或输出项。其中,所述业务链信息包括客户、产品、渠道、以及合作方。
根据本公开的实施例,所述方法还包括基于M个所述维度业务模型变更分析工具,得到所述业务架构系统的业务模型变更分析工具。
根据本公开的实施例,所述方法还包括:获取待分析需求用例的M个所述维度需求信息;以及利用所述业务模型变更分析工具处理所述待分析需求用例的M个所述维度需求信息,预测得到与所述待分析需求用例对应的所述业务模型调整信息。
本公开实施例的另一方面,提供了一种用于信息管理的装置。所述装置包括数据采集模块、样本数据获得模块、以及训练模块。数据采集模块用于获取至少一个历史需求用例、以及与每个所述历史需求用例对应的业务模型调整信息;其中,每个所述历史需求用例包括与M个维度一一对应M个维度需求信息,以及每个所述业务模型调整信息包括与所述M个维度一一对应的M个维度业务模型调整信息;其中,M为大于或等于1的整数;所述维度业务模型调整信息为业务架构系统中对应维度的业务模型的调整信息;所述业务架构系统中的业务模型为已有的提供相应服务的软件模型。样本数据获得模块用于将具有对应关系的所述历史需求用例和所述业务模型调整信息中同一维度的所述维度需求信息和所述维度业务模型调整信息作为一个维度特征样本数据,得到与所述M个维度中每个维度对应的至少一个所述维度特征样本数据。训练模块用于利用与每个维度对应的至少一个所述维度特征样本数据训练一个机器学习模型,得到与该维度对应的维度业务模型变更分析工具;其中,对应于所述M个维度得到M个所述维度业务模型变更分析工具;每个所述维度业务模型变更分析工具用于预测需求用例在对应维度上的所述维度业务模型调整信息。
根据本公开的实施例,所述训练模块还用于基于M个所述维度业务模型变更分析工具,得到所述业务架构系统的业务模型变更分析工具。
根据本公开的实施例,所述装置还包括预测模块。所述预测模块用于获取待分析需求用例的M个所述维度需求信息,以及利用所述业务模型变更分析工具处理所述待分析需求用例的M个所述维度需求信息,以预测得到与所述待分析需求用例对应的所述业务模型调整信息。
本公开实施例的另一方面,提供了一种电子设备。所述电子设备包括一个或多个存储器、以及一个或多个处理器。所述存储器存储有可执行指令。所述处理器执行所述可执行指令以实现如上所述的方法。
本公开实施例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,所述指令在被执行时用于实现如上所述的方法。
本公开实施例的另一方面提供了一种计算机程序,所述计算机程序包括计算机可执行指令,所述指令在被执行时用于实现如上所述的方法。
上述一个或多个实施例具有如下优点或益效果:可以至少部分地缩减通过人工经验分析业务模型的调整信息的精力消耗,通过人工智能根据待分析需求用例来预测业务模型的调整维护信息,方便业务模型的快速维护,从而提升业务模型调整的时效性、有效性和准确性。
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用于信息管理的方法和装置的应用场景;
图2示意性示出了根据本公开实施例的用于信息管理的方法和装置的示例性系统架构;
图3示意性示出了根据本公开实施例的用于信息管理的方法的流程图;
图4示意性示出了根据本公开实施例的需求用例和业务模型调整信息的对应关系;
图5示意性示出了根据本公开另一实施例的用于信息管理的方法的流程图;
图6示意性示出了根据本公开实施例的用于信息管理的方法中对应每个维度构建决策树的流程图;
图7示意性示出了根据本公开实施例的可视化展示的一个决策树的示意图;
图8示意性示出了根据本公开另一实施例的用于信息管理的方法的流程图;
图9示意性示出了根据本公开实施例的用于信息管理的装置的框图;
图10示意示出了根据本公开另一实施例的用于信息管理的装置的示意图;以及
图11示意性示出了根据本公开实施例的适于实现信息管理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。
业务架构系统可以用于管理研发的业务模型。业务架构系统的构建和维护往往需要投入大量的人力、时间,要求维护人员既要熟知业务架构的详细内容,又要熟悉新业务需求的变化对业务架构内容的影响,还要熟悉企业架构方法论,从而能快速给出业务架构调整方案。而随着时间的推进和业务需求的多变,一方面很难有人能完全满足这些要求,另一方面人为地分析处理业务架构调整方案会消耗大量的精力,而且往往不可避免地会出错。
有鉴于此,本公开的实施例提供了一种用于信息管理的方法、装置、电子设备和介质,借助于人工智能技术训练得到智能化、自动化的业务模型变更分析工具,以通过该业务模型变更分析工具来预测业务模型的调整方向或调整信息。
具体地,根据本公开实施例的用于信息管理的方法可以通过以下操作实现。
首先获取至少一个历史需求用例、以及与每个历史需求用例对应的业务模型调整信息。其中,每个历史需求用例包括与M个维度一一对应M个维度需求信息,以及每个业务模型调整信息包括与M个维度一一对应的M个维度业务模型调整信息。其中,维度需求信息为需求用例中一个维度的信息。维度业务模型调整信息为业务架构系统中对应维度的业务模型的调整信息。业务架构系统中的业务模型为已有的提供相应服务的软件模型。
然后将具有对应关系的历史需求用例和业务模型调整信息中同一维度的维度需求信息和维度业务模型调整信息作为一个维度特征样本数据,得到与M个维度中每个维度对应的至少一个维度特征样本数据。
接下来利用与每个维度对应的至少一个维度特征样本数据训练一个机器学习模型,得到与该维度对应的维度业务模型变更分析工具。其中,对应于M个维度得到M个维度业务模型变更分析工具。每个维度业务模型变更分析工具用于预测需求用例在对应维度上的维度业务模型调整信息。
以此方式可以训练得到维度业务模型变更分析工具。借助于该工具可以帮助业务人员根据需求用例快速定位到需要调整的业务模型调整信息等,进而该根据该业务模型调整信息得到业务架构的调整方案,大大缩减分析过程,提升业务模型调整的时效性、有效性和准确性。
需要说明的是,本公开实施例确定的用于信息管理的方法和装置可用于金融领域,也可用于除金融领域之外的任意领域,本公开对应用领域不做限定。
图1示意性示出了根据本公开实施例的用于信息管理的方法和装置的应用场景。
如图1所示,该应用场景可以包括业务需求、业务架构以及IT架构。
在企业数字化的过程中,通常由业务部门根据市场需求或者业务场景等提出业务需求,例如,根据业务场景编写需求用例。
业务架构用于指导要实现一个业务需求需要使用哪些业务模型、每个业务模型所要提供的服务内容、以及不同业务模型之间的数据传输或调用等协作关系。业务架构师根据业务需求编写或调整业务架构。
IT架构用于在企业中的不同部门或不同软件工程师之间进行软件研发任务的分配和组织。在IT架构中可以根据研发的技术内容或技术领域(如,前端、后端、数据库等),将一个软件项目划分到不同的部门或软件工程师。每个软件工程师则根据IT架构中分配给自己的任务进行软件的研发。
业务需求与IT架构之间需要通过业务架构作为桥梁。一方面,业务架构可以根据业务需求明确一个项目的软件研发任务(例如,包括一个或多个维度的业务模型的开发或调整),然后企业可以根据IT架构将该软件研发任务分配给相应的软件工程师去完成。另一方面,通过业务架构,可以将各个软件工程师研发完成的软件部分或业务模型根据业务需求组装起来。从而可以通过一个或多个业务模型的协同,实现对外提供服务。
图2示意性示出了根据本公开实施例的用于信息管理的方法和装置的示例性系统架构200。需要注意的是,图2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2所示,根据该实施例的系统架构200可以包括终端设备201、202、203,网络204和服务器205。网络204可以包括多个网关、路由器、集线器、网线等,用以在终端设备201、202、203和服务器205之间提供通信链路的介质。网络204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201、202、203通过网络204与其他终端设备和服务器205进行交互,以接收或发送信息等,如上传待分析需求用例、查看或下载业务模型调整信息等。终端设备201、202、203可以安装有各种通讯客户端应用,例如银行管理系统、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)。
终端设备201、202、203包括但不限于智能手机、虚拟现实设备、增强现实设备、远程摄像头、平板电脑、膝上型便携计算机等等。
服务器205可以接收请求,并对请求进行处理。例如,服务器205可以为后台管理服务器、服务器集群等。在一个实施例中,服务器205中可以设置有根据本公开实施例的用于信息管理的装置,执行根据本公开实施例的方法,即利用历史需求用例及其对应的业务模型调整信息,训练得到与每个维度对应的维度业务模型变更分析工具或业务模型变更分析工具。从而服务器205在接收到需求用例分析请求时,可以通过维度业务模型变更分析工具或业务模型变更分析工具处理待分析需求用例,并将处理结果(如,各个维度的业务模型调整信息等)反馈给终端设备。
需要说明的是,本公开实施例所提供的用于信息管理的方法一般可以由服务器205执行。相应地,本公开实施例所提供的用于信息管理的装置、电子设备和介质一般可以设置于服务器205中。本公开实施例所提供的用于信息管理的方法也可以由不同于服务器205且能够与终端设备201、202、203和/或服务器205通信的服务器或服务器集群执行。相应地,本公开实施例所提供的用于信息管理的装置、电子设备和介质也可以设置于不同于服务器205且能够与终端设备201、202、203和/或服务器205通信的服务器或服务器集群中。
应该理解,图2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。
图3示意性示出了根据本公开实施例的用于信息管理的方法300的流程图。
如图3所示,根据该实施例的方法300可以包括操作S310~操作S330。
首先在操作S310,获取至少一个历史需求用例、以及与每个历史需求用例对应的业务模型调整信息。业务模型调整信息用于指导软件开发。
每个历史需求用例包括与M个维度一一对应M个维度需求信息,以及每个业务模型调整信息包括与M个维度一一对应的M个维度业务模型调整信息,其中,M为大于或等于1的整数。
其中,维度需求信息为需求用例中一个维度的信息。在获取到历史需求用例后,可以通过提取该历史需求用例中每个维度对应的字段的数据信息,得到每个维度对应的维度需求信息。从而得到与M个维度一一对应的M个维度需求信息。
维度业务模型调整信息为业务架构系统中对应维度的业务模型的调整信息。业务架构系统中的业务模型为已有的提供相应服务的软件模型。相应地,对于业务模型调整信息,也对应提取各个维度上的信息,得到维度业务模型调整信息。
根据本公开的实施例,M个维度包括以下至少之一:需求用例名或活动名,需求用例或活动中的至少一个任务,至少一个任务中的至少一个步骤,至少一个任务中至少一个步骤的业务规则,至少一个业务规则中的业务链信息(即,客户customer、产品product、渠道channel、及合作方partner的信息,简称CPCP),至少一个页面,或者需求用例的输入项或输出项。
业务架构系统用于管理业务模型,其中包括活动、任务、步骤及业务规则各个维度的业务模型。活动是为满足客户某一诉求而提供的服务的业务流程。一个活动由任务串连而成。而任务由一系列的步骤及业务规则完成。活动是抽离了业务链信息CPCP后的逻辑性流程,而在任务里需要将CPCP还原回去,体现出不同CPCP适用的具体业务规则。
在需求用例的编写中可以基于业务架构系统的维度设置进行需求用例的编写。需求用例可以按场景编写,其内容至少包括:用例名称(对应于业务架构中的活动)、概述、事件流(即活动流程图,包含了任务及具体的步骤)、以及每个步骤对应的业务规则、CPCP、输入输出项、页面等内容。
当用例编写完成后,可以根据需求用例的各个维度的信息对标相应维度的业务模型进行分析处理,并得到相应的维度业务模型调整信息,进而得到针对该需求用例的应用场景的业务模型调整方案,如图4所示。
图4示意性示出了根据本公开实施例的需求用例和业务模型调整信息的对应关系。其中,在输入信息401一列中示出的是一个需求用例的各个维度的信息(即,维度需求用例信息)。业务模型调整信息403一列中示出的是各个维度对应的业务模型调整信息(即,维度业务模型调整信息)。各个维度的维度业务模型调整信息汇总就形成针对该需求用例的应用场景的业务模型调整信息。分析逻辑402一列示出是将每个维度需求信息与业务架构系统中对应维度的业务模型调整信息进对应起来的的分析逻辑。
结合图4,在该实施例中,M个维度可以包括需求用例的活动名、任务(可以有多个)、每个任务下的各个步骤、每个步骤下的业务规则、每个任务里的CPCP信息、输入/输出项等。以下以表1示例了历史需求用例“申请消费贷款”与其对应的业务模型调整信息形式的数据格式。
表1
维度 | 历史需求用例 | 业务模型调整信息 |
用例名/活动名 | 申请消费贷款 | 新增活动 |
任务1 | 客户识别 | 复用任务 |
任务2 | 客户偏好分析 | 新增任务 |
步骤 | 获取用户身份信息 | 复用步骤 |
业务规则 | 人脸识别 | 调整人脸识别规则 |
输入项 | 人脸信息 | 新增人脸信息 |
… | … | … |
根据本公开的实施例,在操作S310中通过对历史需求用例及其对应的业务模型调整信息进行收集和清洗,形成用于机器学习的原始数据集。该原始数据集例如可以是大量如表1结构所示的数据组成的数据集。
然后在操作S320,将具有对应关系的历史需求用例和业务模型调整信息中同一维度的维度需求信息和维度业务模型调整信息作为一个维度特征样本数据,从而得到与M个维度中每个维度对应的至少一个维度特征样本数据。
在一个维度特征样本数据中,以维度需求信息为样本输入数据,以维度业务模型调整信息为样本输出数据。
以表1为例,其中的一行数据对应于该维度的维度特征样本数据。例如,“申请消费贷款”为活动维样本数据中的输入数据,“新增活动”为活动维样本数据中的输出数据,从而组成形成对应于活动维度的一个样本数据。当在操作S320中收集了大量的历史需求用例时,就可以得到大量针对活动维的样本数据。
接下来在操作S330,利用与每个维度对应的至少一个维度特征样本数据训练一个机器学习模型,得到与该维度对应的维度业务模型变更分析工具。其中,对应于M个维度得到M个维度业务模型变更分析工具。这意味着针对图4的分析逻辑402可以构建至少7个维度业务模型变更分析工具,分别对应活动名、任务、步骤、业务规则、页面、CPCP、以及输入/输出项。
在训练时可以对维度需求信息进行编码转换成数值信息,对业务需求信息设置标签。在图4和表1示意的示例中可以将维度业务需求信息分为复用、新增、调整三类,分别设置不同的标签。
经过操作S330得到的每个维度业务模型变更分析工具后,可以将维度业务模型变更分析工具用于预测需求用例在对应维度上的维度业务模型调整信息。例如,每个维度业务模型变更分析工具可以用于预测图4中业务模型调整信息403中的一个维度中的信息。
根据本公开的实施例,每个维度对应一个维度业务模型变更分析工具。通过机器学习模型对维度特征样本数据的学习,实质上是学习该维度中的维度需求信息与维度业务模型调整信息之间的转换关系,即图4中分析逻辑402在该维度所展示的逻辑。
以此方式,可以在获取到一个需求用例的维度需求信息后,可以通过该维度业务模型变更分析工具快速得到对应的维度业务模型调整信息,从而替代了人工的分析,缩减了人工分析的精力和消耗。
图5示意性示出了根据本公开另一实施例的用于信息管理的方法500的流程图。
如图5所示,根据该实施例的方法500可以包括操作S310~操作S330、以及操作S540~操作S560。其中,操作S310~操作S330与上文一致。
在方法500中首先经过操作S310~操作S330得到每个维度对应的维度业务模型变更分析工具。
然后在操作S540,基于M个维度业务模型变更分析工具,得到业务架构系统的业务模型变更分析工具。当M为1时,可以将维度业务模型变更分析工具直接作为业务模型变更分析工具。当M大于1时,可以将M个维度业务模型变更分析工具并联组装在一起,得到业务模型变更分析工具。
接下来在操作S550,获取待分析需求用例的M个维度需求信息。例如,提取待分析需求用例在M个维度的字段的数据,得到M个维度需求信息。
以及在操作S560,利用业务模型变更分析工具处理待分析需求用例的M个维度需求信息,预测得到与待分析需求用例对应的业务模型调整信息。
从而当有待分析需求用例时,结合图4,可以将待分析需求用例的M个维度需求信息作为输入信息401输入到业务模型变更分析工具,该业务模型变更分析工具会自动执行分析逻辑402,输出针对该待分析需求用例的应用场景的业务模型调整信息403。从而业务人员可以在业务模型调整信息403的基础上得到业务模型调整方案404,从而快速实现业务模型的调整,明确软件开发或调整的方向。
以此方式,本公开的实施例根据企业架构方法论,引入机器学习算法,根据业务需求与业务架构模型的关联关系自动化构建分析逻辑,帮助业务人员快速定位到需要调整的业务架构内容,从而帮助业务人员根据业务需求的变更方向得到业务架构的调整方案,大大缩减分析过程,提升业务模型调整的时效性、有效性和准确性。
图6示意性示出了根据本公开实施例的用于信息管理的方法中操作S330对应每个维度构建决策树的流程图。
如图6所示,在该实施例中操作S330中对应每个维度进行训练的机器学习模型具体为决策树。从而操作S330可以包括操作S331~操作S334。
在操作S331,按照预定规则将每个维度特征样本数据中的文本信息转换为编码信息。
结合表1的数据,该预定规则例如可以包括:空值处理、将维度业务模型调整信息作为标签列的处理、以及将维度需求信息作为特征列的处理。
其中,对于标签列可以直接转化为字典值,例如可以将维度业务需求信息分为复用、新增、调整三类,分别设置不同的标签值。
对于以维度需求信息作为特征列的文本信息,根据每个字段中文本内容的形式采取不同的处理方式:
例如一种处理方式为:直接转化为字典值。例如:
某字段为分类变量,包含“境内”、“境外”两个分类:
{
“境内“:0,
“境外“:1
}。
或者,另一种处理方式为:对文本分词,并结合每个词在原始数据集中统计得到的词频-逆向文本频率TF-IDF值后,转化为字典值。
例如:
某字段为文本,包括“工银e生活:消息中心新增余额变动提醒”、“核心企业付款接口新增”等内容:
{
“工银e生活“:0,
“消息“:1,
“中心“:2,
“余额“:3,
“变动“:4,
“提醒“:5,
“核心“:6,
“企业“:7,
“付款“:8,
“接口“:9,
“新增“:10
......
}
最终通过字典值将字段的文本转化为one-hot特征:
{
“工银e生活“:[1,0,0,0,0,0,0,0,0,0,0,...],
“消息“:[0,1,0,0,0,0,0,0,0,0,0,...],
“中心“:[0,0,1,0,0,0,0,0,0,0,0,...],
“余额“:[0,0,0,1,0,0,0,0,0,0,0,...],
“变动“:[0,0,0,0,1,0,0,0,0,0,0,...],
“提醒“:[0,0,0,0,0,1,0,0,0,0,0,...],
“核心“:[0,0,0,0,0,0,1,0,0,0,0,...],
“企业“:[0,0,0,0,0,0,0,1,0,0,0,...],
“付款“:[0,0,0,0,0,0,0,0,1,0,0,...],
“接口“:[0,0,0,0,0,0,0,0,0,1,0,...],
“新增“:[0,0,0,0,0,0,0,0,0,0,1,...]
......
}
将每个字段的one-hot特征相加,得到文本内容的特征:
{“工银e生活:消息中心新增余额变动提醒”:[1,1,1,1,1,1,1,0,0,0,0]}
{“核心企业付款接口新增”:[0,0,0,1,0,0,0,1,1,1,1]}
每个字段包含若干个特征,每个特征的值为0或1,代表样本的该字段是否包含某个关键词。
然后在操作S332,利用编码后的维度特征样本数据构建决策树。构建决策树时可以将数据集随机划分为两个子数据集,其中一个子数据集用作训练集,一个子数据集用作测试集。
具体地,首先定义决策树节点对象decisionnode。
可以按照one-hot特征随机划分数据集为两个子数据集tb(训练集)和fb(测试集),分别计算划分之后的两个子数据集的信息熵和Gini不纯度,同时设定信息增益和Gini不纯度的阈值。
可以通过信息熵计算划分方式的信息增益,选择信息增益最大的划分方式作为原始数据集的划分方式,记录此时用于划分的特征索引col和特征值value,特征值为0或1,分别代表该特征的判断为真或假,构建决策树节点对象decisionnode。如果信息增益不高于信息增益阈值,则认为该数据集无法继续进行划分,计算该数据集的分类情况,此数据集被划分为叶子节点。
也可以通过Gini不纯度限制数据集的划分。如果某个数据集Gini不纯度低于不纯度阈值,则认为该数据集不需要继续划分,计算该子数据集的分类情况,此数据集被划分为叶子节点。
然后生成决策树。可以对划分出来的子数据集分别递归地进行决策树的生成,直到所有划分出来的子数据集的信息增益都不高于阈值,或Gini不纯度都低于阈值,至此决策树分裂完毕。
接下来继续进行节点合并。遍历决策树,如果同一父节点上的两个叶子节点分类相同,则合并这两个叶子节点的数据集,重新计算合并后数据集的分类情况;如果一个叶子节点A与同一父节点R的另一个子节点B上的叶子节点C分类相同,则合并这两个叶子节点的数据集,作为子节点B的叶子节点C。
考虑到决策树具有可视化、可编辑的特点,根据本公开的一些实施例,在操作S332之后,还可以执行操作S333以及操作S334。
在操作S333,在决策树构建完成后,将决策树节点中的编码信息替换为对应的文本信息,以实现对决策树的可视化展示。可以按照编码时的规则反向得到决策树中每个节点对应的文本信息。可视化的效果可以如图7所示,其中,图7示意性示出了根据本公开实施例的可视化展示的一个决策树的示意图。
再接下来可以在操作S334,在对决策树可视化展示之后,通过增删决策树中的节点和/或修改决策树的节点中的特征词,对维度业务模型变更分析工具的分析逻辑进行修订确认。以此方式,可以将决策树的分析逻辑进行可视化展现,提供逻辑修改编辑功能,业务人员可以灵活的进行编辑确认,进一步确保分析逻辑的准确性。
图8示意性示出了根据本公开另一实施例的用于信息管理的方法800的流程图。
如图8所示,根据该实施例的方法800可以包括步骤S1~S6。
步骤S1:首先进行数据采集,主要对历史需求用例和业务模型调整信息进行收集,清洗。具体可以参考操作S310。
步骤S2:根据历史需求用例和业务模型调整数据进行分析逻辑的自动构建,通过机器学习算法构建业务业务架构系统的业务模型变更分析工具。可以参考操作S320、操作S330、以及操作S540的相关描述。
考虑到可视化和便于逻辑编辑,可以采用决策树算法。决策树的构建过程可以参考上文关于操作S331和S332中的相关描述。
步骤S3:对自动化构建后的逻辑进行可视化展示。
利用标签列的文本信息与字典值的对应关系,将决策树中叶子节点的分类情况转化为可阅读的分类标签。
利用特征列的字段文本信息->字典值->编码的对应关系,将决策树中每个节点的one-hot特征转化为文本信息,从而将每个特征转化为可阅读的形如“是否包含XX关键词”的判断条件。最后可视化后得到例如图7示意的展示效果。
步骤S4:分析逻辑修订确认,对可视化后的分析逻辑进行确认并对错误的逻辑进行修改编辑。编辑逻辑主要为增删节点,修改特征词等。
步骤S5:对上述逻辑进行修订确认后即可将分析逻辑进行发布,发布后的系统可以对新的需求用例进行自动化分析,得到业务模型调整信息和调整方案。
步骤S6,在业务人员确认业务模型调整信息后,输出业务模型调整方案。
图9示意性示出了根据本公开实施例的用于信息管理的装置900的框图。
如图9所示,根据该实施例的用于信息管理的装置900可以包括数据采集模块910、样本数据获得模块920、以及训练模块930。根据本公开的另一些实施例,该装置900还可以进一步包括预测模块940。该装置900可以用于实现参考图3~图8所描述的方法。
数据采集模块910例如可以执行操作S310,用于获取至少一个历史需求用例、以及与每个历史需求用例对应的业务模型调整信息;其中,每个历史需求用例包括与M个维度一一对应M个维度需求信息,以及每个业务模型调整信息包括与M个维度一一对应的M个维度业务模型调整信息;其中,M为大于或等于1的整数;维度业务模型调整信息为业务架构系统中对应维度的业务模型的调整信息;业务架构系统中的业务模型为已有的提供相应服务的软件模型。
样本数据获得模块920例如可以执行操作S320,用于将具有对应关系的历史需求用例和业务模型调整信息中同一维度的维度需求信息和维度业务模型调整信息作为一个维度特征样本数据,得到与M个维度中每个维度对应的至少一个维度特征样本数据。
训练模块930例如可以执行操作S330,用于利用与每个维度对应的至少一个维度特征样本数据训练一个机器学习模型,得到与该维度对应的维度业务模型变更分析工具;其中,对应于M个维度得到M个维度业务模型变更分析工具;每个维度业务模型变更分析工具用于预测需求用例在对应维度上的维度业务模型调整信息。
根据本公开的实施例,训练模块930例如还可以执行操作S540,用于基于M个维度业务模型变更分析工具,得到业务架构系统的业务模型变更分析工具。
预测模块940例如可以执行操作S550~操作S560,用于获取待分析需求用例的M个维度需求信息,以及利用业务模型变更分析工具处理待分析需求用例的M个维度需求信息,以预测得到与待分析需求用例对应的业务模型调整信息。
图10示意示出了根据本公开另一实施例的用于信息管理的装置1000的示意图。
如图10所示,根据该实施例的用于信息管理的装置1000可以包括采集模块1001、分析逻辑自动构建模块1002、可视化展示模块1003、分析逻辑修订模块1004、分析逻辑发布模块1005、需求用例编写模块1006、以及系统预测模块1007。该装置1000可以用于实现参考图8所描述的方法。
采集模块1001,主要是对历史的需求用例和业务模型调整信息进行收集,清洗后进入分析逻辑自动构建模块1002。
分析逻辑自动构建模块1002,主要是分析逻辑自动构建模块,借用决策树的思想进行分析逻辑(例如,分析逻辑402)构建,形成业务模型调整信息变更工具。
可视化展示模块1003,对分析逻辑自动构建模块1002自动化构建后的分析逻辑进行可视化展示。
分析逻辑修订模块1004,对自动化构建后的分析逻辑进行修订,确认。
分析逻辑发布模块1005,对确认后的分析逻辑进行服务发布,服务发布后即可对需求用例进行自动化分析预测得到业务模型调整说明及业务模型调整方案。
需求用例编写模块1006,主要为业务需求用例编辑模块,业务人员基于业务模型编写业务需求用例,送入系统预测模块1007。其中需求用例编写之前,根据业务架构系统中的业务模型的维度设置,预先设置需求用例的M个维度,以此来控制需求用例的编写。
系统预测模块1007,分析系统预测模块,该模块主要对需求用例编写模块1006业务编写后的需求用例利用自动构建和修订后的分析逻辑进行模型调整说明和方案预测。
以此方式,可以基于历史数据自动构建业务架构系统的业务模型变更分析工具,并且可以将业务模型变更的分析逻辑进行可视化展示,而且还可以提供给业务人员进行逻辑修改编辑,极大的减少维护业务模型投入大量的人力、物力和时间。从而在业务需求发生变化时,可以帮助业务人员快速定位到需求相关的业务模型及其变化方向,便于业务人员及时维护业务模型,指导IT实施研发。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、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、子模块、单元、子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、子模块、单元、子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、子模块、单元、子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,数据采集模块910、样本数据获得模块920、训练模块930、预测模块940、采集模块1001、分析逻辑自动构建模块1002、可视化展示模块1003、分析逻辑修订模块1004、分析逻辑发布模块1005、需求用例编写模块1006、以及系统预测模块1007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,数据采集模块910、样本数据获得模块920、训练模块930、预测模块940、采集模块1001、分析逻辑自动构建模块1002、可视化展示模块1003、分析逻辑修订模块1004、分析逻辑发布模块1005、需求用例编写模块1006、以及系统预测模块1007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,数据采集模块910、样本数据获得模块920、训练模块930、预测模块940、采集模块1001、分析逻辑自动构建模块1002、可视化展示模块1003、分析逻辑修订模块1004、分析逻辑发布模块1005、需求用例编写模块1006、以及系统预测模块1007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11示意性示出了根据本公开实施例的适于实现信息管理的电子设备1100的方框图。图11示出的电子设备1100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11所示,根据本公开实施例的电子设备1100包括处理器1101,其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。处理器1101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1101还可以包括用于缓存用途的板载存储器。处理器1101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 1103中,存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103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,所述程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在所述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1100还可以包括输入/输出(I/O)接口1105,输入/输出(I/O)接口1105也连接至总线1104。电子设备1100还可以包括连接至I/O接口1105的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1106;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1107;包括硬盘等的存储部分1108;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1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111,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1110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1108。
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1109从网络上被下载和安装,和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101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ROM1102和/或RAM 1103和/或ROM 1102和RAM 1103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方法。
在该计算机程序被处理器1101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1109被下载和安装,和/或从可拆卸介质1111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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上对本公开的实施例进行了描述。但是,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。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 (9)
1.一种用于信息管理的方法,包括:
获取至少一个历史需求用例、以及与每个所述历史需求用例对应的业务模型调整信息;其中,每个所述历史需求用例包括与M个维度一一对应M个维度需求信息,以及每个所述业务模型调整信息包括与所述M个维度一一对应的M个维度业务模型调整信息;其中,M为大于或等于1的整数;所述维度业务模型调整信息为业务架构系统中对应维度的业务模型的调整信息;所述业务架构系统中的业务模型为已有的提供相应服务的软件模型;
将具有对应关系的所述历史需求用例和所述业务模型调整信息中同一维度的所述维度需求信息和所述维度业务模型调整信息作为一个维度特征样本数据,得到与所述M个维度中每个维度对应的至少一个所述维度特征样本数据;以及
利用与每个维度对应的至少一个所述维度特征样本数据训练一个机器学习模型,得到与该维度对应的维度业务模型变更分析工具;其中,对应于所述M个维度得到M个所述维度业务模型变更分析工具;每个所述维度业务模型变更分析工具用于预测需求用例在对应维度上的所述维度业务模型调整信息;
其中,所述机器学习模型包括决策树;所述利用与每个维度对应的至少一个所述维度特征样本数据训练一个机器学习模型,得到与该维度对应的维度业务模型变更分析工具包括:
按照预定规则将每个所述维度特征样本数据中的文本信息转换为编码信息;以及
利用编码后的所述维度特征样本数据构建所述决策树。
2.根据权利要求1所述的方法,其中,所述利用与每个维度对应的至少一个所述维度特征样本数据训练一个机器学习模型,得到与该维度对应的维度业务模型变更分析工具还包括:
在所述决策树构建完成后,将所述决策树节点中的编码信息替换为对应的文本信息,以实现对所述决策树的可视化展示。
3.根据权利要求2所述的方法,其中,所述利用与每个维度对应的至少一个所述维度特征样本数据训练一个机器学习模型,得到与该维度对应的维度业务模型变更分析工具还包括:
在对所述决策树可视化展示之后,通过增删所述决策树中的节点和/或修改所述决策树的节点中的特征词,对所述维度业务模型变更分析工具的分析逻辑进行修订确认。
4.根据权利要求1~3任意一项所述的方法,其中,所述M个维度包括以下至少之一:
需求用例名或活动名;
需求用例或活动中的至少一个任务;
至少一个任务中的至少一个步骤;
至少一个任务中至少一个步骤的业务规则;
至少一个业务规则中的业务链信息,所述业务链信息包括客户、产品、渠道、以及合作方;
至少一个页面;或者
需求用例的输入项或输出项。
5.根据权利要求1~3任意一项所述的方法,其中,所述方法还包括:
基于M个所述维度业务模型变更分析工具,得到所述业务架构系统的业务模型变更分析工具。
6.根据权利要求5所述的方法,其中,所述方法还包括:
获取待分析需求用例的M个所述维度需求信息;以及
利用所述业务模型变更分析工具处理所述待分析需求用例的M个所述维度需求信息,预测得到与所述待分析需求用例对应的所述业务模型调整信息。
7.一种用于信息管理的装置,包括:
数据采集模块,用于获取至少一个历史需求用例、以及与每个所述历史需求用例对应的业务模型调整信息;其中,每个所述历史需求用例包括与M个维度一一对应M个维度需求信息,以及每个所述业务模型调整信息包括与所述M个维度一一对应的M个维度业务模型调整信息;其中,M为大于或等于1的整数;所述维度业务模型调整信息为业务架构系统中对应维度的业务模型的调整信息;所述业务架构系统中的业务模型为已有的提供相应服务的软件模型;
样本数据获得模块,用于将具有对应关系的所述历史需求用例和所述业务模型调整信息中同一维度的所述维度需求信息和所述维度业务模型调整信息作为一个维度特征样本数据,得到与所述M个维度中每个维度对应的至少一个所述维度特征样本数据;
训练模块,用于利用与每个维度对应的至少一个所述维度特征样本数据训练一个机器学习模型,得到与该维度对应的维度业务模型变更分析工具;其中,对应于所述M个维度得到M个所述维度业务模型变更分析工具;每个所述维度业务模型变更分析工具用于预测需求用例在对应维度上的所述维度业务模型调整信息;
其中,所述机器学习模型包括决策树;所述训练模块具体用于:
按照预定规则将每个所述维度特征样本数据中的文本信息转换为编码信息;
利用编码后的所述维度特征样本数据构建所述决策树。
8.一种电子设备,包括:
一个或多个存储器,存储有可执行指令;以及
一个或多个处理器,执行所述可执行指令,以实现根据权利要求1~6中任一项所述的方法。
9.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行根据权利要求1~6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468749.9A CN113176873B (zh) | 2021-04-28 | 2021-04-28 | 用于信息管理的方法和装置、电子设备、及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110468749.9A CN113176873B (zh) | 2021-04-28 | 2021-04-28 | 用于信息管理的方法和装置、电子设备、及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113176873A CN113176873A (zh) | 2021-07-27 |
CN113176873B true CN113176873B (zh) | 2024-02-13 |
Family
ID=76925261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110468749.9A Active CN113176873B (zh) | 2021-04-28 | 2021-04-28 | 用于信息管理的方法和装置、电子设备、及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113176873B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114189818B (zh) * | 2021-11-10 | 2023-08-04 | 深圳市梦网科技发展有限公司 | 消息发送方法、装置、服务器及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728445A (zh) * | 2019-10-09 | 2020-01-24 | 中国工商银行股份有限公司 | 信息管理方法、信息管理装置、电子设备和介质 |
CN111857670A (zh) * | 2020-07-29 | 2020-10-30 | 中国工商银行股份有限公司 | 应用架构的确定方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10963316B2 (en) * | 2019-03-25 | 2021-03-30 | Flaist, Inc. | Artificial intelligence-powered cloud for the financial services industry |
-
2021
- 2021-04-28 CN CN202110468749.9A patent/CN113176873B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728445A (zh) * | 2019-10-09 | 2020-01-24 | 中国工商银行股份有限公司 | 信息管理方法、信息管理装置、电子设备和介质 |
CN111857670A (zh) * | 2020-07-29 | 2020-10-30 | 中国工商银行股份有限公司 | 应用架构的确定方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113176873A (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bilal et al. | Guidelines for applied machine learning in construction industry—A case of profit margins estimation | |
US9536225B2 (en) | Aggregating business analytics architecture and configurator | |
US20230162051A1 (en) | Method, device and apparatus for execution of automated machine learning process | |
US9324038B2 (en) | Method and system for clustering, modeling, and visualizing process models from noisy logs | |
US11620453B2 (en) | System and method for artificial intelligence driven document analysis, including searching, indexing, comparing or associating datasets based on learned representations | |
US20150074036A1 (en) | Knowledge management system | |
PH12016000208A1 (en) | Method and system for parsing and aggregating unstructured data objects | |
CN116245670B (zh) | 基于双标签模型处理财税数据的方法、装置、介质和设备 | |
CN110955801B (zh) | 一种cognos报表指标的知识图谱分析方法及系统 | |
CN112036483A (zh) | 基于AutoML的对象预测分类方法、装置、计算机设备及存储介质 | |
CN113176873B (zh) | 用于信息管理的方法和装置、电子设备、及介质 | |
CN115221337A (zh) | 数据编织处理方法、装置、电子设备及可读存储介质 | |
CN114780798A (zh) | 基于bim的知识图谱系统 | |
Lyan et al. | Impact of data cleansing for urban bus commercial speed prediction | |
CN112199395A (zh) | 一种人工智能分析方法及系统 | |
Grambau et al. | Reference Architecture framework for enhanced social media data analytics for Predictive Maintenance models | |
Morawiec et al. | The new role of cloud technologies in management information systems implementation methodology | |
CN114493853A (zh) | 信用等级评价方法、装置、电子设备及存储介质 | |
Abughazala et al. | Architecture Description Framework For Data-Intensive Applications | |
CN112070107A (zh) | 一种电子口岸船舶进港控制方法 | |
CN112380321A (zh) | 基于票据知识图谱的主次数据库分配方法及相关设备 | |
CN113176874B (zh) | 信息管理方法、装置、系统及介质 | |
Ploder et al. | A model for data analysis in SMEs based on process importance | |
Shoshin et al. | Digital Transformation of an Aircraft Operation Ecosystem | |
US9459939B2 (en) | In-memory approach to extend semantic event processing with domain insights |
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 |