CN113609373A - 知识推荐方法、装置、电子设备及存储介质 - Google Patents
知识推荐方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113609373A CN113609373A CN202110995609.7A CN202110995609A CN113609373A CN 113609373 A CN113609373 A CN 113609373A CN 202110995609 A CN202110995609 A CN 202110995609A CN 113609373 A CN113609373 A CN 113609373A
- Authority
- CN
- China
- Prior art keywords
- node
- business
- search information
- model
- search
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9532—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种知识推荐方法、装置、电子设备及存储介质,可应用于人工智能领域或金融领域,对于使用者输入的第一搜索信息,能够在业务流程中检测与其相匹配的第一流程节点、并确定第一流程节点的下一跳节点,即第二流程节点,进一步封装第二流程节点的搜索词,输出该搜索词在知识库中搜索到的知识。基于本发明,使用者第一次输入搜索信息后,以搜索信息与流程节点匹配的方式对业务逻辑的下一跳知识进行搜索并推荐使用者,由此可以提供给使用者更准确的知识推荐,满足使用者的业务需求。
Description
技术领域
本发明涉及人工智能技术领域,更具体地说,涉及一种知识推荐方法、装置、电子设备及存储介质。
背景技术
现阶段,在商业银行的知识库系统中进行知识搜索,搜索原理一般为使用搜索引擎进行全文搜索,主要是通过搜索内容和知识内容的模糊匹配查询来完成。
但使用者在进行知识搜索时可能还会有业务逻辑的下一跳知识的查询需求,例如,使用者首先搜索“某某银行发行了哪些种类的信用卡”,之后还可能想查询“信用卡的介绍以及办理流程”,这就需要使用者先后两次使用搜索引擎做全文搜索,这就很可能出现两次搜索到的知识关联不大的问题,无法满足使用者的需求。
发明内容
有鉴于此,为解决上述问题,本发明提供一种知识推荐方法、装置、电子设备及存储介质,技术方案如下:
一种知识推荐方法,所述方法包括:
接收第一搜索信息,在已配置的业务流程中检测与所述第一搜索信息相匹配的第一流程节点;
确定所述业务流程中的第二流程节点,所述第二流程节点是所述第一流程节点的下一跳节点;
封装所述第二流程节点的搜索词,并输出以所述搜索词在知识库搜索到的知识。
优选的,所述在已配置的业务流程中检测与所述第一搜索信息相匹配的第一流程节点,包括:
调取针对已配置的业务场景训练得到的业务场景模型,所述业务场景模型是以第一信息作为第一训练样本,以对所述第一训练样本的业务场景预测结果趋近于所述第一训练样本的业务场景标注结果为目标,对第一基础模型训练得到的;
将所述第一搜索信息输入至所述业务场景模型中,以获得所述业务场景模型所输出的目标业务场景;
调取针对已配置的业务场景下的业务流程训练得到的业务流程模型,所述业务流程模型是以第二信息作为第二训练样本,以对所述第二训练样本的流程节点预测结果趋近于所述第二训练样本的流程节点标注结果为目标,对第二基础模型训练得到的;
将所述第一搜索信息输入至所述目标业务场景对应的目标业务流程模型中,以获得所述目标业务流程模型所输出的目标业务流程中的第一流程节点。
优选的,所述在已配置的业务流程中检测与所述第一搜索信息相匹配的第一流程节点,包括:
调用针对不同业务流程所配置的规则引擎,所述规则引擎记录有不同业务流程中流程节点与其关键词的映射关系;
提取所述第一搜索信息的关键词,并将所述第一搜索信息的关键词输入至所述规则引擎中,以获得所述规则引擎基于所述映射关系所输出的目标业务流程中的第一流程节点。
优选的,所述封装所述第二流程节点的搜索词,包括:
获取所述第二流程节点的关联信息;
提取所述关联信息的关键词,并根据历史搜索记录确定所述关联信息的关键词对应的搜索频次;
将搜索频次满足对应阈值的关键词封装为所述第二流程节点的搜索词。
优选的,所述方法还包括:
接收第二搜索信息,通过计算所述第二搜索信息与所述知识间的相似度对所述知识进行排序。
一种知识推荐装置,所述装置包括:
节点匹配模块,用于接收第一搜索信息,在已配置的业务流程中检测与所述第一搜索信息相匹配的第一流程节点;
知识推荐模块,用于确定所述业务流程中的第二流程节点,所述第二流程节点是所述第一流程节点的下一跳节点;封装所述第二流程节点的搜索词,并输出以所述搜索词在知识库搜索到的知识。
优选的,用于在已配置的业务流程中检测与所述第一搜索信息相匹配的第一流程节点的所述节点匹配模块,具体用于:
调取针对已配置的业务场景训练得到的业务场景模型,所述业务场景模型是以第一信息作为第一训练样本,以对所述第一训练样本的业务场景预测结果趋近于所述第一训练样本的业务场景标注结果为目标,对第一基础模型训练得到的;将所述第一搜索信息输入至所述业务场景模型中,以获得所述业务场景模型所输出的目标业务场景;调取针对已配置的业务场景下的业务流程训练得到的业务流程模型,所述业务流程模型是以第二信息作为第二训练样本,以对所述第二训练样本的流程节点预测结果趋近于所述第二训练样本的流程节点标注结果为目标,对第二基础模型训练得到的;将所述第一搜索信息输入至所述目标业务场景对应的目标业务流程模型中,以获得所述目标业务流程模型所输出的目标业务流程中的第一流程节点。
优选的,用于在已配置的业务流程中检测与所述第一搜索信息相匹配的第一流程节点的所述节点匹配模块,具体用于:
调用针对不同业务流程所配置的规则引擎,所述规则引擎记录有不同业务流程中流程节点与其关键词的映射关系;提取所述第一搜索信息的关键词,并将所述第一搜索信息的关键词输入至所述规则引擎中,以获得所述规则引擎基于所述映射关系所输出的目标业务流程中的第一流程节点。
一种电子设备,所述电子设备包括:至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于实现所述的知识推荐方法。
一种存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令用于执行所述的知识推荐方法。
相较于现有技术,本发明实现的有益效果为:
本发明提供一种知识推荐方法、装置、电子设备及存储介质,对于使用者输入的第一搜索信息,能够在业务流程中检测与其相匹配的第一流程节点、并确定第一流程节点的下一跳节点,即第二流程节点,进一步封装第二流程节点的搜索词,输出该搜索词在知识库中搜索到的知识。基于本发明,使用者第一次输入搜索信息后,以搜索信息与流程节点匹配的方式对业务逻辑的下一跳知识进行搜索并推荐使用者,由此可以提供给使用者更准确的知识推荐,满足使用者的业务需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的知识推荐方法的方法流程图;
图2为本发明实施例提供的知识推荐方法的部分方法流程图;
图3为本发明实施例提供的知识推荐方法的另一部分方法流程图;
图4为本发明实施例提供的知识推荐方法的再一部分方法流程图;
图5为本发明实施例提供的知识推荐方法的另一方法流程图;
图6为本发明实施例提供的知识推荐装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例提供一种知识推荐方法,能够在使用者搜索的同时提供给使用者更满意的知识推荐,该方法的方法流程图如图1所示,包括如下步骤:
S10,接收第一搜索信息,在已配置的业务流程中检测与第一搜索信息相匹配的第一流程节点。
本发明实施例中,对于商业银行的知识查询,一旦检测到使用者输入搜索信息,即第一搜索信息,在采用搜索引擎进行全文搜索的同时,启动本发明的知识推荐方案。
在商业银行使用的知识库场景中,大多的知识查询都带有着业务流程的驱动,因此本发明在配置业务流程时,可以通过专家梳理的方式对不同业务场景下的业务逻辑进行管理,以获得业务知识查询的流程步骤,即业务流程。以信用卡的业务场景为例,在该业务场景下包括信用卡的业务流程“信用卡介绍-->信用卡办理流程-->信用卡激活-->信用卡账单查询-->还款”。
需要说明的是,对于一个业务流程来说,其中的流程节点可以是相应流程步骤的概要信息,而该流程步骤还具有相应的详细信息,详细信息可以作为知识进行输出。举例来说,上述业务流程中“信用卡介绍”为介绍流程步骤的概要信息,知识库中包含介绍流程步骤的详细信息。
而在已配置的业务流程中检测与第一搜索信息相匹配的第一流程节点时,本发明实施例可以采用算法模型或者规则引擎的方式来实现。其中,算法模型需要通过前期的模型训练获得,用于识别搜索信息对应的业务场景和流程节点;规则引擎则需要制定规则实现搜索信息与对应的业务场景、流程节点的命中。
具体实现过程中,步骤S10“在已配置的业务流程中检测与第一搜索信息相匹配的第一流程节点”可以采用如下步骤,方法流程图如图2所示:
S1011,调取针对已配置的业务场景训练得到的业务场景模型,业务场景模型是以第一信息作为第一训练样本,以对第一训练样本的业务场景预测结果趋近于第一训练样本的业务场景标注结果为目标,对第一基础模型训练得到的。
本发明实施例中,针对不同的业务场景,通过一个业务场景模型对业务场景进行分类。业务场景模型的训练可以采用现有机器学习的方式来完成,其对应的基础模型,即第一基础模型可以根据实际场景来选择,比如可以选择卷积神经网络。
此外,为获得业务场景模型,可以以多次迭代训练的方式对第一基础模型进行训练,在每次迭代训练过程中,选择本次迭代所需的第一训练样本,进而提取所选择的第一训练样本的特征(该特征可以为语音特征、或者文本特征、或者图像特征),将所提取的特征输入至第一基础模型中,由第一基础模型调整各层的权重。直到多次迭代训练完成,第一基础模型的损失函数值/迭代训练的次数符合结束条件,将训练后的第一基础模型作为业务场景模型,此时业务场景模型即具备分类业务场景的能力。
S1012,将第一搜索信息输入至业务场景模型中,以获得业务场景模型所输出的目标业务场景。
本发明实施例中,提取第一搜索信息的特征,将所提取到的特征输入至业务场景模型中,由业务场景模型分类并输出第一搜索信息对应的业务场景,即目标业务场景。
S1013,调取针对已配置的业务场景下的业务流程训练得到的业务流程模型,业务流程模型是以第二信息作为第二训练样本,以对第二训练样本的流程节点预测结果趋近于第二训练样本的流程节点标注结果为目标,对第二基础模型训练得到的。
本发明实施例中,对于一个业务场景下的不同业务流程,通过一个业务流程模型对业务流程及流程节点进行分类。业务流程模型的训练可以采用现有机器学习的方式来完成,其对应的基础模型,即第二基础模型可以根据实际场景来选择,比如可以选择卷积神经网络。
此外,为获得业务流程模型,可以以多次迭代训练的方式对第二基础模型进行训练,在每次迭代训练过程中,选择本次迭代所需的第二训练样本,进而提取所选择的第二训练样本的特征(该特征可以为语音特征、或者文本特征、或者图像特征),将所提取的特征输入至第二基础模型中,由第二基础模型调整各层的权重。直到多次迭代训练完成,第二基础模型的损失函数值/迭代训练的次数符合结束条件,将训练后的第二基础模型作为业务流程模型,此时业务流程模型即具备分类业务流程及流程节点的能力。
需要说明的是,第二训练样本的流程节点标注结果中包括对业务流程的第一标注信息和对流程节点的第二标注信息。相应的,第二训练样本的流程节点预测结果中包括对业务流程的第一预测信息和对流程节点的第二预测信息。流程节点预测结果趋近于流程节点标注结果,即第一预测信息趋近于第一标注信息、第二预测信息趋近于第二标注信息。
S1014,将第一搜索信息输入至目标业务场景对应的目标业务流程模型中,以获得目标业务流程模型所输出的目标业务流程中的第一流程节点。
本发明实施例中,提取第一搜索信息的特征,将所提取到的特征输入至目标业务流程模型中,由业务流程模型分类并输出第一搜索信息对应的业务流(即目标业务流程)、以及第一搜索信息在目标业务流程中的流程节点(即第一流程节点)。
此外,具体实现过程中,步骤S10“在已配置的业务流程中检测与第一搜索信息相匹配的第一流程节点”可以采用如下步骤,方法流程图如图3所示:
S1021,调用针对不同业务流程所配置的规则引擎,规则引擎记录有不同业务流程中流程节点与其关键词的映射关系。
本发明实施例中,对于不同业务场景下的每个业务流程,该业务流程中各流程节点均具有对应的关键词,基于该关键词能够唯一定位到相应的流程节点。
S1022,提取第一搜索信息的关键词,并将第一搜索信息的关键词输入至规则引擎中,以获得规则引擎基于映射关系所输出的目标业务流程中的第一流程节点。
本发明实施例中,对第一搜索信息进行自然语言处理,包括停用词去除、分词等,得到对应的一组的词汇;进一步,根据已配置的业务词典从该组词汇中提取业务相关的词汇,将所提取到的词汇作为第一搜索信息的关键词。
将第一搜索信息的关键词输入规则引擎中,由规则引擎通过关键词匹配定相应的业务流程(即目标业务流程)、及流程节点(即第一流程节点)。
S20,确定业务流程中的第二流程节点,第二流程节点是第一流程节点的下一跳节点。
本发明实施例中,在第一流程节点所在的业务流程中,各流程节点具有逻辑关系。举例来说,信用卡业务场景下的业务流程“信用卡介绍-->信用卡办理流程-->信用卡激活-->信用卡账单查询-->还款”,流程节点“信用卡办理流程”是流程节点“信用卡介绍”的下一跳节点,流程节点“信用卡激活”是流程节点“信用卡办理流程”的下一跳节点。
因此,基于流程节点在业务流程中的逻辑关系,能够确定第一流程节点在其所在业务流程中的下一条节点,即第二流程节点。举例来说,在信用卡业务场景下,假设第一流程节点为“信用卡介绍”,则第二流程节点为“信用卡办理流程”。
S30,封装第二流程节点的搜索词,并输出以搜索词在知识库搜索到的知识。
本发明实施例中,对于不同业务场景下的每个业务流程,该业务流程中各流程节点可以设置对应的关键词,基于该关键词能够唯一定位到相应的流程节点。因此,可以将第二流程节点对应的关键词封装为搜索词,将该搜索词放入知识库中进行知识搜索,而知识库的搜索原理本发明实施例不做限定。
具体实现过程中,步骤S30中“封装第二流程节点的搜索词”可以采用如下步骤,方法流程图如图4所示:
S301,获取第二流程节点的关联信息。
本发明实施例中,第二流程节点具有其所属流程步骤的概要信息和描述信息,因此可以将其概要信息和描述信息作为第二流程节点的关联信息。当然,关联信息还可以包含其他与第二流程节点相关的信息,本发明实施例对此不做限定。
S302,提取关联信息的关键词,并根据历史搜索记录确定关联信息的关键词对应的搜索频次。
本发明实施例中,对关联信息进行自然语言处理,包括停用词去除、分词等,得到对应的一组的词汇;进一步,根据已配置的业务词典从该组词汇中提取业务相关的词汇,将所提取到的词汇作为关联信息的关键词。
此外,可以调取使用者或者知识库全量用户的历史搜索记录,确定关键信息各关键词的搜索频次。
S303,将搜索频次满足对应阈值的关键词封装为第二流程节点的搜索词。
本发明实施例中,可以将搜索频次高于对应阈值的关键词封装为第二流程节点的搜索词。此外,还可以将搜索频次最高的K个关键词封装为第二流程节点的搜索词。需要说明的是,对于阈值、以及K值可以根据业务场景配置,本发明实施例对此不做限定。
在其他一些实施例中,为实现使用者从输出的知识中快速定位到所需的知识,本发明实施例在图1所示的知识推荐方法的基础上,还包括如下步骤,方法流程图如图5所示:
S40,接收第二搜索信息,通过计算第二搜索信息与知识间的相似度对知识进行排序。
本发明实施例中,在将第二流程节点的知识输出至使用者的终端界面后,还可以进一步接收使用者基于此输入的搜索信息,即第二搜索信息。以第二搜索信息是文本为例,通过计算第二搜索信息和知识在文本方面的相似度,可以按照相似度由高到低对知识仅排序显示。
当然,如果第二搜索信息为语音,则可以先进行语音到文本的转换,获得第二搜索信息的文本;如果第二搜索信息为图像,则可以先进行图像识别,提取其中的文本。再进一步计算与知识的相似度。
本发明提供的知识推荐方法,对于使用者输入的第一搜索信息,能够在业务流程中检测与其相匹配的第一流程节点、并确定第一流程节点的下一跳节点,即第二流程节点,进一步封装第二流程节点的搜索词,输出该搜索词在知识库中搜索到的知识。基于本发明,使用者第一次输入搜索信息后,以搜索信息与流程节点匹配的方式对业务逻辑的下一跳知识进行搜索并推荐使用者,由此可以提供给使用者更准确的知识推荐,满足使用者的业务需求。
基于上述实施例提供的知识推荐方法,本发明实施例则对应提供执行上述知识推荐方法的装置,该装置的结构示意图如图6所示,包括:
节点匹配模块10,用于接收第一搜索信息,在已配置的业务流程中检测与第一搜索信息相匹配的第一流程节点;
知识推荐模块20,用于确定业务流程中的第二流程节点,第二流程节点是第一流程节点的下一跳节点;封装第二流程节点的搜索词,并输出以搜索词在知识库搜索到的知识。
可选的,用于在已配置的业务流程中检测与第一搜索信息相匹配的第一流程节点的节点匹配模块10,具体用于:
调取针对已配置的业务场景训练得到的业务场景模型,业务场景模型是以第一信息作为第一训练样本,以对第一训练样本的业务场景预测结果趋近于第一训练样本的业务场景标注结果为目标,对第一基础模型训练得到的;将第一搜索信息输入至业务场景模型中,以获得业务场景模型所输出的目标业务场景;调取针对已配置的业务场景下的业务流程训练得到的业务流程模型,业务流程模型是以第二信息作为第二训练样本,以对第二训练样本的流程节点预测结果趋近于第二训练样本的流程节点标注结果为目标,对第二基础模型训练得到的;将第一搜索信息输入至目标业务场景对应的目标业务流程模型中,以获得目标业务流程模型所输出的目标业务流程中的第一流程节点。
可选的,用于在已配置的业务流程中检测与第一搜索信息相匹配的第一流程节点的节点匹配模块10,具体用于:
调用针对不同业务流程所配置的规则引擎,规则引擎记录有不同业务流程中流程节点与其关键词的映射关系;提取第一搜索信息的关键词,并将第一搜索信息的关键词输入至规则引擎中,以获得规则引擎基于映射关系所输出的目标业务流程中的第一流程节点。
可选的,用于封装第二流程节点的搜索词的知识推荐模块20,具体用于:
获取第二流程节点的关联信息;提取关联信息的关键词,并根据历史搜索记录确定关联信息的关键词对应的搜索频次;将搜索频次满足对应阈值的关键词封装为第二流程节点的搜索词。
可选的,知识推荐模块20,还用于:
接收第二搜索信息,通过计算第二搜索信息与知识间的相似度对知识进行排序。
需要说明的是,本发明实施例中,各模块的细化功能可以参见上述知识推荐方法实施例对应公开部分,在此不再赘述。
基于上述实施例提供的知识推荐方法,本发明实施例则对应提供一种电子设备,电子设备包括:至少一个存储器和至少一个处理器;存储器存储有程序,处理器调用存储器存储的程序,程序用于实现知识推荐方法。
基于上述实施例提供的知识推荐方法,本发明实施例则对应提供一种存储介质,存储介质中存储有计算机可执行指令,计算机可执行指令用于执行知识推荐方法。
需要说明的是,本发明提供的知识推荐方法、装置、电子设备及存储介质可用于人工智能领域或金融领域。上述仅为示例,并不对本发明提供的知识推荐方法、装置、电子设备及存储介质的应用领域进行限定。
以上对本发明所提供的一种知识推荐方法、装置、电子设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备所固有的要素,或者是还包括为这些过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种知识推荐方法,其特征在于,所述方法包括:
接收第一搜索信息,在已配置的业务流程中检测与所述第一搜索信息相匹配的第一流程节点;
确定所述业务流程中的第二流程节点,所述第二流程节点是所述第一流程节点的下一跳节点;
封装所述第二流程节点的搜索词,并输出以所述搜索词在知识库搜索到的知识。
2.根据权利要求1所述的方法,其特征在于,所述在已配置的业务流程中检测与所述第一搜索信息相匹配的第一流程节点,包括:
调取针对已配置的业务场景训练得到的业务场景模型,所述业务场景模型是以第一信息作为第一训练样本,以对所述第一训练样本的业务场景预测结果趋近于所述第一训练样本的业务场景标注结果为目标,对第一基础模型训练得到的;
将所述第一搜索信息输入至所述业务场景模型中,以获得所述业务场景模型所输出的目标业务场景;
调取针对已配置的业务场景下的业务流程训练得到的业务流程模型,所述业务流程模型是以第二信息作为第二训练样本,以对所述第二训练样本的流程节点预测结果趋近于所述第二训练样本的流程节点标注结果为目标,对第二基础模型训练得到的;
将所述第一搜索信息输入至所述目标业务场景对应的目标业务流程模型中,以获得所述目标业务流程模型所输出的目标业务流程中的第一流程节点。
3.根据权利要求1所述的方法,其特征在于,所述在已配置的业务流程中检测与所述第一搜索信息相匹配的第一流程节点,包括:
调用针对不同业务流程所配置的规则引擎,所述规则引擎记录有不同业务流程中流程节点与其关键词的映射关系;
提取所述第一搜索信息的关键词,并将所述第一搜索信息的关键词输入至所述规则引擎中,以获得所述规则引擎基于所述映射关系所输出的目标业务流程中的第一流程节点。
4.根据权利要求1所述的方法,其特征在于,所述封装所述第二流程节点的搜索词,包括:
获取所述第二流程节点的关联信息;
提取所述关联信息的关键词,并根据历史搜索记录确定所述关联信息的关键词对应的搜索频次;
将搜索频次满足对应阈值的关键词封装为所述第二流程节点的搜索词。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收第二搜索信息,通过计算所述第二搜索信息与所述知识间的相似度对所述知识进行排序。
6.一种知识推荐装置,其特征在于,所述装置包括:
节点匹配模块,用于接收第一搜索信息,在已配置的业务流程中检测与所述第一搜索信息相匹配的第一流程节点;
知识推荐模块,用于确定所述业务流程中的第二流程节点,所述第二流程节点是所述第一流程节点的下一跳节点;封装所述第二流程节点的搜索词,并输出以所述搜索词在知识库搜索到的知识。
7.根据权利要求6所述的装置,其特征在于,用于在已配置的业务流程中检测与所述第一搜索信息相匹配的第一流程节点的所述节点匹配模块,具体用于:
调取针对已配置的业务场景训练得到的业务场景模型,所述业务场景模型是以第一信息作为第一训练样本,以对所述第一训练样本的业务场景预测结果趋近于所述第一训练样本的业务场景标注结果为目标,对第一基础模型训练得到的;将所述第一搜索信息输入至所述业务场景模型中,以获得所述业务场景模型所输出的目标业务场景;调取针对已配置的业务场景下的业务流程训练得到的业务流程模型,所述业务流程模型是以第二信息作为第二训练样本,以对所述第二训练样本的流程节点预测结果趋近于所述第二训练样本的流程节点标注结果为目标,对第二基础模型训练得到的;将所述第一搜索信息输入至所述目标业务场景对应的目标业务流程模型中,以获得所述目标业务流程模型所输出的目标业务流程中的第一流程节点。
8.根据权利要求6所述的装置,其特征在于,用于在已配置的业务流程中检测与所述第一搜索信息相匹配的第一流程节点的所述节点匹配模块,具体用于:
调用针对不同业务流程所配置的规则引擎,所述规则引擎记录有不同业务流程中流程节点与其关键词的映射关系;提取所述第一搜索信息的关键词,并将所述第一搜索信息的关键词输入至所述规则引擎中,以获得所述规则引擎基于所述映射关系所输出的目标业务流程中的第一流程节点。
9.一种电子设备,其特征在于,所述电子设备包括:至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于实现权利要求1-5任意一项所述的知识推荐方法。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令用于执行权利要求1-5任意一项所述的知识推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995609.7A CN113609373A (zh) | 2021-08-27 | 2021-08-27 | 知识推荐方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110995609.7A CN113609373A (zh) | 2021-08-27 | 2021-08-27 | 知识推荐方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113609373A true CN113609373A (zh) | 2021-11-05 |
Family
ID=78342169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110995609.7A Pending CN113609373A (zh) | 2021-08-27 | 2021-08-27 | 知识推荐方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113609373A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049060A (zh) * | 2022-07-14 | 2022-09-13 | 南京理工大学 | 基于深度学习的业务过程任务执行时知识推荐方法 |
-
2021
- 2021-08-27 CN CN202110995609.7A patent/CN113609373A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049060A (zh) * | 2022-07-14 | 2022-09-13 | 南京理工大学 | 基于深度学习的业务过程任务执行时知识推荐方法 |
CN115049060B (zh) * | 2022-07-14 | 2024-05-10 | 南京理工大学 | 基于深度学习的业务过程任务执行时知识推荐方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918673B (zh) | 语义仲裁方法、装置、电子设备和计算机可读存储介质 | |
CN109635273B (zh) | 文本关键词提取方法、装置、设备及存储介质 | |
CN109033229B (zh) | 问答处理方法和装置 | |
CN108694225B (zh) | 一种图像搜索方法、特征向量的生成方法、装置及电子设备 | |
KR102288249B1 (ko) | 정보 처리 방법, 단말기, 및 컴퓨터 저장 매체 | |
CN110472027B (zh) | 意图识别方法、设备及计算机可读存储介质 | |
CN110321537B (zh) | 一种文案生成方法和装置 | |
CN116775847B (zh) | 一种基于知识图谱和大语言模型的问答方法和系统 | |
CN111832290B (zh) | 用于确定文本相关度的模型训练方法、装置、电子设备及可读存储介质 | |
CN113254643B (zh) | 文本分类方法、装置、电子设备和 | |
CN112256845A (zh) | 意图识别方法、装置、电子设备和计算机可读存储介质 | |
CN112364622A (zh) | 对话文本分析方法、装置、电子装置及存储介质 | |
CN111611358A (zh) | 信息交互方法、装置、电子设备及存储介质 | |
CN116010902A (zh) | 基于跨模态融合的音乐情感识别方法及系统 | |
CN113051384B (zh) | 基于对话的用户画像抽取方法及相关装置 | |
CN113609373A (zh) | 知识推荐方法、装置、电子设备及存储介质 | |
CN114090792A (zh) | 基于对比学习的文档关系抽取方法及其相关设备 | |
CN111858966B (zh) | 知识图谱的更新方法、装置、终端设备及可读存储介质 | |
CN109684357B (zh) | 信息处理方法及装置、存储介质、终端 | |
CN111752922A (zh) | 一种建立知识数据库、实现知识查询的方法及装置 | |
US20230274161A1 (en) | Entity linking method, electronic device, and storage medium | |
CN114297449A (zh) | 内容查找方法、装置、电子设备及计算机可读介质及产品 | |
CN111159360B (zh) | 获得讯询问话题分类模型、讯询问话题分类的方法和装置 | |
CN110851560B (zh) | 信息检索方法、装置及设备 | |
CN113628637A (zh) | 一种音频识别方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |