CN113626718A - 一种企业管理系统人机交互事件处理方法及系统 - Google Patents
一种企业管理系统人机交互事件处理方法及系统 Download PDFInfo
- Publication number
- CN113626718A CN113626718A CN202111100915.6A CN202111100915A CN113626718A CN 113626718 A CN113626718 A CN 113626718A CN 202111100915 A CN202111100915 A CN 202111100915A CN 113626718 A CN113626718 A CN 113626718A
- Authority
- CN
- China
- Prior art keywords
- event
- enterprise
- interaction
- interactive
- word
- 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
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- 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
- G06F40/30—Semantic analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种企业管理系统人机交互事件处理方法及系统,包括以下步骤:步骤S1、企业管理系统从目标对象端的交互事件中提取目标语义,并预测得到交互事件的发展趋势的预测结果;步骤S2、企业管理系统根据交互事件的交互等级将交互事件分发至对应等级的职能部门端进行职能处理,并反馈对交互事件的处理结果至目标对象端;步骤S3、企业管理系统根据确认结果监测交互事件处理进度直至交互事件处理结果被目标对象端确认验收。本发明对员工在目标对象端提交的交互事件进行舆情分析,掌握到交互事件的发展趋势以及交互等级,有效的将会发展呈恶劣企业事件的交互事件进行积极响应,避免交互事件舆情发酵造成不可挽回的损失。
Description
技术领域
本发明涉及企业管理技术领域,具体涉及一种企业管理系统人机交互事件处理方法及系统。
背景技术
企业信息管理系统泛指用于企业的各种信息系统,诸如信息管理系统或决策支持系统、专家系统、各种泛ERP系统或客户关系管理、人力资源管理这样的专职化系统,都是企业信息系统。
企业信息管理系统包含大部分需要人机交互的业务功能界面,例如查询企业信息或者进行事件汇报。每次进行事件汇报的人机交互事件系统都进行无差别式响应或不响应的话,在一个业务功能复杂的企业信息管理系统中涉及几万甚至上十万这样的人机交互事件,几乎每个事件进行无差别响应或不响应的话,无差别响应会导致占企业信息管理系统承担巨大的工作量,若不响应的话,则会导致事件得不到有效处理,可能产生恶劣有损公司名誉的企业事件,造成不可估量的损失。
发明内容
本发明的目的在于提供一种企业管理系统人机交互事件处理方法及系统,以解决现有技术中无差别响应会导致占企业信息管理系统承担巨大的工作量,不响应会导致事件得不到有效处理,产生恶劣有损公司名誉的企业事件,造成不可估量的损失的技术问题。
为解决上述技术问题,本发明具体提供下述技术方案:
一种企业管理系统人机交互事件处理方法,包括以下步骤:
步骤S1、从目标对象端的交互事件中提取目标语义,并根据目标语义对交互事件进行舆情预测得到交互事件的发展趋势的预测结果;
步骤S2、根据交互事件的发展趋势的预测结果定义所述交互事件的交互等级,依据交互等级将交互事件分发至对应等级的职能部门端进行职能处理,并反馈对交互事件的处理结果至目标对象端;
步骤S3、在目标对象端等待所述目标对象端对所述处理结果的确认结果,并根据确认结果监测交互事件处理进度直至交互事件处理结果被目标对象端确认验收。
可选地,所述步骤S1还包括建立事件舆情预测模型,所述舆情事件预测模型的建立方法包括:
步骤S101、采集企业事件舆情数据,所述企业事件舆情数据包括舆情时间、舆情地点和舆情描述;
步骤S102、对企业事件舆情数据进行语义分析得到企业热词;
步骤S103、基于所述舆情热词训练卷积神经网络得到舆情事件预测模型;
其中,多个所述企业热词位于所述卷积神经网络的输入层神经元,所述企业热词通过卷积神经网络计算对应得到多个事件词性,多个所述事件词性位于所述卷积神经网络的隐藏层神经元,所述输出层神经元通过卷积神经网络计算所述事件词性的含义得到企业事件的发展趋势以实现对企业事件发展趋势的预测。
可选地,对企业事件舆情数据进行语义分析得到企业热词,包括:
建立单词查找树;
建立隐马尔科夫模型;
通过所述单词查找树和隐马尔科夫模型可将企业事件舆情数据分解成企业热词;
其中:
所述单词查找树包括字符、字符串、节点和根节点;其中,所述根节点不包含字符,除根节点外每一个节点都只包含一个字符;从根节点到某一节点,路径上经过的字符连接起来,为该节点对应的字符串,每个节点的所有子节点包含的字符均不相同;
所述隐马尔科夫模型包括状态集合和概率矩阵,所述状态集合包括隐含状态S和可观测状态O,所述概率矩阵包括初始状态概率矩阵π、隐含状态转移概率矩阵A和观测状态转移概率矩阵B。
可选地,所述步骤S1中,根据目标语义对交互事件进行舆情预测,包括:
将交互事件利用正向最大匹配算法获取表征所述交互事件的目标语义的目标语义词;其中,所述正向最大匹配算法的方法包括:从交互事件的交互事件描述数据的起始位置开始,向右截取预设最大长度组成当前截取词,并和所有企业热词进行逐一匹配,并将当前截取词作为目标语义词;
若匹配成功,则进行下一次匹配,所述下一次匹配的起始位置则为上个当前截取词的后一字;
若未成功匹配,依次缩短预设最大长度在交互事件描述数据中进行重新截取以及匹配当前截取词,直至当前截取词与企业热词匹配或者当前截取词为单字;
将所述目标语义词输入舆情事件预测模型预测出交互事件的发展趋势。
可选地,
所述舆情事件预测模型的输入为目标语义词;
所述舆情事件预测模型的输出为交互事件发展为所有企业事件的发生概率;
选取发生概率最高的企业事件作为所述交互事件的发展趋势。
可选地,所述步骤S2中,据交互事件的发展趋势的预测结果定义所述交互事件的交互等级,包括:
将作为所述交互事件的发展趋势的企业事件的事件等级作为所述交互事件的交互等级。
可选地,所述步骤S3中,所述确认结果包括目标对象端确认验收和目标对象端拒绝验收;
其中,若所述目标对象端确认验收,则所述交互事件处理完毕,若所述目标对象端拒绝验收,则企业管理系统会将所述交互事件返回至职能部门端继续处理。
本发明还提供了一种企业管理系统人机交互事件处理系统,用于实现如上任一项所述的企业管理系统人机交互事件处理方法,包括:
语义分析单元,用于从目标对象端的交互事件中提取目标语义,以及对企业事件舆情数据进行语义分析得到企业热词;
模型建立单元,用于建立舆情事件预测模型;
任务分发单元,用于利用舆情事件预测模型预测交互事件的发展趋势以及确定交互等级,依据交互等级向职能部门端发送交互任务;
进度监测单元,用于在目标对象端等待所述目标对象端对所述处理结果的确认结果,并根据确认结果监测交互事件处理进度直至交互事件处理结果被目标对象端确认验收;
数据存储单元,用于存储系统中产生的有效数据。
可选地,所述语义分析单元、模型建立单元、任务分发单元、进度监测单元和数据存储单元间通过IPV4/6进行数据交互。
本发明与现有技术相比较具有如下有益效果:
本发明对员工在目标对象端提交的交互事件进行舆情分析,掌握到交互事件的发展趋势以及交互等级,并根据交互事件的交互等级进行职能响应,有效的将会发展呈恶劣企业事件的交互事件进行积极响应,避免交互事件舆情发酵造成不可挽回的损失。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式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示例性的,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引伸获得其它的实施附图。
图1为本发明实施例提供的企业管理系统人机交互事件处理方法流程图;
图2为本发明实施例提供的交互系统结构框图;
图3为本发明实施例提供的事件舆情预测模型预测流程图。
图中的标号分别表示如下:
1-语义分析单元;2-模型建立单元;3-任务分发单元;4-进度监测单元;5-数据存储单元。
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。
如图1所示,本发明提供了一种企业管理系统人机交互事件处理方法,包括以下步骤:
步骤S1、从目标对象端的交互事件中提取目标语义,并根据目标语义对交互事件进行舆情预测得到交互事件的发展趋势的预测结果;
其中,企业管理系统从目标对象端的交互事件中提取目标语义,并根据目标语义对交互事件进行舆情预测得到交互事件的发展趋势的预测结果;
步骤S1还包括建立事件舆情预测模型,舆情事件预测模型的建立方法包括:
步骤S101、采集企业事件舆情数据,企业事件舆情数据包括舆情时间、舆情地点和舆情描述;
步骤S102、对企业事件舆情数据进行语义分析得到企业热词;
步骤S103、基于舆情热词训练卷积神经网络得到舆情事件预测模型,其中,多个企业热词位于卷积神经网络的输入层神经元,企业热词通过卷积神经网络计算对应得到多个事件词性,多个事件词性位于卷积神经网络的隐藏层神经元,输出层神经元通过卷积神经网络计算事件词性的含义得到企业事件的发展趋势以实现对企业事件发展趋势的预测。
基于大数据获取的背景下,利用爬虫技术在网络中获取大量描述企业事件的企业事件舆情数据,对每个企业事件的企业事件舆情数据进行语义分析,得出每个企业事件的企业热词,然后对企业热词进行卷积网络训练,获得关键性权重指标,创建舆情事件预测模型,步骤S101中企业事件舆情数据获取方式主要不可利用爬虫技术在各种网络平台抓取获得,步骤S102中将步骤一中获得的企业事件舆情数据进行无量纲处理以及将每个企业时间舆情数据量化为一个分析样本,在初始时用于企业热词分解以及舆情事件预测模型的模型训练,企业热词分解使用语义分析方法,根据舆情标准创建神经网络神经元,创建神经网络的输入层、隐藏层和输出层。其中输入层的神经元就是分词系统得出的企业热词,非企业热词将被舍弃。隐藏层的神经元是词性,每一个企业热词都有多个词性,通过对企业事件中所有关键字词性的综合运算得出其最有可能表达的含义,输出层的神经元是预测出企业事件在未来时刻将发展为的事件,即企业时间的发展趋势,通过含义的组合运算得出最有可能发展为的事件,如果企业热词没有在输入神经元中则加入输入神经元,并自动建立和隐藏层的联系,初始化此企业热词的权重,根据事件的实际处理结果获得前置事件并调整权重值,权重值的相关参数有企业热词出现频率、事件地域,当有新的事件输入的时候,首先分词得出企业热词(1到n个),将企业热词输入神经元,预测出企业事件在未来时刻将发展为的事件,本发明用人工智能的算法,通过自主研发的智慧城市舆情预测算法,实现对于所有城市舆情的大数据研判,预测舆情的发展趋势,帮助企业管理部门能够预先干预,提升企业管理部门管理城市的效率,减少恶性事件的发生和传播。
语义分析的方法包括:
建立单词查找树,其中,单词查找树,单词查找树包括字符、字符串、节点和根节点,根节点不包含字符,除根节点外每一个节点都只包含一个字符,从根节点到某一节点,路径上经过的字符连接起来,为该节点对应的字符串,每个节点的所有子节点包含的字符均不相同;
建立隐马尔科夫模型,其中,隐马尔科夫模型包括状态集合和概率矩阵,状态集合包括隐含状态S和可观测状态O,概率矩阵包括初始状态概率矩阵π、隐含状态转移概率矩阵A和观测状态转移概率矩阵B;
通过单词查找树和隐马尔科夫模型可将企业事件舆情数据分解成企业热词。
在语义分析算法中,首先利用企业事件舆情数据为基础,通过训练提取企业热词,生成符合城市管理热词要求的单词查找树,在生成单词查找树的时候,对各类别数据做了处理,通过各类别数据加入生成单词查找树的运算,从而在分词的时候能够分离出准确各类别词汇,在有新的舆情输入的时候,首先基于单词查找树结构实现高效的词图扫描,生成句子中汉字所有可能成词情况所构成的有向无环图。然后使用动态规划查找最大概率路径,找出基于词频的最大切分组合,动态规划的步骤是,先查找待分词句子中已经切分好的词语,对该词语查找该词语出现的频率(次数/总数),如果没有该词就把词典中出现频率最小的那个词语的频率作为该词的频率,也就是说P(某词语)=FREQ.get(‘某词语’,min_freq),然后根据动态规划查找最大概率路径的方法,对句子从右往左反向计算最大概率,P(NodeN)=1.0,P(NodeN-1)=P(NodeN)*Max(P(倒数第一个词))…依次类推,最后得到最大概率路径,得到最大概率的切分组合。
对于单词查找树中找不到的词,则采用隐马尔科夫算法,中文词汇按照开始位置(B),结束位置(E),中间位置(M),单独成词的位置(S)形成成词的四种状态,对于每个汉字都形成位置转换概率,即B(开头),M(中间),E(结尾),S(独立成词)四种状态的转移概率,对于每个单字,利用条件概率P(E|B),P(M|B),P(M|M),P(E|M),P(S)获得最大成词概率,得出舆情的分词词组,将所有的分词转换成拼音,以消除舆情录入的时候输入谐音字,得出正确的分词词组,近义词转换,根据近义词表将近义词转换成标准词,对于发现的不准确的分词词组,则通过输入期望的分词结果的方法,利用最小二乘法纠正最大概率偏差,使得分词组合能够流向正确的路径,对于不在近义词表中的词语,则通过加入近义词表的方式增加近义词。
步骤S1中,交互事件的发展趋势的预测方法包括:
将交互事件利用正向最大匹配算法获取表征交互事件的目标语义的目标语义词,其中,正向最大匹配算法的方法包括:从交互事件的交互事件描述数据的起始位置开始,向右截取预设最大长度组成当前截取词,并和所有企业热词进行逐一匹配,并将当前截取词作为目标语义词;
若匹配成功后,则进行下一次匹配,下一次匹配的起始位置则为上个当前截取词的后一字;
若未成功匹配,依次缩短预设最大长度在交互事件描述数据中进行重新截取以及匹配当前截取词,直至当前截取词与企业热词匹配或者当前截取词为单字;
如图3所示,将目标语义词输入舆情事件预测模型预测出交互事件的发展趋势。
舆情事件预测模型的输入为目标语义词,舆情事件预测模型的输出为交互事件发展为所有企业事件的发生概率,选取发生概率最高的企业事件作为交互事件的发展趋势。
其中,舆情事件预测模型中输入为目标语义词,隐藏层主要用处是将为目标语义词对应成目标语义词性,就是每个目标语义词代表的真实情绪,其核心是卷积神经网络,因此每个目标语义词都会对应多个目标语义词性,假设每个目标语义词都有n个目标语义词性,则隐藏层每个单元如下:其对应的数学公式为:在本发明中,hw,b(x)为最终流向的事件预测的概率,xi由单位时间内目标语义词i发生的频率以及地点决定,即单位时间内目标语义词i发生的区域范围内的目标语义词i发生频率/单位时间内总目标语义词n发生频率,Wi为固定的常量,即根据历史经验获得的含有该目标语义词的舆情最终发展成的后续事件的条件概率,此为初始值,为b简化成0,这样目标语义词和目标语义词性就形成了输入层到隐藏层的的神经网络,并且目标语义词会根据Wi流向不同的目标语义词性。所有目标语义词经过神经网络隐藏层会得出一个目标语义词性组。
目标语义词性组经隐藏层对应词性利用再次运算,hw,b(x)为最终流向的事件预测的概率,求和公式中的每一项都是生成某一个可能发生事件的权值,其中,此时的xi为单位时间内该目标语义词性的命中频率/该目标语义词性的总命中频率,Wi初始值为1,b简化成0,i=1到n代表所有生成该预测事件的目标语义词的概率和,通过对所有可能的预测的概率和的大小的排序,计算出交互事件可能发展为的企业事件概率排序,概率值越高,则表明交互时间发展为该概率值对应的企业事件的可能性越大,则交互时间的交互等级与概率最高对应的企业事件的事件等级相一致。
步骤S2、根据交互事件的发展趋势的预测结果定义交互事件的交互等级,依据交互等级将交互事件分发至对应等级的职能部门端进行职能处理,并反馈对交互事件的处理结果至目标对象端;
其中,企业管理系统根据交互事件的发展趋势的预测结果定义交互事件的交互等级,依据交互等级将交互事件分发至对应等级的职能部门端进行职能处理,并反馈对交互事件的处理结果至目标对象端。
步骤S2中,交互事件的交互等级的判定方法包括:
将作为交互事件的发展趋势的企业事件的事件等级作为交互事件的交互等级。
步骤S3、在目标对象端等待目标对象端对处理结果的确认结果,并根据确认结果监测交互事件处理进度直至交互事件处理结果被目标对象端确认验收;
其中,企业管理系统在目标对象端等待目标对象端对处理结果的确认结果,并根据确认结果监测交互事件处理进度直至交互事件处理结果被目标对象端确认验收。
步骤S3中,确认结果包括目标对象端确认验收和目标对象端拒绝验收,其中,若目标对象端确认验收,则交互事件处理完毕,若目标对象端拒绝验收,则企业管理系统会将交互事件返回至职能部门端继续处理。
一直监督职能部门对交互事件的处理进度,直至目标对象端确认验收,即满意处理结果,若目标对象拒绝验收,即不满意处理结果,则需要返回职能部门重新处理,可以保障交互事件的得到妥善完成的解决,避免舆情事件的发生,降低企业潜在舆情风险,而且可以将发生舆情可能性低的交互事件进行低级别处理,即分发到低级别职能部门,可以有效的进行分流处理,避免高级别职能部门的资源占用,无法处理舆情可能性高的交互事件,从而导致事件发酵产生企业损失,
如图2所示,本发明提供了一种根据的企业管理系统人机交互事件处理方法的系统,包括:
语义分析单元1,用于从目标对象端的交互事件中提取目标语义,以及对企业事件舆情数据进行语义分析得到企业热词;
模型建立单元2,用于建立舆情事件预测模型;
任务分发单元3,用于利用舆情事件预测模型预测交互事件的发展趋势以及确定交互等级,依据交互等级向职能部门端发送交互任务;
进度监测单元4,用于在目标对象端等待目标对象端对处理结果的确认结果,并根据确认结果监测交互事件处理进度直至交互事件处理结果被目标对象端确认验收;
数据存储单元5,用于存储系统中产生的有效数据。
语义分析单元、模型建立单元、任务分发单元、进度监测单元和数据存储单元间通过IPV4/6进行数据交互。
本发明对员工在目标对象端提交的交互事件进行舆情分析,掌握到交互事件的发展趋势以及交互等级,并根据交互事件的交互等级进行职能响应,有效的将会发展呈恶劣企业事件的交互事件进行积极响应,避免交互事件舆情发酵造成不可挽回的损失。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (9)
1.一种企业管理系统人机交互事件处理方法,其特征在于,包括以下步骤:
步骤S1、从目标对象端的交互事件中提取目标语义,并根据目标语义对交互事件进行舆情预测得到交互事件的发展趋势的预测结果;
步骤S2、根据交互事件的发展趋势的预测结果定义所述交互事件的交互等级,依据交互等级将交互事件分发至对应等级的职能部门端进行职能处理,并反馈对交互事件的处理结果至目标对象端;
步骤S3、在目标对象端等待所述目标对象端对所述处理结果的确认结果,并根据确认结果监测交互事件处理进度直至交互事件处理结果被目标对象端确认验收。
2.根据权利要求1所述的一种企业管理系统人机交互事件处理方法,其特征在于,所述步骤S1还包括建立事件舆情预测模型,所述舆情事件预测模型的建立方法包括:
步骤S101、采集企业事件舆情数据,所述企业事件舆情数据包括舆情时间、舆情地点和舆情描述;
步骤S102、对企业事件舆情数据进行语义分析得到企业热词;
步骤S103、基于所述舆情热词训练卷积神经网络得到舆情事件预测模型;
其中,多个所述企业热词位于所述卷积神经网络的输入层神经元,所述企业热词通过卷积神经网络计算对应得到多个事件词性,多个所述事件词性位于所述卷积神经网络的隐藏层神经元,所述输出层神经元通过卷积神经网络计算所述事件词性的含义得到企业事件的发展趋势以实现对企业事件发展趋势的预测。
3.根据权利要求2所述的一种企业管理系统人机交互事件处理方法,其特征在于,对企业事件舆情数据进行语义分析得到企业热词,包括:
建立单词查找树;
建立隐马尔科夫模型;
通过所述单词查找树和隐马尔科夫模型可将企业事件舆情数据分解成企业热词;
其中:
所述单词查找树包括字符、字符串、节点和根节点;其中,所述根节点不包含字符,除根节点外每一个节点都只包含一个字符;从根节点到某一节点,路径上经过的字符连接起来,为该节点对应的字符串,每个节点的所有子节点包含的字符均不相同;
所述隐马尔科夫模型包括状态集合和概率矩阵,所述状态集合包括隐含状态S和可观测状态O,所述概率矩阵包括初始状态概率矩阵π、隐含状态转移概率矩阵A和观测状态转移概率矩阵B。
4.根据权利要求3所述的一种企业管理系统人机交互事件处理方法,其特征在于,所述步骤S1中,根据目标语义对交互事件进行舆情预测,包括:
将交互事件利用正向最大匹配算法获取表征所述交互事件的目标语义的目标语义词;其中,所述正向最大匹配算法的方法包括:从交互事件的交互事件描述数据的起始位置开始,向右截取预设最大长度组成当前截取词,并和所有企业热词进行逐一匹配,并将当前截取词作为目标语义词;
若匹配成功,则进行下一次匹配,所述下一次匹配的起始位置则为上个当前截取词的后一字;
若未成功匹配,依次缩短预设最大长度在交互事件描述数据中进行重新截取以及匹配当前截取词,直至当前截取词与企业热词匹配或者当前截取词为单字;
将所述目标语义词输入舆情事件预测模型预测出交互事件的发展趋势。
5.根据权利要求4所述的一种企业管理系统人机交互事件处理方法,其特征在于,
所述舆情事件预测模型的输入为目标语义词;
所述舆情事件预测模型的输出为交互事件发展为所有企业事件的发生概率;
选取发生概率最高的企业事件作为所述交互事件的发展趋势。
6.根据权利要求5所述的一种企业管理系统人机交互事件处理方法,其特征在于,所述步骤S2中,据交互事件的发展趋势的预测结果定义所述交互事件的交互等级,包括:
将作为所述交互事件的发展趋势的企业事件的事件等级作为所述交互事件的交互等级。
7.根据权利要求6所述的一种企业管理系统人机交互事件处理方法,其特征在于,所述步骤S3中,所述确认结果包括目标对象端确认验收和目标对象端拒绝验收;
其中,若所述目标对象端确认验收,则所述交互事件处理完毕,若所述目标对象端拒绝验收,则企业管理系统会将所述交互事件返回至职能部门端继续处理。
8.一种企业管理系统人机交互事件处理系统,用于实现如权利要求1-7任一项所述的企业管理系统人机交互事件处理方法,其特征在于,包括:
语义分析单元(1),用于从目标对象端的交互事件中提取目标语义,以及对企业事件舆情数据进行语义分析得到企业热词;
模型建立单元(2),用于建立舆情事件预测模型;
任务分发单元(3),用于利用舆情事件预测模型预测交互事件的发展趋势以及确定交互等级,依据交互等级向职能部门端发送交互任务;
进度监测单元(4),用于在目标对象端等待所述目标对象端对所述处理结果的确认结果,并根据确认结果监测交互事件处理进度直至交互事件处理结果被目标对象端确认验收;
数据存储单元(5),用于存储系统中产生的有效数据。
9.根据权利要求8所述的一种企业管理系统人机交互事件处理系统,其特征在于,所述语义分析单元、模型建立单元、任务分发单元、进度监测单元和数据存储单元间通过IPV4/6进行数据交互。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111100915.6A CN113626718A (zh) | 2021-09-18 | 2021-09-18 | 一种企业管理系统人机交互事件处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111100915.6A CN113626718A (zh) | 2021-09-18 | 2021-09-18 | 一种企业管理系统人机交互事件处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113626718A true CN113626718A (zh) | 2021-11-09 |
Family
ID=78390436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111100915.6A Pending CN113626718A (zh) | 2021-09-18 | 2021-09-18 | 一种企业管理系统人机交互事件处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113626718A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018023981A1 (zh) * | 2016-08-03 | 2018-02-08 | 平安科技(深圳)有限公司 | 舆情分析方法、装置、设备及计算机可读存储介质 |
CN108255832A (zh) * | 2016-12-28 | 2018-07-06 | 航天信息股份有限公司 | 舆情处理系统及方法 |
CN109472018A (zh) * | 2018-09-26 | 2019-03-15 | 深圳壹账通智能科技有限公司 | 企业舆情监测方法、装置、计算机设备和存储介质 |
CN110084427A (zh) * | 2019-04-26 | 2019-08-02 | 飞叶科技股份有限公司 | 一种智慧城市舆情事件预测算法 |
CN111695033A (zh) * | 2020-04-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 企业舆情分析方法、装置、电子设备及介质 |
CN111783456A (zh) * | 2020-07-14 | 2020-10-16 | 北京伯乐互联科技发展有限公司 | 一种利用语义分析技术的舆情分析方法 |
-
2021
- 2021-09-18 CN CN202111100915.6A patent/CN113626718A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018023981A1 (zh) * | 2016-08-03 | 2018-02-08 | 平安科技(深圳)有限公司 | 舆情分析方法、装置、设备及计算机可读存储介质 |
CN108255832A (zh) * | 2016-12-28 | 2018-07-06 | 航天信息股份有限公司 | 舆情处理系统及方法 |
CN109472018A (zh) * | 2018-09-26 | 2019-03-15 | 深圳壹账通智能科技有限公司 | 企业舆情监测方法、装置、计算机设备和存储介质 |
CN110084427A (zh) * | 2019-04-26 | 2019-08-02 | 飞叶科技股份有限公司 | 一种智慧城市舆情事件预测算法 |
CN111695033A (zh) * | 2020-04-29 | 2020-09-22 | 平安科技(深圳)有限公司 | 企业舆情分析方法、装置、电子设备及介质 |
CN111783456A (zh) * | 2020-07-14 | 2020-10-16 | 北京伯乐互联科技发展有限公司 | 一种利用语义分析技术的舆情分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110083692B (zh) | 一种金融知识问答的文本交互匹配方法及装置 | |
CN110472017A (zh) | 一种话术分析和话题点识别匹配的方法及系统 | |
CN111462750A (zh) | 语义与知识增强的端到端任务型对话系统及方法 | |
CN113268561B (zh) | 一种基于多任务联合训练的问题生成方法 | |
CN112419096B (zh) | 基于nlp信息萃取与少样本自学习的用户用电诉求工单自动流转方法 | |
CN111598417B (zh) | 一种基于自然语言处理的电力非抢修单派发方法 | |
CN110727778A (zh) | 一种面向税务的智能问答系统 | |
CN112989761B (zh) | 文本分类方法及装置 | |
CN115470871B (zh) | 基于命名实体识别与关系抽取模型的政策匹配方法及系统 | |
CN112632239A (zh) | 基于人工智能技术的类脑问答系统 | |
CN113806560A (zh) | 一种电力数据知识图生成方法及系统 | |
CN114841669A (zh) | 基于机器学习的企业政策匹配方法、装置、电子设备及存储介质 | |
CN108846043A (zh) | 基于互联网大数据的网络痕迹挖掘分析方法及系统 | |
Atta et al. | Solving a new variant of the capacitated maximal covering location problem with fuzzy coverage area using metaheuristic approaches | |
CN113065904A (zh) | 基于深度学习的调峰辅助服务出清价格预测方法及装置 | |
Shi et al. | Ultra-short-term wind power interval prediction based on multi-task learning and generative critic networks | |
CN113626718A (zh) | 一种企业管理系统人机交互事件处理方法及系统 | |
CN113571198B (zh) | 转化率预测方法、装置、设备及存储介质 | |
CN115203427A (zh) | 一种电力系统调控规程知识图谱管理系统、知识图谱生成方法及存储介质 | |
CN114756655A (zh) | 数据查询方法、装置、设备及存储介质 | |
CN114417010A (zh) | 面向实时工作流的知识图谱构建方法、装置和存储介质 | |
CN110096506B (zh) | 一种多层需求的树形胞元结构描述及存储方法 | |
CN112380332A (zh) | 交互式的知识反馈方法、装置及计算机存储介质 | |
Xin et al. | Relevance feedback for content-based image retrieval using Bayesian network | |
TWI419071B (zh) | Active knowledge management system, method and computer program product for problem solving |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211109 |
|
RJ01 | Rejection of invention patent application after publication |