CN113723072A - Rpa结合ai的模型融合结果获取方法、装置及电子设备 - Google Patents
Rpa结合ai的模型融合结果获取方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113723072A CN113723072A CN202110984196.2A CN202110984196A CN113723072A CN 113723072 A CN113723072 A CN 113723072A CN 202110984196 A CN202110984196 A CN 202110984196A CN 113723072 A CN113723072 A CN 113723072A
- Authority
- CN
- China
- Prior art keywords
- processing
- processing result
- distance
- result
- processing results
- 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
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了RPA结合AI的模型融合结果获取方法、装置、电子设备及存储介质,涉及人工智能领域。该方案为:由RPA系统执行,RPA系统获取待处理信息,并将待处理信息分别输入n个模型中,以基于自然语言处理NLP获取待处理信息的n个处理结果,其中,n为大于1的整数;RPA系统获取任一处理结果与其余n‑1个处理结果之间的距离;RPA系统根据距离,获取待处理信息的目标处理结果,并进行展示。本公开运用RPA技术与AI技术,不再依赖模型输出结果的概率,提高模型输出结果的利用率并确保模型融合结果的准确性,同时,提高了模型融合结果的鲁棒性。
Description
技术领域
本公开涉及人工智能领域,尤其涉及一种RPA结合AI的模型融合结果获取方法、装置及电子设备。
背景技术
机器人流程自动化(RoboticProcessAutomation,简称RPA)是通过特定的“机器人软件”,模拟人在计算机上的操作,按规则自动执行流程任务。
人工智能(ArtificialIntelligence,简称AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。
相关技术中,模型融合方法中常见的一类方法是计算所有答案的算数平均值,然后作为融合结果,该方法依赖模型输出结果的概率,对模型输出结果的利用有限,且准确率较低。因此,如何不再依赖模型输出结果的概率,同时提高模型输出结果的利用率并确保模型融合结果的准确性,是现在需要急迫解决的事情。
发明内容
本公开提供了一种RPA结合AI的模型融合结果获取方法、装置及电子设备。
根据本公开的一方面,提供了一种RPA结合AI的模型融合结果获取方法,包括:
RPA系统获取待处理信息,并将待处理信息分别输入n个模型中,以基于自然语言处理NLP获取待处理信息的n个处理结果,其中,n为大于1的整数;
RPA系统获取任一处理结果与其余n-1个所述处理结果之间的距离;
RPA系统根据距离,获取待处理信息的目标处理结果,并进行展示。
本公开实施例运用RPA技术与AI技术,能够自动进行模型融合,同时将模型融合结果进行展示,提高模型输出结果的利用率,同时,提高模型融合结果的鲁棒性。
根据本公开的另一方面,提供了RPA结合AI的模型融合结果获取装置,包括:
第一获取模块,用于获取待处理信息,并将待处理信息分别输入n个模型中,以基于自然语言处理NLP获取待处理信息的n个处理结果,其中,n为大于1的整数;
第二获取模块,用于获取任一处理结果与其余n-1个处理结果之间的距离;
展示模块,用于根据距离,获取待处理信息的目标处理结果,并进行展示。
根据本公开的另一方面,提供了一种电子设备,包括存储器、处理器;其中,处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,以用于实现本公开第一个方面实施例的RPA结合AI的模型融合结果获取方法。
根据本公开的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本公开第一个方面实施例的RPA结合AI的模型融合结果获取方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本公开第一个方面实施例的RPA结合AI的模型融合结果获取方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
图1是根据本公开一个实施例的RPA结合AI的模型融合结果获取方法的流程图;
图2是根据本公开一个实施例的RPA结合AI的模型融合结果获取方法的流程图;
图3是根据本公开一个实施例的RPA结合AI的模型融合结果获取方法的流程图;
图4是根据本公开一个实施例的RPA结合AI的模型融合结果获取方法的流程图;
图5是根据本公开一个实施例的RPA结合AI的模型融合结果获取装置的结构图;
图6是用来实现本公开实施例的RPA结合AI的模型融合结果获取方法的电子设备的框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面结合参考附图描述本公开的RPA结合AI的模型融合结果获取方法、装置及电子设备。
图1是根据本公开一个实施例的RPA结合AI的模型融合结果获取方法的流程图,如图1所示,该方法包括以下步骤:
S101,RPA系统获取待处理信息,并将待处理信息分别输入n个模型中,以基于自然语言处理NLP获取待处理信息的n个处理结果,其中,n为大于1的整数。
RPA是一项比较新兴热门的软件技术,它是模拟人在PC上的操作行为的一项技术,现已逐渐应用于企业生产办公。RPA的核心是通过自动化、智能化技术来“替代人”进行重复性、低价值、无需人工决策等固定性流程化操作,从而有效提升工作效率,减少错误。
自然语言处理(Natural Language Processing,简称NLP),是计算机科学领域与AI领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系,但又有重要的区别。
其中,待处理信息,可以为以字符串形式表示的任一信息。举例而言,待处理信息可以为用户输入的试图解决的问题:“这个报告的题目是什么”、“这个报告出自哪个团队”。
其中,模型,指的是参与模型融合过程中的任一模型。
其中,模型融合,指的是融合多个单一模型的答案,然后输出一个融合后的更优的答案的过程。
例如,将待处理信息分别输入n个模型中,然后获取与待处理信息对应的处理结果。其中,对于模型1来说,处理结果是a1,对于模型n来说,处理结果是an。此种情况下,模型融合结果是通过对处理结果a1~an进行处理后得到的。
S102,RPA系统获取任一处理结果与其余n-1个处理结果之间的距离。
其中,距离,可以通过多种方式进行获取,本公开不作限定。
作为一种可能的实现方式,可以获取编辑距离或者词移距离,并将编辑距离或者词移距离作为任一处理结果与其余n-1个处理结果之间的距离。
其中,编辑距离(Edit Distance),又称Levenshtein距离,指两个字符串之间,由一个转成另一个所需的最少编辑次数;词移距离(Word Mover’s Distance,简称WMD),指文本相似度度量。
作为另一种可能的实现方式,可以通过编码和获取相似度的方式获取任一处理结果与其余n-1个处理结果之间的距离。本公开实施例中,在获取待处理信息的n个处理结果后,可以对所有的处理结果进行编码,以得到n个处理结果向量。
可选地,RPA系统将所有的处理结果输入训练好的编码模型中,例如,基于Transformer的双向编码模型(Bidirectional Encoder Representations fromTransformers,简称BERT),双向长短记忆网络模型(Bidirectional Long Short-TermMemory,简称Bi-LSTM),并将输出的n个长度均为预设长度的编码结果作为处理结果向量。
进一步地,RPA系统可以根据n个处理结果向量,并结合距离计算公式计算任一处理结果与其余n-1个处理结果之间的距离。
S103,RPA系统根据距离,获取待处理信息的目标处理结果,并进行展示。
本公开实施例中,在RPA系统获取到的任一处理结果与其余n-1个处理结果之间的距离后,可以根据距离,从所有的处理结果中选取待处理信息的目标处理结果,并进行展示。
本公开实施例中,RPA系统获取待处理信息,并将待处理信息分别输入n个模型中,以获取待处理信息的n个处理结果,其次,RPA系统获取任一处理结果与其余n-1个处理结果之间的距离,最后,RPA系统根据距离,获取待处理信息的目标处理结果,并进行展示。本公开实施例中运用RPA技术与AI技术,不再依赖模型输出结果的概率,提高模型输出结果的利用率并确保模型融合结果的准确性,同时,提高了模型融合结果的鲁棒性。
下面分别针对通过获取编辑距离或者词移距离作为任一处理结果与其余n-1个处理结果之间的距离,以及通过编码和获取相似度获取任一处理结果与其余n-1个处理结果之间的距离,对RPA系统获取任一处理结果与其余n-1个处理结果之间的距离的具体过程进行解释说明。
针对通过获取编辑距离或者词移距离作为任一处理结果与其余n-1个处理结果之间的距离,可选地,RPA系统可以根据处理结果,直接获取任一处理结果与其余n-1个处理结果之间的编辑距离或者词移距离,并将获取到的编辑距离或者词移距离作为任一处理结果与其余n-1个处理结果之间的距离。针对通过编码和获取相似度获取任一处理结果与其余n-1个处理结果之间的距离,可选地,可以利用以下距离计算公式获取任一处理结果与其余n-1个处理结果之间的距离:
其中,E为句向量编码函数,d为距离。
需要说明的是,本公开中,在获取任一处理结果与其余n-1个处理结果之间的距离之前,可以由RPA系统对所有的处理结果进行编码,以得到n个处理结果向量。
需要说明的是,本公开中对于对所有的处理结果进行编码,以得到n个处理结果向量的具体方式不作限定,可以根据实际情况进行设定。可选地,可以由RPA系统将所有的处理结果输入训练好的编码模型中,并将输出的n个长度均为预设长度的编码结果作为处理结果向量。
进一步地,在获取到任一处理结果向量之后,可以根据相似度获取任一处理结果与其余n-1个处理结果之间的距离。
作为一种可能的实现方式,在上述实施例的基础上,进一步结合图2,针对通过编码和获取相似度获取任一处理结果与其余n-1个处理结果之间的距离,对RPA系统获取任一处理结果与其余n-1个处理结果之间的距离的具体过程进行解释说明,包括以下步骤:
S201,RPA系统根据处理结果向量,获取任一处理结果与其余n-1个处理结果之间的相似度信息。
其中,相似度信息,即个体(处理结果向量)间的相似程度。
S202,RPA系统根据相似度信息,获取距离。
其中,处理结果向量之间的相似度越低,其之间的距离越大;反之,处理结果向量之间的相似度越大,其之间的距离越小。
举例而言,针对处理结果向量X1、X2、X3,获取到X1与X2以及X1与X3之间的相似度信息分别为95%和15%,此种情况下,X1与X2之间的距离小于X1与X3之间的距离。
图3是根据本公开一个实施例的RPA结合AI的模型融合结果获取方法的流程图,在上述实施例的基础上,进一步结合图3,对RPA系统根据距离,获取待处理信息的目标处理结果的过程进行解释说明,包括以下步骤:
S301,RPA系统根据距离,获取任一处理结果与其余n-1个处理结果之间距离的距离之和。
举例而言,针对三个处理结果a1、a2、a3,a1与a2和a3之间的距离分别为d1、d2,a2与a1和a3之间的距离分别为d3、d4,a3与a1和a2之间的距离分别为d5、d6,此种情况下,a1与a2和a3之间距离的距离之和D1为d1+d2,a2与a1和a3之间距离的距离之和D2为d3+d4,a3与a1和a2之间距离的距离之和D3为d5+d6。
S302,RPA系统根据距离之和,确定与其余n-1个处理结果之间的距离之和最小的处理结果,并将距离之和最小的处理结果作为目标处理结果。
本公开实施例中,当RPA系统获取距离之和后,可以确定与其余n-1个处理结果之间的距离之和最小的处理结果,并将距离之和最小的处理结果作为目标处理结果。
举例而言,针对三个处理结果a1、a2、a3,获取到a1与a2和a3之间距离的距离之和为D1,a2与a1和a3之间距离的距离之和为D2,a3与a1和a2之间距离的距离之和为D3,且D3<D1<D2,此种情况下,a3与a1和a2之间距离的距离之和最小,则可以将处理结果a3作为目标处理结果。
本公开实施例中,可以通过RPA系统将距离之和最小的处理结果作为目标处理结果,以通过获取相似度最高的处理结果,实现了获取更加准确地目标处理结果的目的,进一步提高了模型融合结果的可靠性与准确性。
图4是根据本公开一个实施例的RPA结合AI的模型融合结果获取方法的流程图,如图4所示,基于本公开提供的RPA结合AI的模型融合结果获取方法,在实际应用场景下RPA结合AI的模型融合结果获取的过程包括以下步骤:
S401,RPA系统获取待处理信息,并将待处理信息分别输入n个模型中,以获取待处理信息的n个处理结果,其中,n为大于1的整数。
本公开实施例中,在获取到处理结果之后,可选地,可以执行步骤S405,以通过获取编辑距离或者词移距离的方式获取距离;可选地,可以执行步骤S402~S404,以通过获取编码和相似度的方式获取距离。
S402,RPA系统将所有的处理结果输入训练好的编码模型中,并将输出的n个长度均为预设长度的编码结果作为处理结果向量。
S403,RPA系统根据处理结果向量,获取任一处理结果与其余n-1个处理结果之间的相似度信息。
S404,RPA系统根据相似度信息,获取距离。
S405,RPA系统根据处理结果向量,获取任一处理结果与其余n-1个处理结果之间的编辑距离或者词移距离。
需要说明的是,在完成步骤S405或者步骤S404之后,均执行步骤S406,以获取距离之和。
S406,RPA系统根据距离,获取任一处理结果与其余n-1个处理结果之间的距离的距离之和。
S407,RPA系统根据距离之和,确定与其余n-1个处理结果之间的距离之和最小的处理结果,并将距离之和最小的处理结果作为目标处理结果。
S408,RPA系统获取待处理信息的目标处理结果,并进行展示。
下面以距离为编辑距离为例,对本公开提出的RPA结合AI的模型融合结果获取方法进行解释说明。
可选地,RPA系统获取待处理信息,并将待处理信息分别输入M个模型中,以获取待处理信息的M个处理结果,此种情况下,对于模型i而言,其对应的处理结果可以标记为a_i。
进一步地,可以根据以下公式获取每个模型输出的处理结果a_i与其他模型输出的处理结果之间的编辑距离之和s_i:
其中,ai,aj为模型i,j的处理结果,M为参与模型融合过程中所使用的模型的数量。
进一步地,可以获取与其余n-1个处理结果之间的距离之和最小的处理结果,并将距离之和最小的处理结果作为目标处理结果进行展示。
需要说明的是,本公开提出的RPA结合AI的模型融合结果获取方法,在待处理信息为以字符串形式表示的信息的多种应用场景下效果突出。
针对阅读理解应用场景,预先训练了6个模型,每个模型可以根据问题内容(待处理信息),从文档中抽取一个段落(span),作为对问题的回答(处理结果)。
此种情况下,例如,若待处理信息为:“这个报告的题目是什么?”,6个处理结果分别为:晨会纪要,晨会纪要,晨会纪要,天风证券,晨会纪要,晨会纪要,且与其余5个处理结果之间的距离的距离之和最小的处理结果为:“晨会纪要”,则模型融合结果(目标处理结果)为:“晨会纪要”。
又例如,若待处理信息为:“这个报告出自哪个团队?”,6个处理结果分别为:戴爽,戴爽,产品中心研究团队,金融工程研究团队,唐,金融工程研究团队,且与其余5个处理结果之间的距离的距离之和最小的处理结果为:“金融工程研究团队”,则模型融合结果(目标处理结果)为:“金融工程研究团队”。
再例如,若待处理信息为:“产品的宣传语是什么?”,6个处理结果分别为:LED照明菜色一目了然,LED照明菜色一目了,菜色一目了,LED照明菜色一目了然人性化设计舒心不止一点点,人性化设计舒心不止一点点,美观耐腐蚀LED照明菜色一目了然,且与其余5个处理结果之间的距离的距离之和最小的处理结果为:“LED照明菜色一目了然”,则模型融合结果(目标处理结果)为:“LED照明菜色一目了然”。
需要说明的是,相关技术中的模型融合方法,往往是通过计算所有模型输出结果的平均值,然后作为模型融合结果,这样一来,不仅依赖模型输出结果的概率作为模型融合结果的获取依据,而且对模型输出结果的利用有限。由此,本公开引入中位数的概念,充分利用每一个模型输出的处理结果,提高模型输出结果的利用率,进而提高了模型融合结果获取过程中的可靠性与准确性。进一步地,通过RPA系统将距离之和最小的处理结果作为目标处理结果,以通过获取相似度最高的处理结果,实现了获取更加准确地目标处理结果的目的,进一步提高了模型融合结果的可靠性与准确性。
图5是根据本公开一个实施例的RPA结合AI的模型融合结果获取装置的结构图,如图5所示,RPA结合AI的模型融合结果获取装置500包括:
第一获取模块510,用于获取待处理信息,并将所述待处理信息分别输入n个模型中,以基于自然语言处理NLP获取所述待处理信息的n个处理结果,其中,n为大于1的整数;
第二获取模块520,用于获取任一所述处理结果与其余n-1个所述处理结果之间的距离;
展示模块530,用于根据所述距离,获取所述待处理信息的目标处理结果,并进行展示。
本公开实施例运用RPA技术与AI技术使模型输出结果不再依赖模型输出结果的概率,提高模型输出结果的利用率并确保模型融合结果的准确性,同时,提高了模型融合结果的鲁棒性。
需要说明的是,前述对RPA结合AI的模型融合结果的获取方法实施例的解释说明也适用于该实施例的RPA结合AI的模型融合结果的获取装置,此处不再赘述。
进一步地,在本公开实施例一种可能的实现方式中,展示模块630,还用于:根据距离,获取任一处理结果与其余n-1个处理结果之间的距离的距离之和;根据距离之和,确定与其余n-1个处理结果之间的所述距离之和最小的处理结果,并将距离之和最小的处理结果作为目标处理结果。
进一步地,在本公开实施例一种可能的实现方式中,第二获取模块620,还用于:对所有的处理结果进行编码,以得到n个处理结果向量。
进一步地,在本公开实施例一种可能的实现方式中,第二获取模块620,还用于:将所有的处理结果输入训练好的编码模型中,并将输出的n个长度均为预设长度的编码结果作为所述处理结果向量。
进一步地,在本公开实施例一种可能的实现方式中,第二获取模块620,还用于:根据处理结果向量,获取任一处理结果与其余n-1个处理结果之间的相似度信息;根据相似度信息,获取距离。
进一步地,在本公开实施例一种可能的实现方式中,第二获取模块620,还用于:RPA系统根据处理结果,获取任一处理结果与其余n-1个处理结果之间的编辑距离或者词移距离。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,包括存储器61、处理器62及存储在存储器61上并可在处理器62上运行的计算机程序,处理器62执行程序时,实现前述的RPA结合AI的模型融合结果获取方法。
此外,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该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (15)
1.一种RPA结合AI的模型融合结果获取方法,其特征在于,由RPA系统执行,所述方法包括:
所述RPA系统获取待处理信息,并将所述待处理信息分别输入n个模型中,以基于自然语言处理NLP获取所述待处理信息的n个处理结果,其中,n为大于1的整数;
所述RPA系统获取任一所述处理结果与其余n-1个所述处理结果之间的距离;
所述RPA系统根据所述距离,获取所述待处理信息的目标处理结果,并进行展示。
2.根据权利要求1所述的方法,其特征在于,所述RPA系统根据所述距离,获取所述待处理信息的目标处理结果,包括:
所述RPA系统根据所述距离,获取任一所述处理结果与其余n-1个所述处理结果之间的所述距离的距离之和;
所述RPA系统根据所述距离之和,确定与其余n-1个所述处理结果之间的所述距离之和最小的所述处理结果,并将所述距离之和最小的所述处理结果作为所述目标处理结果。
3.根据权利要求1所述的方法,其特征在于,所述RPA系统获取任一所述处理结果与其余n-1个所述处理结果之间的距离之前,还包括:
所述RPA系统对所有的所述处理结果进行编码,以得到n个处理结果向量。
4.根据权利要求3所述的方法,其特征在于,所述RPA系统对所有的所述处理结果进行编码,以得到n个处理结果向量,包括:
所述RPA系统将所有的所述处理结果输入训练好的编码模型中,并将输出的n个长度均为预设长度的编码结果作为所述处理结果向量。
5.根据权利要求3-4中任一项所述的方法,其特征在于,所述RPA系统获取任一所述处理结果与其余n-1个所述处理结果之间的距离,包括:
所述RPA系统根据所述处理结果向量,获取任一所述处理结果与其余n-1个所述处理结果之间的相似度信息;
所述RPA系统根据所述相似度信息,获取所述距离。
6.根据权利要求1所述的方法,其特征在于,所述RPA系统获取任一所述处理结果与其余n-1个所述处理结果之间的距离,包括:
所述RPA系统根据所述处理结果,获取任一所述处理结果与其余n-1个所述处理结果之间的编辑距离或者词移距离。
7.一种RPA结合AI的模型融合结果获取装置,其特征在于,包括:
第一获取模块,用于获取待处理信息,并将所述待处理信息分别输入n个模型中,以基于自然语言处理NLP获取所述待处理信息的n个处理结果,其中,n为大于1的整数;
第二获取模块,用于获取任一所述处理结果与其余n-1个所述处理结果之间的距离;
展示模块,用于根据所述距离,获取所述待处理信息的目标处理结果,并进行展示。
8.根据权利要求7所述的装置,其特征在于,所述展示模块,还用于:
根据所述距离,获取任一所述处理结果与其余n-1个所述处理结果之间的所述距离的距离之和;
根据所述距离之和,确定与其余n-1个所述处理结果之间的所述距离之和最小的所述处理结果,并将所述距离之和最小的所述处理结果作为所述目标处理结果。
9.根据权利要求7所述的装置,其特征在于,所述第二获取模块,还用于:
对所有的所述处理结果进行编码,以得到n个处理结果向量。
10.根据权利要求9所述的装置,其特征在于,所述第二获取模块,还用于:
将所有的所述处理结果输入训练好的编码模型中,并将输出的n个长度均为预设长度的编码结果作为所述处理结果向量。
11.根据权利要求9-10中任一项所述的装置,其特征在于,所述第二获取模块,还用于:
根据所述处理结果向量,获取任一所述处理结果与其余n-1个所述处理结果之间的相似度信息;
根据所述相似度信息,获取所述距离。
12.根据权利要求7所述的装置,其特征在于,所述第二获取模块,还用于:
根据所述处理结果,获取任一所述处理结果与其余n-1个所述处理结果之间的编辑距离或者词移距离。
13.一种电子设备,其特征在于,包括存储器、处理器;
其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如权利要求1-6中任一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984196.2A CN113723072A (zh) | 2021-08-25 | 2021-08-25 | Rpa结合ai的模型融合结果获取方法、装置及电子设备 |
PCT/CN2021/132176 WO2023024287A1 (zh) | 2021-08-25 | 2021-11-22 | Rpa结合ai的模型融合结果获取方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110984196.2A CN113723072A (zh) | 2021-08-25 | 2021-08-25 | Rpa结合ai的模型融合结果获取方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113723072A true CN113723072A (zh) | 2021-11-30 |
Family
ID=78677929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110984196.2A Pending CN113723072A (zh) | 2021-08-25 | 2021-08-25 | Rpa结合ai的模型融合结果获取方法、装置及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113723072A (zh) |
WO (1) | WO2023024287A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023024287A1 (zh) * | 2021-08-25 | 2023-03-02 | 北京来也网络科技有限公司 | Rpa结合ai的模型融合结果获取方法、装置及电子设备 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719514B (zh) * | 2023-08-08 | 2023-10-20 | 安徽思高智能科技有限公司 | 一种基于bert的rpa代码自动生成方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104199810A (zh) * | 2014-08-29 | 2014-12-10 | 科大讯飞股份有限公司 | 一种基于自然语言交互的智能服务方法及系统 |
CN109871736B (zh) * | 2018-11-23 | 2023-01-31 | 腾讯科技(深圳)有限公司 | 自然语言描述信息的生成方法及装置 |
JP7041281B2 (ja) * | 2019-07-04 | 2022-03-23 | 浙江大学 | ディープニューラルネットワークモデルに基づくアドレス情報特徴抽出方法 |
CN112287077A (zh) * | 2019-12-09 | 2021-01-29 | 北京来也网络科技有限公司 | 用于文档的结合rpa和ai的语句提取方法、装置、存储介质及电子设备 |
CN113723072A (zh) * | 2021-08-25 | 2021-11-30 | 北京来也网络科技有限公司 | Rpa结合ai的模型融合结果获取方法、装置及电子设备 |
-
2021
- 2021-08-25 CN CN202110984196.2A patent/CN113723072A/zh active Pending
- 2021-11-22 WO PCT/CN2021/132176 patent/WO2023024287A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023024287A1 (zh) * | 2021-08-25 | 2023-03-02 | 北京来也网络科技有限公司 | Rpa结合ai的模型融合结果获取方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2023024287A1 (zh) | 2023-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114140603B (zh) | 虚拟形象生成模型的训练方法和虚拟形象生成方法 | |
US20210312139A1 (en) | Method and apparatus of generating semantic feature, method and apparatus of training model, electronic device, and storage medium | |
CN113723072A (zh) | Rpa结合ai的模型融合结果获取方法、装置及电子设备 | |
CN113590858B (zh) | 目标对象的生成方法、装置、电子设备以及存储介质 | |
CN114612290B (zh) | 图像编辑模型的训练方法和图像编辑方法 | |
JP2022006173A (ja) | 知識事前訓練モデルの訓練方法、装置及び電子機器 | |
CN112785493A (zh) | 模型的训练方法、风格迁移方法、装置、设备及存储介质 | |
CN103885935A (zh) | 基于图书阅读行为的图书章节摘要生成方法 | |
CN114328980A (zh) | 结合rpa及ai的知识图谱构建方法、装置、终端及存储介质 | |
CN113408208B (zh) | 模型训练方法、信息提取方法、相关装置及存储介质 | |
Majid et al. | Solving delay differential equations by the five-point one-step block method using Neville's interpolation | |
CN112394982B (zh) | 生成语音识别系统的方法、装置、介质及电子设备 | |
CN113850714A (zh) | 图像风格转换模型的训练、图像风格转换方法及相关装置 | |
CN111898338B (zh) | 文本生成方法、装置和电子设备 | |
CN113641829A (zh) | 图神经网络的训练与知识图谱的补全方法、装置 | |
CN111159424B (zh) | 标注知识图谱实体的方法,装置,存储介质及电子设备 | |
CN114881227B (zh) | 模型压缩方法、图像处理方法、装置和电子设备 | |
CN111859939B (zh) | 文本匹配方法、系统和计算机设备 | |
KR20230065339A (ko) | 모델 데이터 처리 방법, 장치, 전자 기기 및 컴퓨터 판독 가능 매체 | |
CN112052680A (zh) | 问题生成方法、装置、设备及存储介质 | |
CN113297511B (zh) | 商户排序模型的构建方法、装置、服务器及存储介质 | |
CN114444472B (zh) | 文本处理方法、装置、电子设备和存储介质 | |
CN115018009B (zh) | 对象描述方法、网络模型的训练方法及装置 | |
CN117688193B (zh) | 图文统一编码方法、装置、计算机设备及介质 | |
CN113362428B (zh) | 用于配置颜色的方法、装置、设备、介质和产品 |
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 |