CN115186079A - 基于人物画像的业务问题单分类方法及装置 - Google Patents

基于人物画像的业务问题单分类方法及装置 Download PDF

Info

Publication number
CN115186079A
CN115186079A CN202210841197.6A CN202210841197A CN115186079A CN 115186079 A CN115186079 A CN 115186079A CN 202210841197 A CN202210841197 A CN 202210841197A CN 115186079 A CN115186079 A CN 115186079A
Authority
CN
China
Prior art keywords
question
portrait
service
features
business
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
Application number
CN202210841197.6A
Other languages
English (en)
Inventor
王玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bank of China Ltd
Original Assignee
Bank of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bank of China Ltd filed Critical Bank of China Ltd
Priority to CN202210841197.6A priority Critical patent/CN115186079A/zh
Publication of CN115186079A publication Critical patent/CN115186079A/zh
Pending legal-status Critical Current

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/194—Calculation of difference between files
    • 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
    • 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
    • G06N20/00—Machine learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于人物画像的业务问题单分类方法及装置，涉及人工智能领域，该方法包括：获取业务问题单，从业务问题单中提取文本特征；获得提出业务问题单的用户的标签信息，基于所述标签信息确定人物特征；将人物特征和文本特征进行特征融合，获得两个业务问题单相关特征；将两个业务问题单相关特征进行分类，判断是否为相同业务问题单，本发明根据实际情况，从多个层面提取业务问题单的特征，可以有效的提高业务问题单的分析效率。

Description

基于人物画像的业务问题单分类方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及基于人物画像的业务问题单分类方法及装置。
背景技术
本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
对于数据迁移工作，业务人员提出海量问题单让需求分析人员和开发人员应接不暇。然而这些问题单看似数量巨大，其实存在很多重复，冗余的问题。
在解决此类问题时，以往方案习惯采用自然语言处理算法(NLP)从问题单的问题描述部分，也就是文字层面进行特征提取，从而建立一个二分类模型判断该问题是否与之前的问题重复。但是由于业务场景中问题单的文本部分长度较短，仅使用文本特征判断业务问题单并不全面，容易造成分类准确度不高。
发明内容
本发明实施例提供一种基于人物画像的业务问题单分类方法，用以提高分类准确度，该方法包括：
获取业务问题单，从业务问题单中提取文本特征；
获得提出业务问题单的用户的标签信息，基于所述标签信息确定人物特征；
将人物特征和文本特征进行特征融合，获得两个业务问题单相关特征；
将两个业务问题单相关特征进行分类，判断是否为相同业务问题单。
本发明实施例还提供一种基于人物画像的业务问题单分类装置，用以提高分类准确度，该装置包括：
文本特征提取模块，用于获取业务问题单，从业务问题单中提取文本特征；
人物特征提取模块，用于获得提出业务问题单的用户的标签信息，基于所述标签信息确定人物特征；
特征融合模块，用于将人物特征和文本特征进行特征融合，获得两个业务问题单相关特征；
特征分类模块，用于将两个业务问题单相关特征进行分类，判断是否为相同业务问题单。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人物画像的业务问题单分类方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于人物画像的业务问题单分类方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述基于人物画像的业务问题单分类方法。
本发明实施例中，与现有技术中只使用文本特征判断业务问题单并不全面，容易造成分类准确度不高的技术方案相比，通过获取业务问题单，从业务问题单中提取文本特征；获得提出业务问题单的用户的标签信息，基于所述标签信息确定人物特征；将人物特征和文本特征进行特征融合，获得两个业务问题单相关特征；将两个业务问题单相关特征进行分类，判断是否为相同业务问题单，本发明根据实际情况进行沉浸式特征提取，关注业务人员本身的人物画像，对其工作态度、情绪、性格特征等进行打标签，获得人物特征，从多个层面提取业务问题单的特征，可以有效的提高业务问题单的分析效率。
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一些实施例，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，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中基于人物画像的业务问题单分类方法流程图一；
图2为本发明实施例中基于人物画像的业务问题单分类方法流程图二；
图3为本发明实施例中基于人物画像的业务问题单分类方法流程图三；
图4为本发明实施例中基于人物画像的业务问题单分类方法流程图四；
图5为本发明实施例中基于人物画像的业务问题单分类方法流程图五；
图6为本发明实施例中基于人物画像的业务问题单分类装置结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
本发明针对业务问题单进行详细分析，发现：第一，在数据迁移演练过程中产生的业务问题单的文字部分内容较少，而且文本偏短，单用文本特征判断可以反映的信息有限，很容易造成分类准确度不高。第二，数据迁移演练场景中存在一些可能影响业务问题单质量的其他因素。例如提业务问题单的业务人员(主要参与者创建者、中转人、处理人等)自身的特点，一般认为，责任心较强的业务人员更倾向于提出一个高质量的业务问题单(涉及业务人员工作态度)。此外，随着迁移演练的进行，有时技术难点会拖延工作进度，业务人员的心情会受到影响，可能会一定程度上影响提出问题的质量。因此，忽略诸如此类场景类人物特征可能大大降低分类准确性。另外，业务问题单上还包括业务人员提供的截图、用来检测的代码等都会影响到业务问题单的质量。
基于此，本发明综合这些特征对结果的影响，提出了一种基于人物画像的业务问题单分类方法，如图1所示，该方法包括：
步骤101：获取业务问题单，从业务问题单中提取文本特征；
步骤102：获得提出业务问题单的用户的标签信息，基于所述标签信息确定人物特征；
步骤103：将每个业务问题单对应的人物特征和文本特征进行特征融合得到特征向量；
步骤104：对两个业务问题单对应的特征向量进行相似度检验，获得分类结果。
在本发明实施例中，如图2所示，本发明步骤101中的从业务问题单中提取图像特征，可以包括：
步骤201：采用BERT算法对业务问题单中的文本进行embedding，获得文本特征向量。
具体的，每个问题单上都有问题描述，而问题描述是一段文本，采用BERT算法对业务问题单中的文本进行embedding，获得文本特征向量。具体步骤如下：
首先，对输入的文本数据进行分词，将数据整理成bert模型需要的格式，生成若干个128×768的向量。接下来向量会经过多层transformer模型，每个transformer组件包括注意力机制和前馈神经网络，可以让文本充分的结合上下文的语义。经过生成深度transformer的叠加提取，得到最终的文本特征向量。
本发明还对文本特征进行了数据增强，以增强语义的表达。具体数据增强的方案采用包括同义词转换，分词之后随机拼接等方式得到更多的数据集。例如，问题描述为“表a没有数据”，可以将“没有”转换成“无”。或者有些描述为“表a的字段b出现乱码”，可以对文本进行分词在重组变成“字段b，表a，出现乱码”。采用这样的方式可以将原有的数据量变大，从而提高了模型训练的效果。
在本发明实施例中，本发明主要选择了人物特征是对用户画像进行建模。所谓用户画像就是给用户打标签，本发明从三个角度对用户进行“打标签”，即标签信息主要包括统计类标签、规则类标签、机器学习挖掘类标签。每一个、类标签所选择的特征如下：
统计类标签：性别，年龄，职位级别，最近一轮提的业务问题单数量。
规则类标签(基于用户行为确定的规则)：近两轮重复业务问题单超过一定比例。
机器学习挖掘类标签：基于他人评价判断其工作态度、性格特征，基于演练过程中的沟通情况判断其情感倾向。
在本发明实施例中，步骤102基于所述标签信息确定人物特征，包括：
对所述标签信息进行预处理后确定人物特征。
具体的，在对数据进行预处理时，针对统计类标签进行数据预处理，需要对字符串类型的特征值进行编码处理，例如性别，需要进行one-hot编码，得到“01”表示“男”，“10”表示“女”等。转化成向量就是一个2×1的向量。年龄按照30岁以下，30岁到50岁，50岁以上分成三个阶段，并编码为一个3×1的向量。职位级别则分为低中高三个级别，同样转化成一个3×1的向量。
针对规则类标签进行数据预处理时，对于规则类标签可以设置相应比例，比如20％，那么可以“01”表示近两轮重复业务问题单超过总业务问题单的20％，“10”则表示未超过。
针对于机器学习挖掘类标签，借助大数据技术从人力系统等平台中收集相关员工的绩效表现等评价数据，并借助类似的训练数据集、构建分类器来训练得到相关的数值。例如工作态度特征，可用“-1”表示态度消极，“0”表示态度中性，“1”表示态度积极，或可用向量[1，0，0]表示态度消极，向量[0，1，0]表示态度中性，向量[0，0，1]表示态度积极。
最后，本发明将统计类标签性别、年龄、职位，业务问题单数，规则类特征重复情况以及机器学习类特征态度、性格、心情进行顺序拼接，构成一个人物特征向量，作为该用户的画像，这就是用户画像的建模过程。
在本发明实施例中，如图3所示，步骤103将将每个业务问题单对应的人物特征和文本特征进行特征融合得到特征向量，包括：
步骤301：采用DCN网络将人物特征和文本特征进行特征融合得到特征向量。
具体的，首先对于三大类型的人物特征进行同维度的扩展和拼接，并嵌入到和文本特征相同维度。这里对于统计类、规则类、机器学习类特征进行横向拼接，如图4所示，经过数据预处理，性别、重复情况是一个2×1的向量，年龄、职位、业务问题单数、态度、性格、心情是3×1的向量，这里给性别、重复情况特征乘上一个初始化为8×2的矩阵，年龄等特征乘上初始化为8×3的矩阵，就可以得到8个8×1长度的特征向量。再将这些向量按顺序横向拼接得到64×1的人物特征向量。文本特征是bert模型输出的128×1的向量，乘上一个64×128的向量可以得到与人物特征相同维度的64×1的向量。最后，对于人物特征和文本特征的拼接，本发明采用DCN网络，对两个特征进行交叉组合，挖掘出更多层面的信息。具体方法是，在embedding层将所有特征横向拼接。在网络层，DCN网络由cross网络和deep网络两部分并行构成。在cross网络中，每一层的值都是上一层和embedding层输出值之间交叉乘积的线性变化。Deep网络就是寻常的DNN网络，通过深层次的神经网络挖掘更多的特征信息。最后将两个网络得到的特征拼接在一起，获得业务问题单相关特征。
在本发明实施例中，如图5所示，步骤104对两个业务问题单对应的特征向量进行相似度检验，获得分类结果，包括：
步骤501：将两个业务问题单对应的特征向量拼接分类器，用softmax激活函数将特征向量转化成一个0-1的概率，根据0-1的概率判断是否为相同业务问题单。
具体的，对两个经过DCN网络的特征向量拼接分类器，用softmax激活函数将向量转化成一个0-1的概率，来判断是否为相同业务问题单。如果概率值大于0.5，则认为两个业务问题单是重复的。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
本发明实施例中还提供了一种基于人物画像的业务问题单分类装置，如下面的实施例所述。由于该装置解决问题的原理与基于人物画像的业务问题单分类方法相似，因此该装置的实施可以参见基于人物画像的业务问题单分类方法的实施，重复之处不再赘述。
图6为本发明实施例中基于人物画像的业务问题单分类装置结构框图，如图6所示，该基于人物画像的业务问题单分类装置包括：
文本特征提取模块02，用于获取业务问题单，从业务问题单中提取文本特征；
人物特征提取模块04，用于获得提出业务问题单的用户的标签信息，基于所述标签信息确定人物特征；
特征融合模块06，用于将每个业务问题单对应的人物特征和文本特征进行特征融合得到特征向量；
特征分类模块08，用于对两个业务问题单对应的特征向量进行相似度检验，获得分类结果。
在本发明实施例中，文本特征提取模块具体用于：
采用BERT算法对业务问题单中的文本进行embedding，获得文本特征向量。
在本发明实施例中，所述标签信息包括统计类标签、规则类标签和机器学习挖掘类标签；
所述统计类标签包括用户的性别、年龄、职位级别、最近一轮提的业务问题单数量；
所述规则类标签包括近两轮重复业务问题单超过一定比例；
所述机器学习挖掘类标签包括用户的工作态度、性格特征、情感倾向特征。
在本发明实施例中，人物特征提取模块具体用于：
基于所述标签信息进行数据预处理后确定人物特征。
在本发明实施例中，人物特征提取模块具体用于：
对统计类标签进行编码处理；
设置相应比例，基于相应比例对规则类标签进行编码处理；
采用数值设定来对机器学习挖掘类标签进行编码处理。
在本发明实施例中，特征融合模块具体用于：
采用DCN网络将人物特征和文本特征进行特征融合得到特征向量。
在本发明实施例中，特征分类模块具体用于：
将两个业务问题单对应的特征向量拼接分类器，用softmax激活函数将特征向量转化成一个0-1的概率，根据0-1的概率判断是否为相同业务问题单。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人物画像的业务问题单分类方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于人物画像的业务问题单分类方法。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述基于人物画像的业务问题单分类方法。
本发明实施例中，与现有技术中只使用文本特征判断业务问题单并不全面，容易造成分类准确度不高的技术方案相比，通过获取业务问题单，从业务问题单中提取文本特征；获得提出业务问题单的用户的标签信息，基于所述标签信息确定人物特征；将人物特征和文本特征进行特征融合，获得两个业务问题单相关特征；将两个业务问题单相关特征进行分类，判断是否为相同业务问题单，本发明根据实际情况进行沉浸式特征提取，关注业务人员本身的人物画像，对其工作态度、情绪、性格特征等进行打标签，获得人物特征，从多个层面提取业务问题单的特征，可以有效的提高业务问题单的分析效率，优化业务问题单整体的质量，减少人力物力成本，提高业务人员和开发人员沟通的效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (17)

1.一种基于人物画像的业务问题单分类方法，其特征在于，包括：
获取业务问题单，从业务问题单中提取文本特征；
获得提出业务问题单的用户的标签信息，基于所述标签信息确定人物特征；
将每个业务问题单对应的人物特征和文本特征进行特征融合得到特征向量；
对两个业务问题单对应的特征向量进行相似度检验，获得分类结果。
2.如权利要求1所述的基于人物画像的业务问题单分类方法，其特征在于，从业务问题单中提取文本特征，包括：
采用BERT算法对业务问题单中的文本进行embedding，获得文本特征向量。
3.如权利要求1所述的基于人物画像的业务问题单分类方法，其特征在于，所述标签信息包括统计类标签、规则类标签和机器学习挖掘类标签；
所述统计类标签包括用户的性别、年龄、职位级别、最近一轮提的业务问题单数量；
所述规则类标签包括近两轮重复业务问题单超过一定比例；
所述机器学习挖掘类标签包括用户的工作态度、性格特征、情感倾向特征。
4.如权利要求3所述的基于人物画像的业务问题单分类方法，其特征在于，基于所述标签信息确定人物特征，包括：
基于所述标签信息进行数据预处理后确定人物特征。
5.如权利要求4所述的基于人物画像的业务问题单分类方法，其特征在于，基于所述标签信息进行数据预处理后确定人物特征，包括：
对统计类标签进行编码处理；
设置相应比例，基于相应比例对规则类标签进行编码处理；
采用数值设定对机器学习挖掘类标签进行编码处理。
6.如权利要求1所述的基于人物画像的业务问题单分类方法，其特征在于，将每个业务问题单对应的人物特征和文本特征进行特征融合得到特征向量，包括：
采用DCN网络将人物特征和文本特征进行特征融合得到特征向量。
7.如权利要求1所述的基于人物画像的业务问题单分类方法，其特征在于，对两个业务问题单对应的特征向量进行相似度检验，获得分类结果，包括：
将两个业务问题单对应的特征向量拼接分类器，用softmax激活函数将特征向量转化成一个0-1的概率，根据0-1的概率判断是否为相同业务问题单。
8.一种基于人物画像的业务问题单分类装置，其特征在于，包括：
文本特征提取模块，用于获取业务问题单，从业务问题单中提取文本特征；
人物特征提取模块，用于获得提出业务问题单的用户的标签信息，基于所述标签信息确定人物特征；
特征融合模块，用于将每个业务问题单对应的人物特征和文本特征进行特征融合得到特征向量；
特征分类模块，用于对两个业务问题单对应的特征向量进行相似度检验，获得分类结果。
9.如权利要求8所述的基于人物画像的业务问题单分类装置，其特征在于，文本特征提取模块具体用于：
采用BERT算法对业务问题单中的文本进行embedding，获得文本特征向量。
10.如权利要求8所述的基于人物画像的业务问题单分类装置，其特征在于，所述标签信息包括统计类标签、规则类标签和机器学习挖掘类标签；
所述统计类标签包括用户的性别、年龄、职位级别、最近一轮提的业务问题单数量；
所述规则类标签包括近两轮重复业务问题单超过一定比例；
所述机器学习挖掘类标签包括用户的工作态度、性格特征、情感倾向特征。
11.如权利要求10所述的基于人物画像的业务问题单分类装置，其特征在于，人物特征提取模块具体用于：
基于所述标签信息进行数据预处理后确定人物特征。
12.如权利要求11所述的基于人物画像的业务问题单分类装置，其特征在于，人物特征提取模块具体用于：
对统计类标签进行编码处理；
设置相应比例，基于相应比例对规则类标签进行编码处理；
采用数值设定来对机器学习挖掘类标签进行编码处理。
13.如权利要求8所述的基于人物画像的业务问题单分类装置，其特征在于，特征融合模块具体用于：
采用DCN网络将人物特征和文本特征进行特征融合得到特征向量。
14.如权利要求8所述的基于人物画像的业务问题单分类装置，其特征在于，特征分类模块具体用于：
将两个业务问题单对应的特征向量拼接分类器，用softmax激活函数将特征向量转化成一个0-1的概率，根据0-1的概率判断是否为相同业务问题单。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一所述基于人物画像的业务问题单分类方法。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述基于人物画像的业务问题单分类方法。
17.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至7任一所述基于人物画像的业务问题单分类方法。
CN202210841197.6A 2022-07-18 2022-07-18 基于人物画像的业务问题单分类方法及装置 Pending CN115186079A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210841197.6A CN115186079A (zh) 2022-07-18 2022-07-18 基于人物画像的业务问题单分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210841197.6A CN115186079A (zh) 2022-07-18 2022-07-18 基于人物画像的业务问题单分类方法及装置

Publications (1)

Publication Number Publication Date
CN115186079A true CN115186079A (zh) 2022-10-14

Family

ID=83519174

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210841197.6A Pending CN115186079A (zh) 2022-07-18 2022-07-18 基于人物画像的业务问题单分类方法及装置

Country Status (1)

Country Link
CN (1) CN115186079A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952259A (zh) * 2023-03-14 2023-04-11 深圳市迪博企业风险管理技术有限公司 一种企业画像标签智能生成方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952259A (zh) * 2023-03-14 2023-04-11 深圳市迪博企业风险管理技术有限公司 一种企业画像标签智能生成方法
CN115952259B (zh) * 2023-03-14 2023-05-12 深圳市迪博企业风险管理技术有限公司 一种企业画像标签智能生成方法

Similar Documents

Publication Publication Date Title
CN112035669B (zh) 基于传播异质图建模的社交媒体多模态谣言检测方法
CN111382565B (zh) 基于多标签的情绪-原因对抽取方法及系统
CN113051916B (zh) 一种社交网络中基于情感偏移感知的交互式微博文本情感挖掘方法
CN110134946B (zh) 一种针对复杂数据的机器阅读理解方法
CN111222305A (zh) 一种信息结构化方法和装置
CN112434535B (zh) 基于多模型的要素抽取方法、装置、设备及存储介质
CN111738169B (zh) 一种基于端对端网络模型的手写公式识别方法
CN111866004B (zh) 安全评估方法、装置、计算机系统和介质
CN112966525B (zh) 一种基于预训练模型和卷积神经网络算法的法律领域事件抽取方法
CN111914553B (zh) 一种基于机器学习的金融信息负面主体判定的方法
CN114282527A (zh) 多语言文本检测与纠错方法、系统、电子设备及存储介质
CN112148997A (zh) 一种用于灾害事件检测的多模态对抗模型的训练方法和装置
CN111191452A (zh) 一种铁路文本命名实体识别方法及装置
CN114239574A (zh) 一种基于实体和关系联合学习的矿工违规行为知识抽取方法
CN115292568B (zh) 一种基于联合模型的民生新闻事件抽取方法
CN116737922A (zh) 一种游客在线评论细粒度情感分析方法和系统
CN115186079A (zh) 基于人物画像的业务问题单分类方法及装置
CN117351336A (zh) 图像审核方法和相关设备
CN116150404A (zh) 一种基于联合学习的教育资源多模态知识图谱构建方法
CN115953788A (zh) 基于ocr和nlp技术的绿色金融属性智能认定方法及系统
CN113486143A (zh) 一种基于多层级文本表示及模型融合的用户画像生成方法
CN113051869B (zh) 一种结合语义识别实现标识文本差异内容的方法及系统
CN115759043A (zh) 一种文档级敏感信息检测模型训练及预测方法
CN115422945A (zh) 一种融合情感挖掘的谣言检测方法及系统
CN113761874A (zh) 事件事实性预测方法、装置、电子设备与存储介质

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