CN115238197A - 一种基于专家思维模型的领域业务辅助分析方法 - Google Patents

Abstract

本发明提供了一种基于专家思维模型的领域业务辅助分析方法，包括：步骤1、建立专家思维模型，包括流程类思维模型、规则类思维模型、决策类思维模型以及知识类思维模型；步骤2、根据不同应用场景，为业务分析人员推荐对应专家思维模型及分析业务，辅助进行业务分析；其中，所述步骤2中，推荐的内容包括：推荐处理当前分析任务的专家思维模型；推荐相似业务分析人员常用的专家思维模型；在业务分析人员使用专家思维模型过程中推荐当前专家思维模型处理的其他分析任务。本发明能够极大地提高业务分析效率和准确性，实现对领域专家经验知识成果的固化和利用，真正提升领域业务系统智能化水平。

Description

一种基于专家思维模型的领域业务辅助分析方法

技术领域

本发明涉及知识工程、智能处理及分析技术领域，特别涉及一种基于专家思维模型的领域业务辅助分析方法。

背景技术

当前，各行业领域有关业务专业问题主要依靠领域专家人力分析研判解决，辅以资料检索查询、统计分析等工具，执行效率低，分析深度和广度不足。领域专家是各行业领域的宝贵财富，承担大量紧急重大任务，由于各行业领域的特殊性及技术局限性，领域专家长期积累的宝贵知识和经验无法固化及深化应用，大量的业务处理经验无法用语言表达，专家的知识、经验无法被掌握、训练、学习和持久化，造成巨大的无形资产浪费。为达到领域专家经验传承的目的，需要充分研究领域专家如何对本业务领域开展信息收集、整理分析、研判决策等工作，了解并获得专家分析思路，学习并掌握专家研判流程，提取并固化专家决策经验，构建具备自主分析、研判、决策等能力的领域专家思维模型，通过专家思维模型的实战检验和多轮人机协同，达到领域专家分析思维经验的持续迭代更新。

目前，领域智能化分析处理关键环节的智能化程度很低，对各行业领域关键技术突破带来一定影响和约束。为了进一步提高领域智能化水平，达到2035智能制造水平，需要开展提升领域相关信息化设备的智能化处理及分析能力研究，以人工智能技术为基础，利用统计学、神经网络、机器学习、数据挖掘等方法，对大规模的领域数据开展分析研究工作，需要做到以下几点：一是不断提高领域业务分析的自动化、智能化水平；二是利用计算机手段，辅助并逐渐替代领域业务处理人员完成重复性、事务性工作。

在各行业领域（生物、医疗、银行、军事等），大量专家系统和决策支持系统已得到了应用，但仍存在以下问题：一是，专家系统很难将领域专家分析经验进行有效抽象，对领域业务涉及的知识宽度和基本原理理解比较单一；二是，决策支持系统也仅仅只能以定量的方式辅助完成业务决策研判工作，对具有不确定性的任务无法很好地进行支持决策，仍有很大发展空间；三是，现有智能信息系统辅助分析能力中未能有效利用专家知识，主要通过构建用户个人画像提供基本的信息推荐能力，无法满足垂直领域业务需求的动态变化。为提升各行业领域信息化设备的整体智能化水平，进行领域业务分析的智能专家系统应该具备趋近于人类的归纳、总结、推理、演绎等分析能力，固化出力量能够与专家的思维和处理能力。

发明内容

针对现有技术中存在的问题，提供了一种基于专家思维模型的领域业务辅助分析方法，能够针对领域专家经验知识无法固化及有效传承的问题，面向动态变化的领域业务需求，综合利用深度学习、自然语言处理、数据挖掘、机器学习、知识图谱等技术，采集和了解领域专家分析流程，提取并固化专家决策建议，学习并掌握专家日常研判分析结论，自动学习并建立领域专家思维模型，实现对领域专家经验知识成果的固化和利用，真正提升领域业务系统智能化水平。

本发明采用的技术方案如下：一种基于专家思维模型的领域业务辅助分析方法，包括：

步骤1、建立专家思维模型，包括流程类思维模型、规则类思维模型、决策类思维模型以及知识类思维模型；

步骤2、根据不同应用场景，为业务分析人员推荐对应专家思维模型及分析任务，辅助进行业务分析；

其中，所述步骤2中，推荐的内容包括：推荐处理当前分析任务的专家思维模型；推荐相似业务分析人员常用的专家思维模型；在业务分析人员使用专家思维模型过程中推荐当前专家思维模型处理的其他分析任务。

进一步的，所述流程类思维模型描述流程与步骤，由概念图进行结构化形成。

进一步的，所述规则类思维模型描述各层次的规则、模式或模板，由决策树、表达式或模板形成。

进一步的，所述决策类思维模型为描述决策体系、研判体系或分析思路的多输入多输出逻辑模型，由贝叶斯网络、置信网络或深度神经网络来形成。

进一步的，所述知识类思维模型为专家知识体系、法规政策或条例条令固有知识，采用知识图谱来完成内容固化。

进一步的，所述推荐处理当前分析任务的专家思维模型的具体过程为：

步骤1.1、构建分析任务画像，包括领域业务任务处理对象数据画像构建与任务工作流操作画像的构建；

步骤1.2、对历史分析任务进行聚类处理得到k个类别的历史分析任务；

步骤1.3、计算分析任务与k个类别的历史分析任务的相关度，确定相关度最高的类别i；

步骤1.4、计算类别i中历史分析任务与分析任务的相似度，并按相似度从高到低进行排序，将在处理历史分析任务时使用的专家思维模型按相似度排序形成专家思维模型推荐列表。

进一步的，推荐相似业务分析人员常用的专家思维模型的具体过程包括：

步骤2.1、获取当前业务分析人员进行业务处理关注的专家思维模型；

步骤2.2、根据全体业务分析人员历史行为数据找到与当前业务分析人员具有相似关注内容的业务分析任务集合，构建当前业务分析人员的相似业务分析人员群；

步骤2.3、计算相似业务分析人员群对解决当前任务的各个专家思维模型的关注度，将关注度值最大的专家思维模型推荐给当前业务分析人员。

进一步的，所述步骤2.2包括：根据全体业务人员历史行为数据，构建业务分析人员画像，进行画像相似度计算，进而找到与当前业务分析人员具有相似关注内容业务的分析人员。

进一步的，所述步骤2.3中，关注度通过计算相似任务分析人员在以往执行任务时采用的各类专家思维模型的频度得到。

进一步的，所述在业务分析人员使用专家思维模型过程中推荐当前专家思维模型使用的其他任务场景，具体包括：

步骤3.1、计算当前专家思维模型与其他专家思维模型的相似度；

步骤3.2、按相似度从高到低进行排序，将当前专家思维模型未处理而相似度最高的专家思维模型处理的分析任务推荐至业务分析人员。

与现有技术相比，采用上述技术方案的有益效果为：

1.能够指导和辅助机器在领域业务任务分析过程中快速地学习专家分析和研判流程，提取并固化专家决策经验，构建具备自主分析、研判、决策等能力的领域专家思维模型，极大地提高业务分析效率和准确性。

2.能够支撑完成从领域专家思维体系逻辑构成、映射关系、处理及应用方式等方面构建领域专家知识体系，指导专家思维模型构建和使用落地；利用领域专家知识体系达到各行业领域内的统一认知；利用专家思维模型体系指导和达到领域专家业务分析思维经验的持续迭代更新；

3能够实现面向初级业务分析人员的任务驱动思维模型推荐，为没有太多经验的业务分析人员提供分析处理相关任务的过程推荐、数据推荐、算法推荐，指导业务分析人员完成特定的业务分析任务；

4. 针对长期从事较高难度分析任务的高级业务分析人员，本发明能够发现具有执行相似任务特点的业务分析人员人群，在业务任务分析过程中，可对其存在的个人研判不足进行发现和推荐其他专家的优秀思维模型，以辅助弥补个人在分析研判过程中的缺口，辅助全面提升个人分析研判能力；

5. 通过分析业务分析人员任务特点，可实现对其处理相似任务的推荐，拓展其处理相关任务的分析思路。

附图说明

图1是本发明提出的基于专家思维模型的领域业务辅助分析方法工作原理图。

图2是面向初级业务分析人员的任务驱动思维模型推荐流程图。

图3是面向高级业务分析人员的业务驱动思维模型推荐法流程图。

图4是模型驱动的领域业务任务推荐流程图。

图5基于业务分析人员的协同过滤推荐原理图。

图6基于专家思维模型的协同过滤推荐原理图。

具体实施方式

下面详细描述本申请的实施例，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模块或具有相同或类似功能的模块。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能理解为对本申请的限制。相反，本申请的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

如图1，本实施例从业务领域需求、应用需求和应用场景出发，构建基于专家思维模型的智能辅助分析方法，由思维模型体系、思维模型重构、专家思维模型和思维模型使用组成，支撑完成从领域专家思维体系逻辑构成、映射关系、处理及应用方式方面构建领域专家知识体系，指导专家思维模型构建和使用落地；利用领域专家知识体系达到各行业领域内的统一认知；利用专家思维模型体系指导和达到领域专家业务分析思维经验的持续迭代更新；其中，专家思维模型主要是针对业务领域任务处理、分析、研究过程中，专家的知识经验无法固化的问题，对专家研判规则、专家分析行为模式、专家决策经验等建立的知识模型，是对专家思维过程的总结和提炼。具体方案如下：

如图1所示，一种基于专家思维模型的领域业务辅助分析方法，包括：

步骤1、建立专家思维模型，包括流程类思维模型、规则类思维模型、决策类思维模型以及知识类思维模型；

步骤2、根据不同应用场景，为业务分析人员推荐对应专家思维模型及分析任务，辅助进行业务分析；

其中，所述步骤2中，推荐的内容包括：推荐处理当前分析任务的专家思维模型；推荐相似业务分析人员常用的专家思维模型；在业务分析人员使用专家思维模型过程中推荐当前专家思维模型处理的其他分析任务。

具体的，参照图1，本实施例中的专家思维模型主要以下专家思维体系为指导：

体系第一层：信息、知识获取；

体系第二层：归纳、总结、统计；

体系第三层：分析、推理、演绎；

体系第四层：研判、决策。

基于该体系，采用自底向上方式对业务应用场景中专家业务知识、研判结论、专家行为、目标数据等通过业务流程化、工具智能化、模型分类实现专家思维模型的重构。

进一步的，采用自顶向下方式通过数据库、知识图谱、统计分析、数据挖掘、贝叶斯分析、回归关联分析以及竞争性假设、多元未来预测等方法综合使用，实现专家思维模型在场景自试用和推荐的使用方式。

具体的，专家思维模型主要分为了流程类思维模型、规则类思维模型、决策类思维模型以及知识类思维模型四类。

其中，流程类思维模型，主要包括描述业务分析流程（如问题理解、问题分解、素材查找、素材筛选、指标选择、价值评估）、业务数据操作流程（如查询、浏览、编辑等），本实施例中，采用概念图来结构化表达；

规则类思维模型，主要描述各层次的规则、模式、模板等，在本实施例中，采用决策树、表达式、模板等来表达；

决策类思维模型，述决策体系、研判体系、分析思路等这些多输入、多输出的复杂逻辑模型，在本实施例中，采用贝叶斯网络、置信网络、深度神经网络等各种网络来表达；

知识类思维模型，主要包括专家知识体系、标准规范、法规政策、条例条令等固有知识，用以指导决策的开展，本实施例中，采用知识图谱技术来完成内容固化形成模型。

在本实施例中，针对不同类型领域专家思维过程采用不同方法进行固化表示，其中归纳类的思维过程主要通过统计、归纳、总结等方法完成；分析类的思维过程由不同分析对象、按照一定的分析维度，建立分析方法来完成；研判类的思维过程则需要针对研判目的、设定研判依据，按研判流程得到研判结论；决策类思维过程则围绕决策任务、基于决策资源、依据决策体系或构建决策模型，生成决策建议。

基于前述方式建立的专家思维模型，针对不同的应用场景能为业务分析人员推荐专家思维模型的使用，具体主要包括以下三种场景：

①面向初级业务分析人员的任务驱动思维模型推荐，负责向没有太多经验的业务分析人员或处理某种新任务的业务分析人员推荐一套或多套处理当前任务的专家思维模型，以指导业务分析人员完成任务；

②面向高级业务分析人员的业务驱动思维模型推荐，负责向长期从事领域高难度业务分析的高级业务分析人员推荐相似业务分析人员常用的专家思维模型，辅助业务分析人员提高任务处理经验，提升业务分析人员工作处理技能水平；

③模型驱动的领域业务任务推荐，负责向业务分析人员推荐其长期使用思维模型的其他任务场景，使业务分析人员更了解专家思维模型的泛化能力，拓展其处理相关任务分析思路。具体应用时，针对具体的问题，从专家思维模型成果库中选取不同层次的模型成果进行支撑。具体的，如图2所示，面向初级业务分析人员的任务驱动专家思维模型推荐包括：

步骤1.1、分析任务画像的构建

①领域业务任务处理对象数据画像构建

在构建数据画像时，针对不同数据类型采用不同的方式进行，任务处理对象数据画像分为文本类数据的画像和数值类数据的画像，具体的：

针对文本类数据：对于一些业务分析任务，其主要信息为文本的场景，直接对非结构化的文本数据构建画像极为困难，因此需要对这类文本采用相应的技术处理，以便更好地展开任务。本实施例中，主要包括文本预处理、分词及词性标注、特征词筛选、停用词去除、文本特征表示、特征词权值计算等操作。

针对数值类数据：在对实时数值类数据进行分析及趋势走向预测时，处理的数据是数值类。对这类任务的数据进行画像，有别于文本类数据，本实施例中，处理过程包括数值补全、数值去重、压缩表示及分布表示的构建。

②任务工作流操作画像构建

在Petri网的基础上，定义出顺序、并行、选择以及循环等常见的任务操作过程逻辑，通过结构化的组件来构建指定操作画像，主要包括包含构建组件：顺序组件、并行组件、选择组件、循环组件。

步骤1.2业务分析任务场景匹配及专家思维模型推荐

①任务聚类

由于每个候选任务（或者说当前待处理的分析任务）均与每个历史分析任务采用相似度算法计算相似度，因此该计算方法的时间复杂度为，其中m是所有候选任务，n是所有历史分析任务，这在历史分析任务数很大时非常耗时。

事实上，很多候选任务与历史分析任务相互之间并没有相似性，如果直接进行候选任务和历史分析任务的相似度计算将很多时间浪费在了计算无关任务的相似度上。因此，在本实施例中提升计算效率，先对所有的历史分析任务进行聚类处理，形成k个类别的历史分析任务；在本实施例中，主要采用K-means聚类算法或Kfk-means聚类算法。

②相似度计算

在对业务分析人员进行分类时，此时，收到一个新的候选任务，直接计算候选任务与k个类别的历史分析任务的相关度，确定一个相关度最高的类别i，再一一计算该候选任务与类别i包含的历史分析任务之间的相似度，从而降低了计算复杂度，提升了算法效率；

根据计算的相似度从高到低进行排序，将在处理历史分析任务时使用的专家思维模型按相似度排序形成专家思维模型推荐列表，并将此列表推荐给完全没有经验的初级业务分析人员，用以指导其快速掌握专家模型的使用以及加快对任务的完成效率。在本实施例中，使用余弦距离、戴斯系数、Jaro距离等相似度度量方法计算任务场景描述信息画像以及任务的指定操作的相似度。

如图3所示，面向高级业务分析人员的业务驱动思维模型推荐包括：

步骤2.1、获取当前业务分析人员进行业务处理关注的专家思维模型；在本实施例中，通过四种特征曲线：规则模板，知识类，算法类以及流程类描述业务分析人员处理业务的关注专家思维模型；

步骤2.2、根据全体业务分析人员历史行为数据找到与当前业务分析人员具有相似关注内容的业务分析任务集合，构建当前业务分析人员的相似业务分析人员群；

步骤2.3、计算相似业务分析人员群对解决此类分析任务的各个专家思维模型的关注度，将关注度值最大的专家思维模型推荐给当前业务分析人员。

在本实施例中，根据全体业务人员历史行为数据，构建业务分析人员画像，进行画像相似度计算，进而找到与当前业务分析人员具有相似关注内容业务的分析人员；其中通过余弦相似度、欧式距离、皮尔逊相关系数以衡量相似度。

所述步骤2.3中，关注度通过计算相似任务分析人员在以往执行任务时采用的各类专家思维模型的频度得到。

进一步的，如图4、图6所示，模型驱动的业务分析任务推荐，主要是在业务分析人员使用专家思维模型过程中推荐当前专家思维模型使用的其他任务场景，通常业务分析人员在使用专家思维模型过程中，相似的专家思维模型可能会处理不同的任务，某使用该专家思维模型的业务分析人员如果只处理过A任务，系统也可向其推荐处理B任务，使业务分析人员更了解专家思维模型的泛化能力，拓展其处理任务的思路。

基于专家思维模型的协同过滤原理上与基于业务分析人员的方法相似，区别在于利用的是预测业务分析人员对专家思维模型是否感兴趣时，用到的是专家思维模型与专家思维模型间的相关性，而不是业务分析人员与业务分析人员间的相关性。具体包括以下过程：

步骤3.1、以余弦相似度、欧式距离、皮尔逊相关系数计算当前专家思维模型与其他专家思维模型的相似度，构建相似专家思维模型集合；

步骤3.2、按相似度从高到低进行排序，将当前专家思维模型未处理而相似度最高的专家思维模型处理的分析任务推荐至业务分析人员，使业务分析人员更了解专家思维模型的泛化能力，拓展其处理相关业务分析任务的思路。

例如，专家思维模型A和专家思维模型B分别被用来处理任务1，2，3和任务1，2，3，4.而专家思维模型C被用来处理了任务1，4，5。可以得知专家思维模型A和B同时被用于相似的任务中，由此可以简单的把专家思维模型A和专家思维模型B归类为高度相似的模型，即几乎所有由专家思维模型A处理的任务都可能被用专家思维模型B来处理。因此，可以将任务4交由经常使用模型A的业务分析人员来处理。

在上述过程中，通过构建相似业务分析人员人群以进行专家思维模型的推荐，如图5所示，采用了协同过滤推荐算法；协同过滤推荐用到了基于邻域的思想，利用全体业务分析人员中与目标业务分析人员具有相同或相似关注内容的业务分析人员对专家思维模型的使用行为来预测目标业务分析人员对这些专家思维模型的关注度，最后以预测的关注度大小来判定是否向目标业务分析人员推荐某个专家思维模型；本发明通过分析业务分析人员对专家思维模型的使用、查看、评论或打分等行为以及模型的特征曲线（规则模板，知识类，算法类和流程类的数据特征），向目标业务分析人员推荐与其具有相似关注内容的业务分析人员产生了行为但自己还没有关注的专家思维模型。

基于专家思维模型的协同过滤算法，需要考虑业务分析人员活跃度对专家思维模型相似度的影响。假设一个业务分析人员使用了专家思维模型集中的90%的思维模型，借鉴基于ICF（基于物品的协同过滤）算法思想，意味着会存在一个业务分析人员，与这被使用的90%的专家思维模型产生相似度。而这个使用了90%的思维模型的业务分析人员虽然活跃，但是并非出于自身需要或者自己的倾向，因此会对专家思维模型相似度产生影响。因此在本实施例中，通过采用业务分析人员活跃度对数的倒数的参数来修正专家思维模型相似度的计算公式：

其中，w_ij是专家思维模型i和j的相似度，N(i)表示常用专家思维模型i的业务人员 数量，N(j)表示常用专家思维模型j的业务人员数量，改进的方法是将w_ij的分母由

改 为了

，降低专家思维模型j的权重。

上述公式对活跃业务分析人员做了软性惩罚，权重为

，其中

为业务人员使用过或评价过的专家思维模型数量，即业务人员活跃度，但对于很多过于活 跃的业务分析人员，为了避免相似度矩阵过于稠密，在实际计算过程中一般直接忽略他的 关注列表，不将其纳入到相似度计算的数据集中。

由此，本发明提出的一种基于专家思维模型的领域业务辅助分析方法，可以指导实现通过人工智能、机器学习、深度学习、迁移学习等技术方法，进行智能辅助业务分析，可以快速地学习专家分析和研判流程，提取并固化专家决策经验，将极大地提高业务分析效率和准确性。

需要说明的是，在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接连接，也可以通过中间媒介间接连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义；实施例中的附图用以对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于专家思维模型的领域业务辅助分析方法，其特征在于，包括：

步骤1、建立专家思维模型，包括流程类思维模型、规则类思维模型、决策类思维模型以及知识类思维模型；

步骤2、根据不同应用场景，为业务分析人员推荐对应专家思维模型及分析任务，辅助进行业务分析；

其中，所述步骤2中，推荐的内容包括：推荐处理当前分析任务的专家思维模型；推荐相似业务分析人员常用的专家思维模型；在业务分析人员使用专家思维模型过程中推荐当前专家思维模型处理的其他分析任务。

2.根据权利要求1所述的基于专家思维模型的领域业务辅助分析方法，其特征在于，所述流程类思维模型描述流程与步骤，由概念图进行结构化形成。

3.根据权利要求1或2所述的基于专家思维模型的领域业务辅助分析方法，其特征在于，所述规则类思维模型描述各层次的规则、模式或模板，由决策树、表达式或模板形成。

4.根据权利要求3所述的基于专家思维模型的领域业务辅助分析方法，其特征在于，所述决策类思维模型为描述决策体系、研判体系或分析思路的多输入多输出逻辑模型，由贝叶斯网络、置信网络或深度神经网络形成。

5.根据权利要求4所述的基于专家思维模型的领域业务辅助分析方法，其特征在于，所述知识类思维模型为专家知识体系、法规政策或条例条令固有知识，采用知识图谱来完成内容固化。

6.根据权利要求1所述的基于专家思维模型的领域业务辅助分析方法，其特征在于，所述推荐处理当前分析任务的专家思维模型的具体过程为：

步骤1.1、构建分析任务画像，包括领域业务任务处理对象数据画像构建与任务工作流操作画像的构建；

步骤1.2、对历史分析任务进行聚类处理得到k个类别的历史分析任务；

步骤1.3、计算分析任务与k个类别的历史分析任务的相关度，确定相关度最高的类别i；

步骤1.4、计算类别i中历史分析任务与分析任务的相似度，并按相似度从高到低进行排序，将在处理历史分析任务时使用的专家思维模型按相似度排序形成专家思维模型推荐列表。

7.根据权利要求1所述的基于专家思维模型的领域业务辅助分析方法，其特征在于，推荐相似业务分析人员常用的专家思维模型的具体过程包括：

步骤2.1、获取当前业务分析人员进行业务处理关注的专家思维模型；

步骤2.2、根据全体业务分析人员历史行为数据找到与当前业务分析人员具有相似关注内容的业务分析任务集合，构建当前业务分析人员的相似业务分析人员群；

步骤2.3、计算相似业务分析人员群对解决当前任务的各个专家思维模型的关注度，将关注度值最大的专家思维模型推荐给当前业务分析人员。

8.根据权利要求7所述的基于专家思维模型的领域业务辅助分析方法，其特征在于，所述步骤2.2包括：根据全体业务人员历史行为数据，构建业务分析人员画像，进行画像相似度计算，进而找到与当前业务分析人员具有相似关注内容业务的分析人员。

9.根据权利要求8所述的基于专家思维模型的领域业务辅助分析方法，其特征在于，所述步骤2.3中，关注度通过计算相似任务分析人员在以往执行任务时采用的各类专家思维模型的频度得到。

10.根据权利要求1所述的基于专家思维模型的领域业务辅助分析方法，其特征在于，所述在业务分析人员使用专家思维模型过程中推荐当前专家思维模型使用的其他任务场景，具体包括：

步骤3.1、计算当前专家思维模型与其他专家思维模型的相似度；

步骤3.2、按相似度从高到低进行排序，将当前专家思维模型未处理而相似度最高的专家思维模型处理的分析任务推荐至业务分析人员。

Images