CN116048463A - 基于标签管理的需求项内容智能推荐方法及装置 - Google Patents

基于标签管理的需求项内容智能推荐方法及装置 Download PDF

Info

Publication number
CN116048463A
CN116048463A CN202310097784.3A CN202310097784A CN116048463A CN 116048463 A CN116048463 A CN 116048463A CN 202310097784 A CN202310097784 A CN 202310097784A CN 116048463 A CN116048463 A CN 116048463A
Authority
CN
China
Prior art keywords
tag
label
target
content
classification model
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
CN202310097784.3A
Other languages
English (en)
Inventor
姜子玉
叶齐娇
石忠德
彭基羿
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202310097784.3A priority Critical patent/CN116048463A/zh
Publication of CN116048463A publication Critical patent/CN116048463A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/10—Requirements analysis; Specification techniques
    • 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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F8/00—Arrangements for software engineering
    • G06F8/70—Software maintenance or management
    • G06F8/73—Program documentation

Abstract

本公开提供了一种基于标签管理的需求项内容智能推荐方法，涉及人工智能技术领域，可以应用于金融技术领域。该方法包括：获取用户编写的需求项内容以及所述需求项内容所属的系统标识信息；根据所述系统标识信息确定标签分类模型参数；将所述需求项内容输入所述标签分类模型中，根据所述标签分类模型参数输出所述需求项内容的第一目标标签；以及根据所述第一目标标签推荐目标需求项内容。本公开还提供了一种基于标签管理的需求项内容智能推荐装置、设备、存储介质和程序产品。

Description

基于标签管理的需求项内容智能推荐方法及装置
技术领域
本公开涉及人工智能技术领域，具体涉及智能推荐技术领域，更具体地涉及一种基于标签管理的需求项内容智能推荐方法、装置、设备、存储介质和程序产品。
背景技术
随着数字化和自动化的发展，软件系统从开发到设计逐渐过渡为敏捷迭代的模式在软件研发过程中，需求文档的快速而准确性就成了软件开发的基本要求。需求项作为最小的投产单元，在对其进行需求编写的过程中就必须体现关键的需求要素和准确的描述定位。
相关技术中，进行需求编写的过程中常常会用到通用的功能描述，若是在每次撰写需求的过程中都对统一类型的通用功能进行描述，不仅会造成时间的浪费，还会因撰写人的经验限制而使得描述的准确性有所偏差，因此，基于需求编写过程中的智能分析推荐就显得尤为重要。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
鉴于上述问题，本公开提供了一种提高需求编写效率的基于标签管理的需求项内容智能推荐方法、装置、设备、存储介质和程序产品。
根据本公开的第一个方面，提供了一种基于标签管理的需求项内容智能推荐方法，所述方法包括：
获取用户编写的需求项内容以及所述需求项内容所属的系统标识信息；
根据所述系统标识信息确定标签分类模型参数；
将所述需求项内容输入所述标签分类模型中，根据所述标签分类模型参数输出所述需求项内容的第一目标标签；以及
根据所述第一目标标签推荐目标需求项内容。
根据本公开的实施例，所述标签分类模型包括权重计算模型和向量计算模型，所述将所述需求项内容输入所述标签分类模型中，根据所述标签分类模型参数输出所述需求项内容的第一目标标签包括：
使用自然语言处理工具对所述需求项内容进行关键词提取，以确定所述需求项内容的关键词，其中，所述关键词包括关键名词和关键动词；
将所述关键名词和所述关键动词输入所述权重计算模型和所述向量计算模型，以确定所述关键名词和所述关键动词的第一权重参数和第二权重参数，其中，所述第一权重参数用于表征标签匹配命中率，所述第二权重参数用于表征标签库类别的匹配命中率；
根据所述关键词、所述标签分类模型参数、所述第一权重参数和所述第二权重参数确定所述需求项内容的第一目标标签和标签库类型。
根据本公开的实施例，所述标签分类模型参数包括第一模型参数和第二模型参数，所述根据所述关键词、所述标签分类模型参数、所述第一权重参数和所述第二权重参数确定所述需求项内容的第一目标标签和标签库类型包括：
确定所述第一权重参数大于所述第一模型参数的关键词作为第一目标标签；
根据所述第二权重参数和第二模型参数确定所述第一目标标签的标签库类型。
根据本公开的实施例，所述根据所述第一目标标签推荐目标需求项内容包括：
根据所述第一目标标签的标签库类型在预先建立的标签库中匹配与所述第一目标标签相同的第二目标标签；
获取所述第二目标标签的存量需求项；以及
将所述存量需求项的内容推荐给用户。
根据本公开的实施例，所述根据所述系统标识信息确定标签分类模型参数包括：
根据所述系统标识信息确定系统类型；
根据所述系统类型和映射关系确定所述系统类型对应的标签分类模型参数，其中所述映射关系用于表征系统类型和标签分类模型参数的对应关系。
根据本公开的实施例，所述标签分类模型参数是预先训练得到的。
本公开的第二方面提供了一种基于标签管理的需求项内容智能推荐装置，所述装置包括：
获取模块，用于获取用户编写的需求项内容以及所述需求项内容所属的系统标识信息；
参数确定模块，用于根据所述系统标识信息确定标签分类模型参数；
标签匹配模块，用于将所述需求项内容输入所述标签分类模型中，根据所述标签分类模型参数输出所述需求项内容的第一目标标签；以及
推荐模块，用于根据所述第一目标标签推荐目标需求项内容。
根据本公开的实施例，所述标签分类模型包括权重计算模型和向量计算模型，所述标签匹配模块包括：关键词提取子模块、第一确定子模块和第二确定子模块。
关键词提取子模块，用于使用自然语言处理工具对所述需求项内容进行关键词提取，以确定所述需求项内容的关键词，其中，所述关键词包括关键名词和关键动词；
第一确定子模块，用于将所述关键名词和所述关键动词输入所述权重计算模型和所述向量计算模型，以确定所述关键名词和所述关键动词的第一权重参数和第二权重参数，其中，所述第一权重参数用于表征标签匹配命中率，所述第二权重参数用于表征标签库类别的匹配命中率；
第二确定子模块，用于根据所述关键词、所述标签分类模型参数、所述第一权重参数和所述第二权重参数确定所述需求项内容的第一目标标签和标签库类型。
根据本公开的实施例，所述第二确定子模块包括第一确定单元和第二确定单元。
第一确定单元，用于确定所述第一权重参数大于所述第一模型参数的关键词作为第一目标标签；
第二确定单元，用于根据所述第二权重参数和第二模型参数确定所述第一目标标签的标签库类型。
根据本公开的实施例，所述推荐模块包括：匹配子模块、获取子模块和推荐子模块。
匹配子模块，用于根据所述第一目标标签的标签库类型在预先建立的标签库中匹配与所述第一目标标签相同的第二目标标签；
获取子模块，用于获取所述第二目标标签的存量需求项；以及
推荐子模块，用于将所述存量需求项的内容推荐给用户。
根据本公开的实施例，所述参数确定模块包括：第三确定子模块和第四确定子模块。
第三确定子模块，用于根据所述系统标识信息确定系统类型；
第四确定子模块，用于根据所述系统类型和映射关系确定所述系统类型对应的标签分类模型参数，其中所述映射关系用于表征系统类型和标签分类模型参数的对应关系。
本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述基于标签管理的需求项内容智能推荐方法。
本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述基于标签管理的需求项内容智能推荐方法。
本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述基于标签管理的需求项内容智能推荐方法。
通过本公开的实施例提供的一种基于标签管理的需求项内容智能推荐方法，在用户编写需求项内容的过程中，获取用户编写的需求项内容，提取需求项的关键词输入标签分类模型确定需求项的第一目标标签，根据第一目标标签在标签库匹配对应的需求项内容推荐给用户，能够极大地提升需求设计和撰写的速度和质量。在提升需求编写的条理性和准确性的同时，也提升了业务人员的工作体验，让需求编写环节可以更高效更准确更轻松地展开，并有助于需求分类归档。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述内容以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的基于标签管理的需求项内容智能推荐方法、装置、设备、存储介质和程序产品的应用场景图；
图2示意性示出了根据本公开实施例提供的基于标签管理的需求项内容智能推荐装置的系统架构图；
图3示意性示出了根据本公开实施例提供的一种基于标签管理的需求项内容智能推荐方法的流程图；
图4a示意性示出了根据本公开实施例提供的第一目标标签的确定方法的流程图之一；
图4b示意性示出了根据本公开实施例提供的第一目标标签的确定方法的流程图之二；
图5示意性示出了根据本公开实施例提供的根据所述第一目标标签推荐目标需求项内容的方法的流程图；
图6示意性示出了根据本公开实施例提供的标签分类模型参数的训练过程示意图；
图7示意性示出了根据本公开实施例的一种基于标签管理的需求项内容智能推荐装置的结构框图；以及
图8示意性示出了根据本公开实施例的适于实现基于标签管理的需求项内容智能推荐方法的电子设备的方框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在需求编写的过程中常会用到通用的功能描述，若是在每次撰写需求的过程中都对统一类型的通用功能进行描述，不仅会造成时间的浪费，还会因撰写人的经验限制而使得描述的准确性有所偏差。以用户登录界面为例进行说明，许多应用程序和功能都需要用户登录这一项必不可少的操作。用户登录的业务界面操作大同小异，基本都需要输入“用户名”、“密码”、“验证码”类型的内容，并在点击登录按钮时进行校验。假设三个业务团队所涉及的功能都有登录界面，那么他们所撰写的需求文档中都将有对“登录”这一操作描述“用户名”、“密码”、“验证码”的章节。如果三个团队隶属于同一家公司，三份独立撰写的需求文档很达成统一的标准化描述，原本是同一个功能却可能有很多种描述，这会导致在开发阶段的反复需求澄清甚至返工，延误工作进度。
基于上述技术问题，本公开的实施例提供了一种基于标签管理的需求项内容智能推荐方法，所述方法包括：获取用户编写的需求项内容以及所述需求项内容所属的系统标识信息；根据所述系统标识信息确定标签分类模型参数；将所述需求项内容输入所述标签分类模型中，根据所述标签分类模型参数输出所述需求项内容的第一目标标签；根据所述第一目标标签推荐目标需求项内容。
图1示意性示出了根据本公开实施例的基于标签管理的需求项内容智能推荐方法、装置、设备、存储介质和程序产品的应用场景图。
图2示意性示出了根据本公开实施例提供的基于标签管理的需求项内容智能推荐装置的系统架构图。
如图1所示，根据该实施例的应用场景100可以包括需求项内容智能推荐场景。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是需求项智能推荐服务器，该服务器中基于用户编写的需求项内容，调用NLP处理工具提取需求项内容的关键词，进行权重向量匹配，匹配标签库的目标标签，向用户推荐目标标签对应的存量需求项。
需要说明的是，本公开实施例所提供的基于标签管理的需求项内容智能推荐方法一般可以由服务器105执行。相应地，本公开实施例所提供的基于标签管理的需求项内容智能推荐装置一般可以设置于服务器105中。本公开实施例所提供的基于标签管理的需求项内容智能推荐方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的基于标签管理的需求项内容智能推荐装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
需要说明的是，本公开实施例确定的基于标签管理的需求项内容智能推荐方法和装置可用于人工智能技术领域，也可用于金融技术领域，还可用于除金融领域之外的任意领域，本公开实施例确定的基于标签管理的需求项内容智能推荐方法和装置的应用领域不做限定。
如图2所示，本公开实施例提供的基于标签管理的需求项内容智能推荐装置包括NLP处理工具、标签分类模型和标签库，用户将编写的需求项内容作为输入文本输入NLP处理工具，提取需求项的关键词，将关键词输入标签分类模型进行权重向量匹配，确定需求项的第一目标标签，将第一目标标签在标签库中进行匹配以确定第二目标标签，获取第二目标标签对应的需求项内容，推荐给用户，有利于提示需求编写的规范和需求项相关内容的分类归档，提升用户的工作效率和需求描述准确性。
以下将基于图1描述的场景和图2所述的系统架构，通过图3～图6对本公开实施例的基于标签管理的需求项内容智能推荐方法进行详细描述。
图3示意性示出了根据本公开实施例提供的一种基于标签管理的需求项内容智能推荐方法的流程图。如图3所示，该实施例的基于标签管理的需求项内容智能推荐方法包括操作S210～操作S240，该方法可以由服务器或其他计算设备执行。
在操作S210，获取用户编写的需求项内容以及所述需求项内容所属的系统标识信息。
在操作S220，根据所述系统标识信息确定标签分类模型参数。
在操作S230，将所述需求项内容输入所述标签分类模型中，根据所述标签分类模型参数输出所述需求项内容的第一目标标签。
在操作S240，根据所述第一目标标签推荐目标需求项内容。
一个示例中，标签分类模型为预先训练好的机器算法，不同业务需求系统对应的标签分类模型参数不同。根据业务撰写需求的实际需要，需求项作为投产单元承载着开发目标和需求详述的关键信息要素。为实现需求分类管理、科技协同规划，将以需求项为维度进行标签分类的划分，为需求项的业务方案、技术方案准确定位提供了条件。在此场景下，标签库应运而生，将需求标签可划分为：业务属性类标签库、技术属性类标签库、架构属性类标签库，实现标签类别分明、定位准确的完整体系。同时支持自定义标签这一特殊类别，便于随业务增长的需要，逐步更新标签库。
一个示例中，需求项标签可以从需求项名称、详细描述、科技类别、任务、步骤、规则等几个方面进行关键词提取，并将关键词信息作为该需求项的特性“标签匹配值的钥匙”(在本文中后续使用“LabelKey”来代表)进行存储。目前较为成熟的技术是自然语言处理(NLP)，可以将需求项中的文本内容进行提取、训练和处理，实现文本语义对比、词组分类和关键词提取。具体的，在根据系统标识信息确定系统类型后，确定标签分类模型的参数，通过NLP技术对用户编写的需求项文本进行处理，提取出相应的关键词，输入标签分类模型中，计算每个关键词与标签库中的标准标签的匹配度，根据标签分类模型参数输出第一目标标签。在标签库匹配与第一目标标签相同的标签，获取该标签的需求项内容推荐给用户，供用户参考，提高用户的需求项内容的编写效率。
通过本公开的实施例提供的一种基于标签管理的需求项内容智能推荐方法，在用户编写需求项内容的过程中，获取用户编写的需求项内容，提取需求项的关键词输入标签分类模型确定需求项的第一目标标签，根据第一目标标签在标签库匹配对应的需求项内容推荐给用户，能够极大地提升需求设计和撰写的速度和质量。在提升需求编写的条理性和准确性的同时，也提升了业务人员的工作体验，让需求编写环节可以更高效更准确更轻松地展开，并有助于需求分类归档。
下面将通过图4a和图4b介绍本公开实施例中第一目标标签的匹配过程。图4a示意性示出了根据本公开实施例提供的第一目标标签的确定方法的流程图之一。图4b示意性示出了根据本公开实施例提供的第一目标标签的确定方法的流程图之二。如图4a所示，操作S230包括操作S231～操作S233。
在操作S231，使用自然语言处理工具对所述需求项内容进行关键词提取，以确定所述需求项内容的关键词。
根据本公开的实施例，所述关键词包括关键名词和关键动词。
在操作S232，将所述关键名词和所述关键动词输入所述权重计算模型和所述向量计算模型，以确定所述关键名词和所述关键动词的第一权重参数和第二权重参数。
根据本公开的实施例，所述第一权重参数用于表征标签匹配命中率，所述第二权重参数用于表征标签库类别的匹配命中率。
在操作S233，根据所述关键词、所述标签分类模型参数、所述第一权重参数和所述第二权重参数确定所述需求项内容的第一目标标签和标签库类型。
根据本公开的实施例，所述标签分类模型参数包括第一模型参数和第二模型参数。
如图4b所示，操作S233包括操作S2331和操作S2332。
在操作S2331，确定所述第一权重参数大于所述第一模型参数的关键词作为第一目标标签。
在操作S2332，根据所述第二权重参数和第二模型参数确定所述第一目标标签的标签库类型。
一个示例中，需求项打标签的过程是，业务人员首先将需求项内容撰写完成，再使用内嵌的NLP处理工具进行全文扫描，提取出全部的LabelKey。对其进行词组分类后将LabelKey信息作为入参信息传送至标签分类模型中进行权重和相量的计算，使其最终指向标签词库中某一个或某几个最为匹配的标签词汇，将其作为需求项的最终标签。
一个示例中，使用NLP分析工具将需求项内容获取出来作为输入文本，经过语义分析和匹配算法，抽取其中的关键名词和关键动词，获取到任务计算事务中。将抽取的i个LabelKey：K0，K1，K2，...，Ki-1作为输入“参数0”S0，经过权重模型计算输出加权的“参数1”S1＝α0K0，α1K1，α2K2，...，αi-1Ki-1，其中α0 α1 α2分别为各个关键词的第一权重参数，第一权重参数表征当前关键词与标签的匹配命中率，值越大越准确。再经过向量模型进行向量计算，得出向量集合
Figure BDA0004072279080000111
该向量集合表征每个关键词与标签库类型的趋向性。
Figure BDA0004072279080000112
Figure BDA0004072279080000113
Figure BDA0004072279080000114
其中
Figure BDA0004072279080000115
代表指向各类标签库Vi的向量，γ为第二权重参数，表征标签库类型的匹配命中率。最终需求项所匹配到的n个标签即为α不低于第一模型参数xα和Y不低于标第二模型参数xγ的标签库中所匹配到的标签Litem＝V0a0K0，V1a1K1，...，Vi-1ai-1Ki-1(α≥xα，γ≥xγ)。
一个示例中，以用户登录界面为例进行说明，假设上文中提到的用户登录需求文档经过自然语言处理工具之后获取的LabelKey为：“公司名、手机”、“用户名”、“密码”、“验证码”、“登录”六个关键词，将这五个关键词作为输入参数传送至本文模型中，经过权重计算后得到参数1“0*公司名，0.2*手机，0.5*用户名，0.99*密码，0.8*验证码，0.6*登录”。参数1代表了业务人员撰写的需求文档中所提取LabelKey在整个标签库中的命中率，完全命中为1，完全没有命中为0。参数1可以直观地看出“公司名”并不是一个标签库中的标签词汇，便可将其剔除；而“密码”命中率高达0.99，说明其很大程度上是一个准确的标签。假设本模型设有三个类别的标签库“业务属性类标签库V0”、“技术属性类标签库V1”、“架构属性类标签库V2”。再经过计算得到参数2“(0.9V0，0.01V1，0V2)*0.2*手机，(0.4V0，0V1，0.85V2)*0.5*用户名，(0.1V0，0.99V1，0V2)*0.99*密码，(0.2V0，0.97V1，0.1V2)*0.8*验证码，(0.65V0，0.01V1，0.76V2)*0.6*登录”。参数2可以直观地看出当前计算出的标签最为匹配在哪类标签库中。假设选取α≥0.5且γ≥0.6的LabelKey进行保留，即“用户名”在V2、“密码”在V1、“验证码”在V1、“登录”在V0和V2中的标签信息。这四个关键词所对应的各标签库中准确标签为“用户账号、登录密码、短信验证码、登录操作、登录校验”五个标签作为需求项的最终标签。
图5示意性示出了根据本公开实施例提供的根据所述第一目标标签推荐目标需求项内容的方法的流程图。如图5所示，操作S240包括操作S241～操作S243。
在操作S241，根据所述第一目标标签的标签库类型在预先建立的标签库中匹配与所述第一目标标签相同的第二目标标签。在操作S242，获取所述第二目标标签的存量需求项。在操作S243，将所述存量需求项的内容推荐给用户。
一个示例中，在确定需求项的第一目标标签后，在标签库中匹配与第一目标标签相同的第二目标标签，从而确定第二目标标签的存量需求项，该存量需求项内容大概率与用户正在编写的需求项内容相同或相似，将该存量需求项推荐给用户，供用户参考，规范需求项内容编写标准的同时提高用户编写需求项内容的效率。
下面将结合图6对本公开实施例提供的标签分类模型参数的训练过程进行介绍。图6示意性示出了根据本公开实施例提供的标签分类模型参数的训练过程示意图。
如图6所示，设S＝A0，A1，...，An-1为人工决策为需求项打的标签，与本公开实施例提供的标签分类模型产生的标签进行比对校准，通过不断调整第一模型参数和第二模型参数的取值来判断分析标签分类模型的标签准确度，通过输入大量的任务集[S0，S1，...，Sn-1]训练出最合适、匹配度最高的第一模型参数和第二模型参数，即上述实施例中为选取第一目标标签而设置的α和γ最准确的取值。经过实践发现，不同的业务系统对应的标签分类模型参数取值不同，例如研发系统对应的第一模型参数和第二模型参数取值偏小，产品系统对应的第一模型参数和第二模型参数取值偏大，为了提升不同系统对本公开实施例中推荐模型的适应性，定制适用于不同系统特定的第一模型参数和第二模型参数，预先保存系统类型和标签分类模型参数的对应关系，在使用的过程中，根据系统的类型调整标签分类模型参数，使得分类结果的准确率更加稳定。
根据本公开的实施例，根据所述系统标识信息确定系统类型；根据所述系统类型和映射关系确定所述系统类型对应的标签分类模型参数，其中所述映射关系用于表征系统类型和标签分类模型参数的对应关系。
基于上述基于标签管理的需求项内容智能推荐方法，本公开还提供了一种基于标签管理的需求项内容智能推荐装置。以下将结合图7对该装置进行详细描述。
图7示意性示出了根据本公开实施例的一种基于标签管理的需求项内容智能推荐装置的结构框图。
如图7所示，该实施例的基于标签管理的需求项内容智能推荐装置700包括获取模块710、参数确定模块720、标签匹配模块730和推荐模块740。
获取模块710用于获取用户编写的需求项内容以及所述需求项内容所属的系统标识信息。在一实施例中，获取模块710可以用于执行前文描述的操作S210，在此不再赘述。
参数确定模块720用于根据所述系统标识信息确定标签分类模型参数。在一实施例中，参数确定模块720可以用于执行前文描述的操作S220，在此不再赘述。
标签匹配模块730用于将所述需求项内容输入所述标签分类模型中，根据所述标签分类模型参数输出所述需求项内容的第一目标标签。在一实施例中，标签匹配模块730可以用于执行前文描述的操作S230，在此不再赘述。
推荐模块740用于根据所述第一目标标签推荐目标需求项内容。在一实施例中，推荐模块740可以用于执行前文描述的操作S240，在此不再赘述。
根据本公开的实施例，所述标签匹配模块730包括：关键词提取子模块、第一确定子模块和第二确定子模块。
关键词提取子模块，用于使用自然语言处理工具对所述需求项内容进行关键词提取，以确定所述需求项内容的关键词，其中，所述关键词包括关键名词和关键动词。在一实施例中，关键词提取子模块可以用于执行前文描述的操作S231，在此不再赘述。
第一确定子模块，用于将所述关键名词和所述关键动词输入所述权重计算模型和所述向量计算模型，以确定所述关键名词和所述关键动词的第一权重参数和第二权重参数，其中，所述第一权重参数用于表征标签匹配命中率，所述第二权重参数用于表征标签库类别的匹配命中率。在一实施例中，第一确定子模块可以用于执行前文描述的操作S232，在此不再赘述。
第二确定子模块，用于根据所述关键词、所述标签分类模型参数、所述第一权重参数和所述第二权重参数确定所述需求项内容的第一目标标签和标签库类型。在一实施例中，第二确定子模块可以用于执行前文描述的操作S233，在此不再赘述。
根据本公开的实施例，所述第二确定子模块包括第一确定单元和第二确定单元。
第一确定单元，用于确定所述第一权重参数大于所述第一模型参数的关键词作为第一目标标签。在一实施例中，第一确定单元可以用于执行前文描述的操作S2331，在此不再赘述。
第二确定单元，用于根据所述第二权重参数和第二模型参数确定所述第一目标标签的标签库类型。在一实施例中，第二确定单元可以用于执行前文描述的操作S2332，在此不再赘述。
根据本公开的实施例，所述推荐模块包括：匹配子模块、获取子模块和推荐子模块。
匹配子模块，用于根据所述第一目标标签的标签库类型在预先建立的标签库中匹配与所述第一目标标签相同的第二目标标签。在一实施例中，匹配子模块可以用于执行前文描述的操作S241，在此不再赘述。
获取子模块，用于获取所述第二目标标签的存量需求项。在一实施例中，获取子模块可以用于执行前文描述的操作S242，在此不再赘述。
推荐子模块，用于将所述存量需求项的内容推荐给用户。在一实施例中，推荐子模块可以用于执行前文描述的操作S243，在此不再赘述。
根据本公开的实施例，获取模块710、参数确定模块720、标签匹配模块730和推荐模块740中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块710、参数确定模块720、标签匹配模块730和推荐模块740中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块710、参数确定模块720、标签匹配模块730和推荐模块740中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图8示意性示出了根据本公开实施例的适于实现基于标签管理的需求项内容智能推荐方法的电子设备的方框图。
如图8所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的基于标签管理的需求项内容智能推荐方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的基于标签管理的需求项内容智能推荐方法。
在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (10)

1.一种基于标签管理的需求项内容智能推荐方法，其特征在于，所述方法包括：
获取用户编写的需求项内容以及所述需求项内容所属的系统标识信息；
根据所述系统标识信息确定标签分类模型参数；
将所述需求项内容输入所述标签分类模型中，根据所述标签分类模型参数输出所述需求项内容的第一目标标签；以及
根据所述第一目标标签推荐目标需求项内容。
2.根据权利要求1所述的方法，其特征在于，所述标签分类模型包括权重计算模型和向量计算模型，所述将所述需求项内容输入所述标签分类模型中，根据所述标签分类模型参数输出所述需求项内容的第一目标标签包括：
使用自然语言处理工具对所述需求项内容进行关键词提取，以确定所述需求项内容的关键词，其中，所述关键词包括关键名词和关键动词；
将所述关键名词和所述关键动词输入所述权重计算模型和所述向量计算模型，以确定所述关键名词和所述关键动词的第一权重参数和第二权重参数，其中，所述第一权重参数用于表征标签匹配命中率，所述第二权重参数用于表征标签库类别的匹配命中率；
根据所述关键词、所述标签分类模型参数、所述第一权重参数和所述第二权重参数确定所述需求项内容的第一目标标签和标签库类型。
3.根据权利要求2所述的方法，其特征在于，所述标签分类模型参数包括第一模型参数和第二模型参数，所述根据所述关键词、所述标签分类模型参数、所述第一权重参数和所述第二权重参数确定所述需求项内容的第一目标标签和标签库类型包括：
确定所述第一权重参数大于所述第一模型参数的关键词作为第一目标标签；
根据所述第二权重参数和第二模型参数确定所述第一目标标签的标签库类型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一目标标签推荐目标需求项内容包括：
根据所述第一目标标签的标签库类型在预先建立的标签库中匹配与所述第一目标标签相同的第二目标标签；
获取所述第二目标标签的存量需求项；以及
将所述存量需求项的内容推荐给用户。
5.根据权利要求1所述的方法，其特征在于，所述根据所述系统标识信息确定标签分类模型参数包括：
根据所述系统标识信息确定系统类型；
根据所述系统类型和映射关系确定所述系统类型对应的标签分类模型参数，其中所述映射关系用于表征系统类型和标签分类模型参数的对应关系。
6.根据权利要求1至4中任一项所述的方法，其特征在于，所述标签分类模型参数是预先训练得到的。
7.一种基于标签管理的需求项内容智能推荐装置，其特征在于，所述装置包括：
获取模块，用于获取用户编写的需求项内容以及所述需求项内容所属的系统标识信息；
参数确定模块，用于根据所述系统标识信息确定标签分类模型参数；
标签匹配模块，用于将所述需求项内容输入所述标签分类模型中，根据所述标签分类模型参数输出所述需求项内容的第一目标标签；以及
推荐模块，用于根据所述第一目标标签推荐目标需求项内容。
8.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1～6中任一项所述的方法。
9.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1～6中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现根据权利要求1～6中任一项所述的方法。
CN202310097784.3A 2023-01-20 2023-01-20 基于标签管理的需求项内容智能推荐方法及装置 Pending CN116048463A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310097784.3A CN116048463A (zh) 2023-01-20 2023-01-20 基于标签管理的需求项内容智能推荐方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310097784.3A CN116048463A (zh) 2023-01-20 2023-01-20 基于标签管理的需求项内容智能推荐方法及装置

Publications (1)

Publication Number Publication Date
CN116048463A true CN116048463A (zh) 2023-05-02

Family

ID=86124216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310097784.3A Pending CN116048463A (zh) 2023-01-20 2023-01-20 基于标签管理的需求项内容智能推荐方法及装置

Country Status (1)

Country Link
CN (1) CN116048463A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881567A (zh) * 2023-07-21 2023-10-13 北京火山引擎科技有限公司 用于内容推送的内容排序方法、装置、电子设备和介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116881567A (zh) * 2023-07-21 2023-10-13 北京火山引擎科技有限公司 用于内容推送的内容排序方法、装置、电子设备和介质

Similar Documents

Publication Publication Date Title
CN111522958A (zh) 文本分类方法和装置
US20180068221A1 (en) System and Method of Advising Human Verification of Machine-Annotated Ground Truth - High Entropy Focus
CN113986864A (zh) 日志数据处理方法、装置、电子设备及存储介质
CN112347760A (zh) 意图识别模型的训练方法及装置、意图识别方法及装置
CN110909768B (zh) 一种标注数据获取方法及装置
WO2021042529A1 (zh) 文章摘要自动生成方法、装置及计算机可读存储介质
CN115099239A (zh) 一种资源识别方法、装置、设备以及存储介质
CN116048463A (zh) 基于标签管理的需求项内容智能推荐方法及装置
CN112989050B (zh) 一种表格分类方法、装置、设备及存储介质
CN112926308B (zh) 匹配正文的方法、装置、设备、存储介质以及程序产品
CN113705192A (zh) 文本处理方法、装置与存储介质
CN114036921A (zh) 一种政策信息匹配方法和装置
CN113268560A (zh) 用于文本匹配的方法和装置
US20230004715A1 (en) Method and apparatus for constructing object relationship network, and electronic device
CN111126073A (zh) 语义检索方法和装置
US11921754B2 (en) Systems and methods for categorization of ingested database entries to determine topic frequency
CN115017385A (zh) 一种物品搜索方法、装置、设备和存储介质
CN114970540A (zh) 训练文本审核模型的方法和装置
CN113095078A (zh) 关联资产确定方法、装置和电子设备
CN114647728A (zh) 文本处理方法、装置、电子设备及存储介质
CN113806541A (zh) 情感分类的方法和情感分类模型的训练方法、装置
CN113326461A (zh) 跨平台内容分发方法、装置、设备以及存储介质
CN114330345B (zh) 命名实体识别方法、训练方法、装置、电子设备及介质
CN111190967B (zh) 用户多维度数据处理方法、装置及电子设备
CN113177122A (zh) 关联资产确定方法、装置和电子设备

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