CN116308219A - 一种基于Tranformer的生成式RPA流程推荐方法及系统 - Google Patents
一种基于Tranformer的生成式RPA流程推荐方法及系统 Download PDFInfo
- Publication number
- CN116308219A CN116308219A CN202310590463.7A CN202310590463A CN116308219A CN 116308219 A CN116308219 A CN 116308219A CN 202310590463 A CN202310590463 A CN 202310590463A CN 116308219 A CN116308219 A CN 116308219A
- Authority
- CN
- China
- Prior art keywords
- recommendation
- rpa
- text
- transducer
- training
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 57
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 23
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000003339 best practice Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/10—Office automation; Time management
-
- 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
- G06F16/3332—Query translation
- G06F16/3335—Syntactic pre-processing, e.g. stopword elimination, stemming
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于Tranformer的生成式RPA流程推荐方法及系统，包括步骤：S1：接收用户输入的需求文本，对需求文本进行预处理，获得预处理后的文本数据；S2：构建基于Transformer的预训练模型，通过预处理后的文本数据对基于Transformer的预训练模型进行循环训练，获得训练好的RPA流程推荐模型；S3：通过训练好的RPA流程推荐模型生成最终推荐方案。本发明通过基于Transformer的预训练模型的自回归性循环可以处理多轮对话，根据历史对话内容和系统反馈循环训练，生成相应的RPA流程推荐；并且可在循环训练过程中添加历史推荐过程中未出现的新需求，具有更强的泛化能力。
Description
技术领域
本发明涉及RPA自动化技术领域，尤其涉及一种基于Tranformer的生成式RPA流程推荐方法及系统。
背景技术
RPA（Robotic Process Automation）是一种自动化技术，它使用软件机器人来模拟和执行人工处理的重复性、规则性的任务，从而减少人工干预和减轻员工的工作负担。RPA可以在任何应用程序和系统上自动执行任务，如复制和粘贴数据、填写表单、发送电子邮件、处理数据等。RPA技术可以提高软件运行效率和精度，降低错误率，减少人工操作，降低成本，同时允许员工专注于更高价值的任务，如客户服务和业务分析。
RPA流程推荐是指通过数据分析技术，将企业的业务流程自动化和智能化，从而自动化地推荐流程优化方案。基于历史流程数据的分析，RPA流程推荐可以识别并推荐针对特定业务流程的最佳实践、最佳流程、最佳流程步骤等。这些最佳实践和流程可以帮助企业优化其业务流程，从而提高效率、降低成本、缩短周期时间。
为了根据用户的需求给出一系列RPA流程推荐，首先需要理解用户需求，从用户提供的文本中理解用户的具体需求。筛选可自动化的流程，对用户提供的需求进行筛选，以便于评估现有系统和流程。之后需要推荐自动化流程，在理解用户需求、筛选可自动化流程和评估现有系统和流程的基础上，对自动化流程的步骤和规则进行推荐，给用户推荐最符合需求描述的RPA流程。在整个过程中，需要与用户进行紧密的沟通和协作，以确保最终的自动化流程能够满足用户的需求和期望。
目前，RPA流程推荐方法的现有技术主要包括基于规则的RPA流程推荐方法、基于传统机器学习的RPA流程推荐方法等方法。
基于规则的方法是最早的RPA流程推荐方法之一，它通过编写一系列的规则来实现RPA流程的推荐，基于一些事先定义好的规则和条件来自动化执行特定任务和流程。其中包括规则定义、数据收集、规则匹配、执行流程和结果分析等过程。基于规则的RPA流程推荐方法。这类方法基于预定义的规则和条件，受到规则复杂度的限制、缺乏灵活性，适用于一些简单、重复的任务和流程。
基于传统机器学习的方法通过训练模型来实现RPA流程的推荐，其基本思想是使用机器学习算法对已知的数据进行训练，以便机器学习算法能够自动地推断出任务和流程的模式和规律，从而在未知的数据中进行自动化流程推荐。这类方法通过数据清洗和特征工程，结合机器学习算法（如决策树、随机森林、神经网络等）对模型进行训练。训练完成后，使用训练好的模型对新的任务进行分类或预测，从而推荐最合适的RPA流程。但是传统的机器学习方法具有一定的局限性：例如难以捕捉长期依赖关系，需要手工构建特征从而增加了开发人员的工作量，对数据量和质量的要求高和对超参数调整的要求高等，且现有的机器学习方法在训练过程中无法插入新需求改进训练。
发明内容
为解决上述技术问题，本发明提供一种基于Tranformer的生成式RPA流程推荐方法，包括步骤：
S1：接收用户输入的需求文本，对需求文本进行预处理，获得预处理后的文本数据；
S2：构建基于Transformer的预训练模型，通过预处理后的文本数据对基于Transformer的预训练模型进行循环训练，获得训练好的RPA流程推荐模型；
S3：通过训练好的RPA流程推荐模型生成最终推荐方案。
优选的，步骤S1具体为：
S11：获得需求文本，对需求文本进行分词操作，将一句话划分为多个词语，获得分词后的需求文本；
S12：去除分词后的需求文本中的停用词，将剩下的词语进行词形还原，并去除无意义信息，获得预处理后的文本数据。
优选的，基于Transformer的预训练模型包括编码器和解码器；
编码器用于将预处理后的文本数据编码成一个固定维度的文本向量；
解码器用于将文本向量解码为RPA流程。
优选的，步骤S2具体为：
S21：通过编码器将预处理后的文本数据编码为文本向量；
S22：通过解码器将文本向量解码为RPA流程；
S23：构建基于Transformer的预训练模型的交叉熵损失函数，调整基于Transformer的预训练模型的参数，计算获得交叉熵损失函数的总损失；
S24：重复步骤S21-S23直至交叉熵损失函数的总损失小于预设值，获得训练好的RPA流程推荐模型。
优选的，步骤S22具体为：
解码器通过自注意力机制和多头注意力机制从文本向量中提取特征信息，通过特征信息和基于Transformer的预训练模型的自回归性循环生成RPA流程中的每一步。
优选的，步骤S23具体为：
S231：构建交叉熵损失函数H(p,q)，表达式为：
其中，p表示真实概率分布，q表示预测概率分布，x表示RPA流程；
S232：在每个时间步t，基于Transformer的预训练模型都会生成一个预测推荐方案yt，计算获得预测推荐方案yt与真实推荐方案yt*之间的交叉熵损失Lt，计算公式为：
其中，yt(x)表示在时间步t生成的预测推荐方案中RPA流程x的概率值，yt*(x)表示在时间步t生成的真实推荐方案中RPA流程x的概率值；
S233：将各时间步的交叉熵损失相加获得总损失L，计算公式为：
其中，N表示时间步的最大步数。
一种基于Tranformer的生成式RPA流程推荐系统，包括：
预处理模块，用于接收用户输入的需求文本，对需求文本进行预处理，获得预处理后的文本数据；
模型训练模块，用于构建基于Transformer的预训练模型，通过预处理后的文本数据对基于Transformer的预训练模型进行循环训练，获得训练好的RPA流程推荐模型；
推荐方案输出模块，用于通过训练好的RPA流程推荐模型生成最终推荐方案。
本发明具有以下有益效果：
1、通过基于Transformer的预训练模型的自回归性循环可以处理多轮对话，根据历史对话内容和系统反馈循环训练，生成相应的RPA流程推荐，提高最终推荐方案的准确性；并且可在循环训练过程中添加历史推荐过程中未出现的新需求，具有更强的泛化能力；
2、通过基于Transformer的预训练模型中的自注意力机制和多头注意力机制可以自动学习输入文本的特征和关系，循环生成RPA流程中的每一步，无需进行特征工程和规则编写，减少了开发人员的工作量。
附图说明
图1为本发明实施例方法流程图；
图2为基于Transformer的预训练模型工作原理图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，本发明提供一种基于Tranformer的生成式RPA流程推荐方法，包括步骤：
S1：接收用户输入的需求文本，对需求文本进行预处理，获得预处理后的文本数据；
S2：构建基于Transformer的预训练模型，通过预处理后的文本数据对基于Transformer的预训练模型进行循环训练，获得训练好的RPA流程推荐模型；
S3：通过训练好的RPA流程推荐模型生成最终推荐方案。
进一步的，步骤S1具体为：
S11：获得需求文本，对需求文本进行分词操作，将一句话划分为多个词语，获得分词后的需求文本；
S12：去除分词后的需求文本中的停用词，将剩下的词语进行词形还原，并去除无意义信息，获得预处理后的文本数据；
具体的，接收用户输入的需求文本，用户在推荐系统交互界面输入文字描述，系统接受并保存输入的文本进行后续的清理和预处理，输入到后续的流程中；
按照词语或者其他方式对文本进行分词操作，将一句话划分为若干个词语；在分词后，去除出现频率高但没有实际意义的词语（停用词）；将分词后剩下的词语进行词形还原，并去除标点符号、数字等无意义信息，这些清理和预处理的操作可以有效地提高后续的处理效率和准确性。
进一步的，基于Transformer的预训练模型包括编码器和解码器；
编码器用于将预处理后的文本数据编码成一个固定维度的文本向量；
解码器用于将文本向量解码为RPA流程。
具体的，参考图2，基于Transformer的预训练模型是一种基于注意力机制的神经网络架构，用于处理自然语言相关的任务，其由编码器和解码器构成；
编码器的工作原理为：提取文本数据的token特征，将特征作为编码器的第一输入，第一输入经过多头注意力模块获得第一输出，将第一输出与第一输入相加并归一化获得第二输入，第二输入经过前馈神经网络获得第二输出，将第二输出与第二输入相加并归一化获得文本向量，文本向量带有文本数据的特征信息；
解码器的工作原理为：将流程经过嵌入层和右移后输入解码器，经过带掩码的多头注意力模块后获得第一输出，将第一输出与输入的流程相加并归一化获得第二输入，将第二输入和文本向量输入多头注意力模块获得第二输出，将第二输出和第二输入相加并归一化获得第三输入，第三输入经过前馈神经网络获得第三输出，将第三输出和第三输入相加并归一化获得RPA流程。
进一步的，步骤S2具体为：
S21：通过编码器将预处理后的文本数据编码为文本向量；
S22：通过解码器将文本向量解码为RPA流程；
S23：构建基于Transformer的预训练模型的交叉熵损失函数，调整基于Transformer的预训练模型的参数，计算获得交叉熵损失函数的总损失；
S24：重复步骤S21-S23直至交叉熵损失函数的总损失小于预设值，获得训练好的RPA流程推荐模型。
进一步的，步骤S22具体为：
解码器通过自注意力机制和多头注意力机制从文本向量中提取特征信息，通过特征信息和基于Transformer的预训练模型的自回归性循环生成RPA流程中的每一步；
具体的，使用基于Transformer的预训练模型中的自注意力机制和多头注意力机制，自适应地从输入的文本向量中提取特征信息，并将这些特征信息应用到RPA流程的生成中；基于Transformer的预训练模型中使用的自注意力机制和多头注意力机制可以用以下公式表示：
其中，
、/>
、/>
分别是查询向量、键向量和值向量，/>
是键向量的维度，/>
函数用于归一化权重；
多头注意力机制是指：
其中，
是连接操作，/>
是单个注意力头，i是注意力头的编号，/>
、/>
、/>
是可学习的参数矩阵，/>
是可学习的输出矩阵。
进一步的，使用交叉熵损失函数进行训练，并通过反向传播算法对基于Transformer的预训练模型进行参数更新，训练出能够生成符合需求的RPA流程的RPA流程推荐模型，如步骤S23所示；
步骤S23具体为：
S231：构建交叉熵损失函数H(p,q)，表达式为：
其中，p表示真实概率分布，q表示预测概率分布，x表示RPA流程；
具体的，在基于Transformer的预训练模型的训练中，p可以表示为生成式模型在当前状态下，对应的真实推荐方案的概率分布，q可以表示为生成式模型在当前状态下，生成的预测推荐方案的概率分布；在模型训练过程中，需要将生成的预测推荐方案和真实推荐方案进行比较，计算它们之间的交叉熵损失；交叉熵损失越小，说明模型的预测结果越接近真实结果，模型的预测能力越强；
S232：在每个时间步t，基于Transformer的预训练模型都会生成一个预测推荐方案yt，计算获得预测推荐方案yt与真实推荐方案yt*之间的交叉熵损失Lt，计算公式为：
其中，yt(x)表示在时间步t生成的预测推荐方案中RPA流程x的概率值，yt*(x)表示在时间步t生成的真实推荐方案中RPA流程x的概率值；
S233：将各时间步的交叉熵损失相加获得总损失L，计算公式为：
其中，N表示时间步的最大步数。
进一步的，步骤S3具体为：
S31：输入用户需求，推荐方案生成的第一步是接收用户输入的需求文本；用户输入的文本是对需要自动化的业务流程的需求描述，例如“收到新客户订单后需在系统中创建订单并发送确认邮件”；接受描述后，会根据S1的处理方法对用户需求文本进行预处理，并将其作为输入数据；
S32：将预处理后的用户需求文本数据输入到S2步骤中训练好的RPA流程推荐模型中，输出对于下一步操作的预测结果；使用Transformer的自回归性来循环生成RPA流程的下一步，从而生成符合需求的RPA流程；在每次生成下一步时，将上一步的输出作为输入；一直循环生成，直到生成符合需求的完整RPA流程；
S33：返回生成的RPA流程，将生成的RPA流程返回给用户；返回结果可以是文本形式的步骤描述，也可以是图形化的流程图；用户可以根据返回的结果检查生成的RPA流程是否符合需求；如果用户对生成的RPA流程不满意，可以反馈给系统，重复步骤S1-步骤S2，进一步优化RPA流程推荐模型。
本发明提供一种基于Tranformer的生成式RPA流程推荐系统，包括：
预处理模块，用于接收用户输入的需求文本，对需求文本进行预处理，获得预处理后的文本数据；
模型训练模块，用于构建基于Transformer的预训练模型，通过预处理后的文本数据对基于Transformer的预训练模型进行循环训练，获得训练好的RPA流程推荐模型；
推荐方案输出模块，用于通过训练好的RPA流程推荐模型生成最终推荐方案。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于Tranformer的生成式RPA流程推荐方法，其特征在于，包括步骤：
S1：接收用户输入的需求文本，对需求文本进行预处理，获得预处理后的文本数据；
S2：构建基于Transformer的预训练模型，通过预处理后的文本数据对基于Transformer的预训练模型进行循环训练，获得训练好的RPA流程推荐模型；
S3：通过训练好的RPA流程推荐模型生成最终推荐方案。
2.根据权利要求1所述的基于Tranformer的生成式RPA流程推荐方法，其特征在于，步骤S1具体为：
S11：获得需求文本，对需求文本进行分词操作，将一句话划分为多个词语，获得分词后的需求文本；
S12：去除分词后的需求文本中的停用词，将剩下的词语进行词形还原，并去除无意义信息，获得预处理后的文本数据。
3.根据权利要求1所述的基于Tranformer的生成式RPA流程推荐方法，其特征在于，基于Transformer的预训练模型包括编码器和解码器；
编码器用于将预处理后的文本数据编码成一个固定维度的文本向量；
解码器用于将文本向量解码为RPA流程。
4.根据权利要求3所述的基于Tranformer的生成式RPA流程推荐方法，其特征在于，步骤S2具体为：
S21：通过编码器将预处理后的文本数据编码为文本向量；
S22：通过解码器将文本向量解码为RPA流程；
S23：构建基于Transformer的预训练模型的交叉熵损失函数，调整基于Transformer的预训练模型的参数，计算获得交叉熵损失函数的总损失；
S24：重复步骤S21-S23直至交叉熵损失函数的总损失小于预设值，获得训练好的RPA流程推荐模型。
5.根据权利要求4所述的基于Tranformer的生成式RPA流程推荐方法，其特征在于，步骤S22具体为：
解码器通过自注意力机制和多头注意力机制从文本向量中提取特征信息，通过特征信息和基于Transformer的预训练模型的自回归性循环生成RPA流程中的每一步。
6.根据权利要求4所述的基于Tranformer的生成式RPA流程推荐方法，其特征在于，步骤S23具体为：
S231：构建交叉熵损失函数H(p,q)，表达式为：
其中，p表示真实概率分布，q表示预测概率分布，x表示RPA流程；
S232：在每个时间步t，基于Transformer的预训练模型都会生成一个预测推荐方案yt，计算获得预测推荐方案yt与真实推荐方案yt*之间的交叉熵损失Lt，计算公式为：
其中，yt(x)表示在时间步t生成的预测推荐方案中RPA流程x的概率值，yt*(x)表示在时间步t生成的真实推荐方案中RPA流程x的概率值；
S233：将各时间步的交叉熵损失相加获得总损失L，计算公式为：
其中，N表示时间步的最大步数。
7.一种基于Tranformer的生成式RPA流程推荐系统，其特征在于，包括：
预处理模块，用于接收用户输入的需求文本，对需求文本进行预处理，获得预处理后的文本数据；
模型训练模块，用于构建基于Transformer的预训练模型，通过预处理后的文本数据对基于Transformer的预训练模型进行循环训练，获得训练好的RPA流程推荐模型；
推荐方案输出模块，用于通过训练好的RPA流程推荐模型生成最终推荐方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310590463.7A CN116308219B (zh) | 2023-05-24 | 2023-05-24 | 一种基于Tranformer的生成式RPA流程推荐方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310590463.7A CN116308219B (zh) | 2023-05-24 | 2023-05-24 | 一种基于Tranformer的生成式RPA流程推荐方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116308219A true CN116308219A (zh) | 2023-06-23 |
| CN116308219B CN116308219B (zh) | 2023-07-28 |
Family
ID=86822570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310590463.7A Active CN116308219B (zh) | 2023-05-24 | 2023-05-24 | 一种基于Tranformer的生成式RPA流程推荐方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116308219B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703339A (zh) * | 2023-08-09 | 2023-09-05 | 安徽思高智能科技有限公司 | 一种基于图Transformer模型的RPA流程推荐方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210029129A1 (en) * | 2019-07-22 | 2021-01-28 | Accenture Global Solutions Limited | System and method for controlling security access |
| CN112419096A (zh) * | 2020-12-04 | 2021-02-26 | 国网江苏省电力有限公司南京供电分公司 | 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 |
| US20210109487A1 (en) * | 2019-10-15 | 2021-04-15 | UiPath, Inc. | Media-to-workflow generation using artificial intelligence (ai) |
| US20210144110A1 (en) * | 2019-11-07 | 2021-05-13 | D8AI Inc. | Systems and methods of instant-messaging bot for robotic process automation and robotic textual-content extraction from images |
| CN113379399A (zh) * | 2021-08-13 | 2021-09-10 | 南京新一代人工智能研究院有限公司 | 一种基于状态转移概率模型的rpa组件推荐方法 |
| US20220035343A1 (en) * | 2019-10-15 | 2022-02-03 | UiPath, Inc. | Human-in-the-loop robot training for robotic process automation |
| CN114328980A (zh) * | 2022-03-14 | 2022-04-12 | 来也科技(北京)有限公司 | 结合rpa及ai的知识图谱构建方法、装置、终端及存储介质 |
| US20220172050A1 (en) * | 2020-11-16 | 2022-06-02 | UMNAI Limited | Method for an explainable autoencoder and an explainable generative adversarial network |
| CN114880444A (zh) * | 2022-04-08 | 2022-08-09 | 中国人民大学 | 一种基于提示学习的对话推荐系统 |
| CN115366157A (zh) * | 2022-10-24 | 2022-11-22 | 北京奔驰汽车有限公司 | 工业机器人维护方法及装置 |
| CN116009827A (zh) * | 2023-03-28 | 2023-04-25 | 杭州实在智能科技有限公司 | Rpa流程及引导教程的智能生成与推荐方法及系统 |
-
2023
- 2023-05-24 CN CN202310590463.7A patent/CN116308219B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210029129A1 (en) * | 2019-07-22 | 2021-01-28 | Accenture Global Solutions Limited | System and method for controlling security access |
| US20210109487A1 (en) * | 2019-10-15 | 2021-04-15 | UiPath, Inc. | Media-to-workflow generation using artificial intelligence (ai) |
| US20220035343A1 (en) * | 2019-10-15 | 2022-02-03 | UiPath, Inc. | Human-in-the-loop robot training for robotic process automation |
| US20210144110A1 (en) * | 2019-11-07 | 2021-05-13 | D8AI Inc. | Systems and methods of instant-messaging bot for robotic process automation and robotic textual-content extraction from images |
| US20220172050A1 (en) * | 2020-11-16 | 2022-06-02 | UMNAI Limited | Method for an explainable autoencoder and an explainable generative adversarial network |
| CN112419096A (zh) * | 2020-12-04 | 2021-02-26 | 国网江苏省电力有限公司南京供电分公司 | 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 |
| CN113379399A (zh) * | 2021-08-13 | 2021-09-10 | 南京新一代人工智能研究院有限公司 | 一种基于状态转移概率模型的rpa组件推荐方法 |
| CN114328980A (zh) * | 2022-03-14 | 2022-04-12 | 来也科技(北京)有限公司 | 结合rpa及ai的知识图谱构建方法、装置、终端及存储介质 |
| CN114880444A (zh) * | 2022-04-08 | 2022-08-09 | 中国人民大学 | 一种基于提示学习的对话推荐系统 |
| CN115366157A (zh) * | 2022-10-24 | 2022-11-22 | 北京奔驰汽车有限公司 | 工业机器人维护方法及装置 |
| CN116009827A (zh) * | 2023-03-28 | 2023-04-25 | 杭州实在智能科技有限公司 | Rpa流程及引导教程的智能生成与推荐方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈国等: ""知识图谱及其在RPA领域的应用"", 《中国新通信》, pages 107 - 109 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703339A (zh) * | 2023-08-09 | 2023-09-05 | 安徽思高智能科技有限公司 | 一种基于图Transformer模型的RPA流程推荐方法及系统 |
| CN116703339B (zh) * | 2023-08-09 | 2023-11-24 | 安徽思高智能科技有限公司 | 一种基于图Transformer模型的RPA流程推荐方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116308219B (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110188167B (zh) | 一种融入外部知识的端到端对话方法及系统 | |
| US11048879B2 (en) | Systems and methods to determine and utilize semantic relatedness between multiple natural language sources to determine strengths and weaknesses | |
| CN110506279A (zh) | 采用隐树注意力的神经机器翻译 | |
| CN114912433A (zh) | 文本层级多标签分类方法、装置、电子设备以及存储介质 | |
| CN116308219B (zh) | 一种基于Tranformer的生成式RPA流程推荐方法及系统 | |
| CN113239167A (zh) | 一种可自动生成对话策略的任务型对话管理方法和系统 | |
| CN116737129B (zh) | 一种供应链控制塔生成式大语言模型及其构建方法 | |
| US11610114B2 (en) | Method for supervised graph sparsification | |
| CN112989761A (zh) | 文本分类方法及装置 | |
| CN110858226A (zh) | 对话管理方法和装置 | |
| Dai et al. | Hybrid deep model for human behavior understanding on industrial internet of video things | |
| CN111324738B (zh) | 一种确定文本标签的方法和系统 | |
| CN115062003B (zh) | 基于gpt2的云erp社区生成式问答方法 | |
| CN113988086A (zh) | 对话处理方法及装置 | |
| CN114117029B (zh) | 一种基于多层次信息增强的解决方案推荐方法及系统 | |
| Jackson et al. | From natural language to simulations: Applying gpt-3 codex to automate simulation modeling of logistics systems | |
| CN113901823A (zh) | 命名实体识别方法、装置、存储介质及终端设备 | |
| CN116402630B (zh) | 一种基于表征学习的财务风险预测方法及系统 | |
| JP2017174004A (ja) | 文意味分類算出装置、モデル学習装置、方法、及びプログラム | |
| CN116777568A (zh) | 金融市场交易事前智能对话下单方法、装置及存储介质 | |
| CN117216096A (zh) | 一种近似查询处理优化方法 | |
| CN117033572A (zh) | 文本处理方法以及装置 | |
| CN111353728A (zh) | 一种风险分析方法和系统 | |
| CN116204643A (zh) | 一种基于多任务学习知识增强的级联标签分类方法 | |
| CN116433799A (zh) | 一种基于语义相似度和子图匹配的流程图生成方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |