CN116628128A - 一种供应链数据标准化方法、装置、设备及其存储介质 - Google Patents
一种供应链数据标准化方法、装置、设备及其存储介质 Download PDFInfo
- Publication number
- CN116628128A CN116628128A CN202310858353.4A CN202310858353A CN116628128A CN 116628128 A CN116628128 A CN 116628128A CN 202310858353 A CN202310858353 A CN 202310858353A CN 116628128 A CN116628128 A CN 116628128A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- target
- matrix
- supply chain
- 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 36
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 197
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000010606 normalization Methods 0.000 claims description 18
- 238000012512 characterization method Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 15
- 238000013145 classification model Methods 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000011425 standardization method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/313—Selection or weighting of terms for indexing
-
- 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
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/186—Templates
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Machine Translation (AREA)
Abstract
本申请实施例属于数据标准化处理技术领域，涉及一种供应链数据标准化方法、装置、设备及其存储介质，包括接收多数据源的供应链数据并进行识别；从识别结果中提取出各个预设的数据表征字段所对应的目标数据；获取预构建的标准结构化模板；根据标准结构化模板和各个预设的数据表征字段对目标数据构建目标空间矩阵；基于目标空间矩阵将目标数据写入标准结构化模板，完成将目标数据转化为标准结构化数据。通过采用人工智能分类模型和神经网络进行目标空间矩阵构建，从而根据目标空间矩阵，将目标数据写入到预设的标准结构化模板，替代人工对大量的供应链数据进行标准结构化处理，减少了人工工作量，更加智能化和自动化，节约人工成本。
Description
技术领域
本申请涉数据标准化处理技术领域，尤其涉及一种供应链数据标准化方法、装置、设备及其存储介质。
背景技术
供应链企业在管理日常业务时通常需要在多来源的订单中抽取一些通用的数据和信息。由于多来源订单的排版杂乱不固定，涵盖的数据信息多种多样，传统的做法通常是安排对业务和订单熟悉的工作人员人工摘录登记的方式进行数据标准化。
然而，传统使用人力摘录进行数据标准化的方式受限于人力资源，使业务量难以扩展。多来源订单数据自身有其复杂性，不同的厂商产生的订单数据内容的空间分布，以及涵盖的信息差异性巨大。这种复杂性使企业对数据标准化进行智能化建模造成了巨大的困难。因此，现有技术中还存在无法智能化的对供应链数据进行标准结构化处理的问题。
发明内容
本申请实施例的目的在于提出一种供应链数据标准化方法、装置、设备及其存储介质，以解决现有技术中无法智能化的对供应链数据进行标准结构化处理的问题。
为了解决上述技术问题，本申请实施例提供供应链数据标准化方法，采用了如下所述的技术方案：
一种供应链数据标准化方法，包括下述步骤：
接收多数据源的供应链数据并进行识别，获得识别结果；
从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据；
获取预构建的标准结构化模板；
根据所述标准结构化模板和所述各个预设的数据表征字段对所述目标数据构建目标空间矩阵；
基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内，完成将所述目标数据转化为标准结构化数据。
进一步的，所述从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据的步骤，具体包括：
以文本块形式从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据，其中，每个文本块表示成的形式，其中，/>表示当前文本块的标识信息，/>分别表示当前文本块的宽高值，/>表示当前文本块中包含的目标数据；
对同一条供应链数据中不同数据表征字段所对应的文本块设置同一个值，其中，/>为区间[1，X]中的正整数，X为供应链数据的总条数；
对不同条供应链数据中相同数据表征字段所对应的文本块设置同一个值，其中，/>为区间[1，Y]中的正整数，Y为所述数据表征字段的类别种数。
进一步的，所述根据所述标准结构化模板和所述各个预设的数据表征字段对所述目标数据构建目标空间矩阵的步骤，具体包括：
根据所述标准结构化模板判断是否需要对所述各个预设的数据表征字段对应的文本块的值和/>值进行更新处理，并根据判断结果和处理结果获取最新的各个文本块；
以最新的各个文本块为空间节点随机构建包含所有文本块的空间矩阵；
对所述空间矩阵进行验证调整以获得所述目标空间矩阵。
进一步的，所述根据所述标准结构化模板判断是否需要对所述各个预设的数据表征字段对应的文本块的值和/>值进行更新处理，并根据判断结果和处理结果获取最新的各个文本块的步骤，具体包括：
识别所述各个预设的数据表征字段在所述标准结构化模板内对应的列值信息，其中，所述列值信息为列编号；
识别所述不同条供应链数据在所述标准结构化模板内对应的行值信息，其中，所述行值信息为行编号；
判断所述各个预设的数据表征字段在所述标准结构化模板内对应的列值信息是否与从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据时所设置的值一致；
判断所述不同条供应链数据在所述标准结构化模板内对应的行值信息是否与从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据时所设置的值一致；
若值或/>值都一致，则无需更新各个文本块对应的/>值和/>值；
若存在值或/>值不一致，则根据所述标准结构化模板更新每个文本块对应的值和/>值。
进一步的，所述根据所述标准结构化模板更新每个文本块对应的值和/>值的步骤，具体包括：
若存在值不一致，则识别所述/>值不一致时，目标条供应链数据在所述标准结构化模板内对应的行值信息，以所述行值信息替换从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据时为所述目标条供应链数据所设置的/>值，完成更新相应文本块的/>值；
若存在值不一致，则识别所述/>值不一致时，目标数据表征字段在所述标准结构化模板内对应的列值信息，以所述列值信息替换从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据时为所述目标数据表征字段所设置的/>值，完成更新相应文本块的/>值。
进一步的，所述对所述空间矩阵进行验证调整以获得所述目标空间矩阵的步骤，具体包括：
步骤601，获取所述空间矩阵中每个文本块所对应的值，并根据相邻文本块对应的/>值和/>值计算相邻文本块之间的邻近权重，根据得到的所有邻近权重构建所述空间矩阵对应的距离特征矩阵；
步骤602，判断所述距离特征矩阵是否与预设的距离参照矩阵一致；
步骤603，若所述距离特征矩阵与预设的距离参照矩阵不一致，则调整所述空间矩阵，重新执行步骤601至步骤602；
步骤604，若所述距离特征矩阵与预设的距离参照矩阵一致，则获得当前包含所有文本块的空间矩阵作为所述目标空间矩阵。
进一步的，在执行所述基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内的步骤之前，所述方法还包括：
获取每个文本块的值和/>值；
通过对比方式，选择出最大的值和最大的/>值，并将所述最大的/>值和最大的/>值设为所述标准结构化模板内各单元框的/>值和/>值；
根据所述最大的值和最大的/>值对所述标准结构化模板进行样式调整；
所述基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内的步骤，具体包括：
获取所述目标空间矩阵内每个文本块对应的行列信息；
根据所述每个文本块对应的行列信息将所述目标数据写入到进行样式调整之后的标准结构化模板内。
为了解决上述技术问题，本申请实施例还提供供应链数据标准化装置，采用了如下所述的技术方案：
一种供应链数据标准化装置，包括：
数据识别模块，用于接收多数据源的供应链数据并进行识别，获得识别结果；
数据提取模块，用于从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据；
模板获取模块，用于获取预构建的标准结构化模板；
矩阵构建模块，用于根据所述标准结构化模板和所述各个预设的数据表征字段对所述目标数据构建目标空间矩阵；
标准化写入模块，用于基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内，完成将所述目标数据转化为标准结构化数据。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述所述的供应链数据标准化方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的供应链数据标准化方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例所述供应链数据标准化方法，通过接收多数据源的供应链数据并进行识别，获得识别结果；从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据；获取预构建的标准结构化模板；根据所述标准结构化模板和所述各个预设的数据表征字段对所述目标数据构建目标空间矩阵；基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内，完成将所述目标数据转化为标准结构化数据。通过进行目标空间矩阵构建，从而根据目标空间矩阵，将目标数据写入到预设的标准结构化模板，替代人工对大量的供应链数据进行标准结构化处理，减少了人工工作量，更加智能化和自动化，节约人工成本。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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。
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的供应链数据标准化方法的一个实施例的流程图；
图3是图2所示步骤202的一个具体实施例的流程图；
图4是图2所示步骤204的一个具体实施例的流程图；
图5是图4所示步骤401的一个具体实施例的流程图；
图6是图4所示步骤403的一个具体实施例的流程图；
图7是根据本申请的供应链数据标准化装置的一个实施例的结构示意图；
图8是图7所示矩阵构建模块704的一个具体实施例的结构示意图；
图9是图8所示更新判断与处理子模块801的一个具体实施例的结构示意图；
图10是图8所示目标空间矩阵获得子模块803的一个具体实施例的结构示意图；
图11是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。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，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
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、电子书阅读器、MP3播放器( Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3 )、MP4( MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4 )播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的供应链数据标准化方法一般由服务器/终端设备执行，相应地，供应链数据标准化装置一般设置于服务器/终端设备中。
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。
继续参考图2，示出了根据本申请的供应链数据标准化方法的一个实施例的流程图。所述的供应链数据标准化方法，包括以下步骤：
步骤201，接收多数据源的供应链数据并进行识别，获得识别结果。
具体的，所述多数据源的供应链数据包括不同供应商发布的商品数据，所述商品数据的类型多样，包括PDF、EXCEL、图片扫描件，其中， EXCEL可以先转为PDF再使用OCR图像识别技术进行识别，而PDF、图片扫描件可以使用OCR图像识别技术识别。
步骤202，从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据。
本实施例中，所述数据表征字段包括供应商名称、商品型号、料号、订单号、净重、毛重、数量、单价、单位、货币、产地、箱号、类别、品牌。
继续参考图3，图3是图2所示步骤202的一个具体实施例的流程图，包括：
步骤301，以文本块形式从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据；
具体的，每个文本块表示成的形式，其中，/>表示当前文本块的标识信息，/>分别表示当前文本块的宽高值，/>表示当前文本块中包含的目标数据；
步骤302，对同一条供应链数据中不同数据表征字段所对应的文本块设置同一个值；
具体的，为区间[1，X]中的正整数，X为供应链数据的总条数；
通过对同一条供应链数据中不同数据表征字段所对应的文本块设置同一个值，便于后期在进行标准化处理时，使得同一条供应链数据处于表单内同一行，便于标准结构化管理。
步骤303，对不同条供应链数据中相同数据表征字段所对应的文本块设置同一个值；
具体的，为区间[1，Y]中的正整数，Y为所述数据表征字段的类别种数。
通过对不同条供应链数据中相同数据表征字段所对应的文本块设置同一个值，便于后期在进行标准化处理时，使得不同条供应链数据中相同数据表征字段对应的目标数据处于表单内同一列，便于标准结构化管理。
本申请其它实施方式中，执行所述从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据的步骤，可以采用人工智能分类模型进行识别，一种具体的处理方式为：预先根据不同的数据表征字段设计和训练人工智能分类模型，具体的，采用决策树或者随机森林算法，将不同的数据表征字段分别作为不同的决策类别构建人工智能分类模型，或者，采用K-means聚类算法根据不同的数据表征字段对目标数据进行聚类获得不同的聚类结果，以聚类完成后的模型作为所述人工智能分类模型；将所述识别结果输入进训练完成的人工智能分类模型，获取输出结果，其中，所述输出结果即根据不同的数据表征字段所识别出的对应的文本块中目标数据。通过采用人工智能分类模型，并将不同的数据表征字段作为分类目标，避免了人工对大量的供应链数据进行标注分类，减少了人工工作量，更加智能化和自动化，节约人工成本。
步骤203，获取预构建的标准结构化模板。
本实施例中，所述预构建的标准结构化模板可以为表单形式的标准结构化管理模板，其目的在于，可以预先根据上述数据表征字段的个数分别构建不同列数的表单模板。
步骤204，根据所述标准结构化模板和所述各个预设的数据表征字段对所述目标数据构建目标空间矩阵。
继续参考图4，图4是图2所示步骤204的一个具体实施例的流程图，包括：
步骤401，根据所述标准结构化模板判断是否需要对所述各个预设的数据表征字段对应的文本块的值和/>值进行更新处理，并根据判断结果和处理结果获取最新的各个文本块；
继续参考图5，图5是图4所示步骤401的一个具体实施例的流程图，包括：
步骤501，识别所述各个预设的数据表征字段在所述标准结构化模板内对应的列值信息，其中，所述列值信息为列编号；
步骤502，识别所述不同条供应链数据在所述标准结构化模板内对应的行值信息，其中，所述行值信息为行编号；
步骤503，判断所述各个预设的数据表征字段在所述标准结构化模板内对应的列值信息是否与从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据时所设置的值一致；
步骤504，判断所述不同条供应链数据在所述标准结构化模板内对应的行值信息是否与从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据时所设置的值一致；
步骤505，若值或/>值都一致，则无需更新各个文本块对应的/>值和/>值；
步骤506，若存在值或/>值不一致，则根据所述标准结构化模板更新每个文本块对应的/>值和/>值；
本实施例中，所述根据所述标准结构化模板更新每个文本块对应的值和/>值的步骤，具体包括：若存在/>值不一致，则识别所述/>值不一致时，目标条供应链数据在所述标准结构化模板内对应的行值信息，以所述行值信息替换从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据时为所述目标条供应链数据所设置的/>值，完成更新相应文本块的/>值；若存在/>值不一致，则识别所述/>值不一致时，目标数据表征字段在所述标准结构化模板内对应的列值信息，以所述列值信息替换从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据时为所述目标数据表征字段所设置的/>值，完成更新相应文本块的/>值。
步骤402，以最新的各个文本块为空间节点随机构建包含所有文本块的空间矩阵；
本实施例中，所述以最新的各个文本块为空间节点随机构建包含所有文本块的空间矩阵的步骤，可以采用神经网络构建所述空间矩阵，空间特征是供应链数据的一种重要信息，在某些规范的半结构化供应链数据中心，上述供应链数据的空间分布本身就呈现一定的规律，譬如字段和内容行列对应，同列内容更可能归属于同类字段这样的规律。因此，在采用神经网络构建所述空间矩阵时，一种具体的实时方式为：获取最新的各个文本块，并将每个文本块分别作为一个空间节点，构建全连接图；根据每个文本块对应的值和/>值，计算各个空间节点在所述全连接图中的距离信息；将所述距离信息作为所述神经网络的控制参数，并根据所述神经网络对所述全连接图进行图卷积处理，获取图卷积处理结果；根据所述图卷积处理结果输出包含所有文本块的空间矩阵。通过采用神经网络构建所述空间矩阵，避免了人工对大量的供应链数据进行矩阵化整理，减少了人工工作量，更加智能化和自动化，节约人工成本。
步骤403，对所述空间矩阵进行验证调整以获得所述目标空间矩阵。
继续参考图6，图6是图4所示步骤403的一个具体实施例的流程图，包括：
步骤601，获取所述空间矩阵中每个文本块所对应的值，并根据相邻文本块对应的/>值和/>值计算相邻文本块之间的邻近权重，根据得到的所有邻近权重构建所述空间矩阵对应的距离特征矩阵；
本实施例中，所述根据相邻文本块对应的值和/>值计算相邻文本块之间的邻近权重，根据得到的所有邻近权重构建所述空间矩阵对应的距离特征矩阵的方法，具体包括：比较所述空间矩阵内同行相邻文本块的/>值和/>值，若所述同行相邻文本块的/>值相同，左侧文本块比右侧文本块的/>值小1，则由所述左侧文本块和右侧文本块构建的距离特征矩阵的矩阵元素为1，否则，由所述左侧文本块和右侧文本块构建的距离特征矩阵的矩阵元素为0；比较所述空间矩阵内同列相邻文本块的/>值和/>值，若所述同列相邻文本块的/>值相同，上侧文本块比下侧文本块的/>值小1，则由所述上侧文本块和下侧文本块构建的距离特征矩阵的矩阵元素为1，否则，由所述上侧文本块和下侧文本块构建的距离特征矩阵的矩阵元素为0；获取基于所有同行相邻文本块和所有同列相邻文本块所构建的矩阵元素，并按照矩阵形式排列展示，获取所述距离特征矩阵，其中，所述距离特征矩阵为（X-1）行（Y-1）列的二维矩阵。
同理，上述构建所述空间矩阵对应的距离特征矩阵，同样可以采用神经网络进行处理，通过对所述空间矩阵进行变换、仿射和计算，获得所述空间矩阵对应的距离特征矩阵。避免了人工进行矩阵转化，减少了人工工作量，更加智能化和自动化，节约人工成本。
步骤602，判断所述距离特征矩阵是否与预设的距离参照矩阵一致；
本实施例中，在执行所述判断所述距离特征矩阵是否与预设的距离参照矩阵一致的步骤之前，所述方法还包括：获取预设的距离参照矩阵，其中，所述预设的距离参照矩阵为：矩阵元素都为1的（X-1）行（Y-1）列的二维矩阵。
本实施例中，所述判断所述距离特征矩阵是否与预设的距离参照矩阵一致的步骤，具体包括：判断所述距离特征矩阵是否为矩阵元素都为1的（X-1）行（Y-1）列的二维矩阵；若所述距离特征矩阵是矩阵元素都为1的（X-1）行（Y-1）列的二维矩阵，则所述距离特征矩阵与预设的距离参照矩阵一致；若所述距离特征矩阵不是矩阵元素都为1的（X-1）行（Y-1）列的二维矩阵，则所述距离特征矩阵与预设的距离参照矩阵不一致。
步骤603，若所述距离特征矩阵与预设的距离参照矩阵不一致，则调整所述空间矩阵，重新执行步骤601至步骤602；
本实施例中，所述调整所述空间矩阵的步骤，同样可以采用神经网络进行实现，通过将所述预设的距离参照矩阵的行值和列值，作为距离特征矩阵的行值和列值进行限定，直到调整之后的所述空间矩阵对应的所述距离特征矩阵与预设的距离参照矩阵一致，则所述神经网络停止调整，输出此时的空间矩阵，作为目标空间矩阵。通过神经网络进行空间矩阵自动化调整，避免了人工进行空间矩阵调整，减少了人工工作量，更加智能化和自动化，节约人工成本。
步骤604，若所述距离特征矩阵与预设的距离参照矩阵一致，则获得当前包含所有文本块的空间矩阵作为所述目标空间矩阵。
步骤205，基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内，完成将所述目标数据转化为标准结构化数据。
本实施例中，在执行所述基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内的步骤之前，所述方法还包括：获取每个文本块的值和/>值；通过对比方式，选择出最大的/>值和最大的/>值，并将所述最大的/>值和最大的/>值设为所述标准结构化模板内各单元框的/>值和/>值；根据所述最大的/>值和最大的/>值对所述标准结构化模板进行样式调整；主要目的在于，根据所有文本块的宽高值调整所述标准结构化模板内各单元框的宽高值，使得调整之后的单元框能够适用于所有的文本块，且宽高值一致，保证写入数据后模板的结构标准化。
本实施例中，所述基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内的步骤，具体包括：获取所述目标空间矩阵内每个文本块对应的行列信息；根据所述每个文本块对应的行列信息将所述目标数据写入到进行样式调整之后的标准结构化模板内。
本申请通过接收多数据源的供应链数据并进行识别，获得识别结果；从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据；获取预构建的标准结构化模板；根据所述标准结构化模板和所述各个预设的数据表征字段对所述目标数据构建目标空间矩阵；基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内，完成将所述目标数据转化为标准结构化数据。通过采用人工智能分类模型和神经网络进行目标空间矩阵构建，从而根据目标空间矩阵，将目标数据写入到预设的标准结构化模板，替代人工对大量的供应链数据进行标准结构化处理，减少了人工工作量，更加智能化和自动化，节约人工成本。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例中，通过采用人工智能分类模型和神经网络进行目标空间矩阵构建，从而根据目标空间矩阵，将目标数据写入到预设的标准结构化模板，替代人工对大量的供应链数据进行标准结构化处理，减少了人工工作量，更加智能化和自动化，节约人工成本。
进一步参考图7，作为对上述图2所示方法的实现，本申请提供了供应链数据标准化装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例所述的供应链数据标准化装置700包括：数据识别模块701、数据提取模块702、模板获取模块703、矩阵构建模块704和标准化写入模块705。其中：
数据识别模块701，用于接收多数据源的供应链数据并进行识别，获得识别结果；
数据提取模块702，用于从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据；
模板获取模块703，用于获取预构建的标准结构化模板；
矩阵构建模块704，用于根据所述标准结构化模板和所述各个预设的数据表征字段对所述目标数据构建目标空间矩阵；
标准化写入模块705，用于基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内，完成将所述目标数据转化为标准结构化数据。
在本申请的一些具体实施方式中，所述的供应链数据标准化装置700还包括人工智能分类模块，所述人工智能分类模块，用于预先根据不同的数据表征字段设计和训练人工智能分类模型；将所述识别结果输入进训练完成的人工智能分类模型，获取输出结果，其中，所述输出结果即根据不同的数据表征字段所识别出的对应的文本块中目标数据。
通过采用人工智能分类模块，并将不同的数据表征字段作为分类目标，避免了人工对大量的供应链数据进行标注分类，减少了人工工作量，更加智能化和自动化，节约人工成本。
继续参考图8，图8是图7所示矩阵构建模块704的一个具体实施例的结构示意图，所述矩阵构建模块704包括更新判断与处理子模块801、空间矩阵随机构建子模块802和目标空间矩阵获得子模块803。其中：
更新判断与处理子模块801，用于根据所述标准结构化模板判断是否需要对所述各个预设的数据表征字段对应的文本块的值和/>值进行更新处理，并根据判断结果和处理结果获取最新的各个文本块；
空间矩阵随机构建子模块802，用于以最新的各个文本块为空间节点随机构建包含所有文本块的空间矩阵；
目标空间矩阵获得子模块803，用于对所述空间矩阵进行验证调整以获得所述目标空间矩阵。
继续参考图9，图9是图8所示更新判断与处理子模块801的一个具体实施例的结构示意图，所述更新判断与处理子模块801包括列值识别单元901、行值识别单元902、列值一致性判断单元903、行值一致性判断单元904、第一处理单元905和第二处理单元906。其中：
列值识别单元901，用于识别所述各个预设的数据表征字段在所述标准结构化模板内对应的列值信息，其中，所述列值信息为列编号；
行值识别单元902，用于识别所述不同条供应链数据在所述标准结构化模板内对应的行值信息，其中，所述行值信息为行编号；
列值一致性判断单元903，用于判断所述各个预设的数据表征字段在所述标准结构化模板内对应的列值信息是否与从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据时所设置的值一致；
行值一致性判断单元904，用于判断所述不同条供应链数据在所述标准结构化模板内对应的行值信息是否与从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据时所设置的值一致；
第一处理单元905，用于若值或/>值都一致，则无需更新各个文本块对应的/>值和/>值；
第二处理单元906，用于若存在值或/>值不一致，则根据所述标准结构化模板更新每个文本块对应的/>值和/>值。
继续参考图10，图10是图8所示目标空间矩阵获得子模块803的一个具体实施例的结构示意图，所述目标空间矩阵获得子模块803包括距离特征矩阵构建单元10a、矩阵一致性判断单元10b、空间矩阵调整单元10c和目标空间矩阵确定单元10d。其中：
距离特征矩阵构建单元10a，用于获取所述空间矩阵中每个文本块所对应的值，并根据相邻文本块对应的/>值和/>值计算相邻文本块之间的邻近权重，根据得到的所有邻近权重构建所述空间矩阵对应的距离特征矩阵；
矩阵一致性判断单元10b，用于判断所述距离特征矩阵是否与预设的距离参照矩阵一致；
空间矩阵调整单元10c，用于若所述距离特征矩阵与预设的距离参照矩阵不一致，则调整所述空间矩阵，重新执行所述距离特征矩阵构建单元10a和所述矩阵一致性判断单元10b；
目标空间矩阵确定单元10d，用于若所述距离特征矩阵与预设的距离参照矩阵一致，则获得当前包含所有文本块的空间矩阵作为所述目标空间矩阵。
本申请通过接收多数据源的供应链数据并进行识别，获得识别结果；从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据；获取预构建的标准结构化模板；根据所述标准结构化模板和所述各个预设的数据表征字段对所述目标数据构建目标空间矩阵；基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内，完成将所述目标数据转化为标准结构化数据。通过采用人工智能分类模型和神经网络进行目标空间矩阵构建，从而根据目标空间矩阵，将目标数据写入到预设的标准结构化模板，替代人工对大量的供应链数据进行标准结构化处理，减少了人工工作量，更加智能化和自动化，节约人工成本。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）等非易失性存储介质，或随机存储记忆体（Random Access Memory，RAM）等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图11，图11为本实施例计算机设备基本结构框图。
所述计算机设备11包括通过系统总线相互通信连接存储器11a、处理器11b、网络接口11c。需要指出的是，图中仅示出了具有组件11a-11c的计算机设备11，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器11a至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11a可以是所述计算机设备11的内部存储单元，例如该计算机设备11的硬盘或内存。在另一些实施例中，所述存储器11a也可以是所述计算机设备11的外部存储设备，例如该计算机设备11上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，所述存储器11a还可以既包括所述计算机设备11的内部存储单元也包括其外部存储设备。本实施例中，所述存储器11a通常用于存储安装于所述计算机设备11的操作系统和各类应用软件，例如一种供应链数据标准化方法的计算机可读指令等。此外，所述存储器11a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器11b在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器11b通常用于控制所述计算机设备11的总体操作。本实施例中，所述处理器11b用于运行所述存储器11a中存储的计算机可读指令或者处理数据，例如运行所述供应链数据标准化方法的计算机可读指令。
所述网络接口11c可包括无线网络接口或有线网络接口，该网络接口11c通常用于在所述计算机设备11与其他电子设备之间建立通信连接。
本实施例提出的计算机设备，属于供应链数据标准结构化处理技术领域。本申请通过接收多数据源的供应链数据并进行识别，获得识别结果；从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据；获取预构建的标准结构化模板；根据所述标准结构化模板和所述各个预设的数据表征字段对所述目标数据构建目标空间矩阵；基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内，完成将所述目标数据转化为标准结构化数据。通过采用人工智能分类模型和神经网络进行目标空间矩阵构建，从而根据目标空间矩阵，将目标数据写入到预设的标准结构化模板，替代人工对大量的供应链数据进行标准结构化处理，减少了人工工作量，更加智能化和自动化，节约人工成本。
本申请还提供了另一种实施方式，即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可读指令，所述计算机可读指令可被处理器执行，以使所述处理器执行如上述的供应链数据标准化方法的步骤。
本实施例提出的计算机可读存储介质，属于供应链数据标准结构化处理技术领域。本申请通过接收多数据源的供应链数据并进行识别，获得识别结果；从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据；获取预构建的标准结构化模板；根据所述标准结构化模板和所述各个预设的数据表征字段对所述目标数据构建目标空间矩阵；基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内，完成将所述目标数据转化为标准结构化数据。通过采用人工智能分类模型和神经网络进行目标空间矩阵构建，从而根据目标空间矩阵，将目标数据写入到预设的标准结构化模板，替代人工对大量的供应链数据进行标准结构化处理，减少了人工工作量，更加智能化和自动化，节约人工成本。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。
Claims (10)
1.一种供应链数据标准化方法，其特征在于，包括下述步骤：
接收多数据源的供应链数据并进行识别，获得识别结果；
从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据；
获取预构建的标准结构化模板；
根据所述标准结构化模板和所述各个预设的数据表征字段对所述目标数据构建目标空间矩阵；
基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内，完成将所述目标数据转化为标准结构化数据。
2.根据权利要求1所述的供应链数据标准化方法，其特征在于，所述从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据的步骤，具体包括：
以文本块形式从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据，其中，每个文本块表示成的形式，其中，/>表示当前文本块的标识信息，/>分别表示当前文本块的宽高值，/>表示当前文本块中包含的目标数据；
对同一条供应链数据中不同数据表征字段所对应的文本块设置同一个值，其中，/>为区间[1，X]中的正整数，X为供应链数据的总条数；
对不同条供应链数据中相同数据表征字段所对应的文本块设置同一个值，其中，/>为区间[1，Y]中的正整数，Y为所述数据表征字段的类别种数。
3.根据权利要求2所述的供应链数据标准化方法，其特征在于，所述根据所述标准结构化模板和所述各个预设的数据表征字段对所述目标数据构建目标空间矩阵的步骤，具体包括：
根据所述标准结构化模板判断是否需要对所述各个预设的数据表征字段对应的文本块的值和/>值进行更新处理，并根据判断结果和处理结果获取最新的各个文本块；
以最新的各个文本块为空间节点随机构建包含所有文本块的空间矩阵；
对所述空间矩阵进行验证调整以获得所述目标空间矩阵。
4.根据权利要求3所述的供应链数据标准化方法，其特征在于，所述根据所述标准结构化模板判断是否需要对所述各个预设的数据表征字段对应的文本块的值和/>值进行更新处理，并根据判断结果和处理结果获取最新的各个文本块的步骤，具体包括：
识别所述各个预设的数据表征字段在所述标准结构化模板内对应的列值信息，其中，所述列值信息为列编号；
识别所述不同条供应链数据在所述标准结构化模板内对应的行值信息，其中，所述行值信息为行编号；
判断所述各个预设的数据表征字段在所述标准结构化模板内对应的列值信息是否与从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据时所设置的值一致；
判断所述不同条供应链数据在所述标准结构化模板内对应的行值信息是否与从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据时所设置的值一致；
若值或/>值都一致，则无需更新各个文本块对应的/>值和/>值；
若存在值或/>值不一致，则根据所述标准结构化模板更新每个文本块对应的/>值和/>值。
5.根据权利要求4所述的供应链数据标准化方法，其特征在于，所述根据所述标准结构化模板更新每个文本块对应的值和/>值的步骤，具体包括：
若存在值不一致，则识别所述/>值不一致时，目标条供应链数据在所述标准结构化模板内对应的行值信息，以所述行值信息替换从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据时为所述目标条供应链数据所设置的/>值，完成更新相应文本块的/>值；
若存在值不一致，则识别所述/>值不一致时，目标数据表征字段在所述标准结构化模板内对应的列值信息，以所述列值信息替换从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据时为所述目标数据表征字段所设置的/>值，完成更新相应文本块的/>值。
6.根据权利要求3所述的供应链数据标准化方法，其特征在于，所述对所述空间矩阵进行验证调整以获得所述目标空间矩阵的步骤，具体包括：
步骤601，获取所述空间矩阵中每个文本块所对应的值，并根据相邻文本块对应的值和/>值计算相邻文本块之间的邻近权重，根据得到的所有邻近权重构建所述空间矩阵对应的距离特征矩阵；
步骤602，判断所述距离特征矩阵是否与预设的距离参照矩阵一致；
步骤603，若所述距离特征矩阵与预设的距离参照矩阵不一致，则调整所述空间矩阵，重新执行步骤601至步骤602；
步骤604，若所述距离特征矩阵与预设的距离参照矩阵一致，则获得当前包含所有文本块的空间矩阵作为所述目标空间矩阵。
7.根据权利要求2至6任一项所述的供应链数据标准化方法，其特征在于，在执行所述基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内的步骤之前，所述方法还包括：
获取每个文本块的值和/>值；
通过对比方式，选择出最大的值和最大的/>值，并将所述最大的/>值和最大的/>值设为所述标准结构化模板内各单元框的/>值和/>值；
根据所述最大的值和最大的/>值对所述标准结构化模板进行样式调整；
所述基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内的步骤，具体包括：
获取所述目标空间矩阵内每个文本块对应的行列信息；
根据所述每个文本块对应的行列信息将所述目标数据写入到进行样式调整之后的标准结构化模板内。
8.一种供应链数据标准化装置，其特征在于，包括：
数据识别模块，用于接收多数据源的供应链数据并进行识别，获得识别结果；
数据提取模块，用于从所述识别结果中提取出各个预设的数据表征字段所对应的目标数据；
模板获取模块，用于获取预构建的标准结构化模板；
矩阵构建模块，用于根据所述标准结构化模板和所述各个预设的数据表征字段对所述目标数据构建目标空间矩阵；
标准化写入模块，用于基于所述目标空间矩阵将所述目标数据写入所述标准结构化模板内，完成将所述目标数据转化为标准结构化数据。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的供应链数据标准化方法的步骤。
10.一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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的供应链数据标准化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310858353.4A CN116628128B (zh) | 2023-07-13 | 2023-07-13 | 一种供应链数据标准化方法、装置、设备及其存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310858353.4A CN116628128B (zh) | 2023-07-13 | 2023-07-13 | 一种供应链数据标准化方法、装置、设备及其存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116628128A true CN116628128A (zh) | 2023-08-22 |
| CN116628128B CN116628128B (zh) | 2023-10-03 |
Family
ID=87621503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310858353.4A Active CN116628128B (zh) | 2023-07-13 | 2023-07-13 | 一种供应链数据标准化方法、装置、设备及其存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116628128B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020010651A1 (en) * | 2000-07-18 | 2002-01-24 | Cohn Steven M. | System and method for establishing business to business connections via the internet |
| WO2013062481A1 (en) * | 2011-10-24 | 2013-05-02 | Nachiappan Nachiappa | Anonymous collection, presentment and reverse auction of payment receipt items |
| US20200118682A1 (en) * | 2018-10-12 | 2020-04-16 | Fujitsu Limited | Medical diagnostic aid and method |
| CN112084452A (zh) * | 2020-09-22 | 2020-12-15 | 扆亮海 | 时态一致性约束判断的网页时效获取方法 |
| US20210110527A1 (en) * | 2019-08-30 | 2021-04-15 | Sas Institute Inc. | Techniques for extracting contextually structured data from document images |
| CN113377850A (zh) * | 2021-06-09 | 2021-09-10 | 深圳前海墨斯科技有限公司 | 认知物联网大数据技术平台 |
| WO2022126971A1 (zh) * | 2020-12-16 | 2022-06-23 | 平安科技（深圳）有限公司 | 基于密度的文本聚类方法、装置、设备及存储介质 |
| CN114842483A (zh) * | 2022-06-27 | 2022-08-02 | 齐鲁工业大学 | 基于神经网络和模板匹配的标准文件信息提取方法及系统 |
| CN115203309A (zh) * | 2022-09-15 | 2022-10-18 | 北京信立方科技发展股份有限公司 | 网页中标数据结构化方法及装置 |
| CN115730603A (zh) * | 2022-12-07 | 2023-03-03 | 中国平安财产保险股份有限公司 | 基于人工智能的信息提取方法、装置、设备及存储介质 |
| CN115798004A (zh) * | 2022-11-27 | 2023-03-14 | 深圳市巨龙创视科技有限公司 | 基于局部区域的人脸打卡方法、装置、电子设备及介质 |
| CN116229494A (zh) * | 2023-02-15 | 2023-06-06 | 上海万达信息系统有限公司 | 一种基于小样本数据的证照关键信息抽取方法 |
| CN116311299A (zh) * | 2023-02-08 | 2023-06-23 | 湖南九立供应链有限公司 | 表格的结构化数据识别方法、装置及系统 |
-
2023
- 2023-07-13 CN CN202310858353.4A patent/CN116628128B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020010651A1 (en) * | 2000-07-18 | 2002-01-24 | Cohn Steven M. | System and method for establishing business to business connections via the internet |
| WO2013062481A1 (en) * | 2011-10-24 | 2013-05-02 | Nachiappan Nachiappa | Anonymous collection, presentment and reverse auction of payment receipt items |
| US20200118682A1 (en) * | 2018-10-12 | 2020-04-16 | Fujitsu Limited | Medical diagnostic aid and method |
| US20210110527A1 (en) * | 2019-08-30 | 2021-04-15 | Sas Institute Inc. | Techniques for extracting contextually structured data from document images |
| CN112084452A (zh) * | 2020-09-22 | 2020-12-15 | 扆亮海 | 时态一致性约束判断的网页时效获取方法 |
| WO2022126971A1 (zh) * | 2020-12-16 | 2022-06-23 | 平安科技（深圳）有限公司 | 基于密度的文本聚类方法、装置、设备及存储介质 |
| CN113377850A (zh) * | 2021-06-09 | 2021-09-10 | 深圳前海墨斯科技有限公司 | 认知物联网大数据技术平台 |
| CN114842483A (zh) * | 2022-06-27 | 2022-08-02 | 齐鲁工业大学 | 基于神经网络和模板匹配的标准文件信息提取方法及系统 |
| CN115203309A (zh) * | 2022-09-15 | 2022-10-18 | 北京信立方科技发展股份有限公司 | 网页中标数据结构化方法及装置 |
| CN115798004A (zh) * | 2022-11-27 | 2023-03-14 | 深圳市巨龙创视科技有限公司 | 基于局部区域的人脸打卡方法、装置、电子设备及介质 |
| CN115730603A (zh) * | 2022-12-07 | 2023-03-03 | 中国平安财产保险股份有限公司 | 基于人工智能的信息提取方法、装置、设备及存储介质 |
| CN116311299A (zh) * | 2023-02-08 | 2023-06-23 | 湖南九立供应链有限公司 | 表格的结构化数据识别方法、装置及系统 |
| CN116229494A (zh) * | 2023-02-15 | 2023-06-06 | 上海万达信息系统有限公司 | 一种基于小样本数据的证照关键信息抽取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116628128B (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112632278A (zh) | 一种基于多标签分类的标注方法、装置、设备及存储介质 | |
| CN112861662B (zh) | 基于人脸和交互文本的目标对象行为预测方法及相关设备 | |
| CN114241499A (zh) | 表格图片识别方法、装置、设备和可读存储介质 | |
| CN116453125A (zh) | 基于人工智能的数据录入方法、装置、设备及存储介质 | |
| CN117234505A (zh) | 一种交互页面生成方法、装置、设备及其存储介质 | |
| CN116934283A (zh) | 一种员工权限配置方法、装置、设备及其存储介质 | |
| CN117057935A (zh) | 基于领域设计的数据处理方法、装置、设备及其存储介质 | |
| CN116383787A (zh) | 页面创建方法、装置、计算机设备及存储介质 | |
| CN116777646A (zh) | 基于人工智能的风险识别方法、装置、设备及存储介质 | |
| CN116681045A (zh) | 报表生成方法、装置、计算机设备及存储介质 | |
| CN116701593A (zh) | 基于GraphQL的中文问答模型训练方法及其相关设备 | |
| CN116628128B (zh) | 一种供应链数据标准化方法、装置、设备及其存储介质 | |
| CN115098644A (zh) | 图像与文本匹配方法、装置、电子设备及存储介质 | |
| CN115185625A (zh) | 基于可配置卡片的自推荐式界面更新方法及其相关设备 | |
| CN114722787B (zh) | 一种基于Excel级联的标签匹配方法、及其相关设备 | |
| CN117078406A (zh) | 一种客户流失预警方法、装置、计算机设备及存储介质 | |
| CN117172226A (zh) | 一种表单重构方法、装置、设备及其存储介质 | |
| CN118227491A (zh) | 测试用例的生成方法、装置、计算机设备及存储介质 | |
| CN117389607A (zh) | 看板配置方法、装置、计算机设备及存储介质 | |
| CN118228079A (zh) | 模糊超图生成方法、装置、计算机设备及存储介质 | |
| CN117076775A (zh) | 资讯数据的处理方法、装置、计算机设备及存储介质 | |
| CN117235257A (zh) | 基于人工智能的情感预测方法、装置、设备及存储介质 | |
| CN117409430A (zh) | 一种医疗票据信息提取方法、装置、设备及其存储介质 | |
| CN116822454A (zh) | 公式配置方法、装置、计算机设备及存储介质 | |
| CN116757771A (zh) | 基于人工智能的方案推荐方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |