CN116629716A - 一种智能交互系统工效分析方法 - Google Patents
一种智能交互系统工效分析方法 Download PDFInfo
- Publication number
- CN116629716A CN116629716A CN202310912161.7A CN202310912161A CN116629716A CN 116629716 A CN116629716 A CN 116629716A CN 202310912161 A CN202310912161 A CN 202310912161A CN 116629716 A CN116629716 A CN 116629716A
- Authority
- CN
- China
- Prior art keywords
- work efficiency
- data
- score
- associated data
- weight
- 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
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 title abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能交互系统工效分析方法,包括获取用户信息和执行用户指令时产生的行为数据,将用户信息与所述行为数据关联获得关联数据,对所述关联数据进行预处理,结合标准指标选取智能交互系统的工效指标,根据所述工效指标对预处理后的所述关联数据进行分类获得分类数据,根据专家法制定工效评分标准,利用所述工效评分标准对所述分类进行工效评分,采用客观权重赋权法确定所述工效评分的权重,根据所述权重对所述工效评分进行模糊综合评价获得综合评分。该方法不仅可以提高工效分析精度,同时具有较好的可解释性,可以直接应用于基于智能交互系统工效分析方法中。
Description
技术领域
本发明涉及工效分析领域,尤其涉及一种智能交互系统工效分析方法。
背景技术
工效分析技术在智能交互领域的应用越来越广泛,可以帮助智能交系统管理者及时、高效地获取工效分析,实现智能交互系统的精准调整。目前,智能交互系统具有用户信息量庞大、工效数据种类多样、信息密度大等特点,智能交互系统工效分析方法存在较多的不确定因素,导致智能交互系统的工效分析方法存在较大的不确定性。虽然已经发明了一些智能交互系统工效分析方法,但是仍不能有效解决智能交互系统工效分析方法的不确定问题。
发明内容
本发明的目的是要提供一种智能交互系统工效分析方法。
为达到上述目的,本发明是按照以下技术方案实施的:
本发明包括以下步骤:
A获取用户信息和执行用户指令时产生的行为数据,将用户信息与所述行为数据关联获得关联数据;
B对所述关联数据进行预处理,结合标准指标选取智能交互系统的工效指标,根据所述工效指标对预处理后的所述关联数据进行分类获得分类数据,所述分类的方法包括将预处理后的所述关联数据输入随机森林算法获得初始分类数据,将所述初始分类数据输入朴素贝叶斯算法获得分类数据;
C根据专家法制定工效评分标准,利用所述工效评分标准对所述分类进行工效评分;
D采用客观权重赋权法确定所述工效评分的权重,根据所述权重对所述工效评分进行模糊综合评价获得综合评分。
进一步的,所述行为数据包括反馈结果、响应时间、用户满意度、错误处理、任务完成率、用户个性化、交互效率。
进一步的,在步骤B中所述预处理的方法,包括对所述关联数据进行清洗,去除无用的标点符号、特殊字符和标签,对清洗后的所述关联数据进行标注并分词,去除停用词。
进一步的,所述结合标准指标选取智能交互系统的工效指标的方法,包括查阅智能交互系统工效评估相关的研究论文、报告、标准,获取现有工效评估指标,分析标准指标,根据智能交互系统的特点、功能和使用场景,筛选所述选取指标获得工效指标;
进一步的,将预处理后的所述关联数据输入随机森林算法获得初始分类数据的方法,包括:
a、读取预处理后的所述关联数据,提取预处理后的所述关联数据的特征;
b、对预处理后的所述关联数据进行重采样,随机抽取方式生成训练子集,将未抽的作为袋外数据,使用决策树对袋外数据进行预测,扰乱特征的特征值,预测决策树特征重要性度量,计算集体随机森林预测准确率的变化量,计算决策树的权重,加权求和获取特征的重要性度量:
其中特征i的重要性度量为,第j棵决策树的权重为/>,特征i第j棵树的特征重要性度量为/>,随机森林预测特征i准确率的变化量为/>;
c、将所述关联数据的特征重要性度量从高到低排序,采用节点分裂选取特征,使用随机选择的特征和训练子集构建决策树,将袋外数据与所述关联数据所述反馈数据合并形成测试集,决策树根据投票和根据特征的重要性度量和特征对预处理后的所述关联数据进行分类对测试集进行分类。
进一步的,将所述初始分类数据输入朴素贝叶斯算法获得分类数据的方法,包括:
将所述初始分类数据输入朴素贝叶斯算法,根据所述初始分类数据分别计算特征出现分类中的条件概率:
其中特征为i,样本为t,类别y特征i的概率为,样本t的概率为/>,类别y特征i中样本t的概率为/>;
对每个特征属性计算所有划分的条件概率,对每个类别计算类别概率和条件概率的乘积,选择条件概率中最大项作为分类的类别。
进一步的,所述采用客观权重赋权法确定所述工效评分的权重的方法,包括:
标准化所述工效评分,计算标准化的所述工效评分的信息承载量:
其中,第j个工效评分的信息承载量为,用户有n个,第i个用户的第j个工效评分为/>,第j个工效评分的平均值为/>,第i个用户第j个工效评分的相关系数为/>;
计算所述工效评分的权重:
其中工效评分有m个。
进一步的,根据所述权重对所述工效评分进行模糊综合评价获得综合评分的方法,包括:
1)根据所述工效指标建立综合评价的工效指标集,将客观权重赋权法确定所述工效评分的权重用模糊矩阵表示;
2)根据工效评分建立综合评价的工效评分集,对每个工效评价指标进行量化,确定每个指标对于工效评分集的隶属度,将所述隶属度用模糊关系矩阵表示;
3)利用所述模糊矩阵和所述模糊关系矩阵进行矩阵运算获得模糊综合评价向量,所述向量包含每个工效评价指标的综合评分:
其中模糊综合评价向量为Q,模糊矩阵为E,模糊关系矩阵为Z。
本发明的有益效果是:
本发明是一种智能交互系统工效分析方法,与现有技术相比,本发明具有以下技术效果:
1.本发明通过预处理、数据分类、综合评分步骤,可以提高工效分析的准确性,从而提高工效分析的精度,将工效分析自动化,可以大大节省人力和时间成本,提高工作效率,可以实现对智能交互系统的工效分析,实时工效分析智能交互系统,对智能交互系统工效分析具有重要意义,可以适应不同智能交互系统、不同用户的智能交互系统的工效分析需求,具有一定的普适性。
2.本发明的方法可以综合考虑基于智能交互工效分析的关键指标,利用分类将工效分析问题转化为综合评价问题,通过对已知预处理数据的分类,实现对工效分析的准确把控。该方法不仅可以提高工效分析精度,同时具有较好的可解释性,可以直接应用于智能交互系统中。
附图说明
图1为本发明一种智能交互系统工效分析方法的步骤流程图。
具体实施方式
下面以及具体实施例对本发明作进一步描述,在此发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
本发明基于智能交互系统工效分析方法包括以下步骤:
如图1所示,在本实施例中,包括以下步骤:
A获取用户信息和执行用户指令时产生的行为数据,将用户信息与所述行为数据关联获得关联数据;
B对所述关联数据进行预处理,结合标准指标选取智能交互系统的工效指标,根据所述工效指标对预处理后的所述关联数据进行分类获得分类数据,所述分类的方法包括将预处理后的所述关联数据输入随机森林算法获得初始分类数据,将所述初始分类数据输入朴素贝叶斯算法获得分类数据;
C根据专家法制定工效评分标准,利用所述工效评分标准对所述分类进行工效评分;
D采用客观权重赋权法确定所述工效评分的权重,根据所述权重对所述工效评分进行模糊综合评价获得综合评分。
在本实施例中,所述行为数据包括反馈结果、响应时间、用户满意度、错误处理、任务完成率、用户个性化、交互效率。
在本实施例中,在步骤B中所述预处理的方法,包括对所述关联数据进行清洗,去除无用的标点符号、特殊字符和标签,对清洗后的所述关联数据进行标注并分词,去除停用词;
在实际评估中,将某款语音助手作为研究对象,用户给出的语音指令为“明天下午的天气如何”“明天早上7点叫我起床”,预处理后的语音指令为“明天/下午/天气”“明天/早上/7点/起床”,其中响应时间为800ms、用户满意度为80、错误率为3、任务完成率为100%、用户个性化42%、交互效率70%,反馈结果为包括“下雨”“已为您设置明天七点的闹钟”,预处理后的反馈结果为“下雨”“设置/明天/七点/闹钟”。
在本实施例中,所述结合标准指标选取智能交互系统的工效指标的方法,包括查阅智能交互系统工效评估相关的研究论文、报告、标准,获取现有工效评估指标,分析标准指标,根据智能交互系统的特点、功能和使用场景,筛选所述选取指标获得工效指标;
在实际评估中,现有的标准指标包括响应时间、用户满意度、任务完成率、交互效率、错误率、错误恢复效率、任务负载,针对语音助手特性筛选的工效指标为响应时间、用户满意度、任务完成率、错误率。
在本实施例中,将预处理后的所述关联数据输入随机森林算法获得初始分类数据的方法,包括:
a、读取预处理后的所述关联数据,提取预处理后的所述关联数据的特征;
b、对预处理后的所述关联数据进行重采样,随机抽取方式生成训练子集,将未抽的作为袋外数据,使用决策树对袋外数据进行预测,扰乱特征的特征值,预测决策树特征重要性度量,计算集体随机森林预测准确率的变化量,计算决策树的权重,加权求和获取特征的重要性度量:
其中特征i的重要性度量为,第j棵决策树的权重为/>,特征i第j棵树的特征重要性度量为/>,随机森林预测特征i准确率的变化量为/>;
c、将所述关联数据的特征重要性度量从高到低排序,采用节点分裂选取特征,使用随机选择的特征和训练子集构建决策树,将袋外数据与所述关联数据所述反馈数据合并形成测试集,决策树根据投票和根据特征的重要性度量和特征对预处理后的所述关联数据进行分类对测试集进行分类。
在实际评估中,“明天/下午/天气”的特征为明天、下午、天气,“明天/早上/7点/起床”的特征为明天、早上、七点,“下雨”的特征是下雨,“设置/明天/七点/闹钟”的特征为明天、七点、闹钟,初始分类数据为闹钟设置和天气情况。
在本实施例中,将所述初始分类数据输入朴素贝叶斯算法获得分类数据的方法,包括:
将所述初始分类数据输入朴素贝叶斯算法,根据所述初始分类数据分别计算特征出现分类中的条件概率:
其中特征为i,样本为t,类别y特征i的概率为,样本t的概率为/>,类别y特征i中样本t的概率为/>;
对每个特征属性计算所有划分的条件概率,对每个类别计算类别概率和条件概率的乘积,选择条件概率中最大项作为分类的类别;
在实际评估中,分类结果为闹钟和天气。
在本实施例中,所述采用客观权重赋权法确定所述工效评分的权重的方法,包括:
标准化所述工效评分,计算标准化的所述工效评分的信息承载量:
其中,第j个工效评分的信息承载量为,用户有n个,第i个用户的第j个工效评分为/>,第j个工效评分的平均值为/>,第i个用户第j个工效评分的相关系数为/>;
计算所述工效评分的权重:
其中工效评分有m个;
在实际评估中,标准化后的功效评分为响应时间0.6、用户满意度0.8、任务完成率1、错误率0.3,工效指标响应时间、用户满意度、任务完成率、错误率的权重分别为0.23、0.347、0.209、0.214。
在本实施例中,根据所述权重对所述工效评分进行模糊综合评价获得综合评分的方法,包括:
1)根据所述工效指标建立综合评价的工效指标集,将客观权重赋权法确定所述工效评分的权重用模糊矩阵表示;
2)根据工效评分建立综合评价的工效评分集,对每个工效评价指标进行量化,确定每个指标对于工效评分集的隶属度,将所述隶属度用模糊关系矩阵表示;
3)利用所述模糊矩阵和所述模糊关系矩阵进行矩阵运算获得模糊综合评价向量,所述向量包含每个工效评价指标的综合评分:
其中模糊综合评价向量为Q,模糊矩阵为E,模糊关系矩阵为Z;
在实际评估中,工效指标响应时间、用户满意度、任务完成率、错误率的综合评分分别为0.0138、0.2776、0.209、0.0642,根据所述综合评分调整智能交互系统数据分析正确率、增强系统的语音识别性能、系统文本分析能力。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种智能交互系统工效分析方法,其特征在于,包括以下步骤:
A获取用户信息和执行用户指令时产生的行为数据,将用户信息与所述行为数据关联获得关联数据;
B对所述关联数据进行预处理,结合标准指标选取智能交互系统的工效指标,根据所述工效指标对预处理后的所述关联数据进行分类获得分类数据,所述分类的方法包括将预处理后的所述关联数据输入随机森林算法获得初始分类数据,将所述初始分类数据输入朴素贝叶斯算法获得分类数据;
C根据专家法制定工效评分标准,利用所述工效评分标准对所述分类进行工效评分;
D采用客观权重赋权法确定所述工效评分的权重,根据所述权重对所述工效评分进行模糊综合评价获得综合评分。
2.根据权利要求1所述的一种智能交互系统工效分析方法,其特征在于,所述行为数据包括反馈结果、响应时间、用户满意度、错误处理、任务完成率、用户个性化、交互效率。
3.根据权利要求1所述的一种智能交互系统工效分析方法,其特征在于,在步骤B中所述预处理的方法,包括对所述关联数据进行清洗,去除无用的标点符号、特殊字符和标签,对清洗后的所述关联数据进行标注并分词,去除停用词。
4.根据权利要求1所述的一种智能交互系统工效分析方法,其特征在于,将预处理后的所述关联数据输入随机森林算法获得初始分类数据的方法,包括:
a、读取预处理后的所述关联数据,提取预处理后的所述关联数据的特征;
b、对预处理后的所述关联数据进行重采样,随机抽取方式生成训练子集,将未抽的作为袋外数据,使用决策树对袋外数据进行预测,扰乱特征的特征值,预测决策树特征重要性度量,计算集体随机森林预测准确率的变化量,计算决策树的权重,加权求和获取特征的重要性度量:
其中特征i的重要性度量为,第j棵决策树的权重为/>,特征i第j棵树的特征重要性度量为/>,随机森林预测特征i准确率的变化量为/>;
c、将所述关联数据的特征重要性度量从高到低排序,采用节点分裂选取特征,使用随机选择的特征和训练子集构建决策树,将袋外数据与所述关联数据所述反馈数据合并形成测试集,决策树根据投票和根据特征的重要性度量和特征对预处理后的所述关联数据进行分类对测试集进行分类。
5.根据权利要求1所述的一种智能交互系统工效分析方法,其特征在于,将所述初始分类数据输入朴素贝叶斯算法获得分类数据的方法,包括:
将所述初始分类数据输入朴素贝叶斯算法,根据所述初始分类数据分别计算特征出现分类中的条件概率:
其中特征为i,样本为t,类别y特征i的概率为,样本t的概率为/>,类别y特征i中样本t的概率为/>;
对每个特征属性计算所有划分的条件概率,对每个类别计算类别概率和条件概率的乘积,选择条件概率中最大项作为分类的类别。
6.根据权利要求1所述的一种智能交互系统工效分析方法,其特征在于,所述采用客观权重赋权法确定所述工效评分的权重的方法,包括:
标准化所述工效评分,计算标准化的所述工效评分的信息承载量:
其中,第j个工效评分的信息承载量为,用户有n个,第i个用户的第j个工效评分为/>,第j个工效评分的平均值为/>,第i个用户第j个工效评分的相关系数为/>;
计算所述工效评分的权重:
其中工效评分有m个。
7.根据权利要求1所述的一种智能交互系统工效分析方法,其特征在于,根据所述权重对所述工效评分进行模糊综合评价获得综合评分的方法,包括:
1)根据所述工效指标建立综合评价的工效指标集,将客观权重赋权法确定所述工效评分的权重用模糊矩阵表示;
2)根据工效评分建立综合评价的工效评分集,对每个工效评价指标进行量化,确定每个指标对于工效评分集的隶属度,将所述隶属度用模糊关系矩阵表示;
3)利用所述模糊矩阵和所述模糊关系矩阵进行矩阵运算获得模糊综合评价向量,所述向量包含每个工效评价指标的综合评分:
其中模糊综合评价向量为Q,模糊矩阵为E,模糊关系矩阵为Z。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912161.7A CN116629716A (zh) | 2023-07-25 | 2023-07-25 | 一种智能交互系统工效分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912161.7A CN116629716A (zh) | 2023-07-25 | 2023-07-25 | 一种智能交互系统工效分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116629716A true CN116629716A (zh) | 2023-08-22 |
Family
ID=87603106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310912161.7A Pending CN116629716A (zh) | 2023-07-25 | 2023-07-25 | 一种智能交互系统工效分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629716A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113045A (zh) * | 2023-10-24 | 2023-11-24 | 交通运输部公路科学研究所 | 一种自动驾驶的定位系统有效性评估方法 |
-
2023
- 2023-07-25 CN CN202310912161.7A patent/CN116629716A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113045A (zh) * | 2023-10-24 | 2023-11-24 | 交通运输部公路科学研究所 | 一种自动驾驶的定位系统有效性评估方法 |
CN117113045B (zh) * | 2023-10-24 | 2024-01-26 | 交通运输部公路科学研究所 | 一种自动驾驶的定位系统有效性评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163647B (zh) | 一种数据处理方法及装置 | |
CN110033281B (zh) | 一种智能客服至人工客服转换的方法及装置 | |
CN107861951A (zh) | 智能客服中的会话主题识别方法 | |
CN117151870B (zh) | 一种基于客群画像行为分析方法及系统 | |
CN111026870A (zh) | 一种综合文本分类和图像识别的ict系统故障分析方法 | |
CN112836509A (zh) | 一种专家系统知识库构建方法及系统 | |
CN116629716A (zh) | 一种智能交互系统工效分析方法 | |
CN115794803A (zh) | 一种基于大数据ai技术的工程审计问题监测方法与系统 | |
CN117314593B (zh) | 一种基于用户行为分析的保险项目推送方法及系统 | |
CN116662671B (zh) | 一种基于用户偏好的数字图书馆数据推送方法 | |
CN113177644A (zh) | 一种基于词嵌入和深度时序模型的自动建模系统 | |
CN111105041B (zh) | 一种用于智慧数据碰撞的机器学习方法及装置 | |
CN117372144A (zh) | 应用于小样本场景的风控策略智能化方法及系统 | |
CN111708865A (zh) | 一种基于改进XGBoost算法的技术预见及专利预警分析方法 | |
CN113657726B (zh) | 基于随机森林的人员的危险性分析方法 | |
CN114358813B (zh) | 一种基于场矩阵因子分解机改进的广告投放方法及系统 | |
CN112506930B (zh) | 一种基于机器学习技术的数据洞察系统 | |
CN114676253A (zh) | 一种基于机器学习算法的元数据分级分类方法 | |
CN113761918A (zh) | 一种数据处理方法及装置 | |
CN116932487B (zh) | 一种基于数据段落划分的量化式数据分析方法及系统 | |
CN117077005B (zh) | 一种城市微更新潜力的优化方法和系统 | |
CN117251574B (zh) | 一种基于多特征数据融合的文本分类提取方法及系统 | |
CN116341990B (zh) | 一种基础设施工程的知识管理评价方法及系统 | |
CN111723223B (zh) | 一种基于主体推断的多标签图像检索方法 | |
Nawaz | Analysis of Transactional Data with Long Short-Term Memory Recurrent Neural Networks |
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 |