CN116703339A - 一种基于图Transformer模型的RPA流程推荐方法及系统 - Google Patents
一种基于图Transformer模型的RPA流程推荐方法及系统 Download PDFInfo
- Publication number
- CN116703339A CN116703339A CN202310996707.1A CN202310996707A CN116703339A CN 116703339 A CN116703339 A CN 116703339A CN 202310996707 A CN202310996707 A CN 202310996707A CN 116703339 A CN116703339 A CN 116703339A
- Authority
- CN
- China
- Prior art keywords
- flow
- flow component
- component
- graph
- business
- 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
- 239000013598 vector Substances 0.000 claims abstract description 114
- 238000010586 diagram Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000004801 process automation Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/10—Office automation; Time management
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于图Transformer模型的RPA流程推荐方法及系统,包括:S1:构建流程组件序列图,通过流程组件序列图获得流程组件特征向量;S2:通过图Transformer模型对流程组件特征向量进行迭代计算,获得最终流程组件向量表;S3:通过当前RPA流程在最终流程组件向量表中获取推荐的流程组件。本发明将具体的业务流程和流程组件抽象成流程组件序列图,保留了业务流程中流程组件有的序列性特征,将业务流程看作整体,克服了传统推荐流程组件只选取当前流程最后一个组件而忽略全局的缺陷;通过图Transformer模型对流程组件特征向量进行学习,最终提取到的最终流程组件向量表包含了图的高阶连通性特征,提高了推荐流程组件的准确率。
Description
技术领域
本发明涉及RPA流程推荐算法领域,尤其涉及一种基于图Transformer模型的RPA流程推荐方法及系统。
背景技术
RPA(Robotic Process Automation),全称为机器人流程自动化,是一种将基于一定规则,具有重复性的工作通过人机交互进行抽象从而实现流程自动化的软件解决方案。RPA流程推荐算法旨在RPA业务流程定制过程中,根据历史的业务流程组件序列信息,通过机器学习提取出各组件的特征信息,并结合当前业务流程的已有组件,为用户推荐在后续流程定制过程中可用的组件。
随着信息化智能化的普及,市面上已有的RPA产品层出不穷,其共性是为用户提供RPA设计器,以可视化的方式帮助用户手动设计由如复制、粘贴等基础操作组成的流程规则,完成流程自动化定制。目前定制业务流程需要专业人员根据经验手动操作设计器,造成流程定制存在一定的使用难度,具有较高的入门门槛。现有的RPA流程推荐方法对下一个流程组件进行推荐时,通常仅考虑了当前已有组件中最后一个组件的转移概率,而忽略了流程组件之间的序列性与高阶连通性特征,且缺乏对于RPA业务流程中流程组件全局序列性特征的学习,导致流程组件推荐效果不佳。
发明内容
为解决上述技术问题,本发明提供一种基于图Transformer模型的RPA流程推荐方法,包括:
S1:构建流程组件序列图,通过流程组件序列图获得流程组件特征向量;
S2:通过图Transformer模型对流程组件特征向量进行迭代计算,获得最终流程组件向量表;
S3:通过当前RPA流程在最终流程组件向量表中获取推荐的流程组件。
优选的,步骤S1具体为:
S11:通过历史RPA流程获得业务流程和流程组件;
S12:将流程组件作为流程组件序列图中的节点,将业务流程划分为流程组件序列图中不同类型的边,生成多重、有向且异构的流程组件序列图;
S13:将流程组件序列图映射至d维空间进行初始化,获得流程组件特征向量,流程组件特征向量由d维向量表示。
优选的,步骤S2具体为:
S21:通过流程组件特征向量构建流程组件向量表,将流程组件特征向量输入图Transformer模型对流程组件向量表进行更新,获得新的流程组件向量表;
S22:通过新的流程组件向量表进行评分计算,获得业务流程与流程组件的评分;
S23:通过评分构建损失函数,通过损失函数优化图Transformer模型的参数;
S24:重复步骤S21-S23直至最大迭代次数,获得最终流程组件向量表。
优选的,步骤S21具体为:
S211:在图Transformer模型的l层中,根据流程组件特征向量与位置编码和边编码的关系,计算各流程组件间的注意力权重,更新流程组件间的注意力权重矩阵,l的初始值为1,最大值为L;
注意力权重的计算公式为:
其中,Aij为注意力权重矩阵中的元素,i和j均为流程组件的编号,hi为流程组件i的中心性特征向量,d为流程组件特征向量的长度,WQ和WK为可学习的权重矩阵,为流程组件i和流程组件j之间的位置编码,cij为流程组件i和流程组件j之间的边编码;
S212:通过注意力权重矩阵更新流程组件向量表,计算公式为:
其中,A为注意力权重矩阵,l为图Transformer模型的层编号,LN为层标准化操作,FFN为前馈操作,和/>分别为l-1层和l层输出的流程组件向量表;
S213:重复步骤S211-S212共L次,将L层输出的流程组件向量表作为新的流程组件向量表。
优选的,步骤S22具体为:
S221:在新的流程组件向量表中获取业务流程u在前t步使用的所有流程组件特征向量,计算获得业务流程u在第t步时的业务流程特征向量,计算公式为:
其中,m为步数编号,为业务流程u在第m步使用的流程组件,/>为流程组件的流程组件特征向量;
S222:计算获得业务流程u与流程组件j的评分,计算公式为:
其中,j为流程组件的编号,|| ||2为二范数;
S223:重复步骤S221-S222,获得各业务流程与各流程组件的评分。
优选的,图Transformer模型的优化表达式为:
其中,为优化目标函数,/>为业务流程的总数,/>为sigmoid激活函数,v为业务流程u在t+1步所使用的流程组件的编号,k为业务流程u未使用的流程组件的编号,λ为L2正则化参数,Θ为所有参数的集合。
一种基于图Transformer模型的RPA流程推荐系统,包括:
流程组件特征向量获取模块,用于构建流程组件序列图,通过流程组件序列图获得流程组件特征向量;
最终流程组件向量表获取模块,用于通过图Transformer模型对流程组件特征向量进行迭代计算,获得最终流程组件向量表;
流程组件推荐模块,用于通过当前RPA流程在最终流程组件向量表中获取推荐的流程组件。
本发明具有以下有益效果:
本发明将具体的业务流程和流程组件抽象成流程组件序列图,保留了业务流程中流程组件有的序列性特征,将业务流程看作整体,克服了传统推荐流程组件只选取当前流程最后一个组件而忽略全局的缺陷;通过图Transformer模型对流程组件特征向量进行学习,最终提取到的最终流程组件向量表包含了图的高阶连通性特征,融入了注意力权重又选择性保留了流程组件之间的连接关系,提高了推荐流程组件的准确率,增强了实用性;图Transformer模型结合历史RPA流程数据与当前已选择的RPA流程数据,通过本地可缓存的向量表高效地生成流程组件的推荐结果,在数据量庞大的现实工业场景下具有可行性。
附图说明
图1为本发明实施例方法流程图;
图2为流程组件序列图;
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图Transformer模型的RPA流程推荐方法,包括:
S1:构建流程组件序列图,通过流程组件序列图获得流程组件特征向量;
S2:通过图Transformer模型对流程组件特征向量进行迭代计算,获得最终流程组件向量表;
S3:通过当前RPA流程在最终流程组件向量表中获取推荐的流程组件。
进一步的,步骤S1具体为:
S11:通过历史RPA流程获得业务流程和流程组件;
S12:将流程组件作为流程组件序列图中的节点,将业务流程划分为流程组件序列图中不同类型的边,生成多重、有向且异构的流程组件序列图;
具体的,流程组件序列图如图2所示,图中c1至c6为流程组件,在流程组件序列图中以节点的形式表示;业务流程包括三种类型,每种类型对应一种连接方式,在流程组件序列图中以不同类型、不同方向的连接边的形式表示;
S13:将流程组件序列图映射至d维空间进行初始化,获得流程组件特征向量,流程组件特征向量由d维向量表示。
进一步的,步骤S2具体为:
S21:通过流程组件特征向量构建流程组件向量表,将流程组件特征向量输入图Transformer模型对流程组件向量表进行更新,获得新的流程组件向量表;
S22:通过新的流程组件向量表进行评分计算,获得业务流程与流程组件的评分;
S23:通过评分构建损失函数,通过损失函数优化图Transformer模型的参数;
具体的,损失函数使用BPRloss(Bayesian personalized ranking loss)函数,并使用Adam优化器对图Transformer模型的参数进行优化;
S24:重复步骤S21-S23直至最大迭代次数,获得最终流程组件向量表。
进一步的,步骤S21具体为:
S211:在图Transformer模型的l层中,根据流程组件特征向量与位置编码和边编码的关系,计算各流程组件间的注意力权重,更新流程组件间的注意力权重矩阵,l的初始值为1,最大值为L;
注意力权重的计算公式为:
其中,Aij为注意力权重矩阵中的元素,i和j均为流程组件的编号,hi为流程组件i的中心性特征向量,d为流程组件特征向量的长度,WQ和WK为可学习的权重矩阵,为流程组件i和流程组件j之间的位置编码,cij为流程组件i和流程组件j之间的边编码;
具体的,图Transformer模型是在标准的Transformer结构上融入包含图结构信息的流程组件中心性编码、流程组件结构信息编码、边信息编码的改进模型;
图Transformer模型为多层结构,在输入层中,对流程组件进行中心性编码,将流程组件特征向量x和由入度和出度索引的特征向量相加,其中由入度和出度作为索引的特征向量被所有流程组件共享,输入层的中心性特征向量的计算公式如下:
其中,Xi为流程组件i的流程组件特征向量,为以流程组件i的出度作为索引获取的特征向量,/>以流程组件i的入度作为索引获取的特征向量;
在每个图Transformer模型的层中,计算流程组件的位置编码,两个流程组件间的位置编码为一个由他们间最短距离进行索引的可学习的标量,若流程组件不相连则位置编码为-1;
在每个图Transformer模型的层中,计算流程组件的边编码,计算两个流程组件间的边编码的公式如下:
其中,N为流程组件i和j间最短路径的长度,/>为边/>可学习的特征向量,/>为第n个权重向量;
S212:通过注意力权重矩阵更新流程组件向量表,计算公式为:
其中,A为注意力权重矩阵,l为图Transformer模型的层编号,LN为层标准化操作,FFN为前馈操作,和/>分别为l-1层和l层输出的流程组件向量表;
S213:重复步骤S211-S212共L次,将L层输出的流程组件向量表作为新的流程组件向量表。
进一步的,步骤S22具体为:
S221:在新的流程组件向量表中获取业务流程u在前t步使用的所有流程组件特征向量,计算获得业务流程u在第t步时的业务流程特征向量,计算公式为:
其中,m为步数编号,为业务流程u在第m步使用的流程组件,/>为流程组件的流程组件特征向量;
S222:计算获得业务流程u与流程组件j的评分,计算公式为:
其中,j为流程组件的编号,|| ||2为二范数;
S223:重复步骤S221-S222,获得各业务流程与各流程组件的评分。
进一步的,图Transformer模型的优化表达式为:
其中,为优化目标函数,/>为业务流程的总数,/>为sigmoid激活函数,v为业务流程u在t+1步所使用的流程组件的编号,k为业务流程u未使用的流程组件的编号,λ为L2正则化参数,Θ为所有参数的集合。
进一步的,步骤S3具体为:
S31:在最终流程组件向量表中,每个流程组件对应一个特征向量;
S32:获取用户当前RPA流程的已选流程组件,根据用户当前的RPA流程,在最终流程组件向量表中获取已选流程组件的特征向量;
S33:根据已选流程组件,计算流程组件库中各流程组件的评分;
S34:建立最大堆,遍历流程组件库中已评分的流程组件,将流程组件与其评分插入最大堆中,保持最大堆中元素为K个,当最大堆中元素数量超过K个,则弹出堆顶流程组件;
S35:完成流程组件库的遍历后,为用户推荐最大堆中剩余的K个流程组件。
一种基于图Transformer模型的RPA流程推荐系统,包括:
流程组件特征向量获取模块,用于构建流程组件序列图,通过流程组件序列图获得流程组件特征向量;
最终流程组件向量表获取模块,用于通过图Transformer模型对流程组件特征向量进行迭代计算,获得最终流程组件向量表;
流程组件推荐模块,用于通过当前RPA流程在最终流程组件向量表中获取推荐的流程组件。
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)
1.一种基于图Transformer模型的RPA流程推荐方法,其特征在于,包括:
S1:构建流程组件序列图,通过流程组件序列图获得流程组件特征向量;
S2:通过图Transformer模型对流程组件特征向量进行迭代计算,获得最终流程组件向量表;
S3:通过当前RPA流程在最终流程组件向量表中获取推荐的流程组件。
2.根据权利要求1所述的基于图Transformer模型的RPA流程推荐方法,其特征在于,步骤S1具体为:
S11:通过历史RPA流程获得业务流程和流程组件;
S12:将流程组件作为流程组件序列图中的节点,将业务流程划分为流程组件序列图中不同类型的边,生成多重、有向且异构的流程组件序列图;
S13:将流程组件序列图映射至d维空间进行初始化,获得流程组件特征向量,流程组件特征向量由d维向量表示。
3.根据权利要求1所述的基于图Transformer模型的RPA流程推荐方法,其特征在于,步骤S2具体为:
S21:通过流程组件特征向量构建流程组件向量表,将流程组件特征向量输入图Transformer模型对流程组件向量表进行更新,获得新的流程组件向量表;
S22:通过新的流程组件向量表进行评分计算,获得业务流程与流程组件的评分;
S23:通过评分构建损失函数,通过损失函数优化图Transformer模型的参数;
S24:重复步骤S21-S23直至最大迭代次数,获得最终流程组件向量表。
4.根据权利要求3所述的基于图Transformer模型的RPA流程推荐方法,其特征在于,步骤S21具体为:
S211:在图Transformer模型的l层中,根据流程组件特征向量与位置编码和边编码的关系,计算各流程组件间的注意力权重,更新流程组件间的注意力权重矩阵,l的初始值为1,最大值为L;
注意力权重的计算公式为:
其中,Aij为注意力权重矩阵中的元素,i和j均为流程组件的编号,hi为流程组件i的中心性特征向量,d为流程组件特征向量的长度,WQ和WK为可学习的权重矩阵,为流程组件i和流程组件j之间的位置编码,cij为流程组件i和流程组件j之间的边编码;
S212:通过注意力权重矩阵更新流程组件向量表,计算公式为:
其中,A为注意力权重矩阵,l为图Transformer模型的层编号,LN为层标准化操作,FFN为前馈操作,和/>分别为l-1层和l层输出的流程组件向量表;
S213:重复步骤S211-S212共L次,将L层输出的流程组件向量表作为新的流程组件向量表。
5.根据权利要求3所述的基于图Transformer模型的RPA流程推荐方法,其特征在于,步骤S22具体为:
S221:在新的流程组件向量表中获取业务流程u在前t步使用的所有流程组件特征向量,计算获得业务流程u在第t步时的业务流程特征向量,计算公式为:
其中,m为步数编号,为业务流程u在第m步使用的流程组件,/>为流程组件/>的流程组件特征向量;
S222:计算获得业务流程u与流程组件j的评分,计算公式为:
其中,j为流程组件的编号,|| ||2为二范数;
S223:重复步骤S221-S222,获得各业务流程与各流程组件的评分。
6.根据权利要求5所述的基于图Transformer模型的RPA流程推荐方法,其特征在于,图Transformer模型的优化表达式为:
其中,为优化目标函数,/>为业务流程的总数,/>为sigmoid激活函数,v为业务流程u在t+1步所使用的流程组件的编号,k为业务流程u未使用的流程组件的编号,λ为L2正则化参数,Θ为所有参数的集合。
7.一种基于图Transformer模型的RPA流程推荐系统,其特征在于,包括:
流程组件特征向量获取模块,用于构建流程组件序列图,通过流程组件序列图获得流程组件特征向量;
最终流程组件向量表获取模块,用于通过图Transformer模型对流程组件特征向量进行迭代计算,获得最终流程组件向量表;
流程组件推荐模块,用于通过当前RPA流程在最终流程组件向量表中获取推荐的流程组件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310996707.1A CN116703339B (zh) | 2023-08-09 | 2023-08-09 | 一种基于图Transformer模型的RPA流程推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310996707.1A CN116703339B (zh) | 2023-08-09 | 2023-08-09 | 一种基于图Transformer模型的RPA流程推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703339A true CN116703339A (zh) | 2023-09-05 |
CN116703339B CN116703339B (zh) | 2023-11-24 |
Family
ID=87831611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310996707.1A Active CN116703339B (zh) | 2023-08-09 | 2023-08-09 | 一种基于图Transformer模型的RPA流程推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703339B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180197123A1 (en) * | 2017-01-09 | 2018-07-12 | Sutherland Global Services Inc. | Robotics process automation platform |
CN112070416A (zh) * | 2019-12-31 | 2020-12-11 | 北京来也网络科技有限公司 | 基于ai的rpa流程的生成方法、装置、设备及介质 |
US20210110345A1 (en) * | 2019-10-15 | 2021-04-15 | UiPath, Inc. | Automatic completion of robotic process automation workflows using machine learning |
US20210191367A1 (en) * | 2019-12-20 | 2021-06-24 | UiPath, Inc. | System and computer-implemented method for analyzing a robotic process automation (rpa) workflow |
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 |
US20220075605A1 (en) * | 2019-10-15 | 2022-03-10 | UiPath, Inc. | Training and using artificial intelligence (ai) / machine learning (ml) models to automatically supplement and/or complete code of robotic process automation workflows |
CN114675819A (zh) * | 2022-03-29 | 2022-06-28 | 壹沓科技(上海)有限公司 | Rpa组件的推荐方法、装置、设备和可读存储介质 |
CN115170062A (zh) * | 2022-06-22 | 2022-10-11 | 壹沓科技(上海)有限公司 | 自动化流程开发方法、装置及设备 |
CN115578082A (zh) * | 2022-09-30 | 2023-01-06 | 广州亚信技术有限公司 | 自动化机器人流程生成方法、装置、电子设备及存储介质 |
US20230037297A1 (en) * | 2021-08-06 | 2023-02-09 | Bank Of America Corporation | Robotics Process Automation Automatic Enhancement System |
CN116308219A (zh) * | 2023-05-24 | 2023-06-23 | 安徽思高智能科技有限公司 | 一种基于Tranformer的生成式RPA流程推荐方法及系统 |
CN116562807A (zh) * | 2023-05-05 | 2023-08-08 | 科大讯飞股份有限公司 | 机器人流程自动化方法、装置、电子设备和存储介质 |
-
2023
- 2023-08-09 CN CN202310996707.1A patent/CN116703339B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180197123A1 (en) * | 2017-01-09 | 2018-07-12 | Sutherland Global Services Inc. | Robotics process automation platform |
US20220075605A1 (en) * | 2019-10-15 | 2022-03-10 | UiPath, Inc. | Training and using artificial intelligence (ai) / machine learning (ml) models to automatically supplement and/or complete code of robotic process automation workflows |
US20210110345A1 (en) * | 2019-10-15 | 2021-04-15 | UiPath, Inc. | Automatic completion of robotic process automation workflows using machine learning |
US20210191367A1 (en) * | 2019-12-20 | 2021-06-24 | UiPath, Inc. | System and computer-implemented method for analyzing a robotic process automation (rpa) workflow |
CN112949973A (zh) * | 2019-12-31 | 2021-06-11 | 北京来也网络科技有限公司 | 一种结合ai的机器人流程自动化rpa流程的生成方法 |
CN112070416A (zh) * | 2019-12-31 | 2020-12-11 | 北京来也网络科技有限公司 | 基于ai的rpa流程的生成方法、装置、设备及介质 |
US20230037297A1 (en) * | 2021-08-06 | 2023-02-09 | Bank Of America Corporation | Robotics Process Automation Automatic Enhancement System |
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 |
CN114675819A (zh) * | 2022-03-29 | 2022-06-28 | 壹沓科技(上海)有限公司 | Rpa组件的推荐方法、装置、设备和可读存储介质 |
CN115170062A (zh) * | 2022-06-22 | 2022-10-11 | 壹沓科技(上海)有限公司 | 自动化流程开发方法、装置及设备 |
CN115578082A (zh) * | 2022-09-30 | 2023-01-06 | 广州亚信技术有限公司 | 自动化机器人流程生成方法、装置、电子设备及存储介质 |
CN116562807A (zh) * | 2023-05-05 | 2023-08-08 | 科大讯飞股份有限公司 | 机器人流程自动化方法、装置、电子设备和存储介质 |
CN116308219A (zh) * | 2023-05-24 | 2023-06-23 | 安徽思高智能科技有限公司 | 一种基于Tranformer的生成式RPA流程推荐方法及系统 |
Non-Patent Citations (2)
Title |
---|
ASHISH VASWANI等: "Attention Is All You Need", HTTPS://ARXIV.ORG/PDF/1706.03762.PDF, pages 1 - 15 * |
空杯的境界: "Transformer模型详解", HTTPS://BLOG.CSDN.NET/BENZHUJIE1245COM/ARTICLE/DETAILS/117173090, pages 1 - 18 * |
Also Published As
Publication number | Publication date |
---|---|
CN116703339B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109299396B (zh) | 融合注意力模型的卷积神经网络协同过滤推荐方法及系统 | |
CN111061856B (zh) | 一种基于知识感知的新闻推荐方法 | |
US20230088171A1 (en) | Method and apparatus for training search recommendation model, and method and apparatus for sorting search results | |
EP3572985A1 (en) | System and method for generating explainable latent features of machine learning models | |
CN112085565B (zh) | 基于深度学习的信息推荐方法、装置、设备及存储介质 | |
CN114693397B (zh) | 一种基于注意力神经网络的多视角多模态商品推荐方法 | |
CN111898374B (zh) | 文本识别方法、装置、存储介质和电子设备 | |
Shuang et al. | A sentiment information Collector–Extractor architecture based neural network for sentiment analysis | |
CN110991601B (zh) | 一种基于多用户行为的神经网络推荐方法 | |
CN108090231A (zh) | 一种基于信息熵的主题模型优化方法 | |
CN112100485A (zh) | 一种基于评论的评分预测物品推荐方法及系统 | |
CN109800853B (zh) | 融合卷积神经网络和显式反馈的矩阵分解方法、装置及电子设备 | |
CN111898636A (zh) | 一种数据处理方法及装置 | |
CN114298783A (zh) | 基于矩阵分解融合用户社交信息的商品推荐方法及系统 | |
CN113641822A (zh) | 一种基于图神经网络的细粒度情感分类方法 | |
Kalaivani et al. | A review on feature extraction techniques for sentiment classification | |
CN112905906B (zh) | 一种融合局部协同与特征交叉的推荐方法及系统 | |
CN116703339B (zh) | 一种基于图Transformer模型的RPA流程推荐方法及系统 | |
CN113868451A (zh) | 基于上下文级联感知的社交网络跨模态对话方法及装置 | |
Bradley et al. | Language modeling with reduced densities | |
CN113761151A (zh) | 同义词挖掘、问答方法、装置、计算机设备和存储介质 | |
US20240037335A1 (en) | Methods, systems, and media for bi-modal generation of natural languages and neural architectures | |
CN115906861A (zh) | 基于交互方面信息融合的语句情感分析方法以及装置 | |
US11270214B1 (en) | Providing the basis for ethical AI through explanations by coupling non-interpretable and interpretable systems | |
CN115080699A (zh) | 基于模态特异自适应缩放与注意力网络的跨模态检索方法 |
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 |