CN116737940A - 一种智能决策方法、决策系统 - Google Patents
一种智能决策方法、决策系统 Download PDFInfo
- Publication number
- CN116737940A CN116737940A CN202311018304.6A CN202311018304A CN116737940A CN 116737940 A CN116737940 A CN 116737940A CN 202311018304 A CN202311018304 A CN 202311018304A CN 116737940 A CN116737940 A CN 116737940A
- Authority
- CN
- China
- Prior art keywords
- decision
- text
- result
- module
- decided
- 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 52
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 23
- 238000013145 classification model Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical 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
- G06F16/35—Clustering; Classification
-
- 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
- G06F16/34—Browsing; Visualisation therefor
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种智能决策方法、决策系统,决策因素模块,所述决策因素模块根据待决策文本生成决策因素集;分类器,所述分类器获取待决策文本进行分类处理,并输出至少一个分类结果;决策模块,所述决策模块结合所述决策因素模块生成的决策因素集和所述分类器输出的至少一个分类结果生成决策结果;结果输出模块,所述结果输出模块对决策结构进行可视化处理,以向用户展示决策结果,本发明利用决策因素模块和训练好的分类器对待决策文本分别处理,获取与待决策文本对应的决策因素集和至少一个分类结果,通过决策模块根据用户输入的决策指令从分类结果中筛选出与决策指令相应的分类结果,使得决策更加智能化,满足了用户的个性化需求。
Description
技术领域
本发明涉及智能决策技术领域,尤其涉及一种智能决策方法、决策系统。
背景技术
智能决策是指利用人工智能和机器学习等技术来自动分析数据、识别模式,并基于这些分析结果做出决策的过程,其在许多领域中都有广泛的应用,如金融、医疗、物流等,它可以提高效率、降低成本,并帮助人们做出更明智的决策。
智能决策的处理过程,常常使用到文本分类器,通过文本分类器对文本进行预处理,提取文本的特征,然后使用生成的模型对待预测的文本进行归类,最终根据分类展示决策结果。
然而这种根据预先定义好的标签进行决策的方法无法满足更多的需求,例如不同用户的偏好不尽相同,而展示的唯一决策结果无法满足不同用户的需求,对决策的智能化发展是不利的。
因此,有必要提供一种智能决策方法、决策系统解决上述技术问题。
发明内容
为解决上述技术问题,本发明提供一种智能决策方法、决策系统,利用决策因素模块和训练好的分类器对待决策文本分别处理,获取与待决策文本对应的决策因素集和至少一个分类结果,通过决策模块根据用户输入的决策指令从分类结果中筛选出与决策指令相应的分类结果,使得决策更加智能化,满足了用户的个性化需求。
本发明提供的一种智能决策系统,所述智能决策系统包括:
决策因素模块,所述决策因素模块根据待决策文本生成决策因素集;
分类器,所述分类器获取待决策文本进行分类处理,并输出至少一个分类结果;
决策模块,所述决策模块结合所述决策因素模块生成的决策因素集和所述分类器输出的至少一个分类结果生成决策结果;
结果输出模块,所述结果输出模块对决策结构进行可视化处理,以向用户展示决策结果。
优选的,所述智能决策系统还包括:
验证模块,所述验证模块依据收集的决策结果集判定所述决策结果是否正确。
优选的,所述决策因素模块提取待决策文本的关键词性,对所述关键词性进行归类处理,以形成词性类别,标记化处理所述词性类别,生成词性标记,将所述词性标记认定为决策因素。
优选的,所述分类器收集训练文本,预处理所述训练文本,以得到标准文本;
提取所述标准文本的特征向量,并构建特征向量空间;
基于所述特征向量空间对所述训练文本进行描述,以形成分类模型;
基于所述分类模型对待决策文本进行分类处理,输出至少一个分类结果。
优选的,所述决策模块接收所述决策因素模块生成的决策因素集和所述分类器输出的至少一个分类结果生成决策结果;
响应于用户输入的决策指令,其中,所述决策指令中包含用户输入的决策因素选择指令;
根据所述决策指令,从所述决策结果中匹配出与决策因素选择指令对应的决策结果。
一种智能决策方法,所述智能决策方法包括以下操作步骤:
根据待决策文本生成决策因素集;
对待决策文本进行分类处理,并输出至少一个分类结果;
结合所述决策因素模块生成的决策因素集和所述分类器输出的至少一个分类结果生成决策结果;
对决策结构进行可视化处理,以向用户展示决策结果。
优选的,在所述结合所述决策因素模块生成的决策因素集和所述分类器输出的至少一个分类结果生成决策结果后,还包括:
依据收集的决策结果集判定所述决策结果是否正确。
优选的,所述根据待决策文本生成决策因素集,包括:
提取待决策文本的关键词性;
对所述关键词性进行归类处理,以形成词性类别;
标记化处理所述词性类别,生成词性标记;
将所述词性标记认定为决策因素。
优选的,所述对待决策文本进行分类处理,并输出至少一个分类结果,包括:
收集训练文本,预处理所述训练文本,以得到标准文本;
提取所述标准文本的特征向量,并构建特征向量空间;
基于所述特征向量空间对所述训练文本进行描述,以形成分类模型;
基于所述分类模型对待决策文本进行分类处理,输出至少一个分类结果。
优选的,所述结合所述决策因素模块生成的决策因素集和所述分类器输出的至少一个分类结果生成决策结果,包括:
接收所述决策因素模块生成的决策因素集和所述分类器输出的至少一个分类结果生成决策结果;
响应于用户输入的决策指令,其中,所述决策指令中包含用户输入的决策因素选择指令;
根据所述决策指令,从所述决策结果中匹配出与决策因素选择指令对应的决策结果。
与相关技术相比较,本发明提供的一种智能决策方法、决策系统具有如下有益效果:
本发明利用决策因素模块和训练好的分类器对待决策文本分别处理,获取与待决策文本对应的决策因素集和至少一个分类结果,通过决策模块根据用户输入的决策指令从分类结果中筛选出与决策指令相应的分类结果,使得决策更加智能化,满足了用户的个性化需求。
附图说明
图1为本发明提供的一种智能决策系统的结构示意图;
图2为本发明提供的一种智能决策方法的流程示意图;
图3为本发明提供的一种智能决策方法的另一种流程示意图;
图4为本发明提供的一种智能决策方法的决策因素生成流程示意图;
图5为本发明提供的一种智能决策方法的分类结果输出流程示意图;
图6为本发明提供的一种智能决策方法的决策结果输出流程示意图。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
实施例一
参考图1所示,本发明提供了一种智能决策系统,具体的,智能决策系统主要由决策因素模块、分类器、决策模块和结果输出模块组成,其中,
决策因素模块根据待决策文本生成决策因素集;
具体的,决策因素模块根据待决策文本生成决策因素集的具体过程为:
首先,决策因素模块提取待决策文本的关键词性。
在本实施例中,词性的提取可以但不限于使用自然语言处理技术和工具对待决策文本的词性进行标注,例如:词性标注库、预训练模型、使用监督学习算法训练的自定义的词性标注模型或者调用在线API接口将待决策文本发送至云端,以获取反馈结果。
同时,为了使得决策因素集更加符合用户需求,需要清洗被提取的词性,以获得关键词性。
其次,对所述关键词性进行归类处理,以形成词性类别。
在本实施例中,在提取到待决策文本的关键词性后,按照词性的语法和语义特征对其进行分类处理,继而形成词性类别。
本实施例中,词性分为动词、名词、形容词、副词、介词、感叹词、连词、数词等词性。
接着,标记化处理所述词性类别,生成词性标记。
在本实施例中,标记过程可以采用基于语言学规则和模式匹配的方法,将已知的词性规则应用到待决策文本中的单词上,这些规则可以基于词形、上下文等特征来决定词性。
最后,将所述词性标记认定为决策因素。
在本实施例中,在将待决策文本分解成多个词性标记后,接着将每个词性标记认定为一个决策因素,继而构成决策因素集,而每一决策因素代表着用户偏好,在具体应用时,用户至少需要选择一个决策因素。
分类器获取待决策文本进行分类处理,并输出至少一个分类结果。
具体的,分类器获取待决策文本进行分类处理,并输出至少一个分类结果的过程具体为:
具体的,分类器需要进行训练,因此需要收集大量的训练文本,并对训练文本进行预处理和清洗,筛选出有用信息,继而得到标准文本;提取用于训练的标准文本的特征向量,并构建特征向量空间,可采用任意的特征提取方法,例如TF-IDF、主题模型或者Word2Vec等其他可以完成文本特征提取的方法;在特征向量空间构建完成后,基于特征向量空间对基础分类模型进行描述,最终形成分类模型;
在处理待决策文本时,将待决策文本输入完成构建的分类模型内,利用分类模型进行计算,最终得到分类结果。
在分类过程中,本申请的分类模型根据待决策文本可生成多个分类结果,每个分类结果的依据是由不同偏好决定的。
决策模块结合决策因素模块生成的决策因素集和分类器输出的至少一个分类结果生成决策结果。
具体的,决策模块接收决策因素模块生成的决策因素集和分类器输出的至少一个分类结果生成决策结果具体过程为:
首先,决策模块响应于用户输入的决策指令,其中,决策指令中包含用户输入的决策因素选择指令;
决策模块根据决策指令,从众多决策结果中匹配出与决策因素选择指令对应的决策结果,决策选择指令与决策结果之间可以利用相关性实现匹配,例如采用斯皮尔曼等级相关系数,将决策结果和决策因素选择指令两个数据转换为等级/秩次,然后计算等级之间的相关程度,最后选择相关程度最大的那组决策结果和决策因素选择指令。
结果输出模块,所述结果输出模块对决策结构进行可视化处理,以向用户展示决策结果。
具体的,结果输出模块将决策结果转换为用户可识别的形式,最终向用户输出得到的决策结果,这里,输出决策结果的形式可以根据应用的领域而不同。
此外,智能决策系统还包括验证模块,该验证模块依据收集的决策结果集判定所述决策结果是否正确。
具体的,验证模块中含有大量匹配完成的决策结果和决策文本,在具体应用时,根据待决策文本的特征在验证模块的数据库中寻找与待决策文本相似度最高的决策本体,并调用与决策文本对应的决策结果,将决策结果与待决策文本的决策结果对比,若比对结果小于阈值,则表明待决策文本的决策结果符合要求。
本发明提供的一种智能决策系统的工作原理如下:本发明利用决策因素模块和训练好的分类器对待决策文本分别处理,获取与待决策文本对应的决策因素集和至少一个分类结果,通过决策模块根据用户输入的决策指令从分类结果中筛选出与决策指令相应的分类结果,使得决策更加智能化,满足了用户的个性化需求。
实施例二
参考图2和图3所示,一种智能决策方法,该智能决策方法包括以下操作步骤:
步骤100:根据待决策文本生成决策因素集。
具体的,参考图4所示,根据待决策文本生成决策因素集的具体过程为:
步骤101:提取待决策文本的关键词性。
在本实施例中,词性的提取可以但不限于使用自然语言处理技术和工具对待决策文本的词性进行标注,例如:词性标注库、预训练模型、使用监督学习算法训练的自定义的词性标注模型或者调用在线API接口将待决策文本发送至云端,以获取反馈结果。
同时,为了使得决策因素集更加符合用户需求,需要清洗被提取的词性,以获得关键词性。
步骤102:对所述关键词性进行归类处理,以形成词性类别。
在本实施例中,在提取到待决策文本的关键词性后,按照词性的语法和语义特征对其进行分类处理,继而形成词性类别。
本实施例中,词性分为动词、名词、形容词、副词、介词、感叹词、连词、数词等词性。
步骤103:标记化处理所述词性类别,生成词性标记。
在本实施例中,标记过程可以采用基于语言学规则和模式匹配的方法,将已知的词性规则应用到待决策文本中的单词上,这些规则可以基于词形、上下文等特征来决定词性。
步骤104:将所述词性标记认定为决策因素。
在本实施例中,在将待决策文本分解成多个词性标记后,接着将每个词性标记认定为一个决策因素,继而构成决策因素集,而每一决策因素代表着用户偏好,在具体应用时,用户至少需要选择一个决策因素。
步骤200:对待决策文本进行分类处理,并输出至少一个分类结果。
具体的,参考图5所示,分类器获取待决策文本进行分类处理,并输出至少一个分类结果的过程具体为:
步骤201:收集训练文本,预处理所述训练文本,以得到标准文本。
具体的,分类器需要进行训练,因此需要收集大量的训练文本,并对训练文本进行预处理和清洗,筛选出有用信息,继而得到标准文本;
步骤202:提取所述标准文本的特征向量,并构建特征向量空间。
具体的,提取用于训练的标准文本的特征向量,并构建特征向量空间,可采用任意的特征提取方法,例如TF-IDF、主题模型或者Word2Vec等其他可以完成文本特征提取的方法;
步骤203:基于所述特征向量空间对所述训练文本进行描述,以形成分类模型。
具体的,在特征向量空间构建完成后,基于特征向量空间对基础分类模型进行描述,最终形成分类模型;
步骤204:基于所述分类模型对待决策文本进行分类处理,输出至少一个分类结果。
具体的,在处理待决策文本时,将待决策文本输入完成构建的分类模型内,利用分类模型进行计算,最终得到分类结果。
在分类过程中,本申请的分类模型根据待决策文本可生成多个分类结果,每个分类结果的依据是由不同偏好决定的。
步骤300:结合所述决策因素模块生成的决策因素集和所述分类器输出的至少一个分类结果生成决策结果。
具体的,参考图6所示,决策模块接收决策因素模块生成的决策因素集和分类器输出的至少一个分类结果生成决策结果具体过程为:
步骤301:决策模块响应于用户输入的决策指令,其中,决策指令中包含用户输入的决策因素选择指令。
步骤302:响应于用户输入的决策指令,其中,所述决策指令中包含用户输入的决策因素选择指令。
步骤303:根据所述决策指令,从所述决策结果中匹配出与决策因素选择指令对应的决策结果。
具体的,决策模块根据决策指令,从众多决策结果中匹配出与决策因素选择指令对应的决策结果,决策选择指令与决策结果之间可以利用相关性实现匹配,例如采用斯皮尔曼等级相关系数,将决策结果和决策因素选择指令两个数据转换为等级/秩次,然后计算等级之间的相关程度,最后选择相关程度最大的那组决策结果和决策因素选择指令。
步骤400:依据收集的决策结果集判定所述决策结果是否正确。
具体的,事先准备大量匹配完成的决策结果和决策文本,在具体应用时,根据待决策文本的特征在验证模块的数据库中寻找与待决策文本相似度最高的决策本体,并调用与决策文本对应的决策结果,将决策结果与待决策文本的决策结果对比,若比对结果小于阈值,则表明待决策文本的决策结果符合要求。
步骤500:对决策结构进行可视化处理,以向用户展示决策结果。
具体的,结果输出模块将决策结果转换为用户可识别的形式,最终向用户输出得到的决策结果,这里,输出决策结果的形式可以根据应用的领域而不同。
本发明提供的一种智能决策方法的工作原理如下:本发明利用对待决策文本进行处理,获取与待决策文本对应的决策因素集和至少一个分类结果,然后根据用户输入的决策指令从分类结果中筛选出与决策指令相应的分类结果,使得决策更加智能化,满足了用户的个性化需求。
在具体实施过程中,本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一种计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
Claims (10)
1.一种智能决策系统,其特征在于,所述智能决策系统包括:
决策因素模块,所述决策因素模块根据待决策文本生成决策因素集;
分类器,所述分类器获取待决策文本进行分类处理,并输出至少一个分类结果;
决策模块,所述决策模块结合所述决策因素模块生成的决策因素集和所述分类器输出的至少一个分类结果生成决策结果;
结果输出模块,所述结果输出模块对决策结构进行可视化处理,以向用户展示决策结果。
2.根据权利要求1所述的一种智能决策系统,其特征在于,所述智能决策系统还包括:
验证模块,所述验证模块依据收集的决策结果集判定所述决策结果是否正确。
3.根据权利要求2所述的一种智能决策系统,其特征在于,所述决策因素模块提取待决策文本的关键词性,对所述关键词性进行归类处理,以形成词性类别,标记化处理所述词性类别,生成词性标记,将所述词性标记认定为决策因素。
4.根据权利要求1所述的一种智能决策系统,其特征在于,所述分类器收集训练文本,预处理所述训练文本,以得到标准文本;
提取所述标准文本的特征向量,并构建特征向量空间;
基于所述特征向量空间对所述训练文本进行描述,以形成分类模型;
基于所述分类模型对待决策文本进行分类处理,输出至少一个分类结果。
5.根据权利要求1所述的一种智能决策系统,其特征在于,所述决策模块接收所述决策因素模块生成的决策因素集和所述分类器输出的至少一个分类结果生成决策结果;
响应于用户输入的决策指令,其中,所述决策指令中包含用户输入的决策因素选择指令;
根据所述决策指令,从所述决策结果中匹配出与决策因素选择指令对应的决策结果。
6.一种智能决策方法,其特征在于,所述智能决策方法包括以下操作步骤:
根据待决策文本生成决策因素集;
对待决策文本进行分类处理,并输出至少一个分类结果;
结合所述决策因素模块生成的决策因素集和所述分类器输出的至少一个分类结果生成决策结果;
对决策结构进行可视化处理,以向用户展示决策结果。
7.根据权利要求6所述的一种智能决策方法,其特征在于,在所述结合所述决策因素模块生成的决策因素集和所述分类器输出的至少一个分类结果生成决策结果后,还包括:
依据收集的决策结果集判定所述决策结果是否正确。
8.根据权利要求6所述的一种智能决策方法,其特征在于,所述根据待决策文本生成决策因素集,包括:
提取待决策文本的关键词性;
对所述关键词性进行归类处理,以形成词性类别;
标记化处理所述词性类别,生成词性标记;
将所述词性标记认定为决策因素。
9.根据权利要求6所述的一种智能决策方法,其特征在于,所述对待决策文本进行分类处理,并输出至少一个分类结果,包括:
收集训练文本,预处理所述训练文本,以得到标准文本;
提取所述标准文本的特征向量,并构建特征向量空间;
基于所述特征向量空间对所述训练文本进行描述,以形成分类模型;
基于所述分类模型对待决策文本进行分类处理,输出至少一个分类结果。
10.根据权利要求6所述的一种智能决策方法,其特征在于,所述结合所述决策因素模块生成的决策因素集和所述分类器输出的至少一个分类结果生成决策结果,包括:
接收所述决策因素模块生成的决策因素集和所述分类器输出的至少一个分类结果生成决策结果;
响应于用户输入的决策指令,其中,所述决策指令中包含用户输入的决策因素选择指令;
根据所述决策指令,从所述决策结果中匹配出与决策因素选择指令对应的决策结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311018304.6A CN116737940B (zh) | 2023-08-14 | 2023-08-14 | 一种智能决策方法、决策系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311018304.6A CN116737940B (zh) | 2023-08-14 | 2023-08-14 | 一种智能决策方法、决策系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116737940A true CN116737940A (zh) | 2023-09-12 |
CN116737940B CN116737940B (zh) | 2023-11-07 |
Family
ID=87919021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311018304.6A Active CN116737940B (zh) | 2023-08-14 | 2023-08-14 | 一种智能决策方法、决策系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116737940B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604322A (zh) * | 2009-06-24 | 2009-12-16 | 北京理工大学 | 一种决策级文本自动分类融合方法 |
CN107292743A (zh) * | 2017-06-07 | 2017-10-24 | 前海梧桐(深圳)数据有限公司 | 针对企业投融资的智能化决策方法及其系统 |
WO2017215370A1 (zh) * | 2016-06-14 | 2017-12-21 | 平安科技(深圳)有限公司 | 构建决策模型的方法、装置、计算机设备及存储设备 |
CN107622300A (zh) * | 2017-08-09 | 2018-01-23 | 北京光年无限科技有限公司 | 多模态虚拟机器人的认知决策方法和系统 |
US10387819B1 (en) * | 2016-02-17 | 2019-08-20 | Federal Home Loan Mortgage Corporation (Freddie Mac) | Business decision management system to operational decision management adaptor |
CN110188344A (zh) * | 2019-04-23 | 2019-08-30 | 浙江工业大学 | 一种多特征融合的关键词提取方法 |
CN110348694A (zh) * | 2019-06-14 | 2019-10-18 | 中南大学 | 一种基于大数据的智慧旅游决策系统及决策方法 |
CN111898374A (zh) * | 2020-07-30 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 文本识别方法、装置、存储介质和电子设备 |
CN112465282A (zh) * | 2019-09-09 | 2021-03-09 | 上海合才纵成企业管理咨询有限公司 | 一种针对企业重大决策的计算机模拟方法及系统 |
CN112785004A (zh) * | 2021-02-03 | 2021-05-11 | 中国计量大学 | 一种基于粗糙集理论和d-s证据理论的温室智能决策方法 |
CN113539460A (zh) * | 2021-07-29 | 2021-10-22 | 深圳万海思数字医疗有限公司 | 用于远程医疗平台的智能导诊方法和装置 |
-
2023
- 2023-08-14 CN CN202311018304.6A patent/CN116737940B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604322A (zh) * | 2009-06-24 | 2009-12-16 | 北京理工大学 | 一种决策级文本自动分类融合方法 |
US10387819B1 (en) * | 2016-02-17 | 2019-08-20 | Federal Home Loan Mortgage Corporation (Freddie Mac) | Business decision management system to operational decision management adaptor |
WO2017215370A1 (zh) * | 2016-06-14 | 2017-12-21 | 平安科技(深圳)有限公司 | 构建决策模型的方法、装置、计算机设备及存储设备 |
CN107292743A (zh) * | 2017-06-07 | 2017-10-24 | 前海梧桐(深圳)数据有限公司 | 针对企业投融资的智能化决策方法及其系统 |
CN107622300A (zh) * | 2017-08-09 | 2018-01-23 | 北京光年无限科技有限公司 | 多模态虚拟机器人的认知决策方法和系统 |
CN110188344A (zh) * | 2019-04-23 | 2019-08-30 | 浙江工业大学 | 一种多特征融合的关键词提取方法 |
CN110348694A (zh) * | 2019-06-14 | 2019-10-18 | 中南大学 | 一种基于大数据的智慧旅游决策系统及决策方法 |
CN112465282A (zh) * | 2019-09-09 | 2021-03-09 | 上海合才纵成企业管理咨询有限公司 | 一种针对企业重大决策的计算机模拟方法及系统 |
CN111898374A (zh) * | 2020-07-30 | 2020-11-06 | 腾讯科技(深圳)有限公司 | 文本识别方法、装置、存储介质和电子设备 |
CN112785004A (zh) * | 2021-02-03 | 2021-05-11 | 中国计量大学 | 一种基于粗糙集理论和d-s证据理论的温室智能决策方法 |
CN113539460A (zh) * | 2021-07-29 | 2021-10-22 | 深圳万海思数字医疗有限公司 | 用于远程医疗平台的智能导诊方法和装置 |
Non-Patent Citations (3)
Title |
---|
姜元春;刘业政;林文龙;刘晓;: "基于粗糙集与证据理论的决策规则合成方法", 系统仿真学报, no. 04, pages 138 - 142 * |
孟科;: "基于条件向量的多因素粗集决策分析算法设计及应用", 兰州理工大学学报, no. 01, pages 103 - 106 * |
徐曼;沈江;余海燕;: "数据驱动的医疗与健康决策支持研究综述", 工业工程与管理, no. 01, pages 5 - 17 * |
Also Published As
Publication number | Publication date |
---|---|
CN116737940B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102222451B1 (ko) | 텍스트 기반 사용자심리상태예측 및 콘텐츠추천 장치 및 그 방법 | |
CN110097085B (zh) | 歌词文本生成方法、训练方法、装置、服务器及存储介质 | |
US9081411B2 (en) | Rapid development of virtual personal assistant applications | |
US9489625B2 (en) | Rapid development of virtual personal assistant applications | |
KR20180125905A (ko) | 딥 뉴럴 네트워크(Deep Neural Network)를 이용하여 문장이 속하는 클래스(class)를 분류하는 방법 및 장치 | |
CN110569356B (zh) | 基于智能面试交互系统的面试方法、装置和计算机设备 | |
CN109165563B (zh) | 行人再识别方法和装置、电子设备、存储介质、程序产品 | |
CN114007131B (zh) | 视频监控方法、装置及相关设备 | |
KR102216768B1 (ko) | 심리상담 데이터를 이용한 텍스트 내 감정분석을 위한 시스템 및 방법 | |
CN112883732A (zh) | 基于关联记忆网络的中文细粒度命名实体识别方法及装置 | |
CN107807968A (zh) | 基于贝叶斯网络的问答装置、方法及存储介质 | |
CN111666376B (zh) | 一种基于段落边界扫描预测与词移距离聚类匹配的答案生成方法及装置 | |
CN112131876A (zh) | 一种基于相似度确定标准问题的方法及系统 | |
CN112667813B (zh) | 用于裁判文书的敏感身份信息的识别方法 | |
CN112347254B (zh) | 新闻文本的分类方法、装置、计算机设备和存储介质 | |
CN113821605A (zh) | 一种事件抽取方法 | |
CN111782793A (zh) | 智能客服处理方法和系统及设备 | |
CN112183106A (zh) | 一种基于音素联想及深度学习的语义理解方法及装置 | |
KR102185733B1 (ko) | 프로필 자동생성서버 및 방법 | |
CN113853651A (zh) | 用量化的情感状态进行语音-情感识别的装置和方法 | |
Ali et al. | K-means clustering to improve the accuracy of decision tree response classification | |
CN117351336A (zh) | 图像审核方法和相关设备 | |
Regina et al. | Clickbait headline detection using supervised learning method | |
CN116737940B (zh) | 一种智能决策方法、决策系统 | |
CN111694936A (zh) | 用于ai智能面试的识别的方法、装置、计算机设备及存储介质 |
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 |