CN116842964A - 一种基于语义分析的业务流程生成方法和系统 - Google Patents
一种基于语义分析的业务流程生成方法和系统 Download PDFInfo
- Publication number
- CN116842964A CN116842964A CN202310881028.XA CN202310881028A CN116842964A CN 116842964 A CN116842964 A CN 116842964A CN 202310881028 A CN202310881028 A CN 202310881028A CN 116842964 A CN116842964 A CN 116842964A
- Authority
- CN
- China
- Prior art keywords
- workflow
- feature vector
- business process
- semantic understanding
- semantic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 189
- 230000008569 process Effects 0.000 title claims abstract description 155
- 238000004458 analytical method Methods 0.000 title claims abstract description 69
- 239000013598 vector Substances 0.000 claims description 147
- 230000004927 fusion Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 230000014759 maintenance of location Effects 0.000 claims description 8
- 235000019580 granularity Nutrition 0.000 description 54
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000007499 fusion processing 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/211—Syntactic parsing, e.g. based on context-free grammar [CFG] or unification grammars
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种基于语义分析的业务流程生成方法和系统。其首先获取工作业务流程的自然语言描述,接着,对所述工作业务流程的自然语言描述进行语义分析以得到业务流程语义理解特征,然后,基于所述业务流程语义理解特征,生成所述工作业务流程。这样,可以通过对于业务流程的自然语言描述进行语义分析,以将工作业务流程的文本描述语义特征通过AIGC模型以生成业务流程的计算机代码,从而进行业务流程的智能化生成,提高了业务流程生成的效率和准确性。
Description
技术领域
本公开涉及业务流程生成领域,且更为具体地,涉及一种基于语义分析的业务流程生成方法和系统。
背景技术
业务流程生成是指根据特定的业务需求和规则,自动生成符合要求的业务流程或流程图。在许多行业和领域中,业务流程的生成是一项重要的任务,它可以提高工作效率、降低人为错误,并确保业务流程的一致性和标准化。
然而,传统的业务流程生成方法通常需要专业开发人员进行手动编写代码,这不仅需要花费开发人员大量的时间和精力,而且还容易出现错误。并且,在更新速度快,变化频繁的业务活动中,用户难以快速的变更业务处理流程,导致业务活动的更新周期长,业务活动上线效率低。
因此,期望一种优化的业务流程生成方案。
发明内容
有鉴于此,本公开提出了一种基于语义分析的业务流程生成方法和系统,其可以通过对于业务流程的自然语言描述进行语义分析,以将工作业务流程的文本描述语义特征通过AIGC模型以生成业务流程的计算机代码,从而进行业务流程的智能化生成,提高了业务流程生成的效率和准确性。
根据本公开的一方面,提供了一种基于语义分析的业务流程生成方法,其包括:
获取工作业务流程的自然语言描述;
对所述工作业务流程的自然语言描述进行语义分析以得到业务流程语义理解特征;以及
基于所述业务流程语义理解特征,生成所述工作业务流程。
根据本公开的另一方面,提供了一种基于语义分析的业务流程生成系统,其包括:
描述获取模块,用于获取工作业务流程的自然语言描述;
语义分析模块,用于对所述工作业务流程的自然语言描述进行语义分析以得到业务流程语义理解特征;以及
流程生成模块,用于基于所述业务流程语义理解特征,生成所述工作业务流程。
根据本公开的实施例,其首先获取工作业务流程的自然语言描述,接着,对所述工作业务流程的自然语言描述进行语义分析以得到业务流程语义理解特征,然后,基于所述业务流程语义理解特征,生成所述工作业务流程。这样,可以通过对于业务流程的自然语言描述进行语义分析,以将工作业务流程的文本描述语义特征通过AIGC模型以生成业务流程的计算机代码,从而进行业务流程的智能化生成,提高了业务流程生成的效率和准确性。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的基于语义分析的业务流程生成方法的流程图。
图2示出根据本公开的实施例的基于语义分析的业务流程生成方法的架构示意图。
图3示出根据本公开的实施例的基于语义分析的业务流程生成方法的子步骤S120的流程图。
图4示出根据本公开的实施例的基于语义分析的业务流程生成方法的子步骤S121的流程图。
图5示出根据本公开的实施例的基于语义分析的业务流程生成方法的子步骤S122的流程图。
图6示出根据本公开的实施例的基于语义分析的业务流程生成方法的子步骤S130的流程图。
图7示出根据本公开的实施例的基于语义分析的业务流程生成方法的子步骤S131的流程图。
图8示出根据本公开的实施例的基于语义分析的业务流程生成系统的框图。
图9示出根据本公开的实施例的基于语义分析的业务流程生成方法的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本公开的部分实施例,而不是全部的实施例。基于本公开实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,也属于本公开保护的范围。
如本公开和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
业务流程的生成是指根据特定的业务需求和目标,设计和构建出一套具体的流程和步骤,以实现业务流程的自动化、标准化和优化。生成业务流程通常包括以下几个步骤:1.需求分析,了解业务的具体需求和目标,明确业务流程的输入、输出、参与者、约束条件等要素;2.流程设计,根据需求分析的结果,设计业务流程的整体结构和步骤,可以使用流程图、时序图等工具来表示业务流程的各个环节和流转关系;3.流程建模,将业务流程进行抽象和建模,使用特定的建模语言或工具,如BPMN(Business Process Model and Notation)等,来描述业务流程的各个元素、活动、决策点等;4.流程实现,根据流程设计和建模的结果,将业务流程转化为具体的执行代码或配置文件,以实现业务流程的自动化执行,可以使用各种工具和技术,如工作流引擎、业务流程管理系统(BPMS)等来支持流程的实现和执行;5.流程测试和优化,对生成的业务流程进行测试,验证其符合需求,并进行性能和效果的评估,根据测试结果,对业务流程进行优化和改进,以提高流程的效率和质量;6.流程部署和管理,将优化后的业务流程部署到实际的生产环境中,并进行流程的监控和管理,确保业务流程的稳定运行和持续改进。通过以上步骤,可以生成适应特定业务需求的业务流程,提高业务的自动化程度和效率,减少人为错误和重复工作,实现业务的标准化和优化。
但是,传统的业务流程生成方法存在一些问题。首先,手动编写代码需要专业开发人员投入大量时间和精力,增加了开发成本和周期。其次,由于人为因素,手动编写代码容易出现错误,影响业务流程的准确性和稳定性。此外,在快速变化的业务环境中,用户很难快速地变更业务处理流程,导致业务活动的更新周期较长,上线效率低下。
针对上述技术问题,本申请的技术构思为通过对于业务流程的自然语言描述进行语义分析,以将工作业务流程的文本描述语义特征通过AIGC模型以生成业务流程的计算机代码,从而进行业务流程的智能化生成,提高了业务流程生成的效率和准确性。
图1示出根据本公开的实施例的基于语义分析的业务流程生成方法的流程图。图2示出根据本公开的实施例的基于语义分析的业务流程生成方法的架构示意图。如图1和图2所示,根据本公开实施例的基于语义分析的业务流程生成方法,包括步骤:S110,获取工作业务流程的自然语言描述;S120,对所述工作业务流程的自然语言描述进行语义分析以得到业务流程语义理解特征;以及,S130,基于所述业务流程语义理解特征,生成所述工作业务流程。
具体地,在本申请的技术方案中,首先,获取工作业务流程的自然语言描述。接着,考虑到由于所述自然语言描述中有关于工作业务流程的语义信息量较多,并且所述自然语言描述中是由多个字符或词组成的,这些字符或词之间具有着上下文的语义关联关系。因此,需要首先对所述工作业务流程的自然语言描述进行以字符为单位的划分以得到工作业务流程描述的字符序列。这样,能够将所述自然语言描述分解为单个字符的序列,以便于更细粒度地处理所述工作业务流程的自然语言描述,例如进行字符级别的语义分析或处理特定字符的格式要求,有利于进行所述工作业务流程的自然语言描述的语义理解,便于对于业务流程进行生成。
并且,还考虑到仅仅以字符为单位划分的序列往往无法捕捉到词语层面的语义信息,可能导致对于所述工作业务流程的自然语言描述的语义理解不准确或缺乏上下文的连贯性。因此,在本申请的技术方案中,进一步对所述工作业务流程的自然语言描述进行以词为单位的划分以得到工作业务流程描述的词序列,以此有利于更好地捕捉到所述工作业务流程的自然语言描述中词语的语义信息和上下文关系,从而提高后续对于工作业务流程描述的语义理解的准确性和连贯性,有利于进行工作业务流程生成。
进一步地,由于所述工作业务流程的自然语言描述中的各个字符之间具有着上下文的语义关联关系,并且其中的各个词之间也具有着上下文的语义关联,同时其中的每个词相比较字符来说为更大的语义单位,表示了更多的语义关联信息。因此,为了能够更好地理解所述自然语言描述中的语义和结构,需要分别对于所述工作业务流程的自然语言描述中以字符粒度划分的和以词粒度划分的语义信息进行语义理解和融合,以此综合多尺度的全局语义来进行工作业务流程的生成。具体地,在本申请的技术方案中,进一步将所述工作业务流程描述的字符序列通过包含嵌入层的第一语义编码器中进行编码,以提取出所述工作业务流程的自然语言描述中的各个字符基于全局的上下文语义关联特征信息,从而得到工作业务流程字符粒度语义理解特征向量;并且,将所述工作业务流程描述的词序列通过包含嵌入层的第二语义编码器中进行编码,以提取出所述工作业务流程的自然语言描述中的各个词基于全局的上下文语义关联特征信息,从而得到工作业务流程词粒度语义理解特征向量。
继而,再融合所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量,以此来融合所述工作业务流程的自然语言描述的基于字符粒度的全局上下文语义关联特征信息和基于词粒度的上下文全局语义关联特征信息,从而得到多粒度业务流程语义理解特征向量。这样,能够充分对于所述工作业务流程的自然语言描述进行语义理解,从而捕捉到更多的有关于工作业务流程的描述语义特征信息,并以此自动生成工作业务流程。
相应地,如图3所示,对所述工作业务流程的自然语言描述进行语义分析以得到业务流程语义理解特征,包括:S121,对所述工作业务流程的自然语言描述进行基于字符关联的语义理解以得到工作业务流程字符粒度语义理解特征向量;S122,对所述工作业务流程的自然语言描述进行基于词关联的语义理解以得到工作业务流程词粒度语义理解特征向量;以及,S123,融合所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量以得到多粒度业务流程语义理解特征向量作为所述业务流程语义理解特征。
其中,在步骤S121中,如图4所示,对所述工作业务流程的自然语言描述进行基于字符关联的语义理解以得到工作业务流程字符粒度语义理解特征向量,包括:S1211,对所述工作业务流程的自然语言描述进行以字符为单位的划分以得到工作业务流程描述的字符序列;以及,S1212,将所述工作业务流程描述的字符序列通过包含嵌入层的第一语义编码器以得到所述工作业务流程字符粒度语义理解特征向量。应可以理解,在步骤S121中,基于字符关联的语义理解对工作业务流程的自然语言描述进行处理,以得到工作业务流程字符粒度语义理解特征向量,这个步骤的目的是将自然语言描述转化为机器可以理解和处理的特征向量表示。具体来说,步骤S1211将工作业务流程的自然语言描述按照字符为单位进行划分,得到一个字符序列,这样做是为了捕捉描述中每个字符的信息。然后,在步骤S1212中,通过包含嵌入层的第一语义编码器,将字符序列转化为工作业务流程字符粒度语义理解特征向量,嵌入层可以将字符映射到连续的向量空间,以便于后续的语义理解和处理。这个步骤的作用是将工作业务流程的自然语言描述转化为机器可以处理的特征向量表示,为后续的处理步骤提供输入,这样可以提高对工作业务流程的理解和处理能力,为后续的流程生成和优化提供基础。
值得一提的是,嵌入层(Embedding Layer)是深度学习中常用的一种层级结构,它用于将离散的输入数据转换为连续的向量表示,嵌入层的主要作用是学习到输入数据的低维度表示,以便于后续的处理和分析。在自然语言处理任务中,嵌入层通常用于将离散的词语或字符映射到连续的向量空间。每个词语或字符都被表示为一个固定长度的向量,其中向量的每个维度代表了某种语义或特征。这种连续的向量表示可以更好地捕捉词语或字符之间的语义关系和相似性。嵌入层的参数是需要通过训练来学习得到的,训练过程中会根据任务的损失函数和反向传播算法来更新嵌入层的权重,使得嵌入层能够更好地表示输入数据。嵌入层是深度学习模型中的一种层级结构,用于将离散的输入数据转换为连续的向量表示,以便于后续的处理和分析。在自然语言处理任务中,嵌入层常用于将词语或字符映射到向量空间,以便于对文本进行语义理解和处理。
其中,在步骤S122中,如图5所示,对所述工作业务流程的自然语言描述进行基于词关联的语义理解以得到工作业务流程词粒度语义理解特征向量,包括:S1221,对所述工作业务流程的自然语言描述进行以词为单位的划分以得到工作业务流程描述的词序列;以及,S1222,将所述工作业务流程描述的词序列通过包含嵌入层的第二语义编码器以得到所述工作业务流程词粒度语义理解特征向量。应可以理解,在步骤S122中,基于词关联的语义理解对工作业务流程的自然语言描述进行处理,以得到工作业务流程词粒度语义理解特征向量,这个步骤的目的是将自然语言描述转化为机器可以理解和处理的特征向量表示。具体来说,步骤S1221将工作业务流程的自然语言描述按照词为单位进行划分,得到一个词序列,这样做是为了捕捉描述中每个词的信息。然后,在步骤S1222中,通过包含嵌入层的第二语义编码器,将词序列转化为工作业务流程词粒度语义理解特征向量。这个步骤的作用是将工作业务流程的自然语言描述转化为机器可以处理的特征向量表示,为后续的处理步骤提供输入。这样可以提高对工作业务流程的理解和处理能力,为后续的流程生成和优化提供基础。与字符粒度相比,词粒度的语义理解可以更好地捕捉词语之间的语义关系和上下文信息。
然后,将所述多粒度业务流程语义理解特征向量通过基于AIGC模型的代码生成器以得到所述工作业务流程的计算机程序代码。应可以理解,将所述多粒度的业务流程语义理解特征向量输入到AIGC模型中,可以通过模型的编码能力将其转化为可执行的计算机程序代码,从而实现对工作业务流程的自动化生成,以提高工作业务流程的生成效率,减少人工编写代码的工作量,并且保证代码的准确性和一致性。
相应地,如图6所示,基于所述业务流程语义理解特征,生成所述工作业务流程,包括:S131,对所述多粒度业务流程语义理解特征向量进行特征分布优化以得到优化多粒度业务流程语义理解特征向量;S132,将所述优化多粒度业务流程语义理解特征向量通过基于AIGC模型的代码生成器以得到所述工作业务流程的计算机程序代码;以及,S133,部署所述工作业务流程的计算机程序代码,以生成所述工作业务流程。其中,步骤S131的目的是通过对特征向量进行优化,提高对业务流程的理解能力和表达能力;在步骤S132中,AIGC模型是一种基于人工智能的代码生成器,可以根据特征向量生成相应的计算机程序代码;在步骤S133中,将生成的代码部署到相应的计算机系统中,使其能够自动执行生成的工作业务流程。步骤S130的目的是通过优化特征向量和生成计算机程序代码,实现对工作业务流程的自动生成和执行,提高工作效率和准确性。
其中,在步骤S131中,如图7所示,对所述多粒度业务流程语义理解特征向量进行特征分布优化以得到优化多粒度业务流程语义理解特征向量,包括:S1311,对所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量进行前向传播时的信息保留融合以得到校正特征向量;以及,S1312,计算所述校正特征向量与所述多粒度业务流程语义理解特征向量的按位置点乘以得到所述优化多粒度业务流程语义理解特征向量。应可以理解,按位置点乘是指将校正特征向量与多粒度业务流程语义理解特征向量进行逐位置的乘法操作。具体来说,校正特征向量和多粒度业务流程语义理解特征向量都是由向量组成的。按位置点乘是指将这两个向量中相同位置的元素进行乘法运算,得到一个新的向量,新向量的每个元素都是原始向量对应位置上元素的乘积。这种按位置点乘的操作可以用来捕捉两个向量之间的关联性和相互作用。它可以在特征向量级别上对特征进行校正和调整,从而得到更加准确和优化的多粒度业务流程语义理解特征向量。换言之,按位置点乘是一种逐位置的元素乘法操作,用于计算校正特征向量与多粒度业务流程语义理解特征向量之间的乘积,以获得优化的多粒度业务流程语义理解特征向量。
特别地,在本申请的技术方案中,所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量分别表达所述工作业务流程的自然语言描述的以字符为单位和以词为单位的文本语义编码特征,因此,在源数据具有不同的编码粒度的情况下,在不同粒度下的源文本语义分布上的差异会在语义特征编码时扩大,使得所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量存在向量维度上的特征语义分布的不一致。
这样,在融合所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量得到所述多粒度业务流程语义理解特征向量时,所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量的特征语义分布在向量维度下的不一致会在融合过程中,在模型的前向传播时产生融合特征信息的损失,从而影响所述多粒度业务流程语义理解特征向量对于各个源文本语义粒度下的编码语义特征的表达效果。
基于此,本申请的申请人通过对所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量/>进行前向传播时的信息保留来得到校正特征向量,例如记为/>。
相应地,在一个具体示例中,对所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量进行前向传播时的信息保留融合以得到校正特征向量,包括:以如下融合优化公式对所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量进行前向传播时的信息保留融合以得到所述校正特征向量;其中,所述融合优化公式为:其中,是所述工作业务流程字符粒度语义理解特征向量,/>是所述工作业务流程词粒度语义理解特征向量,/>和/>分别表示将特征向量左移/>位和右移/>位,/>为取整函数,/>是所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量的所有特征值的均值,/>表示特征向量的一范数,/>是所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量之间的距离,且/>为以2为底的对数函数,/>和/>分别表示按位置减法和加法,/>和/>为加权超参数,/>是所述校正特征向量。
这里,针对所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量/>在网络模型中的前向传播过程中,由于融合操作产生的在向量尺度上的浮点分布误差和特征信息损失,通过从均一化信息角度来引入向量的逐位位移操作,来平衡和标准化前向传播过程中的量化误差和信息损失,并通过在特征融合之前重塑特征参数的分布来引入分布多样性,由此以扩大信息熵的方式进行信息保留(retention)。这样,将得到的所述校正特征向量/>与所述多粒度业务流程语义理解特征向量进行点乘,就可以减少所述多粒度业务流程语义理解特征向量对于各个源文本语义粒度下的编码语义特征的表达的信息损失,从而提升其通过基于AIGC模型的代码生成器得到的所述工作业务流程的计算机程序代码的代码质量。这样,能够基于工作业务流程的自然语言描述对工作业务流程代码进行自动化生成,减少了人工编写代码的工作量,并且保证代码的准确性和一致性,以达到优化业务流程的生成效率和准确性的目的。
综上,基于本公开实施例的基于语义分析的业务流程生成方法,其可以通过对于业务流程的自然语言描述进行语义分析,以将工作业务流程的文本描述语义特征通过AIGC模型以生成业务流程的计算机代码,从而进行业务流程的智能化生成,提高了业务流程生成的效率和准确性。
图8示出根据本公开的实施例的基于语义分析的业务流程生成系统100的框图。如图8所示,根据本公开实施例的基于语义分析的业务流程生成系统100,包括:描述获取模块110,用于获取工作业务流程的自然语言描述;语义分析模块120,用于对所述工作业务流程的自然语言描述进行语义分析以得到业务流程语义理解特征;以及,流程生成模块130,用于基于所述业务流程语义理解特征,生成所述工作业务流程。
在一种可能的实现方式中,所述语义分析模块120,包括:字符语义理解单元,用于对所述工作业务流程的自然语言描述进行基于字符关联的语义理解以得到工作业务流程字符粒度语义理解特征向量;词语义理解单元,用于对所述工作业务流程的自然语言描述进行基于词关联的语义理解以得到工作业务流程词粒度语义理解特征向量;以及,向量融合单元,用于融合所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量以得到多粒度业务流程语义理解特征向量作为所述业务流程语义理解特征。
在一种可能的实现方式中,所述字符语义理解单元,包括:字符划分子单元,用于对所述工作业务流程的自然语言描述进行以字符为单位的划分以得到工作业务流程描述的字符序列;以及,第一语义编码子单元,用于将所述工作业务流程描述的字符序列通过包含嵌入层的第一语义编码器以得到所述工作业务流程字符粒度语义理解特征向量。
这里,本领域技术人员可以理解,上述基于语义分析的业务流程生成系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图7的基于语义分析的业务流程生成方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本公开实施例的基于语义分析的业务流程生成系统100可以实现在各种无线终端中,例如具有基于语义分析的业务流程生成算法的服务器等。在一种可能的实现方式中,根据本公开实施例的基于语义分析的业务流程生成系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于语义分析的业务流程生成系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于语义分析的业务流程生成系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于语义分析的业务流程生成系统100与该无线终端也可以是分立的设备,并且该基于语义分析的业务流程生成系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图9示出根据本公开的实施例的基于语义分析的业务流程生成方法的应用场景图。如图9所示,在该应用场景中,首先,获取工作业务流程的自然语言描述(例如,图9中所示意的D),然后,将所述工作业务流程的自然语言描述输入至部署有基于语义分析的业务流程生成算法的服务器中(例如,图9中所示意的S),其中,所述服务器能够使用所述基于语义分析的业务流程生成算法对所述工作业务流程的自然语言描述进行处理以生成所述工作业务流程。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于语义分析的业务流程生成方法,其特征在于,包括:
获取工作业务流程的自然语言描述;
对所述工作业务流程的自然语言描述进行语义分析以得到业务流程语义理解特征;以及
基于所述业务流程语义理解特征,生成所述工作业务流程。
2.根据权利要求1所述的基于语义分析的业务流程生成方法,其特征在于,对所述工作业务流程的自然语言描述进行语义分析以得到业务流程语义理解特征,包括:
对所述工作业务流程的自然语言描述进行基于字符关联的语义理解以得到工作业务流程字符粒度语义理解特征向量;
对所述工作业务流程的自然语言描述进行基于词关联的语义理解以得到工作业务流程词粒度语义理解特征向量;以及
融合所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量以得到多粒度业务流程语义理解特征向量作为所述业务流程语义理解特征。
3.根据权利要求2所述的基于语义分析的业务流程生成方法,其特征在于,对所述工作业务流程的自然语言描述进行基于字符关联的语义理解以得到工作业务流程字符粒度语义理解特征向量,包括:
对所述工作业务流程的自然语言描述进行以字符为单位的划分以得到工作业务流程描述的字符序列;以及
将所述工作业务流程描述的字符序列通过包含嵌入层的第一语义编码器以得到所述工作业务流程字符粒度语义理解特征向量。
4.根据权利要求3所述的基于语义分析的业务流程生成方法,其特征在于,对所述工作业务流程的自然语言描述进行基于词关联的语义理解以得到工作业务流程词粒度语义理解特征向量,包括:
对所述工作业务流程的自然语言描述进行以词为单位的划分以得到工作业务流程描述的词序列;以及
将所述工作业务流程描述的词序列通过包含嵌入层的第二语义编码器以得到所述工作业务流程词粒度语义理解特征向量。
5.根据权利要求4所述的基于语义分析的业务流程生成方法,其特征在于,基于所述业务流程语义理解特征,生成所述工作业务流程,包括:
对所述多粒度业务流程语义理解特征向量进行特征分布优化以得到优化多粒度业务流程语义理解特征向量;
将所述优化多粒度业务流程语义理解特征向量通过基于AIGC模型的代码生成器以得到所述工作业务流程的计算机程序代码;以及
部署所述工作业务流程的计算机程序代码,以生成所述工作业务流程。
6.根据权利要求5所述的基于语义分析的业务流程生成方法,其特征在于,对所述多粒度业务流程语义理解特征向量进行特征分布优化以得到优化多粒度业务流程语义理解特征向量,包括:
对所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量进行前向传播时的信息保留融合以得到校正特征向量;以及
计算所述校正特征向量与所述多粒度业务流程语义理解特征向量的按位置点乘以得到所述优化多粒度业务流程语义理解特征向量。
7.根据权利要求6所述的基于语义分析的业务流程生成方法,其特征在于,对所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量进行前向传播时的信息保留融合以得到校正特征向量,包括:
以如下融合优化公式对所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量进行前向传播时的信息保留融合以得到所述校正特征向量;其中,所述融合优化公式为:其中,/>是所述工作业务流程字符粒度语义理解特征向量,/>是所述工作业务流程词粒度语义理解特征向量,/>和/>分别表示将特征向量左移/>位和右移/>位,/>为取整函数,/>是所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量的所有特征值的均值,/>表示特征向量的一范数,/>是所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量之间的距离,且为以2为底的对数函数,/>和/>分别表示按位置减法和加法,/>和/>为加权超参数,是所述校正特征向量。
8.一种基于语义分析的业务流程生成系统,其特征在于,包括:
描述获取模块,用于获取工作业务流程的自然语言描述;
语义分析模块,用于对所述工作业务流程的自然语言描述进行语义分析以得到业务流程语义理解特征;以及
流程生成模块,用于基于所述业务流程语义理解特征,生成所述工作业务流程。
9.根据权利要求8所述的基于语义分析的业务流程生成方法,其特征在于,所述语义分析模块,包括:
字符语义理解单元,用于对所述工作业务流程的自然语言描述进行基于字符关联的语义理解以得到工作业务流程字符粒度语义理解特征向量;
词语义理解单元,用于对所述工作业务流程的自然语言描述进行基于词关联的语义理解以得到工作业务流程词粒度语义理解特征向量;以及
向量融合单元,用于融合所述工作业务流程字符粒度语义理解特征向量和所述工作业务流程词粒度语义理解特征向量以得到多粒度业务流程语义理解特征向量作为所述业务流程语义理解特征。
10.根据权利要求9所述的基于语义分析的业务流程生成系统,其特征在于,所述字符语义理解单元,包括:
字符划分子单元,用于对所述工作业务流程的自然语言描述进行以字符为单位的划分以得到工作业务流程描述的字符序列;以及
第一语义编码子单元,用于将所述工作业务流程描述的字符序列通过包含嵌入层的第一语义编码器以得到所述工作业务流程字符粒度语义理解特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310881028.XA CN116842964A (zh) | 2023-07-18 | 2023-07-18 | 一种基于语义分析的业务流程生成方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310881028.XA CN116842964A (zh) | 2023-07-18 | 2023-07-18 | 一种基于语义分析的业务流程生成方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116842964A true CN116842964A (zh) | 2023-10-03 |
Family
ID=88168843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310881028.XA Pending CN116842964A (zh) | 2023-07-18 | 2023-07-18 | 一种基于语义分析的业务流程生成方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842964A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117082700A (zh) * | 2023-10-16 | 2023-11-17 | 永林电子股份有限公司 | 一种led灯光互动控制系统 |
CN117271438A (zh) * | 2023-07-17 | 2023-12-22 | 乾元云硕科技(深圳)有限公司 | 用于大数据的智能存储系统及其方法 |
CN117521606A (zh) * | 2024-01-04 | 2024-02-06 | 长春职业技术学院 | 用于财务数据的智能报表生成系统及方法 |
CN117611094A (zh) * | 2023-12-06 | 2024-02-27 | 阿帕数字科技有限公司 | 基于业务流程编排实现供应链体系设计方法及系统 |
CN117608650A (zh) * | 2024-01-15 | 2024-02-27 | 钱塘科技创新中心 | 业务流程图生成方法、处理设备及存储介质 |
CN117707986A (zh) * | 2024-02-05 | 2024-03-15 | 钦原科技有限公司 | 用于移动终端的软件功耗测试方法及系统 |
CN117611094B (zh) * | 2023-12-06 | 2024-06-07 | 阿帕数字科技有限公司 | 基于业务流程编排实现供应链体系设计方法及系统 |
-
2023
- 2023-07-18 CN CN202310881028.XA patent/CN116842964A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117271438A (zh) * | 2023-07-17 | 2023-12-22 | 乾元云硕科技(深圳)有限公司 | 用于大数据的智能存储系统及其方法 |
CN117082700A (zh) * | 2023-10-16 | 2023-11-17 | 永林电子股份有限公司 | 一种led灯光互动控制系统 |
CN117611094A (zh) * | 2023-12-06 | 2024-02-27 | 阿帕数字科技有限公司 | 基于业务流程编排实现供应链体系设计方法及系统 |
CN117611094B (zh) * | 2023-12-06 | 2024-06-07 | 阿帕数字科技有限公司 | 基于业务流程编排实现供应链体系设计方法及系统 |
CN117521606A (zh) * | 2024-01-04 | 2024-02-06 | 长春职业技术学院 | 用于财务数据的智能报表生成系统及方法 |
CN117521606B (zh) * | 2024-01-04 | 2024-03-19 | 长春职业技术学院 | 用于财务数据的智能报表生成系统及方法 |
CN117608650A (zh) * | 2024-01-15 | 2024-02-27 | 钱塘科技创新中心 | 业务流程图生成方法、处理设备及存储介质 |
CN117608650B (zh) * | 2024-01-15 | 2024-04-09 | 钱塘科技创新中心 | 业务流程图生成方法、处理设备及存储介质 |
CN117707986A (zh) * | 2024-02-05 | 2024-03-15 | 钦原科技有限公司 | 用于移动终端的软件功耗测试方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116842964A (zh) | 一种基于语义分析的业务流程生成方法和系统 | |
CN108337000B (zh) | 用于转换到较低精度数据格式的自动方法 | |
Xu et al. | Compressed communication for distributed deep learning: Survey and quantitative evaluation | |
CN111611441B (zh) | 异构数据的处理方法、装置以及计算机设备 | |
CN117008960A (zh) | Api文档生成方法、装置、存储介质及芯片 | |
CN112947960A (zh) | 一种基于机器学习的风险模型部署方法及系统 | |
JP2021517301A (ja) | 確率的丸めロジック | |
CN115017178A (zh) | 数据到文本生成模型的训练方法和装置 | |
CN114840322A (zh) | 任务调度方法及装置、电子设备和存储 | |
CN114968559A (zh) | 基于lsf的多主机多gpu分布式布置深度学习模型的方法 | |
CN117435505B (zh) | 一种性能测试脚本可视化生成方法 | |
CN113687825B (zh) | 一种软件模块的构建方法、装置、设备及存储介质 | |
Glynn | Exact simulation vs exact estimation | |
CN116955210A (zh) | 一种测试用例的生成方法、装置、电子设备及存储介质 | |
CN106933665B (zh) | 预测mpi程序运行时间的方法 | |
CN110221838B (zh) | 一种基于遗传算法和有向无环图进行程序自动设计优化的方法 | |
CN114077890A (zh) | 信息处理装置、机器学习方法和计算机可读存储介质 | |
CN113743042A (zh) | 一种基于高层次综合工具的坐标旋转数字计算方法及系统 | |
CN112783747A (zh) | 一种应用程序的执行时间预测方法及装置 | |
CN113361701A (zh) | 神经网络模型的量化方法和装置 | |
Dinu et al. | Level up in verification: Learning from functional snapshots | |
CN112287005A (zh) | 一种数据处理方法、装置、服务器及介质 | |
JP2021002322A (ja) | イジングマシンデータ入力機器、及びイジングマシンにデータを入力する方法 | |
CN115480745B (zh) | 基于配置文件的代码生成方法及装置 | |
EP4250180A1 (en) | Method and apparatus for generating neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |