CN116993307A - 一种具有人工智能学习能力的协同办公方法及系统 - Google Patents
一种具有人工智能学习能力的协同办公方法及系统 Download PDFInfo
- Publication number
- CN116993307A CN116993307A CN202311265711.7A CN202311265711A CN116993307A CN 116993307 A CN116993307 A CN 116993307A CN 202311265711 A CN202311265711 A CN 202311265711A CN 116993307 A CN116993307 A CN 116993307A
- Authority
- CN
- China
- Prior art keywords
- data
- service
- demand
- collaborative
- office
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000013523 data management Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 46
- 238000001514 detection method Methods 0.000 claims description 20
- 238000004140 cleaning Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design 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
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent 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
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种具有人工智能学习能力的协同办公方法及系统，接收来自用户终端的协同办公请求，从协同办公请求中提取业务需求数据；从业务需求数据中获取需求特征信息，并根据需求特征信息生成对应的通信数据，将通信数据传输至数据处理服务；获取人工智能学习的数据记录，并根据数据记录生成数据资源池，调用数据处理服务接收通信数据，将通信数据与数据资源池进行匹配，配置与通信数据对应的目标协同工作服务数据；对目标协同工作服务数据进行数据管理，以转换成业务数据包，利用业务数据包匹配出对应的目标协同应用，调用并推送目标协同应用；能够实现更加有效的、符合实际需求的协同办公，大幅度提高了企业办公效率和用户体验。
Description
技术领域
本发明涉及计算机相关技术领域，特别是一种具有人工智能学习能力的协同办公方法及系统。
背景技术
协同办公，又称：OA。随着企业对协同办公要求的提高，协同办公的定义随之扩展，将其提升到了智能化办公的范畴。大多企业不仅需要解决日常办公、资产管理、业务管理、信息交流等常规协同的功能，并且在即时沟通、数据共享、移动办公等方面提出了更进一步的需求，利用电子设备、网络、信息化、软件等技术手段，使办公人员的工作更加方便快捷，提高工作效率，节约办公成本，简单来说，就是多人协作办公的方式。协同办公往往需要花费很长的时间进行交流沟通，不断阐述自己的需求，在整个过程中会严重浪费时间，降低办公效率。
发明内容
本发明的目的是为了解决上述问题，设计了一种具有人工智能学习能力的协同办公方法及系统。
本发明第一方面提供了一种具有人工智能学习能力的协同办公方法，包括以下步骤：
接收来自用户终端的协同办公请求，从所述协同办公请求中提取业务需求数据；
从所述业务需求数据中获取需求特征信息，并根据所述需求特征信息生成对应的通信数据，将所述通信数据传输至数据处理服务；
获取人工智能学习的数据记录，并根据所述数据记录生成数据资源池，调用所述数据处理服务接收所述通信数据，将所述通信数据与所述数据资源池进行匹配，配置与所述通信数据对应的目标协同工作服务数据；
对所述目标协同工作服务数据进行数据管理，以转换成业务数据包，利用所述业务数据包匹配出对应的目标协同应用，调用并推送所述目标协同应用。
可选的，在本发明第一方面的第一种实现方式中，所述接收来自用户终端的协同办公请求，从所述协同办公请求中提取业务需求数据，包括：
对所述协同办公请求进行分类，得到所述协同办公请求的请求类别，其中所述请求类别至少包括员工请求、业务请求和经营请求；
对所述协同办公请求进行解析，得到业务需求数据，基于所述请求类别对所述业务需求数据进行有效性判断；
若请求无效，则退回所述协同办公请求至用户终端，若请求有效，则对所述业务需求数据进行整理，准备进行所述业务需求数据传输；
调用对应的协同办公服务接口，以接收所述业务需求数据，完成对所述业务需求数据的传输。
可选的，在本发明第一方面的第二种实现方式中，所述从所述业务需求数据中获取需求特征信息，包括：
对所述业务需求数据进行需求属性解析，得到针对所述业务需求数据描述的需求属性解析结果；
对所述业务需求数据进行需求功能解析，得到针对所述业务需求数据描述的需求功能解析结果；
对所述业务需求数据的需求应用进行解析，得到针对所述业务需求数据描述的需求应用解析结果；
分析所述需求属性解析结果、需求功能解析结果和需求应用解析结果，并分别计算对应的特征结果权重，与预设的权重阈值进行比较，并将其中至少一种确定为需求特征信息。
可选的，在本发明第一方面的第三种实现方式中，所述获取人工智能学习的数据记录，并根据所述数据记录生成数据资源池，包括：
收集目标学习信息，提取所述目标学习信息中的办公特征信息，调取基础资源库，并基于所述基础资源库将所述办公特征信息转换成学习数据；
从预设的模型库中匹配出人工智能学习模型，对所述学习数据进行检测，得到检测结果，其中所述检测结果包含与所述学习数据对应的目标服务数据；
通过对所述检测结果进行评估，形成评估结果，并基于所述评估结果对所述人工智能学习模型进行参数修正，以丰富检测参数，得到多条人工智能学习的数据记录；
将多条所述人工智能学习的数据记录生成数据资源池，并根据人工智能学习的数据记录不断补充且更新所述数据资源池。
可选的，在本发明第一方面的第四种实现方式中，所述从预设的模型库中匹配出人工智能学习模型之前，还包括：
根据各协同对象的历史协同工作服务数据，将所述历史协同工作服务数据划分为至少三种数据类型，所述数据类型包括员工协同数据、业务协同数据和经营协同数据；
对每种所述数据类型构建对应的人工智能学习模型，所有所述数据类型对应的人工智能学习模型形成模型库。
可选的，在本发明第一方面的第五种实现方式中，所述根据人工智能学习的数据记录不断补充且更新所述数据资源池之后，还包括：
获取所述数据资源池内的人工智能学习的数据记录，对所述数据记录进行数据清洗处理，其中数据清洗处理的方式至少包括查找缺失值和去除重复值；
对数据清洗处理后的数据记录进行存储划分，形成多个目标数据集合，其中每个所述目标数据集合包含与通信数据对应的目标协同工作服务数据。
可选的，在本发明第一方面的第六种实现方式中，所述调用并推送所述目标协同应用之后，还包括：
获取所述目标协同应用的使用记录，并将所述使用记录生成反馈信息；
对所述反馈信息进行分析处理，得到所述目标协同应用的办公效率值，并判断所述办公效率值是否超过预设的使用效率值；
若是，则从所述反馈信息中确定异常流程节点，并向所述异常流程节点发出提示信息。
本发明第二方面提供了一种具有人工智能学习能力的协同办公系统，该协同办公系统包括用户终端、接收模块、获取模块、匹配模块和推送模块，其中：
接收模块，用于接收来自用户终端的协同办公请求，从所述协同办公请求中提取业务需求数据；
获取模块，用于从所述业务需求数据中获取需求特征信息，并根据所述需求特征信息生成对应的通信数据，将所述通信数据传输至数据处理服务；
匹配模块，用于获取人工智能学习的数据记录，并根据所述数据记录生成数据资源池，调用所述数据处理服务接收所述通信数据，将所述通信数据与所述数据资源池进行匹配，配置与所述通信数据对应的目标协同工作服务数据；
推送模块，用于对所述目标协同工作服务数据进行数据管理，以转换成业务数据包，利用所述业务数据包匹配出对应的目标协同应用，调用并推送所述目标协同应用。
可选的，在本发明第二方面的第一种实现方式中，所述接收模块包括：分类单元，用于对所述协同办公请求进行分类，得到所述协同办公请求的请求类别，其中所述请求类别至少包括员工请求、业务请求和经营请求；判断单元，用于对所述协同办公请求进行解析，得到业务需求数据，基于所述请求类别对所述业务需求数据进行有效性判断；整理单元，用于若请求无效，则退回所述协同办公请求至用户终端，若请求有效，则对所述业务需求数据进行整理，准备进行所述业务需求数据传输；传输单元，用于调用对应的协同办公服务接口，以接收所述业务需求数据，完成对所述业务需求数据的传输。
可选的，在本发明第二方面的第二种实现方式中，所述获取模块包括：属性解析单元，用于对所述业务需求数据进行需求属性解析，得到针对所述业务需求数据描述的需求属性解析结果；功能解析单元，用于对所述业务需求数据进行需求功能解析，得到针对所述业务需求数据描述的需求功能解析结果；应用解析单元，用于对所述业务需求数据的需求应用进行解析，得到针对所述业务需求数据描述的需求应用解析结果；计算单元，用于分析所述需求属性解析结果、需求功能解析结果和需求应用解析结果，并分别计算对应的特征结果权重，与预设的权重阈值进行比较，并将其中至少一种确定为需求特征信息。
可选的，在本发明第二方面的第三种实现方式中，所述匹配模块包括：提取单元，用于收集目标学习信息，提取所述目标学习信息中的办公特征信息，调取基础资源库，并基于所述基础资源库将所述办公特征信息转换成学习数据；匹配单元，用于从预设的模型库中匹配出人工智能学习模型，对所述学习数据进行检测，得到检测结果，其中所述检测结果包含与所述学习数据对应的目标服务数据；评估单元，用于通过对所述检测结果进行评估，形成评估结果，并基于所述评估结果对所述人工智能学习模型进行参数修正，以丰富检测参数，得到多条人工智能学习的数据记录；生成单元，用于将多条所述人工智能学习的数据记录生成数据资源池，并根据人工智能学习的数据记录不断补充且更新所述数据资源池。
可选的，在本发明第二方面的第四种实现方式中，在匹配单元之前，还包括：划分单元，用于根据各协同对象的历史协同工作服务数据，将所述历史协同工作服务数据划分为至少三种数据类型，所述数据类型包括员工协同数据、业务协同数据和经营协同数据；构建单元，用于对每种所述数据类型构建对应的人工智能学习模型，所有所述数据类型对应的人工智能学习模型形成模型库。
可选的，在本发明第二方面的第五种实现方式中，在生成单元之后，还包括：数据清洗单元，用于获取所述数据资源池内的人工智能学习的数据记录，对所述数据记录进行数据清洗处理，其中数据清洗处理的方式至少包括查找缺失值和去除重复值；存储单元，用于对数据清洗处理后的数据记录进行存储划分，形成多个目标数据集合，其中每个所述目标数据集合包含与通信数据对应的目标协同工作服务数据。
可选的，在本发明第二方面的第六种实现方式中，在推送模块之后，还包括：记录单元，用于获取所述目标协同应用的使用记录，并将所述使用记录生成反馈信息；分析单元，用于对所述反馈信息进行分析处理，得到所述目标协同应用的办公效率值，并判断所述办公效率值是否超过预设的使用效率值；确定单元，用于若是，则从所述反馈信息中确定异常流程节点，并向所述异常流程节点发出提示信息。
本发明第三方面提供了一种计算机设备，包括：至少一个处理器以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述处理器通过执行所述指令，从而执行上述的具有人工智能学习能力的协同办公方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机程序被处理器执行上述具有人工智能学习能力的协同办公方法。
本发明提供的技术方案中，接收来自用户终端的协同办公请求，从所述协同办公请求中提取业务需求数据；从所述业务需求数据中获取需求特征信息，并根据所述需求特征信息生成对应的通信数据，将所述通信数据传输至数据处理服务；获取人工智能学习的数据记录，并根据所述数据记录生成数据资源池，调用所述数据处理服务接收所述通信数据，将所述通信数据与所述数据资源池进行匹配，配置与所述通信数据对应的目标协同工作服务数据；对所述目标协同工作服务数据进行数据管理，以转换成业务数据包，利用所述业务数据包匹配出对应的目标协同应用，调用并推送所述目标协同应用；本发明实施例中，提高对数据的存储效率和后续数据利用的便捷性，能够实现更加有效的、符合实际需求的协同办公，大幅度提高了企业办公效率和用户体验。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。
图1为本发明实施例提供的具有人工智能学习能力的协同办公方法的第一个实施例示意图；
图2为本发明实施例提供的具有人工智能学习能力的协同办公方法的第二个实施例示意图；
图3为本发明实施例提供的具有人工智能学习能力的协同办公方法的第三个实施例示意图；
图4为本发明实施例提供的具有人工智能学习能力的协同办公系统的一种结构示意图；
图5为本发明实施例提供的具有人工智能学习能力的协同办公系统的另一种结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
下面结合附图对本发明进行具体描述，如图1所示，一种具有人工智能学习能力的协同办公方法，该具有人工智能学习能力的协同办公方法包括以下步骤：
步骤101、接收来自用户终端的协同办公请求，从协同办公请求中提取业务需求数据；
本实施例中，对协同办公请求进行分类，得到协同办公请求的请求类别，其中请求类别至少包括员工请求、业务请求和经营请求；对协同办公请求进行解析，得到业务需求数据，基于请求类别对业务需求数据进行有效性判断；若请求无效，则退回协同办公请求至用户终端，若请求有效，则对业务需求数据进行整理，准备进行业务需求数据传输；调用对应的协同办公服务接口，以接收业务需求数据，完成对业务需求数据的传输。
步骤102、从业务需求数据中获取需求特征信息，并根据需求特征信息生成对应的通信数据，将通信数据传输至数据处理服务；
本实施例中，对业务需求数据进行需求属性解析，得到针对业务需求数据描述的需求属性解析结果；对业务需求数据进行需求功能解析，得到针对业务需求数据描述的需求功能解析结果；对业务需求数据的需求应用进行解析，得到针对业务需求数据描述的需求应用解析结果；分析需求属性解析结果、需求功能解析结果和需求应用解析结果，并分别计算对应的特征结果权重，与预设的权重阈值进行比较，并将其中至少一种确定为需求特征信息。
步骤103、获取人工智能学习的数据记录，并根据数据记录生成数据资源池，调用数据处理服务接收通信数据，将通信数据与数据资源池进行匹配，配置与通信数据对应的目标协同工作服务数据；
步骤104、对目标协同工作服务数据进行数据管理，以转换成业务数据包，利用业务数据包匹配出对应的目标协同应用，调用并推送目标协同应用。
本实施例中，数据管理方式主要包括融合数据、交换数据；数据包它们是网络上信息传输的基本单位，因为发件人发出的每条信息都被分解成小的片段，以便能够在网络链接上轻松快速地传输，如果没有这些小片段，要在网络上传输大块的信息就会困难很多。
通过上述方案的实施，能够实现更加有效的、符合实际需求的协同办公，大幅度提高了企业办公效率和用户体验。
请参阅图2，本发明实施例提供的具有人工智能学习能力的协同办公方法的第二个实施例示意图，该方法包括：
步骤201、收集目标学习信息，提取目标学习信息中的办公特征信息，调取基础资源库，并基于基础资源库将办公特征信息转换成学习数据；
步骤202、从预设的模型库中匹配出人工智能学习模型，对学习数据进行检测，得到检测结果，其中检测结果包含与学习数据对应的目标服务数据；
本实施例中，根据各协同对象的历史协同工作服务数据，将历史协同工作服务数据划分为至少三种数据类型，数据类型包括员工协同数据、业务协同数据和经营协同数据；对每种数据类型构建对应的人工智能学习模型，所有数据类型对应的人工智能学习模型形成模型库。
本实施例中，人工智能学习模型常见的包括逻辑回归、决策树、随机森林、支持向量机、神经网络、卷积神经网络和循环神经网络；其中逻辑回归是一种用于解决二分类问题的线性模型，可用于预测结果为0或1的概率；决策树通过对数据集的分割，构建一个树形结构，以决策的形式进行分类或者回归；随机森林是由多个决策树构成的集成模型，通过多数表决法来决定最终的分类结果；支持向量机用于解决分类和回归问题的模型，通过寻找一个超平面将数据分成两个类别；神经网络模拟人脑神经元的计算方式，通过多层神经元的连接来实现复杂的任务，如图像识别、自然语言处理等；卷积神经网络是一种特殊的神经网络，用于处理具有网格状结构的数据，例如图像和音频；循环神经网络是一种神经网络，可以处理序列化的数据，例如文本、音频和时间序列数据。
步骤203、通过对检测结果进行评估，形成评估结果，并基于评估结果对人工智能学习模型进行参数修正，以丰富检测参数，得到多条人工智能学习的数据记录；
本实施例中，模型训练是让机器通过数据不断优化模型参数的过程，以使模型能够更好地对未知数据进行预测或决策。模型训练的核心是优化算法，例如梯度下降算法、随机梯度下降算法等。训练过程中需要将数据划分为训练集和验证集，训练集用来更新模型参数，验证集用来评估模型的性能。模型评估是指通过一些评价指标来评估模型的性能，例如准确率、召回率、精确率、F1值等。
步骤204、将多条人工智能学习的数据记录生成数据资源池，并根据人工智能学习的数据记录不断补充且更新数据资源池。
本实施例中，获取数据资源池内的人工智能学习的数据记录，对数据记录进行数据清洗处理，其中数据清洗处理的方式至少包括查找缺失值和去除重复值；对数据清洗处理后的数据记录进行存储划分，形成多个目标数据集合，其中每个目标数据集合包含与通信数据对应的目标协同工作服务数据。
本实施例中，清洗数据可以去除数据中的噪声和异常值，转换数据可以将非数字数据转化为数字数据，而归一化可以将不同规模的数据放缩到同一个范围内。
通过上述方案的实施，提高对数据的存储效率和后续数据利用的便捷性，大幅度提高了企业办公效率和用户体验。
请参阅图3，本发明实施例提供的具有人工智能学习能力的协同办公方法的第三个实施例示意图，该方法包括：
步骤301、接收来自用户终端的协同办公请求，从协同办公请求中提取业务需求数据；
步骤302、从业务需求数据中获取需求特征信息，并根据需求特征信息生成对应的通信数据，将通信数据传输至数据处理服务；
步骤303、获取人工智能学习的数据记录，并根据数据记录生成数据资源池，调用数据处理服务接收通信数据，将通信数据与数据资源池进行匹配，配置与通信数据对应的目标协同工作服务数据；
步骤304、对目标协同工作服务数据进行数据管理，以转换成业务数据包，利用业务数据包匹配出对应的目标协同应用，调用并推送目标协同应用；
步骤305、获取目标协同应用的使用记录，并将使用记录生成反馈信息；
步骤306、对反馈信息进行分析处理，得到目标协同应用的办公效率值，并判断办公效率值是否超过预设的使用效率值；
本实施例中，协同办公的协同对象的办公内容提交后，通过调取该协同对象完成的时间周期，得到办公效率值，通过将协同对象本次的工作内容与其该协同对象相近于本次办公工作内容历史日常工作办公用时、该协同对象相近于办公工作内容的历史办公用时、其他协同对象相近于本次办公工作内容的办公用时进行比对，分析该协同对象本次办公的办公效率值，通过多方面评价本次协同对象的办公工作，利于完善协同办公流程，提高协同办公效率。
步骤307、若是，则从反馈信息中确定异常流程节点，并向异常流程节点发出提示信息。
通过上述方案的实施，能够实现更加有效的、符合实际需求的协同办公，大幅度提高了企业办公效率和用户体验。
请参阅图4，本发明实施例提供的具有人工智能学习能力的协同办公系统的一种结构示意图，该协同办公系统包括用户终端、接收模块、获取模块、匹配模块和推送模块，其中：
接收模块401，用于接收来自用户终端的协同办公请求，从协同办公请求中提取业务需求数据；
获取模块402，用于从业务需求数据中获取需求特征信息，并根据需求特征信息生成对应的通信数据，将通信数据传输至数据处理服务；
匹配模块403，用于获取人工智能学习的数据记录，并根据数据记录生成数据资源池，调用数据处理服务接收通信数据，将通信数据与数据资源池进行匹配，配置与通信数据对应的目标协同工作服务数据；
推送模块404，用于对目标协同工作服务数据进行数据管理，以转换成业务数据包，利用业务数据包匹配出对应的目标协同应用，调用并推送目标协同应用。
通过上述方案的实施，提高对数据的存储效率和后续数据利用的便捷性，能够实现更加有效的、符合实际需求的协同办公，大幅度提高了企业办公效率和用户体验。
请参阅图5，本发明实施例中具有人工智能学习能力的协同办公系统的第二个实施例包括：
接收模块401，用于接收来自用户终端的协同办公请求，从协同办公请求中提取业务需求数据；
获取模块402，用于从业务需求数据中获取需求特征信息，并根据需求特征信息生成对应的通信数据，将通信数据传输至数据处理服务；
匹配模块403，用于获取人工智能学习的数据记录，并根据数据记录生成数据资源池，调用数据处理服务接收通信数据，将通信数据与数据资源池进行匹配，配置与通信数据对应的目标协同工作服务数据；
推送模块404，用于对目标协同工作服务数据进行数据管理，以转换成业务数据包，利用业务数据包匹配出对应的目标协同应用，调用并推送目标协同应用。
在本实施例中，接收模块401包括：
分类单元4011，用于对所述协同办公请求进行分类，得到所述协同办公请求的请求类别，其中所述请求类别至少包括员工请求、业务请求和经营请求；
判断单元4012，用于对所述协同办公请求进行解析，得到业务需求数据，基于所述请求类别对所述业务需求数据进行有效性判断；
整理单元4013，用于若请求无效，则退回所述协同办公请求至用户终端，若请求有效，则对所述业务需求数据进行整理，准备进行所述业务需求数据传输；
传输单元4014，用于调用对应的协同办公服务接口，以接收所述业务需求数据，完成对所述业务需求数据的传输。
在本实施例中，获取模块402包括：
属性解析单元4021，用于对业务需求数据进行需求属性解析，得到针对业务需求数据描述的需求属性解析结果；
功能解析单元4022，用于对业务需求数据进行需求功能解析，得到针对业务需求数据描述的需求功能解析结果；
应用解析单元4023，用于对业务需求数据的需求应用进行解析，得到针对业务需求数据描述的需求应用解析结果；
计算单元4024，用于分析需求属性解析结果、需求功能解析结果和需求应用解析结果，并分别计算对应的特征结果权重，与预设的权重阈值进行比较，并将其中至少一种确定为需求特征信息。
在本实施例中，匹配模块403包括：
提取单元4031，用于收集目标学习信息，提取目标学习信息中的办公特征信息，调取基础资源库，并基于基础资源库将办公特征信息转换成学习数据；
匹配单元4032，用于从预设的模型库中匹配出人工智能学习模型，对学习数据进行检测，得到检测结果，其中检测结果包含与学习数据对应的目标服务数据；
评估单元4033，用于通过对检测结果进行评估，形成评估结果，并基于评估结果对人工智能学习模型进行参数修正，以丰富检测参数，得到多条人工智能学习的数据记录；
生成单元4034，用于将多条人工智能学习的数据记录生成数据资源池，并根据人工智能学习的数据记录不断补充且更新数据资源池。
在本实施例中，在匹配单元之前，还包括：
划分单元，用于根据各协同对象的历史协同工作服务数据，将历史协同工作服务数据划分为至少三种数据类型，数据类型包括员工协同数据、业务协同数据和经营协同数据；
构建单元，用于对每种数据类型构建对应的人工智能学习模型，所有数据类型对应的人工智能学习模型形成模型库。
在本实施例中，在生成单元之后，还包括：
数据清洗单元，用于获取数据资源池内的人工智能学习的数据记录，对数据记录进行数据清洗处理，其中数据清洗处理的方式至少包括查找缺失值和去除重复值；
存储单元，用于对数据清洗处理后的数据记录进行存储划分，形成多个目标数据集合，其中每个目标数据集合包含与通信数据对应的目标协同工作服务数据。
在本实施例中，在推送模块404之后，还包括：
记录单元，用于获取目标协同应用的使用记录，并将使用记录生成反馈信息；
分析单元，用于对反馈信息进行分析处理，得到目标协同应用的办公效率值，并判断办公效率值是否超过预设的使用效率值；
确定单元，用于若是，则从反馈信息中确定异常流程节点，并向异常流程节点发出提示信息。
通过上述方案的实施，提高对数据的存储效率和后续数据利用的便捷性，能够实现更加有效的、符合实际需求的协同办公，大幅度提高了企业办公效率和用户体验。
本发明还提供一种计算机设备，计算机设备包括至少一个处理器以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述处理器通过执行所述指令，使得计算机执行上述各实施例提供的所述的具有人工智能学习能力的协同办公方法的各个步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行上述各实施例提供的所述的具有人工智能学习能力的协同办公方法的各个步骤。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种具有人工智能学习能力的协同办公方法，其特征在于，该具有人工智能学习能力的协同办公方法包括以下步骤：
接收来自用户终端的协同办公请求，从所述协同办公请求中提取业务需求数据；
从所述业务需求数据中获取需求特征信息，并根据所述需求特征信息生成对应的通信数据，将所述通信数据传输至数据处理服务；
获取人工智能学习的数据记录，并根据所述数据记录生成数据资源池，调用所述数据处理服务接收所述通信数据，将所述通信数据与所述数据资源池进行匹配，配置与所述通信数据对应的目标协同工作服务数据；
对所述目标协同工作服务数据进行数据管理，以转换成业务数据包，利用所述业务数据包匹配出对应的目标协同应用，调用并推送所述目标协同应用。
2.根据权利要求1所述的一种具有人工智能学习能力的协同办公方法，其特征在于，所述接收来自用户终端的协同办公请求，从所述协同办公请求中提取业务需求数据，包括：
对所述协同办公请求进行分类，得到所述协同办公请求的请求类别，其中所述请求类别至少包括员工请求、业务请求和经营请求；
对所述协同办公请求进行解析，得到业务需求数据，基于所述请求类别对所述业务需求数据进行有效性判断；
若请求无效，则退回所述协同办公请求至用户终端，若请求有效，则对所述业务需求数据进行整理，准备进行所述业务需求数据传输；
调用对应的协同办公服务接口，以接收所述业务需求数据，完成对所述业务需求数据的传输。
3.根据权利要求1所述的一种具有人工智能学习能力的协同办公方法，其特征在于，所述从所述业务需求数据中获取需求特征信息，包括：
对所述业务需求数据进行需求属性解析，得到针对所述业务需求数据描述的需求属性解析结果；
对所述业务需求数据进行需求功能解析，得到针对所述业务需求数据描述的需求功能解析结果；
对所述业务需求数据的需求应用进行解析，得到针对所述业务需求数据描述的需求应用解析结果；
分析所述需求属性解析结果、需求功能解析结果和需求应用解析结果，并分别计算对应的特征结果权重，与预设的权重阈值进行比较，并将其中至少一种确定为需求特征信息。
4.根据权利要求1所述的一种具有人工智能学习能力的协同办公方法，其特征在于，所述获取人工智能学习的数据记录，并根据所述数据记录生成数据资源池，包括：
收集目标学习信息，提取所述目标学习信息中的办公特征信息，调取基础资源库，并基于所述基础资源库将所述办公特征信息转换成学习数据；
从预设的模型库中匹配出人工智能学习模型，对所述学习数据进行检测，得到检测结果，其中所述检测结果包含与所述学习数据对应的目标服务数据；
通过对所述检测结果进行评估，形成评估结果，并基于所述评估结果对所述人工智能学习模型进行参数修正，以丰富检测参数，得到多条人工智能学习的数据记录；
将多条所述人工智能学习的数据记录生成数据资源池，并根据人工智能学习的数据记录不断补充且更新所述数据资源池。
5.根据权利要求4所述的一种具有人工智能学习能力的协同办公方法，其特征在于，所述从预设的模型库中匹配出人工智能学习模型之前，还包括：
根据各协同对象的历史协同工作服务数据，将所述历史协同工作服务数据划分为至少三种数据类型，所述数据类型包括员工协同数据、业务协同数据和经营协同数据；
对每种所述数据类型构建对应的人工智能学习模型，所有所述数据类型对应的人工智能学习模型形成模型库。
6.根据权利要求4所述的一种具有人工智能学习能力的协同办公方法，其特征在于，所述根据人工智能学习的数据记录不断补充且更新所述数据资源池之后，还包括：
获取所述数据资源池内的人工智能学习的数据记录，对所述数据记录进行数据清洗处理，其中数据清洗处理的方式至少包括查找缺失值和去除重复值；
对数据清洗处理后的数据记录进行存储划分，形成多个目标数据集合，其中每个所述目标数据集合包含与通信数据对应的目标协同工作服务数据。
7.根据权利要求1所述的一种具有人工智能学习能力的协同办公方法，其特征在于，所述调用并推送所述目标协同应用之后，还包括：
获取所述目标协同应用的使用记录，并将所述使用记录生成反馈信息；
对所述反馈信息进行分析处理，得到所述目标协同应用的办公效率值，并判断所述办公效率值是否超过预设的使用效率值；
若是，则从所述反馈信息中确定异常流程节点，并向所述异常流程节点发出提示信息。
8.一种具有人工智能学习能力的协同办公系统，其特征在于，该协同办公系统包括用户终端、接收模块、获取模块、匹配模块和推送模块，其中，
接收模块，用于接收来自用户终端的协同办公请求，从所述协同办公请求中提取业务需求数据；
获取模块，用于从所述业务需求数据中获取需求特征信息，并根据所述需求特征信息生成对应的通信数据，将所述通信数据传输至数据处理服务；
匹配模块，用于获取人工智能学习的数据记录，并根据所述数据记录生成数据资源池，调用所述数据处理服务接收所述通信数据，将所述通信数据与所述数据资源池进行匹配，配置与所述通信数据对应的目标协同工作服务数据；
推送模块，用于对所述目标协同工作服务数据进行数据管理，以转换成业务数据包，利用所述业务数据包匹配出对应的目标协同应用，调用并推送所述目标协同应用。
9.一种计算机设备，其特征在于，包括：至少一个处理器以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述处理器通过执行所述指令，从而执行如权利要求1-7中任一项所述的具有人工智能学习能力的协同办公方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的具有人工智能学习能力的协同办公方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311265711.7A CN116993307B (zh) | 2023-09-28 | 2023-09-28 | 一种具有人工智能学习能力的协同办公方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311265711.7A CN116993307B (zh) | 2023-09-28 | 2023-09-28 | 一种具有人工智能学习能力的协同办公方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116993307A true CN116993307A (zh) | 2023-11-03 |
| CN116993307B CN116993307B (zh) | 2024-01-05 |
Family
ID=88528752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311265711.7A Active CN116993307B (zh) | 2023-09-28 | 2023-09-28 | 一种具有人工智能学习能力的协同办公方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116993307B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104767810A (zh) * | 2015-04-07 | 2015-07-08 | 中国海洋大学 | 云-端协同服务系统及云-端协同工作方法 |
| US20180081911A1 (en) * | 2016-09-19 | 2018-03-22 | Microsoft Technology Licensing, Llc | Deployment of applications conforming to application data sharing and decision service platform schema |
| CN110084563A (zh) * | 2019-04-18 | 2019-08-02 | 常熟市中拓互联电子商务有限公司 | 基于深度学习的oa协同办公方法、装置及服务器 |
| CN112884457A (zh) * | 2020-10-01 | 2021-06-01 | 曹春华 | 基于云计算和协同处理的信息展示方法、系统及协同平台 |
| CN113222554A (zh) * | 2021-05-26 | 2021-08-06 | 苏州聚慧邦信息科技有限公司 | 基于大数据的智慧办公协同方法及系统 |
| CN114357319A (zh) * | 2021-12-27 | 2022-04-15 | 腾讯科技（深圳）有限公司 | 网络请求处理方法、装置、设备、存储介质及程序产品 |
| CN114676420A (zh) * | 2022-03-10 | 2022-06-28 | 王宇 | 结合ai和大数据的云办公信息处理方法及服务器 |
| WO2022267085A1 (zh) * | 2021-06-25 | 2022-12-29 | 浙江海瑞网络科技有限公司 | 基于人工智能的数据中心数据管理方法及系统 |
| CN115660610A (zh) * | 2022-12-27 | 2023-01-31 | 广州明动软件股份有限公司 | 一种去中心化的协同办公系统及方法 |
| CN115934340A (zh) * | 2022-12-20 | 2023-04-07 | 北京极智数仓科技有限公司 | 一种任务协同处理方法、装置和计算机可读介质 |
| CN116016378A (zh) * | 2022-12-05 | 2023-04-25 | 国网山东省电力公司电力科学研究院 | 面向配电网多业务异质资源即时调度的边边协同方法 |
-
2023
- 2023-09-28 CN CN202311265711.7A patent/CN116993307B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104767810A (zh) * | 2015-04-07 | 2015-07-08 | 中国海洋大学 | 云-端协同服务系统及云-端协同工作方法 |
| US20180081911A1 (en) * | 2016-09-19 | 2018-03-22 | Microsoft Technology Licensing, Llc | Deployment of applications conforming to application data sharing and decision service platform schema |
| CN110084563A (zh) * | 2019-04-18 | 2019-08-02 | 常熟市中拓互联电子商务有限公司 | 基于深度学习的oa协同办公方法、装置及服务器 |
| CN112884457A (zh) * | 2020-10-01 | 2021-06-01 | 曹春华 | 基于云计算和协同处理的信息展示方法、系统及协同平台 |
| CN113222554A (zh) * | 2021-05-26 | 2021-08-06 | 苏州聚慧邦信息科技有限公司 | 基于大数据的智慧办公协同方法及系统 |
| WO2022267085A1 (zh) * | 2021-06-25 | 2022-12-29 | 浙江海瑞网络科技有限公司 | 基于人工智能的数据中心数据管理方法及系统 |
| CN114357319A (zh) * | 2021-12-27 | 2022-04-15 | 腾讯科技（深圳）有限公司 | 网络请求处理方法、装置、设备、存储介质及程序产品 |
| CN114676420A (zh) * | 2022-03-10 | 2022-06-28 | 王宇 | 结合ai和大数据的云办公信息处理方法及服务器 |
| CN116016378A (zh) * | 2022-12-05 | 2023-04-25 | 国网山东省电力公司电力科学研究院 | 面向配电网多业务异质资源即时调度的边边协同方法 |
| CN115934340A (zh) * | 2022-12-20 | 2023-04-07 | 北京极智数仓科技有限公司 | 一种任务协同处理方法、装置和计算机可读介质 |
| CN115660610A (zh) * | 2022-12-27 | 2023-01-31 | 广州明动软件股份有限公司 | 一种去中心化的协同办公系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116993307B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7007279B2 (ja) | 質問を推薦する方法及び装置 | |
| CN113326377B (zh) | 一种基于企业关联关系的人名消歧方法及系统 | |
| CN111970400B (zh) | 骚扰电话识别方法及装置 | |
| CN113254833B (zh) | 一种基于产教融合的信息推送的方法及服务系统 | |
| CN112307762A (zh) | 搜索结果的排序方法及装置、存储介质、电子装置 | |
| CN111104242A (zh) | 基于深度学习的操作系统的异常日志的处理方法及装置 | |
| CN109698798B (zh) | 一种应用的识别方法、装置、服务器和存储介质 | |
| CN112583640A (zh) | 一种基于知识图谱的服务故障检测方法及装置 | |
| CN108228787B (zh) | 按照多级类目处理信息的方法和装置 | |
| CN110751191A (zh) | 一种图像的分类方法及系统 | |
| CN114358445A (zh) | 一种业务流程剩余时间预测模型推荐方法及系统 | |
| CN107871055B (zh) | 一种数据分析方法和装置 | |
| CN112269937B (zh) | 一种计算用户相似度的方法、系统及装置 | |
| CN112925964A (zh) | 基于云计算服务的大数据采集方法及大数据采集服务系统 | |
| CN116452212B (zh) | 一种智能客服商品知识库信息管理方法及系统 | |
| CN115809796B (zh) | 基于用户画像的项目智能派工方法及系统 | |
| CN116993307B (zh) | 一种具有人工智能学习能力的协同办公方法及系统 | |
| CN112711678A (zh) | 数据解析方法、装置、设备及存储介质 | |
| CN114238062B (zh) | 板卡烧录装置性能分析方法、装置、设备及可读存储介质 | |
| CN115809795A (zh) | 一种基于数字化的生产班组的承载能力评估方法和装置 | |
| CN115795368A (zh) | 一种基于人工智能的企业内训数据处理方法及系统 | |
| CN115757935A (zh) | 应用计算机智能的大数据推送方法及系统 | |
| CN112463964B (zh) | 文本分类及模型训练方法、装置、设备及存储介质 | |
| CN110582091A (zh) | 定位无线质量问题的方法和装置 | |
| CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 |
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 |