CN117034875A - 一种文本数据生成方法、装置、设备及其存储介质 - Google Patents

一种文本数据生成方法、装置、设备及其存储介质 Download PDF

Info

Publication number
CN117034875A
CN117034875A CN202311070013.1A CN202311070013A CN117034875A CN 117034875 A CN117034875 A CN 117034875A CN 202311070013 A CN202311070013 A CN 202311070013A CN 117034875 A CN117034875 A CN 117034875A
Authority
CN
China
Prior art keywords
text
layer
target
target text
filling position
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
Application number
CN202311070013.1A
Other languages
English (en)
Inventor
贾云林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Health Insurance Company of China Ltd
Original Assignee
Ping An Health Insurance Company of China Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Health Insurance Company of China Ltd filed Critical Ping An Health Insurance Company of China Ltd
Priority to CN202311070013.1A priority Critical patent/CN117034875A/zh
Publication of CN117034875A publication Critical patent/CN117034875A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Machine Translation (AREA)

Abstract

本申请实施例属于人工智能及数字医疗技术领域，应用于医疗保险保单保全或者医疗报告内容更新业务中，涉及一种文本数据生成方法、装置、设备及其存储介质，包括批量获取第一目标文本、第二目标文本和第三目标文本；训练文本处理模型；获取最新接收的第二目标文本，并将所述最新接收的第二目标文本输入到所述训练完成的文本处理模型中进行文本数据处理，生成与所述最新接收的第二目标文本相对应的第三目标文本。通过对初始业务系统进行领域分层设计，使得文本处理模型只专注于自身的处理业务，更加利于系统维护，同时，通过引入人工智能方式对文本处理模型进行训练，使得文本处理更加智能化，提高了文本处理效率。

Description

一种文本数据生成方法、装置、设备及其存储介质
技术领域
本申请涉及人工智能及数字医疗技术领域，应用于医疗保险保单保全或者医疗报告内容更新业务中，尤其涉及一种文本数据生成方法、装置、设备及其存储介质。
背景技术
随着计算机行业的发展，传统的医疗行业也逐步向数字医疗业务方向转型，尤其是医疗保险保单保全或者医疗报告内容更新业务中，由于保全或者更新后的结果直接面向患者，导致了必须得保证变更后结果的准确性和效率性。
目前的处理方式，大多是采用先由人工审核更改项，然后，再重新生成新的文本单，这样做不仅浪费资源，而且也降低了出单效率，再者，有些平台进行了业务升级，根据场景查询数据库硬编码逻辑的方式进行模板变量数据填充，但是这种现象在企业级大型项目使用中，易导致代码逻辑冗余，且不利于系统维护。因此，亟需一种文本数据生成方法既能保证数字医疗平台的出单效率，又能利用系统维护。
发明内容
本申请实施例的目的在于提出一种文本数据生成方法、装置、设备及其存储介质，以解决现有技术在进行文本数据生成时，无法保证出单效率且不利于系统维护的问题。
为了解决上述技术问题，本申请实施例提供一种文本数据生成方法，采用了如下所述的技术方案：
一种文本数据生成方法，包括下述步骤：
从初始业务系统中批量获取第一目标文本、第二目标文本和第三目标文本，其中，所述初始业务系统为未经领域设计分层的业务系统；
将批量获取的所述第一目标文本、第二目标文本和第三目标文本发送到目标业务系统的领域层中，训练文本处理模型，其中，所述目标业务系统为对所述初始业务系统基于领域设计分层思想分层设计后所获得的业务系统；
启动所述领域层中训练完成的文本处理模型；
通过所述目标业务系统的接口层，获取最新接收的第二目标文本，并将所述最新接收的第二目标文本输入到所述训练完成的文本处理模型中进行文本数据处理，生成与所述最新接收的第二目标文本相对应的第三目标文本。
进一步的，所述将批量获取的所述第一目标文本、第二目标文本和第三目标文本发送到目标业务系统的领域层中，训练文本处理模型的步骤，具体包括：
根据所述第一目标文本、第三目标文本和第三目标文本三者间的一一对应关系，对发送到所述领域层中的批量第一目标文本、第二目标文本和第三目标文本进行关联组合，获取文本组合结果；
调用所述领域层中预先构建的文本处理模型，其中，所述预先构建的文本处理模型包括文本输入层、变更内容识别层、填充位置预测层；
按照文本组合结果将所述批量的第一目标文本、第二目标文本和第三目标文本输入到所述文本输入层；
根据所述变更内容识别层，识别出每个文本组合对应的变更内容及变更内容填充位置信息；
获取每个文本组合中第二目标文本内的文本变更要素；
根据每个文本组合中第二目标文本内的文本变更要素、每个文本组合对应的变更内容填充位置信息，训练所述填充位置预测层；
直到完成对所述填充位置预测层的训练，则完成对所述文本处理模型的训练。
进一步的，所述根据所述变更内容识别层，识别出每个文本组合对应的变更内容及变更内容填充位置信息的步骤，具体包括：
步骤401，获取当前文本组合中的第一目标文本和第三目标文本，并将当前文本组合中的第一目标文本和第三目标文本输入到所述变更内容识别层；
步骤402，通过逐行对比识别方式，识别出当前文本组合中第三目标文本相比于第一目标文本发生文本内容变化的位置信息；
步骤403，获取所述位置信息处的文本内容作为当前文本组合对应的变更内容，并将所述位置信息作为所述变更内容的填充位置信息；
步骤404，依次将每个文本组合作为所述当前文本组合；
步骤405，重复执行步骤401至步骤404,直到识别出每个文本组合对应的变更内容及变更内容填充位置信息，终止重复执行。
进一步的，所述根据每个文本组合中第二目标文本内的文本变更要素、每个文本组合对应的变更内容填充位置信息，训练所述填充位置预测层的步骤，具体包括：
将每个文本组合中第二目标文本内的文本变更要素作为填充位置影响因子，以及将每个文本组合对应的变更内容填充位置信息作为预期位置信息；
获取每个文本组合所对应的填充位置影响因子及预期位置信息，构建输入样本集；
将所述输入样本集输入预构建的填充位置预测层，对所述预构建的填充位置预测层进行训练，获得训练完成的填充位置预测层，其中，所述预构建的填充位置预测层由ANN神经网络子层和KNN算法分类子层构成。
进一步的，在执行所述获取每个文本组合所对应的填充位置影响因子及预期位置信息，构建输入样本集的步骤之后，所述方法还包括：
对所有文本组合所对应的预期位置信息进行聚合去重处理，构建预期位置信息集合，其中，所述预期位置信息集合为有序集合，所述预期位置信息集合为List集合，所述去重处理的方式为根据LinkedHashSet方法去重；
根据所述预期位置信息集合中元素在所述KNN算法分类子层中设置分类节点；
所述将所述输入样本集输入预构建的填充位置预测层，对所述预构建的填充位置预测层进行训练，获得训练完成的填充位置预测层的步骤，具体包括：
按照预设的比例关系将所述输入样本集划分为训练集和测试集；
将所述训练集输入到预构建的填充位置预测层，对所述预构建的填充位置预测层中ANN神经网络子层进行预训练，获得预训练完成的填充位置预测层；
将所述测试集输入到预训练完成的填充位置预测层中，根据所述分类节点获取所述KNN算法分类子层输出的分类测试结果；
将所述分类测试结果与所述测试集中的预期位置信息分布结果进行相似度比较；
若所述相似度未达到预设的相似阈值，调整所述填充位置预测层中ANN神经网络子层的损失函数，对所述填充位置预测层进行迭代训练，直到所述相似度达到预设的相似阈值，则所述填充位置预测层训练完成。
进一步的，所述文本处理模型还包括填充数据计算层、基础设施调用层和文本输出层，所述将所述最新接收的第二目标文本输入到所述训练完成的文本处理模型中进行文本数据处理，生成与所述最新接收的第二目标文本相对应的第三目标文本的步骤，具体包括：
将所述最新接收的第二目标文本输入到所述文本输入层，对所述最新接收的第二目标文本进行解析，获取目标文本变更要素；
将所述目标文本变更要素输入到所述填充数据计算层，通过计算获取所述目标文本变更要素对应的变更内容；
将所述目标文本变更要素输入到所述填充位置预测层，通过所述填充位置预测层，预测所述变更内容对应的填充位置信息；
获取所述最新接收的第二目标文本所对应的第一目标文本，作为待修改文本；
根据所述基础设施调用层调用预设的模板引擎，并基于所述填充位置信息将所述变更内容填充到所述待修改文本中，获取修改后的文本；
通过所述文本输出层输出所述修改后的文本，并将所述修改后的文本作为所述最新接收的第二目标文本相对应的第三目标文本。
进一步的，所述预设的模板引擎为FreeMarker模板引擎，所述根据所述基础设施调用层调用预设的模板引擎，并基于所述填充位置信息将所述变更内容填充到所述待修改文本中，获取修改后的文本的步骤，具体包括：
通过所述基础设施调用层从所述文本处理模型的基础设施层调用所述FreeMarker模板引擎；
将所述待修改文本作为模板文本、将所述变更内容作为替换内容，以及将所述填充位置信息作为替换位置，一并输入到所述FreeMarker模板引擎中；
通过所述FreeMarker模板引擎，获取替换后的文本作为所述修改后的文本。
为了解决上述技术问题，本申请实施例还提供一种文本数据生成装置，采用了如下所述的技术方案：
一种文本数据生成装置，包括：
文本获取模块，用于从初始业务系统中批量获取第一目标文本、第二目标文本和第三目标文本，其中，所述初始业务系统为未经领域设计分层的业务系统；
处理模型训练模块，用于将批量获取的所述第一目标文本、第二目标文本和第三目标文本发送到目标业务系统的领域层中，训练文本处理模型，其中，所述目标业务系统为对所述初始业务系统基于领域设计分层思想分层设计后所获得的业务系统；
处理模型启动模块，用于启动所述领域层中训练完成的文本处理模型；
文本生成模块，用于通过所述目标业务系统的接口层，获取最新接收的第二目标文本，并将所述最新接收的第二目标文本输入到所述训练完成的文本处理模型中进行文本数据处理，生成与所述最新接收的第二目标文本相对应的第三目标文本。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述所述的文本数据生成方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上述所述的文本数据生成方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例所述文本数据生成方法，通过从初始业务系统中批量获取第一目标文本、第二目标文本和第三目标文本，其中，所述初始业务系统为未经领域设计分层的业务系统；将批量获取的所述第一目标文本、第二目标文本和第三目标文本发送到目标业务系统的领域层中，训练文本处理模型，其中，所述目标业务系统为对所述初始业务系统基于领域设计分层思想分层设计后所获得的业务系统；启动所述领域层中训练完成的文本处理模型；通过所述目标业务系统的接口层，获取最新接收的第二目标文本，并将所述最新接收的第二目标文本输入到所述训练完成的文本处理模型中进行文本数据处理，生成与所述最新接收的第二目标文本相对应的第三目标文本。通过对初始业务系统进行领域分层设计，使得文本处理模型只专注于自身的处理业务，更加利于系统维护，同时，通过引入人工智能方式对文本处理模型进行训练，使得文本处理更加智能化，提高了文本处理效率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的文本数据生成方法的一个实施例的流程图；
图3是图2所示步骤201的一个具体实施例的流程图；
图4是图3所示步骤304的一个具体实施例的流程图；
图5是图3所示步骤306的一个具体实施例的流程图；
图6是图5所示步骤503的一个具体实施例的流程图；
图7是图2所示步骤204的一个具体实施例的流程图；
图8根据本申请的文本数据生成装置的一个实施例的结构示意图；
图9根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的文本数据生成方法一般由服务器执行，相应地，文本数据生成装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的文本数据生成方法的一个实施例的流程图。所述的文本数据生成方法，包括以下步骤：
步骤201，从初始业务系统中批量获取第一目标文本、第二目标文本和第三目标文本，其中，所述初始业务系统为未经领域设计分层的业务系统。
本实施例中，所述初始业务系统为未经领域设计分层的业务系统，所述初始业务系统至少包括医疗保险保单保全处理功能或者医疗报告内容更新功能。
本实施例中，所述第一目标文本为变更前的文本，所述第二目标文本为包含文本变更要素的文本，所述第三目标文本为变更后的文本。
相应的，若所示初始业务系统包括医疗保险保单保全处理功能，本实施例中，所述第一目标文本包括原始保单，所述第二目标文本包括保全受理单，所述第二目标文本中包含保单文本变更要素，所述第三目标文本包括保全保单，所述第一目标文本、第三目标文本和第三目标文本间存在一一对应关系。
相应的，若所示初始业务系统包括医疗报告内容更新功能，本实施例中，所述第一目标文本包括原始医疗报告单，所述第二目标文本包括更新受理单，所述第二目标文本中包含报告文本变更要素，所述第三目标文本包括更新后的医疗报告单，所述第一目标文本、第三目标文本和第三目标文本间存在一一对应关系。
继续参考图3，图3是图2所示步骤201的一个具体实施例的流程图，包括：
步骤301，根据所述第一目标文本、第三目标文本和第三目标文本三者间的一一对应关系，对发送到所述领域层中的批量第一目标文本、第二目标文本和第三目标文本进行关联组合，获取文本组合结果；
步骤302，调用所述领域层中预先构建的文本处理模型；
本实施例中，所述预先构建的文本处理模型包括文本输入层、变更内容识别层、填充位置预测层；
步骤303，按照文本组合结果将所述批量的第一目标文本、第二目标文本和第三目标文本输入到所述文本输入层；
步骤304，根据所述变更内容识别层，识别出每个文本组合对应的变更内容及变更内容填充位置信息；
继续参考图4，图4是图3所示步骤304的一个具体实施例的流程图，包括：
步骤401，获取当前文本组合中的第一目标文本和第三目标文本，并将当前文本组合中的第一目标文本和第三目标文本输入到所述变更内容识别层；
步骤402，通过逐行对比识别方式，识别出当前文本组合中第三目标文本相比于第一目标文本发生文本内容变化的位置信息；
步骤403，获取所述位置信息处的文本内容作为当前文本组合对应的变更内容，并将所述位置信息作为所述变更内容的填充位置信息；
步骤404，依次将每个文本组合作为所述当前文本组合；
步骤405，重复执行步骤401至步骤404,直到识别出每个文本组合对应的变更内容及变更内容填充位置信息，终止重复执行。
步骤305，获取每个文本组合中第二目标文本内的文本变更要素；
步骤306，根据每个文本组合中第二目标文本内的文本变更要素、每个文本组合对应的变更内容填充位置信息，训练所述填充位置预测层；
实质上，根据每个文本组合中第二目标文本内的文本变更要素、每个文本组合对应的变更内容填充位置信息，训练所述填充位置预测层，是为了训练变更内容填充位置信息与文本变更要素之间的特征关联关系。
继续参考图5，图5是图3所示步骤306的一个具体实施例的流程图，包括：
步骤501，将每个文本组合中第二目标文本内的文本变更要素作为填充位置影响因子，以及将每个文本组合对应的变更内容填充位置信息作为预期位置信息；
步骤502，获取每个文本组合所对应的填充位置影响因子及预期位置信息，构建输入样本集；
本实施例中，在执行所述获取每个文本组合所对应的填充位置影响因子及预期位置信息，构建输入样本集的步骤之后，所述方法还包括：对所有文本组合所对应的预期位置信息进行聚合去重处理，构建预期位置信息集合，其中，所述预期位置信息集合为有序集合，所述预期位置信息集合为List集合，所述去重处理的方式为根据LinkedHashSet方法去重；根据所述预期位置信息集合中元素在所述KNN(K-Nearest Neighbor)算法分类子层中设置分类节点。
通过对所有文本组合所对应的预期位置信息进行聚合去重处理，构建预期位置信息集合，保证了预期位置信息集合中不同预期位置信息的单一性。
步骤503，将所述输入样本集输入预构建的填充位置预测层，对所述预构建的填充位置预测层进行训练，获得训练完成的填充位置预测层，其中，所述预构建的填充位置预测层由ANN神经网络子层和KNN算法分类子层构成。
所述预构建的填充位置预测层中ANN(Artificial Neural Network，人工神经网络)神经网络子层,其中，ANN神经网络包括感知机和后向传播网络，目的是结合训练样本进行分类或者逻辑训练，而KNN算法分类子层，采用KNN算法构建KNN分类器，KNN算法，属于懒惰学习算法，不需要对KNN算法进行训练，只需要对神经网络进行训练。既可以分类，也可以进行回归分析。由于本实施例中，每个文本组合中第二目标文本内的文本变更要素，都已对应有相应的文本内容填充位置信息，即每一组填充位置影响因子对应的预期位置信息是明确的，因此，直接采用KNN算法获取填充位置影响因子与预期位置信息间的特征关系，不需要对KNN算法进行训练，直接使用KNN算法设置分类器。
继续参考图6，图6是图5所示步骤503的一个具体实施例的流程图，包括：
步骤601，按照预设的比例关系将所述输入样本集划分为训练集和测试集；
步骤602，将所述训练集输入到预构建的填充位置预测层，对所述预构建的填充位置预测层中ANN神经网络子层进行预训练，获得预训练完成的填充位置预测层；
步骤603，将所述测试集输入到预训练完成的填充位置预测层中，根据所述分类节点获取所述KNN算法分类子层输出的分类测试结果；
步骤604，将所述分类测试结果与所述测试集中的预期位置信息分布结果进行相似度比较；
本实施例中，所述测试集中的预期位置信息分布结果，可以通过统计每个分类节点对应的测试集中的第三目标文本的数量来获得。
步骤605，若所述相似度未达到预设的相似阈值，调整所述填充位置预测层中ANN神经网络子层的损失函数，对所述填充位置预测层进行迭代训练，直到所述相似度达到预设的相似阈值，则所述填充位置预测层训练完成。
通过对所述填充位置预测层进行训练，使得文本处理模型直接能够根据第二目标文本中的文本变更要素预测出文本内容将要填充的位置，更加智能化和自动化，方便程序自动处理。
步骤307，直到完成对所述填充位置预测层的训练，则完成对所述文本处理模型的训练。
步骤202，将批量获取的所述第一目标文本、第二目标文本和第三目标文本发送到目标业务系统的领域层中，训练文本处理模型，其中，所述目标业务系统为对所述初始业务系统基于领域设计分层思想分层设计后所获得的业务系统。
此外，所述目标业务系统包括接口层、应用层、领域层和基础设施层，
通过对所述初始业务系统基于领域设计分层思想分层设计进行分层重构，使得业务系统在处理上解耦合，且所述文本处理模型仅仅关注于自身业务，避免了业务处理混乱，更加利于维护人员进行维护。
步骤203，启动所述领域层中训练完成的文本处理模型。
步骤204，通过所述目标业务系统的接口层，获取最新接收的第二目标文本，并将所述最新接收的第二目标文本输入到所述训练完成的文本处理模型中进行文本数据处理，生成与所述最新接收的第二目标文本相对应的第三目标文本。
本实施例中，所述文本处理模型还包括填充数据计算层、基础设施调用层和文本输出层。
继续参考图7，图7是图2所示步骤204的一个具体实施例的流程图，包括：
步骤701，将所述最新接收的第二目标文本输入到所述文本输入层，对所述最新接收的第二目标文本进行解析，获取目标文本变更要素；
步骤702，将所述目标文本变更要素输入到所述填充数据计算层，通过计算获取所述目标文本变更要素对应的变更内容；
本实施例中，所述填充数据计算层中包含根据文本变更要素计算所述变更内容的计算公式，例如，医保险种保单保全业务中，其内的计算公式可以为基于费率因子的计算公式，再者，医疗报告更新业务中，其中的计算公式可以为计算某个患病部位体积大小的计算公式，这里对于计算方式不再一一赘述。此外，所述填充数据计算层也可以通过调用所述目标业务系统的领域层内预先构建的计算服务模型来实现。
步骤703，将所述目标文本变更要素输入到所述填充位置预测层，通过所述填充位置预测层，预测所述变更内容对应的填充位置信息；
步骤704，获取所述最新接收的第二目标文本所对应的第一目标文本，作为待修改文本；
步骤705，根据所述基础设施调用层调用预设的模板引擎，并基于所述填充位置信息将所述变更内容填充到所述待修改文本中，获取修改后的文本；
本实施例中，所述预设的模板引擎为FreeMarker模板引擎，所述根据所述基础设施调用层调用预设的模板引擎，并基于所述填充位置信息将所述变更内容填充到所述待修改文本中，获取修改后的文本的步骤，具体包括：通过所述基础设施调用层从所述文本处理模型的基础设施层调用所述FreeMarker模板引擎；将所述待修改文本作为模板文本、将所述变更内容作为替换内容，以及将所述填充位置信息作为替换位置，一并输入到所述FreeMarker模板引擎中；通过所述FreeMarker模板引擎，获取替换后的文本作为所述修改后的文本。
直接采用FreeMarker模板引擎，将所述待修改文本作为模板文本、将所述变更内容作为替换内容，以及将所述填充位置信息作为替换位置，一并输入到所述FreeMarker模板引擎中，通过所述FreeMarker模板引擎，获取替换后的文本作为所述修改后的文本，采用模板引擎替换的方式，代替了传统的接口化替换，尤其是在逐渐增量的修改操作时，避免了重复多次的创建接口，仅需调用基础设施层的FreeMarker模板引擎即可实现多次复用，更加方便和简单。
步骤706，通过所述文本输出层输出所述修改后的文本，并将所述修改后的文本作为所述最新接收的第二目标文本相对应的第三目标文本。
本申请通过从初始业务系统中批量获取第一目标文本、第二目标文本和第三目标文本，其中，所述初始业务系统为未经领域设计分层的业务系统；将批量获取的所述第一目标文本、第二目标文本和第三目标文本发送到目标业务系统的领域层中，训练文本处理模型，其中，所述目标业务系统为对所述初始业务系统基于领域设计分层思想分层设计后所获得的业务系统；启动所述领域层中训练完成的文本处理模型；通过所述目标业务系统的接口层，获取最新接收的第二目标文本，并将所述最新接收的第二目标文本输入到所述训练完成的文本处理模型中进行文本数据处理，生成与所述最新接收的第二目标文本相对应的第三目标文本。通过对初始业务系统进行领域分层设计，使得文本处理模型只专注于自身的处理业务，更加利于系统维护，同时，通过引入人工智能方式对文本处理模型进行训练，使得文本处理更加智能化，提高了文本处理效率，此外，使用FreeMark模板引擎，在逐渐增量的修改操作时，避免了重复多次的创建接口，仅需调用基础设施层的FreeMarker模板引擎即可实现多次复用，更加方便和简单。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例中，通过对初始业务系统进行领域分层设计，使得文本处理模型只专注于自身的处理业务，更加利于系统维护，同时，通过引入人工智能方式，即ANN人工神经网络和KNN算法对文本处理模型进行训练，使得文本处理更加智能化，提高了文本处理效率，此外，采用FreeMaker模板引擎，在逐渐增量的修改操作时，避免了重复多次的创建接口，仅需调用基础设施层的FreeMarker模板引擎即可实现多次复用，更加方便和简单。
进一步参考图8，作为对上述图2所示方法的实现，本申请提供了一种文本数据生成装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图8所示，本实施例所述的文本数据生成装置800包括：文本获取模块801、处理模型训练模块802、处理模型启动模块803和文本生成模块804。其中：
文本获取模块801，用于从初始业务系统中批量获取第一目标文本、第二目标文本和第三目标文本，其中，所述初始业务系统为未经领域设计分层的业务系统；
处理模型训练模块802，用于将批量获取的所述第一目标文本、第二目标文本和第三目标文本发送到目标业务系统的领域层中，训练文本处理模型，其中，所述目标业务系统为对所述初始业务系统基于领域设计分层思想分层设计后所获得的业务系统；
处理模型启动模块803，用于启动所述领域层中训练完成的文本处理模型；
文本生成模块804，用于通过所述目标业务系统的接口层，获取最新接收的第二目标文本，并将所述最新接收的第二目标文本输入到所述训练完成的文本处理模型中进行文本数据处理，生成与所述最新接收的第二目标文本相对应的第三目标文本。
本申请通过从初始业务系统中批量获取第一目标文本、第二目标文本和第三目标文本，其中，所述初始业务系统为未经领域设计分层的业务系统；将批量获取的所述第一目标文本、第二目标文本和第三目标文本发送到目标业务系统的领域层中，训练文本处理模型，其中，所述目标业务系统为对所述初始业务系统基于领域设计分层思想分层设计后所获得的业务系统；启动所述领域层中训练完成的文本处理模型；通过所述目标业务系统的接口层，获取最新接收的第二目标文本，并将所述最新接收的第二目标文本输入到所述训练完成的文本处理模型中进行文本数据处理，生成与所述最新接收的第二目标文本相对应的第三目标文本。通过对初始业务系统进行领域分层设计，使得文本处理模型只专注于自身的处理业务，更加利于系统维护，同时，通过引入人工智能方式对文本处理模型进行训练，使得文本处理更加智能化，提高了文本处理效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图9，图9为本实施例计算机设备基本结构框图。
所述计算机设备9包括通过系统总线相互通信连接存储器9a、处理器9b、网络接口9c。需要指出的是，图中仅示出了具有组件9a-9c的计算机设备9，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field －Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器9a至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器9a可以是所述计算机设备9的内部存储单元，例如该计算机设备9的硬盘或内存。在另一些实施例中，所述存储器9a也可以是所述计算机设备9的外部存储设备，例如该计算机设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器9a还可以既包括所述计算机设备9的内部存储单元也包括其外部存储设备。本实施例中，所述存储器9a通常用于存储安装于所述计算机设备9的操作系统和各类应用软件，例如文本数据生成方法的计算机可读指令等。此外，所述存储器9a还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器9b在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器9b通常用于控制所述计算机设备9的总体操作。本实施例中，所述处理器9b用于运行所述存储器9a中存储的计算机可读指令或者处理数据，例如运行所述文本数据生成方法的计算机可读指令。
所述网络接口9c可包括无线网络接口或有线网络接口，该网络接口9c通常用于在所述计算机设备9与其他电子设备之间建立通信连接。
本实施例提出的计算机设备，属于人工智能及数字医疗技术领域，应用于医疗保险保单保全或者医疗报告内容更新业务中。本申请通过从初始业务系统中批量获取第一目标文本、第二目标文本和第三目标文本，其中，所述初始业务系统为未经领域设计分层的业务系统；将批量获取的所述第一目标文本、第二目标文本和第三目标文本发送到目标业务系统的领域层中，训练文本处理模型，其中，所述目标业务系统为对所述初始业务系统基于领域设计分层思想分层设计后所获得的业务系统；启动所述领域层中训练完成的文本处理模型；通过所述目标业务系统的接口层，获取最新接收的第二目标文本，并将所述最新接收的第二目标文本输入到所述训练完成的文本处理模型中进行文本数据处理，生成与所述最新接收的第二目标文本相对应的第三目标文本。通过对初始业务系统进行领域分层设计，使得文本处理模型只专注于自身的处理业务，更加利于系统维护，同时，通过引入人工智能方式对文本处理模型进行训练，使得文本处理更加智能化，提高了文本处理效率。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被处理器执行，以使所述处理器执行如上述的文本数据生成方法的步骤。
本实施例提出的计算机可读存储介质，属于人工智能及数字医疗技术领域，应用于医疗保险保单保全或者医疗报告内容更新业务中。本申请通过从初始业务系统中批量获取第一目标文本、第二目标文本和第三目标文本，其中，所述初始业务系统为未经领域设计分层的业务系统；将批量获取的所述第一目标文本、第二目标文本和第三目标文本发送到目标业务系统的领域层中，训练文本处理模型，其中，所述目标业务系统为对所述初始业务系统基于领域设计分层思想分层设计后所获得的业务系统；启动所述领域层中训练完成的文本处理模型；通过所述目标业务系统的接口层，获取最新接收的第二目标文本，并将所述最新接收的第二目标文本输入到所述训练完成的文本处理模型中进行文本数据处理，生成与所述最新接收的第二目标文本相对应的第三目标文本。通过对初始业务系统进行领域分层设计，使得文本处理模型只专注于自身的处理业务，更加利于系统维护，同时，通过引入人工智能方式对文本处理模型进行训练，使得文本处理更加智能化，提高了文本处理效率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种文本数据生成方法，其特征在于，包括下述步骤：
从初始业务系统中批量获取第一目标文本、第二目标文本和第三目标文本，其中，所述初始业务系统为未经领域设计分层的业务系统；
将批量获取的所述第一目标文本、第二目标文本和第三目标文本发送到目标业务系统的领域层中，训练文本处理模型，其中，所述目标业务系统为对所述初始业务系统基于领域设计分层思想分层设计后所获得的业务系统；
启动所述领域层中训练完成的文本处理模型；
通过所述目标业务系统的接口层，获取最新接收的第二目标文本，并将所述最新接收的第二目标文本输入到所述训练完成的文本处理模型中进行文本数据处理，生成与所述最新接收的第二目标文本相对应的第三目标文本。
2.根据权利要求1所述的文本数据生成方法，其特征在于，所述将批量获取的所述第一目标文本、第二目标文本和第三目标文本发送到目标业务系统的领域层中，训练文本处理模型的步骤，具体包括：
根据所述第一目标文本、第三目标文本和第三目标文本三者间的一一对应关系，对发送到所述领域层中的批量第一目标文本、第二目标文本和第三目标文本进行关联组合，获取文本组合结果；
调用所述领域层中预先构建的文本处理模型，其中，所述预先构建的文本处理模型包括文本输入层、变更内容识别层、填充位置预测层；
按照文本组合结果将所述批量的第一目标文本、第二目标文本和第三目标文本输入到所述文本输入层；
根据所述变更内容识别层，识别出每个文本组合对应的变更内容及变更内容填充位置信息；
获取每个文本组合中第二目标文本内的文本变更要素；
根据每个文本组合中第二目标文本内的文本变更要素、每个文本组合对应的变更内容填充位置信息，训练所述填充位置预测层；
直到完成对所述填充位置预测层的训练，则完成对所述文本处理模型的训练。
3.根据权利要求2所述的文本数据生成方法，其特征在于，所述根据所述变更内容识别层，识别出每个文本组合对应的变更内容及变更内容填充位置信息的步骤，具体包括：
步骤401，获取当前文本组合中的第一目标文本和第三目标文本，并将当前文本组合中的第一目标文本和第三目标文本输入到所述变更内容识别层；
步骤402，通过逐行对比识别方式，识别出当前文本组合中第三目标文本相比于第一目标文本发生文本内容变化的位置信息；
步骤403，获取所述位置信息处的文本内容作为当前文本组合对应的变更内容，并将所述位置信息作为所述变更内容的填充位置信息；
步骤404，依次将每个文本组合作为所述当前文本组合；
步骤405，重复执行步骤401至步骤404,直到识别出每个文本组合对应的变更内容及变更内容填充位置信息，终止重复执行。
4.根据权利要求2所述的文本数据生成方法，其特征在于，所述根据每个文本组合中第二目标文本内的文本变更要素、每个文本组合对应的变更内容填充位置信息，训练所述填充位置预测层的步骤，具体包括：
将每个文本组合中第二目标文本内的文本变更要素作为填充位置影响因子，以及将每个文本组合对应的变更内容填充位置信息作为预期位置信息；
获取每个文本组合所对应的填充位置影响因子及预期位置信息，构建输入样本集；
将所述输入样本集输入预构建的填充位置预测层，对所述预构建的填充位置预测层进行训练，获得训练完成的填充位置预测层，其中，所述预构建的填充位置预测层由ANN神经网络子层和KNN算法分类子层构成。
5.根据权利要求4所述的文本数据生成方法，其特征在于，在执行所述获取每个文本组合所对应的填充位置影响因子及预期位置信息，构建输入样本集的步骤之后，所述方法还包括：
对所有文本组合所对应的预期位置信息进行聚合去重处理，构建预期位置信息集合，其中，所述预期位置信息集合为有序集合，所述预期位置信息集合为Li st集合，所述去重处理的方式为根据Li nkedHashSet方法去重；
根据所述预期位置信息集合中元素在所述KNN算法分类子层中设置分类节点；
所述将所述输入样本集输入预构建的填充位置预测层，对所述预构建的填充位置预测层进行训练，获得训练完成的填充位置预测层的步骤，具体包括：
按照预设的比例关系将所述输入样本集划分为训练集和测试集；
将所述训练集输入到预构建的填充位置预测层，对所述预构建的填充位置预测层中ANN神经网络子层进行预训练，获得预训练完成的填充位置预测层；
将所述测试集输入到预训练完成的填充位置预测层中，根据所述分类节点获取所述KNN算法分类子层输出的分类测试结果；
将所述分类测试结果与所述测试集中的预期位置信息分布结果进行相似度比较；
若所述相似度未达到预设的相似阈值，调整所述填充位置预测层中ANN神经网络子层的损失函数，对所述填充位置预测层进行迭代训练，直到所述相似度达到预设的相似阈值，则所述填充位置预测层训练完成。
6.根据权利要求2所述的文本数据生成方法，其特征在于，所述文本处理模型还包括填充数据计算层、基础设施调用层和文本输出层，所述将所述最新接收的第二目标文本输入到所述训练完成的文本处理模型中进行文本数据处理，生成与所述最新接收的第二目标文本相对应的第三目标文本的步骤，具体包括：
将所述最新接收的第二目标文本输入到所述文本输入层，对所述最新接收的第二目标文本进行解析，获取目标文本变更要素；
将所述目标文本变更要素输入到所述填充数据计算层，通过计算获取所述目标文本变更要素对应的变更内容；
将所述目标文本变更要素输入到所述填充位置预测层，通过所述填充位置预测层，预测所述变更内容对应的填充位置信息；
获取所述最新接收的第二目标文本所对应的第一目标文本，作为待修改文本；
根据所述基础设施调用层调用预设的模板引擎，并基于所述填充位置信息将所述变更内容填充到所述待修改文本中，获取修改后的文本；
通过所述文本输出层输出所述修改后的文本，并将所述修改后的文本作为所述最新接收的第二目标文本相对应的第三目标文本。
7.根据权利要求6所述的文本数据生成方法，其特征在于，所述预设的模板引擎为FreeMarker模板引擎，所述根据所述基础设施调用层调用预设的模板引擎，并基于所述填充位置信息将所述变更内容填充到所述待修改文本中，获取修改后的文本的步骤，具体包括：
通过所述基础设施调用层从所述文本处理模型的基础设施层调用所述FreeMarker模板引擎；
将所述待修改文本作为模板文本、将所述变更内容作为替换内容，以及将所述填充位置信息作为替换位置，一并输入到所述FreeMarker模板引擎中；
通过所述FreeMarker模板引擎，获取替换后的文本作为所述修改后的文本。
8.一种文本数据生成装置，其特征在于，包括：
文本获取模块，用于从初始业务系统中批量获取第一目标文本、第二目标文本和第三目标文本，其中，所述初始业务系统为未经领域设计分层的业务系统；
处理模型训练模块，用于将批量获取的所述第一目标文本、第二目标文本和第三目标文本发送到目标业务系统的领域层中，训练文本处理模型，其中，所述目标业务系统为对所述初始业务系统基于领域设计分层思想分层设计后所获得的业务系统；
处理模型启动模块，用于启动所述领域层中训练完成的文本处理模型；
文本生成模块，用于通过所述目标业务系统的接口层，获取最新接收的第二目标文本，并将所述最新接收的第二目标文本输入到所述训练完成的文本处理模型中进行文本数据处理，生成与所述最新接收的第二目标文本相对应的第三目标文本。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的文本数据生成方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的文本数据生成方法的步骤。
CN202311070013.1A 2023-08-23 2023-08-23 一种文本数据生成方法、装置、设备及其存储介质 Pending CN117034875A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311070013.1A CN117034875A (zh) 2023-08-23 2023-08-23 一种文本数据生成方法、装置、设备及其存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311070013.1A CN117034875A (zh) 2023-08-23 2023-08-23 一种文本数据生成方法、装置、设备及其存储介质

Publications (1)

Publication Number Publication Date
CN117034875A true CN117034875A (zh) 2023-11-10

Family

ID=88642957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311070013.1A Pending CN117034875A (zh) 2023-08-23 2023-08-23 一种文本数据生成方法、装置、设备及其存储介质

Country Status (1)

Country Link
CN (1) CN117034875A (zh)

Similar Documents

Publication Publication Date Title
CN112632385B (zh) 课程推荐方法、装置、计算机设备及介质
CN107766940B (zh) 用于生成模型的方法和装置
CN113722438B (zh) 基于句向量模型的句向量生成方法、装置及计算机设备
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN116681045A (zh) 报表生成方法、装置、计算机设备及存储介质
CN116453125A (zh) 基于人工智能的数据录入方法、装置、设备及存储介质
CN113837216B (zh) 数据分类方法、训练方法、装置、介质及电子设备
CN115757075A (zh) 任务异常检测方法、装置、计算机设备及存储介质
CN115185625A (zh) 基于可配置卡片的自推荐式界面更新方法及其相关设备
CN114780809A (zh) 基于强化学习的知识推送方法、装置、设备及存储介质
CN117034875A (zh) 一种文本数据生成方法、装置、设备及其存储介质
CN113420869A (zh) 基于全方向注意力的翻译方法及其相关设备
CN116307742B (zh) 一种细分客群的风险识别方法、装置、设备及存储介质
CN116824600A (zh) 一种公司印章识别方法及其相关设备
CN116627416A (zh) 页面配置方法、装置、计算机设备及存储介质
CN117668233A (zh) 医疗大模型构建方法、装置、计算机设备及介质
CN117076775A (zh) 资讯数据的处理方法、装置、计算机设备及存储介质
CN117234505A (zh) 一种交互页面生成方法、装置、设备及其存储介质
CN116595141A (zh) 多轮对话方法、装置、计算机设备及存储介质
CN115344564A (zh) 一种数据核验方法、装置、计算机设备及存储介质
CN117057935A (zh) 基于领域设计的数据处理方法、装置、设备及其存储介质
CN117422270A (zh) 一种材料审核方法、装置、设备及其存储介质
CN116956831A (zh) 医疗对话生成方法、装置、计算机设备及存储介质
CN117829961A (zh) 基于问卷模型的金融产品推荐方法、装置、计算机设备
CN115826973A (zh) 列表页面的生成方法、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