CN117114927B - 一种基于机器学习技术的电子凭证流转系统 - Google Patents
一种基于机器学习技术的电子凭证流转系统 Download PDFInfo
- Publication number
- CN117114927B CN117114927B CN202311162113.7A CN202311162113A CN117114927B CN 117114927 B CN117114927 B CN 117114927B CN 202311162113 A CN202311162113 A CN 202311162113A CN 117114927 B CN117114927 B CN 117114927B
- Authority
- CN
- China
- Prior art keywords
- text
- information
- certificate
- unit
- data
- 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.)
- Active
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 238000010801 machine learning Methods 0.000 title claims abstract description 15
- 238000007405 data analysis Methods 0.000 claims abstract description 24
- 238000007726 management method Methods 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 52
- 238000012545 processing Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000004148 unit process Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000012790 confirmation Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Economics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Technology Law (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于机器学习技术的电子凭证流转系统,包括凭证生成模块、凭证流转传输模块、凭证验证模块、用户管理模块和数据分析模块,所述凭证生成模块用于生成初始凭证信息,所述凭证流转传输模块将凭证信息按照预设路径进行数据传输,所述凭证验证模块用于对传输后的凭证进行验证,所述用户管理模块用于用户管理电子凭证,所述数据分析模块基于机器学习技术预测凭证的流转路径;用户在使用本系统时,只需要输入文字描述内容便能确定需要的凭证以及应用凭证的目标系统,大大提高了用户使用过程中的便捷性。
Description
技术领域
本发明涉及电数字数据处理领域,具体涉及一种基于机器学习技术的电子凭证流转系统。
背景技术
随着技术的发展,很多业务的办理从线下转到了线上,而线上业务又往往需要电子凭证作为身份或者资格的证明,随着业务的多样化,如何确定在什么系统中应用什么电子凭证成了一项耗费时间的过程,因此,需要一种电子凭证的流转系统来帮助使用者提高电子凭证的使用便捷性。
背景技术的前述论述仅意图便于理解本发明。此论述并不认可或承认提及的材料中的任一种公共常识的一部分。
现在已经开发出了很多电子凭证系统,经过我们大量的检索与参考,发现现有的电子凭证系统有如公开号为CN107277000B所公开的系统,这些系统一般包括:发布电子凭证签发申请;对接收端进行认证,生成电子凭证,将电子凭证与签发信息发布到电子凭证安全基础模块;从电子凭证安全基础模块获取电子凭证、电子凭证签发结果;发布电子凭证认证申请到电子凭证安全基础模块;利用电子凭证安全基础模块对接收端进行认证,将认证确认信息发布到电子凭证安全基础模块,等待接收端确认;接收端对认证确认信息进行确认;从电子凭证安全基础模块获取电子凭证认证结果。但该系统只是对单一电子凭证的管理及应用,无法解决多电子凭证时使用麻烦的问题。
发明内容
本发明的目的在于,针对所存在的不足,提出了一种基于机器学习技术的电子凭证流转系统。
本发明采用如下技术方案:
一种基于机器学习技术的电子凭证流转系统,包括凭证生成模块、凭证流转传输模块、凭证验证模块、用户管理模块和数据分析模块;
所述凭证生成模块用于生成初始凭证信息,所述凭证流转传输模块将凭证信息按照预设路径进行数据传输,所述凭证验证模块用于对传输后的凭证进行验证,所述用户管理模块用于用户管理电子凭证,所述数据分析模块基于机器学习技术预测凭证的流转路径;
所述数据分析模块接收通过所述用户管理模块发送的需求信息并对需求信息进行分析,得到需求凭证和流转路径,所述需求凭证反馈给所述用户管理模块,所述流转路径发送给所述凭证流转传输模块;
所述数据分析模块包括文本解构单元、训练单元、执行单元和配对信息记录单元,所述文本解构单元用于对需求信息进行解析,所述训练单元基于已知配对信息的解析内容对预测模型进行训练,所述执行单元用于执行预测模型,所述配对信息记录单元用于记录每个配对信息序号对应的需求凭证、流转路径和目标系统;
所述文本解构单元向所述预测模型发送解析后得到的解构词wd的文本累计值V(wd),所述预测模型设有m个输入数据和n个输出数据,所述预测模型根据下式计算出每个输出数据:
;
其中,表示第i个解构词,m为解构词的数量,n为目标系统与凭证的配对信息数量,/>表示处理系数,i表示输入数据的序号,j表示输出数据的序号;
所述预测模型将最大的输出数据的序号作为预测的配对信息序号;
进一步的,所述训练单元使用预测模型预测的配对信息与已知需求信息的配对信息不一致时,对应的训练数据样本作为错误样本,所述训练单元计算出错误样本的偏离数据:,其中,n0为预测的配对信息的序号,/>为已知的配对信息的序号,所述偏离数据用于调整处理系数;
所述训练单元对同一批训练数据样本重复进行预测——得到偏离数据——调整处理系数过程,直至不再出现错误样本,然后将最终的处理系数发送给所述执行单元;
进一步的,所述训练单元将偏离数据处理成n*n的矩阵Q:
;
所述训练单元根据下式对处理系数进行一次优化:
;
其中,K为由处理系数构成的m*n的矩阵,第一优化矩阵;
所述训练单元将矩阵中的元素归一化,使得每行元素之和为1,得到第二优化矩阵/>,所述训练单元将矩阵/>中的元素作为调整后的处理系数;
进一步的,所述文本解构单元对需求信息进行解析的过程包括如下步骤:
S21、所述文本解构单元从需求信息的文本中按照顺序获取一个关键词;
S22、所述文本解构单元选择与所述关键词关联度最大的一个解构词;
S23、根据下式对解构词的文本累计值进行累计计算:
;
其中,As为关键词与解构词的关联度,V(wd)为解构词的文本累计值;
S24、重复步骤S21至步骤S23,直至需求信息文本中的关键词被提取完毕;
S25、输出所有解构词的文本累计值;
进一步的,所述文本解构单元包括解构词寄存器、文本累计值寄存器和数据调用处理器,所述解构词寄存器用于保存关键词信息、解构词信息以及关键词与解构词的关联度信息,所述文本累计值用于保存每个解构词的文本累计值数据,所述数据调用处理器用于获取关联度信息和文本累计值信息并向计算处理器发送计算任务。
本发明所取得的有益效果是:
本系统通过设置数据分析模块,对用户提交的需求信息进行智能分析,快速得到需要的凭证以及应用的目标系统,并提供流转路径,将用户拥有的对应凭证发送至目标系统处理业务,这大大降低了用户需要自己去获取业务相关内容的时间,提高了用户使用电子凭证时的便捷性。同时,本系统通过对模型进行训练,提高了输出的需求凭证以及目标系统的准确性。
为使能更进一步了解本发明的特征及技术内容,请参阅以下有关本发明的详细说明与附图,然而所提供的附图仅用于提供参考与说明,并非用来对本发明加以限制。
附图说明
图1为本发明整体结构框架示意图;
图2为本发明数据分析模块构成示意图;
图3为本发明文本解构单元构成示意图;
图4为本发明训练单元构成示意图;
图5为本发明执行单元构成示意图。
具体实施方式
以下是通过特定的具体实施例来说明本发明的实施方式,本领域技术人员可由本说明书所公开的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用,本说明书中的各项细节也可基于不同观点与应用,在不悖离本发明的精神下进行各种修饰与变更。另外,本发明的附图仅为简单示意说明,并非依实际尺寸的描绘,事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容,但所公开的内容并非用以限制本发明的保护范围。
实施例一:本实施例提供了一种基于机器学习技术的电子凭证流转系统,结合图1,包括凭证生成模块、凭证流转传输模块、凭证验证模块、用户管理模块和数据分析模块;
所述凭证生成模块用于生成初始凭证信息,所述凭证流转传输模块将凭证信息按照预设路径进行数据传输,所述凭证验证模块用于对传输后的凭证进行验证,所述用户管理模块用于用户管理电子凭证,所述数据分析模块基于机器学习技术预测凭证的流转路径;
所述数据分析模块接收通过所述用户管理模块发送的需求信息并对需求信息进行分析,得到需求凭证和流转路径,所述需求凭证反馈给所述用户管理模块,所述流转路径发送给所述凭证流转传输模块;
所述数据分析模块包括文本解构单元、训练单元、执行单元和配对信息记录单元,所述文本解构单元用于对需求信息进行解析,所述训练单元基于已知配对信息的解析内容对预测模型进行训练,所述执行单元用于执行预测模型,所述配对信息记录单元用于记录每个配对信息序号对应的需求凭证、流转路径和目标系统;
所述文本解构单元向所述预测模型发送解析后得到的解构词wd的文本累计值V(wd),所述预测模型设有m个输入数据和n个输出数据,所述预测模型根据下式计算出每个输出数据:
;
其中,表示第i个解构词,m为解构词的数量,n为目标系统与凭证的配对信息数量,/>表示处理系数,i表示输入数据的序号,j表示输出数据的序号;
所述预测模型将最大的输出数据的序号作为预测的配对信息序号;
所述训练单元使用预测模型预测的配对信息与已知需求信息的配对信息不一致时,对应的训练数据样本作为错误样本,所述训练单元计算出错误样本的偏离数据:,其中,n0为预测的配对信息的序号,/>为已知的配对信息的序号,所述偏离数据用于调整处理系数;
所述训练单元对同一批训练数据样本重复进行预测——得到偏离数据——调整处理系数过程,直至不再出现错误样本,然后将最终的处理系数发送给所述执行单元;
所述训练单元将偏离数据处理成n*n的矩阵Q:
;
所述训练单元根据下式对处理系数进行一次优化:
;
其中,K为由处理系数构成的m*n的矩阵,第一优化矩阵;
所述训练单元将矩阵中的元素归一化,使得每行元素之和为1,得到第二优化矩阵/>,所述训练单元将矩阵/>中的元素作为调整后的处理系数;
所述文本解构单元对需求信息进行解析的过程包括如下步骤:
S21、所述文本解构单元从需求信息的文本中按照顺序获取一个关键词;
S22、所述文本解构单元选择与所述关键词关联度最大的一个解构词;
S23、根据下式对解构词的文本累计值进行累计计算:
;
其中,As为关键词与解构词的关联度,V(wd)为解构词的文本累计值;
S24、重复步骤S21至步骤S23,直至需求信息文本中的关键词被提取完毕;
S25、输出所有解构词的文本累计值;
所述文本解构单元包括解构词寄存器、文本累计值寄存器和数据调用处理器,所述解构词寄存器用于保存关键词信息、解构词信息以及关键词与解构词的关联度信息,所述文本累计值用于保存每个解构词的文本累计值数据,所述数据调用处理器用于获取关联度信息和文本累计值信息并向计算处理器发送计算任务。
实施例二:本实施例包含了实施例一中的全部内容,提供了一种基于机器学习技术的电子凭证流转系统,包括凭证生成模块、凭证流转传输模块、凭证验证模块、用户管理模块和数据分析模块,
所述凭证生成模块用于生成初始凭证信息,所述凭证流转传输模块将凭证信息按照预设路径进行数据传输,所述凭证验证模块用于对传输后的凭证进行验证,所述用户管理模块用于用户管理电子凭证,所述数据分析模块基于机器学习技术预测凭证的流转路径;
所述系统的电子凭证流转处理过程包括如下步骤:
S1、用户登录所述用户管理模块,提交信息给所述凭证生成模块,所述凭证生成模块生成初始电子凭证,并将凭证信息保存在所述用户管理模块中;
S2、用户通过所述用户管理模块向所述数据分析模块发送需求信息,所述数据分析模块对需求信息进行分析,得到需求凭证和流转路径,所述需求凭证反馈给所述用户管理模块,所述流转路径发送给所述凭证流转传输模块;
S3、用户根据所述需求凭证将对应的凭证信息发送给所述凭证流转传输模块;
S4、所述凭证流转传输模块根据所述流转路径将凭证信息传输至目标系统;
S5、所述目标系统通过所述凭证验证模块对凭证信息进行验证,验证通过后,所述凭证验证模块对凭证进行迭代处理,并由目标系统将迭代后的凭证信息发送给所述用户管理模块;
S6、所述用户管理模块将新的凭证信息替换原有的凭证信息进行保存;
所述凭证信息包括凭证内容和校验内容,所述凭证内容在迭代过程中保持不变,所述校验内容在迭代过程中产生变化;
结合图2,所述数据分析模块包括文本解构单元、训练单元和执行单元,所述文本解构单元用于对需求信息进行解析,所述训练单元基于已知目标系统的解析内容对预测模型进行训练,所述执行单元用于执行预测模型;
所述文本解构单元对需求信息进行解析的过程包括如下步骤:
S21、所述文本解构单元从需求信息的文本中按照顺序获取一个关键词;
S22、所述文本解构单元选择与所述关键词关联度最大的一个解构词;
S23、根据下式对解构词的文本累计值进行累计计算:
;
其中,wd表示解构词,As为关键词与解构词的关联度,V(wd)为文本累计值;
S24、重复步骤S21至步骤S23,直至需求信息文本中的关键词被提取完毕;
S25、输出所有解构词的文本累计值;
在步骤S25中,对于已知目标系统的需求信息,文本累计值被输出至训练单元,对于未知目标系统的需求信息,文本累计值被输出至执行单元;
所述预测模型设有m个输入数据和n个输出数据,其中,m为解构词的数量,n为目标系统与凭证的配对信息数量,每个输入数据与输出数据之间设有一个处理系数,用表示,i表示输入数据的序号,j表示输出数据的序号,所述预测模型根据下式计算出每个输出数据:
;
其中,表示第i个解构词;
其中,处理系数满足:
;
所述预测模型将最大的输出数据的序号作为预测的配对信息序号;
当预测的配对信息与已知需求信息的配对信息不一致时,对应的训练数据样本作为错误样本,所述训练单元计算出错误样本的偏离数据:,其中,n0为预测的配对信息的序号,/>为已知的配对信息的序号;
所述训练单元对一批训练数据样本进行预测后,根据错误样本对处理系数进行调整;
所述处理系数用m*n的矩阵K表示:
;
所述训练单元将偏离数据处理成n*n的矩阵Q:
;
矩阵Q中的元素表示具有相同的预测配对信息序号和已知配对信息序号的偏离数据的累加值加1;
所述训练单元将矩阵K与矩阵Q相乘,得到m*n的矩阵,即:/>;
所述训练单元将矩阵中的元素归一化,使得每行元素之和为1,得到矩阵/>,矩阵/>中的元素作为调整后的处理系数;
在矩阵K与矩阵中,元素与处理系数的对应关系一致;
所述训练单元对同一批训练数据样本重复进行预测——得到偏离数据——调整处理系数过程,直至不再出现错误样本,然后将最终的处理系数发送给所述执行单元;
所述执行单元接收到一个需求信息的文本累计值后,使用预测模型进行处理,将最大的输出数据的序号作为预测的配对信息序号作为输出结果;
结合图2,所述数据分析模块包含配对信息记录单元,所述配对信息记录单元中记录了每个配对信息序号对应的需求凭证、流转路径和目标系统,所述数据分析模块根据所述执行单元的输出结构检索到对应的需求凭证和流转路径;
所述数据分析模块包含计算处理器,所述计算处理器用于执行所述文本解构单元、训练单元和执行单元发送的计算任务;
结合图3,所述文本解构单元包括解构词寄存器、文本累计值寄存器和数据调用处理器,所述解构词寄存器用于保存关键词信息、解构词信息以及关键词与解构词的关联度信息,所述文本累计值用于保存每个解构词的文本累计值数据,所述数据调用处理器用于获取关联度信息和文本累计值信息并向计算处理器发送计算任务;
结合图4,所述训练单元包括第一数据寄存器、第一预测逻辑控制器和优化控制器,所述数据寄存器用于保存训练单元产生的数据,所述预测逻辑控制器用于控制预测流程并向所述计算处理器发送与预测有关的计算任务,所述优化控制器用于控制优化流程并向所述计算处理器发送调整处理系数时的计算任务;
结合图5,所述执行单元包括第二数据寄存器和第二预测逻辑控制器,所述第二数据寄存器用于保存执行单元产生的数据,所述第二预测逻辑控制器用于控制预测流程并向所述计算处理器发送与预测有关的计算任务;
所述第一预测逻辑控制器和所述第二预测逻辑控制器是相同但独立的元件。
以上所公开的内容仅为本发明的优选可行实施例,并非因此局限本发明的保护范围,所以凡是运用本发明说明书及附图内容所做的等效技术变化,均包含于本发明的保护范围内,此外,随着技术发展其中的元素可以更新的。
Claims (2)
1.一种基于机器学习技术的电子凭证流转系统,其特征在于,包括凭证生成模块、凭证流转传输模块、凭证验证模块、用户管理模块和数据分析模块;
所述凭证生成模块用于生成初始凭证信息,所述凭证流转传输模块将凭证信息按照预设路径进行数据传输,所述凭证验证模块用于对传输后的凭证进行验证,所述用户管理模块用于用户管理电子凭证,所述数据分析模块基于机器学习技术预测凭证的流转路径;
所述数据分析模块接收通过所述用户管理模块发送的需求信息并对需求信息进行分析,得到需求凭证和流转路径,所述需求凭证反馈给所述用户管理模块,所述流转路径发送给所述凭证流转传输模块;
所述数据分析模块包括文本解构单元、训练单元、执行单元和配对信息记录单元,所述文本解构单元用于对需求信息进行解析,所述训练单元基于已知配对信息的解析内容对预测模型进行训练,所述执行单元用于执行预测模型,所述配对信息记录单元用于记录每个配对信息序号对应的需求凭证、流转路径和目标系统;
所述文本解构单元向所述预测模型发送解析后得到的解构词wd的文本累计值V(wd),所述预测模型设有m个输入数据和n个输出数据,所述预测模型根据下式计算出每个输出数据:
;
其中,表示第i个解构词,m为解构词的数量,n为目标系统与凭证的配对信息数量,表示处理系数,i表示输入数据的序号,j表示输出数据的序号;
所述预测模型将最大的输出数据的序号作为预测的配对信息序号;
所述训练单元使用预测模型预测的配对信息与已知需求信息的配对信息不一致时,对应的训练数据样本作为错误样本,所述训练单元计算出错误样本的偏离数据:,其中,n0为预测的配对信息的序号,/>为已知的配对信息的序号,所述偏离数据用于调整处理系数;
所述训练单元对同一批训练数据样本重复进行预测——得到偏离数据——调整处理系数过程,直至不再出现错误样本,然后将最终的处理系数发送给所述执行单元;
所述训练单元将偏离数据处理成n×n的矩阵Q:
;
所述训练单元根据下式对处理系数进行一次优化:
;
其中,K为由处理系数构成的m×n的矩阵,第一优化矩阵;
所述训练单元将矩阵中的元素归一化,使得每行元素之和为1,得到第二优化矩阵/>,所述训练单元将矩阵/>中的元素作为调整后的处理系数;所述文本解构单元对需求信息进行解析的过程包括如下步骤:
S21、所述文本解构单元从需求信息的文本中按照顺序获取一个关键词;
S22、所述文本解构单元选择与所述关键词关联度最大的一个解构词;
S23、根据下式对解构词的文本累计值进行累计计算:
;
其中,As为关键词与解构词的关联度,V(wd)为解构词的文本累计值;
S24、重复步骤S21至步骤S23,直至需求信息文本中的关键词被提取完毕;
S25、输出所有解构词的文本累计值。
2.如权利要求1所述的一种基于机器学习技术的电子凭证流转系统,其特征在于,所述文本解构单元包括解构词寄存器、文本累计值寄存器和数据调用处理器,所述解构词寄存器用于保存关键词信息、解构词信息以及关键词与解构词的关联度信息,所述文本累计值用于保存每个解构词的文本累计值数据,所述数据调用处理器用于获取关联度信息和文本累计值信息并向计算处理器发送计算任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311162113.7A CN117114927B (zh) | 2023-09-11 | 2023-09-11 | 一种基于机器学习技术的电子凭证流转系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311162113.7A CN117114927B (zh) | 2023-09-11 | 2023-09-11 | 一种基于机器学习技术的电子凭证流转系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117114927A CN117114927A (zh) | 2023-11-24 |
CN117114927B true CN117114927B (zh) | 2024-02-02 |
Family
ID=88800009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311162113.7A Active CN117114927B (zh) | 2023-09-11 | 2023-09-11 | 一种基于机器学习技术的电子凭证流转系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114927B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434054A (zh) * | 2020-12-09 | 2021-03-02 | 杭州海量存储技术有限公司 | 一种审计日志的更新方法及装置 |
CN112906364A (zh) * | 2021-03-26 | 2021-06-04 | 建信金融科技有限责任公司 | 一种凭证生成方法、装置、电子设备及存储介质 |
CN113763515A (zh) * | 2020-06-01 | 2021-12-07 | 辉达公司 | 使用一个或更多个神经网络的内容动画 |
CN114626102A (zh) * | 2022-03-21 | 2022-06-14 | 深圳壹账通智能科技有限公司 | 基于区块链的电子凭证流转方法、装置、设备及存储介质 |
CN115953133A (zh) * | 2023-01-30 | 2023-04-11 | 北京四方启点科技有限公司 | 一种电子报销凭证管理方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021150693A1 (en) * | 2020-01-24 | 2021-07-29 | Ayin International Inc. | System and method for distributed on-line transactions utilizing a clearinghouse |
-
2023
- 2023-09-11 CN CN202311162113.7A patent/CN117114927B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763515A (zh) * | 2020-06-01 | 2021-12-07 | 辉达公司 | 使用一个或更多个神经网络的内容动画 |
CN112434054A (zh) * | 2020-12-09 | 2021-03-02 | 杭州海量存储技术有限公司 | 一种审计日志的更新方法及装置 |
CN112906364A (zh) * | 2021-03-26 | 2021-06-04 | 建信金融科技有限责任公司 | 一种凭证生成方法、装置、电子设备及存储介质 |
CN114626102A (zh) * | 2022-03-21 | 2022-06-14 | 深圳壹账通智能科技有限公司 | 基于区块链的电子凭证流转方法、装置、设备及存储介质 |
CN115953133A (zh) * | 2023-01-30 | 2023-04-11 | 北京四方启点科技有限公司 | 一种电子报销凭证管理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117114927A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ren et al. | Sequential recommendation with self-attentive multi-adversarial network | |
CN110929869B (zh) | 序列数据处理方法、装置、设备及存储介质 | |
US11681924B2 (en) | Training neural networks using a variational information bottleneck | |
CN112115257B (zh) | 用于生成信息评估模型的方法和装置 | |
Gorbenko et al. | Examining a possibility to use and the benefits of post-quantum algorithms dependent on the conditions of their application | |
JP2008536220A (ja) | 製品設計の方法およびシステム | |
US20220414536A1 (en) | Execution of Machine Learning Models at Client Devices | |
Shao et al. | ControlVAE: Tuning, analytical properties, and performance analysis | |
CN112036954A (zh) | 物品推荐方法和装置、计算机可读存储介质、电子设备 | |
Yang et al. | Multiobjective Optimization for Fixture Locating Layout of Sheet Metal Part Using SVR and NSGA‐II | |
Zimenko et al. | On finite‐time robust stabilization via nonlinear state feedback | |
Weiner et al. | Data‐Driven Subgrid‐Scale Modeling for Convection‐Dominated Concentration Boundary Layers | |
Compagnoni et al. | An sde for modeling sam: Theory and insights | |
CN117114927B (zh) | 一种基于机器学习技术的电子凭证流转系统 | |
Margaliot et al. | Variability in mRNA translation: a random matrix theory approach | |
Yang et al. | Global cluster synchronization in finite time for complex dynamical networks with hybrid couplings via aperiodically intermittent control | |
CN111242162A (zh) | 图像分类模型的训练方法、装置、介质以及电子设备 | |
CN116705197B (zh) | 一种合成及逆合成分子图预测模型的处理方法和装置 | |
CN110717315B (zh) | 系统数据批量修改方法、装置、存储介质及电子设备 | |
CN116894046A (zh) | 一种数据分析方法、装置、电子设备及存储介质 | |
US20220383137A1 (en) | Enterprise Market Volatility Predictions through Synthetic DNA and Mutant Nucleotides | |
Warwick et al. | Multi-objective model updating optimization considering orthogonality | |
CN115204295A (zh) | 基于自引导机制的对比学习序列的训练、推荐方法及装置 | |
Yang et al. | Input‐mapping based data‐driven model predictive control for unknown linear systems via online learning | |
Luo et al. | Inverse design of optical lenses enabled by generative flow-based invertible neural networks |
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 |