CN117132218B - 工作流管理系统 - Google Patents

Abstract

公开了一种工作流管理系统。该系统包括工作流节点添加模块，WebHook触发模块，静态时间触发模块，以及，工作流审核模块，其中，所述工作流节点添加模块包括：新建数据单元、更新数据单元、获取多条数据单元、获取单条数据单元、删除数据单元、审批节点单元、抄送节点单元、发送信息单元、发送短信单元、条件分支单元。通过这样的方式，可以提高用户的使用体验，能够更快的使用和上手使用工作流。

Description

工作流管理系统

技术领域

本申请涉及智能管理领域，且更为具体地，涉及一种工作流管理系统。

背景技术

工作流实现了工作过程管理的自动化、智能化和整合化。工作流技术起源于二十世纪七十年代中期办公自动化领域的研究，由于当时计算机尚未普及，网络技术水平还很低以及理论基础匮乏，这项新技术并未取得成功。简单地说，工作流就是一系列相互衔接、自动进行的业务活动或任务。一个工作流包括一组任务(或活动)及它们的相互顺序关系，还包括流程及任务(或活动)的启动和终止条件，以及对每个任务(或活动)的描述。进入九十年代以后，随着个人计算机、网络技术的普及和推广，以及信息化建设的日益完善，使得工作流技术的研究与开发进入了一个新的热潮。进入2000年以后，随着web服务技术的兴起，工作流技术得到了空前的发展。

经过多年的发展，现阶段的工作流发展到了工作流2.0。工作流2.0最主要的特征就是可以灵便的实现数据整合和数据统计，消除信息孤岛，既能实现OA办公系统内部工作流之间的数据整合，如借款与报销、预算与决算等，又能实现OA办公系统工作流与其他业务系统之间的数据整合，如HR、ERP、CRM等。工作流2.0能彻底的弥补工作流1.0的不足，它不但实现OA办公系统内部的数据整合，也实现OA办公系统和第三方应用系统之间的数据整合。

目前，市面上已经有许多工作流引擎，如Osworkflow，JBPM，Activiti，Flowable，Camunda等。以Activiti为例来说，它使用专门的建模语言BPMN2.0进行定义，业务流程按照预先定义的流程进行执行，实现了系统的流程由Activiti进行管理，减少业务系统由于流程变更进行系统升级改造的工作量，从而提高系统的健壮性，同时也减少了系统开发维护成本。

但是，现有的工作流引擎操作复杂，必须需要专门培训才能使用，需要对BPMN有一定的了解，需要一定的知识储备才能使用。同时，集成性不强，在原有引擎的基础上，需要进行二次开发才能实现相关业务需求，对于第三方系统的对接，需要额外的开发才能与其他系统集成。还有，不够灵活，不能满足企业个性化需求。

因此，期待一种优化的工作流管理系统。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种工作流管理系统。其可以提高用户的使用体验，能够更快的使用和上手使用工作流。

根据本申请的一个方面，提供了一种工作流管理系统，其包括：

工作流节点添加模块，包括：新建数据单元、更新数据单元、获取多条数据单元、获取单条数据单元、删除数据单元、审批节点单元、抄送节点单元、发送信息单元、发送短信单元、条件分支单元；

WebHook触发模块；

静态时间触发模块；以及

工作流审核模块。

与现有技术相比，本申请提供的工作流管理系统包括工作流节点添加模块，WebHook触发模块，静态时间触发模块，以及，工作流审核模块，其中，所述工作流节点添加模块包括：新建数据单元、更新数据单元、获取多条数据单元、获取单条数据单元、删除数据单元、审批节点单元、抄送节点单元、发送信息单元、发送短信单元、条件分支单元。通过这样的方式，可以提高用户的使用体验，能够更快的使用和上手使用工作流。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。

图1为根据本申请实施例的工作流管理系统的框图示意图。

图2为根据本申请实施例的工作流管理系统中的所述工作流节点添加模块的框图示意图。

图3为根据本申请实施例的工作流管理系统中的所述工作流审核模块的框图示意图。

图4为根据本申请实施例的工作流管理系统中的所述审核单元的框图示意图。

图5为根据本申请实施例的工作流管理系统中的所述语义编码子单元的框图示意图。

图6为根据本申请实施例的工作流管理系统中进一步包括的训练模块的框图示意图。

图7为根据本申请实施例的工作流管理方法的流程图。

图8为根据本申请实施例的工作流管理方法的系统架构的示意图。

图9为根据本申请实施例的工作流管理系统的应用场景图。

具体实施方式

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，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。

如本申请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。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

针对上述技术问题，本申请的技术构思为在流程设计器页面进行了优化和简化，提供对于第三方系统的支持使得第三方系统能与本系统的工作流打通，以及，提供了丰富的工作流节点类型，用于用户实现各种功能。具体地，对外提供了webhook，使得第三方系统能与本系统的工作流打通。用户可以在工作流中设置数据处理节点，用于对系统内任意数据进行增删改查操作。同时支持人工审批（OA系统），提供了基础的审批，抄送，以及各种消息发送功能。并且与各个平台内的OA系统默认做了打通，实现在各个平台内审批与本系统内的审批的同步。同时系统相比于传统工作流引擎，还支持时间触发功能，用于满足用户在特定时间的工作自动化。

特别地，基于本申请实施例的所述工作流管理系统，可以根据企业的个性化需求来设计和配置工作流，提高企业的业务处理效率和质量。虽然上述技术需求能够藉由本申请所提供的工作流管理系统来实现，但在业务流的个性化配置过程中，因业务流本身的复杂性以及用户在配置过程中可能会出现各种偏差导致最终个性化配置的业务流存在逻辑，例如逻辑错误，进而导致个性化配置的业务流无法正常运行。

针对此技术需求，在本申请的技术方案中，所述工作流管理系统进一步包括工作流审核模块，用于对待校验工作流进行分析以确定所述待校验工作流是否存在错误。也就是，所述工作流管理系统还包括业务流逻辑校验机制以提高所述工作流管理系统的智能性和实用性。

图1为根据本申请实施例的工作流管理系统的框图示意图，图2为根据本申请实施例的工作流管理系统中的所述工作流节点添加模块的框图示意图。如图1和图2所示，根据本申请实施例的工作流管理系统100，包括：工作流节点添加模块110，包括：新建数据单元1101、更新数据单元1102、获取多条数据单元1103、获取单条数据单元1104、删除数据单元1105、审批节点单元1106、抄送节点单元1107、发送信息单元1108、发送短信单元1109、条件分支单元1110；WebHook触发模块120；静态时间触发模块130；以及，工作流审核模块140。

更具体地，在本申请实施例中，如图3所示，所述工作流审核模块140，包括：待校验工作流获取单元141，用于获取待校验工作流；以及，审核单元142，用于基于所述待校验工作流中各个节点的节点文本描述以及所述待校验工作流中各个节点之间的逻辑关系，确定所述待校验工作流是否存在错误。

具体地，在本申请的技术方案中，首先获取待校验工作流，并提取待校验工作流中各个节点的节点文本描述，以及，构造所述待校验工作流中各个节点之间的逻辑连接拓扑矩阵。在本申请的技术方案中，节点文本描述更多地表示节点的属性信息。所述逻辑连接拓扑矩阵中非对角线位置上各个位置的特征值用于表示相应两个节点之间的逻辑关系，具体地，如果两个节点之间的逻辑关系是顺序执行逻辑关系，则特征值为1，如果两个节点之间逻辑关系是逆序执行逻辑关系，则特征值为-1，如果两个节点之间的逻辑关系是与逻辑关系，则特征值为2，如果两个节点之间的逻辑关系是或逻辑关系，则特征值为3，如果两个节点之间的逻辑关系为异或逻辑关系，则特征值为4，如果两个节点之间的逻辑关系是非逻辑关系，则特征值为5。

相应地，在一个具体示例中，如图4所示，所述审核单元142，包括：文本描述提取子单元1421，用于提取所述待校验工作流中各个节点的节点文本描述；逻辑连接拓扑矩阵构造子单元1422，用于构造所述待校验工作流中各个节点之间的逻辑连接拓扑矩阵，其中，所述逻辑连接拓扑矩阵中非对角线位置上各个位置的特征值用于表示相应两个节点之间的逻辑关系；语义编码子单元1423，用于对所述各个节点的节点文本描述进行语义编码以得到全局节点语义特征矩阵；逻辑连接拓扑特征矩阵提取子单元1424，用于从所述逻辑连接拓扑矩阵提取逻辑连接拓扑特征矩阵；图数据编码子单元1425，用于使用图神经网络模型对所述全局节点语义特征矩阵和所述逻辑连接拓扑特征矩阵进行图数据编码以得到业务流全局语义理解特征矩阵；以及，错误判断子单元1426，用于基于所述业务流全局语义理解特征矩阵，确定所述待校验工作流是否存在错误。

接着，将所述各个节点的节点文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到多个节点语义理解特征向量。也就是，对所述各个节点的文本描述进行语义理解以得到多个节点语义理解特征向量。进而，将所述多个节点语义理解特征向量排列为全局节点语义特征矩阵。同时，将所述逻辑连接拓扑矩阵通过基于卷积神经网络模型的逻辑拓扑特征提取器以得到逻辑连接拓扑特征矩阵。也就是，在本申请的技术方案中，使用在局部特征提取方面具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉各个节点之间的逻辑关系特征值之间的高维隐含关联模式特征。相应地，在一个具体示例中，如图5所示，所述语义编码子单元1423，包括：词嵌入编码二级子单元14231，用于将所述各个节点的节点文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到多个节点语义理解特征向量；以及，矩阵排列二级子单元14232，用于将所述多个节点语义理解特征向量排列为全局节点语义特征矩阵。

相应地，在一个具体示例中，所述词嵌入层的语义编码器为包含word2vec模型的BiLSTM模型。应可以理解，word2vec模型是一种用于将词语表示为连续向量空间中的向量的技术。word2vec模型基于分布式假设，即在语言中具有相似上下文的词语往往具有相似的含义。word2vec模型通过训练神经网络来学习词语的向量表示，使得具有相似上下文的词语在向量空间中距离较近。BiLSTM模型是一种双向长短时记忆网络模型，BiLSTM模型在处理序列数据时能够同时考虑上下文信息。LSTM（长短时记忆网络）是一种能够有效捕捉序列中长期依赖关系的循环神经网络模型。BiLSTM模型由两个LSTM层组成，一个按正序处理输入序列，另一个按逆序处理输入序列，然后将两个方向的输出合并在一起，以获得更全面的序列信息。在本申请的技术方案中，词嵌入层的语义编码器采用了包含word2vec模型的BiLSTM模型，用于将节点文本描述进行分词处理，并通过训练神经网络来学习节点的语义理解特征向量。

相应地，在一个具体示例中，所述逻辑连接拓扑特征矩阵提取子单元1424，用于：将所述逻辑连接拓扑矩阵通过基于卷积神经网络模型的逻辑拓扑特征提取器以得到所述逻辑连接拓扑特征矩阵。应可以理解，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要用于处理具有网格结构的数据，如图像和序列数据。它通过卷积操作和池化操作来提取输入数据中的特征，并通过多个卷积层和全连接层进行深层次的特征学习和分类。卷积神经网络模型的核心是卷积层。卷积层通过滑动一个小的窗口（卷积核）在输入数据上进行卷积操作，从而提取局部特征。卷积操作可以捕捉输入数据中的空间关系，使得模型能够具有平移不变性和局部感知能力。卷积层之后通常会使用激活函数来引入非线性，增加模型的表达能力。除了卷积层，卷积神经网络还可以包含池化层、全连接层、批归一化层等。池化层用于降低特征图的空间维度，减少参数数量，同时保留重要的特征。全连接层用于将高级特征映射到输出类别上。批归一化层则用于加速网络的训练过程和提高模型的泛化能力。在本申请的技术方案中，逻辑连接拓扑特征提取器采用了基于卷积神经网络模型，用于从逻辑连接拓扑矩阵中提取逻辑连接拓扑特征。通过卷积操作和其他层的组合，卷积神经网络模型能够捕捉到逻辑连接拓扑矩阵中的高维隐含关联模式特征，从而实现对节点之间逻辑关系的理解和提取。

应注意到，在本申请的技术方案中，所述各个节点语义理解特征向量相当于各个节点的高维特征表达，而所述逻辑连接拓扑特征矩阵则相当于节点与节点之间的边的高维特征表达。因此，所述全局节点语义特征矩阵和所述逻辑连接拓扑特征矩阵作为整体构成图数据结构。相应地，所述图数据编码子单元1425用于使用图神经网络模型对所述全局节点语义特征矩阵和所述逻辑连接拓扑特征矩阵进行图数据编码以得到业务流全局语义理解特征矩阵。

基于此，在本申请的技术方案中，将所述全局节点语义特征矩阵和所述逻辑连接拓扑特征矩阵通过图神经网络模型以得到业务流全局语义理解特征矩阵。并进一步地将所述业务流全局语义理解特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待校验工作流是否存在逻辑错误。也就是，在本申请的技术方案中，使用图神经网络模型对所述全局节点语义特征矩阵和所述逻辑连接拓扑特征矩阵进行图数据编码以得到包含不规则的逻辑拓扑特征信息的全局业务流文本高维特征表达。并进一步地，通过所述分类器来确定所述业务流全局语义理解特征矩阵所属的类概率标签，所述类概率标签用于表示待校验工作流是否存在逻辑错误。相应地，在一个具体示例中，所述错误判断子单元1426，用于：将所述业务流全局语义理解特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待校验工作流是否存在逻辑错误。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

相应地，在一个具体示例中，所述错误判断子单元1426，包括：矩阵展开二级子单元，用于将所述业务流全局语义理解特征矩阵按照行向量或列向量展开为分类特征向量；全连接编码子单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

相应地，在一个具体示例中，所述的工作流管理系统，还包括用于对所述包含词嵌入层的语义编码器、所述基于卷积神经网络模型的逻辑拓扑特征提取器、所述图神经网络模型和所述分类器进行训练的训练模块。应可以理解，训练模块在工作流管理系统中起着至关重要的作用，其用于对包含词嵌入层的语义编码器、基于卷积神经网络模型的逻辑拓扑特征提取器、图神经网络模型和分类器进行训练。训练模块的主要任务是通过提供大量的训练数据来训练这些模型，以使它们能够学习到任务的特定模式和规律。在训练过程中，训练模块会将输入数据提供给这些模型，并根据预定义的目标函数来计算模型的损失。然后，通过反向传播算法，训练模块会根据损失来更新模型的参数，以使其逐渐优化并提高性能。具体来说，对于语义编码器，训练模块将使用标注好的语义数据，如标注好的语义向量或者语义标签，来训练编码器模型，通过对比模型输出和真实标签之间的差异，训练模块会调整编码器模型的参数，使其能够更好地将输入文本转化为语义特征向量。对于逻辑拓扑特征提取器，训练模块将使用带有已知逻辑连接拓扑结构的数据来训练模型，通过将输入的逻辑连接拓扑矩阵与真实的拓扑结构进行对比，训练模块会调整提取器模型的参数，使其能够准确地从逻辑连接拓扑矩阵中提取出拓扑特征。对于图神经网络模型和分类器，训练模块将使用带有标注好的分类标签的图数据来训练模型，通过比较模型的分类结果和真实标签之间的差异，训练模块会更新图神经网络模型和分类器的参数，以使其能够更准确地对输入的图数据进行分类。通过不断迭代训练过程，训练模块能够使这些模型逐渐收敛到最优状态，从而提高工作流管理系统的性能和准确性。

进一步地，如图6所示，所述训练模块200，包括：训练数据获取单元210，用于获取训练数据，所述训练数据包括训练待校验业务流，以及，所述训练待校验业务流是否存在逻辑错误的真实值；训练文本描述提取单元220，用于提取所述训练待校验业务流中各个节点的节点文本描述；训练逻辑连接拓扑矩阵构造单元230，用于构造所述训练待校验业务流中各个节点之间的训练逻辑连接拓扑矩阵；训练语义编码单元240，用于基于所述包含词嵌入层的语义编码器，对所述训练待校验业务流中各个节点的节点文本描述进行语义编码以得到训练全局节点语义特征矩阵；训练逻辑连接拓扑特征矩阵提取单元250，用于基于所述基于卷积神经网络模型的逻辑拓扑特征提取器，从所述训练逻辑连接拓扑矩阵提取训练逻辑连接拓扑特征矩阵；训练图数据编码单元260，用于使用所述图神经网络模型对所述训练全局节点语义特征矩阵和所述训练逻辑连接拓扑特征矩阵进行图数据编码以得到训练业务流全局语义理解特征矩阵；训练分类单元270，用于将所述训练业务流全局语义理解特征矩阵通过所述分类器以得到分类损失函数值；因数构造单元280，用于构造所述训练业务流全局语义理解特征矩阵的特征矩阵流形的凸分解一致性因数；以及，训练单元290，用于以所述训练业务流全局语义理解特征矩阵的特征矩阵流形的凸分解一致性因数和所述分类损失函数值的加权和作为损失函数值，对所述包含词嵌入层的语义编码器、所述基于卷积神经网络模型的逻辑拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。

特别地，在本申请的技术方案中，在将所述训练全局节点语义特征矩阵和所述训练逻辑连接拓扑特征矩阵通过图神经网络模型以得到训练业务流全局语义理解特征矩阵时，所述图神经网络模型通过可学习的神经参数对所述训练全局需求量时序特征矩阵和所述训练逻辑连接拓扑特征矩阵进行图结构数据编码以得到所述训练业务流全局语义理解特征矩阵。这里，所述训练业务流全局语义理解特征矩阵用于表示融合节点之间的逻辑拓扑信息的业务流的语义特征，所述训练业务流全局语义理解特征矩阵中各个行向量用于表示融合节点间的逻辑拓扑信息的各个节点的文本语义特征。

应可以理解，通过所述图神经网络模型可提高各个节点的文本描述的语义特征表达的准确性，同时引入节点之间的逻辑拓扑信息会使得各个节点的文本描述的语义特征表达之间的分布差异边界更加具有鲁棒性，但是这也会导致所述训练业务流全局语义理解特征矩阵在空间分布维度下的一致性差，从而影响通过分类器进行分类的分类效果。

因此，为了使得所述训练业务流全局语义理解特征矩阵在高维特征空间内的流形 表达在与行方向和列方向对应的不同空间分布维度上保持一致，本申请的申请人针对所述 训练业务流全局语义理解特征矩阵引入特征矩阵流形的凸分解一致性因数作为损失函 数。

相应地，在一个具体示例中，所述因数构造单元280，用于：以如下因数计算公式构造所述训练业务流全局语义理解特征矩阵的特征矩阵流形的凸分解一致性因数；其中，所述因数计算公式为：

其中，和分别是所述训练业务流全局语义理解特征矩阵对应行向量的均值向 量和列向量的均值向量，是所述训练业务流全局语义理解特征矩阵的第位置的特 征值，表示向量乘法，表示向量的一范数，表示矩阵的Frobenius范数，和是 所述训练业务流全局语义理解特征矩阵的宽度和高度，且、和是权重超参数，表示函数，是所述训练业务流全局语义理解特征矩阵的特征矩阵 流形的凸分解一致性因数。

也就是，考虑到所述训练业务流全局语义理解特征矩阵的行和列维度的单独空 间维度表达，所述流形凸分解一致性因数针对所述训练业务流全局语义理解特征矩阵在 行和列所代表的子维度上的分布差异性，通过所述训练业务流全局语义理解特征矩阵所 表示的特征流形的几何凸分解，来对不同维度上的流形的有限凸多面体的集合进行平展 化，并以子维度关联的形状权重的形式来约束几何凸分解，从而促进所述训练业务流全局 语义理解特征矩阵的特征流形在行和列所代表的可分解维度上的凸几何表示的一致性， 以使得所述训练业务流全局语义理解特征矩阵在高维特征空间内的流形表达在与行方向 和列方向对应的不同分布维度上保持一致，从而提升所述训练业务流全局语义理解特征矩 阵通过分类器的分类判断的精准度。

值得一提的是，根据本申请的所述工作流管理系统，具有如下技术优势：

1.减少用户使用成本，提高用户的使用体验，能够更快的使用和上手使用工作流，不需要有很强的相关技术基础。

2.灵活支持三方与第三方系统的对接和支持，不需要用户做过多的开发工作

3.满足新时代下客户提出的个性化需求，在用户调研的基础下，本申请的工作流能够更好的贴近用户的诉求，实现相关功能，满足用户。

4.能够智能地对工作流进行基于语义和逻辑拓扑的逻辑校验以确定个性化定制的工作流是否存在逻辑错误。

综上，基于本申请实施例的工作流管理系统100被阐明，其可以提高用户的使用体验，能够更快的使用和上手使用工作流。

如上所述，根据本申请实施例的基于本申请实施例的工作流管理系统100可以实现在各种终端设备中，例如具有基于本申请实施例的工作流管理算法的服务器等。在一个示例中，基于本申请实施例的工作流管理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于本申请实施例的工作流管理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于本申请实施例的工作流管理系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于本申请实施例的工作流管理系统100与该终端设备也可以是分立的设备，并且该工作流管理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图7为根据本申请实施例的工作流管理方法的流程图。图8为根据本申请实施例的工作流管理方法的系统架构的示意图。如图7和图8所示，根据本申请实施例的工作流管理方法，其包括：S110，获取待校验工作流；以及，S120，基于所述待校验工作流中各个节点的节点文本描述以及所述待校验工作流中各个节点之间的逻辑关系，确定所述待校验工作流是否存在错误。

这里，本领域技术人员可以理解，上述工作流管理方法中的各个步骤的具体操作已经在上面参考图1到图6的工作流管理系统100的描述中得到了详细介绍，并因此，将省略其重复描述。

图9为根据本申请实施例的工作流管理系统的应用场景图。如图9所示，在该应用场景中，首先，获取待校验工作流（例如，图9中所示意的D），然后，将所述待校验工作流中各个节点的节点文本描述以及所述待校验工作流中各个节点之间的逻辑关系输入至部署有工作流管理算法的服务器中（例如，图9中所示意的S），其中，所述服务器能够使用所述工作流管理算法对所述待校验工作流中各个节点的节点文本描述以及所述待校验工作流中各个节点之间的逻辑关系进行处理以得到用于表示待校验工作流是否存在逻辑错误的分类结果。

本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (8)

1.一种工作流管理系统，其特征在于，包括：

工作流节点添加模块，包括：新建数据单元、更新数据单元、获取多条数据单元、获取单条数据单元、删除数据单元、审批节点单元、抄送节点单元、发送信息单元、发送短信单元、条件分支单元；

WebHook触发模块；

静态时间触发模块；以及

工作流审核模块；所述工作流审核模块，包括：

待校验工作流获取单元，用于获取待校验工作流；以及

审核单元，用于基于所述待校验工作流中各个节点的节点文本描述以及所述待校验工作流中各个节点之间的逻辑关系，确定所述待校验工作流是否存在错误；

所述审核单元，包括：

文本描述提取子单元，用于提取所述待校验工作流中各个节点的节点文本描述；

逻辑连接拓扑矩阵构造子单元，用于构造所述待校验工作流中各个节点之间的逻辑连接拓扑矩阵，其中，所述逻辑连接拓扑矩阵中非对角线位置上各个位置的特征值用于表示相应两个节点之间的逻辑关系；

语义编码子单元，用于对所述各个节点的节点文本描述进行语义编码以得到全局节点语义特征矩阵；

逻辑连接拓扑特征矩阵提取子单元，用于从所述逻辑连接拓扑矩阵提取逻辑连接拓扑特征矩阵；

图数据编码子单元，用于使用图神经网络模型对所述全局节点语义特征矩阵和所述逻辑连接拓扑特征矩阵进行图数据编码以得到业务流全局语义理解特征矩阵；以及

错误判断子单元，用于基于所述业务流全局语义理解特征矩阵，确定所述待校验工作流是否存在错误。

2.根据权利要求1所述的工作流管理系统，其特征在于，所述语义编码子单元，包括：

词嵌入编码二级子单元，用于将所述各个节点的节点文本描述进行分词处理后通过包含词嵌入层的语义编码器以得到多个节点语义理解特征向量；以及

矩阵排列二级子单元，用于将所述多个节点语义理解特征向量排列为全局节点语义特征矩阵。

3.根据权利要求2所述的工作流管理系统，其特征在于，所述词嵌入层的语义编码器为包含word2vec模型的BiLSTM模型。

4.根据权利要求3所述的工作流管理系统，其特征在于，所述逻辑连接拓扑特征矩阵提取子单元，用于：

将所述逻辑连接拓扑矩阵通过基于卷积神经网络模型的逻辑拓扑特征提取器以得到所述逻辑连接拓扑特征矩阵。

5.根据权利要求4所述的工作流管理系统，其特征在于，所述错误判断子单元，用于：

将所述业务流全局语义理解特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待校验工作流是否存在逻辑错误。

6.根据权利要求5所述的工作流管理系统，其特征在于，还包括用于对所述包含词嵌入层的语义编码器、所述基于卷积神经网络模型的逻辑拓扑特征提取器、所述图神经网络模型和所述分类器进行训练的训练模块。

7.根据权利要求6所述的工作流管理系统，其特征在于，所述训练模块，包括：

训练数据获取单元，用于获取训练数据，所述训练数据包括训练待校验业务流，以及，所述训练待校验业务流是否存在逻辑错误的真实值；

训练文本描述提取单元，用于提取所述训练待校验业务流中各个节点的节点文本描述；

训练逻辑连接拓扑矩阵构造单元，用于构造所述训练待校验业务流中各个节点之间的训练逻辑连接拓扑矩阵；

训练语义编码单元，用于基于所述包含词嵌入层的语义编码器，对所述训练待校验业务流中各个节点的节点文本描述进行语义编码以得到训练全局节点语义特征矩阵；

训练逻辑连接拓扑特征矩阵提取单元，用于基于所述基于卷积神经网络模型的逻辑拓扑特征提取器，从所述训练逻辑连接拓扑矩阵提取训练逻辑连接拓扑特征矩阵；

训练图数据编码单元，用于使用所述图神经网络模型对所述训练全局节点语义特征矩阵和所述训练逻辑连接拓扑特征矩阵进行图数据编码以得到训练业务流全局语义理解特征矩阵；

训练分类单元，用于将所述训练业务流全局语义理解特征矩阵通过所述分类器以得到分类损失函数值；

因数构造单元，用于构造所述训练业务流全局语义理解特征矩阵的特征矩阵流形的凸分解一致性因数；以及

训练单元，用于以所述训练业务流全局语义理解特征矩阵的特征矩阵流形的凸分解一致性因数和所述分类损失函数值的加权和作为损失函数值，对所述包含词嵌入层的语义编码器、所述基于卷积神经网络模型的逻辑拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。

8.根据权利要求7所述的工作流管理系统，其特征在于，所述因数构造单元，用于：

以如下因数计算公式构造所述训练业务流全局语义理解特征矩阵的特征矩阵流形的凸分解一致性因数；

其中，所述因数计算公式为：

，

，

，

其中，和/>分别是所述训练业务流全局语义理解特征矩阵对应行向量的均值向量和列向量的均值向量，/>是所述训练业务流全局语义理解特征矩阵的第/>位置的特征值，/>表示向量乘法，/>表示向量的一范数，/>表示矩阵的Frobenius范数，/>和/>是所述训练业务流全局语义理解特征矩阵的宽度和高度，且/>、/>和/>是权重超参数，表示/>函数，/>是所述训练业务流全局语义理解特征矩阵的特征矩阵流形的凸分解一致性因数。