CN117391313B - 基于ai的智能决策方法、系统、设备以及介质 - Google Patents
基于ai的智能决策方法、系统、设备以及介质 Download PDFInfo
- Publication number
- CN117391313B CN117391313B CN202311700356.1A CN202311700356A CN117391313B CN 117391313 B CN117391313 B CN 117391313B CN 202311700356 A CN202311700356 A CN 202311700356A CN 117391313 B CN117391313 B CN 117391313B
- Authority
- CN
- China
- Prior art keywords
- data
- decision
- target
- decision analysis
- analysis model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000004458 analytical method Methods 0.000 claims abstract description 133
- 238000003058 natural language processing Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000002787 reinforcement Effects 0.000 claims abstract description 13
- 238000012795 verification Methods 0.000 claims description 30
- 238000004140 cleaning Methods 0.000 claims description 27
- 238000007405 data analysis Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 8
- 238000012800 visualization Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 208000025174 PANDAS Diseases 0.000 claims description 6
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 6
- 240000004718 Panda Species 0.000 claims description 6
- 235000016496 Panda oleosa Nutrition 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于AI的智能决策方法、系统、设备以及介质，该方法包括：实时获取经服务认证之后的内部业务数据和经基于强化学习的动态爬虫算法抓取的外部业务数据；通过预先构建的基于自然语言处理技术的知识图谱对内部业务数据和外部业务数据中的结构化数据和非结构化数据进行处理得到优化数据；根据不同业务场景下的业务需求和优化数据建立决策分析模型得到决策分析模型集；将获取的待分析业务数据输入从决策分析模型集选取的目标决策分析模型中进行决策分析以生成决策分析结果。本发明可使得决策者能更好的掌握企业运营相关信息，保证了决策的快速性及准确性，达到了降本增效及控制企业风险的目的，增强了企业的数字生产竞争力。
Description
技术领域
本发明涉及人工智能及智能决策技术领域，更具体地涉及一种基于AI的智能决策方法、系统、设备以及介质。
背景技术
目前制造企业在进行数字化建设过程中，势必会形成不同业务的多个业务系统，而各个业务系统相互关联不强，决策者往往需要访问多个业务系统才能获得想要的业务数据信息，而多个业务系统存在着海量的业务数据信息，现有的决策方法无法保证决策者快速且准确地处理分析海量数据信息，从而使得决策者无法更好地掌握企业运营相关信息，决策过程变得越来越复杂且困难，极大的降低了企业的数字生成竞争力。
发明内容
本发明的目的是提供一种基于AI的智能决策方法、系统、设备以及介质以解决现有决策方法无法保证决策的快速性及准确性的问题。
为了实现上述目的，第一方面，本发明提供一种基于AI的智能决策方法，其包括：
实时获取经服务认证之后的内部业务数据和经基于强化学习的动态爬虫算法抓取的外部业务数据，其中，所述内部业务数据和所述外部业务数据中均包括结构化数据和非结构化数据；
通过预先构建的基于自然语言处理技术的知识图谱对所述结构化数据和所述非结构化数据进行识别以生成实体关系属性数据，并对所述实体关系属性数据进行分类和处理得到优化数据；
获取不同应用场景下的业务需求，针对每一所述业务需求，从所述优化数据中获取满足所述业务需求的数据以得到目标优化数据，并根据所述目标优化数据建立决策分析模型，以得到决策分析模型集；
获取待分析业务数据，并从所述决策分析模型集中选取与所述待分析业务数据相匹配的模型作为目标决策分析模型，将所述待分析业务数据输入所述目标决策分析模型进行决策分析以生成决策分析结果。
为了实现上述目的，第二方面，本发明还提供了一种基于AI的智能决策系统，其包括：
数据采集单元，用于实时获取经服务认证之后的内部业务数据和经基于强化学习的动态爬虫算法抓取的外部业务数据，其中，所述内部业务数据和所述外部业务数据中均包括结构化数据和非结构化数据；
数据处理单元，用于通过预先构建的基于自然语言处理技术的知识图谱对所述结构化数据和所述非结构化数据进行识别以生成实体关系属性数据，并对所述实体关系属性数据进行分类和处理得到优化数据；
模型构建单元，用于获取不同应用场景下的业务需求，针对每一所述业务需求，从所述优化数据中获取满足所述业务需求的数据以得到目标优化数据，并根据所述目标优化数据及与所述业务需求相对应的计算指标建立决策分析模型，以得到决策分析模型集；
智能分析单元，用于获取待分析的业务数据及与所述待分析的业务数据相对应的待计算指标，并根据所述待计算指标从所述决策分析模型集中选取目标决策分析模型，将所述待分析的业务数据输入所述目标决策分析模型以得到决策分析结果。
为了实现上述目的，第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备上搭建有基于AI的智能决策系统，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。
为了实现上述目的，第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现上述方法。
本发明实施例提供了一种基于AI的智能决策方法、系统、设备以及介质。其中，所述方法包括：实时获取经服务认证之后的内部业务数据和经基于强化学习的动态爬虫算法抓取的外部业务数据，其中，所述内部业务数据和所述外部业务数据中均包括结构化数据和非结构化数据；通过预先构建的基于自然语言处理技术的知识图谱对所述结构化数据和所述非结构化数据进行识别以生成实体关系属性数据，并对所述实体关系属性数据进行分类和处理得到优化数据；获取不同应用场景下的业务需求，针对每一所述业务需求，从所述优化数据中获取满足所述业务需求的数据以得到目标优化数据，并根据所述目标优化数据建立决策分析模型，以得到决策分析模型集；获取待分析业务数据，并从所述决策分析模型集中选取与所述待分析业务数据相匹配的模型作为目标决策分析模型，将所述待分析业务数据输入所述目标决策分析模型进行决策分析以生成决策分析结果。本发明实施例的技术方案，先通过基于知识图谱的自然语言处理技术对内部业务数据和外部业务数据中的结构化数据和非结构化数据进行识别，识别之后再进行分类和处理得到优化数据；再根据业务需求和优化数据建立决策分析模型得到决策分析模型集；最后将获取的待分析业务数据输入从决策分析模型集选取的目标决策分析模型中进行决策分析以生成决策分析结果，整个决策分析过程因不仅避免了决策者访问多个业务系统，而且还快速的提取了大量数据的有用信息进行决策分析，可使得决策者能更好的掌握企业运营相关信息，从而保证了决策的快速性及准确性。
通过以下的描述并结合附图，本发明将变得更加清晰，这些附图用于解释本发明的实施例。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的一种基于AI的智能决策方法的流程示意图；
图2为本发明实施例提供的一种基于AI的智能决策方法的子流程示意图；
图3为本发明实施例提供的构建知识图谱的流程示意图；
图4为本发明另一实施例提供的一种基于AI的智能决策方法的流程示意图；
图5为本发明实施例提供的一种基于AI的智能决策系统的示意性框图；
图6为本发明另一实施例提供的一种基于AI的智能决策系统的示意性框图；
图7为本发明实施例提供的一种计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和 “包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为 “当... 时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
请参阅图1，图1是本发明实施例提供的基于AI的智能决策方法的流程示意图。下面对所述基于AI的智能决策方法进行详细说明。如图1所示，该方法包括以下步骤S110-S140。
S110、实时获取经服务认证之后的内部业务数据和经基于强化学习的动态爬虫算法抓取的外部业务数据，其中，所述内部业务数据和所述外部业务数据中均包括结构化数据和非结构化数据。
在某些实施例，例如本实施例中，实时获取经服务认证之后的内部业务数据和经基于强化学习的动态爬虫算法抓取的外部业务数据，其中，所述内部业务数据和所述外部业务数据中均包括结构化数据和非结构化数据，其中，所述内部业务数据包括商品数据、生产数据、仓库数据、销售数据、渠道数据、营销活动数据、商城数据以及财务数据等企业内部数据；所述外部业务数据为同行类比数据（例如产品价格、商品评价等数据）。需要说明的是，服务认证之后的内部业务数据即为具有提交权限的内部业务数据，是经WebAPI的方式传输的数据。还需要说明的是，在本实施例中，之所以采用基于强化学习的动态爬虫算法抓取的外部业务数据是为了快速适应不同网站的结构变化，更好抓取外部业务数据。强化学习是一种机器学习方法，它通过使智能体(agent)与环境进行动态交互来学习一个能获得最大累积奖励的策略(policy)。关键元素包括状态空间、行为空间、奖励机制、价值函数等。强化学习应用于爬虫，将爬虫看作一个智能体，其环境为网页空间。状态表示网页及链接信息，行为为各种策略下的链接选择方式。定义爬取深度、信息完整度等作为奖励，价值函数评估各状态-行为组合的长期价值。在实际应用中，强化爬虫关键技术：状态空间表示：使用特征向量表示网页信息、链接特征等状态；行为空间：链接选择策略的集合；奖励机制：获取目标数据奖励正值，资源消耗给予负值；强化学习算法：使用Q学习、SARSA、策略梯度等找到最优爬取策略。可理解地，还可通过训练和模型更新不断优化爬虫策略，以适应网络环境变化，提高抓取的外部业务数据的质量，达到最大化累积奖励的目标。
S120、通过预先构建的基于自然语言处理技术的知识图谱对所述结构化数据和所述非结构化数据进行识别以生成实体关系属性数据，并对所述实体关系属性数据进行分类和处理得到优化数据。
在某些实施例，例如本实施例中，获取到所述内部业务数据和所述外部业务数据之后，通过预先构建的基于自然语言处理技术的知识图谱对所述结构化数据和所述非结构化数据进行识别以生成实体关系属性数据，需要说明的是，在本实施例中，之所以采用基于知识图谱的自然语言处理技术对所述内部业务数据和所述外部业务数据进行转化，而不是自然语言处理技术对所述内部业务数据和所述外部业务数据进行转化，是为了实现更为深入的语义理解和处理。还需要说明的是，在本实施例中的实体关系属性数据为知识图谱中的实体、关系以及属性数据。
进一步地，如图2所示，步骤S120可包括步骤S121-S122：S121、通过预先训练好的分类模型对所述实体关系属性数据进行分类得到分类数据，其中，所述分类模型是利用样本数据对机器学习算法训练得到的模型；S122、对所述分类数据进行清洗和归一化处理得到优化数据。具体地，可通过实体、关系以及属性中的一种或多种对对所述实体关系属性数据进行分类；所述机器学习算法可为分类算法，例如支持向量机算法。需要说明的是，在本实施例中，之所以对所述实体关系属性数据进行分类是为了后续步骤中建立决策分析模型。还需说明的是，在本实施例中，是因为所述分类数据非常庞大且复杂，所以需要对其进行清洗。
更进一步地，步骤S122具体包括：利用Python中的Pandas库和Numpy库对所述分类数据进行清洗处理得到清洗数据，其中，所述清洗处理为去除所述分类数据中无效、重复、冗余以及异常的数据；对所述清洗数据进行Z-Score和/或Min-Max归一化处理得到所述优化数据。具体地，是利用Python中的Pandas库和Numpy库中的多维数组对象和处理多维数组对象的函数对所述分类数据进行清洗的，清洗完成之后，还需要将所述清洗数据进行标准化处理，以将所述分类数据转化为机器学习算法所需格式的数据，即为所述优化数据。
请参阅图3为本发明实施例提供的构建知识图谱的流程示意图，如图3所示，包括步骤S200-S220：S200、通过自然语言处理技术对收集的样本内部业务数据和样本外部业务数据进行识别得到命名实体，并对所述命名实体进行归一化表达得到归一化命名实体，对所述归一化命名实体进行融合得到目标命名实体；其中，所述自然语言处理技术为Seq2Seq序列模型；S210、根据预定义的领域Schema或Ontology构建所述样本内部业务数据和所述样本外部业务数据的概念属性关系，并根据所述目标命名实体和概念属性关系构建初始知识图谱；
S220、抽取验证内部业务数据和验证外部业务数据中的验证实体以及与验证实体相对应的概念属性关系，并根据所述验证实体和与所述验证实体相对应的概念属性关系对所述初始知识图谱进行修正以得到所述知识图谱。
在某些实施例，例如本实施例中，通过Named Entity Recognition（命名实体识别）从样本内部业务数据和样本外部业务数据中识别和提取出命名实体。命名实体指的是文本中具有特定名称的实体，例如产品、客户、订单、销售员等，是自然语言处理（NLP）领域中的一个重要任务。使用知识图谱中的Schema对抽取出的命名实体进行归一化表达，消解同一实体的异构表示。通过知识融合的技术消除数据冗余。需要说明的是，所述自然语言处理技术为Seq2Seq序列模型。根据预定义的领域Schema或Ontology构建概念属性关系；使用依存句法分析等提取概念之间的语义关系；根据所述目标命名实体和概念属性关系构建出包含实体、属性、关系的知识图谱。
为方便理解，现举例如下：知识图谱包括实体、属性和关系。实体：产品：
属性：产品名称、产品ID、价格、描述等；客户：属性：客户ID、姓名、联系方式、地址等；订单：属性：订单ID、订单日期、订单总额等；销售员：属性：销售员ID、姓名、部门、联系信息等；关系：产品与订单之间的关系：每个订单包含多个产品，一个产品可以在多个订单中出现；客户与订单之间的关系：每个订单对应一个客户，一个客户可以有多个订单；销售员与订单之间的关系：
每个订单由一个销售员处理；一个销售员可能处理多个订单。销售数据的知识图谱描述了产品、客户、订单和销售员之间的关系。例如，订单与产品之间的关系表示了订单中包含哪些产品，客户与订单之间的关系说明了每个订单对应哪个客户，销售员与订单之间的关系显示了订单由哪个销售员处理。在实际应用中，销售数据的知识图谱可以盖更多属性和关联，例如包含产品的特征、客户的购买偏好、订单的交付状态等信息。可理解地，知识图谱可以帮助分析销售趋势、客户行为模式以及销售员的绩效情况，从而优化销售策略和业务流程。
通过Python编写NLP任务来处理销售数据时，包括如下步骤：（1）加载销售数据。数据可能是以文本文件、CSV、数据库等形式存在的。使用 Pandas 库加载和处理数据。（2）使用 NER（命名实体识别）模型来识别数据中的实体（如产品、客客户、订单、销售员等）。（3）使用语义分析技术（如词向量、语境相关性等）来识别文本之间的关系。（4）使用语法分析、模式匹配或神经网络模型来识别文本之间的关系。
对所述命名实体进行归一化表达，具体为，在销售数据中，假设我们有产品名称的不同表达形式，比如"iPhone 13"和"苹果13代手机"，这两个表达都代表着同一种产品。通过归一化表达，我们可以将这两种不同的表达形式映射到同一个标准化的实体标识符或表达上，比如用统一的产品 ID 来表示这个产品，而不是使用不同的表达方式。进行实体归一化表达意味着将从销售数据中抽取出的实体（如产品、客户等）标准化为知识图谱中定义的相应实体类型，并将它们表示为知识图谱中相应实体的属性和关系。这样做可以消除数据中实体的异构表示，让不同的实体在知识图谱中对应到统一的概念或实体类型上，从而更好地进行数据整合、分析和理解。
对所述归一化命名实体进行融合得到目标命名实体，具体采用如下方法，（1）基于实体链接的消歧：当数据中存在相同实体的多个表达形式或引用时，利用实体链接技术将这些表达形式映射到同一标准化实体上。例如，将不同的产品描述归一化为唯一的产品标识符以进行融合。（2）冲突检测和解决：在不同数据源中可能存在对同一事实或属性的不一致性描述。通过检测这些冲突并进行解决，可以消除数据的冗余。（3）数据融合和一致性检验：将命名实体的信息整合，确保数据一致性和完整性。使用匹配、合并和清洗技术，如数据规范化、去重和合并操作。（4）去重处理：检测和移除数据中的重复记录，确保数据的唯一性。
进一步地，得到所述初始知识图谱之外，抽取验证内部业务数据和验证外部业务数据中的验证实体以及与验证实体相对应的概念属性关系，并根据所述验证实体和与所述验证实体相对应的概念属性关系对所述初始知识图谱进行修正以得到所述知识图谱，从而可提高构建的所述知识图谱的准确性。
S130、获取不同应用场景下的业务需求，针对每一所述业务需求，从所述优化数据中获取满足所述业务需求的数据以得到目标优化数据，并根据所述目标优化数据建立决策分析模型，以得到决策分析模型集。
在某些实施例，例如本实施例中，获取不同应用场景下的业务需求，针对每一所述业务需求，从所述优化数据中获取满足所述业务需求的数据以得到目标优化数据，并根据所述目标优化数据建立决策分析模型，以得到决策分析模型集，具体地，若所述目标优化数据为用户画像数据，表明业务需求是向用户推荐合适的产品，则根据所述用户画像数据及与所述用户画像数据相对应的画像标签类别建立用户画像决策分析模型，其中，所述画像标签类别包括兴趣爱好、购买能力以及行为特征；若所述目标优化数据为客户生命周期数据，业务需求是对客户进行分类；则根据所述客户生命周期数据及与所述客户生命周期数据相对应的计算指标建立随机森林决策分析模型。需要说明的是，在本实施例中，所述计算指标为最近购买日期与指定日期的间隔天数（R）以及累计购买次数（F），为方便描述，假设最近购买日期与指定日期的间隔天数为180天和360天，所述客户生命周期数据为若180天内购买不超过5次，则定义为新客户（即新客户为（R<180，F<5））；若180天内购买了5到8次，则定义为有效客户（即有效客户为（R<180，5<=F<=8））；若180天内购买了9到12次，则定义为活跃客户（即活跃客户为（R<180，9<=F<=12））；若180天内购买了12次或12次以上，则定义为忠诚客户（即活跃客户为（R<180，F>=12））； 在最近180天到360天内没有再购买，则定义为休眠客户（即休眠客户为（180=<R<=360， F =0））；若超过360天都没有再购买，则定义为流失客户（即流失客户为（R>360，F =0））；根据所述客户生命周期数据及所述计算指标建立随机森林决策分析模型，可理解地，所述随机森林决策分析模型构建好之后，利用所述随机森林决策分析模型可对输入的待分析的所述客户生命周期数据进行分析，从而可区分出该客户类型，客户类型包括新客户、有效客户、活跃客户、忠诚客户、休眠客户以及流失客户。
需要说明的是，在本实施例中，根据应用场景的不同，业务需求也不同，所述决策分析模型集中还可包括其它模型，例如对比决策分析模型、漏斗决策分析模型以及留存决策分析模型等模型。还需要说明的是，应用场景可为制造业的应用、金融领域的应用的，制造业的应用，例如，电商、零售、酒店、餐饮等行业，金融领域的应用可为风控、投资决策等。
S140、获取待分析业务数据，并从所述决策分析模型集中选取与所述待分析业务数据相匹配的模型作为目标决策分析模型，将所述待分析业务数据输入所述目标决策分析模型进行决策分析以生成决策分析结果。
在某些实施例，例如本实施例中，所述决策分析模型集建立好之后，获取待分析业务数据，并从所述决策分析模型集中选取与所述待分析业务数据相匹配的模型作为目标决策分析模型，具体地，通过现有的相似度计算方法计算所述待分析业务数据与所述决策分析模型集中的每一模型的相似度以得到多个相似度值；选取与最大相似度值相对应的所述模型作为所述目标决策分析模型。所述目标决策分析模型确定好之后，将所述待分析业务数据输入所述目标决策分析模型进行决策分析以生成决策分析结果。
图4为本发明另一实施例提供的基于AI的智能决策方法的流程示意图，如图4所示，在本实施例中，所述方法包括步骤S110-S170。也即，在本实施例中，所述方法在上述实施例的步骤S140之后，还包括步骤S150-S170。
S150、根据所述待分析业务数据从自定义的数据分析方法中选取目标数据分析方法；
S160、通过所述目标数据分析方法对所述决策分析结果进行分析得到目标决策分析结果；
S170、将所述目标决策分析结果通过可视化工具以图表和/或报表的方式进行展示，其中，所述图表包括柱状图、折线图、饼图、散点图、雷达图、箱型图、气泡图、词频图、桑基图、热力图、关系图以及漏斗图。
在某些实施例，例如本实施例中，根据所述待分析业务数据从自定义的数据分析方法中选取目标数据分析方法，其中，所述数据分析方法为利用Python语言编写的方法，其包括描述统计分析方法、假设检验分析方法、信度分析方法、相关分析方法、方差分析方法、回归分析方法、聚类分析方法、判别分析方法、主成分分析方法、因子分析方法以及时间序列分析方法；可理解地，可根据所述待分析业务数据的业务类型从自定义的数据分析方法中选取目标数据分析方法，所述目标数据分析方法至少为所述数据分析方法中的一种，通过所述目标数据分析方法对所述决策分析结果进行分析得到目标决策分析结果。需要说明的是，在本实施例中，通过二次决策分析结果的生成，可在一定程度上提高决策分析结果的准确性。
在某些实施例，例如本实施例中，得到所述目标决策分析结果之后，将所述目标决策分析结果通过可视化工具以图表和/或报表的方式进行展示，其中，所述可视化工具为Python可视化工具和BI可视化工具，所述图表包括柱状图、折线图、饼图、散点图、雷达图、箱型图、气泡图、词频图、桑基图、热力图、关系图以及漏斗图。可理解地，通过直观的可视化呈现，可以帮助决策者更好地理解数据分析的结果，做出合理的决策和调整。
综上所述，在本实施例中，通过基于知识图谱的自然语言处理技术对内部业务数据和外部业务数据进行转化，转化之后再进行数据分类、清洗处理以及归一化处理得到优化数据；根据业务需求和优化数据建立决策分析模型得到决策分析模型集；将获取的待分析业务数据输入从决策分析模型集选取的目标决策分析模型中进行决策分析以生成决策分析结果；通过选取的目标数据分析方法对决策分析结果进行分析得到目标决策分析结果；将目标决策分析结果通过可视化工具进行展示；整个决策分析过程因不仅避免了决策者访问多个业务系统，而且还快速的提取了大量数据的有用信息进行决策分析，可使得决策者能更好的掌握企业运营相关信息，从而保证了决策的快速性及准确性，达到了降本增效及控制企业风险的目的，增强了企业的数字生产竞争力。
图5是本发明实施例提供的一种基于AI的智能决策系统200的示意性框图。如图5所示，对应于以上基于AI的智能决策方法，本发明还提供一种基于AI的智能决策系统200。该基于AI的智能决策系统200包括用于执行上述基于AI的智能决策方法的单元，该装置可以被配置于计算机设备中。具体地，请参阅图5，该基于AI的智能决策系统200包括数据采集单元201、数据处理单元202、模型构建单元203以及智能分析单元204。
其中，所述数据采集单元201用于实时获取经服务认证之后的内部业务数据和经基于强化学习的动态爬虫算法抓取的外部业务数据，其中，所述内部业务数据和所述外部业务数据中均包括结构化数据和非结构化数据；所述数据处理单元202用于通过预先构建的基于自然语言处理技术的知识图谱对所述结构化数据和所述非结构化数据进行识别以生成实体关系属性数据，并对所述实体关系属性数据进行分类和处理得到优化数据；所述模型构建单元203用于获取不同应用场景下的业务需求，针对每一所述业务需求，从所述优化数据中获取满足所述业务需求的数据以得到目标优化数据，并根据所述目标优化数据及与所述业务需求相对应的计算指标建立决策分析模型，以得到决策分析模型集；所述智能分析单元204用于获取待分析的业务数据及与所述待分析的业务数据相对应的待计算指标，并根据所述待计算指标从所述决策分析模型集中选取目标决策分析模型，将所述待分析的业务数据输入所述目标决策分析模型以得到决策分析结果。
在某些实施例，例如本实施例中，所述数据处理单元202、包括分类单元及清洗归一化单元。
其中，所述分类单元用于通过预先训练好的分类模型对所述实体关系属性数据进行分类得到分类数据，其中，所述分类模型是利用样本数据对机器学习算法训练得到的模型；所述清洗归一化单元用于对所述分类数据进行清洗和归一化处理得到优化数据。
在某些实施例，例如本实施例中，所述清洗归一化单元包括清洗单元及归一化单元。
其中，所述清洗单元用于利用Python中的Pandas库和Numpy库对所述分类数据进行清洗处理得到清洗数据，其中，所述清洗处理为去除所述分类数据中无效、重复、冗余以及异常的数据；所述归一化单元用于利对所述清洗数据进行Z-Score和/或Min-Max归一化处理得到所述优化数据。
在某些实施例，例如本实施例中，所述模型构建单元203包括第一建立单元和第二建立单元。
其中，所述第一建立单元用于若所述目标优化数据为用户画像数据，则根据所述用户画像数据及与所述用户画像数据相对应的画像标签类别建立用户画像决策分析模型，其中，所述画像标签类别包括兴趣爱好、购买能力以及行为特征；所述第二建立单元用于若所述目标优化数据为客户生命周期数据，则根据所述客户生命周期数据及与所述客户生命周期数据相对应的计算指标建立随机森林决策分析模型。
在某些实施例，例如本实施例中，所述智能分析单元204包括计算单元及第一选取单元。
其中，所述计算单元用于计算所述待分析业务数据与所述决策分析模型集中的每一模型的相似度以得到多个相似度值；所述第一选取单元用于选取与最大相似度值相对应的所述模型作为所述目标决策分析模型。
在某些实施例，例如本实施例中，构建基于自然语言处理技术的知识图谱包括识别融合单元、构建单元以及提取修正单元。
所述融合单元用于通过自然语言处理技术对收集的样本内部业务数据和样本外部业务数据进行识别得到命名实体，并对所述命名实体进行归一化表达得到归一化命名实体，对所述归一化命名实体进行融合得到目标命名实体；其中，所述自然语言处理技术为Seq2Seq序列模型；所述构建单元用于根据预定义的领域Schema或Ontology构建所述样本内部业务数据和所述样本外部业务数据的概念属性关系，并根据所述目标命名实体和概念属性关系构建初始知识图谱；
所述提取修正单元用于抽取验证内部业务数据和验证外部业务数据中的验证实体以及与验证实体相对应的概念属性关系，并根据所述验证实体和与所述验证实体相对应的概念属性关系对所述初始知识图谱进行修正以得到所述知识图谱。
在某些实施例，例如本实施例中，如图6所示，所述基于AI的智能决策系统200还包括第二选取单元205、分析单元206以及可视化展示单元207。
其中，所述第二选取单元205用于根据所述待分析业务数据从自定义的数据分析方法中选取目标数据分析方法；所述分析单元206用于通过所述目标数据分析方法对所述决策分析结果进行分析得到目标决策分析结果；所述可视化展示单元207用于将所述目标决策分析结果通过可视化工具以图表和/或报表的方式进行展示，其中，所述图表包括柱状图、折线图、饼图、散点图、雷达图、箱型图、气泡图、词频图、桑基图、热力图、关系图以及漏斗图。
上述基于AI的智能决策方法装置可以实现为一种计算机程序的形式，该计算机程序可以在如图7所示的计算机设备上运行。
请参阅图7，图7是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备900为具有基于AI的智能决策功能的设备。
参阅图7，该计算机设备900包括通过系统总线901连接的处理器902、存储器和接口905，其中，存储器可以包括存储介质903和内存储器904。
该存储介质903可存储操作系统9031和计算机程序9032。该计算机程序9032被执行时，可使得处理器902执行上述基于AI的智能决策方法。
该处理器902用于提供计算和控制能力，以支撑整个计算机设备900的运行。
该内存储器904为存储介质903中的计算机程序9032的运行提供环境，该计算机程序9032被处理器902执行时，可使得处理器902执行一种基于AI的智能决策方法。
该接口905用于与其它设备进行通信。本领域技术用户员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备900的限定，具体的计算机设备900可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器902用于运行存储在存储器中的计算机程序9032，以实现上述基于AI的智能决策方法的任意实施例。
应当理解，在本申请实施例中，处理器902可以是中央处理单元 (CentralProcessing Unit，CPU)，该处理器902还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路 (Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术用户员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该计算机程序被该无线通信系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序。该计算机程序被处理器执行时使处理器执行上述基于AI的智能决策方法的任意实施例。
所述存储介质可以是U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术用户员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、无线通信软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术用户员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该无线通信软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个用户无线通信，终端，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。
显然，本领域的技术用户员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，尚且本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术用户员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于AI的智能决策方法，其特征在于，包括：
实时获取经服务认证之后的内部业务数据和经基于强化学习的动态爬虫算法抓取的外部业务数据，其中，所述内部业务数据和所述外部业务数据中均包括结构化数据和非结构化数据；
通过预先构建的基于自然语言处理技术的知识图谱对所述结构化数据和所述非结构化数据进行识别以生成实体关系属性数据，并对所述实体关系属性数据进行分类和处理得到优化数据；
获取不同应用场景下的业务需求，针对每一所述业务需求，从所述优化数据中获取满足所述业务需求的数据以得到目标优化数据，并根据所述目标优化数据建立决策分析模型，以得到决策分析模型集；
获取待分析业务数据，并从所述决策分析模型集中选取与所述待分析业务数据相匹配的模型作为目标决策分析模型，将所述待分析业务数据输入所述目标决策分析模型进行决策分析以生成决策分析结果；
其中，所述对所述实体关系属性数据进行分类和处理得到优化数据，包括：
通过预先训练好的分类模型对所述实体关系属性数据进行分类得到分类数据，其中，所述分类模型是利用样本数据对机器学习算法训练得到的模型；
利用Python中的Pandas库和Numpy库中的多维数组对象和处理所述多维数组对象的函数对所述分类数据进行清洗处理得到清洗数据，其中，所述清洗处理为去除所述分类数据中无效、重复、冗余以及异常的数据；
对所述清洗数据进行Z-Score和/或Min-Max归一化处理得到所述优化数据；
构建基于自然语言处理技术的知识图谱，包括：
通过自然语言处理技术对收集的样本内部业务数据和样本外部业务数据进行识别得到命名实体，并对所述命名实体进行归一化表达得到归一化命名实体，对所述归一化命名实体进行融合得到目标命名实体；其中，所述自然语言处理技术为Seq2Seq序列模型；
根据预定义的领域Schema或Ontology构建所述样本内部业务数据和所述样本外部业务数据的概念属性关系，并根据所述目标命名实体和概念属性关系构建初始知识图谱；
抽取验证内部业务数据和验证外部业务数据中的验证实体以及与验证实体相对应的概念属性关系，并根据所述验证实体和与所述验证实体相对应的概念属性关系对所述初始知识图谱进行修正以得到所述知识图谱。
2.如权利要求1所述的基于AI的智能决策方法，其特征在于，所述根据所述目标优化数据建立决策分析模型，包括：
若所述目标优化数据为用户画像数据，则根据所述用户画像数据及与所述用户画像数据相对应的画像标签类别建立用户画像决策分析模型，其中，所述画像标签类别包括兴趣爱好、购买能力以及行为特征；
若所述目标优化数据为客户生命周期数据，则根据所述客户生命周期数据及与所述客户生命周期数据相对应的计算指标建立随机森林决策分析模型。
3.如权利要求1所述的基于AI的智能决策方法，其特征在于，所述从所述决策分析模型集中选取与所述待分析业务数据相匹配的模型作为目标决策分析模型，包括：
计算所述待分析业务数据与所述决策分析模型集中的每一模型的相似度以得到多个相似度值；
选取与最大相似度值相对应的所述模型作为所述目标决策分析模型。
4.如权利要求1所述的基于AI的智能决策方法，其特征在于，所述方法还包括：
根据所述待分析业务数据从自定义的数据分析方法中选取目标数据分析方法；
通过所述目标数据分析方法对所述决策分析结果进行分析得到目标决策分析结果；
将所述目标决策分析结果通过可视化工具以图表和/或报表的方式进行展示，其中，所述图表包括柱状图、折线图、饼图、散点图、雷达图、箱型图、气泡图、词频图、桑基图、热力图、关系图以及漏斗图。
5.一种基于AI的智能决策系统，其特征在于，包括：
数据采集单元，用于实时获取经服务认证之后的内部业务数据和经基于强化学习的动态爬虫算法抓取的外部业务数据，其中，所述内部业务数据和所述外部业务数据中均包括结构化数据和非结构化数据；
数据处理单元，用于通过预先构建的基于自然语言处理技术的知识图谱对所述结构化数据和所述非结构化数据进行识别以生成实体关系属性数据，并对所述实体关系属性数据进行分类和处理得到优化数据；
模型构建单元，用于获取不同应用场景下的业务需求，针对每一所述业务需求，从所述优化数据中获取满足所述业务需求的数据以得到目标优化数据，并根据所述目标优化数据及与所述业务需求相对应的计算指标建立决策分析模型，以得到决策分析模型集；
智能分析单元，用于获取待分析的业务数据及与所述待分析的业务数据相对应的待计算指标，并根据所述待计算指标从所述决策分析模型集中选取目标决策分析模型，将所述待分析的业务数据输入所述目标决策分析模型以得到决策分析结果；
其中，所述数据处理单元包括：
分类单元，用于通过预先训练好的分类模型对所述实体关系属性数据进行分类得到分类数据，其中，所述分类模型是利用样本数据对机器学习算法训练得到的模型；
清洗单元，用于利用Python中的Pandas库和Numpy库中的多维数组对象和处理所述多维数组对象的函数对所述分类数据进行清洗处理得到清洗数据，其中，所述清洗处理为去除所述分类数据中无效、重复、冗余以及异常的数据；
归一化单元，用于对所述清洗数据进行Z-Score和/或Min-Max归一化处理得到所述优化数据；
构建基于自然语言处理技术的知识图谱，包括：
识别融合单元，用于通过自然语言处理技术对收集的样本内部业务数据和样本外部业务数据进行识别得到命名实体，并对所述命名实体进行归一化表达得到归一化命名实体，对所述归一化命名实体进行融合得到目标命名实体；其中，所述自然语言处理技术为Seq2Seq序列模型；
构建单元，用于根据预定义的领域Schema或Ontology构建所述样本内部业务数据和所述样本外部业务数据的概念属性关系，并根据所述目标命名实体和概念属性关系构建初始知识图谱；
提取修正单元，用于抽取验证内部业务数据和验证外部业务数据中的验证实体以及与验证实体相对应的概念属性关系，并根据所述验证实体和与所述验证实体相对应的概念属性关系对所述初始知识图谱进行修正以得到所述知识图谱。
6.一种计算机设备，其特征在于，所述计算机设备上搭建有基于AI的智能决策系统，所述计算机包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序当被多个处理器执行时可实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311700356.1A CN117391313B (zh) | 2023-12-12 | 2023-12-12 | 基于ai的智能决策方法、系统、设备以及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311700356.1A CN117391313B (zh) | 2023-12-12 | 2023-12-12 | 基于ai的智能决策方法、系统、设备以及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117391313A CN117391313A (zh) | 2024-01-12 |
| CN117391313B true CN117391313B (zh) | 2024-04-30 |
Family
ID=89465235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311700356.1A Active CN117391313B (zh) | 2023-12-12 | 2023-12-12 | 基于ai的智能决策方法、系统、设备以及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117391313B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117593406B (zh) * | 2024-01-18 | 2024-05-10 | 杭州同花顺数据开发有限公司 | 一种桑基图生成方法、装置、设备及计算机可读存储介质 |
| CN117668259B (zh) * | 2024-02-01 | 2024-04-26 | 华安证券股份有限公司 | 基于知识图谱的内外规数据联动分析方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340246A (zh) * | 2020-02-26 | 2020-06-26 | 未来地图(深圳)智能科技有限公司 | 用于企业智能决策分析的处理方法、装置和计算机设备 |
| CN112507136A (zh) * | 2020-12-18 | 2021-03-16 | 南京摄星智能科技有限公司 | 一种知识驱动的业务操作图谱构建方法 |
| CN113159326A (zh) * | 2021-03-03 | 2021-07-23 | 国网山西省电力公司信息通信分公司 | 基于人工智能的智能业务决策方法 |
| WO2021196520A1 (zh) * | 2020-03-30 | 2021-10-07 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法及系统 |
| CN116523661A (zh) * | 2023-05-04 | 2023-08-01 | 中国平安财产保险股份有限公司 | 基于人工智能的理赔方法、装置、设备及存储介质 |
| CN116843481A (zh) * | 2023-06-29 | 2023-10-03 | 中国平安财产保险股份有限公司 | 知识图谱分析方法、装置、设备及存储介质 |
| CN116976564A (zh) * | 2023-08-18 | 2023-10-31 | 哈尔滨工业大学 | 基于大模型的智能企业决策方法 |
| CN116976043A (zh) * | 2023-05-26 | 2023-10-31 | 南京航空航天大学 | 一种基于知识图谱的sdss电网智能辅助决策方法 |
| CN117151350A (zh) * | 2023-10-31 | 2023-12-01 | 广东正迪科技股份有限公司 | 用于决策管理的可视化看板系统、方法、设备以及介质 |
| CN117172725A (zh) * | 2023-08-28 | 2023-12-05 | 合肥人工智能与大数据研究院有限公司 | 一种基于知识图谱的产业链多协同智能决策的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10642869B2 (en) * | 2018-05-29 | 2020-05-05 | Accenture Global Solutions Limited | Centralized data reconciliation using artificial intelligence mechanisms |
| WO2020142524A1 (en) * | 2018-12-31 | 2020-07-09 | Kobai, Inc. | Decision intelligence system and method |
-
2023
- 2023-12-12 CN CN202311700356.1A patent/CN117391313B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111340246A (zh) * | 2020-02-26 | 2020-06-26 | 未来地图(深圳)智能科技有限公司 | 用于企业智能决策分析的处理方法、装置和计算机设备 |
| WO2021196520A1 (zh) * | 2020-03-30 | 2021-10-07 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法及系统 |
| CN112507136A (zh) * | 2020-12-18 | 2021-03-16 | 南京摄星智能科技有限公司 | 一种知识驱动的业务操作图谱构建方法 |
| CN113159326A (zh) * | 2021-03-03 | 2021-07-23 | 国网山西省电力公司信息通信分公司 | 基于人工智能的智能业务决策方法 |
| CN116523661A (zh) * | 2023-05-04 | 2023-08-01 | 中国平安财产保险股份有限公司 | 基于人工智能的理赔方法、装置、设备及存储介质 |
| CN116976043A (zh) * | 2023-05-26 | 2023-10-31 | 南京航空航天大学 | 一种基于知识图谱的sdss电网智能辅助决策方法 |
| CN116843481A (zh) * | 2023-06-29 | 2023-10-03 | 中国平安财产保险股份有限公司 | 知识图谱分析方法、装置、设备及存储介质 |
| CN116976564A (zh) * | 2023-08-18 | 2023-10-31 | 哈尔滨工业大学 | 基于大模型的智能企业决策方法 |
| CN117172725A (zh) * | 2023-08-28 | 2023-12-05 | 合肥人工智能与大数据研究院有限公司 | 一种基于知识图谱的产业链多协同智能决策的方法 |
| CN117151350A (zh) * | 2023-10-31 | 2023-12-01 | 广东正迪科技股份有限公司 | 用于决策管理的可视化看板系统、方法、设备以及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于网络新闻语料的公共危机事件知识图谱构建;申云凤 等;《情报科学》;20210101;第39卷(第1期);第72-80页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117391313A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10990901B2 (en) | Training, validating, and monitoring artificial intelligence and machine learning models | |
| Kumar et al. | A big data MapReduce framework for fault diagnosis in cloud-based manufacturing | |
| CN117391313B (zh) | 基于ai的智能决策方法、系统、设备以及介质 | |
| WO2019200480A1 (en) | Method and system for model auto-selection using an ensemble of machine learning models | |
| US20230153281A1 (en) | Maintaining a dataset based on periodic cleansing of raw source data | |
| WO2021202702A1 (en) | Dynamic network graph generation based on automated entity and/or activity resolution | |
| CN114140007A (zh) | 一种风险企业的识别方法、装置及存储介质 | |
| CN116307671A (zh) | 风险预警方法、装置、计算机设备、存储介质 | |
| CN114997916A (zh) | 潜在用户的预测方法、系统、电子设备和存储介质 | |
| US8577814B1 (en) | System and method for genetic creation of a rule set for duplicate detection | |
| Martins et al. | Sales forecasting using machine learning algorithms | |
| Anrig et al. | The role of algorithms in profiling | |
| Han et al. | Using source code and process metrics for defect prediction-A case study of three algorithms and dimensionality reduction. | |
| Bhuvaneswari et al. | Predicting periodical sales of products using a machine learning algorithm | |
| Martins et al. | Retail Sales Forecasting Information Systems: Comparison Between Traditional Methods and Machine Learning Algorithms | |
| Oliveira | A method for defining customer spending behavior based on unsupervised machine learning | |
| KR20200029647A (ko) | 사용자 개인화에 의한 큐레이터 전자상거래 시스템의 일반화 방법 | |
| CN117372132B (zh) | 用户信用评分的生成方法、装置、计算机设备和存储介质 | |
| US20240086379A1 (en) | System and method for implementing a data quality framework and engine | |
| CN116561134B (zh) | 业务规则处理方法、装置、设备及存储介质 | |
| US11797961B2 (en) | Vectorization of transactions | |
| US11711257B1 (en) | Systems and methods for automating incident severity classification | |
| US20230066770A1 (en) | Cross-channel actionable insights | |
| Chelladurai | Predicting Customer Churn Using Deep Neural Networks | |
| CN115965071A (zh) | 交易平台中节点属性信息检测模型的训练方法和训练装置 |
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 |