CN117474104A - 使用机器学习智能地提供支持信息的系统和方法 - Google Patents
使用机器学习智能地提供支持信息的系统和方法 Download PDFInfo
- Publication number
- CN117474104A CN117474104A CN202311598407.4A CN202311598407A CN117474104A CN 117474104 A CN117474104 A CN 117474104A CN 202311598407 A CN202311598407 A CN 202311598407A CN 117474104 A CN117474104 A CN 117474104A
- Authority
- CN
- China
- Prior art keywords
- communication
- nodes
- event
- request
- user
- 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
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000008569 process Effects 0.000 claims abstract description 32
- 230000004044 response Effects 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims description 88
- 238000013507 mapping Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 description 39
- 238000007726 management method Methods 0.000 description 26
- 238000012544 monitoring process Methods 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 11
- 235000012054 meals Nutrition 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 230000004308 accommodation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000013475 authorization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000010006 flight Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000000153 supplemental effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000699666 Mus <mouse, genus> Species 0.000 description 1
- 241000699670 Mus sp. Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000013403 standard screening design Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- 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
- G06Q10/02—Reservations, e.g. for tickets, services or events
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/1396—Protocols specially adapted for monitoring users' activity
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开提供了使用机器学习智能地提供支持信息的系统和方法。可以使用数据集来执行机器学习算法,以识别数据集的数据对象之间的相关性。可以使用相关性向用户推荐支持信息。可以提供用户界面以使用户能够发起与事件相关联的处理。响应于接收到输入,系统可以识别与请求相关联的变量。基于这些变量,系统可以检索机器学习算法的输出数据,以识别用户的支持信息。
Description
本申请是申请日为2017年3月28日、名称为“使用机器学习智能地提供支持信息的系统和方法”、申请号为201780090760.8的发明专利申请的分案申请。
技术领域
本公开一般而言涉及用于智能地向用户提供支持信息的系统和方法。更具体而言,本公开涉及用于将机器学习技术应用于历史费用数据以智能地提供支持信息的系统和方法。
背景技术
员工经常为其雇主出差。在出差期间,可能会产生费用。请求报销(reimbursement)的系统通常繁琐且效率低下。例如,雇主定义的协议对于用户可能是未知的或难以访问。另外,确定出差的各方面(例如,时间表)可能是耗时的。
发明内容
本公开的某些方面和特征涉及用于基于对存储的数据集(例如,历史费用数据)的大数据分析向用户智能地提供支持信息的系统和方法。可以使用存储的数据集来执行机器学习算法,以识别数据集内的数据对象之间的相关性。相关性可以用于为用户识别支持信息。在一个实施例中,可以提供用户界面以使用户能够发起与事件(例如,出差事件)相关联的处理。发起与事件相关联的处理的示例可以包括定义事件(例如,预定航班)、请求补偿(offset)(例如,报销)、请求与获得补偿相关的文档,等等。事件可能以前已经发生过或者可以被设置为将来的时间。用户界面可以从用户设备接收输入。例如,输入可以与发起与将来事件相关联的处理的请求(例如,请求定义事件)对应。响应于接收到输入,系统可以识别(例如,生成或选择)与该请求相关联的变量(例如,用户设备的当前位置、事件的目标位置等)。系统可以将变量映射到机器学习模型,该机器学习模型包括多个节点以及至少两个节点之间的一个或多个相关性。基于映射和一个或多个相关性,系统可以智能地预测或推荐特定于用户的请求的支持信息。可以从附加来源检索元数据以补充支持信息。支持信息的示例可以包括特定文档、第三方数据、时间表、其它用户的标识、推荐等。
在另一个实施例中,集中式储存库可以存储从各种用户设备接收到的数据对象(例如,费用报告)。例如,第一用户设备可以在第一时间将第一数据对象(例如,到特定城市的预订航班)发送到集中式储存库,并且第二用户设备可以在第二时间(在第一时间之后)将第二数据对象(例如,预订到特定城市的航班的请求)发送到集中式储存库。当系统接收到第二数据对象时,系统可以检测第二数据对象和第一数据对象之间的相关性。例如,当第一数据对象和第二数据对象中的每一个与特定位置中的事件(例如,去往同一城市的航班)对应时,可以检测到相关性。在检测到相关性后,系统可以将通知消息(例如,经由弹出窗口、本机应用中的推送通知、信息工具箱、文本消息、web用户界面(UI)等)发送给第二用户设备。可以将附加信息发送到第一用户设备和/或第二用户设备。附加信息可以包括例如警报,该警报指示先前预订该航班的其它用户(例如,员工)中有30%执行一个或多个第一动作(例如,在特定餐馆用餐)。该警报还可以指示先前预订该航班的其它用户中有70%执行一个或多个第二动作(例如,乘坐火车)。在一些情况下,警报可以指示一个或多个第一动作或一个或多个第二动作中的哪个是优选的。
在一些实施例中,提供了一种计算机实现的方法。该方法可以包括使用一个或多个机器学习算法来收集用于生成机器学习模型的数据集。数据集可以包括一个或多个先前已发生的事件。一个或多个事件中的每个事件可以与识别事件的特性的一个或多个事件参数对应。该方法还可以包括使用一个或多个事件参数来定义一个或多个评估度量。每个评估度量可以用于将一个或多个事件分类为事件类型。另外,该方法可以包括评估一个或多个评估度量和数据集。评估可以包括执行一个或多个机器学习算法来生成机器学习模型。一个或多个机器学习算法的执行可以生成多个节点以及该多个节点中的至少两个节点之间的一个或多个相关性。每个节点可以表示与事件相关联的值并且与权重对应。可以检测到来自计算设备的第一通信。第一通信可以与用户相关联并且可以与发起与特定事件相关联的处理的请求对应。响应于检测到第一通信,可以从请求中确定一个或多个变量。例如,一个或多个变量中的每个变量可以表示特定事件的特性。一个或多个变量可以被映射到机器学习模型的多个节点。至少部分地基于映射,可以识别一个或多个变量中的每个变量的一个或多个节点。一个或多个节点可以被包括在机器学习模型的多个节点中。另外,可以使用一个或多个相关性来识别一个或多个节点。可以检索与一个或多个节点中包括的每个节点相关联的一个或多个值。可以将第二通信发送到计算设备。例如,第二通信可以响应于第一通信并且可以包括检索到的一个或多个值中的至少一个。
在一些实施例中,提供了一种计算机程序产品,其有形地实施在非暂态机器可读存储介质中。该计算机程序产品可以包括被配置为使一个或多个数据处理器执行本文公开的方法的一部分或全部的指令。在一些实施例中,提供了一种系统。该系统可以包括一个或多个数据处理器和包含指令的非暂态计算机可读存储介质,该指令在一个或多个数据处理器上执行时使一个或多个数据处理器执行本文公开的方法的一部分或全部。
有利地,本公开的实施例涉及使用由各种用户设备先前提交的存储的数据对象(例如,存储的、先前接收到的数据对象)作为数据集来使用一个或多个机器学习算法训练或生成机器学习模型。可以访问经训练或生成的模型以推荐支持信息(例如,文档或其它相关信息材料,诸如火车时间表、地图信息或用于具有预期火车预订的那些用户的链接)。值得注意的是,通过将事件记录映射到特定实体(例如,火车公司)或位置(例如,目的地城市)(例如,在收据的图像中使用文本分析),并具有从实体或位置到支持信息的单独映射,支持信息可以被自动地附加到与那些实体或位置相关联的事件记录(例如,费用条目)。
下面的详细描述以及附图将提供对本公开的性质和优点的更好的理解。
附图说明
下面参考以下附图详细描述本发明的说明性实施例:
图1示出了用于控制跨子系统和/或系统的资源访问和操作的示例网络。
图2示出了机器学习网络环境的简化框图。
图3是图示用于使用机器学习算法确定数据集内的相关性的处理的流程图。
图4描绘了用于实现实施例之一的分布式系统的简化图。
图5是根据本公开的实施例的系统环境的部件的简化框图,通过该系统环境,由实施例系统的部件提供的服务可以作为云服务供应。
图6图示了其中可以实现本发明的各种实施例的示例性计算机系统。
具体实施方式
在下面的描述中,出于解释的目的,阐述了具体细节以便提供对本发明的实施例的透彻理解。但是,将显而易见的是,可以在没有这些具体细节的情况下实践各种实施例。各图和描述不意图是限制性的。
图1示出了用于控制跨子系统和/或系统的资源访问和操作的示例网络100。网络100包括与多个客户端和多个位置对应的系统。更具体而言,现场客户端1系统102、虚拟客户端系统106和客户端2系统104中的每一个可以与一组设备和/或其它部件对应,诸如一个或多个服务器(例如,和/或服务器农场或服务器集群)、用户设备(例如,台式计算机、便携式电脑、平板电脑或智能电话)、数据存储设备(例如,网络附加存储装置)和/或装备。在一些情况下(例如,对于现场客户端1系统),该组设备和/或其它部件可以共处一地,诸如位于与客户端相关联的一个或多个建筑物或地理区域内。在一些情况下,客户端不必同处一地,而是经由网络(例如,专用网络)连接。在给定客户端的系统的不同部分在不同位置(例如,部分位于现场位置,部分是虚拟的)的情况下,系统可以经由网络(诸如WiFi网络108)进行通信。
系统可以包括多个子系统。多个子系统中的每个子系统可以(例如)被配置为执行不同类型的操作、使用不同资源(和/或不同类型的资源)、生成不同类型的输出、位于不同的地理位置、与不同的代理或用户(例如,组织的不同部门)对应(例如,向其授予访问权),等等。例如,现场客户端系统102可以包括第一子系统110和第二子系统112。第一子系统110可以被配置为接收并响应来自用户设备的内容请求,并且第二子系统112可以被配置为动态地监视和重新配置网络资源。第一子系统110和第二子系统112可以经由WiFi网络108或局域网114进行通信。第一子系统110和第二子系统112中的每一个还可以与子系统协调资源116通信。子系统协调资源116可以处理来自一个或多个子系统中的每个子系统的数据,以(例如)确定一个子系统处的操作是否与另一个子系统处的操作或与系统级策略一致和/或确定一个或多个资源如何被分配给子系统。
图1中描绘的实现图示了系统的各种类型的资源。将认识到的是,这些资源是说明性的。由单独的方框表示的资源可以但不必与单独的设备或设备的组对应。
在所描绘的实例中,第一子系统110包括内容管理资源118,其被配置为响应于内容请求而向一个或多个数据存储库查询内容,并发送对内容请求的响应。例如,内容管理资源118可以被配置为从用户设备119接收HTTP请求并用网页数据响应。第一子系统110还可以包括安全资源120,其可以被配置为确定各种用户被授权接收什么数据和/或各种代理被授权进行什么类型的动作。例如,安全资源120可以接收或拦截来自代理设备122的请求以添加或修改内容数据存储库中的数据(例如,本地存储在第一子系统110处或远程存储),并确定是否允许这种添加或修改(例如,基于代理设备122的认证和/或与请求相关联的信息)。
第一子系统110还包括处理资源124,其可以被配置为执行数据处理,诸如处理检索到的内容(例如,以将它从第一格式转换成第二格式或识别特定内容对象以响应请求而进行检索)。第一子系统110还包括调度资源126,该调度资源可以监视传入的请求并识别何时将处理每个请求(例如,通过管理请求队列)。
第二子系统112包括性能监视资源128,其可以评估与第一子系统110处理的请求对应的数据日志。评估可以包括监视处理请求的速度和错误率。评估的结果可以被发送到另一个代理设备130。网络配置资源132可以发起可能影响性能的各种重新配置,诸如服务器分配。可以自动执行重新配置或响应于来自代理设备(诸如代理设备130)的请求而执行重新配置。代理发起的重新配置可能需要代理或代理设备的授权。
客户端2系统104包括可以被配置为生成输出的装备资源134。例如,装备资源134可以(例如)处理输入(例如,零件、材料和/或输入数据)以生成有形产品(例如,制造或组装的零件)或无形结果(例如,样品或零件的定量表征、生物度量、环境数据、无线信号特性等)。传感器资源136可以被配置为生成与装备资源134的操作对应的读数,诸如所使用的操作温度和/或能量。处理资源138可以向装备资源134发送可以控制装备资源的操作的指令通信(例如,以定义输入、识别处理的类型和/或指示资源要何时操作)。处理资源138可以响应于对特定输出的处理请求来确定这样的指令。处理资源138还可以或替代地评估与装备资源134的操作对应的数据(例如,输出数据的特性、产品的效率和/或传感器读数)以确定是否满足警报条件。在一些情况下,处理资源138进行操作以便调度一个或多个装备资源134处的操作、调度请求处理和/或协调处理控制(例如,经由传感器测量值的评估)。
代理设备140可以提供操作参数和/或获得对数据的访问。例如,操作参数可以包括或至少部分地定义工作流的一部分,该工作流将作为请求的处理的一部分而发生(例如,至少部分地经由装备资源134)。在一些情况下,本地或远程安全资源验证特定代理设备或对应的代理被授权提供此类参数和/或获得访问权。
虚拟客户端系统106包括用于例如在云中操作的系统的各种资源。在一些情况下,虚拟客户端系统106的部分或全部被识别为是现场子系统(例如,第一子系统110和/或第二子系统112)或用于现场子系统或由现场子系统使用。部件可以但不必在两个或更多个子系统之间共享。在一些情况下,虚拟客户端系统106的部分或全部与一个、多个或所有现场子系统中的单独子系统对应。在一些情况下,虚拟客户端系统106包括多个子系统。
在所描绘的实例中,虚拟客户端系统106包括数据存储资源142,其可以包括客户端的数据库和/或数据存储库。数据库和/或数据存储库可以被配置为响应于由查询资源144生成和协调的查询来促进周期性的更新和/或检索数据。例如,数据存储库可以包括由内容管理资源118管理的内容对象,并且查询资源144可以被配置为针对来自外部源(例如,源系统146)的内容对象生成查询。作为另一个示例,数据存储库可以包括用于客户端2系统的一个或多个装备资源134的历史操作数据。作为又一个示例,数据存储库可以包括与对装备资源134的特定类型的输出的请求对应的数据,使得数据存储库的查询(例如,如使用查询资源144所执行的)可以用于控制装备资源134的操作参数以促进对请求的响应性。
使用情况监视资源148可以生成与(例如)传入通信、(例如,内容检索或装备操作的)内部系统性能和/或系统通信对应的数据日志。例如,使用情况监视器148可以基于对内容管理资源118所处理的请求和请求响应的监视来生成并维护由性能监视资源128评估的数据日志。作为另一个示例,使用情况监视器148可以生成和维护与装备资源134对应的质量度量和/或维护事件的数据日志。作为又一个示例,使用情况监视器148可以生成并维护由传感器资源136收集的传感器测量的数据日志。
另一个安全资源150可以评估系统访问请求、使用模式和/或系统事件以监视安全威胁。例如,可以评估内容对象请求的频率、来源和/或请求内容。作为另一个示例,评估数据日志以确定任何模式、趋势和/或日志元素频率是否指示安全威胁。作为又一个示例,安全资源150可以监视装备操作或代理指令,以确定任何操作或指令是与先前指令的一个或多个特性相比非典型的还是与警报指示的满足对应。当安全资源150检测到潜在威胁决策时,它可以触发要发送到诸如代理设备122、代理设备140或外部代理设备152之类的代理设备的警报。
分配资源152可以控制哪些云资源被分配给给定客户端、客户端子系统、任务执行等。例如,分配资源152可以控制存储器、数据存储库(例如,网络附加存储装置)、处理器和/或虚拟机的分配。
图2示出了机器学习网络环境的简化框图。如图2的示例中所示,网络环境200包括用户设备205、210和215。虽然图2的图示将用户设备205示为智能电话,并且将用户设备210和215示为台式计算机,但是应该认识到的是,网络环境200中可以包括任意数量的任何类型的用户设备。在一些情况下,用户设备可以由与实体(例如,雇主)相关联的用户(例如,员工)来操作。另外,用户设备205、210和215可以被配置为连接到网络(例如,网络235和/或240),以便将一个或多个数据对象发送到集中式储存库220。在一些情况下,用户设备可以使用一个或多个界面(例如,界面245、250和255)与集中式储存库220通信。在一些情况下,界面245、250、255是促进到集中式储存库220的连接的同一界面。在其它情况中,界面245、250和255彼此不同,并且在一些情况下,可以根据操作所连接的用户设备的用户的安全证书而不同。例如,如果操作用户设备205的用户具有比操作用户设备210的用户更高的授权级别,则界面245可以包括比界面250更多的功能。
集中式储存库220可以包括与一个或多个数据存储库通信(有线或无线)的一个或多个服务器。另外,集中式储存库220可以是存储从用户设备(经由界面,诸如由实体管理的界面)接收到的所有各种数据对象的网络位置。例如,如果10,000个用户与实体相关联,则10,000个用户中的一些或全部可以使用一个或多个界面提交各种数据对象。一旦从用户设备发送了数据对象,就可以通过一个或多个网络发送该数据对象以将其存储在集中式储存库220处。在一些情况下,数据流可以被发送到集中式储存库220。例如,数据流可以包括多个数据对象。随着数据对象由用户设备生成和发送,数据对象可以被连续地接收并存储在集中式储存库220处。可以将存储在集中式储存库220处的多个数据对象存储为用于生成机器学习模型的数据集。在一些情况下,数据集可以用于训练有受监督的学习机器,而在另一些情况下,可以用于使用无监督的学习机器来确定数据对象之间的相关性。例如,机器学习模型中的节点之间的相关性可以由相关性系数来表示,该相关性系数表示至少两个节点之间的依赖性。
机器学习系统225可以包括一个或多个服务器和/或计算设备,其被配置为使用存储在集中式储存库220中的数据集来执行一个或多个机器学习算法。可以将一个或多个机器学习算法、决策树、工作流和/或模型存储在数据存储库230中。数据存储库230也可以存储由实体或为实体生成的数据(例如,用户名、部门、项目、职位等)。机器学习算法或技术的非限制性示例可以包括人工神经网络(包括反向传播、玻耳兹曼(Boltzmann)机器等)、贝叶斯(bayesian)统计(例如,贝叶斯网络或知识库)、物流模型树、支持向量机、信息模糊网络、隐马尔可夫模型、分层聚类(无监督)、自组织地图、聚类技术以及其它合适的机器学习技术(受监督或无监督)。例如,机器学习系统225可以检索存储在数据存储器230中的一个或多个机器学习算法,以生成人工神经网络,以便识别数据集内的模式或相关性。作为另一个示例,人工神经网络可以学习,当(数据集内的)数据对象包括值A和值B时,那么值C被预测为最初发送该数据对象的用户的相关数据。在又一个示例中,支持向量机可以或者用于生成用作预测的输出数据,或者用于识别数据集内的学习模式。
作为又一个示例,机器学习系统225可以包括树学习模型,其中观察被映射以基于数据对象中包括的信息来确定哪个将来状态与当前状态联系的可能性最高。可以用两个假设来配置树学习模型:1)可以假设已发起与特定事件(例如,出差计划、发生的费用、宾馆预订、餐馆中的用餐费用等)相关联的处理的用户将发送至少一个数据对象,如果是,则数据对象中可以包括哪些值,和/或2)可以假设用户将提交包括多个分类事件类型(例如,出差、住宿、进餐等)中的每个类别中的一个事件的数据对象,如果是,则先前用户为每种事件类型提交了哪些值。
界面245、250和255可以被配置为从用户设备接收输入。另外,界面245、250和255可以由实体操作和管理。例如,界面245可以使操作用户设备205的用户能够提交一个或多个要被处理和/或存储在集中式储存库220中的数据对象。数据对象的示例可以包括费用报告或收据,该费用报告或收据包括用户在与工作相关的出差期间发生的一项或多项费用。数据对象可以包括一个或多个事件(例如,发生的费用)。例如,数据对象可以包括晚餐的收据、宾馆住宿的收据和航班费用的收据。在一些情况下,数据对象可能不包括费用报告,而是包括定义具有预期费用的事件的请求。事件可以具有一个或多个事件参数(例如,宾馆的位置、晚餐的价格、航班的价格、航班的目的地城市等)。另外,各种事件的事件参数可以被分类为一个或多个事件类型(例如,宾馆、航班、用餐、交通运输等)。随着时间的推移,从用户设备接收的各种数据对象可以被收集并存储为数据集。可以使用该数据集来执行一个或多个机器学习算法,以生成机器学习模型,该模型可以响应于从用户设备接收到的数据对象,向用户提供推荐(例如,针对时间表、宾馆、餐馆等)和其它支持信息(例如,概述实体的政策的文档)。
该界面可以使用户能够发送请求以发起与事件相关联的处理。发起处理的请求可以包括对所发生的费用的补偿的请求,和/或定义(例如,预订)将来事件(诸如航班)的请求。基于机器学习模型,数据集、用户反馈和/或第三方数据(例如,来自与实体不同的第三方的信息),界面可以帮助用户在预订与工作相关的出差时或者当要求补偿时做出更智能的决定。例如,当用户设备发送数据对象时,界面可以向该用户提供关于其它用户出差到例如特定目的地的经验的信息。作为另一个示例,通过将机器学习技术应用于先前从用户接收到的数据对象,可以使用机器学习模型为用户提供目的地城市中最受欢迎的宾馆的排名列表以及来自(以前住过这些宾馆的)用户的反馈。
在一些示例中,机器学习模型可以用于识别支持文档或与事件相关联的信息。例如,如果事件与宾馆预订对应,则可以使用机器学习模型来识别概述实体的政策和/或要求补偿的过程的一个或多个文档。另外,基于机器学习分析,可以自动识别与事件相关联的元数据并将其呈现在界面上。与事件相关联的元数据的示例可以包括目的地城市的天气、交通运输时间表、评论的链接、其它支持信息。有利的是,用户不必提交对支持信息的请求(例如,过程文档、交通运输时间表),也不必独立进行对支持信息的研究,而是使用机器学习模型自动识别支持信息并向用户呈现。在一些示例中,如果存在频繁与先前已提交的数据对象相关联的特定支持信息,则可以使用那些相关性来预测将来的相关性。例如,如果数据对象包括使用特定方法(例如,火车)的交通运输事件,则支持信息可以包括与特定出差的方法相关联的出差时间表(例如,火车时间表)。
在一些示例中,当用户设备发送特定数据对象时,一个或多个变量(例如,数据对象内的数据字段)可以与一组存储的数据对象相关。与该组存储的数据对象相关联的支持信息可以用于识别特定于该特定数据对象的支持信息。在一些情况下,可以从机器学习模型中实时检索输出数据。例如,如果用户设备205正在出差,则可以识别用户设备的当前位置,并且可以检索与当前位置相关联的支持信息(例如,最近的最便宜的餐馆)。在一些示例中,机器学习模型可以用于识别应基于用户的位置向用户提供流量数据。在这些示例中,可以从一个或多个第三方系统检索流量数据,并将其呈现在由用户操作的用户设备的界面上。
在一些示例中,机器学习模型可以在社交网络上下文中使用和应用。作为示例说明,由第一用户操作的第一用户设备可以发送指示特定事件(例如,对将来航班的预订)的第一数据对象。另外,由第二用户操作的第二用户设备可以发送指示相同特定事件的第二数据对象。机器学习模型和/或一个或多个规则可以用于识别第一用户和第二用户发送的特定事件的数据对象。另外,第一用户设备和第二用户设备中的每一个可以接收警报消息,该警报消息指示另一个用户发送了特定事件的数据对象。第一用户和第二用户可以或可以不与同一实体相关联。在一些示例中,用户可以发送数据对象,并且该数据对象可以用于生成用户可能对与另一个用户协调事件的各方面(例如,时间表)感兴趣的推断。在这些示例中,可以将数据对象映射到机器学习模型以生成推断,或者可以使用数据对象查询存储在数据存储库230中的与所生成的推断相关联的其它用户的标识的实体数据。作为另一个示例,集中式储存库220可以从第一用户设备接收用于第一事件的第一数据对象,并且从第二用户设备接收用于第二事件的第二数据对象。系统可以识别第一事件和第二事件在所定义的彼此的邻近范围内,这将指示第一用户和第二用户彼此靠近。系统可以向第一用户设备和第二用户设备中的每一个发送指示第一用户和第二用户在附近的通知消息。在这个示例中,即使第一事件和第二事件是不同的事件,仍然可以向第一用户和第二用户通知另一方在附近。另外,通知消息可以包括每个用户的属性(例如,职位、部门),这些属性可以从与实体相关联的数据存储库中检索。在一些情况下,界面可以使用户能够查询与特定事件相关联的任何其它用户的标识。
在一些示例中,可以将多个数据对象传递到一个或多个机器学习算法中,以确定与实体相关联的用户之间共享的特性或属性。例如,一个或多个机器学习算法可以包括应用于多个数据对象以识别共享特定属性的用户的组的聚类技术。共享的特性或属性可以与或可以不与对应于存储的数据对象的事件相关。在另一个示例中,用户可以在事件的出现期间或之后将文档上传到数据存储库。机器学习模型可以学习上传的文档与事件相关联,使得如果以后接收到发起该事件的处理的将来请求,那么上传的文档可以被发送该将来请求的用户访问。例如,上传的文档可以包括与宾馆相关联的班车的时间表。在文档被上传之后,每当用户发送预订该宾馆的房间的请求时,系统可以将用户的航班信息与班车时间表进行比较,以推荐具体的出差时间或时间表。在这个示例中,系统可以从数据存储库中检索具体数据项(例如,上传的文档和航班信息),并使用这些数据项生成计划。系统还可以通过从数据存储库中检索数据项并通过检索第三数据(例如,公共交通运输时间表)来生成计划。
在一些示例中,系统可以将元数据附加到识别出的支持信息,以便提供附加信息和/或向支持信息提供补充信息。例如,特定的数据对象可以仅包括供应商名称和事件值(例如,费用值)。在这个示例中,支持信息可以包括概述用户如何获得事件值的补偿的文档。此外,可以检索与供应商名称对应的元数据。例如,元数据可以包括供应商的电话号码、供应商的地址、供应商的网站等。在一些情况下,元数据可以包括访问过供应商(例如,餐馆)的其它用户的事件值经常超过定义的阈值(例如,由实体提供的每日津贴)的指示。在一些示例中,界面可以接收(来自用户设备的)输入,并且该输入可以与用户正计划预订将来事件的指示对应。另外,界面可以接收与事件的大致位置对应的输入。界面还可以接收与事件的目的(例如,商务会议、会议、客户端交互等)对应的输入。事件的目的可以识别特定的客户端,如果是这样,则可以检索客户端元数据并将其用于限制后续事件选项(例如,限制要从中选择的宾馆)或提供附加信息,诸如与客户端对应的实体文档(例如,客户端首选项或属性)。
图3是图示用于使用机器学习算法确定与数据集的相关性的处理300的流程图。处理300可以在一个或多个服务器(例如,机器学习系统225)处执行。另外,处理300可以使用户能够发起事件的处理。例如,发起事件的处理可以包括请求事件的补偿(例如,当事件先前已发生时)或请求与事件相关联的支持信息(例如,当事件可能在将来时间发生时)。处理300开始于方框305,其中收集用于生成机器学习模型的数据集。可以使用一个或多个机器学习算法来生成机器学习模型。例如,数据集可以包括先前已发生的一个或多个事件(例如,发生的费用、航班预订、预订的宾馆、已付的用餐等)。一个或多个事件中的每个事件可以包括识别事件的特性的一个或多个事件参数或与其对应。事件参数的示例可以包括事件的位置(例如,航班的目的地城市)、与事件相关联的供应商名称(例如,餐馆名称)、事件的日期和时间(例如,费用的时间)、事件的距离(例如,当乘坐火车或公共汽车出差时的出差距离)以及事件的其它合适参数。
在方框310处,可以使用事件参数来定义一个或多个评估度量。评估度量可以用于使用事件参数将一个或多个事件分类为事件类型。事件类型的示例可以包括宾馆、航班、餐馆、会议费、交通运输成本等。例如,事件可以被自动或手动分类为航班。在此示例中,如果自动分类,则出差距离的事件参数可以用于将事件分类为航班。有利地,事件类型的分类促进机器学习模型的生成,因为分类的事件类型可以表示在生成数据集内的相关性时要进行评估的重要特性。学习机器的训练可以基于在这个步骤处定义的分类。
在方框315处,可以评估数据集和评估度量。在一些情况下,评估数据集和评估度量包括确定或识别数据集内的数据对象之间的相关性。例如,评估数据集和评估度量可以包括执行一个或多个机器学习算法以生成机器学习模型。一个或多个机器学习算法可以与无监督学习技术相关,但是,本公开不限于此。也可以实现受监督学习技术。另外,执行一个或多个机器学习算法生成多个节点以及多个节点中的至少两个节点之间的一个或多个相关性。例如,一个或多个机器学习算法可以包括无监督学习技术,诸如聚类技术、人工神经网络、关联规则学习等。
每个节点可以表示与事件相关联的值并且具有对应的权重。例如,如果分类的事件类型是宾馆,那么宾馆事件类型的各个节点可以包括收集到的数据集内包括的不同宾馆。在一些情况下,节点可以由包括根节点、非叶节点和叶节点的分层树结构表示。第一节点可以与第一宾馆(例如,第一节点的值)对应,并且第二节点可以与第二宾馆(例如,第二节点的值)对应。另外,例如,可以为每个节点分配与特定宾馆的出现的频率对应的权重。如果数据集包括与第一宾馆相关联的事件多于与第二宾馆相关联的事件(例如,用户先前已在第一宾馆预订的房间多于第二宾馆),那么分配给第一节点的权重可能高于分配给第二节点的权重。当向请求发起将来事件的处理的用户进行推荐或预测时,可以评估每个节点的权重。例如,如果用户经由界面发送预订宾馆房间的请求,那么界面可以显示宾馆事件类型的不同节点的排名列表。排名可以基于节点的权重。另外,在一些情况下,仅定义数量的推荐或预测可以被呈现给用户。例如,即使宾馆事件类型中有五个以上的节点,也可以经由界面仅将权重最大的前五个节点呈现给用户作为用于预订宾馆房间的选项。
在方框320处,可以在系统(例如,集中式储存库和/或与集中式储存库通信的服务器)处检测第一通信。第一通信可以最初由用户操作的用户设备(例如,用户设备205)发送。将认识到的是,可以由代表用户的任何个体从任何计算设备发送任何第一通信。第一通信可以与操作用户设备的用户相关联。例如,用户设备可以显示界面(例如,界面245),并且界面可以被配置为接收来自用户的输入。在界面处接收到的输入可以与发起与特定事件相关联的处理的请求对应。发起与事件相关联的处理的请求的示例可以包括定义事件(例如,预订航班、预订宾馆房间、预订餐馆的座位等)的请求、对事件(例如,在餐馆)的补偿的请求、对与事件相关的实体文档(例如,实体的报销政策和/或过程文件)的请求,等等。发起与特定事件相关联的处理的请求可以包括定义特定事件的请求(当特定事件尚未发生时)或对在特定事件期间发生的费用的补偿的请求(当特定事件先前已发生时)。输入还可以包括关于特定事件的信息(例如,时间、目的地、供应商名称、目的等)。例如,第一通信可以包括实际的(例如,先前发生的)或预期的费用或成本。第一通信可以被提交到费用或成本跟踪/批准系统和/或被费用或成本跟踪/批准系统接收,该费用或成本跟踪/批准系统跟踪或管理与系统中的各种用户(例如,员工)相关联的费用。将认识到的是,请求可以与一个以上的特定事件相关联。例如,请求可以是发起第一事件(例如,航班)、第二事件(例如,宾馆预订)和第三事件(例如,针对客户晚餐的晚餐预订)的处理的请求。
在方框325处,可以从请求中确定一个或多个变量。在一些情况下,变量可以表示特定事件的特性。例如,如果特定事件是将来某个日期的宾馆预订,那么与该特定事件相关联的请求的变量可以包括宾馆的位置、所请求的在宾馆的住宿的日期、宾馆的名称、事件类型(例如,宾馆与航班),等等。在一些情况下,请求的变量可以包括指示请求是发起先前发生的事件的处理还是将来事件的处理。如果请求与一个以上的特定事件对应,那么可以为每个事件确定至少一个变量。另外,可以将表示变量的数据包括在使用界面输入的各种数据字段中。
在方框330处,一个或多个变量中的每一个可以被映射到机器学习模型。映射可以包括将特定事件的变量与多个节点中的一些或全部进行比较或匹配。例如,如果特定事件表示飞往旧金山的航班,那么映射可以包括识别多个节点中是否存在将旧金山表示为目的地城市的节点。如果是,那么可以识别对应的权重以及与该节点相关联的任何相关节点(在方框335处更详细地描述)。将特定事件映射到多个节点中的一些或全部可以导致识别与表示特定事件的节点相关的节点。
在方框335处,可以从多个节点当中识别一个或多个节点。识别一个或多个节点可以至少部分地基于方框330处的映射。另外,所识别的一个或多个节点可以与从请求中确定的一个或多个变量中的每一个相关联。可以使用从使用数据集执行的机器学习算法确定的一个或多个相关性来识别一个或多个节点。例如,识别出的一个或多个节点将是与表示特定事件的节点相关的节点。仅作为非限制性示例,如果特定事件是由机器学习模型中的节点表示的宾馆预订,那么该节点可以与三个其它节点(第一节点、第二节点和第三节点)相关。第一节点可以表示餐馆,第二节点可以表示交通运输方法,并且第三节点可以表示概述用于获得与交通运输方法相关的补偿的过程的一组实体文档。表示特定事件的节点可以与第一节点相关,因为(使用收集到的数据集执行的)机器学习算法识别出与实体相关联的并且也在该宾馆住宿的用户通常在该餐馆用餐。该节点可以与第二节点相关,因为机器学习算法识别出在该宾馆住宿的用户通常也乘坐出租车到达目的地。最后,该节点可以与第三节点相关,因为在该宾馆住宿的用户通常还请求概述如何获得对出租车交通运输的成本的补偿的实体文档。
在一些情况下,在方框335处,权重也可以用于识别一个或多个节点。如以上所讨论的,机器学习模型的节点可以表示与事件相关联的值,并且可以具有对应的权重。权重可以使用一个或多个机器学习算法生成。在一些情况下,权重可以与先前与该事件相关联的用户的数量对应(例如,先前有多少用户住在特定宾馆、有多少用户已飞往旧金山等)。在一些情况下,可以至少部分地基于用户反馈来生成权重(例如,如果与实体相关联的用户为特定餐馆提供了负面反馈,那么表示该餐馆的节点的权重可能低,使得该餐馆不被推荐给将来到该餐馆附近区域出差的员工)。当一个或多个节点各自具有高于定义的阈值的权重时,系统可以在方框335处选择或识别该一个或多个节点。替代地,选择或识别出的节点可以具有低于定义的阈值的权重。作为另一个示例,机器学习模型可以包括表示宾馆的节点与一个或多个餐馆之间的相关性。机器学习算法可能已经识别出,住在宾馆的用户通常也会在一个或多个餐馆用餐,并且这可以在机器学习模型中被表示为节点之间的相关性。在一些情况下,在宾馆附近频繁去就餐的餐馆可以具有比不经常去就餐的餐馆更高的权重。在这个示例中,与宾馆相关的一个或多个餐馆中的每个餐馆也可以由多个节点中的节点表示。节点的权重可以用于对餐馆进行排名。
在一些情况下,在标识一组节点的情况下,基于请求中包括的信息(例如,指示事件的目的的信息)识别出的元数据可以用于将该组节点限制为节点的子集。例如,指示事件的目的的信息可以包括客户端标识符(例如,表示对特定客户端的访问)。在这种情况下,可以检索与客户端标识符相关联的元数据(例如,客户端变量)并将其应用于一个或多个规则。作为示例,元数据可以指示客户端不提供对出租车费用的补偿。继续上面的示例,即使3个节点被识别为与表示特定事件的节点相关,第二节点和第三节点也可能不包括在该组节点中,因为客户端不提供对出租车费用的补偿。包括该信息的通知可以被发送到发送请求的用户设备。
在方框340处,可以检索与一个或多个节点中的每个节点相关联的一个或多个值。使用上面的示例,如果一个或多个节点包括第一节点、第二节点和第三节点,那么可以检索表示每个节点的值。例如,值可以识别关于节点的信息。例如,表示第一节点的值可以包括餐馆的名称,表示第二节点的值可以表示出租车公司的名称,并且表示第三节点的值可以包括到一个或多个实体文档的链接。将认识到的是,可以检索元数据以补充检索到的值。例如,可以从(例如,由实体管理的)数据存储库中检索餐馆的名称,并且可以从另一个来源检索与餐馆相关联的元数据,以识别餐馆的电话号码或地址,和/或去往餐馆的路线。可以访问第三方系统来检索或生成补充元数据。
在方框345处,可以将第二通信发送到计算设备。第二通信可以响应于第一通信。另外,第二通信可以包括检索到的一个或多个值中的至少一个。使用上面的示例,第二通信可以包括餐馆名称、出租车名称以及到实体文档的链接。第二通信中包括的数据可以呈现在用户设备上显示的界面上。
图4绘出了用于实现实施例之一的分布式系统400的简化图。在所示实施例中,分布式系统400包括一个或多个客户端计算设备402、404、406和408,其被配置为通过(一个或多个)网络410执行和操作客户端应用,诸如web浏览器、专有客户端(例如,Oracle Forms)等。服务器412可以经由网络410与远程客户端计算设备402、404、406和408通信地耦合。
在各种实施例中,服务器412可以适于运行由系统的一个或多个部件提供的一个或多个服务或软件应用。在一些实施例中,这些服务可以作为基于web的服务或云服务被提供,或者在软件即服务(SaaS)模型下被提供给客户端计算设备402、404、406和/或408的用户。操作客户端计算设备402、404、406和/或408的用户又可以利用一个或多个客户端应用来与服务器412交互以利用由这些部件提供的服务。
在图中绘出的配置中,系统400的软件部件418、420和422被示出为在服务器412上实现。在其它实施例中,系统400的一个或多个部件和/或由这些部件提供的服务也可以由客户端计算设备402、404、406和/或408中的一个或多个来实现。然后,操作客户端计算设备的用户可以利用一个或多个客户端应用来使用由这些部件提供的服务。这些部件可以用硬件、固件、软件或其组合来实现。应该认识到的是,各种不同的系统配置是可能的,其可能与分布式系统400不同。图中所示的实施例因此是用于实现实施例系统的分布式系统的一个示例,而不是要进行限制。
客户端计算设备402、404、406和/或408可以是便携式手持设备(例如,蜂窝电话、/>计算平板电脑、个人数字助理(PDA))或可穿戴设备(例如,Google/>头戴式显示器),运行诸如Microsoft Windows/>和/或各种移动操作系统(诸如iOS、Windows Phone、Android、BlackBerry 10、Palm OS等)的软件,并且启用互联网、电子邮件、短消息服务(SMS)、/>或其它通信协议。客户端计算设备可以是通用个人计算机,作为示例,包括运行各种版本的Microsoft/>Apple/>和/或Linux操作系统的个人计算机和/或膝上型计算机。客户端计算设备可以是运行任何各种可商业获得的/>或类UNIX操作系统(包括但不限于各种GNU/Linux操作系统,诸如例如Google Chrome OS)的工作站计算机。替代地或附加地,客户端计算设备402、404、406和408可以是能够通过(一个或多个)网络410通信的任何其它电子设备,诸如瘦客户端计算机、启用互联网的游戏系统(例如,具有或不具有/>手势输入设备的微软Xbox游戏控制台)和/或个人消息传送设备。
虽然示例性分布式系统400被示出为具有四个客户端计算设备,但是可以支持任何数量的客户端计算设备。其它设备(诸如具有传感器的设备等)可以与服务器412交互。
分布式系统400中的(一个或多个)网络410可以是本领域技术人员熟悉的、可以利用任何各种可商业获得的协议支持数据通信的任何类型的网络,其中协议包括但不限于TCP/IP(传输控制协议/网际协议)、SNA(系统网络体系架构)、IPX(互联网报文交换)、AppleTalk,等等。仅仅作为示例,(一个或多个)网络410可以是局域网(LAN),诸如基于以太网、令牌环等的LAN。(一个或多个)网络410可以是广域网和互联网。它可以包括虚拟网络,包括但不限于虚拟专用网(VPN)、内联网、外联网、公共交换电话网(PSTN)、红外网络、无线网络(例如,依据电子电气学会(IEEE)802.11协议套件、和/或任何其它无线协议当中任意一种操作的网络);和/或这些和/或其它网络的任意组合。
服务器412可以由一个或多个通用计算机、专用服务器计算机(作为示例,包括PC(个人计算机)服务器、服务器、中档服务器、大型计算机、机架安装的服务器等)、服务器场、服务器集群或任何其它适当的布置和/或组合组成。在各种实施例中,服务器412可以适于运行在前述公开中所描述的一个或多个服务或软件应用。例如,服务器412可以与用于执行以上根据本公开的实施例描述的处理的服务器对应。
服务器412可以运行包括以上讨论的操作系统当中任意一种的操作系统,以及任何可商业获得的服务器操作系统。服务器412还可以运行任何各种附加的服务器应用和/或中间层应用,包括HTTP(超文本传输协议)服务器、FTP(文件传输协议)服务器、CGI(公共网关接口)服务器、服务器、数据库服务器,等等。示例性数据库服务器包括但不限于从Oracle、Microsoft、Sybase、IBM(国际商业机器)等可商业获得的那些数据库服务器。
在一些实现中,服务器412可以包括一个或多个应用,以分析和整合从客户端计算设备402、404、406和408的用户接收到的数据馈送和/或事件更新。作为示例,数据馈送和/或事件更新可以包括,但不限于,馈送、/>更新或者从一个或多个第三方信息源接收到的实时更新和连续数据流,其可以包括与传感器数据应用、金融报价机、网络性能测量工具(例如,网络监视和流量管理应用)、点击流分析工具、汽车交通监视等相关的实时事件。服务器412还可以包括一个或多个应用,以经由客户端计算设备402、404、406和408的一个或多个显示设备显示数据馈送和/或实时事件。
分布式系统400还可以包括一个或多个数据库414和416。数据库414和416可以驻留在各种位置中。作为示例,数据库414和416中的一个或多个可以驻留在服务器412本地的(和/或驻留在服务器412中的)非瞬态存储介质上。替代地,数据库414和416可以远离服务器412,并且经由基于网络的连接或专用的连接与服务器412通信。在一组实施例中,数据库414和416可以驻留在本领域技术人员熟悉的存储区域网络(SAN)中。类似地,用于执行服务器412所具有的功能的任何必要的文件都可以适当地本地存储在服务器412上和/或远程存储。在一组实施例中,数据库414和416可以包括适于响应于SQL格式的命令而存储、更新和检索数据的关系数据库,诸如由Oracle提供的数据库。
图5是根据本公开的实施例的系统环境500的一个或多个部件的简化框图,通过该系统环境500,由实施例系统的一个或多个部件提供的服务可以作为云服务提供。在所示实施例中,系统环境500包括可以由用户使用以与提供云服务的云基础设施系统502交互的一个或多个客户端计算设备504、506和508。客户端计算设备可以被配置为操作客户端应用,诸如web浏览器、专有客户端应用(例如,Oracle Forms)或某种其它应用,这些应用可以由客户端计算设备的用户用来与云基础设施系统502交互以使用由云基础设施系统502提供的服务。
应该认识到的是,图中描绘的云基础设施系统502可以具有除了所描绘的那些之外的其它部件。另外,图中所示的实施例仅是可以结合本发明的实施例的云基础设施系统的一个示例。在一些其它实施例中,云基础设施系统502可以具有比图中所示更多或更少的部件、可以组合两个或更多个部件、或者可以具有不同的部件配置或布置。
客户端计算设备504、506和508可以是与上面针对402、404、406和408所描述的设备类似的设备。
虽然示例性系统环境500被示出具有三个客户端计算设备,但是任何数量的客户端计算设备可以被支持。诸如具有传感器的设备等的其它设备可以与云基础设施系统502交互。
(一个或多个)网络510可以促进客户端504、506和508与云基础设施系统502之间的数据通信和交换。每个网络可以是本领域技术人员所熟悉的可以使用各种商业上可获得的协议(包括上面针对(一个或多个)网络410所描述的那些协议)中的任何一种支持数据通信的任何类型的网络。
云基础设施系统502可以包括一个或多个计算机和/或服务器,其可以包括上面针对服务器412所描述的那些计算机和/或服务器。
在某些实施例中,由云基础设施系统提供的服务可以包括按需对云基础设施系统的用户可用的许多服务,诸如在线数据存储和备份解决方案、基于Web的电子邮件服务、被托管的办公室(office)套件和文档协作服务、数据库处理、受管理的技术支持服务等。由云基础设施系统提供的服务可以动态扩展以满足云基础设施系统的用户的需要。由云基础设施系统提供的服务的具体实例化在本文中被称为“服务实例”。一般而言,从云服务提供商的系统经由通信网络(诸如互联网)对用户可用的任何服务被称为“云服务”。通常,在公共云环境中,构成云服务提供商的系统的服务器和系统与客户自己的本地服务器和系统不同。例如,云服务提供商的系统可以托管应用,并且用户可以经由诸如互联网的通信网络按需订购和使用应用。
在一些示例中,计算机网络云基础设施中的服务可以包括对存储装置、被托管的数据库、被托管的Web服务器、软件应用或由云供应商向用户提供的其它服务的受保护的计算机网络访问,或者如本领域中另外已知的那样。例如,服务可以包括通过互联网对云上的远程存储装置进行密码保护的访问。作为另一个示例,服务可以包括基于Web服务的被托管的关系数据库和脚本语言中间件引擎,以供联网的开发人员私有使用。作为另一个示例,服务可以包括对在云供应商的网站上托管的电子邮件软件应用的访问。
在某些实施例中,云基础设施系统502可以包括以自助服务、基于订阅、弹性可扩展、可靠、高度可用和安全的方式递送给客户的应用、中间件和数据库服务产品的套件。这种云基础设施系统的示例是由本受让人提供的Oracle公共云。
在各种实施例中,云基础设施系统502可以适于自动供应、管理和跟踪客户对由云基础设施系统502供给的服务的订阅。云基础设施系统502可以经由不同的部署模型来提供云服务。例如,可以依据公共云模型提供服务,其中云基础设施系统502被销售云服务的组织拥有(例如,被Oracle拥有),并且服务对一般公众或不同行业的企业可用。作为另一个示例,可以依据私有云模型来提供服务,其中云基础设施系统502仅针对单个组织操作,并且可以为该组织内的一个或多个实体提供服务。还可以依据社区云模型来提供云服务,其中云基础设施系统502和由云基础设施系统502提供的服务由相关社区中的若干组织共享。云服务还可以依据混合云模型被提供,该混合云模型是两个或更多个不同模型的组合。
在一些实施例中,由云基础设施系统502提供的服务可以包括在软件即服务(SaaS)类别、平台即服务(PaaS)类别、基础设施即服务(IaaS)类别或包括混合服务的其它服务类别下提供的一个或多个服务。客户经由订阅订单可以订购由云基础设施系统502提供的一个或多个服务。云基础设施系统502然后执行处理以提供客户的订阅订单中的服务。
在一些实施例中,由云基础设施系统502提供的服务可以包括但不限于应用服务、平台服务和基础设施服务。在一些示例中,应用服务可以由云基础设施系统经由SaaS平台提供。SaaS平台可以被配置为提供落入SaaS类别的云服务。例如,SaaS平台可以提供在集成开发和部署平台上构建和递送按需应用套件的能力。SaaS平台可以管理和控制用于提供SaaS服务的底层软件和基础设施。通过利用由SaaS平台提供的服务,客户可以利用在云基础设施系统上执行的应用。客户可以获取应用服务,而无需客户购买单独的许可和支持。可以提供各种不同的SaaS服务。示例包括但不限于为大型组织提供销售绩效管理、企业集成和业务灵活性的解决方案的服务。
在一些实施例中,平台服务可以由云基础设施系统经由PaaS平台提供。PaaS平台可以被配置为提供落入PaaS类别的云服务。平台服务的示例可以包括但不限于使组织(诸如Oracle)能够在共享的公共体系架构上整合现有应用以及充分利用平台提供的共享服务来构建新应用的能力的服务。PaaS平台可以管理和控制用于提供PaaS服务的底层软件和基础设施。客户可以获取由云基础架构系统提供的PaaS服务,而无需客户购买单独的许可和支持。平台服务的示例包括但不限于Oracle Java云服务(JCS)、Oracle数据库云服务(DBCS)等。
通过利用由PaaS平台提供的服务,客户可以采用由云基础设施系统支持的编程语言和工具,并且还控制所部署的服务。在一些实施例中,由云基础设施系统提供的平台服务可以包括数据库云服务、中间件云服务(例如,Oracle融合中间件服务)和Java云服务。在一个实施例中,数据库云服务可以支持共享服务部署模型,该模型使得组织能够汇集数据库资源并且以数据库云的形式向客户供应数据库即服务。在云基础设施系统中,中间件云服务可以为客户提供开发和部署各种业务应用的平台,并且Java云服务可以为客户提供部署Java应用的平台。
各种不同的基础设施服务可以由云基础设施系统中的IaaS平台提供。基础设施服务促进底层计算资源(诸如存储装置、网络和其它基础计算资源)的管理和控制,以供客户利用由SaaS平台和PaaS平台提供的服务。
在某些实施例中,云基础设施系统502还可以包括基础设施资源530,用于向云基础设施系统的客户提供用于提供各种服务的资源。在一个实施例中,基础设施资源530可以包括预先集成和优化的硬件(诸如服务器、存储装置和联网资源)的组合,以执行由PaaS平台和SaaS平台提供的服务。
在一些实施例中,云基础设施系统502中的资源可以由多个用户共享并且根据需要动态重新分配。此外,可以将资源分配给在不同时区的用户。例如,云基础设施系统530可以使在第一时区中的第一组用户能够在指定的小时数内利用云基础设施系统的资源,并且然后使相同资源能够被重新分配给位于不同时区的另一组用户,从而使资源的利用率最大化。
在某些实施例中,可以提供由云基础设施系统502的不同部件或模块以及由云基础设施系统502提供的服务共享的多个内部共享服务532。这些内部共享服务可以包括但不限于:安全和身份服务、集成服务、企业储存库服务、企业管理器服务、病毒扫描和白名单服务、高可用性、备份和恢复服务、启用云支持的服务、电子邮件服务、通知服务、文件传输服务等。
在某些实施例中,云基础设施系统502可以提供云基础设施系统中的云服务(例如,SaaS、PaaS和IaaS服务)的综合管理。在一个实施例中,云管理功能可以包括用于供应、管理和跟踪由云基础设施系统502接收到的客户订阅等的能力。
在一个实施例中,如图中所绘出的,云管理功能可以由一个或多个模块提供,诸如订单管理模块520、订单编排模块522、订单供应模块524、订单管理和监视模块526,以及身份管理模块528。这些模块可以包括一个或多个计算机和/或服务器或者使用一个或多个计算机和/或服务器来提供,这些计算机和/或服务器可以是通用计算机、专用服务器计算机、服务器场、服务器集群或任何其它适当的布置和/或组合。
在示例性操作534中,使用客户端设备(诸如客户端设备504、506或508)的客户可以通过请求由云基础设施系统502提供的一个或多个服务并且下订阅由云基础设施系统502供应的一个或多个服务来的订单来与云基础设施系统502交互。在某些实施例中,客户可以访问云用户界面(UI)(云UI 512、云UI 514和/或云UI 516)并经由这些UI下订阅订单。云基础设施系统502响应于客户下订单而接收到的订单信息可以包括识别客户以及客户想要订阅的云基础设施系统502供应的一个或多个服务的信息。
在客户下订单之后,经由云UI 512、514和/或516接收订单信息。
在操作536处,订单存储在订单数据库518中。订单数据库518可以是由云基础设施系统518操作和与其它系统元件一起操作的若干数据库之一。
在操作538处,订单信息被转发到订单管理模块520。在一些情况下,订单管理模块520可以被配置为执行与订单相关的计费和记账功能,诸如验证订单、以及在验证后预订订单。
在操作540处,将关于订单的信息传送到订单编排模块522。订单编排模块522可以利用订单信息为客户下的订单编排服务和资源的供应。在一些情况下,订单编排模块522可以使用订单供应模块524的服务来编排资源的供应以支持所订阅的服务。
在某些实施例中,订单编排模块522使得能够管理与每个订单相关联的业务处理并应用业务逻辑来确定订单是否应该进行到供应。在操作542处,在接收到新订阅的订单时,订单编排模块522向订单供应模块524发送分配资源并配置履行订阅订单所需的那些资源的请求。订单供应模块524使得能够为客户订购的服务分配资源。订单供应模块524提供在由云基础设施系统500提供的云服务和用于供应用于提供所请求的服务的资源的物理实现层之间的抽象层。因此,订单编排模块522可以与实现细节(诸如服务和资源是否实际上即时供应或预先供应并仅在请求后才分配/指派)隔离。
在操作544处,一旦供应了服务和资源,就可以通过云基础设施系统502的订单供应模块524向客户端设备504、506和/或508上的客户发送所提供的服务的通知。
在操作546处,订单管理和监视模块526可以管理和跟踪客户的订阅订单。在一些情况下,订单管理和监视模块526可以被配置为收集订阅订单中的服务的使用统计信息,诸如,所使用的存储量、传输的数据量、用户的数量,以及系统运行时间量和系统停机时间量。
在某些实施例中,云基础设施系统500可以包括身份管理模块528。身份管理模块528可以被配置为提供身份服务,诸如云基础设施系统500中的访问管理和授权服务。在一些实施例中,身份管理模块528可以控制关于希望利用由云基础设施系统502提供的服务的客户的信息。这样的信息可以包括认证这些客户的身份的信息以及描述这些客户被授权相对于各种系统资源(例如,文件、目录、应用、通信端口、存储器段等)执行哪些动作的信息。身份管理模块528还可以包括对关于每个客户的描述性信息以及关于如何和由谁来访问和修改这些描述性信息的管理。
图6示出了其中可以实现本发明的各种实施例的示例性计算机系统600。系统600可以用于实现上述任何计算机系统。如图所示,计算机系统600包括经由总线子系统602与多个外围子系统通信的处理单元604。这些外围子系统可以包括处理加速单元606、I/O子系统608、存储子系统618和通信子系统624。存储子系统618包括有形计算机可读存储介质622和系统存储器610。
总线子系统602提供用于让计算机系统600的各种部件和子系统按意图彼此通信的机制。虽然总线子系统602被示意性地示出为单条总线,但是总线子系统的替代实施例可以利用多条总线。总线子系统602可以是若干种类型的总线结构中的任何一种,包括存储器总线或存储器控制器、外围总线、以及使用任何各种总线体系架构的局部总线。例如,这种体系架构可以包括工业标准体系架构(ISA)总线、微通道体系架构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)局部总线和外围部件互连(PCI)总线,其可以被实现为按IEEE P1386.1标准制造的Mezzanine总线。
可以被实现为一个或多个集成电路(例如,常规微处理器或微控制器)的处理单元604控制计算机系统600的操作。一个或多个处理器可以被包括在处理单元604中。这些处理器可以包括单核或多核处理器。在某些实施例中,处理单元604可以被实现为一个或多个独立的处理单元632和/或634,其中在每个处理单元中包括单核或多核处理器。在其它实施例中,处理单元604也可以被实现为通过将两个双核处理器集成到单个芯片中形成的四核处理单元。
在各种实施例中,处理单元604可以响应于程序代码执行各种程序并且可以维护多个并发执行的程序或进程。在任何给定的时间,要被执行的程序代码中的一些或全部代码可以驻留在(一个或多个)处理器604中和/或存储子系统618中。通过适当的编程,(一个或多个)处理器604可以提供上述各种功能。计算机系统600可以附加地包括处理加速单元606,其可以包括数字信号处理器(DSP)、专用处理器,等等。
I/O子系统608可以包括用户接口输入设备和用户接口输出设备。用户接口输入设备可以包括键盘、诸如鼠标或轨迹球的定点设备、结合到显示器中的触摸板或触摸屏、滚动轮、点击轮、拨盘、按钮、开关、键盘、具有语音命令识别系统的音频输入设备、麦克风以及其它类型的输入设备。用户接口输入设备可以包括,例如,运动感测和/或手势识别设备,诸如的Microsoft运动传感器,其使得用户能够使用手势和语音命令通过自然用户接口来控制诸如的Microsoft/>360游戏控制器的输入设备并与之交互。用户接口输入设备也可以包括眼睛姿势识别设备,诸如从用户检测眼睛活动(例如,当拍摄照片和/或做出菜单选择时的“眨眼”)并且将眼睛姿势转换为到输入设备(例如,Google/>)中的输入的Google/>眨眼检测器。此外,用户接口输入设备可以包括使用户能够通过语音命令与语音识别系统(例如,/>导航器)交互的语音识别感测设备。
用户接口输入设备也可以包括但不限于三维(3D)鼠标、操纵杆或指向棒、游戏面板和绘图板,以及音频/视频设备,诸如扬声器、数码相机、数码摄像机、便携式媒体播放器、网络摄像头、图像扫描仪、指纹扫描仪、条形码阅读器3D扫描仪、3D打印机、激光测距仪和视线跟踪设备。此外,用户接口输入设备可以包括,例如,医学成像输入设备,诸如计算机断层扫描、磁共振成像、正电子发射断层摄影术、医疗超声设备。用户接口输入设备也可以包括,例如,诸如MIDI键盘、数字乐器等的音频输入设备。
用户接口输出设备可以包括显示子系统、指示灯,或者诸如音频输出设备的非可视显示器,等等。显示子系统可以是阴极射线管(CRT)、诸如使用液晶显示器(LCD)或等离子显示器的平板设备、投影设备、触摸屏,等等。一般而言,术语“输出设备”的使用意在包括用于从计算机系统600向用户或其它计算机输出信息的所有可能类型的设备和机制。例如,用户接口输出设备可以包括,但不限于,可视地传达文本、图形和音频/视频信息的各种显示设备,诸如监视器、打印机、扬声器、耳机、汽车导航系统、绘图仪、语音输出设备,以及调制解调器。
计算机系统600可以包括包含软件元件、被示为当前位于系统存储器610中的存储子系统618。系统存储器610可以存储可加载并且可在处理单元604上执行的程序指令,以及在这些程序的执行期间所产生的数据。
取决于计算机系统600的配置和类型,系统存储器610可以是易失性的(诸如随机存取存储器(RAM))和/或非易失性的(诸如只读存储器(ROM)、闪存存储器,等等)。RAM通常包含可被处理单元604立即访问和/或目前正被处理单元604操作和执行的数据和/或程序模块。在一些实现中,系统存储器610可以包括多种不同类型的存储器,例如静态随机存取存储器(SRAM)或动态随机存取存储器(DRAM)。在一些实现中,诸如包含有助于在启动期间在计算机系统600的元件之间传送信息的基本例程的基本输入/输出系统(BIOS),通常可以被存储在ROM中。作为示例,但不是限制,系统存储器610也示出了可以包括客户端应用、web浏览器、中间层应用、关系数据库管理系统(RDBMS)等的应用程序612,程序数据614,以及操作系统616。作为示例,操作系统616可以包括各种版本的MicrosoftApple和/或Linux操作系统、各种可商业获得的/>或类UNIX操作系统(包括但不限于各种GNU/Linux操作系统、Google/>OS等)和/或诸如iOS、/>Phone、/>OS、/>10OS和/>OS操作系统的移动操作系统。
存储子系统618也可以提供用于存储提供一些实施例的功能的基本编程和数据结构的有形计算机可读存储介质。当被处理器执行时提供上述功能的软件(程序、代码模块、指令)可以被存储在存储子系统618中。这些软件模块或指令可以被处理单元604执行。存储子系统618也可以提供用于存储根据本发明被使用的数据的储存库。
存储子系统600也可以包括可被进一步连接到计算机可读存储介质622的计算机可读存储介质读取器620。与系统存储器610一起并且,可选地,与其相结合,计算机可读存储介质622可以全面地表示用于临时和/或更持久地包含、存储、发送和检索计算机可读信息的远程、本地、固定和/或可移除存储设备加存储介质。
包含代码或代码的部分的计算机可读存储介质622也可以包括本领域已知或使用的任何适当的介质,包括存储介质和通信介质,诸如但不限于,以用于信息的存储和/或传输的任何方法或技术实现的易失性和非易失性、可移除和不可移除介质。这可以包括有形的计算机可读存储介质,诸如RAM、ROM、电可擦除可编程ROM(EEPROM)、闪存存储器或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光学储存器、磁带盒、磁带、磁盘储存器或其它磁存储设备,或者其它有形的计算机可读介质。这也可以包括非有形的计算机可读介质,诸如数据信号、数据传输,或者可以被用来发送期望信息并且可以被计算系统600访问的任何其它介质。
作为示例,计算机可读存储介质622可以包括从不可移除的非易失性磁介质读取或写到其的硬盘驱动器、从可移除的非易失性磁盘读取或写到其的磁盘驱动器、以及从可移除的非易失性光盘(诸如CD ROM、DVD和盘或其它光学介质)读取或写到其的光盘驱动器。计算机可读存储介质622可以包括,但不限于,/>驱动器、闪存卡、通用串行总线(USB)闪存驱动器、安全数字(SD)卡、DVD盘、数字音频带,等等。计算机可读存储介质622也可以包括基于非易失性存储器的固态驱动器(SSD)(诸如基于闪存存储器的SSD、企业闪存驱动器、固态ROM等)、基于易失性存储器的SSD(诸如固态RAM、动态RAM、静态RAM)、基于DRAM的SSD,磁阻RAM(MRAM)SSD,以及使用基于DRAM和闪存存储器的SSD的组合的混合SSD。盘驱动器及其关联的计算机可读介质可以为计算机系统600提供计算机可读指令、数据结构、程序模块及其它数据的非易失性存储。
通信子系统624提供到其它计算机系统和网络的接口。通信子系统624用作用于从其它系统接收数据和从计算机系统600向其它系统发送数据的接口。例如,通信子系统624可以使计算机系统600能够经由互联网连接到一个或多个设备。在一些实施例中,通信子系统624可以包括用于访问无线语音和/或数据网络的射频(RF)收发器部件(例如,使用蜂窝电话技术,诸如3G、4G或EDGE(用于全球演进的增强型数据速率)的先进数据网络技术,WiFi(IEEE 802.11系列标准),或其它移动通信技术,或其任意组合)、全球定位系统(GPS)接收器部件和/或其它部件。在一些实施例中,作为无线接口的附加或者替代,通信子系统624可以提供有线网络连接(例如,以太网)。
在一些实施例中,通信子系统624也可以代表可以使用计算机系统600的一个或多个用户接收结构化和/或非结构化数据馈送626、事件流628、事件更新630等形式的输入通信。
作为示例,通信子系统624可被配置为实时地从社交网络和/或其它通信服务的用户接收数据馈送626,诸如馈送、/>更新、诸如丰富站点摘要(RSS)馈送的web馈送和/或来自一个或多个第三方信息源的实时更新。
此外,通信子系统624也可被配置为接收连续数据流形式的数据,这可以包括本质上可以是连续的或无界的没有明确终止的实时事件的事件流628和/或事件更新630。产生连续数据的应用的示例可以包括,例如,传感器数据应用、金融报价机、网络性能测量工具(例如,网络监视和流量管理应用)、点击流分析工具、汽车流量监视,等等。
通信子系统624也可被配置为向一个或多个数据库输出结构化和/或非结构化数据馈送626、事件流628、事件更新630,等等,这一个或多个数据库可以与耦合到计算机系统600的一个或多个流式数据源计算机通信。
计算机系统600可以是各种类型之一,包括手持便携式设备(例如,蜂窝电话、/>计算平板电脑、PDA)、可穿戴设备(例如,/>Glass头戴式显示器)、PC、工作站、大型机、信息站、服务器机架、或任何其它数据处理系统。
由于计算机和网络的不断变化的本质,在图中绘出的计算机系统600的描述仅仅要作为具体的示例。具有比图中绘出的系统更多或更少部件的许多其它配置是可能的。例如,定制的硬件也可以被使用和/或特定的元素可以用硬件、固件、软件(包括applets)或其组合来实现。另外,也可以采用到诸如网络输入/输出设备之类的其它计算设备的连接。基于本文提供的公开内容和示教,本领域普通技术人员将认识到实现各种实施例的其它方式和/或方法。
在前述说明书中,参考本发明的各方面的具体实施例对本发明的各方面进行了描述,但是本领域技术人员将认识到的是,本发明不限于此。上述发明的各个特征和方面可以被单独使用或联合使用。另外,在不脱离本说明书的更广泛精神和范围的情况下,实施例可以在除本文所述的那些环境和应用之外的任何数目的环境和应用中被使用。相应地,本说明书和附图应当被认为是说明性的而不是限制性的。
Claims (20)
1.一种计算机实现的方法,包括:
检测从计算设备发送的第一通信,所述第一通信与所述计算设备的用户相关联并且与发起与特定事件相关联的处理的请求对应,其中所述处理对应于定义将来事件的请求或与过去事件相关联的费用报销请求;
响应于检测到所述第一通信,从所述请求中确定一个或多个变量,所述一个或多个变量中的每个变量被包括在所述第一通信中并且表示所述特定事件的特性;
基于经训练的机器学习模型,将所述一个或多个变量中的每个变量映射到多个节点中的至少一个节点,所述经训练的机器学习模型已被利用包括一个或多个过去事件的数据集训练;
至少部分地基于所述映射,识别所述多个节点中与所述一个或多个变量对应的一个或多个节点,其中所述一个或多个节点是基于所述多个节点中的至少两个节点之间的一个或多个相关性被识别的;
检索与识别出的所述一个或多个节点中的每个节点相关联的一个或多个值;以及
向所述计算设备发送第二通信,所述第二通信响应于所述第一通信并且包括所述特定事件的支持信息,所述支持信息是基于检索到的所述一个或多个值被确定的。
2.如权利要求1所述的计算机实现的方法,还包括:
从所述请求中识别客户端变量,所述客户端变量是根据请求确定的变量之一;
响应于识别出所述客户端变量,访问与所述客户端变量相关联的一个或多个规则;
限制使用所述一个或多个相关性识别出的一组节点,所述一组节点被限制为节点的子集,所述限制基于所述一个或多个规则;
检索所述节点的子集中的每个节点的值;以及
将所述第二通信发送到所述计算设备,所述第二通信包括检索到的所述一个或多个值。
3.如权利要求1所述的计算机实现的方法,其中连续地执行所述数据集的收集,使得当发生新事件时,所述新事件被包括在所述数据集中。
4.如权利要求3所述的计算机实现的方法,还包括:
当所述新事件被包括在所述数据集中时,更新所述经训练的机器学习模型,使得与所述多个节点中的节点对应的至少一个权重被更新。
5.如权利要求1所述的计算机实现的方法,其中检索到的所述一个或多个值与作为与所述特定事件相关联的推荐而提供的一个或多个推荐值对应。
6.如权利要求1所述的计算机实现的方法,还包括:
从附加的计算设备检测第三通信,其中所述第三通信与发起与所述特定事件相关联的另一个处理的另一个请求对应,其中所述第三通信在所述第一通信被接收到之后并且在所述特定事件发生之前被接收;
识别所述第一通信和所述第三通信各自与所述特定事件对应;以及
向所述附加的计算设备发送警报消息,所述警报消息包括与所述第一通信相关联的用户也与所述特定事件相关联的通知。
7.如权利要求6所述的计算机实现的方法,还包括:
向所述附加的计算设备发送第四通信,所述第四通信对所述第三通信进行响应并且包括检索到的所述一个或多个值中的至少一个值。
8.如权利要求6所述的计算机实现的方法,其中与所述第一通信相关联的用户和与所述第三通信相关联的不同用户各自与同一实体相关联。
9.如权利要求1所述的计算机实现的方法,还包括:
检测所述一个或多个节点中的特定节点与预测的出现相关联,所述预测的出现与超过定义的阈值的事件参数对应;以及
访问与所述预测的出现相关联的工作流,所述工作流包括与所述预测的出现相关联的一个或多个文档的标识,所述一个或多个文档识别用于获得与所述特定节点相关联的补偿的过程。
10.如权利要求1所述的计算机实现的方法,其中所述一个或多个节点中的至少一个节点与用于识别一个或多个文档的工作流对应,所述一个或多个文档识别用于获得与所述特定事件相关联的补偿的过程。
11.一种系统,包括:
一个或多个数据处理器;以及
包含指令的非暂态计算机可读存储介质,所述指令当在所述一个或多个数据处理器上执行时,使所述一个或多个数据处理器执行以下操作:
检测从计算设备发送的第一通信,所述第一通信与所述计算设备的用户相关联并且与发起与特定事件相关联的处理的请求对应,其中所述处理对应于定义将来事件的请求或与过去事件相关联的费用报销请求;
响应于检测到所述第一通信,从所述请求中确定一个或多个变量,所述一个或多个变量中的每个变量被包括在所述第一通信中并且表示所述特定事件的特性;
基于经训练的机器学习模型,将所述一个或多个变量中的每个变量映射到多个节点中的至少一个节点,所述经训练的机器学习模型已被利用包括一个或多个过去事件的数据集训练;
至少部分地基于所述映射,识别所述多个节点中与所述一个或多个变量对应的一个或多个节点,其中所述一个或多个节点是基于所述多个节点中的至少两个节点之间的一个或多个相关性被识别的;
检索与识别出的所述一个或多个节点中的每个节点相关联的一个或多个值;以及
向所述计算设备发送第二通信,所述第二通信响应于所述第一通信并且包括所述特定事件的支持信息,所述支持信息是基于检索到的所述一个或多个值被确定的。
12.如权利要求11所述的系统,其中所述操作还包括:
从所述请求中识别客户端变量,所述客户端变量是根据请求确定的变量之一;
响应于识别所述客户端变量,访问与所述客户端变量相关联的一个或多个规则;
限制使用所述一个或多个相关性识别出的一组节点,所述一组节点被限制为节点的子集,所述限制基于所述一个或多个规则;
检索所述节点的子集中的每个节点的值;以及
将所述第二通信发送到所述计算设备,所述第二通信包括检索到的所述一个或多个值。
13.如权利要求11所述的系统,其中连续地执行所述数据集的收集,使得当发生新事件时,所述新事件被包括在所述数据集中。
14.如权利要求13所述的系统,其中所述操作还包括:
当所述新事件被包括在所述数据集中时,更新所述经训练的机器学习模型,使得与所述多个节点中的节点对应的至少一个权重被更新。
15.如权利要求11所述的系统,其中检索到的所述一个或多个值与作为与所述特定事件相关联的推荐而提供的一个或多个推荐值对应。
16.如权利要求11所述的系统,其中所述操作还包括:
从附加的计算设备检测第三通信,其中所述第三通信与发起与所述特定事件相关联的另一个处理的另一个请求对应,其中所述第三通信在所述第一通信被接收到之后并且在所述特定事件发生之前被接收;
识别所述第一通信和所述第三通信各自与所述特定事件对应;以及
向所述附加的计算设备发送警报消息,所述警报消息包括与所述第一通信相关联的用户也与所述特定事件相关联的通知。
17.如权利要求16所述的系统,其中所述操作还包括:
向所述附加的计算设备发送第四通信,所述第四通信对所述第三通信进行响应并且包括检索到的所述一个或多个值中的至少一个值。
18.如权利要求16所述的系统,其中与所述第一通信相关联的用户和与所述第三通信相关联的不同用户各自与同一实体相关联。
19.如权利要求11所述的系统,其中所述操作还包括:
检测所述一个或多个节点中的特定节点与预测的出现相关联,所述预测的出现与超过定义的阈值的事件参数对应;以及
访问与所述预测的出现相关联的工作流,所述工作流包括与所述预测的出现相关联的一个或多个文档的标识,所述一个或多个文档识别用于获得与所述特定节点相关联的补偿的过程。
20.如权利要求11所述的系统,其中所述一个或多个节点中的至少一个节点与用于识别一个或多个文档的工作流对应,所述一个或多个文档识别用于获得与所述特定事件相关联的补偿的过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311598407.4A CN117474104A (zh) | 2017-03-28 | 2017-03-28 | 使用机器学习智能地提供支持信息的系统和方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311598407.4A CN117474104A (zh) | 2017-03-28 | 2017-03-28 | 使用机器学习智能地提供支持信息的系统和方法 |
CN201780090760.8A CN110741390B (zh) | 2017-03-28 | 2017-03-28 | 使用机器学习智能地提供支持信息的系统和方法 |
PCT/CN2017/078401 WO2018176215A1 (en) | 2017-03-28 | 2017-03-28 | Systems and methods for intelligently providing supporting information using machine-learning |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780090760.8A Division CN110741390B (zh) | 2017-03-28 | 2017-03-28 | 使用机器学习智能地提供支持信息的系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117474104A true CN117474104A (zh) | 2024-01-30 |
Family
ID=63670844
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311598407.4A Pending CN117474104A (zh) | 2017-03-28 | 2017-03-28 | 使用机器学习智能地提供支持信息的系统和方法 |
CN201780090760.8A Active CN110741390B (zh) | 2017-03-28 | 2017-03-28 | 使用机器学习智能地提供支持信息的系统和方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780090760.8A Active CN110741390B (zh) | 2017-03-28 | 2017-03-28 | 使用机器学习智能地提供支持信息的系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (2) | US11443225B2 (zh) |
CN (2) | CN117474104A (zh) |
CA (1) | CA3057539A1 (zh) |
SG (1) | SG11201908824PA (zh) |
WO (1) | WO2018176215A1 (zh) |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10838950B2 (en) * | 2017-04-29 | 2020-11-17 | Cisco Technology, Inc. | Dynamic review cadence for intellectual capital |
US11481662B1 (en) * | 2017-07-31 | 2022-10-25 | Amazon Technologies, Inc. | Analysis of interactions with data objects stored by a network-based storage service |
US11044271B1 (en) * | 2018-03-15 | 2021-06-22 | NortonLifeLock Inc. | Automatic adaptive policy based security |
US10785108B1 (en) * | 2018-06-21 | 2020-09-22 | Wells Fargo Bank, N.A. | Intelligent learning and management of a networked architecture |
US11290479B2 (en) * | 2018-08-11 | 2022-03-29 | Rapid7, Inc. | Determining insights in an electronic environment |
FR3102587B1 (fr) * | 2019-10-24 | 2023-04-07 | Amadeus Sas | Système, procédé et appareil pour la corrélation d’objets de données |
US11347414B2 (en) * | 2019-10-24 | 2022-05-31 | Dell Products L.P. | Using telemetry data from different storage systems to predict response time |
US11302323B2 (en) * | 2019-11-21 | 2022-04-12 | International Business Machines Corporation | Voice response delivery with acceptable interference and attention |
US11727284B2 (en) | 2019-12-12 | 2023-08-15 | Business Objects Software Ltd | Interpretation of machine learning results using feature analysis |
US11507884B2 (en) * | 2020-01-06 | 2022-11-22 | Sap Se | Embedded machine learning |
US11631031B2 (en) * | 2020-02-20 | 2023-04-18 | Bank Of America Corporation | Automated model generation platform for recursive model building |
US12039416B2 (en) | 2020-02-21 | 2024-07-16 | Sap Se | Facilitating machine learning using remote data |
US11397614B2 (en) | 2020-02-25 | 2022-07-26 | Oracle International Corporation | Enhanced processing for communication workflows using machine-learning techniques |
US11397873B2 (en) | 2020-02-25 | 2022-07-26 | Oracle International Corporation | Enhanced processing for communication workflows using machine-learning techniques |
US12050936B2 (en) * | 2020-02-25 | 2024-07-30 | Oracle International Corporation | Enhanced processing for communication workflows using machine-learning techniques |
US20210287281A1 (en) * | 2020-03-10 | 2021-09-16 | Navarch Rentals (Dba Skipti) | System and method for a filter-deferred calendar for a multi-instanced rental inventory |
US11580455B2 (en) | 2020-04-01 | 2023-02-14 | Sap Se | Facilitating machine learning configuration |
CA3118095C (en) * | 2020-05-12 | 2023-10-10 | Accenture Global Solutions Limited | Artificial intelligence (ai) based document processor |
US11824952B2 (en) | 2020-05-15 | 2023-11-21 | Telefonaktiebolaget Lm Ericsson (Publ) | Method of filtering data traffic sent to a user device |
CN112052149B (zh) * | 2020-09-06 | 2022-02-22 | 厦门理工学院 | 一种大数据信息采集系统及使用方法 |
WO2022235263A1 (en) * | 2021-05-04 | 2022-11-10 | Google Llc | Attribution model for related and mixed content item responses |
JP2022175959A (ja) * | 2021-05-14 | 2022-11-25 | 株式会社日立製作所 | 機械学習システム及び機械学習システムによる機械学習モデル管理方法 |
US11909662B2 (en) * | 2021-07-29 | 2024-02-20 | Zoom Video Communications, Inc. | Reservation-based resource configuration for dynamic workspaces |
US11922347B2 (en) | 2021-07-29 | 2024-03-05 | Zoom Video Communications, Inc. | Future presence signaling for dynamic workspaces |
US11934974B2 (en) * | 2021-10-05 | 2024-03-19 | Bank Of America Corporation | Intelligent integrated remote reporting system |
US11770307B2 (en) | 2021-10-29 | 2023-09-26 | T-Mobile Usa, Inc. | Recommendation engine with machine learning for guided service management, such as for use with events related to telecommunications subscribers |
WO2023216121A1 (en) * | 2022-05-10 | 2023-11-16 | Nokia Shanghai Bell Co., Ltd. | Method, apparatus and computer program |
EP4303782A1 (en) * | 2022-07-07 | 2024-01-10 | Amadeus S.A.S. | Device, system and method for altering data containers to control communication devices |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6968179B1 (en) * | 2000-07-27 | 2005-11-22 | Microsoft Corporation | Place specific buddy list services |
US20030120526A1 (en) * | 2001-10-16 | 2003-06-26 | Jonathan Altman | System and method for managing booking and expensing of travel products and services |
US20060224579A1 (en) * | 2005-03-31 | 2006-10-05 | Microsoft Corporation | Data mining techniques for improving search engine relevance |
US8788517B2 (en) * | 2006-06-28 | 2014-07-22 | Microsoft Corporation | Intelligently guiding search based on user dialog |
CN101782976B (zh) * | 2010-01-15 | 2013-04-10 | 南京邮电大学 | 一种云计算环境下机器学习自动选择方法 |
US20120185275A1 (en) * | 2011-01-15 | 2012-07-19 | Masoud Loghmani | System and method of automated data analysis for implementing health records personal assistant with automated correlation of medical services to insurance and tax benefits for improved personal health cost management |
US20140149129A1 (en) * | 2012-11-29 | 2014-05-29 | Verizon Patent And Licensing Inc. | Healthcare fraud detection using language modeling and co-morbidity analysis |
US9218497B2 (en) * | 2014-02-24 | 2015-12-22 | Microsoft Technology Licensing, Llc | Incentive-based app execution |
US10325205B2 (en) * | 2014-06-09 | 2019-06-18 | Cognitive Scale, Inc. | Cognitive information processing system environment |
US10452992B2 (en) * | 2014-06-30 | 2019-10-22 | Amazon Technologies, Inc. | Interactive interfaces for machine learning model evaluations |
US10102480B2 (en) * | 2014-06-30 | 2018-10-16 | Amazon Technologies, Inc. | Machine learning service |
US20160162945A1 (en) * | 2014-12-05 | 2016-06-09 | Homeaway, Inc. | Travel customization system and method to channelize travelers relative to available activities |
US20160358099A1 (en) * | 2015-06-04 | 2016-12-08 | The Boeing Company | Advanced analytical infrastructure for machine learning |
-
2017
- 2017-03-28 CN CN202311598407.4A patent/CN117474104A/zh active Pending
- 2017-03-28 SG SG11201908824P patent/SG11201908824PA/en unknown
- 2017-03-28 CA CA3057539A patent/CA3057539A1/en active Pending
- 2017-03-28 WO PCT/CN2017/078401 patent/WO2018176215A1/en active Application Filing
- 2017-03-28 CN CN201780090760.8A patent/CN110741390B/zh active Active
- 2017-04-12 US US15/485,516 patent/US11443225B2/en active Active
-
2022
- 2022-08-31 US US17/899,825 patent/US20220414545A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
SG11201908824PA (en) | 2019-10-30 |
CA3057539A1 (en) | 2018-10-04 |
US20180285777A1 (en) | 2018-10-04 |
WO2018176215A1 (en) | 2018-10-04 |
US11443225B2 (en) | 2022-09-13 |
US20220414545A1 (en) | 2022-12-29 |
CN110741390A (zh) | 2020-01-31 |
CN110741390B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110741390B (zh) | 使用机器学习智能地提供支持信息的系统和方法 | |
US11870704B2 (en) | Instant notification of load balance and resource scheduling based on resource capacities and event recognition | |
US11921815B2 (en) | Techniques for the automated customization and deployment of a machine learning application | |
US20220360936A1 (en) | Optimizing pickup locations for transportation requests based on context information | |
US10904298B2 (en) | Machine-learning processing at native-location storage system to generate collections action plan | |
US11397873B2 (en) | Enhanced processing for communication workflows using machine-learning techniques | |
US10102290B2 (en) | Methods for identifying, ranking, and displaying subject matter experts on social networks | |
US9378270B2 (en) | Systems and methods for generating natural language insights about sets of data | |
US11201932B2 (en) | Systems and methods for securely using cloud services on on-premises data | |
US11790224B2 (en) | Machine learning from the integration flow metadata | |
US12050936B2 (en) | Enhanced processing for communication workflows using machine-learning techniques | |
US12001984B2 (en) | Enhanced user selection for communication workflows using machine-learning techniques | |
US11449773B2 (en) | Enhanced similarity detection between data sets with unknown prior features using machine-learning | |
US11397614B2 (en) | Enhanced processing for communication workflows using machine-learning techniques | |
US20230315798A1 (en) | Hybrid approach for generating recommendations | |
US20240061829A1 (en) | System and methods for enhancing data from disjunctive sources |
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 |