CN117608565B - 基于屏幕截图分析的rpa中ai类组件推荐方法及系统 - Google Patents
基于屏幕截图分析的rpa中ai类组件推荐方法及系统 Download PDFInfo
- Publication number
- CN117608565B CN117608565B CN202410092348.1A CN202410092348A CN117608565B CN 117608565 B CN117608565 B CN 117608565B CN 202410092348 A CN202410092348 A CN 202410092348A CN 117608565 B CN117608565 B CN 117608565B
- Authority
- CN
- China
- Prior art keywords
- user
- screenshot
- component
- analysis
- rpa
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 238000012015 optical character recognition Methods 0.000 claims description 41
- 238000000605 extraction Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000011161 development Methods 0.000 abstract description 10
- 238000003058 natural language processing Methods 0.000 description 24
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004801 process automation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/36—Software reuse
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/34—Graphical or visual programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/38—Creation or generation of source code for implementing user interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Character Discrimination (AREA)
Abstract
本发明属于RPA技术领域,具体涉及基于屏幕截图分析的RPA中AI类组件推荐方法及系统。方法包括:S1,用户选取一种截图的交互模式;S2,用户截图过程中进行当前整个屏幕截图的OCR检测和NLP实体分析,并综合整个屏幕页面的版式、信息和结构,针对用户的使用记录和当前场景对用户进行可使用AI类组件的信息高亮和提示;S3,用户根据提示和自身的需要选取区域进行截图;S4,组件分析模型根据OCR检测和NLP实体分析的结果输出用户需要的AI类组件;S5,用户选择了对应的AI类组件后,直接将组件和组件参数生成到流程中。本发明具有能够降低用户使用门槛,节约成本以及提升整体RPA开发效率和用户体验的特点。
Description
技术领域
本发明属于RPA技术领域,具体涉及基于屏幕截图分析的RPA中AI类组件推荐方法及系统。
背景技术
RPA,全称Robotic Process Automation,指机器人流程自动化。国内的RPA领域发展日渐成熟、很多RPA产品都提供AI能力,尤其是图片处理相关的组件,例如现在很多RPA产品都提供文字识别,票据识别,卡证识别等组件。用户对于这些组件的使用方式都是先选择组件然后再选择图片。一些RPA产品还提供了截图功能,用户在配置图片识别类组件时,既可以选择本地图片,也可以进行截图获取图片。
上述方法在常规场景下也并无问题,但是面对大量需要截图的场景,和频繁更换图片识别组件类别时,上述方法就显得繁琐,严重影响RPA流程的产出效率。而且,AI类组件目前都针对特定场景做了细分,例如在卡证识别中又分为身份证、户口本、护照等,但是对于用户来说,这些组件分类反而增加了理解成本和使用门槛。另一方面实际使用过程中,由于目标图片的信息体量和用户需要的信息内容差异过大,导致AI类组件产生了很多冗余的开销和输出,用户甚至需要针对大量的输出结果采用复杂的代码去进行过滤。一些RPA产品的AI能力是根据流量收费的,这样还会产生大量的经济负担。
因此,设计一种能够降低用户使用门槛,节约成本以及提升整体RPA开发效率和用户体验的基于屏幕截图分析的RPA中AI类组件推荐方法及系统,就显得十分重要。
发明内容
本发明是为了克服现有技术中,传统的RPA组件配置方法存在用户使用门槛高、冗余开销大以及用户的开发效率和RPA流程的执行效率都偏低的问题,提供了一种能够降低用户使用门槛,节约成本以及提升整体RPA开发效率和用户体验的基于屏幕截图分析的RPA中AI类组件推荐方法及系统。
为了达到上述发明目的,本发明采用以下技术方案:
基于屏幕截图分析的RPA中AI类组件推荐方法,包括如下步骤;
S1,用户选取一种截图的交互模式;
S2,用户截图过程中进行当前整个屏幕截图的OCR检测和NLP实体分析,并综合整个屏幕页面的版式、信息和结构,针对用户的使用记录和当前场景对用户进行可使用AI类组件的信息高亮和提示;
S3,用户根据步骤S2中的提示和自身的需要选取区域进行截图;
S4,组件分析模型根据OCR检测和NLP实体分析的结果输出用户需要的AI类组件;
S5,用户选择了对应的AI类组件后,直接将组件和组件参数生成到流程中。
作为优选,步骤S1中,用户可在选取的截图交互模式下,随意调整鼠标选择区域进行截图。
作为优选,步骤S4包括如下步骤:
S41,对用户的截图结果进行OCR识别,并提取截图中全部的文字内容;
S42,使用NLP引擎对步骤S41中提取出的文字内容进行实体抽取,并将抽取出的实体结果暂存;
S43,将步骤S41中OCR识别的内容和步骤S42中NLP引擎的输出结果结合起来,建立一个数据结构;
S44,将步骤S43构建的数据结构,输入到已训练完毕的组件分析模型中,进行目标截图所属的业务场景和类别判断,并输出结果;
S45,将组件分析模型的输出结果同AI类组件进行关系匹配,将组件列表根据预言值从大到小进行排列,并将最终的推荐结果展示给用户。
作为优选,步骤S42中,所述实体抽取的内容包括人名、地址、日期和号码。
作为优选,步骤S44中,输出结果为一个场景类别列表,场景类别列表中的每个成员包含场景类别信息和组件分析模型针对对应场景的预言值。
作为优选,还包括如下步骤:
S6,若用户需要继续截图,则重复步骤S1至步骤S5过程,继续完成组件推荐和选用流程。
作为优选,步骤S5中,所述组件参数包括当前的截图。
本发明还提供了基于屏幕截图分析的RPA中AI类组件推荐系统包括;
截图交互模式选取模块,用于用户选取截图的交互模式;
融合分析模块,用于用户截图过程中进行当前整个屏幕截图的OCR检测和NLP实体分析,并综合整个屏幕页面的版式、信息和结构,针对用户的使用记录和当前场景对用户进行可使用AI类组件的信息高亮和提示;
区域截图模块,用于用户根据融合分析模块中的提示和自身的需要选取区域进行截图;
组件分析模块,用于根据OCR检测和NLP实体分析的结果输出用户需要的AI类组件;
流程执行模块,用于用户选择了对应的AI类组件后,直接将组件和组件参数生成到流程中。
本发明与现有技术相比,有益效果是:(1)本发明提出的方法通过目标倒置的思想,将组件与图片的使用顺序进行倒置,以用户更易理解的方式实现RPA组件的使用与配置;(2)本发明可以大幅提升图片类数据的处理效率,连续截图和组件自动生成的技术方案大幅领先传统拖组件、选择图片的方式;(3)本发明将OCR和NLP技术结合,用户无需自行分析和判断自己的需求场景、甄别组件,只需进行截图即可,大幅降低了使用门槛与技术门槛;(4)本发明通过屏幕截图把截取的图片作为组件的入参,用户可以根据自身需要和实际场景选取图片内特定的区域,这样可以避免传入全量的图片,避免无效冗余的模型处理开销和输出结果的过滤工作,最终提升整体的RPA开发效率和用户体验。
附图说明
图1为本发明中基于屏幕截图分析的RPA中AI类组件推荐方法的一种流程图;
图2为本发明中OCR、NLP和组件分析模型基于屏幕截图进行分析与运行的一种流程图。
具体实施方式
为了更清楚地说明本发明实施例,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅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,并获得其他的实施方式。
如图1所示,本发明提供了基于屏幕截图分析的RPA中AI类组件推荐方法,包括如下步骤;
1.用户选取一种截图的交互模式,用户可以在此交互下随意调整鼠标选择区域进行截图;
2.用户截图过程中进行当前整个屏幕截图的OCR检测和NLP实体分析,并综合整个屏幕页面的版式、信息和结构,针对用户的使用记录和当前场景对用户进行可使用AI类组件的信息高亮和提示;
其中,OCR(Optical Character Recognition,光学字符识别)技术是一种将印刷体或手写体的文字转换成机器可识别的文本的技术。它的主要目标是使计算机能够从扫描的图像或照片中自动识别和提取出文字内容,然后将其转换为可编辑、搜索和存储的文本数据。OCR技术在数字化、文档管理、信息检索、自动化数据录入等领域中具有重要的应用。在本发明中OCR技术将用于实际业务场景中的各类图片、卡证、票据等扫描件的信息采集和分析;
自然语言处理(Natural Language Processing,简称NLP)是一种涉及计算机科学、人工智能和语言学的跨学科领域,旨在使计算机能够理解、处理和生成人类语言。NLP技术使得计算机能够与人类语言进行交互,并且能够从文本、语音或其他形式的语言数据中提取有用的信息。本发明中主要应用NLP技术中的实体识别技术,实现对OCR识别的结果进行提取和分析,然后和OCR识别结果一起作为参数进行AI类RPA组件的分析和推荐。
3.用户根据步骤2中的提示和自身的需要选取区域进行截图;
4.组件分析模型向用户推荐AI类组件(RPA组件),组件分析模型会根据OCR检测和NLP实体分析的结果来输出用户需要的AI类组件。该步骤过程具体如图2所示,下面对此部分方案展开说明:
4-1,对用户的截图结果进行OCR识别,提取全部的文字内容;
4-2,使用NLP引擎对OCR输出的文本进行实体抽取;识别文本中的人名、地址、日期、号码等实体信息,并将提取出来的实体结果暂存。如果用的业务场景比较特殊,就可以根据具体的业务需求,训练一个实体抽取模型,以便更好地从文本中提取相关信息;
4-3,将OCR和NLP的输出结果结合起来,建立一个数据结构留作下一步使用;
4-4,将上一步的数据结构输入到已训练完毕的组件分析模型中来判断目标截图所属的业务场景和类别,输出结果是一个场景类别列表,每个成员包含场景类别信息和模型针对此场景的预言值(概率);
其中,组件分析模型的训练过程如下:
数据准备:数据集合应包括原始文本、NLP实体提取结果以及与其对应的RPA组件标签。确保数据集中有足够的样本来涵盖各种场景。
文本预处理:对原始文本进行预处理,包括去除停用词、标点符号等。确保文本数据的格式符合模型输入的要求。
组件分析模型:构建组件分析模型,其输入为OCR识别文本和NLP实体提取结果,输出为RPA组件标签及其预测概率。这个模型可能需要考虑到文本的上下文信息,这里选择Transformer(Transformer模型是一种用于处理序列数据的深度学习模型)模型,原因是Transformer模型的注意力机制(self-attention mechanism)实现对输入序列的全局依赖性建模。这种结构使得Transformer能够更好地处理长距离依赖关系,提高并行性,同时降低了训练时的计算复杂性。
模型训练:使用准备好的数据集,将组件分析模型进行训练。在训练过程中,模型将学会从输入文本中提取特征,并预测相应的RPA组件标签及其预测概率。
输出排序:在模型的输出中,按照预测概率从大到小对RPA组件进行排序,得到推荐的RPA组件列表。
调优和评估:对模型进行调优,使用验证集评估其性能。可以通过预测准确率、Top-K准确率等指标来评估模型的效果。
4-5,将组件分析模型的输出结果同AI类组件进行关系匹配,将组件列表根据预言值从大到小排列,将推荐结果展示给用户。
例如图2中的输出结果实例:
卡证文字识别:预言值0.9;
票据文字识别:预言值0.7;
价格金额识别:预言值0.4。
5.用户选择了对应的AI类组件后,直接将组件和组件参数生成到流程中。
6.用户可以继续截图,并继续上述组件推荐和选用的流程。
另外,本发明还提供了基于屏幕截图分析的RPA中AI类组件推荐系统包括;
截图交互模式选取模块,用于用户选取截图的交互模式;
融合分析模块,用于用户截图过程中进行当前整个屏幕截图的OCR检测和NLP实体分析,并综合整个屏幕页面的版式、信息和结构,针对用户的使用记录和当前场景对用户进行可使用AI类组件的信息高亮和提示;
区域截图模块,用于用户根据融合分析模块中的提示和自身的需要选取区域进行截图;
组件分析模块,用于根据OCR检测和NLP实体分析的结果输出用户需要的AI类组件;
流程执行模块,用于用户选择了对应的AI类组件后,直接将组件和组件参数生成到流程中。
基于本发明的技术方案,以如下案例场景来说明本发明在实际应用的实施过程,具体实施过程如下:
某用户需要将一组发票、身份证、银行卡的扫描件(照片)通过RPA自动化流程识别并输出姓名、发票编号、身份证号、银行卡号、发票金额。
传统的RPA开发模式:
1.用户本人需要具备OCR类组件和NLP类组件的使用基础,了解不同的证件票据选择哪种OCR或NLP组件进行处理,以及这些组件在组件库中哪个位置。
2.选择OCR票据文字识别组件,参数选择发票图片路径。
3.选择OCR卡证文字识别组件,参数选择身份证图片路径。
4.选择OCR票据文字识别组件,参数选择银行卡图片路径。
5.通过NLP组件对OCR组件的输出结果进行实体抽取。
6.对于特殊字段,需要通过编写自定义代码或者正则匹配的方法去匹配需要的字段。
7.执行流程,运行当前配置的RPA组件,具体为在RPA开发工具或者执行器内,将已经包含上述组件的RPA流程启动,执行完毕后用户通过执行结果(根据用户的选择可以是本地文件或者是写入数据库)获取自己期望的数据。
8.对于图片信息比较多的情况,比如发票,组件的执行时间较长,但用户实际需要的只有发票编号和金额。
基于本发明的RPA开发模式:
1.用户本人不需要了解OCR类和NLP类组件的使用。
2.将发票、身份证、银行卡的扫描件(照片)打开。
3.用户进入屏幕截图模式。
4.截取发票图片的发票编号和发票金额部分,选择模型推荐出的RPA组件(OCR票据文字识别)
5.截取身份证图片的姓名和身份证号部分,选择模型推荐出的RPA组件(OCR卡证文字识别)
6.截取银行卡图片的银行卡号部分,选择模型推荐出的RPA组件(OCR卡证文字识别)。
7. 执行流程,运行当前配置的RPA组件,具体为在RPA开发工具或者执行器内,将已经包含上述组件的RPA流程启动,执行完毕后用户通过执行结果(根据用户的选择可以是本地文件或者是写入数据库)获取自己期望的数据。
8.由于用户截取了扫描件的有效信息部分作为执行参数,所以流程执行较快,并且不需要通过复杂的代码和表达式去做数据过滤。
本发明的创新点如下:
1.本发明通过屏幕截图反推RPA-AI类组件的设计方案,为用户使用RPA工具带来全新的、流畅的、无门槛的使用体验。
2.本发明创造性地发明了基于屏幕截图的融合(NLP、OCR、RPA组件分析)算法模型。
3.本发明创造性地将图片识别、分析类组件的使用方式由传入完整图片,变为用户指定识别区域,大幅降低AI能力的开销、节约成本。
以上所述仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。
Claims (6)
1.基于屏幕截图分析的RPA中AI类组件推荐方法,其特征在于,包括如下步骤;
S1,用户选取一种截图的交互模式;
S2,用户截图过程中进行当前整个屏幕截图的OCR检测和NLP实体分析,并综合整个屏幕页面的版式、信息和结构,针对用户的使用记录和当前场景对用户进行可使用AI类组件的信息高亮和提示;
S3,用户根据步骤S2中的提示和自身的需要选取区域进行截图;
S4,组件分析模型根据OCR检测和NLP实体分析的结果输出用户需要的AI类组件;
S5,用户选择了对应的AI类组件后,直接将组件和组件参数生成到流程中;
步骤S4包括如下步骤:
S41,对用户的截图结果进行OCR识别,并提取截图中全部的文字内容;
S42,使用NLP引擎对步骤S41中提取出的文字内容进行实体抽取,并将抽取出的实体结果暂存;
S43,将步骤S41中OCR识别的内容和步骤S42中NLP引擎的输出结果结合起来,建立一个数据结构;
S44,将步骤S43构建的数据结构,输入到已训练完毕的组件分析模型中,进行目标截图所属的业务场景和类别判断,并输出结果;
S45,将组件分析模型的输出结果同AI类组件进行关系匹配,将组件列表根据预言值从大到小进行排列,并将最终的推荐结果展示给用户;
步骤S44中,输出结果为一个场景类别列表,场景类别列表中的每个成员包含场景类别信息和组件分析模型针对对应场景的预言值。
2.根据权利要求1所述的基于屏幕截图分析的RPA中AI类组件推荐方法,其特征在于,步骤S1中,用户可在选取的截图交互模式下,随意调整鼠标选择区域进行截图。
3.根据权利要求1所述的基于屏幕截图分析的RPA中AI类组件推荐方法,其特征在于,步骤S42中,所述实体抽取的内容包括人名、地址、日期和号码。
4.根据权利要求1所述的基于屏幕截图分析的RPA中AI类组件推荐方法,其特征在于,还包括如下步骤:
S6,若用户需要继续截图,则重复步骤S1至步骤S5过程,继续完成组件推荐和选用流程。
5.根据权利要求1所述的基于屏幕截图分析的RPA中AI类组件推荐方法,其特征在于,步骤S5中,所述组件参数包括当前的截图。
6.基于屏幕截图分析的RPA中AI类组件推荐系统,用于实现权利要求1-5任一项所述的基于屏幕截图分析的RPA中AI类组件推荐方法,其特征在于,所述基于屏幕截图分析的RPA中AI类组件推荐系统包括;
截图交互模式选取模块,用于用户选取截图的交互模式;
融合分析模块,用于用户截图过程中进行当前整个屏幕截图的OCR检测和NLP实体分析,并综合整个屏幕页面的版式、信息和结构,针对用户的使用记录和当前场景对用户进行可使用AI类组件的信息高亮和提示;
区域截图模块,用于用户根据融合分析模块中的提示和自身的需要选取区域进行截图;
组件分析模块,用于根据OCR检测和NLP实体分析的结果输出用户需要的AI类组件;
流程执行模块,用于用户选择了对应的AI类组件后,直接将组件和组件参数生成到流程中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410092348.1A CN117608565B (zh) | 2024-01-23 | 2024-01-23 | 基于屏幕截图分析的rpa中ai类组件推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410092348.1A CN117608565B (zh) | 2024-01-23 | 2024-01-23 | 基于屏幕截图分析的rpa中ai类组件推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117608565A CN117608565A (zh) | 2024-02-27 |
CN117608565B true CN117608565B (zh) | 2024-05-10 |
Family
ID=89958344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410092348.1A Active CN117608565B (zh) | 2024-01-23 | 2024-01-23 | 基于屏幕截图分析的rpa中ai类组件推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117608565B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489350A (zh) * | 2019-09-12 | 2019-11-22 | 苏州浪潮智能科技有限公司 | 一种基于nlp的伺服器测试方法 |
CN114580346A (zh) * | 2022-02-18 | 2022-06-03 | 来也科技(北京)有限公司 | 结合rpa和ai的信息生成方法、装置、电子设备及存储介质 |
CN115017399A (zh) * | 2021-11-05 | 2022-09-06 | 荣耀终端有限公司 | 一种网约车车型自动推荐方法和装置 |
CN115033153A (zh) * | 2021-11-15 | 2022-09-09 | 荣耀终端有限公司 | 应用程序推荐方法及电子设备 |
CN115695844A (zh) * | 2021-07-23 | 2023-02-03 | 聚好看科技股份有限公司 | 一种显示设备、服务器及媒资内容推荐方法 |
CN115964027A (zh) * | 2023-03-16 | 2023-04-14 | 杭州实在智能科技有限公司 | 基于人工智能的桌面嵌入式rpa流程配置系统及方法 |
CN117217526A (zh) * | 2023-09-08 | 2023-12-12 | 广东诚誉工程咨询监理有限公司 | 基于ocr和nlp的施工作业风险控制系统及方法 |
WO2023241321A1 (zh) * | 2022-06-15 | 2023-12-21 | 北京有竹居网络技术有限公司 | 推荐方法、装置、设备、存储介质及计算机程序产品 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230385085A1 (en) * | 2020-10-14 | 2023-11-30 | UiPath, Inc. | Determining sequences of interactions, process extraction, and robot generation using generative artificial intelligence / machine learning models |
US20230107316A1 (en) * | 2021-10-05 | 2023-04-06 | UiPath, Inc. | Automatic data transfer between a source and a target using semantic artificial intelligence for robotic process automation |
US20230230011A1 (en) * | 2022-01-14 | 2023-07-20 | Pes University | Skill-gap analysis and recommender system |
-
2024
- 2024-01-23 CN CN202410092348.1A patent/CN117608565B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489350A (zh) * | 2019-09-12 | 2019-11-22 | 苏州浪潮智能科技有限公司 | 一种基于nlp的伺服器测试方法 |
CN115695844A (zh) * | 2021-07-23 | 2023-02-03 | 聚好看科技股份有限公司 | 一种显示设备、服务器及媒资内容推荐方法 |
CN115017399A (zh) * | 2021-11-05 | 2022-09-06 | 荣耀终端有限公司 | 一种网约车车型自动推荐方法和装置 |
CN115033153A (zh) * | 2021-11-15 | 2022-09-09 | 荣耀终端有限公司 | 应用程序推荐方法及电子设备 |
CN114580346A (zh) * | 2022-02-18 | 2022-06-03 | 来也科技(北京)有限公司 | 结合rpa和ai的信息生成方法、装置、电子设备及存储介质 |
WO2023241321A1 (zh) * | 2022-06-15 | 2023-12-21 | 北京有竹居网络技术有限公司 | 推荐方法、装置、设备、存储介质及计算机程序产品 |
CN115964027A (zh) * | 2023-03-16 | 2023-04-14 | 杭州实在智能科技有限公司 | 基于人工智能的桌面嵌入式rpa流程配置系统及方法 |
CN117217526A (zh) * | 2023-09-08 | 2023-12-12 | 广东诚誉工程咨询监理有限公司 | 基于ocr和nlp的施工作业风险控制系统及方法 |
Non-Patent Citations (1)
Title |
---|
郑伟 ; 李博涵 ; 王雅楠 ; 秦小麟 ; .融合偏好交互的组推荐算法模型.小型微型计算机系统.2018,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117608565A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3989131A1 (en) | Method and system for realizing machine learning modeling process | |
US11954139B2 (en) | Deep document processing with self-supervised learning | |
JP2019502979A (ja) | 構造化されたマルチフィールドファイルのレイアウトの自動解釈 | |
Sage et al. | Recurrent neural network approach for table field extraction in business documents | |
US20210366055A1 (en) | Systems and methods for generating accurate transaction data and manipulation | |
US20220188517A1 (en) | Hierarchical machine learning architecture including master engine supported by distributed light-weight real-time edge engines | |
CN113469067A (zh) | 一种文档解析方法、装置、计算机设备和存储介质 | |
CN112990110B (zh) | 从研报中进行关键信息提取方法及相关设备 | |
Ríos-Vila et al. | Evaluating simultaneous recognition and encoding for optical music recognition | |
CN113642569A (zh) | 非结构化数据文档处理方法及相关设备 | |
CN113469005A (zh) | 一种银行回单的识别方法、相关装置及存储介质 | |
CN117420998A (zh) | 一种客户端ui交互组件生成方法、装置、终端及介质 | |
CN117608565B (zh) | 基于屏幕截图分析的rpa中ai类组件推荐方法及系统 | |
CN107391613B (zh) | 一种工业安全主题多文档自动消歧方法及装置 | |
CN116383414A (zh) | 一种基于碳核查知识图谱的智能文件评审系统及方法 | |
CN114756617A (zh) | 一种工程档案结构化数据提取方法、系统、设备和存介质 | |
CN115203206A (zh) | 数据内容搜索方法、装置、计算机设备及可读存储介质 | |
CN113722421B (zh) | 一种合同审计方法和系统,及计算机可读存储介质 | |
CN114443834A (zh) | 一种证照信息提取的方法、装置及存储介质 | |
Satav et al. | Data extraction from invoices using computer vision | |
Boillet et al. | The Socface Project: Large-Scale Collection, Processing, and Analysis of a Century of French Censuses | |
Levich et al. | Utilizing the omnipresent: Incorporating digital documents into predictive process monitoring using deep neural networks | |
Nasib | References validation in scholarly articles using RoBERTa | |
CN116451678B (zh) | 数据关系识别及数据表整合方法 | |
CN111507236B (zh) | 文件处理方法、系统、装置及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |