CN117608650B - 业务流程图生成方法、处理设备及存储介质 - Google Patents
业务流程图生成方法、处理设备及存储介质 Download PDFInfo
- Publication number
- CN117608650B CN117608650B CN202410055687.2A CN202410055687A CN117608650B CN 117608650 B CN117608650 B CN 117608650B CN 202410055687 A CN202410055687 A CN 202410055687A CN 117608650 B CN117608650 B CN 117608650B
- Authority
- CN
- China
- Prior art keywords
- business
- service
- flow chart
- determining
- 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 148
- 238000012545 processing Methods 0.000 title claims abstract description 27
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 97
- 238000004458 analytical method Methods 0.000 claims abstract description 52
- 238000002372 labelling Methods 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 23
- 230000008451 emotion Effects 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000003058 natural language processing Methods 0.000 description 15
- 230000004044 response Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/74—Reverse engineering; Extracting design information from source code
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/75—Structural analysis for program understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Machine Translation (AREA)
Abstract
本申请提供一种业务流程图生成方法、处理设备及存储介质,业务流程图生成方法包括响应于获取用户的业务需求,调用预设语言模型对所述业务需求进行语义分析,确定业务流程分类和业务关键词;基于所述业务流程分类,调用业务流程建模标注规范,确定所述业务流程分类所需的服务节点,并确定每个服务节点中的元素语义;根据所述业务关键词和所述元素语义,调用预设流程图模型创建业务流程图。本申请的技术方案能够基于业务需求快速生成对应的业务流程图,能够节约业务人力成本,提高工作效率,提升用户体验。
Description
技术领域
本申请涉及业务流程管理技术领域,具体涉及一种业务流程图生成方法、处理设备及存储介质。
背景技术
随着互联网大数据时代的来临,业务需求的变化越来越快,应用系统的规模及复杂度也在不断地增长,用户对获取便捷、优质、多元化的业务服务需求日趋上升。办公领域总会涉及各种各样的业务需求,业务人员在工作过程中经常会涉及到不同的业务需求的流程制定任务。流程图是一种以可视化方式描绘业务流程过程中不同活动顺序的表现形式,能够使用户更清晰地分步查看和理解业务处理过程,并识别重要决策、痛点和浪费情况,清晰地查看人员和行动之间的关系。
申请人在构思和实现本申请的过程中,至少发现以下问题:现在工作人员在处理业务需求时,需要投入大量的熟手人力资源进行流程设计和绘制,实现成本很高,用户体验比较差。
发明内容
为了缓解以上问题,本申请提供一种业务流程图生成方法,包括:
响应于获取用户的业务需求,调用预设语言模型对所述业务需求进行语义分析,确定业务流程分类和业务关键词;
基于所述业务流程分类,调用业务流程建模标注规范,确定所述业务流程分类所需的服务节点,并确定每个服务节点中的元素语义;
根据所述业务关键词和所述元素语义,调用预设流程图模型创建业务流程图。
可选地,所述响应于获取用户的业务需求,调用预设语言模型对所述业务需求进行语义分析,确定业务流程分类和业务关键词的步骤中包括:
识别所述业务需求的业务关键词,将所述业务关键词进行语义甄别,并匹配至预定义的业务流程分类。
可选地,所述响应于获取用户的业务需求,调用预设语言模型对所述业务需求进行语义分析,确定业务流程分类和业务关键词的步骤中包括:
基于朴素贝叶斯算法对所述业务需求进行多个业务流程分类的概率统计,使用支持向量机将不同概率的多个业务流程分类在特征空间上进行二类分割,调用预训练的深度学习模型对二类分割后的多个业务流程分类进行业务需求的匹配。
可选地,所述响应于获取用户的业务需求,调用预设语言模型对所述业务需求进行语义分析,确定业务流程分类和业务关键词的步骤中包括:
基于NPL语言模型对所述业务需求进行语义理解,识别所述业务需求中的多个目标实体,抽取所述多个目标实体之间的关联关系,对所述关联关系进行情感分析,以确定所述业务需求所属的业务流程分类。
可选地,所述基于NPL语言模型对所述业务需求进行语义理解,识别所述业务需求中的多个目标实体,抽取所述多个目标实体之间的关联关系,对所述关联关系进行情感分析的过程中包括:
对原始的业务需求文本进行数据清洗和业务关键词切分,并对切分后的业务关键词进行词性标注;
使用命名实体识别技术,对词性标注的业务关键词进行目标实体识别,并对识别的结果用标记化的实体名称进行表示;
基于标记实体名称的识别结果,使用关系抽取技术,提取不同目标实体之间的关联关系;
使用情感分析技术,对具有关联关系的不同目标实体之间情感色彩进行计算,获取以数值或标签标注的实体间情感关系。
可选地,所述基于所述业务流程分类,调用业务流程建模标注规范,确定所述业务流程分类所需的服务节点的步骤包括:
根据业务流程分类标准,确定每个服务节点类型属于业务流程类型的第一概率;
根据预设的服务目录或服务调用记录,分析每个服务节点的功能和特性,以确定每个服务节点的所属业务流程类型的第二概率;
使用自动化的服务节点类型识别工具,对所述预设的服务目录或服务调用记录进行处理,自动识别每个服务节点所属业务流程类型的第三概率;
基于所属第一概率、第二概率和第三概率,计算每个服务节点最大概率所属的业务流程类型,以确定业务流程分类所需的服务节点。
可选地,根据所述业务关键词和所述元素语义,调用预设流程图模型创建业务流程图的步骤之前包括:
获取业务流程案例数据,提取所述业务流程案例数据的业务关键词、元素语义和对应的业务流程图,并划分为训练数据集和测试数据集;
确定卷积神经网络模型类型,选取网络层数和模型参数;
基于所述训练数据集对所述卷积神经网络模型进行训练,使用所属测试数据集对所述卷积神经网络模型进行测试,并确定每个网络层的权重。
可选地,所述选取网络层数和模型参数的步骤包括:
设置所述卷积神经网络模型的输入层、隐含层和输出层;
根据所述业务关键词的数据特性,确定流程预测方法,构建输入层的节点数;
基于预设经验公式确定隐含层的神经元个数区间,输入所述元素语义结合试凑法进行预训练,找到输出误差最小的节点数。
可选地,所述调用预设流程图模型创建业务流程图的步骤还包括:
基于所述元素语义,确定所述业务流程图的流程图组件,并确定所述每个流程图组件的组件类型、组件名称和组件定义;
确定所述流程图组件之间的流转关系,并将所述流程图组件和流转关系绘制至预设流程图模型中。
可选地,所述根据所述业务关键词和所述元素语义,调用预设流程图模型创建业务流程图的步骤之后包括:
获取针对所述业务流程图的调整操作,根据所述调整操作更新所述业务流程图。
本申请还提供一种处理设备,包括:存储器和处理器,其中,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时实现如上述的业务流程图生成方法的步骤。
本申请还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的业务流程图生成方法的步骤。
本申请提供的业务流程图生成方法、处理设备及存储介质,通过响应于获取用户的业务需求,调用预设语言模型对所述业务需求进行语义分析,确定业务流程分类和业务关键词;基于所述业务流程分类,调用业务流程建模标注规范,确定所述业务流程分类所需的服务节点,并确定每个服务节点中的元素语义;根据所述业务关键词和所述元素语义,调用预设流程图模型创建业务流程图;能够基于业务需求快速生成对应的业务流程图,能够节约业务人力成本,提高工作效率,提升用户体验。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例的业务流程图生成方法流程示意图。
图2为本申请一实施例的处理设备生成业务流程图过程示意图。
图3为本申请一实施例的卷积神经网络模型训练过程示意图。
图4为本申请一实施例实现的业务流程示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素,此外,本申请不同实施例中具有同样命名的部件、特征、要素可能具有相同含义,也可能具有不同含义,其具体含义需以其在该具体实施例中的解释或者进一步结合该具体实施例中上下文进行确定。
应当理解,尽管在本文可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本文范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语"如果"可以被解释成为"在……时"或"当……时"或"响应于确定"。再者,如同在本文中所使用的,单数形式“一”、“一个”和“该”旨在也包括复数形式,除非上下文中有相反的指示。应当进一步理解,术语“包含”、“包括”表明存在所述的特征、步骤、操作、元件、组件、项目、种类、和/或组,但不排除一个或多个其他特征、步骤、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。本申请使用的术语“或”、“和/或”、“包括以下至少一个”等可被解释为包括性的,或意味着任一个或任何组合。例如,“包括以下至少一个:A、B、C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A和B和C”,再如,“A、B或C”或者“A、B和/或C”意味着“以下任一个:A;B;C;A和B;A和C;B和C;A和B和C”。仅当元件、功能、步骤或操作的组合在某些方式下内在地互相排斥时,才会出现该定义的例外。
应该理解的是,虽然本申请实施例中的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
需要说明的是,在本文中,采用了诸如S10、S20等步骤代号,其目的是为了更清楚简要地表述相应内容,不构成顺序上的实质性限制,本领域技术人员在具体实施时,可能会先执行S20后执行S10等,但这些均应在本申请的保护范围之内。
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或者“单元”的后缀仅为了有利于本申请的说明,其本身没有特定的意义。因此,“模块”、“部件”或者“单元”可以混合地使用。
本申请所涉及的处理设备可以是智能终端,可以是第一终端或者第二终端,具体所指,需要结合上下文加以明确。可选地,智能终端可以是移动终端或固定终端,智能终端可以以各种形式来实施。例如,本申请中描述的智能终端可以包括诸如手机、平板电脑、笔记本电脑、掌上电脑、个人数字助理(Personal Digital Assistant,PDA)、便捷式媒体播放器(Portable Media Player,PMP)、导航装置、可穿戴设备、智能手环、计步器等智能终端,以及诸如数字TV、台式计算机等固定终端。
后续描述中处理设备将以智能终端为例进行说明,本领域技术人员将理解的是,除了特别用于移动目的的终端之外,根据本申请的实施方式的构造也能够应用于固定类型的终端。
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
以下结合各个附图对本申请提出的内容进行详细的说明。
第一实施例
本申请提供一种业务流程图生成方法,图1为本申请一实施例的业务流程图生成方法流程示意图。
如图1所示,在一实施例中,业务流程图生成方法包括:
S10:响应于获取用户的业务需求,调用预设语言模型对所述业务需求进行语义分析,确定业务流程分类和业务关键词。
业务需求( Business requirement )表示组织或客户高层次的目标。业务需求通常来自项目投资人、购买产品的客户、实际用户的管理者、市场营销部门或产品策划部门。业务需求描述了组织为什么要开发一个系统,即组织希望达到的目标。业务需求一般是从业务用例中获得的,描述目标业务所需要完成的事情或实现的结果。一般情况下,业务需求以实体类、过程类和功能类来进行表述。
业务需求,是自顶向下的需求,往往来自于中高层管理人员(或监管、政策要求),基于业务运营管理的直接诉求和要求,其分析过程,往往采用了经典传统的软件需求分析设计思路,重点通过业务诊断分析、抽象建模(DDD设计思想)、流程再造(BPR)的方式,进行需求分析和设计工作。示例性地,基于用户需求,提供了“请为我绘制一张商城订单流程”的语音信息至处理设备,以对该业务需求进行处理。
自然语言处理技术的研究,可以丰富计算机知识处理的研究内容,推动人工智能技术的发展。自然语言处理技术的核心为语义分析。语义分析是一种基于自然语言进行语义信息分析的方法,不仅进行词法分析和句法分析这类语法水平上的分析,而且还涉及单词、词组、句子、段落所包含的意义,目的是用句子的语义结构来表示语言的结构。语义分析技术具体包括词法分析、句法分析、语意分析、语境分析。自然语言通过分析自然语言文本,生成结构化表示的语义。
自然语言处理应用的技术体系主要包括字词级别的自然语言处理、句法级别的自然语言处理和篇章级别的自然语言处理。字词级别的分析主要包括中文分词、命名实体识别、词性标注、同义词分词、字词向量等。句法级别的分析主要包括依存文法分析、词位置分析、语义归一化、文本纠错等。篇章级别的分析主要包括标签提取、文档相似度分析、主题模型分析、文档分类和聚类等。通过字词级别的自然语言处理、句法级别的自然语言处理和篇章级别的自然语言处理,可以分别确定业务需求的业务流程分类和业务关键词。
S20:基于所述业务流程分类,调用业务流程建模标注规范,确定所述业务流程分类所需的服务节点,并确定每个服务节点中的元素语义。
示例性地,业务流程建模标注(Business Process Modeling Notation,简称BPMN)是一套规范标准,包括通过不同的图元如何组合成一个业务流程图(BusinessProcess Diagram)。BPMN的主要目标是提供一些被所有业务用户容易理解的符号,从创建流程轮廓的业务分析到这些流程的实现,直到最终用户的管理监控。不同的业务流程分类,可能需要不同的服务节点进行实现,BPMN中也对不同的服务节点配置了多种元素语义进行实现。示例性地,对于商城订单流程的类别,需要使用一些诸如下单、支付、售后等服务节点进行实现。示例性地,BPMN2.0中的服务节点又包含开始节点、结束节点、用户任务、服务任务、并行网关、排他网关、顺序流转、事件监听、消息边界事件、定时边界事件等多种元素语义。
S30:根据所述业务关键词和所述元素语义,调用预设流程图模型创建业务流程图。
示例性地,通过创建人工智能模型,并使用大量案例投喂,使得人工智能模型识别业务需求相关的语义,以及BPMN2.0元素语义。根据训练得到的模型,输入业务需求描述,模型匹配生成BPMN2.0文件。
可选地,所述响应于获取用户的业务需求,调用预设语言模型对所述业务需求进行语义分析,确定业务流程分类和业务关键词的步骤中包括:
识别所述业务需求的业务关键词,将所述业务关键词进行语义甄别,并匹配至预定义的业务流程分类。
示例性地,通过识别业务需求中的关键词或短语,将其匹配到预定义的业务流程分类。这种方法适用于一些简单、明确的需求。
可选地,所述响应于获取用户的业务需求,调用预设语言模型对所述业务需求进行语义分析,确定业务流程分类和业务关键词的步骤中包括:
基于朴素贝叶斯算法对所述业务需求进行多个业务流程分类的概率统计,使用支持向量机将不同概率的多个业务流程分类在特征空间上进行二类分割,调用预训练的深度学习模型对二类分割后的多个业务流程分类进行业务需求的匹配。
示例性地,通过训练机器学习模型,将输入的业务需求文本分类到不同的业务流程中。常见的文本分类算法包括朴素贝叶斯、支持向量机(SVM)和深度学习模型(如卷积神经网络和循环神经网络)。
可选地,所述响应于获取用户的业务需求,调用预设语言模型对所述业务需求进行语义分析,确定业务流程分类和业务关键词的步骤中包括:
基于NPL语言模型对所述业务需求进行语义理解,识别所述业务需求中的多个目标实体,抽取所述多个目标实体之间的关联关系,对所述关联关系进行情感分析,以确定所述业务需求所属的业务流程分类。
自然语言处理(Natural Language Processing,NLP)技术是与自然语言的计算机处理有关的所有技术的统称,其目的是使计算机能够理解和接受人类用自然语言输入的指令,完成从一种语言到另一种语言的翻译功能。
示例性地,通过对业务需求文本进行语义理解和分析,提取出其中的语义信息,进而判断所属的业务流程分类。可以使用自然语言处理(NLP)技术,如实体识别、关系抽取和情感分析等,来提取更多的语义信息。
可选地,还可以将关键词匹配、文本分类算法、语义分析方法等结合起来使用,以提高分类的准确性。例如,可以先进行关键词匹配,再利用文本分类算法对匹配结果进行进一步的分类判断,或者将语义分析的结果与关键词匹配结合使用。不同的方法适用于不同的业务需求特点和数据情况,可以根据具体的场景选择合适的方法进行业务流程分类。
可选地,所述基于NPL语言模型对所述业务需求进行语义理解,识别所述业务需求中的多个目标实体,抽取所述多个目标实体之间的关联关系,对所述关联关系进行情感分析的过程中包括:
对原始的业务需求文本进行数据清洗和业务关键词切分,并对切分后的业务关键词进行词性标注;
使用命名实体识别(Named Entity Recognition,简称NER)技术,对词性标注的业务关键词进行目标实体识别,并对识别的结果用标记化的实体名称进行表示;
基于标记实体名称的识别结果,使用关系抽取技术,提取不同目标实体之间的关联关系;
使用情感分析技术,对具有关联关系的不同目标实体之间情感色彩进行计算,获取以数值或标签标注的实体间情感关系。
可选地,可以对原始的业务需求文本先进行清洗、切分、词性标注等预处理,以方便后续的语义分析。示例性地,使用命名实体识别(Named Entity Recognition,简称NER)技术,对业务需求文本中的实体进行识别和标注。实体可以是人名、地名、组织机构名、日期时间、产品名等,识别结果可以用标记化的实体进行表示。进一步地,在实体识别的基础上,使用关系抽取技术,提取出不同实体之间的关系。例如,两个人之间可以存在亲戚关系、合作关系等,一款产品与一个厂商之间可以存在销售关系、合作关系等。进一步地,使用情感分析技术,对业务需求文本中的情感色彩进行判断。情感色彩可以是正向、负向或中性情感,可以用数值或标签进行表示。
可选地,可以将实体识别、关系抽取及情感分析等各种技术提取出的语义信息进行合并,得到整个业务需求文本的语义信息。随后,可以按需对语义信息进行解释或分类,并输出给需要的系统组件或模块。需要说明的是,对于具体的实现方式和算法选择可以有所差异。另外,不同的业务需求领域可能需要采用不同的语义分析方法,这可以针对具体场景进行算法调优和模型训练,本申请对此不作限定。
可选地,所述基于所述业务流程分类,调用业务流程建模标注规范,确定所述业务流程分类所需的服务节点的步骤包括:
根据业务流程分类标准,确定每个服务节点类型属于业务流程类型的第一概率;
根据预设的服务目录或服务调用记录,分析每个服务节点的功能和特性,以确定每个服务节点的所属业务流程类型的第二概率(在标注规范中进行说明);
使用自动化的服务节点类型识别工具,对所述预设的服务目录或服务调用记录进行处理,自动识别每个服务节点所属业务流程类型的第三概率;
基于所属第一概率、第二概率和第三概率,计算每个服务节点最大概率所属的业务流程类型,以确定业务流程分类所需的服务节点。
示例性地,不同的服务节点的类型可以是机器人、API、系统、应用程序等,并可以在标注规范中进行说明。进一步地,根据已有的服务目录或服务调用记录,分析每个服务节点的功能和特性,以确定其所属的类型,并在标注规范中进行说明。利用自动化的服务节点类型识别工具,可以对已有的服务目录或服务调用记录进行处理,从而自动识别每个服务节点所属的类型,并在标注规范中进行确认或修正。可选地,针对某些特定的业务流程,还可以通过实验或专家访谈等方式,确定该流程所需的服务节点类型,并在标注规范中进行说明。确定业务流程分类所需的服务节点类型,除了要考虑节点的功能和特性外,还可以进一步考虑系统性能、安全性、可维护性等方面的因素,以保证整个系统能够快速、稳定地运行。
示例性地,在基于所属第一概率、第二概率和第三概率,计算每个服务节点最大概率所属的业务流程类型,以确定业务流程分类所需的服务节点的过程中,可以选择第一概率、第二概率和第三概率中概率数据最高的服务节点类型,选定为最终确定的服务节点;也可以对各概率数据中大于预设概率的服务节点类型的概率进行加权计算,获取正态分布图中概率最高的服务节点;也可以将各服务节点类型的第一概率、第二概率和第三概率进行求和,再选取概率数据最高的服务节点类型,选定为最终确定的服务节点类型;也可以通过上述第一概率、第二概率和第三概率的计算后,再参考实验或专家访谈等数据进行最终确定服务节点。
可选地,根据所述业务关键词和所述元素语义,调用预设流程图模型创建业务流程图的步骤之前包括:
获取业务流程案例数据,提取所述业务流程案例数据的业务关键词、元素语义和对应的业务流程图,并划分为训练数据集和测试数据集;
确定卷积神经网络模型类型,选取网络层数和模型参数;
基于所述训练数据集对所述卷积神经网络模型进行训练,使用所属测试数据集对所述卷积神经网络模型进行测试,并确定每个网络层的权重。
示例性地,NPL相关的自然语言模型可以采用神经网络模型来实现。在建模的过程中,可以先确定网络层数和模型参数,并收集业务流程案例数据作为相关训练数据。利用收集的训练数据对神经网络模型进行训练,并确定相关的权重,从而得到成熟的模型。业务流程案例数据可以是生活中的用户对话,也可以是网络上的论坛回复,也可以是特定场景下的特定信息。
可选地,所述选取网络层数和模型参数的步骤包括:
设置所述卷积神经网络模型的输入层、隐含层和输出层;
根据所述业务关键词的数据特性,确定流程预测方法,构建输入层的节点数;
基于预设经验公式确定隐含层的神经元个数区间,输入所述元素语义结合试凑法进行预训练,找到输出误差最小的节点数。
需要说明的是,对于卷积神经网络模型的层数、节点数以及参数数量,可以根据建模经验进行选择,同时可以考虑与数据量的相关性。如果数据量足够大可以设置更多的参数和层数,从而得到更准确的模型。一般性地,对于典型的BP神经网络模型,大多数场合下单个隐含层可以满足需要,足以实现多维输入到多维输出的映射。因此,神经网络模型除隐含层外其余两层数量均为一层,隐含层数量可以根据实际进行选择。
一般来说,较少的输入层节点数可以缩短训练时间提高卷积神经网络模型的收敛性,较多的输入层节点数往往具有更佳的性能。因此可以根据业务关键词的数据特点或数据性质,选择合适的结果预测方法,确定适当的输入节点数量。
示例性地,对于隐含层的神经元节点数,可以根据经验公式确定。其中,n为隐含层个数,a为输入层节点个数,b为输出层节点个数,c的取值范围为[1,10]。示例性地,例如隐含层神经元个数大致范围为[3,10],结合试凑法,可以对神经网络进行训练找到误差最小节点数为3。
可选地,所述调用预设流程图模型创建业务流程图的步骤还包括:
基于所述元素语义,确定所述业务流程图的流程图组件,并确定所述每个流程图组件的组件类型、组件名称和组件定义;
确定所述流程图组件之间的流转关系,并将所述流程图组件和流转关系绘制至预设流程图模型中。
可选地,流程图组件可以是通过面向对象的编程语言定义的对象。可以通过预先定义一批流程图组件,分别与流程图设计页面中的标记符号相对应。示例性地,通过不同的服务节点的元素语义,可以确定对应的流程图组件及标记符号。基于系统对应的预先设定,确定了每个流程图组件也就确定了流程图组件的组件类型、流程图组件的组件名称和流程图组件的组件定义。
示例性地,依据对业务需求的语义理解,可以对该业务需求进行流程框架的整体规划。在业务流程图的创建过程中,需要先确定业务流程图的整体框架,包括流程图中各个元素的类型、名称、功能等。由此经过进一步细化,可以确定业务流程中的具体步骤和每个流程图组件之间的流转关系。示例性地,将业务流程的流程图组件和流转关系绘制到流程图编辑器中,并可以根据实际情况进行必要的调整和优化。
可选地,所述根据所述业务关键词和所述元素语义,调用预设流程图模型创建业务流程图的步骤之后包括:
获取针对所述业务流程图的调整操作,根据所述调整操作更新所述业务流程图。
示例性地,完成业务流程图的创建后,可以进行相应的业务验证,确保业务流程图的准确性和有效性,并做出必要的调整和优化。在流程图最终确稿的整个过程中,可以通过对业务流程的整体把握,以及对每个步骤和流转关系的细节把握,从而对业务流程图进行多重核验。当用户需要对业务流程图进行修正调整时,可以通过流程图编辑器进行相应的编辑操作,从而根据实际情况进行必要的调整和优化,保证业务流程图的准确性和有效性。
第二实施例
基于上述第一实施例的技术方案,本申请还提供一种处理设备,包括:存储器和处理器,其中,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时实现如上述的业务流程图生成方法的步骤。
图2为本申请一实施例的处理设备生成业务流程图过程示意图。
如图2所示,示例性地,处理设备通过用户提供的业务需求文本描述,人工智能系统根据文本描述内容解析语义,使用匹配的语义生成业务流程图模型,最后再通过用户的核验对业务流程图进行相应的调整,使业务流程图符号最终的业务需求。
图3为本申请一实施例的卷积神经网络模型训练过程示意图。
如图3所示,示例性地,处理设备预先通过收集业务流程图建模案例数据集,向选定地卷积神经网络模型投喂建模案例进行训练,使卷积神经网络模型进行案例学习,通过多个隐含层不断递归优化,成功通过测试以后,即可用于从业务需求到业务流程图的直接生成。
在流程图的生成过程中,通过创建人工智能模型,使用大量案例投喂,使得人工智能模型识别用户需求语义,以及BPMN2.0元素语义。人工智能模型可以是通过卷积神经网络模型实现。根据训练得到的人工智能模型,用户输入流程需求描述,通过人工智能模型匹配生成BPMN2.0文件,可以较大减少人工绘制流程图的工作,提高工作效率。
业务流程建模标注(Business Process Modeling Notation,简称BPMN)是一套规范标准,包括这些图元如何组合成一个业务流程图(Business Process Diagram)。BPMN的主要目标是提供一些被所有业务用户容易理解的符号,从创建流程轮廓的业务分析到这些流程的实现,直到最终用户的管理监控。BPMN2.0为所有业务元素定义了标准的符号,不同的符号代表不同的含义。BPMN2.0元素的四种基本类型为: 流对象(Flow)、连接对象(Connection)、泳道(Swimlane)、人工信息(Artifact)。
BPMN定义了一个业务流程图(Business Process Diagram),该业务流程图基于一个流程图(flowcharting),该流程图被设计用于创建业务流程操作的图形化模型。而一个业务流程模型(Business Process Model),指一个由图形对象(graphical objects)组成的网状图,图形对象包括活动(activities和用于定义这些活动执行顺序的流程控制器flow controls)。BPMN也支持提供一个内部的模型可以生成可执行的BPEL4WS。因此BPMN的出现,弥补了从业务流程设计到流程开发的间隙。
图4为本申请一实施例实现的业务流程示意图。
请同时参考第一实施例,示例性地,在处理设备处理 “请为我绘制一张商城闪购服装下单流程”的业务需求的过程中,经过训练的卷积神经网络模型生成了一个商城下单业务流程图。在该下单业务流程图中,分别通过商城首页作为开始节点,通过对用户任务和服务任务的事件监听,通过展示商品、购物车处理、确认订单、支付处理的顺序流转,并在登录状态、支付跳转等不确定的服务节点设置了并行网关,在订单提交状态、运输地址、支付状态等相关服务节点设置排他网关。可选地,生成的业务流程图还可以通过添加消息边界事件元素进行监听,以便业务流程执行过程中出现异常情况时,使业务流程返回安全的服务节点或者直接退出业务流程。可选地,生成的业务流程图还可以通过添加定时边界事件元素进行节点计时,在服务节点超过预设时长未能完成时,及时使业务流程返回安全的服务节点或者直接退出业务流程。
示例性地,本申请的处理设备能够实现一种自然语言识别生成BPMN2.0规范流程图文件的方法,可以针对业务流程的重复性,以及BPMN2.0元素的语义性,通过卷积神经网络(CNN),自然语言处理可以使用循环神经网络(RNN)模型进行机器深度学习,最后使用BPMN2.0元素自动生成业务流程图模型草图。
第三实施例
本申请还提供一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述的业务流程图生成方法的步骤。
在本申请提供的处理设备和存储介质的实施例中,可以包含任一上述交互方法实施例的全部技术特征,说明书拓展和解释内容与上述方法的各实施例基本相同,在此不再做赘述。
本申请提供的业务流程图生成方法、处理设备及存储介质,通过响应于获取用户的业务需求,调用预设语言模型对所述业务需求进行语义分析,确定业务流程分类和业务关键词;基于所述业务流程分类,调用业务流程建模标注规范,确定所述业务流程分类所需的服务节点,并确定每个服务节点中的元素语义;根据所述业务关键词和所述元素语义,调用预设流程图模型创建业务流程图;能够基于业务需求快速生成对应的业务流程图,能够节约业务人力成本,提高工作效率,提升用户体验。
本申请实施例还提供一种计算机程序产品,计算机程序产品包括计算机程序代码,当计算机程序代码在计算机上运行时,使得计算机执行如上各种可能的实施方式中的方法。
本申请实施例还提供一种芯片,包括存储器和处理器,存储器用于存储计算机程序,处理器用于从存储器中调用并运行计算机程序,使得安装有芯片的设备执行如上各种可能的实施方式中的方法。
可以理解,上述场景仅是作为示例,并不构成对于本申请实施例提供的技术方案的应用场景的限定,本申请的技术方案还可应用于其他场景。例如,本领域普通技术人员可知,随着系统架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本申请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。
本申请实施例设备中的单元可以根据实际需要进行合并、划分和删减。
在本申请中,对于相同或相似的术语概念、技术方案和/或应用场景描述,一般只在第一次出现时进行详细描述,后面再重复出现时,为了简洁,一般未再重复阐述,在理解本申请技术方案等内容时,对于在后未详细描述的相同或相似的术语概念、技术方案和/或应用场景描述等,可以参考其之前的相关详细描述。
在本申请中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本申请技术方案的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本申请记载的范围。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,被控终端,或者网络设备等)执行本申请每个实施例的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络,或者其他可编程装置。计算机指令可以存储在存储介质中,或者从一个存储介质向另一个存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质,(例如,软盘、存储盘、磁带)、光介质(例如,DVD),或者半导体介质(例如固态存储盘Solid State Disk (SSD))等。
以上仅为本申请的优选实施例, 并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (8)
1.一种业务流程图生成方法,其特征在于,包括:
响应于获取用户的业务需求,调用预设语言模型对所述业务需求进行语义分析,确定业务流程分类和业务关键词;
基于所述业务流程分类,调用业务流程建模标注规范,确定所述业务流程分类所需的服务节点,并确定每个服务节点中的元素语义;
根据所述业务关键词和所述元素语义,调用预设流程图模型创建业务流程图;
所述调用预设流程图模型创建业务流程图的步骤包括:
基于所述元素语义,确定所述业务流程图的流程图组件,并确定所述每个流程图组件的组件类型、组件名称和组件定义;
确定所述流程图组件之间的流转关系,并将所述流程图组件和流转关系绘制至预设流程图模型中;
所述响应于获取用户的业务需求,调用预设语言模型对所述业务需求进行语义分析,确定业务流程分类和业务关键词的步骤中包括以下至少一项:
识别所述业务需求的业务关键词,将所述业务关键词进行语义甄别,并匹配至预定义的业务流程分类;
基于朴素贝叶斯算法对所述业务需求进行多个业务流程分类的概率统计,使用支持向量机将不同概率的多个业务流程分类在特征空间上进行二类分割,调用预训练的深度学习模型对二类分割后的多个业务流程分类进行业务需求的匹配;
基于NPL语言模型对所述业务需求进行语义理解,识别所述业务需求中的多个目标实体,抽取所述多个目标实体之间的关联关系,对所述关联关系进行情感分析,以确定所述业务需求所属的业务流程分类。
2.根据权利要求1所述的一种业务流程图生成方法,其特征在于,所述基于NPL语言模型对所述业务需求进行语义理解,识别所述业务需求中的多个目标实体,抽取所述多个目标实体之间的关联关系,对所述关联关系进行情感分析的过程中包括:
对原始的业务需求文本进行数据清洗和业务关键词切分,并对切分后的业务关键词进行词性标注;
使用命名实体识别技术,对词性标注的业务关键词进行目标实体识别,并对识别的结果用标记化的实体名称进行表示;
基于标记实体名称的识别结果,使用关系抽取技术,提取不同目标实体之间的关联关系;
使用情感分析技术,对具有关联关系的不同目标实体之间情感色彩进行计算,获取以数值或标签标注的实体间情感关系。
3.根据权利要求2所述的一种业务流程图生成方法,其特征在于,所述基于所述业务流程分类,调用业务流程建模标注规范,确定所述业务流程分类所需的服务节点的步骤包括:
根据业务流程分类标准,确定每个服务节点类型属于业务流程类型的第一概率;
根据预设的服务目录或服务调用记录,分析每个服务节点的功能和特性,以确定每个服务节点的所属业务流程类型的第二概率;
使用自动化的服务节点类型识别工具,对所述预设的服务目录或服务调用记录进行处理,自动识别每个服务节点所属业务流程类型的第三概率;
基于所属第一概率、第二概率和第三概率,计算每个服务节点最大概率所属的业务流程类型,以确定业务流程分类所需的服务节点。
4.根据权利要求1-3任一项所述的一种业务流程图生成方法,其特征在于,根据所述业务关键词和所述元素语义,调用预设流程图模型创建业务流程图的步骤之前包括:
获取业务流程案例数据,提取所述业务流程案例数据的业务关键词、元素语义和对应的业务流程图,并划分为训练数据集和测试数据集;
确定卷积神经网络模型类型,选取网络层数和模型参数;
基于所述训练数据集对所述卷积神经网络模型进行训练,使用所属测试数据集对所述卷积神经网络模型进行测试,并确定每个网络层的权重。
5.根据权利要求4所述的一种业务流程图生成方法,其特征在于,所述选取网络层数和模型参数的步骤包括:
设置所述卷积神经网络模型的输入层、隐含层和输出层;
根据所述业务关键词的数据特性,确定流程预测方法,构建输入层的节点数;
基于预设经验公式确定隐含层的神经元个数区间,输入所述元素语义结合试凑法进行预训练,找到输出误差最小的节点数。
6.根据权利要求5所述的一种业务流程图生成方法,其特征在于,所述根据所述业务关键词和所述元素语义,调用预设流程图模型创建业务流程图的步骤之后包括:
获取针对所述业务流程图的调整操作,根据所述调整操作更新所述业务流程图。
7.一种处理设备,其特征在于,包括:存储器和处理器,其中,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的业务流程图生成方法的步骤。
8.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的业务流程图生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410055687.2A CN117608650B (zh) | 2024-01-15 | 2024-01-15 | 业务流程图生成方法、处理设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410055687.2A CN117608650B (zh) | 2024-01-15 | 2024-01-15 | 业务流程图生成方法、处理设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117608650A CN117608650A (zh) | 2024-02-27 |
CN117608650B true CN117608650B (zh) | 2024-04-09 |
Family
ID=89958188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410055687.2A Active CN117608650B (zh) | 2024-01-15 | 2024-01-15 | 业务流程图生成方法、处理设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117608650B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739619A (zh) * | 2010-01-04 | 2010-06-16 | 北京航空航天大学 | 一种业务流程创建方法及装置 |
EP2541476A1 (en) * | 2011-06-29 | 2013-01-02 | Sap Ag | Automatic identification of user-aligned fragments in business process models |
CN104714941A (zh) * | 2013-12-12 | 2015-06-17 | 国际商业机器公司 | 用于使用自然语言处理来增强业务流程执行的方法和系统 |
CN110069252A (zh) * | 2019-04-11 | 2019-07-30 | 浙江网新恒天软件有限公司 | 一种源代码文件多业务标签自动化分类方法 |
CN112632292A (zh) * | 2020-12-23 | 2021-04-09 | 深圳壹账通智能科技有限公司 | 业务关键词的提取方法、装置、设备及存储介质 |
CN113887941A (zh) * | 2021-09-30 | 2022-01-04 | 平安银行股份有限公司 | 业务流程生成方法、装置、电子设备及介质 |
CN114386934A (zh) * | 2021-12-17 | 2022-04-22 | 青岛海尔科技有限公司 | 用于业务流程的生成方法及装置、服务器、存储介质 |
CN114662960A (zh) * | 2022-04-02 | 2022-06-24 | 深圳市神州云海智能科技有限公司 | 业务流程生成方法、终端设备及计算机可读存储介质 |
WO2022234913A1 (ko) * | 2021-05-04 | 2022-11-10 | 인제대학교 산학협력단 | 플랜트 절차서의 프로세스 모델 생성방법 및 그의 시스템 |
CN116842964A (zh) * | 2023-07-18 | 2023-10-03 | 杭州鑫策科技有限公司 | 一种基于语义分析的业务流程生成方法和系统 |
CN116974626A (zh) * | 2023-09-22 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 分析序列图生成方法、装置、设备和计算机可读存储介质 |
CN117271084A (zh) * | 2023-09-22 | 2023-12-22 | 北京有竹居网络技术有限公司 | 一种工作流生成方法、装置、电子设备及存储介质 |
CN117314139A (zh) * | 2023-08-07 | 2023-12-29 | 无锡雪浪数制科技有限公司 | 业务流程的建模方法、装置、终端设备及存储介质 |
CN117313691A (zh) * | 2023-11-28 | 2023-12-29 | 恒银金融科技股份有限公司 | 基于大语言模型的业务流程列表的生成方法和生成系统 |
CN117332766A (zh) * | 2023-09-15 | 2024-01-02 | 中国银行股份有限公司 | 流程图生成方法、装置、计算机设备和存储介质 |
-
2024
- 2024-01-15 CN CN202410055687.2A patent/CN117608650B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739619A (zh) * | 2010-01-04 | 2010-06-16 | 北京航空航天大学 | 一种业务流程创建方法及装置 |
EP2541476A1 (en) * | 2011-06-29 | 2013-01-02 | Sap Ag | Automatic identification of user-aligned fragments in business process models |
CN104714941A (zh) * | 2013-12-12 | 2015-06-17 | 国际商业机器公司 | 用于使用自然语言处理来增强业务流程执行的方法和系统 |
CN110069252A (zh) * | 2019-04-11 | 2019-07-30 | 浙江网新恒天软件有限公司 | 一种源代码文件多业务标签自动化分类方法 |
CN112632292A (zh) * | 2020-12-23 | 2021-04-09 | 深圳壹账通智能科技有限公司 | 业务关键词的提取方法、装置、设备及存储介质 |
WO2022234913A1 (ko) * | 2021-05-04 | 2022-11-10 | 인제대학교 산학협력단 | 플랜트 절차서의 프로세스 모델 생성방법 및 그의 시스템 |
CN113887941A (zh) * | 2021-09-30 | 2022-01-04 | 平安银行股份有限公司 | 业务流程生成方法、装置、电子设备及介质 |
CN114386934A (zh) * | 2021-12-17 | 2022-04-22 | 青岛海尔科技有限公司 | 用于业务流程的生成方法及装置、服务器、存储介质 |
CN114662960A (zh) * | 2022-04-02 | 2022-06-24 | 深圳市神州云海智能科技有限公司 | 业务流程生成方法、终端设备及计算机可读存储介质 |
CN116842964A (zh) * | 2023-07-18 | 2023-10-03 | 杭州鑫策科技有限公司 | 一种基于语义分析的业务流程生成方法和系统 |
CN117314139A (zh) * | 2023-08-07 | 2023-12-29 | 无锡雪浪数制科技有限公司 | 业务流程的建模方法、装置、终端设备及存储介质 |
CN117332766A (zh) * | 2023-09-15 | 2024-01-02 | 中国银行股份有限公司 | 流程图生成方法、装置、计算机设备和存储介质 |
CN116974626A (zh) * | 2023-09-22 | 2023-10-31 | 腾讯科技(深圳)有限公司 | 分析序列图生成方法、装置、设备和计算机可读存储介质 |
CN117271084A (zh) * | 2023-09-22 | 2023-12-22 | 北京有竹居网络技术有限公司 | 一种工作流生成方法、装置、电子设备及存储介质 |
CN117313691A (zh) * | 2023-11-28 | 2023-12-29 | 恒银金融科技股份有限公司 | 基于大语言模型的业务流程列表的生成方法和生成系统 |
Non-Patent Citations (2)
Title |
---|
A Proposed Technique for Business Process Modeling Diagram Using Natural Language Processing;Shorouq Elmanaseer et al.;《2023 International Conference on Information Technology (ICIT)》;20231231;全文 * |
基于BPMN的业务流程一体化建模方法;蔡章利;易树平;;计算机集成制造系统;20100315(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117608650A (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11663409B2 (en) | Systems and methods for training machine learning models using active learning | |
CN109101537B (zh) | 基于深度学习的多轮对话数据分类方法、装置和电子设备 | |
CN107436875B (zh) | 文本分类方法及装置 | |
US20190180196A1 (en) | Systems and methods for generating and updating machine hybrid deep learning models | |
US20170200065A1 (en) | Image Captioning with Weak Supervision | |
Surana et al. | Intelligent chatbot for requirements elicitation and classification | |
CN112925911B (zh) | 基于多模态数据的投诉分类方法及其相关设备 | |
CN112667782A (zh) | 一种文本分类方法、装置、设备及存储介质 | |
Estevez-Velarde et al. | AutoML strategy based on grammatical evolution: A case study about knowledge discovery from text | |
CN111242710A (zh) | 业务的分类处理方法、装置、服务平台及存储介质 | |
Daniati et al. | Decision Making Framework Based On Sentiment Analysis in Twitter Using SAW and Machine Learning Approach | |
US20230351121A1 (en) | Method and system for generating conversation flows | |
CN117608650B (zh) | 业务流程图生成方法、处理设备及存储介质 | |
CN109493186A (zh) | 确定推送信息的方法和装置 | |
CN117473457B (zh) | 基于数字化业务的大数据挖掘方法及系统 | |
US11860824B2 (en) | Graphical user interface for display of real-time feedback data changes | |
Chen et al. | Tagtag: a novel framework for service tags recommendation and missing tag prediction | |
US20230351170A1 (en) | Automated processing of feedback data to identify real-time changes | |
Shanthi et al. | A satin optimized dynamic learning model (SODLM) for sentiment analysis using opinion mining | |
CN113868419B (zh) | 基于人工智能的文本分类方法、装置、设备及介质 | |
US11966570B2 (en) | Automated processing and dynamic filtering of content for display | |
Saha et al. | Sentiment Analysis to Review Products based on Machine Learning | |
US11977515B1 (en) | Real time analysis of interactive content | |
Che et al. | A feature and deep learning model recommendation system for mobile application | |
US20240168610A1 (en) | Optimized analysis and access to interactive content |
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 |