CN117670263A - 一种审批流程的批注方法、装置、设备及介质 - Google Patents

Abstract

本申请提供的一种审批流程的批注方法、装置、设备及介质，首先接收客户端发送的多个待审批任务，然后将所述待审批任务输入批注神经网络模型，得到所述批注神经网络模型输出的批注结果，再将所述批注结果返回所述客户端；接收所述客户端发送的更正待审批任务；最后将修改后的所述待审批任务进行审批，实现了当待审批任务存在错误时，不在审批流程中将审批任务退回，而是通过批注结果返回客户端，然后根据更正后的待审批任务进行审批，能够根据对待审批任务的批注及时发现可能存在的错误，并在在线修改后继续审批，并且，在整个审批流程中减少了一个退回环节，更有利于在任务流程中当各个任务环节繁多时，提供整个审批流程的工作效率。

Description

一种审批流程的批注方法、装置、设备及介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种审批流程的批注方法、装置、设备及介质。

背景技术

审批流程是一种常见的企业管理流程，用于对各种任务进行审批和决策。在智能制造运营系统例如SupplyX-MOM产品中，审批流程是关键的业务组成部分，其中，审批流程支持创建审批任务、确认审批任务和退回审批任务这三个基本步骤。

但是，在用户创建并提交审批任务后，如果提交后的待审批任务中出现需要退回的错误例如文本存在缺陷、数据格式不适格等，则需要将待审批任务退回，导致整个审批流程多出一个退回环节，尤其是在任务流程中各个任务环节繁多的场景下，在审批任务较多的情况下，待重新创建审批任务后还需要重新排队，导致审批任务阻塞和系统资源的浪费。

发明内容

为克服相关技术中存在的问题，本申请提供一种审批流程的批注方法、装置、设备及介质，用以提高审批流程的审批效率，并且，在整个审批流程中减少了一个退回环节，更有利于在任务流程中当各个任务环节繁多时，提供整个审批流程的工作效率。

本申请第一方面提供一种审批流程的批注方法，应用于审批流程系统的服务器端，所述方法包括：

接收客户端发送的多个待审批任务；

将所述待审批任务输入批注神经网络模型，得到所述批注神经网络模型输出的批注结果；所述批注结果包括至少一个存在错误的待审批任务，所述批注神经网络模型的训练数据为审批任务的原始审批任务、更正待审批任务和审批结果；

将所述批注结果返回所述客户端；

接收所述客户端发送的更正待审批任务；所述更正待审批任务为基于所述批注结果在线修改的；

将修改后的所述待审批任务进行审批。

可选的，所述接收所述客户端发送的更正待审批任务，包括：

将所述批注结果发送至所述客户端，并将所述待审批任务存储在缓冲队列；

当接收所述客户端基于所述批注结果返回的更正待审批任务时，基于所述更正待审批任务替换所述待审批任务，并将所述更正待审批任务移出所述缓冲队列。

可选的，所述将所述更正待审批任务移出所述缓冲队列之后，包括：

确定所述更正待审批任务优先级高于当前审批队列中的待审批任务；

其中，待审批任务优先级判定条件包括审批任务的创建时间。

可选的，所述将所述待审批任务输入批注神经网络模型，得到所述批注神经网络模型输出的批注结果，包括：

将所述待审批任务对应的审批数据输入所述批注神经网络模型的输入层；

所述批注神经网络模型的隐层接收所述审批数据，并基于语义文本分析算法对所述审批数据进行计算，生成所述批注结果；所述语音文本分析算法用于检测所述审批数据中语义或文本存在的错误；

将所述批注结果作为所述批注神经网络模型的输出层的输出结果。

可选的，构建所述批注神经网络模型，包括：

基于审批任务的历史数据生成历史数据训练集；

利用所述历史数据训练集对所述批注神经网络模型进行训练。

可选的，所述历史数据训练集的训练素材至少满足以下特征之一：

所述审批结果为文本形式错误；

所述审批结果为缺少必要信息；

所述审批结果为格式错误；

所述审批结果为误解或误传；

所述审批结果为缺少必要附件或支持文件；

所述审批结果为审批信息过时；

所述原始审批任务与所述更正待审批任务发生文本变更。

可选的，所述基于语义文本分析算法对所述审批数据进行计算之后，包括：

确定所述审批数据存在错误信息；

分析所述审批数据的错误信息，生成所述待审批任务的退回状态；

当所述待审批任务的退回状态为非退回状态时，生成所述批注结果。

本申请第二方面提供一种审批流程的批注装置，应用于审批流程系统的服务器端，所述装置包括：

接收模块，用于接收客户端发送的多个待审批任务；

批注模块，用于将所述待审批任务输入批注神经网络模型，得到所述批注神经网络模型输出的批注结果；所述批注结果包括至少一个存在错误的待审批任务，所述批注神经网络模型的训练数据为审批任务的原始审批任务、更正待审批任务和审批结果；

返回模块，用于将所述批注结果返回所述客户端；

更正模块，用于接收所述客户端发送的更正待审批任务；所述更正待审批任务为基于所述批注结果在线修改的；

审批模块，用于将修改后的所述待审批任务进行审批。

本申请第三方面提供一种电子设备，包括：

处理器；以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。

本申请第四方面提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。

由此可见，本申请提供的一种审批流程的批注方法，应用于审批流程系统的服务器端，首先接收客户端发送的多个待审批任务，然后将所述待审批任务输入批注神经网络模型，得到所述批注神经网络模型输出的批注结果，所述批注结果包括至少一个存在错误的待审批任务，所述批注神经网络模型的训练数据为审批任务的原始审批任务、更正待审批任务和审批结果；再将所述批注结果返回所述客户端；接收所述客户端发送的更正待审批任务；所述更正待审批任务为基于所述批注结果在线修改的；最后将修改后的所述待审批任务进行审批，实现了当待审批任务存在错误时，不在审批流程中将审批任务退回，而是通过批注结果返回客户端，然后根据更正后的待审批任务进行审批，能够根据对待审批任务的批注及时发现可能存在的错误，并在在线修改后继续审批，提高了审批流程的效率，并且，在整个审批流程中减少了一个退回环节，更有利于在任务流程中当各个任务环节繁多时，提供整个审批流程的工作效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。

图1是本申请实施例示出的审批流程的批注的流程示意图。

图2为本申请实施例示出的批注神经网络模型的结构示意图。

图3是本申请实施例示出的审批流程的批注装置的结构示意图。

图4是本申请实施例示出的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语“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，在不脱离本申请范围的情况下，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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

本申请实施例中，可以应用到办公室自动化系统中，尤其是涉及审批任务处于审批流程的场景中。本申请实施例中，办公室自动化系统可以为公司提供高效、精确和协同的工作环境，实现工作流程的数字化和智能化。

传统办公室自动化系统中的审批流程支持创建审批任务、确认审批任务和退回审批任务这三个基本步骤，其中，审批任务可以指代在公司内需要特定人员批准或处理的工作或请求，即，除了因不予通过该审批任务导致退回审批任务之外，审批任务还有可能因出现文本错误、缺少必要信息、格式错误等问题使得该审批任务被退回，并且重新递交导致审批流程的延误，还有可能引发后续问题。基于此，本申请实施例提供一种审批流程的批注方法，用以解决审批任务阻塞和系统资源浪费等问题，在保证审批准确性的基础上，提高审批流程的工作效率。

请参见图1，图1是本申请实施例示出的审批流程的批注的流程示意图。

本申请提供一种审批流程的批注方法，应用于审批流程系统的服务器端，方法包括：

S10、接收客户端发送的多个待审批任务。

本申请实施例中，执行主体可以是审批流程系统的服务器端，审批流程系统指代管理和处理公司内部审批流程的软件系统，其主要功能是协调和记录公司中不同层级的审批任务，用以确保审批任务按照规定的流程和标准完成。

可以理解的是，审批任务的审批结果仅包括“审批任务通过”和“审批任务退回”两种情况，在本申请实施例中，待审批任务由于出现错误导致不能直接进行审批，因此，在非必要退回的基础上，用户可以在整个审批流程的前端审批过程中对待审批任务进行在线修正。

S20、将待审批任务输入批注神经网络模型，得到批注神经网络模型输出的批注结果；批注结果包括至少一个存在错误的待审批任务，批注神经网络模型的训练数据为审批任务的历史数据包括原始审批任务、更正待审批任务和审批结果。

本申请实施例中，待审批任务可以包括文本数据、图像数据和附件等，其中，文本数据可以包括审批任务的内容、任务目的和任务要求等，附件可以包括审批任务支持文件，例如文档、表格、图片等，待审批任务还可以包括当前审批状态、审批人信息以及审批人之前的审批记录，以便于审批流程系统跟踪和记录审批流程的进展。

可以理解的是，批注神经网络模型要以数字化形式接收待审批任务，输入批注神经网络模型的形式可以是一个张量，其中包括审批任务文本等信息的表示。因此，在输入批注神经网络模型前，可以对待审批任务进行预处理，例如文本向量化、图像编码等，以便于该模型的处理。输入批注神经网络模型的形式取决于具体待审批任务和模型架构需求，在此不进行过多赘述。

本申请实施例中，批注神经网络模型可以是一种深度学习模型，例如循环神经网络（RNN）、长短时记忆网络（LSTM）等，批注神经网络模型用于分析待审批任务文本数据、附件等，检测其中存在的语法、语义、形式错误或其他错误。批注神经网络模型可以进一步提高审批任务的准确性和质量。

可以理解的是，批注结果可以包括至少一个存在错误的待审批任务，也可以包括对错误的具体指示，以帮助用户更好地理解并纠正错误。例如，批注结果可以以结构化的形式呈现，标记出存在错误的文本片段，并提供相应的错误类型和建议。也可以生成包含错误信息的报告，将报告作为批注结果返回到审批流程系统中用户显示界面，以便用户查看并修正。

S30、将批注结果返回客户端。

S40、接收客户端发送的更正待审批任务；更正待审批任务为基于所述批注结果在线修改的。

本申请实施例中，客户端可以通过网络通信与服务器端链接，例如通过HTTP请求或其他通信协议完成。待用户完成对待审批任务更正后，客户端根据用户的操作生成一个更正的待审批任务请求，其中更正的待审任务包括更正后的待审批任务以及任务相关的标识信息等。

本申请实施例中，还可以设置有文本处理模块，将批注结果中对错误的具体指示输入文本处理模块，例如错误的具体指示为“xxx文本出现文本形式问题”，通过文本处理模块对具体指示内容进行识别和分析，文本处理模块将错误的具体指示内容标注在待审批任务的指定位置上。

实际使用中，对待审批任务的文本进行识别，基于批注结果中错误的具体指示确定在待审批任务文本中的位置，例如可以是待审批任务文本中特定的文本行、段落或者通过坐标指定的区域。根据批注结果中错误的具体指示生成相应的标注内容，例如可以是说明性文本、标签或注释等。将生成的标注内容嵌入到文本中的指定位置，并根据具体指示不同生成不同样式和格式的标注内容，例如字体、颜色或边框，有助于使标注内容在待审批任务文本中更为突出和易于理解。将带有标注内容的待审批任务作为批注结果返回客户端。

进一步的，客户端用户界面首先展示待审批的任务，包括原始文本内容、附件等信息。审批流程系统可以将批注结果以批注的方式标注在待审批任务上，例如，在待审批任务中审批人出现形式问题，批注结果将审批人相关文本标红，并在旁边附加“审批人存在错误”等字样，以便于用户注意到存在的问题或建议。对于需要修改的文本内容，审批流程系统可以提供可编辑的文本框，用户可以直接在文本框中进行编辑，包括修改文字、添加新内容等。最后在完成修正后，用户可以点击提交按钮或执行相应的递交操作，触发审批流程系统将修正后的审批任务发送至服务器端进行处理。

另外，客户端用户界面上可以包含一些工具栏、按钮或选项，用于执行特定的操作，例如添加附件、更改任务状态、查看审批历史等，用户可以通过上述工作进行相应的修正。

可以理解的是，审批流程系统可以提供实时预览功能，使得用户在进行修正时能够即时看到修正后的效果，上述内容适用于对文本排版或格式要求较高的场景。

在上述实施例的基础上，客户端用户可以根据具体的审批流程系统和用户界面设计而有所不同，为用户提供直观、易用的用户界面，便于用户理解批注结果并进行相应的修正。

S50、将修改后的待审批任务进行审批。

本申请实施例中，服务器端接收待审批任务，通过批注神经网络模型批注并检测其中的错误，生成批注结果，将批注结果返回客户端，用户可以在线修正任务，将修正后的任务提交。提高了审批任务的准确性，进一步加速审批流程，促进了审批流程的高效协作。

上述实施例中，介绍了将批注神经网络模型生成的批注结果返回客户端，基于此，在等待用户对待审批任务修正的过程中，可以将处于服务器端的待审批任务暂存于缓冲队列。

本申请实施例中，接收客户端发送的更正待审批任务，包括：

将批注结果发送至客户端，并将待审批任务存储在缓冲队列；

当接收客户端基于批注结果返回的更正待审批任务时，基于更正待审批任务替换待审批任务，并将更正待审批任务移出缓冲队列。

本申请实施例中，当服务器端向客户端发送批注结果时，将待审批任务存储在缓冲队列中，缓冲队列可以是服务器端维护的存储待审批任务的临时队列，用于暂时保留待审批任务在审批流程中的排队信息。

本申请实施例中，将更正待审批任务移出缓冲队列之后，包括：

确定更正待审批任务优先级高于当前审批队列中的待审批任务；

其中，待审批任务优先级判定条件包括审批任务的创建时间。

本申请实施例中，判定待审批任务的优先级可以包括待审批任务的紧急性、重要性、业务规则以及创建或截止日期。例如，紧急性的判定标准可以是待审批任务在创建过程中用户备注的加急状态，则服务器端将加急状态的待审批任务作为第一优先级。

本申请实施例中，在更正待审批任务从缓冲队列移出至审批队列时，首先检查该更正待审批任务的优先级，若更正待审批任务的优先级高于当前审批队列中的其他审批任务，将更正待审批任务移出缓冲队列并置顶审批队列，若更正待审批任务的优先级并非当前审批队列中优先级最高的审批任务时，根据审批队列中优先级的顺序更新审批队列的审批策略，使得可以将更正待审批任务插入与其优先级匹配的审批队列位置。

在上述实施例的基础上，审批队列中待审批任务优先级判定条件可以包括审批任务的创建时间，例如，待审批任务A的创建时间为8点，待审批任务B的创建时间为10点，其中，待审批任务A输入批注神经网络模型后发现错误信息，并于11点经由用户更正返回审批流程系统中，待审批任务B还并未通过审批，因此，在待审批任务A移出缓冲队列并重新插入审批队列时，优先级高于待审批任务B。

本申请实施例中，基于审批任务优先级和存储/移出缓冲队列的实现，使得审批流程系统可以更灵活地处理待审批任务，并确保高优先级待审批任务得到及时处理。

参见图2，图2为本申请实施例示出的批注神经网络模型的结构示意图。

本申请实施例中，将待审批任务输入批注神经网络模型，得到批注神经网络模型输出的批注结果，包括：

将待审批任务对应的审批数据输入批注神经网络模型的输入层；

批注神经网络模型的隐层接收审批数据，并基于语义文本分析算法对审批数据进行计算，生成批注结果；语音文本分析算法用于检测审批数据中语义或文本存在的错误；

将批注结果作为批注神经网络模型的输出层的输出结果。

本申请实施例中，批注神经网络模型的输入层用于接收来自客户端的多个待审批任务，并对所有待审批任务进行预处理，预处理可以包括标准化、归一化或其他必要的数据处理步骤，以确保批注神经网络模型能够有效地处理不同类型任务的数据。待审批任务中包含文本信息，因此，可以使用嵌入层将文本信息转换为密集向量进行表示，用以捕捉任务内容的语义信息。

批注神经网络模型中可以包括多个隐层，每一隐层可以采用卷积、循环神经网络（RNN）、长短时记忆网络（LSTM）等结构。所有隐层通过对审批任务数据集进行特征提取和组合，用以捕捉审批任务中潜在的错误。

最后，在批注神经网络模型的批注输出层输出批注结果，其中每一输出节点对应一个待审批任务。例如，可以采用二元分类的方式，也可以考虑多类别分类方法，具体取决于审批任务的性质。

可以理解的是，在隐层与输出层中引入适当的激活函数，例如ReLU、Sigmoid或Softmax等，用以引入非线性并加强批注神经网络模型的表达能力。

本申请实施例中，构建批注神经网络模型，包括：

基于审批任务的历史数据生成历史数据训练集；

利用历史数据训练集对批注神经网络模型进行训练。

本申请实施例中，原始审批任务为客户端最初提交的待审批任务，更正待审批任务为客户端基于原始审批任务的批注或更正后的审批任务。在训练过程中，批注神经网络模型还可以设置有损失函数，用于衡量批注神经网络模型输出与实际结果之间差异，还可以对应设置有优化算法，用于最小化损失函数，例如梯度下降算法等，可以根据批注神经网络模型实际需要进行设置。

实际使用中，使用历史数据训练集对批注神经网络模型进行训练，通过反向传播算法不断更新模型参数，用以减小预测结果与实际结果之间的差异。在训练过程中历史数据训练集包括训练集和验证集，其中，验证集用于在训练过程中评估批注神经网络模型性能的数据集，用以避免过拟合等问题的出现。根据批注神经网络模型在验证集上的性能调整超参数，例如学习率、层数等批注神经网络模型架构配置，重复上述步骤，直至批注神经网络模型在验证集上表现满意为止。通过上述训练过程，批注神经网络模型能够学习历史审批任务的模式，并在新创建的审批任务上进行批注或决策，提高了整个自动化审批流程的工作效率和准确性。

本申请实施例中，为确保批注神经网络模型训练的准确性，历史数据训练集的训练素材至少满足以下特征之一：

审批结果为文本形式错误；

审批结果为缺少必要信息；

审批结果为格式错误；

审批结果为误解或误传；

审批结果为缺少必要附件或支持文件；

审批结果为审批信息过时；

原始审批任务与更正审批任务发生文本变更。

本申请实施例中，由于批注神经网络模型训练所采用的历史数据训练集为审批流程系统上记录的历史数据，因此，为了能够有效的提升训练批注神经网络模型的准确性，从而为后续批注过程提供良好的训练基础，本实施例中列举出几种历史数据训练集的训练素材，即，在历史数据中，针对不同审批结果选取满足可以在客户端在线进行更正且属于非否决性的审批结果作为历史数据训练集。其中，原始审批任务与更正审批任务发生文本变更可以包括客户端主动退回并重新递交基于原始审批任务修正的更正审批任务，也可以作为训练批注神经网络模型的历史数据训练集。

本申请实施例中，基于语义文本分析算法对审批数据进行计算之后，包括：

确定审批数据存在错误信息；

分析审批数据的错误信息，生成待审批任务的退回状态；

当待审批任务的退回状态为非退回状态时，生成批注结果。

本申请实施例中，在批注神经网络模型的隐层中，基于语义文本分析算法对审批数据进行计算之后，确定审批数据中存在错误信息的待审批任务，对存在错误的待审批任务进行详细分析，确定具体的错误类型。

可以理解的是，错误的类型若不为文本形式错误、缺少必要信息、格式错误、误解或误传、缺少必要附件或支持文件等形式，则可以认定该待审批任务为否决性退回文件，不予通过。

本申请实施例中，根据错误类型，生成相应的退回状态，其中，每一待审批任务一一对应有一个退回状态，判断待审批任务的退回状态是否为非退回状态，若退回状态为非退回状态，可以对应生成批注结果，使得用户在客户端在线对该待审批任务进行更正。

在上述实施例的基础上，审批流程系统能够自动识别待审批任务中的错误信息，并根据错误类型生成相应的退回状态，当待审批任务没有错误或处于非退回状态时，审批流程系统不需要退回该待审批任务，有助于提高整个审批流程的效率和准确性。

与前述应用功能实现方法实施例相对应，本申请还提供了一种审批流程的批注装置、设备和介质相应的实施例。

参见图3，图3是本申请实施例示出的审批流程的批注装置的结构示意图。

应用于审批流程系统的服务器端，装置包括：

接收模块31，用于接收客户端发送的多个待审批任务；

批注模块32，用于将待审批任务输入批注神经网络模型，得到批注神经网络模型输出的批注结果；批注结果包括至少一个存在错误的待审批任务，批注神经网络模型的训练数据为审批任务的原始审批任务、更正待审批任务和审批结果；

返回模块33，用于将批注结果返回客户端；

更正模块34，用于接收客户端发送的更正待审批任务；更正待审批任务为基于批注结果在线修改的；

审批模块35，用于将修改后的待审批任务进行审批。

更正模块34，用于：

将批注结果发送至客户端，并将待审批任务存储在缓冲队列；

当接收客户端基于批注结果返回的更正待审批任务时，基于更正待审批任务替换待审批任务，并将更正待审批任务移出缓冲队列。

可选的，将更正待审批任务移出缓冲队列之后，包括：

确定更正待审批任务优先级高于当前审批队列中的待审批任务；

其中，待审批任务的优先级判定条件包括审批任务的创建时间。

批注模块32，用于：

将待审批任务对应的审批数据输入批注神经网络模型的输入层；

批注神经网络模型的隐层接收审批数据，并基于语义文本分析算法对审批数据进行计算，生成批注结果；语音文本分析算法用于检测审批数据中语义或文本存在的错误；

将批注结果作为批注神经网络模型的输出层的输出结果。

可选的，构建批注神经网络模型，包括：

基于审批任务的历史数据生成历史数据训练集；历史数据包括原始审批任务、更正待审批任务和审批结果；

利用历史数据训练集对批注神经网络模型进行训练。

可选的，历史数据训练集的训练素材至少满足以下特征之一：

审批结果为文本形式错误；

审批结果为缺少必要信息；

审批结果为格式错误；

审批结果为误解或误传；

审批结果为缺少必要附件或支持文件；

审批结果为审批信息过时；

原始审批任务与更正待审批任务发生文本变更。

可选的，基于语义文本分析算法对审批数据进行计算之后，包括：

确定审批数据存在错误信息；

分析审批数据的错误信息，生成待审批任务的退回状态；

当待审批任务的退回状态为非退回状态时，生成批注结果。

首先接收客户端发送的多个待审批任务，然后将待审批任务输入批注神经网络模型，得到批注神经网络模型输出的批注结果，批注结果包括至少一个存在错误的待审批任务，批注神经网络模型的训练数据为审批任务的原始审批任务、更正待审批任务和审批结果；再将批注结果返回客户端；接收客户端发送的更正待审批任务；更正待审批任务为基于批注结果在线修改的；最后将修改后的待审批任务进行审批，实现了当待审批任务存在错误时，不在审批流程中将审批任务退回，而是通过批注结果返回客户端，然后根据更正后的待审批任务进行审批，能够根据对待审批任务的批注及时发现可能存在的错误，并在在线修改后继续审批，提高了审批流程的效率，并且，在整个审批流程中减少了一个退回环节，更有利于在任务流程中当各个任务环节繁多时，提供整个审批流程的工作效率。

参见图4，图4是本申请实施例示出的电子设备的结构示意图，电子设备400包括存储器410和处理器420。

处理器420可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器410可以包括各种类型的存储单元，例如系统内存、只读存储器（ROM），和永久存储装置。其中，ROM可以存储处理器420或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置（例如磁或光盘、闪存）作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备（例如软盘、光驱）。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器410可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片（DRAM，SRAM，SDRAM，闪存，可编程只读存储器），磁盘和/或光盘也可以采用。在一些实施方式中，存储器410可以包括可读和/或写的可移除的存储设备，例如激光唱片（CD）、只读数字多功能光盘（例如DVD-ROM，双层DVD-ROM）、只读蓝光光盘、超密度光盘、闪存卡（例如SD卡、min SD卡、Micro-SD卡等等）、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。

存储器410上存储有可执行代码，当可执行代码被处理器420处理时，可以使处理器420执行上文述及的方法中的部分或全部。

上文中已经参考附图详细描述了本申请的方案。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。本领域技术人员也应该知悉，说明书中所涉及的动作和模块并不一定是本申请所必须的。另外，可以理解，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，本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。

此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。

或者，本申请还可以实施为一种非暂时性机器可读存储介质（或计算机可读存储介质、或机器可读存储介质），其上存储有可执行代码（或计算机程序、或计算机指令代码），当所述可执行代码（或计算机程序、或计算机指令代码）被电子设备（或电子设备、服务器等）的处理器执行时，使所述处理器执行根据本申请的上述方法的各个步骤的部分或全部。

本领域技术人员还将明白的是，结合这里的申请所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。

附图中的流程图和框图显示了根据本申请的多个实施例的系统和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种审批流程的批注方法，其特征在于，应用于审批流程系统的服务器端，所述方法包括：

接收客户端发送的多个待审批任务；

将所述待审批任务输入批注神经网络模型，得到所述批注神经网络模型输出的批注结果；所述批注结果包括至少一个存在错误的待审批任务，所述批注神经网络模型的训练数据为审批任务的原始审批任务、更正待审批任务和审批结果；

将所述批注结果返回所述客户端；

接收所述客户端发送的更正待审批任务；所述更正待审批任务为基于所述批注结果在线修改的；

将修改后的所述更正待审批任务进行审批。

2.根据权利要求1所述的方法，其特征在于，所述接收所述客户端发送的更正待审批任务，包括：

将所述批注结果发送至所述客户端，并将所述待审批任务存储在缓冲队列；

当接收所述客户端基于所述批注结果返回的更正待审批任务时，基于所述更正待审批任务替换所述待审批任务，并将所述更正待审批任务移出所述缓冲队列。

3.根据权利要求2所述的方法，其特征在于，所述将所述更正待审批任务移出所述缓冲队列之后，包括：

确定所述更正待审批任务优先级高于当前审批队列中的待审批任务；

其中，待审批任务的优先级判定条件包括审批任务的创建时间。

4.根据权利要求1所述的方法，其特征在于，所述将所述待审批任务输入批注神经网络模型，得到所述批注神经网络模型输出的批注结果，包括：

将所述待审批任务对应的审批数据输入所述批注神经网络模型的输入层；

所述批注神经网络模型的隐层接收所述审批数据，并基于语义文本分析算法对所述审批数据进行计算，生成所述批注结果；所述语音文本分析算法用于检测所述审批数据中语义或文本存在的错误；

将所述批注结果作为所述批注神经网络模型的输出层的输出结果。

5.根据权利要求4所述的方法，其特征在于，构建所述批注神经网络模型，包括：

基于审批任务的历史数据生成历史数据训练集；

利用所述历史数据训练集对所述批注神经网络模型进行训练。

6.根据权利要求5所述的方法，其特征在于，所述历史数据训练集的训练素材至少满足以下特征之一：

所述审批结果为文本形式错误；

所述审批结果为缺少必要信息；

所述审批结果为格式错误；

所述审批结果为误解或误传；

所述审批结果为缺少必要附件或支持文件；

所述审批结果为审批信息过时；

所述原始审批任务与所述更正待审批任务发生文本变更。

7.根据权利要求4所述的方法，其特征在于，所述基于语义文本分析算法对所述审批数据进行计算之后，包括：

确定所述审批数据存在错误信息；

分析所述审批数据的错误信息，生成所述待审批任务的退回状态；

当所述待审批任务的退回状态为非退回状态时，生成所述批注结果。

8.一种审批流程的批注装置，其特征在于，应用于审批流程系统的服务器端，所述装置包括：

接收模块，用于接收客户端发送的多个待审批任务；

批注模块，用于将所述待审批任务输入批注神经网络模型，得到所述批注神经网络模型输出的批注结果；所述批注结果包括至少一个存在错误的待审批任务，所述批注神经网络模型的训练数据为审批任务的历史数据；

返回模块，用于将所述批注结果返回所述客户端；

更正模块，用于接收所述客户端发送的更正待审批任务；所述更正待审批任务为基于所述批注结果在线修改的；

审批模块，用于将修改后的所述更正待审批任务进行审批。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-7中任一项所述的方法。