CN117764560A - 车辆维修建议的获取方法和车辆维修建议的生成方法 - Google Patents
车辆维修建议的获取方法和车辆维修建议的生成方法 Download PDFInfo
- Publication number
- CN117764560A CN117764560A CN202410045135.3A CN202410045135A CN117764560A CN 117764560 A CN117764560 A CN 117764560A CN 202410045135 A CN202410045135 A CN 202410045135A CN 117764560 A CN117764560 A CN 117764560A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- vehicle
- sub
- candidate
- fault
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 442
- 238000000034 method Methods 0.000 title claims abstract description 117
- 238000012545 processing Methods 0.000 claims abstract description 62
- 238000007621 cluster analysis Methods 0.000 claims abstract description 33
- 230000010354 integration Effects 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 230000008439 repair process Effects 0.000 claims description 105
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 238000003058 natural language processing Methods 0.000 abstract description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了车辆维修建议的获取方法和车辆维修建议的生成方法,涉及人工智能、自然语言处理等技术领域。该方法包括:获取多条车辆维修信息中的车辆故障信息,以及车辆故障信息对应的维修流程和维修结论;对车辆故障信息进行聚类分析,以确定每条车辆故障信息、维修流程和维修结论所属的第一故障类型;根据第一故障类型下的车辆故障信息生成候选故障信息,并基于第一故障类型下的维修流程、维修结论进行分割处理,获取维修子流程和维修子流程关联的维修子结论;基于维修子流程和维修子流程关联的维修子结论进行聚类分析和整合处理,生成候选故障信息对应的候选维修建议。本公开可以提高维修建议的覆盖率,提高生成维修建议的准确性。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自然语言处理等技术领域。
背景技术
相关技术中,车辆维修建议需要由专业的工作人员基于车辆状况和故障描述进行判断,这需要花费大量时间,另外,受到工作人员个人经验和水平的影响,可能会影响维修建议的客观性和准确性,很难完全覆盖所有可能出现的车辆问题。
因此,如何提高维修建议的生成效率和覆盖率,提高维修建议的客观性和准确性,已经成为重要的研究方向之一。
发明内容
本公开提供了一种车辆维修建议的获取方法和车辆维修建议的生成方法。
根据本公开的一方面,提供了一种车辆维修建议的获取方法,该方法包括:
获取车辆故障描述语句,并获取多条候选故障信息,以及每条候选故障信息对应的候选维修建议;
根据车辆故障描述语句和候选故障信息,从候选维修建议中获取目标维修建议;
其中,候选维修建议由下述车辆维修建议的生成方法生成。
本公开实施例可以直接通过车辆故障描述语句进行维修建议,基于大模型自动输出故障维修方案,提高了获取车辆维修建议的效率和灵活性。
根据本公开的一方面,提供了一种车辆维修建议的生成方法,该方法包括:
获取多条车辆维修信息,基于预设的生成式大模型对每条车辆维修信息进行信息提取,获取每条车辆维修信息中的车辆故障信息,以及车辆故障信息对应的维修流程和维修结论;
对车辆故障信息进行聚类分析,以确定每条车辆故障信息、维修流程和维修结论所属的第一故障类型;
针对任一第一故障类型,根据第一故障类型下的车辆故障信息生成候选故障信息,并基于第一故障类型下的维修流程、维修结论进行分割处理,获取维修子流程和维修子流程关联的维修子结论;
基于维修子流程和维修子流程关联的维修子结论进行聚类分析和整合处理,生成候选故障信息对应的候选维修建议。
本公开实施例中,获取多个车辆维修信息中的车辆故障信息,以及车辆故障信息对应的维修流程和维修结论,可以提高维修建议的覆盖率,根据第一故障类型下的车辆故障信息生成候选故障信息,并基于第一故障类型下的维修流程、维修结论进行分割处理,获取维修子流程和维修子流程关联的维修子结论;基于维修子流程和维修子流程关联的维修子结论进行聚类分析和整合处理,生成候选故障信息对应的候选维修建议,可以提高维修建议的客观性和生成维修建议的准确性。
根据本公开的另一方面,提供了一种车辆维修建议的获取装置,包括:
第一获取模块,用于获取车辆故障描述语句,并获取多条候选故障信息,以及每条候选故障信息对应的候选维修建议;
第二获取模块,用于根据车辆故障描述语句和候选故障信息,从候选维修建议中获取目标维修建议;
其中,候选维修建议由下述车辆维修建议的生成装置生成。
根据本公开的另一方面,提供了一种车辆维修建议的生成装置,包括:
信息提取模块,用于获取多条车辆维修信息,基于预设的生成式大模型对每条车辆维修信息进行信息提取,获取每条车辆维修信息中的车辆故障信息,以及车辆故障信息对应的维修流程和维修结论;
确定模块,用于对车辆故障信息进行聚类分析,以确定每条车辆故障信息、维修流程和维修结论所属的第一故障类型;
第一处理模块,用于针对任一第一故障类型,根据第一故障类型下的车辆故障信息生成候选故障信息,并基于第一故障类型下的维修流程、维修结论进行分割处理,获取维修子流程和维修子流程关联的维修子结论;
第二处理模块,用于基于维修子流程和维修子流程关联的维修子结论进行聚类分析和整合处理,生成候选故障信息对应的候选维修建议。
根据本公开的另一方面,提供了一种电子设备,包括至少一个处理器,以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开第一个方面实施例的车辆维修建议的获取方法或执行本公开第二个方面实施例的车辆维修建议的生成方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行根据本公开第一个方面实施例的车辆维修建议的获取方法或执行根据本公开第二个方面实施例的车辆维修建议的生成方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本公开第一个方面实施例的车辆维修建议的获取方法的步骤或实现本公开第二个方面实施例的车辆维修建议的生成方法的步骤。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开一个实施例的车辆维修建议的获取方法的流程图;
图2是根据本公开一个实施例的候选维修建议的示意图;
图3是根据本公开一个实施例的车辆维修建议的获取方法的示意图;
图4是根据本公开一个实施例的车辆维修建议的生成方法的流程图;
图5是根据本公开一个实施例的车辆维修建议的生成方法的示意图;
图6是根据本公开一个实施例的车辆维修建议的生成方法的流程图;
图7是根据本公开一个实施例的车辆维修建议的生成方法的流程图;
图8是根据本公开一个实施例的车辆维修建议的获取装置的结构图;
图9是根据本公开一个实施例的车辆维修建议的生成装置的结构图;
图10是用来实现本公开实施例的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本公开实施例涉及人工智能、自然语言处理等技术领域。
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
自然语言处理(Natural Language Processing,NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此,这一领域的研究将涉及自然语言,即人们日常使用的语言,所以它与语言学的研究有着密切的联系,但又有重要的区别。自然语言处理并不是一般地研究自然语言,而在于研制能有效地实现自然语言通信的计算机系统,特别是其中的软件系统。因而它是计算机科学的一部分。自然语言处理主要应用于机器翻译、舆情监测、自动摘要、观点提取、文本分类、问题回答、文本语义对比、语音识别、中文OCR等方面。
下面结合参考附图描述本公开的车辆维修建议的获取方法和车辆维修建议的生成方法。
图1是根据本公开一个实施例的车辆维修建议的获取方法的流程图,如图1所示,该方法包括以下步骤:
S101,获取车辆故障描述语句,并获取多条候选故障信息,以及每条候选故障信息对应的候选维修建议。
本公开实施例中,可以直接获取车辆故障描述文本作为车辆故障描述语句。在其他实施方式中,也可以获取车辆故障描述语音,对车辆故障描述语音进行语音识别,得到车辆故障描述语句。例如,车辆故障描述语句可以是发动机无法启动、刹车失效、灯光闪烁等。
可选地,候选故障信息包括故障代码、故障描述、故障级别、故障部件或系统、故障现象中的一种或多种。图2是根据本公开一个实施例的候选维修建议的示意图,如图2所示,候选故障信息对应的候选维修建议包括针对该候选故障信息的修复建议或解决方案的流程和结论。
其中,候选维修建议由以下生成方法生成:获取多条车辆维修信息,基于预设的生成式大模型对每条车辆维修信息进行信息提取,获取每条车辆维修信息中的车辆故障信息,以及车辆故障信息对应的维修流程和维修结论。对车辆故障信息进行聚类分析,以确定每条车辆故障信息、维修流程和维修结论所属的第一故障类型。针对任一第一故障类型,根据第一故障类型下的车辆维修信息生成候选故障信息,并基于第一故障类型下的维修流程、维修结论进行分割处理,获取维修子流程和维修子流程关联的维修子结论。基于维修子流程和维修子流程关联的维修子结论进行聚类分析和整合处理,生成候选故障信息对应的候选维修建议。需要说明的是,关于车辆维修建议的生成方法在接下来的实施例中进一步详细说明。
可选地,生成式大模型可以是大语言模型,在其他实施方式中,也可以是其他模型,本公开实施例对此不作限制。
S102,根据车辆故障描述语句和候选故障信息,从候选维修建议中获取目标维修建议。
将车辆故障描述语句和每条候选故障信息进行匹配,获取相似度。在一些实施方式中,将相似度最大的一个候选故障信息对应的候选维修建议确定为目标维修建议,并推送给预设终端设备。可选地,输出目标维修建议的时候会依次输出每一条具体维修子流程,并监测工作人员操作结果,然后根据操作结果判断是否需要执行下一条维修子流程,或直接得出最终维修结论。
在一些实施方式中,还可以将相似度最大的候选故障信息对应的候选维修建议确定为目标维修建议,并推送给预设终端设备。
如图3所示,本公开实施例中,可以获取车辆故障描述语句,并从故障维修数据库中获取多条候选故障信息,以及每条候选故障信息对应的候选维修建议。将故障维修数据库以及车辆故障描述语句作为输入,使用生成式大模型,选取出一条与输入车辆故障描述语句最接近的候选故障信息,并提取出候选故障信息对应的候选维修建议作为目标维修建议输出。
本公开实施例中,获取车辆故障描述语句,并获取多条候选故障信息,以及每条所述候选故障信息对应的候选维修建议;根据所述车辆故障描述语句和所述候选故障信息,从所述候选维修建议中获取目标维修建议。本公开实施例可以直接通过车辆故障描述语句进行维修建议,基于大模型自动输出故障维修方案,提高了获取车辆维修建议的效率和灵活性。
图4是根据本公开一个实施例的车辆维修建议的生成方法的流程图,如图4所示,该方法包括以下步骤:
S401,获取多条车辆维修信息,基于预设的生成式大模型对每条车辆维修信息进行信息提取,获取每条车辆维修信息中的车辆故障信息,以及车辆故障信息对应的维修流程和维修结论。
如图5所示,本公开实施例中,获取多条车辆维修信息,车辆维修信息记录了对故障进行维修或更换部件的相关信息,例如,可以获取车辆维修案例作为车辆维修信息,车辆维修案例一般是非结构化文本,将所有车辆维修案例作为输入,使用生成式大模型对每一个车辆维修案例分别进行处理,将车辆故障信息和维修流程、维修结论区分开,实现维修案例内容结构化。
本公开实施例中,车辆故障信息包括故障代码、故障描述、故障级别、故障部件或系统、故障现象中的一种或多种。
需要说明的是,结构化后的每一条案例包括“车辆故障信息”以及“维修流程及维修结论”两个部分,如图2所示,“维修流程及维修结论”部分详细包含了多个故障问题诊断排查的维修子流程、每条维修子流程排查结果对应的维修子结论,维修子结论包括两类:维修最终结论以及下一步执行哪个维修子流程(结果跳转)。
可选地,生成式大模型可以是大语言模型。
S402,对车辆故障信息进行聚类分析,以确定每条车辆故障信息、维修流程和维修结论所属的第一故障类型。
可选地,可以基于聚类算法对车辆故障信息进行聚类分析,获取每条车辆故障信息所属的第一故障类型。针对每条车辆故障信息,将车辆故障信息所属的第一故障类型确定为车辆故障信息对应的维修流程和维修结论所属的第一故障类型。
可选地,聚类算法可以是K均值聚类(K-means clustering)算法,在其他实现中,也可以基于其他聚类算法对车辆故障信息进行聚类分析,本公开实施例对此不作限制。
可选地,还可以使用大模型或者传统机器学习方式,从车辆故障信息的维度,对所有车辆维修信息进行聚类,生成多组车辆维修信息,并且同一组的多个车辆维修信息中的车辆故障信息、维修流程和维修结论属于同一第一故障类型;
S403,针对任一第一故障类型,根据第一故障类型下的车辆故障信息生成候选故障信息,并基于第一故障类型下的维修流程、维修结论进行分割处理,获取维修子流程和维修子流程关联的维修子结论。
在一些实施方式中,对第一故障类型下的车辆故障信息进行全量保留,作为候选故障信息。
在一些实施方式中,对第一故障类型下的车辆故障信息进行合并处理,生成候选故障信息,也就是说,对第一故障类型下的车辆故障信息进行全量保留,进而识别并删除重复的车辆故障信息,得到候选故障信息。
如图2所示,本公开实施例中,维修流程包括多个维修子流程,维修结论包括多个维修子结论,本公开实施例对维修流程、维修结论进行分割处理,得到维修子流程和维修子结论,其中,维修子流程和维修子结论之间具有一对一或一对多的关联关系,也就是说,维修子流程可能关联一个或多个维修子结论。
S404,基于维修子流程和维修子流程关联的维修子结论进行聚类分析和整合处理,生成候选故障信息对应的候选维修建议。
在一些实施方式中,对于同一第一故障类型下的维修子流程和维修子结论进行聚类分析,确定维修子流程所属的第二故障类型,基于生成式大模型对相同第二故障类型的维修子流程及其关联的维修子结论进行整合处理,生成候选故障信息对应的候选维修建议。
本公开实施例中,新生成的候选维修建议中的每一个维修子流程都可能是多个不同案例里的某一个类似子流程经过大模型进行语言总结后生成的一条流程。
本公开实施例中,获取多条车辆维修信息,基于预设的生成式大模型对每条车辆维修信息进行信息提取,获取每条车辆维修信息中的车辆故障信息,以及车辆故障信息对应的维修流程和维修结论,可以提高维修建议的覆盖率,根据第一故障类型下的车辆故障信息生成候选故障信息,并基于第一故障类型下的维修流程、维修结论进行分割处理,获取维修子流程和维修子流程关联的维修子结论;基于维修子流程和维修子流程关联的维修子结论进行聚类分析和整合处理,生成候选故障信息对应的候选维修建议,可以提高维修建议的客观性和准确性。
图6是根据本公开一个实施例的车辆维修建议的生成方法的流程图,如图1所示,该方法包括以下步骤:
S601,获取多条车辆维修信息,基于预设的生成式大模型对每条车辆维修信息进行信息提取,获取每条车辆维修信息中的车辆故障信息,以及车辆故障信息对应的维修流程和维修结论。
S602,对车辆故障信息进行聚类分析,以确定每条车辆故障信息、维修流程和维修结论所属的第一故障类型。
S603,针对任一第一故障类型,根据第一故障类型下的车辆故障信息生成候选故障信息,并基于第一故障类型下的维修流程、维修结论进行分割处理,获取维修子流程和维修子流程关联的维修子结论。
S604,对每条维修子流程进行识别和聚类分析,以确定每条维修子流程所属的第二故障类型。
关于步骤S601至步骤S604的介绍可以参见上述实施例中的相关内容,此处不再赘述。
S605,针对任一第二故障类型,对第二故障类型下的候选维修子流程及其关联的候选维修子结论进行合并处理和语言总结,获取第二故障类型对应的目标维修子流程和目标维修子流程关联的目标维修子结论。
如图7所示,在一些实施方式中,对第二故障类型下的相同的候选维修子流程及其关联的候选维修子结论进行合并处理,进而对合并处理后的候选维修子流程及其关联的候选维修子结论进行语言总结,获取语言总结后的目标维修子流程和目标维修子流程关联的目标维修子结论。
需要说明的是,为了进一步提高候选维修建议的准确性,避免浪费资源,获取第二故障类型对应的目标维修子流程和目标维修子流程关联的目标维修子结论之后,还包括:对任一目标维修子流程对进行相似度识别,获取相似度,目标维修子流程对包括两个不同的目标维修子流程。响应于相似度大于预设的相似度阈值,删除目标维修子流程对中的一个目标维修子流程。也就是说,每一条目标维修子流程的“实际执行的诊断维修操作”都是不重复的。
S606,对各个目标维修子流程及其关联的目标维修子结论进行整合处理,生成候选故障信息对应的候选维修建议。
在一些实施方式中,根据第二故障类型下的候选维修子流程的数量,确定第二故障类型对应的目标维修子流程的第一顺序,根据第一顺序对各个目标维修子流程及其关联的目标维修子结论进行整合处理。可选地,第二故障类型下的候选维修子流程的数量越大,说明该第二故障类型的候选维修子流程在维修案例中出现的频率越高,目标维修子流程的第一顺序越靠前,从而提高生成车辆维修建议的准确性。
在一些实施方式中,为了进一步提高生成车辆维修建议的客观性,还需要关注各个候选维修子流程在原来整个维修流程中的顺序,可以获取第二故障类型下的候选维修子流程在分割之前所属的维修流程的第二顺序,根据第二顺序对第一顺序进行修正。例如,若第二故障类型下的候选维修子流程在维修案例中出现的频率较高,目标维修子流程的第一顺序较靠前,但是第二故障类型下的候选维修子流程在分割之前所属的维修流程的第二顺序较靠后,根据第二顺序对目标维修子流程的第一顺序进行降低。
可选地,本公开实施例中,可以调用生成式大模型,根据目标维修子流程的第一顺序对各个目标维修子流程及其关联的目标维修子结论进行整合处理和统一化表述,生成候选故障信息对应的候选维修建议。
本公开实施例中,针对任一第二故障类型,对第二故障类型下的候选维修子流程及其关联的候选维修子结论进行合并处理和语言总结,获取第二故障类型对应的目标维修子流程和目标维修子流程关联的目标维修子结论,对各个目标维修子流程及其关联的目标维修子结论进行整合处理,生成候选故障信息对应的候选维修建议,可以从多个维修案例中提取深度全面的维修建议信息,使得生成的候选维修建议更具有客观性和准确性,可以帮助解决复杂的车辆故障问题。
在一些实施方式中,当维修的实际方法和结论与候选维修建议不一致时,将实际的现象、维修流程以及结论组合成一条新的维修案例,将其作为原始输入,对候选故障信息及其对应的候选维修建议进行重新训练,从而达到信息优化的效果。
候选故障信息及其对应的候选维修建议更新的频率可根据需求进行设置,如定期(积累一定时间内的负样本bad case)更新或定量(积累一定bad case数量)更新,具体更新策略不影响整体方案有效性。支持的故障类型随着系统使用,可不断增加,同一故障类型随着维修次数的增多,推荐的维修方案建议可不断优化更新。
图8是根据本公开一个实施例的车辆维修建议的获取装置的结构图,如图8所示,车辆维修建议的获取装置800包括:
第一获取模块810,用于获取车辆故障描述语句,并获取多条候选故障信息,以及每条候选故障信息对应的候选维修建议;
第二获取模块820,用于根据车辆故障描述语句和候选故障信息,从候选维修建议中获取目标维修建议;
其中,候选维修建议由车辆维修建议的生成装置生成,车辆维修建议的生成装置包括:
信息提取模块,用于获取多条车辆维修信息,基于预设的生成式大模型对每条车辆维修信息进行信息提取,获取每条车辆维修信息中的车辆故障信息,以及车辆故障信息对应的维修流程和维修结论;
确定模块,用于对车辆故障信息进行聚类分析,以确定每条车辆故障信息、维修流程和维修结论所属的第一故障类型;
第一处理模块,用于针对任一第一故障类型,根据第一故障类型下的车辆故障信息生成候选故障信息,并基于第一故障类型下的维修流程、维修结论进行分割处理,获取维修子流程和维修子流程关联的维修子结论;
第二处理模块,用于基于维修子流程和维修子流程关联的维修子结论进行聚类分析和整合处理,生成候选故障信息对应的候选维修建议。
在一些实施方式中,第二获取模块820,还用于:
将车辆故障描述语句和每条候选故障信息进行匹配,获取相似度;
将相似度最大的候选故障信息对应的候选维修建议确定为目标维修建议。
本公开实施例可以直接通过车辆故障描述语句进行维修建议,基于大模型自动输出故障维修方案,提高了获取车辆维修建议的效率和灵活性。
图9是根据本公开一个实施例的车辆维修建议的生成装置的结构图,如图9所示,车辆维修建议的生成装置900包括:
信息提取模块910,用于获取多条车辆维修信息,基于预设的生成式大模型对每条车辆维修信息进行信息提取,获取每条车辆维修信息中的车辆故障信息,以及车辆故障信息对应的维修流程和维修结论;
确定模块920,用于对车辆故障信息进行聚类分析,以确定每条车辆故障信息、维修流程和维修结论所属的第一故障类型;
第一处理模块930,用于针对任一第一故障类型,根据第一故障类型下的车辆故障信息生成候选故障信息,并基于第一故障类型下的维修流程、维修结论进行分割处理,获取维修子流程和维修子流程关联的维修子结论;
第二处理模块940,用于基于维修子流程和维修子流程关联的维修子结论进行聚类分析和整合处理,生成候选故障信息对应的候选维修建议。
在一些实施方式中,第二处理模块940,还用于:
对每条维修子流程进行识别和聚类分析,以确定每条维修子流程所属的第二故障类型;
针对任一第二故障类型,对第二故障类型下的候选维修子流程及其关联的候选维修子结论进行合并处理和语言总结,获取第二故障类型对应的目标维修子流程和目标维修子流程关联的目标维修子结论;
对各个目标维修子流程及其关联的目标维修子结论进行整合处理,生成候选故障信息对应的候选维修建议。
在一些实施方式中,第一处理模块930,还用于:
对任一目标维修子流程对进行相似度识别,获取相似度,目标维修子流程对包括两个不同的目标维修子流程;
响应于相似度大于预设的相似度阈值,删除目标维修子流程对中的一个目标维修子流程。
在一些实施方式中,第二处理模块940,还用于:
根据第二故障类型下的候选维修子流程的数量,确定第二故障类型对应的目标维修子流程的第一顺序;
根据第一顺序对各个目标维修子流程及其关联的目标维修子结论进行整合处理。
在一些实施方式中,第二处理模块940,还用于:
获取第二故障类型下的候选维修子流程在所属的维修流程的第二顺序;
根据第二顺序对第一顺序进行修正。
在一些实施方式中,确定模块920,还用于:
对车辆故障信息进行聚类分析,获取每条车辆故障信息所属的第一故障类型;
针对每条车辆故障信息,将车辆故障信息所属的第一故障类型确定为车辆故障信息对应的维修流程和维修结论所属的第一故障类型。
在一些实施方式中,第一处理模块930,还用于:
对第一故障类型下的车辆故障信息进行合并处理,生成候选故障信息。
本公开实施例中,获取多条车辆维修信息,基于预设的生成式大模型对每条车辆维修信息进行信息提取,获取每条车辆维修信息中的车辆故障信息,以及车辆故障信息对应的维修流程和维修结论,可以提高维修建议的覆盖率,根据第一故障类型下的车辆故障信息生成候选故障信息,并基于第一故障类型下的维修流程、维修结论进行分割处理,获取维修子流程和维修子流程关联的维修子结论;基于维修子流程和维修子流程关联的维修子结论进行聚类分析和整合处理,生成候选故障信息对应的候选维修建议,可以提高维修建议的客观性和准确性。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10是用来实现本公开实施例的电子设备的框图。该电子设备可以实现本公开实施例的车辆维修建议的生成方法或车辆维修建议的获取方法,电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如车辆维修建议的生成方法或车辆维修建议的获取方法。例如,在一些实施例中,车辆维修建议的生成方法或车辆维修建议的获取方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的车辆维修建议的生成方法或车辆维修建议的获取方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车辆维修建议的生成方法或车辆维修建议的获取方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (21)
1.一种车辆维修建议的获取方法,其中,包括:
获取车辆故障描述语句,并获取多条候选故障信息,以及每条所述候选故障信息对应的候选维修建议;
根据所述车辆故障描述语句和所述候选故障信息,从所述候选维修建议中获取目标维修建议;
其中,所述候选维修建议由以下生成方法生成:
获取多条车辆维修信息,基于预设的生成式大模型对每条所述车辆维修信息进行信息提取,获取每条所述车辆维修信息中的车辆故障信息,以及所述车辆故障信息对应的维修流程和维修结论;
对所述车辆故障信息进行聚类分析,以确定每条所述车辆故障信息、所述维修流程和所述维修结论所属的第一故障类型;
针对任一第一故障类型,根据所述第一故障类型下的所述车辆维修信息生成候选故障信息,并基于所述第一故障类型下的所述维修流程、所述维修结论进行分割处理,获取维修子流程和所述维修子流程关联的维修子结论;
基于所述维修子流程和所述维修子流程关联的维修子结论进行聚类分析和整合处理,生成所述候选故障信息对应的候选维修建议。
2.根据权利要求1所述的方法,其中,所述根据所述车辆故障描述语句和所述候选故障信息,从所述候选维修建议中获取目标维修建议,包括:
将所述车辆故障描述语句和每条所述候选故障信息进行匹配,获取相似度;
将所述相似度最大的候选故障信息对应的候选维修建议确定为所述目标维修建议。
3.一种车辆维修建议的生成方法,其中,包括:
获取多条车辆维修信息,基于预设的生成式大模型对每条所述车辆维修信息进行信息提取,获取每条所述车辆维修信息中的车辆故障信息,以及所述车辆故障信息对应的维修流程和维修结论;
对所述车辆故障信息进行聚类分析,以确定每条所述车辆故障信息、所述维修流程和所述维修结论所属的第一故障类型;
针对任一第一故障类型,根据所述第一故障类型下的所述车辆故障信息生成候选故障信息,并基于所述第一故障类型下的所述维修流程、所述维修结论进行分割处理,获取维修子流程和所述维修子流程关联的维修子结论;
基于所述维修子流程和所述维修子流程关联的维修子结论进行聚类分析和整合处理,生成所述候选故障信息对应的候选维修建议。
4.根据权利要求3所述的方法,其中,所述基于所述维修子流程和所述维修子流程关联的维修子结论进行聚类分析和整合处理,生成所述候选故障信息对应的候选维修建议,包括:
对每条所述维修子流程进行识别和聚类分析,以确定每条所述维修子流程所属的第二故障类型;
针对任一第二故障类型,对所述第二故障类型下的所述候选维修子流程及其关联的所述候选维修子结论进行合并处理和语言总结,获取所述第二故障类型对应的目标维修子流程和所述目标维修子流程关联的目标维修子结论;
对各个所述目标维修子流程及其关联的所述目标维修子结论进行整合处理,生成所述候选故障信息对应的所述候选维修建议。
5.根据权利要求4所述的方法,其中,所述获取所述第二故障类型对应的目标维修子流程和所述目标维修子流程关联的目标维修子结论之后,还包括:
对任一目标维修子流程对进行相似度识别,获取相似度,所述目标维修子流程对包括两个不同的所述目标维修子流程;
响应于所述相似度大于预设的相似度阈值,删除所述目标维修子流程对中的一个所述目标维修子流程。
6.根据权利要求4所述的方法,其中,所述对各个所述目标维修子流程及其关联的所述目标维修子结论进行整合处理,包括:
根据所述第二故障类型下的所述候选维修子流程的数量,确定所述第二故障类型对应的所述目标维修子流程的第一顺序;
根据所述第一顺序对各个所述目标维修子流程及其关联的所述目标维修子结论进行整合处理。
7.根据权利要求6所述的方法,其中,所述确定所述目标维修子流程的排列顺序之后,还包括:
获取所述第二故障类型下的所述候选维修子流程在所属的维修流程的第二顺序;
根据所述第二顺序对所述第一顺序进行修正。
8.根据权利要求3所述的方法,其中,所述对所述车辆故障信息进行聚类分析,以确定每条所述车辆故障信息、所述维修流程和所述维修结论所属的第一故障类型,包括:
对所述车辆故障信息进行聚类分析,获取每条所述车辆故障信息所属的第一故障类型;
针对每条所述车辆故障信息,将所述车辆故障信息所属的第一故障类型确定为所述车辆故障信息对应的所述维修流程和所述维修结论所属的第一故障类型。
9.根据权利要求3所述的方法,其中,所述根据所述第一故障类型下的所述车辆故障信息生成候选故障信息,包括:
对所述第一故障类型下的所述车辆故障信息进行合并处理,生成所述候选故障信息。
10.一种车辆维修建议的获取装置,其中,包括:
第一获取模块,用于获取车辆故障描述语句,并获取多条候选故障信息,以及每条所述候选故障信息对应的候选维修建议;
第二获取模块,用于根据所述车辆故障描述语句和所述候选故障信息,从所述候选维修建议中获取目标维修建议;
其中,所述候选维修建议由车辆维修建议的生成装置生成,所述车辆维修建议的生成装置包括:
信息提取模块,用于获取多条车辆维修信息,基于预设的生成式大模型对每条所述车辆维修信息进行信息提取,获取每条所述车辆维修信息中的车辆故障信息,以及所述车辆故障信息对应的维修流程和维修结论;
确定模块,用于对所述车辆故障信息进行聚类分析,以确定每条所述车辆故障信息、所述维修流程和所述维修结论所属的第一故障类型;
第一处理模块,用于针对任一第一故障类型,根据所述第一故障类型下的所述车辆故障信息生成候选故障信息,并基于所述第一故障类型下的所述维修流程、所述维修结论进行分割处理,获取维修子流程和所述维修子流程关联的维修子结论;
第二处理模块,用于基于所述维修子流程和所述维修子流程关联的维修子结论进行聚类分析和整合处理,生成所述候选故障信息对应的候选维修建议。
11.根据权利要求10所述的装置,其中,所述第二获取模块,还用于:
将所述车辆故障描述语句和每条所述候选故障信息进行匹配,获取相似度;
将所述相似度最大的候选故障信息对应的候选维修建议确定为所述目标维修建议。
12.一种车辆维修建议的生成装置,其中,包括:
信息提取模块,用于获取多条车辆维修信息,基于预设的生成式大模型对每条所述车辆维修信息进行信息提取,获取每条所述车辆维修信息中的车辆故障信息,以及所述车辆故障信息对应的维修流程和维修结论;
确定模块,用于对所述车辆故障信息进行聚类分析,以确定每条所述车辆故障信息、所述维修流程和所述维修结论所属的第一故障类型;
第一处理模块,用于针对任一第一故障类型,根据所述第一故障类型下的所述车辆故障信息生成候选故障信息,并基于所述第一故障类型下的所述维修流程、所述维修结论进行分割处理,获取维修子流程和所述维修子流程关联的维修子结论;
第二处理模块,用于基于所述维修子流程和所述维修子流程关联的维修子结论进行聚类分析和整合处理,生成所述候选故障信息对应的候选维修建议。
13.根据权利要求12所述的装置,其中,所述第二处理模块,还用于:
对每条所述维修子流程进行识别和聚类分析,以确定每条所述维修子流程所属的第二故障类型;
针对任一第二故障类型,对所述第二故障类型下的所述候选维修子流程及其关联的所述候选维修子结论进行合并处理和语言总结,获取所述第二故障类型对应的目标维修子流程和所述目标维修子流程关联的目标维修子结论;
对各个所述目标维修子流程及其关联的所述目标维修子结论进行整合处理,生成所述候选故障信息对应的所述候选维修建议。
14.根据权利要求13所述的装置,其中,所述第一处理模块,还用于:
对任一目标维修子流程对进行相似度识别,获取相似度,所述目标维修子流程对包括两个不同的所述目标维修子流程;
响应于所述相似度大于预设的相似度阈值,删除所述目标维修子流程对中的一个所述目标维修子流程。
15.根据权利要求13所述的装置,其中,所述第二处理模块,还用于:
根据所述第二故障类型下的所述候选维修子流程的数量,确定所述第二故障类型对应的所述目标维修子流程的第一顺序;
根据所述第一顺序对各个所述目标维修子流程及其关联的所述目标维修子结论进行整合处理。
16.根据权利要求15所述的装置,其中,所述第二处理模块,还用于:
获取所述第二故障类型下的所述候选维修子流程在所属的维修流程的第二顺序;
根据所述第二顺序对所述第一顺序进行修正。
17.根据权利要求12所述的装置,其中,所述确定模块,还用于:
对所述车辆故障信息进行聚类分析,获取每条所述车辆故障信息所属的第一故障类型;
针对每条所述车辆故障信息,将所述车辆故障信息所属的第一故障类型确定为所述车辆故障信息对应的所述维修流程和所述维修结论所属的第一故障类型。
18.根据权利要求12所述的装置,其中,所述第一处理模块,还用于:
对所述第一故障类型下的所述车辆故障信息进行合并处理,生成所述候选故障信息。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-2中任一项所述的方法,或执行权利要求3-9任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-2中任一项所述的方法,或执行根据权利要求3-9任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-2中任一项所述方法的步骤,或实现根据权利要求3-9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410045135.3A CN117764560A (zh) | 2024-01-11 | 2024-01-11 | 车辆维修建议的获取方法和车辆维修建议的生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410045135.3A CN117764560A (zh) | 2024-01-11 | 2024-01-11 | 车辆维修建议的获取方法和车辆维修建议的生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117764560A true CN117764560A (zh) | 2024-03-26 |
Family
ID=90318338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410045135.3A Pending CN117764560A (zh) | 2024-01-11 | 2024-01-11 | 车辆维修建议的获取方法和车辆维修建议的生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117764560A (zh) |
-
2024
- 2024-01-11 CN CN202410045135.3A patent/CN117764560A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113722493B (zh) | 文本分类的数据处理方法、设备、存储介质 | |
CN113792154B (zh) | 故障关联关系的确定方法、装置、电子设备及存储介质 | |
CN112541070B (zh) | 槽位更新语料的挖掘方法、装置、电子设备和存储介质 | |
CN113836314B (zh) | 知识图谱构建方法、装置、设备以及存储介质 | |
CN114579104A (zh) | 数据分析场景的生成方法、装置、设备及存储介质 | |
CN111861596A (zh) | 一种文本分类方法和装置 | |
CN116307672A (zh) | 一种故障诊断方法、装置、电子设备及介质 | |
US20220198358A1 (en) | Method for generating user interest profile, electronic device and storage medium | |
CN114186533A (zh) | 模型训练方法及装置、知识抽取方法及装置、设备和介质 | |
CN113806522A (zh) | 摘要生成方法、装置、设备以及存储介质 | |
CN114461665B (zh) | 用于生成语句转换模型的方法、装置及计算机程序产品 | |
CN115952258A (zh) | 政务标签库的生成方法、政务文本的标签确定方法和装置 | |
CN115186738A (zh) | 模型训练方法、装置和存储介质 | |
CN113641724B (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
CN115757304A (zh) | 一种日志存储方法、装置、系统、电子设备及存储介质 | |
CN117764560A (zh) | 车辆维修建议的获取方法和车辆维修建议的生成方法 | |
CN113887101A (zh) | 网络模型的可视化方法、装置、电子设备及存储介质 | |
CN112989797A (zh) | 模型训练、文本扩展方法,装置,设备以及存储介质 | |
CN114118937A (zh) | 基于任务的信息推荐方法、装置、电子设备及存储介质 | |
CN114385829A (zh) | 知识图谱创建方法、装置、设备以及存储介质 | |
CN116737520B (zh) | 一种日志数据的数据编织方法、装置、设备及存储介质 | |
CN113344405B (zh) | 基于知识图谱生成信息的方法、装置、设备、介质和产品 | |
US20220237388A1 (en) | Method and apparatus for generating table description text, device and storage medium | |
CN115525774A (zh) | 一种图谱的生成方法、装置、电子设备和存储介质 | |
CN117313668A (zh) | 语料生成方法、装置、电子设备及存储介质 |
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 |