CN117891531A - 用于saas软件的系统参数配置方法、系统、介质及电子设备 - Google Patents
用于saas软件的系统参数配置方法、系统、介质及电子设备 Download PDFInfo
- Publication number
- CN117891531A CN117891531A CN202410288300.8A CN202410288300A CN117891531A CN 117891531 A CN117891531 A CN 117891531A CN 202410288300 A CN202410288300 A CN 202410288300A CN 117891531 A CN117891531 A CN 117891531A
- Authority
- CN
- China
- Prior art keywords
- parameters
- text
- system parameter
- parameter configuration
- client
- 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
- 238000000034 method Methods 0.000 title claims abstract description 137
- 102100036366 ProSAAS Human genes 0.000 title claims abstract description 110
- 230000008569 process Effects 0.000 claims abstract description 90
- 238000011835 investigation Methods 0.000 claims abstract description 57
- 230000006870 function Effects 0.000 claims description 113
- 238000012549 training Methods 0.000 claims description 47
- 238000007405 data analysis Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 4
- 238000012827 research and development Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 11
- 238000007726 management method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Stored Programmes (AREA)
Abstract
本申请公开了一种用于SAAS软件的系统参数配置方法、系统、介质及电子设备,方法包括:获取目标对象针对SAAS软件反馈的待处理文本,待处理文本包括访谈文本和调研文本;将访谈文本和调研文本输入预先训练的系统参数配置模型中,输出待处理文本对应的系统参数配置信息;预先训练的系统参数配置模型分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息;根据系统参数配置信息,对SAAS软件的系统参数进行更新。因此,采用本申请实施例,可自动化生成系统参数配置和业务流程配置,解决系统配置复杂的问题,从而提升了系统参数配置效率。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种用于SAAS软件的系统参数配置方法、系统、介质及电子设备。
背景技术
企业管理软件(SAAS软件)是一种集成管理企业各个部门和业务流程的软件系统,但是随着电子信息技术和人工智能的发展,SAAS软件对应了庞大的硬件设施和软件设施,无论是硬件设施还是软件设施,面对不同用户、不同运行环境和/或不同业务负载,其配置参数通常是千变万化的。
在现有技术中,在进行系统参数配置时,通过系统的配置文件进行配置,该配置方式仅仅能面对少量统一的业务功能,但是对于大量的业务功能需要用户手动配置,手动配置需要花费大量的时间,且在发生配置错误的情况下需要重新配置,从而降低了系统参数配置效率。
发明内容
本申请实施例提供了一种用于SAAS软件的系统参数配置方法、系统、介质及电子设备。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种用于SAAS软件的系统参数配置方法,方法包括:
获取目标对象针对SAAS软件反馈的待处理文本,待处理文本包括访谈文本和调研文本;
将访谈文本和调研文本输入预先训练的系统参数配置模型中,输出待处理文本对应的系统参数配置信息;其中,
预先训练的系统参数配置模型用于分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息;
根据系统参数配置信息,对SAAS软件的系统参数进行更新。
可选的,按照以下步骤生成预先训练的系统参数配置模型,包括:
收集预先针对每个客户进行访谈以及调研的历史访谈文本和历史调研文本;
根据历史访谈文本和历史调研文本,生成每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数;
对每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数进行整理及标注,得到训练数据集;
创建系统参数配置模型;
根据训练数据集,对系统参数配置模型进行训练,以使系统参数配置模型拟合功能需求参数、业务流程参数以及系统参数之间的关系,生成预先训练的系统参数配置模型。
可选的,分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息,包括:
对待处理文本进行文本分析,以识别出待处理文本中的关键信息,关键信息包括客户需求信息、业务流程的要求信息以及SAAS软件的系统参数的规则信息;
将客户需求信息、业务流程的要求信息以及SAAS软件的系统参数的规则信息作为功能需求参数、业务流程参数以及系统参数;
根据功能需求参数、业务流程参数以及系统参数,构建应用于SAAS软件的全局参数设置信息、基础资料的参数设置信息、权限管理信息、编码规则定义信息、表单字段属性的配置信息;
将全局参数设置信息、基础资料的参数设置信息、权限管理信息、编码规则定义信息、表单字段属性的配置信息作为待处理文本对应的系统参数配置信息。
可选的,根据历史访谈文本和历史调研文本,生成每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数,包括:
对历史访谈文本和历史调研文本进行数据挖掘和分析,以识别历史访谈文本和历史调研文本中存在的关键词,得到数据分析结果;
根据数据分析结果,确定每个客户的功能ID、业务流程ID和系统ID;
基于每个客户的功能ID,获取基本功能参数、高级功能参数以及用户界面设计参数,得到每个客户对应的功能需求参数;
基于每个客户的业务流程ID,获取操作流程参数、数据流程参数以及决策流程参数,得到每个客户对应的业务流程参数;
基于每个客户的系统ID,获取硬件要求参数、软件环境参数、安全性要求参数以及性能要求参数,得到每个客户应用于SAAS软件对应的系统参数。
可选的,对每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数进行整理及标注,得到训练数据集,包括:
对历史访谈文本和历史调研文本进行分词以及剔除冗余词汇,得到每个客户对应的需求词汇集合;
将每个客户对应的需求词汇集合发送至研发客户端进行展示;
接收针对展示的每个客户对应的需求词汇集合进行排序和打分后的数据,得到每个客户对应的整理数据;
将每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数作为标签数据对每个客户对应的整理数据进行标注,得到训练数据集。
可选的,根据训练数据集,对系统参数配置模型进行训练,以使系统参数配置模型拟合功能需求参数、业务流程参数以及系统参数之间的关系,生成预先训练的系统参数配置模型,包括:
剔除系统参数配置模型中原始神经网络的损失函数,得到初始系统参数配置模型;
创建系统参数接近程度最大化损失函数;
将系统参数接近程度最大化损失函数集成至初始系统参数配置模型中,得到目标系统参数配置模型;
将训练数据集输入目标系统参数配置模型中,以使目标系统参数配置模型拟合功能需求参数、业务流程参数以及系统参数之间的关系,输出模型损失值;
在模型损失值到达最小的情况下,生成预先训练的系统参数配置模型;或者在模型损失值未到达最小的情况下,继续执行将训练数据集输入目标系统参数配置模型中的步骤,直到模型损失值到达最小。
可选的,训练数据集包括每个客户对应的整理数据和每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数;系统参数接近程度最大化损失函数为:
;
其中,表示在模型参数为/>时目标系统参数配置模型对于输入训练数据集序列/>和生成的结果/>的标量输出,/>是系统参数更接近的生成,/>是系统参数相对不接近的生成,/>是一个激活函数,/>是对比数据集,/>表示每个客户对应的整理数据和每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数生成的对应/>条结果的组合数/>。
第二方面,本申请实施例提供了一种用于SAAS软件的系统参数配置系统,系统包括:
文本获取模块,用于获取目标对象针对SAAS软件反馈的待处理文本,待处理文本包括访谈文本和调研文本;
配置信息输出模块,用于将访谈文本和调研文本输入预先训练的系统参数配置模型中,输出待处理文本对应的系统参数配置信息;其中,
预先训练的系统参数配置模型用于分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息;
系统参数更新模块,用于根据系统参数配置信息,对SAAS软件的系统参数进行更新。
第三方面,本申请实施例提供一种计算机存储介质,计算机存储介质存储有多条指令,指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种电子设备,可包括:处理器和存储器;其中,存储器存储有计算机程序,计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果:
在本申请实施例中,首先获取目标对象针对SAAS软件反馈的待处理文本,待处理文本包括访谈文本和调研文本,然后将访谈文本和调研文本输入预先训练的系统参数配置模型中,输出待处理文本对应的系统参数配置信息;最后根据系统参数配置信息,对SAAS软件的系统参数进行更新。由于本申请中预先训练的系统参数配置模型分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息,该模型是基于机器学习算法训练的,可以自动分析待处理文本以确定配置参数后对系统的参数进行更新,解决系统配置复杂的问题,从而提升了系统参数配置效率。
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
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。
图1是本申请实施例提供的一种用于SAAS软件的系统参数配置方法的流程示意图;
图2是本申请实施例提供的一种用于SAAS软件的系统参数配置的应用场景示意图;
图3是本申请实施例提供的一种系统参数配置模型训练方法的流程示意图;
图4是本申请实施例提供的一种模型训练过程中参数空间维度随着时间维度的变化示意图;
图5是本申请实施例提供的一种用于SAAS软件的系统参数配置系统的结构示意图;
图6是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下描述和附图充分地示出本申请的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
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系统和方法的例子。
在本申请的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供了一种用于SAAS软件的系统参数配置方法、系统、介质及电子设备,以解决上述相关技术问题中存在的问题。本申请提供的技术方案中,本申请中预先训练的系统参数配置模型分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息,该模型是基于机器学习算法训练的,可以自动分析待处理文本以确定配置参数后对系统的参数进行更新,解决系统配置复杂的问题,从而提升了系统参数配置效率,下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图4,对本申请实施例提供的用于SAAS软件的系统参数配置方法进行详细介绍。该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的用于SAAS软件的系统参数配置系统上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。
请参见图1,为本申请实施例提供了一种用于SAAS软件的系统参数配置方法的流程示意图。如图1所示,本申请实施例的方法可以包括以下步骤:
S101,获取目标对象针对SAAS软件反馈的待处理文本,待处理文本包括访谈文本和调研文本;
其中,目标对象为使用SAAS软件的主体,例如用户;待处理文本是由客户访谈和调研的访谈文本和调研文本转换而来的,包括对客户需求的记录、业务流程的描述以及系统参数的设定。
在本申请实施例中,在用于SAAS软件的系统参数配置过程中,首先需要获取用户针对SAAS软件反馈的访谈文本和调研文本,得到待处理文本。
其中,访谈文本和调研文本的字段包括标题/主题、正文/内容、采访者/调研者以及时间/日期;标题/主题为待处理文本的标题或主题,用于描述文本的内容;正文/内容为文本的主要部分,包含具体的信息、观点或描述;采访者/调研者为文本的作者或发布者,用于标识文本的来源;时间/日期为文本的发布时间或相关时间信息,用于确定文本的时效性。
S102,将访谈文本和调研文本输入预先训练的系统参数配置模型中,输出待处理文本对应的系统参数配置信息;
其中,预先训练的系统参数配置模型用于分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息;预先训练的系统参数配置模型是能够根据待处理文本生成系统参数配置信息的数学模型。
在本申请实施例中,分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息的过程中,具体包括:对待处理文本进行文本分析,以识别出待处理文本中的关键信息,关键信息包括客户需求信息、业务流程的要求信息以及SAAS软件的系统参数的规则信息;将客户需求信息、业务流程的要求信息以及SAAS软件的系统参数的规则信息作为功能需求参数、业务流程参数以及系统参数;根据功能需求参数、业务流程参数以及系统参数,构建应用于SAAS软件的全局参数设置信息、基础资料的参数设置信息、权限管理信息、编码规则定义信息、表单字段属性的配置信息;将全局参数设置信息、基础资料的参数设置信息、权限管理信息、编码规则定义信息、表单字段属性的配置信息作为待处理文本对应的系统参数配置信息。
在本申请实施例中,对待处理文本进行文本分析,以识别出待处理文本中的关键信息的过程具体包括以下内容:首先以访谈文本和调研文本的字段包括的标题/主题、正文/内容、采访者/调研者以及时间/日期为对象,获取每个对象的文字描述信息,然后对每个对象的文字描述信息进行规则化处理,得到标准的字段数据内容,基于预设客户需求关键字、业务流程关键字以及系统参数关键字,从标准的字段数据内容中搜索各关键字对应的内容,得到关键信息。其中,规则化处理至少包括冗余数据删除、文字标准化处理。
在本申请实施例中,在预处理过程中步骤可以包括以下步骤:
1、去除文字描述信息中的特殊字符和标点符号,例如移除文字描述信息中的特殊字符、标点符号和其他无关的符号,以净化文本内容;2、分词,例如将文字描述信息切分成单个单词或短语,可以使用中文分词工具,如jieba分词;3、停用词处理,例如去除文字描述信息中常见的无实际意义的词语,例如"的"、"是"等,在中文文本中可能需要额外添加停用词;4、词性标注,例如对文字描述信息中的每个词汇进行词性标注,以便进行更精确的处理和分析,可以使用中文词性标注工具,如NLPIR;5、实体识别,例如识别文字描述信息中的命名实体,如人名、地名、组织机构等,可以使用中文实体识别工具,如LTP;6、拼音转换,例如将文字描述信息中的中文文本转换为拼音形式,以方便进行音序排序和检索,可以使用中文拼音转换工具,如pypinyin。7、标准化格式,例如对文字描述信息的格式进行标准化,例如统一日期格式、单位标识等。
具体的,在根据功能需求参数、业务流程参数以及系统参数,构建应用于SAAS软件的全局参数设置信息、基础资料的参数设置信息、权限管理信息、编码规则定义信息、表单字段属性的配置信息的过程中,包括以下具体方式:
在全局参数设置信息的生成中,首先根据功能需求参数确定系统中需要设置的全局参数,如系统语言、时区、主题等信息,然后将上述信息输入预先设计的一个统一的全局参数设置界面中,以让用户可以方便地查看和修改这些参数,最后控制携带全局参数的界面生效,得到应用于SAAS软件的全局参数设置信息。
在基础资料的参数设置信息的生成中,首先根据需求参数确认系统中的基础资料类型,比如产品、客户、供应商等,对每种基础资料,确定需要设置的参数信息,如产品的名称、价格、描述等,将上述参数集成在预先配置的基础资料管理界面,以让用户可以添加、编辑和删除不同类型的基础资料,并设置其参数信息,从而得到基础资料的参数设置信息。
在权限管理信息的生成中,首先根据业务流程参数定义系统中的角色和权限级别,如管理员、普通用户等,确定每个角色对系统中不同功能的操作权限,包括查看、添加、编辑、删除等,将上述确定的信息集成在预先开发的权限管理界面,以让管理员可以为不同角色分配相应的权限,确保系统安全性和数据完整性。
在编码规则定义信息的生成中,首先根据系统参数确定需要定义编码规则的对象,如订单编号、客户编号等,以及设计相应的编码规则,包括前缀、日期格式、序号规则等,然后将设计的数据信息集成在预先设置的编码规则配置界面,以允许用户定义和修改不同对象的编码规则,确保生成的编号符合预期的格式和规则,得到编码规则定义信息。
在表单字段属性的配置信息的生成中,首先根据系统参数确定系统中需要配置的表单类型,如订单表单、用户信息表单等,然后定义每个表单需要包含的字段,包括字段名称、数据类型、验证规则等,最后将定义的字段全部集成在预先开发的一个表单设计工具或界面,让用户可以自定义表单的布局和字段属性,以满足不同业务需求,得到表单字段属性的配置信息。
在本申请实施例中,在生成预先训练的系统参数配置模型的过程中,具体包括以下过程:收集预先针对每个客户进行访谈以及调研的历史访谈文本和历史调研文本;根据历史访谈文本和历史调研文本,生成每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数;对每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数进行整理及标注,得到训练数据集;创建系统参数配置模型;根据训练数据集,对系统参数配置模型进行训练,以使系统参数配置模型拟合功能需求参数、业务流程参数以及系统参数之间的关系,生成预先训练的系统参数配置模型。
S103,根据系统参数配置信息,对SAAS软件的系统参数进行更新。
在本申请实施例中,在得到系统参数配置信息后,每个系统参数配置信息包括参数标识和目标参数值,此时根据系统参数配置信息,对SAAS软件的系统参数进行更新的具体过程包括:首先加载SAAS软件的系统参数配置文件,然后在该系统参数配置文件中逐一查找每个系统参数配置信息包括的参数标识对应的历史参数值,最后将每个系统参数配置信息包括的参数标识对应的历史参数值修改为每个系统参数配置信息包括的目标参数值,并将修改后的系统参数配置文件进行存储。
进一步地,在得到存储的系统参数配置文件后,可将该系统参数配置文件反馈至用户客户端进行展示。
例如图2所示,图2是本申请提供的一种用于SAAS软件的系统参数配置的应用场景示意图,客户端首先获取目标对象针对SAAS软件反馈的待处理文本发送至服务端,待处理文本包括访谈文本和调研文本,然后服务端接收到访谈文本和调研文本后,将该访谈文本和调研文本输入预先训练的系统参数配置模型中,以分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息,其次基于该配置信息更新SAAS软件的系统参数,得到新的系统参数配置文件,最后可将该新的系统参数配置文件反馈至用户客户端进行展示。
在本申请实施例中,首先获取目标对象针对SAAS软件反馈的待处理文本,待处理文本包括访谈文本和调研文本,然后将访谈文本和调研文本输入预先训练的系统参数配置模型中,输出待处理文本对应的系统参数配置信息;最后根据系统参数配置信息,对SAAS软件的系统参数进行更新。由于本申请中预先训练的系统参数配置模型分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息,该模型是基于机器学习算法训练的,可以自动分析待处理文本以确定配置参数后对系统的参数进行更新,解决系统配置复杂的问题,从而提升了系统参数配置效率。
请参见图3,为本申请实施例提供了一种系统参数配置模型训练方法的流程示意图。如图3所示,本申请实施例的方法可以包括以下步骤:
S201,收集预先针对每个客户进行访谈以及调研的历史访谈文本和历史调研文本;
在本申请实施例中,可以首先对每个客户进行访谈和调研,并收集预先针对每个客户进行访谈以及调研的历史访谈文本和历史调研文本。
S202,根据历史访谈文本和历史调研文本,生成每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数;
在本申请实施例中,在根据历史访谈文本和历史调研文本,生成每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数的过程中,包括:对历史访谈文本和历史调研文本进行数据挖掘和分析,以识别历史访谈文本和历史调研文本中存在的关键词,得到数据分析结果;根据数据分析结果,确定每个客户的功能ID、业务流程ID和系统ID;基于每个客户的功能ID,获取基本功能参数、高级功能参数以及用户界面设计参数,得到每个客户对应的功能需求参数;基于每个客户的业务流程ID,获取操作流程参数、数据流程参数以及决策流程参数,得到每个客户对应的业务流程参数;基于每个客户的系统ID,获取硬件要求参数、软件环境参数、安全性要求参数以及性能要求参数,得到每个客户应用于SAAS软件对应的系统参数。
S203,对每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数进行整理及标注,得到训练数据集;
在本申请实施例中,在对每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数进行整理及标注,得到训练数据集的过程中,首先对历史访谈文本和历史调研文本进行分词以及剔除冗余词汇,得到每个客户对应的需求词汇集合;然后将每个客户对应的需求词汇集合发送至研发客户端进行展示;其次接收针对展示的每个客户对应的需求词汇集合进行排序和打分后的数据,得到每个客户对应的整理数据;最后将每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数作为标签数据对每个客户对应的整理数据进行标注,得到训练数据集。
S204,创建系统参数配置模型;
在本申请实施例中,系统参数配置模型可以采用神经网络进行构建,具体可以是递归神经网络 (RNN)、卷积神经网络 (CNN)、长短时记忆网络 (LSTM) 和注意力机制(Attention)其中一种。
S205,根据训练数据集,对系统参数配置模型进行训练,以使系统参数配置模型拟合功能需求参数、业务流程参数以及系统参数之间的关系,生成预先训练的系统参数配置模型。
在本申请实施例中,在根据训练数据集,对系统参数配置模型进行训练,以使系统参数配置模型拟合功能需求参数、业务流程参数以及系统参数之间的关系,生成预先训练的系统参数配置模型的过程中,首先剔除系统参数配置模型中原始神经网络的损失函数,得到初始系统参数配置模型;然后创建系统参数接近程度最大化损失函数;其次将系统参数接近程度最大化损失函数集成至初始系统参数配置模型中,得到目标系统参数配置模型;再将训练数据集输入目标系统参数配置模型中,以使目标系统参数配置模型拟合功能需求参数、业务流程参数以及系统参数之间的关系,输出模型损失值;最后在模型损失值到达最小的情况下,生成预先训练的系统参数配置模型;或者在模型损失值未到达最小的情况下,继续执行将训练数据集输入目标系统参数配置模型中的步骤,直到模型损失值到达最小。
具体的,训练数据集包括每个客户对应的整理数据和每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数;系统参数接近程度最大化损失函数为:
;
其中,表示在模型参数为/>时目标系统参数配置模型对于输入训练数据集序列/>和生成的结果/>的标量输出,/>是系统参数更接近的生成,/>是系统参数相对不接近的生成,/>是一个激活函数,/>是对比数据集,/>表示每个客户对应的整理数据和每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数生成的对应/>条结果的组合数/>。
例如图4所示,通过对神经网络模型的损失函数进行修改,采用训练数据对系统参数接近程度最大化损失函数进行不断的参数拟合,使得功能需求参数、业务流程参数以及系统参数三个维度的参数关系网络在空间维度上随着时间的推移越来越清晰,例如时间的参数关系网络在空间维度上的清晰度大于/>的参数关系网络在空间维度上的清晰度,而/>时间的参数关系网络在空间维度上的清晰度小于/>的参数关系网络在空间维度上的清晰度。
在本申请实施例中,首先获取目标对象针对SAAS软件反馈的待处理文本,待处理文本包括访谈文本和调研文本,然后将访谈文本和调研文本输入预先训练的系统参数配置模型中,输出待处理文本对应的系统参数配置信息;最后根据系统参数配置信息,对SAAS软件的系统参数进行更新。由于本申请中预先训练的系统参数配置模型分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息,该模型是基于机器学习算法训练的,可以自动分析待处理文本以确定配置参数后对系统的参数进行更新,解决系统配置复杂的问题,从而提升了系统参数配置效率。
下述为本申请系统实施例,可以用于执行本申请方法实施例。对于本申请系统实施例中未披露的细节,请参照本申请方法实施例。
请参见图5,其示出了本申请一个示例性实施例提供的用于SAAS软件的系统参数配置系统的结构示意图。该用于SAAS软件的系统参数配置系统可以通过软件、硬件或者两者的结合实现成为电子设备的全部或一部分。该系统1包括文本获取模块10、配置信息输出模块20、系统参数更新模块30。
文本获取模块10,用于获取目标对象针对SAAS软件反馈的待处理文本,待处理文本包括访谈文本和调研文本;
配置信息输出模块20,用于将访谈文本和调研文本输入预先训练的系统参数配置模型中,输出待处理文本对应的系统参数配置信息;其中,
预先训练的系统参数配置模型用于分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息;
系统参数更新模块30,用于根据系统参数配置信息,对SAAS软件的系统参数进行更新。
需要说明的是,上述实施例提供的用于SAAS软件的系统参数配置系统在执行用于SAAS软件的系统参数配置方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的用于SAAS软件的系统参数配置系统与用于SAAS软件的系统参数配置方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
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。
在本申请实施例中,首先获取目标对象针对SAAS软件反馈的待处理文本,待处理文本包括访谈文本和调研文本,然后将访谈文本和调研文本输入预先训练的系统参数配置模型中,输出待处理文本对应的系统参数配置信息;最后根据系统参数配置信息,对SAAS软件的系统参数进行更新。由于本申请中预先训练的系统参数配置模型分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息,该模型是基于机器学习算法训练的,可以自动分析待处理文本以确定配置参数后对系统的参数进行更新,解决系统配置复杂的问题,从而提升了系统参数配置效率。
本申请还提供一种计算机可读介质,其上存储有程序指令,该程序指令被处理器执行时实现上述各个方法实施例提供的用于SAAS软件的系统参数配置方法。
本申请还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例的用于SAAS软件的系统参数配置方法。
请参见图6,为本申请实施例提供了一种电子设备的结构示意图。如图6所示,电子设备1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行电子设备1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable Logic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储系统。如图6所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及用于SAAS软件的系统参数配置应用程序。
在图6所示的电子设备1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的用于SAAS软件的系统参数配置应用程序,并具体执行以下操作:
获取目标对象针对SAAS软件反馈的待处理文本,待处理文本包括访谈文本和调研文本;
将访谈文本和调研文本输入预先训练的系统参数配置模型中,输出待处理文本对应的系统参数配置信息;其中,
预先训练的系统参数配置模型用于分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息;
根据系统参数配置信息,对SAAS软件的系统参数进行更新。
在一个实施例中,处理器1001在执行生成预先训练的系统参数配置模型时,具体执行以下操作:
收集预先针对每个客户进行访谈以及调研的历史访谈文本和历史调研文本;
根据历史访谈文本和历史调研文本,生成每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数;
对每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数进行整理及标注,得到训练数据集;
创建系统参数配置模型;
根据训练数据集,对系统参数配置模型进行训练,以使系统参数配置模型拟合功能需求参数、业务流程参数以及系统参数之间的关系,生成预先训练的系统参数配置模型。
在一个实施例中,处理器1001在执行分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息时,具体执行以下操作:
对待处理文本进行文本分析,以识别出待处理文本中的关键信息,关键信息包括客户需求信息、业务流程的要求信息以及SAAS软件的系统参数的规则信息;
将客户需求信息、业务流程的要求信息以及SAAS软件的系统参数的规则信息作为功能需求参数、业务流程参数以及系统参数;
根据功能需求参数、业务流程参数以及系统参数,构建应用于SAAS软件的全局参数设置信息、基础资料的参数设置信息、权限管理信息、编码规则定义信息、表单字段属性的配置信息;
将全局参数设置信息、基础资料的参数设置信息、权限管理信息、编码规则定义信息、表单字段属性的配置信息作为待处理文本对应的系统参数配置信息。
在一个实施例中,处理器1001在执行根据历史访谈文本和历史调研文本,生成每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数时,具体执行以下操作:
对历史访谈文本和历史调研文本进行数据挖掘和分析,以识别历史访谈文本和历史调研文本中存在的关键词,得到数据分析结果;
根据数据分析结果,确定每个客户的功能ID、业务流程ID和系统ID;
基于每个客户的功能ID,获取基本功能参数、高级功能参数以及用户界面设计参数,得到每个客户对应的功能需求参数;
基于每个客户的业务流程ID,获取操作流程参数、数据流程参数以及决策流程参数,得到每个客户对应的业务流程参数;
基于每个客户的系统ID,获取硬件要求参数、软件环境参数、安全性要求参数以及性能要求参数,得到每个客户应用于SAAS软件对应的系统参数。
在一个实施例中,处理器1001在执行对每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数进行整理及标注,得到训练数据集时,具体执行以下操作:
对历史访谈文本和历史调研文本进行分词以及剔除冗余词汇,得到每个客户对应的需求词汇集合;
将每个客户对应的需求词汇集合发送至研发客户端进行展示;
接收针对展示的每个客户对应的需求词汇集合进行排序和打分后的数据,得到每个客户对应的整理数据;
将每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数作为标签数据对每个客户对应的整理数据进行标注,得到训练数据集。
在一个实施例中,处理器1001在执行根据训练数据集,对系统参数配置模型进行训练,以使系统参数配置模型拟合功能需求参数、业务流程参数以及系统参数之间的关系,生成预先训练的系统参数配置模型时,具体执行以下操作:
剔除系统参数配置模型中原始神经网络的损失函数,得到初始系统参数配置模型;
创建系统参数接近程度最大化损失函数;
将系统参数接近程度最大化损失函数集成至初始系统参数配置模型中,得到目标系统参数配置模型;
将训练数据集输入目标系统参数配置模型中,以使目标系统参数配置模型拟合功能需求参数、业务流程参数以及系统参数之间的关系,输出模型损失值;
在模型损失值到达最小的情况下,生成预先训练的系统参数配置模型;或者在模型损失值未到达最小的情况下,继续执行将训练数据集输入目标系统参数配置模型中的步骤,直到模型损失值到达最小。
在本申请实施例中,首先获取目标对象针对SAAS软件反馈的待处理文本,待处理文本包括访谈文本和调研文本,然后将访谈文本和调研文本输入预先训练的系统参数配置模型中,输出待处理文本对应的系统参数配置信息;最后根据系统参数配置信息,对SAAS软件的系统参数进行更新。由于本申请中预先训练的系统参数配置模型分析待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据功能需求参数、业务流程参数以及系统参数,生成待处理文本对应的系统参数配置信息,该模型是基于机器学习算法训练的,可以自动分析待处理文本以确定配置参数后对系统的参数进行更新,解决系统配置复杂的问题,从而提升了系统参数配置效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,用于SAAS软件的系统参数配置的程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,用于SAAS软件的系统参数配置的程序的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (10)
1.一种用于SAAS软件的系统参数配置方法,其特征在于,所述方法包括:
获取目标对象针对SAAS软件反馈的待处理文本,所述待处理文本包括访谈文本和调研文本;
将所述访谈文本和调研文本输入预先训练的系统参数配置模型中,输出所述待处理文本对应的系统参数配置信息;其中,
所述预先训练的系统参数配置模型用于分析所述待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据所述功能需求参数、业务流程参数以及系统参数,生成所述待处理文本对应的系统参数配置信息;
根据所述系统参数配置信息,对所述SAAS软件的系统参数进行更新。
2.根据权利要求1所述的方法,其特征在于,按照以下步骤生成预先训练的系统参数配置模型,包括:
收集预先针对每个客户进行访谈以及调研的历史访谈文本和历史调研文本;
根据所述历史访谈文本和历史调研文本,生成所述每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数;
对所述每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数进行整理及标注,得到训练数据集;
创建系统参数配置模型;
根据所述训练数据集,对所述系统参数配置模型进行训练,以使所述系统参数配置模型拟合功能需求参数、业务流程参数以及系统参数之间的关系,生成预先训练的系统参数配置模型。
3.根据权利要求1所述的方法,其特征在于,分析所述待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据所述功能需求参数、业务流程参数以及系统参数,生成所述待处理文本对应的系统参数配置信息,包括:
对所述待处理文本进行文本分析,以识别出所述待处理文本中的关键信息,所述关键信息包括客户需求信息、业务流程的要求信息以及SAAS软件的系统参数的规则信息;
将所述客户需求信息、业务流程的要求信息以及SAAS软件的系统参数的规则信息作为所述功能需求参数、业务流程参数以及系统参数;
根据所述功能需求参数、业务流程参数以及系统参数,构建应用于所述SAAS软件的全局参数设置信息、基础资料的参数设置信息、权限管理信息、编码规则定义信息、表单字段属性的配置信息;
将所述全局参数设置信息、基础资料的参数设置信息、权限管理信息、编码规则定义信息、表单字段属性的配置信息作为所述待处理文本对应的系统参数配置信息。
4.根据权利要求2所述的方法,其特征在于,所述根据所述历史访谈文本和历史调研文本,生成所述每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数,包括:
对所述历史访谈文本和历史调研文本进行数据挖掘和分析,以识别所述历史访谈文本和历史调研文本中存在的关键词,得到数据分析结果;
根据所述数据分析结果,确定每个客户的功能ID、业务流程ID和系统ID;
基于所述每个客户的功能ID,获取基本功能参数、高级功能参数以及用户界面设计参数,得到所述每个客户对应的功能需求参数;
基于每个客户的业务流程ID,获取操作流程参数、数据流程参数以及决策流程参数,得到所述每个客户对应的业务流程参数;
基于每个客户的系统ID,获取硬件要求参数、软件环境参数、安全性要求参数以及性能要求参数,得到所述每个客户应用于SAAS软件对应的系统参数。
5.根据权利要求2所述的方法,其特征在于,所述对所述每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数进行整理及标注,得到训练数据集,包括:
对所述历史访谈文本和历史调研文本进行分词以及剔除冗余词汇,得到每个客户对应的需求词汇集合;
将所述每个客户对应的需求词汇集合发送至研发客户端进行展示;
接收针对展示的所述每个客户对应的需求词汇集合进行排序和打分后的数据,得到每个客户对应的整理数据;
将所述每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数作为标签数据对所述每个客户对应的整理数据进行标注,得到训练数据集。
6.根据权利要求2所述的方法,其特征在于,所述根据所述训练数据集,对所述系统参数配置模型进行训练,以使所述系统参数配置模型拟合功能需求参数、业务流程参数以及系统参数之间的关系,生成预先训练的系统参数配置模型,包括:
剔除所述系统参数配置模型中原始神经网络的损失函数,得到初始系统参数配置模型;
创建系统参数接近程度最大化损失函数;
将所述系统参数接近程度最大化损失函数集成至所述初始系统参数配置模型中,得到目标系统参数配置模型;
将所述训练数据集输入所述目标系统参数配置模型中,以使所述目标系统参数配置模型拟合功能需求参数、业务流程参数以及系统参数之间的关系,输出模型损失值;
在所述模型损失值到达最小的情况下,生成预先训练的系统参数配置模型;或者在所述模型损失值未到达最小的情况下,继续执行所述将所述训练数据集输入所述目标系统参数配置模型中的步骤,直到所述模型损失值到达最小。
7.根据权利要求6所述的方法,其特征在于,所述训练数据集包括每个客户对应的整理数据和每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数;所述系统参数接近程度最大化损失函数为:
;
其中,表示在模型参数为/>时目标系统参数配置模型对于输入训练数据集序列和生成的结果/>的标量输出,/>是系统参数更接近的生成,/>是系统参数相对不接近的生成,/>是一个激活函数,/>是对比数据集,/>表示每个客户对应的整理数据和每个客户的功能需求参数、业务流程参数以及SAAS软件的系统参数生成的对应/>条结果的组合数。
8.一种用于SAAS软件的系统参数配置系统,其特征在于,所述系统包括:
文本获取模块,用于获取目标对象针对SAAS软件反馈的待处理文本,所述待处理文本包括访谈文本和调研文本;
配置信息输出模块,用于将所述访谈文本和调研文本输入预先训练的系统参数配置模型中,输出所述待处理文本对应的系统参数配置信息;其中,
所述预先训练的系统参数配置模型用于分析所述待处理文本中的功能需求参数、业务流程参数以及系统参数,并根据所述功能需求参数、业务流程参数以及系统参数,生成所述待处理文本对应的系统参数配置信息;
系统参数更新模块,用于根据所述系统参数配置信息,对所述SAAS软件的系统参数进行更新。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-7任意一项所述的方法。
10.一种电子设备,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410288300.8A CN117891531A (zh) | 2024-03-14 | 2024-03-14 | 用于saas软件的系统参数配置方法、系统、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410288300.8A CN117891531A (zh) | 2024-03-14 | 2024-03-14 | 用于saas软件的系统参数配置方法、系统、介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117891531A true CN117891531A (zh) | 2024-04-16 |
Family
ID=90642666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410288300.8A Pending CN117891531A (zh) | 2024-03-14 | 2024-03-14 | 用于saas软件的系统参数配置方法、系统、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117891531A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830547A (zh) * | 2018-05-09 | 2018-11-16 | 深圳壹账通智能科技有限公司 | 项目参数配置方法、装置、终端设备及存储介质 |
WO2021208701A1 (zh) * | 2020-11-23 | 2021-10-21 | 平安科技(深圳)有限公司 | 代码变更的注释生成方法、装置、电子设备及存储介质 |
US11237813B1 (en) * | 2021-01-29 | 2022-02-01 | Splunk Inc. | Model driven state machine transitions to configure an installation of a software program |
WO2022134588A1 (zh) * | 2020-12-21 | 2022-06-30 | 深圳壹账通智能科技有限公司 | 信息审核分类模型的构建方法和信息审核方法 |
WO2022134759A1 (zh) * | 2020-12-21 | 2022-06-30 | 深圳壹账通智能科技有限公司 | 关键词生成方法、装置、电子设备及计算机存储介质 |
KR20230062130A (ko) * | 2021-10-29 | 2023-05-09 | 나자 모하메드 압두 | 인공지능을 이용한 인터뷰 공유 및 사용자 매칭 플랫폼 |
CN116431246A (zh) * | 2023-06-13 | 2023-07-14 | 建信金融科技有限责任公司 | 办公自动化软件配置方法及装置 |
CN117235527A (zh) * | 2023-09-28 | 2023-12-15 | 山东中创软件商用中间件股份有限公司 | 端到端容器化的大数据模型构建方法、装置、设备及介质 |
CN117333124A (zh) * | 2023-09-27 | 2024-01-02 | 四川中电启明星信息技术有限公司 | 一种可变式项目管理方法、系统、设备及介质 |
CN117390281A (zh) * | 2023-11-01 | 2024-01-12 | 汉林汇融(深圳)科技服务有限公司 | 基于内容交互的项目信息推荐方法及系统 |
US20240054350A1 (en) * | 2022-08-15 | 2024-02-15 | Salesforce Inc. | Systems and methods for a distributed training framework using uniform class prototypes |
-
2024
- 2024-03-14 CN CN202410288300.8A patent/CN117891531A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830547A (zh) * | 2018-05-09 | 2018-11-16 | 深圳壹账通智能科技有限公司 | 项目参数配置方法、装置、终端设备及存储介质 |
WO2021208701A1 (zh) * | 2020-11-23 | 2021-10-21 | 平安科技(深圳)有限公司 | 代码变更的注释生成方法、装置、电子设备及存储介质 |
WO2022134588A1 (zh) * | 2020-12-21 | 2022-06-30 | 深圳壹账通智能科技有限公司 | 信息审核分类模型的构建方法和信息审核方法 |
WO2022134759A1 (zh) * | 2020-12-21 | 2022-06-30 | 深圳壹账通智能科技有限公司 | 关键词生成方法、装置、电子设备及计算机存储介质 |
US11237813B1 (en) * | 2021-01-29 | 2022-02-01 | Splunk Inc. | Model driven state machine transitions to configure an installation of a software program |
KR20230062130A (ko) * | 2021-10-29 | 2023-05-09 | 나자 모하메드 압두 | 인공지능을 이용한 인터뷰 공유 및 사용자 매칭 플랫폼 |
US20240054350A1 (en) * | 2022-08-15 | 2024-02-15 | Salesforce Inc. | Systems and methods for a distributed training framework using uniform class prototypes |
CN116431246A (zh) * | 2023-06-13 | 2023-07-14 | 建信金融科技有限责任公司 | 办公自动化软件配置方法及装置 |
CN117333124A (zh) * | 2023-09-27 | 2024-01-02 | 四川中电启明星信息技术有限公司 | 一种可变式项目管理方法、系统、设备及介质 |
CN117235527A (zh) * | 2023-09-28 | 2023-12-15 | 山东中创软件商用中间件股份有限公司 | 端到端容器化的大数据模型构建方法、装置、设备及介质 |
CN117390281A (zh) * | 2023-11-01 | 2024-01-12 | 汉林汇融(深圳)科技服务有限公司 | 基于内容交互的项目信息推荐方法及系统 |
Non-Patent Citations (4)
Title |
---|
任媛媛;温明;: "基于SAAS模式的网络会议服务系统研究与设计", 电子设计工程, no. 24, 20 December 2014 (2014-12-20) * |
姜本清;张媛;温玮;刘文彪;: "舰空对抗智能行为仿真框架设计研究", 计算机仿真, no. 09, 15 September 2007 (2007-09-15) * |
李佳;戴妙林;张胤;马永志;徐建强;: "岩质边坡开挖卸荷弹性模量弱化及其反分析", 水电能源科学, no. 01, 25 January 2014 (2014-01-25) * |
江虹;伍春;马景辉;: "最小二乘SVM的CR认知引擎设计", 电子科技大学学报, no. 01, 30 January 2011 (2011-01-30) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11599714B2 (en) | Methods and systems for modeling complex taxonomies with natural language understanding | |
US9047346B2 (en) | Reporting language filtering and mapping to dimensional concepts | |
CN108509569B (zh) | 企业画像的生成方法、装置、电子设备以及存储介质 | |
CN109522312B (zh) | 一种数据处理方法、装置、服务器和存储介质 | |
US11106906B2 (en) | Systems and methods for information extraction from text documents with spatial context | |
CN106796578A (zh) | 知识自动化系统 | |
JP7208872B2 (ja) | 提案依頼書(rfp)に基づいて提案書を生成するためのシステム及び方法 | |
US11354345B2 (en) | Clustering topics for data visualization | |
WO2016200667A1 (en) | Identifying relationships using information extracted from documents | |
CN112651236B (zh) | 提取文本信息的方法、装置、计算机设备和存储介质 | |
CN113986864A (zh) | 日志数据处理方法、装置、电子设备及存储介质 | |
KR101877828B1 (ko) | 인공지능 기반의 사용자 인터페이스 통합 플랫폼 시스템 | |
CN117420998A (zh) | 一种客户端ui交互组件生成方法、装置、终端及介质 | |
CN117251777A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
KR20240020166A (ko) | Esg 보조 툴을 이용하여 정형화된 esg 데이터로 기계학습 모델을 학습하는 방법 및 기계학습 모델로 자동완성된 esg 문서를 생성하는 서비스 서버 | |
CN116797195A (zh) | 工单处理方法、装置、计算机设备和计算机可读存储介质 | |
CN108205564B (zh) | 知识体系构建方法及系统 | |
US20230297784A1 (en) | Automated decision modelling from text | |
CN115795046A (zh) | 数据加工方法、装置、系统、电子设备和存储介质 | |
CN117891531A (zh) | 用于saas软件的系统参数配置方法、系统、介质及电子设备 | |
CN110716994B (zh) | 一种支持异构地理数据资源检索的检索方法及装置 | |
CN109857838B (zh) | 用于生成信息的方法和装置 | |
CN107220249A (zh) | 基于分类的全文搜索 | |
CN112069807A (zh) | 文本数据的主题提取方法、装置、计算机设备及存储介质 | |
CN112579733A (zh) | 规则匹配方法、规则匹配装置、存储介质及电子设备 |
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 |