安徽思高智能科技有限公司专利技术

安徽思高智能科技有限公司共有42项专利

  • 本申请提供了一种基于知识图谱的RPA多任务多标签分类方法、设备及介质,涉及多任务多标签分类领域,方法包括:在项目初始运行阶段,收集历史流程知识库中的知识图谱;设计任务标签库;根据知识图谱以及任务标签库,构建训练集以及测试集;构建多任务多...
  • 本发明公开了一种RPA项目推荐方法及存储介质、电子设备,属于数据处理技术领域,方法包括:构建用户项目二部图学习用户表示;利用用户项目二部图构建用户网络;使用基于用户对实体关系和实体偏好的混合注意力系数的知识图卷积网络框架在RPA知识图谱...
  • 本发明涉及一种基于实体类型信息融合的RPA知识图谱构建方法包括步骤:基于翻译规则的知识表示模型对实体类型进行训练;将实体类型的表示和关系实例输入至实体对编码模块,得到融合实体类型信息的实体对表示;使用伪标签生成模块将融合实体类型信息的实...
  • 本发明涉及一种基于图神经网络模型的微服务系统根因定位方法及装置,包括步骤:构建图神经网络模型;利用所述历史故障多维度时序性能指标训练所述图神经网络模型,得到训练完成的图神经网络模型;通过收集到的实时微服务拓扑结构和调用关系构建实例级别的...
  • 本发明涉及一种RPA流程推荐方法、设备及存储介质,方法采用基于知识图谱表示学习的方案,综合考虑到了图谱结构信息与流程使用信息,可以发现用户潜在的感兴趣的RPA流程。本发明提出的RPA流程推荐方法是一种粗粒度的推荐方法,可以为销售人员提供...
  • 本发明公开了一种基于篇章级事件抽取的RPA流程挖掘方法及系统,涉及业务流程挖掘领域,包括:获取用户行为日志信息并进行预处理;对预处理后的文档进行命名实体识别;生成句子向量和提及向量;构建结构图且使用图神经网络计算节点全局信息;进行触发词...
  • 本发明提供一种自适应多任务解耦学习表示方法及系统,涉及解耦学习领域,包括:S1:构建多任务解耦学习模型;S2:将训练时间序列数据输入多任务解耦学习模型,计算获得总损失;S3:重复步骤S2直至总损失小于预设值,获得训练好的多任务解耦学习模...
  • 本发明公开了一种代码审查者推荐方法,属于开源软件生态服务技术领域,包括:基于开源软件项目中拉取请求与开发者间的协作行为,将开源软件项目中的文件分为风险文件和安全文件,并计算开发者保留率,以开发者保留率作为知识流失风险的指标;获取开源软件...
  • 本发明公开了一种基于事件图的议题关闭时间预测方法,所述方法基于开源软件项目中议题的事件日志数据,挖掘事件模式;基于事件模式和事件信息生成议题事件图;使用图注意力网络构建基于事件图的议题关闭时间预测模型,最终输出议题关闭时间预测结果。本发...
  • 本发明涉及一种微服务系统根因定位方法、设备及存储介质,方法包括步骤:生成微服务系统指标异常点事件;生成微服务系统审计日志异常点事件;对齐所述指标异常点事件与所述审计日志异常点事件;构建基于多维霍克斯过程的异常点事件因果图;推断因果图边权...
  • 本发明提供了一种RPA流程操作异常检测方法、设备及存储设备,涉及RPA流程技术领域,预备企业资产库内的RPA操作流程用例;按操作键提取训练数据的操作模板序列;设置窗口长度,按照一定步长依次对每个操作模板序列通过滑动窗口来提取训练数据,得...
  • 本发明提供了一种结合事件日志和知识图谱的流程操作序列生成方法及系统,涉及知识图谱技术领域,利用目标生成序列流程相关的历史事件日志信息和相关的流程知识图谱,结合Transformer技术对事件进行灵活和全面的事件表示,使用LSTM学习事件...
  • 本发明提供一种基于预测性日志增强的流程发现方法,涉及流程发现领域,包括:S1:将轨迹划分为训练轨迹集合L<subgt;A</subgt;<supgt;μ</supgt;和预测轨迹集合L<subgt;B<...
  • 本发明提供S1:获取业务流程系统中第w段事件日志流的轨迹,将轨迹放入轨迹窗口,获得轨迹集合T<subgt;w</subgt;;w为事件日志流的段编号;S2:对轨迹集合T<subgt;w</subgt;内的各轨迹进...
  • 本发明提供一种基于拟合度分析的RPA高价值流程实例发现方法,包括步骤:S1:获取交互日志L,对交互日志L进行预处理,获得新的交互日志L*;S2:将新的交互日志L*进行聚类,获得聚类结果集合,通过聚类结果集合获得流程模型集合;S3:通过流...
  • 本发明公开了一种基于小样本事件抽取的RPA流程挖掘方法,采用标注部分用户行为日志作为标注数据,其他未标注的用户行为日志为未标注数据,基于标注数据,构建由编码器、原型层、评分器、原型交互层、解码模块依次相连的小样本事件抽取模型;将未标注数...
  • 本发明提供一种个体因果效应估计方法,包括步骤:S1:构建估计模型,估计模型包括:过采样层、解耦表征层和预测层;S2:获取样本数据,通过过采样层对样本数据进行预处理,获得代理协变量;S3:通过解耦表征层对代理协变量进行学习,获得代理协变量...
  • 本发明公开了一种基于事件关系抽取的RPA流程挖掘方法,通过将用户行为日志的句子表示为一个实值向量序列输入到预训练好的BERT模型中进行学习,得到每个句子的上下文语义信息,依次输入到Bi‑LSTM模型、池化层、自注意力层、全连接层的sof...
  • 本发明提供了一种基于多视图聚类的
  • 本发明公开了一种基于多模态事件抽取的