【技术实现步骤摘要】
事务管理系统及其操作方法
[0001]本专利技术涉及事务管理领域,且更为具体地,涉及一种事务管理系统、事务管理系统的操作方法。
技术介绍
[0002]在事务分配时要同时考虑到事务的处理难度和待分配人员的能力,其中待分配人员的能力如何通过数据来表征是个问题。这也就是,在评估待分配人员的能力时,如果待分配的人员处理过类似的事务,其在该事务的处理能力的评级上应有所提升。但是,在记录事务时,由于分配事务人员的用语习惯不同、表达习惯不同,同时考虑到知识产权实务在表述上有一些专有名词,因此,很难通过句子之间的相似度来评估事务之间是否相似。因此,期望一种事务管理方案。
[0003]目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
[0004]随着深度学习技术的发展,自然语言理解(NLP)也在深度学习的基础上得到了很大的发展,从而为待分配人员的数据表征提供了良好的解决方案。
技术实现思路
[0005]为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种事务管理系统、事务管理系统的操作方法,其考虑到确定事务和待分配人员之间的匹配度本质上可以转换为基于深度神经网络模型的分类问题,因此,在本申请中采用基于深度神经网络的模型来提取出待分配人员本身的画像特征以及待分配人员是否处理过类似事务的特征,然后再将这些特征进行融合,以使得能够准确地表达待分配人员的特征。 ...
【技术保护点】
【技术特征摘要】
1.一种事务管理系统,其特征在于,包括:事务描述获取单元,用于获取待分配事务的事务描述和待分配人员的已处理事务的事务描述;第一语义信息提取单元,用于使用语义理解模型分别从所述待分配事务的事务描述和所述待分配人员的已处理事务的事务描述获得第一语义特征向量和第二语义特征向量;画像获取单元,用于获取所述待分配人员的画像,所述待分配人员的画像为带权重的词序列;第二语义信息提取单元,用于使用所述语义理解模型从所述待分配人员的画像获得第三语义特征向量;长度变换单元,用于通过线性变换将所述第一语义特征向量、所述第二语义特征向量和所述第三语义特征向量转化为相同的长度,以获得第一转化语义特征向量、第二转化语义特征向量和第三转化语义特征向量;概率贝叶斯单元,用于以类Softmax函数分别将所述第一转化语义特征向量、所述第二转化语义特征向量和所述第三转化语义特征向量映射到概率空间中,以获得第一概率化语义特征向量、第二概率化语义特征向量和第三概率化语义特征向量;贝叶斯单元,用于以所述第一概率化语义特征向量中各个位置的特征值为事件概率、以所述第二概率化语义特征向量中各个位置的特征值为证据概率,计算所述第三概率化语义特征向量中各个位置的贝叶斯概率以得到贝叶斯特征向量;相似度评估单元,用于计算所述第一转化语义特征向量和所述第二转化语义特征向量中各个位置的特征值之间的余弦距离,以获得角度向量;最大似然估计单元,用于基于所述角度向量,计算所述贝叶斯特征向量中各个位置的特征值的最大条件似然估计值以获得由各个位置的最大条件似然估计值构成的条件似然特征向量;以及匹配结果生成单元,用于将所述条件似然特征向量通过分类器以获得分类结果,所述分类结果用于表示待分配事务和待分配人员的匹配结果。2.根据权利要求1所述的事务管理系统,其中,所述第一语义信息提取单元,包括:词向量转化子单元,用于使用所述语义理解模型的词嵌入层分别将所述待分配事务的事务描述和所述待分配人员的已处理事务的事务描述转化为第一事务描述词向量序列和第二事务描述词向量序列;语义编码子单元,用于使用所述语义理解模型的Bert模型分别从所述第一事务描述词向量和所述第二事务描述词向量获得第一事务描述词特征向量序列和第二事务描述词特征向量序列;以及上下文编码子单元,用于使用所述语义理解模型的双向LSTM模型从所述第一事务描述词特征向量序列和所述第二事务描述词特征向量序列获得所述第一语义特征向量和所述第二语义特征向量。3.根据权利要求1所述的事务管理系统,其中,所述长度变换单元,用于通过线性变换将所述第一语义特征向量、所述第二语义特征向量和所述第三语义特征向量转化为相同的长度,以获得第一转化语义特征向量、第二转化语义特征向量和第三转化语义特征向量。4.根据权利要求1所述的事务管理系统,其中,所述类Softmax函数为yi=exp(xi)/∑
i
exp(xi)。5.根据权利要求1所述的事务管理系统,其中,所述贝叶斯单元,用于以所述第一概率化语义特征向量中各个位置的特征值为事件概率、以所述第二概率化语义特征向量中各个位置的特征值为证据概率,以如下公式计算所述第三概率化语义特征向量中各个位置的贝叶斯概率以得到贝叶斯特征向量;所述公式为:Pi=Ai*Bi/Ci,其中,Ai表示先验概率为所述第三概率化语义特征向量中各个位置的特征值,Bi表示事件概率为所述第一概率化语义特征向量中各个位置的特征值为事件概率,Ci表示证据概率为所述第二概率化语义特征向量中各个位置的特征值。6.根据权利要求5所述的事务管理系统,其中,所述最大似然估计单元,用于基于所述角度向量,以如下公式计算所述贝叶斯特征向量中各个位置的特征值的最大条件似然估计值以获得由各个位置的最大条件似然...
【专利技术属性】
技术研发人员:周午贤,
申请(专利权)人:浙江启博知识产权运营有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。