【技术实现步骤摘要】
本专利技术涉及用于企业管理的，具体涉及一种基于机器学习的自动化审批方法及系统。
技术介绍
1、自动化审批方法是利用计算机技术和自动化系统来处理和决定审批过程中的各种请求、申请或交易，并不需要人工干预的方法。这种方法可以根据历史数据学习审批模式，自动预测和判断新的请求是否应该被批准，进而保证企业的管理效率；而传统的机器学习过程仅能简单地模拟审批数据的数据特征，无法读取更深层的审批逻辑，降低企业的管理效率，降低自动化审批系统的审批质量。
技术实现思路
1、本专利技术提供一种基于机器学习的自动化审批方法及系统，以解决现有的问题：传统的机器学习过程仅能简单地模拟审批数据的数据特征，无法读取更深层的审批逻辑。
2、本专利技术的一种基于机器学习的自动化审批方法及系统采用如下技术方案：
3、本专利技术一个实施例提供了一种基于机器学习的自动化审批方法，该方法包括以下步骤：
4、采集若干审批记录数据序列，所述审批记录数据序列包含多个记录数据以及一个审批结果；
5、对记录数据进行匹配和向量转换得到若干样本记录词以及每个样本记录词的词向量；根据不同样本记录词之间的依存关系以及词向量，得到任意两个样本记录词之间的应用相似性；根据不同样本记录词之间应用相似性的波动差异得到每个样本记录词的决策程度；
6、将任意一个样本记录词记为目标记录词，根据除目标记录词以外其他样本记录词与审批结果的相关性以及词向量，得到每个样本记录词的审批影响程度；根据样本记录词
7、根据审批通过系数将审批记录数据序列划分为放行数据集以及未放行数据集；根据放行数据集以及未放行数据集进行自动化审批。
8、优选的，所述对记录数据进行匹配和向量转换得到若干样本记录词以及每个样本记录词的词向量，包括的具体方法为：
9、对于任意一个审批记录数据序列，利用corenlp自然语言处理工具对审批记录数据序列中所有的记录数据进行分词匹配得到若干分词，将每个分词记为样本记录词；利用word2vec算法得到每个样本记录词的词向量。
10、优选的，所述根据不同样本记录词之间的依存关系以及词向量，得到任意两个样本记录词之间的应用相似性，包括的具体方法为：
11、将所有样本记录词的词向量输入spacy文本处理工具得到依存树；
12、对于任意一个样本记录词，将包含样本记录词的每个节点记为样本记录词的应用节点，获取所有样本记录词的所有应用节点；根据第个样本记录词以及第个样本记录词的所有应用节点，得到第个样本记录词与第个样本记录词的应用相似性；其中第个样本记录词与第个样本记录词的应用相似性的计算方法为：
13、
14、式中，表示第个样本记录词与第个样本记录词的应用相似性，；表示第个样本记录词的所有应用节点的深度的最大值；表示第个样本记录词的所有应用节点的深度的最大值；表示在第个样本记录词的所有应用节点与第个样本记录词的所有应用节点中，应用节点相同的数量；表示第个样本记录词的所有应用节点的数量；表示第个样本记录词的所有应用节点的数量；表示取最大值；表示取绝对值；表示以自然常数为底的指数函数。
15、优选的，所述根据不同样本记录词之间应用相似性的波动差异得到每个样本记录词的决策程度，包括的具体方法为：
16、对于任意一个审批记录数据序列中第个样本记录词，在审批记录数据序列中，将除第个样本记录词以外的每个样本记录词记为第个样本记录词的参照记录词；根据第个样本记录词与其他样本记录词的应用相似性，得到第个样本记录词的决策程度；其中第个样本记录词的决策程度的计算方法为：
17、
18、式中，表示第个样本记录词的决策程度；表示第个样本记录词在审批记录数据序列中出现的概率；表示第个样本记录词的所有参照记录词与第个样本记录词的应用相似性的方差；表示以自然常数为底的指数函数。
19、优选的，所述根据除目标记录词以外其他样本记录词与审批结果的相关性以及词向量，得到每个样本记录词的审批影响程度，包括的具体方法为：
20、在目标记录词所属的审批记录数据序列中，将与目标记录词相同的样本记录词进行隐藏，将隐藏后剩余的样本记录词的词向量大小构成的集合记为目标记录词的隐藏数据集合；将隐藏后剩余的样本记录词的审批结果构成的集合记为目标记录词的结果数据集合；根据目标记录词的隐藏数据集合以及结果数据集合得到目标记录词的审批影响程度；其中目标记录词的审批影响程度的计算方法为：
21、
22、式中，表示目标记录词的审批影响程度；表示目标记录词的隐藏数据集合与结果数据集合的皮尔逊相关系数；表示取绝对值。
23、优选的，所述根据样本记录词的词性特征、决策程度以及审批影响程度，得到每个记录数据的审批逻辑参数，包括的具体方法为：
24、
25、式中，表示任意一个记录数据的审批逻辑参数；表示记录数据中所有样本记录词的数量；表示第个样本记录词的决策程度；表示第个样本记录词的审批影响程度；表示第个样本记录词的词向量大小。
26、优选的，所述根据审批逻辑参数得到每个审批记录数据序列的审批通过系数，包括的具体方法为：
27、
28、式中，表示任意一个审批记录数据序列的初始审批通过参数；表示审批记录数据序列上所有记录数据的数量；表示第个记录数据的审批逻辑参数；表示审批记录数据序列上所有记录数据中所有样本记录词的数量；表示第个记录数据中所有样本记录词的数量；表示以2为底的对数函数。
29、优选的，所述根据审批通过系数将审批记录数据序列划分为放行数据集以及未放行数据集，包括的具体方法为：
30、预设一个审批通过参数阈值，将审批通过参数大于的审批记录数据序列记为放行审批记录数据序列；将审批通过参数小于或等于的审批记录数据序列记为未放行审批记录数据序列；获取所有放行审批记录数据序列以及未放行审批记录数据序列，将所有放行审批记录数据序列构成的数据集记为放行数据集，将所有未放行审批记录数据序列构成的数据集记为未放行数据集。
31、优选的，所述根据放行数据集以及未放行数据集进行自动化审批，包括的具体方法为：
32、根据放行数据集与k-means聚类算法通过手肘法得到聚类数量，并记为，根据对放行数据集进行聚类得到放行数据集的若干聚类簇；根据未放行数据集与k-means聚类算法通过手肘法得到聚类数量，并记为，根据对未放行数据集进行聚类得到未放行数据集的若干聚类簇；
33、将任意两个聚类簇组合成的聚类簇对记为待训练聚类簇对，获取若干待训练聚类簇对，将所有待训练聚类簇对的数量记为，预设个弱分类器；将相同序号的待训练聚类簇对与弱分类本文档来自技高网...
【技术保护点】
1.一种基于机器学习的自动化审批方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述一种基于机器学习的自动化审批方法，其特征在于，所述对记录数据进行匹配和向量转换得到若干样本记录词以及每个样本记录词的词向量，包括的具体方法为：
3.根据权利要求1所述一种基于机器学习的自动化审批方法，其特征在于，所述根据不同样本记录词之间的依存关系以及词向量，得到任意两个样本记录词之间的应用相似性，包括的具体方法为：
4.根据权利要求1所述一种基于机器学习的自动化审批方法，其特征在于，所述根据不同样本记录词之间应用相似性的波动差异得到每个样本记录词的决策程度，包括的具体方法为：
5.根据权利要求1所述一种基于机器学习的自动化审批方法，其特征在于，所述根据除目标记录词以外其他样本记录词与审批结果的相关性以及词向量，得到每个样本记录词的审批影响程度，包括的具体方法为：
6.根据权利要求1所述一种基于机器学习的自动化审批方法，其特征在于，所述根据样本记录词的词性特征、决策程度以及审批影响程度，得到每个记录数据的审批逻辑参数，包括的具体
7.根据权利要求1所述一种基于机器学习的自动化审批方法，其特征在于，所述根据审批逻辑参数得到每个审批记录数据序列的审批通过系数，包括的具体方法为：
8.根据权利要求1所述一种基于机器学习的自动化审批方法，其特征在于，所述根据审批通过系数将审批记录数据序列划分为放行数据集以及未放行数据集，包括的具体方法为：
9.根据权利要求1所述一种基于机器学习的自动化审批方法，其特征在于，所述根据放行数据集以及未放行数据集进行自动化审批，包括的具体方法为：
10.一种基于机器学习的自动化审批系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一项所述的一种基于机器学习的自动化审批方法的步骤。
...【技术特征摘要】
1.一种基于机器学习的自动化审批方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述一种基于机器学习的自动化审批方法，其特征在于，所述对记录数据进行匹配和向量转换得到若干样本记录词以及每个样本记录词的词向量，包括的具体方法为：
3.根据权利要求1所述一种基于机器学习的自动化审批方法，其特征在于，所述根据不同样本记录词之间的依存关系以及词向量，得到任意两个样本记录词之间的应用相似性，包括的具体方法为：
4.根据权利要求1所述一种基于机器学习的自动化审批方法，其特征在于，所述根据不同样本记录词之间应用相似性的波动差异得到每个样本记录词的决策程度，包括的具体方法为：
5.根据权利要求1所述一种基于机器学习的自动化审批方法，其特征在于，所述根据除目标记录词以外其他样本记录词与审批结果的相关性以及词向量，得到每个样本记录词的审批影响程度，包括的具体方法为：
6.根据权利要求1所述一种基于机...
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。