【技术实现步骤摘要】
本申请涉及自然语言处理、机器学习领域，具体而言，涉及一种知识文档分层管理方法、存储介质及管理系统。
技术介绍
1、随着信息技术的迅速发展和企业规模的日益扩大，知识文档作为企业的重要资产，在企业管理中扮演着举足轻重的角色。这些文档通常包含了企业的核心知识、业务流程、产品设计、市场分析以及管理策略等关键信息，是企业运营不可或缺的部分。然而，传统的知识文档管理方法往往面临着多方面的挑战。首先，现有的文档管理系统往往缺乏对文档层级结构的细致考虑，导致在文档的存储、检索和使用过程中难以有效利用文档的层级特征。这不仅降低了文档的利用效率，还可能导致关键信息的遗漏或误用。其次，传统方法在处理文档时往往忽略了约束信息的重要性。约束信息是指用以限制或指导文档信息披露的特定规则或条件。由于缺乏有效的约束信息处理机制，现有的文档管理方法难以确保文档在共享和使用过程中的安全性和一致性。此外，随着企业知识库规模的不断扩大，如何高效地处理和维护大量文档也成为一个亟待解决的问题。传统的文档管理方法在处理大规模文档集时往往效率低下，难以满足企业的实际需求。因此，迫切需要一种新型知识文档管理方法，以提高文档的利用效率、确保信息的安全性并满足企业的实际需求。
技术实现思路
1、本专利技术的目的在于提供一种知识文档分层管理方法、存储介质及管理系统。本申请实施例是这样实现的：
2、第一方面，本申请实施例提供了一种知识文档分层管理方法，应用于企业管理系统，所述方法包括：依据初始知识文档和约束信息，生成文档管理编
3、可选地，所述依据所述文档管理编码特征和所述互聚焦文本，对所述映射知识文本进行内容调整，得到调整后知识文档，包括：基于第一机器学习模型在所述映射知识文本中赋予s轮扰动信息，得到扰动文本，其中，s≥1；基于所述第一机器学习模型依据所述文档管理编码特征和所述互聚焦文本，在所述扰动文本上进行s轮扰动信息推理和扰动清理处理，得到清理文本；将所述清理文本恢复到所述初始知识文档对应的维数，生成所述调整后知识文档。
4、可选地，所述基于所述第一机器学习模型依据所述文档管理编码特征和所述互聚焦文本，在所述扰动文本上进行s轮扰动信息推理和扰动清理处理，得到清理文本，包括：基于所述第一机器学习模型依据所述文档管理编码特征和所述互聚焦文本，推理第i轮在所述映射知识文本中赋予的扰动信息，得到第i个推理扰动信息，1≤i≤s；在具有扰动信息的文本中清理所述第i个推理扰动信息，得到调整后的具有扰动信息的文本；其中，初始化的具有扰动信息的文本为所述扰动文本；当i＜s时，将i+1作为调整后的i，继续在所述基于所述第一机器学习模型依据所述文档管理编码特征和所述互聚焦文本，推理第i轮在所述映射知识文本中赋予的扰动信息，得到第i个推理扰动信息的操作进行迭代；当i=s时，将所述调整后的具有扰动信息的文本作为所述清理文本。
5、可选地，所述依据初始知识文档和约束信息，生成文档管理编码特征，包括：基于知识库检测网络抽取所述初始知识文档中包含的所述企业知识库目标层级特征；基于约束信息网络对所述约束信息进行嵌入映射，得到编码结果；依据所述企业知识库目标层级特征和所述编码结果，生成所述文档管理编码特征；其中，所述约束信息包括一个或多个约束项，所述编码结果包括所述一个或多个约束项分别对应的编码向量；所述依据所述企业知识库目标层级特征和所述编码结果，生成所述文档管理编码特征，包括：将所述一个或多个约束项中，第一约束项对应的编码向量与所述企业知识库目标层级特征进行组合，得到所述第一约束项对应的调整编码向量；其中，所述第一约束项为预设的用以表征企业知识库的约束项；依据前馈神经网络对所述第一约束项对应的调整编码向量进行处理，得到所述第一约束项对应的目标编码向量；其中，所述第一约束项对应的目标编码向量与所述第一约束项对应的编码向量包括一致的维数；将所述编码结果中的所述第一约束项对应的编码向量更换成所述第一约束项对应的目标编码向量，生成所述文档管理编码特征。
6、可选地，所述基于知识库检测网络抽取所述初始知识文档中包含的所述企业知识库目标层级特征，包括：提取出所述初始知识文档中的目标层级文本，得到所述初始知识文档对应的目标层级文本；基于所述知识库检测网络从所述目标层级文本中抽取所述企业知识库目标层级特征。
7、可选地，所述依据所述映射知识文本、所述文档管理编码特征和目标层级掩码，生成所述初始知识文档对应的互聚焦文本，包括：基于第一机器学习模型依据所述映射知识文本和所述文档管理编码特征，生成所述初始知识文档对应的初始互聚焦文本；依据所述目标层级掩码，对所述初始互聚焦文本中，除所述目标层级文本以外的其余层级文本进行遮挡，得到所述初始知识文档对应的互聚焦文本。
8、可选地，所述方法先通过文档管理神经网络执行，所述方法还包括所述文档管理神经网络的调试过程，包括：获取所述文档管理神经网络的一个或多个调试数据，每个所述调试数据包括一对关联的训练知识文档和训练约束信息；其中，所述训练知识文档是包含企业知识库目标层级特征的文本，所述训练约束信息是用以约束所述训练知识文档中企业知识库目标层级信息披露特征的信息；基于所述文档管理神经网络依据所述训练知识文档和所述训练约束信息，生成训练文档管理编码特征，所述训练文档管理编码特征包括所述训练知识文档的描述向量和所述训练约束信息的描述向量；基于所述文档管理神经网络对所述训练知识文档进行降维操作，得到训练映射知识文本；其中，所述训练映射知识文本是维数小于所述训练知识文档，同时维持所述企业知识库目标层级特征的文本；基于所述文档管理神经网络依据所述训练映射知识文本、所述训练文档管理编码特征和训练目标层级掩码，生成所述训练知识文档对应的互聚焦文本，所述训练目标层级掩码用于区别所述训练知识文档中的目标层级文本和除所述目标层级文本以外的其余层级文本，所述互聚焦文本用于在所述目标层级文本生成所述企业知识库目标层级信息披露特征对应的披露信息；基于所述文档管理神经网络依据所述训练文档管理编码特征和所本文档来自技高网...
【技术保护点】
1.一种知识文档分层管理方法，其特征在于，应用于企业管理系统，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述依据所述文档管理编码特征和所述互聚焦文本，对所述映射知识文本进行内容调整，得到调整后知识文档，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述第一机器学习模型依据所述文档管理编码特征和所述互聚焦文本，在所述扰动文本上进行s轮扰动信息推理和扰动清理处理，得到清理文本，包括：
4.根据权利要求1所述的方法，其特征在于，所述依据初始知识文档和约束信息，生成文档管理编码特征，包括：
5.根据权利要求4所述的方法，其特征在于，所述基于知识库检测网络抽取所述初始知识文档中包含的所述企业知识库目标层级特征，包括：
6.根据权利要求1所述的方法，其特征在于，所述依据所述映射知识文本、所述文档管理编码特征和目标层级掩码，生成所述初始知识文档对应的互聚焦文本，包括：
7.根据权利要求1~6任一项所述的方法，其特征在于，所述方法先通过文档管理神经网络执行，所述方法还包括所述文档管理神经网络的调试
8.根据权利要求7所述的方法，其特征在于，所述基于所述文档管理神经网络依据所述训练文档管理编码特征和所述互聚焦文本，对所述训练映射知识文本进行内容调整，生成所述训练知识文档对应的调整后知识文档，包括：
9.根据权利要求8所述的方法，其特征在于，所述基于所述第一机器学习模型依据所述文档管理编码特征和所述互聚焦文本，在所述训练扰动文本上进行s轮扰动信息推理和扰动清理处理，得到训练清理文本，包括：
10.根据权利要求8所述的方法，其特征在于，所述基于所述文档管理神经网络依据所述训练知识文档和所述训练约束信息，生成训练文档管理编码特征，包括：
11.根据权利要求7所述的方法，其特征在于，所述基于所述文档管理神经网络依据所述训练映射知识文本、所述训练文档管理编码特征和训练目标层级掩码，生成所述训练知识文档对应的互聚焦文本，包括：
12.根据权利要求11所述的方法，其特征在于，所述依据所述训练知识文档和所述调整后知识文档，确定融合误差，包括：
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，当所述计算机程序在处理器上运行时，使得处理器执行权利要求1~12任一项所述的方法。
14.一种企业管理系统，其特征在于，包括：
...【技术特征摘要】
1.一种知识文档分层管理方法，其特征在于，应用于企业管理系统，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述依据所述文档管理编码特征和所述互聚焦文本，对所述映射知识文本进行内容调整，得到调整后知识文档，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述第一机器学习模型依据所述文档管理编码特征和所述互聚焦文本，在所述扰动文本上进行s轮扰动信息推理和扰动清理处理，得到清理文本，包括：
4.根据权利要求1所述的方法，其特征在于，所述依据初始知识文档和约束信息，生成文档管理编码特征，包括：
5.根据权利要求4所述的方法，其特征在于，所述基于知识库检测网络抽取所述初始知识文档中包含的所述企业知识库目标层级特征，包括：
6.根据权利要求1所述的方法，其特征在于，所述依据所述映射知识文本、所述文档管理编码特征和目标层级掩码，生成所述初始知识文档对应的互聚焦文本，包括：
7.根据权利要求1~6任一项所述的方法，其特征在于，所述方法先通过文档管理神经网络执行，所述方法还包括所述文档管理神经网络的调试过程，包括：
8.根据权利要求7所述的方法，其特征在于，所述基于所述...
【专利技术属性】
技术研发人员：张晓亮，苏贤，曹荣来，贲余刚，
申请(专利权)人：南京数策信息科技有限公司，
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。