需求识别和匹配方法及装置与流程

1.本发明涉及人工智能技术领域，尤其涉及需求识别和匹配方法及装置。


背景技术：

2.本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
3.手机银行自上线以来，已积累了大量项目成果，这些成果都具有较高的复用性。然而，由于项目数量较多，新需求产生后，项目管理人员往往无法在已有项目中找到与新需求相近的已有成果，这导致了大量的重复开发，造成了开发效率低下和开发成本高昂。


技术实现要素：

4.本发明实施例提供一种需求识别和匹配方法，用以解决现有技术中新需求产生后无法在已有项目中找到与新需求相近的已有成果，导致大量的重复开发，造成了开发效率低下和开发成本高昂的技术问题，该方法包括：
5.构建项目需求库和项目成果库，根据项目需求库中项目需求文本和项目成果库中项目成果文本进行关联性标注；
6.构建关联性计算模型；
7.利用项目需求库中项目需求文本和项目成果库中项目成果文本，对关联性计算模型进行训练，获得关联性计算已训练模型；
8.基于关联性计算已训练模型和项目成果库，对待测试项目需求信息进行判断，获得对应的项目成果信息。
9.本发明实施例还提供一种需求识别和匹配装置，用以解决现有技术中新需求产生后无法在已有项目中找到与新需求相近的已有成果，导致大量的重复开发，造成了开发效率低下和开发成本高昂的技术问题，该装置包括：
10.数据库构建模块，用于构建项目需求库和项目成果库，根据项目需求库中项目需求文本和项目成果库中项目成果文本进行关联性标注；
11.关联性计算模型构建模块，用于构建关联性计算模型；
12.关联性计算模型训练模块，用于利用项目需求库中项目需求文本和项目成果库中项目成果文本，对关联性计算模型进行训练，获得关联性计算已训练模型；
13.预测判断模块，用于基于关联性计算已训练模型和项目成果库，对待测试项目需求信息进行判断，获得对应的项目成果信息。
14.本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述需求识别和匹配方法。
15.本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述需求识别和匹配方法的步骤。
16.本发明实施例中，与现有技术中新需求产生后无法在已有项目中找到与新需求相近的已有成果，导致大量的重复开发，造成了开发效率低下和开发成本高昂的技术方案相比，通过构建项目需求库和项目成果库，根据项目需求库中项目需求文本和项目成果库中项目成果文本进行关联性标注；构建关联性计算模型；利用项目需求库中项目需求文本和项目成果库中项目成果文本，对关联性计算模型进行训练，获得关联性计算已训练模型；基于关联性计算已训练模型和项目成果库，对待测试项目需求信息进行判断，获得对应的项目成果信息，本发明针对新需求，快速分析其与已有项目的关联性，并给出最相似的已有项目成果，过程中无需人为操作，快速、省力、高效、低成本。
附图说明
17.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
18.图1为本发明实施例中需求识别和匹配方法流程图一；
19.图2为本发明实施例中需求识别和匹配方法流程图二；
20.图3为本发明实施例中关联性计算模型构建流程图一；
21.图4为本发明实施例中关联性计算模型构建流程图二；
22.图5为本发明实施例中需求识别和匹配方法流程图三；
23.图6为本发明实施例中需求识别和匹配装置结构框图。
具体实施方式
24.为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
25.术语解释：
26.bert是谷歌开源的用于执行自然语言处理任务的预训练模型，其通过在海量的语料上运行自监督学习方法为单词学习一个好的特征表示，所谓自监督学习是指在没有人工标注的数据上运行的监督学习。bert的特征表示作为nlp任务的词嵌入特征。为其它任务提供了一个用于迁移学习的模型，该模型可以根据任务微调或者固定之后作为特征提取器。
27.图1为本发明实施例中需求识别和匹配方法流程图一，如图1所示，该方法包括：
28.步骤101：构建项目需求库和项目成果库，根据项目需求库中项目需求文本和项目成果库中项目成果文本进行关联性标注；
29.步骤102：构建关联性计算模型；
30.步骤103：利用项目需求库中项目需求文本和项目成果库中项目成果文本，对关联性计算模型进行训练，获得关联性计算已训练模型；
31.步骤104：基于关联性计算已训练模型和项目成果库，对待测试项目需求信息进行判断，获得对应的项目成果信息。
32.在本发明实施例中，如图2所示，该方法还包括：
33.步骤201：对项目需求文本和项目成果文本进行筛选。
34.具体的，对项目需求文本和项目成果文本进行筛选指对手机到的需求和成果文本数据进行过滤，过滤掉描述不明确、不清晰，或者表述内容存在缺陷的文本数据。
35.在本发明实施例中，如图3所示，按照如下方式构建关联性计算模型：
36.步骤301：设定目标输入为已有项目成果标题、已有项目成果内容、项目需求标题和项目需求内容；
37.步骤302：提取已有项目成果标题和项目需求标题的标题特征信息；
38.步骤303：提取已有项目成果内容与项目需求内容的内容特征信息；
39.步骤304：将标题特征信息和内容特征信息融合，融合后的特征信息经过全连接层处理，输出项目需求和项目成果的关联性。
40.具体的，关联度评分是通过模型计算得到的，即图4中最后输出的结果。
41.具体的，考虑到本发明的目标输入为已有项目成果标题、已有项目成果内容、项目需求标题、项目需求内容4部分，其中进行项目成果标题与项目需求标题关联性计算计算采用bert
‑
base；进行项目成果内容与项目需求内容关联性计算采用bert
‑
wwm。在第一个进行项目成果标题与项目需求标题关联度计算的bert中输入最大长度maxlent设置为128，两个标题拼接最大长度也没有超过128个字，同时这样可以减少训练时间和显存需求；在第二个进行项目成果内容与项目需求内容关联性计算计算的bert
‑
wwm中输入最大长度maxlenc设置为512，尽可能多的读取数据内容。两个bert都采用12layers,768hidden states,12heads版本。通过第一个bert计算已有项目成果标题和项目需求标题的特征信息，通过第二个bert计算已有项目成果内容和项目需求内容的特征信息，而后将2部分特征进行融合，融合2种特征后，需要将融合的特征传入到后续的全连接层中，通过该全连接层对融合特征进行进一步处理后最终输出一个关联度评分，通过激活函数将输出结果的范围控制在[0,1]范围内，该值即为最终的关联度评分，从而计算得到需求和已有项目间的关联性，如图4所示。
[0042]
在本发明实施例中，如图5所示，还包括：
[0043]
步骤501：对获得的对应的项目成果信息进行判断，确定是否分类正确。即确定找到的项目成果是否是合适的。
[0044]
具体的，这里对于一个需求信息，需要通过该需求信息和所有项目成果分别计算一次关联度评分，然后，选择与该需求关联度评分最大的的项目作为模型输出结果。这里的关联度评分，是通过模型运行后输出的结果，是通过模型计算得到的。这里的使用过程，即需要将1个需求和所有项目通过模型全部计算一次关联度评分，计算完成后每个项目都和该需求有一个关联度评分，在所有评分中选择最大评分对应的项目即为模型判断的结果。
[0045]
本发明实施例中还提供了一种需求识别和匹配装置，如下面的实施例所述。由于该装置解决问题的原理与需求识别和匹配方法相似，因此该装置的实施可以参见需求识别和匹配方法的实施，重复之处不再赘述。
[0046]
图6为本发明实施例中需求识别和匹配装置结构框图，如图6所示，该装置包括：
[0047]
数据库构建模块02，用于构建项目需求库和项目成果库，根据项目需求库中项目需求文本和项目成果库中项目成果文本进行关联性标注；
[0048]
关联性计算模型构建模块04，用于构建关联性计算模型；
[0049]
关联性计算模型训练模块06，用于利用项目需求库中项目需求文本和项目成果库中项目成果文本，对关联性计算模型进行训练，获得关联性计算已训练模型；
[0050]
预测判断模块08，用于基于关联性计算已训练模型和项目成果库，对待测试项目需求信息进行判断，获得对应的项目成果信息。
[0051]
在本发明实施例中，数据库构建模块还用于：
[0052]
对项目需求文本和项目成果文本进行筛选。
[0053]
在本发明实施例中，关联性计算模型构建模块具体用于：
[0054]
按照如下方式构建关联性计算模型：
[0055]
设定目标输入为已有项目成果标题、已有项目成果内容、项目需求标题和项目需求内容；
[0056]
提取已有项目成果标题和项目需求标题的标题特征信息；
[0057]
提取已有项目成果内容与项目需求内容的内容特征信息；
[0058]
将标题特征信息和内容特征信息融合，融合后的特征信息经过全连接层处理，输出项目需求和项目成果的关联性。
[0059]
在本发明实施例中，关联性计算模型构建模块具体用于：
[0060]
采用bert
‑
base提取已有项目成果标题和项目需求标题的标题特征信息。
[0061]
在本发明实施例中，关联性计算模型构建模块具体用于：
[0062]
采用bert
‑
wwm提取已有项目成果内容与项目需求内容的内容特征信息。
[0063]
在本发明实施例中，预测判断模块还用于：
[0064]
对获得的对应的项目成果信息进行判断，确定是否分类正确。
[0065]
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述需求识别和匹配方法。
[0066]
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述需求识别和匹配方法的步骤。
[0067]
本发明实施例中，与现有技术中新需求产生后无法在已有项目中找到与新需求相近的已有成果，导致大量的重复开发，造成了开发效率低下和开发成本高昂的技术方案相比，通过构建项目需求库和项目成果库，根据项目需求库中项目需求文本和项目成果库中项目成果文本进行关联性标注；构建关联性计算模型；利用项目需求库中项目需求文本和项目成果库中项目成果文本，对关联性计算模型进行训练，获得关联性计算已训练模型；基于关联性计算已训练模型和项目成果库，对待测试项目需求信息进行判断，获得对应的项目成果信息，本发明针对新需求，快速分析其与已有项目的关联性，并给出最相似的已有项目成果，过程中无需人为操作，快速、省力、高效、低成本。通过搭建好的模型提取文本特征，用法简单、使用便捷、高效，可节约大量时间成本、人力成本；使用的数据处理机制可以充分提取文本中的特征，信息利用率更高，准确率更高。
[0068]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产
品的形式。
[0069]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0070]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0071]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0072]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。