1.一种面向科技服务的需求智能分析与服务组合方法,其特征在于,包括以下步骤:获取通过平台完成的科技服务历史订单对应的科技服务需求文档和科技服务历史订单包含的服务作为训练样本;
对所述训练样本中的需求文档进行文档处理,生成新的训练样本,其中,所述新的训练样本包括原子需求图谱和对应的服务;
构建对比学习模型,使用所述新的训练样本和全局损失函数对所述对比学习模型进行训练,不断优化模型参数,直至模型收敛,完成训练,得到训练后的模型;
获取待测试的需求文档,对所述待测试的需求文档进行所述文档处理,将处理后生成的原子需求文档输入所述训练后的模型中,输出最优的原子服务和原子服务组合构成的最优方案,并以可视化服务图谱的形式展现给用户。
2.如权利要求1所述的方法,其特征在于,所述文档处理包括:对需求文档进行预处理和标注;
对预处理和标注后的需求文档进行事件抽取,得到大粒度的复杂科技服务需求;
对所述大粒度的复杂科技服务需求进行分解,得到需求三元组;
对所述需求三元组和所述需求文档进行需求实体抽取,生成原子需求实体;
基于抽取出的原子需求实体以及需求实体之间的逻辑关系建立原子需求图谱。
3.如权利要求2所述的方法,其特征在于,所述对需求文档进行预处理和标注,包括:对文档里的图片以及文字信息进行识别和语义分析。
4.如权利要求3所述的方法,其特征在于,所述对预处理和标注后的需求文档进行事件抽取,得到大粒度的复杂科技服务需求,包括:对BERT模型处理,包括:将BERT模型的隐藏层中权重小于预设阈值的神经元进行dropout处理,然后通过sigmoid函数对剩余的神经元分配新的权重值;利用显著性对BERT模型的隐藏层进行裁剪,然后对BERT模型进行重新训练;
使用skip‑gram模型对预处理和标注后的需求文档构建词嵌入向量,生成需求文档构成的三种嵌入,包括词向量、位置向量和分割向量;
将所述需求文档构成的三种嵌入输入处理后的BERT模型中,输出特征序列;
通过条件随机场CRF,使用对数线性模型表示整个特征序列的联合概率,预测序列标注中的标签;
将触发词抽取与检测看作字级别的标注任务,采用BMES序列标注规则,按照预测的序列标注中的标签,对所述需求文档构成的三种嵌入进行标注,输出标注结果,所述标注结果为所述大粒度的复杂科技服务需求。
5.如权利要求4所述的方法,其特征在于,所述对所述大粒度的复杂科技服务需求进行分解,包括:
预测所述需求文档中句子的所有潜在关系,从而完成关系限定;
通过关系限定的序列标记组件处理主语和宾语之间的重叠问题;
设计一个全局对应组件,将主语、宾语和关系对齐成一个低复杂度的三元组,得到需求三元组。
6.如权利要求5所述的方法,其特征在于,所述对所述需求三元组和所述需求文档进行需求实体抽取,包括:
对需求文档进行二次人工标注,其中,标注为三元组形式,三元组包括需求名称、需求内容、需求类别标签;
创建分词器,根据二次标注后的需求文档对所述需求三元组进行特征提取,将需求三元组的内容字符串转为整数索引列表;
根据所述整数索引列表对所述需求三元组进行one‑hot编码,构建特征信息序列矩阵,通过编码后的特征信息序列矩阵来表示需求三元组之间的关联;
根据所述需求三元组之间的关联,创建一个邻接矩阵来表示实体之间的关系;
将构建的特征信息序列矩阵和邻接矩阵输入到一个权重注意力网络中,生成原子需求实体。
7.如权利要求1所述的方法,其特征在于,所述对比学习模型包括多知识图谱构建模块、图对比学习模块、分类器学习模块,所述全局损失函数为:Ltotal=Lcls+γLcontract其中,Lcls表示分类器的损失函数,Lcontract表示对比损失函数,γ表示权重参数,其中,Wij表示知识图谱的图节点嵌入输入分类器后的输出类别, 表示知识图谱的图节点嵌入的真实类别,T是转置符号,1<=j<=特征向量的维度d,1<=i<=已知类别数量X, AP表示知识图谱GP输入图对比学习模块后对应的输出,i、j分别表示知识图谱的第i、j个结点,m、n表示对应处理的知识图谱里的结点数量,σ是sigmoid非线性激活函数。
8.如权利要求7所述的方法,其特征在于,所述将处理后生成的原子需求文档输入所述训练后的模型中,输出最优的原子服务和原子服务组合构成的最优方案,包括:使用所述图谱构建模块,从科技服务的角度根据输入的原子需求图谱构建知识图谱;
使用所述对比学习模块,通过对构建的知识图谱进行处理,生成知识图谱的图节点嵌入,其中,对所述知识图谱进行处理,包括:通过所述对比学习损失函数约束,使得生成的不同图中对应节点表示一致,同一图中不同节点的特征表示具有区别性;
使用所述分类学习模块,对所述知识图谱的图节点嵌入进行融合,将融合后的知识图谱输入分类器中进行分类,得到最优的原子服务和原子服务组合。
9.一种面向科技服务的需求智能分析与服务组合装置,其特征在于,包括获取模块、处理模块、训练模块、结果生成模块,其中,所述获取模块,用于获取通过平台完成的科技服务历史订单对应的科技服务需求文档和科技服务历史订单包含的服务作为训练样本;
所述处理模块,用于对所述训练样本中的需求文档进行文档处理,生成新的训练样本,其中,所述新的训练样本包括原子需求图谱和对应的服务;
所述训练模块,用于构建对比学习模型,使用所述新的训练样本和全局损失函数对所述对比学习模型进行训练,不断优化模型参数,直至模型收敛,完成训练,得到训练后的模型;
所述结果生成模块,用于获取待测试的需求文档,对所述待测试的需求文档进行所述文档处理,将处理后生成的原子需求文档输入所述训练后的模型中,输出最优的原子服务和原子服务组合构成的最优方案,并以可视化服务图谱的形式展现给用户。