一种基于人工智能的审批流解决方法、装置及计算机设备与流程

【技术领域】

本申请涉及计算机技术领域，特别是涉及一种业务审批方法、装置、计算机设备。

背景技术：

市面上主要的oa系统或审批流系统的审批节点设置依存于部门组织架构，岗位职级等。这种设计对于大多数公司适用，但也有部分架构比较灵活、汇报关系不固定的公司会有局限。比如集团总部的职能人员，需要为各个分店处理事务时，需要进入审批流填写审批意见，补充流程信息，但职能人员并不归属业务线，不能按照组织架构找到对应的人员；且同岗位的职能人员很多，也无法按照岗位指定。一般的oa系统只能通过上一节点的人员手动指定下一节点审批人，或所有同岗位审批人都到待办等方式解决。这样也带来了权利义务，审批责任的不清晰。

技术实现要素：

针对现有技术中存在的缺陷，本发明的目的在于提供一种基于人工智能的业务审批流的解决方法，通过人工智能技术，分析用户习惯和最近的工作内容范围，自动分配审批任务给同岗位人员进行审批。

为达到上述目的，根据本发明的第一方面，提供了一种基于人工智能的业务审批流解决方法，步骤如下：

收集流程信息、任务信息、会议信息、站内信息、阅览知识信息、地理位置、考勤信息、网络信息，创建业务审批信息数据库，并将上述信息数据存储于数据库中。利用上述数据库中的信息进行分布式训练，分布式训练分为两部分，第一分布式训练的训练维度设定为：流程、任务、会议、站内信、阅览内容；第二分布式训练的维度设定为：流程、任务、会议、地理位置、考勤信息、网络信息；第一分布训练采用100组随机算法进行训练，第二分布训练采用100组随机分配权重，使用遗传算法进行遗传优化，得到训练最优模型。通过该最优模型得到下一节点的审批人。

进一步的，由于存在两组最优基因算法，故该节点可能存在两个不同的审批人，当审批人不同时，两人在该节点中设置为并联，即任意一人审批通过后是为该节点通过。

进一步的，数据库存储的信息为近六个月内的历史数据，两个分布式训练分别推举一种最优算法一组。

进一步的，遗传算法进行50代遗传优化，得到最终优化的计算模型。

进一步的，每日进行一轮训练，更新最优算法到前台，次日使用此组算法进行计算。

进一步的，解决方法还包括反馈步骤，即在办公系统中确认最优模型推举的节点的审批人以及相关信息是否正确，若是，则反馈到计算模型步骤继续进行计算下一节点审批人；若否，则在办公系统中人工选择下一步业务办理的处室和对应的办理人，并由人工选择的下一步业务办理的处室和对应的办理人进行下一步业务办理。

根据本发明的第二方面，提供了一种基于人工智能的业务审批装置，装置包括：

采集模块，用于收集流程信息、任务信息、会议信息、站内信息、阅览知识信息、用户地理位置、考勤信息、网络信息。

存储模块，用于存储上述信息数据，并将上述数据分别存入流程模块、任务模块、会议模块、站内信模块、阅览知识模块、用户地理位置模块、用户网络信息模块、用户考勤信息模块。

第一分布训练模块，从上述存储模块中提取100组流程、任务、会议、站内信、阅览内容的数据，采用100组随机算法进行训练，最终推举出最优计算模型，计算出下一节点的审批人；

第二分布训练模块，从上述存储模块中提取100组流程、任务、会议、地理位置、考勤信息、网络信息的数据，随机分配权重，使用遗传算法进行遗传优化，得到训练最优模型，计算出下一节点的审批人。

执行模块，由于存在两组最优基因算法，故该节点可能存在两个不同的审批人，当审批人不同时，两人在该节点中设置为并联，即任意一人审批通过后是为该节点通过。

进一步的，还包括反馈模块，用于接收执行模块发送的审批人信息，通知工作人员在办公系统中确认最优模型推举的节点的审批人以及相关信息是否正确，若是，则反馈到计算模型步骤继续进行计算下一节点审批人；若否，则在办公系统中人工选择下一步业务办理的处室和对应的办理人，并由人工选择的下一步业务办理的处室和对应的办理人进行下一步业务办理。

进一步的，存储模块内的信息为近六个月内的历史数据，两个分布式训练分别推举一种最优算法一组。

进一步的，所述存储装置包括更新模块，所述更新模块用于定期更新人员信息数据库和审批意见数据库。

进一步的，训练模块采用的遗传算法进行50代遗传优化，得到最终优化的计算模型。

进一步的，两个分布训练模块每日进行一轮训练，更新最优算法到前台，次日使用此组算法进行计算。

根据本发明的第三方面，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：

收集流程信息、任务信息、会议信息、站内信息、阅览知识信息、地理位置、考勤信息、网络信息；

创建业务审批信息数据库，并将上述信息数据存储于数据库中；

利用上述数据库中的信息进行分布式训练，分布式训练分为两部分，第一分布式训练的训练维度设定为：流程、任务、会议、站内信、阅览内容；第二分布式训练的维度设定为：流程、任务、会议、地理位置、考勤信息、网络信息；第一分布训练采用100组随机算法进行训练，第二分布训练采用100组随机分配权重，使用遗传算法进行遗传优化，得到训练最优模型。通过该最优模型得到下一节点的审批人。

进一步的，由于存在两组最优基因算法，故该节点可能存在两个不同的审批人，当审批人不同时，两人在该节点中设置为并联，即任意一人审批通过后是为该节点通过。

进一步的，数据库存储的信息为近六个月内的历史数据，两个分布式训练分别推举一种最优算法一组。

进一步的，遗传算法进行50代遗传优化，得到最终优化的计算模型。

进一步的，每日进行一轮训练，更新最优算法到前台，次日使用此组算法进行计算。

进一步的，还包括反馈步骤，即在办公系统中确认最优模型推举的节点的审批人以及相关信息是否正确，若是，则反馈到计算模型步骤继续进行计算下一节点审批人；若否，则在办公系统中人工选择下一步业务办理的处室和对应的办理人，并由人工选择的下一步业务办理的处室和对应的办理人进行下一步业务办理。

【附图说明】

图1为一个实施例中业务审批方法的流程示意图

图2为一个实施例中业务审批装置结构框图

【具体实施方式】

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

参见图1所示，本发明实施例提供一种基于人工智能的业务审批流的解决方法，包括以下步骤：

s1:收集流程信息、任务信息、会议信息、站内信息、阅览知识信息、地理位置、考勤信息、网络信息；

s2:创建业务审批信息数据库，并将上述信息数据存储于数据库中；

s3:利用上述数据库中的信息进行分布式训练，分布式训练分为两部分，第一分布式训练的训练维度设定为：流程、任务、会议、站内信、阅览内容；

s4:第二分布式训练的维度设定为：流程、任务、会议、地理位置、考勤信息、网络信息；第一分布训练采用100组随机算法进行训练，第二分布训练采用100组随机分配权重，使用遗传算法进行遗传优化；

s5:两个分布式训练分别推举一种最优算法一组，从而得到下一节点的审批人。

由于存在两组最优基因算法，故该节点可能存在两个不同的审批人，当审批人不同时，两人在该节点中设置为并联，即任意一人审批通过后是为该节点通过。

通常，进行业务办理的办理人员可能发生异动，例如离职或转部门等，若人员信息数据库存储所有处室信息以及每个处室中办理人信息未更新，办公系统推荐的下一步业务办理的处室和办理人就会不准确。因此数据库存储的信息为近六个月内的历史数据，并随时对数据进行更新。

此外，为保证节点审批人为办公人员所希望的，解决方法中还包括：

s6：反馈步骤，即在办公系统中确认最优模型推举的节点的审批人以及相关信息是否正确，若是，则反馈到计算模型步骤继续进行计算下一节点审批人；若否，则在办公系统中人工选择下一步业务办理的处室和对应的办理人，并由人工选择的下一步业务办理的处室和对应的办理人进行下一步业务办理。

此外，为了保证遗传算法得到的算法为最优解，遗传算法进行50代遗传优化，各采信6个月内历史数据进行训练，各推举最优算法一组。每日进行一轮训练，更新最优算法到前台，次日使用此组算法进行计算。

需要说明的是，在实际使用中，审批意见形式多种多样，可能只包括下一步业务办理的处室或办理人的一种，因此，训练步骤优化的结果返回给办公系统的关键信息可能只有处室或只有办理人。办公系统再根据得到的关键信息在人员信息数据库中查找出对应的处室和办理人，这样可以得到对应的处室和办理人，将其作为推荐的下一步业务办理的处室和办理人，使得推荐的信息更加准确完整，便于后续办理人进行信息确认，进而使得业务办理效率更高。

参见图2所示，本发明实施例提供一种基于人工智能的业务审批装置，包括：

采集模块101，存储模块102，第一分布训练模块103，第二分布训练模块104，执行模块105，以及反馈模块106；

其中，采集模块101用于收集流程信息、任务信息、会议信息、站内信息、阅览知识信息、用户地理位置、考勤信息、网络信息。

存储模块102，用于存储上述信息数据，并将上述数据分别存入流程模块、任务模块、会议模块、站内信模块、阅览知识模块、用户地理位置模块、用户网络信息模块、用户考勤信息模块。

第一分布训练模块103，从上述存储模块中提取100组流程、任务、会议、站内信、阅览内容的数据，采用100组随机算法进行训练，最终推举出最优计算模型，计算出下一节点的审批人；

第二分布训练模块104，从上述存储模块中提取100组流程、任务、会议、地理位置、考勤信息、网络信息的数据，随机分配权重，使用遗传算法进行遗传优化，得到训练最优模型，计算出下一节点的审批人。

执行模块105，由于存在两组最优基因算法，故该节点可能存在两个不同的审批人，当审批人不同时，两人在该节点中设置为并联，即任意一人审批通过后是为该节点通过。

进一步的，还包括反馈模块106，用于接收执行模块发送的审批人信息，通知工作人员在办公系统中确认最优模型推举的节点的审批人以及相关信息是否正确，若是，则反馈到计算模型步骤继续进行计算下一节点审批人；若否，则在办公系统中人工选择下一步业务办理的处室和对应的办理人，并由人工选择的下一步业务办理的处室和对应的办理人进行下一步业务办理。

本发明实施例提供一种计算机装置，其用于业务审批，包括：

包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现以下步骤：

收集流程信息、任务信息、会议信息、站内信息、阅览知识信息、地理位置、考勤信息、网络信息；

创建业务审批信息数据库，并将上述信息数据存储于数据库中；

利用上述数据库中的信息进行分布式训练，分布式训练分为两部分，第一分布式训练的训练维度设定为：流程、任务、会议、站内信、阅览内容；第二分布式训练的维度设定为：流程、任务、会议、地理位置、考勤信息、网络信息；第一分布训练采用100组随机算法进行训练，第二分布训练采用100组随机分配权重，使用遗传算法进行遗传优化，得到训练最优模型。通过该最优模型得到下一节点的审批人。

进一步的，由于存在两组最优基因算法，故该节点可能存在两个不同的审批人，当审批人不同时，两人在该节点中设置为并联，即任意一人审批通过后是为该节点通过。

进一步的，数据库存储的信息为近六个月内的历史数据，两个分布式训练分别推举一种最优算法一组。

进一步的，遗传算法进行50代遗传优化，得到最终优化的计算模型。

进一步的，每日进行一轮训练，更新最优算法到前台，次日使用此组算法进行计算。

进一步的，解决方法还包括反馈步骤，即在办公系统中确认最优模型推举的节点的审批人以及相关信息是否正确，若是，则反馈到计算模型步骤继续进行计算下一节点审批人；若否，则在办公系统中人工选择下一步业务办理的处室和对应的办理人，并由人工选择的下一步业务办理的处室和对应的办理人进行下一步业务办理。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。