本公开的实施例涉及用于为结构化文本文件推荐编辑(editor)的人工智能工具。
背景技术:
1、在现代机器学习出现以前,计算机只能最小限度地辅助编辑选择过程。为科学或学术期刊的投稿分配编辑既需要知道哪个编辑要分配给哪篇文章,又需要确保平衡不同编辑之间的工作量。在执行编辑与助理编辑(associate editor)之间具有不同编辑架构方式(structurer)和层级的各期刊会使该任务更加复杂。因此,需要改进方法,以便利用机器学习来改进为科学或学术期刊投递推荐和分配编辑的现有工具。
技术实现思路
1、本公开的一个方面涉及一种用于为结构化文本文件推荐编辑的方法。例如,该方法包括将存储在数据库中的至少一个结构化文本文件转换成一个或多个向量,每个结构化文本文件具有标题、摘要和编辑信息。例如,该方法还包括训练机器学习模型以针对该结构化文本文件将至少一个向量与编辑信息相关联。例如,该方法还包括接收另一结构化文本文件,其具有标题、摘要。例如,该方法还包括将所述另一结构化文本文件转换成一个或多个向量。例如,该方法还包括通过已训练的机器学习模型处理未发表的结构化文本文件的一个或多个向量以识别适合的编辑团队。例如,该方法还包括将所述另一结构化文本文件分发给所述适合的编辑团队中的编辑。最后,例如,该方法还包括将另外的结构化文本文件发送至与编辑相关联的计算机装置。
2、本公开的另一方面涉及一种用于为结构化文本文件推荐编辑的系统。例如,该系统包括至少一个处理器和存储指令的至少一个非暂时性计算机可读介质,所述指令被配置为使所述处理器例如将存储在数据库中的至少一个结构化文本文件转换成一个或多个向量,每个结构化文本文件具有标题、摘要和编辑信息。例如,所述处理器还可以训练机器学习模型以针对该结构化文本文件将至少一个向量与编辑信息相关联。例如,所述处理器还可以接收另一结构化文本文件,其具有标题和摘要。例如,所述处理器还可以将所述另一结构化文本文件转换成一个或多个向量。例如,所述处理器还可以通过已训练的机器学习模型处理未发表的结构化文本文件的一个或多个向量以识别适合的编辑团队。例如,所述处理器还可以将所述另一结构化文本文件分发给所述适合的编辑团队中的编辑。最后,例如,所述处理器还可以将所述未发表的结构化文本文件发送至与编辑相关联的计算机装置。
1.一种方法,包括:
2.根据权利要求1所述的方法,其中:
3.根据权利要求1所述的方法,其中:
4.根据权利要求1所述的方法,其中:
5.根据权利要求1所述的方法,其中:
6.根据权利要求5所述的方法,其中:
7.根据权利要求1所述的方法,还包括:
8.根据权利要求7所述的方法,其中:
9.根据权利要求7所述的方法,其中:
10.根据权利要求7所述的方法,其中:
11.根据权利要求7所述的方法,其中:
12.根据权利要求1所述的方法,还包括:
13.根据权利要求1所述的方法,还包括:
14.根据权利要求12所述的方法,其中:
15.根据权利要求13所述的方法,其中:
16.一种用于为结构化文本文件识别适合的编辑的系统,包括:
17.根据权利要求16所述的系统,其中:
18.根据权利要求16所述的系统,其中:
19.根据权利要求16所述的系统,其中:
20.根据权利要求16所述的系统,其中:
21.根据权利要求20所述的系统,其中:
22.根据权利要求16所述的系统,其中:
23.根据权利要求22所述的系统,其中:
24.根据权利要求22所述的系统,其中:
25.根据权利要求22所述的系统,其中:
26.根据权利要求22所述的系统,其中:
27.根据权利要求16所述的系统,还包括
28.根据权利要求22所述的系统,还包括
29.根据权利要求27所述的系统,其中:
30.根据权利要求28所述的系统,其中: