CN113761850A - 表单填充方法和装置 - Google Patents

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本发明实施例提供了一种表单填充方法，如图1所示，包括：

步骤101：确定当前表单的待填充表单项。

当前表单为用户需要填写的表单。当前表单中可包括若干待填充表单项。待填充表单项的输入框可包括：文本框、复选框、单选框、下拉框等。可通过本发明实施例的方法预测并填充当前表单中的待填充表单项。

步骤102：获取目标表单项的当前值；其中，目标表单项与待填充表单项相关联。

目标表单项为与待填充相关联的表单项。根据目标表单项的取值可预测待填充表单项的取值。目标表单项可为一个也可为多个。目标表单项可与待填充表单项来源于同一表单，也可与待填充表单项来源于不同表单。

举例来说，当前表单为用户的购物心愿表，该表单用于存储用户喜欢并想购买的物品。心愿文本框为购物心愿表中的待填充表单项，用户可将自己喜欢的若干物品填充到若干心愿文本框中。可利用用户标识作为关键字，从用户的浏览物品信息表、用户的订单信息表及用户的收藏物品信息表中，关联出用户的若干行为信息对应的表单项，并将若干行为信息对应的表单项作为目标表单项。

步骤103：根据目标表单项的当前值和训练得到的待填充表单项的预测模型，确定待填充表单项的当前值。

预测模型是以目标表单项的当前值作为输入，以待填充表单项的预测值作为输出的模型。如果当前表单中存在多个待填充表单项，可为每个待填充表单项设置多个预测模型，也可针对多个待填充表单项设置一个多目标联合模型。预测模型可包括：回归预测模型、时间预测模型等。

步骤104：将待填充表单项的当前值填充到待填充表单项的输入框。

本发明实施例的方法根据目标表单项的当前值和待填充表单项的预测模型，确定待填充表单项的当前值，并将待填充表单项的当前值填充到待填充表单项的输入框。本申请实施例能自动填充待填充表单项的输入框，无需用户动手填写待填充表单项。因此，本发明实施例的方法可以解决用户填表操作繁琐且浪费时间的问题。

在本发明的一个实施例中，确定当前表单的待填充表单项，包括：

确定与当前表单的表单项对应的填充开关是否开启，如果是，则确定表单项为待填充表单项。

当填充开关开启时，系统将调用本发明实施例的方法对当前表单的待填充表单项进行自动填充。当填充开关关闭时，系统将不会调用本发明实施例的方法对当前表单的待填充表单项进行填充，而由用户自行填充。

获取用户针对所述待填充表单项填充的实际值；如果所述待填充表单项的实际值与所述待填充表单项的当前值之间的偏差超过第一偏差阈值，则将当前表单的表单项对应的填充开关设置为关闭状态。

第一偏差阈值可根据具体需要进行设置。如果在用户填写的实际值与系统预测的当前值的偏差较大，则说明当前预测模型的预测结果可能不够准确，需要对预测模型进一步地迭代，以增强系统预测结果的准确性。此时，可将待填充表单项的填充开关设置为关闭状态，以避免由于预测结果不够准确，而对后续用户填表过程造成不当影响。

获取用户针对所述待填充表单项填充的实际值；如果所述待填充表单项的实际值与所述待填充表单项的当前值之间的偏差超过第二偏差阈值，则保存表单数据；其中，所述表单数据包括：所述目标表单项的当前值及所述待填充表单项的实际值；所述表单数据用于训练所述预测模型。

第二偏差阈值可根据具体需要进行设置。如果在用户填写的实际值与系统预测的当前值的偏差较大，则说明当前预测模型的预测结果可能不够准确，需要对预测模型进一步地迭代。记录并保存偏差较大的表单数据，用于后续的预测模型训练，可以使训练后的预测模型的预测结果更加准确。

在本发明的一个实施例中，该方法进一步包括：

获取若干表单项的历史值；其中，若干表单项来源于若干历史表单；

将若干表单项的历史值整合成特征宽表；

根据预存的特征转换规则，对特征宽表中的数据进行格式转换；

根据预先指定的待填充表单项和转换后的特征宽表，对预测模型进行训练，得到训练结果；其中，训练结果中包括：训练好的预测模型。

本发明实施例提供了一种预测模型的训练方法。首先，将各相关表整合成特征宽表。由于特征宽表中包括了来源于多个表中的不同的数据，利用特征宽表进行模型训练，可提高预测模型训练过程中迭代计算时的效率。

其次，对特征宽表中的各字段进行特征转换，以使转换后的字段可以被预测模型所识别。例如，预测模型只能识别数字形式的输入参数，则可按照下列方式对特征宽表中的字段进行转换：

对于离散字段：原始值会被依次编码为1，2，3等值，原始值应与编码值一一对应。编码值可作为原始值的唯一标识。举例：性别特征可能值：男、女，则可将男编码为1，将女编码为2。

对于文本字段：先分词，再分别获取每个词对应的词向量，最后计算所有分词的向量求平均值，作为该文本字段的特征值。举例：“我要退货”，这句话分词后＝{″我″，″要″，“退货”}，“我”对应词向量[0.5，0.3，....]，“要”对应[0.2，0.3，...]，“退货”对应[0.2，0.9，...]，计算所有分词的向量求平均值，作为该文本字段的特征值为[0.3，0.5，...]。

最后，根据转换后的特征宽表，对预测模型进行训练，得到训练后的预测模型。

此外，可将特征转换规则存储至特征大纲中，而不是把转换规则硬编码写死在代码中，模型后期迭代以及在线服务过程中对原始数据的处理，都可直接通过特征大纲获取到特征转换规则，特征大纲可起到解耦在线服务工程与模型服务的作用。

在本发明的一个实施例中，根据目标表单项的当前值和训练得到的待填充表单项的预测模型，确定待填充表单项的当前值，包括：

根据预存的特征转换规则，对目标表单项的当前值进行格式转换；

确定预测模型在线上服务中的链接地址；

将转换后的目标表单项的当前值作为输入参数，请求链接地址对应的预测服务，得到待填充表单项的当前值。

将转换后的目标表单项的当前值作为输入参数，利用预测模型在线上服务中的链接地址，请求基于预测模型的预测服务。本发明实施例提供了一种方便有效的利用预测模型对表单进行填充的方法。

此外，特征转换规则及预测模型在线上服务中的链接地址都可保存在模型大纲中而无需写死在代码中，可起到解耦各模块的作用，方便整个系统的搭建及后期的维护。

本发明实施例提供了一种目标表单项的确定方法，如图2所示，包括：

步骤201：获取若干表单项的历史值；其中，若干表单项来源于若干历史表单。

步骤202：将若干表单项的历史值整合成特征宽表。

步骤203：根据预存的特征转换规则，对特征宽表中的数据进行格式转换。

步骤204：根据预先指定的待填充表单项和转换后的特征宽表，对预测模型进行训练，得到训练结果；其中，训练结果中包括：若干其他表单项对待填充表单项的影响值；其中，影响值用于表征其他表单项对待填充表单项的影响程度。

步骤205：根据影响值，在若干其他表单项中确定与待填充表单项相关联的目标表单项。

可通过多种方式，根据影响值，确定与待填充表单项相关联的目标表单项。可设定一影响阈值，将高于该影响阈值的影响值对应的表单项，都确定为目标表单项。还可以设定目标表单项个数，如5个、8个等。将各其他表单项按影响值进行排序，再从排序后的表单项中，选取前目标表单项个数个其他表单项，作为目标表单项。

本发明实施例中根据训练结果，获取他表单项对待填充表单项的影响值，再根据影响值，选取对待填充表单项影响较大的其他表单项作为目标表单项。后续预测过程，只需将目标表单项的取值输入预测模型即可，而无需获取到特征宽表中所有表单项的取值。因此，本发明实施例的方法在可较准确预测待填充表单项的同时，还可以加快预测模型的预测过程。

图3是本发明的另一个实施例提供的另一种表单填充方法的流程图。如图3所示，该方法包括：

步骤301：确定当前表单的待填充表单项；其中，待填充表单项的输入框为下拉框。

步骤302：获取目标表单项的当前值；其中，目标表单项与待填充表单项相关联。

步骤303：根据目标表单项的当前值和待填充表单项的预测模型，生成待填充表单项的多个预测值及其概率。

步骤304：确定最大概率对应的预测值为待填充表单的当前值。

步骤305：将待填充表单项的当前值填充到待填充表单项的输入框。

本发明实施例的方法，在待填充表单项的输入框为下拉框时，将具有最大概率的预测值作为待填充表单的当前值，并将其填入待填充下列框中，可使填入下拉框中的预测值具有较高的准确率。

在本发明的一个实施例中，该方法进一步包括：

针对每个预测值：根据预测值的概率，确定预测值在下拉框的下拉列表中的位置；

根据多个预测值及其在下拉列表中的位置，展示下拉框。

预测值的概率越大，用户选择该预测值作为下拉框的输入值的概率也越大。因此，可将具有较大概率的预测值排列在下拉框中较前的位置，以方便用户选择。

本发明实施例的方案目的在于提供一种学习机制，用机器学习中的分类算法学习过往表单的填写情况，填充待填充表单项。下面以待填充表单项为下列框为实例进行讲解。

本发明实施例的方法中，提炼历史可能影响待填充表单项填写的目标表单项，目标表单项可包括：表单类型，表单填写人，表单入口等。其中，表单类型可包括：问题咨询，审批单据，问题单据等；表单入口可包括：电话客服工作台，售后工作台，备件库工作台等。如果待填充的表单和订单有关系，那么还可以取订单相关表单项，订单人相关表单项等。对相关表单项进行特征化处理，预测出某个下拉框的最优默认值。本发明实施例的方案可以提高智能化填充比例，降低费力度，提高表单填写效率，减少人工配置，也可以提供持续自动学习能力。

图4是本发明的一个实施例提供的一种智能表单填充系统的框架结构示意图。如图4所示，智能表单填充系统包括：模型计算层、数据服务层及系统应用层。

模型计算层：专注离线学习，根据分析统计特征值；收集离线数据、进行数据清洗，建立特征工程；使用分类模型、不断进行模型训练；输出最终的模型结果。

数据服务层：专注实时应用，获取模型所需各种特征值的实时数据；加工实时数据并存储管理；调用算法API(应用程序接口，Application Programming Interface)接收模型结果。

系统应用层：系统中配置一个调用开关。当调用开关开启时，应用智能表单填充系统对表单进行填充；以接口形式调用模型结果；当监控发现预测偏差大时，可以随时做服务降级处理，实现系统的应用稳定可用。服务降级处理用于停止应用表单填充系统的方法，启用传统列表方案。

系统通过抽象出职责单一的三层，包括：离线学习，实时应用及业务规则管控，实现了无人化表单填充的一整套系统。图5是本发明的一个实施例提供的又一种表单填充方法的流程的示意图，如图5所示，具体技术方案包括主流程和大数据模型计算流程。其中，主流程步骤如下：

S1：创建表单申请：获取用户需要填充的表单及待填充表单项。

S2：确定与当前表单的表单项对应的填充开关是否开启，如果是，则确定表单项为待填充表单项。

根据预设开关，确认每个待填充的表单项是否需要调用本发明实施例的表单填充方法。

S3：确定当前表单的待填充表单项。

S4：获取目标表单项的当前值；其中，目标表单项与待填充表单项相关联。

S5：根据目标表单项的当前值和训练得到的待填充表单项的预测模型，确定待填充表单项的当前值。

该步骤通过模型预测确定待填充表单项的当前值。模型预测的步骤是本发明实施例的核心。模型预测包含离线训练，在线服务两部分。

图6是本发明的一个实施例提供的一种离线训练流程示意图。如图6所示，离线训练流包括：模型计算包括离线训练及在线服务两部分。

S51：离线数据加工：在大数据集市上，收集相关数据表，离线分析，把需要的特征整合成特征宽表，提供给后面环节使用，上述离线数据加工任务定时更新。

S52：特征工程：清洗处理相关特征，如表单类型，表单填写人，表单入口，如果是和订单有关系，那么还可以取订单相关特征，订单人相关特征如表单，归一化，缺失值等处理；此外，把特征转换规则写到特征大纲缓存。

图7是本发明的一个特征工程系统的结构示意图。如图7所示，将离散特征和文本特征分别进行转换，生成预测模型可以识别的数字编码。

S53：模型训练：此处算法是要完成对下拉框默认值的分类任务，根据下拉选项训练多分类模型。如果有多个下拉框，分别生成多个多分类模型或多目标联合模型，产出模型文件。

S54：模型迭代：此处是将模型迭代任务可定时运行，也可基于用户或系统的命令运行。模型迭代过程通过模型不断迭代更新，提升模型效果。

在线服务部署涉及以下4个步骤：

S55：模型部署：把离线训练产生的模型文件通过工程包装，部署成在线服务，并把模型服务url(统一资源定位器，Uniform Resource Locator)、模型version等信息写进模型大纲缓存。

S56：实时数据采集：调用多方接口或数据存储，获得模型需要的全部数据。

S57：特征转换：把实时请求的原始的特征通过特征大纲指定的转换规则，转换成模型需要的格式。

S58：模型预测：解析模型训练结果产生的配置和参数，根据预测函数和实时转换特征，请求特征大纲指定的模型服务url，请求预测服务得到预测值。

S6：获取用户确认的输入信息。一般模型不能提供完全正确的填充，用户需要确认下填充是否正确，如有错误可人工重新填写。

S7：将待填充表单项的当前值填充到待填充表单项的输入框。创建并提交填写完整的表单。

S8：模型迭代：对于有错误的数据，系统记录下来，自动定时反馈到模型训练环节，模型进行迭代和修正，提升模型的效果。

图8是本发明的一个实施例提供的又一种智能表单填充系统的框架结构示意图。如图8所示，系统将进行特征工程过程中应用到的模型服务的url、模型版本号以及特征转换规则字典等信息存储至特征大纲中。在线服务根据特征大纲中的特征转换规则对原始特征进行特征转换，并通过特征大纲获取到模型服务的url，调用预测服务，并对待填充字段进行填充。

预测函数为预测模型对应的预测方法。把转换之后的特征作为预测函数的入参，调用预测函数预测类别。本发明实施例可以采用xdeepFM模型。

特征大纲是模型特定元数据的集合，特征大纲可由特征工程及模型部署环节生成，并被保存在缓存服务器中。特征转换模块根据特征大纲转换原始特征，而不是把转换规则硬编码写死在代码中，模型后期迭代以及增、删、改特征之后，直接把元数据更新到特征大纲缓存，避免了特征转换模块的修改及重启。大纲起到了解耦在线服务工程与模型服务的作用。

如图9所示，本发明实施例提供了一种表单填充装置，包括：

表单项确定模块901，配置为确定当前表单的待填充表单项；

当前值获取模块902，配置为获取目标表单项的当前值；其中，目标表单项与待填充表单项相关联；

预测模块903，配置为根据目标表单项的当前值和训练得到的待填充表单项的预测模型，确定待填充表单项的当前值；

输入框填充模块904，配置为将待填充表单项的当前值填充到待填充表单项的输入框。

在本发明的一个实施例中，表单项确定模块901具体配置为：

确定与当前表单的表单项对应的填充开关是否开启，如果是，则确定表单项为待填充表单项。

在本发明的一个实施例中，预测模块903，配置为获取若干表单项的历史值；其中，若干表单项来源于若干历史表单；

将若干表单项的历史值整合成特征宽表；

根据预存的特征转换规则，对特征宽表中的数据进行格式转换；

根据预先指定的待填充表单项和转换后的特征宽表，对预测模型进行训练，得到训练结果；其中，训练结果中包括：训练好的预测模型。

在本发明的一个实施例中，训练结果中还包括：若干其他表单项对待填充表单项的影响值；其中，影响值用于表征其他表单项对待填充表单项的影响程度；

进一步包括：预测模块903，配置为根据影响值，在若干其他表单项中确定与待填充表单项相关联的目标表单项。

在本发明的一个实施例中，预测模块903具体配置为：

根据预存的特征转换规则，对目标表单项的当前值进行格式转换；

确定预测模型在线上服务中的链接地址；

将转换后的目标表单项的当前值作为输入参数，请求链接地址对应的预测服务，得到待填充表单项的当前值。

在本发明的一个实施例中，待填充表单项的输入框为下拉框；

预测模块903具体配置为：根据目标表单项的当前值和待填充表单项的预测模型，生成待填充表单项的多个预测值及其概率；

确定最大概率对应的预测值为待填充表单的当前值。

在本发明的一个实施例中，预测模块903，配置为针对每个预测值：根据预测值的概率，确定预测值在下拉框的下拉列表中的位置；

根据多个预测值及其在下拉列表中的位置，展示下拉框。

本发明实施例提供了一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述任一实施例的方法。

图10示出了可以应用本发明实施例的异常行为识别方法或异常行为识别装置的示例性系统架构1000。

如图10所示，系统架构1000可以包括终端设备1001、1002、1003，网络1004和服务器1005。网络1004用以在终端设备1001、1002、1003和服务器1005之间提供通信链路的介质。网络1004可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备1001、1002、1003通过网络1004与服务器1005交互，以接收或发送消息等。终端设备1001、1002、1003上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件、办公应用等(仅为示例)。

终端设备1001、1002、1003可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器1005可以是提供各种服务的服务器，例如对用户利用终端设备1001、1002、1003所浏览的购物类网站或公司部门内部管理系统提供支持的后台管理服务器(仅为示例)。后台管理服务器可以获取用户需要填充的表单；根据所述目标表单项的当前值和训练得到的所述待填充表单项的预测模型，确定所述待填充表单项的当前值；将所述待填充表单项的当前值填充到所述待填充表单项的输入框，并将填充好的表单反馈给终端设备。

需要说明的是，本发明实施例所提供的通知触发消息的处理方法一般由服务器1005执行，相应地，物品的表单填充装置一般设置于服务器1005中。

应该理解，图10中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图11，其示出了适于用来实现本发明实施例的终端设备的计算机系统1100的结构示意图。图11示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图11所示，计算机系统1100包括中央处理单元(CPU)1101，其可以根据存储在只读存储器(ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(RAM)1103中的程序而执行各种适当的动作和处理。在RAM 1103中，还存储有系统1100操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

以下部件连接至I/O接口1105：包括键盘、鼠标等的输入部分1109；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括发送模块、获取模块、确定模块和第一处理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，发送模块还可以被描述为“向所连接的服务端发送图片获取请求的模块”。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：

确定当前表单的待填充表单项；

获取目标表单项的当前值；其中，所述目标表单项与所述待填充表单项相关联；

根据所述目标表单项的当前值和训练得到的所述待填充表单项的预测模型，确定所述待填充表单项的当前值；

将所述待填充表单项的当前值填充到所述待填充表单项的输入框。

根据本发明实施例的技术方案，根据目标表单项的当前值和待填充表单项的预测模型，确定待填充表单项的当前值，并将待填充表单项的当前值填充到待填充表单项的输入框。本申请实施例以预测的待填充表单项的当前值，自动填充待填充表单项的输入框，能够减少用户填表的输入操作，节省用户的填表时间。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。