基于云办公的数据处理方法、AI云办公服务器及介质与流程

基于云办公的数据处理方法、ai云办公服务器及介质
技术领域
1.本发明涉及云办公技术领域，具体而言，涉及基于云办公的数据处理方法、ai云办公服务器及介质。


背景技术：

2.云办公是指将办公建立在云计算技术基础上，以降低办公成本、提高办公效率并实现低碳减排。相较于传统办公，云办公的优势包括：提高办公软件的兼容性、实现文档的多人同时编撰修改、随时构建网络虚拟知识生产小组、通过移动互联网随时随地同步与访问云办公数据等。随着云办公的不断普及，云办公数据信息的分析价值也不容忽视，传统技术大多基于人工智能实现云办公数据信息的分析处理，但是这类技术难以保障云办公数据信息的分析质量，且会占用过多的存储资源。


技术实现要素：

3.本发明至少提供基于云办公的数据处理方法、ai云办公服务器及介质。
4.本发明提供了一种基于云办公的数据处理方法，应用于ai云办公服务器，所述方法包括：获得当前云办公场景会话所对应的初始文本语义矩以及加工文本语义矩，其中，所述当前云办公场景会话与所述初始文本语义矩皆对应于第一文本细粒度，所述加工文本语义矩对应于第二文本细粒度，且所述第二文本细粒度小于所述第一文本细粒度；依据所述初始文本语义矩，通过ai专家系统网络所包含的第一文本特征处理组件获得第一文本语义矩，其中，所述第一文本语义矩对应于所述第一文本细粒度，所述第一文本特征处理组件包括级联的最少一个特征处理核，每个特征处理核用于实现滑窗滤波处理；依据所述加工文本语义矩，通过所述ai专家系统网络所包含的第二文本特征处理组件获得第二文本语义矩，其中，所述第二文本语义矩对应于所述第二文本细粒度，所述第二文本特征处理组件包括级联的最少一个特征处理核；利用所述第一文本语义矩以及经由特征衍生操作后的所述第二文本语义矩获得第三文本语义矩，利用所述第二文本语义矩以及经由特征压缩操作后的所述第一文本语义矩获得第四文本语义矩，其中，所述第三文本语义矩对应于所述第一文本细粒度，所述第四文本语义矩对应于所述第二文本细粒度；依据所述第三文本语义矩以及所述第四文本语义矩，通过所述ai专家系统网络获得所述当前云办公场景会话对应的会话分析结果。
5.在一些示例下，所述利用所述第一文本语义矩以及经由特征衍生操作后的所述第二文本语义矩获得第三文本语义矩，利用所述第二文本语义矩以及经由特征压缩操作后的所述第一文本语义矩获得第四文本语义矩，包括：依据所述第一文本语义矩，通过所述ai专家系统网络所包含的第一滑窗滤波单元
获得第一联动文本语义矩，其中，所述第一联动文本语义矩对应于所述第一文本细粒度；通过所述ai专家系统网络所包含的第二滑窗滤波单元对所述第二文本语义矩进行特征衍生操作，得到第二联动文本语义矩，其中，所述第二联动文本语义矩对应于所述第一文本细粒度；利用所述第一联动文本语义矩以及所述第二联动文本语义矩，生成所述第三文本语义矩；通过所述ai专家系统网络所包含的第三滑窗滤波单元对所述第一文本语义矩进行特征压缩操作，得到第三联动文本语义矩，其中，所述第三联动文本语义矩对应于所述第二文本细粒度；依据所述第二文本语义矩，通过所述ai专家系统网络所包含的第四滑窗滤波单元获得第四联动文本语义矩，其中，所述第四联动文本语义矩对应于所述第二文本细粒度；利用所述第三联动文本语义矩以及所述第四联动文本语义矩，生成所述第四文本语义矩；或者，所述利用所述第一文本语义矩以及经由特征衍生操作后的所述第二文本语义矩获得第三文本语义矩，利用所述第二文本语义矩以及经由特征压缩操作后的所述第一文本语义矩获得第四文本语义矩，包括：通过所述ai专家系统网络所包含的第二滑窗滤波单元对所述第二文本语义矩进行特征衍生操作，得到第二联动文本语义矩，其中，所述第二联动文本语义矩对应于所述第一文本细粒度；利用所述第一文本语义矩以及所述第二联动文本语义矩，生成所述第三文本语义矩；通过所述ai专家系统网络所包含的第三滑窗滤波单元对所述第一文本语义矩进行特征压缩操作，得到第三联动文本语义矩，其中，所述第三联动文本语义矩对应于所述第二文本细粒度；利用所述第三联动文本语义矩以及所述第二文本语义矩，生成所述第四文本语义矩。
6.在一些示例下，所述依据所述初始文本语义矩，通过ai专家系统网络所包含的第一文本特征处理组件获得第一文本语义矩，包括：利用所述初始文本语义矩生成第一待处理文本语义矩以及第二待处理文本语义矩，其中，所述第一待处理文本语义矩以及所述第二待处理文本语义矩的描述层面数的和值等于所述初始文本语义矩的描述层面数；通过所述ai专家系统网络所包含的所述第一文本特征处理组件，对所述第一待处理文本语义矩以及所述第二待处理文本语义矩进行多轮滑窗滤波处理，得到第一文本卷积语义矩；通过所述ai专家系统网络所包含的所述第一文本特征处理组件，对所述第一待处理文本语义矩以及所述第二待处理文本语义矩进行多轮滑窗滤波处理，得到第二文本卷积语义矩；利用所述第一文本卷积语义矩以及所述第二文本卷积语义矩，生成所述第一文本语义矩，其中，所述第一文本语义矩的描述层面数等于所述第一文本卷积语义矩以及所述
第二文本卷积语义矩的描述层面数的和值；所述依据所述加工文本语义矩，通过所述ai专家系统网络所包含的第二文本特征处理组件获得第二文本语义矩，包括：利用所述加工文本语义矩生成第三待处理文本语义矩以及第四待处理文本语义矩，其中，所述第三待处理文本语义矩以及所述第四待处理文本语义矩的描述层面数的和值等于所述加工文本语义矩的描述层面数；通过所述ai专家系统网络所包含的所述第二文本特征处理组件，对所述第三待处理文本语义矩进行多轮滑窗滤波处理，得到第三文本卷积语义矩；通过所述ai专家系统网络所包含的所述第二文本特征处理组件，对所述第四待处理文本语义矩进行多轮滑窗滤波处理，得到第四文本卷积语义矩；利用所述第三文本卷积语义矩以及所述第四文本卷积语义矩，生成所述第二文本语义矩，其中，所述第二文本语义矩的描述层面数等于所述第三文本卷积语义矩以及所述第四文本卷积语义矩的描述层面数的和值。
7.在一些示例下，所述通过所述ai专家系统网络所包含的所述第一文本特征处理组件，对所述第一待处理文本语义矩以及所述第二待处理文本语义矩进行多轮滑窗滤波处理，得到第一文本卷积语义矩，包括：通过所述ai专家系统网络所包含的所述第一文本特征处理组件，对所述第一待处理文本语义矩进行最少一轮滑窗滤波处理，得到第一过渡文本语义矩；通过所述第一文本特征处理组件所包含的整体降采样单元，对所述第一过渡文本语义矩进行降采样处理，得到第一文本语义知识；通过所述第一文本特征处理组件所包含的知识综合单元，对所述第一文本语义知识进行处理，得到第二文本语义知识，其中，所述第二文本语义知识的尺寸大于所述第一文本语义知识的尺寸；采用所述第二文本语义知识对第一过渡文本语义矩进行乘法处理，得到第二过渡文本语义矩；依据所述第二过渡文本语义矩以及所述第二待处理文本语义矩，通过所述ai专家系统网络所包含的所述第一文本特征处理组件，获得所述第一文本卷积语义矩。
8.在一些示例下，所述依据所述第三文本语义矩以及所述第四文本语义矩，通过所述ai专家系统网络获得所述当前云办公场景会话对应的会话分析结果，包括：通过所述ai专家系统网络所包含的第五滑窗滤波单元获得所述第三文本语义矩的联动文本语义矩，其中，所述第三文本语义矩的联动文本语义矩对应于所述第一文本细粒度；通过所述ai专家系统网络所包含的第六滑窗滤波单元对所述第四文本语义矩进行特征衍生操作，得到所述第四文本语义矩的联动文本语义矩，其中，所述第四文本语义矩的联动文本语义矩对应于所述第一文本细粒度；利用所述第三文本语义矩的联动文本语义矩以及所述第四文本语义矩的联动文本语义矩，生成所述当前云办公场景会话对应的目标文本语义矩；利用所述当前云办公场景会话对应的目标文本语义矩，生成会话拆解结果；向会话大数据处理系统下发所述会话拆解结果，以使所述会话大数据处理系统输
出所述会话拆解结果。
9.在一些示例下，所述依据所述第三文本语义矩以及所述第四文本语义矩，通过所述ai专家系统网络获得所述当前云办公场景会话对应的会话分析结果，包括：通过所述ai专家系统网络所包含的第七滑窗滤波单元对所述第三文本语义矩进行特征压缩操作，得到所述第三文本语义矩的联动文本语义矩，其中，所述第三文本语义矩的联动文本语义矩对应于所述第二文本细粒度；通过所述ai专家系统网络所包含的第八滑窗滤波单元获得所述第四文本语义矩的联动文本语义矩，其中，所述第四文本语义矩的联动文本语义矩对应于所述第二文本细粒度；依据所述第三文本语义矩的联动文本语义矩以及所述第四文本语义矩的联动文本语义矩，通过所述ai专家系统网络所包含的第九滑窗滤波单元获得第一目标文本语义矩；依据所述第一目标文本语义矩，通过所述ai专家系统网络所包含的降采样单元，获得第二目标文本语义矩；依据所述第二目标文本语义矩，通过所述ai专家系统网络所包含的知识综合单元，获得所述当前云办公场景会话对应的风险判别可能性图谱；利用风险判别可能性图谱确定所述当前云办公场景会话对应的会话风险判别观点；向会话大数据处理系统下发所述会话风险判别观点，以使所述会话大数据处理系统输出所述会话风险判别观点。
10.在一些示例下，所述依据所述第三文本语义矩以及所述第四文本语义矩，通过所述ai专家系统网络获得所述当前云办公场景会话对应的会话分析结果，包括：依据所述第三文本语义矩，通过所述ai专家系统网络所包含的第三文本特征处理组件获得第五文本语义矩，其中，所述第五文本语义矩对应于所述第一文本细粒度，所述第三文本特征处理组件包括级联的最少一个特征处理核；依据所述第四文本语义矩，通过所述ai专家系统网络所包含的第四文本特征处理组件获得第六文本语义矩，其中，所述第六文本语义矩对应于所述第二文本细粒度，所述第四文本特征处理组件包括级联的最少一个特征处理核；依据所述第五文本语义矩以及所述第六文本语义矩，通过所述ai专家系统网络获得所述当前云办公场景会话对应的会话分析结果。
11.在一些示例下，所述依据所述第五文本语义矩以及所述第六文本语义矩，通过所述ai专家系统网络获得所述当前云办公场景会话对应的会话分析结果，包括：通过所述ai专家系统网络所包含的第五滑窗滤波单元获得所述第五文本语义矩的联动文本语义矩，其中，所述第五文本语义矩的联动文本语义矩对应于所述第一文本细粒度；通过所述ai专家系统网络所包含的第六滑窗滤波单元对所述第四文本语义矩进行特征衍生操作，得到所述第六文本语义矩的联动文本语义矩，其中，所述第六文本语义矩的联动文本语义矩对应于所述第一文本细粒度；利用所第五文本语义矩的联动文本语义矩以及所述第六文本语义矩的联动文本
语义矩，生成所述当前云办公场景会话对应的目标文本语义矩；利用所述当前云办公场景会话对应的目标文本语义矩，生成会话拆解结果；向会话大数据处理系统下发所述会话风险判别观点，以使所述会话大数据处理系统输出所述会话拆解结果。
12.在一些示例下，所述依据所述第五文本语义矩以及所述第六文本语义矩，通过所述ai专家系统网络获得所述当前云办公场景会话对应的会话分析结果，包括：通过所述ai专家系统网络所包含的第七滑窗滤波单元对所述第五文本语义矩进行特征压缩操作，得到所述第五文本语义矩的联动文本语义矩，其中，所述第五文本语义矩的联动文本语义矩对应于所述第二文本细粒度；通过所述ai专家系统网络所包含的第八滑窗滤波单元获得所述第六文本语义矩的联动文本语义矩，其中，所述第六文本语义矩的联动文本语义矩对应于所述第二文本细粒度；依据所述第五文本语义矩的联动文本语义矩以及所述第六文本语义矩的联动文本语义矩，通过所述ai专家系统网络所包含的第九滑窗滤波单元获得第一目标文本语义矩；依据所述第一目标文本语义矩，通过所述ai专家系统网络所包含的降采样单元，获得第二目标文本语义矩；依据所述第二目标文本语义矩，通过所述ai专家系统网络所包含的知识综合单元，获得所述当前云办公场景会话对应的风险判别可能性图谱；利用风险判别可能性图谱确定所述当前云办公场景会话对应的会话风险判别观点；向会话大数据处理系统下发所述会话风险判别观点，以使所述会话大数据处理系统输出所述会话风险判别观点。
13.在一些可独立的实施例中，所述ai专家系统网络的调试步骤包括：获得样本云办公场景会话，其中，所述样本云办公场景会话对应于已认证会话拆解结果，所述已认证会话拆解结果为所述样本云办公场景会话在每个文本单元上的注释信息；通过ai专家系统网络获得所述样本云办公场景会话所对应的样本初始文本语义矩以及样本加工文本语义矩，其中，样本初始文本语义矩与所述样本云办公场景会话皆对应于第一文本细粒度，所述样本加工文本语义矩对应于第二文本细粒度，且所述第二文本细粒度小于所述第一文本细粒度；依据所述样本初始文本语义矩，通过ai专家系统网络所包含的第一文本特征处理组件获得第一样本文本语义矩，其中，所述第一样本文本语义矩对应于所述第一文本细粒度，所述第一样本文本特征处理组件包括级联的最少一个特征处理核，每个特征处理核用于实现滑窗滤波处理；依据所述样本加工文本语义矩，通过所述ai专家系统网络所包含的第二文本特征处理组件获得第二样本文本语义矩，其中，所述第二样本文本语义矩对应于所述第二文本细粒度，所述第二文本特征处理组件包括级联的最少一个特征处理核；利用所述第一样本文本语义矩以及经由特征衍生操作后的所述第二样本文本语
义矩获得第三样本文本语义矩，利用所述第二样本文本语义矩以及经由特征压缩操作后的所述第一样本文本语义矩获得第四样本文本语义矩，其中，所述第三样本文本语义矩对应于所述第一文本细粒度，所述第四样本文本语义矩对应于所述第二文本细粒度；依据所述第三样本文本语义矩以及所述第四样本文本语义矩，通过所述ai专家系统网络获得所述当前云办公场景会话对应的会话拆解预测结果；利用所述会话拆解预测结果以及所述已认证会话拆解结果，通过网络调试代价对所述ai专家系统网络的网络变量进行优化。
14.在一些可独立的实施例中，所述ai专家系统网络的调试步骤包括：获得样本云办公场景会话，其中，所述样本云办公场景会话对应于已认证会话风险判别观点，所述已认证会话风险判别观点为对所述样本云办公场景会话的会话风险主题进行注释后的信息；通过ai专家系统网络获得所述样本云办公场景会话所对应的样本初始文本语义矩以及样本加工文本语义矩，其中，样本初始文本语义矩与所述样本云办公场景会话皆对应于第一文本细粒度，所述样本加工文本语义矩对应于第二文本细粒度，且所述第二文本细粒度小于所述第一文本细粒度；依据所述样本初始文本语义矩，通过ai专家系统网络所包含的第一文本特征处理组件获得第一样本文本语义矩，其中，所述第一样本文本语义矩对应于所述第一文本细粒度，所述第一样本文本特征处理组件包括级联的最少一个特征处理核，每个特征处理核用于实现滑窗滤波处理；依据所述样本加工文本语义矩，通过所述ai专家系统网络所包含的第二文本特征处理组件获得第二样本文本语义矩，其中，所述第二样本文本语义矩对应于所述第二文本细粒度，所述第二文本特征处理组件包括级联的最少一个特征处理核；利用所述第一样本文本语义矩以及经由特征衍生操作后的所述第二样本文本语义矩获得第三样本文本语义矩，利用所述第二样本文本语义矩以及经由特征压缩操作后的所述第一样本文本语义矩获得第四样本文本语义矩，其中，所述第三样本文本语义矩对应于所述第一文本细粒度，所述第四样本文本语义矩对应于所述第二文本细粒度；依据所述第三文本语义矩以及所述第四文本语义矩，通过所述ai专家系统网络获得所述当前云办公场景会话对应的会话风险预测观点；利用所述会话风险预测观点以及所述已认证会话风险判别观点，通过网络调试代价对所述ai专家系统网络的网络变量进行优化。
15.本发明还提供了一种ai云办公服务器，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述方法。
16.本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述的方法。
17.本发明的实施例提供的技术方案可以包括以下有益效果：首先可以获得当前云办公场景会话所对应的初始文本语义矩以及加工文本语义矩，然后依据初始文本语义矩，通过ai专家系统网络所包含的第一文本特征处理组件获得第一文本语义矩，再依据加工文本语义矩，通过ai专家系统网络所包含的第二文本特征处理组件获得第二文本语义矩，然后
利用第一文本语义矩以及经由特征衍生操作后的第二文本语义矩获得第三文本语义矩，利用第二文本语义矩以及经由特征压缩操作后的第一文本语义矩获得第四文本语义矩，最后依据第三文本语义矩以及第四文本语义矩，通过ai专家系统网络获得当前云办公场景会话对应的会话分析结果。如此设计，可以使得初始高文本细粒度的文本语义矩与特征压缩所得的文本语义矩进行细节混合，规避由于特征压缩造成细节损失的问题，此外，在滑窗滤波（卷积处理/滑动平均处理）过程中采用多个特征处理核形成的文本特征处理组件，不必保留滑窗滤波时生成的过程性信息，进而在确保云办公场景会话分析质量的基础上，能尽量避免云办公场景会话处理时对ai云办公服务器的存储资源的占用。
18.关于上述ai云办公服务器、计算机可读存储介质的效果描述参见上述方法的说明。
19.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
20.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本发明的实施例，并与说明书一起用于说明本发明的技术方案。应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
21.图1是本发明实施例示出的一种ai云办公服务器的方框图。
22.图2是本发明实施例示出的一种基于云办公的数据处理方法的流程示意图。
具体实施方式
23.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是本发明的一些方面相一致的装置和方法的例子。
24.图1为本发明实施例提供的ai云办公服务器10的结构示意图，包括处理器102、存储器104、和总线106。其中，存储器104用于存储执行指令，包括内存和外部存储器，内存也可以理解为内存储器，用于暂时存放处理器102中的运算数据，以及与硬盘等外部存储器交换的数据，处理器102通过内存与外部存储器进行数据交换，当ai云办公服务器10运行时，处理器102与存储器104之间通过总线106通信，使得处理器102执行本发明实施例的基于云办公的数据处理方法。
25.请结合图2，图2是本发明实施例所提供的一种基于云办公的数据处理方法的流程示意图，应用于ai云办公服务器，该方法示例性可以包括步骤101-步骤105。
26.步骤101、获得当前云办公场景会话所对应的初始文本语义矩以及加工文本语义矩。
27.其中，当前云办公场景会话与初始文本语义矩（可以理解为初始的会话文本特征图）皆对应于第一文本细粒度，加工文本语义矩（可以理解为采样得到的会话文本特征图）
对应于第二文本细粒度，且第二文本细粒度小于第一文本细粒度。
28.本发明实施例中，ai云办公服务器获得当前云办公场景会话，该当前云办公场景会话可以远程会议会话或者办公事项请求应答对话等，其中，当前云办公场景会话对应于第一文本细粒度。对该当前云办公场景会话进行滑窗滤波处理得到与第一文本细粒度下的初始文本语义矩，对该当前云办公场景会话进行特征压缩操作（可以理解为下采样处理）得到与第二文本细粒度下的加工文本语义矩，第二文本细粒度小于第一文本细粒度。
29.本发明实施例中依据云办公场景会话拆解项目的一个ai专家系统网络可以包括最少两个网络层。一个网络层用于提取第一文本细粒度下的文本语义矩，另一个网络层用于提取第二文本细粒度下的文本语义矩。ai云办公服务器对当前云办公场景会话进行滑窗滤波，得到初始文本语义矩，然后对初始文本语义矩进行特征压缩，得到加工文本语义矩。
30.步骤102、依据初始文本语义矩，通过ai专家系统网络所包含的第一文本特征处理组件获得第一文本语义矩。
31.其中，第一文本语义矩对应于第一文本细粒度，第一文本特征处理组件包括级联的最少一个特征处理核，每个特征处理核用于实现滑窗滤波处理。
32.本发明实施例中，ai云办公服务器将初始文本语义矩加载到ai专家系统网络中的第一文本特征处理组件（可以理解为残差组件），通过第一文本特征处理组件输出第一文本语义矩，第一文本语义矩的文本细粒度与初始文本语义矩的第一文本细粒度相同，第一文本特征处理组件可以由最少一个调试好的特征处理核级联所得。示例性的，特征处理核可以为残差核。
33.ai云办公服务器将初始文本语义矩输入第一文本特征处理组件，得到第一文本语义矩，第一文本语义矩对应于第一文本细粒度，即与初始文本语义矩和当前云办公场景会话的文本细粒度一致，第一文本特征处理组件中包括级联的至少两个特征处理核。
34.步骤103、依据加工文本语义矩，通过ai专家系统网络所包含的第二文本特征处理组件获得第二文本语义矩。
35.其中，第二文本语义矩对应于第二文本细粒度，第二文本特征处理组件包括级联的最少一个特征处理核。
36.本发明实施例中，ai云办公服务器将加工文本语义矩加载到ai专家系统网络中的第二文本特征处理组件，通过第二文本特征处理组件输出第二文本语义矩，第二文本语义矩的文本细粒度与加工文本语义矩的第二文本细粒度相同，第二文本特征处理组件可以由最少一个调试好的特征处理核级联所得。示例性的，特征处理核可以为残差核。其中，文本特征处理组件中的特征处理核个数不限，而特征处理核个数越多，网络性能越佳，且不会增加ai云办公服务器的系统资源占用。
37.ai云办公服务器将加工文本语义矩输入第二文本特征处理组件，得到第二文本语义矩，第二文本语义矩对应于第二文本细粒度，即与加工文本语义矩的文本细粒度一致，第二文本特征处理组件中也包括级联的至少两个特征处理核，一般而言，第二文本特征处理组件的网络变量与第一文本特征处理组件的网络变量不一致。
38.步骤104、利用第一文本语义矩以及经由特征衍生操作后的第二文本语义矩获得第三文本语义矩，利用第二文本语义矩以及经由特征压缩操作后的第一文本语义矩获得第四文本语义矩。
39.其中，第三文本语义矩对应于第一文本细粒度，第四文本语义矩对应于第二文本细粒度。
40.本发明实施例中，ai云办公服务器利用第一文本语义矩以及经由特征衍生操作后的第二文本语义矩获得第三文本语义矩，利用第二文本语义矩以及经由特征压缩操作后的第一文本语义矩获得第四文本语义矩，其中，第三文本语义矩的文本细粒度与初始文本语义矩的文本细粒度相同，第四文本语义矩的文本细粒度与加工文本语义矩的文本细粒度相同。
41.ai云办公服务器可以将第一文本语义矩与第二文本语义矩进行合并（也可以理解为特征叠加处理），分别得到第三文本语义矩以及第四文本语义矩，第三文本语义矩对应于第一文本细粒度，第四文本语义矩对应于第二文本细粒度。
42.步骤105、依据第三文本语义矩以及第四文本语义矩，通过ai专家系统网络获得当前云办公场景会话对应的会话分析结果。
43.本发明实施例中，ai云办公服务器将第三文本语义矩和第四文本语义矩进行合并处理，生成目标文本语义矩，将目标文本语义矩加载到ai专家系统网络，由该ai专家系统网络利用项目类别输出对应的会话分析结果。在云办公场景会话拆解项目中，可输出包括从当前云办公场景会话中拆解出来的目标会话文本。在云办公场景会话主题判别项目中，将输出当前云办公场景会话所对应的会话风险主题。
44.以云办公场景会话拆解项目为例，在得到第三文本语义矩以及第四文本语义矩之后，对第四文本语义矩进行特征衍生操作，得到与第三文本语义矩的文本细粒度一致的文本语义矩，再与第三文本语义矩进行合并，得到目标文本语义矩。
45.以云办公场景会话主题判别项目为例，在得到第三文本语义矩以及第四文本语义矩之后，对第三文本语义矩进行特征压缩操作，得到与第四文本语义矩的文本细粒度一致的文本语义矩，再与第四文本语义矩进行合并，得到目标文本语义矩。将目标文本语义矩加载到ai专家系统网络中的滑窗滤波单元（卷积单元）、降采样单元（池化单元）以及知识综合单元（全连接层），从而得到会话风险判别观点。比如，如果对于远程会议会话进行会话风险判别观点，会话风险判别观点可以为会议资料丢失风险。
46.本发明实施例中，提供了一种基于云办公的数据处理方法，首先可以获得当前云办公场景会话所对应的初始文本语义矩以及加工文本语义矩，然后依据初始文本语义矩，通过ai专家系统网络所包含的第一文本特征处理组件获得第一文本语义矩，再依据加工文本语义矩，通过ai专家系统网络所包含的第二文本特征处理组件获得第二文本语义矩，然后利用第一文本语义矩以及经由特征衍生操作后的第二文本语义矩获得第三文本语义矩，利用第二文本语义矩以及经由特征压缩操作后的第一文本语义矩获得第四文本语义矩，最后依据第三文本语义矩以及第四文本语义矩，通过ai专家系统网络获得当前云办公场景会话对应的会话分析结果。如此，可以使得初始高文本细粒度的文本语义矩与特征压缩所得的文本语义矩进行细节混合，规避由于特征压缩造成细节损失的问题，同时，在滑窗滤波（卷积处理/可逆处理）过程中采用多个特征处理核形成的文本特征处理组件，不必保留滑窗滤波时生成的过程性信息，进而在确保云办公场景会话分析质量的基础上，能尽量避免云办公场景会话处理时对ai云办公服务器的存储资源的占用。
47.在另一些可能的设计思路下，利用第一文本语义矩以及经由特征衍生操作后的第
二文本语义矩获得第三文本语义矩，利用第二文本语义矩以及经由特征压缩操作后的第一文本语义矩获得第四文本语义矩，可以包括：依据第一文本语义矩，通过ai专家系统网络所包含的第一滑窗滤波单元获得第一联动文本语义矩（混合文本特征图），其中，第一联动文本语义矩对应于第一文本细粒度；通过ai专家系统网络所包含的第二滑窗滤波单元对第二文本语义矩进行特征衍生操作，得到第二联动文本语义矩，其中，第二联动文本语义矩对应于第一文本细粒度；利用第一联动文本语义矩以及第二联动文本语义矩，生成第三文本语义矩；通过ai专家系统网络所包含的第三滑窗滤波单元对第一文本语义矩进行特征压缩操作，得到第三联动文本语义矩，其中，第三联动文本语义矩对应于第二文本细粒度；依据第二文本语义矩，通过ai专家系统网络所包含的第四滑窗滤波单元获得第四联动文本语义矩，其中，第四联动文本语义矩对应于第二文本细粒度；利用第三联动文本语义矩以及第四联动文本语义矩，生成第四文本语义矩。
48.或，利用第一文本语义矩以及经由特征衍生操作后的第二文本语义矩获得第三文本语义矩，利用第二文本语义矩以及经由特征压缩操作后的第一文本语义矩获得第四文本语义矩，可以包括：通过ai专家系统网络所包含的第二滑窗滤波单元对第二文本语义矩进行特征衍生操作，得到第二联动文本语义矩，其中，第二联动文本语义矩对应于第一文本细粒度；利用第一文本语义矩以及第二联动文本语义矩，生成第三文本语义矩；通过ai专家系统网络所包含的第三滑窗滤波单元对第二文本语义矩进行特征压缩操作，得到第三联动文本语义矩，其中，第三联动文本语义矩对应于第二文本细粒度；利用第三联动文本语义矩以及第二文本语义矩，生成第四文本语义矩。
49.在上述文本语义矩聚合处理的思路中，鉴于文本语义矩之间的文本细粒度不同，因此需要调节文本语义矩的文本细粒度，以保障待聚合的文本语义矩的文本细粒度相同。对文本语义矩进行聚合处理可以通过以下两种思路中的其中一种实现。
50.思路1：通过平行滑窗滤波提取相同文本细粒度的文本语义矩。通过第一滑窗滤波单元对第一文本语义矩执行滑窗滤波处理，得到第一联动文本语义矩。由于第二文本语义矩的文本细粒度小于第一文本语义矩，所以需要通过第二滑窗滤波单元对第二文本语义矩进行特征衍生，得到与第一联动文本语义矩的文本细粒度相同的第二联动文本语义矩，由此可以将第一联动文本语义矩与第二联动文本语义矩进行合并，得到第三文本语义矩。相应地，还需通过第三滑窗滤波单元对第一文本语义矩进行特征压缩，得到第三联动文本语义矩。通过第四滑窗滤波单元对第二文本语义矩进行滑窗滤波处理，得到第四联动文本语义矩，第三代联动文本语义矩与第四联动文本语义矩的文本细粒度相等。将第三联动文本语义矩与第四联动文本语义矩进行合并，得到第四文本语义矩。
51.思路2：直接使用相同文本细粒度的文本语义矩。需通过第二滑窗滤波单元对第二文本语义矩进行特征衍生，得到与第一文本语义矩的文本细粒度相同的第二联动文本语义矩，由此可以将第一文本语义矩与第二联动文本语义矩进行合并，得到第三文本语义矩。相应地，需要通过第三滑窗滤波单元对第三文本语义矩进行特征压缩，得到与第二文本语义矩的文本细粒度相同的第三联动文本语义矩，由此可以将第二文本语义矩与第三联动文本语义矩进行合并，得到第四文本语义矩。
52.如此一来，可以反复聚合高文本细粒度的文本语义矩和低文本细粒度的文本语义矩，可以使得文本语义矩中的特征从另外的特征中反复提取细节，保障文本语义矩的全面
性和特征表现性，从而保障会话分析结果的精度。
53.在另一些可能的实施例中，依据初始文本语义矩，通过ai专家系统网络所包含的第一文本特征处理组件获得第一文本语义矩，可以包括：利用初始文本语义矩生成第一待处理文本语义矩以及第二待处理文本语义矩，其中，第一待处理文本语义矩以及第二待处理文本语义矩的描述层面数的和值等于初始文本语义矩的描述层面（可以理解为特征通道）数；通过ai专家系统网络所包含的第一文本特征处理组件，对第一待处理文本语义矩以及第二待处理文本语义矩进行多轮滑窗滤波处理，得到第一文本卷积语义矩；通过ai专家系统网络所包含的第一文本特征处理组件，对第一待处理文本语义矩以及第二待处理文本语义矩进行多轮滑窗滤波处理，得到第二文本卷积语义矩；利用第一文本卷积语义矩以及第二文本卷积语义矩，生成第一文本语义矩，其中，第一文本语义矩的描述层面数等于第一文本卷积语义矩以及第二文本卷积语义矩的描述层面数的和值。
54.示例性的，依据加工文本语义矩，通过ai专家系统网络所包含的第二文本特征处理组件获得第二文本语义矩，可以包括：利用加工文本语义矩生成第三待处理文本语义矩以及第四待处理文本语义矩，其中，第三待处理文本语义矩以及第四待处理文本语义矩的描述层面数的和值等于加工文本语义矩的描述层面数；通过ai专家系统网络所包含的第二文本特征处理组件，对第三待处理文本语义矩进行多轮滑窗滤波处理，得到第三文本卷积语义矩；通过ai专家系统网络所包含的第二文本特征处理组件，对第四待处理文本语义矩进行多轮滑窗滤波处理，得到第四文本卷积语义矩；利用第三文本卷积语义矩以及第四文本卷积语义矩，生成第二文本语义矩，其中，第二文本语义矩的描述层面数等于第三文本卷积语义矩以及第四文本卷积语义矩的描述层面数的和值。
55.本发明实施例中，ai云办公服务器首先将初始文本语义矩拆分为两个子文本语义矩，即第一待处理文本语义矩以及第二待处理文本语义矩，这两个待处理文本语义矩的描述层面个数之和等于初始文本语义矩的描述层面个数。将这第一待处理文本语义矩以及第二待处理文本语义矩分别加载到第一文本特征处理组件中进行多轮滑窗滤波，从而得到第一文本卷积语义矩和第二文本卷积语义矩。最后将这两个文本卷积语义矩进行整合生成第一文本语义矩，该第一文本语义矩的描述层面个数等于初始文本语义矩的个数。
56.其中，对于级联所得的多个特征处理核而言，可以依据待处理文本语义矩m1和待处理文本语义矩m2，通过确定得到文本卷积语义矩c1和文本卷积语义矩c2。也可以依据文本卷积语义矩c1和文本卷积语义矩c2通过逆向确定得到输待处理文本语义矩m1和待处理文本语义矩m2。在文本特征处理组件中的各个函数所生成的中间数据可以通过待处理文本语义矩m1和待处理文本语义矩m2确定，或者通过文本卷积语义矩c1和文本卷积语义矩c2确定，由此，采用文本特征处理组件不必保留中间数据。这样，使用多个特征处理核级联所得的文本特征处理组件，能够在滑窗滤波处理的过程中避免保留大量中间数据。
57.一个可选实施例中，通过ai专家系统网络所包含的第一文本特征处理组件，对第一待处理文本语义矩以及第二待处理文本语义矩进行多轮滑窗滤波处理，得到第一文本卷积语义矩，可以包括：通过ai专家系统网络所包含的第一文本特征处理组件，对第一待处理文本语义矩进行最少一轮滑窗滤波处理，得到第一过渡文本语义矩（可以理解为中间特征图）；通过第一文本特征处理组件所包含的整体降采样单元，对第一过渡文本语义矩进行降采样处理，得到第一文本语义知识（可以理解为文本知识向量或者文本特征向量）；通过第
一文本特征处理组件所包含的知识综合单元，对第一文本语义知识进行处理，得到第二文本语义知识，其中，第二文本语义知识是尺寸大于第一文本语义知识的尺寸；采用第二文本语义知识对第一过渡文本语义矩进行乘法处理，得到第二过渡文本语义矩；依据第二过渡文本语义矩以及第二待处理文本语义矩，通过ai专家系统网络所包含的第一文本特征处理组件，获得第一文本卷积语义矩。
58.本发明实施例中，提供了一种依据attention mechanism的处理文本语义矩的方法，ai云办公服务器首先将第一待处理文本语义矩加载到第一文本特征处理组件进行最少一轮滑窗滤波，从而得到第一过渡文本语义矩，然后，将第一过渡文本语义矩加载到整体降采样单元进行降采样处理，得到第一文本语义知识，即先对第一过渡文本语义矩先进行维度压缩。ai云办公服务器将第一文本语义知识加载到知识综合单元进行处理，得到第二文本语义知识，其中，第二文本语义知识的尺寸大于第一文本语义知识的尺寸，即再对第一文本语义知识进行升维。将第二文本语义知识与第一过渡文本语义矩进行点积，得到第二过渡文本语义矩，然后将第二过渡文本语义矩和第二待处理文本语义矩加载到第一文本特征处理组件进行滑窗滤波处理，得到第一文本卷积语义矩。
59.如此，在文本特征处理组件的特征处理核中引入局部关注机制，为文本语义矩的描述层面添加权值，使得文本语义矩中的特征更为突出，从而实现局部关注机制的匹配，以使得ai专家系统网络掌握质量更佳的文本语义矩。
60.一个可选实施例中，依据第三文本语义矩以及第四文本语义矩，通过ai专家系统网络获得当前云办公场景会话对应的会话分析结果，可以包括：通过ai专家系统网络所包含的第五滑窗滤波单元获得第三文本语义矩的联动文本语义矩，其中，第三文本语义矩的联动文本语义矩对应于第一文本细粒度；通过ai专家系统网络所包含的第六滑窗滤波单元对第四文本语义矩进行特征衍生操作，得到第四文本语义矩的联动文本语义矩，其中，第四文本语义矩的联动文本语义矩对应于第一文本细粒度；利用第三文本语义矩的联动文本语义矩以及第四文本语义矩的联动文本语义矩，生成当前云办公场景会话对应的目标文本语义矩；利用当前云办公场景会话对应的目标文本语义矩，生成会话拆解结果；向会话大数据处理系统下发会话拆解结果，以使会话大数据处理系统输出会话拆解结果。
61.本发明实施例中，提供了一种依据ai专家系统网络实现云办公场景会话拆解的方法。ai云办公服务器可以将第三文本语义矩和第四文本语义矩进行聚合，获得会话拆解结果。第四文本语义矩的文本细粒度小于第三文本语义矩的文本细粒度，因此，ai云办公服务器通过第五滑窗滤波单元对第三文本语义矩进行滑窗滤波处理，得到第三文本语义矩的联动文本语义矩，通过第六滑窗滤波单元对第四文本语义矩进行特征衍生操作，得到第六文本语义矩的联动文本语义矩，将所得到两个联动文本语义矩进行合并，由此得到目标文本语义矩。依据目标文本语义矩进行滑窗滤波处理，可以生成会话拆解结果。其中，目标文本语义矩的文本细粒度与当前云办公场景会话的文本细粒度相同，均为第一文本细粒度。最后将会话拆解结果反馈至会话大数据处理系统，由会话大数据处理系统输出该会话拆解结果。
62.以ai专家系统网络（可以是深度学习模型）包括三层结构为例，文本语义矩t1可以通过滑窗滤波单元得到对应的联动文本语义矩，文本语义矩t1也可以直接作为联动文本语义矩。文本语义矩t2通过滑窗滤波单元进行特征衍生操作，得到文本语义矩t2对应的联动
文本语义矩。类似地，文本语义矩t3通过滑窗滤波单元进行特征衍生操作，得到文本语义矩t3所对应的联动文本语义矩，将这三个联动文本语义矩进行合并，从而得到目标文本语义矩t4。
63.本发明实施例中，提供了一种依据ai专家系统网络实现云办公场景会话拆解的方法，ai专家系统网络将低文本细粒度的文本语义矩融合到高文本细粒度的文本语义矩，使得到的目标文本语义矩所包含的细节尽可能全面完整，以保障拆解结果的准确性和可靠性。
64.一个可选实施例中，依据第三文本语义矩以及第四文本语义矩，通过ai专家系统网络获得当前云办公场景会话对应的会话分析结果，可以包括：通过ai专家系统网络所包含的第七滑窗滤波单元对第三文本语义矩进行特征压缩操作，得到第三文本语义矩的联动文本语义矩，其中，第三文本语义矩的联动文本语义矩对应于第二文本细粒度；通过ai专家系统网络所包含的第八滑窗滤波单元获得第四文本语义矩的联动文本语义矩，其中，第四文本语义矩的联动文本语义矩对应于第二文本细粒度；依据第三文本语义矩的联动文本语义矩以及第四文本语义矩的联动文本语义矩，通过ai专家系统网络所包含的第九滑窗滤波单元获得第一目标文本语义矩；依据第一目标文本语义矩，通过ai专家系统网络所包含的降采样单元，获得第二目标文本语义矩；依据第二目标文本语义矩，通过ai专家系统网络所包含的知识综合单元，获得当前云办公场景会话对应的风险判别可能性图谱（风险主题概率分布）；利用风险判别可能性图谱确定当前云办公场景会话对应的会话风险判别观点；向会话大数据处理系统下发会话风险判别观点，以使会话大数据处理系统输出会话风险判别观点。
65.本发明实施例中，提供了一种依据ai专家系统网络实现云办公场景会话的会话风险判别的方法。ai云办公服务器可以将第三文本语义矩和第四文本语义矩聚合，以获得会话风险判别观点。第三文本语义矩的文本细粒度大于第四文本语义矩的文本细粒度，因此，ai云办公服务器通过第七滑窗滤波单元对第三文本语义矩进行特征压缩操作，得到第三文本语义矩的联动文本语义矩，通过第八滑窗滤波单元对第四文本语义矩进行滑窗滤波处理，得到第四文本语义矩的联动文本语义矩，将所得到两个联动文本语义矩进行合并并通过第九滑窗滤波单元进行滑窗滤波处理，得到第一目标文本语义矩。再将第一目标文本语义矩输入到平均降采样单元，得到第二目标文本语义矩。最后将第二目标文本语义矩输入到知识综合单元，从而输出当前云办公场景会话对应的风险判别可能性图谱。最后将会话风险判别观点反馈至会话大数据处理系统，由会话大数据处理系统输出该会话风险判别观点。
66.以ai专家系统网络包括三层结构为例，文本语义矩t1可以通过滑窗滤波单元进行特征压缩操作，得到文本语义矩t1的联动文本语义矩，文本语义矩t2可以通过滑窗滤波单元生成联动文本语义矩，也可以直接作为联动文本语义矩。将文本语义矩t1的联动文本语义矩和文本语义矩t2的联动文本语义矩（或文本语义矩t2）进行聚合，得到目标文本语义矩t5。目标文本语义矩t5可以通过滑窗滤波单元进行特征压缩操作，得到目标文本语义矩t5的联动文本语义矩，文本语义矩t3可以通过滑窗滤波单元生成联动文本语义矩，也可以直接作为联动文本语义矩。将目标文本语义矩t5的联动文本语义矩和文本语义矩t3的联动文本语义矩（或文本语义矩t3）进行聚合，得到目标文本语义矩t6，再对目标文本语义矩t6进
行降采样处理，得到目标文本语义矩t7，最后，通过知识综合单元对目标文本语义矩t7进行处理，得到风险判别可能性图谱。
67.本发明实施例中，提供了一种依据ai专家系统网络实现云办公场景会话的会话风险判别的方法，ai专家系统网络将多维聚合后的高文本细粒度的文本语义矩特征压缩后添加到低文本细粒度的文本语义矩，使得低文本细粒度的文本语义矩中包含的细节尽可能丰富完整，以确保会话风险判别的精度和可信度。
68.一个可选实施例中，依据第三文本语义矩以及第四文本语义矩，通过ai专家系统网络获得当前云办公场景会话对应的会话分析结果，可以包括：依据第三文本语义矩，通过ai专家系统网络所包含的第三文本特征处理组件获得第五文本语义矩，其中，第五文本语义矩对应于第一文本细粒度，第三文本特征处理组件包括级联的最少一个特征处理核；依据第四文本语义矩，通过ai专家系统网络所包含的第四文本特征处理组件获得第六文本语义矩，其中，第六文本语义矩对应于第二文本细粒度，第四文本特征处理组件包括级联的最少一个特征处理核；依据第五文本语义矩以及第六文本语义矩，通过ai专家系统网络获得当前云办公场景会话对应的会话分析结果。
69.在获得到第三文本语义矩和第四文本语义矩后，还可以继续进行滑窗滤波处理。比如，在采用如上述步骤101至步骤104的方式得到第三文本语义矩以及第四文本语义矩之后，将第三文本语义矩加载到第三文本特征处理组件，由第三文本特征处理组件输出第五文本语义矩，类似地，将第四文本语义矩加载到第四文本特征处理组件，由第四文本特征处理组件输出第六文本语义矩。
70.以云办公场景会话拆解项目为例，在得到第五文本语义矩以及第六文本语义矩之后，对第六文本语义矩进行特征衍生操作，得到与第五文本语义矩的文本细粒度一致的文本语义矩，再与第五文本语义矩进行合并，得到目标文本语义矩。
71.以云办公场景会话主题判别项目为例，在得到第五文本语义矩以及第六文本语义矩之后，对第五文本语义矩进行特征压缩操作，得到与第六文本语义矩的文本细粒度一致的文本语义矩，再与第六文本语义矩进行合并，得到目标文本语义矩。将目标文本语义矩加载到ai专家系统网络中的滑窗滤波单元、降采样单元以及知识综合单元，从而得到会话风险判别观点。
72.本发明实施例中，提供了一种依据多个文本特征处理组件生成文本细粒度相等的文本语义矩的方式，如此，能够对文本语义矩进行多个文本特征处理组件的滑窗滤波运算，一方面可以增加网络的深度，积累更多的特征处理核来获得更高的精度，另一方面，不必保留滑窗滤波时生成的过程性信息，以减少云办公场景会话处理所需要的资源开销。
73.一个可选实施例中，依据第五文本语义矩以及第六文本语义矩，通过ai专家系统网络获得当前云办公场景会话对应的会话分析结果，可以包括：通过ai专家系统网络所包含的第五滑窗滤波单元获得第五文本语义矩的联动文本语义矩，其中，第五文本语义矩的联动文本语义矩对应于第一文本细粒度；通过ai专家系统网络所包含的第六滑窗滤波单元对第四文本语义矩进行特征衍生操作，得到第六文本语义矩的联动文本语义矩，其中，第六文本语义矩的联动文本语义矩对应于第一文本细粒度；利用所第五文本语义矩的联动文本语义矩以及第六文本语义矩的联动文本语义矩，生成当前云办公场景会话对应的目标文本语义矩；利用当前云办公场景会话对应的目标文本语义矩，生成会话拆解结果；向会话大数
据处理系统下发会话拆解结果，以使会话大数据处理系统输出会话拆解结果。
74.本发明实施例中，ai云办公服务器可以将第五文本语义矩和第六文本语义矩进行聚合，获得会话拆解结果。第六文本语义矩的文本细粒度小于第五文本语义矩的文本细粒度，因此，ai云办公服务器通过第五滑窗滤波单元对第五文本语义矩进行滑窗滤波处理，得到第五文本语义矩的联动文本语义矩，通过第六滑窗滤波单元对第六文本语义矩进行特征衍生操作，得到第六文本语义矩的联动文本语义矩，将所得到两个联动文本语义矩进行合并，由此得到目标文本语义矩。依据目标文本语义矩进行滑窗滤波处理，可以生成会话拆解结果。其中，目标文本语义矩的文本细粒度与当前云办公场景会话的文本细粒度相同，均为第一文本细粒度。最后将会话拆解结果反馈至会话大数据处理系统，由会话大数据处理系统输出该会话拆解结果。
75.本发明实施例中，提供了另一种依据ai专家系统网络实现云办公场景会话拆解的方法，如此，能够对文本语义矩进行多个文本特征处理组件的滑窗滤波运算，一方面可以增加网络的深度，积累更多的特征处理核来获得更高的精度，而且将低文本细粒度的文本语义矩融合到高文本细粒度的文本语义矩，使得到的目标文本语义矩所包含的细节尽可能全面完整，以保障拆解结果的准确性和可靠性。
76.一个可选实施例中，依据第五文本语义矩以及第六文本语义矩，通过ai专家系统网络获得当前云办公场景会话对应的会话分析结果，包括：通过ai专家系统网络所包含的第七滑窗滤波单元对第五文本语义矩进行特征压缩操作，得到第五文本语义矩的联动文本语义矩，其中，第五文本语义矩的联动文本语义矩对应于第二文本细粒度；通过ai专家系统网络所包含的第八滑窗滤波单元获得第六文本语义矩的联动文本语义矩，其中，第六文本语义矩的联动文本语义矩对应于第二文本细粒度；依据第五文本语义矩的联动文本语义矩以及第六文本语义矩的联动文本语义矩，通过ai专家系统网络所包含的第九滑窗滤波单元获得第一目标文本语义矩；依据第一目标文本语义矩，通过ai专家系统网络所包含的降采样单元，获得第二目标文本语义矩；依据第二目标文本语义矩，通过ai专家系统网络所包含的知识综合单元，获得当前云办公场景会话对应的风险判别可能性图谱；利用风险判别可能性图谱确定当前云办公场景会话对应的会话风险判别观点；向会话大数据处理系统下发会话风险判别观点，以使会话大数据处理系统输出会话风险判别观点。
77.本发明实施例中，提供另一种依据ai专家系统网络实现云办公场景会话的会话风险判别的方法。ai云办公服务器可以将第五文本语义矩和第六文本语义矩融合，以获得会话风险判别观点。第五文本语义矩的文本细粒度大于第六文本语义矩的文本细粒度，因此，ai云办公服务器通过第七滑窗滤波单元对第五文本语义矩进行特征压缩操作，得到第五文本语义矩的联动文本语义矩，通过第八滑窗滤波单元对第六文本语义矩进行滑窗滤波处理，得到第六文本语义矩的联动文本语义矩，将所得到两个联动文本语义矩进行合并并通过第九滑窗滤波单元进行滑窗滤波处理，得到第一目标文本语义矩。再将第一目标文本语义矩输入到平均降采样单元，得到第二目标文本语义矩。最后将第二目标文本语义矩输入到知识综合单元，从而输出当前云办公场景会话对应的风险判别可能性图谱。最后将会话风险判别观点反馈至会话大数据处理系统，由会话大数据处理系统输出该会话风险判别观点。
78.本发明实施例中，提供了另一种依据ai专家系统网络实现云办公场景会话的会话
风险判别的方法，如此，能够对文本语义矩进行多个文本特征处理组件的滑窗滤波运算，一方面可以增加网络的深度，积累更多的特征处理核来获得更高的精度，而且将多维聚合后的高文本细粒度的文本语义矩特征压缩后融合到低文本细粒度的文本语义矩，使得低文本细粒度的文本语义矩中包含的细节尽可能丰富完整，以确保会话风险判别的精度和可信度。
79.基于上述内容，下面将对本发明中网络调试的技术方案进行说明，上述ai专家系统网络的其中一种调试步骤包括步骤201-步骤207。
80.步骤201、获得样本云办公场景会话，其中，样本云办公场景会话对应于已认证会话拆解结果，已认证会话拆解结果为样本云办公场景会话在每个文本单元上的注释信息（训练标注）。
81.发明实施例中，ai云办公服务器获得样本云办公场景会话，该样本云办公场景会话可以是远程会议会话或办公事项请求应答对话等，其中，样本云办公场景会话包括注释好的云办公场景会话的真实/正确拆解的结果。
82.步骤202、通过ai专家系统网络获得样本云办公场景会话所对应的样本初始文本语义矩以及样本加工文本语义矩，其中，样本初始文本语义矩与样本云办公场景会话皆对应于第一文本细粒度，样本加工文本语义矩对应于第二文本细粒度，且第二文本细粒度小于第一文本细粒度。
83.本发明实施例中，ai云办公服务器通过ai专家系统网络对样本云办公场景会话进行滑窗滤波处理，得到第一文本细粒度下的样本初始文本语义矩，对样本云办公场景会话进行特征压缩操作，得到第二文本细粒度下的样本加工文本语义矩，且第二文本细粒度小于第一文本细粒度。
84.步骤203、依据样本初始文本语义矩，通过ai专家系统网络所包含的第一文本特征处理组件获得第一样本文本语义矩，其中，第一样本文本语义矩对应于第一文本细粒度，第一样本文本特征处理组件包括级联的最少一个特征处理核，每个特征处理核用于实现滑窗滤波处理。
85.本发明实施例中，ai云办公服务器将样本初始文本语义矩加载到ai专家系统网络中的第一文本特征处理组件，通过第一文本特征处理组件输出第一样本文本语义矩，第一样本文本语义矩的文本细粒度与样本初始文本语义矩的第一文本细粒度保持一致，第一文本特征处理组件可以由最少一个样本的特征处理核级联所得。
86.步骤204、依据样本加工文本语义矩，通过ai专家系统网络所包含的第二文本特征处理组件获得第二样本文本语义矩，其中，第二样本文本语义矩对应于第二文本细粒度，第二文本特征处理组件包括级联的最少一个特征处理核。
87.本发明实施例中，ai云办公服务器将样本加工文本语义矩加载到ai专家系统网络中的第二文本特征处理组件，通过第二文本特征处理组件输出第二样本文本语义矩，第二样本文本语义矩的文本细粒度与样本加工文本语义矩的第二文本细粒度保持一致，第二文本特征处理组件可以由最少一个样本的特征处理核级联所得。
88.步骤205、利用第一样本文本语义矩以及经由特征衍生操作后的第二样本文本语义矩获得第三样本文本语义矩，利用第二样本文本语义矩以及经由特征压缩操作后的第一样本文本语义矩获得第四样本文本语义矩，其中，第三样本文本语义矩对应于第一文本细
粒度，第四样本文本语义矩对应于第二文本细粒度。
89.本发明实施例中，ai云办公服务器利用第一样本文本语义矩以及第二样本文本语义矩获得第三样本文本语义矩，利用第一样本文本语义矩以及第二样本文本语义矩获得第四样本文本语义矩，其中，第三样本文本语义矩的文本细粒度与样本初始文本语义矩的文本细粒度相同，均为第一文本细粒度。第四样本文本语义矩的文本细粒度与样本加工文本语义矩的文本细粒度相同，均为第二文本细粒度。
90.步骤206、依据第三样本文本语义矩以及第四样本文本语义矩，通过ai专家系统网络获得当前云办公场景会话对应的会话拆解预测结果。
91.本发明实施例中，ai云办公服务器将第三样本文本语义矩和第四样本文本语义矩进行合并处理，生成样本目标文本语义矩，将样本目标文本语义矩加载到ai专家系统网络中的处理单元以及输出单元，由此输出对应的会话拆解预测结果，会话拆解预测结果可以包括从样本云办公场景会话中拆解出来的目标会话文本。
92.步骤207、利用会话拆解预测结果以及已认证会话拆解结果，通过网络调试代价对ai专家系统网络的网络变量进行优化，其中，ai专家系统网络为上述实施例中涉及的ai专家系统网络。
93.本发明实施例中，ai云办公服务器利用得到的会话拆解预测结果以及已认证会话拆解结果，利用网络调试代价对会话拆解预测结果以及已认证会话拆解结果之间的区别进行计算，从而利用代价变量对ai专家系统网络的网络变量进行优化，当网络调试代价的结果趋于稳定时，可以认为ai专家系统网络已调试完成。
94.本发明实施例中，提供了一种用于网络调试的方法，ai云办公服务器利用对应于已认证会话拆解结果的样本云办公场景会话对ai专家系统网络进行调试。如此，利用不同文本细粒度的调试数据进行调试，可以提高调试得到的ai专家系统网络拆解云办公场景会话的精度。
95.上述ai专家系统网络的另一种调试步骤包括步骤301-步骤307。
96.步骤301、获得样本云办公场景会话，其中，样本云办公场景会话对应于已认证会话风险判别观点，已认证会话风险判别观点为对样本云办公场景会话的会话风险主题进行注释后的信息。
97.步骤302、通过ai专家系统网络获得样本云办公场景会话所对应的样本初始文本语义矩以及样本加工文本语义矩，其中，样本初始文本语义矩与样本云办公场景会话皆对应于第一文本细粒度，样本加工文本语义矩对应于第二文本细粒度，且第二文本细粒度小于第一文本细粒度。
98.步骤303、依据样本初始文本语义矩，通过ai专家系统网络所包含的第一文本特征处理组件获得第一样本文本语义矩，其中，第一样本文本语义矩对应于第一文本细粒度，第一样本文本特征处理组件包括级联的最少一个特征处理核，每个特征处理核用于实现滑窗滤波处理。
99.步骤304、依据样本加工文本语义矩，通过ai专家系统网络所包含的第二文本特征处理组件获得第二样本文本语义矩，其中，第二样本文本语义矩对应于第二文本细粒度，第二文本特征处理组件包括级联的最少一个特征处理核。
100.步骤305、利用第一样本文本语义矩以及经由特征衍生操作后的第二样本文本语
义矩获得第三样本文本语义矩，利用第二样本文本语义矩以及经由特征压缩操作后的第一样本文本语义矩获得第四样本文本语义矩，其中，第三样本文本语义矩对应于第一文本细粒度，第四样本文本语义矩对应于第二文本细粒度。
101.步骤306、依据第三文本语义矩以及第四文本语义矩，通过ai专家系统网络获得当前云办公场景会话对应的会话风险预测观点。
102.本发明实施例中，ai云办公服务器将第三样本文本语义矩和第四样本文本语义矩进行合并处理，生成样本目标文本语义矩，将样本目标文本语义矩加载到ai专家系统网络中的滑窗滤波单元、降采样单元以及知识综合单元，从而得到会话风险判别观点。会话风险预测观点可以包括样本云办公场景会话所对应的会话风险主题。
103.步骤307、利用会话风险预测观点以及已认证会话风险判别观点，通过网络调试代价对ai专家系统网络的网络变量进行优化，其中，ai专家系统网络为上述实施例中涉及的ai专家系统网络。
104.本发明实施例中，ai云办公服务器利用得到的云办公场景会话预测判别观点以及云办公场景会话真实判别观点，利用网络调试代价对会话风险预测观点以及已认证会话风险判别观点之间的区别进行计算，从而利用代价变量对ai专家系统网络的网络变量进行优化，当网络调试代价的结果趋于稳定时，可以认为ai专家系统网络已调试完成。
105.本发明实施例中，提供了一种用于网络调试的方法，ai云办公服务器利用对应于云办公场景会话真实判别观点的样本云办公场景会话对ai专家系统网络进行调试。如此，利用不同文本细粒度的调试数据进行调试，可以提高调试得到的ai专家系统网络对云办公场景会话进行会话风险主题判别的精度和可信度。
106.进一步地，还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。
107.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述示例性描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

技术特征：
1.一种基于云办公的数据处理方法，其特征在于，应用于ai云办公服务器，所述方法包括：获得当前云办公场景会话所对应的初始文本语义矩以及加工文本语义矩，其中，所述当前云办公场景会话与所述初始文本语义矩皆对应于第一文本细粒度，所述加工文本语义矩对应于第二文本细粒度，且所述第二文本细粒度小于所述第一文本细粒度；依据所述初始文本语义矩，通过ai专家系统网络所包含的第一文本特征处理组件获得第一文本语义矩，其中，所述第一文本语义矩对应于所述第一文本细粒度，所述第一文本特征处理组件包括级联的最少一个特征处理核，每个特征处理核用于实现滑窗滤波处理；依据所述加工文本语义矩，通过所述ai专家系统网络所包含的第二文本特征处理组件获得第二文本语义矩，其中，所述第二文本语义矩对应于所述第二文本细粒度，所述第二文本特征处理组件包括级联的最少一个特征处理核；利用所述第一文本语义矩以及经由特征衍生操作后的所述第二文本语义矩获得第三文本语义矩，利用所述第二文本语义矩以及经由特征压缩操作后的所述第一文本语义矩获得第四文本语义矩，其中，所述第三文本语义矩对应于所述第一文本细粒度，所述第四文本语义矩对应于所述第二文本细粒度；依据所述第三文本语义矩以及所述第四文本语义矩，通过所述ai专家系统网络获得所述当前云办公场景会话对应的会话分析结果。2.如权利要求1所述的方法，其特征在于，所述利用所述第一文本语义矩以及经由特征衍生操作后的所述第二文本语义矩获得第三文本语义矩，利用所述第二文本语义矩以及经由特征压缩操作后的所述第一文本语义矩获得第四文本语义矩，包括：依据所述第一文本语义矩，通过所述ai专家系统网络所包含的第一滑窗滤波单元获得第一联动文本语义矩，其中，所述第一联动文本语义矩对应于所述第一文本细粒度；通过所述ai专家系统网络所包含的第二滑窗滤波单元对所述第二文本语义矩进行特征衍生操作，得到第二联动文本语义矩，其中，所述第二联动文本语义矩对应于所述第一文本细粒度；利用所述第一联动文本语义矩以及所述第二联动文本语义矩，生成所述第三文本语义矩；通过所述ai专家系统网络所包含的第三滑窗滤波单元对所述第一文本语义矩进行特征压缩操作，得到第三联动文本语义矩，其中，所述第三联动文本语义矩对应于所述第二文本细粒度；依据所述第二文本语义矩，通过所述ai专家系统网络所包含的第四滑窗滤波单元获得第四联动文本语义矩，其中，所述第四联动文本语义矩对应于所述第二文本细粒度；利用所述第三联动文本语义矩以及所述第四联动文本语义矩，生成所述第四文本语义矩；或者，所述利用所述第一文本语义矩以及经由特征衍生操作后的所述第二文本语义矩获得第三文本语义矩，利用所述第二文本语义矩以及经由特征压缩操作后的所述第一文本语义矩获得第四文本语义矩，包括：通过所述ai专家系统网络所包含的第二滑窗滤波单元对所述第二文本语义矩进行特征衍生操作，得到第二联动文本语义矩，其中，所述第二联动文本语义矩对应于所述第一文
本细粒度；利用所述第一文本语义矩以及所述第二联动文本语义矩，生成所述第三文本语义矩；通过所述ai专家系统网络所包含的第三滑窗滤波单元对所述第一文本语义矩进行特征压缩操作，得到第三联动文本语义矩，其中，所述第三联动文本语义矩对应于所述第二文本细粒度；利用所述第三联动文本语义矩以及所述第二文本语义矩，生成所述第四文本语义矩。3.如权利要求1所述的方法，其特征在于，所述依据所述初始文本语义矩，通过ai专家系统网络所包含的第一文本特征处理组件获得第一文本语义矩，包括：利用所述初始文本语义矩生成第一待处理文本语义矩以及第二待处理文本语义矩，其中，所述第一待处理文本语义矩以及所述第二待处理文本语义矩的描述层面数的和值等于所述初始文本语义矩的描述层面数；通过所述ai专家系统网络所包含的所述第一文本特征处理组件，对所述第一待处理文本语义矩以及所述第二待处理文本语义矩进行多轮滑窗滤波处理，得到第一文本卷积语义矩；通过所述ai专家系统网络所包含的所述第一文本特征处理组件，对所述第一待处理文本语义矩以及所述第二待处理文本语义矩进行多轮滑窗滤波处理，得到第二文本卷积语义矩；利用所述第一文本卷积语义矩以及所述第二文本卷积语义矩，生成所述第一文本语义矩，其中，所述第一文本语义矩的描述层面数等于所述第一文本卷积语义矩以及所述第二文本卷积语义矩的描述层面数的和值；所述依据所述加工文本语义矩，通过所述ai专家系统网络所包含的第二文本特征处理组件获得第二文本语义矩，包括：利用所述加工文本语义矩生成第三待处理文本语义矩以及第四待处理文本语义矩，其中，所述第三待处理文本语义矩以及所述第四待处理文本语义矩的描述层面数的和值等于所述加工文本语义矩的描述层面数；通过所述ai专家系统网络所包含的所述第二文本特征处理组件，对所述第三待处理文本语义矩进行多轮滑窗滤波处理，得到第三文本卷积语义矩；通过所述ai专家系统网络所包含的所述第二文本特征处理组件，对所述第四待处理文本语义矩进行多轮滑窗滤波处理，得到第四文本卷积语义矩；利用所述第三文本卷积语义矩以及所述第四文本卷积语义矩，生成所述第二文本语义矩，其中，所述第二文本语义矩的描述层面数等于所述第三文本卷积语义矩以及所述第四文本卷积语义矩的描述层面数的和值。4.如权利要求3所述的方法，其特征在于，所述通过所述ai专家系统网络所包含的所述第一文本特征处理组件，对所述第一待处理文本语义矩以及所述第二待处理文本语义矩进行多轮滑窗滤波处理，得到第一文本卷积语义矩，包括：通过所述ai专家系统网络所包含的所述第一文本特征处理组件，对所述第一待处理文本语义矩进行最少一轮滑窗滤波处理，得到第一过渡文本语义矩；通过所述第一文本特征处理组件所包含的整体降采样单元，对所述第一过渡文本语义矩进行降采样处理，得到第一文本语义知识；
通过所述第一文本特征处理组件所包含的知识综合单元，对所述第一文本语义知识进行处理，得到第二文本语义知识，其中，所述第二文本语义知识的尺寸大于所述第一文本语义知识的尺寸；采用所述第二文本语义知识对第一过渡文本语义矩进行乘法处理，得到第二过渡文本语义矩；依据所述第二过渡文本语义矩以及所述第二待处理文本语义矩，通过所述ai专家系统网络所包含的所述第一文本特征处理组件，获得所述第一文本卷积语义矩。5.如权利要求1所述的方法，其特征在于，所述依据所述第三文本语义矩以及所述第四文本语义矩，通过所述ai专家系统网络获得所述当前云办公场景会话对应的会话分析结果，包括：通过所述ai专家系统网络所包含的第五滑窗滤波单元获得所述第三文本语义矩的联动文本语义矩，其中，所述第三文本语义矩的联动文本语义矩对应于所述第一文本细粒度；通过所述ai专家系统网络所包含的第六滑窗滤波单元对所述第四文本语义矩进行特征衍生操作，得到所述第四文本语义矩的联动文本语义矩，其中，所述第四文本语义矩的联动文本语义矩对应于所述第一文本细粒度；利用所述第三文本语义矩的联动文本语义矩以及所述第四文本语义矩的联动文本语义矩，生成所述当前云办公场景会话对应的目标文本语义矩；利用所述当前云办公场景会话对应的目标文本语义矩，生成会话拆解结果；向会话大数据处理系统下发所述会话拆解结果，以使所述会话大数据处理系统输出所述会话拆解结果。6.如权利要求1所述的方法，其特征在于，所述依据所述第三文本语义矩以及所述第四文本语义矩，通过所述ai专家系统网络获得所述当前云办公场景会话对应的会话分析结果，包括：通过所述ai专家系统网络所包含的第七滑窗滤波单元对所述第三文本语义矩进行特征压缩操作，得到所述第三文本语义矩的联动文本语义矩，其中，所述第三文本语义矩的联动文本语义矩对应于所述第二文本细粒度；通过所述ai专家系统网络所包含的第八滑窗滤波单元获得所述第四文本语义矩的联动文本语义矩，其中，所述第四文本语义矩的联动文本语义矩对应于所述第二文本细粒度；依据所述第三文本语义矩的联动文本语义矩以及所述第四文本语义矩的联动文本语义矩，通过所述ai专家系统网络所包含的第九滑窗滤波单元获得第一目标文本语义矩；依据所述第一目标文本语义矩，通过所述ai专家系统网络所包含的降采样单元，获得第二目标文本语义矩；依据所述第二目标文本语义矩，通过所述ai专家系统网络所包含的知识综合单元，获得所述当前云办公场景会话对应的风险判别可能性图谱；利用风险判别可能性图谱确定所述当前云办公场景会话对应的会话风险判别观点；向会话大数据处理系统下发所述会话风险判别观点，以使所述会话大数据处理系统输出所述会话风险判别观点。7.如权利要求1所述的方法，其特征在于，所述依据所述第三文本语义矩以及所述第四文本语义矩，通过所述ai专家系统网络获得所述当前云办公场景会话对应的会话分析结
果，包括：依据所述第三文本语义矩，通过所述ai专家系统网络所包含的第三文本特征处理组件获得第五文本语义矩，其中，所述第五文本语义矩对应于所述第一文本细粒度，所述第三文本特征处理组件包括级联的最少一个特征处理核；依据所述第四文本语义矩，通过所述ai专家系统网络所包含的第四文本特征处理组件获得第六文本语义矩，其中，所述第六文本语义矩对应于所述第二文本细粒度，所述第四文本特征处理组件包括级联的最少一个特征处理核；依据所述第五文本语义矩以及所述第六文本语义矩，通过所述ai专家系统网络获得所述当前云办公场景会话对应的会话分析结果。8.如权利要求7所述的方法，其特征在于，所述依据所述第五文本语义矩以及所述第六文本语义矩，通过所述ai专家系统网络获得所述当前云办公场景会话对应的会话分析结果，包括：通过所述ai专家系统网络所包含的第五滑窗滤波单元获得所述第五文本语义矩的联动文本语义矩，其中，所述第五文本语义矩的联动文本语义矩对应于所述第一文本细粒度；通过所述ai专家系统网络所包含的第六滑窗滤波单元对所述第四文本语义矩进行特征衍生操作，得到所述第六文本语义矩的联动文本语义矩，其中，所述第六文本语义矩的联动文本语义矩对应于所述第一文本细粒度；利用所第五文本语义矩的联动文本语义矩以及所述第六文本语义矩的联动文本语义矩，生成所述当前云办公场景会话对应的目标文本语义矩；利用所述当前云办公场景会话对应的目标文本语义矩，生成会话拆解结果；向会话大数据处理系统下发所述会话风险判别观点，以使所述会话大数据处理系统输出所述会话拆解结果；或者，通过所述ai专家系统网络所包含的第七滑窗滤波单元对所述第五文本语义矩进行特征压缩操作，得到所述第五文本语义矩的联动文本语义矩，其中，所述第五文本语义矩的联动文本语义矩对应于所述第二文本细粒度；通过所述ai专家系统网络所包含的第八滑窗滤波单元获得所述第六文本语义矩的联动文本语义矩，其中，所述第六文本语义矩的联动文本语义矩对应于所述第二文本细粒度；依据所述第五文本语义矩的联动文本语义矩以及所述第六文本语义矩的联动文本语义矩，通过所述ai专家系统网络所包含的第九滑窗滤波单元获得第一目标文本语义矩；依据所述第一目标文本语义矩，通过所述ai专家系统网络所包含的降采样单元，获得第二目标文本语义矩；依据所述第二目标文本语义矩，通过所述ai专家系统网络所包含的知识综合单元，获得所述当前云办公场景会话对应的风险判别可能性图谱；利用风险判别可能性图谱确定所述当前云办公场景会话对应的会话风险判别观点；向会话大数据处理系统下发所述会话风险判别观点，以使所述会话大数据处理系统输出所述会话风险判别观点。9.一种ai云办公服务器，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求1-8任一项所述的方法。10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时实现上述权利要求1-8任一项所述的方法。

技术总结
本发明提供的基于云办公的数据处理方法、AI云办公服务器及介质，可以使得初始高文本细粒度的文本语义矩与特征压缩所得的文本语义矩进行细节混合，规避由于特征压缩造成细节损失的问题，此外，在滑窗滤波过程中采用多个特征处理核形成的文本特征处理组件，不必保留滑窗滤波时生成的过程性信息，进而在确保云办公场景会话分析质量的基础上，能尽量避免云办公场景会话处理时对AI云办公服务器的存储资源的占用。的占用。的占用。


技术研发人员：孙家祥 李代艳
受保护的技术使用者：太仓市律点信息技术有限公司
技术研发日：2023.07.22
技术公布日：2023/8/21