一种面向服务互联网的服务价值网的半自动化生成方法

摘要

本发明公开了一种面向服务互联网的服务价值网的半自动化生成方法。步骤1：根据先验知识构建抽象层价值网；所述抽象层价值网包括巨头节点、其他服务参与者和之间的价值交换关系；步骤2：根据巨头节点网站内的HTML文件中的信息通过计算自动生成节点，即服务参与者具体实例；步骤3：通过步骤2生成的节点与其对应价值的价值交换关系；步骤4：对步骤2和步骤3所得到的服务参与者具体实例和价值交换关系进行人工矫正；步骤5：基于步骤4中人工矫正过的价值交换关系，最终生成实例层面价值网。提高获取服务价值的效率并且给出一些针对服务价值的具体分析方法，根据整个服务体系中价值层面出现的一些缺陷与不足提出相应的优化及创新方案。

说明书

技术领域

本发明属于服务互联网领域；具体涉及一种面向服务互联网的服务价值网的半自动化生成方法。

背景技术

随着现如今服务业的高速发展，越来越多的新技术被应用于服务业中。为了帮助企业构建更加优质的服务，出现许多服务相关应用的新技术。尤其在服务系统上，这是一种复杂系统，并不只是其内部各构成元素的“总和”，还包括它们之间的复杂交互。这种元素之间的复杂交互是很难预测的，那么在建模阶段也是相对困难的。

为了解决这个问题，现在有各种各样的服务建模方法，但是大多数的方法的关注点并不主要在服务价值上。随着研究的深入，随之出现的服务工程更多的关注了服务价值以及价值交互的过程。服务价值是在一个具体的服务交互过程中所有服务参与者所追求的，那么在服务系统中也应该将价值的实现作为系统的核心部分。基于服务价值在整个服务工程中的重要地位，对服务价值的研究就显得尤为的重要。然而目前所存在的大多服务系统并不能从整体和细节方面很好的建模和分析服务中的价值。

价值链和价值网都是为了描述价值是如何通过多方之间的复杂动态交互而被创造出来的，它们都是为了我们对企业服务流程更加了解以进行优化后提升企业竞争力的，但是仅仅是价值链和价值网只能从概念上的层次定性描述服务中的价值，还缺少对价值属性的细节描述，所以针对整个服务互联网中的价值体系需要更加完善。

发明内容

本发明提供了一种面向服务互联网的相关领域知识，旨在解决背景技术中提出的技术问题。

本发明通过以下技术方案实现：

一种面向服务互联网的服务价值网的半自动化生成方法，所述半自动化生成方法包括以下步骤：

步骤1：根据先验知识构建抽象层价值网；所述抽象层价值网包括巨头节点、其他服务参与者和之间的价值交换关系；

步骤2：根据巨头节点网站内的HTML文件中的信息通过计算自动生成节点，即服务参与者具体实例；

步骤3：通过步骤2生成的节点与其对应价值的价值交换关系；

步骤4：对步骤2和步骤3所得到的服务参与者具体实例和价值交换关系进行人工矫正；

步骤5：基于步骤4中人工矫正过的价值交换关系，最终生成实例层面价值网。

进一步的，所述步骤1具体为，首先对价值进行价值建模，根据价值建模再进行后续的建模；其中，价值基本概念扩展包括价值定义、价值分类和价值网模型定义。

进一步的，所述步骤2具体为，对所述服务参与者具体实例进行分类，确立输出节点，并使用工具进行人工确认，能对所添加的节点进行修改删除；

在多个相关HTML网页文件中自动识别出面向服务互联网的服务价值网中的参与者，进行分类并输出五种服务参与者的类型顾客C、顾客使能者CE、平台B、提供者使能者PE、提供者P；

其中，在分类时提出选取HTML文件中信息的五个方面的作为向量化和分类的方向，所述五个方面包括实体本身文本信息、在网页中的结构位置、当前网页标题、当前网页关键词和实体在网页中的上下文；

采用Bert进行向量化，并结合lightGBM提升树的方法将参与者的类型进行分类，使所建模型服务参与者及其类别。

进一步的，自动识别出面向服务互联网的服务价值网中的所述参与者具体为，利用Bert+BiLSTM+CRF抽取出参与者和价值的实体并根据人工定义的抽取规则生成参与者-价值-参与者的关系，并利用lightGBM判断是否为价值及具体为哪一类价值。

进一步的，所述步骤3具体为通过输入的新闻预料采用Bert as service来进行向量化，包括以下步骤：

步骤3.1：对预处理后的新闻预料进行BIO标注；

步骤3.2：根据向量化的数据采用BiLSTM+CRF进行训练模型；

步骤3.3：将步骤3.2训练的模型进行输出分类，得到对应的实体；

步骤3.4：再根据所述规则进行关系抽取生成价值交换关系。

进一步的，所述步骤4具体为矫正生成价值网，在自动化之后输出到展示板后，用户可以利用工具进行人工补充或修正价值信息；人工确认是不是价值和什么类型价值，以保证价值网构建的准确性；并对于只提取提供价值算法结合抽象层期望价值、传递类型进行匹配生成最终价值网。

本发明的有益效果是：

本发明提高获取服务价值的效率并且给出一些针对服务价值的具体分析方法，根据整个服务体系中价值层面出现的一些缺陷与不足提出相应的优化及创新方案。以此来满足用户的需求，使得服务参与者在服务中能保证获得服务价值的最大化，从而提升服务参与者对于服务的满意度。

本发明通过网站上的服务事件等新闻语料，大大的扩展了价值交换关系获取的来源。并引入自然语言处理和机器学习手段进行处理。

本发明与通用的自动化、半自动化建模工具相比，在算法设计时，蕴含了价值建模领域知识。

本发明基本文本中自动抽取来构建价值，相比于正常的手工构建价值网，本发明的工具和方法能够大大的简短时间，提高建模效率。并且结合自动生成的节点和边的展示，提供用户简洁的建模的界面去构建价值网，并支持用户人工矫正以生成准确的价值网。

附图说明

附图1本发明的流程方法图。

附图2本发明的建模工具示意图。

附图3本发明的图元及模型实例。

附图4本发明的工具主界面示意图。

附图5本发明抽取价值关系模型的流程图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图1-5所示，一种面向服务互联网的服务价值网的半自动化生成方法，所述半自动化生成方法包括以下步骤：

步骤1：根据先验知识构建抽象层价值网；所述抽象层价值网包括巨头节点、其他服务参与者和之间的价值交换关系；

步骤2：根据巨头节点网站内的HTML文件中的信息通过计算自动生成节点，即服务参与者具体实例；

步骤3：通过步骤2生成的节点与其对应价值的价值交换关系；

步骤4：对步骤2和步骤3所得到的服务参与者具体实例和价值交换关系进行人工矫正；

步骤5：基于步骤4中人工矫正过的价值交换关系，最终生成实例层面价值网。

进一步的，本发明引入了价值定义的外延，即价值拓展定义来建模价值交换关系的价值网建模工具；所述步骤1具体为，首先对价值进行价值建模，根据价值建模再进行后续的建模；其中，价值基本概念扩展包括价值定义、价值分类和价值网模型定义。

进一步的，面向服务互联网的服务价值网的半自动化生成方法中根据已经定义好的某一领域的抽象层价值网；所述步骤2具体为，对所述服务参与者具体实例进行分类，确立输出节点，并使用工具进行人工确认，能对所添加的节点进行修改删除；

在多个相关HTML网页文件中自动识别出面向服务互联网的服务价值网中的参与者，进行分类并输出五种服务参与者的类型顾客C、顾客使能者CE、平台B、提供者使能者PE、提供者P；以此来生成价值网中服务参与者实体的节点的基本信息。在没有直接的服务参与者实体的价值交换关系时，以抽象层价值网中服务参与者的类型的交换关系为基础，后续抽取文本中不同服务参与者与其对应的所期望和实际提供的价值，以达到不同类型服务参与者实体所期望和实际提供的价值的匹配，来生成对应价值交换关系

其中，在分类时提出选取HTML文件中信息的五个方面的作为向量化和分类的方向，所述五个方面包括实体本身文本信息、在网页中的结构位置、当前网页标题、当前网页关键词和实体在网页中的上下文；

采用Bert进行向量化，并结合lightGBM提升树的方法将参与者的类型进行分类，使所建模型服务参与者及其类别。

进一步的，自动识别出面向服务互联网的服务价值网中的所述参与者具体为，利用Bert+BiLSTM+CRF抽取出参与者和价值的实体并根据人工定义的抽取规则(即定义好的规则)生成参与者-价值-参与者的关系，并利用lightGBM判断是否为价值及具体为哪一类价值。

进一步的，所述步骤3具体为通过输入的新闻预料采用Bert as service来进行向量化，包括以下步骤：

步骤3.1：对预处理后的新闻预料进行BIO标注；

步骤3.2：根据向量化的数据采用BiLSTM+CRF进行训练模型；

步骤3.3：将步骤3.2训练的模型进行输出分类，得到对应的实体；

步骤3.4：再根据所述规则进行关系抽取生成价值交换关系。

进一步的，所述步骤4具体为矫正生成价值网，在自动化之后输出到展示板后，用户可以利用工具进行人工补充或修正价值信息；人工确认是不是价值和什么类型价值，以保证价值网构建的准确性；并对于只提取提供价值算法结合抽象层期望价值、传递类型进行匹配生成最终价值网。最后形成的价值网如图3所示。

进一步的，可以通过自动生成节点、生成节点和提供价值(单边的提供价值关系)、生成价值网、输出价值网四步进行价值网的建模。

进一步的，可以通过自动生成节点、生成节点和提供价值(双向的价值交换关系)、输出价值网三步进行价值网的建模。

引入自然语言处理和机器学习的方法，面向服务互联网价值网的建模方法。可以生成在服务互联网概念的基础上刻画出价值交换关系的价值网模型。这种方法是从新闻语料库和巨头节点的相关网站中抽取实体和关系，帮助用户半自动化的建模价值网，使用户最终可以对企业之间的价值交换关系的分析。

在价值网建模方面采用了许多自然语言处理和机器学习的模型，其中从文本中自动抽取价值关系的方法，针对新闻文本自动化抽取利用Bert+BiLSTM+CRF模型抽取出参与者和价值的实体并根据定义好的规则生成参与者-价值-参与者的关系。并利用lightGBM判断是否为价值以及具体哪一类价值，使用这种基于决策树的Boosting方法在我们这种较小训练集的情况下也相对能表现的较好，帮助用户建模已存在的价值交换关系从而生成价值网。该工具前端基于Bootstrap框架，十分的简洁直观。接口采用Flask进行开发，实现前端与后端的交互。

实施例2

1.构建抽象层价值网

本方法主要是在方法内存入已经建立好的抽象价值网，其中包括巨头节点、其他服务参与者和之间的价值交换关系。首先需要针对价值进行建模，再进行后续的建模阶段。针对面向服务互联网的价值基本概念扩展包括价值定义、价值分类和价值网模型定义。

1.1价值的定义

基于传统对价值的定义，本发明根据价值接收者某一方面的状态改善或程度改善，引入了价值实现载体这一概念。则每种价值对应自己的价值实现载体，通过价值实现载体的初始状态和结束状态这种状态转移来度量价值。载体的状态转移为价值接收者带来了收益，收益大小由众多性能参数的实现值共同决定。这里我们形式化定义价值如下：

多维元组(vID,vName,Producer,Receiver,rc,rc.sI,rc.sO,VType)，其中：

·vID,vName分别表示服务价值的唯一标识，名称；

·Producer,Receiver分别表示价值生产者、价值接收者；

·VType表示价值本身的类型，包括之后提到的十类；

·rc,rc.sI,rc.sO分别是价值实现载体、rc的初始状态，rc的期望结束状态；

1.2价值的分类

根据已有的价值定义与分类，本发明对价值的分类进行的细化如表1：

表1.服务价值定义和分类

1.3价值网模型

面向参与者的价值网引入了所有的价值参与者，在顾客、顾客提供者、中间平台、提供者和提供者使能者之间形成了一个价值网，如图3所示。面向服务互联网的价值网模型的定义如下：

SVN＝(Actors,Values,Recipients)，定义价值网为三元组，其中,Actor和Recipient为服务参与者,Values是价值网中传递的价值。

服务参与者Actor＝(AName,Atype，TSPIndicator)

AName表示服务中参与者A的名称，AType∈{Customer,Provider,CustomerEnabler，Provider Enabler，Broker}表示参与者A的类型。

服务价值Value＝(VID,VName,VType,)

其中VID,Vname，VType表示服务价值的基本信息，包括服务价值的唯一标识vID、名称vName、服务价值类型。

2.抽取参与者实体方法

本方法主要根据输入巨头相关网站html文件，提出一种半自动化算法对服务参与者实例进行分类，输出节点，使用工具进行人工确认，可修改删除添加节点。采用Bert进行本文的向量化并结合lightGBM提升树的方法分类参与者的类型，帮助建模服务参与者及其类别。

针对服务参与者的类型，面向服务互联网本项目主要针对以巨头节点为中心的服务价值网进行建模，则在面向服务互联网的价值网中主要有五种服务参与者，其中具体的定义和可能的期望价值类型、提供价值类型为表2所示。

表2.服务参与者的分类

根据已经定义好的某一领域的抽象层价值网，本发明提出一种抽取分类方法，在多个相关HTML网页文件中自动识别出这个价值网中的参与者，并输出参与者的类型(C、CE、B、PE、P)。其中在分类时提出选取html文件中信息的五个方面的作为向量化和分类的方向，其中包括：实体本身文本信息，在网页中的结构位置，当前网页标题,当前网页关键词，实体在网页中的上下文。采用Bert进行本文的向量化并结合lightGBM提升树的方法分类参与者的类型，帮助建模服务参与者及其类别。

3.抽取价值交换的关系方法

本方法主要针对具体服务参与者实例，给出自动化算法，结合输入的文本类型不同实现不同的三个功能：

(1)有价值交换关系的句子，类型如Actor-value-actor。

(2)针对具体实例的价值相关文本，类型如Actor-value。

(3)针对具体实例的经营范围规定格式输入，类型如{actor：text：}

其中主要采用一种从文本中自动抽取价值关系的方法，针对新闻文本自动化抽取利用Bert+BiLSTM+CRF模型抽取出参与者和价值的实体并根据定义好的规则生成参与者-价值-参与者的关系，这里等于是自然语言处理的命名实体识别问题和关系抽取问题。如流程图5所示，通过输入的新闻预料采用Bert as service来进行向量化，首先对预处理后的新闻预料进行BIO标注，之后根据向量化的数据采用BiLSTM+CRF进行训练模型，之后输出分类，得到对应的实体。然后根据人工定义的关系的规则进行关系抽取生成一些完整的价值交换关系。

4.矫正生成价值网

本步骤主要对上述步骤所得到的服务参与者具体实例和价值交换关系进行人工矫正。在自动化之后输出到展示板后，用户可以工具进行人工补充、修正价值信息。人工确认是不是价值、什么类型价值等，以保证价值网构建的准确性。并对于只提取提供价值算法结合抽象层期望价值、传递类型进行匹配生成最终价值网，最后形成的价值网如图3所示。

5.价值网的半自动化建模工具

在本发明提出的方法的基础上，结合图2所示，本发明提供一种价值网的半自动化建模工具，为用户提供了更高效的建模方法。提供两种方法的选择使用户根据文本的具体语义信息进行选择建模方法。方法一采用通过自动生成节点、生成节点和提供价值(单边的提供价值关系)、生成价值网、输出价值网四步；方法二采用通过自动生成节点、生成节点和提供价值(双向的价值交换关系)、输出价值网三步进行价值网的建模。

如图4所示，该工具前端基于Bootstrap框架，十分的简洁，直观。接口采用Flask进行开发，进行前端与后端的交互。后端主要用本发明上述的基于文本的抽取价值的建模方法进行建模，实现一个操作性强、自动化程度高的价值网建模方法。