一种基于大型语言模型的日程安排系统

技术领域

本发明涉及人工智能模型技术领域，具体涉及一种基于大型语言模型的日程安排系统。

背景技术

GTD(Getting Things Done)是一种时间管理方法，旨在帮助人们有效地组织任务、提高生产力和减轻压力。大型语言模型，是指使用大量文本数据训练的深度学习模型，可以生成自然语言文本或理解语言文本的含义。大语言模型可以处理多种自然语言任务，如文本分类、问答、对话等，是通向人工智能的一条重要途径。

现有技术中，已存在有基于计算机程序进行日程安排辅助的技术方案，比如，中国专利CN202080056480.7公开了一种日程安排系统、日程安排程序、日程安排方法和存储介质，包括：日程信息存储部(21)，其存储用户、设备和设施中的至少一者的日程信息；信息获取部(22)，其获取表示存储在日程信息存储部(21)中的用户、设备和设施中的至少一者的日程将来可能发生变更的信息；解决方案决定部(23)，其在信息获取部(22)获取了信息时提取因日程将来的变更而要发生的问题，从日程信息中参照作为与解决该问题的解决方案相关的相关方的用户、设备和设施中的至少一者的日程，来决定能够通过变更该相关方的日程来应对问题的解决方案；和变更部(26)，其按照解决方案变更日程信息。

但是，实际实施过程中，发明人发现，该类技术方案在主动获取日程时，往往需要用户自行录入日程信息，比如，在收到邮件时添加日程标识等，导致使用繁琐、不便的问题。

发明内容

针对现有技术中存在的上述问题，现提供一种基于大型语言模型的日程安排系统。

具体技术方案如下：

一种基于大型语言模型的日程安排系统，包括：

数据获取模块，所述数据获取模块连接多个用户应用程序，所述数据获取模块自所述用户应用程序中获取原始数据；

任务识别模块，所述任务识别模块分别连接外部的大型语言模型和所述数据获取模块，所述任务识别模块向所述大型语言模型输入所述原始数据并接收所述大型语言模型识别到的待处理任务；

任务推荐模块，所述任务推荐模块连接所述任务识别模块，所述任务推荐模块对所述待处理任务进行排序以得到任务推荐顺序；

日程安排模块，所述日程安排模块连接所述任务推荐模块，所述日程安排模块依照所述任务推荐顺序生成日程提醒。

另一方面，所述数据获取模块包括：

抓取触发模块，所述抓取触发模块分别连接所述用户应用程序，所述抓取触发模块对所述用户应用程序内的操作行为进行识别，以生成抓取使能命令；

数据获取模块，所述数据获取模块连接所述抓取触发模块，所述数据获取模块在接收到所述抓取使能命令时，依照抓取模板自所述用户应用程序中获取所述原始数据。

另一方面，所述任务识别模块包括：

标识添加模块，所述标识添加模块针对每组所述原始数据依照所述用户应用程序添加来源标识；

模型输入模块，所述模型输入模块分别连接所述标识添加模块和所述大型语言模型，所述模型输入模块依照所述来源标识对所述原始数据进行处理生成提示内容后输入所述大型语言模型；

模型反馈模块，所述模型反馈模块连接所述大型语言模型，所述模型反馈模块接收所述大型语言模型识别到的所述待处理任务并输出。

另一方面，所述大型语言模型还输出对应于所述待处理任务的任务类别；

所述任务识别模块还包括：

标签校准模块，所述标签校准模块连接所述模型反馈模块，所述标签校准模块依照预先配置的类别模板对所述任务类别进行修正后再输出。

另一方面，所述任务推荐模块包括：

向量转换模块，所述向量转换模块接收所述待处理任务，所述向量转换模块对所述待处理任务进行识别以转换得到任务向量；

任务历史匹配模块，所述任务历史匹配模块连接所述向量转换模块，所述任务历史匹配模块将所述任务向量与历史任务进行匹配以获取匹配历史任务；

优先级确定模块，所述优先级确定模块连接所述任务历史匹配模块，所述优先级确定模块依照所述匹配历史任务对应的任务处理顺序确定所述待处理任务的优先级；

排序模块，所述排序模块连接所述优先级确定模块，所述排序模块依照所述优先级生成所述任务推荐顺序。

另一方面，所述优先级确定模块包括：

任务提取模块，所述任务提取模块获取所述匹配历史任务的任务处理时间段，随后依照所述任务处理时间段获取重合的待比较任务；

属性提取模块，所述属性提取模块连接所述任务提取模块，所述属性提取模块对所述待比较任务进行分类得到任务属性；

顺序预测模块，所述顺序预测模块连接所述属性提取模块，所述顺序预测模块依照所述任务属性对所述匹配历史任务和所述待比较任务进行比较，预测得到所述匹配历史任务的历史优先级，将所述历史优先级作为所述优先级输出。

另一方面，所述日程安排模块包括：

日程存储模块，所述日程存储模块中预先存储有当前用户的日程表；

序列提取模块，所述序列提取模块连接所述日程存储模块，所述序列提取模块自所述日程表中提取待调整任务序列；

序列重排模块，所述序列重排模块分别连接所述序列提取模块和所述日程存储模块，所述序列重排模块依照所述任务推荐顺序，对所述待调整任务序列中依次插入所述待处理任务，形成调整后任务序列；

所述序列重排模块将所述调整后任务序列输入所述日程表。

另一方面，所述日程安排模块还包括：

语音交互模块，所述语音交互模块连接所述序列重排模块，所述语音交互模块响应外部输入的语音指令对所述待处理任务在所述调整后任务序列中的位置进行调整。

上述技术方案具有如下优点或有益效果：

针对现有技术中的日程安排系统需要用户进行手动输入较为繁琐不便的问题，本方案中，通过引入大型语言模型和数据获取模块，能够自行从用户应用程序中主动获取原始数据并识别得到待处理任务进行任务推荐排序、添加日程表等处理，更易于使用。

附图说明

参考所附附图，以更加充分的描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。

图1为本发明实施例的整体示意图；

图2为本发明实施例中数据获取模块示意图；

图3为本发明实施例中任务识别模块示意图；

图4为本发明实施例中标签校准模块示意图；

图5为本发明实施例中任务推荐模块示意图；

图6为本发明实施例中优先级确定模块示意图；

图7为本发明实施例中日程安排模块示意图；

图8为本发明实施例中语音交互模块示意图。

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作出创造性劳动的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。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明包括：

一种基于大型语言模型的日程安排系统，如图1所示，包括：

数据获取模块1，数据获取模块1连接多个用户应用程序1A，数据获取模块自用户应用程序1A中获取原始数据；

任务识别模块2，任务识别模块2分别连接外部的大型语言模型2A和数据获取模块1，任务识别模块2向大型语言模型2A输入原始数据并接收大型语言模型2A识别到的待处理任务；

任务推荐模块3，任务推荐模块3连接任务识别模块2，任务推荐模块3对待处理任务进行排序以得到任务推荐顺序；

日程安排模块4，日程安排模块4连接任务推荐模块3，日程安排模块4依照任务推荐顺序生成日程提醒。

具体地，针对现有技术中的日程安排软件需要手动录入任务信息，导致使用不便的问题，本实施例中，通过数据获取模块1连接多个用户应用程序1A，从而在用户的正常工作中，能够从用户应用程序1A中直接爬取到用户工作产生的原始数据，该部分原始数据中应当包含至少一条待处理任务。随后，任务识别模块2向外部的大型语言模型2A发送该原始数据，并结合对应的交互信息，比如“请总结该段文字中包含的待处理任务和注意事项”等，通过大型语言模型2A对原始数据中包含的关联于待处理任务的语义信息进行整理、抽取，从而得到划分完成的待处理任务。一般而言，为实现较好的日期排程，抽取到的待处理任务应当包括：任务名称、类别、具体时间段、任务信息、其他任务属性等。随后，任务推荐模块3依照该部分任务属性对待处理任务进行排序，得到当前周期下应当对多个待处理任务进行处理的优先级并构建任务推荐顺序，最后由日程安排模块4依照任务推荐顺序对日程表上相应时间点进行插入，生成日程提醒。

在一个实施例中，如图2所示，数据获取模块1包括：

抓取触发模块11，抓取触发模块11分别连接用户应用程序1A，抓取触发模块11对用户应用程序内的操作行为进行识别，以生成抓取使能命令；

数据获取模块12，数据获取模块12连接抓取触发模块11和用户应用程序1A，数据获取模块12在接收到抓取使能命令时，依照抓取模板自用户应用程序1A中获取原始数据。

具体地，针对现有技术中的日程安排系统需要人工填写任务信息使用不便的问题，本实施例中，通过在数据获取模块1中，设置抓取触发模块11连接用户应用程序1A，该抓取触发模块11针对不同的用户应用程序1A配置了不同的触发条件，当操作行为满足触发条件，比如，工作通信软件推送了工作安排、邮箱接收到新邮件、用户自行预定了相关日程等，其能够通过软件接口获取到该操作行为，进而触发抓取使能命令。随后，数据获取模块12在在接收到抓取使能命令时，依照预先编制的抓取模板自用户应用程序1A中获取原始数据，该抓取模板通常是围绕用户应用程序1A设计的，能够从特定段落提取到关联于待处理任务的文字信息的模板，比如，对邮件抓取最上层的正文段落、对通信软件抓取某个时间段内的所有文字信息并按时序组装等。

在一个实施例中，如图3所示，任务识别模块2包括：

标识添加模块21，标识添加模块21针对每组原始数据依照用户应用程序1A添加来源标识；

模型输入模块22，模型输入模块22分别连接标识添加模块21和大型语言模型2A，模型输入模块22依照来源标识对原始数据进行处理生成提示内容后输入大型语言模型；

模型反馈模块23，模型反馈模块23连接大型语言模型2A，模型反馈模块23接收大型语言模型识别到的待处理任务并输出。

具体地，为实现对多方来源的数据中包含的任务信息较好的识别效果，本实施例中，通过在任务识别模块2中预先编制了对应的提示词，并通过标识添加模块21依照原始数据的来源添加来源标识，随后，模型输入模块22依照来源标识，调用对应的模板对原始数据进行处理，形成提示内容后输入大型语言模型2A中，比如“以下文本是…类型的文字，请概括…”等，以实现对大型语言模型的输入指示。根据文本类型的不同，该提示内容可进行调整，比如预先对原始数据结合特定的文本模板进行分段处理，再生成提示内容、采用对话模型通过多次对话来实现对大型语言模型2A的输出校正等。最后，模型反馈模块23对大型语言模型2A的输出内容进行整理，去除无关对话内容并保留识别到的待处理任务输出。

在一个实施例中，如图4所示，大型语言模型2A还输出对应于待处理任务的任务类别；

任务识别模块2还包括：

标签校准模块24，标签校准模块24连接模型反馈模块23，标签校准模块24依照预先配置的类别模板对任务类别进行修正后再输出。

具体地，为实现较为准确的任务排序效果，本实施例中，还在向大型语言模型2A获取待处理任务时，通过调整提示内容进一步让大型语言模型2A对待处理任务进行分类，得到任务类别，比如“工作”，“学习”，“个人”等，以便于后续排序过程中依照任务类别来调整排序。但是，考虑到大型语言模型2A在多次的输出过程中，对于标签的表述可能发生偏移，进而影响后续排序准确度的问题，本实施例中，还进一步的通过标签校准模块24依照预先配置的类别模板进行匹配，随后对任务类别映射至模板中的标准表述再输出。

在一个实施例中，如图5所示，任务推荐模块3包括：

向量转换模块31，向量转换模块31接收待处理任务，向量转换模块31对待处理任务进行识别以转换得到任务向量；

任务历史匹配模块32，任务历史匹配模块32连接向量转换模块31，任务历史匹配模块32将任务向量与历史任务进行匹配以获取匹配历史任务；

优先级确定模块33，优先级确定模块33连接任务历史匹配模块32，优先级确定模块33依照匹配历史任务对应的任务处理顺序确定待处理任务的优先级；

排序模块34，排序模块34连接优先级确定模块33，排序模块34依照优先级生成任务推荐顺序。

具体地，为实现较为准确的推荐效果，本实施例中，将用户往期的日程安排以及任务处理的顺序作为历史任务进行存储，该部分历史任务通过多个维度来描述任务的属性。当接收到待处理任务后，向量转换模块31对待处理任务进行识别以转换得到任务向量，随后任务历史匹配模块32将任务向量与历史任务进行匹配以获取属性相对接近的匹配历史任务，再由优先级确定模块33依照匹配历史任务对应的任务处理顺序确定待处理任务的优先级，使得排序模块34生成的任务推荐顺序更为符合用户的排序习惯。

在一个实施例中，如图6所示，优先级确定模块33包括：

任务提取模块331，任务提取模块331获取匹配历史任务的任务处理时间段，随后依照任务处理时间段获取重合的待比较任务；

属性提取模块332，属性提取模块332连接任务提取模块331，属性提取模块332对待比较任务进行分类得到任务属性；

顺序预测模块333，顺序预测模块333连接属性提取模块332，顺序预测模块333依照任务属性对匹配历史任务和待比较任务进行比较，预测得到匹配历史任务的历史优先级，将历史优先级作为优先级输出。

具体地，为实现较为准确的优先级确定效果，本实施例中，先通过任务提取模块331获取匹配历史任务的任务处理时间段，随后依照任务处理时间段获取重合的待比较任务，随后，属性提取模块332对待比较任务进行分类得到任务属性，该任务属性用于表征该时间段上不同的任务，随后，顺序预测模块333依照任务属性对匹配历史任务和待比较任务进行比较，获取到实际匹配的历史任务，并依照用户处理该任务时的先后顺序来预测得到匹配历史任务的历史优先级，将历史优先级作为优先级输出。

在一个实施例中，如图7所示，日程安排模块4包括：

日程存储模块41，日程存储模块41中预先存储有当前用户的日程表；

序列提取模块42，序列提取模块42连接日程存储模块41，序列提取模块42自日程表中提取待调整任务序列；

序列重排模块43，序列重排模块43分别连接序列提取模块41和日程存储模块43，序列重排模块43依照任务推荐顺序，对待调整任务序列中依次插入待处理任务，形成调整后任务序列；

序列重排模块43将调整后任务序列输入日程表。

具体地，为实现较好的排序效果，本实施例中，在确定了任务推荐顺序后，针对已经生成的日程表，序列提取模块42自日程表中对所有的任务进行提取，形成待调整任务序列，随后，序列重排模块43依照任务推荐顺序，对待调整任务序列中依次插入待处理任务，并使得各项任务在时序上不重合，形成调整后任务序列，再填入日程表中，该日程表用于在达到特定时间点时，触发对应的日程提醒来告知用户。

在一个实施例中，如图8所示，日程安排模块4还包括：

语音交互模块44，语音交互模块44连接序列重排模块43，语音交互模块44响应外部输入的语音指令对待处理任务在调整后任务序列中的位置进行调整。

具体地，为实现较好的排序效果，本实施例中，还引入了语音交互模块44，语音交互模块44能够依照用户输入的语音指令对待处理任务在调整后任务序列中的位置进行调整，实现对日程表更好的自定义效果。

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。