本技术涉及互联网，尤其涉及一种基于人工智能的决策支持方法、装置、设备及介质。
背景技术：
1、随着科学技术的迅猛发展，决策支持系统的应用范围正日益扩大，使用也变得越来越普及。决策支持系统是推动决策科学化和现代化的重要力量。
2、然而，现有的决策支持系统的智能化程度较低，无法理解当前项目的当前数据，也无法获取到当前项目的决策支持信息，这会导致决策者对当前项目做出决策时缺乏决策支持信息，不利于提高当前项目的决策支持效率。因此，如何获取当前项目的决策支持信息，是一个亟需解决的问题。
技术实现思路
1、本技术实施例提供一种基于人工智能的决策支持方法、装置、设备及介质，以解决上述如何获取当前项目的决策支持信息的技术问题。
2、第一方面，本技术实施例提供了一种基于人工智能的决策支持方法，应用于电子设备，所述电子设备存储有深度学习模型，所述决策支持方法包括：
3、获取决策支持系统的预设项目，获取所述预设项目的预设数据和标注信息，将所述预设数据以及所述标注信息组成一个项目案例，将多个所述项目案例组成所述深度学习模型的训练集，所述标注信息包括所述预设数据对应的预设决策和预设建议；
4、将所述预设数据的特征向量输入到所述深度学习模型中，获取所述深度学习模型基于所述预设数据的特征向量输出的第一预测结果，所述第一预测结果包括预测决策和预测建议；
5、根据所述预设决策和所述预测决策之间的第一交叉熵损失值、所述预设建议和所述预测建议之间的第二交叉熵损失值、预设的第一权重系数、预设的第二权重系数以及总体损失值生成模型，生成所述第一预测结果的总体损失值；
6、基于所述总体损失值优化所述深度学习模型的模型参数，基于优化后的所述模型参数和所述训练集的所述项目案例迭代训练所述深度学习模型；
7、当所述总体损失值小于预设值时，停止训练所述深度学习模型，输出训练完成的所述深度学习模型；
8、获取所述决策支持系统的当前项目，获取所述当前项目的当前数据；
9、将所述当前数据的特征向量输入到训练完成的所述深度学习模型中，获取训练完成的所述深度学习模型基于所述当前数据的特征向量输出的第二预测结果，将所述第二预测结果设置为所述当前项目的决策支持信息，所述第二预测结果包括当前决策和当前建议。
10、示例性地，所述总体损失值生成模型为：
11、loss＝w1*loss1+w2*loss2；
12、其中，所述loss为总体损失值，所述w1是所述第一权重系数，所述w2是所述第二权重系数，所述w1、所述w2的和为1；
13、其中，所述loss1为所述第一交叉熵损失值，所述loss1越大，所述预设决策和所述预测决策的差异越大，所述loss1越小，所述预设决策和所述预测决策的差异越小；
14、其中，所述loss2为所述第二交叉熵损失值，所述loss2越大，所述预设建议和所述预测建议的差异越大，所述loss2越小，所述预设建议和所述预测建议的差异越小。
15、示例性地，在所述将所述当前数据的特征向量输入到训练完成的所述深度学习模型中，获取训练完成的所述深度学习模型基于所述当前数据的特征向量输出的第二预测结果，将所述第二预测结果设置为所述当前项目的决策支持信息之后，所述决策支持方法，还包括：
16、记录所述决策支持信息的输出时间，在预设时间段内，获取所述当前项目在所述输出时间后的投资回报率、市场占有率、市场增长率；
17、获取所述当前项目在所述输出时间前的预设占有率、预设占有率、预设增长率；
18、根据所述投资回报率与所述预设回报率的比值、所述市场占有率与所述预设占有率的比值、所述市场增长率与所述预设增长率的比值以及评估分数生成模型，生成所述决策支持信息的评估分数；
19、当所述评估分数大于预设分数时，将所述决策支持信息识别为有效信息。
20、示例性地，所述评估分数生成模型，包括：
21、f＝λ*f1+(1―λ)*(f2+f3)；
22、其中，f为所述评估分数，λ为预设的影响因子，f1为所述投资回报率与所述预设回报率的比值，f2为所述市场占有率与所述预设占有率的比值，f3为所述市场增长率与所述预设增长率的比值。
23、在第一方面的一种可能的实现方式中，所述根据所述预设决策和所述预测决策之间的第一交叉熵损失值、所述预设建议和所述预测建议之间的第二交叉熵损失值、预设的第一权重系数、预设的第二权重系数以及总体损失值生成模型，生成所述第一预测结果的总体损失值，包括：
24、采用预设的交叉熵损失函数，分别计算所述预设决策和所述预测决策之间的所述第一交叉熵损失值、所述预设建议和所述预测建议之间的所述第二交叉熵损失值；
25、根据所述第一交叉熵损失值、所述第二交叉熵损失值、所述第一权重系数、所述第二权重系数以及所述总体损失值生成模型，得到所述总体损失值。
26、在第一方面的一种可能的实现方式中，在所述将所述当前数据的特征向量输入到训练完成的所述深度学习模型中，获取训练完成的所述深度学习模型基于所述当前数据的特征向量输出的第二预测结果，将所述第二预测结果设置为所述当前项目的决策支持信息之后，所述决策支持方法，还包括：
27、记录所述决策支持信息的输出时间，获取所述当前项目在所述输出时间后的投资回报率；
28、判断所述当前项目的投资回报率是否大于所述输出时间前的预设回报率；
29、当所述投资回报率不大于所述预设回报率时，在所述决策支持系统的预设页面上，显示预设的提醒消息。
30、在第一方面的一种可能的实现方式中，在所述将所述当前数据的特征向量输入到训练完成的所述深度学习模型中，获取训练完成的所述深度学习模型基于所述当前数据的特征向量输出的第二预测结果，将所述第二预测结果设置为所述当前项目的决策支持信息之后，所述决策支持方法，还包括：
31、获取所述当前项目的参考资料，显示所述参考资料，所述参考资料包括市场分析报告、商业计划书草案、风险评估报告、数据可视化图表、案例库中的其中一种或其组合。
32、在第一方面的一种可能的实现方式中，在所述将所述当前数据的特征向量输入到训练完成的所述深度学习模型中，获取训练完成的所述深度学习模型基于所述当前数据的特征向量输出的第二预测结果，将所述第二预测结果设置为所述当前项目的决策支持信息之后，所述决策支持方法，还包括：
33、在所述决策支持系统的预设页面上显示所述决策支持信息。
34、在第一方面的一种可能的实现方式中，在所述将所述当前数据的特征向量输入到训练完成的所述深度学习模型中，获取训练完成的所述深度学习模型基于所述当前数据的特征向量输出的第二预测结果，将所述第二预测结果设置为所述当前项目的决策支持信息之后，所述决策支持方法，还包括：
35、获取所述决策支持系统的评价页面，向用户设备推送所述评价页面；
36、获取所述用户设备在所述评价页面上输入的评价信息，存储所述评价信息。
37、在第一方面的一种可能的实现方式中，所述预设数据包括预设的行业类型、预设的投资轮次、预设的融资金额、预设的员工数量、预设的月度活跃用户数、预设的季度收入中的其中一种或其组合；
38、所述当前数据包括当前的行业类型、当前的投资轮次、当前的融资金额、当前的员工数量、当前的月度活跃用户数、当前的季度收入中的其中一种或其组合。
39、第二方面，本技术实施例提供了一种基于人工智能的决策支持装置，应用于电子设备，所述电子设备存储有深度学习模型，包括：
40、第一获取模块，用于获取决策支持系统的预设项目，获取所述预设项目的预设数据和标注信息，将所述预设数据以及所述标注信息组成一个项目案例，将多个所述项目案例组成所述深度学习模型的训练集，所述标注信息包括所述预设数据对应的预设决策和预设建议；
41、第二获取模块，用于将所述预设数据的特征向量输入到所述深度学习模型中，获取所述深度学习模型基于所述预设数据的特征向量输出的第一预测结果，所述第一预测结果包括预测决策和预测建议；
42、生成模块，用于根据所述预设决策和所述预测决策之间的第一交叉熵损失值、所述预设建议和所述预测建议之间的第二交叉熵损失值、预设的第一权重系数、预设的第二权重系数以及总体损失值生成模型，生成所述第一预测结果的总体损失值；
43、训练模块，用于基于所述总体损失值优化所述深度学习模型的模型参数，基于优化后的所述模型参数和所述训练集的所述项目案例迭代训练所述深度学习模型；
44、输出模块，用于当所述总体损失值小于预设值时，停止训练所述深度学习模型，输出训练完成的所述深度学习模型；
45、第三获取模块，用于获取所述决策支持系统的当前项目，获取所述当前项目的当前数据；
46、决策模块，用于将所述当前数据的特征向量输入到训练完成的所述深度学习模型中，获取训练完成的所述深度学习模型基于所述当前数据的特征向量输出的第二预测结果，将所述第二预测结果设置为所述当前项目的决策支持信息，所述第二预测结果包括当前决策和当前建议。
47、第三方面，本技术实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面的决策支持方法。
48、第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面的决策支持方法。
49、第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面的决策支持方法。
50、本技术实施例有益效果在于两方面，一方面，将所述当前数据的特征向量输入到训练完成的所述深度学习模型中，获取训练完成的所述深度学习模型基于所述当前数据的特征向量输出的第二预测结果，将所述第二预测结果设置为所述当前项目的决策支持信息，所述第二预测结果包括当前决策和当前建议，因此，电子设备能获取到当前项目的决策支持信息；另一方面，决策支持信息为当前项目的决策支持提供了强有力的数据支撑，能减少当前项目的决策时间，因此有利于提高当前项目的决策支持效率。
1.一种基于人工智能的决策支持方法，其特征在于，应用于电子设备，所述电子设备存储有深度学习模型，所述决策支持方法包括：
2.根据权利要求1所述的决策支持方法，其特征在于，所述根据所述预设决策和所述预测决策之间的第一交叉熵损失值、所述预设建议和所述预测建议之间的第二交叉熵损失值、预设的第一权重系数、预设的第二权重系数以及总体损失值生成模型，生成所述第一预测结果的总体损失值，包括：
3.根据权利要求1所述的决策支持方法，其特征在于，在所述将所述当前数据的特征向量输入到训练完成的所述深度学习模型中，获取训练完成的所述深度学习模型基于所述当前数据的特征向量输出的第二预测结果，将所述第二预测结果设置为所述当前项目的决策支持信息之后，所述决策支持方法，还包括：
4.根据权利要求1所述的决策支持方法，其特征在于，在所述将所述当前数据的特征向量输入到训练完成的所述深度学习模型中，获取训练完成的所述深度学习模型基于所述当前数据的特征向量输出的第二预测结果，将所述第二预测结果设置为所述当前项目的决策支持信息之后，所述决策支持方法，还包括：
5.根据权利要求1所述的决策支持方法，其特征在于，在所述将所述当前数据的特征向量输入到训练完成的所述深度学习模型中，获取训练完成的所述深度学习模型基于所述当前数据的特征向量输出的第二预测结果，将所述第二预测结果设置为所述当前项目的决策支持信息之后，所述决策支持方法，还包括：
6.根据权利要求1所述的决策支持方法，其特征在于，在所述将所述当前数据的特征向量输入到训练完成的所述深度学习模型中，获取训练完成的所述深度学习模型基于所述当前数据的特征向量输出的第二预测结果，将所述第二预测结果设置为所述当前项目的决策支持信息之后，所述决策支持方法，还包括：
7.根据权利要求1至6任一项所述的决策支持方法，其特征在于，所述预设数据包括预设的行业类型、预设的投资轮次、预设的融资金额、预设的员工数量、预设的月度活跃用户数、预设的季度收入中的其中一种或其组合；
8.一种基于人工智能的决策支持装置，其特征在于，应用于电子设备，所述电子设备存储有深度学习模型，包括：
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的决策支持方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的决策支持方法。
