CN107341753A - 基于机器学习的政务精简方法 - Google Patents

基于机器学习的政务精简方法 Download PDF

Info

Publication number
CN107341753A
CN107341753A CN201710537691.2A CN201710537691A CN107341753A CN 107341753 A CN107341753 A CN 107341753A CN 201710537691 A CN201710537691 A CN 201710537691A CN 107341753 A CN107341753 A CN 107341753A
Authority
CN
China
Prior art keywords
government affairs
machine learning
compressing method
option
riffle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710537691.2A
Other languages
English (en)
Inventor
田洪川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Masukuni Clouds Technology Co Ltd
Original Assignee
Sichuan Masukuni Clouds Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Masukuni Clouds Technology Co Ltd filed Critical Sichuan Masukuni Clouds Technology Co Ltd
Priority to CN201710537691.2A priority Critical patent/CN107341753A/zh
Publication of CN107341753A publication Critical patent/CN107341753A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于机器学习的政务精简方法，包括以下步骤：S1：收集各个部门办理政务的表格，并生成数据库；S2：对所有表格数据库中的所有选项进行SVM机器学习；S3：SVM机器学习后对每一个表格选项生成二分器；S4：当一个表格选项的二分器出现“否”的比例大于阈值时，将该表格选项从表格上移除，并更新各个部门办理政务的表格。本发明基于机器学习的政务精简方法，通过SVM机器学习发现极少使用，甚至不使用的表格上的选项，并将这些选项删除，从而达到精简政务的目的，降低了政务成本，提高了政务处理效率。

Description

基于机器学习的政务精简方法
技术领域
本发明涉及电子政务领域，具体涉及基于机器学习的政务精简方法。
背景技术
2013年以来，为落实国务院关于加快转变政府职能、简政放权的工作部署，发展改革委会同有关方面通过修订政府核准的投资项目目录大幅减少核准事项，通过修订核准办法努力提高办事效率，通过探索建立纵横联动协管机制加强事中事后监管，改革成效逐步显现。但是，企业投资项目核准仍然存在前置审批手续繁杂、效率低下，依附于前置审批的中介服务行为不规范、收费不合理等突出问题，根本原因是政府管理理念转变滞后，职能转变不到位，仍然习惯于以事前审批代替事中事后监管。因此，深化改革企业投资项目核准制度势在必行，刻不容缓。
目前办理政务时，个人或企业往往需要填繁复的表格，表格上很多内容在政务审查时用不到，但是办理起来却非常麻烦，这样就提高了政务成本，降低了政务处理效率。
发明内容
本发明所要解决的技术问题是目前政务处理需要填写很多无用的表格选项，从而提高了政务成本，降低了政务处理效率，目的在于提供基于机器学习的政务精简方法，解决上述问题。
本发明通过下述技术方案实现：
基于机器学习的政务精简方法，包括以下步骤：S1：收集各个部门办理政务的表格，并生成数据库；S2：对所有表格数据库中的所有选项进行SVM机器学习；S3：SVM机器学习后对每一个表格选项生成二分器；S4：当一个表格选项的二分器出现“否”的比例大于阈值时，将该表格选项从表格上移除，并更新各个部门办理政务的表格。
现有技术中，办理政务时，个人或企业往往需要填繁复的表格，表格上很多内容在政务审查时用不到，但是办理起来却非常麻烦，这样就提高了政务成本，降低了政务处理效率。本发明应用时，先收集各个部门办理政务的表格，并生成数据库，再对所有表格数据库中的所有选项进行SVM机器学习，然后SVM机器学习后对每一个表格选项生成二分器，再然后当一个表格选项的二分器出现“否”的比例大于阈值时，将该表格选项从表格上移除，并更新各个部门办理政务的表格，从而通过SVM机器学习发现极少使用，甚至不使用的表格上的选项，并将这些选项删除，从而达到精简政务的目的，降低了政务成本，提高了政务处理效率。
进一步的，本发明还包括以下步骤：S5：各个部门更新后的表格使用后，将使用后的表格加入数据库并执行S2。
本发明应用时，实时对数据库进行更新并进行再次学习，使得出现不需要的表格选项时，可以及时的发现，并进行删除，进一步的提高了政务处理速度。
进一步的，所述SVM机器学习采用线性核函数。
进一步的，所述二分器用于判断该表格选项是否在任意政务环节被使用。
进一步的，所述阈值采用0.1％～0.5％。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明基于机器学习的政务精简方法，通过SVM机器学习发现极少使用，甚至不使用的表格上的选项，并将这些选项删除，从而达到精简政务的目的，降低了政务成本，提高了政务处理效率。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明方法步骤示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例
如图1所示，本发明基于机器学习的政务精简方法，基于机器学习的政务精简方法，包括以下步骤：S1：收集各个部门办理政务的表格，并生成数据库；S2：对所有表格数据库中的所有选项进行SVM机器学习；S3：SVM机器学习后对每一个表格选项生成二分器；S4：当一个表格选项的二分器出现“否”的比例大于阈值时，将该表格选项从表格上移除，并更新各个部门办理政务的表格。本发明还包括以下步骤：S5：各个部门更新后的表格使用后，将使用后的表格加入数据库并执行S2。所述SVM机器学习采用线性核函数。所述二分器用于判断该表格选项是否在任意政务环节被使用。所述阈值采用0.1％～0.5％。
本实施例实施时，先收集各个部门办理政务的表格，并生成数据库，再对所有表格数据库中的所有选项进行SVM机器学习，然后SVM机器学习后对每一个表格选项生成二分器，再然后当一个表格选项的二分器出现“否”的比例大于阈值时，将该表格选项从表格上移除，并更新各个部门办理政务的表格，从而通过SVM机器学习发现极少使用，甚至不使用的表格上的选项，并将这些选项删除，从而达到精简政务的目的，降低了政务成本，提高了政务处理效率。实时对数据库进行更新并进行再次学习，使得出现不需要的表格选项时，可以及时的发现，并进行删除，进一步的提高了政务处理速度。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于机器学习的政务精简方法，其特征在于，包括以下步骤：
S1：收集各个部门办理政务的表格，并生成数据库；
S2：对所有表格数据库中的所有选项进行SVM机器学习；
S3：SVM机器学习后对每一个表格选项生成二分器；
S4：当一个表格选项的二分器出现“否”的比例大于阈值时，将该表格选项从表格上移除，并更新各个部门办理政务的表格。
2.根据权利要求1所述的基于机器学习的政务精简方法，其特征在于，还包括以下步骤：
S5：各个部门更新后的表格使用后，将使用后的表格加入数据库并执行S2。
3.根据权利要求1所述的基于机器学习的政务精简方法，其特征在于，
所述SVM机器学习采用线性核函数。
4.根据权利要求1所述的基于机器学习的政务精简方法，其特征在于，
所述二分器用于判断该表格选项是否在任意政务环节被使用。
5.根据权利要求1所述的基于机器学习的政务精简方法，其特征在于，
所述阈值采用0.1％～0.5％。
CN201710537691.2A 2017-07-04 2017-07-04 基于机器学习的政务精简方法 Pending CN107341753A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710537691.2A CN107341753A (zh) 2017-07-04 2017-07-04 基于机器学习的政务精简方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710537691.2A CN107341753A (zh) 2017-07-04 2017-07-04 基于机器学习的政务精简方法

Publications (1)

Publication Number Publication Date
CN107341753A true CN107341753A (zh) 2017-11-10

Family

ID=60219033

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710537691.2A Pending CN107341753A (zh) 2017-07-04 2017-07-04 基于机器学习的政务精简方法

Country Status (1)

Country Link
CN (1) CN107341753A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101257671A (zh) * 2007-07-06 2008-09-03 浙江大学 基于内容的大规模垃圾短信实时过滤方法
CN101288044A (zh) * 2005-10-17 2008-10-15 松下电器产业株式会社 功能操作画面显示控制方法
CN103019511A (zh) * 2012-11-29 2013-04-03 广东欧珀移动通信有限公司 一种移动终端选项图标的设置方法及系统
CN103080901A (zh) * 2010-09-06 2013-05-01 国际商业机器公司 管理应用程序的用户界面
CN104127195A (zh) * 2014-07-29 2014-11-05 杭州电子科技大学 一种融合脑电和心电信号的疲劳驾驶检测方法
US20160180266A1 (en) * 2014-12-19 2016-06-23 Tata Consultancy Services Limited Using social media for improving supply chain performance
CN105868353A (zh) * 2016-03-29 2016-08-17 努比亚技术有限公司 一种照片清理方法及终端

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101288044A (zh) * 2005-10-17 2008-10-15 松下电器产业株式会社 功能操作画面显示控制方法
CN101257671A (zh) * 2007-07-06 2008-09-03 浙江大学 基于内容的大规模垃圾短信实时过滤方法
CN103080901A (zh) * 2010-09-06 2013-05-01 国际商业机器公司 管理应用程序的用户界面
CN103019511A (zh) * 2012-11-29 2013-04-03 广东欧珀移动通信有限公司 一种移动终端选项图标的设置方法及系统
CN104127195A (zh) * 2014-07-29 2014-11-05 杭州电子科技大学 一种融合脑电和心电信号的疲劳驾驶检测方法
US20160180266A1 (en) * 2014-12-19 2016-06-23 Tata Consultancy Services Limited Using social media for improving supply chain performance
CN105868353A (zh) * 2016-03-29 2016-08-17 努比亚技术有限公司 一种照片清理方法及终端

Similar Documents

Publication Publication Date Title
Nazemi A neural network model for solving convex quadratic programming problems with some applications
Wang et al. Delay-dependent non-fragile robust stabilization and H∞ control of uncertain stochastic systems with time-varying delay and nonlinearity
Zhou Intersection numbers on Deligne-Mumford moduli spaces and quantum Airy curve
CN102915344A (zh) 一种sql语句处理方法及装置
Meng et al. Induced Atanassov’s interval-valued intuitionistic fuzzy hybrid Choquet integral operators and their application in decision making
CN107341753A (zh) 基于机器学习的政务精简方法
Pei et al. Attribute reduction in fuzzy decision formal contexts
CN107194673A (zh) 采用svm技术的政务处理系统
CN105224321A (zh) 实体双边匹配方法及系统
Zhang New explicit balanced schemes for SDEs with locally Lipschitz coefficients
Park et al. A generalized intuitionistic fuzzy soft set theoretic approach to decision making problems
Liu et al. A new fuzzy lyapunov function approach to stability analysis and control synthesis for Takagi-Sugeno fuzzy systems
Sinan Güntürk et al. Approximation with one-bit polynomials in Bernstein form
Yuezhen Niu et al. Recurrent neural networks in the eye of differential equations
Li et al. Terminal value problem for a generalized fractional ordinary differential equation
Csaba László Forward-backward algorithms with different inertial terms for structured non-convex minimization problems
Atangana et al. Analysis of nonlinear ordinary differential equations with the generalized Mittag-Leffler kernel
Carvalho Melo et al. Learning Humanoid Robot Motions Through Deep Neural Networks
Kiyoiti dos Santos Tanaka et al. Data Augmentation Using GANs
Lakshmi VSV et al. A mathematical analysis for pneumonia model with carrier state
Lu et al. Inversion Identification of Groundwater DNAPLs Contamination Sources
Costanzo et al. Determination of distinct dynamical process in the flow using machine learning
Rao et al. On extension of closed complex (basic) differential forms:(basic) Hodge numbers and (transversely) $ p $-Kähler structures
Soeren Krausshar Function Theories in Cayley-Dickson algebras and Number Theory
Blondin et al. VizieR Online Data Catalog: Effective collision strengths for Ni III (Blondin+, 2023)

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171110