CN109146152A - 一种线上事故等级预测方法和装置 - Google Patents
一种线上事故等级预测方法和装置 Download PDFInfo
- Publication number
- CN109146152A CN109146152A CN201810862822.9A CN201810862822A CN109146152A CN 109146152 A CN109146152 A CN 109146152A CN 201810862822 A CN201810862822 A CN 201810862822A CN 109146152 A CN109146152 A CN 109146152A
- Authority
- CN
- China
- Prior art keywords
- text data
- accident
- layers
- layer
- line
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000001351 cycling effect Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 33
- 210000005036 nerve Anatomy 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 230000006854 communication Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 238000009414 blockwork Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了线上事故等级预测方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:获取当前线上事故上报的文本数据;通过预设的预测模型,根据当前线上事故上报的文本数据预测事故等级;其中,预测模型包括嵌入层、Dropout层、两层双向门限循环单元、池化层、拼接层和全连接层。该实施方式能够解决现有技术无法对线上事故无法进行快捷、精准的等级预测的问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种线上事故等级预测方法和装置。
背景技术
基于线上事故上报系统中,关于线上事故上报的文本描述,给出该事故的定级,例如:特大事故、重大事故、严重事故、一般事故、轻微事故。文本描述包括对事故时间、过程原因等信息。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
目前,对于评估事故等级现有的技术更多依赖于人工化,如果想准确了解事故情况具有较高的难度。另外,事故上报表达口语化较严重,影响评判效果。而现有的的关于文本分类的方式,只是简单的利用TF-IDF特征,且只是权重计算,不能很好的解决实际问题中不同背景的分类问题。其中,TF-IDF(term frequency–inverse document frequency)是一种用于信息检索与数据挖掘的常用加权技术。
发明内容
有鉴于此,本发明实施例提供一种线上事故等级预测方法和装置,能够解决现有技术无法对线上事故无法进行快捷、精准的等级预测的问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种线上事故等级预测方法,包括获取当前线上事故上报的文本数据;通过预设的预测模型,根据当前线上事故上报的文本数据预测事故等级;其中,预测模型包括嵌入层、Dropout层、两层双向门限循环单元、池化层、拼接层和全连接层。
可选地,通过预设的预测模型,根据当前线上事故上报的文本数据预测事故等级之前,包括:
对当前线上事故上报的文本数据进行分词处理和去除停用词处理,以对处理后的文本数据进行标准化处理;
通过word2vec模型对词进行词向量处理。
可选地,所述预测模型,包括:
将线上事故上报的文本数据输入至嵌入层,以将所述文本数据转换为预设规则的词向量;
通过Dropout层随机去除部分神经元,进而通过两层双向门限循环单元提取上下文信息和全局信息;
再经过池化层获得描述更有效的词,通过拼接层和全连接层分别将两个及以上的特征图进行拼接,和进行训练迭代。
可选地,所述Dropout层采用SpatialDropout1D,以将词向量加入dropout,以随机去除部分神经元。
可选地,所述池化层包括最大池化层、平均池化层和Attention层;
其中,利用最大池化层和平均池化层获取线上事故上报的文本数据中描述最有效的词;同时加入至Attention层,以选择线上事故上报的文本数据中描述更有效的词语。
另外,根据本发明实施例的一个方面,提供了一种线上事故等级预测装置,包括获取模块,用于获取当前线上事故上报的文本数据;预测模块,用于通过预设的预测模型,根据当前线上事故上报的文本数据预测事故等级;其中,预测模型包括嵌入层、Dropout层、两层双向门限循环单元、池化层、拼接层和全连接层。
可选地,所述获取模块,还用于:
对当前线上事故上报的文本数据进行分词处理和去除停用词处理,以对处理后的文本数据进行标准化处理;
通过word2vec模型对词进行词向量处理。
可选地,所述预测模型,包括:
将线上事故上报的文本数据输入至嵌入层,以将所述文本数据转换为预设规则的词向量;
通过Dropout层随机去除部分神经元,进而通过两层双向门限循环单元提取上下文信息和全局信息;
再经过池化层获得描述更有效的词,通过拼接层和全连接层分别将两个及以上的特征图进行拼接,和进行训练迭代。
可选地,所述Dropout层采用SpatialDropout1D,以将词向量加入dropout,以随机去除部分神经元。
可选地,所述池化层包括最大池化层、平均池化层和Attention层;
其中,利用最大池化层和平均池化层获取线上事故上报的文本数据中描述最有效的词;同时加入至Attention层,以选择线上事故上报的文本数据中描述更有效的词语。
根据本发明实施例的另一个方面,还提供了一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述任一线上事故等级预测实施例所述的方法。
根据本发明实施例的另一个方面,还提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现上述任一基于线上事故等级预测实施例所述的方法。
上述发明中的一个实施例具有如下优点或有益效果:本发明通过预设的预测模型,根据当前线上事故上报的文本数据预测事故等级。而所述的预测模型包括嵌入层、Dropout层、两层双向门限循环单元、池化层、拼接层和全连接层。从而,本发明利用基于注意力机制的TextRNN模型实现了线上事故等级的预测。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的线上事故等级预测方法的主要流程的示意图;
图2是根据本发明可参考实施例的线上事故等级预测方法的主要流程的示意图;
图3是根据本发明可参考实施例的改进的基于注意力机制的TextRNN模型的示意图;
图4是根据本发明实施例的线上事故等级预测装置的主要模块的示意图;
图5是本发明实施例可以应用于其中的示例性系统架构图;
图6是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明实施例的线上事故等级预测方法的主要流程的示意图,所述线上事故等级预测方法可以包括:
步骤S101,获取当前线上事故上报的文本数据。
较佳地,当获取了线上事故上报的文本数据之后,可以对所述的文本数据进行预处理。优选地,对文本数据进行分词处理和去除停用词处理,然后再进行标准化处理,最后通过word2vec模型对词进行词向量处理。
其中,所述的word2vec是为一群用来产生词向量的相关模型,是Google于2013年提出的一个用户获取词向量的算法包。
步骤S102,通过预设的预测模型,根据当前线上事故上报的文本数据预测事故等级。
其中,预测模型包括嵌入层、Dropout层、两层双向门限循环单元、池化层、拼接层和全连接层。
在一个较佳地实施例中,可以将线上事故上报的文本数据输入至嵌入层,以将所述文本数据转换为预设规则的词向量。通过Dropout层随机去除部分神经元,进而通过两层双向门限循环单元提取上下文信息和全局信息。再经过池化层获得描述更有效的词,通过拼接层和全连接层分别将两个及以上的特征图进行拼接,和进行训练迭代。
优选地,所述Dropout层采用SpatialDropout1D,以将词向量加入dropout,以随机去除部分神经元。其中,SpatialDropout1D断开的是输入特征的图,而不是单个神经元。例如:一张特征图的相邻像素之前有很强的相关性(通常发生在低层的卷积层中),这种情况下,SpatialDropout1D可以帮助提高特征图之间的独立性。
还值得说明的是,所述池化层包括最大池化层、平均池化层和Attention层。其中,利用最大池化层和平均池化层获取线上事故上报的文本数据中描述最有效的词。同时加入至Attention层,以选择线上事故上报的文本数据中描述更有效的词语。
其中,Attention层为Attention机制是注意力机制,是对每个词进行赋予权值,当权值越大,则该词对于当前识别的贡献度就越大,该操作可以更有效选择对于事故等级预测最有效的词,大大提高模型的准确率。
根据上面所述的各种实施例,本发明利用并改进现有的自然语言处理技术,结合深度学习的方法,对于线上事故文本记录自动判断给出事故的等级预测,可以有效地减轻任何审核的负担。同时,也可以发现不同事故在事故定级时的倾向或习惯性偏差、错误等,提高线上事故定级质量。
图2是根据本发明可参考实施例的线上事故等级预测方法的主要流程的示意图,所述线上事故等级预测方法还可以包括:
步骤S201,获取历史线上事故上报文本数据。
在实施例中,获得的历史线上事故上报文本数据是包括有N个事故的上报文本数据。当然,可以预先设置获取的事故的数量,即N的数值。
步骤S202,对历史线上事故上报文本数据进行预处理。
在实施例中,在对历史线上事故上报的文本数据预处理时,可以进行分词处理、去除停用词处理以及补齐处理,进而使得每个历史线上事故的上报的文本数据都为预设数量的词(例如:400个词),最后还可以对每个历史线上事故上报的词进行词向量处理。
较佳地,使用word2vec模型对词进行词向量处理。在该实施例中,通过word2vec模型对于每一个单词都训练出一个M维(例如:300维)的向量,同时过滤掉一些低词频的词,即过滤掉出现次数较低的词。
在进一步地实施例中,对于事故的文本数据进行分词处理,可以采用基于词典分词算法(例如:正向最大匹配法、逆向最大匹配法或者双向匹配分词法等等)、基于统计的机器学习算法(例如:HMM、CRF、SVM或深度学习等等)等等算法。
优选地,由于经过分词后的每个事故的文本数据长度不一,最长的可能达到几千词,最少的可能只有几十个词。因此,对经过分词后的每个事故的文本数据进行标准化处理,即选取预设数量的词,例如预设数量为400词。值得说明的是,对于事故的文本数据中的词小于预设数量时,则对该事故的文本数据进行补零操作。而对于事故的文本数据中的词大于或等于预设数量时,则从起始处开始选取预设数量的词。
更进一步地实施例,对进行完分词处理的文本数据去除停用词,其中所述的停用词是指在信息检索中,为节省存储空间和提高搜索效率,在处理自然语言数据(或文本)之前或之后会自动过滤掉某些字或词,这些字或词即被称为Stop Words(停用词)。这些停用词可以通过预先设置好,生成后的停用词会形成一个停用词表。也就是说,在实施例中可以根据预设的停用词表,对进行完分词处理的每个事故的文本数据进行停用词的去除。
步骤S203,根据预处理后的历史线上事故上报文本数据,对改进的基于注意力机制的TextRNN模型进行训练和评估,以获得确定的预.模型。
在实施例中,对预处理后的历史线上事故上报文本数据进行划分,获得作为训练模型的训练集以及作为验证模型的验证集。较佳地,将预处理后的历史线上事故上报文本数据的80%作为训练集训练模型,20%作为验证集验证模型的效果。
另外,可以对训练好的改进的基于注意力机制的TextRNN模型进行进行评估。较佳地,采用准确率作为其评估的标准。其中,所述的准确率是对于给定的测试数据集,分类器正确分类的样本数与总样本数之比。
作为进一步地实施例,改进的基于注意力机制的TextRNN模型包括,如图3所示:嵌入层(Embedding)、SpatialDropout1D层、两层Bi-GRU模型、池化层、Concat层和全连接(FC)层。
首先,预处理后的历史线上事故上报文本数据要输入至嵌入层(Embedding),可以将预处理后的每个历史线上事故上报的词向量转换为具有固定大小的向量。
然后,将嵌入层输出的词向量输入至SpatialDropout1D层,在可以将词向量加入dropout,以随机去除部分神经元。从而,通过SpatialDropout1D层能够提高泛化能力,即在加入了部分噪声以防止过拟合。
通过SpatialDropout1D层之后,通过两层Bi-GRU模型,可以提取更为深层次的上下文信息和全局信息,即可以从正序和逆序理解事故的上下文信息,更好地理解文本的含义。其中,Bi-GRU模型(双向门限循环单元)是利用双向的LSTM提取句子的上下文信息和全局信息。而LSTM(Long Short-Term Memory)是长短期记忆网络。
再者,经过两层Bi-GRU模型之后为池化层,其中池化层包括最大池化层MaxPooling,平均池化层AveragePooling和Attention层。具体地,利用最大池化层MaxPooling,平均池化层AveragePooling获取线上事故上报的文本数据中描述最有效的词,值得说明的是在这里通过最大池化层MaxPooling,平均池化层AveragePooling可以防止漏掉部分或者选择不准确的最有效的词。然后加入Attention层,可以更有效的选择对于线上事故上报的文本数据中描述更有效的词语。
可以看出,本发明的实施例结合Google提出的Attention算法,在MaxPooling层,加入Attention机制,捕捉RNN输出的更多的有效的信息,从而提高模型的准确性。
最后,就是Concat层(拼接层)和全连接层(FC Layer),而Concat层是将两个及以上的特征图进行拼接,而全连接层主要对文本进行训练迭代。
步骤S204,获取当前线上事故上报文本数据。
在实施例中,当发生新的线上事故时,可以获取当前线上事故上报的文本数据。
步骤S205,对当前线上事故上报文本数据进行预处理。
在实施例中,对当前线上事故上报文本数据的预处理可以参见步骤S202的具体实施过程,在此不进行重复说明了。
步骤S206,通过确定的预测模型,根据预处理后的当前线上事故上报文本数据预测事故等级。
图4是根据本发明实施例的线上事故等级预测装置,如图4所示,所述线上事故等级预测装置包括获取模块401和预测模型402。其中,获取模块401获取当前线上事故上报的文本数据。之后预测模块402通过预设的预测模型,根据当前线上事故上报的文本数据预测事故等级。其中,预测模型包括嵌入层、Dropout层、两层双向门限循环单元、池化层、拼接层和全连接层。
进一步地,所述预测模型可以将线上事故上报的文本数据输入至嵌入层,以将所述文本数据转换为预设规则的词向量。通过Dropout层随机去除部分神经元,进而通过两层双向门限循环单元提取上下文信息和全局信息。再经过池化层获得描述更有效的词,通过拼接层和全连接层分别将两个及以上的特征图进行拼接,和进行训练迭代。
较佳地,所述Dropout层采用SpatialDropout1D,以将词向量加入dropout,以随机去除部分神经元。
另外,所述池化层包括最大池化层,平均池化层和Attention层。其中,利用最大池化层和平均池化层获取线上事故上报的文本数据中描述最有效的词;同时加入至Attention层,以选择线上事故上报的文本数据中描述更有效的词语。
还值得说明的是,获取模块401可以对当前线上事故上报的文本数据进行分词处理和去除停用词处理,以对处理后的文本数据进行标准化处理。然后,通过word2vec模型对词进行词向量处理。也就是说,获取模块401实现了对线上事故上报的文本数据的预处理。
需要说明的是,在本发明所述线上事故等级预测装置的具体实施内容,在上面所述线上事故等级预测方法中已经详细说明了,故在此重复内容不再说明。
图5示出了可以应用本发明实施例的线上事故等级预测方法或线上事故等级预测装置的示例性系统架构500。或者图5示出了可以应用本发明实施例的线上事故等级预测方法或线上事故等级预测装置的示例性系统架构500。
如图5所示,系统架构500可以包括终端设备501、502、503,网络504和服务器505。网络504用以在终端设备501、502、503和服务器505之间提供通信链路的介质。网络504可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备501、502、503通过网络504与服务器505交互,以接收或发送消息等。终端设备501、502、503上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备501、502、503可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器505可以是提供各种服务的服务器,例如对用户利用终端设备501、502、503所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的线上事故等级预测方法一般由服务器505执行,相应地,线上事故等级预测装置一般设置于服务器505中。
应该理解,图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图6,其示出了适于用来实现本发明实施例的终端设备的计算机系统600的结构示意图。图6示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中,还存储有系统600操作所需的各种程序和数据。CPU601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括获取模块和预测模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:获取当前线上事故上报的文本数据;通过预设的预测模型,根据当前线上事故上报的文本数据预测事故等级;其中,预测模型包括嵌入层、Dropout层、两层双向门限循环单元、池化层、拼接层和全连接层。
根据本发明实施例的技术方案,能够解决现有技术无法对线上事故无法进行快捷、精准的等级预测的问题。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种线上事故等级预测方法,其特征在于,包括:
获取当前线上事故上报的文本数据;
通过预设的预测模型,根据当前线上事故上报的文本数据预测事故等级;其中,预测模型包括嵌入层、Dropout层、两层双向门限循环单元、池化层、拼接层和全连接层。
2.根据权利要求1所述的方法,其特征在于,通过预设的预测模型,根据当前线上事故上报的文本数据预测事故等级之前,包括:
对当前线上事故上报的文本数据进行分词处理和去除停用词处理,以对处理后的文本数据进行标准化处理;
通过word2vec模型对词进行词向量处理。
3.根据权利要求1所述的方法,其特征在于,所述预测模型,包括:
将线上事故上报的文本数据输入至嵌入层,以将所述文本数据转换为预设规则的词向量;
通过Dropout层随机去除部分神经元,进而通过两层双向门限循环单元提取上下文信息和全局信息;
再经过池化层获得描述更有效的词,通过拼接层和全连接层分别将两个及以上的特征图进行拼接,和进行训练迭代。
4.根据权利要求3所述的方法,其特征在于,所述Dropout层采用SpatialDropout1D,以将词向量加入dropout,以随机去除部分神经元。
5.根据权利要求3所述的方法,其特征在于,所述池化层包括最大池化层、平均池化层和Attention层;
其中,利用最大池化层和平均池化层获取线上事故上报的文本数据中描述最有效的词;同时加入至Attention层,以选择线上事故上报的文本数据中描述更有效的词语。
6.一种线上事故等级预测装置,其特征在于,包括:
获取模块,用于获取当前线上事故上报的文本数据;
预测模块,用于通过预设的预测模型,根据当前线上事故上报的文本数据预测事故等级;其中,预测模型包括嵌入层、Dropout层、两层双向门限循环单元、池化层、拼接层和全连接层。
7.根据权利要求6所述的装置,其特征在于,所述获取模块,还用于:
对当前线上事故上报的文本数据进行分词处理和去除停用词处理,以对处理后的文本数据进行标准化处理;
通过word2vec模型对词进行词向量处理。
8.根据权利要求6所述的装置,其特征在于,所述预测模型,包括:
将线上事故上报的文本数据输入至嵌入层,以将所述文本数据转换为预设规则的词向量;
通过Dropout层随机去除部分神经元,进而通过两层双向门限循环单元提取上下文信息和全局信息;
再经过池化层获得描述更有效的词,通过拼接层和全连接层分别将两个及以上的特征图进行拼接,和进行训练迭代。
9.根据权利要求8所述的装置,其特征在于,所述Dropout层采用SpatialDropout1D,以将词向量加入dropout,以随机去除部分神经元。
10.根据权利要求8所述的装置,其特征在于,所述池化层包括最大池化层、平均池化层和Attention层;
其中,利用最大池化层和平均池化层获取线上事故上报的文本数据中描述最有效的词;同时加入至Attention层,以选择线上事故上报的文本数据中描述更有效的词语。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810862822.9A CN109146152A (zh) | 2018-08-01 | 2018-08-01 | 一种线上事故等级预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810862822.9A CN109146152A (zh) | 2018-08-01 | 2018-08-01 | 一种线上事故等级预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109146152A true CN109146152A (zh) | 2019-01-04 |
Family
ID=64798539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810862822.9A Pending CN109146152A (zh) | 2018-08-01 | 2018-08-01 | 一种线上事故等级预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146152A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163470A (zh) * | 2019-04-04 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 事件评估方法及装置 |
CN110737773A (zh) * | 2019-10-17 | 2020-01-31 | 中国联合网络通信集团有限公司 | 一种基于神经网络的信息分类方法和系统 |
CN110853680A (zh) * | 2019-11-05 | 2020-02-28 | 河南工业大学 | 一种用于语音情感识别的具有多输入多融合策略的双BiLSTM结构 |
CN112417148A (zh) * | 2020-11-11 | 2021-02-26 | 北京京航计算通讯研究所 | 一种城市内涝舆情结果获得方法及装置 |
CN112818164A (zh) * | 2021-03-24 | 2021-05-18 | 平安科技(深圳)有限公司 | 音乐类型识别方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722775A (zh) * | 2012-05-16 | 2012-10-10 | 山西潞安环保能源开发股份有限公司 | 煤矿安全危机管理系统及方法 |
CN107025284A (zh) * | 2017-04-06 | 2017-08-08 | 中南大学 | 网络评论文本情感倾向的识别方法及卷积神经网络模型 |
CN108021679A (zh) * | 2017-12-07 | 2018-05-11 | 国网山东省电力公司电力科学研究院 | 一种并行化的电力设备缺陷文本分类方法 |
CN108334499A (zh) * | 2018-02-08 | 2018-07-27 | 海南云江科技有限公司 | 一种文本标签标注设备、方法和计算设备 |
-
2018
- 2018-08-01 CN CN201810862822.9A patent/CN109146152A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722775A (zh) * | 2012-05-16 | 2012-10-10 | 山西潞安环保能源开发股份有限公司 | 煤矿安全危机管理系统及方法 |
CN107025284A (zh) * | 2017-04-06 | 2017-08-08 | 中南大学 | 网络评论文本情感倾向的识别方法及卷积神经网络模型 |
CN108021679A (zh) * | 2017-12-07 | 2018-05-11 | 国网山东省电力公司电力科学研究院 | 一种并行化的电力设备缺陷文本分类方法 |
CN108334499A (zh) * | 2018-02-08 | 2018-07-27 | 海南云江科技有限公司 | 一种文本标签标注设备、方法和计算设备 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163470A (zh) * | 2019-04-04 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 事件评估方法及装置 |
CN110163470B (zh) * | 2019-04-04 | 2023-05-30 | 创新先进技术有限公司 | 事件评估方法及装置 |
CN110737773A (zh) * | 2019-10-17 | 2020-01-31 | 中国联合网络通信集团有限公司 | 一种基于神经网络的信息分类方法和系统 |
CN110737773B (zh) * | 2019-10-17 | 2022-06-10 | 中国联合网络通信集团有限公司 | 一种基于神经网络的信息分类方法和系统 |
CN110853680A (zh) * | 2019-11-05 | 2020-02-28 | 河南工业大学 | 一种用于语音情感识别的具有多输入多融合策略的双BiLSTM结构 |
CN110853680B (zh) * | 2019-11-05 | 2021-12-24 | 河南工业大学 | 一种具有多输入多融合策略的双BiLSTM的语音情感识别方法 |
CN112417148A (zh) * | 2020-11-11 | 2021-02-26 | 北京京航计算通讯研究所 | 一种城市内涝舆情结果获得方法及装置 |
CN112818164A (zh) * | 2021-03-24 | 2021-05-18 | 平安科技(深圳)有限公司 | 音乐类型识别方法、装置、设备及存储介质 |
CN112818164B (zh) * | 2021-03-24 | 2023-09-15 | 平安科技(深圳)有限公司 | 音乐类型识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146152A (zh) | 一种线上事故等级预测方法和装置 | |
CN108345702A (zh) | 实体推荐方法和装置 | |
CN109872162B (zh) | 一种处理用户投诉信息的风控分类识别方法及系统 | |
CN110163478A (zh) | 一种合同条款的风险审查方法及装置 | |
CN110968695A (zh) | 基于弱监督技术主动学习的智能标注方法、装置及平台 | |
CN108171276A (zh) | 用于生成信息的方法和装置 | |
CN111210335B (zh) | 用户风险识别方法、装置及电子设备 | |
JP2021504789A (ja) | Esg基盤の企業評価遂行装置及びその作動方法 | |
CN109871311A (zh) | 一种推荐测试用例的方法和装置 | |
CN110119445A (zh) | 生成特征向量和基于特征向量进行文本分类的方法和装置 | |
CN107943895A (zh) | 信息推送方法和装置 | |
CN110532352A (zh) | 文本查重方法及装置、计算机可读存储介质、电子设备 | |
US20220121668A1 (en) | Method for recommending document, electronic device and storage medium | |
CN108073708A (zh) | 信息输出方法和装置 | |
CN110516033A (zh) | 一种计算用户偏好的方法和装置 | |
CN109784352A (zh) | 一种评估分类模型的方法和装置 | |
CN109948141A (zh) | 一种提取特征词的方法和装置 | |
CN109684198B (zh) | 待测试数据获取方法、装置、介质、电子设备 | |
CN109902152A (zh) | 用于检索信息的方法和装置 | |
CN111737607B (zh) | 数据处理方法、装置、电子设备以及存储介质 | |
EP3901789A1 (en) | Method and apparatus for outputting information | |
CN113610625A (zh) | 逾期风险警示方法、装置及电子设备 | |
CN110929499B (zh) | 文本相似度获取方法、装置、介质及电子设备 | |
CN110390011A (zh) | 数据分类的方法和装置 | |
CN114036921A (zh) | 一种政策信息匹配方法和装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 101111 Room 221, 2nd Floor, Block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone Applicant after: Jingdong Digital Technology Holding Co., Ltd. Address before: 101111 Room 221, 2nd Floor, Block C, 18 Kechuang 11th Street, Beijing Economic and Technological Development Zone Applicant before: Beijing Jingdong Financial Technology Holding Co., Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |