CN110968776B - 政策知识的推荐方法、装置存储介质及处理器 - Google Patents
政策知识的推荐方法、装置存储介质及处理器 Download PDFInfo
- Publication number
- CN110968776B CN110968776B CN201811160723.2A CN201811160723A CN110968776B CN 110968776 B CN110968776 B CN 110968776B CN 201811160723 A CN201811160723 A CN 201811160723A CN 110968776 B CN110968776 B CN 110968776B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- policy
- statement
- file
- tag
- 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.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种政策知识的推荐方法，将政策咨询问题语句输入政策知识分类概率模型中，对政策咨询问题语句进行分类识别，得到政策咨询问题语句对应的至少一个知识标签以及每个知识标签匹配的概率，其中，政策知识分类概率模型为利用深度学习算法，对政策相关文件中的知识点语句进行分类学习所得到的，政策相关文件中的知识点语句预先基于知识标签体系进行了标注；根据政策咨询问题语句对应的知识标签以及每个知识标签匹配的概率，确定与政策咨询问题语句相关的政策相关文件和/或知识点语句；向用户推送相关的政策相关文件和/或知识点语句。本发明利用自然语言处理技术和机器学习技术，为用户提供更智能、准确和细致的政策知识服务。
Description
技术领域
本发明涉及数据处理技术领域，更具体的，涉及一种政策知识的推荐方法、装置、存储介质及处理器。
背景技术
政府网站提供法律、法规、政策、规划等各种公文的展示和相应政策解读文件的展示。分了使人们能在政府网站中快速找到想要的政策文件，政府网站通过网站搜索功能提供关键词检索、时间排序、标题排序等实用功能。在一些政府部门提供的专业网站，例如地方政府人力资源与社会保障局的创业就业指导中心网站上，还会对相关政策文件和解读文件进行分类，提供分类展示和分类检索的功能。
而对于不了解政策相关知识的人，仅通过分类、关键词检索等功能往往不能找到准确的政策文件。为了向人民群众提供更完整、更有条理和更准确的政策解读服务，还有部分政府网站提供问答的方式，通过用户的问题与问答系统中的问题进行最大匹配，为用户提供事先准备好的相应的答案，满足用户了解政策和解读文件内容的需求。
但是，这种问答的知识服务方式主要基于字符串匹配的搜索技术，对政策和解读的全文以及问答系统中的问题和答案进行精确匹配，从而找到用户需要的包含关键词、特定词语和句子的政策和解读知识。这种方法需要用户输入准确的政策相关词语，才能获得较好的搜索效果，知识服务的方式不够智能。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的政策知识的推荐方法、装置、存储介质及处理器。
为了实现上述发明目的，本发明提供的具体技术方案如下：
一种政策知识的推荐方法，包括：
接收用户输入的政策咨询问题语句；
将所述政策咨询问题语句输入政策知识分类概率模型中，对所述政策咨询问题语句进行分类识别，得到所述政策咨询问题语句对应的至少一个知识标签以及每个知识标签匹配的概率，其中，所述政策知识分类概率模型为利用深度学习算法，对政策相关文件中的知识点语句进行分类学习所得到的，所述政策相关文件中的知识点语句预先基于知识标签体系进行了标注；
根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关的政策相关文件和/或知识点语句；
向用户推送所述相关的政策相关文件和/或知识点语句。
可选的，在所述接收用户输入的政策咨询问题语句之前，所述方法还包括：
解析政策相关文件，获得所述政策相关文件的知识体系属性，所述知识体系属性包括所述政策相关文件所属的种类、所处的层级以及相互间的关联性中的至少一种；
基于所述知识体系属性将所述政策相关文件以知识树的形式进行表达和存储，得到政策知识体系；
基于所述政策知识体系构建知识标签体系，所述知识标签体系由政策中的关键术语和/或定义型词语组成，用于表述所述政策知识体系的结构和内容。
可选的，所述基于所述知识体系属性将所述政策相关文件以知识树的形式进行表达和存储，得到政策知识体系包括：
为每个政策相关文件设置文件标识，以及为政策相关文件中的每个政策知识点语句设置知识点语句标识；
基于所述知识体系属性，确定政策相关文件和/或知识点语句所属的种类、所处的层级和/或相互间的关联性；
通过知识树中节点的属性信息表示所述政策相关文件和/或知识点语句所属的种类、所处的层级和/或相互间的关联性，从而建立起知识树中每个节点与文件标识和/或知识点语句标识之间的关联关系，以实现将政策相关文件和/或政策相关文件中的每个政策知识点语句以知识树的形式进行表达和存储，得到政策知识体系。
可选的，所述方法还包括：
基于预先构建的知识标签体系，采用机器识别和标注的方式对政策相关文件中的知识点语句进行标注，建立起知识标签体系与政策相关文件间的语义关联。
可选的，所述根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关的政策相关文件和/或知识点语句，包括：
按照知识标签匹配的概率对所述政策咨询问题语句对应的知识标签进行排序；
根据知识标签的排序，选取预设数量的知识标签作为所述政策咨询问题语句对应的相关知识标签；
根据所述相关知识标签在政策知识体系中进行检索，得到与所述相关知识标签对应的相关政策相关文件和/或知识点语句。
可选的，所述根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关的政策相关文件和/或知识点语句，包括：
在所述政策咨询问题语句对应的至少一个知识标签中，将知识标签的匹配概率大于预设阈值的知识标签确定为所述政策咨询问题语句对应的相关知识标签；
根据所述相关知识标签在政策知识体系中进行检索，得到与所述相关知识标签对应的相关政策相关文件和/或知识点语句。
可选的，所述方法还包括：
获取待识别政策相关文件；
将所述待识别政策相关文件输入所述政策知识分类概率模型中，对所述待识别政策相关文件中的知识点进行分类识别，得到所述待识别政策相关文件中每个知识点语句对应的最大概率知识标签；
根据所述待识别政策相关文件中每个知识点对应的最大概率知识标签对所述待识别政策相关文件中每个知识点语句进行标注。
一种政策知识的推荐装置，包括：
用户问题接收单元，用于接收用户输入的政策咨询问题语句；
用户问题识别单元，用于将所述政策咨询问题语句输入政策知识分类概率模型中，对所述政策咨询问题语句进行分类识别，得到所述政策咨询问题语句对应的至少一个知识标签以及每个知识标签匹配的概率，其中，所述政策知识分类概率模型为利用深度学习算法，对政策相关文件中的知识点语句进行分类学习所得到的，所述政策相关文件中的知识点语句预先基于知识标签体系进行了标注；
政策知识确定单元，用于根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关的政策相关文件和/或知识点语句；
政策知识推荐单元，用于向用户推送所述相关的政策相关文件和/或知识点语句。
可选的，所述装置还包括：
文件解析单元，用于解析政策相关文件，获得所述政策相关文件的知识体系属性，所述知识体系属性包括所述政策相关文件所属的种类、所处的层级以及相互间的关联性中的至少一种；
政策文件表示单元，用于基于所述知识体系属性将所述政策相关文件以知识树的形式进行表达和存储，得到政策知识体系；
标签体系构建单元，用于基于所述政策知识体系构建知识标签体系，所述知识标签体系由政策中的关键术语和/或定义型词语组成，用于表述所述政策知识体系的结构和内容。
可选的，政策文件表示单元，具体用于为每个政策相关文件设置文件标识，以及为政策相关文件中的每个政策知识点语句设置知识点语句标识；基于所述知识体系属性，确定政策相关文件和/或知识点语句所属的种类、所处的层级和/或相互间的关联性；通过知识树中节点的属性信息表示所述政策相关文件和/或知识点语句所属的种类、所处的层级和/或相互间的关联性，从而建立起知识树中每个节点与文件标识和/或知识点语句标识之间的关联关系，以实现将政策相关文件和/或政策相关文件中的每个政策知识点语句以知识树的形式进行表达和存储，得到政策知识体系。
可选的，所述装置还包括：
知识点标注单元，用于基于预先构建的知识标签体系，采用机器识别和标注的方式对政策相关文件中的知识点语句进行标注，建立起知识标签体系与政策相关文件间的语义关联。
可选的，所述政策知识确定单元，具体用于按照知识标签匹配的概率对所述政策咨询问题语句对应的知识标签进行排序；根据知识标签的排序，选取预设数量的知识标签作为所述政策咨询问题语句对应的相关知识标签；根据所述相关知识标签在政策知识体系中进行检索，得到与所述相关知识标签对应的相关政策相关文件和/或知识点语句。
可选的，所述政策知识确定单元，具体用于在所述政策咨询问题语句对应的至少一个知识标签中，将知识标签的匹配概率大于预设阈值的知识标签确定为所述政策咨询问题语句对应的相关知识标签；根据所述相关知识标签在政策知识体系中进行检索，得到与所述相关知识标签对应的相关政策相关文件和/或知识点语句。
可选的，所述装置还包括：
政策文件识别单元，用于获取待识别政策相关文件；将所述待识别政策相关文件输入所述政策知识分类概率模型中，对所述待识别政策相关文件中的知识点进行分类识别，得到所述待识别政策相关文件中每个知识点语句对应的最大概率知识标签；根据所述待识别政策相关文件中每个知识点对应的最大概率知识标签对所述待识别政策相关文件中每个知识点语句进行标注。
一种存储介质，所述存储介质包括存储的程序，
其中，在所述程序运行时控制所述存储介质所在的设备执行如上述中任一项所述的政策知识的推荐方法。
一种处理器，所述处理器用于运行程序，
其中，所述程序运行时执行如上述中任一项所述的政策知识的推荐方法。
借由上述技术方案，本发明提供的一种政策知识的推荐方法，预先基于知识标签体系对政策相关文件中的知识点语句进行标注，利用深度学习算法对政策相关文件中的知识点语句进行分类学习得到政策知识分类概率模型，这种结合了自然语言处理技术和机器学习技术所构建的政策知识分类概率模型能够为用户提供更加智能、准确和细致的政策知识服务。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例公开的一种政策知识的推荐方法流程示意图；
图2示出了本发明实施例公开的一种政策知识分类概率模型的构建方法流程示意图；
图3示出了本发明实施例公开的一种政策相关文件的标注方法流程示意图；
图4示出了本发明实施例公开的一种政策知识的推荐装置结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
请参阅图1，本实施例公开了一种政策知识的推荐方法，具体包括以下步骤：
S101：接收用户输入的政策咨询问题语句；
具体的，用户可以通过Web页面输入政策咨询问题语句。
S102：将所述政策咨询问题语句输入政策知识分类概率模型中，对所述政策咨询问题语句进行分类识别，得到所述政策咨询问题语句对应的至少一个知识标签以及与每个知识标签匹配的概率；
其中，所述政策知识分类概率模型为利用深度学习算法，对政策相关文件中的知识点语句进行分类学习所得到的，所述政策相关文件中的知识点语句预先基于知识标签体系进行了标注。
政策咨询问题语句对应的至少一个知识标签表示用户输入的问题具体属于哪个政策知识类型，或哪几个政策知识类型。
请参阅图2，政策知识分类概率模型的构建方法具体包括以下步骤：
S201：解析政策相关文件，获得政策相关文件的知识体系属性；
政策相关文件可以为政策文件，也可以为政策解读文件。
所述知识体系属性包括所述政策相关文件所属的种类、所处的层级以及相互间的关联性中的至少一种。
S202：基于所述知识体系属性将所述政策相关文件以知识树的形式进行表达和存储，得到政策知识体系；
知识树中的每一个节点对应政策相关文件中至少一个知识点语句。
具体的，基于所述知识体系属性将所述政策相关文件以知识树的形式进行表达和存储，得到政策知识体系，可以为：
为每个政策相关文件设置文件标识，以及为政策相关文件中的每个政策知识点语句设置知识点语句标识；
基于所述知识体系属性，确定政策相关文件和/或知识点语句所属的种类、所处的层级和/或相互间的关联性；
通过知识树中节点的属性信息表示所述政策相关文件和/或知识点语句所属的种类、所处的层级和/或相互间的关联性，从而建立起知识树中每个节点与文件标识和/或知识点语句标识之间的关联关系，以实现将政策相关文件和/或政策相关文件中的每个政策知识点语句以知识树的形式进行表达和存储，得到政策知识体系。
需要说明的是，在知识树中在每个节点上关联了同义词和口语表达词汇，多角度表示同一个政策知识点。知识树中节点的属性信息表示政策相关文件和知识点语句所属的种类、所处的层级和/或相互间的关联性，其中，同一知识树中节点可以分别属于多个层级，层级之间的关系为父子关系。
通过将政策相关文件和/或政策相关文件中的每个政策知识点语句以知识树的形式进行表达和存储，实现了对政策相关文件的结构化存储，实现了知识树中每个节点与文件标识和/或知识点语句标识之间的关联关系的存储。
可以对政策相关文件的每个方面和角度用知识树的形式进行表示和存储，每个政策相关文件以一个知识树的形式进行表示，即对政策相关文件中的数据进行结构化存储。
S203：基于所述政策知识体系构建知识标签体系；
所述知识标签体系由政策中的关键术语和/或定义型词语组成，用于表述所述政策知识体系的结构和内容。
知识标签体系要能充分反映知识体系的结构和内容，由于知识概念与知识表达的自然语言词汇(词、短语、词语组合)之间存在多对多关系，需要标签体系自身也是有结构层次的。也就是说同一个概念、实体或属性可以用多个词语和词语组合表达；不同概念、实体或属性的词语可以相同，词语组合可以部分相同。
S204：基于预先构建的知识标签体系，采用机器识别和标注的方式对政策相关文件中的知识点语句进行标注，建立起知识标签体系与政策相关文件间的语义关联；；
需要说明的是，建立政策相关文件中的知识点语句与所述知识标签体系中相应知识标签之间的语义关联关系，也就是建立了知识树中叶子节点与知识标签体系中知识标签之间的语义关联关系，同一个知识标签可能对应多个知识树中的叶子节点，通过知识标签体系，多个知识树之间建立了关联关系，形成了一个大的政策知识体系。
S205：利用深度学习算法，对政策相关文件中的知识点语句进行分类学习，获得政策知识分类概率模型。
具体的，可以利用深度学习算法text-CNN、RNN等对政策相关文件中的知识点语句进行分类学习，分类类型是政策知识的最终类型，不能再分类，类型是与知识标签体系中的标签相对应的。经过机器学习和测试，调整深度学习的算法和相关模型参数，使相关政策和解读文件中的政策知识点的分类识别达到较好效果。
S103：根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关政策相关文件和/或知识点语句；
具体的，本实施例提供了两种确定与政策咨询问题语句先关的政策相关文件和/或知识点语句的方法。
方法一
按照知识标签匹配的概率对所述政策咨询问题语句对应的知识标签进行排序；根据知识标签的排序，选取预设数量的知识标签作为所述政策咨询问题语句对应的相关知识标签；根据所述相关知识标签在政策知识体系中进行检索，得到与所述相关知识标签对应的相关政策相关文件和/或知识点语句。
方法二
在所述政策咨询问题语句对应的至少一个知识标签中，将知识标签的匹配概率大于预设阈值的知识标签确定为所述政策咨询问题语句相关知识标签；根据所述相关知识标签在政策知识体系中进行检索，得到与所述相关知识标签对应的相关政策相关文件和/或知识点语句。
S104：向用户推送所述相关政策相关文件和/或知识点语句。
本实施公开的政策知识的推荐方法，预先通过知识标签体系对政策相关文件中的知识点语句进行标注，利用深度学习算法对政策相关文件中的知识点语句进行分类学习得到政策知识分类概率模型，这种结合了自然语言处理技术和机器学习技术所构建的政策知识分类概率模型能够为用户提供更加智能、准确和细致的政策知识服务。
需要说明的是，本发明还可以利用政策知识分类概率模型识别和标注新出台的政策文件，请参阅图3，政策相关文件的标注方法具体包括以下步骤：
S301：获取待识别政策相关文件；
S302：将所述待识别政策相关文件输入所述政策知识分类概率模型中，对所述待识别政策相关文件中的知识点进行分类识别，得到所述待识别政策相关文件中每个知识点语句对应的最大概率知识标签；
S303：根据所述待识别政策相关文件中每个知识点对应的最大概率知识标签对所述待识别政策相关文件中每个知识点语句进行标注。
本实施例公开的政策相关文件的标注方法，利用政策知识分类概率模型和知识标签体系，实现了对政策相关文件的自动分类识别和标注，识别准确度高，为用户提供智能优质的政策知识服务奠定了基础。
基于上述实施例公开的一种政策知识的推荐方法，请参阅图4，本实施例对应公开了一种政策知识的推荐装置，包括：
用户问题接收单元401，用于接收用户输入的政策咨询问题语句；
用户问题识别单元402，用于将所述政策咨询问题语句输入政策知识分类概率模型中，对所述政策咨询问题语句进行分类识别，得到所述政策咨询问题语句对应的至少一个知识标签以及与每个知识标签匹配的概率，其中，所述政策知识分类概率模型为利用深度学习算法，对政策相关文件中的知识点语句进行分类学习所得到的，所述政策相关文件中的知识点语句预先基于知识标签体系进行了标注；
政策知识确定单元403，用于根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关的政策相关文件和/或知识点语句；
可选的，所述政策知识确定单元403，具体用于按照知识标签匹配的概率对所述政策咨询问题语句对应的知识标签进行排序；根据知识标签的排序，选取预设数量的知识标签作为所述政策咨询问题语句对应的相关知识标签；根据所述相关知识标签在政策知识体系中进行检索，得到与所述相关知识标签对应的相关政策相关文件和/或知识点语句。
可选的，所述政策知识确定单元403，具体用于在所述政策咨询问题语句对应的至少一个知识标签中，将知识标签的匹配概率大于预设阈值的知识标签确定为所述政策咨询问题语句对应的相关知识标签；根据所述相关知识标签在政策知识体系中进行检索，得到与所述相关知识标签对应的相关政策相关文件和/或知识点语句。
政策知识推荐单元404，用于向用户推送所述高相关政策相关文件和/或知识点语句。
可选的，所述装置还包括：
文件解析单元，用于解析政策相关文件，获得所述政策相关文件的知识体系属性，所述知识体系属性包括所述政策相关文件所属的种类、所处的层级以及相互间的关联性中的至少一种；
政策文件表示单元，用于基于所述知识体系属性将所述政策相关文件以知识树的形式进行表达和存储，得到政策知识体系；
标签体系构建单元，用于基于所述政策知识体系构建知识标签体系，所述知识标签体系由政策中的关键术语和/或定义型词语组成，用于表述所述政策知识体系的结构和内容。
可选的，政策文件表示单元，具体用于为每个政策相关文件设置文件标识，以及为政策相关文件中的每个政策知识点语句设置知识点语句标识；基于所述知识体系属性，确定政策相关文件和/或知识点语句所属的种类、所处的层级和/或相互间的关联性；通过知识树中节点的属性信息表示所述政策相关文件和/或知识点语句所属的种类、所处的层级和/或相互间的关联性，从而建立起知识树中每个节点与文件标识和/或知识点语句标识之间的关联关系，以实现将政策相关文件和/或政策相关文件中的每个政策知识点语句以知识树的形式进行表达和存储，得到政策知识体系。
可选的，所述装置还包括：
知识点标注单元，用于基于预先构建的知识标签体系，采用机器识别和标注的方式对政策相关文件中的知识点语句进行标注，建立起知识标签体系与政策相关文件间的语义关联。
本实施例公开的一种政策知识的推荐装置，预先通过知识标签体系对政策相关文件中的知识点语句进行标注，利用深度学习算法对政策相关文件中的知识点语句进行分类学习得到政策知识分类概率模型，这种结合了自然语言处理技术和机器学习技术所构建的政策知识分类概率模型能够为用户提供更加智能、准确和细致的政策知识服务。
所述政策知识的推荐装置包括处理器和存储器，上述用户问题接收单元、用户问题识别单元、政策知识确定单元、政策知识推荐单元、文件解析单元、政策文件表示单元、标签体系构建单元、知识点标注单元和政策文件识别单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高分类准确率。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现所述政策知识的推荐方法。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述政策知识的推荐方法。
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
接收用户输入的政策咨询问题语句；
将所述政策咨询问题语句输入政策知识分类概率模型中，对所述政策咨询问题语句进行分类识别，得到所述政策咨询问题语句对应的至少一个知识标签以及每个知识标签匹配的概率，其中，所述政策知识分类概率模型为利用深度学习算法，对政策相关文件中的知识点语句进行分类学习所得到的，所述政策相关文件中的知识点语句预先基于知识标签体系进行了标注；
根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关的政策相关文件和/或知识点语句；
向用户推送所述相关的政策相关文件和/或知识点语句。
进一步，在所述接收用户输入的政策咨询问题语句之前，所述方法还包括：
解析政策相关文件，获得所述政策相关文件的知识体系属性，所述知识体系属性包括所述政策相关文件所属的种类、所处的层级以及相互间的关联性中的至少一种；
基于所述知识体系属性将所述政策相关文件以知识树的形式进行表达和存储，得到政策知识体系；
基于所述政策知识体系构建知识标签体系，所述知识标签体系由政策中的关键术语和/或定义型词语组成，用于表述所述政策知识体系的结构和内容。
进一步，所述基于所述知识体系属性将所述政策相关文件以知识树的形式进行表达和存储，得到政策知识体系包括：
为每个政策相关文件设置文件标识，以及为政策相关文件中的每个政策知识点语句设置知识点语句标识；
基于所述知识体系属性，确定政策相关文件和/或知识点语句所属的种类、所处的层级和/或相互间的关联性；
通过知识树中节点的属性信息表示所述政策相关文件和/或知识点语句所属的种类、所处的层级和/或相互间的关联性，从而建立起知识树中每个节点与文件标识和/或知识点语句标识之间的关联关系，以实现将政策相关文件和/或政策相关文件中的每个政策知识点语句以知识树的形式进行表达和存储，得到政策知识体系。
进一步，所述方法还包括：
基于预先构建的知识标签体系，采用机器识别和标注的方式对政策相关文件中的知识点语句进行标注，建立起知识标签体系与政策相关文件间的语义关联。
进一步，所述根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关的政策相关文件和/或知识点语句，包括：
按照知识标签匹配的概率对所述政策咨询问题语句对应的知识标签进行排序；
根据知识标签的排序，选取预设数量的知识标签作为所述政策咨询问题语句对应的相关知识标签；
根据所述相关知识标签在政策知识体系中进行检索，得到与所述相关知识标签对应的相关政策相关文件和/或知识点语句。
进一步，所述根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关的政策相关文件和/或知识点语句，包括：
在所述政策咨询问题语句对应的至少一个知识标签中，将知识标签的匹配概率大于预设阈值的知识标签确定为所述政策咨询问题语句对应的相关知识标签；
根据所述相关知识标签在政策知识体系中进行检索，得到与所述相关知识标签对应的相关政策相关文件和/或知识点语句。
进一步，所述方法还包括：
获取待识别政策相关文件；
将所述待识别政策相关文件输入所述政策知识分类概率模型中，对所述待识别政策相关文件中的知识点进行分类识别，得到所述待识别政策相关文件中每个知识点语句对应的最大概率知识标签；
根据所述待识别政策相关文件中每个知识点对应的最大概率知识标签对所述待识别政策相关文件中每个知识点语句进行标注。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：
接收用户输入的政策咨询问题语句；
将所述政策咨询问题语句输入政策知识分类概率模型中，对所述政策咨询问题语句进行分类识别，得到所述政策咨询问题语句对应的至少一个知识标签以及每个知识标签匹配的概率，其中，所述政策知识分类概率模型为利用深度学习算法，对政策相关文件中的知识点语句进行分类学习所得到的，所述政策相关文件中的知识点语句预先基于知识标签体系进行了标注；
根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关的政策相关文件和/或知识点语句；
向用户推送所述相关的政策相关文件和/或知识点语句。
进一步，在所述接收用户输入的政策咨询问题语句之前，所述方法还包括：
解析政策相关文件，获得所述政策相关文件的知识体系属性，所述知识体系属性包括所述政策相关文件所属的种类、所处的层级以及相互间的关联性中的至少一种；
基于所述知识体系属性将所述政策相关文件以知识树的形式进行表达和存储，得到政策知识体系；
基于所述政策知识体系构建知识标签体系，所述知识标签体系由政策中的关键术语和/或定义型词语组成，用于表述所述政策知识体系的结构和内容。
进一步，所述基于所述知识体系属性将所述政策相关文件以知识树的形式进行表达和存储，得到政策知识体系包括：
为每个政策相关文件设置文件标识，以及为政策相关文件中的每个政策知识点语句设置知识点语句标识；
基于所述知识体系属性，确定政策相关文件和/或知识点语句所属的种类、所处的层级和/或相互间的关联性；
通过知识树中节点的属性信息表示所述政策相关文件和/或知识点语句所属的种类、所处的层级和/或相互间的关联性，从而建立起知识树中每个节点与文件标识和/或知识点语句标识之间的关联关系，以实现将政策相关文件和/或政策相关文件中的每个政策知识点语句以知识树的形式进行表达和存储，得到政策知识体系。
进一步，所述方法还包括：
基于预先构建的知识标签体系，采用机器识别和标注的方式对政策相关文件中的知识点语句进行标注，建立起知识标签体系与政策相关文件间的语义关联。
进一步，所述根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关的政策相关文件和/或知识点语句，包括：
按照知识标签匹配的概率对所述政策咨询问题语句对应的知识标签进行排序；
根据知识标签的排序，选取预设数量的知识标签作为所述政策咨询问题语句对应的相关知识标签；
根据所述相关知识标签在政策知识体系中进行检索，得到与所述相关知识标签对应的相关政策相关文件和/或知识点语句。
进一步，所述根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关的政策相关文件和/或知识点语句，包括：
在所述政策咨询问题语句对应的至少一个知识标签中，将知识标签的匹配概率大于预设阈值的知识标签确定为所述政策咨询问题语句对应的相关知识标签；
根据所述相关知识标签在政策知识体系中进行检索，得到与所述相关知识标签对应的相关政策相关文件和/或知识点语句。
进一步，所述方法还包括：
获取待识别政策相关文件；
将所述待识别政策相关文件输入所述政策知识分类概率模型中，对所述待识别政策相关文件中的知识点进行分类识别，得到所述待识别政策相关文件中每个知识点语句对应的最大概率知识标签；
根据所述待识别政策相关文件中每个知识点对应的最大概率知识标签对所述待识别政策相关文件中每个知识点语句进行标注。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种政策知识的推荐方法，其特征在于，包括：
接收用户输入的政策咨询问题语句；
将所述政策咨询问题语句输入政策知识分类概率模型中，对所述政策咨询问题语句进行分类识别，得到所述政策咨询问题语句对应的至少一个知识标签以及每个知识标签匹配的概率，其中，所述政策知识分类概率模型为利用深度学习算法，对政策相关文件中的知识点语句进行分类学习所得到的，所述政策相关文件中的知识点语句预先基于知识标签体系进行了标注；
根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关的政策相关文件和/或知识点语句；
向用户推送所述相关的政策相关文件和/或知识点语句；
其中，在所述接收用户输入的政策咨询问题语句之前，所述方法还包括：
解析政策相关文件，获得所述政策相关文件的知识体系属性，所述知识体系属性包括所述政策相关文件所属的种类、所处的层级以及相互间的关联性中的至少一种；
基于所述知识体系属性将所述政策相关文件以知识树的形式进行表达和存储，得到政策知识体系；在知识树中在每个节点上关联了同义词和口语表达词汇，多角度表示同一个政策知识点；
基于所述政策知识体系构建知识标签体系，所述知识标签体系由政策中的关键术语和/或定义型词语组成，用于表述所述政策知识体系的结构和内容；
其中，所述方法还包括：
基于预先构建的知识标签体系，采用机器识别和标注的方式对政策相关文件中的知识点语句进行标注，建立起知识标签体系与政策相关文件间的语义关联。
2.根据权利要求1所述的方法，其特征在于，所述基于所述知识体系属性将所述政策相关文件以知识树的形式进行表达和存储，得到政策知识体系包括：
为每个政策相关文件设置文件标识，以及为政策相关文件中的每个政策知识点语句设置知识点语句标识；
基于所述知识体系属性，确定政策相关文件和/或知识点语句所属的种类、所处的层级和/或相互间的关联性；
通过知识树中节点的属性信息表示所述政策相关文件和/或知识点语句所属的种类、所处的层级和/或相互间的关联性，从而建立起知识树中每个节点与文件标识和/或知识点语句标识之间的关联关系，以实现将政策相关文件和/或政策相关文件中的每个政策知识点语句以知识树的形式进行表达和存储，得到政策知识体系。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关的政策相关文件和/或知识点语句，包括：
按照知识标签匹配的概率对所述政策咨询问题语句对应的知识标签进行排序；
根据知识标签的排序，选取预设数量的知识标签作为所述政策咨询问题语句对应的相关知识标签；
根据所述相关知识标签在政策知识体系中进行检索，得到与所述相关知识标签对应的相关政策相关文件和/或知识点语句。
4.根据权利要求1或2所述的方法，其特征在于，所述根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关的政策相关文件和/或知识点语句，包括：
在所述政策咨询问题语句对应的至少一个知识标签中，将知识标签的匹配概率大于预设阈值的知识标签确定为所述政策咨询问题语句对应的相关知识标签；
根据所述相关知识标签在政策知识体系中进行检索，得到与所述相关知识标签对应的相关政策相关文件和/或知识点语句。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取待识别政策相关文件；
将所述待识别政策相关文件输入所述政策知识分类概率模型中，对所述待识别政策相关文件中的知识点进行分类识别，得到所述待识别政策相关文件中每个知识点语句对应的最大概率知识标签；
根据所述待识别政策相关文件中每个知识点对应的最大概率知识标签对所述待识别政策相关文件中每个知识点语句进行标注。
6.一种政策知识的推荐装置，其特征在于，包括：
用户问题接收单元，用于接收用户输入的政策咨询问题语句；
用户问题识别单元，用于将所述政策咨询问题语句输入政策知识分类概率模型中，对所述政策咨询问题语句进行分类识别，得到所述政策咨询问题语句对应的至少一个知识标签以及每个知识标签匹配的概率，其中，所述政策知识分类概率模型为利用深度学习算法，对政策相关文件中的知识点语句进行分类学习所得到的，所述政策相关文件中的知识点语句预先基于知识标签体系进行了标注；
政策知识确定单元，用于根据所述政策咨询问题语句对应的知识标签以及与每个知识标签匹配的概率，确定与所述政策咨询问题语句相关的政策相关文件和/或知识点语句；
政策知识推荐单元，用于向用户推送所述相关的政策相关文件和/或知识点语句；
其中，在用户问题接收单元之前，所述推荐装置，还用于解析政策相关文件，获得所述政策相关文件的知识体系属性，所述知识体系属性包括所述政策相关文件所属的种类、所处的层级以及相互间的关联性中的至少一种；基于所述知识体系属性将所述政策相关文件以知识树的形式进行表达和存储，得到政策知识体系；在知识树中在每个节点上关联了同义词和口语表达词汇，多角度表示同一个政策知识点；基于所述政策知识体系构建知识标签体系，所述知识标签体系由政策中的关键术语和/或定义型词语组成，用于表述所述政策知识体系的结构和内容；
其中，所述推荐装置，还用于基于预先构建的知识标签体系，采用机器识别和标注的方式对政策相关文件中的知识点语句进行标注，建立起知识标签体系与政策相关文件间的语义关联。
7.一种存储介质，其特征在于，所述存储介质包括存储的程序，
其中，在所述程序运行时控制所述存储介质所在的设备执行如权利要求1-5中任一项所述的政策知识的推荐方法。
8.一种处理器，其特征在于，所述处理器用于运行程序，
其中，所述程序运行时执行如权利要求1-5中任一项所述的政策知识的推荐方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811160723.2A CN110968776B (zh) | 2018-09-30 | 2018-09-30 | 政策知识的推荐方法、装置存储介质及处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811160723.2A CN110968776B (zh) | 2018-09-30 | 2018-09-30 | 政策知识的推荐方法、装置存储介质及处理器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110968776A CN110968776A (zh) | 2020-04-07 |
| CN110968776B true CN110968776B (zh) | 2023-05-23 |
Family
ID=70029241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811160723.2A Active CN110968776B (zh) | 2018-09-30 | 2018-09-30 | 政策知识的推荐方法、装置存储介质及处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110968776B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112052324A (zh) * | 2020-09-15 | 2020-12-08 | 平安医疗健康管理股份有限公司 | 智能问答的方法、装置和计算机设备 |
| CN112541352A (zh) * | 2020-12-23 | 2021-03-23 | 上海永骁智能技术有限公司 | 一种基于深度学习的政策解读方法 |
| CN114021574B (zh) * | 2022-01-05 | 2022-05-17 | 杭州实在智能科技有限公司 | 政策文件智能解析与结构化方法及系统 |
| CN117708350B (zh) * | 2024-02-06 | 2024-05-14 | 成都草根有智创新科技有限公司 | 企业政策的信息关联方法、装置及电子设备 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7610315B2 (en) * | 2006-09-06 | 2009-10-27 | Adobe Systems Incorporated | System and method of determining and recommending a document control policy for a document |
| CN101630314B (zh) * | 2008-07-16 | 2011-12-07 | 中国科学院自动化研究所 | 一种基于领域知识的语义查询扩展方法 |
| CN104991887B (zh) * | 2015-06-18 | 2018-01-19 | 北京京东尚科信息技术有限公司 | 提供信息的方法及装置 |
| CN105550190B (zh) * | 2015-06-26 | 2019-03-29 | 许昌学院 | 面向知识图谱的跨媒体检索系统 |
| CN106709040B (zh) * | 2016-12-29 | 2021-02-19 | 北京奇虎科技有限公司 | 一种应用搜索方法和服务器 |
| CN107688606A (zh) * | 2017-07-26 | 2018-02-13 | 北京三快在线科技有限公司 | 一种推荐信息的获取方法及装置，电子设备 |
| CN107545075B (zh) * | 2017-10-19 | 2020-05-29 | 厦门大学 | 一种基于在线评论和情境感知的餐馆推荐方法 |
| CN108153901B (zh) * | 2018-01-16 | 2022-04-19 | 北京百度网讯科技有限公司 | 基于知识图谱的信息推送方法和装置 |
| CN108491438A (zh) * | 2018-02-12 | 2018-09-04 | 陆夏根 | 一种科技政策检索分析方法 |
-
2018
- 2018-09-30 CN CN201811160723.2A patent/CN110968776B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110968776A (zh) | 2020-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110968776B (zh) | 政策知识的推荐方法、装置存储介质及处理器 | |
| CN109460455B (zh) | 一种文本检测方法及装置 | |
| CN113377936B (zh) | 智能问答方法、装置及设备 | |
| CN107291840B (zh) | 一种用户属性预测模型构建方法和装置 | |
| US10762150B2 (en) | Searching method and searching apparatus based on neural network and search engine | |
| CN111125086B (zh) | 获取数据资源的方法、装置、存储介质及处理器 | |
| CN109271489B (zh) | 一种文本检测方法及装置 | |
| CN112052324A (zh) | 智能问答的方法、装置和计算机设备 | |
| CN112528010B (zh) | 知识推荐方法、装置、计算机设备及可读存储介质 | |
| US20180285738A1 (en) | Data searching system and method | |
| CN112183056A (zh) | 基于CNN-BiLSTM框架的上下文依赖的多分类情感分析方法和系统 | |
| US11868714B2 (en) | Facilitating generation of fillable document templates | |
| CN110008473B (zh) | 一种基于迭代方法的医疗文本命名实体识别标注方法 | |
| CN109697231A (zh) | 一种案件文书的显示方法、系统、存储介质和处理器 | |
| US20190266291A1 (en) | Document processing based on proxy logs | |
| CN112632258A (zh) | 文本数据处理方法、装置、计算机设备和存储介质 | |
| CN118377881A (zh) | 智能问答方法、系统、装置、计算机设备和可读存储介质 | |
| CN114090777A (zh) | 文本数据处理方法及装置 | |
| CN117033744A (zh) | 数据查询方法、装置、存储介质以及电子设备 | |
| CN111274812B (zh) | 一种人物关系识别方法、设备及存储介质 | |
| CN111126053B (zh) | 一种信息处理方法及相关设备 | |
| CN111401047A (zh) | 法律文书的争议焦点生成方法、装置及计算机设备 | |
| CN113076453B (zh) | 域名分类方法、设备及计算机可读存储介质 | |
| CN111949781B (zh) | 一种基于自然语句句法分析的智能交互方法及装置 | |
| CN114254622A (zh) | 一种意图识别方法和装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |