CN111932420A - 一种基于智能服务平台的社区邻里互助方法及系统 - Google Patents
一种基于智能服务平台的社区邻里互助方法及系统 Download PDFInfo
- Publication number
- CN111932420A CN111932420A CN202010573594.0A CN202010573594A CN111932420A CN 111932420 A CN111932420 A CN 111932420A CN 202010573594 A CN202010573594 A CN 202010573594A CN 111932420 A CN111932420 A CN 111932420A
- Authority
- CN
- China
- Prior art keywords
- help
- text information
- intelligent
- model
- seeking
- 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 23
- 238000012549 training Methods 0.000 claims description 56
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 description 19
- 239000013598 vector Substances 0.000 description 15
- 230000015654 memory Effects 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000002457 bidirectional effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008451 emotion Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000002360 explosive Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000013604 expression vector Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/63—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
- G06F16/65—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于智能服务平台的社区邻里互助方法,包括:S11.接收社区人员发送的求助或帮助相关的内容;S12.将接收到的内容输入预先建立的智能描述模型中,并通过智能描述模型输出与内容相对应的文本信息,将文本信息进行分类;S13.判断所述分类的类别,若为帮助类,则将帮助类文本信息存储于帮助数据库中;若为求助类,则将求助类文本信息输入预先建立的智能匹配模型中,通过智能匹配模型对求助类文本信息与帮助数据库中的帮助类文本信息进行匹配;S14.判断是否匹配到合适的帮助类文本信息,若是,则将求助类文本信息发送至匹配成功的帮助数据库中帮助类文本信息相对应的帮助者;若否,则将未匹配成功的信息返回求助类文本信息相对应的求助者。
Description
技术领域
本发明涉及社区互助技术领域,尤其涉及一种基于智能服务平台的社区邻里互助方法及系统。
背景技术
俗话说,远亲不如近邻,邻里互助是中华名族的传统美德。在城市化的进程中,邻里之间变的陌生,然而社区是若干社会群体或社会组织聚集在某一个领域里所形成的一个生活上相互关联的大集体,是社会有机体最基本的内容,是宏观社会的缩影。
社区生活平台是一个以家庭为基本服务对象,以社区为微单位,满足家庭用户快消品需求为目的的新一代互联网商业模式服务平台,不仅为社区居民生活提供方便,同时借助互联网的优势,把人与人重新连接起来,拉近社区居民之间的感情与距离,让人们直接联系变得紧密,真正将社区变成一个和谐的大家庭。
社区生活互助管理系统作为社区生活平台的扩展模块,是所有社区生活平台人性化管理的基础,起着至关重要的作用。通过建立结合人工智能技术的社区邻里互助智能服务平台,可以增强了人们感恩邻里,回报邻里,感恩社区,参与社区,感恩社会服务社会的责任意识。
但是对于一些老年人或者儿童来说,其对只对智能设备不熟悉,且不会进行打字等操作,这样对于需要进行发布求助信息是不能及时完成。如公开号为CN106875249A的专利公开了一种社区生活互助管理系统,通过用户管理单元管理入驻平台的社区居民信息,入驻平台的社区居民通过互助管理单元发布和接受求助信息,通过积分管理单元管理入驻平台的社区居民账号的平台积分,发布求助信息的社区居民通过在线支付单元以平台积分的方式向为其提供帮助的用户支付报酬,并通过在线评价单元进行在线评价,为社区居民的生活提供方便,同时借助互联网的优势,把人与人重新连接起来,拉近社区居民之间的感情与距离,让人们直接联系变得紧密,真正将社区变成一个和谐的大家庭。
上述专利虽然可以通过互助管理单元发布和接受求助信息,但是对于老年人等不会使用智能设备的人员来说,会造成一定的麻烦,且该系统还需要查找相应的单元才可以进行操作,结构复杂且不方便。
发明内容
本发明的目的是针对现有技术的缺陷,提供了一种基于智能服务平台的社区邻里互助方法及系统。
为了实现以上目的,本发明采用以下技术方案:
一种基于智能服务平台的社区邻里互助方法,包括:
S1.接收社区人员发送的求助或帮助相关的内容;
S2.将所述接收到的内容输入预先建立的智能描述模型中,并通过智能描述模型输出与内容相对应的文本信息,将所述文本信息进行分类,并执行步骤S3;
S3.判断所述分类的类别,若为帮助类,则将帮助类文本信息存储于帮助数据库中;若为求助类,则将求助类文本信息输入预先建立的智能匹配模型中,通过智能匹配模型对求助类文本信息与帮助数据库中的帮助类文本信息进行匹配,并执行步骤S4;
S4.判断是否匹配到合适的帮助类文本信息,若是,则将求助类文本信息发送至匹配成功的帮助数据库中帮助类文本信息相对应的帮助者;若否,则将未匹配成功的信息返回求助类文本信息相对应的求助者。
进一步的,所述步骤S4之后还包括:
S5.接收匹配成功的帮助者和求助者上传的帮助结果,并对接收到的帮助结果建立事件处理档案。
进一步的,所述步骤S2中预先建立的智能描述模型具体为:
A1.收集不同年龄和性别的人对不同事件通过语音、图像、文字三种形式进行描述,并将所述描述作为训练数据集;
A2.对智能描述模型的网络参数赋初始化数值,并设置网络的最大迭代次数k;
A3.将训练数据集中的语音、图像、文字输入至智能描述模型的网络中进行训练,并判断损失loss值是否稳定,若是,则停止迭代,得到最终的智能描述模型;若否,则继续训练,直到迭代k次后,得到最终的智能描述模型;
A4.将测试数据集输入最终的智能描述模型,得到与事件相对应的文字信息及与文字信息相对应的等级,并判断所述得到的文字信息与事件的真实标签之间的准确率是否达到预设阈值;若否,则重新执行步骤A3;若是,则输出智能描述模型。
进一步的,所述步骤S3中预先建立的智能匹配模型具体为:
B1.获取不同事件的文字信息训练数据集;所述文本信息包括求助文本信息以及帮助数据库中的帮助文本信息;
B2.对智能匹配模型的网络参数赋初始化数值,并设置网络的最大迭代次数k;
B3.将所述求助文本信息以及帮助数据库中的帮助文本信息同时输入到模型中进行训练,并判断损失loss值是否稳定,若是,则停止迭代,得到最终的智能匹配模型;若否,则继续训练,直到迭代k次后,得到最终的智能匹配模型;
B4.将测试数据集输入最终的智能匹配模型,得到与事件相对应的文字信息及与文字信息相对应的等级,并判断所述得到的文字信息与事件的真实标签之间的准确率是否达到预设阈值;若否,则重新执行步骤B3;若是,则输出智能匹配模型。
进一步的,所述步骤S2中智能描述模型输出的文本信息包括时间、地点、内容。
相应的,还提供一种基于智能服务平台的社区邻里互助系统,包括:
接收模块,用于接收社区人员发送的求助或帮助相关的内容;
输出模块,用于将所述接收到的内容输入预先建立的智能描述模型中,并通过智能描述模型输出与内容相对应的文本信息,将所述文本信息进行分类;
第一判断模块,用于判断所述分类的类别,若为帮助类,则将帮助类文本信息存储于帮助数据库中;若为求助类,则将求助类文本信息输入预先建立的智能匹配模型中,通过智能匹配模型对求助类文本信息与帮助数据库中的帮助类文本信息进行匹配;
第二判断模块,用于判断是否匹配到合适的帮助类文本信息,若是,则将求助类文本信息发送至匹配成功的帮助数据库中帮助类文本信息相对应的帮助者;若否,则将未匹配成功的信息返回求助类文本信息相对应的求助者。
进一步的,还包括:
创建模块,用于接收匹配成功的帮助者和求助者上传的帮助结果,并对接收到的帮助结果建立事件处理档案。
进一步的,所述输出模块中预先建立的智能描述模型具体为:
收集模块,用于收集不同年龄和性别的人对不同事件通过语音、图像、文字三种形式进行描述,并将所述描述作为训练数据集;
第一设置模块,用于对智能描述模型的网络参数赋初始化数值,并设置网络的最大迭代次数k;
第一训练模块,用于将训练数据集中的语音、图像、文字输入至智能描述模型的网络中进行训练,并判断损失loss值是否稳定,若是,则停止迭代,得到最终的智能描述模型;若否,则继续训练,直到迭代k次后,得到最终的智能描述模型;
第三判断模块,用于将测试数据集输入最终的智能描述模型,得到与事件相对应的文字信息及与文字信息相对应的等级,并判断所述得到的文字信息与事件的真实标签之间的准确率是否达到预设阈值,若是,则输出智能描述模型。
进一步的,所述第一判断模块中预先建立的智能匹配模型具体为:
获取模块获取不同事件的文字信息训练数据集;所述文本信息包括求助文本信息以及帮助数据库中的帮助文本信息;
第二设置模块对智能匹配模型的网络参数赋初始化数值,并设置网络的最大迭代次数k;
第二训练模块,用于将所述求助文本信息以及帮助数据库中的帮助文本信息同时输入到模型中进行训练,并判断损失loss值是否稳定,若是,则停止迭代,得到最终的智能匹配模型;若否,则继续训练,直到迭代k次后,得到最终的智能匹配模型;
第四判断模块,用于将测试数据集输入最终的智能匹配模型,得到与事件相对应的文字信息及与文字信息相对应的等级,并判断所述得到的文字信息与事件的真实标签之间的准确率是否达到预设阈值;若是,则输出智能匹配模型。
进一步的,所述输出模块中智能描述模型输出的文本信息包括时间、地点、内容。
与现有技术相比,本发明的有益效果为:
1.本发明上传求助或帮助的信息可以通过语音、图像、文字三种形式进行描述,采用通过不同的方式给不会使用智能设备的人员提供了便捷的方式;
2.本发明对于上传的信息通过预先建立的模型进行自动识别和处理,不需要用户进入相应的单元进行操作,使得系统结构简单且方便;
3.本发明为社区居民的生活提供方便,同时借助互联网的优势,把人与人重新连接起来,拉近社区居民之间的感情与距离,让人们直接联系变得紧密,真正将社区变成一个和谐的大家庭。
附图说明
图1是实施例一提供的一种基于智能服务平台的社区邻里互助方法流程图;
图2是实施例一提供的一种基于智能服务平台的社区邻里互助方法示意图;
图3是实施例一提供的智能描述模型总体流程图示意图;
图4是实施例一提供的智能描述模型的网络结构示意图;
图5是实施例一提供的智能匹配模型的网络结构示意图;
图6是实施例一提供的智能匹配模型网络结构中的特征融合示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
本发明的目的是针对现有技术的缺陷,提供了一种基于智能服务平台的社区邻里互助方法及系统。
实施例一
本实施例提供一种基于智能服务平台的社区邻里互助方法,如图1-2所示,包括:
S11.接收社区人员发送的求助或帮助相关的内容;
S12.将所述接收到的内容输入预先建立的智能描述模型中,并通过智能描述模型输出与内容相对应的文本信息,将所述文本信息进行分类,并执行步骤S13;
S13.判断所述分类的类别,若为帮助类,则将帮助类文本信息存储于帮助数据库中;若为求助类,则将求助类文本信息输入预先建立的智能匹配模型中,通过智能匹配模型对求助类文本信息与帮助数据库中的帮助类文本信息进行匹配,并执行步骤S14;
S14.判断是否匹配到合适的帮助类文本信息,若是,则将求助类文本信息发送至匹配成功的帮助数据库中帮助类文本信息相对应的帮助者;若否,则将未匹配成功的信息返回求助类文本信息相对应的求助者。
需要说明的是,本实施例的执行主体为智能服务平台。
在步骤S11中,接收社区人员发送的求助或帮助相关的内容。
爆料者、求助者和志愿者(即帮助者)可以通过语音、图像拍照或文字将自己需要帮助的内容或者可以提供的帮助输入到智能服务平台。
在步骤S12中,将所述接收到的内容输入预先建立的智能描述模型中,并通过智能描述模型输出与内容相对应的文本信息,将所述文本信息进行分类,并执行步骤S13。
智能服务平台通过智能描述模型将求助者或志愿者的输入转化为文本进行输出,其格式为:时间+地点+内容,同时将其分为求助和提供帮助两类;
在本实施例中,如图3所示,预先建立的智能描述模型具体为:
A1.收集不同年龄和性别的人对不同事件通过语音、图像、文字三种形式进行描述,并将所述描述作为训练数据集;
收集不同年龄和性别的人对不同事件通过语音、拍摄的照片图像和文字三种形式下的描述作为数据集,即对于每个事件的描述形式都有三种。
A2.对智能描述模型的网络参数赋初始化数值,并设置网络的最大迭代次数k;
A3.将训练数据集中的语音、图像、文字输入至智能描述模型的网络中进行训练,并判断损失loss值是否稳定,若是,则停止迭代,得到最终的智能描述模型;若否,则继续训练,直到迭代k次后,得到最终的智能描述模型;
智能描述模型主要由2个模块组成,分别为语音-图像特征融合模块和文本-语音图像特征融合模块,其输入为语音、图像或文字三种描述形式,输出是对事件完整且规范化的文字描述及其重要等级;
其中,语音-图像特征融合模块采用卷积神经网络-双向长短期记忆网络的结构,其输入为一张经过语音预处理的语音特征图像,输出语音和图像特征融合后的特征向量;文本-语音图像特征融合模块由两个双向长短时记忆子模块和中间特征融合层构成,文字描述输入到第一个双向长短时记忆子模块,再同语音和图像特征融合后的特征向量经过中间特征融合层后得到综合特征向量,输入到第二个双向长短时记忆子模块,最后输出对事件完整且规范化的文字描述及其重要等级。
将训练集中的语音、拍摄的照片图像和文字输入到模型中进行训练,对网络参数赋初始化数值,设置网络的最大迭代次数k;将准备好的数据集输入网络,进行训练。如果loss值一直下降,则继续训练,直到迭代k次后,得到最终的模型;如果loss值在中途趋于稳定,则停止迭代,得到最终的模型。
在本实施例中,如图4所示,智能描述模型的网络结构为:
1.语音-图像特征融合模块采用一种在卷积神经网络-双向长短期记忆网络模型的基础上结合不同的注意力机制来融合的方法。该网络在卷积过程中以两层卷积层、一层池化层和一层注意力层为基本单元,共计N个基本单元,最后连接两层全连接层;
2.鉴于输入的形式中有语音和图像,故而针对不同的输入形式,在该模型的前面部分有两个分支,分别采用了不同的注意力机制对不同形式的输入进行特征提取。
针对语音识别,采用的注意力机制是空间关注,其更新方式如下:
Vl=CNN(Xl-1)
αl=Φ(ht-1,Vl)
Xl=f(Vl,αl)
其中,Xl-1是卷积特征层;Vl可以看作是运算中间变量;ht-1是d维度的上一时刻的循环卷积层的隐层输出;αl是经过注意力机制之后的权重;函数f也就是按照权重使得卷积重分布了。
ht=BLSTM(ht-1,Xl,yt-1)
yt~pt=soft max(ht,yt-1)
其中,yt就是最后的输出。对于空间上的权重计算的计算是通过下面这个算子实现的:
α=soft max(Wia+bi)
其中,参数a就是注意力机制中的得分函数,V=[v1,v2,...,vm]是向量,向量中每个元素的长度C为特征图的通道数,m=W*H(特征图宽和高的乘积),Ws∈Rk*C,Whs∈Rk*d,Wi∈Rk,代表的是向量与矩阵的运算。
针对图像描述,采用的注意力机制是通道关注,其更新方式与空间关注类似:
Vl=CNN(Xl-1)
βl=Φ(ht-1,Vl)
Xl=f(Vl,βl)
其中,βl是经过注意力机制之后的权重,最后通过循环卷积层得到图片的文字描述的特征值:
ht=BLSTM(ht-1,Xl,yt-1)
yt~pt=soft max(ht,yt-1)
对于β,则是将特征图进行reshape操作得到向量U=[u1,u2,...,uC],它的元素个数是通道数,每个元素的维度是W*H,再把每个元素进行平均池化得到向量v=[v1,v2,...,vC],最后对于通道关注上的权重计算被表述为:
β=soft max(W'ia+b'i)
在本实施例中,语音-图像融合模块的语音预处理为:
通过加窗分帧把一长句语音信号切分成许多小段的短时信号,然后通过分析一句语音的开始点与结束点,将无用的数据切除,之后是采用梅尔倒谱系数进行特征的提取,最后将梅尔倒谱系数与对应帧的语音能量参数加权后相加,从而达到增强语速和情感的信息特征,得到最终的语音特征图谱。
3.文本-语音图像特征融合模块由两个双向长短时记忆子模块和中间特征融合层构成,其关键在于中间特征融合层。将文字描述的文本输入该模型的第一个双向长短时记忆子模块,得到文本特征向量后与由图像、语音获得的特征向量,经过中间特征融合层获得最终特征表示向量,且融合前后特征向量维数不变。最后,将最终特征表示向量输入到第二个双向长短时记忆子模块,最终获得对事件完整且规范化的文字描述及其重要等级。
其特点在于中间特征融合层的融合规则,具体如下:计算两条支路模块输出的特征向量中对应位置的特征值之间的欧式距离,并将差值归一化;若差值小于或等于阈值,则取其平均值作为输出,若差值大于阈值,则取其较大值作为输出,最后得到综合特征向量。
A4.将测试数据集输入最终的智能描述模型,得到与事件相对应的文字信息及与文字信息相对应的等级,并判断所述得到的文字信息与事件的真实标签之间的准确率是否达到预设阈值;若否,则重新执行步骤A3;若是,则输出智能描述模型。
将测试数据集输入所得的模型,得到对事件完整且规范化的文字描述及其重要等级,再和题目的真实标签之间进行计算得到准确率;如果未达到要求,则返回步骤A3,重新训练出新的模型,再进行测试,直到满足要求为止。
在步骤S13中,判断所述分类的类别,若为帮助类,则将帮助类文本信息存储于帮助数据库中;若为求助类,则将求助类文本信息输入预先建立的智能匹配模型中,通过智能匹配模型对求助类文本信息与帮助数据库中的帮助类文本信息进行匹配,并执行步骤S14。
若智能描述模型的输出类别为提供帮助类,则将该文本存入志愿者数据库中,反之智能描述模型的输出类别为爆料求助类,则将该文本输入至智能匹配模型,将会按照时间、地点和求助形式与志愿者数据库中能够提供帮助的志愿者情况进行匹配。
预先建立的智能匹配模型是以双向长短时记忆神经网络(BLSTM)为基础,将两个文本的中间特征分别进行融合,从而从求助内容到所能提供的帮助以及从所能提供的帮助到求助内容的双重匹配,用以提高准确性。该网络的结构共M层,在第L层时进行特征融合,最后通过计算两者的余弦相似度进行匹配,选择相似度最高的作为输出,如图5-6所示。具体为:
B1.获取不同事件的文字信息训练数据集;所述文本信息包括求助文本信息以及帮助数据库中的帮助文本信息;
B2.对智能匹配模型的网络参数赋初始化数值,并设置网络的最大迭代次数k;
B3.将所述求助文本信息以及帮助数据库中的帮助文本信息同时输入到模型中进行训练,并判断损失loss值是否稳定,若是,则停止迭代,得到最终的智能匹配模型;若否,则继续训练,直到迭代k次后,得到最终的智能匹配模型;
将训练集中的爆料求助文本和志愿者数据库中的文本同时输入到模型中进行训练,对网络参数赋初始化数值,设置网络的最大迭代次数k;将准备好的数据集输入网络,进行训练。如果loss值一直下降,则继续训练,直到迭代k次后,得到最终的模型;如果loss值在中途趋于稳定,则停止迭代,得到最终的模型。
B4.将测试数据集输入最终的智能匹配模型,得到与事件相对应的文字信息及与文字信息相对应的等级,并判断所述得到的文字信息与事件的真实标签之间的准确率是否达到预设阈值;若否,则重新执行步骤B3;若是,则输出智能匹配模型。
将测试数据集输入所得的模型,得到对事件完整且规范化的文字描述及其重要等级,再和题目的真实标签之间进行计算得到准确率;如果未达到要求,则返回步骤3,重新训练出新的模型,再进行测试,直到满足要求为止。
在步骤S14中,判断是否匹配到合适的帮助类文本信息,若是,则将求助类文本信息发送至匹配成功的帮助数据库中帮助类文本信息相对应的帮助者;若否,则将未匹配成功的信息返回求助类文本信息相对应的求助者。
若匹配到合适的志愿者,智能服务平台将会通过发送短信等方式通知该志愿者,并发送求助者的相关信息使自愿者更加便捷。
在本实施例中,步骤S14之后还包括:
S15.接收匹配成功的帮助者和求助者上传的帮助结果,并对接收到的帮助结果建立事件处理档案。
志愿者在线下帮助完爆料或求助者后,两人均需要向智能服务平台反馈处理结果,智能服务平台结合双方反馈建立事件处理档案。
与现有技术相比,本实施例的有益效果为:
1.本发明上传求助或帮助的信息可以通过语音、图像、文字三种形式进行描述,采用通过不同的方式给不会使用智能设备的人员提供了便捷的方式;
2.本发明对于上传的信息通过预先建立的模型进行自动识别和处理,不需要用户进入相应的单元进行操作,使得系统结构简单且方便;
3.本发明为社区居民的生活提供方便,同时借助互联网的优势,把人与人重新连接起来,拉近社区居民之间的感情与距离,让人们直接联系变得紧密,真正将社区变成一个和谐的大家庭。
实施例二
本实施例提供一种基于智能服务平台的社区邻里互助系统,包括:
接收模块,用于接收社区人员发送的求助或帮助相关的内容;
输出模块,用于将所述接收到的内容输入预先建立的智能描述模型中,并通过智能描述模型输出与内容相对应的文本信息,将所述文本信息进行分类;
第一判断模块,用于判断所述分类的类别,若为帮助类,则将帮助类文本信息存储于帮助数据库中;若为求助类,则将求助类文本信息输入预先建立的智能匹配模型中,通过智能匹配模型对求助类文本信息与帮助数据库中的帮助类文本信息进行匹配;
第二判断模块,用于判断是否匹配到合适的帮助类文本信息,若是,则将求助类文本信息发送至匹配成功的帮助数据库中帮助类文本信息相对应的帮助者;若否,则将未匹配成功的信息返回求助类文本信息相对应的求助者。
进一步的,还包括:
创建模块,用于接收匹配成功的帮助者和求助者上传的帮助结果,并对接收到的帮助结果建立事件处理档案。
进一步的,所述输出模块中预先建立的智能描述模型具体为:
收集模块,用于收集不同年龄和性别的人对不同事件通过语音、图像、文字三种形式进行描述,并将所述描述作为训练数据集;
第一设置模块,用于对智能描述模型的网络参数赋初始化数值,并设置网络的最大迭代次数k;
第一训练模块,用于将训练数据集中的语音、图像、文字输入至智能描述模型的网络中进行训练,并判断损失loss值是否稳定,若是,则停止迭代,得到最终的智能描述模型;若否,则继续训练,直到迭代k次后,得到最终的智能描述模型;
第三判断模块,用于将测试数据集输入最终的智能描述模型,得到与事件相对应的文字信息及与文字信息相对应的等级,并判断所述得到的文字信息与事件的真实标签之间的准确率是否达到预设阈值,若是,则输出智能描述模型。
进一步的,所述第一判断模块中预先建立的智能匹配模型具体为:
获取模块获取不同事件的文字信息训练数据集;所述文本信息包括求助文本信息以及帮助数据库中的帮助文本信息;
第二设置模块对智能匹配模型的网络参数赋初始化数值,并设置网络的最大迭代次数k;
第二训练模块,用于将所述求助文本信息以及帮助数据库中的帮助文本信息同时输入到模型中进行训练,并判断损失loss值是否稳定,若是,则停止迭代,得到最终的智能匹配模型;若否,则继续训练,直到迭代k次后,得到最终的智能匹配模型;
第四判断模块,用于将测试数据集输入最终的智能匹配模型,得到与事件相对应的文字信息及与文字信息相对应的等级,并判断所述得到的文字信息与事件的真实标签之间的准确率是否达到预设阈值;若是,则输出智能匹配模型。
进一步的,所述输出模块中智能描述模型输出的文本信息包括时间、地点、内容。
需要说明的是,本实施例提供的一种基于智能服务平台的社区邻里互助系统与实施例一类似,在此不多做赘述。
与现有技术相比,本实施例的有益效果为:
1.本发明上传求助或帮助的信息可以通过语音、图像、文字三种形式进行描述,采用通过不同的方式给不会使用智能设备的人员提供了便捷的方式;
2.本发明对于上传的信息通过预先建立的模型进行自动识别和处理,不需要用户进入相应的单元进行操作,使得系统结构简单且方便;
3.本发明为社区居民的生活提供方便,同时借助互联网的优势,把人与人重新连接起来,拉近社区居民之间的感情与距离,让人们直接联系变得紧密,真正将社区变成一个和谐的大家庭。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于智能服务平台的社区邻里互助方法,其特征在于,包括:
S1.接收社区人员发送的求助或帮助相关的内容;
S2.将所述接收到的内容输入预先建立的智能描述模型中,并通过智能描述模型输出与内容相对应的文本信息,将所述文本信息进行分类,并执行步骤S3;
S3.判断所述分类的类别,若为帮助类,则将帮助类文本信息存储于帮助数据库中;若为求助类,则将求助类文本信息输入预先建立的智能匹配模型中,通过智能匹配模型对求助类文本信息与帮助数据库中的帮助类文本信息进行匹配,并执行步骤S4;
S4.判断是否匹配到合适的帮助类文本信息,若是,则将求助类文本信息发送至匹配成功的帮助数据库中帮助类文本信息相对应的帮助者;若否,则将未匹配成功的信息返回求助类文本信息相对应的求助者。
2.根据权利要求1所述的一种基于智能服务平台的社区邻里互助方法,其特征在于,所述步骤S4之后还包括:
S5.接收匹配成功的帮助者和求助者上传的帮助结果,并对接收到的帮助结果建立事件处理档案。
3.根据权利要求1所述的一种基于智能服务平台的社区邻里互助方法,其特征在于,所述步骤S2中预先建立的智能描述模型具体为:
A1.收集不同年龄和性别的人对不同事件通过语音、图像、文字三种形式进行描述,并将所述描述作为训练数据集;
A2.对智能描述模型的网络参数赋初始化数值,并设置网络的最大迭代次数k;
A3.将训练数据集中的语音、图像、文字输入至智能描述模型的网络中进行训练,并判断损失loss值是否稳定,若是,则停止迭代,得到最终的智能描述模型;若否,则继续训练,直到迭代k次后,得到最终的智能描述模型;
A4.将测试数据集输入最终的智能描述模型,得到与事件相对应的文字信息及与文字信息相对应的等级,并判断所述得到的文字信息与事件的真实标签之间的准确率是否达到预设阈值;若否,则重新执行步骤A3;若是,则输出智能描述模型。
4.根据权利要求3所述的一种基于智能服务平台的社区邻里互助方法,其特征在于,所述步骤S3中预先建立的智能匹配模型具体为:
B1.获取不同事件的文字信息训练数据集;所述文本信息包括求助文本信息以及帮助数据库中的帮助文本信息;
B2.对智能匹配模型的网络参数赋初始化数值,并设置网络的最大迭代次数k;
B3.将所述求助文本信息以及帮助数据库中的帮助文本信息同时输入到模型中进行训练,并判断损失loss值是否稳定,若是,则停止迭代,得到最终的智能匹配模型;若否,则继续训练,直到迭代k次后,得到最终的智能匹配模型;
B4.将测试数据集输入最终的智能匹配模型,得到与事件相对应的文字信息及与文字信息相对应的等级,并判断所述得到的文字信息与事件的真实标签之间的准确率是否达到预设阈值;若否,则重新执行步骤B3;若是,则输出智能匹配模型。
5.根据权利要求3所述的一种基于智能服务平台的社区邻里互助方法,其特征在于,所述步骤S2中智能描述模型输出的文本信息包括时间、地点、内容。
6.一种基于智能服务平台的社区邻里互助系统,其特征在于,包括:
接收模块,用于接收社区人员发送的求助或帮助相关的内容;
输出模块,用于将所述接收到的内容输入预先建立的智能描述模型中,并通过智能描述模型输出与内容相对应的文本信息,将所述文本信息进行分类;
第一判断模块,用于判断所述分类的类别,若为帮助类,则将帮助类文本信息存储于帮助数据库中;若为求助类,则将求助类文本信息输入预先建立的智能匹配模型中,通过智能匹配模型对求助类文本信息与帮助数据库中的帮助类文本信息进行匹配;
第二判断模块,用于判断是否匹配到合适的帮助类文本信息,若是,则将求助类文本信息发送至匹配成功的帮助数据库中帮助类文本信息相对应的帮助者;若否,则将未匹配成功的信息返回求助类文本信息相对应的求助者。
7.根据权利要求6所述的一种基于智能服务平台的社区邻里互助系统,其特征在于,还包括:
创建模块,用于接收匹配成功的帮助者和求助者上传的帮助结果,并对接收到的帮助结果建立事件处理档案。
8.根据权利要求6所述的一种基于智能服务平台的社区邻里互助系统,其特征在于,所述输出模块中预先建立的智能描述模型具体为:
收集模块,用于收集不同年龄和性别的人对不同事件通过语音、图像、文字三种形式进行描述,并将所述描述作为训练数据集;
第一设置模块,用于对智能描述模型的网络参数赋初始化数值,并设置网络的最大迭代次数k;
第一训练模块,用于将训练数据集中的语音、图像、文字输入至智能描述模型的网络中进行训练,并判断损失loss值是否稳定,若是,则停止迭代,得到最终的智能描述模型;若否,则继续训练,直到迭代k次后,得到最终的智能描述模型;
第三判断模块,用于将测试数据集输入最终的智能描述模型,得到与事件相对应的文字信息及与文字信息相对应的等级,并判断所述得到的文字信息与事件的真实标签之间的准确率是否达到预设阈值,若是,则输出智能描述模型。
9.根据权利要求8所述的一种基于智能服务平台的社区邻里互助系统,其特征在于,所述第一判断模块中预先建立的智能匹配模型具体为:
获取模块获取不同事件的文字信息训练数据集;所述文本信息包括求助文本信息以及帮助数据库中的帮助文本信息;
第二设置模块对智能匹配模型的网络参数赋初始化数值,并设置网络的最大迭代次数k;
第二训练模块,用于将所述求助文本信息以及帮助数据库中的帮助文本信息同时输入到模型中进行训练,并判断损失loss值是否稳定,若是,则停止迭代,得到最终的智能匹配模型;若否,则继续训练,直到迭代k次后,得到最终的智能匹配模型;
第四判断模块,用于将测试数据集输入最终的智能匹配模型,得到与事件相对应的文字信息及与文字信息相对应的等级,并判断所述得到的文字信息与事件的真实标签之间的准确率是否达到预设阈值;若是,则输出智能匹配模型。
10.根据权利要求8所述的一种基于智能服务平台的社区邻里互助系统,其特征在于,所述输出模块中智能描述模型输出的文本信息包括时间、地点、内容。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573594.0A CN111932420A (zh) | 2020-06-22 | 2020-06-22 | 一种基于智能服务平台的社区邻里互助方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010573594.0A CN111932420A (zh) | 2020-06-22 | 2020-06-22 | 一种基于智能服务平台的社区邻里互助方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111932420A true CN111932420A (zh) | 2020-11-13 |
Family
ID=73316574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010573594.0A Pending CN111932420A (zh) | 2020-06-22 | 2020-06-22 | 一种基于智能服务平台的社区邻里互助方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932420A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419125A (zh) * | 2020-12-09 | 2021-02-26 | 江西珉轩大数据有限公司 | 面向智慧社区场景的邻里生活互助系统 |
-
2020
- 2020-06-22 CN CN202010573594.0A patent/CN111932420A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112419125A (zh) * | 2020-12-09 | 2021-02-26 | 江西珉轩大数据有限公司 | 面向智慧社区场景的邻里生活互助系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11631147B2 (en) | Social recommendation method based on multi-feature heterogeneous graph neural networks | |
CN110427617B (zh) | 推送信息的生成方法及装置 | |
CN110119786B (zh) | 文本话题分类方法及装置 | |
CN112818861B (zh) | 一种基于多模态上下文语义特征的情感分类方法及系统 | |
CN110532912B (zh) | 一种手语翻译实现方法及装置 | |
CN108363753A (zh) | 评论文本情感分类模型训练与情感分类方法、装置及设备 | |
WO2022095380A1 (zh) | 基于ai的虚拟交互模型生成方法、装置、计算机设备及存储介质 | |
CN110209897B (zh) | 智能对话方法、装置、存储介质及设备 | |
CN111246256A (zh) | 基于多模态视频内容和多任务学习的视频推荐方法 | |
CN109635171A (zh) | 一种新闻节目智能标签的融合推理系统和方法 | |
CN110297908A (zh) | 诊疗方案预测方法及装置 | |
CN111368075A (zh) | 文章质量预测方法、装置、电子设备及存储介质 | |
US10769223B1 (en) | Systems and methods for identification and classification of social media | |
CN110209774A (zh) | 处理会话信息的方法、装置及终端设备 | |
CN112364234B (zh) | 一种在线讨论的自动分组系统 | |
CN115329779A (zh) | 一种多人对话情感识别方法 | |
CN107247751A (zh) | 基于lda主题模型的内容推荐方法 | |
CN111354246A (zh) | 一种用于帮助聋哑人交流的系统及方法 | |
CN108597501A (zh) | 一种基于残差网络和双向门控循环单元的视听语音模型 | |
CN116932733A (zh) | 基于生成式大语言模型的信息推荐方法及相关装置 | |
CN115577316A (zh) | 一种基于多模态数据融合的用户人格预测方法与应用 | |
CN112800225A (zh) | 一种微博评论情绪分类方法和系统 | |
CN109727091B (zh) | 基于对话机器人的产品推荐方法、装置、介质及服务器 | |
CN111932420A (zh) | 一种基于智能服务平台的社区邻里互助方法及系统 | |
CN114579747A (zh) | 一种识别化妆品直播营销违规宣传方法 |
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 |