CN112131378A - 用于识别民生问题类别的方法、装置及电子设备 - Google Patents

用于识别民生问题类别的方法、装置及电子设备 Download PDF

Info

Publication number
CN112131378A
CN112131378A CN202010841397.2A CN202010841397A CN112131378A CN 112131378 A CN112131378 A CN 112131378A CN 202010841397 A CN202010841397 A CN 202010841397A CN 112131378 A CN112131378 A CN 112131378A
Authority
CN
China
Prior art keywords
civil
category
regular expression
sample set
hotline
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.)
Granted
Application number
CN202010841397.2A
Other languages
English (en)
Other versions
CN112131378B (zh
Inventor
彭涛
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202010841397.2A priority Critical patent/CN112131378B/zh
Publication of CN112131378A publication Critical patent/CN112131378A/zh
Application granted granted Critical
Publication of CN112131378B publication Critical patent/CN112131378B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本公开提供了用于识别民生问题类别的方法、装置、电子设备及存储介质。该方法的一具体实施方式包括：获取待识别民生热线文本；基于预设民生问题类别集中的民生问题类别对应的正则表达式，对待识别民生热线文本进行匹配，得到对应的匹配结果；根据匹配结果，确定待识别民生热线文本对应的民生问题类别集。该实施方式能够实现对民生热线文本的自动分类，无需人工干预，减少了人力成本和时间成本。

Description

用于识别民生问题类别的方法、装置及电子设备
技术领域
本公开涉及计算机技术领域，具体涉及一种用于识别民生问题类别的方法、装置、电子设备及存储介质。
背景技术
12345政务服务热线(亦可称之为民生热线)是供人们反映生产、生活中所遇到的困难和问题的平台，也是政府部门关注民生、倾听民意的重要途径。通过对民生热线数据进行分析，可获得有价值的民生信息，例如民生问题种类、各类民生问题的数量等，进而为有针对性的进行社会治理和解决民生问题提供重要支持。
相关技术中，主要通过人工标注的方式确定民生热线数据对应的民生问题类别，这种方式至少存在以下不足之处。其一，随着时间积累，民生热线数据的数量日益增加，人工标注的低效率使其无法有效处理大体量数据。其二，民生热线数据多采用自然语言描述的方式，表达方式口语化且无规则，使得人工标注难度不断增大。
因此，有必要提出一种新的用于识别民生问题类别的技术方案。
发明内容
本公开提出了用于识别民生问题类别的方法、装置、电子设备及存储介质。
第一方面，本公开提供了一种用于识别民生问题类别的方法，该方法包括：
获取待识别民生热线文本；
基于预设民生问题类别集中的民生问题类别对应的正则表达式，对待识别民生热线文本进行匹配，得到对应的匹配结果；
根据匹配结果，确定待识别民生热线文本对应的民生问题类别集。
在一些可选的实施方式中，对于民生问题类别集中的每个民生问题类别，该民生问题类别对应的正则表达式是通过如下训练步骤预先训练得到的：
获取训练样本集和验证样本集，其中，训练样本集和验证样本集中的样本包括历史民生热线文本和相应的类别标签；
根据该民生问题类别对应的正样本集生成该民生问题类别对应的候选正则表达式集，其中，正样本集是训练样本集中类别标签包括该民生问题类别的训练样本的集合；
基于验证样本集，从该民生问题类别对应的候选正则表达式集中确定验证准确率最高的候选正则表达式，作为该民生问题类别对应的正则表达式。
在一些可选的实施方式中，根据该民生问题类别对应的正样本集生成该民生问题类别对应的候选正则表达式集，包括：
对于该民生问题类别对应的正样本集中的每个正样本，对该正样本执行如下正则表达式生成操作：
对该正样本中的民生热线文本进行分词和词性标注处理，得到该正样本对应的候选分词序列和候选分词词性序列；
从该正样本对应的候选分词序列中提取关键分词；
根据所提取的关键分词和对应的词性，生成该正样本对应的候选正则表达式。
在一些可选的实施方式中，该方法还包括：
在获取训练样本集之后，对训练样本集执行如下均衡化处理操作：
从训练样本集中确定该民生问题类别对应的正样本集和负样本集，其中，负样本集是训练样本集中类别标签不包括该民生问题类别的样本的集合；
计算该民生问题类别对应的正样本和负样本的数量比；
当数量比不属于预设范围时，对训练样本集中的样本进行调整，以使数量比属于预设范围。
在一些可选的实施方式中，根据匹配结果，确定待识别民生热线文本对应的民生问题类别集，包括：
根据每个正则表达式的匹配结果，确定待识别民生热线文本是否属于该正则表达式对应的民生问题类别；
用待识别民生热线文本所属的民生问题类别确定民生问题类别集。
在一些可选的实施方式中，获取待识别民生热线文本，包括：
获取待识别民生热线录音；
对待识别民生热线录音进行语音识别处理，得到待识别民生热线文本。
第二方面，本公开提供了用于识别民生问题类别的装置，该装置包括：
获取模块，被配置为获取待识别民生热线文本；
匹配模块，被配置为基于预设民生问题类别集中的民生问题类别对应的正则表达式，对待识别民生热线文本进行匹配，得到对应的匹配结果；
确定模块，被配置为根据匹配结果，确定待识别民生热线文本对应的民生问题类别集。
在一些可选的实施方式中，该装置还包括训练模块，训练模块包括：
样本获取单元，被配置为获取训练样本集和验证样本集，其中，训练样本集和验证样本集中的样本包括历史民生热线文本和相应的类别标签；
正则表达式生成单元，被配置为根据该民生问题类别对应的正样本集生成该民生问题类别对应的候选正则表达式集，其中，正样本集是训练样本集中类别标签包括该民生问题类别的训练样本的集合；
选择单元，被配置为基于验证样本集，从该民生问题类别对应的候选正则表达式集中确定验证准确率最高的候选正则表达式，作为该民生问题类别对应的正则表达式。
在一些可选的实施方式中，正则表达式生成单元进一步被配置为：
对于该民生问题类别对应的正样本集中的每个正样本，对该正样本执行如下正则表达式生成操作：
对该正样本中的民生热线文本进行分词和词性标注处理，得到该正样本对应的候选分词序列和候选分词词性序列；
从该正样本对应的候选分词序列中提取关键分词；
根据所提取的关键分词和对应的词性，生成该正样本对应的候选正则表达式。
在一些可选的实施方式中，训练模块还包括均衡化处理单元，均衡化处理单元被配置为在获取训练样本集之后，对训练样本集执行如下均衡化处理操作：
从训练样本集中确定该民生问题类别对应的正样本集和负样本集，其中，负样本集是训练样本集中类别标签不包括该民生问题类别的样本的集合；
计算该民生问题类别对应的正样本和负样本的数量比；
当数量比不属于预设范围时，对训练样本集中的样本进行调整，以使数量比属于预设范围。
在一些可选的实施方式中，确定模块进一步被配置为：
根据每个正则表达式的匹配结果，确定待识别民生热线文本是否属于该正则表达式对应的民生问题类别；
用待识别民生热线文本所属的民生问题类别确定民生问题类别集。
在一些可选的实施方式中，获取模块进一步被配置为：
获取待识别民生热线录音；
对待识别民生热线录音进行语音识别处理，得到待识别民生热线文本。
第三方面，本公开提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如第一方面中任一实施方式描述的方法。
第四方面，本公开提供了一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被一个或多个处理器执行时实现如第一方面中任一实施方式描述的方法。
本公开的实施例提供的方法基于正则表达式对待识别民生热线文本进行匹配，并根据匹配结果确定待识别民生热线文本对应的民生问题类别集，能够实现对民生热线文本的自动分类，无需人工干预，减少了人力成本和时间成本。同时，在保证分类准确率的基础上提高了文本分类的效率。此外，上述方法还能够保证分类标准的客观性，减小人的主观因素对分类结果的影响。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的用于识别民生问题类别的方法的一个实施例的流程图；
图3是根据本公开的训练步骤的一个实施例的流程图；
图4是根据本公开的用于识别民生问题类别的装置的一个实施例的结构示意图；
图5是适于用来实现本公开的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的用于识别民生问题类别的方法或用于识别民生问题类别的装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102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101通过网络102与服务器103交互，以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用，例如民生热线记录类应用、民生问题类别识别类应用、网页浏览器应用等。
终端设备101可以是硬件，也可以是软件。当终端设备101为硬件时，可以是具有显示屏并且支持文本输入的各种电子设备，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。当终端设备101为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供民生问题类别识别服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以是提供各种服务的服务器，例如为终端设备101发送的民生热线文本提供识别服务的后台服务器。后台服务器可以对接收到的民生热线文本进行分析等处理，并将处理结果(例如民生问题类别集)反馈给终端设备。
在一些情况下，本公开所提供的用于识别民生问题类别的方法可以由终端设备101和服务器103共同执行，例如，“获取待识别民生热线文本”的步骤可以由终端设备101执行，其余步骤可以由服务器103执行。本公开对此不做限定。相应地，用于识别民生问题类别的装置也可以分别设置于终端设备101和服务器103中。
在一些情况下，本公开所提供的用于识别民生问题类别的方法可以由服务器103执行，相应地，用于识别民生问题类别的装置也可以设置于服务器103中，这时，系统架构100也可以不包括终端设备101。
在一些情况下，本公开所提供的用于识别民生问题类别的方法可以由终端设备101执行，相应地，用于识别民生问题类别的装置也可以设置于终端设备101中，这时，系统架构100也可以不包括服务器103。
需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器103为软件时，可以实现成多个软件或软件模块(例如用来提供民生问题类别识别服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1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，可以采用任意数目的终端设备、网络和服务器。
继续参考图2，其示出了根据本公开的用于识别民生问题类别的方法的一个实施例的流程200。该用于识别民生问题类别的方法，包括以下步骤：
步骤201，获取待识别民生热线文本。
在本实施例中，民生热线文本是文本形式的民生热线数据。具体来说，民生热线文本可以是来电人员和接线人员之间通话内容的文本记录，也可以是接线人员基于通话内容进行标注形成的结构化数据，还可以是民生热线记录服务器根据通话时间、来电基站位置等信息自动生成的结构化数据。根据一次民生热线的通话过程可以生成对应的民生热线文本。
在本实施例中，上述用于识别民生问题类别的方法的执行主体(例如图1所示的服务器)可以从本地获取待识别民生热线文本，也可以从与上述执行主体网络连接的其他电子设备远程地获取待识别民生热线文本。例如，上述执行主体可以从本地存储的数据库或者与上述执行主体网络连接的其他电子设备存储的数据库中获取待识别民生热线文本。上述执行主体也可以从民生平台服务器或对民生信息提供资源管理服务的服务器获取待识别民生热线文本。
在一些可选的实施方式中，上述执行主体还可以通过以下步骤获取待识别政务热线文本：首先，获取待识别民生热线录音。这里，民生热线录音可以是记录民生热线来电人员和接线人员之间通话内容的音频文件，其获取方式例如是对通话过程进行录音。其次，对待识别民生热线录音进行语音识别处理，得到待识别民生热线文本。上述语音识别处理可以采用基于动态时间规整(Dynamic Time Warping，DTW)的方法、基于参数模型的隐马尔可夫模型(Hidden Markov Model，HMM)的方法、基于非参数模型的矢量量化(VectorQuantization，VQ)的方法、基于人工神经网络(Artificial Neural Network，ANN)的方法等。通过上述实施方式，可以高效率地根据民生热线录音获得民生热线文本，进而提高识别民生问题类别的效率，还可以实现对民生热线进行实时分类。
步骤202，基于预设民生问题类别集中的民生问题类别对应的正则表达式，对待识别民生热线文本进行匹配，得到对应的匹配结果。
在本实施例中，预先设定了至少一种民生问题类别并形成了预设民生问题类别集。民生问题类别可以根据实际情况具体设置，具体类别例如可以是教育、就业、住房、医疗和养老等。
在本实施例中，预设民生问题类别集中的每个民生问题类别可以对应至少一个正则表达式。其中，正则表达式用于基于特定规则对待识别民生热线文本进行信息匹配并获得对应的匹配结果。
在一些可选的实现方式中，每个民生问题类别对应的至少一个正则表达式可以是由技术人员根据该民生问题类别对应的大量历史民生热线文本进行统计分析而预先设置并存储到上述执行主体的正则表达式。在一个例子中，“教育”民生问题类别对应的正则表达式可以为“#上学#”，该正则表达式可用于查找待识别民生热线文本中是否存在与“上学”一词相匹配的文本。如果上述例子中的匹配结果为“是”，则表明待识别民生热线文本中包含“上学”一词。如果上述例子中的匹配结果为“否”，则表明待识别民生热线文本中不包含“上学”一词。
在本实施例中，一个问题类别可以对应一个正则表达式，例如问题类别A对应正则表达式a。相应地，问题类别A对应的匹配结果为待识别民生热线文本是否与正则表达式a匹配。一个问题类别还可以对应两个以上的正则表达式，例如问题类别B对应正则表达式b1和正则表达式b2。相应地，问题类别B对应的匹配结果既包括待识别民生热线文本是否与正则表达式b1匹配，又包括待识别民生热线文本是否与正则表达式b1匹配。
步骤203，根据匹配结果，确定待识别民生热线文本对应的民生问题类别集。
在本实施例中，如果待识别民生热线文本在某个正则表达式下的匹配结果为是，则可以确定待识别民生热线文本属于该正则表达式对应的民生问题类别。在前文的“教育”民生问题类别的例子中，如果匹配结果为“是”，则表明待识别民生热线文本属于“教育”民生问题类别。如果匹配结果为“否”，则表明待识别民生热线文本不属于“教育”民生问题类别。
在一些可选的实施方式中，步骤203可以进一步包括：首先，根据每个正则表达式的匹配结果，确定待识别民生热线文本是否属于该正则表达式对应的民生问题类别。然后，用待识别民生热线文本所属的民生问题类别确定民生问题类别集。这里，对于预设民生问题类别集中的每个民生问题类别，可以确定待识别民生热线文本在该民生问题类别对应的正则表达式下的匹配结果，进而确定待识别民生热线文本是否属于该民生问题类别。进一步地，可以根据待识别民生热线文本所属的民生问题类别，生成待识别民生热线文本对应的民生问题类别集。其中，待识别民生热线文本对应的民生问题类别集中的元素即为待识别民生热线文本所属的民生问题类别。
在本实施例中，待识别民生热线可能只属于某一种民生问题类别，也可能同时属于两种或者两个以上的民生问题类别，还能不属于预设民生问题类别集中的任何一种民生问题类别。相应地，待识别民生热线文本对应的民生问题类别集中元素的个数可以为一个、多个或者零个。
本公开的上述实施例提供的方法基于正则表达式对待识别民生热线文本进行匹配，并根据匹配结果确定待识别民生热线文本对应的民生问题类别集，能够实现对民生热线文本的自动分类，在保证分类准确率的基础上提高了文本分类的效率。此外，上述方法能够保证分类标准的客观性，减小人的主观因素对分类结果的影响。
在一些可选的实施方式中，对于步骤201中记载民生问题类别集中的每个民生问题类别，该民生问题类别对应的正则表达式可以是通过如图3所示的训练步骤预先训练得到的。
这里，训练步骤的执行主体可以与上述用于识别民生问题类别的方法的执行主体相同。这样，训练步骤的执行主体可以在训练得到民生问题类别集中的民生问题类别对应的正则表达式后，将民生问题类别集中的民生问题类别对应的正则表达式存储在上述执行主体本地，并在执行上述用于识别民生问题类别的方法的过程中读取上述正则表达式。
这里，训练步骤的执行主体也可以与上述用于识别民生问题类别的方法的执行主体不同。这样，训练步骤的执行主体可以在训练得到民生问题类别集中的民生问题类别对应的正则表达式后，将民生问题类别集中的民生问题类别对应的正则表达式发送给上述用于识别民生问题类别的方法的执行主体。这样，上述用于识别民生问题类别的方法的执行主体可以在执行上述用于识别民生问题类别的方法的过程中读取从上述训练步骤的执行主体接收到的正则表达式。
请参考图3，图3示出了根据本公开的训练步骤的一个实施例的流程300。该训练步骤包括以下步骤：
步骤301，获取训练样本集和验证样本集。
在本实施例中，训练样本集和验证样本集中的样本可以包括历史民生热线文本和相应的类别标签。训练样本集可用于在训练阶段生成正则表达式，验证样本集可用于对生成的正则表达式的识别效果进行验证。在一个例子中，训练样本集和验证样本集的获取过程例如是：首先，从记录民生热线数据的数据库中批量读取民生热线文本数据并删除其中的无效数据(例如全部或者部分内容为空的民生热线文本)，根据剩余数据形成原始样本集。其次，从原始样本集中随机抽取一定数量的民生热线文本以形成训练样本集或者验证样本集。例如，从原始样本集中随机抽取80％的民生热线文本形成训练样本集，并将剩余20％的民生热线文本作为验证样本集。
在本实施例中，对于训练样本集和验证样本集中的每个样本，该样本可以包括一个民生热线文本和该民生热线文本对应的类别标签。其中，民生热线文本对应的类别标签可以通过人工标注的方式获得。例如，一个样本包括的民生热线文本为“小孩上学问题”，相应的类别标签为“教育”。
在本实施例中，每个民生热线文本对应的类别标签的个数可以是一个，也可以是两个以上。例如，对于一个既包括“找工作”又包括“看病”内容的民生热线文本，该民生热线文本对应的类别标签既包括“就业”又包括“医疗”。
在一些可选的实施方式中，上述训练步骤的执行主体可以在获取训练样本集之后，还对训练样本集执行如下均衡化处理操作：首先，从训练样本集中确定该民生问题类别对应的正样本集和负样本集。其中，负样本是训练样本集中类别标签不包括该民生问题类别不一致的样本，正样本是训练样本集中类别标签包括该民生问题类别的样本。其次，计算该民生问题类别对应的正样本和负样本的数量比。最后，当数量比不属于预设范围时，对训练样本集中的样本进行调整，以使数量比属于预设范围。上述预设范围例如是0.9-1.1。
在一个例子中，“教育”类别在训练样本集中对应的正样本数目和负样本数目分别为2000和1000。正样本数目和负样本数目的比值为2，不属于预设范围0.9-1.1。对此，可以从这2000个正样本中随机抽取1000个正样本用于训练，使得正样本数目和负样本数目的比值变为1，从而满足样本均衡化的要求。
通过上述均衡化处理操作，可以保证训练集中正样本和负样本的数量相对均衡，有利于训练步骤的顺利完成并且能够提高正则表达式的识别效果。
步骤302，根据该民生问题类别对应的正样本集生成该民生问题类别对应的候选正则表达式集。
在本实施例中，对于某个预设的民生问题类别，该民生问题类别对应的正样本为训练样本集中类别标签包括该民生问题类别一致的样本的集合。例如，对于“教育”这一民生问题类别，如果训练样本集中某个样本的类别标签中包括“教育”，那么该样本就是“教育”民生问题类别的正样本。容易理解，某个民生问题类别对应的正样本所形成的集合即为该民生问题类别对应的正样本集。
在一些可选的实施方式中，步骤302中记载的根据该民生问题类别对应的正样本集生成该民生问题类别对应的候选正则表达式集的步骤可以如下进行：对于该民生问题类别对应的正样本集中的每个正样本，对该正样本执行如下正则表达式生成操作。其中，正则表达式生成操作可以包括：
首先，对该正样本中的民生热线文本进行分词和词性标注处理，得到该正样本对应的候选分词序列和候选分词词性序列。
上述分词处理可以采用基于词表的分词方法、基于统计模型的分词方法、基于序列标注的分词方法等。上述词性标注处理可以采用隐马尔可夫模型、条件随机场等。
其次，从该正样本对应的候选分词序列中提取关键分词。
上述提取关联词的过程可以采用tf-idf(term frequency–inverse documentfrequency，词频-逆文本频率指数)算法或者textRank(文本排名)算法等，还可以基于语法规则进行提取。
最后，根据所提取的关键分词和对应的词性，生成该正样本对应的候选正则表达式。
在一个例子中，“教育”民生问题类别对应的正样本中的文本为“小孩上学怎么办呢”。通过对该正样本进行分词和词性标注处理，得到候选分词序列为“小孩|上学|怎么办|呢”，得到候选分词词性序列{名词，动词，动词，助词}。对上述候选分词序列进行关联词提取，得到的关键词为“小孩”、“上学”和“怎么办”，相应的词性依次为名词、动词和动词。在生成正则表达式时，可以采用原本的关键词，也可以采用相应的词性代替原本的关键词。例如，生成的正则表达式可以是“#小孩#上学#怎么办”，也可以是“#名词#上学#动词”。
在本实施例中，对于该民生问题类别对应的正样本集中的每个正样本，可以按照上述方式生成相应的候选正则表达式，进而生成相应民生问题类别对应的候选正则表达式集。
步骤303，基于验证样本集，从该民生问题类别对应的候选正则表达式集中确定验证准确率最高的候选正则表达式，作为该民生问题类别对应的正则表达式。
在本实施例中，对于候选正则表达式集中的每个候选正则表达式，可以用该正则表达式对验证样本集中的样本(可称之为验证样本)对应的民生热线文本进行匹配，得到对应的匹配结果。可以将上述匹配结果与该验证样本对应的类别标签进行比较，若一致则确定该候选正则表达式在该验证样本上的验证结果为正确，若不一致则确定该候选正则表达式在该验证样本上的验证结果为错误。通过上述方式，可以确定该候选正则表达式在验证样本集中每个验证样本上的验证结果，并可以进一步计算验证结果为正确的验证样本数量与验证样本总数量的比值，作为该候选正则表达式在该验证样本集上的验证准确率。
在本实施例中，可以通过上述方式确定候选正则表达式集中的每个候选正则表达式的验证准确率，并将验证准确率最高的候选正则表达式确定为该民生问题类别对应的正则表达式。
图3所示的训练步骤中，基于训练样本集生成候选正则表达式，基于验证样本集确定验证准确率最高的候选正则表达式并作为民生问题类别对应的正则表达式。上述训练步骤能够实现匹配规则的自动抽取并获得良好的匹配效果，还能够充分利用已有样本数据从而实现对标注经验的提炼和积累。
进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种用于识别民生问题类别的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例的用于识别民生问题类别的装置400包括：获取模块401、匹配模块402和确定模块403。其中，获取模块401，被配置为获取待识别民生热线文本；匹配模块402，被配置为基于预设民生问题类别集中的民生问题类别对应的正则表达式，对待识别民生热线文本进行匹配，得到对应的匹配结果；确定模块403，被配置为根据匹配结果，确定待识别民生热线文本对应的民生问题类别集。
在本实施例中，用于识别民生问题类别的装置400的获取模块401、匹配模块402和确定模块403的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明，在此不再赘述。
在一些可选的实施方式中，用于识别民生问题类别的装置400可以进一步包括训练模块404。训练模块404进一步可以包括样本获取单元、正则表达式生成单元和选择单元(图4中均未示出)。样本获取单元，被配置为获取训练样本集和验证样本集，其中，训练样本集和验证样本集中的样本包括历史民生热线文本和相应的类别标签。正则表达式生成单元，被配置为根据该民生问题类别对应的正样本集生成该民生问题类别对应的候选正则表达式集，其中，正样本集是训练样本集中类别标签包括该民生问题类别的训练样本的集合。选择单元，被配置为基于验证样本集，从该民生问题类别对应的候选正则表达式集中确定验证准确率最高的候选正则表达式，作为该民生问题类别对应的正则表达式。
在一些可选的实施方式中，正则表达式生成单元可以进一步被配置为：对于该民生问题类别对应的正样本集中的每个正样本，对该正样本执行如下正则表达式生成操作：对该正样本中的民生热线文本进行分词和词性标注处理，得到该正样本对应的候选分词序列和候选分词词性序列；从该正样本对应的候选分词序列中提取关键分词；根据所提取的关键分词和对应的词性，生成该正样本对应的候选正则表达式。
在一些可选的实施方式中，训练模块还可以包括均衡化处理单元(图4中未示出)，均衡化处理单元被配置为在获取训练样本集之后，对训练样本集执行如下均衡化处理操作：从训练样本集中确定该民生问题类别对应的正样本集和负样本集，其中，负样本集是训练样本集中类别标签不包括该民生问题类别的样本的集合；计算该民生问题类别对应的正样本和负样本的数量比；当数量比不属于预设范围时，对训练样本集中的样本进行调整，以使数量比属于预设范围。
在一些可选的实施方式中，确定模块403可以进一步被配置为：根据每个正则表达式的匹配结果，确定待识别民生热线文本是否属于该正则表达式对应的民生问题类别；用待识别民生热线文本所属的民生问题类别确定民生问题类别集。
在一些可选的实施方式中，获取模块401可以进一步被配置为：获取待识别民生热线录音；对待识别民生热线录音进行语音识别处理，得到待识别民生热线文本。
需要说明的是，本公开提供的用于识别民生问题类别的装置中各模块和各单元的实现细节和技术效果可以参考本公开中其它实施例的说明，在此不再赘述。
下面参考图5，其示出了适于用来实现本公开的电子设备的计算机系统500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的功能和使用范围带来任何限制。
如图5所示，计算机系统500包括中央处理单元(CPU，Central Processing Unit)501，其可以根据存储在只读存储器(ROM，Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM，Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O，Input/Output)接口505也连接至总线504。
以下部件连接至I/O接口505：包括触控屏、手写板、键盘或鼠标等的输入部分506；包括诸如阴极射线管(CRT，Cathode Ray Tube)、液晶显示器(LCD，Liquid CrystalDisplay)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN(局域网，Local Area Network)卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。
特别地，根据本公开的实施例，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509从网络上被下载和安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本公开的方法中限定的上述功能。需要说明的是，本公开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。在本公开中，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。而在本公开中，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。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。
描述于本公开中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元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、匹配模块和确定模块。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取模块还可以被描述为“获取待识别民生热线文本的模块”。
作为另一方面，本公开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装置中所包含的；也可以是单独存在，而未装配入该装置中。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该装置执行时，使得该装置：获取待识别民生热线文本；基于预设民生问题类别集中的民生问题类别对应的正则表达式，对待识别民生热线文本进行匹配，得到对应的匹配结果；根据匹配结果，确定待识别民生热线文本对应的民生问题类别集。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用于识别民生问题类别的方法，包括：
获取待识别民生热线文本；
基于预设民生问题类别集中的民生问题类别对应的正则表达式，对所述待识别民生热线文本进行匹配，得到对应的匹配结果；
根据所述匹配结果，确定所述待识别民生热线文本对应的民生问题类别集。
2.根据权利要求1所述的方法，其中，对于所述民生问题类别集中的每个民生问题类别，该民生问题类别对应的正则表达式是通过如下训练步骤预先训练得到的：
获取训练样本集和验证样本集，其中，所述训练样本集和所述验证样本集中的样本包括历史民生热线文本和相应的类别标签；
根据该民生问题类别对应的正样本集生成该民生问题类别对应的候选正则表达式集，其中，所述正样本集是所述训练样本集中类别标签包括该民生问题类别的训练样本的集合；
基于所述验证样本集，从该民生问题类别对应的候选正则表达式集中确定验证准确率最高的候选正则表达式，作为该民生问题类别对应的正则表达式。
3.根据权利要求2所述的方法，其中，所述根据该民生问题类别对应的正样本集生成该民生问题类别对应的候选正则表达式集，包括：
对于该民生问题类别对应的正样本集中的每个正样本，对该正样本执行如下正则表达式生成操作：
对该正样本中的民生热线文本进行分词和词性标注处理，得到该正样本对应的候选分词序列和候选分词词性序列；
从该正样本对应的候选分词序列中提取关键分词；
根据所提取的关键分词和对应的词性，生成该正样本对应的候选正则表达式。
4.根据权利要求2所述的方法，其中，所述方法还包括：
在获取所述训练样本集之后，对所述训练样本集执行如下均衡化处理操作：
从所述训练样本集中确定该民生问题类别对应的正样本集和负样本集，其中，所述负样本集是训练样本集中类别标签不包括该民生问题类别的样本的集合；
计算该民生问题类别对应的正样本和负样本的数量比；
当所述数量比不属于预设范围时，对所述训练样本集中的样本进行调整，以使所述数量比属于所述预设范围。
5.根据权利要求1所述的方法，其中，所述根据所述匹配结果，确定所述待识别民生热线文本对应的民生问题类别集，包括：
根据每个正则表达式的匹配结果，确定所述待识别民生热线文本是否属于该正则表达式对应的民生问题类别；
用所述待识别民生热线文本所属的民生问题类别确定所述民生问题类别集。
6.根据权利要求1-5中任一项所述的方法，其中，所述获取待识别民生热线文本，包括：
获取待识别民生热线录音；
对所述待识别民生热线录音进行语音识别处理，得到所述待识别民生热线文本。
7.一种用于识别民生问题类别的装置，包括：
获取模块，被配置为获取待识别民生热线文本；
匹配模块，被配置为基于预设民生问题类别集中的民生问题类别对应的正则表达式，对所述待识别民生热线文本进行匹配，得到对应的匹配结果；
确定模块，被配置为根据所述匹配结果，确定所述待识别民生热线文本对应的民生问题类别集。
8.根据权利要求7所述的装置，其中，所述装置还包括训练模块，所述训练模块包括：
样本获取单元，被配置为获取训练样本集和验证样本集，其中，所述训练样本集和所述验证样本集中的样本包括历史民生热线文本和相应的类别标签；
正则表达式生成单元，被配置为根据该民生问题类别对应的正样本集生成该民生问题类别对应的候选正则表达式集，其中，所述正样本集是所述训练样本集中类别标签包括该民生问题类别的训练样本的集合；
选择单元，被配置为基于所述验证样本集，从该民生问题类别对应的候选正则表达式集中确定验证准确率最高的候选正则表达式，作为该民生问题类别对应的正则表达式。
9.根据权利要求8所述的装置，其中，所述正则表达式生成单元进一步被配置为：
对于该民生问题类别对应的正样本集中的每个正样本，对该正样本执行如下正则表达式生成操作：
对该正样本中的民生热线文本进行分词和词性标注处理，得到该正样本对应的候选分词序列和候选分词词性序列；
从该正样本对应的候选分词序列中提取关键分词；
根据所提取的关键分词和对应的词性，生成该正样本对应的候选正则表达式。
10.根据权利要求8所述的装置，其中，所述训练模块还包括均衡化处理单元，所述均衡化处理单元被配置为在获取所述训练样本集之后，对所述训练样本集执行如下均衡化处理操作：
从所述训练样本集中确定该民生问题类别对应的正样本集和负样本集，其中，所述负样本集是训练样本集中类别标签不包括该民生问题类别的样本的集合；
计算该民生问题类别对应的正样本和负样本的数量比；
当所述数量比不属于预设范围时，对所述训练样本集中的样本进行调整，以使所述数量比属于所述预设范围。
11.根据权利要求7所述的装置，其中，所述确定模块进一步被配置为：
根据每个正则表达式的匹配结果，确定所述待识别民生热线文本是否属于该正则表达式对应的民生问题类别；
用所述待识别民生热线文本所属的民生问题类别确定所述民生问题类别集。
12.根据权利要求7-11中任一项所述的装置，其中，所述获取模块进一步被配置为：
获取待识别民生热线录音；
对所述待识别民生热线录音进行语音识别处理，得到所述待识别民生热线文本。
13.一种电子设备，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时，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN202010841397.2A 2020-08-20 2020-08-20 用于识别民生问题类别的方法、装置及电子设备 Active CN112131378B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010841397.2A CN112131378B (zh) 2020-08-20 2020-08-20 用于识别民生问题类别的方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010841397.2A CN112131378B (zh) 2020-08-20 2020-08-20 用于识别民生问题类别的方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112131378A true CN112131378A (zh) 2020-12-25
CN112131378B CN112131378B (zh) 2024-09-03

Family

ID=73851022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010841397.2A Active CN112131378B (zh) 2020-08-20 2020-08-20 用于识别民生问题类别的方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112131378B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420059A (zh) * 2021-08-23 2021-09-21 中关村科学城城市大脑股份有限公司 一种市民热线问题主动治理方法和装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5371807A (en) * 1992-03-20 1994-12-06 Digital Equipment Corporation Method and apparatus for text classification
CN105095186A (zh) * 2015-07-28 2015-11-25 百度在线网络技术（北京）有限公司 语义解析方法和装置
CN107193915A (zh) * 2017-05-15 2017-09-22 北京因果树网络科技有限公司 一种企业信息分类方法及装置
CN107992481A (zh) * 2017-12-25 2018-05-04 中科鼎富（北京）科技发展有限公司 一种基于多叉树的正则表达式匹配方法、装置及系统
CN110909160A (zh) * 2019-10-11 2020-03-24 平安科技（深圳）有限公司 正则表达式生成方法、服务器及计算机可读存储介质
CN111126067A (zh) * 2019-12-23 2020-05-08 北大方正集团有限公司 实体关系抽取方法及装置
WO2020119030A1 (zh) * 2018-12-11 2020-06-18 平安科技（深圳）有限公司 用于答复问题的模型训练方法、装置、设备及存储介质
CN111444344A (zh) * 2020-03-27 2020-07-24 腾讯科技（深圳）有限公司 实体分类方法、装置、计算机设备和存储介质
CN111444721A (zh) * 2020-05-27 2020-07-24 南京大学 一种基于预训练语言模型的中文文本关键信息抽取方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5371807A (en) * 1992-03-20 1994-12-06 Digital Equipment Corporation Method and apparatus for text classification
CN105095186A (zh) * 2015-07-28 2015-11-25 百度在线网络技术（北京）有限公司 语义解析方法和装置
CN107193915A (zh) * 2017-05-15 2017-09-22 北京因果树网络科技有限公司 一种企业信息分类方法及装置
CN107992481A (zh) * 2017-12-25 2018-05-04 中科鼎富（北京）科技发展有限公司 一种基于多叉树的正则表达式匹配方法、装置及系统
WO2020119030A1 (zh) * 2018-12-11 2020-06-18 平安科技（深圳）有限公司 用于答复问题的模型训练方法、装置、设备及存储介质
CN110909160A (zh) * 2019-10-11 2020-03-24 平安科技（深圳）有限公司 正则表达式生成方法、服务器及计算机可读存储介质
CN111126067A (zh) * 2019-12-23 2020-05-08 北大方正集团有限公司 实体关系抽取方法及装置
CN111444344A (zh) * 2020-03-27 2020-07-24 腾讯科技（深圳）有限公司 实体分类方法、装置、计算机设备和存储介质
CN111444721A (zh) * 2020-05-27 2020-07-24 南京大学 一种基于预训练语言模型的中文文本关键信息抽取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张栋;李寿山;王晶晶;: "基于问题与答案联合表示学习的半监督问题分类方法", 中文信息学报, no. 01, 15 January 2017 (2017-01-15) *
王青天，孔越: "《Python金融大数据风控建模实战》", 30 June 2020, 机械工业出版社, pages: 180 - 181 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420059A (zh) * 2021-08-23 2021-09-21 中关村科学城城市大脑股份有限公司 一种市民热线问题主动治理方法和装置

Also Published As

Publication number Publication date
CN112131378B (zh) 2024-09-03

Similar Documents

Publication Publication Date Title
US9473637B1 (en) Learning generation templates from dialog transcripts
KR20210070891A (ko) 번역품질 평가 방법 및 장치
CN111428010B (zh) 人机智能问答的方法和装置
CN111090987A (zh) 用于输出信息的方法和装置
CN109543058B (zh) 用于检测图像的方法、电子设备和计算机可读介质
CN111177319B (zh) 风险事件的确定方法、装置、电子设备和存储介质
CN111159220B (zh) 用于输出结构化查询语句的方法和装置
CN108121699B (zh) 用于输出信息的方法和装置
CN110245232B (zh) 文本分类方法、装置、介质和计算设备
CN111930914A (zh) 问题生成方法和装置、电子设备以及计算机可读存储介质
CN109582825B (zh) 用于生成信息的方法和装置
CN109190123B (zh) 用于输出信息的方法和装置
CN111651497A (zh) 用户标签挖掘方法、装置、存储介质及电子设备
CN113407677B (zh) 评估咨询对话质量的方法、装置、设备和存储介质
CN117556010A (zh) 基于知识库与大模型的文档生成系统、方法、设备及介质
CN110738056B (zh) 用于生成信息的方法和装置
CN113239204A (zh) 文本分类方法及装置、电子设备、计算机可读存储介质
CN111368551A (zh) 一种确定事件主体的方法和装置
CN110647613A (zh) 一种课件构建方法、装置、服务器和存储介质
CN111723180A (zh) 一种面试方法和装置
CN115798661A (zh) 临床医学领域的知识挖掘方法和装置
CN116933800B (zh) 一种基于模版的生成式意图识别方法及装置
CN112131378B (zh) 用于识别民生问题类别的方法、装置及电子设备
CN110705308B (zh) 语音信息的领域识别方法、装置、存储介质及电子设备
CN116010606A (zh) 文本审核模型的训练方法、装置及文本审核的方法、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