CN112131382A - 民生问题高发地的识别方法、装置及电子设备 - Google Patents

民生问题高发地的识别方法、装置及电子设备 Download PDF

Info

Publication number
CN112131382A
CN112131382A CN202010841732.9A CN202010841732A CN112131382A CN 112131382 A CN112131382 A CN 112131382A CN 202010841732 A CN202010841732 A CN 202010841732A CN 112131382 A CN112131382 A CN 112131382A
Authority
CN
China
Prior art keywords
clustering
cluster
civil
historical
feature vector
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
CN202010841732.9A
Other languages
English (en)
Other versions
CN112131382B (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 CN202010841732.9A priority Critical patent/CN112131382B/zh
Publication of CN112131382A publication Critical patent/CN112131382A/zh
Application granted granted Critical
Publication of CN112131382B publication Critical patent/CN112131382B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提供了民生问题高发地的识别方法、装置及电子设备。该方法的一具体实施方式包括：获取历史民生热线文本集；提取历史民生热线文本集中每个历史民生热线文本的特征向量并生成特征向量集；基于预设的聚类算法对特征向量集进行聚类处理，得到至少一个聚类簇；确定每个聚类簇的聚类中心；根据各聚类簇的聚类中心对应的地址，确定与历史民生热线文本集对应的民生问题高发地址集。该实施方式能够自动识别民生问题高发地，无需人工干预，减少了人力成本和时间成本。

Description

民生问题高发地的识别方法、装置及电子设备
技术领域
本公开涉及计算机技术领域，具体涉及民生问题高发地的识别方法、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，例如民生问题的数量、民生问题的高发地(即产生民生问题的数量较多的地区)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，主要通过人工统计分析的方式通过历史民生热线文本确定民生问题高发地，这种方式至少存在以下不足之处：随着时间积累，民生热线文本的数量日益增加，人工处理的低效率使其无法有效处理大体量数据。此外，民生热线文本多采用自然语言描述的方式，表达方式口语化且无规则，使得人工统计分析的难度较大。
因此，有必要提出一种新的识别民生问题高发地的技术方案。
发明内容
本公开提出了民生问题高发地的识别方法、装置、电子设备及存储介质。
第一方面，本公开提供了一种民生问题高发地的识别方法，包括：
获取历史民生热线文本集；
提取上述历史民生热线文本集中每个历史民生热线文本的特征向量并生成特征向量集，其中，上述特征向量包括表示地址的分量；
基于预设的聚类算法对上述特征向量集进行聚类处理，得到至少一个聚类簇，其中，每个上述聚类簇包括至少一个上述特性向量；
确定每个上述聚类簇的聚类中心，其中，每个上述聚类簇的聚类中心是该聚类簇中与该聚类簇中其他全部特性向量的距离之和最小的特征向量；
根据各上述聚类簇的聚类中心对应的地址，确定与上述历史民生热线文本集对应的民生问题高发地址集。
在一些可选的实施方式中，上述提取上述历史民生热线文本集中每个历史民生热线文本的特征向量并生成特征向量集，包括：
对于上述民生热线文本集中每个历史民生热线文本，根据该历史民生热线文本对应的结构化数据，确定该历史民生热线文本对应的特征向量的相应分量；和/或对该历史民生热线文本进行信息提取，确定该历史民生热线文本对应的特性向量的相应分量。
在一些可选的实施方式中，上述聚类算法包括kmeans算法、DBSCAN算法、均值漂移聚类算法、基于高斯混合模型的最大期望聚类算法、凝聚层级聚类算法、图团体检测算法中的任意一种或多种。
在一些可选的实施方式中，上述聚类算法为kmeans算法；以及
上述基于预设的聚类算法对上述特征向量集进行聚类处理，得到至少一个聚类簇，包括：
将上述特征向量集中预设数目的特征向量确定为初始点；
以各上述初始点作为中心点，执行以下聚类步骤：根据各上述中心点与上述特征向量集中各上述特征向量的距离，确定上述特征向量集中各上述特征向量对应的中心点；根据各上述中心点对应的全部上述特性向量，生成各上述中心点对应的归属簇；根据各上述归属簇中全部或部分特征向量的平均值，确定各上述归属簇的新的中心点；
重复上述聚类步骤直至达到预设停止条件，其中，上述预设停止条件包括以下至少一种：各上述归属簇的中心点在上述聚类步骤前后不发生变化，上述聚类步骤的重复次数大于预设次数；
将当前的各上述归属簇确定为各上述聚类簇。
在一些可选的实施方式中，在上述确定与上述历史民生热线文本集对应的民生问题高发地址集之前，上述方法还包括：
对于通过上述聚类处理得到的每个聚类簇，对该聚类簇执行以下分布密度检测步骤，以确定上述民生问题高发地址集中的元素：
基于该聚类簇中各上述特征向量对应的地址，确定该聚类簇对应的地址分布密度，其中，上述地址分布密度用于表示该聚类簇对应的各地址在地理分布中的聚集程度；
响应于确定该聚类簇对应的地址分布密度大于预设密度阈值，将该聚类簇的聚类中心对应的地址确定为上述民生问题高发地址集中的元素。
第二方面，本公开提供了一种民生问题高发地的识别装置，包括：
获取模块，被配置为获取历史民生热线文本集；
特征提取模块，被配置为提取上述历史民生热线文本集中每个历史民生热线文本的特征向量并生成特征向量集，其中，上述特征向量包括表示地址的分量；
聚类模块，被配置为基于预设的聚类算法对上述特征向量集进行聚类处理，得到至少一个聚类簇，其中，每个上述聚类簇包括至少一个上述特性向量；
中心确定模块，被配置为确定每个上述聚类簇的聚类中心，其中，每个上述聚类簇的聚类中心是该聚类簇中与该聚类簇中其他全部特性向量的距离之和最小的特征向量；
地址集生成模块，被配置为根据各上述聚类簇的聚类中心对应的地址，确定与上述历史民生热线文本集对应的民生问题高发地址集。
在一些可选的实施方式中，上述特征提取模块进一步被配置为：
对于上述民生热线文本集中每个历史民生热线文本，根据该历史民生热线文本对应的结构化数据，确定该历史民生热线文本对应的特征向量的相应分量；和/或对该历史民生热线文本进行信息提取，确定该历史民生热线文本对应的特性向量的相应分量。
在一些可选的实施方式中，上述聚类算法包括kmeans算法、DBSCAN算法、均值漂移聚类算法、基于高斯混合模型的最大期望聚类算法、凝聚层级聚类算法、图团体检测算法中的任意一种或多种。
在一些可选的实施方式中，上述聚类算法为kmeans算法；以及
上述聚类模块进一步被配置为：
将上述特征向量集中预设数目的特征向量确定为初始点；
以各上述初始点作为中心点，执行以下聚类步骤：根据各上述中心点与上述特征向量集中各上述特征向量的距离，确定上述特征向量集中各上述特征向量对应的中心点；根据各上述中心点对应的全部上述特性向量，生成各上述中心点对应的归属簇；根据各上述归属簇中全部或部分特征向量的平均值，确定各上述归属簇的新的中心点；
重复上述聚类步骤直至达到预设停止条件，其中，上述预设停止条件包括以下至少一种：各上述归属簇的中心点在上述聚类步骤前后不发生变化，上述聚类步骤的重复次数大于预设次数；
将当前的各上述归属簇确定为各上述聚类簇。
在一些可选的实施方式中，上述装置还包括分布密度检测模块，上述分布密度检测模块被配置为：
对于通过上述聚类处理得到的每个聚类簇，对该聚类簇执行以下分布密度检测步骤，以确定上述民生问题高发地址集中的元素：
基于该聚类簇中各上述特征向量对应的地址，确定该聚类簇对应的地址分布密度，其中，上述地址分布密度用于表示该聚类簇对应的各地址在地理分布中的聚集程度；
响应于确定该聚类簇对应的地址分布密度大于预设密度阈值，将该聚类簇的聚类中心对应的地址确定为上述民生问题高发地址集中的元素。
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，用于存储一个或多个程序；
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介质，其上存储有计算机程序，其中，上述程序被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。
本实施例中民生问题高发地的识别方法，基于预设的聚类算法对特征向量进行聚类处理，根据各聚类簇的聚类中心对应的地址，确定与历史民生热线文本集对应的民生问题高发地址集，能够自动识别民生问题高发地，无需人工干预，减少了人力成本和时间成本。同时，上述方法处理效率高，能够处理大体量数据。
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2A是根据本公开的民生问题高发地的识别方法的一个实施例的流程图；
图2B是根据本公开的步骤203的一个实施例的分解流程图；
图2C是根据本公开的分布密度检测步骤的一个实施例的分解流程图；
图3是根据本公开的民生问题高发地的识别装置的一个实施例的结构示意图；
图4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民生问题高发地的识别方法或民生问题高发地的识别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，例如民生热线文本记录类应用、民生问题高发地的识别类应用、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高发地的识别服务)，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，例如对终端设备101发送的历史民生热线文本提供民生问题高发地的识别服务的后台服务器。后台服务器可以对接收到的历史民生热线文本进行分析等处理，并将处理结果(例如民生问题高发地址集)反馈给终端设备。
在一些情况下，本公开所提供的民生问题高发地的识别方法可以由终端设备101和服务器103共同执行，例如，“获取历史民生热线文本集”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，民生问题高发地的识别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，本公开所提供的民生问题高发地的识别方法可以由服务器103执行，相应地，民生问题高发地的识别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，本公开所提供的民生问题高发地的识别方法可以由终端设备101执行，相应地，民生问题高发地的识别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高发地的识别服务)，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，可以具有任意数目的终端设备、网络和服务器。
继续参考图2A，其示出了根据本公开的民生问题高发地的识别方法的一个实施例的流程200。该民生问题高发地的识别方法，包括以下步骤：
步骤201，获取历史民生热线文本集。
在本实施例中，历史民生热线文本集可以是已有的民生热线文本形成的集合。这里，民生热线文本可以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。基于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，上述民生问题高发地的识别方法的执行主体(例如图1所示的服务器)可以从本地获取历史民生热线文本集，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历史民生热线文本集。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历史民生热线文本集。上述执行主体也可以从民生平台服务器或对民生热线提供资源管理服务的服务器获取历史民生热线文本集。
在一些可选的实施方式中，上述执行主体可以通过以下步骤获取历史民生热线文本集：首先，获取历史民生热线录音集。这里，历史民生热线录音集中的历史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，其获取方式可以是对通话过程进行录音。其次，对历史民生热线录音集中的历史民生热线录音进行语音识别处理，得到历史民生热线文本集。上述语音识别处理可以采用基于动态时间规整(DynamicTime 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(Vector Quantization，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，可以高效率地根据历史民生热线录音集获得历史民生热线文本集，进而提高识别民生问题高发地的效率。
步骤202，提取历史民生热线文本集中每个历史民生热线文本的特征向量并生成特征向量集。
在本实施例中，对于历史民生热线文本集中的每个历史民生热线文本，该历史民生热线文本的特征向量可以是该历史民生热线文本的属性量化值的集合。这里，该历史民生热线文本的特征向量中的分量可以对应于该历史民生热线文本的属性。上述属性可以是该历史民生热线文本对应的来电时间、该历史民生热线文本对应的民生事件的发生时间、该民生热线文本对应的来电地址、该民生热线文本对应的民生事件的发生地址、该民生热线文本对应的民生事件的涉及人数、该民生热线文本对应的民生问题类别等。
在一些可选的实施方式中，步骤202可以进一步包括：对于民生热线文本集中每个历史民生热线文本，根据该历史民生热线文本对应的结构化数据，确定该历史民生热线文本对应的特征向量的相应分量；和/或对该历史民生热线文本进行信息提取，确定该历史民生热线文本对应的特性向量的相应分量。
这里，结构化数据可以通过接线人员基于通话内容对民生事件的发生地址、民生事件的涉及人数、民生问题类别等信息进行人工标注得到，也可以通过民生热线记录服务器对民生热线的来电时间、来电地址(例如来电基站的地址)等信息进行自动记录得到。基于上述结构化数据，可以确定该历史民生热线文本对应的特征向量的相应分量。
这里，对该历史民生热线文本进行信息提取时，可以采用基于有限状态机的信息提取方法、信息抽取的概率模型方法等。例如，可以采用正则表达式进行信息提取，还可以采用隐马尔可夫模型(Hidden Markov Model，HMM)进行信息提取。基于上述信息提取的结果，可以确定该历史民生热线文本对应的特征向量的相应分量。
在上述实施方式中，基于结构化数据和/或信息提取方式，能够准确有效地确定特征向量的相应分量。
在本实施例中，对于历史民生热线文本集中的每个历史民生热线文本，该历史民生热线文本的特征向量可以包括表示地址的分量。上述地址可以是基于该历史民生热线文本对应的结构化数据得到的，也可以是通过对该历史民生热线文本进行信息提取得到的。上述地址可以是文本形式、经纬度形式等。
在一个例子中，某个历史民生热线文本的特征向量可以包括表示地址的分量(可称之为地址分量)、表示来电时间的分量(可称之为时间分量)和表示民生问题类别的分量(可称之为类别分量)。这里，地址分量的数值可以是该历史民生热线文本对应的地址的数字编码(例如，记为a1)，时间分量的数值可以是该历史民生热线文本对应的时间的数字编码(例如，记为a2)，类别分量的数值可以是该历史民生热线文本对应的民生问题类别的代码(例如，记为a3)。容易理解，该历史民生热线文本的特征向量即为(a1，a2，a3)。
步骤203，基于预设的聚类算法对特征向量集进行聚类处理，得到至少一个聚类簇。
在本实施例中，聚类处理可以是将特征向量集分成至少一个聚类簇的过程，其中，每个聚类簇可以包括至少一个特征向量。
在一些可选的实施方式中，聚类算法可以包括kmeans(k-means clusteringalgorithm，均值聚类算法)算法、DBSCAN算法(Density-Based Spatial Clustering ofApplications with Noise，具有噪声的基于密度的聚类方法)、均值漂移聚类算法、基于高斯混合模型的最大期望聚类算法、凝聚层级聚类算法、图团体检测算法中的任意一种或多种。
在一些可选的实施方式中，聚类算法可以为kmeans算法。相应地，步骤203可以进一步包括以下步骤：
首先，将特征向量集中预设数目的特征向量确定为初始点。例如，可以从特性向量集中随机选取预设数目的特征向量，将其确定为初始点。
在一个例子中，特征向量集可以是{(1,2,1)，(1,2,2)，(1,2,3)，(5,6,7)，(5,6,8)，(5,6,9)}，预设数目可以是2，这样可以从特性向量集中随机选取2个特征向量作为初始点，例如选出的初始点可以是(1,2,1)和(5,6,7)。
其次，以各初始点作为中心点，执行以下聚类步骤：首先，根据各中心点与特征向量集中各特征向量的距离，确定特征向量集中各特征向量对应的中心点。这里，可以将与某个特征向量距离最小的中心点作为该特征向量对应的中心点。其次，根据各中心点对应的全部特性向量，生成各中心点对应的归属簇。这里，可以将某个中心点对应的全部特征向量形成的集合作为该中心点对应的归属簇。最后，根据各归属簇中全部或部分特征向量的平均值，确定各归属簇的新的中心点。这里，可以将某个归属簇中全部特性向量的平均值作为该归属簇的新的中心点，也可以从某个归属簇中去除与该归属簇中其他特征向量的距离之和大于某个阈值的特性向量，并将剩余特性向量的平均值作为该归属簇的新的中心点。
在前文描述的例子中，可以将初始点(1,2,1)和(5,6,7)作为中心点，并基于中心点(1,2,1)和(5,6,7)执行以下聚类步骤：首先，对于中心点(1,2,1)，可以分别计算该中心点到特征向量(1,2,1)、(1,2,2)、(1,2,3)、(5,6,7)、(5,6,8)和(5,6,9)的欧式距离，上述欧式距离依次为0、1、2、8.25、9和9.80。对于中心点(5,6,7)，可以分别计算该中心点到特征向量(1,2,1)、(1,2,2)、(1,2,3)、(5,6,7)、(5,6,8)和(5,6,9)的欧式距离，上述欧式距离依次为8.25、7.55、6.93、0、1、0。对于特征向量(1,2,2)，该特征向量到中心点(1,2,1)和中心点(5,6,7)的距离分别为1和7.55，因而该特性向量可以与中心点(1,2,1)对应。按照上述方式，可确定每个特性向量对应的中心点。其次，对于中心点(1,2,1)，该中心点对应的特征向量包括(1,2,1)、(1,2,2)和(1,2,3)，因而该中心点对应的归属簇为{(1,2,1)，(1,2,2)，(1,2,3)}。对于中心点(5,6,7)，该中心点对应的特征向量包括(5,6,7)，(5,6,8)和(5,6,9)，因而该特征向量对应的归属簇为{(5,6,7)，(5,6,8)，(5,6,9)}。最后，可以计算中心点(1,2,1)对应的归属簇{(1,2,1)，(1,2,2)，(1,2,3)}中全部特性向量的平均值，并将相应的平均值(1,2,2)作为新的中心点。可以计算中心点(5,6,7)对应的归属簇{(5,6,7)，(5,6,8)，(5,6,9)}中全部特性向量的平均值，并将相应的平均值(5,6,8)作为新的中心点。
之后，重复聚类步骤直至达到预设停止条件，其中，预设停止条件可以包括以下至少一种：各归属簇的中心点在聚类步骤前后不发生变化，聚类步骤的重复次数大于预设次数。在一个例子中，预设停止条件可以同时包括各归属簇的中心点在聚类步骤前后不发生变化和聚类步骤的重复次数大于预设次数，在两个条件中的任意一个条件实现的情况下即停止聚类步骤。
在前文描述的例子中，基于新的中心点(1,2,2)和(5,6,8)重新执行一次聚类步骤，得到的新的中心点仍然为(1,2,2)和(5,6,8)，这时可以认为达到了预设停止条件，因而可以停止执行聚类步骤。
最后，将当前的各归属簇确定为各聚类簇。
在前文的例子中，最终得到的聚类簇可以是{(1,2,1)，(1,2,2)，(1,2,3)}和{(5,6,7)，(5,6,8)，(5,6,9)}。
上述实施方式通过kmeans算法对特征向量集进行聚类处理，实现方便，参数简单，聚类效果较优。
在一些可选的实施方式中，步骤203可以按照图2B所示的分解流程实施。请参考图2B，图2B示出了根据本公开的步骤203的一个实施例的分解流程图。如图2B所示，步骤203进一步包括以下步骤：
步骤2031，确定初始点并将其作为中心点。
例如，可以随机抽取预设数目的特性向量作为初始点。
步骤2032，根据各中心点与特征向量集中各特征向量的距离，确定特征向量集中各特征向量对应的中心点。
步骤2033，根据各中心点对应的全部特性向量，生成各中心点对应的归属簇。
例如，可以将与某个特征向量距离最小的中心点作为该特征向量对应的中心点。
步骤2034，根据各归属簇中全部或部分特征向量的平均值，确定各归属簇的新的中心点。
例如，可以将某个归属簇中全部特性向量的平均值作为该归属簇的新的中心点，也可以从某个归属簇中去除与该归属簇中其他特征向量的距离之和大于某个阈值的特性向量，并将剩余特性向量的平均值作为该归属簇的新的中心点。
步骤2035，确定是否达到了预设停止条件。
预设停止条件可以包括以下至少一种：各归属簇的中心点在聚类步骤前后不发生变化，聚类步骤的重复次数大于预设次数。
响应于确定否，转至步骤2032。
响应于确定是，转至步骤2036。
步骤2036，将当前的各归属簇确定为各聚类簇。
上述实施方式通过kmeans算法对特征向量集进行聚类处理，实现方便，参数简单，聚类效果较优。
步骤204，确定每个聚类簇的聚类中心。
在本实施例中，每个聚类簇的聚类中心可以是该聚类簇中与该聚类簇中其他全部特性向量的距离之和最小的特征向量。
在前文描述的例子中，对于聚类簇{(1,2,1)，(1,2,2)，(1,2,3)}，该聚类簇中的特征向量(1,2,1)与该聚类簇中其他全部特征向量之和为3，特征向量(1,2,2)与该聚类簇中其他全部特征向量之和为2，特征向量(1,2,3)与该聚类簇中其他全部特征向量之和为3，因此该聚类簇的聚类中心可以是(1,2,2)。按照上述方式，可以确定聚类簇{(5,6,7)，(5,6,8)，(5,6,9)}的聚类中心为(5,6,8)。
步骤205，根据各聚类簇的聚类中心对应的地址，确定与历史民生热线文本集对应的民生问题高发地址集。
在本实施例中，特征向量可以包括表示地址的分量，因此可以根据聚类簇的聚类中心对应的特征向量中标识地址的分量确定相应的地址。进一步地，可以根据各个聚类簇的聚类中心对应的地址生成与历史民生热线文本集对应的民生问题高发地址集。
在前文描述的例子中，聚类中心(1,2,2)对应的地址可以是A，聚类中心(5,6,8)对应的地址可以是B。相应地，历史民生热线文本集对应的民生问题高发地址集可以是{A，B}。
本实施例中民生问题高发地的识别方法，基于预设的聚类算法对特征向量进行聚类处理，根据各聚类簇的聚类中心对应的地址，确定与历史民生热线文本集对应的民生问题高发地址集，能够自动识别民生问题高发地，无需人工干预，减少了人力成本和时间成本。同时，上述方法处理效率高，能够处理大体量数据。
在一些可选的实施方式中，在步骤205之前，根据本公开的民生问题高发地的识别方法的一个实施例的流程200还包括以下步骤204’(在图2A中以虚线框示出)。
步骤204’，对于通过聚类处理得到的每个聚类簇，对该聚类簇执行分布密度检测步骤，以确定民生问题高发地址集中的元素。
请参考图2C，图2C示出了根据本公开的分布密度检测步骤的一个实施例的分解流程图。如图2C所示，分布密度检测步骤2040包括以下步骤：
步骤2040a，基于该聚类簇中各特征向量对应的地址，确定该聚类簇对应的地址分布密度。
在本实施例中，地址分布密度可以用于表示该聚类簇对应的各地址在地理分布中的聚集程度。在一个例子中，可以在地图中找到包含该聚类簇对应的全部地址的最小圆形区域，并可以将全部地址的数量与最小圆形区域的比值作为该聚类簇对应的地址分布密度。
步骤2040b，响应于确定该聚类簇对应的地址分布密度大于预设密度阈值，将该聚类簇的聚类中心对应的地址确定为民生问题高发地址集中的元素。
在一个例子中，预设密度阈值可以是5/km2。如果该聚类簇对应的地址分布密度大于5/km2，则可以将该聚类簇对应的地址确定为民生问题高发地址集中的元素，反之则不将该聚类簇对应的地址作为民生问题高发地址集中的元素。
在上述实施方式中，通过确定聚类簇对应的地址分布密度并将其与预设密度阈值进行比较，能够避免将多个地址之间分布过于分散的聚类簇作为确定民生问题高发地的基础，避免出现不合理的处理结果。
进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种民生问题高发地的识别装置的一个实施例，该装置实施例与图2A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3所示，本实施例的民生问题高发地的识别装置300包括：获取模块301、特征提取模块302、聚类模块303、中心确定模块304和地址集生成模块305。其中，获取模块301，被配置为获取历史民生热线文本集；特征提取模块302，被配置为提取历史民生热线文本集中每个历史民生热线文本的特征向量并生成特征向量集，其中，特征向量包括表示地址的分量；聚类模块303，被配置为基于预设的聚类算法对特征向量集进行聚类处理，得到至少一个聚类簇，其中，每个聚类簇包括至少一个特性向量；中心确定模块304，被配置为确定每个聚类簇的聚类中心，其中，每个聚类簇的聚类中心是该聚类簇中与该聚类簇中其他全部特性向量的距离之和最小的特征向量；地址集生成模块305，被配置为根据各聚类簇的聚类中心对应的地址，确定与历史民生热线文本集对应的民生问题高发地址集。
在本实施例中，民生问题高发地的识别装置300的获取模块301、特征提取模块302、聚类模块303、中心确定模块304和地址集生成模块305的具体处理及其所带来的技术效果可分别参考图2A对应实施例中步骤201、步骤202、步骤203、步骤204和步骤205的相关说明，在此不再赘述。
在一些可选的实施方式中，特征提取模块302可以进一步被配置为：对于民生热线文本集中每个历史民生热线文本，根据该历史民生热线文本对应的结构化数据，确定该历史民生热线文本对应的特征向量的相应分量；和/或对该历史民生热线文本进行信息提取，确定该历史民生热线文本对应的特性向量的相应分量。
在一些可选的实施方式中，聚类算法可以包括kmeans算法、DBSCAN算法、均值漂移聚类算法、基于高斯混合模型的最大期望聚类算法、凝聚层级聚类算法、图团体检测算法中的任意一种或多种。
在一些可选的实施方式中，聚类算法可以为kmeans算法，以及聚类模块可以进一步被配置为：将特征向量集中预设数目的特征向量确定为初始点；以各初始点作为中心点，执行以下聚类步骤：根据各中心点与特征向量集中各特征向量的距离，确定特征向量集中各特征向量对应的中心点；根据各中心点对应的全部特性向量，生成各中心点对应的归属簇；根据各归属簇中全部或部分特征向量的平均值，确定各归属簇的新的中心点；重复聚类步骤直至达到预设停止条件，其中，预设停止条件包括以下至少一种：各归属簇的中心点在聚类步骤前后不发生变化，聚类步骤的重复次数大于预设次数；将当前的各归属簇确定为各聚类簇。
在一些可选的实施方式中，民生问题高发地的识别装置300还可以包括分布密度检测模块304’(在图3中以虚线框示出)，分布密度检测模块304’被配置为：对于通过聚类处理得到的每个聚类簇，对该聚类簇执行以下分布密度检测步骤，以确定民生问题高发地址集中的元素：基于该聚类簇中各特征向量对应的地址，确定该聚类簇对应的地址分布密度，其中，地址分布密度用于表示该聚类簇对应的各地址在地理分布中的聚集程度；响应于确定该聚类簇对应的地址分布密度大于预设密度阈值，将该聚类簇的聚类中心对应的地址确定为民生问题高发地址集中的元素。
需要说明的是，本公开提供的民生问题高发地的识别装置中各模块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4，其示出了适于用来实现本公开的电子设备的计算机系统400的结构示意图。图4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4所示，计算机系统400包括中央处理单元(CPU，CentralProcessingUnit)401，其可以根据存储在只读存储器(ROM，ReadOnlyMemory)402中的程序或者从存储部分408加载到随机访问存储器(RAM，RandomAccessMemory)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有系统400操作所需的各种程序和数据。CPU401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O，Input/Output)接口405也连接至总线404。
以下部件连接至I/O接口405：包括触控屏、手写板、键盘或鼠标等的输入部分406；包括诸如阴极射线管(CRT，CathodeRayTube)、液晶显示器(LCD，LiquidCrystalDisplay)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN(局域网，LocalAreaNetwork)卡、调制解调器等的网络接口卡的通信部分409。通信部分409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409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)401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、特征提取模块、聚类模块、中心确定模块和地址集生成模块。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，例如，获取模块还可以被描述为“获取历史民生热线文本集的模块”。
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：获取历史民生热线文本集；提取历史民生热线文本集中每个历史民生热线文本的特征向量并生成特征向量集，其中，特征向量包括表示地址的分量；基于预设的聚类算法对特征向量集进行聚类处理，得到至少一个聚类簇，其中，每个聚类簇包括至少一个特性向量；确定每个聚类簇的聚类中心，其中，每个聚类簇的聚类中心是该聚类簇中与该聚类簇中其他全部特性向量的距离之和最小的特征向量；根据各聚类簇的聚类中心对应的地址，确定与历史民生热线文本集对应的民生问题高发地址集。
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 (12)

1.一种民生问题高发地的识别方法，包括：
获取历史民生热线文本集；
提取所述历史民生热线文本集中每个历史民生热线文本的特征向量并生成特征向量集，其中，所述特征向量包括表示地址的分量；
基于预设的聚类算法对所述特征向量集进行聚类处理，得到至少一个聚类簇，其中，每个所述聚类簇包括至少一个所述特性向量；
确定每个所述聚类簇的聚类中心，其中，每个所述聚类簇的聚类中心是该聚类簇中与该聚类簇中其他全部特性向量的距离之和最小的特征向量；
根据各所述聚类簇的聚类中心对应的地址，确定与所述历史民生热线文本集对应的民生问题高发地址集。
2.根据权利要求1所述的方法，其中，所述提取所述历史民生热线文本集中每个历史民生热线文本的特征向量并生成特征向量集，包括：
对于所述民生热线文本集中每个历史民生热线文本，根据该历史民生热线文本对应的结构化数据，确定该历史民生热线文本对应的特征向量的相应分量；和/或对该历史民生热线文本进行信息提取，确定该历史民生热线文本对应的特性向量的相应分量。
3.根据权利要求1或2所述的方法，其中，所述聚类算法包括kmeans算法、DBSCAN算法、均值漂移聚类算法、基于高斯混合模型的最大期望聚类算法、凝聚层级聚类算法、图团体检测算法中的任意一种或多种。
4.根据权利要求1或2所述的方法，其中，所述聚类算法为kmeans算法；以及
所述基于预设的聚类算法对所述特征向量集进行聚类处理，得到至少一个聚类簇，包括：
将所述特征向量集中预设数目的特征向量确定为初始点；
以各所述初始点作为中心点，执行以下聚类步骤：根据各所述中心点与所述特征向量集中各所述特征向量的距离，确定所述特征向量集中各所述特征向量对应的中心点；根据各所述中心点对应的全部所述特性向量，生成各所述中心点对应的归属簇；根据各所述归属簇中全部或部分特征向量的平均值，确定各所述归属簇的新的中心点；
重复所述聚类步骤直至达到预设停止条件，其中，所述预设停止条件包括以下至少一种：各所述归属簇的中心点在所述聚类步骤前后不发生变化，所述聚类步骤的重复次数大于预设次数；
将当前的各所述归属簇确定为各所述聚类簇。
5.根据权利要求1或2所述的方法，其中，在所述确定与所述历史民生热线文本集对应的民生问题高发地址集之前，所述方法还包括：
对于通过所述聚类处理得到的每个聚类簇，对该聚类簇执行以下分布密度检测步骤，以确定所述民生问题高发地址集中的元素：
基于该聚类簇中各所述特征向量对应的地址，确定该聚类簇对应的地址分布密度，其中，所述地址分布密度用于表示该聚类簇对应的各地址在地理分布中的聚集程度；
响应于确定该聚类簇对应的地址分布密度大于预设密度阈值，将该聚类簇的聚类中心对应的地址确定为所述民生问题高发地址集中的元素。
6.一种民生问题高发地的识别装置，包括：
获取模块，被配置为获取历史民生热线文本集；
特征提取模块，被配置为提取所述历史民生热线文本集中每个历史民生热线文本的特征向量并生成特征向量集，其中，所述特征向量包括表示地址的分量；
聚类模块，被配置为基于预设的聚类算法对所述特征向量集进行聚类处理，得到至少一个聚类簇，其中，每个所述聚类簇包括至少一个所述特性向量；
中心确定模块，被配置为确定每个所述聚类簇的聚类中心，其中，每个所述聚类簇的聚类中心是该聚类簇中与该聚类簇中其他全部特性向量的距离之和最小的特征向量；
地址集生成模块，被配置为根据各所述聚类簇的聚类中心对应的地址，确定与所述历史民生热线文本集对应的民生问题高发地址集。
7.根据权利要求6所述的装置，其中，所述特征提取模块进一步被配置为：
对于所述民生热线文本集中每个历史民生热线文本，根据该历史民生热线文本对应的结构化数据，确定该历史民生热线文本对应的特征向量的相应分量；和/或对该历史民生热线文本进行信息提取，确定该历史民生热线文本对应的特性向量的相应分量。
8.根据权利要求6或7所述的装置，其中，所述聚类算法包括kmeans算法、DBSCAN算法、均值漂移聚类算法、基于高斯混合模型的最大期望聚类算法、凝聚层级聚类算法、图团体检测算法中的任意一种或多种。
9.根据权利要求6或7所述的装置，其中，所述聚类算法为kmeans算法；以及
所述聚类模块进一步被配置为：
将所述特征向量集中预设数目的特征向量确定为初始点；
以各所述初始点作为中心点，执行以下聚类步骤：根据各所述中心点与所述特征向量集中各所述特征向量的距离，确定所述特征向量集中各所述特征向量对应的中心点；根据各所述中心点对应的全部所述特性向量，生成各所述中心点对应的归属簇；根据各所述归属簇中全部或部分特征向量的平均值，确定各所述归属簇的新的中心点；
重复所述聚类步骤直至达到预设停止条件，其中，所述预设停止条件包括以下至少一种：各所述归属簇的中心点在所述聚类步骤前后不发生变化，所述聚类步骤的重复次数大于预设次数；
将当前的各所述归属簇确定为各所述聚类簇。
10.根据权利要求6或7所述的装置，其中，所述装置还包括分布密度检测模块，所述分布密度检测模块被配置为：
对于通过所述聚类处理得到的每个聚类簇，对该聚类簇执行以下分布密度检测步骤，以确定所述民生问题高发地址集中的元素：
基于该聚类簇中各所述特征向量对应的地址，确定该聚类簇对应的地址分布密度，其中，所述地址分布密度用于表示该聚类簇对应的各地址在地理分布中的聚集程度；
响应于确定该聚类簇对应的地址分布密度大于预设密度阈值，将该聚类簇的聚类中心对应的地址确定为所述民生问题高发地址集中的元素。
11.一种电子设备，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1-5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，其中，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。
CN202010841732.9A 2020-08-20 2020-08-20 民生问题高发地的识别方法、装置及电子设备 Active CN112131382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010841732.9A CN112131382B (zh) 2020-08-20 2020-08-20 民生问题高发地的识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010841732.9A CN112131382B (zh) 2020-08-20 2020-08-20 民生问题高发地的识别方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112131382A true CN112131382A (zh) 2020-12-25
CN112131382B CN112131382B (zh) 2024-05-10

Family

ID=73851158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010841732.9A Active CN112131382B (zh) 2020-08-20 2020-08-20 民生问题高发地的识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112131382B (zh)

Cited By (2)

* 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
CN115065600A (zh) * 2022-06-13 2022-09-16 远景智能国际私人投资有限公司 设备分组方法、装置、设备及存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110270808A1 (en) * 2010-04-30 2011-11-03 International Business Machines Corporation Systems and Methods for Discovering Synonymous Elements Using Context Over Multiple Similar Addresses
CN104167092A (zh) * 2014-07-30 2014-11-26 北京市交通信息中心 一种确定出租车上下客热点区域中心的方法以及装置
CN104299182A (zh) * 2014-10-08 2015-01-21 天津大学 基于聚类的城市基础设施突发事件的检测方法
US20160034558A1 (en) * 2014-07-31 2016-02-04 International Business Machines Corporation Generating a clustering model and clustering based on the clustering model
CN106056515A (zh) * 2016-05-27 2016-10-26 广东亿迅科技有限公司 一种社区网格事件聚类特征的提取方法
CN108399739A (zh) * 2017-05-26 2018-08-14 中山大学 一种重点监管路段选取方法
CN109191226A (zh) * 2018-06-29 2019-01-11 阿里巴巴集团控股有限公司 风险控制方法和装置
CN110059234A (zh) * 2019-04-16 2019-07-26 珠海卓邦科技有限公司 水务异常事件侦测方法及装置、计算机装置及存储介质
KR20190102456A (ko) * 2018-02-26 2019-09-04 한국인터넷진흥원 어플리케이션 클러스터링 방법 및 그 장치
CN110297901A (zh) * 2019-05-14 2019-10-01 广州数说故事信息科技有限公司 基于距离参数的大规模文本聚类方法
CN110599200A (zh) * 2019-09-10 2019-12-20 携程计算机技术（上海）有限公司 Ota酒店的虚假地址的检测方法、系统、介质及设备
CN110728526A (zh) * 2019-08-19 2020-01-24 阿里巴巴集团控股有限公司 地址识别方法、设备以及计算机可读介质
CN111078818A (zh) * 2019-12-27 2020-04-28 同盾(广州)科技有限公司 地址分析方法、装置、电子设备及存储介质
CN111260215A (zh) * 2020-01-15 2020-06-09 中国平安财产保险股份有限公司 风险预警方法及相关装置
CN112131381A (zh) * 2020-08-20 2020-12-25 彭涛 警情高发地的识别方法、装置、电子设备及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110270808A1 (en) * 2010-04-30 2011-11-03 International Business Machines Corporation Systems and Methods for Discovering Synonymous Elements Using Context Over Multiple Similar Addresses
CN104167092A (zh) * 2014-07-30 2014-11-26 北京市交通信息中心 一种确定出租车上下客热点区域中心的方法以及装置
US20160034558A1 (en) * 2014-07-31 2016-02-04 International Business Machines Corporation Generating a clustering model and clustering based on the clustering model
CN104299182A (zh) * 2014-10-08 2015-01-21 天津大学 基于聚类的城市基础设施突发事件的检测方法
CN106056515A (zh) * 2016-05-27 2016-10-26 广东亿迅科技有限公司 一种社区网格事件聚类特征的提取方法
CN108399739A (zh) * 2017-05-26 2018-08-14 中山大学 一种重点监管路段选取方法
KR20190102456A (ko) * 2018-02-26 2019-09-04 한국인터넷진흥원 어플리케이션 클러스터링 방법 및 그 장치
CN109191226A (zh) * 2018-06-29 2019-01-11 阿里巴巴集团控股有限公司 风险控制方法和装置
CN110059234A (zh) * 2019-04-16 2019-07-26 珠海卓邦科技有限公司 水务异常事件侦测方法及装置、计算机装置及存储介质
CN110297901A (zh) * 2019-05-14 2019-10-01 广州数说故事信息科技有限公司 基于距离参数的大规模文本聚类方法
CN110728526A (zh) * 2019-08-19 2020-01-24 阿里巴巴集团控股有限公司 地址识别方法、设备以及计算机可读介质
CN110599200A (zh) * 2019-09-10 2019-12-20 携程计算机技术（上海）有限公司 Ota酒店的虚假地址的检测方法、系统、介质及设备
CN111078818A (zh) * 2019-12-27 2020-04-28 同盾(广州)科技有限公司 地址分析方法、装置、电子设备及存储介质
CN111260215A (zh) * 2020-01-15 2020-06-09 中国平安财产保险股份有限公司 风险预警方法及相关装置
CN112131381A (zh) * 2020-08-20 2020-12-25 彭涛 警情高发地的识别方法、装置、电子设备及存储介质

Cited By (3)

* 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
CN115065600A (zh) * 2022-06-13 2022-09-16 远景智能国际私人投资有限公司 设备分组方法、装置、设备及存储介质
CN115065600B (zh) * 2022-06-13 2024-01-05 远景智能国际私人投资有限公司 设备分组方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112131382B (zh) 2024-05-10

Similar Documents

Publication Publication Date Title
CN109460513B (zh) 用于生成点击率预测模型的方法和装置
CN107393541B (zh) 信息验证方法和装置
CN111428010B (zh) 人机智能问答的方法和装置
CN107391359B (zh) 一种业务测试方法及装置
CN112527649A (zh) 一种测试用例的生成方法和装置
CN111159220B (zh) 用于输出结构化查询语句的方法和装置
CN112650841A (zh) 信息处理方法、装置和电子设备
CN112131382B (zh) 民生问题高发地的识别方法、装置及电子设备
CN110929799A (zh) 用于检测异常用户的方法、电子设备和计算机可读介质
CN112131381A (zh) 警情高发地的识别方法、装置、电子设备及存储介质
CN113971243A (zh) 应用于问卷调查的数据处理方法、系统、设备及存储介质
CN111368551A (zh) 一种确定事件主体的方法和装置
CN110737820A (zh) 用于生成事件信息的方法和装置
CN110675865B (zh) 用于训练混合语言识别模型的方法和装置
CN113111230B (zh) 基于正则表达式的接处警文本户籍地地址提取方法和装置
CN113066479B (zh) 一种评测模型的方法和装置
CN111079185B (zh) 数据库信息处理的方法、装置、存储介质及电子设备
CN112131378A (zh) 用于识别民生问题类别的方法、装置及电子设备
CN110990528A (zh) 一种问答方法、装置及电子设备
CN113360590A (zh) 兴趣点信息的更新方法、装置、电子设备及存储介质
CN113111234A (zh) 基于正则表达式的处警警情类别确定方法和装置
CN112131379A (zh) 用于识别问题类别的方法、装置、电子设备及存储介质
CN113111165A (zh) 基于深度学习模型的接警警情类别确定方法和装置
CN111178696A (zh) 一种业务处理时长超时预警方法和装置
CN109658920B (zh) 用于生成模型的方法和装置

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