CN112800217A - 基于向量关联性矩阵的政务事务处理报告的智能评估方法 - Google Patents
基于向量关联性矩阵的政务事务处理报告的智能评估方法 Download PDFInfo
- Publication number
- CN112800217A CN112800217A CN202110048558.7A CN202110048558A CN112800217A CN 112800217 A CN112800217 A CN 112800217A CN 202110048558 A CN202110048558 A CN 202110048558A CN 112800217 A CN112800217 A CN 112800217A
- Authority
- CN
- China
- Prior art keywords
- text
- vector
- classification
- word
- correlation matrix
- 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.)
- Withdrawn
Links
- 239000013598 vector Substances 0.000 title claims abstract description 271
- 239000011159 matrix material Substances 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 title claims description 47
- 238000011156 evaluation Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000015654 memory Effects 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000036651 mood Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 24
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (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)
- Databases & Information Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及智慧政务治理领域下的智能政务评估,其具体地公开了一种基于向量关联性矩阵的政务事务处理报告的智能评估方法,其基于深度神经网络的机器学习技术,来对各个部门的关于同一事务的政务事务处理报告进行基于文本的特征提取,并基于提取的特征进行分类,从而确定事务处理是否获得整体性的肯定结果。特别地,在分类过程中,通过构建各条文本数据的特征向量之间的关联性矩阵,来进行特征向量的比较和关联,从而提高分类的准确性。
Description
技术领域
本发明涉及智慧政务治理领域下的智能政务评估,且更为具体地,涉及一种基于向量关联性矩阵的政务事务处理报告的智能评估方法、基于向量关联性矩阵的政务事务处理报告的智能评估系统和电子设备。
背景技术
目前,随着智慧城市下的政务信息数据化,政务治理能力随着现代化得到了很大提高。但是,由于政务治理的复杂性,对于同一需要处理的事务,可能会涉及到多个部门,且多个部门在完成事务处理之后,又都会形成不同的政务事务处理报告。这些处理报告之间既因为同一事务而具有关联,而由于涉及到的部门差别而具有各自的特点。
因此,期待一种能够有效地处理这些处理报告,使得获得相对准确的总体的处理评价结论的技术方案。
目前,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为政务事务处理报告的智能评估提供了新的解决思路和方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于向量关联性矩阵的政务事务处理报告的智能评估方法、基于向量关联性矩阵的政务事务处理报告的智能评估系统和电子设备,其基于深度神经网络的机器学习技术,来对各个部门的关于同一事务的政务事务处理报告进行基于文本的特征提取,并基于提取的特征进行分类,从而确定事务处理是否获得整体性的肯定结果。特别地,在分类过程中,通过构建各条文本数据的特征向量之间的关联性矩阵,来进行特征向量的比较和关联,从而提高分类的准确性。
根据本申请的一个方面,提供了一种基于向量关联性矩阵的政务事务处理报告的智能评估方法,其包括:
获取多个部门对同一政务事件进行处理的多份政务事务处理报告;
对所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量;
对于所述多个文本特征向量,计算每两个文本特征向量之间的互关联性矩阵,以获得多个互关联性矩阵;
对于所述多个文本特征向量,计算每个所述文本特征向量的自关联性矩阵,以获得多个自关联性矩阵;
将所述多个互关联性矩阵和所述多个自关联性矩阵按照样本维度进行组合,以获得文本关联张量;
将所述文本关联张量通过多个卷积层,以获得对应于所述文本关联张量的卷积特征图;
对所述卷积特征图进行基于具有预设尺寸的特征矩阵的平均值池化处理,以获得分类特征图;以及
将所述分类特征图通过分类器,以获得分类结果,其中,所述分类结果用于表示事务处理是否获得整体性的肯定结果。
在上述基于向量关联性矩阵的政务事务处理报告的智能评估方法中,对所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量,包括:对每份政务事务报告进行分词处理,以获得词文本序列;识别所述词文本序列中的关键词并删除所述词文本序列中的低频词、不相关词、连词和语气助词,以获得关键词文本序列;以及,将所述关键词文本序列通过词嵌入模型,以获得所述文本特征向量。
在上述基于向量关联性矩阵的政务事务处理报告的智能评估方法中,对所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量,进一步包括:将所述文本特征向量通过双向长短期记忆网络,以获得具有上下文信息的文本特征向量。
在上述基于向量关联性矩阵的政务事务处理报告的智能评估方法中,对于所述多个文本特征向量,计算每两个文本特征向量之间的互关联性矩阵,以获得多个互关联性矩阵,包括:将每两个文本特征向量中其中一条文本特征向量进行转置并与另外一条文本特征向量进行矩阵相乘,以获得所述互关联性矩阵。
在上述基于向量关联性矩阵的政务事务处理报告的智能评估方法中,对于所述多个文本特征向量,计算每个所述文本特征向量的自关联性矩阵,以获得多个自关联性矩阵,包括:将所述文本特征向量进行转置并与所述文本特征向量自身进行矩阵相乘,以获得所述自关联性矩阵。
在上述基于向量关联性矩阵的政务事务处理报告的智能评估方法中,将所述分类特征图通过分类器,以获得分类结果,包括:将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;以及,将所述分类特征向量输入Softmax分类函数,以获得所述分类结果。
根据本申请的另一方面,提供了一种基于向量关联性矩阵的政务事务处理报告的智能评估系统,其包括:
信息获取单元,用于获取多个部门对同一政务事件进行处理的多份政务事务处理报告;
文本特征向量生成单元,用于对所述信息获取单元获得的所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量;
互关联性矩阵生成单元,用于对于所述文本特征向量生成单元获得的所述多个文本特征向量,计算每两个文本特征向量之间的互关联性矩阵,以获得多个互关联性矩阵;
自关联性矩阵生成单元,用于对于所述文本特征向量生成单元获得的所述多个文本特征向量,计算每个所述文本特征向量的自关联性矩阵,以获得多个自关联性矩阵;
文本关联张量生成单元,用于将所述互关联性矩阵生成单元获得的所述多个互关联性矩阵和所述自关联性矩阵生成单元获得的所述多个自关联性矩阵按照样本维度进行组合,以获得文本关联张量;
卷积特征图生成单元,用于将所述文本关联张量生成单元获得的所述文本关联张量通过多个卷积层,以获得对应于所述文本关联张量的卷积特征图;
分类特征图生成单元,用于对所述卷积特征图生成单元获得的所述卷积特征图进行基于具有预设尺寸的特征矩阵的平均值池化处理,以获得分类特征图;以及
分类结果生成单元,用于将所述分类特征图生成单元获得的所述分类特征图通过分类器,以获得分类结果,其中,所述分类结果用于表示事务处理是否获得整体性的肯定结果。
在上述基于向量关联性矩阵的政务事务处理报告的智能评估系统中,所述文本特征向量生成单元,包括:词文本序列生成子单元,用于对每份政务事务报告进行分词处理,以获得词文本序列;关键词文本序列生成子单元,用于识别所述词文本序列生成子单元获得的所述词文本序列中的关键词并删除所述词文本序列中的低频词、不相关词、连词和语气助词,以获得关键词文本序列;以及,文本特征向量生成子单元,用于将所述关键词文本序列生成子单元获得的所述关键词文本序列通过词嵌入模型,以获得所述文本特征向量。
在上述基于向量关联性矩阵的政务事务处理报告的智能评估系统中,所述文本特征向量生成单元,进一步用于:将所述文本特征向量通过双向长短期记忆网络,以获得具有上下文信息的文本特征向量。
在上述基于向量关联性矩阵的政务事务处理报告的智能评估系统中,所述互关联性矩阵生成单元,进一步用于:将每两个文本特征向量中其中一条文本特征向量进行转置并与另外一条文本特征向量进行矩阵相乘,以获得所述互关联性矩阵。
在上述基于向量关联性矩阵的政务事务处理报告的智能评估系统中,所述自关联性矩阵生成单元,进一步用于:将所述文本特征向量进行转置并与所述文本特征向量自身进行矩阵相乘,以获得所述自关联性矩阵。。
在上述基于向量关联性矩阵的政务事务处理报告的智能评估系统中,所述分类结果生成单元,包括:分类特征向量生成子单元,用于将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;以及,分类子单元,用于将所述分类特征向量生成子单元获得的所述分类特征向量输入Softmax分类函数,以获得所述分类结果。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于向量关联性矩阵的政务事务处理报告的智能评估方法。
根据本申请的再又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于向量关联性矩阵的政务事务处理报告的智能评估方法。
与现有技术相比,本申请提供的基于向量关联性矩阵的政务事务处理报告的智能评估方法、基于向量关联性矩阵的政务事务处理报告的智能评估系统和电子设备,其基于深度神经网络的机器学习技术,来对各个部门的关于同一事务的政务事务处理报告进行基于文本的特征提取,并基于提取的特征进行分类,从而确定事务处理是否获得整体性的肯定结果。特别地,在分类过程中,通过构建各条文本数据的特征向量之间的关联性矩阵,来进行特征向量的比较和关联,从而提高分类的准确性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的基于向量关联性矩阵的政务事务处理报告的智能评估方法的流程图;
图2图示了根据本申请实施例的基于向量关联性矩阵的政务事务处理报告的智能评估方法的系统架构示意图;
图3图示了根据本申请实施例的基于向量关联性矩阵的政务事务处理报告的智能评估方法中,对所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量的流程图;
图4图示了根据本申请实施例的基于向量关联性矩阵的政务事务处理报告的智能评估方法中,将所述分类特征图通过分类器,以获得分类结果的流程图;
图5图示了根据本申请实施例的基于向量关联性矩阵的政务事务处理报告的智能评估系统的框图。
图6图示了根据本申请实施例的基于向量关联性矩阵的政务事务处理报告的智能评估系统中文本特征向量生成单元的框图。
图7图示了根据本申请实施例的基于向量关联性矩阵的政务事务处理报告的智能评估系统中分类结果生成单元的框图。
图8图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
原理概述
如前所述,目前,随着智慧城市下的政务信息数据化,政务治理能力随着现代化得到了很大提高。但是,由于政务治理的复杂性,对于同一需要处理的事务,可能会涉及到多个部门,且多个部门在完成事务处理之后,又都会形成不同的政务事务处理报告。这些处理报告之间既因为同一事务而具有关联,而由于涉及到的部门差别而具有各自的特点,因此,如何能够有效地处理这些处理报告,使得获得相对准确的总体的处理评价结论便是一个需要考虑的问题。
随着人工智能技术的发展,基于词的语义理解技术得到了显著的提高,本申请的申请人也考虑通过基于深度神经网络的机器学习技术,来对各个部门的关于同一事务的政务事务处理报告进行基于文本的特征提取,并基于提取的特征进行分类,从而确定事务处理是否获得整体性的肯定结果。
但是,因为报告的文本除了关键词以外,还包括很多其它不相关词,以及连词、语气助词等,可以看做是文本噪声,另外,各部门对于同一件事情的表述方面可能也存在不同,这就造成当通过深度神经网络和分类器基于所提取的特征进行分类时,特征之间基于比较的关联性不够,影响分类的准确性。
因此,为了进行特征向量的比较和关联,本申请的发明人采用二阶统计量,即列向量与列向量的转置相乘构成的乘积矩阵,来构建各条文本数据的特征向量之间的关联性矩阵,从而以该关联性矩阵来表达特征向量的各个位置的特征值之间的关联。并且,由于不同特征向量的相应位置之间的关联都以关联性矩阵的相应位置的特征值进行了表示,也可以通过特征值相对于整个特征值矩阵的位置和数值关系来表达特征向量的各个位置的特征值之间的比较关系。
具体地,在本申请的技术方案中,首先获得多个部门对同一政务事务进行处理的政务事务处理报告的文本,然后转换为文本向量后经过深度神经网络获得多个特征向量,再计算每两个特征向量的关联性矩阵,包括某个特征向量与自身的关联性矩阵,例如,如果特征向量为第一特征向量、第二特征向量和第三特征向量,则计算该第一特征向量本身的关联性矩阵,第一特征向量和第二特征向量的关联性矩阵,第一特征向量和第三特征向量的关联性矩阵,第二特征向量本身的关联性矩阵,第二特征向量和第三特征向量的关联性矩阵,以及第三特征向量本身的关联性矩阵。因为具体政务事务所涉及的部门数目相对有限,因此本申请的方案中关联性矩阵的数目不会过大。
然后,可以进一步将该关联性矩阵按照样本维度进行组合为三维张量,并通过多个卷积层进一步提取其关联特征并通过平均值池化降维,最后将获得的特征图通过分类器以获得分类结果,该分类结果用于表示事务处理是否获得整体性的肯定结果。
基于此,本申请提出了一种基于向量关联性矩阵的政务事务处理报告的智能评估方法,其包括:获取多个部门对同一政务事件进行处理的多份政务事务处理报告;对所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量;对于所述多个文本特征向量,计算每两个文本特征向量之间的互关联性矩阵,以获得多个互关联性矩阵;对于所述多个文本特征向量,计算每个所述文本特征向量的自关联性矩阵,以获得多个自关联性矩阵;将所述多个互关联性矩阵和所述多个自关联性矩阵按照样本维度进行组合,以获得文本关联张量;将所述文本关联张量通过多个卷积层,以获得对应于所述文本关联张量的卷积特征图;对所述卷积特征图进行基于具有预设尺寸的特征矩阵的平均值池化处理,以获得分类特征图,以及,将所述分类特征图通过分类器,以获得分类结果,其中,所述分类结果用于表示事务处理是否获得整体性的肯定结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1图示了基于向量关联性矩阵的政务事务处理报告的智能评估方法的流程图。如图1所示,根据本申请实施例的基于向量关联性矩阵的政务事务处理报告的智能评估方法,包括:S110,获取多个部门对同一政务事件进行处理的多份政务事务处理报告;S120,对所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量;S130,对于所述多个文本特征向量,计算每两个文本特征向量之间的互关联性矩阵,以获得多个互关联性矩阵;S140,对于所述多个文本特征向量,计算每个所述文本特征向量的自关联性矩阵,以获得多个自关联性矩阵;S150,将所述多个互关联性矩阵和所述多个自关联性矩阵按照样本维度进行组合,以获得文本关联张量;S160,将所述文本关联张量通过多个卷积层,以获得对应于所述文本关联张量的卷积特征图;S170,对所述卷积特征图进行基于具有预设尺寸的特征矩阵的平均值池化处理,以获得分类特征图,以及,S180,将所述分类特征图通过分类器,以获得分类结果,其中,所述分类结果用于表示事务处理是否获得整体性的肯定结果。
图2图示了根据本申请实施例的基于向量关联性矩阵的政务事务处理报告的智能评估方法的架构示意图。如图2所示,在所述基于向量关联性矩阵的政务事务处理报告的智能评估方法的网络架构中,首先,将获取的多个部门对同一政务事件进行处理的多份政务事务处理报告(例如,如图2中所示意的IN1)分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量(例如,如图2中所示意的V1到Vn);接着,计算每两个文本特征向量之间的互关联性矩阵,以获得多个互关联性矩阵(例如,如图2中所示意的M11到M1n);接着,计算每个所述文本特征向量的自关联性矩阵,以获得多个自关联性矩阵(例如,如图2中所示意的M21到M2n);接着,将所述多个互关联性矩阵和所述多个自关联性矩阵按照样本维度进行组合,以获得文本关联张量(例如,如图2中所示意的Ta);接着,将所述文本关联张量通过多个卷积层(例如,如图2中所示意的Cl),以获得对应于所述文本关联张量的卷积特征图(例如,如图2中所示意的Fm);接着,对所述卷积特征图进行基于具有预设尺寸的特征矩阵的平均值池化处理,以获得分类特征图(例如,如图2中所示意的Fc);然后,将所述分类特征图通过分类器(例如,如图2中所示意的分类器),以获得分类结果,其中,所述分类结果用于表示事务处理是否获得整体性的肯定结果。
在步骤S110中,获取多个部门对同一政务事件进行处理的多份政务事务处理报告。应可以理解,多个部门对同一政务事件进行处理得到的多份政务事务处理报告之间既因为同一事务而具有关联,而又由于涉及到的部门差别而具有各自的特点,因此,为了获得相对准确的总体的处理评价结论,首先,需要获取多个部门对同一政务事件进行处理的多份政务事务处理报告。
在步骤S120中,对所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量。
具体地,在本申请实施例中,对所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量的过程,包括:首先,对每份政务事务报告进行分词处理,以获得词文本序列,具体地,可基于词典的规则匹配方法或者基于统计的机器学习方法对每份政务事务报告进行分词处理。接着,识别所述词文本序列中的关键词并删除所述词文本序列中的低频词、不相关词、连词和语气助词,以获得关键词文本序列,应可以理解,因为报告的文本除了关键词以外,还包括很多其它不相关词,以及连词、语气助词等,可以看做是文本噪声,因此,需要删除。然后,将所述关键词文本序列通过词嵌入模型,以获得所述文本特征向量,本领域普通技术人员应知晓,文本是一类非常重要的非结构化数据,可通过词袋模型、TF-IDF、主题模型和词嵌入模型将文本转化为结构化数据,即,以向量的形式表示文本数据。这里,以词嵌入模型来将文本形式的动态信息转化为词嵌入向量,该词嵌入模型例如Word2Vec等。词嵌入模型是一个小型的神经网络,包括输入层,映射层,隐藏层和输出层,Word2Vec模型通过学习一个映射f,可以将一个单词(word)转换为一个向量(vector)表示,通常向量vec的维数要要小于单词表的个数,因此word2vec不仅能降低编码后的维数,还能表达单词之间的关联信息。
图3图示了根据本申请实施例的基于向量关联性矩阵的政务事务处理报告的智能评估方法中,对所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量的流程图。如图3所示,在本申请实施例中,对所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量,包括:S210,对每份政务事务报告进行分词处理,以获得词文本序列;S220,识别所述词文本序列中的关键词并删除所述词文本序列中的低频词、不相关词、连词和语气助词,以获得关键词文本序列;以及,S230,将所述关键词文本序列通过词嵌入模型,以获得所述文本特征向量。
值得一提的是,在本申请的其他示例中,还可以通过其他方式获得文本特征向量。例如,在本申请的另一示例中,对所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量的过程,包括:将所述文本特征向量通过双向长短期记忆网络,以获得具有上下文信息的文本特征向量。本领域普通技术人员应知晓,长短期记忆网络,通常称为LSTM模型,是一种特殊的RNN(递归神经网络),能够学习长期的规律,相比与普通神经网络的各计算结果之间相互独立的特点,RNN的每一次隐含层的计算结果都与当前输入以及上一次的隐含层结果相关。通过这种方法,RNN的计算结果便具备了记忆之前几次结果的特点,因此,将所述文本特征向量通过双向长短期记忆网络可以获得具有上下文信息的文本特征向量。
在步骤S130中,对于所述多个文本特征向量,计算每两个文本特征向量之间的互关联性矩阵,以获得多个互关联性矩阵。
具体地,在本申请实施例中,对于所述多个文本特征向量,计算每两个文本特征向量之间的互关联性矩阵,以获得多个互关联性矩阵的过程,包括:将每两个文本特征向量中其中一条文本特征向量进行转置并与另外一条文本特征向量进行矩阵相乘,以获得所述互关联性矩阵。应可以理解,由于各部门对于同一件事情的表述方面可能存在不同,这就造成当通过深度神经网络和分类器基于所提取的特征进行分类时,特征之间基于比较的关联性不够,影响分类的准确性。因此,为了进行文本特征向量之间的比较和关联,采用二阶统计量,即列向量与列向量的转置相乘构成的乘积矩阵,来构建各条文本数据的特征向量之间的关联性矩阵。也就是,在本申请中,将所述文本特征向量进行转置并与另外一条文本特征向量进行矩阵相乘,从而以该互关联性矩阵来表达不同文本特征向量的各个位置的特征值之间的关联。
在步骤S140中,对于所述多个文本特征向量,计算每个所述文本特征向量的自关联性矩阵,以获得多个自关联性矩阵。
具体地,在本申请实施例中,对于所述多个文本特征向量,计算每个所述文本特征向量的自关联性矩阵,以获得多个自关联性矩阵的过程,包括:将所述文本特征向量进行转置并与所述文本特征向量自身进行矩阵相乘,以获得所述自关联性矩阵。应可以理解,将所述文本特征向量进行转置并与所述文本特征向量自身进行矩阵相乘,以获得某个特征向量与自身的关联性矩阵,从而以该自关联性矩阵来表达所述文本特征向量自身的各个位置的特征值之间的关联。
在步骤S150中,将所述多个互关联性矩阵和所述多个自关联性矩阵按照样本维度进行组合,以获得文本关联张量。也就是,将所述多个互关联性矩阵和所述多个自关联性矩阵按照样本维度进行排列并组合,以获得文本关联张量。
在步骤S160中,将所述文本关联张量通过多个卷积层,以获得对应于所述文本关联张量的卷积特征图。应可以理解,通过多个卷积层可以进一步提取所述文本关联张量的关联特征。
在步骤S170中,对所述卷积特征图进行基于具有预设尺寸的特征矩阵的平均值池化处理,以获得分类特征图。也就是,将具有预设尺寸的特征矩阵区域内的数值取平均,赋予输出的相应位置,以获得分类特征图。应可以理解,通过对所述卷积特征图进行平均值池化处理,可以对卷积特征图进行降维,以减少计算量。
在步骤S180中,将所述分类特征图通过分类器,以获得分类结果,其中,所述分类结果用于表示事务处理是否获得整体性的肯定结果。也就是,采用解耦的方式,所述分类器中包含编码器,编码器可以由卷积层、池化层或者全连接层构成。
具体地,在本申请实施例中,将所述分类特征图通过分类器,以获得分类结果的过程,包括:首先,将所述分类特征图通过一个或多个全连接层,以获得分类特征向量,也就是,以一个或多个全连接层作为编码器对所述分类特征图进行编码,以充分利用所述分类特征图中每个位置信息,以生成分类特征向量。然后,将所述分类特征向量输入Softmax分类函数,以获得所述分类结果,该分类结果用于表示事务处理是否获得整体性的肯定结果。
图4图示了根据本申请实施例的基于向量关联性矩阵的政务事务处理报告的智能评估方法中,将所述分类特征图通过分类器,以获得分类结果的流程图。如图4所示,在本申请实施例中,将所述分类特征图通过分类器,以获得分类结果,包括:S310,将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;S320,将所述分类特征向量输入Softmax分类函数,以获得所述分类结果。
综上,本申请实施例的基于向量关联性矩阵的政务事务处理报告的智能评估方法被阐明,其基于深度神经网络的机器学习技术,来对各个部门的关于同一事务的政务事务处理报告进行基于文本的特征提取,并基于提取的特征进行分类,从而确定事务处理是否获得整体性的肯定结果。特别地,在分类过程中,通过构建各条文本数据的特征向量之间的关联性矩阵,来进行特征向量的比较和关联,从而提高分类的准确性。
示例性系统
图5图示了根据本申请实施例的基于向量关联性矩阵的政务事务处理报告的智能评估系统的框图。
如图5所示,根据本申请实施例的基于向量关联性矩阵的政务事务处理报告的智能评估系统500,包括:信息获取单元510,用于获取多个部门对同一政务事件进行处理的多份政务事务处理报告;文本特征向量生成单元520,用于对所述信息获取单元510获得的所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量;互关联性矩阵生成单元530,用于对于所述文本特征向量生成单元520获得的所述多个文本特征向量,计算每两个文本特征向量之间的互关联性矩阵,以获得多个互关联性矩阵;自关联性矩阵生成单元540,用于对于所述文本特征向量生成单元520获得的所述多个文本特征向量,计算每个所述文本特征向量的自关联性矩阵,以获得多个自关联性矩阵;文本关联张量生成单元550,用于将所述互关联性矩阵生成单元530获得的所述多个互关联性矩阵和所述自关联性矩阵生成单元540获得的所述多个自关联性矩阵按照样本维度进行组合,以获得文本关联张量;卷积特征图生成单元560,用于将所述文本关联张量生成单元550获得的所述文本关联张量通过多个卷积层,以获得对应于所述文本关联张量的卷积特征图;分类特征图生成单元570,用于对所述卷积特征图生成单元560获得的所述卷积特征图进行基于具有预设尺寸的特征矩阵的平均值池化处理,以获得分类特征图;以及,分类结果生成单元580,用于将所述分类特征图生成单元570获得的所述分类特征图通过分类器,以获得分类结果,其中,所述分类结果用于表示事务处理是否获得整体性的肯定结果。
在一个示例中,在上述智能评估系统500中,如图6所示,所述文本特征向量生成单元520,包括:词文本序列生成子单元521,用于对每份政务事务报告进行分词处理,以获得词文本序列;关键词文本序列生成子单元522,用于识别所述词文本序列生成子单元621获得的所述词文本序列中的关键词并删除所述词文本序列中的低频词、不相关词、连词和语气助词,以获得关键词文本序列;以及,文本特征向量生成子单元523,用于将所述关键词文本序列生成子单元522获得的所述关键词文本序列通过词嵌入模型,以获得所述文本特征向量。
在一个示例中,在上述智能评估系统500中,所述文本特征向量生成单元520,进一步用于:将所述文本特征向量通过双向长短期记忆网络,以获得具有上下文信息的文本特征向量。
在一个示例中,在上述智能评估系统500中,所述互关联性矩阵生成单元530,进一步用于:将每两个文本特征向量中其中一条文本特征向量进行转置并与另外一条文本特征向量进行矩阵相乘,以获得所述互关联性矩阵。
在一个示例中,在上述智能评估系统500中,所述自关联性矩阵生成单元540,进一步用于:将所述文本特征向量进行转置并与所述文本特征向量自身进行矩阵相乘,以获得所述自关联性矩阵。。
在一个示例中,在上述智能评估系统500中,如图7所示,所述分类结果生成单元580,包括:分类特征向量生成子单元581,用于将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;以及,分类子单元582,用于将所述分类特征向量生成子单元581获得的所述分类特征向量输入Softmax分类函数,以获得所述分类结果。
这里,本领域技术人员可以理解,上述智能评估系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的基于向量关联性矩阵的政务事务处理报告的智能评估方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的智能评估系统500可以实现在各种终端设备中,例如用于政务事务处理报告的智能评估的服务器等。在一个示例中,根据本申请实施例的智能评估系统500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该智能评估系统500可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该智能评估系统500同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该智能评估系统500与该终端设备也可以是分立的设备,并且该智能评估系统500可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面,参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示,电子设备包括10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于向量关联性矩阵的政务事务处理报告的智能评估方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如文本特征向量、互关联性矩阵等各种内容。
在一个示例中,电子设备10还可以包括:输入系统13和输出系统14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息,包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图8中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于向量关联性矩阵的政务事务处理报告的智能评估方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的基于向量关联性矩阵的政务事务处理报告的智能评估方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于向量关联性矩阵的政务事务处理报告的智能评估方法,其特征在于,包括:
获取多个部门对同一政务事件进行处理的多份政务事务处理报告;
对所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量;
对于所述多个文本特征向量,计算每两个文本特征向量之间的互关联性矩阵,以获得多个互关联性矩阵;
对于所述多个文本特征向量,计算每个所述文本特征向量的自关联性矩阵,以获得多个自关联性矩阵;
将所述多个互关联性矩阵和所述多个自关联性矩阵按照样本维度进行组合,以获得文本关联张量;
将所述文本关联张量通过多个卷积层,以获得对应于所述文本关联张量的卷积特征图;
对所述卷积特征图进行基于具有预设尺寸的特征矩阵的平均值池化处理,以获得分类特征图;以及
将所述分类特征图通过分类器,以获得分类结果,其中,所述分类结果用于表示事务处理是否获得整体性的肯定结果。
2.根据权利要求1所述的基于向量关联性矩阵的政务事务处理报告的智能评估方法,其中,对所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量,包括:
对每份政务事务报告进行分词处理,以获得词文本序列;
识别所述词文本序列中的关键词并删除所述词文本序列中的低频词、不相关词、连词和语气助词,以获得关键词文本序列;
将所述关键词文本序列通过词嵌入模型,以获得所述文本特征向量。
3.根据权利要求2所述的基于向量关联性矩阵的政务事务处理报告的智能评估方法,其中,对所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量,进一步包括:
将所述文本特征向量通过双向长短期记忆网络,以获得具有上下文信息的文本特征向量。
4.根据权利要求1所述的基于向量关联性矩阵的政务事务处理报告的智能评估方法,其中,对于所述多个文本特征向量,计算每两个文本特征向量之间的互关联性矩阵,以获得多个互关联性矩阵,包括:
将每两个文本特征向量中其中一条文本特征向量进行转置并与另外一条文本特征向量进行矩阵相乘,以获得所述互关联性矩阵。
5.根据权利要求4所述的基于向量关联性矩阵的政务事务处理报告的智能评估方法,其中,对于所述多个文本特征向量,计算每个所述文本特征向量的自关联性矩阵,以获得多个自关联性矩阵,包括:
将所述文本特征向量进行转置并与所述文本特征向量自身进行矩阵相乘,以获得所述自关联性矩阵。
6.根据权利要求1所述的基于向量关联性矩阵的政务事务处理报告的智能评估方法,其中,将所述分类特征图通过分类器,以获得分类结果,包括:
将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;及
将所述分类特征向量输入Softmax分类函数,以获得所述分类结果。
7.一种基于向量关联性矩阵的政务事务处理报告的智能评估系统,其特征在于,包括:
信息获取单元,用于获取多个部门对同一政务事件进行处理的多份政务事务处理报告;
文本特征向量生成单元,用于对所述信息获取单元获得的所述多份政务事务报告分别进行文本预处理和词向量转化,以获得对应于多份政务事务报告的多个文本特征向量;
互关联性矩阵生成单元,用于对于所述文本特征向量生成单元获得的所述多个文本特征向量,计算每两个文本特征向量之间的互关联性矩阵,以获得多个互关联性矩阵;
自关联性矩阵生成单元,用于对于所述文本特征向量生成单元获得的所述多个文本特征向量,计算每个所述文本特征向量的自关联性矩阵,以获得多个自关联性矩阵;
文本关联张量生成单元,用于将所述互关联性矩阵生成单元获得的所述多个互关联性矩阵和所述自关联性矩阵生成单元获得的所述多个自关联性矩阵按照样本维度进行组合,以获得文本关联张量;
卷积特征图生成单元,用于将所述文本关联张量生成单元获得的所述文本关联张量通过多个卷积层,以获得对应于所述文本关联张量的卷积特征图;
分类特征图生成单元,用于对所述卷积特征图生成单元获得的所述卷积特征图进行基于具有预设尺寸的特征矩阵的平均值池化处理,以获得分类特征图;以及
分类结果生成单元,用于将所述分类特征图生成单元获得的所述分类特征图通过分类器,以获得分类结果,其中,所述分类结果用于表示事务处理是否获得整体性的肯定结果。
8.根据权利要求7所述的基于向量关联性矩阵的政务事务处理报告的智能评估系统,其中,所述文本特征向量生成单元,包括:
词文本序列生成子单元,用于对每份政务事务报告进行分词处理,以获得词文本序列;
关键词文本序列生成子单元,用于识别所述词文本序列生成子单元获得的所述词文本序列中的关键词并删除所述词文本序列中的低频词、不相关词、连词和语气助词,以获得关键词文本序列;以及
文本特征向量生成子单元,用于将所述关键词文本序列生成子单元获得的所述关键词文本序列通过词嵌入模型,以获得所述文本特征向量。
9.根据权利要求7所述的基于向量关联性矩阵的政务事务处理报告的智能评估系统,其中,所述分类结果生成单元,包括:
分类特征向量生成子单元,用于将所述分类特征图通过一个或多个全连接层,以获得分类特征向量;以及
分类子单元,用于将所述分类特征向量生成子单元获得的所述分类特征向量输入Softmax分类函数,以获得所述分类结果。
10.一种电子设备,包括:
处理器;以及
存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-6中任一项所述的基于向量关联性矩阵的政务事务处理报告的智能评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110048558.7A CN112800217A (zh) | 2021-01-14 | 2021-01-14 | 基于向量关联性矩阵的政务事务处理报告的智能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110048558.7A CN112800217A (zh) | 2021-01-14 | 2021-01-14 | 基于向量关联性矩阵的政务事务处理报告的智能评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112800217A true CN112800217A (zh) | 2021-05-14 |
Family
ID=75810821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110048558.7A Withdrawn CN112800217A (zh) | 2021-01-14 | 2021-01-14 | 基于向量关联性矩阵的政务事务处理报告的智能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800217A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595976A (zh) * | 2023-04-26 | 2023-08-15 | 杭州睿数科技有限公司 | 一种科研创新平台控制方法及其系统 |
CN117252560A (zh) * | 2023-11-20 | 2023-12-19 | 深圳英之泰教育科技有限公司 | 政务信息化系统协助方法及其组件 |
CN116595976B (zh) * | 2023-04-26 | 2024-05-24 | 杭州睿数科技有限公司 | 一种科研创新平台控制方法及其系统 |
-
2021
- 2021-01-14 CN CN202110048558.7A patent/CN112800217A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116595976A (zh) * | 2023-04-26 | 2023-08-15 | 杭州睿数科技有限公司 | 一种科研创新平台控制方法及其系统 |
CN116595976B (zh) * | 2023-04-26 | 2024-05-24 | 杭州睿数科技有限公司 | 一种科研创新平台控制方法及其系统 |
CN117252560A (zh) * | 2023-11-20 | 2023-12-19 | 深圳英之泰教育科技有限公司 | 政务信息化系统协助方法及其组件 |
CN117252560B (zh) * | 2023-11-20 | 2024-03-19 | 深圳英之泰教育科技有限公司 | 政务信息化系统协助方法及其组件 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115203380B (zh) | 基于多模态数据融合的文本处理系统及其方法 | |
CN108959246B (zh) | 基于改进的注意力机制的答案选择方法、装置和电子设备 | |
CN109033068B (zh) | 基于注意力机制的用于阅读理解的方法、装置和电子设备 | |
CN109101537B (zh) | 基于深度学习的多轮对话数据分类方法、装置和电子设备 | |
CN108959482B (zh) | 基于深度学习的单轮对话数据分类方法、装置和电子设备 | |
CN115796173B (zh) | 针对监管报送需求的数据处理方法和系统 | |
CN115783923B (zh) | 基于大数据的电梯故障模式识别系统 | |
CN108509427B (zh) | 文本数据的数据处理方法及应用 | |
CN110377733B (zh) | 一种基于文本的情绪识别方法、终端设备及介质 | |
CN111159409B (zh) | 基于人工智能的文本分类方法、装置、设备、介质 | |
CN111651573B (zh) | 一种智能客服对话回复生成方法、装置和电子设备 | |
CN114387567B (zh) | 一种视频数据的处理方法、装置、电子设备及存储介质 | |
CN113127605B (zh) | 一种目标识别模型的建立方法、系统、电子设备及介质 | |
CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其系统 | |
CN113656660B (zh) | 跨模态数据的匹配方法、装置、设备及介质 | |
CN115269882B (zh) | 基于语义理解的知识产权检索系统及其方法 | |
CN115620303A (zh) | 人事档案智慧管理系统 | |
CN115205788A (zh) | 食材质量监控系统 | |
CN114139630A (zh) | 姿态识别方法、装置、存储介质和电子设备 | |
CN112800217A (zh) | 基于向量关联性矩阵的政务事务处理报告的智能评估方法 | |
CN113515593A (zh) | 基于聚类模型的话题检测方法、装置和计算机设备 | |
CN113821588A (zh) | 文本处理方法、装置、电子设备及存储介质 | |
CN112960213A (zh) | 使用特征概率分布表示的智能包装质量检测方法 | |
CN115510900A (zh) | 电路故障自动诊断方法及其诊断系统 | |
CN115827856A (zh) | 一种基于计算机的军工领域消息的传递方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210514 |
|
WW01 | Invention patent application withdrawn after publication |