CN113111171A - 基于深度学习模型的处警警情类别确定方法和装置 - Google Patents
基于深度学习模型的处警警情类别确定方法和装置 Download PDFInfo
- Publication number
- CN113111171A CN113111171A CN202010307543.3A CN202010307543A CN113111171A CN 113111171 A CN113111171 A CN 113111171A CN 202010307543 A CN202010307543 A CN 202010307543A CN 113111171 A CN113111171 A CN 113111171A
- Authority
- CN
- China
- Prior art keywords
- alarm
- text
- category
- condition category
- alarm condition
- 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
- 238000013136 deep learning model Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 131
- 239000013598 vector Substances 0.000 claims abstract description 68
- 238000013145 classification model Methods 0.000 claims abstract description 64
- 230000011218 segmentation Effects 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims description 66
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- 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
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/18—Legal services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Technology Law (AREA)
- Economics (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
本公开实施例公开了基于深度学习模型的处警警情类别确定方法和装置。该方法的一具体实施方式包括:将待分类处警文本进行切词得到相应的分词序列;基于所得到的分词序列确定待分类处警文本的文本特征向量;对于预设处警警情类别集合中的每个处警警情类别,将文本特征向量输入与该处警警情类别对应的分类模型,得到用于指示待分类处警文本是否属于该处警警情类别的分类结果,其中,与各处警警情类别对应的分类模型是基于深度学习模型训练得到的;用预设处警警情类别集合中的各目标处警警情类别生成待分类处警文本对应的处警警情类别集合,其中,分类结果指示待分类处警文本属于目标处警警情类别。该实施方式实现了自动对处警文本进行处警警情分类。
Description
技术领域
本公开实施例涉及计算机技术领域,具体涉及基于深度学习模型的处警警情类别确定方法和装置。
背景技术
目前,公安机关的处警员在处警结束后会根据处警过程整理相应的处警文本,并人工给出该处警文本所记载警情的警情分类。后续,根据所给出的警情分类可以确定由相应的案情分析人员对不同处警警情分类的处警文本进行统计分析处理。因此,对处警文本进行警情分类在接处警过程中是非常重要的。
发明内容
本公开实施例提出了基于深度学习模型的处警警情类别确定方法和装置。
第一方面,本公开实施例提供了一种基于深度学习模型的处警警情类别确定方法,该方法包括:将待分类处警文本进行切词得到相应的分词序列;基于所得到的分词序列确定待分类处警文本的文本特征向量;对于预设处警警情类别集合中的每个处警警情类别,将文本特征向量输入与该处警警情类别对应的分类模型,得到用于指示待分类处警文本是否属于该处警警情类别的分类结果,其中,与各处警警情类别对应的分类模型是基于深度学习模型训练得到的;用预设处警警情类别集合中的各目标处警警情类别生成待分类处警文本对应的处警警情类别集合,其中,分类结果指示待分类处警文本属于目标处警警情类别。
在一些实施例中,预设处警警情类别集合中每个处警警情类别对应的分类模型是通过如下训练步骤预先训练得到的:获取训练样本集合,训练样本包括历史处警文本和对应的标注警情类别集合;对于预设处警警情类别集合中的每个处警警情类别,执行以下分类模型训练操作:将训练样本集合中对应的标注警情类别集合包括该处警警情类别的各训练样本中的历史处警文本对应的文本特征向量确定为该处警警情类别对应的正样本集合;将训练样本集合中对应的标注警情类别集合不包括该处警警情类别的各训练样本中的历史处警文本对应的文本特征向量确定为该处警警情类别对应的负样本集合;基于该处警警情类别对应的正样本集合和负样本集合训练该处警警情类别对应的基于深度学习模型的分类模型。
在一些实施例中,基于所得到的分词序列确定待分类处警文本的文本特征向量,包括:对于分词序列中的每个分词,计算该分词的词频-逆文本频率指数TF-IDF,以及将待分类处警文本的文本特征向量中与该分词对应的分量设置为计算得到的该分词的TF-IDF,其中,待分类处警文本的文本特征向量中的各分量分别与预设词典中的各词语一一对应;将待分类处警文本的文本特征向量中的各未赋值分量设置为预设数值,未赋值分量为属于预设词典但不属于分词序列的词语对应的分量。
在一些实施例中,预设处警警情类别集合包括以下至少一项:电信诈骗类别、金融诈骗类别、保险诈骗类别。
第二方面,本公开实施例提供了一种基于深度学习模型的处警警情类别确定装置,该装置包括:切词单元,被配置成将待分类处警文本进行切词得到相应的分词序列;特征确定单元,被配置成基于所得到的分词序列确定待分类处警文本的文本特征向量;分类单元,被配置成对于预设处警警情类别集合中的每个处警警情类别,将文本特征向量输入与该处警警情类别对应的分类模型,得到用于指示待分类处警文本是否属于该处警警情类别的分类结果,其中,与各处警警情类别对应的分类模型是基于深度学习模型训练得到的;生成单元,被配置成用预设处警警情类别集合中的各目标处警警情类别生成待分类处警文本对应的处警警情类别集合,其中,分类结果指示待分类处警文本属于目标处警警情类别。
在一些实施例中,预设处警警情类别集合中每个处警警情类别对应的分类模型是通过如下训练步骤预先训练得到的:获取训练样本集合,训练样本包括历史处警文本和对应的标注警情类别集合;对于预设处警警情类别集合中的每个处警警情类别,执行以下分类模型训练操作:将训练样本集合中对应的标注警情类别集合包括该处警警情类别的各训练样本中的历史处警文本对应的文本特征向量确定为该处警警情类别对应的正样本集合;将训练样本集合中对应的标注警情类别集合不包括该处警警情类别的各训练样本中的历史处警文本对应的文本特征向量确定为该处警警情类别对应的负样本集合;基于该处警警情类别对应的正样本集合和负样本集合训练该处警警情类别对应的基于深度学习模型的分类模型。
在一些实施例中,特征确定单元,包括:第一赋值模块,被配置成对于分词序列中的每个分词,计算该分词的词频-逆文本频率指数TF-IDF,以及将待分类处警文本的文本特征向量中与该分词对应的分量设置为计算得到的该分词的TF-IDF,其中,待分类处警文本的文本特征向量中的各分量分别与预设词典中的各词语一一对应;第二赋值模块,被配置成将待分类处警文本的文本特征向量中的各未赋值分量设置为预设数值,未赋值分量为属于预设词典但不属于分词序列的词语对应的分量。
在一些实施例中,预设处警警情类别集合包括以下至少一项:电信诈骗类别、金融诈骗类别、保险诈骗类别。
第三方面,本公开实施例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现方式描述的方法。
第四方面,本公开实施例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现方式描述的方法。
现有技术中一般是通过处警员人工对处警文本进行警情分类,可能存在以下问题:(1)历史遗留有大量未曾被分类的处警文本,以及随着时间的推移处警员每天都会录入新的大量处警文本,导致处警文本待分类的数据体量太大,人工分类所需的人力和时间成本太高;(2)处警文本大多采用自然语言描述、表达方式严重口语化且无规则,人工分类难度较高;(3)处警警情类别数目较高,依赖于人工经验,即人工分类过程中学习成本较高。
本公开的实施例提供的基于深度学习模型的处警警情类别确定方法,通过将待分类处警文本对应的文本特征向量输入预设处警警情类别集合中的各处警警情类别对应的基于深度学习模型的分类模型,并最终得到待分类处警文本对应的处警警情类别集合,从而有效利用了每个处警警情类别对应的基于深度学习模型的分类模型,实现了对处警文本自动进行警情分类,无需人工操作,降低了对处警文本进行警情分类的成本,提高了处警文本进行警情分类的分类速度。
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是根据本公开的基于深度学习模型的处警警情类别确定方法的一个实施例的流程图;
图3是根据本公开的基于所得到的分词序列确定待分类处警文本的文本特征向量的一个实施例的流程图;
图4是根据本公开的训练步骤的一个实施例的流程图;
图5是根据本公开的基于深度学习模型的处警警情类别确定装置的一个实施例的结构示意图;
图6是适于用来实现本公开实施例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基于深度学习模型的处警警情类别确定方法或基于深度学习模型的处警警情类别确定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,例如处警记录类应用、处警文本警情分类应用、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(例如用来提供处警文本警情分类服务),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发送的处警文本提供警情分类的后台服务器。后台服务器可以对接收到的处警文本进行分析等处理,并将处理结果(例如处警警情类别集合)反馈给终端设备。
在一些情况下,本公开实施例所提供的基于深度学习模型的处警警情类别确定方法可以由终端设备101和服务器103共同执行,例如,“获取待分类处警文本”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,基于深度学习模型的处警警情类别确定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,本公开实施例所提供的基于深度学习模型的处警警情类别确定方法可以由服务器103执行,相应地,基于深度学习模型的处警警情类别确定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,本公开实施例所提供的基于深度学习模型的处警警情类别确定方法可以由终端设备101执行,相应地,基于深度学习模型的处警警情类别确定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(例如用来提供处警文本警情分类服务),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2,其示出了根据本公开的基于深度学习模型的处警警情类别确定方法的一个实施例的流程200。该基于深度学习模型的处警警情类别确定方法,包括以下步骤:
步骤201,将待分类处警文本进行切词得到相应的分词序列。
在本实施例中,基于深度学习模型的处警警情类别确定方法的执行主体(例如,图1所示的服务器)可以首先本地或者远程地从与上述执行主体网络连接的其他电子设备(例如,图1所示的终端设备)获取待分类处警文本。
这里,待分类处警文本可以是处警员根据处警过程整理的文本数据。
然后,上述执行主体可以将待分类处警文本进行切词得到相应的分词序列。需要说明的是,如何对文本进行切词是本领域广泛研究和应用的现有技术,在此不再赘述。例如,可以采用基于字符串匹配的分词方法、基于理解的分词方法或者基于统计的分词方法等等。例如,对处警文本“经查某宣称凭走路赚钱的手机应用系金融诈骗行为。”进行切词可以得到分词序列“经/查/某/宣称/凭/走路/赚钱/的/手机/应用/系/金融/诈骗/行为”。
步骤202,基于所得到的分词序列确定待分类处警文本的文本特征向量。
在本实施例中,上述执行主体(例如,图1所示的服务器)可以采用各种实现方式基于所得到的分词序列确定待分类处警文本的文本特征向量。例如,待分类处警文本的文本特征向量可以包括N维分量,其中,N为正整数,且上述N维分量中的每一维分别对应预设词典的每个词语,在基于所得到的分词序列确定待分类处警文本的文本特征向量的过程中,可以将待分类处警文本的文本特征向量的各分量中与分词序列中出现过的词语对应的分量设置为第一预设数值(例如,1);将待分类处警文本的文本特征向量的各分量中与分词序列中未现过的词语对应的分量设置为第二预设数值(例如,0)。
在一些可选的实现方式中,步骤202可以包括如图3所示的步骤301和步骤302。请参考图3,图3示出了根据本公开的基于所得到的分词序列确定待分类处警文本的文本特征向量的一个实施例的流程300,该流程300包括以下步骤:
步骤301,对于分词序列中的每个分词,计算该分词的词频-逆文本频率指数,以及将待分类处警文本的文本特征向量中与该分词对应的分量设置为计算得到的该分词的词频-逆文本频率指数。
步骤302,将待分类处警文本的文本特征向量中的各未赋值分量设置为预设数值。
其中,待分类处警文本的文本特征向量中的各分量分别与预设词典中的各词语一一对应,未赋值分量为属于预设词典但不属于分词序列的词语对应的分量。
为便于理解,下面举例说明。
以分词序列“经/查/某/宣称/凭/走路/赚钱/的/手机/应用/系/金融/诈骗/行为”为例,假设预设词典有20个词语,则待分类处警文本的文本特征向量也有20维,其中每一维分别与预设词典中的20个词语一一对应。在步骤301中计算得到分词序列“经/查/某/宣称/凭/走路/赚钱/的/手机/应用/系/金融/诈骗/行为”中所包括的14个分词对应的词频-逆文本频率指数(TF-IDF,Term Frequency–Inverse DocumentFrequency)分别为:0.19/0.25/0.63/0.48/0.73/0.29/0.37/0.76/0.27/0.46/0.92/0.86/0.37/0.52,而上述14个分词对应在20维向量中分别对应第2、4、6、7、8、9、10、11、14、16、17、18、19、20维,以及假设预设数值为0,则经过步骤301和步骤302,可以得到待分类处警文本的文本特征向量如下:(0,0.19,0,0.25,0,0.63,0.48,0.73,0.29,0.37,0.76,0,0,0.27,0,0.46,0.92,0.86,0.37,0.52)。
按照上述可选实现方式确定的文本特征向量可以体现待分类处警文本在当前文本以及在语料库中的出现频次,进而更加能表现待分类处警文本的文本特征。
步骤203,对于预设处警警情类别集合中的每个处警警情类别,将文本特征向量输入与该处警警情类别对应的分类模型,得到用于指示待分类处警文本是否属于该处警警情类别的分类结果。
在本实施例中,上述执行主体可以对于预设处警警情类别集合中的每个处警警情类别,将步骤202所得到的文本特征向量输入与该处警警情类别对应的分类模型,得到用于指示待分类处警文本是否属于该处警警情类别的分类结果。
这里,与各处警警情类别对应的分类模型用于表征文本特征向量和分类结果之间的对应关系。与各处警警情类别对应的分类模型是基于深度学习模型训练得到的。
在一些可选的实现方式中,上述深度学习模型可以包括以下至少一项:卷积神经网络、循环神经网络、长短期记忆网络、条件随机场。
在一些可选的实现方式中,预设处警警情类别集合可以是由熟悉处警警情类别的专家人工制定的。
在一些可选的实现方式中,预设处警警情类别集合可以包括以下至少一项:电信诈骗类别、金融诈骗类别、保险诈骗类别。
在一些可选的实现方式中,预设处警警情类别集合中每个处警警情类别对应的分类模型可以是通过如图4所示的训练步骤预先训练得到的。请参考图4,图4示出了根据本公开的训练步骤的一个实施例的流程400。该训练步骤包括以下步骤:
步骤401,获取训练样本集合。
这里,训练步骤的执行主体可以与上述基于深度学习模型的处警警情类别确定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预设处警警情类别集合中每个处警警情类别对应的分类模型后,将预设处警警情类别集合中每个处警警情类别对应的分类模型的模型参数存储在上述执行主体本地,并在执行上述基于深度学习模型的处警警情类别确定方法的过程中读取上述训练得到的预设处警警情类别集合中每个处警警情类别对应的分类模型的模型参数。
这里,训练步骤的执行主体也可以与上述基于深度学习模型的处警警情类别确定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预设处警警情类别集合中每个处警警情类别对应的分类模型后,将预设处警警情类别集合中每个处警警情类别对应的分类模型的模型参数发送给上述基于深度学习模型的处警警情类别确定方法的执行主体。这样,上述基于深度学习模型的处警警情类别确定方法的执行主体可以在执行上述基于深度学习模型的处警警情类别确定方法的过程中读取上述从训练步骤的执行主体接收到的预设处警警情类别集合中每个处警警情类别对应的分类模型的模型参数。
这里,训练步骤的执行主体可以首先获取训练样本集合。其中,训练样本可以包括历史处警文本和对应的标注警情类别集合。
需要说明的是,实践中处警员在处警过程中往往处置的警情是综合的复杂的,往往不止包括一种类别的处警警情。相应地,处警文本所描述的处警警情所属的处警警情类别可能也不止一种,因此,训练样本中包括的标注警情类别集合中可能也不止一种警情类别。
这里,训练样本中的标注警情类别集合可以是由人工对相应的历史处警文本进行标注得到的。
实践中,为了提高训练得到的预设处警警情类别集合中的每个处警警情类别对应的分类模型对该处警警情类别的分类准确率,这里所获取的训练样本中的历史处警文本可以不包括无效处警文本。例如,有的处警文本中没有实际描述真实的处警警情,没有实际处警警情分类价值,这样的处警文本可以被认为是无效处警文本。
在一些可选的实现方式中,对于预设处警警情类别集合中的每个处警警情类别,训练样本集合中与该处警警情类别对应的正样本数量和负样本数量的比值可以在第一预设比例范围内,即,不能正样本太多负样本太少,或者也不能负样本太多而正样本太少。作为示例,第一预设比例范围可以是在大于等于0.6且小于等于1.6之间。其中,训练样本集合中与该处警警情类别对应的正样本为训练样本集合中相应的标注警情类别集合包括该处警警情类别的训练样本,而与该处警警情类别对应的负样本为训练样本集合中相应的标注警情类别集合不包括该处警警情类别的训练样本。
步骤402,对于预设处警警情类别集合中的每个处警警情类别,执行分类模型训练操作。
这里,分类模型训练操作可以包括步骤4021到步骤4023:
步骤4021,将训练样本集合中对应的标注警情类别集合包括该处警警情类别的各训练样本中的历史处警文本对应的文本特征向量确定为该处警警情类别对应的正样本集合。
步骤4022,将训练样本集合中对应的标注警情类别集合不包括该处警警情类别的各训练样本中的历史处警文本对应的文本特征向量确定为该处警警情类别对应的负样本集合。
为了便于理解步骤4021和步骤4022,这里假设预设处警警情类别集合为{“电信诈骗类别”,“金融诈骗类别”,“保险诈骗类别”},以及假设训练样本集合如表1所示,则:
训练样本集合中“电信诈骗类别”对应的正样本集合可以包括:训练样本1、训练样本3、训练样本4和训练样本9对应的文本特征向量;训练样本集合中“电信诈骗类别”对应的负样本集合可以包括:训练样本2、训练样本5、训练样本6、训练样本7、训练样本8和训练样本10对应的文本特征向量。
训练样本集合中“金融诈骗类别”对应的正样本集合可以包括训练样本3、训练样本5、训练样本7、训练样本8、训练样本9和训练样本10对应的文本特征向量;训练样本集合中“金融诈骗类别”对应的负样本集合可以包括训练样本1、训练样本2、训练样本4和训练样本6对应的文本特征向量。
训练样本集合中“保险诈骗类别”对应的正样本集合可以包括训练样本2、训练样本4、训练样本5、训练样本6、训练样本7、训练样本8和训练样本9对应的文本特征向量;训练样本集合中“保险诈骗类别”对应的负样本集合可以包括训练样本1、训练样本3和训练样本10对应的文本特征向量。
表1
步骤4023,基于该处警警情类别对应的正样本集合和负样本集合训练该处警警情类别对应的基于深度学习模型的分类模型。
有了该处警警情类别对应的正样本集合和负样本集合,训练步骤的执行主体可以基于该处警警情类别对应的正样本集合和负样本集合训练该处警警情类别对应的基于深度学习模型的分类模型。具体而言,可以如下进行:
首先,可以确定该处警警情类别对应的基于深度学习模型的分类模型的模型结构。
例如,如果确定该处警警情类别对应的基于深度学习模型的分类模型为卷积神经网络,这里可以确定该卷积神经网络具体包括哪些层,比如包括哪些卷积层、池化层、全连接层,以及层与层之间的先后连接关系。如果包括卷积层,可以确定卷积层的卷积核的大小,卷积步长。如果包括池化层,可以确定池化方法。
其次,可以确定该处警警情类别对应的分类模型所包括的模型参数的初始值。
例如,如果确定该处警警情类别对应的基于深度学习模型的分类模型为卷积神经网络,这里可以对卷积神经网络中可能包括的卷积层的卷积核参数进行初始化,针对全连接层的连接参数进行初始化等等。
最后,可以对于该处警警情类别对应的正样本集合中的正样本和该处警警情类别对应的负样本集合中的负样本,执行以下参数调整操作,直到满足预设训练结束条件,上述参数调整操作包括:将该正样本/负样本输入该处警警情类别对应的基于深度学习模型的分类模型得到相应的实际输出结果,再计算上述所得到的实际输出结果和用于指示该正样本/负样本属于/不属于该处警警情类别的分类结果之间的差异,并基于所得到的差异调整该处警警情类别对应的基于深度学习模型的分类模型的模型参数。这里,训练结束条件例如可以包括以下至少一项:执行参数调整操作的次数达到预设最多训练次数,计算得到的差异小于预设差异阈值。
经过上述参数调整操作,该处警警情类别对应的基于深度学习模型的分类模型的模型参数得到了优化,并最终得到该处警警情类别对应的基于深度学习模型的分类模型。需要说明的是,如何基于计算所得到的差异对基于深度学习模型的分类模型的模型参数进行调整优化是本领域广泛研究和应用的现有技术,在此不再赘述。例如,可以采用梯度下降法。
利用上述流程400所示的训练步骤,可以自动生成预设处警警情类别集合中每个处警警情类别对应的分类模型,降低了生成每个处警警情类别对应的基于深度学习模型的分类模型的人工成本。随着时间的推移,人们表达方式会产生变化,反应在处警文本中也会产生变化,如果还是按照固有的方式去对处警文本进行警情分类可能会出现误判。这时可以获取最新的训练样本集合采用训练步骤重新训练每个处警警情类别对应的基于深度学习模型的分类模型,以符合当前处警文本的最新表达需求。
步骤204,用预设处警警情类别集合中的各目标处警警情类别生成待分类处警文本对应的处警警情类别集合。
这里,在步骤202中将待分类处警文本输入目标处警警情类别对应的分类模型所得到的分类结果指示待分类处警文本属于目标处警警情类别。因此,可以用预设处警警情类别集合中的各目标处警警情类别生成待分类处警文本对应的处警警情类别集合。
需要说明的是,将待分类处警文本输入预设处警警情类别集合中的每个处警警情类别对应的分类模型时,预设处警警情类别中可能存在至少一个处警警情类别对应的分类模型对应的分类结果显示待分类处警文本属于该处警警情类别。这时待分类处警文本对应的处警警情类别集合中可以包括至少一个处警警情类别。当然,也存在将待分类处警文本输入预设处警警情类别中每个处警警情类别对应的分类模型所得到的分类结果指示待分类处警文本不属于预设处警警情类别中的任何处警警情类别,这时待分类处警文本对应的处警警情类别集合可以为空。
本公开的上述实施例提供的基于深度学习模型的处警警情类别确定方法,通过将待分类处警文本对应的文本特征向量输入预设处警警情类别集合中的各处警警情类别对应的基于深度学习模型的分类模型,并最终得到待分类处警文本对应的处警警情类别集合,实现了对处警文本自动进行警情分类,无需人工操作,降低了对处警文本进行警情分类的成本,提高了对处警文本进行警情分类的分类速度。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种基于深度学习模型的处警警情类别确定装置的一个实施例,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5所示,本实施例的基于深度学习模型的处警警情类别确定装置500包括:切词单元501、特征确定单元502、分类单元503和生成单元504。其中,切词单元501,被配置成将待分类处警文本进行切词得到相应的分词序列;特征确定单元502,被配置成基于所得到的分词序列确定上述待分类处警文本的文本特征向量;分类单元503,被配置成对于预设处警警情类别集合中的每个处警警情类别,将上述文本特征向量输入与该处警警情类别对应的分类模型,得到用于指示上述待分类处警文本是否属于该处警警情类别的分类结果,其中,与各上述处警警情类别对应的分类模型是基于深度学习模型训练得到的;而生成单元504,被配置成用上述预设处警警情类别集合中的各目标处警警情类别生成上述待分类处警文本对应的处警警情类别集合,其中,分类结果指示上述待分类处警文本属于目标处警警情类别。
在本实施例中,基于深度学习模型的处警警情类别确定装置500的切词单元501、特征确定单元502、分类单元503和生成单元504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、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述预设处警警情类别集合中每个处警警情类别对应的分类模型可以是通过如下训练步骤预先训练得到的:获取训练样本集合,训练样本包括历史处警文本和对应的标注警情类别集合;对于上述预设处警警情类别集合中的每个处警警情类别,执行以下分类模型训练操作:将上述训练样本集合中对应的标注警情类别集合包括该处警警情类别的各训练样本中的历史处警文本对应的文本特征向量确定为该处警警情类别对应的正样本集合;将上述训练样本集合中对应的标注警情类别集合不包括该处警警情类别的各训练样本中的历史处警文本对应的文本特征向量确定为该处警警情类别对应的负样本集合;基于该处警警情类别对应的正样本集合和负样本集合训练该处警警情类别对应的基于深度学习模型的分类模型。
在本实施例的一些可选的实现方式中,上述特征确定单元502可以包括:第一赋值模块5021,被配置成对于上述分词序列中的每个分词,计算该分词的词频-逆文本频率指数TF-IDF,以及将上述待分类处警文本的文本特征向量中与该分词对应的分量设置为计算得到的该分词的TF-IDF,其中,上述待分类处警文本的文本特征向量中的各分量分别与预设词典中的各词语一一对应;第二赋值模块5022,被配置成将上述待分类处警文本的文本特征向量中的各未赋值分量设置为预设数值,未赋值分量为属于上述预设词典但不属于上述分词序列的词语对应的分量。
在本实施例的一些可选的实现方式中,上述预设处警警情类别集合可以包括以下至少一项:家庭纠纷类别、犬类纠纷类别、邻里纠纷类别。
需要说明的是,本公开实施例提供的基于深度学习模型的处警警情类别确定装置中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6,其示出了适于用来实现本公开实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU,Central Processing Unit)601,其可以根据存储在只读存储器(ROM,Read Only Memory)602中的程序或者从存储部分608加载到随机访问存储器(RAM,Random Access Memory)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O,Input/Output)接口605也连接至总线604。
以下部件连接至I/O接口605:包括触控屏、手写板、键盘或鼠标等的输入部分606;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607;包括硬盘等的存储部分608;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609。通信部分609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609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)601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,本公开所述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,所述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。
描述于本公开实施例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:一种处理器包括切词单元、特征确定单元、分类单元和生成单元。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,切词单元还可以被描述为“将待分类处警文本进行切词得到相应的分词序列的单元”。
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:将待分类处警文本进行切词得到相应的分词序列;基于所得到的分词序列确定待分类处警文本的文本特征向量;对于预设处警警情类别集合中的每个处警警情类别,将文本特征向量输入与该处警警情类别对应的分类模型,得到用于指示待分类处警文本是否属于该处警警情类别的分类结果,其中,与各处警警情类别对应的分类模型是基于深度学习模型训练得到的;用预设处警警情类别集合中的各目标处警警情类别生成待分类处警文本对应的处警警情类别集合,其中,分类结果指示待分类处警文本属于目标处警警情类别。
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 (10)
1.一种基于深度学习模型的处警警情类别确定方法,包括:
将待分类处警文本进行切词得到相应的分词序列;
基于所得到的分词序列确定所述待分类处警文本的文本特征向量;
对于预设处警警情类别集合中的每个处警警情类别,将所述文本特征向量输入与该处警警情类别对应的分类模型,得到用于指示所述待分类处警文本是否属于该处警警情类别的分类结果,其中,与各所述处警警情类别对应的分类模型是基于深度学习模型训练得到的;
用所述预设处警警情类别集合中的各目标处警警情类别生成所述待分类处警文本对应的处警警情类别集合,其中,分类结果指示所述待分类处警文本属于目标处警警情类别。
2.根据权利要求1所述的方法,其中,所述预设处警警情类别集合中每个处警警情类别对应的分类模型是通过如下训练步骤预先训练得到的:
获取训练样本集合,训练样本包括历史处警文本和对应的标注警情类别集合;
对于所述预设处警警情类别集合中的每个处警警情类别,执行以下分类模型训练操作:将所述训练样本集合中对应的标注警情类别集合包括该处警警情类别的各训练样本中的历史处警文本对应的文本特征向量确定为该处警警情类别对应的正样本集合;将所述训练样本集合中对应的标注警情类别集合不包括该处警警情类别的各训练样本中的历史处警文本对应的文本特征向量确定为该处警警情类别对应的负样本集合;基于该处警警情类别对应的正样本集合和负样本集合训练该处警警情类别对应的基于深度学习模型的分类模型。
3.根据权利要求2所述的方法,其中,所述基于所得到的分词序列确定所述待分类处警文本的文本特征向量,包括:
对于所述分词序列中的每个分词,计算该分词的词频-逆文本频率指数TF-IDF,以及将所述待分类处警文本的文本特征向量中与该分词对应的分量设置为计算得到的该分词的TF-IDF,其中,所述待分类处警文本的文本特征向量中的各分量分别与预设词典中的各词语一一对应;
将所述待分类处警文本的文本特征向量中的各未赋值分量设置为预设数值,未赋值分量为属于所述预设词典但不属于所述分词序列的词语对应的分量。
4.根据权利要求1-3中任一所述的方法,其中,所述预设处警警情类别集合包括以下至少一项:电信诈骗类别、金融诈骗类别、保险诈骗类别。
5.一种基于深度学习模型的处警警情类别确定装置,包括:
切词单元,被配置成将待分类处警文本进行切词得到相应的分词序列;
特征确定单元,被配置成基于所得到的分词序列确定所述待分类处警文本的文本特征向量;
分类单元,被配置成对于预设处警警情类别集合中的每个处警警情类别,将所述文本特征向量输入与该处警警情类别对应的分类模型,得到用于指示所述待分类处警文本是否属于该处警警情类别的分类结果,其中,与各所述处警警情类别对应的分类模型是基于深度学习模型训练得到的;
生成单元,被配置成用所述预设处警警情类别集合中的各目标处警警情类别生成所述待分类处警文本对应的处警警情类别集合,其中,分类结果指示所述待分类处警文本属于目标处警警情类别。
6.根据权利要求5所述的装置,其中,所述预设处警警情类别集合中每个处警警情类别对应的分类模型是通过如下训练步骤预先训练得到的:
获取训练样本集合,训练样本包括历史处警文本和对应的标注警情类别集合;
对于所述预设处警警情类别集合中的每个处警警情类别,执行以下分类模型训练操作:将所述训练样本集合中对应的标注警情类别集合包括该处警警情类别的各训练样本中的历史处警文本对应的文本特征向量确定为该处警警情类别对应的正样本集合;将所述训练样本集合中对应的标注警情类别集合不包括该处警警情类别的各训练样本中的历史处警文本对应的文本特征向量确定为该处警警情类别对应的负样本集合;基于该处警警情类别对应的正样本集合和负样本集合训练该处警警情类别对应的基于深度学习模型的分类模型。
7.根据权利要求6所述的装置,其中,所述特征确定单元,包括:
第一赋值模块,被配置成对于所述分词序列中的每个分词,计算该分词的词频-逆文本频率指数TF-IDF,以及将所述待分类处警文本的文本特征向量中与该分词对应的分量设置为计算得到的该分词的TF-IDF,其中,所述待分类处警文本的文本特征向量中的各分量分别与预设词典中的各词语一一对应;
第二赋值模块,被配置成将所述待分类处警文本的文本特征向量中的各未赋值分量设置为预设数值,未赋值分量为属于所述预设词典但不属于所述分词序列的词语对应的分量。
8.根据权利要求5-7中任一所述的装置,其中,所述预设处警警情类别集合包括以下至少一项:电信诈骗类别、金融诈骗类别、保险诈骗类别。
9.一种电子设备,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1-4中任一所述的方法。
10.一种计算机可读介质,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1-4中任一所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020100913180 | 2020-02-13 | ||
CN202010091318 | 2020-02-13 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113111171A true CN113111171A (zh) | 2021-07-13 |
Family
ID=76708908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010307543.3A Pending CN113111171A (zh) | 2020-02-13 | 2020-04-17 | 基于深度学习模型的处警警情类别确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111171A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106095996A (zh) * | 2016-06-22 | 2016-11-09 | 量子云未来(北京)信息科技有限公司 | 用于文本分类的方法 |
CN106202177A (zh) * | 2016-06-27 | 2016-12-07 | 腾讯科技(深圳)有限公司 | 一种文本分类方法及装置 |
CN108182279A (zh) * | 2018-01-26 | 2018-06-19 | 有米科技股份有限公司 | 基于文本特征的对象分类方法、装置和计算机设备 |
CN108334605A (zh) * | 2018-02-01 | 2018-07-27 | 腾讯科技(深圳)有限公司 | 文本分类方法、装置、计算机设备及存储介质 |
CN110019782A (zh) * | 2017-09-26 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 用于输出文本类别的方法和装置 |
-
2020
- 2020-04-17 CN CN202010307543.3A patent/CN113111171A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106095996A (zh) * | 2016-06-22 | 2016-11-09 | 量子云未来(北京)信息科技有限公司 | 用于文本分类的方法 |
CN106202177A (zh) * | 2016-06-27 | 2016-12-07 | 腾讯科技(深圳)有限公司 | 一种文本分类方法及装置 |
CN110019782A (zh) * | 2017-09-26 | 2019-07-16 | 北京京东尚科信息技术有限公司 | 用于输出文本类别的方法和装置 |
CN108182279A (zh) * | 2018-01-26 | 2018-06-19 | 有米科技股份有限公司 | 基于文本特征的对象分类方法、装置和计算机设备 |
CN108334605A (zh) * | 2018-02-01 | 2018-07-27 | 腾讯科技(深圳)有限公司 | 文本分类方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427939B (zh) | 模型生成方法和装置 | |
US11915123B2 (en) | Fusing multimodal data using recurrent neural networks | |
CN112699991A (zh) | 用于加速神经网络训练的信息处理的方法、电子设备和计算机可读介质 | |
CN108197652B (zh) | 用于生成信息的方法和装置 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
CN110659657B (zh) | 训练模型的方法和装置 | |
CN111563163A (zh) | 文本分类模型的生成方法和装置、数据标准化方法和装置 | |
CN111368551A (zh) | 一种确定事件主体的方法和装置 | |
CN111950647A (zh) | 分类模型训练方法和设备 | |
CN111723180A (zh) | 一种面试方法和装置 | |
CN113392920B (zh) | 生成作弊预测模型的方法、装置、设备、介质及程序产品 | |
CN114298845A (zh) | 一种理赔票据处理方法和装置 | |
CN113111167A (zh) | 基于深度学习模型的接处警文本车辆型号提取方法和装置 | |
CN116578925B (zh) | 基于特征画像的行为预测方法、装置及存储介质 | |
CN113051911A (zh) | 提取敏感词的方法、装置、设备、介质及程序产品 | |
CN113111165A (zh) | 基于深度学习模型的接警警情类别确定方法和装置 | |
CN115795345A (zh) | 信息处理方法、装置、设备及存储介质 | |
CN113111897A (zh) | 基于支持向量机的接警警情类别确定方法和装置 | |
CN115908933A (zh) | 半监督分类模型训练、图像分类方法和装置 | |
CN113111169A (zh) | 基于深度学习模型的接处警文本地址信息提取方法和装置 | |
CN113111174A (zh) | 基于深度学习模型的群体识别方法与装置、设备及介质 | |
CN113111171A (zh) | 基于深度学习模型的处警警情类别确定方法和装置 | |
CN113935334A (zh) | 文本信息处理方法、装置、设备和介质 | |
CN114066603A (zh) | 贷后风险预警方法、装置、电子设备和计算机可读介质 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、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 |