CN114708117A - 融合先验知识的用电安全检查评级方法、装置及设备 - Google Patents
融合先验知识的用电安全检查评级方法、装置及设备 Download PDFInfo
- Publication number
- CN114708117A CN114708117A CN202210276799.1A CN202210276799A CN114708117A CN 114708117 A CN114708117 A CN 114708117A CN 202210276799 A CN202210276799 A CN 202210276799A CN 114708117 A CN114708117 A CN 114708117A
- Authority
- CN
- China
- Prior art keywords
- contribution degree
- electricity utilization
- target
- grade
- level
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 153
- 238000007689 inspection Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 119
- 238000001914 filtration Methods 0.000 claims abstract description 46
- 238000013145 classification model Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims description 59
- 230000011218 segmentation Effects 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3347—Query execution using vector based model
-
- 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
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种融合先验知识的用电安全检查评级方法、装置及设备,其中该方法包括:获取待进行评级的目标用电检查记录中的各描述语句的等级贡献度向量;将各描述语句的等级贡献度向量与指定级别的多个参考描述语句的等级贡献度向量进行相似度计算;确定与指定级别相关的目标过滤阈值;若存在相似度超过目标过滤阈值的描述语句,则将目标用电检查记录的评级确定为指定级别;否则,则将各描述语句的等级贡献度向量输入至预先训练的级别分类模型中,并根据级别分类模型的输出结果确定目标用电检查记录的评级。充分利用业务人员已有的经验知识辅助分类,提前过滤指定级别的隐患,提高用检工作效率和评级准确性。
Description
技术领域
本申请涉及电力系统的数据处理技术领域,尤其涉及一种融合先验知识的用电安全检查评级方法、一种融合先验知识的用电安全检查评级装置、一种电子设备以及一种计算机可读存储介质。
背景技术
用电安全检查对于提升用户用电体验、保障用电安全具有重要作用,也是提升电力企业服务质量,提高企业效益的重要手段。电力企业的历史用电检查数据通常被记录在《用电安全检查情况汇总表》中。该表格包含用户名称、类别、检查时间、检查情况和隐患分级等信息。根据工作需要,隐患分级通常分为:“重大”、“较大”、“一般”、“轻微”四种级别。目前,对检查结果进行隐患分级是用检业务人员基于工作经验,综合分析“检查情况”的描述文本做出的判断。虽然隐患分级的分类评定由用检业务人员经验确定,在大多数情况下可以保证准确性,但该工作费时费力,效率不高。因此,充分挖掘用电安全检查的历史数据,构建检查文本的智能评级方法,对于减少业务人员的工作量,提高用检工作的自动化和智能化程度具有重要意义。
发明内容
本申请提供了一种融合先验知识的用电安全检查评级方法、装置及设备,以提高用检工作的自动化和智能化程度。
根据本申请的一方面,提供了一种融合先验知识的用电安全检查评级方法,所述方法包括:
获取待进行评级的目标用电检查记录中的各描述语句的等级贡献度向量;
将各描述语句的等级贡献度向量与指定级别的多个参考描述语句的等级贡献度向量进行相似度计算;
确定与所述指定级别相关的目标过滤阈值;
若存在相似度超过所述目标过滤阈值的描述语句,则将所述目标用电检查记录的评级确定为所述指定级别;
若不存在相似度超过所述目标过滤阈值的描述语句,则将各描述语句的等级贡献度向量输入至预先训练的级别分类模型中,并根据所述级别分类模型的输出结果确定所述目标用电检查记录的评级。
根据本申请的另一方面,提供了一种融合先验知识的用电安全检查评级装置,所述装置包括:
描述语句贡献度向量获取模块,用于获取待进行评级的目标用电检查记录中的各描述语句的等级贡献度向量;
相似度计算模块,用于将各描述语句的等级贡献度向量与指定级别的多个参考描述语句的等级贡献度向量进行相似度计算;
目标过滤阈值确定模块,用于确定与所述指定级别相关的目标过滤阈值;
第一评级模块,用于若存在相似度超过所述目标过滤阈值的描述语句,则将所述目标用电检查记录的评级确定为所述指定级别;
第二评级模块,用于若不存在相似度超过所述目标过滤阈值的描述语句,则将各描述语句的等级贡献度向量输入至预先训练的级别分类模型中,并根据所述级别分类模型的输出结果确定所述目标用电检查记录的评级。
根据本申请的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请任一实施例所述的一种融合先验知识的用电安全检查评级方法。
根据本申请的又一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本申请任一实施例所述的一种融合先验知识的用电安全检查评级方法。
在本实施例中,从用电检查文本的有效向量化表达和分级流程优化两方面出发,提出一种融合先验知识的用电安全检查文本智能评级方法。在对目标用电检查记录进行评级的过程中,通过基于先验知识的参考库来协助进行快速筛选,通过将目标用电检查记录的各描述语句的等级贡献度向量与指定级别的参考库中的各参考描述语句的等级贡献度向量进行相似度计算,结合指定级别的目标过滤阈值,来确定目标用电检查记录中是否出现与参考库中的参考描述语句较为相似的描述语句,如果存在则直接将目标用电检查记录的评级确定为指定级别,而无需通过分类器进行评级,充分利用业务人员已有的经验知识辅助分类,提前过滤指定级别的隐患,这样在降低业务人员工作量、提高用检工作效率的同时,也有利于提高对指定级别评定的准确性,提升了用电系统的智能化水平。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的一种融合先验知识的用电安全检查评级方法的流程图;
图2是本申请实施例一提供的一种用电安全检查情况汇总表的部分内容示意图;
图3是本申请实施例一提供的一种确定与指定级别相关的目标过滤阈值的方法流程图;
图4是本申请实施例一提供的一种级别分类模型训练的方法流程图;
图5是本申请实施例二提供的一种融合先验知识的用电安全检查评级装置的结构示意图;
图6是实现本申请实施例的一种融合先验知识的用电安全检查评级方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本申请实施例一提供了一种融合先验知识的用电安全检查评级方法的流程图,可以包括如下步骤:
步骤110,获取待进行评级的目标用电检查记录中的各描述语句的等级贡献度向量。
其中,目标用电检查记录可以为在《用电安全检查情况汇总表》(下称为汇总表)中记录的未被评级的用电检查记录。当汇总表中有多条未被评级的用电检查记录时,可以按照一定次序(如由上往下顺序)逐条遍历各未被评级的用电检查记录,则当前遍历到的用电检查记录作为目标用电检查记录。
示例性的,一条用电检查记录中可以包括用户名称、类别(如工业用电、居民用电等类别)、检查时间、检查情况和隐患分级等信息。如图2示出了汇总表的部分内容,在“检查情况”字段下,用检业务人员可以采用一个或多个描述语句来描述检查情况,“检查情况”字段下通常包含一条或多条单独的描述语句,包含较多的电力领域专业词汇和表达,虽然具有一定的规范化的要求,但又具有汉语的灵活性和随意性。如图2所示,一行表示一条用电检查记录,一行内的编号1、2等表示描述语句,一个编号对应一个描述语句。“隐患分级”字段用于填入当前记录的评级,如由重到轻包括“重大”、“较大”、“一般”、“轻微”等。本实施例用于根据用电检查记录的“检查情况”的内容确定其“隐患分级”。
在该步骤中,对于目标用电检查记录,可以从“检查情况”字段下获得其包含的描述语句,例如,在图2中,第三行的用电检查记录的描述语句有两条,包括“1、变压器暂停”和“2、安全工器具如绝缘靴、绝缘手套未做试验”。接着计算各描述语句的等级贡献度向量,其中,该等级贡献度向量用于描述当前描述语句对于确定整个用电检查记录的评级(即隐患分级)的重要程度或贡献程度。
在一种实施例中,步骤110进一步可以包括如下步骤:
步骤110-1,对所述目标用电检查记录中的各描述语句分别进行分词处理,获得各描述语句的分词集合。
在实现时,可以采用预设的分词算法或者分词工具(如jieba工具)对各描述语句进行分词,获得其对应的分词集合。在分词前,可以先对描述语句基于正则表达式去除标点符号再分词,分词后还可以去除停用词等没有具体含义的词,去除停用词的方式可以采用哈工大的停用词表。
步骤110-2,获取各所述分词集合中各分词的分词向量。
在一种实现中,可以采用预先训练的Word2vec模型来生成各分词的分词向量,具体的,将各分词输入至Word2vec模型中,由Word2vec模型进行向量化处理,输出各分词的分词向量。
步骤110-3,分别获取各分词相对于所述目标用电检查记录的词频以及逆文档频率,并根据所述词频以及所述逆文档频率计算各分词对所述目标用电检查记录的贡献度。
其中,词频(Term Frequency,简称TF)指的是某一个分词在当前目标用电检查记录中出现的次数,可以采用如下公式(1)计算:
其中,wi为分词i在目标用电检查记录j中出现的次数,dj为目标用电检查记录j包含的分词的总数量,TFij为分词i在目标用电检查记录j中的词频。
逆文档频率(Inverse Document Frequency,简称IDF)是一个分词的普遍重要性的度量,它的大小与一个词的常见程度成反比,可以采用如下公式(2)计算:
其中,|D|为未被评级的用电检查记录的总数,Nw为包含分词i的用电检查记录的数目,IDFi为分词i的逆文档频率。
在一种实施例中,当得到各分词的词频以及逆文档频率以后,可以采用如下公式(3)计算各分词对目标用电检查记录的贡献度:
其中,SFj是用电检查记录j的预设等级系数,对于不同的评级取不同的等级系数,比如对于“重大”、“较大”、“一般”、“轻微”这四个评级,SFj取值分别为4、3、2、1;Cij为分词i对目标用电检查记录j的贡献度。
步骤110-4,根据各分词对所述目标用电检查记录的贡献度以及各分词的分词向量,计算各描述语句的等级贡献度向量。
其中,该实施例用于将描述语句向量化,以将描述语句转换为等级贡献度向量。具体的,可以结合描述语句中包含的分词的贡献度和分词向量来计算描述语句的等级贡献度向量。
在一种实施例中,步骤110-4进一步可以包括如下步骤:
分别计算所述分词的分词向量与所述分词对所述目标用电检查记录的贡献度的乘积,作为所述分词的等级贡献度向量;将所述描述语句中的所有分词的等级贡献度向量的总和作为所述描述语句对所述目标用电检查记录的等级贡献度向量。
在一种实现中,可以采用如下公式(4)计算描述语句的等级贡献度向量:
其中,dv为描述语句的等级贡献度向量,Vi为分词向量。Vi×Cij为分词i的等级贡献度向量。
本实施例针对隐患类别并非互相独立而是存在程度变化这一特点,在计算描述语句的等级贡献度向量时,将分词的分词向量与贡献度进行加权求和得到描述语句的等级贡献度向量,采用等级贡献度向量来表示描述语句,使得向量更凸显对评级具有重要影响的分词,有效地体现隐患严重程度,提高文本向量的表征能力,提高评级准确性。
步骤120,将各描述语句的等级贡献度向量与指定级别的多个参考描述语句的等级贡献度向量进行相似度计算。
在实现时,本实施例根据用电安全检查实际需求,充分考虑到隐患分级具有程度不同的区别,对用电安全检查文本进行评级时,更关注“重大”和“较大”这样对用电安全更有影响的分级。基于此,指定级别可以为隐患分级中最严重的一个或多个等级,如“重大”级别、“较大”级别。指定级别的参考库中记录有预先采集的、人为提供的符合该指定级别的多条参考描述语句。例如,可以将多位专家提供的会导致“重大”隐患的描述语句汇总为先验知识表,先验知识表中每条记录即为一个参考描述语句。
在一种实施例中,可以实时计算参考库中的各参考描述语句的等级贡献度向量,其中,各参考描述语句的等级贡献度向量的计算方式,可以参考步骤110中的目标用电检查记录的各描述语句的等级贡献度向量计算方式,此处不再赘述了。在其他实施例中,还可以离线计算好参考库中的各参考描述语句的等级贡献度向量并存储,这样在使用时直接从存储中读取数据即可,提高了各参考描述语句的等级贡献度向量的获取效率。
当获得参考库中的各参考描述语句的等级贡献度向量以后,可以将当前目标用电检查记录中的各描述语句的等级贡献度向量分别与各参考描述语句的等级贡献度向量进行相似度计算,确定各描述语句与各参考描述语句的相似度。其中,本实施例对相似度计算的相似度算法不作限定。
步骤130,确定与所述指定级别相关的目标过滤阈值。
在一种实现中,可以针对不同的隐患分级确定不同的过滤阈值。该过滤阈值可以与隐患分级进行关联存储,当确定了指定级别的参考库以后,则可以根据该指定级别查找对应的目标过滤阈值。其中,该过滤阈值可以是人工设定的,也可以是按照一定策略计算得到的,本实施例对此不作限定。
步骤140,若存在相似度超过所述目标过滤阈值的描述语句,则将所述目标用电检查记录的评级确定为所述指定级别。
在实际中,用电检查文本的评级符合“木桶短板效应”,即,用电检查记录的隐患等级是由其最为严重的描述语句决定的。也就是说,如果存在一个描述语句属于“重大”级别,那么不论其它描述语句的评级如何,整个用电检查记录的评级可直接判定为“重大”。基于此,在该步骤中,本实施例首先可以采用先验知识来快速确定目标用电检查记录的评级。具体体现为,在步骤120计算的各描述语句与各参考描述语句的相似度以后,如果存在超过目标过滤阈值的相似度,则将目标用电检查记录的评级确定为指定级别,例如,将目标用电检查记录的评级确定为“重大”,从而实现对“重大”级别文本的快速过滤。如果不存在超过目标过滤阈值的相似度,则执行步骤150。
步骤150,若不存在相似度超过所述目标过滤阈值的描述语句,则将各描述语句的等级贡献度向量输入至预先训练的级别分类模型中,并根据所述级别分类模型的输出结果确定所述目标用电检查记录的评级。
在该步骤中,通过将各描述语句的等级贡献度向量输入至预先训练的级别分类模型中,然后获得级别分类模型针对各描述语句的输出结果。在一种示例中,该级别分类模型可以为多分类模型,该输出结果可以包含当前输入的描述语句属于各个预设评级的概率值。
然后综合目标用电检查记录的各个描述语句的输出结果,选取最大的概率值,并将该最大的概率值对应的评级作为目标用电检查记录的评级。
在本实施例中,从用电检查文本的有效向量化表达和分级流程优化两方面出发,提出一种融合先验知识的用电安全检查文本智能评级方法。在对目标用电检查记录进行评级的过程中,通过基于先验知识的参考库来协助进行快速筛选,通过将目标用电检查记录的各描述语句的等级贡献度向量与指定级别的参考库中的各参考描述语句的等级贡献度向量进行相似度计算,结合指定级别的目标过滤阈值,来确定目标用电检查记录中是否出现与参考库中的参考描述语句较为相似的描述语句,如果存在则直接将目标用电检查记录的评级确定为指定级别,而无需通过分类器进行评级,充分利用业务人员已有的经验知识辅助分类,提前过滤指定级别的隐患,这样在降低业务人员工作量、提高用检工作效率的同时,也有利于提高对指定级别评定的准确性,提升了用电系统的智能化水平。
在一种实施例中,可以以分类精度最大化为目标的阈值搜索方法确定目标过滤阈值,参考图3示出了确定与指定级别相关的目标过滤阈值的方法流程图,可以包括如下步骤:
步骤130-1,获取与指定评级相关的历史用电检查记录集合,并根据所述历史用电检查记录集合生成各历史用电检查记录中各历史描述语句的等级贡献度向量。
在该步骤中,参考步骤110中确定目标用电检查记录中的各描述语句的等级贡献度向量的方式,本步骤中确定各历史描述语句的等级贡献度向量的方式可以如下:
1)从历史用电检查记录集合中逐条提取历史用电检查记录,对每条历史用电检查记录的每个历史描述语句去除标点符号后再进行分词处理,并对分词结果去除停用词等没有具体含义的词,最终得到每个历史描述语句的分词集合。
2)针对每个分词集合,采用word2vec模型生成每个分词对应的分词向量。
3)计算每个分词的词频以及逆文档频率,并根据该词频以及逆文档频率计算各分词的等级贡献度。
4)针对每条历史描述语句,根据其包含的分词的等级贡献度以及分词向量,计算各历史描述语句的等级贡献度向量。
步骤130-2,获取与指定评级相关的参考描述语句集合,并确定各参考描述语句的等级贡献度向量。
其中,与指定评级相关的参考描述语句集合可以为根据专家的先验知识整理的描述语句。该指定评级一般为最严重的“重大”评级,可以将多位专家提供的会导致“重大”隐患的描述语句汇总为先验知识表,表格的每条记录即为一个参考描述语句。
参考上述步骤130-1,各参考描述语句的等级贡献度向量的确定方式如下:
1)对每条参考描述语句去除标点符号后再进行分词处理,并对分词结果去除停用词等没有具体含义的词,最终得到每个参考描述语句的参考分词集合。
2)针对每个参考分词集合,采用word2vec模型生成每个参考分词对应的分词向量。在一种实现中,word2vec模型的训练方式可以如下:将分词后的每个历史描述语句的分词集合以及每个参考描述语句的参考分词集合作为训练数据,利用word2vec模型训练,获得所有分词的分词向量。其中,word2vec模型采用CBOW(Continuous Bag-Of-Words,连续词袋模型)方式训练,词向量维度可以选100。
3)计算每个参考分词的词频以及逆文档频率,并根据该词频以及逆文档频率计算各参考分词的等级贡献度。
4)针对每条参考描述语句,根据其包含的参考分词的等级贡献度以及分词向量,计算各参考描述语句的等级贡献度向量。
步骤130-3,针对各历史用电检查记录,计算其包含的历史描述语句的等级贡献度向量与各参考描述语句的等级贡献度向量的相似度,生成所述历史用电检查记录的相似度矩阵。
该步骤可以针对每个历史用电检查记录生成其对应的相似度矩阵,其过程可以为:获取当前历史用电检查记录包含的历史描述语句,对于每一个历史描述语句,计算其与各参考描述语句的等级贡献度向量的相似度,则当前历史用电检查记录包含的所有历史描述语句对应的相似度可以组成相似度矩阵。其中,该相似度矩阵可以表示为S=[si,j]n×m,其中,n,m分别为当前历史用电检查记录包含的历史描述语句的数量、参考描述语句集合中包含的参考描述语句的数量,si,j表示某个历史描述语句i与某个参考描述语句j的相似度。
需要说明的是,本实施例对相似度计算的具体算法不作限定。
步骤130-4,从给定的筛选范围中确定多个筛选阈值,并基于各所述相似度矩阵分别确定各筛选阈值的级别识别率。
在一种实现中,可以通过对筛选范围等间隔取值来确定多个筛选阈值。其中,给定的筛选范围可以为用户预先设定的筛选范围,也可以是根据经验学习到的筛选范围,本实施例对此不作限制。取值间隔可以是用户设定的间隔,也可以是通过学习得到的间隔,本实施例对此也不作限定。例如,可以将筛选范围取值为[0.5-0.95],取值间隔为0.05,也就是在范围[0.5-0.95]内对过滤阈值分别间隔0.05进行取值。
当得到多个筛选阈值以后,则可以根据上述步骤130-3得到的各个历史用电检查记录的相似度矩阵,确定各个筛选阈值的级别识别率。其中,级别识别率是指对指定级别的识别准确率。
在一种实施例中,步骤130-4进一步可以包括如下步骤:
步骤130-4-1,初始化计数器。
在一种实现中,可以将计数器置零,如设置计数器的计数初始值C=0,来实现计数器的初始化。
步骤130-4-2,按照所述筛选阈值由小到大的次序对所述筛选阈值进行遍历,针对当前遍历到的筛选阈值,采用各历史用电检查记录的相似度矩阵进行逐一校验,若某个相似度矩阵中存在大于当前筛选阈值的相似度,则将所述计数器加1。
步骤130-4-3,直到所有的历史用电检查记录校验完毕则当前筛选阈值遍历完成,获取所述计数器的计数。
步骤130-4-4,计算所述计数以及所述历史用电检查记录的总数的比值,获得当前筛选阈值的级别识别率,继续遍历下一筛选阈值。
具体的,针对当前遍历到的筛选阈值,可以遍历每个历史用电检查记录的相似度矩阵,如果在当前遍历到的相似度矩阵中存在大于当前筛选阈值的元素,则表示基于当前筛选阈值可以判定该相似度矩阵对应的检查记录属于指定级别,此时可以将计数器加1,即C=C+1。然后继续遍历下一个历史用电检查记录的相似度矩阵,以此类推,依次完成各个历史用电检查记录的判定后,可以得到当前筛选阈值下计数器的计数。
然后,根据当前筛选阈值下计数器的计数以及历史用电检查记录的总数,计算两者的比值,得到当前筛选阈值的级别识别率,即:
当前筛选阈值的级别识别率=当前筛选阈值下计数器的计数/历史用电检查记录的总数*100%。
然后继续遍历下一个筛选阈值,重复上述过程,最后得到每个筛选阈值的级别识别率。
步骤130-5,筛选出所述级别识别率最大的筛选阈值,作为目标筛选阈值。
当得到每个筛选阈值的级别识别率以后,则可以选取级别识别率最大的筛选阈值,作为指定级别的目标筛选阈值。
在本实施例中,结合历史用电检查记录和先验知识来得到目标筛选阈值,有助于挖掘用电安全检查的历史记录的数据价值,得到与历史记录以及先验知识相关的目标筛选阈值,进而提升评级的准确率。
在一种实施例中,参考图4示出了级别分类模型训练的方法流程图,可以包括如下步骤:
步骤150-1,将所有历史描述语句的等级贡献度向量组成样本集。
步骤150-2,将所述样本集划分成k个互斥子集。
其中,各个互斥子集大小相似,即都要保持数据分布的一致性,要包含所有类别。
另外,k值可根据实际需求确定,例如,k=5。
步骤150-3,采用k折交叉验证策略,每次取k-1个子集作为训练集,剩下的作为测试集,对所述分类模型进行训练和评估。
在实现时,等级分类模型可以设置多个类型,示例性的可以包括支持向量机、极限学习机以及径向基神经网络。各个类型分别经过评估后,选择具有最高精度的类型作为最终的等级分类模型。其中,各种类型的模型的k次试验的平均精度可以作为等级分类模型的精度。
实施例二
图5为本申请实施例二提供的一种融合先验知识的用电安全检查评级装置的结构示意图,可以包括如下模块:
贡献度向量获取模块210,用于获取待进行评级的目标用电检查记录中的各描述语句的等级贡献度向量;
相似度计算模块220,用于将各描述语句的等级贡献度向量与指定级别的多个参考描述语句的等级贡献度向量进行相似度计算;
目标过滤阈值确定模块230,用于确定与所述指定级别相关的目标过滤阈值;
第一评级模块240,用于若存在相似度超过所述目标过滤阈值的描述语句,则将所述目标用电检查记录的评级确定为所述指定级别;
第二评级模块250,用于若不存在相似度超过所述目标过滤阈值的描述语句,则将各描述语句的等级贡献度向量输入至预先训练的级别分类模型中,并根据所述级别分类模型的输出结果确定所述目标用电检查记录的评级。
在一种实施例中,贡献度向量获取模块210可以包括如下子模块:
分词处理子模块,用于对所述目标用电检查记录中的各描述语句分别进行分词处理,获得各描述语句的分词集合;
分词向量获取子模块,用于获取各所述分词集合中各分词的分词向量;
分词贡献度计算子模块,用于分别获取各分词相对于所述目标用电检查记录的词频以及逆文档频率,并根据所述词频以及所述逆文档频率计算各分词对所述目标用电检查记录的贡献度;
贡献度向量计算子模块,用于根据各分词对所述目标用电检查记录的贡献度以及各分词的分词向量,计算各描述语句的等级贡献度向量。
在一种实施例中,所述分词贡献度计算子模块具体用于:
采用如下公式计算各分词对所述目标用电检查记录的贡献度:
其中,TFij为词频,IDFi为逆文档频率,SFj是目标用电检查记录j的预设等级系数,Cij为分词i对目标用电检查记录j的贡献度。
在一种实施例中,所述贡献度向量计算子模块具体用于:
分别计算所述分词的分词向量与所述分词对所述目标用电检查记录的贡献度的乘积,作为所述分词的等级贡献度向量;
将所述描述语句中的所有分词的等级贡献度向量的总和作为所述描述语句对所述目标用电检查记录的等级贡献度向量。
在一种实施例中,所述目标过滤阈值确定模块230具体可以包括如下子模块:
历史贡献度向量获取子模块,用于获取与指定评级相关的历史用电检查记录集合,并根据所述历史用电检查记录集合生成各历史用电检查记录中各历史描述语句的等级贡献度向量;
参考贡献度向量获取子模块,用于获取与指定评级相关的参考描述语句集合,并确定各参考描述语句的等级贡献度向量;
相似度矩阵生成子模块,用于针对各历史用电检查记录,计算其包含的历史描述语句的等级贡献度向量与各参考描述语句的等级贡献度向量的相似度,生成所述历史用电检查记录的相似度矩阵;
级别识别率确定子模块,用于从给定的筛选范围中确定多个筛选阈值,并基于各所述相似度矩阵分别确定各筛选阈值的级别识别率;
筛选子模块,用于筛选出所述级别识别率最大的筛选阈值,作为目标筛选阈值。
在一种实施例中,所述级别识别率确定子模块具体用于:
初始化计数器;
按照所述筛选阈值由小到大的次序对所述筛选阈值进行遍历,针对当前遍历到的筛选阈值,采用各历史用电检查记录的相似度矩阵进行逐一校验,若某个相似度矩阵中存在大于当前筛选阈值的相似度,则将所述计数器加1;
直到所有的历史用电检查记录校验完毕则当前筛选阈值遍历完成,获取所述计数器的计数;
计算所述计数以及所述历史用电检查记录的总数的比值,获得当前筛选阈值的级别识别率,继续遍历下一筛选阈值。
在一种实施例中,所述级别分类模型采用如下方式训练:
将所有历史描述语句的等级贡献度向量组成样本集;
将所述样本集划分成k个互斥子集;
采用k折交叉验证策略,每次取k-1个子集作为训练集,剩下的作为测试集,对所述分类模型进行训练和评估。
本申请实施例所提供的一种融合先验知识的用电安全检查评级装置可执行本申请任意实施例所提供的一种融合先验知识的用电安全检查评级方法,具备执行方法相应的功能模块和有益效果。
实施例三
图6示出了可以用来实施本申请的方法实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如一种融合先验知识的用电安全检查评级方法。
在一些实施例中,一种融合先验知识的用电安全检查评级方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的一种融合先验知识的用电安全检查评级方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种融合先验知识的用电安全检查评级方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (10)
1.一种融合先验知识的用电安全检查评级方法,其特征在于,所述方法包括:
获取待进行评级的目标用电检查记录中的各描述语句的等级贡献度向量;
将各描述语句的等级贡献度向量与指定级别的多个参考描述语句的等级贡献度向量进行相似度计算;
确定与所述指定级别相关的目标过滤阈值;
若存在相似度超过所述目标过滤阈值的描述语句,则将所述目标用电检查记录的评级确定为所述指定级别;
若不存在相似度超过所述目标过滤阈值的描述语句,则将各描述语句的等级贡献度向量输入至预先训练的级别分类模型中,并根据所述级别分类模型的输出结果确定所述目标用电检查记录的评级。
2.根据权利要求1所述的方法,其特征在于,所述获取待进行评级的目标用电检查记录中的各描述语句的等级贡献度向量,包括:
对所述目标用电检查记录中的各描述语句分别进行分词处理,获得各描述语句的分词集合;
获取各所述分词集合中各分词的分词向量;
分别获取各分词相对于所述目标用电检查记录的词频以及逆文档频率,并根据所述词频以及所述逆文档频率计算各分词对所述目标用电检查记录的贡献度;
根据各分词对所述目标用电检查记录的贡献度以及各分词的分词向量,计算各描述语句的等级贡献度向量。
4.根据权利要求2所述的方法,其特征在于,所述根据各分词对所述目标用电检查记录的贡献度以及各分词的分词向量,计算各描述语句的等级贡献度向量,包括:
分别计算所述分词的分词向量与所述分词对所述目标用电检查记录的贡献度的乘积,作为所述分词的等级贡献度向量;
将所述描述语句中的所有分词的等级贡献度向量的总和作为所述描述语句对所述目标用电检查记录的等级贡献度向量。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述确定与所述指定级别相关的目标过滤阈值,包括:
获取与指定评级相关的历史用电检查记录集合,并根据所述历史用电检查记录集合生成各历史用电检查记录中各历史描述语句的等级贡献度向量;
获取与指定评级相关的参考描述语句集合,并确定各参考描述语句的等级贡献度向量;
针对各历史用电检查记录,计算其包含的历史描述语句的等级贡献度向量与各参考描述语句的等级贡献度向量的相似度,生成所述历史用电检查记录的相似度矩阵;
从给定的筛选范围中确定多个筛选阈值,并基于各所述相似度矩阵分别确定各筛选阈值的级别识别率;
筛选出所述级别识别率最大的筛选阈值,作为目标筛选阈值。
6.根据权利要求5所述的方法,其特征在于,所述基于各所述相似度矩阵分别确定各筛选阈值的级别识别率,包括:
初始化计数器;
按照所述筛选阈值由小到大的次序对所述筛选阈值进行遍历,针对当前遍历到的筛选阈值,采用各历史用电检查记录的相似度矩阵进行逐一校验,若某个相似度矩阵中存在大于当前筛选阈值的相似度,则将所述计数器加1;
直到所有的历史用电检查记录校验完毕则当前筛选阈值遍历完成,获取所述计数器的计数;
计算所述计数以及所述历史用电检查记录的总数的比值,获得当前筛选阈值的级别识别率,继续遍历下一筛选阈值。
7.根据权利要求5所述的方法,其特征在于,所述级别分类模型采用如下方式训练:
将所有历史描述语句的等级贡献度向量组成样本集;
将所述样本集划分成k个互斥子集;
采用k折交叉验证策略,每次取k-1个子集作为训练集,剩下的作为测试集,对所述分类模型进行训练和评估。
8.一种融合先验知识的用电安全检查评级装置,其特征在于,所述装置包括:
贡献度向量获取模块,用于获取待进行评级的目标用电检查记录中的各描述语句的等级贡献度向量;
相似度计算模块,用于将各描述语句的等级贡献度向量与指定级别的多个参考描述语句的等级贡献度向量进行相似度计算;
目标过滤阈值确定模块,用于确定与所述指定级别相关的目标过滤阈值;
第一评级模块,用于若存在相似度超过所述目标过滤阈值的描述语句,则将所述目标用电检查记录的评级确定为所述指定级别;
第二评级模块,用于若不存在相似度超过所述目标过滤阈值的描述语句,则将各描述语句的等级贡献度向量输入至预先训练的级别分类模型中,并根据所述级别分类模型的输出结果确定所述目标用电检查记录的评级。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的一种融合先验知识的用电安全检查评级方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的一种融合先验知识的用电安全检查评级方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210276799.1A CN114708117A (zh) | 2022-03-21 | 2022-03-21 | 融合先验知识的用电安全检查评级方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210276799.1A CN114708117A (zh) | 2022-03-21 | 2022-03-21 | 融合先验知识的用电安全检查评级方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114708117A true CN114708117A (zh) | 2022-07-05 |
Family
ID=82168657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210276799.1A Pending CN114708117A (zh) | 2022-03-21 | 2022-03-21 | 融合先验知识的用电安全检查评级方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708117A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078112A (zh) * | 2023-10-16 | 2023-11-17 | 云境商务智能研究院南京有限公司 | 应用于企业异常用电管理的能耗检测方法及数据分析系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814159A (zh) * | 2009-02-24 | 2010-08-25 | 余华 | 基于自联想神经网络和高斯混合背景模型相结合的说话人确认方法 |
JP2014170377A (ja) * | 2013-03-04 | 2014-09-18 | Nippon Hoso Kyokai <Nhk> | 文書解析装置、及びプログラム |
CN105589972A (zh) * | 2016-01-08 | 2016-05-18 | 天津车之家科技有限公司 | 训练分类模型的方法及装置、对搜索词分类的方法及装置 |
CN109117474A (zh) * | 2018-06-25 | 2019-01-01 | 广州多益网络股份有限公司 | 语句相似度的计算方法、装置及存储介质 |
CN109145112A (zh) * | 2018-08-06 | 2019-01-04 | 北京航空航天大学 | 一种基于全局信息注意力机制的商品评论分类方法 |
CN109460457A (zh) * | 2018-10-25 | 2019-03-12 | 北京奥法科技有限公司 | 文本语句相似度计算方法、智能政务辅助解答系统及其工作方法 |
US20190287142A1 (en) * | 2018-02-12 | 2019-09-19 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus for evaluating review, device and storage medium |
CN111476026A (zh) * | 2020-03-24 | 2020-07-31 | 珠海格力电器股份有限公司 | 语句向量的确定方法、装置、电子设备及存储介质 |
CN111538908A (zh) * | 2020-06-22 | 2020-08-14 | 腾讯科技(深圳)有限公司 | 搜索排序方法、装置、计算机设备和存储介质 |
CN111581984A (zh) * | 2020-05-21 | 2020-08-25 | 西安科技大学 | 一种基于任务贡献度的语句表示方法 |
CN111581347A (zh) * | 2020-04-28 | 2020-08-25 | 中国工商银行股份有限公司 | 语句相似度匹配方法及装置 |
CN112347779A (zh) * | 2020-11-23 | 2021-02-09 | 军工保密资格审查认证中心 | 一种涉密文本密级自动判定的方法和装置 |
-
2022
- 2022-03-21 CN CN202210276799.1A patent/CN114708117A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101814159A (zh) * | 2009-02-24 | 2010-08-25 | 余华 | 基于自联想神经网络和高斯混合背景模型相结合的说话人确认方法 |
JP2014170377A (ja) * | 2013-03-04 | 2014-09-18 | Nippon Hoso Kyokai <Nhk> | 文書解析装置、及びプログラム |
CN105589972A (zh) * | 2016-01-08 | 2016-05-18 | 天津车之家科技有限公司 | 训练分类模型的方法及装置、对搜索词分类的方法及装置 |
US20190287142A1 (en) * | 2018-02-12 | 2019-09-19 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method, apparatus for evaluating review, device and storage medium |
CN109117474A (zh) * | 2018-06-25 | 2019-01-01 | 广州多益网络股份有限公司 | 语句相似度的计算方法、装置及存储介质 |
CN109145112A (zh) * | 2018-08-06 | 2019-01-04 | 北京航空航天大学 | 一种基于全局信息注意力机制的商品评论分类方法 |
CN109460457A (zh) * | 2018-10-25 | 2019-03-12 | 北京奥法科技有限公司 | 文本语句相似度计算方法、智能政务辅助解答系统及其工作方法 |
CN111476026A (zh) * | 2020-03-24 | 2020-07-31 | 珠海格力电器股份有限公司 | 语句向量的确定方法、装置、电子设备及存储介质 |
CN111581347A (zh) * | 2020-04-28 | 2020-08-25 | 中国工商银行股份有限公司 | 语句相似度匹配方法及装置 |
CN111581984A (zh) * | 2020-05-21 | 2020-08-25 | 西安科技大学 | 一种基于任务贡献度的语句表示方法 |
CN111538908A (zh) * | 2020-06-22 | 2020-08-14 | 腾讯科技(深圳)有限公司 | 搜索排序方法、装置、计算机设备和存储介质 |
CN112347779A (zh) * | 2020-11-23 | 2021-02-09 | 军工保密资格审查认证中心 | 一种涉密文本密级自动判定的方法和装置 |
Non-Patent Citations (1)
Title |
---|
李颢,张吉皓: "基于文本挖掘技术的客服投诉工单自动分类探讨", 移动通信, vol. 41, no. 23, 15 December 2017 (2017-12-15), pages 66 - 72 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117078112A (zh) * | 2023-10-16 | 2023-11-17 | 云境商务智能研究院南京有限公司 | 应用于企业异常用电管理的能耗检测方法及数据分析系统 |
CN117078112B (zh) * | 2023-10-16 | 2024-01-02 | 云境商务智能研究院南京有限公司 | 应用于企业异常用电管理的能耗检测方法及数据分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7090936B2 (ja) | Esg基盤の企業評価遂行装置及びその作動方法 | |
CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
WO2017071369A1 (zh) | 一种预测用户离网的方法和设备 | |
CN113111924A (zh) | 电力客户分类方法及装置 | |
CN111738331A (zh) | 用户分类方法及装置、计算机可读存储介质、电子设备 | |
CN112348662A (zh) | 基于用户职业预测的风险评估方法、装置和电子设备 | |
CN114708117A (zh) | 融合先验知识的用电安全检查评级方法、装置及设备 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN116340831A (zh) | 一种信息分类方法、装置、电子设备及存储介质 | |
CN116340777A (zh) | 一种日志分类模型的训练方法、日志分类方法及装置 | |
CN115545481A (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
CN115630708A (zh) | 一种模型更新方法、装置、电子设备、存储介质及产品 | |
CN115034762A (zh) | 一种岗位推荐方法、装置、存储介质、电子设备及产品 | |
CN114861800A (zh) | 模型训练方法、概率确定方法、装置、设备、介质及产品 | |
CN114153815A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN112925913A (zh) | 用于匹配数据的方法、装置、设备和计算机可读存储介质 | |
CN113032443A (zh) | 用于处理数据的方法、装置、设备和计算机可读存储介质 | |
CN116629620B (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
CN114510584B (zh) | 文献识别方法、装置、电子设备以及计算机可读存储介质 | |
CN114037058B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN115221421A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN116703109A (zh) | 一种配电网项目选取方法、装置、设备及存储介质 | |
CN118035445A (zh) | 一种工单分类方法、装置、电子设备和存储介质 | |
CN114818892A (zh) | 一种信用等级确定方法、装置、设备及存储介质 | |
CN115757163A (zh) | 一种基于svm模型的软件运行环境评估方法及装置 |
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 |