CN115017417A - 基于标签智能过滤和推荐的政策匹配方法及系统 - Google Patents

Abstract

本发明属于政策匹配技术领域，具体涉及基于标签智能过滤和推荐的政策匹配方法及系统。方法包括S1，完成模型的构建与训练，并获得政策标签之间的相似、相悖和从属关系；S2，根据用户的基础信息，快速匹配符合的政策，随后返回给用户需要填写的基础标签；S3，当用户基础信息完备后，利用构建出的标签关系，对匹配政策的标签进行相似、相悖和从属处理，获得推荐的政策；S4，将推荐的政策按照预设的维度进行统一打分，并返回给用户。系统包括离线准备模块、快速匹配模块、智能匹配模块和智能推荐模块。本发明具有适用于数量庞大的政策匹配，并能提供更友好的用户体验的特点。

Description

基于标签智能过滤和推荐的政策匹配方法及系统

技术领域

本发明属于政策匹配技术领域，具体涉及基于标签智能过滤和推荐的政策匹配方法及系统。

背景技术

随着计算机技术的发展和数字政务的大力推进，会利用现代计算机技术将已发布的政策结构化成知识图谱。政策的知识图谱包括了各项政策发布区域，适用对象和对应的奖惩措施。

随着时间的推移，政策数量会慢慢增加，当政策数据大量增加，知识图谱也会变得内容庞大，这时，如何根据企业、个人的信息来快速精准得将其所能满足的政策推荐给他们就成了一个亟需解决的问题。

为了可以与用户（任何需要申报政策的企业或个人）交互，政策知识图谱常常会以<标签-值-结果>的三元组形式展现出来，其中结果对应政策文件中需要被企业/个人所需要的政策结果，标签与值对应要获取该政策结果所需要达到的某项条件，进一步，标签是该条件泛化出的一种定义，而值是该标签的某个具体的属性。举例来说，一个三元组<行业领域，农业，符合>中，标签为行业领域，农业则指的是该政策指向的行业领域是农业，符合指的是农业是符合该政策的值。

目前政策匹配系统一般采用以下比较简单的方式给用户进行硬性匹配：

1.系统以页面表单的形式罗列出所有标签让用户填写，或者采用多轮交互填写的形式给出部分标签让用户填写。

2.用户选择满足的标签。

3.系统根据用户的标签对政策进行筛选，留下符合用户要求的政策。

然而上述方式存在以下缺点：

1.简单的选项推荐与填写流程无法应对大规模政策知识图谱带来的挑战，主要问题在于：

据统计，一份政策文件在知识图谱中形成的标签多达几十上百个。对于大规模政策知识图谱来说，标签数量过万，需要填写的标签过多以及类似标签的重复填写导致用户失去耐心。

大规模政策知识图谱内容过于复杂，导致交互时间极长，一次政策填写推荐的过程往往超过30分钟。

2.考虑到简单的选项推荐和填写流程的问题，现有一些基于自然语言处理技术进行的政策推荐方案和专利，采用了对政策内容和企业画像分别做刻画，再计算二者的匹配得分的方法，进行自动匹配和推荐；这种方案虽然不需要用户进行重复的填写和繁杂的交互，但是其企业信息部分或者是基于企业之前提交的静态数据，或者是基于爬虫技术获取的公开数据，从数据质量和实时性上来说都不完整和准确；缺乏和用户在语义层面的交互，因此导致这种硬性匹配方式影响政策推荐的精准度和交互体验，例如一旦推荐的政策不准，用户甚至无法修改而被迫重新人工选择。

3.另一方面，有些方案采用了知识问答的方式来和用户进行交互，从用户政策咨询问题出发推荐相应政策，但是所推荐的内容仅为相关政策文件和知识点语句，而非具体的政策内容，更没有对政策重要性或者契合度做区分，无法为用户提供申报优先级建议。

因此，设计一种适用于数量庞大的政策匹配，并能提供更友好的用户体验的基于标签智能过滤和推荐的政策匹配方法及系统，就显得十分重要。

例如，申请号为CN202011067693.8的中国专利文献描述的一种用于数字政务的智能政策匹配方法及系统，解析政策文件的内容生成知识图谱，处理企业信息与政策条件的匹配度，通过梳理政策条件得到多组标签，标签与政策条件存在单选、多选和输入类型三种对应关系，计算匹配度最终得到每个政策条件的匹配度；企业信息补充，过滤掉奖励路径不匹配的政策奖励，得到候选政策奖励所对应的政策条件；将政策条件关联到标签，得到候选标签及其值，而后计算每个标签对应的信息熵以及政策数量，综合排序后将权重最高的标签推荐给企业进行填写；政策推理，基于信息匹配最终得到的政策条件匹配度，采用深度优先搜索的方法搜索知识图谱，给出企业最终不同政策奖励的匹配情况，给出政策的匹配报告。虽然通过知识图谱的构建，将政策对应的推理逻辑用图谱表示出来，以表示政策、奖励和条件间复杂的逻辑关系；基于知识图谱的政策计算器能够计算出企业与政策的精准的匹配情况，并给出不满足或满足的条件或依据，降低政策申报和审核的人力投入；在企业信息不足需要补充信息时，会对候选政策标签进行排序，实现企业填写标签次数最少的目标并得到最优的匹配效果，但是其缺点在于，并不适用于大规模政策知识图谱，会导致交互时间极长，导致用户失去耐心，用户体验感差。

发明内容

本发明是为了克服现有技术中，现有的政策匹配系统在政策数量增大，知识图谱庞大的情况下，仍根据标签值来一个一个为用户匹配政策，造成极大浪费用户时间的问题，提供了一种适用于数量庞大的政策匹配，并能提供更友好的用户体验的基于标签智能过滤和推荐的政策匹配方法及系统。

为了达到上述发明目的，本发明采用以下技术方案：

基于标签智能过滤和推荐的政策匹配方法，包括如下步骤；

S1，根据真实政策文件，完成标签相似判断模型、标签从属判断模型，标签相悖判断模型的构建与训练，并获得政策标签之间的相似、相悖和从属关系；

S2，根据用户的基础信息，快速匹配符合的政策，随后返回给用户需要填写的基础标签；

S3，当用户基础信息完备后，利用步骤S1中构建出的标签关系，对匹配政策的标签进行相似、相悖和从属处理，获得推荐的政策；

S4，将推荐的政策按照预设的维度进行统一打分，并按分数从高到低排序返回给用户。

作为优选，步骤S1包括如下步骤：

S11，利用卷积神经网络分别对两个政策标签编码，并根据余弦相似度的损失训练，得到标签相似判断模型；

S12，在多段卷积神经网络的基础上融入注意力机制，并分别对两对政策标签和标签值进行编码，并根据Softmax交叉熵损失函数训练，获得标签从属判断模型；

S13，利用卷积神经网络分别对两段政策标签相关的政策文本编码，并在编码后向量按位求差的基础上，根据Softmax交叉熵损失函数训练，获得标签相悖判断模型。

作为优选，步骤S2包括如下步骤：

快速匹配：

S21，判断用户的信息是否完备；

S22，根据政策知识图谱，返回给用户需要填写的基础信息选项

S23，用户填写基础信息。

作为优选，步骤S3包括如下步骤：

智能匹配：

S31，根据用户填选的内容匹配到满足用户填选内容的政策，并过滤出不满足填选内容的政策；

S32，将匹配的政策中，政策标签相似的政策进行智能合并；

S33，将匹配的政策中，政策标签属于从属关系的政策进行智能过滤；

S34，将匹配的政策中，政策标签与用户基础信息相悖的政策进行智能过滤。

作为优选，步骤S31还包括如下步骤：

对不满足填选内容的政策内的用户填选的内容做处理：

当所述用户填选的内容的作用范围只在被过滤出的政策内，则将所述用户填选的内容全部过滤，不在后续推给用户填写。

作为优选，步骤S4中所述预设的维度包括用户相关度、政策重要度和政策有效时长。

本发明还提供了基于标签智能过滤和推荐的政策匹配系统，包括；

离线准备模块，用于根据真实政策文件，完成标签相似判断模型、标签从属判断模型，标签相悖判断模型的构建与训练，并获得政策标签之间的相似、相悖和从属关系；

快速匹配模块，用于根据用户的基础信息，快速匹配符合的政策，随后返回给用户需要填写的基础标签；

智能匹配模块，用于当用户基础信息完备后，利用步骤S1中构建出的标签关系，对匹配政策的标签进行相似、相悖和从属处理，获得推荐的政策；

智能推荐模块，将推荐的政策按照预设的维度进行统一打分，并按分数从高到低排序返回给用户。

作为优选，所述离线准备模块包括：

标签相似判断模型构建模块，用于利用卷积神经网络分别对两个政策标签编码，并根据余弦相似度的损失训练，得到标签相似判断模型；

标签从属判断模型构建模块，用于在多段卷积神经网络的基础上融入注意力机制，并分别对两对政策标签和标签值进行编码，并根据Softmax交叉熵损失函数训练，获得标签从属判断模型；

标签相悖判断模型构建模块，用于利用卷积神经网络分别对两段政策标签相关的政策文本编码，并在编码后向量按位求差的基础上，根据Softmax交叉熵损失函数训练，获得标签相悖判断模型。

本发明与现有技术相比，有益效果是：（1）本发明结合上千政策标签的统计与专家梳理得出基础信息标签，这些标签可以快速筛选出不符合用户的政策，大大缩减用户需要填写的标签范围；（2）本发明提出了标签相似判断模型，标签从属判断模型，标签相悖判断模型，在离线过程中，利用训练完成的这三个模型，将知识图谱中的标签做一次梳理，构建其中的相似，从属，相悖关系，这样就能在在线过程中，实时判断出用户信息与知识图谱内标签信息的相似、从属、相悖关系，根据这些关系来去除和推理出已经符合用户信息的未填标签和无需用户填写的未填标签，大大减少用户需要填写的范围；（3）本发明在离线过程中使用离线模型构建标签关系，可以避免在在线过程中使用深度学习模型，可以大大提高匹配的速度；（4）本发明适用于数量庞大的政策匹配，能够提供更友好的用户体验，从而构建更智能的数字政务系统。

附图说明

图1为本发明中基于标签智能过滤和推荐的政策匹配方法的一种流程图；

图2为本发明中基于标签智能过滤和推荐的政策匹配系统的一种构架示意图；

图3为本发明中标签相似判断模型的一种构建示意图；

图4为本发明中标签从属判断模型的一种构建示意图；

图5为本发明中标签相悖判断模型的一种构建示意图。

具体实施方式

为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，并获得其他的实施方式。

实施例1：

如图1所示的基于标签智能过滤和推荐的政策匹配方法，包括如下步骤；

S1，根据大量真实政策文件，完成标签相似判断模型、标签从属判断模型，标签相悖判断模型的构建与训练，并获得政策标签之间的相似、相悖（无关）和从属关系；

S2，根据用户的基础信息，快速匹配符合的政策，随后返回给用户需要填写的基础标签；

S3，当用户基础信息完备后，利用步骤S1中构建出的标签关系，对匹配政策的标签进行相似、相悖和从属处理，获得推荐的政策；

S4，将推荐的政策按照预设的维度进行统一打分，并按分数从高到低排序返回给用户。

进一步的，如图3至图5所示，步骤S1包括如下步骤：

S11，利用卷积神经网络分别对两个政策标签编码，并根据余弦相似度的损失训练，得到标签相似判断模型；

S12，在多段卷积神经网络的基础上融入注意力机制，并分别对两对政策标签和标签值进行编码，并根据Softmax交叉熵损失函数训练，获得标签从属判断模型；

S13，利用卷积神经网络分别对两段政策标签相关的政策文本编码，并在编码后向量按位求差的基础上，根据Softmax交叉熵损失函数训练，获得标签相悖判断模型。

上述三个模型的训练数据是在大量政策文件中根据人工标注得来。离线过程会根据这三个模型构建出标签之间的相似、相悖（无关）、从属的关系，并保存起来供在线过程使用。上述三个模型都是基于神经网络的有监督训练模型。

进一步的，步骤S2包括如下步骤：

快速匹配：

S21，判断用户的信息是否完备；

S22，根据政策知识图谱，返回给用户需要填写的基础信息选项

S23，用户填写基础信息。

从知识图谱内划分出部分基础信息标签，其依据是能够关联到尽可能多政策的标签，如：企业注册地，企业经营行业，个人社保地区等。判断用户的基础信息是否包含基础信息标签，如缺少，则将未包含的基础信息标签推送给用户填写。

进一步的，步骤S3包括如下步骤：

智能匹配：

S31，根据用户填选的内容匹配到满足用户填选内容的政策，并过滤出不满足填选内容的政策；

对不满足填选内容的政策内的用户填选的内容做处理：

当所述用户填选的内容的作用范围只在被过滤出的政策内，则将所述用户填选的内容全部过滤，不在后续推给用户填写。

S32，将匹配的政策中，政策标签相似的政策进行智能合并；

政策知识图谱中经常会有大量类似标签，如两份政策文件中分别存在标签A：开展畜禽排泄物综合治理工作，标签B：建设畜禽排泄物处理收集系统，根据离线过程构建的标签相似关系将二者自动归并成一项标签，减少用户标签填写的工作量。

S33，将匹配的政策中，政策标签属于从属关系的政策进行智能过滤；

政策知识图谱中经常会有大量标签之间存在逻辑关系，如两份政策文件中分别存在标签A：获得过国家科技奖，标签B：获得国家科技一等奖。根据离线过程构建的标签从属关系，当用户满足标签B时，会自动判断用户也同时满足标签A。当用户不符合标签A时，自动判断用户也不符合B。以此减少用户标签填写的工作量。

S34，将匹配的政策中，政策标签与用户基础信息相悖的政策进行智能过滤。

政策知识图谱中经常会有大量政策之间有互斥关系，如用户在某项信息中填写了高层次人才，则会根据离线过程构建的标签相悖关系将相悖政策，如贫困户、低保申报相关政策过滤出。以此减少用户标签填写的工作量。

上述智能匹配的过程作用在于，过滤掉不适合的政策与标签，减少智能推荐时用户的待填标签范围与推荐政策范围，并能实现层次化和个性化的动态交互，每次用户需要填写的标签都是基于用户基础信息和之前几轮的填写内容而生成，同时设计最短路径算法确保用户填写最少的信息即能获取政策推荐。

在匹配过程中，设计了一种动态化、层次化的政策推荐多轮交互过程，使得用户能够以最少的标签填写工作，获得更精准的政策推荐，每一次用户填写的内容都是基于用户个性化的基础信息和前几轮已填写内容动态生成。

进一步的，步骤S4中所述预设的维度包括用户相关度、政策重要度和政策有效时长。

如图2所示，本发明还提供了基于标签智能过滤和推荐的政策匹配系统，包括；

离线准备模块，用于根据大量真实政策文件，完成标签相似判断模型、标签从属判断模型，标签相悖判断模型的构建与训练，并获得政策标签之间的相似、相悖和从属关系；

快速匹配模块，用于根据用户的基础信息，快速匹配符合的政策，随后返回给用户需要填写的基础标签；

智能匹配模块，用于当用户基础信息完备后，利用步骤S1中构建出的标签关系，对匹配政策的标签进行相似、相悖和从属处理，获得推荐的政策；

智能推荐模块，将推荐的政策按照预设的维度进行统一打分，并按分数从高到低排序返回给用户。

进一步的，所述离线准备模块包括：

标签相似判断模型构建模块，用于利用卷积神经网络分别对两个政策标签编码，并根据余弦相似度的损失训练，得到标签相似判断模型；

标签从属判断模型构建模块，用于在多段卷积神经网络的基础上融入注意力机制，并分别对两对政策标签和标签值进行编码，并根据Softmax交叉熵损失函数训练，获得标签从属判断模型；

标签相悖判断模型构建模块，用于利用卷积神经网络分别对两段政策标签相关的政策文本编码，并在编码后向量按位求差的基础上，根据Softmax交叉熵损失函数训练，获得标签相悖判断模型。

基于本发明的技术方案，在具体实施和操作过程的步骤如下：

一、离线过程

1.模型准备

准备500份政策文件构建的知识图谱，对知识图谱中的标签标注出标签之间的关系：相悖、从属、相似。基于标注的数据训练出标签相似判断模型，标签从属判断模型，标签相悖判断模型。

2.标签关系构建

利用三个模型将知识图谱内的标签做一次整合，构建出标签之间的相似、相悖、从属的关系，并保存起来供在线过程使用。

（1）相似关系构建具体操作如下：

将标签与待计算标签分别通过分词工具分词，然后利用glove算法模型得到分词的后的词向量，接着利用卷积神经网络将词向量编码成一个N维的标签向量，最后利用余弦相似度计算其相似度，当计算出的余弦相似度大于一定阈值，则认为这两个标签相似。

（2）从属关系构建具体操作如下：

将标签A，标签A的值，标签B，标签B的值分别通过分词工具分词，然后利用glove算法模型得到分词的后的词向量，接着利用卷积神经网络将词向量编码成一个N维的标签向量，然后将标签A标签B的结果向量拼接起来的向量加权到标签A值域标签B值的结果向量拼接的向量，最后将结果通过线性层映射，再通过激活函数softmax的到一个激活值，根据激活值的大小来判断这两个标签值是否具有从属关系。

（3）相悖关系构建具体操作如下：

首先将标签A的值、标签B的值相关的政策文本分别通过jieba分词工具分词，然后利用glove得到分词的后的词向量，接着利用卷积神经网络将词向量编码成一个N维的标签向量，接着将二者按位相减，然后将二者与二者按位相减的结果拼接，然后通过一个可训练的权重W映射到一个空间，最后通过激活函数softmax的到一个激活值，根据激活值来判断这两个标签值是否相悖。

二、在线过程

在快速匹配和智能匹配过程中，根据如图2所示的流程在符合的标签中做筛选和推荐。

1.快速匹配

a)在首次与用户交互的时候，先根据已有的用户信息，结合上千政策标签的统计与专家梳理得出基础信息标签，快速筛选出用户未填的基础信息标签，然后推送给用户填写。例如：

i.目前已有用户信息：<企业注册地,杭州>，快速匹配模块会去掉所有不满足企业注册地在杭州的政策，并在剩余标签内，发现基础信息标签<行业， >未填写，并且剩余的政策大多数与行业标签相关，则将行业标签推送给用户填写。

ii.用户填写完推荐的标签则再次进入快速匹配，快速匹配模块会继续a).i流程，直到判断用户基础信息完备。

2.智能匹配

b)在用户填写完基础信息后，进一步，通过相似语义，从属语义，相悖语义判断机制删选出剩余标签。例如：

i.现有用户已填写标签信息<项目建设, 开展畜禽排泄物综合治理工作><资金引进,外资制造业项目> <行业领域,信息技术>，“<>”内的第一项为标签，第二项为用户的信息，即<标签，值>。

从知识图谱中寻找与<项目建设,开展畜禽排泄物综合治理工作>相似的标签值，如：<项目建设,建设畜禽排泄物处理收集系统>，并默认用户也符合该标签值，减少后续此类标签的推荐填写。

从知识图谱中寻找与<资金引进,外资制造业项目>具有从属关系的标签，如<资金引进,外资项目>，<资金引进,制造业项目>等，并默认该用户符合这些标签值，减少后续此类标签的推荐填写。

另外，标签相悖判断模型模型会从知识图谱中寻找与<行业领域,信息技术>互斥性强的标签，如<项目建设,建设畜禽排泄物处理收集系统>，<家禽养殖,鸡>等，并默认该用户不符合这些标签值，减少后续此类标签的推荐填写。

3.推荐剩下的标签推送给用户

ii.用户填写完推荐的标签则再次进入智能匹配，智能匹配模块会继续b).i流程，直到判断用户主动停止匹配或者匹配完成。

4.智能推荐

a)融合用户相关度、政策重要度、政策有效时长等多个维度，给政策打分，使得用户可以实时得到最匹配的政策。不同维度的分数范围为1-5分，例如：

（1）政策X奖励额度1000万，政策Y奖励额度100万，则给政策X一个较高的重要度分数；

（2）政策X剩余有效时长1个月，政策Y有效时长1年，则给政策X一个较高的有效时长分数；

（3）政策X是关于XX省XX市XX区的政策，政策Y是关于XX省的政策，用户注册地是在XX省XX市XX区，则给政策X一个较高的用户相关度分数；

（4）综合多个维度的分数，并给与不同权重，最后将分数相加即为该政策的排序分数。

ii.将骤筛选出的结果，按照得分，从高到低推送给用户。

本发明创新性地提出了一种动态化、层次化的政策推荐多轮交互过程，使得用户能够以最少的标签填写工作，获得更精准的政策推荐，每一次用户填写的内容都是基于用户个性化的基础信息和前几轮已填写内容动态生成；

本发明独创性的提出了标签相似判断模型，标签从属判断模型，标签相悖判断模型，能聚合知识图谱内有相似、从属、相悖关系的标签，大大减少标签的填写量。

本发明独创性地提出了根据政策重要度、时效性等进行的政策打分模型，可以根据用户信息更细粒度地推荐更精准的政策。

以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (8)

1.基于标签智能过滤和推荐的政策匹配方法，其特征在于，包括如下步骤；

S1，根据真实政策文件，完成标签相似判断模型、标签从属判断模型，标签相悖判断模型的构建与训练，并获得政策标签之间的相似、相悖和从属关系；

S2，根据用户的基础信息，快速匹配符合的政策，随后返回给用户需要填写的基础标签；

S3，当用户基础信息完备后，利用步骤S1中构建出的标签关系，对匹配政策的标签进行相似、相悖和从属处理，获得推荐的政策；

S4，将推荐的政策按照预设的维度进行统一打分，并按分数从高到低排序返回给用户。

2.根据权利要求1所述的基于标签智能过滤和推荐的政策匹配方法，其特征在于，步骤S1包括如下步骤：

S11，利用卷积神经网络分别对两个政策标签编码，并根据余弦相似度的损失训练，得到标签相似判断模型；

S12，在多段卷积神经网络的基础上融入注意力机制，并分别对两对政策标签和标签值进行编码，并根据Softmax交叉熵损失函数训练，获得标签从属判断模型；

S13，利用卷积神经网络分别对两段政策标签相关的政策文本编码，并在编码后向量按位求差的基础上，根据Softmax交叉熵损失函数训练，获得标签相悖判断模型。

3.根据权利要求1所述的基于标签智能过滤和推荐的政策匹配方法，其特征在于，步骤S2包括如下步骤：

快速匹配：

S21，判断用户的信息是否完备；

S22，根据政策知识图谱，返回给用户需要填写的基础信息选项

S23，用户填写基础信息。

4.根据权利要求3所述的基于标签智能过滤和推荐的政策匹配方法，其特征在于，步骤S3包括如下步骤：

智能匹配：

S31，根据用户填选的内容匹配到满足用户填选内容的政策，并过滤出不满足填选内容的政策；

S32，将匹配的政策中，政策标签相似的政策进行智能合并；

S33，将匹配的政策中，政策标签属于从属关系的政策进行智能过滤；

S34，将匹配的政策中，政策标签与用户基础信息相悖的政策进行智能过滤。

5.根据权利要求4所述的基于标签智能过滤和推荐的政策匹配方法，其特征在于，步骤S31还包括如下步骤：

对不满足填选内容的政策内的用户填选的内容做处理：

当所述用户填选的内容的作用范围只在被过滤出的政策内，则将所述用户填选的内容全部过滤，不在后续推给用户填写。

6.根据权利要求1所述的基于标签智能过滤和推荐的政策匹配方法，其特征在于，步骤S4中所述预设的维度包括用户相关度、政策重要度和政策有效时长。

7.基于标签智能过滤和推荐的政策匹配系统，其特征在于，包括；

离线准备模块，用于根据真实政策文件，完成标签相似判断模型、标签从属判断模型，标签相悖判断模型的构建与训练，并获得政策标签之间的相似、相悖和从属关系；

快速匹配模块，用于根据用户的基础信息，快速匹配符合的政策，随后返回给用户需要填写的基础标签；

智能匹配模块，用于当用户基础信息完备后，利用步骤S1中构建出的标签关系，对匹配政策的标签进行相似、相悖和从属处理，获得推荐的政策；

智能推荐模块，将推荐的政策按照预设的维度进行统一打分，并按分数从高到低排序返回给用户。

8.根据权利要求7所述的基于标签智能过滤和推荐的政策匹配系统，其特征在于，所述离线准备模块包括：

标签相似判断模型构建模块，用于利用卷积神经网络分别对两个政策标签编码，并根据余弦相似度的损失训练，得到标签相似判断模型；

标签从属判断模型构建模块，用于在多段卷积神经网络的基础上融入注意力机制，并分别对两对政策标签和标签值进行编码，并根据Softmax交叉熵损失函数训练，获得标签从属判断模型；

标签相悖判断模型构建模块，用于利用卷积神经网络分别对两段政策标签相关的政策文本编码，并在编码后向量按位求差的基础上，根据Softmax交叉熵损失函数训练，获得标签相悖判断模型。

Images