CN115374846A - 投诉举报对象识别方法、装置、设备及存储介质 - Google Patents
投诉举报对象识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115374846A CN115374846A CN202210967723.3A CN202210967723A CN115374846A CN 115374846 A CN115374846 A CN 115374846A CN 202210967723 A CN202210967723 A CN 202210967723A CN 115374846 A CN115374846 A CN 115374846A
- Authority
- CN
- China
- Prior art keywords
- similarity
- complaint
- preset
- data set
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012795 verification Methods 0.000 claims description 50
- 238000004590 computer program Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F40/295—Named entity recognition
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于数据处理技术领域,提供一种投诉举报对象识别方法、装置、设备及存储介质,其中投诉举报对象识别方法包括:获取投诉举报数据集;两两计算投诉举报数据集中每两条投诉举报数据之间的第一相似度;将第一相似度大于预设相似度阈值的投诉举报数据合并为相同对象数据集;计算相同对象数据集与预设对象集中每个预设对象之间的匹配度;将与相同对象数据集匹配度最高的预设对象作为目标投诉举报对象。本申请能够节省传统人工提取投诉举报对象的时间,提高投诉举报对象提取的时效性、便捷性。
Description
技术领域
本申请属于数据处理技术领域,尤其涉及一种投诉举报对象识别方法、装置、设备及存储介质。
背景技术
投诉举报平台是社会群众维护合法权益的重要途径,有利于社会对违法行为进行举报,令有关部门对相应的行为进行整治和处罚。投诉举报平台通常有大量的投诉举报数据,这些投诉举报数据通常会存在对象主体信息不清晰或者缺少对象主体的情况,这时就需要人工从大量的投诉举报数据中一条条提取和辨别对象主体信息,但是这种方法会耗费大量时间,投诉举报对象提取时效性、便捷性较差。
发明内容
本申请实施例提供了一种投诉举报对象识别方法、装置、设备及存储介质,可以解决现有技术中投诉举报对象提取的时效性、便捷性较差的问题。
本申请实施例的第一方面提供一种投诉举报对象识别方法,包括:
获取投诉举报数据集;
两两计算投诉举报数据集中每两条投诉举报数据之间的第一相似度;
将第一相似度大于预设相似度阈值的投诉举报数据合并为相同对象数据集;
计算相同对象数据集与预设对象集中每个预设对象之间的匹配度;
将与相同对象数据集匹配度最高的预设对象作为目标投诉举报对象。
本申请实施例的第二方面提供一种投诉举报对象识别装置,包括:
数据获取模块,用于获取投诉举报数据集;
相似计算模块,用于两两计算投诉举报数据集中每两条投诉举报数据之间的第一相似度;
数据合并模块,用于将第一相似度大于预设相似度阈值的投诉举报数据合并为相同对象数据集;
匹配计算模块,用于计算相同对象数据集与预设对象集中每个预设对象之间的匹配度;
目标获取模块,用于将与相同对象数据集匹配度最高的预设对象作为目标投诉举报对象。
本申请实施例的第三方面提供一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上所述的投诉举报对象识别方法。
本申请实施例的第四方面提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上所述的投诉举报对象识别方法。
本申请实施例的第一方面提供的投诉举报对象识别方法,通过将第一相似度大于预设相似度阈值的投诉举报数据合并为相同对象数据集,并计算相同对象数据集与预设对象集中每个预设对象之间的匹配度,将与相同对象数据集匹配度最高的预设对象作为目标投诉举报对象,能够节省传统人工提取投诉举报对象的时间,提高投诉举报对象提取的时效性、便捷性。
可以理解的是,上述第二方面、第三方面和第四方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,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为本申请实施例提供的投诉举报对象识别方法的流程示意图;
图2为本申请实施例提供的步骤S20的流程示意图;
图3为本申请实施例提供的获取预设相似度阈值的流程示意图;
图4为本申请实施例提供的步骤S31的流程示意图;
图5为本申请实施例提供的步骤S32的流程示意图;
图6为本申请实施例提供的步骤S34的流程示意图;
图7为本申请实施例提供的步骤S40的流程示意图;
图8为本申请实施例提供的投诉举报对象识别装置的结构示意图;
图9为本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、设备、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。“多个”表示“两个或两个以上”。
实施例一
本申请实施例一提供一种投诉举报对象识别方法,可以由终端设备的处理器在运行相应的计算机程序时执行,用于实现将与相同对象数据集匹配度最高的预设对象作为目标投诉举报对象,能够节省传统人工提取投诉举报对象的时间,提高投诉举报对象提取的时效性、便捷性。投诉举报对象可以包括企业、事业单位等对象主体。
如图1所示,本实施例提供的投诉举报对象识别方法包括如下步骤S10至S50:
S10、获取投诉举报数据集。
在应用中,上述获取投诉举报数据集,可以是从各种投诉举报平台上获取投诉举报数据集,上述投诉举报数据集可以包括多条投诉举报数据。
S20、两两计算投诉举报数据集中每两条投诉举报数据之间的第一相似度。
在应用中,上述两两计算投诉举报数据集中每两条投诉举报数据之间的第一相似度,可以是两两计算投诉举报数据集中每两条投诉举报数据之间关于对象主体的第一相似度。可以根据上述投诉举报数据集自建文本词库,用python的gensim库导入自建的词库后进行第一相似度的计算。
S30、将第一相似度大于预设相似度阈值的投诉举报数据合并为相同对象数据集。
在应用中,两两计算投诉举报数据集中每两条投诉举报数据之间的第一相似度后,若第一相似度大于预设相似度阈值,则可以将这些第一相似度大于预设相似度阈值的投诉举报数据合并为相同对象数据集,上述预设相似度阈值可以是预先获取的一个数值。
S40、计算相同对象数据集与预设对象集中每个预设对象之间的匹配度。
在应用中,上述计算相同对象数据集与预设对象集中每个预设对象之间的匹配度,可以是计算相同对象数据集与预设对象集中每个预设对象之间关于对象主体的匹配度,上述预设对象集可以是预先获取的一个包括多个企业、事业单位等对象主体的集合,其可以包含对象主体的对象名称、地址和人名等信息。
S50、将与相同对象数据集匹配度最高的预设对象作为目标投诉举报对象。
在应用中,计算相同对象数据集与预设对象集中每个预设对象之间的匹配度后,可以将与相同对象数据集匹配度最高的预设对象作为目标投诉举报对象,即投诉举报数据中的对象主体。
在一个实施例中,步骤S50之后包括:
显示目标投诉举报对象;
和/或,输出目标投诉举报对象。
在应用中,可将上述目标投诉举报对象通过显示设备进行显示,以便有关部门获知。
本申请实施例提供的投诉举报对象识别方法,通过将第一相似度大于预设相似度阈值的投诉举报数据合并为相同对象数据集,并计算相同对象数据集与预设对象集中每个预设对象之间的匹配度,将与相同对象数据集匹配度最高的预设对象作为目标投诉举报对象,能够节省传统人工提取投诉举报对象的时间,提高投诉举报对象提取的时效性、便捷性,对投诉举报案件管理的智能化发展可以起到重要的作用。
实施例二
本申请实施例二提供一种基于实施例一实现的投诉举报对象识别方法,可以由终端设备的处理器在运行相应的计算机程序时执行。
如图2所示,步骤S20包括步骤S21至S23:
S21、提取每条投诉举报数据的对象名称、地址和人名。
在应用中,上述提取每条投诉举报数据的对象名称、地址和人名,可以是通过训练好的中文命名实体识别模型提取每条投诉举报数据的对象名称、地址和人名,上述中文命名实体识别模型是一个基于深度学习方法的模型。
S22、分别两两计算每两条投诉举报数据之间的第一对象名称相似度、第一地址相似度和第一人名相似度。
在应用中,上述分别两两计算每两条投诉举报数据之间的第一对象名称相似度、第一地址相似度和第一人名相似度,可以是根据上述投诉举报数据集自建文本词库,用python的gensim库导入自建的词库后分别进行第一对象名称相似度、第一地址相似度和第一人名相似度的计算。
S23、将第一对象名称相似度、第一地址相似度和第一人名相似度相加,得到第一相似度。
在应用中,分别两两计算每两条投诉举报数据之间的第一对象名称相似度、第一地址相似度和第一人名相似度后,将第一对象名称相似度、第一地址相似度和第一人名相似度相加即可得到每两条投诉举报数据之间的第一相似度。
在一个实施例中,如图3所示,获取预设相似度阈值的步骤,包括步骤S31至S34:
S31、获取对象识别验证数据集。
在应用中,上述获取对象识别验证数据集,可以是从各种投诉举报平台及网络开源信息中获取对象识别验证数据集,上述对象识别验证数据集可以包括多条对象识别验证数据,对象识别验证数据可以是投诉举报数据。
S32、两两计算对象识别验证数据集中每两条对象识别验证数据之间的第二相似度。
在应用中,上述两两计算对象识别验证数据集中每两条对象识别验证数据之间的第二相似度,可以是两两计算对象识别验证数据集中每两条对象识别验证数据之间关于对象主体的第二相似度。可以根据上述对象识别验证数据集自建文本词库,用python的gensim库导入自建的词库后进行第二相似度的计算。
S33、两两评价对象识别验证数据集中每两条对象识别验证数据是否属于相同对象,得到评价结果。
在应用中,上述两两评价对象识别验证数据集中每两条对象识别验证数据是否属于相同对象,得到评价结果,可以是通过工具两两评价对象识别验证数据集中每两条对象识别验证数据是否属于相同对象,当属于相同对象时,标记为1,否则标记为0。
S34、根据第二相似度与评价结果,得到预设相似度阈值。
在一个实施例中,如图4所示,步骤S31包括步骤S41至S44:
S41、获取第一投诉举报文本数据集与对象识别开源数据集。
在应用中,上述获取第一投诉举报文本数据集与对象识别开源数据集,可以是从各种投诉举报平台中获取第一投诉举报文本数据集,从网络开源信息中获取对象识别开源数据集,对象识别开源数据集可以作为第一投诉举报文本数据集的相关补充。
S42、提取第一投诉举报文本数据集的对象名称、地址和人名。
在应用中,上述提取第一投诉举报文本数据集的对象名称、地址和人名,可以是通过工具提取第一投诉举报文本数据集的对象名称、地址和人名。
S43、将第一投诉举报文本数据集的对象名称、地址和人名替换进对象识别开源数据集的对应位置,得到第二投诉举报文本数据集。
在应用中,上述将第一投诉举报文本数据集的对象名称、地址和人名替换进对象识别开源数据集的对应位置,可以是通过编写脚本随机将第一投诉举报文本数据集的对象名称、地址和人名替换进对象识别开源数据集的对应位置,上述对应位置可以是对象名称的起始词和其他词、地址的起始词和其他词、人名的起始词和其他词。
S44、将第二投诉举报文本数据集、预设对象集和对象识别开源数据集合并,得到对象识别验证数据集。
在应用中,将第二投诉举报文本数据集、预设对象集和对象识别开源数据集合并后,可以将合并后的数据集按一定的比例如6:1:3划分为训练集、测试集和验证集,其中验证集即为对象识别验证数据集,训练集和测试集可用于对上述中文命名实体识别模型进行训练。
在一个实施例中,如图5所示,步骤S32包括步骤S51至S53:
S51、提取每条对象识别验证数据的对象名称、地址和人名。
在应用中,上述提取每条对象识别验证数据的对象名称、地址和人名,可以是通过训练好的中文命名实体识别模型提取每条对象识别验证数据的对象名称、地址和人名。
S52、分别两两计算每两条对象识别验证数据之间的第二对象名称相似度、第二地址相似度和第二人名相似度。
在应用中,在应用中,上述分别两两计算每两条投诉举报数据之间的第一对象名称相似度、第一地址相似度和第一人名相似度,可以是根据上述预设对象集和第一投诉举报文本数据集自建文本词库,用python的gensim库导入自建的词库后分别进行第二对象名称相似度、第二地址相似度和第二人名相似度的计算。
S53、将第二对象名称相似度、第二地址相似度和第二人名相似度相加,得到第二相似度。
在应用中,分别两两计算每两条对象识别验证数据之间的第二对象名称相似度、第二地址相似度和第二人名相似度后,将第二对象名称相似度、第二地址相似度和第二人名相似度相加即可得到每两条投诉举报数据之间的第一相似度。
在一个实施例中,如图6所示,步骤S34包括步骤S61至S66:
S61、设置相似度阈值。
在应用中,根据第二相似度与评价结果求解预设相似度阈值时,可以先设定一个数值作为初始的相似度阈值。
S62、根据第二相似度与相似度阈值,两两判断对象识别验证数据集中每两条对象识别验证数据是否属于相同对象,得到判断结果。
在应用中,若两条对象识别验证数据的第二相似度大于上述相似度阈值,则这两条对象识别验证数据属于相同对象,标记为1,否则标记为0。
S63、计算判断结果与评价结果相同的概率。
在应用中,根据第二相似度与相似度阈值,两两判断对象识别验证数据集中每两条对象识别验证数据是否属于相同对象,得到判断结果后,可以将判断结果与步骤S33中的评价结果进行统计对比,计算判断结果与评价结果相同的概率。
S64、在概率不大于预设概率时,重新设置相似度阈值。
在应用中,若上述概率不大于预设概率时,则可以重新设置一个相似度阈值,具体可以在0-1的区间轮询,并保留小数点后两位,上述预设概率可以是预先设定的一个数值,如0.8。
S65、返回执行根据第二相似度与相似度阈值,两两判断对象识别验证数据集中每两条对象识别验证数据是否属于相同对象,得到判断结果的步骤,直至概率大于预设概率。
在应用中,重新设置相似度阈值后,再循环步骤S62至S65,一直到最后得到的概率大于上述预设概率。
S66、将概率大于预设概率时的相似度阈值作为预设相似度阈值。
在应用中,当在某个相似度阈值下得到的概率大于预设概率,则可以将该相似度阈值作为上述预设相似度阈值。
在一个实施例中,如图7所示,步骤S40包括步骤S71至S73:
S71、分别提取相同对象数据集中每条投诉举报数据,以及预设对象集中每个预设对象的对象名称、地址和人名。
在应用中,可以通过训练好的中文命名实体识别模型分别提取相同对象数据集中每条投诉举报数据,以及预设对象集中每个预设对象的对象名称、地址和人名。
设相同对象数据集ts={ts1,ts2,...,tsk},提取相同对象数据集中每条投诉举报数据的对象名称、地址和人名后,合并为:
相同对象名称集合qym={sqym1,sqym2,...,sqymk},
相同对象地址集合dz={sdz1,sdz2,...,sdzk},
相同对象人名集合rm={srm1,srm2,...,srmk},
其中,k为相同对象数据集中投诉举报数据的数量。
设预设对象集qy={qy1,qy2,...,qyi},提取预设对象集中每个预设对象的对象名称、地址和人名后,合并为:
预设对象名称集合fqym={fqym1,fqym2,...,fqymi},
预设对象地址集合fdz={fdz1,fdz2,...,fdzi},
预设对象人名集合frm={frm1,frm2,...,frmi},
其中,i为预设对象集中预设对象的数量。
S72、根据相同对象数据集中每条投诉举报数据,以及预设对象集中每个预设对象的对象名称、地址和人名,分别计算相同对象数据集中每条投诉举报数据与预设对象集之间的相似度矩阵。
在应用中,可分别将qym与fqym,dz与fdz,rm与frm进行相似度计算,从而得到相似度矩阵。
ts1与预设对象集qy={qy1,qy2,...,qyi}的相似度矩阵为:
ts2与预设对象集qy={qy1,qy2,...,qyi}的相似度矩阵为:
tsk与预设对象集qy={qy1,qy2,...,qyi}的相似度矩阵为:
S73、根据相似度矩阵,计算相同对象数据集与预设对象集中每个预设对象之间的匹配度。
在应用中,根据上述相似度矩阵,计算相同对象数据集ts与预设对象集qy中每个预设对象之间的匹配度为:
ts与qy1的匹配度为:
ts与qyi的匹配度为:
取score_ts_qyi最大时的预设对象qyi即为目标投诉举报对象。
本申请实施例提供的投诉举报对象识别方法,通过利用多条相似、相同投诉举报数据,整合名称、地址、人名,能够解决投诉举报数据中对象主体缺失、定位准确率低的问题,使得投诉举报对象识别更全面合理准确。
实施例三
如图8所示,本实施例还提供一种投诉举报对象识别装置,该投诉举报对象识别装置800包括:
数据获取模块801,用于获取投诉举报数据集;
相似计算模块802,用于两两计算投诉举报数据集中每两条投诉举报数据之间的第一相似度;
数据合并模块803,用于将第一相似度大于预设相似度阈值的投诉举报数据合并为相同对象数据集;
匹配计算模块804,用于计算相同对象数据集与预设对象集中每个预设对象之间的匹配度;
目标获取模块805,用于将与相同对象数据集匹配度最高的预设对象作为目标投诉举报对象。
在一个实施例中,所述投诉举报对象识别装置还包括:
显示模块,用于显示目标投诉举报对象;
和/或,输出模块,用于输出目标投诉举报对象。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种终端设备900,如图9所示,包括存储器901、处理器902以及存储在存储器901中并可在处理器902上运行的计算机程序903,处理器902执行计算机程序903时实现第一方面提供的投诉举报对象识别方法的步骤。
在应用中,终端设备可包括,但不仅限于,处理器以及存储器,图9仅仅是终端设备的举例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如,输入输出设备、网络接入设备等。输入输出设备可以包括摄像头、音频采集/播放器件、显示屏等。网络接入设备可以包括通信模块,用于与外部设备进行无线通信。
在应用中,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在应用中,存储器在一些实施例中可以是终端设备的内部存储单元,例如终端设备的硬盘或内存。存储器在另一些实施例中也可以是终端设备的外部存储设备,例如,终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等,例如计算机程序的程序代码等。存储器还可以用于暂时存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到终端设备的任何实体或设备、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的设备及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,设备间接耦合或通讯连接,可以是电性,机械或其它的形式。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种投诉举报对象识别方法,其特征在于,包括:
获取投诉举报数据集;
两两计算所述投诉举报数据集中每两条投诉举报数据之间的第一相似度;
将所述第一相似度大于预设相似度阈值的所述投诉举报数据合并为相同对象数据集;
计算所述相同对象数据集与预设对象集中每个预设对象之间的匹配度;
将与所述相同对象数据集匹配度最高的所述预设对象作为目标投诉举报对象。
2.如权利要求1所述的投诉举报对象识别方法,其特征在于,所述两两计算所述投诉举报数据集中每两条投诉举报数据之间的第一相似度,包括:
提取每条所述投诉举报数据的对象名称、地址和人名;
分别两两计算每两条所述投诉举报数据之间的第一对象名称相似度、第一地址相似度和第一人名相似度;
将所述第一对象名称相似度、所述第一地址相似度和所述第一人名相似度相加,得到所述第一相似度。
3.如权利要求1所述的投诉举报对象识别方法,其特征在于,获取所述预设相似度阈值的步骤,包括:
获取对象识别验证数据集;
两两计算所述对象识别验证数据集中每两条对象识别验证数据之间的第二相似度;
两两评价所述对象识别验证数据集中每两条对象识别验证数据是否属于相同对象,得到评价结果;
根据所述第二相似度与所述评价结果,得到所述预设相似度阈值。
4.如权利要求3所述的投诉举报对象识别方法,其特征在于,所述获取对象识别验证数据集,包括:
获取第一投诉举报文本数据集与对象识别开源数据集;
提取所述第一投诉举报文本数据集的对象名称、地址和人名;
将所述第一投诉举报文本数据集的对象名称、地址和人名替换进所述对象识别开源数据集的对应位置,得到第二投诉举报文本数据集;
将所述第二投诉举报文本数据集、所述预设对象集和所述对象识别开源数据集合并,得到所述对象识别验证数据集。
5.如权利要求3所述的投诉举报对象识别方法,其特征在于,所述两两计算所述对象识别验证数据集中每两条对象识别验证数据之间的第二相似度,包括:
提取每条所述对象识别验证数据的对象名称、地址和人名;
分别两两计算每两条所述对象识别验证数据之间的第二对象名称相似度、第二地址相似度和第二人名相似度;
将所述第二对象名称相似度、所述第二地址相似度和所述第二人名相似度相加,得到所述第二相似度。
6.如权利要求3所述的投诉举报对象识别方法,其特征在于,所述根据所述第二相似度与所述评价结果,得到所述预设相似度阈值,包括:
设置相似度阈值;
根据所述第二相似度与所述相似度阈值,两两判断所述对象识别验证数据集中每两条对象识别验证数据是否属于相同对象,得到判断结果;
计算所述判断结果与所述评价结果相同的概率;
在所述概率不大于预设概率时,重新设置所述相似度阈值;
返回执行所述根据所述第二相似度与所述相似度阈值,两两判断所述对象识别验证数据集中每两条对象识别验证数据是否属于相同对象,得到判断结果的步骤,直至所述概率大于所述预设概率;
将所述概率大于所述预设概率时的所述相似度阈值作为所述预设相似度阈值。
7.如权利要求1所述的投诉举报对象识别方法,其特征在于,所述计算所述相同对象数据集与预设对象集中每个预设对象之间的匹配度,包括:
分别提取所述相同对象数据集中每条所述投诉举报数据,以及所述预设对象集中每个所述预设对象的对象名称、地址和人名;
根据所述相同对象数据集中每条所述投诉举报数据,以及所述预设对象集中每个所述预设对象的对象名称、地址和人名,分别计算所述相同对象数据集中每条所述投诉举报数据与所述预设对象集之间的相似度矩阵;
根据所述相似度矩阵,计算所述相同对象数据集与所述预设对象集中每个所述预设对象之间的所述匹配度。
8.一种投诉举报对象识别装置,其特征在于,包括:
数据获取模块,用于获取投诉举报数据集;
相似计算模块,用于两两计算所述投诉举报数据集中每两条投诉举报数据之间的第一相似度;
数据合并模块,用于将所述第一相似度大于预设相似度阈值的所述投诉举报数据合并为相同对象数据集;
匹配计算模块,用于计算所述相同对象数据集与预设对象集中每个预设对象之间的匹配度;
目标获取模块,用于将与所述相同对象数据集匹配度最高的所述预设对象作为目标投诉举报对象。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的投诉举报对象识别方法。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的投诉举报对象识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967723.3A CN115374846A (zh) | 2022-08-12 | 2022-08-12 | 投诉举报对象识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210967723.3A CN115374846A (zh) | 2022-08-12 | 2022-08-12 | 投诉举报对象识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115374846A true CN115374846A (zh) | 2022-11-22 |
Family
ID=84066491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210967723.3A Pending CN115374846A (zh) | 2022-08-12 | 2022-08-12 | 投诉举报对象识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115374846A (zh) |
-
2022
- 2022-08-12 CN CN202210967723.3A patent/CN115374846A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108090567B (zh) | 电力通信系统故障诊断方法及装置 | |
CN110619568A (zh) | 风险评估报告的生成方法、装置、设备及存储介质 | |
CN112561948B (zh) | 基于时空轨迹的伴随轨迹识别方法、设备及存储介质 | |
CN112181835B (zh) | 自动化测试方法、装置、计算机设备及存储介质 | |
CN112447189A (zh) | 语音事件检测方法、装置、电子设备及计算机存储介质 | |
CN108734304B (zh) | 一种数据模型的训练方法、装置、及计算机设备 | |
CN109194689B (zh) | 异常行为识别方法、装置、服务器及存储介质 | |
CN107491536B (zh) | 一种试题校验方法、试题校验装置及电子设备 | |
WO2022116419A1 (zh) | 域名侵权的自动化判定方法、装置、电子设备和存储介质 | |
CN110598008A (zh) | 录制数据的数据质检方法及装置、存储介质 | |
CN115618415A (zh) | 敏感数据识别方法、装置、电子设备和存储介质 | |
CN115174250A (zh) | 网络资产安全评估方法、装置、电子设备及存储介质 | |
CN114639152A (zh) | 基于人脸识别的多模态语音交互方法、装置、设备及介质 | |
CN117033309A (zh) | 一种数据转换方法、装置、电子设备及可读存储介质 | |
CN112395450B (zh) | 图片文字检测方法、装置、计算机设备及存储介质 | |
CN115374846A (zh) | 投诉举报对象识别方法、装置、设备及存储介质 | |
CN111859985A (zh) | Ai客服模型测试方法、装置、电子设备及存储介质 | |
CN117873899B (zh) | Ui界面的自动测试方法、装置、终端设备和存储介质 | |
CN117910997B (zh) | 基于临床试验项目的工时统计方法、装置、设备及介质 | |
CN112183480B (zh) | 一种人脸识别方法、装置、终端设备及存储介质 | |
CN112989083B (zh) | 人员身份分析方法、装置、设备及存储介质 | |
CN114333024B (zh) | 基于对抗训练网络进行学生面部表情识别的方法、装置、设备及存储介质 | |
CN113806372B (zh) | 新数据信息构建方法、装置、计算机设备及存储介质 | |
CN111967518B (zh) | 应用标注方法、应用标注装置及终端设备 | |
CN110852867A (zh) | 基于大数据的贷款风险控制方法及装置、设备、存储介质 |
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 |