CN116108955A - 社会矛盾纠纷的升级预警方法、装置、设备及存储介质 - Google Patents
社会矛盾纠纷的升级预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116108955A CN116108955A CN202211446204.9A CN202211446204A CN116108955A CN 116108955 A CN116108955 A CN 116108955A CN 202211446204 A CN202211446204 A CN 202211446204A CN 116108955 A CN116108955 A CN 116108955A
- Authority
- CN
- China
- Prior art keywords
- dispute
- data
- early warning
- abnormal
- contradictory
- 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 58
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 272
- 230000008094 contradictory effect Effects 0.000 claims abstract description 165
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 111
- 239000013598 vector Substances 0.000 claims description 66
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000007621 cluster analysis Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 18
- 230000000630 rising effect Effects 0.000 claims description 8
- 230000003542 behavioural effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 238000004064 recycling Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003607 modifier Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了社会矛盾纠纷的升级预警方法、装置、设备及存储介质,所述方法包括:获取所采集的矛盾纠纷数据;矛盾纠纷数据包括异常对象和异常对象的异常事件;获取异常对象的行为特征数据和预警模型;预警模型基于异常事件样本的矛盾纠纷种类,以及行为特征样本数据的语义分析结果间二进制依赖关系转换的波形语义训练生成;根据异常对象的异常事件、异常对象的行为特征数据和预警模型,对异常对象的异常事件进行矛盾升级预警。通过融合已升级异常事件样本的矛盾纠纷种类,并结合异常对象的行为特征数据,基于这两者之间的二进制依赖关系所转换的波形语义,进行特征数据的训练,基于预警模型实现对异常对象的异常事件进行矛盾升级的预警。
Description
技术领域
本发明涉及电子信息技术领域,特别是涉及一种社会矛盾纠纷的升级预警方法、一种社会矛盾纠纷的升级预警装置、相应的一种电子设备以及相应的一种计算机存储介质。
背景技术
为进一步维护社区的环境平稳,对风险隐患大、矛盾问题多的地区、领域、人群相关的重点事件开展针对性的重点排查,全面掌握本辖区影响社会和谐稳定的突出矛盾纠纷和重点管控人,尽量将全部矛盾纠纷和隐患纳入视线,最大限度地将矛盾纠纷化解、消除在萌芽状态,防止异常事件的发生。
然而,目前针对社会矛盾纠纷预警的相关技术中,在异常事件已经发生的情况下,大量的不同渠道的事件数据,无法靠人工判断哪个事件容易进行升级,缺乏对异常事件的矛盾纠纷升级化的预警,即并不能够实现对可能存在的矛盾升级进行提前预警。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种社会矛盾纠纷的升级预警方法、一种社会矛盾纠纷的升级预警装置、相应的一种电子设备以及相应的一种计算机存储介质。
本发明实施例公开了一种社会矛盾纠纷的升级预警方法,所述方法包括:
获取所采集的矛盾纠纷数据;所述矛盾纠纷数据包括异常对象和异常对象的异常事件;
获取所述异常对象的行为特征数据和预警模型;所述预警模型基于已升级异常事件样本的矛盾纠纷种类,以及行为特征样本数据的语义分析结果间二进制依赖关系转换的波形语义训练生成;
根据所述异常对象的异常事件、所述异常对象的行为特征数据和所述预警模型,对所述异常对象的异常事件进行矛盾升级预警。
可选地,所述根据所述异常对象的异常事件、所述异常对象的行为特征数据和所述预警模型,对所述异常对象的异常事件进行矛盾升级预警,包括:
将所述异常对象的异常事件、所述异常对象的行为特征数据输入至所述预警模型;
通过所述预警模型输出得到针对所述异常对象的异常事件的升级预警结果;所述升级预警结果用于指示所述异常对象是否存在矛盾升级风险。
可选地,所述升级预警结果基于升级预警概率表示,所述通过所述预警模型输出得到针对所述异常对象的异常事件的升级预警结果,包括:
通过所述预警模型获取针对所述异常对象的特征指标数据;所述特征标签数据包括风险信息和/或风险值;
基于所述风险信息获取权重标签,采用所述权重标签和所述风险值得到所述异常对象的异常事件的升级预警概率。
可选地,所述预警模型的生成方式如下:
获取不同渠道的矛盾纠纷样本数据,确定所述矛盾纠纷样本数据中异常事件样本的矛盾纠纷种类;
获取所述矛盾纠纷样本数据中异常对象样本的行为特征样本数据,并提取所述特征样本数据的数据向量特征;
将所述异常事件样本的矛盾纠纷种类和数据向量特征进行相似度聚类分析,得到特征标签数据,训练生成预警模型;相似度聚类分析结果用于确定所述数据向量特征与矛盾纠纷种类的相似度。
可选地,所述将所述异常事件样本的矛盾纠纷种类和数据向量特征进行相似度聚类分析,包括:
将所述矛盾纠纷种类和所述数据向量特征进行随机均匀分布,生成嵌入矩阵;
通过执行针对嵌入式矩阵的乘法运算,得到所述数据向量特征对于异常事件样本的矛盾纠纷种类的语义方向;
采用所述语义方向确定目标矛盾纠纷种类,并确定所述行为特征样本数据与所述目标矛盾纠纷种类的相似度。
可选地,所述通过执行针对嵌入式矩阵的乘法运算,得到所述数据向量特征对于异常事件样本的矛盾纠纷种类的语义方向,包括:
通过执行针对嵌入式矩阵的乘法运算确定所述数据向量特征与矛盾纠纷种类的二进制依赖关系;
基于所述二进制依赖关系将所述行为特征样本数据转换为波形语义图;
基于所述波形语义图确定所述数据向量特征对于矛盾纠纷种类的语义方向。
可选地,所述波形语义图包括上涨方向和/或下跌方向;所述基于所述波形语义图确定所述数据向量特征对于矛盾纠纷种类的语义方向,包括:
基于所述波形语义图中对于某一矛盾纠纷种类的上涨方向和/或下跌方向,对相应的矛盾纠纷种类进行相应分数的计算,得到任意矛盾纠纷种类的相似分数;所述相似分数用于告知数据向量特征对于矛盾纠纷种类的语义方向;
所述相似度基于归一化概率表示;所述采用所述语义方向确定目标矛盾纠纷种类,并确定所述行为特征样本数据与所述目标矛盾纠纷种类的相似度,包括:
基于所述相似分数的相互比较关系确定目标矛盾纠纷种类,并获取所述目标矛盾纠纷种类的相似分数;
将所述目标矛盾纠纷种类的相似分数转换为归一化概率。
本发明实施例还公开了一种社会矛盾纠纷的升级预警装置,所述装置包括:
矛盾纠纷数据获取模块,用于获取所采集的矛盾纠纷数据;所述矛盾纠纷数据包括异常对象和异常对象的异常事件;
行为特征数据获取模块,用于获取所述异常对象的行为特征数据;
预警模型获取模块,用于获取预警模型;所述预警模型基于已升级异常事件样本的矛盾纠纷种类,以及行为特征样本数据的语义分析结果间二进制依赖关系转换的波形语义训练生成;
矛盾升级预警模块,用于根据所述异常对象的异常事件、所述异常对象的行为特征数据和所述预警模型,对所述异常对象的异常事件进行矛盾升级预警。
可选地,所述矛盾升级预警模块包括:
数据输入子模块,用于将所述异常对象的异常事件、所述异常对象的行为特征数据输入至所述预警模型;
数据输出子模块,用于通过所述预警模型输出得到针对所述异常对象的异常事件的升级预警结果;所述升级预警结果用于指示所述异常对象是否存在矛盾升级风险。
可选地,所述升级预警结果基于升级预警概率表示,所述数据输出子模块包括:
特征指标数据获取单元,用于通过所述预警模型获取针对所述异常对象的特征指标数据;所述特征标签数据包括风险信息和/或风险值;
升级预警概率单元,用于基于所述风险信息获取权重标签,采用所述权重标签和所述风险值得到所述异常对象的异常事件的升级预警概率。
可选地,所述装置还包括:
预警模型生成模块,用于基于已升级异常事件样本的矛盾纠纷种类,以及行为特征样本数据的语义分析结果间二进制依赖关系转换的波形语义,训练生成预警模型。
可选地,所述预警模型生成模块包括:
矛盾纠纷种类确定子模块,用于获取不同渠道的矛盾纠纷样本数据,确定所述矛盾纠纷样本数据中异常事件样本的矛盾纠纷种类;
数据向量特征提取子模块,用于获取所述矛盾纠纷样本数据中异常对象样本的行为特征样本数据,并提取所述特征样本数据的数据向量特征;
相似度聚类分析子模块,用于将所述异常事件样本的矛盾纠纷种类和数据向量特征进行相似度聚类分析,训练生成预警模型;相似度聚类分析结果用于确定所述数据向量特征与矛盾纠纷种类的相似度。
可选地,所述相似度聚类分析子模块包括:
嵌入矩阵生成单元,用于将所述矛盾纠纷种类和所述数据向量特征进行随机均匀分布,生成嵌入矩阵;
语义方向确定单元,用于通过执行针对嵌入式矩阵的乘法运算,得到所述数据向量特征对于异常事件样本的矛盾纠纷种类的语义方向;
相似度确定单元,用于采用所述语义方向确定目标矛盾纠纷种类,并确定所述行为特征样本数据与所述目标矛盾纠纷种类的相似度。
可选地,所述语义方向确定单元包括:
二进制依赖关系确定子单元,用于通过执行针对嵌入式矩阵的乘法运算确定所述数据向量特征与矛盾纠纷种类的二进制依赖关系;
波形语义图转换子单元,用于基于所述二进制依赖关系将所述行为特征样本数据转换为波形语义图;
语义方向确定单元,用于基于所述波形语义图确定所述数据向量特征对于矛盾纠纷种类的语义方向。其中,波形语义图包括上涨方向和/或下跌方向;所述基于所述波形语义图确定所述数据向量特征对于矛盾纠纷种类的语义方向,包括基于所述波形语义图中对于某一矛盾纠纷种类的上涨方向和/或下跌方向,对相应的矛盾纠纷种类进行相应分数的计算,得到任意矛盾纠纷种类的相似分数;所述相似分数用于告知数据向量特征对于矛盾纠纷种类的语义方向。
可选地,所述相似度基于归一化概率表示;所述相似度确定单元包括:
相似分数获取子单元,用于基于所述相似分数的相互比较关系确定目标矛盾纠纷种类,并获取所述目标矛盾纠纷种类的相似分数;
归一化概率转换子单元,用于将所述目标矛盾纠纷种类的相似分数转换为归一化概率。
本发明实施例还公开了一种电子设备,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现任一项所述社会矛盾纠纷的升级预警方法。
本发明实施例还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现任一项所述社会矛盾纠纷的升级预警方法。
本发明实施例包括以下优点:
在本发明实施例中,通过获取基于已升级异常事件样本的矛盾纠纷种类,以及行为特征样本数据的语义分析结果的预警模型,将所获取的矛盾纠纷数据异常对象的异常事件,以及所获取的异常对象的行为特征数据,和所获取的预警模型实现对异常对象的异常事件的矛盾升级预警,其中用于生成预警模型的行为特征样本数据的语义分析结果,主要是通过基于行为特征样本数据的二进制依赖关系进行的波形语义确定。即通过预警模型融合已升级异常事件样本的矛盾纠纷种类,并结合异常对象的行为特征数据,基于这两者之间的二进制依赖关系所转换的波形语义,进行特征数据的训练,基于预警模型实现对异常对象的异常事件进行矛盾升级的预警。
附图说明
图1是本发明的一种社会矛盾纠纷的升级预警方法实施例的步骤流程图;
图2是本发明的另一种社会矛盾纠纷的升级预警方法实施例的步骤流程图;
图3是本发明实施例提供的预警模型的训练过程示意图;
图4是本发明实施例提供的社会矛盾纠纷的升级预警的应用场景图;
图5是本发明的一种社会矛盾纠纷的升级预警装置实施例的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
目前针对社会矛盾纠纷预警的相关技术中,在异常事件已经发生的情况下,大量的不同渠道的事件数据,无法靠人工判断哪个事件容易进行升级,缺乏对异常事件的矛盾纠纷升级化的预警,即并不能够实现对可能存在的矛盾升级进行提前预警。
为了实现对社会矛盾纠纷的升级预警,本发明实施例的核心思想之一在于获取异常对象的行为特征数据,基于异常对象的行为特征数据和已升级异常事件样本的矛盾纠纷种类间的二进制依赖关系,转换成波形语义判定对于异常对象而言是否会发生矛盾升级,以进行矛盾升级预警。即通过预警模型融合已升级异常事件样本的矛盾纠纷种类,并结合异常对象的行为特征数据,基于这两者之间的二进制依赖关系所转换的波形语义,进行特征数据的训练,基于预警模型实现对异常对象的异常事件进行矛盾升级的预警。
参照图1,示出了本发明的一种社会矛盾纠纷的升级预警方法实施例的步骤流程图,主要侧重于对所生成的预警模型的应用/使用过程,具体可以包括如下步骤:
步骤101,获取所采集的矛盾纠纷数据;
所采集的矛盾纠纷数据可以经由不同渠道进行采集的事件数据,所采集的事件数据主要是针对风险隐患大、矛盾问题多的地区、领域、人群相关的重点事件所进行排查得到的,具体可以由重点区域的相关管辖机构对象的数据库进行存储。
在实际应用中,为了对异常对象/异常人员的矛盾升级实现提前预警,此时可以从管辖机构对象的数据库中获取相关异常对象以及异常对象的异常事件等信息,便于后续判定异常对象是否相较于其异常事件存在矛盾升级的情况。
其中,矛盾纠纷数据中的异常事件可以指的是任意矛盾纠纷事件,包括但并不限于报警信息(例如曾因家庭暴力而报警过、曾因邻里矛盾而报警过等)、身体状况(例如长年患病、患重病、精神出现问题等)、申诉情况(例如调解失败、多次调解失败、调解失败走仲裁等)、回访情况(例如回访疑似异常、多次回访疑似异常等)、言论情况(例如对某些人扬言报复、感觉生活没什么希望)、经济情况(例如无收入来源、生活困难等)、异常行为情况(例如曾购买刀具、爆炸物、有毒物品等)等;异常对象/异常人员可以指的是发生过矛盾纠纷数据的人员,还可以指的是在频繁发生矛盾纠纷的区域内发生过矛盾纠纷数据的人员,或者在此区域暂未发生矛盾纠纷数据的人员。
步骤102,获取异常对象的行为特征数据;
异常对象/异常人员通常为运营商用户,即使用运营商所提供的通信功能实现通信、上网等行为,此时可通过监测前述异常对象/异常人员,以便对异常对象的行为特征数据进行采集。
其中,所采集的行为特征数据包括异常对象的通讯情况、上网行为、位置信息、消费习惯等。需要说明的是,对于行为特征数据的采集行为是在运营商用户知晓且允许的情况下进行的,符合对用户个人隐私的保护。
步骤103,获取预警模型;
此时可以获取预警模型,预警模型主要可融合管辖机构的数据库中已矛盾升级相关异常事件的业务特征数据,并结合运营商所采集的用户行为特征数据,通过两者之间的二进制依赖关系进行特征数据的训练,以训练得到社会治理专有的标签数据,便于将特征数据作为通用接口或能力组件,以用于预警模型在判定是否矛盾是否升级时进行重复利用。
具体地,所获取的预警模型,可基于异常事件样本的矛盾纠纷种类,以及行为特征样本数据的语义分析结果间二进制依赖关系转换的波形语义训练生成。
其中,在训练生成预警模型的过程中,涉及波形语义图的相关技术,表现为SVO顺序对应于波形“#向上*向下#”,而其他词序,例如SOV、OSV、OSV等,可通过波形转换为SVO顺序,以基于修饰语核心顺序对SVO的否定顺序,实现对句子完整性的否定顺序,便于在语义识别过程中的语义扩展,使得能够识别出一个句子所包含的更详细、更丰富、更严谨的信息。
步骤104,根据异常对象的异常事件、异常对象的行为特征数据和预警模型,对异常对象的异常事件进行矛盾升级预警。
在本发明的一些实施例中,此时可以将异常对象的异常事件、异常对象的行为特征数据输入至预警模型,以便通过预警模型输出得到针对异常对象的异常事件的升级预警结果,所得到的升级预警结果主要用于指示异常对象是否基于其行为特征相较其异常事件存在矛盾升级风险。
具体地,可以基于自然语义分析能力,通过对存量的矛盾纠纷数据进行词向量分析、同义词分析、标签提取、文本相似度等一系列的技术实现,再通过归类聚合技术根据分析不同分类的矛盾纠纷数据,结合大数据技术针对采集的不同渠道的矛盾纠纷进行研判分析,通过监测矛盾纠纷当事人,即异常对象的通讯情况、上网行为,同时结合矛盾调解系统中的纠纷调处信息,并通过语义分析技术对数据向量提取、分类归集,同时根据向量特征进行相似度聚类分析,基于预警模型输出纠纷风险结果,以进行社会矛盾事件的升级预警。
在实际应用中,预警模型主要可融合管辖机构的数据库中已矛盾升级相关异常事件的业务特征数据,并结合运营商所采集的用户行为特征数据,通过两者之间的二进制依赖关系进行特征数据的训练,以训练得到社会治理专有的标签数据,便于将特征数据作为通用接口或能力组件,以用于预警模型在判定是否矛盾是否升级时进行重复利用。
所训练得到的社会治理专有的标签数据,可表现为针对异常对象的特征指标数据。具体可在将异常对象的异常事件、异常对象的行为特征数据输入至预警模型后,通过预警模型生成,特征标签数据可以包括规范化的姓名、手机号、时间、所属街道、详细地址、风险信息(包含风险描述和风险原因)、风险等级、风险值等。
升级预警结果可基于升级预警概率表示,此时可以基于风险信息获取权重标签,示例性地如表1所示,此时可以采用权重标签和风险值得到异常对象的异常事件的升级预警概率,具体表现为基于异常事件的风向描述的标签权重乘以风险值进行计算得到。
表1
在本发明的一种优选实施例中,预警模型除了可以基于所输入的异常对象的异常事件、异常对象的行为特征数据判定是否存在矛盾升级以外,还可以直接使用预警模型对运营商用户的行为特征数据判定是否存在矛盾出现的情况,对此,本发明实施例不加以限制。
在本发明实施例中,通过获取基于已升级异常事件样本的矛盾纠纷种类,以及行为特征样本数据的语义分析结果的预警模型,将所获取的矛盾纠纷数据异常对象的异常事件,以及所获取的异常对象的行为特征数据,和所获取的预警模型实现对异常对象的异常事件的矛盾升级预警,其中用于生成预警模型的行为特征样本数据的语义分析结果,主要是通过基于行为特征样本数据的二进制依赖关系进行的波形语义确定。即通过预警模型融合已升级异常事件样本的矛盾纠纷种类,并结合异常对象的行为特征数据,基于这两者之间的二进制依赖关系所转换的波形语义,进行特征数据的训练,基于预警模型实现对异常对象的异常事件进行矛盾升级的预警。
参照图2,示出了本发明的另一种社会矛盾纠纷的升级预警方法实施例的步骤流程图,主要侧重于预警模型的生成过程,具体可以包括如下步骤:
步骤201,获取不同渠道的矛盾纠纷样本数据,确定矛盾纠纷样本数据中异常事件样本的矛盾纠纷种类;
在本发明实施例中,预警模型主要可融合管辖机构的数据库中已矛盾升级相关异常事件的业务特征数据,并结合运营商所采集的用户行为特征数据,通过两者之间的二进制依赖关系进行特征数据的训练,以训练得到社会治理专有的标签数据,便于将特征数据作为通用接口或能力组件,以用于预警模型在判定是否矛盾是否升级时进行重复利用。
具体地,预警模型可以基于异常事件样本的矛盾纠纷种类,以及行为特征样本数据的语义分析结果间二进制依赖关系转换的波形语义训练生成。在实际应用中,异常事件样本可以从管辖机构对象的数据库中对相关异常对象以及异常对象的异常事件等信息。
其中,矛盾纠纷数据中的异常事件可以指的是任意矛盾纠纷事件,包括但并不限于报警信息(例如曾因家庭暴力而报警过、曾因邻里矛盾而报警过等)、身体状况(例如长年患病、患重病、精神出现问题等)、申诉情况(例如调解失败、多次调解失败、调解失败走仲裁等)、回访情况(例如回访疑似异常、多次回访疑似异常等)、言论情况(例如对某些人扬言报复、感觉生活没什么希望)、经济情况(例如无收入来源、生活困难等)、异常行为情况(例如曾购买刀具、爆炸物、有毒物品等)等;异常对象/异常人员可以指的是发生过矛盾纠纷数据的人员,还可以指的是在频繁发生矛盾纠纷的区域内发生过矛盾纠纷数据的人员,或者在此区域暂未发生矛盾纠纷数据的人员。
那么,对于不同渠道的矛盾纠纷数据的矛盾纠纷种类的确定,具体可以表现为基于自然语义分析能力,通过对存量的矛盾纠纷数据进行词向量分析、同义词分析、标签提取、文本相似度等一系列的技术实现,再通过归类聚合技术根据分析不同分类的矛盾纠纷数据,结合大数据技术针对采集的不同渠道的矛盾纠纷进行研判分析实现。
其中,矛盾纠纷种类主要可用于可指示已升级异常事件样本的业务特征数据,便于后续确定与行为特征样本数据的语义分析结果间的二进制依赖关系。
步骤202,获取矛盾纠纷样本数据中异常对象样本的行为特征样本数据,并提取特征样本数据的数据向量特征;
在本发明实施例中,通过监测矛盾纠纷当事人,即异常对象的通讯情况、上网行为,同时结合矛盾调解系统中的纠纷调处信息,并通过语义分析技术对数据向量提取、分类归集,同时根据向量特征进行相似度聚类分析,基于预警模型输出纠纷风险结果,以进行社会矛盾事件的升级预警。
在实际应用中,可以从供应商侧的数据库中获取异常对象样本的行为特征样本数据,此时可以对行为特征样本数据进行语义分析,其语义分析记过具体表现为对特征样本数据的数据向量特征的提取。
步骤203,将异常事件样本的矛盾纠纷种类和数据向量特征进行相似度聚类分析,得到特征标签数据,训练生成预警模型。
为了融合管辖机构的数据库中已矛盾升级相关异常事件的业务特征数据,并结合运营商所采集的用户行为特征数据,通过两者之间的二进制依赖关系进行特征数据的训练,以训练得到社会治理专有的标签数据。
在实际应用中,标签数据的生成可以表示预警模型的训练完成,具有可以将异常事件样本的矛盾纠纷种类和数据向量特征进行相似度聚类分析,得到特征标签数据,以训练生成预警模型。
其中,相似度聚类分析结果主要可用于确定数据向量特征与矛盾纠纷种类的相似度。那么所进行的相似度聚类分析,具体可表现为基于执行矩阵乘法并选择具有最高分数的矛盾纠纷种类生成预测,同时将原始分数转换为归一化概率实现。
具体地,如图3所示,可以将矛盾纠纷种类和数据向量特征进行随机均匀分布,生成嵌入矩阵,表现为输入在训练中学习的嵌入矩阵,使用随机均匀分布来初始化,基于tf.nn.embedding_lookup创建实际的嵌入操作,其嵌入操作的结果,即所生成的嵌入矩阵可以是形状为[None,sequence_length,embedding_size]的三维张量;此时还可以构建滤波器矩阵,以将非线性应用于卷积输出的结果,表现为每个过滤器在整个嵌入中滑动,执行输出形状[1,sequence_length-filter_size+1,1,1]的窄卷积,其中可以在特定过滤器大小的输出上执行最大值池留下一张张量的形状[batch_size,1,num_filters],然后组合成一个长形特征向量[batch_size,num_filters_total]。
在预警模型的训练过程中,可以将Dropout设置为0.5,而在预警模型的评估过程中可以将Dropout设置为1,防止神经元共同适应(co-adapting),并迫使预警模型学习个别有用的特征,例如数据向量特征与矛盾纠纷种类的二进制依赖关系。
那么,基于执行矩阵乘法并选择具有最高分数的矛盾纠纷种类生成预测,同时将原始分数转换为归一化概率的步骤,可以表现为通过执行针对嵌入式矩阵的乘法运算,得到数据向量特征对于异常事件样本的矛盾纠纷种类的语义方向,然后采用语义方向确定目标矛盾纠纷种类,并确定行为特征样本数据与目标矛盾纠纷种类的相似度(例如基于分数表示)。
由于在预警模型的评估过程中可以将Dropout设置为1,防止神经元共同适应(co-adapting),并迫使预警模型学习个别有用的特征,例如数据向量特征与矛盾纠纷种类的二进制依赖关系,在确定语义方向时,如图3所示,可以分为如下步骤:(1)通过执行针对嵌入式矩阵的乘法运算确定数据向量特征与矛盾纠纷种类的二进制依赖关系;(2)基于二进制依赖关系将行为特征样本数据转换为波形语义图;(3)基于波形语义图确定数据向量特征对于矛盾纠纷种类的语义方向。
其中,在训练生成预警模型的过程中,涉及波形语义图的相关技术,表现为SVO顺序对应于波形“#向上*向下#”,而其他词序,例如SOV、OSV、OSV等,可通过波形转换为SVO顺序,以基于修饰语核心顺序对SVO的否定顺序,实现对句子完整性的否定顺序,便于在语义识别过程中的语义扩展,使得能够识别出一个句子所包含的更详细、更丰富、更严谨的信息。
就数据向量特征而言,示例性地,如表2所示,对于施事句,可以将以动词或形容词结尾的二元依存关系定义为“上行关系”,以实体角色或事件角色结尾的二元依存关系定义为“下行关系”。而对于非意志句,可以将非意志动词与经验者或亲属之间的二元依存关系定义为“平行关系”。
上行关系 | 下行关系 | 平行关系 |
代理+动词 | 动词+病人 | 经验者+动词 |
经验者 | 动词+与格 | 动词+关系 |
动词+宾语 | ||
动词+病人 | ||
动词+结果 | ||
动词+内容 |
表2
在根据二进制依赖关系的定义生成波形语义图的过程中,首先可以提取二进制依赖关系的字对,其形式可以表现为“(,),(,),(,),(,),(,),(,)”,然后可以确定词对的语义图是向上还是向下,此时可以判断词对的句法词序和词对的语义顺序是否一致。
二元依存关系,即二进制依赖关系存在两个方向,一个是句子的句法语序,另一个是汉语语义关系的逻辑顺序。例如“,(,)”是句法顺序,而根据语义关系的逻辑顺序应当将“,(,)”表现为“(,)”,因为“agent+动词”是正确的语义顺序。如果二元依存关系的句法词序与其语义顺序一致,则可以认为其方向是正向的,而正向包括向上正向和向下正向,如果二元依赖关系的方向为正,后续不会在波形的语义图上标记额外的标记;如果二元依存关系的句法词序与其语义顺序不一致,则可以认为其方向是否定的,而负向包括向上负向和向下负向,如果二元依赖关系的方向为负,可以将在二元依赖关系的简化形式中添加“”。此时可以得到简化的词对语义形式,例如:上,上,下,下,上。
那么将整个句子转换成波形的语义图,波形语义图包括上涨方向和/或下跌方向,例如:#上涨%(上涨)下跌%(上涨%(下跌)#,其中“#…#”表示两个二进制依赖关系共享一个谓词;“%(…)”指嵌套在括号内的从属二进制依赖关系;表示负向;“*”意思是“乘”。
此时可以基于波形语义图中对于某一矛盾纠纷种类的上涨方向和/或下跌方向,对相应的矛盾纠纷种类进行相应分数的计算,得到任意矛盾纠纷种类的相似分数,即对波形语义图所提取的二进制依赖关系实现对语义分析的方向的确定,便于最终生成特征标签。
在实际应用中,相似分数用于告知数据向量特征对于矛盾纠纷种类的语义方向,而相似度基于归一化概率表示,在采用语义方向确定目标矛盾纠纷种类,并确定行为特征样本数据与目标矛盾纠纷种类的相似度时,可以基于相似分数的相互比较关系确定目标矛盾纠纷种类,并获取目标矛盾纠纷种类的相似分数,将目标矛盾纠纷种类的相似分数转换为归一化概率实现。
然后可以训练输出社会治理专有的标签数据,具体表现为针对异常对象的特征指标数据,可以包括规范化的姓名、手机号、时间、所属街道、详细地址、风险信息(包含风险描述和风险原因)、风险等级、风险值等,以便可以采用权重标签和风险值得到异常对象的异常事件的升级预警概率,具体表现为基于异常事件的风向描述的标签权重乘以风险值进行计算得到升级预警概率,以确定指示异常对象是否存在矛盾升级风险的升级预警结果,实现对异常对象的异常事件进行矛盾升级的预警。
在本发明实施例中,通过获取基于已升级异常事件样本的矛盾纠纷种类,以及行为特征样本数据的语义分析结果的预警模型,将所获取的矛盾纠纷数据异常对象的异常事件,以及所获取的异常对象的行为特征数据,和所获取的预警模型实现对异常对象的异常事件的矛盾升级预警,其中用于生成预警模型的行为特征样本数据的语义分析结果,主要是通过基于行为特征样本数据的二进制依赖关系进行的波形语义确定。即通过预警模型融合已升级异常事件样本的矛盾纠纷种类,并结合异常对象的行为特征数据,基于这两者之间的二进制依赖关系所转换的波形语义,进行特征数据的训练,基于预警模型实现对异常对象的异常事件进行矛盾升级的预警。
参照图4,示出了本发明实施例提供的社会矛盾纠纷的升级预警的应用场景图,涉及重点区域的相关管辖机构对象的数据库410(简称数据库A)、运营商侧的数据库411(简称数据库B)以及矛盾升级预警系统412。
其中,数据库A可以用于存储针对风险隐患大、矛盾问题多的地区、领域、人群相关的重点事件,即可以存储大量的异常事件,包含从矛盾调解系统中获取的矛盾纠纷数据;数据库B可以用于对异常对象的行为特征数据进行采集;矛盾升级预警系统412可以存在判定异常对象是否存在矛盾升级风险的预警模型。
在本发明实施例中,预警模型可基于融合数据库A所采集的数据以及结合数据库B所采集的数据进行训练生成,具体可以表现为融合管辖机构的数据库中已矛盾升级相关异常事件的业务特征数据,并结合运营商所采集的用户行为特征数据,通过两者之间的二进制依赖关系进行特征数据的训练,以训练得到社会治理专有的标签数据,然后通过采用权重标签和风险值得到异常对象的异常事件的升级预警概率,确定升级预警结果。
在实际应用中,数据库A所采集的数据可以包括多个管辖机构采集的信息,包括但不限于上访人员上访记录信息、重点人员走访信息、信访事件信息、七类重点人员基础信息、法律援助申请信息、接警信息、接诉事件信息等;数据库B所采集的数据可以包括异常对象/异常人员的通讯信息、上网行为信息(例如辖区内人员网络发布、异常搜索风险信息预警等)、位置信息(例如辖区内重点人员的异常聚集预警等)以及消费信息等。需要说明的是,矛盾升级预警系统412对于数据库A以及数据库B的数据的获取操作,以及数据库B对于运营商用户的数据的采集操作,均是在相关人员或者管辖机构知晓且允许的情况下进行的。
矛盾升级预警系统412在将数据库A与数据库B中所存储的数据作为输入源输入后,预警模型可以基于自然语义分析能力,通过对存量的矛盾纠纷数据进行词向量分析、同义词分析、标签提取、文本相似度等一系列的技术实现,再通过归类聚合技术根据分析不同分类的矛盾纠纷数据,结合大数据技术针对采集的不同渠道的矛盾纠纷进行研判分析,通过监测矛盾纠纷当事人,即异常对象的通讯情况、上网行为,同时结合矛盾调解系统中的纠纷调处信息,并通过语义分析技术对数据向量提取、分类归集,同时根据向量特征进行相似度聚类分析,基于预警模型输出纠纷风险结果。在具体表现中,还可以按分布区域、时间、研判概率、风险升级原因等展示矛盾升级事件的态势,实现对矛盾升级预警的提前汇总与提前预警。
示例性地,可以对网站语义分析,表现为采用基于语义网络分析与语义网络聚类相结合的方法,分析和研究中文互联网传播的政务网站形象。通过研究显示中文网站传播,但不同类别网站关注的对象和重点存在较大差异.实现了自然语言文本语义网络图的自动生成与可视化,清晰地反映网站的语义网络聚类情况,比高频词分析方法更形象地描述;还可以进行语义搜索,表现为搜索引擎的工作不再拘泥于用户所输入请求语句的字面本身,而是透过现象看本质,准确地捕捉到用户所输入语句后面的真正意图,并以此来进行搜索,从而更准确地向用户返回最符合其需求的搜索结果。
在本发明实施例中,通过获取基于已升级异常事件样本的矛盾纠纷种类,以及行为特征样本数据的语义分析结果的预警模型,将所获取的矛盾纠纷数据异常对象的异常事件,以及所获取的异常对象的行为特征数据,和所获取的预警模型实现对异常对象的异常事件的矛盾升级预警,其中用于生成预警模型的行为特征样本数据的语义分析结果,主要是通过基于行为特征样本数据的二进制依赖关系进行的波形语义确定。即通过预警模型融合已升级异常事件样本的矛盾纠纷种类,并结合异常对象的行为特征数据,基于这两者之间的二进制依赖关系所转换的波形语义,进行特征数据的训练,基于预警模型实现对异常对象的异常事件进行矛盾升级的预警。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
参照图5,示出了本发明的一种社会矛盾纠纷的升级预警装置实施例的结构框图,具体可以包括如下模块:
矛盾纠纷数据获取模块501,用于获取所采集的矛盾纠纷数据;所述矛盾纠纷数据包括异常对象和异常对象的异常事件;
行为特征数据获取模块502,用于获取所述异常对象的行为特征数据;
预警模型获取模块503,用于获取预警模型;所述预警模型基于已升级异常事件样本的矛盾纠纷种类,以及行为特征样本数据的语义分析结果间二进制依赖关系转换的波形语义训练生成;
矛盾升级预警模块504,用于根据所述异常对象的异常事件、所述异常对象的行为特征数据和所述预警模型,对所述异常对象的异常事件进行矛盾升级预警。
在本发明的一种实施例中,矛盾升级预警模块504可以包括如下子模块:
数据输入子模块,用于将异常对象的异常事件、异常对象的行为特征数据输入至预警模型;
数据输出子模块,用于通过预警模型输出得到针对异常对象的异常事件的升级预警结果;升级预警结果用于指示异常对象是否存在矛盾升级风险。
在本发明的一种实施例中,升级预警结果基于升级预警概率表示,数据输出子模块可以包括如下单元:
特征指标数据获取单元,用于通过预警模型获取针对异常对象的特征指标数据;特征标签数据包括风险信息和/或风险值;
升级预警概率单元,用于基于风险信息获取权重标签,采用权重标签和风险值得到异常对象的异常事件的升级预警概率。
在本发明的一种实施例中,本发明实施例提供的装置还可以包括如下模块:
预警模型生成模块,用于基于已升级异常事件样本的矛盾纠纷种类,以及行为特征样本数据的语义分析结果间二进制依赖关系转换的波形语义,训练生成预警模型。
在本发明的一种实施例中,预警模型生成模块可以包括如下子模块:
矛盾纠纷种类确定子模块,用于获取不同渠道的矛盾纠纷样本数据,确定矛盾纠纷样本数据中异常事件样本的矛盾纠纷种类;
数据向量特征提取子模块,用于获取矛盾纠纷样本数据中异常对象样本的行为特征样本数据,并提取特征样本数据的数据向量特征;
相似度聚类分析子模块,用于将异常事件样本的矛盾纠纷种类和数据向量特征进行相似度聚类分析,训练生成预警模型;相似度聚类分析结果用于确定数据向量特征与矛盾纠纷种类的相似度。
在本发明的一种实施例中,相似度聚类分析子模块可以包括如下单元:
嵌入矩阵生成单元,用于将矛盾纠纷种类和数据向量特征进行随机均匀分布,生成嵌入矩阵;
语义方向确定单元,用于通过执行针对嵌入式矩阵的乘法运算,得到数据向量特征对于异常事件样本的矛盾纠纷种类的语义方向;
相似度确定单元,用于采用语义方向确定目标矛盾纠纷种类,并确定行为特征样本数据与目标矛盾纠纷种类的相似度。
在本发明的一种实施例中,语义方向确定单元可以包括如下子单元:
二进制依赖关系确定子单元,用于通过执行针对嵌入式矩阵的乘法运算确定数据向量特征与矛盾纠纷种类的二进制依赖关系;
波形语义图转换子单元,用于基于二进制依赖关系将行为特征样本数据转换为波形语义图;
语义方向确定单元,用于基于波形语义图确定数据向量特征对于矛盾纠纷种类的语义方向。其中,波形语义图包括上涨方向和/或下跌方向;基于波形语义图确定数据向量特征对于矛盾纠纷种类的语义方向,包括基于波形语义图中对于某一矛盾纠纷种类的上涨方向和/或下跌方向,对相应的矛盾纠纷种类进行相应分数的计算,得到任意矛盾纠纷种类的相似分数;相似分数用于告知数据向量特征对于矛盾纠纷种类的语义方向。
在本发明的一种实施例中,相似度基于归一化概率表示;相似度确定单元可以包括如下子单元:
相似分数获取子单元,用于基于相似分数的相互比较关系确定目标矛盾纠纷种类,并获取目标矛盾纠纷种类的相似分数;
归一化概率转换子单元,用于将目标矛盾纠纷种类的相似分数转换为归一化概率。
在本发明实施例中,通过获取基于已升级异常事件样本的矛盾纠纷种类,以及行为特征样本数据的语义分析结果的预警模型,将所获取的矛盾纠纷数据异常对象的异常事件,以及所获取的异常对象的行为特征数据,和所获取的预警模型实现对异常对象的异常事件的矛盾升级预警,其中用于生成预警模型的行为特征样本数据的语义分析结果,主要是通过基于行为特征样本数据的二进制依赖关系进行的波形语义确定。即通过预警模型融合已升级异常事件样本的矛盾纠纷种类,并结合异常对象的行为特征数据,基于这两者之间的二进制依赖关系所转换的波形语义,进行特征数据的训练,基于预警模型实现对异常对象的异常事件进行矛盾升级的预警。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本发明实施例还提供了一种电子设备,包括:
包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述社会矛盾纠纷的升级预警方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明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上存储计算机程序,计算机程序被处理器执行时实现上述社会矛盾纠纷的升级预警方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种社会矛盾纠纷的升级预警方法、一种社会矛盾纠纷的升级预警装置、相应的一种电子设备以及相应的一种计算机存储介质,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种社会矛盾纠纷的升级预警方法,其特征在于,所述方法包括:
获取所采集的矛盾纠纷数据;所述矛盾纠纷数据包括异常对象和异常对象的异常事件;
获取所述异常对象的行为特征数据和预警模型;所述预警模型基于已升级异常事件样本的矛盾纠纷种类,以及行为特征样本数据的语义分析结果间二进制依赖关系转换的波形语义训练生成;
根据所述异常对象的异常事件、所述异常对象的行为特征数据和所述预警模型,对所述异常对象的异常事件进行矛盾升级预警。
2.根据权利要求1所述的方法,其特征在于,所述根据所述异常对象的异常事件、所述异常对象的行为特征数据和所述预警模型,对所述异常对象的异常事件进行矛盾升级预警,包括:
将所述异常对象的异常事件、所述异常对象的行为特征数据输入至所述预警模型;
通过所述预警模型输出得到针对所述异常对象的异常事件的升级预警结果;所述升级预警结果用于指示所述异常对象是否存在矛盾升级风险。
3.根据权利要求2所述的方法,其特征在于,所述升级预警结果基于升级预警概率表示,所述通过所述预警模型输出得到针对所述异常对象的异常事件的升级预警结果,包括:
通过所述预警模型获取针对所述异常对象的特征指标数据;所述特征标签数据包括风险信息和/或风险值;
基于所述风险信息获取权重标签,采用所述权重标签和所述风险值得到所述异常对象的异常事件的升级预警概率。
4.根据权利要求1所述的方法,其特征在于,所述预警模型的生成方式如下:
获取不同渠道的矛盾纠纷样本数据,确定所述矛盾纠纷样本数据中已升级异常事件样本的矛盾纠纷种类;
获取所述矛盾纠纷样本数据中异常对象样本的行为特征样本数据,并提取所述特征样本数据的数据向量特征;
将所述异常事件样本的矛盾纠纷种类和数据向量特征进行相似度聚类分析,得到特征标签数据,训练生成预警模型;相似度聚类分析结果用于确定所述数据向量特征与矛盾纠纷种类的相似度。
5.根据权利要求4所述的方法,其特征在于,所述将所述异常事件样本的矛盾纠纷种类和数据向量特征进行相似度聚类分析,包括:
将所述矛盾纠纷种类和所述数据向量特征进行随机均匀分布,生成嵌入矩阵;
通过执行针对嵌入式矩阵的乘法运算,得到所述数据向量特征对于异常事件样本的矛盾纠纷种类的语义方向;
采用所述语义方向确定目标矛盾纠纷种类,并确定所述行为特征样本数据与所述目标矛盾纠纷种类的相似度。
6.根据权利要求5所述的方法,其特征在于,所述通过执行针对嵌入式矩阵的乘法运算,得到所述数据向量特征对于异常事件样本的矛盾纠纷种类的语义方向,包括:
通过执行针对嵌入式矩阵的乘法运算确定所述数据向量特征与矛盾纠纷种类的二进制依赖关系;
基于所述二进制依赖关系将所述行为特征样本数据转换为波形语义图;
基于所述波形语义图确定所述数据向量特征对于矛盾纠纷种类的语义方向。
7.根据权利要求5或6所述的方法,其特征在于,所述波形语义图包括上涨方向和/或下跌方向;所述基于所述波形语义图确定所述数据向量特征对于矛盾纠纷种类的语义方向,包括:
基于所述波形语义图中对于某一矛盾纠纷种类的上涨方向和/或下跌方向,对相应的矛盾纠纷种类进行相应分数的计算,得到任意矛盾纠纷种类的相似分数;所述相似分数用于告知数据向量特征对于矛盾纠纷种类的语义方向;
所述相似度基于归一化概率表示;所述采用所述语义方向确定目标矛盾纠纷种类,并确定所述行为特征样本数据与所述目标矛盾纠纷种类的相似度,包括:
基于所述相似分数的相互比较关系确定目标矛盾纠纷种类,并获取所述目标矛盾纠纷种类的相似分数;
将所述目标矛盾纠纷种类的相似分数转换为归一化概率。
8.一种社会矛盾纠纷的升级预警装置,其特征在于,所述装置包括:
矛盾纠纷数据获取模块,用于获取所采集的矛盾纠纷数据;所述矛盾纠纷数据包括异常对象和异常对象的异常事件;
行为特征数据获取模块,用于获取所述异常对象的行为特征数据;
矛盾升级预警模块,用于根据所述异常对象的异常事件、所述异常对象的行为特征数据和预警模型,对所述异常对象的异常事件进行矛盾升级预警;所述预警模型基于异常事件样本的矛盾纠纷种类,以及行为特征样本数据的语义分析结果进行训练生成,其中,所述行为特征样本数据的语义分析结果通过基于行为特征样本数据的二进制依赖关系进行的波形语义确定。
9.一种电子设备,其特征在于,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述社会矛盾纠纷的升级预警方法。
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上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述社会矛盾纠纷的升级预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211446204.9A CN116108955A (zh) | 2022-11-18 | 2022-11-18 | 社会矛盾纠纷的升级预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211446204.9A CN116108955A (zh) | 2022-11-18 | 2022-11-18 | 社会矛盾纠纷的升级预警方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116108955A true CN116108955A (zh) | 2023-05-12 |
Family
ID=86264631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211446204.9A Pending CN116108955A (zh) | 2022-11-18 | 2022-11-18 | 社会矛盾纠纷的升级预警方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116108955A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407659A (zh) * | 2023-12-12 | 2024-01-16 | 福建天创信息科技有限公司 | 基于机器学习的矛盾纠纷事件升级预测方法 |
-
2022
- 2022-11-18 CN CN202211446204.9A patent/CN116108955A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117407659A (zh) * | 2023-12-12 | 2024-01-16 | 福建天创信息科技有限公司 | 基于机器学习的矛盾纠纷事件升级预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111708949B (zh) | 医疗资源的推荐方法及装置、电子设备、存储介质 | |
Nardulli et al. | A progressive supervised-learning approach to generating rich civil strife data | |
Koesten et al. | Everything you always wanted to know about a dataset: Studies in data summarisation | |
CN104820629A (zh) | 一种智能的舆情突发事件应急处理系统及方法 | |
Milusheva et al. | Applying machine learning and geolocation techniques to social media data (Twitter) to develop a resource for urban planning | |
Nasridinov et al. | A decision tree-based classification model for crime prediction | |
Horsman et al. | A case-based reasoning method for locating evidence during digital forensic device triage | |
CN110675023B (zh) | 一种基于神经网络的诉讼请求合理性预测模型训练方法和预测方法及装置 | |
US20180082389A1 (en) | Prediction program utilizing sentiment analysis | |
CN108829656B (zh) | 网络信息的数据处理方法及数据处理装置 | |
US20210349893A1 (en) | Method and system for analytic based connections among user types in an online platform | |
Chen et al. | An open automation system for predatory journal detection | |
Benefo et al. | Ethical, legal, social, and economic (ELSE) implications of artificial intelligence at a global level: a scientometrics approach | |
CN116108955A (zh) | 社会矛盾纠纷的升级预警方法、装置、设备及存储介质 | |
CN110851562A (zh) | 一种信息获取方法和系统、设备及存储介质 | |
Petersen et al. | The downstream effects of body-worn cameras: A systematic review and meta-analysis | |
CN112801806A (zh) | 一种基于知识图谱的理赔方法及系统 | |
US20170132731A1 (en) | Intellectual property evaluation system, intellectual property evaluation system control method, and intellectual property evaluation program | |
Shuey et al. | The AAA approach to crash investigation reform-the perspective from road policing practitioners | |
Ma et al. | Keyword-based semantic analysis of microblog for public opinion study in online collective behaviors | |
Liu et al. | An illegal billboard advertisement detection framework based on machine learning | |
Spokoyny et al. | Towards Answering Climate Questionnaires from Unstructured Climate Reports | |
Das et al. | Decision support grievance redressal system using sentence sentiment analysis | |
CN113468206A (zh) | 数据维护方法、装置、服务器、介质及产品 | |
Garcia et al. | Supporting Humanitarian Crisis Decision Making with Reliable Intelligence Derived from Social Media Using AI |
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 |