CN116703682B - 一种基于深度学习的政务数据平台 - Google Patents
一种基于深度学习的政务数据平台 Download PDFInfo
- Publication number
- CN116703682B CN116703682B CN202310988091.3A CN202310988091A CN116703682B CN 116703682 B CN116703682 B CN 116703682B CN 202310988091 A CN202310988091 A CN 202310988091A CN 116703682 B CN116703682 B CN 116703682B
- Authority
- CN
- China
- Prior art keywords
- government
- service
- entity
- government service
- 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.)
- Active
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000005295 random walk Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度学习的政务数据平台，属于在线服务技术领域。该基于深度学习的政务数据平台包括一种政务服务方法，所述方法包括以下步骤，获得历史政务服务数据；基于历史政务服务数据训练获得第一神经网络模型；获得用户的新的政务服务数据；基于新的政务服务数据于所述第一神经网络模型内输出新的政务服务数据所对应的政务服务的难度；其中，基于用户的新的政务服务数据获得预测的政务服务序列，基于预测的政务服务序列，获得新的政务服务所对应的政务服务的难度；评估服务人员的能力，获得服务人员的能力值；该基于深度学习的政务数据平台，提供优化的政务人员服务的模型，提升用户体验。
Description
技术领域
本发明属于在线服务技术领域，具体涉及一种基于深度学习的政务数据平台。
背景技术
随着互联网+技术的浪潮，在线政务服务技术得到了越来越广泛的应用，相比于传统的窗口服务和电话客服，基于互联网的在线政务服务系统拥有实时接入，自动分配客服，服务效率高，会话数据实时监控等优点。
目前，在线政务服务系统在服务方式上依然采用一个服务人员服务多个用户的方式，随着业务的复杂化和分工的精细化，一个服务人员无法回答所有类型的咨询。现有在线政务服务系统中通常采用服务转接的方式，将会话转接至另一个服务人员进行服务，又会带来新的问题，影响用户体验。同时，由于用户可能不清楚自己需要办理什么业务，而在选择业务类型之初就耗费了大量时间，影响用户体验。
在现有技术中，也有可以提供用户与服务人员对接的数据平台，但一般都是将政务服务随机分配给空闲的服务人员，但一般不会考虑被分配的服务人员的能力高低，以及用户问题的难度，若被分配的服务人员能力低于政务服务内容的处理难度，很容易导致服务质量变差。
发明内容
本发明的目的就在于为了解决上述问题而提供一种结构简单，设计合理的基于深度学习的政务数据平台。
本发明通过以下技术方案来实现上述目的：
本发明第一方面提供了一种政务数据服务方法，该方法包括以下步骤，
步骤S102，获得历史政务服务数据；
步骤S104，基于历史政务服务数据训练获得第一神经网络模型；
步骤S106，获得用户的新的政务服务数据；
步骤S108，基于新的政务服务数据于所述第一神经网络模型内输出新的政务服务数据所对应的政务服务的难度；
其中，基于用户的新的政务服务数据获得预测的政务服务序列，基于预测的政务服务序列，获得新的政务服务所对应的政务服务的难度；
步骤S110，评估服务人员的能力，获得服务人员的能力值；
步骤S112，匹配能力值大于用户的政务服务的难度的服务人员为当前的用户进行服务。
作为本发明的进一步优化方案，提取历史政务服务数据，进行实体识别与提取，获得问题相关的实体；基于政务服务的知识图谱训练图神经网络。
作为本发明的进一步优化方案，所述政务服务的知识图谱包括问题实体、用户信息实体，问题实体与问题实体之间存在联系表示两个问题实体在同一个政务服务中出现，问题实体与用户信息实体之间存在联系表示用户信息实体与问题实体在同一个政务服务中出现。
作为本发明的进一步优化方案，在步骤S108中，步骤S1081,从当前的政务服务数据中提取问题实体和用户信息实体，以用户信息实体和问题实体为中心在知识图谱上进行随机游走生成多个子图，将生成的子图拼接构成输入图。
作为本发明的进一步优化方案，将输入图输入至图神经网络，图神经网络的分类标签为问题实体的下一个邻近的问题实体的ID；输入图的一个实体对应于一个节点，节点之间的边对应于输入图的实体的联系；通过词向量编码用户信息实体和问题实体获得对应的节点特征，CBOW模型（连续词袋模型）；图神经网络包括K层隐藏层和一个全连接层。
作为本发明的进一步优化方案，图神经网络第u层的计算公式如下：；其中，/>表示第u层的第i个节点的中间特征，/>表示与节点i直接连接的节点的集合，/>表示第u-1层的第j个节点的中间特征，/>表示第u层的权重参数，/>表示sigmoid激活函数；当u=1时，/>，/>表示第j个节点的节点特征；图神经网络最后一层输出的节点特征输入全连接层，全连接层输出分类标签；其中，邻近的问题实体是指在同一个政务服务中问题实体按照时间排序之后的相邻的问题实体；问题实体的下一个邻近问题实体是指排序在其后的邻近的问题实体；问题实体的ID是指其在问题实体库中的编号。
作为本发明的进一步优化方案，步骤S1083，将步骤S1082中的当前的政务服务数据中的最后一个问题实体对应的下一个邻近的问题实体加入步骤S1081中的当前的政务服务数据中对其进行更新，然后返回步骤S1081，直至迭代执行N-1次之后进入下一步骤。
作为本发明的进一步优化方案，步骤S1084，提取步骤S1083之后获得的当前的政务服务数据的N个问题实体，按照更新的先后顺序排列获得问题序列，将问题序列输入至第一神经网络模型内，第一神经网络模型输出当前的政务服务的难度。
作为本发明的进一步优化方案，步骤S110，计算服务人员的能力值的公式如下：；其中，/>表示第c个服务人员的能力值，H表示第c个服务人员已经进行的政务服务的总数，/>表示第c个服务人员进行的第j个政务服务的难度值。
本发明第二方面提供了一种政务数据服务平台，包括用户端、服务端与云服务器，所述用户端用于输入政务服务，并上传至云服务器；所述服务端获得服务人员的能力值，并上传至云服务器；所述云服务器基于用户端输入的政务服务获得政务服务数据，基于政务服务数据获得所述政务服务对应的难度，基于政务服务对应的难度与服务人员的能力值，匹配相应的服务人员，并将该服务人员与用户建立相应的通讯传输。
本发明的有益效果在于：本发明通过对用户问题的难度考量，以及服务人员的能力高低，进行相应的匹配，从而达到更好的服务效果；并且，本发明能够面对一个新的政务服务时，只在了解第一个服务问题以及用户信息的情况下来准确的预测用户将要进行的政务服务的整体难度，提供优化的政务人员服务的模型，提升用户体验。
附图说明
图1是本发明的一种政务数据服务方法的方法示意图；
图2是本发明的一种随机游走的方法示意图；
图3是本发明的基于政务服务数据获得难度的方法示意图；
图4是本发明的一种政务数据服务平台的结构示意图。
具体实施方式
下面结合附图对本申请作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本申请进行进一步的说明，不能理解为对本申请保护范围的限制，该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
如图1所示，一种政务数据服务方法，该方法包括以下步骤，步骤S102，获得历史政务服务数据；步骤S104，基于历史政务服务数据训练获得第一神经网络模型；步骤S106，获得用户的新的政务服务数据；步骤S108，基于新的政务服务数据于所述第一神经网络模型内输出新的政务服务数据所对应的政务服务的难度；步骤S110，评估服务人员的能力，获得服务人员的能力值；步骤S112，匹配能力值大于用户的政务服务的难度的服务人员为当前的用户进行服务。
基于用户的新的政务服务数据获得预测的政务服务序列，基于预测的政务服务序列，获得新的政务服务所对应的政务服务的难度。
提取历史政务服务数据，进行实体识别与提取，获得问题相关的实体；基于政务服务的知识图谱训练图神经网络。
所述政务服务的知识图谱包括问题实体、用户信息实体，问题实体与问题实体之间存在联系表示两个问题实体在同一个政务服务中出现，问题实体与用户信息实体之间存在联系表示用户信息实体与问题实体在同一个政务服务中出现。
其中，问题实体包括：政策与法律问题、行政管理问题、参与治理问题、政府信息公开问题、公共服务问题等；用户信息实体包括：年龄、学历、工作年限、婚姻状态等。
一个政务服务表示为一个用户的一次政务平台提供的服务。例如，一个用户在一次政务平台提供的服务中连续询问了房价、利率、学区等问题，在该次询问结束之前都属于一次政务平台提供的服务。
步骤S108包括：如图3所示，步骤S1081,从当前的政务服务数据中提取问题实体和用户信息实体，以用户信息实体和问题实体为中心在知识图谱上进行随机游走生成多个子图，将生成的子图拼接构成输入图。
在本发明的一个实施例中，一次随机游走包括：如图2所示，步骤S81,初始化游走步数为1，当前游走的实体为游走中心的实体；步骤S82,从当前游走的实体的直接联系的实体中随机选择一个，将选择的实体更新为当前游走的实体，并对游走步数累加1；步骤S83,迭代执行步骤S82，直至游走步数达到设定的步数阈值（迭代执行过程中不会重复选择实体，如果出现某一迭代过程中没有新的实体可供选择，则提前终止步骤），然后将所有选择的实体记录在子图内；M次随机游走后完成以一个实体为中心生成子图的过程；其中M为设定的超参数，缺省值为10，步数阈值为设定的超参数，缺省值为10。
子图拼接，将多个子图直接拼接，删除重复实体得到输入图。
步骤S1082,将输入图输入至图神经网络，图神经网络的分类标签为问题实体的下一个邻近的问题实体的ID。
输入图的一个实体对应于一个节点，节点之间的边对应于输入图的实体的联系；通过词向量编码用户信息实体和问题实体获得对应的节点特征，词向量编码采用CBOW模型（连续词袋模型）。
图神经网络包括K层隐藏层和一个全连接层。
图神经网络第u层的计算公式如下：；其中，表示第u层的第i个节点的中间特征，/>表示与节点i直接连接的节点的集合，/>表示第u-1层的第j个节点的中间特征，/>表示第u层的权重参数，/>表示sigmoid激活函数；当u=1时，/>，/>表示第j个节点的节点特征。
图神经网络最后一层输出的节点特征输入全连接层，全连接层输出分类标签。
其中，邻近的问题实体是指在同一个政务服务中问题实体按照时间排序之后的相邻的问题实体；问题实体的下一个邻近问题实体是指排序在其后的邻近的问题实体。
问题实体的ID是指其在问题实体库中的编号。
训练时输入历史的政务服务数据生成的输入图，分类标签从历史的政务服务数据中的问题实体排序能够获得。
步骤S1083，将步骤S1082中的当前的政务服务数据中的最后一个问题实体对应的下一个邻近的问题实体加入步骤S1081中的当前的政务服务数据中对其进行更新，然后返回步骤S1081，直至迭代执行N-1次之后进入下一步骤。
步骤S1084，提取步骤S1083之后获得的当前的政务服务数据的N个问题实体，按照更新的先后顺序排列获得问题序列，将问题序列输入至第一神经网络模型内，第一神经网络模型输出当前的政务服务的难度。
此处的第一神经网络模型为循环神经网络，循环神经网络在第t个时间步输入问题序列的第t个问题实体，在最后一个时间步的输出连接到分类器，分类器的分类标签表示政务服务的难度。
此处的第一神经网络模型为多层感知机，将问题序列中的问题实体向量化之后进行拼接，拼接为一个向量之后输入多层感知机，多层感知机的输出连接到分类器，分类器的分类标签表示政务服务的难度。
在本发明的一个实施例中，政务服务的难度以等级进行定义，分为三个等级，分别为低、中、高，分别赋值1、2、3，赋值是为了统计计算服务人员的能力。
在本发明的一个实施例中，政务服务的难度以分值进行定义，分值的值域为，值域均值离散化为十个点值，分别对应于十个分类标签。
步骤S110，计算服务人员的能力值的公式如下：；其中，/>表示第c个服务人员的能力值，H表示第c个服务人员已经进行的政务服务的总数，/>表示第c个服务人员进行的第j个政务服务的难度值。
如图4所示，提出一种政务数据服务平台，包括用户端、服务端与云服务器，所述用户端用于输入政务服务，并上传至云服务器；所述服务端获得服务人员的能力值，并上传至云服务器；所述云服务器基于用户端输入的政务服务获得政务服务数据，基于政务服务数据获得所述政务服务对应的难度，基于政务服务对应的难度与服务人员的能力值，匹配相应的服务人员，并将该服务人员与用户建立相应的通讯传输。
一般来说，用户在对接政务平台时，会先问出一个问题，然而传统的处理方式仅仅是通过一个问题数据来进行数据提取，判断问题的类型，来匹配相应的服务人员，但问题是有难度的区别，有些问题仅是流程性的问题，对于服务人员来说很是简单，但是有的问题可能涉及多个政务部门，存在一定的难度，不能忽略问题的难度来随机分配相应的服务人员来进行客户对接，同时，往往第一个问题仅仅是开端，基于用户的个人信息可以预测的是，通过该问题还是可以延伸出其他的问题序列的，本申请即通过问题序列来获得此处政务服务的整体难度；不仅于此，本申请还考虑对服务人员的能力情况，对于有经验的服务人员来处理难度更高的政务服务，可以提高用户的体验；本申请能够面对一个新的政务服务，只在了解第一个服务问题以及用户信息的情况下来准确的预测用户将要进行的政务服务的整体难度。
本申请实施例还公开了一种电子设备。一种电子设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行实现上述任一种方法的计算机程序。
其中，电子设备可以采用台式电脑、笔记本电脑或者云端服务器等电子设备，并且，电子设备包括但不限于处理器以及存储器，例如，电子设备还可以包括输入输出设备、网络接入设备以及总线等。
本申请中的处理器可以包括一个或者多个处理核心。处理器通过运行或执行存储在存储器内的指令、程序、代码集或指令集，调用存储在存储器内的数据，执行本申请的各种功能和处理数据。处理器可以为特定用途集成电路(Application SpecificIntegratedCircuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(ProgrammableLogicDevice，PLD)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器和微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。
其中，存储器可以为电子设备的内部存储单元，例如，电子设备的硬盘或者内存，也可以为电子设备的外部存储设备，例如，电子设备上配备的插接式硬盘、智能存储卡（SMC）、安全数字卡（SD）或者闪存卡（FC）等，并且，存储器还可以为电子设备的内部存储单元与外部存储设备的组合，存储器用于存储计算机程序以及电子设备所需的其他程序和数据，存储器还可以用于暂时地存储已经输出或者将要输出的数据，本申请对此不做限制。
本申请实施例还公开了一种计算机可读存储介质。一种计算机可读存储介质，存储有能够被处理器加载并执行实现上述任一种方法的计算机程序。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的方法、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (2)
1.一种基于深度学习的政务数据平台，其特征在于，该平台包括政务数据服务方法，该方法包括以下步骤，
步骤S102，获得历史政务服务数据；
步骤S104，基于历史政务服务数据训练获得第一神经网络模型；
步骤S106，获得用户的新的政务服务数据；
步骤S108，基于新的政务服务数据于所述第一神经网络模型内输出新的政务服务数据所对应的政务服务的难度；
其中，基于用户的新的政务服务数据获得预测的政务服务序列，基于预测的政务服务序列，获得新的政务服务所对应的政务服务的难度；
步骤S110，评估服务人员的能力，获得服务人员的能力值；
步骤S112，匹配能力值大于用户的政务服务的难度的服务人员为当前的用户进行服务；
提取历史政务服务数据，进行实体识别与提取，获得问题相关的实体；基于政务服务的知识图谱训练图神经网络；
所述政务服务的知识图谱包括问题实体、用户信息实体，问题实体与问题实体之间存在联系表示两个问题实体在同一个政务服务中出现，问题实体与用户信息实体之间存在联系表示用户信息实体与问题实体在同一个政务服务中出现；
在步骤S108中，包括：
步骤S1081,从当前的政务服务数据中提取问题实体和用户信息实体，以用户信息实体和问题实体为中心在知识图谱上进行随机游走生成多个子图，将生成的子图拼接构成输入图；
一次随机游走包括：步骤S81,初始化游走步数为1，当前游走的实体为游走中心的实体；步骤S82,从当前游走的实体的直接联系的实体中随机选择一个，将选择的实体更新为当前游走的实体，并对游走步数累加1；步骤S83,迭代执行步骤S82，直至游走步数达到设定的步数阈值；其中，迭代执行过程中不会重复选择实体，如果出现某一迭代过程中没有新的实体可供选择，则提前终止步骤；然后将所有选择的实体记录在子图内；M次随机游走后完成以一个实体为中心生成子图的过程；其中M为设定的超参数，缺省值为10，步数阈值为设定的超参数，缺省值为10；
步骤S1082,将输入图输入至图神经网络，图神经网络的分类标签为问题实体的下一个邻近的问题实体的ID；输入图的一个实体对应于一个节点，节点之间的边对应于输入图的实体的联系；通过词向量编码用户信息实体和问题实体获得对应的节点特征；
图神经网络包括K层隐藏层和一个全连接层；
图神经网络第u层的计算公式如下：
；
其中，表示第u层的第i个节点的中间特征，/>表示与节点i直接连接的节点的集合，/>表示第u-1层的第j个节点的中间特征，/>表示第u层的权重参数，/>表示sigmoid激活函数；
当u=1时，，/>表示第j个节点的节点特征；
图神经网络最后一层输出的节点特征输入全连接层，全连接层输出分类标签；
其中，邻近的问题实体是指在同一个政务服务中问题实体按照时间排序之后的相邻的问题实体；
问题实体的下一个邻近问题实体是指排序在其后的邻近的问题实体；
问题实体的ID是指其在问题实体库中的编号；
步骤S1083，将步骤S1082中的当前的政务服务数据中的最后一个问题实体对应的下一个邻近的问题实体加入步骤S1081中的当前的政务服务数据中对其进行更新，然后返回步骤S1081，直至迭代执行N-1次之后进入下一步骤；
步骤S1084，提取步骤S1083之后获得的当前的政务服务数据的N个问题实体，按照更新的先后顺序排列获得问题序列，将问题序列输入至第一神经网络模型内，第一神经网络模型输出当前的政务服务的难度；
步骤S110，计算服务人员的能力值的公式如下：
；
其中，表示第c个服务人员的能力值，H表示第c个服务人员已经进行的政务服务的总数，/>表示第c个服务人员进行的第j个政务服务的难度值。
2.根据权利要求1所述的一种基于深度学习的政务数据平台，其特征在于：该平台还包括用户端、服务端与云服务器，所述用户端用于输入政务服务，并上传至云服务器；
所述服务端获得服务人员的能力值，并上传至云服务器；
所述云服务器基于用户端输入的政务服务获得政务服务数据，基于政务服务数据获得所述政务服务对应的难度，基于政务服务对应的难度与服务人员的能力值，匹配相应的服务人员，并将该服务人员与用户建立相应的通讯传输。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310988091.3A CN116703682B (zh) | 2023-08-08 | 2023-08-08 | 一种基于深度学习的政务数据平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310988091.3A CN116703682B (zh) | 2023-08-08 | 2023-08-08 | 一种基于深度学习的政务数据平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116703682A CN116703682A (zh) | 2023-09-05 |
| CN116703682B true CN116703682B (zh) | 2023-10-31 |
Family
ID=87841950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310988091.3A Active CN116703682B (zh) | 2023-08-08 | 2023-08-08 | 一种基于深度学习的政务数据平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116703682B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117372206A (zh) * | 2023-12-08 | 2024-01-09 | 烟台云朵软件有限公司 | 一种元宇宙统一服务集成方法与系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111429292A (zh) * | 2019-10-22 | 2020-07-17 | 北京芝麻保科技有限公司 | 保险行业服务人员与服务对象智能匹配系统 |
| CN112364172A (zh) * | 2020-10-16 | 2021-02-12 | 上海晏鼠计算机技术股份有限公司 | 一种政务公文领域知识图谱构建方法 |
| CN113822517A (zh) * | 2021-02-03 | 2021-12-21 | 浪潮云信息技术股份公司 | 基于能力匹配的分案方法、装置 |
| CN115099629A (zh) * | 2022-06-28 | 2022-09-23 | 中国银行股份有限公司 | 客户服务需求评估分配方法和系统、电子设备、存储介质 |
| CN115880120A (zh) * | 2023-02-24 | 2023-03-31 | 江西微博科技有限公司 | 一种在线政务服务系统及服务方法 |
| CN115905538A (zh) * | 2022-12-13 | 2023-04-04 | 浙江大华技术股份有限公司 | 基于知识图谱的事件多标签分类方法、装置、设备及介质 |
| WO2023125779A1 (zh) * | 2021-12-31 | 2023-07-06 | 中兴通讯股份有限公司 | 模型训练方法、客服坐席匹配方法、服务器及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10643140B2 (en) * | 2014-05-01 | 2020-05-05 | International Business Machines Corporation | Method, system and computer program product for automating expertise management using social and enterprise data |
| US20210216849A1 (en) * | 2020-01-14 | 2021-07-15 | Vmware, Inc. | Neural-network-based methods and systems that generate forecasts from time-series data |
-
2023
- 2023-08-08 CN CN202310988091.3A patent/CN116703682B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111429292A (zh) * | 2019-10-22 | 2020-07-17 | 北京芝麻保科技有限公司 | 保险行业服务人员与服务对象智能匹配系统 |
| CN112364172A (zh) * | 2020-10-16 | 2021-02-12 | 上海晏鼠计算机技术股份有限公司 | 一种政务公文领域知识图谱构建方法 |
| CN113822517A (zh) * | 2021-02-03 | 2021-12-21 | 浪潮云信息技术股份公司 | 基于能力匹配的分案方法、装置 |
| WO2023125779A1 (zh) * | 2021-12-31 | 2023-07-06 | 中兴通讯股份有限公司 | 模型训练方法、客服坐席匹配方法、服务器及存储介质 |
| CN115099629A (zh) * | 2022-06-28 | 2022-09-23 | 中国银行股份有限公司 | 客户服务需求评估分配方法和系统、电子设备、存储介质 |
| CN115905538A (zh) * | 2022-12-13 | 2023-04-04 | 浙江大华技术股份有限公司 | 基于知识图谱的事件多标签分类方法、装置、设备及介质 |
| CN115880120A (zh) * | 2023-02-24 | 2023-03-31 | 江西微博科技有限公司 | 一种在线政务服务系统及服务方法 |
Non-Patent Citations (1)
| Title |
|---|
| 问答系统中复杂问题分解方法研究综述;冯 钧;《计算机工程与应用》;第58卷(第17期);第23-31页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116703682A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598206B (zh) | 文本语义识别方法、装置、计算机设备和存储介质 | |
| CN110032632A (zh) | 基于文本相似度的智能客服问答方法、装置及存储介质 | |
| WO2020224106A1 (zh) | 基于神经网络的文本分类方法、系统及计算机设备 | |
| CN109345399A (zh) | 理赔风险评估方法、装置、计算机设备及存储介质 | |
| CN110458324B (zh) | 风险概率的计算方法、装置和计算机设备 | |
| CN112989059A (zh) | 潜在客户识别方法及装置、设备及可读计算机存储介质 | |
| CN116703682B (zh) | 一种基于深度学习的政务数据平台 | |
| CN113254649B (zh) | 敏感内容识别模型的训练方法、文本识别方法及相关装置 | |
| CN114780746A (zh) | 基于知识图谱的文档检索方法及其相关设备 | |
| CN115018656B (zh) | 风险识别方法、风险识别模型的训练方法、装置和设备 | |
| CN112258250A (zh) | 基于网络热点的目标用户识别方法、装置和计算机设备 | |
| CN112507170A (zh) | 基于智能决策的数据资产目录构建方法、及其相关设备 | |
| CN113887214B (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
| CN114238656A (zh) | 基于强化学习的事理图谱补全方法及其相关设备 | |
| CN114328942A (zh) | 关系抽取方法、装置、设备、存储介质和计算机程序产品 | |
| CN116993185B (zh) | 时间序列预测方法、装置、设备及存储介质 | |
| CN113850077A (zh) | 基于人工智能的话题识别方法、装置、服务器及介质 | |
| CN117291722A (zh) | 对象管理方法、相关设备及计算机可读介质 | |
| CN115525739B (zh) | 供应链金融智能查重方法、装置、设备及介质 | |
| CN116467460A (zh) | 基于主题的知识库构建方法、存储介质及电子设备 | |
| CN115952438A (zh) | 社交平台用户属性预测方法、系统、移动设备及存储介质 | |
| CN115600818A (zh) | 多维评分方法、装置、电子设备和存储介质 | |
| CN114513578A (zh) | 外呼方法、装置、计算机设备及存储介质 | |
| CN115712732A (zh) | 一种电力设备知识图谱本体构建方法、系统、设备及介质 | |
| CN115099875A (zh) | 基于决策树模型的数据分类方法及相关设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |