CN117391456B - 基于人工智能的村社管理方法及服务平台系统 - Google Patents

基于人工智能的村社管理方法及服务平台系统 Download PDF

Info

Publication number
CN117391456B
CN117391456B CN202311596645.1A CN202311596645A CN117391456B CN 117391456 B CN117391456 B CN 117391456B CN 202311596645 A CN202311596645 A CN 202311596645A CN 117391456 B CN117391456 B CN 117391456B
Authority
CN
China
Prior art keywords
entity
sequence
village
information
resident
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
Application number
CN202311596645.1A
Other languages
English (en)
Other versions
CN117391456A (zh
Inventor
丁志强
邹昕
邢泽世
黄飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Nandou Shuzhi Technology Co ltd
Original Assignee
Zhejiang Nandou Shuzhi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Nandou Shuzhi Technology Co ltd filed Critical Zhejiang Nandou Shuzhi Technology Co ltd
Priority to CN202311596645.1A priority Critical patent/CN117391456B/zh
Publication of CN117391456A publication Critical patent/CN117391456A/zh
Application granted granted Critical
Publication of CN117391456B publication Critical patent/CN117391456B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • 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
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/098—Distributed learning, e.g. federated learning
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/75—Information technology; Communication
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Accounting & Taxation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种基于人工智能的村社管理方法及服务平台系统，涉及人工智能平台技术领域，其中该方法包括：获取数据采集任务；根据各个终端标识信息，发送数据采集请求至相应的物联网终端；每一物联网终端配置有相应的村社居民信息；响应于数据采集请求，从各个物联网终端分别接收相应的终端反馈数据；针对各个终端反馈数据，基于标签匹配模型从终端反馈数据中提取对应至少一个表格标签的标签填充信息；基于各个标签填充信息和村社居民信息，更新村社居民台账。由此，融合物联网技术和人工智能技术，能够辅助完成数据的采集并更新台账，有效减轻了管理人员的负担，提高了管理效能。

Description

基于人工智能的村社管理方法及服务平台系统
技术领域
本申请涉及人工智能平台技术领域，尤其涉及一种基于人工智能的村社管理方法及服务平台系统。
背景技术
随着信息技术的快速发展，人工智能正逐步渗透到社会各个领域当中。传统的村社管理模式存在信息不对等、管理效率低、资源配置不合理等问题，迫切需要现代技术的支持来进行转型升级、加强智慧社区基础设施建设改造。
举例来说，在管理部门定期采集村社中居民的相关数据信息时，需要工作人员走访上门，与居民约定时间进行面对面沟通，然后由管理人员将采集信息手动录入至台账中，导致管理效率低下且不利于政务管理满意度的提升。
针对上述问题，目前业界暂未提出较佳的技术解决方案。
发明内容
本申请提供一种基于人工智能的村社管理方法及系统，用以至少解决现有技术中依靠管理人员上门收集来管理村社所导致的效率低下和管理成本消耗巨大的问题。
本申请提供一种基于人工智能的村社管理方法，应用于物联网服务端，包括：获取数据采集任务；所述数据采集任务定义了待进行数据采集的至少一个物联网终端的终端标识信息；根据各个所述终端标识信息，发送数据采集请求至相应的所述物联网终端；每一所述物联网终端配置有相应的村社居民信息；响应于所述数据采集请求，从各个所述物联网终端分别接收相应的终端反馈数据；所述终端反馈数据包含居民反馈数据和相应的村社居民信息；针对各个所述终端反馈数据，基于标签匹配模型从所述终端反馈数据中提取对应至少一个表格标签的标签填充信息；各个所述表格标签是根据村社居民台账的台账表头标签而确定的；基于各个所述标签填充信息和所述村社居民信息，更新所述村社居民台账。
本申请还提供了一种基于人工智能的村社管理服务平台系统，包括：获取单元，用于获取数据采集任务；所述数据采集任务定义了待进行数据采集的至少一个物联网终端的终端标识信息；发送单元，用于根据各个所述终端标识信息，发送数据采集请求至相应的所述物联网终端；每一所述物联网终端配置有相应的村社居民信息；接收单元，用于响应于所述数据采集请求，从各个所述物联网终端分别接收相应的终端反馈数据；所述终端反馈数据包含居民反馈数据和相应的村社居民信息；提取单元，用于针对各个所述终端反馈数据，基于标签匹配模型从所述终端反馈数据中提取对应至少一个表格标签的标签填充信息；各个所述表格标签是根据村社居民台账的台账表头标签而确定的；更新单元，用于基于各个所述标签填充信息和所述村社居民信息，更新所述村社居民台账。
本申请还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于人工智能的村社管理方法。
本申请还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于人工智能的村社管理方法。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于人工智能的村社管理方法。
通过本申请提供的一种基于人工智能的村社管理方法、系统、电子设备及非暂态计算机可读存储介质，能够至少产生如下的技术效果：通过物联网服务端，实现对多个物联网终端的数据采集任务的自动化管理，通过识别并分配数据采集任务，减少了人为采集干预的需要。由此，使得数据的采集和更新更为高效，缩短了整个数据采集管理流程。通过标签匹配模型，系统能够智能地从反馈数据中提取表格标签信息，而无需人工逐一进行分析处理，降低了管理员负担，并提高了管理效率。根据提取的标签填充信息和居民信息，自动更新村社居民台账，系统可以在保证数据准确性的前提下，极大地提高台账更新速度。由此，有助于维护一个实时、准确的居民台账，为管理决策提供可靠的数据支持。此外，也能有效避免了手动输入错误和数据不一致性。在本申请提供的技术方案中，系统能够辅助完成数据的采集并更新台账，有效减轻了管理人员的负担。由此，降低了村社管理的人力成本，使得有限的人力资源可以更加专注于解决更复杂、高级别的问题，提高了管理效能。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，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示出了根据本申请实施例的基于人工智能的村社管理方法的一示例的流程图；
图2示出了根据本申请实施例的基于人工智能的村社管理方法的一示例的流程图；
图3示出了根据本申请实施例的标签匹配模型的一示例的结构框图；
图4示出了根据本申请实施例的基于人工智能的村社管理方法的一示例的流程图；
图5示出了根据本申请实施例的村社管理方法中执行风险预警操作的一示例的流程图；
图6示出了根据本申请实施例的基于人工智能的村社管理服务平台系统的一示例的结构框图；
图7是本申请提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1示出了根据本申请实施例的基于人工智能的村社管理方法的一示例的流程图。
关于本申请实施例方法的执行主体，其可以是任意具有处理计算能力的电子设备，例如电脑、手机等，以融合物联网技术和人工智能技术，实现提高对村社居民的管理效能的目标。
如图1所示，在步骤S110中，获取数据采集任务。
这里，数据采集任务定义了待进行数据采集的至少一个物联网终端的终端标识信息。此外，每一物联网终端配置有相应的村社居民信息，例如针对村社中的每户或每人分别分发或安装相应的物联网终端，并将相应的设备-居民绑定信息存储至数据库中。
在一些实施方式中，由系统管理员针对村社中的部分或全部居民下发数据采集任务，例如指定对1号楼居民下发数据采集任务，相应根据数据库预存储的针对1号楼中各个居民的终端标识信息生成数据采集任务。
在一些实施方式中，物联网终端设置有传感器，以实现自动采集传感器数据，例如图像、声音或文本类数据，以实时监测村社内各个终端的状态，并增强居民端与政务管理端之间的关联。
在步骤S120中，根据各个终端标识信息，发送数据采集请求至相应的物联网终端。
在一些实施方式中，服务端需要建立与物联网终端的通信渠道，以便发送数据采集请求，例如通过诸如HTTP或MQTT的网络通信协议以确保可靠的数据传输。此外，结合物联网技术，可以采用低功耗广域网(LPWAN)或者蜂窝网络，以确保在广阔的村社范围内能够稳定地进行数据采集。
在步骤S130中，响应于数据采集请求，从各个物联网终端分别接收相应的终端反馈数据。
这里，终端反馈数据包含居民反馈数据和相应的村社居民信息。在本申请实施例的一个示例中，各个居民通过物联网终端填写居民反馈数据。在本申请实施例的另一示例中，物联网终端通过调用传感器模块来采集居民反馈数据。继而，在反馈响应报文中封装居民反馈数据好的相应的村社居民信息。
在步骤S140中，针对各个终端反馈数据，基于标签匹配模型从终端反馈数据中提取对应至少一个表格标签的标签填充信息。
这里，各个表格标签是根据村社居民台账的台账表头标签而确定的。在本申请实施例的一个示例中，终端反馈数据是居民按照规范模板进行填写的，此时可以通过语义模型(例如，深度学习语义模型)提取各个标签所对应的语义槽关键词，以得到相应的标签填充信息。在本申请实施例的另一示例中，终端反馈数据具有较大的随意性，例如由居民口述的或者通过传感数据而分析得到的，此时则需要更高阶的标签匹配算法，更多细节将在下文中结合其他示例展开。
在步骤S150中，基于各个标签填充信息和村社居民信息，更新村社居民台账。
具体地，基于所提取的标签填充信息和村社居民信息，自动更新村社居民台账，确保数据录入针对村社居民信息的一致性和完整性。
通过本申请实施例，服务端系统能够自主完成数据的采集和处理，并自动更新台账，有效减轻了管理人员的负担。由此，降低了村社管理的人力成本，使得有限的人力资源可以更加专注于解决更复杂、高级别的问题，提高了管理效能。
图2示出了根据本申请实施例的基于人工智能的村社管理方法的一示例的流程图。
如图2所示，在步骤S210中，获取数据采集任务。
在步骤S220中，根据各个终端标识信息，发送数据采集请求至相应的物联网终端。
在步骤S230中，响应于数据采集请求，从各个物联网终端分别接收相应的终端反馈数据。
在步骤S240中，针对各个终端反馈数据，基于标签匹配模型从终端反馈数据中提取对应至少一个表格标签的标签填充信息。
在步骤S250中，基于各个标签填充信息和村社居民信息，更新村社居民台账。
关于步骤S210-S250的细节，可以参照上文结合图1中实施方式的描述，在此便不赘述。
在步骤S260中，从第一物联网终端接收台账查询请求，台账查询请求是由第一物联网终端所检测到针对至少一个请求查询的表格标签的触发操作而确定的。
具体地，由居民、管理者或其他服务提供者在第一物联网终端上选择请求查询的一个或多个表格标签，以触发向物联网服务端发送台账查询请求，例如期望查询居民健康数据和能源使用数据等等。由此，通过查询功能，用户可以即时获取所需要的信息，增强了系统的互动性和政务管理体验。
在步骤S270中，针对各个请求查询的表格标签，根据请求查询的表格标签所对应的授权用户信息集，对第一物联网终端所对应的第一村社居民信息进行匹配。
这里，表格标签包含以下中的任意一者：居民健康数据标签、能源使用数据标签和社会福利数据标签。此外，表格标签还可以具有更多类型，例如教育服务标签、农业活动数据标签、公共服务数据标签等等。
在进一步的实施方式中，表格标签可以是通过标签体系而呈现的。示例性地，居民健康数据标签包含体温、血压、心率、血糖值、体重和疾病记录。能源使用数据标签包含家庭用电量、家庭用水量和太阳能利用率。社会福利数据标签包含低保资格、养老金领取情况和医疗救助状态等等。
具体地，通过服务端检查请求的用户是否有权限访问查询标签所对应的数据，由此实现了数据分级管理，维护了数据的私密性和安全性。
在步骤S281中，当该匹配的结果指示第一村社居民信息存在于各个授权用户信息集中时，根据各个表格标签对村社居民台账进行标签组合查询以确定相应的表格查询数据，并将表格查询数据发送至第一物联网终端。
具体地，对于权限验证通过的请求，系统会自动从台账中检索所需信息，并将查询结果发送回请求的物联网终端。由此，授权用户可以快速、方便地获取他们所需的数据，提高了自动服务响应的有效性。
在步骤S283中，当该匹配的结果指示第一村社居民信息未存在于第一授权用户信息集中时，向第一物联网终端发送权限警示通知，权限警示通知是根据第一授权用户信息集所对应的表格标签而确定的。
具体地，在请求查询的用户不具备某个查询标签的情况下，服务端会反馈权限警示通知，以限制其访问并告知他不具备的权限内容，进一步指示用户去在系统中进行权限申请审批流程。
通过本申请实施例，集成物联网终端以及人工智能技术来高效管理村社资源、服务和数据，并确保了信息安全和隐私保护，实现了高度自动化、智能化的村社管理。
图3示出了根据本申请实施例的标签匹配模型的一示例的结构框图。
如图3所示，标签匹配模型300采用基于实体识别和联合学习的变换器架构模型，其包含级联的数据预处理层310、实体识别层320、联合学习层330和序列到序列的变换器模型340。
具体地，在确定标签填充信息的过程中主要包含以下操作：
基于数据预处理层310，对终端反馈数据进行数据标准化操作。
基于实体识别层320进行实体识别，并提取终端反馈数据中的至少一个实体关键信息，实体识别层采用BERT预训练语言模型。
需说明的是，BERT是一种基于Transformer的深度学习模型，用于自然语言处理任务，如情感分析、文本分类、命名实体识别等。BERT通过双向Transformer编码器来生成表示文本的向量表示，这些表示可以用于在NLP任务中进行上下文建模和推理，在许多NLP任务中表现出了优越的性能。
针对各个实体关键信息，基于联合学习层330将实体关键信息与其他实体关键信息之间进行分类和关系抽取，以确定相应的实体关系嵌入，实体关系嵌入定义了实体关键信息与其他实体关键信息之间的潜在联系。
基于各个实体关键信息的嵌入和相应的实体关系嵌入组成实体嵌入序列，并将实体嵌入序列输入至序列到序列的变换器模型340，以由序列到序列的变换器模型340根据实体嵌入序列和标签嵌入序列生成目标标签序列，目标标签序列包含多个目标标签和相应的实体关键信息，标签嵌入序列是根据村社居民台账下的各个台账表头标签而确定的。
通过本申请实施例，利用数据预处理层310清洗、标准化物联网终端数据和居民信息。然后，利用实体识别层(Named Entity Recognition,NER)320预训练语言模型进行实体识别，并提取终端反馈数据中的关键信息，比如居民姓名、日期、服务类型等。进而，利用联合学习层330，将结合实体识别得到的关键信息进行分类和关系抽取，确定它们与台账表头的对应关系。最后，通过序列到序列的变换器模型340(Seq2Seq Transformer)处理复杂的信息映射任务，例如多个实体信息与标签之间的匹配和填充逻辑。由此，采用模型优化策略，根据历史正确填充的数据和用户反馈，通过动态调整匹配来提高匹配准确率。
在本申请实施例的一些示例中，在变换器模型340中还设置有注意力模块，以对不同实体词语之间进行关联，并将不同来源的特征信息进行合并，提高标签与实体词语之间的匹配精确度。
通过本申请实施例，利用预训练模型和多任务学习降低噪声数据的影响，能有效减少噪声影响，提升数据采集的质量。然后，通过联合学习解决实体识别与信息分类填充问题，提高模型在各类数据间迁移和泛化的能力。
更具体地，在实体识别层320中，采用BERT作为实体识别的基础模型。假设反馈的终端反馈数据或句子是FB＝(w1,w2,...,wn)，其中wi是句子的第i个单词。通过BERT将句子映射到一个向量空间，得到每个单词的嵌入E＝(e1,e2,...,en)。进而，将每个嵌入ei传递给一个线性层和softmax层来预测每个单词的实体类别。
每个单词的实体类别可以通过以下方式表示：
P(ei)＝softmax(We·ei+be)，
其中，P(ei)表示每个单词wi对应实体类别的概率分布，We表示实体识别的权重矩阵，be表示实体识别的偏置项。
在联合学习层330中，除了实体识别还需要进行关系抽取以区分实体间的联系。每个实体之间的潜在关系可以通过实体嵌入之间的相对位置和上下文进行建模。
具体地，实体关系嵌入通过包括通过以下方式而确定：
其中，em和en分别是两个实体的嵌入，Wr是二元关系R的权重矩阵，σ1是sigmoid函数，确保分数在0到1之间；S(R)表示实体em和en之间存在关系R的得分。
进一步地，序列到序列的变换器模型340采用注意力模块对所输入的特征进行处理。具体地，注意力模块通过包括以下的方式进行特征计算：
其中，Q表示基于所述实体关键信息的嵌入所确定的查询矩阵，K表示基于所述实体关系嵌入所确定的键矩阵，V为根据S(R)确定的值矩阵，dk为键嵌入的维度。
进而，通过线性层和softmax层，计算针对标签嵌入序列的标签生成概率：
P(S)＝softmax(Ws·G+bs)，
S＝(s1,s2,...,sk)，
其中，Ws表示标签生成器权重矩阵，bs表示标签生成器偏置项，以及P(S)表示标签序列S的概率分布，si表示所述村社居民台账中的第i个台账表头标签。
在本申请实施例中，基于多层模型结构的序列到序列的变换器模型，通过端到端进行级联推理，学习实体识别、关系抽取、标签生成三者之间的最佳交互方式。由此，能够较精确地从终端反馈数据中提取与各个台账表头标签匹配的实体关键信息，尤其是在处理非规律或重复性输入的居民反馈数据时，能够有效识别反馈数据中不同实体信息之间的关联性和重复性，提高了对村社居民台账更新结果的精确度，
图4示出了根据本申请实施例的基于人工智能的村社管理方法的一示例的流程图。
如图4所示，在步骤S410中，获取数据采集任务。
在步骤S420中，根据各个终端标识信息，发送数据采集请求至相应的物联网终端。
在步骤S430中，响应于数据采集请求，从各个物联网终端分别接收相应的终端反馈数据。
在步骤S440中，针对各个终端反馈数据，基于标签匹配模型从终端反馈数据中提取对应至少一个表格标签的标签填充信息。
在步骤S450中，基于各个标签填充信息和村社居民信息，更新村社居民台账。
关于步骤S410-S450的细节，可以参照上文结合图1中实施方式的描述，在此便不赘述。
在步骤S460中，从各个物联网终端接收村社环境参数集，村社环境参数集是根据传感器组而确定的。
具体地，服务端可以从安置在村社中的物联网设备(如传感器)接收各种环境传感参数，例如监控图像、环境湿度、噪音水平以及其他可能影响居民生活品质的指标。由此，获取实时、精准的环境信息允许管理者及时了解村社环境状况，并作出相应决策，也为村社提供了及时反应环境变化的能力。
在步骤S470中，针对公共事件指标集中的各个公共事件指标中，根据村社环境参数集确定公共事件指标所对应的指标风险等级。
这里，公共事件指标包含以下中的任意一者：设施设备运行指标、卫生保洁指标和停车秩序指标。由此，利用各类村社环境参数实现对公共事件指标的风险等级的智能预测，实现了智能化的数据风险评估。
具体地，在接收到环境参数集后，服务端系统将对已经确定的公共事件指标(如设施设备运行状况、卫生保洁情况和停车秩序)进行风险等级评估，例如可以通过数据分析、模式识别以及机器学习算法来预测和评估风险。由此，能够基于最新数据评估风险，并将风险分类，有助于及时识别和防范潜在的危险或问题，从而确保居民安全和生活质量。
在一些实施方式中，可以采用随机森林模型来执行。具体来说，随机森林模型是一种集成学习算法，主要用于分类和回归任务。在村社管理的场景中，可以使用随机森林来预测特定的公共事件(如设施设备运行、卫生保洁、停车秩序等)的风险等级。
具体地，随机森林模型的输入可以采用以下方式进行定义，数据维度为n×m，其中n表示样本数量，m表示特征数量(也就是村社环境参数和公共事件指标的总数)。随机森林算法的输出可以采用以下方式进行定义，一个长度为n的向量，包含了各个样本对应每一公共事件指标的风险等级。
针对随机森林模型的训练细节，首先选择训练样本。对于每棵树，从原始训练数据中随机抽取nsamples个样本(例如，可以重复抽取，即采用有放回抽样方法)，构成该树的训练数据集。然后，选择特征：在每个决策节点，随机选择mfeatures个特征作为候选分割特征(mfeatures<m)。接着，构建决策树：对于每一棵树，对训练数据集使用上述随机抽取的特征来递归地创建决策树。对每个节点，选择最佳切分特征和特征值来最大化信息增益或者最小化基尼不纯度。最后，通过训练迭代，直到叶节点包含的样本数量小于一定阈值时，确定完成对随机森林算法的训练。
进一步地，在实际预测时，基于各个决策树的结果来完成集成决策。具体地，采用多数投票(对于分类任务)的方式来综合所有决策树的结果得到随机森林的预测。
在一些实施方式中，随机森林模型可以通过以下方式进行预测：
其中，f(x)表示随机森林模型对输入样本x的预测，B表示决策树的数量，fb(x)表示第b棵决策树对样本x的预测。
通过本申请实施例，基于随机森林模型是集成多个决策树的结果，具有更高的准确性和鲁棒性，能够较精准地实时评估公共事件的风险等级。此外，随机森林模型的结果相对也容易理解和解释。
在步骤S480中，根据针对各个指标风险等级的排序结果，确定公共指标预警集。
这里，公共指标预警集包含待进行警示的预设数量个预警公共事件指标。在一些实施方式中，将对应指标风险等级排序靠前的预设数量个公共事件指标构建公共指标预警集。另一方面，公共指标预警集还可能由特定算法决定，考虑到历史数据、突发事件及其他相关因素。由此，通过焦点化关注最重要或最紧急的风险，能够更高效地利用资源进行风险管理和防范措施。
在步骤490中，发送公共指标预警集至各个物联网终端。
在一些实施方式中，服务端将确定的公共指标预警集发送给相关的物联网终端，比如村社的公告板、居民的智能手机应用、管理人员的控制台等。由此，确保了所有相关用户和管理人员都能第一时间接收到风险预警信息，促使他们迅速采取行动以缓解或消除风险。
通过本申请实施例，构建一个从感知、分析、决策到行动的闭环管理过程，基于人工智能和物联网的管理方式能够显著提高村社管理的效率和反应速度，同时保证了村社管理的系统性和科学性。
图5示出了根据本申请实施例的村社管理方法中执行风险预警操作的一示例的流程图。
如图5所示，在步骤S510中，从至少一个第二物联网终端接收指标关注请求。
这里，指标关注请求是由第二物联网终端所检测到针对至少一个关注的预警公共事件指标的触发操作而确定的。在一些实施方式中，各个第二物联网终端将由人工智能算法所确定的各个预警公共事件指标进行显示，村社的居民对所关注的预警公共事件进行点击，以向物联网服务端发送指标关注请求。
在步骤S520中，统计各个预警公共事件指标所对应的居民关注度。
在一些实施方式中，居民关注度可以表示居民对每个公共事件指标的关注度反映，例如关注次数、反馈强度等。
具体地，物联网服务端统计各个预警公共事件指标所对应的居民关注度，例如通过记录居民对每个事件的点击、查看次数或其他交互方式进行的。由此，通过统计居民点击或其他交互行为，物联网服务端可以更精确地了解居民对不同事件的关注程度，从而更好地满足村社居民的关注点，能在最快时间内掌控村社集中痛点，避免隐患舆论进一步扩散。
在步骤S530中，根据各个预警公共事件指标和相应的居民关注度，执行风险预警操作。
由此，利用数据驱动决策，通过统计分析提供了数据支持，帮助决策者更好地理解村社的关注点，有针对性地进行风险预警。
关于步骤S530，在本申请实施例的一些示例中，根据对应居民关注度超过预设的关注度阈值的至少一个预警公共事件指标和预设的指标事件表，确定相应的风险公共事件，指标事件表包含多个风险公共事件和相应的预警公共事件指标组。具体地，管理运营人员可以预先在指标事件表中定义风险公共事件和相应的一个或多个预警公共事件指标，例如当同时出现预警公共事件指标a和b时确定存在风险公共事件A。由此，系统能够按照各个预警公共事件指标通过查表来确定是否存在相应的风险公共事件。然后，从事件案例知识库中确定风险公共事件所对应的治理案例，并根据治理案例和预设的管理员终端标识信息集向多个第三物联网终端发送村社管理通知，每一第三物联网终端分别具有相应的管理员终端标识信息。由此，快速传递风险事件关键信息，帮助管理者迅速做出决策和采取相应的措施，避免隐患风险进一步扩散。在一些实施方式中，事件案例知识库可以是通过融合大语言模型的模型接口而实现的。
关于步骤S530，另一方面，通过人工智能算法模型来处理各个预警公共事件指标和相应的居民关注度，以自动识别相应的风险公共事件，弥补指标事件表中所设置的指标-事件关系的数量不足的情况。在一些实施方式中，将各个预警公共事件指标和相应的居民关注度输入至风险事件预测模型，以确定相应的风险事件类型。风险事件预测模型采用图卷积模型，图卷积模型的节点是由预警公共事件指标和居民关注度所对应的聚类特征进行定义的，图卷积模型的输出是至少一个风险事件类型。根据各个风险事件类型，执行风险预警操作。
需说明的是，村社中的各个预警公共事件指标之间存在关联，设施之间也存在联动，村社中不同个体之间也存在社交网络。通过图卷积网络可以有效提取这些复杂的依赖和关系。
具体地，图卷积模型的通过包括以下的方式进行图卷积计算：
其中，图卷积模型通过G＝(V,E)定义，表示图卷积模型G由节点集V和边集E组成；A表示邻接矩阵，如果存在连接节点i和节点j的边，则A[i][j]＝1，否则A[i][j]＝0；度矩阵H(l)表示第l层的输出特征矩阵；第l层的权重矩阵W(l)＝dl×dl+1，其中dl是第l层的特征维度，dl+1是第l+1层的特征维度；第l层的偏置项b(l)＝dl+1；单位矩阵I表示每个节点都有自连接；σ2表示图卷积激活函数；
图卷积模型通过包括以下的方式确定至少一个风险事件类型：
Z＝σ3(H(L)W(out)+b(out))，
其中，Z矩阵表示各个输入节点对应于每一风险事件类型的概率；σ3表示输出层激活函数，W(out)表示输出层权重矩阵，b(out)表示输出层的偏置项，H(L)是经过各个图卷积层传递后的输出特征矩阵，其综合了各节点特征及其相邻节点特征的信息。
示例性地，假设一共预设置有t种风险事件类型，图卷积网络的最终输出层会产生一个n×t维的矩阵Z，例如Zij表示节点i属于风险事件类型j的概率。进而，针对各个风险事件类型j，统计风险事件类型下不同节点所对应的概率，并将统计概率超过一定阈值的风险事件类型进行输出，由此实现自动化预测风险事件类型。
需说明的是，在利用预警公共事件指标和居民关注度定义图卷积模型的节点时，可以通过各种特征工程来构建相应的节点特征。
在一些实施方式中，可以通过进行以下方式的特征工程：
针对预警公共事件指标中的各种指标的数据类型进行处理。例如，对于定量指标，确保它们在合理的范围内，进行归一化处理，如Min-Max归一化或Z-score标准化。另外，对于定性指标，可以使用独热编码(One Hot Encoding)或标签编码(Label Encoding)的方式进行向量化。
针对各个公共事件指标的关注数据进行归一化，比如提问次数、点击次数、投诉次数等，以确定相应的关注度指标，利用该关注度指标能够量化特定变量排序下不同变量的权重。
继而，将上述特征进行融合，具体是将预警公共事件指标与居民关注度特征合并成为每个节点的一个特征向量，例如，如果有5个公共事件指标和1个关注度指标，每个节点的特征向量将有6个特征维度。
进而，对应n个节点和k个特征维度节点特征矩阵X的构建如下：
其中，xij表示第i个节点在第j个特征维度的值。
继而，利用此节点特征矩阵X作为图卷积网络的输入，每一次图卷积层的更新都将应用于这些特征。通过在图的节点上综合邻居的信息，图卷积网络可以学习节点的表示，从而更好地预测每个节点有可能发生的风险事件类型。
通过本申请实施例，采用图卷积网络(GCN)相对于传统的查表匹配方法来确定风险事件具有以下优势：
1)通过GCN能够捕获图结构中的复杂关系，能够整合节点和它们的邻居信息，实现对不同预警公共事件指标的相互作用进行建模，，这是通过查表无法做到的。
2)制作指标事件表表格具有较强的人为主观性，且无靠考量某些隐藏变量对风险公共事件的作用关系。相比之下，一旦GCN模型被训练好，它能够泛化并处理之前未见过的新情况和新数据。
3)由于GCN可以提取并利用深层次的非线性特征表示，因此在理解复杂和抽象的关系方面比查表匹配方法更为强大，通常可以提供更准确的预测结果。
4)当村社规模扩大或指标类型增加时，GCN可以通过增加节点、边或更改网络结构来扩展，具有较强的业务场景适用性。
5)当数据量庞大时，GCN可以通过并行计算来提高处理速度，尤其是在GPU加速的场景下能够达到几乎实时响应的目标。
6)GCN可以处理不完全或不准确的数据，比如丢失的边信息或不完整的节点特征，具备较强的系统鲁棒性。
下面对本申请提供的基于人工智能的村社管理服务平台系统进行描述，下文描述的基于人工智能的村社管理服务平台系统与上文描述的基于人工智能的村社管理方法可相互对应参照。
图6示出了根据本申请实施例的基于人工智能的村社管理服务平台系统的一示例的结构框图。
如图6所示，一种基于人工智能的村社管理服务平台系统600，包括获取单元610、发送单元620、接收单元630、提取单元640和更新单元650。
获取单元610用于获取数据采集任务；所述数据采集任务定义了待进行数据采集的至少一个物联网终端的终端标识信息。
发送单元620用于根据各个所述终端标识信息，发送数据采集请求至相应的所述物联网终端；每一所述物联网终端配置有相应的村社居民信息。
接收单元630用于响应于所述数据采集请求，从各个所述物联网终端分别接收相应的终端反馈数据；所述终端反馈数据包含居民反馈数据和相应的村社居民信息。
提取单元640用于针对各个所述终端反馈数据，基于标签匹配模型从所述终端反馈数据中提取对应至少一个表格标签的标签填充信息；各个所述表格标签是根据村社居民台账的台账表头标签而确定的。
更新单元650用于基于各个所述标签填充信息和所述村社居民信息，更新所述村社居民台账。
在一些实施例中，本申请实施例提供一种非易失性计算机可读存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本申请上述基于人工智能的村社管理方法。
在一些实施例中，本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述基于人工智能的村社管理方法。
在一些实施例中，本申请实施例还提供一种电子设备，其包括：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指令，所述指令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基于人工智能的村社管理方法。
图7是本申请另一实施例提供的执行基于人工智能的村社管理方法的电子设备的硬件结构示意图，如图7所示，该设备包括：
一个或多个处理器710以及存储器720，图7中以一个处理器710为例。
执行基于人工智能的村社管理方法的设备还可以包括：输入装置730和输出装置740。
处理器710、存储器720、输入装置730和输出装置740可以通过总线或者其他方式连接，图7中以通过总线连接为例。
存储器720作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的基于人工智能的村社管理方法对应的程序指令/模块。处理器710通过运行存储在存储器720中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例基于人工智能的村社管理方法。
存储器720可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器720可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器720可选包括相对于处理器710远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置730可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的信号。输出装置740可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器720中，当被所述一个或者多个处理器710执行时，执行上述任意方法实施例中的基于人工智能的村社管理方法。
上述产品可执行本申请实施例所提供的基于人工智能的村社管理方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本申请实施例的电子设备以多种形式存在，包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(4)其他具有数据交互功能的机载电子装置，例如安装上车辆上的车机装置。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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。

Claims (8)

1.一种基于人工智能的村社管理方法，应用于物联网服务端，包括：
获取数据采集任务；所述数据采集任务定义了待进行数据采集的至少一个物联网终端的终端标识信息；
根据各个所述终端标识信息，发送数据采集请求至相应的所述物联网终端；每一所述物联网终端配置有相应的村社居民信息；
响应于所述数据采集请求，从各个所述物联网终端分别接收相应的终端反馈数据；所述终端反馈数据包含居民反馈数据和相应的村社居民信息；
针对各个所述终端反馈数据，基于标签匹配模型从所述终端反馈数据中提取对应至少一个表格标签的标签填充信息；各个所述表格标签是根据村社居民台账的台账表头标签而确定的；
基于各个所述标签填充信息和所述村社居民信息，更新所述村社居民台账；
其中，所述标签匹配模型采用基于实体识别和联合学习的变换器架构模型，所述基于实体识别和联合学习的变换器架构模型包含级联的数据预处理层、实体识别层、联合学习层和序列到序列的变换器模型；
所述基于标签匹配模型从所述终端反馈数据中提取对应至少一个表格标签的标签填充信息，包括：
基于所述数据预处理层，对所述终端反馈数据进行数据标准化操作；
基于所述实体识别层进行实体识别，并提取终端反馈数据中的至少一个实体关键信息；所述实体识别层采用BERT预训练语言模型；
针对各个所述实体关键信息，基于所述联合学习层将所述实体关键信息与其他实体关键信息之间进行分类和关系抽取，以确定相应的实体关系嵌入；所述实体关系嵌入定义了所述实体关键信息与其他实体关键信息之间的潜在联系；
基于各个所述实体关键信息的嵌入和相应的实体关系嵌入组成实体嵌入序列，并将所述实体嵌入序列输入至所述序列到序列的变换器模型，以由所述序列到序列的变换器模型根据所述实体嵌入序列和标签嵌入序列生成目标标签序列，所述目标标签序列包含多个目标标签和相应的实体关键信息；所述标签嵌入序列是根据所述村社居民台账下的各个台账表头标签而确定的；
其中，所述基于所述实体识别层进行实体识别，并提取终端反馈数据中的至少一个实体关键信息，包括：
针对终端反馈数据FB＝(w1,w2,...,wn)，基于BERT预训练语言模型确定所述终端反馈数据中每个单词wi的嵌入E＝(e1,e2,...,en)，进而将每个嵌入ei传递给一个线性层和softmax层来预测每个单词的实体类别；
每个单词的实体类别可以通过以下方式表示：
P(ei)＝softmax(We·ei+be)，
其中，P(ei)表示每个单词wi对应实体类别的概率分布，We表示实体识别的权重矩阵，be表示实体识别的偏置项；
所述针对各个所述实体关键信息，基于所述联合学习层将所述实体关键信息与其他实体关键信息之间进行分类和关系抽取，以确定相应的实体关系嵌入，包括：
所述实体关系嵌入通过包括通过以下方式而确定：
其中，em和en分别是两个实体的嵌入，Wr是二元关系R的权重矩阵，σ1是sigmoid函数，S(R)表示实体em和en之间存在关系R的得分；
所述基于各个所述实体关键信息的嵌入和相应的实体关系嵌入组成实体嵌入序列，并将所述实体嵌入序列输入至所述序列到序列的变换器模型，以由所述序列到序列的变换器模型输出目标标签序列，包括：
所述序列到序列的变换器模型采用注意力模块对所输入的特征进行处理，所述注意力模块通过包括以下的方式进行特征计算：
其中，Q表示基于所述实体关键信息的嵌入所确定的查询矩阵，K表示基于所述实体关系嵌入所确定的键矩阵，V为根据S(R)确定的值矩阵，dk为键嵌入的维度；
通过线性层和softmax层，计算针对标签嵌入序列的标签生成概率：
P(S)＝softmax(Ws·G+bs)，
S＝(s1,s2,...,sk)，
其中，Ws表示标签生成器权重矩阵，bs表示标签生成器偏置项，以及P(S)表示标签序列S的概率分布，si表示所述村社居民台账中的第i个台账表头标签。
2.根据权利要求1所述的方法，其中，在基于各个所述标签填充信息和所述村社居民信息，更新村社居民台账之后，所述方法还包括：
从第一物联网终端接收台账查询请求；所述台账查询请求是由所述第一物联网终端所检测到针对至少一个请求查询的表格标签的触发操作而确定的；
针对各个所述请求查询的表格标签，根据所述请求查询的表格标签所对应的授权用户信息集，对所述第一物联网终端所对应的第一村社居民信息进行匹配；所述表格标签包含以下中的任意一者：居民健康数据标签、能源使用数据标签和社会福利数据标签；
当该匹配的结果指示所述第一村社居民信息存在于各个所述授权用户信息集中时，根据各个所述表格标签对所述村社居民台账进行标签组合查询以确定相应的表格查询数据，并将所述表格查询数据发送至所述第一物联网终端。
3.根据权利要求2所述的方法，其中，当该匹配的结果指示所述第一村社居民信息未存在于第一授权用户信息集中时，所述方法还包括：
向所述第一物联网终端发送权限警示通知；所述权限警示通知是根据所述第一授权用户信息集所对应的表格标签而确定的。
4.根据权利要求1所述的方法，其中，各个所述物联网终端分别配置有相应的传感器组，所述方法还包括：
从各个所述物联网终端接收村社环境参数集；所述村社环境参数集是根据所述传感器组而确定的；
针对公共事件指标集中的各个公共事件指标中，根据所述村社环境参数集确定所述公共事件指标所对应的指标风险等级；所述公共事件指标包含以下中的任意一者：设施设备运行指标、卫生保洁指标和停车秩序指标；
根据针对各个所述指标风险等级的排序结果，确定公共指标预警集；所述公共指标预警集包含待进行警示的预设数量个预警公共事件指标；
发送所述公共指标预警集至各个所述物联网终端。
5.根据权利要求4所述的方法，其中，在所述发送所述公共指标预警集至各个所述物联网终端之后，所述方法还包括：
从至少一个第二物联网终端接收指标关注请求；所述指标关注请求是由所述第二物联网终端所检测到针对至少一个关注的预警公共事件指标的触发操作而确定的；
统计各个所述预警公共事件指标所对应的居民关注度；
根据各个所述预警公共事件指标和相应的居民关注度，执行风险预警操作。
6.根据权利要求5所述的方法，其中，所述根据各个所述预警公共事件指标和相应的居民关注度，执行风险预警操作，包括：
根据对应居民关注度超过预设的关注度阈值的至少一个预警公共事件指标和预设的指标事件表，确定相应的风险公共事件；所述指标事件表包含多个风险公共事件和相应的预警公共事件指标组；
从事件案例知识库中确定所述风险公共事件所对应的治理案例，并根据所述治理案例和预设的管理员终端标识信息集向多个第三物联网终端发送村社管理通知；每一所述第三物联网终端分别具有相应的管理员终端标识信息。
7.根据权利要求6所述的方法，其中，所述根据各个所述预警公共事件指标和相应的居民关注度，执行风险预警操作，包括：
将各个所述预警公共事件指标和相应的居民关注度输入至风险事件预测模型，以确定相应的风险事件类型；其中，所述风险事件预测模型采用图卷积模型，所述图卷积模型的节点是由预警公共事件指标和居民关注度进行定义的，所述图卷积模型的输出是至少一个风险事件类型；
根据各个所述风险事件类型，执行风险预警操作；
具体地，所述图卷积模型通过包括以下的方式进行图卷积计算：
其中，图卷积模型通过G＝(V,E)定义，表示图卷积模型G由节点集V和边集E组成；A表示邻接矩阵，如果存在连接节点i和节点j的边，则A[i][j]＝1，否则A[i][j]＝0；度矩阵H(l)表示第l层的输出特征矩阵；第l层的权重矩阵W(l)＝dl×dl+1，其中dl是第l层的特征维度，dl+1是第l+1层的特征维度；第l层的偏置项b(l)＝dl+1；单位矩阵I表示每个节点都有自连接；σ2表示图卷积激活函数；
所述图卷积模型通过包括以下的方式确定所述至少一个风险事件类型：
Z＝σ3(H(L)W(out)+b(out))，
其中，Z矩阵表示各个输入节点对应于每一风险事件类型的概率；σ3表示输出层激活函数，W(out)表示输出层权重矩阵，b(out)表示输出层的偏置项，H(L)是经过各个图卷积层传递后的输出特征矩阵，其综合了各节点特征及其相邻节点特征的信息。
8.一种基于人工智能的村社管理服务平台系统，包括：
获取单元，用于获取数据采集任务；所述数据采集任务定义了待进行数据采集的至少一个物联网终端的终端标识信息；
发送单元，用于根据各个所述终端标识信息，发送数据采集请求至相应的所述物联网终端；每一所述物联网终端配置有相应的村社居民信息；
接收单元，用于响应于所述数据采集请求，从各个所述物联网终端分别接收相应的终端反馈数据；所述终端反馈数据包含居民反馈数据和相应的村社居民信息；
提取单元，用于针对各个所述终端反馈数据，基于标签匹配模型从所述终端反馈数据中提取对应至少一个表格标签的标签填充信息；各个所述表格标签是根据村社居民台账的台账表头标签而确定的；
更新单元，用于基于各个所述标签填充信息和所述村社居民信息，更新所述村社居民台账；
其中，所述标签匹配模型采用基于实体识别和联合学习的变换器架构模型，所述基于实体识别和联合学习的变换器架构模型包含级联的数据预处理层、实体识别层、联合学习层和序列到序列的变换器模型；
所述基于标签匹配模型从所述终端反馈数据中提取对应至少一个表格标签的标签填充信息，包括：
基于所述数据预处理层，对所述终端反馈数据进行数据标准化操作；
基于所述实体识别层进行实体识别，并提取终端反馈数据中的至少一个实体关键信息；所述实体识别层采用BERT预训练语言模型；
针对各个所述实体关键信息，基于所述联合学习层将所述实体关键信息与其他实体关键信息之间进行分类和关系抽取，以确定相应的实体关系嵌入；所述实体关系嵌入定义了所述实体关键信息与其他实体关键信息之间的潜在联系；
基于各个所述实体关键信息的嵌入和相应的实体关系嵌入组成实体嵌入序列，并将所述实体嵌入序列输入至所述序列到序列的变换器模型，以由所述序列到序列的变换器模型根据所述实体嵌入序列和标签嵌入序列生成目标标签序列，所述目标标签序列包含多个目标标签和相应的实体关键信息；所述标签嵌入序列是根据所述村社居民台账下的各个台账表头标签而确定的；
其中，所述基于所述实体识别层进行实体识别，并提取终端反馈数据中的至少一个实体关键信息，包括：
针对终端反馈数据FB＝(w1,w2,...,wn)，基于BERT预训练语言模型确定所述终端反馈数据中每个单词wi的嵌入E＝(e1,e2,...,en)，进而将每个嵌入ei传递给一个线性层和softmax层来预测每个单词的实体类别；
每个单词的实体类别可以通过以下方式表示：
P(ei)＝softmax(We·ei+be)，
其中，P(ei)表示每个单词wi对应实体类别的概率分布，We表示实体识别的权重矩阵，be表示实体识别的偏置项；
所述针对各个所述实体关键信息，基于所述联合学习层将所述实体关键信息与其他实体关键信息之间进行分类和关系抽取，以确定相应的实体关系嵌入，包括：
所述实体关系嵌入通过包括通过以下方式而确定：
其中，em和en分别是两个实体的嵌入，Wr是二元关系R的权重矩阵，σ1是sigmoid函数，S(R)表示实体em和en之间存在关系R的得分；
所述基于各个所述实体关键信息的嵌入和相应的实体关系嵌入组成实体嵌入序列，并将所述实体嵌入序列输入至所述序列到序列的变换器模型，以由所述序列到序列的变换器模型输出目标标签序列，包括：
所述序列到序列的变换器模型采用注意力模块对所输入的特征进行处理，所述注意力模块通过包括以下的方式进行特征计算：
其中，Q表示基于所述实体关键信息的嵌入所确定的查询矩阵，K表示基于所述实体关系嵌入所确定的键矩阵，V为根据S(R)确定的值矩阵，dk为键嵌入的维度；
通过线性层和softmax层，计算针对标签嵌入序列的标签生成概率：
P(S)＝softmax(Ws·G+bs)，
S＝(s1,s2,...,sk)，
其中，Ws表示标签生成器权重矩阵，bs表示标签生成器偏置项，以及P(S)表示标签序列S的概率分布，si表示所述村社居民台账中的第i个台账表头标签。
CN202311596645.1A 2023-11-27 2023-11-27 基于人工智能的村社管理方法及服务平台系统 Active CN117391456B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311596645.1A CN117391456B (zh) 2023-11-27 2023-11-27 基于人工智能的村社管理方法及服务平台系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311596645.1A CN117391456B (zh) 2023-11-27 2023-11-27 基于人工智能的村社管理方法及服务平台系统

Publications (2)

Publication Number Publication Date
CN117391456A CN117391456A (zh) 2024-01-12
CN117391456B true CN117391456B (zh) 2024-04-05

Family

ID=89472080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311596645.1A Active CN117391456B (zh) 2023-11-27 2023-11-27 基于人工智能的村社管理方法及服务平台系统

Country Status (1)

Country Link
CN (1) CN117391456B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070103623A (ko) * 2006-04-19 2007-10-24 주식회사 케이티 소봇을 이용한 검색정보 태깅에 따른 커뮤니티 생성 시스템및 그 컨텐츠 전달 방법
CN102184204A (zh) * 2011-04-28 2011-09-14 常州大学 一种智能Web表单自动填充方法及系统
CN205864477U (zh) * 2016-07-29 2017-01-04 陕西天润科技股份有限公司 基于云计算平台的社区与村镇用网格化信息监管系统
AU2020101257A4 (en) * 2020-07-04 2020-08-13 Liaoning University Of Science And Technology An Internet Of Things Method For Complex Image Label Recognition
CN111552704A (zh) * 2020-03-16 2020-08-18 中国平安人寿保险股份有限公司 一种数据报表生成方法、装置、计算机设备及存储介质
CN111626032A (zh) * 2020-04-23 2020-09-04 平安国际智慧城市科技股份有限公司 word模板动态导出方法、装置及存储介质
CN113011954A (zh) * 2021-04-23 2021-06-22 贵州兴泰科技有限公司 一种多功能物联识别查询设备台账管理系统
CN114021954A (zh) * 2021-11-03 2022-02-08 浙江宇联信息发展有限公司 基于互联网的社区线上服务管理平台和服务方法
CN115086343A (zh) * 2022-06-29 2022-09-20 青岛华正信息技术股份有限公司 一种基于人工智能的物联网数据交互方法及系统
CN115292568A (zh) * 2022-03-02 2022-11-04 内蒙古工业大学 一种基于联合模型的廉政和民生新闻事件抽取方法
CN115409471A (zh) * 2022-08-18 2022-11-29 贵州电网有限责任公司 一种配网自动化终端台账自动生成方法及装置
CN115983269A (zh) * 2022-03-31 2023-04-18 浙江树人学院 一种智慧社区数据命名实体识别方法、终端及计算机介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070103623A (ko) * 2006-04-19 2007-10-24 주식회사 케이티 소봇을 이용한 검색정보 태깅에 따른 커뮤니티 생성 시스템및 그 컨텐츠 전달 방법
CN102184204A (zh) * 2011-04-28 2011-09-14 常州大学 一种智能Web表单自动填充方法及系统
CN205864477U (zh) * 2016-07-29 2017-01-04 陕西天润科技股份有限公司 基于云计算平台的社区与村镇用网格化信息监管系统
CN111552704A (zh) * 2020-03-16 2020-08-18 中国平安人寿保险股份有限公司 一种数据报表生成方法、装置、计算机设备及存储介质
CN111626032A (zh) * 2020-04-23 2020-09-04 平安国际智慧城市科技股份有限公司 word模板动态导出方法、装置及存储介质
AU2020101257A4 (en) * 2020-07-04 2020-08-13 Liaoning University Of Science And Technology An Internet Of Things Method For Complex Image Label Recognition
CN113011954A (zh) * 2021-04-23 2021-06-22 贵州兴泰科技有限公司 一种多功能物联识别查询设备台账管理系统
CN114021954A (zh) * 2021-11-03 2022-02-08 浙江宇联信息发展有限公司 基于互联网的社区线上服务管理平台和服务方法
CN115292568A (zh) * 2022-03-02 2022-11-04 内蒙古工业大学 一种基于联合模型的廉政和民生新闻事件抽取方法
CN115983269A (zh) * 2022-03-31 2023-04-18 浙江树人学院 一种智慧社区数据命名实体识别方法、终端及计算机介质
CN115086343A (zh) * 2022-06-29 2022-09-20 青岛华正信息技术股份有限公司 一种基于人工智能的物联网数据交互方法及系统
CN115409471A (zh) * 2022-08-18 2022-11-29 贵州电网有限责任公司 一种配网自动化终端台账自动生成方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
屈德建 ; 许诗诗 ; 陶国庆 ; .电力信息网络中IP地址状态管理及终端台账自动更新方法.电子技术与软件工程.2018,(第22期),全文. *

Also Published As

Publication number Publication date
CN117391456A (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
US9053436B2 (en) Methods and system for providing simultaneous multi-task ensemble learning
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
CN117421433B (zh) 一种图文智能舆情分析方法及系统
CN111461231B (zh) 一种短信息的发送控制方法、装置及存储介质
CN111696656B (zh) 一种互联网医疗平台的医生评价方法、装置
CN113362852A (zh) 一种用户属性识别方法和装置
CN116561748A (zh) 一种组件子序列相关性感知的日志异常检测装置
CN115952343A (zh) 一种基于多关系图卷积网络的社交机器人检测方法
CN115878902A (zh) 基于神经网络模型的融媒体平台自动信息关键主题提取系统
CN112232576B (zh) 判决预测方法、装置、电子设备及可读存储介质
CN115982646B (zh) 一种基于云平台的多源测试数据的管理方法及系统
CN117592778A (zh) 风险预警系统
CN117876090A (zh) 风险识别方法、电子设备、存储介质及程序产品
Dutta et al. Big data architecture for environmental analytics
CN117391456B (zh) 基于人工智能的村社管理方法及服务平台系统
CN110991852A (zh) 一种基于社交媒体大数据的公司形象提升系统架构
Jin et al. Research on the evaluation model of rural information demand based on big data
CN115618065A (zh) 一种数据处理方法及相关设备
CN118394561B (zh) 服务器故障的诊断方法、装置、存储介质及电子设备
CN114417944B (zh) 识别模型训练方法及装置、用户异常行为识别方法及装置
CN118507073B (zh) 基于云计算的康复护理数据集成管理系统及方法
Wang et al. Fuzzy Boost Classifier of Decision Experts for Multicriteria Group Decision‐Making
CN116521972B (zh) 信息预测方法、装置、电子设备和存储介质
CN117011037A (zh) 风险账号的识别方法、装置、设备、存储介质及程序产品
CN117579688A (zh) 一种信息推送方法及相关设备

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