CN118469170A - 一种反诈志愿者智能匹配系统、方法及设备 - Google Patents

一种反诈志愿者智能匹配系统、方法及设备 Download PDF

Info

Publication number
CN118469170A
CN118469170A CN202410364585.9A CN202410364585A CN118469170A CN 118469170 A CN118469170 A CN 118469170A CN 202410364585 A CN202410364585 A CN 202410364585A CN 118469170 A CN118469170 A CN 118469170A
Authority
CN
China
Prior art keywords
volunteer
event
fraud
help
module
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.)
Granted
Application number
CN202410364585.9A
Other languages
English (en)
Other versions
CN118469170B (zh
Inventor
廖飞
杨康
杨桦
陈益
包安治
贾煜
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.)
Chongqing Communication Design Institute Co ltd
Original Assignee
Chongqing Communication Design Institute 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 Chongqing Communication Design Institute Co ltd filed Critical Chongqing Communication Design Institute Co ltd
Priority to CN202410364585.9A priority Critical patent/CN118469170B/zh
Publication of CN118469170A publication Critical patent/CN118469170A/zh
Application granted granted Critical
Publication of CN118469170B publication Critical patent/CN118469170B/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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明请求保护一种反诈志愿者智能匹配系统、方法及设备，属于志愿者智能管理技术领域。智能匹配包括：人员事件智能匹配模型、登录模块、应用场景管理模块、流程引擎、事件知识手册、要素总览模块、人员管理和组织管理模块、区域管理模块、事件管理模块和设备管理模块，服务器接收求助者经基于NB‑IoT的无线通信模块发送的求助信息；根据应用场景管理模块，根据求助信息判定所述求助者需要的志愿者类别；根据预先设定的志愿者判别分类规则以及所述志愿者类别在志愿者信息库内匹配反诈志愿者,根据人员管理和组织管理模块得到匹配的反诈志愿者；根据区域管理模块转发求助信息至所述匹配的志愿者的终端进行处理。本发明可以提高志愿者匹配的准确性和提高人员的管理效率。

Description

一种反诈志愿者智能匹配系统、方法及设备
技术领域
本发明属于志愿者管理的领域领域，具体属于志愿者智能匹配技术领域。
背景技术
伴随着移动互联网技术和移动终端的高速发展，原有的志愿者匹配方法存在以下技术问题：
1.场景人员管理难
解决的问题：对于反诈、联动巡逻等场景的参与人员没有明确的管理，由于缺乏有效的管理，许多基层工作人员可能会同时处理各个场景的任务，导致效率低下。
2.处理流程不可视
解决的问题：对于反诈场景有简单的大节点流程(接到预警-电话劝阻-上门劝阻-反馈)，但对于不同情况没有应对流程，并且在各大节点上没有处理流程细节，例如在电话劝阻和上门劝阻节点上，没有针对不同的时间、当事人身份、事件类型和事件地址等信息细化流程细节，在上门劝阻效果不好时，如学生类人群网格员或志愿者上门劝阻效果没有学校内教师劝阻效果好，劝阻效果无数据沉淀，导致对节点中流程调整优化存在滞后性。
3.处理人员不合适
解决的问题：对于反诈场景的个别上门劝阻人员没有经验，由于缺乏经验和对流程细节的不了解，有时候无法将合适的人员分配到相应的任务中。这可能导致经验不足的人员处理复杂任务，无法有效应对，甚至可能起到反效果。同时，有经验的人员可能被分配到较为简单的任务，导致资源的浪费和效率的降低。
4.历史事件无留存
解决的问题：对于反诈场景的预警反馈反诈中心是有历史留存的，但派出所的上门劝阻是没有统一留存，导致即使有工作日报、周报、月报，但无法查到明细，对于真正的反诈效果没有数据支撑，也没有事件处理录音或视频文件对处理结果提供证明。
5.场景知识没沉淀
解决的问题：在反诈场景中，相关知识的沉淀和学习资料的缺乏可能对刚参与反诈宣传的工作人员产生一定的困扰。目前反诈宣传的知识和信息通常是通过公众号等渠道发布，而这些信息往往没有集中沉淀到一个地方，不方便工作人员查询和学习。这导致工作人员需要花费大量时间和精力去查找和整理相关知识，影响了工作效率和质量。另外对于刚参与反诈宣传的工作人员来说，缺乏相关学习资料可能会使他们在工作中感到无所适从。没有系统的学习资料，工作人员可能无法全面了解反诈宣传的重点内容、方法和技巧，无法有效地开展宣传工作。这不仅会影响宣传效果，还可能给反诈工作带来一定的风险。
为了解决以上技术问题，特提出了本发明。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种反诈志愿者智能匹配系统、方法、设备。本发明的技术方案如下：
一种反诈志愿者智能匹配系统，其包括：人员事件智能匹配模型、登录模块、应用场景管理模块、流程引擎、事件知识手册、要素总览模块、人员管理和组织管理模块、区域管理模块、事件管理模块和设备管理模块，其中，求助者登录模块用于求助者进行登录并发送求助信息给服务器，服务器根据求助信息类别进行判定并分发给志愿者进行处理；应用场景管理模块用于定义和管理不同的事件场景，包括对场景的命名、描述和设置；流程引擎是用于在不同的应用场景中，根据事件的类型、等级和时间多维度条件，同时结合实际业务的需求，输出相关的数据，包括人、事件、区域、物和组织；输出的结果数据将支撑上层应用中的事件流转和处置；事件知识手册模块用于存储和管理事件相关的知识和经验，包括事件的处理流程、常见问题和解决方法；要素总览模块通过数据可视化的方式，形成要素一张图，其中包括人、事件、区域、物和组织，同时根据不同的上层应用，展示相对应的要素信息；人员管理和组织管理模块用于管理系统中的人员和组织结构，包括对人员信息、权限分配和组织架构的管理；区域管理模块用于定义和管理事件发生的区域范围，包括区域的划分、命名和描述；事件管理模块用于对事件的创建、分配、处理和跟踪全过程管理；设备管理模块用于管理系统中的各类设备，包括设备的注册、配置和监控；人员事件智能匹配模型，包括事件特征聚类模块、处理人员能力综合评价模块及事件处理人员自动推荐模块，所述事件特征聚类模块包括：事件特征提取步骤及文本向量特征聚类步骤；所述处理人员能力综合评价模块包括指标设计步骤及综合评价模型；事件发生时，按照分类对事件进行归类后，依据一般原则+特殊原则进行推荐，其中特殊原则互不冲突，特殊原则优先度大于一般原则。
进一步的，所述事件特征提取步骤具体包括：
形成事件特征文本；得到历史事件特征文本集；
基于Doc2Vec模型进行事件特征文本语义特征的提取，将文本信息转换为实数向量信息；
基于t-SNE方法对特征向量进行降维；
在每个维度按照min-max进行放缩，放缩到(0,1)；
进一步的，所述文本向量特征聚类步骤具体包括：基于得到的事件特征矩阵进行聚类，从而实现对历史事件的分类；使用基于密度的Mean Shift聚类方法进行聚类。
基于Silverman's rule计算影响模型搜索半径的带宽参数h：
其中，std(x)表示特征向量两两之间的欧氏距离的标准差，IQR表示特征向量两两之间的欧氏距离的四分位距；
④定义访问次数矩阵An×n＝{aij}，其中aij表示v′i对聚类j的访问次数。
⑤执行Mean Shift过程：
d.任意选择一个数据点v′k作为起始点；
带宽内每个点对聚类k访问次数加1；
基于欧式距离，在带宽内计算vk的密度梯度向量grad(v′k)，表示在该点周围不同方向上的密度变化；
将点移动到密度梯度最大的方向上一小步，设定步长为0.01；
循环进行上述过程，直到移动距离小于阈值(0.001)；
e.记录此时v′k的位置，若与现有聚类中心距离大于阈值，作为聚类中心；
f.循环上述过程a～b，直到访问每个点；
⑥根据访问次数矩阵，将点归类于访问次数最多的类。
进一步的，所述综合评价模型具体包括：
⑥指标数据获取、清洗；
⑦基于线性回归模型进行权重分配：
c.建立线性回归模型：
R＝w0+w1x1+w2x2+w3x3+w4x4
其中，R是各项指标排名的名次之和，x1～x4分别代表4项指标值；
d.基于最小二乘法求解权重W＝(w0,w1,w2,w3,w4)；
⑧计算R′：对每个事件处理人员，基于得到的同类事件，收集各项指标值X′＝(1,x1,x2,x3,x4)，根据②中得到的权重计算：
R′＝WX′T；
⑨对R′放缩：按照min-max对可能的R情况在(0,0.6)进行放缩，其中：min＝4*1，min情况表示四项指标全是第一名，max＝4*N，N为参与评分人数，max情况表示四项指标全是最后一名，得到R′0；
⑩计算综合评分S＝(1-R′0)*100％。
一种基于任一项所述系统的反诈志愿者智能匹配方法，其包括以下步骤；
服务器接收求助者经基于NB-IoT的无线通信模块发送的求助信息；根据人员事件智能匹配模型，根据所述求助信息判定所述求助者需要的志愿者类别；结合事件知识手册，根据预先设定的志愿者判别分类规则以及所述志愿者类别在志愿者信息库内匹配反诈志愿者,根据人员管理和组织管理模块得到匹配的反诈志愿者；根据区域管理模块转发求助信息至所述匹配的志愿者的终端进行处理。
进一步的，所述服务器接收求助者经基于NB-IoT的无线通信模块发送的求助信息之前，还包括：接收志愿者的终端经基于NB-IoT的无线通信模块发送的签到信息；将发送签到信息的志愿者的信息整理到志愿者信息库内。
进一步的，所述基于NB-IoT的无线通信模块为在所述求助者附近读取或接收求助者的终端内信息的基于NB-IoT的无线通信模块，当所述基于NB-IoT的无线通信模块接收到求助信息后则发出提示音。
进一步的，所述所述转发求助信息至所述匹配的志愿者的终端的步骤包括：判断反诈志愿者是否处于求助者所在的景区内；若不在，则通过无线通信网络通知反诈志愿者；若在，则通过其就近的NB-IoT通知反诈志愿者。
进一步的，所述根据预设规则以及所述志愿者类别在志愿者信息库内匹配志愿者包括：
根据反诈志愿者类别在志愿者信息库内筛选出符合条件的反诈志愿者；在所述符合条件的反诈志愿者中查找是否有志愿者在设定范围内，若是则选择距离所述求助者最近的反诈志愿者作为匹配对象；若否，则在志愿者信息库内筛选出与所述反诈志愿者类别相近类别的志愿者，并在所述设定范围内选择距离所述求助者最近的志愿者作为匹配对象。
一种电子设备，其包括存储器、处理器及存储在所述存储器上并可在所述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任一项所述反诈志愿者智能匹配方法。
本发明的优点及有益效果如下：
本发明实现了城市治理过程中数据和事件的全流程数字化管理，同时把治安相关场景业务知识、业务流程沉淀到知识底座，并将业务结果进行留存、分析和总结，为镇街治理基层人员减负，从而达到最好的治理效果。本发明通过基于NB-IoT的无线通信模块结合反诈志愿者智能匹配系统可以提高志愿者匹配的准确性和提高人员的管理效率。
附图说明
图1是本发明提供优选实施例反诈志愿者智能匹配系统框图；
图2是人员管理示意图；
图3是反诈流程管理示意图；
图4是人员管理示意图；
图5是历史场景查询示意图；
图6表示知识底座用来沉淀反诈知识的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：如图1所示，一种反诈志愿者智能匹配系统，其包括：人员事件智能匹配模型、登录模块、应用场景管理模块、流程引擎、事件知识手册、要素总览模块、人员管理和组织管理模块、区域管理模块、事件管理模块和设备管理模块，其中，求助者登录模块用于求助者进行登录并发送求助信息给服务器，服务器根据求助信息类别进行判定并分发给志愿者进行处理；应用场景管理模块用于定义和管理不同的事件场景，包括对场景的命名、描述和设置；流程引擎是用于在不同的应用场景中，根据事件的类型、等级和时间多维度条件，同时结合实际业务的需求，输出相关的数据，包括人、事件、区域、物和组织；输出的结果数据将支撑上层应用中的事件流转和处置；事件知识手册模块用于存储和管理事件相关的知识和经验，包括事件的处理流程、常见问题和解决方法；要素总览模块通过数据可视化的方式，形成要素一张图，其中包括人、事件、区域、物和组织，同时根据不同的上层应用，展示相对应的要素信息；人员管理和组织管理模块用于管理系统中的人员和组织结构，包括对人员信息、权限分配和组织架构的管理；区域管理模块用于定义和管理事件发生的区域范围，包括区域的划分、命名和描述；事件管理模块用于对事件的创建、分配、处理和跟踪全过程管理；设备管理模块用于管理系统中的各类设备，包括设备的注册、配置和监控；人员事件智能匹配模型，包括事件特征聚类模块、处理人员能力综合评价模块及事件处理人员自动推荐模块，所述事件特征聚类模块包括：事件特征提取步骤及文本向量特征聚类步骤；所述处理人员能力综合评价模块包括指标设计步骤及综合评价模型；事件发生时，按照分类对事件进行归类后，依据一般原则+特殊原则进行推荐，其中特殊原则互不冲突，特殊原则优先度大于一般原则。
进一步的，所述事件特征提取步骤具体包括：
形成事件特征文本；得到历史事件特征文本集；
基于Doc2Vec模型进行事件特征文本语义特征的提取，将文本信息转换为实数向量信息；
基于t-SNE方法对特征向量进行降维；
在每个维度按照min-max进行放缩，放缩到(0,1)；
进一步的，所述文本向量特征聚类步骤具体包括：基于得到的事件特征矩阵进行聚类，从而实现对历史事件的分类；使用基于密度的Mean Shift聚类方法进行聚类。
基于Silverman's rule计算影响模型搜索半径的带宽参数h：
其中，std(x)表示特征向量两两之间的欧氏距离的标准差，IQR表示特征向量两两之间的欧氏距离的四分位距；
⑦定义访问次数矩阵An×n＝{aij}，其中aij表示v′i对聚类j的访问次数。
⑧执行Mean Shift过程：
g.任意选择一个数据点v′k作为起始点；
带宽内每个点对聚类k访问次数加1；
基于欧式距离，在带宽内计算vk的密度梯度向量grad(v′k)，表示在该点周围不同方向上的密度变化；
将点移动到密度梯度最大的方向上一小步，设定步长为0.01；
循环进行上述过程，直到移动距离小于阈值(0.001)；
h.记录此时v′k的位置，若与现有聚类中心距离大于阈值，作为聚类中心；
i.循环上述过程a～b，直到访问每个点；
⑨根据访问次数矩阵，将点归类于访问次数最多的类。
进一步的，所述综合评价模型具体包括：
指标数据获取、清洗；
基于线性回归模型进行权重分配：
e.建立线性回归模型：
R＝w0+w1x1+w2x2+w3x3+w4x4
其中，R是各项指标排名的名次之和，x1～x4分别代表4项指标值；
f.基于最小二乘法求解权重W＝(w0,w1,w2,w3,w4)；
计算R′：对每个事件处理人员，基于得到的同类事件，收集各项指标值X′＝(1,x1,x2,x3,x4)，根据②中得到的权重计算：
R′＝WX′T；
对R′放缩：按照min-max对可能的R情况在(0,0.6)进行放缩，其中：min＝4*1，min情况表示四项指标全是第一名，max＝4*N，N为参与评分人数，max情况表示四项指标全是最后一名，得到R′0；
计算综合评分S＝(1-R′0)*100％。
一种基于任一项所述系统的反诈志愿者智能匹配方法，其包括以下步骤；
服务器接收求助者经基于NB-IoT的无线通信模块发送的求助信息；根据人员事件智能匹配模型，根据所述求助信息判定所述求助者需要的志愿者类别；结合事件知识手册，根据预先设定的志愿者判别分类规则以及所述志愿者类别在志愿者信息库内匹配反诈志愿者,根据人员管理和组织管理模块得到匹配的反诈志愿者；根据区域管理模块转发求助信息至所述匹配的志愿者的终端进行处理。
为了解决问题1，如图2所示，解决的方法/思路：知识底座将工作人员统一管理，并按照场景业务处理流程为各个场景设计对应角色，每个角色有不同的权限，然后将人员分配到各角色组，以便工作合理分配提高场景业务处理效率和成效。利用权限规则模块，在上下级管理中，上级部门有更高权限查看下级部门的数据。
为了解决问题2，如图3所示，解决的方法/思路：知识底座将反诈场景的上门劝阻流程进行梳理并管理，明确每个事件类型，不同场景下的上面劝阻具体流程，如学生类的事件可优先安排学校内教师进行劝阻，年纪较大的可优先安排社区网格员上门劝阻，公司白领类可优先安排志愿者上门劝阻，另金额较大的或多次预警的事件需民警上门劝阻，这样可以清晰地明确整个流程，为后续的管理和优化提供基础。通过流程引擎实现了上门劝阻流程的可视化和可编辑化。流程引擎可以将流程图形化展示出来，让用户可以清晰地看到每个步骤和环节的顺序和关系。同时，用户也可以通过流程引擎进行编辑，根据实际需要进行流程的调整和优化。
为了解决问题3，如图4所示，解决的解决的方法/思路：知识底座可以收集和梳理反诈场景中的事件信息，包括受害人信息、诈骗类型、地域、时间等。这些信息可以用于后续的分析和筛选。基于收集到的事件信息，知识底座可以进行反诈类型的分析。通过对不同诈骗类型的分析，可以了解各类型诈骗的特点、常见手法和应对策略。这有助于为上门劝阻人员的筛选提供依据。根据事件信息和反诈类型的分析结果，知识底座可以进行上门劝阻人员的筛选。根据不同反诈类型的特点和要求，可以设定一系列筛选条件，例如经验、专业背景、地域等。通过筛选，可以得到符合条件的最优处理人员名单。知识底座可以根据上门劝阻人员的筛选结果，提供最优处理人员名单。这个名单可以供劝阻任务发布人员选择，以确保每个任务都能分配给最适合的人员进行处理。任务发布人员可以根据任务的特点和要求，参考最优处理人员名单，选择最合适的人员进行劝阻任务的分配。
为了解决问题4，如图5所示，解决的方法/思路：知识底座系统不仅能够沉淀反诈知识，还能够有效管理反诈事件的反馈和数据。在劝阻事件的全流程中，事件的基本信息、上门劝阻信息，包括当事人信息、劝阻人员录音或拍摄的视频以及最终劝阻的反馈信息均会同步至知识底座。因此知识底座还具备对历史事件的统计分析和查询功能。通过对历史事件的统计分析，可以了解劝阻工作的整体情况，包括劝阻次数、成功率、诈骗手段的频率等。这些数据可以帮助反诈部门评估反诈工作的效果和问题，并为制定更加有效的反诈策略提供数据支持。同时，知识底座还提供了查询历史事件明细的功能，工作人员可以根据需要查找特定的事件和相关信息。
为了解决问题5，如图6所示，解决的方法/思路：知识底座可以用来沉淀反诈知识，形成反诈知识库，提高劝阻的成功率和反诈宣传的效果。在知识底座中通过两个板块进行宣传和指导，在知识宣传板块，展示常见诈骗手段、真实案例和警方防骗提示等内容，列举各种常见的诈骗手段，如电话诈骗、网络诈骗、短信诈骗等，并详细介绍每种手段的特点和常用手法。例如，在电话诈骗中，诈骗分子常常冒充公安、银行工作人员等身份，采用威胁、恐吓、欺骗等手段骗取受害人的钱财。同时上门劝阻人员可针对当前的事件查看具体的劝阻剧本，定向指导上门劝阻人员。知识底座将形成一个全面的反诈知识库，为劝阻人员提供丰富的信息和工具，帮助他们更好地开展反诈工作
优选的，还包括一种反诈志愿者智能匹配方法，其包括以下步骤；
服务器接收求助者经基于NB-IoT的无线通信模块发送的求助信息；根据应用场景管理模块，根据所述求助信息判定所述求助者需要的志愿者类别；结合事件知识手册，根据预先设定的志愿者判别分类规则以及所述志愿者类别在志愿者信息库内匹配反诈志愿者,根据人员管理和组织管理模块得到匹配的反诈志愿者；根据区域管理模块转发求助信息至所述匹配的志愿者的终端进行处理。
优选的，所述服务器接收求助者经基于NB-IoT的无线通信模块发送的求助信息之前，还包括：接收志愿者的终端经基于NB-IoT的无线通信模块发送的签到信息；将发送签到信息的志愿者的信息整理到志愿者信息库内。
优选的，所述基于NB-IoT的无线通信模块为在所述求助者附近读取或接收求助者的终端内信息的基于NB-IoT的无线通信模块，当所述基于NB-IoT的无线通信模块接收到求助信息后则发出提示音。
优选的，所述所述转发求助信息至所述匹配的志愿者的终端的步骤包括：判断反诈志愿者是否处于求助者所在的景区内；若不在，则通过无线通信网络通知反诈志愿者；若在，则通过其就近的NB-IoT通知反诈志愿者。
优选的，所述根据预设规则以及所述志愿者类别在志愿者信息库内匹配志愿者包括：根据反诈志愿者类别在志愿者信息库内筛选出符合条件的反诈志愿者；在所述符合条件的反诈志愿者中查找是否有志愿者在设定范围内，若是则选择距离所述求助者最近的反诈志愿者作为匹配对象；若否，则在志愿者信息库内筛选出与所述反诈志愿者类别相近类别的志愿者，并在所述设定范围内选择距离所述求助者最近的志愿者作为匹配对象。
优选的，本发明的人员事件智能匹配模型为：
事件特征聚类
事件特征提取：平台接收到事件处理请求时，包含事件特征信息的包括描述内容、事件类型、小类名称、发生时间、所属镇/街等字段。我们基于这些数据，将文本转换为多维的事件特征向量。
1)针对每个事件的事件类型、小类名称、发生时间、所属镇/街，修改为“事件的”+“事件类型/小类名称/发生时间/所属镇/街”+“是XXXX”的句式，用逗号与事件内容描述拼接在一起，形成事件特征文本。得到历史事件特征文本集W＝{w1,w2,…,wn}，其中wi表示第i个事件的事件特征文本；
2)基于Doc2Vec模型进行事件特征文本语义特征的提取，将文本信息转换为实数向量信息。Doc2Vec是一种基于神经网络的文本嵌入模型，用于将文档映射到连续的向量空间中，以捕获文档之间的语义关系。Doc2Vec的计算能够将词汇和文档都转换为实数域的文档向量，并在在向量空间中保留语义相似性。经过模型计算，得到事件特征矩阵Vn×200＝(v1,v2,…,vn)T,i＝1,2,…,n，其中vi是第i个事件的文档向量，维度为200维；
3)基于t-SNE方法对特征向量进行降维。在2)中得到的文档向量维度较高，这会导致向量代表的数据点在高维空间中的分布较为稀疏，影响后续聚类效果。因此，我们使用t-SNE方法对文档向量进行降维，得到降维后的事件特征矩阵V′n×6＝(v′1,v′2,…,v′n)T,i＝1,2,…,n；
4)将V′中的向量，在每个维度按照min-max进行放缩，放缩到(0,1)；
文本向量特征聚类
在这部分，我们需要基于3.1.1中得到的事件特征矩阵进行聚类，从而实现对历史事件的分类。因为无法确切地知道聚类的个数，而且特征向量的维度仍然较高，所以我们使用基于密度的Mean Shift聚类方法进行聚类。
⑩基于Silverman's rule计算影响模型搜索半径的带宽参数h：
其中，std(x)表示特征向量两两之间的欧氏距离的标准差，IQR表示特征向量两两之间的欧氏距离的四分位距；
定义访问次数矩阵An×n＝{aij}，其中aij表示v′i对聚类j的访问次数。
执行Mean Shift过程：
j.任意选择一个数据点v′k作为起始点；
带宽内每个点对聚类k访问次数加1；
基于欧式距离，在带宽内计算vk的密度梯度向量grad(v′k)，表示在该点周围不同方向上的密度变化；
将点移动到密度梯度最大的方向上一小步(设定步长为0.01)；
循环进行上述过程，直到移动距离小于阈值(0.001)；
k.记录此时v′k的位置，若与现有聚类中心距离大于阈值，作为聚类中心；
l.循环上述过程a～b，直到访问每个点；
根据访问次数矩阵，将点归类于访问次数最多的类；
处理人员能力综合评价
指标设计
为了对处理人员处理事件的能力进行评价，我们从系统监控数据出发，设立4个指标：
事件处理平均总耗时：人员处理该类事件从到达现场开始处理到事件处理全部结束耗时的近50起事件的平均值，单位为小时；
事件处理到场时间：人员接收到事件处理委派任务到达现场开始处理的近50起事件的平均值，单位为小时；
当事人满意率：处理近50起事件中，回访当事人结果为满意的事件比例；
处理成功率：处理近50起事件中，回访当事人结果为已解决问题且未就同一事件再次提交处理请求的事件比例；
综合评价模型
综合考虑以上指标，按照如下的步骤，计算处理人员综合评价分数：
指标数据获取、清洗；
基于线性回归模型进行权重分配：
g.建立线性回归模型：
R＝w0+w1x1+w2x2+w3x3+w4x4
其中，R是各项指标排名的名次之和，x1～x4分别代表3.2.1中的4项指标值；
h.基于最小二乘法求解权重W＝(w0,w1,w2,w3,w4)；
计算R′：对每个事件处理人员，基于3.1中得到的同类事件，收集3.2.1中的各项指标值X′＝(1,x1,x2,x3,x4)，根据②中得到的权重计算：
R′＝WX′T；
对R′放缩：按照min-max对可能的R情况在(0,0.6)进行放缩，其中：min＝4*1(min情况表示四项指标全是第一名)，max＝4*N(N为参与评分人数，max情况表示四项指标全是最后一名)，得到R′0；
计算综合评分S＝(1-R′0)*100％
事件处理人员自动推荐
事件发生时，按照3.1中的分类对事件进行归类后，依据一般原则+特殊原则进行推荐，其中特殊原则互不冲突，特殊原则优先度大于一般原则。
一般原则：处理该类事件历史情况评分高者优先推荐；
特殊原则：多事件同时发生时，按照处理人员总分最高的原则进行推荐；
空闲处理人员评分均低于阈值(默认70分)时，优先推荐未处理过该类事件的人员(或者处理5次及以下)，推荐次序按照处理所有事件分数由高到低。
一种电子设备，其包括存储器、处理器及存储在所述存储器上并可在所述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任一项所述反诈志愿者智能匹配方法。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (10)

1.一种反诈志愿者智能匹配系统，其特征在于，包括：人员事件智能匹配模型、登录模块、应用场景管理模块、流程引擎、事件知识手册、要素总览模块、人员管理和组织管理模块、区域管理模块、事件管理模块和设备管理模块，其中，求助者登录模块用于求助者进行登录并发送求助信息给服务器，服务器根据求助信息类别进行判定并分发给志愿者进行处理；应用场景管理模块用于定义和管理不同的事件场景，包括对场景的命名、描述和设置；流程引擎是用于在不同的应用场景中，根据事件的类型、等级和时间多维度条件，同时结合实际业务的需求，输出相关的数据，包括人、事件、区域、物和组织；输出的结果数据将支撑上层应用中的事件流转和处置；事件知识手册模块用于存储和管理事件相关的知识和经验，包括事件的处理流程、常见问题和解决方法；要素总览模块通过数据可视化的方式，形成要素一张图，其中包括人、事件、区域、物和组织，同时根据不同的上层应用，展示相对应的要素信息；人员管理和组织管理模块用于管理系统中的人员和组织结构，包括对人员信息、权限分配和组织架构的管理；区域管理模块用于定义和管理事件发生的区域范围，包括区域的划分、命名和描述；事件管理模块用于对事件的创建、分配、处理和跟踪全过程管理；设备管理模块用于管理系统中的各类设备，包括设备的注册、配置和监控；人员事件智能匹配模型，包括事件特征聚类模块、处理人员能力综合评价模块及事件处理人员自动推荐模块，所述事件特征聚类模块包括：事件特征提取步骤及文本向量特征聚类步骤；所述处理人员能力综合评价模块包括指标设计步骤及综合评价模型；事件发生时，按照分类对事件进行归类后，依据一般原则+特殊原则进行推荐，其中特殊原则互不冲突，特殊原则优先度大于一般原则。
2.根据权利要求1所述的一种反诈志愿者智能匹配系统，其特征在于，所述事件特征提取步骤具体包括：
形成事件特征文本；得到历史事件特征文本集；
基于Doc2Vec模型进行事件特征文本语义特征的提取，将文本信息转换为实数向量信息；
基于t-SNE方法对特征向量进行降维；
在每个维度按照min-max进行放缩，放缩到(0,1)。
3.根据权利要求1所述的一种反诈志愿者智能匹配系统，其特征在于，所述文本向量特征聚类步骤具体包括：基于得到的事件特征矩阵进行聚类，从而实现对历史事件的分类；使用基于密度的Mean Shift聚类方法进行聚类。
基于Silverman's rule计算影响模型搜索半径的带宽参数h：
其中，std(x)表示特征向量两两之间的欧氏距离的标准差，IQR表示特征向量两两之间的欧氏距离的四分位距；
①定义访问次数矩阵An×n＝{aij}，其中aij表示v′i对聚类j的访问次数。
②执行Mean Shift过程：
a.任意选择一个数据点v′k作为起始点；
带宽内每个点对聚类k访问次数加1；
基于欧式距离，在带宽内计算vk的密度梯度向量grad(v′k)，表示在该点周围不同方向上的密度变化；
将点移动到密度梯度最大的方向上一小步，设定步长为0.01；
·循环进行上述过程，直到移动距离小于阈值(0.001)；
b.记录此时v′k的位置，若与现有聚类中心距离大于阈值，作为聚类中心；
c.循环上述过程a～b，直到访问每个点；
③根据访问次数矩阵，将点归类于访问次数最多的类。
4.根据权利要求1所述的一种反诈志愿者智能匹配系统，其特征在于，所述综合评价模型具体包括：
①指标数据获取、清洗；
②基于线性回归模型进行权重分配：
a.建立线性回归模型：
R＝w0+w1x1+w2x2+w3x3+w4x4
其中，R是各项指标排名的名次之和，x1～x4分别代表4项指标值；
b.基于最小二乘法求解权重W＝(w0,w1,w2,w3,w4)；
③计算R′：对每个事件处理人员，基于得到的同类事件，收集各项指标值X′＝(1,x1,x2,x3,x4)，根据②中得到的权重计算：
R′＝WX′T；
④对R′放缩：按照min-max对可能的R情况在(0,0.6)进行放缩，其中：min＝4*1，min情况表示四项指标全是第一名，max＝4*N，N为参与评分人数，max情况表示四项指标全是最后一名，得到R′0；
⑤计算综合评分S＝(1-R′0)*100％。
5.一种基于权利要求1-4任一项所述系统的反诈志愿者智能匹配方法，其特征在于，包括以下步骤；
服务器接收求助者经基于NB-IoT的无线通信模块发送的求助信息；根据人员事件智能匹配模型，根据所述求助信息判定所述求助者需要的志愿者类别；结合事件知识手册，根据预先设定的志愿者判别分类规则以及所述志愿者类别在志愿者信息库内匹配反诈志愿者,根据人员管理和组织管理模块得到匹配的反诈志愿者；根据区域管理模块转发求助信息至所述匹配的志愿者的终端进行处理。
6.根据权利要求5所述的一种反诈志愿者智能匹配方法，其特征在于，所述服务器接收求助者经基于NB-IoT的无线通信模块发送的求助信息之前，还包括：接收志愿者的终端经基于NB-IoT的无线通信模块发送的签到信息；将发送签到信息的志愿者的信息整理到志愿者信息库内。
7.根据权利要求6所述的一种反诈志愿者智能匹配方法，其特征在于，所述基于NB-IoT的无线通信模块为在所述求助者附近读取或接收求助者的终端内信息的基于NB-IoT的无线通信模块，当所述基于NB-IoT的无线通信模块接收到求助信息后则发出提示音。
8.根据权利要求5所述的一种反诈志愿者智能匹配方法，其特征在于，所述所述转发求助信息至所述匹配的志愿者的终端的步骤包括：判断反诈志愿者是否处于求助者所在的景区内；若不在，则通过无线通信网络通知反诈志愿者；若在，则通过其就近的NB-IoT通知反诈志愿者。
9.根据权利要求5所述的一种反诈志愿者智能匹配方法，其特征在于，
所述根据预设规则以及所述志愿者类别在志愿者信息库内匹配志愿者包括：
根据反诈志愿者类别在志愿者信息库内筛选出符合条件的反诈志愿者；在所述符合条件的反诈志愿者中查找是否有志愿者在设定范围内，若是则选择距离所述求助者最近的反诈志愿者作为匹配对象；若否，则在志愿者信息库内筛选出与所述反诈志愿者类别相近类别的志愿者，并在所述设定范围内选择距离所述求助者最近的志愿者作为匹配对象。
10.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述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权利要求5至9任一项所述反诈志愿者智能匹配方法。
CN202410364585.9A 2024-03-28 2024-03-28 一种反诈志愿者智能匹配系统、方法及设备 Active CN118469170B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410364585.9A CN118469170B (zh) 2024-03-28 2024-03-28 一种反诈志愿者智能匹配系统、方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410364585.9A CN118469170B (zh) 2024-03-28 2024-03-28 一种反诈志愿者智能匹配系统、方法及设备

Publications (2)

Publication Number Publication Date
CN118469170A true CN118469170A (zh) 2024-08-09
CN118469170B CN118469170B (zh) 2025-03-11

Family

ID=92151995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410364585.9A Active CN118469170B (zh) 2024-03-28 2024-03-28 一种反诈志愿者智能匹配系统、方法及设备

Country Status (1)

Country Link
CN (1) CN118469170B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108391230A (zh) * 2018-02-26 2018-08-10 深圳市沃特沃德股份有限公司 志愿者匹配方法及服务器
CN115048379A (zh) * 2022-06-13 2022-09-13 深圳市永兴元科技股份有限公司 统计方法、终端设备及计算机可读存储介质
CN115146062A (zh) * 2022-07-07 2022-10-04 上海金融期货信息技术有限公司 融合专家推荐与文本聚类的智能事件分析方法和系统
CN116579567A (zh) * 2023-05-22 2023-08-11 中国标准化研究院 一种科技志愿者组织管理方法及装置
CN117455498A (zh) * 2023-12-18 2024-01-26 廊坊博联科技发展有限公司 一种反电信网络诈骗智能劝阻系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108391230A (zh) * 2018-02-26 2018-08-10 深圳市沃特沃德股份有限公司 志愿者匹配方法及服务器
CN115048379A (zh) * 2022-06-13 2022-09-13 深圳市永兴元科技股份有限公司 统计方法、终端设备及计算机可读存储介质
CN115146062A (zh) * 2022-07-07 2022-10-04 上海金融期货信息技术有限公司 融合专家推荐与文本聚类的智能事件分析方法和系统
CN116579567A (zh) * 2023-05-22 2023-08-11 中国标准化研究院 一种科技志愿者组织管理方法及装置
CN117455498A (zh) * 2023-12-18 2024-01-26 廊坊博联科技发展有限公司 一种反电信网络诈骗智能劝阻系统及方法

Also Published As

Publication number Publication date
CN118469170B (zh) 2025-03-11

Similar Documents

Publication Publication Date Title
Neelam et al. A scientometric review of global research on smart disaster management
Mergel Big data in public affairs education
Yabe et al. A framework for evacuation hotspot detection after large scale disasters using location data from smartphones: case study of kumamoto earthquake
CN112925899B (zh) 排序模型建立方法、案件线索推荐方法、装置及介质
CN113762703A (zh) 确定企业画像的方法和装置、计算设备和存储介质
CN117273429A (zh) 事件监测方法、系统、电子设备及存储介质
CN112330227A (zh) 基于数字化城管业务构建的城市管理能力评价方法和系统
CN114881508A (zh) 一种电网指标报表的数据处理方法、装置及设备
CN115809256B (zh) 治安管理综合信息系统和可视化展示方法
Zhang et al. Snaf: Observation filtering and location inference for event monitoring on twitter
CN113076308A (zh) 一种时空大数据服务系统
Zhou [Retracted] Application of Data Mining Technology in Enterprise Digital Human Resource Management
CN112862598A (zh) 渠道信息管理方法、装置、电子设备及介质
CN118469170A (zh) 一种反诈志愿者智能匹配系统、方法及设备
CN110019237A (zh) 一种基于地图分析罪犯行踪的系统及方法
CN111858598A (zh) 一种海量数据综合管理系统与方法
CN113971213A (zh) 智慧城市管理公共信息共享系统
Johannessen et al. A survey on smart cities, big data, analytics, and smart decision-making–Towards an analytical framework for decision-making in smart cities
Ronsivalle et al. A prototype model of georeferencing the inherent risk of contagion from COVID-19
CN116737863B (zh) 一种基于政务数据空间化的方法和系统
CN116485143B (zh) 基于人口密度大数据的空间规划处理方法
Tseng et al. Investigating Relationships between Built Environment and Urban Resilience: A Case Study of Singapore
US20230376651A1 (en) Generating weather simulations based on significant events
Nair et al. Mining frequent patterns with generalized linear model for traffic density analysis
Liu Intelligent community management system based on big data technology

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
CB03 Change of inventor or designer information

Inventor after: Chen Yi

Inventor after: Yang Kang

Inventor after: Yang Hua

Inventor after: Liao Fei

Inventor after: Bao Anzhi

Inventor after: Jia Yu

Inventor before: Liao Fei

Inventor before: Yang Kang

Inventor before: Yang Hua

Inventor before: Chen Yi

Inventor before: Bao Anzhi

Inventor before: Jia Yu

CB03 Change of inventor or designer information