CN113342978A - 一种城市事件处理方法及装置 - Google Patents
一种城市事件处理方法及装置 Download PDFInfo
- Publication number
- CN113342978A CN113342978A CN202110699295.6A CN202110699295A CN113342978A CN 113342978 A CN113342978 A CN 113342978A CN 202110699295 A CN202110699295 A CN 202110699295A CN 113342978 A CN113342978 A CN 113342978A
- Authority
- CN
- China
- Prior art keywords
- city
- event
- city event
- candidate keyword
- text
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 29
- 210000001503 joint Anatomy 0.000 claims abstract description 6
- 238000013145 classification model Methods 0.000 claims description 35
- 239000013598 vector Substances 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000008451 emotion Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010041349 Somnolence Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种城市事件处理方法、装置、电子设备及机器可读存储介质,应用于城市管理***;所述城市管理***与至少一个城市事件监测***对接;所述方法包括:获取城市事件监测***监测到的城市事件的文本数据,并从所述文本数据中提取文本关键词;分别计算目标候选关键词集合中的每个候选关键词与所述文本关键词之间的语义相似度;其中,不同的候选关键词集合对应不同的城市事件级别;所述城市事件级别用于指示城市事件的紧急程度;如果所述目标候选关键词集合中的至少一个候选关键词与所述文本关键词之间的语义相似度超过预设阈值,则将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别。
Description
技术领域
本申请涉及城市事件智能处理技术领域,尤其涉及一种城市事件处理方法、装置、电子设备及机器可读存储介质。
背景技术
目前,城市智能治理平台可以实现对接入的城市事件进行统一管理、智能分拨、协同处置等功能。具体地,在城市智能治理平台接入城市事件之后,可以由值守的工作人员针对已接入的城市事件的紧急程度和事件类型进行判断,为城市事件设置对应的事件级别,并结合预先设置的部门职责分工、管辖范围等因素,将该城市事件分拨给相关部门进行处理。
由此可见,人工处理已接入的城市事件,不仅需要耗费大量人力和时间成本,而且工作人员的知识储备、主观判断等因素,会导致城市事件的处理结果的准确率无法得到保证;另外,当城市智能治理平台在短时间内接入大量城市事件时,值守的工作人员可能无法及时处理完成,导致其中的紧急事件或重大事件被延误处理。
发明内容
本申请提供一种城市事件处理方法,应用于城市管理***;所述城市管理***与至少一个城市事件监测***对接;所述方法包括:
获取城市事件监测***监测到的城市事件的文本数据,并从所述文本数据中提取文本关键词;
分别计算目标候选关键词集合中的每个候选关键词与所述文本关键词之间的语义相似度;其中,不同的候选关键词集合对应不同的城市事件级别;所述城市事件级别用于指示城市事件的紧急程度;
如果所述目标候选关键词集合中的至少一个候选关键词与所述文本关键词之间的语义相似度超过预设阈值,则将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别。
可选的,所述方法还包括:
从样本城市事件的文本数据中提取样本文本关键词;
分别计算预设的业务关键词与所述样本文本关键词之间的语义相似度;其中,不同的业务关键词对应不同的城市事件级别;
如果所述业务关键词与所述样本文本关键词之间的语义相似度超过预设阈值,则将所述业务关键词和所述样本文本关键词,确定为与所述业务关键词对应的城市事件级别对应的候选关键词集合中的候选关键词。
可选的,所述分别计算目标候选关键词集合中的每个候选关键词与所述文本关键词之间的语义相似度,包括:
获取与所述目标候选关键词集合中的每个候选关键词对应的词向量,以及与所述文本关键词对应的词向量;
分别计算与所述每个候选关键词对应的词向量、和与所述文本关键词对应的词向量之间的语义相似度。
可选的,所述如果所述目标候选关键词集合中的至少一个候选关键词与所述文本关键词之间的语义相似度超过预设阈值,则将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别,包括:
如果所述目标候选关键词集合中的任一候选关键词与所述文本关键词之间的语义相似度超过预设阈值,则将与所述目标候选关键词集合对应的城市事件级别对应的计数值递增;
如果所述计数值超过预设数量,则将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别。
可选的,在将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别之前,还包括:
将所述城市事件的文本数据输入预训练的分类模型进行分类计算;其中,所述分类模型包括基于若干被标记了城市事件级别的样本城市事件的文本数据,进行训练而得到的机器学习模型;
获取所述分类模型输出的分类结果;所述分类结果包括所述城市事件的城市事件级别为与所述目标候选关键词集合对应的城市事件级别的预测概率;
所述将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别,包括:
按照预设权重,分别计算与所述目标候选关键词集合对应的城市事件级别对应的所述计数值与所述预测概率的加权之和;
如果所述加权之和超过预设阈值,则将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别。
可选的,所述分类模型包括ALBERT模型。
可选的,所述城市事件的文本数据中,包括与监测到所述城市事件的城市事件监测***对应的部门标识;其中,不同的城市事件监测***对应不同的部门。
本申请还提供一种城市事件处理装置,应用于城市管理***;所述城市管理***与至少一个城市事件监测***对接;所述装置包括:
获取单元,用于获取城市事件监测***监测到的城市事件的文本数据,并从所述文本数据中提取文本关键词;
计算单元,用于分别计算目标候选关键词集合中的每个候选关键词与所述文本关键词之间的语义相似度;其中,不同的候选关键词集合对应不同的城市事件级别;所述城市事件级别用于指示城市事件的紧急程度;
级别确定单元,用于如果所述目标候选关键词集合中的至少一个候选关键词与所述文本关键词之间的语义相似度超过预设阈值,则将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别。
可选的,所述装置还包括集合确定单元,用于:
从样本城市事件的文本数据中提取样本文本关键词;
分别计算预设的业务关键词与所述样本文本关键词之间的语义相似度;其中,不同的业务关键词对应不同的城市事件级别;
如果所述业务关键词与所述样本文本关键词之间的语义相似度超过预设阈值,则将所述业务关键词和所述样本文本关键词,确定为与所述业务关键词对应的城市事件级别对应的候选关键词集合中的候选关键词。
可选的,所述计算单元,具体用于:
获取与所述目标候选关键词集合中的每个候选关键词对应的词向量,以及与所述文本关键词对应的词向量;
分别计算与所述每个候选关键词对应的词向量、和与所述文本关键词对应的词向量之间的语义相似度。
可选的,所述级别确定单元,具体用于:
如果所述目标候选关键词集合中的任一候选关键词与所述文本关键词之间的语义相似度超过预设阈值,则将与所述目标候选关键词集合对应的城市事件级别对应的计数值递增;
如果所述计数值超过预设数量,则将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别。
可选的,所述装置还包括分类单元,用于:
将所述城市事件的文本数据输入预训练的分类模型进行分类计算;其中,所述分类模型包括基于若干被标记了城市事件级别的样本城市事件的文本数据,进行训练而得到的机器学习模型;
获取所述分类模型输出的分类结果;所述分类结果包括所述城市事件的城市事件级别为与所述目标候选关键词集合对应的城市事件级别的预测概率;
所述级别确定单元,具体用于:
按照预设权重,分别计算与所述目标候选关键词集合对应的城市事件级别对应的所述计数值与所述预测概率的加权之和;
如果所述加权之和超过预设阈值,则将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别。
可选的,所述分类模型包括ALBERT模型。
可选的,所述城市事件的文本数据中,包括与监测到所述城市事件的城市事件监测***对应的部门标识;其中,不同的城市事件监测***对应不同的部门。
本申请还提供一种电子设备,包括通信接口、处理器、存储器和总线,所述通信接口、所述处理器和所述存储器之间通过总线相互连接;
所述存储器中存储机器可读指令,所述处理器通过调用所述机器可读指令,执行上述方法。
本申请还提供一种机器可读存储介质,所述机器可读存储介质存储有机器可读指令,所述机器可读指令在被处理器调用和执行时,实现上述方法。
通过以上实施例,由于目标候选关键词集合中的至少一个候选关键词,与从监测到的城市事件的文本数据中提取的文本关键词之间的语义相似度超过预设阈值时,可以将与目标候选关键词集合对应的城市事件级别,确定为监测到的城市事件的城市事件级别;因此,城市管理***基于候选关键词集合,通过计算候选关键词与文本关键词之间的语义相似度,可以自动地判断监测到的城市事件的紧急程度(即确定城市事件级别),从而辅助或代替工作人员进行城市事件处理,减少人力成本和时间成本;还可以保证其中的紧急事件或重大事件被及时处理,避免出现漏判或延误,从而提升城市管理***的工作效率。
附图说明
图1是一示例性的实施例示出的一种城市事件处理方法的流程图;
图2是一示例性的实施例示出的一种城市事件处理装置所在电子设备的硬件结构图;
图3是一示例性的实施例示出的一种城市事件处理装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
目前,在城市智能治理平台接入城市事件之后,值守的工作人员可以针对已接入的城市事件的紧急程度和事件类型进行判断,为城市事件设置对应的事件级别;进一步地,可以由工作人员将城市事件分拨给相关部门进行处理,也可以由城市智能治理平台根据上述事件类型、事件级别、以及预先设置的部门职责分工、管辖范围等,自动将城市事件分拨给相关部门进行处理。
由此可见,人工处理已接入的城市事件,不仅需要耗费大量人力和时间成本,而且工作人员的知识储备、主观判断等因素,会导致城市事件的处理结果的准确率无法得到保证;另外,当城市智能治理平台在短时间内接入大量城市事件时,值守的工作人员可能无法及时处理完成,导致其中的紧急事件或重大事件被延误处理。
有鉴于此,本说明书旨在提出一种从城市事件的文本数据中提取文本关键词,并基于与不同的城市事件级别对应的不同的候选关键词集合,计算候选关键词与文本关键词之间的语义相似度,来确定监测到的城市事件的城市事件级别的技术方案。
在实现时,城市管理***与至少一个城市事件监测***对接;上述城市管理***可以获取城市事件监测***监测到的城市事件的文本数据,并从上述文本数据中提取文本关键词;
进一步地,上述城市管理***可以分别计算目标候选关键词集合中的每个候选关键词与上述文本关键词之间的语义相似度;其中,不同的候选关键词集合对应不同的城市事件级别;上述城市事件级别用于指示城市事件的紧急程度;如果上述目标候选关键词集合中的至少一个候选关键词与上述文本关键词之间的语义相似度超过预设阈值,则将与上述目标候选关键词集合对应的城市事件级别,确定为上述城市事件的城市事件级别。
由此可见,在本说明书中的技术方案中,由于目标候选关键词集合中的至少一个候选关键词,与从监测到的城市事件的文本数据中提取的文本关键词之间的语义相似度超过预设阈值时,可以将与目标候选关键词集合对应的城市事件级别,确定为监测到的城市事件的城市事件级别;因此,城市管理***可以基于候选关键词集合,通过计算候选关键词与文本关键词之间的语义相似度,可以自动地判断监测到的城市事件的紧急程度(即确定城市事件级别),从而辅助或代替工作人员进行城市事件处理,减少人力成本和时间成本;还可以保证其中的紧急事件或重大事件被及时处理,避免出现漏判或延误,从而提升城市管理***的工作效率。
下面通过具体实施例,并结合具体的应用场景对本申请进行描述。
请参见图1,图1是一示例性的实施例示出的一种城市事件处理方法的流程图;上述方法应用于城市管理***,上述方法执行以下步骤:
步骤102:获取城市事件监测***监测到的城市事件的文本数据,并从上述文本数据中提取文本关键词;
步骤104:分别计算目标候选关键词集合中的每个候选关键词与上述文本关键词之间的语义相似度;其中,不同的候选关键词集合对应不同的城市事件级别;上述城市事件级别用于指示城市事件的紧急程度;
步骤106:如果上述目标候选关键词集合中的至少一个候选关键词与上述文本关键词之间的语义相似度超过预设阈值,则将与上述目标候选关键词集合对应的城市事件级别,确定为上述城市事件的城市事件级别。
在本说明书中,上述城市事件,可以包括人的行为活动或自然因素导致城市的市容环境或社会秩序受到影响的事件。
在实际应用中,上述城市事件可以分为不同的事件类型;例如,根据城市事件的事件内容,城市事件可以分为市容环境、宣传广告、施工管理、突发事件、街面秩序、其他事件等事件类型。
另外,在实际应用中,上述城市事件还可以分为不同的城市事件级别;例如,根据城市事件的紧急程度,城市事件可以分为特别重大事故、重大事故、较大事故、一般事故、非事故等级别;又例如,可以用数字表示城市事件的紧急程度,将其分为1级、2级、3级、4级、0级等。
在本说明书中,上述城市事件监测***可以用于监测城市事件。
在实际应用中,上述城市事件监测***可以通过视频监控、网络数据抓取、卫星遥感等方式,来获取城市事件数据,进一步地,当获取到的城市事件数据符合预设条件时,上述城市事件检测***可以监测到城市事件。
例如,与交通部门对应的城市事件监测***,可以通过摄像头实时拍摄并得到城市道路的监控图像,还可以根据监控图像分析当前路况,如果路况分析结果为出现严重堵塞,则上述城市事件监测***可以自动地监测到对应的交通拥堵事件。
需要说明的是,关于上述城市事件监测***监测城市事件的具体实现方式,以上仅仅是一种示例性的描述,并不对本说明书作限制;在实际应用中,也可以通过人工的方式,在上述城市事件检测***中录入城市事件;例如,交通部门的工作人员可以接听来电,来电的内容为车祸报告时,工作人员可以根据来电内容在与交通部门对应的城市事件监测***中录入对应的车祸事件,此时,也可以认为上述城市事件监测***监测到城市事件。
在本说明书中,上述城市管理***可以用于处理城市事件。
在实际应用中,上述城市管理***可以获取与其对接的城市事件监测***监测到的城市事件;进一步地,可以确定上述城市事件的事件类型或城市事件级别,再将上述城市事件分拨给对应的部门,以使对应的部门实际处理上述城市事件;还可以发起协同处置任务,以使多个部门协作处理上述城市事件。
需要说明的是,在实际应用中,上述城市管理***也可以被称作城市智能治理平台、城市运行数字驾驶舱、城市事件分类派发***等,本说明书不做限制。
在本说明书中,上述城市管理***可以与至少一个城市事件监测***对接;其中,不同的城市事件监测***可以对应不同的部门。
在实际应用中,上述城市管理***可以从对接的至少一个城市事件监测***,获取上述城市事件监测***监测到的城市事件的文本数据,也即,上述城市管理***可以接入多渠道来源的城市事件。
例如,城市管理***可以分别与交通、消防等部门对应的城市事件监测***对接,以获取交通、消防等部门上报的城市事件。
在本说明书中,上述城市管理***可以获取城市事件监测***监测到的城市事件的文本数据。
例如,与城市管理***对接的某一城市事件监测***监测到城市事件时,上述城市管理***可以获取上述城市事件的文本数据。
需要说明的是,在实际应用中,上述城市管理***在获取上述城市事件的文本数据之后,还可以对获取到的文本数据进行文本预处理,本领域技术人员可以根据需求灵活设置,本说明书不做限制;例如,可以对获取到的文本数据进行特殊字符过滤、重复数据删除等文本预先处理操作,还可以根据特殊场景,去除上述文本数据中与固定格式相关的内容,如“报警人称”、“据市民反映”等格式文本。
在本说明书中,上述城市管理***在获取上述监测到的城市事件的文本数据之后,可以从上述文本数据中提取文本关键词。
例如,城市管理***获取到的城市事件的文本数据为“报警人称:在某地点,有一名男子正站在楼顶上,看起来情绪激动”,可以从上述文本数据中提取出文本关键词“某地点”、“楼顶”、“情绪激动”。
需要说明的是,上述文本关键词可以用于表示上述城市事件的文本数据的语义特征,关于从城市事件的文本数据中提取文本关键词的具体实现方式,以上仅仅是一种示例性的描述,本说明书不做限制;在实际应用中,本领域技术人员可以根据需求,灵活选择不同的抽取文本关键词的方法,如Word2Vec词聚类文本关键词抽取方法等。
在本说明书中,可以为上述城市管理***预先配置若干候选关键词集合,每个候选关键词集合中可以包括对应同一城市事件级别的若干候选关键词;其中,不同的候选关键词集合可以对应不同的城市事件级别;上述城市事件级别,可以用于指示城市事件的紧急程度。
例如,按照城市事件的紧急程度,可以将城市事件级别分为重大事件和非重大事件,进一步地,可以为城市管理***预先配置与重大事件对应的候选关键词集合和与非重大事件对应的候选关键词集合;其中,与重大事件对应的候选关键词集合中,可以包括预设的与重大事件对应的候选关键词,如“电梯困人”、“火灾”、“伤亡”、“坍塌”等;与非重大事件对应的候选关键词集合中,可以包括预设的与非重大事件对应的候选关键词,如“垃圾堆放”、“自行车乱停”等。
在本说明书中,上述城市管理***在从上述文本数据中提取文本关键词之后,可以分别计算目标候选关键词集合中的每个候选关键词与上述文本关键词之间的语义相似度。
其中,上述目标候选关键词集合可以包括上述若干候选关键词集合中的任意一个候选关键词集合。具体地,在仅为上述城市管理***配置了一个候选关键词集合时,上述目标候选关键词集合可以为上述预先配置的候选关键词集合;在为上述城市管理***配置了多个候选关键词集合时,上述城市管理***可以将上述多个候选关键词集合依次确定为目标候选关键词集合,也可以按照预设的策略从上述多个候选关键词集合中确定出一个目标候选关键词集合,并针对目标候选关键词集合继续执行上述方法。
例如,目标候选关键词集合为与重大事件对应的候选关键词集合,其中可以包括候选关键词“电梯困人”、“火灾”、“伤亡”、“坍塌”;城市管理***从城市事件的文本数据中提取出文本关键词“某地点”、“楼顶”、“情绪激动”之后,可以分别计算候选关键词“电梯困人”、“火灾”、“伤亡”、“坍塌”与上述文本关键词之间的语义相似度。
在实现时,上述城市管理***分别计算上述目标候选关键词集合中的每个候选关键词与上述文本关键词之间的语义相似度时,具体可以包括:获取与上述目标候选关键词集合中的每个候选关键词对应的词向量,以及与上述文本关键词对应的词向量;进一步地,分别计算与上述每个候选关键词对应的词向量、和与上述文本关键词对应的词向量之间的语义相似度。
例如,城市管理***可以先获取与上述目标候选关键词集合中的候选关键词“电梯困人”、“火灾”、“伤亡”、“坍塌”对应的词向量,以及获取与提取出的文本关键词“某地点”、“楼顶”、“情绪激动”对应的词向量,再分别计算每个候选关键词对应的词向量和每个文本关键词对应的词向量之间的语义相似度。
需要说明的是,关于获取词向量、以及计算词向量之间的语义相似度的具体实现方式,本说明书不做限制,请参见相关技术;例如,可以通过Word2Vec词聚类文本关键词抽取、或者Word Embedding等方式,获取与候选关键词或文本关键词对应的词向量;可以通过计算词向量之间的余弦相似度、欧氏距离、汉明距离等,计算与候选关键词对应的词向量和与文本关键词对应的词向量之间的语义相似度。
为了使本技术领域的人员更好地理解本说明书实施例中的技术方案,下面对本说明书实施例涉及的构建上述候选关键词集合的相关技术,进行简要说明。
在本说明书中,上述候选关键词集合中至少可以包括预设的业务关键词;其中,不同的业务关键词可以对应不同的城市事件级别。
例如,通过业务分析获取到与重大事件对应的业务关键词“电梯困人”、“火灾”、“伤亡”、“坍塌”等之后,可以将上述与重大事件对应的业务关键词确定为与重大事件对应的候选关键词集合中的候选关键词。
在示出的一种实施方式中,上述候选关键词集合中,除了可以包括预设的业务关键词,还可以包括与预设的业务关键词语义相似的样本文本关键词。在实现时,具体可以包括:从样本城市事件的文本数据中提取样本文本关键词;分别计算预设的业务关键词与上述样本文本关键词之间的语义相似度;如果上述业务关键词与上述样本文本关键词之间的语义相似度超过预设阈值,则将上述业务关键词和上述样本文本关键词,确定为与上述业务关键词对应的城市事件级别对应的候选关键词集合中的候选关键词;其中,上述样本城市事件的城市事件级别与上述业务关键词对应的城市事件级别相同。
例如,预设的业务关键词为“伤亡”,对应的城市事件级别为重大事件,则可以从与重大事件对应的样本城市事件的文本数据中提取样本文本关键词,如“人员倒地”、“跳楼”等,并分别计算上述业务关键词“伤亡”与样本文本关键词之间的语义相似度,如果超过阈值,可以将上述业务关键词“伤亡”和语义相似的上述样本文本关键词“人员倒地”、“跳楼”,都确定为与重大事件对应的候选关键词集合中的候选关键词。
又例如,可以从与重大事件对应的样本城市事件的文本数据中提取样本文本关键词,并分别计算上述业务关键词“伤亡”与样本文本关键词之间的语义相似度,将最相似的top N个样本文本关键词确定为与重大事件对应的候选关键词集合中的候选关键词。
需要说明的是,在以上示出的实施方式中,通过将与预设的业务关键词语义相似的样本文本关键词,确定为与上述业务关键词对应的城市事件级别对应的候选关键词集合中的候选关键词,可以增加上述候选关键词集合中的候选关键词和数量,进而可以提高重大事件的召回率。
在本说明书中,如果上述目标候选关键词集合中的至少一个候选关键词与上述文本关键词之间的语义相似度超过预设阈值,则将与上述目标候选关键词集合对应的城市事件级别,确定为上述城市事件的城市事件级别。
例如,目标候选关键词集合为与重大事件对应的候选关键词集合,其中包括候选关键词“电梯困人”、“火灾”、“伤亡”、“坍塌”,从城市事件的文本数据中提取出文本关键词“某地点”、“楼顶”、“情绪激动”,城市管理***可以分别计算上述每个候选关键词与上述每个文本关键词之间的语义相似度,如果候选关键词“伤亡”与至少一个文本关键词之间的语义相似度超过预设阈值,则可以确定上述城市事件的城市事件级别为重大事件。
需要说明的是,关于上述预设阈值的具体大小,本说明书不做限制,本领域技术人员可以根据需求灵活设置;在实际应用中,上述预设阈值越大,上述城市管理***确定的城市事件级别与实际的城市事件级别相同的可能性越大,也即,上述城市管理***处理城市事件的准确率越高;上述预设阈值越小,上述城市管理***基于目标候选关键词集合可以召回的对应级别的城市事件越多,从而避免重大事件被漏报。
另外,需要说明的是,相较于相关技术中直接通过预设的业务关键词来过滤城市事件中的重大事件的技术方案,在以上示出的实施方式中,城市管理***在与重大事件对应的候选关键词与从城市事件的文本数据中提取出的至少一个文本关键词之间的语义相似度超过预设阈值时,可以将监测到的城市事件的城市事件级别确定为重大事件,从而实现将文本数据中包含与候选关键词的语义相同的文本关键词、但不包含候选关键词的城市事件也可以确定为重大事件,提高重大事件的召回率。
在示出的一种实施方式中,在计算候选关键词与上述文本关键词之间的语义相似度超过预设阈值的过程中,上述城市管理***可以统计与不同的城市事件级别对应的计数值,来进一步判断上述城市事件的文本数据与上述目标候选关键词集合的匹配程度。在实现时,如果上述目标候选关键词集合中的任一候选关键词与上述文本关键词之间的语义相似度超过预设阈值,则将与上述目标候选关键词集合对应的城市事件级别对应的计数值递增;如果上述计数值超过预设数量,则将与上述目标候选关键词集合对应的城市事件级别,确定为上述城市事件的城市事件级别。
接着以上示例继续举例说明,如果候选关键词“伤亡”、候选关键词“跳楼”,与文本关键词“楼顶”、文本关键词“情绪”之间的语义相似度超过预设阈值,则分别将与重大事件对应的计数值加1;进一步地,如果与重大事件对应的计数值超过预设数量,则可以确定上述城市事件的城市事件级别为重大事件。
需要说明的是,在以上示出的实施方式中,关于上述预设数量的具体大小,本说明书不做限制,本领域技术人员可以根据需求灵活设置;在实际应用中,上述预设数量越大,上述城市管理***确定的城市事件级别与实际的城市事件级别相同的可能性越大,也即,上述城市管理***处理城市事件的准确率越高。
在示出的另一种实施方式中,除了计算上述候选关键词与上述文本关键词之间的语义相似度之外,上述城市管理***还可以通过预训练的分类模型,预测城市事件的城市事件级别。在实现时,可以将上述城市事件的文本数据输入预训练的分类模型进行分类计算,获取上述分类模型输出的分类结果;其中,上述分类结果包括上述城市事件的城市事件级别为与上述目标候选关键词集合对应的城市事件级别的预测概率。
例如,城市管理***获取到的城市事件的文本数据为“报警人称:在某地点,有一名男子正站在楼顶上,看起来情绪激动”,可以将上述文本数据输入预训练的分类模型,以使上述分类模型针对上述文本数据进行特征提取、编码、分类计算,进一步地,可以获取到上述分类模型输出的分类结果,即上述城市事件的城市事件级别分别为重大事件、非重大事件的预测概率。
在以上示出的实施方式中,进一步地,在获取到上述分类模型输出的分类结果,并且获取到与上述目标候选关键词集合对应的城市事件级别对应的计数值之后,上述城市管理***可以基于上述分类结果和上述计数值,确定上述城市事件的城市事件级别。在实现时,具体可以包括:按照预设权重,分别计算与上述目标候选关键词集合对应的城市事件级别对应的上述计数值与上述预测概率的加权之和;如果上述加权之和超过预设阈值,则将与上述目标候选关键词集合对应的城市事件级别,确定为上述城市事件的城市事件级别。
例如,预先配置计数值的权重为w1,预测概率的权重为w2;城市管理***可以先获取与重大事件对应的计数值a对应的概率值a’,再按照预设权重,计算上述概率值a’、和与重大事件对应的预测概率b的加权之和为a’*w1+b*w2;进一步地,如果计算出的加权之和超过预设阈值,则可以确定上述城市事件的城市事件级别为重大事件。
需要说明的是,在以上示出的实施方式中,由于上述分类模型可以学习到上述城市事件的文本数据中的上下文语义,因此,通过计算上述计数值与上述预测概率的加权之和,并根据计算出的加权之和来确定城市事件级别,可以进一步地提高城市事件处理的准确率。
另外,在以上示出的实施方式中,关于计算上述计数值与上述预测概率的加权之和的具体实现方式,以上仅仅是一种示例性的描述,并不对本说明书做限制;在实际应用中,本领域技术人员也可以采用其他方式,将上述通过计算文本关键词与候选关键词之间的语义相似度得到的城市事件级别、与上述通过预训练的分类模型得到的城市事件级别结合起来,确定最终的城市事件的城市事件级别。
在实际应用中,对上述城市事件的城市事件级别进行预测时,上述分类模型可以采用ALBERT(A Lite BERT)模型;本领域技术人员也可以根据需求采用其他的分类模型,本说明书不做限制。其中,上述ALBERT模型是一种可以基于词向量进行文本分类的深度学习模型,相较于BERT模型,采用ALBERT模型可以减少预训练模型时所需的参数量。
另外,在实际应用中,上述城市事件的文本数据中,可以包括与监测到上述城市事件的城市事件监测***对应的部门标识。
需要说明的是,由于不同的城市事件监测***可以对应不同的部门,当上述城市事件监测***监测到的城市事件的文本数据中包括对应的部门标识时,上述分类模型可以学习到上述城市事件的文本数据的来源信息,因此,在城市事件处理的场景中,可以区分出同一文本关键词对于不同部门的不同含义,或者可以区分出同一文本关键词对于来自不同部门的城市事件的紧急程度判断的重要性,可以进一步地提高城市事件处理的准确率。
为了使本技术领域的人员更好地理解本说明书实施例中的技术方案,下面先对本说明书实施例涉及的训练上述分类模型的相关技术,进行简要说明。
在本说明书中,上述预训练的分类模型,可以包括基于若干被标记了城市事件级别的样本城市事件的文本数据,进行训练而得到的机器学习模型。
具体地,对上述分类模型进行训练时,可以对上述分类模型的分类函数进行有监督的训练;在实现时,具体可以先获取预设数量的训练样本,其中,上述训练样本可以包括样本城市事件的文本数据以及样本城市事件的实际城市事件级别;再基于上述训练样本,按照预设的优化目标对上述分类模型的分类函数进行有监督的训练。
其中,上述优化目标可以包括:针对上述训练样本中的任一训练样本,与样本城市事件的文本数据的匹配度最高的分类结果与上述样本城市事件对应的实际城市事件级别匹配。为了实现按照预设的优化目标对上述分类模型的分类函数进行有监督的训练,可以在基于上述训练样本对上述分类模型的分类函数进行有监督的训练时,通过判断与上述分类函数对应的交叉熵损失函数是否收敛,确定上述分类函数是否达到该优化目标,即确定上述分类函数是否训练完成。
在实际应用中,可以利用上述候选关键词集合对样本城市事件进行修正,从而保证对应与不同的城市事件类别的样本城市事件的文本数据之间边界清晰,并且可以降低正负数据比例。
例如,可以利用与重大事件对应的候选关键词集合,对与非重大事件对应的样本城市事件的文本数据进行关键词过滤,将误判为非重大城市事件的、包含有候选关键词的样本城市事件的文本数据,修正为与重大事件对应的样本城市事件的文本数据。
另外,在实际应用中,针对待训练的上述样本城市事件的文本数据,可以根据候选关键词集合中不同事件类型的分布,通过分层抽样得到训练集合测试集。
进一步地,还可以对上述训练集进行数据扩增操作,来降低正负数据比例。例如,针对与重大事件对应的训练集,可以通过随机***、删除、替换、交换等方式,来扩充样本数据;而针对与非重大事件对应的训练集,可以通过随机负采样等方式,来减少样本数据。
通过以上技术方案可知,由于目标候选关键词集合中的至少一个候选关键词,与从监测到的城市事件的文本数据中提取的文本关键词之间的语义相似度超过预设阈值时,可以将与目标候选关键词集合对应的城市事件级别,确定为监测到的城市事件的城市事件级别;因此,城市管理***基于候选关键词集合,通过计算候选关键词与文本关键词之间的语义相似度,可以自动地判断监测到的城市事件的紧急程度(即确定城市事件级别),从而辅助或代替工作人员进行城市事件处理,减少人力成本和时间成本;还可以保证其中的紧急事件或重大事件被及时处理,避免出现漏判或延误,从而提升城市管理***的工作效率。
与上述城市事件处理方法的实施例对应的,本说明书还提供了一种城市事件处理装置的实施例。
本说明书的城市事件处理装置的实施例可以应用在电子设备上。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在电子设备的处理器,将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,请参见图2,图2是一示例性的实施例示出的一种城市事件处理装置所在电子设备的硬件结构图,除了图2所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的电子设备通常根据该电子设备的实际功能,还可以包括其他硬件,对此不再赘述。
请参见图3,图3是一示例性的实施例示出的一种城市事件处理装置的框图。该城市事件处理装置可以应用于图2所示的电子设备;上述城市事件处理装置可以包括:
获取单元302,用于获取城市事件监测***监测到的城市事件的文本数据,并从上述文本数据中提取文本关键词;
计算单元304,用于分别计算目标候选关键词集合中的每个候选关键词与上述文本关键词之间的语义相似度;其中,不同的候选关键词集合对应不同的城市事件级别;上述城市事件级别用于指示城市事件的紧急程度;
级别确定单元306,用于如果上述目标候选关键词集合中的至少一个候选关键词与上述文本关键词之间的语义相似度超过预设阈值,则将与上述目标候选关键词集合对应的城市事件级别,确定为上述城市事件的城市事件级别。
在本实施例中,上述装置还包括集合确定单元,用于:
从样本城市事件的文本数据中提取样本文本关键词;
分别计算预设的业务关键词与上述样本文本关键词之间的语义相似度;其中,不同的业务关键词对应不同的城市事件级别;
如果上述业务关键词与上述样本文本关键词之间的语义相似度超过预设阈值,则将上述业务关键词和上述样本文本关键词,确定为与上述业务关键词对应的城市事件级别对应的候选关键词集合中的候选关键词。
在本实施例中,上述计算单元304,具体用于:
获取与上述目标候选关键词集合中的每个候选关键词对应的词向量,以及与上述文本关键词对应的词向量;
分别计算与上述每个候选关键词对应的词向量、和与上述文本关键词对应的词向量之间的语义相似度。
在本实施例中,上述级别确定单元306,具体用于:
如果上述目标候选关键词集合中的任一候选关键词与上述文本关键词之间的语义相似度超过预设阈值,则将与上述目标候选关键词集合对应的城市事件级别对应的计数值递增;
如果上述计数值超过预设数量,则将与上述目标候选关键词集合对应的城市事件级别,确定为上述城市事件的城市事件级别。
在本实施例中,上述装置还包括分类单元,用于:
将上述城市事件的文本数据输入预训练的分类模型进行分类计算;其中,上述分类模型包括基于若干被标记了城市事件级别的样本城市事件的文本数据,进行训练而得到的机器学习模型;
获取上述分类模型输出的分类结果;上述分类结果包括上述城市事件的城市事件级别为与上述目标候选关键词集合对应的城市事件级别的预测概率;
上述级别确定单元306,具体用于:
按照预设权重,分别计算与上述目标候选关键词集合对应的城市事件级别对应的上述计数值与上述预测概率的加权之和;
如果上述加权之和超过预设阈值,则将与上述目标候选关键词集合对应的城市事件级别,确定为上述城市事件的城市事件级别。
在本实施例中,上述分类模型包括ALBERT模型。
在本实施例中,上述城市事件的文本数据中,包括与监测到上述城市事件的城市事件监测***对应的部门标识;其中,不同的城市事件监测***对应不同的部门。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例只是示意性的,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说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述实施例阐明的***、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,计算机的具体形式可以是个人计算机、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、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中,计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
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、磁盘存储、量子存储器、基于石墨烯的存储介质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。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (10)
1.一种城市事件处理方法,其特征在于,应用于城市管理***;所述城市管理***与至少一个城市事件监测***对接;所述方法包括:
获取城市事件监测***监测到的城市事件的文本数据,并从所述文本数据中提取文本关键词;
分别计算目标候选关键词集合中的每个候选关键词与所述文本关键词之间的语义相似度;其中,不同的候选关键词集合对应不同的城市事件级别;所述城市事件级别用于指示城市事件的紧急程度;
如果所述目标候选关键词集合中的至少一个候选关键词与所述文本关键词之间的语义相似度超过预设阈值,则将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
从样本城市事件的文本数据中提取样本文本关键词;
分别计算预设的业务关键词与所述样本文本关键词之间的语义相似度;其中,不同的业务关键词对应不同的城市事件级别;
如果所述业务关键词与所述样本文本关键词之间的语义相似度超过预设阈值,则将所述业务关键词和所述样本文本关键词,确定为与所述业务关键词对应的城市事件级别对应的候选关键词集合中的候选关键词。
3.根据权利要求1所述的方法,其特征在于,所述分别计算目标候选关键词集合中的每个候选关键词与所述文本关键词之间的语义相似度,包括:
获取与所述目标候选关键词集合中的每个候选关键词对应的词向量,以及与所述文本关键词对应的词向量;
分别计算与所述每个候选关键词对应的词向量、和与所述文本关键词对应的词向量之间的语义相似度。
4.根据权利要求1所述的方法,其特征在于,所述如果所述目标候选关键词集合中的至少一个候选关键词与所述文本关键词之间的语义相似度超过预设阈值,则将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别,包括:
如果所述目标候选关键词集合中的任一候选关键词与所述文本关键词之间的语义相似度超过预设阈值,则将与所述目标候选关键词集合对应的城市事件级别对应的计数值递增;
如果所述计数值超过预设数量,则将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别。
5.根据权利要求4所述的方法,其特征在于,在将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别之前,还包括:
将所述城市事件的文本数据输入预训练的分类模型进行分类计算;其中,所述分类模型包括基于若干被标记了城市事件级别的样本城市事件的文本数据,进行训练而得到的机器学习模型;
获取所述分类模型输出的分类结果;所述分类结果包括所述城市事件的城市事件级别为与所述目标候选关键词集合对应的城市事件级别的预测概率;
所述将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别,包括:
按照预设权重,分别计算与所述目标候选关键词集合对应的城市事件级别对应的所述计数值与所述预测概率的加权之和;
如果所述加权之和超过预设阈值,则将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别。
6.根据权利要求5所述的方法,其特征在于,所述分类模型包括ALBERT模型。
7.根据权利要求5所述的方法,其特征在于,所述城市事件的文本数据中,包括与监测到所述城市事件的城市事件监测***对应的部门标识;其中,不同的城市事件监测***对应不同的部门。
8.一种城市事件处理装置,其特征在于,应用于城市管理***;所述城市管理***与至少一个城市事件监测***对接;所述装置包括:
获取单元,用于获取城市事件监测***监测到的城市事件的文本数据,并从所述文本数据中提取文本关键词;
计算单元,用于分别计算目标候选关键词集合中的每个候选关键词与所述文本关键词之间的语义相似度;其中,不同的候选关键词集合对应不同的城市事件级别;所述城市事件级别用于指示城市事件的紧急程度;
级别确定单元,用于如果所述目标候选关键词集合中的至少一个候选关键词与所述文本关键词之间的语义相似度超过预设阈值,则将与所述目标候选关键词集合对应的城市事件级别,确定为所述城市事件的城市事件级别。
9.一种电子设备,其特征在于,包括通信接口、处理器、存储器和总线,所述通信接口、所述处理器和所述存储器之间通过总线相互连接;
所述存储器中存储机器可读指令,所述处理器通过调用所述机器可读指令,执行权利要求1至7任一项所述的方法。
10.一种机器可读存储介质,其特征在于,所述机器可读存储介质存储有机器可读指令,所述机器可读指令在被处理器调用和执行时,实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699295.6A CN113342978A (zh) | 2021-06-23 | 2021-06-23 | 一种城市事件处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699295.6A CN113342978A (zh) | 2021-06-23 | 2021-06-23 | 一种城市事件处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113342978A true CN113342978A (zh) | 2021-09-03 |
Family
ID=77478201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110699295.6A Pending CN113342978A (zh) | 2021-06-23 | 2021-06-23 | 一种城市事件处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113342978A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114135794A (zh) * | 2021-11-22 | 2022-03-04 | 杭州数梦工场科技有限公司 | 一种水网漏损的检测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968702A (zh) * | 2019-11-29 | 2020-04-07 | 北京明略软件***有限公司 | 一种事理关系提取方法及装置 |
CN111400432A (zh) * | 2020-06-04 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 事件类型信息处理方法、事件类型识别方法及装置 |
CN111767730A (zh) * | 2020-07-07 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 一种事件类型识别方法及装置 |
CN112347310A (zh) * | 2020-11-05 | 2021-02-09 | 中国平安人寿保险股份有限公司 | 事件处理信息的查询方法、装置、计算机设备和存储介质 |
CN112559747A (zh) * | 2020-12-15 | 2021-03-26 | 北京百度网讯科技有限公司 | 事件分类处理方法、装置、电子设备和存储介质 |
-
2021
- 2021-06-23 CN CN202110699295.6A patent/CN113342978A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110968702A (zh) * | 2019-11-29 | 2020-04-07 | 北京明略软件***有限公司 | 一种事理关系提取方法及装置 |
CN111400432A (zh) * | 2020-06-04 | 2020-07-10 | 腾讯科技(深圳)有限公司 | 事件类型信息处理方法、事件类型识别方法及装置 |
CN111767730A (zh) * | 2020-07-07 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 一种事件类型识别方法及装置 |
CN112347310A (zh) * | 2020-11-05 | 2021-02-09 | 中国平安人寿保险股份有限公司 | 事件处理信息的查询方法、装置、计算机设备和存储介质 |
CN112559747A (zh) * | 2020-12-15 | 2021-03-26 | 北京百度网讯科技有限公司 | 事件分类处理方法、装置、电子设备和存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114135794A (zh) * | 2021-11-22 | 2022-03-04 | 杭州数梦工场科技有限公司 | 一种水网漏损的检测方法及装置 |
CN114135794B (zh) * | 2021-11-22 | 2023-11-24 | 杭州数梦工场科技有限公司 | 一种水网漏损的检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11295405B2 (en) | Cognitive recommendations for first responders | |
KR101765722B1 (ko) | 인지형 차량 및 인상착의 객체 및 이벤트 인식, 추적, 검색, 예측을 위한 나레이티브 보고서 작성 시스템 및 방법 | |
CN110059468A (zh) | 一种小程序风险识别方法和装置 | |
CN111931719B (zh) | 高空抛物检测方法以及装置 | |
CN111814725A (zh) | 一种基于cnn+lstm+mlp组合神经网络判断监控视频着火的预警方法 | |
CN111160802A (zh) | 预设方案评估方法及装置 | |
US11483426B2 (en) | Apparatus and method for managing event notifications in mobile devices and computer program product therefor | |
KR20160001994A (ko) | 빅 데이터를 이용한 범죄관리 방법 및 서버 | |
CN112396023A (zh) | 基于机器学习的火灾检测方法 | |
CN115272656A (zh) | 环境检测报警方法、装置、计算机设备及存储介质 | |
CN113342978A (zh) | 一种城市事件处理方法及装置 | |
CN113114986B (zh) | 基于画面和声音同步的预警方法及相关设备 | |
CN114612755A (zh) | 一种火灾检测方法、***、电子设备和可读存储介质 | |
CN114650447A (zh) | 一种确定视频内容异常程度的方法、装置及计算设备 | |
CN111191498A (zh) | 行为识别方法和相关产品 | |
CN113626717A (zh) | 一种舆情监测的方法、装置、电子设备和存储介质 | |
CN113435753A (zh) | 高危行业中企业风险判定方法、装置、设备及介质 | |
CN111127828A (zh) | 基于统一报警平台的多源报警处理方法、装置及相关设备 | |
CN115131826B (zh) | 物品检测识别方法、网络模型的训练方法和装置 | |
CN115966061A (zh) | 基于5g消息的灾情预警处理方法、***和装置 | |
CN114445710A (zh) | 图像识别方法、装置、电子设备以及存储介质 | |
CN115171335A (zh) | 一种融合图像和语音的独居老人室内安全保护方法及装置 | |
CN114626798A (zh) | 任务流程确定方法及装置、计算机可读存储介质、终端 | |
CN112256836A (zh) | 记录数据的处理方法、装置和服务器 | |
CN112417007A (zh) | 一种数据分析方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |