CN113849595A - 一种基层治理事件类型识别方法及*** - Google Patents
一种基层治理事件类型识别方法及*** Download PDFInfo
- Publication number
- CN113849595A CN113849595A CN202110713116.XA CN202110713116A CN113849595A CN 113849595 A CN113849595 A CN 113849595A CN 202110713116 A CN202110713116 A CN 202110713116A CN 113849595 A CN113849595 A CN 113849595A
- Authority
- CN
- China
- Prior art keywords
- event
- library
- probability
- historical
- handling
- 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
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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3346—Query execution using probabilistic model
-
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基层治理事件类型识别方法及***,包括:确定待分析基层新事件;将待分析基层新事件输入至训练好的事件分析模型中,得到事件类型识别结果;其中,事件分析模型是基于基层历史事件数据,构建动态更新的事件分类词库、事件处理单位对应关系库和事件处置措施库所得到的。本发明通过综合事件内容、事件分类词库、事件处置单位对应关系库、事件类型处置措施库,建立分析模型,将该模型应用于基层街道、社区处置基层治理问题,实现智能判别事件类型,分析事件处置部门,推荐处置措施,有效支撑基层事件快速处置和解决,促进基层治理效率提升,对基层治理提供了科学有效的新思路和手段,能够有效降低事件处置时间,提升事件处置效率。
Description
技术领域
本发明涉及大数据应用技术领域,尤其涉及一种基层治理事件类 型识别方法及***。
背景技术
基层治理在很多公共事务中都普遍存在,是治理体系和治理能力 建设的重要内容。
针对基层事件类型复杂多样,基层工作人员治理水平不足,基层 治理的职能分散在不同层级和不同管理部门之中,形成了以“块”为 单元的属地管理和以“条”为线的部门管理两种分割的管理模式,导 致基层工作者,难以快速确定事件问题,明确解决单位,采取处置措 施,暴露出基层治理能力的短板。
因此,需要提出一种新的基层治理事件类型识别方法,能解决上 述问题。
发明内容
本发明提供一种基层治理事件类型识别方法及***,用以解决现 有技术中存在的缺陷。
第一方面,本发明提供一种基层治理事件类型识别方法,包括:
确定待分析基层新事件;
将所述待分析基层新事件输入至训练好的事件分析模型中,得到 事件类型识别结果;其中,所述事件分析模型是基于基层历史事件数 据,构建动态更新的事件分类词库、事件处理单位对应关系库和事件 处置措施库所得到的。
在一个实施例中,所述事件分析模型,通过以下步骤获得:
获取所述基层历史事件数据;
提取所述基层历史事件数据中任一历史事件,采用预设预测分析 算法,由所述任一历史事件的事件类型、事件分类词和实际风险结果 进行拟合,得到所述事件分类词出现的第一概率集合;
基于所述第一概率集合构建所述事件分类词库、所述事件处理单 位对应关系库和所述事件处置措施库;
提取所述基层历史事件数据中除所述任一历史事件之外的其它 任一历史事件,基于所述预设预测分析算法对所述其它任一历史事件 进行拟合,得到第二概率集合;
基于所述第二概率集合对所述第一概率集合进行处理,得到初始 的事件分析模型;
获取基层新增事件数据,基于所述基层新增事件数据对所述初始 的事件分析模型进行不断更新,得到所述事件分析模型。
在一个实施例中,所述提取所述基层历史事件数据中任一历史事 件,采用预设预测分析算法,由所述任一历史事件的事件类型、事件 分类词和实际风险结果进行拟合,得到所述事件分类词出现的第一概 率集合,包括:
获取所述任一历史事件的事件类型,所述事件类型包括事件时间、 事件内容和事件上报人;
采用非线性人工智能预测分析算法,将所述事件类型、所述事件 分类词与实际情况进行分析,得到第一子概率;
将所述事件类型、事件处置单位和所述实际情况进行分析,得到 第二子概率;
将所述事件类型、事件处置措施和所述实际情况进行分析,得到 第三子概率。
在一个实施例中,所述基于所述第一概率集合构建所述事件分类 词库、所述事件处理单位对应关系库和所述事件处置措施库,包括:
提取所述第一子概率大于预设概率阈值所对应的事件分类词,构 建所述事件分类词库;
提取所述第二子概率大于所述预设概率阈值所对应的事件处置 单位,构建所述事件处置单位对应关系库;
提取所述第三子概率大于所述预设概率阈值所对应的事件处置 措施,构建所述事件处置措施库。
在一个实施例中,所述提取所述基层历史事件数据中除所述任一 历史事件之外的其它任一历史事件,基于所述预设预测分析算法对所 述其它任一历史事件进行拟合,得到第二概率集合,包括:
获取所述其它任一历史事件的事件类型,所述事件类型包括事件 时间、事件内容和事件上报人;
采用所述非线性人工智能预测分析算法,将所述事件类型、所述 事件分类词与实际情况进行分析,得到第四子概率;
将所述事件类型、事件处置单位和所述实际情况进行分析,得到 第五子概率;
将所述事件类型、事件处置措施和所述实际情况进行分析,得到 第六子概率。
在一个实施例中,所述基于所述第二概率集合对所述第一概率集 合进行处理,得到初始的事件分析模型,包括:
由所述第二概率集合对所述第一概率集合进行矫正和验证,获得 最佳概率计算算法;
基于所述最佳概率计算算法,建立所述初始的事件分析模型。
在一个实施例中,所述获取基层新增事件数据,基于所述基层新 增事件数据对所述初始的事件分析模型进行不断更新,得到所述事件 分析模型,包括:
提取所述基层新增事件数据中的第一关键字;
基于所述第一关键字分别在所述事件分类词库、所述事件处理单 位对应关系库和所述事件处置措施库进行搜索,获得匹配的第一事件 类型、第一事件处置单位和第一事件处置措施;
针对无匹配事件内容,排除所述第一关键字,提取第二关键字;
基于所述第二关键字分别在所述事件分类词库、所述事件处理单 位对应关系库和所述事件处置措施库进行搜索,获得匹配的第二事件 类型、第二事件处置单位和第二事件处置措施;
若没有获取到对应所述第一关键字和所述第二关键字的匹配结 果,则将所述基层新增事件数据作为样本训练数据,加入所述事件分 类词库、所述事件处理单位对应关系库和所述事件处置措施库。
第二方面,本发明还提供一种基层治理事件类型识别***,包括:
确定模块,用于确定待分析基层新事件;
处理模块,用于将所述待分析基层新事件输入至训练好的事件分 析模型中,得到事件类型识别结果;其中,所述事件分析模型是基于 基层历史事件数据,构建动态更新的事件分类词库、事件处理单位对 应关系库和事件处置措施库所得到的。
第三方面,本发明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层治理事件类型识别方法的步 骤。
第四方面,本发明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 所述基层治理事件类型识别方法的步骤。
本发明提供的基层治理事件类型识别方法及***,通过综合事件 内容、事件分类词库、事件处置单位对应关系库、事件类型处置措施 库,建立分析模型,将该模型应用于基层街道、社区处置基层治理问 题,实现智能判别事件类型,分析事件处置部门,推荐处置措施,有 效支撑基层事件快速处置和解决,促进基层治理效率提升,对基层治 理提供了科学有效的新思路和手段,能够有效降低事件处置时间,提 升事件处置效率。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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是本发明提供的基层治理事件类型识别方法的流程示意图;
图2是本发明提供的基层治理事件类型识别***的结构示意图;
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发 明中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于 本发明中的实施例,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,都属于本发明保护的范围。
针对现有技术的问题,本发明提出的基层治理事件类型识别方法 方法,着重关注事件上报后,智能分类和处置上,依托云计算、大数 据技术,实现智能分析基层上报各类问题,分析关键词,识别事件分 类类型、推荐处置单位和处置措施,解决基层事件繁多难以高效处置 的难题。
图1是本发明提供的基层治理事件类型识别方法的流程示意图, 如图1所示,包括:
S1,确定待分析基层新事件;
S2,将所述待分析基层新事件输入至训练好的事件分析模型中, 得到事件类型识别结果;其中,所述事件分析模型是基于基层历史事 件数据,构建动态更新的事件分类词库、事件处理单位对应关系库和 事件处置措施库所得到的。
具体地,本发明提出的基层治理事件类型识别方法,包括建立分 析模型、模型验证、新事件分析和措施推荐三个方面,其中构建的事 件分析模型是通过综合事件内容、事件分类词库、事件处置单位对应 关系库和事件处置措施库来建立的。
一旦有需要分析预测的基层新事件,输入至上述建立好的事件分 析模型,就能得到事件类型识别结果。
本发明通过用于基层治理的事件类型智能识别方法,判别基层群 众反馈的问题内容,智能判断事件类型,智能推荐处理单位和措施, 应用于基层治理体系建设,减少事件分析和处置时间,提升基层治理 工作效率。
基于上述实施例,该方法中事件分析模型,通过以下步骤实现:
获取所述基层历史事件数据;
提取所述基层历史事件数据中任一历史事件,采用预设预测分析 算法,由所述任一历史事件的事件类型、事件分类词和实际风险结果 进行拟合,得到所述事件分类词出现的第一概率集合;
基于所述第一概率集合构建所述事件分类词库、所述事件处理单 位对应关系库和所述事件处置措施库;
提取所述基层历史事件数据中除所述任一历史事件之外的其它 任一历史事件,基于所述预设预测分析算法对所述其它任一历史事件 进行拟合,得到第二概率集合;
基于所述第二概率集合对所述第一概率集合进行处理,得到初始 的事件分析模型;
获取基层新增事件数据,基于所述基层新增事件数据对所述初始 的事件分析模型进行不断更新,得到所述事件分析模型。
其中,所述提取所述基层历史事件数据中任一历史事件,采用预 设预测分析算法,由所述任一历史事件的事件类型、事件分类词和实 际风险结果进行拟合,得到所述事件分类词出现的第一概率集合,包 括:
获取所述任一历史事件的事件类型,所述事件类型包括事件时间、 事件内容和事件上报人;
采用非线性人工智能预测分析算法,将所述事件类型、所述事件 分类词与实际情况进行分析,得到第一子概率;
将所述事件类型、事件处置单位和所述实际情况进行分析,得到 第二子概率;
将所述事件类型、事件处置措施和所述实际情况进行分析,得到 第三子概率。
其中,所述基于所述第一概率集合构建所述事件分类词库、所述 事件处理单位对应关系库和所述事件处置措施库,包括:
提取所述第一子概率大于预设概率阈值所对应的事件分类词,构 建所述事件分类词库;
提取所述第二子概率大于所述预设概率阈值所对应的事件处置 单位,构建所述事件处置单位对应关系库;
提取所述第三子概率大于所述预设概率阈值所对应的事件处置 措施,构建所述事件处置措施库。
其中,所述提取所述基层历史事件数据中除所述任一历史事件 之外的其它任一历史事件,基于所述预设预测分析算法对所述其它任 一历史事件进行拟合,得到第二概率集合,包括:
获取所述其它任一历史事件的事件类型,所述事件类型包括事件 时间、事件内容和事件上报人;
采用所述非线性人工智能预测分析算法,将所述事件类型、所述 事件分类词与实际情况进行分析,得到第四子概率;
将所述事件类型、事件处置单位和所述实际情况进行分析,得到 第五子概率;
将所述事件类型、事件处置措施和所述实际情况进行分析,得到 第六子概率。
其中,所述基于所述第二概率集合对所述第一概率集合进行处理, 得到初始的事件分析模型,包括:
由所述第二概率集合对所述第一概率集合进行矫正和验证,获得 最佳概率计算算法;
基于所述最佳概率计算算法,建立所述初始的事件分析模型。
其中,所述获取基层新增事件数据,基于所述基层新增事件数据 对所述初始的事件分析模型进行不断更新,得到所述事件分析模型, 包括:
提取所述基层新增事件数据中的第一关键字;
基于所述第一关键字分别在所述事件分类词库、所述事件处理单 位对应关系库和所述事件处置措施库进行搜索,获得匹配的第一事件 类型、第一事件处置单位和第一事件处置措施;
针对无匹配事件内容,排除所述第一关键字,提取第二关键字;
基于所述第二关键字分别在所述事件分类词库、所述事件处理单 位对应关系库和所述事件处置措施库进行搜索,获得匹配的第二事件 类型、第二事件处置单位和第二事件处置措施;
若没有获取到对应所述第一关键字和所述第二关键字的匹配结 果,则将所述基层新增事件数据作为样本训练数据,加入所述事件分 类词库、所述事件处理单位对应关系库和所述事件处置措施库。
具体地,确定事件类型,包括:事件时间、事件内容、事件上报 人;事件分类词库包括分类编号、事件类型和事件类型描述;事件处 置单位对应关系库包括事件类型、处置部门;事件处置措施库包括事 件类型、处置部门、措施编号、措施类型、措施内容。
通过上述历史事件数据,采用非线性的人工智能预测分析算法, 针对任一事件A1,分别计算如下三个维度的概率值:
1)将A1的相关数据进行提取,将事件类型B1、事件分类词R1 与实际情况进行分析,得到概率值K1;
2)将A1的相关数据进行提取,将事件类型B1、事件处置单位 D1与实际情况进行分析,得到概率值K2,算法同上;
3)将A1的相关数据进行提取,将事件类型B1、事件处置措施 V1与实际情况进行分析,得到概率值K3,算法同上;
4)分别将K1、K2、K3>=0.8的情况作为事件分类词库、事件处 置单位对应关系库和事件处置措施库。
需要说明的是,非线性的人工智能预测分析算法详细描述如下:
采用双曲线函数Y=a+b(1/X)来进行海量历史数据运算,确认概 率值K。
进一步地,选择另一个事件A2,进行模型验证,具体如下:
1)将业务A2,获取事件类型B2、事件分类词R2,通过上述分 析模型计算概率K11;
2)将业务A2,获取事件类型B2、事件处置单位D2,通过上述 分析模型计算概率K12;
3)将业务A2,获取事件类型B2、事件处置措施V2,通过上述 分析模型计算概率K13
然后,根据后续实际考察的情况来矫正算法模型,获得最佳的概 率计算方法。
进一步地,根据新事件内容表述,提取关键字作为R3,将R3 作为搜索,在事件分类词库、事件处置单位对应关系库和事件处置措 施库中进行搜索,找到匹配的事件类型B3、事件处置单位D3、事件 处置措施V3;
针对没有匹配的事件内容,排除关键字R3后,再次提取关键字 R31,将R31作为搜索,在事件分类词库、事件处置单位对应关系库 和事件处置措施库中进行搜索,找到匹配的事件类型B31、事件处置 单位D31、事件处置措施V31;
若上述操作均未找到匹配项目,则加入分析库表,作为样本数据 训练模型,加入事件分类词库、事件处置单位对应关系库和事件处置 措施库中。
本发明实现了基于大数据的基层治理事件类型识别方法,该方法 通过综合事件内容、事件分类词库、事件处置单位对应关系库、事件 类型处置措施库,建立分析模型,将该模型应用于基层街道、社区处 置基层治理问题,实现智能判别事件类型,分析事件处置部门,推荐 处置措施,有效支撑基层事件快速处置和解决,促进基层治理效率提 升。该发明对基层治理提供了科学有效的新思路和手段,能够有效降 低事件处置时间,提升事件处置效率。
下面对本发明提供基层治理事件类型识别***进行描述,下文描 述的基层治理事件类型识别***与上文描述的基层治理事件类型识 别方法可相互对应参照。
图2是本发明提供的基层治理事件类型识别***的结构示意图, 如图2所示,包括:确定模块21和处理模块22,其中:
确定模块21用于确定待分析基层新事件;处理模块22用于将所 述待分析基层新事件输入至训练好的事件分析模型中,得到事件类型 识别结果;其中,所述事件分析模型是基于基层历史事件数据,构建 动态更新的事件分类词库、事件处理单位对应关系库和事件处置措施 库所得到的。
本发明通过用于基层治理的事件类型智能识别***,判别基层群 众反馈的问题内容,智能判断事件类型,智能推荐处理单位和措施, 应用于基层治理体系建设,减少事件分析和处置时间,提升基层治理 工作效率。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电 子设备可以包括:处理器(processor)310、通信接口 (CommunicationsInterface)320、存储器(memory)330和通信总线 340,其中,处理器310,通信接口320,存储器330通过通信总线 340完成相互间的通信。处理器310可以调用存储器830中的逻辑指 令,以执行基层治理事件类型识别方法,该方法包括:确定待分析基 层新事件;将待分析基层新事件输入至训练好的事件分析模型中,得 到事件类型识别结果;其中,事件分析模型是基于基层历史事件数据, 构建动态更新的事件分类词库、事件处理单位对应关系库和事件处置 措施库所得到的。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的 形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可 读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说 对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品 的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而 前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM, Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、 磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序 产品包括存储在非暂态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,计算机能 够执行上述各方法所提供的基层治理事件类型识别方法,该方法包括: 确定待分析基层新事件;将待分析基层新事件输入至训练好的事件分 析模型中,得到事件类型识别结果;其中,事件分析模型是基于基层 历史事件数据,构建动态更新的事件分类词库、事件处理单位对应关 系库和事件处置措施库所得到的。
又一方面,本发明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以执行上述各 提供的基层治理事件类型识别方法,该方法包括:确定待分析基层新 事件;将待分析基层新事件输入至训练好的事件分析模型中,得到事 件类型识别结果;其中,事件分析模型是基于基层历史事件数据,构 建动态更新的事件分类词库、事件处理单位对应关系库和事件处置措 施库所得到的。
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。本领域普通技术人员在不付 出创造性的劳动的情况下,即可以理解并实施。
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必需的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现 有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发明的技术方案,而 非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方 案的精神和范围。
Claims (10)
1.一种基层治理事件类型识别方法,其特征在于,包括:
确定待分析基层新事件;
将所述待分析基层新事件输入至训练好的事件分析模型中,得到事件类型识别结果;其中,所述事件分析模型是基于基层历史事件数据,构建动态更新的事件分类词库、事件处理单位对应关系库和事件处置措施库所得到的。
2.根据权利要求1所述的基层治理事件类型识别方法,其特征在于,所述事件分析模型,通过以下步骤获得:
获取所述基层历史事件数据;
提取所述基层历史事件数据中任一历史事件,采用预设预测分析算法,由所述任一历史事件的事件类型、事件分类词和实际风险结果进行拟合,得到所述事件分类词出现的第一概率集合;
基于所述第一概率集合构建所述事件分类词库、所述事件处理单位对应关系库和所述事件处置措施库;
提取所述基层历史事件数据中除所述任一历史事件之外的其它任一历史事件,基于所述预设预测分析算法对所述其它任一历史事件进行拟合,得到第二概率集合;
基于所述第二概率集合对所述第一概率集合进行处理,得到初始的事件分析模型;
获取基层新增事件数据,基于所述基层新增事件数据对所述初始的事件分析模型进行不断更新,得到所述事件分析模型。
3.根据权利要求2所述的基层治理事件类型识别方法,其特征在于,所述提取所述基层历史事件数据中任一历史事件,采用预设预测分析算法,由所述任一历史事件的事件类型、事件分类词和实际风险结果进行拟合,得到所述事件分类词出现的第一概率集合,包括:
获取所述任一历史事件的事件类型,所述事件类型包括事件时间、事件内容和事件上报人;
采用非线性人工智能预测分析算法,将所述事件类型、所述事件分类词与实际情况进行分析,得到第一子概率;
将所述事件类型、事件处置单位和所述实际情况进行分析,得到第二子概率;
将所述事件类型、事件处置措施和所述实际情况进行分析,得到第三子概率。
4.根据权利要求3所述的基层治理事件类型识别方法,其特征在于,所述基于所述第一概率集合构建所述事件分类词库、所述事件处理单位对应关系库和所述事件处置措施库,包括:
提取所述第一子概率大于预设概率阈值所对应的事件分类词,构建所述事件分类词库;
提取所述第二子概率大于所述预设概率阈值所对应的事件处置单位,构建所述事件处置单位对应关系库;
提取所述第三子概率大于所述预设概率阈值所对应的事件处置措施,构建所述事件处置措施库。
5.根据权利要求3所述的基层治理事件类型识别方法,其特征在于,所述提取所述基层历史事件数据中除所述任一历史事件之外的其它任一历史事件,基于所述预设预测分析算法对所述其它任一历史事件进行拟合,得到第二概率集合,包括:
获取所述其它任一历史事件的事件类型,所述事件类型包括事件时间、事件内容和事件上报人;
采用所述非线性人工智能预测分析算法,将所述事件类型、所述事件分类词与实际情况进行分析,得到第四子概率;
将所述事件类型、事件处置单位和所述实际情况进行分析,得到第五子概率;
将所述事件类型、事件处置措施和所述实际情况进行分析,得到第六子概率。
6.根据权利要求2所述的基层治理事件类型识别方法,其特征在于,所述基于所述第二概率集合对所述第一概率集合进行处理,得到初始的事件分析模型,包括:
由所述第二概率集合对所述第一概率集合进行矫正和验证,获得最佳概率计算算法;
基于所述最佳概率计算算法,建立所述初始的事件分析模型。
7.根据权利要求2所述的基层治理事件类型识别方法,其特征在于,所述获取基层新增事件数据,基于所述基层新增事件数据对所述初始的事件分析模型进行不断更新,得到所述事件分析模型,包括:
提取所述基层新增事件数据中的第一关键字;
基于所述第一关键字分别在所述事件分类词库、所述事件处理单位对应关系库和所述事件处置措施库进行搜索,获得匹配的第一事件类型、第一事件处置单位和第一事件处置措施;
针对无匹配事件内容,排除所述第一关键字,提取第二关键字;
基于所述第二关键字分别在所述事件分类词库、所述事件处理单位对应关系库和所述事件处置措施库进行搜索,获得匹配的第二事件类型、第二事件处置单位和第二事件处置措施;
若没有获取到对应所述第一关键字和所述第二关键字的匹配结果,则将所述基层新增事件数据作为样本训练数据,加入所述事件分类词库、所述事件处理单位对应关系库和所述事件处置措施库。
8.一种基层治理事件类型识别***,其特征在于,包括:
确定模块,用于确定待分析基层新事件;
处理模块,用于将所述待分析基层新事件输入至训练好的事件分析模型中,得到事件类型识别结果;其中,所述事件分析模型是基于基层历史事件数据,构建动态更新的事件分类词库、事件处理单位对应关系库和事件处置措施库所得到的。
9.一种电子设备,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,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基层治理事件类型识别方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基层治理事件类型识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110713116.XA CN113849595A (zh) | 2021-06-25 | 2021-06-25 | 一种基层治理事件类型识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110713116.XA CN113849595A (zh) | 2021-06-25 | 2021-06-25 | 一种基层治理事件类型识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113849595A true CN113849595A (zh) | 2021-12-28 |
Family
ID=78975353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110713116.XA Pending CN113849595A (zh) | 2021-06-25 | 2021-06-25 | 一种基层治理事件类型识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113849595A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169979A (zh) * | 2022-08-08 | 2022-10-11 | 航天神舟智慧***技术有限公司 | 一种基于语义分析的事件自动处置方法、装置及*** |
CN115345465A (zh) * | 2022-08-10 | 2022-11-15 | 航天神舟智慧***技术有限公司 | 一种基于基层治理事件的多色层级管理方法及*** |
-
2021
- 2021-06-25 CN CN202110713116.XA patent/CN113849595A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169979A (zh) * | 2022-08-08 | 2022-10-11 | 航天神舟智慧***技术有限公司 | 一种基于语义分析的事件自动处置方法、装置及*** |
CN115345465A (zh) * | 2022-08-10 | 2022-11-15 | 航天神舟智慧***技术有限公司 | 一种基于基层治理事件的多色层级管理方法及*** |
CN115345465B (zh) * | 2022-08-10 | 2023-08-01 | 航天神舟智慧***技术有限公司 | 一种基于基层治理事件的多色层级管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111767716A (zh) | 企业多级行业信息的确定方法、装置及计算机设备 | |
CN113849595A (zh) | 一种基层治理事件类型识别方法及*** | |
CN114742477B (zh) | 企业订单数据处理方法、装置、设备及存储介质 | |
CN112667825B (zh) | 基于知识图谱的智能推荐方法、装置、设备及存储介质 | |
CN113836131A (zh) | 一种大数据清洗方法、装置、计算机设备及存储介质 | |
CN112328805A (zh) | 基于nlp的漏洞描述信息与数据库表的实体映射方法 | |
CN110245281B (zh) | 互联网资产信息收集方法及终端设备 | |
CN110532301B (zh) | 审计方法、***和可读存储介质 | |
CN112883730A (zh) | 相似文本匹配方法、装置、电子设备及存储介质 | |
CN110472048A (zh) | 一种辅助判决方法、装置及终端设备 | |
CN114298845A (zh) | 一种理赔票据处理方法和装置 | |
CN115115369A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN113112347A (zh) | 催收决策的确定方法、相关装置及计算机存储介质 | |
CN110347934B (zh) | 一种文本数据过滤方法、装置及介质 | |
CN116739605A (zh) | 交易数据检测方法、装置、设备及存储介质 | |
CN116485019A (zh) | 一种数据处理方法及装置 | |
CN116756373A (zh) | 基于知识图谱更新的项目评审专家筛选方法、***及介质 | |
CN112435151B (zh) | 一种基于关联分析的政务信息数据处理方法及*** | |
CN116010662A (zh) | 一种能源消费-碳排放查询***的构建方法、装置及介质 | |
CN115964384A (zh) | 一种数据查询方法、装置、电子设备及计算机可读介质 | |
CN113849618A (zh) | 基于知识图谱的策略确定方法、装置、电子设备及介质 | |
CN113742495A (zh) | 基于预测模型的评级特征权重确定方法及装置、电子设备 | |
CN114138743A (zh) | 基于机器学习的etl任务自动配置方法及装置 | |
CN113987206A (zh) | 异常用户的识别方法、装置、设备及存储介质 | |
CN112380321A (zh) | 基于票据知识图谱的主次数据库分配方法及相关设备 |
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 |