CN114492663A - 事件智能分拨方法、装置、设备及存储介质 - Google Patents

事件智能分拨方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114492663A
CN114492663A CN202210137918.5A CN202210137918A CN114492663A CN 114492663 A CN114492663 A CN 114492663A CN 202210137918 A CN202210137918 A CN 202210137918A CN 114492663 A CN114492663 A CN 114492663A
Authority
CN
China
Prior art keywords
event
text
vector set
preset
vector
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
CN202210137918.5A
Other languages
English (en)
Other versions
CN114492663B (zh
Inventor
徐瑞
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.)
Ping An International Smart City Technology Co Ltd
Original Assignee
Ping An International Smart City 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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202210137918.5A priority Critical patent/CN114492663B/zh
Publication of CN114492663A publication Critical patent/CN114492663A/zh
Application granted granted Critical
Publication of CN114492663B publication Critical patent/CN114492663B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • 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
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • 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
    • G06Q10/06398—Performance of employee with respect to a job function

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种事件智能分拨方法，包括：采集不同渠道来源的问题集，并对问题集进行量化处理，得到文本向量集；基于预构建的随机森林分类模型对所述文本向量集进行分级分类；利用预构建的自动判重模型，从所述问题集中筛选出重复问题集及非重复问题集，并对所述重复问题集进行处理，利用非重复问题集生成环境问题事件集；计算预设处置人员群组中处置人员的综合得分，基于分类结果及综合得分，将问题事件分配至对应的处置人员进行处理。此外，本发明还涉及区块链技术，问题集可存储于区块链的节点。本发明还提出一种问题事件智能分拨装置、电子设备以及存储介质。本发明可以提高问题时间分拨准确度和效率。

Description

事件智能分拨方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种事件智能分拨方法、装置、电子设备及计算机可读存储介质。
背景技术
智慧城市建设中都有环境问题事件处理的公众服务***，所述环境问题事件的来源途径众多，需要进行事件分拨再进行处理。
当前环境问题事件分拨方法主要存在如下两点问题：1、需要经过分配人员的判断，通过人工手动的对任务进行分拨，分配人员常常凭借自身经验按照事件的来源、类型及问题描述等内容进行人工判断进行分配，分拨的准确率不高；2、各个事件数据来源单一，不能综合多个业务部门的相关事件数据，不能总体监督，分派各个事件，会存在处理重复事件的情况。
综上所述，当前环境问题事件分拨存在分拨准确度和效率不高的问题。
发明内容
本发明提供一种事件智能分拨方法、装置及计算机可读存储介质，其主要目的在于解决进行产品推荐时的精确度较低的问题。
为实现上述目的，本发明提供的一种事件智能分拨方法，包括：
采集不同渠道来源的问题集，并对所述问题集进行量化处理，得到文本向量集；
提取所述文本向量集中的时间文本向量集，基于预构建的第一随机森林分类模型对所述时间文本向量集进行分级，得到所述问题集中各个环境问题的紧急程度；
提取所述文本向量集中的问题类型向量集，基于预构建的第二随机森林分类模型对所述问题类型向量集进行分级，得到所述问题集中各个环境问题的重要程度；
提取所述文本向量集中的环境类型向量集及地点信息向量集，基于预构建的第三随机森林分类模型对所述环境类型向量集及地点信息向量集进行分类，得到所述问题集中各个环境问题的问题类别集及区域属性集；
利用预构建的自动判重模型，对所述问题集进行去重处理，并根据去重处理后的问题集生成问题事件集，将所述问题事件集及对应的紧急程度、重要程度、问题类别及区域属性存入到预设的待分拨库中；
从所述待分拨库中获取所述问题事件的紧急程度、重要程度、问题类别及区域属性，并计算预设处置人员群组中处置人员的综合得分，基于所述紧急程度、所述重要程度、所述问题类别、所述区域属性及所述综合得分，将所述问题事件分配至对应的处置人员进行处理。
可选地，所述对所述问题集进行量化处理，得到文本向量集，包括：
将所述问题集进行分词处理，得到词语集合；
利用预构建的量化工具将所述词语集合进行量化，得到词向量集合；
根据预设的位置编码，对所述词向量集合进行顺序标注，得到顺序词向量集合；
根据预设的格式化规则，对所述顺序词向量集合进行拆分，并将拆分结果进行排列，得到矩阵向量的文本向量集。
可选地，所述基于预构建的第一随机森林分类模型对所述时间文本向量集进行分级，得到所述问题集中各个环境问题的紧急程度之前，所述方法还包括：
从所述时间文本向量集中逐个选取其中一个时间文本向量作为目标时间文本向量；
将所述目标时间文本向量作为参数对预设的决策函数进行赋值，并利用赋值后的决策函数作为决策条件，生成决策树；
汇总得到的所述决策树，得到所述第一随机森林分类模型。
可选地，所述利用预构建的自动判重模型，从所述问题集中筛选出重复问题集，包括：
利用预构建的自动判重模型中的BERT模型提取所述问题集中各个问题的文本特征向量；
利用预构建的自动判重模型中预设的相似度计算模型计算各个问题的文本特征向量之间的相似度得分；
当所述相似度得分大于或等于预设的相似度阈值时，将对应的环境问题定义为第一类重复问题；
利用所述相似度计算模型计算每个问题的文本特征向量与预设已分拨库中的问题事件的文本特征向量的相似度得分；
当所述相似度得分大于或等于预设的相似度阈值时，将对应的环境问题定义为第二类重复问题；
汇聚所述第一类重复问题及所述第二类重复问题，得到重复问题集，并按照预设的规则对所述重复问题集进行去重处理。
可选地，所述利用预构建的自动判重模型中预设的相似度计算模型计算各个问题的文本特征向量之间的相似度得分，包括：
随机选取其中一个问题的文本特征向量作为第一文本特征向量，计算所述第一文本特征向量与环境问题中其他各个文本特征向量之间的相似度，得到相似度矩阵；
对所述相似度矩阵分别按行和列进行归一化加权处理，得到注意力权重；
利用注意力权重对所述第一文本特征向量及所述其他各个文本特征向量进行加权处理，分别得到加权后的第一文本特征向量与加权后的其他各个文本特征向量；
拼接所述加权后的用第一文本特征向量与加权后的其他各个文本特征向量，并通过softmax函数计算得到所述拼接所述加权后的用第一文本特征向量与加权后的其他各个文本特征向量的相似度得分。可选地，
可选地，所述按照预设的规则对所述重复问题集进行去重处理，包括：
将所述第一类重复问题中的两个重复问题合并；
将所述第二类重复问题与所述预设已分拨库中的对应的问题事件建立关联。
可选地，所述重要程度、所述问题类别、所述区域属性及所述综合得分，将所述问题事件分配至对应的处置人员进行处理，包括：
获取处置人员当前处理的事件数，根据所述事件数，对所述处置人员进行负荷评分；
获取处置人员当前处理事件预设的结束日期，根据所述结束日期，对所述处置人员进行任务临期评分；
根据所述负荷评分及所述任务临期评分，综合计算所述处置人员的综合得分；
根据所述紧急程度、所述重要程度、所述问题类别及所述区域属性选择预设的处置人员群组；
从所述预设的处置人员群组中选择综合得分高的处置人员，将所述问题事件分配至所述综合得分高的处置人员。
为了解决上述问题，本发明还提供一种环境问题事件智能分拨装置，所述装置包括：
文本向量获取模块，用于采集不同渠道来源的问题集，并对所述问题集进行量化处理，得到文本向量集；
分类分级模块，用于提取所述文本向量集中的时间文本向量集，基于预构建的第一随机森林分类模型对所述时间文本向量集进行分级，得到所述问题集中各个环境问题的紧急程度；提取所述文本向量集中的问题类型向量集，基于预构建的第二随机森林分类模型对所述问题类型向量集进行分级，得到所述问题集中各个环境问题的重要程度；提取所述文本向量集中的环境类型向量集及地点信息向量集，基于预构建的第三随机森林分类模型对所述环境类型向量集及地点信息向量集进行分类，得到所述问题集中各个环境问题的问题类别集及区域属性集；
去重模块，用于利用预构建的自动判重模型，对所述问题集进行去重处理，并根据去重处理后的问题集生成问题事件集，将所述问题事件集及对应的紧急程度、重要程度、问题类别及区域属性存入到预设的待分拨库中；
事件分配模块，用于从所述待分拨库中获取所述问题事件的紧急程度、重要程度、问题类别及区域属性，并计算预设处置人员群组中处置人员的综合得分，基于所述紧急程度、所述重要程度、所述问题类别、所述区域属性及所述综合得分，将所述问题事件分配至对应的处置人员进行处理。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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上述所述的事件智能分拨方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的事件智能分拨方法。
本发明实施例通过采集不同渠道来源的问题集，并对所述问题集进行量化处理，得到文本向量集；提取所述文本向量集中的时间文本向量集，基于预构建的随机森林分类模型对所述时间文本向量集进行分级分类，得到所述问题集中各个环境问题的紧急程度、重要程度、问题类别及区域属性,对所述问题集分级分类，有利于扁平化管理，有利于提高分拨精确度；利用预构建的自动判重模型，从所述问题集中筛选出重复问题集及非重复问题集，并对所述重复问题集进行处理，利用非重复问题集生成环境问题事件集，识别重复问题，有利于减少问题事件的重复处理次数，进而提升问题事件分拨的效率；计算预设处置人员群组中处置人员的综合得分，基于紧急程度、重要程度、问题类别、区域属性及处置人员的综合得分，将所述问题事件分配至对应的处置人员进行处理,对预设处置人员群组中处置人员进行得分计算，优先将新任务分配给任务总数较少及紧急程度不高的处置人员，有利提升问题事件分拨准确度和效率。因此本发明提出的事件智能分拨方法、装置、电子设备及计算机可读存储介质，可以解决进行问题事件分拨准确度和效率不高的问题。
附图说明
图1为本发明一实施例提供的事件智能分拨方法的流程示意图；
图2为图1所示事件智能分拨方法中其中一个步骤的详细实施流程示意图；
图3为图1所示事件智能分拨方法中其中另一个步骤的详细实施流程示意图；
图4为本发明一实施例提供的环境问题事件智能分拨装置的功能模块图；
图5为本发明一实施例提供的实现所述事件智能分拨方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种事件智能分拨方法。所述事件智能分拨方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述事件智能分拨方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的事件智能分拨方法的流程示意图。在本实施例中，所述事件智能分拨方法包括：
S1、采集不同渠道来源的问题集，并对所述问题集进行量化处理，得到文本向量集。
本发明其中一个实施例中，所述不同渠道来源的问题集可以包括大气、水、生态环境、辐射、土壤、噪声、固废、机动车监管等所有环境要素的自动监测设备生成的问题日志或者信访投诉***、网格巡查***、环境污染在线监控***等***生成的环境问题。
详细地，S1中所述对所述问题集进行量化处理，得到文本向量集，包括：
将所述问题集进行分词处理，得到词语集合；
利用预构建的量化工具将所述词语集合进行量化，得到词向量集合；
根据预设的位置编码，对所述词向量集合进行顺序标注，得到顺序词向量集合；
根据预设的格式化规则，对所述顺序词向量集合进行拆分，并将拆分结果进行排列，得到矩阵向量的文本向量集。
本发明实施例先通过分词操作得到词语集合，再通过word2Vec模型等量化工具对所述词语集合进行量化，得到词向量集合，由于所述词向量集合的数据为离散的，不利于后续进行分级分类，本发明实施例通过预设的位置编码，如【句外编码(E_A、E_B、E_C……)、句内编码(E_0、E_1、E_2……)】对所述词向量集合进行分句及排序操作，得到顺序词向量集合，由于所述顺序词向量集合为一维较长的向量，本发明通过所述格式化规则，将所述顺序词向量集合切分组合为N×M的矩阵形式。其中所述word2S6Vec模型是一群用来产生词向量的相关模型，通过映射每个词到一个词向量，来表示词对词之间的关系。
本发明实施例中，根据数据类型的不同，所述文本向量集可以划分为时间文本向量集、问题类型向量集、环境类型向量集及地点信息向量集。其中，所述时间文本向量集是指所述文本向量集中带有时间标签的文本向量。例如所述问题的发生时间、结束时间等。所述问题类型向量集是指所述文本向量集中所述问题的来源类型。本发明实施例中，所述问题类型向量集包括请求执法、设备校准、信访投诉、数据异常等；所述环境类型向量集是指所述文本向量集中问题所对应的环境类型，本发明实施例中，所述环境类型包括气、涉水、生态环境、辐射、土壤、噪声、固废等。所述地点信息向量集是指所述文本向量集中包含的地点信息。所述地点信息为问题发生的地点，例如问题发生的省份、市、区、街道、小区或道路名称等。
S2、提取所述文本向量集中的时间文本向量集，基于预构建的第一随机森林分类模型对所述时间文本向量集进行分级，得到所述问题集中各个环境问题的紧急程度。
本发明实施例中，所述随机森林算法(Random Forest，简称RF)是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树。以分类问题为例，每棵决策树都是一个分类器，对于一个输入样本，N棵树会有N个分类结果，而随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出，从而获得最优的类别。
本发明其中一个实施例中，S2中所述基于预构建的第一随机森林分类模型对所述时间文本向量集进行分级，得到所述问题集中各个环境问题的紧急程度之前，所述方法还包括：
从所述时间文本向量集中逐个选取其中一个时间文本向量作为目标时间文本向量；
将所述目标时间文本向量作为参数对预设的决策函数进行赋值，并利用赋值后的决策函数作为决策条件，生成决策树；
汇总得到的所述决策树，得到所述第一随机森林分类模型。
示例性地，所述决策函数可以为：
Figure BDA0003505107460000081
其中，f(x)为所述决策函数的输出值，x为所述决策函数的参数，g(y)为所述决策函数的输入值。
详细地，本发明实施例可从所述时间文本向量集中逐个选取其中一个时间文本向量为目标时间文本向量，利用该目标时间文本向量对所述决策函数的参数x进行赋值，并将赋值后的决策函数作为决策条件生成如下决策树：
当所述决策树的输入值g(y)与所述决策树的参数x相同时，该决策树输出值f(x)＝α；
当所述决策树的输入至g(y)与所述决策树的参数x不相同时，该决策树输出值f(x)＝β。
本发明实施例中，可利用并联或者串联的形式将所述时间文本向量集中每一个时间文本向量对应的决策树进行汇集，得到第一随机森林分类模型。
进一步地，所述基于预构建的第一随机森林分类模型对所述时间文本向量集进行分级，得到所述问题集中各个环境问题的紧急程度，包括：
获取所述第一随机森林分类模型中的多个决策树及每个决策树中至少一层节点的决策维度索引和决策条件；
根据所述第一随机森林分类模型中第一节点的决策维度索引，对所述时间文本向量集进行特征提取，得到所述时间文本向量集在所述第一节点的***维度上的特征值；
根据所述第一节点的决策条件对所述特征值进行判断，根据判断结果从所述第一节点的分支节点中确定遍历的第二节点；
根据当前决策维度索引和决策条件，继续提取所述时间文本向量集在所述第二节点的特征值并确定待遍历的下一节点，直至所述决策树遍历完成，得到所述问题集中各个环境问题的紧急程度。
本发明实施例中，所述决策维度索引用于唯一确定***维度，所述***维度和所述决策条件用于从对应节点的分支节点中确定待遍历的下一节点。
本发明实施例中，利用所述时间文本向量，对所述环境问题进行紧急程度的分级，例如：将所述环境问题分为特急、紧急、一般，便于根据紧急程度将所述环境问题分配给不通的处置人员。
S3、提取所述文本向量集中的问题类型向量集，基于预构建的第二随机森林分类模型对所述问题类型向量集进行分级，得到所述问题集中各个环境问题的重要程度。
本发明实施例中，所述基于预构建的第二随机森林分类模型对所述问题类型向量集进行分级，得到所述问题集中各个环境问题的重要程度的步骤，与S2中所述基于预构建的第一随机森林分类模型对所述时间文本向量集进行分级，得到所述问题集中各个环境问题的紧急程度的步骤相似，在此不做赘述。
本发明实施例中，根据所述问题类型向量集中的问题类型，对所述问题进行分级得到各个问题的重要程度。例如：将所述问题划分为一级预警、二级预警、三级预警等，可以根据所述问题的重要程度将所述问题分配给不同级别的处置人员。
S4、提取所述文本向量集中的环境类型向量集及地点信息向量集，基于预构建的第三随机森林分类模型对所述环境类型向量集及地点信息向量集进行分类，得到所述问题集中各个环境问题的问题类别集及区域属性集。
本发明实施例中，所述基于预构建的第三随机森林分类模型对所述环境类型向量集及地点信息向量集进行分类，得到所述问题集中各个环境问题的问题类别集及区域属性集的步骤，与S2中基于预构建的第一随机森林分类模型对所述时间文本向量集进行分级，得到所述问题集中各个环境问题的紧急程度的步骤相似，在此也不做赘述。
本发明实施例中，根据所述环境类型向量集中的环境类型，对所述问题进行分类，得到所述问题的问题类别及区域属性，根据所述问题类别及区域属性将所述问题推送到不同的处置部门。
本发明其中一个实施例中，所述步骤S2、S3、S4之间没有固定的先后顺序，可以并行执行，也可以按照任意的顺序先后执行。
S5、利用预构建的自动判重模型，对所述问题集进行去重处理，并根据去重处理后的问题集生成问题事件集，将所述问题事件集及对应的紧急程度、重要程度、问题类别及区域属性存入到预设的待分拨库中。
本发明实施例中，所述自动判重模型可以由BERT模型和相似度计算模型共同构建；其中所述BERT模型为基于双向Transformer的大规模预训练语言模型，拥有强大的语言表征能力和特征提取能力，可提取文本中每个词的特征并进行匹配；其中所述相似度计算模型包含相似度匹配层、全连接层，其中所述相似度匹配层可对待匹配文本进行外积，得到相似度矩阵；其中所述全连接层可以通过softmax归一化二维向量得到相似度得分。
详细地，参考图2所示，S5中所述利用预构建的自动判重模型，对所述问题集进行去重处理，包括：
S51、利用预构建的自动判重模型中的BERT模型提取所述问题集中各个问题的文本特征向量；
S52、利用预构建的自动判重模型中预设的相似度计算模型计算各个问题的文本特征向量之间的相似度得分；
S53、当所述相似度得分大于或等于预设的相似度阈值时，将对应的环境问题定义为第一类重复问题；
S54、利用所述相似度计算模型计算每个问题的文本特征向量与预设已分拨库中的问题事件的文本特征向量的相似度得分；
S55、当所述相似度得分大于或等于预设的相似度阈值时，将对应的问题定义为第二类重复问题；
S56、汇聚所述第一类重复问题及所述第二类重复问题，得到重复问题集，并按照预设的规则对所述重复问题集进行去重处理。
详细地，参阅图3所示，所述S52进一步包括：
S521、随机选取其中一个问题的文本特征向量作为第一文本特征向量，计算所述第一文本特征向量与所述问题中其他各个文本特征向量之间的相似度，得到相似度矩阵；
S522、对所述相似度矩阵分别按行和列进行归一化加权处理，得到注意力权重；
S523、利用注意力权重对所述第一文本特征向量及所述其他各个文本特征向量进行加权处理，分别得到加权后的第一文本特征向量与加权后的其他各个文本特征向量；
S524、拼接所述加权后的用第一文本特征向量与加权后的其他各个文本特征向量，并通过softmax函数计算得到所述拼接所述加权后的用第一文本特征向量与加权后的其他各个文本特征向量的相似度得分。
本发明实施例通过所述注意力权重提高所述问题之间的相似度得分计算的准确度，进而提升了问题事件分拨的准确率。
进一步地，所述S56中所述按照预设的规则对所述重复问题集进行去重处理，包括：
将所述第一类重复问题中的两个重复问题合并；
将所述第二类重复问题与所述预设已分拨库中的对应的问题事件建立关联。
本发明实施例将将第一类重复问题中的两个重复问题合并，并将所述合并后的问题定义为问题事件，被合并的重复问题定义为重复事件，并将所述重复事件存入预设的待确认库中。待所述问题事件处置完成之后，将所述问题事件的办理流程自动关联到对应的重复事件，同时激活对应的重复事件的办结处理流程。自动识别重复问题，有利于减少环境问题事件的重复处理次数，进而提升环境问题事件分拨的效率。
进一步地，本发明实施例中将第二类重复问题与所述预设已分拨库中的问题事件建立关联，待所述预设已分拨库中的问题事件办结后，自动关联所述待分拨库，同时激活所述第二类重复问题的办结处理流程。
S6、从所述待分拨库中获取所述问题事件的紧急程度、重要程度、问题类别及区域属性，并计算预设处置人员群组中处置人员的综合得分，基于所述紧急程度、所述重要程度、所述问题类别、所述区域属性及所述综合得分，将所述问题事件分配至对应的处置人员进行处理。
详细地，S6中所述计算预设处置人员群组中处置人员的综合得分，基于所述紧急程度、所述重要程度、所述问题类别、所述区域属性及所述综合得分，将所述问题事件分配至对应的处置人员进行处理，包括：
获取处置人员当前处理的事件数，根据所述事件数，对所述处置人员进行负荷评分；
其中，所述处置人员进行负荷评分的计算方法如下：
Figure BDA0003505107460000111
其中
Figure BDA0003505107460000121
为第j个处置人员的负荷评分；j为第j个处置人员；a为负荷评分的标识；Tj为所述处置人员的任务数；maxjTj为第j个处置人员对应最多事件数，minjTj第j个处置人员对应最少事件数。
获取处置人员当前处理事件预设的结束日期，根据所述结束日期，对所述处置人员进行任务临期评分；
Figure BDA0003505107460000122
其中
Figure BDA0003505107460000123
为第j个处置人员的任务临期评分；j为第j个处置人员；c为任务临期评分的标识；
根据所述负荷评分及所述任务临期评分，综合计算所述处置人员的综合得分；
根据所述紧急程度、所述重要程度、所述问题类别及所述区域属性选择预设的处置人员群组；
从所述预设的处置人员群组中选择综合得分高的处置人员，将所述问题事件分配至所述综合得分高的处置人员。
本发明实施例中所述处置人员群组，按照不同的业务***，不同区域别进行分类，例如某环境问题事件对应的紧急程度为紧急、重要程度为二级、问题类别为水污染、区域属性为某街道，分配给某街道对应的环保部门的执法人员群组；例如某环境问题事件对应的紧急程度为一般、重要程度为三级、问题类别为水污染、区域属性为某街道分配给某街道对应的环保部门的网格人员群组。
进一步地，本发明实施例再根据对应处置人员群组内处置人员的综合得分，选择得分高地处置人员进行问题处理。
本发明实施例根据处置人员当前处理的事件数、所述当前处理事件预设的结束日期对处置人员进行综合评分，将所述环境问题事件分配至所述处置人员群组中所述综合得分高的处置人员。能够考虑到各处置人员现有任务负荷的均衡性及承建问题事件的紧急程度，优先将新任务分配给任务总数较少及紧急程度不高的处置人员，支撑实现责任到人、扁平化管理模式。
本发明实施例通过采集不同渠道来源的问题集，并对所述问题集进行量化处理，得到文本向量集；提取所述文本向量集中的时间文本向量集，基于预构建的随机森林分类模型对所述时间文本向量集进行分级分类，得到所述问题集中各个环境问题的紧急程度、重要程度、问题类别及区域属性,对所述问题集分级分类，有利于扁平化管理，有利于提高分拨精确度；利用预构建的自动判重模型，从所述问题集中筛选出重复问题集及非重复问题集，并对所述重复问题集进行处理，利用非重复问题集生成环境问题事件集，识别重复问题，有利于减少问题事件的重复处理次数，进而提升问题事件分拨的效率；计算预设处置人员群组中处置人员的综合得分，基于紧急程度、重要程度、问题类别、区域属性及处置人员的综合得分，将所述问题事件分配至对应的处置人员进行处理,对预设处置人员群组中处置人员进行得分计算，优先将新任务分配给任务总数较少及紧急程度不高的处置人员，有利提升问题事件分拨准确度和效率。因此本发明提出的事件智能分拨方法，可以解决进行问题事件分拨准确度和效率不高的问题。
如图4所示，是本发明一实施例提供的环境问题事件智能分拨装置的功能模块图。
本发明所述环境问题事件智能分拨装置100可以安装于电子设备中。根据实现的功能，所述环境问题事件智能分拨装置100可以包括文本向量获取模块101、分类分级模块102、去重模块103及事件分配模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述文本向量获取模块101，用于采集不同渠道来源的问题集，并对所述问题集进行量化处理，得到文本向量集；
所述分类分级模块102，用于提取所述文本向量集中的时间文本向量集，基于预构建的第一随机森林分类模型对所述时间文本向量集进行分级，得到所述问题集中各个环境问题的紧急程度；提取所述文本向量集中的问题类型向量集，基于预构建的第二随机森林分类模型对所述问题类型向量集进行分级，得到所述问题集中各个环境问题的重要程度；提取所述文本向量集中的环境类型向量集及地点信息向量集，基于预构建的第三随机森林分类模型对所述环境类型向量集及地点信息向量集进行分类，得到所述问题集中各个环境问题的问题类别集及区域属性集；
所述去重模块103，用于利用预构建的自动判重模型，对所述问题集进行去重处理，并根据去重处理后的问题集生成问题事件集，将所述问题事件集及对应的紧急程度、重要程度、问题类别及区域属性存入到预设的待分拨库中；
所述事件分配模块104，用于从所述待分拨库中获取所述问题事件的紧急程度、重要程度、问题类别及区域属性，并计算预设处置人员群组中处置人员的综合得分，基于所述紧急程度、所述重要程度、所述问题类别、所述区域属性及所述综合得分，将所述问题事件分配至对应的处置人员进行处理。
详细地，本发明实施例中所述环境问题事件智能分拨装置100中所述的各模块在使用时采用与上述图1至图3中所述的事件智能分拨方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现事件智能分拨方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如环境问题事件智能分拨程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行环境问题事件智能分拨程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如环境问题事件智能分拨程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的环境问题事件智能分拨程序是多个指令的组合，在所述处理器10中运行时，可以实现：
采集不同渠道来源的问题集，并对所述问题集进行量化处理，得到文本向量集；
提取所述文本向量集中的时间文本向量集，基于预构建的第一随机森林分类模型对所述时间文本向量集进行分级，得到所述问题集中各个环境问题的紧急程度；
提取所述文本向量集中的问题类型向量集，基于预构建的第二随机森林分类模型对所述问题类型向量集进行分级，得到所述问题集中各个环境问题的重要程度；
提取所述文本向量集中的环境类型向量集及地点信息向量集，基于预构建的第三随机森林分类模型对所述环境类型向量集及地点信息向量集进行分类，得到所述问题集中各个环境问题的问题类别集及区域属性集；
利用预构建的自动判重模型，对所述问题集进行去重处理，并根据去重处理后的问题集生成问题事件集，将所述问题事件集及对应的紧急程度、重要程度、问题类别及区域属性存入到预设的待分拨库中；
从所述待分拨库中获取所述问题事件的紧急程度、重要程度、问题类别及区域属性，并计算预设处置人员群组中处置人员的综合得分，基于所述紧急程度、所述重要程度、所述问题类别、所述区域属性及所述综合得分，将所述问题事件分配至对应的处置人员进行处理。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
采集不同渠道来源的问题集，并对所述问题集进行量化处理，得到文本向量集；
提取所述文本向量集中的时间文本向量集，基于预构建的第一随机森林分类模型对所述时间文本向量集进行分级，得到所述问题集中各个环境问题的紧急程度；
提取所述文本向量集中的问题类型向量集，基于预构建的第二随机森林分类模型对所述问题类型向量集进行分级，得到所述问题集中各个环境问题的重要程度；
提取所述文本向量集中的环境类型向量集及地点信息向量集，基于预构建的第三随机森林分类模型对所述环境类型向量集及地点信息向量集进行分类，得到所述问题集中各个环境问题的问题类别集及区域属性集；
利用预构建的自动判重模型，对所述问题集进行去重处理，并根据去重处理后的问题集生成问题事件集，将所述问题事件集及对应的紧急程度、重要程度、问题类别及区域属性存入到预设的待分拨库中；
从所述待分拨库中获取所述问题事件的紧急程度、重要程度、问题类别及区域属性，并计算预设处置人员群组中处置人员的综合得分，基于所述紧急程度、所述重要程度、所述问题类别、所述区域属性及所述综合得分，将所述问题事件分配至对应的处置人员进行处理。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种事件智能分拨方法，其特征在于，所述方法包括：
采集不同渠道来源的问题集，并对所述问题集进行量化处理，得到文本向量集；
提取所述文本向量集中的时间文本向量集，基于预构建的第一随机森林分类模型对所述时间文本向量集进行分级，得到所述问题集中各个环境问题的紧急程度；
提取所述文本向量集中的问题类型向量集，基于预构建的第二随机森林分类模型对所述问题类型向量集进行分级，得到所述问题集中各个环境问题的重要程度；
提取所述文本向量集中的环境类型向量集及地点信息向量集，基于预构建的第三随机森林分类模型对所述环境类型向量集及地点信息向量集进行分类，得到所述问题集中各个环境问题的问题类别集及区域属性集；
利用预构建的自动判重模型，对所述问题集进行去重处理，并根据去重处理后的问题集生成问题事件集，将所述问题事件集及对应的紧急程度、重要程度、问题类别及区域属性存入到预设的待分拨库中；
从所述待分拨库中获取所述问题事件的紧急程度、重要程度、问题类别及区域属性，并计算预设处置人员群组中处置人员的综合得分，基于所述紧急程度、所述重要程度、所述问题类别、所述区域属性及所述综合得分，将所述问题事件分配至对应的处置人员进行处理。
2.如权利要求1所述的事件智能分拨方法，其特征在于，所述对所述问题集进行量化处理，得到文本向量集，包括：
将所述问题集进行分词处理，得到词语集合；
利用预构建的量化工具将所述词语集合进行量化，得到词向量集合；
根据预设的位置编码，对所述词向量集合进行顺序标注，得到顺序词向量集合；
根据预设的格式化规则，对所述顺序词向量集合进行拆分，并将拆分结果进行排列，得到矩阵向量的文本向量集。
3.如权利要求2所述的事件智能分拨方法，其特征在于，所述基于预构建的第一随机森林分类模型对所述时间文本向量集进行分级，得到所述问题集中各个环境问题的紧急程度之前，所述方法还包括：
从所述时间文本向量集中逐个选取其中一个时间文本向量作为目标时间文本向量；
将所述目标时间文本向量作为参数对预设的决策函数进行赋值，并利用赋值后的决策函数作为决策条件，生成决策树；
汇总得到的所述决策树，得到所述第一随机森林分类模型。
4.如权利要求1所述的事件智能分拨方法，其特征在于，所述利用预构建的自动判重模型，从所述问题集中筛选出重复问题集，包括：
利用预构建的自动判重模型中的BERT模型提取所述问题集中各个问题的文本特征向量；
利用预构建的自动判重模型中预设的相似度计算模型计算各个问题的文本特征向量之间的相似度得分；
当所述相似度得分大于或等于预设的相似度阈值时，将对应的环境问题定义为第一类重复问题；
利用所述相似度计算模型计算每个问题的文本特征向量与预设已分拨库中的问题事件的文本特征向量的相似度得分；
当所述相似度得分大于或等于预设的相似度阈值时，将对应的环境问题定义为第二类重复问题；
汇聚所述第一类重复问题及所述第二类重复问题，得到重复问题集，并按照预设的规则对所述重复问题集进行去重处理。
5.如权利要求4所述的事件智能分拨方法，其特征在于，所述利用预构建的自动判重模型中预设的相似度计算模型计算各个问题的文本特征向量之间的相似度得分，包括：
随机选取其中一个问题的文本特征向量作为第一文本特征向量，计算所述第一文本特征向量与环境问题中其他各个文本特征向量之间的相似度，得到相似度矩阵；
对所述相似度矩阵分别按行和列进行归一化加权处理，得到注意力权重；
利用注意力权重对所述第一文本特征向量及所述其他各个文本特征向量进行加权处理，分别得到加权后的第一文本特征向量与加权后的其他各个文本特征向量；
拼接所述加权后的用第一文本特征向量与加权后的其他各个文本特征向量，并通过softmax函数计算得到所述拼接所述加权后的用第一文本特征向量与加权后的其他各个文本特征向量的相似度得分。
6.如权利要求4所述的事件智能分拨方法，其特征在于，所述按照预设的规则对所述重复问题集进行去重处理，包括：
将所述第一类重复问题中的两个重复问题合并；
将所述第二类重复问题与所述预设已分拨库中的对应的问题事件建立关联。
7.如权利要求1至6中任一项所述的事件智能分拨方法，其特征在于，所述计算预设处置人员群组中处置人员的综合得分，基于所述紧急程度、所述重要程度、所述问题类别、所述区域属性及所述综合得分，将所述问题事件分配至对应的处置人员进行处理，包括：
获取处置人员当前处理的事件数，根据所述事件数，对所述处置人员进行负荷评分；
获取处置人员当前处理事件预设的结束日期，根据所述结束日期，对所述处置人员进行任务临期评分；
根据所述负荷评分及所述任务临期评分，综合计算所述处置人员的综合得分；
根据所述紧急程度、所述重要程度、所述问题类别及所述区域属性选择预设的处置人员群组；
从所述预设的处置人员群组中选择综合得分高的处置人员，将所述问题事件分配至所述综合得分高的处置人员。
8.一种环境问题事件智能分拨装置，其特征在于，所述装置包括：
文本向量获取模块，用于采集不同渠道来源的问题集，并对所述问题集进行量化处理，得到文本向量集；
分类分级模块，用于提取所述文本向量集中的时间文本向量集，基于预构建的第一随机森林分类模型对所述时间文本向量集进行分级，得到所述问题集中各个环境问题的紧急程度；提取所述文本向量集中的问题类型向量集，基于预构建的第二随机森林分类模型对所述问题类型向量集进行分级，得到所述问题集中各个环境问题的重要程度；提取所述文本向量集中的环境类型向量集及地点信息向量集，基于预构建的第三随机森林分类模型对所述环境类型向量集及地点信息向量集进行分类，得到所述问题集中各个环境问题的问题类别集及区域属性集；
去重模块，用于利用预构建的自动判重模型，对所述问题集进行去重处理，并根据去重处理后的问题集生成问题事件集，将所述问题事件集及对应的紧急程度、重要程度、问题类别及区域属性存入到预设的待分拨库中；
事件分配模块，用于从所述待分拨库中获取所述问题事件的紧急程度、重要程度、问题类别及区域属性，并计算预设处置人员群组中处置人员的综合得分，基于所述紧急程度、所述重要程度、所述问题类别、所述区域属性及所述综合得分，将所述问题事件分配至对应的处置人员进行处理。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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如权利要求1至7中任意一项所述的事件智能分拨方法。
10.一种计算机可读存储介质，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中任意一项所述的事件智能分拨方法。
CN202210137918.5A 2022-02-15 2022-02-15 事件智能分拨方法、装置、设备及存储介质 Active CN114492663B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210137918.5A CN114492663B (zh) 2022-02-15 2022-02-15 事件智能分拨方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210137918.5A CN114492663B (zh) 2022-02-15 2022-02-15 事件智能分拨方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114492663A true CN114492663A (zh) 2022-05-13
CN114492663B CN114492663B (zh) 2024-06-07

Family

ID=81479958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210137918.5A Active CN114492663B (zh) 2022-02-15 2022-02-15 事件智能分拨方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114492663B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115170053A (zh) * 2022-05-24 2022-10-11 中睿信数字技术有限公司 一种基于聚类融合的事件分拨处置***
CN115203361A (zh) * 2022-06-13 2022-10-18 华院计算技术(上海)股份有限公司 事件分拨方法及装置、存储介质、终端
CN116777174A (zh) * 2023-07-05 2023-09-19 中国环境科学研究院 流域监管方法、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140039955A1 (en) * 2012-08-01 2014-02-06 Hon Hai Precision Industry Co., Ltd. Task assignment management system and method
CN112749264A (zh) * 2020-12-30 2021-05-04 平安科技（深圳）有限公司 基于智能机器人的问题分发方法、装置、电子设备及存储介质
US20210295095A1 (en) * 2020-03-19 2021-09-23 Beijing Baidu Netcom Science And Technology Co., Ltd. Event extraction method, event extraction device, and electronic device
CN113535959A (zh) * 2021-07-29 2021-10-22 长三角信息智能创新研究院 面向基层治理的事件自动分拨方法
CN113706322A (zh) * 2021-08-31 2021-11-26 康键信息技术（深圳）有限公司 基于数据分析的服务分发方法、装置、设备及存储介质
CN113806492A (zh) * 2021-09-30 2021-12-17 中国平安人寿保险股份有限公司 基于语义识别的记录生成方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140039955A1 (en) * 2012-08-01 2014-02-06 Hon Hai Precision Industry Co., Ltd. Task assignment management system and method
US20210295095A1 (en) * 2020-03-19 2021-09-23 Beijing Baidu Netcom Science And Technology Co., Ltd. Event extraction method, event extraction device, and electronic device
CN112749264A (zh) * 2020-12-30 2021-05-04 平安科技（深圳）有限公司 基于智能机器人的问题分发方法、装置、电子设备及存储介质
CN113535959A (zh) * 2021-07-29 2021-10-22 长三角信息智能创新研究院 面向基层治理的事件自动分拨方法
CN113706322A (zh) * 2021-08-31 2021-11-26 康键信息技术（深圳）有限公司 基于数据分析的服务分发方法、装置、设备及存储介质
CN113806492A (zh) * 2021-09-30 2021-12-17 中国平安人寿保险股份有限公司 基于语义识别的记录生成方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115170053A (zh) * 2022-05-24 2022-10-11 中睿信数字技术有限公司 一种基于聚类融合的事件分拨处置***
CN115203361A (zh) * 2022-06-13 2022-10-18 华院计算技术(上海)股份有限公司 事件分拨方法及装置、存储介质、终端
CN115203361B (zh) * 2022-06-13 2024-04-02 华院计算技术(上海)股份有限公司 事件分拨方法及装置、存储介质、终端
CN116777174A (zh) * 2023-07-05 2023-09-19 中国环境科学研究院 流域监管方法、电子设备及存储介质

Also Published As

Publication number Publication date
CN114492663B (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
CN114492663B (zh) 事件智能分拨方法、装置、设备及存储介质
CN113033198B (zh) 相似文本推送方法、装置、电子设备及计算机存储介质
CN111782900B (zh) 异常业务检测方法、装置、电子设备及存储介质
CN112182246A (zh) 通过大数据分析建立企业画像的方法、***、介质及应用
CN112948595B (zh) 城市群运行状态知识图谱构建方法、***及设备
CN113157927A (zh) 文本分类方法、装置、电子设备及可读存储介质
CN111950625A (zh) 基于人工智能的风险识别方法、装置、计算机设备及介质
CN113806434B (zh) 大数据处理方法、装置、设备及介质
CN114399212A (zh) 生态环境质量评估方法、装置、电子设备及存储介质
CN114626735A (zh) 催收案件分配方法、装置、设备及计算机可读存储介质
CN112883730A (zh) 相似文本匹配方法、装置、电子设备及存储介质
CN113628043B (zh) 基于数据分类的投诉有效性判断方法、装置、设备及介质
CN114969484A (zh) 业务数据搜索方法、装置、设备及存储介质
CN114418360A (zh) 一种智慧城市运行体征大数据分析方法及装置
CN111930963B (zh) 知识图谱生成方法、装置、电子设备及存储介质
CN117155771B (zh) 一种基于工业物联网的设备集群故障溯源方法及装置
CN113658002A (zh) 基于决策树的交易结果生成方法、装置、电子设备及介质
CN112801222A (zh) 基于二分类模型的多分类方法、装置、电子设备及介质
CN116843481A (zh) 知识图谱分析方法、装置、设备及存储介质
CN114708073A (zh) 一种围标串标智能检测方法、装置、电子设备及存储介质
CN115221274A (zh) 文本情感分类方法、装置、电子设备及存储介质
CN114996386A (zh) 业务角色识别方法、装置、设备及存储介质
CN114841165A (zh) 用户数据分析及展示方法、装置、电子设备及存储介质
CN113657546A (zh) 信息分类方法、装置、电子设备及可读存储介质
CN113706207A (zh) 基于语义解析的订单成交率分析方法、装置、设备及介质

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
GR01 Patent grant