CN116485587B - 社区服务获取方法与提供方法、电子设备、存储介质 - Google Patents
社区服务获取方法与提供方法、电子设备、存储介质 Download PDFInfo
- Publication number
- CN116485587B CN116485587B CN202310458609.2A CN202310458609A CN116485587B CN 116485587 B CN116485587 B CN 116485587B CN 202310458609 A CN202310458609 A CN 202310458609A CN 116485587 B CN116485587 B CN 116485587B
- Authority
- CN
- China
- Prior art keywords
- service
- information
- manager
- community
- work order
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims description 155
- 238000012545 processing Methods 0.000 claims description 73
- 230000015654 memory Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 description 28
- 238000013528 artificial neural network Methods 0.000 description 21
- 239000013598 vector Substances 0.000 description 20
- 230000006870 function Effects 0.000 description 14
- 230000014509 gene expression Effects 0.000 description 14
- 238000007726 management method Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000012384 transportation and delivery Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 241001672694 Citrus reticulata Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001575999 Hakka Species 0.000 description 1
- 235000016278 Mentha canadensis Nutrition 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000287107 Passer Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- NGVDGCNFYWLIFO-UHFFFAOYSA-N pyridoxal 5'-phosphate Chemical compound CC1=NC=C(COP(O)(O)=O)C(C=O)=C1O NGVDGCNFYWLIFO-UHFFFAOYSA-N 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
-
- 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
- G06F40/30—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
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Computer Interaction (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及智能社区技术领域,尤其是涉及一种社区服务获取方法与提供方法、电子设备、存储介质。本申请社区服务获取方法,应用于用户终端,需要先获取服务请求信息,再对服务请求信息进行解析,得到服务内容信息与服务类型信息,对服务内容信息进行关键字段识别,生成工单信息,根据服务类型信息确定服务请求的服务类型,当服务类型为范式社区服务时,将工单信息发送至平台服务端,以获取类型化反馈服务,当服务类型为变通性社区服务时,将工单信息发送至管家服务端,以获取个性化反馈服务,既能够从平台服务端获取快捷的类型化反馈服务,又能够从管家服务端获取灵活的个***,提高居民获取社区服务的灵活性和多样性。
Description
技术领域
本申请涉及智能社区技术领域,尤其是涉及一种社区服务获取方法与提供方法、电子设备、存储介质。
背景技术
随着人们生活水平的提高,人们对社区服务的获取越来越重视。需要指出,近年来建设的新兴社区往往配套有较为完善的物业服务体系,以供居民从中获取社区服务。然而,数量众多的老旧社区可能会由于缺乏配套的物业团队,以至于缺乏维护、缺乏管理,使得社区居民难以享受到基础的物业服务保障,造成生活不便。
相关技术中,这些老旧社区的居民若想享受到社区服务,需要通过互联网在海量的社区服务信息中进行甄选与比对,繁琐的操作步骤对老旧社区的居民并不友好,并且,目前从互联网中能够获取的服务类型较为固定,一些社区居民不能享受到灵活、个性化的社区服务。因此,在为居民提供方便、快捷的社区服务的同时,如何从社区居民提供的信息中确定个性化的服务请求并予以派发对应的社区服务,已经成为业内亟待解决的一个问题。
发明内容
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种社区服务获取方法与提供方法、电子设备、存储介质,能够在为居民提供方便、快捷的社区服务的同时,从社区居民提供的信息中确定个性化的服务请求并予以派发对应的社区服务,提高居民获取社区服务的灵活性和多样性,使老旧社区的居民也能够获取到便民的社区服务。
根据本申请的第一方面实施例的社区服务获取方法,应用于用户终端,所述方法包括:
获取服务请求信息,所述服务请求信息用于反映目标对象的服务请求;
对所述服务请求信息进行解析,得到服务内容信息与服务类型信息;
对所述服务内容信息进行关键字段识别,生成工单信息;
根据所述服务类型信息确定所述服务请求的服务类型;
当所述服务类型为范式社区服务时,将所述工单信息发送至平台服务端,以使所述平台服务端根据所述工单信息向所述目标对象提供类型化反馈服务;
当所述服务类型为变通性社区服务时,将所述工单信息发送至管家服务端,以使所述管家服务端根据所述工单信息向所述目标对象提供个性化反馈服务。
根据本申请的一些实施例,所述获取服务请求信息,包括;
获取音频形式的模式选择指令,并根据所述模式选择指令确定与所述目标对象对应的服务请求模式;
当所述服务请求模式为特殊人群模式时,通过所述用户终端的声音采集单元对所述目标对象的声音数据进行采集,得到音频请求指令;
获取所述服务请求信息,所述服务请求信息经由预训练的音频处理模型对所述音频请求指令进行语音识别而得到。
根据本申请的一些实施例,在所述基于预训练的音频处理模型对所述音频请求指令进行语音识别,得到所述服务请求信息之前,所述方法还包括对所述音频处理模型进行预训练,具体包括:
获取方言训练数据集,所述训练数据集包括多个方言训练样本,每一所述方言训练样本配置有对应的方言训练标签;
将所述方言训练数据集输入原始的所述音频处理模型,并基于所述方言训练样本、所述方言训练标签对所述音频处理模型进行迭代训练;
当所述音频处理模型在迭代训练中符合第一预设条件,得到预训练后的所述音频处理模型。
根据本申请的一些实施例,所述将所述工单信息发送至管家服务端,包括:
获取预设的管家信息库,所述管家信息库包括多个管家标识信息,每一所述管家标识信息配置有对应的管家标签信息,所述管家标识信息用于标识候选的社区服务管家;
基于所述工单信息对所述管家标签信息进行关联性匹配处理,得到目标标签信息;
将所述目标标签信息对应的所述管家标识信息确定为目标标识信息;
将所述目标标识信息与所述工单信息发送至所述管家服务端,以使所述管家服务端将所述工单信息派发至所述目标标识信息对应的所述社区服务管家。
根据本申请的一些实施例,所述将所述工单信息发送至管家服务端,包括:
获取预设的管家信息库,所述管家信息库包括多个管家标识信息,每一所述管家标识信息配置有对应的管家标签信息,所述管家标识信息用于标识候选的社区服务管家;
基于所述管家标识信息与所述管家标签信息,生成管家简介信息栏,所述管家简介信息栏包括多个候选的所述社区服务管家的简介信息;
将所述管家简介信息栏在所述用户终端上进行显示,并获取所述目标对象基于所述管家简介信息栏所下达的管家选择指令;
根据所述管家选择指令,从多个所述管家标识信息中确定所述目标标识信息。
根据本申请的一些实施例,所述对所述服务内容信息进行关键字段识别,生成工单信息,包括:
获取预训练的语义识别模型;其中,所述语义识别模型的预训练包括:获取语义训练数据集,所述语义训练数据集包括多个语义训练样本,每一所述语义训练样本配置有对应的语义训练标签;将所述语义训练数据集输入原始的所述语义识别模型,并基于所述语义训练样本、所述语义训练标签对所述语义识别模型进行迭代训练;当所述语义识别模型在迭代训练中符合第二预设条件,得到预训练后的所述语义识别模型;
通过所述语义识别模型对所述服务内容信息进行关键字段识别,生成所述工单信息。
根据本申请的第二方面实施例的社区服务获取方法,应用于平台服务端,所述方法包括:
从用户终端获取工单信息;其中,所述用户终端获取服务请求信息,所述服务请求信息用于反映目标对象的服务请求,对所述服务请求信息进行解析,得到服务内容信息与服务类型信息,对所述服务内容信息进行关键字段识别,生成所述工单信息,所述工单信息的所述服务类型为范式社区服务;
根据所述工单信息向所述目标对象提供类型化反馈服务。
根据本申请的第三方面实施例的社区服务获取方法,应用于管家服务端,所述方法包括:
从用户终端获取工单信息;其中,所述用户终端获取服务请求信息,所述服务请求信息用于反映目标对象的服务请求,对所述服务请求信息进行解析,得到服务内容信息与服务类型信息,对所述服务内容信息进行关键字段识别,生成所述工单信息,所述工单信息的所述服务类型为变通性社区服务;
根据所述工单信息向所述目标对象提供个性化反馈服务。
第四方面,本申请实施例提供了一种电子设备,包括:存储器、处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如本申请第一方面实施例中任意一项所述的社区服务获取方法,或者,第二方面实施例中任意一项所述的社区服务提供方法。
第五方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如本申请第一方面实施例中任意一项所述的社区服务获取方法,或者,第二方面实施例中任意一项所述的社区服务提供方法。
根据本申请实施例的社区服务获取方法与提供方法、电子设备、存储介质,至少具有如下有益效果:
本申请社区服务获取方法,应用于用户终端,需要先获取服务请求信息,服务请求信息用于反映目标对象的服务请求,再对服务请求信息进行解析,得到服务内容信息与服务类型信息,进一步,对服务内容信息进行关键字段识别,生成工单信息,再进一步,根据服务类型信息确定服务请求的服务类型,当服务类型为范式社区服务时,将工单信息发送至平台服务端,以使平台服务端根据工单信息向目标对象提供类型化反馈服务,当服务类型为变通性社区服务时,将工单信息发送至管家服务端,以使管家服务端根据工单信息向目标对象提供个性化反馈服务。通过本申请提供的社区服务获取方法,以服务请求对应的服务类型来区分工单信息,将其发送至平台服务端或者管家服务端,既能够从平台服务端获取快捷的类型化反馈服务,又能够从管家服务端获取灵活的个***,能够在为居民提供方便、快捷的社区服务的同时,从社区居民提供的信息中确定个性化的服务请求并予以派发对应的社区服务,提高居民获取社区服务的灵活性和多样性,使老旧社区的居民也能够获取到便民的社区服务。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提供的社区服务获取方法的流程示意图;
图2为图1中步骤S101的流程示意图;
图3为音频处理模型的架构示意框图;
图4为本申请实施例提供的社区服务获取方法的另一流程示意图;
图5为图1中步骤S103的流程示意图;
图6为本申请实施例提供的社区服务获取方法的另一流程示意图;
图7为图1中步骤S106的流程示意图;
图8为图7中步骤S702的流程示意图;
图9为图7中步骤S702的另一流程示意图;
图10是根据本申请的实施例实施图1所示的社区服务获取方法的用户终端结构图;
图11是根据本申请的实施例实施图1所示的社区服务获取方法的服务器结构图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。
在本申请的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请的描述中,需要理解的是,涉及到方位描述,例如上、下、左、右、前、后等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
本申请的描述中,需要说明的是,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本申请中的具体含义。另外,下文中对于具体步骤的标识并不代表对于步骤顺序与执行逻辑的限定,各个步骤之间的执行顺序与执行逻辑应参照实施例所表述的内容进行理解与推定。
随着人们生活水平的提高,人们对社区服务的获取越来越重视。需要指出,近年来建设的新兴社区往往配套有较为完善的物业服务体系,以供居民从中获取社区服务。然而,数量众多的老旧社区可能会由于缺乏配套的物业团队,以至于缺乏维护、缺乏管理,使得社区居民难以享受到基础的物业服务保障,造成生活不便。
老旧社区的特点包括以下四个方面:
其一,社区管理结构不完善。老旧社区的社区管理结构比较简单,社区管理人员较少,社区管理制度也比较简单,社区管理能力较弱,安全管理不够完善。
其二,安全设施落后。老旧社区的安全设施落后,安装门禁***、监控***等安全设施的住户少之又少,以至于社区整体安全防护能力较弱。
其三,社区管理不严格。有一些老旧社区缺乏社区管理人员的配置,或者是社区管理人员缺乏严格的管理,以至于社区管理制度不够完善,安全管理不够严格。
其四,社区环境缺乏维护。老旧社区的社区环境因其缺乏维护,而呈现较为复杂与混乱的表现,故而容易出现社区环境污染,安全隐患较多。
相关技术中,这些老旧社区的居民若想享受到社区服务,需要通过互联网在海量的社区服务信息中进行甄选与比对,繁琐的操作步骤对老旧社区的居民并不友好,并且目前能够获取的服务类型较为固定,一些社区居民不能享受到灵活、个性化的社区服务。因此,在为居民提供方便、快捷的社区服务的同时,如何从社区居民提供的信息中确定个性化的服务请求并予以派发对应的社区服务,已经成为业内亟待解决的一个问题。
本申请旨在至少解决现有技术中存在的技术问题之一。为此,本申请提出一种社区服务获取方法与提供方法、电子设备、存储介质,能够在为居民提供方便、快捷的社区服务的同时,从社区居民提供的信息中确定个性化的服务请求并予以派发对应的社区服务,提高居民获取社区服务的灵活性和多样性,使老旧社区的居民也能够获取到便民的社区服务。
用户终端指的是目标对象所使用的终端;平台服务端指的是用于提供类型化反馈服务的服务器;个性化反馈服务指的是用于提供个性化反馈服务的服务器。
参照图1,根据本申请实施例的社区服务获取方法,应用于用户终端,可以包括,但不限于下述步骤S101至步骤S106。
步骤S101,获取服务请求信息,服务请求信息用于反映目标对象的服务请求;
步骤S102,对服务请求信息进行解析,得到服务内容信息与服务类型信息;
步骤S103,对服务内容信息进行关键字段识别,生成工单信息;
步骤S104,根据服务类型信息确定服务请求的服务类型;
步骤S105,当服务类型为范式社区服务时,将工单信息发送至平台服务端,以使平台服务端根据工单信息向目标对象提供类型化反馈服务;
步骤S106,当服务类型为变通性社区服务时,将工单信息发送至管家服务端,以使管家服务端根据工单信息向目标对象提供个性化反馈服务。
经由步骤S101至步骤S106应用于用户终端的本申请社区服务获取方法,需要先获取服务请求信息,服务请求信息用于反映目标对象的服务请求,再对服务请求信息进行解析,得到服务内容信息与服务类型信息,进一步,对服务内容信息进行关键字段识别,生成工单信息,再进一步,根据服务类型信息确定服务请求的服务类型,当服务类型为范式社区服务时,将工单信息发送至平台服务端,以使平台服务端根据工单信息向目标对象提供类型化反馈服务,当服务类型为变通性社区服务时,将工单信息发送至管家服务端,以使管家服务端根据工单信息向目标对象提供个性化反馈服务。通过本申请提供的社区服务获取方法,既能够使得平台服务端提供类型化反馈服务,也能够促使管家服务端提供个性化反馈服务,提高了社区服务的灵活性和多样性,使老旧社区的居民也能够获取到便民的社区服务。
本申请一些实施例的步骤S101中,获取服务请求信息,服务请求信息用于反映目标对象的服务请求。需要说明的是,服务请求信息由目标对象通过用户终端的输入设备下达,其中,用户终端包括但不限于手机、平板电脑、个人计算机(PC)等各种类型的终端。需要指出,获取服务请求信息的方式,基于用户终端类型的不同而有所差异,例如通过手机获取服务请求信息时,可以通过触摸屏、麦克风等输入设备来获取服务请求信息;通过个人计算机(PC)获取服务请求信息时,可以通过键鼠设备来获取服务请求信息。应理解,服务请求信息用于反映目标对象的服务请求,而服务请求则包括目标对象所需要的服务类型与服务内容。
参照图2,根据本申请提供的一些实施例,步骤S101可以包括但不限于下述步骤S201至步骤S203。
步骤S201,获取模式选择指令,并根据模式选择指令确定与目标对象对应的服务请求模式;
步骤S202,当服务请求模式为特殊人群模式时,通过用户终端的声音采集单元对目标对象的声音数据进行采集,得到音频请求指令;
步骤S203,基于预训练的音频处理模型对音频请求指令进行语音识别,得到服务请求信息。
需要说明的是,特殊人群指的是出于年老、残疾、受伤等原因,不便通过触摸屏对用户终端进行操作的人群。需要指出,城市中社区的数量非常之多,其中存在一些居民出于年老、残疾、受伤等原因,行动不便,无法像一般居民一样通过触摸屏顺利操作用户终端,也就无法向一般居民一样方便地通过用户终端下达服务请求,形成服务请求信息。当这部分特殊人群作为目标对象时,存在不便获取社区服务的问题。需要强调,在社区管理结构不完善、安全设施落后、社区管理不严格、社区环境缺乏维护的老旧社区中,特殊人群正常获取社区服务的难度陡增,相较于新兴社区的居住环境,老旧社区的特殊人群居民也面临着更加不便的社区服务获取途径。这部分居民如何才能更加便捷地获取社区服务,也是业内有待解决的问题。
本申请一些实施例的步骤S201中,需要先获取模式选择指令,并根据模式选择指令确定与目标对象对应的服务请求模式。服务请求模式,指的是下达服务请求的使用模式。当目标对象是特殊人群时,为了便于特殊人群下达服务请求,可以加载一些预先设置的特定功能,例如将用户终端的应用***转换至简洁版,使得应用程序的页面布局、字体大小被调整为更加便于阅读的样式,令目标对象在下达服务请求的过程中可以更高效地从显示界面中找到符合自身需求的服务,这种功能适于未佩戴眼镜的近视居民人群、智能终端操作经验较少的居民;又例如,用户终端的应用***可以开启音频输入模式与开启音频指引功能,在音频指引的作用下,目标对象可以通过用户终端输入音频指令(如“我要找人修窗户”),用户终端的应用***对音频指令识别之后,即可根据音频指令的语音识别内容,匹配到对应的服务请求信息,如此一来,便可以实现通过语音下达服务请求,这种功能适于智能终端操作经验较少的居民、上肢残疾的残疾人居民。应理解,不同的服务请求模式旨在适应于不同人群下达服务请求的方式,为不同人群下达服务请求信息提供便利,因此,服务请求模式的类型不限于上述举出的具体实施例。模式选择指令,是用于确定与目标对象对应的服务请求模式的指令。应理解,模式选择指令的获取方式多种多样,可以通过触摸屏以点触方式获取,也可以通过音频输入获取,还可以通过指纹识别、手势识别等方式获取。
本申请一些实施例的步骤S202中,当服务请求模式为特殊人群模式时,通过用户终端的声音采集单元对目标对象的声音数据进行采集,得到音频请求指令。本申请一些示例性的实施例中,当服务请求模式为特殊人群模式时,用户终端的应用***可以启用声音采集单元对目标对象的声音数据进行采集,从而得到用于下达服务请求的音频请求指令。需要指出,声音采集单元对目标对象的声音数据进行采集的方式多种多样,可以是实时采集,也可以是在预先设置的音频指引语句的提示下进行采集,还可以是由目标对象开启音频输入模式后进行采集。
本申请一些实施例的步骤S203中,基于预训练的音频处理模型对音频请求指令进行语音识别,得到服务请求信息。需要说明的是,音频请求指令是目标对象为下达服务请求所输入的音频信号。为了将音频请求指令转化为文本形式的服务请求信息,需要依靠预训练的音频处理模型对音频请求指令进行语音识别。需要指出,预训练的音频处理模型指的是预先训练得到的、用于对音频进行语音识别的神经网络模型。其中,音频处理模型经过预先训练而具备对音频的语音识别能力。
经由步骤S201至步骤S203示出的实施例,将音频处理模型用于获取特殊人群输入的音频请求指令,完成服务请求的下达,能够为特殊人群实现更加便利的社区服务获取方法。本申请实施例的社区服务获取方法在老旧社区中的应用,相较于在新兴社区中应用,进一步体现了其为居民提供便利的价值。
参照图3,根据本申请提供的一些实施例,语音识别是指将语音信号转换为文字的过程。具体来说,输入一段音频请求指令,找到一个文字序列(由词或字组成),使得它与音频请求指令的匹配程度最高。这个匹配程度一般是用概率表示的。音频处理模型可包括如下几个部分组成:信号处理模块、语言模型、声学模型、解码器、文本输出模块。
信号处理模块根据人耳的听觉感知特点,通过消除噪音、信道失真等对语音进行增强,将语音信号从时域转化到频域,并为后面的声学模型提取合适的特征,将音频请求指令转换为特征矢量序列。信号处理模块可提取的声学特征可以包括但不限于:线性预测编码(Linear Predictive Coding,LPC)、梅尔频率倒谱系数(Mel-frequency CepstrumCoefficients,MFCC)、梅尔标度滤波器组(Mel-scale Filter Bank,FBank)等。
声学模型将声学和发音学的知识进行整合,以信号处理模块提取的特征矢量序列为输入,得到声学模型得分。一些实施例中,声学模型以信号处理模块提取的特征矢量序列为输入,识别得到语音信号对应的音素串,需要指出,音素是根据语音的自然属性划分出来的最小语音单位,依据音节里的发音动作来分析,一个动作构成一个音素。音素分为元音与辅音两大类。如汉语音节啊(ā)只有一个音素,爱(ài)有两个音素,代(dài)有三个音素等。然后通过预先设置的发音字典,语音信号对应的音素串进行字符识别,得到多个候选字符序列,其中发音字典存储有汉字与发音之间的映射关系。进一步,将候选字符序列输入语言模型,即可判断候选字符序列的合理程度与通顺程度。另外,声学模型在得到多个候选字符序列之后,需要结合声学、语音学、环境的变量、说话人性别、口音等差异化的知识表示,来基于每一候选字符序列来预测得到一段预测音素串,进而将语音信号对应的音素串与预测音素串进行比对计算,即可得到特征矢量序列在声学特征层面的声学模型得分。
语言模型通过重训练语料学习词之间的相互概率,实现对句子的上下文特征进行数学建模,来确定出现的句子是否合理与通顺。一些实施例中,通过获取声学模型给定的候选字符序列,语言模型可以基于候选字符序列的在先词语预测下一个可能出现的词语,再将预测的词语与候选字符序列中的在后词语进行比对计算,即可得到候选字符序列在字义通顺度层面的语言模型得分。一些更为具体的实施例中,语言模型也可以介入所属领域或者任务相关的先验知识进行语言模型得分的计算。
解码器对声学模型得分和语言模型得分进行综合计算,将总体输出分数最高的候选字符序列作为识别结果。需要强调,声学模型得分主要结合声学、语音学、环境的变量、说话人性别、口音等差异化的知识表示,衡量语音信号在声学特征上的合理性;语言模型得分则主要是用于评估语音信号对应的字符序列在字序排列上的合理程度。
本申请一些较为具体的实施例中,从语言模型角度分析,神经网络语言模型(Neural Network Language Model,NNLM)由于能将词向量映射到低维连续空间,因此具备较好的泛化性能。需要说明的是,语言模型的可选类型多种多样。基于前馈神经网络(Feedforward Neural Network,FNN)的语言模型,能够实现对长文本序列在低维连续空间的建模,然而这种语言模型能够处理的文本长度受限于网络的输入长度;基于循环神经网络(Recurrent Neural Network,RNN)的语言模型,利用循环结构可以在理论上对无限长的文本建模,性能相较于前馈神经网络类型的语言模型有较大提升;基于长短期记忆循环神经网络(Long Short-Term Memory Recurrent Neural Network,LSTM-RNN)的语言模型则解决了RNN在长历史序列建模时梯度消失的问题,在各种任务上都能够取得不错的效果;基于Transformer的语言模型在自注意力机制作用下对长文本具有更强的建模能力,在一系列自然语言和语音的任务上均取得了较佳的性能。需要指出,以上几类语言模型均可用于构建本申请的音频处理模型。
本申请一些较为具体的实施例中,关于声学模型,主要有两个问题,分别是特征向量序列的可变长和音频信号的丰富变化性。可变长特征向量序列问题可以基于动态时间规划(Dynamic Time Warping,DTW)和隐马尔科夫模型(Hidden Markov Model,HMM)方法来解决。而音频信号的丰富变化性是由说话人的各种复杂特性或者说话风格与语速、环境噪声、信道干扰、方言差异等因素引起的。声学模型需要足够的鲁棒性来处理以上的情况。一些实施例中,音频处理模型可以使用梅尔倒谱系数(Mel-Frequency Cepstral Coefficient,MFCC)或者线性感知预测(Perceptual Linear Prediction,PLP)作为声学特征,使用混合高斯模型-隐马尔科夫模型(GMM-HMM)作为声学模型。而另一些实施例中,区分性模型,比如深度神经网络(Deep Neural Network,DNN)在对声学特征建模上表现出更好的效果。基于深度神经网络的声学模型,比如上下文相关的深度神经网络-隐马尔科夫模型(CD-DNN-HMM)在语音识别领域已经大幅度超越了GMM-HMM模型。需要指出,以上几类声学模型均可用于构建本申请的音频处理模型。
参照图4,根据本申请提供的一些实施例,在步骤S203之前,社区服务获取方法还包括对音频处理模型进行预训练。需要强调的是,对音频处理模型进行预先训练,其目的在于,令音频处理模型具备对音频的语音识别能力。需要指出,音频处理模型实质上是一种执行语音识别的神经网络模型,因此,对音频处理模型的训练过程可以按照对于神经网络模型的通常训练方式进行预先训练即可。
然而,在城市的老旧社区之中,老年居民的占比绝非少数,而将音频处理模型应用在对老年居民的语音识别上,也会出现一些问题。具体而言,老年居民中擅长用普通话进行交流的人并不多,许多老年居民并未接受过***的普通话训练,因此其交流多的更多的是家乡的方言,或者是普通话和方言夹杂使用。此时,将音频处理模型用于对老年居民进行语音识别,获取服务请求信息时,则会出现识别准确率较低的问题。
本申请为解决老旧社区居民下达服务请求的困难,提出了一些示例性的实施例,对音频处理模型进行预先训练,具体可以包括但不限于:
步骤S401,获取方言训练数据集,训练数据集包括多个方言训练样本,每一方言训练样本配置有对应的方言训练标签;
步骤S402,将方言训练数据集输入原始的音频处理模型,并基于方言训练样本、方言训练标签对音频处理模型进行迭代训练;
步骤S403,当音频处理模型在迭代训练中符合第一预设条件,得到预训练后的音频处理模型。
本申请一些实施例的步骤S401中,获取方言训练数据集,训练数据集包括多个方言训练样本,每一方言训练样本配置有对应的方言训练标签。需要说明的是,中文的方言种类繁多,不同城市和地区都会有不同地方语言。本申请实施例的方言训练数据集中,可以包括上述几种方言对应的训练样本,还可以包括更多种类的方言训练样本,当然也可以包括所有种类的方言训练样本。具体的方言训练数据集中包括哪些方言训练样本,可以根据实际需要支持的方言种类确定,例如,若要音频处理模型能够支持A地区的方言、B地区的方言和C地区的方言的理解和识别,则训练语料中需要同时包括若干含有A地区的方言的语音数据,若干含有B地区的方言的语音数据和若干含有C地区的方言的语音数据。每一方言训练样本配置有对应的方言训练标签,其中方言训练标签,可以包括但不限于该方言训练样本的所属语音内容、所属方言种类和方言属性类别。需要指出,语音内容指的是方言训练样本对应的文本内容,例如“恰饭”在赣语、湘语、西南官话中表述“吃饭”的意思,则根据“恰饭”这一文本内容,明确方言训练样本在内容特征上的标注;方言种类则具体指的是方言训练样本1是A地区的方言、方言训练样本2是B地区的方言和方言训练样本3是C地区的方言这样的种类标注;方言属性类别是基于方言片区所划分的类别标注。需要说明,中国方言可以分为七大片区:官话方言、湘方言、赣方言、吴方言、闽方言、粤方言和客家方言。应理解,由于同一方言片区下的方言具备共同的特征,因此也可以作为方言训练数据集中方言训练样本所配置的标签。需要强调,对音频处理模型进行预训练所用到的训练数据集可以是多种多样的,不限于上述举出的具体实施例。
本申请一些实施例的步骤S402至步骤S403中,将方言训练数据集输入原始的音频处理模型,并基于方言训练样本、方言训练标签对音频处理模型进行迭代训练,当音频处理模型在迭代训练中符合第一预设条件,得到预训练后的音频处理模型。需要说明的是,基于方言训练样本、方言训练标签对音频处理模型进行迭代训练,其目的在于,迭代更新音频处理模型的模型参数,逐步提升音频处理模型对于方言的识别准确率。而音频处理模型在迭代训练中符合第一预设条件,意味着音频处理模型对于方言的识别准确率已经达到预期要求,此时将当前迭代轮次的音频处理模型输出,即可得到预训练后的音频处理模型。
一些较为具体的实施例中,在对音频处理模型进行预训练时,可以采用反向传播算法(Backpropagation Algorithm)。需要指出,反向传播算法由信号的正向传播和误差的反向传播两个过程组成。其中,信号的正向传播是指音频处理模型接收方言训练样本并输出样本的语音识别结果的过程。而误差的反向传播,是指将音频处理模型输出的语音识别结果与方言训练标签的误差返回到音频处理模型输入端的过程。需要明确,反向传播是梯度下降的一种,许多教科书中通常互换使用这两个术语。梯度下降是指针对每个训练元素,在神经网络中的每个权重上计算一个梯度。由于神经网络不会输出训练元素的期望值,因此每个权重的梯度将为你提示如何修改权重以实现期望输出。如果神经网络确实输出了预期的结果,则每个权重的梯度将为0,这表明无需修改权重。梯度是权重当前值下误差函数的导数。误差函数用于测量神经网络输出与预期输出的差距。实际上,我们可以使用梯度下降,在该过程中,每个权重的梯度可以让误差函数达到更低值。梯度实质上是误差函数对神经网络中每个权重的偏导数。每个权重都有一个梯度,即误差函数的斜率。权重是两个神经元之间的连接。计算误差函数的梯度可以确定训练算法应增加,还是减小权重。反过来,这种确定将减小神经网络的误差。误差是神经网络的预期输出和实际输出之间的差异。许多不同的名为“传播训练算法”的训练算法都利用了梯度。总的来说,梯度告诉神经网络以下信息:零梯度——权重不会导致神经网络的误差;负梯度——应该增加权重以减小误差;正梯度——应当减小权重以减小误差。
经由步骤S401至步骤S403示出的本申请实施例,通过方言训练数据集中的方言训练样本与方言训练标签对音频处理模型训练,能够提升音频处理模型针对方言的识别准确率。老旧社区中的老年人获取社区服务时,通过对用户终端的声音采集单元讲述方言,即可完成音频请求指令的输入,为老旧社区的老年人提供了更为便捷的社区服务获取方法。
本申请一些实施例的步骤S102中,对服务请求信息进行解析,得到服务内容信息与服务类型信息。需要说明的是,由于服务请求包括目标对象所需要的服务类型与服务内容,因此,对服务请求信息进行解析,即可得到服务内容信息与服务类型信息。需要指出,将服务内容转化为计算机***可处理的电子信息,即可得到服务内容信息,同理,将服务类型转化为计算机***可处理的电子信息,即可得到服务类型信息。
根据本申请另一些示例性的实施例,针对一些常规性的社区服务,例如购物、家政等社区服务,可以在服务请求信息中配置一些与社区服务一一对应的查询索引信息,通过这些查询索引信息能够迅速定位服务类型信息,以便于进一步明确具体的服务内容信息,提高解析效率。应理解,查询索引信息可以是包含数字、字母或者符号的字符串。
根据本申请一些示例性的实施例,目标对象所需要的服务类型与服务内容可能蕴藏在服务请求信息的语句含义中,例如若目标对象通过用户终端下达的服务请求信息具体为“钥匙断在家中防盗门的钥匙孔中,请派人维修”这一文本信息,则可以对该文本信息进行语义识别,从中确定服务类型为“家庭设施维修”、确定服务内容为“解决钥匙断在防盗门钥匙孔的问题”,从而生成可供计算机***处理的服务内容信息与服务类型信息,完成对服务请求信息进行解析。
本申请一些实施例的步骤S103中,对服务内容信息进行关键字段识别,生成工单信息。需要说明的是,服务内容信息体现了目标对象所需要的服务内容,关键字段可以是预先设置的、用于甄选服务内容的字段,工单信息则记载了服务派发或者服务提供所需的信息。然而不同的目标对象所下达的服务请求信息也不尽相同,尽管其中包含同样的服务内容,但具体的表现形式也可能有所差异。
本申请提供的一些实施例中,针对维修门禁的服务需求,一些服务请求信息可能包括“麻烦帮我们把楼下单元楼的门禁维修一下”这一表述,另一些服务请求信息也可能包括“请安排师傅维修这栋楼的门禁”这一表述,这两种表述在文本上存在差异,但是在语义上是一致的。而通过关键字段识别,从两种表述中提取出关键字段“门禁”、“维修”,从而根据“门禁”、“维修”来生成“门禁维修”的工单信息。因此,通过对服务内容信息进行关键字段识别,生成工单信息,即可从服务请求信息中识别出关键字段,再根据关键字段生成工单信息,规范化处理服务内容信息,以提高社区服务获取的效率。
本申请一些较为具体的实施例中,对服务内容信息进行关键字段识别。可以先对服务内容信息进行文本切分,得到内容字段序列,再将内容字段序列与预设的候选字段序列进行相似度匹配,从而根据其中最为相似的候选字段序列,来生成工单信息。其中,预设的候选字段序列指的是由预先设置的候选字段所构成的序列。例如当内容字段序列包括{钥匙,断在,门,钥匙孔,派人,维修},候选字段为{钥匙,门,维修}、{卫生、清洁}、{水管、维修},则可以将内容字段序列与预设的候选字段序列进行相似度匹配,确定其中最为相似的候选字段序列{钥匙,门,维修},从而根据最为相似的候选字段序列{钥匙,门,维修}生成“门锁维修”的工单信息。一些较为具体的实施例中,工单信息还可以配置有对象标识,其中对象标识用于标识发出服务请求的目标对象,以便于后续派发的社区服务能够给到目标对象。
需要指出,将两个n维向量表示为[x1,x2,...,xn]和[y1,y2,...,yn],可以通过这两个向量之间的距离或者相似度来判定这两个向量的相近程度,显然两个向量之间距离越小,相似度越高;两个向量之间距离越大,相似度越低。因此,一些实施例中,可以将内容字段序列与候选字段序列向量化之后,来进行文本的相似度匹配。文本向量化也称作词嵌入(Word Embedding),指的是将文本信息表示成能够表达文本语义的向量,是用数值向量来表示文本的语义。将文本向量化的方式多种多样,例如独热(One-hot)编码、词袋模型(Bag-of-words model:BOW)、N元模型(N-Gram)等。
需要说明,计算两个向量之间距离的方式也是多种多样的,例如,计算两个向量的余弦相似度(Cosine Similarity):
又例如,计算两个向量的欧式距离(Euclidean distance):
再例如,计算两个向量的曼哈顿距离(Manhattan Distance)等。
需要明确,对服务内容信息进行关键字段识别,生成工单信息,不限于上述举出的具体实施例。
参照图5,根据本申请提供的一些实施例,步骤S103可以包括但不限于下述步骤S501至步骤S502。
步骤S501,获取预训练的语义识别模型;
步骤S502,通过语义识别模型对服务内容信息进行关键字段识别,生成工单信息。
需要强调的是,一些服务请求信息可能包括“麻烦帮我们把楼下单元楼的门禁维修一下”这一表述,另一些服务请求信息也可能包括“请安排师傅维修这栋楼的门禁”这一表述,这两种表述在文本上存在差异,但是在语义上是一致的。因此,针对不同的表述,可能会在识别准确率上存有差异。
本申请一些实施例的步骤S501中,获取预训练的语义识别模型;
本申请一些实施例的步骤S502中,通过语义识别模型对服务内容信息进行关键字段识别,生成工单信息。
需要说明的是,服务内容信息反映目标对象所需要获取的服务内容。为了对服务内容信息进行关键字段识别,需要依靠预训练的语义识别模型对服务内容信息进行语义识别。需要指出,预训练的语义识别模型指的是预先训练得到的、用于对文本信息进行语义识别的神经网络模型。其中,语义识别模型经过预先训练而具备对文本信息进行语义识别的能力。需要指出,通过语义识别模型对服务内容信息进行关键字段识别,具体可以是先将服务内容信息进行文本切分后得到内容字段序列,再基于语义识别模型对内容字段序列进行语义特征提取,得到语义特征向量,在根据语义特征向量进行语义识别,从而得到对应的识别结果。应理解,经由步骤S501至步骤S502示出的本申请实施例,将语义识别模型应用于对服务内容信息进行关键字段识别,生成工单信息,提升关键字段识别准确率的同时,能够进一步提升社区服务的获取效率。
应理解,本方案为针对不同的表述进行规范化,提升关键字段识别的准确率,不限于上述步骤S501至步骤S502示出的本申请实施例。
参照图6,根据本申请提供的一些实施例,在步骤S501之前,社区服务获取方法还包括对语义识别模型进行预训练,具体可以包括但不限于下述步骤S601至步骤S603。
步骤S601,获取语义训练数据集,语义训练数据集包括多个语义训练样本,每一语义训练样本配置有对应的语义训练标签;
步骤S602,将语义训练数据集输入原始的语义识别模型,并基于语义训练样本、语义训练标签对语义识别模型进行迭代训练;
步骤S603,当语义识别模型在迭代训练中符合第二预设条件,得到预训练后的语义识别模型。
本申请一些实施例的步骤S601中,获取语义训练数据集,语义训练数据集包括多个语义训练样本,每一语义训练样本配置有对应的语义训练标签。需要说明的是,每一语义训练样本可以包括多个训练子样本,多个训练子样本分别具备对同一语义内容的不同表述形式。例如,训练子样本A“麻烦帮我们把楼下单元楼的门禁维修一下”与训练子样本B“请安排师傅维修这栋楼的门禁”,这两种表述在文本表述形式上存在差异,但是在语义上是一致的,都是“需要维修门禁”。需要指出,对于语义识别模型的预训练,旨在提升语义识别模型对文本信息进行语义识别的能力,因此每一语义训练样本包括多个表述形式的训练子样本时,将语义训练数据集输入原始的语义识别模型,具体是将每一语义训练样本的多个训练子样本与语义训练标签输入语义识别模型,再基于语义训练样本、语义训练标签对语义识别模型进行迭代训练,方能提升语义识别模型从不同表述中提取相同语义的能力。
本申请一些实施例的步骤S602至步骤S603中,将语义训练数据集输入原始的语义识别模型,并基于语义训练样本、语义训练标签对语义识别模型进行迭代训练,当语义识别模型在迭代训练中符合第二预设条件,得到预训练后的语义识别模型。需要说明的是,在获取训练数据集之后,即可基于语义训练样本与语义训练标签对语义识别模型进行迭代训练。其中,迭代训练的目的在于,提升语义识别模型进行语义识别的能力。根据本申请一些示例性的实施例,对语义识别模型进行迭代训练的过程中,将会持续更新语义识别模型的模型参数,以此方式来迭代更新语义识别模型,以使得语义识别模型在迭代过程里具备越来越优秀的语义识别能力,在每一语义训练样本的各个子样本中提取到的共同语义特征,并在共同语义特征与各个语义类别之间建立映射关联。当语义识别模型在迭代训练中符合第二预设条件,即可得到预训练的语义识别模型。需要指出,语义识别模型在迭代训练中第二符合预设条件,意味着当前迭代轮次下的语义识别模型已经达到了预训练的预期,其识别准确率已经达到能够应用于实际场景的程度,此时,将当前迭代轮次下的语义识别模型输出,即可得到预训练的语义识别模型。
需要指出,神经网络模型中一般有两类参数:一类参数是机器学习算法中的调优参数(Tuning Parameters),需要根据已有或现有的经验灵活设定,也称为超参数(Hyperparameter)。比如,正则化系数λ,决策树模型中树的深度。超参数也是一种参数,它具有参数的特性,比如未知性,也就是它不是一个已知常量,而是一种手工可配置的数值,需要为它根据已有或现有的经验指定“正确”的值,也就是灵活设定的一个值,它不是通过***学习得到的;另一类参数则需要从数据中学习和估计得到,称为模型参数(Parameter),也就是模型本身的可学习参数。比如,线性回归直线的加权系数(斜率)及其偏差项(截距)都是模型参数。可学习参数具体是指在神经网络模型训练过程中学习的参数值,对于可学习的参数,通常从一组随机值开始,然后随着神经网络模型的学习,以迭代的方式更新这些值。事实上,“神经网络模型进行学习”的时候,更为准确的意思是神经网络模型的参数正处于迭代更新的过程中,逐渐确定这些参数的适当值。需要指出,所谓适当值,可以是使损失函数最小化或者收敛的值。根据本申请一些较为具体的实施例,语义识别模型在迭代训练中符合第二预设条件,可以是损失函数达到最小化或者收敛的值。
通过步骤S601至步骤S603示出的本申请实施例,通过语义训练数据集中的语义训练样本与语义训练标签对音频处理模型训练,能够提升语义识别模型进行语义识别的准确率。许多社区中的居民在输入服务请求信息后,经由预训练的语义训练模型来对服务内容信息进行关键字段识别,生成工单信息,能够提升关键字段识别准确率的同时,能够进一步提升社区居民获取社区服务的效率。
本申请一些实施例的步骤S104中,根据服务类型信息确定服务请求的服务类型。需要说明的是,社区服务的类型多种多样,比如说物业服务、社区活动、社区环境保护服务、社区设施维修服务、面向老弱病残孕群体的保障服务等类型。本申请一些示例性的实施例中,为了便于各种类型社区服务的派发或者提供,将各类社区服务按照其服务性质重新划分为范式社区服务与变通性社区服务。需要指出,范式社区服务指的是服务方按照既定的步骤范式即可提供的服务,例如外卖、团购、家政服务等。范式社区服务往往具备固定的服务模式,例如社区居民日常的点餐、买菜等需求。变通性社区服务则与范式社区服务不同,这些服务具有一定的灵活性,难以按照既定的步骤范式来完成,例如跑腿服务旨在受委托为人奔走做杂事,可以是较为简单的帮忙排队、帮忙递送物件,也可以是稍微复杂的帮忙维修、做口语翻译,又例如托管服务,较为简单的是保管物件,较为复杂的是帮忙照顾小孩。变通性社区服务因其灵活性而难以被服务方批量化处理。需要明确,本申请实施例按照其服务性质,将各类社区服务重新划分为范式社区服务与变通性社区服务,其目的在于基于不同服务性质的服务需求,来发送工单信息至不同的服务端,以便于各种类型社区服务的派发或者提供。
本申请一些实施例的步骤S105中,当服务类型为范式社区服务时,将工单信息发送至平台服务端,以使平台服务端根据工单信息向目标对象提供类型化反馈服务。需要说明的是,由于范式社区服务指的是服务方按照既定的步骤范式即可提供的服务,并且这些范式社区服务体现在用户终端向平台服务端发送的工单信息中,平台服务端经过对工单信息进行类型化处理之后,即可形成对应的类型化反馈服务,进一步由平台服务端按照既定的步骤范式,来执行类型化反馈服务向目标对象的派发,即可实现高效的服务获取。所谓对工单信息进行类型化处理,指的是将工单信息映射至对应的具体反馈服务,例如作为目标对象的社区居民基于日常的点餐、购物等需求生成服务请求信息,从服务请求信息中解析得到服务内容信息与服务类型信息,在用户终端一侧对服务内容信息进行关键字段识别,生成工单信息“购物配送清单:点单物品A、物品B与物品C;配送地址:XXX”,然后将工单信息“购物配送清单:点单物品A、物品B与物品C;配送地址:XXX”发送给作为平台服务端的购物平台,由购物平台根据工单信息来对物品A、物品B与物品C进行取货打包,再依照配送地址进行配送,物品A、物品B与物品C送至配送地址XXX签收之后,实现类型化反馈服务的获取。上述实施例中,类型化反馈服务也就是对物品A、物品B与物品C的配送服务。需要指出,平台服务端可以包括购物平台、外卖平台、家政服务平台等多个类型,不同平台服务端对应能够派发的类型化反馈服务也有所差异,不限于上述举出的具体实施例。
本申请一些实施例的步骤S106中,当服务类型为变通性社区服务时,将工单信息发送至管家服务端,以使管家服务端根据工单信息向目标对象提供个性化反馈服务。需要说明的是,由于变通性社区服务则与范式社区服务不同,这些服务具有一定的灵活性,难以按照既定的步骤范式来完成,而这些变通性社区服务体现在用户终端向管家服务端发送的工单信息中,管家服务端将工单信息,分配给具体的社区服务管家,由社区服务管家灵活调度资源与布置策略,针对性地为目标对象提供相对应的个性化反馈服务,以应对目标对象的个性化服务请求。例如,作为目标对象的社区居民基于跑腿、托管等需求生成服务请求信息,从服务请求信息中解析得到服务内容信息与服务类型信息,在用户终端一侧对服务内容信息进行关键字段识别,生成工单信息“跑腿内容:帮忙在社区附近找能木匠师傅制作橱柜;委托人联系方式:xxxxx”,管家服务端将工单信息“跑腿内容:帮忙在社区附近找能木匠师傅制作橱柜;委托人联系方式:xxxxx”分配给具体的社区服务管家,一些社区服务管家则通过查询《xx社区小店业务通讯簿》,来找到对应的木匠师傅来沟通橱柜制作的需求,随后通过委托人联系方式向委托人反馈事务处理情况。其中,预先搜集记录可以由xx社区的社区服务管家在预先走访搜集而得到。需要指出,上述实施例中个性化反馈服务是“找到木匠师傅来制作橱柜”。应理解,不同目标对象的服务请求有所差异,管家服务端根据工单信息向目标对象提供个性化反馈服务,不限于上述举出的具体实施例。
参照图7,根据本申请提供的一些实施例,步骤S106可以包括但不限于下述步骤S701至步骤S703。
步骤S701,获取预设的管家信息库,管家信息库包括多个管家标识信息,每一管家标识信息配置有对应的管家标签信息,管家标识信息用于标识候选的社区服务管家;
步骤S702,根据管家标识信息与管家标签信息,确定目标标识信息;
步骤S703,基于目标标识信息,将工单信息发送至管家服务端,以使管家服务端将工单信息派发至目标标识信息对应的社区服务管家。
需要强调的是,变通性社区服务则与范式社区服务不同,这些服务具有一定的灵活性,难以按照既定的步骤范式来完成,而这些变通性社区服务体现在用户终端向管家服务端发送的工单信息中,管家服务端将工单信息,分配给具体的社区服务管家,由社区服务管家灵活调度资源与布置策略,针对性地为目标对象提供相对应的个性化反馈服务,以应对目标对象的个性化服务请求。然而,不同的社区服务管家可能会擅长不同领域的服务,例如,一些社区服务管家有过护工经历,那这些管家比较擅长为行动不便的老年人、残疾人提供个性化的陪护服务;又例如,一些社区服务管家擅长搜集社区周边的资讯消息,那么这些管家比较擅长联络周边小店,需要指出,由于木工店、维修店、裁缝店许多都是个体经营的小店,因此由社区的社区服务管家搜罗这些小店的信息之后,即可为客户提供个性化的对接服务。鉴于不同社区服务管家具备不同的特点,如若随即为目标对象分配管家,当目标对象的服务请求与社区服务管家的特点不对应时,就会出现办事效率低、居民获取到的社区服务质量不佳的问题。
本申请一些实施例的步骤S701中,获取预设的管家信息库,管家信息库包括多个管家标识信息,每一管家标识信息配置有对应的管家标签信息,管家标识信息用于标识候选的社区服务管家。需要说明的是,管家信息库用于存储各个社区服务管家的介绍信息,一些实施例中,管家信息库包括多个管家标识信息,管家标识信息用于标识候选的社区服务管家,管家标识信息可以是姓名、管家编号等足以标识候选的社区服务管家的信息。需要指出,每一管家标识信息配置有对应的管家标签信息,这些管家标签信息与管家自身的服务特征相匹配,例如,若社区服务管家有过护工经历,则管家标签信息可以包括“贴心陪护管家”,若社区服务管家擅长搜罗社区周边资讯,则管家标签信息可以包括“消息搜罗能手”,若社区服务管家有丰富的活动策划组织经验,则管家标签信息也可以包括“活动组织达人”。应理解,管家服务端将工单信息,分配给具体的社区服务管家,旨在针对性地为目标对象提供相对应的个性化反馈服务,因此可选的管家标签信息多种多样,不限于上述举例。
本申请一些实施例的步骤S702中,根据管家标识信息与管家标签信息,确定目标标识信息。需要明确,被确定为处理服务请求的社区服务管家的管家标识信息,即目标标识信息。其中,目标标识信息是从候选的管家标识信息中选出的。需要说明,根据管家标识信息与管家标签信息,确定目标标识信息,可以通过多种方式实现,一些实施例中,可以将管家标签信息与先前生成的工单信息进行关联性匹配,由于工单信息记载了服务派发或者服务提供所需的信息,因此工单信息体现了目标对象的个性化服务请求,因此,管家标签信息与工单信息中会有一些关联服务请求的用词,例如,若工单信息中包括“老人陪护”,则根据工单信息则可以匹配到对应的管家标签信息“贴心陪护管家”。另一些实施例中,也可以根据管家标签信息来生成对应的管家简介信息栏,再将多个管家简介信息栏推送给目标对象进行选择,以确定符合目标对象需求的社区服务管家。需要指出,根据管家标识信息与管家标签信息,确定目标标识信息的实施方式多种多样,不限于上述举例。
参照图8,根据本申请提供的一些实施例,需要强调的是,由于工单信息记载了服务派发或者服务提供所需的信息,因此工单信息体现了目标对象的个性化服务请求,因此,管家标签信息与工单信息中会有一些关联服务请求的用词。因此步骤S702,可以包括,但不限于下述步骤S801至步骤S802。
步骤S801,基于工单信息对管家标签信息进行关联性匹配处理,得到目标标签信息;
步骤S802,将目标标签信息对应的管家标识信息确定为目标标识信息。
本申请一些实施例的步骤S801至步骤S802中,需要先基于工单信息对管家标签信息进行关联性匹配处理,得到目标标签信息,再将目标标签信息对应的管家标识信息确定为目标标识信息。需要强调,需要明确,被确定为处理服务请求的社区服务管家的管家标识信息,即目标标识信息。其中,目标标识信息是从候选的管家标识信息中选出的。本申请实施例中,目标标识信息具体是基于目标标签信息从候选的管家标识信息中选出的。经由步骤S801至步骤S802示出的实施例,基于关联性匹配处理来确定目标标签信息,进而将目标标签信息对应的管家标识信息确定为目标标识信息,能够更为有效地将工单信息与目标对象的服务请求对应起来,便于工单信息向社区服务管家的分配,有助于提高办事效率与提高居民获取到的社区服务质量。
根据本申请一些较为具体的实施例,关联性匹配处理的方式多种多样,可以包括,但不限于下述实施方式:
其一,对工单信息与管家标签信息分别进行问题切分,得到工单字段序列与管家标签序列,再将工单字段序列与管家标签序列进行相似度匹配,从而根据其中最为相似的管家标签序列,来得到目标标签信息。应理解,上文对两个文本序列进行相似度匹配的原理已经给出较为详细的介绍,在此不多做赘述。
其二,对工单信息与管家标签信息分别进行问题切分,得到工单字段序列与管家标签序列之后,可以将工单字段序列与管家标签序列分别输入预训练的服务分类模型,得到工单字段序列对应的服务类型预测结果、管家标签序列对应的服务类型预测结果,若两个服务类型预测结果一致,则可以判断工单信息与管家标签信息匹配成功,得到目标标签信息,如此一来,可以进一步提升关联性匹配的准确度。
其三,语义上相关联的两个词汇并非必然具有相同的字符,例如“门窗损坏”与“设施维修”之间并不存在字符的重合,但是二者可以被归为相关联的词汇。因此,另一些实施例中,可以预先设置一个变通性社区服务领域的知识图谱,以这一知识图谱为基础来实现关联性匹配。需要说明,知识图谱是一种基于图的数据结构,由节点(point)和边(Edge)组成,每个节点表示一个“实体”,每条边为实体与实体之间的“关系”,知识图谱本质上是语义网络。实体指的可以是现实世界中的事物,比如人、地名、公司、电话、动物等;关系则用来表达不同实体之间的某种联系。一些实施例中,变通性社区服务领域的知识图谱可以将变通性社区服务分为几个一级分类,如“家政服务”、“维修服务”、“跑腿服务”、“托管服务”与“技能服务”。其中每一个一级分类下又可以包括若干个二级分类,例如“家政服务”可以分为“清扫服务”与“陪护服务”,“维修服务”可以分为“家私维修”与“电子设备维修”。而每一个二级分类,也可以再细分出更多的三级分类,例如“家私维修”可以分为“门窗维修”、“桌椅维修”、“炉灶维修”。其中每一个三级分类都可以预置若干个关联词汇,例如“门窗维修”的关联词汇包括:门窗、防盗门、窗户、钥匙、门栓。在获取工单信息与管家标签信息后,分别对工单信息与管家标签信息进行分词处理,得到多个工单词汇与多个管家标签词汇,再进一步将每一工单词汇与每一管家标签词汇在上面预设的知识图谱中进行比对,就可以明确该工单词汇或者管家标签词汇对应的一级分类、二级分类与三级分类。若工单词汇与管家标签词汇同属于一个三级分类,则判断工单信息与管家标签信息匹配成功,得到目标标签信息。
需要强调,基于工单信息对管家标签信息进行关联性匹配处理,得到目标标签信息的实施方式多种多样,不限于上述举出的具体实施例。
参照图9,根据本申请提供的一些实施例,步骤S702,可以包括,但不限于下述步骤S901至步骤S903。
步骤S901,基于管家标识信息与管家标签信息,生成管家简介信息栏;
步骤S902,将管家简介信息栏在用户终端上进行显示,并获取目标对象基于管家简介信息栏所下达的管家选择指令;
步骤S903,根据管家选择指令,从多个管家标识信息中确定目标标识信息。
本申请一些实施例的步骤S901至步骤S903中,可以先基于管家标识信息与管家标签信息,生成管家简介信息栏,再将管家简介信息栏在用户终端上进行显示,并获取目标对象基于管家简介信息栏所下达的管家选择指令,进一步根据管家选择指令,从多个管家标识信息中确定目标标识信息。需要说明的是,管家简介信息栏用于介绍各个社区服务管家的简介信息。一些示例性的实施例中,由于管家标识信息用于标识候选的社区服务管家,并且管家标签信息反映了管家自身的服务特征,因此基于管家标识信息与管家标签信息,即可生成管家简介信息栏。需要指出,管家简介信息栏可以包括多个候选的社区服务管家的简介信息。通过将管家简介信息栏在用户终端上进行显示,向目标对象呈现出各个社区服务管家的简介信息,即可告知目标对象各个社区服务管家的服务特征,因此进一步获取目标对象基于管家简介信息栏所下达的管家选择指令,然后根据管家选择指令,就可以从多个候选的管家标识信息中确定目标标识信息。应理解,由于管家选择指令是目标对象基于管家简介信息栏所下达的,因此可以反映目标对象针对社区服务管家的选择意愿。
经由步骤S901至步骤S903示出的本申请实施例,能够基于目标对象针对管家简介信息栏中管家标签信息的选择意愿,来从候选的管家标识信息确定目标标识信息,从而有助于进一步提升社区居民获取到的社区服务的质量,满足社区居民对于变通性社区服务的需求。
步骤S703,基于目标标识信息,将工单信息发送至管家服务端,以使管家服务端将工单信息派发至目标标识信息对应的社区服务管家。需要指出,被确定为处理服务请求的社区服务管家的管家标识信息,即目标标识信息。其中,目标标识信息是从候选的管家标识信息中选出的。根据管家标识信息与管家标签信息,确定目标标识信息之后,即可基于目标标识信息,将工单信息发送至管家服务端,管家服务端接收到基于目标标识信息发送而来的工单信息之后,即可根据目标标识信息来为目标对象的服务请求分配指定的社区服务管家,由社区服务管家灵活调度资源与布置策略,针对性地为目标对象提供相对应的个性化反馈服务,以应对目标对象的个性化服务请求。
经由步骤S701至步骤S703示出的本申请实施例,可以根据不同社区服务管家所具备的不同特点来分配工单信息,将工单信息与目标对象的服务请求对应起来,便于工单信息向社区服务管家的分配,有助于提高办事效率与提高居民获取到的社区服务质量。
参照图10,图10为实现本申请实施例的社区服务获取方法的用户终端的部分的结构框图,该用户终端包括:射频(Radio Frequency,简称RF)电路1010、存储器1015、输入单元1030、显示单元1040、传感器1050、音频电路1060、无线保真(wireless fidelity,简称WiFi)模块1070、处理器1080、以及电源1090等部件。本领域技术人员可以理解,图10示出的用户终端结构并不构成对手机或电脑的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
RF电路1010可用于收发信息或通话过程中,信号的接收和发送,特别地,将基站的下行信息接收后,给处理器1080处理;另外,将设计上行的数据发送给基站。
存储器1015可用于存储软件程序以及模块,处理器1080通过运行存储在存储器1015的软件程序以及模块,从而执行对象用户终端的各种功能应用以及数据处理。
输入单元1030可用于接收输入的数字或字符信息,以及产生与对象用户终端的设置以及功能控制有关的键信号输入。具体地,输入单元1030可包括触控面板1031以及其他输入装置1032。
显示单元1040可用于显示输入的信息或提供的信息以及对象用户终端的各种菜单。显示单元1040可包括显示面板1041。
音频电路1060、扬声器1061,传声器1062可提供音频接口。
在本实施例中,该用户终端所包括的处理器1080可以执行前面实施例的社区服务获取方法。
本申请实施例的用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载用户终端、飞行器等。本申请实施例可应用于各种场景,包括但不限于数据安全、区块链、数据存储、信息技术等。
图11为实施本申请实施例的社区服务获取方法的服务器的部分的结构框图。服务器可因配置或性能不同而产生比较大的差异,可以包括一个或一个以***处理器(Central Processing Units,简称CPU)1122(例如,一个或一个以上处理器)和存储器1132,一个或一个以上存储应用程序1142或数据1144的存储介质2130(例如一个或一个以上海量存储装置)。其中,存储器1132和存储介质1130可以是短暂存储或持久存储。存储在存储介质1130的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1122可以设置为与存储介质1130通信,在服务器上执行存储介质1130中的一系列指令操作。
服务器还可以包括一个或一个以上电源1111,一个或一个以上有线或无线网络接口1150,一个或一个以上输入输出接口1158,和/或,一个或一个以上操作***1141,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
服务器中的中央处理器1122可以用于执行本申请实施例的社区服务获取方法。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质用于存储程序代码,程序代码用于执行前述各个实施例的社区服务获取方法。
本申请实施例还提供了一种计算机程序产品,该计算机程序产品包括计算机程序。计算机设备的处理器读取该计算机程序并执行,使得该计算机设备执行实现上述的社区服务获取方法。
本申请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全部或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装置(可以是个人计算机,服务器,或者网络装置等)执行本申请各个实施例方法的全部或部分步骤。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、储存设备存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包括计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。还应了解,本申请实施例提供的各种实施方式可以任意进行组合,以实现不同的技术效果。
以上是对本申请的实施方式的具体说明,但本申请并不局限于上述实施方式,熟悉本领域的技术人员在不违背本申请精神的条件下还可作出种种等同的变形或替换,这些等同的变形或替换均包括在本申请权利要求所限定的范围内。
Claims (8)
1.一种社区服务获取方法,其特征在于,应用于用户终端,所述方法包括:
获取服务请求信息,所述服务请求信息用于反映目标对象的服务请求;
对所述服务请求信息进行解析,得到服务内容信息与服务类型信息;
对所述服务内容信息进行关键字段识别,生成工单信息;
根据所述服务类型信息确定所述服务请求的服务类型;
当所述服务类型为范式社区服务时,将所述工单信息发送至平台服务端,以使所述平台服务端根据所述工单信息向所述目标对象提供类型化反馈服务;
当所述服务类型为变通性社区服务时,获取预设的管家信息库,所述管家信息库包括多个管家标识信息,每一所述管家标识信息配置有对应的管家标签信息,所述管家标识信息用于标识候选的社区服务管家;
基于所述工单信息对所述管家标签信息进行关联性匹配处理,得到目标标签信息;
将所述目标标签信息对应的所述管家标识信息确定为目标标识信息;
将所述目标标识信息与所述工单信息发送至管家服务端,以使所述管家服务端将所述工单信息派发至所述目标标识信息对应的所述社区服务管家,由所述社区服务管家向所述目标对象提供个性化反馈服务。
2.根据权利要求1所述的方法,其特征在于,所述获取服务请求信息,包括;
获取音频形式的模式选择指令,并根据所述模式选择指令确定与所述目标对象对应的服务请求模式;
当所述服务请求模式为特殊人群模式时,通过所述用户终端的声音采集单元对所述目标对象的声音数据进行采集,得到音频请求指令;
获取所述服务请求信息,所述服务请求信息经由预训练的音频处理模型对所述音频请求指令进行语音识别而得到。
3.根据权利要求2所述的方法,其特征在于,在所述经由预训练的音频处理模型对所述音频请求指令进行语音识别之前,所述方法还包括对所述音频处理模型进行预训练,具体包括:
获取方言训练数据集,所述训练数据集包括多个方言训练样本,每一所述方言训练样本配置有对应的方言训练标签;
将所述方言训练数据集输入原始的所述音频处理模型,并基于所述方言训练样本、所述方言训练标签对所述音频处理模型进行迭代训练;
当所述音频处理模型在迭代训练中符合第一预设条件,得到预训练后的所述音频处理模型。
4.根据权利要求1所述的方法,其特征在于,所述将所述目标标签信息对应的所述管家标识信息确定为目标标识信息,包括:
基于所述管家标识信息与所述管家标签信息,生成管家简介信息栏,所述管家简介信息栏包括多个候选的所述社区服务管家的简介信息;
将所述管家简介信息栏在所述用户终端上进行显示,并获取所述目标对象基于所述管家简介信息栏所下达的管家选择指令;
根据所述管家选择指令,从多个所述管家标识信息中确定所述目标标识信息。
5.根据权利要求1所述的方法,其特征在于,所述对所述服务内容信息进行关键字段识别,生成工单信息,包括:
获取预训练的语义识别模型;其中,所述语义识别模型的预训练包括:获取语义训练数据集,所述语义训练数据集包括多个语义训练样本,每一所述语义训练样本配置有对应的语义训练标签;将所述语义训练数据集输入原始的所述语义识别模型,并基于所述语义训练样本、所述语义训练标签对所述语义识别模型进行迭代训练;当所述语义识别模型在迭代训练中符合第二预设条件,得到预训练后的所述语义识别模型;
通过所述语义识别模型对所述服务内容信息进行关键字段识别,生成所述工单信息。
6.一种社区服务提供方法,其特征在于,应用于管家服务端,所述方法包括:
从用户终端获取工单信息;其中,所述用户终端通过如下步骤向所述管家服务端发送所述工单信息:
获取服务请求信息,所述服务请求信息用于反映目标对象的服务请求,对所述服务请求信息进行解析,得到服务内容信息与服务类型信息,对所述服务内容信息进行关键字段识别,生成所述工单信息,根据所述服务类型信息确定所述服务请求的服务类型,当所述服务类型为范式社区服务时,将所述工单信息发送至平台服务端,以使所述平台服务端根据所述工单信息向所述目标对象提供类型化反馈服务,当所述服务类型为变通性社区服务时,获取预设的管家信息库,所述管家信息库包括多个管家标识信息,每一所述管家标识信息配置有对应的管家标签信息,所述管家标识信息用于标识候选的社区服务管家;
基于所述工单信息对所述管家标签信息进行关联性匹配处理,得到目标标签信息;
将所述目标标签信息对应的所述管家标识信息确定为目标标识信息;
将所述目标标识信息与所述工单信息发送至所述管家服务端;
从用户终端获取工单信息之后,将所述工单信息派发至所述目标标识信息对应的所述社区服务管家,由所述社区服务管家向所述目标对象提供个性化反馈服务。
7.一种电子设备,其特征在于,包括:存储器、处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的社区服务获取方法,或者,如权利要求6所述的社区服务提供方法。
8.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至5中任意一项所述的社区服务获取方法,或者,如权利要求6所述的社区服务提供方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310458609.2A CN116485587B (zh) | 2023-04-21 | 2023-04-21 | 社区服务获取方法与提供方法、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310458609.2A CN116485587B (zh) | 2023-04-21 | 2023-04-21 | 社区服务获取方法与提供方法、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485587A CN116485587A (zh) | 2023-07-25 |
CN116485587B true CN116485587B (zh) | 2024-04-09 |
Family
ID=87222808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310458609.2A Active CN116485587B (zh) | 2023-04-21 | 2023-04-21 | 社区服务获取方法与提供方法、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485587B (zh) |
Citations (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956048A (zh) * | 2016-04-27 | 2016-09-21 | 上海遥薇(集团)有限公司 | 一种社区服务大数据算法挖掘*** |
CN106874791A (zh) * | 2017-03-22 | 2017-06-20 | 苏州亮磊知识产权运营有限公司 | 一种办公用公共计算机的数据安全储存***及其方法 |
CN106875280A (zh) * | 2017-03-02 | 2017-06-20 | 深圳大图科创技术开发有限公司 | 一体化社区服务平台 |
CN108335132A (zh) * | 2018-01-22 | 2018-07-27 | 中国平安人寿保险股份有限公司 | 应用程序的分析方法、装置、存储介质及终端 |
CN108446409A (zh) * | 2018-05-07 | 2018-08-24 | 天门市志远信息科技有限公司 | 一种出行管家智能交互***及方法 |
CN108460489A (zh) * | 2018-03-15 | 2018-08-28 | 重庆邮电大学 | 一种基于大数据技术的用户行为分析与服务推荐框架 |
CN108481344A (zh) * | 2018-06-27 | 2018-09-04 | 深圳万发创新进出口贸易有限公司 | 一种智能服务机器人 |
CN109087230A (zh) * | 2018-08-13 | 2018-12-25 | 河南易商谷电子商务有限公司 | 一种智慧社区服务***及其使用方法 |
CN109302434A (zh) * | 2017-06-15 | 2019-02-01 | 腾讯科技(深圳)有限公司 | 提示信息推送方法及装置、服务平台及存储介质 |
CN109543077A (zh) * | 2018-10-16 | 2019-03-29 | 清华大学 | 社区搜索方法 |
CN109636334A (zh) * | 2018-12-07 | 2019-04-16 | 深圳市汇鑫科技股份有限公司 | 一种物业智慧社区服务***及方法 |
CN109767575A (zh) * | 2018-12-12 | 2019-05-17 | 北京戴纳实验科技有限公司 | 一种智能货柜的管理*** |
CN109766489A (zh) * | 2018-11-26 | 2019-05-17 | 福建新大陆支付技术有限公司 | 数据处理方法、客户端、服务器及计算机可读存储介质 |
CN109840709A (zh) * | 2019-01-31 | 2019-06-04 | 广东美的物业管理股份有限公司 | 一种小区在线管家管理方法、装置及终端设备 |
CN109949105A (zh) * | 2019-04-02 | 2019-06-28 | 山东天创亿联智能科技有限公司 | 一种基于云平台的数据监控和信息处理方法和装置 |
CN110009543A (zh) * | 2019-04-02 | 2019-07-12 | 深圳市万物云科技有限公司 | 基于人工智能社区门禁管理方法及装置与***和存储介质 |
CN110111072A (zh) * | 2019-04-28 | 2019-08-09 | 江苏德司信信息产业投资股份有限公司 | 一种环保管家在线服务*** |
CN110147981A (zh) * | 2019-04-12 | 2019-08-20 | 深圳壹账通智能科技有限公司 | 基于文本分析的合同风险审核方法、装置及终端设备 |
CN110166551A (zh) * | 2019-05-22 | 2019-08-23 | 贵州理工学院 | 智慧社区综合服务平台 |
CN110222625A (zh) * | 2019-06-03 | 2019-09-10 | 上海眼控科技股份有限公司 | 一种在视频监控图像中识别行人属性的方法及*** |
CN110263979A (zh) * | 2019-05-29 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 基于强化学习模型预测样本标签的方法及装置 |
CN110532474A (zh) * | 2019-08-30 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 信息推荐方法、服务器、***以及计算机可读存储介质 |
CN110580558A (zh) * | 2018-06-08 | 2019-12-17 | 姚敏 | 一种智能监控管理平台及其操作方法 |
CN110609935A (zh) * | 2019-08-29 | 2019-12-24 | 湖南草花互动网络科技有限公司 | 用户身份标签生成方法、装置、计算机设备和存储介质 |
CN110765301A (zh) * | 2019-11-06 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 图片处理方法、装置、设备及存储介质 |
CN110796319A (zh) * | 2018-06-11 | 2020-02-14 | 杨海琴 | 一种智能监控管理平台及其操作方法 |
CN110966823A (zh) * | 2020-01-17 | 2020-04-07 | 程鹏 | 一种智能冰箱食物管家*** |
CN111145065A (zh) * | 2019-12-25 | 2020-05-12 | 重庆特斯联智慧科技股份有限公司 | 一种人工智能社区物联服务终端及*** |
CN111784060A (zh) * | 2020-07-07 | 2020-10-16 | 中国人民公安大学 | 一种城市社区社会安全链式耦合风险演化情景推测方法 |
CN111899822A (zh) * | 2020-06-28 | 2020-11-06 | 广州万孚生物技术股份有限公司 | 医疗机构数据库构建方法、查询方法、装置、设备和介质 |
CN111914072A (zh) * | 2020-07-14 | 2020-11-10 | 青岛聚好联科技有限公司 | 一种信息交互方法、设备及装置 |
CN113343711A (zh) * | 2021-06-29 | 2021-09-03 | 南方电网数字电网研究院有限公司 | 工单生成方法、装置、设备及存储介质 |
CN114155845A (zh) * | 2021-12-13 | 2022-03-08 | 中国农业银行股份有限公司 | 服务确定方法、装置、电子设备及存储介质 |
CN114706944A (zh) * | 2022-03-17 | 2022-07-05 | 海信电子科技(武汉)有限公司 | 服务器及多语言文本语义理解方法 |
CN115100670A (zh) * | 2022-07-21 | 2022-09-23 | 中国平安人寿保险股份有限公司 | 保单信息处理方法及其***、电子设备、存储介质 |
CN115271635A (zh) * | 2022-06-29 | 2022-11-01 | 深圳市双银科技有限公司 | 智慧社区服务平台*** |
CN115810235A (zh) * | 2022-07-20 | 2023-03-17 | 霖久智慧(广东)科技有限公司 | 基于物联网平台的智慧物业管理*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007109599A2 (en) * | 2006-03-20 | 2007-09-27 | Rave Wireless, Inc. | Personal security system |
US10796093B2 (en) * | 2006-08-08 | 2020-10-06 | Elastic Minds, Llc | Automatic generation of statement-response sets from conversational text using natural language processing |
US8595057B2 (en) * | 2006-08-08 | 2013-11-26 | Narbeh AVEDISSIAN | System for apportioning revenue based on content delivery by an online community |
US20130073374A1 (en) * | 2011-09-15 | 2013-03-21 | Stephan HEATH | System and method for providing combined coupon/geospatial mapping/ company-local & socially conscious information and social networking (c-gm-c/l&sc/i-sn) |
US11477068B2 (en) * | 2012-09-27 | 2022-10-18 | Kaseya Limited | Data network notification bar user interface |
US10511490B2 (en) * | 2015-06-19 | 2019-12-17 | International Business Machines Corporation | Automated configuration of software defined network controller |
US10366622B2 (en) * | 2016-03-28 | 2019-07-30 | Imam Abdulrahman Bin Faisal University | Systems and methods for communicating with a dynamic tactile peripheral over an enhanced network with enhanced data packets |
US10721162B2 (en) * | 2018-03-08 | 2020-07-21 | Andro Computational Solutions | Routing data through distributed communications network |
-
2023
- 2023-04-21 CN CN202310458609.2A patent/CN116485587B/zh active Active
Patent Citations (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956048A (zh) * | 2016-04-27 | 2016-09-21 | 上海遥薇(集团)有限公司 | 一种社区服务大数据算法挖掘*** |
CN106875280A (zh) * | 2017-03-02 | 2017-06-20 | 深圳大图科创技术开发有限公司 | 一体化社区服务平台 |
CN106874791A (zh) * | 2017-03-22 | 2017-06-20 | 苏州亮磊知识产权运营有限公司 | 一种办公用公共计算机的数据安全储存***及其方法 |
CN109302434A (zh) * | 2017-06-15 | 2019-02-01 | 腾讯科技(深圳)有限公司 | 提示信息推送方法及装置、服务平台及存储介质 |
CN108335132A (zh) * | 2018-01-22 | 2018-07-27 | 中国平安人寿保险股份有限公司 | 应用程序的分析方法、装置、存储介质及终端 |
CN108460489A (zh) * | 2018-03-15 | 2018-08-28 | 重庆邮电大学 | 一种基于大数据技术的用户行为分析与服务推荐框架 |
CN108446409A (zh) * | 2018-05-07 | 2018-08-24 | 天门市志远信息科技有限公司 | 一种出行管家智能交互***及方法 |
CN110580558A (zh) * | 2018-06-08 | 2019-12-17 | 姚敏 | 一种智能监控管理平台及其操作方法 |
CN110796319A (zh) * | 2018-06-11 | 2020-02-14 | 杨海琴 | 一种智能监控管理平台及其操作方法 |
CN108481344A (zh) * | 2018-06-27 | 2018-09-04 | 深圳万发创新进出口贸易有限公司 | 一种智能服务机器人 |
CN109087230A (zh) * | 2018-08-13 | 2018-12-25 | 河南易商谷电子商务有限公司 | 一种智慧社区服务***及其使用方法 |
CN109543077A (zh) * | 2018-10-16 | 2019-03-29 | 清华大学 | 社区搜索方法 |
CN109766489A (zh) * | 2018-11-26 | 2019-05-17 | 福建新大陆支付技术有限公司 | 数据处理方法、客户端、服务器及计算机可读存储介质 |
CN109636334A (zh) * | 2018-12-07 | 2019-04-16 | 深圳市汇鑫科技股份有限公司 | 一种物业智慧社区服务***及方法 |
CN109767575A (zh) * | 2018-12-12 | 2019-05-17 | 北京戴纳实验科技有限公司 | 一种智能货柜的管理*** |
CN109840709A (zh) * | 2019-01-31 | 2019-06-04 | 广东美的物业管理股份有限公司 | 一种小区在线管家管理方法、装置及终端设备 |
CN109949105A (zh) * | 2019-04-02 | 2019-06-28 | 山东天创亿联智能科技有限公司 | 一种基于云平台的数据监控和信息处理方法和装置 |
CN110009543A (zh) * | 2019-04-02 | 2019-07-12 | 深圳市万物云科技有限公司 | 基于人工智能社区门禁管理方法及装置与***和存储介质 |
CN110147981A (zh) * | 2019-04-12 | 2019-08-20 | 深圳壹账通智能科技有限公司 | 基于文本分析的合同风险审核方法、装置及终端设备 |
CN110111072A (zh) * | 2019-04-28 | 2019-08-09 | 江苏德司信信息产业投资股份有限公司 | 一种环保管家在线服务*** |
CN110166551A (zh) * | 2019-05-22 | 2019-08-23 | 贵州理工学院 | 智慧社区综合服务平台 |
CN110263979A (zh) * | 2019-05-29 | 2019-09-20 | 阿里巴巴集团控股有限公司 | 基于强化学习模型预测样本标签的方法及装置 |
CN110222625A (zh) * | 2019-06-03 | 2019-09-10 | 上海眼控科技股份有限公司 | 一种在视频监控图像中识别行人属性的方法及*** |
CN110609935A (zh) * | 2019-08-29 | 2019-12-24 | 湖南草花互动网络科技有限公司 | 用户身份标签生成方法、装置、计算机设备和存储介质 |
CN110532474A (zh) * | 2019-08-30 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 信息推荐方法、服务器、***以及计算机可读存储介质 |
CN110765301A (zh) * | 2019-11-06 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 图片处理方法、装置、设备及存储介质 |
CN111145065A (zh) * | 2019-12-25 | 2020-05-12 | 重庆特斯联智慧科技股份有限公司 | 一种人工智能社区物联服务终端及*** |
CN110966823A (zh) * | 2020-01-17 | 2020-04-07 | 程鹏 | 一种智能冰箱食物管家*** |
CN111899822A (zh) * | 2020-06-28 | 2020-11-06 | 广州万孚生物技术股份有限公司 | 医疗机构数据库构建方法、查询方法、装置、设备和介质 |
CN111784060A (zh) * | 2020-07-07 | 2020-10-16 | 中国人民公安大学 | 一种城市社区社会安全链式耦合风险演化情景推测方法 |
CN111914072A (zh) * | 2020-07-14 | 2020-11-10 | 青岛聚好联科技有限公司 | 一种信息交互方法、设备及装置 |
CN113343711A (zh) * | 2021-06-29 | 2021-09-03 | 南方电网数字电网研究院有限公司 | 工单生成方法、装置、设备及存储介质 |
CN114155845A (zh) * | 2021-12-13 | 2022-03-08 | 中国农业银行股份有限公司 | 服务确定方法、装置、电子设备及存储介质 |
CN114706944A (zh) * | 2022-03-17 | 2022-07-05 | 海信电子科技(武汉)有限公司 | 服务器及多语言文本语义理解方法 |
CN115271635A (zh) * | 2022-06-29 | 2022-11-01 | 深圳市双银科技有限公司 | 智慧社区服务平台*** |
CN115810235A (zh) * | 2022-07-20 | 2023-03-17 | 霖久智慧(广东)科技有限公司 | 基于物联网平台的智慧物业管理*** |
CN115100670A (zh) * | 2022-07-21 | 2022-09-23 | 中国平安人寿保险股份有限公司 | 保单信息处理方法及其***、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116485587A (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108428446B (zh) | 语音识别方法和装置 | |
US11705105B2 (en) | Speech synthesizer for evaluating quality of synthesized speech using artificial intelligence and method of operating the same | |
Korpusik et al. | Spoken language understanding for a nutrition dialogue system | |
US11056100B2 (en) | Acoustic information based language modeling system and method | |
CN112967725A (zh) | 语音对话数据处理方法、装置、计算机设备及存储介质 | |
Swain et al. | Study of feature combination using HMM and SVM for multilingual Odiya speech emotion recognition | |
CN116560513B (zh) | 基于情绪识别的ai数字人交互方法、装置及*** | |
CN110223134B (zh) | 基于语音识别的产品推荐方法及相关设备 | |
Harwath et al. | Zero resource spoken audio corpus analysis | |
Shahin et al. | Talking condition recognition in stressful and emotional talking environments based on CSPHMM2s | |
Singhal et al. | Multi-level region-of-interest CNNs for end to end speech recognition | |
CN115497465A (zh) | 语音交互方法、装置、电子设备和存储介质 | |
Rajendran et al. | Language dialect based speech emotion recognition through deep learning techniques | |
CN113853651B (zh) | 用量化的情感状态进行语音-情感识别的装置和方法 | |
Elbarougy | Speech emotion recognition based on voiced emotion unit | |
US11615787B2 (en) | Dialogue system and method of controlling the same | |
Viacheslav et al. | System of methods of automated cognitive linguistic analysis of speech signals with noise | |
CN116361442B (zh) | 基于人工智能的营业厅数据分析方法及*** | |
Wu et al. | Miscommunication handling in spoken dialog systems based on error-aware dialog state detection | |
CN116485587B (zh) | 社区服务获取方法与提供方法、电子设备、存储介质 | |
CN116978367A (zh) | 语音识别方法、装置、电子设备和存储介质 | |
Schuller et al. | Semantic speech tagging: Towards combined analysis of speaker traits | |
CN112071304B (zh) | 一种语意分析方法及装置 | |
US11551666B1 (en) | Natural language processing | |
Bykov et al. | Improvement of the learning process of the automated speaker recognition system for critical use with HMM-DNN component |
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 |