一种基于深度学习的政务数据平台的制作方法

1.本发明属于在线服务技术领域，具体涉及一种基于深度学习的政务数据平台。


背景技术：

2.随着互联网+技术的浪潮，在线政务服务技术得到了越来越广泛的应用，相比于传统的窗口服务和电话客服，基于互联网的在线政务服务系统拥有实时接入，自动分配客服，服务效率高，会话数据实时监控等优点。
3.目前，在线政务服务系统在服务方式上依然采用一个服务人员服务多个用户的方式，随着业务的复杂化和分工的精细化，一个服务人员无法回答所有类型的咨询。现有在线政务服务系统中通常采用服务转接的方式，将会话转接至另一个服务人员进行服务，又会带来新的问题，影响用户体验。同时，由于用户可能不清楚自己需要办理什么业务，而在选择业务类型之初就耗费了大量时间，影响用户体验。
4.在现有技术中，也有可以提供用户与服务人员对接的数据平台，但一般都是将政务服务随机分配给空闲的服务人员，但一般不会考虑被分配的服务人员的能力高低，以及用户问题的难度，若被分配的服务人员能力低于政务服务内容的处理难度，很容易导致服务质量变差。


技术实现要素：

5.本发明的目的就在于为了解决上述问题而提供一种结构简单，设计合理的基于深度学习的政务数据平台。
6.本发明通过以下技术方案来实现上述目的：本发明第一方面提供了一种政务数据服务方法，该方法包括以下步骤，步骤s102，获得历史政务服务数据；步骤s104，基于历史政务服务数据训练获得第一神经网络模型；步骤s106，获得用户的新的政务服务数据；步骤s108，基于新的政务服务数据于所述第一神经网络模型内输出新的政务服务数据所对应的政务服务的难度；其中，基于用户的新的政务服务数据获得预测的政务服务序列，基于预测的政务服务序列，获得新的政务服务所对应的政务服务的难度；步骤s110，评估服务人员的能力，获得服务人员的能力值；步骤s112，匹配能力值大于用户的政务服务的难度的服务人员为当前的用户进行服务。
7.作为本发明的进一步优化方案，提取历史政务服务数据，进行实体识别与提取，获得问题相关的实体；基于政务服务的知识图谱训练图神经网络。
8.作为本发明的进一步优化方案，所述政务服务的知识图谱包括问题实体、用户信息实体，问题实体与问题实体之间存在联系表示两个问题实体在同一个政务服务中出现，
问题实体与用户信息实体之间存在联系表示用户信息实体与问题实体在同一个政务服务中出现。
9.作为本发明的进一步优化方案，在步骤s108中，步骤s1081,从当前的政务服务数据中提取问题实体和用户信息实体，以用户信息实体和问题实体为中心在知识图谱上进行随机游走生成多个子图，将生成的子图拼接构成输入图。
10.作为本发明的进一步优化方案，将输入图输入至图神经网络，图神经网络的分类标签为问题实体的下一个邻近的问题实体的id；输入图的一个实体对应于一个节点，节点之间的边对应于输入图的实体的联系；通过词向量编码用户信息实体和问题实体获得对应的节点特征，cbow模型（连续词袋模型）；图神经网络包括k层隐藏层和一个全连接层。
11.作为本发明的进一步优化方案，图神经网络第u层的计算公式如下：；其中，表示第u层的第i个节点的中间特征，表示与节点i直接连接的节点的集合，表示第u-1层的第j个节点的中间特征，表示第u层的权重参数，表示sigmoid激活函数；当u=1时，，表示第j个节点的节点特征；图神经网络最后一层输出的节点特征输入全连接层，全连接层输出分类标签；其中，邻近的问题实体是指在同一个政务服务中问题实体按照时间排序之后的相邻的问题实体；问题实体的下一个邻近问题实体是指排序在其后的邻近的问题实体；问题实体的id是指其在问题实体库中的编号。
12.作为本发明的进一步优化方案，步骤s1083，将步骤s1082中的当前的政务服务数据中的最后一个问题实体对应的下一个邻近的问题实体加入步骤s1081中的当前的政务服务数据中对其进行更新，然后返回步骤s1081，直至迭代执行n-1次之后进入下一步骤。
13.作为本发明的进一步优化方案，步骤s1084，提取步骤s1083之后获得的当前的政务服务数据的n个问题实体，按照更新的先后顺序排列获得问题序列，将问题序列输入至第一神经网络模型内，第一神经网络模型输出当前的政务服务的难度。
14.作为本发明的进一步优化方案，步骤s110，计算服务人员的能力值的公式如下：；其中，表示第c个服务人员的能力值，h表示第c个服务人员已经进行的政务服务的总数，表示第c个服务人员进行的第j个政务服务的难度值。
15.本发明第二方面提供了一种政务数据服务平台，包括用户端、服务端与云服务器，所述用户端用于输入政务服务，并上传至云服务器；所述服务端获得服务人员的能力值，并上传至云服务器；所述云服务器基于用户端输入的政务服务获得政务服务数据，基于政务服务数据获得所述政务服务对应的难度，基于政务服务对应的难度与服务人员的能力值，匹配相应的服务人员，并将该服务人员与用户建立相应的通讯传输。
16.本发明的有益效果在于：本发明通过对用户问题的难度考量，以及服务人员的能力高低，进行相应的匹配，从而达到更好的服务效果；并且，本发明能够面对一个新的政务服务时，只在了解第一个服务问题以及用户信息的情况下来准确的预测用户将要进行的政务服务的整体难度，提供优化的政务人员服务的模型，提升用户体验。
附图说明
17.图1是本发明的一种政务数据服务方法的方法示意图；图2是本发明的一种随机游走的方法示意图；图3是本发明的基于政务服务数据获得难度的方法示意图；图4是本发明的一种政务数据服务平台的结构示意图。
具体实施方式
18.下面结合附图对本技术作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本技术进行进一步的说明，不能理解为对本技术保护范围的限制，该领域的技术人员可以根据上述申请内容对本技术作出一些非本质的改进和调整。
19.如图1所示，一种政务数据服务方法，该方法包括以下步骤，步骤s102，获得历史政务服务数据；步骤s104，基于历史政务服务数据训练获得第一神经网络模型；步骤s106，获得用户的新的政务服务数据；步骤s108，基于新的政务服务数据于所述第一神经网络模型内输出新的政务服务数据所对应的政务服务的难度；步骤s110，评估服务人员的能力，获得服务人员的能力值；步骤s112，匹配能力值大于用户的政务服务的难度的服务人员为当前的用户进行服务。
20.基于用户的新的政务服务数据获得预测的政务服务序列，基于预测的政务服务序列，获得新的政务服务所对应的政务服务的难度。
21.提取历史政务服务数据，进行实体识别与提取，获得问题相关的实体；基于政务服务的知识图谱训练图神经网络。
22.所述政务服务的知识图谱包括问题实体、用户信息实体，问题实体与问题实体之间存在联系表示两个问题实体在同一个政务服务中出现，问题实体与用户信息实体之间存在联系表示用户信息实体与问题实体在同一个政务服务中出现。
23.其中，问题实体包括：政策与法律问题、行政管理问题、参与治理问题、政府信息公开问题、公共服务问题等；用户信息实体包括：年龄、学历、工作年限、婚姻状态等。
24.一个政务服务表示为一个用户的一次政务平台提供的服务。例如，一个用户在一次政务平台提供的服务中连续询问了房价、利率、学区等问题，在该次询问结束之前都属于一次政务平台提供的服务。
25.步骤s108包括：如图3所示，步骤s1081,从当前的政务服务数据中提取问题实体和用户信息实体，以用户信息实体和问题实体为中心在知识图谱上进行随机游走生成多个子图，将生成的子图拼接构成输入图。
26.在本发明的一个实施例中，一次随机游走包括：如图2所示，步骤s81,初始化游走步数为1，当前游走的实体为游走中心的实体；步骤s82,从当前游走的实体的直接联系的实体中随机选择一个，将选择的实体更新为当前游走的实体，并对游走步数累加1；步骤s83,迭代执行步骤s82，直至游走步数达到设定的步数阈值（迭代执行过程中不会重复选择实体，如果出现某一迭代过程中没有新的实体可供选择，则提前终止步骤），然后将所有选择的实体记录在子图内；m次随机游走后完成以一个实体为中心生成子图的过程；其中m为设定的超参数，缺省值为10，步数阈值为设定的超参数，缺省值为10。
27.子图拼接，将多个子图直接拼接，删除重复实体得到输入图。
28.步骤s1082,将输入图输入至图神经网络，图神经网络的分类标签为问题实体的下一个邻近的问题实体的id。
29.输入图的一个实体对应于一个节点，节点之间的边对应于输入图的实体的联系；通过词向量编码用户信息实体和问题实体获得对应的节点特征，词向量编码采用cbow模型（连续词袋模型）。
30.图神经网络包括k层隐藏层和一个全连接层。
31.图神经网络第u层的计算公式如下：；其中，表示第u层的第i个节点的中间特征，表示与节点i直接连接的节点的集合，表示第u-1层的第j个节点的中间特征，表示第u层的权重参数，表示sigmoid激活函数；当u=1时，，表示第j个节点的节点特征。
32.图神经网络最后一层输出的节点特征输入全连接层，全连接层输出分类标签。
33.其中，邻近的问题实体是指在同一个政务服务中问题实体按照时间排序之后的相邻的问题实体；问题实体的下一个邻近问题实体是指排序在其后的邻近的问题实体。
34.问题实体的id是指其在问题实体库中的编号。
35.训练时输入历史的政务服务数据生成的输入图，分类标签从历史的政务服务数据中的问题实体排序能够获得。
36.步骤s1083，将步骤s1082中的当前的政务服务数据中的最后一个问题实体对应的下一个邻近的问题实体加入步骤s1081中的当前的政务服务数据中对其进行更新，然后返回步骤s1081，直至迭代执行n-1次之后进入下一步骤。
37.步骤s1084，提取步骤s1083之后获得的当前的政务服务数据的n个问题实体，按照更新的先后顺序排列获得问题序列，将问题序列输入至第一神经网络模型内，第一神经网络模型输出当前的政务服务的难度。
38.此处的第一神经网络模型为循环神经网络，循环神经网络在第t个时间步输入问题序列的第t个问题实体，在最后一个时间步的输出连接到分类器，分类器的分类标签表示政务服务的难度。
39.此处的第一神经网络模型为多层感知机，将问题序列中的问题实体向量化之后进行拼接，拼接为一个向量之后输入多层感知机，多层感知机的输出连接到分类器，分类器的分类标签表示政务服务的难度。
40.在本发明的一个实施例中，政务服务的难度以等级进行定义，分为三个等级，分别为低、中、高，分别赋值1、2、3，赋值是为了统计计算服务人员的能力。
41.在本发明的一个实施例中，政务服务的难度以分值进行定义，分值的值域为，值域均值离散化为十个点值，分别对应于十个分类标签。
42.步骤s110，计算服务人员的能力值的公式如下：；其中，表示第c个服务人员的能力值，h表示第c个服务人员已经进行的政务服务的总数，表示第c个服务人员进行的第j个政务服务的难度值。
43.如图4所示，提出一种政务数据服务平台，包括用户端、服务端与云服务器，所述用
户端用于输入政务服务，并上传至云服务器；所述服务端获得服务人员的能力值，并上传至云服务器；所述云服务器基于用户端输入的政务服务获得政务服务数据，基于政务服务数据获得所述政务服务对应的难度，基于政务服务对应的难度与服务人员的能力值，匹配相应的服务人员，并将该服务人员与用户建立相应的通讯传输。
44.一般来说，用户在对接政务平台时，会先问出一个问题，然而传统的处理方式仅仅是通过一个问题数据来进行数据提取，判断问题的类型，来匹配相应的服务人员，但问题是有难度的区别，有些问题仅是流程性的问题，对于服务人员来说很是简单，但是有的问题可能涉及多个政务部门，存在一定的难度，不能忽略问题的难度来随机分配相应的服务人员来进行客户对接，同时，往往第一个问题仅仅是开端，基于用户的个人信息可以预测的是，通过该问题还是可以延伸出其他的问题序列的，本技术即通过问题序列来获得此处政务服务的整体难度；不仅于此，本技术还考虑对服务人员的能力情况，对于有经验的服务人员来处理难度更高的政务服务，可以提高用户的体验；本技术能够面对一个新的政务服务，只在了解第一个服务问题以及用户信息的情况下来准确的预测用户将要进行的政务服务的整体难度。
45.本技术实施例还公开了一种电子设备。一种电子设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行实现上述任一种方法的计算机程序。
46.其中，电子设备可以采用台式电脑、笔记本电脑或者云端服务器等电子设备，并且，电子设备包括但不限于处理器以及存储器，例如，电子设备还可以包括输入输出设备、网络接入设备以及总线等。
47.本技术中的处理器可以包括一个或者多个处理核心。处理器通过运行或执行存储在存储器内的指令、程序、代码集或指令集，调用存储在存储器内的数据，执行本技术的各种功能和处理数据。处理器可以为特定用途集成电路(application specificintegrated circuit，asic)、数字信号处理器(digital signal processor，dsp)、数字信号处理装置(digital signal processing device，dspd)、可编程逻辑装置(programmablelogic device，pld)、现场可编程门阵列(field programmable gate array，fpga)、中央处理器(central processing unit，cpu)、控制器、微控制器和微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本技术实施例不作具体限定。
48.其中，存储器可以为电子设备的内部存储单元，例如，电子设备的硬盘或者内存，也可以为电子设备的外部存储设备，例如，电子设备上配备的插接式硬盘、智能存储卡（smc）、安全数字卡（sd）或者闪存卡（fc）等，并且，存储器还可以为电子设备的内部存储单元与外部存储设备的组合，存储器用于存储计算机程序以及电子设备所需的其他程序和数据，存储器还可以用于暂时地存储已经输出或者将要输出的数据，本技术对此不做限制。
49.本技术实施例还公开了一种计算机可读存储介质。一种计算机可读存储介质，存储有能够被处理器加载并执行实现上述任一种方法的计算机程序。
50.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非
易失性和/或易失性存储器。非易失性存储器可包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦除可编程rom（eeprom）或闪存。易失性存储器可包括随机存取存储器（ram）或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram（sram）、动态ram（dram）、同步dram（sdram）、双数据率sdram（ddrsdram）、增强型sdram（esdram）、同步链路（synchlink） dram（sldram）、存储器总线（rambus）直接ram（rdram）、直接存储器总线动态ram（drdram）、以及存储器总线动态ram（rdram）等。
51.以上均为本技术的较佳实施例，并非依此限制本技术的保护范围，故：凡依本技术的方法、原理所做的等效变化，均应涵盖于本技术的保护范围之内。

技术特征：
1.一种基于深度学习的政务数据平台，其特征在于，该平台包括政务数据服务方法，该方法包括以下步骤，步骤s102，获得历史政务服务数据；步骤s104，基于历史政务服务数据训练获得第一神经网络模型；步骤s106，获得用户的新的政务服务数据；步骤s108，基于新的政务服务数据于所述第一神经网络模型内输出新的政务服务数据所对应的政务服务的难度；其中，基于用户的新的政务服务数据获得预测的政务服务序列，基于预测的政务服务序列，获得新的政务服务所对应的政务服务的难度；步骤s110，评估服务人员的能力，获得服务人员的能力值；步骤s112，匹配能力值大于用户的政务服务的难度的服务人员为当前的用户进行服务。2.根据权利要求1所述的一种基于深度学习的政务数据平台，其特征在于：提取历史政务服务数据，进行实体识别与提取，获得问题相关的实体；基于政务服务的知识图谱训练图神经网络。3.根据权利要求2所述的一种基于深度学习的政务数据平台，其特征在于：所述政务服务的知识图谱包括问题实体、用户信息实体，问题实体与问题实体之间存在联系表示两个问题实体在同一个政务服务中出现，问题实体与用户信息实体之间存在联系表示用户信息实体与问题实体在同一个政务服务中出现。4.根据权利要求3所述的一种基于深度学习的政务数据平台，其特征在于：在步骤s108中，包括：步骤s1081,从当前的政务服务数据中提取问题实体和用户信息实体，以用户信息实体和问题实体为中心在知识图谱上进行随机游走生成多个子图，将生成的子图拼接构成输入图。5.根据权利要求4所述的一种基于深度学习的政务数据平台，其特征在于：将输入图输入至图神经网络，图神经网络的分类标签为问题实体的下一个邻近的问题实体的id；输入图的一个实体对应于一个节点，节点之间的边对应于输入图的实体的联系；通过词向量编码用户信息实体和问题实体获得对应的节点特征；图神经网络包括k层隐藏层和一个全连接层。6.根据权利要求5所述的一种基于深度学习的政务数据平台，其特征在于：图神经网络第u层的计算公式如下：；其中，表示第u层的第i个节点的中间特征，表示与节点i直接连接的节点的集合，表示第u-1层的第j个节点的中间特征，表示第u层的权重参数，表示sigmoid激活函数；当u=1时，，表示第j个节点的节点特征；图神经网络最后一层输出的节点特征输入全连接层，全连接层输出分类标签；
其中，邻近的问题实体是指在同一个政务服务中问题实体按照时间排序之后的相邻的问题实体；问题实体的下一个邻近问题实体是指排序在其后的邻近的问题实体；问题实体的id是指其在问题实体库中的编号。7.根据权利要求6所述的一种基于深度学习的政务数据平台，其特征在于：步骤s1083，将步骤s1082中的当前的政务服务数据中的最后一个问题实体对应的下一个邻近的问题实体加入步骤s1081中的当前的政务服务数据中对其进行更新，然后返回步骤s1081，直至迭代执行n-1次之后进入下一步骤。8.根据权利要求7所述的一种基于深度学习的政务数据平台，其特征在于：步骤s1084，提取步骤s1083之后获得的当前的政务服务数据的n个问题实体，按照更新的先后顺序排列获得问题序列，将问题序列输入至第一神经网络模型内，第一神经网络模型输出当前的政务服务的难度。9.根据权利要求8所述的一种基于深度学习的政务数据平台，其特征在于：步骤s110，计算服务人员的能力值的公式如下：；其中，表示第c个服务人员的能力值，h表示第c个服务人员已经进行的政务服务的总数，表示第c个服务人员进行的第j个政务服务的难度值。10.根据权利要求1-9任一所述的一种基于深度学习的政务数据平台，其特征在于：该平台还包括用户端、服务端与云服务器，所述用户端用于输入政务服务，并上传至云服务器；所述服务端获得服务人员的能力值，并上传至云服务器；所述云服务器基于用户端输入的政务服务获得政务服务数据，基于政务服务数据获得所述政务服务对应的难度，基于政务服务对应的难度与服务人员的能力值，匹配相应的服务人员，并将该服务人员与用户建立相应的通讯传输。

技术总结
本发明涉及一种基于深度学习的政务数据平台，属于在线服务技术领域。该基于深度学习的政务数据平台包括一种政务服务方法，所述方法包括以下步骤，获得历史政务服务数据；基于历史政务服务数据训练获得第一神经网络模型；获得用户的新的政务服务数据；基于新的政务服务数据于所述第一神经网络模型内输出新的政务服务数据所对应的政务服务的难度；其中，基于用户的新的政务服务数据获得预测的政务服务序列，基于预测的政务服务序列，获得新的政务服务所对应的政务服务的难度；评估服务人员的能力，获得服务人员的能力值；该基于深度学习的政务数据平台，提供优化的政务人员服务的模型，提升用户体验。提升用户体验。提升用户体验。


技术研发人员：宋瑞凤 李燕云
受保护的技术使用者：菏泽市牡丹区大数据中心
技术研发日：2023.08.08
技术公布日：2023/9/9