一种基于深度学习的政务数据平台制造技术

技术编号:38760103 阅读:16 留言:0更新日期:2023-09-10 09:44
本发明专利技术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。

【技术实现步骤摘要】
一种基于深度学习的政务数据平台


[0001]本专利技术属于在线服务
,具体涉及一种基于深度学习的政务数据平台。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]本专利技术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。
[0006]本专利技术通过以下技术方案来实现上述目的:本专利技术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。
[0007]作为本专利技术的进一步优化方案,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。
[0008]作为本专利技术的进一步优化方案,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。
[0009]作为本专利技术的进一步优化方案,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。
[0010]作为本专利技术的进一步优化方案,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。
[0011]作为本专利技术的进一步优化方案,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。
[0012]作为本专利技术的进一步优化方案,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。
[0013]作为本专利技术的进一步优化方案,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。
[0014]作为本专利技术的进一步优化方案,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。
[0015]本专利技术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。
[0016]本专利技术的有益效果在于:本专利技术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,本专利技术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
[0017]图1是本专利技术的一种政务数据服务方法的方法示意图;图2是本专利技术的一种随机游走的方法示意图;图3是本专利技术的基于政务服务数据获得难度的方法示意图;图4是本专利技术的一种政务数据服务平台的结构示意图。
具体实施方式
[0018]下面结合附图对本申请作进一步详细描述,有必要在此指出的是,以下具体实施方式只用于对本申请进行进一步的说明,不能理解为对本申请保护范围的限制,该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
[0019]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。
[0020]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。
[0021]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。
[0022]所述政务服务的知识图谱包括问题实体、本文档来自技高网
...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员:宋瑞凤李燕云
申请(专利权)人:菏泽市牡丹区大数据中心
类型:发明
国别省市:

相关技术
    暂无相关专利
网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1