社区事务汇聚和任务派发方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供一种社区事务汇聚和任务派发方法、装置、设备及存储介质，包括：将训练数据集通过BERT模型计算得到结合上下文的词向量；将训练数据集通过LDA主题模型计算得到融合主题的词向量；将两者级联得到词向量矩阵并输入TextCNN模型进行训练，得到训练好的事件汇聚模型；将诉求事件输入训练好的事件汇聚模型，识别得到诉求事件的事件类型；并计算同一类型的诉求事件的相似度，将相似度高于阈值的诉求事件归为一小类作为重复诉求事件进行去重；并结合事件发生地的标准地址确定事件办理部门，进行任务派发。本发明专利技术对社区诉求事件进行分类、汇聚和自动派发。提高了社区事务的办理效率。

【技术实现步骤摘要】
社区事务汇聚和任务派发方法、装置、设备及存储介质
本专利技术涉及多元社区治理领域，尤其涉及一种社区事务汇聚和任务派发方法、装置、设备及存储介质。
技术介绍
智慧社区综合治理平台是一个面向多元社区治理主体的协同应用平台，平台工作流程：社区居民通过12345热线、城市留言板、网格平台、环保业务系统、水务业务系统、电力业务系统、城管业务系统、信访等渠道上报诉求事件，社区办事员受理各渠道诉求事件后根据事件类型、事件发生地等将其派发给社区民警、社区妇联专干、社区工会专干、社区城管专干、社区残疾专干、社区劳保专干、物业公司、楼栋长、志愿者组织等多元社区治理主体单位。各社区治理主体单位接收诉求事件后，对职责范围内的事件进行处置再将结果反馈给社区，社区再将结果反馈给各渠道核查和结案。平台现有群众诉求事件是由社区办事员逐条查看后派发给各多元社区治理主体单位。由于事件经常会被多人多次多渠道重复上报，平台缺乏有效的技术手段对重复事件进行识别，导致一件事到社区往往变成了多件事，社区处置完成后还需要多次重复向上反馈办理结果。平台现有群众诉求事件任务的派发完全依靠人工操作，派发过程要求社区办事员对所有的事件类型和对应办理单位之间的关系都了解得非常清楚，对社区办事员的要求较高。现阶段社区人员不是很稳定，派发错误率较高。如果派发错误，办理单位会将不属于本单位办理的事件退回社区重新派发。社区居民诉求事务比较繁杂，事件类型包括物业纠纷、积水问题、生活噪音问题、生活垃圾、水污染问题、行道树损坏等。所有事件完全依靠社区办事员人工判断事件类别确定办理单位，工作量非常大。
技术实现思路
本专利技术提供一种社区事务汇聚和任务派发方法、装置、设备及存储介质，旨在解决上述存在的两个技术问题：一是事件分类依靠人工处理效率低、易出错；二是同一事件多人多渠道重复上报导致事件重复处理。为了实现上述目的，本专利技术提出了一种社区事务汇聚和任务派发方法，所述社区事务汇聚和任务派发方法包括以下步骤：将训练数据集通过BERT模型计算得到结合上下文的词向量；将训练数据集通过LDA主题模型计算得到融合主题的词向量；将所述结合上下文的词向量和所述融合主题的词向量级联得到词向量矩阵；将所述词向量矩阵输入TextCNN模型进行训练，得到训练好的事件汇聚模型；将诉求事件输入所述训练好的事件汇聚模型，识别得到所述诉求事件的事件类型；计算同一类型的诉求事件的相似度，将相似度高于阈值的诉求事件汇聚为一小类重复诉求事件；结合所述事件类型和事件发送地的标准地址确定事件办理部门，进行任务派发。优选地，在将相似度高于阈值的诉求事件汇聚为一小类重复诉求事件的步骤之后，还包括：将每一小类重复诉求事件的投诉文本拼接生成长文本，采用textRank算法对所述长文本进行摘要计算，抽取结果集top1的句子作为摘要，以实现任务派发前的判重去重。优选地，在将训练数据集通过BERT模型计算得到结合上下文的词向量的步骤之前，还包括：对历史事件进行预处理，构建训练数据集和测试数据集。优选地，所述对历史事件进行预处理，构建训练数据集和测试数据集的步骤包括：明确类型数据标签：对历史事件选择一定量的数据标签，剔除无明显文本特征的数据标签，去除文本中特殊字符，包括换行符，空格，系统产生的固定话术，得到预处理后的历史事件；将所述预处理后的历史事件进行划分，得到训练数据集和测试数据集。优选地，在将所述词向量矩阵输入TextCNN模型进行训练，得到训练好的事件汇聚模型的步骤之后，还包括：通过所述测试数据集对所述训练好的事件汇聚模型进行测试并优化，得到优化后的事件汇聚模型；将所述优化后的事件汇聚模型结合统一地址库。此外，为了实现上述目的，本专利技术还提供了一种社区事务汇聚和任务派发装置，所述社区事务汇聚和任务派发装置包括：第一计算模块，用于将训练数据集通过BERT模型计算得到结合上下文的词向量；第二计算模块，用于将训练数据集通过LDA主题模型计算得到融合主题的词向量；级联模块，用于将所述结合上下文的词向量和所述融合主题的词向量级联得到词向量矩阵；训练模块，用于将所述词向量矩阵输入TextCNN模型进行训练，得到训练好的事件汇聚模型；分类汇聚模块，用于将诉求事件输入所述训练好的事件汇聚模型，识别得到所述诉求事件的事件类型；计算同一类型的诉求事件的相似度，将所述相似度高于阈值的诉求事件归为一小类重复诉求事件；任务派发模块，用于结合所述事件类型和事件发送地的标准地址确定事件办理部门，进行任务派发。此外，为了实现上述目的，本专利技术还提供了一种社区事务汇聚和任务派发设备，所述社区事务汇聚和任务派发设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的社区事务汇聚和任务派发程序，所述社区事务汇聚和任务派发程序被所述处理器执行时实现所述的社区事务汇聚和任务派发方法的步骤。此外，为了实现上述目的，本专利技术还提供了一种存储介质，所述存储介质上存储有社区事务汇聚和任务派发程序，所述社区事务汇聚和任务派发程序被处理器执行时实现所述的社区事务汇聚和任务派发方法的步骤。本专利技术基于其技术方案所具有的有益效果在于：1、本专利技术基于自然语言处理对重复的事件按照时间、地点、上报人、事件内容等多维度构建模型，实现对诉求事件进行自动智能判重。系统平台对判定重复的事件进行合并办理，大量减少了需要办理的事件数量，提高了事件有效率和办理人员的工作效率。2、本专利技术基于自然语言处理对事件内容、事件发生地进行分类识别，智能判断事件的末端办理单位，自动完成事件派发任务。社区办事员只需要办理疑难、新类型、突发等事件，其它的都由平台自动智能派发办理，进一步减小社区办事员的工作量、提高工作效率。附图说明图1是本专利技术社区事务汇聚和任务派发方法示意图；图2是本专利技术社区事务汇聚分类流程图。具体实施方式为了使本专利技术的目的、技术方案和效果更加清楚的理解，现将结合附图对本专利技术实施方式作进一步的描述。请参考图1，图1是本专利技术社区事务汇聚和任务派发方法示意图；本专利技术具体实施例中，社区事务汇聚和任务派发方法具体为：社区居民诉求事件从12345热线、城市留言板、网格平台、环保业务系统、水务业务系统、电力业务系统、城管业务系统、信访等渠道上报后。平台首先对历史诉求事件数据进行分词等预办理，去除脏数据后选择合适的数据集、数据量进行事件汇聚模型训练。然后通过训练好的模型计算事件描述相似度，根据相似度阈值参数对事件类别划分和判重。再将同一事件的投诉文本拼接生成长文本，利用textRank算法从长文本中抽取top1的句子作为摘要。最后基于事件类别、事件发生地判定事件办理单位后对事件任务进行自动派发。请参考图2，图2是本专利技术社区事务汇聚分类流程图；社区事务汇聚分类流程如下：S1、对历史事件进行预处理（分词、去停用词等本文档来自技高网...

【技术保护点】
1.一种社区事务汇聚和任务派发方法，其特征在于，所述社区事务汇聚和任务派发方法包括以下步骤：/n将训练数据集通过BERT模型计算得到结合上下文的词向量；/n将训练数据集通过LDA主题模型计算得到融合主题的词向量；/n将所述结合上下文的词向量和所述融合主题的词向量级联得到词向量矩阵；/n将所述词向量矩阵输入TextCNN模型进行训练，得到训练好的事件汇聚模型；/n将诉求事件输入所述训练好的事件汇聚模型，识别得到所述诉求事件的事件类型；计算同一类型的诉求事件的相似度，将相似度高于阈值的诉求事件汇聚为一小类重复诉求事件；/n结合所述事件类型和事件发生地的标准地址确定事件办理部门，进行任务派发。/n

【技术特征摘要】
1.一种社区事务汇聚和任务派发方法，其特征在于，所述社区事务汇聚和任务派发方法包括以下步骤：
将训练数据集通过BERT模型计算得到结合上下文的词向量；
将训练数据集通过LDA主题模型计算得到融合主题的词向量；
将所述结合上下文的词向量和所述融合主题的词向量级联得到词向量矩阵；
将所述词向量矩阵输入TextCNN模型进行训练，得到训练好的事件汇聚模型；
将诉求事件输入所述训练好的事件汇聚模型，识别得到所述诉求事件的事件类型；计算同一类型的诉求事件的相似度，将相似度高于阈值的诉求事件汇聚为一小类重复诉求事件；
结合所述事件类型和事件发生地的标准地址确定事件办理部门，进行任务派发。


2.如权利要求1所述的社区事务汇聚和任务派发方法，其特征在于，在所述将相似度高于阈值的诉求事件汇聚为一小类重复诉求事件的步骤之后，还包括：
将每一小类重复诉求事件的投诉文本拼接生成长文本，采用textRank算法对所述长文本进行摘要计算，抽取结果集top1的句子作为摘要，以实现去除重复诉求事件。


3.如权利要求1所述的社区事务汇聚和任务派发方法，其特征在于，在所述将训练数据集通过BERT模型计算得到结合上下文的词向量的步骤之前，还包括：
对历史事件进行预处理，构建训练数据集和测试数据集。


4.如权利要求3所述的社区事务汇聚和任务派发方法，其特征在于，所述对历史事件进行预处理，构建训练数据集和测试数据集的步骤包括：
明确类型数据标签，对历史事件选择一定量的数据标签，剔除无明显文本特征的数据标签，去除文本中特殊字符，包括换行符，空格，系统产生的固定话术，得到预处理后的历史事件；
将所述预处理后的历史事件进行划分，得到训练数据集和测试数据集。
<...

【专利技术属性】
技术研发人员：朱毅，姚俊华，雷振，李飞，韩勇，蒋米敏，
申请(专利权)人：武大吉奥信息技术有限公司，
类型：发明
国别省市：湖北;42