一种基于应对社会事件治理的智能流转方法与流程

1.本发明属于社会事件治理应用技术领域，尤其涉及一种基于应对社会事件治理的智能流转方法。


背景技术：

2.社会治理包括协调社会关系、规范社会行为、解决社会问题、化解社会矛盾、促进社会公正、应对社会风险、维持社会和谐等方面。促进社会自治，化解理性经济人与非理性社会人的矛盾，规范社会行为，监督和监测社会行为的社会效益。
3.社会管理，主要是政府和社会组织为促进社会系统协调运转，对社会系统的组成部分、社会生活的不同领域以及社会发展的各个环节进行组织、协调、指导、规范、监督和纠正社会失灵的过程。
[0004][0005]
基层社会治理中的事件流转处置的传统实现方式是，网格员上报事件由社区/村居或镇街社会治理指挥中心人员对事件进行识别、确定事件处置单位并进行派单；通过其他途径，如微信公众号、12345等，接入社会治理平台的事件，也是由相应级别的社会治理指挥中心人员识别、确定事件处置单位并进行派单。在此种方式下，事件的流转以人工为主，由于各个社会治理指挥中心人手有限，在对事件的识别和处置过程中存在不及时、处置部门分派不准确等问题，导致工作效率不高。


技术实现要素：

[0006]
本发明针对上述的社会治理事件流转处置过程中所存在的技术问题，提出一种设计合理、结构简单、加工方便且能够有效的一种基于应对社会事件治理的智能流转方法。
[0007]
为了达到上述目的，本发明采用的技术方案为一种基于应对社会事件治理的智能流转方法，包括以下步骤：
[0008]
步骤1：获取基层社会治理存量事件，并搭建用于维护基层社会治理中标准部门、类型数据与实际业务部门间映射关系的智能流转分析引擎；
[0009]
步骤2：基于人工智能中的深度学习、自然语言处理等技术，通过对存量事件关键要素及最终处置单位等特征学习，利用人工智能领域成熟的技术及算法模型建立事件关键信息与事件特之间的关联关系并持续学习，提升智能流转分析引擎的分析能力；
[0010]
步骤3：配置智能流转分析引擎分析的结果阀值w，指定引擎分析的结果不足以自动流转时的补偿方式；
[0011]
步骤4：基于事件特征确定后续流转的业务部门并推进事件流转；
[0012]
步骤5：在智能流转分析引擎分析的事件特征不足以自动流转时，使用配置的补偿方式进行事件流转。
[0013]
作为优选，所述步骤1中具体包括以下步骤：
[0014]
1.1：标准项目实施方案为：基于以往地方基层社会治理项目中存量事件的实施积
累，采用抽取、筛选、整合形成基础标准部门集合；随着实施项目的不断增多，逐步扩充、完善形成标准部门集合a＝{a1,a2,a3,
…
,an,
…
}；
[0015]
1.2：实际项目实施方案为：经相关地方政府相关部门的授权，通过调研、收集、整合对应政府基层治理工作中所涉及到的实际业务部门，以形成实际业务部门集合b＝{b1,b2,b3,
…
,bn,
…
}；
[0016]
1.3：在智能流转分析引擎中进行配置，以形成标准部门集合a和实际业务部门集合b的多对多的动态映射关系，在映射关系上
[0017]
1.4：如果1.3步骤中，集合a中含有的某个元素未形成到集合b元素的映射关系，则记录为特殊标记x。
[0018]
作为优选，所述步骤2中包括有对存量事件数据文本的分类和对各实际业务部门能效值的判定，所述对各实际业务部门能效值的判定是采用物理学功率公式即：p＝w/t＝f*s/t，其中：p为效率参数，其体现了各个实际业务部门在实际治理过程中的效率差异，w体现了各实际业务部门在社会治理过程中的综合能力，t为在存量事件中所整合出的各个实际业务部门在应对处理社会治理事件时的实施时间，f为在存量事件中所整合出的各个实际业务部门针对社会治理事件的完成度，s表示为各实际业务部门与新一个待社会治理事件发生位置间的距离。
[0019]
作为优选，所述存量事件数据文本的分类包括模型完善训练，所述模型完善训练包括：数据分析、模型设计、数据预处理、模型训练、模型评估，具体包括以下步骤：
[0020]
2.1：所述数据分析中的训练数据均来自地方政府项目基层社会治理中内部源与外部源流转至区级平台进行分类的事件；将批次数据中按照最终流转部门进行分类成区直部门和镇街部门；
[0021]
2.2：根据业务需求，将所述模型设计为一级模型与二级模型，其中，所述一级模型是指：利用一个模型直接对所有数据进行分类，所述二级模型是指：先利用一个模型对数据进行二分类，再利用一个模型分别将存量事件分配至详细的部门；
[0022]
2.3：所述数据预处理是利用基于python技术下的jieba分词，对训练数据文本进行分词处理，将分词训练为词向量，再以词向量的形式将训练数据文本输入到模型；
[0023]
2.4：所述模型训练是利用文本处理领域内的textcnn模型对训练数据文本进行分类；
[0024]
2.5：经模型完善训练测试后，对一级模型与二级模型中的数据总体分布进行分析，并在获得了理想模型后进行加强训练及优化。
[0025]
作为优选，所述步骤3中，具体包括以下步骤：
[0026]
3.1：根据实际需求配置的智能流转分析引擎输出结果中的部门概率≥w 时，按照输出结果执行智能流转；
[0027]
3.2：配置当智能流转分析引擎输出结果不足以自动流转时的事件，执行下一步人工流转环节。
[0028]
作为优选，所述步骤4中，具体包括以下步骤：
[0029]
4.1：将网格员、群众、政府热线报送的事件全要素信息输入到能流转分析引擎，其中，事件全要素信息包括事件内容、类型、级别等，以为对分配至各相应实际业务部门中提供便利；
[0030]
4.2：智能流转分析引擎中的分析模型对输入的事件全要素信息进行分析，输出判定的具有唯一性的标准部门及对应概率的集合。
[0031]
作为优选，所述步骤5中，具体包括以下步骤：
[0032]
5.1：若4.2步骤输出的集合中，存在标准部门对应概率≥w(w为3.1步骤中设定)的并且此类标准部门中至少存在一个未带有特殊标记x(x为1.4 步骤中设定)的，则对此类标准部门进行清洗，去掉带有特殊标记x的，形成标准部门结果集合c；
[0033]
5.2：若5.1步骤成立，则通过1.3步骤中的映射关系，找出集合c(c为 5.1步骤中形成的标准部门结果集合)中标准部门对应的实际部门，并对找出的实际部门集合进行排重清洗，去掉相同部门概率较低的只保留概率最大的，并且按照概率由大到小的顺序排序，形成实际部门结果集合d；
[0034]
5.3：若5.2步骤成立，根据集合d(d为5.2中形成的实际部门结果集合)，将概率最大的部门设为主办处置单位，其余部门设为协办处置单位，推进事件流转，并全过程记录留痕；
[0035]
5.4：若5.2步骤不成立，未找到任何对应实际部门，则按照3.2配置进行流转；
[0036]
5.5：若5.1步骤不成立，则按照3.2配置进行流转。
[0037]
与现有技术相比，本发明的优点和积极效果在于，
[0038]
1、本发明提供的一种基于应对社会事件治理的智能流转方法，其能够有效解决基层社会治理中，主要以人工作业为主的事件低效率流转处置的问题，通过引进人工智能中的深度学习等技术，训练适合业务规则的数据模型，搭建出一套智能流转分析引擎，以实现事件自动分析、自动派单到责任处置单位进行事件的处置办理方式，提高基层社会治理事件流转效能，提升事件办理效率，进而增强人民群众的幸福感和满足感；同时，在此流转过程中，能够针对相应的社会治理事件，选配到更加合适且更具合理性的责任处置单位，保障工作流转进程，满足社会实际使用需求。
附图说明
[0039]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0040]
图1为一种基于应对社会事件治理的智能流转方法的步骤流程示意图；
[0041]
图2为模型设计中一级模型的流程示意图；
[0042]
图3为模型设计中二级模型的流程示意图；
具体实施方式
[0043]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和实施例对本发明做进一步说明。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
[0044]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开说明书的具体
实施例的限制。
[0045]
实施例，如图1、图2、图3所示，一种基于应对社会事件治理的智能流转方法，包括以下步骤：
[0046]
步骤1：获取基层社会治理存量事件，并搭建用于维护基层社会治理中标准部门、类型数据与实际业务部门间映射关系的智能流转分析引擎；
[0047]
步骤2：基于人工智能中的深度学习、自然语言处理等技术，通过对存量事件关键要素及最终处置单位等特征学习，利用人工智能领域成熟的技术及算法模型建立事件关键信息与事件特之间的关联关系并持续学习，提升智能流转分析引擎的分析能力；
[0048]
步骤3：配置智能流转分析引擎分析的结果阀值w，指定引擎分析的结果不足以自动流转时的补偿方式；
[0049]
步骤4：基于事件特征确定后续流转的业务部门并推进事件流转；
[0050]
步骤5：在智能流转分析引擎分析的事件特征不足以自动流转时，使用配置的补偿方式进行事件流转。
[0051]
其中，步骤1作为智能流转分析引擎搭建的基础条件，针对存量事件做出分类，以相对应的分析规划出理想状态下的标准部门，以保证各实际业务部门对于社会治理事件的优先级，提升工作效率；步骤2主要是针对个社会治理存量事件进行分析、学习，以作出内容分析全面、精确性高的对照模板，从而能为后续社会治理事件的分配流转提供先决条件；步骤3是为智能流转分析引擎输出的结果结界，是用于判定所能更加贴合标准部门的实际业务部门，增加机动性；步骤4则是保证新出现的社会治理事件在所搭建智能流转分析引擎下的正常流转，充分降低人工负担及工作量，且大大提高了工作开展进程及工作效率；步骤5则是基于未存有的存量事件所做出的补偿方式，并能够扩充智能流转分析引擎中的存量数据，进而不断提升及完善，确保事件有效流转。
[0052]
进一步的说，为了充分确保搭建智能流转分析引擎基础数据的全面性，步骤1中具体包括以下步骤：
[0053]
1.1：标准项目实施方案为：基于以往地方基层社会治理项目中存量事件的实施积累，采用抽取、筛选、整合形成基础标准部门集合；随着实施项目的不断增多，逐步扩充、完善形成标准部门集合a＝{a1,a2,a3,
…
,an,
…
}；
[0054]
1.2：实际项目实施方案为：经相关地方政府相关部门的授权，通过调研、收集、整合对应政府基层治理工作中所涉及到的实际业务部门，以形成实际业务部门集合b＝{b1,b2,b3,
…
,bn,
…
}；
[0055]
1.3：在智能流转分析引擎中进行配置，以形成标准部门集合a和实际业务部门集合b的多对多的动态映射关系，在映射关系上
[0056]
1.4：如果1.3步骤中，集合a中含有的某个元素未形成到集合b元素的映射关系，则记录为特殊标记x。
[0057]
进一步的说，为了充分保障社会事件治理进程，以分配合适的实际业务部门来应对处置社会治理事件，进而提高人们的满意度，步骤2中包括有对存量事件数据文本的分类和对各实际业务部门能效值的判定，对各实际业务部门能效值的判定是采用物理学功率公式即：p＝w/t＝f*s/t，其中：p为效率参数，即能效值，其体现了各个实际业务部门在实际治理过程中的效率差异，w体现了各实际业务部门在社会治理过程中的综合能力，t为在存量
事件中所整合出的各个实际业务部门在应对处理社会治理事件时的实施时间，f为在存量事件中所整合出的各个实际业务部门针对社会治理事件的完成度，s表示为各实际业务部门与新一个待社会治理事件发生位置间的距离。
[0058]
其中，f所表示出完成度则能体现出各实际业务部门对于社会事件治理的执行力；t所表示出的实施时间则能体现出各实际业务部门对于社会事件治理的机动性，s所表示出的距离则能体现出各实际业务部门在应对不同位置区域处所做出的反应性，具体的，在有新一个待处理社会治理事件，基于事件类型确定完成，在根据实际需求配置的智能流转分析引擎输出结果中的部门概率≥ w时，采用能效值去选派更优适合处理该类型事件的实际业务部门，使得处置部门更加准确，且大大提升了事件办理效率，进而切实以促进社会系统协调运转为前提，保障社会安定，同时，增加人民群众的满意度与幸福感。
[0059]
进一步的说，为了智能流转分析引擎输出结果的准确性，步骤2中包括有对存量事件数据文本的分类和对各实际业务部门能效值的判定，存量事件数据文本的分类包括模型完善训练，模型完善训练包括：数据分析、模型设计、数据预处理、模型训练、模型评估，具体包括以下步骤：
[0060]
2.1：数据分析中的训练数据均来自地方政府项目基层社会治理中内部源与外部源流转至区级平台进行分类的事件；将批次数据中按照最终流转部门进行分类成区直部门和镇街部门；
[0061]
2.2：根据业务需求，将模型设计为一级模型与二级模型，其中，一级模型是指：利用一个模型直接对所有数据进行分类，二级模型是指：先利用一个模型对数据进行二分类，再利用一个模型分别将存量事件分配至详细的部门；
[0062]
2.3：数据预处理是利用基于python技术下的jieba分词，对训练数据文本进行分词处理，将分词训练为词向量，再以词向量的形式将训练数据文本输入到模型；
[0063]
2.4：模型训练是利用文本处理领域内的textcnn模型对训练数据文本进行分类；
[0064]
2.5：经模型完善训练测试后，对一级模型与二级模型中的数据总体分布进行分析，并在获得了理想模型后进行加强训练及优化；
[0065]
其中，一级模型在将事件分类后，直接分类出的级别在训练中的效果不理想，且在根据数据总体分布分析后，发现整体数据倾斜较为严重，尤其是在使用一级模型分类会凸显数据的倾斜性，因此，在本实施例中优选二级模型。
[0066]
需要进一步说明的是：本二级模型由三个模块组成，其中第一个模块为二分类模型，以用于将区直部门和镇街部门进行区分；第二个模块则是为镇街部门分类模型，进一步将镇街内容文本进行详细的部门分类，并输出与分类部门的相似概率；第三个模块则为区直部门分类模型，进一步将区直部门内容文本进行详细的部门分类，并输出与分类部门的相似概率。
[0067]
同时，为了消除数据倾斜，对所抽取区直存量事件数据与全量镇街部门数据进行训练，通过调整textcnn模型中词向量大小、训练数据批次、训练次数、学习率、卷积核数量各种超参数，使其达到相对较优的训练效果，最后训练形成智能流转分析引擎的分析模型。
[0068]
需要进一步说明2.4步骤中的具体流程如下：
[0069]
2.4-1：利用多个不同尺寸的卷积核来提取训练数据文本句子中的关键信息，更好地捕捉局部相关性，同时，在训练中计算验证集的准确率、记录损失；
[0070]
2.4-2：用测试集做测试，计算测试集的准确率、记录每个分类的识别精确率做参考；
[0071]
2.4-3：数据比例：训练集、验证集、测试集按照8：1：1的比例进行分配；
[0072]
其中，对于textcnn模型的说明如下：
[0073]
2.4-3.1：embedding为7*5；
[0074]
2.4-3.2：通过6组卷积核，2组3种(2*5，3*5，4*5)卷积核，卷积核第二维的维度与词embedding层的一致，在移动过程中相当于提取n-gram特征；
[0075]
2.4-3.3：得到卷积向量维度(d_embedding-d_filter 1)/stride；
[0076]
2.4-3.4：采用最大池化提取出feature maps的最大值；
[0077]
2.4-3.5：采用softmax进行分类；
[0078]
进一步的说，为了给事件流转提供一个标准，并保证其能顺利开展，步骤 3中，具体包括以下步骤：
[0079]
3.1：根据实际需求配置的智能流转分析引擎输出结果中的部门概率≥w 时，按照输出结果执行智能流转；
[0080]
3.2：配置当智能流转分析引擎输出结果不足以自动流转时的事件，执行下一步人工流转环节。
[0081]
进一步的说，为了确保新出现待社会治理事件能够妥投并被妥善解决，步骤4中，具体包括以下步骤：
[0082]
4.1：将网格员、群众、政府热线报送的事件全要素信息输入到能流转分析引擎，其中，事件全要素信息包括事件内容、类型、级别等，以为对分配至各相应实际业务部门中提供便利；
[0083]
4.2：智能流转分析引擎中的分析模型对输入的事件全要素信息进行分析，输出判定的具有唯一性的标准部门及对应概率的集合。
[0084]
进一步的说，为了有效应对智能流转分析引擎中，当存量事件数据范围受限时，所应对事件流转做出的补偿方式，步骤5中，具体包括以下步骤：
[0085]
5.1：若4.2步骤输出的集合中，存在标准部门对应概率≥w(w为3.1步骤中设定)的并且此类标准部门中至少存在一个未带有特殊标记x(x为1.4 步骤中设定)的，则对此类标准部门进行清洗，去掉带有特殊标记x的，形成标准部门结果集合c；
[0086]
5.2：若5.1步骤成立，则通过1.3步骤中的映射关系，找出集合c(c为 5.1步骤中形成的标准部门结果集合)中标准部门对应的实际部门，并对找出的实际部门集合进行排重清洗，去掉相同部门概率较低的只保留概率最大的，并且按照概率由大到小的顺序排序，形成实际部门结果集合d；
[0087]
5.3：若5.2步骤成立，根据集合d(d为5.2中形成的实际部门结果集合)，将概率最大的部门设为主办处置单位，其余部门设为协办处置单位，推进事件流转，并全过程记录留痕；
[0088]
5.4：若5.2步骤不成立，未找到任何对应实际部门，则按照3.2配置进行流转；
[0089]
5.5：若5.1步骤不成立，则按照3.2配置进行流转。
[0090]
其中，步骤3～步骤5，包含了基于搭建有智能流转分析引擎下，对于社会治理事件流转的具体流程，同时，针对于所分析的事件特征不足以自动流转情况下，所做出的补偿方
式，此外，还会针对于特殊情况下，进行搭配人工流转，以为智能流转分析引擎的数据扩充带来便利，相较于传统方式下的仅靠人工方式流转，具有显著的进步，确保事件识别和处置过程中的及时性，并分派合理的处置部门，提高基层社会治理事件流转效能，提升事件办理效率，进而增强人民群众的幸福感和满足感。
[0091]
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。