申请/专利权人：黎嘉明

申请日：2019-07-02

公开（公告）日：2021-01-05

公开（公告）号：CN112184133A

主分类号：G06Q10/10(20120101)

分类号：G06Q10/10(20120101);G06F16/35(20190101);G06F16/36(20190101);G06N3/04(20060101)

优先权：

专利状态码：在审-实质审查的生效

法律状态：2021.01.22#实质审查的生效;2021.01.05#公开

摘要：本发明公开了一种基于人工智能的政务办公系统预置批示与分工方法，包括步骤一模型的初始化训练和步骤二实时的推演和持续训练；所述步骤一初始化训练由三部分组成，第一部分是预处理，第二部分是生成批示的模型训练。本发明将处理人需要完成的两项工作成果能够在处理前就在政务办公系统中预置好，就可以此为蓝本做些修改或者直接使用它作为结果，大大提高了环节办理人的办理速度和准确度，从而使政务办公系统的工作效率和工作质量得到整体提升，该方法使用人工智能的方法训练一个适合于特定处理节点的模型，然后使用这个模型实时推演出新的批示和分工并预置到政务办公系统中，而且这个模型可在运行中持续训练而得到优化。

主权项：1.一种基于人工智能的政务办公系统预置批示与分工方法，其特征在于，包括步骤一模型的初始化训练和步骤二实时的推演和持续训练；所述步骤一初始化训练由三部分组成，第一部分是预处理，第二部分是生成批示的模型训练，第三部分是生成分工的模型训练；所述预处理的工作需要将从政务办公系统中获取的“业务”数据转化成一般的机器学习模型可处理的“矢量”数据，“矢量”转换需要对原始文本分离编码，根据汉语的特点，要使用分词工具，以“词”而不是以“字”为单位对文本进行分离，而且根据政务的特点，将单位部门以及个人的全名和简称都作为分词工具的预置词典，可让分词更加准确，样本所有的词归纳成了“词典表”，每个词与一个数字一一对应，通过这个词典表的词与数字的映射，就可以将文本的词序列转变为数字序列；所述生成批示的模型训练为使用一个序列到序列seq2seq模型，它的输入输出都是文本序列，是通过深度神经网络模型将一个作为输入的序列映射为一个作为输出的序列，这一过程由编码输入与解码输出两个环节组成；所述生成分工的模型训练位使用一个文本分类模型，在技术方案中，需要的是多种分类的映射，即一个文本可以在若干个分类中对应多个，类似多选题，而每一个分类对应一个分工的目标，因此，技术方案使用了词向量和双向LSTM层来实现文本分类模型；所述步骤二实时推演和持续训练，是利用在步骤一初始化训练得到的节点的模型，当有新的未处理的来文，将来文信息输入到模型中，就可以推演出批示和分工信息，并预置到政务办公系统中。

全文数据：

权利要求：

百度查询： 黎嘉明 一种基于人工智能的政务办公系统预置批示与分工方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD