[发明专利]社区事务汇聚和任务派发方法、装置、设备及存储介质

权利要求书

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；

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；

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。

3.如权利要求2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。

4.如权利要求2所述的社区事务汇聚和任务派发方法，其特征在于，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。

5.一种社区事务汇聚和任务派发装置，其特征在于，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，将相似度高于阈值的诉求事件汇聚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生地的标准地址确定事件办理部门，进行任务派发。

6.一种社区事务汇聚和任务派发设备，其特征在于，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如权利要求1至4中任一项所述的社区事务汇聚和任务派发方法的步骤。

7.一种存储介质，其特征在于，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如权利要求1至4中任一项所述的社区事务汇聚和任务派发方法的步骤。