[發(fā)明專利]基于圖結(jié)構(gòu)的公文推薦方法、裝置、計算機(jī)設(shè)備及介質(zhì)

有效

• 申請?zhí)枺?/td>: 202010475897.9
• 申請日: 2020-05-29
• 公開（公告）號: CN111666401B
• 公開（公告）日: 2023-06-30
• 發(fā)明（設(shè)計）人: 謝靜文;阮曉雯;徐亮
• 申請（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號: G06F16/335
• 分類號: G06F16/335;G06F16/35;G06F40/216;G06F40/30;G06F18/22
• 代理公司: 深圳眾鼎專利商標(biāo)代理事務(wù)所(普通合伙) 44325
• 代理人: 譚果林

1.一種基于圖結(jié)構(gòu)的公文推薦方法，其特征在于，包括：

獲取具有不同公文類型的多種公文，根據(jù)TF-IDF基于預(yù)設(shè)的詞語統(tǒng)計特征確定獲取的所述公文中的特征詞語，根據(jù)TF-IDF篩選出現(xiàn)頻率大于或等于預(yù)設(shè)頻率的特征詞語，并將篩選出的所述特征詞語記錄為與其對應(yīng)的所述公文的關(guān)鍵詞標(biāo)簽；

將所述公文輸入至預(yù)設(shè)的LDA主題模型，通過所述LDA主題模型計算所述公文中的文本主題-關(guān)鍵詞的分布概率矩陣，再獲取所述LDA主題模型根據(jù)所述公文的文本主題-關(guān)鍵詞的分布概率矩陣篩選出的選取概率大于或等于預(yù)設(shè)概率的所述文本主題，并將篩選出的所述文本主題記錄為與其對應(yīng)的所述公文的主題標(biāo)簽；所述文本主題-關(guān)鍵詞的分布概率矩陣中包含多個所述選取概率，所述選取概率是指所述公文中的關(guān)鍵詞屬于該公文的文本主題的概率；

根據(jù)所述關(guān)鍵詞標(biāo)簽和所述主題標(biāo)簽生成公文屬性；

根據(jù)每一種公文類型獲取所述公文的記錄數(shù)據(jù)，通過Neo4j框架根據(jù)所述公文的所述記錄數(shù)據(jù)和所述公文屬性建立基于圖結(jié)構(gòu)的公文推薦庫；所述公文推薦庫中包含多個圖結(jié)構(gòu)，一個所述圖結(jié)構(gòu)對應(yīng)至少一種所述公文類型的所述公文，一個所述圖結(jié)構(gòu)中包含相互連接的多個節(jié)點(diǎn)；一個所述節(jié)點(diǎn)代表所述記錄數(shù)據(jù)、所述關(guān)鍵詞標(biāo)簽和所述主題標(biāo)簽中的一種；

接收到用戶自所述公文推薦庫中輸入的檢索內(nèi)容，依據(jù)SimRank計算出的相似度的高低次序輸出目標(biāo)公文；所述相似度是指所述檢索內(nèi)容與所述節(jié)點(diǎn)的相似度。

2.根據(jù)權(quán)利要求1所述的基于圖結(jié)構(gòu)的公文推薦方法，其特征在于，所述獲取具有不同公文類型的多種公文之前，還包括：

通過已訓(xùn)練成功的BERT模型對所述公文的整體篇章結(jié)構(gòu)進(jìn)行分析，得到一個對所述公文的整體篇章結(jié)構(gòu)的分析結(jié)果；所述整體篇章結(jié)構(gòu)是指所述公文的各個組成結(jié)構(gòu)，所述分析結(jié)果是對所述公文的各個所述組成結(jié)構(gòu)的完整性和合理性進(jìn)行判斷的結(jié)果；

在所述分析結(jié)果為所述公文的其中一個組成結(jié)構(gòu)不具備所述完整性或/和所述合理性時，從所述公文中提取出所述公文中缺失的所述組成結(jié)構(gòu)或/和不合理的所述組成結(jié)構(gòu)，以突出顯示的形式標(biāo)注出所述公文中缺失的所述組成結(jié)構(gòu)或/和不合理的所述組成結(jié)構(gòu)，并令預(yù)設(shè)數(shù)據(jù)接收方對該公文進(jìn)行修改。

3.根據(jù)權(quán)利要求1所述的基于圖結(jié)構(gòu)的公文推薦方法，其特征在于，所述公文屬性還包括數(shù)字實(shí)體；所述通過Neo4j框架根據(jù)所述公文的所述記錄數(shù)據(jù)和所述公文屬性建立基于圖結(jié)構(gòu)的公文推薦庫之前，還包括：

通過預(yù)設(shè)規(guī)則模板中的目標(biāo)實(shí)體表達(dá)式對所述公文進(jìn)行數(shù)字實(shí)體搜索后定位出所述數(shù)字實(shí)體的目標(biāo)位置，并通過所述預(yù)設(shè)規(guī)則模板中的抓取規(guī)則表達(dá)式從所述目標(biāo)位置抓取所述數(shù)字實(shí)體。

4.根據(jù)權(quán)利要求1所述的基于圖結(jié)構(gòu)的公文推薦方法，其特征在于，所述公文屬性還包括公文來文時間和來文單位；所述通過Neo4j框架根據(jù)所述公文的所述記錄數(shù)據(jù)和所述公文屬性建立基于圖結(jié)構(gòu)的公文推薦庫之前，還包括：

獲取所述公文的公文內(nèi)容，通過NLP模型從所述公文內(nèi)容中識別出與時間組成成分對應(yīng)的所述公文來文時間以及與單位組成成分對應(yīng)的所述來文單位；

所述根據(jù)所述關(guān)鍵詞標(biāo)簽和所述主題標(biāo)簽生成公文屬性，包括：

根據(jù)所述公文來文時間、所述來文單位、所述關(guān)鍵詞標(biāo)簽和所述主題標(biāo)簽生成所述公文屬性。

5.根據(jù)權(quán)利要求1所述的基于圖結(jié)構(gòu)的公文推薦方法，其特征在于，所述通過Neo4j框架根據(jù)所述公文的所述記錄數(shù)據(jù)和所述公文屬性建立基于圖結(jié)構(gòu)的公文推薦庫，包括：

通過Neo4j框架中的創(chuàng)建節(jié)點(diǎn)語句依據(jù)節(jié)點(diǎn)屬性搭建出與所述公文對應(yīng)的各個節(jié)點(diǎn)；所述節(jié)點(diǎn)屬性與所述記錄數(shù)據(jù)和所述公文屬性分別對應(yīng)；

通過Neo4j框架中的創(chuàng)建關(guān)系語句依據(jù)預(yù)設(shè)關(guān)系搭建出各個所述節(jié)點(diǎn)之間的連接關(guān)系；所述預(yù)設(shè)關(guān)系與所述記錄數(shù)據(jù)和所述公文屬性分別對應(yīng)；

通過Neo4j框架中的路徑語句依據(jù)所述連接關(guān)系確定出所有所述節(jié)點(diǎn)的路徑，建立完成基于圖結(jié)構(gòu)的所述公文推薦庫。