一种基于人工智能的社会工作服务方案自动化生成方法和装置

摘要

本发明公开了一种基于人工智能的社会工作服务方案自动化生成方法和装置。其中，该基于人工智能的社会工作服务方案自动化生成方法包括以下步骤：获取案主基本信息和背景文本描述；半自动化生成案主标签；人工智能识别案主的问题和需求；人工智能生成服务方案的目标、理论和计划；人工智能评估服务方案的效果。本发明将人工智能技术引入到社会工作服务领域，可以帮助社会工作者推荐合适的服务方案和评估服务方案的有效性，该发明能够有效提高社会工作服务的效率和科学性，在社工工作人才培养和实务工作领域均具有广阔的应用前景。

说明书

技术领域

本发明涉及人工智能社会工作服务领域；特别涉及通过人工智能技术辅助社会工作者生成合适的服务方案和评估服务方案的有效性；具体是指一种基于人工智能的社会工作服务方案自动化生成方法和装置。

背景技术

人工智能(Artificial Intelligence，AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。其领域研究包括机器人、知识图谱、语音识别、图像识别、自然语言处理、机器学习等。

自然语言处理(Natural Language Processing，NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理主要应用于机器翻译、舆情监测、自动摘要、观点提取、文本分类、问题回答、文本语义对比、语音识别、中文OCR等方面。

机器学习(Machine Learning，ML)是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。常用机器学习算法包括线性回归、逻辑归回、支持向量机、聚类、决策树、随机森林、人工神经网络、深度学习等。

推荐系统是人工智能的一个重要应用领域，可通过一些数学算法，推测出用户可能喜欢的物品。推荐算法大致可以分为三类：基于内容的推荐算法、协同过滤推荐算法和基于知识的推荐算法。其中，协同过滤推荐算法最为常见，它又可以分为基于用户的协同过滤算法(User-based Collaborative Filtering)和基于物品的协同过滤算法(Item-basedCollaborative Filtering)以及基于模型的协同过滤算法(Model-based CollaborativeFiltering)。

社会工作是秉持利他主义价值观，以科学知识为基础，运用科学的专业方法，帮助有需要的困难群体，解决其生活困境问题，协助个人及其社会环境更好地相互适应的职业活动。社会工作的特征是向有需要的人特别是困难群体提供科学有效的服务。社会工作以受助人的需要为中心，并以科学的助人技巧为手段，以达到助人的有效性。

社会工作服务具体方法包括个案工作、小组工作和社区工作，通常涉及接案、预估、计划、实施、评估和结案六个过程。由于社会工作服务本身的特殊性以及相关人才的匮乏，信息技术在社会工作领域的应用长期以来没有引起足够的重视。当前社会工作实务领域服务方案的制定普遍依赖社会工作者的个人经验，对成功的服务经验难以总结和推广，这导致社会工作服务方案的效率和科学性难以保证。目前人工智能技术尚未被广泛应用于社会工作教育、科研与实务领域。

本发明将人工智能技术引入到社会工作服务领域，可以帮助社会工作者推荐合适的服务方案和评估服务方案的有效性，该发明能够有效提高社会工作服务的效率和科学性，在社工工作人才培养和实务工作领域均具有广阔的应用前景。

发明内容

本发明在一定程度上解决了社会工作服务方案的效率和科学性问题。

为此，本发明的第一个目的在于提出一种基于人工智能的社会工作服务方案自动化生成方法。该方法包括以下步骤：

第一步，获取案主基本信息和背景描述文本；

第二步，半自动化生成案主标签；

第三步，人工智能识别案主的问题和需求；

第四步，人工智能生成服务方案的目标、理论和计划；

第五步，人工智能评估服务方案的效果。

本发明的第二个目的在于提出一种基于人工智能的社会工作服务方案自动化生成装置。该装置包括两个子系统：人工智能模型训练子系统和社会工作服务管理子系统。

所述基于人工智能的社会工作服务方案自动化生成方法可根据案主背景的描述文本，基于自然语言处理技术、机器学习算法和人工审核半自动化生成案主标签。自然语言处理技术主要用于对文本进行分词和句法分析，并提取文本中的关键词、短语和事件；机器学习技术主要用来建立关键词、短语和事件与对应标签的分类算法模型，自动化生成案主标签；人工审核主要用来对自动化生成的标签的准确性进行审核和修正，以保障用于案主标签的准确性。

案主标签(Tag)是对描述文本中特定句子所蕴含的意义的概括。通过对描述文本的每个句子(Sentence)进行人工标签，可以建立一个句子-标签训练集(Sentence-TagSet，STS)；每个句子由一组有意义的关键词(Keyword)、短语(Phase)或事件(Event)组成，其中，关键词主要为名词、动词、形容词等含有意义的重要词语，短语则主要由多个连续的名词、动词、形容词构成，事件可以用主谓宾三元组表示。因此，基于自然语言处理技术可以对每个句子提取其关键词、短语和事件，每个关键词、短语或事件均可以视为一个编码(Code)，从而可以基于句子-标签训练集建立编码-标签训练集(Code-Tag Set，CTS)。CTS实际上有三个子集，分别为关键词-标签训练集(Keyword-Tag Set，KTS)、短语-标签训练集(Phase-Tag Set，PTS)和事件-标签训练集(Event-Tag Set，ETS)。

由于句子中可能存在否定判断，因此必须对句子进行句法分析，如果句法分析时，否定词的作用域对该关键词、短语和事件有效，则该关键词、短语和事件被标识为否定状态，默认情况均为肯定状态。

基于任何一个CTS的子集，可以通过分类算法建立该标签的识别模型。通过训练集和测试集的训练，找到最佳的算法作为该CTS子集的标签分类算法。对于每个标签而言，均对应三个分类算法，即基于KTS的分类算法，基于PTS的分类算法和基于ETS的分类算法。由于每个标签实际上均与某些特定的编码关联，因此可以根据训练集中编码和标签的对应关系，将每个标签所有涉及的编码作为该标签的特征编码，从而可以快速建立编码和标签之间的索引关系，即可以通过编码快速检索到其可能对应的标签。

自动化生成案主标签是对案主描述文本的每个句子进行标签识别。每个句子在提取编码后，根据每个编码可能对应的标签集合，可以获得一个句子的潜在标签集合。针对集合中的每个标签，逐个计算该标签的三个分类算法。针对每个标签的三种分类算法的结果，可以采用多种综合方式来识别最终的标签分类。

由于关键词通常有多个同义词，样本训练集中未必有包含所有同义词。为了提升标签识别的效率，CTS需要引入同义词表对关键词、短语和事件进行扩充。同义词表维护了常用关键词的同义词集。同义词表可以人工构建也可以基于词向量相似算法进行构建。

自动标识的标签需要人工进行审核确认，以确保标签的准确性；由于训练集样本的不足，在一些情况下，可以人工删除标签或追加新的标签。

所述基于人工智能的社会工作服务方案自动化生成方法在对案主背景信息进行标签化之后，可基于人工智能算法识别案主的问题和需求。案主问题可总结为生存问题、发展问题、保护问题、关系问题、心理问题、健康问题、行为问题、学习问题、就业问题等类型，这些问题可以根据现有的经验进行枚举，因此，案主的问题识别是一个多分类问题，可以通过人工智能的分类算法实现，如决策树算法、多类感知机算法等，最终由社会工作者来人工确认问题识别的准确性。案主的需求是基于案主基本信息、案主背景标签、案主问题衍生的对应的个体需求，案主基本信息和背景标签相似的案主，其服务需求也可能具有较大相似性，但也有可能存在差异，因此，案主的需求识别是一个推荐问题，可以采用协同过滤等推荐算法，将潜在的需求推荐给案主背景相似的案主，最终，社会工作者可人工决定保留或新增哪些具体需求，从而，社会工作者可以获得对案主需求更全面的认知，需求识别的效率、准确性和全面性也得到了提高。

所述基于人工智能的社会工作服务方案自动化生成方法在识别案主的问题和需求之后，可以基于人工智能算法生成服务方案的目标、理论和计划。服务方案的目标通常和需求一一对应，即目标是为了满足案主的某个需求，当然也可是一对多或多对多的关系。目标通常也要考虑案主的背景和问题，因此，目标的生成也可以看成是一个推荐问题，即背景、问题和需求相似的案主，其服务方案的目标也相似，目标生成算法也可以使用协同过滤等推荐算法。同理，服务方案的理论和计划也是一个推荐问题，即背景、问题、需求和目标相似的案主，其服务方案的理论基础和实施计划也是相似的。服务方案的理论基础是一个理论子集，可以从全部理论集合中推荐相关的理论。服务方案的计划通常是一个任务队列，每个任务包括时间、介入行动类型和服务方式，任务队列的数量可以根据已有的案例训练集中所有案主背景、问题、需求和目标相似的案例所计划的任务数量的平均数确定。介入行动类型也是一个类型集合，一个服务方案可以采用多种介入行动。从而，服务方案的目标、理论和计划中的介入行动类型均可以基于推荐算法生成。

为了提升用户体验，服务方案计划可根据算法推荐的介入行动类型的统计特征生成具有顺序的任务队列。其实现步骤如下：

第一步，获取相似案例集；

第二步，获取介入行动的特征分布；

第三步，确定介入行动类型和次数；

第四步，确定介入行动的顺序；

第五步，生成服务方案详细计划。

所述基于人工智能的社会工作服务方案自动化生成方法在生成服务方案的目标、理论和计划后，可以基于人工智能算法评估服务方案的效果。服务方案的效果通常使用五分制进行打分，效果非常好得5分，效果非常差得1分。因此服务方案的评估算法可以基于已有的案例训练集，采用BP神经网络算法或其他神经网络算法来预测得分，其他神经网络算法包括RBF(径向基)神经网络、感知器神经网络、线性神经网络等，实际应用时可根据案例训练集测试效果选择一个最合适的算法。

所述基于人工智能的社会工作服务方案自动化生成装置的人工智能模型训练子系统包括：案例数据录入模块、案例数据处理模块和案例数据训练模块。

所述案例数据录入模块可以将社会工作服务案例的完整数据结构以人工或半自动化方式录入到系统中，案例数据的完整结构包括案主基本信息、案主背景文字描述、案主问题、案主需求、服务目标、服务理论、服务计划、服务实施过程、服务评估、服务结案。

所述案例数据处理模块主要是对案主背景文字说明基于自然语言处理技术提取文本中每个句子的关键词、短语和事件编码，基于预先训练的标签识别模型和多重标签分类算法，将这些句子分类到对应的案主标签。此外，数据处理模块也支持对案主需求和服务目标的人工或半自动化标签化表示，可以通过短语抽取技术辅助案主需求和服务目标的标签化。

所述案例数据训练模块主要是以案例数据处理模块的结构化数据作为数据集，基于机器学习算法和推荐算法进行训练，生成对应的人工智能模型。其训练的模型主要包括：标签识别模型、问题识别模型、需求识别模型、目标生成模型、理论生成模型、计划生成模型和效果评估模型。其中，问题识别模型和效果评估模型为机器学习模型，其余为推荐模型。

所述基于人工智能的社会工作服务方案自动化生成装置的社会工作服务管理子系统包括：接案模块、预估模块、计划模块、实施模块、评估模块和结案模块。其中，接案模块可以集成标签识别模型进行案主的标签化；预估模块可以集成问题识别模型和需求识别模型，辅助社会工作者更高效准确识别案主的问题和需求；计划模块可以集成目标生成模型、理论生成模型、计划生成模型，辅助社会工作更高效全面制定服务方案的目标、理论和计划；实施模块为社会工作者实际开展社会工作服务提供过程管理，包括多次社会工作服务记录；在开展每一次服务记录前或后，实施模块均可集成效果评估模型动态实时预测服务方案的效果；评估模块在社会工作服务实施阶段完成后，提供案主的满意度评价和社会工作者主动评估和总结反思，并与效果评估模型预测的评估效果进行比较；结案模块提供对本次社工服务结束后的后续安排。

所述社会工作服务管理子系统完成社会服务的接案、预估、计划、实施、评估和结案过程之后，其结构化的服务全过程数据又可以成为模型训练子系统的案例训练集，用于自动更新和完善模型的参数。

附图说明

图1是基于人工智能的社会工作服务方案自动化生成方法的流程图。

图2是针对案主背景的描述文本实施自动标签化的流程图。

图3是同义词集的示意图。

图4是社会工作服务方案自动化生成的界面示意图。

图5是社会工作服务方案效果评估的界面示意图。

图6是服务方案计划生成时根据算法推荐的介入行动类型的统计特征生成具有顺序的任务队列的流程图。

图7是基于人工智能的社会工作服务方案自动化生成装置的结构示意图。

具体实施方式

下面结合附图对本发明方法进行说明：

参见图1所示，图1是基于人工智能的社会工作服务方案自动化生成方法的流程图。

11获取案主基本信息和背景描述文本

案主的基本信息包括案主性别、年龄、学历、国籍、收入、婚姻、工作等，案主背景描述文本是一段描述案主状况的文本。这些信息通常由社会工作者在接案是录入到装置中。

举例来说，本发明的一个实施例中的一段案主背景文字描述如下：案主小W，男，19岁，经医生诊断为“多动症”的多重残疾。其父母10年前离异，一直跟随母亲一起生活，其居住环境较差，属于低保家庭，母亲靠买卖水果维持家庭开支，案主由于大脑功能受损等原因，经常对着陌生人傻笑或大叫。由于家中无人照看案主，母亲逼于无奈只能将其一个人锁在家中自己外出做生意。案主独自被锁在家中，无人交谈，时常对着窗口或站在阳台上傻笑或大叫，严重影响到了邻居的正常休息，邻居曾多次到居委进行投诉，居委无奈，将个案转介给社工。

12基于自然语言处理技术对案主标签化

对案主背景的文字描述不便于进行量化计算，需要对其进行标签化处理。具体处理方式参见图2的描述。

举例来说，本发明的一个实施例中的案主背景文字描述可对应如下案主标签：多动症、残疾、智力残疾、精神疾病、离异家庭、经济困难、影响邻居、被投诉等。

13基于人工智能算法识别案主的问题和需求

问题识别是一个多分类问题，可以通过人工智能的分类算法实现，如决策树算法、多类感知机算法等。案主的标签作为输入，每个标签均为0或1的变量，针对每个问题可以建立一个二分类算法，从而实现对标签的多个分类。一个案主可能涉及多个问题。

需求识别是一个推荐问题，即相似案主背景可能具有相似的需求，可以通过基于用户的协同过滤算法实现。

举例来说，本发明的一个实施例中的案主问题包括多动症，智能障碍和意志行为障碍，均属于健康问题的大类。基于对大量同类案例的分析，其潜在的需求可能包括提高自理能力、降低安全风险、提高家庭收入、改善邻里关系等。社会工作者可以人工选择提高自理能力和降低安全风险作为主要的需求。

14基于人工智能算法生成服务方案的目标、理论和计划

服务方案的目标、理论和计划的生成均为推荐问题，即相似背景、相似问题、详细需求的案主可能具有相似的目标、理论和计划，可以通过基于用户的协同过滤算法实现。

服务目标是一组标签化的目标列表，社会工作者可人工加以补充，服务理论也是一组可枚举的理论列表，服务计划则保护一组可枚举的介入行动类型。

举例来说，本发明的一个实施例中的案主服务方案的推荐的目标包括提高自理能力、改善认知、改善行为，推荐的理论为认知行为理论、社会资本理论，推荐的介入行动类型为专业咨询、安置服务和资源整合。具体示意图可参见图4。

15基于人工智能算法评估服务方案的效果

服务方案的评估可以基于已有的案例训练集，采用BP神经网络算法或其他神经网络算法来预测得分。

举例来说，针对本发明的一个实施例中的案主的推荐服务方案的效果评估得分可能为4.8分。具体示意图可参见图5。

参见图2所示，图2是针对案主背景的描述文本实施自动标签化的流程图。

对案主背景的描述文本实施标签化，传统的做法只能借助人工进行手动编码，通常需要依赖具有专业知识和丰富经验的社会工作者或研究人员进行。这就导致编码的效率降低，成本上升，且无法保证编码的效度和可靠性。此外，传统的文本分类通常仅基于关键词的分布特征来进行分类，准确度难以提升，比如传统的垃圾邮件分类算法。由于文本的标签涉及明确的语义和概念提取，因此，本发明提出了在句子层面基于关键词、短语和事件的多重标签分类算法，整合了关键词抽取、短语抽取和事件抽取三种技术手段来完成对文本的编码，并基于机器学习算法对编码和标签的训练集进行训练，生成基于关键词的标签分类模型、基于短语的标签分类模型和基于事件的标签分类模型。三种模型的同时使用，提高了标签分类的准确性和效率；以下是具体的实施流程：

21句子切分

对案主背景的描述文本首先进行分句。

22文本分词与句法分析

对每个句子进行文本分词和句法分析，可使用目前主流的中文分词和句法分析工具包，如ANSJ、Stanford NLP、HaNLP等；

23关键词抽取

文本分词后可以分别开展关键词抽取，关键词包括名词、动词和形容词。

举例来说，一个句子可能包括3个关键词，分别对应K1，K2，K3。

24短语抽取

文本分词后可以分别开展短语抽取，短语可以基于N-Gram算法进行抽取。

举例来说，一个句子可能包括3个短语，分别对应P1，P2，P3。

25事件抽取

文本分词后可以开展事件抽取，事件可以基于句法树进行句法分析，以动词作为谓语，分别抽取主体和客体。事件通常由三元组进行表示，三元组的表示方式为：(主体，谓语，客体)，客体缺失时可表示为：(主体，谓语，？)，目前主流的NLP工具均提供句法分析功能。

举例来说，一个句子可能包括3个事件，分别对应E1，E2，E3。

26否定判断

基于25步骤的句法分析，找出句中的否定判断，并对否定词影响范围内的所有关键词、短语和事件标识为否定状态。

举例来说，如果句法分析结果中否定判断作用域影响到K1，P1和E1，对其他编码不影响，则该句子被编码为{{K1’，K2，K3}，{P1’，P2，P3}，{(E1’，E2，E3)}}，其中K1’，P1’和E1’分别为原来K1，P2和E1的否定状态。

27机器学习分类

根据编码可能对应的标签集合，可以获得一个句子的潜在标签集合。针对集合中的每个标签，逐个计算该标签的3个分类算法。

标签分类是基于预训练的机器学习模型，该机器学习算法可以是简单贝叶斯、线性回归、逻辑回归、决策树、BP神经网络等分类算法。实际应用时，可根据实际情况采用一个效果最佳的机器学习算法。

27综合分类结果

针对每个标签的三种分类算法的结果，可以采用多种综合方式来判断最终的标签分类，如任何一个算法结果为真，则该句子被识别为该标签，也可以采用少数服从多数投票原则，或者基于一个权重对结果进行加权后再综合判断。实际应用时，可根据实际情况采用一个最佳的综合分类结果。

参见图3所示，图3是同义词表的示例。

本发明还提出了基于同义词表的编码扩充方法，可以提升案主标签识别的效率。具体来说，本发明提出了基于词向量相似的方法来构造同义词表。

由于案例训练集无法穷尽所有的关键词、短语和事件，因此需要通过同义词表对关键词、短语和事件进行扩充。同义词表通常针对特定的动作、形容词或实体名称进行扩充。

举例来说，比如：“照顾”的同义词包括“照看”、“照护”、“照料”、“看护”、“护理”等，则短语“需要照顾”可扩充到“需要照看”、“需要照护”、“需要照料”、“需要看护”、“需要护理”等，在背景文本中出现这些短语，均被映射到同一个案主标签。

同义词表也可以通过基于对海量文本(如新闻文本)的分析构建每个词的词向量，通过计算词向量的相似性来自动构造同义词表；短语由2个及以上关键词组成，因此关键词的同义词表可以适用于短语的扩充；事件三元组可以对三元组中的主体、谓语和客体分别构造同义词表，从而事件三元组也可以进行扩充。

在对句子中的关键词、短语和事件进行提取时，如果该关键词、短语中的关键词或事件中的关键词存在同义词表中，则该关键词用同义词表的参考同义词替代。

参见图6所示，图6是服务方案计划生成时根据算法推荐的介入行动类型的统计特征生成具有顺序的任务队列的流程图。

传统的服务方案计划主要是依赖于社会工作者人工进行生成。社会工作者凭借个人经验和专业知识针对不同的案主制定服务方案计划。本发明不仅提出了基于协同过滤推荐算法确定服务方案计划采用的具体的介入行动类型，而且基于对介入行动类型的统计特征生成具有顺序的任务队列，从而生成完整的任务计划；此外本发明还引入专家在线问卷调查的方式，对特定案主群体的特定问题征询社会工作专家对介入行动类型的建议，作为对人工智能系统的补充，从而大大提高了服务计划制定的效率和科学性。其具体的步骤如下：

61获取相似案例集

从训练集中获得案主背景、问题、需求和目标相似的案例集合。

62获取介入行动的特征分布

统计相似案例集合的服务记录的平均次数和所有介入行动类型的频次。

63确定介入行动类型和次数

根据介入行动类型的频次排名，分别推荐专家建议介入行动、最相似案主介入行动、最常用介入行动和最不常用介入行动给社会工作者；社会工作者可人工选择一种或多种介入行动，并根据相似案例集合中的频次比例确定各自的服务次数。

其中，最相似案主介入行动、最常用介入行动和最不常用介入行动可以通过对案例训练集的介入行动的统计特征分布获得；专家建议介入行动则可以基于大规模在线专家投票方式获得，即通过在线问卷调查形式对特定案主群体的特定问题征询社会工作专家对介入行动类型的建议，通过投票的方式获得针对特定案主群体的特定问题的专家建议的介入行动类型。

实际应用时，该装置可以提供多条专家建议介入行动、多条最相似案主介入行动、多条最常用介入行动和多条最不常用介入行动，供社会工作者选择。每种介入行动类型可提供一定的参考指标，如每条专家建议介入行动可提供有多少比例的专家推荐，每条最相似案主介入行动可提供案主的相似程度，每条最常用和最不常用介入行动可提供该介入行动类型被采用的比例。

64确定介入行动的顺序

计算训练集中每种介入行动在第一次服务中出现的概率，将最高概率的确定为第一次服务的介入行动类型；针对第N次服务，将训练集中第N次服务记录概率最高的介入行动确定为第N次服务的介入行动类型；重复这一过程，直至所有服务任务均确定介入行动类型。

65生成服务方案详细计划

为每次介入行动设置时间和服务方式，生成案主服务方案的详细计划。通常任务的间隔是以周为时间单位，服务方式以线下沟通为主；社会工作者也可以人工补充每个任务的具体日期、服务方式，或修改介入行动类型。

参见图7所示，图7是基于人工智能的社会工作服务方案自动化生成装置的结构示意图。

基于人工智能的社会工作服务方案自动化生成装置包括两个子系统：人工智能模型训练子系统和社会工作服务管理子系统。

人工智能模型训练子系统包括案例数据录入模块、案例数据处理模块和案例数据训练模块三个模块，其中案例数据训练模块又包括七个算法模型：标签识别模型、问题识别模型、需求识别模型、目标生成模型、理论生成模型、计划生成模型和效果评估模型。

社会工作服务管理子系统包括六个模块：接案模块、预估模块、计划模块、实施模块、评估模块和结案模块。

接案模块可以集成标签识别模型，预估模块可以集成问题识别模型和需求识别模型，计划模块可以集成目标生成模型、理论生成模型和计划生成模型，实施模块和评估模块可以集成效果评估模型，接案模块可以将完整的社会工作服务案例数据导入到人工智能模型训练子系统，作为案例数据训练模块的训练集。