基于自主推荐机制的决策案例模块推荐实现方法

摘要

本发明提供了一种基于自主推荐机制的决策案例模块推荐实现方法，包括以下步骤：Step1基于基础数据库，依据事件处理机制，生成决策案例模板，对决策案例模块进行分类管理，形成案例模板平台；Step2根据事件情况从所述案例模板平台中提取具体的决策案例模板，获得待验证推荐方案；Step3对所述待验证推荐方案通过自主推荐机制比对评估，获取最优推荐方案。通过本发明解决城市治理过程中决策案例人工浏览选择低效率问题、城市治理过程中决策案例由于行业壁垒选择困难的问题。

说明书

技术领域

本发明涉及公共基础设施决策案例模版、事件处置领域，具体地，涉及一种基于自主推荐机制的决策案例模块推荐实现方法。

发明名称。

背景技术

随着我国信息化技术不断高速发展，智慧城市从概念走向了现实，实现智慧城市的基础元素是现代城市公共基础设施中各种各样的物联传感器，这些传感器安装在城市的各个位置，对城市的各项体征进行实时监测并上报即时监测数据。数以亿级的数据信息汇集到监测平台，构成大数据中心，基于这些基础数据衍生出各种各样的实战应用场景，比较核心的场景例如对监测收集到的数据进行事件规则定义，针对监测数据形成无数条事件信息，然后对事件添加各种前置后置条件、验证规则(符合政策文件、法律法规)，最终形成供城市管理者参考的事件处置案例模版。

当形成了案例模版后，城市管理者也无法从大量的案例模版中挑出最符合各行各业的案例模版进行使用，人工浏览并选择案例模版首先是效率较低，其次如果对某个行业研究不够深入，则选择的案例模版也会不适用；那么为了进一步方便城市管理者去精准选择并使用案例模版，以此来提升城市综合管理效率，因此一套基于城市各行各业运行现状的事件案例模版自主推荐机制则应运而生。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于自主推荐机制的决策案例模块推荐实现方法，以解决城市治理过程中决策案例人工浏览选择低效率问题、城市治理过程中决策案例由于行业壁垒选择困难的问题。

根据本发明提供的一种基于自主推荐机制的决策案例模块推荐实现方法，包括以下步骤：

Step1基于基础数据库，依据事件处理机制，生成决策案例模板，对决策案例模块进行分类管理，形成案例模板平台；

Step2根据事件情况从所述案例模板平台中提取具体的决策案例模板，获得待验证推荐方案；

Step3对所述待验证推荐方案通过自主推荐机制比对评估，获取最优推荐方案。

优选地，所述自主推荐机制包括推荐算法、模型训练、策略设计、评估分析；

所述推荐算法对所述待验证推荐方案进行学习，获得待训练推荐方案，并生成对应的推荐模型；

所述模型训练对所述待训练推荐方案基于所述推荐模型进行模拟还原，获得模拟事件案例模型；

所述策略设计对所述模拟事件案例模型进行筛选排序，获得待评估推荐方案；

所述评估分析对所述待评估推荐方案进行反向评估，获得最优推荐方案。

优选地，所述基础数据库对不同行业的基础数据进行数据分析处理；所述事件处理机制对不同行业不同场景事件处理规则进行定义及管理。

优选地，所示待验证推荐方案的提取是拟合历史事件决策案例与用户满意度的一个函数，这个函数包含三个维度的变量：

内容：事件案例内容多元化，需要考虑如何提取不同事件案例类型的特征做好推荐；

用户：如何提取被采用的事件案例所属用户的特征；

场景：在各种行业、各种场景下，当前用户所需要的事件案例偏好。

优选地，所述模型训练先基于历史决策事件案例的操作数据处理，根据收集的数据处理对所述推荐模型进行更新，同时利用线上服务器记录实时特征导入文件队列导入集群拼接用户完整数据，结合所述待训练推荐方案，构造模拟样本事件案例；然后根据模拟样本事件案例更新所述推荐模型的参数，实行线上模型运行，获取模拟事件案例模型。

优选地，所述推荐模型的参数存储在高性能服务器集群，包含海量原始特征和向量特征。

优选地，所示推荐算法包括Logistic Regression、Factorization Machine、GBDT(Gradient Boosting Decision Tree)；

所述Logistic Regression算法通过构建分类模型，实现对待验证推荐方案进行自动化分类，获得分类特征数据；

所述Factorization Machine算法对分类特征数据进行组合，获得待推荐决策案例；

所述GBDT(Gradient Boosting Decision Tree)算法基于实际需求进行对所述待推荐决策案例进行拟合获取接近真实值的预测值，将高预测值的待推荐决策案例定义为待训练推荐方案。

优选地，所述策略设计基于召回模块对所述模拟事件案例模型进行筛选排序，生成推荐列表，并实现线上实时更新。

优选地，所述召回模块包括场景去重、多样性控制、加权的方式。

优选地，所述评估分析通过反向推演的方式对所述待评估推荐方案进行合理性及正确性的评估，同时依据既定的评估体系对所述待评估推荐方案输出应用分析报告，并对所述待评估推荐方案进行评分，根据预设推荐排名额度确定最优推荐方案。

与现有技术相比，本发明具有如下的有益效果：

1、本发明能够有效提高城市治理过程中事件决策案例生产效率。

2、本发明能够有效打破城市治理过程中事件决策案例使用的行业壁垒。

3、本发明能够有效缩短了城市治理中事件决策时间并提高事件处置效率，为智慧城市高效赋能。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明一种基于自主推荐机制的决策案例模块推荐实现方法的逻辑流程结构示意图；

图2为本发明自主推荐机制事件案例的操作流程结构示意图；

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

如图1所示，本发明提供了一种基于自主推荐机制的决策案例模块推荐实现方法，包括以下步骤：

Step1基于基础数据库，依据事件处理机制，生成决策案例模板，对决策案例模块进行分类管理，形成案例模板平台；

基础数据库对不同行业的基础数据进行数据分析处理。其中，不同行业的基础数据包括但不仅限于：不同行业的海量设备的海量基础数据、相关技术参数；

事件处理机制对不同行业不同场景事件处理规则进行定义及管理。其中，事件处理规则包括但不仅限于：各个行业各个场景定义的事件处理法律法规、行为规范等。

具体地，将不同行业的海量设备的海量基础数据、相关技术参数接入到一套物联平台进行汇聚、计算和管理形成决策案例模板生成所需的基础数据库。对各行业事件规则定义及管理，例如公安、消防、交通、城运等各大类行业，商场、机场、酒店、学校、机关单位等各细分行业场所定义出大量事件规则；场景如台风、河道水位、烟雾浓度等等预警规则进行定义事件处理规则；并纳入事件处理机制进行分类规范管理。基于以上两个条件智能化生产出大量事件的决策案例模版，并对这些决策案例模版进行管理，形成案例模板平台。

Step2根据事件情况从案例模板平台中提取具体的决策案例模板，获得待验证推荐方案；

具体地，待验证推荐方案的提取是拟合历史事件决策案例与用户满意度的一个函数，这个函数包含三个维度的变量：

内容：事件案例内容多元化，需要考虑如何提取不同事件案例类型的特征做好推荐。

用户：如何提取被采用的事件案例所属用户的特征

场景：在各种行业、各种场景下，当前用户所需要的事件案例偏好。

Step3对待验证推荐方案通过自主推荐机制比对评估，获取最优推荐方案；

自主推荐机制包括推荐算法、模型训练、策略设计、评估分析；

推荐算法对待验证推荐方案进行学习，获得待训练推荐方案，并生成对应的推荐模型；

具体地，推荐算法包括Logistic Regression、Factorization Machine、GBDT(Gradient Boosting Decision Tree)三大算法；

Logistic Regression算法通过构建分类模型，实现对待验证推荐方案进行自动化分类，获得分类特征数据；具体地，Logistic Regression:该算法是一种用于解决二分类(0 or 1)问题的机器学习方法，用于估计某种事物的可能性。该算法用于推荐系统的分类模块，主要用于解决多分类问题，通过算法将系统需要的各种分类模型进行构建，并监督系统进行自动学习，以实现分类的自动化。

Factorization Machine算法对分类特征数据进行组合，获得待推荐决策案例；具体地，Factorization Machine：该算法是在普通线性模型的基础上增加二阶(或更高阶)的特征交叉，利用矩阵分解的思想把n*n的权重矩阵映射到n*k的空间内。该算法用于对系统的原子决策案例按特征进行组合，产生一种新的决策案例即待推荐决策案例供推荐使用。

GBDT(Gradient Boosting Decision Tree)算法基于实际需求进行对所述待推荐决策案例进行拟合获取接近真实值的预测值，将高预测值的待推荐决策案例定义为待训练推荐方案。具体地，GBDT(Gradient Boosting Decision Tree)：该算法是一种基于决策树的集成算法。其中Gradient Boosting是集成方法boosting中的一种算法，通过梯度下降来对新的学习器进行迭代。而GBDT中采用的就是CART决策树。该算法在本系统中的核心功能是运用负梯度近似残差概念不断训练出最接近真实值的预测值，也就是获取相似度最高的那一条决策案例推荐给用户。

以上三个算法在实现上相互独立，在业务上相互关联，Logistic Regression算法服务于分类模块，得到分类特征数据，Factorization Machine算法将分类特征数据按特征组合，产生待推荐决策案例。GBDT算法将用户要求进行拟合去系统获取接近真实值的预测值，最终选出一条待训练推荐方案推荐给用户。

模型训练对待训练推荐方案基于推荐模型进行模拟还原，获得模拟事件案例模型；

具体地，模型训练先基于历史决策事件案例的点击、展现、分享等操作数据处理，根据收集的数据处理对推荐模型进行更新，同时利用线上服务器记录实时特征导入文件队列导入集群拼接用户完整数据，结合待训练推荐方案，构造模拟样本事件案例。然后根据模拟样本事件案例更新推荐模型的参数，实行线上模型运行，获取模拟事件案例模型。特别地，推荐模型的参数存储在高性能服务器集群，包含海量原始特征和向量特征。

策略设计对模拟事件案例模型进行筛选排序，获得待评估推荐方案；

具体地，策略设计基于召回模块对模拟事件案例模型进行筛选排序，生成推荐列表，并实现线上实时更新。召回模块包括场景去重、多样性控制、加权等方式。在推荐策略设计中使用了一种非常重要的策略—召回策略。该策略的目的是从海量事件决策案例中筛选出一小部分符合要求的事件决策案例。

上述实现步骤中，需要基于深度计算来实现，具体的，抽取事件案例、事件规则、法律法规、政策文件、行业、场景等数据使用流式计算+批量计算两种方式。用大规模+高性能存储系统支持海量事件的读写，并依据以上数据计算出整个事件决策案例推荐体系。

评估分析对待评估推荐方案进行反向评估，获得最优推荐方案。

具体地，评估分析通过反向推演的方式对待评估推荐方案进行合理性及正确性的评估，同时依据既定的评估体系对待评估推荐方案输出应用分析报告，详细阐述该案例适用程度，推荐级别；同时，对待评估推荐方案进行评分，根据预设推荐排名额度确定最优推荐方案。如预设推荐排名额度为3，那么得分排名前3的案例就会被推荐给管理者去决策使用。

在实际应用中，关于最优推荐方案的最终推荐效果是否满足用户的要求，需要进行很复杂的评估分析，从而反向推演推荐方案、算法、策略及计算的合理性及正确性。首先对推荐效果可能产生影响的因素有候选内容集合的变化、召回模块的增加和改进、推荐特征的增加、推荐系统架构的改进、算法参数的优化、规则策略的改变。其次评估需要完备的评估体系：将尽可能多的综合指标合成唯一的评估指标、比较强大的实验平台以及易用的实验分析工具。最后评估需要注意如下几点：注重短期指标和长期指标、注重协同效应的影响以及必要的时候做彻底的统计隔离。

综上所述，本发明前置条件包括海量传感器监测数据、各行各业大量的事件规则(例如突发事件处置规则、各种设备监控预警规则等)以及由以上两个元素智能化生产出的大量多行业的事件案例模版。其次，自主推荐机制蕴含一套核心推荐算法，该推荐算法会以行业为大类，场景为小类，与系统内各种现有的事件规则进行碰撞计算，也会对已经被各行业实际采纳的事件模版进行搜索比对(采用行为分析算法、大数据检索)满足系统推荐方案、运行推荐算法、按推荐模型进行训练、使用设计好的推荐策略进行深度计算并采用评估体系进行评估，这一系列的方案、算法、策略、训练、评估全流程执行完毕后会获得多条案例模版，针对每条案例模版会给出针对行业、场景应用分析报告，详细阐述该案例适用程度，推荐级别；最后会对这些案例模版进行评分，得分排名靠前的案例就会被推荐给城市管理者去决策使用。如此，形成一套较为完善的自主推荐机制包含以上推荐方案、算法、推荐模型、策略、逻辑计算以及评估体系，以上所有要素整体协同工作，从而在系统中搜索出满足用户实际场景需要的事件案例并最终推荐给用户参考使用。

在实际应用中，如图2所示，通过选择行业，选择应用场景，确定需求方向，通过调整复杂度(一般设置为50～100)，通过案例模板平台生成决策案例模板。然后通过上文所述的基于自主推荐机制的决策案例模块推荐实现方法对决策案例模板进行自主推荐机制比对评估，依据审阅分析报告的通过，获取最优推荐方案，进而实施使用；反之，废弃在审阅分析报告中不通过的决策案例模板。进一步地，当最优推荐方案投入使用后，能够根据实际使用情况，评估是否需要再次依据自主推荐机制进行对推荐方案进行换一批审阅评估。如此，在基于历史数据与实际使用情况的双向自主审阅评估学习，通过线上不断的更新数据以促使自主推荐机制的反复学习，实现基于自主推荐机制的决策案例模块推荐实现方法的最终评估数值更具参考应用价值。

进一步地，在实际应用中，当某责任部门对所管辖的业务流程不明或事件处置流程不明确时，可以通过事件案例自主推荐机制，参考其它城市或部门已经成熟的事件案例处置流程，吸收优秀且成熟的同类事件案例处置经验为本部门赋能。

另一方面，当责任部门对行业规范、法律法规、政策文件等不是非常熟悉，存在知识盲区从而影响事件案例选择和重大事件决策时，可以通过事件案例自主推荐机制，可选用评分较高的几种具体的事件案例，且可以将自主推荐的事件案例统计归纳后的分析报告与行业规范、法律法规、政策文件进行点对点校对。从而节约事件案例编撰、审核及试运行时间，提高城市管理运行效率。

本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。