接诉即办是实现社会治理智能化、提高人民满意度的重要举措,其中精准分析民众诉求智能匹配工单处理部门,实现诉求的快速响应、高效办理尤为关键;然而,民众诉求数据中的诉求描述不清晰、类别混淆且比例失衡会导致诉求类别分析困难,影响...接诉即办是实现社会治理智能化、提高人民满意度的重要举措,其中精准分析民众诉求智能匹配工单处理部门,实现诉求的快速响应、高效办理尤为关键;然而,民众诉求数据中的诉求描述不清晰、类别混淆且比例失衡会导致诉求类别分析困难,影响了智能派单的效率与准确性。针对上述问题,提出编解码器结构的诉求层次多标签分类模型(HMCHotline)。首先,在文本编码器中引入诉求领域中的细粒度关键词先验知识以抑制噪声干扰,并融合诉求的时空信息提高语义特征的判别力;其次,利用标签层次结构生成具有层次与语义感知的标签嵌入,并构建基于Transformer模型的标签解码器,利用诉求的语义特征和标签嵌入进行标签解码;同时,在标签的层级依赖关系基础上引入动态标签表策略限制标签的解码范围,以解决标签不一致问题;最后,采用Softmax分组策略将样本数量相近的标签类别分为同组进行Softmax操作,从而缓解由标签长尾分布导致的分类准确率低的问题。在Hotline、RCV1(Reuters Corpus VolumeⅠ)-v2和WOS(Web Of Science)数据集上的实验结果表明,相较于层次感知的标签语义匹配网络(HiMatch),所提模型的Micro-F1分别提高了1.65、2.06和0.43个百分点,验证了模型的有效性。展开更多
针对标准均衡优化算法(EO)存在全局搜索和局部搜索的平衡能力不足以及易陷入局部最优的问题,提出了一种基于可变生成概率和多差分柯西变异的均衡优化算法(Variable generation probability and multi-difference Cauchy variation equil...针对标准均衡优化算法(EO)存在全局搜索和局部搜索的平衡能力不足以及易陷入局部最优的问题,提出了一种基于可变生成概率和多差分柯西变异的均衡优化算法(Variable generation probability and multi-difference Cauchy variation equilib-rium optimization algorithm,VDEO)。首先,结合Tent混沌映射增加初始化种群的多样性,为寻优提供基础;其次,引入可变的生成概率代替原始的固定值,使算法在迭代前期增加全局搜索能力,后期关注求解精度,以提升全局搜索和局部搜索的平衡能力;最后,融合多种差分策略和柯西变异帮助寻优过程跳出局部最优。针对包含单峰、多峰和固定维多峰在内的15个基准测试函数和CEC2022测试函数,将VDEO在多种维数下与EO,GWO,WOA,SCA,MFO,AOA,AVOA,BWO,AHA,POA这10个启发式算法进行仿真对比实验,并对基准测试函数的实验结果进行Wilcoxon秩和检验,实验结果表明,VDEO实现了更好的全局搜索和局部搜索的平衡,并具有更好的跳出局部最优的能力以及更高的收敛精度。展开更多
文摘接诉即办是实现社会治理智能化、提高人民满意度的重要举措,其中精准分析民众诉求智能匹配工单处理部门,实现诉求的快速响应、高效办理尤为关键;然而,民众诉求数据中的诉求描述不清晰、类别混淆且比例失衡会导致诉求类别分析困难,影响了智能派单的效率与准确性。针对上述问题,提出编解码器结构的诉求层次多标签分类模型(HMCHotline)。首先,在文本编码器中引入诉求领域中的细粒度关键词先验知识以抑制噪声干扰,并融合诉求的时空信息提高语义特征的判别力;其次,利用标签层次结构生成具有层次与语义感知的标签嵌入,并构建基于Transformer模型的标签解码器,利用诉求的语义特征和标签嵌入进行标签解码;同时,在标签的层级依赖关系基础上引入动态标签表策略限制标签的解码范围,以解决标签不一致问题;最后,采用Softmax分组策略将样本数量相近的标签类别分为同组进行Softmax操作,从而缓解由标签长尾分布导致的分类准确率低的问题。在Hotline、RCV1(Reuters Corpus VolumeⅠ)-v2和WOS(Web Of Science)数据集上的实验结果表明,相较于层次感知的标签语义匹配网络(HiMatch),所提模型的Micro-F1分别提高了1.65、2.06和0.43个百分点,验证了模型的有效性。
文摘针对标准均衡优化算法(EO)存在全局搜索和局部搜索的平衡能力不足以及易陷入局部最优的问题,提出了一种基于可变生成概率和多差分柯西变异的均衡优化算法(Variable generation probability and multi-difference Cauchy variation equilib-rium optimization algorithm,VDEO)。首先,结合Tent混沌映射增加初始化种群的多样性,为寻优提供基础;其次,引入可变的生成概率代替原始的固定值,使算法在迭代前期增加全局搜索能力,后期关注求解精度,以提升全局搜索和局部搜索的平衡能力;最后,融合多种差分策略和柯西变异帮助寻优过程跳出局部最优。针对包含单峰、多峰和固定维多峰在内的15个基准测试函数和CEC2022测试函数,将VDEO在多种维数下与EO,GWO,WOA,SCA,MFO,AOA,AVOA,BWO,AHA,POA这10个启发式算法进行仿真对比实验,并对基准测试函数的实验结果进行Wilcoxon秩和检验,实验结果表明,VDEO实现了更好的全局搜索和局部搜索的平衡,并具有更好的跳出局部最优的能力以及更高的收敛精度。
