用于事件分类和分派及构建统一事件类型体系的方法

技术领域

本申请涉及电子政务及信息处理技术领域，具体而言，涉及用于事件分类的方法和装置、用于事件分派的方法和装置、构建统一事件类型体系的方法和装置、为部门关联事件类型的方法和装置以及计算设备和计算机可读介质。

背景技术

随着经济不断发展，部门复杂度的不断增加以及部门管理和服务的不断完善，各个部门的管理工作强度也在不断增大。传统的管理和服务方式是由群众或机构通过群众热线或者其他渠道向各部门提出诉求，相应的工作人员则根据诉求整理为事件记录。然后，人工对事件进行分类，再根据每个部门负责的范围进行事件的分派。各部门收到事件之后再进行处理和反馈。

随着“互联网+政务服务”的深入贯彻和推进，社会运营中心建立，社会大脑实施落地，事件智能分类和分派已有不少解决方案。这可以减少人工的操作，给社会管理提效。但是，这些方案还存在这样或那样的问题，例如缺乏通用泛化能力等。

因此，需要继续开发新的事件分类和/或分派方案，提高社会管理效率。

发明内容

本申请旨在提供一种用于事件分类及事件分派的方法，提高事件分派效率，同时降低使用推广成本。

本申请的其该用户特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请的一方面，提供一种用于事件分类的方法，包括：获取事件的特征，所述事件的特征包括事件内容；获取预定义事件类型的特征，所述预定义事件类型的特征包括所述预定义事件类型的分类路径；将所述事件的特征和所述预定义事件类型的特征输入到训练好的神经网络匹配模型，获取至少一个输出的匹配结果。

根据本申请的另一方面，提出一种用于事件分派的方法，包括：获取事件的特征，所述事件的特征包括事件内容；获取部门的特征，所述部门的特征包括所述部门关联的预定义事件类型的分类路径；将所述事件的特征、以及所述部门的特征输入到训练好的神经网络匹配模型，获取至少一个输出的匹配结果。

根据本申请的另一方面，提供一种构建统一事件类型体系的方法，包括：解析至少一个已有事件分类体系，构建从根节点到叶子节点的分类路径，每个分类路径的末端为叶子节点类型；统计每个叶子节点类型的分类路径，选择一条作为优选路径；将所有优选路径拆分为子节点-父节点的映射关系，并聚合相同的映射关系；从每个叶子节点出发，根据所述映射关系递归回溯父节点，得到所有的新建路径；利用所述新建路径构建树，得到所述事件类型体系。

根据本申请的另一方面，提供一种为部门关联事件类型的方法，包括：获取统一事件类型体系；根据部门与已有事件分类体系的映射关系，得到所述部门与所述统一事件类型体系的映射关系；根据所述部门与所述统一事件类型体系的映射关系，得到所述部门对应的所有叶子节点，作为所述部门关联的事件类型，所述事件类型的特征同时作为所述部门的特征。

根据本申请的另一方面，提供一种计算设备，包括：处理器；

存储器，所述存储器上存储有计算机程序；

当所述处理器执行所述计算机程序时实现前述的方法。

根据本申请的另一方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现前述的方法。

根据本申请的一些实施例，通过匹配模型对事件和事件类型进行匹配来实现事件的分类，对事件和部门进行匹配来实现事件发分派。传统的分类和分派模型中，输入层和交叉层都是事件内容和事件相关的特征，分类结果是固定的。根据本申请实施例的匹配模型是基于文本语义的，计算的是语义的相关性，而不受分类数量的限制，实现了自适应的事件匹配分类和端到端的事件分派。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本申请。

附图说明

通过参照附图详细描述其示例实施例，本申请的上述和其它目标、特征及优点将变得更加显而易见。

图1A示出根据本申请一实施例的用于事件分类的神经网络匹配模型的示意图。

图1B示出根据本申请另一实施例的用于事件分类的神经网络匹配模型的示意图。

图2A示出根据本申请一实施例的用于事件分派的神经网络匹配模型的示意图。

图2B示出根据本申请另一实施例的用于事件分派的神经网络匹配模型的示意图。

图3示出根据示例实施例的用于事件分类的方法。

图4示出根据示例实施例的用于事件分派的方法。

图5示出根据示例实施例构建统一事件类型体系的方法。

图6示出根据示例实施例构为部门关联事件类型的方法。

图7示出根据本申请示例实施例的用于事件分类的装置。

图8示出根据本申请示例实施例的用于事件分派的装置。

图9示出根据本申请示例实施例的构建统一事件类型体系的装置。

图10示出根据本申请示例实施例的为部门关联事件类型的装置。

图11示出根据本申请示例实施例的计算设备的框图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本申请将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

在描述本申请实施例之前，对本申请实施例涉及到的一些术语进行解释说明。

事件：本文指的是社会管理中，群众或者机构向相关机构和单位通过各种渠道提出的诉求、建议等，一般以文字形式为主要记录或者转为文字形式作为记录。

事件分类：将上述这些诉求和建议等，根据一定的规则进行分类，以便转交合适的部门进行处理。

事件分派：将上述这些诉求和建议等，根据事件描述和分类，转交到对应的管理部门来处理。

端到端：本文指的是直接从事件描述到分派给对应的部门一步到位的方法，不需要先经过固定的事件类型来分类，然后再根据映射关系来分派给部门的两步走的方法。

部门权责：部门指的是社会管理中设立的相关部门、机构或者个人，部门权责对应的是这些部门机构或个人的管辖的区域范围(时间、空间等)以及负责的事件类型。

BERT:BERT是一种语言表示模型，代表来自Transformer的双向编码器表示(Bidirectional Encoder Representations from Transformers)。Transformer是一种深度学习组件，不同于递归神经网络(RNN)对顺序的依赖性，它能够并行处理整个序列。因此可以分析规模更大的数据集，并加快模型训练速度。Transformer能够使用注意力机制收集词语相关情境的信息，并以表示该情境的丰富向量进行编码，从而同时处理(而非单独处理)与句中所有其他词语相关的词语。Transformer模型能够学习如何从句段中的每个其他词语衍生出给定词语的含义。BERT相当于Transformer的双向特征编码器，即对当前输入进行特征表达(或特征编码、特征表示)，即词向量表示。

现有的方案事件分派解决方案中，一般需要两步。即，先根据一个社会给定的事件类型体系对收到的所有事件进行分类，再经过部门权责范围和事件的映射关系，将分类的结果映射到对应的部门，完成事件分派。

这种模式虽然对每个地区或城市都能快速给出一套可行的解决方案，但是却缺乏通用泛化能力。一旦用对应的历史数据对分类模型训练并部署之后，事件分类的数量是就是固定的，事件类型到部门的映射也是固定的。这导致无法支持随着社会的管理不断精细化而带来的事件类型增删改需求，以及部门权责的动态调整。每次变动都需要重新训练和部署系统。

此外，每个城市或地区的分类体系是不完全一致的，需要为每个城市或地区都训练独立的分类模型。而且，每个城市或地区的历史数据有限，独立的分类导致数据和模型无法融合，导致模型性能没有最大化，无法支持动态的增删改事件类型、数量、以及部门的关系。因此，对每个不同的地区或城市，都需要重新训练模型。

鉴于此，本申请提出了一种基于匹配模型的分类和分派方法，通过对事件和事件类型进行匹配实现分类，通过对事件和部门进行匹配实现分派。根据本申请的技术方案支持事件类型的动态扩充，以及部门的权责调整。根据本申请的技术方案，可实现事件智能分类和端到端的分派算法。

此外，本申请提出一种统一事件类型体系的构建方法，可以实现不同事件类型体系的融合和扩充。同时，部门权责也依托于这套事件类型体系。进一步地，可构建标签化表示，利用事件文本和类型标签的相关性召回，来实现事件分类数量和部门权责的解耦。从而，可实现自适应的事件智能分类和端到端的分派。根据本申请的体系构建可以将先进城市或地区的经验不断积累，给其他城市或地区的电子政务建设提供有效参考，也可以支持事件类型和部门权责的动态调整。

下面将参照实施例对本申请的技术方案及其优点进行详细说明。

图1A示出根据本申请一实施例的用于事件分类的神经网络匹配模型的示意图。图1B示出根据本申请另一实施例的用于事件分类的神经网络匹配模型的示意图。

如图1A所示，根据实施例，用于事件分类的神经网络匹配模型可包括依序耦合的编码层110、特征交叉层120和输出层130。编码层110可包括向量化编码器，例如LSTM、GRU、BERT以及基于BERT的编码器等。特征交叉层120可包括向量交叉运算层和全连接层。输出层130可为softmax，表征事件和分类路径的匹配。

参见图1A，根据实施例，编码层可分别输入事件内容以及预定义事件类型的分类路径，输出向量化编码Vc和Vt。分类路径可为文字序列，将这个文字序列输入到诸如BERT的编码器就会得到向量化的表示。例如，分类路径“就业->劳动保障->拖欠工资问题”经输入并向量化编码之后可能是一个768维的数值。

输出的向量在向量交叉运算层做拼接、相减等运算。例如，(V1,V2,V3)表示三个向量拼接起来，比如(v

图1B所示模型与图1A基本相同，区别在于输入的预定义事件类型的特征还包括与预定义事件类型关联的辅助标签。此外，输入的事件特征还可包括由事件内容提取的关键词。

参见图1B，根据实施例，编码层可分别输入事件内容、内容关键词以及预定义事件类型的分类路径和辅助标签，输出向量化编码Vc、Vk和Vt。输出的向量在向量交叉运算层做拼接、相减等运算。(v

图2A和2B的输出层可表征事件和类型的匹配。

图2A示出根据本申请一实施例的用于事件分派的神经网络匹配模型的示意图。图2B示出根据本申请另一实施例的用于事件分派的神经网络匹配模型的示意图。

图2A和2B所示的模型与图1A和1B所示的模型整体框架一致，输入特征存在共性，同时也存在一些区别。

参见图2A，对于事件分派，模型左侧的输入与图1A相同，但右侧输入为部门的特征，例如部门关联的预定义事件类型的分类路径。

参见图2B，对于事件分派，模型左侧的输入与图1B相比还可包括事件属性，右侧输入除了包括部门关联的预定义事件类型的分类路径和辅助标签以外，还可包括部门的权责属性。

图2A和2B的输出层可表征事件和部门的匹配。

根据示例实施例的匹配模型对事件和分类进行匹配来实现事件的分类，对事件和部门进行匹配来实现事件发分派。传统的分类和分派模型中，输入层和交叉层都只有事件内容和事件相关的特征，直接输出0-n的分类或分派(比如分100类，就是0-99)。这种传统分类模型训练完成之后，模型的分类结果是固定的，只能分100个类，再多的或者新加入的就分不出来。而根据本申请实施例的匹配模型是基于文本语义的，所以它计算的是语义的相关性，而不受分类数量的限制。

根据实施例的匹配模型在所有的分类路径中计算最相似的前N个。例如，如果事件类型体系中有800条分类路径，那么一个事件来了之后会跟800个分类路径进行匹配计算，然后返回最相似的前N个。分类路径相当于事件类型层级分类的语义。

根据示例实施例，匹配模型没有限定类型，抛弃了传统固定分类数量加映射关系的方式。因此，可以支持动态扩展事件类型、部门权责范围的调整等功能。

图3示出根据示例实施例的用于事件分类的方法。

参见图3，在S301，获取事件的特征。事件的特征可包括事件内容。

例如，一个示例的事件内容为：儿童公园内靠飞机模型处，有老年人在此唱歌，噪音扰民严重，请处理。

根据一些实施例，事件的特征还可包括由事件内容提取的关键词。

例如，利用textRank等算法对前述事件内容抽取的关键词可包括：扰民#1.0^唱歌#0.942511^模型#0.940166^噪音#0.648647^飞机#0.646424^儿童公园#0.640388^老年人#0.63548^处理#0.369955。

在S303，获取预定义事件类型的特征。预定义事件类型的特征可包括预定义事件类型的分类路径。

根据一些实施例，该方法还包括预先构建统一事件类型体系，如后面将参照附图详细描述的。预定义事件类型可来自所构建的统一事件类型体系。

根据一些实施例，预定义事件类型的特征还包括与预定义事件类型关联的辅助标签。辅助标签可包括表征预定义事件类型的关键词。例如，辅助标签可以是历史事件中抽取的关键词、或者事件分类的原始描述关键词，也可以是人工设置的关键词。

例如，可利用textRank等算法对每个历史事件内容进行关键词抽取，例如提取动词和名词作为关键词。然后，根据历史事件内容的原类标，映射到新建的统一事件类型体系中，再将提取的关键词打标到对应的事件类型叶子节点下作为辅助标签。最终每个事件类型可关联最高频的前N个(例如5个)标签。

例如，下面示出一些事件类型的特征示例：

分类路径1：就业->劳动保障->拖欠工资问题；

辅助标签1：欠薪、拖欠、工资、追讨。

分类路径2：住->噪音扰民->生活噪音；

辅助标签2：噪音、噪声、扰民、吵。

在S305，将事件的特征和预定义事件类型的特征输入到训练好的神经网络匹配模型，获取至少一个输出的匹配结果。

根据一些示例实施例，神经网络匹配模型可为前述参照图1A和1B描述的匹配模型，包括依序耦合的编码层、特征交叉层和输出层，但本申请不限于此。

根据一些实施例，根据输出的匹配结果，可选择最相似的N(N为大于0的整数)条事件类型路径作为分类结果。

根据示例实施例，通过对事件和预定义事件类型进行匹配实现匹配分类，支持事件类型的动态扩充。

根据示例实施例，匹配模型没有限定类型，而是计算事件和事件类型的分层次多粒度的表征之后的相似度。因此，根据示例实施例的分类方法具有泛化能力，并可支持动态扩展事件类型。

根据示例实施例，利用预定义事件类型体系加辅助标签的方式，实现了映射关系的自动学习和调整，使得事件分类结果更加精准。

图4示出根据示例实施例的用于事件分派的方法。

参见图4，在S401，获取事件的特征。事件的特征可包括事件内容。

根据一些实施例，事件的特征还可包括事件的事件属性，以用于适应不同部门的权责可能有所交叉的情况，即同一种事件类型在不同情况下可能会分派给不同的部门。事件属性可包括事件时间和/或事件地点等。

例如，一个示例的事件内容为：儿童公园内靠飞机模型处，有老年人在此唱歌，噪音扰民严重，请处理。

对于该事件内容，利用textRank等算法抽取的关键词可包括：扰民#1.0^唱歌#0.942511^模型#0.940166^噪音#0.648647^飞机#0.646424^儿童公园#0.640388^老年人#0.63548^处理#0.369955。

事件的属性特征可包括：

事件发生地址：C1市D1区；

事件发生时间：2021年12月11日凌晨2点。

根据一些实施例，事件的属性特征可从事件内容抽取，或者事件报告时由用户或录入者输入。

在S403，获取部门的特征。部门的特征可包括关联的预定义事件类型的分类路径。

根据一些实施例，部门的特征还可包括与关联的预定义事件类型对应的辅助标签。根据另一些实施例，部门的特征还包括部门的权责属性。权责属性可包括与管辖相关的属性关键词，例如管辖区域等(可包含时空关系)。

例如，下面示出一个部门的特征示例：

分类路径1：就业->劳动保障->拖欠工资问题；

辅助标签1：欠薪、拖欠、工资、追讨；

权责属性1：C1市D1区。

分类路径2：住->噪音扰民->生活噪音；

辅助标签2：噪音、噪声、扰民、吵；

权责属性2：C1市D1区，夜间，学校、小区、单位附近。

分类路径3：就业->劳动保障->拖欠工资问题；

辅助标签3：欠薪、拖欠、工资、追讨；

权责属性3：C1市D3区。

分类路径4：住->噪音扰民->生活噪音；

辅助标签4：噪音、噪声、扰民、吵；

权责属性4：C1市D1区，日常，所有地区。

在S405，将事件的特征以及部门的特征输入到训练好的神经网络匹配模型，获取至少一个输出的匹配结果。

根据一些示例实施例，神经网络匹配模型可为前述参照图2A和2B描述的匹配模型，包括依序耦合的编码层、特征交叉层和输出层，但本申请不限于此。

根据一些实施例，根据匹配结果，选择最相似的N(N为大于0的整数)条事件类型路径，作为分派结果。

根据一些实施例，该方法还包括预先根据统一预定义事件类型体系为部门关联预定义事件类型，参见后面的详细说明。

根据示例实施例，通过对事件和部门进行匹配实现端到端的分派，支持部门的动态扩展。

根据示例实施例，抛弃了映射关系的方式，通过对事件和部门进行匹配实现端到端的分派，支持部门调整，具有泛化能力。

根据示例实施例，利用事件类型体系加辅助标签的方式，将事件内容和部门权责用统一的表征方式，实现了映射关系的自动学习和调整，使得端到端的事件分派结果更加精准。

图5示出根据示例实施例构建统一事件类型体系的方法。

根据该示例实施例的方法构建的统一事件类型体系可用于前述的分类和分派方法。

参见图5，在S501，解析至少一个已有事件分类体系，构建从根节点到叶子节点的分类路径，每个分类路径的末端为叶子节点类型。

根据实施例，解析现有所有城市或地区的事件分类，构建从上层分类到底层叶子节点分类的分类路径，即“一级分类->二级分类->...->n级分类”等路径，每个叶子节点是最细粒度的事件类型。

在S503，统计每个叶子节点类型的分类路径，选择一条作为优选路径。

根据实施例，统计每个原始叶子节点类型出现次数最多的分类路径。对于最高次数相同的分类路径，保留路径长度最短的，作为该类型的优选路径，路径长度等价于类型层级。

根据一些实施例，对于只出现一次的分类路径，如果该分类路径下的历史事件比较多，则保留；否则可丢弃该分类路径。

例如，对于以下各具体城市的一个简单示例分类体系：

A体系：事件-->火灾隐患-->消防通道

B体系：消防-->消防设备维护-->消防通道，部件-->公共设施-->消防通道

C体系：事件-->火灾隐患-->消防通道

D体系：公共安全-->生产安全-->消防监督-->消防通道

在优选路径为：事件-->火灾隐患-->消防通道。

在S505，将所有优选路径拆分为子节点-父节点的映射关系，并聚合相同的映射关系。

根据实施例，将所有的优选路径拆分为“子节点->父节点”的映射关系，例如“一级分类->二级分类->三级分类”拆分为“三级分类->二级分类”和“二级分类->一级分类”，聚合所有相同映射关系。

在聚合时，可先经过同义词替换归一化之后，再去掉重复的。比如“公共设施”“公用设施”可替换为“公共设施”，“噪音”和“噪声”可替换为“噪声”。

在S507，从每个叶子节点出发，根据映射关系递归回溯父节点，得到所有的新建路径。

根据实施例，从每个叶子节点出发，递归地根据前述映射关系不断回溯父节点，直到没有父节点或者产生循环则终止，从而得到所有路径。

在S509，利用新建路径构建树，得到事件类型体系。

根据一些实施例，在构建树时，可进行剪枝及相同节点融合等，减掉太少或者不合理的，最后得到比较规范的一棵树。

例如，可能出现多个父节点的情况，这是因为不同城市的类型体系存在差异。这时，可以使用规则+投票机制。例如，如果国标里面有，则优先用国标。如果国标没有，则统计每个类型出现次数最多的分类路径。如果仍然存在重复，则可人工修改。

根据一些实施例，还可向事件类型体系的叶子节点填加关联的辅助标签。

辅助标签可以是历史事件中抽取的关键词、或者事件分类的原始描述，也可以是人工的关键词。根据一些实施例，可利用textRank等算法对每个历史事件内容进行关键词抽取，例如提取动词和名词作为关键词。

然后，根据历史事件内容的原类标，映射到新建的统一事件类型体系中，再将提取的关键词打标到对应的事件类型叶子节点下作为辅助标签。最终每个事件类型可关联最高频的前N个(例如5个)标签。同时，也完成了事件内容到事件类型体系的挂靠，从而可由此准备训练数据。

根据示例实施例，抛弃了传统固定分类数量的方式，利用统一事件类型体系来表征事件内容，从而可支持自适应的事件分类和端到端的事件分派。

根据示例实施例，通过构建统一事件类型体系，可实现不同事件类型体系的融合和扩充。进一步地，可构建标签化表示，利用事件文本和类型标签的相关性召回，来实现事件分类数量和部门权责的解耦。从而，可实现自适应的事件智能分类和端到端的分派。根据本申请的体系构建可以将先进城市或地区的经验不断积累，给其他城市或地区的电子政务建设提供有效参考，也可以支持事件类型的动态调整。

图6示出根据示例实施例为部门关联预定义事件类型的方法。

根据该示例实施例的方法构建的统一事件类型体系可用于前述分派方法。

参见图6，在S601，根据部门与已有事件分类体系的映射关系，得到部门与统一事件类型体系的映射关系。

在S603，根据部门与统一事件类型体系的映射关系，得到部门对应的所有叶子节点，作为部门关联的事件类型，事件类型的特征同时作为部门的特征。例如，部门的特征可包括事件类型的分类路径、辅助标签。同时，也完成了部门到事件类型体系的挂靠，从而可由此准备训练数据。

例如，作为部门的国网供电公司关联的事件类型(即，对应的所有叶子节点)可包括电力井盖、电缆井盖、电力设施、电力设施标识牌、电力立杆等，其特征可包括这些事件类型对应的分类路径和辅助标签。

根据一些实施例，还可向部门的特征中增加权责属性。

实际应用中，不同部门的权责可能有所交叉。同一种事件类型在不同情况下可能会分派给不同的部门。根据一些实施例，与事件的事件属性(时间、地点等)相对应，部门特征中可增加权责属性，可包括与管辖相关的属性关键词，例如管辖区域等(可包含时空关系)。

根据示例实施例，部门依托于统一事件类型体系，自适应的事件分类和端到端的分派具有一致性。进一步地，可构建标签化、属性化表示，利用事件文本和类型标签、属性的相关性召回，来实现事件分类数量和部门权责的解耦。根据本申请实施例的方案可以支持事件类型和部门权责的动态调整。

根据示例实施例，通过可动态扩充的统一事件类型体系构建，可以有效支持动态的事件分类，从而可以实现跨城市/地区的经验积累，对新城市/地区的冷启动有重要帮助。根据示例实施例，抛弃了传统固定分类数量加映射关系的方式，利用统一事件类型体系来表征事件内容和部门权责，从而可支持自适应的事件分类和端到端的事件分派。

在根据本申请实施例的方法构建统一事件类型体系以及为部门关联事件类型之后，可利用历史事件数据，对前述神经网络匹配模型进行训练。然后，可利用训练后的模型进行事件分类及分派。

图7示出根据本申请示例实施例的用于事件分类的装置。

如图7所示，根据实施例的用于事件分类的装置700可包括事件特征获取模块701、事件类型特征获取模块703及神经网络模块705。

事件特征获取模块701用于获取事件的特征，事件的特征可包括事件内容。

事件类型特征获取模块703用于获取预定义事件类型的特征，预定义事件类型的特征包括预定义事件类型的分类路径。

神经网络模块705用于根据输入的事件的特征和预定义事件类型的特征，输出至少一个分类匹配结果。

根据该实施例的装置可执行与前面描述的方法类似的功能，其他功能可参见前面的描述，此处不再赘述。

图8示出根据本申请示例实施例的用于事件分派的装置。

如图8所示，根据实施例的用于事件分派的装置800可包括事件特征获取模块801、部门特征获取模块803及神经网络模块805。

事件特征获取模块801用于获取事件的特征，事件的特征包括事件内容。

部门特征获取模块803用于获取部门的特征，部门的特征包括关联的预定义事件类型的分类路径。

神经网络模块805用于根据输入的事件的特征和部门的特征，输出至少一个分派匹配结果。

根据该实施例的装置可执行与前面描述的方法类似的功能，其他功能可参见前面的描述，此处不再赘述。

图9示出根据本申请示例实施例的构建统一事件类型体系的装置。

如图9所示，根据实施例的用于构建统一事件类型体系的装置900可包括解析模块901、路径选择模块903、映射聚合模块905、路径模块907及构建模块909。

解析模块901用于解析至少一个已有事件分类体系，构建从根节点到叶子节点的分类路径，每个分类路径的末端为叶子节点类型。

路径选择模块903用于统计每个叶子节点类型的分类路径，选择一条作为优选路径。

映射聚合模块905用于将所有优选路径拆分为子节点-父节点的映射关系，并聚合相同的映射关系。

路径模块907用于从每个叶子节点出发，根据映射关系递归回溯父节点，得到所有的新建路径。

构建模块909用于利用新建路径构建树，得到事件类型体系。

根据该实施例的装置可执行与前面描述的方法类似的功能，其他功能可参见前面的描述，此处不再赘述。

图10示出根据本申请示例实施例的为部门关联事件类型的装置。

如图10所示，根据实施例的为部门关联事件类型的装置1000可包括映射模块1001和特征模块1003。

映射模块1001用于根据部门与已有事件分类体系的映射关系，得到部门与统一事件类型体系的映射关系。

特征模块1003用于根据部门与统一事件类型体系的映射关系，得到部门对应的所有叶子节点，作为部门关联的事件类型，事件类型的特征同时作为部门的特征。

根据该实施例的装置可执行与前面描述的方法类似的功能，其他功能可参见前面的描述，此处不再赘述。

图11示出根据本申请示例实施例的计算设备的框图。

如图11所示，该云计算设备30包括处理器12和存储器14。云计算设备30还可以包括总线22、网络接口16以及I/O接口18。处理器12、存储器14、网络接口16以及I/O接口18可以通过总线22相互通信。

处理器12可以包括一个或多个通用CPU(Central Processing Unit，中央处理器)、微处理器、或专用集成电路等，用于执行相关程序指令。

存储器14可以包括易失性存储器形式的机器系统可读介质，例如随机存取存储器(RAM)、只读存储器(ROM)和/或高速缓存存储器。存储器14用于存储包含指令的一个或多个程序以及数据。处理器12可读取存储在存储器14中的指令以执行上述根据本申请实施例的方法。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性存储设备。

云计算设备12也可以通过网络接口16与一个或者多个网络通信。该网络接口16可以是有线网络接口或无线网络接口，也可以是虚拟网络接口。

云计算设备12也可以通过输入/输出(I/O)接口18与一个或多个外部设备(例如音频输入设备、音频输出设备、摄像头、键盘、鼠标、显示器、各类传感器等)通信。

总线22可以包括地址总线、数据总线、控制总线等。总线22提供了各组件之间交换信息的通路。

需要说明的是，在具体实施过程中，云计算设备30还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC)、网络存储设备、云存储设备，或适合于存储指令和/或数据的任何类型的媒介或设备。

本申请实施例还提供一种计算机程序产品，该计算机程序产品包括存储计算机程序的非瞬时性计算机可读存储介质，该计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种方法的部分或全部步骤。

本领域的技术人员可以清楚地了解到本申请的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列、集成电路等。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

以上对本申请实施例进行了详细描述和解释。应清楚地理解，本申请描述了如何形成和使用特定示例，但本申请不限于这些示例的任何细节。相反，基于本申请公开的内容的教导，这些原理能够应用于许多其它实施例。

通过对示例实施例的描述，本领域技术人员易于理解，根据本申请实施例的技术方案至少具有以下优点中的一个或多个。

根据示例实施例，通过可动态扩充的统一事件类型体系构建，可以有效支持动态的事件分类，从而可以实现跨城市/地区的经验积累，对新城市/地区的冷启动有重要帮助。

根据示例实施例，利用事件类型体系加事件关键词的方式，将事件内容和部门权责用统一的表征方式，实现了映射关系的自动学习和调整，实现了自适应的事件分类和端到端的事件分派模型。

根据示例实施例，匹配模型没有限定类型，而是计算事件和类型的分层次多粒度的表征之后的相似度。因此，可以支持动态扩展事件类型、部门权责范围的调整等功能。

根据示例实施例，抛弃了传统固定分类数量加映射关系的方式，利用统一事件类型体系来表征事件内容和部门权责，实现了自适应的事件分类和端到端的事件分派模型。

根据示例实施例，通过事件内容、关键词、事件属性，以及部门的权责事件类型路径，权责属性等特征，构建多粒度多层次的事件内容和类型、部门的匹配算法，支持事件类型的动态扩充，以及细粒度(时间空间)的部门权责调整。

通过以下条款可以更好地理解本申请的技术方案：

条款1、一种用于事件分类的方法，其特征在于，包括：

获取事件的特征，所述事件的特征包括事件内容；

获取预定义事件类型的特征，所述预定义事件类型的特征包括所述预定义事件类型的分类路径；

将所述事件的特征和所述预定义事件类型的特征输入到训练好的神经网络匹配模型，获取至少一个输出的匹配结果。

条款2、如条款1所述的方法，其特征在于，

所述预定义事件类型的特征还包括与所述预定义事件类型关联的辅助标签，所述辅助标签包括表征所述预定义事件类型的关键词。

条款3、如条款1所述的方法，其特征在于，所述事件的特征还包括由所述事件内容提取的关键词。

条款4、如条款1所述的方法，其特征在于，还包括：预先构建统一事件类型体系，所述预定义事件类型来自所述统一事件类型体系。

条款5、如条款1所述的方法，其特征在于，所述神经网络匹配模型包括依序耦合的编码层、特征交叉层和输出层。

条款6、一种用于事件分派的方法，其特征在于，包括：

获取事件的特征，所述事件的特征包括事件内容；

获取部门的特征，所述部门的特征包括所述部门关联的预定义事件类型的分类路径；

将所述事件的特征、以及所述部门的特征输入到训练好的神经网络匹配模型，获取至少一个输出的匹配结果。

条款7、如条款6所述的方法，其特征在于，

所述事件的特征还包括所述事件的事件属性、由所述事件内容提取的关键词；

所述部门的特征还包括对应于所述部门关联的预定义事件类型的辅助标签、以及所述部门的权责属性，所述辅助标签包括表征所述部门关联的所述预定义事件类型的关键词。

条款8、如条款7所述的方法，其特征在于，还包括：

预先构建统一事件类型体系；

预先根据所述统一事件类型体系为所述部门关联预定义事件类型。

条款9、如条款6所述的方法，其特征在于，所述神经网络匹配模型包括依序耦合的编码层、特征交叉层和输出层。

条款10、一种构建统一事件类型体系的方法，其特征在于，包括：

解析至少一个已有事件分类体系，构建从根节点到叶子节点的分类路径，每个分类路径的末端为叶子节点类型；

统计每个叶子节点类型的分类路径，选择一条作为优选路径；

将所有优选路径拆分为子节点-父节点的映射关系，并聚合相同的映射关系；

从每个叶子节点出发，根据所述映射关系递归回溯父节点，得到所有的新建路径；

利用所述新建路径构建树，得到所述事件类型体系。

条款11、如条款10所述的方法，其特征在于，还包括：

向所述事件类型体系的叶子节点填加关联的辅助标签，所述辅助标签包括表征所述事件类型的关键词。

条款12、一种为部门关联事件类型的方法，其特征在于，包括：

获取统一事件类型体系；

根据部门与已有事件分类体系的映射关系，得到所述部门与所述统一事件类型体系的映射关系；

根据所述部门与所述统一事件类型体系的映射关系，得到所述部门对应的所有叶子节点，作为所述部门关联的事件类型，所述事件类型的特征同时作为所述部门的特征。

条款13、如条款12所述的方法，其特征在于，还包括：

向所述部门的特征中增加权责属性。

条款14、一种计算设备，其特征在于，包括：

处理器；

存储器，所述存储器上存储有计算机程序；

当所述处理器执行所述计算机程序时实现如条款1-3中任一项所述的方法。

以上具体地示出和描述了本申请的示例性实施例。应可理解的是，本申请不限于这里描述的详细结构、设置方式或实现方法；相反，本申请意图涵盖包含在所附条款的精神和范围内的各种修改和等效设置。