技术领域
[0001] 本
发明属于知识库系统开发技术，尤其涉及政务大厅智能运营、
电子政务系统等领域。
背景技术
[0002] 在电子政务领域，IDC（互联网数据公司）曾给出一组数据，评估到2020年，全球的数据总量将达到40000EB（平均每个人拥有5200GB的数据），全球的数据增速为50%，相当于每两年会翻一番。中国的数据约占全球的20%，有近80%的数据掌握在政府手中，政府对于数据的存储、整合、应用、运营、分析非常重要。
[0003] 在政务大厅运营管理过程中，不少地方部
门利用互联网技术建设了多个办事平台。在政务服务执行过程中，因缺乏统一合理的规划和有效的数据共享机制，部门间政务数据无法高效互通，导致了数据的重复采集、一致性差、开发利用程度低，影响了面向公众和企业的政务服务
水平和效率。在群众办事的过程中，存在群众需重复对办事数据进行提交的现象，影响群众办事体验。全国72.1%的政务大厅建立了综合审批管理平台，其中超过70%的平台未能与部门办事系统实现数据共享，仅595个平台与部分职能部门的业务系统实现了数据对接。不少政务大厅在办理业务时，面临“多套系统、多个流程、反复登录、重复录入”问题，严重制约了审批效能的提升。由此在电子政务领域搭建知识库系统使非常有必要的，即可作为政务大厅的数据进行统一的存储、整合、应用、运营、分析，也可作为各部门信息系统的中间介质，提供统一的对外
接口，获取相关的政务数据，实现数据共享，对政务大厅运营或政务大厅执行政务服务提供强有
力的数据
支撑。
[0004] 因此，如何提供一种应用于政务大厅运营的知识库系统是本领域技术人员亟需解决的问题。
发明内容
[0005] 有鉴于此，本发明提供了一种应用于政务大厅运营的知识库系统。当下应用于政务领域的知识库系统，大多数作为政务类知识
数据库，通过人工录入、接口对接等方式采集政府部门的各种数据，作为政府内部人员使用的知识库，提供搜索、编辑、新增、导出、导入功能。为了扩大知识库系统在政务的应用领域，挖掘隐性知识，结合
大数据技术和
云AI技术，将政务类知识数据库向带有业务应用系统的知识库系统转变。
[0006] 为了实现上述目的，本发明提供如下技术方案：一种应用于政务大厅运营的知识库系统，包括：数据层、知识处理层、知识应用层；
所述数据层是各类知识库，包括事项库、语料库、大厅运营库、历史统计数据、其他数据库；
所述各类知识库用于存储各类数据、信息、知识，支撑服务运行；
所述知识处理层包括云AI平台
深度学习处理模
块和大数据分布式协同处理模块；
所述云AI平台深度学习处理模块使用MXNet作为
机器学习框架，以获得高度可扩展、灵活且快速的模型训练体验，让智能AI设备对读取的图像、语言、知识进行深度分析；
所述大数据分布式协同处理模块用于对信息、知识的采集、挖掘、清洗、计算和发现，并提供数据统计分析、决策分析、多维度数据
可视化；
所述知识应用层是用于用户获取知识、信息、数据、服务。
[0007] 优选的，在一种应用于政务大厅运营的知识库系统中，所述其他数据库用于知识库扩展功能，为后续建库提供
基础。
[0008] 优选的，在一种应用于政务大厅运营的知识库系统中，所述云AI平台深度学习处理模块包括
图像识别、自动
语音识别、自动语言处理、知识分析；所述图像识别使用稀疏编码、字典学习、深度学习的理论和技术对图像和视频的增强和识别；所述自动语言识别、自动语言识别和知识分析，采用
深度神经网络技术和大规模语音数据构造高准确率语音识别系统实现对语言、知识的识别和分析。
[0009] 优选的，在一种应用于政务大厅运营的知识库系统中，所述大数据分布式协同处理模块包括大数据存储管理、大数据协同处理、大数据计算认知和知识发现；所述大数据存储管理采用分布式方案，用Hadoop实现半结构化、非结构化
数据处理，对数据高
质量存储；所述大数据协同处理通过Hadoop、MapReduce分布式技术对高效的分布式异构数据进行协同处理；所述大数据计算认知和知识发现通过高效的在线分类、在线聚类、在线趋势分析
算法，对数据稀疏和存在噪音条件下的知识进行发现。
[0010] 优选的，在一种应用于政务大厅运营的知识库系统中，所述知识应用层包括门户和应用服务；所述门户是用户获取服务、知识的渠道；所述渠道包括网页端、手机端、微信端、智能
机器人、
虚拟机器人；所属应用服务是用户与所述门户进行交互，获取的服务、知识、信息。
[0011] 经由上述的技术方案可知，与
现有技术相比，本发明公开提供了一种应用于政务大厅运营的知识库系统，结合大数据分布式协同处理技术和云AI深度学习技术，让原本应用于政务领域的知识库系统从原来政务类知识数据库向带有业务应用系统的知识库系统转变，结合大数据分布式协同处理技术，解决政府数据存在多源化、异构化、碎片化及价值
密度低等问题，结合云AI深度学习技术，提升政府海量数据的
人工智能计算能力，为政务大厅提供更高层次的数据分析结果和更有针对性的问题解决方案，实现大厅服务智能化、大厅管理精准化、大厅监测实时化、大厅运营数字化，不断提高大厅服务水平和管理水平。
附图说明
[0012] 为了更清楚地说明本发明
实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
具体实施方式
[0014] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0015] 本发明实施例公开了一种应用于政务大厅运营的知识库系统，结合大数据分布式协同处理技术和云AI深度学习技术，让原本应用于政务领域的知识库系统从原来政务类知识数据库向带有业务应用系统的知识库系统转变，结合大数据分布式协同处理技术，解决政府数据存在多源化、异构化、碎片化及价值密度低等问题，结合云AI深度学习技术，提升政府海量数据的人工智能计算能力，为政务大厅提供更高层次的数据分析结果和更有针对性的问题解决方案，实现大厅服务智能化、大厅管理精准化、大厅监测实时化、大厅运营数字化，不断提高大厅服务水平和管理水平。
[0016] 如图1所示，一种应用于政务大厅运营的知识库系统，包括：数据层、知识处理层、知识应用层；所述数据层是各类知识库，包括事项库、语料库、大厅运营库、历史统计数据、其他数据库；
所述各类知识库用于存储各类数据、信息、知识，支撑服务运行；
所述知识处理层包括云AI平台深度学习处理模块和大数据分布式协同处理模块；
所述云AI平台深度学习处理模块使用MXNet作为机器学习框架，以获得高度可扩展、灵活且快速的模型训练体验，让智能AI设备对读取的图像、语言、知识进行深度分析；
所述大数据分布式协同处理模块用于对信息、知识的采集、挖掘、清洗、计算和发现，并提供数据统计分析、决策分析、多维度
数据可视化；
所述知识应用层是用于用户获取知识、信息、数据、服务。
[0017] 为了进一步优化上述技术方案，所述数据层，是由不同属性的数据库构建的知识库，通过对数据类型分析建立各种不同属性的库，包括应用于政务大厅运营的事项库、语料库、大厅运营库、历史统计数据库；所述的知识库还提供数据库扩展服务，为后续建数据库提供建设入口。
[0018] 为了进一步优化优化上述技术方案，所述云AI平台深度学习处理模块包括图像识别、自动语音识别、自动语言处理、知识分析；所述图像识别使用稀疏编码、字典学习、深度学习的理论和技术对图像和视频的增强和识别；所述自动语言识别、自动语言识别和知识分析，采用深度神经网络技术和大规模语音数据构造高准确率语音识别系统实现对语言、知识的识别和分析。
[0019] 进一步， 云AI深度学习处理模块，使用MXNet作为机器学习框架，以获得高度可扩展、灵活且快速的模型训练体验，让智能AI设备对读取的图像、语言、知识进行深度分析，结合知识库信息，展现高精准的人工智能服务。
[0020] 图像识别通过摄像设备获取获取用户人脸、指纹和
声波的
生物特征信息，应用稀疏编码、字典学习、深度学习的理论和技术实现对图像和视频的增强和识别，包括图像/视频去噪、图像/视频
去模糊、图像/视频高
分辨率增强。
[0021] 自动语言识别，采用深度神经网络技术和大规模语音数据构造高准确率语音识别系统实现对语言的识别和分析，包括特征提取模块、
声学模型、语言模型、
解码器。
[0022] 进一步，特征提取模块对采集到的语言进行特征提取，通过声学模型和语言模型对提取的语言模型进行建模，最终通过对已建好的模型进行解码、匹配，得到最大概率的对应文本。
[0023]
自然语言处理，采用词汇级和语句级的语义分析，以基础NLP能力为支撑，准确理解用户表达的真实需求，为用户提供准确的回复。
[0024] 知识分析是建立、模拟人脑进行
分析学习的神经网络，模仿人脑的机制来解释数据，例如对图像，声音和文本的分析，进而为前端提供精准的解决方案。
[0025] 为了进一步优化上述技术方案，所述大数据分布式协同处理模块包括大数据存储管理、大数据协同处理、大数据计算认知和知识发现；所述大数据存储管理采用分布式方案，用Hadoop实现半结构化、非结构化数据处理，对数据高质量存储；所述大数据协同处理通过Hadoop、MapReduce分布式技术对高效的分布式异构数据进行协同处理；所述大数据计算认知和知识发现通过高效的在线分类、在线聚类、在线趋势分析算法，对数据稀疏和存在噪音条件下的知识进行发现。
[0026] 进一步，大数据存储管理通过Hadoop + MPP + 内存数据库的混合架构，采用分布式方案，用Hadoop实现半结构化、非结构化数据处理。用MPP处理高质量的结构化数据，同时为应用提供丰富的SQL和事务支持能力，最终实现数据高质量存储。
[0027] 进一步，大数据协同处理通过Hadoop、MapReduce分布式技术对大数据存储管理过程中已存储的、高效的分布式异构数据进行协同清洗，获取高质量清洗数据，再通过分布式人工智能理论和SOA技术，对清洗的数据进行集成，获得高质量的数据。
[0028] 进一步，大数据计算认知和知识发现通过高效的在线分类、在线聚类、在线趋势分析算法，提高数据稀疏和存在噪音条件下的知识发现能力，运用所述云AI深度学习处理模块，对来自不同数据源的知识进行分析、计算，从多
角度整合
认知计算模型，对认知计算模型的所获得知识进行解释，赋予语义信息。
[0029] 为了进一步优化上述技术方案，所述知识应用层包括门户和应用服务；所述门户是用户获取服务、知识的渠道；所述渠道包括网页端、手机端、微信端、智能机器人、虚拟机器人；所属应用服务是用户与所述门户进行交互，获取的服务、知识、信息。
[0030] 进一步，所述应用服务中的知识获取，知识库系统利用自身知识库中数据与数据之间的关联、知识与知识之间的关联，通过所诉大数据认知计算和知识发现技术，除提供常规运营管理的显性知识，还提供精准的隐形知识，如比对分析多个运营实施方案和实施成效，提供精准、有针对性的运营实施解决方案，而不是停留在信息理论层面，更多是通过模仿人脑的机制来解释知识、展现知识。
[0031] 为了进一步优化上述技术方案，还包括对外标准、统一的数据接口和数据共享机制，标准化接口主要基于SOA的架构思想，将对外的接口进行统一封装，形成标准化的接口，减少因接口复杂性而导致对接失败。数据共享机制通过采用层次化、面向开放共享的技术架构，将应用与数据解耦，形成稳定、开放的数据共享机制，为知识库系统与其他信息系统之间数据共享提供良好的
桥梁。
[0032] 本
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0033] 对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种
修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
