本發(fā)明涉及績效評(píng)估技術(shù)領(lǐng)域，更具體地說，涉及一種電子政務(wù)系統(tǒng)的績效評(píng)估方法及系統(tǒng)。

背景技術(shù)：

目前，傳統(tǒng)的電子政務(wù)系統(tǒng)績效考核方法一方面基于對(duì)電子政務(wù)系統(tǒng)性能與效率的分析，另一方面基于結(jié)構(gòu)化數(shù)據(jù)的簡單加權(quán)統(tǒng)計(jì)和通用模型計(jì)算。然而，與傳統(tǒng)的高度結(jié)構(gòu)化、精確化的辦公過程相比，非結(jié)構(gòu)化的自然語言在政務(wù)活動(dòng)交辦、流轉(zhuǎn)等過程中扮演著越來越重要的作用。這在大大降低系統(tǒng)使用門檻，提高電子政務(wù)系統(tǒng)的實(shí)用性的同時(shí)，又為政務(wù)效率的量化考核提出了更大挑戰(zhàn)。

因此，如何實(shí)現(xiàn)電子政務(wù)系統(tǒng)中高效、自動(dòng)化的績效評(píng)估，是本領(lǐng)域技術(shù)人員需要解決的問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種電子政務(wù)系統(tǒng)的績效評(píng)估方法及系統(tǒng)，以實(shí)現(xiàn)電子政務(wù)系統(tǒng)中高效、自動(dòng)化的績效評(píng)估。

為實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例提供了如下技術(shù)方案：

一種電子政務(wù)系統(tǒng)的績效評(píng)估方法，包括：

提取非結(jié)構(gòu)化文本中的關(guān)鍵信息；利用所述關(guān)鍵信息確定與所述非結(jié)構(gòu)化文本對(duì)應(yīng)的文本角色；根據(jù)所述文本角色對(duì)應(yīng)的工作類型確定第一績效信息；

利用基于Hash值的改進(jìn)編輯距離算法確定同一文檔的修改信息；根據(jù)所述修改信息的類型確定第二績效信息；根據(jù)第一績效信息、第二績效信息及預(yù)設(shè)績效權(quán)重信息，確定綜合績效信息。

其中，所述提取非結(jié)構(gòu)化文本中的關(guān)鍵信息包括：

確定所述非結(jié)構(gòu)化文本中的目標(biāo)短語信息；

利用頻繁項(xiàng)集算法及所述目標(biāo)短語信息，從所述非結(jié)構(gòu)化文本中提取關(guān)聯(lián)短語信息；

利用內(nèi)部和外部特征的規(guī)則匹配算法，從所述非結(jié)構(gòu)化文本中提取命名實(shí)體關(guān)鍵信息。

其中，利用所述關(guān)鍵信息確定與所述非結(jié)構(gòu)化文本對(duì)應(yīng)的文本角色，包括：

計(jì)算所述關(guān)鍵信息與每個(gè)文本角色的相似度，將相似度最高的文本角色作為所述非結(jié)構(gòu)化文本的文本角色。

其中，利用所述關(guān)鍵信息確定與所述非結(jié)構(gòu)化文本對(duì)應(yīng)的文本角色，包括：

利用SVM文本分類算法，及所述非結(jié)構(gòu)化文本和所述關(guān)鍵信息，確定與所述非結(jié)構(gòu)化文本對(duì)應(yīng)的文本角色。

其中，所述利用基于Hash值的改進(jìn)編輯距離算法確定同一文檔的修改信息，根據(jù)所述修改信息的類型確定第二績效信息包括：

計(jì)算同一文檔的原文檔Hash表和修改后文檔Hash表；

通過對(duì)比所述原文檔Hash表和修改后文檔Hash表，確定兩個(gè)文檔的不同部分；

利用編輯距離算法確定所述兩個(gè)文檔的不同部分的修改信息；所述修改信息的類型包括：文檔添加信息、文檔修改信息和文檔刪除信息；

根據(jù)不同類型修改信息的權(quán)重，確定第二績效信息。

一種電子政務(wù)系統(tǒng)的績效評(píng)估系統(tǒng)，包括：

非結(jié)構(gòu)化文本分析模塊，用于提取非結(jié)構(gòu)化文本中的關(guān)鍵信息，利用所述關(guān)鍵信息確定與所述非結(jié)構(gòu)化文本對(duì)應(yīng)的文本角色，根據(jù)所述文本角色對(duì)應(yīng)的工作類型確定第一績效信息；

文檔編輯統(tǒng)計(jì)模塊，用于利用基于Hash值的改進(jìn)編輯距離算法確定同一文檔的修改信息，根據(jù)所述修改信息的類型確定第二績效信息；

績效統(tǒng)計(jì)模塊，用于根據(jù)第一績效信息、第二績效信息及預(yù)設(shè)績效權(quán)重信息，確定綜合績效信息。

其中，所述非結(jié)構(gòu)化文本分析模塊包括：

目標(biāo)短語確定單元，用于確定所述非結(jié)構(gòu)化文本中的目標(biāo)短語信息；

關(guān)聯(lián)短語提取單元，用于利用頻繁項(xiàng)集算法及所述目標(biāo)短語信息，從所述非結(jié)構(gòu)化文本中提取關(guān)聯(lián)短語信息；

命名實(shí)體提取單元，用于利用內(nèi)部和外部特征的規(guī)則匹配算法，從所述非結(jié)構(gòu)化文本中提取命名實(shí)體關(guān)鍵信息。

其中，所述非結(jié)構(gòu)化文本分析模塊包括：

第一文本角色確定單元，用于計(jì)算所述關(guān)鍵信息與每個(gè)文本角色的相似度，將相似度最高的文本角色作為所述非結(jié)構(gòu)化文本的文本角色。

其中，所述非結(jié)構(gòu)化文本分析模塊包括：

第二本角色確定單元，用于利用SVM文本分類算法，及所述非結(jié)構(gòu)化文本、所述關(guān)鍵信息，確定與所述非結(jié)構(gòu)化文本對(duì)應(yīng)的文本角色。

其中，所述文檔編輯統(tǒng)計(jì)模塊，包括：

文檔Hash表計(jì)算單元，用于計(jì)算同一文檔的原文檔Hash表和修改后文檔Hash表；

對(duì)比單元，用于通過對(duì)比所述原文檔Hash表和修改后文檔Hash表，確定兩個(gè)文檔的不同部分；

修改信息確定單元，用于利用編輯距離算法確定所述兩個(gè)文檔的不同部分的修改信息；所述修改信息的類型包括：文檔添加信息、文檔修改信息和文檔刪除信息；

第二績效確定單元，用于根據(jù)不同類型修改信息的權(quán)重，確定第二績效信息。

通過以上方案可知，本發(fā)明實(shí)施例提供的一種電子政務(wù)系統(tǒng)的績效評(píng)估方法，包括：提取非結(jié)構(gòu)化文本中的關(guān)鍵信息；利用所述關(guān)鍵信息確定與所述非結(jié)構(gòu)化文本對(duì)應(yīng)的文本角色；根據(jù)所述文本角色對(duì)應(yīng)的工作類型確定第一績效信息；利用基于Hash值的改進(jìn)編輯距離算法算法確定同一文檔的修改信息；根據(jù)所述修改信息的類型確定第二績效信息；根據(jù)第一績效信息、第二績效信息及預(yù)設(shè)績效權(quán)重信息，確定綜合績效信息；

可見，在本方案中，可通過提取非結(jié)構(gòu)化文本中的關(guān)鍵信息，將非結(jié)構(gòu)化文本與文本角色相關(guān)聯(lián)，同時(shí)結(jié)合關(guān)鍵信息等特征利用機(jī)器學(xué)習(xí)中分類算法進(jìn)行文本角色二次提取，實(shí)現(xiàn)對(duì)政務(wù)績效的統(tǒng)計(jì)；并且通過基于Hash值的改進(jìn)編輯距離算法統(tǒng)計(jì)兩篇文檔的差異，能降低程序運(yùn)算時(shí)間復(fù)雜度，解決文檔篇幅較長時(shí)的時(shí)間瓶頸，從而為基于自然交互模式的電子政務(wù)系統(tǒng)上政務(wù)活動(dòng)效率量化考核體系的建立提供更加客觀科學(xué)的依據(jù)；本發(fā)明還公開一種電子政務(wù)系統(tǒng)的績效評(píng)估系統(tǒng)，同樣能實(shí)現(xiàn)上述技術(shù)效果。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例公開的一種電子政務(wù)系統(tǒng)的績效評(píng)估方法流程示意圖；

圖2為本發(fā)明實(shí)施例公開的基于Hash算法的改進(jìn)編輯距離計(jì)算方法流程示意圖；

圖3為本發(fā)明實(shí)施例公開的一種電子政務(wù)系統(tǒng)的績效評(píng)估系統(tǒng)結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明實(shí)施例公開了一種電子政務(wù)系統(tǒng)的績效評(píng)估方法及系統(tǒng)，以實(shí)現(xiàn)電子政務(wù)系統(tǒng)中高效、自動(dòng)化的績效評(píng)估。

參見圖1，本發(fā)明實(shí)施例提供的一種電子政務(wù)系統(tǒng)的績效評(píng)估方法，包括：

S101、提取非結(jié)構(gòu)化文本中的關(guān)鍵信息；利用所述關(guān)鍵信息確定與所述非結(jié)構(gòu)化文本對(duì)應(yīng)的文本角色；根據(jù)所述文本角色對(duì)應(yīng)的工作類型確定第一績效信息；

其中，所述提取非結(jié)構(gòu)化文本中的關(guān)鍵信息包括：

確定所述非結(jié)構(gòu)化文本中的目標(biāo)短語信息；

利用頻繁項(xiàng)集算法及所述目標(biāo)短語信息，從所述非結(jié)構(gòu)化文本中提取關(guān)聯(lián)短語信息；

利用內(nèi)部和外部特征的規(guī)則匹配算法，從所述非結(jié)構(gòu)化文本中提取命名實(shí)體關(guān)鍵信息。

具體的，在本實(shí)施例中的電子政務(wù)系統(tǒng)中所涉及的非結(jié)構(gòu)化自然語言形式如下：“關(guān)于XX指示的情況表已填報(bào)完畢，同時(shí)進(jìn)行審核，請(qǐng)XX核對(duì)并及時(shí)反饋”。

在本實(shí)施例中，需要提取非結(jié)構(gòu)化自然語言中的關(guān)鍵信息，以進(jìn)行對(duì)應(yīng)的績效角色識(shí)別。關(guān)鍵信息包括關(guān)鍵短語信息和實(shí)體關(guān)鍵信息，其中，關(guān)鍵短語信息包括如上述非結(jié)構(gòu)化文本中的“填報(bào)”等短語，關(guān)鍵短語信息包括目標(biāo)短語信息和關(guān)聯(lián)短語信息；目標(biāo)短語信息是通過不同文本角色的關(guān)鍵短語詞典所匹配出的，通過頻繁項(xiàng)集算法及該目標(biāo)短語信息，可從非結(jié)構(gòu)化文本中挖掘關(guān)聯(lián)短語信息；

實(shí)體關(guān)鍵信息為：人名、部門名稱、地名等相關(guān)實(shí)體信息，進(jìn)行命名實(shí)體識(shí)別可有效實(shí)現(xiàn)政務(wù)人員與工作績效的對(duì)應(yīng)，本發(fā)明中采用基于內(nèi)部和外部特征的規(guī)則匹配算法進(jìn)行命名實(shí)體的構(gòu)建與統(tǒng)計(jì)。

具體的，不同文本角色對(duì)應(yīng)不同的工作類型，從而不同的工作類型與不同的工作量相對(duì)應(yīng)，因此可根據(jù)文本角色的工作類型確定第一績效信息。

S102、利用基于Hash值的改進(jìn)編輯距離算法確定同一文檔的修改信息；根據(jù)所述修改信息的類型確定第二績效信息；

其中，所述利用基于Hash值的改進(jìn)編輯距離算法確定同一文檔的修改信息，根據(jù)所述修改信息的類型確定第二績效信息包括：

計(jì)算同一文檔的原文檔Hash表和修改后文檔Hash表；

對(duì)比所述原文檔Hash表和修改后文檔Hash表，通過對(duì)比所述原文檔Hash表和修改后文檔Hash表，確定兩個(gè)文檔的不同部分；

利用編輯距離算法確定所述兩個(gè)文檔的不同部分的修改信息；所述修改信息的類型包括：文檔添加信息、文檔修改信息和文檔刪除信息；根據(jù)不同類型修改信息的權(quán)重，確定第二績效信息。

具體的，在電子政務(wù)系統(tǒng)的文檔流轉(zhuǎn)中，通過統(tǒng)計(jì)文檔差異來定量評(píng)估政務(wù)人員績效。傳統(tǒng)的編輯距離算法可實(shí)現(xiàn)不同文檔的字符差異統(tǒng)計(jì)，該算法時(shí)間復(fù)雜度O(n2)，對(duì)于文檔篇幅較大的情況，傳統(tǒng)算法運(yùn)行效率大大降低。本實(shí)施例中提出一種改進(jìn)的基于hash的編輯距離計(jì)算方法，原文檔和目標(biāo)文檔生成兩張Hash表，對(duì)比兩張hash表，提取對(duì)應(yīng)位置上hash值不同的字符串用于動(dòng)態(tài)規(guī)劃計(jì)算，從而避免冗余計(jì)算，降低程序運(yùn)算時(shí)間復(fù)雜度，解決文檔篇幅較長時(shí)的時(shí)間瓶頸。具體實(shí)現(xiàn)過程參見圖2，基于hash值的改進(jìn)編輯距離算法在文檔篇幅1000字符的情況下，較傳統(tǒng)算法運(yùn)行時(shí)間效率提高58.86％。

具體的，通過基于Hash值的改進(jìn)編輯距離算法確定的修改信息的類型包括：添加、修改和刪除，每種修改類型對(duì)應(yīng)的工作量不同，因此在本實(shí)施例中，通過基于Hash值的改進(jìn)編輯距離算法確定出每種類型修改信息后，根據(jù)每種類型修改信息的權(quán)重確定最終的第二績效信息；需要說明的是，修改信息包括：修改的類型、修改的內(nèi)容、修改內(nèi)容的字?jǐn)?shù)等信息。

S103、根據(jù)第一績效信息、第二績效信息及預(yù)設(shè)績效權(quán)重信息，確定綜合績效信息。

具體的，在本實(shí)施例中通過非結(jié)構(gòu)化文本分析模塊確定第一績效信息，通過文檔編輯統(tǒng)計(jì)模塊確定第二績效信息，在確定最終的績效信息時(shí)，可根據(jù)每種方式所確定的績效信息的權(quán)重，確定最終的綜合績效信息。

基于上述技術(shù)方案，在本實(shí)施例中公開了兩種確定與非結(jié)構(gòu)化文本對(duì)應(yīng)的文本角色的方式：

方式一：計(jì)算所述關(guān)鍵信息與每個(gè)文本角色的相似度，將相似度最高的文本角色作為所述非結(jié)構(gòu)化文本的文本角色。

具體的，利用相似度計(jì)算關(guān)鍵信息中的短語與不同文本角色的相似度，將相似度高的文本角色與非結(jié)構(gòu)化文本相對(duì)應(yīng)，在相似度計(jì)算中文本以短語向量的形式進(jìn)行標(biāo)識(shí)，并利用歐幾里得距離計(jì)算短語向量與不同文本角色的相似度。

方式二：利用SVM文本分類算法，及所述非結(jié)構(gòu)化文本、所述關(guān)鍵信息，確定與所述非結(jié)構(gòu)化文本對(duì)應(yīng)的文本角色。

具體的，電子政務(wù)系統(tǒng)中數(shù)據(jù)多以非結(jié)構(gòu)化自然語言方式流轉(zhuǎn)，這些非結(jié)構(gòu)化自然語言直接反映政務(wù)人員績效水平，在本實(shí)施例中可結(jié)合關(guān)鍵短語、命名實(shí)體等作為特征，利用機(jī)器學(xué)習(xí)中基于支持向量機(jī)(SVM)、樸素貝葉斯、K近鄰等文本分類算法進(jìn)行角色類識(shí)別，同時(shí)通過調(diào)參、加入規(guī)則特征等方法來提高文本分類識(shí)別效率。

具體的，采用機(jī)器學(xué)習(xí)中的分類算法的文本角色確定過程主要包括如下三個(gè)步驟：文本預(yù)處理，特征選擇，分類器選擇。

其中，文本預(yù)處理：將非結(jié)構(gòu)化文本進(jìn)行向量化處理；

特征選擇：進(jìn)行特征的選取，包括上述實(shí)施例中的關(guān)鍵信息，還包括通過信息增益方法和互信息方法從非結(jié)構(gòu)化文本中提取的特征信息；需要說明的是，在特征維數(shù)的選擇上，設(shè)置不同的特征維數(shù)進(jìn)行實(shí)驗(yàn)對(duì)比，最后綜合各實(shí)驗(yàn)效果選擇分類效果最優(yōu)的特征提取方法和特征維數(shù)；

分類器選擇：選擇合適的分類器，在本實(shí)施例中選擇SVM分類器，該SVM分類器是通過對(duì)K-近鄰分類算法、樸素貝葉斯分類算法、SVM分類算法幾種不同算法對(duì)比實(shí)驗(yàn)所選擇的最優(yōu)的分類器，最后通過加入規(guī)則特征提高文本分類效果。

本發(fā)明的顯著特征是通過綜合分析電子政務(wù)系統(tǒng)中的業(yè)務(wù)辦公及數(shù)據(jù)流轉(zhuǎn)，借助自然語言處理、機(jī)器學(xué)習(xí)等技術(shù)來對(duì)政務(wù)活動(dòng)中的非結(jié)構(gòu)化文本數(shù)據(jù)進(jìn)行深入挖掘分析，實(shí)現(xiàn)電子政務(wù)系統(tǒng)中績效的高效、自動(dòng)化評(píng)估。

可見，在本方案中，可通過提取非結(jié)構(gòu)化文本中的關(guān)鍵信息，將非結(jié)構(gòu)化文本與文本角色相關(guān)聯(lián)，利用機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)對(duì)政務(wù)績效的統(tǒng)計(jì)；并且通過基于Hash值的改進(jìn)編輯距離算法統(tǒng)計(jì)兩篇文檔的差異，能降低程序運(yùn)算時(shí)間復(fù)雜度，解決文檔篇幅較長時(shí)的時(shí)間瓶頸，從而為基于自然交互模式的電子政務(wù)系統(tǒng)上政務(wù)活動(dòng)效率量化考核體系的建立提供更加客觀科學(xué)的依據(jù)。

下面對(duì)本發(fā)明實(shí)施例提供的績效評(píng)估系統(tǒng)進(jìn)行介紹，下文描述的績效評(píng)估系統(tǒng)與上文描述的績效評(píng)估方法可以相互參照。

參見圖3，本發(fā)明實(shí)施例提供的一種電子政務(wù)系統(tǒng)的績效評(píng)估系統(tǒng)，包括：

非結(jié)構(gòu)化文本分析模塊100，用于提取非結(jié)構(gòu)化文本中的關(guān)鍵信息，利用所述關(guān)鍵信息確定與所述非結(jié)構(gòu)化文本對(duì)應(yīng)的文本角色，根據(jù)所述文本角色對(duì)應(yīng)的工作類型確定第一績效信息；

文檔編輯統(tǒng)計(jì)模塊200，用于利用基于Hash值的改進(jìn)編輯距離算法確定同一文檔的修改信息，根據(jù)所述修改信息的類型確定第二績效信息；

績效統(tǒng)計(jì)模塊300，用于根據(jù)第一績效信息、第二績效信息及預(yù)設(shè)績效權(quán)重信息，確定綜合績效信息。

基于上述實(shí)施例，在本實(shí)施例中，所述非結(jié)構(gòu)化文本分析模塊包括：

目標(biāo)短語確定單元，用于確定所述非結(jié)構(gòu)化文本中的目標(biāo)短語信息；

關(guān)聯(lián)短語提取單元，用于利用頻繁項(xiàng)集算法及所述目標(biāo)短語信息，從所述非結(jié)構(gòu)化文本中提取關(guān)聯(lián)短語信息；

命名實(shí)體提取單元，用于利用內(nèi)部和外部特征的規(guī)則匹配算法，從所述非結(jié)構(gòu)化文本中提取命名實(shí)體關(guān)鍵信息。

基于上述實(shí)施例，在本實(shí)施例中，所述非結(jié)構(gòu)化文本分析模塊包括：

第一文本角色確定單元，用于計(jì)算所述關(guān)鍵信息與每個(gè)文本角色的相似度，將相似度最高的文本角色作為所述非結(jié)構(gòu)化文本的文本角色。

基于上述實(shí)施例，在本實(shí)施例中，所述非結(jié)構(gòu)化文本分析模塊包括：

第二本角色確定單元，用于利用SVM文本分類算法，及所述非結(jié)構(gòu)化文本、所述關(guān)鍵信息，確定與所述非結(jié)構(gòu)化文本對(duì)應(yīng)的文本角色。

基于上述實(shí)施例，在本實(shí)施例中，所述文檔編輯統(tǒng)計(jì)模塊，包括：

文檔Hash表計(jì)算單元，用于計(jì)算同一文檔的原文檔Hash表和修改后文檔Hash表；

對(duì)比單元，用于通過對(duì)比所述原文檔Hash表和修改后文檔Hash表，確定兩個(gè)文檔的不同部分；

修改信息確定單元，用于利用編輯距離算法確定所述兩個(gè)文檔的不同部分的修改信息；所述修改信息的類型包括：文檔添加信息、文檔修改信息和文檔刪除信息；

第二績效確定單元，用于根據(jù)不同類型修改信息的權(quán)重，確定第二績效信息。

本說明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見即可。

對(duì)所公開的實(shí)施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開的原理和新穎特點(diǎn)相一致的最寬的范圍。