政务事项的处理方法和装置与流程

[0001]
本申请涉及计算机技术领域，具体而言，涉及一种政务事项的处理方法和装置。


背景技术：

[0002]
随着互联网技术的发展，企业需要办理的政务事项可以通过专门办理政务事项的应用在线上办理，相较于线下人工办理的方式，通过应用在线上办理的方式可以有效提高办事效率。
[0003]
为了方便企业办理政务事项，在相关技术中，办理政务事项的应用会对企业已办理过政务事项进行简单的数据分析，从而根据企业已办理过的政务事项预测企业对其它相似的政务事项进行办理的可能性。相关技术中提出的方法并未考虑到不同性质的企业对所办理的政务事项的需求差异，因此相关技术中提出的方法存在预测准确度较低的技术问题。


技术实现要素：

[0004]
本申请的实施例提供了一种政务事项的处理方法和装置，可以解决相关技术中预测企业需要办理的政务事项的准确度低的技术问题。
[0005]
本申请的其他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。
[0006]
根据本申请实施例的一个方面，提供了一种政务事项的处理方法，包括：获取企业的多个企业属性信息，以及所述企业对应的各类政务事项的事项名称信息；基于所述企业的多个企业属性信息，生成企业特征，以及基于各类政务事项的事项名称信息，生成政务事项特征；对所述政务事项特征和所述企业特征进行特征融合处理，生成融合后的特征向量；基于融合后的特征向量，预测所述企业的各类政务事项的办理频次。
[0007]
根据本申请实施例的一个方面，提供了一种政务事项的处理装置，包括：第一获取单元，用于获取企业的多个企业属性信息，以及所述企业对应的各类政务事项的事项名称信息；生成单元，用于基于所述企业的多个企业属性信息，生成企业特征，以及基于各类政务事项的事项名称信息，生成政务事项特征；融合单元，用于对所述政务事项特征和所述企业特征进行特征融合处理，生成融合后的特征向量；预测单元，用于基于融合后的特征向量，预测所述企业的各类政务事项的办理频次。
[0008]
在本申请的一些实施例中，基于前述方案，所述生成单元被配置为：第一提取子单元，用于分别提取所述企业的多个企业属性信息的特征，得到所述多个企业属性信息对应的特征；第一生成子单元，用于对所述多个企业属性信息对应的特征进行全连接处理，生成企业特征。
[0009]
在本申请的一些实施例中，基于前述方案，所述生成单元被配置为：第二提取子单元，用于对各类政务事项的事项名称信息分别进行特征提取，得到各类政务事项对应的事项名称特征：第二生成子单元，用于对各类政务事项对应的事项名称特征进行全连接处理，
生成政务事项特征。
[0010]
在本申请的一些实施例中，基于前述方案，所述政务事项的处理装置还包括：推荐单元，用于基于预测的各类政务事项的办理频次，确定向所述企业进行推荐的待办理政务事项。
[0011]
在本申请的一些实施例中，基于前述方案，所述执行单元被配置为：按照预测的各类政务事项的办理频次从高到低的顺序，对各类政务事项进行排序，生成政务事项排序列表；从政务事项排序列表中选择排名在前的预定数量的政务事项，作为向所述企业进行推荐的待办理政务事项。
[0012]
在本申请的一些实施例中，基于前述方案，所述执行单元被配置为：获取所述企业针对政务事项的历史办理记录；基于所述历史办理记录，确定所述企业未办理过的政务事项，作为备选政务事项；基于预测的各类政务事项的办理频次，确定针对所述备选政务事项预测的办理频次；基于针对所述备选政务事项预测的办理频次，确定向所述企业进行推荐的待办理政务事项。
[0013]
在本申请的一些实施例中，基于前述方案，所述政务事项的处理装置还包括：推荐单元，用于基于向所述企业进行推荐的待办理政务事项，向所述企业推荐包含待办理政务事项的推荐消息；更新单元，用于若在推荐所述推荐消息后的预设时间段内未检测到所述企业针对所述待办理政务事项的办理记录，则基于预测的各类政务事项的办理频次，更新向所述企业进行推荐的待办理政务事项。
[0014]
在本申请的一些实施例中，基于前述方案，通过预训练的机器学习模型来生成所述企业特征、所述政务事项特征、所述融合后的特征向量及预测所述企业的各类政务事项的办理频次。
[0015]
在本申请的一些实施例中，基于前述方案，所述政务事项的处理装置还包括：第二获取单元，用于获取用于对待训练的机器学习模型进行训练的训练集样本数据，所述训练集样本数据中的样本数据包括样本企业的多个企业属性信息、样本政务事项的事项名称信息和所述样本企业针对样本政务事项的办理频次；训练单元，用于通过所述训练集样本数据对待训练的机器学习模型进行训练，得到所述预训练的机器学习模型。
[0016]
根据本申请实施例的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述实施例中所述的政务事项的处理方法。
[0017]
根据本申请实施例的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的政务事项的处理方法。
[0018]
在本申请的一些实施例所提供的技术方案中，企业特征可以反映不同企业的特性信息，政务事项特征可以反映不同政务事项的特性信息，基于企业特征和政务事项特征生成融合后的特征向量，并基于融合后的特征向量预测企业的各类政务事项的办理频次，可以有效考虑到不同性质的企业对各类政务事项进行办理时的需求差异，进而向企业推荐与其业务关联度高的政务事项，提高了预测企业需要办理的政务事项的准确度，方便企业快速找到适合办理的政务事项。
[0019]
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和解释性的，并不能限制本申请。
附图说明
[0020]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。在附图中：
[0021]
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
[0022]
图2示出了根据本申请的一个实施例的政务事项的处理方法的流程图。
[0023]
图3示意性示出了基于企业的多个企业属性信息生成企业特征的流程图。
[0024]
图4示意性示出了基于各类政务事项的事项名称信息生成政务事项特征的流程图。
[0025]
图5示意性示出了对待训练的机器学习模型进行训练的流程图。
[0026]
图6示意性示出了基于预测的各类政务事项的办理频次确定向企业进行推荐的待办理政务事项的流程图。
[0027]
图7示意性示出了基于预测的各类政务事项的办理频次确定向企业进行推荐的待办理政务事项的流程图。
[0028]
图8示出了根据本申请的一个实施例的政务事项的处理方法的流程图。
[0029]
图9示出了根据本申请的一个实施例的政务事项的处理装置的框图。
[0030]
图10示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
[0031]
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
[0032]
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。
[0033]
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
[0034]
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。
[0035]
机器学习(ml，machine learning)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式
教学习等技术。
[0036]
本申请实施例提供的方案涉及机器学习等技术，企业特征可以反映不同企业的特性信息，政务事项特征可以反映不同政务事项的特性信息，基于企业特征和政务事项特征生成融合后的特征向量，并基于融合后的特征向量预测企业的各类政务事项的办理频次，可以有效考虑到不同性质的企业对各类政务事项进行办理时的需求差异，进而向企业推荐与其业务关联度高的政务事项，提高了预测企业需要办理的政务事项的准确度，方便企业快速找到适合办理的政务事项。
[0037]
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
[0038]
如图1所示，系统架构可以包括客户端101、网络102和服务器103。客户端101和服务器103之间通过网络102连接，并基于网络102进行数据交互，该网络可以包括各种连接类型，例如有线通信链路、无线通信链路等等。
[0039]
应该理解，图1中的客户端101、网络102和服务器103的数目仅仅是示意性的。根据实现需要，可以具有任意数目的客户端101、网络102和服务器103。
[0040]
服务器103获取企业的多个企业属性信息，以及获取该企业对应的各类政务事项的事项名称信息，其中，企业的多个企业属性信息可以是从客户端101获取；服务器103基于企业的多个企业属性信息，生成企业特征，以及基于各类政务事项的事项名称信息，生成政务事项特征；服务器103对政务事项特征和企业特征进行特征融合处理，生成融合后的特征向量，并基于融合后的特征向量，预测企业的各类政务事项的办理频次。
[0041]
以上可以看出，企业特征可以反映不同企业的特性信息，政务事项特征可以反映不同政务事项的特性信息，基于企业特征和政务事项特征生成融合后的特征向量，并基于融合后的特征向量预测企业的各类政务事项的办理频次，可以有效考虑到不同性质的企业对各类政务事项进行办理时的需求差异，进而向企业推荐与其业务关联度高的政务事项，提高了预测企业需要办理的政务事项的准确度，方便企业快速找到适合办理的政务事项。
[0042]
需要说明的是，本申请实施例所提供的政务事项的处理方法一般由服务器103执行，相应地，政务事项的处理装置一般设置于服务器103中。但是，在本申请的其它实施例中，客户端101也可以与服务器103具有相似的功能，从而执行本申请实施例所提供的政务事项的处理方法的方案。以下对本申请实施例的技术方案的实现细节进行详细阐述。
[0043]
图2示出了根据本申请的一个实施例的政务事项的处理方法的流程图，该政务事项的处理方法可以由服务器来执行，该服务器可以是图1中所示的服务器。参照图2所示，该政务事项的处理方法至少包括步骤s210至步骤s240，详细介绍如下。
[0044]
在步骤s210中，获取企业的多个企业属性信息，以及企业对应的各类政务事项的事项名称信息。
[0045]
在本申请的一个实施例中，企业属性信息是反映企业特性的一种属性信息，它可以包括企业种类、经营范围、行业类型、注册资金等，企业对应的各类政务事项的事项名称信息指的是企业可以办理的各种政务服务事项的具体名称，如营业执照办理、企业地址变更、办理商品房预售许可等。
[0046]
企业的企业属性信息为企业在进行注册时所需要提供的信息，该信息可以依据企业的企业标识从存储企业的各种属性信息的数据库中获取。
[0047]
企业对应的各类政务事项的事项名称信息可以采用人工作业的方式预先上传至
服务器的数据库中，服务器可以直接从数据库中获取各类政务事项的事项名称信息。
[0048]
在步骤s220中，基于企业的多个企业属性信息，生成企业特征，以及基于各类政务事项的事项名称信息，生成政务事项特征。
[0049]
在本申请的一个实施例中，企业特征作为根据企业的多个企业属性信息所生成的特征信息，企业特征可以反映该企业所具有的特性信息，它可以是一个特征向量。政务事项特征是根据各类政务事项的事项名称信息所生成的特征信息，政务事项特征可以反映企业可以进行办理的各类政务事项所具有的特性信息，它也可以是一个特征向量。
[0050]
在本申请的一个实施例中，如图3所示，示意性示出了基于企业的多个企业属性信息生成企业特征的流程图，具体包括如下步骤s310至步骤s320，详细介绍如下。
[0051]
在步骤s310中，分别提取企业的多个企业属性信息的特征，得到多个企业属性信息对应的特征。
[0052]
在本申请的一个实施例中，在基于企业的多个企业属性信息生成企业特征时，针对企业的每一个企业属性信息，可以分别提取该企业属性信息的特征，得到各个企业属性信息对应的特征。对企业的多个企业属性信息进行特征提取时，具体可以是将企业属性信息转换为数字矩阵，根据企业属性信息生成的数字矩阵即为该企业属性信息对应的特征。
[0053]
在步骤s320中，对多个企业属性信息对应的特征进行全连接处理，生成企业特征。
[0054]
在本申请的一个实施例中，在得到多个企业属性信息对应的特征后，可以对多个企业属性信息对应的特征进行全连接处理，生成企业特征。具体的，对多个企业属性信息对应的特征进行全连接处理可以是对根据企业属性信息生成的数字矩阵进行矩阵相乘处理得到一个特征向量，该特征向量即为企业特征。
[0055]
在本申请的一个实施例中，步骤s310至步骤s320可以是通过预训练的机器学习模型来实现的，该机器学习模型可以是卷积神经网络(cnn，convolutional neural networks)模型，也可以是深度神经网络模型，在此不作限定。
[0056]
可选地，预训练的机器学习模型内部的网络结构可以包括文本卷积网络和全连接网络，其中，文本卷积网络用于分别提取企业的多个企业属性信息的特征，得到多个企业属性信息对应的特征，全连接网络用于对多个企业属性信息对应的特征进行全连接处理，生成企业特征。
[0057]
在本申请的一个实施例中，如图4所示，示意性示出了基于各类政务事项的事项名称信息生成政务事项特征的流程图，具体包括如下步骤s410至步骤s420，详细介绍如下。
[0058]
在步骤s410中，对各类政务事项的事项名称信息分别进行特征提取，得到各类政务事项对应的事项名称特征。
[0059]
在本申请的一个实施例中，在基于各类政务事项的事项名称信息生成政务事项特征，针对每一个政务事项的事项名称信息，可以分别提取该事项名称信息的特征，得到该政务事项对应的事项名称特征。对政务事项的事项名称信息进行特征提取时，具体可以是将政务事项的事项名称信息转换为数字矩阵，根据政务事项的事项名称信息生成的数字矩阵即为该政务事项对应的事项名称特征。
[0060]
在步骤s420中，对各类政务事项对应的事项名称特征进行全连接处理，生成政务事项特征。
[0061]
在本申请的一个实施例中，在得到各类政务事项对应的事项名称特征后，可以对
各类政务事项对应的事项名称特征进行全连接处理，生成政务事项特征。具体的，对各类政务事项对应的事项名称特征进行全连接处理时，可以是对事项名称特征对应的数字矩阵进行矩阵相乘处理得到一个特征向量，该特征向量即为政务事项特征。
[0062]
在本申请的一个实施例中，步骤s410至步骤s420可以是通过预训练的机器学习模型来实现的，该机器学习模型可以是卷积神经网络(cnn，convolutional neural networks)模型，也可以是深度神经网络模型，在此不作限定。
[0063]
可选地，预训练的机器学习模型内部的网络结构也可以包括文本卷积网络和全连接网络，其中，文本卷积网络用于对各类政务事项的事项名称信息分别进行特征提取，得到各类政务事项对应的事项名称特征，全连接网络用于对政务事项特征和企业特征进行特征融合处理，生成融合后的特征向量。
[0064]
在步骤s230中，对政务事项特征和企业特征进行特征融合处理，生成融合后的特征向量。
[0065]
在本申请的一个实施例中，在得到政务事项特征和企业特征后，在基于这两个特征生成融合后的特征向量时，可以是将政务事项特征和企业特征分别对应的两个特征向量进行相乘生成一个新的特征向量，所生成的特征向量即为融合后的特征向量，融合后的特征向量包含政务事项对应的特征以及企业属性信息对应的特征。
[0066]
在本申请的一个实施例中，步骤s230可以是通过预训练的机器学习模型来实现的，该机器学习模型可以是卷积神经网络(cnn，convolutional neural networks)模型，也可以是深度神经网络模型，在此不作限定。
[0067]
在步骤s240中，基于融合后的特征向量，预测企业的各类政务事项的办理频次。
[0068]
在本申请的一个实施例中，由于不同企业属性信息的企业对同一政务事项的办理可能性大小存在差异，且同一企业属性信息的企业对不同政务事项的办理可能性大小也存在差异，融合后的特征向量包含了政务事项对应的特征以及企业属性信息对应的特征，因此可以根据融合后的特征向量、以及该融合后的特征向量和企业对各类政务事项的办理频次之间的对应关系，预测企业对各类政务事项的办理频次，可以理解的是，办理频次越高，则企业办理该政务事项的可能性越高，办理频次越低，则企业办理该政务事项的可能性越低。
[0069]
在本申请的一个实施例中，步骤s240可以是通过预训练的机器学习模型来实现的，该机器学习模型可以是卷积神经网络(cnn，convolutional neural networks)模型，也可以是深度神经网络模型，在此不作限定。
[0070]
在本申请的一个实施例中，可以通过预训练的机器学习模型来生成企业特征、生成政务事项特征、生成融合后的特征向量及预测企业的各类政务事项的办理频次。
[0071]
可选地，生成的企业特征、政务事项特征、融合后的特征向量及预测的企业的各类政务事项的办理频次可以是通过预训练的机器学习模型来实现的，预训练的机器学习模型可以通过内部的不同网络结构来实现生成企业特征、政务事项特征、融合后的特征向量及预测企业的各类政务事项的办理频次中的一个或多个步骤。
[0072]
在本申请的一个实施例中，如图5所示，示意性示出了对待训练的机器学习模型进行训练的流程图，具体包括如下步骤s510至步骤s50，详细介绍如下。
[0073]
在步骤s510中，获取用于对待训练的机器学习模型进行训练的训练集样本数据，
训练集样本数据中的样本数据包括样本企业的多个企业属性信息、样本政务事项的事项名称信息和样本企业针对样本政务事项的办理频次。
[0074]
在一个实施例中，训练集样本数据中的样本数据包括样本企业的多个企业属性信息、样本政务事项的事项名称信息和样本企业针对样本政务事项的办理频次。样本企业指的是办理过样本政务事项的企业集合，样本政务事项为样本企业可以进行办理的所有政务事项，样本企业针对样本政务事项的办理频次为各个样本企业在历史上对各个样本政务事项的办理次数。
[0075]
在步骤s520中，通过训练集样本数据对待训练的机器学习模型进行训练，得到预训练的机器学习模型。
[0076]
在一个实施例中，将训练集样本数据输入至机器学习模型中，通过训练集样本数据对待训练的机器学习模型进行训练，得到训练后的机器学习模型。对机器学习模型进行训练的过程是调整机器学习模型对应的网络结构中的各项系数，使得对于输入的样本企业的多个企业属性信息，经过机器学习模型对应的网络结构中的各项系数运算，输出结果为样本企业针对样本政务事项的办理频次。
[0077]
以上可以看出，企业特征可以反映不同企业的特性信息，政务事项特征可以反映不同政务事项的特性信息，基于企业特征和政务事项特征生成融合后的特征向量，并基于融合后的特征向量预测企业的各类政务事项的办理频次，可以有效考虑到不同性质的企业对各类政务事项进行办理时的需求差异，进而向企业推荐与其业务关联度高的政务事项，提高了预测企业需要办理的政务事项的准确度，方便企业快速找到适合办理的政务事项。
[0078]
在本申请的一个实施例中，本实施例中的政务事项的处理方法还可以包括步骤：基于预测的各类政务事项的办理频次，确定向企业进行推荐的待办理政务事项。
[0079]
在本实施例中，在得到预测的各类政务事项的办理频次，由于办理频次反应了企业需要办理各类政务事项的可能性大小，办理频次高的表示企业办理该类政务事项的可能性较大，反之，办理频次低的表示企业办理该类政务事项的可能性较小。因此，可以依据预测的各类政务事项的办理频次，将办理频次高的政务事项作为将向企业进行推荐的待办理政务事项。
[0080]
可选地，可以选择办理频次高于预定频次阈值的政务事项作为将向企业进行推荐的待办理政务事项。
[0081]
通过办理频次高的政务事项作为将向企业进行推荐的待办理政务事项，使得向企业进行推荐的政务事项是办理可能性较高的政务事项，由此可以提高为企业进行待办理政务事项推荐的准确度。
[0082]
在本申请的一个实施例中，如图6所示，示意性示出了基于预测的各类政务事项的办理频次确定向企业进行推荐的待办理政务事项的流程图，具体包括如下步骤s610至步骤s620，详细介绍如下。
[0083]
在步骤s610中，按照预测的各类政务事项的办理频次从高到低的顺序，对各类政务事项进行排序，生成政务事项排序列表。
[0084]
在本申请的一个实施例中，在得到预测的各类政务事项的办理频次，为了基于预测的各类政务事项的办理频次确定向企业进行推荐的待办理政务事项，可以按照预测的各类政务事项的办理频次从高到低的顺序，对各类政务事项进行排序，生成政务事项排序列
表。可以理解的是，在所生成的政务事项排序列表中，政务事项的办理频次较高的政务事项的排列在前，政务事项的办理频次较低的政务事项的排列在后，办理频次相同的两个或多个政务事项，可以随机进行排序。
[0085]
在步骤s620中，从政务事项排序列表中选择排名在前的预定数量的政务事项，作为向企业进行推荐的待办理政务事项。
[0086]
在本申请的一个实施例中，在得到政务事项排序列表后，在确定向企业进行推荐的待办理政务事项，可以从政务事项排序列表中选择排名在前的预定数量的政务事项，作为向企业进行推荐的待办理政务事项。如，将政务事项排序列表中排名在前的前五项政务事项作为向企业进行推荐的待办理政务事项。
[0087]
可选地，预定数量为根据需求所预设的预设值，它可以设置为与客户端进行待办理政务事项推荐的政务事项推荐栏的数量一致。
[0088]
图6所示实施例的方案中，通过按照预测的各类政务事项的办理频次从高到低的顺序，对各类政务事项进行排序，生成政务事项排序列表，并从政务事项排序列表中选择排名在前的预定数量的政务事项，作为向企业进行推荐的待办理政务事项，可以使得向企业进行推荐的待办理政务事项都是该企业办理可能性较高的政务事项，有效提高向企业进行待办理政务事项推荐的准确度。
[0089]
在本申请的一个实施例中，如图7所示，示意性示出了基于预测的各类政务事项的办理频次确定向企业进行推荐的待办理政务事项的流程图，具体包括如下步骤s710至步骤s740，详细介绍如下。
[0090]
在步骤s710中，获取企业针对政务事项的历史办理记录。
[0091]
在本申请的一个实施例中，为了确定企业未办理过的政务事项，可以获取企业针对政务事项的历史办理记录从而确定企业已办理过的政务事项，进而再确定企业未办理过的政务事项。企业针对政务事项的历史办理记录是企业历史上对政务事项进行办理后的记录信息，企业针对某一个政务事项办理过一次就会生成一次历史办理记录，该历史办理记录可以包括办理成功的时间和政务事项的事项名称信息。可以理解的是，所获取的历史办理记录可以指的是一个特定时间段内的历史办理记录，例如，距离当前时间一年以内的历史办理记录，当然也可以是企业全部的历史办理记录，在此不作具体限定。
[0092]
在步骤s720中，基于历史办理记录，确定企业未办理过的政务事项，作为备选政务事项。
[0093]
在本申请的一个实施例中，在获取企业针对政务事项的历史办理记录后，可以基于历史办理记录中包含的政务事项的事项名称信息，确定该企业已办理过的政务事项，在从各类政务事项筛选掉该企业已办理过的政务事项，即可得到该企业未办理过的政务事项，将所有企业未办理过的政务事项作为备选政务事项，备选政务事项作为可以进行待办理政务事项推荐的政务事项。
[0094]
在步骤s730中，基于预测的各类政务事项的办理频次，确定针对备选政务事项预测的办理频次。
[0095]
在本申请的一个实施例中，在得到备选政务事项后，可以基于预测的各类政务事项的办理频次，确定针对备选政务事项预测的办理频次。
[0096]
在步骤s740中，基于针对备选政务事项预测的办理频次，确定向企业进行推荐的
待办理政务事项。
[0097]
在本申请的一个实施例中，在确定针对备选政务事项预测的办理频次，可以按照针对备选政务事项预测的办理频次从高到低的顺序，对备选政务事项进行排序，生成备选政务事项排序列表，从备选政务事项排序列表中选择排名在前的预定数量的政务事项，作为向企业进行推荐的待办理政务事项。
[0098]
在本申请的一个实施例中，也可以选择办理频次高于预定频次阈值的备选政务事项都作为将向企业进行推荐的待办理政务事项。
[0099]
图7所示实施例的方案中，通过基于历史办理记录，确定企业未办理过的政务事项，作为备选政务事项，并基于针对备选政务事项预测的办理频次，确定向企业进行推荐的待办理政务事项，使得向企业进行推荐的待办理政务事项为企业办理可能性高且为企业未办理过的政务事项，相较于直接将企业办理可能性高的政务事项作为向企业进行推荐的待办理政务事项，该方式使得向企业进行推荐的待办理政务事项为企业未办理过的政务事项，实现为企业推荐未办理过且办理可能性高的政务事项，可以进一步提高向企业进行待办理政务事项推荐的准确度，从而提高企业办理政务事项的可能性。
[0100]
在本申请的一个实施例中，图8示出了根据本申请的一个实施例的政务事项的处理方法的流程图，参照图8所示，该政务事项的处理方法还包步骤s810至步骤s820，详细介绍如下。
[0101]
在步骤s810中，基于向企业进行推荐的待办理政务事项，向企业推荐包含待办理政务事项的推荐消息。
[0102]
在本申请的一个实施例中，在确定向企业进行推荐的待办理政务事项后，可以基于向企业进行推荐的待办理政务事项，向企业推荐包含待办理政务事项的推荐消息。具体的，可以根据向企业进行推荐的每个待办理政务事项，分别生成一个包含该待办理政务事项的推荐消息，并向企业推荐所生成的推荐消息，如，服务器可以将推荐消息发送至客户端，以使得客户端展示这些推荐消息。
[0103]
在步骤s820中，若在推荐推荐消息后的预设时间段内未检测到企业针对待办理政务事项的办理记录，则基于预测的各类政务事项的办理频次，更新向企业进行推荐的待办理政务事项。
[0104]
在本申请的一个实施例中，企业在接收到推荐消息后，若存在办理需求会办理推荐消息中的待办理政务事项，而企业在办理完该待办理政务事项时，会生成针对该待办理政务事项的办理记录。而企业在接收到推荐消息后的一段时间内并未办理推荐消息中的政务事项，则说明企业不需要办理该推荐消息中的待办理政务事项的可能性较大，因此不会生成针对该待办理政务事项的办理记录。
[0105]
针对以上情况，为了提高向企业进行推荐的推荐消息的精准度，可以在推荐推荐消息后的预设时间段内对企业针对待办理政务事项的办理记录进行检测，若在推荐推荐消息后的预设时间段内未检测到企业针对待办理政务事项的办理记录，则说明企业不需要办理该推荐消息中的待办理政务事项的可能性较大，预设时间段可以根据需求来人工设置，如可以设置为7天。通过在推荐推荐消息后的预设时间段内未检测到企业针对待办理政务事项的办理记录，可以基于预测的各类政务事项的办理频次，更新向企业进行推荐的待办理政务事项，避免继续向企业推荐企业不需要办理的待办理政务事项。
[0106]
可选地，在基于预测的各类政务事项的办理频次，更新向企业进行推荐的待办理政务事项时，可以先将上一次进行推送的待办理政务事项中的部分或全部待办理政务事项进行替换。可以理解的是，用来进行替换的政务事项为政务事项排序列表中排名在前或高于预定频次阈值的政务事项。
[0107]
图8所示实施例的方案中，通过在向企业推荐包含待办理政务事项的推荐消息后，可以检测企业针对待办理政务事项的办理记录，以确定企业是否办理所推荐的政务事项，通过以上方法使得上一次向企业推荐的政务事项不是企业所需要办理的政务事项的情况下，可以避免继续向企业推荐不需要办理的政务事项，可以有效提高向企业推荐政务事项的准确度，避免对企业造成不好推荐体验。
[0108]
以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的政务事项的处理方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的政务事项的处理方法的实施例。
[0109]
图9示出了根据本申请的一个实施例的政务事项的处理装置的框图。
[0110]
参照图9所示，根据本申请的一个实施例的政务事项的处理装置900，包括：第一获取单元910、生成单元920、融合单元930以及预测单元940。其中，第一获取单元910，用于获取企业的多个企业属性信息，以及所述企业对应的各类政务事项的事项名称信息；生成单元920，用于基于所述企业的多个企业属性信息，生成企业特征，以及基于各类政务事项的事项名称信息，生成政务事项特征；融合单元930，用于对所述政务事项特征和所述企业特征进行特征融合处理，生成融合后的特征向量；预测单元940，用于基于融合后的特征向量，预测所述企业的各类政务事项的办理频次。
[0111]
在本申请的一些实施例中，基于前述方案，所述生成单元920被配置为：第一提取子单元，用于分别提取所述企业的多个企业属性信息的特征，得到所述多个企业属性信息对应的特征；第一生成子单元，用于对所述多个企业属性信息对应的特征进行全连接处理，生成企业特征。
[0112]
在本申请的一些实施例中，基于前述方案，所述生成单元920被配置为：第二提取子单元，用于对各类政务事项的事项名称信息分别进行特征提取，得到各类政务事项对应的事项名称特征：第二生成子单元，用于对各类政务事项对应的事项名称特征进行全连接处理，生成政务事项特征。
[0113]
在本申请的一些实施例中，所述政务事项的处理装置还包括：执行单元，用于基于预测的各类政务事项的办理频次，确定向所述企业进行推荐的待办理政务事项。
[0114]
在本申请的一些实施例中，所述执行单元被配置为：按照预测的各类政务事项的办理频次从高到低的顺序，对各类政务事项进行排序，生成政务事项排序列表；从政务事项排序列表中选择排名在前的预定数量的政务事项，作为向所述企业进行推荐的待办理政务事项。
[0115]
在本申请的一些实施例中，基于前述方案，所述执行单元被配置为：获取所述企业针对政务事项的历史办理记录；基于所述历史办理记录，确定所述企业未办理过的政务事项，作为备选政务事项；基于预测的各类政务事项的办理频次，确定针对所述备选政务事项预测的办理频次；基于针对所述备选政务事项预测的办理频次，确定向所述企业进行推荐的待办理政务事项。
[0116]
在本申请的一些实施例中，基于前述方案，所述政务事项的处理装置还包括：推荐单元，用于基于向所述企业进行推荐的待办理政务事项，向所述企业推荐包含待办理政务事项的推荐消息；更新单元，用于若在推荐所述推荐消息后的预设时间段内未检测到所述企业针对所述待办理政务事项的办理记录，则基于预测的各类政务事项的办理频次，更新向所述企业进行推荐的待办理政务事项。
[0117]
在本申请的一些实施例中，基于前述方案，通过预训练的机器学习模型来生成所述企业特征、所述政务事项特征、所述融合后的特征向量及预测所述企业的各类政务事项的办理频次。
[0118]
在本申请的一些实施例中，基于前述方案，所述政务事项的处理装置还包括：第二获取单元，用于获取用于对待训练的机器学习模型进行训练的训练集样本数据，所述训练集样本数据中的样本数据包括样本企业的多个企业属性信息、样本政务事项的事项名称信息和所述样本企业针对样本政务事项的办理频次；训练单元，用于通过所述训练集样本数据对待训练的机器学习模型进行训练，得到所述预训练的机器学习模型。
[0119]
图10示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
[0120]
需要说明的是，图10示出的电子设备的计算机系统1000仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
[0121]
如图10所示，计算机系统1010包括中央处理单元(central processing unit，cpu)1001，其可以根据存储在只读存储器(read-only memory，rom)1002中的程序或者从储存部分1008加载到随机访问存储器(random access memory，ram)1003中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在ram 1003中，还存储有系统操作所需的各种程序和数据。cpu 1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(input/output，i/o)接口1005也连接至总线1004。
[0122]
以下部件连接至i/o接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(cathode ray tube，crt)、液晶显示器(liquid crystal display，lcd)等以及扬声器等的输出部分1007；包括硬盘等的储存部分1008；以及包括诸如lan(local area network，局域网)卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至i/o接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入储存部分1008。
[0123]
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(cpu)1001执行时，执行本申请的系统中限定的各种功能。
[0124]
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的
电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(erasable programmable read only memory，eprom)、闪存、光纤、便携式紧凑磁盘只读存储器(compact disc read-only memory，cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
[0125]
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0126]
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
[0127]
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
[0128]
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
[0129]
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
[0130]
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请
的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
[0131]
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。