基于代价敏感的AdaBoost双层分类社会救助预测模型

社会救助服务是保障社会公平的重要举措之一。针对社会救助业务中被救助人员类型的精准识别问题具有极度不平衡性和传统算法在极度不平衡数据分类中具有强偏好性这两大难点进行研究,提出一种新的不平衡多分类模型—基于代价敏感的AdaBoost双层分类(Cost sensitive AdaBoost-Softmax,CA-SF)模型。首先,基于数量均衡原则设计一种“多变二”机制将多分类问题转化为二分类问题,利用具有代价敏感的AdaBoost模型以降低救助数据的极度不平衡性对分类效果的影响。其次,采用能有效规避多重共线性的Softmax回归来解决平衡数据的二次分类。综合实验结果表明CA-SF与多种常用模型相比在社会救助的精准识别上有更高的预测精度和更强的稳定性,能为精准社会救助提供科学且有效的辅助决策手段。

基于LEBERT-BCF的电子病历实体识别

针对BERT在中文电子病历实体识别过程中缺少词信息,实体边界信息被浪费和模型鲁棒性较差等问题,提出一种基于BERT并引入外部词典进行特征增强和对抗训练的实体识别模型LEBERT-BCF。该模型通过外部词典自动为电子病历进行词汇匹配构建字符-词语对,在BERT内部将字符-词语对中对应字向量与词向量经过Lexicon Adapter模块进行特征融合并使用FGM提升模型的鲁棒性。在CCKS 2019数据集上的实验结果表明,该模型的F1值比BERTBiLSTM-CRF提高了3.45%。

大数据在社会救助中的应用探讨

社会救助作为保障民生、维护稳定和促进公平的兜底性事业,具有十分重要的地位。随着我国进入全面建设社会主义现代化国家的新发展阶段,社会救助事业在大数据的推动下也逐渐实现信息化。文章分析了大数据发展对社会救助事业的影响以及遇到的挑战,介绍了大数据在社会救助领域,如全国低收入人口动态监测信息平台建设、百度AI人脸识别技术寻亲、社会大救助中心服务平台等方面的应用情况,并针对大数据在社会救助中的应用趋势做了展望。通过大数据在社会救助事业中的应用,逐步实现社会救助事业的智能化、数字化和信息化。

数据要素视角下基于KM-WRF模型的社会救助服务分类方法研究

社会救助是保障社会公平的重要民生工程之一。为了解决社会救助业务中被救助对象类型的精准识别问题,本文基于数据要素驱动民生服务视角进行研究。首先,通过K-means聚类对救助指标进行等级划分;其次,基于互信息理论定义家庭贫困指数以量化家庭贫困程度;然后,运用互信息与相关性原理,选取救助类型判定关键特征,加入贫困指数完成特征重建,提出一种基于关键特征和贫困指数的KM-WRF(K-means mutual information-weighted random forest)社会救助预测模型方法;最后,以上海社会救助历史业务数据为例,验证该模型对社会救助分类的有效性与可行性。实验结果表明:KM-WRF模型与多种常用模型相比在社会救助的精准识别应用中有更高的预测精度和更强的稳定性;家庭贫困指数能有效评估家庭困难程度,为数据要素视角下精准社会救助提供了科学且有效的辅助决策手段。