提示学习驱动的新闻舆情风险识别方法研究

从新闻报道中识别企业的风险可以快速定位企业所涉及的风险类别,从而帮助企业及时地做出应对措施。一般而言,新闻舆情风险识别是一种风险标签的多分类任务。以BERT为代表的深度学习方法采用预训练+微调的模式在文本分类任务当中表现突出。然而新闻舆情领域标记数据偏少,构成了小样本的机器学习问题。以提示学习为代表的新范式为小样本分类性能的提升提供了一种新的途径和手段,现有的研究表明该范式在很多任务上优于预训练+微调的方式。受现有研究工作的启发,提出了基于提示学习的新闻舆情风险识别方法,在BERT预训练模型基础之上根据提示学习的思想设计新闻舆情风险提示模板,通过MLM(masked language model)模型训练之后,将预测出来的标签通过答案工程映射到已有的风险标签。实验结果表明在新闻舆情数据集的不同数量小样本上,提示学习的训练方法均优于微调的训练方法。

基于大数据理论的电力客户标签体系构建

本文在基于大数据挖掘理论的指导下,运用客户标签及客户画像相关理论,依据电力企业的特征性,进行客户标签体系构建,对电力企业的客户标签维度、客户标签内容及客户标签体系构建进行论证。同时对电力企业的客户标签体系管理与运用进行深入剖析,结合电费回收难题进行了验证,从实践角度阐述电力企业客户标签体系构建与运用。

面向电费风险防控的欠费及补缴费实时推送系统研究

电费是供电企业经营成果的最终体现,电费回收的好坏不仅关系国家的财政收入和供电企业生产资金的周转,还关系到电网的发展和安全稳定运行,关系到客户能否获得持续可靠的电能,即关系到人民生活和社会的稳定发展。同时,随着电力体制改革深入推进及电力市场化、主体多元化发展,如何提升用户满意度,也是衡量电力企业经营水平的重要参考指标。因此如何保证电费回收率,提升用户满意度成为了供电企业当前迫切需要研究的课题。本文从用户基本属性、用电行为、用户缴费、渠道交互、综合能源、外部环境六大维度提取用户风险等级标签,在此基础上开发出一种欠费及补缴费实时推送系统,提升电费回收率及用户满意度。

风险分级标签在急诊危重患者安全转运中的应用

急诊危重患者常因检查、手术、转科等需要进行院内转运,转运过程中可能因为患者病情、仪器设备准备不充分、药物反应、医务人员抢救应急能力、沟通等诸多因素引起安全隐患[1]。患者安全是一切医疗、护理活动的基本目标[2],因此做好急诊危重患者转运风险评估,对安全隐患及早采取有效措施,将安全集中在预防上,积极主动地控制,最大限度地消除危害[3]是降低转运风险的重要前提。

风险分级标签在急诊危重患者安全转运中的应用

目的:评估风险分级标签在急诊危重患者安全转运中的作用。方法:选择2016年的70例患者设为对照组,将2017年的70例患者设为观察组,对照组按传统方法评估和转运,观察组则运用转运风险标签进行转运。结果:观察组患者转运并发症与护理纠纷发生率,显著低于对照组(P<0.05)。运用转运风险标签后,接收科室医护人员对观察组患者的满意度,显著高于对照组(P<0.05)。结论:在急诊危重患者的转运中,运用风险标签使得更加的程序化和规范化,保障了患者转运的安全。