一种基于大数据与深度学习的乡村振兴综合服务平台的制作方法

1.本发明属于人工智能与大数据技术领域，具体是指一种基于大数据与深度学习的乡村振兴精准服务平台。


背景技术：

2.在乡村振兴战略的大背景下，农村地区的管理问题显得尤为重要，但是在很多农村落后地区，广大农民朋友由于消息闭塞、很多优惠政策并不能为农民朋友所知晓，使得他们本该在教育、医疗、政务、社保等方面享受的优惠政策由于不清楚、不知道而使得政策的落实滞后。
3.人群画像本是一个营销用语，它是产品用户增长的利器之一，能够帮助我们探究产品指标数字背后的原因，构建人群画像的主要步骤就是分析用户特征，如年龄、爱好、受教育程度、生活环境、经济收入等，在政务、第三方服务机构都需要对客户构建不同程度的人群画像以检验是否满足服务标准，或者如何进行更好的服务。
4.目前对于农村地区的政务和其他第三方服务机构都存在数据孤岛化的问题、各个部门之间数据分离，不能对农民朋友进行全方位精准画像，以对服务对象难以全面了解，对于有关部门发布的最新优惠政策，往往需要农民朋友主动提出申请，另外，对农村地区的社区、企业、村镇等难以实现群体画像，更难以精准维护管理；对于广大群众来说，由于各机构系统数据分离，广大农民朋友的阶段性、实时性的业务办理问题往往费时、费力。


技术实现要素：

5.（一）要解决的技术问题为解决现有技术的上述问题，本发明提供一种基于大数据与深度学习的乡村振兴综合服务平台，其目的在于利用前沿大数据技术整合各方平台数据，完整对个人或群体进行画像，整合社会资源，在满足群众个性化需求与个性化服务的前提下可以让政务、第三方服务机构网格员实现个体或群体的精准维护管理，利用深度学习算法同时向潜在的目标群体推送最新的政策并向服务机构推送相关可办理该服务的目标群体，从而更好的服务乡村人民。
6.（二）技术方案为了达到上述目的，本发明采用的技术方案为：一种基于大数据与深度学习的乡村振兴综合服务平台，包括服务服务数据导入模块、大数据平台、单体精准画像应用、精确单体画像、服务端服务画像、精准服务推送网络和多角色扫码应用，所述服务服务数据导入模块与大数据平台相连，所述单体精准画像应用和精准服务推送网络分别与大数据平台连接，所述服务端服务画像和精确单体画像与精准服务推送网络双向连接，所述精确单体画像与大数据平台连接，所述精准服务推送网络和单体精准画像应用与多角色扫码应用连接。
7.进一步地，所述服务数据导入模块包括政务数据和第三方服务数据，所述政务数
据由政务工作人员人工导入，所述第三方服务数据由第三方服务工作人员人工导入，所述大数据平台将政务数据和第三方服务机构数据进行整合，所述大数据平台采用大数据分析、数据挖掘、数据清洗、主成份分析和数据聚合算法对乡村振兴扶持区域内的农户、企业、社区和村镇生成标签数据，并将标签数据保存至大数据平台，所述主成分分析利用如下相关系数矩阵进行主成分选择：上式中，r
ij
为相关系数矩阵中第i行第j列元素，x
ki
和x
kj
为标准化后的标签数据，n为每个标签数据的维度，m表示标签数据总的数据个数；所述大数据平台以标签的形式展示画像。
8.进一步地，所述服务端服务画像包括银行服务画像、社区服务画像、第三方机构服务画像和政务服务画像，所述服务端服务画像是对服务数据导入模块提供的各类服务进行精确画像得到，服务端服务画像以标签数据的形式描述出来；所述大数据平台进一步利用机器学习算法将标签数据生成精准单体画像，所述精准单体画像包括农户画像、企业画像、村镇画像和社区画像，大数据平台整合数据之后以标签的形式展示画像；所述农户画像包括农户姓名、年龄、户籍、职业、有无土地、种植面积，种植农作物类别与各自的种植面积、家庭人口数量，有无低保、是否婚配和子女个数标签；所述企业画像包括企业类型、经营范围和职员个数标签；所述村镇画像包括地理位置、总人口数量、男女比例、人口结构和人均gdp标签；所述社区画像包括地理位置、楼栋个数和小区名称标签。
9.进一步地，所述精准服务推送网络包括客户端记忆模型、服务端记忆模型、双联想模型和网络预测端，所述客户端记忆模型、服务端记忆模型和双联想模型并行计算，所述客户端记忆模型、服务端记忆模型和双联想模型各自的输出权连接到网络输出端，所述客户端记忆模型和服务端记忆模型的本质是一个广义线性模型，负责记忆服务需求与提供服务之间的联系，双联想模型的本质是一种bp神经网络，负责推荐相关服务，所述客户端记忆模型包括客户端输入和客户端输出，所述客户端输入与客户端输出之间权连接；所述服务端记忆模型包括服务端输入和服务端输出，所述服务端输入与服务端输出之间权连接；所述双联想模型包括深层输入、稠密离散特征、中间隐层和双联想模型输出端，所述稠密离散特征与中间隐层之间权连接，所述中间隐层和双联想模型输出之间权连接；所述客户端输出、服务端输出和双联想模型输出端与网络预测端权连接。
10.进一步地，所述双联想模型的深层输入包含离散特征和连续特征两大类，对于离散特征首先需要进行onehot编码；对于连续特征采用分箱操作进行离散化处理；使用embedding操作对深层输入进行处理，从而将深层输入的极为稀疏的向量转化为低维度的稠密向量，将所述低维度的稠密向量合并后变为1000个维度的稠密离散特征，所述稠密离散特征经由权向量向前传播进入中间隐层并最终到达双联想模型输出端，向前传播计算方式为：
上式中，x为稠密离散特征，w
(0)
和b
(0)
为稠密离散特征和中间隐层之间的权向量与偏置，w
(1)
和b
(1)
为中间隐层内部的权向量与偏置，w
(2)
和b
(2)
为中间隐层到双联想模型输出端之间的权向量与偏置，激活函数
ƒ
为sigmoid激活函数，α
(3)
为双联想模型输出端处的值。
11.进一步地，所述客户端记忆模型的客户端输入包含3个交叉特征，所述客户端输入的3个交叉特征组成的向量经过权向量向前传播，向前传播的计算方式为：上式中，x1为客户端输入的输入向量，w1和b1分别为客户端记忆模型的权向量和偏置，激活函数δ为sigmoid激活函数，y1为客户端输出的值。
12.进一步地，所述服务端记忆模型的服务端输入包含3个交叉特征，所述服务端输入的3个交叉特征组成的向量经过权向量向前传播，具体计算方式为：上式中，x2为客户端输入，w2和b2分别为为服务端记忆模型的权向量和偏置，激活函数δ为sigmoid激活函数，y2为双联想模型输出端的值。
13.进一步地，最后将客户端输出、服务端输出和双联想模型输出的计算结果y1、y2和α
(3)
进行聚合计算，并在网络预测端得到最终输出，聚合计算方法为：上式中，w1、w2和w3分别是客户端输出、双联想模型输出和服务端输出与网络预测端之间的连接权重系数，网络预测端的预测输出使用relu激活函数，y是二值化的类别标签；所述精准服务推送网络采用线下学习与线上学习的策略，双联想模型采用随机梯度下降算法进行训练，客户端记忆模型与服务端记忆模型采用ftrl和l1正则向联合训练；精准服务推送模块，可利用政务数据与农户的服务办理情况同时向农户和第三方服务机构推送对应的服务数据，一方面告知农户提供相关的优惠服务，一方面提醒工作人员可对农户可办理的服务，并提供一定程度权限范围内的表格填写工作，在做到提醒农户办理业务的同时也方便了农户和第三方工作人员,并减轻了工作人员的工作量。
14.作为优选地，所述多角色扫码应用利用单体精准画像应用精准服务推送网络利用数据融合算法生成四类单体二维码，分为农户码、企业码、村镇码和社区码，方便相关的身份验证和服务。
15.进一步地，所述多角色扫码应用采用数据安全隔离技术使各机构网格员只能看到自己权限范围内的数据，游客扫码可查看网格区域内的公开数据；户主及家庭成员扫码除了能看到游客看到的以外，还能查看权限内的十户联防情况、第三方服务数据及家庭信息；第三方服务网格员扫码通过自己的服务端扫码可查看权限范围内的客户基础画像数据及其他机构同意共享的其他数据。
16.（三）有益效果本发明是一种基于大数据与深度学习的乡村振兴综合服务平台，目的是减少农村地区综合社会服务成本，让农村地区的人民享受数字建设带来的便捷服务，并利用大数据技术将多渠道来源的数据进行分析聚合后、以数据标签的形式对单体精准画像，本发明将社会各单位、机构数据整合后，在大数据平台的加持下将数据进行充分应用，除了能让各单位、机构网格员能实现提质增效的管理目的，还能为广大人民群众提供便捷的服务通道，打通各家服务机构与老百姓的最后一公里，摈弃传统单纯的碎片化管理的模式，结合“让数据多跑路、老百姓少跑路”的理念，在未来也会继续整合社会资源、完善服务功能，融入基层治理，畅通便民渠道，构建让管理更智慧、服务更便捷的数字乡村和智慧社区。
附图说明
17.图1为本发明提出的一种基于大数据与深度学习的乡村振兴综合服务平台的流程图；图2为本发明提出的精准服务推送网的神经网络连接示意图。
18.其中，1、政务数据，2、第三方服务数据，3、大数据平台，4、单体精准画像应用， 6、精准服务推送网络，7、农村信用社服务画像，8、社区服务画像，9、第三方机构服务画像，10、政务服务画像，11、农户画像，12、企业画像，13、社区画像，14、村镇画像，15、精确单体画像，16、多角色扫码应用，17、农户码，18、企业码，19、村镇码，20、社区码，21、服务端服务画像，22、服务服务数据导入模块，23、深层输入，24、客户端输入，25、服务端输入，26、稠密离散特征，27、中间隐层，28、双联想模型输出，29、网络预测端，30、单体二维码，31、客户端记忆模型，32、服务端记忆模型，33、双联想模型，34、客户端输出，35、服务端输出。
19.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
20.如图1和图2所示，本发明是利用数据导入的形式将政务数据1和第三方服务数据2进行导入，所述大数据平台3采用数据挖掘、数据清洗、主成份分析和数据聚合算法对乡村振兴扶持区域内的农户、企业、社区和村镇生成数据标签，并将分类整理后的数据标签保存至大数据平台3，大数据平台3利用机器学习算法生成精准单体画像15，同时，大数据平台3将对服务端服务画像21中的农村信用社服务画像7、社区服务画像8、第三方机构服务画像9和政务服务画像10以数据标签的形式描述出来。
21.搭建精准服务推送网络6的结构并针对具体业务训练精准服务推送网络6，其中双联想模型33的向前传播计算方式为：联想模型33的向前传播计算方式为：联想模型33的向前传播计算方式为：
客户端记忆模型31向前传播的计算方式为：服务端记忆模型32向前传播的计算方式为：网络预测端29向前传播的计算方法为：根据双联想模型33、客户端记忆模型31、服务端记忆模型32和网络预测端29的向前传播计算方式搭建网络模型；利用tensorflow深度学习框架训练精准服务推送网络6，所述精准服务推送网络6采用线下学习与线上学习的策略，双联想模型33采用随机梯度下降算法进行训练，客户端记忆模型31与服务端记忆模型32采用ftrl和l1正则向联合训练。
22.完成精准服务推送网络6的搭建和训练后即可投入使用，所述精准服务推送网络6根据精准单体画像15和服务端服务画像21进行特定目标的服务推送与满足办理服务的反推送。
23.作为本发明的一种实施例，精准单体画像15以农户画像11为例，服务端服务画像21以农村信用社服务画像7为例，深层输入23来自农户画像11，客户端输入24和服务端输入25来自农户画像11和农村信用社服务画像7组成的交叉特征；精准服务推送网络6向农户推送农村信用社的相关服务，同时精准服务推送网络6向农村信用社推送符合服务办理条件的农户。
24.作为本发明的一种实施例，精准单体画像15以企业画像12为例，服务端服务画像21以政务服务画像10为例，深层输入23来自企业画像11，客户端输入24和服务端输入25来自企业画像11和政务服务画像7进行交叉积变换后组成的交叉特征；精准服务推送网络6向企业推送政务部门的相关服务，同时精准服务推送网络6向政务部门推送符合服务办理条件的企业。
25.为了方便各机构应用，所述多角色扫码应用16将生成4类单体二维码30，包括农户码17、企业码18、村镇码19和社区码20，方便相关的身份验证和服务，精准服务推送网络6将持续向农户推送相关服务，同时根据农户的服务办理情况更新农户画像11，大数据平台3将根据精准服务推送网络6所推送的服务办理情况自动更新农户11的画像与服务端服务画像21，并根据政务数据1推荐新的服务，同时相关的农户码17也做相应的更新，方便相关的身份验证和服务。
26.本发明一种基于大数据与深度学习的乡村振兴精准服务平台采用数据安全隔离使各机构网格员只能看到自己权限范围内的数据，游客扫码可查看网格区域内公开数据，如政务网格管理员，第三方服务机构管理员、预约办理政务、第三方服务机构相关业务预约办理、在线求职找工作，进行疫情防控登记和返乡报备信息；农户及家庭成员扫码除了能看到游客看到的以外，还可以查看自己的十户联防情况、第三方服务数据及家庭信息；第三方服务网格员扫码通过自己的管理端查看自己权限范围内的客户基础画像数据及其他机构同意共享的其他数据。
27.作为本发明的一种实施例，银行工作人员通过自己的客户端申请查看所有客户通过大数据平台分析整合后的金融数据、扫码业务转化分析，各网格员采集更新的基础数据。
28.作为本发明的一种实施例，政务网格员通过管理端扫码可查看人口分布情况、十户联防情况、可进行打卡走访管理，线上进行基层数据治理；所有新数据产生后会返回到大数据平台进行迭代分析，对精确单体画像15进行实时更新，形成数据迭代更新的闭环。
29.以上便是本发明具体的工作流程，下次使用时重复此步骤即可。
30.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
31.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
32.以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

技术特征：
1.一种基于大数据与深度学习的乡村振兴综合服务平台，其特征在于：包括服务数据导入模块（22）、大数据平台（3）、单体精准画像应用（4）、精确单体画像（15）、服务端服务画像（21）、精准服务推送网络（6）和多角色扫码应用（16），所述服务数据导入模块（22）与大数据平台（3）相连，所述单体精准画像应用（4）和精准服务推送网络（6）分别与大数据平台（3）连接，所述服务端服务画像（21）和精确单体画像（15）与精准服务推送网络（6）双向连接，所述精确单体画像（15）与大数据平台（3）连接，所述精准服务推送网络（6）和单体精准画像应用（4）与多角色扫码应用（16）连接。2.根据权利要求1所述的一种基于大数据与深度学习的乡村振兴综合服务平台，其特征在于：所述服务端服务画像（21）包括农村信用社服务画像（7）、社区服务画像（8）、第三方机构服务画像（9）和政务服务画像（10），所述服务端服务画像（21）是对服务数据导入模块（22）提供的各类服务进行精确画像得到，服务端服务画像（21）以标签数据的形式描述出来；所述大数据平台（3）进一步利用机器学习算法将标签数据生成精确单体画像（15），所述精确单体画像（15）包括农户画像（11）、企业画像（12）、社区画像（13）和村镇画像（14），大数据平台（3）整合数据之后以标签的形式展示画像；所述农户画像（11）包括农户姓名、年龄、户籍、职业、有无土地、种植面积，种植农作物类别与各自的种植面积、家庭人口数量，有无低保、是否婚配和子女个数标签；所述企业画像（12）包括企业类型、经营范围和职员个数标签；所述社区画像（13）包括地理位置、楼栋个数和小区名称标签；所述村镇画像（14）包括地理位置、总人口数量、男女比例、人口结构和人均gdp标签。3.根据权利要求2所述的一种基于大数据与深度学习的乡村振兴综合服务平台，其特征在于：所述精准服务推送网络（6）包括客户端记忆模型（31）、服务端记忆模型（32）、双联想模型（33）和网络预测端（29），所述客户端记忆模型（31）、服务端记忆模型（32）和双联想模型（33）并行计算，所述客户端记忆模型（31）和服务端记忆模型（32）的本质是一个广义线性模型，双联想模型（33）的本质是一种bp神经网络，所述客户端记忆模型（31）包括客户端输入（24）和客户端输出（34），所述客户端输入（24）与客户端输出（34）之间权连接；所述服务端记忆模型（32）包括服务端输入（25）和服务端输出（35），所述服务端输入（25）与服务端输出（35）之间权连接；所述双联想模型（33）包括深层输入（23）、稠密离散特征（26）、中间隐层（27）和双联想模型输出端（28），所述稠密离散特征（26）与中间隐层（27）之间权连接，所述中间隐层（27）和双联想模型输出端（28）之间权连接；所述客户端输出（34）、服务端输出（35）和双联想模型输出端（28）与网络预测端（29）权连接。4.根据权利要求3所述的一种基于大数据与深度学习的乡村振兴综合服务平台，其特征在于：所述双联想模型（33）的深层输入（23）包含离散特征和连续特征两大类，对于离散特征首先需要进行onehot编码；对于连续特征采用分箱操作进行离散化处理；使用embedding操作对深层输入（23）进行处理，从而将深层输入（23）的极为稀疏的向量转化为低维度的稠密向量，所述低维度的稠密向量合并后变为1000个维度的稠密离散特征（26），所述稠密离散特征（26）经由权向量向前传播进入中间隐层（27）并最终到达双联想模型输出端（28），向前传播计算方式为：
上式中，x为稠密离散特征（26），w
(0)
和b
(0)
为稠密离散特征（26）和中间隐层（27）之间的权向量与偏置，w
(1)
和b
(1)
为中间隐层（27）内部的权向量与偏置，w
(2)
和b
(2)
为中间隐层到双联想模型输出端（28）之间的权向量与偏置，激活函数
ƒ
为sigmoid激活函数，α
(3)
为双联想模型输出端（28）处的值。5.根据权利要求4所述的一种基于大数据与深度学习的乡村振兴综合服务平台，其特征在于：所述客户端记忆模型（31）的客户端输入（24）包含3个交叉特征，所述客户端输入（24）的3个交叉特征组成的向量经过权向量向前传播，向前传播的计算方式为：上式中，x1为客户端输入（24）的输入向量，w1和b1分别为客户端记忆模型（31）的权向量和偏置，激活函数δ为sigmoid激活函数，y1为客户端输出（34）的值。6.根据权利要求5所述的一种基于大数据与深度学习的乡村振兴综合服务平台，其特征在于：所述服务端记忆模型（32）的服务端输入（25）包含3个交叉特征，所述服务端输入（25）的3个交叉特征组成的向量经过权向量向前传播，具体计算方式为：上式中，x2为客户端输入（24），w2和b2分别为为服务端记忆模型（32）的权向量和偏置，激活函数δ为sigmoid激活函数，y2为双联想模型输出端（28）的值。7.根据权利要求6所述的一种基于大数据与深度学习的乡村振兴综合服务平台，其特征在于：最后将客户端输出（34）、服务端输出（35）和双联想模型输出端（28）的计算结果y1、y2和α
(3)
进行聚合计算，并在网络预测端（29）得到最终输出，聚合计算方法为：上式中，w1、w2和w3分别是客户端输出、双联想模型输出和服务端输出与网络预测端之间的连接权重系数，网络预测端的预测输出使用relu激活函数，y是二值化的类别标签；所述精准服务推送网络（6）采用线下学习与线上学习的策略，双联想模型（33）采用随机梯度下降算法进行训练，客户端记忆模型（31）与服务端记忆模型（32）采用ftrl和l1正则向联合训练。8.根据权利要求7所述的一种基于大数据与深度学习的乡村振兴综合服务平台，其特征在于：多角色扫码应用（16）结合单体精准画像应用（4）和精准服务推送网络（6）利用数据融合算法生成四类单体二维码（30），所述单体二维码（30）包括农户码（17）、企业码（18）、村镇码（19）和社区码（20）。9.根据权利要求8所述的一种基于大数据与深度学习的乡村振兴综合服务平台，其特征在于：所述多角色扫码应用（16）采用数据安全隔离使网格员只能看到自己权限范围内的数据，游客扫码只能查看网格区域内公开数据，农户及家庭成员扫码除了能看到游客看到
的以外，还能查看权限内的十户联防情况和家庭信息；第三方服务网格员扫码通过自己的客户端扫码可查看权限范围内的推荐的客户基础画像数据及其他机构同意共享的其他服务数据；政务网格员通过管理端扫码可查看重点人口分布情况、十户联防情况、可进行打卡走访管理和线上进行基层数据治理；所有新数据产生后会返回到大数据平台（3）进行迭代分析，对精确单体画像（15）进行实时更新，形成数据迭代更新的闭环。

技术总结
本发明公开了一种基于大数据与深度学习的乡村振兴综合服务平台，包括服务数据导入模块、大数据平台、单体精准画像应用、精确单体画像、服务端服务画像、精准服务推送网络组成，本发明属于人工智能与大数据技术领域，具体是指一种基于大数据与深度学习的乡村振兴综合服务平台；本发明通过利用深度学习算法同时向潜在的目标群体推送最新的政策并向服务机构推送相关可办理该服务的目标群体，从而更好的服务乡村人民，利用前沿大数据技术整合各方平台数据，完整对个人或群体进行画像，整合社会资源，在满足群众个性化需求与个性化服务的前提下可以让政务、第三方服务机构网格员实现个体或群体的精准维护和管理。或群体的精准维护和管理。或群体的精准维护和管理。


技术研发人员：梁闰
受保护的技术使用者：九州银丰（北京）科技有限公司
技术研发日：2022.04.24
技术公布日：2022/5/25