本申请涉及数据处理技术领域，尤其涉及一种应急预案生成方法、装置、计算机设备及存储介质。
背景技术：
应急预案是为了对突发事件进行快速有效的事前预防、事发响应、事中处置、事后恢复与重建而制定的全周期活动和制度，在我国的应急管理体系中处于核心地位。近年来，由于人类活动间耦合性的不断增强，特别是人类活动对外部环境的影响不断加剧，使得突发事件的发生规律、内部机理、外部影响日益复杂，形成了大量的非常规突发事件，使得现有的应急预案难以有效应对。
非常规突发事件往往涉及到常规型突发事件的动态演化，以及多个常规型突发事件的紧密耦合，这给为非常规突发事件生成预案带来了很多挑战。目前通过从历史案例库中查找最相似的案例作为应急预案生成的依据，而非常规突发事件在历史中通常没有重复发生，因此在历史案例库中很难找到非常相似的案例，针对具有发生规律不明显、涉及多灾种动态耦合等特点的非常规突发事件生成应急预案。
技术实现要素：
本申请实施例提供一种应急预案生成方法、装置、计算机设备及存储介质，用于对具有发生规律不明显、涉及多灾种动态耦合等特点的非常规突发事件生成应急预案，提高应急预案生成的准确度。
本发明实施例提供一种应急预案生成方法，所述方法包括：
将历史应急预案分隔成多个应急预案片段；
通过应急预案标签标注模型获取每个所述应急预案片段的标签集合，所述标签集合包括结构标签集和语义标签集，所述应急预案标签标注模型是根据样本应急预案片段和其对应的标签集合训练得到的；
根据所述结构标签集和所述语义标签集的笛卡尔乘积确定应急预案框架，所述应急预案框架中包括多个预案条目；
根据计算的每个应急预案片段与目标非常规突发事件的静态相关性和动态相关性确定每个预案条目的应急预案片段；
通过每个预案条目的应急预案片段生成所述目标非常规突发事件对应的应急预案。
本发明实施例提供一种应急预案生成装置，所述装置包括：
划分模块，用于将历史应急预案分隔成多个应急预案片段；
获取模块，用于通过应急预案标签标注模型获取每个所述应急预案片段的标签集合，所述标签集合包括结构标签集和语义标签集，所述应急预案标签标注模型是根据样本应急预案片段和其对应的标签集合训练得到的；
确定模块，用于根据所述结构标签集和所述语义标签集的笛卡尔乘积确定应急预案框架，所述应急预案框架中包括多个预案条目；
所述确定模块，还用于根据计算的每个应急预案片段与目标非常规突发事件的静态相关性和动态相关性确定每个预案条目的应急预案片段；
生成模块，用于通过每个预案条目的应急预案片段生成所述目标非常规突发事件对应的应急预案。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述应急预案生成方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述应急预案生成方法。
本发明提供一种应急预案生成方法、装置、计算机设备及存储介质，首先将历史应急预案分隔成多个应急预案片段；通过应急预案标签标注模型获取每个所述应急预案片段的标签集合，所述标签集合包括结构标签集和语义标签集，然后根据结构标签集和所述语义标签集的笛卡尔乘积确定应急预案框架，所述应急预案框架中包括多个预案条目；根据计算的每个应急预案片段与目标非常规突发事件的静态相关性和动态相关性确定每个预案条目的应急预案片段；通过每个预案条目的应急预案片段生成目标非常规突发事件对应的应急预案。与目前从历史案例库中查找最相似的案例作为应急预案生成的依据相比，本发明将历史应急预案分隔成多个应急预案片段，然后根据应急预案片段生成应急预案框架及应急预案框架中各预案条目的应急预案片段，最后通过每个预案条目的应急预案片段生成目标非常规突发事件对应的应急预案。由于本发明生成的应急预案是根据应急预案片段确定的，而应急预案片段来由多个历史应急预案分隔而成，因此本发明可对具有发生规律不明显、涉及多灾种动态耦合等特点的非常规突发事件生成应急预案，提高应急预案生成的准确度。
附图说明
图1为本申请提供的应急预案生成方法流程图；
图2为本申请提供的应急预案生成方法流程图；
图3为本申请提供的场景信息抽取模型的网络架构图；
图4为本申请提供的匹配度计算流程图；
图5为本申请提供的确定每个预案条目的应急预案片段的流程图；
图6为本申请提供的确定每个预案条目的应急预案片段的流程图；
图7为本申请一个实施例提供的应急预案生成装置的结构框图；
图8为本申请一个实施例提供的计算机设备的示意图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请实施例的技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请实施例技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
第一实施例
请参阅图1，所示为本发明第一实施例当中的应急预案生成方法，所述方法具体包括步骤s10-步骤s50：
步骤s10，将历史应急预案分隔成多个应急预案片段。
在本实施例中，该步骤的目标是把一则完整的历史应急预案分割为多个片段。为实现该目标，具体提供了三种分割方案：粗粒度分割、细粒度分割和混合分割。具体的，按照自然段对所述历史应急预案进行分割得到多个应急预案片段，每个自然段构成一个所述应急预案片段；或按照标点对所述历史应急预案进行分割得到多个应急预案片段，每个句子构成一个所述应急预案片段；或按照所述自然段和所述标点对所述历史应急预案进行分割得到多个应急预案片段。
粗粒度分割是按照自然段对历史应急预案进行分割，每个自然段构成一个应急预案片段；细粒度分割是按照标点对历史应急预案进行分割，每个句子构成一个应急预案片段。由于自然段可能过长，导致语义信息不单一，而句子可能过断，导致语音信息不完整，因此进一步提供了混合分割，具体方案是：首先对应急预案进行粗粒度分割，如果得到的自然段长度低于指定阈值，那么该自然段直接作为最终分割结果，否则对之进行细粒度分割；对自然段进行细粒度分割时，首先查找其中部标点，根据该标点进行折中分割，如果分割结果长度低于阈值，那么停止分割，否则继续按照该细粒度分割方式对分割结果进行分割。
步骤s20，通过应急预案标签标注模型获取每个应急预案片段的标签集合。
其中，所述标签集合包括结构标签集和语义标签集，标签集合以同时反映应急预案片段的结构信息和语义信息，标签集合的构成方式如下：
γ＝λ×z
λ为结构标签集，z为语义标签集，用以编码应急预案片段的语义信息。两者的笛卡尔乘积构成了片段标签集。λ主要用以编码应急预案片段的结构信息，z主要用以编码应急预案片段的语义信息。
例如：λ＝{一级标题,一级内容,二级标题,二级内容}，z＝{组织架构,领导机构,参与机构,响应分级,响应启动条件}，两者的笛卡尔乘积集合中的一项“组织架构一级标题”表示某应急预案片段是组织架构章节的一级标题的一部分，“组织架构一级内容”表示某应急预案片段是组织架构章节的一级标题下内容的一部分。
在本实施例中，所述应急预案标签标注模型是根据样本应急预案片段和其对应的标签集合训练得到的。其中，样本应急预案片段是有样本应急预案片分隔得到的，具体分隔方式与步骤s10中描述的内容相同；样本应急预案片段对应的标签集合同样包括结构标签集和语义标签集，具体标注的标签可以由人工进行标注，然后通过条件随随机场模型对样本应急预案片段和其对应的标签集合进行训练得到应急预案标签标注模型。
具体的，应急预案标签标注模型可以抽象表示为一个应急预案向语义标签序列的映射函数f(plan；parameter)＝labels，其中，plan＝(seg1,…,segn)为由n个片段构成的历史应急预案，每个片段segi(1≤i≤n)由前述应历史急预案分割步骤得到，labels＝(l1,…,ln)为由n个标签构成的序列，每个标签li∈λ×z(1≤i≤n)。parameter是模型参数，由条件随机场模型进行估计得到。
步骤s30，根据结构标签集和语义标签集的笛卡尔乘积确定应急预案框架。
对于本发明实施例，所述应急预案框架中包括多个预案条目，在得到应急预案片段集合后，对之进行重组以得到最终新的应急预案，重组步骤包括：应急预案框架选择与应急预案内容选择。
应急预案框架选择的目标是构建新应急预案的整体结构。前述的应急预案片段标签集已蕴含了应急预案的结构和语义信息，可以将之作为确定应急预案框架的基础，具体方式是从结构标签集和语义标签集的笛卡尔乘积集合中选择部分或全部预案条目作为应急预案框架，如对所有预案条目按照使用频率进行排序，排名在前的n个预案条目作为应急预案框架。
例如：λ＝{一级标题,一级内容,二级标题,二级内容}，z＝{组织架构,领导机构,参与机构,响应分级,响应启动条件}，两者的笛卡尔乘积集合共有4×5＝20个预案条目，可选择其中5个预案条目作为应急预案框架：
{组织架构一级标题,领导机构二级标题,领导机构二级内容,参与机构二级标题,参与机，其含义是生成的应急预案需包含组织架构一级章节，该章节下包含领导机构、参与机构两个二级章节，每个二级章节均需有具体内容。
步骤s40，根据计算的每个应急预案片段与目标非常规突发事件的静态相关性和动态相关性确定每个预案条目的应急预案片段。
步骤s50，通过每个预案条目的应急预案片段生成所述目标非常规突发事件对应的应急预案。
本发明实施例提供一种应急预案生成方法，与目前从历史案例库中查找最相似的案例作为应急预案生成的依据相比，本发明将历史应急预案分隔成多个应急预案片段，然后根据应急预案片段生成应急预案框架及应急预案框架中各预案条目的应急预案片段，最后通过每个预案条目的应急预案片段生成目标非常规突发事件对应的应急预案。由于本发明生成的应急预案是根据应急预案片段确定的，而应急预案片段来由多个历史应急预案分隔而成，因此本发明可对具有发生规律不明显、涉及多灾种动态耦合等特点的非常规突发事件生成应急预案，提高应急预案生成的准确度。
第二实施例
如图2所示，为本发明第二实施例当中的应急预案生成方法，所述将历史应急预案分隔成多个应急预案片段之前，所述方法还包括：
步骤s201，通过场景信息抽取模型获取目标非常规突发事件的场景信息四元组集合。
本实施例的输入、输出均以文本形式呈现，即目标是生成文本型应急预案，所利用的资源是现在已经制定的大量的文本型应急预案，输入信息同样是对给定非常规突发事件的文本描述。一则现有应急预案适用于给定非常规突发事件的首要前提是其处理的突发事件场景与该非常规突发事件的场景匹配，历史应急预案适用于目标非常规突发事件的首要前提是其处理的突发事件场景与该目标非常规突发事件的场景匹配，为此本实施例的首要步骤是抽取突发事件规范化场景信息，即获取目标非常规突发事件的场景信息四元组集合。
为抽取突发事件规范化场景信息，首先设计了突发事件场景信息的规范化描述方式。具体而言，突发事件场景信息使用四元组集合来表示：
s＝{t1,…,tn}
ti＝{namei,typei,upperi,loweri}(i＝1,…,n)
其中，n表示场景信息四元组集合中包含的属性数量，namei表示属性名称，typei表示属性类型，upperi表示属性监测值的上限，loweri表示属性监测值的下限(1≤i≤n)，两者需满足loweri≤upperi。为便于理解，本实施例给出一则突发事件规范化场景信息的具体实例：对于某应急预案中的句子“3000吨以上的非客船发生碰撞，危及10人以上30人以下生命安全的水上安保事件”，其对应四元组集合为s＝{<非客船，承灾体，∞，3000吨>，<生命安全,承灾体，30人，10人>}。
之后，本实施例训练了场景信息抽取模型，该场景信息抽取模型是根据历史应急预案及其对应的场景信息四元组集合训练得到，即对历史应急预案按照上述方式进行场景信息四元组标注，然后根据标注的数据进行模型训练得到场景信息抽取模型。该模型可以抽象表示为一个文本序列向四元组集合的映射函数f(text；parameter)＝quadruples，其中，text为应急预案中的句子或者目标非常规突发事件的文本描述，quadruples是其中包含的场景信息四元组集合，parameter是场景信息抽取模型的参数。
具体的，场景信息抽取模型基于编码器-解码器结构的深度神经网络进行估计，该网络架构如图3所示。用于抽取规范化场景信息的深度神经网络的输入是由单词序列构成的应急场景描述文本，之后进入编码器神经网络对之进行编码，得到高维向量形式的中间表示，再后中间表示信息进入解码器神经网络进行解码，得到最终的场景信息四元组集合。为了便于解码器对解码过程的开始与结束进行控制，增加两个标志四元组<start,null,null,null>和<end,null,null,null>，当解码器输出前者时表示解码过程开始，解码器输出后者时表示解码过程结束。
突发事件规范化场景信息抽取阶段可以进一步细分为两个子阶段：抽取历史应急预案中的突发事件规范化场景信息、抽取目标非常规突发事件描述文本中的规范化场景信息。在这两个子阶段中，将历史应急预案和目标非常规突发事件的描述文本均当作具有相同格式的文本，统一使用上述场景信息抽取模型实现。
步骤s202，通过计算历史应急预案的场景信息四元组集合和目标非常规突发事件的场景信息四元组集合的匹配度，过滤历史应急预案中的无效预案。
具体的，所述通过计算所述历史应急预案的场景信息四元组集合和所述目标非常规突发事件的场景信息四元组集合的匹配度，过滤历史应急预案中的无效预案，包括：
1、通过公式match(s,s′)＝∑t′∈s′maxt∈s(match(t,t′))计算所述历史应急预案的场景信息四元组集合和所述目标非常规突发事件的场景信息四元组集合的匹配度；
2、将所述匹配度低于指定阈值的历史应急预案确定为无效预案，并过滤所述无效预案；
其中，s和s′分别表示所述历史应急预案和所述目标非常规突发事件的场景信息四元组集合；match(t,t′)用于计算s和s′中的任两个场景信息四元组t和t′之间的匹配度。
具体计算流程如图4所示。首先，比较两个场景信息四元组的type字段，仅当type相同时进入后续匹配，否则认定为不匹配；之后，比较两个场景信息四元组的name字段，仅当name相同时进入后续匹配，否则认定为不匹配；最后，比较两个场景信息四元组的upper字段和lower字段，比较结果包含场景信息四种情况，分别是：完全匹配，即两个场景信息四元组的upper字段和lower字段分别完全相等；包含匹配，即一个场景信息四元组的lower字段和upper字段构成的区间在另一个场景信息四元组的区间内；交叉匹配，即一个场景信息四元组的lower字段和upper字段构成的区间在另一个场景信息四元组的区间形成交集关系；不匹配，即一个场景信息四元组的lower字段和upper字段构成的区间在另一个场景信息四元组的区间完全不相关。对于四种匹配结果，分别返回a、b、c、d四个值，用以反映这四种匹配情况的得分，a、b、c、d四个值需满足a>b或c≥0>d。
计算得到s和s′中的任两个场景信息四元组t和t′之间的匹配得分后，根据公式match(s,s′)＝∑t′∈s′maxt∈s(match(t,t′))计算s和s′的匹配总得分，低于指定阈值的历史应急预案被认定为无效应急预案，其它的历史应急预案被认定为目标非常规突发事件的候选应急预案。
第三实施例
如图5和图6所示，为本发明第三实施例当中的应急预案生成方法，所述根据计算的每个应急预案片段与目标非常规突发事件的静态相关性和动态相关性确定每个预案条目的应急预案片段，包括：
步骤501，将与目标非常规突发事件的静态相关性最高的应急预案片段确定为所述预案条目的应急预案片段。
在本实施例中，在根据第二实施例得到针对目标非常规突发事件的有效的历史应急预案片段集合之后，下一步将从中提取出与目标非常规突发事件密切相关的子集。具体的计算各应急预案片段与目标非常规突发事件的相关性，相关性低于指定阈值的应急预案片段被排除出后续处理。为区别于后续阶段计算的相关性，本步骤中的相关性称之为静态相关性。
应急预案片段静态相关性具体计算方式为：令某应急预案片段或目标非常规突发事件文本描述为x＝{w1,…,wn}，其中w1,…,wn为其中的各个单词，n为单词数量，首先按如下方式计算x的初始向量表示：
其中，pr(wi)是单词wi在所有应急预案片段集合中出现的频率，pr(wi；l)是单词wi在所有被标注为l标签的应急预案片段集合中出现的频率，两者均通过对片段集合进行统计得到；vec(wi)是单词wi的向量表示，可通过word2vec、glove等任意词向量表示模型得到；所述l标签为所述标签集合中的标签，a是事先指定的模型超参数。
进一步的，计算各应急预案片段与目标非常规突发事件的静态相关性之后，从初始向量中减去所有向量的公共部分，以增强片段向量的区分度。具体步骤是：
将有效应急预案片段集合中所有片段的初始向量(以列向量组织)排列为一个矩阵m＝[vec0(x1),…,vec0(xn)]，其中n为所有片段的数量；
将所有标签为l的片段的初始向量(以列向量组织)排列为一个矩阵ml＝[vec0(x1),…,vec0(xm)]，其中m为所有标签为l的片段的数量；
计算m的前两个主成分向量u0与u1，ml的前两个主成分向量v0与v1；
按照如下方式计算某标签为l的应急预案片段x的最终向量表示：
其中，λ是事先指定的超参数。
最后，利用应急预案片段的向量表示和给定非常规突发事件文本描述的向量表示计算两者之间的相关性，具体计算方式可通过任意向量距离函数(比如向量余弦距离、向量欧式距离等)得到。相关性超过指定阈值的应急预案片段作为候选资源进入后续步骤处理。
最后，利用应急预案片段的向量表示和目标非常规突发事件文本描述的向量表示计算两者之间的静态相关性，具体计算方式可通过任意向量距离函数(比如向量余弦距离、向量欧式距离等)得到。相关性超过指定阈值的应急预案片段作为候选资源进入后续步骤处理。
步骤502，排除所述静态相关性最高的应急预案片段，并计算剩余的应急预案片段与目标非常规突发事件的动态相关性。
具体的，通过下述公式计算每个应急预案片段与目标非常规突发事件的动态相关性：
其中，应急预案片段集合为c＝{c1,…,cn}，每个应急预案片段为ci(1≤i≤n)，rel0(ci,n)为应急预案片段ci与新选择应急预案片段n的静态相关性，rel0(ci,target)为应急预案片段ci与目标非常规突发事件文本描述target的静态相关性，α和β为指定的超参数。
动态相关性公式的基本思想是当选择一则新的应急预案片段作为新应急预案的内容时，如果剩余应急预案片段与之相似度较高，那么剩余应急预案片段的相关性应适当降低，以防止将大量语义重复的应急预案片段继续选择为新应急预案的内容；同时，如果剩余应急预案片段与之来自于相同的历史应急预案，那么剩余应急预案片段的相关性应适当调高，以有利于将内容连贯的应急预案片段选择为新应急预案的内容。这两方面因素的重要性通过α和β进行调整。
步骤503，将与目标非常规突发事件的动态相关性最高的应急预案片段确定为所述预案条目的应急预案片段。
步骤504，排除所述动态相关性最高的应急预案片段，并计算剩余的应急预案片段应急预案片段的动态相关性，直至所述预案条目的应急预案片段的数量满足指定数值。
上述新应急预案片段选择过程重复进行，直到为该预案条目选择了满足指定数量的片段。针对应急预案框架选择阶段确定的所有预案条目均采用上述选择过程，所有预案条目选择结束后，新内容集合中的应急预案片段即构成了新应急预案的内容。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种应急预案生成装置，该应急预案生成装置与上述实施例中应急预案生成方法一一对应。如图7所示，所述应急预案生成装置各功能模块详细说明如下所示：
划分模块10，用于将历史应急预案分隔成多个应急预案片段；
获取模块20，用于通过应急预案标签标注模型获取每个所述应急预案片段的标签集合，所述标签集合包括结构标签集和语义标签集，所述应急预案标签标注模型片段是根据样本应急预案和其对应的标签集合训练得到的；
确定模块30，用于根据所述结构标签集和所述语义标签集的笛卡尔乘积确定应急预案框架，所述应急预案框架中包括多个预案条目；
所述确定模块30，还用于根据计算的每个应急预案片段与目标非常规突发事件的静态相关性和动态相关性确定每个预案条目的应急预案片段；
生成模块40，用于通过每个预案条目的应急预案片段生成所述目标非常规突发事件对应的应急预案。
进一步的，所述装置还包括：
获取模块20，还用于通过场景信息抽取模型获取目标非常规突发事件的场景信息四元组集合，所述场景信息抽取模型是根据历史应急预案及其对应的场景信息四元组集合训练得到；
过滤模块，用于通过计算所述历史应急预案的场景信息四元组集合和所述目标非常规突发事件的场景信息四元组集合的匹配度，过滤历史应急预案中的无效预案。
具体的，所述场景信息四元组集合包括属性名称、属性类型、上限值和下限值，所述过滤模块，用于：
通过公式match(s,s′)＝∑t′∈s′maxt∈s(match(t,t′))计算所述历史应急预案的场景信息四元组集合和所述目标非常规突发事件的场景信息四元组集合的匹配度；
将所述匹配度低于指定阈值的历史应急预案确定为无效预案，并过滤所述无效预案；
其中，s和s′分别表示所述历史应急预案和所述目标非常规突发事件的场景信息四元组集合；match(t,t′)用于计算s和s′中的任两个场景信息四元组t和t′之间的匹配度。
进一步的，所述划分模块10，具体用于：
按照自然段对所述历史应急预案进行分割得到多个应急预案片段，每个自然段构成一个所述应急预案片段；或
按照标点对所述历史应急预案进行分割得到多个应急预案片段，每个句子构成一个所述应急预案片段；或
按照所述自然段和所述标点对所述历史应急预案进行分割得到多个应急预案片段。
具体的，所述确定模块30，用于：
将与目标非常规突发事件的静态相关性最高的应急预案片段确定为所述预案条目的应急预案片段；
排除所述静态相关性最高的应急预案片段，并计算剩余的应急预案片段与目标非常规突发事件的动态相关性；
将与目标非常规突发事件的动态相关性最高的应急预案片段确定为所述预案条目的应急预案片段；
排除所述动态相关性最高的应急预案片段，并计算剩余的应急预案片段应急预案片段的动态相关性，直至所述预案条目的应急预案片段的数量满足指定数值。
通过公式
根据所述应急预案片段的初始向量和所述目标非常规突发事件的初始向量计算所述应急预案片段与目标非常规突发事件的静态相关性；
其中，所述应急预案片段或所述目标非常规突发事件的文本描述为x＝{w1,…,wn}，w1,…,wn为其中的各个单词，n为单词数量，pr(wi)是单词wi在所有应急预案片段集合中出现的频率，pr(wi；l)是单词wi在所有被标注为l标签的应急预案片段集合中出现的频率，vec(wi)是单词wi的向量表示，所述l标签为所述标签集合中的标签，a为模型超参数。
将所述应急预案片段中所有片段的初始向量排列为一个矩阵m＝[vec0(x1),…,vec0(xn)]，所述n为所有片段的数量；
将所有标签为l的应急预案片段的初始向量排列为一个矩阵ml＝[vec0(x1),…,vec0(xm)]，所述m为所有标签为l的片段的数量；
计算m的前两个主成分向量u0与u1，ml的前两个主成分向量v0与v1；
通过公式
通过公式计算每个应急预案片段与目标非常规突发事件的动态相关性：
其中，应急预案片段集合为c＝{c1,…,cn}，每个应急预案片段为ci(1≤i≤n)，rel0(ci,n)为应急预案片段ci与新选择应急预案片段n的静态相关性，rel0(ci,target)为应急预案片段ci与目标非常规突发事件文本描述target的静态相关性，α和β为指定的超参数。
关于应急预案生成装置的具体限定可以参见上文中对于应急预案生成方法的限定，在此不再赘述。上述设备中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种应急预案生成方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
将历史应急预案分隔成多个应急预案片段；
通过应急预案标签标注模型获取每个所述应急预案片段的标签集合，所述标签集合包括结构标签集和语义标签集，所述应急预案标签标注模型是根据样本应急预案片段和其对应的标签集合训练得到的；
根据所述结构标签集和所述语义标签集的笛卡尔乘积确定应急预案框架，所述应急预案框架中包括多个预案条目；
根据计算的每个应急预案片段与目标非常规突发事件的静态相关性和动态相关性确定每个预案条目的应急预案片段；
通过每个预案条目的应急预案片段生成所述目标非常规突发事件对应的应急预案。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
将历史应急预案分隔成多个应急预案片段；
通过应急预案标签标注模型获取每个所述应急预案片段的标签集合，所述标签集合包括结构标签集和语义标签集，所述应急预案标签标注模型是根据样本应急预案片段和其对应的标签集合训练得到的；
根据所述结构标签集和所述语义标签集的笛卡尔乘积确定应急预案框架，所述应急预案框架中包括多个预案条目；
根据计算的每个应急预案片段与目标非常规突发事件的静态相关性和动态相关性确定每个预案条目的应急预案片段；
通过每个预案条目的应急预案片段生成所述目标非常规突发事件对应的应急预案。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
1.一种应急预案生成方法，其特征在于，所述方法包括：
将历史应急预案分隔成多个应急预案片段；
通过应急预案标签标注模型获取每个所述应急预案片段的标签集合，所述标签集合包括结构标签集和语义标签集，所述应急预案标签标注模型是根据样本应急预案片段和其对应的标签集合训练得到的；
根据所述结构标签集和所述语义标签集的笛卡尔乘积确定应急预案框架，所述应急预案框架中包括多个预案条目；
根据计算的每个应急预案片段与目标非常规突发事件的静态相关性和动态相关性确定每个预案条目的应急预案片段；
通过每个预案条目的应急预案片段生成所述目标非常规突发事件对应的应急预案。
2.根据权利要求1所述的应急预案生成方法，其特征在于，所述将历史应急预案分隔成多个应急预案片段之前，所述方法还包括：
通过场景信息抽取模型获取目标非常规突发事件的场景信息四元组集合，所述场景信息抽取模型是根据历史应急预案及其对应的场景信息四元组集合训练得到；
通过计算所述历史应急预案的场景信息四元组集合和所述目标非常规突发事件的场景信息四元组集合的匹配度，过滤历史应急预案中的无效预案。
3.根据权利要求2所述的应急预案生成方法，其特征在于，所述场景信息四元组集合包括属性名称、属性类型、上限值和下限值，所述通过计算所述历史应急预案的场景信息四元组集合和所述目标非常规突发事件的场景信息四元组集合的匹配度，过滤历史应急预案中的无效预案，包括：
通过公式match(s,s′)＝∑t′∈s′maxt∈s(match(t,t′))计算所述历史应急预案的场景信息四元组集合和所述目标非常规突发事件的场景信息四元组集合的匹配度；
将所述匹配度低于指定阈值的历史应急预案确定为无效预案，并过滤所述无效预案；
其中，s和s′分别表示所述历史应急预案和所述目标非常规突发事件的场景信息四元组集合；match(t,t′)用于计算s和s′中的任两个场景信息四元组t和t′之间的匹配度。
4.根据权利要求1所述的应急预案生成方法，其特征在于，所述将历史应急预案分隔成多个应急预案片段，包括：
按照自然段对所述历史应急预案进行分割得到多个应急预案片段，每个自然段构成一个所述应急预案片段；或
按照标点对所述历史应急预案进行分割得到多个应急预案片段，每个句子构成一个所述应急预案片段；或
按照所述自然段和所述标点对所述历史应急预案进行分割得到多个应急预案片段。
5.根据权利要求2所述的应急预案生成方法，其特征在于，所述根据计算的每个应急预案片段与目标非常规突发事件的静态相关性和动态相关性确定每个预案条目的应急预案片段，包括：
将与目标非常规突发事件的静态相关性最高的应急预案片段确定为所述预案条目的应急预案片段；
排除所述静态相关性最高的应急预案片段，并计算剩余的应急预案片段与目标非常规突发事件的动态相关性；
将与目标非常规突发事件的动态相关性最高的应急预案片段确定为所述预案条目的应急预案片段；
排除所述动态相关性最高的应急预案片段，并计算剩余的应急预案片段应急预案片段的动态相关性，直至所述预案条目的应急预案片段的数量满足指定数值。
6.根据权利要求5所述的应急预案生成方法，其特征在于，所述根据计算的每个应急预案片段与目标非常规突发事件的静态相关性和动态相关性确定每个预案条目的应急预案片段之前，所述方法还包括：
通过公式
根据所述应急预案片段的初始向量和所述目标非常规突发事件的初始向量计算所述应急预案片段与目标非常规突发事件的静态相关性；
其中，所述应急预案片段或所述目标非常规突发事件的文本描述为x＝{w1,…,wn}，w1,…,wn为其中的各个单词，n为单词数量，pr(wi)是单词wi在所有应急预案片段集合中出现的频率，pr(wi；l)是单词wi在所有被标注为l标签的应急预案片段集合中出现的频率，vec(wi)是单词wi的向量表示，所述l标签为所述标签集合中的标签，a为模型超参数。
7.根据权利要求5所述的应急预案生成方法，其特征在于，所述根据计算的每个应急预案片段与目标非常规突发事件的静态相关性和动态相关性确定每个预案条目的应急预案片段之前，所述方法还包括：
通过公式计算每个应急预案片段与目标非常规突发事件的动态相关性：
其中，应急预案片段集合为c＝{c1,…,cn}，每个应急预案片段为ci(1≤i≤n)，rel0(ci,n)为应急预案片段ci与新选择应急预案片段n的静态相关性，rel0(ci,target)为应急预案片段ci与目标非常规突发事件文本描述target的静态相关性，α和β为指定的超参数。
8.一种应急预案生成装置，其特征在于，所述装置包括：
划分模块，用于将历史应急预案分隔成多个应急预案片段；
获取模块，用于通过应急预案标签标注模型获取每个所述应急预案片段的标签集合，所述标签集合包括结构标签集和语义标签集，所述应急预案标签标注模型片段是根据样本应急预案和其对应的标签集合训练得到的；
确定模块，用于根据所述结构标签集和所述语义标签集的笛卡尔乘积确定应急预案框架，所述应急预案框架中包括多个预案条目；
所述确定模块，还用于根据计算的每个应急预案片段与目标非常规突发事件的静态相关性和动态相关性确定每个预案条目的应急预案片段；
生成模块，用于通过每个预案条目的应急预案片段生成所述目标非常规突发事件对应的应急预案。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的应急预案生成方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的应急预案生成方法。
技术总结