基于知識庫的政務(wù)數(shù)據(jù)質(zhì)量評價(jià)

駱文輝 陳鋼 毛建 水新瑩

（長三角信息智能創(chuàng)新研究院 安徽省蕪湖市 241000）

1 引言

政府在大數(shù)據(jù)時(shí)代扮演重要角色，政府既是大數(shù)據(jù)的生產(chǎn)者，也是大數(shù)據(jù)的消費(fèi)者。國務(wù)院印發(fā)的《促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要》指出，大數(shù)據(jù)已成為“提升政府治理能力的新途徑”。從狹義上說，政務(wù)大數(shù)據(jù)是指政府為履行職能在業(yè)務(wù)開展過程中所擁有、產(chǎn)生和管理的數(shù)據(jù)，通常源自于城市管理和公共服務(wù)，如社保數(shù)據(jù)、稅務(wù)數(shù)據(jù)、教育數(shù)據(jù)等。從廣義上說，政務(wù)大數(shù)據(jù)是政府將自身的業(yè)務(wù)數(shù)據(jù)和收集的外部社會(huì)數(shù)據(jù)進(jìn)行匯聚、融合和治理后形成[1]，是政府部門權(quán)力和責(zé)任在政務(wù)服務(wù)領(lǐng)域的應(yīng)用實(shí)踐。

俗話說：“垃圾數(shù)據(jù)進(jìn)，垃圾數(shù)據(jù)出”。數(shù)據(jù)質(zhì)量是政務(wù)大數(shù)據(jù)的重中之重，事關(guān)提升城市治理能力的最終成效?？茖W(xué)的數(shù)據(jù)質(zhì)量評價(jià)體系不但能夠提升政務(wù)大數(shù)據(jù)的可用性，而且還能為有效分析數(shù)據(jù)、反哺數(shù)據(jù)提供便利。為了能夠讓政務(wù)大數(shù)據(jù)解決更多業(yè)務(wù)問題，在理想情況下數(shù)據(jù)維度越多越好，數(shù)據(jù)準(zhǔn)確性越高越好。基于此，本文探討如何通過構(gòu)建知識庫從數(shù)據(jù)目錄、數(shù)據(jù)項(xiàng)和數(shù)據(jù)值這三個(gè)不同層次來對政務(wù)大數(shù)據(jù)進(jìn)行質(zhì)量評價(jià)。

2 評價(jià)模型

2.1 數(shù)據(jù)指標(biāo)知識庫

智慧城市所服務(wù)的主體是自然人和法人，城市大數(shù)據(jù)的核心是關(guān)于自然人和法人的數(shù)據(jù)。因此，有必要建立一個(gè)能夠全面描述自然人和法人且能夠反映其歷史狀態(tài)變化的數(shù)據(jù)體系。雖然有些省市制定了市民信息和企業(yè)信息的地方標(biāo)準(zhǔn)（如貴州制定了人口基礎(chǔ)數(shù)據(jù)和法人單位基礎(chǔ)數(shù)據(jù)標(biāo)準(zhǔn)），但我國當(dāng)前沒有完善的自然人和法人數(shù)據(jù)體系標(biāo)準(zhǔn)，在各類涉人和涉企的信息系統(tǒng)建設(shè)中沒有考慮全生命周期特征，無法形成全維度、跨層級、跨系統(tǒng)、跨部門、跨業(yè)務(wù)的數(shù)據(jù)指標(biāo)體系[2]?；诖?，本文利用自然語言處理技術(shù)，結(jié)合多個(gè)城市政務(wù)服務(wù)網(wǎng)站數(shù)據(jù)，形成數(shù)據(jù)指標(biāo)知識庫，包括數(shù)據(jù)目錄、數(shù)據(jù)項(xiàng)和數(shù)據(jù)來源部門。

2.2 知識庫構(gòu)建方法

根據(jù)《2021 省級政府和重點(diǎn)城市網(wǎng)上政務(wù)服務(wù)能力調(diào)查評估報(bào)告》[3]，選取一體化政務(wù)服務(wù)能力較高的10 個(gè)重點(diǎn)城市（深圳、廣州、南京、杭州、寧波、合肥、青島、武漢、哈爾濱、南昌）的政務(wù)服務(wù)網(wǎng)站作為數(shù)據(jù)指標(biāo)知識庫形成的來源。數(shù)據(jù)指標(biāo)體系主要包括四個(gè)部分：權(quán)力清單與政務(wù)服務(wù)目錄匹配、自然人和法人事件構(gòu)建，政務(wù)服務(wù)目錄與事件匹配和目錄數(shù)據(jù)項(xiàng)構(gòu)建。

2.2.1 來源部門構(gòu)建

首先，對中文RoBERTa 預(yù)訓(xùn)練語言模型采用政務(wù)領(lǐng)域語料庫進(jìn)行無監(jiān)督訓(xùn)練，獲取擁有政務(wù)領(lǐng)域知識的RoBERTa 預(yù)訓(xùn)練語言模型。其次，使用政務(wù)領(lǐng)域知識的RoBERTa 預(yù)訓(xùn)練語言模型對政務(wù)服務(wù)清單文本和權(quán)力清單文本進(jìn)行語義提取，得到政務(wù)服務(wù)清單文本詞向量和權(quán)力清單文本詞向量。最后，計(jì)算服務(wù)清單文本詞向量和權(quán)力清單文本詞向量的余弦相似度，選取相似度最高的文本進(jìn)行匹配，形成來源部門。

2.2.2 數(shù)據(jù)目錄構(gòu)建

首先，獲取上述10 個(gè)城市政務(wù)服務(wù)網(wǎng)中個(gè)人辦事和法人辦事的網(wǎng)頁數(shù)據(jù)。使用xpath 和BeautifulSoup 以及JSON 數(shù)據(jù)解析方法對網(wǎng)頁進(jìn)行數(shù)據(jù)清洗和相關(guān)數(shù)據(jù)的數(shù)據(jù)提取，提取出對應(yīng)的自然人事件和法人事件。將提取的數(shù)據(jù)進(jìn)行規(guī)整，通過pymysql 技術(shù)連接到本地MySQL 數(shù)據(jù)庫，將規(guī)整后的數(shù)據(jù)存入數(shù)據(jù)庫中。運(yùn)用詞向量計(jì)算文本相似度，設(shè)定指定閾值，對相似自然人事件和法人事件進(jìn)行融合，形成數(shù)據(jù)目錄。

2.2.3 數(shù)據(jù)項(xiàng)構(gòu)建

首先，獲取10 個(gè)城市辦事結(jié)果表格、證書圖片等。對表格數(shù)據(jù)直接處理得到目錄對應(yīng)的數(shù)據(jù)項(xiàng)；對證書圖片應(yīng)用OCR 算法進(jìn)行文本提取，獲取具體文本后再進(jìn)行文本處理獲取數(shù)據(jù)項(xiàng)，具體算法如下：

Step1.使用卷積神經(jīng)網(wǎng)絡(luò)（VGG、ResNet、DenseNet 等）作為特征提取網(wǎng)絡(luò)，提取事項(xiàng)申請材料（證照）圖片中信息生成特征圖；

Step2.使用文本檢測模型（Faster-RCNN、RRPN、CTPN、TextBoxes 等）處理特征圖定位到文字框；

Step3.使用CRNN+CTC、CNN+RNN+Attention 或CNN+Seq2Seq+Attention 模型實(shí)現(xiàn)對文字框中的文字內(nèi)容識別。

Step4.文字內(nèi)容進(jìn)行數(shù)據(jù)清洗，并過濾掉與業(yè)務(wù)事項(xiàng)相關(guān)性弱的數(shù)據(jù)項(xiàng)，保留核心數(shù)據(jù)項(xiàng)。

Step5.將數(shù)據(jù)項(xiàng)按照數(shù)據(jù)目標(biāo)進(jìn)行組合，形成數(shù)據(jù)項(xiàng)標(biāo)準(zhǔn)。

在完成數(shù)據(jù)目錄、數(shù)據(jù)項(xiàng)和來源部門構(gòu)建后，數(shù)據(jù)指標(biāo)知識庫就構(gòu)建完成了，以此對政務(wù)數(shù)據(jù)按數(shù)據(jù)目錄、數(shù)據(jù)項(xiàng)和來源部門進(jìn)行匹配和識別。該方法基于詞向量計(jì)算相似度，若相似度超過指定閾值，則認(rèn)為數(shù)據(jù)目錄或數(shù)據(jù)項(xiàng)或來源部門匹配成功。

3 數(shù)據(jù)質(zhì)量評價(jià)方法

3.1 評價(jià)流程

基于數(shù)據(jù)指標(biāo)知識庫對政務(wù)數(shù)據(jù)質(zhì)量的評價(jià)流程如下：

3.1.1 確定評價(jià)對象

以數(shù)據(jù)指標(biāo)知識庫為基礎(chǔ)，對政務(wù)數(shù)據(jù)按數(shù)據(jù)目錄進(jìn)行識別（基于詞向量計(jì)算相似度，若相似度超過指定閾值，則認(rèn)為數(shù)據(jù)目錄匹配成功），把在數(shù)據(jù)指標(biāo)知識庫覆蓋范圍內(nèi)的數(shù)據(jù)目錄及其數(shù)據(jù)項(xiàng)作為質(zhì)量評價(jià)的對象。

3.1.2 確定評價(jià)指標(biāo)

對于數(shù)據(jù)目錄、數(shù)據(jù)項(xiàng)和來源部門而言，以覆蓋率作為評價(jià)指標(biāo)。對于數(shù)據(jù)值而言，根據(jù)《GB/T 36344-2018 信息技術(shù)數(shù)據(jù)質(zhì)量評價(jià)指標(biāo)》[4]，選取選取規(guī)范性、完整性、準(zhǔn)確性、一致性、時(shí)效性和可訪問性作為評價(jià)指標(biāo)。

3.1.3 確立每個(gè)評價(jià)維度權(quán)重

政務(wù)數(shù)據(jù)質(zhì)量最終取決于兩個(gè)因素：覆蓋率和數(shù)據(jù)值質(zhì)量。在實(shí)際操作中，可以按照“均等權(quán)重”來設(shè)置，也可根據(jù)實(shí)際需要來設(shè)置權(quán)重。本文主要采取“均等權(quán)重”來計(jì)算。

3.1.4 計(jì)算分值

基于數(shù)據(jù)質(zhì)量的各個(gè)評價(jià)維度，運(yùn)用內(nèi)置度量規(guī)則和檢核方法對對政務(wù)大數(shù)據(jù)進(jìn)行多角度分析計(jì)算，得出每個(gè)評價(jià)維度下的分值。

3.1.5 結(jié)果輸出

輸出分析結(jié)果及評價(jià)報(bào)告，給出政務(wù)數(shù)據(jù)質(zhì)量提升建議。

3.2 覆蓋率評價(jià)

對于數(shù)據(jù)目錄、數(shù)據(jù)項(xiàng)和來源部門進(jìn)行覆蓋率評價(jià)，不但可以清楚地了解地市政務(wù)服務(wù)事項(xiàng)覆蓋度，還有助于精確定位問題數(shù)據(jù)產(chǎn)生的源頭部門，給出問題數(shù)據(jù)的所屬分類及解決辦法，以數(shù)據(jù)質(zhì)量工單的方式反饋源頭部門。在覆蓋率評價(jià)時(shí)，政務(wù)數(shù)據(jù)目錄、數(shù)據(jù)項(xiàng)和來源部門命名可能與數(shù)據(jù)指標(biāo)知識庫存在差異，為此需要判斷名稱之間的相似度。本文采用word2vec 模型將詞向量化，比較兩個(gè)詞（短文本）的相似度，設(shè)置相似度閾值，規(guī)定大于閾值的兩詞具有一致的語義，如圖1所示。

圖1：基于詞向量的相似性檢測

覆蓋率評價(jià)公式如下所示：

數(shù)據(jù)目錄覆蓋率 = 匹配成功的數(shù)據(jù)目錄÷數(shù)據(jù)指標(biāo)知識庫中數(shù)據(jù)目錄的數(shù)量×100%

數(shù)據(jù)項(xiàng)覆蓋率 = 匹配成功的數(shù)據(jù)項(xiàng)÷數(shù)據(jù)指標(biāo)知識庫中數(shù)據(jù)目錄中數(shù)據(jù)項(xiàng)的數(shù)量×100%

部門覆蓋率 = 匹配成功的部門÷數(shù)據(jù)指標(biāo)知識庫中數(shù)據(jù)目錄中部門的數(shù)量×100%

3.3 數(shù)據(jù)值評價(jià)

《GB/T 36344-2018》定義了共計(jì)20 個(gè)二級評價(jià)指標(biāo)?；诳蓪?shí)現(xiàn)角度考慮，方案選取其中12 個(gè)二級評價(jià)指標(biāo)設(shè)置具體規(guī)則（R代表規(guī)則）。

3.3.1 規(guī)范性

規(guī)范性是待評價(jià)數(shù)據(jù)集中各數(shù)據(jù)項(xiàng)的名稱、描述、類型值域等內(nèi)容必須符合元數(shù)據(jù)定義的度量。

R1：數(shù)據(jù)目錄和數(shù)據(jù)項(xiàng)具有可理解的中文注釋。

3.3.2 完整性

完整性是待評價(jià)的數(shù)據(jù)集中數(shù)據(jù)元素應(yīng)被賦值的程度。

R2：按配置表來檢測表數(shù)據(jù)，首先根據(jù)表名查詢數(shù)據(jù)總量，記錄下來，第二天在查詢同一個(gè)數(shù)據(jù)庫，檢測數(shù)據(jù)總量并與昨日數(shù)據(jù)量進(jìn)行相減，若差值小于指定閾值，則認(rèn)為數(shù)據(jù)完整，否則，認(rèn)為該表數(shù)據(jù)不完整。

3.3.3 準(zhǔn)確性

準(zhǔn)確性是待評價(jià)數(shù)據(jù)元素與期望的數(shù)據(jù)元素之間的真實(shí)程度，即待評價(jià)數(shù)據(jù)元素是否錯(cuò)誤或異常。準(zhǔn)確性指的是數(shù)據(jù)合規(guī)性、數(shù)據(jù)重復(fù)率和數(shù)據(jù)唯一性。數(shù)據(jù)合規(guī)性主要檢查待評價(jià)數(shù)據(jù)的數(shù)據(jù)格式包括數(shù)據(jù)類型、數(shù)值范圍、數(shù)據(jù)長度、精度等是否滿足預(yù)期要求。數(shù)據(jù)重復(fù)率主要評價(jià)數(shù)據(jù)集中數(shù)據(jù)元素意外重復(fù)的度量。數(shù)據(jù)唯一性是指特定數(shù)據(jù)項(xiàng)、數(shù)據(jù)元素唯一性的度量。

R3：待評價(jià)數(shù)據(jù)集中各數(shù)據(jù)項(xiàng)必須對應(yīng)指定數(shù)據(jù)項(xiàng)類型，如姓名必須varchar 格式，日期數(shù)據(jù)項(xiàng)可以為date 或varchar 格式。

R4：待評價(jià)數(shù)據(jù)集中各數(shù)據(jù)項(xiàng)必須在正確值域內(nèi)取值。

R5：待評價(jià)數(shù)據(jù)集匯總各數(shù)據(jù)項(xiàng)的數(shù)據(jù)精度不得過長，必須符合給定配置表規(guī)則的長度和數(shù)據(jù)類型。

R6：根據(jù)配置表規(guī)則，選中指定數(shù)據(jù)目錄、指定數(shù)據(jù)項(xiàng)進(jìn)行重復(fù)率檢測，數(shù)據(jù)集中不出現(xiàn)兩行所有屬性都一樣的數(shù)據(jù)，即認(rèn)為是數(shù)據(jù)集非重復(fù)。

R7：根據(jù)配置表規(guī)則，一個(gè)表中指定數(shù)據(jù)項(xiàng)中的每個(gè)數(shù)據(jù)必須唯一。

3.3.4 一致性

一致性是用于描述數(shù)據(jù)與數(shù)據(jù)之間在某一特定條件下滿足某一相同的條件或狀態(tài)。一致性指標(biāo)包括相同數(shù)據(jù)一致性和關(guān)聯(lián)數(shù)據(jù)一致性。

R8：根據(jù)指定配置表規(guī)則，找出同一部門同一類業(yè)務(wù)數(shù)據(jù)之間的一致性，即同部門數(shù)據(jù)表之間相同或關(guān)聯(lián)數(shù)據(jù)項(xiàng)必須一致。

R9：單個(gè)數(shù)據(jù)目錄中一致性約束規(guī)則檢查關(guān)聯(lián)數(shù)據(jù)的一致性。如根據(jù)身份證數(shù)據(jù)項(xiàng)可以關(guān)聯(lián)到年齡、籍貫、性別、出生日期等數(shù)據(jù)項(xiàng)。

3.3.5 時(shí)效性

時(shí)效性是按照業(yè)務(wù)規(guī)則，數(shù)據(jù)在時(shí)間變化中的正確程度。時(shí)效性指標(biāo)包括基于時(shí)間段的正確性、基于時(shí)間點(diǎn)的及時(shí)性和時(shí)序性。本文僅評價(jià)基于時(shí)間段的正確性和基于時(shí)間點(diǎn)的及時(shí)性。

越南當(dāng)?shù)貢r(shí)間11月22日上午9點(diǎn)30分（北京時(shí)間10點(diǎn)30分），“2018香港古董車滇越行”在越南海防正式發(fā)車，8輛世界級古董車從這里開啟了從大海出發(fā)到達(dá)云貴高原世界之“滇”昆明的旅程。

R10：基于時(shí)間戳的記錄數(shù)、頻率分布或延遲時(shí)間符合業(yè)務(wù)需求的程度。根據(jù)配置表規(guī)則，查詢指定業(yè)務(wù)表中指定業(yè)務(wù)時(shí)間數(shù)據(jù)項(xiàng)的最大值，計(jì)算該值與計(jì)算時(shí)間（當(dāng)天）的差值，將差值與閾值進(jìn)行比較，若小于閾值，則認(rèn)為該表數(shù)據(jù)及時(shí)。

R11：基于時(shí)間段的正確性：基于日期范圍的記錄數(shù)或頻率分布符合業(yè)務(wù)需求的程度。根據(jù)配置表規(guī)則，查詢指定業(yè)務(wù)表中指定業(yè)務(wù)時(shí)間數(shù)據(jù)項(xiàng)的取值范圍，然后計(jì)算該取值范圍在指定閾值中的符合程度。

3.3.6 可訪問性

可訪問性是數(shù)據(jù)能被訪問的程度。

R12：在獲取數(shù)據(jù)記錄時(shí)是否如期返回所有數(shù)據(jù)項(xiàng)值。獲取數(shù)據(jù)日志，根據(jù)日志進(jìn)行打分。

3.4 分值計(jì)算

其中Ri為第i 個(gè)指標(biāo)的評價(jià)結(jié)果，c 為指標(biāo)i 對應(yīng)的評價(jià)規(guī)則總數(shù)（在本文中為c 為12），wj為指標(biāo)i 各規(guī)則的權(quán)重；Nij為數(shù)據(jù)集上符合第i 個(gè)指標(biāo)的第j 條規(guī)則的數(shù)據(jù)記錄數(shù)或數(shù)據(jù)元素?cái)?shù)；Mij為總數(shù)據(jù)記錄數(shù)或數(shù)據(jù)元素?cái)?shù)。數(shù)據(jù)值數(shù)據(jù)質(zhì)量綜合評價(jià)的得分計(jì)算公式為：

假設(shè)某個(gè)政府部門有N 張數(shù)據(jù)表，每張數(shù)據(jù)表數(shù)據(jù)質(zhì)量得分為Gi，則該部門數(shù)據(jù)值質(zhì)量平均得分為：

4 實(shí)例分析

4.1 測評對象

選擇某地市494 個(gè)數(shù)據(jù)目錄、9655 個(gè)數(shù)據(jù)項(xiàng)所產(chǎn)生的67843797 條實(shí)體數(shù)據(jù)作為數(shù)據(jù)質(zhì)量測評對象。根據(jù)某地市政府權(quán)力清單和責(zé)任清單，這些數(shù)據(jù)來自19 個(gè)部門。

4.2 總體質(zhì)量評價(jià)

4.2.1 覆蓋率質(zhì)量得分

在實(shí)際評價(jià)過程中，對于數(shù)據(jù)目錄覆蓋率、數(shù)據(jù)項(xiàng)覆蓋率和部門覆蓋率賦予同等權(quán)重。

覆蓋率得分 = 數(shù)據(jù)目錄覆蓋率分值86.43×33.33% +數(shù)據(jù)項(xiàng)覆蓋率分值69.16×33.33% +部門覆蓋率分值76.00×33.34% = 77.20

4.2.2 數(shù)據(jù)值質(zhì)量得分

在實(shí)際評價(jià)過程中，對于準(zhǔn)確性、完整性、一致性、時(shí)效性、規(guī)范性和可訪問性賦予同等權(quán)重。

數(shù)據(jù)值質(zhì)量得分 = 準(zhǔn)確性分值77.12×16.66% + 完整性分值79.81×16.66% + 一致性分值89.76×16.66% + 時(shí)效性分值99.99×16.66% + 規(guī)范性得分 89.71×16.66% + 可訪問性得分97.35×16.70% = 88.96

4.3 部門質(zhì)量狀況

表1展示了4 個(gè)典型部門的數(shù)據(jù)目錄和數(shù)據(jù)項(xiàng)覆蓋率情況及相應(yīng)的數(shù)據(jù)值問題率?？梢钥闯?，有些部門的數(shù)據(jù)目錄覆蓋率和數(shù)據(jù)項(xiàng)覆蓋率都比較好，但相應(yīng)的數(shù)據(jù)值問題率比較高。有些部門雖然目錄覆蓋率達(dá)到了100%，但目錄中的數(shù)據(jù)項(xiàng)較為匱乏，由于數(shù)據(jù)項(xiàng)較少的原因，其數(shù)據(jù)值問題率也較低。圖2展示了部門D 部分?jǐn)?shù)據(jù)項(xiàng)的錯(cuò)誤率情況。

圖2：部門D 部分?jǐn)?shù)據(jù)項(xiàng)的錯(cuò)誤率情況

表1：部分部門數(shù)據(jù)質(zhì)量狀況概覽

5 結(jié)語

通過完成政務(wù)數(shù)據(jù)質(zhì)量評價(jià)，加強(qiáng)數(shù)據(jù)質(zhì)量與數(shù)據(jù)應(yīng)用之間的聯(lián)結(jié)，驅(qū)動(dòng)地市政府完善并修正相關(guān)數(shù)據(jù)目錄、數(shù)據(jù)項(xiàng)和數(shù)據(jù)值。與此同時(shí)，輸出可理解性和可操作性較強(qiáng)的數(shù)據(jù)質(zhì)量評價(jià)報(bào)告，提升政府領(lǐng)導(dǎo)對數(shù)據(jù)質(zhì)量的感知度。隨著政務(wù)大數(shù)據(jù)不斷完善，不但能夠滿足單一政府部門業(yè)務(wù)的需要，還能夠滿足“三融五跨”的要求，真正實(shí)現(xiàn)基于數(shù)據(jù)的業(yè)務(wù)協(xié)同。