CN109345262A - 一种智能投诉分类与处理*** - Google Patents
一种智能投诉分类与处理*** Download PDFInfo
- Publication number
- CN109345262A CN109345262A CN201710645143.1A CN201710645143A CN109345262A CN 109345262 A CN109345262 A CN 109345262A CN 201710645143 A CN201710645143 A CN 201710645143A CN 109345262 A CN109345262 A CN 109345262A
- Authority
- CN
- China
- Prior art keywords
- text
- vector
- complaint
- neural network
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Machine Translation (AREA)
Abstract
如今,互联网已经成为社会必不可少的基础设施。但用户在使用互联网时所碰到的问题需要向相关客服反映,很长时间才能得到解决且成本高效率低。解决用户投诉问题的传统BP算法分类技术已经不能满足当前业务的增长速度。本发明涉及互联网、电子商务、电信等服务行业业务IT支撑、客户服务技术领域。它是一种基于深度学习的智能投诉分类与处理***,包括对投诉语音、文本进行向量化处理,BP神经网络深度学习实现投诉分类,BP神经网络深度学习,实现投诉处理通过对客服***输入的投诉文本进行向量化处理,转为文本向量,利用深度BP神经网络进行训练,生成投诉机器分类,然后进行不同的***集成,最终进行特定投诉类型的输出匹配,实现机器智能回复。
Description
一、技术领域
1、本发明涉及互联网、电子商务、电信等服务行业业务IT支撑、客户服务技术领域。它是一种基于深度
学习的智能投诉分类与处理***,包括对投诉语音、文本进行向量化处理,BP神经网络深度学习实现
投诉分类,BP神经网络深度学习,实现投诉处理。
二、背景技术
随着移动互联网的快速发展,旅游、电信、交通、娱乐、商务等各领域已经被互联网深入渗透,互联网已经成为提升社会效率、促进经济发展的基础设施。但是用户在使用互联网便利的过程中,可能会遇到很多问题。用户一般是通过相关应用的客户服务电话或者客户服务***进行问题反映,一般等待较长时间后,用户问题可能才会得有效解决,效率较低、成本较高。当前,解决用户投诉问题的关键步骤是投诉问题识别、投诉问题分类和投诉问题回复、和用户意见反馈收集。目前投诉处理的流程是主要分为两大模式: 1、传统模式(主流模式)
(1)当用户进行投诉请求过程中,接线员将用户的请求按照客服***“服务请求受理”的模板进行录入,并手工分类。
(2)一线投诉处理人员按照话务员录入的投诉工单进行处理。
(3)如遇到疑难投诉,一线投诉人员按照手工分类,将投诉分派到不同的IT支撑部门进行处理。
(4)IT支撑部门二线投诉前台人员对转派投诉进行再处理,如还未解决,再将疑难投诉派至二线后台研发工程师。具体流程图如下图-1所示:
2.采用简单神经网络进行投诉处理
(1)将用户投诉内容向量化标记
(2)采用简单BP神经网络进行投诉训练、投诉处理,具体流程如图-2所示现有技术的缺点及本申请提案要解决的技术问题
1、主流(传统)模式
接线员根据用户语音,手工录入投诉内容,先进行手工分类,然后进行相关处理回复,是一种被动的、低效、延迟的模式。上一级的投诉处理人员的处理内容对下一级的投诉处理人员帮助较小(存在人工分类、处理失误的情况),每一层投诉处理人员,都要仔细阅读投诉概要,进行自己相应的处理,造成重复劳动,效率低下的问题。而且根据投诉处理人员对业务掌握的程度不同,对于用户投诉回复质量也参差不齐。降低了用户满意度,影响用户感知。
2、简单神经网络进行投诉处理
采用BP神经网络进行投诉处理、虽然能够提升投诉处理效率,但是有两个问题没有本质突破:
(1)投诉分类和处理叠加在一起,***处理难度较高(参数维度高);
(2)投诉处理正确率不高,基本上在75%左右(增大训练量也无法提升正确率),没有高正确率的自动投诉处理***对于智能投诉处理来说,实际效果和意义都不大。
为了大幅提升投诉处理流程繁琐、时间长、自动投诉处理复杂度较高、正确率较低的问题,我们需要建立一套基于深度学习神经网络的智能投诉识别与处理***。该***能够利用深度神经网络:
(1)投诉内容进行向量化处理、通过深度学习,智能分类;
(2)利用智能分类结果和投诉内容向量继续进行深度学习,智能处理结果;
(3)为人工处理投诉提供了极为便利的自动化辅助工具,甚至简单投诉可以直接机器代替人进行回复。
本发明就是针对以上存在的问题与不足,提供了一种基于深度学习的智能投诉分类与处理***,它包括对投诉语音、文本进行向量化处理,BP神经网络深度学习实现投诉分类,BP神经网络深度学习,实现投诉处理。该方法设计优化新颖,可操作性强,采用该方法设计的功能模块提供了与其他相关模块衔接的接口,为后续分析提供了科学实用的第一手资料。在保证测定结果准确性与可靠性的同时,简化了测量步骤,为智能投诉***增加了准确性和可靠性。
三、发明内容
总体***架构:***实现需要与现客服***建立接口,整体***如图-5:
(1)智能投诉识别与处理***:
1、从客服***输入的投诉文本进行向量化处理,转为文本向量
2、智能投诉分类***将投诉文本向量作为输入,深度BP神经网络进行训练,生成投诉机器分类(输出),客服***将正确分类结果反向反馈到机器分类模块,***将自身输出与最终结果进行误差分析,然后将分析结果传递到前一层神经网络,并调节每一层神经网络权值相关函数,来达到优化输出值作用,从而不断完善自身***,提升***投诉分类准确率。(测试能够达到97%)
3、智能投诉处理***首先准备好每一类投诉的用户满意回复集合,并进行向量化处理。然后将第二步生成的深度BP神经网络生成机器分类结果和投诉文本向量作为输入,生成智能投诉处理结果作为输出,客服***最终将用户满意的投诉处理结果反向反馈到机器投诉处理模块,***将自身输出与最终结果进行误差分析,然后将分析结果传递到前一层神经网络,并调节每一层神经网络权值相关函数,来达到优化输出值作用,从而不断完善自身***,提升***投诉处理准确率。(测试能够达到95%)
本提案的技术要点三部分内容
(2)投诉语音、文本进行向量化处理
目前,文本的空间向量表示法是比较常用的文本转换方法。文本的表示主要采用向量空间模型(VSM)。向量空间模型的基本思想是以向量来表示文本:(W1,W2,W3,Wn),其中Wi为第i个特征项的权重。通常词汇作为向量的维数来表示文本。最初的向量表示完全是0,1形式,即:如果文本中出现了该词,那么文本向量的维度为1,否则为0。
采用文本的空间向量模型,首先建立投诉常用词汇库WordDic。如词汇库中包含词汇:1.退订业务(取消业务)、2.业务费用、3.退费、4.不能使用、5.退货、6.质量低、7.快递、8.包装……
投诉文本转换为空间向量算法:
(1)文本分词
(2)建立分词向量
当输入用户投诉文本后,首先进行分词操作,将投诉文本中的关键词取出,然后通过检索词库中的关键字(包含关键字同义词),如果存在该关键字,该词汇按照所在词库的序列位置在空间向量相应的维数中填写1,反之则填写0。假设WordDic词库只包含如下9个词汇,用户投诉内容为“用户反映不能正常使用XX产品订购业务,请处理”通过轮询检索关键字:第一位0,第二位0,第三位1,第四位1,第五到第九位都是0,算法最后得到文本向量(0,0,1,1,0,0,0,0,0)。算法流程图-4:
(3)BP神经网络深度学习实现投诉分类
我们可以采用图-6所示的深度神经网络,增加隐藏层的层数,使用多层深度学习,对投诉文本向量进行机器分类。
采用BP神经网络,建立一个有五层层网络模型,输入层,隐藏层layer1,隐藏层layer2,隐藏层layer3、输出层。选择的激励函数是sigmoid函数:
首先在对输入层输入我们投诉文本(空间向量转换后)进行线性组合(公式(1)所示)。经过隐含层的函数的作用(公式(2)所示),在输出端口输出值(l表示网络的层数),每一层经过线性组合进行输入,通过激励函数进行输出。我们的目标是代价函数让代价函数(公式(3)所示)越小,神经网络分类越准确)。具体让代价函数变小的过程是,梯度下降算法,(公式(4)(5)所示)并且使用反向传播算法缩小误差。(公式(6)(7)(8)所示)
①线性组合
②激励函数作用
③代价函数
每次训练,通过梯度下降都按照公式(4)(5)进行W和b更新,为神经网络寻找更加适合的参数值
(5)中对于N(l)层(输出层)的每个单元i,根据以下公式(6)(7)计算残差(误差)
计算最终需要的偏导数值矩阵,进行参数更新,如下公式(8)所示
***实现该神经网络集成结构包括四个重要步骤:
1、通过多层神经网络,利用文本向量进行深度训练,每一层输出是下一层能输入
2、持续训练神经网络(分类器)对用户投诉(单特征值的识别)的识别分类。(投诉分类的数量不大,种类在25-30类左右)
3、***机器分类结果与实际结果进行误差分析并修改相应的权值
4、机器生成分类结果同时反馈到客户服务***和下一步智能投诉处理流程。
以上结构采用的深度多层神经网络算法,输入与输出可以快速建立明确的对应关系,计算复杂度不高,由于服务类投诉的局限性,词库容量较小(500个),无需考虑多特征值输入,***训练的样本不大,实现过程中可操作性强。
(3)BP神经网络深度学习,实现投诉处理
通过(2)步骤的训练,已经可以通过深度学习进行投诉准确分类。本步骤通过利用投诉分类结果和文本向量,继续进行深度学习训练,目的是机器实现投诉处理输出。首先我们将每一种类型的投诉的标准输出(用户满意结果)进行顺寻排列,例如费用类投诉的标准回复,如图-3。将用户满意投诉回复进文本向量转换,形成一个分类的投诉回复结果序列池RESLUTPOOL。(每一种分类都有一个RESLUTPOOL)
采用神经网络深度学习,进行特定投诉类型的输出匹配,实现机器智能回复。(通过分类结果确认回复序列池RESLUTPOOL,降低***学习复杂度),与步骤(2)的方法步骤类似,采用BP神经网络,建立一个有五层层网络模型,输入层,隐藏层layer1,隐藏层layer2,隐藏层layer3、输出层。选择的激励函数是sigmoid函数:
首先在输入层输入我们投诉向量和投诉分类向量进行输入(相对步骤(2),增加分类结果向量输入),输出为该类投诉的经过隐含层的函数的作用,在输出端口的RESTPOOL序列池中选择应该回复内容,从而实现机器智能回复。如图-6所示:(l表示网络的层数),每一层经过线性组合(公式(1))进行输入,通过激励函数(公式(2))进行输出,(公式(3))为分类是的代价函数。(我们的目标是代价函数越小,神经网络投诉结果输出越准确)。
***处理的向量结果是RESLUT,将RESLUT的文本向量用户满处理结果向量R进行误差分析比对。将输出值进行误差计算,如果没有达到误差要求,根据正确结果,输出反馈信息到输入层和隐藏层,调节权值和相关函数,来达到优化输出值的作用。相关数学推导与(2)步骤一致。
四、本申请提案的关键点和保护点
1)利用深度神经网络进行投诉处理分类,实现高正确率投诉分类,应当予以保护。
2)利用深度神经网络针对已经分类好的结果进行智能投诉处理,实现***智能投诉回复,应道予以保护。
3)将投诉分类与投诉处理的深度神经网络进行组合应用,“先分类再处理模式”,降低训练和处理复杂度,应予以保护。
附图说明
为了更清楚明白的阐述本发明专利实施例或现有技术中的技术方案,下面将对实施例或现有技术中的技术方案描述中所需要使用的附图做简单的介绍。
图1是投诉处理过程原理图。
图2是投诉分类的BP神经网络结构图设计图
图3是标准的投诉处理回复结果示例图。
图4是表示投诉文本转为向量的算法逻辑图。
图5是深度智能分类、深度智能处理结果、客服***接口之间的逻辑处理关系图。
图6是深度网络训练形成机器智能回复过程图。
Claims (4)
1.一种基于深度学习的智能投诉分类与处理***,它包括对投诉语音、文本进行向量化处理,BP神经网络深度学习实现投诉分类,BP神经网络深度学习,实现投诉处理。
2.文本向量化处理,文本的表示主要采用向量空间模型(VSM)。向量空间模型的基本思想是以向量来表示文本:(W1,W2,W3,W4,W5)其中Wi为第i个特征项的权重。通常词汇作为向量的维数来表示文本。最初的向量表示完全是0,1形式,即:如果文本中出现了该词,那么文本向量的该维度为1,否则为0。采用文本的空间向量模型,首先建立投诉常用词汇库WordDic。如词汇库中包含词汇:1、退订业务(取消业务);2、业务费用;3、退费;4、不能使用;5、退货;6、质量低;7、快递;8、包装等。
投诉文本转换为空间向量算法:
(1)文本分词
(2)建立分词向量
当输入用户投诉文本后,首先进行分词操作,将投诉文本中的关键词取出,然后通过检索词库中的关键字(包含关键字同义词),如果存在该关键字,该词汇按照所在词库的序列位置在空间向量相应的维数中填写1,反之则填写0。假设WordDic词库只包含如下9个词汇,用户投诉内容为“用户反映不能正常使用XX产品订购业务,请处理”通过轮询检索关键字:第一位0,第二位0,第三位1,第四位1,第五到第九位都是0,算法最后得到文本向量(0,0,1,1,0,0,0,0,0)。
3.BP神经网络深度学习实现投诉分类,采用BP神经网络,建立一个有五层网络模型,输入层,隐藏层layer1,隐藏层layer2,隐藏层layer3、输出层。选择的激励函数是sigmoid函数:
首先在对输入层输入我们投诉文本进行线性组合。经过隐含层的函数的作用,在输出端口输出值,每一层经过线性组合进行输入,通过激励函数进行输出。我们的目标是代价函数让代价函数越小,神经网络分类越准确)。具体让代价函数变小的过程是,梯度下降算法,并且使用反向传播算法缩小误差。
***实现该神经网络集成结构包括三个重要步骤:
(1)通过多层神经网络,利用文本向量进行深度训练,每一层输出是下一层能输入。
(2)持续训练神经网络(分类器)对用户投诉(单特征值的识别)的识别分类。(投诉分类的数量不大,种类在25-30类左右)。
(3)***机器分类结果与实际结果进行误差分析并修改相应的权值。
(4)机器生成分类结果同时反馈到客户服务***和下一步智能投诉处理流程。
以上结构采用的深度多层神经网络算法,输入与输出可以快速建立明确的对应关系,计算复杂度不高,由于服务类投诉的局限性(词库容量大概500个,无需考虑多特征值输入),***训练的样本不大,实现过程中可操作性强。
4.BP神经网络深度学习实现投诉处理,利用投诉分类结果和文本向量,继续进行深度学习训练,目的是机器实现投诉处理输出。首先我们将每一种类型的投诉的标准输出(用户满意结果)进行顺寻排列将用户满意投诉回复进文本向量转换,形成一个分类的投诉回复结果序列池RESLUTPOOL。(每一种分类都有一个RESLUTPOOL)。
采用神经网络深度学习,进行特定投诉类型的输出匹配,实现机器智能回复。(通过分类结果确认回复序列池RESLUTPOOL,降低***学习复杂度),与步骤(2)的方法步骤类似,采用BP神经网络,建立一个有五层层网络模型,输入层,隐藏层layer1,隐藏层layer2,隐藏层layer3、输出层。选择的激励函数是sigmoid函数,首先在输入层输入我们投诉向量和投诉分类向量进行输入(相对步骤2,增加分类结果向量输入),输出为该类投诉的经过隐含层的函数的作用,在输出端口的RESTPOOL序列池中选择应该回复内容,从而实现机器智能回复。
***处理的向量结果是RESLUT,将RESLUT的文本向量处理结果向量R进行误差分析比对,将输出值进行误差计算,如果没有达到误差要求,根据正确结果,输出反馈信息到输入层和隐藏层,调节权值和相关函数,来达到优化输出值的作用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710645143.1A CN109345262A (zh) | 2017-08-01 | 2017-08-01 | 一种智能投诉分类与处理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710645143.1A CN109345262A (zh) | 2017-08-01 | 2017-08-01 | 一种智能投诉分类与处理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109345262A true CN109345262A (zh) | 2019-02-15 |
Family
ID=65291322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710645143.1A Pending CN109345262A (zh) | 2017-08-01 | 2017-08-01 | 一种智能投诉分类与处理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109345262A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934267A (zh) * | 2019-02-19 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 模型检测方法及装置 |
CN110704619A (zh) * | 2019-09-24 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 文本分类方法、装置及电子设备 |
CN111429157A (zh) * | 2020-03-27 | 2020-07-17 | 上海东普信息科技有限公司 | 投诉工单的评价处理方法、装置、设备及存储介质 |
CN113821621A (zh) * | 2021-09-28 | 2021-12-21 | 中电万维信息技术有限责任公司 | 一种基于深度学习的开放式智能客服*** |
CN116226761A (zh) * | 2022-12-27 | 2023-06-06 | 北京关键科技股份有限公司 | 一种基于深度神经网络的演训数据分类编目方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915445A (zh) * | 2012-09-17 | 2013-02-06 | 杭州电子科技大学 | 一种改进型的神经网络高光谱遥感影像分类方法 |
CN104281615A (zh) * | 2013-07-08 | 2015-01-14 | ***通信集团甘肃有限公司 | 一种投诉处理的方法和*** |
CN106779053A (zh) * | 2016-12-15 | 2017-05-31 | 福州瑞芯微电子股份有限公司 | 一种基于影响因子和神经网络的知识点摸底方法 |
-
2017
- 2017-08-01 CN CN201710645143.1A patent/CN109345262A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915445A (zh) * | 2012-09-17 | 2013-02-06 | 杭州电子科技大学 | 一种改进型的神经网络高光谱遥感影像分类方法 |
CN104281615A (zh) * | 2013-07-08 | 2015-01-14 | ***通信集团甘肃有限公司 | 一种投诉处理的方法和*** |
CN106779053A (zh) * | 2016-12-15 | 2017-05-31 | 福州瑞芯微电子股份有限公司 | 一种基于影响因子和神经网络的知识点摸底方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934267A (zh) * | 2019-02-19 | 2019-06-25 | 阿里巴巴集团控股有限公司 | 模型检测方法及装置 |
CN109934267B (zh) * | 2019-02-19 | 2023-10-20 | 创新先进技术有限公司 | 模型检测方法及装置 |
CN110704619A (zh) * | 2019-09-24 | 2020-01-17 | 支付宝(杭州)信息技术有限公司 | 文本分类方法、装置及电子设备 |
CN111429157A (zh) * | 2020-03-27 | 2020-07-17 | 上海东普信息科技有限公司 | 投诉工单的评价处理方法、装置、设备及存储介质 |
CN113821621A (zh) * | 2021-09-28 | 2021-12-21 | 中电万维信息技术有限责任公司 | 一种基于深度学习的开放式智能客服*** |
CN113821621B (zh) * | 2021-09-28 | 2023-10-27 | 中电万维信息技术有限责任公司 | 一种基于深度学习的开放式智能客服*** |
CN116226761A (zh) * | 2022-12-27 | 2023-06-06 | 北京关键科技股份有限公司 | 一种基于深度神经网络的演训数据分类编目方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345262A (zh) | 一种智能投诉分类与处理*** | |
CN107861942B (zh) | 一种基于深度学习的电力疑似投诉工单识别方法 | |
CN110457442A (zh) | 面向智能电网客服问答的知识图谱构建方法 | |
CN112667818B (zh) | 融合gcn与多粒度注意力的用户评论情感分析方法及*** | |
CN110110062A (zh) | 机器智能问答方法、装置与电子设备 | |
CN104281615B (zh) | 一种投诉处理的方法和*** | |
CN110019732A (zh) | 一种智能问答方法以及相关装置 | |
CN107180023A (zh) | 一种文本分类方法及*** | |
CN110532355A (zh) | 一种基于多任务学习的意图与槽位联合识别方法 | |
CN110059852A (zh) | 一种基于改进随机森林算法的股票收益率预测方法 | |
CN110765268B (zh) | 一种基于客户诉求的配网精准投资策略方法 | |
CN110033281A (zh) | 一种智能客服至人工客服转换的方法及装置 | |
CN110188047A (zh) | 一种基于双通道卷积神经网络的重复缺陷报告检测方法 | |
CN108734212A (zh) | 一种确定分类结果的方法以及相关装置 | |
CN112989761B (zh) | 文本分类方法及装置 | |
Li et al. | Multi-factor based stock price prediction using hybrid neural networks with attention mechanism | |
CN112115242A (zh) | 一种基于朴素贝叶斯分类算法的智能客服问答*** | |
CN107463935A (zh) | 应用分类方法和应用分类装置 | |
CN111695024A (zh) | 对象评估值的预测方法及***、推荐方法及*** | |
CN115221387A (zh) | 一种基于深度神经网络的企业信息整合方法 | |
CN108021565A (zh) | 一种基于语言层的用户满意度的分析方法及装置 | |
CN109934596A (zh) | 一种网络餐饮商家超范围经营判断方法 | |
CN109693244A (zh) | 优化对话机器人的方法及装置 | |
TW202133027A (zh) | 人機協作對話系統與方法 | |
CN112182227A (zh) | 基于transD知识图嵌入的文本情感分类***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190215 |