CN109544100B - 基于深度学习的案件处理提醒方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种基于深度学习的案件处理提醒方法、装置、计算机设备及存储介质，通过获取待处理的投诉案件、发件人信息和收件人信息，从指定数据库中导出投诉案件的属性信息，将属性信息输入至预先训练好的深度学习模型得到目标案件处理类型，判断目标案件处理类型是否为紧急类型，若是，根据属性信息、发件人信息、收件人信息和预设的邮件模板生成案件提醒邮件，将案件提醒邮件发送给指定终端。因为深度学习模型是由历史属性信息和历史案件处理类型作为样本训练得到，所以能够准确地得到目标案件处理类型，当指定终端的客服人员在收到提醒邮件后，能够第一时间处理目标案件处理类型为紧急类型的投诉案件，提高处理紧急投诉案件的效率。

Description

基于深度学习的案件处理提醒方法、装置、设备及介质

技术领域

本发明涉及大数据处理领域，尤其涉及一种基于深度学习模型的案件处理提醒方法、装置、设备及介质。

背景技术

目前，在保险公司中，随着案件的不断增多，如投诉案件不断增多，要求处理案件的效率也越来越高，尤其要求处理紧急案件的效率也越来越高。

通常，保险公司设置专门的数据库保存投诉案件的属性信息，处理投诉案件的流程涉及多个环节和多个客服人员，由上一个客服人员处理完第一工作任务后，然后传递给下一个客服人员处理第二工作任务，依次进行下去，若其中一个环节出现了问题，都影响处理投诉案件的效率。一般情况下，客服人员是按照获得的投诉案件的先后顺序处理投诉案件，因为紧急投诉案件的紧急程度比非紧急投诉案件高，所以紧急投诉案件要求优先处理。但是，客服人员处理的投诉案件数量庞大，客服人员在紧张处理大量投诉案件的时候容易忘记先处理紧急投诉案件再处理非紧急投诉案件，传统作业中，只能客服人员凭记忆回想起有紧急投诉案件需要处理时，客服人员才处理紧急投诉案件，从而导致紧急投诉案件不能及时得到处理。

发明内容

本发明实施例提供一种基于深度学习模型的案件处理提醒方法、装置、计算机设备及存储介质，以解决紧急投诉案件不能及时得到处理的问题。

一种基于深度学习模型的案件处理提醒方法，包括：

获取待处理的投诉案件、发件人信息和收件人信息；

从指定数据库中导出所述待处理的投诉案件的目标属性信息；

将所述目标属性信息输入至预先训练好的深度学习模型，得到所述深度学习模型输出的目标案件处理类型，其中，所述深度学习模型是由历史属性信息和历史案件处理类型作为样本训练得到；

判断所述目标案件处理类型是否为紧急类型；

当所述目标案件处理类型为所述紧急类型时，根据所述目标属性信息、所述发件人信息、所述收件人信息和预设的邮件模板生成案件提醒邮件；

将所述案件提醒邮件发送给指定终端。

一种基于深度学习模型的案件处理提醒装置，包括：

第一获取模块，用于获取待处理的投诉案件、发件人信息和收件人信息；

导出模块，用于从指定数据库中导出所述待处理的投诉案件的目标属性信息；

输入模块，用于将所述目标属性信息输入至预先训练好的深度学习模型，得到所述深度学习模型输出的目标案件处理类型，其中，所述深度学习模型是由历史属性信息和历史案件处理类型作为样本训练得到；

第一判断模块，用于判断所述目标案件处理类型是否为紧急类型；

生成模块，用于当所述目标案件处理类型为所述紧急类型时，根据所述目标属性信息、所述发件人信息、所述收件人信息和预设的邮件模板生成案件提醒邮件；

发送模块，用于将所述案件提醒邮件发送给指定终端。

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基于深度学习模型的案件处理提醒方法的步骤。

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基于深度学习模型的案件处理提醒方法的步骤。

上述基于深度学习模型的案件处理提醒方法、装置、计算机设备及存储介质，通过先获取待处理的投诉案件、发件人信息和收件人信息，然后从指定数据库中导出所述待处理的投诉案件的属性信息，接下来将所述属性信息输入至预先训练好的深度学习模型得到所述深度学习模型输出的目标案件处理类型，再接下来判断所述目标案件处理类型是否为紧急类型，当所述目标案件处理类型为所述紧急类型时，根据所述属性信息、所述发件人信息、所述收件人信息和预设的邮件模板生成案件提醒邮件，最后将所述案件提醒邮件发送给指定终端。因为所述深度学习模型是由历史属性信息和历史案件处理类型作为样本训练得到，所以能够准确地得到目标案件处理类型，当所述目标案件处理类型为所述紧急类型时，根据获取到的投诉案件的属性信息、发件人信息、收件人信息和预设的邮件模板生成案件提醒邮件，将所述案件提醒邮件发送给指定终端，所以指定终端的客服人员在收到提醒邮件后，能够第一时间处理所述目标案件处理类型为所述紧急类型的投诉案件，提高处理紧急投诉案件的效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中基于深度学习模型的案件处理提醒方法的一应用环境示意图；

图2是本发明一实施例中基于深度学习模型的案件处理提醒方法的一流程图；

图3是本发明一实施例中基于深度学习模型的案件处理提醒方法中训练深度学习模型的一流程图；

图4是本发明一实施例中基于深度学习模型的案件处理提醒方法中确定出正样本或负样本的一流程图；

图5是本发明一实施例中基于深度学习模型的案件处理提醒方法中步骤S50的一流程图；

图6是本发明一实施例中基于深度学习模型的案件处理提醒方法中步骤S20的一流程图；

图7是本发明一实施例中基于深度学习模型的案件处理提醒装置的一示意图；

图8是本发明一实施例中计算机设备的一示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请提供的基于深度学***板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种基于深度学习模型的案件处理提醒方法，该基于深度学习模型的案件处理提醒方法应用在金融行业中，以该方法应用在图1中的服务器为例进行说明，包括如下步骤：

S10、获取待处理的投诉案件、发件人信息和收件人信息；

在本实施例中，待处理的投诉案件为保险公司等待处理的投诉案件，如理赔投诉案件，该投诉案件存储在预设的指定数据库中，处于随时可以调用的状态。发件人信息为邮件中发件人的信息，收件人信息为邮件中收件人的信息，发件人信息和收件人信息存储在预设的邮件数据库中，处于随时可以调用的状态。

具体地，获取待处理的投诉案件在预设的指定数据库中的第一存储路径，然后根据该第一存储路径在预设的指定数据库中提取该投诉案件，同时获取发件人信息在预设的邮件数据库中的第二存储路径，然后根据该第二存储路径在预设的邮件数据库中提取该发件人信息，获取收件人信息在预设的邮件数据库中的第三存储路径，然后根据该第三存储路径在预设的邮件数据库中提取该收件人信息。

需要说明的是，预设的指定数据库和预设的邮件数据库可以为SQL数据库或orable数据库，预设的指定数据库和预设的邮件数据库的具体内容，可以根据实际应用进行设定，此处不做限制。

S20、从指定数据库中导出待处理的投诉案件的目标属性信息；

在本实施例中，目标属性信息为代表投诉案件的属性的信息，如投诉案件类型。目标属性信息包括受理开始时间、承保机构、受理工作人员工号和案件状态等。

具体地，待处理的投诉案件的目标属性信息存储在目标表格中，如excel表格，可以理解地，采用预设的导出表格方法从预设的指定数据库中导出待处理的投诉案件的目标属性信息，如采用POI导出方法导出excel表格，其中，POI，英文全称为Poor ObfuscationImplementation，中文名为公共操作类，具有导出excel表格的功能。

需要说明的是，该步骤S20的指定数据库为步骤S10的指定数据库，为了避免重复，此处不再阐述，预设的导出表格方法的具体内容，可以根据实际应用进行设定，此处不做限制。

S30、将目标属性信息输入至预先训练好的深度学习模型，得到深度学习模型输出的目标案件处理类型；

在本实施例中，目标案件处理类型包括紧急类型和普通类型等，其中，目标案件处理类型的具体内容，可以根据实际应用进行设定，此处不做限制。

具体地，首先获取预先训练好的深度学***安人寿保险公司、受理工作人员工号为pa00121和案件状态为高危状态”输入至该深度学习模型中，得到目标案件处理类型为紧急类型。

需要说明的是，深度学习模型是由历史属性信息和历史案件处理类型作为样本训练得到。

S40、判断目标案件处理类型是否为紧急类型；

具体地，判断步骤S30输出的目标案件处理类型是否为紧急类型，当步骤S30输出的目标案件处理类型为紧急类型时，执行步骤S50，当步骤S30输出的目标案件处理类型不是紧急类型时，执行步骤S70。

S50、根据目标属性信息、发件人信息、收件人信息和预设的邮件模板生成案件提醒邮件；

在本实施例中，预设的邮件模板为预先设置好的邮件的模板，只需要将发件人信息和收件人信息导入预设的邮件模板便可以生成邮件，预设的邮件模板专门存储于预设的模板数据库中，处于随时可以调用的状态，其中，预设的模板数据库可以为SQL数据库或orable数据库，预设的模板数据库和预设的邮件模板的具体内容，可以根据实际应用进行设定，此处不做限制。

具体地，当目标案件处理类型为紧急类型时，先获取预设的邮件模板在预设的模板数据库中的第四存储路径，然后根据该第四存储路径在预设的模板数据库中提取该预设的邮件模板，接下来根据导出的目标属性信息、获取到的发件人信息、收件人信息和预设的邮件模板生成案件提醒邮件，如根据“受理开始时间为2018.7.20、承保机构为平安人寿保险公司、受理工作人员工号为pa0121和案件状态为高危状态”、“发件人信息为[email protected]”、“收件人信息[email protected]”和预设的邮件模板，生成案件提醒邮件。

S60、将案件提醒邮件发送给指定终端；

在本实施例中，指定终端是指用户可以浏览案件提醒邮件的终端，如智能手机，其中，指定终端还可以为平板电脑等，指定终端的具体内容，可以根据实际应用进行设定，此处不做限制。

具体地，采用预设的发送网络将步骤S50中生成的案件提醒邮件发送至指定终端，如采用4G网络将步骤S50中生成的案件提醒邮件发送至智能手机，以使得客服人员浏览案件提醒邮件后，第一时间处理紧急类型的投诉案件。

需要说明的是，采用预设的发送网络可以为2G或wifi等，预设的发送网络的具体内容，可以根据实际应用进行设定，此处不做限制。

S70、按照接收投诉案件的先后顺序将投诉案件存储到备用数据库中。

具体地，当目标案件处理类型不是紧急类型时，按照接收投诉案件的先后顺序将投诉案件存储到备用数据库中，以使得处理完紧急类型的投诉案件后，再按照该先后顺序处理该不是紧急类型的投诉案件。

需要说明的是，备用数据库可以为SQL数据库或orable数据库等，备用数据库的具体内容，可以根据实际应用进行设定，此处不做限制。

在图2对应的实施例中，通过先获取待处理的投诉案件、发件人信息和收件人信息，然后从指定数据库中导出所述待处理的投诉案件的属性信息，接下来将所述属性信息输入至预先训练好的深度学习模型得到所述深度学习模型输出的目标案件处理类型，再接下来判断所述目标案件处理类型是否为紧急类型，当所述目标案件处理类型为所述紧急类型时，根据所述属性信息、所述发件人信息、所述收件人信息和预设的邮件模板生成案件提醒邮件，最后将所述案件提醒邮件发送给指定终端。因为所述深度学习模型是由历史属性信息和历史案件处理类型作为样本训练得到，所以能够准确地得到目标案件处理类型，当所述目标案件处理类型为所述紧急类型时，根据获取到的投诉案件的属性信息、发件人信息、收件人信息和预设的邮件模板生成案件提醒邮件，将所述案件提醒邮件发送给指定终端，所以指定终端的客服人员在收到提醒邮件后，能够第一时间处理所述目标案件处理类型为所述紧急类型的投诉案件，提高处理紧急投诉案件的效率。

在一实施例中，该基于深度学习模型的案件处理提醒方法应用在金融行业中，如图3所示图2对应实施例中一种基于深度学习模型的案件处理提醒方法中训练深度学习模型在一个应用场景下的流程图，具体包括如下步骤：

S301、获取历史投诉案件的历史属性信息和历史案件处理类型作为样本；

在本实施例中，历史投诉案件为已经识别出案件处理类型的投诉案件，如紧急类型的投诉案件。历史案件处理类型为历史投诉案件的案件处理类型，该历史投诉案件和该历史案件处理类型专门存储预设的历史数据库中，存于随时可以调用的状态。

具体地，获取历史投诉案件的历史属性信息在预设的历史数据库中的第五存储路径，然后根据该第五存储路径在预设的历史数据库中提取该投诉案件的历史属性信息作为样本，如将“受理开始时间为2018.7.20、承保机构为平安人寿保险公司、受理工作人员工号为pa00121和案件状态为高危状态”作为样本，同时获取历史案件处理类型在预设的历史数据库中的第六存储路径，然后根据该第六存储路径在预设的历史数据库中提取该历史案件处理类型作为样本，如将紧急类型或普通类型作为样本。

需要说明的是，预设的历史数据库可以为SQL数据库或orable数据库，预设的历史数据库的具体内容，可以根据实际应用进行设定，此处不做限制。

S302、将样本中的历史属性信息输入至深度学习模型，得到输出结果；

具体地，将步骤S301获取到的样本中的历史属性信息输入至深度学习模型，得到输出结果。

S303、调整深度学习模型的隐层参数，以最小化输出结果与样本中的历史属性信息之间的误差；

在本实施例中，隐层参数包括神经节点数目、每次改进的步进常数、目标准确率等。

具体地，将输出结果作为输出目标，调整深度学习模型的隐层参数，从而达到输出结果与样本中的历史案件处理类型之间的误差最小化。

需要说明的是，在调整隐层参数中，通过先调整步进常数，然后，在调整合适之后再调整隐藏层节点数目，逐渐增加，准确率理论上应该是先增大，后减小，找到合适的节点数目之后，最后，逐步调高目标准确率，也即，逐步调高输出目标的准确率，从而使得输出结果与样本中的历史案件处理类型之间的误差最小化。

进一步地，判断输出结果与样本中的历史案件处理类型的误差是否满足预设的条件，若是，则执行步骤S304，若否，则返回执行步骤S301至步骤S303，直到该误差满足预设的条件为止。

需要说明的是，预设的条件可以为“包括紧急类型这四个字，输出结果的总共字数不能超过20个”，预设的条件的具体内容，可以根据实际应用进行设定，此处不做限制。

为了更好的理解步骤S302和步骤S303，下面通过一个例子进行说明，具体详细如下：

假设，样本为历史投诉案件，历史投诉案件的历史属性信息为“受理开始时间为2018.7.20、承保机构为平安人寿保险公司、受理工作人员工号为pa00121和案件状态为高危状态”，深度学***安人寿保险公司、受理工作人员工号为pa00121和案件状态为高危状态”输入至卷积神经网络模型，得到输出结果，将该输出结果作为输出调整目标，不断调整深度学习模型的隐层参数，如步进常数，从而达到输出结果与样本中的“紧急类型”之间的误差最小化，如输出结果为“保险结果为紧急类型”，则认为输出结果与“紧急类型”之间的误差是小的，如输出结果为“案件普通”，则认为输出结果与“紧急类型”之间的误差是大的。

S304、确定当前的深度学习模型为训练好的深度学习模型。

具体地，当输出结果与样本中的历史案件处理类型的误差满足预设条件时，确定当前的深度学习模型为训练好的深度学习模型，当输出结果与样本中的历史案件处理类型的误差不满足预设条件时，确定当前的深度学习模型为未训练好的深度学习模型。

在图3对应的实施例中，通过先获取历史投诉案件的历史属性信息和历史案件处理类型作为样本，然后将样本中的历史属性信息输入至深度学习模型，得到输出结果，接下来调整深度学习模型的隐层参数，以最小化输出结果与样本中的历史属性信息之间的误差，最后若误差满足预设的条件，则确定当前的深度学习模型为训练好的深度学习模型。由于采用大量的历史属性信息和历史案件处理类型作为样本，这些作为样本的历史属性信息是已经识别出案件处理类型的准确的投诉案件，这些作为样本的历史案件处理类型是历史投诉案件的准确的案件处理类型，且将样本中历史清洗字段作为输入投入至深度学习模型，得到输出结果，然后，将输出结果作为调整深度学习模型的输出目标，不断地采用准确的历史属性信息和历史案件处理类型对深度学习模型的隐层参数进行调整，从而确保深度学习模型的输出结果与样本中的历史案件处理类型的误差最小化，所以保证了深度学习模型输出的历史案件处理类型的准确的。

在一实施例中，该基于深度学习模型的案件处理提醒方法应用在金融行业中，如图4所示图2对应实施例中一种基于深度学习模型的案件处理提醒方法中确定出正样本或负样本在一个应用场景下的流程图，具体包括如下步骤：

S801、判断目标案件处理类型是否为预设的案件类型；

本发明实施例中，预设的案件类型为预先设置好的投诉案件的所有的类型，如紧急类型和普通类型等，其中，预设的案件类型的具体内容可以根据实际需求进行设定，此处不做限制。

具体地，判断目标案件处理类型是否为预设的案件类型，当目标案件处理类型不是预设的案件类型时，执行步骤S802，当目标案件处理类型为预设的案件类型时，执行步骤S803。

S802、将目标属性信息和目标案件处理类型确定为负样本；

具体地，当目标案件处理类型不是预设的案件类型时，将目标属性信息和目标案件处理类型确定为负样本。

S803、将目标属性信息和目标案件处理类型确定为正样本，正样本用于更新深度学习模型。

需要说明的是，当目标案件处理类型满足预设的条件时，将目标属性信息和目标案件处理类型确定为正样本，然后采用该正样本更新深度学习模型。

在图4对应的实施例中，通过判断目标案件处理类型是否满足预设的条件，若目标案件处理类型满足预设的条件，则确定目标案件处理类型为确定得到的目标案件处理类型，并将目标属性信息和目标案件处理类型确定为正样本，正样本用于更新深度学习模型。因为输出的目标案件处理类型不属于预先设定好的案件类型，所以需要判断目标案件处理类型是否为所述预设的案件类型，若目标案件处理类型满足预设的条件，将目标属性信息和目标案件处理类型确定为正样本，从而保证了深度学习模型分析得到准确的输出结果，进而提高了深度学习模型分析能力的准确率。

在一实施例中，该基于深度学习模型的案件处理提醒方法应用在金融行业中，如图5所示图2对应实施例中一种基于深度学习模型的案件处理提醒方法中步骤S50在一个应用场景下的流程图，具体包括如下步骤：

S501、获取预设的邮件模板；

具体地，步骤S501的获取预设的邮件模板的内容，与步骤S50的获取预设的邮件模板的内容一致，为了避免重复，此处不再阐述。

S502、提取发件人信息中的发件人邮箱地址；

具体地，从步骤S10中提取到的发件人信息中提取发件人邮箱地址，如发件人邮箱地址为“[email protected]”

需要说明的是，发件人邮箱地址的具体内容，可以根据实际应用进行设定，此处不做限制。

S503、提取收件人信息中的收件人邮箱地址；

具体地，从步骤S10中提取到的收件人信息中提取收件人邮箱地址，如收件人邮箱地址为“[email protected]”

需要说明的是，收件人邮箱地址的具体内容，可以根据实际应用进行设定，此处不做限制。

S504、根据目标属性信息和预设的文字生成邮件正文；

具体地，根据步骤S20中导出的目标属性信息和预设的文字生成邮件正文，如根据“受理开始时间为2018.7.20、承保机构为平安人寿保险公司、受理工作人员工号为pa00121和案件状态为高危状态”和“该案件为紧急案件，请优先处理”生成邮件正文。

需要说明的是，预设的文字的具体内容，可以根据实际应用进行设定，此处不做限制。

S505、将发件人邮箱地址、收件人邮箱地址和邮件正文导入预设的邮件模板，得到案件提醒邮件。

具体地，将步骤S502提取到的发件人邮箱地址、步骤S503提取到的收件人邮箱地址和步骤S504生成的邮件正文导入预设的邮件模板，得到案件提醒邮件。

在图5对应的实施例中，通过获取预设的邮件模板，提取发件人信息中的发件人邮箱地址，提取收件人信息中的收件人邮箱地址，根据目标属性信息和预设的文字生成邮件正文，将发件人邮箱地址、收件人邮箱地址和邮件正文导入预设的邮件模板，得到案件提醒邮件。

在一实施例中，该基于深度学习模型的案件处理提醒方法应用在金融行业中，如图6所示图2至图5中任一图对应实施例中一种基于深度学习模型的案件处理提醒方法中步骤S20在一个应用场景下的流程图，具体包括如下步骤：

S201、采用预设的导出表格方法从指定数据库中将第一案件属性信息导出，得到第二案件属性信息；

具体地，先获取指定表格在指定数据库中第七存储路径，然后根据该第七存储路径在指定数据库中提取该指定表格，接下来采用预设的导出表格方法从指定数据库中将指定表格的第一案件属性信息导出，得到目标指定表格的第二案件属性信息，该步骤S201中的指定数据库和预设的导出表格方法为步骤S10中的指定数据库和预设的导出表格方法，为了避免重复，此处不再阐述。

需要说明的是，指定表格可以为属性表格，目标指定表格可以为案件表格，如excel表格，指定表格和目标指定表格的具体内容，可以根据实际应用进行设定，此处不做限制。

S202、将第二案件属性信息确定为待处理的投诉案件的目标属性信息。

具体地，将步骤S201导出的第二案件属性信息确定为待处理的投诉案件的目标属性信息，如将“受理开始时间为2018.7.20、承保机构为平安人寿保险公司、受理工作人员工号为pa00121和案件状态为高危状态”确定为待处理的投诉案件的目标属性信息。

在图6对应的实施例中，通过采用预设的导出表格方法从指定数据库中将第一案件属性信息导出，得到第二案件属性信息，其中，第一案件属性信息为指定表格中的待导出属性信息，第二案件属性信息为目标指定表格中的已导出属性信息，将第二案件属性信息确定为待处理的投诉案件的目标属性信息。因为预设的导出表格方法具有快速导出表格的功能，所以采用预设的导出表格方法将第一案件属性信息导出，可以快速得到第二案件属性信息，也即可以快速得到待处理的投诉案件的目标属性信息，从而提高了目标属性信息的获取效率。

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，提供一种基于深度学习模型的案件处理提醒装置，该基于深度学习模型的案件处理提醒装置与上述实施例中基于深度学习模型的案件处理提醒方法一一对应。如图7所示，该基于深度学习模型的案件处理提醒装置包括第一获取模块71、导出模块72、输入模块73、第一判断模块74、生成模块75和发送模块76。各功能模块详细说明如下：

第一获取模块71，用于获取待处理的投诉案件、发件人信息和收件人信息；

导出模块72，用于从指定数据库中导出待处理的投诉案件的目标属性信息；

输入模块73，用于将目标属性信息输入至预先训练好的深度学习模型，得到深度学习模型输出的目标案件处理类型，其中，深度学习模型是由历史属性信息和历史案件处理类型作为样本训练得到；

第一判断模块74，用于判断目标案件处理类型是否为紧急类型；

生成模块75，用于当目标案件处理类型为紧急类型时，根据目标属性信息、发件人信息、收件人信息和预设的邮件模板生成案件提醒邮件；

发送模块76，用于将案件提醒邮件发送给指定终端。

进一步地，基于深度学习模型的案件处理提醒还包括：

第二获取模块，用于获取历史投诉案件的历史属性信息和历史案件处理类型作为样本；

第二输入模块，用于将样本中的历史属性信息输入至深度学习模型，得到输出结果；

调整模块，用于调整深度学习模型的隐层参数，以最小化输出结果与样本中的历史属性信息之间的误差；

第一确定模块，用于若误差满足预设的条件，则确定当前的深度学习模型为训练好的深度学习模型。

进一步地，基于深度学习模型的案件处理提醒还包括：

第二判断模块，用于判断目标案件处理类型为预设的案件类型；

第二确定模块，用于若目标案件处理类型为预设的案件类型，则将目标属性信息和目标案件处理类型确定为正样本，正样本用于更新深度学习模型。

进一步地，生成模块75包括：

获得子模块，用于获取预设的邮件模板；

第一提取子模块，用于提取发件人信息中的发件人邮箱地址；

第二提取子模块，用于提取收件人信息中的收件人邮箱地址；

产生子模块，用于根据目标属性信息和预设的文字生成邮件正文；

导入子模块，用于将发件人邮箱地址、收件人邮箱地址和邮件正文导入预设的邮件模板，得到案件提醒邮件。

进一步地，导出模块72包括：

引导子模块，用于采用预设的导出表格方法从指定数据库中将第一案件属性信息导出，得到第二案件属性信息，其中，第一案件属性信息为指定表格中的待导出属性信息，第二案件属性信息为目标指定表格中的已导出属性信息；

断定子模块，用于将第二案件属性信息确定为待处理的投诉案件的目标属性信息。

关于基于深度学习模型的案件处理提醒装置的具体限定可以参见上文中对于基于深度学习模型的案件处理提醒方法的限定，在此不再赘述。上述基于深度学习模型的案件处理提醒装置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***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***、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***和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于深度学习模型的案件处理提醒方法涉及到的数据。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基于深度学习模型的案件处理提醒方法。

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上述实施例基于深度学习模型的案件处理提醒方法的步骤，例如图2所示的步骤S10至步骤S60。或者，处理器执行计算机程序时实现上述实施例中基于深度学习模型的案件处理提醒装置的各模块/单元的功能，例如图6所示第一获取模块71至发送模块76的功能。为避免重复，这里不再赘述。

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上述方法实施例中基于深度学习模型的案件处理提醒方法，或者，该计算机程序被处理器执行时实现上述装置实施例中基于深度学习模型的案件处理提醒装置中各模块/单元的功能。为避免重复，这里不再赘述。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。

以上所述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。

Claims (5)

1.一种基于深度学习模型的案件处理提醒方法，其特征在于，所述基于深度学习模型的案件处理提醒方法包括：

获取待处理的投诉案件、发件人信息和收件人信息，其中，所述投诉案件和信息存储在预设的指定数据库中；

从指定数据库中导出所述待处理的投诉案件的目标属性信息，所述目标属性信息包括投诉案件类型、受理开始时间和案件状态；

将所述目标属性信息输入至预先训练好的深度学习模型，得到所述深度学习模型输出的目标案件处理类型，其中，所述深度学习模型是由历史属性信息和历史案件处理类型作为样本训练得到；

判断所述目标案件处理类型是否为紧急类型；

当所述目标案件处理类型为所述紧急类型时，根据所述目标属性信息、所述发件人信息、所述收件人信息和预设的邮件模板生成案件提醒邮件；

将所述案件提醒邮件发送给指定终端；

其中，所述深度学习模型是由历史属性信息和历史案件处理类型作为样本训练得到，训练所述深度学习模型具体包括：

将所述样本中的历史属性信息输入至所述深度学习模型，得到输出结果；

调整所述深度学习模型的隐层参数，以最小化所述输出结果与所述样本中的历史属性信息之间的误差；

若所述误差满足预设的条件，则确定当前的所述深度学习模型为训练好的深度学习模型；

其中，在所述将所述目标属性信息输入至预先训练好的深度学习模型，得到所述深度学习模型输出的目标案件处理类型之后，所述深度学习模型的案件处理提醒方法还包括：

判断所述目标案件处理类型是否为预设的案件类型；

若所述目标案件处理类型为所述预设的案件类型，则将所述目标属性信息和所述目标案件处理类型确定为正样本，所述正样本用于更新所述深度学习模型；

其中，待导出属性信息存储在指定表格中，所述从指定数据库中导出所述待处理的投诉案件的目标属性信息包括：

采用预设的导出表格方法从所述指定数据库中将第一案件属性信息导出，得到第二案件属性信息，其中，所述第一案件属性信息为所述指定表格中的待导出属性信息，所述第二案件属性信息为目标指定表格中的已导出属性信息；

将所述第二案件属性信息确定为所述待处理的投诉案件的目标属性信息。

2.如权利要求1所述的深度学习模型的案件处理提醒方法，其特征在于，所述根据所述目标属性信息、所述发件人信息、所述收件人信息和预设的邮件模板生成案件提醒邮件包括：

获取所述预设的邮件模板；

提取所述发件人信息中的发件人邮箱地址；

提取所述收件人信息中的收件人邮箱地址；

根据所述目标属性信息和预设的文字生成邮件正文；

将所述发件人邮箱地址、所述收件人邮箱地址和所述邮件正文导入所述预设的邮件模板，得到案件提醒邮件。

3.一种基于深度学习模型的案件处理提醒装置，其特征在于，所述基于深度学习模型的案件处理提醒装置包括：

第一获取模块，用于获取待处理的投诉案件、发件人信息和收件人信息，其中，所述投诉案件和信息存储在预设的指定数据库中；

导出模块，用于从指定数据库中导出所述待处理的投诉案件的目标属性信息，所述目标属性信息包括投诉案件类型、受理开始时间和案件状态；

输入模块，用于将所述目标属性信息输入至预先训练好的深度学习模型，得到所述深度学习模型输出的目标案件处理类型，其中，所述深度学习模型是由历史属性信息和历史案件处理类型作为样本训练得到；

第一判断模块，用于判断所述目标案件处理类型是否为紧急类型；

生成模块，用于当所述目标案件处理类型为所述紧急类型时，根据所述目标属性信息、所述发件人信息、所述收件人信息和预设的邮件模板生成案件提醒邮件；

发送模块，用于将所述案件提醒邮件发送给指定终端；

所述基于深度学习模型的案件处理提醒装置还包括：

第二获取模块，用于获取历史投诉案件的历史属性信息和历史案件处理类型作为样本；

第二输入模块，用于将所述样本中的历史属性信息输入至所述深度学习模型，得到输出结果；

调整模块，用于调整所述深度学习模型的隐层参数，以最小化所述输出结果与所述样本中的历史属性信息之间的误差；

第一确定模块，用于若所述误差满足预设的条件，则确定当前的所述深度学习模型为训练好的深度学习模型；

所述基于深度学习模型的案件处理提醒装置还包括：

第二判断模块，用于判断所述目标案件处理类型是否为预设的案件类型；

第二确定模块，用于若所述目标案件处理类型为所述预设的案件类型，则将所述目标属性信息和所述目标案件处理类型确定为正样本，所述正样本用于更新所述深度学习模型；

所述导出模块包括：

引导子模块，用于采用预设的导出表格方法从指定数据库中将第一案件属性信息导出，得到第二案件属性信息，其中，第一案件属性信息为指定表格中的待导出属性信息，第二案件属性信息为目标指定表格中的已导出属性信息；

断定子模块，用于将第二案件属性信息确定为待处理的投诉案件的目标属性信息。

4.一种计算机设备，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2中任一项所述基于深度学习模型的案件处理提醒方法的步骤。

5.一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2中任一项所述基于深度学习模型的案件处理提醒方法的步骤。