CN111340334A - 一种智能工单分派方法、***及介质 - Google Patents

Abstract

本发明公开了一种智能工单分派方法、***及介质，本发明对待分派工单i进行内容分析提取关键字得到提取关键字集合B_i；根据提取关键字集合B_i映射至企业员工集H中的待选员工列表；从待选员工列表中确定目标员工，并将待分派工单B_i分派给目标员工，本发明围绕工单的产生和接收处理闭环进行，将以前人工处理的工单分派进行智能化，能够极大的缩短工单中间环节处理的时间，提高工单处理的自动化效率以及客户对公司业务运维的满意度，可用于处理客户业务需求提交及员工接收和处理业务工单。

Description

一种智能工单分派方法、***及介质

技术领域

本发明涉及电力***的数字化、信息化、智能化处理技术，具体涉及一种智能工单分派方法、***及介质，用于处理客户业务需求提交以及员工接收和处理业务工单。

背景技术

随着信息智能时代的来临，电力***的数字化、信息化、智能化不断发展，由此产生的用电需求工单数量也呈现几何级数的增长。因其具有数据量大、内容形式复杂等特点，使用传统的工单服务模式已经不能够满足当前环境需求。目前对于用电需求工单的处理仍然停留在传统的接收、流转、回复过程，即主要是通过驻地营业网点、95598服务热线、员工电话等手段进行，工单周转周期较长且不能够及时对客户需求进行反馈，存在一定程度上的用电和供电环节脱节现象。因此，如何实现智能工单的自动、智能分派，已经成为一项亟待解决的关键技术问题。

在目前的工单***中，大部分工单的传递都需要大量的人力干预和中间环节，不仅消耗了大量的人力资源同时也造成工单处理的效率低下，影响公司业务开展的成效。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种智能工单分派方法、***及介质，本发明围绕工单的产生和接收处理闭环进行，将以前人工处理的工单分派进行智能化，能够极大的缩短工单中间环节处理的时间，提高工单处理的自动化效率以及客户对公司业务运维的满意度，可用于处理客户业务需求提交及员工接收和处理业务工单。

为了解决上述技术问题，本发明采用的技术方案为：

一种智能工单分派方法，实施步骤包括：

1)对待分派工单i进行内容分析提取关键字得到提取关键字集合B_i；

2)根据提取关键字集合B_i映射至企业员工集H中的待选员工列表；

3)从待选员工列表中确定目标员工，并将待分派工单B_i分派给目标员工。

可选地，步骤1)的详细步骤包括：

1.1)利用语句分隔符将待分派工单i的工单内容分割为语句，利用分词器对语句进行分词得到文本词汇，并对文本词汇进行过滤；

1.2)对文本词汇进行关联规则挖掘，将包含在同一句子中的任意词汇A和B定义为存在关联关系{A,B}，并对整个文本进行关联规则联合迭代，生成最大频繁词汇项集Q，所述最大频繁词汇项集Q中包含一项或多项频繁项集，且每一项频繁项集表示通过关联规则挖掘后生成的一组具有关联关系的关键字集合；

1.3)根据最大频繁词汇项集Q中不同大小的频繁项集生成相应的滑动窗口参数K，并生成调整后的滑动窗口参数K′＝(L′/L)K，其中L为句子长度，L′为调整后的句子长度；

1.4)计算各个词汇s_i所包含的信息关联熵值；

1.5)将调整后的滑动窗口参数K′作为TextRank算法的滑动窗口，将计算得到的各个词汇s_i所包含的信息关联熵值作为词汇s_i在TextRank算法中迭代的阻尼系数，通过TextRank算法遍历最大频繁词汇项集Q迭代计算各个词汇s_i的T(s)值序列，待收敛到可信阈值区间对所有词汇s_i的T(s)值序列进行排序，选取T(s)排名靠前的N个词汇s_i作为文本段的关键字。

可选地，步骤1.1)中对文本词汇进行过滤包括：剔除无关语义的文本词汇，标记词汇属性并保留其中包括动词、名词、形容词在内的文本词汇。

可选地，步骤1.4)计算词汇s_i所包含的关联熵值的函数表达式如下式所示：

上式中，

为词汇s_i所包含的信息关联熵值，X为词汇，

为词汇s_i在最大频繁词汇项集Q中第j项频繁项集中出现的概率，n为最大频繁词汇项集Q的频繁项集数量。

可选地，步骤2)的详细步骤包括：

2.1)根据提取关键字集合B_i和从所有工单中提取的总关键字集合B生成待分派工单i的关键字向量P_i，关键字向量P_i中的元素与总关键字集合B中的关键字数量相同，如果总关键字集合B中的关键字包含在关键字集合B_i中则关键字向量P_i中对应元素的值为1，否则关键字向量P_i中对应元素的值为0；

2.2)基于企业员工集H中所有员工对应的标签变量及其调整标签向量，寻找满足下式所示规则函数

的最大值所对应的员工并将其加入待选员工列表；

上式中，P_i为待分派工单B_i的关键字向量，s为历史工单数据训练集中的员工，l为企业员工集H中员工总数，Q_j ^T为企业员工集H中员工H_j的标签变量Q_j的转置矩阵，Q_s ^T为企业员工集H中员工H_s的标签变量Q_s的转置矩阵，

为企业员工集H中员工H_j的调整标签向量Q_j’的转置矩阵，

为企业员工集H中员工H_s的调整标签向量Q_s’的转置矩阵。

可选地，步骤2.2)之前还包括生成企业员工集H中任一员工对应的标签变量及其调整标签向量的步骤：

S1)从所有工单中选择部分或全部工单建立训练集合，根据训练集合中工单、员工之间的分配关系建立关系矩阵R：

上式中，以r_ij表示关系矩阵R中的元素，其中i取值范围为1～k，j取值范围为1～l，k为工单数量，l为员工数量，若元素r_ij等于1则表示其对应的工单i被分配给员工j，若元素r_ij等于0则表示其对应的工单i未被分配给员工j；

S2)根据下式计算任意员工H_j的标签变量Q_j；

上式中，H_j ^T表示员工H_j的向量，r_1j～r_kj分别表示第1～k张工单是否分配给员工H_j的结果，结果取值为1或0、且取值为1表示分配给员工H_j；P表示关键字向量集合，P₁～P_k表示第1～k张工单的关键字向量；k为所有工单的总数量。

S3)根据P(i)＝i/n计算企业员工集H中任一员工H_j针对训练集合中所有的k个工单的关键字出现频率f(1)～f(k)，其中i代表关键字出现的次数，n代表所有关键字的总数；根据下式对标签变量Q_j进行修正得到调整标签向量Q_j’；

上式中，f(1)～f(k)为员工H_j针对所有的k个工单的关键字出现频率，Q_j为员工H_j的标签变量。

可选地，步骤3)从待选员工列表中确定目标员工具体是指：根据待选员工列表中每一位员工的已分配工单的复杂系数和数量计算出每一位员工的任务量，然后选择任务量最小的员工作为目标员工。

可选地，步骤3)中将待分派工单B_i分派给目标员工之后还包括进行自动或者手动的任务转分配的步骤，且任务转分配的步骤包括从预设的企业员工集H中员工与员工之间的亲密度关系矩阵D中找出目标员工亲密度关系最佳的员工作为新的目标员工，将待分派工单B_i分派给新的目标员工；其中亲密度关系矩阵D的生成步骤包括：首先分别计算任意两个员工的标签之间的语义距离，然后按照下式生成亲密度关系矩阵D；

上式中，以d_ij表示亲密度关系矩阵D中的元素，其中i，j取值范围为1～l，l为员工数量，元素d_ij表示员工i、员工j的标签之间的语义距离；员工的标签包括岗位工种、服务对象、情境、地域中的一种或者多种。

此外，本发明还提供一种智能工单分派***，包括计算机设备，该计算机设备被编程或配置以执行所述智能工单分派方法的步骤，或该计算机设备的存储器上存储有被编程或配置以执行所述智能工单分派方法的计算机程序。

此外，本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行所述智能工单分派方法的计算机程序。

和现有技术相比，本发明具有下述优点：本发明对待分派工单i进行内容分析提取关键字得到提取关键字集合B_i；根据提取关键字集合B_i映射至企业员工集H中的待选员工列表；从待选员工列表中确定目标员工，并将待分派工单B_i分派给目标员工，本发明围绕工单的产生和接收处理闭环进行，将以前人工处理的工单分派进行智能化，能够极大的缩短工单中间环节处理的时间，提高工单处理的自动化效率以及客户对公司业务运维的满意度，可用于处理客户业务需求提交及员工接收和处理业务工单。

附图说明

图1为发明实施例方法的基本流程示意图。

图2为发明实施例中的TextRank算法模型的无向图。

图3为发明实施例中的TextRank算法模型的有向图。

图4为发明实施例中关键字“文档”的PR曲线对比图。

图5为发明实施例中关键字“支付”的PR曲线对比图。

图6为发明实施例中客户—中间因子—员工的三元关系示意图。

图7为本实施例基于三元关系构建的服务模型。

具体实施方式

如图1所示，本实施例智能工单分派方法的实施步骤包括：

1)对待分派工单i进行内容分析提取关键字得到提取关键字集合B_i；

2)根据提取关键字集合B_i映射至企业员工集H中的待选员工列表；

3)从待选员工列表中确定目标员工，并将待分派工单B_i分派给目标员工。

本实施例中，步骤1)的详细步骤包括：

1.1)利用语句分隔符将待分派工单i的工单内容分割为语句，利用分词器对语句进行分词得到文本词汇，并对文本词汇进行过滤；

1.2)对文本词汇进行关联规则挖掘，将包含在同一句子中的任意词汇A和B定义为存在关联关系{A,B}，并对整个文本进行关联规则联合迭代，生成最大频繁词汇项集Q，所述最大频繁词汇项集Q中包含一项或多项频繁项集，且每一项频繁项集表示通过关联规则挖掘后生成的一组具有关联关系的关键字集合；

1.3)根据最大频繁词汇项集Q中不同大小的频繁项集生成相应的滑动窗口参数K，并生成调整后的滑动窗口参数K′＝(L′/L)K，其中L为句子长度，L′为调整后的句子长度；

1.4)计算各个词汇s_i所包含的信息关联熵值；

1.5)将调整后的滑动窗口参数K′作为TextRank算法的滑动窗口，将计算得到的各个词汇s_i所包含的信息关联熵值作为词汇s_i在TextRank算法中迭代的阻尼系数，通过TextRank算法遍历最大频繁词汇项集Q迭代计算各个词汇s_i的T(s)值序列，待收敛到可信阈值区间对所有词汇s_i的T(s)值序列进行排序，选取T(s)排名靠前的N个词汇s_i作为文本段的关键字。

文本数据挖掘的关键字提取是进行相关研究的基础性工作，提取效果的好坏直接关系到文本内容信息的读取。由于TextRank算法具有简单有效和语言弱相关等特点，目前已成为广泛使用的关键字提取方法，但是受到词频影响较大，因而相较于其他关键字提取算法不具备太大的优势。本实施例在现有TextRank算法的基础上引入信息熵和词汇之间的关联关系，解决词汇词频的单一特性，更好的考虑词汇的全局和上下文语义特性，能够获得更好的提取效果。TextRank算法首先利用分词对文本进行分割，以“句”为单元排除无用习性的词汇，保留其中的动词、名词等作为候选关键字选项集Q_i＝{S_i1,S_i2,…,S_in}，其中i代表句子编号。通过设定滑动窗口的参数K值，将句子中距离小于K的词汇归纳到同一窗口进行标记，即{s₀,s₁,…,s_k}{s₁,s₂,…,s_k+1},…,{s_n-k,s₁,…,s_n}，对出现在同一窗口的词汇之间建立链接关系，形成相应关键字链接矩阵。在TextRank算法模型中主要包括无向图和有向图两种类型，具体如图2和图3所示。

其中，无向图的矩阵表达式为：

无向图的迭代计算T(s)值序列的公式如下：

其中，有向图的矩阵表达式为：

有向图的迭代计算T(s)值序列的公式如下：

式(2)和(4)中，T(S_i)为词汇s_i的T(s)值序列，d为阻尼系数，In(S_i)代表与词汇S_i相链接的词汇集合，out(S_j)代表指向词汇S_j的词汇集合，m_jk为词汇S_k,S_j之间边的权重，m_ji为词汇S_i,S_j之间边的权重，S_k为指向词汇S_j的词汇集合out(S_j)中的词汇。本实施例中通过对文档进行遍历迭代收敛到一定的区间范围，从而得到所有词汇的T(s)值序列，进而选取其中值排名靠前的词汇作为文本的关键字。

本实施例中，步骤1.1)中对文本词汇进行过滤包括：剔除无关语义的文本词汇，标记词汇属性并保留其中包括动词、名词、形容词在内的文本词汇。

本实施例中，步骤1.4)计算词汇s_i所包含的关联熵值的函数表达式如下式所示：

上式中，

为词汇s_i所包含的信息关联熵值，X为词汇，

为词汇s_i在最大频繁词汇项集Q中第j项频繁项集中出现的概率，n为最大频繁词汇项集Q的频繁项集数量。在海量文本内容中，信息熵能够对文本进行量化评估，表达了词汇所携带的信息量情况，能够得到整体文本所包含的信息期望值。通常情况下，针对某一词汇来讲，若其信息熵值越大，则其在整个文本中的分布也就越平均，也就表明这种词汇出现的概率也就越大，包含单调性、非负性、累加性三种特性。本实施例中采用关联熵概念来计算得到文本关键字信息，弱化了词汇频率的重要性，能够针对词汇上下文信息作出更准确的关键字提取效果。根据得出的词汇关联熵信息，可得出词汇与其他词汇之间存在的链接程度信息，也即是词汇与其他关联词汇之间的阻尼程度如何。若词汇在文本中出现的频率较低，但是词汇在文本结构中往往出现在较为重要位置(如与高频词汇关联信息程度较高等)，则表明该低频词汇在文本的重要性应该有所提高，即词汇关联熵信息权重有所增强，因而能够对这类低频而重要的词汇进行更好的处理。本实施例通过提取搜狗文本集和复旦大学文本集等文本集中的历史、法律、教育、艺术、计算机等类别文本作为实验样本，每种类别下样本数量保持1000左右。在处理实验文本之前，首先利用中文分词器对实验文本进行预处理，剔除出停用词和无用符号并标注词汇的词性。选取实验运行环境：操作***为win 7，内核Intel Core i7 CPUM 540，内存4G。对于这些文档而言，关键字个数基本保持在5个左右，因此设定提取的关键字数量为5和6，具体的实验效果如下表1和表2所示。

表1：提取五个关键字。

表2：提取六个关键字。

实验数据表明，在大量文本数据信息的情况下，相较于TFIDF算法、TR算法及Tag-TR算法，本实施例提出的改进关联熵的关键字提取算法能够达到更好的效果。针对文本内容的解释，其上下文含义不仅仅体现在词汇出现的频率上，词汇在上下文出现的位置以及对于词汇与词汇之间的关联也有很大的意义，因而对于关键字的选取应计算词汇在文本中的关联信息。为了能够更进一步观察算法在关键字提取过程中特点，提取关键字在不同类别文档中cutoff值(如关键词“文档”和关键词“支付”)，并将其所代表的PR曲线展示如图4和图5所示，其中曲线“TFIDF”表示作为对比的TFIDF算法、曲线“TR”表示作为对比的TR算法，曲线“Tag-TR”表示作为对比的Tag-TR算法，曲线“this paper”表示本实施例的方法。从图4和图5可以看出，本实施例曲线与坐标轴的面积是最大的，表明相较于TFIDF算法、TR算法及Tag-TR算法，本实施例提取关键字效果有一定的优势，通过对词汇之间存在的关联关系进行挖掘，并将其用关联熵进行量化分析，结合TR迭代计算选取排名靠前的k个词汇作为关键字候选，能够得到较好的关键字提取效果。

本实施例中，步骤2)的详细步骤包括：

2.1)根据提取关键字集合B_i和从所有工单中提取的总关键字集合B生成待分派工单i的关键字向量P_i，关键字向量P_i中的元素与总关键字集合B中的关键字数量相同，如果总关键字集合B中的关键字包含在关键字集合B_i中则关键字向量P_i中对应元素的值为1，否则关键字向量P_i中对应元素的值为0；

2.2)基于企业员工集H中所有员工对应的标签变量及其调整标签向量，寻找满足下式所示规则函数

的最大值所对应的员工并将其加入待选员工列表；

上式中，P_i为待分派工单B_i的关键字向量，s为历史工单数据训练集中的员工，l为企业员工集H中员工总数，Q_j ^T为企业员工集H中员工H_j的标签变量Q_j的转置矩阵，Q_s ^T为企业员工集H中员工H_s的标签变量Q_s的转置矩阵，

为企业员工集H中员工H_j的调整标签向量Q_j’的转置矩阵，

为企业员工集H中员工H_s的调整标签向量Q_s’的转置矩阵。

本实施例中，步骤2.2)之前还包括生成企业员工集H中任一员工对应的标签变量及其调整标签向量的步骤：

S1)从所有工单中选择部分或全部工单建立训练集合，根据训练集合中工单、员工之间的分配关系建立关系矩阵R：

上式中，以r_ij表示关系矩阵R中的元素，其中i取值范围为1～k，j取值范围为1～l，k为工单数量，l为员工数量，若元素r_ij等于1则表示其对应的工单i被分配给员工j，若元素r_ij等于0则表示其对应的工单i未被分配给员工j；

S2)根据下式计算任意员工H_j的标签变量Q_j；

上式中，H_j ^T表示员工H_j的向量，r_1j～r_kj分别表示第1～k张工单是否分配给员工H_j的结果，结果取值为1或0、且取值为1表示分配给员工H_j；P表示关键字向量集合，P₁～P_k表示第1～k张工单的关键字向量；k为所有工单的总数量。

S3)根据P(i)＝i/n计算企业员工集H中任一员工H_j针对训练集合中所有的k个工单的关键字出现频率f(1)～f(k)，其中i代表关键字出现的次数，n代表所有关键字的总数；根据下式对标签变量Q_j进行修正得到调整标签向量Q_j’；

上式中，f(1)～f(k)为员工H_j针对所有的k个工单的关键字出现频率，Q_j为员工H_j的标签变量。

在电力行业中，客户的用电行为与购买“商品”类似，“商品”质量的好坏关乎客户切实的产品体验。作为商品的“电”来说，由于其本身的特殊性，因而不仅存在一般固有的商品属性，还带着无形、需依存第三方使用等特点。在电力商品的生产和使用过程中主要存在两个主体，一个是使用电力的客户，一个是提供和维护电力的企业。在整个“电力商品”的流转过程中，客户与企业的实际接触最多，反而对于“电力商品”的性质特点不怎么关心。因而，在介绍推荐算法的主体部分时主要是面向客户与企业之间。客户用电与企业供电，这两者之间的联系可以称之为供电服务，客户对于“电力商品”的要求则主要转移到了企业上了。对于企业来说，其构成的基本元素则是在其内的员工，员工队伍的好坏则直接关系到企业的经营效益。而对于企业员工来说，由于岗位工种、服务对象等的不同，因而企业员工可以根据其岗位工种、服务对象等不同而进行标签化。所谓标签既可以反映客户对企业员工意见的评价，也可以是直接体现企业员工的工作属性的词语，当然无论是哪种都是对企业员工股相关信息的概括，不在局限于企业员工单一的工作岗位上，进而可以通过标签与用电客户建立关联通道。在描述客户用电需求和员工标签特征时可以引入情境和地域等因素，这在一定程度上能够弥补信息不足而影响推荐服务的效果。对企业员工的标签化处理，不仅可以利用客户对用电服务所反馈的标签集之间的语义距离来计算客户相似度，同时也可以通过对标签与工单内容之间的关系为客户推荐和适度高的员工进行服务。在传统的研究内容中，学者们通常将标签与基于内容的推荐算法相结合能够一定程度上解决推荐算法中常出现的稀疏性问题，证明了基于标签的推荐算法的优势，不过仍然存在推荐的精确程度不够导致客户满意度低，进而影响供电服务质量。为了能够更准确的为客户推荐企业员工，在客户—员工之间添加一个中间过渡矩阵，将原有的客户—员工关系矩阵R分解为客户—中间因子关系矩阵P和中间因子—员工关系矩阵Q，这样就形成了图6所示客户—中间因子—员工的三元关系，多个客户通过k个中间因子和多个企业员工形成了关联。

对于客户与中间因子关系矩阵来说，其主体主要由关键字向量构成，而中间因子与企业员工的关系矩阵则是由标签向量来构成。相较于以前单一客户—员工关系，客户—中间因子—员工三元关系能够更找到更精准的推荐关系，并且能够准确的贴近现实环境的要求。本实施例从客户与中间因子、中间因子内部、中间因子与员工三大关系着手构建服务模型，主要包括客户—中间因子模型、中间因子推荐模型、中间因子—员工模型。图7所示为本实施例从客户与中间因子、中间因子内部、中间因子与员工三大关系着手构建的服务模型，客户和关键字向量之间构成客户—中间因子模型，企业员工和标签向量之前构成中间因子—员工模型，关键字向量和标签向量之间的推荐关系构成中间因子推荐模型。

前文步骤2.1)记载的内容为客户—中间因子模型，根据客户的用电需求所形成的工单，因其内容的不同故而具体的解析含义也会有所不同，相对应的关键字向量就会有所区别。所有客户用电需求工单训练集提取出的总关键字集合为B＝{b₁,b₂,...,b_n}，而单一用电需求工单的关键字集合B_i则应该数据集合B的子集，即B_i∈B。根据单一客户工单所包含的关键字以及其在总关键字集合B中的对应关系，则其所对应的关键字向量P_i的任意元素P为：

P＝0则说明客户需求工单中不包含此关键字，P＝1则说明客户需求工单中包含此关键字。

前述步骤S1)～S3)记载的为中间因子—员工模型，由训练集合中的派遣工单与员工之间的关系矩阵R，由关系矩阵R可知H_j所对应的向量为：

其中k为工单的数量基础。因工单B_i所对应的关键字向量P_i＝[p_i1,p_i2,...,p_in]，n为关键词数量。由此计算得出员工H_j的标签变量Q_j。为了达到更好的实际效果，依据关键字在训练工单集合中出现的频率f(i)，表明出现概率大的关键字其重要程度要高于出现概率低的关键字(在剔除无效词组之后)。在标签变量Q_j的基础上，以关键字出现频率f(i)为调整因子，计算得出调整标签向量Q′_j。

前述步骤2.2)记载的则为中间因子推荐模型。为了能够将工单集合与员工集合对应起来，中间因子的推荐就显得尤为重要。关键字向量与标签向量两者之间存在一定的联系，从训练集中学习得到的标签向量反过来对新的关键字向量进行推荐，找到符合程度最高的员工，从而将工单派发给该员工。对于工单B_i来说，其关键字向量为P_i＝[p_i1,p_i2,...,p_in]，寻找到最合适的员工H_j进行服务，即存在标签向量Q_j和调整标签向量Q′_j满足规则函数Δφ的最大值。也就是说存在员工H_j符合处理工单内容的用电服务工作的条件。符合处理工单内容的用电服务工作的条件的员工数量可以为一个或者多个，因此需要将其作为待选员工列表，以便从待选员工列表中确定目标员工。

本实施例中，步骤3)从待选员工列表中确定目标员工具体是指：根据待选员工列表中每一位员工的已分配工单的复杂系数和数量计算出每一位员工的任务量，然后选择任务量最小的员工作为目标员工。其中复杂系数根据工单的复杂程度设定，例如可根据一般熟练程度的员工解决时间长短来计算，以一个小时为标准单位，时间长的复杂程度高，时间短点复杂程度低。因此员工工作量＝∑工单数量*复杂程度。根据员工已有工作量的大小，调整员工工单分派权重(与工作量成反相关的关系，即工作量大的再次分派工单的几率要小些，工作量小的再次分派工单的几率要大些)，能够实现工单分配的均衡。

由于员工的标签向量集合是从训练集中学习得到的，其仍然存在样本局部化、语义多样等特点，并且员工自身还存在一定的不确定因素，因而不能完全保证推荐服务的准确度。为了增强服务工作的弹性调节，在推荐服务的基础上为员工提供协助推荐服务，本实施例步骤3)中将待分派工单B_i分派给目标员工之后还包括进行自动或者手动的任务转分配的步骤，且任务转分配的步骤包括从预设的企业员工集H中员工与员工之间的亲密度关系矩阵D中找出目标员工亲密度关系最佳的员工作为新的目标员工，将待分派工单B_i分派给新的目标员工；其中亲密度关系矩阵D的生成步骤包括：首先分别计算任意两个员工的标签之间的语义距离，然后按照下式生成亲密度关系矩阵D；

上式中，以d_ij表示亲密度关系矩阵D中的元素，其中i，j取值范围为1～l，l为员工数量，元素d_ij表示员工i、员工j的标签之间的语义距离；员工的标签包括岗位工种、服务对象、情境、地域中的一种或者多种。若推荐模型匹配的员工状态或者在岗情况等不符合工单用电需求，则可根据需要对工单进行自动转派，并根据亲密度矩阵及时调整员工的标签；员工或者管理员也可以根据需要进行手工转派。这样就将工单的传播模式由以往中心调节模式转变为多点分散调节模式，极大的利用员工作业资源，提高工单处理的效率，提高服务质量。

综上所述，为了能够更好的解决客户与企业供电服务之间衔接步骤的不一致性，本实施例智能工单分派方法从客户、员工以及客户与员工之间的连接机制着手，设计一个能够对工单进行智能处理的处理体系，通过统一的模拟窗口将客户的需求以工单的形式进行接收分析，并采用高效的派单方式，通过不断推荐模拟找到适合度最高的员工进行服务，极大的减少中间环节的传递和流转，确保每张工单都能够及时派发出去，并准确传达到相对应的服务员工手中，减少人工方面的干预，提高工作人员工作效率，节约供电企业员工的人力资源，最大程度的提高用电业务的办事效率，并提供工单回复、提醒、转派功能等功能，能够更好的解决这种模式“最后一公里”的优化问题。本发明围绕客户工单的形成方式、员工与工单之间的推荐匹配问题以及客户对员工处理工单的反馈等，建立基于动态规划技术的智能化维护派工单管理技术，采用数字化存储、数据自动匹配、***实现和其他技术方法展开标准化管理和数字转换，以工作列表的形式在操作和维护的过程中完成横向协调，在加以纵向数据分析的基础上，以各种类型的工作列表操作和维护人员与动态编程技术相结合，从而实现协同工作表、人员和工作指令的关联。这种方法能够极大的提高工单的处理效率，搭建客户与员工之间的直接桥梁，促进公司人力资源效率的提高。本发明能够实现客户与处理员工之间的直接联系，极大的削减中间不必要的传递环节，从客户工单的形成开始至员工处理客户工单结束，中间环节几乎不需要人工电话通知和传递等，缩短整个工单处理的时限，同时还能够实现客户与一线员工的零距离接触，了解客户最迫切的业务需求并形成最有效的员工解决方案。

此外，本实施例还提供一种智能工单分派***，包括计算机设备，该计算机设备被编程或配置以执行前述智能工单分派方法的步骤，或该计算机设备的存储器上存储有被编程或配置以执行前述智能工单分派方法的计算机程序。

此外，本实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行前述智能工单分派方法的计算机程序。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种智能工单分派方法，其特征在于实施步骤包括：

1)对待分派工单i进行内容分析提取关键字得到提取关键字集合B_i；

2)根据提取关键字集合B_i映射至企业员工集H中的待选员工列表；

3)从待选员工列表中确定目标员工，并将待分派工单B_i分派给目标员工。

2.根据权利要求1所述的智能工单分派方法，其特征在于，步骤1)的详细步骤包括：

1.1)利用语句分隔符将待分派工单i的工单内容分割为语句，利用分词器对语句进行分词得到文本词汇，并对文本词汇进行过滤；

1.2)对文本词汇进行关联规则挖掘，将包含在同一句子中的任意词汇A和B定义为存在关联关系{A,B}，并对整个文本进行关联规则联合迭代，生成最大频繁词汇项集Q，所述最大频繁词汇项集Q中包含一项或多项频繁项集，且每一项频繁项集表示通过关联规则挖掘后生成的一组具有关联关系的关键字集合；

1.3)根据最大频繁词汇项集Q中不同大小的频繁项集生成相应的滑动窗口参数K，并生成调整后的滑动窗口参数K′＝(L′/L)K，其中L为句子长度，L′为调整后的句子长度；

1.4)计算各个词汇s_i所包含的信息关联熵值；

1.5)将调整后的滑动窗口参数K′作为TextRank算法的滑动窗口，将计算得到的各个词汇s_i所包含的信息关联熵值作为词汇s_i在TextRank算法中迭代的阻尼系数，通过TextRank算法遍历最大频繁词汇项集Q迭代计算各个词汇s_i的T(s)值序列，待收敛到可信阈值区间对所有词汇s_i的T(s)值序列进行排序，选取T(s)排名靠前的N个词汇s_i作为文本段的关键字。

3.根据权利要求2所述的智能工单分派方法，其特征在于，步骤1.1)中对文本词汇进行过滤包括：剔除无关语义的文本词汇，标记词汇属性并保留其中包括动词、名词、形容词在内的文本词汇。

4.根据权利要求2所述的智能工单分派方法，其特征在于，步骤1.4)计算词汇s_i所包含的关联熵值的函数表达式如下式所示：

上式中，

为词汇s_i所包含的信息关联熵值，X为词汇，

为词汇s_i在最大频繁词汇项集Q中第j项频繁项集中出现的概率，n为最大频繁词汇项集Q的频繁项集数量。

5.根据权利要求1所述的智能工单分派方法，其特征在于，步骤2)的详细步骤包括：

2.1)根据提取关键字集合B_i和从所有工单中提取的总关键字集合B生成待分派工单i的关键字向量P_i，关键字向量P_i中的元素与总关键字集合B中的关键字数量相同，如果总关键字集合B中的关键字包含在关键字集合B_i中则关键字向量P_i中对应元素的值为1，否则关键字向量P_i中对应元素的值为0；

2.2)基于企业员工集H中所有员工对应的标签变量及其调整标签向量，寻找满足下式所示规则函数

的最大值所对应的员工并将其加入待选员工列表；

上式中，P_i为待分派工单B_i的关键字向量，s为历史工单数据训练集中的员工，l为企业员工集H中员工总数，Q_j ^T为企业员工集H中员工H_j的标签变量Q_j的转置矩阵，Q_s ^T为企业员工集H中员工H_s的标签变量Q_s的转置矩阵，Q′_j ^T为企业员工集H中员工H_j的调整标签向量Q_j’的转置矩阵，Q′_s ^T为企业员工集H中员工H_s的调整标签向量Q_s’的转置矩阵。

6.根据权利要求5所述的智能工单分派方法，其特征在于，步骤2.2)之前还包括生成企业员工集H中任一员工对应的标签变量及其调整标签向量的步骤：

S1)从所有工单中选择部分或全部工单建立训练集合，根据训练集合中工单、员工之间的分配关系建立关系矩阵R：

上式中，以r_ij表示关系矩阵R中的元素，其中i取值范围为1～k，j取值范围为1～l，k为工单数量，l为员工数量，若元素r_ij等于1则表示其对应的工单i被分配给员工j，若元素r_ij等于0则表示其对应的工单i未被分配给员工j；

S2)根据下式计算任意员工H_j的标签变量Q_j；

上式中，H_j ^T表示员工H_j的向量，r_1j～r_kj分别表示第1～k张工单是否分配给员工H_j的结果，结果取值为1或0、且取值为1表示分配给员工H_j；P表示关键字向量集合，P₁～P_k表示第1～k张工单的关键字向量；k为所有工单的总数量。

S3)根据P(i)＝i/n计算企业员工集H中任一员工H_j针对训练集合中所有的k个工单的关键字出现频率f(1)～f(k)，其中i代表关键字出现的次数，n代表所有关键字的总数；根据下式对标签变量Q_j进行修正得到调整标签向量Q_j’；

上式中，f(1)～f(k)为员工H_j针对所有的k个工单的关键字出现频率，Q_j为员工H_j的标签变量。

7.根据权利要求1所述的智能工单分派方法，其特征在于，步骤3)从待选员工列表中确定目标员工具体是指：根据待选员工列表中每一位员工的已分配工单的复杂系数和数量计算出每一位员工的任务量，然后选择任务量最小的员工作为目标员工。

8.根据权利要求1所述的智能工单分派方法，其特征在于，步骤3)中将待分派工单B_i分派给目标员工之后还包括进行自动或者手动的任务转分配的步骤，且任务转分配的步骤包括从预设的企业员工集H中员工与员工之间的亲密度关系矩阵D中找出目标员工亲密度关系最佳的员工作为新的目标员工，将待分派工单B_i分派给新的目标员工；其中亲密度关系矩阵D的生成步骤包括：首先分别计算任意两个员工的标签之间的语义距离，然后按照下式生成亲密度关系矩阵D；

上式中，以d_ij表示亲密度关系矩阵D中的元素，其中i，j取值范围为1～l，l为员工数量，元素d_ij表示员工i、员工j的标签之间的语义距离；员工的标签包括岗位工种、服务对象、情境、地域中的一种或者多种。

9.一种智能工单分派***，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～8中任意一项所述智能工单分派方法的步骤，或该计算机设备的存储器上存储有被编程或配置以执行权利要求1～8中任意一项所述智能工单分派方法的计算机程序。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～8中任意一项所述智能工单分派方法的计算机程序。

Images