发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本申请提供了一种工单的处理方法、装置、电子设备及存储介质。
第一方面,本申请提供了一种工单的处理方法,包括:
确定待分配工单的语料内容;
将所述语料内容输入预先训练的文本识别模型,由于所述文本识别模型根据所述语料内容得到识别结果;
根据所述识别结果确定处理所述待分配工单的目标处理对象;
将所述待分配工单发送至所述目标处理对象。
可选的,在将所述语料内容输入预先训练的文本识别模型,由于所述识别模型根据所述语料内容得到识别结果之前,所述方法还包括:
按照预设规则对所述语料内容进行分析,得到分析结果;
当根据所述分析结果确定处理所述待分配工单的目标处理对象存在时,将所述待分配工单发送至所述目标处理对象;
或,当跟根据所述分析结果确定所述待分配工单的处理对象不存在时,将所述语料内容输入预先训练的文本识别模型。
可选的,所述方法还包括:
获取对样本语料内容拆分得到的词组集合:
确定所述词组集合对应的标识信息;
根据所述词组集合和所述标识信息训练第一预设卷积神经网络模型,由所述第一预设卷积神经网络模型学习所述词组集合与所述标识信息的关系,得到所述文本识别模型。
可选的,所述方法还包括:
基于所述语料内容获取地址信息;
将所述地址信息输入预先训练的地址识别模型,由所述地址识别模型根据所述地址信息确定处理所述待分配工单的目标处理对象。
可选的,所述地址识别模型包括:第一子模型和第二子模型;
所述将所述地址信息输入预先训练的地址识别模型,由所述地址识别模型根据所述地址信息确定所述待分配工单对应的目标处理对象,包括:
将所述地址信息输入所述第一子模型,由所述第一子模型将所述地址信息转换为词向量;
将所述词向量输入所述第二子模型,由所述第二子模型根据所述词向量确定处理所述待分配工单的目标处理对象。
可选的,所述方法还包括:
当所述语料内容中不携带地址信息时,对所述语料内容进行分词处理得到第一特征向量;
获取至少一个历史语料内容对应的第二特征向量;
基于所述第一特征向量和所述第二特征向量得到语义相似度;
根据所述语义相似度对所述待分配工单执行相应的处理操作。
可选的,所述根据所述语义相似度对所述待分配工单执行相应的处理操作,包括:
当所述语义相似度大于或等于预设阈值时,将所述语义相似度最大的历史工单对应的处理对象作为处理所述待分配工单的目标处理对象;
将所述待分配工单发送至所述目标处理对象;
或,当所述语义相似度小于预设阈值时,将所述待分配工单添加标注信息,并发送至指定终端。
第二方面,本申请实施例提供的一种工单的处理装置,包括:
第一确定模块,用于确定待分配工单的语料内容;
处理模块,用于将所述语料内容输入预先训练的文本识别模型,由于所述文本识别模型根据所述语料内容得到识别结果;
第二确定模块,用于根据所述识别结果确定处理所述待分配工单的目标处理对象;
发送模块,用于将所述待分配工单发送至所述目标处理对象。
第三方面,本申请提供了一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行计算机程序时,实现上述方法步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:该技术方案利用人工智能技术中的文本识别技术对带分配工单的语料内容进行分析,从而得到处理待分配工单的目标处理对象,有效解决了采用人工的方式对工单进行分类的复杂性,也有效避免了人工接入,提高了工单处理效率。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种工单的处理方法、装置、电子设备及存储介质,本发明实施例所提供的方法可以应用于任意需要的电子设备,例如,可以为服务器、终端等电子设备,在此不做具体限定,为描述方便,后续简称为电子设备。
下面首先对本发明实施例所提供的一种工单的处理方法进行介绍。
图1为本申请实施例提供的一种工单的处理方法的流程图。如图1所示,该方法包括以下步骤:
步骤S11,确定待分配工单的语料内容;
本实施例所指的工单根据字面意思可以把它理解为工作单据。工单定义由一个和多个作业组成的简单维修或制造计划,上级部门下达任务,下级部门领受任务的依据。工单可以是独立的,也可以是大型项目的一部分。
本实施例中所指的待分配工单为客服设备接收的由客户端发起的投诉工单,投诉工单中的语料内容可以理解为投诉内容。
在确定待分配工单的语料内容后,按照预设规则对语料内容进行分析,得到分析结果,当根据分析结果确定目标处理对象存在时,将待分配工单发送至目标处理对象,目标处理对象可以是处理待分配工单的部门或者终端设备。
作为一个示例,当待分配工单的语料内容与历史工单的语料内容重复时,直接将历史工单对应的处理对象作为目标处理对象,并将待分配工单直接发送至目标处理对象,不在执行后续流程。
又例如:当待分配工单的语料内容与预设事件相关联,则将待分配工单直接分配给专属的部门或者主机处理。预设事件比如:受某外界因素影响导致高速公路暂时封闭的工单。
作为另一个示例,当跟根据分析结果确定目标处理对象不存在时,将语料内容输入预先训练的文本识别模型。
步骤S12,将语料内容输入预先训练的文本识别模型,由于文本识别模型根据语料内容得到识别结果;
在本步骤中,将语料内容输入文本识别模型,由文本识别模型将语料内容拆分为词组结合,并确定词组集合对应的标识信息(即识别结果)。然后根据标识信息确定目标处理对象,其中标识信息可以是由数字组成的编号,即为目标处理对象的编号。
本实施例中所涉及的文本识别模型是短文本识别模型,在使用过程中固定文本识别模型的输入维数为200,如果实际语料长度大于200,则取前100加上后100作为输入。如果小于,则使用空位符补全。
作为一个示例,基于语料内容提取的词组集合包括:高新区、天府大道、某医疗机构、未建立、医患、沟通机制等等,该投诉工单属于卫生计生处理终端,该处理终端的编号:001。基于语料内容提取的词组集合包括:承租、高新区、中和街、商铺、未办理、手续。该投诉工单属于劳动和社会保障处理终端,该处理终端编号:002。基于语料内容提取的词组集合包括:高新区、天府二街、出现、交通拥堵,该投诉工单属于其他事件处理终端,该处理终端编号:003。基于语料内容提取的词组集合包括:武侯区、果顺路、住户、扰民行为,该投诉工单属于民政处理终端,该处理终端编号:004。基于语料内容提取的词组集合包括:高新区、天府大道、违法转让、土地使用权,该投诉工单属于:国土资源管理处理终端,该处理终端编号:005。基于语料内容提取的词组集合包括:天府大道、建筑工地、建筑材料、侵占、车道,该投诉工单属于:城乡建设处理终端,该处理终端编号:006。基于语料内容提取的词组集合包括:咨询、高新区、火锅店、开业。该投诉工单属于:经济管理处理终端,该处理终端编号:007。基于语料内容提取的词组集合包括:注册地址、紫荆东路、旅游公司、不具有、资质证明。该投诉工单属于:商贸旅游处理终端,该处理终端编号:008。基于语料内容提取的词组集合包括:高新区、某学校、不合理、收费现象。该投诉工单属于教育文体处理终端,其处理终端编号:009。
本实施例中的文本识别模型的训练过程如下:获取样本语料内容,将样本语料内容进行拆分得到词组集合,确定词组集合对应的标识信息,其中标识信息可以是处理对象的编号。然后根据词组集合和标识信息训练第一预设卷积神经网络模型,由第一预设卷积神经网络模型学习词组集合与所述标识信息的关系,得到文本识别模型。
步骤S13,根据识别结果确定处理待分配工单的目标处理对象;
步骤S14,将待分配工单发送至目标处理对象。
本实施例中,该技术方案利用人工智能技术中的文本识别技术对带分配工单的语料内容进行分析,从而得到处理待分配工单的目标处理对象,有效解决了采用人工的方式对工单进行分类的复杂性,也有效避免了人工接入,提高了工单处理效率。
另外,本申请还可以通过对语料内容的情感进行分析,得到语料内容的情感指标,根据情感指标确定待分配工单的紧急程度。文本情感分析:又称意见挖掘、倾向性分析等。简单而言,是对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程。
具体的,对语料内容中的每句话进行条件随机场模型标记分析对象,统计整篇文章出现次数最多的词语为待分配工单的目标分析对象,然后将包含分析对象的语句为目标语句。对目标语句进行分词与去掉停用词处理,针对不同的语言可以采取不同的分词方法,本实施例中,针对汉语采用Jieba汉语分词***进行分词操作。获得词性之后,去除分词结果中的标点符号、拟声词、叹词、助词、连词、介词、副词、数词、量词。
将包含分析对象的语句为目标语句具体处理流程如下,对语料内容中的每个语句进行条件随机场抽取分析对象;
首先对待分配工进行分词处理,本实施例中使用Jieba分词进行分词操作,然后对分词结果使用IOB标记为条件随机场抽取分析对象的标记信息,其中(1)B EVA,分析对象修饰短语开始词语;(2)I EVA,分析对象修饰短语内部词语;(3)B PRO,分析对象开始词语;(4)I-PRO,分析对象内部词语;(5)B ATT,分析对象相关属性开始词语;(6)I ATT,分析对象相关属性内部词语。
然后对分词结果进行语义分析,首先进行语法解析,得到相应的语义树标签。根据分词结果、词性和语义树标签设计相应的条件随机场特征模板。在标记结果中B-PRO和I-PRO为该语句的分析对象。
统计待分配工单中所有的词语以及词语的出现次数,出现次数最多的词语即为待分配工单的目标分析对象,包含该词语的语句为待分配工单的目标语句;
最后对目标语句进行情感分析得到情感指标,具体的,遍历目标语句的情感词,并根据情感词典记录相应的情感极性分数累加求和得到情感指标,如果情感指标大于0,该句则表达了积极的情感,如果情感指标小于0则表达了消极的情感,如果情感指标为0,则该句没有明显的情感表达。
在本实施例中,当情感指标小于0时,确定情感指标的所处的分值范围,根据情感指标所处的分值范围确定带分配工单的紧急程度。以此种方式能够根据紧急程度首先对用户进行安抚操作,同时当紧急程度大于预设阈值时,在待分配工单上添加指定标签,指定标签用于表示该工单需要加急处理。
本技术方案能对工单诉求有效区分情感强弱差异,根据待分配工单中的情感指标,以决定待分配工单的紧急程度。通过加入情感在线计算与分析介入,可以全方位地为待分配工单对应请求方考虑,能够对有负面影响的工单实现紧急处理。另外还可以通过待分配工单的情感指标,为待分配工单对应的请求方进行个性化服务,提升待分配工单对应请求方的满意度。
图3为本申请实施例提供的一种工单的处理方法的流程图。如图3所示,该方法包括以下步骤:
步骤S31、基于语料内容获取地址信息;
步骤S32、将地址信息输入预先训练的地址识别模型,由地址识别模型根据地址信息确定处理待分配工单的目标处理对象。
本实施例中的地址识别模型包括:第一子模型和第二子模型;
将地址信息输入预先训练的地址识别模型,由地址识别模型根据地址信息确定处理待分配工单对应的处理对象,包括:将地址信息输入第一子模型,由第一子模型将地址信息转换为词向量;将词向量输入第二子模型,由第二子模型根据词向量确定处理待分配工单对应的目标处理对象。
需要说明的是,本实施例中所采用的地址识别模型是基于BERT+Bi LSTM+CRF实现的,其中通过BERT将地址信息转换为词向量,然后将得到的词向量输入Bi LSTM+CRF得到的是处理对象。本步骤使用地址词典或者实体识别模型抽取语料内容中的地址信息,目的在于如果有地址,判断该地址是否有专属的处理对象处理,如果有,直接分配给该处理对象处理。
本实施例中的地址模型通过以下方式训练,获取样本词向量,并确定样本词向量对应的标签信息,标签信息可以是词向量对应的处理对象。将样本词向量输入第二预设卷积神经网络模型,由第二预设卷积神经网络模型学习词向量与标签信息的关系,得到地址识别模型。
图4为本申请实施例提供的一种工单的处理方法的流程图。如图4所示,该方法包括以下步骤:
步骤S41、当语料内容中不携带地址信息时,对语料内容进行分词处理得到第一特征向量;
本步骤中可以采用jieba分词工具对语料内容进行分析得到多个词组,对多个词组进行向量化得到第一特征向量。
步骤S42、获取至少一个历史语料内容对应的第二特征向量;
步骤S43、基于第一特征向量和第二特征向量得到语义相似度;
可选的,第二特征向量可以存储于云服务器,当计算语义相似度时,可以直接从云服务器获取,第二特征向量是通过对历史工单的历史语料内容进行分词,以及向量化后得到的。
根据第一特征向量构建语料内容的第一特征矩阵,根据第二特征向量构建历史语料内容的第二特征矩阵。根据第一特征矩阵和第二特征矩阵得到待分配工单和历史工单的语义相似度。
步骤S44、根据语义相似度对待分配工单执行相应的处理操作。
实施例中,根据语义相似度对待分配工单执行相应的处理操作,包括:本当语义相似度大于或等于预设阈值时,将语义相似度最大的历史工单对应的处理对象作为目标处理对象,将待分配工单发送至目标处理对象;或,当语义相似度小于预设阈值时,将待分配工单添加标注信息,并发送至指定终端。
在本步骤中,在文本识别模型和地址识别模型中都没有确定处理待分配工单的目标处理对象时,可以通过采用历史语料内容与待分配工单的语料内容进行相似度计算,从历史记录中确定与待分配工单相似度最高的历史工单,然后将相似度最高的历史工单的处理对象作为处理待分配工单的目标处理对象
本申请另一实施例提供的一种工单的处理方法,该方法包括以下步骤:
步骤S51,确定待分配工单的语料内容;
步骤S52,当语料内容与预设规则相匹配时,确定处理待分配工单的目标处理对象,并执行步骤S60;
步骤S53,当语料内容与预设规则不匹配时,执行步骤S54;
步骤S54,将语料内容输入预先训练的文本识别模型,得到识别结果;
步骤S56,当根据识别结果确定处理待分配工单的目标处理对象存在时,执行步骤S60,当根据识别结果确定处理待分配工单的目标处理对象不存在时,执行步骤S57;
步骤S57,对语料内容进行分析,当语料内容携带地址信息时,将地址信息输入预先训练的地址识别模型,由地址识别模型根据地址信息确定处理待分配工单对应的目标处理对象,并执行步骤S60;
步骤S58,当语料内容不携带地址信息时,对语料内容进行分词处理得到第一特征向量,获取至少一个历史语料内容对应的第二特征向量,基于第一特征向量和第二特征向量得到语义相似度;
步骤S59,当语义相似度大于或等于预设阈值时,将语义相似度最大的历史工单对应的处理对象作为目标处理对象,并执行步骤S60;当语义相似度小于预设阈值时,将待分配工单添加标注信息,并发送至指定终端。
步骤S60,将待分配工单发送至目标处理对象。
在本实施例中,本步骤的整个处理流程可根据具体需求调控,可以根据项目需求,选择执行整个流程,或者选择执行其中的部分操作步骤。
图5为本申请实施例提供的一种工单的处理装置的框图,该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图5所示,该装置包括:
第一确定模块61,用于确定待分配工单的语料内容;
处理模块62,用于将所述语料内容输入预先训练的文本识别模型,由于所述文本识别模型根据所述语料内容得到识别结果;
第二确定模块63,用于根据所述识别结果确定处理待分配工单的目标处理对象;
发送模块64,用于将所述待分配工单发送至目标处理对象。
本申请实施例还提供一种电子设备,如图6所示,电子设备可以包括:处理器1501、通信接口1502、存储器1503和通信总线1504,其中,处理器1501,通信接口1502,存储器1503通过通信总线1504完成相互间的通信。
存储器1503,用于存放计算机程序;
处理器1501,用于执行存储器1503上所存放的计算机程序时,实现上述实施例的步骤。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,P C I)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例的步骤。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令进行***、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于进行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上进行、部分地在用户设备上进行、作为一个独立的软件包进行、部分在用户计算设备上部分在远程计算设备上进行、或者完全在远程计算设备或服务器上进行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
需要说明的是,对于上述装置、电子设备及计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
进一步需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。