CN115829122A - 一种电力客服工单投诉预警方法及*** - Google Patents
一种电力客服工单投诉预警方法及*** Download PDFInfo
- Publication number
- CN115829122A CN115829122A CN202211517383.0A CN202211517383A CN115829122A CN 115829122 A CN115829122 A CN 115829122A CN 202211517383 A CN202211517383 A CN 202211517383A CN 115829122 A CN115829122 A CN 115829122A
- Authority
- CN
- China
- Prior art keywords
- classification model
- work order
- customer service
- service work
- power customer
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了投诉预警领域的一种电力客服工单投诉预警方法及***，包括：采集新增电力客服工单数据，将实时电力客服工单数据分别输入至预训练的标签分类模型和文本分类模型；使用标签分类模型预测新增电力客服工单的是否存在投诉风险；使用文本分类模型预测新增电力客服工单的是否存在投诉风险；结合所述标签分类模型的预测结果和文本分类模型的预测结果判断新增电力客服工单数据的投诉风险；根据新增电力客服工单数据的投诉风险进行预警；本发明选择结构化的用户信息标签以及非结构化的诉求内容信息进行预测模型训练，标签分类模型和文本分类模型分别进行预测后再综合预测结果进行投诉风险判断，提高了预警的准确性。
Description
技术领域
本发明属于工单投诉预警技术领域，具体涉及电力客服工单投诉预警方法及***。
背景技术
随着电网规模的不断扩大和运行条件的日益复杂，用电客户的投诉数量也随之增长，需要一种预测精度高、适用范围广的客户投诉预警方法，对投诉风险高的工单进行提前预警提示，在办理环节及时督促相关经办人员及时解决客户问题，避免投诉行为的发生。
在工单风险预警方面，现有的技术有的是对使用单一来源的数据进行无监督聚类模型训练，如“云南电网有限责任公司电力科学研究院”申请的发明专利《一种工单数据的投诉倾向分析预警方法及装置》；或者是使用单一来源的数据进行有监督的分类模型训练，这些使用单个训练模型的算法，无法有效的将结构化和非结构化的数据同时作为训练数据进行预测模型的训练，导致预测模型的准确性较低。
发明内容
本发明的目的在于提供一种电力客服工单投诉预警方法及***，选择结构化的用户信息标签以及非结构化的诉求内容信息进行预测模型训练，标签分类模型和文本分类模型分别进行预测后再综合预测结果进行投诉风险判断，提高了预警的准确性。
为达到上述目的，本发明所采用的技术方案是：
本发明第一方面提供了一种电力客服工单投诉预警方法，包括：
采集新增电力客服工单数据，将实时电力客服工单数据分别输入至预训练的标签分类模型和文本分类模型；使用标签分类模型预测新增电力客服工单的是否存在投诉风险；使用文本分类模型预测新增电力客服工单的是否存在投诉风险；
结合所述标签分类模型的预测结果和文本分类模型的预测结果判断新增电力客服工单数据的投诉风险；根据新增电力客服工单数据的投诉风险进行预警；
所述标签分类模型和文本分类模型的训练过程包括：
采集历史电力客服工单数据，包含用户信息和诉求内容信息，
选择历史电力客服工单数据中的用户信息进行预处理，构建第一数据集合；
选择逻辑回归算法并设置参数构建标签分类模型；使用第一数据集合对搭建的标签分类模型进行训练，获得准确率大于或等于设定阈值A的标签分类模型；
选择历史电力客服工单数据中的诉求内容信息进行预处理，构建第二数据集合；
选择变形器双向编码算法并设置参数构建文本分类模型；使用第二数据集合对搭建的文本分类模型进行训练，获得准确率大于或等于设定阈值B的文本分类模型。
优选的，历史电力客服工单数据分为投诉电力客服工单数据和未电力客服工单数据。
优选的，所述用户信息包括用户画像、用户名称和用户年龄。
优选的，所述诉求内容信息包括工单编号、工单发起时间、用户用电类别、用户所在用电区域、用电电压等级、用电协议容量、用电可靠性要求、近期投诉诉求类别、诉求内容和工单进度。
优选的，使用第一数据集合对搭建的标签分类模型进行训练，获得准确率大于或等于设定阈值A的标签分类模型的方法包括：
随机选择60％第一数据集合的数据作为第一训练数据集、20％第一数据集合的数据作为第一验证数据集、20％第一数据集合的数据作为第一测试数据集；
使用第一训练数据集对搭建的标签分类模型进行训练，使用第一验证数据集和第一测试数据集验证训练后的标签分类模型准确率是否大于或等于阈值A，若训练后的标签分类模型准确率小于阈值A，调整标签分类模型的参数重复训练过程直至获得准确率大于或等于设定阈值A的标签分类模型。
优选的，使用第二数据集合对搭建的文本分类模型进行训练，获得准确率大于或等于设定阈值B的文本分类模型的方法包括：
随机选择60％第二数据集合的数据作为第二训练数据集、20％第二数据集合的数据作为第二验证数据集、20％第二数据集合的数据作为第二测试数据集；
使用第二训练数据集对搭建的文本分类模型进行训练，使用第二验证数据集和第二测试数据集验证训练后的文本分类模型准确率是否大于或等于阈值B，若训练后的文本分类模型准确率小于阈值B，调整文本分类模型的参数重复训练过程直至获得准确率大于或等于设定阈值B的文本分类模型。
优选的，结合所述标签分类模型的预测结果和文本分类模型的预测结果判断新增电力客服工单数据的投诉风险的方法包括：
若所述标签分类模型的预测结果和文本分类模型的预测结果均为有投诉风险，判断新增电力客服工单数据存在投诉倾向高风险；
若所述标签分类模型的预测结果和文本分类模型的预测结果均为无投诉风险，判断新增电力客服工单数据存在投诉倾向低风险；
若所述标签分类模型的预测结果与文本分类模型的预测结果相反时，根据标签分类模型和文本分类模型的准确率输出预测结果。
本发明第二方面提供了一种电力客服工单投诉预警***，包括：
输入模块，用于采集新增电力客服工单数据，将实时电力客服工单数据分别输入至预训练的标签分类模型和文本分类模型；
预警模块，使用标签分类模型预测新增电力客服工单的是否存在投诉风险；使用文本分类模型预测新增电力客服工单的是否存在投诉风险；结合所述标签分类模型的预测结果和文本分类模型的预测结果判断新增电力客服工单数据的投诉风险；根据新增电力客服工单数据的投诉风险进行预警；
获取模块，用于采集历史电力客服工单数据，包含用户信息和诉求内容信息，选择历史电力客服工单数据中的用户信息进行预处理，构建第一数据集合；选择历史电力客服工单数据中的诉求内容信息进行预处理，构建第二数据集合；
构建模块，选择变形器双向编码算法并设置参数构建文本分类模型；选择逻辑回归算法并设置参数构建标签分类模型
训练模块，使用第一数据集合对搭建的标签分类模型进行训练，获得准确率大于或等于设定阈值A的标签分类模型；使用第二数据集合对搭建的文本分类模型进行训练，获得准确率大于或等于设定阈值B的文本分类模型。
本发明第二方面提供了电子设备，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，其特征在于，所述处理器执行所述程序时实现权利要求1至权利要求7任一项所述电力客服工单投诉预警方法的步骤。
与现有技术相比，本发明的有益效果：
本发明选择历史电力客服工单数据中的用户信息进行预处理，构建第一数据集合；使用第一数据集合对搭建的标签分类模型进行训练；选择历史电力客服工单数据中的诉求内容信息进行预处理，构建第二数据集合；使用第二数据集合对搭建的文本分类模型进行训练；将两个不同类型的特征数据放入两个不同的算法模型中分别调试，与混合调试相比降低了调试的难度；标签分类模型和文本分类模型分别进行预测后再综合预测结果进行投诉风险判断，提高了预警的准确性。
附图说明
图1是本发明实施例一提供的一种电力客服工单投诉预警方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一
如图1所示，本发明第一方面提供了一种电力客服工单投诉预警方法，包括：
采集新增电力客服工单数据，将实时电力客服工单数据分别输入至预训练的标签分类模型和文本分类模型；使用标签分类模型预测新增电力客服工单的是否存在投诉风险；使用文本分类模型预测新增电力客服工单的是否存在投诉风险；
结合所述标签分类模型的预测结果和文本分类模型的预测结果判断新增电力客服工单数据的投诉风险的方法包括：
若所述标签分类模型的预测结果和文本分类模型的预测结果均为有投诉风险，判断新增电力客服工单数据存在投诉倾向高风险；
若所述标签分类模型的预测结果和文本分类模型的预测结果均为无投诉风险，判断新增电力客服工单数据存在投诉倾向低风险；
若所述标签分类模型的预测结果与文本分类模型的预测结果相反时，对比标签分类模型和文本分类模型的准确率，输出准确率高的标签分类模型或文本分类模型的预测结果。
根据新增电力客服工单数据的投诉风险进行预警。
所述标签分类模型和文本分类模型的训练过程包括：
采集历史电力客服工单数据，历史电力客服工单数据分为投诉电力客服工单数据和未电力客服工单数据。历史电力客服工单数据包含用户信息和诉求内容信息；所述用户信息包括用户画像、用户名称和用户年龄。所述诉求内容信息包括工单编号、工单发起时间、用户用电类别、用户所在用电区域、用电电压等级、用电协议容量、用电可靠性要求、近期投诉诉求类别、诉求内容和工单进度。
选择历史电力客服工单数据中的用户信息进行预处理，构建第一数据集合；
选择逻辑回归算法并设置参数构建标签分类模型；使用第一数据集合对搭建的标签分类模型进行训练，获得准确率大于或等于设定阈值A的标签分类模型的方法包括：
随机选择60％第一数据集合的数据作为第一训练数据集、20％第一数据集合的数据作为第一验证数据集、20％第一数据集合的数据作为第一测试数据集；
使用第一训练数据集对搭建的标签分类模型进行训练，使用第一验证数据集和第一测试数据集验证训练后的标签分类模型准确率是否大于或等于阈值A，本实施例中阈值A设置为95％，若训练后的标签分类模型准确率小于阈值A，调整标签分类模型的参数重复训练过程直至获得准确率大于或等于设定阈值A的标签分类模型。
选择历史电力客服工单数据中的诉求内容信息进行预处理，构建第二数据集合；
选择变形器双向编码算法并设置参数构建文本分类模型；使用第二数据集合对搭建的文本分类模型进行训练，获得准确率大于或等于设定阈值B的文本分类模型的方法包括：
随机选择60％第二数据集合的数据作为第二训练数据集、20％第二数据集合的数据作为第二验证数据集、20％第二数据集合的数据作为第二测试数据集；
使用第二训练数据集对搭建的文本分类模型进行训练，使用第二验证数据集和第二测试数据集验证训练后的文本分类模型准确率是否大于或等于阈值B，本实施例中阈值B设置为95％，若训练后的文本分类模型准确率小于阈值B，调整文本分类模型的参数重复训练过程直至获得准确率大于或等于设定阈值B的文本分类模型。
实施例二
一种电力客服工单投诉预警***，本实施例提供的***可以应用于实施例一所述的方法，包括：
输入模块，用于采集新增电力客服工单数据，将实时电力客服工单数据分别输入至预训练的标签分类模型和文本分类模型；
预警模块，使用标签分类模型预测新增电力客服工单的是否存在投诉风险；使用文本分类模型预测新增电力客服工单的是否存在投诉风险；结合所述标签分类模型的预测结果和文本分类模型的预测结果判断新增电力客服工单数据的投诉风险；根据新增电力客服工单数据的投诉风险进行预警；
获取模块，用于采集历史电力客服工单数据，包含用户信息和诉求内容信息，选择历史电力客服工单数据中的用户信息进行预处理，构建第一数据集合；选择历史电力客服工单数据中的诉求内容信息进行预处理，构建第二数据集合；
构建模块，选择变形器双向编码算法并设置参数构建文本分类模型；选择逻辑回归算法并设置参数构建标签分类模型
训练模块，使用第一数据集合对搭建的标签分类模型进行训练，获得准确率大于或等于设定阈值A的标签分类模型；使用第二数据集合对搭建的文本分类模型进行训练，获得准确率大于或等于设定阈值B的文本分类模型。
实施例三
一种电子设备，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，其特征在于，所述处理器执行所述程序时实现实施例一所述电力客服工单投诉预警方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种电力客服工单投诉预警方法，其特征在于，包括：
采集新增电力客服工单数据，将实时电力客服工单数据分别输入至预训练的标签分类模型和文本分类模型；使用标签分类模型预测新增电力客服工单的是否存在投诉风险；使用文本分类模型预测新增电力客服工单的是否存在投诉风险；
结合所述标签分类模型的预测结果和文本分类模型的预测结果判断新增电力客服工单数据的投诉风险；根据新增电力客服工单数据的投诉风险进行预警；
所述标签分类模型和文本分类模型的训练过程包括：
采集历史电力客服工单数据，包含用户信息和诉求内容信息，
选择历史电力客服工单数据中的用户信息进行预处理，构建第一数据集合；
选择逻辑回归算法并设置参数构建标签分类模型；使用第一数据集合对搭建的标签分类模型进行训练，获得准确率大于或等于设定阈值A的标签分类模型；
选择历史电力客服工单数据中的诉求内容信息进行预处理，构建第二数据集合；
选择变形器双向编码算法并设置参数构建文本分类模型；使用第二数据集合对搭建的文本分类模型进行训练，获得准确率大于或等于设定阈值B的文本分类模型。
2.根据权利要求1所述的一种电力客服工单投诉预警方法，其特征在于，历史电力客服工单数据分为投诉电力客服工单数据和未电力客服工单数据。
3.根据权利要求1所述的一种电力客服工单投诉预警方法，其特征在于，所述用户信息包括用户画像、用户名称和用户年龄。
4.根据权利要求1所述的一种电力客服工单投诉预警方法，其特征在于，所述诉求内容信息包括工单编号、工单发起时间、用户用电类别、用户所在用电区域、用电电压等级、用电协议容量、用电可靠性要求、近期投诉诉求类别、诉求内容和工单进度。
5.根据权利要求1所述的一种电力客服工单投诉预警方法，其特征在于，使用第一数据集合对搭建的标签分类模型进行训练，获得准确率大于或等于设定阈值A的标签分类模型的方法包括：
随机选择60％第一数据集合的数据作为第一训练数据集、20％第一数据集合的数据作为第一验证数据集、20％第一数据集合的数据作为第一测试数据集；
使用第一训练数据集对搭建的标签分类模型进行训练，使用第一验证数据集和第一测试数据集验证训练后的标签分类模型准确率是否大于或等于阈值A，若训练后的标签分类模型准确率小于阈值A，调整标签分类模型的参数重复训练过程直至获得准确率大于或等于设定阈值A的标签分类模型。
6.根据权利要求1所述的一种电力客服工单投诉预警方法，其特征在于，使用第二数据集合对搭建的文本分类模型进行训练，获得准确率大于或等于设定阈值B的文本分类模型的方法包括：
随机选择60％第二数据集合的数据作为第二训练数据集、20％第二数据集合的数据作为第二验证数据集、20％第二数据集合的数据作为第二测试数据集；
使用第二训练数据集对搭建的文本分类模型进行训练，使用第二验证数据集和第二测试数据集验证训练后的文本分类模型准确率是否大于或等于阈值B，若训练后的文本分类模型准确率小于阈值B，调整文本分类模型的参数重复训练过程直至获得准确率大于或等于设定阈值B的文本分类模型。
7.根据权利要求1所述的一种电力客服工单投诉预警方法，其特征在于，结合所述标签分类模型的预测结果和文本分类模型的预测结果判断新增电力客服工单数据的投诉风险的方法包括：
若所述标签分类模型的预测结果和文本分类模型的预测结果均为有投诉风险，判断新增电力客服工单数据存在投诉倾向高风险；
若所述标签分类模型的预测结果和文本分类模型的预测结果均为无投诉风险，判断新增电力客服工单数据存在投诉倾向低风险；
若所述标签分类模型的预测结果与文本分类模型的预测结果相反时，根据标签分类模型和文本分类模型的准确率输出预测结果。
8.一种电力客服工单投诉预警***，其特征在于，包括：
输入模块，用于采集新增电力客服工单数据，将实时电力客服工单数据分别输入至预训练的标签分类模型和文本分类模型；
预警模块，使用标签分类模型预测新增电力客服工单的是否存在投诉风险；使用文本分类模型预测新增电力客服工单的是否存在投诉风险；结合所述标签分类模型的预测结果和文本分类模型的预测结果判断新增电力客服工单数据的投诉风险；根据新增电力客服工单数据的投诉风险进行预警；
获取模块，用于采集历史电力客服工单数据，包含用户信息和诉求内容信息，选择历史电力客服工单数据中的用户信息进行预处理，构建第一数据集合；选择历史电力客服工单数据中的诉求内容信息进行预处理，构建第二数据集合；
构建模块，选择变形器双向编码算法并设置参数构建文本分类模型；选择逻辑回归算法并设置参数构建标签分类模型
训练模块，使用第一数据集合对搭建的标签分类模型进行训练，获得准确率大于或等于设定阈值A的标签分类模型；使用第二数据集合对搭建的文本分类模型进行训练，获得准确率大于或等于设定阈值B的文本分类模型。
9.电子设备，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，其特征在于，所述处理器执行所述程序时实现权利要求1至权利要求7任一项所述电力客服工单投诉预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211517383.0A CN115829122A (zh) | 2022-11-30 | 2022-11-30 | 一种电力客服工单投诉预警方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211517383.0A CN115829122A (zh) | 2022-11-30 | 2022-11-30 | 一种电力客服工单投诉预警方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115829122A true CN115829122A (zh) | 2023-03-21 |
Family
ID=85532975
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211517383.0A Pending CN115829122A (zh) | 2022-11-30 | 2022-11-30 | 一种电力客服工单投诉预警方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115829122A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743956A (zh) * | 2024-01-05 | 2024-03-22 | 北京数字政通科技股份有限公司 | 一种智能标签算法进行热线预警的方法及*** |
-
2022
- 2022-11-30 CN CN202211517383.0A patent/CN115829122A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743956A (zh) * | 2024-01-05 | 2024-03-22 | 北京数字政通科技股份有限公司 | 一种智能标签算法进行热线预警的方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108375715B (zh) | 一种配电网线路故障风险日预测方法及*** | |
| CN117494292B (zh) | 一种基于bim和ai大模型的工程进度管理方法及*** | |
| CN112700131B (zh) | 基于人工智能的ab测试方法、装置、计算机设备及介质 | |
| CN104050361A (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
| CN113592019A (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
| CN111786385B (zh) | 一种电网运维方案规划方法、***及设备 | |
| CN111756760B (zh) | 基于集成分类器的用户异常行为检测方法及相关设备 | |
| CN112383045B (zh) | 新能源发电不确定性的暂态稳定越限概率计算方法和装置 | |
| CN112070180B (zh) | 基于信息物理双侧数据的电网设备状态判断方法及装置 | |
| CN116523181B (zh) | 一种基于大数据的智慧绿色能源监测分析方法及*** | |
| CN108320112B (zh) | 一种确定设备健康状态的方法及装置 | |
| CN115829122A (zh) | 一种电力客服工单投诉预警方法及*** | |
| CN113705688A (zh) | 一种电力用户异常用电行为检测方法和*** | |
| CN112069039A (zh) | 人工智能开发平台的监控预知告警方法、装置及存储介质 | |
| Rosli et al. | The design of a software fault prone application using evolutionary algorithm | |
| CN117557047A (zh) | 一种基于深度强化学习的配电设备运维优化方法及*** | |
| CN113824580A (zh) | 一种网络指标预警方法及*** | |
| Alexander | Discrete event simulation for batch processing | |
| CN105227410A (zh) | 基于自适应神经网络的服务器负载检测的方法及*** | |
| CN108647887A (zh) | 发电企业行为分析方法、装置以及电子设备 | |
| CN115167965A (zh) | 交易进度条的处理方法及装置 | |
| CN111221704B (zh) | 一种确定办公管理应用***运行状态的方法及*** | |
| CN114722025A (zh) | 基于预测模型的数据预测方法、装置、设备及存储介质 | |
| CN114240102A (zh) | 一种线损异常数据识别方法、装置、电子设备及存储介质 | |
| CN113449923A (zh) | 一种多模型标的物行情预测方法和装置 |
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 |