CN101458676A - 质检确定方法、质检系统及神经网络 - Google Patents

Abstract

本发明公开了一种质检确定方法，该方法包括：向神经网络提供工单数据；所述神经网络根据各神经元之间的连接权值对所述工单数据进行分析，获得输出数据，并根据输出数据与期望输出数据的误差调整各神经元之间的连接权值，调整后的连接权值用于下一次的工单数据分析；根据所述神经网络的输出数据确定是否需要对所述工单进行质检。本发明同时公开一种质检系统及神经网络。采用本发明可以获得合理的质检时机和质检点，减少质检环节并改善质检效果。

Description

质检确定方法、质检系统及神经网络

技术领域

本发明涉及信息处理技术领域，尤其涉及一种质检确定方法、质检系统及神经网络。

背景技术

在电子运营管理系统(EOMS)中，工单处理子系统负责对底层网管系统、服务开通、业务保障等业务系统所产生的工单进行统一调度和处理。

EOMS工单子系统处理大量的故障、投诉等工单，这些工单的处理效率和处理质量将直接反映运营商所提供的服务质量，是决定用户满意度的很重要的因素，因此如何同时保证工单的处理效率和处理质量是一项很重要的工作。

现有技术中通常的解决方法是设立质检角色，在工单处理的某个质量监测点由质检人员介入进行工单处理情况的抽查，采用固定的质检时机和质检点，例如在流程结束时按照一个固定的比率(如50％)进行质检。发明人经过分析，发现该方法存在如下不足之处：

质检时机和质检点难以确定。如果质检环节多、质检率高，则问题发现率高，质检的质量高，但这样将增加处理环节、延长处理流程，影响工单的处理速度；反之，减少质检环节和质检率，又很难保证相应的勘误率。

发明内容

本发明实施例提供一种质检确定方法，用以获得合理的质检时机和质检点，减少质检环节并改善质检效果，该方法包括：

向神经网络提供工单数据；

所述神经网络根据各神经元之间的连接权值对所述工单数据进行分析，获得输出数据，并根据输出数据与期望输出数据的误差调整各神经元之间的连接权值，调整后的连接权值用于下一次的工单数据分析；

根据所述神经网络的输出数据确定是否需要对所述工单进行质检。

本发明实施例还提供一种质检系统，用以获得合理的质检时机和质检点，减少质检环节并改善质检效果，该系统包括：

输入设备，用于提供工单数据；

神经网络，用于根据各神经元之间的连接权值对所述工单数据进行分析，获得输出数据，并根据输出数据与期望输出数据的误差调整各神经元之间的连接权值，调整后的连接权值用于下一次的工单数据分析；

输出设备，用于根据所述神经网络的输出数据确定是否需要对所述工单进行质检。

本发明实施例还提供一种神经网络，用以获得合理的质检时机和质检点，减少质检环节并改善质检效果，该神经网络包括：

接收模块，用于接收工单数据；

处理模块，用于根据各神经元之间的连接权值对所述工单数据进行分析，获得输出数据；

调整模块，用于根据输出数据与期望输出数据的误差调整各神经元之间的连接权值，调整后的连接权值用于下一次的工单数据分析。

本发明实施例中，向神经网络提供工单数据；所述神经网络根据各神经元之间的连接权值对所述工单数据进行分析，获得输出数据；根据所述神经网络的输出数据确定是否需要对所述工单进行质检，以实现通过神经网络来确定质检时机和质检点；并且，在处理过程中，根据输出数据与期望输出数据的误差调整各神经元之间的连接权值，调整后的连接权值用于下一次的工单数据分析，从而通过神经网络不断的学习调整，使得出的质检时机和质检点更加合理，与现有技术中固定的质检时机和质检点相比，能够实现按需质检，提高质检效率，改善质检效果。

附图说明

图1为本发明实施例中神经元结构模型图；

图2为本发明实施例中神经元输入输出特性示意图；

图3为本发明实施例中神经网络三层结构示意图；

图4为本发明实施例中神经网络处理输入数据的示意图；

图5为本发明实施例中质检确定方法流程图；

图6A为本发明实施例中质检系统的结构示意图；

图6B为本发明实施例中神经网络的结构示意图；

图6C为本发明实施例中输出设备的结构示意图；

图7A为本发明实施例中神经网络的结构示意图；

图7B为本发明实施例中处理模块的结构示意图。

具体实施方式

本发明实施例中，神经网络根据各神经元之间的连接权值对工单数据进行分析，获得输出数据以确定是否需要对工单进行质检，并根据输出数据与期望输出数据的误差调整各神经元之间的连接权值，用于下一次的工单数据分析，以得出合理的质检时机和质检点，提高质检效率，改善质检效果。

神经网络是针对生理学上真实人脑神经网络的结构、功能、若干基本特性进行某种理论抽象、简化和模拟而构成的一种信息处理系统。从系统观点看，神经网络是由大量神经元通过极其丰富和完善的联接而构成的自适应非线性动态系统。由于神经元之间有着不同的连接方式，所以可以组成不同结构形态的神经网络系统。

神经网络的主要特征是连续时间非线性动力学、网络的全局作用、大规模并行分布处理和联想学习能力，可以反映人脑功能的若干特性，如学习、记忆、识别和推理等功能，其中，学习和识别取决于各神经元之间的连接权值的动态演化过程。神经网络还具备很强的鲁棒性和容错性，对信息的存储表现为网络元件相互之间分布式的物理联系。

神经网络的信息处理功能由其基本单无——神经元之间的相互作用来实现。神经元通常是一个多输入/单输出的非线性器件，其结构如图1所示。其中u_i为神经元内部状态，θ_i为第一阈值，x_i为输入信号，W_ij表示u_i到u_j联结的权值，S_i表示可以抑制神经元内部状态u_i的外部输入信号，则：

$u_i=f(\underset{j}{\mathrm{\Σ}}{W}_{\mathrm{ij}}{x}_i+S_i-{\mathrm{\θ}}_i)$

y_i＝g(u_i)

若神经元的输出直接反映其内部状态，则y_i＝u_i，那么g＝f，f(^*)即为神经元的输入输出(I/O)特性，常用的神经元I/O特性有以下三种，如图2所示。

1、阈值型：在这种模型中，无需考虑神经元的内部状态，函数f(^*)为一阶跃函数。如a所示。

$f\left(x_i\right)=\left\{\begin{array}{cc}1& x_i>0\\ 0& x_i\≤0\end{array}\right.$

2、分段线性型：如b所示。

3、S型：无需考虑神经元内部状态，f(^*)为S状曲线，如c所示。

$f\left(x_i\right)=\frac{1}{1+\exp \left(x_i\right)}$

大量神经元广泛互连构成神经网络。一般的，如图3所示，神经网络由输入层、隐层和输出层组成，图中示出了输入、输出及隐层的处理单元(隐单元)，其中，输入层单元数和输出层单元数根据所处理的实际问题确定。神经网络对输入数据的处理过程一般由正向传播和反向传播两个过程组成。

如图4所示，在正向传播过程中，输入数据从输入层输入，并经过隐层神经元处理后，传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出，则转入反向传播，此时误差信号从输出层向输入层传播并沿途调整各层神经元之间的连接权值，以使误差不断减小，直到达到精度要求。即通过对多个样本数据的反复训练，求误差函数的极小值，使输出数据达到精度要求。

根据上述分析，如图5所示，本发明实施例中，一种质检确定方法流程如下：

步骤51、向神经网络提供工单数据。

步骤52、神经网络根据各神经元之间的连接权值对工单数据进行分析，获得输出数据，并根据输出数据与期望输出数据的误差调整各神经元之间的连接权值，调整后的连接权值用于下一次的工单数据分析。

步骤53、根据神经网络的输出数据确定是否需要对工单进行质检。

其中，工单数据可以是工单的当前数据，也可以是工单的当前数据和历史数据。这是由于历史数据也对工单数据分析起重要作用，对于同一位置多次报障或投诉，同一号段多次报障或投诉，同一用户多次报障或投诉，也需要特别关注，本发明实施例中可以将历史数据放入一个“池”中，将这个池称为“压力容忍池”，该池的压力状况同样也对工单数据的分析有很大关系。

一个实施例中，可以根据用户类型、投诉类型、紧急程度、故障地点、投诉位置、终端设备类型、用户级别、主叫号段、被叫号段、重复次数、压力状况其中之一或任意组合获得工单数据。

例如，可以预设工单数据为向量X＝(x₁，x₂，x₃，…，x₁₁)，即(用户类型、投诉类型、紧急程度、故障地点、投诉位置、终端设备类型、用户级别、主叫号段、被叫号段、重复次数、压力状况}，则神经网络的输入工单数据可以是X的归一化向量，即

X＝(x₁，x₂，…，x₁₁)

其中， $x_i={\stackrel{\‾}{x}}_i/\sqrt{\underset{j=1}{\overset{11}{\mathrm{\Σ}}}{{\stackrel{\‾}{x}}_j}^2}.$

在步骤52中，神经网络可以根据输入层神经元与隐层神经元之间的连接权值对工单数据进行分析，获得隐层输出；再根据隐层输出、隐层神经元与输出层神经元之间的连接权值，获得输出数据。

如图3的三层神经网络的正向传播过程如下：

输入层：单元i的输出值o_i等于其输入值x_i，即工单数据{用户类型、投诉类型、紧急程度、故障地点、投诉位置、终端设备类型、用户级别、主叫号段、被叫号段、重复次数、压力状况}。

隐层：对于第j个隐单元，其输入值net_j为其前一层各单元的输出值o_i的加权和：

${\mathrm{net}}_j=\underset{i}{\mathrm{\Σ}}{w}_{\mathrm{ji}}{o}_i+{\mathrm{\θ}}_i,$ 其中，θ_i为第一阈值，w_ji为输入层第i个神经元与隐层第j个神经元之间的连接权值。

输出值为：

a_j＝f(net_j)

f为S型函数，即：

$f\left({\mathrm{net}}_j\right)=\frac{1}{1+\exp \left({-\mathrm{net}}_j\right)}$

输出层：由于输出层单元的作用函数为线性，因此输出值为输入值的加权和，对于第k个输出单元，输出值y_k为：

$y_k=\underset{j}{\mathrm{\Σ}}{v}_{\mathrm{kj}}{a}_j$

其中，v_kj为隐层第j个神经元与输出层第k个神经元之间的连接权值。

一个具体实例中，输入层设11个单元，输出层设2个单元，隐层设为输入、输出单元的一半，即6个单元，隐层输出由如下公式确定：

$f\left({\mathrm{net}}_j\right)=\frac{1}{(1+e^{-3{\mathrm{net}}_j})}-\frac{1}{2}$

其中，f(net_j)为隐层输出， ${\mathrm{net}}_j=\underset{i}{\mathrm{\Σ}}{w}_{\mathrm{ji}}{o}_i+{\mathrm{\θ}}_i$ 为隐层输入，w_ji为输入层第i个神经元与隐层第j个神经元之间的连接权值，o_i为工单数据，θ_i为第一阈值，则神经网络的输出为-1/2～1/2的数，当输出大于0时质检，小于0时不质检。

如图3的三层神经网络的反向传播过程如下：

可以设定误差函数E_p为

$E_p=\frac{1}{2}\underset{k}{\mathrm{\Σ}}{(t_k-y_k)}^2$

其中，t_k为期望输出数据，可以采用梯度下降法调整连接权值，每次调整的量为：

${\mathrm{\ΔW}}_{\mathrm{kj}}=-\mathrm{\η}\frac{{\∂E}_p}{{\∂W}_{\mathrm{kj}}}$

式中0<η<1，可称为学习率。由此可以得到连接权值调整公式：

按如下公式调整输入层神经元与隐层神经元之间的连接权值：

Δw_ji＝ηδ_jo_i

其中，Δw_ji为输入层第i个神经元与隐层第j个神经元之间的连接权值的调整量， ${\mathrm{\&delta;}}_j=a_j(1-a_j)\underset{k}{\mathrm{\&Sigma;}}{\mathrm{\&delta;}}_k{v}_{\mathrm{kj}},$ a_j＝f(net_j)为隐层输出，v_kj为隐层第j个神经元与输出层第k个神经元之间的连接权值，δ_k＝y_k(1-y_k)(t_k-y_k)，y_k为输出数据，t_k为期望输出数据。

按如下公式调整输出层神经元与隐层神经元之间的连接权值：

Δv_kj＝ηδ_ka_j

其中，Δv_kj为隐层第j个神经元与输出层第k个神经元之间的连接权值的调整量，0<η<1，δ_k＝y_k(1-y_k)(t_k-y_k)，y_k为输出数据，t_k为期望输出数据，a_j＝f(net_j)为隐层输出。

步骤53中，根据神经网络的输出数据确定是否需要对工单进行质检时，可以将神经网络的输出数据与第二阈值进行比较，根据比较结果，确定是否需要对工单进行质检。

基于同一发明构思，本发明实施例还提供一种质检系统，其结构如图6A所示，包括：输入设备61、神经网络62、输出设备63；其中，输入设备61，用于提供工单数据；神经网络62，用于根据各神经元之间的连接权值对工单数据进行分析，获得输出数据，并根据输出数据与期望输出数据的误差调整各神经元之间的连接权值，调整后的连接权值用于下一次的工单数据分析；输出设备63，用于根据神经网络62的输出数据确定是否需要对工单进行质检。

一个实施例中，输入设备61还可以用于根据用户类型、投诉类型、紧急程度、故障地点、投诉位置、终端设备类型、用户级别、主叫号段、被叫号段、重复次数、压力状况其中之一或任意组合获得工单数据。

如图6B所示，一个实施例中，神经网络62包括：第一处理单元621、第二处理单元622；其中，第一处理单元621，用于根据输入层神经元与隐层神经元之间的连接权值对工单数据进行分析，获得隐层输出；第二处理单元622，用于根据隐层输出、隐层神经元与输出层神经元之间的连接权值，获得输出数据。

如图6C所示，一个实施例中，输出设备63包括：比较模块631、确定模块632；其中，比较模块631，用于将神经网络的输出数据与第二阈值进行比较；确定模块632，用于根据比较结果，确定是否需要对工单进行质检。

基于同一发明构思，本发明实施例还提供一种神经网络，其结构如图7A所示，包括：接收模块71、处理模块72、调整模块73；其中，接收模块71，用于接收工单数据；处理模块72，用于根据各神经元之间的连接权值对工单数据进行分析，获得输出数据；调整模块73，用于根据输出数据与期望输出数据的误差调整各神经元之间的连接权值，调整后的连接权值用于下一次的工单数据分析。

如图7B所示，一个实施例中，处理模块72包括：第一处理单元621、第二处理单元622；其中，第一处理单元621，用于根据输入层神经元与隐层神经元之间的连接权值对工单数据进行分析，获得隐层输出；第二处理单元622，用于根据隐层输出、隐层神经元与输出层神经元之间的连接权值，获得输出数据。

本领域普通技术人员可以理解上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

本发明实施例中，向神经网络提供工单数据；所述神经网络根据各神经元之间的连接权值对所述工单数据进行分析，获得输出数据；根据所述神经网络的输出数据确定是否需要对所述工单进行质检，以实现通过神经网络来确定质检时机和质检点；并且，在处理过程中，根据输出数据与期望输出数据的误差调整各神经元之间的连接权值，调整后的连接权值用于下一次的工单数据分析，从而通过神经网络不断的学习调整，使得出的质检时机和质检点更加合理，与现有技术中固定的质检时机和质检点相比，能够实现按需质检，提高质检效率，改善质检效果。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若对本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (14)

1、一种质检确定方法，其特征在于，该方法包括：

向神经网络提供工单数据；

所述神经网络根据各神经元之间的连接权值对所述工单数据进行分析，获得输出数据，并根据输出数据与期望输出数据的误差调整各神经元之间的连接权值，调整后的连接权值用于下一次的工单数据分析；

根据所述神经网络的输出数据确定是否需要对所述工单进行质检。

2、如权利要求1所述的方法，其特征在于，所述工单数据包括所述工单的当前数据；或，所述工单数据包括所述工单的当前数据和历史数据。

3、如权利要求1所述的方法，其特征在于，该方法进一步包括：根据用户类型、投诉类型、紧急程度、故障地点、投诉位置、终端设备类型、用户级别、主叫号段、被叫号段、重复次数、压力状况其中之一或任意组合获得所述工单数据。

4、如权利要求1所述的方法，其特征在于，所述神经网络根据各神经元之间的连接权值对所述工单数据进行分析，获得输出数据包括：

所述神经网络根据输入层神经元与隐层神经元之间的连接权值对所述工单数据进行分析，获得隐层输出；

所述神经网络根据所述隐层输出、隐层神经元与输出层神经元之间的连接权值，获得所述输出数据。

5、如权利要求4所述的方法，其特征在于，所述隐层输出由如下公式确定：

$f\left({\mathrm{net}}_j\right)=\frac{1}{1+\exp (-{\mathrm{net}}_j)}$

其中，f(net_j)为隐层输出， ${\mathrm{net}}_j=\underset{i}{\mathrm{\&Sigma;}}{w}_{\mathrm{ji}}{o}_i+{\mathrm{\&theta;}}_i$ 为隐层输入，w_ji为输入层第i个神经元与隐层第j个神经元之间的连接权值，o_i为所述工单数据，θ_i为第一阈值。

6、如权利要求5所述的方法，其特征在于，所述隐层输出由如下公式确定：

$f\left({\mathrm{net}}_j\right)=\frac{1}{(1+e^{-3{\mathrm{net}}_j})}-\frac{1}{2}$

其中，f(net_j)为隐层输出， ${\mathrm{net}}_j=\underset{i}{\mathrm{\&Sigma;}}{w}_{\mathrm{ji}}{o}_i+{\mathrm{\&theta;}}_i$ 为隐层输入，w_ji为输入层第i个神经元与隐层第j个神经元之间的连接权值，o_i为所述工单数据，θ_i为第一阈值。

7、如权利要求1所述的方法，其特征在于，按如下公式调整输入层神经元与隐层神经元之间的连接权值：

Δw_ji＝ηδ_jo_i

其中，Δw_ji为输入层第i个神经元与隐层第j个神经元之间的连接权值的调整量， ${\mathrm{\&delta;}}_j=a_j(1-a_j)\underset{k}{\mathrm{\&Sigma;}}{\mathrm{\&delta;}}_k{v}_{\mathrm{kj}},$ a_j＝f(net_j)为隐层输出，v_kj为隐层第j个神经元与输出层第k个神经元之间的连接权值，δ_k＝y_k(1-y_k)(t_k-y_k)，y_k为输出数据，t_k为期望输出数据。

8、如权利要求1所述的方法，其特征在于，按如下公式调整输出层神经元与隐层神经元之间的连接权值：

Δv_kj＝ηδ_ka_j

其中，Δv_kj为隐层第j个神经元与输出层第k个神经元之间的连接权值的调整量，0<η<1，δ_k＝y_k(1-y_k)(t_k-y_k)，y_k为输出数据，t_k为期望输出数据，a_j＝f(net_j)为隐层输出。

9、如权利要求1所述的方法，其特征在于，根据所述神经网络的输出数据确定是否需要对所述工单进行质检包括：

将所述神经网络的输出数据与第二阈值进行比较，根据比较结果，确定是否需要对所述工单进行质检。

10、一种质检系统，其特征在于，包括：

输入设备，用于提供工单数据；

神经网络，用于根据各神经元之间的连接权值对所述工单数据进行分析，获得输出数据，并根据输出数据与期望输出数据的误差调整各神经元之间的连接权值，调整后的连接权值用于下一次的工单数据分析；

输出设备，用于根据所述神经网络的输出数据确定是否需要对所述工单进行质检。

11、如权利要求10所述的系统，其特征在于，所述神经网络包括：

第一处理单元，用于根据输入层神经元与隐层神经元之间的连接权值对所述工单数据进行分析，获得隐层输出；

第二处理单元，用于根据所述隐层输出、隐层神经元与输出层神经元之间的连接权值，获得所述输出数据。

12、如权利要求10所述的系统，其特征在于，所述输出设备包括：

比较模块，用于将所述神经网络的输出数据与第二阈值进行比较；

确定模块，用于根据比较结果，确定是否需要对所述工单进行质检。

13、一种神经网络，其特征在于，包括：

接收模块，用于接收工单数据；

处理模块，用于根据各神经元之间的连接权值对所述工单数据进行分析，获得输出数据；

调整模块，用于根据输出数据与期望输出数据的误差调整各神经元之间的连接权值，调整后的连接权值用于下一次的工单数据分析。

14、如权利要求13所述的神经网络，其特征在于，所述处理模块包括：

第一处理单元，用于根据输入层神经元与隐层神经元之间的连接权值对所述工单数据进行分析，获得隐层输出；

第二处理单元，用于根据所述隐层输出、隐层神经元与输出层神经元之间的连接权值，获得所述输出数据。

Images