CN109242516A - 处理服务单的方法和装置 - Google Patents

处理服务单的方法和装置 Download PDF

Info

Publication number
CN109242516A
CN109242516A CN201811035873.0A CN201811035873A CN109242516A CN 109242516 A CN109242516 A CN 109242516A CN 201811035873 A CN201811035873 A CN 201811035873A CN 109242516 A CN109242516 A CN 109242516A
Authority
CN
China
Prior art keywords
service
processing
layer
training
convolutional
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
Application number
CN201811035873.0A
Other languages
English (en)
Inventor
赵楠
吴波
赵亚滨
魏雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201811035873.0A priority Critical patent/CN109242516A/zh
Publication of CN109242516A publication Critical patent/CN109242516A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开提出一种处理服务单的方法和装置，涉及电子商务领域。其中的方法包括：将待处理的服务单的文本描述内容输入文本分类模型，得到所述文本分类模型输出的所述待处理的服务单的类别；根据服务单的各个类别与各个业务处理逻辑的对应关系，确定所述待处理的服务单对应的业务处理逻辑；按照所述待处理的服务单对应的业务处理逻辑，对所述待处理的服务单进行处理。从而，自动处理服务单，处理效率比较高，并且，依据相同的分类方法确定服务单的类别，每个类别对应相同的业务处理逻辑，因此，服务单的处理方式的一致性比较好。

Description

处理服务单的方法和装置
技术领域
本公开涉及电子商务领域，特别涉及一种处理服务单的方法和装置。
背景技术
消费者通过电子商务平台购买商品，如果对购买的商品有异议，可以通过电子商务平台提交服务单。不同原因产生的服务单，其处理方式也不同。
目前由人工客服处理服务单，即，客服人员根据服务单产生的原因确定服务单的处理方式。
发明内容
发明人发现，人工客服处理服务单的方式，处理效率低，并且受客服人员主观因素的影响，相同或相似的服务单的处理方式可能不同，造成服务单的处理方式的一致性较差。
鉴于此，本公开提出处理服务单的方案。该方案能够自动处理服务单，处理效率比较高，并且，依据相同的分类方法确定服务单的类别，每个类别对应相同的业务处理逻辑，因此，服务单的处理方式的一致性比较好。
本公开的一些实施例提出一种处理服务单的方法，包括：
将待处理的服务单的文本描述内容输入文本分类模型，得到所述文本分类模型输出的所述待处理的服务单的类别；
根据服务单的各个类别与各个业务处理逻辑的对应关系，确定所述待处理的服务单对应的业务处理逻辑；
按照所述待处理的服务单对应的业务处理逻辑，对所述待处理的服务单进行处理。
可选地，所述方法还包括：
获取用户信用相关的参考信息；
根据所述参考信息确定用户的信用状况；
当信用状况显示用户的信用良好时，对所述用户的服务单执行前述的处理服务单的方法。
可选地，所述文本分类模型是经过训练得到的，训练方法包括：
将训练集中的各个服务单的文本描述内容作为输入参数，将各个服务单的类别标注信息作为输出参数，对所述文本分类模型进行训练。
可选地，所述文本分类模型是卷积神经网络模型，所述卷积神经网络模型包括：
输入层，被配置为对输入的信息进行向量处理；
第一卷积层，被配置为对输入层输出的信息进行卷积处理；
第二卷积层，被配置为进行卷积处理，其中，在训练时，在第一卷积层训练完成前，对第一卷积层输出的信息进行卷积处理，在第一卷积层训练完成后，对输入层输出的信息进行卷积处理；
池化层，被配置为对第二卷积层输出的信息进行池化处理；
输出层，被配置为对池化层输出的信息进行分类相关的输出处理。
可选地，所述卷积神经网络模型在训练集中服务单的类别标注信息发生变化时重新被训练，并且，类别标注信息发生变化的训练数据经由输入层、第二卷积层、池化层、输出层对卷积神经网络模型进行训练。
可选地，服务单的各个类别与各个业务处理逻辑的对应关系根据所述文本分类模型的混淆矩阵进行调整。
可选地，所述训练集中的各个服务单的类别标注信息根据所述文本分类模型的混淆矩阵进行调整。
本公开的一些实施例提出一种处理服务单的装置，包括：
分类模块，用于将待处理的服务单的文本描述内容输入文本分类模型，得到所述文本分类模型输出的所述待处理的服务单的类别；
业务处理逻辑确定模块，用于根据服务单的各个类别与各个业务处理逻辑的对应关系，确定所述待处理的服务单对应的业务处理逻辑；
处理模块，用于按照所述待处理的服务单对应的业务处理逻辑，对所述待处理的服务单进行处理。
可选地，所述装置还包括：
参考信息获取模块，用于获取用户信用相关的参考信息；
信用状况确定模块，用于根据所述参考信息确定用户的信用状况，当信用状况显示用户的信用良好时，触发执行权利要求8所述装置的服务单处理功能。
可选地，所述装置还包括：
训练模块，用于对所述文本分类模型进行训练，训练方法包括：
将训练集中的各个服务单的文本描述内容作为输入参数，将各个服务单的类别标注信息作为输出参数，对所述文本分类模型进行训练。
可选地，所述文本分类模型是卷积神经网络模型，所述卷积神经网络模型包括：
输入层，被配置为对输入的信息进行向量处理；
第一卷积层，被配置为对输入层输出的信息进行卷积处理；
第二卷积层，被配置为进行卷积处理，其中，在训练时，在第一卷积层训练完成前，对第一卷积层输出的信息进行卷积处理，在第一卷积层训练完成后，对输入层输出的信息进行卷积处理；
池化层，被配置为对第二卷积层输出的信息进行池化处理；
输出层，被配置为对池化层输出的信息进行分类相关的输出处理。
可选地，所述装置还包括：
调整模块，用于根据所述文本分类模型的混淆矩阵，对服务单的各个类别与各个业务处理逻辑的对应关系进行调整。
本公开的一些实施例提出一种处理服务单的装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行前述任一项的处理服务单的方法。
本公开的一些实施例提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项的处理服务单的方法。
附图说明
下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开，
显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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为本公开处理服务单的方法一些实施例的流程示意图。
图2为本公开处理服务单的方法另一些实施例的流程示意图。
图3为本公开的卷积神经网络模型的层次结构示意图。
图4和图5为本公开处理服务单的装置一些实施例的结构示意图。
图6为本公开处理服务单的装置另一些实施例的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。
图1为本公开处理服务单的方法一些实施例的流程示意图。该实施例的方法例如可以由处理服务单的装置执行。
如图1所示，该实施例的方法包括：步骤110～130。
在步骤110，将待处理的服务单的文本描述内容输入文本分类模型，得到文本分类模型输出的待处理的服务单的类别。
其中，文本分类模型能够对输入的信息进行分类。文本分类模型例如可以是卷积神经网络(Convolution Neural Network，CNN)模型、长短期记忆网络(Long Short-TermMemory，LSTM)模型、支持向量机(Support Vector Machine，SVM)模型、或者HanLP(HanLanguage Processing，汉语言处理)模型等。LSTM模型是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。SVM模型是一个有监督的学习模型，可以用来进行分类。HanLP模型可以用来处理长文本分类。
在步骤120，根据服务单的各个类别与各个业务处理逻辑的对应关系，确定待处理的服务单对应的业务处理逻辑。
其中，服务单的各个类别与各个业务处理逻辑的对应关系可以是预先设置的，并且可以调整。
其中，业务处理逻辑描述了某种类别的服务单的处理方法。例如，对于发货错误、购买错误等类别的服务单，由于商品一般没有损坏，不影响再次销售，因此，这些类别的服务单可以进行退货处理。
在步骤130，按照待处理的服务单对应的业务处理逻辑，对待处理的服务单进行处理。
下面列举一些示例。
误导原因产生的服务单，是由于商品宣传页面的描述不清楚导致用户对商品的理解偏差，下单后发现商品与实际需求有所差别，导致的服务单。该类服务单可以进行退货处理，并发出调整商品宣传页面的提示。
发货错误原因产生的服务单，该类服务单可以进行退货处理。
价格保护原因产生的服务单，该类服务单可以将商品差价退还给用户。
缺少配件原因产生的服务单，该类服务单可以进行补发配件处理。
取消订单原因产生的服务单，是指用户签收商品之前发起的退货请求。该类服务单可以对商品进行物流返仓处理。
物流损坏原因产生的服务单，该类服务单可以进行退货处理，并更换新的同类商品。
误购原因产生的服务单，一般由于用户原因导致了错误购买某商品，该类服务单可以进行退货处理，并要求用户支付一定的邮递费用。
产品质量原因产生的服务单，该类服务单可以进行退货处理，并更换新的同类商品。
上述实施例能够自动处理服务单，处理效率比较高，并且，依据相同的分类方法确定服务单的类别，每个类别对应相同的业务处理逻辑，因此，服务单的处理方式的一致性比较好。
图2为本公开处理服务单的方法另一些实施例的流程示意图。该实施例的方法例如可以由处理服务单的装置执行。
如图2所示，该实施例的方法在图1所示实施例的基础上，还包括步骤210～240。
在步骤210，获取用户信用相关的参考信息。
其中，用户信用相关的参考信息例如包括是否出现不正常的拒收货物的行为，是否出现连续索要赔偿的行为，还款是否及时，购物频繁程度等。
此外，该参考信息例如可以从电子商务购物平台记录的用户行为信息中获取。
在步骤220，根据参考信息确定用户的信用状况。
例如，如果不正常的拒收货物，连续索要赔偿，或还款不及时等不良行为经常出现(出现频度高于设定的阈值)，则可以确定用户的信用不好；反之，如果这些不良行为没有出现或很少出现(出现频度低于设定的阈值)，则可以确定用户的信用良好。
此外，可以对各个参考信息项进行评分，对这些参考信息项的评分进行加权求和，加权求和的结果表征用户的信用状况。参考信息项例如可以是不正常的拒收货物，连续索要赔偿，还款不及时等等行为信息。
在步骤230，当信用状况显示用户的信用良好时，采用步骤110～130的方法，自动处理该用户的服务单。
在步骤240，当信用状况显示用户的信用不好时，转由人工客服处理该用户的服务单。
人工客服针对用户信用不好的服务单，可以更详细地了解产生服务单的原因，分析是否存在恶意行为，如果存在恶意行为，则可以在常规处理基础上增加一些惩罚措施，例如，如果需要退货，则由消费者承载快递的费用等。
上述实施例能够针对信用良好用户的服务单进行自动处理。
前述实施例提及的文本分类模型是经过训练得到的。经过训练的文本分类模型，可以更准确地进行分类。文本分类模型的训练方法例如包括：
将训练集中的各个服务单的文本描述内容作为输入参数，将各个服务单的类别标注信息作为输出参数，对文本分类模型进行训练，直至损失低于预设值，可以停止训练。损失函数用来计算模型的预测值f(x)与真实值Y的不一致程度(即损失)，可以用L(Y,f(x))来表示。
发明人发现，不同类别的训练数据的差异非常大，例如，物流纠纷类别的训练数据比商品质量类别的训练数据多很多，可以相差两个数量级。
一种解决方案是：对数据量较多的某种类别的训练数据进行下采样，对数据量较少的某种类别的训练数据进行过采样，使得不同类别的训练数据的数据量比较均衡。
利用比较均衡的训练数据对文本分类模型进行训练，可以提高模型的训练效果。
另一种解决方案是：在卷积神经网络模型作为文本分类模型的情况下，如图3所示，卷积神经网络模型300的层次结构改进为包括：输入层310，第一卷积层320，第二卷积层330，池化层340，输出层350。其中，
输入层310，被配置为对输入的信息进行向量处理。输入层310将输入的句子中的词语的词向量依次排列起来得到一个矩阵，并输出该矩阵。假设句子有n个词，词向量的维数为k，那么这个矩阵就是n×k的。输入层310的训练是训练词向量的表达。该矩阵可以是静态的，此时词向量是固定不变的。该矩阵也可以是动态的，此时词向量作为可优化的参数，是可变的。
第一卷积层320，被配置为对输入层310输出的信息进行卷积处理。卷积处理是利用卷积核对输入的信息进行卷积。第一卷积层320对于第二卷积层330来说是共享的。
第二卷积层330，被配置为进行卷积处理，也是利用卷积核对输入的信息进行卷积。第一卷积层320和第二卷积层330的卷积核可以是不同的。第二卷积层330是任务型的，需要针对不同的任务(不同类别的服务单)分别训练其表达。
在训练时，在第一卷积层320训练完成前，第二卷积层330对第一卷积层320输出的信息进行卷积处理，在第一卷积层320训练完成后，第二卷积层330对输入层310输出的信息进行卷积处理。
例如，卷积神经网络模型在训练集中服务单的类别标注信息发生变化时需要重新被训练，此时，类别标注信息发生变化的训练数据经由输入层310、第二卷积层330、池化层340、输出层350对卷积神经网络模型进行训练。在卷积层中，第一卷积层320不需要再训练，只需要训练第二卷积层330，因此，只需要很少的训练数据，就可以训练出来一个高质量的卷积神经网络模型。
池化层340，被配置为对第二卷积层330输出的信息进行池化处理。池化处理例如可以选择最大池化处理方式，即，从前一层输出的一维的特征映射中提出最大值。
输出层350，被配置为对池化层340输出的信息进行分类相关的输出处理。分类相关的输出处理例如是将池化层340输出的一维向量通过全连接的方式连接到SoftMax函数。该SoftMax函数可以将一个K维的任意实数向量映射成另一个K维的实数向量，且映射成的实数向量的每个元素的取值介于(0,1)之间。映射成的实数向量反映着服务单的各个类别的概率分布，其中的每个元素表示相应类别的概率。
此外，可以使用混淆矩阵对文本分类模型进行评价，并可以根据混淆矩阵对业务或训练进行调整。一个示例性的混淆矩阵如表1所示。
表1-混淆矩阵
如表1所示，其中的“0.15”表示由于误导原因产生的服务单会被模型错误地分类为误购原因产生的服务单的概率是0.15。通过混淆矩阵，我们发现误购原因产生的服务单与误导原因产生的服务单在分类时容易被混淆。
可选地，服务单的各个类别与各个业务处理逻辑的对应关系根据文本分类模型的混淆矩阵进行调整。例如，基于表1，误购原因产生的服务单与误导原因产生的服务单调整为采用相同的业务处理逻辑，如退货处理。从而，指导电商更合理地设置各个类别的服务单对应的业务处理逻辑。
可选地，训练集中的各个服务单的类别标注信息根据文本分类模型的混淆矩阵进行调整。例如，基于表1，误购原因产生的服务单与误导原因产生的服务单被标注为同一类别，在训练和检测过程中，对这两种原因产生的服务单不再区分对待。从而，纠正非模型原因(如主观界定原因)造成的模型分类不准确的问题。
图4和图5为本公开处理服务单的装置一些实施例的结构示意图。
如图4所示，该实施例的处理服务单的装置400包括：模块410～430。
分类模块410，用于将待处理的服务单的文本描述内容输入文本分类模型，得到文本分类模型输出的待处理的服务单的类别。
业务处理逻辑确定模块420，用于根据服务单的各个类别与各个业务处理逻辑的对应关系，确定待处理的服务单对应的业务处理逻辑。
处理模块430，用于按照待处理的服务单对应的业务处理逻辑，对待处理的服务单进行处理。
在一些实施例中，如图5所示，处理服务单的装置400还包括：模块510～520。
参考信息获取模块510，用于获取用户信用相关的参考信息。
信用状况确定模块520，用于根据参考信息确定用户的信用状况，当信用状况显示用户的信用良好时，触发执行模块410～430的服务单处理功能。
在一些实施例中，如图5所示，处理服务单的装置400还包括：训练模块530，用于对文本分类模型进行训练。
训练方法包括：将训练集中的各个服务单的文本描述内容作为输入参数，将各个服务单的类别标注信息作为输出参数，对文本分类模型进行训练。
可选地，文本分类模型是卷积神经网络模型，卷积神经网络模型的层次结构参见图3所示，这里不再赘述。
在一些实施例中，如图5所示，处理服务单的装置400还包括：调整模块540，用于根据文本分类模型的混淆矩阵，对服务单的各个类别与各个业务处理逻辑的对应关系进行调整。
调整模块540还用于根据文本分类模型的混淆矩阵，对训练集中的各个服务单的类别标注信息进行调整。
图6为本公开处理服务单的装置另一些实施例的结构示意图。
如图6所示，该实施例的处理服务单的装置600包括：存储器610以及耦接至该存储器610的处理器620，处理器620被配置为基于存储在存储器610中的指令，执行前述任意一些实施例中的处理服务单的方法。
其中，存储器610例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
装置600还可以包括输入输出接口630、网络接口640、存储接口650等。这些接口630，640，650以及存储器610和处理器620之间例如可以通过总线660连接。其中，输入输出接口630为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口。存储接口650为SD卡、U盘等外置存储设备提供连接接口。
本公开的一些实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项的处理服务单的方法。
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开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，本公开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非瞬时性存储介质(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。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为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。
以上所述仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (14)

1.一种处理服务单的方法，包括：
将待处理的服务单的文本描述内容输入文本分类模型，得到所述文本分类模型输出的所述待处理的服务单的类别；
根据服务单的各个类别与各个业务处理逻辑的对应关系，确定所述待处理的服务单对应的业务处理逻辑；
按照所述待处理的服务单对应的业务处理逻辑，对所述待处理的服务单进行处理。
2.如权利要求1所述的方法，还包括：
获取用户信用相关的参考信息；
根据所述参考信息确定用户的信用状况；
当信用状况显示用户的信用良好时，对所述用户的服务单执行权利要求1所述的方法。
3.如权利要求1所述的方法，其中，所述文本分类模型是经过训练得到的，训练方法包括：
将训练集中的各个服务单的文本描述内容作为输入参数，将各个服务单的类别标注信息作为输出参数，对所述文本分类模型进行训练。
4.如权利要求3所述的方法，其中，所述文本分类模型是卷积神经网络模型，所述卷积神经网络模型包括：
输入层，被配置为对输入的信息进行向量处理；
第一卷积层，被配置为对输入层输出的信息进行卷积处理；
第二卷积层，被配置为进行卷积处理，其中，在训练时，在第一卷积层训练完成前，对第一卷积层输出的信息进行卷积处理，在第一卷积层训练完成后，对输入层输出的信息进行卷积处理；
池化层，被配置为对第二卷积层输出的信息进行池化处理；
输出层，被配置为对池化层输出的信息进行分类相关的输出处理。
5.如权利要求4所述的方法，其中，所述卷积神经网络模型在训练集中服务单的类别标注信息发生变化时重新被训练，并且，类别标注信息发生变化的训练数据经由输入层、第二卷积层、池化层、输出层对卷积神经网络模型进行训练。
6.如权利要求1所述的方法，其中，服务单的各个类别与各个业务处理逻辑的对应关系根据所述文本分类模型的混淆矩阵进行调整。
7.如权利要求3所述的方法，其中，所述训练集中的各个服务单的类别标注信息根据所述文本分类模型的混淆矩阵进行调整。
8.一种处理服务单的装置，包括：
分类模块，用于将待处理的服务单的文本描述内容输入文本分类模型，得到所述文本分类模型输出的所述待处理的服务单的类别；
业务处理逻辑确定模块，用于根据服务单的各个类别与各个业务处理逻辑的对应关系，确定所述待处理的服务单对应的业务处理逻辑；
处理模块，用于按照所述待处理的服务单对应的业务处理逻辑，对所述待处理的服务单进行处理。
9.如权利要求8所述的装置，还包括：
参考信息获取模块，用于获取用户信用相关的参考信息；
信用状况确定模块，用于根据所述参考信息确定用户的信用状况，当信用状况显示用户的信用良好时，触发执行权利要求8所述装置的服务单处理功能。
10.如权利要求8所述的装置，还包括：
训练模块，用于对所述文本分类模型进行训练，训练方法包括：
将训练集中的各个服务单的文本描述内容作为输入参数，将各个服务单的类别标注信息作为输出参数，对所述文本分类模型进行训练。
11.如权利要求10所述的装置，其中，所述文本分类模型是卷积神经网络模型，所述卷积神经网络模型包括：
输入层，被配置为对输入的信息进行向量处理；
第一卷积层，被配置为对输入层输出的信息进行卷积处理；
第二卷积层，被配置为进行卷积处理，其中，在训练时，在第一卷积层训练完成前，对第一卷积层输出的信息进行卷积处理，在第一卷积层训练完成后，对输入层输出的信息进行卷积处理；
池化层，被配置为对第二卷积层输出的信息进行池化处理；
输出层，被配置为对池化层输出的信息进行分类相关的输出处理。
12.如权利要求8所述的装置，还包括：
调整模块，用于根据所述文本分类模型的混淆矩阵，对服务单的各个类别与各个业务处理逻辑的对应关系进行调整。
13.一种处理服务单的装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行权利要求1-7中任一项所述的处理服务单的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-7中任一项所述的处理服务单的方法。
CN201811035873.0A 2018-09-06 2018-09-06 处理服务单的方法和装置 Pending CN109242516A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811035873.0A CN109242516A (zh) 2018-09-06 2018-09-06 处理服务单的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811035873.0A CN109242516A (zh) 2018-09-06 2018-09-06 处理服务单的方法和装置

Publications (1)

Publication Number Publication Date
CN109242516A true CN109242516A (zh) 2019-01-18

Family

ID=65060406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811035873.0A Pending CN109242516A (zh) 2018-09-06 2018-09-06 处理服务单的方法和装置

Country Status (1)

Country Link
CN (1) CN109242516A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110362677A (zh) * 2019-05-31 2019-10-22 平安科技（深圳）有限公司 文本数据类别的识别方法及装置、存储介质、计算机设备
CN111833070A (zh) * 2019-04-10 2020-10-27 阿里巴巴集团控股有限公司 售后处理方法、装置及电子设备
CN112487180A (zh) * 2019-09-12 2021-03-12 北京地平线机器人技术研发有限公司 文本分类方法和装置、计算机可读存储介质和电子设备
CN112599211A (zh) * 2020-12-25 2021-04-02 中电云脑(天津)科技有限公司 一种医疗实体关系抽取方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834940A (zh) * 2015-05-12 2015-08-12 杭州电子科技大学 一种基于支持向量机的医疗影像检查疾病分类方法
CN105244029A (zh) * 2015-08-28 2016-01-13 科大讯飞股份有限公司 语音识别后处理方法及系统
CN106250812A (zh) * 2016-07-15 2016-12-21 汤平 一种基于快速r‑cnn深度神经网络的车型识别方法
CN106372577A (zh) * 2016-08-23 2017-02-01 北京航空航天大学 一种基于深度学习的交通标志自动识别与标注方法
CN106529402A (zh) * 2016-09-27 2017-03-22 中国科学院自动化研究所 基于多任务学习的卷积神经网络的人脸属性分析方法
CN106599155A (zh) * 2016-12-07 2017-04-26 北京亚鸿世纪科技发展有限公司 一种网页分类方法及系统
CN106845430A (zh) * 2017-02-06 2017-06-13 东华大学 基于加速区域卷积神经网络的行人检测与跟踪方法
WO2017112417A1 (en) * 2015-12-23 2017-06-29 Yahoo! Inc. Method and system for automatic formality transformation
CN107346344A (zh) * 2017-07-24 2017-11-14 北京京东尚科信息技术有限公司 文本匹配的方法和装置
CN107391483A (zh) * 2017-07-13 2017-11-24 武汉大学 一种基于卷积神经网络的商品评论数据情感分类方法
CN107730905A (zh) * 2017-06-13 2018-02-23 银江股份有限公司 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834940A (zh) * 2015-05-12 2015-08-12 杭州电子科技大学 一种基于支持向量机的医疗影像检查疾病分类方法
CN105244029A (zh) * 2015-08-28 2016-01-13 科大讯飞股份有限公司 语音识别后处理方法及系统
WO2017112417A1 (en) * 2015-12-23 2017-06-29 Yahoo! Inc. Method and system for automatic formality transformation
CN106250812A (zh) * 2016-07-15 2016-12-21 汤平 一种基于快速r‑cnn深度神经网络的车型识别方法
CN106372577A (zh) * 2016-08-23 2017-02-01 北京航空航天大学 一种基于深度学习的交通标志自动识别与标注方法
CN106529402A (zh) * 2016-09-27 2017-03-22 中国科学院自动化研究所 基于多任务学习的卷积神经网络的人脸属性分析方法
CN106599155A (zh) * 2016-12-07 2017-04-26 北京亚鸿世纪科技发展有限公司 一种网页分类方法及系统
CN106845430A (zh) * 2017-02-06 2017-06-13 东华大学 基于加速区域卷积神经网络的行人检测与跟踪方法
CN107730905A (zh) * 2017-06-13 2018-02-23 银江股份有限公司 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法
CN107391483A (zh) * 2017-07-13 2017-11-24 武汉大学 一种基于卷积神经网络的商品评论数据情感分类方法
CN107346344A (zh) * 2017-07-24 2017-11-14 北京京东尚科信息技术有限公司 文本匹配的方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张治国: "中文文本分类反馈学习研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王晓斌，黄金杰，刘文举: "基于优化卷积神经网络结构的交通标志识别", 《计算机应用》 *
董海鹰: "《智能控制理论及应用》", 30 September 2016, 中国铁道出版社 *
骆正茂: "结合卷积神经网络不同层的特征进行包类商品检索", 《计算机应用与软件》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111833070A (zh) * 2019-04-10 2020-10-27 阿里巴巴集团控股有限公司 售后处理方法、装置及电子设备
CN110362677A (zh) * 2019-05-31 2019-10-22 平安科技（深圳）有限公司 文本数据类别的识别方法及装置、存储介质、计算机设备
CN112487180A (zh) * 2019-09-12 2021-03-12 北京地平线机器人技术研发有限公司 文本分类方法和装置、计算机可读存储介质和电子设备
CN112487180B (zh) * 2019-09-12 2024-06-11 北京地平线机器人技术研发有限公司 文本分类方法和装置、计算机可读存储介质和电子设备
CN112599211A (zh) * 2020-12-25 2021-04-02 中电云脑(天津)科技有限公司 一种医疗实体关系抽取方法及装置
CN112599211B (zh) * 2020-12-25 2023-03-21 中电云脑(天津)科技有限公司 一种医疗实体关系抽取方法及装置

Similar Documents

Publication Publication Date Title
CN109242516A (zh) 处理服务单的方法和装置
US10832250B2 (en) Long-term short-term cascade modeling for fraud detection
US11250433B2 (en) Using semi-supervised label procreation to train a risk determination model
CN103886495A (zh) 一种基于网络交易的监控方法及系统
CN110263157A (zh) 一种数据风险预测方法、装置及设备
CN109815480B (zh) 一种数据处理方法和装置、及存储介质
CN111783039B (zh) 风险确定方法、装置、计算机系统和存储介质
CN110009154A (zh) 一种退款预测方法、装置、终端设备及存储介质
CN111966886A (zh) 对象推荐方法、对象推荐装置、电子设备及存储介质
CN112214508A (zh) 数据处理方法及装置
CN110597984B (zh) 异常行为用户信息的确定方法及装置、存储介质、终端
CN111858942A (zh) 一种文本抽取方法、装置、存储介质和电子设备
CN111144899A (zh) 识别虚假交易的方法及装置和电子设备
CN108984777B (zh) 客户服务方法、装置和计算机可读存储介质
US20190180294A1 (en) Supplier consolidation based on acquisition metrics
CN117726464A (zh) 一种对账方法、系统及相关设备
US20200364537A1 (en) Systems and methods for training and executing a recurrent neural network to determine resolutions
WO2021183700A1 (en) Accelerated intelligent enterprise including timely vendor spend analytics
CN108460049A (zh) 一种确定信息类别的方法和系统
CN114078037A (zh) 基于标签向量化的商品推荐方法及装置
CN108399545A (zh) 电子商务平台质量检测方法和装置
KR102539036B1 (ko) 상품 대량 등록이 가능한 구매대행 시스템
CN113971572A (zh) 数据处理方法、交互方法、计算设备及计算机存储介质
US20150379415A1 (en) System and method for processing a transaction
CN110956027A (zh) 一种数字短信内容生成的方法和装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190118