CN110196711A - 基于人工智能的插件式工单辅助决策方法及其系统 - Google Patents

Abstract

本发明提供了一种基于人工智能的插件式工单辅助决策方法及系统，属于人工智能技术领域。本发明采用一种插件式工单助手方案降低企业的工单处理系统的改造成本，最大程度复用现有系统和流程；同时，插件式工单助手前后台部署在企业内部网络中，通过页面监听和接口对接的方式获取数据，避免对整个数据库的读写，提升了数据的安全性；其次，通过人工智能技术实现用户问题分类、工单自动分配、工单画像构建和优先级计算、工单信息自动查询和展示、解决方案的智能决策和方案信息的自动回填等功能，提高了工单处理的智能化程度；最后，组件化的算法模块支持工单助手中算法模型的开发和优化，提升建模效率，降低系统上线后算法优化导致的改造和部署成本。

Description

基于人工智能的插件式工单辅助决策方法及其系统

技术领域

本发明属于人工智能技术领域，涉及人工智能工单辅助决策方法，尤其是涉及一种基于人工智能的插件式工单辅助决策方法及其系统。

背景技术

随着企业规模和和新业务的不断拓展，企业的工单处理成本和效率就成为企业需要考虑的重要问题和制约企业发展的瓶颈之一。

目前工单处理系统的工单分配采用根据企业业务规则制定的方式：通过事先配置好的问题类型和对应处理部门的匹配关系，将某问题类型下的所有工单分配到对应部门或人员的工单库中。工单处理人员根据工单优先级的顺序处理，工单优先级的判定目前常见的是基于业务的设定，划分成固定的几个等级，例如根据客户的等级进行划分，VIP客户涉及的工单比普通客户的优先级更高；但实际上在同一等级上的工单的情况也存在差异。

处理工单时，工单处理人员根据工单具体情况查询不同信息，目前的查询是工单处理人员根据个人经验手动地在知识库或页面中浏览、查找，例如客服人员在处理工单过程中，可能需要同时打开多个浏览器页面查询用户的基本信息、双方交易信息和企业的业务规定等；同时在查询过程中，工单系统的业务层会多次通过接口访问底层数据库，对数据库的并发性有比较高的要求。

工单解决方案的生成，往往会依赖处理人员的个人经验，通过工单处理人员自己对该工单所涉及题的判断，拟定一个解决方案；这种决策过程存在于处理人员脑中，没有落地沉淀到知识库中，同时也不够标准化，不同处理人员对于同一问题的解决方案可能不尽相同，不利于服务的规范化，且容易产生疏漏。并且在拟定解决方案后还需要手动填写结果到页面。

由前述可知，目前的工单处理系统存在以下问题：

现有工单分配方式没有考虑工单人员处理能力问题，工单优先级的设定比较粗略，不能实现每个工单的差异化处理，用户体验比较差，工单处理时，需要手动查询多个页面，导致效率低下和对数据库的压力加大，工单的处理需要依赖处理人员的经验，导致处理方式不够标准化，工单处理完成后需要手动填写解决方案和处理意见等，为了解决上述技术问题，目前也提出了一些人工智能技术的智能工单产品，将算法代码嵌入到对应的功能代码中的方式，但是当后期需要优化时，会涉及到整个代码库的改造和重新部署，改造成本比较大；并且如果以一整套方案的形式来替代企业现有的工单系统，改造周期和成本都非常大，往往企业人员已经熟悉了原有的工单处理系统、流程和方法，要适应新的系统会有一个比较长的周期，而且后续的升级上也需要供应商进行配合

发明内容

本发明的目的是针对上述问题，提供一种基于人工智能的插件式工单辅助决策方法；

本发明的另一目的是针对上述问题，提供一种于人工智能的插件式工单辅助决策系统。

为达到上述目的，本发明采用了下列技术方案：

一种基于人工智能的插件式工单辅助决策方法，包括以下步骤：

S1.插件式助手前端监听页面并获取页面数据；

S2.插件式助手后台从企业工单系统数据层获取工单详情，并将所述的工单详情与页面数据，一并发送到决策模块；

S3.决策模块调用决策模型，并根据所述工单详情和页面数据，生成工单推荐解决方案并返回所述解决方案至插件式助手后台；

S4.插件式助手后台向插件式助手前端返回推荐解决方案；

S5.插件式助手前端根据所述推荐结果回填页面表单。

在上述的基于人工智能的插件式工单辅助决策方法中，

在步骤S1中，所述的插件式助手前端通过JavaScript插件的形式嵌入到工单处理主页面，以监听页面并获取页面数据；

插件式助手前端在有IFrame嵌套的页面上以浮层的方式浮出，通过监听父子IFrame窗口的相关事件、内容录入和页面元素的方式获取工单相关信息，点击浮层上的按钮回填父子页面的页面表单，JavaScript浮层在启动第一个页面时就与插件式助手后台接口实现交互。

在上述的基于人工智能的插件式工单辅助决策方法中，所述的插件式助手后台通过以下方式从企业工单系统中获取工单信息：插件式助手后台向企业工单系统的数据层请求工单相关信息，并以接口的方式从企业工单系统接收反馈的请求结果。

在上述的基于人工智能的插件式工单辅助决策方法中，

在步骤S3中，所述决策模块的实现步骤如下：

S31.工单问题的文本分类，应用双向编码表征转换算法进行基于工单问题描述的文本分类；

S32.工单自动分配，基于工单处理人员的历史效率、满意度和当前饱和度中的一个或多个指标数据进行工单到人员自动分配；

S33.工单画像和优先级计算，通过工单优先级评分模型刻画各个工单的优先程度；

S34.工单信息自动查询展示，将支持推荐解决方案的证据或数据展示给工单处理人员；

S35.解决方案智能决策，通过解决方案推荐模型根据实时输入的工单信息提供对应工单的推荐解决方案；

在步骤S5中，方案信息自动回填，采用文本自动摘要技术结合标准方案报告模板的方式实现解决方案描述的自动生成，并在插件式助手前端实现页面表单回填。

在上述的基于人工智能的插件式工单辅助决策方法中，

在步骤S32中，所述的工单自动分配模型基于工单处理人员的历史效率、满意度、当前饱和度等指标，根据Gale-Shapley算法而建立，系统按照工单处理人员的得分进行工单自动分配。

在步骤S33中，所述的工单优先级评分模型基于工单对应的创建时长、客户等级、客户情绪和问题紧急程度等数据，利用逻辑回归等白盒机器学习算法而构建。

在步骤S34中，所述的工单信息自动查询后展示的查询结果数据运用机器学习算法中的特征重要度数据来筛选，在智能推荐一个解决方案后，支持该解决方案的证据或数据需要展示给工单处理人员。

在上述的基于人工智能的插件式工单辅助决策方法中，

在步骤S35中，所述的解决方案推荐模型采用业专家梳理特征+机器学习或深度学习的方式构建，且已经过插件式助手后台获取的企业工单系统数据层的现有数据进行了离线训练。

在上述的基于人工智能的插件式工单辅助决策方法中，所述的解决方案推荐模型线上运行时根据业务反馈实现模型实时或定期的更新、迭代和优化。

在上述的基于人工智能的插件式工单辅助决策方法中，

在步骤S5中，所述的方案信息自动回填基于给定的工单详情的具体文本，生成描述该工单情况的简短摘要，并补充到解决方案信息中，最终生成的方案信息会基于标准的方案报告模板，填入相应的解决方案信息，包括文本信息和结构化信息，并通过网页表单自动填充技术来实现自动回填。

一种基于人工智能的插件式工单辅助决策方法的系统，包括企业工单系统数据层和企业工单系统业务层，其特征在于，所述企业工单系统数据层和企业工单系统业务层对接有插接式工单助手，所述插接式工单助手包括算法模块、决策模块、插件式助手前端和插件式助手后台，其中，插件式助手前端，嵌入至工单处理主页面以用于监听页面并获取页面数据，以及根据推荐结果回填页面表单；

插件式助手后台，用于以接口的方式从从企业工单系统数据层获取工单详情，并将所述的工单详情与页面数据，一并发送到决策模块，以及向插件式助手前端返回推荐解决方案；

算法模块，用于训练决策模型；

在上述的一种基于人工智能的插件式工单辅助决策方法的系统中，所述的算法模块，通过组件化的方式实现特征预处理、模型创建、模型训练和模型部署，离线时从企业工单系统数据层获取了离线数据进行模型的离线训练，在线时对离线训练好的模型不断进行迭代优化，并根据实时输入的工单信息在线预测工单解决方案，并返回模型输出结果；

与所述的算法模块相关的模块包括数据模块、校验模块和决策模块；

所述的数据模块，用于历史工单数据的获取、数据清洗、数据过滤和数据分析；

所述的校验模块，用于算法模块产生的模型上线后提供模型的正确性校验和模型离线效果的评估，同时根据业务反馈结果，进行结果打标，通过业务专家基于对反馈结果的分析，指导模型的优化，根据训练样本的调整进行实时或定期的迭代更新；

所述的决策模块：用于工单助手系统上线后负责监听数据和接口数据的接入、数据预处理、调用算法模块和部署好的模型，进行模型结果封装、输出推荐方案和问题分类等结果。

与现有的技术相比，本发明的优点在于：

1、设计了一种基于人工智能的插件式工单辅助决策方法，采用了一种插件式的工单助手方案来降低对企业现有工单处理系统的改造成本，以最大程度地复用现有系统和流程；同时，整个工单插件前后台部署在企业内部网络环境中，并通过页面监听和接口对接的方式获取数据，避免对整个数据库的读写，降低了数据安全的风险。

2、通过人工智能技术实现：用户问题分类、工单自动分配、工单画像构建和优先级计算、工单信息自动查询和展示、解决方案的智能决策和方案信息的自动回填等功能，大大提高了工单处理的自动化和智能化程度，提升了处理效率。

3、采用组件化的算法模块以支持工单助手中算法模型的开发和优化，提升建模效率，降低系统上线后算法迭代优化导致的改造和部署成本。

附图说明

图1是本发明提供插件式工单助手和现有工单系统的对接方式示意图；

图2是本发明涉及的一个典型的基于人工智能技术进行工单处理流程智能化改造的流程示意图；

图3是本发明处理后台所对应的架构示意图。

图4是本发明组件化算法模块架构示意图

具体实施方式

如图1和图2所示，一种基于人工智能的插件式工单辅助决策方法，采用的插件式工单助手方案避免对原有工单系统进行大规模的改动和替换，通过页面JavaScript插件的形式嵌入到工单处理的主页面中；在不影响现有工单基本流程的基础上，辅助工单处理人员进行解决方案决策和相关信息填写补充，加速工单流转速度，具体包括以下步骤：

1、插件式工单助手前端以JavaScript插件的形式嵌入到企业现有的工单系统中，插件式工单助手前端在工单处理系统的主页面中以悬浮框的形式呈现；

2、插件式工单助手后台和现有工单系统交互数据，插件式工单助手后台通过对系统的数据监听和接口同步获得当前工单详情和页面数据，例如用户信息、交易信息、时间信息等，并将所述工单详情和页面数据一并发送到决策模块；

3、决策模块调用决策模型和算法模块，并根据所述工单详情和页面数据，生成工单推荐解决方案并返回所述解决方案至插件式助手后台；

4、插件式助手后台向插件式助手前端返回推荐解决方案；

5、插件式助手前端根据所述推荐结果回填页面表单。

现有的工单系统和解决方案存在以下缺点：

1、工单分配的方式不合理：通过配置问题类型和对应处理部门匹配关系实现工单分配的方式，没有考虑到相应部门和工单处理人员的处理能力饱和的情况，在某类型问题过多的情况下会导致需要处理的工单数量爆量，而同时其他部门或工单处理人员的工单量却不饱和。

有些工单系统支持部门的管理人员去手动分配工单，这种方式能够一定程度上均衡了工单量和工单人员的负载，但对于分配者本身提出了比较高的要求，同时也占用了分配者的工作时间；此外，现有的问题分类算法有些还是由用户自己进行选择，如IVR按键等，有些虽然采用了机器学习或深度学习的技术，但使用的算法基本都是未经过Pre-train(预训练)的，效果上没法和现在领先的如BERT(Bidirectional Encoder Representationfrom Transformers双向编码表征转换算法，谷歌提出的一种自然语言处理模型)等算法相比。

2、工单优先级设定不合理：现有的工单优先级的设定，常用的基于业务的优先级设定比较粗略，将工单优先级划分成固定的几个等级，例如根据客户的等级进行划分，VIP客户涉及的工单比普通客户的优先级更高；但实际上在同一等级上的工单的情况也存在差异，对于每一个工单来说，所涉及的问题类型、发生时间、客户情绪、问题严重程度等都不一样，企业的业务规定往往无法覆盖或捕捉到如此详细的信息，需要应用人工智能的方式建立一个优先级评价指标模型来详细得刻画工单的优先级，从而实现每个工单的差异化处理，提升用户体验。

3、现有工单处理效率低：现有的通过工单处理人员个人经验手动查询信息的方式是造成工单处理效率比较低的重要因素；同时手动查找难免遗漏关键信息，造成最终的解决方案并不是最优。另外，每个工单处理人员查询过程中需要多次访问数据库，也会对数据库的并发提出更高的要求；当工单数量快速增长时，处理人员的数量也增加的时候，数据库的性能瓶颈会愈发明显；这种没有预加载的信息访问方式会导致处理人员通过浏览器等查询信息的速度下降，进一步降低工单处理效率。

4、用户体验感差：依赖处理人员个人经验生成工单解决方案的决策方式，工单处理人员按照个人对该工单所示问题的判断，拟定相应的解决方案；这种决策过程严重依赖工单处理人员的主观判断，没有将专家经验保存、沉淀到知识库中，好的经验没有得到推广应用；同时处理方式不够标准化，不同的工单处理人员对于同一工单的解决方案可能不尽相同，容易给用户造成“前后不一致”等不好的体验。

5、自动化程度不高：在解决方案填写或信息补充过程中，现有的方式基本都需要工单处理人员手动填写工单解决方案的相关信息，费事费力，且解决方案的格式不统一，在填写过程中也容易产生错误或者疏漏。

6、改造升级成本大：现有的一些应用了人工智能技术的智能工单产品，若干功能点上虽然采用了机器学习或深度学习的方式进行优化，但是算法模型和产品的结合方面基本采用深度耦合的方式，将算法代码嵌入到对应的功能代码中，利用训练好的模型支持对应的产品功能，然而，在后续的产品上线后的算法优化工作上，会涉及到整个代码库的改造和重新部署，改造成本比较大。

7、改造涉及的面太广：如果以一整套方案的形式来替代企业现有的工单系统，改造周期和成本都非常大，往往企业人员已经熟悉了原有的工单处理系统、流程和方法，重新适应新的系统会有一个比较长的周期；而且后续的升级也需要供应商进行配合。

本发明方案独创性的采用一种插件式的工单助手方案来降低对企业现有工单处理系统的改造成本，以最大程度地复用现有系统和流程；同时，整个工单插件前后台部署在企业内部网络环境中，并通过页面监听和接口对接的方式获取数据，避免对整个数据库的读写，降低了数据的安全风险；其次，通过人工智能技术实现：用户问题分类、工单自动分配、工单画像构建和优先级计算、工单信息自动查询和展示、解决方案的智能决策和方案信息的自动回填等功能，大大提高了工单处理的自动化和智能化程度，提升了处理效率。最后，采用组件化的算法模块以支持工单助手中算法模型的开发和优化，提升建模效率，降低系统上线后算法迭代优化导致的改造和部署成本。

本领域技术人员应当理解VBScript脚本也可以实现本发明所涉及的插件式工单助手的功能，然而大部分网站使用了JavaScript脚本设计，使用VBScript脚本可能会导致网站体验差或网站部分功能无法使用等情况的发生。

采用插件式工单助手赋能和优化现有工单系统和流程，提高工单处理效率，采用插件式工单助手和企业现有工单处理系统对接的方式如下：

1、插件式助手前端以JavaScript插件的形式嵌入到企业原有的工单处理系统主页面，同时监听页面并获取页面数据，例如处理人员的操作轨迹等信息；

2、插件式助手前端向插件式助手后台请求接口，插件式助手后台从决策模块得到了工单的推荐解决方案后，通过该接口获取该工单对应的推荐解决方案；

3、插件式助手后台向企业工单系统的数据层请求工单相关信息，主要是非操作信息如客户信息、交易信息等；

4、企业工单系统数据层以接口的方式返回插件式助手后台工单详情等数据；

5、插件式助手后台从企业工单系统数据层获取到工单详情信息后，加上监听到的页面数据，一并发送相关信息到系统的决策模块；

6、决策模块调用算法模块和部署好的模型：决策模块接收到插件式助手从企业工单系统数据层获取到工单详情信息和监听到的页面数据，经过数据预处理，数据预处理包括数据清洗、数据过滤和数据分析等步骤，最终实现工单处理流程中各个步骤包括用户问题的文本分类、工单自动分配和工单画像优先级计算、解决方案的智能决策、工单信息自动查询和展示、方案信息的自动回填。

工单问题的文本分类：应用BERT(双向编码表征转换算法)解决现有工单问题分类中要么是基于规则的方式，要么是需要人工抽取特征或在不同场景下重新训练不同的分类模型的问题，而且目前该模型在文本分类的一些测试集上的效果领先；

BERT(Bidirectional Encoder Representation from Transformers双向编码表征转换算法)模型是近几年提出的一种自然语言处理算法，能够通过预训练的方式学习自然语言的深层双向表征，在实际应用中只需要增加一个输出层就可以对预训练好的模型参数进行微调，进而获得基于当前自然语言处理任务的最优模型。应用BERT(双向编码表征转换算法)能够解决现有工单问题的文本分类中要么是基于规则的方式，要么是需要人工抽取特征或在不同场景下重新训练不同的分类模型的问题，而且目前该模型在文本分类的一些测试集上的效果领先；

工单自动分配：结合工单问题的文本分类和工单处理人员的效率、品质、当前饱和度等数据，采用基于Gale-Shapley算法来实现工单到人员的自动优化分配。

Gale-Shapley算法是一种匹配策略寻优算法，本质上是一种运筹优化算法，可以应用于任务和资源的稳定匹配优化求解上。运用Gale-Shapley算法能够基于工单处理人员的效率、品质和饱和度等数据加工得到的得分，为其分配合适数量的各类型任务工单，进而使得整个部门或者企业的处理效率最优；这在越来越多的企业要求工单处理人员具备全技能的大背景下尤为重要——既能保证整体的效率最优，又能一定程度上实现处理人员之间的负载均衡；

工单画像构建和优先级计算：应用包括工单的创建时间长度、客户的等级、客户的情绪和对应业务的紧急程度等在内的数据建立一个优先级评价模型刻画各个工单任务的优先程度，通过人工智能技术计算得到的工单优先级分数能够知道工单处理人员的工作，进而实现工单的差异化处理，提升用户体验。

解决方案的智能决策：不同于以往依赖个人经验生成工单解决方案的方式，本发明基于大量的历史数据和页面监听到的实时数据，通过机器学习或深度学习的方式建立一个解决方案推荐模型。该模型通过对历史工单详情和对应解决方案的学习，在特定的场景下，预测一个具体的工单所对应的最优解决方案；同时在线上运行以后，模型可以在线学习，即通过真实数据的反馈不断调整模型的结构和参数，对解决方案推荐模型进行迭代优化。

工单信息自动查询和展示：通过上述的插件式工单助手能够聚合工单处理过程中所需的各类型的信息，方案采用机器学习算法中的特征重要度数据来筛选和展示工单信息。实际上，所要展示的工单信息是和最终的解决方案挂钩的，在插件式工单助手智能推荐一个解决方案后，支持该解决方案的证据或数据即成为需要展示给工单处理人员的信息——通过机器学习模型预测最优的解决方案之后，通过对其每个特征重要度的刻画即可获取支持该解决方案最重要的数据；

方案信息的自动回填：本发明利用人工智能技术中的自动文本摘要技术实现工单解决方案的自动回填。自动文本摘要技术是自然语言处理技术中进行摘要自动生成的一种算法，能够在学习大量的语料之后，对一段指定的文本数据生成对应的摘要信息；

在本发明中用于在给定了工单详情的具体文本的情况下，生成描述该工单情况的简短摘要，并补充到解决方案信息中。最终的方案信息会基于标准的方案报告模板，填入相应的解决方案信息，包括文本信息和结构化信息；并通过网页表单自动填充技术来实现自动回填，网页表单自动填充技术是一种比较成熟的能够在表单中自动填充相关信息的技术，具体实现方式不在此进行赘述。

7、算法模块事先已经从企业工单系统数据层获取了离线数据并且已经进行了模型的离线训练，同时在实际上线后不断进行迭代和优化，根据当前输入的工单信息预测对应工单的推荐解决方案，并返回模型输出结果；

8、决策模块对模型的结果进行封装后返回插件式助手后台；

9、插件式助手后台返回处理结果给插件式助手前端；

10、插件式助手前端应用JavaScript技术回填页面表单。

在插件式工单助手和企业现有工单处理系统对接方案中，插件式助手前端实现的实现如下功能：

1、插件式助手前端在有IFrame嵌套的页面上以浮层的方式浮出，可以监听父子IFrame窗口的相关事件、内容录入及页面元素来捕获与工单相关信息，通过浮层上的按钮点击回填父子页面表单。

2、JavaScript浮层支持在启动第一个页面时将插件式助手前端在页面上捕获到的工单信息返回给插件式助手后台，并实现与插件式助手后台的接口实现发请求、收到响应数据，在浮层展示工单信息数据，往工单页面填入数据等交互功能。

3、插件式助手前端实现页面鼠标、键盘事件的拦截记录，点击URL的拦截记录，IFrame页面的点击拦截记录，子页面响应数据的拦截记录和自动触发页面上的某些按钮，代替点击。

在插件式工单助手和企业现有工单处理系统对接方案中，插件式助手后台实现的实现如下功能：

1、插件式工单助手后台系统的搭建，支持插件式工单助手前端JavaScript的各项交互及数据存储；

2、实现了通用化的采集存储数据库表结构；

3、实现页面内容数据的爬取；

4、实现工单系统以数据请求和接口方式的数据交互；

5、实现和决策模块的模型结果交互。

如图3和图4所示，插件式工单助手的算法建模方式采用基于组件化的算法模块进行，能够规模化、协同化地进行算法模型搭建，并且能够实现模型版本的有效管理、实现算法模型代码和业务代码的解耦，降低模型优化过程中带来的系统改造和配合成本，实现模型版本的无缝切换。

1、数据模块：实现历史工单数据的获取和数据处理，包括数据清洗、数据过滤和数据分析。

2、算法模块：插件式工单助手算法模型建模的主要模块，通过组件化的方式实现特征预处理(包括特征选取、基本的特征工程、特征编码等)、模型创建(模型选型、模型参数的配置等)、模型训练(协同式、多任务的模型训练和参数调优)、模型部署(包括模型的构建、自动化发布和版本控制)；

3、校验模块：模型上线后提供模型的校验(包括正确性校验，模型离线效果的评估等)，同时根据业务反馈结果，进行结果打标，业务专家基于对反馈结果的分析，指导模型的优化；同时模型也调整训练样本进行实时或定期的迭代更新；

4、决策模块：系统上线后负责监听数据和接口数据的接入、数据预处理、调用模型pipel ine、进行模型结果封装，输出推荐方案、问题分类等结果。

上述的四个模块分别构建并和插件式工单助手前端和插件式工单助手后台一起部署在企业的内部网络环境中，保证企业数据信息的安全性；同时整个系统采用springboot+mysql的方式构建，和企业之间的数据对接以及各功能模块的接口调用采用restful接口。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

尽管本文较多地使用了插件式助手前端、插件式助手后台、工单问题的文本分类、工单自动分配、工单画像构建和优先级计算、工单信息自动查询和展示解决方案的智能决策和方案信息的自动回填等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (10)

1.一种基于人工智能的插件式工单辅助决策方法，其特征在于，包括以下步骤：

S1.插件式助手前端监听页面并获取页面数据；

S2.插件式助手后台从企业工单系统数据层获取工单详情，并将所述的工单详情与页面数据，一并发送到决策模块；

S3.决策模块调用决策模型，并根据所述工单详情和页面数据，生成工单推荐解决方案并返回所述解决方案至插件式助手后台；

S4.插件式助手后台向插件式助手前端返回推荐解决方案；

S5.插件式助手前端根据所述推荐结果回填页面表单。

2.根据权利要求1所述的基于人工智能的插件式工单辅助决策方法，其特征在于，

在步骤S1中，所述的插件式助手前端通过JavaScript插件的形式嵌入到工单处理主页面，以监听页面并获取页面数据；

插件式助手前端在有IFrame嵌套的页面上以浮层的方式浮出，通过监听父子IFrame窗口的相关事件、内容录入和页面元素的方式获取工单相关信息。

3.根据权利要求1所述的基于人工智能的插件式工单辅助决策方法，其特征在于，

在步骤S2中，所述的插件式助手后台通过以下方式从企业工单系统中获取工单信息：插件式助手后台向企业工单系统的数据层请求工单相关信息，并以接口的方式从企业工单系统接收反馈的请求结果。

4.根据权利要求1所述的基于人工智能的插件式工单辅助决策方法，其特征在于，

在步骤S3中，所述决策模块的实现步骤如下：

S31.工单问题的文本分类应用双向编码表征转换算法进行基于工单问题描述的文本分类；

S32.工单自动分配，基于工单处理人员的历史效率、满意度和当前饱和度中的一个或多个指标数据进行工单到人员自动分配；

S33.工单画像和优先级计算，通过工单优先级评分模型刻画各个工单的优先程度；

S34.工单信息自动查询展示，将支持推荐解决方案的证据或数据展示给工单处理人员；

S35.解决方案智能决策，通过解决方案推荐模型根据实时输入的工单信息提供对应工单的推荐解决方案；

在步骤S5中，方案信息自动回填，采用文本自动摘要技术结合标准方案报告模板的方式实现解决方案描述的自动生成，并在插件式助手前端实现页面表单回填。

5.根据权利要求4所述的基于人工智能的插件式工单辅助决策方法，其特征在于，

在步骤S32中，所述的工单自动分配模型基于工单处理人员的历史效率、满意度、当前饱和度等指标，根据Gale-Shapley算法而建立，系统按照工单处理人员的得分进行工单自动分配；

在步骤S33中，所述的工单优先级评分模型基于工单对应的创建时长、客户等级、客户情绪和问题紧急程度等数据，利用逻辑回归等白盒机器学习算法而构建；

在步骤S34中，所述的工单信息自动查询后展示的查询数据结果运用机器学习算法中的特征重要度数据来筛选，在智能推荐一个解决方案后，将该解决方案的证据或数据展示给工单处理人员。

6.根据权利要求4所述的基于人工智能的插件式工单辅助决策方法，其特征在于，

在步骤S35中，所述的解决方案推荐模型采用业务专家梳理特征+机器学习或深度学习的方式构建，且已经过插件式助手后台获取的企业工单系统数据层的现有数据进行了离线训练。

7.根据权利要求6所述的基于人工智能的插件式工单辅助决策方法，其特征在于，所述的解决方案推荐模型在线上运行时根据业务反馈实现模型实时或定期的更新、迭代和优化。

8.根据权利要求4所述的基于人工智能的插件式工单辅助决策方法，其特征在于，

在步骤S5中，所述的方案信息自动回填基于给定的工单详情的具体文本，生成描述该工单情况的简短摘要，并补充到解决方案信息中，最终生成的方案信息基于标准的方案报告模板，填入相应的解决方案信息，包括文本信息和结构化信息，并通过网页表单自动填充技术进行自动回填。

9.一种基于权利要求1-8任意一项所述的基于人工智能的插件式工单辅助决策方法的系统，包括企业工单系统数据层和企业工单系统业务层，其特征在于，所述企业工单系统数据层和企业工单系统业务层对接有插接式工单助手，所述插接式工单助手包括算法模块、决策模块、插件式助手前端和插件式助手后台，其中，插件式助手前端，嵌入至工单处理主页面以用于监听页面并获取页面数据，以及根据推荐结果回填页面表单；

插件式助手后台，用于以接口的方式从企业工单系统数据层获取工单详情，并将所述的工单详情与页面数据，一并发送到决策模块，以及向插件式助手前端返回推荐解决方案；

算法模块，用于训练决策模型。

10.根据权利要求9所述的基于人工智能的插件式工单辅助决策方法，其特征在于，所述的算法模块，通过组件化的方式实现特征预处理、模型创建、模型训练和模型部署，离线时从企业工单系统数据层获取离线数据进行模型的离线训练，在线时对离线训练好的模型不断进行迭代优化，并根据实时输入的工单信息在线预测工单解决方案，并返回模型输出结果；

与所述的算法模块相关的模块包括数据模块、校验模块和决策模块；

所述的数据模块，用于历史工单数据的获取、数据清洗、数据过滤和数据分析；

所述的校验模块，用于算法模块产生的模型上线后提供模型的正确性校验和模型离线效果的评估，同时根据业务反馈结果，进行结果打标，通过业务专家基于对反馈结果的分析，指导模型的优化，根据训练样本的调整进行实时或定期的迭代更新；

所述的决策模块：用于工单助手系统上线后负责监听数据和接口数据的接入、数据预处理、调用算法模块和部署好的模型，进行模型结果封装、输出推荐方案和问题分类等结果。