CN110414819B - 一种工单评分方法 - Google Patents
一种工单评分方法 Download PDFInfo
- Publication number
- CN110414819B CN110414819B CN201910656766.8A CN201910656766A CN110414819B CN 110414819 B CN110414819 B CN 110414819B CN 201910656766 A CN201910656766 A CN 201910656766A CN 110414819 B CN110414819 B CN 110414819B
- Authority
- CN
- China
- Prior art keywords
- work order
- score
- preset
- employee
- scoring method
- 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.)
- Active
Links
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种工单评分方法,属于人工智能技术领域,包括:学习模型的训练过程,步骤A1每个所述预设语句设置标签值;步骤A2将所述预设语句进行分词处理;步骤A3对第一词语分别进行向量化处理;步骤A4生成一学习模型;对工单反馈数据进行评分的过程,步骤B1对工单反馈语句分词处理;步骤B2对每个所述第二词语进行向量化处理;步骤B3将第二处理结果输入学习模型,得到标签值;步骤B4根据标签值生成第一分值;上述技术方案的有益效果是:有效克服了传统编程中准确率低下和识别率低下的问题,解决了传统编程方法难以有效理解由人工输入的多变的语句意思的问题,使得准确率大大提升,保证了考核中对工单服务质量评分的客观性和有效性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种工单评分方法。
背景技术
随着机器学习和大数据分析等新颖的技术手段的不断发展,人工智能正在快速的融入社会和人类的生活当中,通过人工智能技术提高现有的工作绩效考核的效率也成为了现实。现有技术中,针对电子工单派工加用户反馈式的工作模式,对电子工单的维护人员进行服务质量和服务数量的评分过程,多是先通过企业内部专业的核心岗位人员对已服务工单的反馈数据进行调取,再根据每张工单中用户的反馈数据对服务该张工单的维护人员进行主观的打分,最后再统计每位员工的反馈数据中的反馈数量来确定员工的工作量,这种人工的工单处理质量和处理数量的评判不仅耗费大量时间和精力,还极大地增加了核心岗位的人员的工作量,同时具有评判效率低下,主观评判标准不一的缺陷,因此,利用程序对工单中反馈的每句话进行智能分析,便成了一个新的探索途径。
然而在传统的编程方法中,往往是通过判断句子中有没有出现关键词来判断工单中反馈语句的大概意思,由于关键词是在编制程序时事先预设的,因此经常会出现表达反馈语句的关键信息的词语未出现在关键词中而导致该语句的语义无法被程序准确的理解和有效的识别,传统编程方法难以有效理解由人工输入的多变的语句意思,从而导致程序对工单处理质量的打分错误率高,丧失了绩效考核评价的客观性。
发明内容
根据现有技术中存在的上述问题,现提供一种工单评分方法,该方法引入了机器学习和人工智能技术,即首先通过先期输入学习集的方式,让程序根据预设算法自动生成一个对应的学习模型,然后运用该学习模型对后续输入的反馈数据中的反馈语句进行语义识别,并根据识别结果进行智能打分,从而有效克服了传统编程中通过预设关键词来检索语句语义造成的准确率低下和识别率低下的问题,解决了传统编程方法难以有效理解由人工输入的多变的语句意思的问题,使得利用程序对工单中的反馈语句进行分析的准确率大大提升,有效的保证了绩效考核中,对工单服务质量评分的客观性和有效性。
上述技术方案具体包括:
一种工单评分方法,用于对员工的工单反馈数据进行智能化评分,其中,所述工单反馈数据包括工单反馈语句,所述工单评分方法包括一学习模型的训练过程,具体包括:
步骤A1,预先设置一包含预设语句的学习集合,并对每个所述预设语句设置标签值;
步骤A2,将所述预设语句进行分词处理,得到所述预设语句中包括的多个第一词语;
步骤A3,对每个所述第一词语分别进行向量化处理,生成对应的第一处理结果;
步骤A4,将每个所述第一处理结果和所述第一处理结果对应的第一词语所在的预设语句的标签值作为输入值,输入按照预设算法建立的模型中进行机器学习,生成一学习模型;
所述工单评分方法还包括一对所述工单反馈数据进行评分的过程,具体包括:
步骤B1,对所述工单反馈语句进行分词处理,得到所述工单反馈语句中包括的多个第二词语;
步骤B2,对每个所述第二词语进行向量化处理,生成对应的第二处理结果;
步骤B3,将每个所述第二处理结果输入所述学习模型,得到所述工单反馈语句对应的所述标签值;
步骤B4,根据所述标签值生成所述工单反馈语句对应的第一分值,随后根据所述第一分值处理得到每位员工的最终分值并输出。
优选地,其中,每个所述工单反馈语句对应一用于区别不同工单的工单标识,所述步骤B4中,根据所述第一分值处理得到每位员工的所述评分的过程具体包括:
步骤B41,根据所述工单标识得到所述工单反馈数据中的工单数量;
步骤B42,根据所述工单数量生成第二分值;
步骤B43,根据所有员工的所述第一分值,生成每个员工对应的第一归一化分值;
根据所有员工的所述第二分值,生成每个员工对应的第二归一化分值;
步骤B44,对所述第一归化分值和所述第二归划分值进行加权求和,得到所述员工的所述最终分值并输出。
优选地,其中,所述步骤B43中,按照最大最小归一化算法生成每个员工对应的所述第一归一化分值。
优选地,其中,所述步骤B43中,按照最大最小归一化算法生成每个员工对应的所述第二归一化分值。
优选地,其中,所述步骤S8还包括:根据所述最终分值对所述员工进行排名,并将排名结果输出。
优选地,其中,所述预设算法为朴素贝叶斯算法、随机森林算法和深度学习算法中的任意一项。
优选地,其中,所述第一处理结果为数学矩阵。
优选地,其中,所述第二处理结果为数学矩阵。
优选地,其中,所述步骤A1还包括:对所述预设语句进行预处理,去掉修饰词语和无实际意义的词语。
上述技术方案的有益效果在于:提供一种工单评分方法,该方法引入了机器学习和人工智能技术,即首先通过先期输入学习集的方式,让程序根据预设算法自动生成一个对应的学习模型,然后运用该学习模型对后续输入的反馈数据中的反馈语句进行语义识别,并根据识别结果进行智能打分,从而有效克服了传统编程中通过预设关键词来检索语句语义造成的准确率低下和识别率低下的问题,解决了传统编程方法难以有效理解由人工输入的多变的语句意思的问题,使得利用程序对工单中的反馈语句进行分析的准确率大大提升,有效的保证了绩效考核中,对工单服务质量评分的客观性和有效性。
附图说明
图1是本发明的较佳实施例中,一种工单评分方法中学习模型训练的流程示意图;
图2是本发明的较佳实施例中,一种工单评分方法中工单反馈数据评分的流程示意图;
图3是本发明的较佳实施例中,于图2的基础上,工单评分方法的分步骤流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
一种工单评分方法,用于对员工的工单反馈数据进行智能化评分,其中,工单反馈数据包括工单反馈语句,所述工单评分方法包括一学习模型的训练过程,如图1所示,具体包括:
步骤A1,预先设置一包含预设语句的学习集合,并对每个所述预设语句设置标签值;
步骤A2,将所述预设语句进行分词处理,得到所述预设语句中包括的多个第一词语;
步骤A3,对每个所述第一词语分别进行向量化处理,生成对应的第一处理结果;
步骤A4,将每个所述第一处理结果和所述第一处理结果对应的第一词语所在的预设语句的标签值作为输入值,输入按照预设算法建立的模型中进行机器学习,生成一学习模型;
所述工单评分方法还包括一对所述工单反馈数据进行评分的过程,如图2所示具体包括:
步骤B1,对所述工单反馈语句进行分词处理,得到所述工单反馈语句中包括的多个第二词语;
步骤B2,对每个所述第二词语进行向量化处理,生成对应的第二处理结果;
步骤B3,将每个所述第二处理结果输入所述学习模型,得到所述工单反馈语句对应的所述标签值;
步骤B4,根据所述标签值生成所述工单反馈语句对应的第一分值,随后根据所述第一分值处理得到每位员工的最终分值并输出。
在本发明的一个具体实施例中,所述员工工单的反馈数据是指对员工名下一预定时间周期内,该员工处理的所有工单的被服务用户的反馈语句的集合,当该预定时间周期限定为一个月,那么生成的工单评分就是月工单服务质量评分,当该预定时间周期限定为一年时,则生成的工单评分就为年工单服务质量评分,员工名下的反馈数据的采集时间周期的长短可以根据需要进行人工设定。
在本发明的另一个具体实施例中,所述学习集合作为机器学习的对象预先设置于程序中,并通过对学习集合中的预设语句人工打上标签值的行为,确定机器学习的方向,所述标签值就表示了员工名下的工单中被服务用户的反馈质量,也就是被服务用户反馈的好评度,从而来反映出员工在进行工单维护的过程,提供服务的质量的高低。
在本发明的较佳实施例中,每个所述工单反馈语句对应一用于区别不同工单的工单标识,如图3所示,所述步骤B4中,根据所述第一分值处理得到每位员工的所述评分的过程具体包括:
步骤B41,根据所述工单标识得到所述工单反馈数据中的工单数量;
步骤B42,根据所述工单数量生成第二分值;
步骤B43,根据所有员工的所述第一分值,生成每个员工对应的第一归一化分值;
根据所有员工的所述第二分值,生成每个员工对应的第二归一化分值;
步骤B44,对所述第一归化分值和所述第二归划分值进行加权求和,得到所述员工的所述最终分值并输出。
在本发明的一个具体实施例中,统计工单反馈数据中的工单数量时,采用了大数据算法中的数据统计算法,这里我们利用了python数学编程包中的pandas工具,从而由程序根据算法自动统计得到该员工名下的反馈数据中的工单数量,当该反馈数据采集时间周期以月为单位时,则该工单数量就表示员工的月工单完成量,当该反馈数据采集时间周期以年为单位时,则该工单数量就表示员工的年工单完成量。通过对员工名下的反馈数据中的反馈质量得分和完成的工单数量得分,并为两者配置一个合理的百分比,最终得到员工的加权分数。
在本发明的较佳实施例中,所述步骤B43中,按照最大最小归一化算法生成每个员工对应的所述第一归一化分值。
在本发明的较佳实施例中,所述步骤B43中,按照最大最小归一化算法生成每个员工对应的所述第二归一化分值。
在本发明的较佳实施例中,所述步骤S8还包括:根据所述最终分值对所述员工进行排名,并将排名结果输出。
在本发明的一个具体实施例中,通过上述评分方法计算出所有员工在一定时间周期内的工单处理质量评分和工单处理数量评分后,通过最大最小归一化算法分别对工单处理质量和工单处理数量进行处理,使得所有员工的工单处理质量归一化分值和工单处理数量归一化分值都落在0到1的区间内,然后通过对处理质量和处理数量配置合理的百分比,进行加权求和,最终得出每位员工的绩效考核得分和员工间的排名结果。
在本发明的较佳实施例中,所述预设算法为朴素贝叶斯算法、随机森林算法和深度学习算法中的任意一项。
在本发明的一个具体实施例中,程序可以事先根据上述三个不同的算法训练出不同的学习模型,最后由用户来选择使用那个一算法训练出来的学习模型对员工进行工单服务质量评分。
在本发明的较佳实施例中,所述第一处理结果为数学矩阵。
在本发明的较佳实施例中,所述第二处理结果为数学矩阵。
在本发明的较佳实施例中,所述步骤A1还包括:对所述预设语句进行预处理,去掉修饰词语和无实际意义的词语。
在本发明的一个具体实施例中,对预设语句进行预处理的操作可以与对预设语句设置标签值的操作同时进行,也可以放在设置标签之前或之后进行,二者没有先后顺序。
上述技术方案的有益效果在于:提供一种智能打分方法,该方法引入了机器学习和人工智能技术,即首先通过先期输入学习集的方式,让程序根据预设算法自动生成一个对应的学习模型,然后运用该学习模型对后续输入的反馈数据中的反馈语句进行语义识别,并根据识别结果进行智能打分,从而有效克服了传统编程中通过预设关键词来检索语句语义造成的准确率低下和识别率低下的问题,解决了传统编程方法难以有效理解由人工输入的多变的语句意思的问题,使得利用程序对工单中的反馈语句进行分析的准确率大大提升,有效的保证了绩效考核中,对工单服务质量评分的客观性和有效性。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (7)
1.一种工单评分方法,用于对员工的工单反馈数据进行智能化评分,其特征在于,所述工单反馈数据包括工单反馈语句,所述工单评分方法包括一学习模型的训练过程,具体包括:
步骤A1,预先设置一包含预设语句的学习集合,并对每个所述预设语句设置标签值;
步骤A2,将所述预设语句进行分词处理,得到所述预设语句中包括的多个第一词语;
步骤A3,对每个所述第一词语分别进行向量化处理,生成对应的第一处理结果;
步骤A4,将每个所述第一处理结果和所述第一处理结果对应的第一词语所在的预设语句的标签值作为输入值,输入按照预设算法建立的模型中进行机器学习,生成一学习模型;
所述工单评分方法还包括一对所述工单反馈数据进行评分的过程,具体包括:
步骤B1,对所述工单反馈语句进行分词处理,得到所述工单反馈语句中包括的多个第二词语;
步骤B2,对每个所述第二词语进行向量化处理,生成对应的第二处理结果;
步骤B3,将每个所述第二处理结果输入所述学习模型,得到所述工单反馈语句对应的所述标签值;
步骤B4,根据所述工单反馈语句对应的所述标签值生成所述工单反馈语句对应的第一分值,随后根据所述第一分值处理得到每位员工的最终分值并输出;
所述预设算法为朴素贝叶斯算法、随机森林算法和深度学习算法中的任意一项;
每个所述工单反馈语句对应一用于区别不同工单的工单标识,所述步骤B4中,根据所述第一分值处理得到每位员工的所述评分的过程具体包括:
步骤B41,根据所述工单标识得到所述工单反馈数据中的工单数量;
步骤B42,根据所述工单数量生成第二分值;
步骤B43,根据所有员工的所述第一分值,生成每个员工对应的第一归一化分值;
根据所有员工的所述第二分值,生成每个员工对应的第二归一化分值;
步骤B44,对所述第一归一化分值和所述第二归一化分值进行加权求和,得到所述员工的所述最终分值并输出。
2.根据权利要求1所述的工单评分方法,其特征在于,所述步骤B43中,按照最大最小归一化算法生成每个员工对应的所述第一归一化分值。
3.根据权利要求1所述的工单评分方法,其特征在于,所述步骤B43中,按照最大最小归一化算法生成每个员工对应的所述第二归一化分值。
4.根据权利要求1所述的工单评分方法,其特征在于,所述步骤B44还包括:根据所述最终分值对所述员工进行排名,并将排名结果输出。
5.根据权利要求1所述的工单评分方法,其特征在于,所述第一处理结果为数学矩阵。
6.根据权利要求1所述的工单评分方法,其特征在于,所述第二处理结果为数学矩阵。
7.根据权利要求1所述的工单评分方法,其特征在于,所述步骤A1还包括:对所述预设语句进行预处理,去掉修饰词语和无实际意义的词语。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910656766.8A CN110414819B (zh) | 2019-07-19 | 2019-07-19 | 一种工单评分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910656766.8A CN110414819B (zh) | 2019-07-19 | 2019-07-19 | 一种工单评分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414819A CN110414819A (zh) | 2019-11-05 |
CN110414819B true CN110414819B (zh) | 2023-05-26 |
Family
ID=68362044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910656766.8A Active CN110414819B (zh) | 2019-07-19 | 2019-07-19 | 一种工单评分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414819B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112800765A (zh) * | 2021-01-22 | 2021-05-14 | 南京亚派软件技术有限公司 | 一种工单的自动生成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529804A (zh) * | 2016-11-09 | 2017-03-22 | 国网江苏省电力公司南京供电公司 | 基于文本挖掘技术的客户投诉预警监测分析方法 |
CN107861942A (zh) * | 2017-10-11 | 2018-03-30 | 国网浙江省电力公司电力科学研究院 | 一种基于深度学习的电力疑似投诉工单识别方法 |
CN108664473A (zh) * | 2018-05-11 | 2018-10-16 | 平安科技(深圳)有限公司 | 文本关键信息的识别方法、电子装置及可读存储介质 |
CN109165763A (zh) * | 2018-06-13 | 2019-01-08 | 广西电网有限责任公司电力科学研究院 | 一种95598客服工单的潜在被投诉的评估方法及装置 |
CN109670168A (zh) * | 2018-11-14 | 2019-04-23 | 华南师范大学 | 基于特征学习的短答案自动评分方法、系统及存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7219059B2 (en) * | 2002-07-03 | 2007-05-15 | Lucent Technologies Inc. | Automatic pronunciation scoring for language learning |
CN105469282A (zh) * | 2015-12-01 | 2016-04-06 | 成都知数科技有限公司 | 基于文本评论的线上品牌评估方法 |
CN106776581B (zh) * | 2017-02-21 | 2020-01-24 | 浙江工商大学 | 基于深度学习的主观性文本情感分析方法 |
CN107633007B (zh) * | 2017-08-09 | 2021-09-28 | 五邑大学 | 一种基于层次化ap聚类的商品评论数据标签化系统和方法 |
CN107704558A (zh) * | 2017-09-28 | 2018-02-16 | 北京车慧互动广告有限公司 | 一种用户意见抽取方法及系统 |
CN107657056B (zh) * | 2017-10-18 | 2022-02-18 | 北京百度网讯科技有限公司 | 基于人工智能展示评论信息的方法和装置 |
CN108363687A (zh) * | 2018-01-16 | 2018-08-03 | 深圳市脑洞科技有限公司 | 主观题评分及其模型的构建方法、电子设备及存储介质 |
CN109829155B (zh) * | 2019-01-18 | 2024-03-22 | 平安科技(深圳)有限公司 | 关键词的确定方法、自动评分方法、装置、设备及介质 |
-
2019
- 2019-07-19 CN CN201910656766.8A patent/CN110414819B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529804A (zh) * | 2016-11-09 | 2017-03-22 | 国网江苏省电力公司南京供电公司 | 基于文本挖掘技术的客户投诉预警监测分析方法 |
CN107861942A (zh) * | 2017-10-11 | 2018-03-30 | 国网浙江省电力公司电力科学研究院 | 一种基于深度学习的电力疑似投诉工单识别方法 |
CN108664473A (zh) * | 2018-05-11 | 2018-10-16 | 平安科技(深圳)有限公司 | 文本关键信息的识别方法、电子装置及可读存储介质 |
CN109165763A (zh) * | 2018-06-13 | 2019-01-08 | 广西电网有限责任公司电力科学研究院 | 一种95598客服工单的潜在被投诉的评估方法及装置 |
CN109670168A (zh) * | 2018-11-14 | 2019-04-23 | 华南师范大学 | 基于特征学习的短答案自动评分方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110414819A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110765257B (zh) | 一种知识图谱驱动型的法律智能咨询系统 | |
CN107239529B (zh) | 一种基于深度学习的舆情热点类别划分方法 | |
CN109635108B (zh) | 一种基于人机交互的远程监督实体关系抽取方法 | |
WO2022110637A1 (zh) | 问答对话评测方法、装置、设备及存储介质 | |
CN112163424A (zh) | 数据的标注方法、装置、设备和介质 | |
CN103207855A (zh) | 针对产品评论信息的细粒度情感分析系统及方法 | |
CN110287482B (zh) | 半自动化分词语料标注训练装置 | |
CN112307153B (zh) | 一种产业知识库自动构建方法、装置及存储介质 | |
CN110415071B (zh) | 一种基于观点挖掘分析的汽车竞品对比方法 | |
CN111090735B (zh) | 一种基于知识图谱的智能问答方法的性能评价方法 | |
CN107844558A (zh) | 一种分类信息的确定方法以及相关装置 | |
CN112163553B (zh) | 物料价格核算方法、装置、存储介质和计算机设备 | |
CN109214642B (zh) | 一种建筑施工工序约束的自动抽取和分类方法及系统 | |
CN113204967B (zh) | 简历命名实体识别方法及系统 | |
CN113360582B (zh) | 基于bert模型融合多元实体信息的关系分类方法及系统 | |
CN110110095A (zh) | 一种基于长短期记忆循环神经网络的电力指令文本匹配方法 | |
CN110910175A (zh) | 一种旅游门票产品画像生成方法 | |
CN111415131A (zh) | 一种基于自然语言处理技术的大数据人才简历分析方法 | |
CN116304020A (zh) | 一种基于义原分析和跨度特征的工业文本实体抽取方法 | |
CN115687634A (zh) | 一种结合先验知识的金融实体关系抽取系统及方法 | |
CN109359288B (zh) | 一种对于法务领域文书量化评估的方法 | |
CN113360647B (zh) | 一种基于聚类的5g移动业务投诉溯源分析方法 | |
CN110414819B (zh) | 一种工单评分方法 | |
CN113570380A (zh) | 基于语义分析的业务投诉处理方法、装置、设备及计算机可读存储介质 | |
CN107886233B (zh) | 客服的服务质量评价方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |