CN110472246A - 工单分类方法、装置及存储介质 - Google Patents
工单分类方法、装置及存储介质 Download PDFInfo
- Publication number
- CN110472246A CN110472246A CN201910757620.2A CN201910757620A CN110472246A CN 110472246 A CN110472246 A CN 110472246A CN 201910757620 A CN201910757620 A CN 201910757620A CN 110472246 A CN110472246 A CN 110472246A
- Authority
- CN
- China
- Prior art keywords
- work order
- term vector
- marked
- chat record
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 66
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000003780 insertion Methods 0.000 claims description 12
- 230000037431 insertion Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种工单分类方法、装置及介质,方法包括:获取待处理数据,所述待处理数据包括多条未标注的工单聊天记录;对多条未标注的工单聊天记录进行数据清洗处理、分词处理和词向量处理,以得到待处理词向量矩阵;采用已训练的工单分类模型对所述待处理词向量矩阵进行预测,以得到工单分类结果。本发明实施例可自动、快速、准确地对聊天记录进行分类,从而省去了人工标注的过程,进而提升了技术支持对工单分类的工作效率。
Description
技术领域
本发明涉及文本分类技术领域,具体涉及一种工单分类方法、装置和计算机可读存储介质。
背景技术
对于一个公司来说,每天都会有客户提出工单问题,通常由技术支持进行解决。在解决完问题之后,技术支持将会手动地给该工单标上一个类别。如果能够自动根据聊天记录将这些工单中出现的问题进行快速准确的分类,将大大提升技术支持的工作效率。
发明内容
本发明实施例的目的在于提供一种工单分类方法、装置和计算机可读存储介质,以快速准确地对聊天记录进行分类,从而提升技术支持对工单分类的工作效率。
为实现上述目的,第一方面,本发明实施例提供了一种工单分类方法,包括:
获取待处理数据,所述待处理数据包括多条未标注的工单聊天记录;
对多条未标注的工单聊天记录进行数据清洗处理、分词处理和词向量处理,以得到待处理词向量矩阵;
采用已训练的工单分类模型对所述待处理词向量矩阵进行预测,以得到工单分类结果。
作为本申请一种具体的实施方式,对多条未标注的工单聊天记录进行数据清洗处理、分词处理和词向量处理,以得到待处理词向量矩阵,具体包括:
对多条未标注的工单聊天记录进行数据清洗处理,以去掉多条未标注的工单聊天记录中的无用部分和停词,所述无用部分包括通用话术;
对经数据清洗处理后的对多条未标注的工单聊天记录进行分词处理,以得到待处理分词矩阵;
对所述待处理分词矩阵进行词向量嵌入,以得到所述待处理词向量矩阵。
作为本申请一种优选的实施方式,获取待处理数据之前,所述工单分类方法还包括:
获取样本数据,并根据所述样本数据得到所述工单分类模型。
作为本申请一种具体的实施方式,获取样本数据,并根据所述样本数据得到所述工单分类模型,具体包括:
获取样本数据,所述样本数据包括多条已标注的工单聊天记录;
对多条已标注的工单聊天记录进行数据清洗处理,以去掉多条已标注的工单聊天记录中的无用部分和停词,所述无用部分包括通用话术;
对经数据清洗处理后的对多条已标注的工单聊天记录进行分词处理,以得到样本分词矩阵;
对所述样本分词矩阵进行词向量嵌入,以得到样本词向量矩阵;
将所述样本词向量矩阵输入循环卷积神经网络进行训练,以得到所述工单分类模型。
第二方面,本发明实施例还提供了一种工单分类装置,包括:
获取模块,用于获取待处理数据,所述待处理数据包括多条未标注的工单聊天记录;
处理模块,用于对多条未标注的工单聊天记录进行数据清洗处理、分词处理和词向量处理,以得到待处理词向量矩阵;
预测模块,用于采用已训练的工单分类模型对所述待处理词向量矩阵进行预测,以得到工单分类结果。
作为本申请一种具体的实施方式,所述处理模块具体用于:
对多条未标注的工单聊天记录进行数据清洗处理,以去掉多条未标注的工单聊天记录中的无用部分和停词,所述无用部分包括通用话术;
对经数据清洗处理后的对多条未标注的工单聊天记录进行分词处理,以得到待处理分词矩阵;
对所述待处理分词矩阵进行词向量嵌入,以得到所述待处理词向量矩阵。
进一步地,作为本申请一种优选的实施方式,所述工单分类装置还包括训练模块,用于获取样本数据,并根据所述样本数据得到所述工单分类模型。
作为本申请一种具体的实施方式,所述训练模块具体用于:
获取样本数据,所述样本数据包括多条已标注的工单聊天记录;
对多条已标注的工单聊天记录进行数据清洗处理,以去掉多条已标注的工单聊天记录中的无用部分和停词,所述无用部分包括通用话术;
对经数据清洗处理后的对多条已标注的工单聊天记录进行分词处理,以得到样本分词矩阵;
对所述样本分词矩阵进行词向量嵌入,以得到样本词向量矩阵;
将所述样本词向量矩阵输入循环卷积神经网络进行训练,以得到所述工单分类模型。
第三方面,本发明实施例还提供了一种在线课堂的精彩图片筛选装置,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第一方面的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其内存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。
实施本发明实施例,获取待处理数据;对多条未标注的工单聊天记录进行数据清洗处理、分词处理和词向量处理,以得到待处理词向量矩阵;采用已训练的工单分类模型对待处理词向量矩阵进行预测,以得到工单分类结果;本发明实施例可自动、快速、准确地对聊天记录进行分类,从而省去了人工标注的过程,进而提升了技术支持对工单分类的工作效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1是本发明一实施例提供的工单分类方法的示意流程图;
图2是本发明另一实施例提供的工单分类方法的示意流程图;
图3是本发明一实施例提供的工单分类装置的结构示意图;
图4是本发明另一实施例提供的工单分类装置的结构示意图。
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做出创造性劳动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。
本发明实施例涉及一种运用自然语言处理和深度学习的工单分类方法,先使用已标记的工单聊天记录及其类别训练处一个分类模型,再用该分类模型对未做标注的工单聊天记录进行分类。
请参考图1,是本发明实施例提供的工单分类方法的流程图。执行该工单分类方法的硬件可以是计算机或其他具备数据处理能力的设备,该部分将在后续实施例中详述,在此不再赘述。如图1所示,该方法可以包括以下步骤:
S101,获取样本数据,并根据样本数据得到工单分类模型。
步骤S101具体包括:
(1)获取样本数据
具体地,采集多条已被技术支持人工标注的工单聊天记录作为样本数据。例如,提取19年5月之后技术支持与客户的对话文本,包含超过12万条的对话,将其最为数据集,按照7:1.5:1.5的比例随机地将数据集划分为训练集、验证集和测试集。每个对话文本都被技术支持人工标注上问题所属的类别,共有忘记密码、客户端版本过低等15类问题。
(2)对多条已标注的工单聊天记录进行数据清洗处理
样本数据中包含很多通用的话术,该部分对工单分类是没有帮助的,并且会影响后续分类模型的效率,因此,需要将该部分去除。另外,一些常见的停词,没有实际意义,因此也需要将其去除。
(3)对经数据清洗处理后的对多条已标注的工单聊天记录进行分词处理,以得到样本分词矩阵。
(4)对所述样本分词矩阵进行词向量嵌入,以得到样本词向量矩阵
在该步骤中,可以先针对所有的聊天信息,使用fasttext进行训练得到一个自己的词向量,再将对应的词转换为词向量,得到用于训练的样本词向量矩阵。
(5)将所述样本词向量矩阵输入循环卷积神经网络进行训练,以得到所述工单分类模型。
该步骤即为模型训练部分。循环神经网络(RNN)擅长处理时序结构,可以捕获到上下文的语义,但是会存在遗忘的问题,导致后出现的单词比先出现的更重要。卷积神经网络(CNN)是一种无偏模型,可以通过最大池化识别具有代表性的短语,但是卷积核的大小不容易确定,过小可能造成信息丢失,过大会造成巨大参数空间。为了解决上述问题,本实施例中采用循环卷积神经网络(RCNN)进行模型训练,以得到工单分类模型。RCNN对RNN和CNN做了结合,首先使用双向RNN捕捉上下文信息,再通过CNN来判断哪些具有关键特征。在验证结果超过三轮没有提升之后,训练将停止,验证结果最好的一次模型将被保存下来作为最终的分类模型。
S102,获取待处理数据。
其中,所述待处理数据包括多条未标注的工单聊天记录。
S103,对多条未标注的工单聊天记录进行数据清洗处理、分词处理和词向量处理,以得到待处理词向量矩阵。
步骤S103具体包括:
对多条未标注的工单聊天记录进行数据清洗处理,以去掉多条未标注的工单聊天记录中的无用部分和停词,所述无用部分包括通用话术;
对经数据清洗处理后的对多条未标注的工单聊天记录进行分词处理,以得到待处理分词矩阵;
对所述待处理分词矩阵进行词向量嵌入,以得到所述待处理词向量矩阵。
S104,采用已训练的工单分类模型对所述待处理词向量矩阵进行预测,以得到工单分类结果。
即,采用步骤S101中已训练好的工单分类模型对待处理词向量矩阵进行预测,可以得到每一个未标注的工单聊天记录被分到每个类别的概率,选择最有可能的类别作为结果。
再请参考图2,本发明实施例所提供的工单分类方法主要包括训练过程和分类过程两部分。上述的步骤S101具体描述的是训练过程,而步骤S102至S104具体描述的分类过程。
实施本发明实施例所提供的工单分类方法,先获取待处理数据,再对多条未标注的工单聊天记录进行数据清洗处理、分词处理和词向量处理,以得到待处理词向量矩阵,最后采用已训练的工单分类模型对待处理词向量矩阵进行预测,以得到工单分类结果;本发明实施例可自动、快速、准确地对聊天记录进行分类,从而省去了人工标注的过程,进而提升了技术支持对工单分类的工作效率。
基于相同的发明构思,本发明实施例提供了一种工单分类装置。如图3所示,该工单分类装置包括:
训练模块10,用于获取样本数据,并根据样本数据得到工单分类模型;
获取模块11,用于获取待处理数据,所述待处理数据包括多条未标注的工单聊天记录;
处理模块12,用于对多条未标注的工单聊天记录进行数据清洗处理、分词处理和词向量处理,以得到待处理词向量矩阵;
预测模块13,用于采用已训练的工单分类模型对所述待处理词向量矩阵进行预测,以得到工单分类结果。
在本实施例中,训练模块10具体用于:
获取样本数据,所述样本数据包括多条已标注的工单聊天记录;
对多条已标注的工单聊天记录进行数据清洗处理,以去掉多条已标注的工单聊天记录中的无用部分和停词,所述无用部分包括通用话术;
对经数据清洗处理后的对多条已标注的工单聊天记录进行分词处理,以得到样本分词矩阵;
对所述样本分词矩阵进行词向量嵌入,以得到样本词向量矩阵;
将所述样本词向量矩阵输入循环卷积神经网络进行训练,以得到所述工单分类模型。
在本实施例中,处理模块12具体用于:
对多条未标注的工单聊天记录进行数据清洗处理,以去掉多条未标注的工单聊天记录中的无用部分和停词,所述无用部分包括通用话术;
对经数据清洗处理后的对多条未标注的工单聊天记录进行分词处理,以得到待处理分词矩阵;
对所述待处理分词矩阵进行词向量嵌入,以得到所述待处理词向量矩阵。
进一步地,作为本申请另一种具体的实施方式,如图4所示,工单分类装置还可以包括:一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104,上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序,所述计算机程序包括程序指令,所述处理器101被配置用于调用所述程序指令执行上述方法实施例部分的方法,在此不再赘述。
应当理解,在本发明实施例中,所称处理器101可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备102可以包括键盘等,输出设备103可以包括显示器(LCD等)、扬声器等。
该存储器104可以包括只读存储器和随机存取存储器,并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如,存储器104还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的工单分类方法的实施例中所描述的实现方式,在此不再赘述。
需要说明的是,本发明实施例中工单分类装置的具体工作流程请参考前述方法实施例部分,在此不再赘述。
实施本发明实施例所提供的工单分类装置,可自动、快速、准确地对聊天记录进行分类,从而省去了人工标注的过程,进而提升了技术支持对工单分类的工作效率。
相应地,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现:上述工单分类方法。
所述计算机可读存储介质可以是前述任一实施例所述的系统的内部存储单元,例如系统的硬盘或内存。所述计算机可读存储介质也可以是所述系统的外部存储设备,例如所述系统上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述系统的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述系统所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种工单分类方法,其特征在于,包括:
获取待处理数据,所述待处理数据包括多条未标注的工单聊天记录;
对多条未标注的工单聊天记录进行数据清洗处理、分词处理和词向量处理,以得到待处理词向量矩阵;
采用已训练的工单分类模型对所述待处理词向量矩阵进行预测,以得到工单分类结果。
2.如权利要求1所述的工单分类方法,其特征在于,对多条未标注的工单聊天记录进行数据清洗处理、分词处理和词向量处理,以得到待处理词向量矩阵,具体包括:
对多条未标注的工单聊天记录进行数据清洗处理,以去掉多条未标注的工单聊天记录中的无用部分和停词,所述无用部分包括通用话术;
对经数据清洗处理后的对多条未标注的工单聊天记录进行分词处理,以得到待处理分词矩阵;
对所述待处理分词矩阵进行词向量嵌入,以得到所述待处理词向量矩阵。
3.如权利要求2所述的工单分类方法,其特征在于,获取待处理数据之前,所述工单分类方法还包括:
获取样本数据,并根据所述样本数据得到所述工单分类模型。
4.如权利要求3所述的工单分类方法,其特征在于,获取样本数据,并根据所述样本数据得到所述工单分类模型,具体包括:
获取样本数据,所述样本数据包括多条已标注的工单聊天记录;
对多条已标注的工单聊天记录进行数据清洗处理,以去掉多条已标注的工单聊天记录中的无用部分和停词,所述无用部分包括通用话术;
对经数据清洗处理后的对多条已标注的工单聊天记录进行分词处理,以得到样本分词矩阵;
对所述样本分词矩阵进行词向量嵌入,以得到样本词向量矩阵;
将所述样本词向量矩阵输入循环卷积神经网络进行训练,以得到所述工单分类模型。
5.一种工单分类装置,其特征在于,包括:
获取模块,用于获取待处理数据,所述待处理数据包括多条未标注的工单聊天记录;
处理模块,用于对多条未标注的工单聊天记录进行数据清洗处理、分词处理和词向量处理,以得到待处理词向量矩阵;
预测模块,用于采用已训练的工单分类模型对所述待处理词向量矩阵进行预测,以得到工单分类结果。
6.如权利要求5所述的工单分类装置,其特征在于,所述处理模块具体用于:
对多条未标注的工单聊天记录进行数据清洗处理,以去掉多条未标注的工单聊天记录中的无用部分和停词,所述无用部分包括通用话术;
对经数据清洗处理后的对多条未标注的工单聊天记录进行分词处理,以得到待处理分词矩阵;
对所述待处理分词矩阵进行词向量嵌入,以得到所述待处理词向量矩阵。
7.如权利要求6所述的工单分类装置,其特征在于,所述工单分类装置还包括训练模块,用于获取样本数据,并根据所述样本数据得到所述工单分类模型。
8.如权利要求7所述的工单分类装置,其特征在于,所述训练模块具体用于:
获取样本数据,所述样本数据包括多条已标注的工单聊天记录;
对多条已标注的工单聊天记录进行数据清洗处理,以去掉多条已标注的工单聊天记录中的无用部分和停词,所述无用部分包括通用话术;
对经数据清洗处理后的对多条已标注的工单聊天记录进行分词处理,以得到样本分词矩阵;
对所述样本分词矩阵进行词向量嵌入,以得到样本词向量矩阵;
将所述样本词向量矩阵输入循环卷积神经网络进行训练,以得到所述工单分类模型。
9.一种工单分类装置,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-4任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757620.2A CN110472246A (zh) | 2019-08-16 | 2019-08-16 | 工单分类方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910757620.2A CN110472246A (zh) | 2019-08-16 | 2019-08-16 | 工单分类方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472246A true CN110472246A (zh) | 2019-11-19 |
Family
ID=68511816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910757620.2A Pending CN110472246A (zh) | 2019-08-16 | 2019-08-16 | 工单分类方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472246A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950851A (zh) * | 2020-07-10 | 2020-11-17 | 北京思特奇信息技术股份有限公司 | 一种工单处理方法及装置 |
CN112287639A (zh) * | 2020-10-30 | 2021-01-29 | 上海中通吉网络技术有限公司 | 一种智能客服工单分类方法 |
CN112800215A (zh) * | 2021-01-29 | 2021-05-14 | 北京大米科技有限公司 | 一种文本处理方法、装置、可读存储介质和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492091A (zh) * | 2018-09-28 | 2019-03-19 | 科大国创软件股份有限公司 | 一种基于卷积神经网络的投诉工单智能分类方法 |
CN109615241A (zh) * | 2018-12-13 | 2019-04-12 | 大连海事大学 | 一种基于卷积和循环神经网络的软件Bug分派方法 |
CN109783632A (zh) * | 2019-02-15 | 2019-05-21 | 腾讯科技(深圳)有限公司 | 客服信息推送方法、装置、计算机设备及存储介质 |
-
2019
- 2019-08-16 CN CN201910757620.2A patent/CN110472246A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492091A (zh) * | 2018-09-28 | 2019-03-19 | 科大国创软件股份有限公司 | 一种基于卷积神经网络的投诉工单智能分类方法 |
CN109615241A (zh) * | 2018-12-13 | 2019-04-12 | 大连海事大学 | 一种基于卷积和循环神经网络的软件Bug分派方法 |
CN109783632A (zh) * | 2019-02-15 | 2019-05-21 | 腾讯科技(深圳)有限公司 | 客服信息推送方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
刘腾飞 等: "基于循环和卷积神经网络的文本分类研究", 《软件》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950851A (zh) * | 2020-07-10 | 2020-11-17 | 北京思特奇信息技术股份有限公司 | 一种工单处理方法及装置 |
CN112287639A (zh) * | 2020-10-30 | 2021-01-29 | 上海中通吉网络技术有限公司 | 一种智能客服工单分类方法 |
CN112800215A (zh) * | 2021-01-29 | 2021-05-14 | 北京大米科技有限公司 | 一种文本处理方法、装置、可读存储介质和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918560A (zh) | 一种基于搜索引擎的问答方法和装置 | |
CN110472246A (zh) | 工单分类方法、装置及存储介质 | |
CN109684476B (zh) | 一种文本分类方法、文本分类装置及终端设备 | |
CN111523324B (zh) | 命名实体识别模型的训练方法及装置 | |
CN108174289A (zh) | 一种影像资料处理方法、装置、介质和电子设备 | |
CN110717009A (zh) | 一种法律咨询报告的生成方法及设备 | |
CN109739985A (zh) | 文本自动分类方法、设备及存储介质 | |
CN111339277A (zh) | 基于机器学习的问答交互方法及装置 | |
CN107908796A (zh) | 电子政务查重方法、装置以及计算机可读存储介质 | |
JP2020102211A (ja) | システム復旧のための自動化された機械学習に基づくチケット解決 | |
TWI752486B (zh) | 訓練方法、特徵提取方法、裝置及電子設備 | |
CN111931809A (zh) | 数据的处理方法、装置、存储介质及电子设备 | |
CN113722438A (zh) | 基于句向量模型的句向量生成方法、装置及计算机设备 | |
CN112529477A (zh) | 信用评估变量筛选方法、装置、计算机设备及存储介质 | |
CN109359198A (zh) | 一种文本分类方法及装置 | |
CN114048816B (zh) | 一种图神经网络数据采样方法、装置、设备及存储介质 | |
CN112995414B (zh) | 基于语音通话的行为质检方法、装置、设备及存储介质 | |
CN111177421A (zh) | 一种面向数字人文的电子邮件历史事件轴生成方法及装置 | |
CN113628043A (zh) | 基于数据分类的投诉有效性判断方法、装置、设备及介质 | |
CN110532448B (zh) | 基于神经网络的文档分类方法、装置、设备及存储介质 | |
CN110363245A (zh) | 在线课堂的精彩图片筛选方法、装置及系统 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
CN113435308B (zh) | 文本多标签分类方法、装置、设备及存储介质 | |
CN112328812B (zh) | 基于自调参数的领域知识抽取方法与系统、电子设备 | |
CN112307209B (zh) | 一种基于字符向量的短文本分类方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191119 |
|
RJ01 | Rejection of invention patent application after publication |