CN111181786A - 用户反馈故障信息处理方法、设备、服务器和存储介质 - Google Patents

Abstract

本申请提供一种用户反馈故障信息处理方法、设备、服务器和存储介质，属于网络维护技术领域，用以解决的现有技术中难以发现服务质量异常点的技术问题。该方法包括：获取用于记录用户反馈的故障信息的电子工单；采集与各个电子工单分别对应的流程轨迹数据和业务轨迹数据；根据全流程数据，通过预设的稽核规则模型对电子工单进行稽核校正，输出反馈目标信息，全流程数据包括流程轨迹数据和业务轨迹数据；针对反馈目标信息进行聚类分析，获得服务质量存在异常的异常点信息。本申请通过稽核规则模型提高了故障信息表达的准确度，相比于人工少量抽检的方式，本申请质检覆盖率更高，能够更准确地查找到服务质量存在问题的异常点。

Description

用户反馈故障信息处理方法、设备、服务器和存储介质

技术领域

本申请涉及网络维护技术领域，尤其涉及一种用户反馈故障信息处理方法、设备、服务器和存储介质。

背景技术

目前，家庭宽带、移动通信网络的运营还无法实现完全消除网络故障，作为小概率事件，由于硬件设备损坏、软件漏洞以及病毒侵入等因素，引起网络无法提供正常服务或降低服务质量的状况偶有发生，例如家庭宽带无法正常使用、短信无法正常发送、通话质量较差等。在网络故障发生后，用户一般会采取打电话等方式向网络运行商报修或者反馈。网络运营商设置相应的客服系统，一种情况下，针对用户所描述的问题，人工客服会依据以往经验或者被培训的网络知识，即时向用户提出解决问题的建议，有些故障可以在客服指导下即时消除，有些故障则可能是由于线路施工导致的中断，一般无法当下消除。若客服系统服务水平有限、网络故障频繁发生将直接降低用户使用体验，对于用户反馈的故障信息以及客服系统的服务水平应加以管控和质检。

现有技术中，对于用户反馈或者故障报修的质检，主要包括事中质检和事后质检两种方式。事中质检由各部门依据区域化的质检标准、结合自身质检经验进行人工质检，这种质检方式，由于人工质检标准各异、质检能力参差不齐，不能准确地发现问题所在，质检效果不佳；事后质检由监控管理部门统一负责，采用小样本抽检的方式，例如通过抽检百分之一左右的样本进行人工质检，覆盖不足，更是难以准确发现服务质量异常点所在。

发明内容

本申请实施例提供了一种用户反馈故障信息处理方法、设备、服务器和存储介质，用以解决现有技术中的人工少量抽检的质检方式难以准确发现服务质量异常点所在的技术问题。

第一方面，本申请提供一种用户反馈故障信息处理方法，包括：

获取用于记录用户反馈的故障信息的电子工单；

采集与各个所述电子工单分别对应的流程轨迹数据和业务轨迹数据；其中，所述流程轨迹数据包括针对用户反馈故障信息执行的处理流程中所包括的各个处理节点信息，所述业务轨迹数据包括所述各个处理节点分别对应的终端设备运行状态信息；

根据全流程数据，通过预设的稽核规则模型对所述电子工单进行稽核校正，输出反馈目标信息，所述全流程数据包括流程轨迹数据和所述业务轨迹数据；

针对所述反馈目标信息进行聚类分析，获得服务质量存在异常的异常点信息。

可选的，所述用户反馈的故障信息，包括语音信息；

获取用于记录用户反馈的故障信息的电子工单之前，进一步包括：

根据用户反馈时产生的语音信息，生成相应的电子工单，所述电子工单中至少记录用户反馈时间、用户指出的故障发生地点、故障的业务类型和运营方即时给出的应对建议。

可选的，通过预设的稽核规则模型对所述电子工单进行稽核校正之前，进一步包括：

将所述语音信息转换为文本反馈信息，通过机器学习从所述文本反馈信息中提取出反馈关键信息；

根据全流程数据，通过预设的稽核规则模型对所述电子工单进行稽核校正，具体包括：

根据提取出的所述反馈关键信息、所述流程轨迹数据和所述业务轨迹数据，通过预设的稽核规则模型对所述电子工单进行稽核校正。

可选的，通过机器学习从所述文本反馈信息中提取出反馈关键信息，具体包括：

采用关键词提取textrank算法，从所述文本反馈信息中提取出反馈关键信息。

第二方面，本申请提供一种终端用户反馈的故障信息处理设备，包括：

采集单元，用于获取用于记录用户反馈的故障信息的电子工单，以及采集所述电子工单对应的流程轨迹数据和业务轨迹数据；其中，所述流程轨迹数据包括针对用户反馈的故障信息执行的处理流程所包括的各个处理节点信息，所述业务轨迹数据包括所述各个处理节点分别对应的终端设备运行状态信息；

稽核单元，用于根据全流程数据，通过预设的稽核规则模型对所述电子工单进行稽核校正，输出反馈目标信息，所述全流程数据包括流程轨迹数据和所述业务轨迹数据；

聚类单元，用于针对所述反馈目标信息进行聚类分析，获得服务质量存在异常的异常点信息。

可选的，所述用户反馈的故障信息，包括语音信息；

获取用于记录用户反馈的故障信息的电子工单之前，所述采集单元进一步用于：

根据用户反馈时产生的语音信息，生成相应的电子工单，所述电子工单中至少记录用户反馈时间、用户反馈时指出的故障发生地点、故障的业务类型和服务方即时给出的应对建议。

可选的，所述设备进一步包括转换单元，通过预设的稽核规则模型对所述电子工单进行稽核校正之前，所述转换单元，用于：

将所述语音信息转换为文本反馈信息，通过机器学习从所述文本反馈信息中提取出反馈关键信息；

根据全流程数据，通过预设的稽核规则模型对所述电子工单进行稽核校正时，所述稽核单元，具体用于：

根据提取出的所述反馈关键信息、所述流程轨迹数据和所述业务轨迹数据，通过预设的稽核规则模型对所述电子工单进行稽核校正。

可选的，通过机器学习从所述文本反馈信息中提取出反馈关键信息时，所述转换单元，具体用于：

采用关键词提取textrank算法，从所述文本反馈信息中提取出反馈关键信息。

第三方面，本申请还提供一种服务器，包括存储器和处理器，其中：

所述存储器存储有可执行指令；

所述处理器，用于读取并执行存储器中存储的可执行指令，以实现上述任一项所述的方法。

第四方面，本申请还提供一种存储介质，当存储介质中的指令由处理器执行时，使得能够执行上述任一项所述的方法。

在本申请实施例中，首先采集与用户反馈故障相关的各种数据，包括获取用于记录用户反馈的故障信息的电子工单，以及相应的流程轨迹数据和业务轨迹数据，其中电子工单的采集比例可以是被质检地区范围内用于记录用户反馈的故障信息的全部或者大部分(采集比例超过50％)，结合与电子工单相对应的流程轨迹数据和业务轨迹数据，通过稽核规则模型对电子工单进行稽核校正，也就是对电子工单中所记录的用户反馈内容进行校正，可以避免电子工单本身录入错误而影响质检结果，并基于稽核规模模型，输出反馈目标信息，针对所述反馈目标信息进一步通过聚类分析得到异常点，这样，本申请通过稽核规则模型提高了故障信息表达的准确度，基于用户反馈相应故障后产生的大数据，进行自动稽核和聚类，得出服务质量异常点，相比于人工少量抽检的方式，本申请质检覆盖率更高，质检范围更全面，能够从宏观角度准确地筛选出服务质量存在问题的异常点。

附图说明

图1为本申请实施例中用户反馈故障信息处理方法的流程示意图；

图2为本申请实施例中聚类分析的参考指标的一个示例性示意图

图3a-图3c分别为本申请实施例中家庭宽带处理及时率、重复投诉率和回访满意度的波形示意图；

图4为本申请实施例中服务器的简要结构示意图。

具体实施方式

下面将结合附图详细描述本申请实施例的技术方案。

本申请实施例提供了一种用户反馈故障信息处理方法、设备、服务器和存储介质。

参阅图1所示，本申请提供一种用户反馈故障信息处理方法，包括以下流程：

S101：获取用于记录用户反馈的故障信息的电子工单。

在本申请实施例中，首先需要采集与用户反馈故障信息相关的各种数据，至少采集电子工单、流程轨迹数据和业务轨迹数据。

具体地，一个用户反馈对应一张电子工单，电子工单的获得可以采用以下两种方式：

方式一

作为一种可实施方式，可以通过预设的服务接口、数据库接口与运营商后台管理系统对接，来实现电子工单的获取。例如，对接运营商的客服系统、投诉工单流转系统等运营商后台管理系统，从中直接获取电子工单。

在接收到用户投诉或者报修等形式的故障反馈后，运营商的客服系统中会相应生成一个电子工单，电子工单上显示工单号、工单受理时间(即用户故障反馈被受理的时间)和当前进行故障反馈的用户的身份信息等，再由人工客服根据用户描述的故障现象具体录入相应的故障内容，故障内容一般要求写明用户指出的故障发生地点、故障的业务类型和运营方即时给出的应对建议，之后可生成相应的电子工单。通过运营商分配了访问权限的数据接口可获取相应的电子工单。

方式二

根据用户反馈时产生的语音信息，生成相应的电子工单。所述电子工单中至少记录用户反馈时间、用户指出的故障发生地点、故障的业务类型和运营方即时给出的应对建议。

在故障发生后，用户可能选择与运营商客服系统沟通的方式有电话、短信、网页以及第三方即时通讯社交平台(例如微信)等，按照用户输出的故障内容的表达形式，可以分为语音表达和文本表达，其中，多数客户会选择采用直接拨打客服电话或者语音即时通讯等形式进行投诉或者故障报修，运营商的客服系统等后台管理系统一般会将用户的语音录音并存储。

在本申请实施例中，作为一种可实施方式，从运营商的客服系统等后台管理系统获取语音数据，语音数据中一般会记录语音发生的时间，将该时间作为用户反馈时间；并将获取到的语音数据转换为文本，将转译后的文本作为故障内容自动生成到电子工单中。优选地，将语音转换为文本之后，通过机器学习从转译后的文本中提取出关键信息，例如提取出用户指出的故障发生地点、故障的业务类型和运营方即时给出的应对建议等关键内容。

如此，可根据从运营商获取到的语音数据自动生成电子工单，无需人工客服根据听到的用户语音再手工录入相应的故障内容，减轻客服人员的工作量，可节省时间来为更多用户解决故障问题。

S102：采集与各个所述电子工单分别对应的流程轨迹数据和业务轨迹数据。

流程轨迹数据和业务轨迹数据也可以是通过与运营商的后台管理系统对接获得。

作为一种可实施方式，对接运营商的客服系统、投诉工单流转系统、投诉预处理系统、故障管理系统、信息发布系统等，获取电子工单、流程轨迹数据、业务轨迹数据以及其他与故障反馈有关的数据信息，实现工单流转信息、全流程包括受理、处理、回复及质检等投诉问题相关信息的采集为稽核规则模型的构建。

其中，所述流程轨迹数据用于表征从接收到用户的故障反馈开始，针对这条故障反馈，后台管理系统所采取的处理过程包括的各个处理节点形成的轨迹，流程轨迹数据示出了各个处理节点的流转信息。业务轨迹数据则用于表征所述各个处理节点分别对应的终端设备运行状态，业务轨迹数据包括用户故障反馈处理中所涉及到的一系列业务操作所组成的业务处理逻辑，及其对应获得的状态信息数据。

例如，接收到一个用户的投诉，指出短信无法正常接收，在生成电子工单后，处理该投诉所涉及到的流程轨迹数据为：客服一线受理→客服二线处理→监控处理→地市处理等。而相应地，根据电子工单中记录的受理时间，查询用户在投诉时间点短信收发情况，查询当时的短信错误码、用户是否处于弱覆盖地区、用户终端设置是否异常等与终端设备运行状态有关的信息，这一系列查询操作按照先后执行顺序所组成的处理逻辑即为业务轨迹数据，各个查询操作所获得的状态信息，一并作为业务轨迹数据进行记录。

业务轨迹数据的查询操作根据流程轨迹数据中所示出的各个处理节点对应操作，一般而言，第一个处理节点即为一线客服系统，此时电子工单记录的受理时间也就是第一个处理节点对用户反馈的故障进行处理的时间，根据该第一个处理节点的处理时间，在该时间前后分别查询用户所持的终端设备的状态信息。例如，诉前的异常详细记录(xDetailed Record，xDR)信息、诉后认证系统是否在线记录、流量业务是否恢复等在用户终端侧网络的日志数据，都可作为业务轨迹数据。其中，xDR记录涉及到用户上网日志信息，用户在使用宽带上网前认证时，每次拨号时都在运营商的后台管理系统中的相应平台有一条记录，记录拨号的相应平台即为认证系统。

作为一种可实施方式，流程轨迹数据和业务轨迹数据可以记录在电子工单上。例如，电子工单生成后，每流转到一个处理节点，就在电子工单中对应添加这个处理节点的相关信息。

S103:根据全流程数据，通过预设的稽核规则模型对所述电子工单进行稽核校正，输出反馈目标信息，所述全流程数据包括流程轨迹数据和所述业务轨迹数据。

其中，稽核规则模型，为采用机器学习技术，预先构建的用于根据输入数据对电子工单实现自动稽核、并输出反馈目标信息的模型。

对应于S101中方式一，当采用与运营商后台管理系统对接的方式直接获取电子工单时，与之对应地，在S103中，为防止人工录入的电子工单记录错误，应从运营商后台管理系统中获取用户反馈故障时录音得到的语音数据，将语音数据转换为文本，并采用机器学习提取故障内容的关键信息，提取的故障关键信息应与电子工单中记录的故障内容所包括的关键信息相对应。

例如，电子工单中记录故障反馈受理时间为2019年10月12日，人工客服在故障内容中记录故障发生地点为杭州市XX小区XX号楼单元XX号，故障类型为宽带网络无法正常使用，客服即时给出的应对建议为首先查看是否欠费，确定不欠费后将调制解调器(光纤猫)和路由器拔掉电源5S后重启，看是否能够恢复正常。

其中，具体地，采用机器学习提取故障内容的关键信息可以是采用textrank算法(一种文本排序算法)提取关键句子，再通过经标注数据训练出的分类模型，提取关键信息。例如，提取故障反馈受理时间、故障发生地点、故障类型以及客服即时给出的应对建议等，将这些关键信息与流程轨迹数据、业务轨迹数据以及电子工单一起作为参考数据，通过稽核规则模型稽核人工录入的电子工单是否正确。

对应于S101中方式二，当采用通过语音数据自动生成电子工单时，由于电子工单本身即为通过语音数据转译为文本后通过机器学习提取的关键信息，自动生成而得，因此，对应于方式二，此时无需再从语音转译后的文本中提取关键信息，而是将电子工单、流程轨迹数据和业务轨迹数据以及其他必要数据一起作为参考数据，通过稽核规则模型对电子工单进行稽核。

对于电子工单的稽核，一方面的目的在于，通过经标注数据训练出的分类模型，对人工录入的电子工单中可能存在的错误进行校正，例如用户反馈时指出的故障业务类型为宽带无法信号不稳定时断时续，而人工客服由于误操作将故障类型输入为宽带网络中断。

另一方面的目的在于，用户在反馈故障时，由于认知有限、对终端设备了解程度有限等原因，导致描述故障现象时未能准确阐述故障，例如，由于用户终端设备手机本身的设置问题导致无法接收某平台短信，用户以为是网络信号不稳定造成的，此时投诉时会将故障现象描述为网络信号不稳定，造成电子工单中故障的错误记录，而流程轨迹数据与业务轨迹数据均为客观记录的数据，在一定程度上反映了终端设备在投诉前后的客观状态，可有助于判断用户表达是否准确。例如，业务轨迹数据会记录用户终端设备在投诉前后所处的网络环境是否为信号覆盖区域、用户手机是否设置为屏蔽该号码短信，这些状态信息均可辅助稽核规则模型校正电子工单中的表达错误。因此，稽核规则模型，可以结合流程轨迹数据与业务轨迹数据以及其他客观状态数据，对电子工单中记录的用户反馈的故障内容进行稽核。

稽核规则模型输出的反馈目标信息，即为校正后的故障关键信息，例如输出校正后的故障发生地点、故障的业务类型和运营方即时给出的应对建议等。

在本申请实施例中，一个电子工单对应输出一个稽核结果，即一个电子工单对应输出与之对应的反馈目标信息。S104：针对所述反馈目标信息进行聚类分析，获得服务质量存在异常的异常点信息。

一次聚类分析的数据对象为质检范围内采集的全部或者大部分电子工单对应输出的目标反馈信息。

例如，设定质检范围为浙江省杭州市，采集杭州市在监控时段内的全部用户故障反馈(包括投诉和报修等方式)为一万条，对应生成一万条电子工单，将输出的一万条目标反馈信息中80％以上作为数据对象，进行聚类分析。

聚类分析的方式有多种，例如选择用户反馈的故障业务类型、故障发生地点所属地区作为聚类时参考的维度，进行统计分析。

其中故障的业务类型包括家庭宽带、移动互联网、VOLTE(Voice over Long-TermEvolution,长期演进语音承载)、互联网电视、网络覆盖、通话质量、漫游障碍、短信、政企业务等，故障发生地点所属地区则为故障点实际所在的地理或者行政区域，相应的故障现象可以是移动互联网业务4G不能上网、家庭宽带不能使用、短信不能收发等。

例如，通过聚类分析，发现在某一小区的一栋居民楼在一段时间内集中出现了多起用户故障反馈，并且都是针对同一个业务类型(如4G不能上网)，则可判断出这栋居民楼的通信设备可能存在异常，如此找出了服务质量异常点。

参阅图2所示，判别异常点的指标可以包括回访不满意、重复投诉、处理超时等关键指标，和功能权限异常、用户欠费等未处理完结指标，以及反向工单退单、业务类别和投诉内容不一致等规范性指标等。

参阅图3a-图3c所示，根据聚类分析得到的结果，从处理及时率、重复投诉率和回访满意度三个维度加以统计分析，通过波形图显示出相应的率值变化，更直观地显示服务质量异常的时间点。

进一步地，可以基于校正后的故障信息以及聚类分析结果，对质检范围内的各个区域综合多个指标计算质控等级，质控等级用于表征该区域对于用户反馈的故障信息的综合处理质量和能力。对于质控等级排名靠后的区域，则进行重点督办。

基于同一发明构思，本申请实施例还提供一种终端用户反馈的故障信息处理设备，包括：

采集单元，用于获取用于记录用户反馈的故障信息的电子工单，以及采集所述电子工单对应的流程轨迹数据和业务轨迹数据；其中，所述流程轨迹数据包括针对用户反馈的故障信息执行的处理流程所包括的各个处理节点信息，所述业务轨迹数据包括所述各个处理节点分别对应的终端设备运行状态信息。

稽核单元，用于根据全流程数据，通过预设的稽核规则模型对所述电子工单进行稽核校正，输出反馈目标信息，所述全流程数据包括流程轨迹数据和所述业务轨迹数据。

聚类单元，用于针对所述反馈目标信息进行聚类分析，获得服务质量存在异常的异常点信息。

可选的，所述用户反馈的故障信息，包括语音信息。获取用于记录用户反馈的故障信息的电子工单之前，所述采集单元进一步用于：根据用户反馈时产生的语音信息，生成相应的电子工单，所述电子工单中至少记录用户反馈时间、用户反馈时指出的故障发生地点、故障的业务类型和服务方即时给出的应对建议。

可选的，该设备进一步包括转换单元，通过预设的稽核规则模型对所述电子工单进行稽核校正之前，所述转换单元，用于：将所述语音信息转换为文本反馈信息，通过机器学习从所述文本反馈信息中提取出反馈关键信息；根据全流程数据，通过预设的稽核规则模型对所述电子工单进行稽核校正时，所述稽核单元，具体用于：根据提取出的所述反馈关键信息、所述流程轨迹数据和所述业务轨迹数据，通过预设的稽核规则模型对所述电子工单进行稽核校正。

基于同一发明构思，本申请实施例还提供一种服务器，包括存储器401和处理器402，其中：

所述存储器401存储有可执行指令；

所述处理器402，用于读取并执行存储器中存储的可执行指令，以实现上述任一项所述的方法。

基于同一发明构思，本申请实施例还提供一种存储介质，当存储介质中的指令由处理器执行时，使得能够执行如上述任一项所述的方法。

需要理解，本文中的“第一”，“第二”等描述，仅仅为了描述的简单而对相似概念进行区分，并不具有其他限定作用。

本领域普通技术人员应该还可以进一步意识到，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。

本领域普通技术人员可以理解实现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处理器完成，的程序可以存储于计算机可读存储介质中，存储介质是非短暂性(英文：non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(英文：magnetic tape)，软盘(英文：floppy disk)，光盘(英文：opticaldisc)及其任意组合。

以上，仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。

Claims (10)

1.一种用户反馈故障信息处理方法，其特征在于，包括：

获取用于记录用户反馈的故障信息的电子工单；

采集与各个所述电子工单分别对应的流程轨迹数据和业务轨迹数据；其中，所述流程轨迹数据包括针对用户反馈故障信息执行的处理流程中所包括的各个处理节点信息，所述业务轨迹数据包括所述各个处理节点分别对应的终端设备运行状态信息；

根据全流程数据，通过预设的稽核规则模型对所述电子工单进行稽核校正，输出反馈目标信息，所述全流程数据包括流程轨迹数据和所述业务轨迹数据；

针对所述反馈目标信息进行聚类分析，获得服务质量存在异常的异常点信息。

2.根据权利要求1所述的方法，其特征在于：

所述用户反馈的故障信息，包括语音信息；

获取用于记录用户反馈的故障信息的电子工单之前，进一步包括：

根据用户反馈时产生的语音信息，生成相应的电子工单，所述电子工单中至少记录用户反馈时间、用户指出的故障发生地点、故障的业务类型和运营方即时给出的应对建议。

3.根据权利要求2所述的方法，其特征在于，通过预设的稽核规则模型对所述电子工单进行稽核校正之前，进一步包括：

将所述语音信息转换为文本反馈信息，通过机器学习从所述文本反馈信息中提取出反馈关键信息；

根据全流程数据，通过预设的稽核规则模型对所述电子工单进行稽核校正，具体包括：

根据提取出的所述反馈关键信息、所述流程轨迹数据和所述业务轨迹数据，通过预设的稽核规则模型对所述电子工单进行稽核校正。

4.根据权利要求3所述的方法，其特征在于，通过机器学习从所述文本反馈信息中提取出反馈关键信息，具体包括：

采用关键词提取textrank算法，从所述文本反馈信息中提取出反馈关键信息。

5.一种终端用户反馈的故障信息处理设备，其特征在于，包括：

采集单元，用于获取用于记录用户反馈的故障信息的电子工单，以及采集所述电子工单对应的流程轨迹数据和业务轨迹数据；其中，所述流程轨迹数据包括针对用户反馈的故障信息执行的处理流程所包括的各个处理节点信息，所述业务轨迹数据包括所述各个处理节点分别对应的终端设备运行状态信息；

稽核单元，用于根据全流程数据，通过预设的稽核规则模型对所述电子工单进行稽核校正，输出反馈目标信息，所述全流程数据包括流程轨迹数据和所述业务轨迹数据；

聚类单元，用于针对所述反馈目标信息进行聚类分析，获得服务质量存在异常的异常点信息。

6.根据权利要求5所述的设备，其特征在于：

所述用户反馈的故障信息，包括语音信息；

获取用于记录用户反馈的故障信息的电子工单之前，所述采集单元进一步用于：

根据用户反馈时产生的语音信息，生成相应的电子工单，所述电子工单中至少记录用户反馈时间、用户反馈时指出的故障发生地点、故障的业务类型和服务方即时给出的应对建议。

7.根据权利要求6所述的设备，其特征在于，所述设备进一步包括转换单元，通过预设的稽核规则模型对所述电子工单进行稽核校正之前，所述转换单元，用于：

将所述语音信息转换为文本反馈信息，通过机器学习从所述文本反馈信息中提取出反馈关键信息；

根据全流程数据，通过预设的稽核规则模型对所述电子工单进行稽核校正时，所述稽核单元，具体用于：

根据提取出的所述反馈关键信息、所述流程轨迹数据和所述业务轨迹数据，通过预设的稽核规则模型对所述电子工单进行稽核校正。

8.根据权利要求7所述的设备，其特征在于，通过机器学习从所述文本反馈信息中提取出反馈关键信息时，所述转换单元，具体用于：

采用关键词提取textrank算法，从所述文本反馈信息中提取出反馈关键信息。

9.一种服务器，其特征在于，包括存储器和处理器，其中：

所述存储器存储有可执行指令；

所述处理器，用于读取并执行存储器中存储的可执行指令，以实现如权利要求1-4任一项所述的方法。

10.一种存储介质，其特征在于，当存储介质中的指令由处理器执行时，使得能够执行如权利要求1-4任一项所述的方法。

Images