CN112036153B - 工单纠错方法、装置、计算机可读存储介质和计算机设备 - Google Patents
工单纠错方法、装置、计算机可读存储介质和计算机设备 Download PDFInfo
- Publication number
- CN112036153B CN112036153B CN201910415101.8A CN201910415101A CN112036153B CN 112036153 B CN112036153 B CN 112036153B CN 201910415101 A CN201910415101 A CN 201910415101A CN 112036153 B CN112036153 B CN 112036153B
- Authority
- CN
- China
- Prior art keywords
- work order
- model
- logic
- error correction
- semantic analysis
- 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
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Machine Translation (AREA)
Abstract
本发明提供了一种工单纠错方法、装置、计算机可读存储介质和计算机设备。涉及信息处理领域,解决了人员提交工单内容欠准确、传递过程中出现理解错误的问题。该方法包括:训练得到工单语义分析模型;在检测到工单输入时,根据所述工单语义分析模型检测输入的所述工单的正确性;可视化输出关于所述工单正确性的提醒消息。本发明提供的技术方案适用于内网业务管理,实现了自动高效的工单标准化系统。
Description
技术领域
本发明涉及信息处理领域,尤其涉及一种工单纠错方法、装置、计算机可读存储介质和计算机设备。
背景技术
当前业务实际模式与工单平台主要的支持模式重心在于优化工单流程、高效实现工单流线型,以及关注将平台功能项更接近于需求业务。
一般由具有权限的操作人员输入配置信息后提交形成工单。但每个人对于文字的理解是不同的,操作人员个人语言描述习惯形成的工单可能存在歧义、描述不清或配置错误的问题,导致工单本身针对的任务信息传达错误。
发明内容
本发明旨在解决上面描述的问题。
根据本发明的第一方面,提供了一种工单纠错方法,包括:
训练得到工单语义分析模型;
在检测到工单输入时,根据所述工单语义分析模型检测输入的所述工单的正确性;
可视化输出关于所述工单正确性的提醒消息。
优选的,训练得到工单语义分析模型的步骤包括:
对历史数据进行自然语言处理NPL语义分析,形成句段;
通过上下文分析模型对所述句段进行分析,获得上下文逻辑冲突的模型值;
提取历史故障句段中的功能架构冲突信息;
根据所述句段、上下文逻辑冲突的模型值和功能架构冲突信息,形成智慧图谱,得到所述工单语义分析模型。
优选的,根据所述句段、上下文逻辑冲突的模型值和功能架构冲突信息,形成智慧图谱,得到所述工单语义分析模型的步骤包括:
建立初级智慧图谱模型;
根据所述句段、上下文逻辑冲突的模型值和功能架构冲突信息,转化生成所述初级智慧图谱模型中各功能节点间的逻辑关系,将所述逻辑关系添加至所述初级智慧图谱模型中,生成历史案例集成智慧图谱;
将所述历史案例集成智慧图谱中的各功能节点设置成矩阵向量,进行可能性评估,得到样本数据;
将所述样本数据训练已有的循环神经网络模型,生成所述工单语义分析模型。
优选的,在检测到工单输入时,根据所述工单语义分析模型检测输入的所述工单的正确性的步骤包括:
进行如下所列任一或任意多项的检测:
检测关键词和关键配置,
检测是否存在与所述工单涉及的功能的相关联的警示信息,
检测所述工单中是否存在模糊词语,
判断所述工单是否符合预设的功能项逻辑。
优选的,检测所述工单中是否存在模糊词语的步骤包括:
连接预置的模糊词语数据库,在所述模糊词语数据库中存储有多个模糊词语;
将所述工单的内容拆分成词语后,与所述模糊词语数据库对比,判定所述工单中是否存在模糊词语。
优选的,判断所述工单是否符合预设的功能项逻辑的步骤包括:
判断所述工单是否存在参数逻辑错误,所述参数至少包含以下所列参数种类中的任一或任意多种:
功能项、功能对象、选项参数、功能操作;
判断所述工单是否存在功能支持错误;
判断所述工单是否存在需求合理性错误;
判断所述工单是否存在多个功能项的配置之间的逻辑冲突。
优选的,可视化输出关于所述工单正确性的提醒消息的步骤包括:
在输出所述提醒消息的界面上,突出显示以下内容中的任一或任意多项:
所述工单涉及的关键词和关键配置,
所述工单涉及的功能关联的警示信息,
所述工单涉及的模糊词语;
在输出所述提醒消息的界面上,根据所述工单中内容的逻辑关系形成主体属性关系图,在所述主体属性关系图上标示出所述逻辑错误。
根据本发明的又一方面,提供了一种工单纠错装置,包括:
模型训练模块,用于训练得到工单语义分析模型;
系统自动纠错模块,用于在检测到工单输入时,根据所述工单语义分析模型检测输入的所述工单的正确性;
纠错信息可视化输出模块,用于可视化输出关于所述工单正确性的提醒消息。
优选的,所述模型训练模块包括:
语义分析模块,用于对历史数据进行自NPL语义分析,形成句段;
上下文分析模块,用于通过上下文分析模型对所述句段进行分析,获得上下文逻辑冲突的模型值;
历史故障句段筛选模块,用于提取历史故障句段中的功能架构冲突信息;
图谱模型化模块,用于根据所述句段、上下文逻辑冲突的模型值和功能架构冲突信息,形成图谱,得到所述工单语义分析模型。
根据本发明的又一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被运行时实现如上述工单纠错装置的步骤。
根据本发明的又一方面,提供了一种计算机设备,包括处理器、存储器和存储于所述存储器上的计算机程序,所述处理器运行所述计算机程序时实现如上述工单纠错装置的步骤。
本发明提供了一种工单纠错方法、装置、计算机可读存储介质和计算机设备,通过智能学习训练得到工单语义分析模型,在检测到工单输入时,根据所述工单语义分析模型检测输入的所述工单的正确性,并通过智慧图谱可视化输出关于所述工单正确性的提醒消息。解决了人员提交工单内容欠准确、传递过程中出现理解错误的问题,实现了自动高效的工单标准化系统。
参照附图来阅读对于示例性实施例的以下描述,本发明的其他特性特征和优点将变得清晰。
附图说明
并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例,并且与描述一起用于解释本发明的原理。在这些附图中,类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例,而不是全部实施例。对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他的附图。
图1示例性地示出了本发明的一实施例提供的一种工单纠错系统的架构;
图2示例性地示出了一工单的内容;
图3示例性地示出了一工单的内容;
图4示例性地示出了一种指示配置项默认不支持的智慧图谱;
图5示例性地示出了一种需求本身不合理的智慧图谱;
图6示例性地示出了一工单的内容;
图7示例性地示出了与图6所示工单关联的智慧图谱;
图8示例性地示出了一种历史配置回溯展示;
图9示例性地示出了本发明的一实施例提供的一种数据底层建模系统的架构;
图10示例性地示出了本发明的一实施例提供的一种工单纠错方法的流程;
图11示例性地示出了图10中步骤1001的具体实现流程;
图12示例性地示出了本发明的一实施例提供的一种工单纠错装置的结构;
图13示例性地示出了图12中模型训练模块1201的结构;
图14示例性地示出了本发明的一实施例提供的一种计算机设备的结构。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
一般由具有权限的操作人员输入配置信息后提交形成工单。但每个人对于文字的理解是不同的,操作人员个人语言描述习惯形成的工单可能存在歧义、描述不清或配置错误的问题。
在前端接受的客户需求转化成后端操作时,后端操作人员对于前端需求是没有感知的,对需求描述的本身文字表达的意义可能就是错误的。
为了解决上述问题,本发明的实施例提供了一种工单纠错方法、装置、计算机可读存储介质和计算机设备。当项目运营或者售前支持提交工单时,能够自动检索识别出工单文本描述中存在的风险。通过智能语言学习的底层模型支持,对操作人员完成的工单进行工单中配置信息的匹配度、智能分析语句、需求描述准确度、功能叠加风险点等自动检查,避免文字传递中发生的误解。
本发明的一实施例提供了一种工单纠错系统,具体包括工单页面使用的检测系统和数据底层的智能建模系统,其架构如图1所示。
其中,检测系统主要有两块处理逻辑,分别是工单提交时审核和需求完成配置对比。工单提交时审核需求描述中主要存在的歧义和误解,解决因为前后端人员之间的表述习惯和术语不同引发的问题。需求完成配置对比,默认将需求中的选项参数值与配置绑定,自动检测需求匹配项自动检查出人为错误。
工单提交审核时触发三个检测项目:历史需求回溯、关键词比较和预设逻辑判断。下面对这三个检测项目进行进一步的详细说明:
一、项目一:历史需求回溯。
需求回溯主要分为两步:
S1 、如图2所示,为一简单的工单举例。当需求人员完成工单填写后,后台表单获取配置的项目与参数,取出配置修改情况的关键词(如“增、删、改、查”等),突出显示这些关键词和关键配置(如自动标红、设置亮色底色等操作),提示提单人确认修改是否正确。
S2、 在S1步骤获得配置项中筛选重要易错配置,将功能名作为索引关联数据库(提前将重要易错配置需要注意风险点加入),将警示信息展示需求人,让其确认该需求是否合理。
例如:压缩响应作为配置项提交后,后台用压缩响应搜索关联数据库匹配到的信息是:压缩响应回传给用户的时候,跟客户端chunked传输,当客户端不支持时会造成客户端崩溃。
二、项目二:关键词比较。
在数据库中存有当前已知会引起前后端误解的词汇,数据库的内容可根据使用需求持续更新。例如:在图3所示的工单中,当提交的表单中功能对象填写的是匹配这个词,会自动触发设定模糊词语规则,规则会自动将需求回退,并提示需求人将该词替换成正确的词语。
例如。前端人员希望区分大小写,“匹配”大小写在前端常见意识中指的是大小写是区分的,但是在需求人看来“匹配”是指大小写分别识别,此处正确描述应该是区分大小写。
三、项目三:预设逻辑判断。
预设逻辑判断,是总结历史问题中服务项可能存在冲突,并将其预设成判断逻辑,提示不正确的点,提前处理数据间的多结构关系。可预先形成逻辑冲突判定规则,如A对象不适用的功能/操作、A对象不可配置的参数范围等,在符合逻辑冲突判定规则时,即认为工单中出现了逻辑错误。
假设工单中包含“a.com配置referer拒绝时拒绝自身的域名a.com”这样的需求描述,此时系统会找出其中主要的数据点:本次issue 的索引域名a.com,配置功能项referer防盗链,配置操作拒绝,配置参数a.com,配置主体因为没有体现默认所有。
主体属性关系图完成后,开始进入逻辑判断,具体说明如下:
S1:配置项参数导致逻辑错误检测。前述例子中a.com发现拒绝的参数与自己域名本身索引相同,判断认为该需求有逻辑问题。
S2: 配置项默认不支持检测。假设需求jpg图片增加压缩功能。此时当主题jpg准备连接功能项压缩时,会搜索提前设定的原始规则智慧图谱中的设定属性功能互斥规则。如图4所示,jpg格式已经是压缩过的文件,匹配浏览器做压缩时并不能达到压缩的效果,浪费了机器性能。
S3:需求本身不合理检测。功能操作之间的关系包含互补、互斥、冲突、崩溃、无关等。一些功能操作之间存在逻辑矛盾,是不能够同时进行的,如同时进行这些功能操作,可能造成冲突或崩溃。如图5所示,假设需求一是支持视频拖拉默认去参数,需要二是要求保留某些参数。检测系统合并主体后,发现配置项视频拖拉包含默认行为是去参数,与需要二中的保留某些参数存在配置冲突。
S4:配置多项自然冲突检测。通过上下文关联解读,利用智能建模系统提供的基础的智慧图谱功能来段判断关系间的错误。
(1)后台系统拿到功能项、功能主体、参数等,按规则生成域名数据配置关系,更新至域名关系数据库。域名关系数据库为图形数据库,依域名数据配置关系可生成工单中功能操作对应的关系图谱(也称智慧图谱)。
如图6所示的工单,生成的图谱如图7所示。
(2)搜索提前设定的原始规则,限定了关系图谱中的设定属性多功能间的互斥规则。如,配置对象可以缓存的同时又配置针对这条URL的功能操作时则拒绝。此时主体合并验证功能项,找到原始规则,确定URL被拒绝后缓存功能是失效的。
(3)在配置缓存功能项旁边添加状态标注(该缓存功能将因为拒绝配置失效),可将标注内容返需求人员再确认。
需求完成配置对比,包含两个系统历史配置回溯和功能最后结果对比两个阶段。
S1:历史配置回溯。与需求提交审核阶段类似,展示出涉及修改的子服务项,供操作人员查阅,以确认配置是否满足要求。图8所示为一种历史配置回溯展示示例。
S2: 功能项最后结果对比。通过配置项与对应填入的参数对比,操作人员最后生成结果,检查配置的错误。例如:客户配置源站1.1.1.1而操作人错误填写为1.1.1.2,可以直接发现问题所在。
数据底层建模系统的架构如图9所示,也分为两个部分:页面检测调用模块和底层语义分析模型构建。
底层语义分析模型构建,这部分架构由NLP语义分析系统跟知识图谱模型系统构成。二者互有关联,且互相作用。
步骤1、NLP语义分析主要包括句段分析、上下文分析和历史故障句段筛选。
S1、句段分析。即当前主流的中文词语词汇库分析、主谓宾断句检查等。主要关注主体、属性、配置、参数、状态值等内容。
1)训练初始时,将业务文档、研发文档、需求文档、历史需求作为初始的训练样本输入训练主体,配合中文词汇库等自然语言数据库,训练适合项目级别的句段分析模型。
2)从项目相关的数据得到的业务模型,是简单的主谓宾结构,将业务与初始智慧图谱/关系图谱中已经存在的主体对比,进行修正。例如对主体网页配置301/302跳转,在初始智慧图谱中存在301和302这两个单独的功能对象节点,但是之间并不存在关联。此时训练的业务模型将添加网页主体,与301/302跳转连接,然后会在连接上标注异常(值1),这样就在两个功能对象之间建立了关联。
S2、该系统选用上下文分析模型(LSTM),项目经常是多个需求同时配置。
1)上下文分析主要就是对于整个文段进行分析,是在上一步针对单行词性、词义分析的基础上构建基于整个域名的一个issue库,也是类似于智慧图谱的主体关系建立。
2)此时的描述不是填框选功能,而是更接近人的语言。所以关系词会更复杂,允许(值1)/跳过(值0.8),完全(值1)/不完全(值0.7),除了(值-1)/包含(值0.5)这些词汇也会更新在issue库。
3)该步骤将形成的上下文issue库,与最后结果(异常,正常,可能正常,可能不正常,未知)作为训练数据,计算出判断上下文逻辑冲突的模型值
4)同上步骤2)更新智慧图谱。
S3、历史故障字段筛选。主要是补充前面业务模型中对于线上真实故障的分析。
1)需求描述经过句段分析,解构出词组。构建主体配置功能项项之间的关系图,本部分主要是功能项隐藏冲突的转化。
2)作为原始数据输入到训练的LSTM的模型中,判断对比结果的准确度。
3)将历史故障数据作为数据源训练LSTM模型。
4)同上更新成知识图谱。
步骤2、智慧图谱模型建立,底层数据选用Neo4j图形数据库,可以描述多种属性参数之间的互相关联、排斥等关系。
S1、建立初级智慧图谱模型,这一步主要靠人工将已知配置与配置,配置与参数,参数与参数,主体与配置,主体与参数等的冲突点转化成关系存储到初级智慧图谱中。
S2、从NLP语义分析子系统中产生的业务性、人为描述性、语义歧义性、逻辑混乱性、功能架构性等转化成关系添加初始智慧图谱中,形成历史案例集成智慧图谱。
S3、各种功能作为强属性,将各种功能设置成矩阵向量。当功能项交叉时,做可能性预估,比如正常(值0),异常(值1),可能正常(值0.3),可能异常(值0.6)。这样就成了可以做语义训练的样本数据。
步骤3、在步骤1和2完成之后,得到的数据样本重新加入LSTM的训练模型中,修复或者修正一些参数,得到线上可用的NLP语义分析系统。
页面检测调用模块,主要的底层依赖是数据支持构建的计算模型和智慧图谱,使用者是页面调用程序。
S1、需求编写的时候,程序同步启动开始分析语义。这是主要搜索一些关键错误词(匹配,区分等)。
S2、完成一个功能项描述时,将语义分析出的主体配置参数等构建成智慧图谱,根据智慧图谱已经存在的关系特征判断描述是否会造成相关问题。判定存在问题的表述,需要将歧义风险反馈到页面上进行展示。
S3、开始上下文分析,将新描述的需求做整体解析,输出通过或者歧义的结果反馈到展示页面上。
S4、域名历史需求回溯,当前主要是将历史需求生成的知识图谱与当前的知识图谱合并,更新成最终域名粒度的issue。
S5、重复执行S2-S3中对于规则的判断流程,最后输出表明通过与否的反馈。
本发明实施例提供了一种工单智能纠错方法和系统,处理当前需求传递过程中因为人的因素,存在的歧义、误解。自动发现需求描述中的纰漏,当人为提交工单出现问题时提前警示相关操作人员。通过域名信息关联风险项,指导需求人员应该明确的项目内容,不需要操作人员之间反复确认工单内容的含义。
预设逻辑自动判断出需求描述中存在的前后文逻辑错误,在需求人员和操作人员思维不清晰或者事务繁忙时也能发现问题。工单完成之后智能匹配对应选项参数,直接自动处理明显的人为失误问题。
运用智慧图谱存储各个配置项之间的复杂关系、存在排斥的可能,针对域名单独新建关系图谱展示配置前后的关系变化和最终配置效果,比通过规则界定更直观且逻辑清晰。智能学习、更新数据库内容,无须人为过度干预。
本发明的一实施例还提供了一种工单纠错方法,使用该方法自动进行工单内容纠错的流程如图10所示,包括:
步骤1001、训练得到工单语义分析模型。
本步骤具体如图11所示,包括:
步骤1101、对历史数据进行自然语言处理NPL语义分析,形成句段;
步骤1102、通过上下文分析模型对所述句段进行分析,获得上下文逻辑冲突的模型值;
步骤1103、提取历史故障句段中的功能架构冲突信息;
步骤1104、根据所述句段、上下文逻辑冲突的模型值和功能架构冲突信息,形成图谱,得到所述工单语义分析模型。
步骤1104中,具体的,首先建立初级智慧图谱模型。然后,根据所述句段、上下文逻辑冲突的模型值和功能架构冲突信息,转化生成所述初级智慧图谱模型中各功能节点间的逻辑关系,将所述逻辑关系添加至所述初级智慧图谱模型中,生成历史案例集成智慧图谱。再将所述历史案例集成智慧图谱中的各功能节点设置成矩阵向量,进行可能性评估,得到样本数据。最后将所述样本数据训练已有的循环神经网络模型,生成所述工单语义分析模型。
其中,智慧图谱通过图形数据库生成,如Neo4j图形数据库。
步骤1002、在检测到工单输入时,根据所述工单语义分析模型检测输入的所述工单的正确性。
本步骤中,具体的,进行如下所列任一或任意多项的检测:
1、检测关键词和关键配置。
2、检测是否存在与所述工单涉及的功能的相关联的警示信息。
3、检测所述工单中是否存在模糊词语。具体的,连接预置的模糊词语数据库,在所述模糊词语数据库中存储有多个模糊词语;然后将所述工单的内容拆分成词语后,与所述模糊词语数据库对比,判定所述工单中是否存在模糊词语。
4、判断所述工单是否符合预设的功能项逻辑。具体的,判断所述工单是否存在参数逻辑错误,所述参数至少包含以下所列参数种类中的任一或任意多种:
功能项、功能对象、选项参数、功能操作;
判断所述工单是否存在功能支持错误;
判断所述工单是否存在需求合理性错误;
判断所述工单是否存在多个功能项的配置之间的逻辑冲突。
步骤1003、可视化输出关于所述工单正确性的提醒消息。
本步骤中,在输出所述提醒消息的界面上,突出显示以下内容中的任一或任意多项:
所述工单涉及的关键词和关键配置,
所述工单涉及的功能关联的警示信息,
所述工单涉及的模糊词语;
在输出所述提醒消息的界面上,根据所述工单中内容的逻辑关系形成主体属性关系图,在所述主体属性关系图上标示出所述逻辑错误。
所述主体属性关系图是文本图谱或智慧图谱,基于域名关系数据库这样的图形数据库形成。
本发明的一实施例还提供了一种工单纠错装置,其结构如图12所示,包括:
模型训练模块1201,用于训练得到工单语义分析模型;
系统自动纠错模块1202,用于在检测到工单输入时,根据所述工单语义分析模型检测输入的所述工单的正确性;
纠错信息可视化输出模块1203,用于可视化输出关于所述工单正确性的提醒消息。
优选的,所述模型训练模块1201的结构如图13所示,包括:
语义分析模块1301,用于对历史数据进行自NPL语义分析,形成句段;
上下文分析模块1302,用于通过上下文分析模型对所述句段进行分析,获得上下文逻辑冲突的模型值;
历史故障句段筛选模块1303,用于提取历史故障句段中的功能架构冲突信息;
图谱模型化模块1304,用于根据所述句段、上下文逻辑冲突的模型值和功能架构冲突信息,形成图谱,得到所述工单语义分析模型。
优选的,所述系统自动纠错模块1202,具体用于:
进行如下所列任一或任意多项的检测:
检测关键词和关键配置,
检测是否存在与所述工单涉及的功能的相关联的警示信息,
检测所述工单中是否存在模糊词语,
判断所述工单是否符合预设的功能项逻辑。
本发明的一实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被运行时实现本发明的实施例提供的工单纠错方法的步骤。
本发明的一实施例还提供了一种计算机设备,如图14所示,包括处理器、存储器和存储于所述存储器上的计算机程序,所述处理器运行所述计算机程序时实现本发明的实施例提供的工单纠错方法的步骤。
本发明的实施例提供了一种工单纠错方法、装置、计算机可读存储介质和计算机设备,通过智能学习训练得到工单语义分析模型,在检测到工单输入时,根据所述工单语义分析模型检测输入的所述工单的正确性,并通过智慧图谱可视化输出关于所述工单正确性的提醒消息。解决了人员提交工单内容欠准确、传递过程中出现理解错误的问题,实现了自动高效的工单标准化系统。
自动发现工单的需求描述中存在的缺陷,提醒或主动修改文字描述中常见纰漏。自动关联工单的相关信息,关联风险项,指导需求人明确风险项,规避可能存在的问题。通过工单语义分析模型中的预设逻辑判断出工单需求描述中存在的前后文逻辑错误,通过匹配结果项,纠正操作人的人为失误,将明显的问题提前处理。智能上下文情景分析,解决多个功能项模糊关联情况下可能存在的问题。底层的工单语义分析模型还可根据每日需求工单和故障工单自动学习,修改一些参数校准,进一步保证系统的准确和高效性。
本领域技术人员应明白,本发明的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本发明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,本发明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存储介质上实施的计算机程序产品的形式。计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质,包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
本发明是参照根据本发明实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解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。
在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明的意图也包含这些改动和变型在内。
Claims (8)
1.一种工单纠错方法,其特征在于,包括:
对历史数据进行自然语言处理NPL语义分析,形成句段;
通过上下文分析模型对所述句段进行分析,获得上下文逻辑冲突的模型值;
提取历史故障句段中的功能架构冲突信息;
建立初级智慧图谱模型;
根据所述句段、上下文逻辑冲突的模型值和功能架构冲突信息,转化生成所述初级智慧图谱模型中各功能节点间的逻辑关系,将所述逻辑关系添加至所述初级智慧图谱模型中,生成历史案例集成智慧图谱;
将所述历史案例集成智慧图谱中的各功能节点设置成矩阵向量,进行可能性评估,得到样本数据;
将所述样本数据训练已有的循环神经网络模型,生成所述工单语义分析模型;
在检测到工单输入时,根据所述工单语义分析模型检测输入的所述工单的正确性;
可视化输出关于所述工单正确性的提醒消息。
2.根据权利要求1所述的工单纠错方法,其特征在于,在检测到工单输入时,根据所述工单语义分析模型检测输入的所述工单的正确性的步骤包括:
进行如下所列任一或任意多项的检测:
检测关键词和关键配置,
检测是否存在与所述工单涉及的功能的相关联的警示信息,
检测所述工单中是否存在模糊词语,
判断所述工单是否符合预设的功能项逻辑。
3.根据权利要求2所述的工单纠错方法,其特征在于,检测所述工单中是否存在模糊词语的步骤包括:
连接预置的模糊词语数据库,在所述模糊词语数据库中存储有多个模糊词语;
将所述工单的内容拆分成词语后,与所述模糊词语数据库对比,判定所述工单中是否存在模糊词语。
4.根据权利要求2或3所述的工单纠错方法,其特征在于,判断所述工单是否符合预设的功能项逻辑的步骤包括:
判断所述工单是否存在参数逻辑错误,所述参数至少包含以下所列参数种类中的任一或任意多种:
功能项、功能对象、选项参数、功能操作;
判断所述工单是否存在功能支持错误;
判断所述工单是否存在需求合理性错误;
判断所述工单是否存在多个功能项的配置之间的逻辑冲突。
5.根据权利要求4所述的工单纠错方法,其特征在于,可视化输出关于所述工单正确性的提醒消息的步骤包括:
在输出所述提醒消息的界面上,突出显示以下内容中的任一或任意多项:
所述工单涉及的关键词和关键配置,
所述工单涉及的功能关联的警示信息,
所述工单涉及的模糊词语;
在输出所述提醒消息的界面上,根据所述工单中内容的逻辑关系形成主体属性关系图,在所述主体属性关系图上标示出所述逻辑错误。
6.一种工单纠错装置,其特征在于,包括:
语义分析模块,用于对历史数据进行自NPL语义分析,形成句段;
上下文分析模块,用于通过上下文分析模型对所述句段进行分析,获得上下文逻辑冲突的模型值;
历史故障句段筛选模块,用于提取历史故障句段中的功能架构冲突信息;
初级模型建立模块,用于建立初级智慧图谱模型;
历史图谱生成模块,用于根据所述句段、上下文逻辑冲突的模型值和功能架构冲突信息,转化生成所述初级智慧图谱模型中各功能节点间的逻辑关系,将所述逻辑关系添加至所述初级智慧图谱模型中,生成历史案例集成智慧图谱;
样本数据获取模块,用于将所述历史案例集成智慧图谱中的各功能节点设置成矩阵向量,进行可能性评估,得到样本数据;
图谱模型化模块,用于将所述样本数据训练已有的循环神经网络模型,生成所述工单语义分析模型;
系统自动纠错模块,用于在检测到工单输入时,根据所述工单语义分析模型检测输入的所述工单的正确性;
纠错信息可视化输出模块,用于可视化输出关于所述工单正确性的提醒消息。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被运行时实现如权利要求1-5中任意一项所述的方法的步骤。
8.一种计算机设备,包括处理器、存储器和存储于所述存储器上的计算机程序,其特征在于,所述处理器运行所述计算机程序时实现如权利要求1-5中任意一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910415101.8A CN112036153B (zh) | 2019-05-17 | 2019-05-17 | 工单纠错方法、装置、计算机可读存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910415101.8A CN112036153B (zh) | 2019-05-17 | 2019-05-17 | 工单纠错方法、装置、计算机可读存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036153A CN112036153A (zh) | 2020-12-04 |
CN112036153B true CN112036153B (zh) | 2022-06-03 |
Family
ID=73575736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910415101.8A Active CN112036153B (zh) | 2019-05-17 | 2019-05-17 | 工单纠错方法、装置、计算机可读存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036153B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699681A (zh) * | 2020-12-17 | 2021-04-23 | 国网冀北电力有限公司信息通信分公司 | 基于知识图谱的电力通信系统缺陷故障派单方法及装置 |
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 |
CN113344122B (zh) * | 2021-06-29 | 2023-06-16 | 复旦大学 | 一种操作流程诊断方法、装置及存储介质 |
CN113643007B (zh) * | 2021-10-14 | 2022-02-08 | 杭银消费金融股份有限公司 | 基于可视化的研发项目工单处理方法及系统 |
CN114548825B (zh) * | 2022-03-23 | 2023-07-07 | 平安科技(深圳)有限公司 | 投诉工单失真检测方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593335A (zh) * | 2013-09-05 | 2014-02-19 | 姜赢 | 基于本体一致性验证推理的中文语义校对方法 |
US9348815B1 (en) * | 2013-06-28 | 2016-05-24 | Digital Reasoning Systems, Inc. | Systems and methods for construction, maintenance, and improvement of knowledge representations |
CN106326204A (zh) * | 2015-06-15 | 2017-01-11 | 微软技术许可有限责任公司 | 消息中错误的基于内容的检测和处理 |
CN108806671A (zh) * | 2018-05-29 | 2018-11-13 | 杭州认识科技有限公司 | 语义分析方法、装置及电子设备 |
CN108876121A (zh) * | 2018-05-31 | 2018-11-23 | 康键信息技术(深圳)有限公司 | 工单处理方法、装置、计算机设备和存储介质 |
-
2019
- 2019-05-17 CN CN201910415101.8A patent/CN112036153B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9348815B1 (en) * | 2013-06-28 | 2016-05-24 | Digital Reasoning Systems, Inc. | Systems and methods for construction, maintenance, and improvement of knowledge representations |
CN103593335A (zh) * | 2013-09-05 | 2014-02-19 | 姜赢 | 基于本体一致性验证推理的中文语义校对方法 |
CN106326204A (zh) * | 2015-06-15 | 2017-01-11 | 微软技术许可有限责任公司 | 消息中错误的基于内容的检测和处理 |
CN108806671A (zh) * | 2018-05-29 | 2018-11-13 | 杭州认识科技有限公司 | 语义分析方法、装置及电子设备 |
CN108876121A (zh) * | 2018-05-31 | 2018-11-23 | 康键信息技术(深圳)有限公司 | 工单处理方法、装置、计算机设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
基于描述逻辑本体推理的语义级中文校对方法;姜赢等;《计算机系统应用》;20170415;第26卷(第04期);第224-229页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112036153A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036153B (zh) | 工单纠错方法、装置、计算机可读存储介质和计算机设备 | |
US11599714B2 (en) | Methods and systems for modeling complex taxonomies with natural language understanding | |
US11748232B2 (en) | System for discovering semantic relationships in computer programs | |
CN111026842B (zh) | 自然语言处理方法、自然语言处理装置及智能问答系统 | |
US10747651B1 (en) | System for optimizing system resources and runtime during a testing procedure | |
US9875319B2 (en) | Automated data parsing | |
US10572822B2 (en) | Modular memoization, tracking and train-data management of feature extraction | |
US11392645B2 (en) | Computerized domain expert | |
US9092789B2 (en) | Method and system for semantic analysis of unstructured data | |
US11243971B2 (en) | System and method of database creation through form design | |
CN112116168B (zh) | 一种用户行为的预测方法、装置及电子设备 | |
CN112420145A (zh) | 电子病历文书数据处理方法、装置及计算机可读存储介质 | |
US11321531B2 (en) | Systems and methods of updating computer modeled processes based on real time external data | |
US11392757B2 (en) | Management of annotation jobs | |
CN114239588A (zh) | 文章处理方法、装置、电子设备及介质 | |
CN110968664A (zh) | 一种文书检索方法、装置、设备及介质 | |
KR102185733B1 (ko) | 프로필 자동생성서버 및 방법 | |
CN117420998A (zh) | 一种客户端ui交互组件生成方法、装置、终端及介质 | |
CN116775639A (zh) | 数据处理方法、存储介质及电子设备 | |
CN107577760B (zh) | 一种基于约束规范的文本分类方法及装置 | |
US11188716B2 (en) | Text display with visual distinctions per class | |
CN113722421A (zh) | 一种合同审计方法和系统,及计算机可读存储介质 | |
CN112988986A (zh) | 人机交互方法、装置与设备 | |
CN109614467A (zh) | 一种基于片段相似度的知识关联与动态组织方法和系统 | |
CN117010349B (zh) | 基于神经网络模型的表单填充方法、系统及存储介质 |
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 |