CN113449927A - 基于自然语言故障抢修的评价方法、设备及存储介质 - Google Patents

基于自然语言故障抢修的评价方法、设备及存储介质 Download PDF

Info

Publication number
CN113449927A
CN113449927A CN202110793774.4A CN202110793774A CN113449927A CN 113449927 A CN113449927 A CN 113449927A CN 202110793774 A CN202110793774 A CN 202110793774A CN 113449927 A CN113449927 A CN 113449927A
Authority
CN
China
Prior art keywords
vector
user
user opinion
preset
feature vector
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.)
Granted
Application number
CN202110793774.4A
Other languages
English (en)
Other versions
CN113449927B (zh
Inventor
赵瑞锋
李波
卢建刚
郭文鑫
崔丽华
黎皓彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202110793774.4A priority Critical patent/CN113449927B/zh
Publication of CN113449927A publication Critical patent/CN113449927A/zh
Application granted granted Critical
Publication of CN113449927B publication Critical patent/CN113449927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G06F16/316—Indexing structures
    • 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
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Machine Translation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于自然语言故障抢修的评价方法、设备及存储介质，包括：根据预设的用户意见数据和抢修工作数据确定用户意见特征向量和指标特征向量；根据所述用户意见特征向量和所述指标特征向量进行注意力计算和加权计算，获取用户关注的指标特征段和加权用户满意度向量；将加权用户满意度向量输入预设sigmoid层的神经网络确定抢修工作的综合得分预测值；将预设的用户意见句子、用户意见特征向量、指标特征向量以及综合得分预测值输入预设的seqtseq模型训练，获取自然语言生成的回答文本。本发明考虑用户意见数据构建评分方式，提高抢修工作的效率。

Description

基于自然语言故障抢修的评价方法、设备及存储介质
技术领域
本发明涉及故障抢修技术领域，尤其涉及一种基于自然语言故障抢修的评价方法、设备及存储介质。
背景技术
面对农村10kV配网故障率在电网故障中仍占有相当大比例的情况下，已经是社会上亟需解决解决的问题，因此需要提高农村供电企业配网现代化建设的水平，在配网现代化建设过程中，除了积极预防配网故障发生外，重点还要在10kV农村配网发生故障时，争分夺秒的完成故障抢修工作，并且高质量的完成抢修工作，不给用户造成过多的损失，才能完成供电的高可靠性、高服务水平的要求，所以高效圆满的完成配网故障抢修工作，不仅对提高配网供电可性起着举足轻重的作用，而且在很大程度上也反映出企业的优质服务水平。为进一步提高抢修工作的服务水平，除了提升本身的抢配平台和抢修人员的效率外，还需要一个综合的抢修工作评价方法，来对为抢修工作提供培训演示业务指导，对故障的发生、诊断、发布、复电等环节进行统计分析，对故障发生时间、到达现场时间、故障定位时间、恢复送电时间等进行评价考评，发现管理、操作、系统等问题提升精益化管理。
但是目前市面上现有的方法仅依靠统计分析的指标数值，依据预设的评价指标权重，设立一套评价标准计算公式。如获取故障处理时长、到达时长、故障定位时间、回复送电时间和一些主观划分的评价指标值，如客户满意度、重复报修工单比例等。虽然这些指标值能覆盖大范围的抢修工作情况，但抢修工作始终是服务于用户，用户的主观意见也是评价抢修工作一项重要参考因素，并且这些指标都是基于内部工作的规定而设置的，并不能完全代替服务质量指标，此外，在汇报抢修工作成果时候，却恰好缺失了用户的细致的评价标准，仅依靠内部的指标对抢修工作进行指导，导致抢修工作可改进的空间受限，从而导致在用户与配抢平台之间形成隔阂，用户的评价描述由于人工量问题无法及时处理，平台亦无法就大量的用户的意见描述进行及时回复。在停电高发地区，仍存在不少用户反映的抢修反应慢、抢修工作改进无法满足用户需求等，抢修工作的难处无法让用户体会，这种误解反而影响抢修工作的进度。
发明内容
本发明目的在于，提供一种基于自然语言故障抢修的评价方法、设备及存储介质，以解决抢修工作效率低的问题。
为实现上述目的，本发明提供一种基于自然语言故障抢修的评价方法，包括：
根据预设的用户意见数据和抢修工作数据确定用户意见特征向量和指标特征向量；
根据所述用户意见特征向量和所述指标特征向量进行注意力计算和加权计算，获取用户关注的指标特征段和加权用户满意度向量；
将所述加权用户满意度向量输入预设sigmoid层的神经网络确定抢修工作的综合得分预测值；
将预设的用户意见句子、所述用户意见特征向量、所述指标特征向量以及所述综合得分预测值输入预设的seqtseq模型训练，获取自然语言生成的回答文本。
优选地，所述根据预设的用户意见数据和抢修工作数据确定用户意见特征向量和指标特征向量，包括：
根据预设的用户意见数据和抢修工作数据，计算主观评价指标和抢修工作评分分数，获取相关数据，包括故障发生数据、诊断数据、发布数据和复电数据。
优选地，所述根据预设的用户意见数据和抢修工作数据确定用户意见特征向量和指标特征向量，包括：
所述用户意见数据包括用户意见描述句子，对所述用户意见描述句子进行切分处理，进一步进行编码，输出多个句子的单个编码向量；
根据多个所述单个编码向量确定用户意见句子矩阵，将所述用户意见句子矩阵输入预设的神经网络层进行计算，获取用户意见句子特征矩阵；
采用维度压缩所述用户意见句子特征矩阵，输出所述用户意见特征向量。
优选地，所述根据预设的用户意见数据和抢修工作数据确定用户意见特征向量和指标特征向量，包括：
根据所述抢修工作数据确定指标向量，采用多层感知机或卷积神经网络进行特征提取，并采用维度压缩确定所述指标特征向量。
优选地，所述根据所述用户意见特征向量和所述指标特征向量进行注意力计算和加权计算，获取用户关注的指标特征段和加权用户满意度向量，包括：
所述注意力计算的方法如下：
ut＝vTtanh(W1h+W2dt)；
at＝softmax(ut)；
Figure BDA0003160619610000021
其中，ut表示时间t步未激活的特征向量，W1和W2表示训练的权重参数，h表示每个时间步的输出向量，hl表示时间l的输出向量，d表示每个时间步的状态，dt表示时间t步的状态，at表示时间t的匹配权重，
Figure BDA0003160619610000031
表示从时间l到时间t的匹配权重，vT表示一个向量，ct表示计算的权值加和后的向量。
优选地，所述根据所述用户意见特征向量和所述指标特征向量进行注意力计算和加权计算，获取用户关注的指标特征段和加权用户满意度向量，包括：
所述注意力计算的方法如下：
ut＝dtW1h；
at＝softmax(ut)；
Figure BDA0003160619610000032
其中，ut表示时间t步未激活的特征向量，W1表示训练的权重参数，h表示每个时间步的输出向量，hl表示时间l的输出向量，d表示每个时间步的状态，dt表示时间t步的状态，at表示时间t的匹配权重，
Figure BDA0003160619610000033
表示从时间l到时间t的匹配权重，ct表示计算的权值加和后的向量。
优选地，所述将所述加权用户满意度向量输入预设sigmoid层的神经网络确定抢修工作的综合得分预测值，包括：
根据所述加权用户满意度向量输入预设sigmoid层的神经网络进行特征提取，输出范围为0～1的分数值；
将所述分数值按比例映射至预设的评价总分值，获取所述抢修工作的综合得分预测值。
优选地，所述将预设的用户意见句子、所述用户意见特征向量、所述指标特征向量以及所述综合得分预测值输入预设的seqtseq模型训练，获取自然语言生成的回答文本，包括：
采用编码-译码器将预设的用户意见句子、所述用户意见特征向量、所述指标特征向量以及所述综合得分预测值输入预设的seqtseq模型进行处理。
本发明还提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一实施例所述的基于自然语言故障抢修的评价方法。
本发明还提供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，所述计算机程序被处理器执行时实现如上述任一实施例所述的基于自然语言故障抢修的评价方法。
本发明根据预设的用户意见数据和抢修工作数据确定用户意见特征向量和指标特征向量，并进行注意力计算和加权计算，进一步将获得的数据输入预设sigmoid层的神经网络进行训练，获取自然语言生成的回答文本。本发明实现了智能评价系统，提高抢修工作的效率。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的基于自然语言故障抢修的评价方法的流程示意图。
具体实施方式
下面将结合本发明中的附图，对本发明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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，本发明提供一种基于自然语言故障抢修的评价方法，包括：
S101、根据预设的用户意见数据和抢修工作数据确定用户意见特征向量和指标特征向量。
具体的，获取用户意见数据和抢修工作数据，并根据获取的数据计算主观评价指标和原有的抢修工作评价分数，并获取故障发生、诊断、发布、复电等环节的相关数据，其中，用户意见数据表包括用户满意度分级、用户意见选项和用户意见描述，抢修工作数据包括故障发生时间、抢修工作时间、到达现场时间、故障定位时间、故障发布时间以及恢复送电时间，故障发生、诊断、发布和复电等环节的相关数据包括故障地点、故障原因、故障发布信息等抢修工作的结构或非结构化数据。
用户意见数据包括用户意见描述句子，对用户意见描述句子进行切分处理，进一步进行编码，输出多个句子的单个编码向量，根据多个单个编码向量确定用户意见句子矩阵，将用户意见句子矩阵输入预设的神经网络层进行计算，获取用户意见句子特征矩阵，采用维度压缩用户意见句子特征矩阵，输出用户意见特征向量。具体的，用户意见表示处理通过对用户意见描述进行切分句子处理，去除敏感词和无意义的空白和缩进获得，然后将处理后的用户意见描述的所有句子通过bert编码器进行编码，输出单个句子的编码向量，编码后的所有句子向量进行合并操作，生成一个用户意见句子矩阵，生成的用户意见句子矩阵通过拥有自注意力计算的神经网络层进行计算，经过计算能反映出句子内部的语义信心，然后输出用户意见句子特征矩阵，将输出的用户意见句子特征矩阵进行维度压缩，然后输出用户意见特征向量。根据抢修工作数据确定指标向量，采用多层感知机或卷积神经网络进行特征提取，并采用维度压缩确定指标特征向量。
S102、根据所述用户意见特征向量和所述指标特征向量进行注意力计算和加权计算，获取用户关注的指标特征段和加权用户满意度向量。
具体的，注意力计算可采用如下的两种方式进行计算：
首先，第一种注意力计算的方法如下：
ut＝vTtanh(W1h+W2dt)；
at＝softmax(ut)；
Figure BDA0003160619610000051
其中，ut表示时间t步未激活的特征向量，W1和W2表示训练的权重参数，h表示每个时间步的输出向量，hl表示时间l的输出向量，d表示每个时间步的状态，dt表示时间t步的状态，at表示时间t的匹配权重，
Figure BDA0003160619610000052
表示从时间l到时间t的匹配权重，vT表示一个向量，ct表示计算的权值加和后的向量。
其次，第二种注意力计算的方法如下：
ut＝dtW1h；
at＝softmax(ut)；
Figure BDA0003160619610000053
其中，ut表示时间t步未激活的特征向量，W1表示训练的权重参数，h表示每个时间步的输出向量，hl表示时间l的输出向量，d表示每个时间步的状态，dt表示时间t步的状态，at表示时间t的匹配权重，
Figure BDA0003160619610000061
表示从时间l到时间t的匹配权重，ct表示计算的权值加和后的向量。
S103、将所述加权用户满意度向量输入预设sigmoid层的神经网络确定抢修工作的综合得分预测值。
具体的，根据加权用户满意度向量输入预设sigmoid层的神经网络进行特征提取，输出范围为0～1的分数值，将分数值按比例映射至预设的评价总分值，获取抢修工作的综合得分预测值。
S104、将预设的用户意见句子、所述用户意见特征向量、所述指标特征向量以及所述综合得分预测值输入预设的seqtseq模型训练，获取自然语言生成的回答文本。
采用编码-译码器将预设的用户意见句子、用户意见特征向量、指标特征向量以及综合得分预测值输入预设的seqtseq模型进行处理。具体的，将用户意见句子，还有基于评价生成方法中生成的意见特征向量、指标特征向量以及综合得分预测值进行拼接，输入到预先训练好的seqtseq模型进行编码-译码器处理。输出自然语言生成的回答文本，seqtseq模型是基于问答系统的语义模型，其亦可以使用bert代替，输出自然语义生成的回答文本的每一个字的索引，再从总的字词索引表中，得到整个生成的自然语言句子，其中，可根据预先训练的seqtseq模型类别进行不同的任务，若进行用户意见的回复生成，则训练数据使用人工标准语言风格的意见回复内容作为训练数据，输出时候可依据训练数据的答题模板类似的风格进行输出，若进行抢修工作的完成成果报告生成，则训练数据使用人工标准语言风格的报告文本数据作为训练数据，训练seqtseq模型。
本发明用来解决现有评价标准中，缺乏用户具体的评价意见，且无法及时反馈用户的评价意见，从而导致了提质服务型抢修工作的指导工作中出现局限性，抢险工作可参考的服务改进标准有限的问题，通过该基于自然语言处理的面向用户的故障抢修智能评价方法，能提高现有抢修工作评价系统的评价全面性，充分考虑用户意见，提升评价准确性，同时，通过生成语言及时回复意见，打通用户和抢修调配工作之间的关联，从而提升抢修工作的服务质量。
本发明提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任意一个实施例中的基于自然语言故障抢修的评价方法。
处理器用于控制该计算机终端设备的整体操作，以完成上述的基于自然语言故障抢修的评价方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作，这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在一示例性实施例中，计算机终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit，简称AS1C)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于自然语言故障抢修的评价方法，并达到如上述方法一致的技术效果。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述任意一个实施例中的基于自然语言故障抢修的评价方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由计算机终端设备的处理器执行以完成上述的基于自然语言故障抢修的评价方法，并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于自然语言故障抢修的评价方法，其特征在于，包括：
根据预设的用户意见数据和抢修工作数据确定用户意见特征向量和指标特征向量；
根据所述用户意见特征向量和所述指标特征向量进行注意力计算和加权计算，获取用户关注的指标特征段和加权用户满意度向量；
将所述加权用户满意度向量输入预设sigmoid层的神经网络确定抢修工作的综合得分预测值；
将预设的用户意见句子、所述用户意见特征向量、所述指标特征向量以及所述综合得分预测值输入预设的seqtseq模型训练，获取自然语言生成的回答文本。
2.根据权利要求1所述的基于自然语言故障抢修的评价方法，其特征在于，所述根据预设的用户意见数据和抢修工作数据确定用户意见特征向量和指标特征向量，包括：
根据预设的用户意见数据和抢修工作数据，计算主观评价指标和抢修工作评分分数，获取相关数据，包括故障发生数据、诊断数据、发布数据和复电数据。
3.根据权利要求2所述的基于自然语言故障抢修的评价方法，其特征在于，所述根据预设的用户意见数据和抢修工作数据确定用户意见特征向量和指标特征向量，包括：
所述用户意见数据包括用户意见描述句子，对所述用户意见描述句子进行切分处理，进一步进行编码，输出多个句子的单个编码向量；
根据多个所述单个编码向量确定用户意见句子矩阵，将所述用户意见句子矩阵输入预设的神经网络层进行计算，获取用户意见句子特征矩阵；
采用维度压缩所述用户意见句子特征矩阵，输出所述用户意见特征向量。
4.根据权利要求3所述的基于自然语言故障抢修的评价方法，其特征在于，所述根据预设的用户意见数据和抢修工作数据确定用户意见特征向量和指标特征向量，包括：
根据所述抢修工作数据确定指标向量，采用多层感知机或卷积神经网络进行特征提取，并采用维度压缩确定所述指标特征向量。
5.根据权利要求1所述的基于自然语言故障抢修的评价方法，其特征在于，所述根据所述用户意见特征向量和所述指标特征向量进行注意力计算和加权计算，获取用户关注的指标特征段和加权用户满意度向量，包括：
所述注意力计算的方法如下：
ut＝vTtanh(W1h+W2dt)；
at＝soft max(ut)；
Figure FDA0003160619600000021
其中，ut表示时间t步未激活的特征向量，W1和W2表示训练的权重参数，h表示每个时间步的输出向量，hl表示时间l的输出向量，d表示每个时间步的状态，dt表示时间t步的状态，at表示时间t的匹配权重，
Figure FDA0003160619600000022
表示从时间l到时间t的匹配权重，vT表示一个向量，ct表示计算的权值加和后的向量。
6.根据权利要求1所述的基于自然语言故障抢修的评价方法，其特征在于，所述根据所述用户意见特征向量和所述指标特征向量进行注意力计算和加权计算，获取用户关注的指标特征段和加权用户满意度向量，包括：
所述注意力计算的方法如下：
ut＝dtW1h；
at＝soft max(ut)；
Figure FDA0003160619600000023
其中，ut表示时间t步未激活的特征向量，W1表示训练的权重参数，h表示每个时间步的输出向量，hl表示时间l的输出向量，d表示每个时间步的状态，dt表示时间t步的状态，at表示时间t的匹配权重，
Figure FDA0003160619600000024
表示从时间l到时间t的匹配权重，ct表示计算的权值加和后的向量。
7.根据权利要求1所述的基于自然语言故障抢修的评价方法，其特征在于，所述将所述加权用户满意度向量输入预设sigmoid层的神经网络确定抢修工作的综合得分预测值，包括：
根据所述加权用户满意度向量输入预设sigmoid层的神经网络进行特征提取，输出范围为0～1的分数值；
将所述分数值按比例映射至预设的评价总分值，获取所述抢修工作的综合得分预测值。
8.根据权利要求1所述的基于自然语言故障抢修的评价方法，其特征在于，所述将预设的用户意见句子、所述用户意见特征向量、所述指标特征向量以及所述综合得分预测值输入预设的seqtseq模型训练，获取自然语言生成的回答文本，包括：
采用编码-译码器将预设的用户意见句子、所述用户意见特征向量、所述指标特征向量以及所述综合得分预测值输入预设的seqtseq模型进行处理。
9.一种计算机终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至8任一项所述的基于自然语言故障抢修的评价方法。
10.一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，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的基于自然语言故障抢修的评价方法。
CN202110793774.4A 2021-07-13 2021-07-13 基于自然语言故障抢修的评价方法、设备及存储介质 Active CN113449927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110793774.4A CN113449927B (zh) 2021-07-13 2021-07-13 基于自然语言故障抢修的评价方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110793774.4A CN113449927B (zh) 2021-07-13 2021-07-13 基于自然语言故障抢修的评价方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113449927A true CN113449927A (zh) 2021-09-28
CN113449927B CN113449927B (zh) 2022-09-30

Family

ID=77816144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110793774.4A Active CN113449927B (zh) 2021-07-13 2021-07-13 基于自然语言故障抢修的评价方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113449927B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017228272A (ja) * 2016-06-17 2017-12-28 パナソニックＩｐマネジメント株式会社 意味生成方法、意味生成装置及びプログラム
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
CN108446850A (zh) * 2018-03-21 2018-08-24 国网辽宁省电力有限公司沈阳供电公司 一种基于偏最小二乘法的供电企业客户满意度评价方法
CN110222183A (zh) * 2019-06-12 2019-09-10 云南电网有限责任公司大理供电局 一种供电客户满意度评价模型的构建方法
CN112052966A (zh) * 2020-09-24 2020-12-08 佰聆数据股份有限公司 基于现场抢修工单的电力客户满意度分析系统和方法
WO2021004228A1 (zh) * 2019-07-08 2021-01-14 汉海信息技术(上海)有限公司 推荐理由的生成
CN112766783A (zh) * 2020-12-25 2021-05-07 广东电网有限责任公司电力科学研究院 电力设备运行质量的评价方法、系统、终端设备及介质
US20210141863A1 (en) * 2019-11-08 2021-05-13 International Business Machines Corporation Multi-perspective, multi-task neural network model for matching text to program code
CN112818106A (zh) * 2021-02-10 2021-05-18 北京工业大学 一种生成式问答的评价方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017228272A (ja) * 2016-06-17 2017-12-28 パナソニックＩｐマネジメント株式会社 意味生成方法、意味生成装置及びプログラム
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
CN108446850A (zh) * 2018-03-21 2018-08-24 国网辽宁省电力有限公司沈阳供电公司 一种基于偏最小二乘法的供电企业客户满意度评价方法
CN110222183A (zh) * 2019-06-12 2019-09-10 云南电网有限责任公司大理供电局 一种供电客户满意度评价模型的构建方法
WO2021004228A1 (zh) * 2019-07-08 2021-01-14 汉海信息技术(上海)有限公司 推荐理由的生成
US20210141863A1 (en) * 2019-11-08 2021-05-13 International Business Machines Corporation Multi-perspective, multi-task neural network model for matching text to program code
CN112052966A (zh) * 2020-09-24 2020-12-08 佰聆数据股份有限公司 基于现场抢修工单的电力客户满意度分析系统和方法
CN112766783A (zh) * 2020-12-25 2021-05-07 广东电网有限责任公司电力科学研究院 电力设备运行质量的评价方法、系统、终端设备及介质
CN112818106A (zh) * 2021-02-10 2021-05-18 北京工业大学 一种生成式问答的评价方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
ALI REZA ABBASI 等: "Considering cost and reliability in electrical and thermal distribution networks reinforcement planning", 《ENERGY》 *
SOHRAB ASGARPOOR 等: "Reliability Evaluation of Distribution Systems with Non-Exponential Down Times", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 *
VISVAKUMAR ARAVINTHAN 等: "Optimized Maintenance Scheduling for Budget-Constrained Distribution Utility", 《IEEE TRANSACTIONS ON SMART GRID》 *
WANG HAIZHU 等: "Research and implementation of intelligent analysis system for comprehensive outage management based on big data technology", 《2018 INTERNATIONAL CONFERENCE ON POWER SYSTEM TECHNOLOGY (POWERCON)》 *
刘林 等: "考虑气象因素的关键断面神经网络预测方法", 《电网技术》 *
崔丽华: "基于深度学习的光网络故障预测技术研究", 《中国优秀硕士学位论文全文数据库》 *
蔡新雷 等: "基于人工智能的电网调度操作智能防误系统建设及实践", 《电力大数据》 *
郭文鑫 等: "计及负荷需求响应的电力现货市场均衡研究", 《新型工业化》 *

Also Published As

Publication number Publication date
CN113449927B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN108491389B (zh) 点击诱饵标题语料识别模型训练方法和装置
CN110175229B (zh) 一种基于自然语言进行在线培训的方法和系统
US10922492B2 (en) Content optimization for audiences
CN110598222B (zh) 语言处理方法及装置、语言处理系统的训练方法及装置
CN111858854B (zh) 一种基于历史对话信息的问答匹配方法及相关装置
CN113722483B (zh) 话题分类方法、装置、设备及存储介质
CN112711950A (zh) 地址信息抽取方法、装置、设备及存储介质
WO2021143206A1 (zh) 单语句自然语言处理方法、装置、计算机设备及可读存储介质
CN113283238A (zh) 文本数据处理的方法和装置、电子设备和存储介质
CN112232078A (zh) 一种基于双向gru与注意力机制的调度操作票审核方法
CN116010581A (zh) 一种基于电网隐患排查场景的知识图谱问答方法及系统
CN115454706A (zh) 一种系统异常确定方法、装置、电子设备及存储介质
CN113449927B (zh) 基于自然语言故障抢修的评价方法、设备及存储介质
CN110502752A (zh) 一种文本处理方法、装置、设备及计算机存储介质
CN114416969A (zh) 一种基于背景增强的lstm-cnn在线评论情感分类方法及系统
Hong et al. Comprehensive technology function product matrix for intelligent chatbot patent mining
CN111507849A (zh) 核保方法及相关装置、设备
CN110782221A (zh) 一种面试智能评测系统及方法
CN116340777A (zh) 一种日志分类模型的训练方法、日志分类方法及装置
CN115953080A (zh) 工程师服务等级确定方法、设备和存储介质
CN115510213A (zh) 用于作业机械的问答方法及系统、作业机械
CN112434518B (zh) 一种文本报告打分方法及系统
CN112836654B (zh) 一种基于融合的表情识别方法、装置和电子设备
WO2024065776A1 (en) Method for data processing, apparatus for data processing, electronic device, and storage medium
CN116600053B (zh) 一种基于ai大语言模型的客服系统

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