CN114186028A - 咨诉工单处理方法、装置、设备及存储介质 - Google Patents
咨诉工单处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114186028A CN114186028A CN202111525974.8A CN202111525974A CN114186028A CN 114186028 A CN114186028 A CN 114186028A CN 202111525974 A CN202111525974 A CN 202111525974A CN 114186028 A CN114186028 A CN 114186028A
- Authority
- CN
- China
- Prior art keywords
- work order
- consulting
- consult
- time
- processing
- 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
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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/3332—Query translation
- G06F16/3334—Selection or weighting of terms from queries, including natural language queries
-
- 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
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及人工智能领域,揭露一种咨诉工单处理方法,包括:获取咨诉工单的生成时间,提取所述咨诉工单的关键词,根据所述关键词判断所述咨诉工单的类型,利用语义分析模型对所述咨诉工单进行语义分析,确定所述咨诉工单的优先级别,根据所述生成时间、类型及优先级别,确定所述咨诉工单的理论受理时间,获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间,根据所述历史咨诉工单的处理时间计算出所述咨诉工单的预估处理时长,根据所述理论受理时间及预估处理时长,计算所述咨诉工单的最迟受理时间,根据所述最迟受理时间,执行工单处理提醒。本发明还提出一种咨诉工单处理装置、设备以及存储介质。本发明可以提高咨诉工单的处理及时率。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种咨诉工单处理方法、装置、电子设备及可读存储介质。
背景技术
咨诉工单指的是对企业进行问题咨询或投诉的工单,如银行就业务人员态度不好而进行投诉的工单。目前,常见的检测咨诉工单是否及时处理的方法通常是处理人员对咨诉工单按照生成时间顺序进行处理,容易造成部分较难处理的咨诉工单堆积,从而导致后续咨诉工单处理超时。
发明内容
本发明提供一种咨诉工单处理方法、装置、电子设备及计算机可读存储介质,其目的在于提高咨诉工单处理的及时率。
为实现上述目的,本发明提供的一种咨诉工单处理方法,包括:
获取咨诉工单及所述咨诉工单的生成时间;
提取所述咨诉工单中的工单内容,分析所述工单内容的关键词,根据所述关键词判断所述咨诉工单的类型;
利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,根据所述语义分析结果确定所述咨诉工单的优先级别;
根据所述咨诉工单的生成时间、所述咨诉工单的类型及所述优先级别,确定所述咨诉工单的理论受理时间;
获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间,根据所述历史咨诉工单的处理时间计算出所述咨诉工单的预估处理时长;
根据所述理论受理时间、所述预估处理时长,计算所述咨诉工单的最迟受理时间;
根据所述最迟受理时间,执行工单处理提醒。
可选地,所述分析所述工单内容的关键词,包括:
将所述咨诉工单的工单内容与预构建的候选词模板进行匹配,得到所述工单内容的候选词集合;
利用关键信息提取算法对所述候选词集合中每个候选词进行评分,得到每个候选词的分值;
根据所述每个候选词的分值,选取预设个数的候选词作为所述工单内容的关键词。
可选地,所述利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,包括:
对所述咨诉工单进行分词处理,得到分词工单文本;
利用TF-LDF算法计算所述分词工单文本中每个词语的权重,得到词语权重;
从所述分词工单文本中提取所述词语权重大于预设阈值的词语,得到重要词语;
通过查找预设的词典,对所述重要词语进行词义标注,确定所述重要词语的词义;
组合所述重要词语的词义,得到语义分析结果。
可选地,所述利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,包括:
利用TF-LDF算法计算所述咨诉工单中每个语句的权重,根据所述权重从所述咨诉工单中选择掩码语句;
对所述待掩码语句执行掩码操作,得到已掩码语句;
对所述已掩码语句进行字向量转换及位置编码,得到定位字向量集;
对所述定位字向量集进行矩阵转换,得到定位向量矩阵,根据所述定位向量矩阵的维度,生成分类迭代转换矩阵;
根据所述定位向量矩阵、分类迭代转换矩阵,利用预构建的Softmax函数计算与所述定位字向量集对应的目标向量相关矩阵;
根据所述目标向量相关矩阵及所述定位向量矩阵,利用预构建的前馈神经网络对所述已掩码语句进行词语替换,并对所述已掩码语句中被替换的词语进行重要性评估,得到所述已掩码语句中的重要词语;
通过查找预设的词典,对所述重要词语进行词义标注,确定所述重要词语的词义;
组合所述重要词语的词义,得到语义分析结果。
可选地,所述提取所述咨诉工单中的工单内容之前,所述方法还包括:
当所述咨诉工单为录音文件时,对所述咨诉工单进行静音切除及降噪处理,得到可读取咨诉工单;
对所述可读取咨诉工单进行语音分帧,得到语音帧;
对所述语音帧进行声学特征提取,得到所述语音帧的多维特征向量;
利用预设的声学模型对所述多维特征向量进行状态识别,得到所述语音帧对应的状态;
对所述状态进行组合,得到所述语音帧对应的音素;
对所述音素进行组合,得到所述语音帧对应的单词;
输出所述单词,得到所述咨诉工单对应的工单文本。
可选地,所述获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间,根据所述历史咨诉工单的处理时间计算出所述咨诉工单的预估处理时长,包括:
获取与所述咨诉工单的类型相同的历史咨诉工单;
提取每个所述历史咨询工单的处理时长;
对每个所述历史咨询工单的处理时长进行加权平均计算,得到所述咨诉工单的预估处理时长。
可选地,所述根据所述最迟受理时间,执行工单处理提醒,包括:
实时获取本地系统时间,判断所述本地系统时间是否大于所述最迟受理时间;
当所述本地系统时间不大于所述最迟受理时间时,则重复所述实时获取本地系统时间,判断所述本地系统时间是否大于所述最迟受理时间的步骤;
当所述本地系统时间大于所述最迟受理时间时,则执行工单处理提醒。
为了解决上述问题,本发明还提供一种咨诉工单处理装置,所述装置包括:
咨诉工单分析模块,用于获取咨诉工单及所述咨诉工单的生成时间,提取所述咨诉工单中的工单内容,分析所述工单内容的关键词,根据所述关键词判断所述咨诉工单的类型,利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,根据所述语义分析结果确定所述咨诉工单的优先级别;
最迟受理时间计算模块,用于根据所述咨诉工单的生成时间、所述咨诉工单的类型及所述优先级别,确定所述咨诉工单的理论受理时间,获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间,根据所述历史咨诉工单的处理时间计算出所述咨诉工单的预估处理时长,根据所述理论受理时间、所述预估处理时长,计算所述咨诉工单的最迟受理时间;
咨诉工单处理提醒模块,用于根据所述最迟受理时间,执行工单处理提醒。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个计算机程序;及
处理器,执行所述存储器中存储的计算机程序以实现上述所述的咨诉工单处理方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的咨诉工单处理方法。
本发明实施例提出的咨诉工单处理方法、装置、电子设备及可读存储介质根据咨诉工单的内容判断所述工单类型,并对所述咨诉工单进行语义分析,确定所述咨诉工单的优先级别,进一步地,根据所述工单类型及所述优先级别确定所述咨诉工单的理论受理时间;其次,获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间,根据所述历史咨诉工单的处理时间计算出所述咨诉工单的预估处理时长;最后,根据所述理论受理时间、所述预估处理时长,计算所述咨诉工单的最迟受理时间,并根据所述最迟受理时间,执行工单处理提醒,以确保工单处理人员能够有充足的时间及时处理对应的咨诉工单,提高了咨诉工单的处理及时率。
附图说明
图1为本发明一实施例提供的咨诉工单处理方法的流程示意图;
图2为本发明一实施例提供的咨诉工单处理装置的模块示意图;
图3为本发明一实施例提供的实现咨诉工单处理方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种咨诉工单处理方法。所述咨诉工单处理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述咨诉工单处理方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端可以包括独立的服务器,也可以包括提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示的本发明一实施例提供的咨诉工单处理方法的流程示意图,在本发明实施例中,所述咨诉工单处理方法包括:
S1、获取咨诉工单及所述咨诉工单的生成时间。
本发明实施例中,所述咨诉工单可以是录音文件或文本文件。所述咨诉工单的生成时间可以是客户在结束咨询或投诉时获取的本地系统时间。
S2、提取所述咨诉工单中的工单内容,分析所述工单内容的关键词,根据所述关键词判断所述咨诉工单的类型。
本发明实施例中,所述工单内容可以是所述咨诉工单中客户与客服的聊天录音或客户进行咨询和投诉的文本内容。所述咨诉工单的类型可以包含咨询工单及投诉工单等类型。
本发明一可选实施例中,当所述咨诉工单为录音文件时,需对录音文件进行语音识别转换,得到所述咨诉工单的文本文件,再提取所述文本文件的工单内容,判断所述咨诉工单的类型。
具体地,当所述咨诉工单为录音文件时,所述提取所述咨诉工单中的工单内容之前,所述方法还包括:
对所述咨诉工单进行静音切除及降噪处理,得到可读取咨诉工单;
对所述可读取咨诉工单进行语音分帧,得到语音帧;
对所述语音帧进行声学特征提取,得到所述语音帧的多维特征向量;
利用预设的声学模型对所述多维特征向量进行状态识别,得到所述语音帧对应的状态;
对所述状态进行组合,得到所述语音帧对应的音素;
对所述音素进行组合,得到所述语音帧对应的单词;
输出所述单词,得到所述咨诉工单对应的工单文本。
本发明实施例中,所述预设的声学模型可以是一个多分类器,其中包含大量参数用于确认所述语音帧对应的状态,进一步地,所述参数可以是经过大量语音数据进行训练得到。所述音素可以是汉字的声母或者韵母等。
本发明一个实施例中,在开始语音识别之前,有时需要把首尾端的静音切除,降低对后续步骤造成的干扰。这个静音切除的操作一般称为VAD,可使用信号处理技术实现。
本发明其中一个实施例中,可以使用移动窗函数对所述可读取咨诉工单进行语音分帧。
进一步地,所述分析所述工单内容的关键词,包括:
将所述咨诉工单的工单内容与预构建的候选词模板进行匹配,得到所述工单内容的候选词集合;
利用关键信息提取算法对所述候选词集合中每个候选词进行评分,得到每个候选词的分值;
根据所述每个候选词的分值,选取预设个数的候选词作为所述工单内容的关键词。
本发明实施例中,所述预构建的候选词模板可以是根据历史咨诉工单整理得到的包含大部分关键词的模板。
进一步地,本发明实施例根据所述关键词,利用预构建的分类器对所述咨诉工单进行分类,其中,所述预构建的分类器可以是基于深度学习的神经网络模型,用于区分所述咨诉工单属于咨询工单还是投诉工单。
S3、利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,根据所述语义分析结果确定所述咨诉工单的优先级别。
本发明实施例中,所述预设的语义分析模型可以是Bert模型,用于分析文本形式的咨诉工单的语义。
本发明可选实施例中,客户对问题待解决的速度可以从咨诉工单的语义中分析得到,例如,当利用语义分析模型对某咨诉工单进行语义分析,得到所述咨诉工单为急切,可以知道客户急需所述咨诉工单被处理,因此可以将所述咨诉工单设置为高优先级,从而提升用户体验。
详细地,所述利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,包括:
对所述咨诉工单进行分词处理,得到分词工单文本;
利用TF-LDF算法计算所述分词工单文本中每个词语的权重,得到词语权重;
从所述分词工单文本中提取所述词语权重大于预设阈值的词语,得到重要词语;
通过查找预设的词典,对所述重要词语进行词义标注,确定所述重要词语的词义;
组合所述重要词语的词义,得到语义分析结果。
本发明另一实施例中,可利用对咨诉工单的语句进行掩码,再利用语义分析模型对所述咨诉工单进行语义分析,从而得到语义分析结果。
详细地,所述利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,还可以包括:
利用TF-LDF算法计算所述咨诉工单中每个语句的权重,根据所述权重从所述咨诉工单中选择掩码语句;
对所述待掩码语句执行掩码操作,得到已掩码语句;
对所述已掩码语句进行字向量转换及位置编码,得到定位字向量集;
对所述定位字向量集进行矩阵转换,得到定位向量矩阵,根据所述定位向量矩阵的维度,生成分类迭代转换矩阵;
根据所述定位向量矩阵、分类迭代转换矩阵,利用预构建的Softmax函数计算与所述定位字向量集对应的目标向量相关矩阵;
根据所述目标向量相关矩阵及所述定位向量矩阵,利用预构建的前馈神经网络对所述已掩码语句进行词语替换,并对所述已掩码语句中被替换的词语进行重要性评估,得到所述已掩码语句中的重要词语;
通过查找预设的词典,对所述重要词语进行词义标注,确定所述重要词语的词义;
组合所述重要词语的词义,得到语义分析结果。
本发明实施例中,所述掩码操作包括MASK掩码、随机掩码等。所述字向量转换可采用Word2vec算法。所述预构建的前馈神经网络可是已经训练好的Bert模型,用于找出一段文本中用户所需要的语句。
进一步地,本发明实施例将所述语义分析结果与预设的语义优先级对照表进行对照,确定所述咨诉工单的优先级别。
所述语义优先级对照表可以是根据语义分析结果对所述咨诉工单进行优先级分配的对照表,如急切、急迫语义对应最高优先级等。
S4、根据所述咨诉工单的生成时间、所述咨诉工单的类型及所述优先级别,确定所述咨诉工单的理论受理时间。
本发明实施例中,所述咨诉工单的理论受理时间是指不受外界干扰情况下工单处理人员着手处理所述咨诉工单的最佳时间。
本发明可选实施例中,首先确定所述咨诉工单类型与所述优先级别在计算咨诉工单的理论受理时间时的占比,根据所述占比及所述咨诉工单的生成时间计算出所述咨诉工单的理论受理时间。
进一步地,可通过预设的工单类型对照表及工单级别对照表确定所述咨诉工单的类型与所述优先级别在计算咨诉工单的理论受理时间时的占比,其中所述工单类型对照表可以是不同工单种类所对应的占比权重表格,如咨询工单占比为30%;所述工单级别对照表可以是不同级别工单所对应的占比权重表格,如第一级工单占比为80%。
S5、获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间,根据所述历史咨诉工单的处理时间计算出所述咨诉工单的预估处理时长。
本发明实施例中,所述预估处理时长可以是根据大数据计算得到的所述咨诉工单的预估处理完毕时间。
本发明可选实施例中,仅靠当前咨诉工单的工单内容难以准确的计算出所述咨诉工单的预估处理时长,为了更准确地计算出所述咨诉工单的预估处理时长,可以通过获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间来实现,间接提高了咨诉工单的处理及时率。
详细地,所述获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间,根据所述历史咨诉工单的处理时间计算出所述咨诉工单的预估处理时长,包括:
获取与所述咨诉工单的类型相同的历史咨诉工单;
提取每个所述历史咨询工单的处理时长;
对每个所述历史咨询工单的处理时长进行加权平均计算,得到所述咨诉工单的预估处理时长。
S6、根据所述理论受理时间、所述预估处理时长,计算出所述咨诉工单的最迟受理时间。
本发明实施例中,通过计算所述咨诉工单的最迟受理时间,确定所述咨诉工单的最晚处理时间,确保了工单处理人员有足够的时间对所述咨诉工单进行处理,从而降低咨诉工单处理不及时的问题,提高了咨诉工单的处理及时率。
S7、根据所述最迟受理时间,执行工单处理提醒。
本发明实施例中,所述工单处理提醒可以是利用邮件、短信或APP等通知相关处理人员。
详细地,所述根据所述最迟受理时间,执行工单处理提醒,包括:
实时获取本地系统时间,判断所述本地系统时间是否大于所述最迟受理时间;
当所述本地系统时间不大于所述最迟受理时间时,则重复所述实时获取本地系统时间,判断所述本地系统时间是否大于所述最迟受理时间的步骤;
当所述本地系统时间大于所述最迟受理时间时,则执行工单处理提醒。
本发明实施例提出的咨诉工单处理方法根据咨诉工单的内容判断所述工单类型,并对所述咨诉工单进行语义分析,确定所述咨诉工单的优先级别,进一步地,根据所述工单类型及所述优先级别确定所述咨诉工单的理论受理时间;其次,获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间,根据所述历史咨诉工单的处理时间计算出所述咨诉工单的预估处理时长;最后,根据所述理论受理时间、所述预估处理时长,计算所述咨诉工单的最迟受理时间,并根据所述最迟受理时间,执行工单处理提醒,以确保工单处理人员能够有充足的时间及时处理对应的咨诉工单,提高了咨诉工单的处理及时率。
如图2所示,是本发明咨诉工单处理装置的功能模块图。
本发明所述咨诉工单处理装置100可以安装于电子设备中。根据实现的功能,所述咨诉工单处理装置可以包括咨诉工单分析模块101、最迟受理时间计算模块102及咨诉工单处理提醒模块103,本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述咨诉工单分析模块101用于获取咨诉工单及所述咨诉工单的生成时间,提取所述咨诉工单中的工单内容,分析所述工单内容的关键词,根据所述关键词判断所述咨诉工单的类型,利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,根据所述语义分析结果确定所述咨诉工单的优先级别。
本发明实施例中,所述咨诉工单可以是录音文件或文本文件。所述咨诉工单的生成时间可以是客户在结束咨询或投诉时获取的本地系统时间。
本发明实施例中,所述工单内容可以是所述咨诉工单中客户与客服的聊天录音或客户进行咨询和投诉的文本内容。所述咨诉工单的类型可以包含咨询工单及投诉工单等类型。
本发明一可选实施例中,当所述咨诉工单为录音文件时,需对录音文件进行语音识别转换,得到所述咨诉工单的文本文件,再提取所述文本文件的工单内容,判断所述咨诉工单的类型。
具体地,当所述咨诉工单为录音文件时,所述提取所述咨诉工单中的工单内容之前,所述方法还包括:
对所述咨诉工单进行静音切除及降噪处理,得到可读取咨诉工单;
对所述可读取咨诉工单进行语音分帧,得到语音帧;
对所述语音帧进行声学特征提取,得到所述语音帧的多维特征向量;
利用预设的声学模型对所述多维特征向量进行状态识别,得到所述语音帧对应的状态;
对所述状态进行组合,得到所述语音帧对应的音素;
对所述音素进行组合,得到所述语音帧对应的单词;
输出所述单词,得到所述咨诉工单对应的工单文本。
本发明实施例中,所述预设的声学模型可以是一个多分类器,其中包含大量参数用于确认所述语音帧对应的状态,进一步地,所述参数可以是经过大量语音数据进行训练得到。所述音素可以是汉字的声母或者韵母等。
本发明一个实施例中,在开始语音识别之前,有时需要把首尾端的静音切除,降低对后续步骤造成的干扰。这个静音切除的操作一般称为VAD,可使用信号处理技术实现。
本发明其中一个实施例中,可以使用移动窗函数对所述可读取咨诉工单进行语音分帧。
进一步地,所述分析所述工单内容的关键词,包括:
将所述咨诉工单的工单内容与预构建的候选词模板进行匹配,得到所述工单内容的候选词集合;
利用关键信息提取算法对所述候选词集合中每个候选词进行评分,得到每个候选词的分值;
根据所述每个候选词的分值,选取预设个数的候选词作为所述工单内容的关键词。
本发明实施例中,所述预构建的候选词模板可以是根据历史咨诉工单整理得到的包含大部分关键词的模板。
进一步地,本发明实施例根据所述关键词,利用预构建的分类器对所述咨诉工单进行分类,其中,所述预构建的分类器可以是基于深度学习的神经网络模型,用于区分所述咨诉工单属于咨询工单还是投诉工单。
本发明实施例中,所述预设的语义分析模型可以是Bert模型,用于分析文本形式的咨诉工单的语义。
本发明可选实施例中,客户对问题待解决的速度可以从咨诉工单的语义中分析得到,例如,当利用语义分析模型对某咨诉工单进行语义分析,得到所述咨诉工单为急切,可以知道客户急需所述咨诉工单被处理,因此可以将所述咨诉工单设置为高优先级,从而提升用户体验。
详细地,所述利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,包括:
对所述咨诉工单进行分词处理,得到分词工单文本;
利用TF-LDF算法计算所述分词工单文本中每个词语的权重,得到词语权重;
从所述分词工单文本中提取所述词语权重大于预设阈值的词语,得到重要词语;
通过查找预设的词典,对所述重要词语进行词义标注,确定所述重要词语的词义;
组合所述重要词语的词义,得到语义分析结果。
本发明另一实施例中,可利用对咨诉工单的语句进行掩码,再利用语义分析模型对所述咨诉工单进行语义分析,从而得到语义分析结果。详细地,所述利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,还可以包括:
利用TF-LDF算法计算所述咨诉工单中每个语句的权重,根据所述权重从所述咨诉工单中选择掩码语句;
对所述待掩码语句执行掩码操作,得到已掩码语句;
对所述已掩码语句进行字向量转换及位置编码,得到定位字向量集;
对所述定位字向量集进行矩阵转换,得到定位向量矩阵,根据所述定位向量矩阵的维度,生成分类迭代转换矩阵;
根据所述定位向量矩阵、分类迭代转换矩阵,利用预构建的Softmax函数计算与所述定位字向量集对应的目标向量相关矩阵;
根据所述目标向量相关矩阵及所述定位向量矩阵,利用预构建的前馈神经网络对所述已掩码语句进行词语替换,并对所述已掩码语句中被替换的词语进行重要性评估,得到所述已掩码语句中的重要词语;
通过查找预设的词典,对所述重要词语进行词义标注,确定所述重要词语的词义;
组合所述重要词语的词义,得到语义分析结果。
本发明实施例中,所述掩码操作包括MASK掩码、随机掩码等。所述字向量转换可采用Word2vec算法。所述预构建的前馈神经网络可是已经训练好的Bert模型,用于找出一段文本中用户所需要的语句。
进一步地,本发明实施例将所述语义分析结果与预设的语义优先级对照表进行对照,确定所述咨诉工单的优先级别。
所述语义优先级对照表可以是根据语义分析结果对所述咨诉工单进行优先级分配的对照表,如急切、急迫语义对应最高优先级等。
所述最迟受理时间计算模块102用于根据所述咨诉工单的生成时间、所述咨诉工单的类型及所述优先级别,确定所述咨诉工单的理论受理时间,获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间,根据所述历史咨诉工单的处理时间计算出所述咨诉工单的预估处理时长,根据所述理论受理时间、所述预估处理时长,计算所述咨诉工单的最迟受理时间。
本发明实施例中,所述咨诉工单的理论受理时间是指不受外界干扰情况下工单处理人员着手处理所述咨诉工单的最佳时间。
本发明可选实施例中,首先确定所述咨诉工单类型与所述优先级别在计算咨诉工单的理论受理时间时的占比,根据所述占比及所述咨诉工单的生成时间计算出所述咨诉工单的理论受理时间。
进一步地,可通过预设的工单类型对照表及工单级别对照表确定所述咨诉工单的类型与所述优先级别在计算咨诉工单的理论受理时间时的占比,其中所述工单类型对照表可以是不同工单种类所对应的占比权重表格,如咨询工单占比为30%;所述工单级别对照表可以是不同级别工单所对应的占比权重表格,如第一级工单占比为80%。
本发明实施例中,所述预估处理时长可以是根据大数据计算得到的所述咨诉工单的预估处理完毕时间。
本发明可选实施例中,仅靠当前咨诉工单的工单内容难以准确的计算出所述咨诉工单的预估处理时长,为了更准确地计算出所述咨诉工单的预估处理时长,可以通过获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间来实现,间接提高了咨诉工单的处理及时率。
详细地,所述获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间,根据所述历史咨诉工单的处理时间计算出所述咨诉工单的预估处理时长,包括:
获取与所述咨诉工单的类型相同的历史咨诉工单;
提取每个所述历史咨询工单的处理时长;
对每个所述历史咨询工单的处理时长进行加权平均计算,得到所述咨诉工单的预估处理时长。
本发明实施例中,通过计算所述咨诉工单的最迟受理时间,确定所述咨诉工单的最晚处理时间,确保了工单处理人员有足够的时间对所述咨诉工单进行处理,从而降低咨诉工单处理不及时的问题,提高了咨诉工单的处理及时率。
所述咨诉工单处理提醒模块103用于根据所述最迟受理时间,执行工单处理提醒。
本发明实施例中,所述工单处理提醒可以是利用邮件、短信或APP等通知相关处理人员。
详细地,所述根据所述最迟受理时间,执行工单处理提醒,包括:
实时获取本地系统时间,判断所述本地系统时间是否大于所述最迟受理时间;
当所述本地系统时间不大于所述最迟受理时间时,则重复所述实时获取本地系统时间,判断所述本地系统时间是否大于所述最迟受理时间的步骤;
当所述本地系统时间大于所述最迟受理时间时,则执行工单处理提醒。
如图3所示,是本发明实现咨诉工单处理方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信总线12和通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如咨诉工单处理程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、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,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如咨诉工单处理程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如咨诉工单处理程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信总线12可以是外设部件互连标准(perIPheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述通信总线12总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,所述通信接口13还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的咨诉工单处理程序是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取咨诉工单及所述咨诉工单的生成时间;
提取所述咨诉工单中的工单内容,分析所述工单内容的关键词,根据所述关键词判断所述咨诉工单的类型;
利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,根据所述语义分析结果确定所述咨诉工单的优先级别;
根据所述咨诉工单的生成时间、所述咨诉工单的类型及所述优先级别,确定所述咨诉工单的理论受理时间;
获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间,根据所述历史咨诉工单的处理时间计算出所述咨诉工单的预估处理时长;
根据所述理论受理时间、所述预估处理时长,计算所述咨诉工单的最迟受理时间;
根据所述最迟受理时间,执行工单处理提醒。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/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。所述计算机可读介质可以是非易失性的,也可以是易失性的。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明实施例还可以提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取咨诉工单及所述咨诉工单的生成时间;
提取所述咨诉工单中的工单内容,分析所述工单内容的关键词,根据所述关键词判断所述咨诉工单的类型;
利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,根据所述语义分析结果确定所述咨诉工单的优先级别;
根据所述咨诉工单的生成时间、所述咨诉工单的类型及所述优先级别,确定所述咨诉工单的理论受理时间;
获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间,根据所述历史咨诉工单的处理时间计算出所述咨诉工单的预估处理时长;
根据所述理论受理时间、所述预估处理时长,计算所述咨诉工单的最迟受理时间;
根据所述最迟受理时间,执行工单处理提醒。
进一步地,所述计算机可用存储介质可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据区块链节点的使用所创建的数据等。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,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,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种咨诉工单处理方法,其特征在于,所述方法包括:
获取咨诉工单及所述咨诉工单的生成时间;
提取所述咨诉工单中的工单内容,分析所述工单内容的关键词,根据所述关键词判断所述咨诉工单的类型;
利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,根据所述语义分析结果确定所述咨诉工单的优先级别;
根据所述咨诉工单的生成时间、所述咨诉工单的类型及所述优先级别,确定所述咨诉工单的理论受理时间;
获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间,根据所述历史咨诉工单的处理时间计算出所述咨诉工单的预估处理时长;
根据所述理论受理时间、所述预估处理时长,计算所述咨诉工单的最迟受理时间;
根据所述最迟受理时间,执行工单处理提醒。
2.如权利要求1所述的咨诉工单处理方法,其特征在于,所述分析所述工单内容的关键词,包括:
将所述咨诉工单的工单内容与预构建的候选词模板进行匹配,得到所述工单内容的候选词集合;
利用关键信息提取算法对所述候选词集合中每个候选词进行评分,得到每个候选词的分值;
根据所述每个候选词的分值,选取预设个数的候选词作为所述工单内容的关键词。
3.如权利要求1所述的咨诉工单处理方法,其特征在于,所述利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,包括:
对所述咨诉工单进行分词处理,得到分词工单文本;
利用TF-LDF算法计算所述分词工单文本中每个词语的权重,得到词语权重;
从所述分词工单文本中提取所述词语权重大于预设阈值的词语,得到重要词语;
通过查找预设的词典,对所述重要词语进行词义标注,确定所述重要词语的词义;
组合所述重要词语的词义,得到语义分析结果。
4.如权利要求1所述的咨诉工单处理方法,其特征在于,所述利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,包括:
利用TF-LDF算法计算所述咨诉工单中每个语句的权重,根据所述权重从所述咨诉工单中选择掩码语句;
对所述待掩码语句执行掩码操作,得到已掩码语句;
对所述已掩码语句进行字向量转换及位置编码,得到定位字向量集;
对所述定位字向量集进行矩阵转换,得到定位向量矩阵,根据所述定位向量矩阵的维度,生成分类迭代转换矩阵;
根据所述定位向量矩阵、分类迭代转换矩阵,利用预构建的Softmax函数计算与所述定位字向量集对应的目标向量相关矩阵;
根据所述目标向量相关矩阵及所述定位向量矩阵,利用预构建的前馈神经网络对所述已掩码语句进行词语替换,并对所述已掩码语句中被替换的词语进行重要性评估,得到所述已掩码语句中的重要词语;
通过查找预设的词典,对所述重要词语进行词义标注,确定所述重要词语的词义;
组合所述重要词语的词义,得到语义分析结果。
5.如权利要求1所述的咨诉工单处理方法,其特征在于,所述提取所述咨诉工单中的工单内容之前,所述方法还包括:
当所述咨诉工单为录音文件时,对所述咨诉工单进行静音切除及降噪处理,得到可读取咨诉工单;
对所述可读取咨诉工单进行语音分帧,得到语音帧;
对所述语音帧进行声学特征提取,得到所述语音帧的多维特征向量;
利用预设的声学模型对所述多维特征向量进行状态识别,得到所述语音帧对应的状态;
对所述状态进行组合,得到所述语音帧对应的音素;
对所述音素进行组合,得到所述语音帧对应的单词;
输出所述单词,得到所述咨诉工单对应的工单文本。
6.如权利要求1所述的咨诉工单处理方法,其特征在于,所述获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间,根据所述历史咨诉工单的处理时间计算出所述咨诉工单的预估处理时长,包括:
获取与所述咨诉工单的类型相同的历史咨诉工单;
提取每个所述历史咨询工单的处理时长;
对每个所述历史咨询工单的处理时长进行加权平均计算,得到所述咨诉工单的预估处理时长。
7.如权利要求1所述的咨诉工单处理方法,其特征在于,所述根据所述最迟受理时间,执行工单处理提醒,包括:
实时获取本地系统时间,判断所述本地系统时间是否大于所述最迟受理时间;
当所述本地系统时间不大于所述最迟受理时间时,则重复所述实时获取本地系统时间,判断所述本地系统时间是否大于所述最迟受理时间的步骤;
当所述本地系统时间大于所述最迟受理时间时,则执行工单处理提醒。
8.一种咨诉工单处理装置,其特征在于,包括:
咨诉工单分析模块,用于获取咨诉工单及所述咨诉工单的生成时间,提取所述咨诉工单中的工单内容,分析所述工单内容的关键词,根据所述关键词判断所述咨诉工单的类型,利用预设的语义分析模型对所述咨诉工单进行语义分析,得到语义分析结果,根据所述语义分析结果确定所述咨诉工单的优先级别;
最迟受理时间计算模块,用于根据所述咨诉工单的生成时间、所述咨诉工单的类型及所述优先级别,确定所述咨诉工单的理论受理时间,获取与所述咨诉工单的类型相同的历史咨诉工单的处理时间,根据所述历史咨诉工单的处理时间计算出所述咨诉工单的预估处理时长,根据所述理论受理时间、所述预估处理时长,计算所述咨诉工单的最迟受理时间;
咨诉工单处理提醒模块,用于根据所述最迟受理时间,执行工单处理提醒。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的咨诉工单处理方法。
10.一种计算机可读存储介质,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7中任一项所述的咨诉工单处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525974.8A CN114186028A (zh) | 2021-12-14 | 2021-12-14 | 咨诉工单处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525974.8A CN114186028A (zh) | 2021-12-14 | 2021-12-14 | 咨诉工单处理方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114186028A true CN114186028A (zh) | 2022-03-15 |
Family
ID=80604901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111525974.8A Pending CN114186028A (zh) | 2021-12-14 | 2021-12-14 | 咨诉工单处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114186028A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113452852A (zh) * | 2021-06-28 | 2021-09-28 | 中国平安财产保险股份有限公司 | 机器外呼的数量调控方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-14 CN CN202111525974.8A patent/CN114186028A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113452852A (zh) * | 2021-06-28 | 2021-09-28 | 中国平安财产保险股份有限公司 | 机器外呼的数量调控方法、装置、电子设备及存储介质 |
CN113452852B (zh) * | 2021-06-28 | 2022-11-25 | 中国平安财产保险股份有限公司 | 机器外呼的数量调控方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597312A (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN112527994A (zh) | 情绪分析方法、装置、设备及可读存储介质 | |
CN113205814B (zh) | 语音数据标注方法、装置、电子设备及存储介质 | |
CN113704429A (zh) | 基于半监督学习的意图识别方法、装置、设备及介质 | |
CN115002200A (zh) | 基于用户画像的消息推送方法、装置、设备及存储介质 | |
CN113722483A (zh) | 话题分类方法、装置、设备及存储介质 | |
CN112988963A (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
CN113064994A (zh) | 会议质量评估方法、装置、设备及存储介质 | |
CN112507663A (zh) | 基于文本的判断题生成方法、装置、电子设备及存储介质 | |
CN113807103A (zh) | 基于人工智能的招聘方法、装置、设备及存储介质 | |
CN114626731A (zh) | 风险识别方法、装置、电子设备及计算机可读存储介质 | |
CN115186094A (zh) | 多意图分类的模型训练方法、装置、电子设备及存储介质 | |
CN115081538A (zh) | 基于机器学习的客户关系识别方法、装置、设备及介质 | |
CN112667775A (zh) | 基于关键词提示的检索方法、装置、电子设备及存储介质 | |
CN113420542B (zh) | 对话生成方法、装置、电子设备及存储介质 | |
CN113808616A (zh) | 语音合规检测方法、装置、设备及存储介质 | |
CN114706961A (zh) | 目标文本识别方法、装置及存储介质 | |
CN114461777A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN113254814A (zh) | 网络课程视频打标签方法、装置、电子设备及介质 | |
CN114186028A (zh) | 咨诉工单处理方法、装置、设备及存储介质 | |
CN112989043A (zh) | 指代消解方法、装置、电子设备及可读存储介质 | |
CN112597748A (zh) | 语料生成方法、装置、设备及计算机可读存储介质 | |
CN112579781A (zh) | 文本归类方法、装置、电子设备及介质 | |
CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
CN114420168A (zh) | 情绪识别方法、装置、设备及存储介质 |
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 |