CN114548825B - 投诉工单失真检测方法、装置、设备及存储介质 - Google Patents
投诉工单失真检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114548825B CN114548825B CN202210289573.5A CN202210289573A CN114548825B CN 114548825 B CN114548825 B CN 114548825B CN 202210289573 A CN202210289573 A CN 202210289573A CN 114548825 B CN114548825 B CN 114548825B
- Authority
- CN
- China
- Prior art keywords
- text
- work order
- complaint
- distortion detection
- answer
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 141
- 238000004458 analytical method Methods 0.000 claims abstract description 114
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000002372 labelling Methods 0.000 claims abstract description 26
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/06—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
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种投诉工单失真检测方法，包括：提取投诉工单样本集中的工单内容文本集；对工单内容文本集预标注答案文本，得到第一训练语料；利用第一训练语料对文本分析模型执行训练，得到训练完成的标准文本分析模型；利用所述标准文本分析模型对投诉工单样本集执行答案预测分析；将分析得到答案预测结果与对应的投诉问题字段文本整合成问题‑答案文本对，并作为第二训练语料对失真检测模型进行训练，得到标准失真检测模型；利用标准文本分析模型与标准失真检测模型对待检测投诉工单执行失真检测。本发明还提出一种投诉工单失真检测装置、电子设备以及存储介质。本发明可以提高投诉工单失真检测的效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种投诉工单失真检测方法、装置、电子设备及计算机可读存储介质。
背景技术
在企业中，负责接听客户咨询投诉电话的业务员会将客户的诉求在系统中完成录入，形成投诉工单。通常，投诉工单需要录入的字段文本非常多，包括“工单内容”、“业务类别”、“投诉原因”、“受理渠道”和“投诉问题等级”等对应的字段文本。其中，所述“工单内容”字段文本记录着客户投诉的整个经过信息，需要业务员手动敲入；而“业务类别”、“投诉原因”、“受理渠道”和“投诉问题等级”等字段文本由业务员手动进行勾选完成，这些字段文本在工单处理和流转过程中起着关键的作用，如果敲入或者勾选有误，就会导致工单失真，从而影响工单的处理时效和质量。所以能否高效率地检测投诉工单是否失真，对提高企业的服务质量有着直接的关系。
发明内容
本发明提供一种投诉工单失真检测方法、装置、设备及存储介质，其主要目的在于解决进行投诉工单失真检测效率较低的问题。
为实现上述目的，本发明提供的一种投诉工单失真检测方法，包括：
获取投诉工单样本集，提取所述投诉工单样本集中的每个工单样本的工单内容文本，汇总所述工单内容文本得到工单内容文本集；
根据预构建的投诉问题字段文本，对所述工单内容文本集中的每个工单内容文本预标注答案文本，得到标注工单内容文本集；
将所述标注工单内容文本集作为第一训练语料对预构建的文本分析模型执行训练，得到标准文本分析模型；
利用所述标准文本分析模型对所述投诉工单样本集执行答案预测分析，得到答案预测结果；
将所述答案预测结果与对应的投诉问题字段文本整合成问题-答案文本对，并将所述问题-答案文本对作为第二训练语料对预构建的失真检测模型进行训练，得到标准失真检测模型；
获取待检测投诉工单，并利用所述标准文本分析模型与所述标准失真检测模型对所述待检测工单执行失真检测，得到所述待检测工单的失真检测结果。
可选地，所述提取所述投诉工单样本集中的每个工单样本的工单内容文本，包括：
去除所述投诉工单样本集中每个工单样本的表格线；
利用OCR技术，从去除表格线的所述工单样本中提取文字，并按照预定义的排字顺序将提取得到的所述文字复制于规定位置处，得到工单样本文本；
基于正则化规则去除所述工单样本文本的特殊符号以及不规范文本，并对每个所述工单样本文本中剩余文字执行文字标准化转化处理，得到所述工单内容文本。
可选地，所述根据预构建的投诉问题字段文本，对所述工单内容文本集中的每个工单内容文本预标注答案文本，得到标注工单内容文本集，包括：
在所述工单内容文本集中查找预设的投诉问题字段文本对应的答案文本；
根据所述答案文本，在所述工单内容文本中标注起始字符位和终止字符位，得到标注工单内容文本集。
可选地，所述将所述标注工单内容文本集作为第一训练语料对预构建的文本分析模型执行训练，得到标准文本分析模型，包括：
利用所述文本分析模型的编码层对所述标注工单内容文本集执行文本位置编码，得到编码工单内容文本集；
利用所述文本分析模型的隐藏层对所述编码工单内容文本集执行特征提取处理，得到文本特征；
利用所述文本分析模型的全连接层对所述文本特征进行扁平化处理，得到分析文本；
利用预构建的损失值函数，计算所述投诉问题字段文本下的分析文本与在所述工单内容文本中标注的所述投诉问题字段文本下的答案文本的损失值，并判断所述损失值是否大于预设的损失值阈值；
当所述损失值大于所述损失值阈值时，调整所述文本分析模型的模型参数，并返回上述的利用所述文本分析模型的编码层对所述标注工单内容文本集执行文本位置编码的步骤；
当所述损失值不大于所述损失值阈值，得到标准文本分析模型。
可选地，所述将所述问题-答案文本对作为第二训练语料对预构建的失真检测模型进行训练，得到标准失真检测模型，包括：
利用预构建的失真检测模型中的分类器，识别所述问题-答案文本对中的答案预测结果的文本特征；
利用所述失真检测模型中的分类层计算每个所述文本特征中的投诉问题字段文本类别概率；
根据所述投诉问题字段文本类别概率，利用所述失真检测模型中的全连接层分析投诉问题字段文本预测类别；
根据预构建的损失值函数，计算所述答案预测结果的投诉问题字段文本预测类别与所述答案预测结果对应的投诉问题字段文本真实类别之间的损失值；
当所述损失值大于预设的损失值阈值时，则调整所述失真检测模型的模型参数，并返回利用所述失真检测模型中的分类层计算每个所述文本特征中的投诉问题字段文本类别概率的步骤；
当所述损失值不大于预设的损失值阈值时，得到所述标准失真检测模型。
可选地，所述利用所述标准文本分析模型与所述标准失真检测模型对所述待检测工单执行失真检测，得到所述待检测工单的失真检测结果，包括：
利用所述标准文本分析模型提取所述待检测投诉工单中每个投诉问题字段文本下的预测文本；
利用所述失真检测模型分析所述预测文本的预测投诉问题字段文本类别；
通过比较所述预测文本对应的所述预测投诉问题字段文本类别以及所述预测文本的实际投诉问题字段文本类别是否相同，判断所述待检测工单是否失真。
可选地，所述判断所述待检测工单是否失真，包括：
当所述预测文本对应的预测投诉问题字段文本类别以及所述预测文本的实际投诉问题字段文本类别的文本字段相同时，判断所述待检测投诉工单未失真，成功通过失真检测；
当任意一个所述预测文本对应的预测投诉问题字段文本类别以及预测所述文本的实际投诉问题字段文本类别的文本字段不相同时，则判定所述待检测投诉工单存在失真可能。
为了解决上述问题，本发明还提供一种投诉工单失真检测装置，所述装置包括：
文本分析模型训练模块，用于获取投诉工单样本集，并提取所述投诉工单样本集中的每个工单样本的工单内容文本，汇总所述工单内容文本得到工单内容文本集；根据预构建的投诉问题字段文本，对所述工单内容文本集中的每个工单内容文本，预标注答案文本，得到第一训练语料；利用所述第一训练语料对预构建的文本分析模型执行训练，得到标准文本分析模型；
失真检测模型训练模块，用于利用所述标准文本分析模型对所述投诉工单样本集执行答案预测分析，得到答案预测结果；将所述答案预测结果与对应的投诉问题字段文本整合成问题-答案文本对，并将所述问题-答案文本对作为第二训练语料对预构建的失真检测模型进行训练，得到标准失真检测模型；
失真判断模块，用于获取待检测投诉工单，并利用所述标准文本分析模型与所述标准失真检测模型对所述待检测工单执行失真检测，得到所述待检测工单的失真检测结果。
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：
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，所述计算机程序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上述所述的投诉工单失真检测方法。
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投诉工单失真检测方法。
本发明实施例通过对投诉工单样本集预标注后作为第一训练语料，对文本分析模型执行训练，可以提升文本分析模型在投诉工单领域的处理精度；利用训练完成的标准文本分析模型预测的答案预测结果与对应的投诉问题字段文本构建问题-答案文本对，并利用问题-答案文本对作为第二训练语料，对预构建的失真检测模型进行训练，训练完成后得到标准失真检测模型；在获取待检测投诉工单时，可利用所述标准文本分析模型与所述标准失真检测模型联立完成待检测投诉工单的失真智能检测。因此本发明提出的投诉工单失真检测方法、装置、设备及存储介质，可以解决投诉工单失真检测效率较低的问题。
附图说明
图1为本发明一实施例提供的投诉工单失真检测方法的流程示意图；
图2为本发明一实施例提供的投诉工单失真检测装置的功能模块图；
图3为本发明一实施例提供的实现所述投诉工单失真检测方法的电子设备的结构示意图。
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。
本申请实施例提供一种投诉工单失真检测方法。所述投诉工单失真检测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，所述投诉工单失真检测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。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、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(Content Delivery 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，为本发明一实施例提供的投诉工单失真检测方法的流程示意图。在本实施例中，所述投诉工单失真检测方法包括：
S1、获取投诉工单样本集，提取所述投诉工单样本集中的每个工单样本的工单内容文本，汇总所述工单内容文本得到工单内容文本集；
本发明实施例中，所述投诉工单样本可以是历史的预设时间段内每次客户通过电话、邮箱以及短信等方式进行投诉的内容以工单的形式录入投诉系统并保存在所述投诉系统中的投诉工单。
详细地，所述提取所述投诉工单样本集中的每个工单样本的工单内容文本，包括：
去除所述投诉工单样本集中每个工单样本的表格线；
利用OCR技术，从去除表格线的所述工单样本中提取文字，并按照预定义的排字顺序将提取得到的所述文字复制于规定位置处，得到工单样本文本；
基于正则化规则去除所述工单样本文本的特殊符号以及不规范文本，并对每个所述工单样本文本中剩余文字执行文字标准化转化处理，得到所述工单内容文本。
应该了解的是，所述投诉工单样本集中的每个工单样本通常以表格形式存储于投诉系统中，若直接进行工单内容的提取容易受到表格形式的局限，从而会造成文本提取的乱码现象，因此，本发明实施例通过去除所述投诉工单样本集中的每个工单样本中的表格线，再进行投诉工单内容的提取，可以提升文本文字提取的准确性。
S2、根据预构建的投诉问题字段文本，对所述工单内容文本集中的每个工单内容文本预标注答案文本，得到标注工单内容文本集；
本发明实施例中，所述预设的投诉问题字段文本可以是投诉工单中包含的投诉用户的投诉力度以及投诉问题的紧急程度，其中，所述投诉问题字段文本可以包括：(1)客户投诉的业务类别是什么？(2)客户投诉的原因是什么？(3)客户的投诉在哪个渠道被受理的？(4)客户投诉的问题严重程度是什么？
详细地，所述根据预构建的投诉问题字段文本，对所述工单内容文本集中的每个工单内容文本预标注答案文本，得到标注工单内容文本集，包括：
在所述工单内容文本集中查找预设的投诉问题字段文本对应的答案文本；
根据所述答案文本，在所述工单内容文本中标注起始字符位和终止字符位，得到标注工单内容文本集。
本发明实施例中，所述起始字符位以及所述终止字符位可以理解为当前投诉问题字段文本的答案文本在所述工单文本内容中的答案起点标注以及答案终点标注。例如，所述工单文本内容有300字左右的文本，从工单中第一个文字进行标号，所述投诉问题“客户投诉的业务类别是什么？”的答案文本起始字符位为12，答案文本共有22个字符，则答案文本的终止字符位为35。
S3、将所述标注工单内容文本集作为第一训练语料对预构建的文本分析模型执行训练，得到标准文本分析模型；
本发明实施例中，所述预构建的文本分析模型可以是基于Bert模型的Bert-base-chinese模型，其中，所述文本分析模型包括编码层、隐藏层以及全连接层。
详细地，所述将所述标注工单内容文本集作为第一训练语料对预构建的文本分析模型执行训练，得到标准文本分析模型，包括：
利用所述文本分析模型的编码层对所述标注工单内容文本集执行文本位置编码，得到编码工单内容文本集；
利用所述文本分析模型的隐藏层对所述编码工单内容文本集执行特征提取处理，得到文本特征；
将所述文本特征利用所述文本分析模型的全连接层进行扁平化处理，得到所述投诉问题字段文本下的分析文本；
利用预构建的损失值函数，计算所述投诉问题字段文本下的分析文本与在所述工单内容文本中标注的所述投诉问题字段文本下的答案文本的损失值，并判断所述损失值是否大于预设的损失值阈值；
当所述损失值大于所述损失值阈值时，调整所述文本分析模型的模型参数，并返回上述的利用所述文本分析模型的编码层对所述标注工单内容文本集执行文本位置编码的步骤；
当所述损失值不大于所述损失值阈值，得到标准文本分析模型。
本发明实施例中，所述隐藏层包括注意力机制，所述注意力机制通常用于计算文本句子中的每个词语与所述文本句子中所有词语的相互关系，可提升词语在文本句子中的高维含义，丰富词语的语义信息。
S4、利用所述标准文本分析模型对所述投诉工单样本集执行答案预测分析，得到答案预测结果；
S5、将所述答案预测结果与对应的投诉问题字段文本整合成问题-答案文本对，并将所述问题-答案文本对作为第二训练语料对预构建的失真检测模型进行训练，得到标准失真检测模型；
本发明实施例中，所述问题-答案文本对可以是利用所述投诉问题字段文本与对应的所述答案预测结果组合得到文本材料。
详细地，本发明实施例利用预构建的失真检测模型中的分类器，识别所述问题-答案文本对中的答案预测结果的文本特征；利用所述失真检测模型中的分类层计算每个所述文本特征中的投诉问题字段文本类别概率；根据所述投诉问题字段文本类别概率，利用所述失真检测模型中的全连接层分析投诉问题字段文本预测类别；根据预构建的损失值函数，计算所述答案预测结果的投诉问题字段文本预测类别与所述答案预测结果对应的投诉问题字段文本真实类别之间的损失值；当所述损失值大于预设的损失值阈值时，则调整所述失真检测模型的模型参数，并返回利用所述失真检测模型中的分类层计算每个所述文本特征中的投诉问题字段文本类别概率的步骤；当所述损失值不大于预设的损失值阈值时，得到所述标准失真检测模型。
本发明实施例中，所述投诉问题字段文本类别概率可通过所述分类层的分类函数实现。例如，Dropout函数，所述全连接层包括但不限于softmax激活函数，可通过所述激活函数输出所述投诉问题字段文本类别。
本发明实施例中，所述投诉问题字段文本类别概率可以是通过对文本特征的计算，得到的所述文本特征命中的投诉问题字段文本类别的概率。例如，所述文本特征中包括某一投诉问题字段文本类别的特征点较多，则计算得到所述某一投诉问题字段文本类别的概率较大。
S6、获取待检测投诉工单，并利用所述标准文本分析模型与所述标准失真检测模型对所述待检测工单执行失真检测，得到所述待检测工单的失真检测结果。
本发明实施例中，所述待检测投诉工单可以是在工单系统中新录入的未进行失真处理过的投诉工单。
详细地，本发明实施例通过所述标准文本分析模型提取所述待检测投诉工单中每个投诉问题字段文本下的预测文本；利用所述失真检测模型分析所述预测文本的预测投诉问题字段文本类别；通过比较所述预测文本对应的所述预测投诉问题字段文本类别以及所述预测文本的实际投诉问题字段文本类别是否相同，判断所述待检测工单是否失真。
进一步地，本发明实施例在所述预测文本对应的预测投诉问题字段文本类别以及所述预测文本的实际投诉问题字段文本类别的文本字段相同时，判断所述待检测投诉工单未失真，成功通过失真检测；在任意一个所述预测文本对应的预测投诉问题字段文本类别以及预测所述文本的实际投诉问题字段文本类别的文本字段不相同时，则判定所述待检测投诉工单存在失真可能，并将所述投诉工单发送给预设的质检人员。
本发明实施例通过对投诉工单样本集预标注后作为第一训练语料，对文本分析模型执行训练，可以提升文本分析模型在投诉工单领域的处理精度；利用训练完成的标准文本分析模型预测的答案预测结果与对应的投诉问题字段文本构建问题-答案文本对，并利用问题-答案文本对作为第二训练语料，对预构建的失真检测模型进行训练，训练完成后得到标准失真检测模型；在获取待检测投诉工单时，可利用所述标准文本分析模型与所述标准失真检测模型联立完成待检测投诉工单的失真智能检测。因此本发明提出的投诉工单失真检测方法、装置、设备及存储介质，可以解决投诉工单失真检测效率较低的问题。
如图2所示，是本发明一实施例提供的投诉工单失真检测装置的功能模块图。
本发明所述投诉工单失真检测装置100可以安装于电子设备中。根据实现的功能，所述投诉工单失真检测装置100可以包括文本分析模型训练模块101、失真检测模型训练模块102以及失真判断模块103。本发明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：
所述文本分析模型训练模块101，用于获取投诉工单样本集，并提取所述投诉工单样本集中的每个工单样本的工单内容文本，汇总所述工单内容文本得到工单内容文本集；根据预构建的投诉问题字段文本，对所述工单内容文本集中的每个工单内容文本，预标注答案文本，得到第一训练语料；利用所述第一训练语料对预构建的文本分析模型执行训练，得到标准文本分析模型；
本发明实施例中，所述投诉工单样本可以是历史的预设时间段内每次客户通过电话、邮箱以及短信等方式进行投诉的内容以工单的形式录入投诉系统并保存在所述投诉系统中的投诉工单。
详细地，所述提取所述投诉工单样本集中的每个工单样本的工单内容文本，包括：
去除所述投诉工单样本集中每个工单样本的表格线；
利用OCR技术，从去除表格线的所述工单样本中提取文字，并按照预定义的排字顺序将提取得到的所述文字复制于规定位置处，得到工单样本文本；
基于正则化规则去除所述工单样本文本的特殊符号以及不规范文本，并对每个所述工单样本文本中剩余文字执行文字标准化转化处理，得到所述工单内容文本。
应该了解的是，所述投诉工单样本集中的每个工单样本通常以表格形式存储于投诉系统中，若直接进行工单内容的提取容易受到表格形式的局限，从而会造成文本提取的乱码现象，因此，本发明实施例通过去除所述投诉工单样本集中的每个工单样本中的表格线，再进行投诉工单内容的提取，可以提升文本文字提取的准确性。
本发明实施例中，所述预设的投诉问题字段文本可以是投诉工单中包含的投诉用户的投诉力度以及投诉问题的紧急程度，其中，所述投诉问题字段文本可以包括：(1)客户投诉的业务类别是什么？(2)客户投诉的原因是什么？(3)客户的投诉在哪个渠道被受理的？(4)客户投诉的问题严重程度是什么？
详细地，所述根据预构建的投诉问题字段文本，对所述工单内容文本集中的每个工单内容文本预标注答案文本，得到标注工单内容文本集，包括：
在所述工单内容文本集中查找预设的投诉问题字段文本对应的答案文本；
根据所述答案文本，在所述工单内容文本中标注起始字符位和终止字符位，得到标注工单内容文本集。
本发明实施例中，所述起始字符位以及所述终止字符位可以理解为当前投诉问题字段文本的答案文本在所述工单文本内容中的答案起点标注以及答案终点标注。例如，所述工单文本内容有300字左右的文本，从工单中第一个文字进行标号，所述投诉问题“客户投诉的业务类别是什么？”的答案文本起始字符位为12，答案文本共有22个字符，则答案文本的终止字符位为35。
本发明实施例中，所述预构建的文本分析模型可以是基于Bert模型的Bert-base-chinese模型，其中，所述文本分析模型包括编码层、隐藏层以及全连接层。
详细地，所述将所述标注工单内容文本集作为第一训练语料对预构建的文本分析模型执行训练，得到标准文本分析模型，包括：
利用所述文本分析模型的编码层对所述标注工单内容文本集执行文本位置编码，得到编码工单内容文本集；
利用所述文本分析模型的隐藏层对所述编码工单内容文本集执行特征提取处理，得到文本特征；
将所述文本特征利用所述文本分析模型的全连接层进行扁平化处理，得到所述投诉问题字段文本下的分析文本；
利用预构建的损失值函数，计算所述投诉问题字段文本下的分析文本与在所述工单内容文本中标注的所述投诉问题字段文本下的答案文本的损失值，并判断所述损失值是否大于预设的损失值阈值；
当所述损失值大于所述损失值阈值时，调整所述文本分析模型的模型参数，并返回上述的利用所述文本分析模型的编码层对所述标注工单内容文本集执行文本位置编码的步骤；
当所述损失值不大于所述损失值阈值，得到标准文本分析模型。
本发明实施例中，所述隐藏层包括注意力机制，所述注意力机制通常用于计算文本句子中的每个词语与所述文本句子中所有词语的相互关系，可提升词语在文本句子中的高维含义，丰富词语的语义信息。
所述失真检测模型训练模块102，用于利用所述标准文本分析模型对所述投诉工单样本集执行答案预测分析，得到答案预测结果；将所述答案预测结果与对应的投诉问题字段文本整合成问题-答案文本对，并将所述问题-答案文本对作为第二训练语料对预构建的失真检测模型进行训练，得到标准失真检测模型；
利用所述标准文本分析模型对所述投诉工单样本集执行答案预测分析，得到答案预测结果。
本发明实施例中，所述问题-答案文本对可以是利用所述投诉问题字段文本与对应的所述答案预测结果组合得到文本材料。
详细地，本发明实施例利用预构建的失真检测模型中的分类器，识别所述问题-答案文本对中的答案预测结果的文本特征；利用所述失真检测模型中的分类层计算每个所述文本特征中的投诉问题字段文本类别概率；根据所述投诉问题字段文本类别概率，利用所述失真检测模型中的全连接层分析投诉问题字段文本预测类别；根据预构建的损失值函数，计算所述答案预测结果的投诉问题字段文本预测类别与所述答案预测结果对应的投诉问题字段文本真实类别之间的损失值；当所述损失值大于预设的损失值阈值时，则调整所述失真检测模型的模型参数，并返回利用所述失真检测模型中的分类层计算每个所述文本特征中的投诉问题字段文本类别概率的步骤；当所述损失值不大于预设的损失值阈值时，得到所述标准失真检测模型。
本发明实施例中，所述投诉问题字段文本类别概率可通过所述分类层的分类函数实现。例如，Dropout函数，所述全连接层包括但不限于softmax激活函数，可通过所述激活函数输出所述投诉问题字段文本类别。
本发明实施例中，所述投诉问题字段文本类别概率可以是通过对文本特征的计算，得到的所述文本特征命中的投诉问题字段文本类别的概率。例如，所述文本特征中包括某一投诉问题字段文本类别的特征点较多，则计算得到所述某一投诉问题字段文本类别的概率较大。
所述失真判断模块103，用于获取待检测投诉工单，并利用所述标准文本分析模型与所述标准失真检测模型对所述待检测工单执行失真检测，得到所述待检测工单的失真检测结果。
本发明实施例中，所述待检测投诉工单可以是在工单系统中新录入的未进行失真处理过的投诉工单。
详细地，本发明实施例通过所述标准文本分析模型提取所述待检测投诉工单中每个投诉问题字段文本下的预测文本；利用所述失真检测模型分析所述预测文本的预测投诉问题字段文本类别；通过比较所述预测文本对应的所述预测投诉问题字段文本类别以及所述预测文本的实际投诉问题字段文本类别是否相同，判断所述待检测工单是否失真。
进一步地，本发明实施例在所述预测文本对应的预测投诉问题字段文本类别以及所述预测文本的实际投诉问题字段文本类别的文本字段相同时，判断所述待检测投诉工单未失真，成功通过失真检测；在任意一个所述预测文本对应的预测投诉问题字段文本类别以及预测所述文本的实际投诉问题字段文本类别的文本字段不相同时，则判定所述待检测投诉工单存在失真可能，并将所述投诉工单发送给预设的质检人员。
本发明实施例通过对投诉工单样本集预标注后作为第一训练语料，对文本分析模型执行训练，可以提升文本分析模型在投诉工单领域的处理精度；利用训练完成的标准文本分析模型预测的答案预测结果与对应的投诉问题字段文本构建问题-答案文本对，并利用问题-答案文本对作为第二训练语料，对预构建的失真检测模型进行训练，训练完成后得到标准失真检测模型；在获取待检测投诉工单时，可利用所述标准文本分析模型与所述标准失真检测模型联立完成待检测投诉工单的失真智能检测。因此本发明提出的投诉工单失真检测方法、装置、设备及存储介质，可以解决投诉工单失真检测效率较低的问题。
如图3所示，是本发明一实施例提供的实现投诉工单失真检测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口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，如投诉工单失真检测程序。
其中，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(ControlUnit)，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(例如执行投诉工单失真检测程序等)，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(Secure Digital，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，例如投诉工单失真检测程序的代码等，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。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口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。所述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。
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1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。
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1中的所述存储器11存储的投诉工单失真检测程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取投诉工单样本集，提取所述投诉工单样本集中的每个工单样本的工单内容文本，汇总所述工单内容文本得到工单内容文本集；
根据预构建的投诉问题字段文本，对所述工单内容文本集中的每个工单内容文本预标注答案文本，得到标注工单内容文本集；
将所述标注工单内容文本集作为第一训练语料对预构建的文本分析模型执行训练，得到标准文本分析模型；
利用所述标准文本分析模型对所述投诉工单样本集执行答案预测分析，得到答案预测结果；
将所述答案预测结果与对应的投诉问题字段文本整合成问题-答案文本对，并将所述问题-答案文本对作为第二训练语料对预构建的失真检测模型进行训练，得到标准失真检测模型；
获取待检测投诉工单，并利用所述标准文本分析模型与所述标准失真检测模型对所述待检测工单执行失真检测，得到所述待检测工单的失真检测结果。
具体地，所述处理器10对上述指令的具体实现方法可参考附图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1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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，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)。
本发明还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：
获取投诉工单样本集，提取所述投诉工单样本集中的每个工单样本的工单内容文本，汇总所述工单内容文本得到工单内容文本集；
根据预构建的投诉问题字段文本，对所述工单内容文本集中的每个工单内容文本预标注答案文本，得到标注工单内容文本集；
将所述标注工单内容文本集作为第一训练语料对预构建的文本分析模型执行训练，得到标准文本分析模型；
利用所述标准文本分析模型对所述投诉工单样本集执行答案预测分析，得到答案预测结果；
将所述答案预测结果与对应的投诉问题字段文本整合成问题-答案文本对，并将所述问题-答案文本对作为第二训练语料对预构建的失真检测模型进行训练，得到标准失真检测模型；
获取待检测投诉工单，并利用所述标准文本分析模型与所述标准失真检测模型对所述待检测工单执行失真检测，得到所述待检测工单的失真检测结果。
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。第一、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 (7)
1.一种投诉工单失真检测方法，其特征在于，所述方法包括：
获取投诉工单样本集，提取所述投诉工单样本集中的每个工单样本的工单内容文本，汇总所述工单内容文本得到工单内容文本集；
根据预构建的投诉问题字段文本，对所述工单内容文本集中的每个工单内容文本预标注答案文本，得到标注工单内容文本集；
将所述标注工单内容文本集作为第一训练语料对预构建的文本分析模型执行训练，得到标准文本分析模型；
利用所述标准文本分析模型对所述投诉工单样本集执行答案预测分析，得到答案预测结果；
将所述答案预测结果与对应的投诉问题字段文本整合成问题-答案文本对，并将所述问题-答案文本对作为第二训练语料对预构建的失真检测模型进行训练，得到标准失真检测模型；
获取待检测投诉工单，并利用所述标准文本分析模型与所述标准失真检测模型对所述待检测投诉工单执行失真检测，得到所述待检测投诉工单的失真检测结果；
其中，所述将所述标注工单内容文本集作为第一训练语料对预构建的文本分析模型执行训练，得到标准文本分析模型，包括：利用所述文本分析模型的编码层对所述标注工单内容文本集执行文本位置编码，得到编码工单内容文本集；利用所述文本分析模型的隐藏层对所述编码工单内容文本集执行特征提取处理，得到文本特征；利用所述文本分析模型的全连接层对所述文本特征进行扁平化处理，得到分析文本；利用预构建的损失值函数，计算所述分析文本与在所述工单内容文本中标注的对应的投诉问题字段文本下的答案文本之间的第一损失值，并判断所述第一损失值是否大于预设的第一损失值阈值；当所述第一损失值大于所述预设的第一损失值阈值时，调整所述文本分析模型的模型参数，并返回上述的利用所述文本分析模型的编码层对所述标注工单内容文本集执行文本位置编码的步骤；当所述第一损失值不大于所述预设的第一损失值阈值，得到标准文本分析模型；
所述将所述问题-答案文本对作为第二训练语料对预构建的失真检测模型进行训练，得到标准失真检测模型，包括：利用预构建的失真检测模型中的分类器，识别所述问题-答案文本对中的答案预测结果的文本特征；利用所述失真检测模型中的分类层计算每个所述文本特征中的投诉问题字段文本类别概率；根据所述投诉问题字段文本类别概率，利用所述失真检测模型中的全连接层分析投诉问题字段文本预测类别；根据预构建的损失值函数，计算所述答案预测结果的投诉问题字段文本预测类别与所述答案预测结果对应的投诉问题字段文本真实类别之间的第二损失值；当所述第二损失值大于预设的第二损失值阈值时，则调整所述失真检测模型的模型参数，并返回利用所述失真检测模型中的分类层计算每个所述文本特征中的投诉问题字段文本类别概率的步骤；当所述第二损失值不大于预设的第二损失值阈值时，得到所述标准失真检测模型；
所述利用所述标准文本分析模型与所述标准失真检测模型对所述待检测投诉工单执行失真检测，得到所述待检测投诉工单的失真检测结果，包括：利用所述标准文本分析模型提取所述待检测投诉工单中每个投诉问题字段文本下的预测文本；利用所述失真检测模型分析所述预测文本的预测投诉问题字段文本类别；通过比较所述预测文本对应的所述预测投诉问题字段文本类别以及所述预测文本的实际投诉问题字段文本类别是否相同，判断所述待检测投诉工单是否失真。
2.如权利要求1所述的投诉工单失真检测方法，其特征在于，所述提取所述投诉工单样本集中的每个工单样本的工单内容文本，包括：
去除所述投诉工单样本集中每个工单样本的表格线；
利用OCR技术，从去除表格线的所述工单样本中提取文字，并按照预定义的排字顺序将提取得到的所述文字复制于规定位置处，得到工单样本文本；
基于正则化规则去除所述工单样本文本的特殊符号以及不规范文本，并对每个所述工单样本文本中剩余文字执行文字标准化转化处理，得到所述工单内容文本。
3.如权利要求1所述的投诉工单失真检测方法，其特征在于，所述根据预构建的投诉问题字段文本，对所述工单内容文本集中的每个工单内容文本预标注答案文本，得到标注工单内容文本集，包括：
在所述工单内容文本集中查找预设的投诉问题字段文本对应的答案文本；
根据所述答案文本，在所述工单内容文本中标注起始字符位和终止字符位，得到标注工单内容文本集。
4.如权利要求1所述的投诉工单失真检测方法，其特征在于，所述判断所述待检测投诉工单是否失真，包括：
当所述预测文本对应的预测投诉问题字段文本类别以及所述预测文本的实际投诉问题字段文本类别的文本字段相同时，判断所述待检测投诉工单未失真；
当任意一个所述预测文本对应的预测投诉问题字段文本类别以及预测所述文本的实际投诉问题字段文本类别的文本字段不相同时，则判定所述待检测投诉工单存在失真可能。
5.一种投诉工单失真检测装置，用于实现如权利要求1至4中任意一项所述的投诉工单失真检测方法，其特征在于，所述装置包括：
文本分析模型训练模块，用于获取投诉工单样本集，并提取所述投诉工单样本集中的每个工单样本的工单内容文本，汇总所述工单内容文本得到工单内容文本集；根据预构建的投诉问题字段文本，对所述工单内容文本集中的每个工单内容文本，预标注答案文本，得到第一训练语料；利用所述第一训练语料对预构建的文本分析模型执行训练，得到标准文本分析模型；
失真检测模型训练模块，用于利用所述标准文本分析模型对所述投诉工单样本集执行答案预测分析，得到答案预测结果；将所述答案预测结果与对应的投诉问题字段文本整合成问题-答案文本对，并将所述问题-答案文本对作为第二训练语料对预构建的失真检测模型进行训练，得到标准失真检测模型；
失真判断模块，用于获取待检测投诉工单，并利用所述标准文本分析模型与所述标准失真检测模型对所述待检测投诉工单执行失真检测，得到所述待检测投诉工单的失真检测结果。
6.一种电子设备，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，所述计算机程序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4中任意一项所述的投诉工单失真检测方法。
7.一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4中任意一项所述的投诉工单失真检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210289573.5A CN114548825B (zh) | 2022-03-23 | 2022-03-23 | 投诉工单失真检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210289573.5A CN114548825B (zh) | 2022-03-23 | 2022-03-23 | 投诉工单失真检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114548825A CN114548825A (zh) | 2022-05-27 |
| CN114548825B true CN114548825B (zh) | 2023-07-07 |
Family
ID=81665998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210289573.5A Active CN114548825B (zh) | 2022-03-23 | 2022-03-23 | 投诉工单失真检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114548825B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036153A (zh) * | 2019-05-17 | 2020-12-04 | 厦门白山耘科技有限公司 | 工单纠错方法、装置、计算机可读存储介质和计算机设备 |
| CN112861736A (zh) * | 2021-02-10 | 2021-05-28 | 上海大学 | 基于图像处理的文献表格内容识别与信息提取方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11194962B2 (en) * | 2019-06-05 | 2021-12-07 | Fmr Llc | Automated identification and classification of complaint-specific user interactions using a multilayer neural network |
-
2022
- 2022-03-23 CN CN202210289573.5A patent/CN114548825B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036153A (zh) * | 2019-05-17 | 2020-12-04 | 厦门白山耘科技有限公司 | 工单纠错方法、装置、计算机可读存储介质和计算机设备 |
| CN112861736A (zh) * | 2021-02-10 | 2021-05-28 | 上海大学 | 基于图像处理的文献表格内容识别与信息提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114548825A (zh) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112507936B (zh) | 图像信息审核方法、装置、电子设备及可读存储介质 | |
| CN112560453B (zh) | 语音信息校验方法、装置、电子设备及介质 | |
| CN112560465B (zh) | 批量异常事件的监控方法、装置、电子设备及存储介质 | |
| 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 | |
| CN113706172B (zh) | 基于客户行为的投诉解决方法、装置、设备及存储介质 | |
| CN114969484A (zh) | 业务数据搜索方法、装置、设备及存储介质 | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、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 | |
| CN113935880A (zh) | 政策推荐方法、装置、设备及存储介质 | |
| CN114548825B (zh) | 投诉工单失真检测方法、装置、设备及存储介质 | |
| CN115099680A (zh) | 风险管理方法、装置、设备及存储介质 | |
| CN115146064A (zh) | 意图识别模型优化方法、装置、设备及存储介质 | |
| CN114943306A (zh) | 意图分类方法、装置、设备及存储介质 | |
| CN114996386A (zh) | 业务角色识别方法、装置、设备及存储介质 | |
| CN114186028A (zh) | 咨诉工单处理方法、装置、设备及存储介质 | |
| CN114006986A (zh) | 外呼合规预警方法、装置、设备及存储介质 | |
| CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
| CN112528112B (zh) | 数据收集及分析方法、装置、电子设备及存储介质 | |
| CN113704405B (zh) | 基于录音内容的质检评分方法、装置、设备及存储介质 | |
| CN114462411B (zh) | 命名实体识别方法、装置、设备及存储介质 | |
| CN114723488B (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
| CN114781833B (zh) | 基于业务人员的能力测评方法、装置、设备及存储介质 | |
| CN113688924B (zh) | 异常订单检测方法、装置、设备及介质 | |
| CN111680513B (zh) | 特征信息的识别方法、装置及计算机可读存储介质 |
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 |