CN114756685A - 一种投诉单的投诉风险识别方法及装置 - Google Patents
一种投诉单的投诉风险识别方法及装置 Download PDFInfo
- Publication number
- CN114756685A CN114756685A CN202210295655.0A CN202210295655A CN114756685A CN 114756685 A CN114756685 A CN 114756685A CN 202210295655 A CN202210295655 A CN 202210295655A CN 114756685 A CN114756685 A CN 114756685A
- Authority
- CN
- China
- Prior art keywords
- complaint
- attribute information
- sheet
- knowledge
- information
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- 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
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/02—Banking, e.g. interest calculation or account maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Tourism & Hospitality (AREA)
Abstract
本发明提供一种投诉单的投诉风险识别方法及装置，涉及大数据技术领域，可用于金融领域或其他技术领域。所述方法包括：获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果。所述装置执行上述方法。本发明实施例提供的方法及装置，能够提高投诉单处理效率。
Description
技术领域
本发明涉及大数据技术领域，具体涉及一种投诉单的投诉风险识别方法及装置。
背景技术
为提高客户服务水平，支持客户投诉的渠道越来越丰富。随之带来的问题是，针对同一诉求，同一客户会从不同渠道多次、反复投诉，造成投诉单量增加。
通过人工进行投诉单筛选和分析等方式处理投诉单，过程繁琐，耗时长，严重影响投诉单处理效率。
发明内容
针对现有技术中的问题，本发明实施例提供一种投诉单的投诉风险识别方法及装置，能够至少部分地解决现有技术中存在的问题。
一方面，本发明提出一种投诉单的投诉风险识别方法，包括：
获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；
将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；
将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果。
其中，所述将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对，包括：
基于相似度计算方法将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对。
其中，所述对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果，包括：
基于预设投诉风险识别模型对所述属性信息进行风险识别，并将所述预设投诉风险识别模型的输出结果作为是否具有投诉风险的识别结果；所述预设投诉风险识别模型基于有监督样本数据预先训练神经网络模型得到。
其中，所述投诉单的投诉风险识别方法还包括：
获取客户关联信息、投诉单关联信息和投诉服务关联信息，并将与所述客户关联信息、所述投诉单关联信息和所述投诉服务关联信息的自身信息分别对应的信息子项作为所述知识图谱的节点；
将各信息子项之间的关联关系作为连接所述节点的节点边，并根据所述节点和所述节点边构建所述知识图谱。
一方面，本发明提出一种投诉单的投诉风险识别装置，包括：
获取单元，用于获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；
比对单元，用于将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；
识别单元，用于将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果。
其中，所述比对单元具体用于：
基于相似度计算方法将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对。
其中，所述识别单元具体用于：
基于预设投诉风险识别模型对所述属性信息进行风险识别，并将所述预设投诉风险识别模型的输出结果作为是否具有投诉风险的识别结果；所述预设投诉风险识别模型基于有监督样本数据预先训练神经网络模型得到。
其中，所述投诉单的投诉风险识别装置还用于：
获取客户关联信息、投诉单关联信息和投诉服务关联信息，并将与所述客户关联信息、所述投诉单关联信息和所述投诉服务关联信息的自身信息分别对应的信息子项作为所述知识图谱的节点；
将各信息子项之间的关联关系作为连接所述节点的节点边，并根据所述节点和所述节点边构建所述知识图谱。
再一方面，本发明实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下方法：
获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；
将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；
将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果。
本发明实施例提供一种计算机可读存储介质，包括：
所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下方法：
获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；
将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；
将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果。
本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如下方法：
获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；
将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；
将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果。
本发明实施例提供的投诉单的投诉风险识别方法及装置，获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果，避免重复建立投诉单，通过自动识别投诉单的投诉风险，能够提高投诉单处理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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，还可以根据这些附图获得其他的附图。在附图中：
图1是本发明一实施例提供的投诉单的投诉风险识别方法的流程示意图。
图2是本发明另一实施例提供的投诉单的投诉风险识别方法的流程示意图。
图3是本发明另一实施例提供的投诉单的投诉风险识别方法的流程示意图。
图4是本发明一实施例提供的投诉单的投诉风险识别装置的结构示意图。
图5为本发明实施例提供的计算机设备实体结构示意图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。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。
图1是本发明一实施例提供的投诉单的投诉风险识别方法的流程示意图，如图1所示，本发明实施例提供的投诉单的投诉风险识别方法，包括：
步骤S1：获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息。
步骤S2：将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示。
步骤S3：将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果。
在上述步骤S1中，装置获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息。装置可以是执行该方法的计算机设备等，例如为服务器。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
待比对属性信息按照类型可以划分为客户关联信息、投诉单关联信息和投诉服务关联信息，其中：
客户关联信息，可以包括：
客户信息、账户信息、客户职业、客户性格特征、客户的亲属信息、过往办理业务等多维度的可以描述客户画像的信息。
投诉单关联信息，可以包括：
投诉单类型、业务产品、投诉渠道、投诉原因、涉及机构和被投诉人员等信息。
投诉服务关联信息，可以包括：
投诉单处理人员信息、专业技能、工作状态、客户满意度等信息。
在上述步骤S2中，装置将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示。旧客户投诉单中的属性信息可以参照上述待比对属性信息的说明，不再赘述。
可以理解的是，待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对，是指与客户关联信息、投诉单关联信息和投诉服务关联信息的自身信息分别对应的信息子项之间的知识关联比对，例如将待比对属性信息中客户关联信息中的客户信息，与旧客户投诉单中对应的属性信息中客户关联信息中的客户信息之间进行知识关联比对。
通过知识图谱表示旧客户投诉单中的属性信息，可以理解为，用知识图谱中的节点表示信息子项，用知识图谱中的节点边表示各信息子项之间的关联关系。
所述将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对，包括：
基于相似度计算方法将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对，举例说明如下：
将新客户投诉单的待比对属性信息通过向量A进行表示如下：
A＝(A1,A2,...,An)
将旧客户投诉单中对应的属性信息通过向量B进行表示如下：
B＝(B1,B2,...,Bn)
通过余弦相似度计算：
cos(x)＝(A×B)/(||A||×||B||)。
通过余弦相似度计算结果即可以表示知识关联比对结果。
在上述步骤S3中，装置将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果。
参照上述说明，将余弦相似度计算结果超过预设阈值的旧客户投诉单作为与新客户投诉单相关联的目标客户投诉单，预设阈值可以根据实际情况自主设置。
如果知识关联比对结果大于预设阈值的旧客户投诉单的数量大于1，则选取其中知识关联比对结果数值最大的旧客户投诉单作为目标客户投诉单。
通过所述知识图谱抽取所述属性信息，可以包括：
抽取所述知识图谱中的节点，并将所述节点作为所述属性信息。
可以用数字0表示不具有投诉风险的识别结果，可以用数字1表示具有投诉风险的识别结果。
所述对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果，包括：
基于预设投诉风险识别模型对所述属性信息进行风险识别，并将所述预设投诉风险识别模型的输出结果作为是否具有投诉风险的识别结果；所述预设投诉风险识别模型基于有监督样本数据预先训练神经网络模型得到。神经网络模型的具体类型，本发明实施例不作具体限定。
基于有监督样本数据预先训练神经网络模型为现有成熟技术，在此不再赘述。
可以将通过知识图谱抽取出来的属性信息输入至预设投诉风险识别模型，得到预设投诉风险识别模型的输出结果。
如图2所示，本发明实施例的方法主要包括三个部分：
(一)关键词挖掘：对历史投诉单(旧客户投诉单)进行数据清洗后，用词频算法挖掘关键词。
(二)对新客户投诉单进行知识抽取：对新客户投诉单中客户信息、业务类型、办理渠道、投诉内容等，进行知识抽取，得到待比对属性信息(客户投诉单知识)，并根据客户画像、处理人信息、用户过往交易等信息构建知识图谱(客户投诉单知识图谱)。
(三)新旧客户投诉单完成智能关联和风险预警。分别说明如下：
如图3所示，关键词挖掘包括数据清洗、抽取关键词、管理关键词和关键词入库。
(一)关键词挖掘
首先进行历史数据清洗，去掉一些对语义理解无关的词语，包括标点符号、常见语气词等。再对历史客户投诉单通过词频算法提取出现频率高的关键词，然后通过人工的方式对关键词进行筛选、扩充和分类后，将关键词写入数据库的关键词词库。关键词如下：
1)问题主体关键词，比如：
客户信息：姓名、账号、电话、证件号等。
业务类型：信用卡、借记卡、票据等。
投诉原因：服务态度、服务设施、业务系统等。
办理渠道：电话、网点、网银、微信等。
办理地点：某城市、某城镇等。
客户类型：个人客户、公司客户、VIP客户等。
2)问题事件关键词，比如：取现、转账、消费等。
3)事实性知识关键词，比如：时间、金额、蓝屏、页面无响应、系统退出、报错信息等。
4)风险关键词，如：监管机构、记者、大V等敏感词。
(二)对新客户投诉单进行知识抽取
对客户投诉单进行知识抽取，通过关键词抽取客户投诉单知识的各种属性(主体、事件、事实知识、处理人、满意度等)，结合客户画像、过往交易等形成知识图谱。
(三)新旧客户投诉单完成智能关联和风险预警
根据新客户投诉单录入后，自动抽取客户投诉单中的问题知识，以供工单智能关联和风险预警使用。智能管理和风险预警可参照上述说明，不再赘述。
本发明实施例提供的投诉单的投诉风险识别方法，获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果，避免重复建立投诉单，通过自动识别投诉单的投诉风险，能够提高投诉单处理效率。
本发明利用知识图谱技术智能分析，从海量历史客户投诉单中比对挖掘，找出关联度、相似度高的案例，自动完成工单的关联合并，避免重复工单建立。对于其中客户满意度低的，利用风险预警模型，进行风险预警。彻底解决投诉量虚高且工单处理效率低的问题。
进一步地，所述将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对，包括：
基于相似度计算方法将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对。可参照上述说明，不再赘述。
进一步地，所述对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果，包括：
基于预设投诉风险识别模型对所述属性信息进行风险识别，并将所述预设投诉风险识别模型的输出结果作为是否具有投诉风险的识别结果；所述预设投诉风险识别模型基于有监督样本数据预先训练神经网络模型得到。可参照上述说明，不再赘述。
进一步地，所述投诉单的投诉风险识别方法还包括：
获取客户关联信息、投诉单关联信息和投诉服务关联信息，并将与所述客户关联信息、所述投诉单关联信息和所述投诉服务关联信息的自身信息分别对应的信息子项作为所述知识图谱的节点；可参照上述说明，不再赘述。
将各信息子项之间的关联关系作为连接所述节点的节点边，并根据所述节点和所述节点边构建所述知识图谱。可参照上述说明，不再赘述。
需要说明的是，本发明实施例提供的投诉单的投诉风险识别方法可用于金融领域，也可用于除金融领域之外的任意技术领域，本发明实施例对投诉单的投诉风险识别方法的应用领域不做限定。
图4是本发明一实施例提供的投诉单的投诉风险识别装置的结构示意图，如图4所示，本发明实施例提供的投诉单的投诉风险识别装置，包括获取单元401、比对单元402和识别单元403，其中：
获取单元401用于获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；比对单元402用于将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；识别单元403用于将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果。
具体的，装置中的获取单元401用于获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；比对单元402用于将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；识别单元403用于将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果。
本发明实施例提供的投诉单的投诉风险识别装置，获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果，避免重复建立投诉单，通过自动识别投诉单的投诉风险，能够提高投诉单处理效率。
所述比对单元402具体用于：
基于相似度计算方法将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对。
所述识别单元403具体用于：
基于预设投诉风险识别模型对所述属性信息进行风险识别，并将所述预设投诉风险识别模型的输出结果作为是否具有投诉风险的识别结果；所述预设投诉风险识别模型基于有监督样本数据预先训练神经网络模型得到。
所述投诉单的投诉风险识别装置还用于：
获取客户关联信息、投诉单关联信息和投诉服务关联信息，并将与所述客户关联信息、所述投诉单关联信息和所述投诉服务关联信息的自身信息分别对应的信息子项作为所述知识图谱的节点；
将各信息子项之间的关联关系作为连接所述节点的节点边，并根据所述节点和所述节点边构建所述知识图谱。
本发明实施例提供投诉单的投诉风险识别装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
图5为本发明实施例提供的计算机设备实体结构示意图，如图5所示，所述计算机设备包括：存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序，所述处理器502执行所述计算机程序时实现如下方法：
获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；
将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；
将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果。
本实施例公开一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如下方法：
获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；
将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；
将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果。
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下方法：
获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；
将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；
将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果。
本发明实施例与现有技术中的技术方案相比，获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果，避免重复建立投诉单，通过自动识别投诉单的投诉风险，能够提高投诉单处理效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、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。
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种投诉单的投诉风险识别方法，其特征在于，包括：
获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；
将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；
将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果。
2.根据权利要求1所述的投诉单的投诉风险识别方法，其特征在于，所述将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对，包括：
基于相似度计算方法将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对。
3.根据权利要求1所述的投诉单的投诉风险识别方法，其特征在于，所述对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果，包括：
基于预设投诉风险识别模型对所述属性信息进行风险识别，并将所述预设投诉风险识别模型的输出结果作为是否具有投诉风险的识别结果；所述预设投诉风险识别模型基于有监督样本数据预先训练神经网络模型得到。
4.根据权利要求1所述的投诉单的投诉风险识别方法，其特征在于，所述投诉单的投诉风险识别方法还包括：
获取客户关联信息、投诉单关联信息和投诉服务关联信息，并将与所述客户关联信息、所述投诉单关联信息和所述投诉服务关联信息的自身信息分别对应的信息子项作为所述知识图谱的节点；
将各信息子项之间的关联关系作为连接所述节点的节点边，并根据所述节点和所述节点边构建所述知识图谱。
5.一种投诉单的投诉风险识别装置，其特征在于，包括：
获取单元，用于获取新客户投诉单，对所述新客户投诉单进行知识抽取，得到待比对属性信息；
比对单元，用于将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对；所述旧客户投诉单中的属性信息通过知识图谱表示；
识别单元，用于将知识关联比对结果大于预设阈值的旧客户投诉单作为与所述新客户投诉单相关联的目标客户投诉单，并通过所述知识图谱抽取所述属性信息，对所述属性信息进行风险识别，得到是否具有投诉风险的识别结果。
6.根据权利要求5所述的投诉单的投诉风险识别装置，其特征在于，所述比对单元具体用于：
基于相似度计算方法将所述待比对属性信息与旧客户投诉单中对应的属性信息进行知识关联比对。
7.根据权利要求5所述的投诉单的投诉风险识别装置，其特征在于，所述识别单元具体用于：
基于预设投诉风险识别模型对所述属性信息进行风险识别，并将所述预设投诉风险识别模型的输出结果作为是否具有投诉风险的识别结果；所述预设投诉风险识别模型基于有监督样本数据预先训练神经网络模型得到。
8.根据权利要求5所述的投诉单的投诉风险识别装置，其特征在于，所述投诉单的投诉风险识别装置还用于：
获取客户关联信息、投诉单关联信息和投诉服务关联信息，并将与所述客户关联信息、所述投诉单关联信息和所述投诉服务关联信息的自身信息分别对应的信息子项作为所述知识图谱的节点；
将各信息子项之间的关联关系作为连接所述节点的节点边，并根据所述节点和所述节点边构建所述知识图谱。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至4任一所述方法。
11.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现权利要求1至4任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210295655.0A CN114756685A (zh) | 2022-03-24 | 2022-03-24 | 一种投诉单的投诉风险识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210295655.0A CN114756685A (zh) | 2022-03-24 | 2022-03-24 | 一种投诉单的投诉风险识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114756685A true CN114756685A (zh) | 2022-07-15 |
Family
ID=82326349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210295655.0A Pending CN114756685A (zh) | 2022-03-24 | 2022-03-24 | 一种投诉单的投诉风险识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114756685A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114996432A (zh) * | 2022-08-08 | 2022-09-02 | 广东电网有限责任公司佛山供电局 | 重复诉求的识别方法、装置、电子设备及存储介质 |
-
2022
- 2022-03-24 CN CN202210295655.0A patent/CN114756685A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114996432A (zh) * | 2022-08-08 | 2022-09-02 | 广东电网有限责任公司佛山供电局 | 重复诉求的识别方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110188198B (zh) | 一种基于知识图谱的反欺诈方法及装置 | |
| CN108089843B (zh) | 一种智能化的银行企业级需求管理系统 | |
| CN112182246B (zh) | 通过大数据分析建立企业画像的方法、系统、介质及应用 | |
| WO2007106786A2 (en) | Methods and systems for multi-credit reporting agency data modeling | |
| Goldberg et al. | Restructuring transactional data for link analysis in the FinCEN AI system | |
| CN109740642A (zh) | 发票类别识别方法、装置、电子设备及可读存储介质 | |
| US20220129635A1 (en) | Semantic model instantiation method, system and apparatus | |
| Nie et al. | Decision analysis of data mining project based on Bayesian risk | |
| CN114756685A (zh) | 一种投诉单的投诉风险识别方法及装置 | |
| CN112507098B (zh) | 问题处理方法、装置、电子设备、存储介质及程序产品 | |
| US11295325B2 (en) | Benefit surrender prediction | |
| CN113112347A (zh) | 催收决策的确定方法、相关装置及计算机存储介质 | |
| CN112631889A (zh) | 针对应用系统的画像方法、装置、设备及可读存储介质 | |
| CN117094764A (zh) | 银行积分处理方法及装置 | |
| CN117033431A (zh) | 工单处理方法、装置、电子设备和介质 | |
| CN110619564B (zh) | 一种反欺诈特征生成方法和装置 | |
| TW202117584A (zh) | 基於自然語言處理的智能對話管理方法及系統 | |
| CN113065892B (zh) | 一种信息推送方法、装置、设备及存储介质 | |
| CN111061853B (zh) | 一种快速获取faq模型训练语料的方法 | |
| Bhatnagar | Data mining-based big data analytics: parameters and layered framework | |
| CN110309312B (zh) | 一种关联事件获取方法及装置 | |
| JP2017010376A (ja) | マートレス検証支援システムおよびマートレス検証支援方法 | |
| CN108038225A (zh) | 一种数据处理方法和系统 | |
| HB | An Overview of Data Mining | |
| CN115131143A (zh) | 一种风险交易侦测方法、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 |