CN115221892A - 工单数据处理方法及装置、存储介质及电子设备 - Google Patents
工单数据处理方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115221892A CN115221892A CN202210822511.6A CN202210822511A CN115221892A CN 115221892 A CN115221892 A CN 115221892A CN 202210822511 A CN202210822511 A CN 202210822511A CN 115221892 A CN115221892 A CN 115221892A
- Authority
- CN
- China
- Prior art keywords
- fault
- work order
- reason
- order data
- extracted
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 121
- 238000000605 extraction Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 230000001149 cognitive effect Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007595 memory recall Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
Abstract
本公开提供了一种工单数据处理方法、装置、电子设备及存储介质,涉及计算机技术领域。该方法包括:接收用户终端上报的故障处理请求;基于故障处理请求与用户终端进行故障描述问答,以生成故障描述工单数据;通过原因抽取模型对故障描述工单数据进行原因抽取,获得故障产生原因;其中,原因抽取模型是基于历史工单数据及其历史故障产生原因训练得到的;根据故障产生原因进行故障处理以获得处理结果,并将处理结果返回至用户终端。该方法一方面可以快速生成用于描述故障信息的工单数据,另一方面可以高效准确地从工单数据中抽取到故障产生原因以进行故障处理,提升了故障处理的整体效率,也使用户体验得到提升。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种工单数据处理方法及装置、存储介质及电子设备。
背景技术
在故障处理场景中通常会生成工单数据进行记录,可以对工单数据进行语义理解以辅助进行故障处理。
相关技术中,对于工单数据的语义理解效果较差,尤其是对故障原因的识别效果不好,例如会出现严重偏分类的问题,从而会影响故障处理的效率。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种工单数据处理方法、装置、电子设备及存储介质,能够快速生成用于描述故障信息的工单数据,并高效准确地从工单数据中抽取到故障产生原因以进行故障处理。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种工单数据处理方法,包括:接收用户终端上报的故障处理请求;基于故障处理请求与用户终端进行故障描述问答,以生成故障描述工单数据;通过原因抽取模型对故障描述工单数据进行原因抽取,获得故障产生原因;其中,原因抽取模型是基于历史工单数据及其历史故障产生原因训练得到的;根据故障产生原因进行故障处理以获得处理结果,并将处理结果返回至用户终端。
在本公开一个实施例中,通过原因抽取模型对故障描述工单数据进行原因抽取,获得故障的故障产生原因,包括:对故障描述工单数据进行数据过滤,获得待抽取文本段落;通过原因抽取模型对待抽取文本段落进行原因抽取,获得故障产生原因。
在本公开一个实施例中,对故障描述工单数据进行数据过滤,获得待抽取文本段落,包括:获取用于过滤的正则表达式和/或故障描述工单模板中的待过滤字段;根据正则表达式和/或待过滤字段确定故障描述工单数据中的待过滤数据;其中,待过滤数据包括以下中的至少一种:电话号码数据、时间数据、工单号数据;将待过滤数据从故障描述工单数据中去除,获得待抽取文本段落。
在本公开一个实施例中,原因抽取模型为长文本认知推理模型CogLTX,CogLTX包括联合训练的鉴定模型和推理模型;其中,通过原因抽取模型对待抽取文本段落进行原因抽取,获得故障产生原因,包括:根据预设分段方式将待抽取文本段落分为多个子文本段落;通过鉴定模型从多个子文本段落中选出关键子文本段落,并将关键子文本段落重组为目标待抽取文本段落;将目标待抽取文本段落输入至推理模型,通过推理模型分别预测目标待抽取文本段落中的原因起始位置标识值和原因结束位置标识值;根据原因起始位置标识值对应的目标起始字符和原因结束位置标识值对应的目标结束字符,确定故障产生原因。
在本公开一个实施例中,将目标待抽取文本段落输入至推理模型,通过推理模型分别预测目标待抽取文本段落中的原因起始位置标识值和原因结束位置标识值,包括:通过推理模型处理目标待抽取文本段落,获得目标待抽取文本段落中每一字符分别作为原因起始位置的起始概率值和作为原因结束位置的结束概率值;按照起始概率值从大到小的顺序选取r1个作为原因起始位置的起始字符,以及按照结束概率值从大到小的顺序选取r2个作为原因结束位置的结束字符;根据r1个起始字符和r2个结束字符,确定出(r1×r2)个起始-结束组合方式;针对(r1×r2)个起始-结束组合方式中每一种组合方式,基于预设的评分算法确定每一种组合方式的评分特征值,以及根据每一种组合方式中起始字符的起始概率值以及结束字符的结束概率值确定每一种组合方式的概率特征值,进而根据评分特征值和概率特征值确定每一种组合方式的排序特征值;将排序特征值最高的目标组合方式中起始字符的位置标识值作为原因起始位置标识值,以及将目标组合方式中结束字符的位置标识值作为原因结束位置标识值。
在本公开一个实施例中,基于故障处理请求与用户终端进行故障描述问答,以生成故障描述工单数据,包括:基于故障处理请求调用相应的故障描述工单模板;根据故障描述工单模板与用户终端进行故障描述问答,以生成故障描述工单数据。
在本公开一个实施例中,根据故障产生原因进行故障处理以获得处理结果,包括:获取用户终端所在区域的区域标识;通知区域标识对应的故障处理系统,以使故障处理系统根据故障产生原因进行故障处理以获得处理结果。
根据本公开的又一个方面,提供一种工单数据处理装置,包括:接收模块,用于接收用户终端上报的故障处理请求;工单生成模块,用于基于故障处理请求与用户终端进行故障描述问答,以生成故障描述工单数据;原因抽取模块,用于通过原因抽取模型对故障描述工单数据进行原因抽取,获得故障产生原因;其中,原因抽取模型是基于历史工单数据及其历史故障产生原因训练得到的;处理模块,用于根据故障产生原因进行故障处理以获得处理结果,并将处理结果返回至用户终端。
根据本公开的又一个方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的工单数据处理方法。
根据本公开的再一个方面,提供一种电子设备,包括:处理器;以及存储器,用于存储所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行上述的工单数据处理方法。
本公开的实施例所提供的工单数据处理方法,能够响应于故障处理请求与用户终端进行故障描述问答以生成故障描述工单数据,再通过预训练好的原因抽取模型从故障描述工单数据中抽取到故障产生原因,进而可以根据故障产生原因进行故障处理,并告知用户处理结果,一方面可以快速生成用于描述故障信息的工单数据,另一方面可以高效准确地从工单数据中抽取到故障产生原因以进行故障处理,提升了故障处理的整体效率,也使用户体验得到提升。
进一步,本公开实施例提供的工单数据处理方法还可以为原因抽取模型加入打分层,基于与实际意义相符的约束条件提升模型预测的准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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。
图1示出了可以应用本公开实施例的工单数据处理方法的示例性系统架构的示意图;
图2示出了本公开一个实施例的工单数据处理方法的流程图;
图3示出了本公开一个实施例的工单数据处理方法中对故障描述工单数据进行原因抽取的流程图;
图4示出了本公开一个实施例的工单数据处理方法中对待抽取文本段落进行原因抽取的流程图;
图5示出了本公开一个实施例的工单数据处理方法中预测目标待抽取文本段落中的位置标识值的流程图;
图6示出了本公开一个实施例的工单数据处理方法中原因抽取模型框架示意图;
图7示出了本公开一个实施例的工单数据处理装置的框图;和
图8示出了本公开实施例中一种工单数据处理计算机设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
针对上述相关技术中存在的技术问题,本公开实施例提供了一种工单数据处理方法,以用于至少解决上述技术问题中的一个或者全部。
图1示出了可以应用本公开实施例的工单数据处理方法的示例性系统架构的示意图。
如图1所示,该系统架构可以包括服务器101、网络102和客户端103。网络102用以在客户端103和服务器101之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。在一些实际应用中,客户端103可以通过网络102向服务器101上报故障处理请求,以启动服务器101实现工单数据处理方法的流程。
在示例性实施例中,与服务端101进行数据传输的客户端103可以包括但不限于智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、AR(Augmented Reality,增强现实)设备、VR(Virtual Reality,虚拟现实)设备、智能可穿戴设备等类型的电子设备,或者,客户端103也可以是个人计算机,比如膝上型便携计算机和台式计算机等等。可选的,电子设备上运行的操作系统可以包括但不限于安卓系统、IOS系统、linux系统、windows系统等。
在示例性实施例中,服务器101可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、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、CDN(Content DeliveryNetwork,内容分发网络)、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。在一些实际应用中,服务器101也可以是网络平台的服务器,网络平台例如可以是交易平台、直播平台、社交平台或者音乐平台等,本公开实施例对此不作限定。其中,服务器可以是一台服务器,也可以是多台服务器形成的集群,本公开对于服务器的具体架构不做限定。
在示例性实施例中,服务器101用于实现工单数据处理方法的过程可以是:服务器101接收用户终端上报的故障处理请求;服务器101基于故障处理请求与用户终端进行故障描述问答,以生成故障描述工单数据;服务器101通过原因抽取模型对故障描述工单数据进行原因抽取,获得故障产生原因;其中,原因抽取模型是基于历史工单数据及其历史故障产生原因训练得到的;服务器101根据故障产生原因进行故障处理以获得处理结果,并将处理结果返回至用户终端。
此外,需要说明的是,图1所示的仅仅是本公开提供的工单数据处理方法的一种应用环境。图1中的客户端、网络和服务器的数目仅仅是示意性的,根据实际需要,可以具有任意数目的客户端、网络和服务器。
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图及实施例对本公开示例实施例中的工单数据处理方法的各个步骤进行更详细的说明。
图2示出了本公开一个实施例的工单数据处理方法的流程图。本公开实施例提供的方法可以由如图1所示的服务器或客户端执行,但本公开并不限定于此。
在下面的举例说明中,以服务器101为执行主体进行示例说明。
如图2所示,本公开实施例提供的工单数据处理方法可以包括以下步骤:
步骤S201,接收用户终端上报的故障处理请求。
本步骤中,用户可以在发现故障时通过用户终端上报针对该故障的故障处理请求,故障例如可以是网络不通的问题、网速异常问题、设备无法连接等问题,故障处理请求中可以包括故障类型、基本的故障描述等信息;用户终端的上报方式例如可以是通过智能手机向指定联系方式打电话、通过智能手机或台式计算机登录指定平台进行申请上报等,本公开对此不做限定。
步骤S203,基于故障处理请求与用户终端进行故障描述问答,以生成故障描述工单数据。
本步骤中,可以通过语音或视频或文字等形式进行故障描述问答,从而获取到用户对于故障的描述信息,再基于此生成故障描述工单数据。在一些实际应用中,用户可以是了解故障情况的用户,与其进行故障描述问答,可以获取到全面的故障情况描述,进而可以间接获取到与故障产生原因相关的信息;用户也可以是具有专业知识的用户,与其进行故障描述问答,可以直接获取有效的与故障产生原因相关的信息。
在一些实施例中,步骤S203可以进一步包括:基于故障处理请求调用相应的故障描述工单模板;根据故障描述工单模板与用户终端进行故障描述问答,以生成故障描述工单数据。
本实施例中,故障描述工单模板可以是预先设置好的,故障描述工单模板中可以包括时间字段、区域字段、用户信息字段、工单编号字段、故障说明项目字段等,具体可以根据实际情况进行设定,本公开对此不做限定。在一些实际应用中,故障描述工单模板中的一些字段对应的内容可以自动获取到(例如时间、区域等),而故障说明项目字段对应的内容可以由用户提供,例如,可以通过人工客服与用户进行故障描述问答以记录下问答过程也可以基于故障说明项目字段中预设的问题自动与用户进行故障描述问答,引导用户对故障情况进行描述,并记录下问答过程;最后再根据所记录的问答过程确定故障说明项目字段对应的内容,进而生成故障描述工单数据。在下面的举例说明中,以工单数据代替故障描述工单数据,以简化文字进行说明。
步骤S205,通过原因抽取模型对故障描述工单数据进行原因抽取,获得故障产生原因;其中,原因抽取模型是基于历史工单数据及其历史故障产生原因训练得到的。
本实施例中,原因抽取模型可以用于结合工单数据中的上下文信息,深度理解工单数据中的内容,提升对工单数据中原因抽取的效果。在一些实际应用中,原因抽取模型可以是预训练好的,基于历史工单数据及其历史故障产生原因训练得到原因抽取模型,也即以历史工单数据做为训练样本、以对应的历史故障产生原因作为训练标签进行训练,获得原因抽取模型,可以使得原因抽取模型更适用于工单数据处理的应用场景,使得得到的故障产生原因更准确。
步骤S207,根据故障产生原因进行故障处理以获得处理结果,并将处理结果返回至用户终端。
本步骤中,在得到故障产生原因后,可以基于该原因进行故障处理,并得到处理成功或处理失败的结果,进而可以将该结果返回给用户终端,例如可以通过电话或短信或线上信息等形式通知用户。
在一些实施例中,步骤S207可以包括:获取用户终端所在区域的区域标识;通知区域标识对应的故障处理系统,以使故障处理系统根据故障产生原因进行故障处理以获得处理结果。
本实施例中,用户终端所在区域例如可以是注册区域、当前所在地区域等,区域标识例如可以是一个名称或一个编号,可以通知区域标识对应的故障处理系统进行实际的故障处理。例如,A地用户向服务器上报说自己的网络不通了需要解决,那么服务器可以与用户对话以生成工单数据,在根据工单数据抽取到故障产生原因后,则可以和A地的故障处理系统进行联系,通知A地的故障处理系统解决A地用户所遇到的“网络不通”的故障。
可见,由于与用户终端所在区域的区域标识对应的故障处理系统通常可以更直接地解决用户所遇到的故障,所以通过本实施例中的方式可以提高故障处理的效率,进而提升用户体验。
通过本公开提供的工单数据处理方法,可以响应于故障处理请求与用户终端进行故障描述问答以生成故障描述工单数据,再通过预训练好的原因抽取模型从故障描述工单数据中抽取到故障产生原因,进而可以根据故障产生原因进行故障处理,并告知用户处理结果,一方面可以快速生成用于描述故障信息的工单数据,另一方面可以高效准确地从工单数据中抽取到故障产生原因以进行故障处理,提升了故障处理的整体效率,也使用户体验得到提升。
图3示出了本公开一个实施例的工单数据处理方法中对故障描述工单数据进行原因抽取的流程图,如图3所示,上述步骤S205可以进一步包括以下步骤。
步骤S301,对故障描述工单数据进行数据过滤,获得待抽取文本段落。
在一些实施例中,步骤S301可以进一步包括:获取用于过滤的正则表达式和/或故障描述工单模板中的待过滤字段;根据正则表达式和/或待过滤字段确定故障描述工单数据中的待过滤数据;其中,待过滤数据包括以下中的至少一种:电话号码数据、时间数据、工单号数据;将待过滤数据从故障描述工单数据中去除,获得待抽取文本段落。
本实施例中,待过滤数据(如电话号码、时间、工单号等信息)可以看作是与原因抽取不相关的冗余信息。例如在一些实际应用中,由于电话号码通常是满足指定格式要求的连续8位或11位的数字,那么当识别到满足指定格式要求的连续8位或11位的数字时,可以将其作为电话号码数据过滤掉;类似地,通常工单号也是满足另一指定格式要求的一串数字,那么当识别到满足另一指定格式要求的一串数字时,可以将其作为工单号数据过滤掉;又如,对于停用词“谢谢”、“请”等,由于无实际意义,因此也可以将其过滤掉。
可见,通过本实施例可以提前将工单数据中的这些冗余信息进行数据过滤,进而能够降低后续步骤中原因抽取模型对于语义理解的负担,提升原因抽取的效率和准确率。
步骤S303,通过原因抽取模型对待抽取文本段落进行原因抽取,获得故障产生原因。
本步骤中,待抽取文本段落可以认为是包含有与故障产生原因相关的信息,通过原因抽取模型处理待抽取文本段落,可以获得其中的故障产生原因。
在一些实施例中,原因抽取模型为长文本认知推理模型CogLTX,CogLTX包括联合训练的鉴定模型和推理模型。其中,CogLTX(Cognize Long TeXts,长文本认知推理模型)可以用于处理字数较多的长文本,CogLTX可以将长文本分为多个较短的段落,从中选出一些较短的段落进行拼接再进行识别;由于从工单数据中获得的待抽取文本段落通常会很长,因此本方案可以应对较长的待抽取文本段落,通过使用CogLTX进行原因抽取以得到较好的抽取效果。
在此基础上,图4示出了本公开一个实施例的工单数据处理方法中对待抽取文本段落进行原因抽取的流程图。如图4所示,上述步骤S303可以包括以下步骤。
步骤S401,根据预设分段方式将待抽取文本段落分为多个子文本段落。
本步骤中,可以基于待抽取文本段落中的标点符号进行分段,例如,当识别到指定标点符号(如逗号、句号等)时,可以将相邻两个指定标点符号之间的文本段落作为一个子文本段落。在一些实际应用中,可以使用特殊字符(如[SEP])替换掉待抽取文本段落中的指定标点符号,以在后续步骤中供模型进行识别。在一些实际应用中,所分成的子文本段落的长度可以小于512字节,以使模型正常识别。
步骤S403,通过鉴定模型从多个子文本段落中选出关键子文本段落,并将关键子文本段落重组为目标待抽取文本段落。
步骤S405,将目标待抽取文本段落输入至推理模型,通过推理模型分别预测目标待抽取文本段落中的原因起始位置标识值和原因结束位置标识值。
其中,步骤S403中的鉴定模型和步骤S405中的推理模型是联合训练(jointlytrain)的,训练的任务目标包括找到待抽取文本段落中的原因起始位置标识值和原因结束位置标识值,也即需要对两个任务预测出结果。步骤S403中,鉴定模型可以是CogLTX中MemRecall(记忆唤起)过程中使用的judge BERT模型,用于给多个子文本段落对于任务目标的相关性进行打分得到关键子文本段落,再将关键子文本段落按照原始的相对顺序重组为目标待抽取文本段落;步骤S405中,推理模型可以是CogLTX中的reasoner BERT模型,是最终可以获得任务目标的推理机,可以用于抽取到目标待抽取文本段落中的原因起始位置标识值和原因结束位置标识值。
在一些实际应用中,位置标识值可以看作是一个文本段落中字符对应的位置的顺序,例如在文本段落“今天天气好”中,“今”的位置标识值为0,第一个“天”的位置标识值为1,第二个“天”的位置标识值为2,以此类推。原因起始位置标识值可以看作是表原因的文本中起始字符对应的位置标识值,原因结束位置标识值可以看作是表原因的文本中结束字符对应的位置标识值。
步骤S407,根据原因起始位置标识值对应的目标起始字符和原因结束位置标识值对应的目标结束字符,确定故障产生原因。
本步骤中,可以以目标起始字符、目标结束字符及其之间的文本共同作为故障产生原因。例如,“由于线路检修,网络暂时不通”中,若通过鉴定模型和推理模型处理之后获得的原因起始位置标识值为2,原因结束位置标识值为5,那么可以根据原因起始位置标识值为2所对应的字符为“线”、原因结束位置标识值为5对应的字符“修”及其中间的字符“路检”,确定出故障产生原因为“线路检修”,即抽取到了原因。
在一些实际应用中,还可以设定:若未抽取到结果,即无原因,则可以以“原因起始位置标识值为0并且原因结束位置标识值为1”作为无原因所对应的抽取结果。也即,若通过原因抽取模型获得的抽取结果为“原因起始位置标识值为0并且原因结束位置标识值为1”,则可以确定待抽取文本段落中不存在表原因的文本。可见,通过本方案可以为原因抽取模型加入特殊标识以解决无原因无法抽取的问题。
图5示出了本公开一个实施例的工单数据处理方法中预测目标待抽取文本段落中的位置标识值的流程图,如图5所示,上述步骤S405可以进一步包括:
步骤S501,通过推理模型处理目标待抽取文本段落,获得目标待抽取文本段落中每一字符分别作为原因起始位置的起始概率值和作为原因结束位置的结束概率值。
其中,在推理模型处理目标待抽取文本段落过程中,当目标任务为找到待抽取文本段落中的原因起始位置标识值时,可以获得各个字符作为原因起始位置的概率值;当目标任务为找到待抽取文本段落中的和原因结束位置标识值时,可以获得各个字符作为原因结束位置的概率值。在一些实际应用中,可以将推理模型处理过程中获得的各个字符的logits值作为相应的概率值(包括起始概率值和结束概率值)。
步骤S503,按照起始概率值从大到小的顺序选取r1个作为原因起始位置的起始字符,以及按照结束概率值从大到小的顺序选取r2个作为原因结束位置的结束字符。
其中,r1和r2可以相同也可以不同,具体可以基于实际需求进行设定。
步骤S505,根据r1个起始字符和r2个结束字符,确定出(r1×r2)个起始-结束组合方式。
例如,r1为2,r2为2,r1个起始字符的位置标识值为2和5,r2个结束字符的位置标识值为4和5,那么可以得出以下4种起始-结束组合方式:“2-4”、“2-5”、“5-4”和“5-5”。
步骤S507,针对(r1×r2)个起始-结束组合方式中每一种组合方式,基于预设的评分算法确定每一种组合方式的评分特征值,以及根据每一种组合方式中起始字符的起始概率值以及结束字符的结束概率值确定每一种组合方式的概率特征值,进而根据评分特征值和概率特征值确定每一种组合方式的排序特征值。
本步骤中,预设的评分算法可以对应于与实际意义相符的约束条件,可以包括至少一个评分项及对应的评分更新算法,例如可以包括以下中的至少一种评分方式:
评分项(1)、若组合方式中的起始字符的位置标识值大于结束字符的位置标识值,则评分更新算法为减去第一预设值,第一预设值例如可以是500、1000等;
评分项(2)、若组合方式中的结束字符的位置标识值减去起始字符的位置标识值得到的差值大于差值阈值(如40或50),则评分更新算法为减去第二预设值,第二预设值例如可以是50、60等;
评分项(3)、若组合方式所对应的故障产生原因中包含关键词(如导致、引起、因为、由于等),则评分更新算法为加上第三预设值,第三预设值例如可以是关键词出现次数与关键词阈值(如0.02或0.03)的乘积。
在基于预设的评分算法对每一种组合方式计算一遍后,可以将各项的评分更新算法对应的值与预设的初始值(如0)相加,得到每一种组合方式的评分特征值。
对于概率特征值,可以将每一种组合方式中起始字符的起始概率值与结束字符的结束概率值之和作为该组合方式的概率特征值。
最后,可以将评分特征值和概率特征值之和作为组合方式的排序特征值,也可以先将评分特征值和概率特征值分别乘以各自相应的权重值后在相加,得到组合方式的排序特征值。
步骤S509,将排序特征值最高的目标组合方式中起始字符的位置标识值作为原因起始位置标识值,以及将目标组合方式中结束字符的位置标识值作为原因结束位置标识值。
图6示出了本公开一个实施例的工单数据处理方法中原因抽取模型框架示意图,如图6所示,本方案中的原因抽取模型可以包括长文本认知推理模型CogLTX 602和打分层603,其中打分层603可以看作是图5所示的方法所集成的模块。通过图6所示的示意图,可以将待抽取文本段落601输入至长文本认知推理模型CogLTX 602中,然后再输入至打分层603中,最终可以输出用于确定故障产生原因的原因起始位置标识值和原因结束位置标识值。
可见,通过本实施例,可以为原因抽取模型加入打分层,基于与实际意义相符的约束条件提升模型预测的准确率。
需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
图7示出了本公开一个实施例的工单数据处理装置700的框图;如图7所示,包括:
接收模块701,用于接收用户终端上报的故障处理请求;
工单生成模块702,用于基于故障处理请求与用户终端进行故障描述问答,以生成故障描述工单数据;
原因抽取模块703,用于通过原因抽取模型对故障描述工单数据进行原因抽取,获得故障产生原因;其中,原因抽取模型是基于历史工单数据及其历史故障产生原因训练得到的;
处理模块704,用于根据故障产生原因进行故障处理以获得处理结果,并将处理结果返回至用户终端。
通过本公开提供的工单数据处理装置,可以响应于故障处理请求与用户终端进行故障描述问答以生成故障描述工单数据,再通过预训练好的原因抽取模型从故障描述工单数据中抽取到故障产生原因,进而可以根据故障产生原因进行故障处理,并告知用户处理结果,一方面可以快速生成用于描述故障信息的工单数据,另一方面可以高效准确地从工单数据中抽取到故障产生原因以进行故障处理,提升了故障处理的整体效率,也使用户体验得到提升。
在一些实施例中,原因抽取模块703通过原因抽取模型对故障描述工单数据进行原因抽取,获得故障的故障产生原因,包括:对故障描述工单数据进行数据过滤,获得待抽取文本段落;通过原因抽取模型对待抽取文本段落进行原因抽取,获得故障产生原因。
在一些实施例中,原因抽取模块703对故障描述工单数据进行数据过滤,获得待抽取文本段落,包括:获取用于过滤的正则表达式和/或故障描述工单模板中的待过滤字段;根据正则表达式和/或待过滤字段确定故障描述工单数据中的待过滤数据;其中,待过滤数据包括以下中的至少一种:电话号码数据、时间数据、工单号数据;将待过滤数据从故障描述工单数据中去除,获得待抽取文本段落。
在一些实施例中,原因抽取模型为长文本认知推理模型CogLTX,CogLTX包括联合训练的鉴定模型和推理模型;其中,原因抽取模块703通过原因抽取模型对待抽取文本段落进行原因抽取,获得故障产生原因,包括:根据预设分段方式将待抽取文本段落分为多个子文本段落;通过鉴定模型从多个子文本段落中选出关键子文本段落,并将关键子文本段落重组为目标待抽取文本段落;将目标待抽取文本段落输入至推理模型,通过推理模型分别预测目标待抽取文本段落中的原因起始位置标识值和原因结束位置标识值;根据原因起始位置标识值对应的目标起始字符和原因结束位置标识值对应的目标结束字符,确定故障产生原因。
在一些实施例中,原因抽取模块703将目标待抽取文本段落输入至推理模型,通过推理模型分别预测目标待抽取文本段落中的原因起始位置标识值和原因结束位置标识值,包括:通过推理模型处理目标待抽取文本段落,获得目标待抽取文本段落中每一字符分别作为原因起始位置的起始概率值和作为原因结束位置的结束概率值;按照起始概率值从大到小的顺序选取r1个作为原因起始位置的起始字符,以及按照结束概率值从大到小的顺序选取r2个作为原因结束位置的结束字符;根据r1个起始字符和r2个结束字符,确定出(r1×r2)个起始-结束组合方式;针对(r1×r2)个起始-结束组合方式中每一种组合方式,基于预设的评分算法确定每一种组合方式的评分特征值,以及根据每一种组合方式中起始字符的起始概率值以及结束字符的结束概率值确定每一种组合方式的概率特征值,进而根据评分特征值和概率特征值确定每一种组合方式的排序特征值;将排序特征值最高的目标组合方式中起始字符的位置标识值作为原因起始位置标识值,以及将目标组合方式中结束字符的位置标识值作为原因结束位置标识值。
在一些实施例中,工单生成模块702基于故障处理请求与用户终端进行故障描述问答,以生成故障描述工单数据,包括:基于故障处理请求调用相应的故障描述工单模板;根据故障描述工单模板与用户终端进行故障描述问答,以生成故障描述工单数据。
在一些实施例中,处理模块704根据故障产生原因进行故障处理以获得处理结果,包括:获取用户终端所在区域的区域标识;通知区域标识对应的故障处理系统,以使故障处理系统根据故障产生原因进行故障处理以获得处理结果。
图7实施例的其它内容可以参照上述其它实施例,此处不再进行赘述。
所属技术领域的技术人员能够理解,本发明的各个方面可以实现为系统、方法或程序产品。因此,本发明的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
图8示出本公开实施例中一种工单数据处理计算机设备的结构框图。需要说明的是,图示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
下面参照图8来描述根据本发明的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于:上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元810执行,使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如,所述处理单元810可以执行如图2中所示的方法。
存储单元820可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202,还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204,这样的程序模块8205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备800交互的设备通信,和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且,电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器860通过总线830与电子设备800的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备800使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
根据本发明实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
Claims (10)
1.一种工单数据处理方法,其特征在于,包括:
接收用户终端上报的故障处理请求;
基于所述故障处理请求与所述用户终端进行故障描述问答,以生成故障描述工单数据;
通过原因抽取模型对所述故障描述工单数据进行原因抽取,获得故障产生原因;其中,所述原因抽取模型是基于历史工单数据及其历史故障产生原因训练得到的;
根据所述故障产生原因进行故障处理以获得处理结果,并将所述处理结果返回至所述用户终端。
2.根据权利要求1所述的方法,其特征在于,通过原因抽取模型对所述故障描述工单数据进行原因抽取,获得所述故障的故障产生原因,包括:
对所述故障描述工单数据进行数据过滤,获得待抽取文本段落;
通过原因抽取模型对所述待抽取文本段落进行原因抽取,获得故障产生原因。
3.根据权利要求2所述的方法,其特征在于,对所述故障描述工单数据进行数据过滤,获得待抽取文本段落,包括:
获取用于过滤的正则表达式和/或故障描述工单模板中的待过滤字段;
根据所述正则表达式和/或所述待过滤字段确定所述故障描述工单数据中的待过滤数据;其中,所述待过滤数据包括以下中的至少一种:电话号码数据、时间数据、工单号数据;
将所述待过滤数据从所述故障描述工单数据中去除,获得所述待抽取文本段落。
4.根据权利要求2所述的方法,其特征在于,所述原因抽取模型为长文本认知推理模型CogLTX,所述CogLTX包括联合训练的鉴定模型和推理模型;
其中,通过原因抽取模型对所述待抽取文本段落进行原因抽取,获得故障产生原因,包括:
根据预设分段方式将所述待抽取文本段落分为多个子文本段落;
通过所述鉴定模型从所述多个子文本段落中选出关键子文本段落,并将所述关键子文本段落重组为目标待抽取文本段落;
将所述目标待抽取文本段落输入至所述推理模型,通过所述推理模型分别预测所述目标待抽取文本段落中的原因起始位置标识值和原因结束位置标识值;
根据所述原因起始位置标识值对应的目标起始字符和所述原因结束位置标识值对应的目标结束字符,确定所述故障产生原因。
5.根据权利要求4所述的方法,其特征在于,将所述目标待抽取文本段落输入至所述推理模型,通过所述推理模型分别预测所述目标待抽取文本段落中的原因起始位置标识值和原因结束位置标识值,包括:
通过所述推理模型处理所述目标待抽取文本段落,获得所述目标待抽取文本段落中每一字符分别作为原因起始位置的起始概率值和作为原因结束位置的结束概率值;
按照起始概率值从大到小的顺序选取r1个作为原因起始位置的起始字符,以及按照结束概率值从大到小的顺序选取r2个作为原因结束位置的结束字符;
根据所述r1个起始字符和所述r2个结束字符,确定出(r1×r2)个起始-结束组合方式;
针对所述(r1×r2)个起始-结束组合方式中每一种组合方式,基于预设的评分算法确定每一种组合方式的评分特征值,以及根据每一种组合方式中起始字符的起始概率值以及结束字符的结束概率值确定每一种组合方式的概率特征值,进而根据所述评分特征值和所述概率特征值确定每一种组合方式的排序特征值;
将所述排序特征值最高的目标组合方式中起始字符的位置标识值作为所述原因起始位置标识值,以及将所述目标组合方式中结束字符的位置标识值作为所述原因结束位置标识值。
6.根据权利要求1-5任一所述的方法,其特征在于,基于所述故障处理请求与所述用户终端进行故障描述问答,以生成故障描述工单数据,包括:
基于所述故障处理请求调用相应的故障描述工单模板;
根据所述故障描述工单模板与所述用户终端进行故障描述问答,以生成故障描述工单数据。
7.根据权利要求1-5任一所述的方法,其特征在于,根据所述故障产生原因进行故障处理以获得处理结果,包括:
获取所述用户终端所在区域的区域标识;
通知所述区域标识对应的故障处理系统,以使所述故障处理系统根据所述故障产生原因进行故障处理以获得处理结果。
8.一种工单数据处理装置,其特征在于,包括:
接收模块,用于接收用户终端上报的故障处理请求;
工单生成模块,用于基于所述故障处理请求与所述用户终端进行故障描述问答,以生成故障描述工单数据;
原因抽取模块,用于通过原因抽取模型对所述故障描述工单数据进行原因抽取,获得故障产生原因;其中,所述原因抽取模型是基于历史工单数据及其历史故障产生原因训练得到的;
处理模块,用于根据所述故障产生原因进行故障处理以获得处理结果,并将所述处理结果返回至所述用户终端。
9.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求1至7任一项所述的工单数据处理方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,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时,使得所述一个或多个处理器实现如权利要求1至7任一项所述的工单数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210822511.6A CN115221892B (zh) | 2022-07-12 | 2022-07-12 | 工单数据处理方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210822511.6A CN115221892B (zh) | 2022-07-12 | 2022-07-12 | 工单数据处理方法及装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115221892A true CN115221892A (zh) | 2022-10-21 |
CN115221892B CN115221892B (zh) | 2024-02-27 |
Family
ID=83611978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210822511.6A Active CN115221892B (zh) | 2022-07-12 | 2022-07-12 | 工单数据处理方法及装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115221892B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228195A (zh) * | 2023-01-30 | 2023-06-06 | 国网江苏省电力有限公司营销服务中心 | 适用于工单的数据处理方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016188279A1 (zh) * | 2015-05-25 | 2016-12-01 | 阿里巴巴集团控股有限公司 | 一种故障谱的生成、基于故障谱的检测方法和装置 |
CN112183782A (zh) * | 2020-10-13 | 2021-01-05 | 中国联合网络通信集团有限公司 | 故障工单处理方法及设备 |
CN113689111A (zh) * | 2021-08-20 | 2021-11-23 | 北京百度网讯科技有限公司 | 故障识别模型训练方法、故障识别方法、装置和电子设备 |
CN113868427A (zh) * | 2020-06-30 | 2021-12-31 | 中国移动通信集团天津有限公司 | 一种数据处理方法、装置及电子设备 |
CN114173370A (zh) * | 2021-12-30 | 2022-03-11 | 中国电信股份有限公司 | 一种故障定位方法、装置、设备及存储介质 |
CN114430363A (zh) * | 2020-10-29 | 2022-05-03 | 中国移动通信有限公司研究院 | 故障原因定位方法、装置、设备及存储介质 |
-
2022
- 2022-07-12 CN CN202210822511.6A patent/CN115221892B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016188279A1 (zh) * | 2015-05-25 | 2016-12-01 | 阿里巴巴集团控股有限公司 | 一种故障谱的生成、基于故障谱的检测方法和装置 |
CN113868427A (zh) * | 2020-06-30 | 2021-12-31 | 中国移动通信集团天津有限公司 | 一种数据处理方法、装置及电子设备 |
CN112183782A (zh) * | 2020-10-13 | 2021-01-05 | 中国联合网络通信集团有限公司 | 故障工单处理方法及设备 |
CN114430363A (zh) * | 2020-10-29 | 2022-05-03 | 中国移动通信有限公司研究院 | 故障原因定位方法、装置、设备及存储介质 |
CN113689111A (zh) * | 2021-08-20 | 2021-11-23 | 北京百度网讯科技有限公司 | 故障识别模型训练方法、故障识别方法、装置和电子设备 |
CN114173370A (zh) * | 2021-12-30 | 2022-03-11 | 中国电信股份有限公司 | 一种故障定位方法、装置、设备及存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228195A (zh) * | 2023-01-30 | 2023-06-06 | 国网江苏省电力有限公司营销服务中心 | 适用于工单的数据处理方法、装置、设备及存储介质 |
CN116228195B (zh) * | 2023-01-30 | 2024-03-05 | 国网江苏省电力有限公司营销服务中心 | 适用于工单的数据处理方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115221892B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020201883B2 (en) | Call center system having reduced communication latency | |
US10740380B2 (en) | Incremental discovery of salient topics during customer interaction | |
US11763089B2 (en) | Indicating sentiment of users participating in a chat session | |
WO2022067149A1 (en) | Systems and methods relating to bot authoring by mining intents from conversation data using known intents for associated sample utterances | |
CN113627566A (zh) | 一种网络诈骗的预警方法、装置和计算机设备 | |
CN112182220A (zh) | 基于深度学习的客服预警分析方法、系统、设备及介质 | |
CN115221892B (zh) | 工单数据处理方法及装置、存储介质及电子设备 | |
CN111126071A (zh) | 提问文本数据的确定方法、装置和客服群的数据处理方法 | |
US20200097866A1 (en) | Project resource risk management | |
CN110782128B (zh) | 一种用户职业标签生成方法、装置和电子设备 | |
JP2019059348A (ja) | 運行情報処理装置およびその処理方法 | |
CN110874758A (zh) | 潜在客户预测方法、装置、系统、电子设备、存储介质 | |
CN115168582A (zh) | 基于机器人的客服问题智能处理方法及系统 | |
CN114118937A (zh) | 基于任务的信息推荐方法、装置、电子设备及存储介质 | |
CN113051381A (zh) | 信息质检方法、装置、计算机系统和计算机可读存储介质 | |
CN111309990B (zh) | 一种语句应答方法及装置 | |
US11593567B2 (en) | Intelligent conversational gateway | |
CN115983609B (zh) | 工单处理方法、装置、电子设备和计算机可读介质 | |
US11947872B1 (en) | Natural language processing platform for automated event analysis, translation, and transcription verification | |
US20240078559A1 (en) | System and method for suggesting and generating a customer service template | |
US11556810B2 (en) | Estimating feasibility and effort for a machine learning solution | |
US11956385B2 (en) | Systems and methods for utilizing a machine learning model to determine an intent of a voice customer in real time | |
CN113553431B (zh) | 用户标签提取方法、装置、设备及介质 | |
US9116980B1 (en) | System, method, and computer program for determining a set of categories based on textual input | |
US20230410023A1 (en) | Generating an intelligent summary graph and text from qualitative reviews |
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 |