CN115455184A - 一种投诉工单分类的方法、装置及相关产品 - Google Patents

Abstract

本申请提供了公开了一种投诉工单分类的方法、装置及相关产品，可应用于金融领域或其他领域。该方法包括：首先获取目标投诉工单，然后梳理目标投诉工单，确定分类对象和标注对象。根据分类对象和标注对象对目标投诉工单进行分类和标注。最后，基于自然语言处理技术提取标注好的不同文本数据特征，并基于预设集成学习算法进行分类，获取分类结果。如此，通过自然语言处理技术，实现投诉工单的智能化信息挖掘。相较于人工手动筛选，能够客观分析大量文本数据信息，工作效率高，且提高了分析的广度和深度，进而提升了分析客户满意度准确度。

Description

一种投诉工单分类的方法、装置及相关产品

技术领域

本申请涉及数据处理领域，尤其涉及一种投诉工单分类的方法、装置及相关产品。

背景技术

随着人工智能互联网技术的快速发展，企业级智能客户系统也应用而生。然而企业级智能客户系统在与客户交流过程中还无法与真人相比，因此采用客服人员与客户交流仍是主流手段。

为进一步提升客服人员管理质量，提高用户体验和客户满意度，目前可以通过人工对投诉工单和满意度调查问卷进行手动筛选，分析客户满意度。然而，这种人工手动筛选主观性较强，分析准确度低，且筛选效率比较低。

因此，提供客户满意度分析准确度，且提高筛选效率，成为本领域亟待解决的技术问题。

发明内容

有鉴于此，本申请提供了一种投诉工单分类的方法、装置及相关产品，旨减少筛选的主观性，提高客户满意度分析准确度，并提升筛选效率。

第一方面，本申请实施例提供了一种投诉工单分类的方法，所述方法包括：

获取目标投诉工单；

梳理所述目标投诉工单，确定分类对象和标注对象；根据所述分类对象和标注对象对所述目标投诉工单进行分类和标注，获取标注好的不同文本数据；

基于自然语言处理技术提取所述标注好的不同文本数据的特征；

基于预设集成学习算法，对提取的所述特征进行分类，获取所述目标投诉工单的分类结果。

可选的，所述分类对象包括受理内容、处理情况、受理录音文本、处理佐证录音；所述标注对象为贷款业务和存款业务；

所述根据所述分类对象和标注对象对所述目标投诉工单进行分类和标注，获取标注好的不同文本数据，包括：

根据所述目标投诉工单中的所述受理内容、处理情况、受理录音文本、处理佐证录音进行分类，获取不同文本数据；

根据贷款业务和存款业务标注所述不同文本数据，获取标注好的不同文本数据。

可选的，所述方法还包括：

清洗所述标注好的不同文本数据。

可选的，所述基于自然语言处理技术提取所述标注好的不同文本数据的特征，包括：

建立所述目标投诉工单数据的小颗粒度用户词典和停用词典；

基于预设分词模型和所述小颗粒度用户词典和停用词典，对所述标注好的不同文本数据进行分词；

提取分词后的所述标注好的不同文本数据的特征。

可选的，所述基于预设集成学习算法，对提取的所述特征进行分类，包括：

将朴素贝叶斯和决策树分类模型加入预设集成学习算法，调整所述预设集成算法；

利用调整后的所述预设集成算法对提取的所述特征进行分类。

可选的，所述预设集成学习算法为Bagging集成学习算法。

第二方面，本申请实施例提供了一种投诉工单分类的装置，所述装置包括：

获取单元，用于获取目标投诉工单；

标注单元，用于梳理所述目标投诉工单，确定分类对象和标注对象；根据所述分类对象和标注对象对所述目标投诉工单进行分类和标注，获取标注好的不同文本数据；

提取单元，用于基于自然语言处理技术提取所述标注好的不同文本数据的特征；

分类单元，用于基于预设集成学习算法，对提取的所述特征进行分类，获取所述目标投诉工单的分类结果。

可选的，所述分类对象包括受理内容、处理情况、受理录音文本、处理佐证录音；所述标注对象为贷款业务和存款业务；

所述标注单元还用于根据所述目标投诉工单中的所述受理内容、处理情况、受理录音文本、处理佐证录音进行分类，获取不同文本数据；根据贷款业务和存款业务标注所述不同文本数据，获取标注好的不同文本数据。

第三方面，本申请实施例提供一种投诉工单分类生成设备，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；

所述存储器存储有可被所述至少一个处理器执行的指令，所述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第一方面任一项所述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储代码，所述代码被处理器执行时实现如第一方面中任一项投诉工单分类的方法的步骤。

本申请提供了公开了一种投诉工单分类的方法、装置及相关产品，在执行所述方法时：首先获取目标投诉工单，然后梳理目标投诉工单，确定分类对象和标注对象。根据分类对象和标注对象对目标投诉工单进行分类和标注。最后，基于自然语言处理技术提取标注好的不同文本数据特征，并基于预设集成学习算法进行分类，获取分类结果。如此，先通过投诉工单分类，然后通过自然语言处理技术，实现投诉工单的智能化信息挖掘。相较于人工手动筛选，能够客观分析大量文本数据信息，工作效率高，且提高了分析的广度和深度，进而提升了分析客户满意度准确度。

附图说明

为更清楚地说明本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申请的一些实施例，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为本申请实施例提供的一种投诉工单分类的方法流程图；

图2为本申请实施例提供的一种基于自然语言处理技术的特征提取方法流程图；

图3为本申请实施例提供的另一种投诉工单分类的方法流程图；

图4为本申请实施例提供的另一种投诉工单分类的装置结构示意图。

具体实施方式

正如前文所述，现有技术往往通过人工对投诉工单和满意度调查问卷进行手动筛选，分析客户满意度。然而手动筛选主观性强，分析准确度受限，且筛选效率较低。

基于此，本申请通过先进行投诉工单分类，再基于自然语言处理技术提取不同文本数据特征，最后基于预设集成学习算法进行分类。如此，可以客观分析大量文本数据信息，消除主观影响，提高工作效率和分析客户满意度的准确度。

需要说明的是，本发明提供的投诉工单分类的方法可用于人工智能领域、区块链领域、分布式领域、云计算领域、大数据领域、物联网领域、移动互联领域、数字孪生领域或金融领域。上述仅为示例，并不对本发明提供的投诉工单分类的方法及装置的应用领域进行限定。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

参见图1，为本申请实施例提供的一种投诉工单分类的方法流程图。应用于银行系统。该方法至少包括以下步骤：

S101：获取目标投诉工单。

在本申请实施例中，目标投诉工单是指需要处理的投诉工单。在本申请实施例中，可以通过多种方式获取目标投诉工单，比如通过下载预先录入到银行系统的投诉工单。

S102：梳理目标投诉工单，确定分类对象和标注对象；根据分类对象和标注对象对目标投诉工单进行分类和标注，获取标注好的不同文本数据。

在本申请实施例中，当获取目标投诉工单之后，就需要梳理目标投诉工单，确定分类对象和标注对象。在本申请实施例中，确定分类对象是指智能归因分类的对象，即将哪些因素作为分类的主要标准。在本申请实施例中，可以选择投诉工单中的“受理内容”、“处理情况”、“受理录音文本”以及“处理佐证录音”等确定为分类对象。标注方向是指业务方向。在本申请实施例中，主要业务方向为贷款和存款，相应的，标注对象为贷款和存款。

在确定好分类对象和标注对象之后，就可以根据分类对象和标注对象对目标投诉工单进行分类和标注，获取标注好的不同文本数据。在本申请实施例中，将目标投诉工单依照相应的分类对象生成的不同文本数据，比如受理内容文本数据，处理情况文本数据等。针对这些文本数据，从贷款和存款两个业务方向对文本数据进行标注，获取标注好的不同文本数据。比如标注贷款的受理内容文本数据等。

S103：基于自然语言处理技术提取所述标注好的不同文本数据的特征。

在本申请实施例中，对于获取的标注好的不同文本数据，通过自然语言处理技术提取该文本数据的特征。自然语言处理技术作为融合数据建模、计算机技术、语言学等学科知识，能够自动提取文本数据的特征。相对于手动筛选，可以避免人为主观因素影响，提高特征提取准确度。

在本申请实施例中，可以采用关键词典的自然语言处理技术进行特征提取。具体实现方式详见图2。在本申请实施例中，也可以采用其他自然语言处理技术，比如TF-IDF的自然语言处理技术进行特征提取。

S104：基于预设集成学习算法，对提取的所述特征进行分类，获取所述目标投诉工单的分类结果。

在本申请实施例中，对于提取的不同文本数据的特征，利用预设集成学习算法，进行不同文本数据的分类，最终获取目标投诉工单的分类。在本申请实施例中，投诉工单的分类包括……。在本申请实施例中，预设集成学习算法由多个弱分类器组成一个强分类器，用于对不同文本数据依据特征进行分类。在本申请实施例中，预设集成学习算法可以为引导聚集Bagging算法。

关于Bagging算法，具体算法过程为：

从原始训练集中使用Bootstraping方法随机有放回采样选出m个样本，共进行n_tree次采样，生成n_tree个训练集；

对于n_tree个训练集，分别训练n_tree个决策树模型；

对于单个决策树模型，假设训练样本特征的个数为n，那么每次分裂时根据信息增益/信息增益比/基尼指数选择最好的特征进行分裂；

每棵树都一直这样分裂下去，直到该节点的所有训练样例都属于同一类。在决策树的分裂过程中不需要剪枝；

将生成的多棵决策树组成随机森林。对于分类问题，按多棵树分类器投票决定最终分类结果；对于回归问题，由多棵树预测值的均值决定最终预测结果。

本申请提供了公开了一种投诉工单分类的方法，首先获取目标投诉工单，然后梳理目标投诉工单，确定分类对象和标注对象。根据分类对象和标注对象对目标投诉工单进行分类和标注。最后，基于自然语言处理技术提取标注好的不同文本数据特征，并基于预设集成学习算法进行分类，获取分类结果。如此，先通过投诉工单分类，然后通过自然语言处理技术，实现投诉工单的智能化信息挖掘。相较于人工手动筛选，能够客观分析大量文本数据信息，工作效率高，且提高了分析的广度和深度，进而提升了分析客户满意度准确度。

参见图2，为本申请实施例提供的一种基于自然语言处理技术的特征提取方法流程图，该方法包括以下步骤：

S201：获取标注好的不同文本数据。

S202：建立投诉工单数据的小颗粒度用户词典和停用词典。

在本申请实施例中，为提高自然语音处理技术模型的泛化能力，建立小颗粒度用户词典和停用词典。小颗粒度用户词典和停用词典，用户表示用户词典和停用词典中词划分更加细致。在本申请实施例中，通过建立用户词典，可以保证专有词的准确切分，建立停用词典，可以保证切分的界限。

S203：利用词袋模型对建立的小颗粒度用户词典和停用词典进行分词。

词袋模型是指不考虑文本中词和词之间的上下文关系，只考虑所有词的权重。其中权重与词在文本中出现的频率有关。词袋模型首先进行分词，在分词之后，通过统计每个次在文本中出现的次数，得到该文本基于词的特征，并将各个文本词的特征与对应的词频放在一起进行词向量化。向量化完毕后进行特征的权重修正，并将修正后的特征进行标准化处理。

采用词袋模型对小颗粒度用户词典和停用词典进行分词，提取特征。相较于常用的jieba分词和隐马尔克夫模型，特征提取准确度更高。

S204：将分词后提取的特征进行赋权选择和降维。

在本申请实施例中，将分词后提取的特征进行赋权选择，再进行降维。其中，赋权选择是通过预设方式，比如机器学习的模型训练等，对提取的特征赋予不同权重。降维，是指采用预设映射方法，将高位向量空间的特征映射到低维空间，以减少特征数据中的冗余信息及噪声信息，从而减少对模型识别造成的误差，提高模型准确率。在本申请实施例中，可以通过过滤法进行降维。

参见图3，为本申请实施例提供的另一种投诉工单分类的方法流程图。应用于银行系统。该方法至少包括以下步骤：

S301：获取目标投诉工单。

S302：梳理目标投诉工单，确定分类对象和标注对象；根据分类对象和标注对象对目标投诉工单进行分类和标注，获取标注好的不同文本数据。

步骤S301～S302与步骤S101～S102相同，这里不再论述。

S303：清洗标注好的不同文本数据。

由于标注好的不同文本数据可以存在歧义词、字母大小写等，影响特征提取精度的文本数据。因此，需要清洗标注好的不同文本数据，减少词汇噪声。比如大小写转化、稀缺次去除、消除歧义词等。

S304：采用自然语言处理技术将清洗好的不同文本数据进行特征提取。

S305：基于预设集成学习算法，对提取的所述特征进行分类，获取所述目标投诉工单的分类结果。

步骤S304～S305与步骤S103～S104相同，这里不再论述。

在本申请提供的实施例中，对标注好的不同文本数据进行清洗，对清洗之后的数据进行特征提取和分类，可以进一步提高分类模型精确度。

此外，本申请还提供了一种投诉工单分类的装置。参见图4，为本申请实施例提供的一种投诉工单分类的装置400结构示意图。应用于银行系统。装置400至少包括以下单元：

获取单元401，用于获取目标投诉工单；

标注单元402，用于梳理所述目标投诉工单，确定分类对象和标注对象；根据所述分类对象和标注对象对所述目标投诉工单进行分类和标注，获取标注好的不同文本数据；

提取单元403，用于基于自然语言处理技术提取所述标注好的不同文本数据的特征；

分类单元404，用于基于预设集成学习算法，对提取的所述特征进行分类，获取所述目标投诉工单的分类结果。

可选的，所述分类对象包括受理内容、处理情况、受理录音文本、处理佐证录音；所述标注对象为贷款业务和存款业务；

所述标注单元402还用于根据所述目标投诉工单中的所述受理内容、处理情况、受理录音文本、处理佐证录音进行分类，获取不同文本数据；根据贷款业务和存款业务标注所述不同文本数据，获取标注好的不同文本数据。

可选的，装置400还包括：

清洗单元，用于清洗所述标注好的不同文本数据。

可选的，所述提取单元403包括：

建立模块，用于建立所述目标投诉工单数据的小颗粒度用户词典和停用词典；

分词模块，用于基于预设分词模型和所述小颗粒度用户词典和停用词典，对所述标注好的不同文本数据进行分词；

提取模块，用于提取分词后的所述标注好的不同文本数据的特征。

可选的，所述分类单元404，包括：

算法调整模块，用于将朴素贝叶斯和决策树分类模型加入预设集成学习算法，调整所述预设集成算法；

分类模块，用于利用调整后的所述预设集成算法对提取的所述特征进行分类。

可选的，所述预设集成学习算法为Bagging集成学习算法。

本申请提供了公开了一种投诉工单分类装置。其中，获取单元401获取目标投诉工单。标注单元402梳理目标投诉工单，确定分类对象和标注对象。根据分类对象和标注对象对目标投诉工单进行分类和标注。提取单元403基于自然语言处理技术提取标注好的不同文本数据特征。分类单元404基于预设集成学习算法进行分类，获取分类结果。如此，先通过投诉工单分类，然后通过自然语言处理技术，实现投诉工单的智能化信息挖掘。相较于人工手动筛选，能够客观分析大量文本数据信息，工作效率高，且提高了分析的广度和深度，进而提升了分析客户满意度准确度。

本申请实施例还提供了对应的生成设备以及计算机存储介质，用于实现本申请实施例提供的方案。

其中，设备包括存储器和处理器，存储器用于存储指令或代码，处理器用于执行指令或代码，以使设备执行本申请任一实施例的一种投诉工单分类方法。

所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现本申请任一实施例所述的方法。

本申请实施例中提到的“第一”、“第二”(若存在)等名称中的“第一”、“第二”只是用来做名字标识，并不代表顺序上的第一、第二。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如只读存储器(英文：read-only memory，ROM)/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如路由器等网络通信设备)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。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。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅是本申请示例性的实施方式，并非用于限定本申请的保护范围。

Claims (10)

1.一种投诉工单分类方法，其特征在于，所述方法包括：

获取目标投诉工单；

梳理所述目标投诉工单，确定分类对象和标注对象；根据所述分类对象和标注对象对所述目标投诉工单进行分类和标注，获取标注好的不同文本数据；

基于自然语言处理技术提取所述标注好的不同文本数据的特征；

基于预设集成学习算法，对提取的所述特征进行分类，获取所述目标投诉工单的分类结果。

2.根据权利要求1所述方法，其特征在于，所述分类对象包括受理内容、处理情况、受理录音文本、处理佐证录音；所述标注对象为贷款业务和存款业务；

所述根据所述分类对象和标注对象对所述目标投诉工单进行分类和标注，获取标注好的不同文本数据，包括：

根据所述目标投诉工单中的所述受理内容、处理情况、受理录音文本、处理佐证录音进行分类，获取不同文本数据；

根据贷款业务和存款业务标注所述不同文本数据，获取标注好的不同文本数据。

3.根据权利要求2所述方法，其特征在于，所述方法还包括：清洗所述标注好的不同文本数据。

4.根据权利要求1所述方法，其特征在于，所述基于自然语言处理技术提取所述标注好的不同文本数据的特征，包括：

建立所述目标投诉工单数据的小颗粒度用户词典和停用词典；

基于预设分词模型和所述小颗粒度用户词典和停用词典，对所述标注好的不同文本数据进行分词；

提取分词后的所述标注好的不同文本数据的特征。

5.根据权利要求1-4任意一项所述方法，其特征在于，所述基于预设集成学习算法，对提取的所述特征进行分类，包括：

将朴素贝叶斯和决策树分类模型加入预设集成学习算法，调整所述预设集成算法；

利用调整后的所述预设集成算法对提取的所述特征进行分类。

6.根据权利要求5所述方法，其特征在于，所述预设集成学习算法为Bagging集成学习算法。

7.一种投诉工单分类装置，其特征在于，所述装置包括：

获取单元，用于获取目标投诉工单；

标注单元，用于梳理所述目标投诉工单，确定分类对象和标注对象；根据所述分类对象和标注对象对所述目标投诉工单进行分类和标注，获取标注好的不同文本数据；

提取单元，用于基于自然语言处理技术提取所述标注好的不同文本数据的特征；

分类单元，用于基于预设集成学习算法，对提取的所述特征进行分类，获取所述目标投诉工单的分类结果。

8.根据权利要求7所述装置，其特征在于，所述分类对象包括受理内容、处理情况、受理录音文本、处理佐证录音；所述标注对象为贷款业务和存款业务；

所述标注单元还用于根据所述目标投诉工单中的所述受理内容、处理情况、受理录音文本、处理佐证录音进行分类，获取不同文本数据；根据贷款业务和存款业务标注所述不同文本数据，获取标注好的不同文本数据。

9.一种投诉工单分类生成设备，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；

所述存储器存储有可被所述至少一个处理器执行的指令，所述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权利要求1至6任一项所述的方法。

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上存储程序，所述程序被处理器执行时实现如权利要求1至6任一项所述投诉工单分类的方法的步骤。

Images