CN115809796A - 基于用户画像的项目智能派工方法及系统 - Google Patents

Abstract

本发明涉及人工智能技术，揭露了一种基于用户画像的项目智能派工方法及系统，包括：根据基础信息数据及实时定位数据构建派工用户的用户画像；对目标项目数据进行语义分析，得到项目数据语义；根据项目数据语义对目标项目数据进行项目类别分类，得到类别分类项目；根据项目责任需求及项目优先级对类别分类项目进行项目处理分类，生成项目处理工单，对项目处理工单进行校验，得到校验结果；根据校验结果判断用户画像的适用值，根据校验结果及适用值判断是否根据所述用户画像将所述项目处理工单分派至派工用户。本发明可以提高项目派工的效率。

Description

基于用户画像的项目智能派工方法及系统

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于用户画像的项目智能派工方法及系统。

背景技术

随着运维项目的不断增加，伴随着工单数目也随之增加，为了降低客服压力，减少人力资源浪费等问题，需要对工单进行智能化派发，提高工单问题处理效率，需要对不同的工单进行分类，与派工用户进行匹配，以进行项目智能派工。

现有的项目派工技术多为基于人工派发工单，需要核查大量地址信息，对工单进行轮流派发。实际应用中，项目派工过程中存在着项目的紧急程度且人工派工效率较慢，仅考虑使用人工进行核查，可能导致对项目派工的方式过于浪费时间，从而对进行项目派工的效率较低。

发明内容

本发明提供一种基于用户画像的项目智能派工方法及系统，其主要目的在于解决进行项目派工的效率较低的问题。

为实现上述目的，本发明提供的一种基于用户画像的项目智能派工方法，包括：

S1、获取派工用户的基础信息数据及实时定位数据，根据所述基础信息数据及所述实时定位数据构建所述派工用户的用户画像；

S2、获取目标项目数据，利用预设的语义分析模型对所述目标项目数据进行语义分析，得到项目数据语义；

S3、按照预设的项目业务需求根据所述项目数据语义对所述目标项目数据进行项目类别分类，得到类别分类项目；

S4、根据预设的项目责任需求及预先生成的项目优先级对所述类别分类项目进行项目处理分类，生成项目处理工单，以及对所述项目处理工单进行校验，得到校验结果，其中，所述根据预设的项目责任需求及预先生成的项目优先级对所述类别分类项目进行项目处理分类，生成项目处理工单，包括：

S41、利用如下的需求值公式计算所述项目责任需求的需求值：

其中，

为第

个项目责任需求的需求值，

为第

个项目责任需求的期望需求值，

为第

个项目责任需求的需求权重，

为第

个项目责任需求的需求概率，

为项目责任需求的数量，

为对数函数；

S42、选取所述需求值最大及所述项目优先级最大的类别分类项目作为第一最高优先处理项目；

S43、从未被选取的所述类别分类项目中逐一选取所述需求值最大及所述项目优先级最大的类别分类项目作为第二最高优先处理项目，直至所述类别分类项目均被选取；

S44、汇集所述第一最高优先处理项目及第二最高优先处理项目为所述项目处理工单；

S5、当所述校验结果是错误时，返回至所述按照预设的项目业务需求根据所述项目数据语义对所述目标项目数据进行项目类别分类，得到类别分类项目的步骤，直至所述校验结果是正确的；

S6、当所述校验结果是正确时，根据所述校验结果的正确率判断所述用户画像的适用值，以及根据所述用户画像及所述适用值将所述项目处理工单分派至派工用户。

可选地，所述根据所述基础信息数据及所述实时定位数据构建所述派工用户的用户画像，包括：

逐一从所述基础信息数据中选择一个信息数据为目标基本信息；

对每个所述目标基本信息进行向量转换，得到基本信息向量；

对所述实时定位数据进行向量转换，得到实时定位向量；

将所有所述基本信息向量及所述实时定位向量进行向量拼接，生成所述派工用户的用户画像。

可选地，所述将所有所述基本信息向量及所述实时定位向量进行向量拼接，生成所述派工用户的用户画像，包括：

统计所述基本信息向量中所有向量的基本向量长度；

统计所述实时定位向量的实时向量长度；

对每个所述基本向量长度及所述实时向量长度进行长度统一，得到统一长度向量；

按照预设的列维度将所述统一长度向量进行向量合并，得到所述派工用户的用户画像。

可选地，所述利用预设的语义分析模型对所述目标项目数据进行语义分析，得到项目数据语义，包括：

利用所述语义分析模型对所述目标项目数据进行卷积处理，得到所述目标项目数据的低维特征语义；

通过预设的映射函数将所述低维特征语义映射为高维特征语义；

对所述高维特征语义进行核心语义选择，得到所述项目数据语义。

可选地，所述按照预设的项目业务需求根据所述项目数据语义对所述目标项目数据进行项目类别分类，得到类别分类项目，包括：

对所述项目数据语义进行向量转换，得到项目数据向量；

利用预设的特征提取算法提取所述项目数据向量的项目特征向量；

通过如下的特征加权公式计算所述项目特征向量的特征权重：

其中，

为所述特征权重，

为所述项目特征向量

出现的频数，

为第

个所述项目特征向量出现的频数，

为所述项目特征向量的数量，

为对数函数，

为所述项目数据语义中包含所述项目特征向量的数量，

为所述项目特征向量

在所述项目数据语义中出现的数量；

按照所述项目业务需求利用所述特征权重构建目标分类器，利用所述目标分类器对所述目标项目数据进行项目类别分类，得到类别分类项目。

可选地，所述按照所述项目业务需求利用所述特征权重构建目标分类器，包括：

按照所述项目业务需求确定目标分类特征；

计算所述特征权重与所述目标分类特征的分类权重阈值的分类距离值；

利用预设的聚类算法根据所述分类距离值将所述特征权重对应的项目特征向量进行聚类，得到聚类向量集；

根据所述聚类向量集生成所述目标分类器。

可选地，在所述根据预设的项目责任需求及预先生成的项目优先级对所述类别分类项目进行项目处理分类，生成项目处理工单之前，还包括：

根据预设的项目处理登记表生成结构化数据宽表；

利用预设的语义分析算法对所述结构化数据宽表进行项目故障分类，得到故障判别表；

根据所述故障判别表及预设的项目重要等级生成优先级判别矩阵；

根据所述优先级判别矩阵确定所述项目优先级。

可选地，所述根据预设的项目处理登记表生成结构化数据宽表，包括：

将所述项目处理登记表进行结构化转换，得到结构化登记表；

根据预设的关联性将所述结构化登记表与预设的故障工单表建立关联，得到项目故障关联表；

根据所述项目故障关联表生成所述结构化数据宽表。

可选地，所述根据所述用户画像及所述适用值将所述项目处理工单分派至派工用户，包括：

当所述适用值大于预设的适用阈值时，提取所述项目处理工单的项目处理特征；

计算所述用户画像中用户标签特征与所述项目处理特征的匹配值；

选取所述匹配值最大的所述用户画像对应的派工用户对所述项目处理工单进行处理。

为了解决上述问题，本发明还提供一种基于用户画像的项目智能派工系统，所述系统包括：

用户画像构建模块，用于获取派工用户的基础信息数据及实时定位数据，根据所述基础信息数据及所述实时定位数据构建所述派工用户的用户画像；

项目数据语义分析模块，用于获取目标项目数据，利用预设的语义分析模型对所述目标项目数据进行语义分析，得到项目数据语义；

项目类别分类模块，用于按照预设的项目业务需求根据所述项目数据语义对所述目标项目数据进行项目类别分类，得到类别分类项目；

项目处理工单校验模块，用于根据预设的项目责任需求及预先生成的项目优先级对所述类别分类项目进行项目处理分类，生成项目处理工单，以及对所述项目处理工单进行校验，得到校验结果；

项目类别重新分类模块，用于当所述校验结果是错误时，返回至所述按照预设的项目业务需求根据所述项目数据语义对所述目标项目数据进行项目类别分类，得到类别分类项目的步骤，直至所述校验结果是正确的；

项目处理工单分派模块，用于当所述校验结果是正确时，根据所述校验结果的正确率判断所述用户画像的适用值，以及根据所述用户画像及所述适用值将所述项目处理工单分派至派工用户。

本发明实施例通过派工用户的基本信息数据及实时定位数据构建派工用户对应的用户画像；获取目标项目数据，对目标项目数据进行语义解析，并按照业务需求进行分类，可以减压业务层级，减少人员投入；根据优先级及项目责任需求对类别分类项目进行处理顺序排序，并对项目处理工单分类结果进行校验；当校验结果为正确时，根据用户画像将项目处理工单分派至派工用户，有利于提高目标处理工单与派工用户的适配度，进而提高项目派工的准确度，以及提高项目派工的效率。因此本发明提出的基于用户画像的项目智能派工方法及系统，可以解决进行项目派工时的效率较低的问题。

附图说明

图1为本发明一实施例提供的基于用户画像的项目智能派工方法的流程示意图；

图2为本发明一实施例提供的目标项目数据语义分析的流程示意图；

图3为本发明一实施例提供的项目处理分类的流程示意图；

图4为本发明一实施例提供的基于用户画像的项目智能派工系统的功能模块图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图作进一步说明。

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基于用户画像的项目智能派工方法。所述基于用户画像的项目智能派工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，所述基于用户画像的项目智能派工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 DeliveryNetwork，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基于用户画像的项目智能派工方法的流程示意图。在本实施例中，所述基于用户画像的项目智能派工方法包括：

S1、获取派工用户的基础信息数据及实时定位数据，根据所述基础信息数据及所述实时定位数据构建所述派工用户的用户画像；

本发明实施例中，所述基础信息数据包括派工用户的姓名、年龄、人员能力、人员专业技能及处理经验等所述派工用户相关的数据信息；所述实时定位数据是对派工人员的实时定位，可以按照就近原则进行智能派工。

详细地，可利用具有数据抓取功能的计算机语句（如java语句、python语句等）从预先确定的存储区域抓取存储的基础信息数据，所述存储区域包括但不限于数据库、区块链节点、网络缓存。以及可通过定位软件获取派工用户的实时定位数据。

进一步地，为了实现对派工用户进行智能派工，可对获取的所述基础信息数据及实时定位数据进行分析，以根据所述基础信息数据及实时定位数据生成与所述派工用户相对应的用户画像。

本发明实施例中，所述根据所述基础信息数据及所述实时定位数据构建所述派工用户的用户画像，包括：

逐一从所述基础信息数据中选择一个信息数据为目标基本信息；

对每个所述目标基本信息进行向量转换，得到基本信息向量；

对所述实时定位数据进行向量转换，得到实时定位向量；

将所有所述基本信息向量及所述实时定位向量进行向量拼接，生成所述派工用户的用户画像。

详细地，可依次从所述基础信息数据中选取目标基本信息或者随机从所述基础信息数据中选取目标基本信息。

具体地，可通过预设的向量转换模型对所述目标基本信息及所述实时定位数据进行向量转换，得到基本信息向量及实时定位向量，所述向量转换模型包括但不限于word2vec模型、Bert模型。

进一步地，获取所有基本信息向量及所述实时定位向量后，可将所述基本信息向量及所述实时定位向量进行向量拼接，以生成所述用户画像。

本发明实施例中，所述将所有所述基本信息向量及所述实时定位向量进行向量拼接，生成所述派工用户的用户画像，包括：

统计所述基本信息向量中所有向量的基本向量长度；

统计所述实时定位向量的实时向量长度；

对每个所述基本向量长度及所述实时向量长度进行长度统一，得到统一长度向量；

按照预设的列维度将所述统一长度向量进行向量合并，得到所述派工用户的用户画像。

详细地，由于所述基本信息向量中每个向量长度可能不相同，因此，为了将所述基本信息向量及所述实时定位向量进行向量拼接，需要将所述基本信息向量及所述实时定位向量的向量长度进行统一化。即可比对所有基本信息向量及实时定位向量的向量长度，并对向量长度较短的向量进行向量延长，以使得所有基本信息向量及实时定位向量的向量长度相同。

具体地，可通过将两个向量中对应列元素进行并行展示的方式，利用两个向量生成矩阵，进而实现向量间的列维度合并。例如，基本信息向量中第一信息向量为[18，36，26，0]，第二信息向量为[16，39，8，66]，则可将所述第一信息向量及所述第二信息向量中对应列的元素进行并行展示，得到矩阵

，并将该矩阵作为所述用户画像。

进一步地，针对每个派工用户所对应的用户画像，可根据工单的类型及难易程度将不同工单分别派发至相对应的派工用户，以提高派工效率。

S2、获取目标项目数据，利用预设的语义分析模型对所述目标项目数据进行语义分析，得到项目数据语义；

本发明其中一个实际应用场景中，通常在设备运维进行派工时，是由人工方式进行工单派发，人工派发工单，需要核查大量地址信息，抢修工单执行“7*24小时”派发，每个抢修指挥班组需2人轮值进行工单转派，抢修工单两级转派，业务层级多，容易造成人力资源浪费、影响抢修处置效率。

本发明实施例中，所述目标项目数据是指客户通过客服电话报修设备故障的数据。如客户通过电动汽车客服电话报修充电桩故障，客服人员通过业务支持系统下发工单至充电桩运维系统进行工单派发。

详细地，可利用具有数据抓取功能的计算机语句（如java语句、python语句等）从预先确定的存储区域抓取存储的目标项目数据，所述存储区域包括但不限于数据库、区块链节点、网络缓存。

进一步地，为了实现工单的智能派发，需要对目标项目数据进行内容解析，识别出目标项目数据中的工单内容，进而根据工单内容对目标项目数据进行分类，提高工单派发的准确率。

本发明实施例中，所述项目数据语义是指工单内容，基于工单内容对按照工单业务对目标项目数据进行分类，即需要对目标项目数据进行内容分析。

本发明实施例中，参图2所示，所述利用预设的语义分析模型对所述目标项目数据进行语义分析，得到项目数据语义，包括：

S21、利用所述语义分析模型对所述目标项目数据进行卷积处理，得到所述目标项目数据的低维特征语义；

S22、通过预设的映射函数将所述低维特征语义映射为高维特征语义；

S23、对所述高维特征语义进行核心语义选择，得到所述项目数据语义。

详细地，可通过语义分析模型对所述目标项目数据进行卷积、池化处理，以降低所述目标项目数据的数据维度，进而减少对所述目标项目数据进行分析时计算资源的占用，提高进行核心语义提取的效率。其中，所述语义分析模型包括但不限于NLP（NaturalLanguage Processing，自然语言处理）模型、HMM（Hidden Markov Model，隐马尔科夫模型）。

具体地，可利用预设的映射函数将低维特征语义映射至预先构建的高维空间，得到所述高维特征语义。其中，所述映射函数包括MATLAB库中的Gaussian Radial BasisFunction函数、高斯函数等。

进一步地，可利用预设的激活函数计算所述高维特征语义中每个特征语义的输出值，并选取所述输出值大于预设的输出阈值的特征语义为项目数据语义，所述激活函数包括但不限于sigmoid激活函数、tanh激活函数、relu激活函数。

更进一步地，对于解析出项目数据语义所对应的工单内容，进而按照工单业务对目标项目数据进行自动化分类处理，分析出工单类别，可以减压业务层级，减少人员投入，从而提高工作效率。

S3、按照预设的项目业务需求根据所述项目数据语义对所述目标项目数据进行项目类别分类，得到类别分类项目；

本发明实施例中，所述项目业务需求是指根据工单业务需求，如项目业务需求包括设备抢修，设备检修、设备巡视等，进而根据眩目业务需求根据目标项目数据对应的项目数据语义进行分类。

本发明实施例中，所述按照预设的项目业务需求根据所述项目数据语义对所述目标项目数据进行项目类别分类，得到类别分类项目，包括：

对所述项目数据语义进行向量转换，得到项目数据向量；

利用预设的特征提取算法提取所述项目数据向量的项目特征向量；

通过如下的特征加权公式计算所述项目特征向量的特征权重：

其中，

为所述特征权重，

为所述项目特征向量

出现的频数，

为第

个所述项目特征向量出现的频数，

为所述项目特征向量的数量，

为对数函数，

为所述项目数据语义中包含所述项目特征向量的数量，

为所述项目特征向量

在所述项目数据语义中出现的数量；

按照所述项目业务需求利用所述特征权重构建目标分类器，利用所述目标分类器对所述目标项目数据进行项目类别分类，得到类别分类项目。

详细地，可通过向量转换模型对所述项目数据语义进行向量转换，得到项目数据向量，所述向量转换模型包括但不限于word2vec模型、Bert模型。

具体地，对所述项目数据向量进行特征选取主要是根据特定的选取规则筛选出对文本分类识别的结果贡献最大的特征向量，所述特征提取算法包括但不限于文档频次法、互信息法、信息增益法、卡方检验法。

进一步地，在进行特征选取后，将包含原始特征最重要的信息部分特征已经提取出来了，为了使重要信息部分特征能够构建出效果更好的分类器，需要对提取出的特征进行特征加权赋予权值，即使用所述特征加权公式对所述项目特征向量进行特征加权，保证分类器具有更好的分类效果。

本发明实施例中，所述按照所述项目业务需求利用所述特征权重构建目标分类器，包括：

按照所述项目业务需求确定目标分类特征；

计算所述特征权重与所述目标分类特征的分类权重阈值的分类距离值；

利用预设的聚类算法根据所述分类距离值将所述特征权重对应的项目特征向量进行聚类，得到聚类向量集；

根据所述聚类向量集生成所述目标分类器。

详细地，按照项目业务需求可以确定进行分类的分类特征数量，如项目业务需求包括设备抢修、设备检修、设备巡视，则确定的目标分类特征具有三个。并通过计算每个项目特征向量对应的特征权重与预设的分类特征对应的分类权重阈值之间的分类距离值，进而通过聚类算法根据分类距离值将项目特征向量进行聚类。

示例性地，当具有三个分类特征，三个分类特征对应的分类权重阈值分别是0.4,0.6,0.8，根据聚类算法将特征权重小于0.4聚类为第一分类特征对应的第一聚类向量集；将特征权重大于0.4且小于0.8聚类为第二分类特征对应的第二聚类向量集；将特征权重大于0.8聚类为第三分类特征对应的第三聚类向量集，进而汇集第一聚类向量集、第二聚类向量集及第三聚类向量集作为聚类基础，以此生成目标分类器。

本发明实施例中，根据生成的目标分类器对所述目标项目数据进行项目类别分类，得到类别分类项目。即通过确定目标项目数据的特征权重，判断此特征权重所属的聚类向量集，进而得到目标项目数据中每个项目数据所属的分类特征，从而得到类别分类项目。

进一步地，按照项目业务需求对工单进行分类，确定工单类别后，会对工单处理的优先级进行判断，得到最佳的处理顺序，提高工作效率。

S4、根据预设的项目责任需求及预先生成的项目优先级对所述类别分类项目进行项目处理分类，生成项目处理工单，以及对所述项目处理工单进行校验，得到校验结果；

本发明实施例中，所述项目责任需求是指工单责任单位的需求，即按照省、市、供电所、运维班组的责任需求进行项目处理优先排序对工单进行优先派发。在确定好项目责任需求后，还需要考虑工单优先级，可以更加准确高效地实现工单的派发。

本发明实施例中，参图3所示，在所述根据预设的项目责任需求及预先生成的项目优先级对所述类别分类项目进行项目处理分类，生成项目处理工单之前，还包括：

S31、根据预设的项目处理登记表生成结构化数据宽表；

S32、利用预设的语义分析算法对所述结构化数据宽表进行项目故障分类，得到故障判别表；

S33、根据所述故障判别表及预设的项目重要等级生成优先级判别矩阵；

S34、根据所述优先级判别矩阵确定所述项目优先级。

详细地，所述结构化数据宽表包括日期、设备ID、故障原因、表象等；所述项目处理登记是客服接收客户的设备故障的信息登记。

具体地，所述根据预设的项目处理登记表生成结构化数据宽表，包括：

将所述项目处理登记表进行结构化转换，得到结构化登记表；

根据预设的关联性将所述结构化登记表与预设的故障工单表建立关联，得到项目故障关联表；

根据所述项目故障关联表生成所述结构化数据宽表。

详细的，所述项目处理登记表为线下文本数据，将所述项目处理登记表进行扫描转换，并对项目处理登记表进行结构化转换，得到结构化登记表。并将结构化登记表中的设备故障类型与预设的故障工单表中的设备故障类型进行关联，得到项目故障关联表，进而根据多个故障关联表形成故障信息宽表，即结构化数据宽表。

具体地，利用预设的语义分析算法根据结构化数据宽表对故障类型是否影响设备运行进行判别，并基本故障类型构建是否影响设备运行的故障判别表。如对于充电桩故障类型是否影响充电建立故障判别表，如是否影响充电，若影响充电的原因包括电表通讯故障、交易记录存储失败、平台注册校验不成功、程序文件校验失败、通讯异常等；若不影响充电的原因包括读卡器通讯故障、充电中车辆控制导引告警、蓄电池充电过流告警、蓄电池模块采样点过温告警等。

进一步地，根据故障判别表及预设的项目重要等级生成优先级判别矩阵，即按照项目重要等级×是否影响设备运行的工单处理生成优先级判别矩阵，进而根据优先级判别矩阵确定优先等级标签，即重要有影响，优先级为1；不重要有影响，优先级为2；重要无影响，优先级为3；不重要无影响，优先级为4，进而根据优先级判别矩阵确定所述项目优先级。

本发明实施例中，所述根据预设的项目责任需求及预先生成的项目优先级对所述类别分类项目进行项目处理分类，生成项目处理工单，包括：

利用如下的需求值公式计算所述项目责任需求的需求值：

其中，

为第

个项目责任需求的需求值，

为第

个项目责任需求的期望需求值，

为第

个项目责任需求的需求权重，

为第

个项目责任需求的需求概率，

为项目责任需求的数量，

为对数函数；

选取所述需求值最大及所述项目优先级最大的类别分类项目作为第一最高优先处理项目；

从未被选取的所述类别分类项目中逐一选取所述需求值最大及所述项目优先级最大的类别分类项目作为第二最高优先处理项目，直至所述类别分类项目均被选取；

汇集所述第一最高优先处理项目及第二最高优先处理项目为所述项目处理工单。

详细地，确定每个项目责任需求的需求值，可以根据需求值对工单的处理顺序做出排序，保证最大程度地处理效果。所述需求值公式中的需求概率可根据每个责任单位所属的区域范围进行概率估计，以及可利用预设的层次分析法确定所述项目责任需求的需求权重。

具体地，选取需求值最大对应的项目责任需求，并在需求值最大的条件下，选取优先级最大的项目作为优先处理项目，即第一最高优先处理项目，并在未被选取的类别分类项目中依次选取需求值最大且项目优先级最大的类别分类项目，直至所有的类别分类项目均被选取，进而可组成项目处理工单。

进一步地，生成项目处理工单后，需要对所述项目处理工单进行校验，校验项目处理工单分类是否正确，可通过运维人员已具备的经验对项目处理工单进行校验，并根据校验结果做下一步分析，保证校验结果的准确性。

S5、当所述校验结果是错误时，返回至所述按照预设的项目业务需求根据所述项目数据语义对所述目标项目数据进行项目类别分类，得到类别分类项目的步骤，直至所述校验结果是正确的；

本发明实施例中，对项目处理工单进行校验后，校验结果是错误的，即项目处理工单的工单分类是错误的，无法依据项目处理工单对项目派发用户。为了保证对每一个目标项目数据进行高效处理，需要对目标项目数据进行重新分类，直至经过运维人员校验之后，校验结果是正确的，才能将项目处理工单分派至派工用户。

S6、当所述校验结果是正确时，根据所述校验结果的正确率判断所述用户画像的适用值，以及根据所述用户画像及所述适用值将所述项目处理工单分派至派工用户。

本发明实施例中，对项目处理工单进行校验后，校验结果是正确的，才能根据校验结果判断所述用户画像的适用值，若校验结果是错误的，不需要根据校验结果判断用户画像的适用值。且只有校验结果是正确时，才能将项目处理工单派发至派工用户对设备进行维修、巡检等。其中，所述校验结果的正确率是根据对项目数据进行分类的正确性进行判别的，校验结果的正确率越高，所述用户画像的适用值就越高，只有适用值大于预设的适用阈值时，才能将项目处理工单分派至派工用户。

本发明实施例中，所述根据所述用户画像及所述适用值将所述项目处理工单分派至派工用户，包括：

当所述适用值大于预设的适用阈值时，提取所述项目处理工单的项目处理特征；

计算所述用户画像中用户标签特征与所述项目处理特征的匹配值；

选取所述匹配值最大的所述用户画像对应的派工用户对所述项目处理工单进行处理。

详细地，当适用值大于预设的适用阈值时，才能将项目处理工单分派至派工用户；当适用值小于预设的适用阈值时，会通过人工客服做进一步校验，提升校验结果的正确率之后，将项目处理工单分派至派工用户。其中，所述项目处理特征包括项目处理地点、项目故障类型、项目处理难度等，而所述用户画像中的用户标签特征包括人员处理能力、人员专业技能、人员实时定位数据等。

具体地，项目处理特征中项目处理地点与人员实时定位数据相匹配，按照就近原则进行相匹配，选择距离项目处理地点最近的人员；项目故障类型与人员专业技能相匹配，根据人员专业对故障类别进行专业对口；项目处理难度与人员处理能力相匹配，项目处理难度越大，选择人员处理能力越强的人员进行处理。其中可利用预设的余弦匹配度算法计算所述用户画像中用户标签特征与所述项目处理特征之间的匹配值。

进一步地，根据多维度特征匹配之后，选择与项目处理工单匹配值最大的派工用户，将此项目处理工单分派至此派工用户，可以提高项目处理效率，降低人员资源浪费，保证工作质量。

本发明实施例通过派工用户的基本信息数据及实时定位数据构建派工用户对应的用户画像；获取目标项目数据，对目标项目数据进行语义解析，并按照业务需求进行分类，可以减压业务层级，减少人员投入；根据优先级及项目责任需求对类别分类项目进行处理顺序排序，并对项目处理工单分类结果进行校验；当校验结果为正确时，根据用户画像将项目处理工单分派至派工用户，有利于提高目标处理工单与派工用户的适配度，进而提高项目派工的准确度，以及提高项目派工的效率。因此本发明提出的基于用户画像的项目智能派工方法及系统，可以解决进行项目派工时的效率较低的问题。

如图4所示，是本发明一实施例提供的基于用户画像的项目智能派工系统的功能模块图。

本发明所述基于用户画像的项目智能派工系统100可以安装于电子设备中。根据实现的功能，所述基于用户画像的项目智能派工系统100可以包括用户画像构建模块101、项目数据语义分析模块102、项目类别分类模块103、项目处理工单校验模块104、项目类别重新分类模块105及项目处理工单分派模块106。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：

所述用户画像构建模块101，用于获取派工用户的基础信息数据及实时定位数据，根据所述基础信息数据及所述实时定位数据构建所述派工用户的用户画像；

所述项目数据语义分析模块102，用于获取目标项目数据，利用预设的语义分析模型对所述目标项目数据进行语义分析，得到项目数据语义；

所述项目类别分类模块103，用于按照预设的项目业务需求根据所述项目数据语义对所述目标项目数据进行项目类别分类，得到类别分类项目；

所述项目处理工单校验模块104，用于根据预设的项目责任需求及预先生成的项目优先级对所述类别分类项目进行项目处理分类，生成项目处理工单，以及对所述项目处理工单进行校验，得到校验结果；

所述项目类别重新分类模块105，用于当所述校验结果是错误时，返回至所述按照预设的项目业务需求根据所述项目数据语义对所述目标项目数据进行项目类别分类，得到类别分类项目的步骤，直至所述校验结果是正确的；

所述项目处理工单分派模块106，用于当所述校验结果是正确时，根据所述校验结果的正确率判断所述用户画像的适用值，以及根据所述用户画像及所述适用值将所述项目处理工单分派至派工用户。

详细地，本发明实施例中所述基于用户画像的项目智能派工系统100中所述的各模块在使用时采用与上述图1至图3中所述的基于用户画像的项目智能派工方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其他的方式实现。例如，以上所描述的系统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。

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。系统实施例中陈述的多个单元或系统也可以由一个单元或系统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 (10)

1.一种基于用户画像的项目智能派工方法，其特征在于，所述方法包括：

S1、获取派工用户的基础信息数据及实时定位数据，根据所述基础信息数据及所述实时定位数据构建所述派工用户的用户画像；

S2、获取目标项目数据，利用预设的语义分析模型对所述目标项目数据进行语义分析，得到项目数据语义；

S3、按照预设的项目业务需求根据所述项目数据语义对所述目标项目数据进行项目类别分类，得到类别分类项目；

S4、根据预设的项目责任需求及预先生成的项目优先级对所述类别分类项目进行项目处理分类，生成项目处理工单，以及对所述项目处理工单进行校验，得到校验结果，其中，所述根据预设的项目责任需求及预先生成的项目优先级对所述类别分类项目进行项目处理分类，生成项目处理工单，包括：

S41、利用如下的需求值公式计算所述项目责任需求的需求值：

其中，

为第

个项目责任需求的需求值，

为第

个项目责任需求的期望需求值，

为第

个项目责任需求的需求权重，

为第

个项目责任需求的需求概率，

为项目责任需求的数量，

为对数函数；

S42、选取所述需求值最大及所述项目优先级最大的类别分类项目作为第一最高优先处理项目；

S43、从未被选取的所述类别分类项目中逐一选取所述需求值最大及所述项目优先级最大的类别分类项目作为第二最高优先处理项目，直至所述类别分类项目均被选取；

S44、汇集所述第一最高优先处理项目及第二最高优先处理项目为所述项目处理工单；

S5、当所述校验结果是错误时，返回至所述按照预设的项目业务需求根据所述项目数据语义对所述目标项目数据进行项目类别分类，得到类别分类项目的步骤，直至所述校验结果是正确的；

S6、当所述校验结果是正确时，根据所述校验结果的正确率判断所述用户画像的适用值，以及根据所述用户画像及所述适用值将所述项目处理工单分派至派工用户。

2.如权利要求1所述的基于用户画像的项目智能派工方法，其特征在于，所述根据所述基础信息数据及所述实时定位数据构建所述派工用户的用户画像，包括：

逐一从所述基础信息数据中选择一个信息数据为目标基本信息；

对每个所述目标基本信息进行向量转换，得到基本信息向量；

对所述实时定位数据进行向量转换，得到实时定位向量；

将所有所述基本信息向量及所述实时定位向量进行向量拼接，生成所述派工用户的用户画像。

3.如权利要求2所述的基于用户画像的项目智能派工方法，其特征在于，所述将所有所述基本信息向量及所述实时定位向量进行向量拼接，生成所述派工用户的用户画像，包括：

统计所述基本信息向量中所有向量的基本向量长度；

统计所述实时定位向量的实时向量长度；

对每个所述基本向量长度及所述实时向量长度进行长度统一，得到统一长度向量；

按照预设的列维度将所述统一长度向量进行向量合并，得到所述派工用户的用户画像。

4.如权利要求1所述的基于用户画像的项目智能派工方法，其特征在于，所述利用预设的语义分析模型对所述目标项目数据进行语义分析，得到项目数据语义，包括：

利用所述语义分析模型对所述目标项目数据进行卷积处理，得到所述目标项目数据的低维特征语义；

通过预设的映射函数将所述低维特征语义映射为高维特征语义；

对所述高维特征语义进行核心语义选择，得到所述项目数据语义。

5.如权利要求1所述的基于用户画像的项目智能派工方法，其特征在于，所述按照预设的项目业务需求根据所述项目数据语义对所述目标项目数据进行项目类别分类，得到类别分类项目，包括：

对所述项目数据语义进行向量转换，得到项目数据向量；

利用预设的特征提取算法提取所述项目数据向量的项目特征向量；

通过如下的特征加权公式计算所述项目特征向量的特征权重：

其中，

为所述特征权重，

为所述项目特征向量

出现的频数，

为第

个所述项目特征向量出现的频数，

为所述项目特征向量的数量，

为对数函数，

为所述项目数据语义中包含所述项目特征向量的数量，

为所述项目特征向量

在所述项目数据语义中出现的数量；

按照所述项目业务需求利用所述特征权重构建目标分类器，利用所述目标分类器对所述目标项目数据进行项目类别分类，得到类别分类项目。

6.如权利要求5所述的基于用户画像的项目智能派工方法，其特征在于，所述按照所述项目业务需求利用所述特征权重构建目标分类器，包括：

按照所述项目业务需求确定目标分类特征；

计算所述特征权重与所述目标分类特征的分类权重阈值的分类距离值；

利用预设的聚类算法根据所述分类距离值将所述特征权重对应的项目特征向量进行聚类，得到聚类向量集；

根据所述聚类向量集生成所述目标分类器。

7.如权利要求1所述的基于用户画像的项目智能派工方法，其特征在于，在所述根据预设的项目责任需求及预先生成的项目优先级对所述类别分类项目进行项目处理分类，生成项目处理工单之前，还包括：

根据预设的项目处理登记表生成结构化数据宽表；

利用预设的语义分析算法对所述结构化数据宽表进行项目故障分类，得到故障判别表；

根据所述故障判别表及预设的项目重要等级生成优先级判别矩阵；

根据所述优先级判别矩阵确定所述项目优先级。

8.如权利要求7所述的基于用户画像的项目智能派工方法，其特征在于，所述根据预设的项目处理登记表生成结构化数据宽表，包括：

将所述项目处理登记表进行结构化转换，得到结构化登记表；

根据预设的关联性将所述结构化登记表与预设的故障工单表建立关联，得到项目故障关联表；

根据所述项目故障关联表生成所述结构化数据宽表。

9.如权利要求1所述的基于用户画像的项目智能派工方法，其特征在于，所述根据所述用户画像及所述适用值将所述项目处理工单分派至派工用户，包括：

当所述适用值大于预设的适用阈值时，提取所述项目处理工单的项目处理特征；

计算所述用户画像中用户标签特征与所述项目处理特征的匹配值；

选取所述匹配值最大的所述用户画像对应的派工用户对所述项目处理工单进行处理。

10.一种基于用户画像的项目智能派工系统，其特征在于，所述系统包括：

用户画像构建模块，用于获取派工用户的基础信息数据及实时定位数据，根据所述基础信息数据及所述实时定位数据构建所述派工用户的用户画像；

项目数据语义分析模块，用于获取目标项目数据，利用预设的语义分析模型对所述目标项目数据进行语义分析，得到项目数据语义；

项目类别分类模块，用于按照预设的项目业务需求根据所述项目数据语义对所述目标项目数据进行项目类别分类，得到类别分类项目；

项目处理工单校验模块，用于根据预设的项目责任需求及预先生成的项目优先级对所述类别分类项目进行项目处理分类，生成项目处理工单，以及对所述项目处理工单进行校验，得到校验结果；

项目类别重新分类模块，用于当所述校验结果是错误时，返回至所述按照预设的项目业务需求根据所述项目数据语义对所述目标项目数据进行项目类别分类，得到类别分类项目的步骤，直至所述校验结果是正确的；

项目处理工单分派模块，用于当所述校验结果是正确时，根据所述校验结果的正确率判断所述用户画像的适用值，以及根据所述用户画像及所述适用值将所述项目处理工单分派至派工用户。

Images