CN115983609B - 工单处理方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了工单处理方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：响应于接收到工单派发任务，生成工单派发任务对应的待派发工单；通过预先训练的层级多标签预测模型包括的工单特征提取模型，对待派发工单进行特征提取；通过层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取；通过层级多标签预测模型包括的互相关关系识别模型，确定工单标签特征集合中的工单标签特征和工单文本特征之间的依赖关系；通过层级多标签预测模型包括的预测模型和依赖关系信息集合，确定待派发工单对应的工单标签信息。该实施方式提高了工单标签分类准确性和工单派发准确性。

Description

工单处理方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及计算机技术领域，具体涉及工单处理方法、装置、电子设备和计算机可读介质。

背景技术

工单处理是指将待派发工单及时转发至相应部门或人员的一种技术手段。目前，在进行工单处理时，通常采用的方式为：创建多个机器学习模型，来确定待派发工单对应的多个工单标签，以根据工单标签将待派发工单转发至对应的部门或人员。

然而，发明人发现，当采用上述方式时，经常会存在如下技术问题：

第一，由于工单标签之间往往存在关联关系，采用多个独立的机器学习模型，难以提取到工单标签之间的关联关系，从而影响工单标签分类的准确性；

第二，创建多个机器学习模型，模型的数量、以及模型对应的参数量大，当模型进行工单标签分类不准确时，易导致工单的错误传导，从而影响工单的派发准确率；

第三，不同工单的急迫性不同，采用按时序进行工单依次处理的方式，工单处理的有效性较低。

该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了基于层级特征表征的工单处理方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。具体的，通过层级多标签预测模型包括的工单标签特征提取模型（图神经网络模型）实现对工单标签的层级特征的提取，以得到工单标签特征。此外，还通过层级多标签预测模型包括的工单特征提取模型对待派发工单进行相应的层级特征提取，以得到工单文本特征。通过此种方式实现了对工单标签和工单的层次性的特征的有效提取。

第一方面，本公开的一些实施例提供了一种工单处理方法，该方法包括：响应于接收到工单派发任务，生成上述工单派发任务对应的待派发工单；通过预先训练的层级多标签预测模型包括的工单特征提取模型，对上述待派发工单进行特征提取，以生成工单文本特征；通过上述层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合；通过上述层级多标签预测模型包括的互相关关系识别模型，确定上述工单标签特征集合中的工单标签特征和上述工单文本特征之间的依赖关系，得到依赖关系信息集合；通过上述层级多标签预测模型包括的预测模型和上述依赖关系信息集合，确定上述待派发工单对应的工单标签信息。

第二方面，本公开的一些实施例提供了一种工单处理装置，装置包括：生成单元，被配置成响应于接收到工单派发任务，生成上述工单派发任务对应的待派发工单；特征提取单元，被配置成通过预先训练的层级多标签预测模型包括的工单特征提取模型，对上述待派发工单进行特征提取，以生成工单文本特征；级联关系提取单元，被配置成通过上述层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合；第一确定单元，被配置成通过上述层级多标签预测模型包括的互相关关系识别模型，确定上述工单标签特征集合中的工单标签特征和上述工单文本特征之间的依赖关系，得到依赖关系信息集合；第二确定单元，被配置成通过上述层级多标签预测模型包括的预测模型和上述依赖关系信息集合，确定上述待派发工单对应的工单标签信息。

第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。

第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的工单处理方法，提高了工单标签分类的准确性和派发准确率。具体来说，造成工单标签分类的准确性和派发准确率较低的原因在于：第一，由于工单标签之间往往存在关联关系，采用多个独立的机器学习模型，难以提取到工单标签之间的关联关系，从而影响工单标签分类的准确性；第二，创建多个机器学习模型，模型的数量、以及模型对应的参数量大，当模型进行工单标签分类不准确时，易导致工单的错误传导，从而影响工单的派发准确率。基于此，本公开的一些实施例的工单处理方法，首先，响应于接收到工单派发任务，生成上述工单派发任务对应的待派发工单。其次，通过预先训练的层级多标签预测模型包括的工单特征提取模型，对上述待派发工单进行特征提取，以生成工单文本特征。以此实现对待派发工单的整体语义识别和表征。接着，通过上述层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合。实践中，工单标签往往非独立存在，而是工单标签之间存在级联关系。因此通过对工单标签进行级联关系提取，能够在当个工单标签的基础上，得到与该工单标签存在级联关系的工单标签的结构特征。进一步，通过上述层级多标签预测模型包括的互相关关系识别模型，确定上述工单标签特征集合中的工单标签特征和上述工单文本特征之间的依赖关系，得到依赖关系信息集合。实践中，待派发工单往往对应众多工单标签中的部分工单标签，因此，通过确定依赖关系可以实现待派发工单和工单标签之间的互相关。最后，通过上述层级多标签预测模型包括的预测模型和上述依赖关系信息集合，确定上述待派发工单对应的工单标签信息。通过此种方式，可以有效地识别到待派发工单对应的工单标签之间的关联关系，提高了工单标签分类的准确性。同时，无需设置多个机器学习模型来逐一预测待派发工单对应的工单标签，降低了模型的参数数量以及模型的维护成本。此外，由于采用一个层级多标签预测模型进行工单标签的预测。避免了因多个独立模型中存在模型进行工单标签分类不准确时，所导致工单的错误传导问题。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的工单处理方法的一些实施例的流程图；

图2是层级多标签预测模型的模型结构示意图；

图3是多个工单标签之间的结构示意图；

图4是互相关关系识别模型的模型结构示意图；

图5是根据本公开的工单处理装置的一些实施例的结构示意图；

图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

参考图1，示出了根据本公开的工单处理方法的一些实施例的流程100。该工单处理方法，包括以下步骤：

步骤101，响应于接收到工单派发任务，生成工单派发任务对应的待派发工单。

在一些实施例中，工单处理方法的执行主体（例如，计算设备）可以响应于接收到工单派发任务，生成工单派发任务对应的待派发工单。工单派发任务可以是待派发给工单标签对应的部门或个人的工单任务。待派发工单可以是待派发给工单标签对应的部门或个人的工单。工单标签可以是用于表征用于处理工单的部门或个人的标签。

实践中，在工单处理场景中，例如，用户可以通过手动录入的形式，将待处理的问题进行问题录入，得到待派发工单。又如，用户可以通过语音的形式向接线人员转述待处理的问题，由接线人员进行问题录入，得到待派发工单。具体的，待派发工单可以是政务工单。

需要说明的是，上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。具体的，计算设备可以是于工单派发的专用服务器。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。应该理解，计算设备的数目根据实现需要，可以具有任意数目的计算设备。

步骤102，通过预先训练的层级多标签预测模型包括的工单特征提取模型，对待派发工单进行特征提取，以生成工单文本特征。

在一些实施例中，上述执行主体可以通过预先训练的层级多标签预测模型包括的工单特征提取模型，对待派发工单进行特征提取，以生成工单文本特征。实践中，层级多标签预测模型可以是用于对确定待派发工单对应的多个存在层级关系的工单标签的模型。工单标签特征提取模型可以是用于提取待派发工单的语义特征的模型。工单文本特征可以是提取得到的、待派发工单对应的语义特征。

作为示例，参考图2所示的层级多标签预测模型的模型结构示意图，其中，层级多标签预测模型包括：工单特征提取模型201、工单标签特征提取模型202、互相关关系识别模型203和预测模型204。实践中，工单特征提取模型201可以包括编码模型2011和解码模型2022。具体的，工单特征提取模型201可以采用BERT模型。

步骤103，通过层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合。

在一些实施例中，上述执行主体可以通过层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合。其中，工单标签特征提取模型可以是用于提取工单标签的工单标签特征，以及提取与工单标签存在级联关系的工单标签的结构特征的模型。实践中，工单标签特征提取模型可以是图神经网络模型。工单标签可以是表征用于处理工单的部门或个人的标签。实践中，工单标签对应的部门和个人存在级联的结构关系。

作为示例，如图3所示的多个工单标签之间的结构示意图，其中，包括：工单标签A、工单标签B、工单标签C、工单标签D、工单标签E、工单标签F、工单标签G和工单标签H。其中，工单标签A对应部门A，工单标签B对应部门B，工单标签C对应部门C，工单标签D对应部门D，工单标签E对应部门E，工单标签F对应部门F，工单标签G对应部门G，以及工单标签H对应部门H。具体的，依图3所示，部门A辖管部门B和部门C，工单标签A为工单标签B和工单标签C的父节点。此外，部门C辖管部门D和部门E，即工单标签C为工单标签D和工单标签E的父节点。进一步，部门E辖管部门F、部门G和部门H。实践中，针对工单标签E，工单标签特征提取模型既可以提取工单标签E对应的标签特征，同时还可以根据工单标签D、工单标签F、工单标签G和工单标签H之间的结构特征，更新工单标签E的标签特征的特征表示。

具体的，由于工单标签对应的部门和个人存在级联的结构关系，即工单对应多个工单标签时，需要按照工单标签对应的部门和个人存在级联的结构关系，对工单进行按顺序传递处理。常用的方式如，忽略工单标签对应的部门和个人存在级联的结构关系，将所有工单标签划分为同等级标签。此种方式会忽略工单标签之间的层级关系。此外也存在现有技术通过设置多个机器学习模型进行工单标签分类。但存在如下问题，问题一：采用多个独立的机器学习模型，难以有效地提取到工单标签之间的关联关系，以及问题二：多个机器学习模型，当存在机器学习模型工单标签分类不准确时，会导致工单按顺序传递处理时，可能出现传递错误的情况。基于现有技术存在的问题，本公开通过层级多标签预测模型实现统一对工单进行工单标签分类，避免了采用多个独立的机器学习模型存在的问题。同时，设计了工单标签特征提取模型来提取工单标签之间的级联关系。

在一些实施例的一些可选的实现方式中，上述执行主体通过上述层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合，可以包括以下步骤：

第一步，将上述工单标签集合中的工单标签作为图节点，确定上述工单标签集合对应的层级关系，得到图网络。

其中，上述图网络包括上述工单标签集合对应的多个图节点。实践中，上述执行主体可以根据工单标签对应的用于处理工单的部门或个人得隶属关系，确定工单标签集合中的工单标签的隶属关系，得到图网络。具体的，图网络可以是树形结构。

第二步，对于上述图网络中的每个图节点，通过上述工单标签特征提取模型对上述图节点进行邻域聚合，以根据上述图节点对应的邻近节点更新上述图节点对应的特征表示，得到工单标签特征。

步骤104，通过层级多标签预测模型包括的互相关关系识别模型，确定工单标签特征集合中的工单标签特征和工单文本特征之间的依赖关系，得到依赖关系信息集合。

在一些实施例中，上述执行主体可以通过层级多标签预测模型包括的互相关关系识别模型，确定工单标签特征集合中的工单标签特征和工单文本特征之间的依赖关系，得到依赖关系信息集合。其中，互相关关系识别模型可以是可迭代的、用于捕捉工单标签和待派发工单之间的相关性，以及不同工单标签之间依赖关系的模型。实践中，互相关关系识别模型包括多个相关性融合模块。具体的，相关性融合模块为采用自主力机制的模型。多个相关性融合模块中的第k个相关性融合模型的输入为工单文本特征第k层（第k个）的特征和第k层（第k个）的工单标签特征的词嵌入特征。

作为示例，如图4的互相关关系识别模型的模型结构示意图，其中，图4所示的互相关关系识别模型203包括3个相关性融合模块，分别为相关性融合模块2031、相关性融合模块2032和相关性融合模块2033。其中，相关性融合模块2031、相关性融合模块2032和相关性融合模块2033的网络结构相同。每个相关性融合模块分别对应一个子损失函数。互相关关系识别模型包括多个相关性融合模块对应一个总损失函数。

具体的，参见相关性融合模块2033的网络结构，其中，相关性融合模块2033包括：“Matmul”模块、“Softmax”模块、“Multiply”模块和“MLP”模块。其中，“Matmul”模块用于进行矩阵相乘。“Softmax”模块对应Softmax激活函数。“Multiply”模块用于矩阵间元素相乘。“MLP”模块为多层感知机。其中，“MLP”模块用于对特征进行特征空间变换。进一步参见相关性融合模块2033的网络结构，其中，相关性融合模块2033为互相关关系识别模型203包括的第3个相关性融合模块。因此，上述执行主体可以将工单文本特征第3层（第3个）的特征和第3层（第3个）的工单标签特征的词嵌入特征输入“Matmul”模块，同时，还会将“Softmax”模块的输出与工单文本特征第3层（第3个）的特征输入“Multiply”模块，进行矩阵间元素相乘。

步骤105，通过层级多标签预测模型包括的预测模型和依赖关系信息集合，确定待派发工单对应的工单标签信息。

在一些实施例中，上述执行主体可以通过层级多标签预测模型包括的预测模型和依赖关系信息集合，确定待派发工单对应的工单标签信息。其中，预测模型包括多个预测模块。其中，多个预测模块中的预测模块的数量由工单标签集合对应的层深度决定。实践中，如图3所示的多个工单标签之间的结构示意图，对应的层深度为4，则预测模型包括4个预测模块。上述执行主体可以通过4个预测模块进行4次工单标签预测，或工单标签分类。具体的，每个预测模块采用二元交叉熵损失函数进行多工单标签分类。工单标签信息包括用于处理工单的至少一个部门或个人对应的工单标签。

在一些实施例的一些可选的实现方式中，上述方法还包括：

第一步，确定上述工单标签信息对应的工单标签特征，作为目标工单标签特征。

实践中，上述执行主体可以从工单标签特征集合中确定与上述工单标签信息对应的工单标签，作为目标工单标签特征。

第二步，对上述工单文本特征和上述目标工单标签特征进行特征融合，作为第一融合后特征。

实践中，上述执行主体可以将工单文本特征和上述目标工单标签特征进行特征拼接，作为上述第一融合后特征。

第三步，确定工单处理队列中、工单状态为未工单完结状态的工单，作为候选工单信息，得到候选工单信息集合。

其中，候选工单信息集合中的候选工单信息包括：候选工单文本特征和候选工单标签特征。

第四步，对于上述候选工单信息集合中的每个候选工单信息，执行以下处理步骤：

子步骤1：对上述候选工单信息包括的候选工单文本特征和候选工单标签特征进行特征融合，得到第二融合后特征。

实践中，上述执行主体可以将候选工单信息包括的候选工单文本特征和候选工单标签特征进行特征拼接，以生成上述第二融合后特征。

子步骤2：确定上述第一融合后特征和上述第二融合后特征的特征相似度，作为工单相似度。

其中，上述执行主体可以将第一融合后特征和上述第二融合后特征的余弦相似度，确定为工单相似度。

第五步，从上述候选工单信息集合中筛选出对应的工单相似度满足筛选条件的候选工单信息，作为目标工单信息。

其中，目标工单信息为上述候选工单信息集合中对应的工单相似度为最大值的候选工单信息。

第六步，对上述目标工单信息对应的工单和上述待派发工单进行工单合并，得到合并后工单。

实践中，用户可能在不同时刻产生多个工单，因此，在进行工单处理前，通过对工单进行合并，能够有效地将相同工单进行归并，减少后续的工单处理压力。

在一些实施例的一些可选的实现方式中，上述方法还包括：

第一步，确定上述合并后工单的工单处理优先级。

实践中，上述执行主体可以通过分类模型，确定合并后工单的工单处理优先级。具体的，工单处理优先级可以是1级到5级。其中，1级表征工单优先处理等级最高。5级表征工单优先处理等级最低。

第二步，根据上述工单处理优先级，确定上述合并后工单在上述工单处理队列中的插入位置，得到第一位置。

其中，工单处理队列可以是对待处理工单进行有序排序的队列，以使得待处理工单按工单优先处理等级排序，并进行逐一处理。实践中，上述执行主体可以通过排序算法，确定第一位置。

第三步，确定上述目标工单信息对应的工单，在上述工单处理队列中的位置，得到第二位置。

实践中，上述执行主体可以通过查找算法，确定第二位置。

第四步，响应于确定上述第一位置小于上述第二位置，将上述第一位置确定为待插入位置。

第五步，响应于确定上述第一位置大于等于上述第二位置，将上述第二位置确定为待插入位置。

第六步，将上述合并后工单插入上述工单处理队列中的待插入位置。

第七步，响应于确定上述合并后工单位于上述工单处理队列的首位置，确定上述合并后工单对应的工单接收端信息。

其中，工单接收端信息可以表征用于接收上述合并后工单，以及对上述合并后工单进行处理的部门或个人对应的终端。

第八步，将上述合并后工单发送至上述工单接收端信息对应的工单接收端。

上述第一步至第八步，解决了背景技术提及的技术问题三，即“不同工单的急迫性不同，采用按时序进行工单依次处理的方式，工单处理的有效性较低”。基于此，本公开通过确定工单处理优先级，实现了按重要程度进行工单的处理，保证较重要工单能够被优先处理。

在一些实施例的一些可选的实现方式中，上述方法还包括：

第一步，响应于接收到针对上述合并后工单的工单进度查询信息，确定上述合并后工单对应的当前处理节点，作为目标处理节点。

其中，工单进度查询信息可以是发起工单的用户发送的、用于查询工单处理进度的信息。目标处理节点可以是正在对合并后工单进行处理的节点。实践中，目标处理节点可以是正在对合并后工单进行处理的部门或个人对应的虚拟节点。具体的，上述执行主体可以通过处理进度溯源的方式，确定目标处理节点。

第二步，确定上述目标处理节点对应的待处理工单数量和历史工单处理速率。

第三步，根据上述历史工单处理速率和上述待处理工单数量，确定上述目标处理节点对应的预估工单处理完毕时间。

实践中，上述执行主体可以将历史工单处理速率和上述待处理工单数量的乘积值+当前时间点，得到上述预估工单处理完毕时间。

第四步，根据上述预估工单处理完毕时间，生成反馈信息。

其中，上述反馈信息可以是向发起上述工单进度查询信息的用户反馈当前进度和预计完成时间信息。

第五步，将上述反馈信息发送至上述工单进度查询信息对应的信息发送端。

实践中，信息发送端可以是发送上述工单进度查询信息的终端。

实际情况中，由于工单数量往往较多，常存在工单未能及时完成的情形，因此，当用户对工单进行查询时，可以通过反馈信息实时向用户反馈工单的处理进度。

在一些实施例的一些可选的实现方式中，上述方法还包括：

第一步，响应于到达上述预估工单处理完毕时间、且上述合并后工单处于工单完结状态，生成工单完结提示信息。

其中，工单完结提示信息包括：上述合并后工单对应的处理结果信息。

第二步，将上述工单完结提示信息发送至上述信息发送端。

其中，上述信息发送端可以是发送上述工单进度查询信息的终端。

第三步，对上述合并后工单和上述处理结果信息进行信息归并处理，以生成归并工单信息。

实践中，上述执行主体可以将上述合并后工单和上述处理结果信息进行信息合并，得到上述归并工单信息。

第四步，根据上述工单标签信息，生成上述归并工单信息对应的工单溯源信息链。

其中，工单标签信息包括用于处理工单的至少一个部门或个人对应的工单标签。由于工单标签对应的部门和个人存在级联的结构关系，因此，上述工单标签信息包括的至少一个工单标签之间也存在级联的结构关系，由此，上述执行主体可以根据工单标签信息包括的至少一个工单标签之间的级联的结构关系，确定工单的先后执行顺序，作为工单溯源信息链。

第五步，将上述归并工单信息和上述工单溯源信息链，链接至归档工单溯源区块链上。

其中，上述归档工单溯源区块链是用于存储处理完毕的工单对应的归并工单信息和工单溯源信息链的区块链。

通过将归并工单信息和工单溯源信息链存储至归档工单溯源区块链，以确保信息的防篡改性，同时仍能够对处理完毕的工单对应的归并工单信息和工单溯源信息链进行任意时刻的溯源。

在一些实施例的一些可选的实现方式中，上述方法还包括：

第一步，响应于接收到上述信息发送端发送的、针对上述处理结果信息的处理评价信息，确定上述处理评价信息对应的评价趋向。

其中，处理结果评价信息可以是由发起待派发工单的用户、通过信息发送端发送的对于工单处理结果的评价信息。实践中，上述执行主体可以通过情感度分析模型，确定上述处理评价信息对应的评价趋向。具体的，情感度分析模型可以是TextCNN模型。

第二步，响应于确定上述评价趋向为第一评价趋向，根据上述处理评价信息，对上述处理结果信息进行异常处理点识别，得到异常处理点信息。

其中，第一评价趋向为负面评价趋向。异常处理点信息可以是处理结果信息中的负面词语。实践中，首先，上述执行主体通过对处理评价信息进行分词处理，以得到词集。然后，通过情感度分析模型，确定词集中的每个词对应的评价趋向，当词对应的评价趋向为第一评价趋向时，将该词在处理评价信息中的位置，以及该词所在的句子，确定为异常处理点信息。

第三步，将上述异常处理点信息发送至复核节点，以使得复核节点对应的人员进行处理结果复核。

通过对处理评价信息进行评价趋向分析，可以优化后续的工单处理流程，提高工单处理结果的满意程度。

本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的工单处理方法，提高了工单标签分类的准确性和派发准确率。具体来说，造成工单标签分类的准确性和派发准确率较低的原因在于：第一，由于工单标签之间往往存在关联关系，采用多个独立的机器学习模型，难以提取到工单标签之间的关联关系，从而影响工单标签分类的准确性；第二，创建多个机器学习模型，模型的数量、以及模型对应的参数量大，当模型进行工单标签分类不准确时，易导致工单的错误传导，从而影响工单的派发准确率。基于此，本公开的一些实施例的工单处理方法，首先，响应于接收到工单派发任务，生成上述工单派发任务对应的待派发工单。其次，通过预先训练的层级多标签预测模型包括的工单特征提取模型，对上述待派发工单进行特征提取，以生成工单文本特征。以此实现对待派发工单的整体语义识别和表征。接着，通过上述层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合。实践中，工单标签往往非独立存在，而是工单标签之间存在级联关系。因此通过对工单标签进行级联关系提取，能够在当个工单标签的基础上，得到与该工单标签存在级联关系的工单标签的结构特征。进一步，通过上述层级多标签预测模型包括的互相关关系识别模型，确定上述工单标签特征集合中的工单标签特征和上述工单文本特征之间的依赖关系，得到依赖关系信息集合。实践中，待派发工单往往对应众多工单标签中的部分工单标签，因此，通过确定依赖关系可以实现待派发工单和工单标签之间的互相关。最后，通过上述层级多标签预测模型包括的预测模型和上述依赖关系信息集合，确定上述待派发工单对应的工单标签信息。通过此种方式，可以有效地识别到待派发工单对应的工单标签之间的关联关系，提高了工单标签分类的准确性。同时，无需设置多个机器学习模型来逐一预测待派发工单对应的工单标签，降低了模型的参数数量以及模型的维护成本。此外，由于采用一个层级多标签预测模型进行工单标签的预测。避免了因多个独立模型中存在模型进行工单标签分类不准确时，所导致工单的错误传导问题。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种工单处理装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该工单处理装置具体可以应用于各种电子设备中。

如图5所示，一些实施例的工单处理装置500包括：生成单元501、特征提取单元502、级联关系提取单元503、第一确定单元504和第二确定单元505。其中，生成单元501，被配置成响应于接收到工单派发任务，生成上述工单派发任务对应的待派发工单；特征提取单元502，被配置成通过预先训练的层级多标签预测模型包括的工单特征提取模型，对上述待派发工单进行特征提取，以生成工单文本特征；级联关系提取单元503，被配置成通过上述层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合；第一确定单元504，被配置成通过上述层级多标签预测模型包括的互相关关系识别模型，确定上述工单标签特征集合中的工单标签特征和上述工单文本特征之间的依赖关系，得到依赖关系信息集合；第二确定单元505，被配置成通过上述层级多标签预测模型包括的预测模型和上述依赖关系信息集合，确定上述待派发工单对应的工单标签信息。

可以理解的是，该工单处理装置500中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于工单处理装置500及其中包含的单元，在此不再赘述。

下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备（例如，计算设备）600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置（例如中央处理器、图形处理器等）601，其可以根据存储在只读存储器602中的程序或者从存储装置608加载到随机访问存储器603中的程序而执行各种适当的动作和处理。在随机访问存储器603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、只读存储器602以及随机访问存储器603通过总线604彼此相连。输入/输出接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从只读存储器602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机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。而在本公开的一些实施例中，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，其中承载了计算机可读的程序代码。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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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。计算机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：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于接收到工单派发任务，生成上述工单派发任务对应的待派发工单；通过预先训练的层级多标签预测模型包括的工单特征提取模型，对上述待派发工单进行特征提取，以生成工单文本特征；通过上述层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合；通过上述层级多标签预测模型包括的互相关关系识别模型，确定上述工单标签特征集合中的工单标签特征和上述工单文本特征之间的依赖关系，得到依赖关系信息集合；通过上述层级多标签预测模型包括的预测模型和上述依赖关系信息集合，确定上述待派发工单对应的工单标签信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括生成单元、特征提取单元、级联关系提取单元、第一确定单元和第二确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，生成单元还可以被描述为“响应于接收到工单派发任务，生成上述工单派发任务对应的待派发工单的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (4)

1.一种工单处理方法，包括：

响应于接收到工单派发任务，生成所述工单派发任务对应的待派发工单；

通过预先训练的层级多标签预测模型包括的工单特征提取模型，对所述待派发工单进行特征提取，以生成工单文本特征；

通过所述层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合；

通过所述层级多标签预测模型包括的互相关关系识别模型，确定所述工单标签特征集合中的工单标签特征和所述工单文本特征之间的依赖关系，得到依赖关系信息集合；

通过所述层级多标签预测模型包括的预测模型和所述依赖关系信息集合，确定所述待派发工单对应的工单标签信息；

确定所述工单标签信息对应的工单标签特征，作为目标工单标签特征；

对所述工单文本特征和所述目标工单标签特征进行特征融合，作为第一融合后特征；

确定工单处理队列中、工单状态为工单未完结状态的工单，作为候选工单信息，得到候选工单信息集合，其中，所述候选工单信息集合中的候选工单信息包括：候选工单文本特征和候选工单标签特征；

对于所述候选工单信息集合中的每个候选工单信息，执行以下处理步骤：

对所述候选工单信息包括的候选工单文本特征和候选工单标签特征进行特征融合，得到第二融合后特征；

确定所述第一融合后特征和所述第二融合后特征的特征相似度，作为工单相似度；

从所述候选工单信息集合中筛选出对应的工单相似度满足筛选条件的候选工单信息，作为目标工单信息；

对所述目标工单信息对应的工单和所述待派发工单进行工单合并，得到合并后工单；

确定所述合并后工单的工单处理优先级；

根据所述工单处理优先级，确定所述合并后工单在所述工单处理队列中的插入位置，得到第一位置；

确定所述目标工单信息对应的工单，在所述工单处理队列中的位置，得到第二位置；

响应于确定所述第一位置小于所述第二位置，将所述第一位置确定为待插入位置；

响应于确定所述第一位置大于等于所述第二位置，将所述第二位置确定为待插入位置；

将所述合并后工单插入所述工单处理队列中的待插入位置；

响应于确定所述合并后工单位于所述工单处理队列的首位置，确定所述合并后工单对应的工单接收端信息；

将所述合并后工单发送至所述工单接收端信息对应的工单接收端；

响应于接收到针对所述合并后工单的工单进度查询信息，确定所述合并后工单对应的当前处理节点，作为目标处理节点；

确定所述目标处理节点对应的待处理工单数量和历史工单处理速率；

根据所述历史工单处理速率和所述待处理工单数量，确定所述目标处理节点对应的预估工单处理完毕时间；

根据所述预估工单处理完毕时间，生成反馈信息；

将所述反馈信息发送至所述工单进度查询信息对应的信息发送端；

响应于到达所述预估工单处理完毕时间、且所述合并后工单处于工单完结状态，生成工单完结提示信息，其中，所述工单完结提示信息包括：所述合并后工单对应的处理结果信息；

将所述工单完结提示信息发送至所述信息发送端；

对所述合并后工单和所述处理结果信息进行信息归并处理，以生成归并工单信息；

根据所述工单标签信息，生成所述归并工单信息对应的工单溯源信息链；

将所述归并工单信息和所述工单溯源信息链，链接至归档工单溯源区块链上，

其中，所述通过所述层级多标签预测模型包括的工单标签特征提取模型，对工单标签集合中的工单标签进行级联关系提取，得到工单标签特征集合，包括：

将所述工单标签集合中的工单标签作为图节点，确定所述工单标签集合对应的层级关系，得到图网络，其中，所述图网络包括所述工单标签集合对应的多个图节点；

对于所述图网络中的每个图节点，通过所述工单标签特征提取模型对所述图节点进行邻域聚合，以根据所述图节点对应的邻近节点更新所述图节点对应的特征表示，得到工单标签特征。

2.根据权利要求1所述的方法，其中，所述方法还包括：

响应于接收到所述信息发送端发送的、针对所述处理结果信息的处理评价信息，确定所述处理评价信息对应的评价趋向；

响应于确定所述评价趋向为第一评价趋向，根据所述处理评价信息，对所述处理结果信息进行异常处理点识别，得到异常处理点信息；

将所述异常处理点信息发送至复核节点，以使得复核节点对应的人员进行处理结果复核。

3.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至2中任一所述的方法。

4.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至2中任一所述的方法。

Images