CN116109106A - 一种工单数据的智能处理方法、装置及存储介质 - Google Patents

Abstract

本发明公开了一种工单数据的智能处理方法、装置及存储介质，用于提高处理工单数据的有效性和效率，该方法可以包括：接收待处理工单数据；通过训练后的工单处理模型对待处理工单数据进行预判处理，获得处理结果；处理结果包括表征待处理工单数据是否为有效数据的信息；通过训练后的工单处理模型根据处理结果对待处理工单数据进行转派处理，获得转派结果；通过训练后的工单处理模型对转派结果进行匹配处理，获得待处理工单数据对应的处理结果信息。

Description

一种工单数据的智能处理方法、装置及存储介质

技术领域

本发明涉及通信运营技术领域，特别是涉及一种工单数据的智能处理方法、装置及存储介质。

背景技术

目前，在通信运营领域，当用户使用终端设备进行通信遇到问题时，一般会拨打运营商咨询电话号码进行咨询。随着使用终端设备的用户数量的增多，通信运营商可能会接收数量较多、问题多样的咨询电话。

目前，一般采用以下流程对接收的咨询电话进行处理：

1、工单判断，需要专业人员人工预判咨询电话对应的工单数据是否有效。

2、工单转派，需要派单人员根据专业人员的预判结果将工单数据转派给对应的技术人员进行处理。

3、工单处理，技术人员查询故障定位手册，定位工单数据存在的问题，再查询业务系统，回复用户咨询问题的处理结果。

可见，上述工单判断、工单转派以及工单处理这三个流程，都是采用人工来判断和处理工单数据，处理工单数据的效率较低，还会存在由于人工相关知识点掌握不精准导致工单预判错误的问题，处理工单数据的有效性较低。

综上，有必要提供一种可以提高处理工单数据的有效性和效率的方案。

发明内容

基于此，本发明的目的在于提供一种工单数据的智能处理方法、装置及存储介质，用于提高处理工单数据的有效性和效率。

第一方面，本发明提供了一种工单数据的智能处理方法，包括：

接收待处理工单数据；

通过训练后的工单处理模型对所述待处理工单数据进行预判处理，获得处理结果；所述处理结果包括表征所述待处理工单数据是否为有效数据的信息；

通过所述训练后的工单处理模型根据所述处理结果对所述待处理工单数据进行转派处理，获得转派结果；

通过所述训练后的工单处理模型对所述转派结果进行匹配处理，获得所述待处理工单数据对应的处理结果信息。

在一种可能的设计中，如果所述处理结果包括所述待处理工单数据为有效数据的信息，则通过所述训练后的工单处理模型根据所述处理结果对所述待处理工单数据进行转派处理，获得转派结果，包括：

通过所述训练后的工单处理模型对所述待处理工单数据进行一级转派处理，获得一级转派结果；

通过所述训练后的工单处理模型对所述一级转派结果和所述待处理工单数据进行二级转派处理，获得二级转派结果。

在一种可能的设计中，通过所述训练后的工单处理模型对所述待处理工单数据进行一级转派处理，获得一级转派结果，包括：

确定所述待处理工单数据与至少一个第一业务类别的第一匹配分数，获得至少一个第一匹配分数；

如果所述至少一个第一匹配分数中，存在满足第一筛选条件的目标匹配分数，则确定所述目标匹配分数对应的第一业务类别；

确定所述待处理工单数据与所述第一业务类别中每个第二业务类别的第二匹配分数；

根据获得的所述第二匹配分数，获得一级转派结果。

在一种可能的设计中，根据获得的所述第二匹配分数，获得一级转派结果，包括：

如果获得的所述第二匹配分数中，不存在满足第二筛选条件的目标匹配分数，则将转人工处理作为第一转派结果；

如果获得的所述第二匹配分数中，存在满足第二筛选条件的目标匹配分数，则将待确认处理作为第一转派结果。

在一种可能的设计中，通过所述训练后的工单处理模型对所述一级转派结果和所述待处理工单数据进行二级转派处理，获得二级转派结果，包括：

如果获得的所述第二匹配分数中，存在满足第二筛选条件的目标匹配分数，则判断所述待处理工单数据是否包括自定义关键词；

如果所述待处理工单数据包括自定义关键词，则将转智能处理作为第二转派结果；

如果所述待处理工单数据未包括自定义关键词，则将转人工处理作为第二转派结果。

在一种可能的设计中，通过所述训练后的工单处理模型对所述二级转派结果进行匹配处理，获得所述待处理工单数据对应的处理结果信息，包括：

根据满足第二筛选条件的第二匹配分数，确定目标第二业务类别；

将与所述目标第二业务类别关联的预设回复信息，作为所述待处理工单数据对应的处理结果信息。

在一种可能的设计中，所述训练后的工单处理模型通过以下方式训练得到，包括：

确定多个工单数据，并采用合成少数类过采样算法对所述多个工单数据进行处理，以获得待训练的多个无效工单数据；

将所述待训练的多个无效工单数据和有效工单数据输入到预设工单处理模型中进行训练，获得第一训练结果，并基于所述第一训练结果对所述预设工单处理模型中执行预判处理的子模型进行调整，以得到训练后的工单处理模型中执行预判处理的子模型；

将标注有业务类型的多个有效工单数据，输入到所述预设工单处理模型中进行训练，获得第二训练结果，并基于所述第二训练结果对所述预设工单处理模型中执行转派处理的子模型进行调整，以得到训练后的工单处理模型中执行转派处理的子模型；

根据所述训练后的工单处理模型中执行预判处理的子模型和所述训练后的工单处理模型中执行转派处理的子模型，获得训练后的工单处理模型。

第二方面，本发明还提供了一种工单数据的智能处理装置，包括：

接收单元，用于接收待处理工单数据；

预判单元，用于通过训练后的工单处理模型对所述待处理工单数据进行预判处理，获得处理结果；所述处理结果包括表征所述待处理工单数据是否为有效数据的信息；

转派单元，用于通过所述训练后的工单处理模型根据所述处理结果对所述待处理工单数据进行转派处理，获得转派结果；

回复单元，用于通过所述训练后的工单处理模型对所述转派结果进行匹配处理，获得所述待处理工单数据对应的处理结果信息。

在一种可能的设计中，如果所述处理结果包括所述待处理工单数据为有效数据的信息，则所述转派单元用于：

通过所述训练后的工单处理模型对所述待处理工单数据进行一级转派处理，获得一级转派结果；

通过所述训练后的工单处理模型对所述一级转派结果和所述待处理工单数据进行二级转派处理，获得二级转派结果。

在一种可能的设计中，所述转派单元具体用于：

确定所述待处理工单数据与至少一个第一业务类别的第一匹配分数，获得至少一个第一匹配分数；

如果所述至少一个第一匹配分数中，存在满足第一筛选条件的目标匹配分数，则确定所述目标匹配分数对应的第一业务类别；

确定所述待处理工单数据与所述第一业务类别中每个第二业务类别的第二匹配分数；

根据获得的所述第二匹配分数，获得一级转派结果。

在一种可能的设计中，所述转派单元具体用于：

如果获得的所述第二匹配分数中，不存在满足第二筛选条件的目标匹配分数，则将转人工处理作为第一转派结果；

如果获得的所述第二匹配分数中，存在满足第二筛选条件的目标匹配分数，则将待确认处理作为第一转派结果。

在一种可能的设计中，所述转派单元具体用于：

如果获得的所述第二匹配分数中，存在满足第二筛选条件的目标匹配分数，则判断所述待处理工单数据是否包括自定义关键词；

如果所述待处理工单数据包括自定义关键词，则将转智能处理作为第二转派结果；

如果所述待处理工单数据未包括自定义关键词，则将转人工处理作为第二转派结果。

在一种可能的设计中，所述回复单元具体用于：

根据满足第二筛选条件的第二匹配分数，确定目标第二业务类别；

将与所述目标第二业务类别关联的预设回复信息，作为所述待处理工单数据对应的处理结果信息。

在一种可能的设计中，所述装置还包括训练单元，所述训练单元用于：

确定多个工单数据，并采用合成少数类过采样算法对所述多个工单数据进行处理，以获得待训练的多个无效工单数据；

将所述待训练的多个无效工单数据和有效工单数据输入到预设工单处理模型中进行训练，获得第一训练结果，并基于所述第一训练结果对所述预设工单处理模型中执行预判处理的子模型进行调整，以得到训练后的工单处理模型中执行预判处理的子模型；

将标注有业务类型的多个有效工单数据，输入到所述预设工单处理模型中进行训练，获得第二训练结果，并基于所述第二训练结果对所述预设工单处理模型中执行转派处理的子模型进行调整，以得到训练后的工单处理模型中执行转派处理的子模型；

根据所述训练后的工单处理模型中执行预判处理的子模型和所述训练后的工单处理模型中执行转派处理的子模型，获得训练后的工单处理模型。

第三方面，本发明还提供了一种计算机装置，包括：至少一个存储器和至少一个处理器；

所述至少一个存储器用于存储一个或多个程序；

当所述一个或多个程序被所述至少一个处理器执行时，实现上述第一方面中任一种可能设计所涉及的方法。

第四方面，本发明还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存储有至少一个程序；当所述至少一个程序被处理器执行时，实现上述第一方面中任一种可能设计所涉及的方法。

本发明的有益效果如下：

相较于现有技术而言，本发明通过接收待处理工单数据；通过训练后的工单处理模型对待处理工单数据进行预判处理，获得处理结果；处理结果包括表征待处理工单数据是否为有效数据的信息；通过训练后的工单处理模型根据处理结果对待处理工单数据进行转派处理，获得转派结果；通过训练后的工单处理模型对转派结果进行匹配处理，获得待处理工单数据对应的处理结果信息，从而可以通过利用机器学习的方式来模拟替代人工的数据分析和方式构建，尽量消除由于分析和转派人员的分析能力限制和主观性而导致的误判和分析不全面而导致的负面影响，从而可以在一定程度上提高分析和转派的准确性，可以提高处理工单数据的有效性和效率。

为了更好地理解和实施，下面结合附图详细说明本发明。

附图说明

图1为本发明提供的一种训练工单处理模型方法的流程图；

图2为本发明提供的一种训练工单处理模型中使用的算法的示意图；

图3为本发明提供的一种选择训练模型的算法的页面示意图；

图4为本发明提供的一种工单数据的智能处理方法的流程图；

图5为本发明提供的一种工单数据的智能处理装置的示意图；

图6为本发明提供的一种计算机装置的结构示意图。

具体实施方式

以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与本发明的一些方面相一致的实施方式的例子。

在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本发明中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

除非有相反的说明，本发明提及的“第一”、“第二”等序数词用于对多个对象进行区分，不用于限定多个对象的顺序、时序、优先级或者重要程度。

如前所述，现有技术存在处理工单数据的有效性和效率较低的问题。鉴于此，本发明实提供了一种工单数据的智能处理方法，通过该方法可以通过机器学习的方式对待处理工单数据进行有效性判断以及智能化转派处理，这样的方式，可以提高处理工单数据的有效性和效率。

本发明实施例提供一种工单数据的智能处理方法，该方法可以由计算机装置执行。比如，计算机装置可以可以是笔记本电脑、个人电脑、智能手机、个人数字助理（Personal Digital Assistant，PDA）、个人计算机等终端设备，或者也可以是服务器，该服务器例如是个人计算机、大中型计算机、计算机集群等，本发明实施例对此不做限定。

以下结合图4所示的方法流程图对对本发明实施例中的工单数据的智能处理方法进行说明，图4所示的各步骤可以由前述的计算机装置执行。

在本发明实施例中，可以通过训练后的工单处理模型对新的工单数据进行处理，在介绍本发明提供的工单数据的智能处理方法之前，以下先介绍本发明实施例中获得训练预设的工单处理模型的过程，请参见图1所示，该过程可以包括如下步骤：

S101、确定多个工单数据，并采用合成少数类过采样算法对所述多个工单数据进行处理，以获得待训练的多个无效工单数据。

在本发明实施例中，可以从工单原始系统或者人工手动导入至该工单原始系统中获取历史工单数据，存储至Elasticsearch分布式数据库。其中，工单原始系统可以是接收用户咨询电话的运营商使用的系统，该系统可以为某个子公司使用的系统，也可以为总公司使用的系统，本发明实施例中对此不做限制。

在本发明实施例中，可以对分布式数据库中工单数据进行数据预处理。比如，数据预处理可以包括结巴分词处理、停用词处理等。其中，结巴分词处理可以长本文的句子切分成词组，并根据运营商自定义的词典库使得部分词组不被切分。停用词处理可以将通过结巴分词处理后的词语部分，通过运营商自定义的停用词库，对“无效词”进行剔除。

在本发明实施例中，还可以对分布式数据库中工单数据进行特征处理。比如，特征处理可以包括词性分析处理、实体识别处理、特征编码处理等。其中，词性分析处理可以理解为提取历史工单数据中的名词，实体识别处理可以理解为对历史工单数据中的实体进行识别，特征编码处理可以理解为将历史工单数据中的文本转化成向量的过程。

在一些实施例中，本发明实施例可以提供一个可自选编码算法的系统，根据自选结果确定目标特征编码算法。比如，在特征编码过程中，本发明选用了TF-IDF、Word2vec、预训练Bert三种模型进行编码，它们是当前主流的特征编码模型。

在本发明实施例中，考虑到现有中无效工单数据量较少，因此采用合成少数类过采样算法（SMOTE）获得无效工单数据。比如，可以从分布式数据库中，获取多个工单数据，并采用SMOTE算法对所述多个工单数据进行处理，以获得待训练的多个无效工单数据。

在一些实施例中，采用SMOTE算法对所述多个工单数据进行处理，以获得待训练的多个无效工单数据，可以包括以下步骤：

步骤a、将少工单数据量类别为集合M。其中，少工单数据量可以为前述从从分布式数据库中获取的工单数据中的部分数据。

步骤b、在少样本集合M中，随机选择一个数据A。

步骤c、计算A与少样本集合M中其他样本的欧氏距离，取出距离最短的k个点。

步骤d、在这k个点中随机选择1个样本点B。

步骤e、取样本点A与样本点B连线上的一个随机数据，作为最新扩增数据C。

步骤f、重复步骤b-e，迭代次数即为需要扩增的数据量。

在本发明实施例中，在步骤f中，需要扩增的数据量即无效工单数据量。作为一种示例，无效工单数据量与有效工单数据量可以为1:1，例如，有效工单数据量300个，则需要扩增的数据量可以为300个。这样，可以获得待训练的多个无效工单数据。

S102、将待训练的多个无效工单数据和有效工单数据输入到预设工单处理模型中进行训练，获得第一训练结果，并基于第一训练结果对预设工单处理模型中执行预判处理的子模型进行调整，以得到训练后的工单处理模型中执行预判处理的子模型。

在本发明实施例中，执行预判处理的子模型可以为二分类模型，即将一个工单数据输入训练后的工单处理模型中执行预判处理的子模型后，获得的处理结果包括表征该工单数据为有效数据的信息，或者，获得的处理结果包括表征该工单数据为无效数据的信息。

S103、将标注有业务类型的多个有效工单数据，输入到预设工单处理模型中进行训练，获得第二训练结果，并基于第二训练结果对预设工单处理模型中执行转派处理的子模型进行调整，以得到训练后的工单处理模型中执行转派处理的子模型。

在本发明实施例中，执行转派处理的子模型是一个多分类模型。考虑到工单转派也存在数据不平衡的情况，以及，针对该工单转派处理场景不同类别主要是工单描述的含义不同，因而可以考虑基于EDA数据扩增(同义词替换、随机插入、随机交换)或者SimBert，生成高度相似文本。 其中，Simbert是在BERT模型的基础上，利用UniLM思想设计了融检索与生成于一体的任务。它利用了大量相似句子对进行训练得到，主要采用了BERT和UniLM，对比学习技术实现的一套监督模型，是一个生成相似工单较好的工具。

由于前述两种处理数据不平衡的方法，几乎不改变原有工单描述的含义，可以准确确定工单数据的类别，因此适用于该工单转派处理场景。

为了提升工单转派的准确性，本发明实施例中训练1个分类大模型+n个分类小模型。其中，计算机装置先采用“业务大类”训练一个分类大模型，在根据“业务小类”训练n个小模型的训练方式对执行工单转派的子模型。也就是说，执行工单转派的子模型包括执行“业务大类”分类的一个分类大模型以及执行“业务小类”分类的n个模型。其中，n等于待训练数据中“业务大类”个数。需要说明的是，为了便于描述，在后文中，将“业务大类”也可以称作第一业务类别，将“业务小类”可以称作第二业务类别。

在本发明实施例中，有效工单数据是具有“第一业务类别”和“第二业务类别”两种标签，并且每种“第一业务类别”通常包含多种“第二业务类别”。例如：业务大类有：计费、财务、宽带等；其中第一业务类别为计费时，它包含第二业务类别有：流量费用、语音费用、数信费用等；第一业务类别为宽带时，它包含第二业务类别有：宽带基本信息、集团宽带、宽带专线等。

在本发明实施例执行工单转派时，先通过一级模型预测所属“业务大类”，然后再根据预测的“业务大类”对应的二级模型来预测“业务小类”。

在本发明实施例中，在执行工单转派的子模型训练中，本发明选用了机器学习最典型的Logistic Regression算法、两种集成学习模型Random Forest和XGBoost算法，深度学习模型Bert进行微调和Bert+LSTM算法。

请参见图2，图2中示出了三种特征编码的算法，分别为术语频率–反向文档频率（term frequency–inverse document frequency，TF-IDF）算法、从单词到向量（word tovector，Word2vec）、基于 Transformer 算法的双向编码表征算法（BidirectionalEncoder Representations from Transformers，Bert），Transformer 算法基于多头注意力(Multi-Head attention)机制；以及分类模型中使用的算法，分别为：逻辑回归解释算法（Logistic Regression）、随机森林算法（RandomForest）、极端梯度提升算法（eXtremeGradient Boosting，XGBoost）、长短时记忆算法（Long Short Term Memory，LSTM）以及多分类算法（softmax）。例如，如果特征编码采用TF-IDF，则分类模型时可以使用LogisticRegression算法和XGBoost算法。

如图2所示，在特征编码过程中，本发明选用了TF-IDF、Word2vec、预训练Bert三种算法进行编码；在分类模型中，本发明选用了机器学习最典型的Logistic Regression算法、两种集成学习模型Random Forest和XGBoost算法，深度学习模型Bert进行微调和Bert+LSTM算法。

S104、根据训练后的工单处理模型中执行预判处理的子模型和训练后的工单处理模型中执行转派处理的子模型，获得训练后的工单处理模型。

在本发明实施例中，有训练2个大模型+n个小模型。其中，1个大模型为用于执行预判处理的子模型，该模型的执行逻辑经典二分类，能够简单的得到该模型的评估指标f1；其中，1个大模型+n个小模型为用于执行转派处理的子模型，该子模型的调整主要关注n个小模型的评估指标f2。因此，针对预设的工单处理模型的训练主要关注f1和f2两个评估指标，当使用多算法多参数形式，可以建立多个实验，选用评估指标最好的模型进行发布应用。

例如，图3所示的算法训练页面中包括实验名称信息、实验的完成情况列表信息、是否发布的选择功能信息、模型训练信息以及模型评估信息。需要说明的是，实际实施过程中算法训练页面中还可以包含其它信息，本发明实施例对此不做限制。

在具体实施过程中，训练模型的人员可以在图3所示页面中选择模型训练的算法，并确定最终发布的工单处理模型，该模型即前述的训练后的工单处理模型。

在本发明实施例中，当获得训练后的工单处理模型之后，可以将该训练后的工单处理模型接入工单自动流转场景下的系统中。

在一些实施例中，如果其他工单自动流转场景下的系统（例如需要接通咨询电话的物体售卖场景）需要接入训练后的工单处理模型，则前述步骤S101中的工单数据可以为该场景下的系统对应的历史工单数据，并执行前述步骤S102-S104，从而可以获得不同场景下的系统对应的训练后的工单处理模型。

进一步地，在本发明实施例中，当获得训练后的工单处理模型之后，可以根据该模型对待处理工单进行转派处理。

下面将结合图1-4，对本发明提供的工单数据的智能处理方法进行详细的介绍。

如图4所示，本发明提供的工单数据的智能处理方法可以包括如下步骤：

S201、接收待处理工单数据。

在本发明实施例中，计算机装置可以接收待处理工单数据。其中，待处理工单数据可以是根据用户的语音信息或操作信息生成的。

S202、通过训练后的工单处理模型对待处理工单数据进行预判处理，获得处理结果；处理结果包括表征待处理工单数据是否为有效数据的信息。

在本发明实施例中，计算机装置采用前述步骤S101-步骤S104训练生成的训练后的工单处理模型中执行预判处理的子模型，对待处理工单数据进行预判处理，获得处理结果。

S203、通过训练后的工单处理模型根据处理结果对待处理工单数据进行转派处理，获得转派结果。

在一些实施例中，如果处理结果包括待处理工单数据为无效数据的信息，则确定转派处理为退回修改处理，且根据设置的匹配集，确定与退回修改处理匹配的处理结果信息为重新修改工单内容。

在一些实施例中，如果处理结果包括待处理工单数据为有效数据的信息，则可以执行以下步骤确定转派结果：

步骤A、通过训练后的工单处理模型对待处理工单数据进行一级转派处理，获得一级转派结果；

在本发明实施例中，计算机装置可以通过训练后的工单处理模型确定待处理工单数据与至少一个第一业务类别的第一匹配分数，获得至少一个第一匹配分数；如果至少一个第一匹配分数中，存在满足第一筛选条件的目标匹配分数，则确定目标匹配分数对应的第一业务类别；确定待处理工单数据与第一业务类别中每个第二业务类别的第二匹配分数；根据获得的第二匹配分数，获得一级转派结果。其中，第一筛选条件为超过预设第一阈值，该预设第一阈值例如为80分，预设第一阈值可以基于实际实施对应更新，本发明实施例中对此不做限定。

在一些实施例中，如果获得的第二匹配分数中，不存在满足第二筛选条件的目标匹配分数，则将转人工处理作为第一转派结果。其中，第二筛选条件例如是超过预设第二阈值，该预设第二阈值例如为70分，预设第二阈值可以基于实际实施对应更新，本发明实施例中对此不做限定。

在一些实施例中，如果获得的第二匹配分数中，存在满足第二筛选条件的目标匹配分数，则将待确认处理作为第一转派结果。

步骤B、通过训练后的工单处理模型对一级转派结果和待处理工单数据进行二级转派处理，获得二级转派结果。

在一些实施例中，如果第一转派结果为转人工处理，可以分析待处理的工单数据是否包括特定语言词汇，如果确定待处理的工单数据包括特定语言词汇，则将转特定语言词汇人工处理，作为二级转派结果，其中，特定语言词汇可以为某一地区的语言词汇。

在一些实施例中，如果第一转派结果为待确认处理，则判断待处理工单数据是否包括自定义关键词；如果待处理工单数据包括自定义关键词，则将转智能处理作为第二转派结果；如果待处理工单数据未包括自定义关键词，则将转人工处理作为第二转派结果。

可见，在本发明实施例中，计算机装置通过训练后的工单处理模型中1个分类大模型预测该待处理工单数据所属“第一业务类别”，再根据预测的“第一业务类别”类型选用指定的分类小模型来预测所属“第二业务类别”类型及预测为该类的概率值即前述的匹配分数。

在一些实施例中，判断待处理工单数据预测所属的“第二业务类别”的概率值是否满足概率阈值，例如：预测成“宽带基本信息”的概率值是否大于50%。若待处理工单数据预测所属的“第二业务类别”的概率值满足概率阈值，判断是否含有关键词，否则对该带处理工单数据进行人工转派并回复。进一步地，可以判断待处理工单数据是否含有运营商自定义的关键词。若待处理工单数据含有运营商自定义的关键词，则进行自动转派即智能处理，否则进行人工转派及回复。

S204、通过训练后的工单处理模型对转派结果进行匹配处理，获得待处理工单数据对应的处理结果信息。

在本发明实施例中，计算机装置可以根据满足第二筛选条件的第二匹配分数，确定目标第二业务类别；将与目标第二业务类别关联的预设回复信息，作为待处理工单数据对应的处理结果信息。其中，预设回复信息是自动查询该工单用户业务信息，给出工单处理建议，该处理建议作为处理结果信息，并将该处理结果信息反馈拨打咨询电话的用户。

作为一种示例，为了帮助本领域技术人员了解上述预设回复信息的可能表现形式，下面将通过举例进行说明。

示例性的，以目标第二业务类别为话费异常为例，那么与话费异常关联的预设回复信息可以为：尊敬的A（如用户的手机号码）用户您好，您X（如7）月的话费详情为B（如月度费用90元，套餐费用29元，流量费用45元，增值业务费用16元）。在X月费用详情中，C（如流量）业务相比上月D（如15）元增加了E（如30）元。该预设回复信息中A、X、B、C、D和E为变量信息，可以通过查询业务系统获取。即与话费异常关联的预设回复信息可以包含固定信息和变量信息，变量信息通过查询业务系统获取。其中，固定信息也可以理解为模板信息。

需要说明的是，上述预设回复信息可以根据实际需求进行设置，本发明对此不作限定。

基于同一发明构思，本发明实施例提供了一种工单数据的智能处理装置。如图5所示，工单数据的智能处理装置300包括接收单元301、预判单元302、转派单元303以及回复单元304。其中：

接收单元301，用于接收待处理工单数据；

预判单元302，用于通过训练后的工单处理模型对待处理工单数据进行预判处理，获得处理结果；处理结果包括表征待处理工单数据是否为有效数据的信息；

转派单元303，用于通过训练后的工单处理模型根据处理结果对待处理工单数据进行转派处理，获得转派结果；

回复单元304，用于通过训练后的工单处理模型对转派结果进行匹配处理，获得待处理工单数据对应的处理结果信息。

在一种可能的设计中，如果处理结果包括待处理工单数据为有效数据的信息，则转派单元303用于：

通过训练后的工单处理模型对待处理工单数据进行一级转派处理，获得一级转派结果；

通过训练后的工单处理模型对一级转派结果和待处理工单数据进行二级转派处理，获得二级转派结果。

在一种可能的设计中，转派单元303具体用于：

确定待处理工单数据与至少一个第一业务类别的第一匹配分数，获得至少一个第一匹配分数；

如果至少一个第一匹配分数中，存在满足第一筛选条件的目标匹配分数，则确定目标匹配分数对应的第一业务类别；

确定待处理工单数据与第一业务类别中每个第二业务类别的第二匹配分数；

根据获得的第二匹配分数，获得一级转派结果。

在一种可能的设计中，转派单元303具体用于：

如果获得的第二匹配分数中，不存在满足第二筛选条件的目标匹配分数，则将转人工处理作为第一转派结果；

如果获得的第二匹配分数中，存在满足第二筛选条件的目标匹配分数，则将待确认处理作为第一转派结果。

在一种可能的设计中，转派单元303具体用于：

如果获得的第二匹配分数中，存在满足第二筛选条件的目标匹配分数，则判断待处理工单数据是否包括自定义关键词；

如果待处理工单数据包括自定义关键词，则将转智能处理作为第二转派结果；

如果待处理工单数据未包括自定义关键词，则将转人工处理作为第二转派结果。

在一种可能的设计中，回复单元304具体用于：

根据满足第二筛选条件的第二匹配分数，确定目标第二业务类别；

将与目标第二业务类别关联的预设回复信息，作为待处理工单数据对应的处理结果信息。

在一种可能的设计中，工单数据的智能处理装置还包括训练单元（图5中未示出），训练单元用于：

确定多个工单数据，并采用合成少数类过采样算法对多个工单数据进行处理，以获得待训练的多个无效工单数据；

将待训练的多个无效工单数据和有效工单数据输入到预设工单处理模型中进行训练，获得第一训练结果，并基于第一训练结果对预设工单处理模型中执行预判处理的子模型进行调整，以得到训练后的工单处理模型中执行预判处理的子模型；

将标注有业务类型的多个有效工单数据，输入到预设工单处理模型中进行训练，获得第二训练结果，并基于第二训练结果对预设工单处理模型中执行转派处理的子模型进行调整，以得到训练后的工单处理模型中执行转派处理的子模型；

根据训练后的工单处理模型中执行预判处理的子模型和训练后的工单处理模型中执行转派处理的子模型，获得训练后的工单处理模型。

需要说明的是，本发明实施例中对单元的划分是示意性的，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，另外，在本发明各个实施例中的各功能单元可以集成在一个处理器中，也可以是单独物理存在，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，也可以采用软件功能单元的形式实现。

本发明实施例中的工单数据的智能处理装置300与上述图4所示的工单数据的智能处理方法是基于同一构思下的发明，通过前述对工单数据的智能处理方法的详细描述，本领域技术人员可以清楚的了解本实施例中的工单数据的智能处理装置300的实施过程，所以为了说明书的简洁，在此不再赘述。

基于同一发明构思，本发明实施例还提供了一种计算机装置。如图6所示，计算机装置400可以包括：至少一个存储器401和至少一个处理器402。其中：

至少一个存储器401用于存储一个或多个程序。

当一个或多个程序被至少一个处理器402执行时，实现上述图4所示的工单数据的智能处理方法。

计算机装置400还可以可选地包括通信接口，通信接口用于与外部设备进行通信和数据交互传输。

需要说明的是，存储器401可能包含高速RAM存储器，也可能还包括非易失性存储器（nonvolatile memory），例如至少一个磁盘存储器。

在具体的实现过程中，如果存储器401、处理器402及通信接口集成在一块芯片上，则存储器401、处理器402及通信接口可以通过内部接口完成相互间的通信。如果存储器401、处理器402和通信接口独立实现，则存储器401、处理器402和通信接口可以通过总线相互连接并完成相互间的通信。

基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以存储有至少一个程序，当至少一个程序被处理器执行时，实现上述图4所示的工单数据的智能处理方法。

应当理解，计算机可读存储介质为可存储数据或程序的任何数据存储设备，数据或程序其后可由计算机系统读取。计算机可读存储介质的示例包括：只读存储器、随机存取存储器、CD-ROM、HDD、DVD、磁带和光学数据存储设备等。

计算机可读存储介质还可分布在网络耦接的计算机系统中使得计算机可读代码以分布式方式来存储和执行。

计算机可读存储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、电线、光缆、射频（Radio Frequency，RF）等，或者上述的任意合适的组合。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种工单数据的智能处理方法，其特征在于，包括：

接收待处理工单数据；

通过训练后的工单处理模型对所述待处理工单数据进行预判处理，获得处理结果；所述处理结果包括表征所述待处理工单数据是否为有效数据的信息；

通过所述训练后的工单处理模型根据所述处理结果对所述待处理工单数据进行转派处理，获得转派结果；

通过所述训练后的工单处理模型对所述转派结果进行匹配处理，获得所述待处理工单数据对应的处理结果信息。

2.如权利要求1所述的方法，其特征在于，如果所述处理结果包括所述待处理工单数据为有效数据的信息，则通过所述训练后的工单处理模型根据所述处理结果对所述待处理工单数据进行转派处理，获得转派结果，包括：

通过所述训练后的工单处理模型对所述待处理工单数据进行一级转派处理，获得一级转派结果；

通过所述训练后的工单处理模型对所述一级转派结果和所述待处理工单数据进行二级转派处理，获得二级转派结果。

3.如权利要求2所述的方法，其特征在于，通过所述训练后的工单处理模型对所述待处理工单数据进行一级转派处理，获得一级转派结果，包括：

确定所述待处理工单数据与至少一个第一业务类别的第一匹配分数，获得至少一个第一匹配分数；

如果所述至少一个第一匹配分数中，存在满足第一筛选条件的目标匹配分数，则确定所述目标匹配分数对应的第一业务类别；

确定所述待处理工单数据与所述第一业务类别中每个第二业务类别的第二匹配分数；

根据获得的所述第二匹配分数，获得一级转派结果。

4.如权利要求3所述的方法，其特征在于，根据获得的所述第二匹配分数，获得一级转派结果，包括：

如果获得的所述第二匹配分数中，不存在满足第二筛选条件的目标匹配分数，则将转人工处理作为第一转派结果；

如果获得的所述第二匹配分数中，存在满足第二筛选条件的目标匹配分数，则将待确认处理作为第一转派结果。

5.如权利要求4所述的方法，其特征在于，通过所述训练后的工单处理模型对所述一级转派结果和所述待处理工单数据进行二级转派处理，获得二级转派结果，包括：

如果获得的所述第二匹配分数中，存在满足第二筛选条件的目标匹配分数，则判断所述待处理工单数据是否包括自定义关键词；

如果所述待处理工单数据包括自定义关键词，则将转智能处理作为第二转派结果；

如果所述待处理工单数据未包括自定义关键词，则将转人工处理作为第二转派结果。

6.如权利要求3所述的方法，其特征在于，通过所述训练后的工单处理模型对所述二级转派结果进行匹配处理，获得所述待处理工单数据对应的处理结果信息，包括：

根据满足第二筛选条件的第二匹配分数，确定目标第二业务类别；

将与所述目标第二业务类别关联的预设回复信息，作为所述待处理工单数据对应的处理结果信息。

7.如权利要求1-6任一项所述的方法，其特征在于，所述训练后的工单处理模型通过以下方式训练得到，包括：

确定多个工单数据，并采用合成少数类过采样算法对所述多个工单数据进行处理，以获得待训练的多个无效工单数据；

将所述待训练的多个无效工单数据和有效工单数据输入到预设工单处理模型中进行训练，获得第一训练结果，并基于所述第一训练结果对所述预设工单处理模型中执行预判处理的子模型进行调整，以得到训练后的工单处理模型中执行预判处理的子模型；

将标注有业务类型的多个有效工单数据，输入到所述预设工单处理模型中进行训练，获得第二训练结果，并基于所述第二训练结果对所述预设工单处理模型中执行转派处理的子模型进行调整，以得到训练后的工单处理模型中执行转派处理的子模型；

根据所述训练后的工单处理模型中执行预判处理的子模型和所述训练后的工单处理模型中执行转派处理的子模型，获得训练后的工单处理模型。

8.一种工单数据的智能处理装置，其特征在于，包括：

接收单元用于接收待处理工单数据；

预判单元用于通过训练后的工单处理模型对所述待处理工单数据进行预判处理，获得处理结果；所述处理结果包括表征所述待处理工单数据是否为有效数据的信息；

转派单元用于通过所述训练后的工单处理模型根据所述处理结果对所述待处理工单数据进行转派处理，获得转派结果；

回复单元用于通过所述训练后的工单处理模型对所述转派结果进行匹配处理，获得所述待处理工单数据对应的处理结果信息。

9.一种计算机装置，其特征在于，包括：至少一个存储器和至少一个处理器；

所述至少一个存储器用于存储一个或多个程序；

当所述一个或多个程序被所述至少一个处理器执行时，实现如权利要求1-7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存储有至少一个程序；当所述至少一个程序被处理器执行时，实现如权利要求1-7任一项所述的方法。

Images