CN116362534A - 铁路领域在线客服内容违规和风险的应急管理方法及系统 - Google Patents
铁路领域在线客服内容违规和风险的应急管理方法及系统 Download PDFInfo
- Publication number
- CN116362534A CN116362534A CN202211700931.3A CN202211700931A CN116362534A CN 116362534 A CN116362534 A CN 116362534A CN 202211700931 A CN202211700931 A CN 202211700931A CN 116362534 A CN116362534 A CN 116362534A
- Authority
- CN
- China
- Prior art keywords
- customer service
- event
- measures
- measure
- preset
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种铁路领域在线客服内容违规和风险的应急管理方法及系统,涉及人工智能技术领域,包括获取客服内容违规处理请求,客服内容违规处理请求包括客服内容违规事件数据;基于预设的情景模型,结合客服内容违规事件数据,对客服内容违规处理请求进行风险识别,得到客服内容违规事件的形式本体及形式本体对应的风险识别本体;基于预设的应对模型,结合客服事件的形式本体,得到客服内容违规事件的对应措施及方案;基于风险等级对形式本体进行排序,对排序后的形式本体执行对应措施,并根据方案完善对应措施。本发明通过建立情景‑应对模型,考虑事件的情景和应对之间的全局关联性,使得制定的应对措施和方案准确可靠。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种铁路领域在线客服内容违规和风险的应急管理方法及系统。
背景技术
在近年来,网络信息内容治理已成为国家战略的重要部分,特别是在国铁企业信息化治理过程中,人工智能的AI+内容安全技术已成为高效发现问题的手段。然而,在发现违规和风险问题之后,如何及时识别事件类别、判断风险级别、定位响应部门、决策应急预案仍然是一个关键问题。目前,常见的在线客服内容违规应急管理方法为经验直觉法,经验直觉法是指在突发事件应急决策过程中,决策者依靠自己的经验和直觉来做出决策的方法。但是,这种方法也有一些缺点。由于缺乏系统性和科学性,经验直觉法往往难以保证决策的准确性和可靠性;经验直觉法很难提供可量化的决策依据,难以对决策进行后续的跟踪评估。
基于上述问题,现需要一种基于情景-应对模型的铁路领域在线客服内容违规和风险应急管理方法。
发明内容
本发明的目的在于提供一种铁路领域在线客服内容违规和风险的应急管理方法及系统,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
一方面,本申请提供了一种铁路领域在线客服内容违规和风险的应急管理方法,包括:
获取客服内容违规处理请求,所述客服内容违规处理请求包括客服内容违规事件数据;
基于预设的情景模型,结合所述客服内容违规事件数据,对所述客服内容违规处理请求进行风险识别,得到客服内容违规事件的形式本体及所述形式本体对应的风险识别本体,所述情景模型包括事件-形式-风险识别的对应关系,所述形式本体包括铁路在线客服内容违规和风险事件的形式名称,所述风险识别本体包括铁路在线客服内容违规的风险等级;
基于预设的应对模型,结合所述客服事件的形式本体,得到客服内容违规事件的对应措施及方案,所述应对模型包括形式-措施-方案的对应关系;
基于所述风险等级对所述形式本体进行排序,对排序后的所述形式本体执行所述对应措施,并根据所述方案完善所述对应措施。
第二方面,本申请还提供了一种铁路领域在线客服内容违规和风险的应急管理系统,包括:
获取模块,用于获取客服内容违规处理请求,所述客服内容违规处理请求包括客服内容违规事件数据;
识别模块,基于预设的情景模型,结合所述客服内容违规事件数据,对所述客服内容违规处理请求进行风险识别,得到客服内容违规事件的形式本体及所述形式本体对应的风险识别本体,所述情景模型包括事件-形式-风险识别的对应关系,所述形式本体包括铁路在线客服内容违规和风险事件的形式名称,所述风险识别本体包括铁路在线客服内容违规的风险等级;
处理模块,基于预设的应对模型,结合所述客服事件的形式本体,得到客服内容违规事件的对应措施及方案,所述应对模型包括形式-措施-方案的对应关系;
执行模块,基于所述风险等级对所述形式本体进行排序,对排序后的所述形式本体执行所述对应措施,并根据所述方案完善所述对应措施。
第三方面,本申请还提供了一种铁路领域在线客服内容违规和风险的应急管理设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现所述铁路领域在线客服内容违规和风险的应急管理方法的步骤。
第四方面,本申请还提供了一种可读存储介质,所述可读存储介质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基于铁路领域在线客服内容违规和风险的应急管理方法的步骤。
本申请提供了
本发明的有益效果为:
本发明通过建立情景-应对模型,考虑事件的情景和应对之间的全局关联性,使得制定的应对措施和方案准确可靠;通过对形式本体的重要度进行评估,能够有效地确定形式本体的紧急程度,提升紧急事件的处理效率。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例中所述的铁路领域在线客服内容违规和风险的应急管理方法流程示意图;
图2为本发明实施例中所述的铁路领域在线客服内容违规和风险的应急管理系统结构示意图;
图3为本发明实施例中所述的铁路领域在线客服内容违规和风险的应急管理设备结构示意图。
图中标记:1、获取模块;2、识别模块;21、第一聚类单元;22、第一分析单元;23、第一处理单元;24、第二处理单元;25、第三处理单元;3、处理模块;31、第四处理单元;311、第一构建单元;312、第五处理单元;313、第一提取单元;314、第六处理单元;32、第一匹配单元;33、第二匹配单元;4、执行模块;41、第一排序单元;42、第三匹配单元;43、第一执行单元;44、第四匹配单元;45、第七处理单元;451、第一评估单元;452、第一预测单元;453、第二分类单元;454、第一输出单元;455、第二分析单元;800、铁路领域在线客服内容违规和风险的应急管理设备;801、处理器;802、存储器;803、多媒体组件;804、I/O接口;805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1:
本实施例提供了一种铁路领域在线客服内容违规和风险的应急管理方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。
步骤S100、获取客服内容违规处理请求,客服内容违规处理请求包括客服内容违规事件数据。
可以理解的是,在本步骤中,客服内容违规事件数据表示事件本体,事件本体用来存储所有在线客服内容违规和风险事件,在识别出铁路在线客服内容违规和风险后,都存储在这里。用事件本体来创建情景的主体,通过各种的属性来充实事件本体的各个知识内容。
步骤S200、基于预设的情景模型,结合客服内容违规事件数据,对客服内容违规处理请求进行风险识别,得到客服内容违规事件的形式本体及形式本体对应的风险识别本体,情景模型包括事件-形式-风险识别的对应关系,形式本体包括铁路在线客服内容违规和风险事件的形式名称,风险识别本体包括铁路在线客服内容违规的风险等级。
可以理解的是,在本步骤中,情景模型包含事件、形式、风险识别本体以及对应关系,其中事件本体用来存储所有在线客服内容违规和风险事件,在识别出铁路在线客服内容违规和风险后,都存储在这里。用事件本体来创建情景的主体,通过各种的属性来充实事件本体的各个知识内容。形式本体是铁路在线客服内容违规和风险事件的形式,将事件中具有相似的类型抽象归纳于一起,形成同类事件对应的统一形式。比如一个事件是文章中所采用的图片是其他公司所注册的,此事件的形式就被定义为了图片侵权。风险识别本体是铁路在线客服内容违规后,通过识别风险的等级,来确定事件所带来的影响,通过影响的程度来划分事件的风险的优先级,通过知道事件的优先级来确定事件的处理的顺序,通过此方法能供让事件处理更加有序,通过风险识别来大大缩小事件的影响程度。需要说明的是,步骤S200包括步骤S210、步骤S220、步骤S230、步骤S240和步骤S250。
步骤S210、基于聚类分析算法对客服内容违规事件数据进行分组,按照相似性将事件本体进行归类。
可以理解的是,在本步骤中,根据客服内容违规事件数据提取相关特征,然后使用聚类分析算法对这些特征进行聚类。在铁路在线客服系统中,如果有一批客服内容违规事件数据,包括内容违规、图片侵权、言论攻击等多种类型的事件。通过使用聚类分析算法,可以将这些事件按照相似性进行分组。通过聚类算法将对客服内容违规事件数据进行分组,能够快速处理大量的数据,具有效率高的优点。
步骤S220、对每一组事件本体进行关联度分析,得到事件之间的关联信息。
可以理解的是,在本步骤中,关联度分析可以了解事件之间的关联关系,从而更好地理解事件的发生背景,并为事件的处理提供依据。
步骤S230、对每一组事件本体进行语义解析,得到事件的概念含义。
可以理解的是,在本步骤中,通过对事件的语义进行解析,来更加深入地了解事件的含义和内涵。在这一步骤中,可以使用自然语言处理技术来对事件进行语义分析,从而得到事件的概念含义。
步骤S240、基于预设的情景模型,将每一组事件映射到对应的形式本体,得到客服内容违规事件的形式本体。
可以理解的是,本步骤目的是将客服内容违规事件的具体信息转化为抽象的形式本体,使得之后的处理更加方便。在预设的情景模型中,已经将“图片侵权”定义为一种形式本体,如果在客服内容违规事件数据中,出现了一个事件是“客服使用了其他公司注册的图片”,则可以将这个事件映射到“图片侵权”这一形式本体中。这样,将原本具体的事件信息转化为抽象的形式本体,使得之后的处理更加方便。
步骤S250、基于预设的风险识别标准,对形式本体进行风险识别,得到形式本体对应的风险识别本体。
可以理解的是,在本步骤中,基于之前已经预设的风险识别标准来进行风险识别。风险识别标准可以是一组规则或者指标,用于衡量形式本体带来的风险程度。例如,在铁路在线客服内容违规处理中,我们可以根据客服内容违规事件的严重程度来设定风险识别标准。如果是较为严重的客服内容违规事件,如涉嫌诈骗或者辱骂客户,则可以将其风险等级定为高;如果是较为轻微的客服内容违规事件,如在服务过程中有一些不当言辞,则可以将其风险等级定为低。
步骤S300、基于预设的应对模型,结合客服事件的形式本体,得到客服内容违规事件的对应措施及方案,应对模型包括形式-措施-方案的对应关系。
可以理解的是,在本步骤中,应对模型包含措施和方案,措施是对事件、形式、风险识别所构成的情景相对应的应对过程的主体内容,措施拥有措施名称、措施id、部门等数据属性,能够明确采取措施的响应部门,确定了措施在行使的过程是由什么部门来进行,使得分工明确且能够通过对事件的处理来评定部门的绩效。措施本体包含的实例包括了取消票的效益并要求乘客实名购票、告知隐私信息采集风险等实例,这些实例集合成了事件的应对集的快速响应的解决措施,是直接解决事件的第一步的手段集合。方案是指对事件的措施的后续的补充,方案实体包含的实例包括外部网站发文方案、客服内容违规方案等一系列方案的实例,这些实例可以用来和做措施完成后的后续安排,让事件的影响逐步消除,直到影响全部完全消除为止。需要说明的是,步骤S300包括步骤S310、步骤S320和步骤S330。
步骤S310、使用神经网络模型对形式本体进行评估得到评估结果,评估结果包括形式本体对应的至少一个维度的重要度评分。
可以理解的是,在本步骤中,使用深度学习技术来对形式本体进行分析和评估。需要说明的是,步骤S310包括步骤S311、步骤S312、步骤S313和步骤S314。
步骤S311、建立神经网络模型,设定输入层、隐藏层、输出层的结构。
可以理解的是,在本步骤中设定了神经网络的结构。
步骤S312、将形式本体的信息输入至输入层进行预处理,得到神经网络可以识别的数值信息。
可以理解的是,在本步骤中,输入层是模型的第一层,它的作用是将形式本体的信息输入到神经网络中,并进行预处理,将信息转换成神经网络可以识别的数值信息。方便神经网络进行后续的计算。
步骤S313、将数值信息输入至隐藏层进行特征提取,得到特征信息。
可以理解的是,在本步骤中,特征信息是对输入数据的一种抽象表示,是通过神经网络隐藏层的计算,对输入数据的多维特征进行提取得到的信息。可以更好地描述输入数据的本质特征,并且可以更好地用于后续的计算和分析。
步骤S314、将特征信息输入至输出层进行分类处理,得到评估结果,并对评估结果进行解读得到形式本体对应的至少一个维度的重要度评分。
可以理解的是,在本步骤中,将训练好的神经网络模型应用于形式本体的信息,通过输入层、隐藏层、输出层的结构进行处理,得到对形式本体进行评估的结果。这个结果包含了对形式本体的重要度评分,可以用来衡量形式本体在整个客服内容违规事件处理过程中的重要性。
步骤S320、根据形式本体、评估结果和预设的形式-措施对应关系,匹配得到对应措施。
可以理解的是,本步骤是根据之前处理过程中得到的形式本体的信息和评估结果,通过匹配预设的形式-措施对应关系,找到最符合条件的措施。
步骤S330、根据对应措施和预设的措施-形式对应关系,得到客服内容违规事件的方案。
可以理解的是,在本步骤中,应对模型是一个包含了各种形式-措施-方案对应关系的模型,在该模型中,对应措施与方案之间存在一定的对应关系。通过查找应对模型中的对应关系,就可以得到与该对应措施对应的方案。
步骤S400、基于风险等级对形式本体进行排序,对排序后的形式本体执行对应措施,并根据方案完善对应措施。
可以理解的是,在本步骤中,目的是为了保证在执行对应措施时,先处理风险较大的事件,以保证风险的有效控制。需要说明的是,步骤S400包括步骤S410、步骤S420、步骤S430、步骤S440和步骤S450。
步骤S410、根据风险等级从高至低对形式本体进行排序,得到形式本体的处理顺序。
可以理解的是,在本步骤中将形式本体按照风险等级进行排序,以便优先处理风险较高的事件。
步骤S420、根据形式本体和预设的形式-措施对应关系,匹配得到每个形式本体的对应措施。
可以理解的是,在本步骤中利用预先设定好的形式-措施对应关系来为每个形式本体匹配对应的措施。预先设定的形式-措施对应关系可以是一个表格或者一个映射关系。
步骤S430、基于处理顺序依次执行对应措施。
可以理解的是,在本步骤中,依次执行这些对应措施,从而处理客服内容违规事件。
步骤S440、根据对应措施和预设的措施-方案对应关系,匹配得到形式本体的方案。
可以理解的是,在执行完对应措施后,根据预设的措施-方案对应关系,为事件安排后续的处理方案。例如,在执行完删除违规文章的措施后,根据预设的措施-方案对应关系,为该事件安排的方案可能是发布澄清文章或者向相关部门举报等。
步骤S450、根据方案完善对应措施。
可以理解的是,本步骤的目的是通过使用方案来提升对应措施的效果。需要说明的是,步骤S450包括步骤S451、步骤S452、步骤S453、步骤S454和步骤S455。
步骤S451、使用矩阵分析法对对应措施的优劣势和风险点进行评估,得到评估结果。
可以理解的是,矩阵分析法是一种常用的决策分析方法,通常用于对多个选项进行比较,并从中选择最优的一个。在这一步骤中,首先需要确定要评估的对应措施的优劣势和风险点的评估标准,然后根据这些标准对对应措施进行评估。例如,对于一个客服内容违规事件,可能需要在执行措施时考虑其可行性、可接受性、可行性、可接受性等因素,并将这些因素作为矩阵分析法的评估标准。然后,对于每个对应措施,对每个评估标准进行打分,最后对所有评估标准的打分进行加权求和,得到评估结果。
步骤S452、根据预设的影响预测模型对对应措施进行预测,得到预测结果,预测结果包括对应措施对事件解决的贡献值。
可以理解的是,在本步骤中,影响预测模型是一种用于预测某一事件或行为对其他事件或结果的影响的模型。对于客服内容违规事件的处理来说,影响预测模型可以用来预测采取不同的措施会对事件解决的贡献值产生的影响。
步骤S453、根据评估结果和预测结果,使用分类模型对对应措施进行分类得到分类措施,分类措施包括有效措施或无效措施。
可以理解的是,在本步骤使用分类模型对对应措施进行分类得到分类措施,分类措施包括有效措施或无效措施。目的是通过对措施的评估和预测,来确定哪些措施是可行的,哪些措施是不可行的。
步骤S454、对于有效措施进行输出。
可以理解的是,在本步骤中,如果分类为有效措施则直接进行执行并通过方案进行后续影响消除。
步骤S455、对于无效措施,基于生成式对抗网络算法对方案的内容进行分析,得到新措施选项。
可以理解的是,在本步骤中,基于生成式对抗网络算法是一种机器学习方法,用于生成新的数据样本。使用该算法对无效措施的方案进行分析,可以得到新的措施选项。假设有一个无效措施的方案是:当客服在处理客户投诉时,需要发送一条短信通知客户,并且在短信中致歉并承诺改进。使用生成式对抗网络算法进行分析后,可以得到一些新的措施选项,比如:通过电话联系客户并解决问题,或者向客户发送电子邮件,并在邮件中详细说明解决方案。
实施例2:
如图2所示,本实施例提供了一种铁路领域在线客服内容违规和风险的应急管理系统,系统包括:
获取模块1,用于获取客服内容违规处理请求,客服内容违规处理请求包括客服内容违规事件数据。
识别模块2,基于预设的情景模型,结合客服内容违规事件数据,对客服内容违规处理请求进行风险识别,得到客服内容违规事件的形式本体及形式本体对应的风险识别本体,情景模型包括事件-形式-风险识别的对应关系,形式本体包括铁路在线客服内容违规和风险事件的形式名称,风险识别本体包括铁路在线客服内容违规的风险等级。
处理模块3,基于预设的应对模型,结合客服事件的形式本体,得到客服内容违规事件的对应措施及方案,应对模型包括形式-措施-方案的对应关系。
执行模块4,基于风险等级对形式本体进行排序,对排序后的形式本体执行对应措施,并根据方案完善对应措施。
在本公开的一种具体实施方式中,识别模块2包括:
第一聚类单元21,基于聚类分析算法对客服内容违规事件数据进行分组,按照相似性将事件本体进行归类。
第一分析单元22,用于对每一组事件本体进行关联度分析,得到事件之间的关联信息。
第一处理单元23,用于对每一组事件本体进行语义解析,得到事件的概念含义。
第二处理单元24,基于预设的情景模型,将每一组事件映射到对应的形式本体,得到客服内容违规事件的形式本体。
第三处理单元25,基于预设的风险识别标准,对形式本体进行风险识别,得到形式本体对应的风险识别本体。
在本公开的一种具体实施方式中,处理模块3包括:
第四处理单元31,使用神经网络模型对形式本体进行评估得到评估结果,评估结果包括形式本体对应的至少一个维度的重要度评分。
第一匹配单元32,用于根据形式本体、评估结果和预设的形式-措施对应关系,匹配得到对应措施。
第二匹配单元33,用于根据对应措施和预设的措施-形式对应关系,得到客服内容违规事件的方案。
在本公开的一种具体实施方式中,第四处理单元31包括:
第一构建单元311,用于建立神经网络模型,设定输入层、隐藏层、输出层的结构。
第五处理单元312,用于将形式本体的信息输入至输入层进行预处理,得到神经网络可以识别的数值信息。
第一提取单元313,用于将数值信息输入至隐藏层进行特征提取,得到特征信息。
第六处理单元314,用于将特征信息输入至输出层进行分类处理,得到评估结果,并对评估结果进行解读得到形式本体对应的至少一个维度的重要度评分。
在本公开的一种具体实施方式中,执行模块4包括:
第一排序单元41,用于根据风险等级从高至低对形式本体进行排序,得到形式本体的处理顺序。
第三匹配单元42,用于根据形式本体和预设的形式-措施对应关系,匹配得到每个形式本体的对应措施。
第一执行单元43,基于处理顺序依次执行对应措施。
第四匹配单元44,用于根据对应措施和预设的措施-方案对应关系,匹配得到形式本体的方案。
第七处理单元45,用于根据方案完善对应措施。
在本公开的一种具体实施方式中,第七处理单元45包括:
第一评估单元451,使用矩阵分析法对对应措施的优劣势和风险点进行评估,得到评估结果。
第一预测单元452,用于根据预设的影响预测模型对对应措施进行预测,得到预测结果,预测结果包括对应措施对事件解决的贡献值。
第二分类单元453,用于根据评估结果和预测结果,使用分类模型对对应措施进行分类得到分类措施,分类措施包括有效措施或无效措施。
第一输出单元454,对于有效措施进行输出。
第二分析单元455,对于无效措施,基于生成式对抗网络算法对方案的内容进行分析,得到新措施选项。
需要说明的是,关于上述实施例中的模块,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3:
相应于上面的方法实施例,本实施例中还提供了一种铁路领域在线客服内容违规和风险的应急管理设备,下文描述的一种铁路领域在线客服内容违规和风险的应急管理设备与上文描述的一种铁路领域在线客服内容违规和风险的应急管理方法可相互对应参照。
图3是根据示例性实施例示出的一种铁路领域在线客服内容违规和风险的应急管理设备800的框图。如图3所示,该铁路领域在线客服内容违规和风险的应急管理设备800可以包括:处理器801,存
储器802。该铁路领域在线客服内容违规和风险的应急管理设备8005还可以包括多媒体组件803,I/O接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该铁路领域在线客服内容违规和风险的应急管理设备800的整体操作,以完成上述的铁路领域在线客服内
容违规和风险的应急管理方法中的全部或部分步骤。存储器802用于0存储各种类型的数据以支持在该铁路领域在线客服内容违规和风险的应急管理设备800的操作,这些数据例如可以包括用于在该铁路领域在线客服内容违规和风险的应急管理设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收
发的消息、图片、音频、视频等等。该存储器802可以由任何类型的5易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory,简称EPROM),可编程只读存储器0(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可
以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信5号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该铁路领域在线客服内容违规和风险的应急管理设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,铁路领域在线客服内容违规和风险的应急管理设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable LogicDevice,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的铁路领域在线客服内容违规和风险的应急管理方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的铁路领域在线客服内容违规和风险的应急管理方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由铁路领域在线客服内容违规和风险的应急管理设备800的处理器801执行以完成上述的铁路领域在线客服内容违规和风险的应急管理方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种铁路领域在线客服内容违规和风险的应急管理方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的铁路领域在线客服内容违规和风险的应急管理方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种铁路领域在线客服内容违规和风险的应急管理方法,其特征在于,包括:
获取客服内容违规处理请求,所述客服内容违规处理请求包括客服内容违规事件数据;
基于预设的情景模型,结合所述客服内容违规事件数据,对所述客服内容违规处理请求进行风险识别,得到客服内容违规事件的形式本体及所述形式本体对应的风险识别本体,所述情景模型包括事件-形式-风险识别的对应关系,所述形式本体包括铁路在线客服内容违规和风险事件的形式名称,所述风险识别本体包括铁路在线客服内容违规的风险等级;
基于预设的应对模型,结合所述客服事件的形式本体,得到客服内容违规事件的对应措施及方案,所述应对模型包括形式-措施-方案的对应关系;
基于所述风险等级对所述形式本体进行排序,对排序后的所述形式本体执行所述对应措施,并根据所述方案完善所述对应措施。
2.根据权利要求1所述的铁路领域在线客服内容违规和风险的应急管理方法,其特征在于,基于预设的情景模型,结合所述客服内容违规事件数据,对所述客服内容违规处理请求进行风险识别,得到客服内容违规事件的形式本体及所述形式本体对应的风险识别本体,包括:
基于聚类分析算法对所述客服内容违规事件数据进行分组,按照相似性将事件本体进行归类;
对每一组所述事件本体进行关联度分析,得到事件之间的关联信息;
对每一组所述事件本体进行语义解析,得到事件的概念含义;
基于预设的情景模型,将每一组事件映射到对应的形式本体,得到客服内容违规事件的形式本体;
基于预设的风险识别标准,对所述形式本体进行风险识别,得到所述形式本体对应的风险识别本体。
3.根据权利要求1所述的铁路领域在线客服内容违规和风险的应急管理方法,其特征在于,基于预设的应对模型,结合所述客服事件的对应形式本体,得到客服内容违规事件的对应措施及方案,包括:
使用神经网络模型对所述形式本体进行评估得到评估结果,所述评估结果包括所述形式本体对应的至少一个维度的重要度评分;
根据所述形式本体、评估结果和预设的形式-措施对应关系,匹配得到对应措施;
根据所述对应措施和预设的措施-形式对应关系,得到所述客服内容违规事件的方案。
4.根据权利要求1所述的铁路领域在线客服内容违规和风险的应急管理方法,其特征在于,基于所述风险等级对所述形式本体进行排序,对排序后的所述形式本体执行所述对应措施,并根据所述方案完善所述对应措施,包括:
根据风险等级从高至低对所述形式本体进行排序,得到所述形式本体的处理顺序;
根据所述形式本体和预设的形式-措施对应关系,匹配得到每个所述形式本体的对应措施;
基于所述处理顺序依次执行所述对应措施;
根据所述对应措施和预设的措施-方案对应关系,匹配得到所述形式本体的方案;
根据所述方案完善所述对应措施。
5.根据权利要求4所述的铁路领域在线客服内容违规和风险的应急管理方法,其特征在于,根据所述方案完善所述对应措施,包括:
使用矩阵分析法对所述对应措施的优劣势和风险点进行评估,得到评估结果;
根据预设的影响预测模型对所述对应措施进行预测,得到预测结果,所述预测结果包括所述对应措施对事件解决的贡献值;
根据所述评估结果和所述预测结果,使用分类模型对所述对应措施进行分类得到分类措施,所述分类措施包括有效措施或无效措施;
对于所述有效措施进行输出;
对于所述无效措施,基于生成式对抗网络算法对所述方案的内容进行分析,得到新措施选项。
6.一种铁路领域在线客服内容违规和风险的应急管理系统,其特征在于,包括:
获取模块,用于获取客服内容违规处理请求,所述客服内容违规处理请求包括客服内容违规事件数据;
识别模块,基于预设的情景模型,结合所述客服内容违规事件数据,对所述客服内容违规处理请求进行风险识别,得到客服内容违规事件的形式本体及所述形式本体对应的风险识别本体,所述情景模型包括事件-形式-风险识别的对应关系,所述形式本体包括铁路在线客服内容违规和风险事件的形式名称,所述风险识别本体包括铁路在线客服内容违规的风险等级;
处理模块,基于预设的应对模型,结合所述客服事件的形式本体,得到客服内容违规事件的对应措施及方案,所述应对模型包括形式-措施-方案的对应关系;
执行模块,基于所述风险等级对所述形式本体进行排序,对排序后的所述形式本体执行所述对应措施,并根据所述方案完善所述对应措施。
7.根据权利要求6所述的铁路领域在线客服内容违规和风险的应急管理系统,其特征在于,所述识别模块包括:
第一聚类单元,基于聚类分析算法对所述客服内容违规事件数据进行分组,按照相似性将事件本体进行归类;
第一分析单元,用于对每一组所述事件本体进行关联度分析,得到事件之间的关联信息;
第一处理单元,用于对每一组所述事件本体进行语义解析,得到事件的概念含义;
第二处理单元,基于预设的情景模型,将每一组事件映射到对应的形式本体,得到客服内容违规事件的形式本体;
第三处理单元,基于预设的风险识别标准,对所述形式本体进行风险识别,得到所述形式本体对应的风险识别本体。
8.根据权利要求6所述的铁路领域在线客服内容违规和风险的应急管理系统,其特征在于,所述处理模块包括:
第四处理单元,使用神经网络模型对所述形式本体进行评估得到评估结果,所述评估结果包括所述形式本体对应的至少一个维度的重要度评分;
第一匹配单元,用于根据所述形式本体、评估结果和预设的形式-措施对应关系,匹配得到对应措施;
第二匹配单元,用于根据所述对应措施和预设的措施-形式对应关系,得到所述客服内容违规事件的方案。
9.根据权利要求6所述的铁路领域在线客服内容违规和风险的应急管理系统,其特征在于,所述执行模块包括:
第一排序单元,用于根据风险等级从高至低对所述形式本体进行排序,得到所述形式本体的处理顺序;
第三匹配单元,用于根据所述形式本体和预设的形式-措施对应关系,匹配得到每个所述形式本体的对应措施;
第一执行单元,基于所述处理顺序依次执行所述对应措施;
第四匹配单元,用于根据所述对应措施和预设的措施-方案对应关系,匹配得到所述形式本体的方案;
第七处理单元,用于根据所述方案完善所述对应措施。
10.根据权利要求9所述的铁路领域在线客服内容违规和风险的应急管理系统,其特征在于,所述第七处理单元包括:
第一评估单元,使用矩阵分析法对对应措施的优劣势和风险点进行评估,得到评估结果;
第一预测单元,用于根据预设的影响预测模型对所述对应措施进行预测,得到预测结果,所述预测结果包括对应措施对事件解决的贡献值;
第二分类单元,用于根据所述评估结果和所述预测结果,使用分类模型对所述对应措施进行分类得到分类措施,所述分类措施包括有效措施或无效措施;
第一输出单元,对于所述有效措施进行输出;
第二分析单元,对于所述无效措施,基于生成式对抗网络算法对所述方案的内容进行分析,得到新措施选项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211700931.3A CN116362534A (zh) | 2022-12-28 | 2022-12-28 | 铁路领域在线客服内容违规和风险的应急管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211700931.3A CN116362534A (zh) | 2022-12-28 | 2022-12-28 | 铁路领域在线客服内容违规和风险的应急管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116362534A true CN116362534A (zh) | 2023-06-30 |
Family
ID=86905796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211700931.3A Pending CN116362534A (zh) | 2022-12-28 | 2022-12-28 | 铁路领域在线客服内容违规和风险的应急管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362534A (zh) |
-
2022
- 2022-12-28 CN CN202211700931.3A patent/CN116362534A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163647B (zh) | 一种数据处理方法及装置 | |
CN111767716B (zh) | 企业多级行业信息的确定方法、装置及计算机设备 | |
CN109872162A (zh) | 一种处理用户投诉信息的风控分类识别方法及系统 | |
CN110737821B (zh) | 相似事件查询的方法、装置、存储介质和终端设备 | |
CN114491034B (zh) | 一种文本分类方法及智能设备 | |
CN116956896A (zh) | 基于人工智能的文本分析方法、系统、电子设备及介质 | |
CN115577172A (zh) | 物品推荐方法、装置、设备及介质 | |
CN112579781B (zh) | 文本归类方法、装置、电子设备及介质 | |
CN105808602B (zh) | 一种垃圾信息的检测方法及装置 | |
WO2024055603A1 (zh) | 一种未成年人文本识别方法及装置 | |
CN117351334A (zh) | 图像审核方法和相关设备 | |
CN114708073B (zh) | 一种围标串标智能检测方法、装置、电子设备及存储介质 | |
CN113705201B (zh) | 基于文本的事件概率预测评估算法、电子设备及存储介质 | |
CN115994531A (zh) | 一种多维度文本综合辨识方法 | |
CN113282686B (zh) | 一种不平衡样本的关联规则确定方法及装置 | |
CN116362534A (zh) | 铁路领域在线客服内容违规和风险的应急管理方法及系统 | |
CN115525761A (zh) | 一种文章关键词筛选类别的方法、装置、设备及存储介质 | |
CN111651987B (zh) | 身份判别方法及装置、计算机可读存储介质、电子设备 | |
CN114528908A (zh) | 网络请求数据分类模型训练方法、分类方法及存储介质 | |
CN114996400A (zh) | 裁判文书处理方法、装置、电子设备及存储介质 | |
CN113505117A (zh) | 基于数据指标的数据质量评估方法、装置、设备及介质 | |
CN113691525A (zh) | 一种流量数据处理方法、装置、设备及存储介质 | |
CN113706207A (zh) | 基于语义解析的订单成交率分析方法、装置、设备及介质 | |
Hisham et al. | An innovative approach for fake news detection using machine learning | |
CN112949752B (zh) | 业务预测系统的训练方法及装置 |
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 |