CN116521878A - 工单分类方法及装置 - Google Patents
工单分类方法及装置 Download PDFInfo
- Publication number
- CN116521878A CN116521878A CN202310531314.3A CN202310531314A CN116521878A CN 116521878 A CN116521878 A CN 116521878A CN 202310531314 A CN202310531314 A CN 202310531314A CN 116521878 A CN116521878 A CN 116521878A
- Authority
- CN
- China
- Prior art keywords
- work order
- worksheet
- classification
- information
- service type
- 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
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了工单分类方法及装置,可用于人工智能技术领域,方法包括:获取工单信息;根据用户意见描述信息确定工单信息对应的业务类型;将所述工单信息输入至业务类型对应的训练好的工单分类模型,得到所述工单信息对应的工单分类结果;其中,所述训练好的工单分类模型为利用历史工单数据集对文本分类模型TextCNN进行训练后得到,本发明根据用户意见描述信息确定工单信息对应的业务类型,确定用户意见描述信息所属大类,利用训练好的工单分类模型在进行工单具体的分类,提高了工单分类的效率及准确性,提升了用户体验。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及工单分类方法及装置。
背景技术
银行用户意见反馈渠道主要有远程银行、网点现场、手机银行、网点电话、信访、公众号、短信等。用户意见的反馈形式可以分为评价类、问卷类、工单类等。其中,工单类作为用户意见的主要反馈形式,由坐席人员对用户提出的意见进行记录,再根据工单的类别,反馈给对应部门进行处理。
工单类别的划分主要依赖人工分析设置标签的形式,存在效率低、分类过程受主观判断干扰等问题。此类问题会导致工单流转缓慢,无法快速准确的解决用户反馈的问题。
因此亟需一种工单分类方法,用以解决上述问题。
发明内容
本发明实施例提供一种工单分类方法,用以提高工单分类的效率及准确性,该方法包括:
获取工单信息;所述工单信息包括用户意见描述信息;
根据用户意见描述信息确定工单信息对应的业务类型;
将所述工单信息输入至业务类型对应的训练好的工单分类模型,得到所述工单信息对应的工单分类结果;
其中,所述训练好的工单分类模型为利用历史工单数据集对文本分类模型TextCNN进行训练后得到。
本发明实施例还提供一种工单分类装置,用以提高工单分类的效率及准确性,该装置包括:
业务类型确定模块,用于获取工单信息;所述工单信息包括用户意见描述信息;根据用户意见描述信息确定工单信息对应的业务类型;
分类模块,用于将所述工单信息输入至业务类型对应的训练好的工单分类模型,得到所述工单信息对应的工单分类结果;其中,所述训练好的工单分类模型为利用历史工单数据集对文本分类模型TextCNN进行训练后得到。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述工单分类方法。
本发明实施例还提供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计算机程序,所述计算机程序被处理器执行时实现上述工单分类方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述工单分类方法。
本发明实施例中,获取工单信息;根据用户意见描述信息确定工单信息对应的业务类型;将所述工单信息输入至业务类型对应的训练好的工单分类模型,得到所述工单信息对应的工单分类结果;其中,所述训练好的工单分类模型为利用历史工单数据集对文本分类模型TextCNN进行训练后得到,与现有技术相比,根据用户意见描述信息确定工单信息对应的业务类型,确定用户意见描述信息所属大类,利用训练好的工单分类模型在进行工单具体的分类,提高了工单分类的效率及准确性,提升了用户体验。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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。在附图中:
图1为本发明提供的工单分类方法的流程示意图;
图2为本发明提供的工单分类方法的流程示意图;
图3为本发明提供的工单分类方法的流程示意图;
图4为本发明提供的工单分类方法的流程示意图;
图5为本发明提供的工单分类装置的结构示意图。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
图1为本发明实施例提供的一种工单分类方法所对应的流程示意图,如图1所示,该方法包括:
步骤101,获取工单信息。
需要说明的是,工单信息包括用户意见描述信息。
在一种可能的实施方式中,工单信息包括:工单号、用户名称、用户类型、所属机构、用户意见标识、用户意见描述信息及紧急等级。
在一种可能的实施方式中,业务类型包括:个人非信用卡业务、对公业务及个人信用卡业务。
用户意见描述信息是指坐席对用户的意见进行记录并整理形成的文本数据,是工单分类的主要识别主体。
举例来说,工单信息如表1所示。
表1
步骤102,根据用户意见描述信息确定工单信息对应的业务类型。
步骤103,将工单信息输入至业务类型对应的训练好的工单分类模型,得到工单信息对应的工单分类结果。
在一种可能的实施方式中,工单分类结果包括:账户余额及明细查询、开户行及网点信息查询、账户及借记卡使用、转账汇款、个人信贷、个人手机银行、个人网上银行、支付认证方式、自助机具、短信及外拨电话、投资理财、ETC、外汇业务、对公账户、票据业务、付款业务等。
其中,训练好的工单分类模型为利用历史工单数据集对文本分类模型TextCNN进行训练后得到。
上述方案,根据用户意见描述信息确定工单信息对应的业务类型,确定用户意见描述信息所属大类,利用训练好的工单分类模型在进行工单具体的分类,提高了工单分类的效率及准确性,提升了用户体验。
本发明实施例在根据用户意见描述信息确定工单信息对应的业务类型之前,步骤流程如图2所示,具体如下:
步骤201,滤除用户意见描述信息中的停用词。
为节省存储空间和提高搜索效率,在处理文本之前自动过滤掉停用词。停用词分为两类,一类是没有实际含义的功能词。另一类词应用十分广泛,但对搜索引擎无法保证能够给出真正相关的搜索结果,难以帮助缩小搜索范围,同时还会降低搜索效率。
步骤202,对用户意见描述信息进行分词。
在一种可能的实施方式中,采用基于规则的中文分词:通过人工建立词库,通过词典匹配的方式对句子进行划分。当对一个句子进行分词时,首先将句子拆分成多个部分,将每一个部分与字典一一对应,如果该词语在词典中,分词成功,否则继续拆分匹配直到成功为止。
在另一种可能的实施方式中,采用基于统计的中文分词:拆分句子,基于语料库统计相邻的字组成的词语出现的概率,相邻的词出现的次数多,即出现的概率大,按照概率值进行分词。
如表2所示,展示了对用户意见描述信息去除停用词和分词后的结果。
表2
此外,工单在记录过程中,存在大量模板类信息,比如“烦请相关部门核实处理”、“客户要求核实原因并回复”、“望有关部门核实并回复”、“其他信息客户拒不提供”等,结合数据分析情况,进行删除。
上述方案,对用户意见描述信息进行预处理,提高了模型训练的有效性,提高了模型预测结果的准确性。
在一种可能的实施方式中,本发明实施例在步骤102中,根据用户意见描述信息确定工单信息对应的业务类型,包括:
将用户意见描述信息与预设的词库进行匹配,确定工单信息对应的业务类型。
本发明实施例中,使用命名实体识别方法来进行识别。在特定的银行领域下,用户意见描述信息中问题主体较为固定,所以使用基于规则的方法即可。举例如下:
个人非信用卡业务:用户意见描述信息中包含“储蓄卡”、“借记卡”等。
个人信用卡业务:用户意见描述信息中包含“信用卡”、“贷款”等。
对公业务:用户意见描述信息中包含“对公账户”、“公司账户”等。
本发明实施例在将工单信息输入至业务类型对应的训练好的工单分类模型之前,步骤流程如图3所示,具体如下:
步骤301,获取业务类型对应的历史工单数据集。
需要说明的是,历史工单数据集包括分类标签。
步骤302,确定历史工单数据集对应的第一训练集以及第一测试集。
步骤303,根据第一训练集对文本分类模型TextCNN进行训练,得到多个候选工单分类模型。
步骤304,根据第一测试集确定多个候选工单分类模型分别对应的评估结果。
步骤305,根据评估结果对多个候选工单分类模型进行筛选,得到业务类型对应的训练好的工单分类模型。
本发明实施例中,TextCNN是利用卷积神经网络对文本进行分类的算法。步骤流程如图4所示,具体如下:
步骤401,对第一训练集进行分词后对分词构建词向量。
本发明实施例将自然语言数值化,提高了训练效率。
步骤402,对词向量做卷积,得到新的矩阵。
需要说明的是,卷积是对文本进行特征抽取。
步骤403,根据新的矩阵进行最大池化操作。
主要是从多个值中取一个最大值。该操作在保持主要特征的情况下,减少了参数的数目,进一步加速计算,同时降低了过拟合的风险。
步骤404,使用softmax进行分类。
将最大池化的结果拼接起来,送入到softmax中,得到各个类别的概率。根据预测结果以及分类标签计算损失函数,得到网络中需要更新参数梯度,来依次更新参数,完成一轮训练。
上述方案,根据历史工单数据集得到对应的第一训练集,采用TextCNN方法进行文本分类,提高了模型的有效性,提高了工单分类的效率及准确性。
本发明实施例中还提供了一种工单分类装置,如下面的实施例所述。该装置如图5所示,所述装置包括:
业务类型确定模块501,用于获取工单信息;所述工单信息包括用户意见描述信息;根据用户意见描述信息确定工单信息对应的业务类型;
分类模块502,用于将所述工单信息输入至业务类型对应的训练好的工单分类模型,得到所述工单信息对应的工单分类结果;其中,所述训练好的工单分类模型为利用历史工单数据集对文本分类模型TextCNN进行训练后得到。
本发明实施例中,所述业务类型确定模块501还用于:
在所述根据用户意见描述信息确定工单信息对应的业务类型之前,滤除用户意见描述信息中的停用词;
对用户意见描述信息进行分词。
本发明实施例中,所述分类模块502还用于:
在所述将所述工单信息输入至业务类型对应的训练好的工单分类模型之前,获取业务类型对应的历史工单数据集;所述历史工单数据集包括分类标签;
确定历史工单数据集对应的第一训练集以及第一测试集;
根据所述第一训练集对文本分类模型TextCNN进行训练,得到多个候选工单分类模型;
根据所述第一测试集确定所述多个候选工单分类模型分别对应的评估结果;
根据所述评估结果对所述多个候选工单分类模型进行筛选,得到业务类型对应的训练好的工单分类模型。
本发明实施例中,所述业务类型确定模块501具体用于:将用户意见描述信息与预设的词库进行匹配,确定工单信息对应的业务类型。
本发明实施例中,所述业务类型确定模块501具体用于:所述工单信息包括:工单号、用户名称、用户类型、所属机构、用户意见标识、用户意见描述信息及紧急等级。
本发明实施例中,所述业务类型确定模块501具体用于:所述业务类型包括:个人非信用卡业务、对公业务及个人信用卡业务。
由于该装置解决问题的原理与接口测绘方法相似,因此该装置的实施可以参见工单分类方法的实施,重复之处不再赘述。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述工单分类方法。
本发明实施例还提供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计算机程序,所述计算机程序被处理器执行时实现上述工单分类方法。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述工单分类方法。
本发明实施例中,获取工单信息;根据用户意见描述信息确定工单信息对应的业务类型;将所述工单信息输入至业务类型对应的训练好的工单分类模型,得到所述工单信息对应的工单分类结果;其中,所述训练好的工单分类模型为利用历史工单数据集对文本分类模型TextCNN进行训练后得到,与现有技术相比,根据用户意见描述信息确定工单信息对应的业务类型,确定用户意见描述信息所属大类,利用训练好的工单分类模型在进行工单具体的分类,提高了工单分类的效率及准确性,提升了用户体验。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种工单分类方法,其特征在于,包括:
获取工单信息;所述工单信息包括用户意见描述信息;
根据用户意见描述信息确定工单信息对应的业务类型;
将所述工单信息输入至业务类型对应的训练好的工单分类模型,得到所述工单信息对应的工单分类结果;
其中,所述训练好的工单分类模型为利用历史工单数据集对文本分类模型TextCNN进行训练后得到。
2.如权利要求1所述的工单分类方法,其特征在于,在所述根据用户意见描述信息确定工单信息对应的业务类型之前,还包括:
滤除用户意见描述信息中的停用词;
对用户意见描述信息进行分词。
3.如权利要求1所述的工单分类方法,其特征在于,在所述将所述工单信息输入至业务类型对应的训练好的工单分类模型之前,还包括:
获取业务类型对应的历史工单数据集;所述历史工单数据集包括分类标签;
确定历史工单数据集对应的第一训练集以及第一测试集;
根据所述第一训练集对文本分类模型TextCNN进行训练,得到多个候选工单分类模型;
根据所述第一测试集确定所述多个候选工单分类模型分别对应的评估结果;
根据所述评估结果对所述多个候选工单分类模型进行筛选,得到业务类型对应的训练好的工单分类模型。
4.如权利要求1所述的工单分类方法,其特征在于,所述根据用户意见描述信息确定工单信息对应的业务类型,包括:
将用户意见描述信息与预设的词库进行匹配,确定工单信息对应的业务类型。
5.如权利要求1所述的工单分类方法,其特征在于,所述工单信息包括:工单号、用户名称、用户类型、所属机构、用户意见标识、用户意见描述信息及紧急等级。
6.如权利要求1所述的工单分类方法,其特征在于,所述业务类型包括:个人非信用卡业务、对公业务及个人信用卡业务。
7.一种工单分类装置,其特征在于,包括:
业务类型确定模块,用于获取工单信息;所述工单信息包括用户意见描述信息;根据用户意见描述信息确定工单信息对应的业务类型;
分类模块,用于将所述工单信息输入至业务类型对应的训练好的工单分类模型,得到所述工单信息对应的工单分类结果;其中,所述训练好的工单分类模型为利用历史工单数据集对文本分类模型TextCNN进行训练后得到。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6任一所述方法。
9.一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计算机程序,所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至6任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310531314.3A CN116521878A (zh) | 2023-05-11 | 2023-05-11 | 工单分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310531314.3A CN116521878A (zh) | 2023-05-11 | 2023-05-11 | 工单分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116521878A true CN116521878A (zh) | 2023-08-01 |
Family
ID=87399222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310531314.3A Pending CN116521878A (zh) | 2023-05-11 | 2023-05-11 | 工单分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116521878A (zh) |
-
2023
- 2023-05-11 CN CN202310531314.3A patent/CN116521878A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110597964B (zh) | 一种双录质检语义分析方法、装置及双录质检系统 | |
US20210374749A1 (en) | User profiling based on transaction data associated with a user | |
CN113228008A (zh) | 从数据集有效去除个人信息 | |
CA3120412A1 (en) | An automated and dynamic method and system for clustering data records | |
CN110046648B (zh) | 基于至少一个业务分类模型进行业务分类的方法及装置 | |
Voican | Credit Card Fraud Detection using Deep Learning Techniques. | |
CN111462752A (zh) | 基于注意力机制、特征嵌入及bi-lstm的客户意图识别方法 | |
CN114549241A (zh) | 合同审查方法、装置、系统与计算机可读存储介质 | |
EP3514745A1 (en) | Transaction categorization system | |
CN114626731A (zh) | 风险识别方法、装置、电子设备及计算机可读存储介质 | |
CN111062834A (zh) | 纠纷案件实体识别方法、装置、计算机设备及存储介质 | |
CN115545886A (zh) | 逾期风险识别方法、装置、设备及存储介质 | |
US10922633B2 (en) | Utilizing econometric and machine learning models to maximize total returns for an entity | |
CN111274390A (zh) | 一种基于对话数据的情感原因确定方法及装置 | |
CN117290508A (zh) | 一种基于自然语言处理的贷后文本数据处理方法和系统 | |
CN112950347A (zh) | 资源数据处理的优化方法及装置、存储介质、终端 | |
CN112487186A (zh) | 一种人人对话日志分析方法、系统、设备及存储介质 | |
CN116071150A (zh) | 数据处理方法、银行产品推广、风控系统、服务器及介质 | |
CN109635289A (zh) | 词条分类方法及审计信息抽取方法 | |
CN115952186A (zh) | 一种问题数据及其链路追溯方法及装置 | |
CN116521878A (zh) | 工单分类方法及装置 | |
CN114495224A (zh) | 一种信贷风险确定方法及装置 | |
CN113887214A (zh) | 基于人工智能的意愿推测方法、及其相关设备 | |
CN115080732A (zh) | 投诉工单处理方法、装置、电子设备和存储介质 | |
CN110046200B (zh) | 文本可信模型分析方法、设备和装置 |
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 |