CN117272068A - 工单挂起判断方法、装置、介质及电子设备 - Google Patents

工单挂起判断方法、装置、介质及电子设备 Download PDF

Info

Publication number
CN117272068A
CN117272068A CN202311321868.7A CN202311321868A CN117272068A CN 117272068 A CN117272068 A CN 117272068A CN 202311321868 A CN202311321868 A CN 202311321868A CN 117272068 A CN117272068 A CN 117272068A
Authority
CN
China
Prior art keywords
work order
predicted
features
suspension
semantic
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
Application number
CN202311321868.7A
Other languages
English (en)
Inventor
王朝
孙佩霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Technology Innovation Center
China Telecom Corp Ltd
Original Assignee
China Telecom Technology Innovation Center
China Telecom Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Telecom Technology Innovation Center, China Telecom Corp Ltd filed Critical China Telecom Technology Innovation Center
Priority to CN202311321868.7A priority Critical patent/CN117272068A/zh
Publication of CN117272068A publication Critical patent/CN117272068A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/0633—Workflow analysis
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Machine Translation (AREA)

Abstract

本公开涉及计算机技术领域，具体涉及一种工单挂起判断方法、工单挂起判断装置、计算机可读存储介质及电子设备，包括：对待预测工单进行编码得到待预测工单高维语义特征，将待预测工单高维语义特征输入工单挂起原因预测模型；检索多个近邻工单特征，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征；获取各挂起原因的语义中心，获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离；基于空间距离与各挂起原因对应的距离判定阈值确定待预测工单对应的挂起原因，根据挂起原因确定是否对待预测工单进行挂起。通过本公开实施例的技术方案，可以解决工单挂起审核效率较差的问题。

Description

工单挂起判断方法、装置、介质及电子设备
技术领域
本公开涉及计算机技术领域，具体而言，涉及工单挂起判断方法、工单挂起判断装置、计算机可读存储介质及电子设备。
背景技术
随着软硬件的快速发展，运营商网络规模不断扩大，网络复杂程度也不断提高。
在业务逐渐积累的过程中，网络运维工单的数量持续增加，当遇到具有特殊情况的工单时，通常需要将其进行暂时性挂起，并对工单反馈信息进行合规性审查，这样做的目的是为了保证问题解决方向的正确性，避免产生错误决策，导致不佳的用户体验。
现有技术中，在工单挂起阶段，通常采用人工的方式进行审核。然而，人工审核的审核人员需要逐个查看工单，速度较慢，会导致网络运行成本直接或间接增加。另外，审核结果会受到审核人员的主观因素、经验因素影响而出现误判，审核结果的质量参差不齐。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种工单挂起判断方法、工单挂起判断装置、计算机可读存储介质及电子设备，可以解决工单挂起审核效率较差的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供了一种工单挂起判断方法，包括：获取待预测工单；对待预测工单进行编码得到待预测工单高维语义特征，将待预测工单高维语义特征输入工单挂起原因预测模型；其中，工单挂起原因预测模型中包括多个挂起原因对应的距离判定阈值；在待预测工单高维语义特征的邻域内检索多个近邻工单特征，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征；获取各挂起原因的语义中心，获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离；基于空间距离与各挂起原因对应的距离判定阈值确定待预测工单对应的挂起原因，根据挂起原因确定是否对待预测工单进行挂起。
在本公开的一种示例性实施例中，基于前述方案，在待预测工单高维语义特征的邻域内检索多个近邻工单特征，包括：对待预测工单高维语义特征进行迁移学习得到待预测显著性工单特征；在待预测显著性工单特征的邻域内检索多个近邻工单特征。
在本公开的一种示例性实施例中，基于前述方案，在待预测显著性工单特征的邻域内检索多个近邻工单特征，包括：对待预测显著性工单特征进行维度规约得到待预测显著性规约特征；其中，待预测显著性规约特征的维度与挂起原因的维度相同；在待预测显著性规约特征的邻域内检索多个近邻工单特征。
在本公开的一种示例性实施例中，基于前述方案，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征，包括：对各近邻工单特征进行去中心化处理，获取中心化处理后各近邻工单特征的贡献参与度；基于各近邻工单特征的贡献参与度将待预测工单高维语义特征与各邻近工单特征融合得到待预测增强语义工单特征。
在本公开的一种示例性实施例中，基于前述方案，根据挂起原因确定是否对待预测工单进行挂起，包括：在待预测工单具有挂起原因时，对待预测工单进行挂起；在待预测工单不具有挂起原因时，不对待预测工单进行挂起。
在本公开的一种示例性实施例中，基于前述方案，获取各挂起原因的语义中心，包括：获取各挂起原因的语义特征集合，基于质心感知策略对各挂起原因的语义特征集合进行处理得到各挂起原因的语义中心。
在本公开的一种示例性实施例中，基于前述方案，获取工单样本；其中，工单样本对应有挂起原因；对工单样本进行编码得到样本工单高维语义特征，将样本工单高维语义特征输入待训练模型；其中，待训练模型中包括多个神经网络参数，多个神经网络参数中包括多个挂起原因对应的距离判定阈值；在样本工单高维语义特征的邻域内检索多个样本近邻工单特征，基于样本工单高维语义特征与多个样本近邻工单特征得到样本增强语义工单特征；获取各挂起原因的语义中心，获取样本增强语义工单特征与各挂起原因的语义中心之间的空间距离；基于空间距离与各挂起原因对应的距离判定阈值确定工单样本对应的预测挂起原因；根据预测挂起原因与挂起原因对待训练模型的神经网络参数进行迭代更新，以训练得到工单挂起原因预测模型。
根据本公开的第二方面，提供了一种工单挂起判断装置，装置包括：工单获取模块，用于获取待预测工单；工单编码模块，用于对待预测工单进行编码得到待预测工单高维语义特征，将待预测工单高维语义特征输入工单挂起原因预测模型；其中，工单挂起原因预测模型中包括多个挂起原因对应的距离判定阈值；语义特征检索模块，用于在待预测工单高维语义特征的邻域内检索多个近邻工单特征，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征；空间距离计算模块，用于获取各挂起原因的语义中心，获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离；挂起判断模块，用于基于空间距离与各挂起原因对应的距离判定阈值确定待预测工单对应的挂起原因，根据挂起原因确定是否对待预测工单进行挂起。
根据本公开的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现如上述实施例中第一方面的工单挂起判断方法。
根据本公开的第四方面，提供了一种电子设备，包括：
一个或多个处理器；以及
存储器，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现如上述实施例中第一方面工单挂起判断方法。
本公开实施例提供的技术方案可以包括以下有益效果：
本公开的一种实施例提供的工单挂起判断方法中，当获取待预测工单，对待预测工单进行编码得到待预测工单高维语义特征，将待预测工单高维语义特征输入工单挂起原因预测模型，在待预测工单高维语义特征的邻域内检索多个近邻工单特征，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征，获取各挂起原因的语义中心，获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离，基于空间距离与各挂起原因对应的距离判定阈值确定待预测工单对应的挂起原因，根据挂起原因确定是否对待预测工单进行挂起。本公开的实施例，基于工单的挂起原因确定工单是否需要挂起，无需进行人工审核，且审核的效率较高，减少了网络运行成本，且通过预训练好的模型确定工单的挂起原因，能够避免人工审核中主观因素以及经验因素的影响，保证了审核结果的一致性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出了本公开示例性实施例中工单挂起判断方法示例性系统架构的示意图；
图2示意性示出了本公开示例性实施例中工单挂起判断方法的流程图；
图3示意性示出本公开示例性实施例中在待预测显著性工单特征的邻域内检索多个近邻工单特征的流程图；
图4示意性示出本公开示例性实施例中在待预测显著性规约特征的邻域内检索多个近邻工单特征的流程图；
图5示意性示出本公开示例性实施例中基于各近邻工单特征的贡献参与度将待预测工单高维语义特征与各邻近工单特征融合得到待预测增强语义工单特征的流程图；
图6示意性示出本公开示例性实施例中在待预测工单不具有挂起原因时，不对待预测工单进行挂起的流程图；
图7示意性示出本公开示例性实施例中根据预测挂起原因与挂起原因对待训练模型的神经网络参数进行迭代更新，以训练得到工单挂起原因预测模型的流程图；
图8示意性示出本公开示例性实施例中一种基于工单挂起原因预测模型的工单挂起判断的示意图；
图9示意性示出本公开示例性实施例中一种工单挂起判断装置的组成示意图；
图10示意性示出了适于用来实现本公开示例性实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参照附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本公开实施例的工单挂起判断方法示例性系统架构的示意图。
如图1所示，系统架构1000可以包括终端设备1001、1002、1003中的一种或多种，网络1004和服务器1005。网络1004用以在终端设备1001、1002、1003和服务器1005之间提供通信链路的介质。网络1004可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器1005可以是多个服务器组成的服务器集群等。
用户可以使用终端设备1001、1002、1003通过网络1004与服务器1005交互，以接收或发送消息等。终端设备1001、1002、1003可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等等。另外，服务器1005可以是提供各种服务的服务器。
在一种实施例中，本公开的工单挂起判断方法的执行主体可以是服务器1005，服务器1005可以获取由终端设备1001、1002、1003发送的待预测工单，对待预测工单进行编码得到待预测工单高维语义特征，将待预测工单高维语义特征输入工单挂起原因预测模型，在待预测工单高维语义特征的邻域内检索多个近邻工单特征，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征，获取各挂起原因的语义中心，获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离，基于空间距离与各挂起原因对应的距离判定阈值确定待预测工单对应的挂起原因，根据挂起原因确定是否对待预测工单进行挂起，以完成工单挂起判断的过程。此外，还可以通过终端设备1001、1002、1003等执行本公开的工单挂起判断方法，以实现获取待预测工单，对待预测工单进行编码得到待预测工单高维语义特征，将待预测工单高维语义特征输入工单挂起原因预测模型，在待预测工单高维语义特征的邻域内检索多个近邻工单特征，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征，获取各挂起原因的语义中心，获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离，基于空间距离与各挂起原因对应的距离判定阈值确定待预测工单对应的挂起原因，根据挂起原因确定是否对待预测工单进行挂起的过程。
此外，本公开工单挂起判断方法的实现过程还可以由终端设备1001、1002、1003和服务器1005共同实现。例如，终端设备1001、1002、1003可以获取待预测工单，对待预测工单进行编码得到待预测工单高维语义特征，将待预测工单高维语义特征输入工单挂起原因预测模型，在待预测工单高维语义特征的邻域内检索多个近邻工单特征，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征，再将得到的待预测增强语义工单特征发送给服务器1005，以使服务器1005可以获取各挂起原因的语义中心，获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离，基于空间距离与各挂起原因对应的距离判定阈值确定待预测工单对应的挂起原因，根据挂起原因确定是否对待预测工单进行挂起的过程。
随着软硬件的快速发展，运营商网络规模不断扩大，网络复杂程度也不断提高。
在业务逐渐积累的过程中，网络运维工单的数量持续增加，当遇到具有特殊情况的工单时，通常需要将其进行暂时性挂起，并对工单反馈信息进行合规性审查，这样做的目的是为了保证问题解决方向的正确性，避免产生错误决策，导致不佳的用户体验。
现有技术中，在工单挂起阶段，通常采用人工的方式进行审核。然而，人工审核的审核人员需要逐个查看工单，速度较慢，会导致网络运行成本直接或间接增加。另外，审核结果会受到审核人员的主观因素、经验因素影响而出现误判，审核结果的质量参差不齐。
根据本示例性实施例中所提供的工单挂起判断方法中，获取待预测工单，对待预测工单进行编码得到待预测工单高维语义特征，将待预测工单高维语义特征输入工单挂起原因预测模型，在待预测工单高维语义特征的邻域内检索多个近邻工单特征，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征，获取各挂起原因的语义中心，获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离，基于空间距离与各挂起原因对应的距离判定阈值确定待预测工单对应的挂起原因，根据挂起原因确定是否对待预测工单进行挂起。如图2所示，该工单挂起判断方法可以包括以下步骤：
步骤S210，获取待预测工单；
步骤S220，对待预测工单进行编码得到待预测工单高维语义特征，将待预测工单高维语义特征输入工单挂起原因预测模型；其中，工单挂起原因预测模型中包括多个挂起原因对应的距离判定阈值；
步骤S230，在待预测工单高维语义特征的邻域内检索多个近邻工单特征，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征；
步骤S240，获取各挂起原因的语义中心，获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离；
步骤S250，基于空间距离与各挂起原因对应的距离判定阈值确定待预测工单对应的挂起原因，根据挂起原因确定是否对待预测工单进行挂起。
本公开的一种实施例提供的工单挂起判断方法中，当获取待预测工单，对待预测工单进行编码得到待预测工单高维语义特征，将待预测工单高维语义特征输入工单挂起原因预测模型，在待预测工单高维语义特征的邻域内检索多个近邻工单特征，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征，获取各挂起原因的语义中心，获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离，基于空间距离与各挂起原因对应的距离判定阈值确定待预测工单对应的挂起原因，根据挂起原因确定是否对待预测工单进行挂起。本公开的实施例，基于工单的挂起原因确定工单是否需要挂起，无需进行人工审核，且审核的效率较高，减少了网络运行成本，且通过预训练好的模型确定工单的挂起原因，能够避免人工审核中主观因素以及经验因素的影响，保证了审核结果的一致性。
下面，将结合附图及实施例对本示例性实施例中的超分模型的训练的步骤S210～S250进行更详细的说明。
步骤S210，获取待预测工单；
在本公开的一种示例实施例中，可以获取待预测工单。具体的，待预测工单可以用于指示工单处理过程。在待预测工单中，可以包括挂起原因、挂起条件、工单描述等信息。需要说明的是，本公开对于待预测工单中的具体内容并不做特殊限定。
举例而言，待预测工单为“经检查，超温告警原因是空调压缩机损坏导致，已联系厂家进行上门更换，暂时申请挂单48小时”。
在本公开的一种示例实施例中，由于待预测工单的非结构化程度较高，在待预测工单中包括含有专业词汇，且待预测工单中的短语或句子都没有预设的排列方式，以及，待预测工单中还可以包括特殊字符等。因此，在获取待预测工单之后，可以对待预测工单进行数据清洗，得到适应工单挂起原因预测模型的数据。
需要说明的是，本公开对于对待预测工单进行数据清洗的具体方式并不做特殊限定。
步骤S220，对待预测工单进行编码得到待预测工单高维语义特征，将待预测工单高维语义特征输入工单挂起原因预测模型；
在本公开的一种示例实施例中，在通过上述步骤得到待预测工单之后，可以对待预测工单进行编码得到待预测工单高维语义特征。具体的，对待预测工单进行编码得到高维语义特征是指，将待预测工单中的文本数据映射到高维的向量空间中，并且向量空间中的每个维度都代表了某种语义信息或特征。
在本公开的一种示例实施例中，可以无监督学习的方式对待预测工单进行编码得到待预测工单高维语义特征。
举例而言，可以采用无监督PLM(Pre-trained Language Models)对待预测工单进行编码得到待预测工单高维语义特征。具体的，无监督PLM通过在大规模语料库上训练来学习词汇、句法和语义等语言的普遍规律，并将这些知识编码到模型中，实现文本数据向高维语义空间的映射编码过程。具体的，在无监督PLM中，可以包括tokenizer和transformer两部分，待预测工单先经过tokenizer(分词器)进行向量化编码，然后输入transformer(编码器)实得到待预测工单高维语义特征。
需要说明的是，本公开对于对待预测工单进行编码得到待预测工单高维语义特征的具体方式并不做特殊限定。
在本公开的一种示例实施例中，在通过上述步骤得到待预测工单高维语义特征之后，可以将待预测工单高维语义特征输入工单挂起原因预测模型。具体的，工单挂起原因预测模型是指用于实现工单挂起原因预测任务的模型，其中，工单挂起原因预测任务是指对工单的挂起原因进行预测的任务。
其中，工单挂起原因预测模型中包括多个挂起原因对应的距离判定阈值。具体的，对于不同的工单而言，可以对应有不同的挂起原因，可以将该些挂起原因映射至向量空间中，在向量空间中，不同的挂起原因具有不同的距离判定阈值。
举例而言，挂起原因可以为设备更换、网络检查、带宽修复、系统升级等。
需要说明的是，本公开对于挂起原因的类型并不做特殊限定。
步骤S230，在待预测工单高维语义特征的邻域内检索多个近邻工单特征，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征；
在本公开的一种示例实施例中，在通过上述步骤将待预测工单高维语义特征输入工单挂起原因预测模型之后，可以在待预测工单高维语义特征的邻域内检索多个近邻工单特征。具体的，在待预测工单高维语义特征的邻域内检索多个近邻工单特征，可以包括在整个向量空间中进行检索，查找与待预测工单特征在高维语义空间中相似或相关的其他近邻工单特征。具体而言，邻域检索可以通过计算待预测工单特征与其他工单特征之间的相似性或距离来实现。例如可以通过计算欧氏距离、余弦相似度等进行邻域检索。
需要说明的是，本公开对于在待预测工单高维语义特征的邻域内检索多个近邻工单特征的具体方式并不做特殊限定。
在本公开的一种示例实施例中，在通过上述步骤在待预测工单高维语义特征的邻域内检索多个近邻工单特征之后，可以基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征。具体的，近邻工单特征，可以用于指示上下文信息、关联信息或共享的语义属性，能够更好地理解待预测工单高维语义特征的语义信息。可以提高模型的准确性和泛化能力，并为后续的处理和分析提供更全面的信息。
具体而言，基于待预测工单高维语义特征与多个近邻工单特征得到的待预测增强语义工单特征，可以结合待预测工单本身的特征和与其相似或相关的邻近工单特征，以提升对待预测工单的表达能力，进而更具有区分度和鲁棒性。
在本公开的一种示例实施例中，可以将待预测工单高维语义特征与多个近邻工单特征进行融合，以得到待预测增强语义工单特征。
其中，将待预测工单高维语义特征与多个近邻工单特征进行融合的方式可以包括特征拼接、加权求和、特征差异化编码等。
需要说明的是，本公开对于基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征的具体方式并不做特殊限定。
步骤S240，获取各挂起原因的语义中心，获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离；
在本公开的一种示例实施例中，可以获取各挂起原因的语义中心。具体的，将该些挂起原因映射至向量空间中，在向量空间中，可以获取各挂起原因的语义中心。
具体而言，获取各挂起原因的语义中心是指，通过对挂起原因进行语义分析，找到每个挂起原因的中心点，该些中心点可以反映每个挂起原因的语义核心。可以使用无监督学习的方法，例如聚类算法，对挂起原因进行分组。首先，将所有的挂起原因转化为高维语义特征表示，可以使用文本编码模型、词向量模型等进行转换，再应用聚类算法(如层次聚类算法等)将挂起原因根据语义相似性划分为不同的簇，每个簇的中心点即为该簇内挂起原因的语义中心。
需要说明的是，本公开对于获取各挂起原因的语义中心的具体方式并不做特殊限定。
在本公开的一种示例实施例中，在通过上述步骤得到各挂起原因的语义中心之后，可以获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离。具体的，获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离，可以用于来衡量待预测工单与不同挂起原因之间的语义相似性或相关性，空间距离可以通过计算待预测增强语义工单特征与各挂起原因语义中心之间的欧氏距离、余弦相似度等方式进行度量。具体而言，待预测增强语义工单特征与某个挂起原因的语义中心之间的空间距离越近，则待预测增强语义工单特征与该挂起原因之间的语义相似性或相关性较高。
需要说明的是，本公开对于获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离的具体方式并不做特殊限定。
步骤S250，基于空间距离与各挂起原因对应的距离判定阈值确定待预测工单对应的挂起原因，根据挂起原因确定是否对待预测工单进行挂起。
在本公开的一种示例实施例中，在通过上述步骤得到待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离之后，可以基于空间距离与各挂起原因对应的距离判定阈值确定待预测工单对应的挂起原因。具体的，各挂起原因对应有距离判定阈值，在待预测增强语义工单特征与挂起原因的语义中心之间的空间距离小于或者等于该挂起原因对应的距离判定阈值，则可以表示该预测增强语义工单特征对应的待预测工单的挂起原因即为上述距离判定阈值对应的挂起原因。
在本公开的一种示例实施例中，可以根据挂起原因确定是否对待预测工单进行挂起。具体的，通过上述步骤输出了待预测工单的挂起原因之后，可以基于该挂起原因是否满足挂起条件，若满足挂起条件，则将上述待预测工单进行挂起；若不满足挂起条件，则不将上述待预测工单进行挂起。
需要说明的是，本公开对于根据挂起原因确定是否对待预测工单进行挂起的具体方式并不做特殊限定。
在本公开的一种示例实施例中，可以对待预测工单高维语义特征进行迁移学习得到待预测显著性工单特征，在待预测显著性工单特征的邻域内检索多个近邻工单特征。参照图3所示，在待预测显著性工单特征的邻域内检索多个近邻工单特征，可以包括以下步骤S310～S320：
步骤S310，对待预测工单高维语义特征进行迁移学习得到待预测显著性工单特征；
步骤S320，在待预测显著性工单特征的邻域内检索多个近邻工单特征。
在本公开的一种示例实施例中，在通过上述步骤得到待预测工单高维语义特征之后，可以对待预测工单高维语义特征进行迁移学习得到待预测显著性工单特征。具体的，迁移学习是一种机器学习方法，通过将已经学习到的知识和经验迁移到新任务中，以提高新任务的性能。可以利用预先训练好的模型(例如，在大规模语料库上进行训练的无监督语言模型)所学到的语义知识和特征表示。首先，将待预测工单的高维语义特征作为输入，然后应用迁移学习技术，将先前训练好的模型的参数或特征进行微调或适应，以适应工单挂起原因预测任务的要求。通过迁移学习后得到的待预测显著性工单特征与待预测工单的重要性、优先级或其他相关指标有关。迁移学习有助于捕捉待预测工单中与显著性相关的语义信息，并通过调整模型的参数来加强该些特征的表示能力。
在通过上述步骤对待预测工单高维语义特征进行迁移学习得到待预测显著性工单特征之后，可以在待预测显著性工单特征的邻域内检索多个近邻工单特征。
在本公开的一种示例实施例中，可以采用具备非线性拟合能力的多层TransferNet结构(transfer neural network，转移神经网络)对待预测工单高维语义特征进行迁移学习得到待预测显著性工单特征，其表达式如下：
xi＝TransferNet(AvgPool(PLM(ti)))
其中，xi为迁移学习得到的待预测显著性工单特征，PLM()为对待预测工单进行编码得到待预测工单高维语义特征的无监督模型，AvgPool()为池化层，ti为待预测工单高维语义特征。TransferNet结构中可以包括多个线性层、规范化层与激活函数层。
需要说明的是，本公开对于具备非线性拟合能力的多层TransferNet结构的具体结构形式并不做特殊限定。
通过上述步骤S310～S320，可以对待预测工单高维语义特征进行迁移学习得到待预测显著性工单特征，在待预测显著性工单特征的邻域内检索多个近邻工单特征。
在本公开的一种示例实施例中，可以对待预测显著性工单特征进行维度规约得到待预测显著性规约特征，在待预测显著性规约特征的邻域内检索多个近邻工单特征。参照图4所示，在待预测显著性规约特征的邻域内检索多个近邻工单特征，可以包括以下步骤S410～S420：
步骤S410，对待预测显著性工单特征进行维度规约得到待预测显著性规约特征；
步骤S420，在待预测显著性规约特征的邻域内检索多个近邻工单特征。
在本公开的一种示例实施例中，在通过上述步骤得到待预测显著性工单特征之后，可以对待预测显著性工单特征进行维度规约得到待预测显著性规约特征。其中，待预测显著性规约特征的维度与挂起原因的维度相同。具体的，维度规约后得到的待预测显著性规约特征的维度与挂起原因的维度相同，即在进行维度规约的过程中，需要调整待预测工单的语义特征，使其在挂起原因的数量的维度上得到归约或转化。可以通过现有的挂起原因分类模型或相关任务的知识，通过对待预测显著性工单特征进行引导和调整，使其更接近于多个挂起原因之一，维度归约可以用于将复杂的高维语义特征映射到较低维的挂起原因空间。
具体而言，对待预测显著性工单特征进行维度规约得到待预测显著性规约特征，可以使用监督学习的方法，如分类器或回归模型，根据已有的训练数据和标注信息来引导待预测工单的语义特征进行归约。通过训练一个模型，将待预测显著性工单特征映射到多个挂起原因的维度上，以实现对待预测显著性工单特征的维度规约。并在待预测显著性规约特征的邻域内检索多个近邻工单特征。
举例而言，对待预测工单进行编码得到待预测工单高维语义特征的维度为1*d，对待预测工单高维语义特征进行迁移学习得到的待预测显著性工单特征的维度也为1*d，假设存在K个挂起原因，经过one-hot编码后可以获得1*k向量，可以将待预测显著性工单特征的维度规约为1*k。
在本公开的一种示例实施例中，可以通过线性分类器对待预测显著性工单特征进行维度规约得到待预测显著性规约特征。
需要说明的是，本公开对于对待预测显著性工单特征进行维度规约得到待预测显著性规约特征的具体方式并不做特殊限定。
通过上述步骤S410～S420，可以对待预测显著性工单特征进行维度规约得到待预测显著性规约特征，在待预测显著性规约特征的邻域内检索多个近邻工单特征。
在本公开的一种示例实施例中，可以对各近邻工单特征进行去中心化处理，获取中心化处理后各近邻工单特征的贡献参与度，基于各近邻工单特征的贡献参与度将待预测工单高维语义特征与各邻近工单特征融合得到待预测增强语义工单特征。参照图5所示，基于各近邻工单特征的贡献参与度将待预测工单高维语义特征与各邻近工单特征融合得到待预测增强语义工单特征，可以包括以下步骤S510～S520：
步骤S510，对各近邻工单特征进行去中心化处理，获取中心化处理后各近邻工单特征的贡献参与度；
在本公开的一种示例实施例中，在通过上述步骤得到预测工单高维语义特征之后，可以对各近邻工单特征进行去中心化处理，获取中心化处理后各近邻工单特征的贡献参与度。具体的，对各近邻工单特征进行去中心化处理，表示在融合或比较这些近邻工单特征时，可以减去一个中心值或平均值，以使这些近邻工单特征相对于中心点的偏移量更具有代表性。
需要说明的是，本公开对于对各近邻工单特征进行去中心化处理的具体方式并不做特殊限定。
在本公开的一种示例实施例中，在对各近邻工单特征进行去中心化处理之后，可以获取中心化处理后各近邻工单特征的贡献参与度。具体的，近邻工单特征的贡献参与度可以用于指示每个特征在样本邻居中的重要程度或影响力。
具体而言，在对各近邻工单特征进行去中心化处理之后，可以获取各近邻工单特征经过处理后的特征值，然后计算每个特征值的绝对值或平方值，并计算每个特征值的参与贡献度，例如可以采用特征值的平均值、标准差、方差等进行计算，对于每个近邻工单特征，根据上述计算结果确定近邻工单特征的参与贡献度。
需要说明的是，本公开对于获取中心化处理后各近邻工单特征的贡献参与度的具体方式并不做特殊限定。
步骤S520，基于各近邻工单特征的贡献参与度将待预测工单高维语义特征与各邻近工单特征融合得到待预测增强语义工单特征。
在本公开的一种示例实施例中，在通过上述步骤得到各近邻工单特征的贡献参与度之后，可以基于各近邻工单特征的贡献参与度将待预测工单高维语义特征与各邻近工单特征融合得到待预测增强语义工单特征。具体的，可以将待预测工单的高维语义特征与其邻近工单的特征进行结合，在融合过程中，可以基于各样本近邻工单特征的贡献参与度作为权重进行加权求和，得到待预测增强语义工单特征。
在本公开的一种示例实施例中，在基于各近邻工单特征的贡献参与度将待预测工单高维语义特征与各邻近工单特征融合得到待预测增强语义工单特征时，可以对计算得到的贡献参与度进行归一化处理，确保其数值范围在合适的区间内，使用归一化后的贡献参与度作为权重，对各邻近工单特征进行加权融合，将融合后的特征向量与待预测工单高维语义特征融合，得到待预测增强语义工单特征。
在本公开的一种示例实施例中，在对各近邻工单特征进行去中心化处理之后，可以通过具备非线性拟合能力的WeightNet结构(weight neural network，权重神经网络)获取中心化处理后各近邻工单特征的贡献参与度，并基于各近邻工单特征的贡献参与度将待预测工单高维语义特征与各邻近工单特征融合得到待预测增强语义工单特征，其表达式如下：
其中，为待预测增强语义工单特征，xi为待预测工单高维语义特征，xj为近邻工单特征，M为近邻工单特征的数量，WeightNet()为权重神经网络，WeightNet结构中可以包括线性层，σ可选择为激活函数(Sigmoid、Tanh等)等作为归一化函数。
需要说明的是，本公开对于基于各近邻工单特征的贡献参与度将待预测工单高维语义特征与各邻近工单特征融合得到待预测增强语义工单特征的具体方式并不做特殊限定。
在本公开的一种示例实施例中，可以在待预测工单具有挂起原因时，对待预测工单进行挂起，在待预测工单不具有挂起原因时，不对待预测工单进行挂起。参照图6所示，在待预测工单不具有挂起原因时，不对待预测工单进行挂起，可以包括以下步骤S610～S620：
步骤S610，在待预测工单具有挂起原因时，对待预测工单进行挂起；
步骤S620，在待预测工单不具有挂起原因时，不对待预测工单进行挂起。
在本公开的一种示例实施例中，在通过上述步骤将待预测工单高维语义特征输入工单挂起原因预测模型之后，可以检测是否输出该待预测工单对应的挂起原因，在该待预测工单具有挂起原因时，则表示该待预测工单的挂起原因为多个挂起原因中的一个，则表示该待预测工单具有挂起需要；在该待预测工单未输出挂起原因时，则表示该待预测工单的挂起原因并非为多个挂起原因中的一个，则表示该待预测工单没有具有挂起的需要。
通过上述步骤S610～S620，可以在待预测工单具有挂起原因时，对待预测工单进行挂起，在待预测工单不具有挂起原因时，不对待预测工单进行挂起。
在本公开的一种示例实施例中，可以获取各挂起原因的语义特征集合，基于质心感知策略对各挂起原因的语义特征集合进行处理得到各挂起原因的语义中心。具体的，质心感知策略为一种分类方法。质心感知策略基于质心思想，它将每个类别视为一个簇，通过计算每个簇(类别)的质心(中心点)，然后根据样本与各个质心之间的距离来进行分类决策。具体而言，对于一个未知样本，质心感知策略会将其分配给与其距离最近的质心对应的类别。
需要说明的是，本公开对于基于质心感知策略对各挂起原因的语义特征集合进行处理得到各挂起原因的语义中心的具体方式并不做特殊限定。
在本公开的一种示例实施例中，获取工单样本，对工单样本进行编码得到样本工单高维语义特征，将样本工单高维语义特征输入待训练模型，在样本工单高维语义特征的邻域内检索多个样本近邻工单特征，基于样本工单高维语义特征与多个样本近邻工单特征得到样本增强语义工单特征，获取各挂起原因的语义中心，获取样本增强语义工单特征与各挂起原因的语义中心之间的空间距离，基于空间距离与各挂起原因对应的距离判定阈值确定工单样本对应的预测挂起原因，根据预测挂起原因与挂起原因对待训练模型的神经网络参数进行迭代更新，以训练得到工单挂起原因预测模型。参照图7所示，根据预测挂起原因与挂起原因对待训练模型的神经网络参数进行迭代更新，以训练得到工单挂起原因预测模型，可以包括以下步骤S710～S760：
步骤S710，获取工单样本；
在本公开的一种示例实施例中，可以获取工单样本。其中，工单样本对应有挂起原因。具体的，工单样本可以用于指示工单处理过程。在工单样本中，可以包括挂起原因、挂起条件、工单描述等信息。
在本公开的一种示例实施例中，由于工单样本的非结构化程度较高，在工单样本中包括含有专业词汇，且工单样本中的短语或句子都没有预设的排列方式，以及，工单样本中还可以包括特殊字符等。因此，在获取工单样本之后，可以对工单样本进行数据清洗。
在本公开的一种示例实施例中，可以将工单样本整理为以下结构：
1.Content1，Class1，Condition1；
2.Content2，Class2，Condition2；
…；
n.ContentN，ClassN，ConditionN。
其中，Content i用于指示工单描述，Class i用于指示挂起原因，Condition i用于指示挂起条件。
步骤S720，对工单样本进行编码得到样本工单高维语义特征，将样本工单高维语义特征输入待训练模型；
在本公开的一种示例实施例中，在通过上述步骤得到样本工单之后，可以对工单样本进行编码得到样本工单高维语义特征。具体的，对工单样本进行编码得到样本工单高维语义特征是指，将工单样本中的文本数据映射到高维的向量空间中，并且向量空间中的每个维度都代表了某种语义信息或特征。
在本公开的一种示例实施例中，可以无监督学习的方式对工单样本进行编码得到样本工单高维语义特征。
举例而言，可以采用无监督PLM(Pre-trained Language Models)对工单样本进行编码得到样本工单高维语义特征。具体的，无监督PLM通过在大规模语料库上训练来学习词汇、句法和语义等语言的普遍规律，并将这些知识编码到模型中，实现文本数据向高维语义空间的映射编码过程。
需要说明的是，本公开对于对工单样本进行编码得到样本工单高维语义特征的具体方式并不做特殊限定。
在本公开的一种示例实施例中，在通过上述步骤得到样本工单高维语义特征之后，可以将样本工单高维语义特征输入待训练模型。具体的，待训练模型是指未训练完成的模型，在训练完成之后，该模型可以用于实现工单挂起原因预测任务，工单挂起原因预测任务是指对工单样本的挂起原因进行预测的任务。
其中，其中，待训练模型中包括多个神经网络参数，多个神经网络参数中包括多个挂起原因对应的距离判定阈值。具体的，对于不同的工单而言，可以对应有不同的挂起原因，可以将该些挂起原因映射至向量空间中，在向量空间中，不同的挂起原因具有不同的距离判定阈值。在创建待训练模型时，可以对不同的挂起原因对应的距离判定阈值进行随机初始化，在训练的过程中，根据损失函数的计算进行动态调整。
在本公开的一种示例实施例中，待训练模型中可以包括多个隐层，隐层中可以包括卷积层、归一化层、激励层等。可以将样本工单高维语义特征输入待训练模型的多个隐层中，得到隐层计算结果，通过隐层计算结果得到预测挂起原因。
步骤S730，在样本工单高维语义特征的邻域内检索多个样本近邻工单特征，基于样本工单高维语义特征与多个样本近邻工单特征得到样本增强语义工单特征；
在本公开的一种示例实施例中，在通过上述步骤将样本工单高维语义特征输入待训练模型之后，可以在待预测样本工单高维语义特征的邻域内检索多个样本近邻工单特征。具体的，在待预测样本工单高维语义特征的邻域内检索多个样本近邻工单特征，可以包括在整个向量空间中进行检索，查找与待预测工单特征在高维语义空间中相似或相关的其他样本近邻工单特征。具体而言，邻域检索可以通过计算待预测工单特征与其他工单特征之间的相似性或距离来实现。例如可以通过计算欧氏距离、余弦相似度等进行邻域检索。
需要说明的是，本公开对于在待预测样本工单高维语义特征的邻域内检索多个样本近邻工单特征的具体方式并不做特殊限定。
在本公开的一种示例实施例中，在通过上述步骤在待预测样本工单高维语义特征的邻域内检索多个样本近邻工单特征之后，可以基于待预测样本工单高维语义特征与多个样本近邻工单特征得到样本增强语义工单特征。具体的，样本近邻工单特征，可以用于指示上下文信息、关联信息或共享的语义属性，能够更好地理解待预测样本工单高维语义特征的语义信息。可以提高模型的准确性和泛化能力，并为后续的处理和分析提供更全面的信息。
具体而言，基于待预测样本工单高维语义特征与多个样本近邻工单特征得到的样本增强语义工单特征，可以结合待预测工单本身的特征和与其相似或相关的邻近工单特征，以提升对待预测工单的表达能力，进而更具有区分度和鲁棒性。
在本公开的一种示例实施例中，可以将待预测样本工单高维语义特征与多个样本近邻工单特征进行融合，以得到样本增强语义工单特征。
其中，将待预测样本工单高维语义特征与多个样本近邻工单特征进行融合的方式可以包括特征拼接、加权求和、特征差异化编码等。
需要说明的是，本公开对于基于待预测样本工单高维语义特征与多个样本近邻工单特征得到样本增强语义工单特征的具体方式并不做特殊限定。
步骤S740，获取各挂起原因的语义中心，获取样本增强语义工单特征与各挂起原因的语义中心之间的空间距离；
在本公开的一种示例实施例中，可以获取各挂起原因的语义中心。具体的，将该些挂起原因映射至向量空间中，在向量空间中，可以获取各挂起原因的语义中心。
具体而言，获取各挂起原因的语义中心是指，通过对挂起原因进行语义分析，找到每个挂起原因的中心点，该些中心点可以反映每个挂起原因的语义核心。可以使用无监督学习的方法，例如聚类算法，对挂起原因进行分组。首先，将所有的挂起原因转化为高维语义特征表示，可以使用文本编码模型、词向量模型等进行转换，再应用聚类算法(如层次聚类算法等)将挂起原因根据语义相似性划分为不同的簇，每个簇的中心点即为该簇内挂起原因的语义中心。
需要说明的是，本公开对于获取各挂起原因的语义中心的具体方式并不做特殊限定。
在本公开的一种示例实施例中，在通过上述步骤得到各挂起原因的语义中心之后，可以获取样本增强语义工单特征与各挂起原因的语义中心之间的空间距离。具体的，获取样本增强语义工单特征与各挂起原因的语义中心之间的空间距离，可以用于来衡量待预测工单与不同挂起原因之间的语义相似性或相关性，空间距离可以通过计算样本增强语义工单特征与各挂起原因语义中心之间的欧氏距离、余弦相似度等方式进行度量。具体而言，样本增强语义工单特征与某个挂起原因的语义中心之间的空间距离越近，则样本增强语义工单特征与该挂起原因之间的语义相似性或相关性较高。
需要说明的是，本公开对于获取样本增强语义工单特征与各挂起原因的语义中心之间的空间距离的具体方式并不做特殊限定。
步骤S750，基于空间距离与各挂起原因对应的距离判定阈值确定工单样本对应的预测挂起原因；
在本公开的一种示例实施例中，在通过上述步骤得到样本增强语义工单特征与各挂起原因的语义中心之间的空间距离之后，可以基于空间距离与各挂起原因对应的距离判定阈值确定工单样本对应的预测挂起原因。具体的，各挂起原因对应有距离判定阈值，在样本增强语义工单特征与挂起原因的语义中心之间的空间距离小于或者等于该挂起原因对应的距离判定阈值，则可以表示该样本增强语义工单特征对应的工单样本的预测挂起原因即为上述距离判定阈值对应的挂起原因。
步骤S760，根据预测挂起原因与挂起原因对待训练模型的神经网络参数进行迭代更新，以训练得到工单挂起原因预测模型。
在本公开的一种示例实施例中，在通过上述步骤得到预测挂起原因以及工单样本对应的挂起原因之后，可以根据预测挂起原因与挂起原因对待训练模型的神经网络参数进行迭代更新，以训练得到工单挂起原因预测模型。
具体的，预测挂起原因可以用于指示工单样本的挂起原因(预存)。预测挂起原因为预测值，此时可以获取该工单样本对应的真实值，即挂起原因，该挂起原因可以用于指示工单样本的真实挂起原因。此时，可以将预测挂起原因(预测值)与挂起原因(真实值)进行比较，得到预测挂起原因(预测值)与挂起原因(真实值)的预测差值，并根据该预测差值对待训练模型的神经网络参数进行更新，以得到工单挂起原因预测模型。
具体的，待训练模型的神经网络参数可以包括模型层数、特征向量通道数、学习率等，在根据该预测差值对待训练模型的神经网络参数进行更新时，可以对待训练模型的模型层数、特征向量通道数、学习率进行更新，以训练工单挂起原因预测模型。
在本公开的一种示例实施例中，可以通过反向传播算法对待训练模型的神经网络参数进行更新，在训练结束后，得到工单挂起原因预测模型。
需要说明的是，本公开对于根据预测挂起原因与挂起原因对待训练模型的神经网络参数进行迭代更新，以训练得到工单挂起原因预测模型的具体方式并不做特殊限定。
在本公开的一种示例实施例中，可以根据预测挂起原因与挂起原因对待训练模型的神经网络参数进行迭代更新，在待训练模型满足收敛条件时，将待训练模型确定为工单挂起原因预测模型。具体的，待训练模型满足收敛条件是指，待训练模型的预测准确性较高，可以进行应用。举例而言，收敛条件可以包括训练次数，例如当待训练模型训练N次后，结束训练；再如，收敛条件可以包括训练时长，例如当待训练模型训练T时长后，结束训练。
需要说明的是，本公开对于收敛条件的具体内容并不做特殊限定，通过对模型施加收敛条件，能够更好的控制待训练模型的训练进程，避免神经网络过度训练的问题，从而提升待训练模型的训练效率。
在本公开的一种示例实施例中，可以采用具备非线性拟合能力的多层TransferNet结构对样本工单高维语义特征进行迁移学习得到样本显著性工单特征，其表达式如下：
xi＝TransferNet(AvgPool(PLM(ti)))
其中，xi为迁移学习得到的样本显著性工单特征，PLM()为对工单样本进行编码得到样本工单高维语义特征的无监督模型，AvgPool()为池化层，ti为样本工单高维语义特征。TransferNet结构中可以包括多个线性层、规范化层与激活函数层。
并对样本显著性工单特征进行维度规约得到样本显著性规约特征，在模型训练的过程中，可以引入损失函数Lr对模型训练进行监督，损失函数的具体表达式如下：
其中，N为样本工单的数量，K为多个挂起原因的数量，xi为样本显著性工单特征，()为线性分类器，用于对样本显著性工单特征进行维度规约，/>为一个softmax函数(激活函数)。
在对样本显著性工单特征进行维度规约得到样本显著性规约特征之后，可以在样本显著性规约特征的邻域内检索多个样本近邻工单特征。具体的，可以设定度量阈值τ，在所有工单样本的向量空间内检索样本显著性规约特征的预设数量个(M个)样本近邻工单特征。
接着，通过具备非线性拟合能力的WeightNet结构获取中心化处理后各样本近邻工单特征的贡献参与度，并基于各样本近邻工单特征的贡献参与度将样本显著性规约特征与各邻近工单特征融合得到样本增强语义工单特征，其表达式如下：
其中，为样本增强语义工单特征，xi为样本显著性规约特征，xj为样本近邻工单特征，M为样本近邻工单特征的数量，WeightNet()为权重神经网络，WeightNet结构中可以包括线性层，σ可选择为激活函数(例如Sigmoid、Tanh等)等作为归一化函数。具体而言，使用WeightNet进行学习不同样本近邻工单特征的贡献，并使用σ函数归一化处理得到一个注意力权重，按照权重对每个样本近邻工单特征的贡献进行量化，最后取均值并进行加和得到样本增强语义工单特征，完成了基于注意力机制的语义特征聚合。
然后，获取各挂起原因的语义中心。具体的，针对K个挂起原因的语义特征集合其中，/>是样本增强语义工单特征，yi是样本近邻特征，Rk就是某挂起原因的所有/>的集合，可以基于质心感知策略对各挂起原因的语义特征集合进行处理得到各挂起原因的语义中心。
在训练过程中，设定挂起原因对应的距离判定阈值为待训练模型的可学习参数，并根据数据集的真实分布情况在训练过程中对挂起原因对应的距离判定阈值进行端到端的动态调整，端到端的动态调整能够直接学习输入数据到输出结果的映射，避免了人为地划分子问题其符合如下表达式：
其中，是样本增强语义工单特征，Rk就是某挂起原因的所有/>的集合，yi是样本近邻特征，ck是该挂起原因的语义中心，δk该挂起原因对应的距离判定阈值。
在训练过程中，应保证正样本空间(挂起原因满足挂起条件)与负样本空间(挂起原因未满足挂起条件)之间的距离判定阈值能够对不同类别样本均维持较为鲁棒的区分度。在模型训练的过程中，对于影响特征空间划分方式的关键参数距离判定阈值δk，可以引入损失函数Lb对模型训练进行监督，损失函数的具体表达式如下：
其中，N为样本工单的数量，是第i个工单样本对应的样本增强语义工单特征，cyi为第i个工单样本对应的挂起原因的语义中心，δyi为第i个工单样本对应的挂起原因的距离判定阈值，Zi为正负样本的标记，1为正样本，0为负样本。
在对待训练模型的神经网络参数进行迭代更新的过程中，可以基于上述损失函数Lr与损失函数Lb的监督下进行训练。具体而言，即采用该两个损失函数同时对待训练模型进行训练，需使得满足挂起条件的样本被约束在已知空间内，相反，不满足挂起条件的样本则被隔离在距离判定阈值之外，其符合如下表达式：
其中，是第i个工单样本对应的样本增强语义工单特征，ck为第k个挂起原因的语义中心，δk为第k个挂起原因的对应距离判定阈值，K为所有挂起原因的集合。
在本公开的一种示例实施例中，对于挂起原因未满足挂起条件的工单样本，可以使用macro F1-score(度量多类分类模型性能的指标，基于F1-score的平均计算方法)进行模型的性能度量。
通过本实施例的方案，能够借助蕴含领域知识的PLM实现显著性文本特征学习，在所学特征的邻域内，能够进行空间上下文的特征聚合，增强类内相关特征的表达能力，可以自动学习到特征空间内各挂起原因对应的距离判定阈值，保证正样本被有效约束，而负样本被完全分隔，保证了对不同类别样本均维持较为鲁棒的区分度。
在本公开的一种示例实施例中，如图8所示，为一种基于工单挂起原因预测模型的工单挂起判断的示意图。具体的，可以从领域知识库中筛选挂起原因语料，并基于挂起原因语料预训练无监督PLM，该无监督PLM可以用于对待预测工单进行编码得到待预测工单高维语义特征，在得到待预测工单高维语义特征之后，可以将待预测工单高维语义特征输入工单挂起原因预测模型，对待预测工单高维语义特征进行迁移学习得到待预测显著性工单特征801，在待预测显著性工单特征的邻域内检索多个近邻工单特征，基于待预测显著性工单特征与多个近邻工单特征得到待预测增强语义工单特征802，获取各挂起原因的语义中心，获取待预测增强语义工单特征与各挂起原因的语义中心805之间的空间距离，进行特征空间的自适应分割，即基于空间距离与各挂起原因对应的距离判定阈值804确定待预测增强语义工单特征对应的挂起原因(即待预测增强语义工单特征是否在挂起原因对应的判别边界803内，挂起原因对应的判别边界基于挂起原因对应的距离判定阈值确定)，以此确定待预测工单对应的挂起原因。
本公开的一种实施例提供的工单挂起判断方法中，当获取待预测工单，对待预测工单进行编码得到待预测工单高维语义特征，将待预测工单高维语义特征输入工单挂起原因预测模型，在待预测工单高维语义特征的邻域内检索多个近邻工单特征，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征，获取各挂起原因的语义中心，获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离，基于空间距离与各挂起原因对应的距离判定阈值确定待预测工单对应的挂起原因，根据挂起原因确定是否对待预测工单进行挂起。本公开的实施例，基于工单的挂起原因确定工单是否需要挂起，无需进行人工审核，且审核的效率较高，减少了网络运行成本，且通过预训练好的模型确定工单的挂起原因，能够避免人工审核中主观因素以及经验因素的影响，保证了审核结果的一致性。
需要注意的是，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
此外，在本公开的示例性实施方式中，还提供了一种工单挂起判断装置。参照图9所示，一种工单挂起判断装置900包括：工单获取模块910，工单编码模块920、语义特征检索模块930、空间距离计算模块940、挂起判断模块950。
其中，工单获取模块，用于获取待预测工单；工单编码模块，用于对待预测工单进行编码得到待预测工单高维语义特征，将待预测工单高维语义特征输入工单挂起原因预测模型；其中，工单挂起原因预测模型中包括多个挂起原因对应的距离判定阈值；语义特征检索模块，用于在待预测工单高维语义特征的邻域内检索多个近邻工单特征，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征；空间距离计算模块，用于获取各挂起原因的语义中心，获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离；挂起判断模块，用于基于空间距离与各挂起原因对应的距离判定阈值确定待预测工单对应的挂起原因，根据挂起原因确定是否对待预测工单进行挂起。
在本公开的一种示例性实施例中，基于前述方案，在待预测工单高维语义特征的邻域内检索多个近邻工单特征，装置还包括：待预测显著性工单特征获取单元，用于对待预测工单高维语义特征进行迁移学习得到待预测显著性工单特征；第一检索单元用于在待预测显著性工单特征的邻域内检索多个近邻工单特征。
在本公开的一种示例性实施例中，基于前述方案，在待预测显著性工单特征的邻域内检索多个近邻工单特征，装置还包括：待预测显著性规约特征获取单元，用于对待预测显著性工单特征进行维度规约得到待预测显著性规约特征；其中，待预测显著性规约特征的维度与挂起原因的维度相同；第二检索单元，用于在待预测显著性规约特征的邻域内检索多个近邻工单特征。
在本公开的一种示例性实施例中，基于前述方案，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征，装置还包括：贡献参与度计算单元，用于对各近邻工单特征进行去中心化处理，获取中心化处理后各近邻工单特征的贡献参与度；融合单元，用于基于各近邻工单特征的贡献参与度将待预测工单高维语义特征与各邻近工单特征融合得到待预测增强语义工单特征。
在本公开的一种示例性实施例中，基于前述方案，根据挂起原因确定是否对待预测工单进行挂起，装置还包括：第一判断单元，用于在待预测工单具有挂起原因时，对待预测工单进行挂起；第二判断单元，用于在待预测工单不具有挂起原因时，不对待预测工单进行挂起。
在本公开的一种示例性实施例中，基于前述方案，获取各挂起原因的语义中心，装置还包括：语义中心获取单元，用于获取各挂起原因的语义特征集合，基于质心感知策略对各挂起原因的语义特征集合进行处理得到各挂起原因的语义中心。
由于本公开的示例实施例的工单挂起判断装置的各个功能模块与上述工单挂起判断方法的示例实施例的步骤对应，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的工单挂起判断方法的实施例。
应当注意，尽管在上文详细描述中提及了用于工单挂起判断装置的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述工单挂起判断方法的电子设备。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。
下面参照图10来描述根据本公开的这种实施例的电子设备1000。图10显示的电子设备1000仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示，电子设备1000以通用计算设备的形式表现。电子设备1000的组件可以包括但不限于：上述至少一个处理单元1010、上述至少一个存储单元1020、连接不同系统组件(包括存储单元1020和处理单元1010)的总线1030、显示单元1040。
其中，存储单元存储有程序代码，程序代码可以被处理单元1010执行，使得处理单元1010执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如，处理单元1010可以执行如图2中所示的步骤S210，获取待预测工单；步骤S220，对待预测工单进行编码得到待预测工单高维语义特征，将待预测工单高维语义特征输入工单挂起原因预测模型；其中，工单挂起原因预测模型中包括多个挂起原因对应的距离判定阈值；步骤S230，在待预测工单高维语义特征的邻域内检索多个近邻工单特征，基于待预测工单高维语义特征与多个近邻工单特征得到待预测增强语义工单特征；步骤S240，获取各挂起原因的语义中心，获取待预测增强语义工单特征与各挂起原因的语义中心之间的空间距离；步骤S250，基于空间距离与各挂起原因对应的距离判定阈值确定待预测工单对应的挂起原因，根据挂起原因确定是否对待预测工单进行挂起。
存储单元1020可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)1021和/或高速缓存存储单元1022，还可以进一步包括只读存储单元(ROM)1023。
存储单元1020还可以包括具有一组(至少一个)程序模块1025的程序/实用工具1024，这样的程序模块1025包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1030可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1000也可以与一个或多个外部设备1070(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1000交互的设备通信，和/或与使得该电子设备1000能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1050进行。并且，电子设备1000还可以通过网络适配器1060与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1060通过总线1030与电子设备1000的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1000使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，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设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

Claims (10)

1.一种工单挂起判断方法，其特征在于，所述方法包括：
获取待预测工单；
对所述待预测工单进行编码得到待预测工单高维语义特征，将所述待预测工单高维语义特征输入工单挂起原因预测模型；其中，所述工单挂起原因预测模型中包括多个挂起原因对应的距离判定阈值；
在所述待预测工单高维语义特征的邻域内检索多个近邻工单特征，基于所述待预测工单高维语义特征与多个所述近邻工单特征得到待预测增强语义工单特征；
获取各挂起原因的语义中心，获取所述待预测增强语义工单特征与各所述挂起原因的语义中心之间的空间距离；
基于所述空间距离与各所述挂起原因对应的距离判定阈值确定所述待预测工单对应的挂起原因，根据所述挂起原因确定是否对所述待预测工单进行挂起。
2.根据权利要求1所述的方法，其特征在于，所述在所述待预测工单高维语义特征的邻域内检索多个近邻工单特征，包括：
对所述待预测工单高维语义特征进行迁移学习得到待预测显著性工单特征；
在所述待预测显著性工单特征的邻域内检索多个近邻工单特征。
3.根据权利要求2所述的方法，其特征在于，所述在所述待预测显著性工单特征的邻域内检索多个近邻工单特征，包括：
对所述待预测显著性工单特征进行维度规约得到待预测显著性规约特征；其中，所述待预测显著性规约特征的维度与所述挂起原因的维度相同；
在所述待预测显著性规约特征的邻域内检索多个近邻工单特征。
4.根据权利要求1所述的方法，其特征在于，所述基于所述待预测工单高维语义特征与多个所述近邻工单特征得到待预测增强语义工单特征，包括：
对各所述近邻工单特征进行去中心化处理，获取中心化处理后各所述近邻工单特征的贡献参与度；
基于各所述近邻工单特征的贡献参与度将所述待预测工单高维语义特征与各所述邻近工单特征融合得到待预测增强语义工单特征。
5.根据权利要求1所述的方法，其特征在于，所述根据所述挂起原因确定是否对所述待预测工单进行挂起，包括：
在所述待预测工单具有挂起原因时，对所述待预测工单进行挂起；
在所述待预测工单不具有挂起原因时，不对所述待预测工单进行挂起。
6.根据权利要求1所述的方法，其特征在于，所述获取各挂起原因的语义中心，包括：
获取各挂起原因的语义特征集合，基于质心感知策略对各所述挂起原因的语义特征集合进行处理得到各所述挂起原因的语义中心。
7.根据权利要求1所述的方法，其特征在于，所述方法包括：
获取工单样本；其中，所述工单样本对应有挂起原因；
对所述工单样本进行编码得到样本工单高维语义特征，将所述样本工单高维语义特征输入待训练模型；其中，所述待训练模型中包括多个神经网络参数，多个所述神经网络参数中包括多个所述挂起原因对应的距离判定阈值；
在所述样本工单高维语义特征的邻域内检索多个样本近邻工单特征，基于所述样本工单高维语义特征与多个所述样本近邻工单特征得到样本增强语义工单特征；
获取各挂起原因的语义中心，获取所述样本增强语义工单特征与各挂起原因的语义中心之间的空间距离；
基于所述空间距离与各挂起原因对应的距离判定阈值确定所述工单样本对应的预测挂起原因；
根据所述预测挂起原因与所述挂起原因对所述待训练模型的神经网络参数进行迭代更新，以训练得到工单挂起原因预测模型。
8.一种工单挂起判断装置，其特征在于，包括：
工单获取模块，用于获取待预测工单；
工单编码模块，用于对所述待预测工单进行编码得到待预测工单高维语义特征，将所述待预测工单高维语义特征输入工单挂起原因预测模型；其中，所述工单挂起原因预测模型中包括多个挂起原因对应的距离判定阈值；
语义特征检索模块，用于在所述待预测工单高维语义特征的邻域内检索多个近邻工单特征，基于所述待预测工单高维语义特征与多个所述近邻工单特征得到待预测增强语义工单特征；
空间距离计算模块，用于获取各挂起原因的语义中心，获取所述待预测增强语义工单特征与各所述挂起原因的语义中心之间的空间距离；
挂起判断模块，用于基于所述空间距离与各所述挂起原因对应的距离判定阈值确定所述待预测工单对应的挂起原因，根据所述挂起原因确定是否对所述待预测工单进行挂起。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1～7中任一项所述的方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；以及
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一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1～7中任一项所述的方法。
CN202311321868.7A 2023-10-12 2023-10-12 工单挂起判断方法、装置、介质及电子设备 Pending CN117272068A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311321868.7A CN117272068A (zh) 2023-10-12 2023-10-12 工单挂起判断方法、装置、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311321868.7A CN117272068A (zh) 2023-10-12 2023-10-12 工单挂起判断方法、装置、介质及电子设备

Publications (1)

Publication Number Publication Date
CN117272068A true CN117272068A (zh) 2023-12-22

Family

ID=89206074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311321868.7A Pending CN117272068A (zh) 2023-10-12 2023-10-12 工单挂起判断方法、装置、介质及电子设备

Country Status (1)

Country Link
CN (1) CN117272068A (zh)

Similar Documents

Publication Publication Date Title
CN110674880B (zh) 用于知识蒸馏的网络训练方法、装置、介质与电子设备
WO2021174757A1 (zh) 语音情绪识别方法、装置、电子设备及计算机可读存储介质
CN112507628B (zh) 基于深度双向语言模型的风险预测方法、装置和电子设备
CN108108743B (zh) 异常用户识别方法和用于识别异常用户的装置
CN110705255B (zh) 检测语句之间的关联关系的方法和装置
US20230018960A1 (en) Systems and methods of assigning a classification to a state or condition of an evaluation target
CN113704389A (zh) 一种数据评估方法、装置、计算机设备及存储介质
CN111191825A (zh) 用户违约预测方法、装置及电子设备
CN114298050A (zh) 模型的训练方法、实体关系抽取方法、装置、介质、设备
CN111950294A (zh) 一种基于多参数K-means算法的意图识别方法、装置和电子设备
CN115269786B (zh) 可解释的虚假文本检测方法、装置、存储介质以及终端
CN113434683A (zh) 文本分类方法、装置、介质及电子设备
CN111191893A (zh) 风控文本处理方法、装置及电子设备
WO2023063486A1 (ko) 기계학습모델의 생성 방법 및 그 장치
CN112966509B (zh) 文本质量评估方法、装置、存储介质及计算机设备
CN113591998A (zh) 分类模型的训练和使用方法、装置、设备以及存储介质
CN114078203A (zh) 一种基于改进pate的图像识别方法和系统
CN118133839A (zh) 基于语义信息推理和跨模态交互的图文检索方法及系统
US20220198274A1 (en) Method and system for unstructured information analysis using a pipeline of ml algorithms
CN111403028B (zh) 医疗文本分类方法及装置、存储介质、电子设备
CN117391497A (zh) 一种新闻稿件质量主客观评分一致性评价方法及系统
Hao et al. Deep collaborative online learning resource recommendation based on attention mechanism
CN113448821A (zh) 一种识别工程缺陷的方法和装置
CN117272068A (zh) 工单挂起判断方法、装置、介质及电子设备
CN110472140B (zh) 对象词推荐方法、装置及电子设备

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