WO2024002216A1

WO2024002216A1 - 一种服务问题归因方法及装置

Info

Publication number: WO2024002216A1
Application number: PCT/CN2023/103688
Authority: WO
Inventors: 付磊; 汪安辉; 徐志远; 尹帅星; 梁玉林
Original assignee: 拉扎斯网络科技（上海）有限公司
Priority date: 2022-06-29
Filing date: 2023-06-29
Publication date: 2024-01-04
Also published as: CN115062605A

Abstract

本申请实施例提供一种服务问题归因方法及装置，该方法采用服务问题归因模型分析待分析文本数据对应的服务问题分类结果。服务问题归因模型根据待分析文本数据，和与待分析文本数据相关的服务知识图谱，分析获得针对待分析文本数据的服务问题分类结果。上述方法中提供的服务问题归因模型，将待分析文本数据和与待分析文本数据相关的服务知识图谱一起作为输入信息，服务知识图谱能获取待分析文本数据中的服务信息的属性信息，从而提升对待分析文本数据的语言表达逻辑的理解度。基于服务知识图谱有助于提升服务问题归因模型确定待分析文本数据的语言表达逻辑的准确度，服务问题归因模型对待分析文本数据匹配服务问题分类结果的准确度也得到提升。

Description

一种服务问题归因方法及装置

技术领域

本申请涉及计算机技术领域，具体涉及服务问题归因方法和装置、电子设备及计算机存储介质，服务问题归因模型的训练方法和装置、电子设备及计算机存储介质。

背景技术

目前，商家在线上平台为用户提供各种服务，用户使用该服务后，在线上平台针对该服务进行评价。线上平台为了快速分析用户提供的针对服务信息的评价信息中存在的问题，使用分析模型分析用户提供的评价信息，识别该评价信息对应的问题类型。

现有技术中，上述分析商户服务信息的问题类型的方法通常存在识别结果错误，识别准确度偏低的问题。因此，如何提升分析评价信息中的问题类型的准确率是需要解决的问题。

发明内容

本申请实施例提供一种服务问题归因方法，包括：获得针对服务信息的待分析文本数据；将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果；其中，所述服务问题归因模型用于根据所述待分析文本数据和与所述待分析文本数据相关的服务知识图谱，获得针对所述待分析文本数据的服务问题分类结果。

可选的，所述将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果，包括：将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的第一嵌入向量，所述第一嵌入向量包括待分析文本数据嵌入向量和与所述待分析文本数据相关的服务知识图谱嵌入向量；根据所述第一嵌入向量，获取所述待分析文本数据对应的服务问题分类结果。

可选的，所述将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的第一嵌入向量，包括：将所述待分析文本数据输入到所述服务问题归因模型中，获得待分析文本数据嵌入向量；根据所述待分析文本数据嵌入向量，查询与所述待分析文本数据嵌入向量相关联的服务知识图谱嵌入向量；根据所述待分析文本数据嵌入向量和所述服务知识图谱嵌入向量，获得针对所述待分析文本数据的第一嵌入向量。

可选的，所述根据所述第一嵌入向量，获取所述待分析文本数据对应的服务问题分类结果，包括：根据所述第一嵌入向量，获取所述待分析文本数据的特征信息；根据所述待分析文本数据的特征信息，在所述服务问题归因模型的服务问题分类列表中查询与所述待分析文本数据的特征信息匹配的目标服务问题分类结果，作为所述待分析文本数据对应的服务问题分类结果。

可选的，所述根据所述待分析文本数据的特征信息，在所述服务问题归因模型的服务问题分类列表中查询与所述待分析文本数据的特征信息匹配的目标服务问题分类结果，作为所述待分析文本数据对应的服务问题分类结果，包括：获取所述服务问题归因模型的服务问题分类列表中多个候选服务问题分类结果分别对应的特征信息；将所述待分析文本数据的特征信息与所述多个候选服务问题分类结果分别对应的特征信息进行比较，将包含所述待分析文本数据的特征信息的候选服务问题分类结果确定为与所述待分析文本数据的特征信息匹配的目标服务问题分类结果，作为所述待分析文本数据对应的服务问题分类结果。

可选的，所述根据所述第一嵌入向量，获取所述待分析文本数据对应的服务问题分类结果，包括：根据所述第一嵌入向量，获取所述待分析文本数据的特征信息；根据所述待分析文本数据的特征信息，在所述服务问题归因模型的服务问题分类列表中查询与所述待分析文本数据的特征信息匹配的至少一种服务问题分类结果；将所述至少一种服务问题分类结果作为所述待分析文本数据对应的服务问题分类结果。

可选的，所述根据所述第一嵌入向量，获取所述待分析文本数据对应的服务问题分类结果，包括：根据所述第一嵌入向量，获取所述待分析文本数据的特征信息；根据所述待分析文本数据的特征信息，在所述服务问题归因模型中的服务问题大分类列表中查询与所述待分析文本数据的特征信息相关联的服务问题第一分类结果，作为所述待分析文本数据的目标服务问题第一分类结果；在确定所述待分析文本数据的目标服务问题第一分类结果的基础上，在所述目标服务问题第一分类结果的服务问题小分类列表中查询与所述待分析文本数据的特征信息相关联的目标服务问题第二分类结果；根据所述目标服务问题第一分类结果和所述目标服务问题第二分类结果，生成所述待分析文本数据对应的服务问题分类结果。

可选的，所述服务问题归因模型包括大分类文本数据特征分析模型，所述大分类文本数据特征分析模型用于分析对应于服务问题第一分类结果的文本数据的特征信息；所述根据所述待分析文本数据的特征信息，在所述服务问题归因模型中的服务问题大分类列表中查询与所述待分析文本数据的特征信息相关联的服务问题第一分类结果，作为所述待分析文本数据的目标服务问题第一分类结果，包括：根据所述大分类文本数据特征分析模型，获取所述待分析文本数据中用于分析服务问题第一分类结果的文本数据的第一特征信息；获取所述服务问题大分类列表中每个候选服务问题第一分类结果对应的文本数据的第一候选特征信息；将所述待分析文本数据中的第一特征信息与所述每个候选服务问题第一分类结果对应的第一候选特征信息进行比较，获得所述待分析文本数据对应的目标服务问题第一分类结果。

可选的，所述在确定所述待分析文本数据的目标服务问题第一分类结果的基础上，在所述目标服务问题第一分类结果的服务问题小分类列表中查询与所述待分析文本数据的特征信息相关联的目标服务问题第二分类结果，包括：获取所述待分析文本数据中用于分析服务问题第二分类结果的文本数据的第二特征信息；获取所述服务问题小分类列表中每个候选服务问题第二分类结果对应的文本数据的第二候选特征信息；将所述待分析文本数据中的第二特征信息与所述每个候选服务问题第二分类结果对应的第二候选特征信息进行比较，获得所述待分析文本数据对应的目标服务问题第二分类结果。

可选的，所述将所述待分析文本数据输入到所述服务问题归因模型中，获得待分析文本数据嵌入向量，包括：将所述待分析文本数据输入到所述服务问题归因模型中，获得所述待分析文本数据中每个文本单元对应的文本嵌入向量，每个文本单元在所述待分析文本数据中对应的段落嵌入向量，每个文本单元在所述待分析文本数据中对应的位置嵌入向量；将所述待分析文本数据中每个文本单元对应的文本嵌入向量，每个文本单元在所述待分析文本数据中对应的段落嵌入向量，以及每个文本单元在所述待分析文本数据中对应的位置嵌入向量进行处理，获得所述待分析文本数据嵌入向量。

可选的，所述根据所述待分析文本数据嵌入向量，查询与所述待分析文本数据嵌入向量相关联的服务知识图谱嵌入向量，包括：根据所述待分析文本数据嵌入向量，获取所述待分析文本数据中的服务信息嵌入向量；根据所述待分析文本数据中的服务信息嵌入向量，查询针对所述服务信息的服务知识图谱；获取针对所述服务信息的服务知识图谱中每个文本单元对应的文本嵌入向量，每个文本单元在所述服务知识图谱中对应的段落嵌入向量，每个文本单元在所述服务知识图谱中对应的位置嵌入向量；将针对所述服务信息的服务知识图谱中每个文本单元对应的文本嵌入向量，每个文本单元在所述服务知识图谱中对应的段落嵌入向量，每个文本单元在所述服务知识图谱中对应的位置嵌入向量进行处理，获得针对所述服务信息的服务知识图谱嵌入向量。

可选的，所述服务信息为商户向用户提供的针对食品服务的食品服务信息；所述针对服务信息的分析文本数据为用户针对所述食品服务信息的评价信息；所述获得针对服务信息的待分析文本数据，包括：获得用户端发送的针对食品服务信息的待分析文本数据。

可选的，所述服务问题归因模型具体用于根据所述待分析文本数据，所述待分析文本数据对应的拼音信息，以及与所述待分析文本数据相关的服务知识图谱，获得针对所述待分析文本数据的服务问题分类结果。

可选的，所述将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果，包括：将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的第二嵌入向量，所述第二嵌入向量包括所述待分析文本数据的拼音嵌入向量和与所述待分析文本数据相关的服务知识图谱的拼音嵌入向量；根据所述第二嵌入向量，获取所述待分析文本数据对应的服务问题分类结果。

可选的，所述将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的第二嵌入向量，包括：将所述待分析文本数据输入到所述服务问题归因模型中，获得待分析文本数据嵌入向量，所述待分析文本数据嵌入向量包括所述待分析文本数据中每个文本单元对应的拼音嵌入向量；根据所述待分析文本数据嵌入向量，查询与所述待分析文本数据嵌入向量相关联的服务知识图谱嵌入向量，所述服务知识图谱嵌入向量包括所述服务知识图谱中每个文本单元对应的拼音嵌入向量；根据所述待分析文本数据嵌入向量和所述服务知识图谱嵌入向量，获得针对所述待分析文本数据的第二嵌入向量。

可选的，所述将所述待分析文本数据输入到所述服务问题归因模型中，获得待分析文本数据嵌入向量，包括：将所述待分析文本数据输入所述服务问题归因模型中，获得所述待分析文本数据中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述待分析文本数据中对应的段落嵌入向量，每个文本单元在所述待分析文本数据中对应的位置嵌入向量；将所述待分析文本数据中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述待分析文本数据中对应的段落嵌入向量，以及每个文本单元在所述待分析文本数据中对应的位置嵌入向量进行处理，获得所述待分析文本数据嵌入向量。

可选的，所述根据所述待分析文本数据嵌入向量，查询与所述待分析文本数据嵌入向量相关联的服务知识图谱嵌入向量，包括：根据所述待分析文本数据嵌入向量，获取所述待分析文本数据中的服务信息嵌入向量；根据所述待分析文本数据中的服务信息嵌入向量，查询针对所述服务信息的服务知识图谱；获取针对所述服务信息的服务知识图谱中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述服务知识图谱中对应的段落嵌入向量，每个文本单元在所述服务知识图谱中对应的位置嵌入向量；将针对所述服务信息的服务知识图谱中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述服务知识图谱中对应的段落嵌入向量，每个文本单元在所述服务知识图谱中对应的位置嵌入向量进行处理，获得针对所述服务信息的服务知识图谱嵌入向量。

本申请实施例还提供一种服务问题归因方法，包括：获得针对服务信息的待分析文本数据；将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果；其中，所述服务问题归因模型用于根据所述待分析文本数据以及所述待分析文本数据对应的拼音信息，获得针对所述待分析文本数据的服务问题分类结果。

可选的，所述将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果，包括：将所述待分析文本数据输入到服务问题归因模型中，获得待分析文本数据嵌入向量，所述待分析文本数据嵌入向量包括所述待分析文本数据中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述待分析文本数据中对应的段落嵌入向量，每个文本单元在所述待分析文本数据中对应的位置嵌入向量；根据所述待分析文本数据嵌入向量，获取所述待分析文本数据对应的服务问题分类结果。

可选的，所述将所述待分析文本数据输入到服务问题归因模型中，获得待分析文本数据嵌入向量，包括：将所述待分析文本数据输入到服务问题归因模型中，对所述待分析文本数据进行向量化处理，获得所述待分析文本数据中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述待分析文本数据中对应的段落嵌入向量，每个文本单元在所述待分析文本数据中对应的位置嵌入向量；对所述待分析文本数据中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述待分析文本数据中对应的段落嵌入向量，每个文本单元在所述待分析文本数据中对应的位置嵌入向量进行处理，获得所述待分析文本数据嵌入向量。

可选的，所述根据所述待分析文本数据嵌入向量，获取所述待分析文本数据对应的服务问题分类结果，包括：根据所述待分析文本数据嵌入向量，获取所述待分析文本数据的特征信息；根据所述待分析文本数据的特征信息，在所述服务问题归因模型的服务问题分类列表中查询与所述待分析文本数据的特征信息匹配的目标服务问题分类结果，作为所述待分析文本数据对应的服务问题分类结果。

可选的，所述根据所述待分析文本数据嵌入向量，获取所述待分析文本数据对应的服务问题分类结果，包括：根据所述待分析文本数据嵌入向量，获取所述待分析文本数据的特征信息；根据所述待分析文本数据的特征信息，在所述服务问题归因模型中的服务问题大分类列表中查询与所述待分析文本数据的特征信息相关联的服务问题第一分类结果，作为所述待分析文本数据的目标服务问题第一分类结果；在确定所述待分析文本数据的目标服务问题第一分类结果的基础上，在所述目标服务问题第一分类结果的服务问题小分类列表中查询与所述待分析文本数据的特征信息相关联的目标服务问题第二分类结果；根据所述目标服务问题第一分类结果和所述目标服务问题第二分类结果，生成所述待分析文本数据对应的服务问题分类结果。

可选的，所述将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果，包括：将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的第二嵌入向量，所述第二嵌入向量包括待分析文本数据嵌入向量和与所述待分析文本数据相关的服务知识图谱嵌入向量；根据所述第二嵌入向量，获取所述待分析文本数据对应的服务问题分类结果。

可选的，所述根据所述第二嵌入向量，获取所述待分析文本数据对应的服务问题分类结果，包括：根据所述第二嵌入向量，获取所述待分析文本数据的特征信息；根据所述待分析文本数据的特征信息，在所述服务问题归因模型中的服务问题大分类列表中查询与所述待分析文本数据的特征信息相关联的服务问题第一分类结果，作为所述待分析文本数据的目标服务问题第一分类结果；在确定所述待分析文本数据的目标服务问题第一分类结果的基础上，在所述目标服务问题第一分类结果的服务问题小分类列表中查询与所述待分析文本数据的特征信息相关联的目标服务问题第二分类结果；根据所述目标服务问题第一分类结果和所述目标服务问题第二分类结果，生成所述待分析文本数据对应的服务问题分类结果。

本申请实施例还提供一种服务问题归因模型的训练方法，包括：获得用于分析文本数据的特征信息的预训练模型；根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题第一分类结果样本，对所述预训练模型进行调整，获得大分类文本数据特征分析模型，所述大分类文本数据特征分析模型用于分析对应于服务问题第一分类结果的文本数据的特征信息；根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题第二分类结果样本，对所述大分类文本数据特征分析模型进行调整，获得用于分析针对待分析文本数据的服务问题分类结果的服务问题归因模型。

可选的，所述预训练模型通过如下方式分析文本数据的特征信息：根据所述文本数据获得文本数据嵌入向量，所述文本数据嵌入向量包括所述文本数据中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述文本数据中的段落嵌入向量，以及每个文本单元在所述文本数据中的位置嵌入向量；根据所述文本数据嵌入向量，分析所述文本数据的特征信息。

可选的，还包括：根据所述文本数据嵌入向量获取与所述文本数据相关联的服务知识图谱嵌入向量，所述服务知识图谱嵌入向量包括与所述文本数据相关联的服务知识图谱中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述服务知识图谱中的段落嵌入向量，以及每个文本单元在所述服务知识图谱中的位置嵌入向量；所述根据所述文本数据嵌入向量，分析所述文本数据的特征信息，包括：根据所述文本数据嵌入向量，以及与所述文本数据相关联的服务知识图谱嵌入向量，分析所述文本数据的特征信息。

可选的，所述根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题第一分类结果样本，对所述预训练模型进行调整，获得大分类文本数据特征分析模型，包括：将所述针对服务信息的文本数据样本输入所述预训练模型中，获得所述预训练模型输出的针对所述服务信息的文本数据样本的第一服务问题第一分类结果；根据所述第一服务问题第一分类结果和所述针对所述文本数据样本的服务问题第一分类结果样本之间的相似程度，对所述预训练模型进行服务问题大分类参数的调整，获得所述大分类文本数据特征分析模型。

可选的，所述将所述针对服务信息的文本数据样本输入所述预训练模型中，获得所述预训练模型输出的针对所述服务信息的文本数据样本的第一服务问题第一分类结果，包括：将所述针对服务信息的文本数据样本输入所述预训练模型中，获得所述文本数据样本的特征信息；根据所述文本数据样本的特征信息，获得所述预训练模型输出的针对所述服务信息的文本数据样本的第一服务问题第一分类结果。

可选的，所述根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题第二分类结果样本，对所述大分类文本数据特征分析模型进行调整，获得用于分析针对待分析文本数据的服务问题分类结果的服务问题归因模型，包括：将针对所述服务信息的文本数据输入所述大分类文本数据特征分析模型中，获得所述大分类文本数据特征分析模型输出的针对所述文本数据样本的第二服务问题第二分类结果；根据所述第二服务问题第二分类结果与所述服务问题第二分类结果样本之间的相似程度，对所述大分类文本数据特征分析模型进行调整，获得用于分析针对待分析文本数据的服务问题分类结果的服务问题归因模型。

可选的，还包括：将针对服务信息的文本数据样本和不属于所述文本数据的服务问题第一分类结果样本作为第一负样本对，对所述预训练模型进行调整，获得用于分析对应于服务问题第一分类结果的文本数据的特征信息的大分类文本数据特征分析模型；将针对服务信息的文本数据样本和不属于所述文本数据的服务问题第二分类结果样本作为第二负样本对，对所述大分类文本数据特征分析模型进行调整，获得用于分析针对待分析文本数据的服务问题分类结果的服务问题归因模型。

本申请实施例还提供一种服务问题归因装置，包括：第一获得单元，用于获得针对服务信息的待分析文本数据；第二获得单元，用于将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果；其中，所述服务问题归因模型用于根据所述待分析文本数据和与所述待分析文本数据相关的服务知识图谱，获得针对所述待分析文本数据的服务问题分类结果。

本申请实施例还提供一种服务问题归因装置，包括：第三获得单元，用于获得针对服务信息的待分析文本数据；第四获得单元，用于将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果；其中，所述服务问题归因模型用于根据所述待分析文本数据以及所述待分析文本数据对应的拼音信息，获得针对所述待分析文本数据的服务问题分类结果。

本申请实施例还提供一种服务问题归因模型的训练装置，包括：预训练模型获得单元，用于获得用于分析文本数据的特征信息的预训练模型；大分类文本数据特征分析模型获得单元，用于根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题第一分类结果样本，对所述预训练模型进行调整，获得大分类文本数据特征分析模型，所述大分类文本数据特征分析模型用于分析对应于服务问题第一分类结果的文本数据的特征信息；服务问题归因模型获得单元，用于根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题第二分类结果样本，对所述大分类文本数据特征分析模型进行调整，获得用于分析针对待分析文本数据的服务问题分类结果的服务问题归因模型。

本申请实施例还提供一种电子设备，所述电子设备包括处理器和存储器；所述存储器中存储有计算机程序，所述处理器运行所述计算机程序后，执行上述方法。

本申请实施例还提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被执行时执行上述方法。

与现有技术相比，本申请实施例具有如下优点：

在本申请的一个实施例中，服务问题归因模型根据待分析文本数据，和与待分析文本数据相关的服务知识图谱，分析获得针对待分析文本数据的服务问题分类结果。上述方法中提供的服务问题归因模型，将待分析文本数据和与待分析文本数据相关的服务知识图谱一起作为输入信息，服务知识图谱能获取待分析文本数据中的服务信息的属性信息，从而提升对待分析文本数据的语言表达逻辑的理解度。基于服务知识图谱有助于提升服务问题归因模型确定待分析文本数据的语言表达逻辑的准确度，服务问题归因模型对待分析文本数据匹配服务问题分类结果的准确度也得到提升。

在本申请的一个实施例中，服务问题归因模型根据待分析文本数据，和待分析文本数据对应的拼音信息，分析获得针对待分析文本数据的服务问题分类结果。上述方法中提供的服务问题归因模型，在对待分析文本数据进行处理时，结合待分析文本数据的拼音信息，提升待分析文本数据的语言表达逻辑的准确度。基于待分析文本数据有助于提升待分析文本数据的语言表达逻辑的准确度，服务问题归因模型对待分析文本数据匹配服务问题分类结果的准确度也得到提升。

在本申请的一个实施例中，其提供了一种服务问题归因模型的训练方法，包括：获得用于分析文本数据的特征信息的预训练模型；根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题第一分类结果样本，对所述预训练模型进行调整，获得大分类文本数据特征分析模型，所述大分类文本数据特征分析模型用于分析对应于服务问题第一分类结果的文本数据的特征信息；根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题第二分类结果样本，对所述大分类文本数据特征分析模型进行调整，获得用于分析针对待分析文本数据的服务问题分类结果的服务问题归因模型。

上述方法，获得预训练模型，首先采用文本数据样本和针对待分析文本数据样本的服务问题第一分类结果样本，对预训练模型进行调整，获得大分类文本数据特征分析模型。然后，根据文本数据样本和针对文本数据样本的服务问题第二分类结果样本，对大分类文本数据特征分析模型进行调整，获得用于分析针对待分析文本数据的服务问题分类结果的服务问题归因模型。由此可知，训练好的服务问题归因模型获取待分析文本数据的服务问题分类结果时，先获取待分析文本数据的服务问题第一分类结果，在确定待分析文本数据的服务问题第一分类结果的基础上，在目标服务问题第一分类结果对应的多个服务问题第二分类结果中，确定待分析文本数据的服务问题第二分类结果。因此，最终获得的待分析文本数据的服务问题分类结果包括服务问题第一分类结果和服务问题第二分类结果。

附图说明

图1为本申请实施例提供的服务问题归因方法的应用场景图。

图2为本申请实施例提供的服务问题归因模型中针对文本信息的服务问题分类结果示意图。

图3为本申请实施例提供的商户端体检中心的展示页面。

图4为本申请实施例提供的商户店铺的食品安全事件明细信息。

图5为图4的食品安全事件明细信息的数据信息。

图6为图5中的商户发生的食品安全事件等级以及该食品安全事件对应的处理方式。

图7为本申请实施例提供的为商户制定的针对食品安全事件的学习方法。

图8为本申请第一实施例中提供的一种服务问题归因方法的流程图。

图9为本申请第二实施例中提供的一种服务问题归因装置的示意图。

图10为本申请第三实施例中提供的另一种服务问题归因方法的示意图。

图11为本申请第四实施例中提供的另一种服务问题归因装置的示意图。

图12为本申请第五实施例中提供的一种服务问题归因模型的训练方法的示意图。

图13为本申请第六实施例中提供的一种服务问题归因模型的训练装置的示意图。

图14为本申请第七实施例中提供的一种电子设备的示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多示同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

本申请中使用的术语是仅仅出于对特定实施例描述的目的，而非旨在限制本申请。在本申请中和所附权利要求书中所使用的描述方式例如：“一种”、“第一”、和“第二”等，并非对数量上的限定或先后顺序上的限定，而是用来将同一类型的信息彼此区分。

为了更清楚的展示本申请提供的服务问题归因方法，先介绍一下本申请提供的服务问题归因方法的应用场景。

本申请提供的服务问题归因方法，可以应用于食品安全问题分类场景。例如，线上到线下餐饮服务系统为用户提供餐品订购服务。以图1为例，其为本申请实施例提供的服务问题归因方法的应用场景图。用户通过用户端101订购餐品，退订餐品，以及用户反馈针对餐品的相关数据，例如，针对退订餐品的评价信息，食品安全险理赔评价信息，以及针对食用过的餐品的评价信息等。其中，评价信息中包括用户针对部分食品的安全问题的投诉信息。服务端102接收到用户端发送的针对该餐品的评价信息，根据该评价信息，判断该评价信息是否为针对餐品的食品安全问题进行的投诉信息，如果是，则确定该评价信息对应的食品安全问题类型，并将该评价信息以及针对该评价信息的食品安全问题类型，发送给提供该餐品的商家。

服务端102分析用户提供的评价信息对应的食品安全问题类型，是通过服务问题归因模型进行分析的。具体的，将获得的针对服务信息的待分析文本数据输入服务问题归因模型中，获得服务问题归因模型输出的针对待分析文本数据的服务问题分类结果。

例如，将用户对餐品的评价信息输入服务问题归因模型，服务问题归因模型对该评价信息进行分析，确定该评价信息对应的服务问题分类结果，也就是该餐品对应的食品安全问题类型。例如，用户对餐品的评价信息为：“这个水果饮品中的水果上面出现霉点了”，将该评价信息输入服务问题归因模型中，则服务问题归因模型输出的该餐品对应的食品安全问题类型为可见发霉变质。再例如，评价信息为：“这个饭菜中有蟑螂”，将该评价信息输入服务问题归因模型中，则服务问题归因模型输出的该餐品对应的食品安全问题类型为蟑螂。

服务问题归因模型用于根据用户提供的针对服务信息的评价信息，确定该评价信息对应的服务问题分类结果。具体是，先确定该评价信息对应的服务问题大分类结果(也被称为服务问题第一分类结果)，在确定服务问题大分类结果的基础上，再分析该评价信息对应的服务问题小分类结果(也被称为服务问题第二分类结果)。根据服务问题大分类结果，以及服务问题大分类结果中的服务问题小分类结果，生成针对该评价信息的服务问题分类结果。以上述“这个饭菜中有蟑螂”的评价信息为例，该评价信息的服务问题大分类结果为异物，服务问题小分类结果为蟑螂，其中，蟑螂是异物中的虫鼠害异物中的小分类结果。

服务端获取用户的评价信息对应的食品安全问题类型后，向商户端发送该商户提供的食品中存在的食品安全事件，以及该食品安全事件对应的服务问题分类结果。商户通过商户端的体检中心查看其存在的食品安全事件。

如图3所示，其为本申请实施例提供的商户端体检中心的展示页面。在图3所示的页面中，商户端的体检中心展示了商户存在的安全事件统计情况，以及管控处理记录，商户的食品安全信用分数信息，以及针对食品安全问题的学习专区信息。图3的页面向商户展示了其当前存在的食品安全事件以及对应的学习策略，使得商户明确其当前存在的食品安全事件和进一步的改正方案。当商户在图3的页面中点击查看事件按钮后，进入图4所示的页面。

请参考图4，其为本申请实施例提供的商户店铺的食品安全事件的明细信息。在图4页面中，商户可以具体了解其当月时间内存在的具体食品安全事件的明细信息，商户可以根据此明细进一步改善问题。

图5为图4的食品安全事件的明细信息的数据信息。在图5中，商户能够了解其当月的食品安全事件发生率，以及食品安全事件发生次数。

图6为图5中的商户发生的食品安全事件等级以及该食品安全事件等级对应的处理方式。

同时，服务端102还会向商家所使用的商户端103提供处理该食品安全问题类型的学习课程，以供商家及时处理该食品安全问题，防止继续发生食品安全问题。

图7为本申请实施例提供的为商户制定的针对食品安全事件的学习方法。具体的，图7以虫鼠害异物防治方法为例，具体讲解防治虫鼠害异物的详情信息，对应的法规要求以及防范措施。

此外，本申请实施例提供的服务问题归因方法，还可以应用于向用户推荐餐品的场景。例如，用户登录线上外卖平台，在线上外卖平台的搜索框中搜索相关餐品关键词，线上外卖平台服务端根据用户的搜索关键词，采用对应的推荐算法，获取与搜索关键词对应的餐品信息，将获得的餐品信息发送给用户端，用户端展示获得的餐品信息。

其中，服务端根据用户提供的搜索关键词确定对应的推荐餐品时，其推荐算法参考的因素包括多个因素，例如，用户的用餐习惯信息，用户搜索的餐品的餐品特征信息，用户所处的地理位置信息，以及提供该餐品的商户对应的食品安全等级。其中，商户的食品安全等级可以采用本申请提供的服务问题归因方法中的服务问题归因模型获得。

此外，本申请实施例提供的服务问题归因方法，还可以应用于用户端的首页所推荐的商户信息。例如，用户登录线上外卖平台后，用户端的首页展示的商户信息是由服务端预先通过推荐算法获得的。其中，推荐算法的参考因素包括：商户所处地理位置与用户所处地理位置之间的距离信息，用户的历史关注商户类型，餐品类型，以及商户的食品安全等级。其中，商户的食品安全等级可以采用本申请提供的服务问题归因方法中的服务问题归因模型获得。

其中，商家的食品安全等级可以通过如下方法获得：

用户针对该商家的外卖产品提供评价信息，采用服务问题归因模型对用户提供的评价信息进行分析，确定评价信息中的食品安全问题，以及该食品安全问题的类型。也就是说，如果用户针对其食用的餐品提供的评价信息中包含食品安全问题，则根据服务问题归因模型确定该食品安全问题对应的具体服务问题分类结果。根据确定的食品安全问题的类型确定该食品对应的商户的食品安全等级。

本申请实施例中，采用服务问题归因模型分析用户评价信息中包含的食品安全问题类型。将针对餐品的评价信息以及该评价信息中的食品安全问题对应的食品安全问题类型，发送给向用户提供该餐品的商户。一方面，提升了商户的食品安全意识，提示商户食品安全问题的严重性。另一方面，向商户提示了用户食用餐品过程中发送的具体食品安全问题。并且，向商户提供应对此类食品安全问题的方法，避免之后再次发生此类食品安全问题。其中，如果商户存在的食品安全问题的类型偏多时，向商户提供一定的强制性整改措施。

基于上述步骤，线上外卖系统可以确定商户的食品安全等级，向用户推荐对应的商户列表时，根据商户食品安全等级确定是否向用户推荐该商户。

上述各应用场景中提到的服务问题归因模型通过分析用户评价信息，获得用户评价信息对应的服务问题分类结果。其中，服务问题归因模型具体通过如下方法进行分析：

第一种，服务问题归因模型根据待分析文本数据以及与所述待分析文本数据相关联的服务知识图谱，确定针对待分析文本数据的服务问题分类结果。

其中，服务知识图谱是指待分析文本数据的先验知识图谱，其预先存储于服务问题归因模型中。

服务知识图谱至少包括如下几种类型：

1)服务知识图谱是归因服务知识图谱，也就是待分析文本数据中的服务信息的知识图谱。例如，待分析文本数据为：臭豆腐好臭。其对应的服务知识图谱为：臭豆腐是一种食品，该食品的气味属性是臭的。

采用传统的分析方法分析该待分析文本数据时，其分析结果是臭豆腐存在变质问题。

然而，本申请实施例中，服务问题归因模型分析该待分析文本数据“臭豆腐好臭”时，其会同时结合该待分析文本数据对应的服务知识图谱“臭豆腐是一种食品，该食品的气味属性是臭的”，分析该待分析文本数据对应的服务问题分类结果。该例子中，“臭豆腐好臭”和“臭豆腐是一种食品，该食品的气味属性是臭的”两者信息可以确定，该待分析文本数据中所反馈的问题不属于服务问题归因模型的归因标准中的任何一种归因类型，说明待分析文本数据所反馈的问题不属于服务问题。

服务问题归因模型对输入信息进行向量化处理，输出信息也是用向量进行表示。例如，向量为1表示该待分析文本数据的服务信息对应归因标准中的至少一种归因类型。向量为0表示该待分析文本数据的服务信息不对应归因标准中的任何一种归因类型。

再例如，待分析文本数据为：这个螺狮粉好臭。传统的分析方法中会确定螺狮粉存在变质问题。但是，本申请实施例中，服务问题归因模型分析待分析文本数据时，结合服务知识图谱。此处，待分析文本数据对应的服务知识图谱是：螺狮粉是一种商品，该商品的气味属性是臭的。因此，服务问题归因模型将待分析文本数据和其对应的服务知识图谱结合分析，得到螺狮粉的臭是螺狮粉本身的产品属性，说明待分析文本数据中所反馈的问题不属于服务问题归因模型的归因标准中的任何一种归因类型。

2)服务知识图谱是配料图谱，例如，待分析文本数据为“黑椒牛柳中怎么还有黑椒呢”，其对应的服务知识图谱为“黑椒牛柳的配料表中包括：黑椒和牛柳”。

采用传统的分析方法分析该待分析文本数据时，其分析结果是黑椒牛柳中存在异物。但是，本申请实施例中，服务问题归因模型在分析该用户评价信息“黑椒牛柳中怎么还有黑椒呢”时，会结合其对应的服务知识图谱“黑椒牛柳的配料表中包括：黑椒和牛柳”。由此确定，黑椒牛柳中的黑椒是这道菜品的主要配料之一。因此，说明待分析文本数据所反馈的问题不属于服务问题归因模型中归因标准中的任何一种归因类型，其不存在服务问题。

3)服务知识图谱是菜谱，例如，待分析文本数据为“酸菜鱼是哪种鱼”，其对应的服务知识图谱为“酸菜鱼是菜谱，主要配料有酸菜和鱼”。

采用传统的分析方法分析待分析文本数据时，其分析结果是酸菜鱼问题是食物变质问题。但是，本申请实施例中，服务问题归因模型在分析该待分析文本数据“酸菜鱼是哪种鱼”时，会结合其对应的服务知识图谱“酸菜鱼是菜谱，主要配料有酸菜和鱼”。由此确定，酸菜鱼是一道菜，其是由普通的鱼和酸菜制作而成，而非鱼的种类名称。因此，说明待分析文本数据中所反馈的问题不属于服务问题归因模型中归因标准中的任何一种归因类型，其不存在服务问题。

4)服务知识图谱为常识图谱。例如，待分析文本数据为“耗子为之”，其对应的服务知识图谱为“好自为之”。

采用传统的分析方法分析待分析文本数据时，其分析结果是老鼠。但是，本申请实施例中，服务问题归因模型在分析待分析文本数据“耗子为之”时，会结合其对应的服务知识图谱“好自为之”。由此确定，该待分析文本数据是用户向商户提示，相对于商家之前对用户提供的餐品服务，此次服务相对较差，但不属于服务问题归因模型中归因标准中的任何一种归因类型，希望商户好自为之，改善现在的服务质量。

以上即为服务知识图谱的几种常见类型，服务问题归因模型分析待分析文本数据的语言表达逻辑时，结合待分析文本数据对应的服务知识图谱，可以提升待分析文本数据的语言表达逻辑的准确度。进一步地，根据待分析文本数据和待分析文本数据对应的服务知识图谱获得待分析文本数据的语言表达逻辑后，确定待分析文本数据对应的服务分类结果的准确度也得到提升。

服务问题归因模型采用待分析文本数据，和与待分析文本数据相关联的服务知识图谱，确定待分析文本数据对应的服务问题归因结果的过程具体如下：

将待分析文本数据输入服务问题归因模型中，获得待分析文本数据嵌入向量，该待分析文本数据嵌入向量包括待分析文本数据中每个文本单元对应的文本嵌入向量，每个文本单元在所述待分析文本数据中的段落嵌入向量，每个文本单元在所述待分析文本数据中的位置嵌入向量。其中，每个文本单元可以为每个字或者每个词。如图1中，E这表示“这”这个字对应的文本嵌入向量，EA表示“这”这个字在所述待分析文本数据中的段落嵌入向量，E1表示“这”这个字在所述待分析文本数据中的位置嵌入向量。

然后，根据待分析文本数据嵌入向量，获取与待分析文本数据相关联的服务知识图谱嵌入向量，所述服务知识图谱嵌入向量包括服务知识图谱中每个文本单元对应的文本嵌入向量，每个文本单元在所述服务知识图谱中的段落嵌入向量，每个文本单元在所述服务知识图谱中的位置嵌入向量。

将待分析文本数据嵌入向量和与待分析文本数据相关联的服务知识图谱嵌入向量，生成针对待分析文本数据的第一嵌入向量。服务问题归因模型分析针对待分析文本数据的第一嵌入向量，确定待分析文本数据的特征信息用于分析服务问题分类结果，根据待分析文本数据的特征信息，确定待分析文本数据对应的服务问题分类结果。

其中，服务问题分析模型根据待分析文本数据的特征信息，确定待分析文本数据对应的服务问题分类结果。具体是，根据待分析文本数据的特征信息确定待分析文本数据对应的服务问题大分类结果，例如图2所示的异物，变质，食源性疾病，过期，餐品未熟等分类结果。其中，确定目标服务问题大分类结果(也被称为目标服务问题第一分类结果)的过程也称为固定共享层。然后，在固定共享层后，选择与待分析文本数据的特征信息对应的目标分类层，也就是确定待分析文本数据的目标服务问题小分类结果(也被称为目标服务问题第二分类结果)。例如，图2所示的大头针。其中，确定的目标服务问题小分类结果就是待分析文本数据的目标服务问题分类结果。

第二种，服务问题归因模型根据待分析文本数据以及所述待分析文本数据的拼音信息，确定针对待分析文本数据的服务问题分类结果。

具体的，将待分析文本数据输入服务问题归因模型中，获得待分析文本数据嵌入向量，待分析文本数据嵌入向量包括待分析文本数据中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述待分析文本数据中的段落嵌入向量，每个文本单元在所述待分析文本数据中的位置嵌入向量。

待分析文本数据嵌入向量包括每个文本单元对应的拼音嵌入向量，因此，服务问题归因模型将待分析文本数据转换为嵌入向量，能够改善错别字的现象，从而提升分析待分析文本数据的语言表达逻辑的准确度。

第三种，服务问题归因模型根据待分析文本数据、所述待分析文本数据的拼音信息、以及与所述待分析文本数据相关联的服务知识图谱，确定针对待分析文本数据的服务问题分类结果。

将待分析文本数据输入服务问题归因模型中，获得待分析文本数据嵌入向量，待分析文本数据嵌入向量包括待分析文本数据中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述待分析文本数据中的段落嵌入向量，每个文本单元在所述待分析文本数据中的位置嵌入向量。例如图1中，E饭是饭这个字对应的文本嵌入向量，E_A是饭这个字在“这个饭菜中有蟑螂”的待分析文本数据中的段落嵌入向量，E3是饭这个字在“这个饭菜中有蟑螂”的待分析文本数据中的位置嵌入向量，E_fan是饭这个字对应的拼音嵌入向量。

根据待分析文本数据嵌入向量，确定与待分析文本数据相关联的服务知识图谱嵌入向量，服务知识图谱嵌入向量包括：服务知识图谱中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述服务知识图谱中的段落嵌入向量，每个文本单元在所述服务知识图谱中的位置嵌入向量。

服务问题归因模型分析待分析文本数据时，在确定待分析文本数据的文本嵌入向量，段落嵌入向量以及位置嵌入向量的基础上，结合拼音嵌入向量，减少错别字的频率。同时，结合与待分析文本数据相关联的服务知识图谱，分析待分析文本数据的语言表达逻辑。增加拼音嵌入向量和服务知识图谱，可以提升分析待分析文本数据的语言表达逻辑的准确率，从而，服务问题归因模型可以根据待分析文本数据的语言表达逻辑提取待分析文本数据中用于分析服务问题分类结果的特征数据。根据特征数据，首先在服务问题归因模型的服务问题大分类结果列表中，确定与特征数据相对应的服务问题大分类结果，然后，基于确定的服务问题大分类结果，在服务问题大分类结果的服务问题小分类列表中选取与特征信息对应的服务问题小分类结果。根据确定的目标服务问题大分类结果和目标服务问题大分类结果中的目标服务问题小分类结果中确定待分析文本数据对应的服务问题分类结果。

此外，其中的服务问题归因模型是通过如下方法训练获得的：

第一步，获取用于分析文本数据的特征信息的预训练模型。

其中，预训练模型可以是对传统的Bert(Bidirectional Encoder Representations from Transformers，深度双向预训练编码器)模型经过训练后获得的。Bert模型为预训练的语言模型，可以用于问答系统、情感分析、垃圾邮件过滤、命名实体识别、文档聚类等任务中。

以下对Bert模型的基本概念进行介绍：

Bert模型的输入对象是待识别文本中各个字的原始向量，包括：字向量(Token Embedding，或文本向量)，段落向量(Segment Embedding)和位置向量(Position Embedding)，将字向量，段落向量和位置向量直接加和处理后，输入Bert模型。其中，段落向量是指使用嵌入的信息将待识别文本信息的上下文分开，位置向量是指该字在该待识别文本中的位置信息。

Bert模型包括至少三种类型的输入，并对应三种类型的输出。具体如下：

1)单文本分类：例如文章情绪分析。Bert模型在输入的段落向量中添加一个[CLS]符号向量，并将该符号对应的输出向量作为最终整篇文章的语义表示。与其他文字相比，这个[CLS]符号向量能更公平的融合各个字词的语言表达逻辑。

2)语句对文本分类：例如问答系统。其输入向量不仅添加了[CLS]符号向量，还添加了[SEP]符号向量用于分割语句。

3)序列加标注分类：此类任务每个字对应的输出向量是对该字的标注，可以理解为分类。

本申请实施例中，Bert模型中Transformer结构通过多头注意力机制和遮掩机制双向信息获取，以增强待识别文本数据的语言表达逻辑。注意力机制是让神经网络把注意力集中在一部分输入上。多头注意力机制是将每个字的多个增强语义向量进行线性组合，最终获得一个与原始字向量长度相等的增强语义向量。例如，“这个套餐/很/好吃吗” 和“这个套餐/很好/吃吗”，这两句话中，“吃”是否和“好”组合所表达的语义不同。

传统的语言模型是从左到右输入一个文本序列，或者将left-to-right和right-to-left的训练结合起来。Bert模型的双向信息获取对语境的理解对比单向的语言模型更具有优势。

遮掩机制是指将待识别文本输入模型时，随机遮盖或者替换一句话中的任意字或者任意词，让模型通过上下文的理解预测该句话中被遮盖或者替换部分的内容。然后，模型根据识别到的被遮盖或替换后的内容后，根据待识别文本的上下文内容体现出的情感，进而确定待识别文本对应的归因分类型号。

在本申请中，预训练模型相比于传统的Bert模型来说，其将待分析文本数据转换为嵌入向量时，在原始的文本嵌入向量，段落嵌入向量以及位置嵌入向量的基础上，增加拼音嵌入向量，以改善识别文字的错误率的问题。然后在待分析文本数据的嵌入向量中嵌入服务知识图谱，以提升分析待分析文本数据的语言表达逻辑的准确率。因此，预训练模型用于获取待分析文本数据的语言表达逻辑，分析确定待分析文本数据的特征信息，以供后续确定待分析文本数据的服务问题分类结果做基础。

第二步，根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题大分类结果样本，对所述预训练模型进行调整，获得大分类文本数据特征分析模型，所述大分类文本数据特征分析模型用于分析对应于服务问题大分类结果的文本数据的特征信息。

上述预训练模型的训练目的是用于获取待分析文本数据的特征信息，此处为了使得预训练模型对服务问题大分类结果参数得到训练，采用针对服务信息的文本数据样本和针对所述文本数据样本的服务问题大分类结果样本，对预训练模型进行参数训练。

训练获得的大分类文本数据特征分析模型，根据待分析文本数据，获得待分析文本数据对应的服务问题大分类结果。其中，如图2所示，其为本申请实施例提供的服务问题归因模型中针对文本信息的服务问题分类结果示意图。服务问题大分类结果可以是异物，变质，食源性疾病，过期，餐品未熟等。

第三步，根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题小分类结果样本，对所述大分类文本数据特征分析模型进行调整，获得用于分析针对待分析文本数据的服务问题分类结果的服务问题归因模型。

所述大分类文本数据特征分析模型用于分析文本数据的服务问题大分类结果，在此基础上，对大分类文本数据特征分析模型进行进一步的参数调整，使其可以分析文本数据的服务问题小分类结果。

上述第二步中采用针对服务信息的文本数据样本和针对所述文本数据样本的服务问题大分类结果样本，对所述预训练模型进行调整，获得大分类文本数据特征分析模型。其中，此处提到的“针对所述文本数据样本的服务问题大分类结果样本”是指属于文本数据样本的服务问题大分类结果样本，其作为正样本。

此外，还可以将针对服务信息的文本数据样本和不属于所述文本数据样本的服务问题大分类结果样本作为第一负样本对，对所述预训练模型进行训练。

例如，文本数据样本为“这个饭菜中有蟑螂”，属于该文本数据样本的服务问题大分类结果样本为“异物”，其为正样本。不属于该文本数据样本的服务问题大分类结果样本可以是“变质”、或者“食源性疾病”、或者“过期”、或者“餐品未熟”，等等，其为负样本。

正样本是需要训练后的大分类文本数据特征分析模型能够查询出的属于文本数据样本的服务问题大分类结果样本，负样本是作为正样本的对比样本，使得大分类文本数据特征分析模型识别不属于文本数据样本的服务问题大分类结果。采用正样本和负样本对大分类文本数据特征分析模型进行训练，使得大分类文本数据样本数据特征分析模型对文本数据对应的服务问题大分类结果的分类准确率得到提升。

上述第三步中采用针对服务信息的文本数据样本和针对所述文本数据样本的服务问题小分类结果样本，对所述大分类文本数据特征分析模型进行调整，获得服务问题归因模型。其中，此处提到的“针对所述文本数据样本的服务问题小分类结果样本”是指属于文本数据样本的服务问题小分类结果，其作为正样本。并且，此处属于文本数据样本的服务问题小分类结果是第二步中确定的服务问题大分类结果中的多个候选服务问题小分类结果中的至少一种结果。

此外，还可以根据针对服务信息的文本数据样本和不属于所述文本数据样本的服务问题小分类结果样本作为第二负样本对，对所述大分类文本数据特征分析模型进行训练。

例如，文本数据样本为“这个饭菜中有蟑螂”，属于该文本数据样本的服务问题大分类结果样本为“异物”，属于该文本数据样本的服务问题小分类结果样本为“蟑螂”。不属于该文本数据样本的服务问题小分类结果样本可以是“尖锐异物”、或者“老鼠”，等等，其为负样本。

采用正样本和负样本对所述大分类文本数据特征分析模型进行训练，使得获得的服务问题归因模型对文本数据对应的服务问题分类结果的分类准确率得到提升。

第一实施例

本申请第一实施例中提供一种服务问题归因方法，具体流程如图8所示，其为本申请第一实施例中提供的一种服务问题归因方法的流程图。图8所示的服务问题归因方法，包括：步骤S801至步骤S802。

如图8所示，在步骤S801中，获得针对服务信息的待分析文本数据。

本步骤用于获得针对服务信息的待分析文本数据。服务端获得待分析文本数据后，是后续步骤中服务问题归因模型确定待分析文本数据对应的服务问题分类结果的数据基础。

其中，所述服务信息可以为商户向用户提供的针对食品服务的食品服务信息；所述针对服务信息的分析文本数据可以为用户针对所述食品服务信息的评价信息；所述获得针对服务信息的待分析文本数据，包括：获得用户端发送的针对食品服务信息的待分析文本数据。

例如，服务信息以商户为用户提供的餐品为例，针对服务信息的待分析文本数据为用户对其食用餐品的评价信息。

如图8所示，在步骤S802中，将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果。

本步骤用于根据服务问题归因模型，获取所述待分析文本数据对应的服务问题分类结果。以下描述所述服务问题归因模型根据待分析文本数据，和与待分析文本数据相关的服务知识图谱，获得针对待分析文本数据的服务问题分类结果的第一种方法。

其中，所述服务问题归因模型用于根据所述待分析文本数据和与所述待分析文本数据相关的服务知识图谱，获得针对所述待分析文本数据的服务问题分类结果。服务知识谱图有助于理解待分析文本数据的语言表达逻辑，提升分析待分析文本数据的语言表达逻辑的准确度。因此，将待分析文本数据输入服务问题归因模型中，服务问题归因模型根据待分析文本数据，以及与待分析文本数据相关的服务知识图谱，确定待分析文本数据对应的服务问题分类结果。

需要说明的是，所述将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果，包括：

步骤1-1：将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的第一嵌入向量，所述第一嵌入向量包括待分析文本数据嵌入向量和与所述待分析文本数据相关的服务知识图谱嵌入向量；

步骤1-2：根据所述第一嵌入向量，获取所述待分析文本数据对应的服务问题分类结果。

其中，在步骤1-1中，所述将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的第一嵌入向量，包括：将所述待分析文本数据输入到所述服务问题归因模型中，获得待分析文本数据嵌入向量；根据所述待分析文本数据嵌入向量，查询与所述待分析文本数据嵌入向量相关联的服务知识图谱嵌入向量；根据所述待分析文本数据嵌入向量和所述服务知识图谱嵌入向量，获得针对所述待分析文本数据的第一嵌入向量。

需要说明的是，服务问题归因模型获得待分析文本数据，获取与待分析文本数据相关的服务知识图谱，将待分析文本数据和服务知识图谱一起作为输入信息，分析确定待分析文本数据的服务问题分类结果。其中，服务问题归因模型将待分析文本数据的数据形式转换为待分析文本数据嵌入向量，将服务知识图谱的数据形式转换为服务知识图谱嵌入向量。根据待分析文本数据嵌入向量和与待分析文本数据相关的服务知识图谱嵌入向量，生成针对待分析文本数据的第一嵌入向量。

其中，获取与待分析文本相关的服务知识图谱可以是从服务问题归因模型预先存储的服务知识图谱库中查询到与待分析文本数据相关的服务知识图谱，也可以是从其他共享平台获取与待分析文本数据相关的服务知识图谱。

其中，所述将所述待分析文本数据输入到所述服务问题归因模型中，获得待分析文本数据嵌入向量，包括：将所述待分析文本数据输入到所述服务问题归因模型中，获得所述待分析文本数据中每个文本单元对应的文本嵌入向量，每个文本单元在所述待分析文本数据中对应的段落嵌入向量，每个文本单元在所述待分析文本数据中对应的位置嵌入向量；将所述待分析文本数据中每个文本单元对应的文本嵌入向量，每个文本单元在所述待分析文本数据中对应的段落嵌入向量，以及每个文本单元在所述待分析文本数据中对应的位置嵌入向量进行处理，获得所述待分析文本数据嵌入向量。

其中，所述根据所述待分析文本数据嵌入向量，查询与所述待分析文本数据嵌入向量相关联的服务知识图谱嵌入向量，包括：根据所述待分析文本数据嵌入向量，获取所述待分析文本数据中的服务信息嵌入向量；根据所述待分析文本数据中的服务信息嵌入向量，查询针对所述服务信息的服务知识图谱；获取针对所述服务信息的服务知识图谱中每个文本单元对应的文本嵌入向量，每个文本单元在所述服务知识图谱中对应的段落嵌入向量，每个文本单元在所述服务知识图谱中对应的位置嵌入向量；将针对所述服务信息的服务知识图谱中每个文本单元对应的文本嵌入向量，每个文本单元在所述服务知识图谱中对应的段落嵌入向量，每个文本单元在所述服务知识图谱中对应的位置嵌入向量进行处理，获得针对所述服务信息的服务知识图谱嵌入向量。

在步骤1-2中，根据所述第一嵌入向量，获取所述待分析文本数据对应的服务问题分类结果，至少可以通过如下三种方式获得，以下分别论述。

(一)、所述根据所述第一嵌入向量，获取所述待分析文本数据对应的服务问题分类结果，可以是按照如下第一种方式获得：

根据所述第一嵌入向量，获取所述待分析文本数据的特征信息；根据所述待分析文本数据的特征信息，在所述服务问题归因模型的服务问题分类列表中查询与所述待分析文本数据的特征信息匹配的目标服务问题分类结果，作为所述待分析文本数据对应的服务问题分类结果。

其中，所述根据所述待分析文本数据的特征信息，在所述服务问题归因模型的服务问题分类列表中查询与所述待分析文本数据的特征信息匹配的目标服务问题分类结果，作为所述待分析文本数据对应的服务问题分类结果，包括：获取所述服务问题归因模型的服务问题分类列表中多个候选服务问题分类结果分别对应的特征信息；将所述待分析文本数据的特征信息与所述多个候选服务问题分类结果分别对应的特征信息进行比较，将包含所述待分析文本数据的特征信息的候选服务问题分类结果确定为与所述待分析文本数据的特征信息匹配的目标服务问题分类结果，作为所述待分析文本数据对应的服务问题分类结果。

例如，待分析文本数据为“这个水果饮品中的水果上面出现霉点了”，根据第一嵌入向量确定待分析文本数据的特征信息为“水果和霉点”。

第一嵌入向量包括待分析文本数据嵌入向量和服务知识图谱嵌入向量，此处待分析文本数据嵌入向量包括文本嵌入向量，位置嵌入向量以及段落嵌入向量。第一嵌入向量是将待分析文本嵌入向量和服务知识图谱嵌入向量结合获得的嵌入向量。因此，根据第一嵌入向量分析待分析文本数据的特征信息，需要结合待分析文本数据的语义和待分析文本数据对应的服务知识图谱，确定待分析文本数据的综合语义。

此处，待分析文本数据“这个水果饮品中的水果上面出现霉点了”对应的服务知识图谱为“水果属于新鲜果蔬，新鲜果蔬表面出现霉点属于霉变现象”。因此，根据第一嵌入向量可知，待分析文本数据的特征信息为“水果和霉点”。

而服务问题分类列表中多个候选服务问题分类结果，如图2所示的“可见发霉变质”和“腐烂”这两个候选服务问题分类结果。其中，“可见发霉变质”的特征信息包括“物体表面出现霉变特征”，“腐烂”的特征信息包括“物体内部出现了大量病变”。将待分析文本数据的特征信息与上述两个候选服务问题分类结果的特征信息进行比较，得到待分析文本数据“这个水果饮品中的水果上面出现霉点了”对应的服务问题分类结果为可见发霉变质。

(二)、所述根据所述第一嵌入向量，获取所述待分析文本数据对应的服务问题分类结果，可以是按照如下第二种方式获得：

根据所述第一嵌入向量，获取所述待分析文本数据的特征信息；根据所述待分析文本数据的特征信息，在所述服务问题归因模型的服务问题分类列表中查询与所述待分析文本数据的特征信息匹配的至少一种服务问题分类结果；将所述至少一种服务问题分类结果作为所述待分析文本数据对应的服务问题分类结果。

(三)、所述根据所述第一嵌入向量，获取所述待分析文本数据对应的服务问题分类结果，可以是按照如下第三种方式获得：

根据所述第一嵌入向量，获取所述待分析文本数据的特征信息；根据所述待分析文本数据的特征信息，在所述服务问题归因模型中的服务问题大分类列表中查询与所述待分析文本数据的特征信息相关联的服务问题大分类结果，作为所述待分析文本数据的目标服务问题大分类结果；在确定所述待分析文本数据的目标服务问题大分类结果的基础上，在所述目标服务问题大分类结果的服务问题小分类列表中查询与所述待分析文本数据的特征信息相关联的目标服务问题小分类结果；根据所述目标服务问题大分类结果和所述目标服务问题小分类结果，生成所述待分析文本数据对应的服务问题分类结果。

其中，所述服务问题归因模型包括大分类文本数据特征分析模型，所述大分类文本数据特征分析模型用于分析对应于服务问题大分类结果的文本数据的特征信息；所述根据所述待分析文本数据的特征信息，在所述服务问题归因模型中的服务问题大分类列表中查询与所述待分析文本数据的特征信息相关联的服务问题大分类结果，作为所述待分析文本数据的目标服务问题大分类结果，包括：根据所述大分类文本数据特征分析模型，获取所述待分析文本数据中用于分析服务问题大分类结果的文本数据的第一特征信息；获取所述服务问题大分类列表中每个候选服务问题大分类结果对应的文本数据的第一候选特征信息；将所述待分析文本数据中的第一特征信息与所述每个候选服务问题大分类结果对应的第一候选特征信息进行比较，获得所述待分析文本数据对应的目标服务问题大分类结果。

其中，所述在确定所述待分析文本数据的目标服务问题大分类结果的基础上，在所述目标服务问题大分类结果的服务问题小分类列表中查询与所述待分析文本数据的特征信息相关联的目标服务问题小分类结果，包括：获取所述待分析文本数据中用于分析服务问题小分类结果的文本数据的第二特征信息；获取所述服务问题小分类列表中每个候选服务问题小分类结果对应的文本数据的第二候选特征信息；将所述待分析文本数据中的第二特征信息与所述每个候选服务问题小分类结果对应的第二候选特征信息进行比较，获得所述待分析文本数据对应的目标服务问题小分类结果。

以上即为所述服务问题归因模型根据待分析文本数据，和与待分析文本数据相关的服务知识图谱，获得针对待分析文本数据的服务问题分类结果的第一种方法。根据待分析文本数据，和与待分析文本数据相关的服务知识图谱，改善分析待分析文本数据的语言表达逻辑的准确度，在此基础上，提升分析待分析文本数据对应的服务问题分类结果的准确度。

上述第一种方式是基于服务知识图谱，提升分析待分析文本数据的语言表达逻辑的准确度。此外，所述服务问题归因模型获得待分析文本数据对应的服务问题分类结果还包括第二种方式：

所述服务问题归因模型具体用于根据所述待分析文本数据，所述待分析文本数据对应的拼音信息，以及与所述待分析文本数据相关的服务知识图谱，获得针对所述待分析文本数据的服务问题分类结果。

第二种方式中，分析待分析文本数据对应的服务问题分类结果，不仅结合待分析文本数据的服务知识图谱，还结合待分析文本数据的拼音信息，改善待分析文本数据的错别字等问题，也提升了分析待分析文本数据的语言表达逻辑的准确度。

其中，所述将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果，包括：

步骤2-1：将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的第二嵌入向量，所述第二嵌入向量包括所述待分析文本数据的拼音嵌入向量和与所述待分析文本数据相关的服务知识图谱的拼音嵌入向量；

步骤2-2：根据所述第二嵌入向量，获取所述待分析文本数据对应的服务问题分类结果。

其中，在步骤2-1中，所述将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的第二嵌入向量，包括：将所述待分析文本数据输入到所述服务问题归因模型中，获得待分析文本数据嵌入向量，所述待分析文本数据嵌入向量包括所述待分析文本数据中每个文本单元对应的拼音嵌入向量；根据所述待分析文本数据嵌入向量，查询与所述待分析文本数据嵌入向量相关联的服务知识图谱嵌入向量，所述服务知识图谱嵌入向量包括所述服务知识图谱中每个文本单元对应的拼音嵌入向量；根据所述待分析文本数据嵌入向量和所述服务知识图谱嵌入向量，获得针对所述待分析文本数据的第二嵌入向量。

需要说明的是，服务问题归因模型将待分析文本数据的数据形式转换为嵌入向量的形式，除了获取待分析文本数据的文本嵌入向量，位置嵌入向量，以及段落嵌入向量，还会获取文本单元的拼音嵌入向量。如图1中的待分析文本数据“这个饭菜中有蟑螂”，其包含了每个字的文本嵌入向量，段落嵌入向量，位置嵌入向量以及拼音嵌入向量。文本单元的拼音嵌入向量的加入，能够改善识别待分析文本数据的文字时出现错别字的几率。然后，将待分析文本数据嵌入向量和与待分析文本数据相关的服务知识图谱嵌入向量结合，生成针对待分析文本数据的第二嵌入向量。该过程中，拼音嵌入向量和服务知识图谱结合，不仅提升待分析文本数据中的文字识别准确率，也提升了分析待分析文本数据的语言逻辑表达的准确率。

其中，步骤201获取的第二嵌入向量是由待分析文本数据嵌入向量和服务知识图谱嵌入向量进行向量处理后获得的，此步骤中的待分析文本数据嵌入向量包括待分析文本数据的拼音嵌入向量。

所述将所述待分析文本数据输入到所述服务问题归因模型中，获得待分析文本数据嵌入向量，包括：将所述待分析文本数据输入所述服务问题归因模型中，获得所述待分析文本数据中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述待分析文本数据中对应的段落嵌入向量，每个文本单元在所述待分析文本数据中对应的位置嵌入向量；将所述待分析文本数据中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述待分析文本数据中对应的段落嵌入向量，以及每个文本单元在所述待分析文本数据中对应的位置嵌入向量进行处理，获得所述待分析文本数据嵌入向量。

所述根据所述待分析文本数据嵌入向量，查询与所述待分析文本数据嵌入向量相关联的服务知识图谱嵌入向量，包括：根据所述待分析文本数据嵌入向量，获取所述待分析文本数据中的服务信息嵌入向量；根据所述待分析文本数据中的服务信息嵌入向量，查询针对所述服务信息的服务知识图谱；获取针对所述服务信息的服务知识图谱中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述服务知识图谱中对应的段落嵌入向量，每个文本单元在所述服务知识图谱中对应的位置嵌入向量；将针对所述服务信息的服务知识图谱中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述服务知识图谱中对应的段落嵌入向量，每个文本单元在所述服务知识图谱中对应的位置嵌入向量进行处理，获得针对所述服务信息的服务知识图谱嵌入向量。

以上即为服务问题归因模型通过第二种方式获得待分析文本数据的服务问题分类结果。具体的，服务问题归因模型将待分析文本数据转换成嵌入向量时，在原本获得文本嵌入向量，段落嵌入向量，位置嵌入向量的基础上，结合每个文本单元对应的拼音嵌入向量，减少待分析文本数据中的错别字问题。同时，结合待分析文本数据对应的服务知识图谱，提升分析待分析文本数据的语言表达逻辑的准确度。在确定待分析文本数据的语言表达逻辑的基础上，获取待分析文本数据对应的服务问题大分类结果。在确定的服务问题大分类结果的多个候选服务问题小分类列表中，继续匹配待分析文本数据对应的服务问题小分类结果，根据服务问题大分类结果和服务问题小分类结果，生成待分析文本数据对应的服务问题分类结果。

上述方法，服务问题归因模型根据待分析文本数据，和与待分析文本数据相关的服务知识图谱，分析获得针对待分析文本数据的服务问题分类结果。上述方法中提供的服务问题归因模型，将待分析文本数据和与待分析文本数据相关的服务知识图谱一起作为输入信息，服务知识图谱能获取待分析文本数据中的服务信息的属性信息，从而提升对待分析文本数据的语言表达逻辑的理解度。基于服务知识图谱有助于提升服务问题归因模型确定待分析文本数据的语言表达逻辑的准确度，服务问题归因模型对待分析文本数据匹配服务问题分类结果的准确度也得到提升。

第二实施例

与本申请提供的服务问题归因方法的应用场景对应的实施例以及第一实施例提供的服务问题归因方法相对应的，本申请第二实施例还提供了一种服务问题归因装置。由于装置实施例基本相似于应用场景对应的实施例以及第一实施例，所以描述得比较简单，相关之处参见应用场景对应的实施例以及第一实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。

请参考图9，其为本申请第二实施例中提供的一种服务问题归因装置的示意图。本申请第二实施例中提供的一种服务问题归因装置，包括：

第一获得单元901，用于获得针对服务信息的待分析文本数据。

第二获得单元902，用于将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果；其中，所述服务问题归因模型用于根据所述待分析文本数据和与所述待分析文本数据相关的服务知识图谱，获得针对所述待分析文本数据的服务问题分类结果。

第三实施例

与本申请提供的服务问题归因方法的应用场景对应的实施例以及第一实施例提供的服务问题归因方法相对应的，本申请第三实施例还提供了另一种服务问题归因方法。

请参照图10，其为本申请第三实施例中提供的另一种服务问题归因方法的示意图。图10所示的服务问题归因方法，包括：步骤S1001至步骤S1002。

如图10所示，在步骤S1001中，获得针对服务信息的待分析文本数据。

如图10所示，在步骤S1002中，将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果。

其中，所述服务问题归因模型用于根据所述待分析文本数据以及所述待分析文本数据对应的拼音信息，获得针对所述待分析文本数据的服务问题分类结果。

可选的，所述根据所述待分析文本数据嵌入向量，获取所述待分析文本数据对应的服务问题分类结果，包括：根据所述待分析文本数据嵌入向量，获取所述待分析文本数据的特征信息；根据所述待分析文本数据的特征信息，在所述服务问题归因模型中的服务问题大分类列表中查询与所述待分析文本数据的特征信息相关联的服务问题大分类结果，作为所述待分析文本数据的目标服务问题大分类结果；在确定所述待分析文本数据的目标服务问题大分类结果的基础上，在所述目标服务问题大分类结果的服务问题小分类列表中查询与所述待分析文本数据的特征信息相关联的目标服务问题小分类结果；根据所述目标服务问题大分类结果和所述目标服务问题小分类结果，生成所述待分析文本数据对应的服务问题分类结果。

可选的，所述根据所述第二嵌入向量，获取所述待分析文本数据对应的服务问题分类结果，包括：根据所述第二嵌入向量，获取所述待分析文本数据的特征信息；根据所述待分析文本数据的特征信息，在所述服务问题归因模型中的服务问题大分类列表中查询与所述待分析文本数据的特征信息相关联的服务问题大分类结果，作为所述待分析文本数据的目标服务问题大分类结果；在确定所述待分析文本数据的目标服务问题大分类结果的基础上，在所述目标服务问题大分类结果的服务问题小分类列表中查询与所述待分析文本数据的特征信息相关联的目标服务问题小分类结果；根据所述目标服务问题大分类结果和所述目标服务问题小分类结果，生成所述待分析文本数据对应的服务问题分类结果。

第四实施例

与本申请提供的服务问题归因方法的应用场景对应的实施例以及第三实施例提供的服务问题归因方法相对应的，本申请第四实施例还提供了另一种服务问题归因装置。由于装置实施例基本相似于应用场景对应的实施例以及第三实施例，所以描述得比较简单，相关之处参见应用场景对应的实施例以及第三实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。

请参考图11，其为本申请第四实施例中提供的另一种服务问题归因装置的示意图。本申请第四实施例中提供的另一种服务问题归因装置，包括：

第三获得单元1101，用于获得针对服务信息的待分析文本数据。

第四获得单元1102，用于将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果。其中，所述服务问题归因模型用于根据所述待分析文本数据以及所述待分析文本数据对应的拼音信息，获得针对所述待分析文本数据的服务问题分类结果。

第五实施例

与本申请提供的服务问题归因方法的应用场景对应的实施例以及第一实施例提供的服务问题归因方法相对应的，本申请第五实施例还提供了一种服务问题归因模型的训练方法。

请参照图12，其为本申请第五实施例中提供的一种服务问题归因模型的训练方法的示意图。图12所示的服务问题归因方法，包括：步骤S1201至步骤S1203。

如图12所示，在步骤S1201中，获得用于分析文本数据的特征信息的预训练模型。

如图12所示，在步骤S1202中，根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题大分类结果样本，对所述预训练模型进行调整，获得大分类文本数据特征分析模型，所述大分类文本数据特征分析模型用于分析对应于服务问题大分类结果的文本数据的特征信息。

如图12所示，在步骤S1203中，根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题小分类结果样本，对所述大分类文本数据特征分析模型进行调整，获得用于分析针对待分析文本数据的服务问题分类结果的服务问题归因模型。

可选的，所述根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题大分类结果样本，对所述预训练模型进行调整，获得大分类文本数据特征分析模型，包括：将所述针对服务信息的文本数据样本输入所述预训练模型中，获得所述预训练模型输出的针对所述服务信息的文本数据样本的第一服务问题大分类结果；根据所述第一服务问题大分类结果和所述针对所述文本数据样本的服务问题大分类结果样本之间的相似程度，对所述预训练模型进行服务问题大分类参数的调整，获得所述大分类文本数据特征分析模型。

可选的，所述将所述针对服务信息的文本数据样本输入所述预训练模型中，获得所述预训练模型输出的针对所述服务信息的文本数据样本的第一服务问题大分类结果，包括：将所述针对服务信息的文本数据样本输入所述预训练模型中，获得所述文本数据样本的特征信息；根据所述文本数据样本的特征信息，获得所述预训练模型输出的针对所述服务信息的文本数据样本的第一服务问题大分类结果。

可选的，所述根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题小分类结果样本，对所述大分类文本数据特征分析模型进行调整，获得用于分析针对待分析文本数据的服务问题分类结果的服务问题归因模型，包括：将针对所述服务信息的文本数据输入所述大分类文本数据特征分析模型中，获得所述大分类文本数据特征分析模型输出的针对所述文本数据样本的第二服务问题小分类结果；根据所述第二服务问题小分类结果与所述服务问题小分类结果样本之间的相似程度，对所述大分类文本数据特征分析模型进行调整，获得用于分析针对待分析文本数据的服务问题分类结果的服务问题归因模型。

可选的，还包括：将针对服务信息的文本数据样本和不属于所述文本数据的服务问题大分类结果样本作为第一负样本对，对所述预训练模型进行调整，获得用于分析对应于服务问题大分类结果的文本数据的特征信息的大分类文本数据特征分析模型；将针对服务信息的文本数据样本和不属于所述文本数据的服务问题小分类结果样本作为第二负样本对，对所述大分类文本数据特征分析模型进行调整，获得用于分析针对待分析文本数据的服务问题分类结果的服务问题归因模型。

第六实施例

与本申请提供的服务问题归因方法的应用场景对应的实施例以及第五实施例提供的服务问题归因模型的训练方法相对应的，本申请第六实施例还提供了一种服务问题归因模型的训练装置。由于装置实施例基本相似于应用场景对应的实施例以及第五实施例，所以描述得比较简单，相关之处参见应用场景对应的实施例以及第五实施例的部分说明即可。下述描述的装置实施例仅仅是示意性的。

请参考图13，其为本申请第六实施例中提供的一种服务问题归因模型的训练装置的示意图。本申请第六实施例中提供的一种服务问题归因模型的训练装置，包括：

预训练模型获得单元1301，用于获得用于分析文本数据的特征信息的预训练模型。

大分类文本数据特征分析模型获得单元1302，用于根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题大分类结果样本，对所述预训练模型进行调整，获得大分类文本数据特征分析模型，所述大分类文本数据特征分析模型用于分析对应于服务问题大分类结果的文本数据的特征信息。

服务问题归因模型获得单元1303，用于根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题小分类结果样本，对所述大分类文本数据特征分析模型进行调整，获得用于分析针对待分析文本数据的服务问题分类结果的服务问题归因模型。

第七实施例

与本申请提供的上述方法实施例相对应的，本申请第七实施例还提供了一种电子设备。由于第七实施例基本相似于本申请提供的上述方法实施例，所以描述得比较简单，相关之处参见本申请提供的上述方法实施例部分的说明即可。下面描述的第七实施例仅仅是示意性的。

请参照图14，其为本申请第七实施例中提供的一种电子设备的示意图。该电子设备，包括：至少一个处理器1401，至少一个通信接口1402，至少一个存储器1403和至少一个通信总线1404；可选的，通信接口1402可以为通信模块的接口，如WLAN(Wireless Local Area Network，无线局域网)模块的接口；处理器140l可能是处理器CPU(Central Processing Unit，中央处理器)，或者是特定集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本申请实施例的一个或多个集成电路。存储器1403可能包含高速RAM(Random Access Memory，随机存取存储器)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。其中，存储器1403存储有程序，处理器1401调用存储器1403所存储的程序，以执行本申请实施例提供的上述方法。

第八实施例

与本申请提供的上述方法实施例相对应的，本申请第八实施例还提供了一种计算机存储介质，由于第八实施例基本相似于本申请提供的上述方法实施例，所以描述的比较简单，相关之处参见本申请提供的上述方法实施例部分的说明即可。下面描述的第八实施例仅仅是示意性的。所述计算机存储介质存储有计算机程序，所述程序被执行时实现上述方法实施例中提供的方法。需要说明的是，本申请第八实施例提供的存储介质的详细描述，可以参考对本申请提供的上述方法实施例的相关描述，这里不再赘述。

本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(Read-Only Memory，ROM)或闪存(f;ash RAM)。内存是计算机可读介质的示例。

1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(Phase-change RAM，PRAM)、静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable ROM，EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(Transitory Media)，如调制的数据信号和载波。

Claims

一种服务问题归因方法，其特征在于，包括：

获得针对服务信息的待分析文本数据；

将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果；

其中，所述服务问题归因模型用于根据所述待分析文本数据和与所述待分析文本数据相关的服务知识图谱，获得针对所述待分析文本数据的服务问题分类结果。
根据权利要求1所述的方法，其特征在于，所述将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果，包括：

将所述待分析文本数据输入到所述服务问题归因模型中，获得针对所述待分析文本数据的第一嵌入向量，所述第一嵌入向量包括待分析文本数据嵌入向量和与所述待分析文本数据相关的服务知识图谱嵌入向量；

根据所述第一嵌入向量，获取所述待分析文本数据对应的服务问题分类结果。
根据权利要求2所述的方法，其特征在于，所述将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的第一嵌入向量，包括：

将所述待分析文本数据输入到所述服务问题归因模型中，获得所述待分析文本数据嵌入向量；

根据所述待分析文本数据嵌入向量，查询与所述待分析文本数据嵌入向量相关联的所述服务知识图谱嵌入向量；

根据所述待分析文本数据嵌入向量和所述服务知识图谱嵌入向量，获得针对所述待分析文本数据的第一嵌入向量。
根据权利要求2所述的方法，其特征在于，所述根据所述第一嵌入向量，获取所述待分析文本数据对应的服务问题分类结果，包括：

根据所述第一嵌入向量，获取所述待分析文本数据的特征信息；

根据所述待分析文本数据的特征信息，在所述服务问题归因模型的服务问题分类列表中查询与所述待分析文本数据的特征信息匹配的目标服务问题分类结果，作为所述待分析文本数据对应的服务问题分类结果。
根据权利要求2所述的方法，其特征在于，所述根据所述第一嵌入向量，获取所述待分析文本数据对应的服务问题分类结果，包括：

根据所述第一嵌入向量，获取所述待分析文本数据的特征信息；

根据所述待分析文本数据的特征信息，在所述服务问题归因模型中的服务问题第一分类列表中查询与所述待分析文本数据的特征信息相关联的服务问题第一分类结果，作为所述待分析文本数据的目标服务问题第一分类结果；

在确定所述待分析文本数据的目标服务问题第一分类结果的基础上，在所述目标服务问题第一分类结果的服务问题第二分类列表中查询与所述待分析文本数据的特征信息相关联的目标服务问题第二分类结果；

根据所述目标服务问题第一分类结果和所述目标服务问题第二分类结果，生成所述待分析文本数据对应的服务问题分类结果。
根据权利要求1所述的方法，其特征在于，所述服务问题归因模型用于根据所述待分析文本数据，所述待分析文本数据对应的拼音信息，以及与所述待分析文本数据相关的服务知识图谱，获得针对所述待分析文本数据的服务问题分类结果。
根据权利要求6所述的方法，其特征在于，所述将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果，包括：

将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的第二嵌入向量，所述第二嵌入向量包括所述待分析文本数据的拼音嵌入向量和与所述待分析文本数据相关的服务知识图谱的拼音嵌入向量；

根据所述第二嵌入向量，获取所述待分析文本数据对应的服务问题分类结果。
一种服务问题归因方法，其特征在于，包括：

获得针对服务信息的待分析文本数据；

将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果；

其中，所述服务问题归因模型用于根据所述待分析文本数据以及所述待分析文本数据对应的拼音信息，获得针对所述待分析文本数据的服务问题分类结果。
根据权利要求8所述的方法，其特征在于，所述将所述待分析文本数据输入到服务问题归因模型中，获得针对所述待分析文本数据的服务问题分类结果，包括：

将所述待分析文本数据输入到所述服务问题归因模型中，获得待分析文本数据嵌入向量，所述待分析文本数据嵌入向量包括所述待分析文本数据中每个文本单元对应的文本嵌入向量，每个文本单元对应的拼音嵌入向量，每个文本单元在所述待分析文本数据中对应的段落嵌入向量，每个文本单元在所述待分析文本数据中对应的位置嵌入向量；

根据所述待分析文本数据嵌入向量，获取所述待分析文本数据对应的服务问题分类结果。
一种服务问题归因模型的训练方法，其特征在于，包括：

获得用于分析文本数据的特征信息的预训练模型；

根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题第一分类结果样本，对所述预训练模型进行调整，获得第一分类文本数据特征分析模型，所述第一分类文本数据特征分析模型用于分析对应于服务问题第一分类结果的文本数据的特征信息；

根据针对服务信息的文本数据样本和针对所述文本数据样本的服务问题第二分类结果样本，对所述第一分类文本数据特征分析模型进行调整，获得用于分析针对待分析文本数据的服务问题分类结果的服务问题归因模型。