[發(fā)明專利]處理服務(wù)單的方法和裝置

在審

• 申請?zhí)枺?/td>: 201811035873.0
• 申請日: 2018-09-06
• 公開（公告）號: CN109242516A
• 公開（公告）日: 2019-01-18
• 發(fā)明（設(shè)計）人: 趙楠;吳波;趙亞濱;魏雪
• 申請（專利權(quán)）人: 北京京東尚科信息技術(shù)有限公司;北京京東世紀(jì)貿(mào)易有限公司
• 主分類號: G06Q30/00
• 分類號: G06Q30/00;G06F16/35;G06N3/04;G06K9/62
• 代理公司: 中國國際貿(mào)易促進(jìn)委員會專利商標(biāo)事務(wù)所 11038
• 代理人: 許蓓

1.一種處理服務(wù)單的方法，包括：

將待處理的服務(wù)單的文本描述內(nèi)容輸入文本分類模型，得到所述文本分類模型輸出的所述待處理的服務(wù)單的類別；

根據(jù)服務(wù)單的各個類別與各個業(yè)務(wù)處理邏輯的對應(yīng)關(guān)系，確定所述待處理的服務(wù)單對應(yīng)的業(yè)務(wù)處理邏輯；

按照所述待處理的服務(wù)單對應(yīng)的業(yè)務(wù)處理邏輯，對所述待處理的服務(wù)單進(jìn)行處理。

2.如權(quán)利要求1所述的方法，還包括：

獲取用戶信用相關(guān)的參考信息；

根據(jù)所述參考信息確定用戶的信用狀況；

當(dāng)信用狀況顯示用戶的信用良好時，對所述用戶的服務(wù)單執(zhí)行權(quán)利要求1所述的方法。

3.如權(quán)利要求1所述的方法，其中，所述文本分類模型是經(jīng)過訓(xùn)練得到的，訓(xùn)練方法包括：

將訓(xùn)練集中的各個服務(wù)單的文本描述內(nèi)容作為輸入?yún)?shù)，將各個服務(wù)單的類別標(biāo)注信息作為輸出參數(shù)，對所述文本分類模型進(jìn)行訓(xùn)練。

4.如權(quán)利要求3所述的方法，其中，所述文本分類模型是卷積神經(jīng)網(wǎng)絡(luò)模型，所述卷積神經(jīng)網(wǎng)絡(luò)模型包括：

輸入層，被配置為對輸入的信息進(jìn)行向量處理；

第一卷積層，被配置為對輸入層輸出的信息進(jìn)行卷積處理；

第二卷積層，被配置為進(jìn)行卷積處理，其中，在訓(xùn)練時，在第一卷積層訓(xùn)練完成前，對第一卷積層輸出的信息進(jìn)行卷積處理，在第一卷積層訓(xùn)練完成后，對輸入層輸出的信息進(jìn)行卷積處理；

池化層，被配置為對第二卷積層輸出的信息進(jìn)行池化處理；

輸出層，被配置為對池化層輸出的信息進(jìn)行分類相關(guān)的輸出處理。

5.如權(quán)利要求4所述的方法，其中，所述卷積神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練集中服務(wù)單的類別標(biāo)注信息發(fā)生變化時重新被訓(xùn)練，并且，類別標(biāo)注信息發(fā)生變化的訓(xùn)練數(shù)據(jù)經(jīng)由輸入層、第二卷積層、池化層、輸出層對卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

6.如權(quán)利要求1所述的方法，其中，服務(wù)單的各個類別與各個業(yè)務(wù)處理邏輯的對應(yīng)關(guān)系根據(jù)所述文本分類模型的混淆矩陣進(jìn)行調(diào)整。

7.如權(quán)利要求3所述的方法，其中，所述訓(xùn)練集中的各個服務(wù)單的類別標(biāo)注信息根據(jù)所述文本分類模型的混淆矩陣進(jìn)行調(diào)整。

8.一種處理服務(wù)單的裝置，包括：

分類模塊，用于將待處理的服務(wù)單的文本描述內(nèi)容輸入文本分類模型，得到所述文本分類模型輸出的所述待處理的服務(wù)單的類別；

業(yè)務(wù)處理邏輯確定模塊，用于根據(jù)服務(wù)單的各個類別與各個業(yè)務(wù)處理邏輯的對應(yīng)關(guān)系，確定所述待處理的服務(wù)單對應(yīng)的業(yè)務(wù)處理邏輯；

處理模塊，用于按照所述待處理的服務(wù)單對應(yīng)的業(yè)務(wù)處理邏輯，對所述待處理的服務(wù)單進(jìn)行處理。

9.如權(quán)利要求8所述的裝置，還包括：

參考信息獲取模塊，用于獲取用戶信用相關(guān)的參考信息；

信用狀況確定模塊，用于根據(jù)所述參考信息確定用戶的信用狀況，當(dāng)信用狀況顯示用戶的信用良好時，觸發(fā)執(zhí)行權(quán)利要求8所述裝置的服務(wù)單處理功能。

10.如權(quán)利要求8所述的裝置，還包括：

訓(xùn)練模塊，用于對所述文本分類模型進(jìn)行訓(xùn)練，訓(xùn)練方法包括：

將訓(xùn)練集中的各個服務(wù)單的文本描述內(nèi)容作為輸入?yún)?shù)，將各個服務(wù)單的類別標(biāo)注信息作為輸出參數(shù)，對所述文本分類模型進(jìn)行訓(xùn)練。

11.如權(quán)利要求10所述的裝置，其中，所述文本分類模型是卷積神經(jīng)網(wǎng)絡(luò)模型，所述卷積神經(jīng)網(wǎng)絡(luò)模型包括：

輸入層，被配置為對輸入的信息進(jìn)行向量處理；

第一卷積層，被配置為對輸入層輸出的信息進(jìn)行卷積處理；

第二卷積層，被配置為進(jìn)行卷積處理，其中，在訓(xùn)練時，在第一卷積層訓(xùn)練完成前，對第一卷積層輸出的信息進(jìn)行卷積處理，在第一卷積層訓(xùn)練完成后，對輸入層輸出的信息進(jìn)行卷積處理；

池化層，被配置為對第二卷積層輸出的信息進(jìn)行池化處理；

輸出層，被配置為對池化層輸出的信息進(jìn)行分類相關(guān)的輸出處理。