[發(fā)明專利]投訴文本的分類模型、構(gòu)建方法、系統(tǒng)、分類方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 201811324875.1
• 申請日: 2018-11-08
• 公開（公告）號: CN109376226A
• 公開（公告）日: 2019-02-22
• 發(fā)明（設(shè)計）人: 楊穎;周海芹;王珺;陳楊楠;余本功;曹雨蒙
• 申請（專利權(quán)）人: 合肥工業(yè)大學(xué)
• 主分類號: G06F16/332
• 分類號: G06F16/332;G06F16/35
• 代理公司: 北京潤平知識產(chǎn)權(quán)代理有限公司 11283
• 代理人: 劉兵;肖冰濱

本發(fā)明實施方式提供一種投訴文本的分類模型、構(gòu)建方法、系統(tǒng)、分類方法和系統(tǒng)，屬于文本分類技術(shù)領(lǐng)域。所述分類模型包括：預(yù)處理模塊，用于讀取所述投訴文本，并對所述投訴文本進(jìn)行預(yù)處理；BTM模塊，用于對所述投訴文本進(jìn)行處理以生成主題向量；Doc2vec模塊，用于對所述投訴文本進(jìn)行處理以生成詞向量；將所述主題向量和所述詞向量進(jìn)行拼接以生成特征向量；ER分類器，用于根據(jù)所述特征向量對所述投訴文本進(jìn)行分類以生成分類結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及文本分類技術(shù)領(lǐng)域，具體地涉及一種投訴文本的分類模型、構(gòu)建方法、系統(tǒng)、分類方法和系統(tǒng)。

背景技術(shù)

目前移動通信運營商進(jìn)行投訴處理的方法主要是以客戶為導(dǎo)向構(gòu)建投訴管理體系、優(yōu)化投訴處理流程、增加客服的服務(wù)渠道或者采用在線客服等。技術(shù)支撐部門接到投訴工單后，由經(jīng)驗豐富的技術(shù)專家進(jìn)行診斷，分析引起投訴的原因，給出相應(yīng)的處理意見，并交由相關(guān)的網(wǎng)絡(luò)建設(shè)或維護(hù)部門進(jìn)行處理，同時將處理意見以工單回復(fù)的形式反饋給客服中心。因此，在移動通信質(zhì)量投訴問題的分析和診斷方面，還主要依賴于技術(shù)專家的經(jīng)驗和知識，采用人工處理方式。

為改善這一情況，電信企業(yè)應(yīng)在處理投訴問題前對投訴內(nèi)容進(jìn)行預(yù)分類，判斷投訴問題是否由服務(wù)原因所致，若是服務(wù)問題，應(yīng)及時改進(jìn)，若是用戶自身原因?qū)е碌模瑒t應(yīng)及時提醒用戶，方便其發(fā)現(xiàn)問題的真實原因所在。不過問題的歸類卻對投訴受理人員提出了很高的要求，由于很多受理人員并沒有親身實踐過問題的處理過程，僅憑用戶的表達(dá)很難確定問題的類別，而一旦做出了錯誤歸類，這將會增加問題處理人員的負(fù)擔(dān)。

近年來，人工智能方法在處理客戶投訴方面有一些應(yīng)用，少量文獻(xiàn)提出采用文本挖掘和人工智能算法建立投訴識別系統(tǒng)，對投訴熱點進(jìn)行智能分類，從而保證在短時間內(nèi)將投訴熱點分類到正確的投訴導(dǎo)航上去。現(xiàn)有的短文本分類方法主要是利用外部語料庫或附加信息豐富文本內(nèi)容來處理稀疏問題。對于投訴短文本，很難通過外部語料對文本進(jìn)行擴展，而客戶投訴文本長度短，數(shù)量大，則對文本表示的維度提出了要求。在以往的研究中，文本特征提取通常使用TF-IDF(Term Frequency-Inverse Document Frequency，詞頻-逆文本頻率指數(shù))算法或者LDA(Latent DirichletAllocation，潛在狄利克雷分布)主題模型，文本分類通常采用SVM方法，使用TF-IDF算法構(gòu)建SVM分類器的輸入向量存在向量維度過高，分類效率低等特點。

發(fā)明內(nèi)容

本發(fā)明實施方式的目的是提供一種投訴文本的分類模型、構(gòu)建方法、系統(tǒng)、分類方法和系統(tǒng)，該投訴文本的分類模型可以提高投訴文本分類的準(zhǔn)確性；該構(gòu)建方法、系統(tǒng)可以構(gòu)建出分類準(zhǔn)確性更高的分類模型；該分類方法、系統(tǒng)可以提高更加準(zhǔn)確的對投訴文本進(jìn)行分類。

為了實現(xiàn)上述目的，本發(fā)明實施方式提供一種投訴文本的分類模型，所述分類模型包括：

預(yù)處理模塊，用于讀取所述投訴文本，并對所述投訴文本進(jìn)行預(yù)處理；

BTM模塊，用于對所述投訴文本進(jìn)行處理以生成主題向量；

Doc2vec模塊，用于對所述投訴文本進(jìn)行處理以生成詞向量；

將所述主題向量和所述詞向量進(jìn)行拼接以生成特征向量；

ER分類器，用于：

根據(jù)所述特征向量對所述投訴文本進(jìn)行分類以生成分類結(jié)果。

本發(fā)明的另一方面提供一種投訴文本的分類模型的構(gòu)建方法，用于構(gòu)建上述所述的分類模型，所述構(gòu)建方法包括：

初始化分類模型；

獲取投訴文本和所述投訴文本的真實分類結(jié)果；

對所述投訴文本進(jìn)行預(yù)處理；

采用BTM模型對所述投訴文本進(jìn)行處理以生成主題向量，其中所述主題向量的維度為N₁維；