[發明專利]一種工單分類方法、裝置、及計算機存儲介質

在審

• 申請號: 202010684484.1
• 申請日: 2020-07-16
• 公開（公告）號: CN111651608A
• 公開（公告）日: 2020-09-11
• 發明（設計）人: 常文釗;延亮;儲偉;顧林清;李洋;樂雨泉;何嘉偉
• 申請（專利權）人: 國網甘肅省電力公司天水供電公司
• 主分類號: G06F16/35
• 分類號: G06F16/35;G06F40/284;G06F40/289;G06N3/04;G06Q50/06
• 代理公司: 南京鴻越知識產權代理事務所(普通合伙) 32355
• 代理人: 徐鳳艷

一種工單分類方法、裝置、及存儲介質，所述方法包括獲取每條所述待分類的工單語料的詞向量；將所獲取的每條所述待分類的工單語料的詞向量輸入預先訓練好的膠囊網絡模型確定每條所述待分類的工單語料的所屬類別。

技術領域

本文涉及計算機領域，尤指一種工單分類方法、裝置、及計算機存儲介質。

背景技術

隨著客戶對用電服務質量的要求不斷提高，出現了龐大的語料數據，單單依靠人力和傳統的統計方法去進行分析所得到的結果十分有限。例如，95598業務工單數據異常龐大而且復雜，供電企業面臨著海量的用電客戶業務訴求。

自動工單分類可以有效地提升響應客服業務訴求的效率。大多數之前的研究嘗試利用文本挖掘技術去挖掘投訴文本的文本特征，比如詞頻、文檔頻率、詞頻-逆文檔頻率(TF-IDF)、互信息(MI)、信息增益等，這些方法取得了不錯的效果。深度學習的迅猛發展涌現了很多優秀的深度學習網絡結構，比如卷積神經網絡(CNN)、循環神經網絡(RNN)、長短期記憶網絡(LSTM)，門控神經單元(GRU)等。

發明內容

本申請實施例提供了一種工單分類方法，包括：獲取待分類的多個工單語料；對所獲取的每條所述待分類的工單語料進行分詞得到每條所述待分類的工單語料的詞序列；將所得到的每條所述待分類的工單語料詞序列輸入預先訓練好的詞向量模型，獲取每條所述待分類的工單語料的詞向量序列，所述詞向量序列包括每個分詞對應的詞向量；將所獲取的每條所述待分類的工單語料的詞向量序列輸入預先訓練好的膠囊網絡模型，確定每條所述待分類的工單語料的所屬類別，所述膠囊網絡模型包括低層膠囊層、動態路由層、高層膠囊層、及全連接層，所述低層膠囊層包括根據所述詞向量序列得到的低層膠囊序列。

本申請實施例也提供了一種工單分類裝置，包括處理器和存儲器，所述存儲器中存儲有用于定向投放內容的程序；所述處理器用于讀取所述用于定向投放內容的程序，執行上述實施例中任一項所述的方法。

本申請實施例還提供了一種計算機存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現上述實施例中任一項所述的方法。

與相關技術相比，本申請實施例利用膠囊網絡模型能夠更精確的對工單語料進行分類。

本申請的其它特征和優點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本申請而了解。本申請的其他優點可通過在說明書以及附圖中所描述的方案來實現和獲得。

附圖說明

附圖用來提供對本申請技術方案的理解，并且構成說明書的一部分，與本申請的實施例一起用于解釋本申請的技術方案，并不構成對本申請技術方案的限制。

圖1本申請實施例工單分類方法流程圖；

圖2本申請實施例膠囊網絡模型訓練流程圖；

圖3本申請實施例工單分類裝置模塊示意圖。

具體實施方式

本申請描述了多個實施例，但是該描述是示例性的，而不是限制性的，并且對于本領域的普通技術人員來說顯而易見的是，在本申請所描述的實施例包含的范圍內可以有更多的實施例和實現方案。盡管在附圖中示出了許多可能的特征組合，并在具體實施方式中進行了討論，但是所公開的特征的許多其它組合方式也是可能的。除非特意加以限制的情況以外，任何實施例的任何特征或元件可以與任何其它實施例中的任何其他特征或元件結合使用，或可以替代任何其它實施例中的任何其他特征或元件。