[發(fā)明專利]一種基于社區(qū)場(chǎng)景的工單處理方法及相關(guān)組件

在審

• 申請(qǐng)?zhí)枺?/td>: 202010763044.5
• 申請(qǐng)日: 2020-07-31
• 公開（公告）號(hào): CN111881296A
• 公開（公告）日: 2020-11-03
• 發(fā)明（設(shè)計(jì)）人: 張俊
• 申請(qǐng)（專利權(quán)）人: 深圳市萬(wàn)物云科技有限公司
• 主分類號(hào): G06F16/35
• 分類號(hào): G06F16/35;G06F16/36;G06F40/295;G06F40/30;G06K9/62;G06N3/04;G06N3/08;G06Q10/06;G06Q50/26
• 代理公司: 深圳市精英專利事務(wù)所 44242
• 代理人: 武志峰

1.一種基于社區(qū)場(chǎng)景的工單處理方法，其特征在于，包括：

對(duì)工單語(yǔ)料進(jìn)行文本預(yù)處理，得到第一文本序列；

通過(guò)語(yǔ)言表示模型對(duì)所述第一文本序列進(jìn)行向量化處理，再利用命名實(shí)體識(shí)別算法對(duì)第一文本序列的向量進(jìn)行學(xué)習(xí)，得到多個(gè)實(shí)體信息，從而構(gòu)建序列標(biāo)注模型；

根據(jù)服務(wù)類型構(gòu)建工單分類語(yǔ)料，將所述工單分類語(yǔ)料以及工單語(yǔ)料進(jìn)行文本序列表示以及向量化處理，輸出第二文本序列的向量，然后輸入到LSTM神經(jīng)網(wǎng)絡(luò)模型中，輸出深層語(yǔ)義特征，然后連接至softmax激活函數(shù)進(jìn)行多分類訓(xùn)練，得到分類標(biāo)簽，從而構(gòu)建分類模型；

當(dāng)接收到目標(biāo)工單時(shí)，利用所述序列標(biāo)注模型對(duì)所述目標(biāo)工單進(jìn)行標(biāo)注，得到多個(gè)實(shí)體信息；以及利用所述分類模型對(duì)所述目標(biāo)工單進(jìn)行分類得到分類標(biāo)簽；

根據(jù)所述目標(biāo)工單的實(shí)體信息和分類標(biāo)簽生成工單任務(wù)并派發(fā)給工單處理人。

2.根據(jù)權(quán)利要求1所述的基于社區(qū)場(chǎng)景的工單處理方法，其特征在于，所述工單語(yǔ)料進(jìn)行文本預(yù)處理，得到第一文本序列，包括：

預(yù)先構(gòu)建基于社區(qū)場(chǎng)景的命名實(shí)體識(shí)別語(yǔ)料；

將所述工單語(yǔ)料與所述命名實(shí)體識(shí)別語(yǔ)料合并，得到命名實(shí)體序列語(yǔ)料集；

剔除所述命名實(shí)體序列語(yǔ)料集中的異常字符，得到第一文本序列。

3.根據(jù)權(quán)利要求1所述的基于社區(qū)場(chǎng)景的工單處理方法，其特征在于，所述通過(guò)語(yǔ)言表示模型對(duì)所述第一文本序列進(jìn)行向量化處理，再利用命名實(shí)體識(shí)別算法對(duì)第一文本序列的向量進(jìn)行學(xué)習(xí)，得到多個(gè)實(shí)體信息，從而構(gòu)建序列標(biāo)注模型，包括：

通過(guò)BERT模型對(duì)所述第一文本序列進(jìn)行向量化處理，得到第一文本序列的向量；

將所述第一文本序列的向量輸入到BILSTM-CRF中進(jìn)行特征提取以及標(biāo)注，得到多個(gè)實(shí)體信息；

通過(guò)損失函數(shù)進(jìn)行訓(xùn)練，構(gòu)建序列標(biāo)注模型。

4.根據(jù)權(quán)利要求1所述的基于社區(qū)場(chǎng)景的工單處理方法，其特征在于，所述根據(jù)服務(wù)類型構(gòu)建工單分類語(yǔ)料，包括：

預(yù)先將服務(wù)類型進(jìn)行分級(jí)，得到不同級(jí)別的服務(wù)類型；

為不同級(jí)別的服務(wù)類型設(shè)置從屬關(guān)系，從而構(gòu)建工單分類語(yǔ)料。

5.根據(jù)權(quán)利要求1所述的基于社區(qū)場(chǎng)景的工單處理方法，其特征在于，所述根據(jù)服務(wù)類型構(gòu)建工單分類語(yǔ)料，將所述工單分類語(yǔ)料以及工單語(yǔ)料進(jìn)行文本序列表示以及向量化處理，輸出第二文本序列的向量，然后輸入到LSTM神經(jīng)網(wǎng)絡(luò)模型中，輸出深層語(yǔ)義特征，然后連接至softmax激活函數(shù)進(jìn)行多分類訓(xùn)練，得到分類標(biāo)簽，從而構(gòu)建分類模型，包括：

根據(jù)服務(wù)類型構(gòu)建工單分類語(yǔ)料；

通過(guò)BERT對(duì)所述工單分類語(yǔ)料以及工單語(yǔ)料進(jìn)行文本序表示以及向量化處理，輸出第二文本序列的向量；

將所述第二文本序列的向量輸入到3層LSTM神經(jīng)網(wǎng)絡(luò)模型中并輸出深層語(yǔ)義特征，其中，所述LSTM神經(jīng)網(wǎng)絡(luò)模型中，每層神經(jīng)網(wǎng)絡(luò)之間添加有泛化層；

將輸出的深層語(yǔ)義特征連接至softmax激活函數(shù)進(jìn)行多分類訓(xùn)練，得到分類標(biāo)簽，從而構(gòu)建分類模型。

6.根據(jù)權(quán)利要求5所述的基于社區(qū)場(chǎng)景的工單處理方法，其特征在于，所述根據(jù)服務(wù)類型構(gòu)建工單分類語(yǔ)料，將所述工單分類語(yǔ)料以及工單語(yǔ)料進(jìn)行文本序列表示以及向量化處理，輸出第二文本序列的向量，然后輸入到LSTM神經(jīng)網(wǎng)絡(luò)模型中，輸出深層語(yǔ)義特征，然后連接至softmax激活函數(shù)進(jìn)行多分類訓(xùn)練，得到分類標(biāo)簽，從而構(gòu)建分類模型，還包括：

使用Adam算法進(jìn)行反向傳播，對(duì)分類模型中的參數(shù)進(jìn)行多輪更新，以使分類準(zhǔn)確率達(dá)到預(yù)設(shè)閾值。

7.根據(jù)權(quán)利要求5所述的基于社區(qū)場(chǎng)景的工單處理方法，其特征在于，所述將所述第二文本序列的向量輸入到3層LSTM神經(jīng)網(wǎng)絡(luò)模型中并輸出深層語(yǔ)義特征，包括：

將所述第二文本序列的向量輸入到3層LSTM神經(jīng)網(wǎng)絡(luò)模型中，得到不同通路的權(quán)重W和偏置b；

利用不同通路的權(quán)重W和偏置b進(jìn)行多元特征的融合得到深層語(yǔ)義特征。