[發明專利]一種智能客服工單分類方法

在審

• 申請號: 202011194254.3
• 申請日: 2020-10-30
• 公開（公告）號: CN112287639A
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 趙友標
• 申請（專利權）人: 上海中通吉網絡技術有限公司
• 主分類號: G06F40/117
• 分類號: G06F40/117;G06F40/216;G06F40/289;G06F40/30;G06F16/332;G06F16/35;G06K9/62
• 代理公司: 北京細軟智谷知識產權代理有限責任公司 11471
• 代理人: 付登云

本發明涉及物流技術領域，具體涉及一種智能客服工單分類方法，包括：獲取客服與客戶的語音對話，將語音對話轉換成文本；對所述文本進行數據清洗、詞處理和字處理，以得到待處理文本；對所述待處理文本文本進行文本類別的標注；將已標注的文本劃分為訓練集、驗證集和測試集，將所述訓練集、驗證集和測試集分別輸入到預設訓練模型中進行訓練，得到工單分類結果。對智能機器人未解決的問題建立工單類型，使相應的工單流向專業的人員進行解決，省去人工手動工單分類的步驟，大大提高了企業的行政效率，使得建立的工單能夠快速解決，使得企業解決問題的時效性明顯提高。

技術領域

本發明屬于物流技術領域，具體涉及一種智能客服工單分類方法。

背景技術

早期的文本分類主要通過建立詞向量字典來對文本進行表示，然后采用傳統機器學習方法，比如SVM和決策樹對文本進行分類，該類算法訓練的模型靈活性較差且效果不理想；主要由于詞向量字典是固定的不會隨文本的增加而動態變化，另外就是文本的上下文語義聯系不強導致模型效果不佳。針對文本上下文語義聯系不強的問題后來逐漸發展了基于循環神經網絡對上下文語義進行關聯，但是模型訓練和在線服務時間太長，不適合大規模的商業化應用。針對模型響應時間過長的問題，因為一維卷積網絡具有較快的卷積速度，逐漸形成了TextCNN等模型對NLP分類問題進行解決。但是基于循環神經網絡和基于卷積神經網絡模型都沒有真正的解決掉詞向量固化的問題，因此訓練出來的模型性能的上限已經被限定，采取的各種tricks只能無限逼近該上限，實際應用時模型的性能大打折扣。

隨著NLP技術的發展，智能客服在客戶服務方面愈發凸顯其重要作用，其中國內比較著名的就要說百度的“小杜”機器人和小米的“小愛同學”；國外就要數蘋果公司產品自帶的“siri”功能；目前NLP技術在語音客服領域服務越來越廣泛、智能化水平也在逐步提高，可以實現與自然人的正常語音交流，并能對客戶提出的問題給予解答。但是超出智能機器人認知范圍的問題需要建立工單等待后期人工解決，浪費人力物力，降低了企業的辦事效率。

發明內容

有鑒于此，本發明的目的在于克服現有技術的不足，提供一種智能客服工單分類方法，以解決現有技術中的問題。

為實現以上目的，本發明采用如下技術方案：

一種智能客服工單分類方法，包括：

獲取客服與客戶的語音對話，將語音對話轉換成文本；

對所述文本進行數據清洗、詞處理和字處理，以得到待處理文本；

對所述待處理文本文本進行文本類別的標注；

將已標注的文本劃分為訓練集、驗證集和測試集，將所述訓練集、驗證集和測試集分別輸入到預設訓練模型中進行訓練，得到工單分類結果。

進一步地，對所述待處理文本文本進行文本類別的標注包括，

采用正則表達式將預設的文本類別與所述待處理文本進行匹配，根據匹配結果對所述文本進行文本類別的標注。

進一步地，所述預設的文本類別包括：快遞員離職、網點倒閉、網點爆倉、網點服務態度差和簽收未收。

進一步地，對所述文本進行數據清洗、分詞處理和詞向量處理，以得到待處理文本，包括：

對所述文本進行數據清洗，去掉所述文本中的停用詞、語氣詞和無用內容，所述無用內容包括問候語；

對經數據清洗處理后的文本進行詞處理和字處理，得到詞向量表示和字向量表示；

將所述詞向量與所述字向量表示表示進行嵌入，得到所述待處理文本。

進一步地，還包括對所述待處理文本進行二次清洗，包括：

按照正則表達判斷所述待處理文本中的詞向量與停用表是否相同，得到判斷結果；