[發明專利]提取工單文本主題的方法及裝置

在審

• 申請號: 202011296432.3
• 申請日: 2020-11-18
• 公開（公告）號: CN112270191A
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 徐蕙;嚴嘉慧;及洪泉;張祿;馬龍飛;張寶群;李香龍;陸斯悅;王培祎
• 申請（專利權）人: 國網北京市電力公司;國家電網有限公司
• 主分類號: G06F40/289
• 分類號: G06F40/289;G06F40/30;G06F40/216;G06K9/62
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 曾紅芳

本申請公開了一種提取工單文本主題的方法及裝置。其中，該方法包括：獲取工單的文本數據；根據第一預定聚類算法對文本數據對應的各個文本進行聚類，得到多個文本集合，其中，不同的集合對應不同的類型；對于每個文本集合，根據第二預定聚類算法對文本集合中所有文本進行主題信息提取，得到文本集合的主題詞。本申請解決了相關技術中采用LDA、PLSA等算法不能較準確的提取電采暖投訴與咨詢文本數據所要表達的主題造成的對客戶所要表達主題理解存在較大偏差，不能準確地識別客戶的實際需求的技術問題。

技術領域

本申請涉及文本識別領域，具體而言，涉及一種提取工單文本主題的方法及裝置。

背景技術

目前文本信息主題提取可以采用的方法主要有LDA和PLSA主題提取等。LDA、PLSA等算法均是無監督主題提取機器學習技術，通過基于主題的文檔生成算法來提取主題，只有當目標類別存在明顯差異的文本信息，自動化提取文檔的主題才會效果顯著。但對電采暖投訴與咨詢文本數據而言，每條文本存在較大的相似性，主題信息差異與類別劃分不明顯。因此，使用LDA等文檔主題生成模型來提取電采暖投訴與咨詢文本數據主題，效果甚微，不能較好的提取電采暖投訴與咨詢文本數據所要表達的主題，即在理解客戶表達的主題時存在一定的偏差，不能準確地識別客戶的需求。

針對上述的問題，目前尚未提出有效的解決方案。

發明內容

本申請實施例提供了一種提取工單文本主題的方法及裝置，以至少解決相關技術中采用LDA、PLSA等算法不能較準確的提取電采暖投訴與咨詢文本數據所要表達的主題造成的對客戶所要表達主題理解存在較大偏差，不能準確地識別客戶的實際需求的技術問題。

根據本申請實施例的一個方面，提供了一種提取工單文本主題的方法，包括：獲取工單的文本數據；根據第一預定聚類算法對文本數據對應的各個文本進行聚類，得到多個文本集合，其中，不同的集合對應不同的類型；對于每個文本集合，根據第二預定聚類算法對文本集合中所有文本進行主題信息提取，得到文本集合的主題詞。

可選地，第一預定聚類算法包括：K均值K-Means聚類算法；第二預定聚類算法包括：具有噪聲的基于密度DBSCAN的聚類算法。

可選地，根據第一預定聚類算法對文本數據對應的各個文本進行聚類之前，包括：對文本數據進行分詞處理，得到詞組序列；對詞組序列中各個詞組進行詞性標注，得到各個詞性對應的目標詞組，詞性包括：名詞、動詞以及副詞；確定目標詞組出現的頻率，根據頻率確定關鍵詞組；基于關鍵詞組構建關鍵詞庫。

可選地，根據頻率確定關鍵詞組，包括：根據頻率確定目標詞組的信息熵，其中，信息熵用于衡量信息量的大小；將信息熵大于第一閾值的目標詞組作為關鍵詞組。

可選地，在根據第一預定聚類算法對文本數據對應的各個文本進行聚類之前，方法還包括：對文本數據進行去噪處理，去噪處理的方式，至少包括：去除標點符號、數字；將英文字母轉化為小寫、提取英文單詞的詞根。

可選地，當主題詞有多個時，在得到文本集合的主題詞之后，方法還包括：確定文本集合的多個主題詞對應的多個隸屬度；確定多個隸屬度中大于第二閾值的目標隸屬度；將目標隸屬度對應的主題詞作為目標主題詞，將目標主題詞組成的語句作為文本集合對應的工單主題。

可選地，工單的文本數據，包括以下至少之一：電采暖業務投訴數據、電采暖業務咨詢數據。

可選地，在根據第二預定聚類算法對文本集合中所有文本進行主題信息提取，得到文本集合的主題詞之后，方法還包括：根據文本集合對應的主題詞生成風險主題庫；基于該風險主題庫確定主題詞的頻率，將主題詞中頻率大于第三閾值的主題詞作為用戶的投訴熱點和/或咨詢熱點。